CN113112259B - 热点交易识别方法及装置 - Google Patents
热点交易识别方法及装置 Download PDFInfo
- Publication number
- CN113112259B CN113112259B CN202110422462.2A CN202110422462A CN113112259B CN 113112259 B CN113112259 B CN 113112259B CN 202110422462 A CN202110422462 A CN 202110422462A CN 113112259 B CN113112259 B CN 113112259B
- Authority
- CN
- China
- Prior art keywords
- transaction
- account
- hot spot
- determining
- intensity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 24
- 230000006870 function Effects 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 25
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012954 risk control Methods 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 206010033799 Paralysis Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/08—Payment architectures
- G06Q20/10—Payment architectures specially adapted for electronic funds transfer [EFT] systems; specially adapted for home banking systems
- G06Q20/102—Bill distribution or payments
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
-
- 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
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Technology Law (AREA)
- Computer Security & Cryptography (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供一种热点交易识别方法及装置,属于人工智能技术领域。该热点交易识别方法包括:获取目标交易数据,确定目标交易数据对应账户的资金净流量比;根据资金净流量比与预设流量比阈值的比较结果将目标交易数据输入基于交易训练数据创建的热点交易识别模型中,得到目标交易热度;根据目标交易热度识别热点交易。本发明可以从海量的账户交易数据中精准识别出热点交易,控制交易风险。
Description
技术领域
本发明涉及人工智能技术领域,具体地,涉及一种热点交易识别方法及装置。
背景技术
高频账户以及热点交易是银行交易系统中普遍存在的现象,短时间内的大量交易可能导致银行交易节点部分瘫痪或者全部瘫痪,严重影响银行核心交易系统的性能。从金融业务风险的角度而言,高频账户和热点交易往往涉及大额资金迁移,这是银行风控部门需要特别关注的,尤其在银行业务交易量巨大的情况下,精准识别高频账户和热点交易是银行风险控制的重要内容。
传统热点交易识别技术主要依赖账户交易阈值分析的方式,在实践中发现,传统方式的技术缺陷一方面在于对短时序高频交易进行误报,另一方面在于不能准确识别长时序稀疏的热点交易,传统热点交易识别技术的缺陷原因在于阈值分析法只能片面分析高频交易账户的交易数据,从而导致传统方法的热点交易识别准确率较低。
热点交易是银行核心交易系统重点关注的问题,不仅涉及到银行客户资金安全,更是银行交易系统风险控制的关键。线上支付业务的发展更是对热点交易识别系统的实时性提出了更高的要求;机器学习技术在海量数据分析领域的优势逐步凸显,如何利用机器学习技术快速、准确地从海量交易数据中识别出热点交易是银行交易系统风险控制的关键。
发明内容
本发明实施例的主要目的在于提供一种热点交易识别方法及装置,以从海量的账户交易数据中精准识别出热点交易,控制交易风险。
为了实现上述目的,本发明实施例提供一种热点交易识别方法,包括:
获取目标交易数据,确定目标交易数据对应账户的资金净流量比;
根据资金净流量比与预设流量比阈值的比较结果将目标交易数据输入基于交易训练数据创建的热点交易识别模型中,得到目标交易热度;
根据目标交易热度识别热点交易。
本发明实施例还提供一种热点交易识别装置,包括:
资金净流量比模块,用于资金净流量比确定获取目标交易数据,确定目标交易数据对应账户的资金净流量比;
目标交易热度模块,根据资金净流量比与预设流量比阈值的比较结果将目标交易数据输入基于交易训练数据创建的热点交易识别模型中,得到目标交易热度;
热点交易识别模块,用于根据目标交易热度识别热点交易。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序,处理器执行计算机程序时实现所述的热点交易识别方法的步骤。
本发明实施例还提供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所述的热点交易识别方法的步骤。
本发明实施例的热点交易识别方法及装置先确定目标交易数据对应账户的资金净流量比,再根据资金净流量比与预设流量比阈值的比较结果将目标交易数据输入热点交易识别模型中,得到目标交易热度,最后根据目标交易热度识别热点交易,可以从海量的账户交易数据中精准识别出热点交易,控制交易风险。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中热点交易识别方法的流程图;
图2是本发明另一实施例中热点交易识别方法的流程图;
图3是本发明实施例中确定资金净流量比的流程图;
图4是本发明实施例中创建热点交易识别模型的流程图;
图5是本发明实施例中长短期记忆网络模型的结构框图;
图6是本发明实施例中热点交易识别装置的结构框图;
图7是本发明实施例中计算机设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本领域技术人员知道,本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此,本公开可以具体实现为以下形式,即:完全的硬件、完全的软件(包括固件、驻留软件、微代码等),或者硬件和软件结合的形式。
鉴于现有技术的热点交易识别准确率较低,本发明实施例提供一种热点交易识别方法,可以克服银行账户交易量巨大的条件限制,利用机器学习模型在海量的账户交易数据识别热点交易,协助风控部门高效定位热点交易信息。以下结合附图对本发明进行详细说明。
图1是本发明一实施例中热点交易识别方法的流程图。图2是本发明另一实施例中热点交易识别方法的流程图。如图1和图2所示,热点交易识别方法包括:
S101:获取目标交易数据,确定目标交易数据对应账户的资金净流量比。
图3是本发明实施例中确定资金净流量比的流程图。如图3所示,确定目标交易数据对应账户的资金净流量比包括:
S201:获取目标交易数据对应账户的有效交易次数,根据有效交易次数确定交易强度。
例如,目标交易数据对应第q个账户pq,pq在预设时间段T内的有效交易次数为Oi,则根据Oi可以确定第q个账户的交易强度
S202:根据交易强度与预设交易强度阈值的比较结果确定目标交易数据对应账户的资金净流量比。
一实施例中,S202包括:当交易强度大于预设交易强度阈值时,根据目标交易数据对应账户与非目标交易数据对应账户之间的向量权重确定目标交易数据对应账户的账户金额强度;根据账户金额强度确定资金净流量比。
例如,当交易强度大于预设交易强度阈值δ时,确定对应的交易账户为高频交易账户,此时可以通过如下公式确定资金净流量比:
其中,Sin(pq)为第q个账户的金额流入强度,Sout(pq)为第q个账户的金额流出强度,NFRq为第q个账户的资金净流量比,Pin(pq)为指向第q个账户pq的第j个账户pj的集合,pj为指向第q个账户的第j个账户,w(pj,pq)为第q个账户pq到第j个账户pj的向量权重,Pout(pq)为第q个账户pq指向第k个账户pk的集合,pk为被q个账户pq指向的第k个账户,w(pk,pq)为第q个账户pq到第k个账户pk的向量权重。
S102:根据资金净流量比与预设流量比阈值的比较结果将目标交易数据输入基于交易训练数据创建的热点交易识别模型中,得到目标交易热度。
例如,当资金净流量比大于预设流量比阈值|ε|时,将目标交易数据输入基于交易训练数据创建的热点交易识别模型中,得到目标交易热度。其中,|ε|=0.7。
S103:根据目标交易热度识别热点交易。
具体实施时,当目标交易热度大于预设交易阈值φ时,确定该目标交易为热点交易。
图1所示的热点交易识别方法的执行主体可以为计算机。由图1所示的流程可知,本发明实施例的热点交易识别方法先确定目标交易数据对应账户的资金净流量比,再根据资金净流量比与预设流量比阈值的比较结果将目标交易数据输入热点交易识别模型中,得到目标交易热度,最后根据目标交易热度识别热点交易,可以从海量的账户交易数据中精准识别出热点交易,控制交易风险。
图4是本发明实施例中创建热点交易识别模型的流程图。如图4所示,基于交易训练数据创建热点交易识别模型包括:
执行如下迭代处理:
S301:根据交易训练数据和模型参数确定预测交易热度。
其中,交易训练数据为经过归一化处理的高频交易账户的交易数据Xtrain,对应的实际交易热度为该高频交易账户在同一交易时间下经过归一化处理的交易笔数Ytrain。
图5是本发明实施例中长短期记忆网络模型的结构框图。如图5所示,本发明采用长短期记忆网络(LSTM,Long Short-Term Memory)模型,包括第t次迭代(第t时刻)的输入门it、第t次迭代的遗忘门ft、第t次迭代的输出门ot以及第t次迭代的隐含层状态可以通过如下公式确定预测交易热度:
it=σ(Wi t·[ht-1,xt]+bi t);
ft=σ(Wf t·[ht-1,xt]+bf t);
ot=σ(Wo t·[ht-1,xt]+bo t);
其中,σ表示sigmoid函数,ht-1为第t-1次迭代(上一次迭代)的预测交易热度,xt为第t-1次迭代的交易训练数据,Wi t为第t次迭代的输入门权重矩阵,Wf t为第t次迭代的遗忘门权重矩阵,Wo t为第t次迭代的输出门权重矩阵,Wc t为第t次迭代的隐含层权重矩阵,bi t为第t次迭代的输入门偏置矩阵,bf t为第t次迭代的遗忘门偏置矩阵,bo t为第t次迭代的输出门偏置矩阵,bc t为第t次迭代的隐含层偏置矩阵,Ct为第t次迭代的隐含层状态输出,表示矩阵元素对应相乘的符号,ht为第t次迭代(当前迭代)的预测交易热度。模型参数包括输入门权重矩阵、遗忘门权重矩阵、输出门权重矩阵、隐含层权重矩阵、输入门偏置矩阵、遗忘门偏置矩阵、输出门偏置矩阵和隐含层偏置矩阵。
S302:根据预测交易热度与对应的实际交易热度确定损失函数。
具体实施时,可以通过如下公式确定损失函数:
其中,L(f(x(z);θ),h(z))为损失函数,h(z)=ht,为第z个交易训练数据(第t次迭代)的预测交易热度,y(z)为第z个交易训练数据的实际交易热度,N为当前训练批次的交易训练数据的总数量,θ为角度。
S303:判断损失函数是否小于预设损失函数阈值。
S304:当损失函数小于预设损失函数阈值时,根据模型参数创建热点交易识别模型。
S305:当损失函数大于或等于预设损失函数阈值时,根据损失函数更新模型参数,继续执行迭代处理。
具体实施时,更新模型参数的步骤如下:
1、通过如下公式确定损失函数的梯度:
其中,gt为第t次迭代的梯度,θt为第t次迭代的角度。
2、根据梯度确定第一动量参数和第二动量参数:
mt=β1·mt-1+(1-β1)·gt;
其中,mt为Adam优化器在第t次迭代(当前迭代)的对热点交易识别模型的一阶估计,mt-1为Adam优化器在第t-1次迭代(上一次迭代)的对热点交易识别模型的一阶估计,初始值m0=0;vt为Adam优化器在第t次迭代(当前迭代)的对热点交易识别模型的二阶估计,vt-1为Adam优化器在第t-1次迭代(上一次迭代)的对热点交易识别模型的二阶估计,初始值v0=0;β1为Adam优化器的第一超参数,典型值为0.9;β2为Adam优化器的第二超参数,典型值为0.999;为第t次迭代的第一动量参数,/>第t次迭代的第二动量参数。
3、根据第一动量参数和第二动量参数更新模型参数:
其中,Wi t+1为第t+1次迭代的输入门权重矩阵,Wf t+1为第t+1次迭代的遗忘门权重矩阵,Wo t+1为第t+1次迭代的输出门权重矩阵,Wc t+1为第t+1次迭代的隐含层权重矩阵,bi t+1为第t+1次迭代的输入门偏置矩阵,bf t+1为第t+1次迭代的遗忘门偏置矩阵,bo t+1为第t+1次迭代的输出门偏置矩阵,bc t+1为第t+1次迭代的隐含层偏置矩阵,α为优化器的第三超参数,典型值为10-3;ε为优化器的第四超参数,典型值为10-8。
本发明实施例的具体流程如下:
1、根据交易训练数据和模型参数确定预测交易热度。
2、根据预测交易热度与对应的实际交易热度确定损失函数。
3、当损失函数小于预设损失函数阈值时,根据模型参数创建热点交易识别模型,否则根据损失函数更新模型参数,返回步骤1。
4、获取目标交易数据对应账户的有效交易次数,根据有效交易次数确定交易强度。
5、当交易强度大于预设交易强度阈值时,根据目标交易数据对应账户与非目标交易数据对应账户之间的向量权重确定目标交易数据对应账户的账户金额强度。
6、根据账户金额强度确定资金净流量比。
7、当资金净流量比大于预设流量比阈值时,将目标交易数据输入基于交易训练数据创建的热点交易识别模型中,得到目标交易热度。
8、当目标交易热度大于预设交易阈值时,确定该目标交易为热点交易。
综上所述,本发明实施例提供的热点交易识别方法具有以下有益效果:
1、通过改进银行核心交易系统热点交易识别方法克服了传统热点交易识别方法无法对高频交易账户的交易数据进行全面分析的缺陷,能够在海量账户交易数据中快速、准确地识别出热点交易。
2、通过长短期记忆网络模型构建的热点交易识别模型对交易间隔较长的时序账户的交易数据进行分析,并结合该账户之前的交易数据对当前交易的热度进行评估,识别出高频交易账户中的热点交易,对于应用系统的联机性能监控、风险评估等维护工作具有重要意义。
基于同一发明构思,本发明实施例还提供了一种热点交易识别装置,由于该装置解决问题的原理与热点交易识别方法相似,因此该装置的实施可以参见方法的实施,重复之处不再赘述。
图6是本发明实施例中热点交易识别装置的结构框图。如图6所示,热点交易识别装置包括:
资金净流量比模块,用于资金净流量比确定获取目标交易数据,确定目标交易数据对应账户的资金净流量比;
目标交易热度模块,根据资金净流量比与预设流量比阈值的比较结果将目标交易数据输入基于交易训练数据创建的热点交易识别模型中,得到目标交易热度;
热点交易识别模块,用于根据目标交易热度识别热点交易。
在其中一种实施例中,资金净流量比模块包括:
交易强度确定单元,用于获取目标交易数据对应账户的有效交易次数,根据有效交易次数确定交易强度;
资金净流量比单元,用于根据交易强度与预设交易强度阈值的比较结果确定目标交易数据对应账户的资金净流量比。
在其中一种实施例中,资金净流量比单元包括:
账户金额强度子单元,用于当交易强度大于预设交易强度阈值时,根据目标交易数据对应账户与非目标交易数据对应账户之间的向量权重确定目标交易数据对应账户的账户金额强度;
资金净流量比子单元,用于根据账户金额强度确定资金净流量比。
在其中一种实施例中,还包括:热点交易识别模型创建单元,用于执行如下迭代处理:
根据交易训练数据和模型参数确定预测交易热度;
根据预测交易热度与对应的实际交易热度确定损失函数;
当损失函数小于预设损失函数阈值时,根据模型参数创建热点交易识别模型,否则根据损失函数更新模型参数,继续执行迭代处理。
综上,本发明实施例的热点交易识别装置先确定目标交易数据对应账户的资金净流量比,再根据资金净流量比与预设流量比阈值的比较结果将目标交易数据输入热点交易识别模型中,得到目标交易热度,最后根据目标交易热度识别热点交易,可以从海量的账户交易数据中精准识别出热点交易,控制交易风险。
本发明实施例还提供能够实现上述实施例中的热点交易识别方法中全部步骤的一种计算机设备的具体实施方式。图7是本发明实施例中计算机设备的结构框图,参见图7,所述计算机设备具体包括如下内容:
处理器(processor)701和存储器(memory)702。
所述处理器701用于调用所述存储器702中的计算机程序,所述处理器执行所述计算机程序时实现上述实施例中的热点交易识别方法中的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
获取目标交易数据,确定目标交易数据对应账户的资金净流量比;
根据资金净流量比与预设流量比阈值的比较结果将目标交易数据输入基于交易训练数据创建的热点交易识别模型中,得到目标交易热度;
根据目标交易热度识别热点交易。
综上,本发明实施例的计算机设备先确定目标交易数据对应账户的资金净流量比,再根据资金净流量比与预设流量比阈值的比较结果将目标交易数据输入热点交易识别模型中,得到目标交易热度,最后根据目标交易热度识别热点交易,可以从海量的账户交易数据中精准识别出热点交易,控制交易风险。
本发明实施例还提供能够实现上述实施例中的热点交易识别方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的热点交易识别方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
获取目标交易数据,确定目标交易数据对应账户的资金净流量比;
根据资金净流量比与预设流量比阈值的比较结果将目标交易数据输入基于交易训练数据创建的热点交易识别模型中,得到目标交易热度;
根据目标交易热度识别热点交易。
综上,本发明实施例的计算机可读存储介质先确定目标交易数据对应账户的资金净流量比,再根据资金净流量比与预设流量比阈值的比较结果将目标交易数据输入热点交易识别模型中,得到目标交易热度,最后根据目标交易热度识别热点交易,可以从海量的账户交易数据中精准识别出热点交易,控制交易风险。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block),单元,和步骤可以通过电子硬件、电脑软件,或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability),上述的各种说明性部件(illustrative components),单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用,可以使用各种方法实现所述的功能,但这种实现不应被理解为超出本发明实施例保护的范围。
本发明实施例中所描述的各种说明性的逻辑块,或单元,或装置都可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于用户终端中。可选地,处理器和存储媒介也可以设置于用户终端中的不同的部件中。
在一个或多个示例性的设计中,本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现,这些功能可以存储与电脑可读的媒介上,或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如,这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置,或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外,任何连接都可以被适当地定义为电脑可读媒介,例如,如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘,磁盘通常以磁性复制数据,而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。
Claims (6)
1.一种热点交易识别方法,其特征在于,包括:
获取目标交易数据,确定目标交易数据对应账户的资金净流量比;
根据所述资金净流量比与预设流量比阈值的比较结果将所述目标交易数据输入基于交易训练数据创建的热点交易识别模型中,得到目标交易热度;
根据所述目标交易热度识别热点交易;
确定目标交易数据对应账户的资金净流量比包括:
获取目标交易数据对应账户的有效交易次数,根据所述有效交易次数确定交易强度;
根据所述交易强度与预设交易强度阈值的比较结果确定目标交易数据对应账户的资金净流量比;
根据所述交易强度与预设交易强度阈值的比较结果确定目标交易数据对应账户的资金净流量比包括:
当所述交易强度大于预设交易强度阈值时,根据所述目标交易数据对应账户与非目标交易数据对应账户之间的向量权重确定所述目标交易数据对应账户的账户金额强度;
根据所述账户金额强度确定所述资金净流量比;
通过如下公式确定资金净流量比:
其中,Sin(pq)为第q个账户的金额流入强度,Sout(pq)为第q个账户的金额流出强度,NFRq为第q个账户的资金净流量比,Pin(pq)为指向第q个账户pq的第j个账户pj的集合,pj为指向第q个账户的第j个账户,w(pj,pq)为第q个账户pq到第j个账户pj的向量权重,Pout(pq)为第q个账户pq指向第k个账户pk的集合,pk为被q个账户pq指向的第k个账户,w(pk,pq)为第q个账户pq到第k个账户pk的向量权重。
2.根据权利要求1所述的热点交易识别方法,其特征在于,基于交易训练数据创建的热点交易识别模型包括:
执行如下迭代处理:
根据所述交易训练数据和模型参数确定预测交易热度;
根据所述预测交易热度与对应的实际交易热度确定损失函数;
当所述损失函数小于预设损失函数阈值时,根据所述模型参数创建热点交易识别模型,否则根据所述损失函数更新所述模型参数,继续执行所述迭代处理。
3.一种热点交易识别装置,其特征在于,包括:
资金净流量比模块,用于资金净流量比确定获取目标交易数据,确定目标交易数据对应账户的资金净流量比;
目标交易热度模块,根据所述资金净流量比与预设流量比阈值的比较结果将所述目标交易数据输入基于交易训练数据创建的热点交易识别模型中,得到目标交易热度;
热点交易识别模块,用于根据所述目标交易热度识别热点交易;
所述资金净流量比模块包括:
交易强度确定单元,用于获取目标交易数据对应账户的有效交易次数,根据所述有效交易次数确定交易强度;
资金净流量比单元,用于根据所述交易强度与预设交易强度阈值的比较结果确定目标交易数据对应账户的资金净流量比;
所述资金净流量比单元包括:
账户金额强度子单元,用于当所述交易强度大于预设交易强度阈值时,根据所述目标交易数据对应账户与非目标交易数据对应账户之间的向量权重确定所述目标交易数据对应账户的账户金额强度;
资金净流量比子单元,用于根据所述账户金额强度确定所述资金净流量比;
通过如下公式确定资金净流量比:
其中,Sin(pq)为第q个账户的金额流入强度,Sout(pq)为第q个账户的金额流出强度,NFRq为第q个账户的资金净流量比,Pin(pq)为指向第q个账户pq的第j个账户pj的集合,pj为指向第q个账户的第j个账户,w(pj,pq)为第q个账户pq到第j个账户pj的向量权重,Pout(pq)为第q个账户pq指向第k个账户pk的集合,pk为被q个账户pq指向的第k个账户,w(pk,pq)为第q个账户pq到第k个账户pk的向量权重。
4.根据权利要求3所述的热点交易识别装置,其特征在于,还包括:热点交易识别模型创建单元,用于执行如下迭代处理:
根据所述交易训练数据和模型参数确定预测交易热度;
根据所述预测交易热度与对应的实际交易热度确定损失函数;
当所述损失函数小于预设损失函数阈值时,根据所述模型参数创建热点交易识别模型,否则根据所述损失函数更新所述模型参数,继续执行所述迭代处理。
5.一种计算机设备,包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至2任一项所述的热点交易识别方法的步骤。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至2任一项所述的热点交易识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110422462.2A CN113112259B (zh) | 2021-04-20 | 2021-04-20 | 热点交易识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110422462.2A CN113112259B (zh) | 2021-04-20 | 2021-04-20 | 热点交易识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113112259A CN113112259A (zh) | 2021-07-13 |
CN113112259B true CN113112259B (zh) | 2024-04-05 |
Family
ID=76718627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110422462.2A Active CN113112259B (zh) | 2021-04-20 | 2021-04-20 | 热点交易识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113112259B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113886382A (zh) * | 2021-08-23 | 2022-01-04 | 阿里云计算有限公司 | 数据库任务处理方法、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107943976A (zh) * | 2017-11-29 | 2018-04-20 | 中国银行股份有限公司 | 一种海量交易日志中基于账户的热点交易识别方法及系统 |
CN109739907A (zh) * | 2018-12-07 | 2019-05-10 | 广州经传多赢投资咨询有限公司 | 基于主题的投资服务系统 |
CN110020850A (zh) * | 2019-03-05 | 2019-07-16 | 阿里巴巴集团控股有限公司 | 用于账户处理的方法、系统和计算设备 |
CN111324867A (zh) * | 2020-02-25 | 2020-06-23 | 支付宝(杭州)信息技术有限公司 | 一种疑似风险交易确定方法、装置及设备 |
CN111709825A (zh) * | 2020-06-10 | 2020-09-25 | 中国工商银行股份有限公司 | 异常产品识别方法及系统 |
-
2021
- 2021-04-20 CN CN202110422462.2A patent/CN113112259B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107943976A (zh) * | 2017-11-29 | 2018-04-20 | 中国银行股份有限公司 | 一种海量交易日志中基于账户的热点交易识别方法及系统 |
CN109739907A (zh) * | 2018-12-07 | 2019-05-10 | 广州经传多赢投资咨询有限公司 | 基于主题的投资服务系统 |
CN110020850A (zh) * | 2019-03-05 | 2019-07-16 | 阿里巴巴集团控股有限公司 | 用于账户处理的方法、系统和计算设备 |
CN111324867A (zh) * | 2020-02-25 | 2020-06-23 | 支付宝(杭州)信息技术有限公司 | 一种疑似风险交易确定方法、装置及设备 |
CN111709825A (zh) * | 2020-06-10 | 2020-09-25 | 中国工商银行股份有限公司 | 异常产品识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113112259A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230118240A1 (en) | Training a machine learning system for transaction data processing | |
AU2020202542A1 (en) | Transforming attributes for training automated modeling systems | |
CN110750645B (zh) | 基于对抗训练的跨领域虚假评论识别方法 | |
US10083263B2 (en) | Automatic modeling farmer | |
CN113221104B (zh) | 用户异常行为的检测方法及用户行为重构模型的训练方法 | |
WO2022105016A1 (zh) | 一种股票价格走势预测方法、系统、终端以及存储介质 | |
CN113112259B (zh) | 热点交易识别方法及装置 | |
JP2022540968A (ja) | 家庭内会話環境に向けたニューラルネットワーク音声認識方法およびシステム | |
US20200175406A1 (en) | Apparatus and methods for using bayesian program learning for efficient and reliable knowledge reasoning | |
CN110490304B (zh) | 一种数据处理方法及设备 | |
Wang et al. | Credit fraud risk detection based on XGBoost-LR hybrid model | |
Basterrech et al. | Evolutionary Echo State Network: A neuroevolutionary framework for time series prediction | |
CN109947946A (zh) | 一种预测文章传播热度的方法及装置 | |
Ishida et al. | Adjust-free adversarial example generation in speech recognition using evolutionary multi-objective optimization under black-box condition | |
US20210304323A1 (en) | System and method for data synchronization and verification | |
CN110362981B (zh) | 基于可信设备指纹判断异常行为的方法及系统 | |
JP7059458B2 (ja) | 生成的敵対神経網ベースの分類システム及び方法 | |
Sun et al. | A GD‐PSO Algorithm for Smart Transportation Supply Chain ABS Portfolio Optimization | |
Qiao et al. | Singular spectrum analysis based long short-term memory for predicting bitcoin price | |
Aghapour et al. | Deep-Time Neural Networks: An Efficient Approach for Solving High-Dimensional PDEs | |
CN116452320B (zh) | 一种基于持续学习的信用风险预测方法 | |
Zeron et al. | Tensoring volatility calibration | |
Ji et al. | On Bayesian inference for continuous-time autoregressive models without likelihood | |
Zeron Medina Laris et al. | Tensoring volatility calibration | |
US20220237520A1 (en) | Method of machine learning training for data augmentation |
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 |