CN113344621A - 异常账户的确定方法、装置和电子设备 - Google Patents

异常账户的确定方法、装置和电子设备 Download PDF

Info

Publication number
CN113344621A
CN113344621A CN202110605590.0A CN202110605590A CN113344621A CN 113344621 A CN113344621 A CN 113344621A CN 202110605590 A CN202110605590 A CN 202110605590A CN 113344621 A CN113344621 A CN 113344621A
Authority
CN
China
Prior art keywords
account
accounts
determining
order
model
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
Application number
CN202110605590.0A
Other languages
English (en)
Other versions
CN113344621B (zh
Inventor
朱本常
焦大原
徐�明
叶敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110605590.0A priority Critical patent/CN113344621B/zh
Publication of CN113344621A publication Critical patent/CN113344621A/zh
Application granted granted Critical
Publication of CN113344621B publication Critical patent/CN113344621B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0248—Avoiding fraud
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Finance (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开公开了一种异常账户的确定方法、装置和电子设备，涉及自然语言处理和机器学习等人工智能技术领域。具体实现方案为：响应于确定出多个账户中存在目标账户，可以先获取多个账户之间的关联关系；并根据关联关系，确定多个账户中各账户与其它账户之间的距离，距离用于表示各账户之间的关联度；再根据各账户与其它账户之间的距离，从多个账户中，确定与目标账户之间的关联度大于预设值的异常账户。这样根据多个账户之间的关联关系，确定各账户与其它账户之间的距离，通过两个账户之间的距离可以定量化地描述两个账户之间的关联度，从而可以准确地确定出异常账户，提高了异常账户的筛选效率。

Description

异常账户的确定方法、装置和电子设备
技术领域
本公开涉及计算机技术领域，尤其涉及一种异常账户的确定方法、装置和电子设备，具体可用于自然语言处理和机器学习等人工智能技术领域。
背景技术
广告账户内容不合规，易引起信息泄露、财产安全等问题，为了保证广告账户内容的合规性，需要从全量广告账户中筛选异常广告账户，并对异常广告账户进行处理，以确保异常广告账户内容的合规性。
现有技术中，从全量广告账户中筛选异常广告账户时，通常是采用固定规则关联的方式先从全量广告账户中确定疑似异常广告账户。例如，假设两个广告账户在指定时间范围内使用过同一台设备、或者两个广告账户同一个IP地址，或者，两个广告账户属于同一个公司等，当两个广告账户中的一个广告账户为异常账户时，另一个广告账户会被确定为疑似异常广告账户；再分别审核每一个疑似异常广告账户的落地页内容，根据落地页内容的审核结果，从疑似异常广告账户中筛选出异常账户。
但是，采用固定规则关联的方式，筛选条件较广泛，导致异常广告账户的筛选效率较低。
发明内容
本公开提供了一种异常账户的确定方法、装置和电子设备，提高了异常账户的筛选效率。
根据本公开的第一方面，提供了一种异常账户的确定方法，该异常账户的确定方法可以包括：
响应于确定出多个账户中存在目标账户，获取多个账户之间的关联关系。
根据所述关联关系，确定所述多个账户中各账户与其它账户之间的距离，所述距离用于表示各账户之间的关联度。
根据所述各账户与其它账户之间的距离，从所述多个账户中，确定与所述目标账户之间的关联度大于预设值的异常账户。
根据本公开的第二方面，提供了一种异常账户的确定装置，该异常账户的确定装置可以包括：
获取单元，用于响应于确定出多个账户中存在目标账户，获取多个账户之间的关联关系。
确定单元，用于根据所述关联关系，确定所述多个账户中各账户与其它账户之间的距离，所述距离用于表示各账户之间的关联度。
处理单元，用于根据所述各账户与其它账户之间的距离，从所述多个账户中，确定与所述目标账户之间的关联度大于预设值的异常账户。
根据本公开的第三方面，提供了一种电子设备，该电子设备可以包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述第一方面所述的异常账户的确定方法。
根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述第一方面所述的异常账户的确定方法。
根据本公开的第五方面，提供了一种计算机程序产品，所述计算机程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行上述第一方面所述的异常账户的确定方法。
根据本申请的技术提高了异常账户的筛选效率。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是本公开提供的一种具有固定规则关联的账户的图数据结构示意图；
图2是根据本公开第一实施例提供的异常账户的确定方法的流程示意图；
图3是根据本公开第二实施例提供的确定多个账户中各账户与其它账户之间的距离的方法的流程示意图；
图4是本公开实施例提供的一种编解码模型的结构示意图；
图5是根据本公开第三实施例提供的确定异常账户的方法的流程示意图；
图6是本公开实施例提供的一种账户簇的示意图；
图7是本公开实施例提供的一种关联风险账户的召回的框架示意图；
图8是根据本公开第五实施例提供的异常账户的确定装置的流程示意图；
图9是本公开实施例提供的一种电子设备的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
在本公开的实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A，B可以是单数或者复数。在本公开的文字描述中，字符“/”一般表示前后关联对象是一种“或”的关系。
本公开实施例提供的技术方案可以应用于异常账户挖掘的场景中。异常账户挖掘指的是利用广告主在登录、编辑广告时留下的操作轨迹，通过深度图模型挖掘账户之间关联关系的技术。现有技术中，从全量广告账户中挖掘异常广告账户时，通常是采用固定规则关联的方式先从全量广告账户中确定疑似异常广告账户。例如，假设两个广告账户在指定时间范围内使用过同一台设备、或者两个广告账户同一个IP地址，或者，两个广告账户属于同一个公司等，当两个广告账户中的一个广告账户为异常账户时，另一个广告账户会被确定为疑似异常广告账户；再分别审核每一个疑似异常广告账户的落地页内容，根据落地页内容的审核结果，从疑似异常广告账户中筛选出异常账户。
可参见图1所示，图1是本公开提供的一种具有固定规则关联的账户的图数据结构示意图，以26个账户为例，可以看出，账户1、账户2、账户3以及账户4均分别与账户6和账户7存在关联关系，账户5分别与账户6、账户7、账户8以及账户12存在关联关系、账户6分别与账户1、账户2、账户3、账户4、账户5以及账户16之间存在关联关系，账户7分别与账户6分别与账户1、账户2、账户3、账户4、账户5、账户14以及账户17之间存在关联关系，账户8分别与账户5、账户9以及账户12存在关联关系，账户9分别与账户8、账户10以及账户13存在关联关系，账户10分别与账户9和账户11存在关联关系，…，账户26分别与账户23和账户24存在关联关系。
结合图1所示，若上述26个账户中存在异常账户，则采用现有的固定规则关联的方式，筛选疑似异常账户时，会将上述26个账户中，除异常账户之外的其它25个账户均确定为疑似异常账户，并针对其它25个疑似异常账户，并分别审核25个疑似异常账户中，每一个疑似异常账户的落地页内容，根据落地页内容的审核结果，从25个疑似异常账户中筛选出异常账户。可以看出，采用采用现有的固定规则关联的方式，筛选条件较广泛，筛选得到的疑似异常账户的数量较多，并需要对数量较多的疑似异常账户的落地页内容进行审核，从而导致异常账户的筛选效率较低。
为了提高异常账户的筛选效率，可以在账户之间的关联关系的基础上，通过账户之间的距离，对账户之间的关联关系进行定量化描述，通常情况下，两个账户之间的距离越近，说明该两个账户之间的关联度越强；相反的，两个账户之间的距离越远，说明该两个账户之间的关联度越弱，使得可以根据账户之间的关联度的强弱，从多个账户中确定异常账户，这样通过定量化描述两个账户之间的关联度，可以准确地确定出异常账户，从而提高了异常账户的筛选效率。
基于上述技术构思，本公开实施例提供一种异常账户的确定方法，下面，将通过具体的实施例对本公开提供的异常账户的确定方法进行详细地说明。可以理解的是，下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
实施例一
图2是根据本公开第一实施例提供的异常账户的确定方法的流程示意图，该异常账户的确定方法可以由软件和/或硬件装置执行，例如，该硬件装置可以为终端或者服务器。示例的，请参见图2所示，该异常账户的确定方法可以包括：
S201、响应于确定出多个账户中存在目标账户，获取多个账户之间的关联关系。
其中，目标账户可以为异常账户，例如高危风险账户。
示例的，在本公开实施例中，在获取多个账户之间的关联关系时，可以先获取多个账户对应的操作轨迹信息；并根据多个账户对应的操作轨迹信息，确定多个账户之间的关联关系。
示例的，操作轨迹信息可以为账户在设备上登录时的设备号、账户登录时使用的IP地址、账户主体、账户代理商、账户提交的广告内容等，具体可以根据实际需要进行设置。
可以理解的是，在本公开实施例中，账户之间的关联关系可以包括直接关联关系和间接关系，其中，直接关联关系可以记为一阶关联关系，间接关系可以包括二阶关联关系、三阶关联关系甚至更多阶关联关系等。可结合图1所示，以账户1为例，账户1与账户6、以及账户1与账户7之间的关联关系为直接关联关系；账户1和账户16之间是通过账户6关联的，账户1和账户16之间的关联关系可以记为间接关联关系中的二阶关联关系，账户1和账户17之间是通过账户7关联的，账户1和账户17之间的关联关系也可以记为间接关联关系中的二阶关联关系。
可以理解的是，在本公开实施例中，在根据多个账户对应的操作轨迹信息，确定多个账户之间的关联关系时，融合的操作轨迹信息越多，挖掘出的账户之间的关联度越准确。示例的，在本公开实施例中，可以基于操作轨迹信息中的某一种信息，例如IP地址，确定多个账户之间的关联关系；也可以基于操作轨迹信息中的多种信息，例如IP地址、账户主体、账户代理商以及账户提交的广告内容共同确定多个账户之间的关联关系，具体可以根据实际需要进行设置，在此，本公开实施例不做进一步地限制。
在获取到多个账户之间的关联关系后，为了解决现有技术采用固定规则关联的方式，筛选条件较广泛，导致异常广告账户的筛选效率较低的问题，在本公开实施例中，可以在账户之间的关联关系的基础上，通过账户之间的距离，对账户之间的关联关系进行定量化描述，即执行下述S202，这样通过定量化描述两个账户之间的关联度，可以准确地确定出异常账户，从而提高了异常账户的筛选效率。
S202、根据关联关系，确定多个账户中各账户与其它账户之间的距离，距离用于表示各账户之间的关联度。
根据多个账户之间的关联关系，确定各账户与其它账户之间的距离，通过两个账户之间的距离定量化描述了两个账户之间的关联度，通常情况下，两个账户之间的距离越近，说明该两个账户之间的关联度越强；相反的，两个账户之间的距离越远，说明该两个账户之间的关联度越弱。
在确定出多个账户中各账户与其它账户之间的距离后，就可以根据各账户与其它账户之间的距离，从多个账户中，确定与目标账户之间的关联度大于预设值的异常账户，即执行下述S203：
S203、根据各账户与其它账户之间的距离，从多个账户中，确定与目标账户之间的关联度大于预设值的异常账户。
其中，预设值的大小可以根据实际需要进行设置，在此，对于预设值的大小，本公开实施例不做具体限制。
可以看出，在本公开实施例中，响应于确定出多个账户中存在目标账户，可以先获取多个账户之间的关联关系；并根据关联关系，确定多个账户中各账户与其它账户之间的距离，距离用于表示各账户之间的关联度；再根据各账户与其它账户之间的距离，从多个账户中，确定与目标账户之间的关联度大于预设值的异常账户。这样根据多个账户之间的关联关系，确定各账户与其它账户之间的距离，通过两个账户之间的距离可以定量化地描述两个账户之间的关联度，从而可以准确地确定出异常账户，提高了异常账户的筛选效率。
基于上述图2所示的实施例，在上述S202中，基于根据多个账户之间的关联关系，确定多个账户中各账户与其它账户之间的距离时，鉴于关联关系包括了直接关联的一阶关联关系，间隔关联的二阶关联关系、三阶关联关系、甚至更多阶的关联关系，因此，可以基于存在的关联关系确定各账户与其它账户之间的距离。但考虑到通常情况下，存在多阶关联关系的两个账户之间的关联度通常较弱，因此，在本公开实施例中，将以仅考虑一阶关联关系和第二关联关系为例，对如何根据一阶关联关系和第二关联关系确定各账户与其它账户之间的距离进行描述，但并不代表本公开实施例仅局限于考虑一阶关联关系和第二关联关系。
下面，将通过下述图3所示的实施例二，对如何基于根据多个账户之间的关联关系，确定多个账户中各账户与其它账户之间的距离进行详细地描述。
实施例二
图3是根据本公开第二实施例提供的确定多个账户中各账户与其它账户之间的距离的方法的流程示意图，该确定多个账户中各账户与其它账户之间的距离的方法同样可以由软件和/或硬件装置执行，例如，该硬件装置可以为终端或者服务器。示例的，请参见图3所示，该确定多个账户中各账户与其它账户之间的距离的方法可以包括：
S301、根据多个账户之间的关联关系，确定各账户对应的向量表示；其中，向量表示用于指示账户在预设纬度空间中的位置坐标。
示例的，在根据关联关系，确定各账户对应的向量表示时，可以先根据关联关系，生成用于描述该关联关系的图数据结构，可参见图1所示，图1即为用于描述26个账户之间的关联关系的一种图数据结构，在生成用于描述关联关系的图数据结构后，再基于该图数据结构确定各个账户对应的向量表示。
可以理解的是，在基于图数据结构确定各个账户对应的向量表示时，其实质还是基于图数据结构指示的关联关系，确定各个账户对应的向量表示。示例的，在本公开实施例中，在根据关联关系，确定各账户对应的向量表示时，将以下述三种可能的实现方式为例进行说明，具体可以根据实际需要进行设置，在此，本公开实施例不做具体限制。
在一种可能的实现方式中，在根据多个账户之间的关联关系，确定各账户对应的向量表示时，可以在网络编码模型中引入账户之间的一阶关联关系描述的一阶相似度和二阶关联关系描述的二阶相似度，例如LINE模型，并根据网络编码模型得到账户的向量表达，具体过程为：
将多个账户之间的关联关系输入一阶网络编码模型中，确定一阶网络编码模型的嵌入层的输出结果，并将一阶网络编码模型的嵌入层的输出结果确定为各账户对应的一阶向量表示；将多个账户之间的关联关系输入二阶网络编码模型中，确定二阶网络编码模型的嵌入层的输出结果，并将二阶网络编码模型的嵌入层的输出结果确定为各账户对应的二阶向量表示；再根据一阶向量表示和二阶向量表示，确定各账户对应的向量表示。示例的，在根据一阶向量表示和二阶向量表示，确定各账户对应的向量表示时，可以对一阶向量表示和二阶向量表示进行加权平均，得到各账户对应的向量表示。
其中，一阶网络编码模型为基于多个样本账户之间的关联关系得到多个训练样本，并将多个训练样本输入至初始一阶网络编码模型中，确定初始一阶网络编码模型的嵌入层损失，并根据嵌入层损失对初始一阶网络编码模型进行优化得到的；二阶网络编码模型为基于多个样本账户之间的关联关系得到多个训练样本，并将多个训练样本输入至初始二阶网络编码模型中，确定初始二阶网络编码模型的嵌入层损失，并根据嵌入层损失对初始二阶网络编码模型进行优化得到的；根据一阶向量表示和二阶向量表示，确定各账户对应的向量表示。
以对初始一阶网络编码模型进行优化为例，示例的，在对初始一阶网络编码模型进行优化得到的一阶网络编码模型时，可以执行步骤1、先多个样本账户之间的关联关系，构建各样本账户的初始邻接向量；步骤2、计算各样本账户的相邻点的数量，对相邻点的数量进行归一化处理，将归一化处理后的结果作为别名采样法采样时命中各个账户的概率，得到各样本账户对应的概率；步骤3、基于各样本账户对应的概率，采用获取某一个样本账户A，随机获取账户A的一个相邻账户B，得到一个由账户A和账户B组成的正样本(A，B)，可记label的取值为1；步骤4、随机获取与账户A不相邻的10个账户B，得到由账户A和不相邻的10个账户各自组成的负样本，可记label的取值为-1；重复执行步骤3和4，可以获取到正样本和负样本的数量比值为1:10的训练样本；步骤5、再将每个训练样本中边的两个账户分别输入至初始一阶网络编码模型中的嵌入层，嵌入层的权重共享，得到的结果做内积，内积与label的乘积再做log_sigmoid运算，得到嵌入层损失，并根据嵌入层损失对初始一阶网络编码模型进行优化，得到优化后的一阶网络编码模型。
可以理解的是，在本公开实施例中，对初始二阶网络编码模型进行优化，得到优化后的二阶网络编码模型的方法，与上述对初始一阶网络编码模型进行优化，得到优化后的一阶网络编码模型的方法类似，可参见上述对初始一阶网络编码模型进行优化，得到优化后的一阶网络编码模型的相关描述，在此，对于如何对初始二阶网络编码模型进行优化，得到优化后的二阶网络编码模型的方法，本公开实施例不再进行赘述。
在该种可能的实现方式中，在根据多个账户之间的关联关系，确定各账户对应的向量表示时，通过分别确定各账户对应的一阶向量表示和二阶向量表示，并根据一阶向量表示和二阶向量表示，确定各账户对应的向量表示，这样通过融合一阶关联性描述的一阶相似度和二阶关联性描述的二阶相似度，能够更加准确地刻画账户与账户之间的关联关系，提高了向量表示的准确度。
在另一种可能的实现方式中，在根据多个账户之间的关联关系，确定各账户对应的向量表示时，可以通过固定参数控制游走采样时的深度遍历权重和广度遍历的权重，使用别名采样法以O(1)的时间复杂度采样，再通过词向量模型，例如word2vec模型得到各个账户的向量表达，具体为：
其中，多个账户之间的关联关系包括直接关联关系和间接关联关系，在确定各账户节点对应的向量表示时，可以将多个账户之间的关联关系输入至目标词向量模型，确定目标词向量模型的嵌入层参数，并将嵌入层参数确定为各账户对应的向量表示；其中，目标词向量模型为根据多个样本账户之间的直接关联关系和间接关联关系确定出多个链式样本后，采用多个链式样本对初始词向量模型进行优化得到的。
示例的，在对初始词向量模型进行优化得到目标词向量模型时，可以先根据多个样本账户之间的直接关联关系和间接关联关系，确定各样本账户对应的广度概率或者深度概率；并根据各样本账户对应的广度概率或者深度概率进行采样，得到预设数量个链式样本；基于预设数量个链式样本初始词向量模型进行优化，得到优化后的目标词向量模型。
在该种可能的实现方式中，在根据多个账户之间的关联关系，确定各账户对应的向量表示时，通过将多个账户之间的直接关联关系和间接关联关系输入至目标词向量模型，确定目标词向量模型的嵌入层参数，并将嵌入层参数确定为各账户对应的向量表示，这样通过融合直接关联关系描述的相似度和间接关联性描述的相似度，能够更加准确地刻画账户与账户之间的关联关系，提高了向量表示的准确度。
在又一种可能的实现方式中，在根据多个账户之间的关联关系，确定各账户对应的向量表示时，可以在编解码模型，例如结构化深度网络嵌套(Structural Deep NetworkEmbedding，SDNE)中的encoder-decode模型结构中引入账户之间的一阶关联关系描述的一阶相似度和二阶关联关系描述的二阶相似度，并根据网络编码模型得到账户的向量表达，具体过程为：
将多个账户之间的关联关系输入至目标编解码模型，得到各账户对应的向量表示，其中，目标编解码模型为将多个样本账户之间的关联关系输入至初始编解码模型中，根据初始编解码模型在编码层的输出结果确定一阶损失函数，并根据初始编解码模型的输出结果确定二阶损失函数后，根据一阶损失函数和二阶损失函数对初始编解码模型进行优化得到的。
为了便于理解，可结合图4所示，以编解码模型为SDNE模型为例，图4是本公开实施例提供的一种编解码模型的结构示意图，账户对应的操作轨迹信息可以包括操作时间、操作行为、操作IP、操作终端、设备号以及账户主体，在根据操作轨迹信息确定关联关系时，可以根据业务规则组合确定账户之间的关联关系，业务规则组合例如操作时间和设备号、操作时间和操作IP、操作IP和设备号以及操作IP和账户主体，根据这些业务规则组合，可以确定10个账户之间的关联关系，基于该10个账户之间的关联关系，可以生产对应的图数据结构，账户1分别和账户5和账户6之间存在关联关系，账户2分别和账户5和账户6之间存在关联关系，账户3分别和账户5和账户6之间存在关联关系，账户4分别和账户5和账户6之间存在关联关系，账户6还与账户7存在关联关系，账户7还分别与账户8、账户9以及账户10存在关联关系。
可以将确定出的账户之间的关联关系输入至目标SDNE模型，每一个账户可以理解为一个节点，目标SDNE模型的输入xi为第i个节点对应的初始邻接向量，xj为第j个节点对应的初始邻接向量，根据目标SDNE模型的编码层的输出结果
Figure BDA0003094015620000101
和
Figure BDA0003094015620000102
共同确定各账户对应的一阶向量表达，并根据目标SDNE模型的输出结果
Figure BDA0003094015620000103
和xi确定各账户对应的二阶向量表达，从而根据各账户对应的一阶向量表达和二阶向量表达共同确定各账户对应的向量表达。
其中，在根据一阶损失函数和二阶损失函数对初始编解码模型进行优化得到目标编解码模型时，是整体优化目标，为了防止过拟合，可以加入正则化，因此，联合优化的损失函数可表示为：
Lmix＝L2nd+αL1st+vLreg 公式1
其中，Lmix表示联合优化的损失函数、L2nd表示二阶损失函数、L1st表示一阶损失函数，α表示控制一阶损失的参数，Lreg表示正则损失函数，v表示控制正则损失的参数。
在上述公式1中，一阶损失函数
Figure BDA0003094015620000111
二阶损失函数
Figure BDA0003094015620000112
正则损失函数
Figure BDA0003094015620000113
其中，n表示节点数目，Si，j表示邻接矩阵的元素，yi表示节点i在隐藏层的向量表达，yj表示节点j在隐藏层的向量表达，k表示隐藏层的层数，w(k)表示Encoder部分第k层隐藏层的参数矩阵，
Figure BDA0003094015620000114
表示Decoder部分第k层隐藏层的参数矩阵
在该种可能的实现方式中，在根据多个账户之间的关联关系，确定各账户对应的向量表示时，将多个账户之间的关联关系输入至目标编解码模型，得到各账户对应的向量表示，其中，目标编解码模型是根据一阶损失函数和二阶损失函数对初始编解码模型进行优化得到的，这样通过融合一阶关联性描述的一阶相似度和二阶关联性描述的二阶相似度，能够更加准确地刻画账户与账户之间的关联关系，提高了向量表示的准确度。
在根据多个账户之间的关联关系，确定出各账户对应的向量表示后，就可以根据各账户对应的向量表示，鉴于向量表示用于指示账户在预设纬度空间中的位置坐标，因此，可以根据各账户对应的向量表示，进一步确定各账户与其它账户之间的距离，即执行下述S302：
S302、根据各账户对应的向量表示，确定各账户与其它账户之间的距离。
可以看出，在确定出多个账户中存在目标账户时，可以先获取多个账户之间的关联关系；并根据多个账户之间的关联关系，确定各账户对应的向量表示；再根据各账户对应的向量表示，确定各账户与其它账户之间的距离，通过两个账户之间的距离可以定量化地描述两个账户之间的关联度，使得可以较大限度的准确地从多个账户中，确定与目标账户之间的关联度大于预设值的异常账户，提高了异常账户的筛选效率。
基于上述图1或图2所示的实施例，根据各账户对应的向量表示，确定出各账户与其它账户之间的距离之后，就可以根据各账户与其它账户之间的距离，从多个账户中，确定与目标账户之间的关联度大于预设值的异常账户。下面，将通过下述图5所示的实施例三，详细描述在本公开实施例中，如何根据各账户与其它账户之间的距离，从多个账户中，确定与目标账户之间的关联度大于预设值的异常账户。
实施例三
图5是根据本公开第三实施例提供的确定异常账户的方法的流程示意图，该确定异常账户的方法同样可以由软件和/或硬件装置执行。示例的，请参见图5所示，该确定异常账户的方法可以包括：
S501、根据各账户与其它账户之间的距离，将多个账户划分为多个账户簇。
结合图1所示的26个账户之间的关联关系，在根据各账户与其它账户之间的距离，将26个账户划分为账户簇时，可以将26个账户划分为3个账户簇，可参见图6所示，图6是本公开实施例提供的一种账户簇的示意图，可以看出，图1所示的26个账户中，根据各账户与其它账户之间的距离，可以将账户1、账户2、账户3、账户4、账户5、账户6以及账户7划分至一个账户簇中，可记为账户簇1；将账户8、账户9、账户10、账户11、账户12、账户13、账户14以及账户15划分至一个账户簇中，可记为账户簇2；将账户16、账户17、账户18、账户19、账户20、账户21、账户22、账户23、账户24、账户25、以及账户26划分至一个账户簇中，可记为账户簇3；从而得到3个账户簇。
在将多个账户划分为多个账户簇后，就可以根据目标账户分别与多个账户簇的聚类中心之间的距离，在多个账户中确定与目标账户之间的关联度大于预设值的异常账户，即执行下述S502：
S502、根据目标账户分别与多个账户簇的聚类中心之间的距离，在多个账户中确定异常账户。
示例的，根据目标账户分别与多个账户簇的聚类中心之间的距离，在多个账户中确定异常账户时，可以根据目标账户分别与多个账户簇的聚类中心之间的距离，在多个账户簇中确定与目标账户距离最近的目标账户簇；并在目标账户簇中，确定与目标账户距离最近的预设数量个疑似异常账户；再分别对疑似异常账户对应的网页内容进行识别，在疑似异常账户中，确定异常账户。其中，预设数量的取值可以根据实际需要进行设置，在此，对于预设数量的取值，本公开实施例不做具体限制。
结合上述图5所示，针对划分得到的3个账户簇，假设目标账户为账户簇2中的账户13，且预设数量的取值为3，则与目标账户13距离最近的3个账户，分别为账户12、账户14以及账户15，并将账户12、账户14以及账户15这3个账户确定为疑似异常账户；针对该3个疑似异常账户中的每一个账户，分别对疑似异常账户对应的网页内容进行识别，根据识别结果在疑似异常账户中，确定异常账户。
这样根据各账户与其它账户之间的距离，将多个账户划分为多个账户簇，并根据目标账户分别与多个账户簇的聚类中心之间的距离，在多个账户中确定异常账户，通过两个账户之间的距离可以定量化地描述两个账户之间的关联度，使得可以较大限度的准确地从多个账户中，确定与目标账户之间的关联度大于预设值的异常账户，提高了异常账户的筛选效率。
实施例四
图7是本公开实施例提供的一种关联风险账户的召回的框架示意图，在召回关联风险账户时，可以先获取账户的操作轨迹信息，操作轨迹信息可以包括设备名、物料、主体/代理商、操作记录以及消费信息等，在获取到这些账户的操作轨迹信息后，可以根据建立账户之间的关联关系，可参见图2所示，在根据单个维度的信息建立账户之间的关联关系时，可以通过设备关联性、物料关联性、以及主体关联性等建立关联模型。其中，设备关联性可以包括一阶关联、二阶关联、同设备；物料关联性可以包括物料同分布、物料同行业、以及页面同模板；主体关联性可以包括主体同地域、推广地域相关以及主体法人相关。假设根据设备关联性中的同设备建立第一个关联模型，且第一个关联模型包括：账户1和账户2存在关联关系、账户2和账户3存在关联关系，账户3和账户4存在关联关系；根据物料关联性建立第二个关联模型，且第二个关联模型包括：账户1和账户2存在关联，账户2还分别与账户3和账户4存在关联；根据主体关联性建立第三个关联模型，且第三个关联模型包括：账户1分别和账户2和账户3存在关联，账户2与账户5存在关联，再综合考虑这些维度，得到综合维度的关联模型，对应的，可以得到综合维度的关联强度、例如强关联、中关联、或者弱关联等。
在召回强关联风险账户后，可以将这些强关联风险账户进行监控，通过爬虫技术抓取强关联风险账户中的落地页内容，并通过风险识别模型对落地页内容进行识别，根据识别结果从强关联风险账户中确定出风险账户，这样通过定量化描述两个账户之间的关联度，可以准确地确定出风险账户，从而提高了风险账户的召回效率。
在挖掘异常账户时，采用本公开实施例提供的技术方案，经过验证，可以在很大程度上提高异常账户挖掘的覆盖率，基于深度图模型可以挖掘到账户之间二阶以及二阶以上的关联关系，并且定量化描述两个账户之间的关联度，这样既能扩大异常账户召回，还能通过阈值灵活的控制关联圈账户的数量，起到了平衡效果和抓取资源的作用。此外，在保证线上整体高危账户覆盖效果的前提下，还可以缩小关联圈账户数量，降低了需要审核的落地页的数量，从而提高了异常账户的召回效率。
实施例五
图8是根据本公开第五实施例提供的异常账户的确定装置80的流程示意图，示例的，请参见图8所示，该异常账户的确定装置80可以包括：
获取单元801，用于响应于确定出多个账户中存在目标账户，获取多个账户之间的关联关系。
确定单元802，用于根据关联关系，确定多个账户中各账户与其它账户之间的距离，距离用于表示各账户之间的关联度。
处理单元803，用于根据各账户与其它账户之间的距离，从多个账户中，确定与目标账户之间的关联度大于预设值的异常账户。
可选的，确定单元802包括第一确定模块和第二确定模块。
第一确定模块，用于根据关联关系，确定各账户对应的向量表示；其中，向量表示用于指示账户在预设纬度空间中的位置坐标。
第二确定模块，用于根据各账户对应的向量表示，确定各账户与其它账户之间的距离。
可选的，第一确定模块包括第一确定子模块、第二确定子模块以及第三确定子模块。
第一确定子模块，用于将关联关系输入一阶网络编码模型中，确定一阶网络编码模型的嵌入层的输出结果，并将一阶网络编码模型的嵌入层的输出结果确定为各账户对应的一阶向量表示；其中，一阶网络编码模型为基于多个样本账户之间的关联关系得到多个训练样本，并将多个训练样本输入至初始一阶网络编码模型中，确定初始一阶网络编码模型的嵌入层损失，并根据嵌入层损失对初始一阶网络编码模型进行优化得到的。
第二确定子模块，用于将关联关系输入二阶网络编码模型中，确定二阶网络编码模型的嵌入层的输出结果，并将二阶网络编码模型的嵌入层的输出结果确定为各账户对应的二阶向量表示；其中，二阶网络编码模型为基于多个样本账户之间的关联关系得到多个训练样本，并将多个训练样本输入至初始二阶网络编码模型中，确定初始二阶网络编码模型的嵌入层损失，并根据嵌入层损失对初始二阶网络编码模型进行优化得到的。
第三确定子模块，用于根据一阶向量表示和二阶向量表示，确定各账户对应的向量表示。
可选的，第三确定子模块，具体用于对一阶向量表示和二阶向量表示进行加权平均，得到各账户对应的向量表示。
可选的，关联关系包括直接关联关系和间接关联关系，第一确定模块还包括第四确定子模块。
第四确定子模块，用于将关联关系输入至目标词向量模型，确定目标词向量模型的嵌入层参数，并将嵌入层参数确定为各账户对应的向量表示；其中，目标词向量模型为根据多个样本账户之间的直接关联关系和间接关联关系确定出多个链式样本后，采用多个链式样本对初始词向量模型进行优化得到的。
可选的，第一确定模块还包括第五确定子模块。
第五确定子模块，用于将关联关系输入至目标编解码模型，得到各账户对应的向量表示，其中，目标编解码模型为将多个样本账户之间的关联关系输入至初始编解码模型中，根据初始编解码模型在编码层的输出结果确定一阶损失函数，并根据初始编解码模型的输出结果确定二阶损失函数后，根据一阶损失函数和二阶损失函数对初始编解码模型进行优化得到的。
可选的，处理单元803包括第一处理模块和第二处理模块。
第一处理模块，用于根据各账户与其它账户之间的距离，将多个账户划分为多个账户簇。
第二处理模块，用于根据目标账户分别与多个账户簇的聚类中心之间的距离，在多个账户中确定异常账户。
可选的，第二处理模块包括第一处理子模块和第二处理子模块。
第一处理子模块，用于根据目标账户分别与多个账户簇的聚类中心之间的距离，在多个账户簇中确定与目标账户距离最近的目标账户簇。
第二处理子模块，用于在目标账户簇中确定异常账户。
可选的，第二处理子模块，具体用于在目标账户簇中，确定与目标账户距离最近的预设数量个疑似异常账户；并分别对疑似异常账户对应的网页内容进行识别，在疑似异常账户中，确定异常账户。
可选的，获取单元801包括第一获取模块和第二获取模块。
第一获取模块，用于获取多个账户对应的操作轨迹信息。
第二获取模块，用于根据多个账户对应的操作轨迹信息，确定多个账户之间的关联关系。
本公开实施例提供的异常账户的确定装置80，可以执行上述任一实施例所示的异常账户的确定方法的技术方案，其实现原理以及有益效果与异常账户的确定方法的实现原理及有益效果类似，可参见异常账户的确定方法的实现原理及有益效果，此处不再进行赘述。
根据本公开的实施例，本公开还提供了一种电子设备和一种可读存储介质。
根据本公开的实施例，本公开还提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
图9是本公开实施例提供的一种电子设备90的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示，电子设备90包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储设备90操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备90中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备90通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理，例如异常账户的确定方法。例如，在一些实施例中，异常账户的确定方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备90上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的异常账户的确定方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行异常账户的确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (23)

1.一种异常账户的确定方法，包括：
响应于确定出多个账户中存在目标账户，获取多个账户之间的关联关系；
根据所述关联关系，确定所述多个账户中各账户与其它账户之间的距离，所述距离用于表示各账户之间的关联度；
根据所述各账户与其它账户之间的距离，从所述多个账户中，确定与所述目标账户之间的关联度大于预设值的异常账户。
2.根据权利要求1所述的方法，其中，所述根据所述关联关系，确定所述多个账户中各账户与其它账户之间的距离，包括：
根据所述关联关系，确定所述各账户对应的向量表示；其中，所述向量表示用于指示账户在预设纬度空间中的位置坐标；
根据所述各账户对应的向量表示，确定所述各账户与其它账户之间的距离。
3.根据权利要求2所述的方法，其中，所述根据所述关联关系，确定所述各账户对应的向量表示，包括：
将所述关联关系输入一阶网络编码模型中，确定所述一阶网络编码模型的嵌入层的输出结果，并将所述一阶网络编码模型的嵌入层的输出结果确定为所述各账户对应的一阶向量表示；其中，所述一阶网络编码模型为基于多个样本账户之间的关联关系得到多个训练样本，并将所述多个训练样本输入至初始一阶网络编码模型中，确定所述初始一阶网络编码模型的嵌入层损失，并根据所述嵌入层损失对所述初始一阶网络编码模型进行优化得到的；
将所述关联关系输入二阶网络编码模型中，确定所述二阶网络编码模型的嵌入层的输出结果，并将所述二阶网络编码模型的嵌入层的输出结果确定为所述各账户对应的二阶向量表示；其中，所述二阶网络编码模型为基于多个样本账户之间的关联关系得到多个训练样本，并将所述多个训练样本输入至初始二阶网络编码模型中，确定所述初始二阶网络编码模型的嵌入层损失，并根据所述嵌入层损失对所述初始二阶网络编码模型进行优化得到的；
根据所述一阶向量表示和所述二阶向量表示，确定所述各账户对应的向量表示。
4.根据权利要求3所述的方法，其中，所述根据所述一阶向量表示和所述二阶向量表示，确定所述各账户对应的向量表示，包括：
对所述一阶向量表示和所述二阶向量表示进行加权平均，得到所述各账户对应的向量表示。
5.根据权利要求2所述的方法，其中，所述关联关系包括直接关联关系和间接关联关系，所述根据所述关联关系，确定所述各账户对应的向量表示，包括：
将所述关联关系输入至目标词向量模型，确定所述目标词向量模型的嵌入层参数，并将所述嵌入层参数确定为所述各账户对应的向量表示；其中，所述目标词向量模型为根据多个样本账户之间的直接关联关系和间接关联关系确定出多个链式样本后，采用所述多个链式样本对初始词向量模型进行优化得到的。
6.根据权利要求2所述的方法，其中，所述根据所述关联关系，确定所述各账户对应的向量表示，包括：
将所述关联关系输入至目标编解码模型，得到所述各账户对应的向量表示，其中，所述目标编解码模型为将多个样本账户之间的关联关系输入至初始编解码模型中，根据所述初始编解码模型在编码层的输出结果确定一阶损失函数，并根据所述初始编解码模型的输出结果确定二阶损失函数后，根据所述一阶损失函数和所述二阶损失函数对所述初始编解码模型进行优化得到的。
7.根据权利要求1-6任一项所述的方法，其中，所述根据所述各账户与其它账户之间的距离，从所述多个账户中，确定与所述目标账户之间的关联度大于预设值的异常账户，包括：
根据所述各账户与其它账户之间的距离，将所述多个账户划分为多个账户簇；
根据所述目标账户分别与所述多个账户簇的聚类中心之间的距离，在所述多个账户中确定所述异常账户。
8.根据权利要求7所述的方法，其中，所述根据所述目标账户分别与所述多个账户簇的聚类中心之间的距离，在所述多个账户中确定所述异常账户，包括：
根据所述目标账户分别与所述多个账户簇的聚类中心之间的距离，在所述多个账户簇中确定与所述目标账户距离最近的目标账户簇；
在所述目标账户簇中确定所述异常账户。
9.根据权利要求8所述的方法，其中，所述在所述目标账户簇中确定所述异常账户，包括：
在所述目标账户簇中，确定与所述目标账户距离最近的预设数量个疑似异常账户；
分别对所述疑似异常账户对应的网页内容进行识别，在所述疑似异常账户中，确定所述异常账户。
10.根据权利要求1-9任一项所述的方法，其中，所述获取多个账户之间的关联关系，包括：
获取所述多个账户对应的操作轨迹信息；
根据所述多个账户对应的操作轨迹信息，确定所述多个账户之间的关联关系。
11.一种异常账户的确定装置，包括：
获取单元，用于响应于确定出多个账户中存在目标账户，获取多个账户之间的关联关系；
确定单元，用于根据所述关联关系，确定所述多个账户中各账户与其它账户之间的距离，所述距离用于表示各账户之间的关联度；
处理单元，用于根据所述各账户与其它账户之间的距离，从所述多个账户中，确定与所述目标账户之间的关联度大于预设值的异常账户。
12.根据权利要求11所述的装置，其中，所述确定单元包括第一确定模块和第二确定模块；
所述第一确定模块，用于根据所述关联关系，确定所述各账户对应的向量表示；其中，所述向量表示用于指示账户在预设纬度空间中的位置坐标；
所述第二确定模块，用于根据所述各账户对应的向量表示，确定所述各账户与其它账户之间的距离。
13.根据权利要求12所述的装置，其中，所述第一确定模块包括第一确定子模块、第二确定子模块以及第三确定子模块；
所述第一确定子模块，用于将所述关联关系输入一阶网络编码模型中，确定所述一阶网络编码模型的嵌入层的输出结果，并将所述一阶网络编码模型的嵌入层的输出结果确定为所述各账户对应的一阶向量表示；其中，所述一阶网络编码模型为基于多个样本账户之间的关联关系得到多个训练样本，并将所述多个训练样本输入至初始一阶网络编码模型中，确定所述初始一阶网络编码模型的嵌入层损失，并根据所述嵌入层损失对所述初始一阶网络编码模型进行优化得到的；
所述第二确定子模块，用于将所述关联关系输入二阶网络编码模型中，确定所述二阶网络编码模型的嵌入层的输出结果，并将所述二阶网络编码模型的嵌入层的输出结果确定为所述各账户对应的二阶向量表示；其中，所述二阶网络编码模型为基于多个样本账户之间的关联关系得到多个训练样本，并将所述多个训练样本输入至初始二阶网络编码模型中，确定所述初始二阶网络编码模型的嵌入层损失，并根据所述嵌入层损失对所述初始二阶网络编码模型进行优化得到的；
所述第三确定子模块，用于根据所述一阶向量表示和所述二阶向量表示，确定所述各账户对应的向量表示。
14.根据权利要求13所述的装置，其中，
所述第三确定子模块，具体用于对所述一阶向量表示和所述二阶向量表示进行加权平均，得到所述各账户对应的向量表示。
15.根据权利要求12所述的装置，其中，所述关联关系包括直接关联关系和间接关联关系，所述第一确定模块还包括第四确定子模块；
第四确定子模块，用于将所述关联关系输入至目标词向量模型，确定所述目标词向量模型的嵌入层参数，并将所述嵌入层参数确定为所述各账户对应的向量表示；其中，所述目标词向量模型为根据多个样本账户之间的直接关联关系和间接关联关系确定出多个链式样本后，采用所述多个链式样本对初始词向量模型进行优化得到的。
16.根据权利要求12所述的装置，其中，所述第一确定模块还包括第五确定子模块；
所述第五确定子模块，用于将所述关联关系输入至目标编解码模型，得到所述各账户对应的向量表示，其中，所述目标编解码模型为将多个样本账户之间的关联关系输入至初始编解码模型中，根据所述初始编解码模型在编码层的输出结果确定一阶损失函数，并根据所述初始编解码模型的输出结果确定二阶损失函数后，根据所述一阶损失函数和所述二阶损失函数对所述初始编解码模型进行优化得到的。
17.根据权利要求11-16任一项所述的装置，其中，所述处理单元包括第一处理模块和第二处理模块；
所述第一处理模块，用于根据所述各账户与其它账户之间的距离，将所述多个账户划分为多个账户簇；
所述第二处理模块，用于根据所述目标账户分别与所述多个账户簇的聚类中心之间的距离，在所述多个账户中确定所述异常账户。
18.根据权利要求17所述的装置，其中，所述第二处理模块包括第一处理子模块和第二处理子模块；
所述第一处理子模块，用于根据所述目标账户分别与所述多个账户簇的聚类中心之间的距离，在所述多个账户簇中确定与所述目标账户距离最近的目标账户簇；
所述第二处理子模块，用于在所述目标账户簇中确定所述异常账户。
19.根据权利要求18所述的装置，其中，
所述第二处理子模块，具体用于在所述目标账户簇中，确定与所述目标账户距离最近的预设数量个疑似异常账户；并分别对所述疑似异常账户对应的网页内容进行识别，在所述疑似异常账户中，确定所述异常账户。
20.根据权利要求11-19任一项所述的装置，其中，所述获取单元包括第一获取模块和第二获取模块；
所述第一获取模块，用于获取所述多个账户对应的操作轨迹信息；
所述第二获取模块，用于根据所述多个账户对应的操作轨迹信息，确定所述多个账户之间的关联关系。
21.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-10中任一项所述的异常账户的确定方法。
22.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-10中任一项所述的异常账户的确定方法。
23.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-10中任一项所述的异常账户的确定方法。
CN202110605590.0A 2021-05-31 2021-05-31 异常账户的确定方法、装置和电子设备 Active CN113344621B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110605590.0A CN113344621B (zh) 2021-05-31 2021-05-31 异常账户的确定方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110605590.0A CN113344621B (zh) 2021-05-31 2021-05-31 异常账户的确定方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN113344621A true CN113344621A (zh) 2021-09-03
CN113344621B CN113344621B (zh) 2023-08-04

Family

ID=77473585

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110605590.0A Active CN113344621B (zh) 2021-05-31 2021-05-31 异常账户的确定方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN113344621B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106549974A (zh) * 2016-12-06 2017-03-29 北京知道创宇信息技术有限公司 预测社交网络账户是否恶意的设备、方法及系统
CN110032859A (zh) * 2018-12-25 2019-07-19 阿里巴巴集团控股有限公司 异常帐户鉴别方法与装置及介质
CN110517104A (zh) * 2019-07-18 2019-11-29 阿里巴巴集团控股有限公司 账户关联发现方法、装置、服务器及介质
CN111831923A (zh) * 2020-07-14 2020-10-27 北京芯盾时代科技有限公司 识别关联的特定账户的方法、装置及存储介质
WO2021004132A1 (zh) * 2019-07-09 2021-01-14 深圳壹账通智能科技有限公司 异常数据检测方法、装置、计算机设备和存储介质
WO2021012509A1 (zh) * 2019-07-23 2021-01-28 平安科技（深圳）有限公司 一种异常账号检测方法、装置及计算机存储介质
CN112364639A (zh) * 2020-10-19 2021-02-12 北京语言大学 基于预训练语言模型的上下文敏感的释义生成方法及系统
CN112435126A (zh) * 2021-01-26 2021-03-02 深圳华锐金融技术股份有限公司 账户识别方法、装置、计算机设备和存储介质
CN114049228A (zh) * 2021-11-16 2022-02-15 中国银行股份有限公司 一种风险账户的获取方法、装置、设备及可读存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106549974A (zh) * 2016-12-06 2017-03-29 北京知道创宇信息技术有限公司 预测社交网络账户是否恶意的设备、方法及系统
CN110032859A (zh) * 2018-12-25 2019-07-19 阿里巴巴集团控股有限公司 异常帐户鉴别方法与装置及介质
WO2021004132A1 (zh) * 2019-07-09 2021-01-14 深圳壹账通智能科技有限公司 异常数据检测方法、装置、计算机设备和存储介质
CN110517104A (zh) * 2019-07-18 2019-11-29 阿里巴巴集团控股有限公司 账户关联发现方法、装置、服务器及介质
WO2021012509A1 (zh) * 2019-07-23 2021-01-28 平安科技（深圳）有限公司 一种异常账号检测方法、装置及计算机存储介质
CN111831923A (zh) * 2020-07-14 2020-10-27 北京芯盾时代科技有限公司 识别关联的特定账户的方法、装置及存储介质
CN112364639A (zh) * 2020-10-19 2021-02-12 北京语言大学 基于预训练语言模型的上下文敏感的释义生成方法及系统
CN112435126A (zh) * 2021-01-26 2021-03-02 深圳华锐金融技术股份有限公司 账户识别方法、装置、计算机设备和存储介质
CN114049228A (zh) * 2021-11-16 2022-02-15 中国银行股份有限公司 一种风险账户的获取方法、装置、设备及可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SARAH K.等: "Detecting Fake Accounts on Social Media", 2018 IEEE INTERNATIONAL CONFERENCE ON BIG DATA (BIG DATA) *
宋晨 等: "受控账户检测技术研究", 计算机系统应用 *

Also Published As

Publication number Publication date
CN113344621B (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
US20220058746A1 (en) Risk quantification for insurance process management employing an advanced decision platform
CN114372477A (zh) 文本识别模型的训练方法、文本识别方法及装置
CN111199474B (zh) 一种基于双方网络图数据的风险预测方法、装置和电子设备
US10402906B2 (en) Quantification for investment vehicle management employing an advanced decision platform
CN112270547A (zh) 基于特征构造的金融风险评估方法、装置和电子设备
CN111222976B (zh) 一种基于双方网络图数据的风险预测方法、装置和电子设备
CN114282670A (zh) 神经网络模型的压缩方法、设备和存储介质
CN114821063A (zh) 语义分割模型的生成方法及装置、图像的处理方法
CN113904943A (zh) 账号检测方法、装置、电子设备和存储介质
CN111209930B (zh) 一种生成授信策略的方法、装置和电子设备
CN113204614A (zh) 模型训练方法、优化训练数据集的方法及其装置
US9904922B2 (en) Efficient tail calculation to exploit data correlation
CN116743474A (zh) 决策树生成方法、装置、电子设备及存储介质
CN115603955B (zh) 异常访问对象识别方法、装置、设备和介质
CN115982654A (zh) 一种基于自监督图神经网络的节点分类方法及装置
CN113344621A (zh) 异常账户的确定方法、装置和电子设备
US20180130077A1 (en) Automated selection and processing of financial models
CN114021642A (zh) 数据处理方法、装置、电子设备和存储介质
CN114154477A (zh) 文本数据处理方法及装置、电子设备和可读存储介质
CN113807391A (zh) 任务模型的训练方法、装置、电子设备及存储介质
CN113743906A (zh) 一种确定业务处理策略的方法和装置
CN113887101A (zh) 网络模型的可视化方法、装置、电子设备及存储介质
US20200184015A1 (en) Numerical Representation in Natural Language Processing Techniques
CN111353871A (zh) 一种基于双方网络图数据的风险预测方法、装置和电子设备
CN116051287B (zh) 一种数据的分析方法、装置、电子设备及存储介质

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