(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110190219.2 (22)申请日 2021.02.18 (65)同一申请的已公布的文献号 申请公布号 CN 112906301 A (43)申请公布日 2021.06.04 (73)专利权人 同济大学 地址 200092 上海市杨 浦区四平路1239号 (72)发明人 蒋昌俊　闫春钢　丁志军　王成　 张亚英　崔纪鹏　 (74)专利代理 机构 上海光华专利事务所(普通 合伙) 31219 专利代理师 徐秋平 (51)Int.Cl. G06F 30/27(2020.01) G06Q 10/06(2012.01)G06Q 40/04(2012.01) G06Q 40/08(2012.01) (56)对比文件 CN 111415167 A,2020.07.14 CN 111539733 A,2020.08.14 CN 111242744 A,2020.0 6.05 赵文瑜等.金融交易 风险监控平台的相关技 术研究. 《电子测试》 .2016,(第17期), 王成等.一种面向网络支付反欺诈的自动化 特征工程方法. 《计算机学报》 .2020,(第10期), 王成等.WEB:一种基 于网络嵌入的互联网借 贷欺诈预测方法. 《大 数据》 .(第0 6期), 审查员 许瑞雪 (54)发明名称 金融交易的可信欺诈检测方法、 系统、 介质 及终端 (57)摘要 本发明提供一种金融交易的可信欺诈检测 方法、 系统、 介质及终端； 所述方法包括以下步 骤： 构建可信个体行为画像框架； 基于可信个体 行为画像框架刻画虚拟用户的偏好模式， 以搭建 可信个体行为模 型； 根据可信个体行为模型对一 待检测金融交易进行欺诈检测； 本发 明公开了一 种可信个体行为建模的方法， 该方法将可信个体 行为建模问题拆 分为两个步骤， 分别是构建可信 个体行为画 像框架和框架实现， 通过定义可信交 易描述、 个体可信性约束、 共现映射以及设计可 信推荐算法等技术手段， 确保了个体行为模型的 可信性， 从而为金融欺诈检测领域的可信个体行 为建模提供了新的思路， 满足了高质量欺诈检测 的需求。 权利要求书4页 说明书14页 附图3页 CN 112906301 B 2022.08.09 CN 112906301 B 1.一种金融交易的可信欺诈检测方法， 其特 征在于， 包括以下步骤： 构建可信个 体行为画像框架； 构建可信个 体行为画像框架包括以下步骤： 将金融交易的交易属性划分为上下文属性和行为属性， 以获取上下文属性集和行为属 性集； 其中， 所述上下文属性定义了所述金融交易的上下文环境； 所述行为属性从多个角度 对所述金融交易进行刻画； 所述上下文属 性集中包括至少一所述上下文属 性； 所述行为属 性集中包括至少一所述行为属性； 所述上 下文属性 集记为Ac； 所述行为属性 集记为Ab； 获取所述上下文属性集中每一所述上下文属性对应的拓展个体集； 所述拓展个体集中 包括至少一拓展个体； iC表示对应上下文属性C的拓展个体， iC∈IC； IC表示对应上下文属性 C的拓展个 体集； 基于所述行为属性集获取原型行为集； 所述原型行为集中包括至少一原型行为； ρ 表示 所述原型行为， ρ ＝<v1， v2， ...， vJ>； 其中， vj∈Vj(j＝1， 2， ...， J)； Vj表示第j个所述行为属 性； 由所述原型 行为ρ 构成的集 合为所述原型 行为集P； 利用元组描述所述金融交易； 所述金融交易体现为所述拓展个体和所述原型行为的共 现关系； 所述共现关系包括两类共现信息， 分别是： 频次信息和标签信息； 其中， 所述频次信 息是指所述拓展个体和所述原型行为的共现次数， 是一种全局信息； 所述标签信息是指所 述拓展个体和所述原型行为的交易标签， 是一种局部信息； 所述元组记为τ＝<{iC， NC|C∈ Ac}， ρ， l>； 其中， l∈L， L表示 标签集， L＝{0， 1}， 0代表合法交易， 1代表欺 诈交易； NC表示对应 上下文属性C的所述频次信息； 根据对应一所述金融交易的元组， 获取所述拓展个体的行为模式； 所述行为模式表示 为所述拓展个 体与所述原型 行为共现的重要性； 所述重要性记为 基于所述重要性和所述元组， 获取个体行为可信性约束； 所述个体行为可信性约束包 括： 排序条件、 评分条件及邻接条件； 基于所述元组和所述个 体行为可信性约束， 构建所述可信个 体行为画像框架； 基于所述可信个体行为画像框架刻画虚拟用户的偏好模式， 以搭建可信个体行为模 型； 根据所述可信个 体行为模型对一待检测金融交易进行欺诈检测。 2.根据权利要求1所述的金融交易的可信欺诈检测方法， 其特 征在于， 一所述金融交易的元组记为， τ1＝<{iC， NC， 1|C∈Ac}， ρ1， l1>； 另一所述金融交易的元组记为， τ2＝<{iC， NC， 2|C∈Ac}， ρ2， l2>； 其中， NC， 1表示对应一所述金融交易的频次信息； NC， 2表示对应另一所述金融交易的频 次信息； ρ1表示对应一所述金融交易的原型行为； ρ2表示对应另一所述金融交易的原型行 为； l1表示对应一所述金融交易的交易标签； l2表示对应另一所述金融交易的交易标签； 所述排序 条件是对所述拓展个体和不同所述原型行为在不同标签下的重要性比较， 包 括： 对于C∈Ac， 如果l1＝0， l2＝1， NC， 1≠0， 则无论 NC， 2如何取值， 都有 对于C∈Ac， 如果l1＝0， NC， 1≠0， NC， 2＝0， 则无论 l2如何取值， 都有 所述评分条件是对所述拓展个体和不同所述原型行为在相同标签下的重要性比较， 包 括：权　利　要　求　书 1/4 页 2 CN 112906301 B 2对于C∈Ac， l1＝l2＝0， NC， 1≠0， NC， 2≠0， 如果NC， 1＞NC， 2， 那么有 对于C∈Ac， l1＝l2＝1， NC， 1≠0， NC， 2≠0， 如果NC， 1＞NC， 2， 那么有 所述邻接条件是指， 如果l1＝l2＝l3， 且|NC， 1‑NC， 2|＜|NC， 1‑NC， 3|， 则对于任一C∈Ac， 必须 满足条件 所述可信个 体行为画像框架包括两 部分： 所述金融交易的表达形式满足τ ＝<{iC， NC|C∈Ac}， ρ， l>； 所述拓展个 体的行为模式满足所述个 体行为可信性约束。 3.根据权利要求2所述的金融交易的可信欺诈检测方法， 其特征在于， 基于所述可信个 体行为画像框架刻画 虚拟用户的偏好模式包括以下步骤： 基于所述可信个 体行为画像框架， 利用共现映射将所述拓展个 体映射到虚拟用户； 基于所述可信个体行为画像框架， 利用所述共现映射将所述原型行为映射到虚拟物 品； 基于所述可信个体行为画像框架， 利用所述共现映射将所述标签信 息和所述频次信 息 映射到虚拟 评分； 所述共现映射是将所述金融交易的τ＝<{iC， NC|C∈Ac}， ρ， l>， 映射为一虚 拟推荐系统实例 ξ＝＜uC， e， r>； πC( τ )＝ξ； 其中， πC(iC)＝uC， πC( ρ )＝e， πC(l， NC)＝r； uC表示 所述虚拟用户； e表示所述虚拟物品； r表示所述虚拟评 分； 将所述标签信息和所述频次信息 映射到所述虚拟评分满足所述个 体行为可信性约束， 且表示 为： 其中， 是组合<iC， ρ >(C∈Ac)在l＝0下共现的总频 次， 是组合<iC， ρ >(C∈Ac)在l＝1下共现的总频次； 基于所述虚拟用户、 所述虚拟物品及所述虚拟评分， 刻画所述偏好模式。 4.根据权利要求3所述的金融交易的可信欺诈检测方法， 其特征在于， 基于所述虚拟用 户、 所述虚拟物品及所述虚拟评分， 刻画所述偏好模式包括以下步骤： 构建基于排序推荐的第一目标函数； 构建基于 评分推荐的第二目标函数； 将评分信 息作为排序信 息的可信性度量， 并通过指数方式组合所述第 一目标函数和所 述第二目标函数， 获取 可信推荐目标函数。 5.根据权利要求4所述的金融交易的可信欺诈检测方法， 其特征在于， 构建基于排序推 荐的第一目标函数包括以下步骤： 获取偏好事件集； 所述偏好事件集是由偏好事件构成的集合， 记为ΩC； 若一虚拟用户uC 对两个虚拟物品e1， e2的虚拟评分分别为r1和r2， 且满足下列条件之一： 条件一、 r1＞r2， 且r1 ＞0.5， r2＜0.5； 条件二： r1＞r2， 且r1＞0.5， r2＝0.5， 则认为三元组<uC， e1， e2>为所述虚拟用 户uC的一个偏好事 件； 将所述偏好事 件集划分为两个互补的真子集， 分别为： 其中， 目 上的偏好事件对 应真实发生的共现组合<iC， ρ2>， 而 上的偏 好事件对应非真实共现组合<iC， ρ2>； 假设所有的所述偏好事 件是相互独立的， 则所有的所述偏好事 件的联合 概率表示为：权　利　要　求　书 2/4 页 3 CN 112906301 B 3