(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210519445.5 (22)申请日 2022.05.12 (71)申请人 之江实验室 地址 310023 浙江省杭州市余杭区文一西 路1818号人工智能小镇10号楼 申请人 建信金融科技有限责任公司 　 浙江邦盛科技股份有限公司 (72)发明人 陈杨　王艺涵　许浩　方宁　姚翌　 陈桂花　林凡　段明江　金雨青　 王笑　刘敏　孙力骏　孙婉琪　 马雪环　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 专利代理师 邱启旺(51)Int.Cl. G06Q 40/02(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于多维特征张量的无监督信用卡异 常检测方法 (57)摘要 本发明公开了一种基于多维特征张量的无 监督信用卡异常检测方法， 首次将多维度多尺度 特征张量特征构建、 多维注意力卷积网络、 重编 码生成对抗网络进行有机结合， 由多维注意力卷 积网络产生优质的生成结果， 并对多维度多尺度 特征张量编码、 解码、 再编码。 将异常 交易样本的 特点最大程度的表达出来， 得到优质的重构表 征； 在重构特征上进行基于时间、 空间、 类别的3 σ异常打分， 并基于不同尺度进行异常投票， 异 常尺度占多数的为异常， 避免噪声影响， 增加鲁 棒性； 采用流式指标计算引擎协 同工作， 具有实 时性和高准确率。 本发明减少了特征工程对专家 经验的依赖程度， 在信用卡交易实时异常检测问 题方面有较高的准确率。 权利要求书2页 说明书8页 附图2页 CN 115049472 A 2022.09.13 CN 115049472 A 1.一种基于多维特 征张量的无监 督信用卡异常检测方法， 其特 征在于， 该 方法包括： (a)将待检测的交易记录记为r＝(r1， r2，…， rn)， ri＝{u， t， l， type1， ...， typen， a}， 其 中， u表示用户编号， t交易的时间， l表示交易的地点， t ypen表示交易类别属性； 获取若干历 史交易记录； 对每个交易记录进 行多维度多尺度特征提取， 形成多维度多尺度特征张量； 可 选维度包括但不限于时间维度， 空间维度， 商户M CC维度； (b)整个模型采用特定的重编码生成对抗网络结构， 重编码生成对抗网络由生成器和 判别器组成， 生成器由编码器、 解码器、 重构编码器组成； 通过随机梯度下降算法分别对生 成器和判别器的参数进行 更新： 首先， 固定生成器网络， 通过最小化判别器网络损失优化判别网络， 使判别网络能对信 号的真实性给出准确的判别； 然后， 固定判别器网络， 通过最小化生成器网络的损失函数， 使生成网络生成接近于预 处理后的正常样本信号数据分布的伪造信号， 以让判别器网络无 法判断信号的真实性； 以上两步迭代进行， 直到编码器生成的潜在特征表达接近于重构潜 在特征表达、 解码器生成的重构特征张量接近于原始特征张量， 而判别器网络也难以判断 传入判别器的数据的真伪， 此时生成器网络和判别器网络纳什均衡， 完成网络训练； (c)将步骤(b)训练好的网络部署至系 统上， 对于任何一笔交易使用流式计算引擎， 实 时计算出多维度多尺度特征张量； 通过步骤(b)构建的神经网络模型， 可以获得重构特征张 量； 对多维度多尺度特征张量和重构特征张量的进行比较， 进行基于时间、 空间、 类别的3σ 异常打分， 异常尺度较多的样本为异常， 否则为正常， 避免噪声影响增加检测方法的鲁棒 性。 2.如权利要求1所述基于多维特征张量的信用卡异常检测方法， 其特征在于， 步骤(a) 中， 检测方法所需的原始数据应当包括交易时间、 交易地点和一种或多种类别属性； 其中， 类别属性包括M CC编码、 交易方式、 交易类别、 交易返回码。 3.如权利要求1所述基于多维特征张量的信用卡异常检测方法， 其特征在于， 步骤(a) 中， 多维度多尺度特 征张量的维度， 包括时间维度、 空间维度， 和一种或者多种的类别属性。 4.如权利要求3所述基于多维特征张量的信用卡异常检测方法， 其特征在于， 步骤(a) 中： 多维度多尺度特 征张量的时间维度的不同尺度， 包括多种设定方式： (a1)同用户最近x秒， 分， 小时， 天， 周， 月， 季， 年； (a2)同用户最近x笔交易； (a3)同用户历史夜晚时间段、 白天时间段、 周末时间段； 多维度多尺度特 征张量的空间维度的不同尺度， 包括多种设定方式： (b1)IP地址指示的国家、 省、 市级别行政区划； (b2)GPS地址指示的国家、 省、 市级别行政区划； (b3)是否属于高危 地区。 5.如权利要求1所述基于多维特征张量的信用卡异常检测方法， 其特征在于， 步骤(a) 中， 多维度多尺度特征张量的类别维度的不同尺度， 采用是否为类别取值A、 是否为类别取 值B、 是否为 其他类别。 6.如权利要求1所述基于多维特征张量的信用卡异常检测方法， 其特征在于， 步骤(b) 中， 生成网络中的编 码器， 由多维注 意力层和多维卷积层组成； 编码器采用注 意力机制和多权　利　要　求　书 1/2 页 2 CN 115049472 A 2维卷积模块 生成每一笔交易记录的潜在表达 。 7.如权利要求1所述基于多维特征张量的信用卡异常检测方法， 其特征在于， 步骤(b) 中： 生成网络中， 解码器由与编码器顺序相反的多维逆卷积模块组成； 解码器使用与编码 器对称的多维逆卷积模块 生成多维度多尺度特 征张量； 重编码生成对抗网络 中， 在生成对抗网络结构的基础上， 引入重构编码器； 生成网络 中 的重构编 码器与编码器结构相同但是不共享网络参数， 重编码生成对抗网络中的重构编码 器将重构多维矩阵再次转换为潜在特 征表达； 判别器使用同编码器相同的结构， 仅在网络最后一层使用全连接层输出传入判别器的 数据是否为真实数据的概 率分值。 8.如权利要求1所述基于多维特征张量的信用卡异常检测方法， 其特征在于， 步骤(c) 中， 进行模型应用时， 基于时间、 空间、 类别进行3σ异常打分， 计算每个维度的异常尺度占 比， 平均多个维度的异常尺度占比为异常得分， 异常得分大于给定阈值的样本定义为异常 样本。 9.如权利要求1所述基于多维特征张量的信用卡异常检测方法， 其特征在于， 步骤(c) 中， 进行模型应用时， 为了保证整体的实时运算， 使用流式处理技术产生多维度多尺度特征 张量。 10.如权利要求1所述基于多维特征张量的信用卡异常检测方法， 其特征在于， 步骤(b) 中， 通过比较编 码器的重构特征张量与 原始特征张量的差异， 构建重 建损失函数； 通过比较 编码器的潜在特征表达与重构编码器的潜在特征表达的差异， 构建编码损失函数； 通过比 较判别器输出的结果与给定标签的差异， 构建判别损失函数； 当优化网络为判别器时， 数据 打标的逻辑为， 真实数据的特征张量打标为 1， 生成的特征张量打标为0； 当优化网络为生成 器时， 给生成数据打标为1； 使用判别损失函数构建判别器网络的损失函数， 使用重建损失 函数、 编码损失函数、 判别损失函数构建生成器网络的损失函数。权　利　要　求　书 2/2 页 3 CN 115049472 A 3