[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

说明书

本发明公开了一种基于神经网络的智能反欺诈方法、装置及电子设备，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。本发明无需依赖外部数据源，可以有效减少因外部数据源不稳定对模型结果的影响，同时，本发明无需等待外部数据采集完成，在用户填写申请阶段就能得到风险结果，可以在较前的节点制定相关风控策略，提高风控能力、降低企业风险。

技术领域

本发明涉及计算机信息处理技术领域，具体而言，涉及一种基于神经网络的智能反欺诈方法、装置、电子设备及计算机可读介质。

背景技术

风控模型是用来对业务风险进行识别、控制的模型。传统的风控模型需要依赖不同种类的外部数据(比如用户身份信息、用户行为信息等)。因为牵扯到信息安全的问题，会导致外部数据源经常出现不稳定，数据缺失等情况。

而在通常情况下，企业会接入多个外部数据源，不同的外部数据源一般会在不同时段出现不稳定的情况，这就造成频繁的出现某一时段中某一数据源不稳定的情况。这种频繁出现的不稳定数据会严重影响风控模型的结果。另一方面，由于风控模型需要依赖外部数据源，这就需要在众多数据源采集完毕之后才可以执行风控环节，导致配置风控模型的节点较为靠后，风控无法提前做相应的策略。

发明内容

本发明旨在解决传统风控模型需要依赖外部数据，影响模型结果同时导致模型节点靠后的技术问题。

为了解决上述技术问题，本发明第一方面提出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，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。

根据本发明一种优选实施方式，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。

根据本发明一种优选实施方式，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。

根据本发明一种优选实施方式，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。