信用卡异常交易识别方法及装置制造方法及图纸

本申请提供一种信用卡异常交易识别方法及装置，可用于金融领域或其他技术领域。所述方法包括：在信用卡交易信息中提取有效信息；根据所述信用卡交易信息，生成所述信用卡交易信息的交易特征信息；将所述有效信息以及所述交易特征信息输入预先训练好的卷积神经网络模型，得到所述卷积神经网络模型输出的异常交易预测结果，其中，所述卷积神经网络模型是根据历史信用卡交易信息和历史信用卡交易信息的交易特征信息训练得到的。本申请实施例提供的信用卡异常交易识别方法及装置，能够高效地提取交易信息中的特征信息，对交易信息进行更为精准的分析和判断，从而提高异常交易识别的准确率。准确率。准确率。

【技术实现步骤摘要】
信用卡异常交易识别方法及装置


[0001]本申请涉及计算机
，具体涉及一种信用卡异常交易识别方法及装置。

技术介绍

[0002]在现代金融领域中，传统的信用卡异常交易检测方法主要基于规则、统计学和数据挖掘技术，但这些方法存在着一些问题。规则方法容易受到攻击，而统计学方法对数据的要求较高，数据的质量和数量对其影响较大。数据挖掘技术虽然可以对大量数据进行分析，但对于复杂的非线性关系难以建模。

技术实现思路

[0003]针对现有技术中的问题，本申请实施例提供一种信用卡异常交易识别方法及装置，能够至少部分地解决现有技术中存在的问题。
[0004]一方面，本申请提出一种信用卡异常交易识别方法，包括：
[0005]在信用卡交易信息中提取有效信息，所述信用卡交易信息包括交易金额、交易时间、交易位置、交易类型、账户余额、持卡人信息和/或商家信息；
[0006]根据所述信用卡交易信息，生成所述信用卡交易信息的交易特征信息；
[0007]将所述有效信息以及所述交易特征信息输入预先训练好的卷积神经网络模型，得到所述卷积神经网络模型输出的异常交易预测结果，其中，所述卷积神经网络模型是根据历史信用卡交易信息和历史信用卡交易信息的交易特征信息训练得到的。
[0008]在一些实施例中，所述根据所述信用卡交易信息，生成所述信用卡交易信息的交易特征信息包括：
[0009]根据所述信用卡交易信息中的交易金额和账户余额，计算所述交易金额相对于账户余额的占比信息；和/或
[0010]根据预设的时间维度在所述信用卡交易信息中的交易时间中提取第一时间特征信息；和/或
[0011]根据所述信用卡交易信息以及所述信用卡的历史交易信息，获取所述信用卡交易信息所关联的交易间隔规律特征信息；和/或
[0012]根据所述信用卡交易信息以及所述信用卡的历史交易信息，生成所述信用卡交易信息所关联的交易统计特征信息；和/或
[0013]根据所述信用卡交易信息中的交易金额和交易类型，生成第一组合特征信息；和/或
[0014]根据所述信用卡交易信息中的交易金额和所述信用卡的账户类型，生成第二组合特征信息；和/或
[0015]根据所述信用卡在预设时间长度内的交易次数，确定所述信用卡交易信息所关联的交易频率特征信息。
[0016]在一些实施例中，所述卷积神经网络模型包括：
[0017]输入层，用于接收所述有效信息以及所述交易特征信息；
[0018]卷积层，用于从所述有效信息以及所述交易特征信息中提取第一特征信息；
[0019]池化层，用于在卷积层输出的局部特征信息中提取第二特征信息；
[0020]全连接层，用于将卷积层提取出的第一特征信息和池化层提取出的第二特征信息进行融合，生成融合特征信息；
[0021]输出层：用于使用激活函数将全连接层输出的融合特征信息映射到[0，1]区间内，表示所述信用卡交易为异常交易的概率。
[0022]在一些实施例中，所述方法还包括：
[0023]利用主成分分析法对样本集中的信用卡交易信息进行分析，确定所述信用卡交易信息中的有效信息；
[0024]提取训练集中每条信用卡交易信息中的有效信息；
[0025]对于所述训练集中的每条信用卡交易信息，生成该条信用卡交易信息的交易特征信息；
[0026]利用所述训练集中每条信用卡交易信息中的有效信息、该条信用卡交易信息的交易特征信息以及该条信用卡交易信息的交易标签，对预设的卷积神经网络模型进行训练，得到训练好的卷积神经网络模型。
[0027]在一些实施例中，所述利用主成分分析法对样本集中的信用卡交易信息进行分析，确定所述信用卡交易信息中的有效信息包括：
[0028]利用主成分分析法对样本集中的信用卡交易信息进行分析，确定所述信用卡交易信息中的重要特征信息；
[0029]利用方差分析法对所述重要特征信息进行分析，得到所述重要特征信息中的有效特征信息。
[0030]在一些实施例中，所述利用方差分析法对所述重要特征信息进行分析，得到所述重要特征信息中的有效信息包括：
[0031]计算所述样本集中每种重要特征信息的方差值，将方差值符合预设条件的重要特征信息确定为待选特征信息；
[0032]根据各待选特征信息之间的相关性，在各所述待选特征信息之间筛选出有效特征信息。
[0033]在一些实施例中，所述利用所述训练集中每条信用卡交易信息中的有效信息、该条信用卡交易信息的交易特征信息以及该条信用卡交易信息的交易标签，对预设的卷积神经网络模型进行训练，得到训练好的卷积神经网络模型包括：
[0034]S1、对于所述训练集中的一信用卡交易信息，将该信用卡交易信息中的有效信息、该条信用卡交易信息的交易特征信息输入卷积神经网络模型，得到所述卷积神经网络模型输出的异常交易预测结果；
[0035]S2、利用预设的损失函数根据该信用卡交易信息的交易标签以及所述预测结果计算所述神经网络模型的预测误差；
[0036]S3、根据所述预测误差对所述神经网络模型的参数进行更新，得到进行参数更新后的神经网络模型；
[0037]S4、继续执行上述步骤S1至步骤S3，直至所述神经网络模型的预测误差小于第一
预设值或步骤S1至步骤S3的迭代次数达到第二预设值，得到训练好的卷积神经网络模型。
[0038]另一方面，本申请提出一种信用卡异常交易识别装置，包括：
[0039]提取模块，用于在信用卡交易信息中提取有效信息，所述信用卡交易信息包括交易金额、交易时间、交易位置、交易类型、账户余额、持卡人信息和/或商家信息；
[0040]生成模块，用于根据所述信用卡交易信息，生成所述信用卡交易信息的交易特征信息；
[0041]预测模块，用于将所述有效信息以及所述交易特征信息输入预先训练好的卷积神经网络模型，得到所述卷积神经网络模型输出的异常交易预测结果，其中，所述卷积神经网络模型是根据历史信用卡交易信息和历史信用卡交易信息的交易特征信息训练得到的。
[0042]本申请实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一实施例所述的信用卡异常交易识别方法的步骤。
[0043]本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一实施例所述的信用卡异常交易识别方法的步骤。
[0044]本申请实施例提供的信用卡异常交易识别方法及装置，相比于传统的机器学习方法和规则引擎方法，卷积神经网络能够高效地提取交易信息中的特征信息，对交易信息进行更为精准的分析和判断，从而提高异常交易识别的准确率。
附图说明
[0045]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信用卡异常交易识别方法，其特征在于，包括：在信用卡交易信息中提取有效信息，所述信用卡交易信息包括交易金额、交易时间、交易位置、交易类型、账户余额、持卡人信息和/或商家信息；根据所述信用卡交易信息，生成所述信用卡交易信息的交易特征信息；将所述有效信息以及所述交易特征信息输入预先训练好的卷积神经网络模型，得到所述卷积神经网络模型输出的异常交易预测结果，其中，所述卷积神经网络模型是根据历史信用卡交易信息和历史信用卡交易信息的交易特征信息训练得到的。2.根据权利要求1所述的方法，其特征在于，所述根据所述信用卡交易信息，生成所述信用卡交易信息的交易特征信息包括：根据所述信用卡交易信息中的交易金额和账户余额，计算所述交易金额相对于账户余额的占比信息；和/或根据预设的时间维度在所述信用卡交易信息中的交易时间中提取第一时间特征信息；和/或根据所述信用卡交易信息以及所述信用卡的历史交易信息，获取所述信用卡交易信息所关联的交易间隔规律特征信息；和/或根据所述信用卡交易信息以及所述信用卡的历史交易信息，生成所述信用卡交易信息所关联的交易统计特征信息；和/或根据所述信用卡交易信息中的交易金额和交易类型，生成第一组合特征信息；和/或根据所述信用卡交易信息中的交易金额和所述信用卡的账户类型，生成第二组合特征信息；和/或根据所述信用卡在预设时间长度内的交易次数，确定所述信用卡交易信息所关联的交易频率特征信息。3.根据权利要求1或2所述的方法，其特征在于，所述卷积神经网络模型包括：输入层，用于接收所述有效信息以及所述交易特征信息；卷积层，用于从所述有效信息以及所述交易特征信息中提取第一特征信息；池化层，用于在卷积层输出的局部特征信息中提取第二特征信息；全连接层，用于将卷积层提取出的第一特征信息和池化层提取出的第二特征信息进行融合，生成融合特征信息；输出层：用于使用激活函数将全连接层输出的融合特征信息映射到[0，1]区间内，表示所述信用卡交易为异常交易的概率。4.根据权利要求3所述的方法，其特征在于，所述方法还包括：利用主成分分析法对样本集中的信用卡交易信息进行分析，确定所述信用卡交易信息中的有效信息；提取训练集中每条信用卡交易信息中的有效信息；对于所述训练集中的每条信用卡交易信息，生成该条信用卡交易信息的交易特征信息；利用所述训练集中每条信用卡交易信息中的有效信息、该条信用卡交易信息的交易特征信息以及该条信用卡交易信息的交易标签，对预设的卷积神经网络模型进行训练，得到训练好的卷积神经网络模型。
5.根据权利要求4所述的方...

【专利技术属性】
技术研发人员：林得有，朱秋臻，侯杰锋，李凤，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：