在线交易欺诈风险识别方法研究——基于不平衡样本的视角

摘要

随着云计算和大数据等互联网技术的升级换代，以传统金融体系为依托的在线交易业务得到了蓬勃发展。然而，大量的数据存储在无边界的云服务器上，用户个人信息泄露成为严重隐患。具体而言，如若用户的个人标识和关键口令被不法之徒窃取，转而进行在线交易，这不仅损害了真实用户的财产，也会对平台的安全信誉产生了不良影响。基于上述盗卡盗账户的欺诈问题，本研究提出了一套系统性的解决方案:其一，构建了一套多模块的在线交易欺诈识别指标体系框架，创新性的引入用户支付行为信息，产品交易品类信息，物流收获信息等模块;其二，改进RFM理论，提出一种新的样本均衡方法RFM聚类-SMOTE方法，解决欺诈识别中的风险用户识别率远低于正常用户识别率的问题;其三，针对不同样本均衡方法和特征工程方法处理后的均衡数据集，对比多组不同机器学习分类算法下的模型效果，以实现一个风险用户识别率较高的全局最优的预测模型。
　　为论证拟议方法有效，本研究收集了某家B2C公司2000万用户近一年的交易数据和风险数据进行分析建模，以此作为在线交易欺诈识别问题的实证研究对象。验证结果表明，本文所提出的指标体系能够有效的覆盖欺诈用户的行为特征，RFM聚类-SMOTE样本均衡方法能够极大地提高风险用户识别率，此外，在同一数据集上支持向量机和多层感知机的非线性算法的识别效果优于线性算法。通过以上方法和研究成果，可以有效增强B2C平台对欺诈用户的识别预防能力，进而保障真实用户的权益，维护平台和电子商务产业的长期稳定发展。

目录

声明

摘要

第1章 绪论

1．1．1 在线交易无处不在

1．1．2 在线交易助推中国经济发展

1．1．3 在线交易欺诈严重破化市场秩序

1．1．4 大数据技术对网络安全的双刃作用

1．2 研究框架

1．2．1 研究思路

1．2．2 研究方法

1．2．3 论文结构

1．3 研究创新之处

1．3．1 理论框架的创新

1．3．2 研究视角的创新

1．3．3 理论应用的创新

第2章 相关文献综述

2．1 在线交易欺诈概念及特点

2．2 在线交易欺诈识别方法研究现状

2．3 RFM模型理论概述

2．4 样本均衡算法概述

2．4．1 过抽样

2．4．2 欠抽样

第3章 欺诈识别模型指标体系构建

3．1 样本数据说明

3．2 数据预处理方法

3．3 六模块指标分析

3．3．1 用户基础信息

3．3．2 用户支付信息

3．3．3 用户物流信息

3．3．4 用户订单信息

3．3．5 用户登录及设备信息

3．3．6 用户虚拟品类信息

3．4 指标相关性分析

第4章 样本均衡方法

4．1 RFM用户行为价值聚类

4．2 RFM聚类-SMOTE样本均衡方法

5．1 分类算法简介

5．1．1 逻辑回归

5．1．2 最近邻

5．1．3 决策树

5．1．4 支持向量机

5．1．5 朴素贝叶斯

5．1．6 GBDT

5．1．7 随机森林

5．1．8 Adaboost

5．1．9 多层感知机

5．2 分类算法优缺点比较

5．3 训练集和测试集数据分区

5．4 PCA降维

5．5 二分类模型选择的评价标准

5．5．1 混淆矩阵

5．5．2 模型评价指标

5．6 模型验证

第6章 总结与展望

6．1 总结

6．2 不足及展望

参考文献

附录

致谢

个人简历