(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211100976.7 (22)申请日 2022.09.09 (65)同一申请的已公布的文献号 申请公布号 CN 115204901 A (43)申请公布日 2022.10.18 (73)专利权人 中国人民解 放军国防科技大 学 地址 410000 湖南省长 沙市开福区德雅路 109号 (72)发明人 谢亚龙　李爱平　胡笔吟　涂宏魁　 周斌　江荣　王晔　喻承　 (74)专利代理 机构 苏州国诚专利代理有限公司 32293 专利代理师 陈松 (51)Int.Cl. G06Q 20/40(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06K 9/62(2022.01) G06Q 40/02(2012.01) (56)对比文件 CN 111325619 A,2020.0 6.23 CN 112819604 A,2021.0 5.18 CN 111242296 A,2020.0 6.05 US 202137475 6 A1,2021.12.02 US 2020065813 A1,2020.02.27 Yalong Xie等. 《A Heterogeneous Ensemble Learn ing Model Based o n Data Distributi on for Credit Card Fraud Detection》 . 《Wireless Communications and Mobile Computi ng》 .2021,全 文. 于梦珂. 《基 于生成式对抗网络的信用卡欺 诈预测模型研究》 . 《中国优秀硕士学位 论文全文 数据库 经济与管理科 学辑》 .2020,(第8 期),全 文. 审查员 许雅婷 (54)发明名称 基于多特征融合的信用卡欺诈 检测方法、 装 置及介质 (57)摘要 本发明提供了基于多特征融合的信用卡欺 诈检测方法、 装置及介质， 可以有效提高欺诈交 易预测的准确率、 召回率， 大幅降低欺诈交易的 假阳性率， 方法包括： 采集持卡人信息数据； 通过 前馈神经网络模型、 卷积神经网络模型、 Bi ‑LSTM 模型分别将持卡人的基本信息数据、 金融操作行 为数据、 信用卡交易信息数据进行嵌入表示， 拼 接得到样 本特征表示向量； 构建并训练生成对抗 网络模型； 利用完成训练的生 成器模型生成模拟 欺诈样本， 合并生成新的训练集， 构建并训练多 个检测基模 型， 将完成训练的多种检测基模型与 判别器模型进行组合得到信用卡欺诈检测集成 模型； 当持卡人发生新的交易时， 通过信用卡欺 诈检测集成模型预测持卡人的信用卡欺诈风险预测结果。 权利要求书5页 说明书14页 附图3页 CN 115204901 B 2022.12.06 CN 115204901 B 1.一种基于多特 征融合的信用卡欺诈检测方法， 其特 征在于， 包括以下步骤： 采集持卡人信息数据， 所述持卡人信息数据包括持卡人的基本信息数据、 持卡人的金 融操作行为数据、 持卡人 的信用卡交易信息数据， 所述持卡人的金融操作行为数据包括持 卡人在不同金融渠道内的操作行为数据， 所述持卡人的信用卡交易信息数据包括网上购 物、 线下POS消费的金额、 时间、 当前余 额和30天内交易次数； 通过前馈神经网络模型将 持卡人的基本信 息数据进行嵌入表示， 通过卷积神经网络模 型将持卡人的金融操作行为数据进行嵌入表示， 通过Bi ‑LSTM模型将持卡人的信用卡交易 信息数据进行嵌入表示， 拼接各个模型输出的特 征向量得到样本特 征表示向量； 构建生成对抗网络模型， 生成对抗网络模型包括生成器模型和判别器模型， 生成器模 型用于生成模拟欺诈样本， 判别器模型用于分辨真实欺诈样本和模拟欺诈样本， 依据数据 库中的合法交易样本与欺诈交易样本的比例设置样本集合中的合法交易样本与欺诈交易 样本的比例， 训练生成对抗网络模型； 将样本集合划分为训练集与验证集， 利用完成训练的生成器模型生成模拟欺诈样本， 将模拟欺诈样本与训练集合并生成新的平衡训练集， 构建多个检测基模型， 通过新的平衡 训练集训练多个 检测基模型， 通过验证集对检测基模型参数进行调优； 将完成训练的多种检测基模型与判别器模型进行组合， 得到信用卡欺诈检测集成模 型； 当持卡人发生新的交易时， 分别通过完成训练的前馈神经网络模型、 卷积神经网络模 型、 Bi‑LSTM模型对持卡人信息进行嵌入表示， 拼接得到持卡人的样本特征表示 向量， 将持 卡人的样本特征表示向量输入信用卡欺诈检测集成模型中， 输出持卡人的信用卡欺诈风险 预测结果。 2.根据权利要求1所述的一种基于多特征融合的信用卡欺诈检测方法， 其特征在于： 持 卡人基本信息数据通过集合 进行表示， 其中集合中的每个参数 分别表示持卡人的一个 基本属性； 持 卡 人的 金融 操 作行 为 数 据通 过 集 合 表 示 ， 其中 分别表示持卡人在各金融渠道内的一次操作， 每个操作用三元组 表示， 其中 为本次操作的主标记、 为操作的子标记、 为操作的附言； 持 卡人的 信 用卡交 易 信息数 据通过集合 表示 ， 其中 分别表示持卡人本次交易的一个属性。 3.根据权利要求2所述的一种基于多特征融合的信用卡欺诈检测方法， 其特征在于： 样 本特征表示向量 通过执行如下步骤获得： 构建前馈神经网络模型， 通过 前馈神经网络模型将持卡人基本信息数据 嵌入转换为特 征向量 ， 前馈神经网络模型包括若干神经 元层， l层到l+1层的转换计算公式为：权　利　要　求　书 1/5 页 2 CN 115204901 B 2其中， 为激活函数， 为l层节点到l+1层节点间的权 重， 为节点的偏置； 对于前馈神经网络模型的第一层的输入层的输入 ， 有 ； 对于前馈神经网络模型的最 后一层的输出层的输出 ， 有 ； 构建卷积神经网络模型， 所述卷积神经网络模型包含m个卷积层、 n个池化层、 k个全连 接层， 通过卷积神经网络模型将持卡人的金融操作行为数据 嵌入转换为特征向量 ,输出的第i个特 征向量表示 为如下： ， 其中， 为非线性激活函数， 与 是卷积神经网络中第i层节点可训练参数； 构建Bi‑LSTM模型， 所述Bi ‑LSTM模型包括一个前向LSTM和一个后向LSTM， 按时间先后 顺序对持卡人 时间区间内通过信用卡进行交易的数据进行排序， 得到序列 ， 通过Bi ‑LSTM模型将持卡人的信用卡交易信息数据的序列 嵌入转换为特 征向量 ， LSTM中各 单元的值按照如下计算： 计算t时刻候选记 忆单元的值 ： 其中 为t时刻的原始交易特征向量， 为LSTM在前一状态中的输出， 为激活函数， 为权重矩阵， 为对应的偏置； 计算输入门的值 ： 其中 为激活函数， 为权重矩阵， 为对应的偏置； 计算遗忘门的值 ： 其中 为权重矩阵， 为对应的偏置； 计算当前时刻记 忆单元的值 ： 其中 为上一时刻记 忆单元的状态值， 为点积；权　利　要　求　书 2/5 页 3 CN 115204901 B 3