[发明专利]经优化平均查准率通过机器学习检测银行交易组中的异常

说明书

本发明涉及一种用于检测一组支付交易中的异常的方法，该方法包括：‑建立由一组模型形成的元模型(E3)，每个模型都在训练组上进行训练，以便确定每个交易为异常的风险，所述元模型是由“梯度提升”技术建立的，以便优化表示元模型的平均查准率的可导函数；‑将所述组提交给元模型，以便确定所述组的每个交易的风险，以及‑确定与大于确定的阈值的风险相对应的交易的子组，以便在所述子组中提供预定数量的交易。

技术领域

本发明涉及一种用于通过机器学习来检测一组银行交易中的异常的机制。其特别适用于欺诈性检测。

背景技术

与支付交易有关的欺诈，主要包括银行交易中的欺诈，是一种严重且不断增长的现象，这具体是由于经由电信网络进行的在线交易的普及引起的。除了欺诈之外，还可能发生其他类型的异常(错误等)。

出于该原因，已经部署了各种机制用于检测异常，特别是由银行公司部署。

这些机制可以在支付服务器授权交易之前或之后实施。在第一种情况下，参考实时欺诈检测或异常检测。在第二种情况下，这包括近实时检测。

第一种情况的优点是能够在欺诈交易发生之前将其阻止，但是它在处理时间方面受到严重限制，因为该机制会延迟支付交易的完成，并因此对用户体验具有负面影响。第二种情况使得可以具有更多的时间，并因此能够实现更全面和更严格的处理操作。

已经提出了在该第二种情况下允许异常检测的解决方案。对于大部分情况，这些解决方案是基于各种分类机制的。

然而，由于一组支付交易中的异常检测的特定特征，大多数常规分类技术不能被直接应用。具体地，数据中非常大的不平衡趋于导致模型仅预测非欺诈性交易。

首先，欺诈的后果极为严重且高度敏感。因此，尽管尽可能多地检测欺诈情况是重要的，但在证明可疑交易合法时，取消可疑交易也是非常不利的。这种情况的严重性和复杂性不允许进行自动处理，而现有的解决方案是向人类操作员提交一定数量的有争议的交易，而最后负责将有争议的交易最终分类为异常的还是合法的是该人类操作员。

此外，由于与支付和银行数据有关的信息的机密和敏感的性质，因此很少有关于为检测欺诈而实施的工具的信息能够被公开。因此，很难比较现有技术的解决方案。

发明内容

本发明的目的是提供一种至少部分地减轻上述缺点的解决方案。更具体地，本发明旨在提供用于确定一组表现出异常(欺诈或其他现象)的具有特定风险的交易的方法，并且该交易能够被提交给人类操作员。

为此，本发明提出了一种用于检测一组支付交易中的异常的方法，包括：

-建立由一组模型形成的元模型，每个模型都在训练组上进行优化以便确定每个交易为异常的风险，所述元模型是使用“梯度提升”技术建立的，以便优化表示所述元模型的平均查准率的可导函数；

-将所述组提交给所述元模型，以便确定所述组的每个交易的风险，以及

-确定与大于确定的阈值的风险相对应的交易的子组，以便在所述子组中提供预定数量的交易。

根据优选实施方式，本发明包括以下特征中的一个或多个，这些特征可以单独使用或者彼此部分组合或彼此完全组合地使用：

-将所述子组提交给一个或多个人类专家，并且基于所述一个或多个人类专家能够处理的交易数量来确定所述阈值；

-在建立元模型之前，对所述一组交易进行二次采样步骤(E2)，用以改善异常交易与合法交易之间的平衡；

-所述二次采样步骤包括优化F2分数；

-优化所述F2分数包括使表示所述F2分数的可导函数最小化；

-将所述平均查准率应用于交易级别，交易按风险等级排序。