[发明专利]基于用户页面操作行为的信用欺诈识别方法

说明书

本发明涉及基于用户页面操作行为的信用欺诈识别方法，包括：步骤A.收集和初始化用户在系统页面的操作行为；步骤B.构建欺诈识别模型，包括：输入模块：由至少两个全连接网络层构成；特征嵌入模块：由至少两个GRU网络层构成，用于特征嵌入；输出模块：由至少两个全连接层构成，输出最终的特征；步骤C.收集用户在系统页面的操作行为序列，并通欺诈识别模型最终输出该用户信用欺诈的概率值。本发明能够有效的从用户在系统页面的操作行为中提取和捕捉到用户近期的操作行为序列，并且通过动态的操作行为序列这种非结构化数据的特征来识别欺诈行为，相比现有的静态数据而言明显提升了识别信用欺诈的准确性。

技术领域

本发明涉及以动态样本的方式训练机器学习模型，并进行用户信用欺诈的识别方法，具体讲是基于用户页面操作行为的信用欺诈识别方法。

背景技术

随着人们的日常生活越来越多的涉及到银行、金融等领域，利用个人信用对这些领域的运营主体进行欺诈的违法行为也日益增多。特别是在个人贷款方面尤为明显，个人用户通过银行APP上的操作伪造自己的高信用值，诱导银行对其放贷，或者网络黑产、电信诈骗、黑中介等利用个人的身份或诱导个人用户通过资料造假、身份伪冒等方式骗取银行贷款。

目前对个人信用欺诈行为的识别主要是通过对用户的征信数据、用户提交的申请资料等静态的数据进行建模，而这类静态的数据不能较好的捕捉欺诈用户在申请时表现出的动态特征，因此目前的这种识别方式还有较大的提高空间。

发明内容

本发明提供了一种基于用户页面操作行为的信用欺诈识别方法，以更准确的识别出用户在申请银行业务时是否有信用欺诈行为。

本发明基于用户页面操作行为的信用欺诈识别方法，包括：

步骤A.通过处理器批量收集用户在指定的时间段内对操作设备上的系统页面的操作行为，并通过处理器对收集到的操作行为的事件类型和数值变量进行初始化处理，然后保存到磁盘存储器的第一存储区域中；

步骤B.在磁盘存储器的第二存储区域内构建欺诈识别模型，所述的欺诈识别模型的结构包括：

输入模块：由至少两个全连接网络层构成，用于将磁盘存储器的第一存储区域中保存的数据映射为对应的特征维度，并将各特征纬度根据时序形成操作行为特征序列，然后输出到特征嵌入模块；

特征嵌入模块：由至少两个GRU(Gated Recurrent Unit Network)网络层构成，用于特征嵌入，将输入模块输出的操作行为特征序列中的各特征纬度降维成固定大小的特征向量，便于处理和计算(如计算距离)，降维的方式可以类比为一个全连接层通过embedding层的权重矩阵计算将数据转化为固定大小的特征表示。然后根据预设的场景从降维后的操作行为特征序列中提取出相应的数据特征，用于表示出在操作行为特征序列中与预设场景相适应的特定模式，最后将结果输出到输出模块；

输出模块：由至少两个全连接层构成，用于将特征嵌入模块的输出映射为最终的特征进行输出；输出模块和输入模块在功能上和神经元的个数和层数都有区别；

步骤C.收集一个用户一段时间内对操作设备上的系统页面的操作行为序列，并通过处理器对收集到的操作行为的事件类型和数值变量进行初始化处理后，输入到所述磁盘存储器的第二存储区域内的欺诈识别模型中，由欺诈识别模型最终输出该用户信用欺诈的概率值。

本发明能够有效的从用户在系统页面的操作行为中提取和捕捉到用户近期的操作行为序列，并且通过动态的操作行为序列这种非结构化数据的特征来识别欺诈行为，因此相比现有的静态数据而言明显提升了识别的准确性。

优选的，步骤B中，在欺诈识别模型构建完成后，再对其进行优化，包括：

步骤B1.通过步骤B得到用户的欺诈标签，所述欺诈标签的值为0或1；