CN115689740A - 基于深度学习的交易异常检测方法及装置 - Google Patents
基于深度学习的交易异常检测方法及装置 Download PDFInfo
- Publication number
- CN115689740A CN115689740A CN202211089415.1A CN202211089415A CN115689740A CN 115689740 A CN115689740 A CN 115689740A CN 202211089415 A CN202211089415 A CN 202211089415A CN 115689740 A CN115689740 A CN 115689740A
- Authority
- CN
- China
- Prior art keywords
- training
- deep learning
- basic data
- anomaly detection
- feature information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于深度学习的交易异常检测方法及装置,可用于金融领域,所述方法包括:根据目标用户的基础数据得到衍生特征信息;基于预设关键特征对所述基础数据和所述衍生特征信息进行特征提取得到基本特征信息;将所述基本特征信息输入基于深度学习算法得到的异常检测模型得到交易异常检测结果。本申请可提高异常交易的检测效果和准确性。
Description
技术领域
本发明涉及交易异常检测技术领域,特别涉及金融领域,尤其涉及一种基于深度学习的交易异常检测方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
随着互联网的繁荣,网络转账、汇款等金融领域的网络交易也越加繁荣,而网络交易过程中的安全问题也复杂多变,可能造成用户的财产损失。传统的交易风控方式依靠专家经验、人工方式配置检测规则等方式。随着金融业务的不断拓展,海量交易业务数据下如何在不同的业务下有效且快速的识别业务是否存在异常已成为当务之急,而人工参与的规则制定,规则修改,规则验证,规则发布等在有效性、全面性方面存在缺陷,对异常交易的检测效果和准确性较差。
发明内容
本申请的一个目的在于提供一种基于深度学习的交易异常检测方法,提高异常交易的检测效果和准确性。本申请的另一个目的在于提供一种基于深度学习的交易异常检测装置。本申请的再一个目的在于提供一种计算机设备。本申请的还一个目的在于提供一种可读介质。本申请的还一个目的在于提供一种计算机程序产品。
为了达到以上目的,本申请一方面公开了一种基于深度学习的交易异常检测方法,包括:
根据目标用户的基础数据得到衍生特征信息;
基于预设关键特征对所述基础数据和所述衍生特征信息进行特征提取得到基本特征信息;
将所述基本特征信息输入基于深度学习算法得到的异常检测模型得到交易异常检测结果。
优选的,所述方法进一步包括预先基于深度学习算法得到所述异常检测模型的步骤。
优选的,所述基于深度学习算法得到所述异常检测模型具体包括:
对用户的训练基础数据进行衍生信息提取得到训练衍生特征信息;
根据所述训练基础数据和所述训练衍生特征信息得到符合预设标准的关键特征;
将所述关键特征对应的基础数据和训练衍生特征信息作为训练数据输入基于深度学习算法构建的模型框架进行训练得到所述异常检测模型。
优选的,所述根据所述训练基础数据和所述训练衍生特征信息得到符合预设标准的关键特征具体包括:
基于聚类算法对所述训练基础数据和所述训练衍生特征信息进行聚类分析得到各个特征的重要度指标;
基于所有特征的重要度指标确定符合预设标准的至少一个特征为所述关键特征。
优选的,所述方法进一步包括在对用户的训练基础数据进行衍生信息提取得到训练衍生特征信息,之前:
对用户的训练基础数据进行异常值和空值处理。
本申请还公开了一种基于深度学习的交易异常检测装置,包括:
信息衍生模块,用于根据目标用户的基础数据得到衍生特征信息;
特征提取模块,用于基于预设关键特征对所述基础数据和所述衍生特征信息进行特征提取得到基本特征信息;
异常检测模块,用于将所述基本特征信息输入基于深度学习算法得到的异常检测模型得到交易异常检测结果。
优选的,进一步包括模型构建模块,用于预先基于深度学习算法得到所述异常检测模型。
优选的,所述模型构建模块用于对用户的训练基础数据进行衍生信息提取得到训练衍生特征信息;根据所述训练基础数据和所述训练衍生特征信息得到符合预设标准的关键特征;将所述关键特征对应的基础数据和训练衍生特征信息作为训练数据输入基于深度学习算法构建的模型框架进行训练得到所述异常检测模型。
优选的,所述模型构建模块用于基于聚类算法对所述训练基础数据和所述训练衍生特征信息进行聚类分析得到各个特征的重要度指标;基于所有特征的重要度指标确定符合预设标准的至少一个特征为所述关键特征。
本申请还公开了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述方法。
本申请还公开了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上所述方法。
本申请还公开了一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现如上所述方法。
本申请基于深度学习的交易异常检测方法根据目标用户的基础数据得到衍生特征信息;基于预设关键特征对所述基础数据和所述衍生特征信息进行特征提取得到基本特征信息;将所述基本特征信息输入基于深度学习算法得到的异常检测模型得到交易异常检测结果。从而,本申请对目标用户的基础数据进行处理,从基础数据中分析得到衍生特征信息,然后对基础数据和衍生特征信息进行特征提取得到基本特征信息。由此,本申请在目标用户的基础数据的基础上得到衍生特征信息,以基础数据和衍生特征信息的全方面数据进行交易异常检测,提高异常交易的检测效果和准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1示出本申请基于深度学习的交易异常检测方法具体实施例的流程图;
图2示出本申请基于深度学习的交易异常检测方法具体实施例S000的流程图;
图3示出本申请基于深度学习的交易异常检测方法具体实施例S020的流程图;
图4示出本申请基于深度学习的交易异常检测装置具体实施例的结构图;
图5示出本申请基于深度学习的交易异常检测装置具体实施例包括模型构建模块的结构图;
图6示出适于用来实现本申请实施例的计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
需要说明的是,本申请公开的一种基于深度学习的交易异常检测方法及装置可用于金融技术领域,也可用于除金融技术领域之外的任意领域,本申请公开的一种基于深度学习的交易异常检测方法及装置的应用领域不做限定。
根据本申请的一个方面,本实施例公开了一种基于深度学习的交易异常检测方法。如图1所示,本实施例中,所述方法包括:
S100:根据目标用户的基础数据得到衍生特征信息。
S200:基于预设关键特征对所述基础数据和所述衍生特征信息进行特征提取得到基本特征信息。
S300:将所述基本特征信息输入基于深度学习算法得到的异常检测模型得到交易异常检测结果。
本申请基于深度学习的交易异常检测方法根据目标用户的基础数据得到衍生特征信息;基于预设关键特征对所述基础数据和所述衍生特征信息进行特征提取得到基本特征信息;将所述基本特征信息输入基于深度学习算法得到的异常检测模型得到交易异常检测结果。从而,本申请对目标用户的基础数据进行处理,从基础数据中分析得到衍生特征信息,然后对基础数据和衍生特征信息进行特征提取得到基本特征信息。由此,本申请在目标用户的基础数据的基础上得到衍生特征信息,以基础数据和衍生特征信息的全方面数据进行交易异常检测,提高异常交易的检测效果和准确性。
在优选的实施方式中,所述方法进一步包括预先基于深度学习算法得到所述异常检测模型的步骤S000。
具体的,可以理解的是,相对于现有技术中依靠专家经验、人工方式配置检测规则等方式进行交易异常检测的方式,本申请通过构建基于深度学习算法的异常检测模型进行交易异常检测,应用在交易的事前风控,在任何交易产生之前通过对不同目标用户全方位分析以确定目标用户在后续交易中可能存在的欺诈等异常的可能性,提前预防欺诈业务的产生,更好地保护用户的财产安全。
在优选的实施方式中,如图2所示,所述S000基于深度学习算法得到所述异常检测模型具体包括:
S010:对用户的训练基础数据进行衍生信息提取得到训练衍生特征信息。
S020:根据所述训练基础数据和所述训练衍生特征信息得到符合预设标准的关键特征。
S030:将所述关键特征对应的基础数据和训练衍生特征信息作为训练数据输入基于深度学习算法构建的模型框架进行训练得到所述异常检测模型。其中,可基于wide&deep深度学习模型算法形成模型框架。
具体的,在交易异常检测模型的训练过程中,可对用户的训练基础数据进行衍生信息提取得到训练衍生特征信息。
其中,用户的训练基础数据可以是用户的多维基础数据。示例性的,该多维基础数据包括但不限于客户、账户、设备环境和使用习惯等维度的基础数据。多维基础数据可以从金融机构中获取,也可以从外部的其他服务器获取,多维基础数据的获得方式为本领域的公知常识,本领域技术人员可以根据需求确定多维基础数据的获取方式,本申请对此并不作限定。
其中,对用户的训练基础数据进行衍生信息提取得到训练衍生特征信息可以为对训练基础数据中的数据属性进行提取和判定以得到衍生特征信息。例如,对于用户的训练基础数据中客户维度的身份证号,可从身份证号中提取用户的年龄和籍贯等衍生特征信息。对于用户的工资收入识别和确定客户等级及信任程度等衍生特征信息。
可选的,在一个或多个实施方式中,可基于时间对训练基础数据的衍生信息进行提取得到训练衍生特征信息,例如,可提取预设时间段内的交易金额得到交易金额平均数,可提取预设时间段内的设备或变更地理位置的频次,可提取预设时间段内的日常交易时间,可提取预设时间段内的日常交易场景,或者还可以提取预设时间内交易场景的差异。
综上,本申请对于训练基础数据进行分析,根据预设衍生信息的字段对训练基础数据进行衍生信息提取,并根据提取得到的衍生信息基于字段对应的判定规则进行判定得到训练衍生特征信息。通过对训练基础数据的分析得到与训练基础数据共同用于训练的训练衍生特征信息,可以提高训练数据的全面性,从而提高训练得到的异常检测模型的准确性。其中,对于不同维度的训练基础数据的衍生信息的字段及字段对应的判定规则可以根据需求进行设置,本申请对此并不作限定。
在异常检测模型的训练过程中,对于训练基础数据和训练衍生特征信息形成的训练数据,可对训练数据进行分析得到影响交易是否异常的准确性判断的关键特征,即得到符合预设标准的关键特征。其中,预设标准可以为对多个特征根据影响力大小进行排序,取排序前预设数量的特征作为关键特征。当然,本领域技术人员可根据实际情况设置预设标准,本申请对此并不作限定。
最后,可将关键特征对应的基础数据和训练衍生特征信息输入基于深度学习算法构建的模型框架中对模型框架进行训练得到异常检测模型。其中,可根据实际情况确定关键特征对应的基础数据和训练衍生特征信息。例如,对于可提取关键特征的训练基础数据可以确定为关键特征对应的训练基础数据,也可以将可提取关键特征的训练基础数据对应的训练衍生特征信息也确定为关键特征对应的训练衍生特征信息。
需要说明的是,采用训练数据对模型框架进行训练为本领域的常规技术手段,在此不再赘述。其中,可选的,可采用AUC、ROC、KS或Loss等模型评估指标以及准确率或者召回率等业务评估指标对模型进行评估,从而通过不断训练得到满足模型评估指标和业务评估指标的异常检测模型。
在优选的实施方式中,如图3所示,所述S020根据所述训练基础数据和所述训练衍生特征信息得到符合预设标准的关键特征具体包括:
S021:基于聚类算法对所述训练基础数据和所述训练衍生特征信息进行聚类分析得到各个特征的重要度指标。
S022:基于所有特征的重要度指标确定符合预设标准的至少一个特征为所述关键特征。
具体的,可以理解的是,对于关键特征的选取,在一个或多个实施方式中,可根据专家经验确定有效静态的关键特征,比如客户性别、身份信息、收入等。也可根据专家经验确定账户有效关键特征,比如交易金额、交易时间、交易场景等。还可根据专家经验确定设备环境关键特征,比如操作***是否root、手机型号等。
但是,专家经验确定关键特征的方式依赖于专家经验的水平,可能存在选择偏差,导致异常检测模型的准确度下降的问题。由此,在该优选的实施方式中,通过聚类算法对所述训练基础数据和所述训练衍生特征信息进行聚类分析得到各个特征的重要度指标,以确定预设的各个特征的重要程序。然后,基于所有特征的重要度指标确定符合预设标准的至少一个特征为所述关键特征。例如,可根据重要度指标从高到低对所有特征进行排序,选取排序在先的预设数量的特征作为关键特征。
在优选的实施方式中,所述方法进一步包括在对用户的训练基础数据进行衍生信息提取得到训练衍生特征信息,之前:
对用户的训练基础数据进行异常值和空值处理。
具体的,可以理解的是,在大量的训练基础数据中可能存在一些异常的数据,从而可在对不同用户的训练基础数据进行衍生信息提取得到训练衍生特征信息之前先对训练基础数据进行异常值和空值处理,剔除训练基础数据中的异常值和空值的影响,去除训练基础数据中的冗余信息。
综上,本申请基于深度学习的异常检测模型是基于解决传统机器学习瓶颈这个需求下提出的。风控人员首先通过融合多维的历史风险数据,通过一系列数据处理的算法和特征工程的算法,找到潜在的风险特征模式。并通过深度学习独特的模型结构和参数优化,特征模式和模型结构会被训练成一系列具有预测性的深度学习异常检测模型。该模型会按设置的模型预测任务,定期的对新数据进行批量的预测,输出相应主体(账户、手机号、设备号等)的风险预测结果,以对异常交易进行检测。
基于相同原理,本实施例还公开了一种基于深度学习的交易异常检测装置。如图4所示,本实施例中,所述装置包括信息衍生模块、特征提取模块和异常检测模块。
其中,信息衍生模块11用于根据目标用户的基础数据得到衍生特征信息。
特征提取模块12用于基于预设关键特征对所述基础数据和所述衍生特征信息进行特征提取得到基本特征信息。
异常检测模块13用于将所述基本特征信息输入基于深度学习算法得到的异常检测模型得到交易异常检测结果。
在优选的实施方式中,如图5所示,所述装置进一步包括模型构建模块10。模型构建模块10用于预先基于深度学习算法得到所述异常检测模型。
在优选的实施方式中,所述模型构建模块10用于对用户的训练基础数据进行衍生信息提取得到训练衍生特征信息;根据所述训练基础数据和所述训练衍生特征信息得到符合预设标准的关键特征;将所述关键特征对应的基础数据和训练衍生特征信息作为训练数据输入基于深度学习算法构建的模型框架进行训练得到所述异常检测模型。
在优选的实施方式中,所述模型构建模块10用于基于聚类算法对所述训练基础数据和所述训练衍生特征信息进行聚类分析得到各个特征的重要度指标;基于所有特征的重要度指标确定符合预设标准的至少一个特征为所述关键特征。
由于该装置解决问题的原理与以上方法类似,因此本装置的实施可以参见方法的实施,在此不再赘述。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于深度学习的交易异常检测方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述基于深度学习的交易异常检测方法。
本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现上述基于深度学习的交易异常检测方法。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机设备,具体的,计算机设备例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
在一个典型的实例中计算机设备具体包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上所述的由客户端执行的方法,或者,所述处理器执行所述程序时实现如上所述的由服务器执行的方法。
下面参考图6,其示出了适于用来实现本申请实施例的计算机设备600的结构示意图。
如图6所示,计算机设备600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM))603中的程序而执行各种适当的工作和处理。在RAM603中,还存储有***600操作所需的各种程序和数据。CPU601、ROM602、以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶反馈器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡,调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装如存储部分608。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,所述计算机程序包括用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、***或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (12)
1.一种基于深度学习的交易异常检测方法,其特征在于,包括:
根据目标用户的基础数据得到衍生特征信息;
基于预设关键特征对所述基础数据和所述衍生特征信息进行特征提取得到基本特征信息;
将所述基本特征信息输入基于深度学习算法得到的异常检测模型得到交易异常检测结果。
2.如权利要求1所述的基于深度学习的交易异常检测方法,其特征在于,所述方法进一步包括预先基于深度学习算法得到所述异常检测模型的步骤。
3.如权利要求2所述的基于深度学习的交易异常检测方法,其特征在于,所述基于深度学习算法得到所述异常检测模型具体包括:
对用户的训练基础数据进行衍生信息提取得到训练衍生特征信息;
根据所述训练基础数据和所述训练衍生特征信息得到符合预设标准的关键特征;
将所述关键特征对应的基础数据和训练衍生特征信息作为训练数据输入基于深度学习算法构建的模型框架进行训练得到所述异常检测模型。
4.如权利要求3所述的基于深度学习的交易异常检测方法,其特征在于,所述根据所述训练基础数据和所述训练衍生特征信息得到符合预设标准的关键特征具体包括:
基于聚类算法对所述训练基础数据和所述训练衍生特征信息进行聚类分析得到各个特征的重要度指标;
基于所有特征的重要度指标确定符合预设标准的至少一个特征为所述关键特征。
5.如权利要求3所述的基于深度学习的交易异常检测方法,其特征在于,所述方法进一步包括在对用户的训练基础数据进行衍生信息提取得到训练衍生特征信息,之前:
对用户的训练基础数据进行异常值和空值处理。
6.一种基于深度学习的交易异常检测装置,其特征在于,包括:
信息衍生模块,用于根据目标用户的基础数据得到衍生特征信息;
特征提取模块,用于基于预设关键特征对所述基础数据和所述衍生特征信息进行特征提取得到基本特征信息;
异常检测模块,用于将所述基本特征信息输入基于深度学习算法得到的异常检测模型得到交易异常检测结果。
7.如权利要求6所述的基于深度学习的交易异常检测装置,其特征在于,进一步包括模型构建模块,用于预先基于深度学习算法得到所述异常检测模型。
8.如权利要求7所述的基于深度学习的交易异常检测装置,其特征在于,所述模型构建模块用于对用户的训练基础数据进行衍生信息提取得到训练衍生特征信息;根据所述训练基础数据和所述训练衍生特征信息得到符合预设标准的关键特征;将所述关键特征对应的基础数据和训练衍生特征信息作为训练数据输入基于深度学习算法构建的模型框架进行训练得到所述异常检测模型。
9.如权利要求8所述的基于深度学习的交易异常检测装置,其特征在于,所述模型构建模块用于基于聚类算法对所述训练基础数据和所述训练衍生特征信息进行聚类分析得到各个特征的重要度指标;基于所有特征的重要度指标确定符合预设标准的至少一个特征为所述关键特征。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5任一所述方法。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至5任一所述方法。
12.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现权利要求1至5任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211089415.1A CN115689740A (zh) | 2022-09-07 | 2022-09-07 | 基于深度学习的交易异常检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211089415.1A CN115689740A (zh) | 2022-09-07 | 2022-09-07 | 基于深度学习的交易异常检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115689740A true CN115689740A (zh) | 2023-02-03 |
Family
ID=85062453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211089415.1A Pending CN115689740A (zh) | 2022-09-07 | 2022-09-07 | 基于深度学习的交易异常检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115689740A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116777629A (zh) * | 2023-07-06 | 2023-09-19 | 北京瑞霖徕特科技有限公司 | 一种在线交易管理*** |
-
2022
- 2022-09-07 CN CN202211089415.1A patent/CN115689740A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116777629A (zh) * | 2023-07-06 | 2023-09-19 | 北京瑞霖徕特科技有限公司 | 一种在线交易管理*** |
CN116777629B (zh) * | 2023-07-06 | 2024-05-03 | 创业树(厦门)数字科技有限公司 | 一种在线交易管理*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109685647B (zh) | 信贷欺诈检测方法及其模型的训练方法、装置和服务器 | |
CN109544163B (zh) | 一种用户支付行为的风险控制方法、装置、设备及介质 | |
CN109063920B (zh) | 一种交易风险识别方法、装置、及计算机设备 | |
CN106611291A (zh) | 信息推送方法和装置 | |
CN112308565A (zh) | 基于知识图谱的多对多跨境资金风控方法及*** | |
CN111309822A (zh) | 用户身份识别方法及装置 | |
EP3726441A1 (en) | Company bankruptcy prediction system and operating method therefor | |
CN110335144B (zh) | 个人电子银行账户安全检测方法及装置 | |
CN112561685B (zh) | 客户的分类方法和装置 | |
CN112685774B (zh) | 基于大数据和区块链金融的支付数据处理方法及云服务器 | |
CN114186626A (zh) | 一种异常检测方法、装置、电子设备及计算机可读介质 | |
CN111460174A (zh) | 基于实体知识推理的简历异常检测方法及*** | |
CN115689740A (zh) | 基于深度学习的交易异常检测方法及装置 | |
CN110751354B (zh) | 一种异常用户的检测方法和装置 | |
CN115204733A (zh) | 数据审计方法、装置、电子设备及存储介质 | |
CN112950359B (zh) | 一种用户识别方法和装置 | |
CN111245815B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN116739605A (zh) | 交易数据检测方法、装置、设备及存储介质 | |
CN111105307A (zh) | 一种贷后管理方法、***、设备及可读介质 | |
KR102409019B1 (ko) | 금융 거래 위험 평가 시스템과 방법 및 이를 위한 컴퓨터 프로그램 | |
CN111429257B (zh) | 一种交易监控方法和装置 | |
CN113177609A (zh) | 数据类别不均衡的处理方法及设备、***、存储介质 | |
CN115237734A (zh) | 任务风险检测方法和装置 | |
Jiang | A Novel Financial Anti-fraud Method based on Machine Learning Algorithms | |
CN116091051A (zh) | 账户转账交易安全监控方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |