信用卡风险检测方法及装置与流程

1.本发明涉及人工智能技术领域，具体地，涉及一种信用卡风险检测方法及装置。


背景技术：

2.近年来，信用卡业务蓬勃发展，发卡量激增。在高速发展的同时，信用卡业务的风险也日益显现，信用卡欺诈案件呈不断攀升的趋势。如何在业务快速发展的同时快速准确的检测出信用卡欺诈行为是发卡机构面临的一个十分严峻的问题。信用卡交易的历史样本统计特征显示，风险交易样本数量远远少于正常交易样本数量，即样本数据存在类别分布非均衡问题，一般的分类方法对类别样本分布均匀的集合进行分类效能较高，而若直接对分布不均衡的样本数据进行模型训练，会导致分类预测模式不准确，难以对量少的目标数据进行正确识别，因此，信用卡风险检测需要对样本数据的非均衡进行处理。
3.现有的技术处理非均衡数据常采用过采样或者欠采样的方法。过采样方法是对风险样本数据进行重复采样以使风险样本数据量约等于正常交易样本数据量，实际上没有为模型引入更多的数据，过分强调风险交易数据，容易导致过拟合；欠采样方法是对正常样本数据进行随机抽取，丢弃大量数据以令抽取的正常样本数据量约等于风险样本数据量，导致丧失非常多的信息。可以看出采样方法会改变原始数据的分布，过采样或欠采样的信用卡检测方法往往会提高检测误报率。


技术实现要素：

4.本发明实施例的主要目的在于提供一种信用卡风险检测方法及装置，以提高信用卡检测正确率。
5.为了实现上述目的，本发明实施例提供一种信用卡风险检测方法，包括：
6.获取当前信用卡数据；
7.对当前信用卡数据进行脱敏处理；
8.将脱敏处理后的当前信用卡数据输入基于历史信用卡数据和代价参数规则创建的信用卡检测模型中，得到信用卡风险检测结果。
9.在其中一种实施例中，历史信用卡数据包括历史信用卡训练数据和历史信用卡验证数据；
10.基于历史信用卡数据和代价参数规则创建信用卡检测模型包括：
11.执行如下迭代处理：
12.根据历史信用卡训练数据和各模型参数确定各信用卡风险预测结果；
13.根据各信用卡风险预测结果、历史信用卡训练数据对应的信用卡风险真实结果和代价参数规则确定损失函数；
14.判断损失函数是否小于预设损失函数阈值；
15.当损失函数小于预设损失函数阈值时，根据当前迭代中的各模型参数创建各信用卡检测训练模型，否则根据损失函数更新模型参数，继续执行迭代处理；
16.根据历史信用卡验证数据对各信用卡检测训练模型进行验证，根据验证结果从各信用卡检测训练模型中选择信用卡检测模型。
17.在其中一种实施例中，根据各信用卡风险预测结果、历史信用卡训练数据对应的信用卡风险真实结果和代价参数规则确定损失函数包括：
18.根据各信用卡风险预测结果、历史信用卡训练数据对应的信用卡风险真实结果的比较结果和代价参数规则确定代价参数；
19.根据各信用卡风险预测结果、历史信用卡训练数据对应的信用卡风险真实结果和代价参数确定损失函数。
20.在其中一种实施例中，信用卡风险预测结果与信用卡风险真实结果不同时的代价参数大于或等于信用卡风险预测结果与信用卡风险真实结果相同时的代价参数。
21.本发明实施例还提供一种信用卡风险检测装置，包括：
22.获取模块，用于获取当前信用卡数据；
23.脱敏模块，用于对当前信用卡数据进行脱敏处理；
24.信用卡风险检测结果模块，用于将脱敏处理后的当前信用卡数据输入基于历史信用卡数据和代价参数规则创建的信用卡检测模型中，得到信用卡风险检测结果。
25.在其中一种实施例中，历史信用卡数据包括历史信用卡训练数据和历史信用卡验证数据；
26.信用卡风险检测装置还包括信用卡检测模型创建模块，包括：
27.信用卡风险预测结果单元，用于根据历史信用卡训练数据和各模型参数确定各信用卡风险预测结果；
28.损失函数单元，用于根据各信用卡风险预测结果、历史信用卡训练数据对应的信用卡风险真实结果和代价参数规则确定损失函数；
29.判断单元，用于判断损失函数是否小于预设损失函数阈值；
30.迭代单元，用于当损失函数小于预设损失函数阈值时，根据当前迭代中的各模型参数创建各信用卡检测训练模型，否则根据损失函数更新模型参数，继续执行迭代处理；
31.测试单元，用于根据历史信用卡验证数据对各信用卡检测训练模型进行验证，根据验证结果从各信用卡检测训练模型中选择所述信用卡检测模型。
32.在其中一种实施例中，损失函数单元包括：
33.代价参数子单元，用于根据各信用卡风险预测结果、历史信用卡训练数据对应的信用卡风险真实结果的比较结果和代价参数规则确定代价参数；
34.损失函数子单元，用于根据各信用卡风险预测结果、历史信用卡训练数据对应的信用卡风险真实结果和代价参数确定损失函数。
35.在其中一种实施例中，信用卡风险预测结果与信用卡风险真实结果不同时的代价参数大于或等于信用卡风险预测结果与信用卡风险真实结果相同时的代价参数。
36.本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，处理器执行计算机程序时实现所述的信用卡风险检测方法的步骤。
37.本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现所述的信用卡风险检测方法的步骤。
38.本发明实施例还提供一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时实现所述的信用卡风险检测方法的步骤。
39.本发明实施例的信用卡风险检测方法及装置将脱敏处理后的当前信用卡数据输入基于历史信用卡数据和代价参数规则创建的信用卡检测模型中得到信用卡风险检测结果，可以提高信用卡检测正确率。
附图说明
40.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
41.图1是本发明实施例中信用卡风险检测方法的流程图；
42.图2是本发明另一实施例中信用卡风险检测方法的流程图；
43.图3是本发明实施例中创建信用卡检测模型的流程图；
44.图4是本发明实施例中s202的流程图；
45.图5是本发明实施例中信用卡风险检测装置的结构框图；
46.图6是本发明实施例中计算机设备的结构框图。
具体实施方式
47.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
48.本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
49.本技术技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
50.本发明涉及的术语解释如下：
51.1、脱敏：是指对某些敏感信息通过脱敏规则进行数据的变形，实现敏感隐私数据的可靠保护。比如客户卡号、收入等敏感信息。
52.2、f1评价指标：统计学中用来衡量二分类模型精确度的一种指标。它同时兼顾了分类模型的精确率和召回率。f1值可以看作是模型精确率和召回率的一种加权平均，它的最大值是1，最小值是0。
53.3、主成分分析法：是一种降维的统计方法，它借助于正交变换，将其分量相关的原随机向量转化成其分量不相关的新随机向量。
54.鉴于信用卡风险检测面临检测误报率高的问题，本发明实施例提供一种信用卡风险检测方法，采用改进的代价敏感模型，提高代价高的误分类样本权重和代价高的正确分类样本权重，依此提高模型对风险数据敏感度，同时对检测结果进行推理测试，确认后的结
果会进入历史数据以增加数据量，使模型检测效果不断提高。以下结合附图对本发明进行详细说明。
55.图1是本发明实施例中信用卡风险检测方法的流程图。图2是本发明另一实施例中信用卡风险检测方法的流程图。如图1-图2所示，信用卡风险检测方法包括：
56.s101：获取当前信用卡数据。
57.其中，位于本周期的当前信用卡数据为未标注的测试数据。
58.s102：对当前信用卡数据进行脱敏处理。
59.s103：将脱敏处理后的当前信用卡数据输入基于历史信用卡数据和代价参数规则创建的信用卡检测模型中，得到信用卡风险检测结果。
60.其中，历史信用卡数据包括历史信用卡训练数据和历史信用卡验证数据。可以采用主成分分析方法对脱敏处理后的当前信用卡数据进行特征提取，将特征提取后的当前信用卡数据输入信用卡检测模型中。
61.具体实施时，对信用卡风险检测结果进行确认，将确认完成的数据与源数据进行合并，更新数据库。等到了下一周期，采集下一周期的数据进行脱敏处理并设为测试数据，重复以上步骤。
62.图3是本发明实施例中创建信用卡检测模型的流程图。如图3所示，基于历史信用卡数据和代价参数规则创建信用卡检测模型包括：
63.执行如下迭代处理：
64.s201：根据历史信用卡训练数据和各模型参数确定各信用卡风险预测结果。
65.在执行s201之前，还包括：对历史数据(本周期之前的数据)进行采集，采集到的源数据包含正常样本和风险样本。将源数据进行脱敏处理，并分成训练集和验证集，两者的比例为9:1。
66.经过预处理的数据含有许多特征。为了提取有用的数据特征，同时降低特征数量，采用主成分分析方法分别对训练集和验证集进行特征提取得到特征数据。通过网格搜索方法设置一定的参数并对训练集的特征数据进行训练。
67.s202：根据各信用卡风险预测结果、历史信用卡训练数据对应的信用卡风险真实结果和代价参数规则确定损失函数。
68.图4是本发明实施例中s202的流程图。如图4所示，s202包括：
69.s301：根据各信用卡风险预测结果、历史信用卡训练数据对应的信用卡风险真实结果的比较结果和代价参数规则确定代价参数。
70.其中，信用卡风险预测结果与信用卡风险真实结果不同时的代价参数大于或等于信用卡风险预测结果与信用卡风险真实结果相同时的代价参数。信用卡风险预测结果和信用卡风险真实结果均包括风险结果和正常结果。
71.具体实施时，当信用卡风险预测结果与信用卡风险真实结果均为风险结果时，代价参数为cn，cn是需要调整的参数，取值范围为[0,0.5]。当信用卡风险预测结果为正常结果且信用卡风险真实结果为风险结果时，代价参数为0.5cn 0.5；当信用卡风险预测结果为风险结果且信用卡风险真实结果为正常结果时，代价参数为0.5cn 0.5；当信用卡风险预测结果与信用卡风险真实结果均为正常结果时，代价参数为0。
[0072]
上述代价参数确定方法更适合于信用卡风险检测方法，因为风险样本的样本量少
且难以获得，风险检测的目的是发现存在风险的交易，因此把风险样本预测为正常样本与把正常样本预测为风险样本都会带来巨大代价，同时也要增加把风险样本预测准确的权重，这样更倾向于把风险样本预测准确。
[0073]
s302：根据各信用卡风险预测结果、历史信用卡训练数据对应的信用卡风险真实结果和代价参数确定损失函数。
[0074]
s203：判断损失函数是否小于预设损失函数阈值。
[0075]
s204：当损失函数小于预设损失函数阈值时，根据当前迭代中的各模型参数创建各信用卡检测训练模型。
[0076]
s205：当损失函数大于或等于预设损失函数阈值时，根据损失函数更新模型参数，继续执行迭代处理。
[0077]
s206：根据历史信用卡验证数据对各信用卡检测训练模型进行验证，根据验证结果从各信用卡检测训练模型中选择信用卡检测模型。
[0078]
具体实施时，训练完成网格搜索中的一组组合参数后，通过验证集数据对信用卡检测训练模型进行验证，验证结果采用f1值评价指标进行评价。网格搜索方法会调整参数，即更换成另一组组合参数，重新通过训练集的特征数据训练模型，重复对验证集数据进行验证，得到这组组合参数对应f1值。以此循环，当验证完成所有组合参数后，选择最大的f1值对应的信用卡检测训练模型为信用卡检测模型。
[0079]
根据信用卡风险检测结果可以知道潜在的风险信用卡，从而可以采取必要的措施，减少客户及银行的损失。
[0080]
执行s103之后，需要实际核查信用卡风险检测结果中哪些是分类正确的，哪些是分类错误的，从而确认哪些是正常样本，哪些是风险样本。下一周期时，可以将已经确认的结果数据组成新的历史数据，下一周期的数据为本周期的数据，重复以上的过程。随着时间的推移，训练数据集中的正常样本和风险样本数量都在不断的增多，模型的f1值也会随之增加，误报率相应减少，检测效果不断提高。
[0081]
图1所示的用卡风险检测方法的执行主体可以为计算机。由图1所示的流程可知，本发明实施例的信用卡风险检测方法将脱敏处理后的当前信用卡数据输入基于历史信用卡数据和代价参数规则创建的信用卡检测模型中得到信用卡风险检测结果，可以提高信用卡检测正确率。
[0082]
本发明实施例的具体流程如下：
[0083]
1、根据历史信用卡训练数据和各模型参数确定各信用卡风险预测结果。
[0084]
2、根据各信用卡风险预测结果、历史信用卡训练数据对应的信用卡风险真实结果的比较结果和代价参数规则确定代价参数。
[0085]
3、根据各信用卡风险预测结果、历史信用卡训练数据对应的信用卡风险真实结果和代价参数确定损失函数。
[0086]
4、判断损失函数是否小于预设损失函数阈值。当损失函数小于预设损失函数阈值时，根据当前迭代中的各模型参数创建各信用卡检测训练模型，否则根据损失函数更新模型参数，返回步骤1。
[0087]
5、根据历史信用卡验证数据对各信用卡检测训练模型进行验证，根据验证结果从各信用卡检测训练模型中选择信用卡检测模型。
[0088]
6、获取当前信用卡数据，对当前信用卡数据进行脱敏处理。
[0089]
7、将脱敏处理后的当前信用卡数据输入信用卡检测模型中得到信用卡风险检测结果。
[0090]
综上所述，本发明实施例提供的信用卡风险检测方法具有以下有益效果：
[0091]
1、采用改进的代价敏感模型，提高代价高的误分类样本权重和代价高的正确分类样本的权重，更倾向于把风险样本预测准确，依此提高模型对风险数据敏感度，解决非均衡数据的影响。
[0092]
2、使用f1值准确评估非均衡数据建立的模型效果。
[0093]
3、确认后结果的再利用。对检测结果进行推理测试，确认后的结果会进入历史数据以增加数据量，使模型检测效果不断提高。
[0094]
基于同一发明构思，本发明实施例还提供了一种信用卡风险检测装置，由于该装置解决问题的原理与信用卡风险检测方法相似，因此该装置的实施可以参见方法的实施，重复之处不再赘述。
[0095]
图5是本发明实施例中信用卡风险检测装置的结构框图。如图5所示，信用卡风险检测装置包括：
[0096]
获取模块，用于获取当前信用卡数据；
[0097]
脱敏模块，用于对当前信用卡数据进行脱敏处理；
[0098]
信用卡风险检测结果模块，用于将脱敏处理后的当前信用卡数据输入基于历史信用卡数据和代价参数规则创建的信用卡检测模型中，得到信用卡风险检测结果。
[0099]
在其中一种实施例中，历史信用卡数据包括历史信用卡训练数据和历史信用卡验证数据；
[0100]
信用卡风险检测装置还包括信用卡检测模型创建模块，包括：
[0101]
信用卡风险预测结果单元，用于根据历史信用卡训练数据和各模型参数确定各信用卡风险预测结果；
[0102]
损失函数单元，用于根据各信用卡风险预测结果、历史信用卡训练数据对应的信用卡风险真实结果和代价参数规则确定损失函数；
[0103]
判断单元，用于判断损失函数是否小于预设损失函数阈值；
[0104]
迭代单元，用于当损失函数小于预设损失函数阈值时，根据当前迭代中的各模型参数创建各信用卡检测训练模型，否则根据损失函数更新模型参数，继续执行迭代处理；
[0105]
测试单元，用于根据历史信用卡验证数据对各信用卡检测训练模型进行验证，根据验证结果从各信用卡检测训练模型中选择所述信用卡检测模型。
[0106]
在其中一种实施例中，损失函数单元包括：
[0107]
代价参数子单元，用于根据各信用卡风险预测结果、历史信用卡训练数据对应的信用卡风险真实结果的比较结果和代价参数规则确定代价参数；
[0108]
损失函数子单元，用于根据各信用卡风险预测结果、历史信用卡训练数据对应的信用卡风险真实结果和代价参数确定损失函数。
[0109]
在其中一种实施例中，信用卡风险预测结果与信用卡风险真实结果不同时的代价参数大于或等于信用卡风险预测结果与信用卡风险真实结果相同时的代价参数。
[0110]
在实际应用中，信用卡风险检测装置包括：
[0111]
数据库模块，用于存储历史数据和本周期数据。历史数据是本周期之前的数据。
[0112]
数据预处理模块，包括获取模块和脱敏模块，用于对数据库中的数据进行采集、脱敏处理及数据集的划分。其中，历史数据经采集和脱敏处理后，划分成训练集和验证集，两者的比例为9:1。
[0113]
建模及评估预测模块，包括信用卡风险检测结果模块和信用卡检测模型创建模块，用于对数据集进行主成分分析，建立模型并对训练集数据进行训练，使用验证集数据对模型进行评估，调整参数，使用训练好的模型对预测集数据进行预测。
[0114]
预测结果确认模块，用于完成对预测结果的实际核查确认。确认的结果可融入下一周期的历史数据。
[0115]
综上，本发明实施例的信用卡风险检测装置将脱敏处理后的当前信用卡数据输入基于历史信用卡数据和代价参数规则创建的信用卡检测模型中得到信用卡风险检测结果，可以提高信用卡检测正确率。
[0116]
本发明实施例还提供能够实现上述实施例中的信用卡风险检测方法中全部步骤的一种计算机设备的具体实施方式。图6是本发明实施例中计算机设备的结构框图，参见图6，所述计算机设备具体包括如下内容：
[0117]
处理器(processor)601和存储器(memory)602。
[0118]
所述处理器601用于调用所述存储器602中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的信用卡风险检测方法中的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
[0119]
获取当前信用卡数据；
[0120]
对当前信用卡数据进行脱敏处理；
[0121]
将脱敏处理后的当前信用卡数据输入基于历史信用卡数据和代价参数规则创建的信用卡检测模型中，得到信用卡风险检测结果。
[0122]
综上，本发明实施例的计算机设备将脱敏处理后的当前信用卡数据输入基于历史信用卡数据和代价参数规则创建的信用卡检测模型中得到信用卡风险检测结果，可以提高信用卡检测正确率。
[0123]
本发明实施例还提供能够实现上述实施例中的信用卡风险检测方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的信用卡风险检测方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
[0124]
获取当前信用卡数据；
[0125]
对当前信用卡数据进行脱敏处理；
[0126]
将脱敏处理后的当前信用卡数据输入基于历史信用卡数据和代价参数规则创建的信用卡检测模型中，得到信用卡风险检测结果。
[0127]
综上，本发明实施例的计算机可读存储介质将脱敏处理后的当前信用卡数据输入基于历史信用卡数据和代价参数规则创建的信用卡检测模型中得到信用卡风险检测结果，可以提高信用卡检测正确率。
[0128]
本发明实施例还提供能够实现上述实施例中的信用卡风险检测方法中全部步骤的一种计算机程序产品，所述计算机程序产品包括计算机程序/指令，该计算机程序/指令
被处理器执行时实现上述实施例中的信用卡风险检测方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
[0129]
获取当前信用卡数据；
[0130]
对当前信用卡数据进行脱敏处理；
[0131]
将脱敏处理后的当前信用卡数据输入基于历史信用卡数据和代价参数规则创建的信用卡检测模型中，得到信用卡风险检测结果。
[0132]
综上，本发明实施例的计算机程序产品将脱敏处理后的当前信用卡数据输入基于历史信用卡数据和代价参数规则创建的信用卡检测模型中得到信用卡风险检测结果，可以提高信用卡检测正确率。
[0133]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
[0134]
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block)，单元，和步骤可以通过电子硬件、电脑软件，或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability)，上述的各种说明性部件(illustrative components)，单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本发明实施例保护的范围。
[0135]
本发明实施例中所描述的各种说明性的逻辑块，或单元，或装置都可以通过通用处理器，数字信号处理器，专用集成电路(asic)，现场可编程门阵列或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。
[0136]
本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可移动磁盘、cd-rom或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于asic中，asic可以设置于用户终端中。可选地，处理器和存储媒介也可以设置于用户终端中的不同的部件中。
[0137]
在一个或多个示例性的设计中，本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现，这些功能可以存储与电脑可读的媒介上，或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如，这样的电脑可读媒体可以包括但
不限于ram、rom、eeprom、cd-rom或其它光盘存储、磁盘存储或其它磁性存储装置，或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外，任何连接都可以被适当地定义为电脑可读媒介，例如，如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(dsl)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、dvd、软盘和蓝光光盘，磁盘通常以磁性复制数据，而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。