基于SVM的电信客户欺诈检测技术应用研究

论文摘要

近年来,随着电信市场的快速发展,电信行业中的客户欺诈行为与日俱增。为了预防和检测欺诈行为的发生,解决电信运营商的客户关系管理问题,电信客户欺诈检测系统利用模式识别、数据挖掘等工具对电信客户的消费过程进行具体解析,在对客户进行分类,结合电信客户行为的基础上,完成电信客户欺诈检测模型的建模,进行欺诈行为的检测,从而减少电信客户欺诈带来的危害,减少电信运营风险。本论文阐述了电信客户欺诈行为所带来的危害以及进行电信客户欺诈系统研发的重要性和紧迫性；介绍了研发电信客户欺诈系统所涉及到的诸如机器学习,统计学习理论等相关理论知识；提出了用单向量支持向量机进行初次分类,再利用支持向量机进行二次分类,基于单向量支持向量机,用于电信客户欺诈检测模型的分类方法；分析了电信客户欺诈检测的建模以及验证过程。论文研究表明：基于SVM的电信客户欺诈检测技术应用研究,具备广阔的市场前景；检测模型能智能规避潜在的风险行为,对客户的欺诈行为进行识别,继而对电信客户欺诈行为中规模小、分散性大的行为进行检测。

论文目录

• 摘要
• Abstract
• 插图索引
• 附表索引
• 第1章 绪论
• 1.1 研究背景和研究意义
• 1.2 研究现状
• 1.2.1 关于电信客户欺诈检测的研究
• 1.2.2 相关领域的欺诈检测的研究
• 1.3 研究思路与研究内容
• 1.3.1 研究思路
• 1.3.2 研究内容
• 1.4 研究方法
• 第2章 支持向量机发展及相关理论基础
• 2.1 支持向量机的发展过程
• 2.2 支持向量机相关理论
• 2.2.1 最优分类超平面
• 2.2.2 广义最优分类超平面
• 2.2.3 核函数
• 2.2.4 分类支持向量机的构造
• 2.3 机器学习相关理论
• 2.4 统计学习相关理论
• 2.4.1 VC理论
• 2.4.2 结构风险最小化准则
• 2.5 本章小结
• 第3章 基于OV-SVM的数据集分类方法
• 3.1 单向量支持向量机
• 3.1.1 基于超平面的OV-SVM
• 3.1.2 基于超球体的OV-SVM
• 3.2 随机选择算法
• 3.3 基于OV-SVM的分类过程
• 3.3.1 数据约简
• 3.3.2 OV-SVM训练
• 3.3.3 数据恢复
• 3.3.4 SVM分类
• 3.4 实验结果
• 3.5 本章小结
• 第4章 SVM在电信客户欺诈中的应用
• 4.1 电信欺诈定义、分类与模型建立的需求
• 4.1.1 电信欺诈的定义
• 4.1.2 电信客户欺诈的分类
• 4.1.3 模型建立的需求
• 4.1.4 目标定义
• 4.2 数据预处理
• 4.2.1 数据采集
• 4.2.2 数据清洗
• 4.2.3 数据转换
• 4.2.4 特征选择方法
• 4.3 建立用户模型
• 4.4 欺诈检测建模
• 4.5 本章小结
• 第5章 检测模型的应用测试
• 5.1 系统检测环境
• 5.2 模型评价
• 5.3 本章小结
• 结论
• 参考文献
• 致谢