1.一种基于反事实图卷积神经网络的信用卡欺诈检测方法，其特征在于，包括如下步骤：步骤1、获取原始信用卡交易数据集，采用交易特征差异量化策略对数据集进行预处理及差异量化；

步骤2、构建信用卡交易网络；

步骤3、构建图卷积神经网络对信用卡交易网络进行特征增强学习；

步骤4、构建反事实假设网络优化机制；

步骤5、进行因果一致性判定，预测当前信用卡交易的合法性与欺诈性。

2.根据权利要求1所述基于反事实图卷积神经网络的信用卡欺诈检测方法，其特征在于，所述步骤1中，获取的原始信用卡交易数据集为 ，维度为 ， 表示交易的数量， 表示每笔交易特征的数量；每笔交易包括非数值、数值、时间三种特征，分别进行预处理及差异量化的过程为：步骤1.1、非数值特征的差异量化公式如下：；

；

其中， 表示第 笔交易的第 个非数值特征； 表示第 笔交易的第 个非数值特征； 为非数值特征的差异量化结果；、 为两笔不同的交易序号； 表示第 个非数值特征的取值； 表示其他非数值特征的取值； 表示其他非数值特征的取值的数量； 表示给定值 和 时的条件概率差异； 表示在第 个非数值特征的条件概率； 和 为 对应的最大条件概率的两个不同的子集；

步骤1.2、将数值特征分割为 个等间隔区间，数值特征的差异量化公式为：；

其中， 表示第 笔交易的第 个数值特征； 表示第 笔交易的第 个数值特征； 为数值特征的差异量化结果； 、 分别表示第 个、第 个间隔区间； 表示 与 的差异量化结果，计算方式与非数值特征的差异量化计算方式相同；

步骤1.3、时间特征的差异量化公式为：；

其中， 表示第 笔交易的第 个时间特征； 表示第 笔交易的第 个时间特征； 为时间特征的差异量化结果； 表示时间特征的权重；

步骤1.4、将非数值、数值及时间特征的差异量化结果进行加权聚合，以计算两笔交易之间的整体特征差异，计算公式为：；

其中， 为整体特征差异； 为第 笔交易； 表示第 笔交易； 为数值特征的数量； 为非数值特征的数量； 为时间特征的数量。

3.根据权利要求2所述基于反事实图卷积神经网络的信用卡欺诈检测方法，其特征在于，所述步骤2的具体过程为：步骤2.1、在信用卡交易数据集中，将每一笔交易视为一个交易节点，为了度量所有交易对之间的相似性，计算整体特征差异平均值，公式如下：；

其中， 为整体特征差异平均值；

步骤2.2、根据整体特征差异平均值确定交易节点之间的连接关系，形成信用卡交易网络 ，其中 表示节点集合，一笔交易为一个节点，第 笔交易 在信用卡交易网络中为第 个节点， 表示边集合，边表示交易关系，边集合为邻接矩阵形式，具体构建公式如下：；

其中， 为邻接矩阵中第行第 列的元素，表示 和 是否相连；第行对应第笔交易，第 列对应第 笔交易；若 和 之间的差异性小于等于 ，则认为它们之间存在关联，即 ，否则，认为它们之间无关联，即 ；

步骤2.3、在信用卡交易网络中，节点度数和邻域集合定义如下：；

；

其中， 表示第 笔交易的节点度数； 表示 的邻域集合；

步骤2.4、信用卡交易网络中，边权重表示如下：；

其中， 为 和 之间的边权重； 为以e为底的指数函数； 为一个平滑参数。

4.根据权利要求3所述基于反事实图卷积神经网络的信用卡欺诈检测方法，其特征在于，所述步骤3中，图卷积神经网络包含若干个隐藏层，交易节点在隐藏层的传播中进行特征增强学习；具体过程为：步骤3.1、将信用卡交易网络作为图卷积神经网络的输入，公式如下：；

其中， 表示经过图卷积神经网络生成的特征嵌入； 为图卷积神经网络的映射函数；

步骤3.2、在隐藏层中对信用卡交易网络中的参数进行训练，不断更新特征表示，每一个隐藏层的映射运算公式为：；

其中， 为第 个隐藏层的特征矩阵； 为邻接矩阵； 为激活函数； 为 的度矩阵； 表示邻接矩阵 加单位矩阵 的归一化形式； 表示第 个隐藏层的权重矩阵；

步骤3.2.2、引入正样本，设计混合权重矩阵，公式如下：；

其中， 为混合权重矩阵； 表示原始权重矩阵 进行L2归一化； 、 分别为第笔交易、第 笔交易的特征矩阵； 是超参数；

步骤3.3、在第个隐藏层，节点特征的更新公式如下：；

其中， 表示第 个隐藏层； 为非线性激活函数；是一个超参数； 表示第 笔交易的节点度数； 表示第 笔交易在第 个隐藏层的节点特征。

5.根据权利要求4所述基于反事实图卷积神经网络的信用卡欺诈检测方法，其特征在于，所述步骤4的具体过程为：步骤4.1、创建一个空白网络，将它命名为真实世界，设计复制门机制，将图卷积神经网络中的参数与节点状态传递给真实世界，公式如下：；

；

其中， 为复制门的输出； 为激活函数； 表示第 次迭代的权重矩阵；

表示第 次迭代中 的隐藏状态； 表示第 次迭代的偏置； 为真实世界；

为 的复制门更新状态输出；

步骤4.2、基于反事实假设，断开真实世界中相似性低的节点之间的连接，从而生成假设世界，断开操作定义如下：；

其中， 为假设世界； 为赋值操作； 表示断开 和之间的连接；

假设世界中的节点状态更新为：

；

其中， 、 分别为在假设世界中 在第 次、第 次迭代时的状态；

表示 的邻域节点数量； 为 的邻域集合； 表示 在第 次迭代中的节点度数； 表示特征变换函数；

步骤4.3、为了量化真实世界与假设世界的因果差异，计算节点之间的因果差异，对任意两个信用卡交易节点，定义因果差异为：；

其中， 为因果差异； 为期望值； 表示在 发生的情况下的期望值； 表示在 未发生的情况下 的期望值；

步骤4.4、设置一个差异阈值，判断是否将因果差异弱的节点连接移除，判断条件如下：；

；

其中， 为交易节点之间的因果效应； 为移除操作； 、 分别为第 个、第 个交易节点；

步骤4.5、对调整后的假设世界重新输入图卷积神经网络，进行新一轮的训练，节点状态更新公式如下：；

其中， 表示假设世界中第 个隐藏层； 表示假设世界中第 个隐藏层； 是优化后的假设世界邻接矩阵；

步骤4.6、经过新一轮的训练之后，最终输出的新的假设世界为 ：；

其中， 表示对因果差异归一化。

6.根据权利要求5所述基于反事实图卷积神经网络的信用卡欺诈检测方法，其特征在于，所述步骤5的具体过程为：步骤5.1、真实世界与假设世界之间的因果一致性判定通过计算因果差异的范数来决定，具体为：当 时，判定真实世界与假设世界的因果关系一致，进行步骤5.2；

否则，返回步骤4，对真实世界与假设世界继续进行优化；

步骤5.2、对信用卡交易的合法性与欺诈性进行预测，预测公式如下：；

其中， 为预测结果； 为ReLU非线性激活函数； 、 分别为第0个隐藏层、第1个隐藏层的权重矩阵； 表示输入特征， 通过与 、 相乘进行线性变换； 为softmax激活函数；

步骤5.3、预先设置一个阈值 ，若 ，则当前信用卡交易为欺诈交易，否则，为合法交易。