基于共同交易行为的在线交易欺诈检测模型研究-计算机应用技术专业论文.docxVIP

重庆大学 重庆大学硕士学位论文 英文摘要 PAGE PAGE IV can be used to detect the fraudsters in the network platform as well as those unbalanced category classification in real transactions. At the last, on the shortcoming of the model are described and proposed possible solutions. Keywords: Platform Fraudulent, Common Transaction Behavior, Social Network Analysis, Random Forest 重庆大学硕 重庆大学硕士学位论文 目 录 目 录 中文摘要I 英文摘要 II 1 绪 论 1 1.1 课题研究背景及研究意义 1 1.2 国内外研究现状 2 1.2.1 基于统计的方法 2 1.2.2 基于数据挖掘的方法 2 1.2.3 基于社交网络分析的方法 3 1.3 论文研究内容和创新点 4 1.4 章节安排 4 2 相关知识及研究 6 2.1 社交网络分析 6 PageRank 6 HYPERLINK \l _TOC_250002 TrustRank 8 HYPERLINK \l _TOC_250001 BadRank 9 HYPERLINK \l _TOC_250000 K-core 10 2.2 团伙欺诈的发展过程 13 2.2.1 多用户抱团方式 13 2.2.2 同盟者团伙方式 14 2.2.3 平台欺诈方式 15 2.3 本章小结 16 3 在线交易欺诈检测方法研究 17 3.1 反转图 17 3.1.1 反转图的定义 17 3.1.2 反转图的计算 18 3.1.3 反转图的分析 19 3.2 同盟对累积交易数 21 3.2.1 同盟对累积交易数定义 22 3.2.2 同盟对累积交易数计算 22 3.2.3 同盟对累积交易数分析 24 3.3 SNA 特征属性选取 25 TrustRank 和 BadRank 特征属性 25 K-core 特征属性 27 3.4 用户特征属性选取 29 3.4.1 交易频数 29 3.4.2 交易商品均价与方差 30 3.4.3 交易信誉比 34 3.4.4 店铺转化率 34 3.5 欺诈检测模型研究 35 3.5.1 特征属性集 35 3.5.2 检测模型的设计 36 3.5.3 模型算法的选取 38 3.6 本章小结 40 4 欺诈检测模型评估 41 4.1 在线交易数据获取 41 4.1.1 数据集的介绍 41 4.1.2 数据爬取模型 41 4.1.3 黑白名单和数据集 45 4.2 模型评估与分析 46 4.2.1 评价方法 46 4.2.2 参数设置 47 4.2.3 模型评估与分析 48 4.3 本章小结 53 5 总结与展望 54 5.1 论文工作总结 54 5.2 研究展望 55 致 谢 57 参考文献 58 附 录 61 A. 作者在攻读硕士学位期间发表的论文目录 61 B. 作者在攻读硕士学位期间参与的科研项目 61 重庆大学 重庆大学硕士学位论文 1 绪 论 PAGE PAGE 10 1 绪 论 1.1 课题研究背景及研究意义 随着互联网的高速发展，互联网正在改变着世界，包括我们的生活和思维方 式。由于互联网高度的匿名性、宽松的法律约束和低成本的进入进出等，电子商 务的在线交易已经在互联网上蓬勃发展，每天来自世界各地的人们通过交易平台 网站进行着上达千万美元的商品交易。世界上最大的电子商务在线交易平台 eBay （ HYPERLINK / ），公布了它 2013 年第三季度的财报，报告显示了第三季度 的收入为 39 亿美元，旗下的网上支付 PayPal 的活跃注册用户数为 1.374 亿。这些 数字显示，相比去年同期收入增长了 14%，活跃注册用户数增长了 2000 万[1]。 不幸的是，随着电子商务在线交易的快速发展也滋生着在线交易欺诈行为的 同生共长。根据互联网犯罪投诉中心（Internet Crime Complaint Center, IC3）公布 的互联网欺诈报告，有关互联网欺诈的投诉从 2001 年的每月 4,201 次上升至 2012 年的每月 24,156 次。从 2012 年 1 月 1 日起至 2012 年 12 月 31 日 IC3 共收到 289,874 次投诉，其中 39.64%（14