[发明专利]基于深度学习的反欺诈模型处理方法及装置

权利要求书

1.一种基于深度学习的反欺诈模型处理方法，其特征在于，所述方法包括：

对数据进行初步清洗，并根据数据的数据类型，分别执行对应的数据预处理；

将经过数据预处理后的不同类型的数据进行合并，并将经过合并后的数据输入预设神经网络中进行训练，得到反欺诈神经网络模型。

2.根据权利要求1所述的基于深度学习的反欺诈模型处理方法，其特征在于，所述根据数据的数据类型，分别执行对应的数据预处理，包括：

若数据类型为类别型变量，则创建一类别输入矩阵；

遍历所有类别，并从所述类别输入矩阵中依次取出每一类别型变量，然后进入到嵌入层；

将每个类别型变量映射到相同的预设维度中。

3.根据权利要求1所述的基于深度学习的反欺诈模型处理方法，其特征在于，所述根据数据的数据类型，分别执行对应的数据预处理，包括：

若数据类型为数值型变量，则在数值型变量的Input层后面紧跟一层全连接层Dense；

然后再接一层dropout和一层批量归一化层，然后调用形状重置对其维度进行扩展。

4.根据权利要求1所述的基于深度学习的反欺诈模型处理方法，其特征在于，所述将经过合并后的数据输入预设神经网络中进行训练，得到反欺诈神经网络模型，包括：

将经过合并后的数据输入GRU神经网络中；

依次接入一层批量归一化层、一层随机剔除神经元、一个全连接神经网络层、一个批量归一化层、随机剔除神经元层、和全连接层、激活层、批量归一化层和随机剔除神经元层的组合以及一个全连接层，用s函数激活后得到所述反欺诈神经网络模型。

5.一种基于深度学习的反欺诈模型处理装置，其特征在于，包括：

数据清洗和预处理模块，用于对数据进行初步清洗，并根据数据的数据类型，分别执行对应的数据预处理；

模型训练模块，用于将经过数据预处理后的不同类型的数据进行合并，并将经过合并后的数据输入预设神经网络中进行训练，得到反欺诈神经网络模型。

6.根据权利要求5所述的基于深度学习的反欺诈模型处理装置，其特征在于，所述数据清洗和预处理模块包括：

类别型变量第一预处理单元，用于若数据类型为类别型变量，则创建一类别输入矩阵；

类别型变量第二预处理单元，用于遍历所有类别，并从所述类别输入矩阵中依次取出每一类别型变量，然后进入到嵌入层；

类别型变量第三预处理单元，用于将每个类别型变量映射到相同的预设维度中。

7.根据权利要求5所述的基于深度学习的反欺诈模型处理装置，其特征在于，所述数据清洗和预处理模块包括：

数值型变量第一预处理单元，用于若数据类型为数值型变量，则在数值型变量的Input层后面紧跟一层全连接层Dense；

数值型变量第二预处理单元，用于然后再接一层dropout和一层批量归一化层，然后调用形状重置对其维度进行扩展。

8.根据权利要求5所述的基于深度学习的反欺诈模型处理装置，其特征在于，所述模型训练模块包括：

第一模型训练单元，用于将经过合并后的数据输入GRU神经网络中；

第二模型训练单元，用于依次接入一层批量归一化层、一层随机剔除神经元、一个全连接神经网络层、一个批量归一化层、随机剔除神经元层、和全连接层、激活层、批量归一化层和随机剔除神经元层的组合以及一个全连接层，用s函数激活后得到所述反欺诈神经网络模型。

9.一种电子设备，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程序时实现权利要求1至4任一项所述的基于深度学习的反欺诈模型处理方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至4任一项所述的基于深度学习的反欺诈模型处理方法的步骤。