[发明专利]一种基于农村电子商务大数据深度学习的金融欺诈行为量化检测系统

摘要

本发明公开一种基于农村电子商务大数据深度学习的金融欺诈行为量化检测系统，通过建立农村电子商务大数据特征学习的模型，挖掘农村电子商务大数据的金融欺诈行为特征，将特征输入异常行为检测模型，能有效、快速、准确的识别金融欺诈行为，量化欺诈风险等级，提前做好相关防范工作，避免金融欺诈行为带来不必要的损失。

主权项

一种基于农村电子商务大数据深度学习的金融欺诈行为量化检测系统，其特征在于:搭建Hadoop分布式架构的硬件系统，并安装根据步骤1)～4)所述方法建立的预测模型，进而通过步骤5)所述的计算系统对待测样本进行金融欺诈行为的风险评级：1)数据的获取：1‑1)将所述电子商务购物平台的用户按照收货地址区分为城镇地区用户和农村地区用户；获取农村地区用户的如下数据：用户属性：用于描述一个人基本特征的信息。信用属性：用于描述用户收入潜力和收入情况。消费特征：用于描述客户主要消费习惯和消费偏好。兴趣爱好：用于描述客户具有哪方面的兴趣爱好。社交信息：用于描述用户在社交媒体的活动。1‑2)获取m个如1‑1)所述的农村地区用户数据，形成农村电子商务大数据训练集R。2)数据预处理2‑1)将样例中的文字信息转化成数字信息，将有单位要求的列的信息单位统一化，得到数据集X：其中，t代表处理后的维度；2‑2)对X的每一列分别进行归一化处理，使每一列的数据都映射到[0,1]之间，得到归一化后的数据集H。3)深度特征学习：基于自动编码算法构建一个含有多个隐藏层的深度特征学习模型，预训练原始数据，具体步骤如下：3‑1)确定该网络的结构，设定其总共有q+2层，其中有1个输入层，q个隐藏层和1个输出层；3‑2)把数据预处理得到的最终数据集H作为特征学习模型的作为输入层，数据集H经过第一次编码器C(1)＝HW编码得到特征集C(1)，W代表权重值矩阵,该矩阵是由输入矩阵和下一层的神经元共同来确定的。k表示经过第一次编码后的维度。3‑3)再将C(1)作为下一个编码器的输入，不断重复步骤3‑1)和3‑2)最终得到q层的稀疏自动编码模型的输出V(q)，即为最终学习的到的特征集。p为经过q次编码后特征的维度。4)欺诈行为检测量化学习；将深度学习提取到的特征集V(q)作为异常检测输入数据集，利用孤立森林算法进行建模，得到孤立森林模型，然后将模型得到的检测结果进行量化，得到评分分级体系。5)金融欺诈行为量化检测：5‑1)采集与训练集R相同数据结构的待评价样本，并将其保存至矩阵RX中；5‑2)采用与步骤2)相同的方法，将矩阵RX去噪归一化处理得到矩阵HX5‑3)设定与步骤3)中相同结构和权值的自编码神经网络，并将矩阵HX作为自编码神经网络的输入，得到数据集VX(q)。5‑4)将得到的数据集VX(q)代入步骤4)建立的孤立森林模型中进行欺诈行为检测，得到异常的数据点，从而达到对农村电子商务金融贸易中的欺诈行为进行检测的目的，然后输出评分s，利用步骤4)获取的评分分级体系，得到待评价样本的欺诈行为风险评定。