[发明专利]金融交易异常检测方法及其跨区域可持续训练方法

说明书

本发明涉及金融风险管理领域，公开了一种金融交易异常检测方法及其跨区域可持续训练方法，其金融交易异常检测方法，通过构建由多种节点和多类路径构成的异质结构信息图，克服了现有技术中同质图难以保留多类型语义信息、无法捕捉动态时空特征的问题，充分挖掘时间信息等高阶语义，极大地丰富可获取信息量，并采用深度图神经网络模型，基于注意力机制对节点、路径和网络结构进行融合，获得图嵌入表示，并基于图嵌入表示对异常行为进行检测，提高了异常检测的效率和精度；同时，提出跨区域可持续训练方法，通过知识回放策略和参数平滑策略实现金融交易异常检测模型跨区域的持续学习，方便跨区域部署，适用于金融交易欺诈检测等金融风险管理任务。

技术领域

本发明涉及金融风险管理领域，具体涉及金融交易异常检测方法及其跨区域可持续训练方法。

背景技术

随着电子商务的快速扩张和通信技术的蓬勃发展，经济活动出现了跨区域、跨时间和低成本的需求。数字金融作为一种新型金融业态，具有强大的物理穿透性和低成本优势，避免了物理网点的限制进而提高效率，带来便利性。但随着数字技术的发展，衍生了数字金融欺诈行为，该行为影响合法交易过程的进行，而对用户造成经济损失。

对于数字金融而言，金融欺诈等异常交易，不仅会严重伤害用户对金融科技的信任，对各类金融机构和企业造成经济、名誉等损失，也为数字金融的创新发展和传统金融业的数字化转型升级带来了不利影响，这些对数字金融行业发展都会造成致命的威胁。可见，金融反欺诈已经成为了金融风险防范能力的关键一环，金融异常检测技术对金融行业安全乃至国家信息安全都具有重要的应用价值和研究意义。

金融异常检测的主要目的是检测金融交易是否异常，包括异常交易检测和异常行为检测。传统的金融反欺诈解决方案一方面依赖于基于规则的模型，这些模型通过构建源自历史交易数据的手工特征来发现潜在的异常行为，通过专家经验来设置重要特征，从而检测金融欺诈行为。然而，基于规则的方法严重依赖于人类的先验知识，导致了检测存在偏差，并且在处理更复杂的规则模式时容易崩溃；另一方面依赖静态的结构化数据，然而，由于数据的开放动态本质和欺诈数据的异质问题，现有的反欺诈模型难以做出快速且精确的反应。此外，现有的大多数模型设计也导致系统缺乏可解释性和高效性，难以高效处理真实开放环境下的持续学习。

近年来，随着图表示学习的发展，越来越多金融研究使用基于深度图神经网络方法，通过将客户和商家等实体建模为节点，实体之间的交互建模为边，来探索数据中的高阶隐含信息，促使使用图表征学习来揭示大规模金融交易背后的隐含模式。

现有的基于深度图神经网络的解决方案存在两个重大的挑战：

一、现实业务场景下的交易数据包含了除客户和商家实体之外的各种类型的附加实体，如交易时间、交易空间。然而，现有解决方案大多只考虑同构网络，将异构交互分解为多个同构连接，这导致高阶语义信息丢失，模型无法学习时空动态特征。

二、现有的解决方案由于实际应用中数据采集的限制，只适用于较窄的范围。当金融业务扩展到新的区域，如新的城市，甚至新的国家时，通常要么使用之前训练好的，也即静态的模型，要么开发一个全新的模型。由于不同区域实体的消费特征、行为特征或多或少存在差异，通过现有数据学习训练的金融模型可能由于地理差异会造成目标特征不匹配而无法直接使用；而开发一个新模型需要付出高昂的金钱成本和时间成本。

发明内容

本发明所要解决的技术问题是：提供一种金融交易异常检测方法及其跨区域可持续训练方法，其能提高对金融交易异常检测的效率和精度，同时，能方便的进行跨区域部署。

本发明解决上述技术问题采用的技术方案是：

金融交易异常检测方法，包括以下步骤：

A1、根据目标区域的待检测金融交易数据，构建金融异构信息图；所述金融异构信息图的实体节点包括用户节点、商户节点、时间节点和交易节点，节点特征向量根据对应知识信息编码获得，元路径的类型包括用户-交易类路径、商户-交易类路径和时间-交易类路径；