【摘要】：金融交易網絡是一個非常復雜的圖網絡,要從交易網絡中海量的、復雜的、含有噪聲的數據集中挖掘出不同于其它數據對象的小模式,也就是金融交易網絡和反洗錢研究里的嫌疑賬戶的確定,這可以轉化為數據挖掘中離群檢測的問題。傳統(tǒng)的基于聚類的離群檢測方法有兩個很大的不足之處,一方面,對于類內的數據對象的差異,沒有很好的模型進行分析,另一方面,對于類之間的聯系,沒有合適的發(fā)現方法。針對上述出現的問題,可以將聚類、局部離群檢測和鏈接發(fā)現三者結合起來,結合相關的理論,給出一種完整離群檢測模型方案。對每個交易賬戶,根據交易次數和交易金額規(guī)整原始數據為適合離群挖掘的數據集,建立該數據集時,要注意一些無效數據的剔除,使規(guī)整后的數據集更加具有有效性和完整性。采用改進的兩步聚類算法對規(guī)整后的數據集進行聚類,將具有相似交易特征的賬戶劃分為一類,該聚類算法有很好的聚類效果,也可以發(fā)現一些異常數據對象,聚類之后的數據集使之后的模型發(fā)現分析更加具有針對性,然后對每個聚類分別建立基于聚類的異常檢測模型:對類內的賬戶差異,采用基于馬氏距離的局部離群檢測算法計算離群指數并以升序的方式呈現出來,對類之間的交易聯系,采取基于圖熵的鏈接發(fā)現技術對聚類后的交易網絡進行約減,給出交易網絡中關鍵的交易節(jié)點。并且通過兩組對比實驗驗證了改進的兩步聚類算法的聚類精度以及基于馬氏距離的密度離群檢測算法的準確率。結合項目金融交易分析系統(tǒng),依照之前的研究,實現了一個離群檢測模型模塊,針對真實案件的數據進行有效性驗證。
[Abstract]:The financial transaction network is a very complex graph network, it is necessary to mine the small pattern which is different from other data objects from the massive, complex, noisy data set in the transaction network. That is, the identification of suspected accounts in financial transaction networks and anti-money laundering studies, which can be translated into outlier detection in data mining. The traditional outlier detection method based on clustering has two great shortcomings. On the one hand, there is no good model to analyze the difference of data objects in the class; on the other hand, the relationship between the classes is analyzed. There is no suitable method of discovery. In view of the above problems, we can combine clustering, local outlier detection and link discovery, and give a complete outlier detection model. For each transaction account, according to the number of transactions and the amount of transactions, the original data is suitable for outlier mining. When setting up the data set, we should pay attention to the elimination of some invalid data. The structured data set is more effective and complete. The improved two-step clustering algorithm is used to cluster the regular data sets, and the accounts with similar transaction characteristics are divided into a class. The clustering algorithm has a good clustering effect, and some abnormal data objects can also be found. The data set after clustering makes the analysis of model discovery more specific. Then the anomaly detection model based on clustering is established for each cluster. The local outlier detection algorithm based on Markov distance is used to calculate the outlier index and present it in ascending order. The link discovery technology based on graph entropy is used to reduce the transaction network after clustering. The key transaction nodes in the trading network are given. The clustering accuracy of the improved two-step clustering algorithm and the accuracy of the density outlier detection algorithm based on Markov distance are verified by two sets of comparative experiments. Combined with the project financial transaction analysis system, according to the previous research, a outlier detection model module is implemented to verify the validity of the real case data.
【學位授予單位】：華中科技大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP311.13;D924.3

【相似文獻】

相關期刊論文 前1條

1 盧正鼎,王瓊;基于相似度的離群模式發(fā)現模型[J];華中科技大學學報(自然科學版);2005年01期

相關會議論文 前9條

1 張鋒;常會友;;茫然第三方支持的隱私保持離群點探測協(xié)議[A];第二十四屆中國數據庫學術會議論文集（研究報告篇）[C];2007年

2 連鳳娜;吳錦林;薛永生;;一種改進的基于距離的離群挖掘算法[A];第二十四屆中國數據庫學術會議論文集（技術報告篇）[C];2007年

3 梁雪琴;劉紅生;代秀梅;周亞芬;;聚類離群點挖掘技術在內部審計信息化中的應用——一個來自商業(yè)銀行信用卡審計的實例[A];全國內部審計理論研討優(yōu)秀論文集(2013)[C];2014年

4 于浩;王斌;肖剛;楊曉春;;基于距離的不確定離群點檢測[A];第26屆中國數據庫學術會議論文集（A輯）[C];2009年

5 許龍飛;熊君麗;段敏;;基于粗糙集的高維空間離群點發(fā)現算法研究[A];第二十屆全國數據庫學術會議論文集（技術報告篇）[C];2003年

6 劉文遠;李振平;王寶文;裴繼輝;;一種多維數據的離群點檢測算法[A];2007年全國第十一屆企業(yè)信息化與工業(yè)工程學術會議論文集[C];2007年

7 魏藜;錢衛(wèi)寧;周傲英;;HOT:尋找高維空間中的離群點[A];第十八屆全國數據庫學術會議論文集（研究報告篇）[C];2001年

8 周紅福;錢衛(wèi)寧;魏藜;周傲英;;EDOLOIS:高效準確的子空間局部離群點發(fā)現[A];第二十屆全國數據庫學術會議論文集（研究報告篇）[C];2003年

9 魏藜;錢衛(wèi)寧;周傲英;;SLOT:基于估計的高效子空間局部離群點發(fā)現[A];第十九屆全國數據庫學術會議論文集（研究報告篇）[C];2002年

相關博士學位論文 前10條

1 劉莘;基于時空分析的CCS泄漏預警關鍵技術研究[D];中國礦業(yè)大學;2016年

2 劉露;異質信息網絡中離群點檢測方法研究[D];吉林大學;2017年

3 楊鵬;離群檢測及其優(yōu)化算法研究[D];重慶大學;2010年

4 林海;離群檢測及離群釋義空間查找算法研究[D];重慶大學;2012年

5 薛安榮;空間離群點挖掘技術的研究[D];江蘇大學;2008年

6 楊茂林;離群檢測算法研究[D];華中科技大學;2012年

7 金義富;高維稀疏離群數據集延伸知識發(fā)現研究[D];重慶大學;2007年

8 雷大江;離群檢測與離群釋義算法研究[D];重慶大學;2012年

9 萬家強;基于連通性的離群檢測與聚類研究[D];重慶大學;2014年

10 唐向紅;數據流離群點檢測研究[D];華中科技大學;2010年

相關碩士學位論文 前10條

1 韓紅霞;基于距離離群點的分析與研究[D];江蘇大學;2007年

2 黃馨玉;基于鄰域重心變化的離群點檢測算法研究[D];遼寧大學;2015年

3 程百球;基于EP模式的離群點發(fā)現[D];安慶師范學院;2015年

4 歐陽根平;Hadoop云平臺下基于離群點挖掘的入侵檢測技術研究[D];電子科技大學;2015年

5 鄧璇;數據流挖掘關鍵技術研究與實現[D];電子科技大學;2015年

6 周瑩瑩;利用離群點檢測改進協(xié)同過濾推薦算法[D];南京郵電大學;2015年

7 陳娟;基于離群特征提取和能量計算的SVM股市預測研究[D];合肥工業(yè)大學;2014年

8 張友強;基于選擇性集成學習的離群點檢測研究[D];青島科技大學;2016年

9 王美晶;基于PSO算法的離群點檢測方法研究[D];福州大學;2013年

10 關皓文;基于離群點檢測方法的醫(yī)保異常發(fā)現[D];山東大學;2016年

，

本文編號：2202023