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。
