申请/专利权人：上海帆立信息科技有限公司

申请日：2024-02-19

公开（公告）日：2024-06-14

公开（公告）号：CN118195615A

主分类号：G06Q20/40

分类号：G06Q20/40;G06Q40/04;G06N20/00;G06N20/20;G06N5/01;G06N3/049;G06N3/042

优先权：

专利状态码：在审-公开

法律状态：2024.06.14#公开

摘要：一种深度学习与传统机器学习结合的集成学习方法，包括如下流程，S1：特征处理计算，具；S2：通过步骤S1生成的特征对多种模型进行训练；S3：模型筛选；S4：将训练及筛选完成后的模型对同一笔交易进行预测计算；S5：投票计算；S6：解释计算；S7：步骤S1‑S6获得的数据协同用于现有金融交易防欺诈应用软件。本发明能控制打扰率；能通过对投票中是否投票正确进行统计记录，来对集成学习中的子模型进行遴选与更新换代；有效解决了现有深度学习模型难以应用于现有防欺诈软件真实风控系统的难题，即补充了它们可解释性方面的缺失，且本发明集成学习架构有利于在实际业务中进行分布式架构，减少对单硬件的性能需求，有效降低了风控成本。

主权项：1.一种深度学习与传统机器学习结合的集成学习方法，其特征在于，包括如下流程，S1：特征处理计算，具体的，针对现有机器学习中的单笔交易信息量不足的问题、通过时序特征生成算法及其他时序特征算法进行处理，时序特征生成算法中，首先提取时间段T内所有属于同一用户的金融交易数据，然后针对每笔交易在一定时间内的特征变动幅度进行数值化衡量建立交叉熵，其他时序特征计算的数据包括时间段内的总交易量、总交易金额、平均交易金额、该笔交易相对于平均交易的偏差；S2：通过步骤S1生成的特征对多种模型进行训练，具体模型包括在欺诈检测任务中应用的深度学习模型以及可解释性好的机器学习模型，训练通过分布式架构方式进行，加快模型训练速度，同时考虑到深度学习训练时的随机性，同一深度学习模型进行k次训练得到k个子模型用以进行后续预测，对应的，考虑到各模型在投票阶段中的权重一致性，传统机器学习模型用同样方式得到k个子模型；S3：模型筛选，具体的，使用事先准备好的深度学习与传统机器学习测试集，对步骤S2中各模型进行测试，若模型准确率达到指定阈值，则进入下一流程，否则为不达标模型，不进入下一流程的预测及投票；S4：将训练及筛选完成后的模型对同一笔交易进行预测计算，得到一个长度为N的01向量，其中第i个元素为01表示第i个模型对该笔交易的预测为正常欺诈交易，公式为X＝[res0,res1,...,resN]；S5：投票计算，具体的，将步骤S4获得的数据01向量进行加总，若总和大于等于pN，则判断出该集成学习模型对这笔交易的的最终预测结果为欺诈交易，否则为正常交易；S6：解释计算，具体根据决策树等传统机器模型的模型权重，给出相关可参考的异常特征值；S7：步骤S1-S6获得的数据协同用于现有金融交易防欺诈应用软件，对金融交易中存在的交易行为进行判别。

全文数据：

权利要求：

百度查询： 上海帆立信息科技有限公司 一种深度学习与传统机器学习结合的集成学习方法

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