一种基于ABC-SOM神经网络的消费信贷场景欺诈检测方法

本发明属于互联网金融行业的风控技术领域，具体利用人工蜂算法(Artificial Bee Colony Algorithm，ABC算法)优化的SOM神经网络用于消费信贷场景的欺诈行为检测。

当今消费信贷发展迅速，在消费信贷反欺诈中，传统的检测方法主要是依赖先验知识制定的基于预先定义的反欺诈规则和有监督的机器学习算法，所检测的数据级别通常是原始属性或是细粒度级别的数据。而在当今大数据时代，金融风险维度通常是成百上千个且异常复杂，很难从单个或几个属性的制定有效反欺诈规则，而有监督的机器学习又需要积累大量表现样本来训练模型，不能及时识别出新型欺诈类型。消费信贷场景的欺诈行为预测属于时间序列预测，根据历史操作行为数据通过数据挖掘发现时间序列隐藏的发展变化趋势从而预测未来欺诈行为发生的概率数据。

自组织映射网络(Self-Organizing Maps，SOM网络)是一种非线性、无监督学习神经网络，通过自动寻数据中的内在规律和属性，自组织、自适应地改变网络参数和结构，依靠神经元之间互相竞争逐步优化网络，是一种对海量数据进行分类和特征提取的有效方法，具有泛化能力强、收敛速度快、工作效率高等优点。

但是SOM网络结合BP神经网络模型的性能受到权值和阈值的影响，另外BP神经网络是采用梯度下降的方法调整权值和阈值，导致其容易陷入局部最小和收敛速度慢的缺陷，虽然可以采用粒子算法等进行优化，但是会增加算法计算复杂度，影响模型的训练时间和训练效果，不利于消费信贷场景的欺诈行为的实时检测，因此，针对上述问题提出一种基于ABC-SOM神经网络的消费信贷场景欺诈检测方法。

本发明的目的在于提供一种基于ABC-SOM神经网络的消费信贷场景欺诈检测方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于ABC-SOM神经网络的消费信贷场景欺诈检测方法，其特征在于：包括步骤：

S1：采集数据，从消费金融平台后端根据贷后表现选取一定比例和数量正常还款和逾期客户作为建模样本，采集样本客户账户注册申请时的个人基本信息、监测软件中获取操作行为埋点数据；

S2：数据预处理，对采集的原始数据进行缺失补全、异常值处理，并按照7:3的比例切分成训练集和测试集后分别对训练集和测试集归一化处理；

S3：确定神经元的输入和输出数据，并确定最优的隐含层神经元个数，建立基础的SOM神经网络；

S4：利用训练数据训练采用ABC优化的SOM神经网络，不断更新SOM网络的权值和阈值，到全局最优解得到的最优权值、阈值赋予SOM神经网络，得到ABC-SOM神经网络检测模型；

S5：采用测试集样本对SOM神经网络的预测性能进行测试，将测试集数据输入ABC-SOM神经网络模型得到预测结果，以RMSE、MAPE和MAE为模型评价指标，与梯度下降法、遗传算法、粒子算法优化的SOM神经网络模型的进行对比；

S6：将ABC-SOM神经网络的欺诈检测模型部署至申请平台输出实时申请欺诈类型，实现申请客户的实时审批，并定期将有表现数据输入到模型训练，实现模型的在线更新。

优选的，在步骤1中，从互联网金融平台后端根据贷后表现选取一定比例和数量正常还款和逾期客户作为建模样本，采集样本客户账户注册申请时的个人基本信息、监测软件中获取操作行为埋点数据。其中用户的个人申请信息包括：手机号、学历、婚姻状况、工作单位、住址、联系人信息，征信报告获取的个人基本信息、信用交易信息、公共信息、特别记录数据；所述埋点数据包括埋点时采集的设备行为数据和日志数据，其中设备行为数据包括：登录本平台的次数、点击次数、点击频率、输入总耗时及平均耗时、手机号数据、GPS位置、MAC地址、IP地址数据、地理信息申请频次、IP的申请频次、设备电量占比、陀螺仪的平均加速度，另外日志数据包括：7天内登录次数、首次点击到申请授信时长、一天内最多的session数、申请授信前一周的行为统计等。另外在合规要求下，不限于获取移动互联网行为数据、贷款APP内行为数据、信贷历史、运营商数据在内的全域多维度大数据。

优选的，在S2中，对采集的原始数据进行缺失补全、异常值处理，并按照7:3的比例切分成训练集和测试集后分别对训练集和测试集归一化处理；

所述S2中归一化处理的表达式为：

x＝(xmax-xmin)/2+(xmax+xmin)/2

其中，x是归一化后的结果，xmax和xmin分别代表训练样本集中每个特征向量负荷的最大值和最小值。

优选的，在S3中，进行SOM神经网络各个学习模式的训练，训练的具体过程包括：

步骤3-1：确定网络拓扑结构

SOM神经网络的网络结构由输入层、竞争层和输出层构成，输入层神经元数即输入向量维数n，输出层神经元数即欺诈类型的种类m。

步骤3-2：样本归一化

输入层是作用是输入训练样本向量，SOM神经网络的训练样本计算出全体样本的中心向量，归一化的公式如下：

其中，X是全体样本的中心向量，为训练样本，||·||为训练样本向量的欧几里得范数，xj为训练样本向量的第j个特征分量值，j＝1,2,…,n是训练样本向量的特征维度；

步骤3-3：权值归一化

权值初始化的要求是使权值的初始位置与输入样本的分布区域充分重合，从所有的训练样本集中随机抽取m个输入样本wj1,wj2,…,wjm作为初始权值，在该中心向量基础上迭加小随机数作为权向量初始值，生成初始权值向量Wj

其中，wij为输入层的i神经元和输出层的j神经元之间的权值，||wji||为权值向量的欧几里得范数；

步骤3-4：训练样本数据与权值向量的欧几里得距离

竞争层的各个神经元竞争对该输入向量的响应机会，输入层与竞争层中的神经元全互连接，竞争层的神经元通过计算各个神经元与输入向量之间的欧氏距离来确定获胜神经元。

计算训练样本数据与权值向量的欧几里得距离，距离最小的神经元称为获胜神经元；

提供新的输入样本X，计算输入样本与每个输出神经元j的欧几里得距离：

其中，dj为训练样本数据与权值向量的欧几里得距离，||X-Wj||表示输入向量X和权值向量Wj间的欧几里得距离，wij为输入层的i神经元和输出层的j神经元之间的权值，n为输入的维数，xi(t)输入向量。

步骤3-5：定义优胜邻域Nj*(t)

优胜邻域以获胜神经元j*为中心确定t时刻的权值调整域，初始邻域较大Nj*(0)，训练过程中Nj*(t)随训练时间逐渐收缩，优胜邻域的大小用邻域的半径表示：

式中：C1为与输出层节点数有关的大于零的常数，B1为大于1的常数，T为预先设定的最大训练次数，t为训练次数。

步骤3-6：出获胜神经元

取步骤3-5中获胜的单元k周围的一个邻域Sk(t)，按照下式修正神经元j*及其邻接神经元的权值：

表示第k个神经元在竞争中获胜；

步骤3-7：调整权值

对优胜邻域内所有神经元调整权值，公式如下，

wij(t+1)＝wij(t)+η(t)[xi(t)-wij(t)]，i＝1,2,…,n，j∈Nj*(t)

式中：Wij(t+1)为调整后的权值，wij为输入层的i神经元和输出层的j神经元之间的权值，xi(t)为输入向量，η(t)是一个随时间变化逐渐减小到零的增益，随时间而衰减，一般取

或

其中，t为训练次数。

步骤3-8：判断是否达到训练要求

将每次训练后第j个神经元与获胜神经元拓扑距离的函数值η(t)与最初设定的最小的拓扑距离函数值ηmin进行比较，若η(t)<ηmin，结束网络训练，否则，返回步骤3-4继续执行以上步骤。

步骤3-9：计算输出网络输出Ok

网络第k个神经元输出为：

其中，f(·)为非线性函数，一般为0-1函数，或者为其他非线性函数，dj为j神经元的权值向量和输入向量的欧氏距离，

步骤3-10：提供新的学习样本，重复步骤3-4至3-8至达到最大迭代次数，每个样本均训练完毕，训练完成后得到各个样本数据神经元的获胜情况，样本中获胜神经元位置相同的即可归为一类，其他数据样本均可输入网络进行识别，对号入座到欺诈类型。

优选的，在S4：采用人工蜂(Artificial Bee Colony，ABC)算法来优化SOM网络的权值和阈值，通过初始化人工蜂、寻新蜜源、根据适应度选择更新蜜源、出最优解等4个步骤不断更新SOM网络的权值和阈值，到全局最优解得到的最优权值、阈值赋予SOM神经网络，得到ABC-SOM神经网络检测模型。

ABC算法在求解优化问题时，将问题抽象为D维空间中搜寻待解决问题的最优解，蜜源的位置是问题的可行解，蜜源的花蜜量对应相应解的适应度，通过不断寻新蜜源和根据适应度选择更新蜜源最终确定最优解，具体步骤如下：

步骤4-1：初始化人工蜂

设定蜂数量SN(蜂种族数目N为所有权值和阈值的总和)、蜜源数量N(一般为蜂数量SN的一半)、初始迭代次数t＝0、最大迭代次数tmax，解的维数为D(即等于优化参数的数量)，搜索空间的上下限为ui和li；

在D维空间蜜源i的初始化位置xij为：

xij＝lj+rand(0,1)×(uj-lj)，i＝1,2,3,…,SN，j＝1,2,3,…,D

其中，rand(0,1)代表0到1间的随机数，xij∈(li,ui)，ui和li是搜索空间的上下限。

步骤4-2：寻新蜜源

在搜索的初始，雇佣蜂会根据蜜源i的位置进行近邻搜索，并以如下的公式寻新蜜源vij：

vij＝xij+rand(-1,1)*(xij-xzj)，d＝1,2,3…,SN且d≠i

其中，xij表示第i个旧解的第j位分量；xdj表示第d个旧解的第j位分量，d为蜜源中随机选择的不为i的蜜源，rand(-1,1)表示区间[-1，1]上的随机数。

步骤4-3：根据适应度选择更新蜜源

应用适应度值对vij和xij做出选择，适应度函数fiti的计算表达式为：

其中，ei为第i个食物源对应的权值和阈值训练时的均方误差，ei的计算公式如下：

其中，yi为实际输出值，Ti为目标输入向量，即SOM网络预测输出值。

步骤4-4：观察蜂跟随，出最优解

所有的雇佣蜂完成适应度的运算后，飞回蜂巢与观察蜂分享蜜源信息，随后观察蜂根据下式计算的概率pi进行跟随，转移概率pi计算式如下：

基于适应度排序的选择策略计算引领蜂的转移概率pi，根据pi选择食物源(解)，并采用随机邻域搜索方法产生新的跟随蜂，计算其适应度值。然后观察蜂采用赌的方法随机选择跟随的雇佣蜂：若pi大于随机数r便返回步骤4-2，反之，则继续执行迭代直至到达设定的迭代次数tmax。

步骤4-5：最优解赋给SOM神经网络

将ABC算法计算得到的最优权值、阈值赋予SOM神经网络，将训练样本输入到网络中对SOM神经网络进行训练学习。

优选的，在S5中，分别采用均方根误差(RMSE)、平均绝对百分比误差(MAPE)和平均绝对误差(MAE)作为模型性能评价指标，各指标计算公式分别如下:

其中，n为训练集的样本数量；yi和分别为第i个样本的实际值和预测值；

评价指标RMSE和MAPE分别用于衡量模型的离散程度和整体误差，二者的数值越小，则说明模型的预测误差越小、模型越稳定、效果越好。MAE为绝对误差的平均值，主要用来反映预测值误差的实际情况，其值越小表示模型预测的绝对误差越小，说明模型的预测效果越好。

优选的，在S6中，将ABC算法优化SOM神经网络的欺诈检测模型部署至申请平台输出实时申请欺诈类型，实现申请客户的实时审批，并定期将有表现数据输入到模型训练，实现模型的在线更新。

优选的，所述步骤3-6中，若出现有输入值相同的情况，约定取位于左边的神经元为获胜神经元。

优选的，还提供一种基于ABC-SOM神经网络的消费信贷场景欺诈检测，包括以下几个单元：

样本获取单元：用于获取包括个人申请信息、操作行为埋点数据和贷后还款表现作为评价结果的训练样本；

数据处理单元：对采集的数据特征提取，进行包括数据缺失补全、异常值处理和归一化；

参数优化单元：设置ABC算法相关参数并与SOM网络相结合优化的神经网络的参数，得到ABC-SOM网络的消费信贷场景欺诈检测模型；

模型训练单元：将参数优化的SOM网络在训练集上训练及在测试集上验证；

预测单元：用于训练完成的SOM网络对在线申请客户进行欺诈检测。

与现有技术相比，本发明的有益效果是：

1、本发明中，所采用的SOM网络是一种无导师的自组织映射的无监督神经网络模型，可通过自动寻数据中的内在规律和属性，自组织、自适应地改变网络参数和结构，具有非线性、高度并行性、容错性、鲁棒性和较强的自适应学习能力，处理不确定性或模糊信息方面的能力突出；

2、本发明中，相比传统的GA和PSO等优化算法，ABC算法不容易陷入局部最优、收敛速度和稳定性均有提高，在搜索空间中不会被其约束条件所限制，具有鲁棒性好，参数少等优点；

3、本发明中，采用ABC算法优化的SOM模型具有精度高、可靠性强等特点，可以提高申请行为欺诈检测准确性，实现消费信贷场景欺诈的实时检测。

图1为本发明整体结构示意图。

实施例1：

请参阅图1，本发明提供一种技术方案：

一种基于ABC-SOM神经网络的消费信贷场景欺诈检测方法，包括步骤：

S1：采集数据，从消费金融平台后端根据贷后表现选取一定比例和数量正常还款和逾期客户作为建模样本，采集样本客户账户注册申请时的个人基本信息、监测软件中获取操作行为埋点数据；

S2：数据预处理，对采集的原始数据进行缺失补全、异常值处理，并按照7:3的比例切分成训练集和测试集后分别对训练集和测试集归一化处理；

S3：确定神经元的输入和输出数据，并确定最优的隐含层神经元个数，建立基础的SOM神经网络；

S4：利用训练数据训练采用ABC优化SOM神经网络，不断更新SOM网络的权值和阈值，到全局最优解得到的最优权值、阈值赋予SOM神经网络，得到ABC-SOM神经网络检测模型；

S5：采用测试集样本对SOM神经网络的预测性能进行测试，将测试集数据输入ABC-SOM神经网络模型得到预测结果，以RMSE、MAPE和MAE为模型评价指标，与梯度下降法、遗传算法、粒子算法优化的SOM神经网络模型的进行对比；

S6：将ABC-SOM神经网络的欺诈检测模型部署至申请平台输出实时申请欺诈类型实现申请客户的实时审批，并定期将有表现数据输入到模型训练，实现模型的在线更新。

在步骤1中，从互联网金融平台后端根据贷后表现选取一定比例和数量正常还款和逾期客户作为建模样本，采集样本客户账户注册申请时的个人基本信息、监测软件中获取操作行为埋点数据。其中用户的个人申请信息包括：手机号、学历、婚姻状况、工作单位、住址、联系人信息，征信报告获取的个人基本信息、信用交易信息、公共信息、特别记录数据；所述埋点数据包括埋点时采集的设备行为数据和日志数据，其中设备行为数据包括：登录本平台的次数、点击次数、点击频率、输入总耗时及平均耗时、手机号数据、GPS位置、MAC地址、IP地址数据、地理信息申请频次、IP的申请频次、设备电量占比、陀螺仪的平均加速度，另外日志数据包括：7天内登录次数、首次点击到申请授信时长、一天内最多的session数、申请授信前一周的行为统计等。另外在合规要求下，不限于获取移动互联网行为数据、贷款APP内行为数据、信贷历史、运营商数据在内的全域多维度大数据，这种设置有利于收集用户信息，便于判断与防范欺诈行为，

在S2中，对采集的原始数据进行缺失补全、异常值处理，并按照7:3的比例切分成训练集和测试集后分别对训练集和测试集归一化处理；

所述S2中归一化处理的表达式为：

x＝(xmax-xmin)/2+(xmax+xmin)/2

式中xmax和xmin代表训练样本集中每个特征向量负荷的最大值和最小值，这种设置有利于提升模型的精度，

在S3中，进行SOM神经网络各个学习模式的训练，训练的具体过程包括：

步骤3-1：确定网络拓扑结构

SOM神经网络的网络结构由输入层、竞争层与输出层构成，输入层神经元数即输入向量维数n，输出层神经元数即欺诈类型的种类m。

步骤3-2：样本归一化

输入层是作用是输入训练样本向量，SOM神经网络的训练样本计算出全体样本的中心向量，归一化的公式如下：

其中，X是全体样本的中心向量，为训练样本，||·||为训练样本向量的欧几里得范数，xj为训练样本向量的第j个特征分量值，j＝1,2,…,n是训练样本向量的特征维度；

步骤3-3：权值归一化

权值初始化的要求是使权值的初始位置与输入样本的分布区域充分重合，从所有的训练样本集中随机抽取m个输入样本wj1,wj2,…,wjm作为初始权值，在该中心向量基础上迭加小随机数作为权向量初始值，生成初始权值向量Wj

其中，wij为输入层的i神经元和输出层的j神经元之间的权值，||wji||为权值向量的欧几里得范数；

步骤3-4：训练样本数据与权值向量的欧几里得距离

竞争层的各个神经元竞争对该输入向量的响应机会，输入层与竞争层中的神经元全互连接，竞争层的神经元通过计算各个神经元与输入向量之间的欧氏距离来确定获胜神经元。

计算训练样本数据与权值向量的欧几里得距离，距离最小的神经元称为获胜神经元；

提供新的输入样本X，计算输入样本与每个输出神经元j的欧几里得距离：

其中，dj为训练样本数据与权值向量的欧几里得距离，||X-Wj||表示输入向量X和权值向量Wj间的欧几里得距离，wij为输入层的i神经元和输出层的j神经元之间的权值，n为输入的维数，xi(t)输入向量。

步骤3-5：定义优胜邻域Nj*(t)

优胜邻域以获胜神经元j*为中心确定t时刻的权值调整域，初始邻域较大Nj*(0)，训练过程中Nj*(t)随训练时间逐渐收缩，优胜邻域的大小用邻域的半径表示：

式中：C1为与输出层节点数有关的大于零的常数，B1为大于1的常数，T为预先设定的最大训练次数，t为训练次数。

步骤3-6：出获胜神经元

取步骤3-5中获胜的单元k周围的一个邻域Sk(t)，按照下式修正神经元j*及其邻接神经元的权值：

表示第k个神经元在竞争中获胜；

步骤3-7：调整权值

对优胜邻域内所有神经元调整权值，公式如下，

wij(t+1)＝wij(t)+η(t)[xi(t)-wij(t)]，i＝1,2,…,n，j∈Nj*(t)

式中：Wij(t+1)为调整后的权值，wij为输入层的i神经元和输出层的j神经元之间的权值，xi(t)为输入向量，η(t)是一个随时间变化逐渐减小到零的增益，随时间而衰减，一般取

或

其中，t为训练次数。

步骤3-8：判断是否达到训练要求

将每次训练后第j个神经元与获胜神经元拓扑距离的函数值η(t)与最初设定的最小的拓扑距离函数值ηmin进行比较，若η(t)<ηmin，结束网络训练，否则，返回步骤3-4继续执行以上步骤。

步骤3-9：计算输出网络输出Ok

网络第k个神经元输出为：

其中，f(·)为非线性函数，一般为0-1函数，如Sigmoid函数或者为其他非线性函数，dj为j神经元的权值向量和输入向量的欧氏距离，

步骤3-10：提供新的学习样本，重复步骤3-4至3-8至达到最大迭代次数，每个样本均训练完毕，训练完成后得到各个样本数据神经元的获胜情况，样本中获胜神经元位置相同的即可归为一类，其他数据样本均可输入网络进行识别，对号入座到欺诈类型，这种设置有利于分类，快速判断欺诈行为，

在S4：采用人工蜂(Artificial Bee Colony，ABC)算法来优化SOM网络的权值和阈值，通过初始化人工蜂、寻新蜜源、根据适应度选择更新蜜源、出最优解等4个步骤不断更新SOM网络的权值和阈值，到全局最优解得到的最优权值、阈值赋予SOM神经网络，得到ABC-SOM神经网络检测模型。

ABC算法在求解优化问题时，将问题抽象为D维空间中搜寻待解决问题的最优解，蜜源的位置是问题的可行解，蜜源的花蜜量对应相应解的适应度，通过不断寻新蜜源和根据适应度选择更新蜜源最终确定最优解，具体步骤如下：

步骤4-1：初始化人工蜂

设定蜂数量SN(蜂种族数目N为所有权值和阈值的总和)、蜜源数量N(一般为蜂数量SN的一半)、初始迭代次数t＝0、最大迭代次数tmax，解的维数为D(即等于优化参数的数量)，搜索空间的上下限为ui和li；

在D维空间蜜源i的初始化位置xij为：

xij＝lj+rand(0,1)×(uj-lj)，i＝1,2,3,…,SN，j＝1,2,3,…,D

其中，rand(0,1)代表0到1间的随机数，xij∈(li,ui)，ui和li是搜索空间的上下限。

步骤4-2：寻新蜜源

在搜索的初始，雇佣蜂会根据蜜源i的位置进行近邻搜索，并以如下的公式寻新蜜源vij：

vij＝xij+rand(-1,1)*(xij-xzj)，d＝1,2,3…,SN且d≠i

其中，xij表示第i个旧解的第j位分量；xdj表示第d个旧解的第j位分量，d为蜜源中随机选择的不为i的蜜源，rand(-1,1)表示区间[-1，1]上的随机数；

步骤4-3：根据适应度选择更新蜜源

应用适应度值对vij和xij做出选择，适应度函数fiti的计算表达式为：

其中，ei为第i个食物源对应的权值和阈值训练时的均方误差，ei的计算公式如下：

其中，yi为实际输出值，Ti为目标输入向量，即SOM网络预测值。

步骤4-4：观察蜂跟随，出最优解

所有的雇佣蜂完成适应度的运算后，飞回蜂巢与观察蜂分享蜜源信息，随后观察蜂根据下式计算的概率pi进行跟随，转移概率pi计算式如下：

基于适应度排序的选择策略计算引领蜂的转移概率pi，根据pi选择食物源(解)，并采用随机邻域搜索方法产生新的跟随蜂，计算其适应度值。然后观察蜂采用赌的方法随机选择跟随的雇佣蜂：若pi大于随机数r便返回第二步，反之，则继续执行迭代直至到达设定的迭代次数tmax。

步骤4-5：最优解赋给SOM神经网络

将ABC算法计算得到的最优权值、阈值赋予SOM神经网络，将训练样本输入到网络中对SOM神经网络进行训练学习，这种设置有助于提升SOM神经网络的智能性，

在S5中，分别采用均方根误差(RMSE)、平均绝对百分比误差(MAPE)和平均绝对误差(MAE)作为模型性能评价指标，各指标计算公式分别如下:

其中，n为训练集的样本数量；yi和分别为第i个样本的实际值和预测值；

评价指标RMSE和MAPE分别用于衡量模型的离散程度和整体误差，二者的数值越小，则说明模型的预测误差越小、模型越稳定、效果越好。MAE为绝对误差的平均值，主要用来反映预测值误差的实际情况，其值越小表示模型预测的绝对误差越小，说明模型的预测效果越好，这种设置有利于控制误差，提升精准性，

在S6中，将ABC算法优化SOM神经网络的欺诈检测模型部署至申请平台输出实时申请欺诈类型，实现申请客户的实时审批，并定期将有表现数据输入到模型训练，实现模型的在线更新，这种设置有利于对新型的应对防范，

所述步骤3-6中，若出现有输入值相同的情况，约定取位于左边的神经元为获胜神经元，这种设置有利于缩减冗余数据，

还提供一种基于ABC-SOM神经网络的消费信贷场景欺诈检测，包括以下几个单元：

样本获取单元：用于获取包括个人申请信息、操作行为埋点数据和贷后还款表现作为评价结果的训练样本；

数据处理单元：对采集的数据特征提取，进行包括数据缺失补全、异常值处理和归一化；

参数优化单元：设置ABC算法相关参数并与SOM网络相结合优化的神经网络的参数，得到ABC-SOM网络的消费信贷场景欺诈检测模型；

模型训练单元：将参数优化的SOM网络在训练集上训练及在测试集上验证；

预测单元：用于训练完成的SOM网络对在线申请客户进行欺诈检测，这种设置有利于通过用户的信用风险对交易行为进行控制，避免用户受到。

工作流程：本发明中，包括步骤：

S1：采集数据，从消费金融平台后端根据贷后表现选取一定比例和数量正常还款和逾期客户作为建模样本，采集样本客户账户注册申请时的个人基本信息、监测软件中获取操作行为埋点数据；

S2：数据预处理，对采集的原始数据进行缺失补全、异常值处理，并按照7:3的比例切分成训练集和测试集后分别对训练集和测试集归一化处理；

S3：确定神经元的输入和输出数据，并确定最优的隐含层神经元个数，建立基础的SOM神经网络；

S4：利用训练数据训练采用ABC优化SOM神经网络，不断更新SOM网络的权值和阈值，到全局最优解得到的最优权值、阈值赋予SOM神经网络，得到ABC-SOM神经网络检测模型；

S5：采用测试集样本对SOM神经网络的预测性能进行测试，将测试集数据输入ABC-SOM神经网络模型得到预测结果，以RMSE、MAPE和MAE为模型评价指标，与梯度下降法、遗传算法、粒子算法优化的SOM神经网络模型的进行对比；

S6：将ABC-SOM神经网络的欺诈检测模型部署至申请平台输出实时申请欺诈类型，实现申请客户的实时审批，并定期将有表现数据输入到模型训练，实现模型的在线更新。

通过上述S1-S6步骤完成对用户的数据收集处理构建模型，并通过ABC-SOM神经网络智能地判断用户的当前信用风险状况，避免金融的发生，与以往的人为调查用户信息的方式相比，响应速度更快捷，更加节省人力。

实施例2与实施例1相同部分不再赘述，不同之处是在步骤1中，从互联网金融平台后端根据贷后表现选取一定比例和数量正常还款和逾期客户作为建模样本，采集样本客户账户注册申请时的个人基本信息、监测软件中获取操作行为埋点数据。其中用户的个人申请信息包括：手机号、学历、婚姻状况、工作单位、住址、联系人信息，征信报告获取的个人基本信息、信用交易信息、公共信息、特别记录数据；所述埋点数据包括埋点时采集的设备行为数据和日志数据，其中设备行为数据包括：登录本平台的次数、点击次数、点击频率、输入总耗时及平均耗时、手机号数据、GPS位置、MAC地址、IP地址数据、地理信息申请频次、IP的申请频次、设备电量占比、陀螺仪的平均加速度，另外日志数据包括：7天内登录次数、首次点击到申请授信时长、一天内最多的session数、申请授信前一周的行为统计等。另外在合规要求下，不限于获取移动互联网行为数据、贷款APP内行为数据、信贷历史、运营商数据在内的全域多维度大数据，这种设置有利于收集用户信息，便于判断与防范欺诈行为，

在S2中，对采集的原始数据进行缺失补全、异常值处理，并按照7:3的比例切分成训练集和测试集后分别对训练集和测试集归一化处理；

所述S2中归一化处理的表达式为：

x＝(xmax-xmin)/2+(xmax+xmin)/2

式中xmax和xmin代表训练样本集中负荷的最大值和最小值，这种设置有利于提升模型的精度，

在S3中，进行SOM神经网络各个学习模式的训练，训练的具体过程包括：

步骤3-1：确定网络拓扑结构

SOM神经网络的网络结构由输入层和竞争层构成，输入层神经元数即输入向量维数n，输入层神经元数即欺诈类型的种类m。

步骤3-2：样本归一化

输入层是作用是输入训练样本向量，SOM神经网络的训练样本计算出全体样本的中心向量，归一化的公式如下：

其中，X是全体样本的中心向量，为训练样本，||·||为训练样本向量的欧几里得范数，xj为训练样本向量的第j个特征分量值，j＝1,2,…,n是训练样本向量的特征维度；

步骤3-3：权值归一化

权值初始化的要求是使权值的初始位置与输入样本的分布区域充分重合，从所有的训练样本集中随机抽取m个输入样本wj1,wj2,…,wjm作为初始权值，在该中心向量基础上迭加小随机数作为权向量初始值，生成初始权值向量Wj

其中，wij为输入层的i神经元和输出层的j神经元之间的权值，||wji||为权值向量的欧几里得范数；

步骤3-4：训练样本数据与权值向量的欧几里得距离

竞争层的各个神经元竞争对该输入向量的响应机会，输入层与竞争层中的神经元全互连接，竞争层的神经元通过计算各个神经元与输入向量之间的欧氏距离来确定获胜神经元。

计算训练样本数据与权值向量的欧几里得距离，距离最小的神经元称为获胜神经元；

提供新的输入样本X，计算输入样本与每个输出神经元j的欧几里得距离：

其中，dj为训练样本数据与权值向量的欧几里得距离，||X-Wj||表示输入向量X和权值向量Wj间的欧几里得距离，wij为输入层的i神经元和输出层的j神经元之间的权值，n为输入的维数，xi(t)输入向量。

步骤3-5：定义优胜邻域Nj*(t)

优胜邻域以获胜神经元j*为中心确定t时刻的权值调整域，初始邻域较大Nj*(0)，训练过程中Nj*(t)随训练时间逐渐收缩，优胜邻域的大小用邻域的半径表示：

式中：C1为与输出层节点数有关的大于零的常数，B1为大于1的常数，T为预先设定的最大训练次数，t为训练次数。

步骤3-6：出获胜神经元

取步骤3-5中获胜的单元k周围的一个邻域Sk(t)，按照下式修正神经元j*及其邻接神经元的权值：

表示第k个神经元在竞争中获胜；

步骤3-7：调整权值

对优胜邻域内所有神经元调整权值，公式如下，

wij(t+1)＝wij(t)+η(t)[xi(t)-wij(t)]，i＝1,2,…,n，j∈Nj*(t)

式中：Wij(t+1)为调整后的权值，wij为输入层的i神经元和输出层的j神经元之间的权值，xi(t)为输入向量，η(t)是一个随时间变化逐渐减小到零的增益，随时间而衰减，一般取

或

其中，t为训练次数。

步骤3-8：判断是否达到训练要求

将每次训练后第j个神经元与获胜神经元拓扑距离的函数值η(t)与最初设定的最小的拓扑距离函数值ηmin进行比较，若η(t)<ηmin，结束网络训练，否则，返回步骤3-4继续执行以上步骤。

步骤3-9：计算输出网络输出Ok

网络第k个神经元输出为：

其中，f(·)为非线性函数，一般为0-1函数，如Sigmoid函数或者为其他非线性函数，dj为j神经元的权值向量和输入向量的欧氏距离，

步骤3-10：提供新的学习样本，重复步骤3-4至3-8至达到最大迭代次数，每个样本均训练完毕，训练完成后得到各个样本数据神经元的获胜情况，样本中获胜神经元位置相同的即可归为一类，其他数据样本均可输入网络进行识别，对号入座到欺诈类型，这种设置有利于分类，快速判断欺诈行为，

在S4：采用人工蜂(Artificial Bee Colony，ABC)算法来优化SOM网络的权值和阈值，通过初始化人工蜂、寻新蜜源、根据适应度选择更新蜜源、出最优解等4个步骤不断更新SOM网络的权值和阈值，到全局最优解得到的最优权值、阈值赋予SOM神经网络，得到ABC-SOM神经网络检测模型。

ABC算法在求解优化问题时，将问题抽象为D维空间中搜寻待解决问题的最优解，蜜源的位置是问题的可行解，蜜源的花蜜量对应相应解的适应度，通过不断寻新蜜源和根据适应度选择更新蜜源最终确定最优解，具体步骤如下：

步骤4-1：初始化人工蜂

设定蜂数量SN(蜂种族数目N为所有权值和阈值的总和)、蜜源数量N(一般为蜂数量SN的一半)、初始迭代次数t＝0、最大迭代次数tmax，解的维数为D(即等于优化参数的数量)，搜索空间的上下限为ui和li；

在D维空间蜜源i的初始化位置xij为：

xij＝lj+rand(0,1)×(uj-lj)，i＝1,2,3,…,SN，j＝1,2,3,…,D

其中，rand(0,1)代表0到1间的随机数，xij∈(li,ui)，ui和li是搜索空间的上下限。

步骤4-2：寻新蜜源

在搜索的初始，雇佣蜂会根据蜜源i的位置进行近邻搜索，并以如下的公式寻新蜜源vij：

vij＝xij+rand(-1,1)*(xij-xzj)，d＝1,2,3…,SN且d≠i

其中，xij表示第i个旧解的第j位分量；xdj表示第d个旧解的第j位分量，d为蜜源中随机选择的不为i的蜜源，rand(-1,1)表示区间[-1，1]上的随机数；

步骤4-3：根据适应度选择更新蜜源

应用适应度值对vij和xij做出选择，适应度函数fiti的计算表达式为：

其中，ei为第i个食物源对应的权值和阈值训练时的均方误差，ei的计算公式如下：

其中，yi为实际输出值，Ti为目标输入向量，即SOM网络预测值。

步骤4-4：观察蜂跟随，出最优解

所有的雇佣蜂完成适应度的运算后，飞回蜂巢与观察蜂分享蜜源信息，随后观察蜂根据下式计算的概率pi进行跟随，转移概率pi计算式如下：

基于适应度排序的选择策略计算引领蜂的转移概率pi，根据pi选择食物源(解)，并采用随机邻域搜索方法产生新的跟随蜂，计算其适应度值。然后观察蜂采用赌的方法随机选择跟随的雇佣蜂：若pi大于随机数r便返回步骤4-2，反之，则继续执行迭代直至到达设定的迭代次数tmax。

步骤4-5：最优解赋给SOM神经网络

将ABC算法计算得到的最优权值、阈值赋予SOM神经网络，将训练样本输入到网络中对SOM神经网络进行训练学习，这种设置有助于提升SOM神经网络的智能性，

在S5中，分别采用均方根误差(RMSE)、平均绝对百分比误差(MAPE)和平均绝对误差(MAE)作为模型性能评价指标，各指标计算公式分别如下:

其中，n为训练集的样本数量；yi和分别为第i个样本的实际值和预测值；

评价指标RMSE和MAPE分别用于衡量模型的离散程度和整体误差，二者的数值越小，则说明模型的预测误差越小、模型越稳定、效果越好。MAE为绝对误差的平均值，主要用来反映预测值误差的实际情况，其值越小表示模型预测的绝对误差越小，说明模型的预测效果越好，这种设置有利于控制误差，提升精准性，

在S6中，将ABC算法优化SOM神经网络的欺诈检测模型部署至申请平台输出实时申请欺诈类型，实现申请客户的实时审批，并定期将有表现数据输入到模型训练，实现模型的在线更新，这种设置有利于对新型的应对防范，

所述步骤3-6中，若出现有输入值相同的情况，约定取位于左边的神经元为获胜神经元，这种设置有利于缩减冗余数据，

还提供一种基于ABC-SOM神经网络的消费信贷场景欺诈检测，包括以下几个单元：

样本获取单元：用于获取包括个人申请信息、操作行为埋点数据和贷后还款表现作为评价结果的训练样本；

数据处理单元：对采集的数据特征提取，进行包括数据缺失补全、异常值处理和归一化；

参数优化单元：设置ABC算法相关参数并与SOM网络相结合优化的神经网络的参数，得到ABC-SOM网络的消费信贷场景欺诈检测模型；

模型训练单元：将参数优化的SOM网络在训练集上训练及在测试集上验证；

预测单元：用于训练完成的SOM网络对在线申请客户进行欺诈检测，这种设置有利于通过用户的信用风险对交易行为进行控制，避免用户受到。

所采用的SOM网络是一种无导师的自组织映射的无监督神经网络模型，可通过自动寻数据中的内在规律和属性，自组织、自适应地改变网络参数和结构，具有非线性、高度并行性、容错性、鲁棒性和较强的自适应学习能力，处理不确定性或模糊信息方面的能力突出；相比传统的GA和PSO等优化算法，ABC算法不容易陷入局部最优、收敛速度和稳定性均有提高，在搜索空间中不会被其约束条件所限制，具有鲁棒性好，参数少等优点；采用ABC算法优化的SOM模型具有精度高、可靠性强等特点，可以提高了申请行为欺诈检测准确性，实现消费信贷场景欺诈地实时检测

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实例的说明只是用于帮助理解本发明的方法及其核心思想。以上所述仅是本发明的优选实施方式，应当指出，由于文字表达的有限性，而客观上存在无限的具体结构，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进、润饰或变化，也可以将上述技术特征以适当的方式进行组合；这些改进润饰、变化或组合，或未经改进将发明的构思和技术方案直接应用于其它场合的，均应视为本发明的保护范围。