[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

说明书

本申请涉及一种异常交易识别模型训练方法和装置、异常交易识别方法和装置、计算机设备、存储介质和计算机程序产品，涉及人工智能技术领域。所述方法包括：获取第一类型分类单元对应的训练样本集；通过训练样本集对第一类型分类单元中的第一个决策树进行训练；针对除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和训练样本集得到第二样本集，对决策树进行训练；根据训练后的第一类型分类单元对训练样本集的分类结果和训练样本集，确定新的训练样本集，返回执行对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。采用本方法得到的异常交易识别模型，可以提高识别异常交易的准确性。

技术领域

本申请涉及人工智能技术领域，特别是涉及一种异常交易识别模型训练方法和装置、异常交易识别方法和装置、计算机设备、存储介质和计算机程序产品。

背景技术

信用卡欺诈行为是指窃取他人的身份信息冒领信用卡，从而进行恶意透支、套现和盗刷等行为。信用卡反欺诈检测即对信用卡交易进行风险识别，以便及时阻止信用卡欺诈等异常交易，是金融行业控制风险的关键之一。

相关技术中，信用卡反欺诈检测是通过分类模型对信用卡交易数据进行分类，以识别其为异常交易或正常交易，其中，分类模型一般为训练后的随机森林模型。然而，由于在真实的业务场景中，信用卡异常交易的样本量远远少于正常交易的样本量，是不平衡数据集，采用随机森林模型对异常交易的识别准确性较低。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高对异常交易的识别准确性的异常交易识别模型训练方法和装置、异常交易识别方法和装置、计算机设备、存储介质和计算机程序产品。

第一方面，本申请提供了一种异常交易识别模型训练方法。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。

在其中一个实施例中，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。

在其中一个实施例中，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；