基于关联欺诈感知的欺诈行为检测方法及装置

本发明涉及行为检测，尤其涉及一种基于关联欺诈感知的欺诈行为检测方法及装置。

背景技术：

1、欺诈行为检测，是一种在社交网络中挖掘具有欺诈行为的异常用户的技术，在线网络的匿名性使得应对欺诈的成本越来越高。由于图表示学习的优越性，基于图网络的欺诈检测在最近几年取得了重大进展。现有的方法只研究了不同关系类型的单个欺诈行为的差异，而忽略了多关系欺诈行为之间的相关性。

2、目前已有部分关于欺诈行为检测的研究方法，liu等人团队在文献alleviatingthe inconsistency problem of applying graph neural network to fraud detection和dou等人团队在文献enhancing graph neural network-based fraud detectorsagainst camouflaged fraudsters中提出重新构建图结构以解决欺诈者的掩蔽行为导致的图不一致问题。liu yang等人团队在文献pick and choose:agnn-based imbalancedlearning approach for fraud detection中对于邻居信息采样以消除欺诈者在社交网络中标签较少的问题。zhang等人团队在文献fraudre:fraud detection dual-resistant tograph inconsistency and imbalance中重点解决了欺诈社交网络中图结构的不一致性和不平衡性问题。tang等人团队在文献rethinking graph neural networks for anomalydetection中首次探索欺诈行为与频谱能量之间的关系。

3、上述方法主要利用了图神经网络模型作为训练模型，实现对于欺诈者节点的分类任务。图神经网络是为了解决非欧式空间的数据(例如社交网络)结构特征提取问题的深度学习模型。thomas等人在文献semi-supervised classification with graphconvolutional networks中提出了图卷积神经网络gcn模型将传统卷积运算推广到图数据中。petar等人在文献graph attention networks中将注意力机制引入基于空间的图卷积网络，提出更加优化的图神经网络模型，hamiton等人在文献inductive representationlearning on large graphs中提出graphsage模型利用直推的方式使得模型可以表征未知的图节点。

4、由上述分析可以发现，目前各种欺诈行为检测方法尽管取得了不错的检测效果，但对于欺诈行为仍缺乏深入的关联分析，欺诈行为检测效果还具有很大的提升空间。

技术实现思路

1、本发明的主要目的在于提供一种基于关联欺诈感知的欺诈行为检测方法及装置，旨在提升欺诈行为检测效果。

2、第一方面，本发明提供一种基于关联欺诈感知的欺诈行为检测方法，其特征在于，所述基于关联欺诈感知的欺诈行为检测方法包括：

3、根据每个用户的原始社交数据，构建用户之间多类型社交行为组成的多关系社交网络图结构，多关系社交网络图结构包括用户集合v、用户的特征向量集合x、多种关系类型集合r以及用户间在不同关系类型下的交互行为集合e；

4、根据所述多关系社交网络图结构，利用图神经网络模型，分别表征每类关系中的关系特异的节点特征向量以及每类关系的特征向量；

5、根据所述关系特异的节点特征向量，对于同一用户不同类型关系的关系特异的节点特征向量进行信息相互传递，以获得欺诈关联感知的节点表征；

6、根据每类关系的特征向量以及欺诈关联感知的节点表征，利用图注意力模型，对每位用户进行特征聚合，得到每位用户的特征表达；

7、根据所述每位用户的特征表达，通过计算交叉熵损失的方法优化图神经网络学习模型；

8、通过优化后的图神经网络学习模型根据待识别用户的社交数据进行欺诈行为识别。

9、可选的，根据所述多关系社交网络图结构，利用图神经网络模型，分别表征每类关系中的关系特异的节点特征向量以及每类关系的特征向量的步骤包括：

10、根据用户的特征向量集合x得到关系特异的用户行为特征向量

11、对r包含的关系类型进行热编码获得关系特征向量hr；

12、对特征向量以及关系特征向量hr进行预处理：

13、

14、

15、zr＝wrhr，

16、其中，wv和wr为线性转移权重矩阵；

17、基于与处理后的特征向量以及关系特征向量hr，利用图神经网络模型表征每类关系中的关系特异的节点特征向量

18、

19、

20、其中tanh(·)表示双曲正切函数，walign为线性转移权重矩阵，dv,r为节点v在关系类型r下子图结构中的度，即节点v的在子图结构上的邻居数目，nv为节点v的邻居节点集合，λ为预设参数；

21、利用mlp模型表征每类关系的特征向量：

22、

23、其中，和为一般mlp模型的可学习参数。

24、可选的，所述根据所述关系特异的节点特征向量，对于同一用户不同类型关系的关系特异的节点特征向量进行信息相互传递，以获得欺诈关联感知的节点表征的步骤包括：

25、根据关系特异的节点特征向量计算不同关系类型间节点特征向量间的第一注意力系数：

26、

27、其中qr为可训练的注意力向量系数，leakyrelu(·)为一种激活函数；

28、基于所述第一注意力系数，对同一用户不同关系类型的关系特异的节点特征向量进行信息相互传递，获得欺诈关联感知的节点表征：

29、

30、可选的，所述根据每类关系的特征向量以及欺诈关联感知的节点表征，利用图注意力模型，对每位用户进行特征聚合，得到每位用户的特征表达的步骤包括：

31、基于所述每类关系的特征向量h'r以及所述欺诈关联感知的节点表征h'v,r，计算第二注意力系数：

32、

33、其中，tr和ur均为线性转移权重矩阵；

34、基于所述第二注意力系数，聚合不同关系类型下的节点特征向量，得到每位用户的特征表达：

35、

36、可选的，计算交叉熵损失包括：

37、根据损失计算公式计算交叉熵损失，损失计算公式如下：

38、

39、其中，代表属于训练数据集的用户节点集合，yv,m代表每个用户v的第m维标签值，表示用户v的特征表达中第m维的值。

40、第二方面，本发明还提供一种基于关联欺诈感知的欺诈行为检测装置，所述基于关联欺诈感知的欺诈行为检测装置包括：

41、构建模块，用于根据每个用户的原始社交数据，构建用户之间多类型社交行为组成的多关系社交网络图结构，多关系社交网络图结构包括用户集合v、用户的特征向量集合x、多种关系类型集合r以及用户间在不同关系类型下的交互行为集合e；

42、第一表征模块，用于根据所述多关系社交网络图结构，利用图神经网络模型，分别表征每类关系中的关系特异的节点特征向量以及每类关系的特征向量；

43、第二表征模块，用于根据所述关系特异的节点特征向量，对于同一用户不同类型关系的关系特异的节点特征向量进行信息相互传递，以获得欺诈关联感知的节点表征；

44、第三表征模块，用于根据每类关系的特征向量以及欺诈关联感知的节点表征，利用图注意力模型，对每位用户进行特征聚合，得到每位用户的特征表达；

45、优化模块，用于根据所述每位用户的特征表达，通过计算交叉熵损失的方法优化图神经网络学习模型；

46、识别模块，用于通过优化后的图神经网络学习模型根据待识别用户的社交数据进行欺诈行为识别。

47、可选的，第一表征模块，用于：

48、根据用户的特征向量集合x得到关系特异的用户行为特征向量

49、对r包含的关系类型进行热编码获得关系特征向量hr；

50、对特征向量以及关系特征向量hr进行预处理：

51、

52、

53、zr＝wrhr，

54、其中，wv和wr为线性转移权重矩阵；

55、基于与处理后的特征向量以及关系特征向量hr，利用图神经网络模型表征每类关系中的关系特异的节点特征向量

56、

57、

58、其中tanh(·)表示双曲正切函数，walign为线性转移权重矩阵，dv,r为节点v在关系类型r下子图结构中的度，即节点v的在子图结构上的邻居数目，nv为节点v的邻居节点集合，λ为预设参数；

59、利用mlp模型表征每类关系的特征向量：

60、

61、其中，和为一般mlp模型的可学习参数。

62、可选的，第二表征模块，用于：

63、根据关系特异的节点特征向量计算不同关系类型间节点特征向量间的第一注意力系数：

64、

65、其中qr为可训练的注意力向量系数，leakyrelu(·)为一种激活函数；

66、基于所述第一注意力系数，对同一用户不同关系类型的关系特异的节点特征向量进行信息相互传递，获得欺诈关联感知的节点表征：

67、

68、可选的，第三表征模块，用于：

69、基于所述每类关系的特征向量h'r以及所述欺诈关联感知的节点表征h'v,r，计算第二注意力系数：

70、

71、其中，tr和ur均为线性转移权重矩阵；

72、基于所述第二注意力系数，聚合不同关系类型下的节点特征向量，得到每位用户的特征表达：

73、

74、可选的，优化模块，用于：

75、根据损失计算公式计算交叉熵损失，损失计算公式如下：

76、

77、其中代表属于训练数据集的用户节点集合，yv，m代表每个用户v的第m维标签值，表示用户v的特征表达中第m维的值。

78、本发明中，根据每个用户的原始社交数据，构建用户之间多类型社交行为组成的多关系社交网络图结构，多关系社交网络图结构包括用户集合v、用户的特征向量集合x、多种关系类型集合r以及用户间在不同关系类型下的交互行为集合e；根据所述多关系社交网络图结构，利用图神经网络模型，分别表征每类关系中的关系特异的节点特征向量以及每类关系的特征向量；根据所述关系特异的节点特征向量，对于同一用户不同类型关系的关系特异的节点特征向量进行信息相互传递，以获得欺诈关联感知的节点表征；根据每类关系的特征向量以及欺诈关联感知的节点表征，利用图注意力模型，对每位用户进行特征聚合，得到每位用户的特征表达；根据所述每位用户的特征表达，通过计算交叉熵损失的方法优化图神经网络学习模型；通过优化后的图神经网络学习模型根据待识别用户的社交数据进行欺诈行为识别。本发明充分利用了多关系类型的关联欺诈行为规律，大大提高了欺诈行为检测的准确性，有效降低了误差。