[发明专利]异常交易识别模型训练方法及异常交易识别方法

权利要求书

1.一种异常交易识别模型训练方法，其特征在于，所述异常交易识别模型为包含多级分类单元的深度森林模型，每级所述分类单元包含第一类型分类单元，所述方法包括：

获取待训练的第一类型分类单元对应的训练样本集；所述训练样本集包含异常交易类型的样本和正常交易类型的样本；

通过所述训练样本集对所述待训练的第一类型分类单元中的第一个决策树进行训练；

针对所述待训练的第一类型分类单元中除所述第一个决策树以外的每个决策树，根据上一个决策树分类错误的异常交易类型的样本、以及所述训练样本集，得到所述决策树对应的第二样本集，并根据所述第二样本集对所述决策树进行训练，以得到训练后的第一类型分类单元；

根据所述训练后的第一类型分类单元对所述训练样本集的分类结果、以及所述训练样本集，确定新的训练样本集，并将下一级分类单元包含的第一类型分类单元作为待训练的第一类型分类单元，返回执行所述通过所述训练样本集对所述待训练的第一类型分类单元中的第一个决策树进行训练，直到达到预设训练结束条件，得到所述异常交易识别模型。

2.根据权利要求1所述的方法，其特征在于，每级所述分类单元还包含第二类型分类单元，所述第二类型分类单元为随机森林分类单元；所述方法还包括：

通过所述训练样本集对待训练的第二类型分类单元进行训练，以得到训练后的第二类型分类单元；所述待训练的第一类型分类单元和所述待训练的第二类型分类单元属于同一级分类单元；

所述根据所述训练后的第一类型分类单元对所述训练样本集的分类结果、以及所述训练样本集，确定新的训练样本集，包括：

根据所述训练后的第一类型分类单元对所述训练样本集的分类结果、所述训练后的第二类型分类单元对所述训练样本集的分类结果、以及所述训练样本集，确定新的训练样本集。

3.根据权利要求1所述的方法，其特征在于，所述根据上一个决策树分类错误的异常交易类型的样本、以及所述训练样本集，得到所述决策树对应的第二样本集，包括：

将上一个决策树分类错误的异常交易类型的样本确定为第一目标样本，并采用K近邻算法，在所述训练样本集中确定所述第一目标样本对应的近邻样本；

将所述第一目标样本和所述近邻样本进行合成，得到第二目标样本；

根据所述第一目标样本、所述第二目标样本、以及所述训练样本集，得到所述决策树对应的第二样本集；所述第二样本集包含所述第一目标样本和所述第二目标样本。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

确定所述训练样本集中每个样本的初始权重；其中，所述训练样本集中异常交易类型的样本的初始权重大于正常交易类型的样本的初始权重；

所述通过所述训练样本集对所述待训练的第一类型分类单元中的第一个决策树进行训练，包括：

根据所述训练样本集中每个样本的初始权重进行抽样，并通过所述抽样得到的样本对所述待训练的第一类型分类单元中的第一个决策树进行训练。

5.根据权利要求4所述的方法，其特征在于，所述确定所述训练样本集中每个样本的初始权重，包括：

统计所述训练样本集中异常交易类型的样本的数量、以及正常交易类型的样本的数量；

将所述异常交易类型的样本的数量的倒数确定为所述训练样本集中异常交易类型的样本的初始权重，并将所述正常交易类型的样本的数量的倒数确定为所述训练样本集中正常交易类型的样本的初始权重。

6.一种异常交易识别方法，其特征在于，所述方法包括：

对待识别交易数据进行预处理，得到目标特征数据；所述待识别交易数据包括持卡人身份信息和交易行为信息；

将所述目标特征数据输入异常交易识别模型进行决策分类，得到所述待识别交易数据对应的交易类型；所述交易类型包括异常交易类型和正常交易类型；其中，所述异常交易识别模型通过权利要求1至5任一项所述的异常交易识别模型训练方法训练得到。