买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：广西师范大学

摘要：本发明公开了一种基于因果不变的抗伪装偏好的欺诈检测方法，包括如下步骤：步骤一：输入数据；步骤二：计算当前评论交互数据中用户与周围邻域的异配分数作为欺诈环境的判断依据；步骤三，分析用户间的因果关联，按照梯度下降，学习到最合适的因果邻接矩阵，实现最优特征重构，形成偏好不变性表示；步骤四：将得到的异配分数与不变性偏好表示结合，形成最终的用户表示，进行预测，完成模型训练过程；步骤五：将新的交互数据投入模型，进行实时欺诈预测，将预测结果反馈显示，若标签为1，则说明是欺诈者；若标签为0，则为良性用户。这种方法使用因果推断技术，寻找用户间的因果关联，进一步实现在不同的欺诈环境下挖掘欺诈者的需求。

主权项：1.一种基于因果不变的抗伪装偏好的欺诈检测方法，其特征在于，包括如下步骤：步骤一：输入数据：输入评论交互数据，以评论交互数据的用户为节点，用户之间的连接为边，形成多关系图，在该多关系图中，欺诈者与良性用户分别为不同的类，不同类的节点所带的标签不同，其中，欺诈者标签为1，良性用户标签为0，随后，将该多关系图投入模型，开始训练过程；步骤二：计算当前各个关系子图中每个用户与其周围邻域的异配分数，并以此异配分数作为欺诈环境的判断依据；首先，根据输入的多关系图，针对各个关系子图的每个节点以及其一阶综合邻域的表示进行学习，节点表示由多层感知机进行变换，该节点的一阶综合邻域表示由图卷积网络处理；对于第l层的节点vi，计算节点vi的中心表示然后根据节点vi的所有相邻节点的当前表示更新节点vi的表示并进行聚合，得出节点vi的邻域表示和的描述如下： 其中，W1和W2是可学习矩阵，bl是第l层的偏置项，σ·是非线性激活函数，和是第l-1层的中心节点表示和其一阶综合邻域表示；为提高计算异配分数的准确性，对当前学习到的节点表示进行监督，并使用标签作为监督信号，以确保异配分数的有效性，监督定义如下： 其中，yv是节点v的标签；然后，根据学习到的节点表示以及一阶综合邻域表示，计算各关系下的异配分数，定义如下： 其中，W3是可学习矩阵，该异配分数表示中心节点与周围邻域在类方面的差异程度；因为多关系图中欺诈节点会与良性节点相连，但因为欺诈者使用的欺诈模式不同，给良性用户带来不一样的异配环境，所以把欺诈节点与良性节点相连的不同状态称为欺诈者的欺诈模式，该欺诈模式分为个人伪装和联合欺诈；对于良性用户，高异配表示当前节点连接到许多不同类的标签，说明这时欺诈者使用的欺诈方式倾向于联合欺诈；低异配值表示当前节点连接到比较少不同类的标签，说明这时欺诈者使用的欺诈方式倾向于个人伪装，因此，异配分数是欺诈模式的一个显示推断；步骤三，分析用户间的因果关联，并以此因果关系的影响强度作为邻接矩阵中的权重参数，按照梯度下降，学习到最合适的因果邻接矩阵，实现最优特征重构，形成偏好不变性表示；首先，分析步骤一的多关系图的各关系子图的节点特征，对节点间的影响强度进行因果推断，即学习带有因果关系的权重矩阵，伴随梯度下降，选择最优的参数值，形成最优邻接矩阵；其次，由学到的因果邻接矩阵在原有特征的基础上进行非线性变换实现特征重构，得到新的偏好不变性特征，重构特征如下所示：fX=ReLU…ReLUX·W1·W2…Wl-1·Wl；其中，X是原有特征，W1，…，Wl是可学习矩阵；为了使重构特征符合因果关系，做如下约束： 其中，是重构特征与原特征的距离比较，是添加有向无环约束，使学习到的矩阵参数符合因果关系的规则，是对学习到的矩阵参数进行稀疏化，β和χ是平衡稀疏项的参数；最后，对重构后的特征fθX进行编码，得到各关系下的不变偏好表示；步骤四：将步骤二中所得的异配分数与步骤三中所得的不变性偏好表示对照相应的关系结合，形成最终的用户表示，进行预测，完成模型训练过程；步骤五：将新的交互数据投入模型，进行实时欺诈预测，将预测结果反馈显示，用于决策支持；根据方法预测的标签结果反馈，若标签为1，则说明是欺诈者；若标签为0，则为良性用户。

全文数据：

权利要求：

百度查询： 广西师范大学 一种基于因果不变的抗伪装偏好的欺诈检测方法及系统