【技术实现步骤摘要】
本专利技术涉及大数据预测及神经网络领域，特别涉及一种面向半监督的车辆贷款反欺诈预测方法。
技术介绍
1、近年来，随着汽车行业的蓬勃发展，汽车金融作为产业链的关键组成部分同样取得了迅速的进展。然而，在这一发展过程中，欺诈行为呈现出更加多样化和隐蔽化的特点，对反欺诈预警工作提出了严峻的挑战。具体而言，有标签客户的数量相对较少，这主要受到两个方面的影响：一方面，欺诈客户的表现期较长，已有标签的客户数据相对陈旧；另一方面，只有完成车贷放款的客户才能被标记，而被拒绝的客户无法获得标签。因此，传统的有监督机器学习方法在应对这一问题时表现不佳。
2、传统的反欺诈检测方法主要包括基于规则的专家系统、基于传统统计分析的方法以及基于传统机器学习的方法。基于规则的专家系统在设计阶段需要领域专家的介入，并且需要大量的规则设计，但其可移植性和学习能力较差。由于面临多样化的欺诈方式，其精度难以保证。基于传统统计分析的方法通常应用于问题相对简单、数据规模较小的情况，对数据的完整性和准确性要求较高，在处理高维和复杂问题时可靠性较差。基于传统机器学习的方法在反欺诈领域得到了广泛应用，然而不同的机器学习方法都存在一定的缺陷。尤其是在车辆贷款中，由于标签数据较为陈旧且数量有限，传统机器学习方法建立的模型往往难以取得令人满意的性能。
技术实现思路
1、本专利技术的目的在于克服现有技术的不足，提供一种创新的反欺诈风险预警方法。通过引入图卷积神经网络和批次主动学习方法，成功解决了图中节点的半监督分类问题，从而更准
2、为了实现上述目的，本专利技术采用的技术方案为：一种面向半监督的车辆贷款反欺诈预测方法，包括如下步骤：
3、s1、基于车辆贷款的历史客户和经销商关系信息构建客户-经销商网络；
4、s2、建立用于输出标签分类的图神经网络并采用基于图神经网络的半监督图卷积算法、基于步骤s1中构建客户-经销商网络对所有的节点进行标签分类训练，训练完成后得到训练完成图神经网络模型；
5、s3、采用训练完成后的图神经网络模型对新进客户进行标签输出，输出的标签即为欺诈预测结果。
6、所述方法还包括步骤s4：按照设定周期采集未满足表现期且不确定性高的客户对应的标签，并将其数据更新到图神经网络中进行模型迭代更新。
7、所述步骤s1包括：客户-经销商网络表示为一个无向图其中是一组节点，是r个关系的边的集合，是r个关系的相邻邻接矩阵的集合，对每个节点是一个d维特征向量，是一个标量标签。分别是节点特征和标签的集合。
8、所述步骤s1包括客户-经销商网络图中节点和边的构建以及节点特征属性的构建，其中节点和边构建包括：构建客户-经销商网络图中，将申请贷款的客户和申请经销商作为网络图中的节点，客户和经销商之间的关系边由车辆贷款的状态决定，关系边为拒绝、通过未放款和放款三种关系，客户节点的标签为欺诈、正常和未知三种。
9、节点特征属性的构建包括：客户节点的特征属性包括人行征信信息，并对征信信息进行统计性分析，产生符合业务知识的统计特征；经销商节点的特征主要基于历史贷款数据，通过分析和欺诈相关性较高的特征，衍生经销商相关的特征属性。
10、步骤s2包括：
11、1)、预先设计一个两层的图卷积网络，采用逐层传播方法：
12、
13、其中是无向图增加了自连接之后的邻接矩阵，in是单位矩阵，w(l)是对应l层训练得到的权重矩阵，是第l层的激活矩阵，第l+1层的激活函数采用relu(x)＝max(0,x)；
14、在特征变换过程中考虑每个节点的出入度情况，并进行了归一化操作，避免某一节点度很大而忽略了其贡献；
15、采用一种在傅立叶域中图的谱卷积，为每个节点的标量作为信号和滤波器gθ＝diag(θ)在傅立叶域中参数化的乘积，其中公式如下所示：
16、gθ*x＝ugθutx (2)
17、其中u是规范化图拉普拉斯算子l＝in-d-1/2pd-1/2＝uλut的特征向量矩阵，λ是特征值组成的对角矩阵，则utx是x的图傅立叶变换；采用切比雪夫多项式的k阶截断来获取谱卷积中滤波器g的近似：
18、
19、其中λmax是拉普拉斯算子l的最大特征值，是切比雪夫系数的向量，切比雪夫多项式的递归定义为tk(x)＝2xtk-1(x)-tk-2(x)，t0(x)＝1，t1(x)＝x。
20、谱卷积的结果只依赖距离中心节点k步的节点，称为k局部化的谱卷积。采用k＝1即得到逐层传播方法的公式(1)；
21、两层的图卷积网络结构如下所示：
22、
23、其中是具有h个特征的图隐藏层的输入到隐藏层的权重矩阵，是一个隐藏层到输出的权重矩阵。
24、2)、基于交叉熵的标签分类训练：在确立了逐层传播方法之后，通过计算图中所有带标签样本的交叉熵来建立最后的模型，再用模型为未知标签的客户进行分类。交叉熵的计算公式为：
25、
26、其中是具有标签的节点索引集合，使用梯度下降法对神经网络权重w(0),w(1)进行训练得到训练后的模型。
27、步骤s4包括：通过查询策略来决定是否需要将新客户发送给业务人员进行调查，按月输出给业务人员进行调查和标注，基于调查结果返回标签对模型进行更新迭代。
28、是否需要将新客户发送给业务人员进行调查的方法为使用熵方法来作为不确定性的度量。
29、使用熵方法来作为不确定性的度量，其公式为：其中e(·)是分布的熵，b是无向图的邻接矩阵，x是节点的特征矩阵，t是客户欺诈标签矩阵，熵的计算公式为：
30、
31、通过公式(6)和(7)能够计算出不确定性最高的节点。实际应用中通过计算每月进件客户的熵值，按照业务和模型综合需求，每月输出熵值最大即最不确定的m个客户节点给业务人员，业务人员进行电话回访和线下调查来确定客户标签，在图神经网络中进行每月更新标签和模型迭代更新。
32、本专利技术的优点在于：创新的半监督图卷积算法，充分利用图的拓扑结构和节点之间的边信息进行节点标签分类，并结合批次主动学习标注方法为不确定性最高的客户群体进行标注。通过充分利用已有的车辆贷款客户数据进行建模，显著提高了模型的准确性，提升了反欺诈识别模型的性能。这一算法的引入为解决汽车金融领域欺诈问题提供了一种创新的方法，为行业的可持续健康发展贡献了重要的技术支持。
本文档来自技高网...【技术保护点】
1.一种面向半监督的车辆贷款反欺诈预测方法，其特征在于：包括如下步骤：
2.如权利要求1所述的一种面向半监督的车辆贷款反欺诈预测方法，其特征在于：所述方法还包括步骤S4：按照设定周期采集未满足表现期且不确定性高的客户对应的标签，并将其数据更新到图神经网络中进行模型迭代更新。
3.如权利要求1所述的一种面向半监督的车辆贷款反欺诈预测方法，其特征在于：所述步骤S1包括：客户-经销商网络表示为一个无向图其中是一组节点，是r个关系的边的集合，是r个关系的相邻邻接矩阵的集合，对每个节点是一个d维特征向量，是一个标量标签。分别是节点特征和标签的集合。
4.如权利要求3所述的一种面向半监督的车辆贷款反欺诈预测方法，其特征在于：所述步骤S1包括客户-经销商网络图中节点和边的构建以及节点特征属性的构建，其中节点和边构建包括：构建客户-经销商网络图中，将申请贷款的客户和申请经销商作为网络图中的节点，客户和经销商之间的关系边由车辆贷款的状态决定，关系边为拒绝、通过未放款和放款三种关系，客户节点的标签为欺诈、正常和未知三种。
5.如权利要求4所述的一种面向
6.如权利要求1-5任一所述的一种面向半监督的车辆贷款反欺诈预测方法，其特征在于：步骤S2包括：
7.如权利要求2所述的一种面向半监督的车辆贷款反欺诈预测方法，其特征在于：步骤S4包括：通过查询策略来决定是否需要将新客户发送给业务人员进行调查，按月输出给业务人员进行调查和标注，基于调查结果返回标签对模型进行更新迭代。
8.如权利要求7所述的一种面向半监督的车辆贷款反欺诈预测方法，其特征在于：是否需要将新客户发送给业务人员进行调查的方法为使用熵方法来作为不确定性的度量。
9.如权利要求8所述的一种面向半监督的车辆贷款反欺诈预测方法，其特征在于：使用熵方法来作为不确定性的度量，其公式为：
...【技术特征摘要】
1.一种面向半监督的车辆贷款反欺诈预测方法，其特征在于：包括如下步骤：
2.如权利要求1所述的一种面向半监督的车辆贷款反欺诈预测方法，其特征在于：所述方法还包括步骤s4：按照设定周期采集未满足表现期且不确定性高的客户对应的标签，并将其数据更新到图神经网络中进行模型迭代更新。
3.如权利要求1所述的一种面向半监督的车辆贷款反欺诈预测方法，其特征在于：所述步骤s1包括：客户-经销商网络表示为一个无向图其中是一组节点，是r个关系的边的集合，是r个关系的相邻邻接矩阵的集合，对每个节点是一个d维特征向量，是一个标量标签。分别是节点特征和标签的集合。
4.如权利要求3所述的一种面向半监督的车辆贷款反欺诈预测方法，其特征在于：所述步骤s1包括客户-经销商网络图中节点和边的构建以及节点特征属性的构建，其中节点和边构建包括：构建客户-经销商网络图中，将申请贷款的客户和申请经销商作为网络图中的节点，客户和经销商之间的关系边由车辆贷款的状态决定，关系边为拒绝、通过未放款和放款三种关系，客户节点的标签为欺诈、正常和未知三种...
【专利技术属性】
技术研发人员：王延松，张磊，黄转转，王蒙，
申请(专利权)人：奇瑞徽银汽车金融股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。