[论文解读] A Time Attention based Fraud Transaction Detection Framework

Longfei Li, Ziqi Liu+4 more|arXiv (Cornell University)|Dec 26, 2019

Imbalanced Data Classification Techniques参考文献 27被引用 9

一句话总结

本文提出了一种基于时间注意力的循环神经网络框架，通过将时间间隔（例如，持续时间、事件间间隔）与用户静态特征相结合，对用户交易序列中的时间模式进行建模。该方法在召回率在前百分之几（RATP）指标上优于当前最先进模型，相较于GBDT在RATP@0.05和RATP@0.01上取得了新的SOTA性能，提升达7%。

ABSTRACT

With online payment platforms being ubiquitous and important, fraud transaction detection has become the key for such platforms, to ensure user account safety and platform security. In this work, we present a novel method for detecting fraud transactions by leveraging patterns from both users' static profiles and users' dynamic behaviors in a unified framework. To address and explore the information of users' behaviors in continuous time spaces, we propose to use \emph{time attention based recurrent layers} to embed the detailed information of the time interval, such as the durations of specific actions, time differences between different actions and sequential behavior patterns,etc., in the same latent space. We further combine the learned embeddings and users' static profiles altogether in a unified framework. Extensive experiments validate the effectiveness of our proposed methods over state-of-the-art methods on various evaluation metrics, especially on \emph{recall at top percent} which is an important metric for measuring the balance between service experiences and risk of potential losses.

研究动机与目标

• 通过结合用户静态特征与具有时间粒度的动态行为序列，提升欺诈交易检测性能。
• 解决现有RNN模型忽略详细时间间隔信息（如事件间持续时间、时间规律性）的局限性。
• 提升在召回率在前百分之几（RATP）这一关键指标上的性能，以平衡欺诈检测的敏感性与用户体验。
• 开发一个统一框架，将时间感知嵌入与用户特征整合，实现端到端训练。
• 在蚂蚁借呗的实际部署中验证该方法的有效性，展示其鲁棒性与可扩展性。

提出的方法

• 提出一种基于时间注意力的循环层，将时间间隔信息（如持续时间、间隔）整合到RNN隐藏状态的计算中。
• 引入时间门机制，根据连续交易之间的时间距离动态调节细胞状态。
• 使用学习得到的时间嵌入来表示事件间时间间隔，使模型能够区分正常与异常的时间模式。
• 在联合表征空间中结合用户静态特征（如人口统计信息、平均消费水平）与时间感知序列嵌入。
• 在时间嵌入序列上使用多头注意力机制，聚焦于关键的时间依赖行为模式。
• 采用交叉熵损失并处理类别不平衡问题进行端到端训练，优化预测结果中前百分之几的高召回率。

实验结果

研究问题

• RQ1 与标准RNN相比，建模详细时间间隔（如事件间持续时间）是否能提升欺诈检测性能？
• RQ2 将时间感知注意力与用户静态特征结合后，对召回率在前百分之几（RATP）的影响如何？
• RQ3 所提出的时序注意力机制是否比PLSTM和TLSTM等现有时间感知RNN变体收敛更快、泛化能力更强？
• RQ4 模型性能在多大程度上依赖于超参数（如隐藏单元数量、时间嵌入维度）？
• RQ5 该框架是否能在蚂蚁借呗这类生产级支付系统中实现卓越的实际性能？

主要发现

• 所提方法在RATP@0.05上达到0.864，相较于依赖人工特征的GBDT提升了7%。
• 加入时间注意力的GRU与Bi-LSTM优于PLSTM和TLSTM，表明注意力机制在时间建模方面比内部门控机制更有效。
• 该模型收敛速度优于基线RNN，其中LSTM结合时间注意力的变体收敛最快。
• 时间嵌入维度为32时性能最佳；更大的维度因特征空间稀疏性导致性能下降。
• 隐藏单元数量超过256后收益递减，表明256是实际且高效的设置。
• 该方法在RATP@0.05与RATP@0.01上均取得SOTA结果，证实其在检测罕见欺诈案例且误报极少方面的有效性。