【技术实现步骤摘要】
本专利技术涉及反欺诈领域，特别涉及基于图神经网络的欺诈交易风险监测方法、装置、设备及介质。
技术介绍
1、在电子商务市场中，检测欺诈交易是控制风险的重要组成部分。随着在线交易的增加，欺诈行为也变得更加复杂和隐蔽。传统的基于规则和机器学习的过滤器虽然在生产中已经得到应用，但在处理复杂的欺诈模式时，往往面临局限性。图神经网络（gnns，graphneural networks）作为一种新兴的深度学习技术，能够有效捕捉交易图中的多跳风险传播，提供更为精准的欺诈检测。目前，在将gnns应用于生产环境中时，由于图是动态变化的，因此存在两个主要挑战：动态图中的信息泄露：在进行消息传递时，未来的信息不应被考虑，以确保模型对过去事件的预测是准确的。延迟问题：图查询和gnn模型推理的延迟通常高达数百毫秒，这对于一些关键的在线服务来说是不可接受的。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种基于图神经网络的欺诈交易风险监测方法、装置、设备及介质，能够实现高效的端到端gnn学习和实时推理，并实现高效的实时欺诈检测。其具体方案如下：
2、第一方面，本申请公开了一种基于图神经网络的欺诈交易风险监测方法，包括：
3、根据付款交易和交易id确定动态交易图中的各交易节点，确定各所述交易节点的各邻居实体，将各所述交易节点与相应的各所述邻居实体进行链接，以构建目标静态图；
4、基于所述目标静态图中的各交易节点以及各所述交易节点对应的邻居实体分别创建新的交易节点和新的邻
5、基于所述目标静态图和所述快照图确定历史交易数据对应的第一目标有向图，利用所述第一目标有向图对目标图神经网络进行训练，以得到训练好的神经网络；
6、在出现新交易时，确定所述新交易的交易信息，并通过所述交易信息确定所述新交易对应的第二目标有向图，利用所述训练好的神经网络以及所述第二目标有向图确定所述新交易的风险评分，基于所述风险评分确定所述新交易的欺诈风险；所述目标有向图包括历史关系子图和实时链接子图。
7、可选的，所述邻居实体包括交易的运输地址、用户的电子邮件、ip地址、设备id、用户的联系电话、支付令牌以及用户账户中的任意一种或几种的组合。
8、可选的，所述根据各所述新的交易节点、各所述新的交易节点对应的交易时间、各所述新的邻居实体以及引用交易节点构建快照图，包括：
9、确定所述新的邻居实体中所述新的交易节点对应的一跳邻居节点以及所述引用交易节点对应的一跳邻居节点；
10、在所述新的交易节点和所述新的交易节点对应的一跳邻居节点之间创建边，并在所述引用交易节点和所述引用交易节点对应的一跳邻居节点之间创建边，以构建所述交易时间对应的快照图。
11、可选的，所述基于所述目标静态图和所述快照图确定历史交易数据对应的第一目标有向图，包括：
12、将所述快照图对应的所述新的交易节点、所述新的交易节点对应的一跳邻居节点和所述引用交易节点放入目标分区；
13、利用双向边连接所述目标分区中的所述引用交易节点和所述引用交易节点对应的一跳邻居节点，并链接所述新的交易节点对应的一跳邻居节点和所述新的交易节点，以确定历史交易数据对应的第一目标有向图。
14、可选的，所述目标图神经网络包括批处理网和基于图卷积层和解码器构建的实时网。
15、可选的，所述利用所述训练好的神经网络以及所述第二目标有向图确定所述新交易的风险评分，包括：
16、将所述第二目标有向图中的历史关系子图的特征信息以及所述新的交易节点对应的一跳邻居节点的特征嵌入输入所述批处理网，以得到若干个实体嵌入；
17、基于若干个所述实体嵌入以及所述实时网确定所述新交易的风险评分。
18、可选的，所述基于若干个所述实体嵌入以及所述实时网确定所述新交易的风险评分，包括：
19、基于所述实时网、若干个所述实体嵌入以及所述新交易对应的所述快照图中的新的交易节点的特征嵌入确定所述实时网推理获取的新的交易节点的嵌入；
20、通过所述实时网推理获取的新的交易节点的嵌入以及预设权重矩阵确定所述新交易的风险评分。
21、第二方面，本申请公开了一种基于图神经网络的欺诈交易风险监测装置，包括：
22、静态图构建模块，用于根据付款交易和交易id确定动态交易图中的各交易节点，确定各所述交易节点的各邻居实体，将各所述交易节点与相应的各所述邻居实体进行链接，以构建目标静态图；
23、快照图构建模块，用于基于所述目标静态图中的各交易节点以及各所述交易节点对应的邻居实体分别创建新的交易节点和新的邻居实体，根据各所述新的交易节点、各所述新的交易节点对应的交易时间、各所述新的邻居实体以及引用交易节点构建快照图；所述引用交易节点为对目标交易节点进行分析时引用的目标时间段内的交易节点；
24、训练模块，用于基于所述目标静态图和所述快照图确定历史交易数据对应的第一目标有向图，利用所述第一目标有向图对目标图神经网络进行训练，以得到训练好的神经网络；
25、欺诈风险确定模块，用于在出现新交易时，确定所述新交易的交易信息，并通过所述交易信息确定所述新交易对应的第二目标有向图，利用所述训练好的神经网络以及所述第二目标有向图确定所述新交易的风险评分，基于所述风险评分确定所述新交易的欺诈风险；所述目标有向图包括历史关系子图和实时链接子图。
26、第三方面，本申请公开了一种电子设备，包括：
27、存储器，用于保存计算机程序；
28、处理器，用于执行所述计算机程序，以实现如前述的基于图神经网络的欺诈交易风险监测方法。
29、第四方面，本申请公开了一种计算机可读存储介质，用于保存计算机程序；其中，所述计算机程序被处理器执行时实现如前述的基于图神经网络的欺诈交易风险监测方法。
30、本申请在监测欺诈交易风险时，首先根据付款交易和交易id确定动态交易图中的各交易节点，确定各所述交易节点的各邻居实体，将各所述交易节点与相应的各所述邻居实体进行链接，以构建目标静态图；然后基于所述目标静态图中的各交易节点以及各所述交易节点对应的邻居实体分别创建新的交易节点和新的邻居实体，根据各所述新的交易节点、各所述新的交易节点对应的交易时间、各所述新的邻居实体以及引用交易节点构建快照图；所述引用交易节点为对目标交易节点进行分析时引用的目标时间段内的交易节点；再基于所述目标静态图和所述快照图确定历史交易数据对应的第一目标有向图，利用所述第一目标有向图对目标图神经网络进行训练，以得到训练好的神经网络；最后在出现新交易时，确定所述新交易的交易信息，并通过所述交易信息确定所述新交易对应的第二目标有向图，利用所述本文档来自技高网...
【技术保护点】
1.一种基于图神经网络的欺诈交易风险监测方法，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欺诈交易风险监测方法，其特征在于，所述邻居实体包括交易的运输地址、用户的电子邮件、IP地址、设备ID、用户的联系电话、支付令牌以及用户账户中的任意一种或几种的组合。
3.根据权利要求1或2所述的基于图神经网络的欺诈交易风险监测方法，其特征在于，所述根据各所述新的交易节点、各所述新的交易节点对应的交易时间、各所述新的邻居实体以及引用交易节点构建快照图，包括：
4.根据权利要求3所述的基于图神经网络的欺诈交易风险监测方法，其特征在于，所述基于所述目标静态图和所述快照图确定历史交易数据对应的第一目标有向图，包括：
5.根据权利要求1所述的基于图神经网络的欺诈交易风险监测方法，其特征在于，所述目标图神经网络包括批处理网和基于图卷积层和解码器构建的实时网。
6.根据权利要求5所述的基于图神经网络的欺诈交易风险监测方法，其特征在于，所述利用所述训练好的神经网络以及所述第二目标有向图确定所述新交易的风险评分，包括：
7
8.一种基于图神经网络的欺诈交易风险监测装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，用于保存计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于图神经网络的欺诈交易风险监测方法。
...【技术特征摘要】
1.一种基于图神经网络的欺诈交易风险监测方法，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欺诈交易风险监测方法，其特征在于，所述邻居实体包括交易的运输地址、用户的电子邮件、ip地址、设备id、用户的联系电话、支付令牌以及用户账户中的任意一种或几种的组合。
3.根据权利要求1或2所述的基于图神经网络的欺诈交易风险监测方法，其特征在于，所述根据各所述新的交易节点、各所述新的交易节点对应的交易时间、各所述新的邻居实体以及引用交易节点构建快照图，包括：
4.根据权利要求3所述的基于图神经网络的欺诈交易风险监测方法，其特征在于，所述基于所述目标静态图和所述快照图确定历史交易数据对应的第一目标有向图，包括：
5.根据权利要求1所述的基于图神经网络的欺诈交易风险监测...
【专利技术属性】
技术研发人员：陈伟，王新根，王新宇，王雷，鲍迪恩，
申请(专利权)人：浙江邦盛科技股份有限公司，
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。