一种基于深度学习的业务风控智能评估方法与流程

本发明涉及深度学习，具体涉及一种基于深度学习的业务风控智能评估方法。

背景技术：

1、在数字化金融、电子商务及线上社交等业务场景中，欺诈行为、账户盗用、恶意刷单等风险事件频发，给平台和用户带来巨大损失。传统的业务风控系统主要依赖专家经验和预先定义的规则集进行异常判别。这类基于规则的方法虽然计算效率高、可解释性强，但其固有缺陷在实际业务中日渐凸显，规则对新型、隐蔽的攻击模式缺乏泛化能力；面对业务模式的动态演化，静态规则需耗费大量人力持续维护与更新，且规则的滞后性往往导致风控策略在新型欺诈出现后才能被动修补。此外，恶意攻击者一旦掌握规则逻辑，极易通过针对性调整行为特征绕过检测，导致规则引擎的识别准确率随时间急剧下降，产生高漏报与误报，严重影响正常用户体验和平台安全。因此，如何在不依赖人工经验规则的前提下，自适应地学习用户正常行为的复杂分布模式，并有效识别出偏离该分布的微小异常波动，成为当前业务风控领域中亟待解决的核心技术问题。

技术实现思路

1、本发明的目的在于提供一种基于深度学习的业务风控智能评估方法，解决以上技术问题。

2、本发明的目的可以通过以下技术方案实现：

3、一种基于深度学习的业务风控智能评估方法，包括以下步骤：

4、s1：获取目标业务场景中用户在预设参考期内的业务行为数据，所述业务行为数据包括用户的交易金额、交易对家标识、交易平台类型、异地交易信息、登录时间戳、登录ip地址以及登录目标业务场景所使用的设备指纹信息；

5、s2：将所述参考期内未触发任何风控规则的用户标记为正样本用户，将正样本用户的业务行为数据归入纯净正样本数据集；

6、对纯净正样本数据集中的各业务行为数据进行特征提取和向量化处理，生成正常行为特征向量集合；

7、s3：使用所述正常行为特征向量集合对变分自编码器网络进行训练，通过最小化重构损失与kl散度之和优化所述变分自编码器网络的编码器参数和解码器参数，所述变分自编码器网络学习所述纯净正样本数据集中正样本用户业务行为数据所服从的数据分布，得到已训练的自集编码器模型，所述自集编码器模型包括已训练的编码器和已训练的解码器；

8、s4：将待评估用户的业务行为数据输入所述已训练的自集编码器模型，经所述已训练的编码器映射为隐空间向量，再经所述已训练的解码器重构为重构数据，计算所述重构数据与所述待评估用户的原始输入数据之间的重构误差；

9、若所述重构误差超过预设的阈值，判定所述待评估用户的业务行为异常，输出风险预警信号；若所述重构误差未超过预设的阈值，判定所述待评估用户的业务行为正常并输出正常。

10、作为本发明进一步的方案：在所述步骤s2中，将所述参考期内未触发任何风控规则的用户标记为正样本用户的方法包括：

11、获取所述交易金额的均值n1和标准差s1，计算该用户的交易金额区间[n1-2×s1，n1+2×s1]；

12、获取单日交易频次的均值n2和标准差s2，计算该用户的交易频次区间[n2-2×s2，n2+2×s2]；

13、将所述参考期内交易金额和单日交易频次均处于交易金额区间和交易频次区间的用户标记为正样本用户。

14、作为本发明进一步的方案：在所述的步骤s4中，所述重构误差指所述重构数据与待评估用户的业务行为数据之间的均方误差；

15、所述预设的阈值通过以下方式计算：

16、计算所述纯净正样本数据集中各样本在所述已训练的自集编码器模型下的重构误差，取全部重构误差的m%分位数作为所述阈值。

17、作为本发明进一步的方案：在所述的步骤s3中，所述的变分自编码器网络的编码器为多层全连接神经网络，输出层维度与所述正常行为特征向量的维度一致，中间隐层维度逐层递减，输出层输出所述隐空间向量的均值向量和方差向量；

18、所述解码器为所述编码器对称的多层全连接神经网络，输入层接收从所述隐空间向量采样得到的采样向量，输出层维度与所述输入层维度一致。

19、作为本发明进一步的方案：在所述的步骤s2中，对纯净正样本数据集中的各业务行为数据进行特征提取和向量化处理，生成正常行为特征向量集合的方法具体包括：

20、对所述交易金额进行对数变换后做归一化处理；所述交易对家标识、交易平台类型和所述设备指纹信息嵌入预设的编码；根据所述异地交易信息提取交易地理位置并进行经纬度编码，根据所述登录ip地址解析登陆城市与预设常驻城市之间的地理距离并计算异地登录度量值；根据各用户的登录时间戳按时间排序后构造相邻登录时间间隔序列；将上述各项处理结果拼接为所述正常行为特征向量。

21、作为本发明进一步的方案：在所述的步骤s4中，还包括：

22、针对被判定为业务行为正常的待评估用户，将其业务行为数据增量式的加入所述纯净正样本数据集，每间隔预设更新周期重新执行自集训练以更新所述自集编码器模型的参数。

23、作为本发明进一步的方案：在所述的步骤s4中，还包括克隆选择增强步骤：

24、判定步骤判定为异常行为之后，将所述待评估用户的业务行为数据作为抗原样本，以所述抗原样本的特征向量对所述已训练的自集编码器模型进行对抗性微调，将所述抗原样本输入所述编码器得到抗原隐空间向量，在所述抗原隐空间向量周围施加扰动后输入所述解码器进行重构，以所述抗原样本的重构误差最大化作为优化目标，对所述解码器的参数进行有限步梯度上升更新。

25、作为本发明进一步的方案：在所述的步骤s1中，若待评估用户的总交易次数少于预设的判断值，则停止后续分析，直至总交易次数大于等于预设的判断值。

26、本发明的有益效果：（1）本发明突破传统规则引擎依赖人工经验定义静态阈值的局限，提供了一种基于深度变分自编码器的业务风控智能评估方法。该方法仅利用参考期内未触发任何规则的纯净正样本数据训练网络，使模型自主学习正常业务行为的高维统计分布规律。在评估阶段，通过计算重构误差并以分位数阈值实现自适应判别，无需人工维护任何规则逻辑。相比固定规则，本发明能够捕捉正常行为边界内难以察觉的微小模式偏移，对于从未出现的异常行为模式同样具备泛化检测能力，显著提升了风控系统的智能化水平与抗攻击能力，同时大幅降低了专家规则维护的成本。

27、（2）本发明在特征构建上融合交易金额对数变换、交易对家与设备指纹嵌入编码、地理位置解析及相邻登录间隔序列等多维度细粒度特征，使行为画像刻画更为精准。同时，模型具备增量更新机制，可将正常用户数据定期纳入训练集进行参数微调，实现对业务模式演变的动态跟踪；此外，克隆选择增强步骤针对误判为异常的样本进行对抗性微调，进一步提升了模型对分布边界样本的鲁棒性。上述机制使本发明在面对业务季节性波动、新客群行为迁移等场景时保持稳定评估性能，增强了系统的自适应性、持续学习能力和工程实用性。

1.一种基于深度学习的业务风控智能评估方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于深度学习的业务风控智能评估方法，其特征在于，在所述步骤s2中，将所述参考期内未触发任何风控规则的用户标记为正样本用户的方法包括：

3.根据权利要求1所述的一种基于深度学习的业务风控智能评估方法，其特征在于，在所述的步骤s4中，所述重构误差指所述重构数据与待评估用户的业务行为数据之间的均方误差；

4.根据权利要求1所述的一种基于深度学习的业务风控智能评估方法，其特征在于，在所述的步骤s3中，所述的变分自编码器网络的编码器为多层全连接神经网络，输出层维度与所述正常行为特征向量的维度一致，中间隐层维度逐层递减，输出层输出所述隐空间向量的均值向量和方差向量；

5.根据权利要求1所述的一种基于深度学习的业务风控智能评估方法，其特征在于，在所述的步骤s2中，对纯净正样本数据集中的各业务行为数据进行特征提取和向量化处理，生成正常行为特征向量集合的方法具体包括：

6.根据权利要求1所述的一种基于深度学习的业务风控智能评估方法，其特征在于，在所述的步骤s4中，还包括：

7.根据权利要求1所述的一种基于深度学习的业务风控智能评估方法，其特征在于，在所述的步骤s4中，还包括克隆选择增强步骤：

8.根据权利要求1所述的一种基于深度学习的业务风控智能评估方法，其特征在于，在所述的步骤s1中，若待评估用户的总交易次数少于预设的判断值，则停止后续分析，直至总交易次数大于等于预设的判断值。