CN111401478A - 数据异常识别方法以及装置 - Google Patents

数据异常识别方法以及装置 Download PDF

Info

Publication number
CN111401478A
CN111401478A CN202010306783.1A CN202010306783A CN111401478A CN 111401478 A CN111401478 A CN 111401478A CN 202010306783 A CN202010306783 A CN 202010306783A CN 111401478 A CN111401478 A CN 111401478A
Authority
CN
China
Prior art keywords
transaction
user
relationship
data
social
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.)
Granted
Application number
CN202010306783.1A
Other languages
English (en)
Other versions
CN111401478B (zh
Inventor
王婧
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.)
Alipay Hangzhou Information Technology Co Ltd
Original Assignee
Alipay Hangzhou 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 Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Priority to CN202010306783.1A priority Critical patent/CN111401478B/zh
Publication of CN111401478A publication Critical patent/CN111401478A/zh
Application granted granted Critical
Publication of CN111401478B publication Critical patent/CN111401478B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书实施例提供数据异常识别方法以及装置，其中所述数据异常识别方法包括：获取数据请求，所述数据请求携带用户的用户标识；根据所述用户标识，获取所述用户在至少一个关系维度的关系数据；获取所述用户以及所述关系数据对应的关系用户群中关系用户的基础特征数据；在所述关系维度对所述基础特征数据进行特征提取，获得所述关系维度对应的关系特征；将所述用户的基础特征数据以及所述关系特征，输入异常识别模型对所述数据请求进行异常识别，获得输出的针对所述数据请求的异常识别结果。

Description

数据异常识别方法以及装置
技术领域
本说明书实施例涉及数据处理技术领域，特别涉及一种数据异常识别方法以及装置。
背景技术
随着互联网的发展，越来越多的数据业务可以通过互联网进行操作，其中，由于有些数据业务具有可用性高而且门槛较低等特性，涌现大量用户参与到数据业务中，因此，导致数据业务中可能存在的数据异常识别的难度大大提高，目前，数据业务中的数据异常通常会在位置、空间、群体等方面呈现聚集性特征，可以通过这些聚集性特征对数据业务中出现的数据异常进行识别，然而仍然有一部分数据业务发生的随机性较强，聚集性也较弱，对此需要提供更有效的方案。
发明内容
有鉴于此，本说明书实施例提供了一种数据异常识别方法。本说明书一个或者多个实施例同时涉及一种数据异常识别装置，一种计算设备，以及一种计算机可读存储介质，以解决现有技术中存在的技术缺陷。
本说明书实施例的第一方面，提供了一种数据异常识别方法，包括：
获取数据请求，所述数据请求携带用户的用户标识；
根据所述用户标识，获取所述用户在至少一个关系维度的关系数据；
获取所述用户以及所述关系数据对应的关系用户群中关系用户的基础特征数据；
在所述关系维度对所述基础特征数据进行特征提取，获得所述关系维度对应的关系特征；
将所述用户的基础特征数据以及所述关系特征，输入异常识别模型对所述数据请求进行异常识别，获得输出的针对所述数据请求的异常识别结果。
可选的，所述至少一个关系维度，包括下述至少一项：交易关系维度、社交关系维度、扩散交易关系维度。
可选的，所述获取所述用户以及所述关系数据对应的关系用户群中关系用户的基础特征数据，包括：
根据所述交易关系维度的交易关系数据，确定与所述用户存在交易关系的交易用户群；
获取所述用户以及所述交易用户群中交易用户的基础特征数据。
可选的，所述在所述关系维度对所述基础特征数据进行特征提取，获得所述关系维度对应的关系特征，包括：
在所述交易关系维度，基于所述基础特征数据中所述交易用户的社交关系数据，构建以所述交易用户为节点的第一社交网络；所述交易用户两两之间存在的社交关系作为所述交易用户对应的两两节点之间的第一社交连边；
统计所述第一社交网络中两两节点之间存在的第一社交连边的数量，作为第一连边数量；
根据所述第一社交网络中节点的数量，计算所述第一社交网络中两两节点之间存在的第一连边总数；
根据所述第一连边数量以及所述第一连边总数，计算所述第一社交网络的第一社交亲密度，将所述第一社交亲密度作为所述交易关系维度对应的所述关系特征。
可选的，所述获取所述用户以及所述关系数据对应的关系用户群中关系用户的基础特征数据，包括：
根据所述社交关系维度的社交关系数据，确定与所述用户存在社交关系的社交用户群；
获取所述用户以及所述社交用户群中社交用户的基础特征数据。
可选的，所述在所述关系维度对所述基础特征数据进行特征提取，获得所述关系维度对应的关系特征，包括：
在所述社交关系维度，将所述基础特征数据中所述用户以及所述社交用户的历史交易特征数据进行汇总，获得所述用户的关系交易特征，将所述关系交易特征作为所述社交关系维度对应的所述关系特征。
可选的，所述获取所述用户以及所述关系数据对应的关系用户群中关系用户的基础特征数据，包括：
根据所述扩散交易关系维度的交易关系数据，确定与所述用户存在交易关系的所述交易用户群；
根据所述扩散交易关系维度的第一扩散交易关系数据，确定与所述交易用户群中交易用户存在交易关系的第一扩散交易用户群；
获取所述用户、所述交易用户以及所述第一扩散交易群中第一扩散交易用户的基础特征数据。
可选的，所述在所述关系维度对所述基础特征数据进行特征提取，获得所述关系维度对应的关系特征，包括：
在所述扩散交易关系维度，根据所述基础特征数据中各个交易用户对应的第一扩散交易用户群中第一扩散交易用户的历史交易特征数据以及用户特征数据进行汇总，获得所述各个交易用户的交易模式特征；
对所述用户的历史交易特征数据进行分析，获得所述用户的用户交易特征；
将所述交易模式特征以及所述用户交易特征，作为所述扩散交易关系维度对应的所述关系特征。
可选的，所述获取所述用户以及所述关系数据对应的关系用户群中关系用户的基础特征数据，包括：
根据所述扩散交易关系维度的社交关系数据，确定与所述用户存在社交关系的社交用户群；
根据所述扩散交易关系维度的第二扩散交易关系数据，确定与所述社交用户群中社交用户存在交易关系的第二扩散交易用户群；
获取所述用户、所述社交用户以及所述第二扩散交易群中第二扩散交易用户的基础特征数据。
可选的，所述在所述关系维度对所述基础特征数据进行特征提取，获得所述关系维度对应的关系特征，包括：
在所述社交关系维度，将所述基础特征数据中所述用户以及所述社交用户的历史交易特征数据进行汇总，获得所述用户在社交关系维度对应的关系交易特征；
在所述扩散交易关系维度，基于所述基础特征数据中所述第二扩散交易用户的社交关系数据，构建以所述第二扩散交易用户为节点的第二社交网络；所述第二扩散交易用户两两之间存在的社交关系作为所述第二扩散交易用户对应的两两节点之间的第二社交连边；
统计所述第二社交网络中两两节点之间存在的第二社交连边的数量，作为第二连边数量；
根据所述第二社交网络中节点的数量，计算所述第二社交网络中两两节点之间存在的第二连边总数；
根据所述第二连边数量以及所述第二连边总数，计算所述第二社交网络在扩散交易维度对应的第二社交亲密度；
将所述关系交易特征以及所述第二社交亲密度作为所述关系特征。
可选的，所述获取所述用户以及所述关系数据对应的关系用户群中关系用户的基础特征数据，包括：
根据所述交易关系维度的交易关系数据，确定与所述用户存在交易关系的交易用户群；
根据所述扩散交易关系维度的第三扩散交易关系数据，确定与所述交易用户群中交易用户存在交易关系的第三扩散交易用户群；
根据所述社交关系维度的社交关系数据，确定与所述用户存在社交关系的社交用户群；
获取所述用户、所述交易用户、所述第三扩散交易用户群中第三扩散交易用户以及所述社交用户群中社交用户的基础特征数据。
可选的，所述在所述关系维度对所述基础特征数据进行特征提取，获得所述关系维度对应的关系特征，包括：
在所述交易关系维度，基于所述基础特征数据中所述交易用户的社交关系数据，构建以所述交易用户为节点的第一社交网络；所述交易用户两两之间存在的社交关系作为所述交易用户对应的两两节点之间的第一社交连边；
统计所述第一社交网络中两两节点之间存在的第一社交连边的数量，作为第一连边数量；
根据所述第一社交网络中节点的数量，计算所述第一社交网络中两两节点之间存在的第一连边总数；
根据所述第一连边数量以及所述第一连边总数，计算所述第一社交网络的第一社交亲密度；
将所述第一社交亲密度作为所述交易关系维度对应的第一关系特征；
在所述扩散交易关系维度，根据基础特征数据中各个交易用户对应的第三扩散交易用户群中第三扩散交易用户的历史交易特征数据以及用户特征数据进行汇总，获得所述各个交易用户的交易模式特征；
对所述用户的历史交易特征数据进行分析，获得所述用户的用户交易特征；
将所述交易模式特征以及所述用户交易特征作为所述扩散交易关系维度对应的第二关系特征；
在所述社交关系维度，将所述基础特征数据中所述用户以及所述社交用户的历史交易特征数据进行汇总，获得所述用户的关系交易特征；
将所述关系交易特征作为所述社交关系维度对应的第三关系特征；
将所述第一关系特征、第二关系特征以及第三关系特征作为所述关系特征。
本说明书实施例的第二方面，提供了一种数据异常识别装置，包括：
获取请求模块，被配置为获取数据请求，所述数据请求携带用户的用户标识；
获取关系数据模块，被配置为根据所述用户标识，获取所述用户在至少一个关系维度的关系数据；
获取特征数据模块，被配置为获取所述用户以及所述关系数据对应的关系用户群中关系用户的基础特征数据；
特征提取模块，被配置为在所述关系维度对所述基础特征数据进行特征提取，获得所述关系维度对应的关系特征；
异常识别模块，被配置为将所述用户的基础特征数据以及所述关系特征，输入异常识别模型对所述数据请求进行异常识别，获得输出的针对所述数据请求的异常识别结果。
本说明书实施例的第三方面，提供了一种计算设备，包括：
存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令：
获取数据请求，所述数据请求携带用户的用户标识；
根据所述用户标识，获取所述用户在至少一个关系维度的关系数据；
获取所述用户以及所述关系数据对应的关系用户群中关系用户的基础特征数据；
在所述关系维度对所述基础特征数据进行特征提取，获得所述关系维度对应的关系特征；
将所述用户的基础特征数据以及所述关系特征，输入异常识别模型对所述数据请求进行异常识别，获得输出的针对所述数据请求的异常识别结果。
本说明书实施例的第四方面，提供了一种计算机可读存储介质，其存储有计算机可执行指令，该指令被处理器执行时实现所述数据异常识别方法的步骤。
本说明书提供一种数据异常识别方法，在获取数据请求的基础上，根据数据请求携带用户的用户标识，获取所述用户在至少一个关系维度的关系数据；并进一步获取所述用户以及所述关系数据对应的关系用户群中关系用户的基础特征数据；在所述关系维度对获取的基础特征数据进行特征提取，获得关系维度对应的关系特征；并将所述用户的基础特征数据以及所述关系特征，输入异常识别模型对所述数据请求进行异常识别，获得输出的针对所述数据请求的异常识别结果，实现了通过至少一个关系维度的关系数据对用户进行关系扩展，进而在扩展的基础上，获取用户以及关系用户的基础特征数据，增加了基础特征数据的数据量，并进一步增加了在至少一个关系维度下针对基础特征数据提取的关系特征，从而提高了对数据请求进行异常识别的准确性。
附图说明
图1是本说明书一个实施例提供的一种数据异常识别方法的处理流程图；
图2是本说明书一个实施例提供的一种数据异常识别方法的关系网络示意图；
图3是本说明书一个实施例提供的一种应用于交易数据业务的数据异常识别方法的处理流程图；
图4是本说明书一个实施例提供的一种数据异常识别装置的示意图；
图5是本说明书一个实施例提供的一种计算设备的结构框图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本说明书内涵的情况下做类似推广，因此本说明书不受下面公开的具体实施的限制。
在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一也可以被称为第二，类似地，第二也可以被称为第一。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
在本说明书中，提供了一种数据异常识别方法，本说明书一个或者多个实施例同时涉及一种数据异常识别装置，一种计算设备，以及一种计算机可读存储介质，在下面的实施例中逐一进行详细说明。
本说明书提供的一种数据异常识别方法实施例如下：
图1示出了根据本说明书一个实施例提供的一种数据异常识别方法的处理流程图，包括步骤S102至步骤S110。
步骤S102，获取数据请求，所述数据请求携带用户的用户标识。
实际应用中，对数据业务中数据异常的准确识别，是数据业务持续进行的有效保障，尤其是对于一些实用性高、操作简单而且门槛较低的数据业务，由于参与数据业务的用户量大，更需要准确并高效对数据业务中的数据异常进行识别。而目前对于数据业务行为密集的用户，易于统计数据业务中存在的规律和特性，然而对于数据业务行为较为稀疏的用户，则不易统计数据业务中存在的规律和特性，因此也不易于对这种情况下异常的识别，本说明书实施例，对于数据业务行为较为稀疏的用户，通过用户的关系数据确定与用户存在关系的关系用户，并对关系用户的数据业务行为进行特征提取，将提取出的关系特征作为对用户的数据业务行为进行异常识别的特征数据，提高了异常识别的准确性。
具体的，上述数据业务，可以是交易数据业务、租借数据业务、资源共享数据业务等，本说明书实施例以交易数据业务为例进行说明，租借数据业务、资源共享数据业务等数据业务的具体实现与交易数据业务的具体实现类似，参照交易数据业务的具体实现即可，在此不再赘述。
相应的，所述数据请求，可以是交易请求、租借请求、共享请求等，实际应用中，所述数据请求的发出方可以是一个用户，也可以是多个用户，类似的，此数据请求的接收方也可以是一个用户、多个用户或者服务器端，具体实施时，数据请求中应当携带发出方中用户的用户标识，若数据请求是向其他一个或多个用户进行数据请求，则该数据请求中携带用户的用户标识，既包括发出方中用户的用户标识，也包括接收方中用户的用户标识；所述用户是指所述数据请求的发送方或接收方中的至少一个用户。
以交易数据业务为例，获取买家A发出的交易请求，此交易请求中携带买家A的用户标识“P01”以及卖家B的用户标识“P02”，其中，卖家B为买家A的交易对象。
步骤S104，根据所述用户标识，获取所述用户在至少一个关系维度的关系数据。
具体的，在获取数据请求的基础上，基于数据请求携带用户的用户标识，获取用户的关系数据，实际应用中，将关系数据按照维度进行划分，可以划分为至少一个关系维度。
可选的，所述至少一个关系维度，包括下述至少一项：交易关系维度、社交关系维度、扩散交易关系维度。
相应的，所述关系数据，是指在上述至少一个关系维度下，连接所述用户与其他用户之间关系的数据，具体的，用户与其他用户之间的关系，可以是交易关系、社交关系、或者是在交易关系或社交关系的基础上，进一步扩散出的扩散交易关系等；则所述关系数据，可以是交易关系维度下，用户与其他用户之间存在的交易关系数据、社交关系维度下，用户与其他用户之间存在的社交关系数据、基于交易关系数据进行交易扩散的扩散交易数据、和/或，基于社交关系数据进行交易扩散的扩散交易数据等，比如，买家A与用户C之间存在的交易关系数据，是指买家A与用户C之间完成过交易的交易标识；买家A与用户D之间存在的社交关系数据，是指买家A与用户D之间在社交上的关联数据，具体的，社交关联数据是指表明用户之间存在的朋友、亲戚或同事等社交关联的数据。
具体实施时，获取的关系数据可以是获取时间区间内的关系数据，此时间区间可以是一个周、一个月、两个月等，在此不做限制。
沿用上例，根据交易请求中携带的买家A的用户标识，获取买家A在过去一个月中完成交易的交易标识。
步骤S106，获取所述用户以及所述关系数据对应的关系用户群中关系用户的基础特征数据。
具体的，在获取用户在至少一个维度的关系数据的基础上，进一步获取用户以及关系数据对应的关系用户群中关系用户的基础特征数据，以便在这些基础特征数据的基础上进行特征提取获得关系特征，进而根据这些关系特征进行异常识别。
其中，所述关系用户群，是由与所述用户存在关系的关系用户组成的关系用户群；所述基础特征数据包括：社交关系数据、历史交易特征数据、用户特征数据等。
实际应用中，由于关系维度的多样性，本说明书实施例提供的第一种可选实施方式中，在至少一个关系维度为交易关系维度的情况下，获取用户以及关系用户的基础特征数据，具体采用如下方式实现：
根据所述交易关系维度的交易关系数据，确定与所述用户存在交易关系的交易用户群；
获取所述用户以及所述交易用户群中交易用户的基础特征数据。
具体的，交易用户群，是指与所述用户存在交易关系的交易用户组成的交易用户群。
沿用上例，根据交易请求中携带的买家A的用户标识，获取买家A在交易关系维度过去一个月中完成交易的交易标识，确定与买家A在过去一个月内存在交易关系的交易卖家群G1，并获取买家A以及交易卖家群G1中各个卖家的基础特征数据。
本说明书实施例，通过获取的用户在交易关系维度下的交易关系数据，确定与用户存在交易关系的交易用户群，并获取用户以及交易用户群中交易用户的基础特征数据，实现了通过交易关系维度的交易关系数据对用户进行交易关系扩展，进而在扩展的基础上，获取用户以及交易用户的基础特征数据，增加了在交易关系维度下基础特征数据的数据量，并进一步增加了在交易关系维度下，针对基础特征数据提取的关系特征，从而提高了对数据请求进行异常识别的准确性。
本说明书实施例提供的第二种可选实施方式中，在至少一个关系维度为社交关系维度的情况下，获取用户以及关系用户的基础特征数据，具体采用如下方式实现：
根据所述社交关系维度的社交关系数据，确定与所述用户存在社交关系的社交用户群；
获取所述用户以及所述社交用户群中社交用户的基础特征数据。
具体的，社交用户群，是指与所述用户存在社交关系的社交用户组成的社交用户群。
沿用上例，根据交易请求中携带的买家A的用户标识，获取买家A在社交关系维度的社交关系数据，确定与买家A存在社交关系的社交买家群G2，并获取买家A以及社交买家群G2中各个买家的基础特征数据。
本说明书实施例，通过获取的用户在社交关系维度下的社交关系数据，确定与用户存在社交关系的社交用户群，并获取用户以及社交用户群中社交用户的基础特征数据，实现了通过社交关系维度的社交关系数据对用户进行社交关系扩展，进而在扩展的基础上，获取用户以及社交用户的基础特征数据，增加了在社交关系维度下基础特征数据的数据量，并进一步增加了在社交关系维度下，针对基础特征数据提取的关系特征，从而提高了对数据请求进行异常识别的准确性。
除上述提供的在交易关系维度或社交关系维度下，获取用户以及关系用户的基础特征数据之外，本说明书实施例提供的第三种可选实施方式中，在至少一个关系维度为基于交易关系进行扩散的扩散交易关系维度的情况下，获取用户以及关系用户的基础特征数据，具体采用如下方式实现：
根据所述扩散交易关系维度的交易关系数据，确定与所述用户存在交易关系的所述交易用户群；
根据所述扩散交易关系维度的第一扩散交易关系数据，确定与所述交易用户群中交易用户存在交易关系的第一扩散交易用户群；
获取所述用户、所述交易用户以及所述第一扩散交易群中第一扩散交易用户的基础特征数据。
具体的，所述第一扩散交易关系数据，是指连接所述用户与其他用户之间的交易关系的交易标识，即交易关系数据，以及连接与所述用户存在交易关系的交易用户，与其他用户之间存在的交易关系的交易标识，即扩散交易关系数据；将上述交易关系数据以及上述扩散交易关系数据共同作为所述第一扩散交易关系数据。
相应的，所述第一扩散交易用户，是指与上述交易用户存在交易关系的用户；所述第一扩散交易用户群，是指与上述交易用户存在交易关系的第一扩散交易用户组成的交易用户群。
沿用上例，根据交易请求中携带的买家A的用户标识，获取买家A在第一扩散交易关系维度的交易关系数据，确定与买家A存在交易关系的交易卖家群G1，并基于确定的交易卖家群G1以及买家A的第一扩散交易关系数据，确定与交易卖家群G1中各个卖家存在交易关系的第一扩散交易买家群G3，获取买家A、交易卖家群G1中各个卖家以及第一扩散交易买家群G3中各个买家的基础特征数据。
本说明书实施例，通过获取的用户在第一扩散交易关系维度下的交易关系数据，确定与用户存在交易关系的交易用户群，并根据用户在第一扩散交易关系维度下的第一扩散交易关系数据，确定与上述交易用户群中交易用户存在交易关系的第一扩散交易用户群，进而获取用户、交易用户以及第一扩散交易用户群中第一扩散交易用户的基础特征数据，实现了通过第一扩散交易关系维度的交易关系数据、以及第一扩散交易关系维度下的第一扩散交易关系数据对用户进行交易关系扩展，进而在扩展的基础上，获取用户、交易用户以及第一扩散交易用户的基础特征数据，增加了在第一扩散交易关系维度下基础特征数据的数据量，并进一步增加了在第一扩散交易关系维度下，针对基础特征数据提取的关系特征，从而提高了对数据请求进行异常识别的准确性。
除上述提供的三种获取用户以及关系用户的基础特征数据之外，本说明书实施例提供的第四种可选实施方式中，在至少一个关系维度为基于社交关系进行扩散的扩散交易关系维度的情况下，获取用户以及关系用户的基础特征数据，具体采用如下方式实现：
根据所述扩散交易关系维度的社交关系数据，确定与所述用户存在社交关系的社交用户群；
根据所述扩散交易关系维度的第二扩散交易关系数据，确定与所述社交用户群中社交用户存在交易关系的第二扩散交易用户群；
获取所述用户、所述社交用户以及所述第二扩散交易群中第二扩散交易用户的基础特征数据。
具体的，所述第二扩散交易关系数据，是指连接与所述用户存在社交关系的社交用户，与其他用户之间存在的交易关系的交易标识。
相应的，所述第二扩散交易用户，是指与上述社交用户存在社交关系的用户；所述第二扩散交易用户群，是指与上述社交用户存在交易关系的第二扩散交易用户组成的交易用户群。
沿用上例，根据交易请求中携带的买家A的用户标识，获取买家A在第二扩散交易关系维度的社交关系数据，确定与买家A存在社交关系的社交买家群G2，并基于确定的社交买家群G2以及买家A的第二扩散交易关系数据，确定与社交买家群G2中各个买家存在交易关系的第二人扩散交易用户群G4，获取买家A、社交买家群G2中各个买家以及第二扩散交易用户群G4中各个卖家的基础特征数据。
本说明书实施例，通过获取的用户在社交关系维度的社交关系数据，确定与用户存在社交关系的社交用户群，并根据用户在第二扩散交易关系维度下的第二扩散交易关系数据，确定与上述社交用户群中社交用户存在交易关系的第二扩散交易用户群，进而获取用户以、社交用户以及第二扩散交易用户群中第二扩散交易用户的基础特征数据，实现了通过社交关系维度的社交关系数据、以及第二扩散交易关系维度下的第二扩散交易关系数据对用户进行关系扩展，进而在扩展的基础上，获取用户、交易用户以及第二扩散交易用户的基础特征数据，增加了社交关系维度以及第二扩散交易关系维度下基础特征数据的数据量，并进一步增加了在社交关系维度以及第二扩散交易关系维度下，针对基础特征数据提取的关系特征，从而提高了对数据请求进行异常识别的准确性。
除上述提供的四种获取用户以及关系用户的基础特征数据之外，本说明书实施例提供的第五种可选实施方式中，所述获取所述用户以及所述关系数据对应的关系用户群中关系用户的基础特征数据，具体采用如下方式实现：
根据所述交易关系维度的交易关系数据，确定与所述用户存在交易关系的交易用户群；
根据所述扩散交易关系维度的第三扩散交易关系数据，确定与所述交易用户群中交易用户存在交易关系的第三扩散交易用户群；
根据所述社交关系维度的社交关系数据，确定与所述用户存在社交关系的社交用户群；
获取所述用户、所述交易用户、所述第三扩散交易用户群中第三扩散交易用户以及所述社交用户群中社交用户的基础特征数据。
具体的，本说明书实施例中确定交易用户群，确定第三扩散交易用户群以及确定社交用户群的具体实施方式，与上述实施例中确定交易用户群，确定第二扩散交易用户群以及确定社交用户群的具体实现方式类似，参考上述确定交易用户群，确定第二扩散交易用户群以及确定社交用户群的具体实现方式即可，在此不再赘述。
本说明书实施例，通过获取的用户在交易关系维度的交易关系数据，确定与用户存在交易关系的交易用户群，且根据用户在第三扩散交易关系维度下的第三扩散交易关系数据，确定与上述交易用户群中交易用户存在交易关系的第三扩散交易用户群，并根据用户在社交关系维度的社交关系数据，确定与用户存在社交关系的社交用户群，进而获取用户、交易用户、第二扩散交易用户群中第二扩散交易用户以及社交用户群中社交用户的基础特征数据，实现了通过交易关系维度的交易关系数据、第三扩散交易关系维度下的第三扩散交易关系数据、以及社交关系维度的社交关系数据对用户进行关系扩展，进而在扩展的基础上，获取用户、交易用户、第二扩散交易用户以及社交用户的基础特征数据，增加了交易关系维度、第三扩散交易关系维度以及社交关系维度下基础特征数据的数据量，并进一步增加了在交易关系维度、第三扩散交易关系维度以及社交关系维度下，针对基础特征数据提取的关系特征，从而提高了对数据请求进行异常识别的准确性。
步骤S108，在所述关系维度对所述基础特征数据进行特征提取，获得所述关系维度对应的关系特征。
具体的，在获取用户以及关系用的基础特征数据的基础上，对获取的基础特征数据按照关系维度进行特征提取，获得关系维度对应的关系特征，增加了对数据请求进行异常识别的特征数据。
具体实施时，在关系维度对基础特征数据进行特征提取，可以在S102步骤执行之前先行进行特征提取，可以进一步提高针对数据请求进行异常识别的效率。
与上述步骤S106中提供的第一种可选实施方式相对应，本说明书实施例提供的第一种可选实施方式中，在至少一个关系维度为交易关系维度的情况下，对所述基础特征数据进行特征提取，具体采用如下方式实现：
在所述交易关系维度，基于所述基础特征数据中所述交易用户的社交关系数据，构建以所述交易用户为节点的第一社交网络；所述交易用户两两之间存在的社交关系作为所述交易用户对应的两两节点之间的第一社交连边；
统计所述第一社交网络中两两节点之间存在的第一社交连边的数量，作为第一连边数量；
根据所述第一社交网络中节点的数量，计算所述第一社交网络中两两节点之间存在的第一连边总数；
根据所述第一连边数量以及所述第一连边总数，计算所述第一社交网络的第一社交亲密度，将所述第一社交亲密度作为所述交易关系维度对应的所述关系特征。
具体的，所述第一社交网络，是指以与用户存在交易关系的交易用户为节点，以交易用户两两之间存在的社交关系作为连边构建的社交网络；其中，第一连边数量，为上述第一社交网络中两两节点之间连边的数量总和；所述第一连边总数，为上述第一社交网络中两两节点之间最大连边的总数；所述第一社交亲密度，为第一连边数量与第一连边总数的比值。
具体实施时，可以通过如下公式进行社交亲密度计算：
Figure BDA0002456070680000191
其中，D为第一社交亲密度，n为第一社交网络中节点的数量，lij为交易用户对应的两两节点之间是否存在社交关系，
Figure BDA0002456070680000192
为第一社交网络中两两节点之间最大的连边数量，即第一连边总数。
实际应用中，通过计算获得的社交亲密度，可以表明与用户交易过的交易用户之间的社交密切程度，社交亲密度越高，表明交易用户之间的社交关系越密切，进而表明该用户的数据请求存在异常的可能性越大。
沿用上例，与买家A存在交易关系的交易卖家群G1中的卖家有5个，分别为b1，b2，b3，b4，b5，将这5个卖家作为节点，以这5个卖家之间的社交关系作为第一社交连边构建第一社交网络，具体如图2中(a)所示，其中，卖家b1和卖家b2是朋友关系，卖家b2与卖家b3是亲戚关系，卖家b3与卖家b5也是朋友关系，即此第一社交网络中存在3条社交连边，则第一连边数量为3，并根据此第一社交网络中节点的数量为5，计算此第一社交网络中两两节点中的第一连边总数为5*(5-1)/2＝10，则此第一社交网络的第一社交亲密度为第一连边数量与第一连边总数的比值：3/10＝30％，并以计算而得的第一社交亲密度30％作为交易关系维度对应的关系特征。
本说明书实施例，通过将与用户存在交易关系的交易用户作为节点，以交易用户两两之间存在的社交关系作为交易用户对应的两两节点之间的第一社交连边，构建第一社交关系网络，并计算此第一社交关系网络的第一社交亲密度，以此第一社交亲密度作为在交易关系维度对应的关系特征，以便通过用户的基础特征数据以及交易关系维度对应的关系特征对数据请求进行异常识别，提高了异常识别的准确率。
与上述步骤S106中提供的第二种可选实施方式相对应，本说明书实施例提供的第二种可选实施方式中，在至少一个关系维度为社交关系维度的情况下，对所述基础特征数据进行特征提取，具体采用如下方式实现：
在所述社交关系维度，将所述基础特征数据中所述用户以及所述社交用户的历史交易特征数据进行汇总，获得所述用户的关系交易特征，将所述关系交易特征作为所述社交关系维度对应的所述关系特征。
具体的，所述历史交易特征数据，是指在上述时间区间内根据用户以及社交用户在历史交易中，确定的与交易有关的特征数据，比如，交易数额特征数据、基于付款方式的付款率以及交易时间特征数据等；其中，交易时间特征为预设时间区间内的交易频率，交易数额特征数据是指平均每笔交易的交易数额。
相应的，在所述社交关系维度，将所述基础特征数据中所述用户以及所述社交用户的历史交易特征数据进行汇总，是指将上述获取到的用户以及社交用户的历史交易特征数据通过计算平均值的方式进行汇总，此外，还可以通过计算和值、计算最大值或计算最小值等方式进行汇总。
沿用上例，在社交关系维度，根据获取的基础特征数据中上述买家A以及社交买家群G2中各个买家的交易数额特征数据，计算平均值，将此平均值作为买家A在社交关系维度的关系交易特征，具体如图2中(b)所示。
本说明书实施例，通过将在社交关系维度下获取的社交用户的基础特征数据以及用户的基础特征数据进行汇总，获得用户的交易关系特征，作为在社交关系维度对应的关系特征，以便通过用户的基础特征数据以及社交关系维度对应的关系特征对数据请求进行异常识别，提高了异常识别的准确率。
与上述步骤S106中提供的第三种可选实施方式相对应，本说明书实施例提供的第三种可选实施方式中，在至少一个关系维度为基于交易关系进行扩散的扩散交易关系维度的情况下，对所述基础特征数据进行特征提取，具体采用如下方式实现：
在所述扩散交易关系维度，根据所述基础特征数据中各个交易用户对应的第一扩散交易用户群中第一扩散交易用户的历史交易特征数据以及用户特征数据进行汇总，获得所述各个交易用户的交易模式特征；
对所述用户的历史交易特征数据进行分析，获得所述用户的用户交易特征；
将所述交易模式特征以及所述用户交易特征，作为所述扩散交易关系维度对应的所述关系特征。
具体的，所述用户特征数据，是指表明用户自身属性的特征数据，比如：年龄、性别、所在地等；所述交易模式特征，是指可以用来表明交易用户的交易模式的特征数据，比如：交易笔数特征、交易数额特征、交易物品特征、交易年龄特征等；所述用户交易特征，是指根据用户的历史交易特征数据进行统计或叠加，获得的表示用户交易特征的用户交易特征，比如：交易笔数特征、交易数额特征、交易物品特征、交易年龄特征等。
沿用上例，在扩散交易关系维度，根据获取的基础特征数据中与买家A存在交易关系的各个卖家对应的第一扩散交易买家群G3中各个买家的交易数额特征数据以及交易年龄数据计算平均值，将计算而得的平均值作为与买家A存在交易关系的各个卖家的交易模式特征，具体如图2中(c)所示，并根据买家A的交易物品特征数据进行统计分析，获得买家A的交易物品特征，将此交易物品特征以及上述交易模式特征作为买家A在交易扩散关系维度的关系特征。
本说明书实施例，通过将在扩散交易关系维度下获取的第一扩散交易用户群中第一扩散交易用户的历史交易特征数据以及身份特征数据进行汇总，获得第一扩散交易用户群对应的交易用户的交易模式特征，并对用户的基础特征数据进行分析，获得用户交易特征，将获得的交易模式特征以及用户交易特征作为交易扩散关系维度对应的关系特征，以便通过用户的基础特征数据以及交易扩散关系维度对应的关系特征对数据请求进行异常识别，提高了异常识别的准确率。
与上述步骤S106中提供的第四种可选实施方式相对应，本说明书实施例提供的第四种可选实施方式中，在至少一个关系维度为社交关系维度以及基于社交关系进行扩散的扩散交易关系维度的情况下，对所述基础特征数据进行特征提取，具体采用如下方式实现：
在所述社交关系维度，将所述基础特征数据中所述用户以及所述社交用户的历史交易特征数据进行汇总，获得所述用户在社交关系维度对应的关系交易特征；
在所述扩散交易关系维度，基于所述基础特征数据中所述第二扩散交易用户的社交关系数据，构建以所述第二扩散交易用户为节点的第二社交网络；所述第二扩散交易用户两两之间存在的社交关系作为所述第二扩散交易用户对应的两两节点之间的第二社交连边；
统计所述第二社交网络中两两节点之间存在的第二社交连边的数量，作为第二连边数量；
根据所述第二社交网络中节点的数量，计算所述第二社交网络中两两节点之间存在的第二连边总数；
根据所述第二连边数量以及所述第二连边总数，计算所述第二社交网络在扩散交易维度对应的第二社交亲密度；
将所述关系交易特征以及所述第二社交亲密度作为所述关系特征。
具体实施时，计算第二社交网络的第二社交亲密度的具体计算方式，与上述计算第一社交网络的第一社交亲密度的具体实现方式类似，参考上述计算第一社交网络的第一社交亲密度的具体实现方式即可，在此不做限制。
本说明书实施例，通过分别在社交关系维度、扩散交易关系维度对获取的基础特征数据进行特征提取，进而获得社交关系维度对应的关系交易特征以及扩散交易关系维度对应的第二关系亲密度，并将用户的基础特征数据、关系交易特征、第二关系亲密度共同作为下述步骤S108中异常识别模型的输入，增加了对数据请求进行异常识别的特征数量，并进一步提高了针对数据请求的异常识别的准确性。
与上述步骤S106中提供的第五种可选实施方式相对应，本说明书实施例提供的第五种可选实施方式中，在至少一个关系维度为交易关系维度、基于交易关系进行扩散的扩散交易关系维度以及社交关系维度的情况下，对所述基础特征数据进行特征提取，具体采用如下方式实现：
在所述交易关系维度，基于所述基础特征数据中所述交易用户的社交关系数据，构建以所述交易用户为节点的第一社交网络；所述交易用户两两之间存在的社交关系作为所述交易用户对应的两两节点之间的第一社交连边；
统计所述第一社交网络中两两节点之间存在的第一社交连边的数量，作为第一连边数量；
根据所述第一社交网络中节点的数量，计算所述第一社交网络中两两节点之间存在的第一连边总数；
根据所述第一连边数量以及所述第一连边总数，计算所述第一社交网络的第一社交亲密度；
将所述第一社交亲密度作为所述交易关系维度对应的第一关系特征；
在所述扩散交易关系维度，根据基础特征数据中各个交易用户对应的第一扩散交易用户群中第一扩散交易用户的历史交易特征数据以及用户特征数据进行汇总，获得所述各个交易用户的交易模式特征；
对所述用户的历史交易特征数据进行分析，获得所述用户的用户交易特征；
将所述交易模式特征以及所述用户交易特征作为所述扩散交易关系维度对应的第二关系特征；
在所述社交关系维度，将所述基础特征数据中所述用户以及所述社交用户的历史交易特征数据进行汇总，获得所述用户的关系交易特征；
将所述关系交易特征作为所述社交关系维度对应的第三关系特征；
将所述第一关系特征、第二关系特征以及第三关系特征作为所述关系特征。
具体的，本说明书实施例中提取第一关系特征，提取第二关系特征以及提取第三关系特征的具体实施方式，与上述实施例中提取交易关系维度对应的关系特征、提取扩散交易关系维度对应的关系特征以及提取社交关系维度对应的关系特征的具体实现方式类似，参考上述提取交易关系维度对应的关系特征、提取扩散交易关系维度对应的关系特征以及提取社交关系维度对应的关系特征的具体实现方式即可，在此不再赘述。
本说明书实施例，通过分别在交易关系维度、扩散交易关系维度以及社交关系维度对获取的基础特征数据进行特征提取，进而获得交易关系维度对应的第一关系特征、扩散交易关系维度对应的第二关系特征以及社交关系维度对应的第三关系特征，并将第一关系特征、第二关系特征以及第三关系特征共同作为下述步骤S108中异常识别模型的输入，增加了对数据请求进行异常识别的特征数量，并进一步提高了针对数据请求的异常识别的准确性。
步骤S110，将所述用户的基础特征数据以及所述关系特征，输入异常识别模型对所述数据请求进行异常识别，获得输出的针对所述数据请求的异常识别结果。
具体的，可以将用户的基础特征数据以及上述至少一个关系维度对应的关系特征输入异常识别模型对数据请求进行异常识别，进而获得针对数据请求的异常识别结果。
具体的，所述异常识别模型，是指梯度提升决策树模型(Gradient BoostingDecision Tree Model，GBDT Model)，此外还可以是其他二分类模型，在此不做限制。
沿用上例，将买家A的基础特征数据以及上述提取的关系特征，输入异常识别模型对交易请求进行异常识别，进而获得针对交易请求的异常识别结果。
下述结合附图3，以本说明书提供的数据异常识别方法在交易数据业务中的应用为例，对所述数据异常识别方法进行进一步说明。其中，图3示出了本说明书一个实施例提供的一种应用于交易数据业务的数据异常识别方法的处理流程图，具体步骤包括步骤S302至步骤S322。
步骤S302，获取交易请求，所述交易请求携带买家以及卖家的用户标识。
步骤S304，根据用户标识，获取买家以及卖家在至少一个关系维度的关系数据。
可选的，所述至少一个关系维度包括：交易关系维度、社交关系维度以及第三扩散交易关系维度。
步骤S306，获取买家、卖家以及关系数据对应的关系用户群中关系用户的基础特征数据。
具体的，所述获取买家、卖家以及所述关系数据对应的关系用户群中关系用户的基础特征数据，具体采用如下方式实现：
根据交易关系维度的交易关系数据，分别确定与买家存在交易关系的交易卖家群，以及与卖家存在交易关系的交易买家群；
根据扩散交易关系维度的第三扩散交易关系数据，分别确定与交易卖家群中各个卖家存在交易关系的第三扩散交易买家群，以及与交易买家群中各个买家存在交易关系的第三扩散交易卖家群；
根据社交关系维度的社交关系数据，分别确定与买家存在社交关系的社交买家群，以及与卖家存在社交关系的社交卖家群；
获取买家以及卖家、交易卖家群中各个卖家、交易买家群中各个买家、第三扩散交易买家群中各个买家、所述第三扩散交易卖家群中各个卖家以及社交买家群中各个买家的基础特征数据。
步骤S308，在交易关系维度，基于基础特征数据中交易卖家群中各个卖家以及交易买家群中各个买家的社交关系数据，分别构建以交易卖家群中各个卖家为节点的卖家社交网络，以及交易买家群中各个买家的买家社交网络。
具体的，卖家社交网络中以卖家社交网络中卖家两两之间存在的社交关系作为卖家对应的两两节点之间的社交连边；买家社交网络中以买家社交网络中买家两两之间存在的社交关系作为买家对应的两两节点之间的社交连边。
步骤S310，统计卖家社交网络中两两节点之间存在的社交连边的数量，作为卖家连边数量，并统计买家社交网络中两两节点之间存在的社交连边的数量，作为买家连边数量。
步骤S312，根据卖家社交网络中节点的数量，计算卖家社交网络中两两节点之间存在的卖家连边总数，并根据买家社交网络中节点的数量，计算买家社交网络中两两节点之间存在的买家连边总数。
步骤S314，根据卖家连边数量以及卖家连边总数，计算卖家社交网络的卖家社交亲密度，并根据买家连边数量以及买家连边总数，计算买家社交网络的买家社交亲密度。
具体的，将卖家社交亲密度以及买家社交亲密度作为交易关系维度对应的第一关系特征。
步骤S316，在扩散交易关系维度，根据基础特征数据中与买家存在交易关系的交易卖家群中各个卖家对应的第三扩散交易买家群中各个买家历史交易特征数据以及用户特征数据进行汇总，获得与买家存在交易关系的交易卖家群中各个卖家的交易模式特征，并根据基础特征数据中与卖家存在交易关系的交易买家群中各个买家对应的第三扩散交易卖家群中各个卖家历史交易特征数据以及用户特征数据进行汇总，获得与卖家存在交易关系的交易买家群中各个买家的交易模式特征。
步骤S318，分别对买家的历史交易特征数据以及卖家的历史交易特征数据进行分析，获得买家的用户交易特征以及卖家的用户交易特征。
具体的，将与买家存在交易关系的交易卖家群中各个卖家的交易模式特征、与卖家存在交易关系的交易买家群中各个买家的交易模式特征、买家的用户交易特征以及卖家的用户交易特征作为所述扩散交易关系维度对应的第二关系特征。
步骤S320，在社交关系维度，将基础特征数据中买家以及卖家的社交用户的历史交易特征数据分别进行汇总，获得买家的关系交易特征以及卖家的关系交易特征。
具体的，将买家的关系交易特征以及卖家的关系交易特征作为社交关系维度对应的第三关系特征；并将所述第一关系特征、第二关系特征以及第三关系特征作为所述关系特征。
步骤S322，将买家以及卖家的基础特征数据，以及关系特征，输入异常识别模型对交易请求进行异常识别，获得输出的针对交易请求的异常识别结果。
综上所述，本说明书提供一种数据异常识别方法，在获取交易请求的基础上，根据交易请求携带买家以及卖家的用户标识，获取买家以及卖家在至少一个关系维度的关系数据；并进一步获取买家、卖家以及关系数据对应的关系用户群中关系用户的基础特征数据；在所述关系维度对获取的基础特征数据进行特征提取，获得关系维度对应的关系特征；并将买家的基础特征数据、卖家的基础特征数据以及所述关系特征，输入异常识别模型对交易请求进行异常识别，获得输出的针对交易请求的异常识别结果，实现了通过至少一个关系维度的关系数据对分别对买家以及卖家进行关系扩展，进而在扩展的基础上，获取买家、卖家以及关系用户的基础特征数据，增加了基础特征数据的数据量，并进一步增加了在至少一个关系维度下针对基础特征数据提取的关系特征，从而提高了对数据请求进行异常识别的准确性。
本说明书提供的一种数据异常识别装置实施例如下：
与上述方法实施例相对应，本说明书还提供了数据异常识别装置实施例，图4示出了本说明书一个实施例提供的一种数据异常识别装置的示意图。如图4所示，该装置包括：
获取请求模块402，被配置为获取数据请求，所述数据请求携带用户的用户标识；
获取关系数据模块404，被配置为根据所述用户标识，获取所述用户在至少一个关系维度的关系数据；
获取特征数据模块406，被配置为获取所述用户以及所述关系数据对应的关系用户群中关系用户的基础特征数据；
特征提取模块408，被配置为在所述关系维度对所述基础特征数据进行特征提取，获得所述关系维度对应的关系特征；
异常识别模块410，被配置为将所述用户的基础特征数据以及所述关系特征，输入异常识别模型对所述数据请求进行异常识别，获得输出的针对所述数据请求的异常识别结果。
可选的，所述至少一个关系维度，包括下述至少一项：交易关系维度、社交关系维度、扩散交易关系维度。
可选的，所述获取特征数据模块406，包括：
第一确定用户群子模块，被配置为根据所述交易关系维度的交易关系数据，确定与所述用户存在交易关系的交易用户群；
第一获取数据子模块，被配置为获取所述用户以及所述交易用户群中交易用户的基础特征数据。
可选的，所述特征提取模块408，包括：
第一构建网络子模块，被配置为在所述交易关系维度，基于所述基础特征数据中所述交易用户的社交关系数据，构建以所述交易用户为节点的第一社交网络；所述交易用户两两之间存在的社交关系作为所述交易用户对应的两两节点之间的第一社交连边；
第一统计连边数量子模块，被配置为统计所述第一社交网络中两两节点之间存在的第一社交连边的数量，作为第一连边数量；
第一计算连边总数子模块，被配置为根据所述第一社交网络中节点的数量，计算所述第一社交网络中两两节点之间存在的第一连边总数；
第一计算社交亲密度子模块，被配置为根据所述第一连边数量以及所述第一连边总数，计算所述第一社交网络的第一社交亲密度，将所述第一社交亲密度作为所述交易关系维度对应的所述关系特征。
可选的，所述获取特征数据模块406，包括：
第二确定用户群子模块，被配置为根据所述社交关系维度的社交关系数据，确定与所述用户存在社交关系的社交用户群；
第二获取数据子模块，被配置为获取所述用户以及所述社交用户群中社交用户的基础特征数据。
可选的，所述特征提取模块408，还被配置为：
在所述社交关系维度，将所述基础特征数据中所述用户以及所述社交用户的历史交易特征数据进行汇总，获得所述用户的关系交易特征，将所述关系交易特征作为所述社交关系维度对应的所述关系特征。
可选的，所述获取特征数据模块406，包括：
第三确定用户群子模块，被配置为根据所述扩散交易关系维度的交易关系数据，确定与所述用户存在交易关系的所述交易用户群；
第四确定用户群子模块，被配置为根据所述扩散交易关系维度的第一扩散交易关系数据，确定与所述交易用户群中交易用户存在交易关系的第一扩散交易用户群；
第三获取数据子模块，被配置为获取所述用户、所述交易用户以及所述第一扩散交易群中第一扩散交易用户的基础特征数据。
可选的，所述特征提取模块408，包括：
第一汇总子模块，被配置为在所述扩散交易关系维度，根据所述基础特征数据中各个交易用户对应的第一扩散交易用户群中第一扩散交易用户的历史交易特征数据以及用户特征数据进行汇总，获得所述各个交易用户的交易模式特征；
第一数据分析子模块，被配置为对所述用户的历史交易特征数据进行分析，获得所述用户的用户交易特征；将所述交易模式特征以及所述用户交易特征，作为所述扩散交易关系维度对应的所述关系特征。
可选的，所述获取特征数据模块406，包括：
第五确定用户群子模块，被配置为根据所述扩散交易关系维度的社交关系数据，确定与所述用户存在社交关系的社交用户群；
第六确定用户群子模块，被配置为根据所述扩散交易关系维度的第二扩散交易关系数据，确定与所述社交用户群中社交用户存在交易关系的第二扩散交易用户群；
第四获取数据子模块，被配置为获取所述用户、所述社交用户以及所述第二扩散交易群中第二扩散交易用户的基础特征数据。
可选的，所述特征提取模块408，包括：
第二汇总子模块，被配置为在所述社交关系维度，将所述基础特征数据中所述用户以及所述社交用户的历史交易特征数据进行汇总，获得所述用户在社交关系维度对应的关系交易特征；
第二构建网络子模块，被配置为在所述扩散交易关系维度，基于所述基础特征数据中所述第二扩散交易用户的社交关系数据，构建以所述第二扩散交易用户为节点的第二社交网络；所述第二扩散交易用户两两之间存在的社交关系作为所述第二扩散交易用户对应的两两节点之间的第二社交连边；
第二统计连边数量子模块，被配置为统计所述第二社交网络中两两节点之间存在的第二社交连边的数量，作为第二连边数量；
第二计算连边总数子模块，被配置为根据所述第二社交网络中节点的数量，计算所述第二社交网络中两两节点之间存在的第二连边总数；
第二计算社交亲密度子模块，被配置为根据所述第二连边数量以及所述第二连边总数，计算所述第二社交网络在扩散交易维度对应的第二社交亲密度；将所述关系交易特征以及所述第二社交亲密度作为所述关系特征。
可选的，所述获取特征数据模块406，包括：
第七确定用户群子模块，被配置为根据所述交易关系维度的交易关系数据，确定与所述用户存在交易关系的交易用户群；
第八确定用户群子模块，被配置为根据所述扩散交易关系维度的第三扩散交易关系数据，确定与所述交易用户群中交易用户存在交易关系的第三扩散交易用户群；
第八确定用户群子模块，被配置为根据所述社交关系维度的社交关系数据，确定与所述用户存在社交关系的社交用户群；
第五获取数据子模块，被配置为获取所述用户、所述交易用户、所述第三扩散交易用户群中第三扩散交易用户以及所述社交用户群中社交用户的基础特征数据。
可选的，所述特征提取模块408，包括：
第三构建网络子模块，被配置为在所述交易关系维度，基于所述基础特征数据中所述交易用户的社交关系数据，构建以所述交易用户为节点的第一社交网络；所述交易用户两两之间存在的社交关系作为所述交易用户对应的两两节点之间的第一社交连边；
第三统计连边数量子模块，被配置为统计所述第一社交网络中两两节点之间存在的第一社交连边的数量，作为第一连边数量；
第三计算连边总数子模块，被配置为根据所述第一社交网络中节点的数量，计算所述第一社交网络中两两节点之间存在的第一连边总数；
第三计算社交亲密度子模块，被配置为根据所述第一连边数量以及所述第一连边总数，计算所述第一社交网络的第一社交亲密度；将所述第一社交亲密度作为所述交易关系维度对应的第一关系特征；
第三汇总子模块，被配置为在所述扩散交易关系维度，根据基础特征数据中各个交易用户对应的第三扩散交易用户群中第三扩散交易用户的历史交易特征数据以及用户特征数据进行汇总，获得所述各个交易用户的交易模式特征；
第二数据分析子模块，被配置为对所述用户的历史交易特征数据进行分析，获得所述用户的用户交易特征；将所述交易模式特征以及所述用户交易特征作为所述扩散交易关系维度对应的第二关系特征；
第四汇总子模块，被配置为在所述社交关系维度，将所述基础特征数据中所述用户以及所述社交用户的历史交易特征数据进行汇总，获得所述用户的关系交易特征；将所述关系交易特征作为所述社交关系维度对应的第三关系特征；将所述第一关系特征、第二关系特征以及第三关系特征作为所述关系特征。
上述为本实施例的一种数据异常识别装置的示意性方案。需要说明的是，该数据异常识别装置的技术方案与上述的数据异常识别方法的技术方案属于同一构思，数据异常识别装置的技术方案未详细描述的细节内容，均可以参见上述数据异常识别方法的技术方案的描述。
本说明书提供的一种计算设备实施例如下：
图5示出了根据本说明书一个实施例提供的一种计算设备500的结构框图。该计算设备500的部件包括但不限于存储器510和处理器520。处理器520与存储器510通过总线530相连接，数据库550用于保存数据。
计算设备500还包括接入设备540，接入设备540使得计算设备500能够经由一个或多个网络560通信。这些网络的示例包括公用交换电话网(PSTN)、局域网(LAN)、广域网(WAN)、个域网(PAN)或诸如因特网的通信网络的组合。接入设备540可以包括有线或无线的任何类型的网络接口(例如，网络接口卡(NIC))中的一个或多个，诸如IEEE802.11无线局域网(WLAN)无线接口、全球微波互联接入(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC)接口，等等。
在本说明书的一个实施例中，计算设备500的上述部件以及图5中未示出的其他部件也可以彼此相连接，例如通过总线。应当理解，图5所示的计算设备结构框图仅仅是出于示例的目的，而不是对本说明书范围的限制。本领域技术人员可以根据需要，增添或替换其他部件。
计算设备500可以是任何类型的静止或移动计算设备，包括移动计算机或移动计算设备(例如，平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如，智能手机)、可佩戴的计算设备(例如，智能手表、智能眼镜等)或其他类型的移动设备，或者诸如台式计算机或PC的静止计算设备。计算设备500还可以是移动式或静止式的服务器。
本说明书提供一种计算设备，包括存储器510、处理器520及存储在存储器上并可在处理器上运行的计算机指令，所述处理器520用于执行如下计算机可执行指令：
获取数据请求，所述数据请求携带用户的用户标识；
根据所述用户标识，获取所述用户在至少一个关系维度的关系数据；
获取所述用户以及所述关系数据对应的关系用户群中关系用户的基础特征数据；
在所述关系维度对所述基础特征数据进行特征提取，获得所述关系维度对应的关系特征；
将所述用户的基础特征数据以及所述关系特征，输入异常识别模型对所述数据请求进行异常识别，获得输出的针对所述数据请求的异常识别结果。
上述为本实施例的一种计算设备的示意性方案。需要说明的是，该计算设备的技术方案与上述的数据异常识别方法的技术方案属于同一构思，计算设备的技术方案未详细描述的细节内容，均可以参见上述数据异常识别方法的技术方案的描述。
本说明书提供的一种计算机可读存储介质实施例如下：
本说明书提供一种计算机可读存储介质，其存储有计算机指令，该指令被处理器执行时以用于：
获取数据请求；所述数据请求携带用户的用户标识；
根据所述用户标识，获取所述用户在至少一个关系维度的关系数据；
获取所述用户以及所述关系数据对应的关系用户群中关系用户的基础特征数据；
在所述关系维度对所述基础特征数据进行特征提取，获得所述关系维度对应的关系特征；
将所述用户的基础特征数据以及所述关系特征，输入异常识别模型对所述数据请求进行异常识别，获得输出的针对所述数据请求的异常识别结果。
上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是，该存储介质的技术方案与上述的数据异常识别方法的技术方案属于同一构思，存储介质的技术方案未详细描述的细节内容，均可以参见上述数据异常识别方法的技术方案的描述。
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。
所述计算机指令包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本说明书实施例并不受所描述的动作顺序的限制，因为依据本说明书实施例，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本说明书实施例所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书实施例的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本说明书实施例的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。

Claims (15)

1.一种数据异常识别方法，包括：
获取数据请求，所述数据请求携带用户的用户标识；
根据所述用户标识，获取所述用户在至少一个关系维度的关系数据；
获取所述用户以及所述关系数据对应的关系用户群中关系用户的基础特征数据；
在所述关系维度对所述基础特征数据进行特征提取，获得所述关系维度对应的关系特征；
将所述用户的基础特征数据以及所述关系特征，输入异常识别模型对所述数据请求进行异常识别，获得输出的针对所述数据请求的异常识别结果。
2.根据权利要求1所述的数据异常识别方法，所述至少一个关系维度，包括下述至少一项：交易关系维度、社交关系维度、扩散交易关系维度。
3.根据权利要求2所述的数据异常识别方法，所述获取所述用户以及所述关系数据对应的关系用户群中关系用户的基础特征数据，包括：
根据所述交易关系维度的交易关系数据，确定与所述用户存在交易关系的交易用户群；
获取所述用户以及所述交易用户群中交易用户的基础特征数据。
4.根据权利要求3所述的数据异常识别方法，所述在所述关系维度对所述基础特征数据进行特征提取，获得所述关系维度对应的关系特征，包括：
在所述交易关系维度，基于所述基础特征数据中所述交易用户的社交关系数据，构建以所述交易用户为节点的第一社交网络；所述交易用户两两之间存在的社交关系作为所述交易用户对应的两两节点之间的第一社交连边；
统计所述第一社交网络中两两节点之间存在的第一社交连边的数量，作为第一连边数量；
根据所述第一社交网络中节点的数量，计算所述第一社交网络中两两节点之间存在的第一连边总数；
根据所述第一连边数量以及所述第一连边总数，计算所述第一社交网络的第一社交亲密度，将所述第一社交亲密度作为所述交易关系维度对应的所述关系特征。
5.根据权利要求2所述的数据异常识别方法，所述获取所述用户以及所述关系数据对应的关系用户群中关系用户的基础特征数据，包括：
根据所述社交关系维度的社交关系数据，确定与所述用户存在社交关系的社交用户群；
获取所述用户以及所述社交用户群中社交用户的基础特征数据。
6.根据权利要求5所述的数据异常识别方法，所述在所述关系维度对所述基础特征数据进行特征提取，获得所述关系维度对应的关系特征，包括：
在所述社交关系维度，将所述基础特征数据中所述用户以及所述社交用户的历史交易特征数据进行汇总，获得所述用户的关系交易特征，将所述关系交易特征作为所述社交关系维度对应的所述关系特征。
7.根据权利要求2所述的数据异常识别方法，所述获取所述用户以及所述关系数据对应的关系用户群中关系用户的基础特征数据，包括：
根据所述扩散交易关系维度的交易关系数据，确定与所述用户存在交易关系的所述交易用户群；
根据所述扩散交易关系维度的第一扩散交易关系数据，确定与所述交易用户群中交易用户存在交易关系的第一扩散交易用户群；
获取所述用户、所述交易用户以及所述第一扩散交易群中第一扩散交易用户的基础特征数据。
8.根据权利要求7所述的数据异常识别方法，所述在所述关系维度对所述基础特征数据进行特征提取，获得所述关系维度对应的关系特征，包括：
在所述扩散交易关系维度，根据所述基础特征数据中各个交易用户对应的第一扩散交易用户群中第一扩散交易用户的历史交易特征数据以及用户特征数据进行汇总，获得所述各个交易用户的交易模式特征；
对所述用户的历史交易特征数据进行分析，获得所述用户的用户交易特征；
将所述交易模式特征以及所述用户交易特征，作为所述扩散交易关系维度对应的所述关系特征。
9.根据权利要求2所述的数据异常识别方法，所述获取所述用户以及所述关系数据对应的关系用户群中关系用户的基础特征数据，包括：
根据所述扩散交易关系维度的社交关系数据，确定与所述用户存在社交关系的社交用户群；
根据所述扩散交易关系维度的第二扩散交易关系数据，确定与所述社交用户群中社交用户存在交易关系的第二扩散交易用户群；
获取所述用户、所述社交用户以及所述第二扩散交易群中第二扩散交易用户的基础特征数据。
10.根据权利要求9所述的数据异常识别方法，所述在所述关系维度对所述基础特征数据进行特征提取，获得所述关系维度对应的关系特征，包括：
在所述社交关系维度，将所述基础特征数据中所述用户以及所述社交用户的历史交易特征数据进行汇总，获得所述用户在社交关系维度对应的关系交易特征；
在所述扩散交易关系维度，基于所述基础特征数据中所述第二扩散交易用户的社交关系数据，构建以所述第二扩散交易用户为节点的第二社交网络；所述第二扩散交易用户两两之间存在的社交关系作为所述第二扩散交易用户对应的两两节点之间的第二社交连边；
统计所述第二社交网络中两两节点之间存在的第二社交连边的数量，作为第二连边数量；
根据所述第二社交网络中节点的数量，计算所述第二社交网络中两两节点之间存在的第二连边总数；
根据所述第二连边数量以及所述第二连边总数，计算所述第二社交网络在扩散交易维度对应的第二社交亲密度；
将所述关系交易特征以及所述第二社交亲密度作为所述关系特征。
11.根据权利要求2所述的数据异常识别方法，所述获取所述用户以及所述关系数据对应的关系用户群中关系用户的基础特征数据，包括：
根据所述交易关系维度的交易关系数据，确定与所述用户存在交易关系的交易用户群；
根据所述扩散交易关系维度的第三扩散交易关系数据，确定与所述交易用户群中交易用户存在交易关系的第三扩散交易用户群；
根据所述社交关系维度的社交关系数据，确定与所述用户存在社交关系的社交用户群；
获取所述用户、所述交易用户、所述第三扩散交易用户群中第三扩散交易用户以及所述社交用户群中社交用户的基础特征数据。
12.根据权利要求11所述的数据异常识别方法，所述在所述关系维度对所述基础特征数据进行特征提取，获得所述关系维度对应的关系特征，包括：
在所述交易关系维度，基于所述基础特征数据中所述交易用户的社交关系数据，构建以所述交易用户为节点的第一社交网络；所述交易用户两两之间存在的社交关系作为所述交易用户对应的两两节点之间的第一社交连边；
统计所述第一社交网络中两两节点之间存在的第一社交连边的数量，作为第一连边数量；
根据所述第一社交网络中节点的数量，计算所述第一社交网络中两两节点之间存在的第一连边总数；
根据所述第一连边数量以及所述第一连边总数，计算所述第一社交网络的第一社交亲密度；
将所述第一社交亲密度作为所述交易关系维度对应的第一关系特征；
在所述扩散交易关系维度，根据基础特征数据中各个交易用户对应的第三扩散交易用户群中第三扩散交易用户的历史交易特征数据以及用户特征数据进行汇总，获得所述各个交易用户的交易模式特征；
对所述用户的历史交易特征数据进行分析，获得所述用户的用户交易特征；
将所述交易模式特征以及所述用户交易特征作为所述扩散交易关系维度对应的第二关系特征；
在所述社交关系维度，将所述基础特征数据中所述用户以及所述社交用户的历史交易特征数据进行汇总，获得所述用户的关系交易特征；
将所述关系交易特征作为所述社交关系维度对应的第三关系特征；
将所述第一关系特征、第二关系特征以及第三关系特征作为所述关系特征。
13.一种数据异常识别装置，包括：
获取请求模块，被配置为获取数据请求，所述数据请求携带用户的用户标识；
获取关系数据模块，被配置为根据所述用户标识，获取所述用户在至少一个关系维度的关系数据；
获取特征数据模块，被配置为获取所述用户以及所述关系数据对应的关系用户群中关系用户的基础特征数据；
特征提取模块，被配置为在所述关系维度对所述基础特征数据进行特征提取，获得所述关系维度对应的关系特征；
异常识别模块，被配置为将所述用户的基础特征数据以及所述关系特征，输入异常识别模型对所述数据请求进行异常识别，获得输出的针对所述数据请求的异常识别结果。
14.一种计算设备，包括：
存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令：
获取数据请求，所述数据请求携带用户的用户标识；
根据所述用户标识，获取所述用户在至少一个关系维度的关系数据；
获取所述用户以及所述关系数据对应的关系用户群中关系用户的基础特征数据；
在所述关系维度对所述基础特征数据进行特征提取，获得所述关系维度对应的关系特征；
将所述用户的基础特征数据以及所述关系特征，输入异常识别模型对所述数据请求进行异常识别，获得输出的针对所述数据请求的异常识别结果。
15.一种计算机可读存储介质，其存储有计算机指令，该指令被处理器执行时实现权利要求1至12任意一项所述数据异常识别方法的步骤。
CN202010306783.1A 2020-04-17 2020-04-17 数据异常识别方法以及装置 Active CN111401478B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010306783.1A CN111401478B (zh) 2020-04-17 2020-04-17 数据异常识别方法以及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010306783.1A CN111401478B (zh) 2020-04-17 2020-04-17 数据异常识别方法以及装置

Publications (2)

Publication Number Publication Date
CN111401478A true CN111401478A (zh) 2020-07-10
CN111401478B CN111401478B (zh) 2022-10-04

Family

ID=71433281

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010306783.1A Active CN111401478B (zh) 2020-04-17 2020-04-17 数据异常识别方法以及装置

Country Status (1)

Country Link
CN (1) CN111401478B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112861967A (zh) * 2021-02-07 2021-05-28 中国电子科技集团公司电子科学研究院 基于异构图神经网络的社交网络异常用户检测方法及设备
CN113723524A (zh) * 2021-08-31 2021-11-30 平安国际智慧城市科技股份有限公司 基于预测模型的数据处理方法、相关设备及介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106803168A (zh) * 2016-12-30 2017-06-06 中国银联股份有限公司 一种异常转账侦测方法和装置
US20170286811A1 (en) * 2016-03-30 2017-10-05 Spawar Systems Center Pacific Spatiotemporal Method for Anomaly Detection in Dictionary Learning and Sparse Signal Recognition
CN107590504A (zh) * 2017-07-31 2018-01-16 阿里巴巴集团控股有限公司 异常主体识别方法和装置、服务器
CN109120629A (zh) * 2018-08-31 2019-01-01 新华三信息安全技术有限公司 一种异常用户识别方法及装置
CN109146638A (zh) * 2018-08-29 2019-01-04 阿里巴巴集团控股有限公司 异常金融交易群体的识别方法及装置
CN109905411A (zh) * 2019-04-25 2019-06-18 北京腾云天下科技有限公司 一种异常用户识别方法、装置和计算设备
CN110689084A (zh) * 2019-09-30 2020-01-14 北京明略软件系统有限公司 一种异常用户识别方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170286811A1 (en) * 2016-03-30 2017-10-05 Spawar Systems Center Pacific Spatiotemporal Method for Anomaly Detection in Dictionary Learning and Sparse Signal Recognition
CN106803168A (zh) * 2016-12-30 2017-06-06 中国银联股份有限公司 一种异常转账侦测方法和装置
CN107590504A (zh) * 2017-07-31 2018-01-16 阿里巴巴集团控股有限公司 异常主体识别方法和装置、服务器
CN109146638A (zh) * 2018-08-29 2019-01-04 阿里巴巴集团控股有限公司 异常金融交易群体的识别方法及装置
CN109120629A (zh) * 2018-08-31 2019-01-01 新华三信息安全技术有限公司 一种异常用户识别方法及装置
CN109905411A (zh) * 2019-04-25 2019-06-18 北京腾云天下科技有限公司 一种异常用户识别方法、装置和计算设备
CN110689084A (zh) * 2019-09-30 2020-01-14 北京明略软件系统有限公司 一种异常用户识别方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112861967A (zh) * 2021-02-07 2021-05-28 中国电子科技集团公司电子科学研究院 基于异构图神经网络的社交网络异常用户检测方法及设备
CN113723524A (zh) * 2021-08-31 2021-11-30 平安国际智慧城市科技股份有限公司 基于预测模型的数据处理方法、相关设备及介质
CN113723524B (zh) * 2021-08-31 2024-05-17 深圳平安智慧医健科技有限公司 基于预测模型的数据处理方法、相关设备及介质

Also Published As

Publication number Publication date
CN111401478B (zh) 2022-10-04

Similar Documents

Publication Publication Date Title
CN110046929B (zh) 一种欺诈团伙识别方法、装置、可读存储介质及终端设备
CN107122369B (zh) 一种业务数据处理方法、装置和系统
CN111046237B (zh) 用户行为数据处理方法、装置、电子设备及可读介质
CN110032583B (zh) 一种欺诈团伙识别方法、装置、可读存储介质及终端设备
CN107918618B (zh) 数据处理方法及装置
CN104077723B (zh) 一种社交网络推荐系统及方法
CN107808346B (zh) 一种潜在目标对象的评估方法及评估装置
CN107808314B (zh) 用户推荐方法及装置
CN111401478B (zh) 数据异常识别方法以及装置
CN111368147A (zh) 图特征处理的方法及装置
CN111090780A (zh) 可疑交易信息的确定方法及装置、存储介质、电子设备
CN111460315B (zh) 社群画像构建方法、装置、设备及存储介质
CN111626767A (zh) 资源数据的发放方法、装置及设备
CN111652661A (zh) 一种手机客户端用户流失预警处理方法
CN111353103A (zh) 用于确定用户社群信息的方法和装置
Jiang et al. Camera fingerprint: A new perspective for identifying user's identity
CN113836360A (zh) 数据检测方法及装置
CN116467525A (zh) 业务产品的推荐方法、装置、设备和存储介质
CN113327154B (zh) 基于大数据的电商用户讯息推送方法及系统
CN110992109B (zh) 基于关联规则的房地产客户分析方法、装置及存储介质
CN110427558B (zh) 资源处理事件的推送方法及装置
CN112907308B (zh) 数据检测方法和装置、计算机可读存储介质
CN114706899A (zh) 快递数据的敏感度计算方法、装置、存储介质及设备
CN108154177B (zh) 业务识别方法、装置、终端设备及存储介质
CN111552846A (zh) 识别可疑关系的方法以及装置

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
GR01 Patent grant
GR01 Patent grant