【技术实现步骤摘要】
本专利技术涉及人工智能，特别是指一种基于机器学习和大语言模型的跨境支付欺诈订单检测和提示方法。
技术介绍
1、随着全球电子商务和在线交易的快速发展，跨境支付交易数量急剧增加，交易往往涉及多种货币、法规及支付系统，增加了交易的复杂性和欺诈风险，传统的欺诈检测系统主要依赖于简单的规则或模式匹配技术，这在处理高度复杂和动态变化的跨境支付环境中常常显得不足，现有技术在识别复杂交易中的微妙异常行为和隐藏风险方面存在限制，难以适应多变的欺诈策略和快速变化的市场条件。
2、现有技术在处理复杂的结构化数据时可能缺乏有效的模式识别和风险指标提取能力，限制了其在复杂交易环境中的应用范围；传统神经网络在特征提取过程中容易受到梯度消失或爆炸的影响，影响训练的稳定性和模型的泛化能力；在特征降维过程中，现有技术无法有效地最小化不同特征间的依赖性，导致降维后的数据无法准确反映原始数据的关键特性，从而影响后续的分类准确性和模型的实用性。
技术实现思路
1、本专利技术提供一种基于机器学习和大语言模型的跨境支付欺诈订单检测和提示方法，解决了现有技术在识别复杂交易中的微妙异常行为和隐藏风险方面存在限制，难以适应多变的欺诈策略和快速变化的市场条件的技术问题。
2、为解决上述技术问题，本专利技术的技术方案如下：
3、第一方面，一种基于机器学习和大语言模型的跨境支付欺诈订单检测和提示方法，所述方法包括：
4、获取线上跨境交易平台的订单信息，使用大语言模型对订单信息进行分析，以得
5、根据订单分析信息，使用word2vec算法进行向量化，以得到向量化后的数据；
6、根据向量化后的数据，使用全连接神经网络进行特征提取，以得到订单信息特征；
7、根据订单信息特征，使用逆向重构自编码器进行降维，以得到降维后的特征；
8、根据降维后的特征，使用支持向量机进行分类，以得到分类类别，所述分类类别包括低风险、中等风险、高风险；
9、根据分类类别，对跨境支付的订单信息进行风险性检测并根据阈值进行提示。
10、进一步的，获取线上跨境交易平台的订单信息，使用大语言模型对订单信息进行分析，以得到订单分析信息，其中，所述大语言模型采用transformer网络模型，所述transformer网络包括编码器和解码器；
11、所述编码器由ntrans个相同的编码层组成，其中每个编码层包括一个多头注意力机制子层和一个前馈网络子层；
12、所述前馈网络子层包括两个全连接层和一个relu激活函数；
13、所述前馈网络子层使用基于地震波传播优化的方式进行训练；
14、所述解码器由ntrans个相同的解码层组成，每个解码层包括两个多头注意力机制子层和一个前馈网络机制子层；
15、在transformer网络的编码器和解码器中，每个子层的输出均进行层归一化和残差连接，公式为y＝lnc(xtrans+sublayer(xtrans))，其中，lnc()为层归一化函数，sublayer(xtrans)表示残差连接的子层的输出，xtrans表示子层的输入。
16、进一步的，获取线上跨境交易平台的订单信息，使用大语言模型对订单信息进行分析，以得到订单分析信息，包括：
17、根据线上跨境交易平台的订单信息，在编码器的的第一多头注意力机制子层使用线性变换得到查询、键、值向量，并将查询、键、值向量分割成多个头，并计算每个头的查询和键向量的点积，得到注意力得分；
18、对注意力得分使用进行处理，得到注意力权重；
19、使用注意力权重对值向量进行加权求和，得到输出向量；
20、将所有头的输出向量进行拼接，并通过线性变换得到最终的第一多头自注意力层输出；
21、根据第一多头自注意力层输出，在编码器的第一前馈网络子层使用第一个全连接层进行线性变换，然后使用relu激活函数进行非线性变换，最后使用第二个全连接层进行线性变换，得到第一前馈网络子层的输出；
22、根据第一前馈网络子层的输出，在解码器的第二多头注意力机制子层中，计算得到第二多头注意力层输出；
23、根据第二多头注意力层输出，第三多头注意力机制子层使用注意力机制对第二多头注意力层输出进行交叉注意力计算，得到一组加权的解码器输出特征，即订单分析信息。
24、进一步的，所述前馈网络子层使用基于地震波传播优化的方式进行训练，包括：
25、使用对前馈网络的参数进行初始化，以得到初始化的参数，所述前馈网络的参数包括前馈网络的权重和偏置，其中，为前馈网络的第l层的权重矩阵，为前馈网络的第l层的偏置向量，为前馈网络的前一层的节点数，表示均值为0、标准差为1的正态分布；
26、根据初始化的参数，通过地震波传播模拟层进行前向传播，得到每一层的输出，所述每一层的输出表示为其中，为第l层的线性组合输出，为第l-1层的激活输出，为第l层的激活输出，sigs()为地震波传播特性激活函数，所述地震波传播特性激活函数的公式为σp是模拟地震波扩散特性的振幅调节参数，μp和ωp分别是正弦波部分的振幅和频率；
27、根据每一层的输出，使用计算得到前馈网络的损失函数，其中，是前馈网络的损失函数，ns是当前批次输入的样本总数，是单个样本的交叉熵损失，是模型预测的输出，yi是真实标签，λp是正则化系数，∥∥f表示frobenius范数，表示的frobenius范数，xi是第i个输入样本，∥∥表示l2范数，αp是控制类内距离惩罚的权重，s(yi)表示与xi同类别的样本集合，re()表示relu激活函数；
28、根据前馈网络的损失函数，使用对前馈网络的初始化参数进行更新，以得到降维后的参数，其中，为第l层前馈网络的权重更新量，为第l层前馈网络的偏置更新量，ηp是前馈网络学习率，γp是地震波模型调整参数；是基于地震波传播特性设计的正则化项，所述前馈网络学习率的学习率基于梯度修正策略进行动态调整，设梯度修正系数为公式为其中，和分别是第t次和第t-1迭代的梯度，所述前馈网络学习率的学习率的自适应地调整方式公式为其中，η0是初始的前馈网络学习率的学习率，η(t)是第t次迭代的的馈网络学习率的学习率，αp是控制学习率衰减速度的超参数；
29、重复迭代上述步骤，直至达到预设的最大迭代次数，即表示模型训练完成。
30、进一步的，根据订单分析信息，使用word2vec算法进行向量化，以得到向量化后的数据，包括：
31、根据订单分析信息，使用word2vec算法根据预设的语料库对订单分析信息进行扫描，以得到扫描结果；
32、根据扫描结果，将每个单词转换为独热编码向量，得到以得到向量化后的数据，所述独热编码向量的维度等于预设的词汇表的大小。
33、进一步的，根据向量化后的数据，使用全连接神经网络进行特征提取，以得到订单信息特征，包本文档来自技高网...
【技术保护点】
1.一种基于机器学习和大语言模型的跨境支付欺诈订单检测和提示方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于机器学习和大语言模型的跨境支付欺诈订单检测和提示方法，其特征在于，获取线上跨境交易平台的订单信息，使用大语言模型对订单信息进行分析，以得到订单分析信息，其中，所述大语言模型采用Transformer网络模型，所述Transformer网络包括编码器和解码器；
3.根据权利要求2所述的基于机器学习和大语言模型的跨境支付欺诈订单检测和提示方法，其特征在于，获取线上跨境交易平台的订单信息，使用大语言模型对订单信息进行分析，以得到订单分析信息，包括：
4.根据权利要求3所述的基于机器学习和大语言模型的跨境支付欺诈订单检测和提示方法，其特征在于，所述前馈网络子层使用基于地震波传播优化的方式进行训练，包括：
5.根据权利要求4所述的基于机器学习和大语言模型的跨境支付欺诈订单检测和提示方法，其特征在于，根据订单分析信息，使用Word2Vec算法进行向量化，以得到向量化后的数据，包括：
6.根据权利要求5所述的基于机
7.根据权利要求6所述的基于机器学习和大语言模型的跨境支付欺诈订单检测和提示方法，其特征在于，根据订单信息特征，使用逆向重构自编码器进行降维，以得到降维后的特征，包括：
8.根据权利要求7所述的基于机器学习和大语言模型的跨境支付欺诈订单检测和提示方法，其特征在于，根据降维后的特征，使用支持向量机进行分类，以得到分类类别，所述分类类别包括低风险、中等风险、高风险，包括：
...【技术特征摘要】
1.一种基于机器学习和大语言模型的跨境支付欺诈订单检测和提示方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于机器学习和大语言模型的跨境支付欺诈订单检测和提示方法，其特征在于，获取线上跨境交易平台的订单信息，使用大语言模型对订单信息进行分析，以得到订单分析信息，其中，所述大语言模型采用transformer网络模型，所述transformer网络包括编码器和解码器；
3.根据权利要求2所述的基于机器学习和大语言模型的跨境支付欺诈订单检测和提示方法，其特征在于，获取线上跨境交易平台的订单信息，使用大语言模型对订单信息进行分析，以得到订单分析信息，包括：
4.根据权利要求3所述的基于机器学习和大语言模型的跨境支付欺诈订单检测和提示方法，其特征在于，所述前馈网络子层使用基于地震波传播优化的方式进行训练，包括：
【专利技术属性】
技术研发人员：严子一，严焕君，
申请(专利权)人：深瞰智算深圳科技有限公司，
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。