基于多视角融合的欺诈行为识别方法与应用研究

Fraud detection is one of the most important management decision-making problems in the era of big data, and it is extremely indispensable for enterprises and government to prevent the fraud risks. Also, fraud detection is an important research field in data mining; however, due to the characteristic of community, time variation, and complexity of fraudulent behaviors in real world, traditional anomaly detection methods cannot accurately detect these behaviors, which brings challenges for both theory and algorithms. To this end, this project emphasizes on the multi-source and heterogeneous data generated from fraudulent behaviors, and finally develops a multi-view fusion based fraud detection model. Specifically, this project firstly extends the interaction behaviors of frauds at attribute level, in order to reveal the formation mechanisms of anomalous groups, and further discover the community structure with synchronization property. Meanwhile, considering the property of time-variation in fraudulent behaviors, the project develops a deep learning model to fuse the multiple attributed sequences, and the influences of previous events on the post events are also captured in modeling the attributed sequence. Furthermore, an extensible probabilistic graphical model is proposed to fuse these fraudulent behavioral patterns to detect more complex frauds. The research findings in the project are expected to be applied in real management scenarios such as telecommunication detection, Internet spammer detection, and financial fraud detection.

欺诈识别是大数据背景下重要的管理决策问题，及时、有效的防范欺诈风险对企业和政府都具有重大的现实意义；同时，欺诈识别也是数据挖掘领域重要的研究问题之一。但是，由于现实世界中的欺诈行为具有群组性、时变性以及复杂隐蔽性等特点，传统的异常检测方法已经不足以精准识别真实世界中的欺诈行为，因此也对相关的理论方法带来挑战。有鉴于此，本项目着眼于多源异构的欺诈行为数据特点，对多个视角中的异常特征进行融合建模。具体而言，项目组首先从属性层面扩展了欺诈事件中的交互行为，分析异常群组结构的形成机理，并发现具有同步性特征的群组结构；同时，考虑欺诈行为的时变性特点，利用深度学习模型提取多属性融合的行为序列特征，并对前后序事件之间的影响建模。在此基础上，拟提出具有可扩展性的概率图模型来对各类行为模式融合建模，检测更复杂的欺诈事件。项目的研究成果有望应用于电信诈骗检测、网络水军检测以及金融欺诈检测等现实管理问题中。

本项目以现实世界中的欺诈行为为研究背景，从序列、群组交互结构以及多视角融合等角度开展行为建模的方法和应用的研究。在多视角融合的行为模式研究基础上，项目进一步地基于用户行为模式，将应用背景从欺诈问题扩展到其他的商业和管理问题。.项目按照计划书拟定的研究内容开展，在序列行为建模、交互群组行为建模，以及多视角融合的行为建模等方面取得了显著的成果，解决了欺诈检测中长期面临的若干挑战，创新性地提出了多个超越现有水平的异常检测方法，有效解决了电信诈骗检测等实际管理问题。同时，相关的行为建模方法也进一步的扩展到了个性化推荐、行为预测等问题中。项目所取得的研究成果在数据挖掘和信息系统领域内的国内外高水平期刊（IEEE TKDE, ACM TKDD, ACM TIST, IP&M等）及顶级会议（KDD, ICDM）上发表。此外，项目研究成果还在国内管理学顶刊《管理科学学报》、《系统工程理论与实践》等发表。.本项目的研究成果得到了很好地落地应用。依托多视角融合的异常检测的相关研究成果，本项目研发了4个基于行为大数据的电信反诈骗系统；这一系列被成功应用到了国家计算机网络与信息安全管理中心的国际电信监管业务中，成为了其日常的业务系统。此外，对于序列和群组结构融合的行为模式发现方法，也被应用到了个性化推荐中，服务于广发银行的理财产品精准推荐。另外，基于序列的行为预测模型，被应用到了选举预测，服务国家安全，为政治态势研判服务。.依托本项目，培养了多名硕士生和博士生，其中1名硕士毕业生获得校级优秀硕士论文。项目负责人刘冠男依托本项目的研究成果入选北航青年拔尖人才计划，于2020年晋升副教授。