CN111476668A - 可信关系的识别方法、装置、存储介质和计算机设备 - Google Patents
可信关系的识别方法、装置、存储介质和计算机设备 Download PDFInfo
- Publication number
- CN111476668A CN111476668A CN202010585710.0A CN202010585710A CN111476668A CN 111476668 A CN111476668 A CN 111476668A CN 202010585710 A CN202010585710 A CN 202010585710A CN 111476668 A CN111476668 A CN 111476668A
- Authority
- CN
- China
- Prior art keywords
- vector
- node
- behavior data
- subject
- node embedding
- 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
Links
Images
Classifications
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (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了一种可信关系的识别方法、装置、存储介质和计算机设备。该方法包括:获取用户的行为数据,行为数据包括目标主体的主体特征和多个对象主体的主体特征;根据目标主体的主体特征和多个对象主体的主体特征,利用预先训练的图神经网络模型,生成目标主体对应的第一节点嵌入向量和多个对象主体对应的第二节点嵌入向量;根据第一节点嵌入向量和各个第二节点嵌入向量,生成目标主体与各个对象主体之间的向量距离;判断多个向量距离是否均大于或等于设定阈值;若判断出多个向量距离中至少一个向量距离小于设定阈值,将小于设定阈值的向量距离对应的第一节点嵌入向量和第二节点嵌入向量,确定为可信关系对。
Description
技术领域
本说明书实施例涉及互联网技术领域,特别涉及一种可信关系的识别方法、装置、存储介质和计算机设备。
背景技术
风控场景是一种和黑产对抗的场景。当用户进行操作或者交易时,需查找出操作或者交易过程中的主体,并对主体之间的可信关系信息进行判定。相关技术中,可基于双主体的可信模型进行主体之间可信关系的判定。
发明内容
有鉴于此,本说明书实施例提供了一种可信关系的识别方法、装置、存储介质和计算机设备,用于实现对可信关系的量化。
一方面,本说明书实施例提供了一种 可信关系的识别方法,包括:
获取用户的行为数据,所述行为数据包括目标主体的主体特征和多个对象主体的主体特征;
根据所述目标主体的主体特征和多个对象主体的主体特征,利用预先训练的图神经网络模型,生成所述目标主体对应的第一节点嵌入向量和多个所述对象主体对应的第二节点嵌入向量;
根据所述第一节点嵌入向量和各个所述第二节点嵌入向量,生成所述目标主体与各个所述对象主体之间的向量距离;
判断多个所述向量距离是否均大于或等于设定阈值;
若判断出多个所述向量距离中至少一个向量距离小于所述设定阈值,将小于设定阈值的向量距离对应的第一节点嵌入向量和第二节点嵌入向量,确定为可信关系对。
可选地,所述方法还包括:
存储所述第一节点嵌入向量和所述第二节点嵌入向量。
其中,还包括:
若判断出多个所述向量距离中至少一个向量距离小于所述设定阈值,确定出所述行为数据可信。
可选地,所述方法还包括:
若判断出多个所述向量距离均大于或等于所述设定阈值,确定出所述行为数据不可信。
可选地,所述目标主体包括账户,所述对象主体包括手机号码、银行卡号、身份证号、手机设备标识、机器设备标识、收货地址、社交账号或WIFI账号。
可选地,所述图神经网络模型的训练方法包括:
根据获取的用户的历史行为数据,确定出建立的网络关系图中节点的节点特征和连接边的边特征;
根据所述节点的节点特征确定出各个节点的初级节点嵌入向量;
根据所述网络关系图、各个节点的初级节点嵌入向量,执行多级向量聚合,生成各个节点的多级节点嵌入向量;
根据所述节点对应的主体的类型,将目标主体对应的节点的多级节点嵌入向量进行分类生成目标主体对应的第一节点嵌入向量,将对象主体对应的节点的多级节点嵌入向量进行分类生成对象主体对应的第二节点嵌入向量;
将设定历史时间段中未出现报案的同一历史行为数据中包括的目标主体和对象主体确定为一组正样本并为所述正样本设置标签值,将设定历史时间段中出现报案的同一历史行为数据中包括的目标主体和对象主体确定为一组负样本并为所述负样本设置标签值;
根据各组中的目标主体对应的第一节点嵌入向量和对象主体对应的第二节点嵌入向量,生成该组中目标主体和对象主体之间的向量距离;
在损失函数的函数值减小的方向,调整图神经网络模型的参数,直至达到收敛条件,其中,所述损失函数通过各组中目标主体和对象主体之间的向量距离和各组的标签值确定。
可选地,所述根据所述网络关系图、各个节点的初级节点嵌入向量,执行多级向量聚合,生成各个节点的多级节点嵌入向量,包括:
根据各个节点的邻居节点的上一级节点嵌入向量、该节点连接的连接边的边特征向量和参数集中的参数,生成各个节点的本级节点嵌入向量。
可选地,所述方法还包括:
获取用户的多个样本行为数据,所述样本行为数据包括目标主体的主体特征和多个对象主体的主体特征,将设定历史时间段中未出现报案的同一样本行为数据中包括的目标主体和对象主体确定为一组正样本并为所述正样本设置标签值,将设定历史时间段中出现报案的同一样本行为数据中包括的目标主体和对象主体确定为一组负样本并为所述负样本设置标签值;
根据所述样本行为数据中的目标主体的主体特征和多个对象主体的主体特征,利用所述图神经网络模型,生成所述样本行为数据中的目标主体对应的第一节点嵌入向量和多个对象主体对应的第二节点嵌入向量;
根据所述样本行为数据中的目标主体对应的第一节点嵌入向量和多个对象主体对应的第二节点嵌入向量,生成所述样本行为数据中的目标主体与各个对象主体之间的向量距离;
确定出多个备选阈值;
根据向量距离小于各个备选阈值的所述样本行为数据的数量和多个所述样本行为数据的数量,生成各个备选阈值对应的可信比例;
将向量距离大于各个备选阈值的样本行为数据判定为正数据并将向量距离小于或等于各个备选阈值的样本行为数据判定为负数据,根据所述样本行为数据的判定结果和所述样本行为数据对应的标签值,确定出各个备选阈值对应的误判率;
根据各个备选阈值对应的可信比例和误判率,从各个备选阈值中确定出所述设定阈值。
另一方面,本说明书实施例提供了一种可信关系的识别装置,包括:
获取模块,用于获取用户的行为数据,所述行为数据包括目标主体的主体特征和多个对象主体的主体特征;
向量生成模块,用于根据所述目标主体的主体特征和多个对象主体的主体特征,利用预先训练的图神经网络模型,生成所述目标主体对应的第一节点嵌入向量和多个所述对象主体对应的第二节点嵌入向量;
距离生成模块,用于根据所述第一节点嵌入向量和各个所述第二节点嵌入向量,生成所述目标主体与各个所述对象主体之间的向量距离;
判断模块,用于判断多个所述向量距离是否均大于或等于设定阈值;
确定模块,用于若所述判断模块判断出多个所述向量距离中至少一个向量距离小于所述设定阈值,将小于设定阈值的向量距离对应的第一节点嵌入向量和第二节点嵌入向量,确定为可信关系对。
可选地,所述装置还包括:
存储模块,用于存储所述第一节点嵌入向量和所述第二节点嵌入向量。
可选地,所述确定模块还用于若所述判断模块判断出多个所述向量距离中至少一个向量距离小于所述设定阈值,确定出所述行为数据可信。
可选地,所述确定模块还用于若所述判断模块判断出多个所述向量距离均大于或等于所述设定阈值,确定出所述行为数据不可信。
另一方面,本说明书实施例提供了一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行上述可信关系的识别方法的步骤。
另一方面,本说明书实施例提供了一种计算机设备,包括存储器和处理器,所述存储器用于存储包括程序指令的信息,所述处理器用于控制程序指令的执行,所述程序指令被处理器加载并执行时实现上述可信关系的识别方法的步骤。
本说明书实施例的方案中,根据用户的行为数据中目标主体的主体特征和多个对象主体的主体特征,利用预先训练的图神经网络模型生成目标主体对应的第一节点嵌入向量和多个对象主体对应的第二节点嵌入向量,根据第一节点嵌入向量和各个第二节点嵌入向量生成目标主体与各个对象主体之间的向量距离,将小于设定阈值的向量距离对应的第一节点嵌入向量和第二节点嵌入向量确定为可信关系对,通过向量距离和设定阈值可识别出可信关系对,通过向量距离可确定出可信关系的程度,从而实现了对可信关系的量化。
附图说明
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例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说明书的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本说明书实施例中关系网络图的示意图;
图2为本说明书实施例中图神经网络模型的应用示意图;
图3为本说明书实施例中图神经网络模型的训练方法的示意图;
图4为本说明书实施例中图神经网络模型的训练方法的流程图;
图5为本说明书一实施例提供的一种可信关系的识别方法的流程图;
图6为本说明书一实施例提供的一种可信关系的识别装置的结构示意图;
图7是本说明书一实施例提供的一种计算机设备的示意图。
具体实施方式
为了更好的理解本说明书的技术方案,下面结合附图对本说明书实施例进行详细描述。
应当明确,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它实施例,都属于本说明书保护的范围。
在本说明书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。在本说明书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。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,甲和/或乙,可以表示:单独存在甲,同时存在甲和乙,单独存在乙这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
相关技术中,风控场景是一种和黑产对抗的场景,常规的风控方案是将所有交易流量视为可疑流量,然后对可疑流量进行扫描,若无风险则对该交易放行。然而这不可避免会对一部分用户交易的风险产生误判,进而干扰到用户的正常交易。尤其是在交易量不断扩大的情况下,这种对交易风险的误判更加明显。例如:某一年对交易风控的资损基点可以控制在万分之0.55以内,对交易风险的控制能力已经较强;但是,相应地,对交易的打扰率却相对较高,为2.8%,即每100笔交易就有3笔交易会被打扰到。综上所述,相关技术风控方案中,虽然能够将风险控制在较低水平,但是对用户的打扰率过高。
相关技术中,为降低对用户的打扰,提出了一种基于双主体的可信模型进行可信关系判定的方案。假定绝大部分用户(例如大于>90%的用户)的操作或交易都是安全的。查找出用户在操作或交易过程中的关键因子,该关键因子包括主体,并通过双因子认证的方式(即两主体间的强依赖关系)保障操作或交易的安全性。基于用户在双主体上的历史消费频次、消费金额、实名消费等变量,建立两主体间的可信模型,例如:用户在某个设备上从1年前开始消费,累计消费了100次,且在该设备上的消费金额高达5000元人民币,1年来用户的消费过程均无报案案件,那么用户后续再通过该台设备进行支付则风险极低,这台设备对于这个用户来说就是可信的,即双主体(用户的账户和设备的MAC地址)之间建立了可信关系;又例如:一个实名认证的用户,使用认证姓名实名购买机票,成功购买10次以上的,该用户的账户对于认证的身份证而言就是可信的,即双主体(用户的账户和用户的身份证)之间建立了可信关系。基于可信模型生成可信名单数据,由于线上技术查询对于热点数据会导致查询超时,因此生成可信名单数据时需要主动限制一个主体只能和不超过300个对象构成可信关系。
因此,相关技术的方案存在如下技术问题:无法适配一个目标主体对应300个以上对象主体的方案,扩展性较差;虽然可判定出目标主体和对象主体之间的可信关系,但是无法量化可信关系的程度;对于每个可信关系对,需要存储可信关系对中主体之间的可信关系,例如:存储账户与设备的MAC地址之间的可信关系,假如账户的数量为1亿,每个账户对应的设备的数量为100个,将账户的数量和设备的数量相乘,则需存储的可信关系的数量约为100亿,导致存储的数据量大,从而降低了存储效率。
本说明书实施例中,可信关系的识别方法可应用于多种场景,例如:交易场景或者操作场景。本说明书实施例中,获取用户的行为数据,所述行为数据包括目标主体的主体特征和多个对象主体的主体特征;利用预先训练的图神经网络(Graph Neural Network,简称GNN)模型,生成所述目标主体对应的第一节点嵌入向量和多个所述对象主体对应的第二节点嵌入向量;根据所述第一节点嵌入向量和各个所述第二节点嵌入向量,生成所述目标主体与各个所述对象主体之间的向量距离;基于多个所述向量距离判断出行为数据是否可信以及确定出可信关系对。本说明书实施例的方案可适用于目标主体适配于大量的对象主体的情况,例如,与相关技术相比,本说明书实施例的一个目标主体可适配于超过300个对象主体的情况,且适配的对象主体的数量上不设限,从而提高了方案应用的扩展性;通过向量距离可确定出可信关系的程度,从而实现了对可信关系的量化;可直接存储第一节点嵌入向量和第二节点嵌入向量,存储的数据数量仅为第一节点嵌入向量和第二节点嵌入向量的数量之和,无需存储可信关系,降低了存储的数据量,从而提高了存储效率。
为实现对可信关系的识别过程,本说明书实施例中,可预先建立关系网络图。图1为本说明书实施例中关系网络图的示意图,如图1所示,该关系网络图包括多个主体对应的节点以及节点间连接的连接边。主体可包括账户、手机号码、银行卡号、手机设备标识、机器设备标识、收货地址、社交账号或WIFI账号。例如:手机设备标识可包括IMEI,机器设备标识可包括MAC,账户可包括邮箱。本说明书实施例中,主体的类型可包括账户类型或者其余类型,则相应地,主体可包括目标主体或对象主体,例如,目标主体包括账户,对象主体包括手机号码、银行卡号、身份证号、手机设备标识、机器设备标识、收货地址、社交账号或WIFI账号。主体对应的节点可包括目标主体对应的节点或者对象主体对应的节点。如图1所示,将主体作为节点以及将主体间的关系作为连接边,并将主体的主体特征作为节点的特征以及将主体间的关系特征作为连接边的边特征,以建立网络关系图。例如:若主体包括账户,主体特征包括邮箱,则节点包括账户,节点特征包括邮箱。例如:主体间的关系特征包括两主体之间的行为频次或者行为时间段,则节点间的连接边的边特征包括两主体之间的行为频次或者行为时间段。如图1所示,采用实心圆表示目标主体,采用空心圆表示对象主体,实线表示连接边。
本说明书实施例中,基于上述网络关系图,构建图神经网络模型。图2为本说明书实施例中图神经网络模型的应用示意图,如图2所示,风控系统通过网络关系图对图神经网络模型进行训练,得到训练好的图神经网络模型。而后,对于目标主体对应的节点,图神经网络模型可输出第一节点嵌入向量;对于对象主体对应的节点,图神经网络模型可输出第二节点嵌入向量。进而,风控系统可根据第一节点嵌入向量和第二节点嵌入向量进行可信关系的识别。本说明书实施例中,作为一种可选方案,图神经网络模型可包括GraphSage模型。在实际应用中,图神经网络模型还可以采用其它类型的图神经网络模型,只要该模型具备吸收邻居节点的特征以及边特征来表达节点的功能即可。
首先,对图神经网络模型的训练过程进行详细描述,下图3和图4中以图神经网络模型包括GraphSage模型为例进行描述。图3为本说明书实施例中图神经网络模型的训练方法的示意图,图4为本说明书实施例中图神经网络模型的训练方法的流程图,如图3和图4所示,该方法包括:
步骤102、根据获取的用户的历史行为数据,确定出建立的网络关系图中节点的节点特征和连接边的边特征。
本说明书实施例中,步骤102具体可包括:
步骤1022、获取用户的历史行为数据,历史行为数据包括多个主体的主体特征。
作为一种可选方案,历史行为数据包括历史交易数据,多个主体可包括目标主体和多个对象主体。
步骤1024、在建立的网络关系图中,将主体作为节点以及将主体间的关系作为连接边,并将主体的主体特征作为节点的特征以及将主体间的关系特征作为所述连接边的边特征。
步骤104、根据节点的节点特征确定出各个节点的初级节点嵌入向量。
作为一种可选方案,步骤104具体可包括:对各节点的节点特征进行编码,将编码得到的向量作为初级节点嵌入向量。
作为另一种可选方案,步骤104具体可包括:对各节点的节点特征进行编码,对编码得到的向量进行线性或非线性变换,将变换后的向量作为初级节点嵌入向量。
步骤106、根据网络关系图、各个节点的初级节点嵌入向量,执行多级向量聚合,生成各个节点的多级节点嵌入向量。
如图3所示,在聚合层中,根据网络关系图、各个节点的初级节点嵌入向量,执行多级向量聚合,生成各个节点的多级节点嵌入向量。
本说明书实施例中,本步骤可包括:根据各个节点的邻居节点的上一级节点嵌入向量、该节点连接的连接边的边特征向量和参数集中的参数,生成各个节点的本级节点嵌入向量。
步骤108、根据节点对应的主体的类型,将目标主体对应的节点的多级节点嵌入向量进行分类生成目标主体对应的第一节点嵌入向量,将对象主体对应的节点的多级节点嵌入向量进行分类生成对象主体对应的第二节点嵌入向量。
如图3所示,根据节点对应的主体的类型,若节点对应的主体包括目标主体时,将目标主体对应的节点的多级节点嵌入向量输入第一全联接层,以输出第一节点嵌入向量;根据节点对应的主体的类型,若节点对应的主体包括对象主体时,将对象主体对应的节点的多级节点嵌入向量输入第二全联接层,以输出第二节点嵌入向量。
例如,如图3所示,第一全联接层可包括两个Lrelu函数,即第一全联接层包括两层全联接层;第二全联接层可包括两个Lrelu函数,即第二全联接层包括两层全联接层。
步骤110、将设定历史时间段中未出现报案的同一历史行为数据中包括的目标主体和对象主体确定为一组正样本并为正样本设置标签值,将设定历史时间段中出现报案的同一历史行为数据中包括的目标主体和对象主体确定为一组负样本并为负样本设置标签值。
本说明书实施例中,例如:正样本的标签值为1,负样本的标签值为0。
本说明书实施例中,若用户的历史行为中出现案件,则表明历史行为数据出现报案。其中,案件可包括用户的历史行为中出现的不安全事件,例如,案件可包括盗用支付软件账户。
步骤112、根据各组中的目标主体对应的第一节点嵌入向量和对象主体对应的第二节点嵌入向量,生成该组中目标主体和对象主体之间的向量距离。
本说明书实施例中,向量距离包括余弦距离。步骤112具体可包括:
根据余弦距离公式,对各组中的目标主体对应的第一节点嵌入向量和对象主体对应的第二节点嵌入向量进行计算,生成该组中目标主体与对象主体之间的向量距离。例如:通过公式,计算出该组中目标主体与对象主体之间的向量距离,其中,为向量距离,为第一节点嵌入向量,为第二节点嵌入向量,i的取值范围包括1至N。
步骤114、在损失函数的函数值减小的方向,调整图神经网络模型的参数,直至达到收敛条件,其中,损失函数通过各组中目标主体和对象主体之间的向量距离和各组的标签值确定。
具体地,通过反向传播的方式,在损失函数的函数值减小的方向,调整模型的参数,直至达到收敛条件。
例如:在损失函数的函数值减小的方向调整图神经网络模型的参数,使得损失函数的函数值达到最小。
本说明书实施例中,在训练完图神经网络模型之后,可通过图神经网络模型进行可信关系的识别。
图5为本说明书一实施例提供的一种可信关系的识别方法的流程图,如图5所示,该方法包括:
步骤202、获取用户的行为数据,行为数据包括目标主体的主体特征和多个对象主体的主体特征。
本实施例的各步骤可由风控系统执行。风控系统可包括具有数据计算、处理能力的装置、平台或者设备。
行为数据可包括交易数据或者操作数据。作为一种可选方案,本实施例以行为数据包括交易数据为例进行描述。例如:获取用户的交易数据,该交易数据包括账户、机器设备标识、银行卡号和WIFI账号,其中,目标主体包括账号,多个对象主体包括机器设备标识、银行卡号和WIFI账号。又例如:操作数据可包括账户注册数据、人脸验证数据或者账户登录数据。
步骤204、根据目标主体的主体特征和多个对象主体的主体特征,利用预先训练的图神经网络模型,生成目标主体对应的第一节点嵌入向量和多个对象主体对应的第二节点嵌入向量。
具体地,将目标主体的主体特征输入图神经网络模型,输出目标主体对应的第一节点嵌入向量;将对象主体的主体特征输入图神经网络模型,输出对象主体对应的第二节点嵌入向量。
例如:将账户的主体特征输入图神经网络模型,输出账户对应的第一节点嵌入向量;将机器设备标识的主体特征输入图神经网络模型,输出机器设备标识对应的第二节点嵌入向量;将银行卡号的主体特征输入图神经网络模型,输出银行卡号对应的第二节点嵌入向量;将WIFI账号的主体特征输入图神经网络模型,输出WIFI账号对应的第二节点嵌入向量。
本说明书实施例中,在步骤204之后还包括:存储第一节点嵌入向量和第二节点嵌入向量。例如:第一节点嵌入向量和第二节点嵌入向量。而后,可根据存储的第一节点嵌入向量和第二节点嵌入向量进行可信关系的识别,无需存储可信关系,降低了存储的数据量,从而提高了存储效率。
步骤206、根据第一节点嵌入向量和各个第二节点嵌入向量,生成目标主体与各个对象主体之间的向量距离。
本步骤具体可包括:根据余弦距离公式,对第一节点嵌入向量和第二节点嵌入向量进行计算,生成目标主体与对象主体之间的向量距离。
例如:当为账户对应的第一节点嵌入向量且为机器设备标识对应的第二节点嵌入向量时,计算出的为账户与机器设备标识之间的向量距离;当为账户对应的第一节点嵌入向量且为银行卡号对应的第二节点嵌入向量时,计算出的为账户与银行卡号之间的向量距离;当为账户对应的第一节点嵌入向量且为WIFI账号对应的第二节点嵌入向量时,计算出的为账户与WIFI账号之间的向量距离。
步骤208、判断多个向量距离是否均大于或等于设定阈值,若否,则执行步骤210;若是,则执行步骤214。
本说明书实施例中,若判断出多个向量距离中至少一个向量距离小于设定阈值,则执行步骤210。
本说明书实施例中,向量距离可用于表示可信程度,向量距离越小,则可信程度越高,即表明行为数据越可信。本步骤中,若判断出多个向量距离中至少一个向量距离小于设定阈值时,表明行为数据可信;若判断出多个向量距离均大于或等于设定阈值时,表明行为数据不可信。
本说明书实施例中,确定设定阈值的方法包括:
步骤S1、获取用户的多个样本行为数据,所述样本行为数据包括目标主体的主体特征和多个对象主体的主体特征,将设定历史时间段中未出现报案的同一样本行为数据中包括的目标主体和对象主体确定为一组正样本并为所述正样本设置标签值,将设定历史时间段中出现报案的同一样本行为数据中包括的目标主体和对象主体确定为一组负样本并为所述负样本设置标签值。
标签值用于指示各组中的目标主体和对象主体在设定时间段内的样本行为数据是否出现报案。例如:正样本的标签值为1,负样本的标签值为0。
在步骤S1中,用户的样本行为数据可包括历史行为数据。作为一种可选方案,样本行为数据可包括历史交易数据。
步骤S2、根据所述样本行为数据中的目标主体的主体特征和多个对象主体的主体特征,利用所述图神经网络模型,生成所述样本行为数据中的目标主体对应的第一节点嵌入向量和多个对象主体对应的第二节点嵌入向量。
步骤S3、根据所述样本行为数据中的目标主体对应的第一节点嵌入向量和多个对象主体对应的第二节点嵌入向量,生成所述样本行为数据中的目标主体与各个对象主体之间的向量距离。
步骤S4、确定出多个备选阈值。
作为一种可选方案,可从向量距离的取值区间中选取多个备选阈值,其中,向量距离的取值区间可根据经验值确定出。
步骤S5、根据向量距离大于各个备选阈值的样本行为数据的数量和多个所述样本行为数据的数量,生成各个备选阈值对应的可信比例。
具体地,针对各个备选阈值,首先确定出大于一备选阈值的向量距离,并将向量距离大于该备选阈值的样本行为数据的数量除以步骤S1中获取的样本行为数据的数量,得到该备选阈值对应的可信比例。重复上述过程,以计算出各个备选阈值对应的可信比例。
在步骤S5中,向量距离大于一备选阈值的样本行为数据是可信的,则将向量距离大于一备选阈值的样本行为数据的数量除以获取的样本行为数据的数量,即可得到该备选阈值对应的可信比例。
步骤S6、将向量距离小于各个备选阈值的样本行为数据判定为正数据并将向量距离大于或等于各个备选阈值的样本行为数据判定为负数据,根据所述样本行为数据的判定结果和所述样本行为数据对应的标签值,确定出各个备选阈值对应的误判率。
例如,若针对某一备选阈值样本行为数据判定为负数据,而该样本行为数据对应的标签值指示该样本行为数据包括的目标主体和对象主体为一组正样本时,则确定出对该样本行为数据出现误判。
针对某一备选阈值,根据所述样本行为数据的判定结果和所述样本行为数据对应的标签值,统计出出现误判的样本行为数据的数量,将出现误判的样本行为数据的数量除以获取的样本行为数据的数量得出该备选阈值对应的误判率。
重复上述过程,计算出各个备选阈值对应的误判率。
步骤S7、根据各个备选阈值对应的可信比例和误判率,从各个备选阈值中确定出所述设定阈值。
本说明书实施例中,可选择出可信比例高且误判率低的备选阈值,并将选择出的备选阈值作为设定阈值。
例如:从各个备选阈值中选取出可信比例大于可信比例阈值的备选阈值,并从可信比例高于可信比例阈值的备选阈值中选取出误判率最小的备选阈值,将选取出的误判率最小的备选阈值作为设定阈值。
又例如:从各个备选阈值中选取出误判率小于误判率阈值的备选阈值,并从误判率小于误判率阈值的备选阈值中选取出可信比例最大的备选阈值,将选取出的可信比例最大的备选阈值作为设定阈值。
步骤210、将小于设定阈值的向量距离对应的第一节点嵌入向量和第二节点嵌入向量,确定为可信关系对。
本说明书实施例中,将第一节点嵌入向量和第二节点嵌入向量确定为可信关系对,表明第一节点嵌入向量和第二节点嵌入向量之间具备可信关系,即表明了第一节点嵌入向量对应的目标主体和第二节点嵌入向量对应的对象主体之间具备可信关系。本步骤中,将小于设定阈值的向量距离对应的第一节点嵌入向量和第二节点嵌入向量确定为可信关系对,即识别出了第一节点嵌入向量和第二节点嵌入向量之间的可信关系。
步骤212、确定出行为数据可信,流程结束。
步骤214、确定出所述行为数据不可信,流程结束。
本说明书实施例中,对各步骤的执行顺序不作限定。例如,若判断出多个向量距离中至少一个向量距离小于设定阈值时,可先执行步骤212,而后再执行步骤210。
本说明书提供的技术方案中,根据用户的行为数据中目标主体的主体特征和多个对象主体的主体特征,利用预先训练的图神经网络模型生成目标主体对应的第一节点嵌入向量和多个对象主体对应的第二节点嵌入向量,根据第一节点嵌入向量和各个第二节点嵌入向量生成目标主体与各个对象主体之间的向量距离,将小于设定阈值的向量距离对应的第一节点嵌入向量和第二节点嵌入向量确定为可信关系对,通过向量距离和设定阈值可识别出可信关系对,通过向量距离可确定出可信关系的程度,从而实现了对可信关系的量化。
图6为本说明书一实施例提供的一种可信关系的识别装置的结构示意图,如图6所示,该装置包括:获取模块11、向量生成模块12、距离生成模块13、判断模块14和确定模块15。
获取模块11用于获取用户的行为数据,所述行为数据包括目标主体的主体特征和多个对象主体的主体特征。
向量生成模块12用于根据所述目标主体的主体特征和多个对象主体的主体特征,利用预先训练的图神经网络模型,生成所述目标主体对应的第一节点嵌入向量和多个所述对象主体对应的第二节点嵌入向量。
距离生成模块13用于根据所述第一节点嵌入向量和各个所述第二节点嵌入向量,生成所述目标主体与各个所述对象主体之间的向量距离。
判断模块14用于判断多个所述向量距离是否均大于或等于设定阈值。
确定模块15用于若判断模块14判断出多个所述向量距离中至少一个向量距离小于所述设定阈值,将小于设定阈值的向量距离对应的第一节点嵌入向量和第二节点嵌入向量,确定为可信关系对。
本说明书实施例中,该装置还包括:存储模块16。存储模块16用于存储所述第一节点嵌入向量和所述第二节点嵌入向量。
本说明书实施例中,确定模块15还用于若所述判断模块14判断出多个所述向量距离中至少一个向量距离小于所述设定阈值,确定出所述行为数据可信。所述确定模块15还用于若所述判断模块判断出多个所述向量距离均大于或等于所述设定阈值,确定出所述行为数据不可信。
本说明书实施例中,该装置还包括:训练模块17。训练模块17用于训练图神经网络模型。训练模块17具体用于根据获取的用户的历史行为数据,确定出建立的网络关系图中节点的节点特征和连接边的边特征;根据所述节点的节点特征确定出各个节点的初级节点嵌入向量;根据所述网络关系图、各个节点的初级节点嵌入向量,执行多级向量聚合,生成各个节点的多级节点嵌入向量;根据所述节点对应的主体的类型,将目标主体对应的节点的多级节点嵌入向量进行分类生成目标主体对应的第一节点嵌入向量,将对象主体对应的节点的多级节点嵌入向量进行分类生成对象主体对应的第二节点嵌入向量;将设定历史时间段中未出现报案的同一历史行为数据中包括的目标主体和对象主体确定为一组正样本并为所述正样本设置标签值,将设定历史时间段中出现报案的同一历史行为数据中包括的目标主体和对象主体确定为一组负样本并为所述负样本设置标签值;根据各组中的目标主体对应的第一节点嵌入向量和对象主体对应的第二节点嵌入向量,生成该组中目标主体和对象主体之间的向量距离;在损失函数的函数值减小的方向,调整图神经网络模型的参数,直至达到收敛条件,其中,所述损失函数通过各组中目标主体和对象主体之间的向量距离和各组的标签值确定。
本说明书实施例中,训练模块17具体用于根据各个节点的邻居节点的上一级节点嵌入向量、该节点连接的连接边的边特征向量和参数集中的参数,生成各个节点的本级节点嵌入向量。
本说明书实施例中,该装置还包括:阈值确定模块18。阈值确定模块18具体用于获取用户的多个样本行为数据,所述样本行为数据包括目标主体的主体特征和多个对象主体的主体特征,将设定历史时间段中未出现报案的同一样本行为数据中包括的目标主体和对象主体确定为一组正样本并为所述正样本设置标签值,将设定历史时间段中出现报案的同一样本行为数据中包括的目标主体和对象主体确定为一组负样本并为所述负样本设置标签值;根据所述样本行为数据中的目标主体的主体特征和多个对象主体的主体特征,利用所述图神经网络模型,生成所述样本行为数据中的目标主体对应的第一节点嵌入向量和多个对象主体对应的第二节点嵌入向量;根据所述样本行为数据中的目标主体对应的第一节点嵌入向量和多个对象主体对应的第二节点嵌入向量,生成所述样本行为数据中的目标主体与各个对象主体之间的向量距离;确定出多个备选阈值;根据向量距离小于各个备选阈值的所述样本行为数据的数量和多个所述样本行为数据的数量,生成各个备选阈值对应的可信比例;将向量距离大于各个备选阈值的样本行为数据判定为正数据并将向量距离小于或等于各个备选阈值的样本行为数据判定为负数据,根据所述样本行为数据的判定结果和所述样本行为数据对应的标签值,确定出各个备选阈值对应的误判率;根据各个备选阈值对应的可信比例和误判率,从各个备选阈值中确定出所述设定阈值。
本说明书提供的技术方案中,根据用户的行为数据中目标主体的主体特征和多个对象主体的主体特征,利用预先训练的图神经网络模型生成目标主体对应的第一节点嵌入向量和多个对象主体对应的第二节点嵌入向量,根据第一节点嵌入向量和各个第二节点嵌入向量生成目标主体与各个对象主体之间的向量距离,将小于设定阈值的向量距离对应的第一节点嵌入向量和第二节点嵌入向量确定为可信关系对,通过向量距离和设定阈值可识别出可信关系对,通过向量距离可确定出可信关系的程度,从而实现了对可信关系的量化。
本说明书实施例提供了一种存储介质,存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行上述可信关系的识别方法的实施例的各步骤,具体描述可参见上述可信关系的识别方法的实施例。
本说明书实施例提供了一种计算机设备,包括存储器和处理器,存储器用于存储包括程序指令的信息,处理器用于控制程序指令的执行,程序指令被处理器加载并执行时实现上述可信关系的识别方法的实施例的各步骤,具体描述可参见上述可信关系的识别方法的实施例。
图7是本说明书一实施例提供的一种计算机设备的示意图,如图7所示,该实施例的计算机设备24包括:处理器21、存储器22以及存储在存储22中并可在处理器21上运行的计算机程序23,该计算机程序23被处理器21执行时实现实施例中的应用于可信关系的识别方法,为避免重复,此处不一一赘述。或者,该计算机程序被处理器21执行时实现实施例中应用于可信关系的识别装置中各模型/单元的功能,为避免重复,此处不一一赘述。
计算机设备24可以是桌上型计算机、笔记本、掌上电脑及云端计算机设备等计算设备。计算机设备24可包括,但不仅限于,处理器21、存储器22。本领域技术人员可以理解,图7仅仅是计算机设备24的示例,并不构成对计算机设备24的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如计算机设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器21可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器22可以是计算机设备24的内部存储单元,例如计算机设备24的硬盘或内存。存储器22也可以是计算机设备24的外部存储设备,例如计算机设备24上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。进一步地,存储器22还可以既包括计算机设备24的内部存储单元也包括外部存储设备。存储器22用于存储计算机程序以及计算机设备所需的其他程序和数据。存储器22还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本说明书所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本说明书各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机装置(可以是个人计算机,计算机设备,或者网络装置等)或处理器(Processor)执行本说明书各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本说明书的较佳实施例而已,并不用以限制本说明书,凡在本说明书的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书保护的范围之内。
Claims (14)
1.一种可信关系的识别方法,包括:
获取用户的行为数据,所述行为数据包括目标主体的主体特征和多个对象主体的主体特征;
根据所述目标主体的主体特征和多个对象主体的主体特征,利用预先训练的图神经网络模型,生成所述目标主体对应的第一节点嵌入向量和多个所述对象主体对应的第二节点嵌入向量;
根据所述第一节点嵌入向量和各个所述第二节点嵌入向量,生成所述目标主体与各个所述对象主体之间的向量距离;
判断多个所述向量距离是否均大于或等于设定阈值;
若判断出多个所述向量距离中至少一个向量距离小于所述设定阈值,将小于设定阈值的向量距离对应的第一节点嵌入向量和第二节点嵌入向量,确定为可信关系对。
2.根据权利要求1所述的方法,其中,所述方法还包括:
存储所述第一节点嵌入向量和所述第二节点嵌入向量。
3.根据权利要求1所述的方法,其中,所述方法还包括:
若判断出多个所述向量距离中至少一个向量距离小于所述设定阈值,确定出所述行为数据可信。
4.根据权利要求1所述的方法,其中,所述方法还包括:
若判断出多个所述向量距离均大于或等于所述设定阈值,确定出所述行为数据不可信。
5.根据权利要求1所述的方法,其中,所述目标主体包括账户,所述对象主体包括手机号码、银行卡号、身份证号、手机设备标识、机器设备标识、收货地址、社交账号或WIFI账号。
6.根据权利要求1所述的方法,其中,所述图神经网络模型的训练方法包括:
根据获取的用户的历史行为数据,确定出建立的网络关系图中节点的节点特征和连接边的边特征;
根据所述节点的节点特征确定出各个节点的初级节点嵌入向量;
根据所述网络关系图、各个节点的初级节点嵌入向量,执行多级向量聚合,生成各个节点的多级节点嵌入向量;
根据所述节点对应的主体的类型,将目标主体对应的节点的多级节点嵌入向量进行分类生成目标主体对应的第一节点嵌入向量,将对象主体对应的节点的多级节点嵌入向量进行分类生成对象主体对应的第二节点嵌入向量;
将设定历史时间段中未出现报案的同一历史行为数据中包括的目标主体和对象主体确定为一组正样本并为所述正样本设置标签值,将设定历史时间段中出现报案的同一历史行为数据中包括的目标主体和对象主体确定为一组负样本并为所述负样本设置标签值;
根据各组中的目标主体对应的第一节点嵌入向量和对象主体对应的第二节点嵌入向量,生成该组中目标主体和对象主体之间的向量距离;
在损失函数的函数值减小的方向,调整图神经网络模型的参数,直至达到收敛条件,其中,所述损失函数通过各组中目标主体和对象主体之间的向量距离和各组的标签值确定。
7.根据权利要求6所述的方法,其中,所述根据所述网络关系图、各个节点的初级节点嵌入向量,执行多级向量聚合,生成各个节点的多级节点嵌入向量,包括:
根据各个节点的邻居节点的上一级节点嵌入向量、该节点连接的连接边的边特征向量和参数集中的参数,生成各个节点的本级节点嵌入向量。
8.根据权利要求1所述的方法,其中,所述方法还包括:
获取用户的多个样本行为数据,所述样本行为数据包括目标主体的主体特征和多个对象主体的主体特征,将设定历史时间段中未出现报案的同一样本行为数据中包括的目标主体和对象主体确定为一组正样本并为所述正样本设置标签值,将设定历史时间段中出现报案的同一样本行为数据中包括的目标主体和对象主体确定为一组负样本并为所述负样本设置标签值;
根据所述样本行为数据中的目标主体的主体特征和多个对象主体的主体特征,利用所述图神经网络模型,生成所述样本行为数据中的目标主体对应的第一节点嵌入向量和多个对象主体对应的第二节点嵌入向量;
根据所述样本行为数据中的目标主体对应的第一节点嵌入向量和多个对象主体对应的第二节点嵌入向量,生成所述样本行为数据中的目标主体与各个对象主体之间的向量距离;
确定出多个备选阈值;
根据向量距离小于各个备选阈值的所述样本行为数据的数量和多个所述样本行为数据的数量,生成各个备选阈值对应的可信比例;
将向量距离大于各个备选阈值的样本行为数据判定为正数据并将向量距离小于或等于各个备选阈值的样本行为数据判定为负数据,根据所述样本行为数据的判定结果和所述样本行为数据对应的标签值,确定出各个备选阈值对应的误判率;
根据各个备选阈值对应的可信比例和误判率,从各个备选阈值中确定出所述设定阈值。
9.一种可信关系的识别装置,包括:
获取模块,用于获取用户的行为数据,所述行为数据包括目标主体的主体特征和多个对象主体的主体特征;
向量生成模块,用于根据所述目标主体的主体特征和多个对象主体的主体特征,利用预先训练的图神经网络模型,生成所述目标主体对应的第一节点嵌入向量和多个所述对象主体对应的第二节点嵌入向量;
距离生成模块,用于根据所述第一节点嵌入向量和各个所述第二节点嵌入向量,生成所述目标主体与各个所述对象主体之间的向量距离;
判断模块,用于判断多个所述向量距离是否均大于或等于设定阈值;
确定模块,用于若所述判断模块判断出多个所述向量距离中至少一个向量距离小于所述设定阈值,将小于设定阈值的向量距离对应的第一节点嵌入向量和第二节点嵌入向量,确定为可信关系对。
10.根据权利要求9所述的装置,其中,所述装置还包括:
存储模块,用于存储所述第一节点嵌入向量和所述第二节点嵌入向量。
11.根据权利要求9所述的装置,其中,所述确定模块还用于若所述判断模块判断出多个所述向量距离中至少一个向量距离小于所述设定阈值,确定出所述行为数据可信。
12.根据权利要求9所述的装置,其中,所述确定模块还用于若所述判断模块判断出多个所述向量距离均大于或等于所述设定阈值,确定出所述行为数据不可信。
13.一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至8中任意一项所述的可信关系的识别方法的步骤。
14.一种计算机设备,包括存储器和处理器,所述存储器用于存储包括程序指令的信息,所述处理器用于控制程序指令的执行,所述程序指令被处理器加载并执行时实现权利要求1至8任意一项所述的可信关系的识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010585710.0A CN111476668B (zh) | 2020-06-24 | 2020-06-24 | 可信关系的识别方法、装置、存储介质和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010585710.0A CN111476668B (zh) | 2020-06-24 | 2020-06-24 | 可信关系的识别方法、装置、存储介质和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111476668A true CN111476668A (zh) | 2020-07-31 |
CN111476668B CN111476668B (zh) | 2020-10-13 |
Family
ID=71764001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010585710.0A Active CN111476668B (zh) | 2020-06-24 | 2020-06-24 | 可信关系的识别方法、装置、存储介质和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111476668B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114155049A (zh) * | 2022-02-08 | 2022-03-08 | 北京金堤科技有限公司 | 一种确定目标对象的方法和装置 |
CN116150221A (zh) * | 2022-10-09 | 2023-05-23 | 浙江博观瑞思科技有限公司 | 服务于企业电商运营管理的信息交互方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232630A (zh) * | 2019-05-29 | 2019-09-13 | 腾讯科技(深圳)有限公司 | 恶意账户识别方法、装置及存储介质 |
CN110852755A (zh) * | 2019-11-06 | 2020-02-28 | 支付宝(杭州)信息技术有限公司 | 针对交易场景的用户身份识别方法和装置 |
CN110909868A (zh) * | 2019-12-04 | 2020-03-24 | 支付宝(杭州)信息技术有限公司 | 基于图神经网络模型的节点表示方法和装置 |
CN110995810A (zh) * | 2019-11-25 | 2020-04-10 | 腾讯科技(深圳)有限公司 | 一种基于人工智能的对象识别方法和相关装置 |
CN111080304A (zh) * | 2019-12-12 | 2020-04-28 | 支付宝(杭州)信息技术有限公司 | 一种可信关系识别方法、装置及设备 |
-
2020
- 2020-06-24 CN CN202010585710.0A patent/CN111476668B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232630A (zh) * | 2019-05-29 | 2019-09-13 | 腾讯科技(深圳)有限公司 | 恶意账户识别方法、装置及存储介质 |
CN110852755A (zh) * | 2019-11-06 | 2020-02-28 | 支付宝(杭州)信息技术有限公司 | 针对交易场景的用户身份识别方法和装置 |
CN110995810A (zh) * | 2019-11-25 | 2020-04-10 | 腾讯科技(深圳)有限公司 | 一种基于人工智能的对象识别方法和相关装置 |
CN110909868A (zh) * | 2019-12-04 | 2020-03-24 | 支付宝(杭州)信息技术有限公司 | 基于图神经网络模型的节点表示方法和装置 |
CN111080304A (zh) * | 2019-12-12 | 2020-04-28 | 支付宝(杭州)信息技术有限公司 | 一种可信关系识别方法、装置及设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114155049A (zh) * | 2022-02-08 | 2022-03-08 | 北京金堤科技有限公司 | 一种确定目标对象的方法和装置 |
CN116150221A (zh) * | 2022-10-09 | 2023-05-23 | 浙江博观瑞思科技有限公司 | 服务于企业电商运营管理的信息交互方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111476668B (zh) | 2020-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105590055B (zh) | 用于在网络交互系统中识别用户可信行为的方法及装置 | |
CN107872436B (zh) | 一种账号识别方法、装置及系统 | |
CN108898418B (zh) | 用户账号检测方法、装置、计算机设备和存储介质 | |
US11594053B2 (en) | Deep-learning-based identification card authenticity verification apparatus and method | |
CN108769026B (zh) | 用户账号检测系统和方法 | |
CN106682906B (zh) | 一种风险识别、业务处理方法和设备 | |
EP3633553A1 (en) | Method, device and apparatus for training object detection model | |
KR20190025005A (ko) | 데이터 위험을 제어하기 위한 방법 및 디바이스 | |
CN108304935B (zh) | 机器学习模型训练方法、装置和计算机设备 | |
CN111476668B (zh) | 可信关系的识别方法、装置、存储介质和计算机设备 | |
CN112435137B (zh) | 一种基于社团挖掘的欺诈信息检测方法及系统 | |
CN111814910B (zh) | 异常检测方法、装置、电子设备及存储介质 | |
CN110570188A (zh) | 用于处理交易请求的方法和系统 | |
CN111415167B (zh) | 网络欺诈交易检测方法及装置、计算机存储介质和终端 | |
US20210192523A1 (en) | Techniques to improve fraud detection at financial terminals | |
CN110363534B (zh) | 用于识别异常交易的方法及装置 | |
CN111178339A (zh) | 用户身份识别方法、装置、设备及介质 | |
EP3542509B1 (en) | Velocity event evaluation system | |
CN107423982B (zh) | 基于账户的业务实现方法和装置 | |
CN110533297B (zh) | 一种识别异常设备的方法及装置 | |
KR102240495B1 (ko) | 신분 인증 부정 사용자 차등 관리 방법 및 서버 | |
CN114297735A (zh) | 数据处理方法及相关装置 | |
CN113435901A (zh) | 一种交易欺诈风险侦测方法、装置和系统 | |
CN105678157A (zh) | 一种基于应用环境识别的数据产权保护系统和方法 | |
CN112784990A (zh) | 一种成员推断模型的训练方法 |
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 |