本发明涉及人工智能,更具体地说,它涉及一种银行异常交易检测方法、系统及装置。
背景技术:
1、在当前数字化时代,银行交易数据规模不断增加,同时伴随着金融技术的发展,交易模式和用户行为变得更加多样化。然而,这也带来了一系列的挑战,其中之一是异常交易的准确检测。在金融领域,异常交易检测一直是一个关键问题,异常交易可能涉及盗窃他人账户、欺诈、洗钱、或其他非法活动,对金融机构和用户造成潜在的风险。
2、随着数字化时代的到来,传统的异常检测方法逐渐显露出一些局限性。早期的方法主要依赖于规则引擎和手动定义的规则来识别异常交易,然而,这样的方法缺乏对复杂模式的适应性。后来,统计学方法被引入,利用数据的分布特性进行检测。然而,这些方法通常基于假设数据分布,无法捕捉非线性关系。随着机器学习的兴起,监督学习方法也被广泛应用,但由于标注异常交易的成本较高,数据不平衡问题成为一个挑战。
3、目前的异常交易检测技术主要有规则引擎、统计学方法和监督学习等,但存在一些明显的缺陷和不足:
4、1.规则引擎僵化:传统方法难以充分捕捉用户之间的复杂交易关系,基于事先定义的规则进行异常检测的方法通常较为僵化,传统的规则引擎方法缺乏灵活性,只针对固定的异常交易模式,对新兴的异常交易模式适应性差,对于新型的异常行为难以适应,需要不断手动更新规则,且容易产生误报。
5、2.对非线性关系的局限性:统计学方法在捕捉复杂的非线性关系方面表现不佳,难以应对金融交易数据中的多样化和高度动态的模式。
6、3.数据不平衡:监督学习方法依赖于大量标注好的异常交易数据进行训练,但由于异常交易相对较少,导致数据集不平衡,模型容易偏向学习正常交易模式,而对异常交易的识别能力较差。
7、4.缺乏综合分析:传统方法通常难以有效融合不同维度的特征,无法全面综合分析用户特征和交易数据特征之间的关联,无法充分挖掘用户信息和交易数据信息的关联信息,导致其异常交易检测的准确率难以提升。
8、因此,发展一种高效、准确的异常交易检测技术变得尤为重要。
技术实现思路
1、本发明的目的是提供一种银行异常交易检测方法、系统及装置,能够提高对异常交易的敏感性,同时解决数据不平衡问题。
2、本发明的上述技术目的是通过以下技术方案得以实现的:一种银行异常交易检测方法,包括如下步骤:
3、s1、获取历史交易数据,并将历史交易数据建模为图数据,构建交易网络图,所述交易网络图中包含有节点特征和边特征,所述节点特征表示用户信息,所述边特征表示用户交易记录;
4、s2、根据所述交易网络图,使用node2vec算法并进行参数调整,引入节点特征和边特征,来定义相邻节点之间的转移概率和设置节点游走方式,对交易网络图中的节点特征和边特征进行联合嵌入,得到节点的融合特征;
5、s3、根据融合特征,对图卷积神经网络gcn进行训练,得到训练好的图卷积神经网络gcn;
6、s4、将待测交易数据输入到训练好的图卷积神经网络gcn中,进行异常交易识别,得到交易检测结果。
7、作为本发明的一种优选技术方案,在s1中,设一个用户的某一个时间段的交易操作序列数据存在n项,将交易操作序列数据表示为,,表示其中一笔交易,设每一笔交易中包含m个交易属性特征e,表示为;
8、将交易网络图定义为,其中v表示用户节点,包含用户信息;
9、e为用户交易记录;
10、x为节点特征矩阵,表示为,且,其中r表示实数集,为交易节点的个数,为每个节点特征向量的维度;
11、y为交易标签集,其中,且,为y中的值,当值小于c时,表示该笔交易为正常交易,当值大于c时,表示该笔交易为异常交易,c为异常交易界定值。
12、作为本发明的一种优选技术方案,s2包括如下子步骤:
13、在node2vec算法的随机游走序列中,引入节点特征和边特征,定义从节点转移到邻居节点的概率表达式为:;
14、其中,表示节点特征之间的相似度度量,表示边特征之间的相似度度量,是节点特征和边特征的权重参数,表示节点的节点特征向量,表示节点的节点特征向量,表示节点和节点之间的边特征;
15、在node2vec算法的学习过程中,使用引入了节点特征和边特征的随机游走序列,对于每个节点,将节点特征和边特征进行融合:
16、;
17、其中,表示节点融合后的嵌入向量,表示节点的特征向量,表示邻居节点的平均边特征;
18、通过node2vec算法的节点嵌入,将节点特征和边特征的融合,得到融合特征:
19、;
20、其中,表示交易节点的个数,表示第i个交易节点的融合特征。
21、作为本发明的一种优选技术方案,s3中,根据融合特征,对图卷积神经网络gcn进行训练,包括:
22、构建图卷积神经网络gcn,并为图卷积神经网络gcn构建一个输入层、两个隐藏层以及一个输出层;
23、将交易网络图g和节点融合特征h输入到图卷积神经网络gcn的输入层中,那么节点在层的特征为:
24、;
25、其中,表示当前层,为下一隐藏层,为交易网络图g的邻接矩阵加上自连接,为单位矩阵;为对应的度矩阵;是每一层的特征,在输入层则为节点融合特征h;为激活函数;w为权重矩阵;
26、第一层隐藏层选择relu函数作为激活函数,第二层隐藏层选择sigmoid函数作为激活函数,则图卷积神经网络gcn通过聚合目标节点的二阶邻居节点特征为:
27、;
28、通过函数可得到每个节点的交易异常概率,当值小于c时表示该笔交易为正常交易,反之,当值大于c时表示该笔交易为异常交易。
29、作为本发明的一种优选技术方案,c的取值为0.5。
30、作为本发明的一种优选技术方案,所述交易属性特征e包括交易时间、交易地点、交易设备、交易类型、与上笔交易间隔。
31、作为本发明的一种优选技术方案,s4中,若图卷积神经网络gcn判定待测交易数据为异常交易后,则阻止当前交易并记录待测交易数据。
32、一种银行异常交易检测系统,包括:
33、图数据构建模块,用于获取历史交易数据,并将历史交易数据建模为图数据,构建交易网络图,所述交易网络图中包含有节点特征和边特征,所述节点特征表示用户信息,所述边特征表示用户交易记录;
34、特征融合模块,用于根据所述交易网络图,使用node2vec算法并进行参数调整,引入节点特征和边特征,来定义相邻节点之间的转移概率和设置节点游走方式,对交易网络图中的节点特征和边特征进行联合嵌入,得到节点的融合特征;
35、模型训练模块,用于根据融合特征,对图卷积神经网络gcn进行训练,得到训练好的图卷积神经网络gcn;
36、识别模块,用于将待测交易数据输入到训练好的图卷积神经网络gcn中,进行异常交易识别,得到交易检测结果。
37、一种银行异常交易检测装置,包括:处理器和存储器,所述存储器存储有所述处理器可执行的计算机程序,所述处理器执行所述计算机程序时实现上述方法。
38、综上所述,本发明具有以下有益效果:采用图数据建模,将交易数据建模为图数据,更好地捕捉用户之间的复杂关系和交易模式,提高对非线性关系的建模能力,为异常交易的检测提供了更强大的建模能力。利用node2vec算法融合用户特征和交易数据特征,生成了更具代表性的节点嵌入,有助于克服传统方法中特征融合不足的问题,增强对用户行为和交易模式的全面分析能力。使用图卷积神经网络gcn进行异常检测,能够有效地捕捉图结构中的信息,提高对异常交易的敏感性,同时解决数据不平衡问题,增强模型的泛化性,整体方案能够更灵活、全面、且高效,弥补了现有技术中的多个缺陷,提高了对金融领域复杂交易模式的适应性和准确性。
1.一种银行异常交易检测方法,其特征是:包括如下步骤:
2.根据权利要求1所述的一种银行异常交易检测方法,其特征是:在s1中,设一个用户的某一个时间段的交易操作序列数据存在n项,将交易操作序列数据表示为,,表示其中一笔交易,设每一笔交易中包含m个交易属性特征e,表示为;
3.根据权利要求2所述的一种银行异常交易检测方法,其特征是:s2包括如下子步骤:
4.根据权利要求3所述的一种银行异常交易检测方法,其特征是:s3中,根据融合特征,对图卷积神经网络gcn进行训练,包括:
5.根据权利要求4所述的一种银行异常交易检测方法,其特征是:c的取值为0.5。
6.根据权利要求5所述的一种银行异常交易检测方法,其特征是:所述交易属性特征e包括交易时间、交易地点、交易设备、交易类型、与上笔交易间隔。
7.根据权利要求6所述的一种银行异常交易检测方法,其特征是:s4中,若图卷积神经网络gcn判定待测交易数据为异常交易后,则阻止当前交易并记录待测交易数据。
8.一种银行异常交易检测系统,其特征是:包括:
9.一种银行异常交易检测装置,其特征是:包括:处理器和存储器,所述存储器存储有所述处理器可执行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述的方法。