[发明专利]基于深度学习的反欺诈模型处理方法及装置

说明书

本申请实施例提供一种基于深度学习的反欺诈模型处理方法及装置，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；本申请能够有效提升对欺诈用户和正常用户的识别准确度和识别效率。

技术领域

本申请涉及数据处理领域，具体涉及一种基于深度学习的反欺诈模型处理方法及装置。

背景技术

现有技术中主要是使用传统的机器学习方法逻辑回归。虽然逻辑回归并不复杂，但正是由于其简单，高效，可解释性强的特点，在实际用途中十分的广泛，从购物预测到用户营销响应，从流失分析到信用评估，都能看到其活跃的身影，可以说，逻辑回归占据了分类算法中非常重要的地位。

在反欺诈领域，现有技术中常常会根据业务理解，以及各方数据，尝试做各种特征工程和特征选择。最后才会将处理好的数据放入到逻辑回归中进行训练。在机器学习中，特征工程决定了这个任务可以达到的上限，算法只能是尽可能的去逼近这个上限。

现有技术中常常使用逻辑回归，因为其简单，可解释强。但是正由于其太过于简单，在训练的过程中，容易欠拟合，分类精度不高。而且在数据特征有缺失或者特征空间很大时表现效果也不够好。

同时，在金融反欺诈领域，数据其实是时序类数据，一个人往往会根据时间的推移，表现出不同的行为。而逻辑回归也无法很好的处理时序类数据。这些缺点都表明，逻辑回归在反欺诈领域无法取得比较好的成绩。

发明内容

针对现有技术中的问题，本申请提供一种基于深度学习的反欺诈模型处理方法及装置，能够有效提升对欺诈用户和正常用户的识别准确度和识别效率。

为了解决上述问题中的至少一个，本申请提供以下技术方案：

第一方面，本申请提供一种基于深度学习的反欺诈模型处理方法，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。

进一步地，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。

进一步地，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。

进一步地，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。

第二方面，本申请提供一种基于深度学习的反欺诈模型处理装置，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。