(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211158596.9 (22)申请日 2022.09.22 (71)申请人 中国农业银行股份有限公司 地址 100005 北京市东城区建国门内大街 69号 (72)发明人 张志诚　 (74)专利代理 机构 北京品源专利代理有限公司 11332 专利代理师 杨义 (51)Int.Cl. G06Q 20/40(2012.01) G06Q 40/04(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种交易行为的欺诈预测方法、 装置、 设备 和存储介质 (57)摘要 本发明公开了一种交易行为的欺诈预测方 法、 装置、 设备和存储介质。 该方法包括： 获取当 前交易行为对应的当前交易流水数据； 对当前交 易流水数据进行特征提取， 构建出当前交易行为 对应的当前交易特征矩阵； 将当前交易特征矩阵 和目标交易特征矩 阵输入至训练结束后的孪生 卷积神经网络模型中进行当前交易行为的欺诈 预测， 其中， 目标交易特征矩阵是预先基于正常 交易行为流水数据和多种欺诈类型对应的欺诈 交易行为流水数据构建出的； 根据孪生卷积神经 网络模型的输出， 确定当前交易行为对应的欺诈 预测结果。 本发 明技术方案可以实现 交易行为的 自动欺诈预测， 无需人工参与， 提高交易行为欺 诈预测的准确性和效率。 权利要求书2页 说明书12页 附图4页 CN 115545712 A 2022.12.30 CN 115545712 A 1.一种交易行为的欺诈预测方法， 其特 征在于， 包括： 获取当前交易行为对应的当前交易 流水数据； 对所述当前交易流水数据进行特征提取， 构建出所述当前交易行为对应的当前交易特 征矩阵； 将所述当前交易特征矩阵和目标交易特征矩阵输入至训练结束后的孪生卷积神经网 络模型中进行当前交易行为的欺诈预测， 其中， 所述 目标交易特征矩阵是预先基于正常交 易行为流水数据和多种欺诈类型对应的欺诈交易行为 流水数据构建出的； 根据所述孪生卷积神经网络模型的输出， 确定所述当前交易行为对应的欺诈预测结 果， 其中， 所述欺诈预测结果包括预测出的目标欺诈类型。 2.根据权利要求1所述的方法， 其特征在于， 获取当前交易行为对应的当前交易流水数 据， 包括： 获取用户在当前时间段内产生的各个交易行为对应的当前交易流水时序数据， 其中， 所述当前交易流水时序数据包括所述用户在当前时刻产生的当前交易行为对应的当前交 易流水数据。 3.根据权利要求2所述的方法， 其特征在于， 对所述当前交易流水数据进行特征提取， 构建出所述当前交易行为对应的当前交易特 征矩阵， 包括： 对所述当前交易流水时序数据进行特征提取， 并对提取出的各个特征数据进行归一化 处理， 构建出所述当前交易行为对应的当前 交易特征矩阵， 其中， 所述当前 交易特征矩阵的 行数表示时间维度， 列数表示特 征维度。 4.根据权利要求1所述的方法， 其特征在于， 基于正常交易行为流水数据和多种欺诈类 型对应的欺诈交易行为 流水数据构建出目标交易特 征矩阵， 包括： 对至少一个正常交易行为流水数据进行特征提取， 构建出至少一个正常交易特征矩 阵； 对每种欺诈类型对应的至少一个欺诈交易行为流水数据进行特征提取， 构建出每种欺 诈类型对应的至少一个欺诈交易特 征矩阵； 对所述至少一个正常交易特征矩阵和所述每种欺诈类型对应的至少一个欺诈交易特 征矩阵进行矩阵拼接处 理， 构建出目标交易特 征矩阵。 5.根据权利要求1所述的方法， 其特征在于， 所述孪生卷积神经网络模型包括： 第一卷 积网络子模型、 第二卷积网络子模型和融合子模型， 其中， 所述第一卷积网络子模型和所述 第二卷积网络 子模型共享权 重值； 将所述当前交易特征矩阵和目标交易特征矩阵输入至训练结束后的孪生卷积神经网 络模型中进行当前交易行为的欺诈预测， 包括： 将所述当前交易特征矩阵输入至所述第 一卷积网络子模型中进行特征卷积处理， 确定 第一特征向量； 将目标交易特征矩阵输入至所述第 二卷积网络子模型中进行特征卷积处理， 确定由多 个第二特 征向量组成的向量矩阵； 将所述第一特征向量和所述向量矩阵输入至所述融合子模型中， 对所述第 一特征向量 和所述向量矩阵进行融合处 理， 确定欺诈概 率矩阵。 6.根据权利要求5所述的方法， 其特征在于， 对所述第 一特征向量和所述向量矩阵进行权　利　要　求　书 1/2 页 2 CN 115545712 A 2融合处理， 确定欺诈概 率矩阵， 包括： 将所述第一特征向量和所述向量矩阵中的每个第 二特征向量进行点积处理， 并对获得 的点积结果进行归一化处理， 确定所述 目标交易特征矩阵中的每个类型对应的欺诈概率， 其中， 所述类型包括 正常类型和多种欺诈类型； 将所述目标交易特征矩阵中属于同一类型的欺诈概率进行相加， 确定每个类型对应的 欺诈概率； 基于类型排列顺序， 对各个 类型对应的各个欺诈概 率进行排列， 获得欺诈概 率矩阵。 7.根据权利要求5所述的方法， 其特征在于， 根据所述孪生卷积神经网络模型的输出， 确定所述当前交易行为对应的欺诈预测结果， 包括： 根据所述孪生卷积神经网络模型输出的欺诈概率矩阵， 确定所述欺诈概率矩阵中的最 大欺诈概 率； 基于类型排列顺序和所述最大欺诈概率对应的目标元素位置， 确定所述目标元素位置 对应的目标类型， 并将所述目标类型和所述最大欺诈概率确定为所述当前 交易行为对应的 欺诈预测结果。 8.一种交易行为的欺诈预测装置， 其特 征在于， 包括： 当前交易 流水数据获取模块， 用于获取当前交易行为对应的当前交易 流水数据； 当前交易特征矩阵构建模块， 用于对所述当前交易流水数据进行特征提取， 构建出所 述当前交易行为对应的当前交易特 征矩阵； 欺诈预测模块， 用于将所述当前交易特征矩阵和目标交易特征矩阵输入至训练结束后 的孪生卷积神经网络模型中进行当前交易行为的欺诈预测， 其中， 所述 目标交易特征矩阵 是预先基于正常交易行为流水数据和多种欺诈类型对应的欺诈交易行为流水数据构建出 的； 欺诈预测结果确定模块， 用于根据所述孪生卷积神经网络模型的输出， 确定所述当前 交易行为对应的欺诈预测结果， 其中， 所述欺诈预测结果包括预测出的目标欺诈类型。 9.一种电子设备， 其特 征在于， 所述电子设备包括： 至少一个处 理器； 以及 与所述至少一个处 理器通信连接的存 储器； 其中， 所述存储器存储有可被所述至少一个处理器执行的计算机程序， 所述计算机程序被所 述至少一个处理器执行， 以使所述至少一个处理器能够执行权利要求1 ‑7中任一项所述的 交易行为的欺诈预测方法。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储有计算机指 令， 所述计算机指令用于使处理器执行时实现权利要求1 ‑7中任一项所述的交易行为的欺 诈预测方法。权　利　要　求　书 2/2 页 3 CN 115545712 A 3