19677

۱۹۶۷۷

كشف و شناسايي اشخاص پرمخاطره و مشكوك به تقلب‌هاي مالي در شبكه تعاملات مالي با استفاده از روش‌هاي خودكار مبتني بر گراف‌كاوي

كارشناسي ارشد

نرم افزار

۱۳۹۴

۱۳۹۷/۰۶/۲۶

دكتر حسين رحماني

دكتر بهروز مينايي بيدگلي

كامپيوتر

امروزه با پيشرفت روزافزون فن‌آوري اطلاعات و ارتباطات، انسان در هر لحظه با حجم انبوهي از داده‌ها مواجه است، كه اين داده‌هاي عظيم از منابع مختلفي ازجمله كسب‌وكار، تعاملات اجتماعي، مهندسي و غيره، استخراج مي‌شوند. تحليل و پردازش اين حجم از داده‌ها با روش‌هاي سنتي ميسر نيست و مستلزم استفاده از روش‌هايي نوين است. داده‌كاوي از بهترين راهكارها، جهت شناسايي الگوهاي موجود در حجم زيادي از داده‌ها محسوب مي‌شود. يكي از زمينه‌هايي كه داده‌كاوي نقش مؤثري در آن ايفا مي‌كند، كشف تقلب و مخاطرات در تعاملات (اجتماعي، اقتصادي و غيره) است. محققين با استفاده از مدل‌ها و الگوهاي حاصل از روش‌هاي داده‌كاوي، مخاطرات موجود در اين‌گونه از تعاملات را به‌صورت خودكار، كشف و شناسايي مي‌كنند. در اين پژوهش قصد داريم، ابتدا به معرفي و بررسي برخي از روش‌هاي خودكار مبتني بر داده‌كاوي كه در ساليان اخير به‌منظور تشخيص و كشف تقلب ارائه‌شده‌اند بپردازيم، سپس اهميت روش‌هاي مبتني بر گراف كاوي و مزاياي آن را مورد بحث قرار مي‌دهيم و در بخش انتهايي يكي از مسائل دنياي واقعي، كه مربوط به اختصاص اعتبار و تشخيص مخاطره اشخاص است را در مجموعه دادگان اعتبار آلماني به‌صورت دقيق‌تر مورد تحليل و بررسي قرار دهيم و به معرفي روش پيشنهادي خود، كه تلفيقي از روش‌هاي K-Medoids، گراف‌كاوي و شبكه عصبي چندلايه است مي‌پردازيم. نشان مي‌دهيم روش نوين ارائه‌شده در اين پژوهش، نسبت به ديگر الگوريتم‌هاي ارائه‌شده در اين دامنه، در راستاي پيش‌بيني و تشخيص مخاطره اشخاص عملكرد بهتري به نمايش مي‌گذارد.

1397/08/22

Detection and discovery of risk and suspected of fraud person in financial interactions network using automated methods based on graph mining

9/17/2019 12:00:00 AM

Nowadays with the daily development of Information Technology and Communications the man is facing a huge volume of data. These data are extracted from different resources such as business, social interaction, engineering, etc. Traditional methods are not able to analyze and process this volume of data, so the novel approaches should be used for solving this kind of problems. Data mining is one of the best approaches for detecting patterns from massive data. Fraud detection and risks discovery in interactions (Social, financial, etc.) is one the important fields in which data mining is very influencer. Researchers detect and discover risks automatically from interaction by the use of data mining models and patterns. In this research first; novel data mining fraud detection algorithms will be introduced, after that; the benefits and importance of graph mining methods will be discussed in this field. In conclusion part, one of the real world problems, which is related to credit scoring challenge and individual’s risk diagnoses in German credit datasets will be analyzed and checked in a more accurate way, and also the method of this research which is a combination of K-Medoid, graph mining and multi layer networks will be introduced in this part. The results shows that the accuracy of this method (GMLP) in types of evaluation approaches is better than other algorithms in this field.