CN108038692A - 角色识别方法、装置及服务器 - Google Patents

Abstract

本说明书实施例提供了一种角色识别方法，通过以目标节点为中心构成自我网络，并提取出自我网络的网络特征信息，实现根据所述网络特征信息，识别出所述目标节点的角色。本说明书实施例的角色识别方法，可有效的应用于高风险用户防控。

Description

角色识别方法、装置及服务器

技术领域

本说明书实施例涉及互联网技术领域，尤其涉及一种角色识别方法、装置及服务器。

背景技术

互联网操作或交易中，有时会涉及多个节点之间的交互。例如，在互联网金融的贷记交易业务中，通常涉及买家、卖家及中间系统(中介)。通常一笔正常的贷记交易发生的过程如下：买家使用信用卡等贷记额度支付商品金额，金额会先保存在中间担保系统中；卖家向买家发货；买家确认收货，中间系统将货款返回给卖家。然而，由于目前对互联网金融的监管政策和制度体系还在逐步地完善中，越来越多的不法分子将目光转移到了互联网信贷，互联网消费信贷已经成为了套现分子的温床。他们甚至通过伪造信息、囤号养号等行为在恶意套取现金后就消踪匿迹，企图逃避还款责任。因此，如何快速地在海量的信用用户中识别套现团伙，对团伙成员进行事前防控已经成为了各个金融机急需解决的问题。

发明内容

本说明书实施例提供及一种角色识别方法、装置及服务器。

第一方面，本说明书实施例提供一种角色识别方法，包括：确定以目标节点为中心、由目标节点及目标节点的相关联节点构成的自我网络；根据所述目标节点与相关联节点之间的操作特征信息，提取出自我网络的网络特征信息；根据所述网络特征信息，识别出所述目标节点的角色。

第二方面，本说明书实施例提供一种角色识别装置，包括：自我网络构建单元，用于确定以目标节点为中心、由目标节点及目标节点的相关联节点构成的自我网络；网络特征信息提取单元，用于根据所述目标节点与相关联节点之间的操作特征信息，提取出自我网络的网络特征信息；角色识别单元，用于根据所述网络特征信息，识别出所述目标节点的角色。

第三方面，本说明书实施例提供一种服务器，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述角色识别方法的步骤。

第四方面，本说明书实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述角色识别方法的步骤。

本说明书实施例有益效果如下：

本说明书实施例针对互联网业务系统存在的角色识别问题，提出了一种基于Ego网络识别不同角色的方法，能够有效的识别高风险用户。相比于根据当前业务数据进行事后防控的方案，本说明书实施通过预先建立角色识别模型，通过模型进行识别的方式可以做到提前防控。

在识别出目标节点的角色之后，可进一步确定高风险角色并对高风险角色的操作进行管控。以互联网金融中非法套现角色识别为例：如果通过角色识别确定出未知节点是非法中介的概率极大，则可及时的对该非法中介的操作进行控制，例如不允许该节点进行业务操作。

附图说明

图1为本说明书实施例的角色识别方法应用场景示意图；

图2本说明书实施例第一方面提供的角色识别方法流程图；

图3为说明书实施例第一方面提供的角色识别方法中自我网络示意图；

图4为说明书实施例第二方面提供的角色识别装置结构示意图；

图5为说明书实施例第三方面提供的角色识别服务器结构示意图。

具体实施方式

为了更好的理解上述技术方案，下面通过附图以及具体实施例对本说明书实施例的技术方案做详细的说明，应当理解本说明书实施例以及实施例中的具体特征是对本说明书实施例技术方案的详细的说明，而不是对本说明书技术方案的限定，在不冲突的情况下，本说明书实施例以及实施例中的技术特征可以相互组合。

请参见图1，为本说明书实施例的角色识别方法应用场景示意图。终端100位于用户侧，与网络侧的服务器200通信。终端100中的业务处理客户端101可以是基于互联网实现业务的APP或网站，为用户提供业务处理的界面并将业务数据提供给网络侧进行处理；服务器200中的角色识别系统201用于对业务处理客户端101中涉及的多个业务节点的角色进行识别。例如，前述的金融信贷业务中，用于识别目标节点是否为中介等；再如，对于企业办公网络用于识别员工职位，假设公司的员工职位有HR、技术人员、算法专职人员、运营专职人员，用于预测某个未知员工的职位。本说明书实施例提供一个通用的基于互联网业务系统的识别角色的方法。

第一方面，本说明书实施例提供一种角色识别方法，请参考图2，包括步骤S201-S203。

S201：确定以目标节点为中心、由目标节点及目标节点的相关联节点构成的自我网络。

目标节点即为待识别的未知角色的节点。

本说明书实施例中，以目标节点为中心、由目标节点及目标节点的相关联节点构成自我网络。自我网络(Ego Networks，Ego网络)关注的不是网络整体而是以个体为中心，通过收集自我焦点关联的节点的信息，可以为个体构建一个局部网络。那么可以理解，本说明书实施例为了实现对未知的目标节点的角色识别，关注的是该目标节点，因此围绕该目标节点并收集该目标节点的信息(即下述的目标节点与相关联节点之间的操作特征信息)，由此构成目标节点的自我网络。

请参见图3，示意出了一个自我网络。目标节点是该自我网络的中心，其他节点是与该目标节点具有直接或间接操作关系的相关联节点。其中：相关联节点可进一步被细分为一度节点和多度节点。一度节点是与与目标节点具有直接操作关系的节点；多度节点与目标节点具有间接操作关系的节点。

以图3示出的自我网络为例，目标节点与节点A1、A2、A3、A4、A5具有直接的操作关系(或者业务关系)，因此节点A1、A2、A3、A4、A5是目标节点的一度节点；节点B1、B2、B3与目标节点没有直接的操作关系而是通过A1、A2、A3与目标节点有间接的操作关系，因此节点B1、B2、B3是目标节点的二度节点；同理节点C1、C2是目标节点的三度节点；依次类推还可以有四度节点、五度节点，等。为了简单将二度节点、三度节点等以上的节点统称为多度节点。

S202：根据目标节点与相关联节点之间的操作特征信息，提取出自我网络的网络特征信息。

目标节点与相关联节点之间的操作特征信息，是指根据业务需求，目标节点与相关联节点之间进行的与业务关联的操作特征数据，可以通过对业务数据的分析和统计得到。操作特征信息可以表征目标节点与相关联节点之间存在哪个/些业务往来。例如仍以网络信贷中的非法套现为例，中介会给大量的套现买家转账，是资金活跃的转出方。因此如果为了识别目标节点是否为中介，则可以对目标节点与相关联节点之间的资金转出量、转入量、累计金额等业务数据进行分析和统计，从而得到根据目标节点与相关联节点之间的操作特征信息。

在获得目标节点与相关联节点之间的操作特征信息之后，即可通过一定算法提取出自我网络的网络特征信息。其中：网络特征信息可以是根据目标节点与一度节点之间操作关系提取的网络特征信息，或，根据目标节点与多度节点之间操作关系提取的网络特征信息。因此“根据所述目标节点与相关联节点之间的操作特征信息，提取出自我网络的网络特征信息”包括：根据历史业务数据，提取出目标节点与一度节点之间的双向操作特征信息，和/或，提取出目标节点与一度节点之间、相邻近各度节点之间的双向操作特征信息；由双向操作特征信息得到自我网络的网络特征信息。其中具体的可以通过一定算法对得到的双向操作特征信息进行去重、概率统计等处理，最终得到网络特征信息。

S203：根据网络特征信息，识别出目标节点的角色。

在确定了目标节点的自我网络的网络特征信息之后，即可根据网络特征信息对目标节点的角色进行识别。简言之，由于目标节点的相关联节点的角色一般都是已知的，通过获取目标节点与相关联节点之间的操作特征信息的方式得到网络特征信息，即可掌握目标节点与相关联节点之间的操作特性，通过特定业务系统(例如非法套现系统)各个角色的特点(例如中介会给大量买家转账)可以确定出目标节点更倾向是哪一个角色。

在一个可选实现方式中，可以为业务系统的各个角色建立角色识别模型，在识别时，将目标节点的自我网络的网络特征输入到各个角色识别模型，识别出目标节点与各个角色的各相似度，从而确定目标节点的角色为相似度最高的角色节点样本对应的角色。在这这种实现方式中，需要预先建立各个角色识别模型。

在一个可选实现方式中，可以通过如下方式训练得到各个角色识别模型：

(1)收集各个角色节点样本，确定以各角色节点样本为中心、各角色节点样本与相关联节点样本构成的各个自我网络样本；

(2)根据各个角色节点样本以及相关联节点样本之间的操作特征信息，提取出各个自我网络样本的网络特征信息；

(3)根据各个自我网络样本的网络特征信息，训练得到各个角色识别模型。

例如以企业员工职位识别为例，假设存在HR、技术人员、算法专职人员、运营专职人员四类职位，那么需要预先建立这四类职位的角色识别模型。以训练HR角色识别模型为例：需要预先收集已确定为HR的节点正样本、已确定为非HR的节点负样本；以正负样本以及相关联角色节点样本构成自我网络样本；根据提取出自我网络样本的网络特征信息，基于某种算法(例如二分类算法)训练出HR识别模型(例如HR识别模型是一个二分类模型)。在识别某个未知职位的目标节点的角色时，需要将目标节点的自我网络的网络特征信息输入到该HR识别模型；该HR识别模型输出目标节点是HR的概率。当然，目标节点的自我网络的网络特征信息也需要输入到其他角色识别模型。最后，哪个角色识别模型输出的概率最高，即可确定该目标节点为这个模型对应的角色。例如：假设HR识别模型输出的概率最高，则最终确定该目标节点的角色为HR。

在识别出目标节点的角色之后，还包括：判断识别出的目标节点的角色是否为预置的高风险角色；若是高风险角色，则对目标节点进行操作管控。以互联网金融中非法套现角色识别为例：如果通过角色识别确定出未知节点是非法中介的概率极大，则可及时的对该非法中介的操作进行控制，例如不允许该节点进行业务操作。

本说明书实施例针对互联网业务系统存在的角色识别问题，提出了一种基于Ego网络识别不同角色的方法，能够有效的识别高风险用户。相比于根据当前业务数据进行事后防控的方案，本说明书实施通过预先建立角色识别模型，通过模型进行识别的方式可以做到提前防控。

第二方面，基于同一发明构思，本说明书实施例提供一种角色识别装置，请参考图4，包括：

自我网络构建单元401，用于确定以目标节点为中心、由目标节点及目标节点的相关联节点构成的自我网络；

网络特征信息提取单元402，用于根据所述目标节点与相关联节点之间的操作特征信息，提取出自我网络的网络特征信息；

角色识别单元403，用于根据所述网络特征信息，识别出所述目标节点的角色。

在一种可选实现方式中，还包括：角色识别模型训练单元404；所述角色识别模型训练单元404包括：

样本确定子单元4041，用于收集各个角色节点样本，确定以各角色节点样本为中心、各角色节点样本与相关联节点样本构成的各个自我网络样本；

特征信息提取子单元4042，用于根据所述各个角色节点样本以及相关联节点样本之间的操作特征信息，提取出各个自我网络样本的网络特征信息；

训练执行子单元4043，用于根据所述各个自我网络样本的网络特征信息，训练得到各个角色识别模型。

在一种可选实现方式中，所述角色识别单元403具体用于：

将所述网络特征输入到所述各个角色识别模型，识别出所述目标节点与各个角色节点样本的各相似度，从而确定所述目标节点的角色为相似度最高的角色节点样本对应的角色。

在一种可选实现方式中，所述相关联节点包括：

与所述目标节点具有直接操作关系的一度节点，和/或，与所述目标节点具有间接操作关系的多度节点；

所述网络特征信息包括：根据所述目标节点与所述一度节点之间操作关系提取的网络特征信息，和/或，根据所述目标节点与所述多度节点之间操作关系提取的网络特征信息。

在一种可选实现方式中，所述网络特征信息提取单元402具体用于：

根据历史业务数据，提取出所述目标节点与一度节点之间的双向操作特征信息，和/或，提取出所述目标节点与一度节点之间、相邻近各度节点之间的双向操作特征信息；从所述双向操作特征信息中提取出所述自我网络的网络特征信息。

在一种可选实现方式中，所述装置还包括：

高风险角色管控单元405：用于判断识别出的目标节点的角色是否为预置的高风险角色，并对高风险角色的所述目标节点进行操作管控。

第三方面，基于与前述实施例中角色识别方法同样的发明构思，本发明还提供一种服务器，如图5所示，包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序，所述处理器502执行所述程序时实现前文所述角色识别方法的任一方法的步骤。

其中，在图5中，总线架构(用总线500来代表)，总线500可以包括任意数量的互联的总线和桥，总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口506在总线500和接收器501和发送器503之间提供接口。接收器501和发送器503可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线500和通常的处理，而存储器504可以被用于存储处理器502在执行操作时所使用的数据。

第四方面，基于与前述实施例中角色识别的发明构思，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前文所述角色识别的方法的任一方法的步骤。

本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的设备。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令设备的制造品，该指令设备实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本说明书的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本说明书范围的所有变更和修改。

显然，本领域的技术人员可以对本说明书进行各种改动和变型而不脱离本说明书的精神和范围。这样，倘若本说明书的这些修改和变型属于本说明书权利要求及其等同技术的范围之内，则本说明书也意图包含这些改动和变型在内。

Claims (14)

1.一种角色识别方法，其特征在于，包括：

确定以目标节点为中心、由目标节点及目标节点的相关联节点构成的自我网络；

根据所述目标节点与相关联节点之间的操作特征信息，提取出自我网络的网络特征信息；

根据所述网络特征信息，识别出所述目标节点的角色。

2.根据权利要求1所述的方法，其特征在于，还包括：

收集各个角色节点样本，确定以各角色节点样本为中心、各角色节点样本与相关联节点样本构成的各个自我网络样本；

根据所述各个角色节点样本以及相关联节点样本之间的操作特征信息，提取出各个自我网络样本的网络特征信息；

根据所述各个自我网络样本的网络特征信息，训练得到各个角色识别模型。

3.根据要求2所述的方法，其特征在于，所述根据所述网络特征，识别出所述目标节点的角色，包括：

将所述网络特征输入到所述各个角色识别模型，识别出所述目标节点与各个角色节点样本的各相似度，从而确定所述目标节点的角色为相似度最高的角色节点样本对应的角色。

4.根据权利要求1所述的方法，其特征在于，

所述相关联节点包括：与所述目标节点具有直接操作关系的一度节点，和/或，与所述目标节点具有间接操作关系的多度节点；

所述网络特征信息包括：根据所述目标节点与所述一度节点之间操作关系提取的网络特征信息，和/或，根据所述目标节点与所述多度节点之间操作关系提取的网络特征信息。

5.根据权利要求4所述的方法，其特征在于，所述根据所述目标节点与相关联节点之间的操作特征信息，提取出自我网络的网络特征信息，包括：

根据历史业务数据，提取出所述目标节点与一度节点之间的双向操作特征信息，和/或，提取出所述目标节点与一度节点之间、相邻近各度节点之间的双向操作特征信息；

从所述双向操作特征信息中提取出所述自我网络的网络特征信息。

6.根据权利要求1-5任一项所述的方法，其特征在于，在识别出所述目标节点的角色之后，还包括：

判断识别出的目标节点的角色是否为预置的高风险角色；

若是高风险角色，则对所述目标节点进行操作管控。

7.一种角色识别装置，其特征在于，包括：

自我网络构建单元，用于确定以目标节点为中心、由目标节点及目标节点的相关联节点构成的自我网络；

网络特征信息提取单元，用于根据所述目标节点与相关联节点之间的操作特征信息，提取出自我网络的网络特征信息；

角色识别单元，用于根据所述网络特征信息，识别出所述目标节点的角色。

8.根据权利要求7所述的装置，其特征在于，还包括：角色识别模型训练单元；所述角色识别模型训练单元包括：

样本确定子单元，用于收集各个角色节点样本，确定以各角色节点样本为中心、各角色节点样本与相关联节点样本构成的各个自我网络样本；

特征信息提取子单元，用于根据所述各个角色节点样本以及相关联节点样本之间的操作特征信息，提取出各个自我网络样本的网络特征信息；

训练执行子单元，用于根据所述各个自我网络样本的网络特征信息，训练得到各个角色识别模型。

9.根据要求8所述的装置，其特征在于，所述角色识别单元具体用于：将所述网络特征输入到所述各个角色识别模型，识别出所述目标节点与各个角色节点样本的各相似度，从而确定所述目标节点的角色为相似度最高的角色节点样本对应的角色。

10.根据权利要求7所述的装置，其特征在于，

所述相关联节点包括：与所述目标节点具有直接操作关系的一度节点，和/或，与所述目标节点具有间接操作关系的多度节点；

所述网络特征信息包括：根据所述目标节点与所述一度节点之间操作关系提取的网络特征信息，和/或，根据所述目标节点与所述多度节点之间操作关系提取的网络特征信息。

11.根据权利要求10所述的装置，其特征在于，所述网络特征信息提取单元具体用于：根据历史业务数据，提取出所述目标节点与一度节点之间的双向操作特征信息，和/或，提取出所述目标节点与一度节点之间、相邻近各度节点之间的双向操作特征信息；从所述双向操作特征信息中提取出所述自我网络的网络特征信息。

12.根据权利要求7-11任一项所述的装置，其特征在于，所述装置还包括：

高风险角色管控单元：用于判断识别出的目标节点的角色是否为预置的高风险角色，并对高风险角色的所述目标节点进行操作管控。

13.一种服务器，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-6任一项所述方法的步骤。

14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-6任一项所述方法的步骤。