[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

说明书

本发明提供了一种异常交易识别模型的构造方法、装置、计算机设备和介质。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；根据比较结果的不同完成异常交易识别模型构造。上述方法充分利用机器学习算法的自学习能力，降低人为的主观认识影响。

技术领域

本发明涉及机器学习技术领域，具体涉及一种异常交易识别模型的构造方法、装置、计算机设备和介质。

背景技术

随着社会经济的发展，现金形式的交易由于其携带及支付不便等弊端逐渐被非现金形式的交易所取代。非现金形式的交易是指以现金以外其他支付手段进行交易的方式。在非现金交易中，通过银行卡进行交易是其中最为常见的交易场景之一。

当今社会信用卡使用越来越普遍，使得利用信用卡进行的违法行为也与日俱增，已经成为当前社会的热点问题之一，信用卡诈骗是指：以非法占有为目的，违反信用卡管理法规，利用信用卡进行诈骗活动，骗取财物数额较大的行为。其中包括冒用、盗刷信用卡，恶意透支等犯罪行为。

然而目前常用检测信用卡诈骗的手段多数是仅通过交易金额过大、交易地点异常等一般指标判断，自动化识别信用卡诈骗的方法将判断条件写死，且判断条件的有效性严重依赖设计者的主观认知，缺少灵活性且容易造成误判，将客户的正常大额、异地交易当作异常处理，从而严重影响客户使用体验。

发明内容

鉴于上述传统的异常交易判断方法缺少灵活性且容易造成误判的问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种异常交易识别模型的方法、装置、计算机设备和介质。

依据本发明的一个方面，提供一种异常交易识别模型的构造方法，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。

优选的，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。

优选的，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。

优选的，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；