本发明涉及交易欺诈检测领域，特别涉及是一种交易欺诈的检测方法、装置、计算机设备以及存储介质。
背景技术：
1、在线交易欺诈检测是一个追求准确度和实时性的任务，在线上交易欺诈检测领域，通常采用图神经网络模型（gnn）及其他机器学习技术（如随机森林、聚类分析等），结合线上交易数据集进行模型训练，从而实现线上交易欺诈检测。
2、然而，目前的技术方案采用的线上交易数据集中通常包括高维度的复杂数据，将该高维度的复杂数据作为模型的训练数据，在训练的过程中增加模型的复杂度以及运行时间，不利于模型训练准确率以及效率的提高，难以满足在线交易欺诈检测的高准确度以及实时性的要求。
技术实现思路
1、基于此，本发明的目的在于，提供一种交易欺诈的检测方法、装置、计算机设备以及存储介质，对样本线上交易数据进行数据筛选、缺失值填充以及特征编码，删除冗余特征的同时，深度挖掘样本线上交易数据中的空间分布信息与统计信息，有效克服了基础特征的局限，提供更加全面和精确的信息特征描述，采用混合特征排序，综合过滤式、包裹式和嵌入式特征排序方法的优劣性，减少单一特征选择策略可能引入的偏差和方差，有效提高了特征选择的健壮性和可靠性，作为经多目标优化方法优化后的模型训练的训练数据，综合多维度的空间探索和性能考量，追求模型高准确率的同时，构建低复杂度的模型框架，避免单目标优化的单一性和局部最优性，提高了模型优化的丰富性，有效地提高了模型训练的准确度以及效率，满足在线交易欺诈检测的高准确度以及实时性的要求。
2、第一方面，本申请实施例提供了一种交易欺诈的检测方法，包括以下步骤：
3、获得样本线上交易数据，其中，所述样本线上交易数据包括若干个样本线上交易记录的交易特征数据；
4、对若干个样本线上交易记录的所述交易特征数据进行预处理，获得样本线上交易特征编码数据，其中，所述样本线上交易特征编码数据包括若干个样本线上交易记录的交易特征编码数据，所述预处理步骤包括数据筛选、缺失值填充以及特征编码；
5、对若干个样本线上交易记录的所述交易特征编码数据进行特征混合排序，获得样本线上交易特征排序数据，其中，所述样本线上交易特征排序数据包括若干个样本线上交易记录的交易特征排序数据，所述混合排序是卡方检验排序、递归特征消除排序以及极端梯度提升特征重要性排序三种排序的权重排序结果；
6、构建初始交易欺诈模型，将若干个样本线上交易记录的所述交易特征排序数据输入至所述初始交易欺诈模型中进行多目标优化以及训练，获得目标交易欺诈模型，其中，所述多目标优化步骤包括分类器的超参数的优化和混合排序的权重参数的优化；
7、获得待检测线上交易数据，对所述待检测线上交易数据中的若干个线上交易记录的交易特征数据进行预处理，获得待检测线上交易特征编码数据，对所述待检测线上交易特征编码数据中的若干个线上交易记录的交易特征编码数据进行特征混合排序，获得待检测线上交易特征排序数据，将所述待检测线上交易特征排序数据输入所述目标交易欺诈模型，获得所述待检测线上交易数据的交易欺诈检测结果。
8、第二方面，本申请实施例提供了一种交易欺诈的检测装置，包括：
9、数据获得模块，用于获得样本线上交易数据，其中，所述样本线上交易数据包括若干个样本线上交易记录的交易特征数据；
10、数据预处理模块，用于对若干个样本线上交易记录的所述交易特征数据进行预处理，获得样本线上交易特征编码数据，其中，所述样本线上交易特征编码数据包括若干个样本线上交易记录的交易特征编码数据，所述预处理步骤包括数据筛选、缺失值填充以及特征编码；
11、特征排序模块，用于对若干个样本线上交易记录的所述交易特征编码数据进行特征混合排序，获得样本线上交易特征排序数据，其中，所述样本线上交易特征排序数据包括若干个样本线上交易记录的交易特征排序数据，所述混合排序是卡方检验排序、递归特征消除排序以及极端梯度提升特征重要性排序三种排序的权重排序结果；
12、模型训练模块，用于构建初始交易欺诈模型，将若干个样本线上交易记录的所述交易特征排序数据输入至所述初始交易欺诈模型中进行多目标优化以及训练，获得目标交易欺诈模型，其中，所述多目标优化步骤包括分类器的超参数的优化和混合排序的权重参数的优化；
13、交易欺诈检测模块，用于获得待检测线上交易数据，对所述待检测线上交易数据中的若干个线上交易记录的交易特征数据进行预处理，获得待检测线上交易特征编码数据，对所述待检测线上交易特征编码数据中的若干个线上交易记录的交易特征编码数据进行特征混合排序，获得待检测线上交易特征排序数据，将所述待检测线上交易特征排序数据输入所述目标交易欺诈模型，获得所述待检测线上交易数据的交易欺诈检测结果。
14、第三方面，本申请实施例提供了一种计算机设备，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述计算机程序被所述处理器执行时实现如第一方面所述交易欺诈的检测方法的步骤。
15、第四方面，本申请实施例提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的交易欺诈的检测方法的步骤。
16、在本申请实施例中，提供一种交易欺诈的检测方法、装置、计算机设备以及存储介质，对样本线上交易数据进行数据筛选、缺失值填充以及特征编码，删除冗余特征的同时，深度挖掘样本线上交易数据中的空间分布信息与统计信息，有效克服了基础特征的局限，提供更加全面和精确的信息特征描述，采用混合特征排序，综合过滤式、包裹式和嵌入式特征排序方法的优劣性，减少单一特征选择策略可能引入的偏差和方差，有效提高了特征选择的健壮性和可靠性，作为经多目标优化方法优化后的模型训练的训练数据，综合多维度的空间探索和性能考量，追求模型高准确率的同时，构建低复杂度的模型框架，避免单目标优化的单一性和局部最优性，提高了模型优化的丰富性，有效地提高了模型训练的准确度以及效率，满足在线交易欺诈检测的高准确度以及实时性的要求。
17、为了更好地理解和实施，下面结合附图详细说明本发明。
1.一种交易欺诈的检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的交易欺诈的检测方法，其特征在于：所述交易特征数据包括若干个类型的数据，所述若干个类型的数据包括若干个子数据；
3.根据权利要求2所述的交易欺诈的检测方法，其特征在于：所述数据的类型包括交易参与者类型以及交易数值类型；所述交易参与者类型的数据包括交易卡号子数据、交易接收地址子数据、交易发送地址子数据以及交易发生域名子数据及交易接受域名子数据；所述交易数值类型包括交易金额子数据。
4.根据权利要求3所述的交易欺诈的检测方法，其特征在于，所述对所述缺失值填充后的若干个样本线上交易记录的交易特征数据中若干个类型的数据进行特征编码，获得若干个样本线上交易记录的交易特征编码数据，包括步骤：
5.根据权利要求1或4所述的交易欺诈的检测方法，其特征在于，所述对若干个样本线上交易记录的所述交易特征编码数据进行特征混合排序，获得样本线上交易特征排序数据，包括步骤：
6.根据权利要求5所述的交易欺诈的检测方法，其特征在于：所述分类器的超参数包括决策树数目、决策树最大深度以及特征数目，所述混合排序的权重参数包括卡方检验排序序列权重参数、递归特征消除排序序列权重参数以及极端梯度提升树排序序列权重参数；
7.根据权利要求6所述的交易欺诈的检测方法，其特征在于：所述初始交易欺诈模型的分类器包括决策树，所述决策树包括若干个叶节点；所述将若干个样本线上交易记录的所述交易特征排序数据输入至所述初始交易欺诈模型中进行多目标优化以及训练，获得目标交易欺诈模型，包括步骤：
8.一种交易欺诈的检测装置，其特征在于，包括：
9.一种计算机设备，其特征在于，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的交易欺诈的检测方法的步骤。
10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的交易欺诈的检测方法的步骤。
