[发明专利]基于线上交易特征的反欺诈模块决策融合方法

说明书

本发明提供一种基于线上交易特征的反欺诈模块决策融合方法，包括步骤：S1：根据具体场景设置若干反欺诈模块和特征数据；S2：根据特征数据将训练数据集划分为多个数据子集；S3：利用多个数据子集对各反欺诈模块进行训练；S4：分别计算各反欺诈模块的性能指标，根据性能指标调整各反欺诈模块的参数来提高各反欺诈模块的性能；S5：排列获得各反欺诈模块的全部逻辑组合方式，对各逻辑组合方式进行集成训练，获得集成模型；S6：利用集成模型判断当前交易是否为欺诈交易。本发明的一种基于线上交易特征的反欺诈模块决策融合方法，能够根据交易数据的特征自适应的产生对应的决策方案，并根据决策方案获得交易是否为欺诈的判断结果。

技术领域

本发明涉及互联网金融交易反欺诈技术领域，尤其涉及一种基于线上交易特征的反欺诈模块决策融合方法。

背景技术

随着社会经济和互联网技术的发展，金融领域逐渐将业务拓展至互联网金融方面。互联网金融由于其便捷性迅速得到大众的认可，但是由于互联网环境的复杂性，对于通过互联网交易的双方无法准确评估交易产生的欺诈风险，经常出现因身份盗用、设备丢失等情况导致的欺诈问题，因此针对互联网金融反欺诈工作尤为重要。

现阶段海量的互联网金融交易数据，使得基于机器学习的反欺诈方法成为目前主流研究方向。利用海量数据，从数据中提取有效特征，利用已标明标签的交易数据训练分类模型，利用训练好的分类模型可以有效的辨别交易是否为欺诈交易，同时对欺诈交易进行拦截。此类方法中，使用单一的机器学习检测模块，往往会存在对不同类型欺诈交易特征不敏感的问题，导致误报率和漏报率的提高。为缓解这个问题，通常会采用多模块集成的方式建立反欺诈检测系统。多模块集成方法利用互补性，弥补单一模块的不足之处，综合检测欺诈特征。同时，这种模块化的设计本身也提高了反欺诈系统的开发和维护效率。现有的多模块融合策略主要有以下几种：

1)投票法：该类方法采用投票的方式，以少数服从多数的原则决定最终系统输出。各个模块给出判断，判断此时的交易是否为欺诈交易，系统根据各个模块输出的结果，取其中最多的情况为系统预测的最终结果。

2)赋予权重法：为每个模块赋予一定权重，系统根据权重决定最终输出结果。由于实际应用场景中，不同类型欺诈发生的频率不同，因此不能对各个模块赋予相同权重值。通过统计不同欺诈类型的占比，确定各个模块的权重值。或者设立预测函数b(x)为：其中w_i为需要训练的权重，g_i(x)表示所采用的假设模型；x表示特征子集；χ表示特征集合；目标函数为min(sqr(b(x)-y))的方式确定各个模块的权重；其中，y表示对应特征的标识。

以上的多模块组合策略应用便捷，但是存在以下问题：

1)系统决策方式单一，仅通过多个模块得出的预测结果按照投票法等方式决定最终结果，决策方式过于简单。

2)决策方案过于依赖模块之间的独立性，若模块之间独立性良好，则整个系统决策的准确率越高，相反则会影响系统的性能。

3)自适应能力差，仅能利用已训练好的方式判断是否为欺诈交易，无法根据不同交易数据的特征自适应的产生不同决策方案。

4)对不同类型欺诈交易不敏感，当欺诈场景出现新的欺诈类型时，反欺诈系统依然根据之前的决策方式加以判断，无法及时调整决策方案，对新的欺诈类型加以拦截。

综上所述，现有技术存在的问题：系统决策方式单一，仅利用简单的组合策略进行集成，过分依赖模块之间的独立性，对不同类型欺诈交易不敏感，自适应能力差，无法根据交易数据特征选用不同的决策方法。

发明内容

针对上述现有技术中的不足，本发明提供一种基于线上交易特征的反欺诈模块决策融合方法，能够根据交易数据的特征自适应的产生对应的决策方案，并根据决策方案获得交易是否为欺诈的判断结果。