CN113362157B - 异常节点识别方法、模型的训练方法、装置及存储介质 - Google Patents

异常节点识别方法、模型的训练方法、装置及存储介质 Download PDF

Info

Publication number
CN113362157B
CN113362157B CN202110586791.0A CN202110586791A CN113362157B CN 113362157 B CN113362157 B CN 113362157B CN 202110586791 A CN202110586791 A CN 202110586791A CN 113362157 B CN113362157 B CN 113362157B
Authority
CN
China
Prior art keywords
transaction
association
graph
transaction account
explicit
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
Application number
CN202110586791.0A
Other languages
English (en)
Other versions
CN113362157A (zh
Inventor
庞悦
李晓刚
杜星波
汤韬
高鹏飞
郑建宾
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.)
China Unionpay Co Ltd
Original Assignee
China Unionpay 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 China Unionpay Co Ltd filed Critical China Unionpay Co Ltd
Priority to CN202110586791.0A priority Critical patent/CN113362157B/zh
Publication of CN113362157A publication Critical patent/CN113362157A/zh
Application granted granted Critical
Publication of CN113362157B publication Critical patent/CN113362157B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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
    • 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
    • G06Q20/389—Keeping log of transactions for guaranteeing non-repudiation of a transaction
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Technology Law (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Security & Cryptography (AREA)
  • Animal Behavior & Ethology (AREA)
  • Databases & Information Systems (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了异常节点识别方法、模型的训练方法、装置、系统及存储介质，该异常节点识别模型的训练方法包括：基于交易要素之间的显式关联关系构建显式关联图，交易要素至少包括交易账户；基于多个交易账户之间的相似度构建隐式关联图，其中根据多个交易账户的历史交易数据计算多个交易账户之间的相似度；融合显式关联图和隐式关联图，得到以交易账户为节点的关联图；基于每个交易账户的特征和标签以及关联图训练图神经网络，得到异常节点识别模型。利用上述方法，能够构建完备和高正确度的关联图结构，提升节点识别模型的识别效果。

Description

异常节点识别方法、模型的训练方法、装置及存储介质
技术领域
本发明属于节点识别领域，具体涉及一种异常节点识别方法、模型的训练方法、装置及存储介质。
背景技术
本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
近年来，在线上交易支付中存在着大量的欺诈交易，比如伪冒注册交易，为用户带来了不小的损失。为了提升线上交易支付中防范欺诈交易风险的水平，已开展了伪冒注册交易卡高效自动化侦测工作，并对模型输出的疑似伪冒注册银行卡进行风险处置。
鉴于图神经网络在图异常节点识别任务的优异表现，采用图神经网络方法进行高效的伪冒注册欺诈侦测工作。该方法存在一个重要的前提假设：人工构建的关联网络的图结构是完整且正确，即图上的边是没有缺失且真实可信。然而，实际上由于信息缺失和噪声连接的影响，所构建的关联网络的边很可能不是完整或不都是真实存在。这容易导致图计算方法在错误的图结构上获得不理想的节点表示，影响了后续的下游任务。
因此，如何构建完备和正确的图结构供后续关联图分析，仍然面临着一定的挑战。
发明内容
针对上述现有技术中存在的所构建关联网络上的边存在缺失和错误的问题，本发明提出一种基于图结构学习的异常节点识别方法、装置及存储介质，对适配伪冒注册交易场景的关联图构建提供了有效的解决方案。
具体来说，首先基于银行卡转账关系人工构建伪冒注册交易关联网络，然后基于关联网络采用图神经网络模型算法进行节点表示学习，最后用于异常节点识别的下游任务。
本发明提供了以下方案。
第一方面，提供一种异常节点识别模型的训练方法，所述异常节点识别模型用于识别异常交易账户，所述方法包括：基于交易要素之间的显式关联关系构建显式关联图，所述交易要素至少包括交易账户；基于多个所述交易账户之间的相似度构建隐式关联图，其中根据多个所述交易账户的历史交易数据计算多个所述交易账户之间的相似度；融合所述显式关联图和所述隐式关联图，得到以所述交易账户为节点的关联图；基于每个所述交易账户的特征和标签以及所述关联图训练图神经网络，得到异常节点识别模型。
在一些实施方式中，所述交易要素包括交易账户和其他交易要素，所述基于交易要素之间的显式关联关系构建显式关联图，还包括：构建以所述交易账户为节点的同质关联图；构建以所述交易账户和所述其他交易要素为节点的至少一个异质关联图。
在一些实施方式中，所述交易要素还包括以下一种或多种：商户、设备和IP地址。
在一些实施方式中，所述交易要素之间的显式关联关系包括以下中的一种或多种：所述交易账户之间的转账关联关系；所述交易账户和所述商户之间的转账关联关系；所述交易账户和所述设备之间的绑卡关联关系；所述交易账户和所述IP地址之间的交易地关联关系。
在一些实施方式中，所述基于交易要素之间的显式关联关系构建显式关联图，还包括以下中的一种或多种：构建以所述交易账户为节点，以所述交易账户之间的转账关联关系为边的第一同质关联图；构建以所述交易账户和所述商户为节点，以所述交易账户与所述商户之间的转账关系为边的第一异质关联图；构建以所述交易账户和所述设备为节点，以所述交易账户和所述设备之间的绑卡关联关系为边的第二异质关联图；构建以所述交易账户和所述IP地址为节点，以所述交易账户和所述IP地址之间的交易地关联关系为边的第三异质关联图。
在一些实施方式中，所述基于多个所述交易账户之间的相似度距离构建隐式关联图，还包括：获取多个所述交易账户的历史交易数据，根据所述历史交易数据构建每个所述交易账户的交易信息序列；计算每两个所述交易账户的所述交易信息序列之间的欧式距离，根据所述欧式距离对所述交易账户进行连边，构建以所述交易账户为节点的初始图谱；采用图嵌入方法获取所述初始图谱所有的节点向量表示，根据所述节点向量表示重新计算所述初始图谱中的节点之间的相似度，根据所述相似度和预设阈值对所述初始图谱上的所有节点进行二次连边，得到所述隐式关联图。
在一些实施方式中，融合所述显式关联图和所述隐式关联图，还包括：将所述至少一个异质关联图转换为以所述交易账户为节点的至少一个同质转换关联图，其中，将在预设时间段内与同一个所述其他交易要素产生所述显式关联关系的多个所述交易账户连边；将所述同质关联图、所述同质转换关联图和所述隐式关联图融合。
在一些实施方式中，在所述训练过程中，对所述目标函数中的所述关联图的图结构进行稀疏正则化约束。
在一些实施方式中，还包括：利用以下公式(1)和(2)对所述异常节点识别模型的目标函数L进行迭代求解，直至收敛：
(1)
(2)
其中，所述LG表示针对所述关联图G的损失函数，所述LGNN表示针对所述图神经网络GNN的损失函数，所述λ为对所述图神经网络GNN的损失函数分配的第一权重系数；所述θ为待训练的所述图神经网络的权值参数，所述A和所述S分别表示所述关联图G及其优化关联图对应的邻接矩阵，所述X为输入的所述交易账户的特征，所述Y为输入的所述交易账户的标签。在保证S是对称矩阵的前提下，使得S与A尽量接近。同时，采用S的L1范数对所述图结构进行自动化裁剪，所述α为对稀疏正则项‖S‖1分配的第二权重系数。
在一些实施方式中，还包括：采用前向后划分方法(Forward-Backwardsplitting)对所述异常节点识别模型的所述目标函数L进行所述迭代求解。
在一些实施方式中，所述图神经网络包括：图卷积神经网络和/或图注意力网络。
在一些实施方式中，所述交易账户为以下中的一种或多种：银行卡、电子交易账户。
在一些实施方式中，所述交易账户的所述特征包括数值型特征和非数值型特征，所述交易账户的所述标签用于指示所述交易账户是否异常。
第二方面，提供一种异常节点识别方法，包括：获取待识别交易账户的特征；将所述待识别交易账户的特征输入经训练的异常节点识别模型中，以得到识别结果；其中，所述异常节点识别模型利用如第一方面的方法训练得到。
第三方面，提供一种异常节点识别模型的训练装置，被配置为用于执如第一方面的方法，具体包括：显式关联图构建模块，用于基于交易要素之间的显式关联关系构建显式关联图，所述交易要素至少包括交易账户；隐式关联图构建模块，用于基于多个所述交易账户之间的相似度构建隐式关联图，其中根据多个所述交易账户的历史交易数据计算多个所述交易账户之间的相似度；关联图融合模块，用于融合所述显式关联图和所述隐式关联图，得到以所述交易账户为节点的关联图；图神经网络训练模块，用于基于每个所述交易账户的特征和标签以及所述关联图训练图神经网络，得到异常节点识别模型。
第四方面，提供一种异常节点识别装置，被配置为用于执行如第二方面的方法，具体包括：特征获取模块，用于获取待识别交易账户的特征；异常节点识别模块，用于将所述待识别交易账户的特征输入经训练的异常节点识别模型中，以得到识别结果；其中，所述异常节点识别模型利用如权利要求1-13中任意一项所述的方法训练得到。
第五方面，提供一种异常节点识别模型的训练装置，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行：如第一方面的方法。
第六方面，提供一种异常节点识别装置，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行：如第二方面的方法。
第七方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有程序，当所述程序被多核处理器执行时，使得所述多核处理器执行如第一方面的方法，或者执行如第二方面的方法
上述至少一个技术方案能够达到以下有益效果：基于本发明提供异常节点识别模型的训练方法和装置，在构建用于训练下游异常节点识别模型的关联图时，不仅充分利用了与交易账户相关的显式关联信息，还充分利用了基于历史交易数据而挖掘出的交易账户之间的隐式关联关系，丰富了关联图中的关联关系，能够构建完备和高正确度的图结构，提升识别模型的召回率。此外，通过将显式关联图和隐式关联图融合为同质的关联图，将有利于后续的图结构学习能力提升，获得识别效果更好的异常节点识别模型。基于本发明提供异常节点识别方法和装置，由于利用了上述异常节点识别模型，具有更好的识别效果。
应当理解，上述说明仅是本发明技术方案的概述，以便能够更清楚地了解本发明的技术手段，从而可依照说明书的内容予以实施。为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举例说明本发明的具体实施方式。
附图说明
通过阅读下文的示例性实施例的详细描述，本领域普通技术人员将明白本文所述的优点和益处以及其他优点和益处。附图仅用于示出示例性实施例的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的标号表示相同的部件。在附图中：
图1为根据本发明一实施例的异常节点识别模型的训练方法的流程示意图；
图2为根据本发明另一实施例的异常节点识别模型的训练方法的流程示意图；
图3为根据本发明一实施例的构建隐式关联图的示意图；
图4为根据本发明一实施例的融合异质关联图的示意图；
图5为根据本发明一实施例的示例性的异常节点之间的关联关系示意图；
图6为根据本发明一实施例的异常节点识别方法的流程示意图；
图7为根据本发明一实施例的异常节点识别模型的训练装置的结构示意图；
图8为根据本发明一实施例的异常节点识别装置的结构示意图；
图9为根据本发明另一实施例的异常节点识别模型的训练装置的结构示意图；
图10为根据本发明另一实施例的异常节点识别装置的结构示意图。
在附图中，相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
在本申请实施例的描述中，应理解，诸如“包括”或“具有”等术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不旨在排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在的可能性。
除非另有说明，“/”表示或的意思，例如，A/B可以表示A或B；本文中的“和/或”仅仅是一种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。
术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
另外还需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
图1为根据本申请一实施例的异常节点识别模型的训练方法方法的流程示意图，用于训练生成用于识别异常交易账户的异常节点识别模型，在该流程中，从设备角度而言，执行主体可以是一个或者多个电子设备；从程序角度而言，执行主体相应地可以是搭载于这些电子设备上的程序。
如图1所示，本实施例提供的方法可以包括以下步骤：
步骤101、基于交易要素之间的显式关联关系构建显式关联图。
其中，交易要素是指在交易场景中存在关联关系的主体，其至少包括诸如银行卡、电子交易账户的交易账户，还可以包括诸如商户、设备和IP地址等的其他交易要素。显式关联关系是指基于显式信息可以获知的交易要素之间的关联关系，该显式信息可以包括银行卡转账记录、银行卡支付记录、设备绑定银行卡记录、银行卡属性信息等。
例如，在实际交易场景中，如果银行卡A、B存在转账记录，则可以认为银行卡A、B之间具有显式关联关系，进一步可以构建以银行卡为节点的显式关联图，具有显式关联关系的两节点之间连边。在更复杂的交易场景中，如果银行卡A和商户C之间存在转账记录，银行卡A和B存在转账记录、银行卡B、商户D之间存在转账记录，银行卡A和设备E之间存在绑定记录，…，可以构建以银行卡、商户、设备等多个交易要素为节点的显式关联图，将具有显式关联关系的两节点之间连边，得到显式关联图。
步骤102、基于多个交易账户之间的相似度构建隐式关联图。
其中，多个交易账户之间的相似度是根据多个交易账户的历史交易数据计算得到的。该隐式关联图的节点是该交易账户，且根据交易账户之间的相似度对相应的节点进行连边，比如将相似度高的交易账户对应的节点连边。在上述步骤101中，已经描述了可以基于显式信息构建显式关联图。然而，可以理解，交易账户之间的关联关系可能并非是简单且显性的，尤其是对于有组织的异常交易账号来说，其极有可能会故意地将显性的异常交易账号之间的关联关系藏匿起来，以躲避检查，然而其异常的交易行为之间可能存在相似性。此时可以通过分析多个交易账户的历史交易数据，并从中挖掘出隐式的关联关系，基于多个交易账户之间的相似度构建隐式关联图。
步骤103、融合显式关联图和隐式关联图，得到以交易账户为节点的关联图。
其中，为了供后续的图神经网络的训练，进一步可以将上述构建的显式关联图和隐式关联图融合到一起，得到多源同质的关联图，其中多源是指该关联图中的关联关系的来源多样丰富，同质是指该关联图中的节点仅包括一种类型，也即交易账户。可以理解，同质的关联图相对于异质的关联图更加高效进行图谱特征提取。
步骤104、基于每个交易账户的特征和标签以及关联图训练图神经网络，得到异常节点识别模型。
其中，交易账户的特征可以是预先提取获得的，比如可以包括交易账户的卡号、注册时间、预设时间内的交易笔数、交易金额、注册地址、持卡人姓名等。本实施例中的该训练属于有监督训练，该标签用于指示每个交易账户的异常情况，该标签比如可以为0(非异常)或者1(异常)。
基于上述步骤101-步骤103构建的多维同质的关联图，以及将交易账户的特征和标签作为输入数据，采用图神经网络构建并训练异常节点识别模型。
本实施例中，在构建用于训练下游异常节点识别模型的关联图时，不仅充分利用了与交易账户相关的显式关联信息，还充分利用了基于历史交易数据而挖掘出的交易账户之间的隐式关联关系，丰富了关联图中的关联关系，能够构建完备和高正确度的图结构，提升识别模型的召回率。此外，通过将显式关联图和隐式关联图融合为同质的关联图，将有利于后续的图结构学习能力提升，获得识别效果更好的异常节点识别模型。
在一些实施方式中，交易要素至少包括交易账户，交易要素还可以包括以下一种或多种：商户、设备和IP地址。
在一些实施方式中，交易账户为以下中的一种或多种：银行卡、电子交易账户。在后续实施例中，以交易账户为银行卡为例进行描述，但不限于此
在一些实施方式中，交易要素之间的显式关联关系包括以下中的一种或多种：交易账户之间的转账关联关系；交易账户和商户之间的转账关联关系；交易账户和设备之间的绑卡关联关系；交易账户和IP地址之间的交易地关联关系。
在一些实施方式中，为使构建的关联图具有更多维度、更丰富的关联关系，步骤101还可以包括：构建以交易账户为节点的同质关联图；以及，构建以交易账户和其他交易要素为节点的至少一个异质关联图。
在一些实施方式中，步骤101还包括以下中的一种或多种：
(1)构建以交易账户为节点，以交易账户之间的转账关联关系为边的第一同质关联图；
例如，该第一同质关联关系可以为银行卡-银行卡转账关联图谱：节点为银行卡，根据银行卡之间的转账关系进行连边，形成银行卡-银行卡同质关联图Gt1；
(2)构建以交易账户和商户为节点，以交易账户与商户之间的转账关系为边的第一异质关联图。
例如，该第一异质关联图可以为银行卡-商户转账关联图谱：节点为银行卡和商户，根据银行卡与商户之间的转账关系进行连边，形成银行卡-商户异质关联图Gt2。
(3)，构建以交易账户和设备为节点，以交易账户和设备之间的绑卡关联关系为边的第二异质关联图。
例如，该第二异质关联图可以为银行卡-设备绑卡关联图谱：节点为银行卡和设备，在某一注册时间附近，根据银行卡与设备的绑卡关系进行连边，形成银行卡-设备异质关联图Gb。
(4)构建以交易账户和IP地址为节点，以交易账户和IP地址之间的交易地关联关系为边的第三异质关联图。
例如，该第三异质关联图可以为银行卡-IP地址交易地关联图谱：节点为银行卡和IP地址，在某一交易时间附近，根据银行卡所属的IP地址信息进行连边，形成银行卡-IP地址异质关联图Gg。
由此，可以构建同质关联图Gt1，和多个异质关联图Gt2、Gb、Gg，，由此构建的关联图具有更多维度、更丰富的关联关系。
在一些实施方式中，参考图2，为了挖掘交易账户之间的隐性关联关系，进一步提升关联图中关联关系的正确性，提升模型的召回率，步骤102还包括：
步骤201、获取多个交易账户的历史交易数据，根据历史交易数据构建每个交易账户的交易信息序列；
步骤202、计算每两个交易账户的交易信息序列之间的欧式距离，根据欧式距离对交易账户进行连边，构建以交易账户为节点的初始图谱；
步骤203、采用图嵌入方法获取初始图谱所有的节点向量表示。
步骤204、根据节点向量表示重新计算初始图谱中的节点之间的相似度。
步骤205、根据相似度和预设阈值对初始图谱上的所有节点进行二次连边，得到隐式关联图。
一个示例中，参考图3，可以基于银行卡一个月的交易笔数、金额等交易统计量构建对应的交易信息序列，计算每两个银行卡对应的交易信息序列之间的欧式距离，从而获得其相似度。查询与每条序列最相似的K个序列，并将其作为邻居节点进行连边操作，由此形成初始图谱。然后，采用node2vec方法对该初始图谱上的所有节点进行嵌入表示，获取每个节点的向量表示。根据这些节点向量表示，重新计算节点之间的相似性。删除初始图谱上的所有边，然后根据节点间的相似性进行图谱重构(重新连边)。比如，当节点之间的相似性大与等于预设的阈值时，将这两个节点进行连边，否则不连边。最后，将重新构建的图谱作为隐式关联图Gk。
在一些实施方式中，异质关联图包含的信息相比同质关联图更为繁杂，对异质图直接进行图谱特征提取往往较为低效，为了助于后续的图结构学习能力提升，步骤103还包括：将异质关联图转换为以交易账户为节点的至少一个同质转换关联图，其中，将在预设时间段内与同一个其他交易要素产生显式关联关系的多个交易账户连边；将同质关联图、同质转换关联图和隐式关联图融合。
一个示例中，首先，根据异常交易账户在时间维度上的聚集性，对异质关联图进行同质关联图转换。比如，图4展示了将银行卡商户转账关联图转化为银行卡同构图的示意图。当某一商户/设备/IP在某个相同时间段内存在交易/绑卡关系的银行卡，将同一商户/设备/IP下存在关系的银行卡两两之间进行连边，实现同质关联图的转换。将由上述异质关联图Gt2、Gb、Gg转换而来的同质关联图、上述所构建的显式同质关联图Gt1、隐式同质关联图Gk按照存在与同一银行卡关联即连边的规则进行图谱融合，最终形成一个以银行卡为节点的多源同质的关联图G。
在一些实施方式中，步骤104还包括：对目标函数中的关联图的图结构进行稀疏正则化约束。
图5展示了一个示例性的伪冒注册关联网络，图中的节点包括商户、银行卡、设备3种类别。由图可知，伪冒注册欺诈团伙存在团伙内部连接密集和整体稀疏的特点。鉴于此特点以及所构建图结构存在冗余噪声连接的问题，对目标函数中的图结构进行稀疏正则化约束。能够在获取丰富网络特征的同时，一定程度上避免冗余噪声的影响。
在一些实施方式中，步骤104还包括：利用以下公式(1)和(2)对异常节点识别模型的目标函数L进行迭代求解，直至收敛：
(1)
(2)
其中，LG表示针对关联图G的损失函数，LGNN表示针对图神经网络GNN的损失函数，λ为对图神经网络GNN的损失函数分配的第一权重系数；θ为待训练的图神经网络的权值参数，A和S分别表示关联图G及其优化关联图对应的邻接矩阵，X为输入的交易账户的特征，Y为输入的交易账户的标签。在保证S是对称矩阵的前提下，使得S与A尽量接近。同时，采用S的L1范数对图结构进行自动化裁剪，α为对稀疏正则项‖S‖1分配的第二权重系数。基于上述公式进行迭代求解，得到训练好的图神经网络的权值参数θ，以及优化好的关联图对应的邻接矩阵S。
在一些实施方式中，交易账户的特征X可以包括数值型特征和非数值型特征，数值型特征比如可以是交易账户的卡号、注册时间、预设时间内的交易笔数、交易金额等。非数值特征比如可以是注册地址、持卡人姓名等。交易账户的标签Y用于指示交易账户是否异常，该标签比如可以为0(非异常)或者1(异常)。
在一些实施方式中，步骤104还包括：采用前向后划分方法(Forward-Backwardsplitting)对异常节点识别模型的目标函数L进行迭代求解。例如，保持GNN的参数θ保持不变，优化目标函数计算出邻接矩阵S。然后，基于矩阵S，优化目标函数求解出图卷积神经网络参数θ。最后，按照上述两个步骤不断对目标函数进行迭代求解，直至目标函数收敛。
在一些实施方式中，图神经网络可以为图卷积神经网络和/或图注意力网络。
图6为根据本申请一实施例的异常节点识别方法的流程示意图，用于识别异常交易账户，在该流程中，从设备角度而言，执行主体可以是一个或者多个电子设备；从程序角度而言，执行主体相应地可以是搭载于这些电子设备上的程序。
如图6所示，本实施例提供的方法600可以包括以下步骤：
步骤601、获取待识别交易账户的特征。
其中，待识别交易账户的特征可以包括数值型特征和非数值型特征，数值型特征比如可以是交易账户的卡号、注册时间、预设时间内的交易笔数、交易金额等。非数值特征比如可以是注册地址、持卡人姓名等。
步骤602、将待识别交易账户的特征输入经训练的异常节点识别模型中，以得到识别结果。其中，异常节点识别模型利用如上述实施例所描述的方法训练得到。
在本实施例中，通过上述实施例的训练方法获得了识别效果更好的异常节点识别模型。由此可以提升异常节点识别的识别效果。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
关于本申请实施例的方法流程图，将某些操作描述为以一定顺序执行的不同的步骤。这样的流程图属于说明性的而非限制性的。可以将在本文中所描述的某些步骤分组在一起并且在单个操作中执行、可以将某些步骤分割成多个子步骤、并且可以以不同于在本文中所示出的顺序来执行某些步骤。可以由任何电路结构和/或有形机制(例如，由在计算机设备上运行的软件、硬件(例如，处理器或芯片实现的逻辑功能)等、和/或其任何组合)以任何方式来实现在流程图中所示出的各个步骤。
基于相同的技术构思，本发明实施例还提供一种异常节点识别模型的训练装置，用于执行上述任一实施例所提供的异常节点识别模型的训练方法。图7为本发明实施例提供的一种异常节点识别模型的训练装置的结构示意图。
如图7所示，装置700包括：
显式关联图构建模块701，用于基于交易要素之间的显式关联关系构建显式关联图，交易要素至少包括交易账户；
隐式关联图构建模块702，用于基于多个交易账户之间的相似度构建隐式关联图，其中根据多个交易账户的历史交易数据计算多个交易账户之间的相似度；
关联图融合模块703，用于融合显式关联图和隐式关联图，得到以交易账户为节点的关联图；
图神经网络训练模块704，用于基于每个交易账户的特征和标签以及关联图训练图神经网络，得到异常节点识别模型。
需要说明的是，本申请实施例中的异常节点识别模型的训练装置可以实现前述异常节点识别模型的训练方法的实施例的各个过程，并达到相同的效果和功能，这里不再赘述。
在一些实施方式中，交易要素包括交易账户和其他交易要素，显式关联图构建模块701还用于：
构建以交易账户为节点的同质关联图；
构建以交易账户和其他交易要素为节点的至少一个异质关联图。
在一些实施方式中，交易要素还包括以下一种或多种：商户、设备和IP地址。
在一些实施方式中，交易要素之间的显式关联关系包括以下中的一种或多种：
交易账户之间的转账关联关系；交易账户和商户之间的转账关联关系；交易账户和设备之间的绑卡关联关系；交易账户和IP地址之间的交易地关联关系。
在一些实施方式中，显式关联图构建模块701还用于：
构建以交易账户为节点，以交易账户之间的转账关联关系为边的第一同质关联图；
构建以交易账户和商户为节点，以交易账户与商户之间的转账关系为边的第一异质关联图；
构建以交易账户和设备为节点，以交易账户和设备之间的绑卡关联关系为边的第二异质关联图；
构建以交易账户和IP地址为节点，以交易账户和IP地址之间的交易地关联关系为边的第三异质关联图。
在一些实施方式中，隐式关联图构建模块702，还用于：
获取多个交易账户的历史交易数据，根据历史交易数据构建每个交易账户的交易信息序列；
计算每两个交易账户的交易信息序列之间的欧式距离，根据欧式距离对交易账户进行连边，构建以交易账户为节点的初始图谱；
采用图嵌入方法获取初始图谱所有的节点向量表示，根据节点向量表示重新计算初始图谱中的节点之间的相似度，根据相似度和预设阈值对初始图谱上的所有节点进行二次连边，得到隐式关联图。
在一些实施方式中，关联图融合模块703，还用于：
将至少一个异质关联图转换为以交易账户为节点的至少一个同质转换关联图，其中，将在预设时间段内与同一个其他交易要素产生显式关联关系的多个交易账户连边；
将同质关联图、同质转换关联图和隐式关联图融合。
在一些实施方式中，图神经网络训练模块704，还用于：
在训练过程中，对目标函数中的关联图的图结构进行稀疏正则化约束。
在一些实施方式中，图神经网络训练模块704，还用于：
利用以下公式(1)和(2)对异常节点识别模型的目标函数L进行迭代求解，直至收敛：
(1)
(2)
其中，LG表示针对关联图G的损失函数，LGNN表示针对图神经网络GNN的损失函数，λ为对图神经网络GNN的损失函数分配的第一权重系数；θ为待训练的图神经网络的权值参数，A和S分别表示关联图G及其优化关联图对应的邻接矩阵，X为输入的交易账户的特征，Y为输入的交易账户的标签。在保证S是对称矩阵的前提下，使得S与A尽量接近。同时，采用S的L1范数对图结构进行自动化裁剪，α为对稀疏正则项‖S‖1分配的第二权重系数。
在一些实施方式中，图神经网络训练模块704，还用于：
采用前向后划分方法(Forward-Backward splitting)对异常节点识别模型的目标函数L进行迭代求解。
在一些实施方式中，图神经网络至少为：图卷积神经网络和/或图注意力网络。
在一些实施方式中，交易账户为以下中的一种或多种：银行卡、电子交易账户。
在一些实施方式中，交易账户的特征包括数值型特征和非数值型特征，交易账户的标签用于指示交易账户是否异常。
基于相同的技术构思，本发明实施例还提供一种异常节点识别装置，用于执行上述任一实施例所提供的异常节点识别。图8为本发明实施例提供的一异常节点识别装置的结构示意图。
如图8所示，装置800包括：
特征获取模块801，用于获取待识别交易账户的特征；
异常节点识别模块802，用于将待识别交易账户的特征输入经训练的异常节点识别模型中，以得到识别结果；其中，异常节点识别模型利用上述异常节点识别方法训练得到。
需要说明的是，本申请实施例中的异常节点识别装置可以实现前述异常节点识别方法的实施例的各个过程，并达到相同的效果和功能，这里不再赘述。
图9为根据本申请一实施例的异常节点识别模型的训练装置，用于执行图1所示出的异常节点识别模型的训练方法，该装置包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述异常节点识别模型的训练方法的实施例所述的方法。
图10为根据本申请一实施例的异常节点识别装置，用于执行图6所示出的异常节点识别模型的训练方法，该装置包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述异常节点识别方法的实施例所述的方法。
根据本申请的一些实施例，提供了异常节点识别方法和/或异常节点识别模型的训练的非易失性计算机存储介质，其上存储有计算机可执行指令，该计算机可执行指令设置为在由处理器运行时执行：上述实施例所述的方法。
本申请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，对于装置、设备和计算机可读存储介质实施例而言，由于其基本相似于方法实施例，所以其描述进行了简化，相关之处可参见方法实施例的部分说明即可。
本申请实施例提供的装置、设备和计算机可读存储介质与方法是一一对应的，因此，装置、设备和计算机可读存储介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述装置、设备和计算机可读存储介质的有益技术效果。
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。此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
虽然已经参考若干具体实施方式描述了本发明的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合以进行受益，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。

Claims (19)

1.一种异常节点识别模型的训练方法，其特征在于，所述异常节点识别模型用于识别异常交易账户，所述方法包括：
基于交易要素之间的显式关联关系构建显式关联图，所述交易要素至少包括交易账户，所述显式关联关系是指基于交易要素之间的交易记录直接确定的关联关系；
基于多个所述交易账户之间的相似度构建隐式关联图，其中根据多个所述交易账户的历史交易数据计算多个所述交易账户之间的相似度；
融合所述显式关联图和所述隐式关联图，得到以所述交易账户为节点的关联图；
基于每个所述交易账户的特征和标签以及所述关联图训练图神经网络，得到异常节点识别模型。
2.根据权利要求1所述的方法，其特征在于，所述交易要素包括交易账户和其他交易要素，所述基于交易要素之间的显式关联关系构建显式关联图，还包括：
构建以所述交易账户为节点的同质关联图；
构建以所述交易账户和所述其他交易要素为节点的至少一个异质关联图。
3.根据权利要求1或2所述的方法，其特征在于，所述交易要素还包括以下一种或多种：商户、设备和IP地址。
4.根据权利要求3所述的方法，其特征在于，所述交易要素之间的显式关联关系包括以下中的一种或多种：
所述交易账户之间的转账关联关系；所述交易账户和所述商户之间的转账关联关系；所述交易账户和所述设备之间的绑卡关联关系；所述交易账户和所述IP地址之间的交易地关联关系。
5.根据权利要求4所述的方法，其特征在于，所述基于交易要素之间的显式关联关系构建显式关联图，还包括以下中的一种或多种：
构建以所述交易账户为节点，以所述交易账户之间的转账关联关系为边的第一同质关联图；
构建以所述交易账户和所述商户为节点，以所述交易账户与所述商户之间的转账关系为边的第一异质关联图；
构建以所述交易账户和所述设备为节点，以所述交易账户和所述设备之间的绑卡关联关系为边的第二异质关联图；
构建以所述交易账户和所述IP地址为节点，以所述交易账户和所述IP地址之间的交易地关联关系为边的第三异质关联图。
6.根据权利要求1所述的方法，其特征在于，所述基于多个所述交易账户之间的相似度距离构建隐式关联图，还包括：
获取多个所述交易账户的历史交易数据，根据所述历史交易数据构建每个所述交易账户的交易信息序列；
计算每两个所述交易账户的所述交易信息序列之间的欧式距离，根据所述欧式距离对所述交易账户进行连边，构建以所述交易账户为节点的初始图谱；
采用图嵌入方法获取所述初始图谱所有的节点向量表示，根据所述节点向量表示重新计算所述初始图谱中的节点之间的相似度，根据所述相似度和预设阈值对所述初始图谱上的所有节点进行二次连边，得到所述隐式关联图。
7.根据权利要求2所述的方法，其特征在于，融合所述显式关联图和所述隐式关联图，还包括：
将所述至少一个异质关联图转换为以所述交易账户为节点的至少一个同质转换关联图，其中，将在预设时间段内与同一个所述其他交易要素产生所述显式关联关系的多个所述交易账户连边；
将所述同质关联图、所述同质转换关联图和所述隐式关联图融合。
8.根据权利要求1所述的方法，其特征在于，在训练过程中，对目标函数中的所述关联图的图结构进行稀疏正则化约束。
9.根据权利要求8所述的方法，其特征在于，还包括：
利用以下公式(1)和(2)对所述异常节点识别模型的目标函数L进行迭代求解，直至收敛：
(1)
(2)
其中，所述LG表示针对所述关联图G的损失函数，所述LGNN表示针对所述图神经网络GNN的损失函数，所述λ为对所述图神经网络GNN的损失函数分配的第一权重系数；所述θ为待训练的所述图神经网络的权值参数，所述A和所述S分别表示所述关联图G及其优化关联图对应的邻接矩阵，所述X为输入的所述交易账户的特征，所述Y为输入的所述交易账户的标签，采用S的L1范数对所述图结构进行自动化裁剪，所述α为对稀疏正则项‖S‖1分配的第二权重系数。
10.根据权利要求9所述的方法，其特征在于，还包括：
采用前向后划分方法Forward-Backward splitting对所述异常节点识别模型的所述目标函数L进行所述迭代求解。
11.根据权利要求1所述的方法，其特征在于，所述图神经网络至少为：图卷积神经网络和/或图注意力网络。
12.根据权利要求1所述的方法，其特征在于，所述交易账户为以下中的一种或多种：
银行卡、电子交易账户。
13.根据权利要求1所述的方法，其特征在于，
所述交易账户的所述特征包括数值型特征和非数值型特征，所述交易账户的所述标签用于指示所述交易账户是否异常。
14.一种异常节点识别方法，其特征在于，包括：
获取待识别交易账户的特征；
将所述待识别交易账户的特征输入经训练的异常节点识别模型中，以得到识别结果；
其中，所述异常节点识别模型利用如权利要求1-13中任意一项所述的方法训练得到。
15.一种异常节点识别模型的训练装置，其特征在于，被配置为用于执行如权利要求1-13中任一项所述的训练方法，具体包括：
显式关联图构建模块，用于基于交易要素之间的显式关联关系构建显式关联图，所述交易要素至少包括交易账户，所述显式关联关系是指基于交易要素之间的交易记录直接确定的关联关系；
隐式关联图构建模块，用于基于多个所述交易账户之间的相似度构建隐式关联图，其中根据多个所述交易账户的历史交易数据计算多个所述交易账户之间的相似度；
关联图融合模块，用于融合所述显式关联图和所述隐式关联图，得到以所述交易账户为节点的关联图；
图神经网络训练模块，用于基于每个所述交易账户的特征和标签以及所述关联图训练图神经网络，得到异常节点识别模型。
16.一种异常节点识别装置，其特征在于，被配置为用于执行如权利要求14所述的识别方法，具体包括：
特征获取模块，用于获取待识别交易账户的特征；
异常节点识别模块，用于将所述待识别交易账户的特征输入经训练的异常节点识别模型中，以得到识别结果；其中，所述异常节点识别模型利用如权利要求1-13中任意一项所述的方法训练得到。
17.一种异常节点识别模型的训练装置，其特征在于，包括：
至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行：如权利要求1-13中任一项所述的训练方法。
18.一种异常节点识别装置，其特征在于，包括：
至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行：如权利要求14所述的识别方法。
19.一种计算机可读存储介质，所述计算机可读存储介质存储有程序，当所述程序被多核处理器执行时，使得所述多核处理器执行如权利要求1-13中任一项所述的方法，或者执行如权利要求14所述的方法。
CN202110586791.0A 2021-05-27 2021-05-27 异常节点识别方法、模型的训练方法、装置及存储介质 Active CN113362157B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110586791.0A CN113362157B (zh) 2021-05-27 2021-05-27 异常节点识别方法、模型的训练方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110586791.0A CN113362157B (zh) 2021-05-27 2021-05-27 异常节点识别方法、模型的训练方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN113362157A CN113362157A (zh) 2021-09-07
CN113362157B true CN113362157B (zh) 2024-02-09

Family

ID=77527987

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110586791.0A Active CN113362157B (zh) 2021-05-27 2021-05-27 异常节点识别方法、模型的训练方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN113362157B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114006726B (zh) * 2021-09-27 2023-05-02 中债金科信息技术有限公司 基于关联图的异常分析方法及装置
CN114187112A (zh) * 2021-12-15 2022-03-15 深圳前海微众银行股份有限公司 账户风险模型的训练方法和风险用户群体的确定方法
CN114723554B (zh) * 2022-06-09 2022-09-23 中国工商银行股份有限公司 异常账户识别方法及装置
CN115080740A (zh) * 2022-06-24 2022-09-20 中国电信股份有限公司 非结构化数据的分类方法、装置、可读介质及电子设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109102151A (zh) * 2018-07-03 2018-12-28 阿里巴巴集团控股有限公司 一种可疑群组识别方法和装置
CN110020662A (zh) * 2019-01-09 2019-07-16 阿里巴巴集团控股有限公司 用户分类模型的训练方法和装置
CN111080304A (zh) * 2019-12-12 2020-04-28 支付宝(杭州)信息技术有限公司 一种可信关系识别方法、装置及设备
CN111292195A (zh) * 2020-02-28 2020-06-16 中国工商银行股份有限公司 风险账户的识别方法及装置
CN111538869A (zh) * 2020-04-29 2020-08-14 支付宝(杭州)信息技术有限公司 一种交易异常群组的检测方法、装置及设备
CN111639687A (zh) * 2020-05-19 2020-09-08 北京三快在线科技有限公司 一种模型训练以及异常账号识别方法及装置
CN111784502A (zh) * 2020-06-30 2020-10-16 中国工商银行股份有限公司 异常交易账户群体识别方法及装置
WO2020228530A1 (zh) * 2019-05-16 2020-11-19 中国银联股份有限公司 一种重复交易风险监测方法、装置及计算机可读存储介质
CA3095362A1 (en) * 2019-10-03 2021-04-03 Royal Bank Of Canada System and method for behavioral pattern recognition

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9245233B2 (en) * 2013-07-22 2016-01-26 International Business Machines Corporation Automatic detection of anomalies in graphs
US20160203485A1 (en) * 2015-01-08 2016-07-14 Ca, Inc. Selective authentication based on similarities of ecommerce transactions from a same user terminal across financial accounts
US20170140382A1 (en) * 2015-11-12 2017-05-18 International Business Machines Corporation Identifying transactional fraud utilizing transaction payment relationship graph link prediction
US20190295087A1 (en) * 2018-03-23 2019-09-26 Microsoft Technology Licensing, Llc System and method for detecting fraud in online transactions by tracking online account usage characteristics indicative of user behavior over time
US10789530B2 (en) * 2019-01-14 2020-09-29 Capital One Services, Llc Neural embeddings of transaction data
US20210012346A1 (en) * 2019-07-10 2021-01-14 Capital One Services, Llc Relation-based systems and methods for fraud detection and evaluation
CN111709756A (zh) * 2020-06-16 2020-09-25 银联商务股份有限公司 一种可疑社团的识别方法、装置、存储介质和计算机设备

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109102151A (zh) * 2018-07-03 2018-12-28 阿里巴巴集团控股有限公司 一种可疑群组识别方法和装置
CN110020662A (zh) * 2019-01-09 2019-07-16 阿里巴巴集团控股有限公司 用户分类模型的训练方法和装置
WO2020228530A1 (zh) * 2019-05-16 2020-11-19 中国银联股份有限公司 一种重复交易风险监测方法、装置及计算机可读存储介质
CA3095362A1 (en) * 2019-10-03 2021-04-03 Royal Bank Of Canada System and method for behavioral pattern recognition
CN111080304A (zh) * 2019-12-12 2020-04-28 支付宝(杭州)信息技术有限公司 一种可信关系识别方法、装置及设备
CN111292195A (zh) * 2020-02-28 2020-06-16 中国工商银行股份有限公司 风险账户的识别方法及装置
CN111538869A (zh) * 2020-04-29 2020-08-14 支付宝(杭州)信息技术有限公司 一种交易异常群组的检测方法、装置及设备
CN111639687A (zh) * 2020-05-19 2020-09-08 北京三快在线科技有限公司 一种模型训练以及异常账号识别方法及装置
CN111784502A (zh) * 2020-06-30 2020-10-16 中国工商银行股份有限公司 异常交易账户群体识别方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Anomaly behavior detection and reliability assessment of control systems based on association rules;Xinchun Jie.etc;International Journal of Critical Infrastructure Protection;第90-99页 *
在线社交网络异常账户检测算法研究;王坤;中国优秀硕士学位论文全文数据库;I139-80 *
基于带权超图的跨网络用户身份识别方法;徐乾;陈鸿昶;吴铮;黄瑞阳;;计算机应用(12);第3435-3441页 *

Also Published As

Publication number Publication date
CN113362157A (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
CN113362157B (zh) 异常节点识别方法、模型的训练方法、装置及存储介质
JP6680902B2 (ja) 精算処理方法、精算処理装置、端末機器及び記憶媒体
CN110704730A (zh) 基于大数据的产品数据推送方法、系统及计算机设备
CN111046671A (zh) 基于图网络融入词典的中文命名实体识别方法
CN112015909B (zh) 知识图谱的构建方法及装置、电子设备、存储介质
CN112527970B (zh) 数据字典标准化处理方法、装置、设备及存储介质
CN113657896A (zh) 一种基于图神经网络的区块链交易拓扑图分析方法和装置
CN111260189A (zh) 一种风险控制方法、装置、计算机系统及可读存储介质
US20210312450A1 (en) Systems and methods for advanced velocity profile preparation and analysis
US11188981B1 (en) Identifying matching transfer transactions
CN114118816A (zh) 一种风险评估方法、装置、设备及计算机存储介质
CN114139490A (zh) 一种自动数据预处理的方法、装置以及设备
CN113869264A (zh) 一种商品识别方法、识别系统、存储介质和服务器
Zhao et al. Safe semi-supervised classification algorithm combined with active learning sampling strategy
US11593622B1 (en) Artificial intelligence system employing graph convolutional networks for analyzing multi-entity-type multi-relational data
US11308130B1 (en) Constructing ground truth when classifying data
CN112365352A (zh) 一种基于图神经网络的反套现方法及装置
CN116485406A (zh) 账户的检测方法及装置、存储介质和电子设备
CN113344079B (zh) 一种图像标签半自动标注方法、系统、终端及介质
CN114266653A (zh) 集成学习的客户贷款风险预估方法
US11775757B2 (en) Automated machine-learning dataset preparation
CN113469696A (zh) 一种用户异常度评估方法、装置及计算机可读存储介质
CN117435603A (zh) 数据一致性确定模型的训练方法、装置和计算机设备
CN115905561B (zh) 本体对齐方法、装置、电子设备及存储介质
CN116028880B (zh) 训练行为意图识别模型的方法、行为意图识别方法及装置

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