CN110751557A

CN110751557A - 一种基于序列模型的异常资金交易行为分析方法及系统

Info

Publication number: CN110751557A
Application number: CN201910956883.6A
Authority: CN
Inventors: 徐少迪; 王雪; 王林; 陈桂花; 庄若愚; 林乐凝
Original assignee: China Construction Bank Corp; CCB Finetech Co Ltd
Current assignee: CCB Finetech Co Ltd
Priority date: 2019-10-10
Filing date: 2019-10-10
Publication date: 2020-02-04
Anticipated expiration: 2039-10-10
Also published as: CN110751557B

Abstract

本发明提供了一种基于序列模型的异常资金交易行为分析方法及系统，所述方法包括：根据待检测用户的用户信息和交易流水数据得到用户按时间顺序的所有交易的交易特征序列；根据所述交易特征序列和用户信息得到用户的目标特征向量；通过预设异常检测模型对所述目标特征向量进行异常检测得到异常检测结果，本发明能够提高对异常资金交易行为的识别效率和识别准确率，同时大大节省了人力成本。

Description

一种基于序列模型的异常资金交易行为分析方法及系统

技术领域

本发明涉及资金交易行为分析技术领域，尤其涉及一种基于序列模型的异常资金交易行为分析方法及系统。

背景技术

资金交易行为是企业重要的一种行为表现，企业资金交易行为可以反映企业的一些重要特征例如经营情况、信用情况等，是衡量一个企业风险的一个重要维度。小微企业资金交易行为的异常探查，一方面可对小微企业的资金交易行为进行异常预警，另一方面也可用于给小微企业发放贷款前的风险防控，分析资金交易行为，判断企业是否可能存在欺诈行为或信用风险，进而决定是否要给企业发放贷款。首先，对资金交易异常行为的一些特点进行简单说明：如果某一种账户的资金交易的行为表现跟以往的资金交易表现行为模式有很大的差异性，例如交易金额过大、交易频率变化大、交易时间间隔过快以及短期内资金分散转入或集中转出等，都可以认为此种交易行为可能存在某种异常。又例如存在某种资金汇集的情况，例如资金流向汇集到某一个账户，或者某一家企业的某几个账户中，此种资金交易行为，也可以认为是某种形式的异常。目前的资金交易行为的异常探查多采用专家经验总结的规则，存在规则不完善、规则较为简单、规则定义不清晰、规则过多而导致更新维护困难等问题，而且由规则构成的异常检测系统往往会产生较多误报和漏报。

发明内容

本发明的一个目的在于提供一种基于序列模型的异常资金交易行为分析方法，能够提高对异常资金交易行为的识别效率和识别准确率，同时大大节省了人力成本。本发明的另一个目的在于提供一种基于序列模型的异常资金交易行为分析系统。本发明的再一个目的在于提供一种计算机设备。本发明的还一个目的在于提供一种可读介质。

为了达到以上目的，本发明一方面公开了一种基于序列模型的异常资金交易行为分析方包括：

根据待检测用户的用户信息和交易流水数据得到用户按时间顺序的所有交易的交易特征序列；

根据所述交易特征序列和用户信息得到用户的目标特征向量；

通过预设异常检测模型对所述目标特征向量进行异常检测得到异常检测结果。

优选的，所述根据待检测用户的用户信息和交易流水数据得到用户按时间顺序的所有交易的交易特征序列具体包括：

对所述交易流水数据进行特征抽取得到交易属性和交易对手方属性的属性特征；

对特征抽取得到的属性特征进行预处理；

根据预处理后的属性特征构建用户的基于时间顺序的交易特征序列。

优选的，所述根据预处理后的属性特征构建用户的基于时间顺序的交易特征序列具体包括：

根据预处理后的交易属性构建用户的交易属性向量；

根据预处理后的交易对手方属性构建用户的交易对手方属性向量；

将所述交易属性向量和所述交易对手方属性向量进行拼接得到用户每笔交易的特征向量；

根据用户所有交易的时间顺序对所有交易的特征向量进行排序得到交易特征序列。

优选的，所述根据所述交易特征序列和用户信息得到用户的目标特征向量具体包括：

将所述交易特征序列通过预设第一分类器分类得到交易特征隐层向量；

对用户信息进行特征提取得到交易实体属性，根据交易实体属性中的企业属性和实控人属性分别得到企业属性向量和实控人属性向量并拼接得到交易实体属性向量；

将所述交易实体属性向量与所述交易特征隐层向量拼接得到用户的目标特征向量。

优选的，所述方法还包括预先形成所述预设异常检测模型的步骤：

根据带标记的历史用户信息和对应的历史交易流水数据得到历史用户按时间顺序的所有交易的历史交易特征序列；

根据所述历史交易特征序列和历史用户的用户信息得到历史用户对应的历史目标特征向量；

将所述目标特征向量输入第二分类器进行分类得到异常检测结果；

根据异常检测结果与对应的标记对神经网络模型进行训练得到所述异常检测模型。

本发明还公开了一种基于序列模型的异常资金交易行为分析系统，包括：

交易特征序列形成单元，用于根据待检测用户的用户信息和交易流水数据得到用户按时间顺序的所有交易的交易特征序列；

目标特征向量形成单元，用于根据所述交易特征序列和用户信息得到用户的目标特征向量；

异常检测单元，用于通过预设异常检测模型对所述目标特征向量进行异常检测得到异常检测结果。

优选的，所述交易特征序列形成单元具体用于对所述交易流水数据进行特征抽取得到交易属性和交易对手方属性的属性特征，对特征抽取得到的属性特征进行预处理，根据预处理后的属性特征构建用户的基于时间顺序的交易特征序列。

优选的，所述交易特征序列形成单元进一步用于根据预处理后的交易属性构建用户的交易属性向量，根据预处理后的交易对手方属性构建用户的交易对手方属性向量，将所述交易属性向量和所述交易对手方属性向量进行拼接得到用户每笔交易的特征向量，根据用户所有交易的时间顺序对所有交易的特征向量进行排序得到交易特征序列。

优选的，所述目标特征向量形成单元具体用于将所述交易特征序列通过预设第一分类器分类得到交易特征隐层向量，对用户信息进行特征提取得到交易实体属性，根据交易实体属性中的企业属性和实控人属性分别得到企业属性向量和实控人属性向量并拼接得到交易实体属性向量，将所述交易实体属性向量与所述交易特征隐层向量拼接得到用户的目标特征向量。

优选的，所述系统还包括模型构建单元；

所述模型构建单元用于根据带标记的历史用户信息和对应的历史交易流水数据得到历史用户按时间顺序的所有交易的历史交易特征序列，根据所述历史交易特征序列和历史用户的用户信息得到历史用户对应的历史目标特征向量，将所述目标特征向量输入第二分类器进行分类得到异常检测结果，根据异常检测结果与对应的标记对神经网络模型进行训练得到所述异常检测模型。

本发明还公开了一种计算机设备，包括存储器、处理器以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如上所述方法。

本发明还公开了一种计算机可读介质，其上存储有计算机程序，

该程序被处理器执行时实现如上所述方法。

本发明根据用户的交易流水数据得到用户按时间顺序的所有交易的交易特征序列，并综合用户的企业属性和实控人属性得到用户的目标特征向量，并通过异常检测模型对目标特征向量进行异常检测。本发明从用户交易的时间顺序出发，形成用户按时间顺序的交易特征序列，将用户的资金交易行为看成一系列的序列，并且每笔交易都编码形成高纬的目标特征向量，目标特征向量包括有交易实体和交易对手方的一度关联关系，通过分类器对目标特征向量进行异常检测，从而通过交易时间和多个维度捕捉到企业资金交易的特征，进而判断用户的资金交易行为是否存在异常，从而提高对异常交易的识别效率和识别准确率，同时大大的节省了人力成本。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出本发明一种基于序列模型的异常资金交易行为分析方法一个具体实施例的流程图之一；

图2示出本发明一种基于序列模型的异常资金交易行为分析方法一个具体实施例的流程图之二；

图3示出本发明一种基于序列模型的异常资金交易行为分析方法一个具体实施例的流程图之三；

图4示出本发明一种基于序列模型的异常资金交易行为分析方法一个具体实施例的流程图之四；

图5示出本发明一种基于序列模型的异常资金交易行为分析方法其他具体实施例中第一分类器的原理图之一；

图6示出本发明一种基于序列模型的异常资金交易行为分析方法一个具体实施例的流程图之五；

图7示出本发明一种基于序列模型的异常资金交易行为分析系统一个具体实施例的结构图之一；

图8示出本发明一种基于序列模型的异常资金交易行为分析系统一个具体实施例的结构图之二；

图9示出适于用来实现本发明实施例的计算机设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

根据本发明的一个方面，本实施例公开了一种基于序列模型的异常资金交易行为分析方法。如图1所示，本实施例中，所述方法包括：

S100：根据待检测用户的用户信息和交易流水数据得到用户按时间顺序的所有交易的交易特征序列。

S200：根据所述交易特征序列和用户信息得到用户的目标特征向量。

S300：通过预设异常检测模型对所述目标特征向量进行异常检测得到异常检测结果。

在优选的实施方式中，如图2所示，所述S100具体可包括：

S110：对所述交易流水数据进行特征抽取得到交易属性和交易对手方属性的属性特征。其中，可抽取企业账户在预设时间范围内的交易流水数据，用户可为企业，例如用户实体为小微型企业A，小微型企业A办理申请贷款业务时，可抽取A申请贷款的时间点前后一段时间内账户的交易流水数据，对应的时间粒度为实体A的每一笔交易信息。

对于交易流水数据进行特征抽取可得到属性特征。其中，属性特征可包括交易属性和交易对手方属性。其中，交易属性可包括交易时间、交易时间间隔、交易地点、交易金额和账户余额等属性中的至少之一。交易对手方属性可包括企业属性、实控人属性以及交易对手和交易实体关系等属性信息的至少之一。

S120：对特征抽取得到的属性特征进行预处理。对抽取的属性特征进行预处理可包括异常值处理和数据的编码等步骤。对于类别较少的属性特征可利用one-hot(独热)来编码，将属性特征变为0或1的形式。而对于类别过多的属性特征，若直接利用one-hot(独热)来编码，则特征矩阵过于稀疏，不利于后续的计算与建模。对于这类属性特征则可利用item-to-vec等方法来编码，item-to-vec是利用浅层神经网络，例如skip-gram编码，编码后的向量保留数据特征，但是维度比之前稍低，便于后续的计算和建模。

S130：根据预处理后的属性特征构建用户的基于时间顺序的交易特征序列。通过基于时间顺序形成交易特征序列，能够把资金交易的时间维度的特征纳入进来，这种方法能捕捉到更细时间维度上的特征，使得交易特征能更充分的体现出来。

在优选的实施方式中，如图3所示，所述S130具体可包括：

S131：根据预处理后的交易属性构建用户的交易属性向量。

S132：根据预处理后的交易对手方属性构建用户的交易对手方属性向量。

S133：将所述交易属性向量和所述交易对手方属性向量进行拼接得到用户每笔交易的特征向量。

S134：根据用户所有交易的时间顺序对所有交易的特征向量进行排序得到交易特征序列。

根据待检测用户的交易流水数据构建所述用户的交易属性向量。针对每个用户，根据该用户的交易对手方属性特征，构建所述样本用户的交易对手方属性向量。将用户每笔交易的交易属性向量与交易对手方属性向量进行拼接，生成该用户每笔交易的特征向量，再将他们按照时间顺序排列起来，生成该用户的交易特征序列，即可将交易对手方维度引入异常资金交易行为检测当中，提高异常资金交易行为的检测准确度和效率。

在优选的实施方式中，如图4所示，所述S200具体可包括：

S210：将所述交易特征序列通过预设第一分类器分类得到交易特征隐层向量。

S220：对用户信息进行特征提取得到交易实体属性，根据交易实体属性中的企业属性和实控人属性分别得到企业属性向量和实控人属性向量并拼接得到交易实体属性向量。所述交易实体属性可包括企业属性和实控人属性，企业属性可包括企业所在行业、地域、资产情况、信用情况和经营情况等属性信息的至少之一，实控人属性可包括性别、年龄、学历、婚姻状况、信用情况和贷款情况等属性信息的至少之一。优选的，在对用户信息进行特征提取得到交易实体属性后，也可对交易实体属性进行预处理，基于预处理的交易实体属性进行后续的处理得到用户的目标特征向量，其中预处理与S120中的预处理方法类似，在此不再赘述。

S230：将所述交易实体属性向量与所述交易特征隐层向量拼接得到用户的目标特征向量。所述目标特征向量可表示用户的资金交易行为模式、企业自身属性，企业实控人属性以及交易对手方属性。

本实施例中，可通过第一分类器将生成的交易特征序列进行分类得到交易特征隐层向量。其中，第一分类器可选用长短期记忆神经网络(LSTM)系列模型，该LSTM系列模型可包括LSTM模型和LSTM模型的一些变种，例如双向多层的LSTM模型，加入注意力机制(attention)后的LSTM等，用于交易特征序列的特征提取。

其中，LSTM是一种改进型的循环神经网络，该循环神经网络引入隐藏状态,用于捕捉截止当前时间步的序列历史信息，并递归地应用状态转移函数f来处理序列数据，当前时间步t的隐藏层状态变量h_t同时取决于当前时间步输入x_t和上一时间步隐藏层状态变量h_t-1，公式如下所示：

所述LSTM模型修改了循环神经网络隐藏状态的计算方式，并引入了与隐藏状态类似的记忆细胞，从而记录额外的历史信息。LSTM模型的输入门i_t，输出门o_t，遗忘门ft_t均由当前时间步的输入x_t与上一时间步隐藏状态变量h_t-1计算得出，由于使用激活函数sigmoid,这三个门的输出值均在0与1之间。候选记忆细胞

的计算同上述的三个门类似，但使用了值域在[-1,1]的tanh(双曲正切)函数作为激活函数。当前时间步的记忆细胞c_t的计算组合了上一时间步记忆细胞和当前时间步候选记忆细胞的信息，并通过遗忘门和输入门来控制信息的流动。输出门则用来控制从记忆细胞到隐藏状态的信息的流动。所述LSTM模型的公式如下(1)-(6)所示：

i_t＝σ(W_ix_t+U_ih_t-1+b_i) (1)

f_t＝σ(W_fx_t+U_fh_t-1+b_f) (2)

o_t＝σ(W_ox_t+U_oh_t-1+b_o) (3)

h_t＝o_t⊙tanh(c_t) (6)

其中，x_t是t时刻的输入序列，W是输入权重，U是隐藏层状态的权重，b是偏移参数,tanh为双曲正切函数,为sigmoid函数，⊙表示为元素间的相乘，W_i、W_f、W_o和W_c分别表示输入门、遗忘门、输出门和候选记忆细胞的输入权重，U_i、U_f、U_o和U_c分别表示输入门、遗忘门、输出门和候选记忆细胞的隐藏层状态的权重，b_i、b_f和b_o分别表示输入门、遗忘门和输出门的偏移参数，c_t-1为t-1时间步的记忆细胞。

将LSTM的最后一个时间步的隐藏层状态变量输入进全连接层用于二分类，训练好后的LSTM模型可用于交易特征序列的特征提取，最后时间步输出的隐藏层状态变量即为交易特征隐层向量。

在另一种实施方式中，采用一种多任务的学习方式。如图5所示，第一分类器采用可用于资金序列特征抽取的多任务深度神经网络模型。学习交易属性向量特征和学习交易对手方属性向量特征可以看作两种不同的任务，可以利用一种多任务的学习方式，对两个任务各自赋予一个LSTM网络层来同时学习这两种相关任务，每种任务都会利用到对方任务的相关信息，最终得到两种任务各自不同的隐藏层状态变量。

如图5所示，给定一组相关任务m和n，x₁、x₂、x₃、x_t为任务n的输入，x₁’、x₂’、x₃’、x_t’为任务m的输入，yⁿ为任务n的输出，y^m为任务m的输出，两种任务分别利用了一个LSTM去学习，并利用了一个双向LSTM去捕捉这两种任务的共享信息，此双向LSTM称之为共享层。共享层在时间t的输出为

其中，

为前向输出，

为后向输出，

为拼接操作。共享层的输出分别进入到任务m和任务n中作为输入。

为了更好地控制信息在共享层与任务层之间的传递，这里使用了一种门控机制来赋予模型决定应该接受多少信息的能力。将传统LSTM里的公式(4)改为公式(7)，重新定义任务m的LSTM网络候选记忆细胞，如下所示：

其中，

x_t是t时刻的输入序列，W是输入权重，U是隐藏层状态的权重,h为隐藏层状态变量，tanh为双曲正切函数,为sigmoid函数。为任务m的LSTM网络候选记忆细胞，

为任务m的候选记忆细胞的输入权重，

为任务m的门控权重，

为任务m的隐藏层状态变量的门控权重，为任务m的隐藏层状态权重，

为共享层的隐藏层状态变量的门控权重，为共享层的隐藏层状态权重，

为任务m的隐藏层状态变量，为共享层的隐藏层状态变量。

同理，任务n的LSTM网络候选记忆细胞也可做以上修改。

将两种任务各自的最后一个时间步的隐藏层状态变量输入进全连接层用于二分类，训练好后，将两种任务各自的最后时间步的隐藏层状态变量进行拼接即可得到交易特征隐层向量。

在优选的实施方式中，如图6所示，所述方法还包括预先形成所述预设异常检测模型的步骤S000，S000具体可包括：

S010：根据带标记的历史用户信息和对应的历史交易流水数据得到历史用户按时间顺序的所有交易的历史交易特征序列。

S020：根据所述历史交易特征序列和历史用户的用户信息得到历史用户对应的历史目标特征向量。

S030：将所述目标特征向量输入第二分类器进行分类得到异常检测结果。

S040：根据异常检测结果与对应的标记对神经网络模型进行训练得到所述异常检测模型。在实际应用中，形成历史交易特征序列和历史目标特征向量的方法可与本实施例中确定交易特征序列和目标特征向量的方法类似，在此不再赘述。

具体的，可获取历史用户信息和对应的历史交易流水数据的历史信息，并对历史信息进行人工标记，该标记可用于确定每个样本是否存在异常资金交易行为，人工标记后的历史信息可作为样本进行资金异常行为检测，通过第二分类器对目标特征向量进行分类得到不同的异常检测结果，根据不同异常检测结果对应的标记可确定异常资金交易行为对应的目标特征向量，从而根据异常检测结果和对应的标记对神经网络模型进行训练可得到异常检测模型，该异常检测模型可在用户信息和用户信息的交易流水数据处理得到的目标特征向量输入时进行自动的异常资金交易行为检测，本实施例通过基于时间顺序的交易特征序列，并综合交易实体属性的交易实体属性向量形成的目标特征向量进行资金异常行为进行异常检测，从而考虑时间和多个维度的因素进行资金异常行为检测，提高对异常交易行为的识别效率和识别准确率。其中，第二分类器可使用例如多层全连接神经网络等神经网络模型。

下面通过一个具体例子来对S000作进一步的说明。在该具体例子中，首先选取一段时间内申请成功贷款的企业，每个企业在一段时间内的用户信息和交易流水数据可作为一个样本，获取企业用户的用户信息和在申请时间点前后6个月共12个月的企业所有账户的交易流水数据。这里的交易流水数据指的是一度关系流水信息，一度关系定义：以实体A为例，从实体A转出的交易流水以及转入给实体A的交易流水，包括所有交易类型，例如转账、消费、ATM取现等。抽取账户的每一笔交易数据(时间粒度为每笔交易)得到企业的交易流水数据。用户信息和交易流水数据进行标记，确定每个企业用户是否存在资金异常行为。

对用户信息进行特征提取得到交易属性、交易实体属性和交易对手方属性，该特征提取可在一步中完成，也可分多步完成。其中，交易属性由流水信息构造而成，包含流水本身的一些特征，例如交易时间、交易时间间隔、交易金额、账户余额和交易方向等。交易实体属性包括企业属性和实控人属性，其中企业属性可包含企业的一些信息，反映企业不同维度的一些特征，例如行业、地域、资产情况、信用情况、经营情况、贷款情况和资金情况等。实控人属性可包括企业实控人的一些信息，反映企业实控人不同维度的一些特征，例如性别、年龄、学历、婚姻状况、子女情况、职业、职位、居住状况、信用情况、资产情况和贷款情况等。交易对手方属性可包括交易对手企业属性、交易对手实控人属性和交易对手方与交易实体关系属性，其中交易对手企业属性可包含交易对手企业的一些特征信息，例如行业、地域、资产情况、信用情况、经营情况、贷款情况和资金情况等，交易对手实控人属性可包含交易对手实控人的一些特征信息，例如性别、年龄、学历、婚姻状况、子女情况、职业、职位、居住状况、信用情况、资产情况和贷款情况等。交易对手方与交易实体关系属性可包括投资、担保、法人、亲属和配偶等情况。进一步的，可对用户信息和交易流水数据进行标记抽取，该标记为样本用户在选取的时间段内，对其是否发生了异常资金交易行为的结果进行标注的标注信息。

针对每个样本的企业实体，对抽取出来的交易属性、交易实体属性、交易对手方属性信息进行特征预处理。由于抽取出来的原始信息的数据形式是不规范的，例如企业实体的实控人学历包括：小学、初中、高中、大专、本科、硕士、博士中任意的一种，而这种对于学历的描述是无法直接构成特征向量中的元素的，因此要将不规范的数据转化为格式一致的方便给计算机处理的形式。对于数值特征，例如年龄，直接使用其对应的数据表示特征向量中的元素；对于类别较少的属性特征，例如用户学历，则使用热独的编码方式，即每一个类别特征对应一个0、1组成的向量，该维特征取不同值的时候，这个向量对应的位置取1，其他部分则全部置为0。而对于类别过多的属性特征，则可利用item-to-vec等方法来编码，item-to-vec是利用浅层神经网络，例如skip-gram编码，编码后的向量保留数据特征，但是维度比之前稍低，便于后续的计算和建模。在将抽取的信息规范化之后，得到样本用户预处理过后的特征值。

针对每个样本用户，根据该样本用户的交易属性构建交易属性向量，根据该样本用户交易对手方属性构建交易对手方属性向量，将两种向量拼接起来生成该用户每笔交易的特征向量，再将他们按照时间的先后顺序排列起来，生成该用户的交易特征序列。例如，每个用户有n个交易的特征向量，m个用户的交易特征序列A₁-A_m可分别表示为：

A₁＝[a₁₁,a₁₂,a₁₃…a_1n]

A₂＝[a₂₁,a₂₂,a₂₃…a_2n]

…

A_m＝[a_m1,a_m2,a_m3…a_mn]

其中，a₁₁、a₁₂、a₁₃、a_1n、a₂₁、a₂₂、a₂₃、a_2n、a_m1、a_m2、a_m3和a_mn为交易特征向量。

将交易特征序列A₁-A_m输入进序列第一分类器(LSTM及其变种)，进行训练会得到交易特征隐层向量。然后，根据用户的交易实体属性生成企业属性向量和实控人属性向量。并与上述该用户的交易特征隐层向量进行拼接，生成待检测用户的目标特征向量。将目标特征向量输入第二分类器进行分类，第二分类器可以为多层全连接神经网络，采用softmax函数。通过上述第二分类器可以得到一个0到1之间的概率值，通过这个概率值得到异常识别结果。例如越接近于1的概率值的识别结果为异常，越接近于0的概率值的识别结果为正常。

根据各个样本的异常检测结果以及对应的标记，对LSTM以及第二分类器进行训练。包括将本轮还未完成训练的所述样本用户中的任意一个样本用户作为目标样本用户。根据该目标样本用户的异常检测结果以及标记，确定所述目标样本用户在本轮的交叉熵损失。根据目标样本用户在本轮的交叉熵损失，采用误差反向传播算法进行训练，调整序列第一分类器(LSTM及其变种)以及第二分类器的参数。将该目标样本用户作为完成训练的样本用户。判断当前轮是否还存在未完成训练的样本用户。若判断结果为是，则顺序执行以上步骤；若判断结果为否，则完成对所述模型的本轮训练。

在完成对模型的本轮训练后，本申请实施例通过下述方式得到异常检测模型：检测本轮是否达到预设轮数；如果是，则停止对模型的训练，将最后一轮训练得到的模型作为异常检测模型。具体实现的时候，在模型训练时，会预先设置一个训练的预设轮数，如果检测到本轮达到预设轮数，则停止对模型的训练，将最后一轮训练得到的模型作为异常检测模型。

资金交易行为有很强的时间特征，深度学习模型例如LSTM能很好的捕捉到时间维度的特征，本申请实施例中提出的新的序列模型基于深度学习模型，它能把资金交易的时间维度的特征纳入进来，这种方法能捕捉到更细时间维度上的特征，使得交易特征能更充分的体现出来。而且，此方法还考虑了交易实体与交易对手方的关联关系，把交易对手方信息也纳入进来。除此之外，每笔交易还有其他一些特征，例如交易金额，交易渠道，账户之间的关联关系等，我们把这些不同维度的特征编码成高纬向量，再输入进模型进行训练，使得模型不仅能捕捉到时间维度的特征，而且还能捕捉到其他维度的特征以及关联关系特征，使其能准确全面的捕捉企业交易行为特征。模型训练好后，能自动化地学习正常用户和异常用户银行流水记录的区别，并基于用户的不同维度信息确定其资金交易行为模式，并将用户的资金交易行为模式合理化的表征到模型之中，从而提高对异常交易的识别效率和识别准确率，同时大大的节省了人力成本。本发明使得企业的风险防控能纳入资金维度的考量，使得企业风险考量的维度能够更加全面。

基于相同原理，如图7所示，本实施例还公开了一种基于序列模型的异常资金交易行为分析系统。本实施例中，所述系统包括交易特征序列形成单元11、目标特征向量形成单元12和异常检测单元13。

其中，交易特征序列形成单元11用于根据待检测用户的用户信息和交易流水数据得到用户按时间顺序的所有交易的交易特征序列；

目标特征向量形成单元12用于根据所述交易特征序列和用户信息得到用户的目标特征向量；

异常检测单元13用于通过预设异常检测模型对所述目标特征向量进行异常检测得到异常检测结果。

在优选的实施方式中，所述交易特征序列形成单元11具体可用于对所述交易流水数据进行特征抽取得到交易属性和交易对手方属性的属性特征，对特征抽取得到的属性特征进行预处理，根据预处理后的属性特征构建用户的基于时间顺序的交易特征序列。

在优选的实施方式中，所述交易特征序列形成单元11进一步可用于根据预处理后的交易属性构建用户的交易属性向量，根据预处理后的交易对手方属性构建用户的交易对手方属性向量，将所述交易属性向量和所述交易对手方属性向量进行拼接得到用户每笔交易的特征向量，根据用户所有交易的时间顺序对所有交易的特征向量进行排序得到交易特征序列。

在优选的实施方式中，所述目标特征向量形成单元12具体可用于将所述交易特征序列通过预设第一分类器分类得到交易特征隐层向量，对用户信息进行特征提取得到交易实体属性，根据交易实体属性中的企业属性和实控人属性分别得到企业属性向量和实控人属性向量并拼接得到交易实体属性向量，将所述交易实体属性向量与所述交易特征隐层向量拼接得到用户的目标特征向量。

在优选的实施方式中，如图8所示，所述系统还包括模型构建单元10。

所述模型构建单元10可用于根据带标记的历史用户信息和对应的历史交易流水数据得到历史用户按时间顺序的所有交易的历史交易特征序列，根据所述历史交易特征序列和历史用户的用户信息得到历史用户对应的历史目标特征向量，将所述目标特征向量输入第二分类器进行分类得到异常检测结果，根据异常检测结果与对应的标记对神经网络模型进行训练得到所述异常检测模型。

由于该系统解决问题的原理与以上方法类似，因此本系统的实施可以参见方法的实施，在此不再赘述。

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设备，具体的，计算机设备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。

在一个典型的实例中计算机设备具体包括存储器、处理器以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如上所述的由客户端执行的方法，或者，所述处理器执行所述程序时实现如上所述的由服务器执行的方法。

下面参考图9，其示出了适于用来实现本申请实施例的计算机设备600的结构示意图。

如图9所示，计算机设备600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM))603中的程序而执行各种适当的工作和处理。在RAM603中，还存储有系统600操作所需的各种程序和数据。CPU601、ROM602、以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶反馈器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡，调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装如存储部分608。

特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包括用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。

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。

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，在实施本申请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。

本发明是参照根据本发明实施例的方法、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。

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。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请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，本申请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。

本申请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申请，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。

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

Claims

1.一种基于序列模型的异常资金交易行为分析方法，其特征在于，包括：

2.根据权利要求1所述的异常资金交易行为分析方法，其特征在于，所述根据待检测用户的用户信息和交易流水数据得到用户按时间顺序的所有交易的交易特征序列具体包括：

对特征抽取得到的属性特征进行预处理；

3.根据权利要求2所述的异常资金交易行为分析方法，其特征在于，所述根据预处理后的属性特征构建用户的基于时间顺序的交易特征序列具体包括：

根据预处理后的交易属性构建用户的交易属性向量；

4.根据权利要求1所述的异常资金交易行为分析方法，其特征在于，所述根据所述交易特征序列和用户信息得到用户的目标特征向量具体包括：

5.根据权利要求1所述的异常资金交易行为分析方法，其特征在于，所述方法还包括预先形成所述预设异常检测模型的步骤：

6.一种基于序列模型的异常资金交易行为分析系统，其特征在于，包括：

7.根据权利要求6所述的异常资金交易行为分析系统，其特征在于，所述交易特征序列形成单元具体用于对所述交易流水数据进行特征抽取得到交易属性和交易对手方属性的属性特征，对特征抽取得到的属性特征进行预处理，根据预处理后的属性特征构建用户的基于时间顺序的交易特征序列。

8.根据权利要求7所述的异常资金交易行为分析系统，其特征在于，所述交易特征序列形成单元进一步用于根据预处理后的交易属性构建用户的交易属性向量，根据预处理后的交易对手方属性构建用户的交易对手方属性向量，将所述交易属性向量和所述交易对手方属性向量进行拼接得到用户每笔交易的特征向量，根据用户所有交易的时间顺序对所有交易的特征向量进行排序得到交易特征序列。

9.根据权利要求6所述的异常资金交易行为分析系统，其特征在于，所述目标特征向量形成单元具体用于将所述交易特征序列通过预设第一分类器分类得到交易特征隐层向量，对用户信息进行特征提取得到交易实体属性，根据交易实体属性中的企业属性和实控人属性分别得到企业属性向量和实控人属性向量并拼接得到交易实体属性向量，将所述交易实体属性向量与所述交易特征隐层向量拼接得到用户的目标特征向量。

10.根据权利要求6所述的异常资金交易行为分析系统，其特征在于，所述系统还包括模型构建单元；

11.一种计算机设备，包括存储器、处理器以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如权利要求1-5任一项所述方法。

12.一种计算机可读介质，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如权利要求1-5任一项所述方法。