隨著網絡信息技術的快速發(fā)展,互聯網金融欺詐現象不斷發(fā)生,制約著銀行金融科技企業(yè)的發(fā)展,也會導致諸多社會經濟問題。通過構建基于機器學習的欺詐檢測模型來進行反欺詐檢測已成為此領域的主流思路。介紹了互聯網金融的反欺詐現狀,在網絡支付模式下,提出了一種基于滑動時間窗口的反欺詐檢測方法,從兩個大維度挖掘各類風險交易特征,統(tǒng)計用戶近期歷史行為,構建機器學習反欺詐檢測模型,并在網絡支付的真實數據集上驗證了其有效性。 

【文章來源】：電腦與電信. 2019,(12)

【文章頁數】：5 頁

【部分圖文】：

基于滑動時間窗口的反欺詐檢測模型架構

在本文的方法中，通過為每個用戶維護一個交易清單列表達到實現滑動時間窗口結構的目的。本工作使用Redis來實現此交易清單列表的功能。在Redis中，可以通過鏈表結構來構建一段列表數據，這意味著無論數據量的大小，數據的頭和尾操作都非�？�。對于每個用戶，我們在Redis中構建一個列表，相對應的就是在一個時間窗口內存儲與用戶相關的交易數據。當用戶進行下一筆交易時，新交易將被添加到列表的尾部，一旦交易列表的大小超過時間窗口的大小，則應從列表中刪除最舊的事務，即刪除列表頭的交易，直到列表大小符合要求。上述步驟的實現可以實現交易列表的更新。2.3 風險特征挖掘

該方法存在諸多可擴展和改進之處：（1）滑動時間窗口的大小選擇影響著模型的性能，需要在滑動時間窗口大小的優(yōu)化選擇與動態(tài)選擇上繼續(xù)進行研究；（2）嘗試在更多實際的在線網絡支付數據集以及不同互聯網金融場景下驗證所提方法的有效性和通用性。圖5 應用不同大小的滑動時間窗口對真正例率、精確率和F1-Score指標的影響


本文編號：3243808