15339

افزايش كشف تقلب در بانكداري با ادغام پايگاه هاي داده گراف با يادگيري ماشين

1402

دكتر سيد حميد حاجي سيد جوادي

در اين پژوهش، به‌منظور بهبود تشخيص تقلب در تراكنش‌هاي بانكي، رويكردي نوين مبتني بر يكپارچه‌سازي پايگاه داده گرافي (Neo4j) با يادگيري ماشين ارائه شده است. داده‌هاي تراكنش بانكي شامل بيش از 594 هزار ركورد با عدم تعادل شديد كلاس (تنها 1.2٪ تقلب) مورد بررسي قرار گرفت. ابتدا با استفاده از زبان Cypher در Neo4j، ويژگي‌هاي شبكه‌اي شامل درجه (Degree)، پيج‌رنك (PageRank) و جامعه (Community) براي مشتريان و تاجران استخراج شد. سپس با پيش‌پردازش داده‌ها (حذف ستون‌هاي غيرضروري، كدگذاري يك-داغ، نرمال‌سازي با StandardScaler) و رفع عدم تعادل كلاس از طريق زيرنمونه‌برداري تصادفي و SMOTE، داده‌ها براي مدل‌سازي آماده شدند. سه مدل طبقه‌بندي Random Forest، KNN و XGBoost آموزش داده شدند كه همگي دقت بالاي 99٪، AUC نزديك به 1 و عملكرد عالي در ماتريس درهم‌ريختگي را نشان دادند. XGBoost با AUC=0.999 بهترين عملكرد را داشت. در نهايت با استفاده از ماژول AutoLogging-ML، مقايسه خودكار مدل‌ها انجام شد و مدل بهينه (XGBoost) انتخاب گرديد. اين رويكرد تركيبي، دقت تشخيص تقلب را به‌طور چشمگيري افزايش داده و قابليت پياده‌سازي عملي در سيستم‌هاي بانكي را دارد.

10/26/2024 12:00:00 AM

88325

1404/08/02

Enhancing fraud detection in banking by integration of graphdatabases with machine learning

تشخيص تقلب بانكي , پايگاه داده گرافي , يادگيري ماشين , ويژگي‌هاي شبكه‌اي

Banking Fraud Detection , Graph Database , Machine Learning , Network Features