[发明专利]借贷欺诈检测模型训练方法、借贷欺诈检测方法及装置

权利要求书

1.一种借贷欺诈检测模型训练方法，其特征在于，包括：

获取多个样本用户的身份信息、用户银行流水信息，以及与每个样本用户对应的欺诈标注信息；

针对每个样本用户，基于该样本用户的所述身份信息构建身份特征向量；以及

根据所述用户银行流水信息，构建流水特征向量；

将所述身份特征向量以及该样本用户的所述流水特征向量进行拼接，生成用于表征该样本用户身份以及支出收入情况的目标特征向量；

将所述目标特征向量输入至目标神经网络，获取各个所述样本用户的欺诈检测结果；

根据所述欺诈检测结果以及对应的欺诈标注信息，对所述目标神经网络进行训练，得到所述借贷欺诈检测模型；

所述根据所述用户银行流水信息，构建流水特征向量，包括：

根据至少一个预设时长以及所述用户银行流水信息，生成时长为所述预设时长的多个不同时间段的流水数据向量；

将时长为该预设时长的各个时间段的流水数据向量进行加权求和，得到与该预设时长对应的流水特征向量；

所述根据至少一个预设时长以及所述用户银行流水信息，生成时长为所述预设时长的多个不同时间段的流水数据向量，包括：

针对每个预设时长的多个不同时间段中的每个时间段，根据发生时间落入该时间段的用户银行流水信息，生成该时间段的原始流水数据向量；

将所述原始流水数据向量进行变换处理，生成该时间段的流水数据向量；

所述将所述原始流水数据向量进行变换处理，生成该时间段的流水数据向量，包括：

对所述原始流水数据向量进行增强鲁棒性变换，和/或对所述原始流水数据向量进行消除差距变换，生成该时间段的流水数据向量；

针对将所述原始流水数据向量进行变换处理包括：对所述原始流水数据向量进行增强型鲁棒性变换的情况，采用下述方式对所述原始流水数据向量进行增强型鲁棒性变换：

基于滑动窗口法对所述原始流水数据向量进行增强鲁棒性变换，生成该时间段的流水数据向量。

2.根据权利要求1所述的方法，其特征在于，所述身份信息包括：多个身份特征下的特征值；

所述针对每个样本用户，基于该样本用户的所述身份信息构建身份特征向量，包括：

根据该样本用户在多个身份特征下的特征值，生成该样本用户的身份特征向量。

3.根据权利要求1所述的方法，其特征在于，所述基于滑动窗口法对所述原始流水数据向量进行增强鲁棒性变换，生成该时间段的流水数据向量，包括：

按照预设大小的窗口，多次从所述原始流水数据向量中选择多个元素，并针对每次选择，根据该次选择的多个元素，生成该次选择对应的变换数据；

根据各次选择对应的变换数据，构成所述流水数据向量；

其中，首次选择的多个元素包括所述原始流水数据向量中的首位元素；最后一次选择的多个元素包括所述原始流水数据向量中的末位元素；且每相邻的两次选择，前一次选择的第一个元素和后一次选择的第一个元素之间的位置间隔预设步长。

4.根据权利要求3所述的方法，其特征在于，所述根据该次选择的多个元素，生成该次选择对应的变换数据，包括：

将该次选择的多个元素进行加权求和，将加权求和的结果作为该次选择对应的变换数据；

或者，

将该次选择的多个元素的均值作为该次选择对应的变换数据。

5.根据权利要求1所述的方法，其特征在于，针对将所述原始流水数据向量进行变换处理包括：对所述原始流水数据向量进行消除差距变换的情况，采用下述方式对所述原始流水数据向量进行消除差距变换：

针对所述原始流水数据向量的每个非首元素，计算该非首元素以及与该非首元素相邻的前一个元素的差值的绝对值，并将所述绝对值与该非首元素的比值作为该非首元素的差距消除变换结果；

针对所述原始流水数据向量中的首元素，将1作为该首元素的差距消除变换结果；

使用所述原始流水数据向量中首元素的差值消除变换结果，以及各个所述非首元素的差距消除变换结果，构成所述流水数据向量。