基于神经网络的财务支付异常交易识别方法

本发明涉及财务支付异常交易识别，具体涉及一种基于神经网络的财务支付异常交易识别方法。

背景技术：

1、随着电子商务和在线支付的快速发展，金融支付异常交易的识别已成为保证交易安全和用户财产保障的重要任务。现有技术主要依赖于规则驱动的监控机制和传统统计分析方法，这些方法通常针对特定类型的交易模式和行为，而忽略了用户个体的多样性与复杂性。例如，许多现有系统通过设定固定阈值来识别可疑交易，这种静态阈值的设置在面对动态变化的市场环境和用户行为时往往无法适应，容易导致虚假警报或漏报事件。

技术实现思路

1、针对现有技术中的上述不足，本发明提供的一种基于神经网络的财务支付异常交易识别方法解决了现有技术存在财务支付异常交易识别精度低的问题。

2、为了达到上述发明目的，本发明采用的技术方案为：一种基于神经网络的财务支付异常交易识别方法，包括以下步骤：

3、s1、根据用户在交易平台上的交易金额与日常支出的差距，构建支出偏离序列；

4、s2、提取用户在交易平台上的浏览记录中各页面内容，计算用户浏览内容关联度，构建用户浏览关联度序列；

5、s3、提取用户在交易平台上的每个交易内容，计算每个交易内容与用户浏览内容的交易契合度，构建用户交易契合度序列；

6、s4、根据支出偏离序列、用户浏览关联度序列和用户交易契合度序列，基于多输入神经网络，得到支付异常程度值。

7、进一步地，s1包括以下分步骤：

8、s11、统计用户日常支出，获取日平均支出和日最大支出；

9、s12、记录用户在交易平台上的多次交易金额；

10、s13、根据每次交易金额分别与日平均支出和日最大支出的差距，计算支出偏离值；

11、s14、将每个支出偏离值作为元素构建支出偏离序列。

12、进一步地，s13中计算支出偏离值的公式为：，其中，θi为第i个支出偏离值，pi为第i次交易金额，pday,avg为日平均支出，pday,max为日最大支出，i为正整数。

13、进一步地，s2包括以下分步骤：

14、s21、提取用户在交易平台上的浏览记录；

15、s22、将浏览记录中每个页面内容分离出来，得到用户浏览的多个页面内容；

16、s23、将每个页面内容按时间发生的先后顺序排列，得到用户浏览集合；

17、s24、在用户浏览集合中，根据每个页面内容和邻近页面内容，计算每个用户浏览内容关联度；

18、s25、将每个用户浏览内容关联度作为元素构建用户浏览关联度序列。

19、进一步地，s24包括以下分步骤：

20、s241、提取每个页面内容中的关键词，构建页面关键词集合；

21、s242、计算每个页面的页面关键词集合与左侧邻域页面的页面关键词集合的交并比，得到第一交并比：，其中，s1,j为第j个第一交并比，gj为第j个页面的页面关键词集合，gj-1为第j-1个页面的页面关键词集合，∩为取交集，∪为取并集，j为用户浏览集合中页面的编号，f为计算集合中关键词的数量；

22、s243、计算每个页面关键词集合与右侧邻域页面关键词集合的交并比，得到第二交并比：，其中，s2,j为第j个第二交并比，gj+1为第j+1个页面的页面关键词集合；

23、s244、根据第一交并比和第二交并比，得到每个用户浏览内容关联度：，其中，γj为第j个用户浏览内容关联度。

24、进一步地，s3包括以下分步骤：

25、s31、提取用户在交易平台上的每个交易内容，提取交易内容中关键词，构建交易关键词集合；

26、s32、计算交易关键词集合与每个页面关键词集合的交并比，得到第三交并比；

27、s33、筛选出第三交并比大于交并比阈值的页面关键词集合，作为匹配页面关键词集合，并将对应页面作为匹配页面；

28、s34、根据匹配页面关键词集合对应的第三交并比，以及在匹配页面停留的时间，计算交易契合度；

29、s35、将每个交易内容对应的交易契合度作为元素，构建用户交易契合度序列。

30、进一步地，s34中计算交易契合度的公式为：，其中，f为交易契合度，s3,n为第n个匹配页面关键词集合对应的第三交并比，tn为第n个匹配页面关键词集合对应的匹配页面停留的时间，n为匹配页面关键词集合的编号，n为匹配页面关键词集合的数量。

31、进一步地，s4中多输入神经网络包括：偏离特征提取通道、浏览特征提取通道、交易特征提取通道、第一全连接层、第二全连接层和分类层；

32、偏离特征提取通道的输入端用于输入支出偏离序列；浏览特征提取通道的输入端用于输入用户浏览关联度序列；交易特征提取通道的输入端用于输入用户交易契合度序列；

33、第一全连接层的输入端分别与偏离特征提取通道的第一输出端、浏览特征提取通道的第一输出端和交易特征提取通道的第一输出端连接；第二全连接层的输入端分别与偏离特征提取通道的第二输出端、浏览特征提取通道的第二输出端和交易特征提取通道的第二输出端连接；分类层的输入端分别与第一全连接层的输出端和第二全连接层的输出端连接。

34、进一步地，偏离特征提取通道、浏览特征提取通道和交易特征提取通道均包括：第一卷积层、第一尺度特征提取模块和第二尺度特征提取模块；

35、第一卷积层的输入端作为偏离特征提取通道的输入端、浏览特征提取通道的输入端或交易特征提取通道的输入端，其输出端分别与第一尺度特征提取模块的输入端和第二尺度特征提取模块的输入端连接；第一尺度特征提取模块的输出端作为偏离特征提取通道的第一输出端、浏览特征提取通道的第一输出端或交易特征提取通道的第一输出端；第二尺度特征提取模块的输出端作为偏离特征提取通道的第二输出端、浏览特征提取通道的第二输出端或交易特征提取通道的第二输出端。

36、进一步地，第一尺度特征提取模块和第二尺度特征提取模块均包括：依次连接的第二卷积层、bn层和最大池化层，第一卷积层和第二卷积层均为一维卷积层，第一卷积层的卷积核设置为1，在第一尺度特征提取模块中第二卷积层的卷积核设置为3，在第二尺度特征提取模块中第二卷积层的卷积核设置为5。

37、本发明的有益效果为：

38、1、本发明通过构建支出偏离序列，能够动态监控用户交易金额与其日常支出的差距，从而及时发现非典型的交易行为。这一方法使得识别过程更加敏感，不再依赖于静态的阈值判断，而是能够自适应用户的消费习惯变化。

39、2、本发明提取用户浏览记录中各页面内容并计算浏览关联度，构建用户浏览关联度序列，通过用户浏览关联度序列量化用户的行为，可以更精准地量化页面间的关联性，这意味着用户在不同页面之间的行为联系被有效捕捉。这一过程确保了用户的非交易行为可以被整合到风险评估中，从而提高了对潜在风险交易的识别能力。

40、3、本发明通过分析每个交易内容与用户浏览内容的契合度，构建交易契合度序列，进一步增强了异常识别的准确性。这种基于用户行为的个性化分析，能够识别出与用户常规行为不符的交易，降低了误报率。

41、4、本发明采用多输入神经网络对以上多维度的数据进行整合分析，实现从多维度综合分析交易的异常情况，提高了财务支付异常交易识别精度。