对反欺诈模型进行训练的方法、识别金融欺诈行为的方法及其相关产品与流程

技术特征：
1.一种用于对识别金融欺诈行为的反欺诈模型进行训练的方法，其特征在于，所述方法由处理器执行，并且包括：获取关于金融欺诈行为的样本特征作为训练数据；将所述训练数据输入至所述反欺诈模型，以对所述反欺诈模型进行聚类训练；以及响应于所述反欺诈模型输出目标类簇，完成对所述反欺诈模型的聚类训练，其中所述目标类簇中的簇中心点表征正常金融交易行为并且所述目标类簇中的各个类簇的类簇间距离和每个类簇内元素间的类簇内距离满足预定评价指标。2.根据权利要求1所述的方法，其特征在于，其中获取关于金融欺诈行为的样本特征作为训练数据包括：获取关于金融交易行为的原始数据样本集；从所述原始数据样本集中提取关于金融欺诈行为的初始样本特征；以及对所述初始样本特征进行归一化处理，并将其作为所述训练数据。3.根据权利要求1所述的方法，其特征在于，其中对所述反欺诈模型进行聚类训练包括：利用k均值聚类算法对所述训练数据进行聚类训练，并在聚类过程中循环执行以下操作：计算所训练的各个类簇的类簇间距离以及每个类簇内元素间的类簇内距离，以得到聚类结果；以及根据所述聚类结果调整所训练的类簇数量，直至输出所述目标类簇。4.根据权利要求3所述的方法，其特征在于，其中所述方法还包括：根据以下公式确定所述预定评价指标：f
max
＝2dvi
×
cp/(dvi cp)；其中，f
max
表示取公式的最大值为所述预定评价指标，dvi表示用于表征各个类簇的类簇间距离的邓恩指数，cp表示用于表征每个类簇内元素间的类簇内距离的紧密度指数。5.一种用于对识别金融欺诈行为的反欺诈模型进行训练的电子设备，其特征在于，包括：处理器，其配置用于执行程序指令；以及存储器，其配置用于存储所述程序指令，当所述程序指令由所述处理器加载并执行时，使得所述电子设备执行根据权利要求1
‑
4的任意一项所述的方法。6.一种用于识别金融欺诈行为的方法，其特征在于，所述方法是基于权利要求5的电子设备所训练的反欺诈模型进行金融欺诈行为识别的方法，其包括：获取待识别的金融交易数据；计算所述待识别的金融交易数据与所述反欺诈模型中目标类簇的簇中心点的距离；以及基于所述距离确定是否存在金融欺诈行为。7.根据权利要求6所述的方法，其特征在于，其中基于所述距离确定是否存在金融欺诈行为包括：判断所述距离是否大于阈值；响应于所述距离大于或者等于阈值，确定存在金融欺诈行为；或者
响应于所述距离小于阈值，确定不存在金融欺诈行为。8.根据权利要求6或7所述的方法，其特征在于，其中计算所述待识别的金融交易数据与所述反欺诈模型中目标类簇的簇中心点的距离包括：计算所述待识别的金融交易数据与所述目标类簇的簇中心点之间的欧式距离。9.一种用于识别金融欺诈行为的电子设备，其特征在于，包括：处理器；以及存储器，其存储有用于识别金融欺诈行为的计算机指令，当所述计算机指令由所述处理器运行时，使得所述电子设备执行根据权利要求6
‑
8的任意一项所述的方法。10.一种用于识别金融欺诈行为的系统，其特征在于，包括：如权利要求5所述的电子设备，其配置成执行根据权利要求1至4中任意一项所述的方法，以对用于识别金融欺诈行为的反欺诈模型进行训练；以及如权利要求9所述的电子设备，其配置成执行根据权利要求6至8中任意一项所述的方法，以基于所述反欺诈模型识别金融欺诈行为。

技术总结
本发明涉及一种用于对识别金融欺诈行为的反欺诈模型进行训练的方法及电子设备、用于识别金融欺诈行为的方法、电子设备和系统。其中，对反欺诈模型进行训练的方法由处理器执行，并且包括：获取关于金融欺诈行为的样本特征作为训练数据；将训练数据输入至反欺诈模型，以对反欺诈模型进行聚类训练；以及响应于反欺诈模型输出目标类簇，完成对反欺诈模型的聚类训练，其中目标类簇中的簇中心点表征正常金融交易行为并且目标类簇中的各个类簇的类簇间距离和每个类簇内元素间的类簇内距离满足预定评价指标。通过本发明的技术方案，不依赖于样本标签，即可实现对反欺诈模型的无监督训练，从而为利用该反欺诈模型进行精准的金融欺诈行为识别提供有力保障。欺诈行为识别提供有力保障。欺诈行为识别提供有力保障。


技术研发人员：犹然 苏才礼 王云鹏 王泰
受保护的技术使用者：中金金融认证中心有限公司
技术研发日：2021.09.29
技术公布日：2022/1/4