本申请涉及数据处理领域，更具体地说，涉及一种欺诈检测方法、装置、设备及可读存储介质。
背景技术：
1、信用卡交易伴随着现代信息技术和全球化的发展变得越来越多。迄今为止，最常见的金融欺诈类型是信用卡欺诈。信用卡欺诈是指在未经持卡人许可或发卡机构不知情的情况下使用信用卡进行购物的情况。当卡丢失、被盗或以其他方式受损时，可能会导致国际信用卡欺诈。由于欺诈会造成金钱和声誉损失，金融机构一直在寻找新的策略来打击欺诈。为了解决信用诈骗问题主要有两种方法：一是预防欺诈，二是欺诈检测。分析持卡人的消费习惯和之前的交易及其描述是目前检测信用卡欺诈的方法之一。由于交易量巨大，信用卡发卡机构无法人工验证每笔交易以识别出欺诈性使用。因此，开发出一种高效且有效的算法来检测信用卡欺诈至关重要。
2、目前通常是基于深度学习的方法来实现信用卡欺诈检测，然而该方法通常是仅采用卷积层或全连接层进行简单级联来提取特征，导致无法发现数据内部的深层特征，最终导致信用卡欺诈检测的准确性较低。
技术实现思路
1、本申请实施例提供了一种欺诈检测方法、装置、设备及可读存储介质，能够提高信用卡欺诈检测的准确性。
2、有鉴于此，本申请实施例提供了一种欺诈检测方法，所述方法包括：
3、获取待测用户的历史消费数据和待测消费数据；
4、对所述历史消费数据进行特征压缩，得到降维数据；
5、根据所述降维数据对残差网络模型进行训练，得到欺诈检测模型；
6、将所述待测消费数据输入所述欺诈检测模型中，得到所述待测用户的欺诈检测结果。
7、可选地，所述对所述历史消费数据进行特征压缩，得到降维数据，包括：
8、根据所述历史消费数据计算得到协方差矩阵；
9、根据所述协方差矩阵计算得到特征值和所述特征值对应的特征向量；
10、从所述特征值中选取目标特征值；
11、根据所述目标特征值对应的特征向量将所述历史消费数据进行降维转换，得到降维数据。
12、可选地，所述残差网络模型包括残差块、平均池化层和全连接层，所述根据所述降维数据对残差网络模型进行训练，得到欺诈检测模型，包括：
13、将所述降维数据输入所述残差块中进行特征提取，得到特征向量，所述残差块包括残差单元、注意力分支和残差连接；
14、将所述特征向量输入所述平均池化层中进行特征压缩，得到降维特征向量；
15、将所述降维特征向量输入全连接层进行分类，得到分类结果；
16、根据所述分类结果训练得到欺诈检测模型。
17、可选地，所述获取待测用户的历史消费数据和待测消费数据，包括：
18、获取所述待测用户的原始历史消费数据和原始待测消费数据；
19、对所述原始历史消费数据和原始待测消费数据进行预处理，得到所述待测用户的历史消费数据和待测消费数据，所述预处理包括数据清洗、数据填充和数据归一化。
20、可选地，在对所述历史消费数据进行特征压缩，得到降维数据之后，所述方法还包括：
21、确定所述降维数据中的少数样本；
22、计算所述少数样本到降维数据中所有样本的欧式距离；
23、根据所述欧式距离确定所述少数样本的近邻样本；
24、根据所述近邻样本和所述少数样本生成合成样本；
25、将所述合成样本加入所述降维数据中。
26、本申请实施例还提供了一种欺诈检测装置，所述装置包括：
27、获取单元，用于获取待测用户的历史消费数据和待测消费数据；
28、特征压缩单元，用于对所述历史消费数据进行特征压缩，得到降维数据；
29、训练单元，用于根据所述降维数据对残差网络模型进行训练，得到欺诈检测模型；
30、检测单元，用于将所述待测消费数据输入所述欺诈检测模型中，得到所述待测用户的欺诈检测结果。
31、可选地，所述特征压缩单元，具体用于：
32、根据所述历史消费数据计算得到协方差矩阵；
33、根据所述协方差矩阵计算得到特征值和所述特征值对应的特征向量；
34、从所述特征值中选取目标特征值；
35、根据所述目标特征值对应的特征向量将所述历史消费数据进行降维转换，得到降维数据。
36、可选地，所述残差网络模型包括残差块、平均池化层和全连接层，所述训练单元，具体用于：
37、将所述降维数据输入所述残差块中进行特征提取，得到特征向量，所述残差块包括残差单元、注意力分支和残差连接；
38、将所述特征向量输入所述平均池化层中进行特征压缩，得到降维特征向量；
39、将所述降维特征向量输入全连接层进行分类，得到分类结果；
40、根据所述分类结果训练得到欺诈检测模型。
41、本申请实施例还提供了一种计算机设备，包括：存储器、处理器以及总线系统；
42、其中，所述存储器用于存储程序；
43、所述处理器用于执行所述存储器中的程序，以实现上述所述的任意一种欺诈检测方法；
44、所述总线系统用于连接所述存储器以及所述处理器，以使所述存储器以及所述处理器进行通信。
45、本申请实施例还提供了一种计算机可读存储介质，存储有指令，当其在计算机上运行时，使得计算机执行如上述所述的任意一种欺诈检测方法。
46、本申请实施例提供了一种欺诈检测方法，包括：获取待测用户的历史消费数据和待测消费数据；对所述历史消费数据进行特征压缩，得到降维数据；根据所述降维数据对残差网络模型进行训练，得到欺诈检测模型；将所述待测消费数据输入所述欺诈检测模型中，得到所述待测用户的欺诈检测结果。可见，本申请由于在训练出欺诈检测模型时先将对历史消费数据进行特征压缩后得到的降维数据作为训练数据，可以避免历史消费数据中的不相关数据造成的干扰，并且通过对残差网络模型进行训练来得到欺诈检测模型，可以深度挖掘出数据内部信息量更大的隐藏特征，使得最终训练出的欺诈检测模型具有更准确的分类性能，从而提高信用卡欺诈检测的准确性。
1.一种欺诈检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述对所述历史消费数据进行特征压缩，得到降维数据，包括：
3.根据权利要求1所述的方法，其特征在于，所述残差网络模型包括残差块、平均池化层和全连接层，所述根据所述降维数据对残差网络模型进行训练，得到欺诈检测模型，包括：
4.根据权利要求1所述的方法，其特征在于，所述获取待测用户的历史消费数据和待测消费数据，包括：
5.根据权利要求1所述的方法，其特征在于，在对所述历史消费数据进行特征压缩，得到降维数据之后，所述方法还包括：
6.一种欺诈检测装置，其特征在于，所述装置包括：
7.根据权利要求6所述的装置，其特征在于，所述特征压缩单元，具体用于：
8.根据权利要求6所述的装置，其特征在于，所述残差网络模型包括残差块、平均池化层和全连接层，所述训练单元，具体用于：
9.一种计算机设备，其特征在于，包括：存储器、处理器以及总线系统；
10.一种计算机可读存储介质，其特征在于，存储有指令，当其在计算机上运行时，使得计算机执行如权利要求1至5中任一项所述的方法。
