[发明专利]一种基于双模网络图挖掘算法的信用卡反欺诈预测方法

权利要求书

1.一种基于双模网络图挖掘算法的信用卡反欺诈预测方法,其特征在于，具体包括以下步骤：

步骤1：采集信用卡申请人的原始数据，并将原始数据转换为图数据；

步骤2：对图数据进行处理，筛选出构建双模网络模型所需的结点、边、结点的属性、边的属性，根据筛选结果构建出双模网络模型；

步骤3：构建网络风险特征模型：

具体地，首先，将所述信用卡申请人的原始数据划分为网络构建数据和建模数据，根据双模网络模型从建模数据中提取出信用卡申请人的网络风险特征；

然后，根据建模数据及网络风险特征设定超参数空间，通过调优算法自动学习寻找出最佳超参数；利用最佳超参数，通过机器学习模型-集成树模型进行数据拟合并输出信用卡申请人的网络欺诈概率，从而构建出网络风险特征模型；

步骤4：根据个体风险特征模型获取信用卡申请人的个体欺诈概率，综合网络欺诈概率和个体欺诈概率，获得信用卡申请人的欺诈预测概率。

2.根据权利要求1所述的基于双模网络图挖掘算法的信用卡反欺诈预测方法，其特征在于，所述步骤2中筛选出构建双模网络模型所需的结点、边、结点的属性、边的属性的具体步骤为：

步骤2.1：计算图数据中各类关系的图指标，分析各关系的有效性，剔除无效关联，筛选出构建双模网络模型所需的边，所述图指标包括同质性指标和连通性指标；

步骤2.2：计算图数据中各信息结点的中心度，通过Head-tail-break算法快速剔除与预测目标无关的中心度极大的结点，筛选出构建双模网络模型所需的结点；

步骤2.3：根据筛选出的节点、边、节点的属性以及边的属性构建出双模网络模型。

3.根据权利要求2所述的基于双模网络图挖掘算法的信用卡反欺诈预测方法，其特征在于，所述步骤2.1和步骤2.2交替进行。

4.根据权利要求2所述的基于双模网络图挖掘算法的信用卡反欺诈预测方法，其特征在于，所述连通性指标指的是连通度，其计算公式为其中，N为图数据网络中结点的个数，M为图数据网络中边的个数；

所述同质性指标包括Heterophilicity、Dyadicity，

Heterophilicity的计算公式为其中M₁₀为图数据网络中欺诈申请结点与非欺诈申请结点之间实际相连的边的个数，为图数据网络中欺诈申请结点与非欺诈申请结点之间随机相连的边的个数，N₁为图数据网络中欺诈结点的个数，N₀是指图数据网络中非欺诈结点的个数，P为连通度；

Dyadicity的计算公式为其中，M₁₁为图数据网络中欺诈申请结点与欺诈申请结点之间实际相连的边的个数，为图数据网络中欺诈申请结点与欺诈申请结点之间随机相连的边的个数，P为连通度，N₁为图数据网络中欺诈结点的个数。

5.根据权利要求1所述的基于双模网络图挖掘算法的信用卡反欺诈预测方法，其特征在于，所述步骤3中所述网络风险特征包括局部网络风险特征、全局网络风险特征以及网络信息对比风险特征。

6.根据权利要求5所述的基于双模网络图挖掘算法的信用卡反欺诈预测方法，其特征在于，所述局部网络风险特征包括邻结点风险特征、四角形风险特征和局部聚合系数风险特征。

7.根据权利要求1所述的基于双模网络图挖掘算法的信用卡反欺诈预测方法，其特征在于，所述申请人的原始数据包括申请人填写申请书资料、人行报告查询信息、申请人授权的移动端行为数据、电商数据、社交数据以及黑白名单查询信息。

8.根据权利要求1所述的基于双模网络图挖掘算法的信用卡反欺诈预测方法，其特征在于，所述网络构建数据中的信用卡申请时间位于建模数据的申请时间之前，且网络构建数据与建模数据在事件发生时间上是连续的。

9.根据权利要求1所述的基于双模网络图挖掘算法的信用卡反欺诈预测方法，其特征在于，所述个体风险特征模型可采用boosting tree或深度学习分类器。