申请/专利权人：福建润楼数字科技有限公司

申请日：2023-06-25

公开（公告）日：2024-04-02

公开（公告）号：CN116562901B

主分类号：G06Q30/018

分类号：G06Q30/018;G06N20/00;G06F18/241;G06F18/214;G06N3/088

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2023.08.25#实质审查的生效;2023.08.08#公开

摘要：本发明公开了一种基于机器学习的反欺诈规则自动生成方法，涉及计算机技术领域，包括S1：数据预处理；S2：特征工程；S3：特征编码；S4：模型训练；S5：模型评估；S6：反欺诈规则的自动化生成；S7：规则测试。通过利用机器学习的方法可以高效地从大量的数据中自动学习和发现不同的欺诈模式，该方法可以更好地识别全球不同的欺诈行为，检测和预测各种欺诈手段，避免了传统规则的局限性，同时预防欺诈行为可以提高交易的安全性，提高企业信用度，减少交易损失，反欺诈模型训练过程中，能对模型不断进行迭代优化，逐步提高诊断准确性和实时性，反欺诈模型在训练时可根据欺诈类型和数据特征进行区分和训练，具备更高的准确性和有效性。

主权项：1.一种基于机器学习的反欺诈规则自动生成方法，其特征在于：包括以下步骤：S1：数据预处理，收集大量的历史数据，将大量历史数据导入到反欺诈系统中，并进行数据清洗、去除噪声、处理缺失值的预处理操作，使数据更加干净、准确、完整，同时并保留重要的特征属性数据，导入模型训练数据集，为后续特征提取和训练模型做好准备；S2：特征工程，根据反欺诈的特征要求和目标，通过特征工程来筛选出具有代表性和对欺诈诊断有帮助或有显著影响的关键特征；随后，根据经验并结合机器学习领域专家，再进行数据源和特征提取；S3：特征编码，根据特征选择得到的特征，对每个特征进行二进制编码或数值离散化的特征处理方法；S4：模型训练，建立合适的机器学习模型，对已经预处理和编码好的特征进行训练，分类、决策树、支持向量机、神经网络或深度学习的模型，不断调整模型参数和训练方法，为反欺诈模型提供良好的特征输入数据，构件出反欺诈模型；其中，对数据中的欺诈行为进行预测和分类，根据数据的特征和欺诈的类型，为不同欺诈行为训练不同的模型，对用户的行为进行评估并预判欺诈行为的可能性；S5：模型评估，使用交叉验证的模型评价方法，对训练好的机器学习模型进行评估和调整，包括准确性、精准性、召回率和F1分数的指标，以选择最优的模型和特征输入，并根据数据准确性和降低误报率进行调整；S6：反欺诈规则的自动化生成，在训练模型之后，用无监督学习或深度学习技术从模型中抽取特征，同时基于该特征生成阀值来划分欺诈行为；使用增强学习技术，基于特征及模型评估结果，自动选择更有效的规则，构建反欺诈规则的库；S7：规则测试，在自动生成的规则库中，基于测试集中不同样例的特征数据，针对规则库进行评估和测试，从而最终得到一组有效的规则，可用于实时监控用户交易行为；所述步骤S3中，对于社交网络信息、图片和音频的非结构化数据，利用自然语言处理NLP技术和深度学习方法进行特征提取和处理；所述步骤S6中，使用训练好的反欺诈模型对用户行为进行评估和分类，根据用户行为特征及模型评估结果，预判欺诈行为的可能性，并通过阈值分析得到判断结果；所述步骤S6中，将反欺诈模型与实际应用相结合，对已知和未知的欺诈行为进行检测和预测，进行有效的反欺诈和风险控制，并不断进行模型调整和更新，以提高反欺诈系统的性能和精度；所述步骤S6中，对于存在欺诈行为的用户，使用反欺诈模型寻找对应的欺诈特征，并输出欺诈诊断结果，提供给客户端或其他关联系统；所述步骤S6中，根据欺诈行为的反馈数据，不断加入新数据进行迭代优化，不断调整反欺诈模型以提高准确性和有效性；所述步骤S4中，在模型训练过程中，基于选出的特征和历史数据进行机器学习模型训练，采用监督学习，半监督或无监督学习方法，通过选择合适的特征与属性、算法应用构建反欺诈模型；所述步骤S7中，在自动生成的规则库中，针对规则进行评估和测试，包括误报率、漏报率、准确率的指标，从而最终得到一组有效的规则，实时监控用户交易行为；同时需要不断对规则库进行优化和迭代，以应对新的欺诈模式。

全文数据：

权利要求：

百度查询： 福建润楼数字科技有限公司 基于机器学习的反欺诈规则自动生成方法

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