[发明专利]基于自动化特征工程的反欺诈方法及系统

权利要求书

1.一种基于自动化特征工程的反欺诈方法，其特征在于，包括：

获取交易数据集，处理后得到交易记录特征向量及欺诈结果向量，并构建原始字段特征的特征集合F₀；

在构建结构树的当前节点过程中，基于预设的转换函数对特征集合F₀中的原始字段特征进行线性计算得到特征集合F_a，所述特征集合F_a包括线性扩展的新特征r及所述特征集合F₀中的原始字段特征；

计算所述当前节点的所述特征集合F_a中每个新特征分别作为结构树划分属性的信息增益g_f，选择最大的信息增益g_f对应的特征f作为划分属性，将交易数据集划分成左右两部分子树得到结构树；

若特征f属于新特征则添加入结构树当前节点的特征集合F_a中，同时将特征f及其构造所用的转换函数合并入特征集合F_s；

利用结构树叶子节点的所述特征集合F_s及所述特征集合F_a作为训练集，训练用于识别欺诈交易的反欺诈模型。

2.根据权利要求1所述的方法，其特征在于，还包括：

分别进入左右两部分子树，判断当前节点中交易数据集样本数是否低于设定的最小阈值T，以及判断交易数据集的纯度是否高于设定的阈值G；

若前节点中的交易数据集样本数低于设定的最小阈值T，且交易数据集的纯度高于设定的阈值G则到达叶子节点，结构树构建完毕；

若前节点中的交易数据集样本数未低于设定的最小阈值T，和/或，交易数据集的纯度未高于设定的阈值G则重复构造下一节点的特征集合F_s及对应的所述特征集合F_a，直至到达叶子节点结构树构建完毕。

3.根据权利要求2所述的方法，其特征在于，获取交易数据集，处理后得到交易记录特征向量及欺诈结果向量，并构建原始字段特征的特征集合F₀的方法包括：

获取的交易数据集D＝{X，Y}，其中，X＝{x₁，x₂...，x_n}，Y＝{y₁，y₂，...，y_n}，所述x_i表示第i条交易记录的特征向量，所述y_i表示第i条交易记录的欺诈结果向量，所述1≤i≤n；

基于n条交易记录的特征向量集合，构建特征集合F₀。

4.根据权利要求2或3所述的方法，其特征在于，所述转换函数的类型包括纵向方式的转换函数、横向方式的转换函数、时间窗口方式的转换函数中的一种或多种；

预设的转换函数数量为k个，所述W＝{w₁，w₂，...，w_k}表示各转换函数对应的权重向量。