| 摘要 | 第2-4页 |
| ABSTRACT | 第4-6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 研究背景与意义 | 第9-12页 |
| 1.1.1 研究背景 | 第9-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 国内外研究现状及方法 | 第12-16页 |
| 1.2.1 国外文献综述 | 第12-15页 |
| 1.2.2 国内文献综述 | 第15页 |
| 1.2.3 问题小结 | 第15-16页 |
| 1.3 主要研究内容及组织结构 | 第16-19页 |
| 第二章 相关技术研究 | 第19-29页 |
| 2.1 分类技术研究 | 第19-22页 |
| 2.1.1 朴素贝叶斯分类器 | 第19页 |
| 2.1.2 逻辑斯蒂回归 | 第19页 |
| 2.1.3 AdaBoost分类器 | 第19-20页 |
| 2.1.4 k近邻分类器 | 第20页 |
| 2.1.5 BP神经网络 | 第20页 |
| 2.1.6 GBDT | 第20-21页 |
| 2.1.7 支持向量机SVM | 第21页 |
| 2.1.8 随机森林RF | 第21-22页 |
| 2.2 深度学习技术研究 | 第22-28页 |
| 2.2.1 神经元模型 | 第22-23页 |
| 2.2.2 神经网络模型 | 第23页 |
| 2.2.3 BP反向传播算法 | 第23-24页 |
| 2.2.4 深度学习模型 | 第24-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第三章 信用卡欺诈风险问题分析 | 第29-41页 |
| 3.1 信用卡欺诈风险概述 | 第29-30页 |
| 3.2 信用卡欺诈检测问题描述 | 第30-31页 |
| 3.3 不平衡分类问题分析 | 第31-40页 |
| 3.3.1 不平衡分类问题定义 | 第31页 |
| 3.3.2 不平衡分类面临的挑战 | 第31-32页 |
| 3.3.3 不平衡分类的相关方法 | 第32-38页 |
| 3.3.4 不平衡分类的评价准则 | 第38-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 基于KNN-SMOTE-LSTM的信用卡欺诈风险检测网络模型 | 第41-47页 |
| 4.1 长短期记忆递归神经网络LSTM建模 | 第41-44页 |
| 4.2 KNN-SMOTE-LSTM信用卡欺诈风险检测网络模型 | 第44-45页 |
| 4.3 KNN-SMOTE-LSTM信用卡欺诈风险检测网络算法步骤 | 第45-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第五章 基于KNN-SMOTE-LSTM的信用卡欺诈风险检测网络模型实验分析及验证 | 第47-59页 |
| 5.1 数据来源 | 第47页 |
| 5.2 数据属性 | 第47-48页 |
| 5.3 数据预处理 | 第48-50页 |
| 5.4 模型训练 | 第50-55页 |
| 5.5 模型验证及实验结果分析 | 第55-58页 |
| 5.6 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59-60页 |
| 6.2 下一步工作展望 | 第60-61页 |
| 参考文献 | 第61-71页 |
| 附录1 攻读硕士学位期间参与项目 | 第71-72页 |
| 致谢 | 第72-73页 |
