[发明专利]一种基于神经网络的智能反欺诈方法、装置及电子设备

权利要求书

1.一种基于神经网络的智能反欺诈方法，用于对网络业务新用户的欺诈风险进行识别，其特征在于，所述方法包括：

基于Tensorflow框架搭建预设神经网络模型，使用训练数据集训练该预设神经网络模型，所述训练数据集包括所述网络业务的历史用户中具有欺诈行为和没有欺诈行为的用户的包含背景的图像；

采集网络业务新用户的包含背景的用户图像；

将所述新用户的用户图像输入训练好的所述预设神经网络模型中计算该新用户的欺诈风险。

2.根据权利要求1所述的方法，其特征在于，所述基于Tensorflow框架搭建预设神经网络模型包括：

配置输入层的参数，将用户图像分为一个只包含用户的第一图像区数据和多个只包含背景的第二图像区域数据；

配置零填充层、卷积层和池化层，将所述多个第二图像区域数据通过零填充层、卷积层和池化层处理，输出多个输出项；

通过keras中的权重模型配置第一模型，将所述第一图像区数据输入所述第一模型；其中，所述第一模型包含八层网络，前四层的权重不变；

配置一个神经单元节点激活全连接层，将所述多个输出项和所述第一模型的输出项连接成一个新的张量。

3.根据权利要求2所述的方法，其特征在于，所述用户图像是包含背景的用户半身图像，所述配置输入层的参数，将用户图像分为一个只包含用户的第一图像区数据和多个只包含背景的第二图像区域数据包括：

配置输入层图像矩阵的shap，将用户图像分为一个只包含用户半身图像的第一图像区域数据和三个包含背景的第二图像区域数据。

4.根据权利要求3所述的方法，其特征在于，所述配置零填充层、卷积层和池化层，将所述多个第二图像区域数据通过零填充层、卷积层和池化层处理，输出多个输出项包括：

分别配置零填充层的padding、卷积层的卷积核和激活函数、以及池化层的池化函数；

将所述多个第二图像区域数据重复输入所述零填充层和所述卷积层的卷积核后，再输入卷积层的激活函数和池化层。

5.根据权利要求2所述的方法，其特征在于，所述第一模型为VGG19。

6.根据权利要求2所述的方法，其特征在于，所述神经单元节点的激活函数为relu。

7.根据权利要求2所述的方法，其特征在于，所述使用训练数据集训练该预设神经网络模型包括：

配置多输入模型，并通过所述多输入模型读取训练数据集中的历史用户的包含背景的图像；

根据所述历史用户的包含背景的图像以fit的方式训练所述预设神经网络模型。

8.一种基于神经网络的智能反欺诈装置，用于对网络业务新用户的欺诈风险进行识别，其特征在于，所述装置包括：

搭建训练模块，用于基于Tensorflow框架搭建预设神经网络模型，使用训练数据集训练该预设神经网络模型，所述训练数据集包括所述网络业务的另史用户中具有欺诈行为和没有欺诈行为的用户的包含背景的图像；

采集模块，用于采集所述新用户的包含背景的用户图像；

预测模块，用于将所述新用户的用户图像输入训练好的所述预设神经网络模型中计算该新用户的欺诈风险。

9.根据权利要求8所述的装置，其特征在于，所述搭建训练模块包括：

第一配置模块，用于配置输入层的参数，将用户图像分为一个只包含用户的第一图像区数据和多个只包含背景的第二图像区域数据；

第二配置模块，用于配置零填充层、卷积层和池化层，将所述多个第二图像区域数据通过零填充层、卷积层和池化层处理，输出多个输出项；

第三配置模块，用于通过keras中的权重模型配置第一模型，将所述第一图像区数据输入所述第一模型；其中，所述第一模型包含八层网络，前四层的权重不变；

第四配置模块，用于配置一个神经单元节点激活全连接层，将所述多个输出项和所述第一模型的输出项连接成一个新的张量。