[发明专利]异常交易识别模型的构造方法、装置、计算机设备和介质

权利要求书

1.一种异常交易识别模型的构造方法，其特征在于，所述方法包括：

获取包含至少一个特征信息的交易数据；

对所述交易数据进行预处理以生成数据集矩阵，并从所述数据集矩阵中确定第一数据集；所述数据集矩阵的行信息表征样本信息，所述数据集矩阵的列信息表征所述特征信息；一行所述样本信息表征一次交易；

基于孤立森林模型训练所述第一数据集以获得孤立树；

基于所述孤立树确定所述特征信息对应的假定值以及所述假定值中的最高假定值，并比较最高假定值与第一阈值的大小；

若所述最高假定值大于或等于所述第一阈值，则将所述最高假定值对应的所述特征信息剔除出所述第一数据集后重新训练所述第一数据集；

若所述最高假定值小于所述第一阈值，则根据所述孤立树构造异常交易识别模型。

2.根据权利要求1所述的一种异常交易识别模型的构造方法，其特征在于，确定第一数据集后，所述方法还包括：

对所述第一数据集中的第一数据进行特征缩放以得到第二数据；所述第一数据表征所述第一数据集中数值变量型的特征信息；

基于孤立森林模型训练所述第二数据以获得孤立树。

3.根据权利要求2所述的一种异常交易识别模型的构造方法，其特征在于，对所述交易数据进行预处理以生成数据集矩阵包括：

获取分类变量型的特征信息；

将该分类变量型的特征信息转化成数值变量型的特征信息。

4.根据权利要求1所述的一种异常交易识别模型的构造方法，其特征在于，基于孤立森林模型训练所述第一数据集以获得孤立树包括：

从第一数据集中选择任意一列特征信息并确定该特征信息的最大特征值和最小特征值；

选择划分值，所述划分值为所述最大特征值和最小特征值之间的任意特征值；

将该列特征信息中每一个特征值分别与所述划分值比较并根据比较结果构造孤立树。

5.根据权利要求1所述的一种异常交易识别模型的构造方法，其特征在于，所述方法还包括：

从所述数据集矩阵中确定第二数据集，所述第二数据集与第一数据集中的样本信息不重叠；

将所述第二数据集中的样本信息带入所述孤立森林模型中以获得所述样本信息的异常分数；

根据所述异常分数计算多个所述样本信息的准确率和召回率；

根据多个所述样本信息的准确率和召回率获得平均准确率和平均召回率；

根据所述平均准确率和平均召回率计算评价指标以评价所述异常交易识别模型。

6.一种异常交易识别模型的构造装置，其特征在于，包括：

第一获取模块，用于获取包含至少一个特征信息的交易数据；

预处理模块，用于对所述交易数据进行预处理以生成数据集矩阵，并从所述数据集矩阵中确定第一数据集；所述数据集矩阵的行信息表征样本信息，所述数据集矩阵的列信息表征所述特征信息；一行所述样本信息表征一次交易；

第一训练模块，用于基于孤立森林模型训练所述第一数据集以获得孤立树；

判断模块，用于基于所述孤立树确定所述特征信息对应的假定值以及所述假定值中的最高假定值，并比较最高假定值与第一阈值的大小；

信息筛选模块，用于若所述最高假定值大于或等于所述第一阈值，则将所述最高假定值对应的所述特征信息剔除出所述第一数据集后重新训练所述第一数据集；

模型构造模块，用于若所述最高假定值小于所述第一阈值，则根据所述孤立树构造异常交易识别模型。

7.根据权利要求6所述的一种异常交易识别模型的构造装置，其特征在于，所述装置还包括：

特征缩放模块，用于对所述第一数据集中的第一数据进行特征缩放以得到第二数据；所述第一数据表征所述第一数据集中数值变量型的特征信息；

第二训练模块，用于基于孤立森林模型训练所述第二数据以获得孤立树。