本申请涉及人工智能,特别是涉及模型构建方法、欺诈交易识别方法、装置、设备和介质。
背景技术:
1、近年来,电信欺诈手段层出不穷且越来越隐蔽,造成了人民群众财产的大量损失,如何识别欺诈交易越来越引发重视。然而,目前银行方难以实时判断每一笔交易是否为欺诈交易,也就难以对因电信欺诈行为而产生的交易进行预警或有效拦截。
2、随着人工智能技术的飞速发展,各种机器学习算法走入了大众的视野,其中,神经网络因其具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力等优点,在面对大量的数据时可以得到较为准确的预测结果。训练用于识别欺诈交易的神经网络模型,是实现对欺诈交易的识别的有效途径之一。然而,神经网络模型构建初期通常只能先依赖于设计者的经验确定神经网络的结构,再通过大量试验不断训练改进,以期得到符合需求的神经网络模型。由于在构建神经网络模型的初期不得不依赖并不可靠的设计者经验,导致确定的神经网络结构需要经过漫长的训练改进过程才有可能符合需求。
3、由此,如何高效地得到可较为准确的识别欺诈交易的模型,成为当前需要解决的问题。
技术实现思路
1、基于上述问题,本申请提供了模型构建方法、欺诈交易识别方法、装置、设备和介质,能够高效地得到可较为准确的识别欺诈交易的模型。
2、本申请公开了如下技术方案:
3、第一方面,本申请提供了一种模型构建方法,所述方法包括:
4、获取多条历史交易信息;
5、基于所述多条历史交易信息,训练得到决策树模型;
6、基于所述决策树模型的结构确定待训练神经网络模型的结构,得到待训练神经网络模型;
7、通过多条历史交易信息训练所述待训练神经网络模型,得到欺诈交易识别模型。
8、可选地,所述基于所述决策树模型的结构确定待训练神经网络模型的结构,得到待训练神经网络模型,包括:
9、基于所述决策树模型中各内部结点以及叶子节点之间的连接关系,连接待训练神经网络模型中的各个神经元,得到所述待训练神经网络模型。
10、可选地,所述通过多条历史交易信息训练所述待训练神经网络模型,得到欺诈交易识别模型,包括:
11、通过多条历史交易信息训练所述待训练神经网络模型,得到第一神经网络模型;
12、设置基于欺诈概率判断待识别交易是否为欺诈交易的判断条件,得到欺诈交易识别模型;所述欺诈概率通过使用softmax函数转换所述第一神经网络模型的二分类输出结果得到。
13、可选地,所述设置基于所述欺诈概率判断待识别交易是否为欺诈交易的判断条件,包括:
14、向所述第一神经网络模型中输入多条历史交易信息,得到多个输出结果;
15、通过softmax函数转换多个所述输出结果,得到与多个所述输出结果一一对应的多个欺诈概率;
16、基于多个所述欺诈概率的第一准确度,设置用于判断待识别交易是否为欺诈交易的第一概率阈值;所述第一准确度通过计算同一欺诈概率对应的多条历史交易信息中欺诈交易信息的比例得到。
17、可选地,所述向所述第一神经网络模型中输入多条历史交易信息,得到多个输出结果之后,所述方法还包括:
18、基于多个所述欺诈概率的第二准确度,设置用于判断待识别交易是否为非欺诈交易的第二概率阈值;所述第二准确度通过计算同一欺诈概率对应的多条历史交易信息中不为欺诈交易信息的比例得到。
19、第二方面,本申请提供了一种欺诈交易识别方法,所述方法包括:
20、获取待识别交易的交易信息;
21、将所述待识别交易的交易信息输入欺诈交易识别模型,得到识别结果;所述欺诈交易识别模型通过如权利要求1~6任一项所述的模型构建方法得到;所述识别结果用于表示所述待识别交易是否为欺诈交易。
22、可选地,所述欺诈交易识别模型包括第一神经网络模型、softmax函数以及判断条件,所述将所述待识别交易的交易信息输入欺诈交易识别模型,得到识别结果,包括:
23、将所述待识别交易的交易信息输入所述第一神经网络模型,得到第一输出结果;
24、通过softmax函数转换所述第一输出结果,得到第一欺诈概率;
25、基于所述第一欺诈概率以及所述判断条件,得到识别结果;所述判断条件为:若所述第一欺诈概率大于预设的第一概率阈值,则判断所述待识别交易是欺诈交易;若所述第一欺诈概率小于预设的第二概率阈值,则判断所述待识别交易不是欺诈交易;若所述第一欺诈概率小于或等于所述第一概率阈值且大于或等于所述第二概率阈值,则调用反欺诈系统获取所述待识别交易对应的交易账号和交易对象的涉诈信息,以判断所述待识别交易是否为欺诈交易;所述第二概率阈值小于所述第一概率阈值。
26、第三方面,本申请提供了一种欺诈交易识别装置,所述装置包括:获取模块和识别模块;
27、所述获取模块,用于获取待识别交易的交易信息;
28、所述识别模块,用于将所述待识别交易的交易信息输入欺诈交易识别模型,得到识别结果;所述欺诈交易识别模型通过如上述第一方面中任一项所述的模型构建方法得到;所述识别结果用于表示所述待识别交易是否为欺诈交易。
29、第四方面,本申请提供了一种欺诈交易识别设备,所述设备包括:存储器和处理器;
30、所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
31、所述处理器用于根据所述程序代码执行上述第一方面中任一项所述的模型构建方法的步骤,或者执行上述第二方面中任一项所述的欺诈交易识别方法的步骤。
32、第五方面,本申请提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,当所述计算机程序在欺诈交易识别设备上运行时,所述欺诈交易识别设备执行上述第一方面中任一项所述的模型构建方法的步骤,或者执行如上述第二方面中任一项所述的欺诈交易识别方法的步骤。
33、相较于现有技术,本申请具有以下有益效果:
34、本申请提供了一种模型构建方法、欺诈交易识别方法、装置、设备和介质,该模型构建方法中,首先,获取多条历史交易信息;然后,基于多条历史交易信息,训练得到决策树模型;接着,基于决策树模型的结构确定待训练神经网络模型的结构,得到待训练神经网络模型,由此可以在构建神经网络模型的初期更为合理、可靠的设置待训练神经网络模型的初始结构;最后,通过多条历史交易信息训练待训练神经网络模型,得到欺诈交易识别模型。由于待训练神经网络模型的结构基于通过历史交易信息训练得到的决策树模型的结构设置,待训练神经网络模型的结构已经较为合理,后续可以更高效地通过对待训练神经网络模型进行训练使其在准确度或拟合程度等方面符合需求,训练后的待训练神经网络模型在实际使用中,相较于依赖设计者自身经验构建和训练的神经网络模型,其输出结果的准确度更高。由此,以一种高效的方式得到了准确度较高的欺诈交易识别模型。
1.一种模型构建方法,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,所述基于所述决策树模型的结构确定待训练神经网络模型的结构,得到待训练神经网络模型,包括:
3.根据权利要求1所述的方法,其特征在于,所述通过多条历史交易信息训练所述待训练神经网络模型,得到欺诈交易识别模型,包括:
4.根据权利要求3所述的方法,其特征在于,所述设置基于所述欺诈概率判断待识别交易是否为欺诈交易的判断条件,包括:
5.根据权利要求4所述的方法,其特征在于,所述向所述第一神经网络模型中输入多条历史交易信息,得到多个输出结果之后,所述方法还包括:
6.一种欺诈交易识别方法,其特征在于,所述方法包括:
7.根据权利要求6所述的方法,其特征在于,所述欺诈交易识别模型包括第一神经网络模型、softmax函数以及判断条件,所述将所述待识别交易的交易信息输入欺诈交易识别模型,得到识别结果,包括:
8.一种模型构建装置,其特征在于,所述装置包括:信息获取模块,决策树模型训练模块,结构确定模块以及欺诈交易识别模型训练模块;
9.一种欺诈交易识别装置,其特征在于,所述装置包括:获取模块和识别模块;
10.一种欺诈交易识别设备,其特征在于,所述设备包括:存储器和处理器;
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,当所述计算机程序在欺诈交易识别设备上运行时,所述欺诈交易识别设备执行权利要求1-5任一项所述的模型构建方法的步骤,或者执行如权利要求6-7中任一项所述的欺诈交易识别方法的步骤。