一种欺诈检测模型构建方法技术

本申请实施例公开了一种欺诈检测模型构建方法

【技术实现步骤摘要】
一种欺诈检测模型构建方法、装置、设备及存储介质


[0001]本申请涉及计算机
，更具体的说，涉及一种欺诈检测模型构建方法
、
装置
、
设备及存储介质
。

技术介绍

[0002]随着科技的进步，银行信用卡的日常使用量迅速增长
。
与此同时，银行信用卡相关的欺诈交易也在逐渐增多
。
欺诈交易的存在不仅会损害银行的经济利益，还会影响客户的信任和满意度
。
因此，如何对银行信用卡欺诈交易进行有效检测成为一项亟需解决的技术问题
。

技术实现思路

[0003]有鉴于此，本申请实施例公开一种欺诈检测模型构建方法
、
装置
、
设备及存储介质，实现对银行信用卡欺诈交易进行有效检测
。
[0004]本申请实施例提供的技术方案如下：
[0005]第一方面，本申请实施例提供了一种欺诈检测模型构建方法，所述方法包括：
[0006]从历史银行信用卡交易数据中获取欺诈风险特征和所述欺诈风险特征对应的标识特征；所述历史银行信用卡交易数据包括：历史银行信用卡欺诈交易数据和历史银行信用卡正常交易数据，所述标识特征用于表征所述欺诈风险特征为欺诈交易数据或正常交易数据；
[0007]基于
Apriori
算法对所述欺诈风险特征和所述标识特征进行关联关系挖掘，得到交易关联规则；
[0008]利用所述交易关联规则
、
所述欺诈风险特征和所述标识特征构建欺诈检测模型；所述欺诈检测模型用于检测银行信用卡交易是否为欺诈交易
。
[0009]在一种可能的实现方式中，所述利用所述交易关联规则
、
所述欺诈风险特征和所述标识特征构建欺诈检测模型，包括：
[0010]基于代价敏感学习方法对初始欺诈检测模型的第一错误分类赋予第一代价，对所述初始欺诈检测模型的第二错误分类赋予第二代价；所述第一错误分类为将欺诈交易误认为正常交易，所述第二错误分类为将正常交易误认为欺诈交易；
[0011]利用所述交易关联规则
、
所述欺诈风险特征和所述标识特征训练所述初始欺诈检测模型，得到欺诈检测模型
。
[0012]在一种可能的实现方式中，所述方法还包括：
[0013]基于过采样方法对所述历史银行信用卡欺诈交易数据进行处理，得到处理后的欺诈交易数据；
[0014]基于欠采样方法对所述历史银行信用卡正常交易数据进行处理，得到处理后的正常交易数据；
[0015]其中，所述从历史银行信用卡交易数据中获取欺诈风险特征和所述欺诈风险特征
对应的标识特征，包括：
[0016]从所述处理后的欺诈交易数据和所述处理后的正常交易数据中获取欺诈风险特征和所述欺诈风险特征对应的标识特征
。
[0017]在一种可能的实现方式中，所述方法还包括：
[0018]利用所述历史银行信用卡交易数据的数量
、
所述欺诈风险特征的数量确定支持度阈值和置信度阈值；
[0019]其中，所述基于
Apriori
算法对所述欺诈风险特征和所述标识特征进行关联关系挖掘，得到交易关联规则，包括：
[0020]基于
Apriori
算法结合所述支持度阈值对所述欺诈风险特征和所述标识特征进行关联关系挖掘，得到频繁项集；
[0021]依据所述频繁项集构建初始交易关联规则；
[0022]计算所述初始交易关联规则的置信度；
[0023]利用所述置信度和所述置信度阈值从所述初始交易关联规则中确定交易关联规则
。
[0024]在一种可能的实现方式中，所述方法还包括：
[0025]将银行信用卡交易系统获取到的银行信用卡交易数据中的欺诈风险特征输入所述欺诈检测模型，得到检测结果；所述欺诈检测模型集成到所述银行信用卡交易系统中，所述检测结果用于表征所述银行信用卡交易数据是否为欺诈交易数据
。
[0026]在一种可能的实现方式中，所述方法还包括：
[0027]当所述银行信用卡交易数据为欺诈交易数据，发出提示信息
。
[0028]第二方面，本申请实施例提供了一种欺诈检测模型构建装置，所述装置包括：
[0029]获取模块，用于从历史银行信用卡交易数据中获取欺诈风险特征和所述欺诈风险特征对应的标识特征；所述历史银行信用卡交易数据包括：历史银行信用卡欺诈交易数据和历史银行信用卡正常交易数据，所述标识特征用于表征所述欺诈风险特征为欺诈交易数据或正常交易数据；
[0030]挖掘模块，用于基于
Apriori
算法对所述欺诈风险特征和所述标识特征进行关联关系挖掘，得到交易关联规则；
[0031]构建模块，用于利用所述交易关联规则
、
所述欺诈风险特征和所述标识特征构建欺诈检测模型；所述欺诈检测模型用于检测银行信用卡交易是否为欺诈交易
。
[0032]在一种可能的实现方式中，所述装置还包括：
[0033]检测模块，用于将银行信用卡交易系统获取到的银行信用卡交易数据中的欺诈风险特征输入所述欺诈检测模型，得到检测结果；所述欺诈检测模型集成到所述银行信用卡交易系统中，所述检测结果用于表征所述银行信用卡交易数据是否为欺诈交易数据
。
[0034]第三方面，本申请实施例提供了一种电子设备，包括：
[0035]存储器，用于存储指令；
[0036]处理器，用于执行所述存储器中的所述指令以执行以上第一方面任一项所述的欺诈检测模型构建方法
。
[0037]第四方面，本申请实施例提供了一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行以上第一方面任一项所述的欺诈检测模型构建方法
。
[0038]第五方面，本申请实施例提供一种计算机程序产品，所述计算机程序产品在终端设备上运行时，使得所述终端设备执行以上第一方面任一项所述的欺诈检测模型构建方法
。
[0039]基于上述技术方案，本申请具有以下有益效果：
[0040]本申请实施例公开了一种欺诈检测模型构建方法
、
装置
、
设备及存储介质
。
其中，该方法包括：从历史银行信用卡欺诈交易数据和历史银行信用卡正常交易数据中获取欺诈风险特征和欺诈风险特征对应的标识特征；基于
Apriori
算法对欺诈风险特征和标识特征进行关联关系挖掘，得到交易关联规则；利用交易关联规则
、
欺诈风险特征和标识特征构建欺诈检测模型
。
可见，本申请实施例中由于标识特征是用于表征欺诈风险特征为欺诈交易数据或正常交易数据，使得基于
Apriori
算法能挖掘到欺诈风险特征与欺诈交易
、
...

【技术保护点】

【技术特征摘要】
1.
一种欺诈检测模型构建方法，其特征在于，所述方法包括：从历史银行信用卡交易数据中获取欺诈风险特征和所述欺诈风险特征对应的标识特征；所述历史银行信用卡交易数据包括：历史银行信用卡欺诈交易数据和历史银行信用卡正常交易数据，所述标识特征用于表征所述欺诈风险特征为欺诈交易数据或正常交易数据；基于
Apriori
算法对所述欺诈风险特征和所述标识特征进行关联关系挖掘，得到交易关联规则；利用所述交易关联规则
、
所述欺诈风险特征和所述标识特征构建欺诈检测模型；所述欺诈检测模型用于检测银行信用卡交易是否为欺诈交易
。2.
根据权利要求1所述的方法，其特征在于，所述利用所述交易关联规则
、
所述欺诈风险特征和所述标识特征构建欺诈检测模型，包括：基于代价敏感学习方法对初始欺诈检测模型的第一错误分类赋予第一代价，对所述初始欺诈检测模型的第二错误分类赋予第二代价；所述第一错误分类为将欺诈交易误认为正常交易，所述第二错误分类为将正常交易误认为欺诈交易；利用所述交易关联规则
、
所述欺诈风险特征和所述标识特征训练所述初始欺诈检测模型，得到欺诈检测模型
。3.
根据权利要求1所述的方法，其特征在于，所述方法还包括：基于过采样方法对所述历史银行信用卡欺诈交易数据进行处理，得到处理后的欺诈交易数据；基于欠采样方法对所述历史银行信用卡正常交易数据进行处理，得到处理后的正常交易数据；其中，所述从历史银行信用卡交易数据中获取欺诈风险特征和所述欺诈风险特征对应的标识特征，包括：从所述处理后的欺诈交易数据和所述处理后的正常交易数据中获取欺诈风险特征和所述欺诈风险特征对应的标识特征
。4.
根据权利要求1所述的方法，其特征在于，所述方法还包括：利用所述历史银行信用卡交易数据的数量
、
所述欺诈风险特征的数量确定支持度阈值和置信度阈值；其中，所述基于
Apriori
算法对所述欺诈风险特征和所述标识特征进行关联关系挖掘，得到交易关联规则，包括：基于
Apriori
算法结合所述支持度阈值对所述欺诈风...

【专利技术属性】
技术研发人员：李凤妹，
申请(专利权)人：中国银行股份有限公司，
类型：发明
国别省市：