【CN109992578A】基于无监督学习的反欺诈方法装置计算机设备及存储介质【专利】

机设备及存储介质 ( 57 )摘要
本申请实施例提供一种基于无监督学习的 反欺诈方法、装置、计算机设备及存储介质。所述 方法包括：根据预设的规则引擎从业务数据中筛 选出具有高欺诈风险的数据；根据所述具有高欺 诈风险的数据构建多维特征 ；并利用多维尺度变 换模型，将构建的多维特征在低维空间中进行可 视化以得到多个数据点；从可视化后的多个数据 点中 确定正常点 和潜在欺诈点 ；根据聚 类算法 ， 对所述正常点和所述潜在欺诈点进行聚类，以得 到聚类后的簇；计算得到每个簇中的潜在欺诈点 所占 的比 例 ；将潜在欺诈点所占比 例高于预设比 例的簇中的每个点所对应的业务数据确定为欺 诈数据。本申请实施例通过基于无监督学习的方 法 判断 欺诈数据 ，判断 更精准 ，提高了识别欺诈 数据的准确率。
( 19 )中华人民 共和国国家知识产权局
( 12 )发明专利申请
(21)申请号 201910011758 .8
(22)申请日 2019 .01 .07
(71)申请人 平安科技（深圳）有限公司 地址 518000 广东省深圳市福田区福田街 道福安社区益田路5033号平安金融中 心23楼
(72)发明人 金晓辉 阮晓雯 徐亮
该部分核心点预设距离值邻域内的 边界点 ，如此得到多个簇 ，将得到的 多个簇作为聚类后 的簇。
7 .根据权利要求1所述的方法，其特征在于，所述根据预设的规则引擎从业务数据中筛 选出具有高欺诈风险的数据，包括：
根据不同的业务数据确定不同的筛选规则； 利用预设的规则引擎，以根据不同的筛选规则从对应的业务数据中筛选出具有高欺诈 风险的数据。 8 .一种基于无监督学习的反欺诈装置，其特征在于，所述基于无监督学习的反欺诈装 置包括： 筛选单元，用于根据预设的规则引擎从业务数据中筛选出具有高欺诈风险的数据； 特征构建单元 ，用于根据所述具有高 欺诈风险的 数 据 ，和所述具有高 欺诈风险的 数 据 所对应的用户的历史行为数据构建多维特征； 可视化单元，用于根据所述具有高欺诈风险的数据，利用多维尺度变换模型，将构建的 多维特征在低维空间中进行可视化以得到多个数据点； 点 确定单元 ，用于从可视化 后的 多个数 据点中 确定正常点 和异常点 ，将所述异常点 确 定为潜在欺诈点； 聚类单元，用于根据聚类算法，对所述正常点和所述潜在欺诈点进行聚类，以得到聚类 后的簇； 比例计算单元，用于计算得到每个簇中的潜在欺诈点所占的比例； 簇确定单元，用于将潜在欺诈点所占比例高于预设比例的簇作为目标簇； 欺诈数 据 确定单元 ，用于将所述目 标簇中的 每个点所对应的 业务数 据 确定为 欺诈数 据。 9 .一种计算机设备，其特征在于，所述计算机设备包括存储器，以及与所述存储器相连 的处理器；
组成的对角矩阵 ； 将重构出的值作为k维空间中的点。 6 .根据权利要求1所述的方法，其特征在于，所述根据聚类算法，对所述正常点和所述
潜在欺诈点进行聚类，以得到聚类后的簇，包括： 设置半径值和距离值； 根据所设置的 半径值 和距离值 ，将所述正常点 和所述潜在欺诈点分类标记为核心点 、
边界点、噪音点，并删除噪音点； 将距离不超过所设置的 距离值的 点 相互连接 ，形成一个簇 ，该簇中 包括部分核心点 和
(10)申请公布号 CN 109992578 A (43)申请公布日 2019.07.09 G06Q 30/00(2012 .01) G06Q 40/08(2012 .01)
权利要求书3页 说明书12页 附图5页
CN 109992578 A
CN 109992578 A
权 利 要 求 书
1/3 页
1 .一种基于无监督学习的反欺诈方法，其特征在于，所述方法包括： 根据预设的规则引擎从业务数据中筛选出具有高欺诈风险的数据； 根据所述具有高欺诈风险的数据 ，和所述具有高欺诈风险的数据所对应的 用户的 历史 行为数据构建多维特征； 根据所述具有高 欺诈风险的 数据 ，利 用多维尺度变换模型 ，将构建的 多维特征在低维 空间中进行可视化以得到多个数据点； 从可视化后的多个数据点中确定正常点和异常点，将所述异常点确定为潜在欺诈点； 根据聚类算法，对所述正常点和所述潜在欺诈点进行聚类，以得到聚类后的簇； 计算得到每个簇中的潜在欺诈点所占的比例； 将潜在欺诈点所占比例高于预设比例的簇作为目标簇； 将所述目标簇中的每个点所对应的业务数据确定为欺诈数据。 2 .根据权利要求1所述的方法，其特征在于，所述从可视化后的多个数据点中确定正常 点和异常点，将所述异常点确定为潜在欺诈点，包括： 获取可视化后的所有点的x坐标值 ，y坐标值 ，......，k坐标值 ，其中 ，k表示可视化的空 间的维数； 根据所有点的x坐标值确定x取值范围 ，以 使得x坐标值落入x取值范围的点的占比 达到 第一预设比 例 ；根据所有点的y坐标值确定y取值范围 ，以 使得y坐标值落入y取值范围的点 的占比 达到第二预设比 例 ；......；根据所有点的k坐标值确定k取值范围 ，以 使得k坐标值 落入k取值范围的点的占比达到第k预设比例； 根据确定的x取值范围、y取值范围、......、k取值范围，确定一个空间； 将落入该空间内的 点 确定为正常点 ，将未落入该空间内的 点 确定为异常点 ，将所述异 常点确定为潜在欺诈点。 3 .根据权利要求1所述的方法，其特征在于，所述从可视化后的多个数据点中确定正常 点和异常点，将所述异常点确定为潜在欺诈点，包括： 获取可视化后的所有点，根据可视化后的所有点拟合出一个阈值函数； 根据阈值函数确定正常点和异常点，将所述异常点确定为潜在欺诈点。 4 .根据权利要求1所述的方法，其特征在于，所述根据所述具有高欺诈风险的数据，利 用多维尺度变换模型 ，将构建的 多维特征在低维空间中进行可视化以 得到多个数据点 ，包 括： 将多维特征中的非度量型变量特征，通过哑变量转换的方式，转换为度量型变量特征； 根据所述具有高欺诈风险的数据以及转换后的多维度量型变量特征，利用多维尺度变 换进行处理，以在低维空间中进行可视化以得到多个数据点。 5 .根据权利要求4所述的方法，其特征在于，所述根据所述具有高欺诈风险的数据以及 转换后的 多维度量型变量特征 ，利 用多维尺度变换进行处理 ，以 在低维空间中进行可视化 以得到多个数据点，包括： 获取具有高 欺诈风险的 数据的 条数n ，获取多维 度量型变量特征的维度q ，将n条q维的 特征数据作为样本数据，得到矩阵X；
根据矩阵X计算欧式距离矩阵D，其中，
2
CN 109992578 A权 利 要 求 书Fra bibliotek2/3 页
根据欧式距离矩阵构造矩阵A，其中，
根据矩阵A计算内积矩阵B，其中，
计算内积矩阵B的特征值和特征向量，其中，特征值按照从大到小的顺序排序； 确定可视化的空间的维数k；
重构
其中Εk是内积矩阵 B的前k个特征向量组成的矩阵 ，Λk是前k个特征值
(74)专利代理机构 深圳市精英专利事务所 44242
代理人 刘贻盛
(51)Int .Cl . G06F 16/215(2019 .01) G06F 16/2455(2019 .01) G06F 16/248(2019 .01) G06K 9/62(2006 .01)
( 54 )发明 名称 基于无监督学习的反欺诈方法、装置、计算