【技术实现步骤摘要】
本专利技术涉及人工智能，尤其涉及一种基于图神经网络的信用卡欺诈检测方法、装置及存储介质。
技术介绍
1、信用卡支付是我们日常生活中常见的支付方式，广泛应用于饮食、购物、旅行等等多种场合。然而，随着信用卡的普及，信用卡可能会被不法分子用来提交欺诈和欺诈财产，欺诈交易可能会对卡主公司和信用卡公司造成严重损失，因此，使用交易信息检测欺诈有助于卡发行人实现反欺诈，保护卡主财产安全。
2、然而，由于用户和交易秘密的隐私，很难获得真实的信用卡交易信息，或者只能获取到很少的交易信息，而且获取到的数据质量不够好，从而导致信用卡欺诈检测的效果不好，无法保障交易的安全性。
技术实现思路
1、本专利技术提供一种基于图神经网络的信用卡欺诈检测方法、装置及存储介质，用以解决现有技术中信用卡欺诈检测不准确的技术问题。
2、第一方面，本专利技术提供一种基于图神经网络的信用卡欺诈检测方法，包括如下步骤：
3、获取待处理数据；
4、将待处理数据输入至训练好的信用卡欺诈检测模型中，获得所述待处理数据的类别；所述信用卡欺诈检测模型用于将输入的数据分类为正常数据或欺诈数据，且所述信用卡欺诈检测模型是基于图神经网络和混合专家网络构成的。
5、在一些实施例中，所述信用卡欺诈检测模型是通过以下步骤训练获得的：
6、将待测数据与样本数据进行关联；
7、基于混合专家网络确定所述待测数据与所述样本数据之间的关联关系；
8、基于所述关联关系
9、在一些实施例中，所述基于混合专家网络确定所述待测数据与所述样本数据之间的关联关系，包括：
10、基于混合专家网络确定所述待测数据与所述样本数据之间的关系类别，并以权重的形式表征所述待测数据与所述样本数据之间的关联关系；
11、其中，所述待测数据与所述样本数据之间的关系类别包括信息补充关系和信息干扰关系。
12、在一些实施例中，所述将待测数据与样本数据进行关联，包括：
13、对所述样本数据进行聚类，得到多个训练样本聚类簇；
14、基于所述样本数据和所述训练样本聚类簇的簇中心获取训练样本图；
15、将待测数据与所述训练样本图中的每一训练样本聚类簇的簇中心连接。
16、在一些实施例中，所述基于所述样本数据和所述训练样本聚类簇的簇中心获取训练样本图，包括：
17、将所述样本数据和所述训练样本聚类簇的簇中心作为节点，并在属于同一个训练样本聚类簇的节点之间添加无向边，得到每一训练样本聚类簇对应的结构图；
18、通过连接不同簇的节点将多个训练样本聚类簇对应的结构图连接，得到训练样本图。
19、在一些实施例中，所述训练样本图中的端点满足：端点属于不同训练样本聚类簇的连边密度与端点属于同一个训练样本聚类簇的连边密度的差小于预设阈值。
20、在一些实施例中，所述基于所述关联关系并利用图卷积网络迭代训练所述信用卡欺诈检测模型，包括：
21、基于所述关联关系并利用图卷积网络的前向传播更新所述待测数据在所述训练样本图中的节点向量；
22、根据更新后的节点向量确定所述待测数据的预测类别，并根据所述待测数据的实际类别与所述预测类别确定交叉熵损失函数；
23、基于所述交叉熵损失函数和更新后的节点向量并利用反向传播优化所述信用卡欺诈检测模型的模型参数。
24、第二方面，本专利技术提供一种基于图神经网络的信用卡欺诈检测装置，包括如下模块：
25、获取模块，用于获取待处理数据；
26、分类模块，用于将待处理数据输入至训练好的信用卡欺诈检测模型中，获得所述待处理数据的类别；所述信用卡欺诈检测模型用于将输入的数据分类为正常数据或欺诈数据，且所述信用卡欺诈检测模型是基于图神经网络和混合专家网络构成的。
27、第三方面，本专利技术提供一种电子设备，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如上述第一方面所述的基于图神经网络的信用卡欺诈检测方法。
28、第四方面，本专利技术还提供一种非暂态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如上述第一方面所述的基于图神经网络的信用卡欺诈检测方法。
29、第五方面，本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的基于图神经网络的信用卡欺诈检测方法。
30、本专利技术提供的基于图神经网络的信用卡欺诈检测方法、装置及存储介质，获取待处理数据，将该待处理数据输入至训练好的信用卡欺诈检测模型中，获得该待处理数据的类别，其中，信用卡欺诈检测模型用于将输入的数据分类为正常数据或欺诈数据，且该信用卡欺诈检测模型是基于图神经网络和混合专家网络构成的，使得该信用卡欺诈检测模型能够更充分地学习到输入数据中的信息，从而获得更准确的检测结果。
本文档来自技高网...【技术保护点】
1.一种基于图神经网络的信用卡欺诈检测方法，其特征在于，包括：
2.根据权利要求1所述的基于图神经网络的信用卡欺诈检测方法，其特征在于，所述信用卡欺诈检测模型是通过以下步骤训练获得的：
3.根据权利要求2所述的基于图神经网络的信用卡欺诈检测方法，其特征在于，所述基于混合专家网络确定所述待测数据与所述样本数据之间的关联关系，包括：
4.根据权利要求2所述的基于图神经网络的信用卡欺诈检测方法，其特征在于，所述将待测数据与样本数据进行关联，包括：
5.根据权利要求4所述的基于图神经网络的信用卡欺诈检测方法，其特征在于，所述基于所述样本数据和所述训练样本聚类簇的簇中心获取训练样本图，包括：
6.根据权利要求4或5所述的基于图神经网络的信用卡欺诈检测方法，其特征在于，所述训练样本图中的端点满足：端点属于不同训练样本聚类簇的连边密度与端点属于同一个训练样本聚类簇的连边密度的差小于预设阈值。
7.根据权利要求5所述的基于图神经网络的信用卡欺诈检测方法，其特征在于，所述基于所述关联关系并利用图卷积网络迭代训练所述信用卡欺诈检
8.一种基于图神经网络的信用卡欺诈检测装置，其特征在于，包括：
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述基于图神经网络的信用卡欺诈检测方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于图神经网络的信用卡欺诈检测方法。
...【技术特征摘要】
1.一种基于图神经网络的信用卡欺诈检测方法，其特征在于，包括：
2.根据权利要求1所述的基于图神经网络的信用卡欺诈检测方法，其特征在于，所述信用卡欺诈检测模型是通过以下步骤训练获得的：
3.根据权利要求2所述的基于图神经网络的信用卡欺诈检测方法，其特征在于，所述基于混合专家网络确定所述待测数据与所述样本数据之间的关联关系，包括：
4.根据权利要求2所述的基于图神经网络的信用卡欺诈检测方法，其特征在于，所述将待测数据与样本数据进行关联，包括：
5.根据权利要求4所述的基于图神经网络的信用卡欺诈检测方法，其特征在于，所述基于所述样本数据和所述训练样本聚类簇的簇中心获取训练样本图，包括：
6.根据权利要求4或5所述的基于图神经网络的信用卡欺诈检测方法，其特征在于，所述训练样...
【专利技术属性】
技术研发人员：张兴伟，冀昱衡，周刚，郑晓龙，曾大军，
申请(专利权)人：中国科学院自动化研究所，
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。