[发明专利]异常交易检测方法、装置、设备、介质和程序产品

说明书

本公开提供了一种异常交易检测方法，可以应用于人工智能技术领域。该方法包括：响应于用户发送的交易处理请求，获取所述交易处理请求携带当前交易数据，将所述当前交易数据输入给预先训练好的交易检测模型，得到所述当前交易数据的检测结果，所述交易检测模型用于表征交易数据和交易的检测结果之间的对应关系，根据所述当前交易数据的检测结果，处理所述交易处理请求。本公开还提供了一种异常交易检测装置、设备、存储介质和程序产品，可提升检测异常交易的准确率。

技术领域

本公开涉及人工智能领域，更具体地涉及一种异常交易检测方法、装置、设备、介质和程序产品。

背景技术

随着互联网的兴起，越来越多的银行金融、电商物流等传统商业交易转移到线上，随之而来的这些便捷的支付交易技术也伴随着交易欺诈和资金盗取的风险，因此，需要对异常交易进行检测，降低用户资金被盗风险，保障交易的安全性。

目前通常采用简单的设定额度范围的方式来对异常交易进行检测，例如将额度范围设置为1000，即当用户单日转账金额超过1000则报警拦截，但是这种一刀切的方法很容易造成误判，准确性较低。

发明内容

鉴于上述问题，本公开提供了一种异常交易检测方法、装置、设备、介质和程序产品。

根据本公开的第一个方面，提供了一种异常交易检测方法，包括：

响应于用户发送的交易处理请求，获取所述交易处理请求携带当前交易数据；

将所述当前交易数据输入给预先训练好的交易检测模型，得到所述当前交易数据的检测结果，所述交易检测模型用于表征交易数据和交易的检测结果之间的对应关系；

根据所述当前交易数据的检测结果，处理所述交易处理请求。

在本公开一实施例中，所述方法还包括：

训练预设的卷积神经网络，得到所述预先训练好的交易检测模型，所述交易检测模型包括输入层、多对的Inception卷积层和池化层、至少一个全连接层和输出层，所述Inception卷积层用于实现卷积核尺寸转换。

所述训练预设的卷积神经网络包括：

对所述预设的卷积神经网络中的收敛精度控制参数，采用APSO算法进行调节，所述收敛精度控制参数包括卷积层的卷积核函数、全连接层的连接权值函数、卷积层的神经元数和最大训练精度误差均值。

在本公开一实施例中，所述卷积核输出结果y满足：

其中，x表示m×n的二维向量，ω_ij表示长宽分别为i，j的卷积核，f(.)表示激活函数，b表示余项。

在本公开一实施例中，所述激活函数采用relu函数。

在本公开一实施例中，所述预设的卷积神经网络中的相邻神经元之间的转换表达式满足：

其中，y_j表示CNN网络第j个神经元的输出，f₁(.)表示相邻神经元进行传递的全连接函数，表示第i，j个神经元之间的连接权值，不相邻为0，b_j为第j个神经元传递的误差值。

在本公开一实施例中，所述训练预设的卷积神经网络还包括：

利用所述APSO算法初始化所述卷积神经网络的初始连接权值，并使用共轭梯度下降法训练所述卷积神经网络的误差精度。

在本公开一实施例中，所述训练预设的卷积神经网络，得到所述预先训练好的交易检测模型包括：

获取与所述用户相关的历史交易数据；