چکیده مقاله
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
کلیدواژه‌ها
نویسندگان
صادق بیاتی اشکفتکی
گروه مهندسی کامپیوترواحدمیبددانشگاه آزاداسلامی میبدایران
کمال میرزایی
گروه مهندسی کامپیوترواحدمیبددانشگاه آزاداسلامی میبدایران
شیوه ارجاع
�یاتی اشکفتکی، صادق و میرزایی، کمال،1405،چارچوب مبتنی بر پیمایش تصادفی تطبیقی و XGBoost برای پیش بینی رفتار مشتری در شبکه های پیچیده مالی،سی امین کنفرانس ملی علوم و مهندسی کامپیوتر و فناوری اطلاعات،بابل
ارائه‌شده در
مجموعه مقالات سی امین کنفرانس ملی علوم و مهندسی کامپیوتر و فناوری اطلاعات29 مرداد 1405 · بابل