[发明专利]一种欺诈检测模型训练方法和装置及欺诈检测方法和装置

说明书

本申请提供了一种欺诈检测模型训练方法和装置以及欺诈检测方法和装置，包括：获取多个样本用户在第一历史时间段以及第二历史时间段的历史操作行为信息，以及样本用户在第二历史时间段是否发生欺诈行为的标注信息；生成该样本用户在多种业务场景下，与每种业务场景分别对应的行为特征向量序列；将行为特征向量序列，输入循环神经网络中，生成行为编码向量；将各业务场景对应的行为编码向量进行拼接后，输入分类神经网络，获取欺诈风险概率；基于欺诈风险概率及标注信息，对循环神经网络及分类神经网络进行训练，获取欺诈检测模型。本申请能够提高对用户在使用电子银行时发生的用户操作行为是否为欺诈行为进行判断的准确率。

技术领域

本申请涉及计算机信息技术领域，具体而言，涉及一种欺诈检测模型训练方法和装置及欺诈检测方法和装置。

背景技术

电子银行是指银行面向社会公众开放的通讯通道。随着互联网的快速发展以及智能终端的普及，电子银行是电子商务活动中一种常用的银行业务处理方式，如：使用电子银行进行网上转账，查询账户余额，网上理财等其他离柜业务，而离柜办理业务为用户提供了极大的便利。但是，电子银行在为用户提供便利的同时，也存在很多的安全隐患，如：账户信息窃取、账户信息盗用、盗转资金等非正常操作行为，使得用户的利益受到损害。

为了增强电子银行的安全性，现有技术中采用传统的机器学习模型对银行业务进行建模，并收集大量的行为操作信息作为训练集来训练得到机器学习模型，根据当前用户获取的行为特征以及机器学习模型来判断用户的当前行为是否为欺诈行为，进而保证了用户的账户安全。

但是，由于不同用户之间的操作行为存在较大的差异性，同一用户在不同时间段内的操作行为也会存在区别，仅仅基于当前的用户行为操作信息以及机器学习模型，检测并分析当前业务场景下用户的行为是否为欺诈行为，准确率较低。

发明内容

有鉴于此，本申请实施例的目的在于提供一种欺诈检测模型训练方法和装置及欺诈检测方法和装置，能够根据历史操作行为信息以及当前时刻操作行为信息，对用户在使用电子银行时发生的当前操作行为进行分析，提高对用户当前操作行为是否为欺诈行为进行判断的准确率。

第一方面，本申请实施例提供了一种欺诈检测模型训练方法，其中，包括：

获取多个样本用户在第一历史时间段以及第二历史时间段的历史操作行为信息，以及样本用户在所述第二历史时间段是否发生欺诈行为的标注信息；

针对每个样本用户，根据该样本用户的历史操作行为信息，生成该样本用户在多种业务场景下，与每种业务场景分别对应的行为特征向量序列；

将该样本用户与每种业务场景分别对应的行为特征向量序列，分别输入与各业务场景分别对应的循环神经网络中，生成与各业务场景对应的行为编码向量；

将各业务场景对应的行为编码向量进行拼接后，输入至分类神经网络，获取与该样本用户对应的欺诈风险概率；

基于所述欺诈风险概率，以及所述标注信息，对循环神经网络以及分类神经网络进行训练，获取欺诈检测模型。

结合第一方面，本申请实施例提供了第一方面的第一种可能的实施方式，其中：

所述生成该样本用户在多种业务场景下，与每种业务场景分别对应的行为特征向量序列包括：

针对每个样本用户，根据该样本用户的历史操作行为信息，获取该样本用户在所述第一历史时间段内每次发生操作行为时，分别与各个业务场景对应的多个预设操作行为特征下的特征值；

根据该样本用户在所述第一历史时间段内每次发生操作行为时，与各个业务场景对应的多个预设操作行为特征下的特征值，生成该样本用户每次发生操作行为时，与各个业务场景分别对应的行为特征向量；