CN111639687B - 一种模型训练以及异常账号识别方法及装置 - Google Patents
一种模型训练以及异常账号识别方法及装置 Download PDFInfo
- Publication number
- CN111639687B CN111639687B CN202010423022.4A CN202010423022A CN111639687B CN 111639687 B CN111639687 B CN 111639687B CN 202010423022 A CN202010423022 A CN 202010423022A CN 111639687 B CN111639687 B CN 111639687B
- Authority
- CN
- China
- Prior art keywords
- account
- node
- determining
- user
- prediction probability
- 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.)
- Active
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 140
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000012549 training Methods 0.000 title claims abstract description 54
- 239000013598 vector Substances 0.000 claims abstract description 81
- 238000002372 labelling Methods 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000009826 distribution Methods 0.000 claims description 25
- 230000005484 gravity Effects 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000007477 logistic regression Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 description 58
- 238000010586 diagram Methods 0.000 description 22
- 238000004590 computer program Methods 0.000 description 15
- 238000003860 storage Methods 0.000 description 14
- 230000002776 aggregation Effects 0.000 description 11
- 238000004220 aggregation Methods 0.000 description 11
- 230000006399 behavior Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 230000006872 improvement Effects 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004900 laundering Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioethics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书公开了一种模型训练以及异常账号识别方法及装置,可先获取预先标注的第一账号和未标注的第二账号作为训练样本,其次根据各用户账号的账号数据分别确定异质网中各节点,再根据各节点间的关联关系建立异质网,以及确定异质网中各节点的节点属性,之后将异质网以及各节点的节点属性输入待训练的账号识别模型,确定各用户账号的特征向量以及预测概率,最后根据各第一账号的预测概率、标注信息、各第一账号的特征向量以及各第二账号的预测概率,确定损失函数,以损失函数最小为优化目标调整模型参数,以通过该账号识别模型识别异常账号。采用半监督方式进行模型训练,减少了用户账号的标注时间和标注成本,节省了异常账号的识别成本。
Description
技术领域
本申请涉及互联网技术领域,尤其涉及一种模型训练以及异常账号识别方法及装置。
背景技术
随着互联网技术的发展,越来越多的用户通过网络平台执行各项业务,例如:通过金融平台进行理财、交易,通过社交平台聊天、评论等。由于互联网平台具有匿名、信息验证简单等特点,导致一些用户利用网络平台中的用户账号进行一些不正当行为,例如:在金融平台中进行洗钱等违法活动,在社交网络中发表不正当言论等。为了防止网络平台中的不正当行为,网络平台可通过识别平台上的异常账号,对异常账号进行拉黑、限制交易以及实名认证等方式进行控制。
以识别金融平台中的异常账号为例,在现有技术中,金融平台常利用多层感知机识别异常账号。具体的,首先,金融平台获取各用户账号的账号数据,账号数据包括用户账号的账号标识、登录设备、交易订单以及消费金额等信息。之后针对获取到的每个用户账号。将该用户账号的账号数据输入预先训练的多层感知机中,输出该用户账号为异常账号的概率。其中,在训练该多层感知机时,可先获取大量预先标注有标注信息的用户账号作为训练样本,标注信息用于表征账号是否异常。之后针对训练样本中的每个用户账号,将该用户账号的账号数据输入待训练的多层感知机中,输出该用户账号的预测概率。以最小化各用户账号预先标注的标注信息与预测概率之间的差异为优化目标,调整该多层感知机中的模型参数。
发明内容
本说明书实施例提供一种模型训练以及异常账号识别方法及装置,用于部分解决现有技术中,多层感知机的训练过程需要预先标注的大量训练样本,标注时间较长,标注成本较高,导致异常账号识别成本较高的问题。
本说明书实施例采用下述技术方案:
本说明书提供的一种模型训练方法,包括:
获取预先标注有标注信息的各用户账号作为第一账号,以及获取未标注的各用户账号作为第二账号,所述标注信息表示用户账号是否异常;
根据各第一账号的账号数据以及各第二账号的账号数据,分别确定各用户账号的账号标识对应的主节点,以及各用户账号的设备标识、手机号码标识以及通过该用户账号执行的各业务对应的各从节点;
根据确定出的各用户账号对应的主节点、各从节点以及各用户账号的主节点与各从节点之间的关联关系,建立异质网,并根据各第一账号的账号数据以及各第二账号的账号数据,确定所述异质网中各节点的节点属性;
将所述异质网以及各节点的节点属性作为输入,输入待训练的账号识别模型,确定各主节点对应的用户账号的预测概率,其中,所述预测概率是通过所述待训练的账号识别模型的逻辑回归层,根据所述主节点对应的特征向量确定的;
根据各第一账号的预测概率、预先标注的标注信息、各第一账号的特征向量以及各第二账号的预测概率,确定损失函数的各损失项;
以所述损失函数最小为优化目标,调整所述账号识别模型中的模型参数,所述账号识别模型用于识别异常账号。
可选地,将所述异质网以及各节点的节点属性作为输入,输入待训练的账号识别模型,确定各主节点对应的用户账号的预测概率,具体包括:
将所述异质网以及各节点的节点属性作为输入,输入待训练的账号识别模型的图卷积神经网络层,确定各节点更新后的节点属性;
将所述主节点更新后的节点属性输入待训练的账号识别模型的多层感知机层,输出所述主节点对应的用户账号的特征向量;
将各主节点对应的用户账号的特征向量输入待训练的账号识别模型的逻辑回归层,输出各主节点对应的用户账号的预测概率。
可选地,待训练的账号识别模型包含多个图卷积神经网络层;
将所述异质网以及各节点的节点属性作为输入,输入待训练的账号识别模型的图卷积神经网络层,确定各节点更新后的节点属性,具体包括:
将所述异质网以及各节点的节点属性作为输入,输入所述待训练的账号识别模型的图卷积神经网络层,确定各节点更新后的节点属性;
判断是否到达最后一层图卷积神经网络层;
若是,输出各节点更新后的节点属性;
若否,将各节点更新后的节点属性输入下一图卷积神经网络层中,重新输出该节点更新后的节点属性,直至到达最后一层图卷积神经网络层为止。
可选地,根据各第一账号的预测概率、预先标注的标注信息、各第一账号的特征向量以及各第二账号的预测概率,确定各损失项,具体包括:
根据各第一账号预先标注的标注信息,确定各第一账号的实际概率;
根据各第一账号的预测概率以及实际概率的交叉熵,确定分类损失;
根据各第一账号中预先标注的正常账号以及异常账号的特征向量,确定中心损失;
根据各第二账号的预测概率以及预设的锐化规则,确定锐化后的各第二账号的预测概率,作为锐化概率;
根据各第二账号的预测概率与各第二账号的锐化概率的交叉熵,确定先验损失;
根据各第一账号的预测概率以及各第二账号的预测概率,确定分布损失。
可选地,根据各第一账号中预先标注的正常账号以及异常账号的特征向量,确定中心损失,具体包括:
根据各第一账号中预先标注的正常账号,确定各正常账号的特征向量;
根据确定出的各正常账号的特征向量,确定各正常账号对应的重心;
根据确定出各正常账号对应的重心以及各正常账号的特征向量,确定各正常账号的中心损失;
根据各第一账号中预先标注的异常账号,确定各异常账号的特征向量;
根据确定出的各异常账号的特征向量,确定各异常账号对应的重心;
根据确定出各异常账号对应的重心以及各异常账号的特征向量,确定各异常账号的中心损失;
根据各正常账号的中心损失以及各异常账号的中心损失,确定中心损失。
可选地,所述方法还包括:
根据待训练的账号识别模型中的各模型参数,确定正则损失;
根据所述正则损失以及确定出的各损失项,确定损失函数。
本说明书提供的一种异常账号识别方法,包括:
获取各用户账号的账号数据,所述账号数据至少包括:用户信息以及业务数据;
根据获取到的账号数据,确定异质网中的各节点,其中,针对每个用户账号,根据该用户账号的用户信息,确定该用户账号的账号标识对应的主节点,并分别确定该用户账号的设备标识以及手机号码标识对应的各从节点,以及根据该用户账号的业务数据,分别确定通过该用户账号执行的各业务对应的从节点;
针对每个主节点,根据该主节点对应的用户账号的账号数据之间的关系,确定与该主节点关联的各从节点,并根据确定出的节点间的关联关系建立异质网;
根据各用户账号的账号数据,确定各用户账号对应的主节点以及各从节点的节点属性;
将所述异质网以及各节点的节点属性输入预先训练的账号识别模型中,输出各用户账号的预测概率,其中,账号识别模型是基于预先标注以及未标注的用户账号作为训练样本,以最小化由各第一账号的预测概率、预先标注的标注信息、各第一账号的特征向量以及各第二账号的预测概率确定的损失函数,训练得到的;
根据各用户账号的预测概率,确定异常账号。
可选地,根据确定出的节点间的关联关系建立异质网,具体包括:
根据确定出的节点间的关联关系,建立该主节点与该主节点关联的各从节点之间的边;
根据确定出的各节点以及确定出的边,确定异质网。
可选地,根据各用户账号的账号数据,确定各用户账号对应的主节点以及各从节点的节点属性,具体包括:
将账号标识对应的主节点、设备标识对应的从节点、手机号码标识对应的从节点以及各业务对应的从节点,作为不同节点类型的节点;
针对每个节点,根据该节点的节点类型,确定该节点对应的业务数据的统计值以及该节点对应的用户信息,并根据确定出的统计值以及用户信息确定该节点的节点属性;
其中,确定不同节点类型的节点属性所需的业务数据以及用户信息的维度不完全相同。
可选地,将所述异质网以及各节点的节点属性输入预先训练的账号识别模型中,输出各用户账号的预测概率,具体包括:
将所述异质网以及各节点的节点属性输入预先训练的账号识别模型的图卷积神经网络层,确定各节点更新后的节点属性;
将所述主节点的节点属性输入预先训练的账号识别模型的多层感知机层,输出所述主节点对应的用户账号的特征向量;
将各主节点对应的用户账号的特征向量输入预先训练的账号识别模型的逻辑回归层,输出各主节点对应的用户账号的预测概率。
本说明书提供一种模型训练装置,包括:
获取模块,获取预先标注有标注信息的各用户账号作为第一账号,以及获取未标注的各用户账号作为第二账号,所述标注信息表示用户账号是否异常;
节点确定模块,根据各第一账号的账号数据以及各第二账号的账号数据,分别确定各用户账号的账号标识对应的主节点,以及各用户账号的设备标识、手机号码标识以及通过该用户账号执行的各业务对应的各从节点;
节点属性确定模块,根据确定出的各用户账号对应的主节点、各从节点以及各用户账号的主节点与各从节点之间的关联关系,建立异质网,并根据各第一账号的账号数据以及各第二账号的账号数据,确定所述异质网中各节点的节点属性;
预测概率确定模块,将所述异质网以及各节点的节点属性作为输入,输入待训练的账号识别模型,确定各主节点对应的用户账号的预测概率,其中,所述预测概率是通过所述待训练的账号识别模型的逻辑回归层,根据所述主节点对应的特征向量确定的;
损失项确定模块,根据各第一账号的预测概率、预先标注的标注信息、各第一账号的特征向量以及各第二账号的预测概率,确定损失函数的各损失项;
异常账号识别模块,以所述损失函数最小为优化目标,调整所述账号识别模型中的模型参数,所述账号识别模型用于识别异常账号。
本说明书提供一种异常账号识别装置,包括:
获取模块,获取各用户账号的账号数据,所述账号数据至少包括:用户信息以及业务数据;
节点确定模块,根据获取到的账号数据,确定异质网中的各节点,其中,针对每个用户账号,根据该用户账号的用户信息,确定该用户账号的账号标识对应的主节点,并分别确定该用户账号的设备标识以及手机号码标识对应的各从节点,以及根据该用户账号的业务数据,分别确定通过该用户账号执行的各业务对应的从节点;
异质网建立模块,针对每个主节点,根据该主节点对应的用户账号的账号数据之间的关系,确定与该主节点关联的各从节点,并根据确定出的节点间的关联关系建立异质网;
节点属性确定模块,根据各用户账号的账号数据,确定各用户账号对应的主节点以及各从节点的节点属性;
输出模块,将所述异质网以及各节点的节点属性输入预先训练的账号识别模型中,输出各用户账号的预测概率,其中,账号识别模型是基于预先标注以及未标注的用户账号作为训练样本,以最小化由各第一账号的预测概率、预先标注的标注信息、各第一账号的特征向量以及各第二账号的预测概率确定的损失函数,训练得到的;
异常账号确定模块,根据各用户账号的预测概率,确定异常账号。
本说明书提供的一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述模型训练方法或异常账号识别方法。
本说明书提供的一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述模型训练方法或异常账号识别方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书中进行模型训练时,可先获取预先标注有标注信息的各用户账号作为第一账号,以及获取未标注的各用户账号作为第二账号,之后根据各第一账号的账号数据以及各第二账号的账号数据,分别确定各用户账号的账号标识对应的主节点,以及各用户账号的设备标识、手机号码标识以及通过该用户账号执行的各业务对应的各从节点,作为异质网中的各节点。并根据确定出的各节点以及各节点间的关联关系,建立异质网,以及根据各第一账号的账号数据以及各第二账号的账号数据,确定异质网中各节点的节点属性,然后将该异质网以及各节点的节点属性作为输入,输入待训练的账号识别模型,确定各主节点对应的用户账号的预测概率,最后根据各第一账号的预测概率、预先标注的标注信息、各第一账号的特征向量以及各第二账号的预测概率,确定损失函数的各损失项,以损失函数最小为优化目标,调整待训练的账号识别模型中的模型参数,以通过该账号识别模型识别异常账号。通过将预先标注和未标注的用户账号作为训练样本进行模型训练,减少了用户账号的标注时间和标注成本,节省了异常账号的识别成本。并通过各第一账号的预测概率、预先标注的标注信息、各第一账号的特征向量以及各第二账号的预测概率,确定损失函数中的各损失项,使训练出的账号识别模型更准确,提高异常账号的识别准确度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本说明书实施例提供的一种模型训练方法流程的示意图;
图2为本说明书实施例提供的账号识别模型的结构示意图;
图3为本说明书实施例提供的账号识别模型进行用户账号识别的流程示意图;
图4为本说明书实施例提供的预测概率锐化的示意图;
图5为本说明书实施例提供的一种异常账号识别方法流程的示意图;
图6为本说明书实施例提供的确定异质网中各节点的节点示意图;
图7为本说明书实施例提供的异质网的结构示意图;
图8为本说明书实施例提供的一种模型训练装置的结构示意图;
图9为本说明书实施例提供的一种异常账号识别装置的结构示意图;
图10为本说明书实施例提供的实现模型训练方法或实现异常账号识别方法的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1为本说明书实施例提供的一种模型训练方法流程的示意图,具体可包括以下步骤:
S100:获取预先标注有标注信息的各用户账号作为第一账号,以及获取未标注的各用户账号作为第二账号。
由于网络平台中经常存在进行不正当行为的异常账号,因此网络平台可通过识别用户行为,从中确定不正当行为的用户账号为异常账号,以进行拉黑、限制交易等处理。而用户行为可通过用户在网络平台登录用户账号时的用户信息,以及通过用户账号执行的业务反映,因此在本说明书中,网络平台可先获取用户账号的账号数据,以将用户账号的账号数据输入预先训练的账号识别模型中进行异常账号识别。
因此本说明书在对账号识别模型进行模型训练时,可先获取该网络平台中各用户账号,又由于本说明书提供的账号识别模型采用半监督学习的方法进行模型训练。因此获取的用户账号中包含有预先标注的用户账号以及未标注的用户账号,将预先标注有标注信息的各用户账号作为第一账号,以及获取未标注的各用户账号作为第二账号。其中,该预先标注有标注信息的各用户账号可以是根据经验确定的,标注信息标识用户账号是否异常。
进一步地,还需确定各用户账号的账号数据,以根据各用户账号的账号数据进行模型训练。可针对每个用户账号,确定该用户账号的账号数据,其中,账号数据包含用户账号在网络平台中的用户信息以及执行业务的业务数据等。用户信息指用户账号在网络平台中的基本信息,包括账号标识、账号昵称、登录设备标识、注册的手机号码以及职业信息等。业务数据指通过用户账号执行的各业务的业务信息,包括:业务标识、业务类型以及业务内容等。例如:当执行的业务为登录业务时,业务内容包含登录时间以及登录地点等信息,当执行的业务为支付业务时,业务内容包含支付商家标识、商品标识以及支付金额等信息,当执行的业务为评论业务时,业务内容包含评论文字、评论图片、评论对象以及评论时间等信息。
更进一步地,本说明书提供的模型训练方法具体可由网络平台的服务器执行,该服务器可以是单一的服务器,也可以是多个服务器组成的系统,例如:分布式服务器等,本说明书对此不做限制,可根据需要设置。
另外,在本说明书中,该账号识别模型具体为图卷积神经网络(GraphConvolutional Network,GCN)模型,至少由GCN层、多层感知机层以及逻辑回归层构成,如图2所示。
S102:根据各第一账号的账号数据以及各第二账号的账号数据,分别确定各用户账号的账号标识对应的主节点,以及各用户账号的设备标识、手机号码标识以及通过该用户账号执行的各业务对应的各从节点。
在本说明书实时例中,由于在对GCN模型进行模型训练时,需要输入异质网以及异质网中各节点的节点属性,因此当获取到预先标注以及未标注的用户账号的账号数据后,便可根据各第一账号的账号数据以及各第二账号的账号数据,确定异质网中的各节点。
通常异质网中的节点可分为主节点以及从节点,由于本说明书训练的账号识别模型用于识别异常账号,因此在本说明书中可确定用户账号的账号标识对应的节点作为主节点。具体的,该服务器可针对每个用户账号,根据该用户账号的账号数据中的用户信息,确定该用户账号的账号标识在异质网中对应的节点,作为该异质网中的主节点,并分别确定该用户账号的设备标识以及手机号码标识在异质网中对应的节点,作为各从节点,以及根据该用户账号的业务数据,分别确定通过该用户账号执行的各业务在异质网中对应的节点,也作为从节点。其中,账号标识对应的主节点、设备标识对应的从节点、手机号码标识对应的从节点以及各业务对应的从节点分别对应不同节点类型的节点。
S104:根据确定出的各用户账号对应的主节点、各从节点以及各用户账号的主节点与各从节点之间的关联关系,建立异质网,并根据各第一账号的账号数据以及各第二账号的账号数据,确定所述异质网中各节点的节点属性。
在本说明书实施例中,当通过步骤S102确定出异质网中的各节点后,便可根据各节点,建立异质网以及确定各节点的节点属性,以训练GCN模型。
具体的,针对异质网中的每个主节点,可先根据该主节点对应的用户账号的账号数据之间的关系,确定与该主节点关联的各从节点。之后根据确定出的节点间的关联关系,建立该主节点与该主节点关联的各从节点之间的边,并根据确定出的异质网中的各节点以及各节点之间的边,确定异质网。其中,异质网中主节点与其关联的从节点相连接,各主节点之间不直接连接,而是通过从节点相连接。用户账号的用户行为越接近,用户账号对应的主节点之间连接的从节点越多。然后该服务器可确定异质网中各节点的节点类型,并针对该异质网中的每个节点,根据该节点的节点类型,确定该节点对应的业务数据的统计值以及该节点对应的用户信息,并根据确定出的统计值以及用户信息确定该节点的节点属性。其中,确定不同节点类型的节点属性所需的业务数据以及用户信息的维度不完全相同。
以主节点为例进行说明,主节点的节点类型对应的业务数据的维度包括:第一预设时长内通过用户账号执行的各业务的业务内容,主节点的节点类型对应的用户信息的维度包括:是否为第二预设时长内新注册的用户账号,是否进行过实名认证。
则在本说明书中对于用户账号中的各从节点,设备标识对应的从节点的节点类型的业务数据的维度包括:第一预设时长内通过用户账号执行的各业务的业务内容,设备标识对应的从节点的节点类型对应的用户信息的维度包括:是否为第三预设时长内新进设备。
手机号码标识对应的从节点的节点类型的业务数据的维度包括:第一预设时长内通过用户账号执行的各业务的业务内容,手机号码标识对应的从节点的节点类型对应的用户信息的维度包括:手机号码归属地。
各业务对应的从节点的节点类型的业务数据的维度包括:第四预设时长内的执行的业务数量以及业务内容,各业务对应的从节点的节点类型对应的用户信息的维度包括:执行业务所在城市的城市等级。其中,第一预设时长到第四预设时长可根据需要设置,例如:一个月内、一周内等,本说明书对此不做限制,可根据需要设置。
S106:将所述异质网以及各节点的节点属性作为输入,输入待训练的账号识别模型,确定各主节点对应的用户账号的预测概率。
在本说明书实施例中,对账号识别模型进行训练时,可将用过步骤S104确定出的异质网以及该异质网中各节点的节点属性作为输入,输入待训练的账号识别模型,确定待训练的账号识别模型的输出结果,以在后续步骤中根据该输出结果以及获取的第一账号和第二账号,进行模型训练。
具体的,如图3所示,首先,该服务器可将异质网以及该异质网中各节点的节点属性作为输入,输入待训练的账号识别模型的GCN层,输出各节点更新后的节点属性。
其中,在该GCN层中,首先针对该异质网中的每个节点,根据该节点的节点类型,确定对应该节点的节点类型的模型参数Wij,i∈n,j∈m,其中i表示模型参数对应GCN的层数,n表示GCN模型的GCN层的层数,i取值范围可以为1~n,j表示模型参数对应的不同节点类型,m表示节点类型的数量,即有多少类型,j取值范围为1~m,由于本说明书实施例提供的异质网中具有4种节点类型,因此本说明书中j可为1~4中任意值。之后将该节点的节点属性与对应该节点的模型参数Wij相乘,并通过非线性激活函数,确定该节点的节点输出值。然后根据该异质网中各节点的关联关系以及各节点的节点输出值,进行消息传递,再针对该异质网中的每个节点,将该节点的节点输出值以及接收到的各相关联节点的节点输出值,进行聚合,确定该节点聚合后的节点聚合值,其中,聚合方式包括但不限于求和、取平均值,取最大值等。最后将各节点的节点聚合值输入多层感知机中,将输出值作为该节点更新后的节点属性。需要说明的是,对于不同节点类型的节点来说,其节点属性的维度不一定相同,因此不同节点类型对应的模型参数Wij的维度也不一定相同。例如:主节点的节点属性包括:第一预设时长内执行的各业务的业务内容、是否为第二预设时长内新注册的用户账号以及是否进行过实名认证三个维度。设备标识对应的从节点的节点属性包括:第一预设时长内执行的各业务的业务内容以及是否为第三预设时长内新进设备两个维度。
之后,依次将各GCN层输出的更新后的节点属性作为下一GCN层的输入,并在下一GCN层中,重新针对该异质网中的每个节点,将该节点更新后的节点属性与对应该节点的节点类型的模型参数Wij相乘,并通过非线性激活函数,重新确定该节点的节点输出值,再通过消息传递、聚合以及多层感知机,重新确定输出值作为该节点更新后的节点属性,直至得到最后一层的GCN层输出的节点属性为止。其中,不同GCN层中的模型参数Wij不完全相同。
然后将最后一层的GCN层输出的各主节点更新后的节点属性输入待训练的账号识别模型的多层感知机层,输出各主节点对应的用户账号的特征向量e,该特征向量e用于表征该用户账号对应在高维度空间中的位置。最后将各主节点对应的用户账号的特征向量e输入待训练的账号识别模型的逻辑回归层,通过该逻辑回归层中的softmax函数,输出各主节点对应的用户账号的预测概率y。
S108:根据各第一账号的预测概率、预先标注的标注信息、各第一账号的特征向量以及各第二账号的预测概率,确定损失函数的各损失项。
在本说明书实施例中对账号识别模型进行训练时,还需根据预先标注的标注信息以及待训练的账号识别模型的输出结果,确定损失函数,以根据该损失函数调整模型参数。
具体的,在确定该账号识别模型的损失函数时,可根据待训练的账号识别模型输出的各第一账号的预测概率、各第一账号预先标注的标注信息、待训练的账号识别模型输出的各第一账号的特征向量以及各第二账号的预测概率,分别确定账号识别模型的损失函数的各损失项,包括:分类损失、中心损失、先验损失以及分布损失。
其中,由于各第一账号为预先根据经验标注的异常账号和正常账号,因此通过待训练的账号识别模型输出的各第一账号的预测概率应与预先标注的各第一账号的实际概率相符,于是可根据各第一账号的预测概率以及各第一账号的实际概率,确定该账号识别模型的损失函数中的分类损失。具体的,可根据各第一账号预先标注的标注信息,确定各第一账号的实际概率,之后确定待训练的账号识别模型输出的各第一账号的预测概率与实际概率的交叉熵,并根据该交叉熵,确定分类损失。此外,交叉熵越小,说明预测概率与实际概率越接近。例如,假设存在第一账号A、B、C分别标注为异常、正常以及正常,对应的实际概率分别为100%、0%以及0%,则根据标注可确定各第一账号对应的实际概率为p(A,B,C)=(1,0,0),表示按照第一账号A、B、C的顺序,各第一账号对应的实际概率。同理,假设确定出的各第一账号A、B、C的预测概率分别为80%、10%以及10%,则各第一账号对应的预测概率为q(A,B,C)=(0.8,0.1,0.1),则可通过交叉熵计算公式:H(p,q)=-∑p(Xi)logq(Xi),确定第一账号的实际概率与预测概率之间的交叉熵为:
H((1,0,0)(0.8,0.1,0.1))=-(1×log0.8+0×log0.1+0×log0.1)=0.1。
由于正常账号之间通常具有共同点,异常账号之间也具有共同点,因此通过待训练的账号识别模型识别出的正常账号之间的偏离程度较小,识别出的异常账号之间的偏离程度也较小,因此可根据第一账号中各正常账号的特征向量以及各异常账号的特征向量,确定该账号识别模型的损失函数中的中心损失。具体的,可根据各第一账号中预先标注的正常账号,确定各正常账号的特征向量,并根据确定出的各正常账号的特征向量,确定各正常账号对应的重心,之后根据确定出各正常账号对应的重心以及各正常账号的特征向量,确定各正常账号的特征向量与各正常账号对应的重心的方差,并根据确定出的方差确定各正常账号的中心损失。以及根据各第一账号中预先标注的异常账号,确定各异常账号的特征向量,并根据确定出的各异常账号的特征向量,确定各异常账号对应的重心,之后根据确定出各异常账号对应的重心以及各异常账号的特征向量,确定各异常账号的特征向量与各异常账号对应的重心的方差,并根据确定出的方差确定各异常账号的中心损失。最后根据各正常账号的中心损失以及各异常账号的中心损失,确定该账号识别模型的中心损失。其中,中心损失越小,说明正常账号以及异常账号的分布越集中。
例如:假设预先标注的第一账号中存在三个正常账号以及两个异常账号,正常账号的特征向量分别为e1=(1,1)、e2=(1,2)、e3=(2,1),则可确定正常账号对应的重心为e=(4/3,4/3),可确定各正常账号的特征向量与各正常账号对应的重心的方差:S1 2=(e1-e)2+(e2-e)2+(e3-e)2=4/3。异常账号的特征向量分别为e4=(5,1)、e5=(4,2),则可确定异常账号对应的重心为e'=(4.5,1.5),可确定各异常账号的特征向量与各异常账号对应的重心的方差:S2 2=(e4-e’)2+(e5-e’)2=1。最后可根据正常账号的中心损失以及异常账号的中心损失,确定账号识别模型的中心损失S2=S1 2+S2 2=7/3。
由于对用户账号进行识别时,会识别为正常账号或者异常账号,而不存在识别模糊情况,因此通过待训练的账号识别模型输出的预测概率也应该越偏向0或1,在本说明书中可根据输出的各第二账号的预测概率以及各第二账号锐化后的预测概率,确定该账号识别模型的损失函数中的先验损失。具体的,可根据各第二账号的预测概率以及预设的锐化规则,确定锐化后的各第二账号的预测概率,作为锐化概率,之后根据各第二账号的预测概率与锐化后的各第二账号的锐化概率的交叉熵,确定先验损失。例如:如图4所示,假设确定出的各第二账号的预测概率分别为0.3,0.5,0.57,0.66,0.7,0.1,0.2,预设的锐化规则为则可确定锐化后的各第二账号的预测概率为0.1,0.17,0.19,0.79,0.84,0.03,0.07,之后可根据交叉熵计算公式:H(p,q)=-∑p(Xi)logq(Xi),确定各第二账号的预测概率与锐化后的各第二账号的锐化概率的交叉熵作为先验损失。
由于预先标注的第一账号中的正常账号与异常账号的分布与未标注的第二账号中正常账号与异常账号的分布近似,且账号数量越多,分布越相近,本说明书在进行模型训练时可认为分布一致。因此可根据各第一账号的预测概率以及各第二账号的预测概率,确定该账号识别模型的损失函数中的分布损失。具体的,可根据各第一账号的预测概率以及各第二账号的预测概率,分别通过核函数确定各第一账号的预测概率分布以及各第二账号的预测概率分布,之后再根据各第一账号的预测概率分布以及各第二账号的预测概率分布,重新确定各第一账号的预测概率以及各第二账号的预测概率,并确定各第一账号的预测概率与各第二账号的预测概率的交叉熵,确定分布损失。例如:假设各第一账号的预测概率分别为0.02,0.06,0.15,0.18,0.85,0.88,0.93,0.96。则可确定各第一账号的预测概率分布为0~0.2为0.5,0.8~1为0.5。同理,假设各第二账号的预测概率分别为0.05,0.12,0.81,0.85,0.92,0.95,则可确定各第二账号的预测概率分布为0~0.2为0.33,0.8~1为0.67。之后可根据各第一账号的预测概率分布,重新确定各第一账号的预测概率为0.5,0.5,根据各第二账号的预测概率分布,重新确定各第二账号的预测概率为0.33,0.67,并重新根据各第一账号的预测概率以及各第二账号的预测概率,通过交叉熵计算公式:H(p,q)=-∑p(Xi)logq(Xi),确定各第一账号的预测概率与各第二账号的预测概率的交叉熵,作为分布损失。为方便理解,上述举例过程中直接根据各第一账号以及各第二账号的预测概率分布重新确定预测概率。但采用上述方法确定出的预测概率为不连续的,因此在本说明书通过核函数,重新确定出的预测概率较为平滑。其中,通过核函数平滑确定概率值为本领域常见的现有技术,本说明书对此不再赘述。
需要说明的是,本说明书中账号识别模型的损失函数,可由上述各损失项中的至少一种损失项确定。本说明书对此不做限制,可任意结合使用。当账号识别模型的损失函数由多项损失项确定时,可根据需要设置各损失项的权重,并将各损失项的加权和作为识别模型的损失函数。
S110:以所述损失函数最小为优化目标,调整所述账号识别模型中的模型参数,所述账号识别模型用于识别异常账号。
在本说明书实施例中,当通过步骤S108确定出的各损失项后,便可根据各损失项确定损失函数,以根据损失函数进行模型训练。
具体的,可将步骤S108确定出的各损失项进行加权求和,确定账号识别模型的损失函数,之后以最小化该损失函数为优化目标,调整待训练的账号识别模型中的模型参数,以用于识别异常账号。其中,模型参数存在于各GCN层、多层感知机层以及逻辑回归层中,包括但不限于不同节点类型对应的模型参数Wi。
进一步地,为了防止过拟合,在确定账号识别模型的损失函数时,还可根据待训练的账号识别模型中的各模型参数,确定各模型参数的一阶范数以及二阶范数,并根据确定出的一阶范数以及二阶范数,确定正则损失,并将该正则损失作为账号识别模型的损失函数中的损失项。假设确定出的各损失项分别为:分类损失X、中心损失Y、分布损失Z、先验损失W以及正则损失N,则可确定损失函数为S=αX+βY+χZ+δW+εN。
基于图1所示的模型训练方法,在进行模型训练时,可先获取预先标注有标注信息的各用户账号作为第一账号,以及获取未标注的各用户账号作为第二账号,之后根据各第一账号的账号数据以及各第二账号的账号数据,分别确定各用户账号的账号标识对应的主节点,以及各用户账号的设备标识、手机号码标识以及通过该用户账号执行的各业务对应的各从节点,作为异质网中的各节点。并根据确定出的各节点以及各节点间的关联关系,建立异质网,以及根据各第一账号的账号数据以及各第二账号的账号数据,确定异质网中各节点的节点属性,然后将该异质网以及各节点的节点属性作为输入,输入待训练的账号识别模型,确定各主节点对应的用户账号的预测概率,最后根据各第一账号的预测概率、预先标注的标注信息、各第一账号的特征向量以及各第二账号的预测概率,确定损失函数的各损失项,以损失函数最小为优化目标,调整待训练的账号识别模型中的模型参数,以用于识别异常账号。通过将预先标注和未标注的用户账号作为训练样本进行模型训练,减少了模型训练的标注成本以及标注时间,节省了异常账号的识别成本。并通过各第一账号的预测概率、预先标注的标注信息、各第一账号的特征向量以及各第二账号的预测概率,确定损失函数中的各损失项,使训练出的账号识别模型更准确,提高异常账号的识别准确度。
此外,为了增强训练的账号识别模型的鲁棒性,在本说明书步骤S106中,可在GCN层中进行训练时任意丢弃若干节点的节点属性,使当应用该账号识别模型识别异常账号时,在任意用户账号的节点的节点属性丢失时,也能够准确识别出异常账号。
在本说明书步骤S108中确定损失函数中的先验损失时,还可采用以下方法确定:根据各第二账号的特征向量以及该待训练的账号识别模型的逻辑回归层中的超平面,确定该第二账号的特征向量与该超平面之间的距离,并根据确定出的各距离,确定先验损失。其中,特征向量与该超平面之间的距离越大,说明该超平面不穿过各第二账号的特征向量的密集区域,该账号识别模型的训练效果越好。由于特征向量与超平面之间的距离越大,模型训练效果越好,而其它分类损失、分布损失等都是损失项越小,模型训练效果越好。因此当根据特征向量与超平面之间的距离,确定先验损失W,以确定损失函数时,可确定先验损失W对应的权重δ为负值。
本说明书通过分类损失、中心损失、分布损失以及正则损失等各损失项确定损失函数,使训练得到的该账号识别模型更准确,训练效果更好,提高用于识别异常账号时,对异常账号的识别准确度。
图5为本说明书实施例提供的一种异常账号识别方法流程的示意图,其中使用的账号识别模型可采用上述图1所示的模型训练方法进行训练。具体可包括以下步骤:
S200:获取各用户账号的账号数据。
由于用户在网络平台登录用户账号时的用户信息,以及通过用户账号执行的业务可以反映用户行为,网络平台可通过用户账号的账号数据识别异常的用户行为,进一步确定异常账号。例如:当用户频繁通过同一终端设备登录不同的用户账号,并执行大额借贷业务时,可认为该用户账号为异常账号。当用户通过不同终端设备登录同一用户账号,并发表相同的评论内容时,可认为该用户账号为异常账号。
因此在本说明书中进行异常账号识别时,可先获取该网络平台中各用户账号的账号数据,其中,账号数据包含用户账号在网络平台中的用户信息以及执行业务的业务数据等。用户信息指用户账号在网络平台中的基本信息,包括账号标识、账号昵称、登录设备标识、注册的手机号码以及职业信息等。业务数据指通过用户账号执行的各业务的业务信息,包括:业务标识、业务类型以及业务内容等。例如:当执行的业务为登录业务时,业务内容包含登录时间以及登录地点等信息,当执行的业务为支付业务时,业务内容包含支付商家标识、商品标识以及支付金额等信息,当执行的业务为评论业务时,业务内容包含评论文字、评论图片、评论对象以及评论时间等信息。
进一步地,在进行异常账号识别时,还可根据需要从时间维度或地理维度等不同维度确定获取哪些用户账号,对哪些用户账号进行异常排查。例如:当需要统计3个月内网络平台中用户账号的异常情况时,可获取该网络平台3个月内各用户账号的账号数据,通过后续步骤识别异常账号。
更进一步地,本说明书提供的异常账号识别方法具体可由网络平台的服务器执行,该服务器可以是单一的服务器,也可以是多个服务器组成的系统,例如:分布式服务器等,本说明书对此不做限制,可根据需要设置。
S202:根据获取到的账号数据,确定异质网中的各节点。
在本说明书实施例中,当获取到该网络平台中的各用户账号的账号数据后,便可根据各账号数据,建立异质网,以根据该异质网,确定各用户账号之间的行为关联信息,进一步确定用户账号是否异常。因此在建立异质网时,可先确定异质网中的各节点。
具体的,通常异质网中的节点可分为主节点以及从节点,由于本说明书提供的异常账号识别方法用于识别异常账号,因此在本说明书中可确定用户账号的账号标识对应的节点作为主节点。该服务器可针对每个用户账号,根据该用户账号的账号数据中的用户信息,确定该用户账号的账号标识在异质网中对应的节点,作为该异质网中的主节点,并分别确定该用户账号的设备标识以及手机号码标识在异质网中对应的节点,作为各从节点,以及根据该用户账号的业务数据,分别确定通过该用户账号执行的各业务在异质网中对应的节点,也作为从节点。其中,账号标识对应的主节点、设备标识对应的从节点、手机号码标识对应的从节点以及各业务对应的从节点分别对应不同节点类型的节点。
例如:假设获取到的用户账号数据如表1所示:
userid | uuid | phone | poiid |
0 | 57bbf72c35 | 199xxxx8888 | 175 |
1 | 57bbf72c35 | 166xxxx1234 | 156 |
0 | c67cc61b87 | 199xxxx8888 | 286 |
表1
表1中用户账号的账号标识userid为0和1,userid为0的用户账号分别在设备标识uuid为57bbf72c35和c67cc61b87的两台设备中进行过登录,userid为0的用户账号与userid为1的用户账号均在uuid为57bbf72c35的设备中进行过登录,userid为0的用户账号的手机号码标识phone为199xxxx8888,userid为1的用户账号的手机号码标识phone为166xxxx1234,userid为0的用户账号执行过业务标识为175和286的业务,userid为1的用户账号执行过业务标识为156的业务。
则在确定异质网中的各节点时,如图6所示,图6中以无填充的圆表示userid对应的主节点,以斜线填充的圆表示uuid对应的从节点,以横线填充的圆表示phone对应的从节点,以竖线填充的圆表示poiid对应的从节点。对于userid为0的用户账号,可确定该用户账号的userid对应的主节点0,确定uuid、phone以及poiid分别对应的各从节点57bbf72c35、c67cc61b87、199xxxx8888以及175和286。对于userid为1的用户账号,可确定该用户账号的userid对应的主节点1,确定uuid、phone以及poiid分别对应的各从节点57bbf72c35、166xxxx1234以及156。
S204:针对每个主节点,根据该主节点对应的用户账号的账号数据之间的关系,确定与该主节点关联的各从节点,并根据确定出的节点间的关联关系建立异质网。
在本说明书实施例中,当通过步骤S202确定出异质网中的各节点后,便可确定各主节点与各从节点之间的关联关系,以根据各节点间的关联关系,建立异质网。
具体的,针对该异质网中的每个主节点,可先根据该主节点对应的用户账号的账号数据之间的关系,确定与该主节点关联的各从节点。之后根据确定出的节点间的关联关系,建立该主节点与该主节点关联的各从节点之间的边。最后根据确定出的异质网中的各节点以及各节点之间的边,确定异质网。其中,异质网中主节点与其关联的从节点相连接,各主节点之间不直接连接,而是通过从节点相连接。用户账号的用户行为越接近,用户账号对应的主节点之间连接的从节点越多。
接上述表1的举例,图7为根据表1中的用户账号的账号数据建立的异质网。则针对表1中的各用户账号的账号数据,对于异质网中的主节点0,根据该主节点对应的用户账号的账号数据之间的关系,确定与该主节点0关联的各从节点57bbf72c35、c67cc61b87、199xxxx8888以及175和286,之后建立该主节点0与各关联的从节点之间的边。同理,对于异质网中的主节点1,根据该主节点对应的用户账号的账号数据之间的关系,确定与该主节点1关联的各从节点57bbf72c35、166xxxx1234以及156,之后建立该主节点1与各关联的从节点之间的边。
由图7所示的异质网可知,userid为0的用户账号对应的用户行为、userid为1的用户账号对应的用户行为,以及userid为0的用户账号与userid为1的用户账号在同一台设备中进行过登录。
S206:根据各用户账号的账号数据,确定各用户账号对应的主节点以及各从节点的节点属性。
由于本说明书提供的异常账号识别方法是基于GCN模型进行识别异常账号的,因此当通过上述步骤S204建立异质网后,还需确定该异质网中各节点的节点属性,以根据各节点的节点属性,确定各节点对应的用户账号的用户行为。在后续过程中可根据异质网以及该异质网中各节点对应的用户行为,通过GCN模型识别异常账号。
具体的,首先,该服务器可确定异质网中各节点的节点类型,之后针对该异质网中的每个节点,根据该节点的节点类型,确定该节点对应的业务数据的统计值以及该节点对应的用户信息,并根据确定出的统计值以及用户信息确定该节点的节点属性。其中,确定不同节点类型的节点属性所需的业务数据以及用户信息的维度不完全相同。
S208:将所述异质网以及各节点的节点属性输入预先训练的账号识别模型中,输出各用户账号的预测概率。
在本说明书实施例中,当根据网络平台中各用户账号的账号数据构建异质网以及确定该异质网中各节点的节点属性后,便可通过账号识别模型,识别异常账号。其中,该账号识别模型为GCN模型。
具体的,如图3所示,首先,该服务器可将异质网以及该异质网中各节点的节点属性作为输入,输入预先训练的账号识别模型的GCN层,输出各节点更新后的节点属性。
其中,在该GCN层中,首先针对该异质网中的每个节点,根据该节点的节点类型,确定对应该节点的节点类型的模型参数Wij。之后将该节点的节点属性与对应该节点的模型参数Wij相乘,并通过非线性激活函数,确定该节点的节点输出值。然后根据该异质网中各节点的关联关系以及各节点的节点输出值,进行消息传递,再针对该异质网中的每个节点,将该节点的节点输出值以及接收到的各相关联节点的节点输出值,进行聚合,确定该节点聚合后的聚合值,其中,聚合方式包括但不限于求和、取平均值,取最大值等。最后将各节点的聚合值输入多层感知机中,将输出值作为该节点更新后的节点属性。需要说明的是,对于不同节点类型的节点来说,其节点属性的维度不一定相同,因此不同节点类型对应的模型参数Wij的维度也不一定相同。例如:userid的节点属性包括:第一预设时长内执行的各业务的业务内容、是否为第二预设时长内新注册的用户账号以及是否进行过实名认证三个维度。uuid的节点属性包括:第一预设时长内执行的各业务的业务内容以及是否为第三预设时长内新进设备两个维度。
之后,依次将各GCN层输出的更新后的节点属性作为下一GCN层的输入,并在下一GCN层中,重新针对该异质网中的每个节点,将该节点更新后的节点属性与对应该节点的节点类型的模型参数Wij相乘,并通过非线性激活函数,重新确定该节点的节点输出值,再通过消息传递、聚合以及多层感知机,重新确定输出值作为该节点更新后的节点属性,直至得到最后一层的GCN层输出的节点属性为止。其中,不同GCN层中的模型参数Wij不完全相同。
然后将最后一层的GCN层输出的各主节点更新后的节点属性输入预先训练的账号识别模型的多层感知机层,输出各主节点对应的用户账号的特征向量e,该特征向量e用于表征该用户账号对应在高维度空间中的位置坐标。最后将各主节点对应的用户账号的特征向量e输入预先训练的账号识别模型的逻辑回归层,通过该逻辑回归层中的softmax函数,输出各主节点对应的用户账号的预测概率y。
其中,将该节点的节点属性与对应该节点的模型参数Wij相乘。接上述举例进行说明,当确定出的主节点的节点属性X为(10 0 1)时,假设该主节点的节点类型对应的模型参数则进行相乘可得10a+c。
进一步的,根据该异质网中各节点的关联关系以及各节点的节点输出值,进行消息传递,并进行聚合时。具体的,假设某一用户账号的主节点的节点输出值为m,该用户账号的主节点相关联的各从节点的节点输出值分别为n、p、q,则在进行消息传递时,该主节点可接收到相关联的各从节点传递的节点输出值,若采用求和的方式进行聚合,则可确定该主节点的聚合值为(m+n+p+q)。
S210:根据各用户账号的预测概率,确定异常账号。
在本说明书实施例中,当通过账号识别模型确定出各用户账号的预测概率后,便可根据各用户账号的预测概率,确定异常账号。
具体的,针对每个用户账号,可先确定该用户账号的预测概率,之后判断该用户账号的预测概率是否大于预设概率阈值,若大于预设概率阈值,则说明该用户账号为异常账号。若小于预设概率阈值,则说明该用户账号为正常账号。
基于图5所示的异常账号识别方法,可先获取各用户账号的账号数据。之后根据各账号数据,确定异质网中的各用户账号的账号标识对应的主节点,以及各用户账号的设备标识、手机号码标识、各业务对应的各从节点。再针对每个主节点,根据该主节点对应的用户账号的账号数据之间的关系,确定与该主节点关联的各从节点,并根据确定出的节点间的关联关系建立异质网。然后根据各用户账号的账号数据,确定各用户账号对应的主节点以及各从节点的节点属性,并将该异质网以及各节点的节点属性输入预先训练的账号识别模型中,输出各用户账号的预测概率。最后根据各用户账号的预测概率,确定异常账号。根据各用户账号的账号数据中的用户信息以及业务数据,分别各用户账号对应的各主节点以及各从节点,并根据确定出的各主节点以及各从节点,构建异质网,更加全面反映各用户账号对应的用户行为之间的关系,使通过异质网识别出的异常账号的准确率更高。
由于异常账号的特征可能不断发生变化,因此在本说明书实施例中对异常账号进行识别时,也可周期性的根据最近一段时间内识别的异常账号,训练账号识别模型,以使账号识标模型具有实时性,能够识别不断变化的异常账号。
基于图1所示的模型训练方法,本说明书实施例还对应提供一种模型训练装置的结构示意图,如图8所示。
图8为本说明书实施例提供的一种模型训练装置的结构示意图,所述装置包括:
获取模块300,获取预先标注有标注信息的各用户账号作为第一账号,以及获取未标注的各用户账号作为第二账号,所述标注信息表示用户账号是否异常;
节点确定模块302,根据各第一账号的账号数据以及各第二账号的账号数据,分别确定各用户账号的账号标识对应的主节点,以及各用户账号的设备标识、手机号码标识以及通过该用户账号执行的各业务对应的各从节点;
节点属性确定模块304,根据确定出的各用户账号对应的主节点、各从节点以及各用户账号的主节点与各从节点之间的关联关系,建立异质网,并根据各第一账号的账号数据以及各第二账号的账号数据,确定所述异质网中各节点的节点属性;
预测概率确定模块306,将所述异质网以及各节点的节点属性作为输入,输入待训练的账号识别模型,确定各主节点对应的用户账号的预测概率,其中,所述预测概率是通过所述待训练的账号识别模型的逻辑回归层,根据所述主节点对应的特征向量确定的;
损失项确定模块308,根据各第一账号的预测概率、预先标注的标注信息、各第一账号的特征向量以及各第二账号的预测概率,确定损失函数的各损失项;
异常账号识别模块310,以所述损失函数最小为优化目标,调整所述账号识别模型中的模型参数,所述账号识别模型用于识别异常账号。
可选地,所述预测概率确定模块306具体用于,将所述异质网以及各节点的节点属性作为输入,输入待训练的账号识别模型的图卷积神经网络层,确定各节点更新后的节点属性,将所述主节点更新后的节点属性输入待训练的账号识别模型的多层感知机层,输出所述主节点对应的用户账号的特征向量,将各主节点对应的用户账号的特征向量输入待训练的账号识别模型的逻辑回归层,输出各主节点对应的用户账号的预测概率。
可选地,所述预测概率确定模块306具体用于,将所述异质网以及各节点的节点属性作为输入,输入所述待训练的账号识别模型的图卷积神经网络层,确定各节点更新后的节点属性,判断是否到达最后一层图卷积神经网络层,若是,输出各节点更新后的节点属性,若否,将各节点更新后的节点属性输入下一图卷积神经网络层中,重新输出该节点更新后的节点属性,直至到达最后一层图卷积神经网络层为止。
可选地,所述损失项确定模块308具体用于,根据各第一账号预先标注的标注信息,确定各第一账号的实际概率,根据各第一账号的预测概率以及实际概率的交叉熵,确定分类损失,根据各第一账号中预先标注的正常账号以及异常账号的特征向量,确定中心损失,根据各第二账号的预测概率以及预设的锐化规则,确定锐化后的各第二账号的预测概率,作为锐化概率,根据各第二账号的预测概率与各第二账号的锐化概率的交叉熵,确定先验损失,根据各第一账号的预测概率以及各第二账号的预测概率,确定分布损失。
可选地,所述损失项确定模块308具体用于,根据各第一账号中预先标注的正常账号,确定各正常账号的特征向量,根据确定出的各正常账号的特征向量,确定各正常账号对应的重心,根据确定出各正常账号对应的重心以及各正常账号的特征向量,确定各正常账号的中心损失,根据各第一账号中预先标注的异常账号,确定各异常账号的特征向量,根据确定出的各异常账号的特征向量,确定各异常账号对应的重心,根据确定出各异常账号对应的重心以及各异常账号的特征向量,确定各异常账号的中心损失,根据各正常账号的中心损失以及各异常账号的中心损失,确定中心损失。
可选地,所述损失项确定模块308还用于,根据待训练的账号识别模型中的各模型参数,确定正则损失,根据所述正则损失以及确定出的各损失项,确定损失函数。
基于图5所示的异常账号识别方法,本说明书实施例还对应提供一种异常账号识别装置的结构示意图,如图9所示。
图9为本说明书实施例提供的一种异常账号识别装置的结构示意图,所述装置包括:
获取模块400,获取各用户账号的账号数据,所述账号数据至少包括:用户信息以及业务数据;
节点确定模块402,根据获取到的账号数据,确定异质网中的各节点,其中,针对每个用户账号,根据该用户账号的用户信息,确定该用户账号的账号标识对应的主节点,并分别确定该用户账号的设备标识以及手机号码标识对应的各从节点,以及根据该用户账号的业务数据,分别确定通过该用户账号执行的各业务对应的从节点;
异质网建立模块404,针对每个主节点,根据该主节点对应的用户账号的账号数据之间的关系,确定与该主节点关联的各从节点,并根据确定出的节点间的关联关系建立异质网;
节点属性确定模块406,根据各用户账号的账号数据,确定各用户账号对应的主节点以及各从节点的节点属性;
输出模块408,将所述异质网以及各节点的节点属性输入预先训练的账号识别模型中,输出各用户账号的预测概率,其中,账号识别模型是基于预先标注以及未标注的用户账号作为训练样本,以最小化由各第一账号的预测概率、预先标注的标注信息、各第一账号的特征向量以及各第二账号的预测概率确定的损失函数,训练得到的;
异常账号确定模块410,根据各用户账号的预测概率,确定异常账号。
可选地,所述异质网建立模块404具体用于,根据确定出的节点间的关联关系,建立该主节点与该主节点关联的各从节点之间的边,根据确定出的各节点以及确定出的边,确定异质网。
可选地,所述节点属性确定模块406具体用于,将账号标识对应的主节点、设备标识对应的从节点、手机号码标识对应的从节点以及各业务对应的从节点,作为不同节点类型的节点,针对每个节点,根据该节点的节点类型,确定该节点对应的业务数据的统计值以及该节点对应的用户信息,并根据确定出的统计值以及用户信息确定该节点的节点属性,其中,确定不同节点类型的节点属性所需的业务数据以及用户信息的维度不完全相同。
可选地,所述输出模块408具体用于,将所述异质网以及各节点的节点属性输入预先训练的账号识别模型的图卷积神经网络层,确定各节点更新后的节点属性,将所述主节点的节点属性输入预先训练的账号识别模型的多层感知机层,输出所述主节点对应的用户账号的特征向量,将各主节点对应的用户账号的特征向量输入预先训练的账号识别模型的逻辑回归层,输出各主节点对应的用户账号的预测概率。
本说明书实施例还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1所示的模型训练方法或图5所示的异常账号识别方法。
基于图1所示的模型训练方法以及图5所示的异常账号识别方法,本说明书实施例还提出了图10所示的电子设备的示意结构图。如图10,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所示的模型训练方法或图5所示的异常账号识别方法。
当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
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、CD-ROM、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。
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,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 (6)
1.一种模型训练方法,其特征在于,包括:
获取预先标注有标注信息的各用户账号作为第一账号,以及获取未标注的各用户账号作为第二账号,所述标注信息表示用户账号是否异常;
根据各第一账号的账号数据以及各第二账号的账号数据,分别确定各用户账号的账号标识对应的主节点,以及各用户账号的设备标识、手机号码标识以及通过该用户账号执行的各业务对应的各从节点;
根据确定出的各用户账号对应的主节点、各从节点以及各用户账号的主节点与各从节点之间的关联关系,建立异质网,并根据各第一账号的账号数据以及各第二账号的账号数据,确定所述异质网中各节点的节点属性;
将所述异质网以及各节点的节点属性作为输入,输入待训练的账号识别模型,确定各主节点对应的用户账号的预测概率,其中,所述预测概率是通过所述待训练的账号识别模型的逻辑回归层,根据所述主节点对应的特征向量确定的;
根据各第一账号的预测概率、预先标注的标注信息、各第一账号的特征向量以及各第二账号的预测概率,确定损失函数的各损失项;
以所述损失函数最小为优化目标,调整所述账号识别模型中的模型参数,所述账号识别模型用于识别异常账号;
将所述异质网以及各节点的节点属性作为输入,输入待训练的账号识别模型,确定各主节点对应的用户账号的预测概率,具体包括:
将所述异质网以及各节点的节点属性作为输入,输入待训练的账号识别模型的图卷积神经网络层,确定各节点更新后的节点属性;
将所述主节点更新后的节点属性输入待训练的账号识别模型的多层感知机层,输出所述主节点对应的用户账号的特征向量;
将各主节点对应的用户账号的特征向量输入待训练的账号识别模型的逻辑回归层,输出各主节点对应的用户账号的预测概率;
根据各第一账号的预测概率、预先标注的标注信息、各第一账号的特征向量以及各第二账号的预测概率,确定各损失项,具体包括:
根据各第一账号预先标注的标注信息,确定各第一账号的实际概率,并根据各第一账号的预测概率以及实际概率的交叉熵,确定分类损失;
根据各第一账号中预先标注的正常账号以及异常账号的特征向量,确定中心损失;
根据各第二账号的预测概率以及预设的锐化规则,确定锐化后的各第二账号的预测概率,作为锐化概率,并根据各第二账号的预测概率与各第二账号的锐化概率的交叉熵,确定先验损失;
根据各第一账号的预测概率以及各第二账号的预测概率,确定分布损失;
所述预设的锐化规则是以所述各第二账号的预测概率作为输入,对其中每个第二账号的预测概率进行判断,当判断某一第二账号的预测概率小于0.6时,确定锐化后的锐化概率为1/3倍的该第二账号预测概率,当判断某一第二账号的预测概率在0.6和0.8之间时,确定锐化后的锐化概率为1.2倍的该第二账号预测概率。
2.如权利要求1所述的方法,其特征在于,根据各第一账号中预先标注的正常账号以及异常账号的特征向量,确定中心损失,具体包括:
根据各第一账号中预先标注的正常账号,确定各正常账号的特征向量;
根据确定出的各正常账号的特征向量,确定各正常账号对应的重心;
根据确定出各正常账号对应的重心以及各正常账号的特征向量,确定各正常账号的中心损失;
根据各第一账号中预先标注的异常账号,确定各异常账号的特征向量;
根据确定出的各异常账号的特征向量,确定各异常账号对应的重心;
根据确定出各异常账号对应的重心以及各异常账号的特征向量,确定各异常账号的中心损失;
根据各正常账号的中心损失以及各异常账号的中心损失,确定中心损失。
3.如权利要求1所述的方法,其特征在于,所述方法还包括:
根据待训练的账号识别模型中的各模型参数,确定正则损失;
根据所述正则损失以及确定出的各损失项,确定损失函数。
4.如权利要求1所述的方法,其特征在于,根据确定出的节点间的关联关系建立异质网,具体包括:
根据确定出的节点间的关联关系,建立该主节点与该主节点关联的各从节点之间的边;
根据确定出的各节点以及确定出的边,确定异质网。
5.如权利要求1所述的方法,其特征在于,根据各用户账号的账号数据,确定各用户账号对应的主节点以及各从节点的节点属性,具体包括:
将账号标识对应的主节点、设备标识对应的从节点、手机号码标识对应的从节点以及各业务对应的从节点,作为不同节点类型的节点;
针对每个节点,根据该节点的节点类型,确定该节点对应的业务数据的统计值以及该节点对应的用户信息,并根据确定出的统计值以及用户信息确定该节点的节点属性;
其中,确定不同节点类型的节点属性所需的业务数据以及用户信息的维度不完全相同。
6.如权利要求1所述的方法,其特征在于,将所述异质网以及各节点的节点属性输入预先训练的账号识别模型中,输出各用户账号的预测概率,具体包括:
将所述异质网以及各节点的节点属性输入预先训练的账号识别模型的图卷积神经网络层,确定各节点更新后的节点属性;
将所述主节点的节点属性输入预先训练的账号识别模型的多层感知机层,输出所述主节点对应的用户账号的特征向量;
将各主节点对应的用户账号的特征向量输入预先训练的账号识别模型的逻辑回归层,输出各主节点对应的用户账号的预测概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010423022.4A CN111639687B (zh) | 2020-05-19 | 2020-05-19 | 一种模型训练以及异常账号识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010423022.4A CN111639687B (zh) | 2020-05-19 | 2020-05-19 | 一种模型训练以及异常账号识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111639687A CN111639687A (zh) | 2020-09-08 |
CN111639687B true CN111639687B (zh) | 2024-03-01 |
Family
ID=72330199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010423022.4A Active CN111639687B (zh) | 2020-05-19 | 2020-05-19 | 一种模型训练以及异常账号识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111639687B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215613B (zh) * | 2020-10-09 | 2022-06-24 | 支付宝(杭州)信息技术有限公司 | 一种密码验证方法、装置、设备及介质 |
CN112581259B (zh) * | 2020-12-16 | 2023-09-19 | 同盾控股有限公司 | 账户风险识别方法及装置、存储介质、电子设备 |
CN112800403B (zh) * | 2021-01-05 | 2024-05-03 | 北京小米松果电子有限公司 | 生成预测模型以及预测指纹识别异常的方法、装置及介质 |
CN112988842B (zh) * | 2021-03-24 | 2023-12-22 | 北京百度网讯科技有限公司 | 关联用户id的方法及装置 |
CN113362157B (zh) * | 2021-05-27 | 2024-02-09 | 中国银联股份有限公司 | 异常节点识别方法、模型的训练方法、装置及存储介质 |
CN113521749B (zh) * | 2021-07-15 | 2024-02-13 | 珠海金山数字网络科技有限公司 | 异常账号检测模型训练方法和异常账号检测方法 |
CN116776303A (zh) * | 2022-03-10 | 2023-09-19 | 腾讯科技(深圳)有限公司 | 账号等级确定方法、装置、设备以及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109936525A (zh) * | 2017-12-15 | 2019-06-25 | 阿里巴巴集团控股有限公司 | 一种基于图结构模型的异常账号防控方法、装置以及设备 |
CN109948000A (zh) * | 2019-01-09 | 2019-06-28 | 南方科技大学 | 异质网络的异常目标检测方法、装置、设备及存储介质 |
WO2019157946A1 (zh) * | 2018-02-13 | 2019-08-22 | 阿里巴巴集团控股有限公司 | 一种反洗钱方法、装置及设备 |
CN110278175A (zh) * | 2018-03-14 | 2019-09-24 | 阿里巴巴集团控股有限公司 | 图结构模型训练、垃圾账户识别方法、装置以及设备 |
-
2020
- 2020-05-19 CN CN202010423022.4A patent/CN111639687B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109936525A (zh) * | 2017-12-15 | 2019-06-25 | 阿里巴巴集团控股有限公司 | 一种基于图结构模型的异常账号防控方法、装置以及设备 |
WO2019157946A1 (zh) * | 2018-02-13 | 2019-08-22 | 阿里巴巴集团控股有限公司 | 一种反洗钱方法、装置及设备 |
CN110278175A (zh) * | 2018-03-14 | 2019-09-24 | 阿里巴巴集团控股有限公司 | 图结构模型训练、垃圾账户识别方法、装置以及设备 |
CN109948000A (zh) * | 2019-01-09 | 2019-06-28 | 南方科技大学 | 异质网络的异常目标检测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111639687A (zh) | 2020-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111639687B (zh) | 一种模型训练以及异常账号识别方法及装置 | |
CN107451854B (zh) | 确定用户类型的方法及装置、电子设备 | |
CN111309614B (zh) | A/b测试方法、装置及电子设备 | |
CN110020427B (zh) | 策略确定方法和装置 | |
CN110633989B (zh) | 一种风险行为生成模型的确定方法及装置 | |
CN107391545B (zh) | 一种对用户进行分类的方法、输入方法及装置 | |
CN110008991B (zh) | 风险事件的识别、风险识别模型的生成方法、装置、设备及介质 | |
CN111539811B (zh) | 风险账户的识别方法及装置 | |
CN112232510A (zh) | 多目标推荐模型的训练及信息推荐方法以及装置 | |
CN111047220A (zh) | 一种风控阈值条件确定方法、装置、设备和可读介质 | |
CN111401766A (zh) | 模型、业务处理方法、装置及设备 | |
CN111126623A (zh) | 一种模型更新方法、装置及设备 | |
CN111177876B (zh) | 一种社区发现方法、装置及电子设备 | |
CN110020867B (zh) | 一种消费合约的处理方法、装置和设备 | |
CN115712866A (zh) | 数据处理方法、装置及设备 | |
CN112597255A (zh) | 一种确定异常数据的方法及装置 | |
CN112967044B (zh) | 一种支付业务的处理方法及装置 | |
CN115545943A (zh) | 一种图谱的处理方法、装置及设备 | |
CN110738562B (zh) | 一种风险提醒信息的生成方法、装置及设备 | |
CN115564450B (zh) | 一种风控方法、装置、存储介质及设备 | |
CN111143746B (zh) | 一种灰度任务的发布方法、装置及设备 | |
CN115545938B (zh) | 一种执行风险识别业务的方法、装置、存储介质及设备 | |
CN116342281A (zh) | 一种交易事件的风险感知方法、装置及设备 | |
CN113011965A (zh) | 一种用户信用评估方法及装置 | |
CN117094554A (zh) | 一种账户群组的发现方法、装置及设备 |
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 |