چارچوب مبتنی بر پیمایش تصادفی تطبیقی و XGBoost برای پیش بینی رفتار مشتری در شبکه های پیچیده مالی

پیش بینی رفتار مشتری در شبکه های پیچیده مالی برای کشف تخلفات و مدیریت ریسک حیاتی است. با این حال، روش های موجود اغلب در ثبت ویژگی های ساختاری بسیار پویا در گراف تراکنش ها ناتوان بوده و از نامتوازن بودن داده ها رنج می برند، که این امر منجر به نرخ بالای هشدارهای نادرست می شود. برای رفع این چالش ها، چارچوب نوینی را با ترکیب پیمایش تصادفی تطبیقی ARW و XGBoost ارائه می شود. روش ARW پیشنهادی، احتمالات انتقال را به طور پویا بر اساس فراوانی زمانی تراکنش ها و مرکزیت گره ها تنظیم کرده و بازنمایی های توپولوژیکی باکیفیتی را استخراج می کند. این ویژگی ها در ادامه با معیارهای رفتاری ادغام شده و به یک دسته بندی کننده بهینه سازی شده XGBoost تغذیه می شوند. ارزیابی های تجربی بر روی یک مجموعه داده بزرگ مقیاس از تراکنش های مالی واقعی، برتری چارچوب پیشنهادی را اثبات می کند. مدل ما به F۱-score معادل ۹۳.۴٪ و AUC-ROC معادل ۹۵.۸٪ دست یافت که به ترتیب نشان دهنده بهبود مطلق ۴.۸٪ و ۶.۲٪ نسبت به روش های پایه شبکه عصبی گرافی (GNN) و رویکردهای ایستای Node۲Vec-XGBoost است. علاوه بر این، این چارچوب به کاهش ۳۵ درصدی در تاخیر محاسباتی استخراج ویژگی دست یافت که کارایی آن را برای سیستم های نظارت مالی بلادرنگ در مقیاس بزرگ اثبات می کند.

کلیدواژه ها:

پیش بینی رفتار مشتری ، شبکه های پیچیده مالی ، پیمایش تصادفی تطبیقی ، XGBoost ، تحلیل شبکه ، کشف الگوهای رفتاری