CN113360580B - 基于知识图谱的异常事件检测方法、装置、设备及介质 - Google Patents
基于知识图谱的异常事件检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113360580B CN113360580B CN202110604929.5A CN202110604929A CN113360580B CN 113360580 B CN113360580 B CN 113360580B CN 202110604929 A CN202110604929 A CN 202110604929A CN 113360580 B CN113360580 B CN 113360580B
- Authority
- CN
- China
- Prior art keywords
- node
- target entity
- determining
- information
- knowledge graph
- 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 118
- 238000001514 detection method Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 claims description 38
- 239000013598 vector Substances 0.000 claims description 29
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000004590 computer program Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012546 transfer Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010225 co-occurrence analysis Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
-
- 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
- G06Q40/03—Credit; Loans; Processing thereof
Abstract
本公开提供了一种基于知识图谱的异常事件检测方法、装置、计算机设备及存储介质,涉及计算机技术领域,尤其涉及知识图谱、深度学习等人工智能技术领域。具体实现方案为:获取针对目标事件的检测请求,其中,所述检测请求中包含目标实体的第一描述信息;确定所述第一描述信息与预设的的知识图谱中各个节点的第二描述信息间的匹配度;根据各个匹配度,确定所述目标实体与所述知识图谱中各个节点间的关联关系;根据所述目标实体与所述知识图谱中各个节点间的关联关系,确定所述目标事件是否为异常事件。由此,通过基于知识图谱进行异常事件检测,从而可以对事件潜在的风险进行全面、深度、准确的检测。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及知识图谱、深度学习等人工智能技术领域,具体涉及一种基于知识图谱的异常事件检测方法、装置、设备及介质。
背景技术
在信用卡贷款、个人信贷、小微贷、消费贷等业务场景,欺诈者通过公用电话、多个手机号等,组合创建多个合成身份,进行欺诈成环交易。近几年,违法交易的模式变化飞快,且金融数据的信息量庞大,而欺诈者的行为隐秘,现有方案往往难以发现背后的风险关系链,只能后知后觉。因而如何对潜在的欺诈风险进行精准的识别是当前亟需解决的问题。
发明内容
本公开提供了一种基于知识图谱的异常事件检测方法、装置、设备及存储介质。
根据本公开的第一方面,提供了一种基于知识图谱的异常事件检测方法,包括:
获取针对目标事件的检测请求,其中,所述检测请求中包含目标实体的第一描述信息;
确定所述第一描述信息与预设的知识图谱中各个节点的第二描述信息间的匹配度;
根据各个匹配度,确定所述目标实体与所述知识图谱中各个节点间的关联关系;
根据所述目标实体与所述知识图谱中各个节点间的关联关系,确定所述目标事件是否为异常事件。
根据本公开的第二方面,提供了一种基于知识图谱的异常事件检测装置,包括:
获取模块,用于获取针对目标事件的检测请求,其中,所述检测请求中包含目标实体的第一描述信息;
第一确定模块,用于确定所述第一描述信息与预设的知识图谱中各个节点的第二描述信息间的匹配度;
第二确定模块,用于根据各个匹配度,确定所述目标实体与所述知识图谱中各个节点间的关联关系;
第三确定模块,用于根据所述目标实体与所述知识图谱中各个节点间的关联关系,确定所述目标事件是否为异常事件。
根据本公开的第三方面,提供了一种电子设备,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上述一方面实施例所述的方法。
根据本公开第四方面,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,其上存储有计算机程序,所述计算机指令用于使所述计算机执行上述一方面实施例所述的方法。
根据本公开第五方面,提供了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上述一方面实施例所述的方法。
本公开的基于知识图谱的异常事件检测方法、装置、设备及存储介质,至少存在以下有益效果:
本公开实施例中该装置首先获取事件检测请求,其中,检测请求中包含目标实体的第一描述信息,然后确定第一描述信息与预设的知识图谱中各个节点的各个第二描述信息间的各个匹配度,之后根据各个匹配度,确定目标实体与知识图谱中各个节点间的关联关系,最后根据目标实体与知识图谱中各个节点间的关联关系,确定事件是否为异常事件。由此,通过基于知识图谱进行异常事件检测,从而可以对事件潜在的风险进行全面、深度、准确的检测。
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为本公开一个实施例提供的基于知识图谱的异常事件检测方法的流程示意图;
图2为本公开另一个实施例提供的基于知识图谱的异常事件检测方法的流程示意图;
图3为本公开又一个实施例提供的基于知识图谱的异常事件检测方法的流程示意图;
图4为本公开一个实施例提供的基于知识图谱的异常事件检测装置的结构框图;
图5是可以实现本公开实施例的电子设备图。
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。
为了方便对本公开的理解,下面首先对本公开涉及的技术领域进行简单解释说明书。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习、深度学习、大数据处理技术、知识图谱技术等几大方向。
深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法,在语音和图像识别方面取得的效果,远远超过先前相关技术。
知识图谱,在图书情报界称为知识域可视化或知识领域映射地图,是显示知识发展进程与结构关系的一系列各种不同的图形,用可视化技术描述知识资源及其载体,挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合,并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。
本公开提出的基于知识图谱的异常事件检测方法可由本公开提供的基于知识图谱的异常事件检测装置执行,也可以由本公开提供的电子设备执行,其中,电子设备可以包括但不限于台式电脑、平板电脑、云端设备、移动设备、个人数字助理等具有各种操作系统、触摸屏和/或显示屏的硬件设备,下面以由本公开提供的一种基于知识图谱的异常事件检测装置来执行本公开提供的一种基于知识图谱的异常事件检测方法,而不作为对本公开的限定,以下简称为“装置”。
需要说明的是,本公开中的用户数据均是在符合相关法律、法规的情况下获取的。
下面参考附图对本公开提供的基于知识图谱的异常事件检测方法、装置、计算机设备及存储介质进行详细描述。
图1是根据本公开一实施例的一种基于知识图谱的异常事件检测方法的流程示意图。
如图1所示,该基于知识图谱的异常事件检测方法可以包括以下步骤:
步骤S101,获取针对目标事件的检测请求,其中,所述检测请求中包含目标实体的第一描述信息。
可以理解的是,检测请求可以为用户通过应用程序发送的,或者也可以为用户通过网页发送的。比如用户在触发网页中特定的控件时,该装置即可收到检测请求等,本公开对此不做限定。
其中,目标事件可以为待检测的事件,检测请求为与目标事件相对应的请求。比如,当用户想要对某一账号进行检测,并发送了对该账号对应的检测请求,则该装置可以将该事件确定为目标事件,本公开对此不进行限定。
其中,检测请求中包含的第一描述信息的数量可能为一个,也可能为多个,本公开对此不做限定。目标实体可以为个人账号或者也可以为其他任意可唯一确定用户的数据。比如,若目标实体为个人账号,第一描述信息可以为账号申请人的姓名、交易时间、资金量、转账交易情况等信息,在此不进行限定。
举例来说,若目标实体为账号A,那么目标实体对应的第一描述信息可以为“账号申请人的姓名:张三”、“资金量:6200元”、“上次交易时间:m年n月x日y时”、“上个月的转账次数:3次”等等描述信息,还可以有很多,本公开对此不进行限定。
需要说明的是,上述示例仅为示意性说明,不能作为对本公开实施例中目标实体和第一描述信息的限定。
步骤S102,确定第一描述信息与预设的知识图谱中各个节点的第二描述信息间的匹配度。
本公开中,可以首先获取到包含各种交易数据的数据集,然后对数据集中的各个交易数据进行处理,以确定各个交易数据对应的节点、每个节点的第二描述信息及各个节点之间的关系,从而基于各个节点之间的关系,确定节点与节点之间的连接边,进而基于每个节点的第二描述信息及连接边,生成知识图谱。
需要说明的是,每个节点的第二描述信息可以包含有该节点在各种维度的信息,比如信用卡账号信息、收入情况、转账交易情况等信息,对此不进行限定。
可选的,可以使用欧式距离公式、曼哈顿距离公式等等来确定第一描述信息与各个第二描述信息之间的各个相似度,由此确定各个匹配度,本公开在此不进行限定。
步骤S103,根据各个匹配度,确定目标实体与知识图谱中各个节点间的关联关系。
需要说明的是,若第一描述信息和知识图谱中任一节点的第二描述信息之间的匹配度比较高,则说明第一描述信息对应的目标实体与第二描述信息对应的任一节点之间有比较大的关联关系,比如,可能为同一个用户的不同身份,或者两个用户之间存在较为密切的层级关系,本公开对该关联关系不进行限定。
可选的,在第一描述信息与任一节点的第二描述信息间的匹配度大于第一阈值的情况下,该装置可以确定目标实体与任一节点是相同的。
其中,第一阈值可以为预先设定的匹配度的阈值,若第一描述信息与任一节点的第二描述信息间的匹配度大于第一阈值时,则说明目标实体和任一节点属于同一个用户的可能性较大,因而该装置可以确定目标实体与任一节点是相同的。
或者,在第一描述信息与任一节点的第二描述信息间的匹配度大于第二阈值、且根据第一描述信息及任一节点的第二描述信息,确定目标实体与任一节点所属的用户相同的情况下,该装置可以确定目标实体与任一节点相同。
其中,第二阈值同样可以为预先设定的匹配度的阈值,其中,第二阈值可以小于第一阈值。
举例来说,若目标实体和任一节点所属的用户姓名相同,年龄相同,身份证号后四位相同,匹配度高于第二阈值60%,而目标实体和任一节点所属的用户居住城市不同、手机号不同、账号不同,则说明目标实体和任一节点所属的用户很可能为相同用户,但是存在在不同地区生活的情况,因而该装置可以确定目标实体与任一节点相同。
步骤S104,根据目标实体与知识图谱中各个节点间的关联关系,确定目标事件是否为异常事件。
可选的,该装置在通过目标实体和其他节点之间的关联关系,判断目标实体和其他节点之间是否存在异常关联,由此来确定异常事件。
举例来说,若目标实体与该任一节点所属的用户姓名一致,且为相同节点,若目标实体与该节点所属的用户学历不同、居住城市不同或在同一交易时间在不同地点进行交易,则说明该目标实体所属用户可能存在信息伪造,因而该装置可以将该目标事件确定为异常事件,对此不进行限定。
或者,若知识图谱中包含异常节点,则该装置,还可以通过判断目标实体与异常节点之间是否存在关联关系,由此来确定异常事件。
需要说明的是,该装置可以首先对已知的各个异常事件进行实体及关系提取,以确定各个异常实体、及每个异常实体对应的描述信息,然后基于各个异常实体间的关系生成知识图谱,提供给用户。通过知识图谱,将与该事件关联的各个异常节点的信息进行关联展示,可以利用图形化的界面引导用户参与风险监控,帮助用户直观地查看异常关联的节点和异常节点。
本公开实施例中该装置首先获取针对目标事件的检测请求,其中,检测请求中包含目标实体的第一描述信息,然后确定第一描述信息与预设的知识图谱中各个节点的各个第二描述信息间的各个匹配度,之后根据各个匹配度,确定目标实体与知识图谱中各个节点间的关联关系,最后根据目标实体与知识图谱中各个节点间的关联关系,确定目标事件是否为异常事件。由此,通过基于知识图谱进行异常事件检测,从而可以对事件潜在的风险进行全面、深度、准确的检测。
图2是根据本公开另一实施例的基于知识图谱的异常事件检测方法的流程示意图。
如图2所示,该基于知识图谱的异常事件检测方法可以包括以下步骤:
步骤S201,获取针对目标事件的检测请求,其中,所述检测请求中包含目标实体的第一描述信息,第一描述信息包含目标实体所属的第一用户信息及第一交易数据。
需要说明的是,步骤S201的具体实现方式可以参照上述实施例,本公开在此不进行赘述。
步骤S202,根据第一用户信息及各个第二用户信息,确定目标实体与每个节点间的第一连接边的属性信息。
其中,第二用户可以为预设的知识图谱中各个节点对应的用户,第二用户信息可以为各个第二用户的姓名、手机号、职位、账号等,对此不进行限定。
可选的,预设的知识图谱中可以包含每个节点对应的第二描述信息,相应的,每个节点对应的用户的信息,可以包含在每个节点对应的第二描述信息中。
需要说明的是,第一连接边的属性信息由该装置根据第一用户信息及第二用户信息确定,可以表示第一用户信息与第二用户信息之间的关系,比如亲戚关系、师生关系、职务关系等等,在此不进行限定。
步骤S203,根据第一交易数据及各个第二交易数据,确定目标实体与每个节点间的第二连接边的属性信息。
可选的,知识图谱中,可以包含每个节点对应的第二交易数据,或者,每个节点对应的第二交易数据也可以包含在每个节点对应的第二描述信息中。
其中,第二交易数据可以为第二用户的转账频次、接收频次、转入账号数量、转出账号数量等数据信息,在此不进行限定。
其中,第二连接边的属性信息由该装置根据第一交易数据及各个第二交易数据确定,可以表示第一用户与第二用户之间的交易关系,比如工资发放、上交学费等等,在此不进行限定。
需要说明的是,为了保证知识图谱的准确性和实时性,从而及时的发现异常事件,还可以利用目标实体及各个节点分别对应的第一连接边的属性信息及第二连接边的属性信息,对预设的知识图谱进行更新,帮助用户发现更多信息。可选的,可以基于目标实体及各个节点分别对应的第一连接边的属性信息及第二连接边的属性信息,对预设的知识图谱中的节点及节点间连接边的属性信息进行更新。比如,可以对各个节点原来的连接边的属性信息进行替换,或者,利用新确定的节点,对知识图谱中的节点进行更新。
可选的,本公开中,为了降低对知识图谱更新时占用的资源,还可以按照预设的频率,对知识图谱进行更新。
比如说,预设的频率为每小时更新一次,该装置可以每隔一小时,利用新确定的各个节点间的连接边的属性信息,对各个节点原来的连接边的属性信息进行替换,或者,利用新确定的节点,对知识图谱中的节点进行更新,本公开对此不做限定。
步骤S204,根据目标实体的对应的第一连接边的属性信息、第二连接边的属性信息及第一描述信息,确定目标实体对应的第一向量表示。
步骤S205,根据每个节点对应的第一连接边的属性信息、第二连接边的属性信息及第二描述信息,确定每个节点对应的第二向量表示。
可选的,该装置可以使用图注意网络(Graph Attention Network,GAT),利用注意力机制对目标实体的对应的第一连接边的属性信息、第二连接边的属性信息及第一描述信息进行处理,以确定目标实体对应的第一向量表示。相应的,还可以利用注意力机制,对每个节点对应的第一连接边的属性信息、第二连接边的属性信息及第一描述信息进行处理,以确定每个节点对应的第二向量表示。
或者,还可以将目标实体的对应的第一连接边的属性信息、第二连接边的属性信息及第一描述信息输入至预先训练好的哈夫曼树,以生成目标实体对应的第一向量表示。相应的,还可以将每个节点对应的第一连接边的属性信息、第二连接边的属性信息及第一描述信息输入至预先训练好的哈夫曼树,以生成与每个节点对应的第二向量表示,对此不进行限定。
需要说明的是,本公开在将目标实体和任一节点进行向量表示时,可以采用任意的向量化的方法,在此不进行限定。
步骤S206,基于第一向量表示及各个第二向量表示,计算第一描述信息与各个节点的第二描述信息间的各个匹配度。
具体的,在计算第一描述信息与各个节点的第二描述信息间的各个匹配度时,可以有多种方式。可选的,可以通过计算第一向量和第二向量之间的余弦相似度,将余弦相似度作为第一描述信息与各个节点的第二描述信息间的匹配度,对此不进行限定。
比如,若二维空间中第一描述信息对应的第一向量表示为A1(X1,Y1),任一节点对应的第二描述信息表示为B1(X2,Y2),则可以通过以下夹角余弦公式计算余弦相似度:
步骤S207,根据各个匹配度,确定目标实体与知识图谱中各个节点间的关联关系。
步骤S208,根据目标实体与知识图谱中各个节点间的关联关系,确定目标事件是否为异常事件。
需要说明的是,步骤S207、S208的具体实现过程可以参照上述实施例,在此不进行赘述。
本公开实施例中该装置首先获取针对目标事件的检测请求,其中,检测请求中包含目标实体的第一描述信息,第一描述信息包含目标实体所属的第一用户信息及第一交易数据,然后根据第一用户信息及各个第二用户信息,确定目标实体与每个节点间的第一连接边的属性信息,根据第二交易数据及各个第二交易数据,确定目标实体与每个节点间的第二连接边的属性信息,之后根据目标实体的对应的第一连接边的属性信息、第二连接边的属性信息及第一描述信息,确定目标实体对应的第一向量表示,接着根据每个节点对应的第一连接边的属性信息、第二连接边的属性信息及第二描述信息,确定每个节点对应的第二向量表示,然后基于第一向量表示及各个第二向量表示,计算第一描述信息与各个节点的第二描述信息间的匹配度,再然后可以根据各个匹配度,确定目标实体与知识图谱中各个节点间的关联关系,最后根据目标实体与知识图谱中各个节点间的关联关系,确定目标事件是否为异常事件。由此,通过将第一描述信息与各个节点的第二描述信息进行向量化,之后进行匹配度的计算,可以对根据目标实体和每个实体之间关联关系对异常事件进行检测,从而可以挖掘潜在的风险。
图3是根据本公开又一实施例的基于知识图谱的异常事件检测方法的流程示意图。
如图3所示,该基于知识图谱的异常事件检测方法可以包括以下步骤:
步骤S301,获取针对目标事件的检测请求,其中,所述检测请求中包含目标实体的第一描述信息。
步骤S302,确定第一描述信息与预设的知识图谱中各个节点的各个第二描述信息间的各个匹配度。
步骤S303,根据各个匹配度,确定目标实体与知识图谱中各个节点间的关联关系。
需要说明的是,步骤S301、S302、S303的具体实现过程可以参照上述任一实施例,在此不进行赘述。
步骤S304,在目标实体与知识图谱中至少一个异常节点间存在关联关系的情况下,确定目标事件为异常事件,其中,异常节点为与异常事件关联的节点。
可选的,若该装置基于匹配度,确定了目标实体与知识图谱中至少一个异常节点间存在连接边,或者基于匹配度,确定了目标实体与知识图谱中至少一个异常节点通过交易数据对应的连接边闭环连接,该装置则可以确定该目标事件为异常事件。
可以理解的是,由于匹配度可以为该装置基于目标实体的第一描述信息及每个节点对应的第一连接边的属性信息、第二连接边的属性信息及第二描述信息确定的,因此本公开中该装置可以基于匹配度确定目标实体是否与知识图谱中至少一个异常节点间存在连接边,或者目标实体是否与知识图谱中至少一个异常节点通过交易数据对应的连接边闭环连接。
其中,异常节点可以为欺诈节点、可疑节点、黑账号节点等等。比如,若任一节点对应的用户的交易数据异常,则说明该节点比较可疑,比如频繁转入高额数量的资金、转入,转出次数异常等等,在此不进行限定。
需要说明的是,若目标实体与知识图谱中的至少一个异常节点之间存在连接边,则说明说明目标实体与至少一个异常节点之间可能存在一定的风险往来,因而该装置则可以确定该事件为异常事件。通过将与知识图谱中至少一个异常节点通过交易数据对应的连接边闭环连接的事件确定为异常事件,为检测到成环交易的欺诈事件提供了条件。
作为一种可能实现的方式,该装置可以将目标实体对应的目标节点作为核心,也可以理解为根节点,之后可以通过遍历与目标节点相关联的节点,进而判断目标实体是否与知识图谱中至少一个异常节点间存在连接边,或者目标实体是否与知识图谱中至少一个异常节点通过交易数据对应的连接边闭环连接,由此来确定事件是否为异常事件。
可选的,上述过程中,该装置在遍历与目标节点相关联的节点时,可以通过广度优先搜索(Breadth-First-Search,BFS)以目标节点作为根节点对所有节点进行访问,由此可以判断目标节点是否与知识图谱中至少一个异常节点间存在关联关系,对此不进行限定。
需要说明的是,广度优先搜索是搜索算法的一种,目的是系统地展开并检查图中的所有节点,以找寻结果,它从根节点的位置开始,不断地转移状态直到无法转移,彻底地搜索整张图,直到找到结果为止。
本公开实施例中,通过广度优先搜索,可以遍历知识图谱中各个节点,从而可以获取到各个节点的所有的第二连接边的属性信息,该第二连接边的属性信息更加全面、完整,可使得之后对目标实体与知识图谱中各个节点间的关联关系的确定更加的准确,同时,也为寻找异常事件提供了数据保障。
可选的,上述过程中,该装置在判断目标节点与多个节点之间是否存在异常关联时,可以将各个节点的第二连接边的属性信息作为特征,输入到训练好的深度神经网络模型(Deep Neural Networks,DNN)中,以确定与目标节点之间存在连接边,或者通过交易数据对应的连接边闭环连接的异常节点。从而,若存在至少一个该异常节点,则说明该事件为异常事件,对此不进行限定。
步骤S305,响应于目标事件为异常事件,根据目标实体及每个节点分别对应的第一连接边的属性信息及第二连接边的属性信息,确定与目标实体间的关联关系满足预设条件的各节点。
需要说明的是,该装置在确定了当前事件为异常事件之后,可以基于目标实体及每个节点分别对应的第一连接边的属性信息及第二连接边的属性信息,确定与目标实体间的关联的关系满足预设条件的各节点,从而可以挖掘其他有风险可能性的节点。
具体的,该装置可以通过对目标实体及每个节点分别对应的第一连接边的属性信息及第二连接边的属性信息进行分析,以确定与目标实体可能存在异常关联的各节点。其中,预设条件可以为与目标实体之间存在异常关联的条件,比如通过交易数据对应的连接边闭环连接目标实体的节点,本公开在此不进行限定。
或者,若目标实体及任一节点第一连接边的属性信息与第二连接边的属性信息存在较大的差异,比如若第一连接边的属性信息为“师生关系”,第二连接边的属性信息为“上个月的转账金额总量:“100万元”、“转账次数:9次”,则说明目标实体与该节点的关联关系为:“异常”,该装置则可以确定该节点满足预设条件,本公开对此不进行限定。
需要说明的是,通过找出与目标实体间的关联关系满足预设条件的各节点,可以为在一些可能发生的场景中找出欺诈作案的团伙提供条件。
本公开实施例中该装置首先获取事件检测请求,其中,检测请求中包含目标实体的第一描述信息,然后确定第一描述信息与预设的的知识图谱中各个节点的各个第二描述信息间的各个匹配度,根据各个匹配度,确定目标实体与知识图谱中各个节点间的关联关系,之后根据目标实体与知识图谱中各个节点间的关联关系,确定事件是否为异常事件,最后响应于目标事件为异常事件,根据目标实体及每个节点分别对应的第一连接边的属性信息及第二连接边的属性信息,确定与目标实体间的关联的关系满足预设条件的各节点。由此,根据知识图谱,可以对复杂多元的关系网络进行风险的排查,通过风险链条便于侦查出欺诈团伙,且具有较强的可扩展性和泛化能力。
为了实现上述实施例,本公开实施例还提出一种基于知识图谱的异常事件检测装置。图4为本公开实施例提供的一种基于知识图谱的异常事件检测装置的结构框图。
如图4所示,该基于知识图谱的异常事件检测装置包括:获取模块410、第一确定模块420、第二确定模块430及第三确定模块440。
获取模块410,用于获取针对目标事件的检测请求,其中,所述检测请求中包含目标实体的第一描述信息;
第一确定模块420,用于确定所述第一描述信息与预设的知识图谱中各个节点的各个第二描述信息间的匹配度;
第二确定模块430,用于根据各个匹配度,确定所述目标实体与所述知识图谱中各个节点间的关联关系;
第三确定模块440,用于根据所述目标实体与所述知识图谱中各个节点间的关联关系,确定所述目标事件是否为异常事件。
可选的,第一确定模块,还用于:
根据所述第一用户信息及各个第二用户信息,确定所述目标实体与每个所述节点间的第一连接边的属性信息;
根据所述第二交易数据及各个第二交易数据,确定所述目标实体与每个所述节点间的第二连接边的属性信息;
根据所述目标实体对应的第一连接边的属性信息、第二连接边的属性信息及所述第一描述信息,确定所述目标实体对应的第一向量表示;
根据每个节点对应的第一连接边的属性信息、第二连接边的属性信息及所述第二描述信息,确定每个节点对应的第二向量表示;
基于所述第一向量表示及各个所述第二向量表示,计算所述第一描述信息与各个节点的第二描述信息间的匹配度。
可选的,第三确定模块,还用于:
响应于所述目标事件为异常事件,根据所述目标实体及每个节点分别对应的第一连接边的属性信息及第二连接边的属性信息,确定与所述目标实体间的关联的关系满足预设条件的各节点。
可选的,该装置,包括:
更新模块,用于基于所述目标实体及各个节点分别对应的第一连接边的属性信息及第二连接边的属性信息,对所述预设的知识图谱中的节点及节点间连接边的属性信息进行更新。
可选的,第二确定模块,具体用于:
在所述第一描述信息与任一节点的第二描述信息间的匹配度大于第一阈值的情况下,确定所述目标实体与该节点相同;
或者,
在所述第一描述信息与任一节点的第二描述信息间的匹配度大于第二阈值、且根据所述第一描述信息及该节点的第二描述信息,确定所述目标实体与该节点所属的用户相同的情况下,确定所述目标实体与该节点相同。
可选的,第三确定模块,具体用于:
在所述目标实体与所述知识图谱中至少一个异常节点间存在关联关系的情况下,确定所述目标事件为异常事件,其中,所述异常节点为与异常事件关联的节点。
可选的,所述第三确定模块,还用于:
基于所述匹配度,确定所述目标实体与所述知识图谱中至少一个异常节点间存在连接边;
基于所述匹配度,确定所述目标实体与所述知识图谱中至少一个异常节点通过交易数据对应的连接边闭环连接。
本公开实施例中该装置首先获取事件检测请求,其中,检测请求中包含目标实体的第一描述信息,然后确定第一描述信息与预设的知识图谱中各个节点的各个第二描述信息间的各个匹配度,之后根据各个匹配度,确定目标实体与知识图谱中各个节点间的关联关系,最后根据目标实体与知识图谱中各个节点间的关联关系,确定事件是否为异常事件。由此,通过基于知识图谱进行异常事件检测,从而可以对事件潜在的风险进行全面、深度、准确的检测。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5示出了可以用来实施本公开的实施例的示例电子设备500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5所示,设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元505加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500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501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501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501执行上文所描述的各个方法和处理,例如基于知识图谱的异常事件检测方法。例如,在一些实施例中,基于知识图谱的异常事件检测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508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的基于知识图谱的异常事件检测方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行基于知识图谱的异常事件检测方法。
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)、互联网和区块链网络。
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。
本公开实施例中该装置首先获取事件检测请求,其中,检测请求中包含目标实体的第一描述信息,然后确定第一描述信息与预设的知识图谱中各个节点的各个第二描述信息间的各个匹配度,之后根据各个匹配度,确定目标实体与知识图谱中各个节点间的关联关系,最后根据目标实体与知识图谱中各个节点间的关联关系,确定事件是否为异常事件。由此,通过基于知识图谱进行异常事件检测,从而可以对事件潜在的风险进行全面、深度、准确的检测。
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,本发公开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 (12)
1.一种基于知识图谱的异常事件检测方法,包括:
获取针对目标事件的检测请求,其中,所述检测请求中包含目标实体的第一描述信息;
确定所述第一描述信息与预设的知识图谱中各个节点的第二描述信息间的匹配度;
根据各个匹配度,确定所述目标实体与所述知识图谱中各个节点间的关联关系;
根据所述目标实体与所述知识图谱中各个节点间的关联关系,确定所述目标事件是否为异常事件,
其中,所述第一描述信息包含所述目标实体对应的第一用户信息及第一交易数据,所述第二描述信息包含各个节点对应的第二用户信息及第二交易数据,所述确定所述第一描述信息与预设的知识图谱中各个节点的第二描述信息间的匹配度,包括:
根据所述第一用户信息及各个第二用户信息,确定所述目标实体与每个所述节点间的第一连接边的属性信息;
根据所述第二交易数据及各个第二交易数据,确定所述目标实体与每个所述节点间的第二连接边的属性信息;
根据所述目标实体对应的第一连接边的属性信息、第二连接边的属性信息及所述第一描述信息,确定所述目标实体对应的第一向量表示;
根据每个节点对应的第一连接边的属性信息、第二连接边的属性信息及所述第二描述信息,确定每个节点对应的第二向量表示;
基于所述第一向量表示及各个所述第二向量表示,计算所述第一描述信息与各个节点的第二描述信息间的匹配度,
所述根据所述目标实体与所述知识图谱中各个节点间的关联关系,确定所述目标事件是否为异常事件,包括:
在所述目标实体与所述知识图谱中至少一个异常节点间存在关联关系的情况下,确定所述目标事件为异常事件,其中,所述异常节点为与异常事件关联的节点,
或者,
在所述目标实体和任一节点对应同一用户,且所述目标实体对应的第一描述信息和所述任一节点对应的第二描述信息部分不同的情况下,确定所述目标事件为异常事件。
2.如权利要求1所述的方法,其中,在所述确定所述目标事件是否为异常事件之后,还包括:
响应于所述目标事件为异常事件,根据所述目标实体及每个节点分别对应的第一连接边的属性信息及第二连接边的属性信息,确定与所述目标实体间的关联关系满足预设条件的各节点。
3.如权利要求1所述的方法,其中,还包括:
基于所述目标实体及各个节点分别对应的第一连接边的属性信息及第二连接边的属性信息,对所述预设的知识图谱中的节点及节点间连接边的属性信息进行更新。
4.如权利要求1所述的方法,其中,所述根据各个匹配度,确定所述目标实体与所述知识图谱中各个节点间的关联关系,包括:
在所述第一描述信息与任一节点的第二描述信息间的匹配度大于第一阈值的情况下,确定所述目标实体与该节点相同;
或者,
在所述第一描述信息与任一节点的第二描述信息间的匹配度大于第二阈值、且根据所述第一描述信息及该节点的第二描述信息,确定所述目标实体与该节点所属的用户相同的情况下,确定所述目标实体与该节点相同。
5.如权利要求1所述的方法,其中,通过以下方式至少之一确定目标实体与所述知识图谱中至少一个异常节点间存在关联关系:
基于所述匹配度,确定所述目标实体与所述知识图谱中至少一个异常节点间存在连接边;
基于所述匹配度,确定所述目标实体与所述知识图谱中至少一个异常节点通过交易数据对应的连接边闭环连接。
6.一种基于知识图谱的异常事件检测装置,包括:
获取模块,用于获取针对目标事件的检测请求,其中,所述检测请求中包含目标实体的第一描述信息;
第一确定模块,用于确定所述第一描述信息与预设的知识图谱中各个节点的各个第二描述信息间的匹配度;
第二确定模块,用于根据各个匹配度,确定所述目标实体与所述知识图谱中各个节点间的关联关系;
第三确定模块,用于根据所述目标实体与所述知识图谱中各个节点间的关联关系,确定所述目标事件是否为异常事件;
其中,所述第一描述信息包含所述目标实体对应的第一用户信息及第一交易数据,所述第二描述信息包含各个节点对应的第二用户信息及第二交易数据,所述第一确定模块,还用于:
根据所述第一用户信息及各个第二用户信息,确定所述目标实体与每个所述节点间的第一连接边的属性信息;
根据所述第二交易数据及各个第二交易数据,确定所述目标实体与每个所述节点间的第二连接边的属性信息;
根据所述目标实体对应的第一连接边的属性信息、第二连接边的属性信息及所述第一描述信息,确定所述目标实体对应的第一向量表示;
根据每个节点对应的第一连接边的属性信息、第二连接边的属性信息及所述第二描述信息,确定每个节点对应的第二向量表示;
基于所述第一向量表示及各个所述第二向量表示,计算所述第一描述信息与各个节点的第二描述信息间的匹配度,
所述第三确定模块,具体用于:
在所述目标实体与所述知识图谱中至少一个异常节点间存在关联关系的情况下,确定所述目标事件为异常事件,其中,所述异常节点为与异常事件关联的节点,
或者,
在所述目标实体和任一节点对应同一用户,且所述目标实体对应的第一描述信息和所述任一节点对应的第二描述信息部分不同的情况下,确定所述目标事件为异常事件。
7.如权利要求6所述的装置,其中,所述第三确定模块,还用于:
响应于所述目标事件为异常事件,根据所述目标实体及每个节点分别对应的第一连接边的属性信息及第二连接边的属性信息,确定与所述目标实体间的关联关系满足预设条件的各节点。
8.如权利要求6所述的装置,其中,还包括:
更新模块,用于基于所述目标实体及各个节点分别对应的第一连接边的属性信息及第二连接边的属性信息,对所述预设的知识图谱中的节点及节点间连接边的属性信息进行更新。
9.如权利要求6所述的装置,其中,所述第二确定模块,还用于:
在所述第一描述信息与任一节点的第二描述信息间的匹配度大于第一阈值的情况下,确定所述目标实体与所述该节点相同;
或者,
在所述第一描述信息与任一节点的第二描述信息间的匹配度大于第二阈值、且根据所述第一描述信息及该节点的第二描述信息,确定所述目标实体与该节点所属的用户相同的情况下,确定所述目标实体与该节点相同。
10.如权利要求6所述的装置,其中,所述第三确定模块,还用于:
基于所述匹配度,确定所述目标实体与所述知识图谱中至少一个异常节点间存在连接边;
基于所述匹配度,确定所述目标实体与所述知识图谱中至少一个异常节点通过交易数据对应的连接边闭环连接。
11.一种电子设备,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1-5中任一项所述的方法。
12.一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根据权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110604929.5A CN113360580B (zh) | 2021-05-31 | 2021-05-31 | 基于知识图谱的异常事件检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110604929.5A CN113360580B (zh) | 2021-05-31 | 2021-05-31 | 基于知识图谱的异常事件检测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113360580A CN113360580A (zh) | 2021-09-07 |
CN113360580B true CN113360580B (zh) | 2023-09-26 |
Family
ID=77530647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110604929.5A Active CN113360580B (zh) | 2021-05-31 | 2021-05-31 | 基于知识图谱的异常事件检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113360580B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114116838B (zh) * | 2021-11-22 | 2022-10-21 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备以及存储介质 |
WO2023159574A1 (zh) * | 2022-02-28 | 2023-08-31 | 西门子股份公司 | 异常检测方法、装置、计算机可读介质和电子装置 |
CN114422267B (zh) * | 2022-03-03 | 2024-02-06 | 北京天融信网络安全技术有限公司 | 流量检测方法、装置、设备及介质 |
CN115905960B (zh) * | 2023-03-08 | 2023-05-12 | 安徽通灵仿生科技有限公司 | 一种基于心室辅助装置的不良事件检测方法及装置 |
CN116702073B (zh) * | 2023-05-18 | 2024-03-15 | 德联易控科技(北京)有限公司 | 一种故障事件的提示方法、装置、电子设备及存储介质 |
CN117560706B (zh) * | 2024-01-12 | 2024-03-22 | 亚信科技(中国)有限公司 | 根因分析方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9471606B1 (en) * | 2012-06-25 | 2016-10-18 | Google Inc. | Obtaining information to provide to users |
CN109271556A (zh) * | 2018-08-31 | 2019-01-25 | 北京字节跳动网络技术有限公司 | 用于输出信息的方法和装置 |
CN111324740A (zh) * | 2018-12-13 | 2020-06-23 | 阿里巴巴集团控股有限公司 | 纠纷事件的识别方法、识别装置和识别系统 |
CN112053221A (zh) * | 2020-08-14 | 2020-12-08 | 百维金科(上海)信息科技有限公司 | 一种基于知识图谱的互联网金融团伙欺诈行为检测方法 |
CN112182412A (zh) * | 2020-11-26 | 2021-01-05 | 南京吉拉福网络科技有限公司 | 用于推荐体检项目的方法、计算设备和计算机存储介质 |
CN112269885A (zh) * | 2020-11-16 | 2021-01-26 | 北京百度网讯科技有限公司 | 用于处理数据的方法、装置、设备以及存储介质 |
-
2021
- 2021-05-31 CN CN202110604929.5A patent/CN113360580B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9471606B1 (en) * | 2012-06-25 | 2016-10-18 | Google Inc. | Obtaining information to provide to users |
CN109271556A (zh) * | 2018-08-31 | 2019-01-25 | 北京字节跳动网络技术有限公司 | 用于输出信息的方法和装置 |
CN111324740A (zh) * | 2018-12-13 | 2020-06-23 | 阿里巴巴集团控股有限公司 | 纠纷事件的识别方法、识别装置和识别系统 |
CN112053221A (zh) * | 2020-08-14 | 2020-12-08 | 百维金科(上海)信息科技有限公司 | 一种基于知识图谱的互联网金融团伙欺诈行为检测方法 |
CN112269885A (zh) * | 2020-11-16 | 2021-01-26 | 北京百度网讯科技有限公司 | 用于处理数据的方法、装置、设备以及存储介质 |
CN112182412A (zh) * | 2020-11-26 | 2021-01-05 | 南京吉拉福网络科技有限公司 | 用于推荐体检项目的方法、计算设备和计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113360580A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113360580B (zh) | 基于知识图谱的异常事件检测方法、装置、设备及介质 | |
CN110992169B (zh) | 一种风险评估方法、装置、服务器及存储介质 | |
CN113792154B (zh) | 故障关联关系的确定方法、装置、电子设备及存储介质 | |
CN113780098B (zh) | 文字识别方法、装置、电子设备以及存储介质 | |
CN112580733B (zh) | 分类模型的训练方法、装置、设备以及存储介质 | |
CN112100623B (zh) | 机器学习模型的风险评估方法、装置、设备及存储介质 | |
CN109034199B (zh) | 数据处理方法及装置、存储介质和电子设备 | |
CN115359308A (zh) | 模型训练、难例识别方法、装置、设备、存储介质及程序 | |
WO2019095569A1 (zh) | 基于微博财经事件的金融分析方法、应用服务器及计算机可读存储介质 | |
US9438626B1 (en) | Risk scoring for internet protocol networks | |
CN117474091A (zh) | 一种知识图谱构建方法、装置、设备及存储介质 | |
CN115328621B (zh) | 基于区块链的事务处理方法、装置、设备及存储介质 | |
US20220321598A1 (en) | Method of processing security information, device and storage medium | |
CN113704256B (zh) | 数据识别方法、装置、电子设备及存储介质 | |
CN113033431B (zh) | 光学字符识别模型训练和识别方法、装置、设备及介质 | |
CN111859985B (zh) | Ai客服模型测试方法、装置、电子设备及存储介质 | |
CN114492364A (zh) | 相同漏洞的判断方法、装置、设备和存储介质 | |
CN113807391A (zh) | 任务模型的训练方法、装置、电子设备及存储介质 | |
CN108768742B (zh) | 网络构建方法及装置、电子设备、存储介质 | |
CN113553407B (zh) | 事件追溯方法、装置、电子设备及存储介质 | |
CN114565030B (zh) | 特征筛选方法、装置、电子设备和存储介质 | |
US20230132618A1 (en) | Method for denoising click data, electronic device and storage medium | |
CN116051287B (zh) | 一种数据的分析方法、装置、电子设备及存储介质 | |
CN116701552B (zh) | 案件管辖机构的确定方法、装置及电子设备 | |
WO2024098699A1 (zh) | 实体对象的威胁检测方法、装置、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 |