申请/专利权人：浙江邦盛科技股份有限公司

申请日：2023-12-28

公开（公告）日：2024-03-29

公开（公告）号：CN117787993A

主分类号：G06Q20/40

分类号：G06Q20/40;G06N3/0464;G06N3/084;G06F18/23213;G06F18/24;G06F18/22

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.16#实质审查的生效;2024.03.29#公开

摘要：本发明公开了一种基于层相关性传播的金融反欺诈方法及装置，主要分为两大主要步骤，首先是通过特征解耦和聚合对图的不同局部结构特征进行捕捉和综合，以分离局部特征，为图分类提供了有力的特征表示。然后是为了解降低冗余特征对分类性能的干扰，在层相关性传播的过程中抑制生成的低相关性特征，降低冗余特征对模型决策的影响。本发明提出了概率随机游走聚类和特征分离策略，以更好地分离有用特征，将图分解成多个子结构，以更好地捕捉多尺度结构信息，这有助于提高分类性能。本发明引入了低相关性特征抑制策略，以减少冗余特征的影响，提高了分类结果的稳定性和可解释性。

主权项：1.一种基于层相关性传播的金融反欺诈方法，其特征在于，该方法包括以下步骤：1通过特征解耦和聚合对金融交易图的不同局部结构特征进行捕捉和综合，分离局部特征，具体为：1.1随机游走路径收集：对于每个金融交易图中节点，生成随机游走路径，统计每个节点在不同路径中的出现的频率并计算出现概率，根据节点概率信息，对随机游走路径进行聚类，根据聚类结果构建多个超图；1.2模型预训练：构建每个超图的Laplacian矩阵与图节点特征为模型输入，在模型中执行超图卷积操作，得到每个超节点的新的特征表示；每个新的超节点的特征表示汇总到一个向量中，表示超图的整体特征，每个超图视为独立通道，将所有通道的特征表示进行拼接，得到一个综合的特征向量，在图分类器中得到金融交易图中是否存在金融欺诈行为的分类结果，该分类结果用于金融欺诈行为标签的拟合训练；2对于预训练后的模型进行层相关性传播分析以及低相关性特征抑制，具体为：2.1决策相关性分析：包括分类器分析和HyperGCN分析；在分类器分析中，计算每个图嵌入位的相关性，表示每个位对于最终分类结果的贡献；在HyperGCN分析中，分析HyperGCN的输入节点特征对于最终分类结果的影响；根据两种分析结果，计算出每个节点和每个位的决策相关性系数；这些相关性系数反映节点和位的对分类决策的重要性；2.2引入相关性抑制损失：使用决策相关性结果分析计算节点级别和位级别的特征重要性，引入节点级别抑制损失和位级别抑制损失，并通过阈值来抑制冗余的节点和位；2.3预训练模型调优：在预训练模型调优过程中，使用任务损失、节点级别抑制损失和位级别抑制损失进行模型训练，得到训练完成后的模型，获取的金融交易图，基于训练后的模型得到是否存在金融欺诈行为的分类结果。

全文数据：

权利要求：

百度查询： 浙江邦盛科技股份有限公司 一种基于层相关性传播的金融反欺诈方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD