臺灣博碩士論文加值系統

近年來，隨著社會風氣的改變，消費大眾的行為也日益不同，以現金交易的付款方式，逐漸地被信用卡所取代，可見信用卡的重要性日漸提高。然而，隨著這些改變，伴隨而來的卻是層出不窮的信用卡盜刷問題。在過去有關信用卡盜刷偵測的研究方法中，大都是利用他人大量的歷史消費資料來建立模型，去偵測某位使用者的盜刷情況。本研究則採用了一種有別於過去的個人化方法(Personalized Approach)來偵測盜刷。此法可在消費者擁有少數的真實交易資料時，或是在消費者尚未申請信用卡前，即可建立個人化模型來預防盜刷。個人化方法雖然提供了一種不錯的解決方案，但仍有許多問題亟待解決。舉例如下：(1)在蒐集消費資料時，消費者多半不願花太多時間去填答問項，導致蒐集之個人消費資料量過少。(2)由於動態的消費者行為或是消費者可能不願用心填答而產生資料矛盾的情形。
因此，本研究的主要重點在探討矛盾情況對預測準確率的影響程度，且在有限的交易資料下，觀察資料分佈的情況對預測準確率的影響，並設法提高盜刷的預測準確率。另外本研究也利用支持向量機、倒傳遞網路、以及二元支持向量系統來建立一個有效的信用卡盜刷偵測模型。研究成果顯示，支持向量機與倒傳遞類神經均可得到不錯的訓練結果，但在預測未來資料上，較高的自我訓練結果反而有較差的預測未來能力。除此之外，本研究也運用許多技巧來提高預測的結果，如過量取樣(Oversampling)、階層式(Hierarchical)SVM、投票多數法(Majority Voting)…等。結果顯示，上述幾種方法均可達成高的異常偵測率。另外，在工具的比較上，三種工具得到的結果差異不大，但BSVS是最簡易操作的工具。

Credit cards are a popular tool for transactions in many countries lately. However, credit card frauds have occurred frequently. How to detect credit card frauds, therefore, has become a key issue in recent years. Many previous studies proposed models which were constructed from the past real transaction data of many others to detect new transactions of a certain individual. In contrast to those traditional approaches, this study employs a personalized approach to solve the problem of credit card fraud. The personalized approach proposes to prevent fraud before the consumer uses a credit card or when the collected data are few. This new approach is promising. However, there are still some problems which have to be solved. For examples, 1) consumers are not willing to spend too much time to answer questions so that the collected data are few, 2) the dynamic consumer behavior may cause data overlapping.
To improve the problems mentioned above, this research employs the personalized approach to address the credit card fraud problem. The main purpose of this study is to investigate the influences of data distribution on the prediction accuracy. Support vector machine (SVM), back propagation network (BPN), and binary support vector system (BSVS) are used to construct detection models for credit card fraud. The experimental results show that SVM and BPN can obtain good training results. However, both techniques fail to predict future data accurately for those cases with high training results. Besides, the classification results of these three classifiers are comparable. Compared to the other two techniques, BSVS is the easiest tool to use. This study also employs several techniques, such as hierarchical SVM, majority voting, and over-sampling, to improve true negative rates. Results from the experiments indicate that these techniques can increase true negative rates effectively.

目錄
中文摘要 i
英文摘要 iii
表目錄 vii
圖目錄 viii
第一章 緒論
1.1研究背景與動機 1
1.2研究目的 3
1.3研究範圍與限制 4
1.4論文架構 5
第二章 文獻回顧
2.1信用卡盜刷偵測 6
2.1.1信用卡的使用概況與風險 6
2.1.2信用卡盜刷偵測之相關文獻回顧 9
2.2支持向量機 12
2.2.1支持向量機簡介 12
2.2.2 線性支持向量機 12
2.2.3非線性支持向量機 14
2.2.4 Binary Support Vector System (BSVS) 15
2.3類神經網路(Artificial Neural Network, ANN) 17
2.3.1類神經網路運作流程 17
2.3.2類神經網路在應用上可能遭遇之問題 18
2.3.3倒傳遞網路(Back Propagation Network, BPN) 19
第三章 研究方法
3.1資料蒐集 23
3.1.1規劃線上個人資料蒐集系統 23
3.2蒐集資料及資料前處理 25
3.2.1蒐集使用者資料 25
3.2.2資料前處理及正規化 29
3.3資料的訓練與預測 30
3.3.1 SVM訓練的過程 30
3.3.2 BPN訓練的過程 32
第四章 實驗結果
4.1工具驗證 34
4.2系統驗證 36
4.2.1矛盾率 36
4.2.2目前系統與過去系統矛盾情形之比對 37
4.3實驗結果 38
4.3.1時間變化之影響 38
4.3.2消費時段對預測準確率之影響 39
4.3.3矛盾資料對預測準確率之影響 39
4.3.4資料分佈對預測準確率的影響 40
4.3.5提高異常預測準確率之方法 42
4.3.6 分析工具的比較 45
第五章 結論及建議
5.1 結論 48
5.2 建議 49
參考文獻
一、西文部份 50
二、中文部份 52

表目錄
表2-1　信用卡業務統計表 6
表3-1　使用者個人基本資料 25
表3-2　消費時段 26
表4-1　同心圓資料的分類結果(N=150 資料完全無矛盾的狀況下) 35
表4-2　新舊系統矛盾率之比較 (N=200) 38
表4-3　資料的矛盾隨時間變化之狀況 38
表4-4　消費時段為8個時段的預測準確率 (N=200) 39
表4-5　消費時段為4個時段的預測準確率 (N=200) 39
表4-6　資料的矛盾率對預測準確率的影響 40
表4-7　正異常筆數比例對的TN rate的影響 40
表4-8　單一類別時資料筆數對於預測準確率的影響 41
表4-9　多類別資料對於預測準確率的影響 41
表4-10　AVG變異係數不同分類比較表(N=200，Rn=0.5) 42
表4-11　各種方法之Tn rate 44
表4-12　單週預測準確率與矛盾率之比較 46
表4-13　單週預測準確率 46
表4-14 累加週數預測準確率 47

圖目錄
圖2-1　線性支持向量機；處理可分為二類的資料 14
圖2-2　非線性函數；處理線性不可分為二類的資料 14
圖2-3　原始資料透過映射函數轉換到特徵空間中 15
圖2-4　訓練階段的流程 16
圖2-5　測試階段的流程 16
圖2-6　倒傳遞網路的學習流程圖 21
圖3-1　研究流程圖 21
圖3-2　系統基本資料介面1 21
圖3-3　系統基本資料介面2 21
圖3-4　系統消費項目問項之介面 21
圖3-7　mySVM訓練與測試之流程 31
圖4-1　已知同心圓的資料分佈情形 35
圖4-2　矛盾資料的驗證方式 37
圖4-3　異常偵測率趨勢圖(N=200，Rn=0.1) 43
圖4-4　每週遞增20筆，Rn =0.1，複製法和新增法TN rate趨勢圖(N=200)　45

參考文獻
一、西文部份
Beale, R., & Jackson, T. (Eds.). (1990). Neural computing: An introduction. Bristol: IOP Publishing Ltd.
Burges, C. J. C. (1998). A tutorial on support vector machines for pattern recognition. Data Mining and Knowledge Discovery, 2(2), 955-974.
Chan, P. K., Fan, W., Prodromidis, A. L., & Stolfo, S. J. (1999). Distributed data mining in credit card fraud detection. IEEE Intelligence Systems, 14, 67-74.
Chen, P. H., Fan, R. E., & Lin, C. J. (2006). A study on sigmoid kernels for SVM and the training of non-PSD kernels by SMO-type methods. Neural Networks, 17(4), 893-908.
Chen, R. C., Chen, J., Chen, T. S., Hsieh, C. H., Chen, T. Y., & Wu, K. Y. (2005). Building an intrusion detection system based on support vector machine and genetic algorithm. Lecture Notes in Computer Science (LNCS), 3498, 409-414.
Chen, R. C., Chen, T. S., & Lin, C. C. (2006). A new binary support vector system for increasing detection rate of credit card fraud. International Journal of Pattern Recognition and Artificial Intelligence, 20(2), 227-239.
Chen, R. C., Chen, T. S., Chien, Y. E., & Yang, Y. R. (2005). Novel questionnaire-responded transaction approach with SVM for credit card fraud detection. Lecture Notes in Computer Science (LNCS), 3497, 916-921.
Chen, R. C., Chiu, M. L., Huang, Y. L., & Chen, L. T. (2004). Detecting credit card fraud by using questionnaire-responded transaction model based on support vector machines. Lecture Notes in Computer Science (LNCS), 3177, 800-806.
Chen, T. S., Chen, R.C., Tsai, T.H., Li, S. Y., Liang, X., & Lin, C. C. (2005, October). Classification of Microarray Gene Expression Data Using a New Binary Support Vector System. Paper presented at the International Conference on Neural Networks and Brain , Beijing, China.
Crstianini, N. & Shawe-Taylor, J. (2000). An Introduction to Support Vector Machines and Other Kernel-Based Learning Methods. Cambridge, MA: Cambridge University Press.
Furey, T.S., Cristianini, N., Duffy, N., Bednarski, D.W., Schummer, M., & Haussler, D. (2000). Support vector machine classification and validation of cancer tissue samples using microarray expression data. Bioinformatics, 16(10), 906-914.
Hong, S. J., Weiss, S. M. (2001). Advances in predictive models for data mining. Pattern Recognition Letters, 22, 55-61.
Lam, M. (2004). Neural network techniques for financial performance prediction integrating fundamental and technical analysis, Decision Support Systems, 37, 567-581.
Li, Y., Gong, S.G., Sherrah, J., & Liddell, H. (2004). Support vector machine based multi-view face detection and recognition, Image and Vision Computing, 22(5), 413-427.
Rüping, S. (2000). mySVM-Manual [computer software and manual]. Retrieved form http://www-ai.cs.uni-dortmund.de/SOFTWARE/MYSVM/
Schőlkopf, B., Burges, C. J. C., & Smola , A. J.(Eds.). (1999) . Introduction to Support Vector Learning Advances in Kernel Methods－Support Vector Learning, 1-15, Cambridge, A: MIT.
Vapnik, V. (1998). Statistical Learning Theory. New York: Wiley.
Vapnik, V. K. (1995). The Nature of Statistical Learning Theory. Berlin: Springer Verlag.















二、中文部份
ENews電子新聞報。取自：
http:// www.dajiyuan.com/b5/3/10/8/n390258.htm　
http://www.enews.com.tw/
人民網。取自：http:// http://www.unn.com.cn/
大紀元新聞網。民 92 年 10 月 08 日，取自：
因資料泄漏導致信用卡盜刷將由銀行埋單（民 94 年 10 月 23 日）。新華網。民 94 年 10 月 23 日，取自：http:// big5.xinhuanet.com/gate/big5/
news.xinhuanet.com/fortune/2005-06/23/content_3124488.htm

汪昭緯（民89）。應用分群技術偵測信用卡異常交易之研究。國立中央大學資訊管理研究所碩士論文，桃園縣。
信用卡犯罪／今年盜刷金額可能直攀25億元新高（民 89 年 10 月 18 日）。中時奇摩報。民 89 年 10 月 18 日，取自：http://www.news.kimo.com.tw/
信用卡業務統計（94年版）【資料檔】。台北市：行政院金融監督管理委員會銀行局。
許錦銘、趙惠美、涂世雄（民 92）。強化信用卡電子交易之研究。ITIS產業論壇，5(3)。民 92 年 8 月 21 日，取自：http://www.if.itri.org.tw/content05/02if48a.htm
陳來成（民90）。應用資料探勘技術建立商業預測模型-以信用卡為例。私立元智大學資訊管理研究所碩士論文。桃園縣。
陳榮昌、陳同孝、楊靜宜（民92）。SVM應用於防止信用卡盜刷，第一屆流通與全球運籌研討會。
曾月金（民92）。信用卡詐欺偵測模式之研究。私立銘傳大學資訊管理研究所碩士在職專班碩士論文。台北市。
黃敦硯（民 94 年 4 月 30 日）。101名牌店國際化盜刷。大紀元新聞網。民 94年 4 月 30 日，取自：http://www.epochtimes.com/gb/5/4/30/n905507.htm
黃琮盛（民89）。以個人消費行為預測信用卡詐欺事件之研究。國立中央大學資訊管理研究所碩士論文。桃園縣。
葉怡成（民82）。類神經網路模式應用與實作。台北市：儒林出版社。
葉怡成（民84）。應用類神經網路。台北市：儒林出版社。