基于层次可解释网络建模用户行为序列的跨域欺诈检测
机器学习
2022-01-05 v1 人工智能
信息检索
摘要
随着电商行业的爆发式增长，在真实应用中检测在线交易欺诈对电商平台的发展已变得愈发重要。用户的行为序列历史为区分欺诈支付与正常支付提供了有用信息。近期已有一些方法被提出以解决这一基于序列的欺诈检测问题。然而，这些方法通常存在两个问题：预测结果难以解释，以及对行为内部信息的利用不足。为应对上述两个问题，我们提出层次可解释网络(HEN)来建模用户行为序列，其不仅能提升欺诈检测性能，还可使推理过程可解释。同时，随着电商业务拓展至新域(如新国家或新市场)，欺诈检测系统中建模用户行为的一个主要问题是数据收集的局限性(如可用数据与标签极少)。因此，本文进一步提出一个迁移框架以解决跨域欺诈检测问题，旨在将知识从数据充足成熟的现有域(源域)迁移，以提升新域(目标域)中的性能。我们提出的方法是一个通用迁移框架，不仅可应用于HEN，也可用于Embedding & MLP范式下的多种现有模型。基于90项迁移任务实验，我们还证明该迁移框架不仅能助力基于HEN的跨域欺诈检测任务，而且对各类现有模型具有通用性与可扩展性。
引用
@article{arxiv.2201.01004,
title = {Modeling Users' Behavior Sequences with Hierarchical Explainable Network for Cross-domain Fraud Detection},
author = {Yongchun Zhu and Dongbo Xi and Bowen Song and Fuzhen Zhuang and Shuai Chen and Xi Gu and Qing He},
journal= {arXiv preprint arXiv:2201.01004},
year = {2022}
}
备注
TheWebConf(WWW) 2020 Main Conference Long Paper