[发明专利]金融交易欺诈风险人工智能建模参数化热敏缩放校正方法

说明书

金融交易欺诈风险人工智能建模参数化热敏缩放校正方法，包括确定加权交易参数及计算参数对分数的加权值、利用公式而对分数基于加权值α进行提升、对加权校正后的分数进行边界限制四个步骤；所述确定加权交易参数中，加权交易参数由客户指定，客户希望模型倾向于抓住交易金额较大的欺诈，那么就会选定交易参数‑交易金额，作为模型加权参数。本发明得出的数据能有效应用于人工智能建模中模型使用，能对各个交易参数集合的权重不同而对模型做不同加权，为减少金融交易欺诈风险起到了有利技术支持。克服了现有技术人工智能模型无法针对各个交易参数集合的权重不同而对模型做不同加权的弊端。基于上述，本发明具有好的应用前景。

技术领域

本发明涉及金融部门应用的反欺诈技术领域，特别是一种金融交易欺诈风险人工智能建模参数化热敏缩放校正方法。

背景技术

当前金融欺诈风险控制进入大数据和人工智能时代，人工智能模型作为金融交易风险控制过程中一个重要的技术环节，在国际和国内反交易欺诈斗争中成绩斐然。人工智能建模的输入是交易参数集合(交易时间，交易地点，交易金额等)中的交易风险、交易双方的行为习惯和其他类型数据的历史特征。由于交易参数对模型用户是非平权的，比如模型抓住一个交易金额高的欺诈比一个交易金额低的欺诈对模型用户更重要，而抓住一个午夜12点的欺诈和一个中午12点的欺诈则无重大区别；这种情况我们说交易金额的权重比交易时间的权重大。如果针对各个交易参数集合的权重不同而对模型做不同的加权，会有效提高模型的表现，但此类方法并未在公开技术中得到应用。

发明内容

为了克服现有技术中，人工智能模型无法针对各个交易参数集合的权重不同而对模型做不同加权的弊端，本发明提供了一种在相关技术共同作用下，能对各个交易参数集合的权重不同而对模型做不同加权，得出的数据能有效应用于人工智能建模中模型使用，为减少金融交易欺诈风险起到了有利技术支持的金融交易欺诈风险人工智能建模参数化热敏缩放校正方法。

本发明解决其技术问题所采用的技术方案是：

金融交易欺诈风险人工智能建模参数化热敏缩放校正方法，其特征在于包括确定加权交易参数及计算参数对分数的加权值、利用公式而对分数基于加权值α进行提升、对加权校正后的分数进行边界限制四个步骤；所述确定加权交易参数中，加权交易参数由客户指定，客户希望模型倾向于抓住交易金额较大的欺诈，那么就会选定交易参数-交易金额，作为模型加权参数；所述计算参数对分数的加权值的公式为α＝ν_h^TP；所述计算参数对分数的加权值的公式为所述对加权校正后的分数进行边界限制公式为：S_h＝min(Score_max-1，max(Score_min，Score_h))。

进一步地，所述计算参数对分数的加权值中，V_h为缩放校正参数输入值，TP为缩放温度指数，TP是需要优化的参数。

进一步地，所述利用公式而对分数基于加权值α进行提升中，其中Score_max，Score_min，分别为交易风险分数最大和最小边界值，均属于常数。

进一步地，所述对加权校正后的分数进行边界限制中，其中Score_max，Score_min，分别为交易风险分数最大和最小边界值，均属于常数。

本发明有益效果是：本发明通过确定加权交易参数及计算参数对分数的加权值、利用公式而对分数基于加权值α进行提升、对加权校正后的分数进行边界限制四个步骤，得出的数据能有效应用于人工智能建模中模型使用，能对各个交易参数集合的权重不同而对模型做不同加权，为减少金融交易欺诈风险起到了有利技术支持。克服了现有技术人工智能模型无法针对各个交易参数集合的权重不同而对模型做不同加权的弊端。基于上述，本发明具有好的应用前景。

附图说明

图1是本发明原始风险分数与交易金额热敏校正风险分数示意图。