基于同配性增强与弱监督学习的金融欺诈检测方法及系统

摘要: 本发明涉及金融风控与图神经网络。更具体地说,本发明涉及一种基于同配性增强与弱监督学习的金融欺诈检测方法及系统。背景技术:1、随着数字金融基础设施的快速发展和网络...
基于同配性增强与弱监督学习的金融欺诈检测方法及系统

本发明涉及金融风控与图神经网络。更具体地说,本发明涉及一种基于同配性增强与弱监督学习的金融欺诈检测方法及系统。

背景技术:

1、随着数字金融基础设施的快速发展和网络支付场景的持续深化,金融活动已逐渐形成由用户、账户、商户、支付机构、交易流水及金融工具等多类主体共同参与的大规模关系网络,与此同时,金融欺诈、电信网络诈骗、洗钱及相关黑灰产活动呈现出组织化、链条化和伪装化的趋势,此类欺诈行为往往不再表现为单一账户异常或单笔交易异常,而是通过身份伪装、正常关系嵌入、小额分散交易、账户跳转及资金拆分流转等方式隐藏在正常金融活动网络之中,使得欺诈主体在局部结构和行为表现上更接近正常主体,显著增加了风险识别的难度。

2、现有金融欺诈检测方法主要包括人工规则筛查、专家经验模型、传统机器学习分类模型以及基于图神经网络的检测模型,人工规则和专家模型依赖预设阈值与人工经验,难以及时适应快速演化的新型诈骗模式,传统机器学习方法主要依赖单个账户、用户或交易的属性特征,难以充分利用金融主体之间复杂的交互关系,图神经网络虽然能够利用金融活动网络中的邻接关系进行消息传递和节点表征学习,但其通常隐含依赖相邻节点具有相似类别或相似语义的同配性假设,然而,在金融欺诈场景中,欺诈主体往往会主动连接正常用户、正常商户或正常交易对象进行伪装,使其局部邻域中正常节点占据多数,导致诈骗相关信号在消息聚合过程中被大量正常信息稀释甚至淹没。

3、针对图神经网络在异配图场景下的局限性,研究人员已提出若干改进方案,例如,中国专利申请cn119202806a一种链路模式聚合的图欺诈风险识别方法和系统通过远距离链路采样编码和链路信息交互聚合的方式,尝试弥补主流图神经网络算法在处理长程依赖图结构方面的不足,然而,仍依赖于较为充足的标注样本,并且在链路采样过程中未充分考虑节点类别归属的不确定性,在标注样本极度稀缺的场景下其性能仍受到较大制约。

4、在金融欺诈检测中,真实欺诈标签通常依赖人工审核、司法认定或风控处置结果,获取成本高、反馈周期长,已标注欺诈样本数量有限,难以为模型提供充分监督,针对标签稀缺条件下的节点分类问题,美国专利申请us2023/0117980a1用于在属性网络上进行少样本学习的图原型网络系统和方法,提出了一种图原型网络系统,通过元学习框架在少量标注样本条件下学习类别原型并预测未标注节点的类别,然而,主要面向一般性的少样本节点分类问题,并未针对金融欺诈场景中欺诈主体主动伪装所导致的局部邻域同配性失真问题进行专门设计,也未考虑同类欺诈节点在全局范围内稀疏分布所带来的远距离依赖建模困难,因此其在金融欺诈检测场景中的适用性和检测精度仍有待提升。

5、中国专利申请cn121561730a基于多模态融合的实时欺诈检测方法及系统尝试通过融合支付行为数据、交易文本数据及账户行为数据等多模态信息来提升欺诈检测的准确性,但其侧重于多模态数据的时序关联分析,而未涉及图结构数据中节点间拓扑关系的表征学习,也未解决同配性不足条件下的邻域信息有效聚合问题。

6、上述因素共同导致金融欺诈检测中的同配性不足和弱监督信号不足问题相互耦合:一方面,诈骗标签的稀缺使得模型难以从少量已标注样本中有效学习欺诈节点的类别特征,类别信息无法充分传播至未标注节点,进一步加剧了局部邻域中因正常节点占多数而导致的同配性缺失;另一方面,局部邻域中有效欺诈信号的稀薄又使得模型对远距离同类欺诈节点之间的潜在关联更为依赖,而标注样本的不足恰恰限制了模型在全局范围内发现和利用这种远距离同配关联的能力;

7、现有方法在金融欺诈检测中仍存在以下不足,欺诈主体通过主动连接正常实体进行伪装,导致局部邻域中正常节点占比过高,诈骗相关信号在消息聚合过程中被稀释,而现有图神经网络方法缺乏针对此种异配邻域的有效处理机制;同类诈骗节点在全局网络中往往呈现稀疏分布或弱连接状态,局部消息传递难以有效捕获远距离的类别一致性关联,而现有全局建模方法要么对所有节点进行无差别交互引入大量干扰,要么未针对诈骗节点的稀疏分布特性进行专门优化;真实诈骗标签获取成本高昂,已有方法在仅有极少量标注样本的条件下,难以同时兼顾局部邻域中的同配性增强和全局范围内的远距离同配关联挖掘,导致对伪装型诈骗、团伙型诈骗及跨账户资金链诈骗的识别能力受到限制。

技术实现思路

1、本发明的一个目的是解决至少上述问题,并提供至少后面将说明的优点。

2、为了实现根据本发明的这些目的和其它优点,提供了一种基于同配性增强与弱监督学习的金融欺诈检测方法,包括:

3、s1、获取金融活动的原始数据,抽取实体对象作为节点,将实体对象之间的金融活动关联关系构建为边,提取节点属性特征生成节点特征,得到包含节点特征、邻接关系和弱监督标签的图数据,弱监督标签包括已标注正常节点的正常标签和已标注欺诈节点的欺诈标签,未标注节点保持无标签状态;

4、s2、在当前传播层,根据已标注的正常节点和欺诈节点在当前传播层的表征分别构建正常类别原型和欺诈类别原型,计算未标注节点当前表征与正常类别原型和欺诈类别原型的相似度,生成未标注节点归属正常类别和欺诈类别的软归属权重,对已标注节点分别设定确定性类别归属向量,得到各节点的类别归属权重;

5、s3、获取每一节点的局部邻域节点集合,节点自身为目标节点,根据邻域节点的类别归属权重,将邻域节点的表征分别分配至正常通道和欺诈通道,基于目标节点的当前表征为正常通道和欺诈通道分别生成自适应聚合权重,并对正常通道和欺诈通道中邻域节点表征加权聚合,分别生成正常通道聚合表征和欺诈通道聚合表征,并与目标节点的当前表征组合生成下一传播层的局部增强表征;

6、s4、重复步骤s2至s3进行多层迭代传播,在最后一传播层将节点的局部增强表征输入分类器,获得未标注节点属于正常类别和欺诈类别的预测概率,根据预设欺诈概率阈值筛选高置信欺诈候选节点,与已标注欺诈节点合并形成扩展欺诈节点集合,在扩展欺诈节点集合上基于注意力传播机制计算各节点表征间的远距离依赖,生成全局欺诈依赖表征;

7、s5、计算全局欺诈依赖表征与正常类别原型和欺诈类别原型的相似度,得到全局欺诈依赖表征的类别归属权重,并分别映射至正常通道和欺诈通道,分别得到映射后的正常通道和欺诈通道的全局信息以预设融合系数分别融合至正常通道聚合表征和欺诈通道聚合表征中,并与目标节点的当前表征组合生成最终节点表征,输入分类器并输出各节点为欺诈节点的概率。

8、优选的是,步骤s1中,原始数据来源于金融活动的业务数据库或风险监测数据库;

9、抽取得到的实体对象包括以下至少一种:账户实体、用户实体、商户实体、交易实体、设备实体和金融工具实体;

10、金融活动关联关系包括以下至少一种:两个实体对象之间存在交易、转账、共同登录设备、共同绑定账户、共同收付款、共同访问商户或资金链路关联;

11、其中,根据边构造结果生成图数据的邻接矩阵或邻接表,邻接矩阵或邻接表用于表示节点之间的关联关系,针对每个节点提取以下特征中的至少一种:交易频次、交易金额、交易时间分布、账户活跃度、设备切换频率、收付款对象数量、历史风险记录特征或资金流转路径特征,将提取的各维度特征组合生成节点特征向量,将所有节点特征向量组合为节点特征矩阵。

12、优选的是,步骤s1中,形成弱监督标签的步骤包括:

13、将经人工审核、监管确认、历史黑名单命中或案件回溯确认为欺诈的实体对象对应节点标记为已标注欺诈节点,将经人工审核、历史无异常交易记录、无风险记录或白名单确认为正常的实体对象对应节点标记为已标注正常节点,将未经过确认或缺少明确风险结论的节点标记为未标注节点。

14、优选的是,步骤s2中,构建类别原型并计算节点类别归属权重的步骤包括:

15、获取当前传播层中各节点的当前表征,分别对已标注正常节点和已标注欺诈节点的当前表征进行聚合,生成正常类别原型和欺诈类别原型,对于类别c,类别原型表示为:

16、

17、其中,vl表示已标注节点集合,即所有已标注正常节点与已标注欺诈节点的并集,be表示正常类别,fr表示欺诈类别,表示节点v在第(l-1)层的表征,δ(yv,c)表示节点标签是否属于类别c,δc表示属于类别c的已标注节点数量;

18、将待估计节点的当前表征以及正常类别原型和欺诈类别原型分别映射至同一隐空间,计算待估计节点表征与各原型之间的相似度,生成待估计节点属于正常类别和欺诈类别的软归属权重;节点vj的类别归属向量表示为:

19、

20、其中,表示由正常类别原型和欺诈类别原型组成的类别原型矩阵,和为可学习的映射矩阵,对于已标注正常节点和已标注欺诈节点,分别设定其确定性类别归属向量,对于未标注节点,采用由相似度计算得到的软归属向量,形成统一的节点-类别归属矩阵。

21、优选的是,步骤s3中,将邻域节点表征分配至两个信息通道的具体步骤为:

22、针对目标节点,根据邻接关系获取目标节点的一跳邻居或多跳邻居,形成局部邻域节点集合,读取局部邻域节点集合中各邻域节点对应的正常类别归属权重和欺诈类别归属权重,根据各邻域节点的正常类别归属权重,将邻域节点的表征加权输入正常通道;根据各邻域节点的欺诈类别归属权重,将邻域节点的表征加权输入欺诈通道;

23、对于已标注正常节点和已标注欺诈节点,分别将其作为对应类别通道中的确定性类别归属向量;对于未标注节点,按照其正常类别软归属权重和欺诈类别软归属权重分别贡献至正常通道和欺诈通道;

24、目标节点vi的邻域影响被分解为正常类别通道和欺诈类别通道:

25、

26、其中,n(vi)表示目标节点vi的局部领域节点集合,和分别表示节点vj归属于正常类别和欺诈类别的权重,表示邻域聚合系数,和分别表示正常类别通道和欺诈类别通道的可学习变换矩阵,表示目标节点vi在第l层受到的邻域影响。

27、优选的是,步骤s4具体包括以下步骤:

28、重复执行权利要求1中的步骤s2至s3进行多层迭代传播,在每一传播层中基于当前传播层的节点表征更新正常类别原型和欺诈类别原型并计算各节点的类别归属权重,基于更新后的类别归属权重进行局部邻域分组聚合生成下一传播层的局部增强表征;

29、在最后一传播层,将各节点的局部增强表征输入分类器,获得未标注节点属于正常类别和欺诈类别的预测概率,根据预设欺诈概率阈值,从未标注节点中筛选欺诈预测概率不低于欺诈概率阈值的节点作为高置信欺诈候选节点;

30、将高置信欺诈候选节点与已标注欺诈节点合并,形成扩展欺诈节点集合,并提取扩展欺诈节点集合中各节点的当前表征,构成全局欺诈节点表征矩阵;

31、在全局欺诈节点表征矩阵上,基于线性注意力机制计算扩展欺诈节点集合中各节点表征之间的远距离依赖,生成各节点对应的全局欺诈依赖表征。

32、优选的是,步骤s5具体包括以下步骤:

33、计算全局欺诈依赖表征与正常类别原型和欺诈类别原型之间的相似度,得到全局欺诈依赖表征归属于正常类别和欺诈类别的类别归属权重;

34、根据类别归属权重将全局欺诈依赖表征分别映射至正常通道和欺诈通道,得到映射至正常通道的全局信息和映射至欺诈通道的全局信息,以预设融合系数分别加和至步骤s3中目标节点的正常通道聚合表征和欺诈通道聚合表征中,得到全局-局部融合后的正常通道聚合表征和欺诈通道聚合表征;

35、将全局-局部融合后的正常通道聚合表征和欺诈通道聚合表征与目标节点的当前传播层表征进行组合,生成最终节点表征;

36、将最终节点表征输入分类器,通过softmax函数输出各节点为正常节点和欺诈节点的概率,将欺诈概率高于预设检测阈值的节点确定为欺诈风险节点。

37、优选的是,步骤s4中,线性注意力机制计算全局欺诈依赖表征的方式表示为:

38、

39、

40、

41、其中,xgt表示全局欺诈节点表征矩阵,ngt表示扩展欺诈节点集合中的节点数量,wq和wk为可学习的映射矩阵,1表示元素全为1的列向量,表示全局欺诈依赖表征矩阵。

42、优选的是,步骤s5中,全局-局部融合后的类别通道聚合结果表示为:

43、

44、其中,,be表示正常类别,fr表示欺诈类别,表示第(l−1)传播层的类别通道聚合函数,表示节点vi在第(l−1)传播层的全局欺诈依赖表征,β表示预设融合系数,取值范围为0~1,用于调控全局欺诈依赖表征对局部聚合表征的贡献强度,表示全局表征映射至类别通道的映射函数,n(vi)表示节点vi的局部邻域节点集合,最终节点表征表示为:

45、

46、其中,表示节点vi在第l传播层的最终节点表征,表示融合函数,表示目标节点自身表征的映射函数。

47、本发明提供一种基于同配性增强与弱监督学习的金融欺诈检测系统,包括:

48、数据获取与图构建模块,其用于获取金融活动的原始数据,抽取实体对象作为节点,将实体对象之间的金融活动关联关系构建为边,提取节点属性特征生成节点特征,得到包含节点特征、邻接关系和弱监督标签的图数据,弱监督标签包括已标注正常节点的正常标签和已标注欺诈节点的欺诈标签,未标注节点保持无标签状态;

49、类别原型构建与归属估计模块,其用于在当前传播层,根据已标注的正常节点和欺诈节点在当前传播层的表征分别构建正常类别原型和欺诈类别原型,计算未标注节点当前表征与正常类别原型和欺诈类别原型的相似度,生成未标注节点归属正常类别和欺诈类别的软归属权重,对已标注节点分别设定确定性类别归属向量,得到各节点的类别归属权重;

50、局部邻域分组聚合模块,其用于获取每一节点的局部邻域节点集合,节点自身为目标节点,根据邻域节点的类别归属权重,将邻域节点的表征分别分配至正常通道和欺诈通道,基于目标节点的当前表征为正常通道和欺诈通道分别生成自适应聚合权重,并对正常通道和欺诈通道中邻域节点表征加权聚合,分别生成正常通道聚合表征和欺诈通道聚合表征,并与目标节点的当前表征组合生成下一传播层的局部增强表征;

51、全局依赖建模模块,其用于重复调用所述类别原型构建与归属估计模块和所述局部邻域分组聚合模块进行多层迭代传播,在最后一传播层将节点的局部增强表征输入分类器,获得未标注节点属于正常类别和欺诈类别的预测概率,根据预设欺诈概率阈值筛选高置信欺诈候选节点,与已标注欺诈节点合并形成扩展欺诈节点集合,在所述扩展欺诈节点集合上基于注意力传播机制计算各节点表征间的远距离依赖,生成全局欺诈依赖表征;

52、融合分类与输出模块,其用于计算所述全局欺诈依赖表征与正常类别原型和欺诈类别原型的相似度,得到全局欺诈依赖表征的类别归属权重,并分别映射至正常通道和欺诈通道,分别得到映射后的正常通道和欺诈通道的全局信息,以预设融合系数分别融合至正常通道聚合表征和欺诈通道聚合表征中,并与目标节点的当前表征组合生成最终节点表征,输入分类器并输出各节点为欺诈节点的概率。

53、本发明至少包括以下有益效果:

54、第一、本发明针对金融欺诈检测中欺诈主体通过主动连接正常实体进行伪装所导致的局部邻域同配性不足问题,通过在局部邻域聚合过程中引入类别归属权重将邻域信息分配至正常通道和欺诈通道分别聚合,实现了邻域信息的通道级分离,能够抑制大量正常邻居对欺诈节点表征的稀释作用,使欺诈节点在局部邻域中被正常节点包围的情况下,仍能通过欺诈通道保留和传递同类欺诈信息,从而提升对伪装欺诈节点的识别能力,相比于传统图神经网络将所有邻居无差别聚合的方式,本发明通过双通道分组聚合改变了邻域信息的融合方式,使模型能够区分邻域中的异类干扰信息与同类增强信息,为异配邻域场景下的节点表征学习提供了一种可行的技术路径。

55、第二、本发明针对金融欺诈检测中欺诈标签获取成本高、已标注样本数量有限所导致的弱监督学习困难问题,通过利用少量已标注节点构建正常类别原型和欺诈类别原型,并为未标注节点赋予类别软归属权重,使类别信息能够从已标注节点向未标注节点传播,软标签估计机制不依赖外部先验知识,仅依靠当前传播层的节点表征与类别原型之间的相似度即可为未标注节点提供类别归属的参考依据,在一定程度上缓解了标注稀缺条件下的监督信号不足问题,同时,通过将类别归属辅助约束引入训练目标,使类别原型估计与分类预测相互验证、优化,有助于挖掘未标注节点中蕴含的结构化信息。

56、第三、本发明针对同类欺诈节点在全局网络中稀疏分布、局部邻域内难以形成有效同配信号的问题,通过从未标注节点中筛选高置信欺诈候选节点与已标注欺诈节点共同构成扩展欺诈节点集合,并仅在集合内部进行全局注意力传播,使稀疏分布于网络各处的欺诈节点能够跨越局部邻域进行直接信息交互,捕获远距离的同类欺诈依赖关系,全局依赖建模方式有别于传统图transformer对所有节点进行无差别全局交互的做法,既能够补充局部邻域聚合难以获取的远距离同配信号,又避免了引入大量无关正常节点所带来的信息干扰和计算开销,通过将全局欺诈依赖信息与局部增强表征在同一类别语义空间中进行融合,使每个节点的最终表征兼具局部邻域信息与全局同配关联信息,为大规模金融活动网络中稀疏分布欺诈节点的检测提供了一种可行的技术方案。

57、本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。