一种信用卡套现识别方法及相关设备与流程

本公开涉及人工智能，尤其涉及一种信用卡套现识别方法及相关设备。

背景技术：

1、近年来，随着移动支付、电商和第三方支付平台的快速发展，信用卡的使用场景越来越广，信用卡的普及程度也越来越高。

2、然而，随着信用卡消费生态的多元化，信用卡套现行为也逐渐增多。作为金融上的违规行为，信用卡套现容易对发卡银行的正常业务产生巨大的干扰，带来了严重的风险隐患。当前信用卡套现方式层出不穷，具有门槛低、波及广、速度快且规模大的特点，增加了信用卡套现识别的难度。

3、因此，如何准确识别信用卡套现行为，成为本领域技术人员急需解决的技术问题。

技术实现思路

1、鉴于上述问题，本公开提供一种克服上述问题或者至少部分地解决上述问题的一种信用卡套现识别方法及相关设备，技术方案如下：

2、一种信用卡套现识别方法，包括：

3、分别获得预先训练好的多个信用卡套现识别模型的模型权重，其中，所述模型权重与所述信用卡套现识别模型的分类准确率有关；

4、获得用户的信用卡特征数据；

5、将所述信用卡特征数据分别输入至各所述信用卡套现识别模型中，获得各所述信用卡套现识别模型输出的信用卡套现预测概率；

6、利用各所述信用卡套现识别模型输出的所述信用卡套现预测概率及其所述模型权重进行加权求和，获得所述用户的信用卡套现识别结果。

7、可选的，所述分别获得预先训练好的多个信用卡套现识别模型的模型权重，包括：

8、获得多个标注有套现识别标识的信用卡特征样本数据；

9、将各个所述信用卡特征样本数据划分为套现识别样本训练集和套现识别样本测试集；

10、利用所述套现识别样本训练集分别对各所述信用卡套现识别模型进行训练，获得训练好的各所述信用卡套现识别模型；

11、利用所述套现识别样本测试集分别对训练好的各所述信用卡套现识别模型进行分类验证，获得各所述信用卡套现识别模型的分类准确率；

12、利用各所述信用卡套现识别模型的所述分类准确率，获得各所述信用卡套现识别模型的模型权重。

13、可选的，所述利用各所述信用卡套现识别模型的所述分类准确率，获得各所述信用卡套现识别模型的模型权重，包括：

14、对各所述信用卡套现识别模型的所述分类准确率进行求和，获得准确率总值；

15、对任一所述信用卡套现识别模型：获得该信用卡套现识别模型的所述分类准确率与所述准确率总值的比值，将所述比值确定为该信用卡套现识别模型的模型权重。

16、可选的，所述获得多个标注有套现识别标识的信用卡特征样本数据，包括：

17、获得标注有套现识别标识的信用卡历史样本数据，其中，所述信用卡历史样本数据包括信用卡的交易数据以及与所述信用卡存在关联的用户数据；

18、对所述信用卡历史样本数据进行数据特征处理，获得信用卡初始特征样本数据；

19、对所述信用卡初始特征样本数据进行特征选择，获得信用卡特征样本数据。

20、可选的，所述对所述信用卡历史样本数据进行数据特征处理，获得信用卡初始特征样本数据，包括：

21、对所述信用卡历史样本数据中的离散型原始特征数据进行标签编码，获得离散型编码特征数据；

22、统计所述离散型编码特征数据的数据缺失比例；

23、基于所述数据缺失比例，对所述离散型编码特征数据使用众数进行填补，获得离散型目标特征数据；

24、对所述信用卡历史样本数据中的连续型原始特征数据使用均值进行填补，获得连续型目标特征数据；

25、对所述离散型目标特征数据和所述连续型目标特征数据进行标准化处理，获得信用卡初始特征样本数据。

26、可选的，所述对所述信用卡初始特征样本数据进行特征选择，获得信用卡特征样本数据，包括：

27、通过相关系数法对所述信用卡初始特征样本数据进行数据降维，获得信用卡待筛特征样本数据；

28、对所述信用卡待筛特征样本数据中的连续型特征数据进行卡方检验，筛选出第一特征样本数据；

29、对所述信用卡待筛特征样本数据中的离散型特征数据进行方差分析，筛选出第二特征样本数据；

30、利用随机森林算法对所述第一特征样本数据和所述第二特征样本数据进行特征选择，获得信用卡特征样本数据。

31、可选的，所述信用卡套现识别模型包括逻辑回归分类器模型、adaboost分类器模型和xgboost分类器模型。

32、一种信用卡套现识别装置，包括：模型权重获得单元、信用卡特征数据获得单元、套现预测概率获得单元以及套现识别结果获得单元，

33、模型权重获得单元，用于分别获得预先训练好的多个信用卡套现识别模型的模型权重，其中，所述模型权重与所述信用卡套现识别模型的分类准确率有关；

34、信用卡特征数据获得单元，用于获得用户的信用卡特征数据；

35、套现预测概率获得单元，用于将所述信用卡特征数据分别输入至各所述信用卡套现识别模型中，获得各所述信用卡套现识别模型输出的信用卡套现预测概率；

36、套现识别结果获得单元，用于利用各所述信用卡套现识别模型输出的所述信用卡套现预测概率及其所述模型权重进行加权求和，获得所述用户的信用卡套现识别结果。

37、一种计算机可读存储介质，其上存储有程序，其特征在于，所述程序被处理器执行时实现上述任一项所述的信用卡套现识别方法。

38、一种电子设备，所述电子设备包括至少一个处理器、以及与处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行上述任一项所述的信用卡套现识别方法。

39、借由上述技术方案，本公开提供的一种信用卡套现识别方法及相关设备，应用于人工智能领域或金融领域。本公开可以分别获得预先训练好的多个信用卡套现识别模型的模型权重，其中，模型权重与信用卡套现识别模型的分类准确率有关；获得用户的信用卡特征数据；将信用卡特征数据分别输入至各信用卡套现识别模型中，获得各信用卡套现识别模型输出的信用卡套现预测概率；利用各信用卡套现识别模型输出的信用卡套现预测概率及其模型权重进行加权求和，获得用户的信用卡套现识别结果。本公开通过多个信用卡套现识别模型及其模型权重，将多个信用卡套现识别模型输出的信用卡套现预测概率进行融合，能够提高信用卡套现识别结果的准确率，从而提升信用卡套现行为的识别效率。

40、上述说明仅是本公开技术方案的概述，为了能够更清楚了解本公开的技术手段，而可依照说明书的内容予以实施，并且为了让本公开的上述和其它目的、特征和优点能够更明显易懂，以下特举本公开的具体实施方式。

技术特征：

1.一种信用卡套现识别方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述分别获得预先训练好的多个信用卡套现识别模型的模型权重，包括：

3.根据权利要求2所述的方法，其特征在于，所述利用各所述信用卡套现识别模型的所述分类准确率，获得各所述信用卡套现识别模型的模型权重，包括：

4.根据权利要求2所述的方法，其特征在于，所述获得多个标注有套现识别标识的信用卡特征样本数据，包括：

5.根据权利要求4所述的方法，其特征在于，所述对所述信用卡历史样本数据进行数据特征处理，获得信用卡初始特征样本数据，包括：

6.根据权利要求4所述的方法，其特征在于，所述对所述信用卡初始特征样本数据进行特征选择，获得信用卡特征样本数据，包括：

7.根据权利要求1至6中任一项所述的方法，其特征在于，所述信用卡套现识别模型包括逻辑回归分类器模型、adaboost分类器模型和xgboost分类器模型。

8.一种信用卡套现识别装置，其特征在于，包括：模型权重获得单元、信用卡特征数据获得单元、套现预测概率获得单元以及套现识别结果获得单元，

9.一种计算机可读存储介质，其上存储有程序，其特征在于，所述程序被处理器执行时实现如权利要求1至7中任一项所述的信用卡套现识别方法。

10.一种电子设备，所述电子设备包括至少一个处理器、以及与处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行如权利要求1至7中任一项所述的信用卡套现识别方法。

技术总结
本公开提供的一种信用卡套现识别方法及相关设备，应用于人工智能领域或金融领域。本公开可以分别获得预先训练好的多个信用卡套现识别模型的模型权重，其中，模型权重与信用卡套现识别模型的分类准确率有关；获得用户的信用卡特征数据；将信用卡特征数据分别输入至各信用卡套现识别模型中，获得各信用卡套现识别模型输出的信用卡套现预测概率；利用各信用卡套现识别模型输出的信用卡套现预测概率及其模型权重进行加权求和，获得用户的信用卡套现识别结果。本公开通过多个信用卡套现识别模型及其模型权重，将多个信用卡套现识别模型输出的信用卡套现预测概率进行融合，能够提高信用卡套现识别结果的准确率，从而提升信用卡套现行为的识别效率。

技术研发人员：王苛
受保护的技术使用者：中国银行股份有限公司
技术研发日：
技术公布日：2024/1/14