一种基于半监督学习的银行电子渠道异常交易确定方法

摘要

一种基于半监督学习的银行电子渠道异常交易确定方法，涉及机器学习技术领域，为解决现有异常交易确定技术中存在难度大、效率低、准确性差的问题，本发明在隐马尔科夫模型、时间序列模型(ARIMA)建立账户级别的历史交易序列模型的基础上进一步整合优化，以HMM为基础结合半监督聚类学习预测异常交易行为。本发明通过半监督聚类学习将每个时间截面的交易数据转化为一个时序的向量，并利用半监督学习克服标签数据稀少的问题，利用HMM对每个人的交易向量拟合生成对应的模型，并将半监督学习与HMM结合从截面数据和时序数据两个角度提升异常识别的准确率。采用机器学习来解决异常交易确定的问题，与传统的专家法相比极大的降低了难度，提高了工作效率。