CN119398787A 一种基于ai识别的交易刷卡预警方法及设备 （深圳鼎智通讯股份有限公司）

道天安社区泰然九路盛唐商务大厦东一种基于AI识别的交易刷卡预警方法及设备本发明公开了一种基于AI识别的交易刷卡练XGBoost模型，并构建交易风险识别的初步分将得到的优化分类结果与基础分类结果进行融边的多维特征，全面捕捉交易数据中的高阶关2利用生成的特征集训练XGBoost模型，并构建交易风险识别的初步分类模型后生成基将基础分类结果引入决策树模型对边缘样本进行进一步优化分据进行预处理指通过专用API接口采集实时的交易数据和行为数据，并对采集的交易数据使用归一化方法对检测后的交易数据和行为,从归一化后的行为数据中提取时间和地理距离信息，根据提取的,基于超边特征向量结合节点特征向量进行特征相似性计算，利用,,使用时间序列分析提取节点i和节点j的交易时间戳，并根据交易时间戳计算时间间3使用邻接矩阵生成法将时间相似性和语义相似性分别生成为时间相似性矩阵和语义通过使用归一化方法将节点与超边的关联矩阵、时间相似性矩阵和语将节点特征矩阵X作为输入，并通过第一层图卷积的迭代计算，矩阵xl；使用对称规范化方法对融合关联矩阵进行规范化，并结合节点,,,,(l)xl表示第l层的节点特征矩阵，wl表示第l层的权重矩阵，N(i)表示节点i的邻居节点集通过使用自适应调整机制，对传播后的下一层节点特征矩阵进,4通过使用非线性融合方法将初步特征集和交互特征矩阵进行融合，得到最终特征矩使用密度聚类算法对训练集中的异常样本进行标记，并利用统计,,,,5,使用交叉熵损失函数对神经网络进行优化，通过梯度下降法更使用加权平均融合算法将基础生成的预测概率与优化设定风险评分阈值为B，将得到的风险评分与阈值B进行比对，当得到的6[0008]利用生成的特征集训练XGBoost模型，并构建交易风险识别的初步分类模型后生集交易数据进行预处理指通过专用API接口采集实时的交易数据和行为数据，并对采集的7[0028]通过提取节点特征x和i[0029]使用邻接矩阵生成法将时间相似性和语义相似性分别生成为时间相似性矩阵和特征矩阵xl；[0034]D=diag(A1)，[0035]C=D-1/2RD-1/2，8[0036]xt+=U(CX')，[0038]基于下一层节点特征矩阵，引入时间和空间动态因子对节点特征的传播进行调(l)阵，xl表示第l层的节点特征矩阵，wl表示第l层的权重矩阵，N(i)表示节点i的邻居节点用生成的特征集训练XGBoost模型，并构建交易风险识别的初步分类模型后生成基础分类L(y2,y'2)=-lyziog(y')+(1-y2)iog(1-y'2l，[0055]式中，L(y2,y')表示第z个样本的交叉熵损失函数，Yz表示第z个样本的真实标9[0056]通过梯度提升算法最小化损失，使用梯度提升算法对模型进行训练，迭代时，[0057]将验证集输入训练完成的XGBoost模型中，逐步通过所有生成的决策树累积输出[0063]AH=H(V)-H(VIE)，理器执行所述计算机程序时实现基于AI识别的交易刷卡预警方法[0088]具体的，所述采集交易数据进行预处理指通过专用API接口采集实时的交易数据[0090]通过专用API接口采集实时交易数据和行为数据，能够确保数据的高效传输和高[0107]式中，Atj表示节点i与节点j的时间间隔，Ti和Tj分别表示节点i与节点j的时间i分别表示节点i与节点j的特征向量；[0115]使用邻接矩阵生成法将时间相似性和语义相似性分别生成为时间相似性矩阵和[0118]R=qa·A'+qr·T'+qp·B'，特征矩阵xl；[0123]D=diag(A1)，[0124]C=D-1/2RD-1/2，[0125]xt+=U(CX')，[0127]基于下一层节点特征矩阵，引入时间和空间动态因子对节点特征的传播进行调(l)阵，xl表示第l层的节点特征矩阵，wl表示第l层的权重矩阵，N(i)表示节点i的邻居节点[0132]yt可通过网格搜索法确定，wl可通过反向传播学习得到；L(y2,y'2)=-lyziog(y')+(1-y2)iog(1-y'2l，[0147]式中，L(y2,y')表示第z个样本的交叉熵损失函数，Yz表示第z个样本的真实标[0154]0=Z-1[L(Y,Y')+6·R(]，[0156]通过梯度提升算法最小化损失，使用梯度提升算法对模型进行训练，迭代时，[0157]将验证集输入训练完成的XGBoost模型中，逐步通过所有生成的决策树累积输出[0161]具体的，所述基于基础分类结果引入决策树模型对边缘样本进行进一步优化分[0165]AH=H(V)-H(VIE)，[0167]根据目标任务对分类准确率要求设定条件熵增益阈值为E，将