随着网络的发展,信用卡支付已经成为一种流行的支付方式。然而,信用卡诈骗事件呈上升趋势,在世界范围内造成了巨大的损失。在风险防控领域,虽然传统的基于规则的风控系统还大量存在,但采用机器学习构建的系统已经开始被很多研究者开发,并越来越受到重视。信用卡交易及账单偿还数据集在数量上高度不平衡的,这在现实数据中表现为合法交易的数量远远多于欺诈交易的数量,按时进行还款的数量远远多于拖欠账单的数量,这会对风控系统的检测带来极大的影响。现有的方法主要考虑如何仅根据数据量来平衡这两个类,而不考虑信用卡交易中用户行为的复杂性,同时忽略了用户行为的联系与变化,即用户的每一次消费和偿还账单的行为都有可能受到其他相似行为潜移默化的影响。基于此,本文的主要工作如下:(1)定义了一种行为噪声并提出了一种基于行为聚类的不平衡数据降噪方法(Behavior-cluster Based Imbalanced Noise Reduction,CNR),针对不平衡数据中用户行为的复杂性,从用户行为的角度出发,通过分析相同标签的交易,总结了一些群体行为,并删除不符合行为模式的噪声样本,通过这种方法不仅完成了数据的重采样,而且保证了用户行为分布的合理性。在18个不均衡UCI公开数据集上与现有的优秀不均衡数据处理方法相比,本文提出的降噪方法的F1在13个数据集上取得了最好的结果,AUC在10个数据集取得了最好的结果,证明了降噪方法的普适性,同时在信用卡欺诈和信用卡违约数据集上均取得了F1最优的结果。(2)提出了一种降噪后基于用户行为相关性的图注意力网络分类模型(Graph Attention Network Classification Model Based on User Behavior Correlation with Noise Reduction,GAT＿CNR)。GAT＿CNR从用户行为的角度构造图结构通过图神经网络(GNN)来学习图中节点间的联系,丰富节点信息表征。数据分类时GAT＿CNR利用注意力机制组织图中节点信息聚合以形成有效的预测特征。与现有的不均衡数据处理方法相比,基于降噪的图注意力网络方法在信用卡欺诈和信用卡违约数据集上均取得了F1最优的试验结果,证明了所提GAT＿CNR的有效性。