نرجس شفیعی بوانی - دکترای بهینه سازی ریاضی، شرکت تامین خدمات سیستمهای کاربردی کاسپین؛
علیرضا بادامچی - کارشناس تحلیل داده و هوش تجاری، شرکت تامین خدمات سیستمهای کاربردی کاسپین
علی نقوی - کارشناس تحلیل داده و هوش تجاری، شرکت تامین خدمات سیستمهای کاربردی کاسپین
پوریا خاکساری - کارشناس تحلیل داده و هوش تجاری، شرکت تامین خدمات سیستمهای کاربردی کاسپین
نگین خمسه - کارشناس تحلیل داده و هوش تجاری، شرکت تامین خدمات سیستمهای کاربردی کاسپین
غزاله شهیدی - کارشناس تحلیل داده و هوش تجاری، شرکت تامین خدمات سیستمهای کاربردی کاسپین

قمار الکترونیکی از جمله جرایمی است که هم از جنبه ی کلاهبرداری و هم از جنبه ی پولشویی به سلامت مالی جامعه آسیب میرساند. از اینرو کشف و پیشگیری موارد قمار از ضروریات هر جامعه است. از مشکلات و پیچیدگی های کشف تقلب های الکترونیکی، حجم زیاد تراکنشهای الکترونیکی و بکارگیری روشهای هوشمندانه توسط متقلبان برای مخفی نگاه داشتن رد تراکنش ها میباشد. لذا در سالهای اخیر استفاده از ابزارهای نوین تحلیل داده مانند الگوریتم های یادگیری ماشین و هوش مصنوعی، در کشف موارد مشکوک به تقلب کاربرد فراوانی داشته است. در این مقاله نیز با یک نمونه گیری مناسب از داده های تراکنشی کارتها در دوره های زمانی مجزا، یک مدل ترکیبی متشکل از چند درخت تصمیم مبتنی بر جنگل تصادفی برای کشف موارد مشکوک به قمار ارائه شده است که در نهایت یک مدل ابر جنگل تصادفی (HRF) ایجاد میشود که میزان مشکوک بودن هر کارت به عمل قمار را، با استفاده از یک تابع حساسیت، به صورت یک عدد بین ۰ تا ۱ محاسبه میکند.

کشف قمار، الگوریتم جنگل تصادفی، تراکنشهای کارتی، رفتار تراکنش، مدل HRF