支持向量机在电信客户欺诈检测的应用研究

摘要

随着电信市场的迅猛发展，电信行业中的客户欺诈行为也在与日俱增。电信客户欺诈检测系统利用数据挖掘、模式识别等先进工具对电信客户的呼叫行为进行具体分析，检测、预防欺诈行为。结合客户的具体行为对客户的分类，建立起电信客户欺诈检测模型，对欺诈行为进行检测，从而有力地解决了电信运营商的客户关系管理难题，造就更具竞争力的企业。
　　 电信用户的真实意图往往是无法直接获取的，只能通过呼叫数据间接得到。采用呼叫数据来描述用户的行为，并通过数据挖掘和统计学习方法等对呼叫数据进行学习生成相应的用户模型。研究的主要目的是利用用户模型和分类技术对各个用户群进行分类，训练得到的分类模型，其将未知用户分配到与之对应的群，从而完成对电信客户欺诈行为的检测。
　　 论文简要分析了电信客户欺诈行为所带来的危害，以及开发电信客户欺诈检测系统的必要性和紧迫性，介绍了开发电信客户欺诈检测系统所涉及到的相关理论知识：机器学习，统计学习理论等等，提出了用于电信客户欺诈检测模型的基于单类支持向量机的分类方法。样本通过随机选择算法采样后，用单类支持向量机进行初次分类，再利用支持向量机进行二次分类；详细阐述了电信客户欺诈检测的建模以及验证过程。对模型的性能测试表明：支持向量机应用于实际的电信客户欺诈模型中，具有一定的市场价值。模型能有效地挖掘出潜在的风险行为，识别出客户的欺诈行为。进而对规模小、分散性大的电信客户欺诈行为进行检测。

目录

文摘

英文文摘

声明

第一章绪论

1.1电信客户欺诈检测的研究背景和意义

1.2欺诈检测的研究现状

1.2.1电信客户欺诈检测的研究现状

1.2.2相关领域的欺诈检测的研究现状

1.3欺诈检测技术普遍存在的问题

1.4论文的主要工作

1.5论文的结构组织

第二章支持向量机的发展及理论基础

2.1支持向量机的发展

2.2机器学习

2.3统计学习理论

2.3.1 VC理论

2.3.2结构风险最小化准则

2.4支持向量机

2.4.1最优分类超平面

2.4.2广义最优分类超平面

2.4.3核函数

2.4.4分类支持向量机的构造

2.5支持向量机相关研究

2.6单类支持向量机简介

2.7本章小结

第三章 一种基于OC-SVM的大型数据集分类方法

3.1问题提出的背景

3.2单类支持向量机

3.2.1基于超平面的OC-SVM

3.2.2基于超球体的OC-SVM

3.2随机选择算法

3.3基于OC-SVM的分类过程

3.3.1数据约简

3.3.2 OC-SVM训练

3.3.3数据恢复

3.3.4 SVM分类

3.4实验结果

3.5本章小结

第四章支持向量机在电信客户欺诈检测中的应用

4.1电信欺诈的介绍

4.1.1电信欺诈的定义

4.1.2电信客户欺诈的分类

4.2电信客户欺诈检测模型的商业理解

4.2.1模型建立的需求

4.2.2目标定义

4.3数据预处理

4.3.1数据采集

4.3.2数据清洗

4.3.3数据转换

4.3.4特征选择

4.4建立用户模型

4.5欺诈检测建模过程

4.6模型评价

4.7本章小结

第五章结论与展望

5.1结论

5.2展望

参考文献

致谢

附录(攻读硕士学位期间发表录用论文)