| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第一章 绪论 | 第8-12页 |
| ·研究背景 | 第8-10页 |
| ·全球信用卡产业迅速成长 | 第8-9页 |
| ·数据挖掘成为信用卡分析的重要工具 | 第9-10页 |
| ·问题的提出 | 第10-11页 |
| ·论文结构和创新点 | 第11-12页 |
| 第二章 信用卡欺诈识别相关研究文献综述 | 第12-31页 |
| ·信用卡相关知识简介 | 第12-14页 |
| ·信用卡的定义 | 第12页 |
| ·信用卡的种类 | 第12页 |
| ·信用卡的发展历程及使用现状 | 第12-13页 |
| ·信用卡的业务体系和运作流程 | 第13-14页 |
| ·信用卡的风险管理 | 第14-20页 |
| ·信用卡的风险类别 | 第14-17页 |
| ·信用卡的风险管理策略 | 第17页 |
| ·信用卡的欺诈风险管理——欺诈侦测识别 | 第17-19页 |
| ·信用卡欺诈识别系统的开发及应用 | 第19-20页 |
| ·数据挖掘方法概述 | 第20-25页 |
| ·数据挖掘的概念和过程 | 第20-21页 |
| ·数据挖掘中的分类方法简介 | 第21-25页 |
| ·数据挖掘在信用卡欺诈识别上的研究综述 | 第25-31页 |
| ·信用卡欺诈识别的分析过程 | 第25-28页 |
| ·信用卡欺诈识别的研究方法 | 第28-31页 |
| 第三章 信用卡欺诈识别的模型架构 | 第31-39页 |
| ·非对称信息分布（Skewed Distribution） | 第31-33页 |
| ·减少多数法 | 第32页 |
| ·增加少数法 | 第32页 |
| ·多专家分类器 | 第32-33页 |
| ·组合分类器 | 第33-37页 |
| ·分类器的组合方式 | 第33-34页 |
| ·分类器的构造方法 | 第34-35页 |
| ·分类结果融合 | 第35-36页 |
| ·组合分类器融合算法——Adacost 算法 | 第36-37页 |
| ·本文研究的模型架构——基于SVM&DT 的组合分类器模型 | 第37-39页 |
| 第四章 数据挖掘在信用卡欺诈识别上的实证研究 | 第39-52页 |
| ·研究方法和步骤 | 第39-40页 |
| ·研究方法 | 第39页 |
| ·研究步骤 | 第39-40页 |
| ·实证过程 | 第40-51页 |
| ·实验环境 | 第40页 |
| ·准备阶段 | 第40-42页 |
| ·数据预处理 | 第42-44页 |
| ·样本不对称分布的处理 | 第44-45页 |
| ·设计组合分类器和模型训练 | 第45-50页 |
| ·模型分析、评价 | 第50-51页 |
| ·本章小结 | 第51-52页 |
| ·反欺诈策略 | 第51页 |
| ·小结 | 第51-52页 |
| 第五章 总结与展望 | 第52-54页 |
| ·论文的主要结论 | 第52页 |
| ·研究局限和展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 在校期间发表论文和参与课题研究 | 第58页 |