CN109784013A - 一种信息识别的方法、装置以及设备 - Google Patents

Abstract

本说明书公开一种信息识别的方法、装置及设备，该方法中可以确定各用户账号之间的关联关系，并基于确定出的该关联关系，确定出各用户账号对应的特征向量，而后，可以根据各用户账号对应的特征向量以及已识别出用户行为的用户账号，对未识别出用户行为的用户账号进行识别。

Description

一种信息识别的方法、装置以及设备

技术领域

本说明书涉及计算机技术领域，尤其涉及一种信息识别的方法、装置以及设备。

背景技术

为保障用户在执行业务时的安全，防止用户的个人信息或财产遭到损失，当前，业务平台将对用户所执行的业务进行风险识别，并在识别出存在风险时，及时的提醒用户。

在对业务进行风险识别之前，通常都需要进行诸如训练风险识别模型等前期准备工作。诸如风险识别模型的训练、风控策略的制定，往往都需要在预先识别分析一些信息的特性后(如，预先识别出一些黑白样本)方可进行。而这些信息往往都是通过人工分析的方式进行识别分析的。

基于现有技术，需要更为有效的信息识别方式。

发明内容

本说明书提供一种信息识别的方法，用以解决现有技术中无法通过人为方式有效对信息进行识别的问题。

本说明书提供了一种信息识别的方法，包括：

确定各用户账号之间的关联关系；

根据所述关联关系，确定各用户账号对应的特征向量；

根据各用户账号对应的特征向量以及已识别出用户行为的用户账号，对未识别出用户行为的用户账号进行识别。

本说明书提供一种信息识别的装置，用以解决现有技术中无法通过人为方式有效对信息进行识别的问题。

本说明书提供了一种信息识别的装置，包括：

关系确定模块，确定各用户账号之间的关联关系；

向量确定模块，根据所述关联关系，确定各用户账号对应的特征向量；

识别模块，根据各用户账号对应的特征向量以及已识别出用户行为的用户账号，对未识别出用户行为的用户账号进行识别。

本说明书提供一种信息识别的设备，用以解决现有技术中无法通过人为方式有效对信息进行识别的问题。

本说明书提供了一种信息识别的设备，包括：一个或多个存储器以及处理器，所述存储器存储程序，并且被配置成由所述一个或多个处理器执行以下步骤：

确定各用户账号之间的关联关系；

根据所述关联关系，确定各用户账号对应的特征向量；

根据各用户账号对应的特征向量以及已识别出用户行为的用户账号，对未识别出用户行为的用户账号进行识别。

本说明书采用的上述至少一个技术方案能够达到以下有益效果：

在本说明书一个或多个实施例中，可以确定各用户账号之间的关联关系，并基于确定出的该关联关系，确定出各用户账号对应的特征向量，而后，可以根据各用户账号对应的特征向量以及已识别出用户行为的用户账号，对未识别出用户行为的用户账号进行识别。

由于在确定出各用户账号的特征向量后，可以根据已经识别出用户行为的用户账号的特征向量，对未识别出用户行为的各用户账号的用户行为进行识别，这样则极大的提高了对各用户账号对应的用户行为的识别效率，从而使信息识别的工作更为便利。不仅如此，通过上述方法可以实现对一些无法通过人工方式识别的用户账号进行识别，实现对各用户账号的全面识别，这样对后续基于识别出用户行为的用户账号所执行的任务提供了更为有效的支持。

附图说明

此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：

图1为本说明书提供的信息识别过程的示意图；

图2为本说明书提供的基于第一种关联关系所确定出的拓扑图的示意图；

图3为本说明书提供的通过聚类的方式对未识别出用户行为的用户账号进行识别的示意图；

图4为本说明书提供的一种信息识别的装置示意图；

图5为本说明书提供的一种信息识别的设备示意图。

具体实施方式

在现有技术中，模型训练、风控策略制定等任务通常都需要基于已识别出性质的样本来实现。如，对于用于交易风险识别的风险识别模型来说，风控人员通常需要事先对一些样本进行识别，将这些样本分为黑样本和白样本，进而通过这些黑白样本，对该风险识别模型进行训练。其中，这些黑白样本通常都是由人为根据业务记录来进行识别的。

然而在实际应用中，由于业务记录并不能完全反映出一项业务的实质特性，所以，基于业务记录可能并不能实现对各信息的准确识别。例如，对于一笔历史交易来说，风控人员通常是通过这笔历史交易的反馈信息(如欺诈投诉、反馈等)来识别这笔历史交易是黑样本还是白样本，但是对于有些历史交易来说，虽然这些历史交易中存在欺诈问题，但是，由于用户在执行完这些历史交易时未能向风控人员及时进行投诉、反馈，所以，风控人员将无法对这些应属于黑样本的历史交易进行识别。这样一来，后续风控人员对风险识别模型训练所基于的黑样本中将缺失这部分信息，继而训练出的风险识别模型可能无法在后续的业务风险识别中发挥更好的风控作用。

为此，本说明书提供了一种信息识别的方法，可以确定各用户账号之间的关联关系，并基于确定出的该关联关系，确定出各用户账号对应的特征向量，而后，可以根据各用户账号对应的特征向量以及已识别出用户行为的用户账号，对未识别出用户行为的用户账号进行识别。

由于在确定出各用户账号的特征向量后，可以根据已经识别出用户行为的用户账号的特征向量，对未识别出用户行为的各用户账号的用户行为进行识别，这样则极大的提高了对各用户账号对应的用户行为的识别效率，从而使信息识别的工作更为便利。

不仅如此，通过上述方法可以实现对一些无法通过人工方式识别的用户账号进行识别，实现对各用户账号的全面识别，这样对后续基于识别出用户行为的用户账号所执行的任务提供了更为有效的支持。

在本说明书中，对各用户账号进行信息识别的执行主体可以是诸如终端、服务器等设备，下面将仅以服务器为例，对本说明书提供的信息识别方法进行说明。

为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。

图1为本说明书提供的信息识别过程的示意图，具体包括以下步骤：

S100：确定各用户账号之间的关联关系。

服务器可以按照预设的关系确定方法，确定出各用户账号之间的关联关系。在本说明书中，各用户账号之间的关联关系可以分为两种：第一种关联关系表征不同的用户账号属于同一个用户的可能性；第二种是各用户账号之间的历史业务关系。

对于第一种关联关系来说，在实际应用中，一个用户可能会在不同的终端设备上注册不同的用户账号。而往往一名欺诈者会利用注册的不同用户账号实施欺诈。所以，为了使训练出的风险识别模型、制定出的风控策略等能够在后续的风险识别过程中发挥更为有效的风控作用，需要将同一用户所注册的不同用户账号尽可能多的识别出来。

实际上，一些信息能够有效的表征出这些用户账号是否属于同一用户。例如，由于用户的指纹信息并不会发生变化，所以，虽然用户可以注册多个用户账号，但是这些用户账号所对应的指纹信息往往都是一致的。再例如，用户通常都会在一些固定的场所进行活动，这些固定场所的WiFi信息往往并不会频繁改变。所以，用户虽然可以注册多个用户账号，但是，用户使用这些用户账号时所基于的WiFi信息通常是固定的。

综上，在本说明书中，可以通过多种用户信息，确定出各用户账号之间的关联关系，其中，除了上述提到的指纹信息、WiFi信息外，还可以通过诸如关联账户、登录用户账号所基于的位置信息等，确定出哪些用户账号可能是属于同一用户的。

在实际应用中，用户可以通过用户账号与他人进行业务处理，所以，第二种关联关系可以是指各用户账号之间的历史业务关系。例如，在交易业务中，用户A曾经向用户B进行过转账，因此，用户A和用户B之间是具有历史交易关系的；再例如，在聊天业务中，用户A曾经向用户B发送过聊天信息，则用户A和用户B之间具有历史聊天关系；再例如，在信贷业务中，用户A曾经向用户B进行过信用贷款，则用户A和用户B之间具有历史信贷关系。

S102：根据所述关联关系，确定各用户账号对应的特征向量。

确定出各用户账号之间的关联关系后，可以基于确定出的关联关系以及预设的图计算方法，确定出表征各用户账号之间关联关系的拓扑图，进而基于确定出的拓扑图，确定出各用户账号对应的特征向量。

通过图计算，可以将各用户账号抽象成各顶点，继而根据通过不同的关系确定方式所确定出的关联关系，构建相应的拓扑图，如图2所示。

图2为本说明书提供的基于第一种关联关系所确定出的拓扑图的示意图。

服务器根据各用户账号所对应的用户信息(如、验证信息、登录用户账号所基于的WiFi信息等)，确定出各用户账号的关联关系后，可以将各用户账号抽象成一个顶点，并根据确定出的关联关系，将各顶点进行相连，以得到如图2所示的拓扑图。其中，当两个用户账号所对应的用户信息部分或全部相同时，则可以在该拓扑图中将这两个用户账号所对应的顶点进行连接，得到该拓扑图中的一个边。

对于基于第二种关联关系来说，确定出相应拓扑图的方式与上述过程基本相同，即，将各用户账号分别抽象成一个顶点，并将具有历史业务关系的两个用户账号对应的顶点进行相连，进而通过这种方式确定出相应的拓扑图。而对于服务器确定出的拓扑图，服务器可以根据该拓扑图以及预设的向量确定方式，确定各用户账号对应的特征向量。

其中，对于基于上述第一种关联关系所确定出的拓扑图来说，服务器可以通过随机漫步的方式以及该拓扑图，确定出各用户账号对应的特征向量。具体的，针对该拓扑图中的某个顶点来说，当确定该顶点对应的特征向量时，以该顶点为起点进行随机漫步。而经过设定的漫步次数后，即可根据确定出的随机漫步过程中所经过的其他顶点，确定出该顶点的特征向量。

例如，在图2中，假设以顶点1为起始出发点进行随机漫步，在整个随机漫步的过程中经过的顶点有：顶点1～5。这样，服务器可以根据随机漫步过程中所经过的其他顶点，确定出该顶点1所对应的特征向量。

在本说明书中，服务器在确定出一个顶点的特征向量时，可以先对随机漫步过程中经过的除该顶点以外的其他顶点设置一个初始特征向量，而后再根据其他顶点的初始特征向量，确定出该顶点的特征向量。后续服务器可以通过不断迭代的方式，不断的调整该顶点的特征向量，直到确定出的该顶点的特征向量趋于稳定为止。

例如，假设预先设置了顶点到特征向量的一个映射关系F。在确定顶点1的特征向量过程中，通过一轮随机漫步可知，除该顶点1外，这一轮随机漫步过程中还经过了顶点2、3、4、5这四个顶点。因此可以通过映射关系F，先分别确定出这4个顶点的初始特征向量，如下表所示。

顶点	顶点2	顶点3	顶点4	顶点5
					初始特征向量	F(2)	F(3)	F(4)	F(5)

表1

假设在根据第一种关联关系所构建的拓扑图中，通过极大似然的思想，认定顶点1和顶点2～5的关联关系最大，所以可以设置一个概率P(N|F)，其中，N表示的是随机漫步过程中经过各顶点的集合。为了体现顶点1和顶点2～5之间的关联关系最大，可以认定概率P(N|F)最大。

假设在随机漫步的过程中，经过每个顶点的概率是独立的，因此，可以设概率P(N|F)等于各顶点在映射关系F给定条件下的概率的积，即：

P(N|F)＝P(1|F)×P(2|F)×P(3|F)×P(4|F)×P(5|F)

而对于每个顶点在映射关系F给定条件下的概率，可以用以下形式表示：

其中，F(x)·F(1)表示一个顶点的特征向量与顶点1的特征向量之间的点积，而S则表示各顶点(即顶点1～5)的特征向量分别与顶点1的特征向量的点积之和。

由于知道了各顶点在映射关系F给定条件下的概率，所以，即可进一步的对上述公式P(N|F)＝P(1|F)×P(2|F)×P(3|F)×P(4|F)×P(5|F)进行变形，得到下面的公式：

由于F(2)～F(5)是已知的，而只有F(1)是未知的，因此，可以通过求极限的方式，确定出F(1)在取何值的情况下，P(N|F)能够取到极值，进而确定顶点1的特征向量F(1)。而后，可以基于确定出的F(1)，对映射关系F中的各项参数进行调整，以使通过映射关系F求出的顶点1的特征向量能够尽可能的接近F(1)。

当对映射关系F进行调整后，服务器可以对该顶点1进行下一轮的随机漫步，再通过调整后的映射关系F，确定出下一轮随机漫步中所经过的除顶点1以外的其他顶点的特征向量，进而通过上述方法，再次确定出顶点1的特征向量，并通过确定出的顶点1的特征向量，再次对映射关系F进行调整。

随着迭代过程的不断进行，每次确定出的顶点1的特征向量之间的差值不断的减少，当确定出顶点1的特征向量与上一次确定出的顶点1的特征向量的差值小于设定阈值时，则可以确定该顶点1的特征向量趋于稳定，进而确定出该顶点1的特征向量。

服务器可以通过上述方式，确定出各顶点的特征向量。而对于同一用户的不同用户账号来说，这些用户账号在拓扑图中的位置关系应该是较近的。所以，在本说明书中，当该两个用户账号对应的顶点之间的最短路径越短，则这两个用户账号对应的特征向量的相似度越大(如，两个用户账号对应的特征向量的点积越大)。换句话说，在拓扑图中，属于同一用户的用户账号所对应的顶点应该是相互具有一阶邻接关系的。

而由于服务器基于该拓扑图中所确定出的各用户账号的特征向量，应该尽可能的表征各用户账号基于同一用户的这种紧密性，所以，服务器在通过随机漫步的方式确定一个用户账号的特征向量时，需要尽可能的漫步至与该用户账号的顶点之间的最短路径最短的各顶点。

因此，服务器可以通过设置随机漫步的参数，尽可能的在该顶点周围的各其他顶点进行漫步，从而使得确定出的该顶点的特征向量能够尽可能的表征该顶点所对应的用户账号与其他用户账号是否属于同一用户的关联性。

对于根据上述第二种关联关系所确定出的拓扑图来说，服务器根据该拓扑图以及预设的向量确定方式，确定各用户账号对应的特征向量时，可以采用上述说明的随机漫步的方式进行确定。但值得一提的是，由于通过该拓扑图确定出各用户账号对应的特征向量的目的在于，是希望通过各用户账号之间的历史业务关系，确定出哪些用户账号是先前未识别出的，但实际却可能涉嫌欺诈的用户账号。而这些用户账号所对应的用户行为(如欺诈行为)，可以通过该用户账号所对应顶点在拓扑图中的拓扑结构来进行反映。一个顶点的拓扑结构是需要通过该顶点周围的各其他顶点的数量以及连接关系表征出的。

所以，服务器基于通过第二种关联关系确定出的拓扑图，确定一个顶点所对应的特征向量时，随机漫步能够在该顶点一阶至N阶的其他各顶点之间进行，其中，这里提到的N阶的顶点是指与该顶点最短路径较短的顶点，N为正整数，如与该顶点具有二阶、三阶邻接关系的顶点。这样确定出的该顶点的特征向量才能有效的反映出该顶点在拓扑图中的局部拓扑结构。而对于确定出的各用户账号的特征向量来说，当两个用户账号对应的顶点在该拓扑图中的局部拓扑结构越相似，则这两个用户账号对应的特征向量之间的相似度越大(如，这两个用户账号对应的特征向量的点积越大)。

S104：根据各用户账号对应的特征向量以及已识别出用户行为的用户账号，对未识别出用户行为的用户账号进行识别。

服务器确定出各用户账号的特征向量后，可以基于已识别出用户行为的用户账号，对未识别出用户行为的用户账号进行识别。具体的，对于基于第一种关联关系所确定出的各用户账号对应的特征向量来说，服务器可以将这些特征向量按照预设的聚类方法，对这些特征向量所对应的用户账号进行聚类，得到各账号簇。

在本说明书中，服务器可以根据特征向量是否相似的聚类条件对各用户账号进行聚类，其中，当两个用户账号的特征向量的点积越大，则这两个用户账号的特征向量越相似。而后，服务器可以针对每个账号簇，根据该账号簇中已识别出用户行为的用户账号，对该账号簇中未识别出用户行为的用户账号进行识别，如图3所示。

图3为本说明书提供的通过聚类的方式对未识别出用户行为的用户账号进行识别的示意图。

服务器可以通过预设的聚类方法以及各用户账号对应的特征向量，对各用户账号进行聚类，进而得到如图3所示的各账号簇。而对于第一个账号簇(即图3中虚线框包围的)来说，由于该账号簇是通过对各用户账号的特征向量进行聚类得出的，因此，该账号簇中各用户账号的用户行为较为接近。所以，服务器可以通过该账号簇中已识别出用户行为的用户账号1～6，对未识别出用户行为的用户账号7～9进行识别。其中，当用户账号1～6对应的用户行为是欺诈行为时，则可识别出用户账号7～9的用户行为是欺诈行为。

同理，对于基于第二种关联关系所确定出的各用户账号的特征向量来说，服务器也可以通过预设的聚类方法，对各用户账号进行聚类，得到各账号簇，进而基于账号簇中已识别出用户行为的用户账号，对该账号簇中未识别出用户行为的用户账号进行识别。

在本说明书中，若在一个账号簇中，即存在已识别出用户行为是欺诈行为的用户账号，也存在已识别出用户行为是合法行为的用户账号，则可以根据该账号簇中已识别出用户行为是欺诈行为和/或合法行为的用户账号的数量，对该账号簇中未识别出用户行为的用户账号进行识别。

具体的，服务器可以确定该账号簇中已识别出用户行为是欺诈行为的用户账号在该账号簇中所有用户账号的第一占比，当确定该第一占比超过设定占比时，则可以确定未识别出用户行为的用户账号的用户行为是欺诈行为。同理，当确定该账号簇中已识别出用户行为是合法行为的用户账号在该账号簇中所有用户账号的第二占比超过设定占比时，则可以确定未识别出用户行为的用户账号的用户行为是合法行为。

服务器也可以分别确定出上述第一占比和第二占比，并对第一占比和第二占比进行比较。服务器可以根据占比大的用户账号的用户行为，确定未识别出用户行为的用户账号的用户行为。

在实际应用中，两个存在历史投诉关系的用户账号，也能够在一定程度上表征出这两个用户账号的用户行为，如，一个用户账号的历史投诉较多时，则该用户账号很可能存在欺诈行为。

基于此，在本说明书中，服务器可以基于第二种关联关系所确定出的拓扑图，确定出各用户账号的特征向量，而后，服务器可以将这些用户账号中用户行为是投诉行为(即存在历史投诉关系)的用户账号的特征向量作为样本，对待训练的识别模型进行训练。

服务器后续可以将先前未识别出用户行为的各用户账号的特征向量输入至训练后的识别模型中，继而通过该识别模型，识别出哪些用户账号的用户行为是投诉行为，换句话说，通过该识别模型可以识别出哪些用户账号之间实际上可能是存在历史投诉关系的。

在本说明书中，服务器通过所述识别模型，对未识别出用户行为的各用户账号的部分用户账号进行识别，确定出所述部分用户账号对应的用户行为。服务器可将确定出用户行为的所述部分用户账号的特征向量作为样本，对所述识别模型再次进行训练，并通过训练后的识别模型，对其余未识别出用户行为的各用户账号进行识别。

服务器也可以将确定出用户行为的所述部分用户账号的特征向量以及先前已识别出用户行为的用户账号的特征向量作为样本，对所述识别模型再次进行训练，进而通过训练后的识别模型，对其余未识别出用户行为的各用户账号进行识别。

换句话说，服务器可以通过确定出的样本，对该待训练的识别模型进行训练，并通过训练出的识别模型，从先前未识别出用户行为的各用户账号中的一部分用户账号进行识别。服务器可以将此次识别出的用户行为的用户账号的特征向量作为样本，并与先前的样本结合对该识别模型再次进行训练，进而通过这种不断迭代训练的方式，得到更为完善的识别模型。

从上述方法可以看出，由于在确定出各用户账号的特征向量后，可以根据已经识别出用户行为的用户账号的特征向量，对未识别出用户行为的各用户账号的用户行为进行识别，这样则极大的提高了对各用户账号对应的用户行为的识别效率，从而使信息识别的工作更为便利。

不仅如此，由于基于各用户账号之间的关联关系所确定出的各用户账号对应的特征向量，能够有效的反映出各用户账号所对应的顶点在拓扑图中的拓扑结构，即，两个用户账号对应的特征向量之间的相似度越大，则这两个用户账号对应的顶点在拓扑图中的拓扑结构越相似，而拓扑结构越相似，则表明两个用户账号所对应的用户行为越相似。所以，基于确定出的各特征向量，对一些无法通过人工方式识别的用户账号进行识别，从而实现对各用户账号的全面识别，这样对后续基于识别出用户行为的用户账号所执行的任务提供了更为有效的支持。

需要说明的是，在本说明书中，除了上述提到的通过随机漫步的方式，确定各用户账号的特征向量外，还可以通过其他的方式进行确定，如，通过一个顶点在拓扑图中的邻接矩阵或邻接表，确定该顶点的特征向量，其他的方式在此就不一一举例说明了。除此之外，服务器采用的聚类方法可以有很多，如k-means、FCM聚类算法等，在此不做进一步的限定。

以上为本说明书的一个或多个实施例提供的信息识别方法，基于同样的思路，本说明书还提供了相应的信息识别装置，如图4所示。

图4为本说明书提供的一种信息识别的装置示意图，具体包括：

关系确定模块401，确定各用户账号之间的关联关系；

向量确定模块402，根据所述关联关系，确定各用户账号对应的特征向量；

识别模块403，根据各用户账号对应的特征向量以及已识别出用户行为的用户账号，对未识别出用户行为的用户账号进行识别。

所述关系确定模块401，根据各用户账号对应的用户信息，确定各用户账号之间的关联关系，所述用户信息包括：验证信息、关联账户、登录用户账号所基于的WiFi、登录用户账号所基于的位置信息中的至少一种；当两个用户账号对应的用户信息部分或全部相同时，则确定这两个用户账号之间存在关联关系；和/或根据各用户账号之间的历史业务关系，确定各用户账号之间的关联关系。

所述向量确定模块402，根据所述关联关系以及预设的图计算方法，确定表征各用户账号之间关联关系的拓扑图；根据所述拓扑图，确定各用户账号对应的特征向量。

当通过各用户账号对应的用户信息所确定出的关联关系得到所述拓扑图时，在所述拓扑图中，两个用户账号对应的顶点之间的最短路径越短，则这两个用户账号对应的特征向量的点积越大，反之则越小；当通过各用户账号之间的历史业务关系所确定出的关联关系得到所述拓扑图时，在所述拓扑图中，两个用户账号对应的顶点的局部拓扑结构越相似，则这两个用户账号对应的特征向量的点积越大，反之则越小，其中，一个顶点的局部拓扑结构，由与该顶点一阶至N阶邻接的其他顶点的数量表征，N为设定的正整数。

所述识别模块403，根据各用户账号对应的特征向量，对各用户账号进行聚类，得到各账号簇；针对每个账号簇，根据该账号簇中已识别出用户行为的用户账号，对该账号簇中未识别出用户行为的用户账号进行识别。

所述识别模块403，根据该账号簇中已识别出用户行为是欺诈行为和/或合法行为的用户账号的数量，对该账号簇中未识别出用户行为的用户账号进行识别。

所述识别模块403，将各用户账号中用户行为是投诉行为的用户账号的特征向量作为样本，对待训练的识别模型进行训练，所述特征向量是根据各用户账号之间的历史交易关系所确定出的拓扑图而得出的；根据训练后的所述识别模型以及未识别出用户行为的各用户账号的特征向量，对所述未识别出用户行为的用户账号进行识别。

基于上述说明的信息识别的方法，本说明书还对应提供了一种信息识别的设备，如图5所示。该信息识别的设备包括一个或多个处理器及存储器，所述存储器存储有程序，并且被配置成由所述一个或多个处理器执行以下步骤：

确定各用户账号之间的关联关系；

根据所述关联关系，确定各用户账号对应的特征向量；

根据各用户账号对应的特征向量以及已识别出用户行为的用户账号，对未识别出用户行为的用户账号进行识别。

在本说明书的一个或多个实施例中，可以确定各用户账号之间的关联关系，并基于确定出的该关联关系，确定出各用户账号对应的特征向量，而后，可以根据各用户账号对应的特征向量以及已识别出用户行为的用户账号，对未识别出用户行为的用户账号进行识别。

由于在确定出各用户账号的特征向量后，可以根据已经识别出用户行为的用户账号的特征向量，对未识别出用户行为的各用户账号的用户行为进行识别，这样则极大的提高了对各用户账号对应的用户行为的识别效率，从而使信息识别的工作更为便利。不仅如此，通过上述方法可以实现对一些无法通过人工方式识别的用户账号进行识别，实现对各用户账号的全面识别，这样对后续基于识别出用户行为的用户账号所执行的任务提供了更为有效的支持。

不仅如此，通过上述方法可以实现对一些无法通过人为的方式及时识别的用户账号进行识别，从而实现对各用户账号的全面识别，进而对后续基于识别出用户行为的用户账号所执行的任务提供了更为有效的支持。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书是参照根据本说明书一个或多个实施例的方法、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装置。

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装置的制造品，该指令装置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。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书的一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

以上所述仅为本说明书的一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (15)

1.一种信息识别的方法，包括：

确定各用户账号之间的关联关系；

根据所述关联关系，确定各用户账号对应的特征向量；

根据各用户账号对应的特征向量以及已识别出用户行为的用户账号，对未识别出用户行为的用户账号进行识别。

2.如权利要求1所述的方法，确定各用户账号之间的关联关系，具体包括：

根据各用户账号对应的用户信息，确定各用户账号之间的关联关系，所述用户信息包括：验证信息、关联账户、登录用户账号所基于的WiFi、登录用户账号所基于的位置信息中的至少一种；当两个用户账号对应的用户信息部分或全部相同时，则确定这两个用户账号之间存在关联关系；和/或

根据各用户账号之间的历史业务关系，确定各用户账号之间的关联关系。

3.如权利要求1或2所述的方法，根据所述关联关系，确定各用户账号对应的特征向量，具体包括：

根据所述关联关系以及预设的图计算方法，确定表征各用户账号之间关联关系的拓扑图；

根据所述拓扑图，确定各用户账号对应的特征向量。

4.如权利要求3所述的方法，当通过各用户账号对应的用户信息所确定出的关联关系得到所述拓扑图时，在所述拓扑图中，两个用户账号对应的顶点之间的最短路径越短，则这两个用户账号对应的特征向量的点积越大，反之则越小；

当通过各用户账号之间的历史业务关系所确定出的关联关系得到所述拓扑图时，在所述拓扑图中，两个用户账号对应的顶点的局部拓扑结构越相似，则这两个用户账号对应的特征向量的点积越大，反之则越小，其中，一个顶点的局部拓扑结构，由与该顶点一阶至N阶邻接的其他顶点的数量表征，N为设定的正整数。

5.如权利要求3所述的方法，根据各用户账号对应的特征向量以及已识别出用户行为的用户账号，对未识别出用户行为的用户账号进行识别，具体包括：

根据各用户账号对应的特征向量，对各用户账号进行聚类，得到各账号簇；

针对每个账号簇，根据该账号簇中已识别出用户行为的用户账号，对该账号簇中未识别出用户行为的用户账号进行识别。

6.如权利要求5所述的方法，针对每个账号簇，根据该账号簇中已识别出用户行为的用户账号，对该账号簇中未识别出用户行为的用户账号进行识别，具体包括：

根据该账号簇中已识别出用户行为是欺诈行为和/或合法行为的用户账号的数量，对该账号簇中未识别出用户行为的用户账号进行识别。

7.如权利要求3所述的方法，根据各用户账号对应的特征向量以及已识别出用户行为的用户账号，对未识别出用户行为的用户账号进行识别，具体包括：

将各用户账号中用户行为是投诉行为的用户账号的特征向量作为样本，对待训练的识别模型进行训练，所述特征向量是根据各用户账号之间的历史交易关系所确定出的拓扑图而得出的；

根据训练后的所述识别模型以及未识别出用户行为的各用户账号的特征向量，对所述未识别出用户行为的用户账号进行识别。

8.一种信息识别的装置，包括：

关系确定模块，确定各用户账号之间的关联关系；

向量确定模块，根据所述关联关系，确定各用户账号对应的特征向量；

识别模块，根据各用户账号对应的特征向量以及已识别出用户行为的用户账号，对未识别出用户行为的用户账号进行识别。

9.如权利要求8所述的装置，所述关系确定模块，根据各用户账号对应的用户信息，确定各用户账号之间的关联关系，所述用户信息包括：验证信息、关联账户、登录用户账号所基于的WiFi、登录用户账号所基于的位置信息中的至少一种；当两个用户账号对应的用户信息部分或全部相同时，则确定这两个用户账号之间存在关联关系；和/或根据各用户账号之间的历史业务关系，确定各用户账号之间的关联关系。

10.如权利要求8或9所述的装置，所述向量确定模块，根据所述关联关系以及预设的图计算方法，确定表征各用户账号之间关联关系的拓扑图；根据所述拓扑图，确定各用户账号对应的特征向量。

11.如权利要求10所述的装置，当通过各用户账号对应的用户信息所确定出的关联关系得到所述拓扑图时，在所述拓扑图中，两个用户账号对应的顶点之间的最短路径越短，则这两个用户账号对应的特征向量的点积越大，反之则越小；当通过各用户账号之间的历史业务关系所确定出的关联关系得到所述拓扑图时，在所述拓扑图中，两个用户账号对应的顶点的局部拓扑结构越相似，则这两个用户账号对应的特征向量的点积越大，反之则越小，其中，一个顶点的局部拓扑结构，由与该顶点一阶至N阶邻接的其他顶点的数量表征，N为设定的正整数。

12.如权利要求10所述的装置，所述识别模块，根据各用户账号对应的特征向量，对各用户账号进行聚类，得到各账号簇；针对每个账号簇，根据该账号簇中已识别出用户行为的用户账号，对该账号簇中未识别出用户行为的用户账号进行识别。

13.如权利要求12所述的装置，所述识别模块，根据该账号簇中已识别出用户行为是欺诈行为和/或合法行为的用户账号的数量，对该账号簇中未识别出用户行为的用户账号进行识别。

14.如权利要求10所述的装置，所述识别模块，将各用户账号中用户行为是投诉行为的用户账号的特征向量作为样本，对待训练的识别模型进行训练，所述特征向量是根据各用户账号之间的历史交易关系所确定出的拓扑图而得出的；根据训练后的所述识别模型以及未识别出用户行为的各用户账号的特征向量，对所述未识别出用户行为的用户账号进行识别。

15.一种信息识别的设备，包括：一个或多个存储器以及处理器，所述存储器存储程序，并且被配置成由所述一个或多个处理器执行以下步骤：

确定各用户账号之间的关联关系；

根据所述关联关系，确定各用户账号对应的特征向量；

根据各用户账号对应的特征向量以及已识别出用户行为的用户账号，对未识别出用户行为的用户账号进行识别。