Traitement en cours

Veuillez attendre...

Paramétrages

Paramétrages

Aller à Demande

1. WO2022088408 - PROCÉDÉ ET SYSTÈME DE DÉTECTION DE FRAUDE DE TRANSACTION BASÉS SUR UN RÉSEAU NEURONAL GRAPHIQUE

Numéro de publication WO/2022/088408
Date de publication 05.05.2022
N° de la demande internationale PCT/CN2020/135271
Date du dépôt international 10.12.2020
CIB
G06N 3/04 2006.1
GPHYSIQUE
06CALCUL; COMPTAGE
NSYSTÈMES DE CALCULATEURS BASÉS SUR DES MODÈLES DE CALCUL SPÉCIFIQUES
3Systèmes de calculateurs basés sur des modèles biologiques
02utilisant des modèles de réseaux neuronaux
04Architecture, p.ex. topologie d'interconnexion
CPC
G06K 9/6224
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
9Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
62Methods or arrangements for recognition using electronic means
6217Design or setup of recognition systems and techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
6218Clustering techniques
622Non-hierarchical partitioning techniques
6224based on graph theory, e.g. Minimum Spanning Trees [MST], graph cuts, spectral clustering techniques
G06N 3/0454
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3Computer systems based on biological models
02using neural network models
04Architectures, e.g. interconnection topology
0454using a combination of multiple neural nets
G06N 3/08
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3Computer systems based on biological models
02using neural network models
08Learning methods
G06Q 20/4016
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
QDATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
20Payment architectures, schemes or protocols
38Payment protocols; Details thereof
40Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
401Transaction verification
4016involving fraud or risk level assessment in transaction processing
G06Q 40/04
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
QDATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
40Finance; Insurance; Tax strategies; Processing of corporate or income taxes
04Exchange, e.g. stocks, commodities, derivatives or currency exchange
Déposants
  • 南京博雅区块链研究院有限公司 NANJING BOYA BLOCKCHAIN REASEARCH INSTITUTE CO., LTD [CN]/[CN]
  • 北京大学 PEKING UNIVERSITY [CN]/[CN]
  • 博雅正链(北京)科技有限公司 BOYA ZHENGLIAN (BEIJING) TECHNOLOGY CO., LTD [CN]/[CN]
Inventeurs
  • 王欢 WANG, Huan
  • 李青山 LI, Qingshan
  • 司华友 SI, Huayou
Mandataires
  • 广州知顺知识产权代理事务所(普通合伙) GUANGZHOU ZHISHUN INTELLECTUAL PROPERTY AGENCY (GENERAL PARTNERSHIP)
Données relatives à la priorité
202011203297.302.11.2020CN
Langue de publication Chinois (zh)
Langue de dépôt chinois (ZH)
États désignés
Titre
(EN) GRAPH NEURAL NETWORK-BASED TRANSACTION FRAUD DETECTION METHOD AND SYSTEM
(FR) PROCÉDÉ ET SYSTÈME DE DÉTECTION DE FRAUDE DE TRANSACTION BASÉS SUR UN RÉSEAU NEURONAL GRAPHIQUE
(ZH) 基于图神经网络的交易欺诈检测方法及系统
Abrégé
(EN) A graph neural network-based transaction fraud detection method and system. The method comprises the following steps: a transaction data preprocessing step (S100): obtaining transaction data, preprocessing the transaction data, and obtaining a transaction sample set in a panel form; a transaction behavior historical feature extraction step (S300): performing long short-term memory network processing on the transaction sample set to obtain a transaction behavior historical feature; a transaction behavior aggregation feature extraction step (S400): performing graph convolutional network processing on the transaction behavior historical feature to obtain a transaction behavior aggregation feature; and a prediction step (S500): performing fully-connected layer processing on the transaction behavior historical feature and the transaction behavior aggregation feature, and performing fraud prediction of a transaction node by means of binary classification. The method overcomes the defects that a traditional transaction fraud detection method ignores a relationship between data, and a transaction behavior is time series data, ensures the comprehensiveness of transaction fraud detection, and improves the accuracy of transaction fraud detection.
(FR) Procédé et système de détection de fraude de transaction basés sur un réseau neuronal graphique. Le procédé comprend les étapes suivantes : une étape de prétraitement de données de transaction (S100) consistant : à obtenir des données de transaction, à prétraiter les données de transaction, et à obtenir un ensemble d'échantillons de transaction sous une forme de panneau ; une étape d'extraction de caractéristiques historiques de comportement de transaction (S300) consistant : à réaliser un long traitement de réseau de mémoire à court terme sur l'ensemble d'échantillons de transaction pour obtenir une caractéristique historique de comportement de transaction ; une étape d'extraction de caractéristique d'agrégation de comportement de transaction (S400) consistant : à effectuer un traitement de réseau convolutif graphique sur la caractéristique historique de comportement de transaction pour obtenir une caractéristique d'agrégation de comportement de transaction ; et une étape de prédiction (S500) consistant : à réaliser un traitement de couche entièrement connecté sur la caractéristique historique de comportement de transaction et la caractéristique d'agrégation de comportement de transaction, et à réaliser une prédiction de fraude d'un nœud de transaction au moyen d'une classification binaire. Le procédé surmonte les défauts selon lesquels un procédé de détection de fraude de transaction classique ignore une relation entre des données et un comportement de transaction représente des données de série chronologique, assure l'exhaustivité de la détection de fraude de transaction, et améliore la précision de détection de fraude de transaction.
(ZH) 一种基于图神经网络的交易欺诈检测方法及系统,包括以下步骤:交易数据预处理步骤(S100),获取交易数据并对交易数据进行预处理,获得面板形式的交易样本集;交易行为历史特征提取步骤(S300),对交易样本集进行长短期记忆网络处理,获得交易行为历史特征;交易行为聚合特征提取步骤(S400),对交易历史行为特征进行图卷积网络处理,获得交易行为聚合特征;预测步骤(S500),将交易行为历史特征以及交易行为聚合特征进行全连接层处理,通过二分类进行交易节点的欺诈预测。该方法克服了传统的交易欺诈检测方法忽略数据之间本身就存在的联系以及交易行为是时间序列数据的缺陷,确保了交易欺诈检测的全面性,并且提高了交易欺诈检测的精确性。
Documents de brevet associés
Dernières données bibliographiques dont dispose le Bureau international