【技术实现步骤摘要】
【】本专利技术涉及计算机大数据，具体涉及一种基于相似场景学习和伪标签数据生成的金融欺诈检测方法。
技术介绍
0、
技术介绍
1、欺诈检测是金融用户行为监测领域的核心技术之一。然而，由于金融场景中存在的个人隐私、利益冲突等问题，数据敏感性高导致无法获得大量的数据。现有的欺诈检测方法由于低数据量的限制，直接导致了其检测精度低，且仅能应用于预设的金融场景而无法适用到其他的金融场景。这种局限性严重增加了欺诈检测模型在实际应用中学习与设计成本，降低了其在多种场景中检测的可靠性和泛化性，从而限制了欺诈检测的广泛应用。
2、gcn(graph convolutional network，图卷积网络)是一种用于处理图结构数据的深度学习模型。
3、wasserstein距离，这是一种衡量两个概率分布之间差异的方式，属于最优传输理论的一部分。
4、本专利技术针对金融欺诈检测领域用户类别标注不足导致的检测精度低和泛化性差的技术问题，对金融欺诈检测方法进行了技术改进。
技术实现思路<
本文档来自技高网...
【技术保护点】
1.一种基于相似场景学习和伪标签数据生成的金融欺诈检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于相似场景学习和伪标签数据生成的金融欺诈检测方法，其特征在于，金融欺诈检测的任务定义为：给定一个用户交易行为网络其中v代表用户个体，ε代表用户之间的交易行为，代表所有n个用户个体行为的特征表示，目标是检测每个用户是否存在异常交易行为；金融欺诈检测结果用表示，其中yi＝1表示存在异常行为，yi＝0表时表示不存在异常行为。
3.根据权利要求2所述的一种基于相似场景学习和伪标签数据生成的金融欺诈检测方法，其特征在于，步骤S1具体包括以
<...【技术特征摘要】
1.一种基于相似场景学习和伪标签数据生成的金融欺诈检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于相似场景学习和伪标签数据生成的金融欺诈检测方法，其特征在于，金融欺诈检测的任务定义为：给定一个用户交易行为网络其中v代表用户个体，ε代表用户之间的交易行为，代表所有n个用户个体行为的特征表示，目标是检测每个用户是否存在异常交易行为；金融欺诈检测结果用表示，其中yi＝1表示存在异常行为，yi＝0表时表示不存在异常行为。
3.根据权利要求2所述的一种基...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。