CN113822757A - 基于超图的非正常交易预测方法、装置、设备和存储介质 - Google Patents
基于超图的非正常交易预测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN113822757A CN113822757A CN202110859720.3A CN202110859720A CN113822757A CN 113822757 A CN113822757 A CN 113822757A CN 202110859720 A CN202110859720 A CN 202110859720A CN 113822757 A CN113822757 A CN 113822757A
- Authority
- CN
- China
- Prior art keywords
- super
- edge
- matrix
- neural network
- node
- 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.)
- Pending
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- 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
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- 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)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及基于超图的非正常交易预测方法、装置、设备和存储介质,属于机器学习领域,该方法包括:根据用户在交易中使用的多维介质信息,构建节点特征矩阵,并基于节点特征矩阵构建超边矩阵和超边权重矩阵;将节点特征矩阵、超边矩阵和超边权重矩阵输入超图学习神经网络模型的第一层神经网络以使节点特征矩阵中的节点特征聚合到超边,得到超边特征;将超边特征输入超图学习神经网络模型的第二层神经网络以使超边特征聚合到用户的节点,得到表征的节点特征;基于表征的节点特征进行半监督学习,当损失函数收敛时,得到超图预测神经网络模型;根据超图预测神经网络模型预测用户的交易是否为非正常交易。提高了模型的能力,提高预测结果的准确性。
Description
技术领域
本申请涉及机器学习技术领域,特别是涉及基于超图的非正常交易预测方法、装置、设备和存储介质。
背景技术
随着计算机技术的快速发展,能够实现高效的非正常交易预测,一般采取的方法是通过XGBoost模型对交易流水日志中的交易时间、交易金额进行学习,从而通过XGBoost模型来识别是否是非正常交易;另一种常见的方法是将用户账号作为节点,将交易关系作为边,将交易时间、交易频率、交易金额作为边的权重,以此构建知识图谱,基于知识图谱,能够学习出用户账号间的关系,从而预测用户间的交易是否为非正常交易。
传统的方法中,要么将用户主体孤立看待,没有考虑到用户之间的联系,要么通过简单图构造用户间的关系,并不能对用户关系进行完整、深层的表达,从而导致非正常交易预测结果准确性较低。
发明内容
本申请实施例提供了一种基于超图的非正常交易预测方法、装置、设备和存储介质,以至少解决相关技术中对非正常交易识别准确性较低的问题。
第一方面,本申请实施例提供了一种基于超图的非正常交易预测方法,所述方法包括以下步骤:根据用户在交易中使用的多维介质信息,构建节点特征矩阵,并基于所述节点特征矩阵构建超边矩阵和超边权重矩阵;将所述节点特征矩阵、所述超边矩阵和所述超边权重矩阵输入超图学习神经网络模型的第一层神经网络以使所述节点特征矩阵中的节点特征聚合到超边,得到超边特征;将所述超边特征输入所述超图学习神经网络模型的第二层神经网络以使所述超边特征聚合到用户的节点,得到表征的节点特征;基于所述表征的节点特征进行半监督学习,当损失函数收敛时,得到超图预测神经网络模型;根据所述超图预测神经网络模型预测用户的交易是否为非正常交易。
在其中一些实施例中,所述多维介质信息包括设备信息、IP地址、E-mail地址、银行卡账号和收货地址中的至少两项。
在其中一些实施例中,所述第一层神经网络包括以下公式:
其中,表示所述超边特征,1表示第1层神经网络,e表示边,表示边归一化参数,S表示所述超边权重矩阵,HT表示所述超边矩阵H的转置矩阵,X1表示输入第1层神经网络的节点特征矩阵,Wl表示所述超图学习神经网络模型的参数。
在其中一些实施例中,所述第二层神经网络包括以下公式:
在其中一些实施例中,构建超边矩阵包括:在每个介质的维度上,若有多个用户在交易中使用的介质信息相同,则通过该相同的介质信息将所述多个用户连接以形成超边。
在其中一些实施例中,构建超边权重矩阵包括:通过预设值表示超边的权重大小。
在其中一些实施例中,构建超边矩阵包括:在每个介质的维度上,若有多个用户在交易中使用的介质信息相似,且相似度达到预设阈值,则通过该相似的介质信息将所述多个用户连接以形成超边。
在其中一些实施例中,构建超边权重矩阵包括:通过所述相似度表示超边的权重大小。
第二方面,本申请实施例提供一种基于超图的非正常交易预测装置,所述装置包括:
构建模块,用于根据用户在交易中使用的多维介质信息,构建节点特征矩阵,并基于所述节点特征矩阵构建超边矩阵和超边权重矩阵;
第一聚合模块,用于将所述节点特征矩阵、所述超边矩阵和所述超边权重矩阵输入超图学习神经网络模型的第一层神经网络以使所述节点特征矩阵中的节点特征聚合到超边,得到超边特征;
第二聚合模块,用于将所述超边特征输入所述超图学习神经网络模型的第二层神经网络以使所述超边特征聚合到用户的节点,得到表征的节点特征;
学习模块,用于基于所述表征的节点特征进行半监督学习,当损失函数收敛时,得到超图预测神经网络模型;
预测模块,用于根据所述超图预测神经网络模型预测用户的交易是否为非正常交易。
第三方面,本申请实施例提供一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项所述的方法。
第四方面,本申请实施例提供一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项所述的方法。
相比于相关技术将用户主体孤立看待,没有考虑到用户之间的联系,或者通过简单图构造用户间的关系,本申请实施例根据多维介质信息构建复杂超图,并通过两层神经网络构建超图学习神经网络模型,在第一层神经网络中,将节点特征聚合到超边,得到超边特征;在第二层神经网络中,将超边特征聚合到用户的节点,通过超图数据的引入,能够完整、深层的表达用户间的联系,从而能够提高模型的能力,所以能够提高模型预测结果的准确性。并且,本申请实施例不仅引入了相似介质和相似团伙,丰富了超边的信息,还对超边赋予权重,更好的引入不同信息带来的差别,能够进一步充分表达用户间的深层联系,所以能够进一步提高模型的能力,从而进一步提高模型预测结果的准确性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种基于超图的非正常交易预测方法的流程图;
图2是根据本申请实施例的一种基于超图的非正常交易预测装置的结构框图;
图3是根据本申请实施例的电子设备的内部结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指大于或者等于两个。“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。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
本申请实施例提出一种基于超图的非正常交易预测方法,图1是根据本申请实施例的一种基于超图的非正常交易预测方法的流程图,如图1所示,该方法包括以下步骤:
S101:根据用户在交易中使用的多维介质信息,构建节点特征矩阵,并基于节点特征矩阵构建超边矩阵和超边权重矩阵;
S102:将节点特征矩阵、超边矩阵和超边权重矩阵输入超图学习神经网络模型的第一层神经网络以使节点特征矩阵中的节点特征聚合到超边,得到超边特征;
S103:将超边特征输入超图学习神经网络模型的第二层神经网络以使超边特征聚合到用户的节点,得到表征的节点特征;
S104:基于表征的节点特征进行半监督学习,当损失函数收敛时,得到超图预测神经网络模型;
S105:根据超图预测神经网络模型预测用户的交易是否为非正常交易。
本申请实施例根据多维介质信息构建超图,并通过两层神经网络构建超图学习神经网络模型,在第一层神经网络中,将节点特征矩阵中的节点特征聚合到超边,得到超边特征;在第二层神经网络中,将得到的超边特征聚合到用户的节点,因此,通过超图数据的引入,充分考虑了用户间的联系,能够提高模型的能力,从而能够提高模型预测结果的准确性。
为了对本申请实施例进行更清楚的说明,下文进行详细解释。
在交易中,用户为主体,用户所使用的介质信息包括但不限于设备信息、IP地址、E-mail地址、银行卡账号和收货地址等。例如,有N个用户节点,每个用户节点包含如下5个节点特征:设备信息、IP地址、E-mail地址、银行卡账号、收货地址,可以构建[N×M]的节点特征矩阵,其中N表示矩阵的行数,每一行对应一个用户;M为矩阵的列数,比如M=5,每一列对应一个节点特征。需要说明的是,在构架节点特征矩阵之前,节点特征需要进行归一化处理,比如将节点特征的原始信息映射为数字信息,使之能够被后续步骤处理。
作为一个示例,本申请实施例中引入超图,在每个介质的维度上,若有多个用户节点在交易中使用的介质信息相同,则通过该相同的介质信息将多个用户节点连接以形成超边,以下示出具体的例子。
表1是多个用户节点及交易中使用的介质信息
用户节点 | 设备信息 | IP地址 | E-mail地址 | 银行卡账号 | 收货地址 |
U1 | D1 | I1 | E1 | C1 | A1 |
U2 | D2 | I2 | E2 | C3 | A1 |
U3 | D2 | I3 | E1 | C2 | A2 |
U4 | D1 | I2 | E2 | C1 | A3 |
U5 | D2 | I3 | E1 | C3 | A3 |
根据上述表1,用户节点U2、U3、U5在交易中使用了相同的设备D2,所以通过该设备D2可以将用户节点U2、U3、U5连接在一起。
因此,对于设备D1,构建超边(1,0,0,1,0),表示设备D1连接着用户节点U1、U4,即用户节点U1、U4在交易中使用了相同的设备D1;
对于设备D2,构建超边(0,1,1,0,1),表示设备D2连接着用户节点U2、U3、U5,即用户节点U2、U3、U5在交易中使用了相同的设备D2;
对于IP介质I1,只有一个用户节点即U1在交易中使用到了,所以不能与其他用户节点连接成超边;
对于IP介质I2,构建超边(0,1,0,1,0),表示IP介质I2连接着用户节点U2、U4,即用户节点U2、U4在交易中使用了相同的IP介质I2;
同理,对I3、E1、E2、C1、C2、C3、A1、A2、A3分别构建超边(一个介质只对应有一个节点用户的除外),将构建的超边作为超边矩阵的列,用户节点作为行,得到如下超边矩阵H:
超边矩阵构建完成后,需要构建超边权重矩阵,具体请见下文描述:
超边权重的大小可以通过预设值来表示,比如,若认为多个用户节点在交易中使用的设备、银行卡、E-mail相同,发生非正常交易的风险性最大,那么由设备信息、银行卡账号、E-mail地址连接成的超边的权重设为1;若认为多个用户节点在交易中使用的IP和收货地址相同,发生非正常交易的风险性相对较小,那么由IP地址、收货地址连接成的超边的权重设为0.9。根据自定义,比如构建有超边权重矩阵S:
其中,没有数值的为0。
在其中一些实施例中,在每个介质的维度上,若有多个用户节点在交易中使用的介质信息相似,且相似度达到预设阈值,也可以通过该相似的介质信息将多个用户节点连接以形成超边。比如有两个用户节点分别在交易中使用的E-mail地址为E1:DavidBeckham1@gmail.com和E2:DavidBeckham2@gmail.com,虽然这两个邮箱不一致,但是极为相似的,所以可以认为这两个邮箱应该属于一个,也应该构建一个超边。因此,本申请实施例对同一维度的介质信息还计算相似度,若相似度超过预设阈值,则认为属于同一个介质。该相似度的计算方法可以通过MED(Minimum Edit Distance)来衡量。
因此,对于新建的一条超边比如(1,1,1,1,1),可以在上述H的右侧再加一列,从而得到新的超边矩阵H如下:
进一步的,本申请实施例还可以加入由介质间的相似度表达的超边权重,比如对相似邮箱或相似设备计算出相似度为0.95,那么将其加入超边权重矩阵S得到新的超边权重矩阵S:
进一步的,本申请实施例还可以通过预设规则判断多个用户是否是相似团伙,例如,若用户A和用户B在交易中使用的某个或若干个介质(比如邮箱等)相同或者相似度达到一定阈值,则判断用户A和用户B为相似团伙。根据上文,由于使用相同介质的多个用户会通过该相同的介质连接以形成超边,所以,可以直接将上述超边所连接的多个用户判断为相似团伙,丰富了超边的信息。
因此,基于上文,根据用户在交易中使用的多维介质信息(例如设备信息、IP地址、E-mail地址、银行卡账号和收货地址等),可以得到节点特征矩阵、超边矩阵和超边权重矩阵。
接着,将节点特征矩阵X、超边矩阵H和超边权重矩阵S输入超图学习神经网络模型的第一层神经网络,在第一层神经网络中,将节点特征矩阵X中的节点特征按照超边矩阵H和超边权重矩阵S聚合到超边,得到超边特征,其中,该第一层神经网络包括以下公式:
得到超边特征后,将该超边特征输入超图学习神经网络模型的第二层神经网络,在第二层神经网络中,将超边特征聚合到用户的节点,得到表征的节点特征,其中,该第二层神经网络包括以下公式:
因此,根据上述两层神经网络,得到表征的节点特征即节点的聚合后的特征,对节点的聚合后的特征,选择一些标定为黑样本的数据作为训练集,对没有标签的样本进行预测,其中,标签信息可以表示节点所代表的用户是否为非法交易账户,从而,基于有标签的样本和没有标签的样本进行半监督学习,当损失函数收敛时,得到超图预测神经网络模型。
上述损失函数包括逻辑回归损失函数,其包括以下公式
其中,m为样本数,y为实际标签,p为预测标签。
需要说明的是,本申请实施例用标定为黑样本的数据当作训练集,用没有标签的样本数据进行预测,以此进行半监督学习,若没有实时的黑样本,可以将预设策略拒绝的当作黑样本,对预设策略通过的样本进行预测,以实现准实时预测的功能,其中策略的具体内容可以根据实际情况来设置,例如,若样本数据大于某个值就通过,若小于某个值就拒绝,此处不做过多描述。
综上,本申请实施例并非基于简单的图(例如两个节点连接成边)来表达用户节点间的联系,而是根据多维介质信息构建复杂超图,并通过两层神经网络构建超图学习神经网络模型,在第一层神经网络中,将节点特征聚合到超边;在第二层神经网络中,超边特征聚合到用户节点,因此,通过超图数据的引入,充分考虑了用户间的联系,从而能够提高模型的能力,所以能够提高预测结果的准确性。
本申请实施例还提供了一种基于超图的非正常交易预测装置,图2是根据本申请实施例的一种基于超图的非正常交易预测装置的结构框图,如图2所示,该装置包括以下步骤:
构建模块1,用于根据用户在交易中使用的多维介质信息,构建节点特征矩阵,并基于节点特征矩阵构建超边矩阵和超边权重矩阵;
第一聚合模块2,用于将节点特征矩阵、超边矩阵和超边权重矩阵输入超图学习神经网络模型的第一层神经网络以使节点特征矩阵中的节点特征聚合到超边,得到超边特征;
第二聚合模块3,用于将超边特征输入超图学习神经网络模型的第二层神经网络以使超边特征聚合到用户的节点,得到表征的节点特征;
学习模块4,用于基于表征的节点特征进行半监督学习,当损失函数收敛时,得到超图预测神经网络模型;
预测模块5,用于根据超图预测神经网络模型预测用户节点间的交易是否为非正常交易。
本申请实施例的基于超图的非正常交易预测装置中,基于各个模块,可以根据多维介质信息构建复杂超图,并通过两层神经网络构建超图学习神经网络模型,在第一层神经网络中,将节点特征聚合到超边;在第二层神经网络中,超边特征聚合到用户节点,因此,通过超图数据的引入,充分考虑了用户间的联系,从而能够提高模型的能力,所以能够提高预测结果的准确性。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
另外,结合上述实施例中的基于超图的非正常交易预测方法,本申请实施例可提供一种存储介质来实现。该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任意一种基于超图的非正常交易预测方法。
本申请的一个实施例中还提供了一种电子设备,该电子设备可以是终端。该电子设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于超图的非正常交易预测方法。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该电子设备的输入装置可以是显示屏上覆盖的触摸层,也可以是电子设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
在一个实施例中,图3是根据本申请实施例的电子设备的内部结构示意图,如图3所示,提供了一种电子设备,该电子设备可以是服务器,其内部结构图可以如图3所示。该电子设备包括通过内部总线连接的处理器、网络接口、内存储器和非易失性存储器,其中,该非易失性存储器存储有操作系统、计算机程序和数据库。处理器用于提供计算和控制能力,网络接口用于与外部的终端通过网络连接通信,内存储器用于为操作系统和计算机程序的运行提供环境,计算机程序被处理器执行时以实现一种基于超图的非正常交易预测方法,数据库用于存储数据。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的电子设备的限定,具体的电子设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本领域的技术人员应该明白,以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于超图的非正常交易预测方法,其特征在于,所述方法包括以下步骤:
根据用户在交易中使用的多维介质信息,构建节点特征矩阵,并基于所述节点特征矩阵构建超边矩阵和超边权重矩阵;
将所述节点特征矩阵、所述超边矩阵和所述超边权重矩阵输入超图学习神经网络模型的第一层神经网络以使所述节点特征矩阵中的节点特征聚合到超边,得到超边特征;
将所述超边特征输入所述超图学习神经网络模型的第二层神经网络以使所述超边特征聚合到用户的节点,得到表征的节点特征;
基于所述表征的节点特征进行半监督学习,当损失函数收敛时,得到超图预测神经网络模型;
根据所述超图预测神经网络模型预测用户的交易是否为非正常交易。
4.根据权利要求1-3任一项所述的方法,其特征在于,构建超边矩阵包括:
在每个介质的维度上,若有多个用户在交易中使用的介质信息相同,则通过该相同的介质信息将所述多个用户连接以形成超边。
5.根据权利要求4所述的方法,其特征在于,构建超边权重矩阵包括:
通过预设值表示超边的权重大小。
6.根据权利要求1-3任一项所述的方法,其特征在于,构建超边矩阵包括:
在每个介质的维度上,若有多个用户在交易中使用的介质信息相似,且相似度达到预设阈值,则通过该相似的介质信息将所述多个用户连接以形成超边。
7.根据权利要求6所述的方法,其特征在于,构建超边权重矩阵包括:
通过所述相似度表示超边的权重大小。
8.一种基于超图的非正常交易预测装置,其特征在于,所述装置包括:
构建模块,用于根据用户在交易中使用的多维介质信息,构建节点特征矩阵,并基于所述节点特征矩阵构建超边矩阵和超边权重矩阵;
第一聚合模块,用于将所述节点特征矩阵、所述超边矩阵和所述超边权重矩阵输入超图学习神经网络模型的第一层神经网络以使所述节点特征矩阵中的节点特征聚合到超边,得到超边特征;
第二聚合模块,用于将所述超边特征输入所述超图学习神经网络模型的第二层神经网络以使所述超边特征聚合到用户的节点,得到表征的节点特征;
学习模块,用于基于所述表征的节点特征进行半监督学习,当损失函数收敛时,得到超图预测神经网络模型;
预测模块,用于根据所述超图预测神经网络模型预测用户的交易是否为非正常交易。
9.一种电子设备,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行权利要求1至7中任一项所述的方法。
10.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110859720.3A CN113822757A (zh) | 2021-07-28 | 2021-07-28 | 基于超图的非正常交易预测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110859720.3A CN113822757A (zh) | 2021-07-28 | 2021-07-28 | 基于超图的非正常交易预测方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113822757A true CN113822757A (zh) | 2021-12-21 |
Family
ID=78924195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110859720.3A Pending CN113822757A (zh) | 2021-07-28 | 2021-07-28 | 基于超图的非正常交易预测方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113822757A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116029734A (zh) * | 2023-03-23 | 2023-04-28 | 华侨大学 | 一种银行交易欺诈行为检测方法、系统及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492691A (zh) * | 2018-11-07 | 2019-03-19 | 南京信息工程大学 | 一种超图卷积网络模型及其半监督分类方法 |
CN109766935A (zh) * | 2018-12-27 | 2019-05-17 | 中国石油大学(华东) | 一种基于超图p-Laplacian图卷积神经网络的半监督分类方法 |
CN112417219A (zh) * | 2020-11-16 | 2021-02-26 | 吉林大学 | 基于超图卷积的超边链接预测方法 |
CN112951386A (zh) * | 2021-01-09 | 2021-06-11 | 深圳先进技术研究院 | 影像驱动的脑图谱构建方法、装置、设备及存储介质 |
-
2021
- 2021-07-28 CN CN202110859720.3A patent/CN113822757A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492691A (zh) * | 2018-11-07 | 2019-03-19 | 南京信息工程大学 | 一种超图卷积网络模型及其半监督分类方法 |
CN109766935A (zh) * | 2018-12-27 | 2019-05-17 | 中国石油大学(华东) | 一种基于超图p-Laplacian图卷积神经网络的半监督分类方法 |
CN112417219A (zh) * | 2020-11-16 | 2021-02-26 | 吉林大学 | 基于超图卷积的超边链接预测方法 |
CN112951386A (zh) * | 2021-01-09 | 2021-06-11 | 深圳先进技术研究院 | 影像驱动的脑图谱构建方法、装置、设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116029734A (zh) * | 2023-03-23 | 2023-04-28 | 华侨大学 | 一种银行交易欺诈行为检测方法、系统及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11385942B2 (en) | Systems and methods for censoring text inline | |
Zhang et al. | Enhanced community structure detection in complex networks with partial background information | |
CN104598601B (zh) | 一种对用户和内容进行分类的方法、装置及计算设备 | |
CN110888911A (zh) | 样本数据处理方法、装置、计算机设备及存储介质 | |
CN112052891A (zh) | 机器行为识别方法、装置、设备及计算机可读存储介质 | |
CN112784168A (zh) | 信息推送模型训练方法以及装置、信息推送方法以及装置 | |
CN113822757A (zh) | 基于超图的非正常交易预测方法、装置、设备和存储介质 | |
CN112035614A (zh) | 测试集生成方法、装置、计算机设备和存储介质 | |
CN112561644B (zh) | 基于链接预测的商品推荐方法、装置及相关设备 | |
CN113362139A (zh) | 基于双塔结构模型的数据处理方法和装置 | |
CN113158047A (zh) | 推荐模型训练、信息推送方法、装置、设备及介质 | |
CN112732880A (zh) | 用户画像生成方法、装置、计算机设备及存储介质 | |
CN112163929A (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
CN117034273A (zh) | 基于图卷积网络的安卓恶意软件检测方法及系统 | |
CN113177142A (zh) | 一种扩展图数据库存储结构方法、系统、设备和储存介质 | |
CN113627950A (zh) | 基于动态图的用户交易特征提取的方法和系统 | |
CN112347318A (zh) | 划分企业所属行业类别的方法、设备及介质 | |
Wu et al. | A label propagation algorithm for community detection on high‐mixed networks | |
CN111259952B (zh) | 异常用户识别方法、装置、计算机设备及存储介质 | |
CN113569293B (zh) | 一种相似用户的获取方法、系统、电子设备及介质 | |
CN109359462A (zh) | 虚假设备识别方法、设备、存储介质及装置 | |
CN108734590A (zh) | 保单的分配方法及终端设备 | |
CN113806237B (zh) | 一种基于词典的语言理解模型的测评方法和系统 | |
CN114826726B (zh) | 网络资产脆弱性检测方法、装置、计算机设备和存储介质 | |
Hong Lin et al. | Towards publishing directed social network data with k‐degree anonymization |
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 |