[发明专利]一种基于生成对抗网络的弱监督互联网金融反欺诈方法

说明书

本发明公开了一种基于生成对抗网络的弱监督互联网金融反欺诈方法，涉及互联网金融网络支付的反欺诈检测领域，解决了目前反欺诈对于欺诈数据的使用不完全，模型准确率低的弊端，其技术方案要点是对互联网金融产生的交易数据进行预处理以能进行模型的计算；建立生成对抗网络的生成模型和判别模型，根据真实数据和随机生成的数据交替训练判别模型和生成模型直至模型收敛；将收敛的生成对抗网络中的生成模型作为样本生成器，通过神经网络的预测模型对交易数据评估，本发明的一种基于生成对抗网络的弱监督互联网金融反欺诈方法，在不丢失信息量的情况下还能引入新的信息量，提高了模型的泛化能力，从而提高了拦截欺诈交易的准确性和模型的鲁棒性。

技术领域

本发明涉及互联网金融网络支付的反欺诈检测，特别涉及一种基于生成对抗网络的弱监督互联网金融反欺诈方法。

背景技术

在互联网金融领域，数据标签的获得是依赖于风险的实际发生，即只有真正当欺诈发生时，金融公司才能得到欺诈的标签数据，因此该标签数据的获得具有滞后性，所以欺诈标签的获得是以用户实际发生欺诈为代价的，这会给用户带来极大的损失，同时也会给金融公司的安全防护带来极大的威胁，因此互联网金融的反欺诈过程就是一个和犯罪者赛跑的过程，如果能及时的超越对手跑在犯罪者的前面，就能防患于未然，及时给用户以反馈，并挽救用户的损失。

目前已经针对这种欺诈与非欺诈数据的比率极度不均衡的样本，常规的机器学习的思路是从数据中抽出特定的数据比率，即只从非欺诈数据中抽出部分数据，然后将欺诈数据和抽样得到的非欺诈数据作为训练集来训练一个合适的判别模型。但是这种方式存在一个弊端，即通常只用到了部分的非欺诈数据，信息的使用不完全，很可能会造成信息丢失的情况，从信息量的角度来判断，这种构建学习模型的方式对信息量的使用是不完全的。对信息量的使用不完全必定会造成模型的准确率不高。

发明内容

本发明的目的是提供一种基于生成对抗网络的弱监督互联网金融反欺诈方法，在不丢失信息量的情况下还能引入新的信息量，提高了模型的泛化能力，从而提高了拦截欺诈交易的准确性和模型的鲁棒性。

本发明的上述技术目的是通过以下技术方案得以实现的：

一种基于生成对抗网络的弱监督互联网金融反欺诈方法，包括有以下步骤：

对互联网金融产生的交易数据进行预处理以能进行模型的计算；

建立生成对抗网络的生成模型和判别模型，根据真实数据和随机生成的数据交替训练判别模型和生成模型直至模型收敛；

将收敛的生成对抗网络中的生成模型作为样本生成器，用来生成欺诈的标签数据；

通过生成的标签数据训练预测模型，以通过预测模型进行交易数据评估。

作为优选，具体步骤如下：

预处理：对原始的数据通过数据清理、数据集成及数据变化将数据转换成可参与模型计算的形式；

建模：建立不断学习训练集中的真实数据的概率分布，将输入的随机噪声转换成伪数据的生成模型；建立判断一条记录是否是真实的数据，且将生成模型产生的伪数据与数据中的真数据区分的判别模型；

训练：通过真实数据和随机生成的数据同时输入判别模型进行训练，并且更新判别模型的参数；将损失函数中的损失反馈给生成模型以调整生成模型的参数，并训练生成模型；交替训练判别模型和生成模型直至模型收敛；

评估：将收敛的生成模型作为交易数据评估中欺诈数据的样本生成器，生成欺诈的标签数据并训练神经网络中的预测模型，以对交易数据进行预测评估。

作为优选，预处理中具体步骤包括有：

数据清理：通过填写缺失值，光滑噪声数据，识别/解决不一致来清理数据，实现数据的格式化标准、异常数据的清除、错误纠正及重复数据的清除；