基于kNN-Smote-LSTM的消费金融风险检测模型——以信用卡欺诈检测为例

作者：琚春华; 陈冠宇; 鲍福光^*

来源：系统科学与数学, 2021, 41(02): 481-498.

• 信用卡欺诈检测
• 序列分类
• 长短期记忆网络(LSTM)
• SMOTE算法

由于移动网络应用与电子支付业务量不断增长,信用卡欺诈的情况也呈现快速增长的趋势,由此给金融机构和运营商带来了巨大的挑战.欺诈检测问题本质上是不平衡的序列二分类问题,这类问题数据样本规模大,计算复杂度高,数据分布极不平衡,数据与数据之间会存在序列关系.文章使用长短期记忆网络(long short term memory networks,LSTM)结合历史交易序列,并针对交易数据不平衡的特性,整合了合成少数类过采样技术(synthetic minority oversampling technique,Smote)算法和k最近邻(k-nearest neighbor,kNN)分类算法设计并构建了一个基于kNN-Smote-LSTM的信用卡欺诈检测网络模型,它可以通过kNN判别分类器来不断筛选出安全生成样本来提升模型的性能,克服了Smote算法在生成新样本时的盲目性和局限性,实证表明通过kNN-Smote-LSTM模型结构化的融合可以大大改善模型组合时对多数类的误分类问题,展现了优越的风险检测性能.

• 单位
  浙江工商大学