[发明专利]异常交易检测模型的训练以及异常交易检测的方法和装置

说明书

本发明提供一种异常交易检测模型的训练以及异常交易检测的方法和装置。其中，一种异常交易检测模型的训练方法包括：接收所获取的第一交易样本数据集，其中，第一交易样本数据集中的各第一交易样本数据是正常交易样本数据；对第一交易样本数据集进行特征提取处理，得到第一交易样本特征集；基于所述第一交易样本特征集，采用无监督机器学习算法训练得到异常交易检测模型，记录基于无监督机器学习算法获得的每个簇的核心位置和半径。

本申请是申请日为2019年3月28日、申请号为201910243559.X、题为“异常交易检测模型的训练以及异常交易检测的方法和装置”的专利申请的分案申请。

技术领域

本发明涉及机器学习和金融交易的交叉领域，尤其涉及异常交易检测模型的训练方法、装置，异常交易检测方法、装置，以及计算设备和存储有计算机程序的计算机可读存储介质。

背景技术

随着科学技术和社会经济的繁荣发展，金融交易(例如，基于互联网的金融交易等)也越来越频繁，并且愈发重要。例如，银行等金融机构会依据企业的金融交易情况来进行融资授信额度的评定和贷款发放。

然而，由于在金融交易中往往造假成本低、收益空间大，因此会存在企业通过构造虚假的金融交易来骗取利益，例如，从银行骗取贷款等。在面对异常交易(例如，造假的交易)时，传统的通过发票等手段进行验伪的方式不具备实时性，无法满足银行和企业在互联网时代的高效诉求，而如果通过有监督机器学习方法进行实时监测时，则又需要大量的有标签样本进行训练，而样本的收集和标注工作也会耗费大量的时间和人力成本，而且存在误判的情况。

发明内容

本发明的目的在于提供一种异常交易检测模型的训练方法和异常交易检测方法。

本发明的一方面提供一种异常交易检测模型的训练方法，包括：接收所获取的第一交易样本数据集，其中，第一交易样本数据集中的各第一交易样本数据是正常交易样本数据；对第一交易样本数据集进行特征提取处理，得到第一交易样本特征集；基于所述第一交易样本特征集，采用无监督机器学习算法训练得到异常交易检测模型，其中，通过异常交易检测模型，记录基于无监督机器学习算法获得的每个簇的核心位置和半径。

可选地，所述训练方法还包括：输出所述异常交易检测模型和所记录的每个簇的核心位置和半径。

可选地，第一交易样本特征集中的各第一交易样本的特征包括从第一交易样本数据中提取的以下特征中的一个或多个：时间属性特征、金额属性特征、金额分布属性特征、同品类属性特征、同地区属性特征。

可选地，基于所述第一交易样本特征集采用无监督机器学习算法训练得到异常交易检测模型的步骤包括：将所述第一交易样本特征集中的各第一交易样本的特征进行按列归一化；基于按列归一化后的各第一交易样本的特征，采用无监督机器学习算法训练得到异常交易检测模型。

可选地，所述无监督机器学习算法包括k-means算法、DBSCAN算法或孤立森林算法。

可选地，所述无监督机器学习算法是k-means算法，采用k-means算法训练得到异常交易检测模型的步骤包括：在所述第一交易样本特征集中，确定k个初始簇的核心位置，其中，k的值基于所述第一交易样本特征集来确定；基于预定k个初始簇的核心位置，使用k-means算法对所述第一交易样本特征集进行聚类，直到标准测度函数开始收敛为止。

可选地，第一交易样本数据是企业加入供应链金融之前的交易样本。

本发明的一方面提供一种异常交易检测方法，包括：接收待检测的第二交易样本数据；对所述第二交易样本数据进行特征提取处理，得到第二交易样本的特征；将所述第二交易样本的特征输入基于无监督机器学习算法的异常交易检测模型，得到预测结果；根据所述预测结果和所述异常交易检测模型的每个簇的核心位置和半径进行判断，当判断出所述第二交易样本的特征不属于所述异常交易检测模型的任一个簇时，输出所述第二交易样本数据为异常交易的检测结果。