欺诈检测方法技术

本申请公开一种欺诈检测方法

【技术实现步骤摘要】
欺诈检测方法、装置、设备及存储介质


[0001]本申请涉及通信计算机
，尤其涉及一种欺诈检测方法
、
装置
、
设备及存储介质
。

技术介绍

[0002]目前，电商平台上的欺诈行为，如欺诈性商品评论或虚假支付行为，严重误导了用户节点的购物决策，损害了平台的核心利益
。
一方面，欺诈者相互协作，构成共谋欺诈群组，对目标进行恶意攻击，这样可以最大限度地发挥在线评论的主导作用
。
另一方面，欺诈者引入伪装策略掩盖欺诈行为，以减轻其欺诈可疑度
。
例如，欺诈者可以通过与正常行为模式
(
即发布真实评论或关注正常用户节点和热门商品
)
建立联系而隐藏自身的欺诈踪迹
。
[0003]当前欺诈检测方法，一般通过分析用户节点异常行为和构建与其他用户节点的交互关系图，从而发现可疑行为的模式来检测
。
然而，上述检测模型
(
基于特征和基于图的检测模型
)
往往只考虑了欺诈行为的浅层同质性特征，在面对协作共谋欺诈
、
对抗性伪装欺诈
、
多手段融合欺诈等高阶欺诈攻击的场景下表现出不佳的检测性能
。

技术实现思路

[0004]有鉴于此，本申请实施例提供一种欺诈检测方法
、
装置
、
设备及存储介质，旨在解决相关技术中，对复杂场景下对欺诈行为检测准确度低的技术问题r/>。
[0005]本申请实施例提供了一种欺诈检测方法，所述方法包括：
[0006]获取第一用户节点的相关用户节点数据，其中，所述相关用户节点数据包括与第一用户节点对同一目标均进行评论的各相关用户节点的评论数据，以及各用户节点重叠评论的目标数据；
[0007]通过预设欺诈图神经网络检测模型，基于所述第一用户节点的相关用户节点数据，对所述第一用户节点进行是否存在欺诈行为的识别，得到欺诈检测识别结果；
[0008]其中，所述预设欺诈图神经网络检测模型是基于训练数据中第二用户节点与其相关用户节点的隐藏共谋关系，进行训练得到的，用于表征第二用户是否存在欺诈行为的模型；
[0009]其中，所述训练数据为多个第二用户节点的相关用户节点数据，所述隐藏共谋关系用于表征不同用户节点行为的关联情况
。
[0010]在本申请的一种可能的实施方式中，所述各相关用户节点与其邻居节点构成共谋节点，所述通过预设欺诈图神经网络检测模型，基于所述第一用户节点的相关用户节点数据，对所述第一用户节点进行是否存在欺诈行为的识别，得到欺诈检测识别结果的步骤，包括：
[0011]通过预设欺诈图神经网络检测模型，从所述第一用户节点的相关用户节点数据中确定出所述第一用户节点与其相关用户节点的隐藏共谋关系，其中，基于所述评论数据中用户节点的评论时间间隔和评分相似性数据以及基于所述目标数据，确定第一用户节点与
其相关用户节点的隐藏共谋关系；
[0012]基于所述隐藏共谋关系，对所述第一用户节点进行特征的聚合，得到聚合特征；
[0013]基于所述聚合特征，对所述第一用户节点进行是否存在欺诈行为的分类，得到欺诈检测识别结果
。
[0014]在本申请的一种可能的实施方式中，所述通过预设欺诈图神经网络检测模型，从所述第一用户节点的相关用户节点数据中确定出所述第一用户节点与其相关用户节点的隐藏共谋关系的步骤，包括：
[0015]通过预设欺诈图神经网络检测模型中，基于所述评论数据所确定的共谋评论者图以及基于所述目标数据，确定共谋节点对的共谋相似度；
[0016]基于所述共谋相似度，确定对应共谋节点对的共谋可疑度；
[0017]基于预设的社区上下文感知模型，从所述相关用户节点数据中，确定所述第一用户节点的社区上下文向量以及初始嵌入向量，其中，所述预设的社区上下文感知模型的损失函数与所述共谋可疑度相关，所述社区上下文向量以及初始嵌入向量使得所述共谋可疑度最大
。
[0018]在本申请的一种可能的实施方式中，所述基于所述隐藏共谋关系，对所述第一用户节点进行特征的聚合，得到聚合特征的步骤，包括：
[0019]基于所述社区上下文向量以及所述初始嵌入向量，对所述第一用户节点进行特征的聚合，得到聚合特征
。
[0020]在本申请的一种可能的实施方式中，所述基于所述社区上下文向量以及所述初始嵌入向量，对所述第一用户节点进行特征的聚合，得到聚合特征的步骤，包括：
[0021]基于所述社区上下文向量，确定第一用户节点与其相关节点是否处于同一社区；
[0022]根据是否处于同一社区，采取不同的聚合方式，对所述第一用户节点进行特征的聚合，得到聚合特征
。
[0023]本申请还提供一种欺诈检测方法，还获取各相关用户节点的嵌入向量；
[0024]所述根据是否处于同一社区，采取不同的聚合方式，对所述第一用户节点进行特征的聚合，得到聚合特征的步骤，包括：
[0025]若处于同一社区，提取第一用户的各相关用户节点对应嵌入向量中的预设高频信号进行聚合，得到第一用户节点的聚合特征；
[0026]若未处于同一社区，提取第一用户的各相关用户节点对应嵌入向量中的预设低频信号进行聚合，得到第一用户节点的聚合特征
。
[0027]在本申请的一种可能的实施方式中，所述预设欺诈图神经网络检测模型的总体损失函数包括有监督的分类损失函数和无监督的共谋损失函数
。
[0028]本申请还提供一种欺诈检测装置，所述装置包括：
[0029]获取模块，用于获取第一用户节点的相关用户节点数据，其中，所述相关用户节点数据包括与第一用户节点对同一目标均进行评论的各相关用户节点的评论数据，以及各用户节点重叠评论的目标数据；
[0030]识别模块，用于通过预设欺诈图神经网络检测模型，基于所述第一用户节点的相关用户节点数据，对所述第一用户节点进行是否存在欺诈行为的识别，得到欺诈检测识别结果；
[0031]其中，所述预设欺诈图神经网络检测模型是基于训练数据中第二用户节点与其相关用户节点的隐藏共谋关系，进行训练得到的，用于表征第二用户是否存在欺诈行为的模型；
[0032]其中，所述训练数据为多个第二用户节点的相关用户节点数据，所述隐藏共谋关系用于表征不同用户节点行为的关联情况
。
[0033]本申请还提供一种欺诈检测设备，所述欺诈检测设备为实体节点设备，所述欺诈检测设备包括：存储器
、
处理器以及存储在所述存储器上并可在所述处理器上运行的所述欺诈检测方法的程序，所述欺诈检测方法的程序被处理器执行时可实现如上述所述欺诈检测方法的步骤
。
[0034]为实现上述目的，还提供一种存储介质，所述存储介质上存储有欺诈检测程序，所述欺诈检测程序被处理器执行时实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种欺诈检测方法，其特征在于，所述方法包括：获取第一用户节点的相关用户节点数据，其中，所述相关用户节点数据包括与第一用户节点对同一目标均进行评论的各相关用户节点的评论数据，以及各用户节点重叠评论的目标数据；通过预设欺诈图神经网络检测模型，基于所述第一用户节点的相关用户节点数据，对所述第一用户节点进行是否存在欺诈行为的识别，得到欺诈检测识别结果；其中，所述预设欺诈图神经网络检测模型是基于训练数据中第二用户节点与其相关用户节点的隐藏共谋关系，进行训练得到的，用于表征第二用户是否存在欺诈行为的模型；其中，所述训练数据为多个第二用户节点的相关用户节点数据，所述隐藏共谋关系用于表征不同用户节点行为的关联情况
。2.
如权利要求1所述的欺诈检测方法，其特征在于，所述各相关用户节点与其邻居节点构成共谋节点，所述通过预设欺诈图神经网络检测模型，基于所述第一用户节点的相关用户节点数据，对所述第一用户节点进行是否存在欺诈行为的识别，得到欺诈检测识别结果的步骤，包括：通过预设欺诈图神经网络检测模型，从所述第一用户节点的相关用户节点数据中确定出所述第一用户节点与其相关用户节点的隐藏共谋关系，其中，基于所述评论数据中用户节点的评论时间间隔和评分相似性数据以及基于所述目标数据，确定第一用户节点与其相关用户节点的隐藏共谋关系；基于所述隐藏共谋关系，对所述第一用户节点进行特征的聚合，得到聚合特征；基于所述聚合特征，对所述第一用户节点进行是否存在欺诈行为的分类，得到欺诈检测识别结果
。3.
如权利要求2所述的欺诈检测方法，其特征在于，所述通过预设欺诈图神经网络检测模型，从所述第一用户节点的相关用户节点数据中确定出所述第一用户节点与其相关用户节点的隐藏共谋关系的步骤，包括：通过预设欺诈图神经网络检测模型中，基于所述评论数据所确定的共谋评论者图以及基于所述目标数据，确定共谋节点对的共谋相似度；基于所述共谋相似度，确定对应共谋节点对的共谋可疑度；基于预设的社区上下文感知模型，从所述相关用户节点数据中，确定所述第一用户节点的社区上下文向量以及初始嵌入向量，其中，所述预设的社区上下文感知模型的损失函数与所述共谋可疑度相关，所述社区上下文向量以及初始嵌入向量使得所述共谋可疑度最大
。4.
如权利要求3所述的欺诈检测方法，其特征在于，所述基于所述隐藏共谋关系，对所述第一用户节点进行特征的聚合，得到聚合特征的步骤，包括：基于所述社区上下文向量以及...

【专利技术属性】
技术研发人员：张政，林玉香，单平平，郭俊颖，
申请(专利权)人：南阳理工学院，
类型：发明
国别省市：