申请/专利权人：天翼电子商务有限公司

申请日：2021-09-06

公开（公告）日：2023-03-10

公开（公告）号：CN115775157A

主分类号：G06Q30/0207

分类号：G06Q30/0207;G06N3/0464;G06F18/2415;G06N3/042;G06N3/047;G06N3/08

优先权：

专利状态码：在审-公开

法律状态：2023.03.10#公开

摘要：本发明公开了一种缓解了过平滑的图神经网络套利欺诈识别方法，包括以下流程：1.根据业务系统中的用户行为日志构建用户关系拓扑图，如根据相同IP信息或转账关系构建无向图网络；2.根据历史累计的套利欺诈正负样本，为图中节点打上标签，所有节点分为有标签和无标签两种，有标签节点又分为套利用户节点和正常用户节点；3.在拓扑图上进行k次图卷积的信息聚合操作。本发明通过重构图的方式缓解了网络中因节点层数加深导致的过平滑问题，提升了节点表征精度；同时，在重构拓扑图的基础上，根据节点的邻居节点数，自适应的调整重构方式，缓解了拓扑图的噪声问题，进一步提升节点分类效果，提升套利欺诈识别精度。

主权项：1.一种缓解了过平滑的图神经网络套利欺诈识别方法，其特征在于，包括以下流程：一、根据业务系统中的行为日志构建用户关系拓扑图，如将具有相同的设备IP信息或用户的转账交互关系构建设备关系无向图网络GV，E，其中V代表用户节点集合，E表示边集合；二、根据历史累计的套利欺诈用户正负样本，为网络图G的节点打上正负标签；这样图中节点将分为有标签Vlabeled和无标签Vunlabeled两种节点，有标签节点又分为已知套利用户节点Vlabeled＝1和已知非套利用户节点Vlabeled＝0；三、为网络图G生成对应的邻接矩阵A和度矩阵D，初始化生成节点表示向量查询表H： 其中都是d维的行向量，N表示用户节点总数；在拓扑图上进行k次图卷积的信息聚合操作，前k-1次卷积的向量表示为：Hl＝ReLUD-12AD-12Hl-1Wl式中l表示卷积层层数，Hl表示第l层卷积后节点的表示向量查询表，Wl表示第l轮的参数矩阵，是一个d维的方阵；最后一层的卷积公式如下：Hk＝SoftmaxD-12AD-12Hl-1Wk其中Wk是一个d*2维的矩阵，Hk是N*2维矩阵，表示对应用户是否是套利欺诈用户的概率；四、利用有标签的节点进行交叉熵损失函数计算损失，并利用Adam算法更新权重；五、上述步骤四-五为一轮训练，每轮训练后根据当前节点情况进行网络图的自适应重构，以缓解过平滑问题和信息噪声问题，方式如下：a对前k-1次卷积后每个节点获得k个表示向量，通过averagepooling得到表示向量 b计算节点i、节点j间距离Disij； c当节点i、j有连接时，为节点i、j计算距离的自适应阈值 其中，di、dj表示节点i和j的度，τ-是一个自定义的缩放参数；考虑到邻居越多的节点越容易产生过平滑，因此它更倾向于减少连接；只要当节点i、j的距离Disij小于该阈值，则认为原本的连接可能为噪声连接；对于所有满足上述条件的节点对，随机抽取num-，删除连接；d当节点j、j没有连接时，为节点i、j计算距离的自话应阈值 其中，di、dj表示节点i和j的度，τ+是一个自定义的缩放参数；考虑到邻居越少的节点更倾向于增加连接；对于所有距离Disij大于该阈值的节点对，随机抽取num+个节点对，增加连接；e图重构后，重新计算邻接矩阵A和度矩阵D，按步骤四至五进行新一轮训练。

全文数据：

权利要求：

百度查询： 天翼电子商务有限公司 一种缓解了过平滑的图神经网络套利欺诈识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD