CN111126448A - 一种智能识别诈骗用户的方法及装置 - Google Patents

一种智能识别诈骗用户的方法及装置 Download PDF

Info

Publication number
CN111126448A
CN111126448A CN201911206102.8A CN201911206102A CN111126448A CN 111126448 A CN111126448 A CN 111126448A CN 201911206102 A CN201911206102 A CN 201911206102A CN 111126448 A CN111126448 A CN 111126448A
Authority
CN
China
Prior art keywords
user
data sample
detected
mapping
fraud
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911206102.8A
Other languages
English (en)
Inventor
郑真真
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuxian Shenghuo Beijing Information Technology Co ltd
Original Assignee
Wuxian Shenghuo Beijing Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuxian Shenghuo Beijing Information Technology Co ltd filed Critical Wuxian Shenghuo Beijing Information Technology Co ltd
Priority to CN201911206102.8A priority Critical patent/CN111126448A/zh
Publication of CN111126448A publication Critical patent/CN111126448A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种智能识别诈骗用户的方法及装置。所述智能识别诈骗用户的方法，包括：获取用户训练数据样本和待检测用户数据样本；使用带有部分特征属性的所述用户训练数据样本进行映射；不断修改映射函数中的映射参数，直到诈骗用户识别率达到预设的达标阈值；对所述待检测用户样本数据进行智能识别，得到识别出的诈骗用户。本发明可在待检测用户数据样本的特征属性的集合与用户训练数据样本的特征属性的集合并不一致的情况下，仍可智能识别诈骗用户，且识别出的诈骗用户的识别准确率高。

Description

一种智能识别诈骗用户的方法及装置
技术领域
本发明涉及智能分析技术领域，特别涉及一种智能识别诈骗用户的方法及装置。
背景技术
在当今的社会中，诈骗手段越来越多样化，诈骗用户的特征属性也在不断的变化。现有技术在待检测用户数据样本的特征属性的集合与用户训练数据样本的特征属性的集合并不一致的情况下，无法智能识别诈骗用户。如何妥善的解决上述问题，就成为了业界亟待解决的课题。
发明内容
本发明提供一种智能识别诈骗用户的方法及装置，用以当待检测用户数据样本的特征属性的集合与用户训练数据样本的特征属性的集合并不一致时，也可智能识别诈骗用户，且经过大量实验的验证，识别准确率较高，得到的结果接近于真实情况。
根据本发明实施例的第一方面，提供一种智能识别诈骗用户的方法，包括：
获取用户训练数据样本和待检测用户数据样本；
使用带有部分特征属性的所述用户训练数据样本进行映射；
不断修改映射函数中的映射参数，直到诈骗用户识别率达到预设的达标阈值；
对所述待检测用户样本数据进行智能识别，得到识别出的诈骗用户。
在一个实施例中，所述获取用户训练数据样本和待检测用户数据样本，包括：
获取带有诈骗用户标注的用户训练数据样本；
获取待检测用户数据样本，所述待检测用户数据样本的特征属性的集合与所述用户训练数据样本的特征属性的集合具有部分相同的特征属性。
在一个实施例中，所述使用带有部分特征属性的所述用户训练数据样本进行映射，包括：
分析出所述用户训练数据样本和所述待检测用户数据样本中的相同的特征属性的最大子集；
使用所述最大子集包含的所有特征属性的用户训练数据样本进行映射。
在一个实施例中，所述不断修改映射函数中的映射参数，直到诈骗用户识别率达到预设的达标阈值，包括：
通过反向传播来不断修改相应特征属性的映射参数；
使用诈骗用户标注与映射出的诈骗用户进行计算，得到诈骗用户识别率；
直到诈骗用户识别率达到预设的达标阈值时，停止循环修改相应特征属性的映射参数，得到用于待检测用户数据样本的第一映射函数。
在一个实施例中，所述对所述待检测用户样本数据进行智能识别，得到识别出的诈骗用户，包括：
在所述待检测用户数据样本中，提取出所述最大子集包含的所有特征属性；
使用所述第一映射函数对提取后的待检测用户数据样本进行映射，得到识别出的诈骗用户。
根据本发明实施例的第二方面，提供一种智能识别诈骗用户的装置，包括：
获取模块，用于获取用户训练数据样本和待检测用户数据样本；
映射模块，用于使用带有部分特征属性的所述用户训练数据样本进行映射；
修改模块，用于不断修改映射函数中的映射参数，直到诈骗用户识别率达到预设的达标阈值；
识别模块，用于对所述待检测用户样本数据进行智能识别，得到识别出的诈骗用户。
在一个实施例中，所述获取模块，包括：
第一获取单元，用于获取带有诈骗用户标注的用户训练数据样本；
第二获取单元，用于获取待检测用户数据样本，所述待检测用户数据样本的特征属性的集合与所述用户训练数据样本的特征属性的集合具有部分相同的特征属性。
在一个实施例中，所述映射模块，包括：
分析单元，用于分析出所述用户训练数据样本和所述待检测用户数据样本中的相同的特征属性的最大子集；
训练单元，用于使用所述最大子集包含的所有特征属性的用户训练数据样本进行映射。
在一个实施例中，所述修改模块，包括：
传播单元，用于通过反向传播来不断修改相应特征属性的映射参数；
计算单元，用于使用诈骗用户标注与映射出的诈骗用户进行计算，得到诈骗用户识别率；
停止单元，用于直到诈骗用户识别率达到预设的达标阈值时，停止循环修改相应特征属性的映射参数，得到用于待检测用户数据样本的第一映射函数。
在一个实施例中，所述识别模块，包括：
提取单元，用于在所述待检测用户数据样本中，提取出所述最大子集包含的所有特征属性；
映射单元，用于使用所述第一映射函数对提取后的待检测用户数据样本进行映射，得到识别出的诈骗用户。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明一示例性实施例示出的一种智能识别诈骗用户的方法的流程图；
图2为本发明一示例性实施例示出的一种智能识别诈骗用户的方法的步骤S11的流程图；
图3为本发明一示例性实施例示出的一种智能识别诈骗用户的方法的步骤S12的流程图；
图4为本发明一示例性实施例示出的一种智能识别诈骗用户的方法的步骤S13的流程图；
图5为本发明一示例性实施例示出的一种智能识别诈骗用户的方法的步骤S14的流程图；
图6为本发明一示例性实施例示出的一种智能识别诈骗用户的装置的框图；
图7为本发明一示例性实施例示出的一种智能识别诈骗用户的装置的获取模块61的框图；
图8为本发明一示例性实施例示出的一种智能识别诈骗用户的装置的映射模块62的框图；
图9为本发明一示例性实施例示出的一种智能识别诈骗用户的装置的修改模块63的框图；
图10为本发明另一示例性实施例示出的一种智能识别诈骗用户的装置的识别模块64的框图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
图1是根据一示例性实施例示出的一种智能识别诈骗用户的方法流程图，如图1所示，该智能识别诈骗用户的方法，包括以下步骤S11-S14：
在步骤S11中获取用户训练数据样本和待检测用户数据样本；
在步骤S12中，使用带有部分特征属性的所述用户训练数据样本进行映射；
在步骤S13中，不断修改映射函数中的映射参数，直到诈骗用户识别率达到预设的达标阈值；
在步骤S14中，对所述待检测用户样本数据进行智能识别，得到识别出的诈骗用户。
在一个实施例中，在当今的社会中，诈骗手段越来越多样化，诈骗用户的特征属性也在不断的变化。现有技术在待检测用户数据样本的特征属性的集合与用户训练数据样本的特征属性的集合并不一致的情况下，无法智能识别诈骗用户。本实施例中的技术方案可妥善的解决上述问题。
获取用户训练数据样本和待检测用户数据样本。进一步的，获取带有诈骗用户标注的用户训练数据样本；获取待检测用户数据样本，所述待检测用户数据样本的特征属性的集合与所述用户训练数据样本的特征属性的集合具有部分相同的特征属性。
使用带有部分特征属性的所述用户训练数据样本进行映射。进一步的，分析出所述用户训练数据样本和所述待检测用户数据样本中的相同的特征属性的最大子集；使用所述最大子集包含的所有特征属性的用户训练数据样本进行映射。
不断修改映射函数中的映射参数，直到诈骗用户识别率达到预设的达标阈值。进一步的，通过反向传播来不断修改相应特征属性的映射参数；使用诈骗用户标注与映射出的诈骗用户进行计算，得到诈骗用户识别率；直到诈骗用户识别率达到预设的达标阈值时，停止循环修改相应特征属性的映射参数，得到用于待检测用户数据样本的第一映射函数。
对所述待检测用户样本数据进行智能识别，得到识别出的诈骗用户。进一步的，在所述待检测用户数据样本中，提取出所述最大子集包含的所有特征属性；使用所述第一映射函数对提取后的待检测用户数据样本进行映射，得到识别出的诈骗用户。
使用本实施例中的技术方案在待检测用户数据样本的特征属性的集合与用户训练数据样本的特征属性的集合并不一致的情况下，也可进行诈骗用户的智能识别。且经过实验的验证，诈骗用户的准确率较高，得到的结果接近真实情况。
在一个实施例中，如图2所示，步骤S11包括如下步骤S21-S22：
在步骤S21中，获取带有诈骗用户标注的用户训练数据样本；
在步骤S22中，获取待检测用户数据样本，所述待检测用户数据样本的特征属性的集合与所述用户训练数据样本的特征属性的集合具有部分相同的特征属性。
在一个实施例中，为了表述简单，不妨举例，获取带有诈骗用户标注的用户训练数据样本A，获取待检测用户数据样本B。该用户训练数据样本A的特征属性的集合为{a、b、d、e、g、h、k、l、m}，该待检测用户数据样本B的特征属性的集合为{a、c、d、e、f、h、k、m、n}，那么该用户训练数据样本A与该待检测用户数据样本B的特征属性都包含a、c、d、e、h、k、m。还有，带有诈骗用户标注的用户训练数据样本，明确的标注出其中的诈骗用户，以便在后续的技术方案中对映射的结果做出识别率的检验。
使用本实施例中的技术方案在对具有不同特征属性的集合的用户数据样本进行求同存异，找出其中相同的特征属性的集合。
在一个实施例中，如图3所示，步骤S12包括如下步骤S31-S32：
在步骤S31中，分析出所述用户训练数据样本和所述待检测用户数据样本中的相同的特征属性的最大子集；
在步骤S32中，使用所述最大子集包含的所有特征属性的用户训练数据样本进行映射。
在一个实施例中，继续上一个实施例中的情况，可以分析出用户训练数据样本A的特征属性的集合{a、b、d、e、g、h、k、l、m}和待检测用户数据样本B的特征属性的集合{a、c、d、e、f、h、k、m、n}中的相同的特征属性的最大子集C的特征属性的集合为{a、c、d、e、h、k、m}。映射函数P是针对用户训练数据样本的，映射函数P中涉及到的特征属性的集合{a、b、d、e、g、h、k、l、m}。当只使用该用户训练数据样本A的特征属性的集合中的{a、c、d、e、h、k、m}部分时，确认此时用户训练数据样本A为用户训练数据样本A1，对应的映射函数P中部分特征参数将无效化。使用本实施例中的技术方案可可避免映射函数P无法处理用户训练数据样本中不包含的特征属性，进而降低系统出现未知错误的可能性。
在一个实施例中，如图4所示，步骤S13包括如下步骤S41-S43：
在步骤S41中，通过反向传播来不断修改相应特征属性的映射参数；
在步骤S42中，使用诈骗用户标注与映射出的诈骗用户进行计算，得到诈骗用户识别率；
在步骤S43中，直到诈骗用户识别率达到预设的达标阈值时，停止循环修改相应特征属性的映射参数，得到用于待检测用户数据样本的第一映射函数。
在一个实施例中，映射函数P在没有完全运算用户训练数据样本A中的所有特征属性的情况下，必然会导致映射出的结果与实际的诈骗用户标注存在一定的偏差。通过反向传播和深度前馈网络，来不断循环的修改该最大子集C中的各个特征属性对应映射参数，可使得到的欺骗用户识别率逐渐的升高。直到诈骗用户识别率达到预设的达标阈值M时，停止循环修改相应特征属性的映射参数，此时得到的源于映射函数P的映射函数Q，确认所述映射函数Q为第一映射函数Q，该第一映射函数Q是针对用户训练数据样本A1的。
在一个实施例中，如图5所示，步骤S14包括如下步骤S51-S52：
在步骤S51中，在所述待检测用户数据样本中，提取出所述最大子集包含的所有特征属性；
在步骤S52中，使用所述第一映射函数对提取后的待检测用户数据样本进行映射，得到识别出的诈骗用户。
在一个实施例中，在待检测用户数据样本B中提取出最大子集C的特征属性的集合{a、c、d、e、h、k、m}对应的数据，确认此时的待检测用户数据样本B为待检测用户数据样本B1。因为该第一映射函数Q对用户训练数据样本A1的准确性和有效性，故对包含同样特征属性的待检测用户数据样本B1也具备同样的准确性和有效性。使用本实施例中的技术方案可在待检测用户数据样本的特征属性的集合与用户训练数据样本的特征属性的集合并不一致的情况下，对诈骗用户进行智能识别，且得到的结果具备很高的准确率和有效性。
在一个实施例中，图6是根据一示例性实施例示出的一种智能识别诈骗用户的装置框图。如图6示，该装置包括获取模块61、映射模块62、修改模块63和识别模块64。
该获取模块61，用于获取用户训练数据样本和待检测用户数据样本；
该映射模块62，用于使用带有部分特征属性的所述用户训练数据样本进行映射；
该修改模块63，用于不断修改映射函数中的映射参数，直到诈骗用户识别率达到预设的达标阈值；
该识别模块64，用于对所述待检测用户样本数据进行智能识别，得到识别出的诈骗用户。
如图7所示，该获取模块61包括第一获取单元71和第二获取单元72。
该第一获取单元71，用于获取带有诈骗用户标注的用户训练数据样本；
该第二获取单元72，用于获取待检测用户数据样本，所述待检测用户数据样本的特征属性的集合与所述用户训练数据样本的特征属性的集合具有部分相同的特征属性。
如图8所示，该映射模块62包括分析单元81和训练单元82。
该分析单元81，用于分析出所述用户训练数据样本和所述待检测用户数据样本中的相同的特征属性的最大子集；
该训练单元82，用于使用所述最大子集包含的所有特征属性的用户训练数据样本进行映射。
如图9所示，该识别模块64包括传播单元91、计算单元92和停止单元93。
该传播单元91，用于通过反向传播来不断修改相应特征属性的映射参数；
该计算单元92，用于使用诈骗用户标注与映射出的诈骗用户进行计算，得到诈骗用户识别率；
该停止单元93，用于直到诈骗用户识别率达到预设的达标阈值时，停止循环修改相应特征属性的映射参数，得到用于待检测用户数据样本的第一映射函数。
如图10所示，该识别模块64包括提取单元101和映射单元102。
该提取单元101，用于在所述待检测用户数据样本中，提取出所述最大子集包含的所有特征属性；
该映射单元102，用于使用所述第一映射函数对提取后的待检测用户数据样本进行映射，得到识别出的诈骗用户。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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和光学存储器等)上实施的计算机程序产品的形式。
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。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种智能识别诈骗用户的方法，其特征在于，包括：
获取用户训练数据样本和待检测用户数据样本；
使用带有部分特征属性的所述用户训练数据样本进行映射；
不断修改映射函数中的映射参数，直到诈骗用户识别率达到预设的达标阈值；
对所述待检测用户样本数据进行智能识别，得到识别出的诈骗用户。
2.如权利要求1所述的方法，其特征在于，所述获取用户训练数据样本和待检测用户数据样本，包括：
获取带有诈骗用户标注的用户训练数据样本；
获取待检测用户数据样本，所述待检测用户数据样本的特征属性的集合与所述用户训练数据样本的特征属性的集合具有部分相同的特征属性。
3.如权利要求1所述的方法，其特征在于，所述使用带有部分特征属性的所述用户训练数据样本进行映射，包括：
分析出所述用户训练数据样本和所述待检测用户数据样本中的相同的特征属性的最大子集；
使用所述最大子集包含的所有特征属性的用户训练数据样本进行映射。
4.如权利要求1所述的方法，其特征在于，所述不断修改映射函数中的映射参数，直到诈骗用户识别率达到预设的达标阈值，包括：
通过反向传播来不断修改相应特征属性的映射参数；
使用诈骗用户标注与映射出的诈骗用户进行计算，得到诈骗用户识别率；
直到诈骗用户识别率达到预设的达标阈值时，停止循环修改相应特征属性的映射参数，得到用于待检测用户数据样本的第一映射函数。
5.如权利要求4所述的方法，其特征在于，所述对所述待检测用户样本数据进行智能识别，得到识别出的诈骗用户，包括：
在所述待检测用户数据样本中，提取出所述最大子集包含的所有特征属性；
使用所述第一映射函数对提取后的待检测用户数据样本进行映射，得到识别出的诈骗用户。
6.一种智能识别诈骗用户的装置，其特征在于，包括：
获取模块，用于获取用户训练数据样本和待检测用户数据样本；
映射模块，用于使用带有部分特征属性的所述用户训练数据样本进行映射；
修改模块，用于不断修改映射函数中的映射参数，直到诈骗用户识别率达到预设的达标阈值；
识别模块，用于对所述待检测用户样本数据进行智能识别，得到识别出的诈骗用户。
7.根据权利要求6的装置，其特征在于，所述获取模块，包括：
第一获取单元，用于获取带有诈骗用户标注的用户训练数据样本；
第二获取单元，用于获取待检测用户数据样本，所述待检测用户数据样本的特征属性的集合与所述用户训练数据样本的特征属性的集合具有部分相同的特征属性。
8.根据权利要求6的装置，其特征在于，所述映射模块，包括：
分析单元，用于分析出所述用户训练数据样本和所述待检测用户数据样本中的相同的特征属性的最大子集；
训练单元，用于使用所述最大子集包含的所有特征属性的用户训练数据样本进行映射。
9.根据权利要求6的装置，其特征在于，所述修改模块，包括：
传播单元，用于通过反向传播来不断修改相应特征属性的映射参数；
计算单元，用于使用诈骗用户标注与映射出的诈骗用户进行计算，得到诈骗用户识别率；
停止单元，用于直到诈骗用户识别率达到预设的达标阈值时，停止循环修改相应特征属性的映射参数，得到用于待检测用户数据样本的第一映射函数。
10.根据权利要求9的装置，其特征在于，所述识别模块，包括：
提取单元，用于在所述待检测用户数据样本中，提取出所述最大子集包含的所有特征属性；
映射单元，用于使用所述第一映射函数对提取后的待检测用户数据样本进行映射，得到识别出的诈骗用户。
CN201911206102.8A 2019-11-29 2019-11-29 一种智能识别诈骗用户的方法及装置 Pending CN111126448A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911206102.8A CN111126448A (zh) 2019-11-29 2019-11-29 一种智能识别诈骗用户的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911206102.8A CN111126448A (zh) 2019-11-29 2019-11-29 一种智能识别诈骗用户的方法及装置

Publications (1)

Publication Number Publication Date
CN111126448A true CN111126448A (zh) 2020-05-08

Family

ID=70496376

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911206102.8A Pending CN111126448A (zh) 2019-11-29 2019-11-29 一种智能识别诈骗用户的方法及装置

Country Status (1)

Country Link
CN (1) CN111126448A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017202336A1 (zh) * 2016-05-24 2017-11-30 腾讯科技（深圳）有限公司 广告反作弊方法，装置及存储介质
CN108989581A (zh) * 2018-09-21 2018-12-11 中国银行股份有限公司 一种用户风险识别方法、装置及系统
CN109598331A (zh) * 2018-12-04 2019-04-09 北京芯盾时代科技有限公司 一种欺诈识别模型训练方法、欺诈识别方法及装置
CN109615020A (zh) * 2018-12-25 2019-04-12 深圳前海微众银行股份有限公司 基于机器学习模型的特征分析方法、装置、设备及介质
CN110163252A (zh) * 2019-04-17 2019-08-23 平安科技（深圳）有限公司 数据分类方法及装置、电子设备、存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017202336A1 (zh) * 2016-05-24 2017-11-30 腾讯科技（深圳）有限公司 广告反作弊方法，装置及存储介质
CN108989581A (zh) * 2018-09-21 2018-12-11 中国银行股份有限公司 一种用户风险识别方法、装置及系统
CN109598331A (zh) * 2018-12-04 2019-04-09 北京芯盾时代科技有限公司 一种欺诈识别模型训练方法、欺诈识别方法及装置
CN109615020A (zh) * 2018-12-25 2019-04-12 深圳前海微众银行股份有限公司 基于机器学习模型的特征分析方法、装置、设备及介质
CN110163252A (zh) * 2019-04-17 2019-08-23 平安科技（深圳）有限公司 数据分类方法及装置、电子设备、存储介质

Similar Documents

Publication Publication Date Title
CN108235770B (zh) 图像识别方法及云端系统
CN108766444B (zh) 用户身份验证方法、服务器及存储介质
CN110718228B (zh) 语音分离方法、装置、电子设备及计算机可读存储介质
CN104252531B (zh) 一种文件类型识别方法及装置
CN112200081A (zh) 异常行为识别方法、装置、电子设备及存储介质
CN112669515B (zh) 票据图像识别方法、装置、电子设备和存储介质
CN109194677A (zh) 一种sql注入攻击检测方法、装置及设备
CN109740040B (zh) 验证码识别方法、装置、存储介质和计算机设备
CN107302433A (zh) 电子签名的校验方法、校验服务器及用户终端
CN109829457B (zh) 一种图像数据处理方法、设备及计算机可读存储介质
CN111462381A (zh) 基于人脸温度识别的门禁控制方法、电子装置及存储介质
CN110737881A (zh) 一种智能设备指纹验证方法及装置
CN112084761B (zh) 一种水利工程信息管理方法及装置
CN105787419A (zh) 手掌图像的手掌检测方法及系统
CN111833884A (zh) 一种声纹特征提取方法、装置、电子设备及存储介质
CN110532776B (zh) 基于运行时数据分析的Android恶意软件高效检测方法、系统及介质
CN109558773A (zh) 信息识别方法、装置及电子设备
CN111488798A (zh) 指纹识别方法、装置、电子设备及存储介质
CN108920955B (zh) 一种网页后门检测方法、装置、设备及存储介质
CN107977305A (zh) 用于检测应用的方法和装置
CN111126448A (zh) 一种智能识别诈骗用户的方法及装置
CN116844006A (zh) 一种目标识别方法、装置、电子设备及可读存储介质
FR2806187B1 (fr) Procede d'identification biometrique, dispositif electronique portatif et dispositif electronique d'acquisition de donnees biometriques pour sa mise en oeuvre
CN116469167A (zh) 基于视频中人物动作获取人物动作片段的方法及系统
CN113361456B (zh) 一种人脸识别方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination