本公开涉及数据处理，尤其涉及一种行为欺诈预测方法、装置及电子设备。
背景技术：
1、在现有的信贷风控业务中，类似反行为欺诈、身份校验等场景，需要以较低的概率命中部分目标客户群体，同时要求这部分目标客户群体尽可能的属于高风险人群，即尽可能无误的筛出真正存在行为欺诈的那部分客户。
2、相关场景中，主要使用个人行为历史数据和自定义的样本标签（例如一定时间范围是否存在行为欺诈等）来创建机器学习模型，包括常见的逻辑回归、xgboost等来做客户分类，从而筛查高风险人群。然而，通常评估高风险人群筛查的效果，会更关注lift指标的取值，该指标表现了筛查出的这部分样本预测结果相比于正常情形的（随机选择）的加强结果。对于只用区分高风险和低风险两类的模型来说，最终预测的结果可以是单样本为高风险的期望，而需要人为指定阈值来决定划分哪一部分为预测的高风险人群，而往往用机器学习模型预测的结果，使用ks指标来决定阈值，但这种方法大概率会使判定为高风险人群的基数较大。直接对模型预测为高风险流量的概率从高到低进行排序，直接切分前多少个百分点作为高风险流量，一般取百五以内，这种方法虽然尽可能降低了预测为高风险流量的数量，但还是依靠模型本身的效果来决定预测结果的lift指标，从而导致仍需要较高成本，获取效果（用auc[3]、ks等指标评估）更好的模型。
3、相关场景中，还可以根据个人行为历史数据，进行规则特征指定筛查。然而，根据特征取值来制定规则，但如果数据集本身很难找到具有高区分度的特征，则想得到预测效果准确性较低。
技术实现思路
1、为克服相关技术中存在的分类区分高风险人群存在成本较高，基于规则筛选高风险人群准确性较低的技术问题，本公开提供一种行为欺诈预测方法、装置及电子设备。
2、在本公开实施例的第一方面，提供一种行为欺诈预测方法，所述方法包括：
3、获取具有表征历史行为数据所属的样本类型的样本标签的历史行为数据，以及所述历史行为数据构成的样本集中每一历史行为数据的初始样本权重；
4、根据每一所述历史行为数据的样本标签，对所述样本集中每一所述历史行为数据的初始样本权重进行更新，得到每一所述历史行为数据的重置样本权重；
5、重复多轮执行根据所述历史行为数据的样本权重，对决策树模型进行训练，通过训练得到的决策树模型对所述样本集中训练集样本进行筛选，筛选出以预测结果进行分类的目标行为样本数据；
6、根据所述目标行为样本数据和所述样本集进行多种指标计算，并根据得到的每一所述指标的计算值，对每一所述历史行为数据的重置样本权重进行更新，直到得到满足预设要求的目标决策树模型；
7、从得到所述目标决策树模型之前的迭代轮次中选取训练得到的决策树模型构建联合规则，并通过所述联合规则对获取到的用户行为数据进行预测，得到行为欺诈预测结果。
8、在一种可能实现方式中，所述根据每一所述历史行为数据的样本标签，对所述样本集中每一所述历史行为数据的初始样本权重进行更新，得到每一所述历史行为数据的重置样本权重，包括：
9、计算所述样本集中所述样本标签表征所述样本类型为负样本的所述历史行为数据，与所述样本标签表征所述样本类型为正样本的所述历史行为数据的比例，得到初始比例值；
10、根据所述初始比例值以及初始错误率，计算所述样本集中不同的分节点中每个所述样本类型为正样本的所述历史行为数据的第一权重以及每个所述样本类型为负样本的所述历史行为数据的第二权重；
11、根据所述第一权重和所述第二权重，对所述样本集中每一所述历史行为数据的初始样本权重进行更新，得到每一所述历史行为数据的重置样本权重。
12、在一种可能实现方式中，所述根据所述第一权重和所述第二权重，对所述样本集中每一所述历史行为数据的初始样本权重进行更新，得到每一所述历史行为数据的重置样本权重，包括：
13、根据所述第一权重和所述第二权重求和，得到所述样本集中所述历史行为数据的总样本权重和；
14、根据所述总样本权重和，对所述样本标签表征所述样本类型为正样本的所述历史行为数据的第一权重进行归一化，并根据归一化后的第一权重对所述样本集中对应的所述样本标签表征所述样本类型为正样本的所述历史行为数据的所述初始样本权重进行更新，得到所述样本标签表征所述样本类型为正样本的所述历史行为数据的重置样本权重；
15、根据所述总样本权重和，对所述样本标签表征所述样本类型为负样本的所述历史行为数据的第二权重进行归一化，并根据归一化后的第二权重对所述样本集中对应的所述样本标签表征所述样本类型为负样本的所述历史行为数据的所述初始样本权重进行更新，得到所述样本标签表征所述样本类型为负样本的所述历史行为数据的重置样本权重。
16、在一种可能实现方式中，所述根据所述初始比例值以及初始错误率，计算所述样本集中不同的分节点中每个所述样本类型为正样本的所述历史行为数据的第一权重以及每个所述样本类型为负样本的所述历史行为数据的第二权重，包括：
17、计算1与所述初始错误率的差值，得到所述样本集中不同的分节点中每个所述样本类型为负样本的所述历史行为数据的第二权重；
18、将所述差值作为并计算所述初始比例值与所述差值的乘积，得到所述样本集中不同的分节点中每个所述样本类型为正样本的所述历史行为数据的第一权重。
19、在一种可能实现方式中，所述根据所述目标行为样本数据和所述样本集进行多种指标计算，包括：
20、将所述目标行为样本数据划分到不同的叶节点，确定不同所述叶节点中预测属于目标样本类型的第一行为样本数据的第五数量与该叶节点中所述目标行为样本数据的第六数量的比值，确定本轮的第一节点样本比例；
21、确定不同所述叶节点中预测属于所述目标样本类型的第一行为样本数据的所述第五数量与所述目标行为样本数据的第一数量的比值，确定本轮的第二节点样本比例；
22、确定不同所述叶节点中所述目标行为样本数据的所述第六数量与所述目标行为样本数据的所述第一数量的比值，确定本轮的第三节点样本比例；
23、确定所述目标行为样本数据中预测属于所述目标样本类型的第一行为样本数据的第二数量与预测不属于所述目标样本类型的第二行为样本数据的第七数量的比值，得到计算比例值；
24、确定所述目标行为样本数据中预测属于目标样本类型的第一行为样本数据的第二数量与所述目标行为样本数据的第一数量的比值，得到更新错误率。
25、在一种可能实现方式中，所述根据得到的每一所述指标的计算值，对每一所述历史行为数据的重置样本权重进行更新，包括：
26、针对所述历史行为数据中预测属于所述目标样本类型的第一行为样本数据，根据所述第一节点样本比例、所述第二节点样本比例、所述第三节点样本比例、所述计算比例值以及所述更新错误率，进行重置样本权重进行更新；
27、针对所述历史行为数据中预测不属于所述目标样本类型的第二行为样本数据，根据所述第一节点样本比例、所述第二节点样本比例、所述第三节点样本比例以及所述更新错误率，进行重置样本权重进行更新。
28、在一种可能实现方式中，所述从得到所述目标决策树模型之前的迭代轮次中选取训练得到的决策树模型构建联合规则，包括：
29、获取每一轮次计算所述指标过程中的提升度，其中，所述提升度是根据所述目标行为样本数据的第一数量，所述目标行为样本数据中预测属于目标样本类型的第一行为样本数据的第二数量、所述样本集中所述样本标签表征属于所述目标样本类型的第二行为样本数据的第三数量以及所述样本集中所述历史行为数据的第四数量确定的；
30、确定所述提升度的最大值为目标提升度；
31、从得到所述目标决策树模型之前的迭代轮次中，选取处于所述目标提升度对应的迭代轮次之前的迭代轮次对应的决策树模型构建所述联合规则。
32、在一种可能实现方式中，所述提升度是通过如下方法计算得到的：
33、计算所述目标行为样本数据中预测属于目标样本类型的第一行为样本数据的第二数量与所述样本集中所述样本标签表征属于所述目标样本类型的第二行为样本数据的第三数量的比值，得到第一比值；
34、计算所述目标行为样本数据的第一数量与所述样本集中所述历史行为数据的第四数的比值，得到第二比值；
35、计算所述第一比值与所述第二比值的比值，得到所述提升度。
36、在本公开实施例的第二方面，提供一种行为欺诈预测装置，所述装置包括：
37、获取模块，被配置为获取具有表征历史行为数据所属的样本类型的样本标签的历史行为数据，以及所述历史行为数据构成的样本集中每一历史行为数据的初始样本权重；
38、更新模块，被配置为根据每一所述历史行为数据的样本标签，对所述样本集中每一所述历史行为数据的初始样本权重进行更新，得到每一所述历史行为数据的重置样本权重；
39、迭代模块，被配置为重复多轮执行根据所述历史行为数据的样本权重，对决策树模型进行训练，通过训练得到的决策树模型对所述样本集中训练集样本进行筛选，筛选出以预测结果进行分类的目标行为样本数据，并根据所述目标行为样本数据和所述样本集进行多种指标计算，并根据得到的每一所述指标的计算值，对每一所述历史行为数据的重置样本权重进行更新，直到得到满足预设要求的目标决策树模型；
40、预测模块，被配置为从得到所述目标决策树模型之前的迭代轮次中选取训练得到的决策树模型构建联合规则，并通过所述联合规则对获取到的用户行为数据进行预测，得到行为欺诈预测结果。
41、在本公开实施例的第三方面，提供一种电子设备，包括：
42、处理器；
43、用于存储处理器可执行指令的存储器；
44、其中，所述处理器被配置为执行所述存储器中的可执行指令，以实现第一方面中任意一项所述的方法。
45、本公开的实施例提供的技术方案可以包括以下有益效果：
46、获取具有表征历史行为数据所属的样本类型的样本标签的历史行为数据，以及历史行为数据构成的样本集中每一历史行为数据的初始样本权重；根据每一历史行为数据的样本标签，对样本集中每一历史行为数据的初始样本权重进行更新，得到每一历史行为数据的重置样本权重；重复多轮执行根据历史行为数据的样本权重，对决策树模型进行训练，通过训练得到的决策树模型对样本集中训练集样本进行筛选，筛选出以预测结果进行分类的目标行为样本数据；根据目标行为样本数据和样本集进行多种指标计算，并根据得到的每一指标的计算值，对每一历史行为数据的重置样本权重进行更新，直到得到满足预设要求的目标决策树模型；从得到目标决策树模型之前的迭代轮次中选取训练得到的决策树模型构建联合规则，并通过联合规则对获取到的用户行为数据进行预测，得到行为欺诈预测结果。借助决策树模型制定单轮规则，多轮规则间串行，在每一轮用一定策略筛出样本进入下一轮规则模型，且基于当前模型的结果来更新下一轮入模样本的权重，直到达到迭代次数或者效果不再提升时停止模型的迭代，避免了复杂的建模过程（包括调参、选择特征等等），更多的侧重在样本本身，且采用简单的决策树模型，可以自动的综合低区分度的特征制定可解释性更强的联合规则。且结合lift指标的这个目标来优化模型，使得筛查的高风险流量更少且更准确。
47、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
1.一种行为欺诈预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据每一所述历史行为数据的样本标签，对所述样本集中每一所述历史行为数据的初始样本权重进行更新，得到每一所述历史行为数据的重置样本权重，包括：
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一权重和所述第二权重，对所述样本集中每一所述历史行为数据的初始样本权重进行更新，得到每一所述历史行为数据的重置样本权重，包括：
4.根据权利要求2所述的方法，其特征在于，所述根据所述初始比例值以及初始错误率，计算所述样本集中不同的分节点中每个所述样本类型为正样本的所述历史行为数据的第一权重以及每个所述样本类型为负样本的所述历史行为数据的第二权重，包括：
5.根据权利要求1所述的方法，其特征在于，所述根据所述目标行为样本数据和所述样本集进行多种指标计算，包括：
6.根据权利要求5所述的方法，其特征在于，所述根据得到的每一所述指标的计算值，对每一所述历史行为数据的重置样本权重进行更新，包括：
7.根据权利要求5所述的方法，其特征在于，所述从得到所述目标决策树模型之前的迭代轮次中选取训练得到的决策树模型构建联合规则，包括：
8.根据权利要求7所述的方法，其特征在于，所述提升度是通过如下方法计算得到的：
9.一种行为欺诈预测装置，其特征在于，所述装置包括：
10.一种电子设备，其特征在于，包括：
