[发明专利]基于图神经网络的交易欺诈检测方法及系统

权利要求书

1.一种基于图神经网络的交易欺诈检测方法，其特征在于，所述基于图神经网络的交易欺诈检测方法包括以下步骤：

交易数据预处理步骤，获取交易数据并对所述交易数据进行预处理，获得面板形式的交易样本集；

交易行为历史特征提取步骤，对所述交易样本集进行长短期记忆网络处理，获得交易行为历史特征；

交易行为聚合特征提取步骤，对所述交易历史行为特征进行图卷积网络处理，获得交易行为聚合特征；

预测步骤，将所述交易行为历史特征以及所述交易行为聚合特征进行全连接处理，通过二分类进行交易节点的欺诈预测。

2.根据权利要求1所述的基于图神经网络的交易欺诈检测方法，其特征在于，在所述交易数据预处理步骤中，所述预处理包括以下子步骤：

获取所述交易数据的本地交易节点特征；

获取所述交易数据的交易节点汇总特征；

获取所述交易数据的交易节点子图谱信息。

3.根据权利要求1所述的基于图神经网络的交易欺诈检测方法，其特征在于，在交易行为历史特征提取步骤之前，还包括以下步骤：

谱聚类样本标注步骤，对所述交易样本集进行谱聚类样本标注处理，获得谱聚类交易样本集。

4.根据权利要求3所述的基于图神经网络的交易欺诈检测方法，其特征在于，在所述谱聚类样本标注步骤中，谱聚类样本标注处理包括以下子步骤：

构建交易样本集的谱矩阵；

将所述谱矩阵进行特征值分解为特征矩阵；

对所述特征矩阵进行聚类。

5.根据权利要求1至4任意一项所述的基于图神经网络的交易欺诈检测方法，其特征在于，在所述交易行为聚合特征提取步骤中，所述图卷积网络处理包括以下子步骤：

获取所述交易行为历史特征的邻接矩阵；

将所述邻接矩阵输入到2至4层的图卷积网络图学习层中进行邻居间的特征传播，每一层结束后在外侧进行非线性激活。

6.一种基于图神经网络的交易欺诈检测系统，其特征在于，所述基于图神经网络的交易欺诈检测系统包括以下模块：

交易数据预处理模块，所述交易数据预处理模块用于获取交易数据并对所述交易数据进行预处理，获得面板形式的交易样本集；

交易行为历史特征提取模块，所述交易行为历史特征提取模块用于对所述交易样本集进行长短期记忆网络处理，获得交易行为历史特征；

交易行为聚合特征提取模块，所述交易行为聚合特征提取模块用于对所述交易历史行为特征进行图卷积网络处理，获得交易行为聚合特征；

预测模块，所述预测模块用于将所述交易行为历史特征以及所述交易行为聚合特征进行全连接处理，通过二分类进行交易节点的欺诈预测。

7.根据权利要求6所述的基于图神经网络的交易欺诈检测系统，其特征在于，在所述交易数据预处理模块中，所述预处理包括以下子步骤：

获取所述交易数据的本地交易节点特征；

获取所述交易数据的交易节点汇总特征；

获取所述交易数据的交易节点子图谱信息。

8.根据权利要求6所述的基于图神经网络的交易欺诈检测系统，其特征在于，所述基于图神经网络的交易欺诈检测系统还包括谱聚类样本标注模块，所述谱聚类样本标注模块用于对所述交易样本集进行谱聚类样本标注处理，获得谱聚类交易样本集。

9.根据权利要求8所述的基于图神经网络的交易欺诈检测系统，其特征在于，在所述谱聚类样本标注模块中，谱聚类样本标注处理包括以下子步骤：

构建交易样本集的谱矩阵；

将所述谱矩阵进行特征值分解为特征矩阵；

对所述特征矩阵进行聚类。

10.根据权利要求6至9任意一项所述的基于图神经网络的交易欺诈检测系统，其特征在于，在所述交易行为聚合特征提取模块中，所述图卷积网络处理包括以下子步骤：

获取所述交易行为历史特征的邻接矩阵；

将所述邻接矩阵输入到2至4层的图卷积网络图学习层中进行邻居间的特征传播，每一层结束后在外侧进行非线性激活。