欺诈行为识别方法、装置、电子设备及存储介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115099339A(43)申请公布日2022.09.23(21)申请号202210724706.7(22)申请日2022.06.23(71)申请人未鲲（上海）科技服务有限公司地址200120上海市浦东新区自由贸易试验区陆家嘴环路1333号15楼(72)发明人李方园(74)专利代理机构深圳市沃德知识产权代理事务所(普通合伙)44347专利代理师高杰于志光(51)Int.Cl.G06K9/62(2022.01)G06F16/215(2019.01)G06Q40/00(2012.01)权利要求书2页说明书12页附图5页(54)发明名称欺诈行为识别方法、装置、电子设备及存储介质(57)摘要本发明涉及人工智能，揭露一种欺诈行为识别方法，包括：计算多个历史行为数据对应的权重值，根据权重值从多个历史行为数据中筛选出目标行为数据；对经过数据清洗得到的标准行为数据对应的用户进行异常检测，得到异常检测结果，根据异常检测结果将用户划分为用户分类，得到正常用户集和异常用户集并进行线性组合，得到多组用户训练集，基于多组用户训练集进行模型训练，得到欺诈行为识别模型；将待识别用户对应的用户数据输入至欺诈行为识别模型中，得到待识别用户的欺诈判定结果。此外，本发明还涉及区块链技术，权重值可存储于区块链的节点。本发明还提出一种欺诈行为识别装置、电子设备以及存储介质。本发明可以提高欺诈行为识别的准确度。CN115099339ACN115099339A权利要求书1/2页1.一种欺诈行为识别方法，其特征在于，所述方法包括：获取多个不同维度的历史行为数据，基于预设的权重计算方法计算多个所述历史行为数据对应的权重值，并根据所述权重值从多个所述历史行为数据中筛选出目标行为数据；对所述目标行为数据进行数据清洗处理，得到标准行为数据；基于预设隔离森林算法对所述标准行为数据对应的用户进行异常检测，得到异常检测结果，并根据所述异常检测结果将用户划分为用户分类，得到正常用户集和异常用户集；对所述正常用户集和所述异常用户集进行线性组合，得到多组用户训练集，基于多组所述用户训练集进行模型训练，得到欺诈行为识别模型；获取待识别用户及所述待识别用户对应的用户数据，将所述待识别用户对应的用户数据输入至所述欺诈行为识别模型中，得到所述待识别用户的欺诈判定结果。2.如权利要求1所述的欺诈行为识别方法，其特征在于，所述基于预设的权重计算方法计算多个所述历史行为数据对应的权重值，包括：对所述历史行为数据进行分箱处理，得到分组数据集；利用预设的权重值公式分别计算所述分组数据集中多个分组数据对应的权重值。3.如权利要求2所述的欺诈行为识别方法，其特征在于，所述预设的权重值公式为：其中，WOEi为多个权重值，pyi为历史行为数据取值为“是”的个体数目，pni为历史行为数据取值为“否”的个体数目。4.如权利要求1所述的欺诈行为识别方法，其特征在于，所述对所述目标行为数据进行数据清洗处理，包括：对所述目标行为数据进行缺失值检测处理，并根据缺失值检测处理得到的检测结果计算缺失比例；判断所述缺失比例与预设的缺失阈值之间的大小，当所述缺失比例大于或者等于所述缺失阈值时，将所述缺失比例对应的目标行为数据执行剔除处理，得到标准行为数据；当所述缺失比例小于所述缺失阈值时，对所述缺失比例对应的目标行为数据执行均值填充处理，得到标准行为数据。5.如权利要求4所述的欺诈行为识别方法，其特征在于，所述根据缺失值检测处理得到的检测结果计算缺失比例，包括：统计所述目标行为数据的数据长度，并将所述目标行为数据的数据长度作为第一数据长度；识别所述检测结果的数据长度，并将所述检测结果的数据长度作为第二数据长度；将所述第二数据长度作为分子，所述第一数据长度作为分母计算得到缺失比例。6.如权利要求1所述的欺诈行为识别方法，其特征在于，所述基于多组所述用户训练集进行模型训练，得到欺诈行为识别模型，包括：获取标准决策树，将多组所述用户训练集输入至所述标准决策树，得到得分数据集；根据所述得分数据集和预设的损失函数计算所述标准决策树的损失值；当所述损失值大于或者等于预设的损失阈值时，再次执行所述对所述初始决策树进行决策树添加处理的操作，直至所述损失值小于所述损失阈值时，输出当前的标准决策树为2CN115099339A权利要求书2/2页欺诈行为识别模型。7.如权利要求6所述的欺诈行为识别方法，其特征在于，所述获取标准决策树，包括：获取特征信息集，任意选取所述特征信息集中的一个特征信息作为根节点，在所述根节点上分裂左节点和右节点；将所述特征信息集分配至所述左节点和所述右节点，得到基本决策树；对所述基本决策树进行决策树增添处理，得到标准决策树。8.一种欺诈行为识别装置，其特征在于，所述装置包括