CN111538869B - 一种交易异常群组的检测方法、装置及设备 - Google Patents

Abstract

本说明书实施例公开了一种交易异常群组的检测方法、装置及设备，该方法包括：基于用户的交易数据，构建所述交易数据中包含的账户之间的关联关系图谱；基于所述账户之间的关联关系图谱，将所述交易数据中包含的账户进行分组，得到至少一个账户群组；基于所述至少一个账户群组中包含的账户之间的关联关系图谱和预定的异常图谱数据库中的异常子图，以及预定的图谱处理模型，通过图谱匹配的方式确定所述账户群组是否为存在预定风险的异常群组。

Description

一种交易异常群组的检测方法、装置及设备

技术领域

本说明书涉及计算机技术领域，尤其涉及一种交易异常群组的检测方法、装置及设备。

背景技术

随着终端技术和网络技术的不断发展，在线交易成为当前重要的交易形式，而由此出现了很多网络黑产，为了保护用户的资源和账户安全，交易平台也相应的出现了很多风险防控机制(例如针对欺诈的风险防控机制、针对赌博的风险防控机制、针对营销的风险防控机制等)，以此来对抗网络黑产。随着交易平台和网络黑产之间的对抗的不断升级，网络黑产越来越趋近于团伙(或群组)的形式，而黑产群组对交易用户的危害程度非常高。而如何从交易中检测出上述黑产群组成为需要解决的重要问题。为此，需要提供一种能够从交易中检测黑产群组的技术方案。

发明内容

本说明书实施例的目的是提供一种交易异常群组的检测方法、装置及设备，以提供一种能够从交易中检测黑产群组的技术方案。

为了实现上述技术方案，本说明书实施例是这样实现的：

本说明书实施例提供的一种交易异常群组的检测方法，所述方法包括：基于用户的交易数据，构建所述交易数据中包含的账户之间的关联关系图谱。基于所述账户之间的关联关系图谱，将所述交易数据中包含的账户进行分组，得到至少一个账户群组。基于所述至少一个账户群组中包含的账户之间的关联关系图谱和预定的异常图谱数据库中的异常子图，以及预定的图谱处理模型，通过图谱匹配的方式确定所述账户群组是否为存在预定风险的异常群组。

本说明书实施例提供的一种交易异常群组的检测装置，所述装置包括：第一图谱构建模块，基于用户的交易数据，构建所述交易数据中包含的账户之间的关联关系图谱。群组划分模块，基于所述账户之间的关联关系图谱，将所述交易数据中包含的账户进行分组，得到至少一个账户群组。异常群组确定模块，基于所述至少一个账户群组中包含的账户之间的关联关系图谱和预定的异常图谱数据库中的异常子图，以及预定的图谱处理模型，通过图谱匹配的方式确定所述账户群组是否为存在预定风险的异常群组。

本说明书实施例提供的一种交易异常群组的检测设备，所述交易异常群组的检测设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：基于用户的交易数据，构建所述交易数据中包含的账户之间的关联关系图谱。基于所述账户之间的关联关系图谱，将所述交易数据中包含的账户进行分组，得到至少一个账户群组。基于所述至少一个账户群组中包含的账户之间的关联关系图谱和预定的异常图谱数据库中的异常子图，以及预定的图谱处理模型，通过图谱匹配的方式确定所述账户群组是否为存在预定风险的异常群组。

附图说明

为了更清楚地说明本说明书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说明书中记载的一些实施例，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他的附图。

图1为本说明书一种交易异常群组的检测方法实施例；

图2为本说明书一种关联关系图谱的示意图；

图3A为本说明书另一种交易异常群组的检测方法实施例；

图3B为本说明书一种模型训练的方法流程示意图；

图4为本说明书一种相似度算法的原理示意图；

图5为本说明书一种交易异常群组的检测装置实施例；

图6为本说明书一种交易异常群组的检测设备实施例。

具体实施方式

本说明书实施例提供一种交易异常群组的检测方法、装置及设备。

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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。

实施例一

如图1所示，本说明书实施例提供一种交易异常群组的检测方法，该方法的执行主体可以为服务器，其中，该服务器可以是独立的一个服务器，还可以是由多个服务器构成的服务器集群等，该服务器可以是某业务(如金融业务或网络购物业务等)的后台服务器，还可以是某应用程序的后台服务器等。该方法具体可以包括以下步骤：

在步骤S102中，基于用户的交易数据，构建该交易数据中包含的账户之间的关联关系图谱。

其中，交易数据可以是与用户进行交易的过程中产生的数据，交易数据可以包括多种不同内容的数据，具体如交易时间、交易双方的账户信息、交易的资源数量等。关联关系可以是不同账户之间的交易关系、对应的用户之间的好友关系等，具体可以根据实际情况设定。

在实施中，随着终端技术和网络技术的不断发展，在线交易成为当前重要的交易形式，而由此出现了很多网络黑产，为了保护用户的资源和账户安全，交易平台也相应的出现了很多风险防控机制(例如针对欺诈的风险防控机制、针对赌博的风险防控机制、针对营销的风险防控机制等)，以此来对抗网络黑产。随着交易平台和网络黑产之间的对抗的不断升级，网络黑产越来越趋近于团伙(或群组)的形式，而黑产群组对交易用户的危害程度非常高。而如何从交易中检测出上述黑产群组成为需要解决的重要问题。为此，需要提供一种能够从交易中检测黑产群组的技术方案。本说明书实施例提供一种可选的处理方式，具体可以包括以下内容：

考虑到无论是欺诈风险、赌博风险或营销风险，通常都会适合于使用图谱的形式进行抽象，因此，可以通过图谱的形式检测交易中可能存在风险的异常群组，具体地，交易平台的用户往往较多，同一时刻可能有多个不同的用户进行某项或多项交易，因此，可以获取交易平台的实时交易数据流，并可以对该实时交易数据流进行异常群组检测，为此，可以基于从交易平台获取的交易数据，获取该交易数据中包含的账户信息。并可以基于该交易数据，确定不同账户信息对应的账户之间存在的关联关系，然后，可以基于上述账户信息和不同账户之间的关联关系，可以以图谱的形式，构建交易数据中包含的账户之间的关联关系图谱。

在步骤S104中，基于上述账户之间的关联关系图谱，将上述交易数据中包含的账户进行分组，得到至少一个账户群组。

在实施中，通过上述方式得到交易数据中包含的账户之间的关联关系图谱后，可以通过预先设定的分组规则对上述关联关系图谱中的账户进行分组，得到至少一个账户群组，其中，分组规则可以是基于历史数据而总结归纳得到的规则，还可以是通过预先设定的算法而设定的规则，如可以基于余弦距离算法计算任意两个账户之间的距离，可以基于距离的大小关系对相应的账户进行分组，或者，还可以是通过社区发现等方式对相应的账户进行分组等，具体可以根据实际情况设定，本说明书实施例对此不做限定。

例如，如图2所示，其中的每个圆圈和其中的数字代表一个账户，每个虚线框中的账户可以构成账户群组，不同账户之间的连线表示账户之间存在预定的关联关系。

在步骤S106中，基于至少一个账户群组中包含的账户之间的关联关系图谱和预定的异常图谱数据库中的异常子图，以及预定的图谱处理模型，通过图谱匹配的方式确定该账户群组是否为存在预定风险的异常群组。

其中，图谱处理模型可以为通过图谱匹配的方式确定待测群组是否为存在预定风险的异常群组的模型。预定风险可以是任意风险，具体如欺诈风险、赌博风险和营销等。

在实施中，可以预先设定图谱处理模型，该图谱处理模型可以通过下述方式实现：可以考虑通过图谱结构嵌入的方式对关联关系图谱进行处理，结合图谱结构嵌入，可以实现类内距离趋小，类间距离趋大，并可以通过构建Embedding方式，将图谱直接映射到距离空间，而优化该Embedding的方法可以概括为：构建多组三元组(A，P，N)，其中元素A与元素P属于同一类别，元素A与元素N属于不同类别(如元素A与元素P可以是同一个个体，而元素A与元素N可以是不同个体)，通过学习优化该Embedding，使得距离空间内的元素A与元素P的距离比元素A与元素N的距离小。为此，可以构建上述三元组，可以将上述账户群组中包含的账户之间的关联关系图谱作为上述三元组中的元素A，可以基于元素A，获取与元素A属于同一类别的元素P。

可以根据实际情况预先设定相似度算法，该相似度算法可以包括多种，例如可以基于距离算法确定相应的相似度，具体如欧氏距离算法、曼哈顿距离算法、切比雪夫距离算法等。通过上述方式得到三元组中的元素A和元素P后，还需要获取上述三元组中的元素N，为此，可以通过多种不同的方式预先设置异常图谱数据库，该异常图谱数据库中可以包括一个或多个存在预定风险的账户群组对应的关联关系图谱(其中每个关联关系图谱可以作为一个异常子图)，该异常子图可以是基于用户的举报信息而确定，也可以是通过购买等方式从用户或其它机构购买的信息而确定等，具体可以根据实际情况设定，本说明书实施例对此不做限定。通过上述方式得到异常图谱数据库后，可以将异常图谱数据库中的异常子图作为上述三元组中的元素N，从而可以得到上述三元组。

可以基于上述三元组中的三个元素，构建相应的图谱处理模型。可以分别将至少一个账户群组中包含的账户之间的关联关系图谱和预定的异常图谱数据库中的异常子图输入到该图谱处理模型中，通过图谱处理模型，确定账户群组中包含的账户之间的关联关系图谱与预定的异常图谱数据库中的异常子图之间的相似度，例如，相似度算法可以为欧氏距离算法，则可以将上述三元组中的三个元素中的每个元素转换为向量，即可以将打乱后的账户群组中包含的账户之间的关联关系图谱转换为向量，将账户群组中包含的账户之间的关联关系图谱转换为向量，并将异常子图转换为向量。然后，可以在基于上述三个元素对应的向量，通过欧氏距离算法，可以计算得到账户群组中包含的账户之间的关联关系图谱与预定的异常图谱数据库中的异常子图之间的相似度。

通过上述方式得到账户群组中包含的账户之间的关联关系图谱与预定的异常图谱数据库中的异常子图之间的相似度后，可以将得到的相似度的数值与预先设定的相似度阈值进行比较，获取相似度的数值大于相似度阈值的账户群组中包含的账户之间的关联关系图谱和异常子图，并可以将获取的异常子图对应的风险作为该账户群组对应的风险，如异常子图对应的为欺诈风险，则该账户群组对应的风险也为欺诈风险。

需要说明的是，如果大于相似度阈值的相似度数值包括多个，则可以从多个相似度的数值中任选一个，或者，从中选择相似度的数值最小的一个，或者，从中选择相似度的数值最大的一个等，具体可以根据实际情况设定。

本说明书实施例提供一种交易异常群组的检测方法，基于用户的交易数据，构建交易数据中包含的账户之间的关联关系图谱，基于账户之间的关联关系图谱，将交易数据中包含的账户进行分组，得到至少一个账户群组，基于至少一个账户群组中包含的账户之间的关联关系图谱和预定的异常图谱数据库中的异常子图，以及预定的图谱处理模型，通过图谱匹配的方式确定账户群组是否为存在预定风险的异常群组，从而得到账户群组是否为存在预定风险的异常群组的结果，这样，可以通过图谱匹配的方式确定待测群组是否为存在预定风险的异常群组，可以简化交易异常群组的检测过程，可以应用于较复杂的图谱中。

实施例二

如图3A所示，本说明书实施例提供一种交易异常群组的检测方法，该方法的执行主体可以为服务器，其中，该服务器可以是独立的一个服务器，还可以是由多个服务器构成的服务器集群等，该服务器可以是某业务(如金融业务或网络购物业务等)的后台服务器，还可以是某应用程序的后台服务器等。该方法具体可以包括以下步骤：

在步骤S302中，获取多个历史账户群组，以及每个历史账户群组中包含的账户之间的关联关系图谱。

在实施中，可以通过多种方式获取历史账户群组，例如，可以通过购买或交换等方式从其它组织或机构获取群组的相关信息，可以通过获取的群组的相关信息，结合预先注册的账户信息，确定该群组中包含的用户的账户信息，进而可以得到该群组对应的账户群组，可以将得到的账户群组作为历史账户群组。此外，还可以在服务器中预先设定信息采集机制，采集注册的账户的相关行为数据，可以基于采集的相关行为数据确定不同账户之间的关联关系，进而得到属于同一群组的账户，并可以基于属于同一群组的账户构建相应的账户群组，可以将构建的账户群组作为历史账户群组。除了上述两种可实现的方式外，还可以通过多种不同的方式获取历史账户群组。通过上述方式可以得到多个不同的历史账户群组。

在获取到多个历史账户群组后，针对每个历史账户群组，可以获取该历史账户群组中每个账户对应的交易信息和行为数据，可以基于每个账户对应的交易信息和行为数据，确定该历史账户群组中不同账户之间的关联关系，进而可以得到每个历史账户群组中包含的账户之间的关联关系图谱。

在步骤S304中，基于多个历史账户群组中包含的账户之间的关联关系图谱，对图谱处理模型进行训练，得到训练后的图谱处理模型。

上述步骤S304的处理可以多种多样，以下提供一种可选的处理方式，如图3B所示，具体可以包括以下步骤S3042～步骤S3048的处理，其中，可以从多个历史账户群组中随机选择两个历史账户群组，为了表述方便，可以分别称为第一历史账户群组和第二历史账户群组。

在步骤S3042中，将第一历史账户群组中包含的账户之间的关联关系图谱中账户顺序进行打乱处理，得到打乱后的第一历史账户群组中包含的账户之间的关联关系图谱。

在实施中，可以考虑通过Triplet Loss模型对关联关系图谱进行处理，其中的Triplet Loss模型可以实现类内距离趋小，类间距离趋大，Triplet Loss模型是一种损失函数，Triplet Loss模型可以通过构建Embedding方式，将图谱直接映射到距离空间，而优化该Embedding的方法可以概括为：构建多组三元组(A，P，N)，其中元素A与元素P属于同一类别，元素A与元素N属于不同类别(如元素A与元素P可以是同一个个体，而元素A与元素N可以是不同个体)。为此，可以构建上述三元组，可以将上述历史账户群组中包含的账户之间的关联关系图谱作为上述三元组中的元素A，可以基于元素A，获取与元素A属于同一类别的元素P，可以通过下述可选方式获取元素P：即将上述第一历史账户群组中包含的账户之间的关联关系图谱中账户顺序进行打乱处理，具体如，可以将上述第一历史账户群组中包含的账户之间的关联关系图谱中账户顺序进行随机调整，从而得到打乱后的第一历史账户群组中包含的账户之间的关联关系图谱。

在步骤S3044中，基于打乱后的第一历史账户群组中包含的账户之间的关联关系图谱、第一历史账户群组中包含的账户之间的关联关系图谱和第二历史账户群组中包含的账户之间的关联关系图谱，对图谱处理模型进行训练，得到训练后的图谱处理模型。

在实施中，可以分别基于打乱后的第一历史账户群组中包含的账户之间的关联关系图谱、第一历史账户群组中包含的账户之间的关联关系图谱和第二历史账户群组中包含的账户之间的关联关系图谱，确定打乱后的第一历史账户群组中包含的账户之间的关联关系图谱对应的邻接矩阵、第一历史账户群组中包含的账户之间的关联关系图谱对应的邻接矩阵和第二历史账户群组中包含的账户之间的关联关系图谱对应的邻接矩阵。

其中，邻接矩阵可以是表示图谱节点之间相邻关系的矩阵，通常，可以使用一个一维数组存放图谱中的节点数据，用一个二维数组存放图谱中节点之间的关系的数据，该二维数组可以称为邻接矩阵，邻接矩阵又可以分为有向图邻接矩阵和无向图邻接矩阵等，其中对无向图而言，邻接矩阵可以是对称的。邻接矩阵中的数值可以表示两个节点之间是否存在关联关系，或者，也可以表示两个节点之间的权重等，具体可以根据实际情况设定，本说明书实施例对此不做限定。

需要说明的是，可以基于打乱后的第一历史账户群组中包含的账户之间的关联关系图谱中不同账户之间的关联关系，构建打乱后的第一历史账户群组中包含的账户之间的关联关系图谱对应的邻接矩阵，同样的，可以基于第一历史账户群组中包含的账户之间的关联关系图谱中不同账户之间的关联关系，构建第一历史账户群组中包含的账户之间的关联关系图谱对应的邻接矩阵，以及可以基于第二历史账户群组中包含的账户之间的关联关系图谱中不同账户之间的关联关系，构建第二历史账户群组中包含的账户之间的关联关系图谱对应的邻接矩阵。

可以基于打乱后的第一历史账户群组中包含的账户之间的关联关系图谱对应的邻接矩阵、第一历史账户群组中包含的账户之间的关联关系图谱对应的邻接矩阵和第二历史账户群组中包含的账户之间的关联关系图谱对应的邻接矩阵，对图谱处理模型进行训练，得到训练后的图谱处理模型。

具体地，基于上述相关内容，图谱处理模型可以通过多种不同的方式构建，以下提供两种可选的方式，即图谱处理模型可以由预设的神经网络模型、Embedding函数和Triplet Loss模型构建，其中神经网络模型可以为图神经网络模型，或者，神经网络模型可以为卷积神经网络模型。

例如，如图4所示，以图谱处理模型由图神经网络模型、Embedding函数和TripletLoss模型构建为例，通过上述方式得到三元组中的三个元素(即打乱后的第一历史账户群组中包含的账户之间的关联关系图谱、第一历史账户群组中包含的账户之间的关联关系图谱和第二历史账户群组中包含的账户之间的关联关系图谱)，并得到每个元素对应的邻接矩阵后，可以将上述邻接矩阵输入到图4中的图神经网络模型中进行计算，分别得到相应的输出结果，然后，可以将输出结果提供给Embedding函数，以使得将得到的输出结果进行映射，得到预设维度的数据，然后，可以通过Triplet Loss模型，对预设维度的数据进行处理，从而得到第一历史账户群组中包含的账户之间的关联关系图谱对应的图谱表征信息。

如图4所示，以图谱处理模型由图神经网络模型、Embedding函数和Triplet Loss模型构建为例，通过上述方式得到三元组中的三个元素(即打乱后的历史账户群组中包含的账户之间的关联关系图谱、历史账户群组中包含的账户之间的关联关系图谱和异常图谱数据库中的异常子图)，并得到每个元素对应的邻接矩阵后，可以将得到的三元素对应的邻接矩阵输入到图4中的图神经网络模型中进行计算，分别得到相应的输出结果，然后，可以将输出结果提供给Embedding函数，以使得将得到的输出结果进行映射，得到预设维度的数据，可以通过Triplet Loss模型，对预设维度的数据进行处理，从而得到三元组中三个元素之间的相似度关系，并对输出的上述结果的准确性进行判断，然后，再次通过其它三元组继续训练上述图谱处理模型，直到该图谱处理模型的输出结果的准确性超过预定阈值，从而可以得到训练后的图谱处理模型。

需要说明的是，图谱处理模型除了可以通过上述方式构建外，还可以通过多种不同的方式构建，例如，图谱处理模型可以由卷积神经网络模型、Embedding函数和TripletLoss模型构建等。

例如，图谱处理模型由卷积神经网络模型、Embedding函数和Triplet Loss模型构建，则可以将三元组中每个元素对应的邻接矩阵作为一组训练样本，可以将上述训练样本输入到卷积神经网络模型中进行计算，分别得到相应的输出结果，然后，可以将输出结果输入到Embedding函数，以使得将得到的输出结果进行映射，得到预设维度的数据，可以通过Triplet Loss模型，对预设维度的数据进行处理，从而得到三元组中三个元素之间的相似度关系，并对输出的上述结果的准确性进行判断，然后，再次通过其它三元组继续训练上述图谱处理模型，直到该图谱处理模型的输出结果的准确性超过预定阈值，从而可以得到训练后的图谱处理模型。

通过上述方式训练得到图谱处理模型，此时，训练后的图谱处理模型中包含的待定参数均已通过上述训练过程所得到，然后，可以使用训练后的图谱处理模型对实时交易数据流中可能存在的异常群组进行检测，具体可以参见下述步骤S306～步骤S316的处理。

在步骤S306中，基于用户的交易数据，构建交易数据中包含的账户之间的关联关系图谱。

上述步骤S306的具体处理过程可以参见上述实施例一中步骤S102的相关内容，在此不再赘述。

通过上述方式构建交易数据中包含的账户之间的关联关系图谱后，可以对关联关系图谱中包含的特定账户进行过滤处理，以减少对服务器的处理压力，具体可以包括以下步骤S308的处理。

在步骤S308中，对上述账户之间的关联关系图谱中包含的预定账户进行过滤，得到过滤后的账户之间的关联关系图谱，其中，预定账户包括预设的白名单账户和交易次数在预定时长内超过预定阈值的账户中的一个或多个。

在实施中，为了减少后续处理的过程中，服务器的处理压力，可以根据实际情况预先设定白名单，该白名单中可以记录有不存在风险的账户的相关信息，此外，服务器还可以记录交易次数在预定时长内超过预定阈值的账户，其中，预定时长可以根据实际情况设定，具体如最近1个月或最近1年等。服务器可以对上述账户之间的关联关系图谱中包含的白名单账户和/或交易次数在预定时长内超过预定阈值的账户进行过滤，得到过滤后的账户之间的关联关系图谱。

在步骤S310中，基于上述账户之间的关联关系图谱，将上述交易数据中包含的账户进行分组，得到至少一个账户群组。

上述步骤S310的具体处理过程可以参见上述相关内容，在此不再赘述。

在步骤S312中，分别将至少一个账户群组中包含的账户之间的关联关系图谱输入到图谱处理模型中，得到每个账户群组中包含的账户之间的关联关系图谱对应的图谱表征信息。

上述步骤S312的具体处理过程可以参见图4和上述相关内容，在此不再赘述。

在步骤S314中，获取每个账户群组中包含的账户之间的关联关系图谱对应的图谱表征信息与异常图谱数据库中的异常子图对应的子图表征信息之间的相似度。

其中，图谱表征信息可以是能够表征关联关系图谱的相关信息，在实际应用中，可以通过多种不同的方式构建和呈现图谱表征信息，具体可以根据实际情况设定，本说明书实施例对此不做限定。

上述步骤S314的具体处理可以通过下述方式实现：基于预定的相似度算法，确定每个账户群组中包含的账户之间的关联关系图谱对应的图谱表征信息与异常图谱数据库中的异常子图对应的子图表征信息之间的相似度；其中，预定的相似度算法包括欧氏距离算法、曼哈顿距离算法、切比雪夫距离算法、闵可夫斯基距离算法、马氏距离算法、余弦距离算法、汉明距离算法和杰卡德距离算法中的任一算法。

需要说明的是，上述步骤S314的具体处理还可以通过下述方式实现：将每个账户群组中包含的账户之间的关联关系图谱对应的图谱表征信息与异常图谱数据库中的异常子图对应的子图表征信息输入到预定的相似度模型中，得到每个账户群组中包含的账户之间的关联关系图谱对应的图谱表征信息与异常图谱数据库中的异常子图对应的子图表征信息之间的相似度；其中，相似度模型可以通过预定的算法构建，例如通过欧氏距离算法、曼哈顿距离算法、切比雪夫距离算法、闵可夫斯基距离算法、马氏距离算法、余弦距离算法、汉明距离算法和杰卡德距离算法中的一个或多个算法构建等。

在步骤S316中，基于获取的相似度，确定账户群组是否为存在预定风险的异常群组。

在实施中，通过上述方式得到账户群组中包含的账户之间的关联关系图谱对应的图谱表征信息与预定的异常图谱数据库中的异常子图对应的子图表征信息之间的相似度后，可以将得到的相似度的数值与预先设定的相似度阈值进行比较，获取相似度的数值大于相似度阈值的账户群组中包含的账户之间的关联关系图谱和异常子图，并可以将获取的异常子图对应的风险作为该账户群组对应的风险，如异常子图对应的为欺诈风险，则该账户群组对应的风险也为欺诈风险。

需要说明的是，如果大于相似度阈值的相似度数值包括多个，则可以从多个相似度的数值中任选一个，或者，从中选择相似度的数值最小的一个，或者，从中选择相似度的数值最大的一个等，具体可以根据实际情况设定。

本说明书实施例提供一种交易异常群组的检测方法，基于用户的交易数据，构建交易数据中包含的账户之间的关联关系图谱，基于账户之间的关联关系图谱，将交易数据中包含的账户进行分组，得到至少一个账户群组，将账户群组中包含的账户之间的关联关系图谱中账户顺序进行打乱处理，得到打乱后的账户群组中包含的账户之间的关联关系图谱，这样，通过对某一确定的关联关系图谱打乱账户顺序的方式构造属于同一类别的关联关系图谱，从而能够进一步强调对图谱本身结构进行学习，可以应用于较复杂的图谱，交易异常群组的检测适用性更高，而且，基于打乱后的账户群组中包含的账户之间的关联关系图谱、账户群组中包含的账户之间的关联关系图谱，训练图谱处理模型，进而基于图谱处理模型确定账户群组是否为存在预定风险的异常群组，这样，可以简化交易异常群组的检测过程，可以应用于较复杂的图谱中。

此外，基于图神经网络模型和Triplet Loss模型等结合的方式来学习图谱之间的相似度，可以进一步简化交易异常群组的检测过程，而且，通过比较不同关联厝图谱的Embedding来衡量图谱之间的相似度，进而确定账户群组是否为存在预定风险的异常群组，使得交易异常群组的检测过程更加简化。

实施例三

以上为本说明书实施例提供的交易异常群组的检测方法，基于同样的思路，本说明书实施例还提供一种交易异常群组的检测装置，如图5所示。

该交易异常群组的检测装置包括：图谱构建模块501、群组划分模块502和异常群组确定模块503，其中：

图谱构建模块501，基于用户的交易数据，构建所述交易数据中包含的账户之间的关联关系图谱；

群组划分模块502，基于所述账户之间的关联关系图谱，将所述交易数据中包含的账户进行分组，得到至少一个账户群组；

异常群组确定模块503，基于所述至少一个账户群组中包含的账户之间的关联关系图谱和预定的异常图谱数据库中的异常子图，以及预定的图谱处理模型，通过图谱匹配的方式确定所述账户群组是否为存在预定风险的异常群组。

本说明书实施例中，所述异常群组确定模块503，包括：

表征信息确定单元，分别将所述至少一个账户群组中包含的账户之间的关联关系图谱输入到所述图谱处理模型中，得到每个所述账户群组中包含的账户之间的关联关系图谱对应的图谱表征信息；

相似度确定单元，获取每个所述账户群组中包含的账户之间的关联关系图谱对应的图谱表征信息与所述异常图谱数据库中的异常子图对应的子图表征信息之间的相似度；

异常群组确定单元，基于获取的所述相似度，确定所述账户群组是否为存在预定风险的异常群组。

本说明书实施例中，所述装置还包括：

历史图谱获取模块，获取多个历史账户群组，以及每个所述历史账户群组中包含的账户之间的关联关系图谱；

训练模块，基于所述多个历史账户群组中包含的账户之间的关联关系图谱，对所述图谱处理模型进行训练，得到训练后的图谱处理模型。

本说明书实施例中，所述训练模块，包括：

图谱处理单元，将第一历史账户群组中包含的账户之间的关联关系图谱中账户顺序进行打乱处理，得到打乱后的第一历史账户群组中包含的账户之间的关联关系图谱；

训练单元，基于所述打乱后的第一历史账户群组中包含的账户之间的关联关系图谱、所述第一历史账户群组中包含的账户之间的关联关系图谱和第二历史账户群组中包含的账户之间的关联关系图谱，对所述图谱处理模型进行训练，得到训练后的图谱处理模型，所述第一历史账户群组和所述第二历史账户群组为所述多个历史账户群组中任意两个不同的历史账户群组。

本说明书实施例中，所述图谱处理模型由预设的神经网络模型、Embedding函数和Triplet Loss模型构建。

本说明书实施例中，所述神经网络模型为图神经网络模型。

本说明书实施例中，所述神经网络模型为卷积神经网络模型。

本说明书实施例中，所述相似度确定单元，基于预定的相似度算法，确定每个所述账户群组中包含的账户之间的关联关系图谱对应的图谱表征信息与所述异常图谱数据库中的异常子图对应的子图表征信息之间的相似度；

其中，所述预定的相似度算法包括欧氏距离算法、曼哈顿距离算法、切比雪夫距离算法、闵可夫斯基距离算法、马氏距离算法、余弦距离算法、汉明距离算法和杰卡德距离算法中的任一算法。

本说明书实施例中，所述装置还包括：

账户过滤模块，对所述账户之间的关联关系图谱中包含的预定账户进行过滤，得到过滤后的所述账户之间的关联关系图谱，其中，预定账户包括预设的白名单账户和交易次数在预定时长内超过预定阈值的账户中的一个或多个。

本说明书实施例提供一种交易异常群组的检测装置，基于用户的交易数据，构建交易数据中包含的账户之间的关联关系图谱，基于账户之间的关联关系图谱，将交易数据中包含的账户进行分组，得到至少一个账户群组，将账户群组中包含的账户之间的关联关系图谱中账户顺序进行打乱处理，得到打乱后的账户群组中包含的账户之间的关联关系图谱，这样，通过对某一确定的关联关系图谱打乱账户顺序的方式构造属于同一类别的关联关系图谱，从而能够进一步强调对图谱本身结构进行学习，可以应用于较复杂的图谱，交易异常群组的检测适用性更高，而且，基于打乱后的账户群组中包含的账户之间的关联关系图谱、账户群组中包含的账户之间的关联关系图谱，训练图谱处理模型，进而基于图谱处理模型确定账户群组是否为存在预定风险的异常群组，这样，可以简化交易异常群组的检测过程，可以应用于较复杂的图谱中。

此外，基于图神经网络模型和Triplet Loss模型等结合的方式来学习图谱之间的相似度，可以进一步简化交易异常群组的检测过程，而且，通过比较不同关联厝图谱的Embedding来衡量图谱之间的相似度，进而确定账户群组是否为存在预定风险的异常群组，使得交易异常群组的检测过程更加简化。

实施例四

以上为本说明书实施例提供的交易异常群组的检测装置，基于同样的思路，本说明书实施例还提供一种交易异常群组的检测设备，如图6所示。

所述交易异常群组的检测设备可以为上述实施例提供的服务器。

交易异常群组的检测设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器601和存储器602，存储器602中可以存储有一个或一个以上存储应用程序或数据。其中，存储器602可以是短暂存储或持久存储。存储在存储器602的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对交易异常群组的检测设备中的一系列计算机可执行指令。更进一步地，处理器601可以设置为与存储器602通信，在交易异常群组的检测设备上执行存储器602中的一系列计算机可执行指令。交易异常群组的检测设备还可以包括一个或一个以上电源603，一个或一个以上有线或无线网络接口604，一个或一个以上输入输出接口605，一个或一个以上键盘606。

具体在本实施例中，交易异常群组的检测设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对交易异常群组的检测设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：

基于用户的交易数据，构建所述交易数据中包含的账户之间的关联关系图谱；

基于所述账户之间的关联关系图谱，将所述交易数据中包含的账户进行分组，得到至少一个账户群组；

基于所述至少一个账户群组中包含的账户之间的关联关系图谱和预定的异常图谱数据库中的异常子图，以及预定的图谱处理模型，通过图谱匹配的方式确定所述账户群组是否为存在预定风险的异常群组。

本说明书实施例中，所述基于所述至少一个账户群组中包含的账户之间的关联关系图谱和预定的异常图谱数据库中的异常子图，以及预定的图谱处理模型，通过图谱匹配的方式确定所述账户群组是否为存在预定风险的异常群组，包括：

分别将所述至少一个账户群组中包含的账户之间的关联关系图谱输入到所述图谱处理模型中，得到每个所述账户群组中包含的账户之间的关联关系图谱对应的图谱表征信息；

获取每个所述账户群组中包含的账户之间的关联关系图谱对应的图谱表征信息与所述异常图谱数据库中的异常子图对应的子图表征信息之间的相似度；

基于获取的所述相似度，确定所述账户群组是否为存在预定风险的异常群组。

本说明书实施例中，还包括：

获取多个历史账户群组，以及每个所述历史账户群组中包含的账户之间的关联关系图谱；

基于所述多个历史账户群组中包含的账户之间的关联关系图谱，对所述图谱处理模型进行训练，得到训练后的图谱处理模型。

本说明书实施例中，所述基于所述多个历史账户群组中包含的账户之间的关联关系图谱，对所述图谱处理模型进行训练，得到训练后的图谱处理模型，包括：

将第一历史账户群组中包含的账户之间的关联关系图谱中账户顺序进行打乱处理，得到打乱后的第一历史账户群组中包含的账户之间的关联关系图谱；

基于所述打乱后的第一历史账户群组中包含的账户之间的关联关系图谱、所述第一历史账户群组中包含的账户之间的关联关系图谱和第二历史账户群组中包含的账户之间的关联关系图谱，对所述图谱处理模型进行训练，得到训练后的图谱处理模型，所述第一历史账户群组和所述第二历史账户群组为所述多个历史账户群组中任意两个不同的历史账户群组。

本说明书实施例中，所述图谱处理模型由预设的神经网络模型、Embedding函数和Triplet Loss模型构建。

本说明书实施例中，所述神经网络模型为图神经网络模型。

本说明书实施例中，所述神经网络模型为卷积神经网络模型。

本说明书实施例中，所述获取每个所述账户群组中包含的账户之间的关联关系图谱对应的图谱表征信息与所述异常图谱数据库中的异常子图对应的子图表征信息之间的相似度，包括：

基于预定的相似度算法，确定每个所述账户群组中包含的账户之间的关联关系图谱对应的图谱表征信息与所述异常图谱数据库中的异常子图对应的子图表征信息之间的相似度；

其中，所述预定的相似度算法包括欧氏距离算法、曼哈顿距离算法、切比雪夫距离算法、闵可夫斯基距离算法、马氏距离算法、余弦距离算法、汉明距离算法和杰卡德距离算法中的任一算法。

本说明书实施例中，还包括：

对所述账户之间的关联关系图谱中包含的预定账户进行过滤，得到过滤后的所述账户之间的关联关系图谱，其中，预定账户包括预设的白名单账户和交易次数在预定时长内超过预定阈值的账户中的一个或多个。

本说明书实施例提供一种交易异常群组的检测设备，基于用户的交易数据，构建交易数据中包含的账户之间的关联关系图谱，基于账户之间的关联关系图谱，将交易数据中包含的账户进行分组，得到至少一个账户群组，将账户群组中包含的账户之间的关联关系图谱中账户顺序进行打乱处理，得到打乱后的账户群组中包含的账户之间的关联关系图谱，这样，通过对某一确定的关联关系图谱打乱账户顺序的方式构造属于同一类别的关联关系图谱，从而能够进一步强调对图谱本身结构进行学习，可以应用于较复杂的图谱，交易异常群组的检测适用性更高，而且，基于打乱后的账户群组中包含的账户之间的关联关系图谱、账户群组中包含的账户之间的关联关系图谱，训练图谱处理模型，进而基于图谱处理模型确定账户群组是否为存在预定风险的异常群组，这样，可以简化交易异常群组的检测过程，可以应用于较复杂的图谱中。

此外，基于图神经网络模型和Triplet Loss模型等结合的方式来学习图谱之间的相似度，可以进一步简化交易异常群组的检测过程，而且，通过比较不同关联厝图谱的Embedding来衡量图谱之间的相似度，进而确定账户群组是否为存在预定风险的异常群组，使得交易异常群组的检测过程更加简化。

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。

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，在实施本说明书一个或多个实施例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，本说明书一个或多个实施例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，本说明书一个或多个实施例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。

本说明书的实施例是参照根据本说明书实施例的方法、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交易异常群组的检测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交易异常群组的检测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交易异常群组的检测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交易异常群组的检测设备上，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。

本领域技术人员应明白，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，本说明书一个或多个实施例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，本说明书一个或多个实施例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。

本说明书一个或多个实施例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。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书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 (13)

1.一种交易异常群组的检测方法，所述方法包括：

基于用户的交易数据，构建所述交易数据中包含的账户之间的关联关系图谱；

基于所述账户之间的关联关系图谱，将所述交易数据中包含的账户进行分组，得到至少一个账户群组；

分别将所述至少一个账户群组中包含的账户之间的关联关系图谱输入到预定的图谱处理模型中，得到每个所述账户群组中包含的账户之间的关联关系图谱对应的图谱表征信息；

获取每个所述账户群组中包含的账户之间的关联关系图谱对应的图谱表征信息与预定的异常图谱数据库中的异常子图对应的子图表征信息之间的相似度；

基于获取的所述相似度，确定所述账户群组是否为存在预定风险的异常群组。

2.根据权利要求1所述的方法，所述方法还包括：

获取多个历史账户群组，以及每个所述历史账户群组中包含的账户之间的关联关系图谱；

基于所述多个历史账户群组中包含的账户之间的关联关系图谱，对所述图谱处理模型进行训练，得到训练后的图谱处理模型。

3.根据权利要求2所述的方法，所述基于所述多个历史账户群组中包含的账户之间的关联关系图谱，对所述图谱处理模型进行训练，得到训练后的图谱处理模型，包括：

将第一历史账户群组中包含的账户之间的关联关系图谱中账户顺序进行打乱处理，得到打乱后的第一历史账户群组中包含的账户之间的关联关系图谱；

基于所述打乱后的第一历史账户群组中包含的账户之间的关联关系图谱、所述第一历史账户群组中包含的账户之间的关联关系图谱和第二历史账户群组中包含的账户之间的关联关系图谱，对所述图谱处理模型进行训练，得到训练后的图谱处理模型，所述第一历史账户群组和所述第二历史账户群组为所述多个历史账户群组中任意两个不同的历史账户群组。

4.根据权利要求3所述的方法，所述图谱处理模型由预设的神经网络模型、Embedding函数和Triplet Loss模型构建。

5.根据权利要求4所述的方法，所述神经网络模型为图神经网络模型。

6.根据权利要求4所述的方法，所述神经网络模型为卷积神经网络模型。

7.根据权利要求1所述的方法，所述获取每个所述账户群组中包含的账户之间的关联关系图谱对应的图谱表征信息与所述异常图谱数据库中的异常子图对应的子图表征信息之间的相似度，包括：

基于预定的相似度算法，确定每个所述账户群组中包含的账户之间的关联关系图谱对应的图谱表征信息与所述异常图谱数据库中的异常子图对应的子图表征信息之间的相似度；

其中，所述预定的相似度算法包括欧氏距离算法、曼哈顿距离算法、切比雪夫距离算法、闵可夫斯基距离算法、马氏距离算法、余弦距离算法、汉明距离算法和杰卡德距离算法中的任一算法。

8.根据权利要求1所述的方法，所述方法还包括：

对所述账户之间的关联关系图谱中包含的预定账户进行过滤，得到过滤后的所述账户之间的关联关系图谱，其中，预定账户包括预设的白名单账户和交易次数在预定时长内超过预定阈值的账户中的一个或多个。

9.一种交易异常群组的检测装置，所述装置包括：

第一图谱构建模块，基于用户的交易数据，构建所述交易数据中包含的账户之间的关联关系图谱；

群组划分模块，基于所述账户之间的关联关系图谱，将所述交易数据中包含的账户进行分组，得到至少一个账户群组；

异常群组确定模块，分别将所述至少一个账户群组中包含的账户之间的关联关系图谱输入到预定的图谱处理模型中，得到每个所述账户群组中包含的账户之间的关联关系图谱对应的图谱表征信息；获取每个所述账户群组中包含的账户之间的关联关系图谱对应的图谱表征信息与预定的异常图谱数据库中的异常子图对应的子图表征信息之间的相似度；基于获取的所述相似度，确定所述账户群组是否为存在预定风险的异常群组。

10.根据权利要求9所述的装置，所述装置还包括：

历史图谱获取模块，获取多个历史账户群组，以及每个所述历史账户群组中包含的账户之间的关联关系图谱；

训练模块，基于所述多个历史账户群组中包含的账户之间的关联关系图谱，对所述图谱处理模型进行训练，得到训练后的图谱处理模型。

11.根据权利要求10所述的装置，所述训练模块，包括：

图谱处理单元，将第一历史账户群组中包含的账户之间的关联关系图谱中账户顺序进行打乱处理，得到打乱后的第一历史账户群组中包含的账户之间的关联关系图谱；

训练单元，基于所述打乱后的第一历史账户群组中包含的账户之间的关联关系图谱、所述第一历史账户群组中包含的账户之间的关联关系图谱和第二历史账户群组中包含的账户之间的关联关系图谱，对所述图谱处理模型进行训练，得到训练后的图谱处理模型，所述第一历史账户群组和所述第二历史账户群组为所述多个历史账户群组中任意两个不同的历史账户群组。

12.根据权利要求11所述的装置，所述图谱处理模型由预设的神经网络模型、Embedding函数和Triplet Loss模型构建。

13.一种交易异常群组的检测设备，其特征在于，所述交易异常群组的检测设备包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：

基于用户的交易数据，构建所述交易数据中包含的账户之间的关联关系图谱；

基于所述账户之间的关联关系图谱，将所述交易数据中包含的账户进行分组，得到至少一个账户群组；

分别将所述至少一个账户群组中包含的账户之间的关联关系图谱输入到预定的图谱处理模型中，得到每个所述账户群组中包含的账户之间的关联关系图谱对应的图谱表征信息；

获取每个所述账户群组中包含的账户之间的关联关系图谱对应的图谱表征信息与预定的异常图谱数据库中的异常子图对应的子图表征信息之间的相似度；

基于获取的所述相似度，确定所述账户群组是否为存在预定风险的异常群组。

Images