发明内容
基于此,有必要针对上述技术问题,提供一种能够提升对违规用户、违规行为的防控效果的基于关联特征的违规用户识别方法、装置和计算机设备。
一种基于关联特征的违规用户识别方法,所述方法包括:
获取第一终端发送的推荐信息,并将所述推荐信息发送至第二终端;所述推荐信息对应待分享内容页面;
获取所述第二终端上传的与所述待分享内容页面对应的属性信息;
将所述属性信息按照预设关联图数据格式进行分类处理后,存储至预设关联图数据库;
基于预设关联特征和所述预设关联图数据库,构建与所述属性信息对应的异构子图;
根据所述异构子图识别违规用户。
在其中一个实施例中,所述根据所述异构子图识别违规用户,包括:
获取所述异构子图的节点数或边数;
将所述异构子图的节点数或所述边数,和对应预设阈值数进行比对;
当确定所述异构子图的节点数或所述边数大于对应预设阈值数时,确定对应属性信息的用户为违规用户。
在其中一个实施例中,所述方法还包括:
当确定所述异构子图的节点数和所述边数,均小于对应预设阈值数时,根据训练好的识别模型对所述异构子图对应的异构图数据进行预测,得到预测结果;
当确定所述预测结果大于预设预测阈值时,确定对应属性信息的用户为违规用户。
在其中一个实施例中,所述基于预设关联特征和所述预设关联图数据库,构建与所述属性信息对应的异构子图,包括:
根据所述预设关联特征,从所述预设关联图数据库中,查找与当前用户对应的多级关联用户,生成关联节点和关联边;
基于所述关联节点和所述关联边,构建与所述属性信息对应的异构子图。
在其中一个实施例中,所述根据所述预设关联特征,从所述预设关联图数据库中,查找与当前用户对应的多级关联用户,生成关联节点和关联边,包括:
根据所述预设关联特征,从所述预设关联图数据库中查找与当前用户存在相同关联特征的多级关联用户;
根据各所述多级关联用户生成对应的关联节点和关联边。
在其中一个实施例中,所述方法还包括:
根据预设关联规则、所述预设阈值数以及所述预设预测阈值,对初始图卷积神经网络模型进行训练,调整所述初始图卷积神经网络模型的超参数,得到训练好的识别模型。
在其中一个实施例中,所述方法还包括:
根据预设管控逻辑,对所述违规用户进行实时监控和跟踪调查。
一种基于关联特征的违规用户识别装置,所述装置包括:
推荐信息发送模块,用于获取第一终端发送的推荐信息,并将所述推荐信息发送至第二终端;所述推荐信息对应待分享内容页面;
属性信息获取模块,用于获取所述第二终端上传的与所述待分享内容页面对应的属性信息;
分类处理模块,用于将所述属性信息按照预设关联图数据格式进行分类处理后,存储至预设关联图数据库;
异构子图构建模块,用于基于预设关联特征和所述预设关联图数据库,构建与所述属性信息对应的异构子图;
违规用户识别模块,用于根据所述异构子图识别违规用户。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取第一终端发送的推荐信息,并将所述推荐信息发送至第二终端;所述推荐信息对应待分享内容页面;
获取所述第二终端上传的与所述待分享内容页面对应的属性信息;
将所述属性信息按照预设关联图数据格式进行分类处理后,存储至预设关联图数据库;
基于预设关联特征和所述预设关联图数据库,构建与所述属性信息对应的异构子图;
根据所述异构子图识别违规用户。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取第一终端发送的推荐信息,并将所述推荐信息发送至第二终端;所述推荐信息对应待分享内容页面;
获取所述第二终端上传的与所述待分享内容页面对应的属性信息;
将所述属性信息按照预设关联图数据格式进行分类处理后,存储至预设关联图数据库;
基于预设关联特征和所述预设关联图数据库,构建与所述属性信息对应的异构子图;
根据所述异构子图识别违规用户。
上述基于关联特征的违规用户识别方法、装置和计算机设备中,通过获取第一终端发送的推荐信息,并将所述推荐信息发送至第二终端,其中,推荐信息对应待分享内容页面。通过获取所述第二终端上传的与所述待分享内容页面对应的属性信息,并将所述属性信息按照预设关联图数据格式进行分类处理后,存储至预设关联图数据库。进而基于预设关联特征和所述预设关联图数据库,构建与所述属性信息对应的异构子图,并根据所述异构子图识别违规用户。由于并未局限于传统的强关联网络进行管控,而是从新用户的不同属性信息出发,构建图网络识别违规行为,可以清扫强关联图谱网络遗漏的违规行为,提高排查违规案件的效率和准确率,丰富防控手段,提升了对违规用户、违规行为的防控效果,减少企业损失。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的基于关联特征的违规用户识别方法,可以应用于如图1所示的应用环境中。其中,第一终端102与第二终端104,通过服务器106实现通讯连接,其中,第一终端102、第二终端104和服务器106通过网络进行通信。服务器106通过获取第一终端102发送的推荐信息,并将推荐信息发送至第二终端104,其中,推荐信息对应待分享内容页面,第二终端104通过访问待分享内容页面上传相应属性信息。服务器106通过获取第二终端104上传的与待分享内容页面对应的属性信息,并将属性信息按照预设关联图数据格式进行分类处理后,存储至预设关联图数据库。进而基于预设关联特征和预设关联图数据库,构建与属性信息对应的异构子图,并根据异构子图识别违规用户。其中,第一终端102以及第二终端104可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种基于关联特征的违规用户识别方法,以该方法应用于图1中的服务器为例进行说明,具体包括以下步骤:
步骤S202,获取第一终端发送的推荐信息,并将推荐信息发送至第二终端。
具体地,老用户所在的第一终端通过“老带新”活动页面申请推荐链接,得到相应的推荐信息,并将推荐信息通过服务器转发至新用户所在的第二终端。其中,推荐信息对应待分享内容页面,即新用户通过在第二终端通过访问推荐信息,并进入“老带新”活动页面,进而在“老带新”活动页面进行注册、申请或贷款等环节操作,上传相应属性信息至服务器。
步骤S204,获取第二终端上传的与待分享内容页面对应的属性信息。
具体地,新用户通过第二终端访问所接收到的推荐信息,并进入推荐信息对应的老带新”活动页面,进而在“老带新”活动页面进行注册、申请或贷款等环节操作,上传相应属性信息至服务器。
其中,属性信息包括设备信息、网络信息、地理位置信息以及身份信息等,设备信息用于识别新用户所在终端设备,判断是否存在多个用户使用相同终端设备进行注册或申请贷款,网络信息用于确定新用户所访问的网络,并判断是否存在多个用户同时访问相同区域的网络,包括相同基站或者相同无线网络等,地理位置信息用于确定用户当前所在地理位置,并判断是否存在多个用户同时处于相同地理位置,身份信息用于确定是否存在同一个用户多次进行反复注册。
步骤S206,将属性信息按照预设关联图数据格式进行分类处理后,存储至预设关联图数据库。
具体地,通过对上传的属性信息,包括设备信息、网络信息、地理位置信息以及身份信息等,进行校验和预处理,并进一步根据预设关联图数据格式将属性信息按照节点、边和属性等不同维度进行分类处理,得到分类处理后的属性信息,进一步将分类处理后的属性信息存储至预设关联图数据库。
其中,将分类处理后的属性信息存储至预设关联图数据库后,可生成不同新用户对应的属性信息之间的关联关系或关联特征。
在本实施例中,预设关联图数据库可以是JanusGraph图数据库,其中,JanusGraph图数据库表示可扩展的图数据库,可以把包含大量节点和边的图存储在多机集群上,可支持支持事务,支持大量用户实时、并发访问存储在其中的图。
步骤S208,基于预设关联特征和预设关联图数据库,构建与属性信息对应的异构子图。
具体地,根据预设关联特征,从预设关联图数据库中,查找与当前用户对应的多级关联用户,生成关联节点和关联边,进而基于关联节点和关联边,构建与属性信息对应的异构子图。
进一步地,可根据预设关联特征,从预设关联图数据库中查找与当前用户存在相同关联特征的多级关联用户,并根据各多级关联用户生成对应的关联节点和关联边。
其中,可根据预设关联特征,包括设备信息和地理位置信息等,对参加“老带新”活动的新用户进行分团,即将存在相同或相似关联特征的新用户划分至同一个团中,也可以理解为是根据预设关联特征,从预设关联图数据库中,查找与当前用户对应的多级关联用户,其中,多级关联用户即表示与当前用户存在相同或相似关联特征的其他用户。进而可从预设关联图数据库中,查找出与当前用户对应的多级关联用户后,生成与当前用户对应的关联节点和关联边。而基于关联节点和关联边,可构建得到与属性信息对应的异构子图。
步骤S210,根据异构子图识别违规用户。
具体地,通过获取异构子图的节点数或边数,并将异构子图的节点数或边数,和对应预设阈值数进行比对。当确定异构子图的节点数或边数大于对应预设阈值数时,确定对应属性信息的用户为违规用户。
进一步地,由于异构子图可用于表示存在相似关联特征的多个新用户,当异构子图的节点数或边数大于预设阈值数时,表明同一个团中的新用户数大于预设阈值书,或者同一个团中的新用户的相似关联特征个数大于预设阈值数,进而可确定该异构子图或者该团对应的新用户属于违规用户。
在一个实施例中,根据异构子图识别违规用户的步骤,还包括:
当确定异构子图的节点数和边数,均小于对应预设阈值数时,根据训练好的识别模型对异构子图对应的异构图数据进行预测,得到预测结果;
当确定预测结果大于预设预测阈值时,确定对应属性信息的用户为违规用户。
具体地,当确定异构子图的节点数和边数,均小于对应预设阈值数时,获取已训练好的识别模型,并将异构子图对应的异构图数据输入训练好的识别模型,生成对应的预测结果。
进一步地,预测结果可以是疑似违规用户的预测分数,预设预测阈值可以是预设预测分数阈值,通过将疑似违规用户的预测分数和预设预测分数阈值进行比对,当确定疑似违规用户的预测分数大于预设预测分数阈值时,即当确定预测结果大于预设预测阈值时,则可确定对应属性信息的用户为违规用户。其中,如果确定异构子图的节点数和边数,均小于对应预设阈值数,且疑似违规用户的预测分数小于预设预测分数阈值时,则确定对应属性信息的用户为正常用户。
在一个实施例中,在根据异构子图识别违规用户之后,还包括:
根据预设管控逻辑,对违规用户进行实时监控和跟踪调查。
具体地,根据预设管控逻辑,对所确定出的违规用户进行实时监控,确定违规用户所在终端设备、地理位置等,进一步进行跟踪调查,并将该些违规用户排除在业务范围外,拒绝该些违规用户的申请,减少企业损失。
上述基于关联特征的违规用户识别方法中,通过获取第一终端发送的推荐信息,并将推荐信息发送至第二终端,其中,推荐信息对应待分享内容页面。通过获取第二终端上传的与待分享内容页面对应的属性信息,并将属性信息按照预设关联图数据格式进行分类处理后,存储至预设关联图数据库。进而基于预设关联特征和预设关联图数据库,构建与属性信息对应的异构子图,并根据异构子图识别违规用户。由于并未局限于传统的强关联网络进行管控,而是从新用户的不同属性信息出发,构建图网络识别违规行为,可以清扫强关联图谱网络遗漏的违规行为,提高排查违规案件的效率和准确率,丰富防控手段,提升了对违规用户、违规行为的防控效果,减少企业损失。
在一个实施例中,如图3所示,根据异构子图识别违规用户的步骤,具体包括:
步骤S302,获取异构子图的节点数或边数。
具体地,根据预设关联特征和预设关联图数据库,构建得到的异构子图,由多个节点和边组成,其中节点可用于表示新用户,边可以表示各新用户之间存在的相同或相似关联特征。
步骤S304,将异构子图的节点数或边数,和对应预设阈值数进行比对。
具体地,通过获取与节点数对应的第一预设阈值数,以及与边数对应的第二阈值数,并将异构子图的节点数和第一预设阈值数进行比对,或将异构子图的边数和第二预设阈值数进行比对,根据得到的比对结果确定对应属性信息的用户是否为违规用户。
步骤S306,当确定异构子图的节点数或边数大于对应预设阈值数时,确定对应属性信息的用户为违规用户。
具体地,当确定异构子图的节点数大于第一预设阈值数,或异构子图的边数大于第二预设阈值数时,确定对应属性信息的用户为违规用户。其中,第一预设阈值数以及第二预设阈值数为企业预先设置,可进行调整,不局限于具体取值,可以有不同取值情况。
步骤S308,当确定异构子图的节点数和边数,均小于对应预设阈值数时,根据训练好的识别模型对异构子图对应的异构图数据进行预测,得到预测结果。
具体地,当确定异构子图的节点数小于第一预设阈值数,且异构子图的边数小于第二预设阈值数时,根据训练好的识别模型对异构子图对应的异构图数据进行预测,即将异构子图对应的异构图数据输入训练好的识别模型,生成对应的预测结果。
其中,预测结果可以是疑似违规用户的预测分数,预设预测阈值可以是预设预测分数阈值,通过将疑似违规用户的预测分数和预设预测分数阈值进行比对,根据所生成的比对结果,判断相应属性信息的新用户是否为违规用户。
可以理解的是,预设预测阈值即预设预测分数阈值,也为企业预先设置,同时也可根据实际情况进行调整,不局限于具体取值,可以有不同取值情况。
在一个实施例中,还包括:
根据预设关联规则、预设阈值数以及预设预测阈值,对初始图卷积神经网络模型进行训练,调整初始图卷积神经网络模型的超参数,得到训练好的识别模型。
具体地,通过获取初始图卷积神经网络,并根据预设关联规则、预设阈值数以及预设预测阈值,对初始图卷积神经网络模型进行训练,根据预设关联规则、预设阈值数以及预设预测阈值等,调整初始图卷积神经网络模型的超参数,得到训练好的识别模型。
步骤S310,当确定预测结果大于预设预测阈值时,确定对应属性信息的用户为违规用户。
具体地,当确定预测结果大于预设预测阈值时,即当确定疑似违规用户的预测分数大于预设预测分数阈值时,则可确定对应属性信息的用户为违规用户。
本实施例中,通过获取异构子图的节点数或边数,并将异构子图的节点数或边数,和对应预设阈值数进行比对,当确定异构子图的节点数或边数大于对应预设阈值数时,确定对应属性信息的用户为违规用户。而当确定异构子图的节点数和边数,均小于对应预设阈值数时,则进一步根据训练好的识别模型对异构子图对应的异构图数据进行预测,得到预测结果。当确定预测结果大于预设预测阈值时,确定对应属性信息的用户为违规用户。上述方法实现了对违规用户的多重识别,提高了排查违规案件、违规用户的效率和准确率,提升了对违规用户、违规行为的防控效果,减少企业损失。
在一个实施例中,如图4所示,提供了一种基于关联特征的违规用户识别方法,具体包括以下步骤:
1)老用户所在的第一终端通过“老带新”活动页面申请推荐链接,并将推荐链接通过服务器转发至新用户所在的第二终端。
2)新用户在第二终端通过访问推荐链接进入“老带新”活动页面,并在活动页面进行注册、申请等环节操作,上传相应属性信息至服务器。
3)服务器获取第二终端上传的与待分享内容页面对应的设备信息、网络信息、地理位置信息以及身份信息等属性信息。
4)服务器对上传的属性信息进行校验和预处理,并进一步根据预设关联图数据格式将属性信息按照节点、边和属性等不同维度进行分类处理。
5)将分类处理后的属性信息存储至预设关联图数据库。
6)根据预设关联特征,从预设关联图数据库中,查找与当前用户对应的多级关联用户,生成关联节点和关联边。
7)基于关联节点和关联边,构建与属性信息对应的异构子图。
8)获取异构子图的节点数或边数,并将异构子图的节点数或边数,和对应预设阈值数进行比对。
9)当确定异构子图的节点数或边数大于对应预设阈值数时,确定对应属性信息的用户为违规用户。
10)当确定异构子图的节点数和边数,均小于对应预设阈值数时,根据训练好的识别模型对异构子图对应的异构图数据进行预测,得到预测结果。
11)当确定预测结果大于预设预测阈值时,确定对应属性信息的用户为违规用户。
12)根据预设管控逻辑,对违规用户进行实时监控和跟踪调查。
本实施例中,通过将第一终端发送的推荐信息转发至第二终端,并获取第二终端上传的与推荐信息携带的待分享内容页面对应的属性信息,并将属性信息按照预设关联图数据格式进行分类处理后,存储至预设关联图数据库。进而基于预设关联特征和预设关联图数据库,构建与属性信息对应的异构子图,并根据异构子图识别违规用户,同时根据预设管控逻辑,对违规用户进行实时监控和跟踪调查。由于并未局限于传统的强关联网络进行管控,而是从新用户的不同属性信息出发,构建图网络识别违规行为,可以清扫强关联图谱网络遗漏的违规行为,提高排查违规案件的效率和准确率,丰富防控手段,提升对违规用户、违规行为的防控效果,减少企业损失。
应该理解的是,虽然上述实施例涉及的各流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,上述实施例涉及的各流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种基于关联特征的违规用户识别装置,包括:推荐信息发送模块502、属性信息获取模块504、分类处理模块506、异构子图构建模块508和违规用户识别模块510,其中:
推荐信息发送模块502,用于获取第一终端发送的推荐信息,并将推荐信息发送至第二终端,推荐信息对应待分享内容页面。
属性信息获取模块504,用于获取第二终端上传的与待分享内容页面对应的属性信息。
分类处理模块506,用于将属性信息按照预设关联图数据格式进行分类处理后,存储至预设关联图数据库;
异构子图构建模块508,用于基于预设关联特征和预设关联图数据库,构建与属性信息对应的异构子图;
违规用户识别模块510,用于根据异构子图识别违规用户。
上述基于关联特征的违规用户识别装置中,通过获取第一终端发送的推荐信息,并将推荐信息发送至第二终端,其中,推荐信息对应待分享内容页面。通过获取第二终端上传的与待分享内容页面对应的属性信息,并将属性信息按照预设关联图数据格式进行分类处理后,存储至预设关联图数据库。进而基于预设关联特征和预设关联图数据库,构建与属性信息对应的异构子图,并根据异构子图识别违规用户。由于并未局限于传统的强关联网络进行管控,而是从新用户的不同属性信息出发,构建图网络识别违规行为,可以清扫强关联图谱网络遗漏的违规行为,提高排查违规案件的效率和准确率,丰富防控手段,提升对违规用户、违规行为的防控效果,减少企业损失。
在一个实施例中,违规用户识别模块还用于:
获取异构子图的节点数或边数;将异构子图的节点数或边数,和对应预设阈值数进行比对;当确定异构子图的节点数或边数大于对应预设阈值数时,确定对应属性信息的用户为违规用户;
当确定异构子图的节点数和边数,均小于对应预设阈值数时,根据训练好的识别模型对异构子图对应的异构图数据进行预测,得到预测结果;当确定预测结果大于预设预测阈值时,确定对应属性信息的用户为违规用户。
上述违规用户识别模块中,通过获取异构子图的节点数或边数,并将异构子图的节点数或边数,和对应预设阈值数进行比对,当确定异构子图的节点数或边数大于对应预设阈值数时,确定对应属性信息的用户为违规用户。而当确定异构子图的节点数和边数,均小于对应预设阈值数时,则进一步根据训练好的识别模型对异构子图对应的异构图数据进行预测,得到预测结果。当确定预测结果大于预设预测阈值时,确定对应属性信息的用户为违规用户。上述方法实现了对违规用户的多重识别,提高了排查违规案件、违规用户的效率和准确率,提升了对违规用户、违规行为的防控效果,减少企业损失。
在一个实施例中,异构子图构建模块还用于:
根据预设关联特征,从预设关联图数据库中,查找与当前用户对应的多级关联用户,生成关联节点和关联边;基于关联节点和关联边,构建与属性信息对应的异构子图。
在一个实施例中,异构子图构建模块还用于:
根据预设关联特征,从预设关联图数据库中查找与当前用户存在相同关联特征的多级关联用户;根据各多级关联用户生成对应的关联节点和关联边。
在一个实施例中,提供了一种基于关联特征的违规用户识别装置,还包括识别模型训练模块,用于:
根据预设关联规则、预设阈值数以及预设预测阈值,对初始图卷积神经网络模型进行训练,调整初始图卷积神经网络模型的超参数,得到训练好的识别模型。
在一个实施例中,提供了一种基于关联特征的违规用户识别装置,还包括违规用户监控模块,用于:
根据预设管控逻辑,对违规用户进行实时监控和跟踪调查。
关于基于关联特征的违规用户识别装置的具体限定可以参见上文中对于基于关联特征的违规用户识别方法的限定,在此不再赘述。上述基于关联特征的违规用户识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储属性信息、预设关联特征。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于关联特征的违规用户识别方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取第一终端发送的推荐信息,并将推荐信息发送至第二终端;推荐信息对应待分享内容页面;
获取第二终端上传的与待分享内容页面对应的属性信息;
将属性信息按照预设关联图数据格式进行分类处理后,存储至预设关联图数据库;
基于预设关联特征和预设关联图数据库,构建与属性信息对应的异构子图;
根据异构子图识别违规用户。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取异构子图的节点数或边数;
将异构子图的节点数或边数,和对应预设阈值数进行比对;
当确定异构子图的节点数或边数大于对应预设阈值数时,确定对应属性信息的用户为违规用户。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
当确定异构子图的节点数和边数,均小于对应预设阈值数时,根据训练好的识别模型对异构子图对应的异构图数据进行预测,得到预测结果;
当确定预测结果大于预设预测阈值时,确定对应属性信息的用户为违规用户。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据预设关联特征,从预设关联图数据库中,查找与当前用户对应的多级关联用户,生成关联节点和关联边;
基于关联节点和关联边,构建与属性信息对应的异构子图。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据预设关联特征,从预设关联图数据库中查找与当前用户存在相同关联特征的多级关联用户;
根据各多级关联用户生成对应的关联节点和关联边。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据预设关联规则、预设阈值数以及预设预测阈值,对初始图卷积神经网络模型进行训练,调整初始图卷积神经网络模型的超参数,得到训练好的识别模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据预设管控逻辑,对违规用户进行实时监控和跟踪调查。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取第一终端发送的推荐信息,并将推荐信息发送至第二终端;推荐信息对应待分享内容页面;
获取第二终端上传的与待分享内容页面对应的属性信息;
将属性信息按照预设关联图数据格式进行分类处理后,存储至预设关联图数据库;
基于预设关联特征和预设关联图数据库,构建与属性信息对应的异构子图;
根据异构子图识别违规用户。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取异构子图的节点数或边数;
将异构子图的节点数或边数,和对应预设阈值数进行比对;
当确定异构子图的节点数或边数大于对应预设阈值数时,确定对应属性信息的用户为违规用户。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
当确定异构子图的节点数和边数,均小于对应预设阈值数时,根据训练好的识别模型对异构子图对应的异构图数据进行预测,得到预测结果;
当确定预测结果大于预设预测阈值时,确定对应属性信息的用户为违规用户。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据预设关联特征,从预设关联图数据库中,查找与当前用户对应的多级关联用户,生成关联节点和关联边;
基于关联节点和关联边,构建与属性信息对应的异构子图。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据预设关联特征,从预设关联图数据库中查找与当前用户存在相同关联特征的多级关联用户;
根据各多级关联用户生成对应的关联节点和关联边。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据预设关联规则、预设阈值数以及预设预测阈值,对初始图卷积神经网络模型进行训练,调整初始图卷积神经网络模型的超参数,得到训练好的识别模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据预设管控逻辑,对违规用户进行实时监控和跟踪调查。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。