CN113935738B - 交易数据处理方法、装置、存储介质及设备 - Google Patents

交易数据处理方法、装置、存储介质及设备 Download PDF

Info

Publication number
CN113935738B
CN113935738B CN202010604513.9A CN202010604513A CN113935738B CN 113935738 B CN113935738 B CN 113935738B CN 202010604513 A CN202010604513 A CN 202010604513A CN 113935738 B CN113935738 B CN 113935738B
Authority
CN
China
Prior art keywords
user
transaction
transfer
attribute
matrix
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
CN202010604513.9A
Other languages
English (en)
Other versions
CN113935738A (zh
Inventor
陈昊
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen 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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202010604513.9A priority Critical patent/CN113935738B/zh
Publication of CN113935738A publication Critical patent/CN113935738A/zh
Application granted granted Critical
Publication of CN113935738B publication Critical patent/CN113935738B/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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
    • G06Q20/401—Transaction verification
    • G06Q20/4014—Identity check for transactions

Abstract

本申请实施例公开了一种交易数据处理方法、装置、存储介质以及设备，属于人工智能‑机器学习相关的技术领域。其中，该方法包括：获取至少两个用户中用户Pi的用户属性特征和交易行为特征；根据交易行为特征所指向的历史交易用户，将历史交易用户的用户属性特征向用户Pi的用户属性特征进行特征传递，得到用户Pi的传递属性特征；根据用户Pi的传递属性特征以及交易行为特征，生成用户Pi的交易传递特征；获取第一用户的交易传递特征，以及第二用户的交易传递特征；对第一用户的交易传递特征和第二用户的交易传递特征进行识别，得到第一用户与第二用户之间的交易风险属性。采用本申请实施例，可以提高交易风险识别的准确度。

Description

交易数据处理方法、装置、存储介质及设备
技术领域
本申请涉及人工智能-机器学习相关的技术领域，具体涉及机器学习处理技术领域，尤其涉及一种交易数据处理方法、装置、存储介质及设备。
背景技术
随着移动支付和电子商务的发展，为用户提供的日常服务已从线下转移到线上，例如，用户可通过网络软件进行购物、打车、订餐等，并在完成相应的服务之前或之后在网络软件上完成支付。然而，存在非法用户盗用其他用户的网络账号，来盗刷网络账号中的电子资源的情况，或者存在非法用户利用欺骗的行为诱导用户进行转账的情况，给用户的上线交易带来风险，使得用户的利益受损。现有技术中，主要通过建立黑名单的方式来进行交易风险识别，即判断交易双方的网络账号是否属于黑名单，黑名单中包括被标记为异常的账户，如果其中一方或交易双方的网络账号属于黑名单中，则确定交易存在风险。但是，如果黑名单未被及时更新的情况，会导致交易风险识别的准确度比较低。
发明内容
本申请实施例所要解决的技术问题在于，提供一种交易数据处理方法、装置、存储介质及设备，能够提高交易风险识别的准确度。
本申请实施例一方面提供一种交易数据处理方法，包括：
获取至少两个用户中用户Pi的用户属性特征和交易行为特征；i为小于或等于N的正整数，N为上述至少两个用户中的用户数量；
根据上述交易行为特征所指向的历史交易用户，将上述历史交易用户的用户属性特征向上述用户Pi的用户属性特征进行特征传递，得到上述用户Pi的传递属性特征；
根据上述用户Pi的传递属性特征以及上述交易行为特征，生成上述用户Pi的交易传递特征；
获取第一用户的交易传递特征，以及第二用户的交易传递特征；上述第一用户和上述第二用户分别属于不同的用户Pi；
对上述第一用户的交易传递特征和上述第二用户的交易传递特征进行识别，得到上述第一用户与上述第二用户之间的交易风险属性。
本申请实施例一方面提供一种交易数据处理装置，包括：
第一获取模块，用于获取至少两个用户中用户Pi的用户属性特征和交易行为特征；i为小于或等于N的正整数，N为上述至少两个用户中的用户数量；
特征传递模块，用于根据上述交易行为特征所指向的历史交易用户，将上述历史交易用户的用户属性特征向上述用户Pi的用户属性特征进行特征传递，得到上述用户Pi的传递属性特征；
交易生成模块，用于根据上述用户Pi的传递属性特征以及上述交易行为特征，生成上述用户Pi的交易传递特征；
第二获取模块，用于获取第一用户的交易传递特征，以及第二用户的交易传递特征；上述第一用户和上述第二用户分别属于不同的用户Pi；
风险识别模块，用于对上述第一用户的交易传递特征和上述第二用户的交易传递特征进行识别，得到上述第一用户与上述第二用户之间的交易风险属性。
可选的，上述特征传递模块，具体用于：获取图神经网络；上述图神经网络包括至少两个用户分别对应的节点，上述图神经网络中的节点之间的边用于指示用户之间具有交易关系；根据上述交易行为特征从上述图神经网络中确定上述用户Pi所对应的节点；根据与上述用户Pi所对应的节点相连接的边，确定上述交易行为特征所指向的历史交易用户所对应的节点；在上述图神经网络中，从上述历史交易用户所对应的节点传递上述历史交易用户的用户属性特征至上述用户Pi对应的节点，得到传递特征；对上述用户Pi的用户属性特征以及上述传递特征进行拼接，得到上述用户Pi的传递属性特征。
可选的，上述交易行为特征包括上述用户Pi与上述历史交易用户之间的交易数值以及交易次数；
上述特征传递模块，具体用于：根据上述交易数值以及上述交易次数，确定特征传递权重；采用上述特征传递权重对上述历史交易用户的用户属性特征进行调整，得到调整后的用户属性特征；在上述图神经网络中，从上述历史交易用户所对应的节点传递上述调整后的用户属性特征至上述用户Pi对应的节点，得到上述传递特征。
可选的，上述交易生成模块，具体用于：根据上述用户Pi的传递属性特征生成传递属性矩阵，根据上述交易行为特征生成交易行为特征矩阵；获取上述传递属性矩阵与上述交易行为特征矩阵之间的乘积，得到交易传递矩阵；根据上述交易传递矩阵生成上述用户Pi的交易传递特征。
可选的，上述风险识别模块，具体用于：获取目标交易风险识别模型；采用上述目标交易风险识别模型对上述第一用户的交易传递特征和上述第二用户的交易传递特征进行识别，得到上述第一用户与上述第二用户之间的交易风险属性。
可选的，上述风险识别模块，具体用于：在上述目标交易风险识别模型中，获取上述第一用户的交易传递特征和上述第二用户的交易传递特征之间的相似度；根据上述相似度确定上述第一用户与上述第二用户之间的交易风险属性。
可选的，上述风险识别模块，具体用于：根据上述第一用户的交易传递特征生成第一交易传递矩阵；根据上述第二用户的交易传递特征生成第二交易传递矩阵；在上述目标交易风险识别模型中，获取上述第一交易传递矩阵与上述第二交易传递矩阵之间的差值，得到第一距离矩阵；获取上述第一交易传递矩阵与上述第二交易传递矩阵之间的按位乘积，得到第二距离矩阵；对上述第一距离矩阵与上述第二距离矩阵进行拼接，得到拼接后的距离矩阵；根据上述拼接后的距离矩阵，确定上述第一用户的交易传递特征和上述第二用户的交易传递特征之间的相似度。
可选的，上述装置还可以包括：
模型训练模块，用于：获取交易风险识别模型；获取第一样本用户的交易传递特征，第二样本用户的交易传递特征，以及上述第一样本用户与上述第二样本用户之间的标注交易风险属性；采用上述交易风险识别模型，对上述第一样本用户的交易传递特征和上述第二样本用户的交易传递特征进行识别，得到上述第一样本用户与上述第二样本用户之间的预测交易风险属性；根据上述预测交易风险属性和上述标注交易风险属性，对上述交易风险识别模型进行调整；将调整后的交易风险识别模型确定为上述目标交易风险识别模型。
可选的，上述模型训练模块，具体用于：根据上述预测交易风险属性和上述标注交易风险属性，确定上述交易风险识别模型的识别损失值；若上述识别损失值不满足收敛条件，则根据上述识别损失值对上述交易风险识别模型进行调整，得到调整后的交易风险识别模型。
可选的，上述第一获取模块，具体用于：获取上述用户Pi的候选交易行为特征；获取单位矩阵以及标准化矩阵；采用上述单位矩阵以及上述标准化矩阵，对上述用户Pi的候选交易行为特征进行标准化处理，得到上述用户Pi的交易行为特征。
可选的，上述第一获取模块，具体用于：获取上述标准矩阵对应的对角化矩阵，上述对角化矩阵是对上述标准矩阵进行对角化处理得到的；根据上述用户Pi的候选交易行为特征生成候选交易行为矩阵；获取上述候选交易行为矩阵与上述单位矩阵之间的和，得到第一矩阵；获取上述对角化矩阵与上述第一矩阵之间的乘积，得到第二矩阵；获取上述第二矩阵与上述对角化矩阵之间的乘积，得到标准化后的候选交易行为矩阵；根据上述标准化后的候选交易行为矩阵，生成上述用户Pi的交易行为特征。
可选的，上述交易风险属性包括交易风险等级；
上述装置还可以包括：风险提示模块，用于：获取上述第一用户与上述第二用户的交易请求；若上述交易风险等级大于等级阈值，则暂停执行上述交易请求；输出提示信息，上述提示信息用于提示上述第一用户与上述第二用户之间的交易存在风险。
本申请一方面提供了一种计算机设备，包括：处理器、存储器、网络接口；
上述处理器与存储器、网络接口相连，其中，网络接口用于提供数据通信功能，上述存储器用于存储计算机程序，上述处理器用于调用上述计算机程序，以执行如下步骤：获取至少两个用户中用户Pi的用户属性特征和交易行为特征；i为小于或等于N的正整数，N为上述至少两个用户中的用户数量；
根据上述交易行为特征所指向的历史交易用户，将上述历史交易用户的用户属性特征向上述用户Pi的用户属性特征进行特征传递，得到上述用户Pi的传递属性特征；
根据上述用户Pi的传递属性特征以及上述交易行为特征，生成上述用户Pi的交易传递特征；
获取第一用户的交易传递特征，以及第二用户的交易传递特征；上述第一用户和上述第二用户分别属于不同的用户Pi；
对上述第一用户的交易传递特征和上述第二用户的交易传递特征进行识别，得到上述第一用户与上述第二用户之间的交易风险属性。
本申请实施例一方面提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序包括程序指令，该程序指令当被处理器执行时使该处理器执行如下步骤：
获取至少两个用户中用户Pi的用户属性特征和交易行为特征；i为小于或等于N的正整数，N为上述至少两个用户中的用户数量；
根据上述交易行为特征所指向的历史交易用户，将上述历史交易用户的用户属性特征向上述用户Pi的用户属性特征进行特征传递，得到上述用户Pi的传递属性特征；
根据上述用户Pi的传递属性特征以及上述交易行为特征，生成上述用户Pi的交易传递特征；
获取第一用户的交易传递特征，以及第二用户的交易传递特征；上述第一用户和上述第二用户分别属于不同的用户Pi；
对上述第一用户的交易传递特征和上述第二用户的交易传递特征进行识别，得到上述第一用户与上述第二用户之间的交易风险属性。
本申请实施例中，由于两个具有交易关联关系的用户之间的用户属性特征具有相似性，因此，通过根据第一用户的交易行为特征所指向的历史交易用户，将历史交易用户的用户属性特征向第一用户的用户属性特征进行特征传递，得到第一用户的传递属性特征。即第一用户的传递属性特征中包括历史交易用户的用户属性特征以及第一用户的用户属性特征，第一用户的传递属性特征更能够准确且全面地反映第一用户的用户属性特征，提高获取第一用户的用户属性特征的准确度。同理，通过根据第二用户的交易行为特征所指向的历史交易用户，将历史交易用户的用户属性特征向第二用户的用户属性特征进行特征传递，得到第二用户的传递属性特征。即第二用户的传递属性特征中包括历史交易用户的用户属性特征以及第二用户的用户属性特征，第二用户的传递属性特征更能够准确且全面地反映第二用户的用户属性特征，提高获取第二用户的用户属性特征的准确度。然后，通过根据第一用户的传递属性特征和第一用户的交易行为特征生成第一用户的交易传递特征，根据第二用户的传递属性特征和第二用户的交易行为特征生成第二用户的交易传递特征，对第一用户的交易传递特性和第二用户的交易传递特征进行识别，得到第一用户与第二用户之间的交易风险属性。即通过对用户的用户属性特征以及交易行为特征进行分析，来识别用户之间的交易风险，可提高交易风险识别的准确度，从而减少用户损失。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请提供的一种交易数据处理系统的架构示意图；
图2是本申请实施例提供的一种交易数据处理系统中各个设备的交互过程的场景示意图；
图3是本申请实施例提供的一种交易数据处理方法的流程示意图；
图4是本申请实施例提供的一种图神经网络的示意图；
图5是本申请实施例提供的一种交易风险识别模型的示意图；
图6是本申请实施例提供的一种交易数据处理装置的结构示意图；
图7是本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动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。
人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础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、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。其中，机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
本申请主要利用人工智能中的机器学习技术将历史交易用户的用户属性特征传递至用户的用户属性特征，得到用户的传递属性特征，对用户的传递属性特征以及交易行为特征进行分析，识别用户之间的交易风险，可提高交易风险识别的准确度。通过根据第一用户的交易行为特征所指向的历史交易用户，将历史交易用户的用户属性特征向第一用户的用户属性特征进行特征传递，得到第一用户的传递属性特征。即第一用户的传递属性特征中包括历史交易用户的用户属性特征以及第一用户的用户属性特征，第一用户的传递属性特征更能够准确且全面地反映第一用户的用户属性特征，提高获取第一用户的用户属性特征的准确度。同理，通过根据第二用户的交易行为特征所指向的历史交易用户，将历史交易用户的用户属性特征向第二用户的用户属性特征进行特征传递，得到第二用户的传递属性特征。即第二用户的传递属性特征中包括历史交易用户的用户属性特征以及第二用户的用户属性特征，第二用户的传递属性特征更能够准确且全面地反映第二用户的用户属性特征，提高获取第二用户的用户属性特征的准确度。然后，通过根据第一用户的传递属性特征和第一用户的交易行为特征生成第一用户的交易传递特征，根据第二用户的传递属性特征和第二用户的交易行为特征生成第二用户的交易传递特征，对第一用户的交易传递特性和第二用户的交易传递特征进行识别，得到第一用户与第二用户之间的交易风险属性。即通过对用户的用户属性特征以及交易行为特征进行分析，来识别用户之间的交易风险，可提高交易风险识别的准确度，从而减少用户损失。
首先介绍用于实现本申请的交易数据处理方法的交易数据处理系统，如图1所示，图1是本申请提供的一种交易数据处理系统的架构示意图，该交易数据处理系统中包括服务器10、第一终端11以及第二终端12。
其中，第一终端11、第二终12可以是指用户用于进行交易的终端，第一终端11所对应的终端用户可称为第一用户，第二终端12所对应的终端用户可称为第二用户。具体的，在一个实施例中，第一终端11可以是指第一用户用于发起交易请求的终端，第二终端12可以是指第二用户用于执行交易请求的终端，例如，在转账场景下，第一终端可以是指发送电子资源转移请求的终端，第二终端可以是指执行电子资源转移的终端。可选的，第一终端11可以是指第一用户用于执行交易请求终端，第二终端12可以是指第二用户用于发起交易请求的终端。服务器10可以是指处理交易数据的后端服务设备，具体可以用于执行转账交易以及交易风险识别。需要说明的是，交易风险识别还可以由第一终端或第二终端来执行，第一终端和第二终端进行交易风险识别的方式可以参考服务器进行交易风险识别的方式，下面以服务器进行交易风险识别为例进行说明。
其中，服务器10可以是独立的一个物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。第一终端和第二终端均可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。各个终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。
在实际应用中，上述交易数据处理系统可用于网上支付、转账等场景中，下面以转账场景为例进行说明，假设小王向小李转账时，小王对应的终端可以称为为第一终端，小李对应的终端可以称为第二终端。小王可以通过第一终端中的电子资源转移应用发起电子资源转移请求，该电子资源转移请求用于指示服务器从小王的网络账户中转移目标数值的电子资源至小王的网络账户，即该电子资源转移请求包括小王的网络账户、小李的网络账户以及目标数值等等。电子资源是指：存在于网络账户中、依托于电子商务且能在互联网上进行流通的资源，也可以是指链上交易用于购买数字资产的资金，其可至少包括法币、电子货币、数字货币、虚拟货币(如游戏币)等；所谓法币是指一种以法律形式赋予其强制流通使用的货币，如人民币、美元等；所谓电子货币是指以电子形式存储在用户所持有的电子钱包中的货币。此处的网络账户地址可包括但不限于：电子银行卡、网银、互联网支付账户等等。电子资源转移应用可以是指支付应用、社交应用、购物应用、内容分享应用(如论坛、贴吧、音视频分享应用等等)。如图2所示，以电子资源转移应用为社交应用为例进行说明，第一终端可以将电子资源转移请求发送至服务器，服务器接收到该电子资源转移请求后，可以获取小王的交易行为特征以及用户属性特征，小王的交易行为特征用于指示与小王进行交易的历史交易用户、与历史交易用户的交易的次数、交易的数值等等。即历史交易用户为与小王具有交易关系的用户，小王与其对应的历史交易用户之间的用户属性特征之间具有相似性，因此，可以将其对应的历史交易用户的用户属性特征转移至小王的用户属性特征，得到小王的转移属性特征；根据小王的转移属性特征以及交易属性特征，生成小王的交易转移特征。同理，可以获取小李的交易行为特征以及用户属性特征，小李的交易行为特征用于指示与小李进行交易的历史交易用户、与历史交易用户的交易的次数、交易的数值等等。即历史交易用户为与小李具有交易关系的用户，小李与其对应的历史交易用户之间的用户属性特征之间具有相似性，因此，可以将其对应的历史交易用户的用户属性特征转移至小李的用户属性特征，得到小李的转移属性特征；根据小李的转移属性特征以及交易属性特征，生成小李的交易转移特征。然后，对小王的交易转移特征和小李的交易转移特征进行识别，得到小王与小李之间的交易风险属性。该交易风险属性用于指示小王与小李之间的电子资源转移操作是否存在风险，或者，该交易风险属性用于指示小王与小李之间的电子资源转移操作的交易风险等级，交易风险等级为低风险、高风险等。如果小王与小李之间的电子资源转移操作的风险等级为高级，或者，如果小王与小李之间的电子资源转移操作存在风险，则可以拒绝将目标数值的电子资源转移至小李。如果小王与小李之间的电子资源转移操作的风险等级为低级，或者，如果小王与小李之间的电子资源转移操作不存在风险，则可以从小王的网络账户中转移目标数值的电子资源转移至小李的网络账户。
通过将用户对应的历史交易用户的用户属性特征传递至用户的用户属性特征，得到用户的传递属性特征，用户的传递属性特征更能够准确且全面地反映用户的用户属性特征，提高获取用户的用户属性特征的准确度。然后通过对用户的传递属性特征以及交易行为特征进行分析，来识别用户之间的交易风险，可提高交易风险识别的准确度，从而减少用户损失。
基于上述的描述，请参见图3，图3是本申请实施例提供的一种交易数据处理方法的流程示意图。该方法可由计算机设备来执行，该计算机设备可以是指图1中的服务设备10，该计算机设备也可以是图1中的第一终端11或者第二终端12，即该方法可由服务器执行，也可以由各个终端设备来执行。如图3所示，该交易数据处理方法可以包括如下步骤S101～S104。
S101、获取至少两个用户中用户Pi的用户属性特征和交易行为特征。
这里，i为小于或等于N的正整数，N为至少两个用户中的用户数量，用户Pi可以为至少两个用户中的任意一个用户。计算机设备可以从应用程序(例如社交应用、支付应用、购物应用等)上获取用户的用户属性特征和交易行为特征；用户的用户属性特征可以包括用户金融特征、用户行为特征以及用户头像特征。其中，用户金融特征可以包括用户在该应用程序中的网络账号的特征，例如可以包括网络账号中的账户余额、账户名称、账户的历史转账记录、账号建立时间、账号状态变更信息、该应用程序中与该账号具有关联关系的账号的特征，等等。用户行为特征可以包括从社交网络中获取到的用户特征，例如包括用户在应用程序上设置的兴趣爱好、社交关系等，用户的兴趣爱好、社交关系可以根据用户在应用程序上注册时所填写的用户信息以及根据用户在应用程序上所添加的好友、所在好友群组确定得到，或者可以根据用户的历史浏览记录中用户浏览该应用程序中的各个页面的时长、各个页面中的页面内容等得到。用户头像特征包括用户在该应用程序中使用的头像特征，也可以包括与该应用程序关联的支付应用中用户使用的头像特征。
可选的，用户属性特征还可以包括该应用程序中的账号关联的支付应用中的账号所对应的用户的金融特征、用户行为特征以及用户头像特征。用户的交易行为特征可以包括该用户的历史交易用户、每个历史交易用户对应的历史交易金额、每个历史交易用户对应的历史交易次数、每个历史交易用户对应的历史交易时间以及每笔交易是否具有合法性等等。
S102、根据交易行为特征所指向的历史交易用户，将历史交易用户的用户属性特征向用户Pi的用户属性特征进行特征传递，得到用户Pi的传递属性特征。
这里，交易行为特征所指向的历史交易用户即与用户Pi进行了历史交易的用户。例如，历史交易用户可以包括用户Pi在该应用程序中建立网络账号后所有与用户Pi进行过交易的用户，例如用户Pi在该应用程序中建立账号后与10个用户进行了交易，该10个用户均为用户Pi的交易行为特征所指向的历史交易用户，则分别获取该10个历史交易用户的用户属性特征，将该10个历史交易用户的用户属性特征向用户Pi的用户属性特征进行特征传递，得到用户Pi的传递属性特征。
可知，用户Pi的传递属性特征包括用户Pi的用户属性特征和每个历史交易用，户的用户属性特征。历史交易用户的用户属性特征包括历史交易用户在该应用程序中的账号的建立时间、历史交易用户在该应用程序中的用户头像、历史交易用户的爱好、历史交易用户的社交关系等信息。
S103、根据用户Pi的传递属性特征以及交易行为特征，生成用户Pi的交易传递特征。
计算机设备可以根据用户Pi的传递属性特征以及交易行为特征，生成用户Pi的交易传递特征，即对用户Pi的传递属性特征以及交易行为特征进行融合处理或拼接处理，得到用户Pi的交易传递特征，以便根据交易传递特征准确地识别出用户之间的交易风险。这里，用户Pi的传递属性特征包括用户Pi的用户属性特征和历史交易用户的用户属性特征，因此，用户Pi的交易传递特征包括用户Pi的用户属性特征、历史交易用户的用户属性特征和用户Pi的交易行为特征。
S104、获取第一用户的交易传递特征，以及第二用户的交易传递特征。
这里，第一用户和第二用户分别属于不同的用户Pi，如第一用户为用户P1，第二用户为用户P2，即第一用户和第二用户属于至少两个用户中的任意两个不同用户。当第一用户与第二用户之间进行交易时，计算机设备可以从至少两个用户中的每个用户的交易传递特征中获取第一用户的交易传递特征和第二用户的交易传递特征。
S105、对第一用户的交易传递特征和第二用户的交易传递特征进行识别，得到第一用户与第二用户之间的交易风险属性。
这里，交易风险属性可以用于指示第一用户与第二用户之间是否存在交易风险，或者，交易风险属性可以用于指示第一用户与第二用户之间的交易风险程度。例如，交易风险程度可以分为多个交易风险等级，例如无风险、低风险、中风险、高风险，等等。
通常从其他用户(即合法用户)中的网络账号中盗刷电子资源的非法用户，与其他用户之间的社交关系比较弱，且与其他用户之间的交易次数均比较少，即非法用户与其他用户的用户属性特征、交易行为特征之间的差异性均比较大。相反，两个合法用户之间的用户属性特征、交易行为特征之间具有较高的相似度。因此，计算设备可以通过对第一用户的交易传递特征和第二用户的交易传递特征进行识别，得到第一用户与第二用户之间的交易风险属性，即获取第一用户的交易传递特征与第二用户的交易传递特征之间的相似度，若相似度大于相似度阈值，表明第一用户与第二用户之间的用户属性特征、交易行为特征具有相似性，则确定第一用户与第二用户的交易不存在风险，或者，第一用户与第二用户之间的交易风险比较低。若相似度小于或等于相似度阈值，表明第一用户与第二用户之间的用户属性特征、交易行为特征的差异性均比较大，则确定第一用户与第二用户的交易存在风险，或者，第一用户与第二用户之间的交易风险比较高。
本申请实施例中，由于两个具有交易关联关系的用户之间的用户属性特征具有相似性，因此，通过根据第一用户的交易行为特征所指向的历史交易用户，将历史交易用户的用户属性特征向第一用户的用户属性特征进行特征传递，得到第一用户的传递属性特征。即第一用户的传递属性特征中包括历史交易用户的用户属性特征以及第一用户的用户属性特征，第一用户的传递属性特征更能够准确且全面地反映第一用户的用户属性特征，提高获取第一用户的用户属性特征的准确度。同理，通过根据第二用户的交易行为特征所指向的历史交易用户，将历史交易用户的用户属性特征向第二用户的用户属性特征进行特征传递，得到第二用户的传递属性特征。即第二用户的传递属性特征中包括历史交易用户的用户属性特征以及第二用户的用户属性特征，第二用户的传递属性特征更能够准确且全面地反映第二用户的用户属性特征，提高获取第二用户的用户属性特征的准确度。然后，通过根据第一用户的传递属性特征和第一用户的交易行为特征生成第一用户的交易传递特征，根据第二用户的传递属性特征和第二用户的交易行为特征生成第二用户的交易传递特征，对第一用户的交易传递特性和第二用户的交易传递特征进行识别，得到第一用户与第二用户之间的交易风险属性。即通过对用户的用户属性特征以及交易行为特征进行分析，来识别用户之间的交易风险，可提高交易风险识别的准确度，从而减少用户损失。
在一个实施例中，上述步骤S102中包括如下步骤s11～s15。
s11、获取图神经网络，图神经网络包括至少两个用户分别对应的节点，图神经网络中的节点之间的边用于指示用户之间具有交易关系。
在一种可能的实现方式中，图神经网络可以如图4所示，图4是本申请实施例提供的一种图神经网络的示意图，其中，一个节点对应一个用户，两个节点之间的边表示两个节点对应的用户之间具有交易关系，此处交易关系可以是指用户之间在历史时间段内(如近一周、近一个月等)发生过交易(如转账)，两个节点与同一个节点相连接表示该两个节点对应的用户与同一个用户具有交易关系。如4中的节点与用户之间的映射关系如表1所示，即节点1对应用户P1，节点2对应用户P2，节点3对应用户P3，节点4对应用户P4。如图4中节点1与节点2、节点3以及节点4均存在边，表明用户P1与用户P2、用户P3以及用户P4之间均存在交易关系；节点2与节点4之间存在边，表明用户P2与用户P4之间均存在交易关系。
节点 用户
1 用户P1
2 用户P2
3 用户P3
4 用户P4
…… ……
表1节点与用户的映射关系表(示例)
s12、根据交易行为特征从图神经网络中确定用户Pi所对应的节点。
这里，根据用户Pi的交易行为特征可以确定用户Pi与哪些用户进行了交易，即可以确定用户Pi的交易历史用户，以及用户Pi的交易历史用户的数量，则可以通过查询图神经网络中各个节点对应的边的数量，从而确定出用户Pi所对应的节点。例如，假设用户P1对应的历史交易用户的数量为3，则用户P1对应的节点与三条边所连接，因此，如图4中，可以将节点1确定为用户P1对应的节点。或者，计算机设备可以根据上述节点与用户之间的映射关系，确定用户Pi所对应的节点。
s13、根据与用户Pi所对应的节点相连接的边，确定交易行为特征所指向的历史交易用户所对应的节点。
由于上述步骤确定出图神经网络中用户Pi所对应的节点，则可以通过确定与Pi所对应的节点相连接的边，确定交易行为特征所指向的历史交易用户所对应的节点，即图神经网络中与用户Pi所对应的节点相连接的节点均为历史交易用户对应的节点。如图4中，与用户P1对应的节点1相连接的节点为节点2、节点3以及节点4，将节点为节点2、节点3以及节点4确定为历史交易用户所对应的节点。
s14、在图神经网络中，从历史交易用户所对应的节点传递历史交易用户的用户属性特征至用户Pi对应的节点，得到传递特征。
在确定出历史交易用户所对应的节点后，在图神经网络中，可以从该节点传递历史交易用户的用户属性特征至用户Pi对应的节点，得到传递特征。可知，若历史交易用户的数量为一个，则从该历史交易用户所对应的节点传递该历史交易用户的用户属性特征至用户Pi对应的节点，得到传递特征，该传递特征包括该历史交易用户的用户属性特征。若历史交易用户的数量为多个，则从多个历史交易用户中每个历史交易用户对应的节点传递该历史交易用户的用户属性特征至用户Pi对应的节点，得到传递特征，该传递特征包括该多个历史交易用户中每个历史交易用户的用户属性特征。例如，历史交易用户的数量为3个，则得到的传递特征包括3个历史交易用户的用户属性特征。
在一种可能的实现方式中，交易行为特征包括用户Pi与历史交易用户之间的交易数值，则可以根据历史交易用户与用户Pi之间的交易数值，从历史交易用户所对应的节点传递历史交易用户的用户属性特征至用户Pi对应的节点，得到传递特征。或者，交易行为特征包括用户Pi与历史交易用户之间的交易次数，则可以根据历史交易用户与用户Pi之间的交易次数，从历史交易用户所对应的节点传递历史交易用户的用户属性特征至用户Pi对应的节点，得到传递特征。或者，交易行为特征包括用户Pi与历史交易用户之间的交易数值和交易次数，则可以根据历史交易用户与用户Pi之间的交易数值和交易次数，从历史交易用户所对应的节点传递历史交易用户的用户属性特征至用户Pi对应的节点，得到传递特征。
例如，图4所示，从节点3将用户P3的用户属性特征传递到用户P1对应的节点1，得到第一传递特征；从节点4将用户P4的用户属性特征传递到用户P1对应的节点1，得到第二传递特征，从节点2将用户P2的用户属性特征传递到用户P1对应的节点1，得到第三传递特征，对第一传递特征、第二传递特征、第三传递特征进行拼接，得到用户P1的传递特征。同理，从节点1将用户P1的用户属性特征传递至用户P3对应的节点3，得到用户P3的传递特征；从节点1将用户P1的用户属性特征传递至用户P2对应的节点2，得到第四传递特征，从节点4将用户P4的用户属性特征传递到用户P2对应的节点2，得到第五传递特征，将第四传递特征与第五传递特征进行拼接，得到用户P2的传递特征；从节点2将用户P2的用户属性特征传递到用户P4对应的节点4，得到第六传递特征，从节点1将用户P1的用户属性特征传递至用户P4对应的节点4，第七传递特征，对第六传递特征与第七传递特征进行拼接，得到用户P4的传递特征。
表2用户与传递特征之间的关系
如表2所示，用户1的传递特征包括用户P2的用户属性特征、用户P3的用户属性特征以及用户P4的用户属性特征，用户2的传递特征包括用户P1的用户属性特征以及用户P4的用户属性特征，用户3的传递特征包括用户P1的用户属性特征，用户4的传递特征包括用户P2的用户属性特征以及用户P4的用户属性特征。
s15、对用户Pi的用户属性特征以及传递特征进行拼接，得到用户Pi的传递属性特征。
这里，通过将用户Pi的用户属性特征与历史交易用户的用户属性特征进行拼接，得到用户Pi的传递属性特征，即对用户Pi的用户属性特征与历史交易用户的用户属性特征进行合并，得到用户Pi的传递属性特征；用户Pi的传递属性特征包括用户Pi的用户属性特征与历史交易用户的用户属性特征。
在此实施例中，交易行为特征可以包括用户Pi与历史交易用户之间的交易数值和交易次数。
上述步骤s14包括如下步骤s21～s23。
s21、根据用户Pi与历史交易用户之间的交易数值和交易次数，确定特征传递权重。
s22、采用特征传递权重对历史交易用户的用户属性特征进行调整，得到调整后的用户属性特征。
s23、在图神经网络中，从历史交易用户所对应的节点传递调整后的用户属性特征至用户Pi对应的节点，得到传递特征。
在步骤s21～s23中，交易行为特征可以包括用户Pi与历史交易用户之间的交易数值和交易次数，即交易行为特征可以包括用户Pi与历史交易用户之间在历史时间段内(如近一周、近一个月)的交易总额和交易总次数。计算机设备可以根据用户Pi与历史交易用户之间的交易数值和交易次数，确定特征传递权重，如根据交易数值和交易次数分别获取权重，对交易数值对应的权重与交易次数对应的权重进行求和，得到特征传递权重。即用户Pi与历史交易用户之间的交易次数越多且交易数值越大，则该特征传递权重越大；用户Pi与历史交易用户之间的交易次数越少且交易数值越小，则特征传递权重越小。如果特征传递权重越小，表明用户Pi的用户属性特征与历史交易用户的用户属性特征之间的相似度越小；特征传递权重越大，表明用户Pi的用户属性特征与历史交易用户的用户属性特征之间的相似度越小。因此，可采用特征传递权重对历史交易用户的用户属性特征进行调整，得到调整后的用户属性特征，在图神经网络中，从历史交易用户所对应的节点传递调整后的用户属性特征至用户Pi对应的节点，得到传递特征。即特征传递权重越大，则从历史交易用户的用户属性特征中所转移的用户属性特征对应的信息量越多；即特征传递权重越小，则从历史交易用户的用户属性特征中所转移的用户属性特征对应的信息量越是少，这样有利于提高用户的用户属性特征的准确度。
可选的，交易行为特征可以包括用户Pi与历史交易用户之间的交易数值，可根据用户Pi与历史交易用户之间的交易数值，确定特征传递权重；即用户Pi与历史交易用户之间的交易数值越大，则的特征传递权重越大；用户Pi与历史交易用户之间的交易数值越小，则特征传递权重越小。
可选的，交易行为特征可以包括用户Pi与历史交易用户之间的交易次数，可根据用户Pi与历史交易用户之间的交易次数，确定特征传递权重；即用户Pi与历史交易用户之间的交易次数越大，则特征传递权重越大；用户Pi与历史交易用户之间的交易次数越小，则特征传递权重越小。
在一种可能的实现方式中，交易行为特征还可以包括用户Pi与历史交易用户之间的交易时间、用户Pi与历史交易用户之间的交易有效次数，等等，因此可以根据交易时间以及交易有效次数，确定特征传递权重。例如，用户Pi与历史交易用户之间的交易的时间早，该历史交易用户对应的特征传递权重越小；用户Pi与历史交易用户之间的交易的时间晚，该历史交易用户对应的特征传递权重越大。或者，用户Pi与历史交易用户之间的交易的有效次数越多，该历史交易用户对应的特征传递权重越大；用户Pi与历史交易用户之间的交易的有效次数越少，该历史交易用户对应的特征传递权重越小。
本申请实施例中，由于得到的传递特征中包含了每个历史交易用户的用户属性特征以及每个历史交易用户的特征传递权重，即对于与用户Pi交易次数和/或交易数值较大的历史交易用户，该历史交易用户的用户属性特征权重较大，等同于该用户传递给用户Pi的用户属性特征较多，可以增加传递特征的准确性。
在一个实施例中，上述步骤S103中包括如下步骤s31～s33。
s31、根据用户Pi的传递属性特征生成传递属性矩阵，根据交易行为特征生成交易行为特征矩阵。
这里，通过将用户Pi的传递属性特征添加至矩阵中，得到传递属性矩阵，以及通过将用户Pi的交易行为特征添加至矩阵中，得到交易行为特征矩阵。
s32、获取传递属性矩阵与交易行为特征矩阵之间的乘积，得到交易传递矩阵。
通过计算传递属性矩阵与交易行为特征矩阵之间的乘积，得到交易传递矩阵，交易传递矩阵中包含传递属性矩阵中的所有特征与交易行为特征矩阵中的所有特征，用户Pi的交易传递特征包括交易传递矩阵中的所有特征。
s33、根据交易传递矩阵生成用户Pi的交易传递特征。
可选的，可以通过公式(1-1)计算得到交易传递矩阵：
其中，H为用户的交易传递特征对应的交易传递矩阵，P为交易传播张量，为N*N*D的矩阵，即为包括用户Pi在多个时刻的用户的交易行为特征，N为图神经网络中的用户数量，D为交易行为特征的数量。为非线性激活函数，也可称为图传播网络的传播函数，表示传递属性矩阵，x为用户的用户属性特征对应的矩阵，w(0)和w(1)可以是指图传播网络的传播参数。*为矩阵乘法，矩阵x与矩阵y之间的乘积的定义可以如公式(1-2)所示：
其中，M为三维的傅里叶变换矩阵，(x×3M)可以通过公式(1-3)计算得到：
其中，公式(1-3)中的t表示交易行为特征对应的时间，通过上述公式(1-1)至公式(1-3)可计算得到每个用户的交易传递特征，包括第一用户的交易传递特征和第二用户的交易传递特征。由于用户的交易传递特征是根据用户的传递属性特征以及用户的交易行为特征得到的，以及该传递属性特征包括用户的用户属性信息和历史交易用户的用户属性信息，因此通过计算两个用户之间的交易传递特征之间的相似度并判断两个用户之间的交易风险属性，可以提高用户交易数据中的风险识别准确度。
在一个实施例中，上述步骤S105中包括如下步骤s41～s42。
S41、获取目标交易风险识别模型。
S42、采用目标风险识别模型对第一用户的交易传递特征和第二用户的交易传递特征进行识别，得到第一用户与第二用户之间的交易风险属性。
在步骤s41～s42中，计算机设备可以获取目标交易风险识别模型，该目标交易风险识别模型可以是指用于进行交易风险识别的模型，该目标交易风险识别模型具体可以为循环神经网络模型、卷积神经网络模型、深度神经网络模型以及对抗神经网络模型等等。该目标风险识别模型可以采用样本数据对风险识别模型调整得到的，即该目标风险识别模型的风险识别准确度大于准确度阈值。因此，可以采用该目标交易风险识别模型对不同用户之间的交易传递特征进行识别，可以提高模型识别的准确度。
在此实施例中，上述步骤s42包括如下步骤s51～s52。
s51、在目标交易风险识别模型中，获取第一用户的交易传递特征和第二用户的交易传递特征之间的相似度。
这里，计算机设备可以在目标交易风险识别模型中，采用相似度算法计算第一用户的交易传递特征和第二用户的交易传递特征之间的相似度度，如相似度算法可包括皮尔逊相关系数法、Cosine相似度法等，此处不做限定。
s52、根据相似度确定第一用户与第二用户之间的交易风险属性。
这里，根据相似度确定第一用户与第二用户之间的交易风险属性，相似度越高，表示第一用户与第二用户之间的交易风险越低；相似度越低，表示第一用户与第二用户之间的交易风险越高。
可选的，例如相似度越大，对应的交易风险等级越低，相似度越小，对应的交易风险等级越高。例如，相似度大于或等于0.9，可确定第一用户与第二用户之间的交易风险程度为无风险；相似度大于等于0.7且小于0.9，可确定第一用户与第二用户之间的交易风险程度为低风险；相似度大于等于0.5且小于0.7，可确定第一用户与第二用户之间的交易风险程度为中风险；相似度小于0.5，可确定第一用户与第二用户之间的交易风险程度为高风险，等等。
通过获取第一用户的交易传递特征和第二用户的交易传递特征之间的相似度，并根据相似度确定第一用户与第二用户之间的交易风险属性，可以确定出第一用户与第二用户之间的交易风险属性，以及确定该交易对应的风险等级。
在此实施例中，上述步骤s51包括如下步骤s61～s65。
s61、根据第一用户的交易传递特征生成第一交易传递矩阵；根据第二用户的交易传递特征生成第二交易传递矩阵。
这里，通过将第一用户的交易传递特征添加至矩阵中，得到第一交易传递矩阵；通过将第二用户的交易传递特征添加至矩阵中，得到第二交易传递矩阵。
s62、在目标交易风险识别模型中，获取第一交易传递矩阵与第二交易传递矩阵之间的差值，得到第一距离矩阵。
S63、获取第一交易传递矩阵与第二交易传递矩阵之间的按位乘积，得到第二距离矩阵。
S64、对第一距离矩阵与第二距离矩阵进行拼接，得到拼接后的距离矩阵。
S65、根据拼接后的距离矩阵，确定第一用户的交易传递特征和第二用户的交易传递特征之间的相似度。
在步骤s62～s64中，第一距离矩阵是根据第一交易传递矩阵与第二交易传递矩阵之间的差值得到的，第二距离矩阵是根据第一交易传递矩阵与第二交易传递矩阵之间的按位乘积得到的。步骤s62～s64的计算方法可以参考公式(1-4)：
其中，为拼接后的距离矩阵，i，j为两个不同的用户，|Hi-Hj|为第一距离矩阵，为第二距离矩阵，/>表示拼接，/>表示矩阵Hi和矩阵Hj之间的按位乘积。
可选的，可以通过计算拼接后的距离矩阵的行列式，得到第一用户的交易传递特征和第二用户的交易传递特征之间的相似度。拼接后的距离矩阵的行列式越小，表示第一用户的交易传递特征和第二用户的交易传递特征之间的相似度越大；拼接后的距离矩阵的行列式越大，表示第一用户的交易传递特征和第二用户的交易传递特征之间的相似度越小。或者，可以根据拼接后的距离矩阵中的元素值的大小确定第一用户的交易传递特征和第二用户的交易传递特征之间的相似度，若拼接后的距离矩阵中的元素值均越小，表示第一用户的交易传递特征和第二用户的交易传递特征之间的相似度越大；若拼接后的距离矩阵中的元素值越大，表示第一用户的交易传递特征和第二用户的交易传递特征之间的相似度越小。
在一个实施例中，该方法还可以包括如下步骤s71～s75。
s71、获取交易风险识别模型。
s72、获取第一样本用户的交易传递特征，第二样本用户的交易传递特征，以及第一样本用户与第二样本用户之间的标注交易风险属性。
s73、采用交易风险识别模型，对第一样本用户的交易传递特征和第二样本用户的交易传递特征进行识别，得到第一样本用户与第二样本用户之间的预测交易风险属性。
s74、根据预测交易风险属性和标注交易风险属性，对交易风险识别模型进行调整。
s75、将调整后的交易风险识别模型确定为目标交易风险识别模型。
在步骤s71～s75中，交易风险识别模型的交易风险识别的准确度比较低，因此，需要采用样本数据对交易风险识别模型进行调整，得到目标风险识别模型，以提高目标风险识别模型的交易风险识别的准确度。具体的，计算机设备可以获取交易风险识别模型，并获取第一样本用户的交易传递特征，第二样本用户的交易传递特征，以及第一样本用户与第二样本用户之间的标注交易风险属性。其中，第一样本用户的交易传递特征是根据第一样本用户的传递属性特征以及交易行为特征生成的，第一样本用户的传递属性特征是将与第一用户具有交易关系的历史交易用户的用户属性特征，传递至第一样本用户的用户属性特征得到的；第二样本用户的交易传递特征是根据第二样本用户的传递属性特征以及交易行为特征生成的，第二样本用户的传递属性特征是将与第二用户具有交易关系的历史交易用户的用户属性特征，传递至第二样本用户的用户属性特征得到的。样本用户包括正样本以及负样本，正样本是指第一样本用户与第二样本用户之间的不存在交易风险，或者存在低交易风险，即标注交易风险属性指示第一样本用户与第二样本用户之间不存在交易风险，或者存在低交易风险；负样本是指第一样本用户与第二样本用户之间的存在交易风险，或者存在高交易风险，即标注交易风险属性指示第一样本用户与第二样本用户之间存在交易风险，或者存在高交易风险。
进一步，可以采用交易风险识别模型，对第一样本用户的交易传递特征和第二样本用户的交易传递特征进行识别，得到第一样本用户与第二样本用户之间的预测交易风险属性。如果预测交易风险属性与标注交易风险属性比较接近，则表明交易风险识别模型的交易风险识别的准确度比较高；则可以对交易风险识别模型进行小幅度的调整，或者，不对交易风险识别模型进行调整。如果预测交易风险属性与标注交易风险属性相差比较大，则表明交易风险识别模型的交易风险识别的准确度比较低；则可以对交易风险识别模型进行大幅度的调整。即根据预测交易风险属性和标注交易风险属性，对交易风险识别模型进行调整，将调整后的交易风险识别模型作为目标交易风险识别模型。
在此实施例中，上述步骤s74包括如下步骤s81～s82。
s81、根据预测交易风险属性和标注交易风险属性，确定交易风险识别模型的识别损失值。
s82、若识别损失值不满足收敛条件，则根据识别损失值对交易风险识别模型进行调整，得到调整后的交易风险识别模型。
步骤s81～s82中，图5所示，计算机设备可以根据预测交易风险属性和标注交易风险属性，确定交易风险识别模型的识别损失值，识别损失值用于指示交易风险识别模型的交易风险识别的准确度。即该识别损失值越大，表明预测交易风险属性与标注交易风险属性相差比较大，即交易风险识别模型的交易风险识别的准确度比较低；即该识别损失值越小，表明预测交易风险属性与标注交易风险属性比较接近，即交易风险识别模型的交易风险识别的准确度比较高。因此，如果识别损失值满足收敛条件，表明交易风险识别模型的交易风险识别的准确度比较高，则将交易风险识别模型确定为目标交易风险识别模型。如果识别损失值不满足收敛条件，表明交易风险识别模型的交易风险识别的准确度比较低，则根据识别损失值对交易风险识别模型进行调整，得到调整后的交易风险识别模型。上述识别损失值满足收敛条件可以是指识别损失值小于损失阈值，识别损失值不满足收敛条件可以是指识别损失值大于或等于损失阈值。
可选的，交易风险识别模型的识别损失值可以采用如下公式(1-5)计算得到。
其中，Lij交易风险识别模型的识别损失值，表示第i个样本用户与第j个样本用户之间的预测交易风险属性，Yij表示第i个样本用户与第j个样本用户之间的标注交易风险属性。
例如，交易风险识别模型中包含100个标注样本标注交易风险属性，若通过交易风险识别模型识别出90个预测交易风险属性和标注交易风险属性相同，则可认为识别损失值满足收敛条件，则可将该交易风险识别模型保存下来，得到目标交易风险识别模型。若通过交易风险识别模型识别出50个预测交易风险属性和标注交易风险属性不相同，则可认为识别损失值不满足收敛条件，则继续使用该交易风险识别模型对第一样本用户的交易传递特征和第二样本用户的交易传递特征进行识别，得到第一样本用户与第二样本用户之间的预测交易风险属性，并在交易风险识别模型的识别损失值满足收敛条件的情况下，保存该交易风险识别模型，作为目标交易风险识别模型。根据交易风险识别模型的识别损失值对交易风险识别模型进行训练，并在识别损失值满足收敛条件的情况下保存交易风险识别模型，由于对交易风险识别模型进行了大量的训练，因此使用该交易风险识别模型进行识别，可以提高模型识别的准确度，从而提高交易数据中的风险识别准确度。
在一个实施例中，上述步骤S101包括如下步骤s91～s93。
s91、获取用户Pi的候选交易行为特征。
s92、获取单位矩阵以及标准化矩阵。
s93、采用单位矩阵以及标准化矩阵，对用户Pi的候选交易行为特征进行标准化处理，得到用户Pi的交易行为特征。
在步骤s91～s93中，为了简化计算，计算机设备可以对用户Pi的交易行为特征进行标准化处理，即将交易行为特征均统一到同一个维度。具体的，计算机设备可以获取用户Pi的候选交易行为特征，获取单位矩阵以及标准化矩阵，标准化矩阵是指用于进行标准化处理的矩阵。然后，采用单位矩阵以及标准化矩阵，对用户Pi的候选交易行为特征进行标准化处理，得到用户Pi的交易行为特征。
在此实施例中，上述步骤s93包括如下步骤s111～s116。
s111、获取标准矩阵对应的对角化矩阵，对角化矩阵是对标准矩阵进行对角化处理得到的。
这里，对角化矩阵是通过取标准矩阵的对角矩阵，再对该对角矩阵中的元素取负二分之一次幂得到的矩阵。
s112、根据用户Pi的候选交易行为特征生成候选交易行为矩阵。
这里，将用户Pi的候选交易行为特征添加至矩阵中，得到用户Pi的候选交易行为矩阵。
s113、获取候选交易行为矩阵与单位矩阵之间的和，得到第一矩阵。
s114、获取对角化矩阵与第一矩阵之间的乘积，得到第二矩阵。
s115、获取第二矩阵与对角化矩阵之间的乘积，得到标准化后的候选交易行为矩阵。
在步骤s112～s115中，可以通过公式(1-6)计算得到标准化后的候选交易行为矩阵：
其中，为标准化后的候选交易行为矩阵，/>为对角化矩阵，A为候选交易行为矩阵，A+I为第一矩阵，/>为第二矩阵。单位矩阵为主对角线上的元素为1，其他元素为0的矩阵，这里，单位矩阵可以表示为I，标准化矩阵为D，也可以称为拉普拉斯传播矩阵，/>i、j表示两个不同的用户。上述同一个时刻的P与/>相同，通过对用户Pi的候选交易行为特征进行单位化以及标准化处理，可以规范用户Pi的交易行为特征，简化后续运算。
s116、根据标准化后的候选交易行为矩阵，生成用户Pi的交易行为特征。
这里，用户Pi的交易行为特征中包括标准化后的候选交易行为矩阵中的所有特征，即将标准化后的候选交易行为矩阵中的元素作为用户Pi的交易行为特征。通过对用户的候选交易行为特征进行标准化处理，得到标准化后的用户的交易行为矩阵，便于后续的矩阵运算。
在一个实施例中，该方法还可以包括如下步骤s121～s123。
s121、获取第一用户与第二用户的交易请求。
s122、若交易风险等级大于等级阈值，则暂停执行交易请求。
s123、输出提示信息，提示信息用于提示第一用户与第二用户之间的交易存在风险。
在步骤s121～s123中，交易请求包括交易双方信息、交易金额、交易时间、交易对应的应用程序、交易金额对应的电子资源等。交易风险属性包括交易风险等级。例如，交易风险等级可以包括4个等级或者更多的等级，本申请实施例中以4个等级为例。例如，4个交易风险等级分别为一级风险(无风险)、二级风险(低风险)、三级风险(中风险)、四级风险(高风险)，交易风险属性对应的数值例如为[0,1]，交易风险属性对应的数值越大，表示交易风险越高，则对应的交易风险等级越高。
例如，交易风险属性为[0,0.1]，则对应的风险等级为一级风险；交易风险属性为(0.1,0.3]，则对应的风险等级为二级风险；交易风险属性为(0.3,0.5]，则对应的风险等级为三级风险；交易风险属性为(0.5,1]，则对应的风险等级为四级风险。等级阈值例如可以为二级，即当交易风险属性小于或等于二级时，认为交易无风险或者低风险；当交易风险属性大于二级时，认为交易存在中风险或者高风险，则暂停执行交易请求，并输出提示信息，以提示第一用户与第二用户之间的交易存在风险。可选的，若获取到第一用户与第三用户之间的交易请求，则根据前述步骤获取第一用户的交易传递特征和第三用户的交易传递特征并识别，得到第一用户与第三用户之间的交易风险属性。
在一种可能的实现方式中，若两个用户之间的交易为正常交易，即交易不存在风险或者风险等级低于等级阈值的情况下，在该两个用户进行交易后，对该两个用户对应的节点之间生成一条边，并保存在图神经网络中，便于提高交易风险识别的准确性；若两个用户之间的交易为异常交易，即交易风险等级高于等级阈值的情况下，不再执行对该两个用户对应的节点之间生成一条边，保存在图神经网络中的步骤。
具体实现中，当第一用户向第二用户进行转账时，例如第一用户输入转账金额并点击转账确认后，则计算机设备获取到第一用户与第二用户的交易请求；通过获取第一用户的交易传递特征以及第二用户的交易传递特征并识别，得到第一用户与第二用户之间的交易风险属性对应的风险等级，若风险等级小于或等于等级阈值，表示第一用户与第二用户之间的交易风险较低，则计算机设备将该交易请求中交易对应的电子资源转发至第二用户对应的账户中，以实现第一用户与第二用户之间的交易。若风险等级大于等级阈值，表示第一用户与第二用户之间的交易风险较高，则计算机设备暂停执行该交易请求，即暂停将该交易请求中交易对应的电子资源转发至第二用户对应的账户中，输出用于提示第一用户与第二用户之间的交易存在风险的提示信息。
可选的，计算机设备可以将该提示信息发送至第一终端上社交应用对应的支付页面，或者支付应用对应的支付页面上，也可以通过短信的方式发送该提示信息至与该第一用户的社交应用账号绑定的手机号码对应的终端上，以实现提示用户当前的交易风险较高。可选的，还可以在交易风险等级大于等级阈值，且暂停执行该交易请求时，退出该用户终端上的社交应用账号，并在第一用户通过社交应用账号登录认证后，根据第一用户的操作实现对应的交易，从而实现减少用户损失。
请参见图6，图6是本申请实施例提供的一种交易数据处理装置的结构示意图。上述交易数据处理装置可以是运行于计算机设备中的一个计算机程序(包括程序代码)，例如该交易数据处理装置为一个应用软件；该装置可以用于执行本申请实施例提供的方法中的相应步骤。如图6所示，该交易数据处理装置可以包括：第一获取模块601、特征传递模块602、交易生成模块603、第二获取模块604以及风险识别模块605。
第一获取模块601，用于获取至少两个用户中用户Pi的用户属性特征和交易行为特征；i为小于或等于N的正整数，N为上述至少两个用户中的用户数量；
特征传递模块602，用于根据上述交易行为特征所指向的历史交易用户，将上述历史交易用户的用户属性特征向上述用户Pi的用户属性特征进行特征传递，得到上述用户Pi的传递属性特征；
交易生成模块603，用于根据上述用户Pi的传递属性特征以及上述交易行为特征，生成上述用户Pi的交易传递特征；
第二获取模块604，用于获取第一用户的交易传递特征，以及第二用户的交易传递特征；上述第一用户和上述第二用户分别属于不同的用户Pi；
风险识别模块605，用于对上述第一用户的交易传递特征和上述第二用户的交易传递特征进行识别，得到上述第一用户与上述第二用户之间的交易风险属性。
可选的，上述特征传递模块602，具体用于：
获取图神经网络；上述图神经网络包括至少两个用户分别对应的节点，上述图神经网络中的节点之间的边用于指示用户之间具有交易关系；
根据上述交易行为特征从上述图神经网络中确定上述用户Pi所对应的节点；
根据与上述用户Pi所对应的节点相连接的边，确定上述交易行为特征所指向的历史交易用户所对应的节点；
在上述图神经网络中，从上述历史交易用户所对应的节点传递上述历史交易用户的用户属性特征至上述用户Pi对应的节点，得到传递特征；
对上述用户Pi的用户属性特征以及上述传递特征进行拼接，得到上述用户Pi的传递属性特征。
可选的，上述交易行为特征包括上述用户Pi与上述历史交易用户之间的交易数值以及交易次数；上述特征传递模块602，具体用于：
根据上述交易数值以及上述交易次数，确定特征传递权重；
采用上述特征传递权重对上述历史交易用户的用户属性特征进行调整，得到调整后的用户属性特征；
在上述图神经网络中，从上述历史交易用户所对应的节点传递上述调整后的用户属性特征至上述用户Pi对应的节点，得到上述传递特征。
可选的，上述交易生成模块603，具体用于：
根据上述用户Pi的传递属性特征生成传递属性矩阵，根据上述交易行为特征生成交易行为特征矩阵；
获取上述传递属性矩阵与上述交易行为特征矩阵之间的乘积，得到交易传递矩阵；
根据上述交易传递矩阵生成上述用户Pi的交易传递特征。
可选的，上述风险识别模块605，具体用于：
获取目标交易风险识别模型；
采用上述目标交易风险识别模型对上述第一用户的交易传递特征和上述第二用户的交易传递特征进行识别，得到上述第一用户与上述第二用户之间的交易风险属性。
可选的，上述风险识别模块605，具体用于：
在上述目标交易风险识别模型中，获取上述第一用户的交易传递特征和上述第二用户的交易传递特征之间的相似度；
根据上述相似度确定上述第一用户与上述第二用户之间的交易风险属性。
可选的，上述风险识别模块605，具体用于：
根据上述第一用户的交易传递特征生成第一交易传递矩阵；根据上述第二用户的交易传递特征生成第二交易传递矩阵；
在上述目标交易风险识别模型中，获取上述第一交易传递矩阵与上述第二交易传递矩阵之间的差值，得到第一距离矩阵；
获取上述第一交易传递矩阵与上述第二交易传递矩阵之间的按位乘积，得到第二距离矩阵；
对上述第一距离矩阵与上述第二距离矩阵进行拼接，得到拼接后的距离矩阵；
根据上述拼接后的距离矩阵，确定上述第一用户的交易传递特征和上述第二用户的交易传递特征之间的相似度。
可选的，上述装置还可以包括：模型训练模块606，用于：
获取交易风险识别模型；
获取第一样本用户的交易传递特征，第二样本用户的交易传递特征，以及上述第一样本用户与上述第二样本用户之间的标注交易风险属性；
采用上述交易风险识别模型，对上述第一样本用户的交易传递特征和上述第二样本用户的交易传递特征进行识别，得到上述第一样本用户与上述第二样本用户之间的预测交易风险属性；
根据上述预测交易风险属性和上述标注交易风险属性，对上述交易风险识别模型进行调整；
将调整后的交易风险识别模型确定为上述目标交易风险识别模型。
可选的，上述模型训练模块606，具体用于：
根据上述预测交易风险属性和上述标注交易风险属性，确定上述交易风险识别模型的识别损失值；
若上述识别损失值不满足收敛条件，则根据上述识别损失值对上述交易风险识别模型进行调整，得到调整后的交易风险识别模型。
可选的，上述第一获取模块601，具体用于：
获取上述用户Pi的候选交易行为特征；
获取单位矩阵以及标准化矩阵；
采用上述单位矩阵以及上述标准化矩阵，对上述用户Pi的候选交易行为特征进行标准化处理，得到上述用户Pi的交易行为特征。
可选的，上述第一获取模块601，具体用于：
获取上述标准矩阵对应的对角化矩阵，上述对角化矩阵是对上述标准矩阵进行对角化处理得到的；
根据上述用户Pi的候选交易行为特征生成候选交易行为矩阵；
获取上述候选交易行为矩阵与上述单位矩阵之间的和，得到第一矩阵；
获取上述对角化矩阵与上述第一矩阵之间的乘积，得到第二矩阵；
获取上述第二矩阵与上述对角化矩阵之间的乘积，得到标准化后的候选交易行为矩阵；
根据上述标准化后的候选交易行为矩阵，生成上述用户Pi的交易行为特征。
可选的，上述交易风险属性包括交易风险等级，上述装置还可以包括：风险提示模块607，用于：
获取上述第一用户与上述第二用户的交易请求；
若上述交易风险等级大于等级阈值，则暂停执行上述交易请求；
输出提示信息，上述提示信息用于提示上述第一用户与上述第二用户之间的交易存在风险。
根据本申请的一个实施例，图3所示的交易数据处理方法所涉及的步骤可由图6所示的交易数据处理装置中的各个模块来执行。例如，图3中所示的步骤S101可由图6中的第一获取模块601来执行，图3中所示的步骤S102可由图6中的特征传递模块602来执行；图3中所示的步骤S103可由图6中的交易生成模块603来执行；图3中所示的步骤S104可由图6中的第二获取模块604来执行；图3中所示的步骤S105可由图6中的风险识别模块605来执行。
根据本申请的一个实施例，图6所示的交易数据处理装置中的各个模块可以分别或全部合并为一个或若干个单元来构成，或者其中的某个(些)单元还可以再拆分为功能上更小的多个子单元，可以实现同样的操作，而不影响本申请的实施例的技术效果的实现。上述模块是基于逻辑功能划分的，在实际应用中，一个模块的功能也可以由多个单元来实现，或者多个模块的功能由一个单元实现。在本申请的其它实施例中，交易数据处理装置也可以包括其它单元，在实际应用中，这些功能也可以由其它单元协助实现，并且可以由多个单元协作实现。
根据本申请的一个实施例，可以通过在包括中央处理单元(CPU)、随机存取存储介质(RAM)、只读存储介质(ROM)等处理元件和存储元件的例如计算机的通用计算机设备上运行能够执行如图3中所示的相应方法所涉及的各步骤的计算机程序(包括程序代码)，来构造如图6中所示的交易数据处理装置，以及来实现本申请实施例的交易数据处理方法。上述计算机程序可以记载于例如计算机可读记录介质上，并通过计算机可读记录介质装载于上述计算设备中，并在其中运行。
本申请实施例中，由于第一用户的交易传递特征包括第一用户的用户属性特征信息、与第一用户具有历史交易的用户的属性特征以及第一用户的交易行为特征，即从多个维度对第一用户的身份以及该交易数据的风险进行了识别，因此第一用户的交易传递特征具有较高的真实性。同样的，由于从多个维度对第二用户的身份以及该交易数据的风险进行了识别，因此第二用户的交易传递特征也具有较高的真实性。通过对第一用户的交易传递特征与第二用户的交易传递特征进行识别，可以得到两个交易传递特征之间的相似程度，相似程度越高表示该交易数据的真实性越高，相似程度越低表示该交易数据的真实性越低。由于对用户的用户属性特征、用户的历史交易用户的用户属性特征以及用户的交易行为特征进行了分析，即从不同的维度对用户的身份和该交易数据的真实性进行了识别，因此可以提高用户交易数据中的风险识别准确度，从而减少用户损失。
请参见图7，是本申请实施例提供的一种计算机设备的结构示意图。如图7所示，上述计算机设备70可以包括：处理器701，网络接口704和存储器705，此外，上述计算机设备70还可以包括：用户接口703，和至少一个通信总线702。其中，通信总线702用于实现这些组件之间的连接通信。其中，用户接口703可以包括显示屏(Display)、键盘(Keyboard)，可选用户接口703还可以包括标准的有线接口、无线接口。网络接口704可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器705可以是高速RAM存储器，也可以是非易失性的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器705可选的还可以是至少一个位于远离前述处理器701的存储装置。如图7所示，作为一种计算机可读存储介质的存储器705中可以包括操作系统、网络通信模块、用户接口模块以及设备控制应用程序。
在图7所示的计算机设备70中，网络接口704可提供网络通讯功能；而用户接口703主要用于为用户提供输入的接口；而处理器701可以用于调用存储器705中存储的设备控制应用程序，以实现：
获取至少两个用户中用户Pi的用户属性特征和交易行为特征；i为小于或等于N的正整数，N为上述至少两个用户中的用户数量；
根据上述交易行为特征所指向的历史交易用户，将上述历史交易用户的用户属性特征向上述用户Pi的用户属性特征进行特征传递，得到上述用户Pi的传递属性特征；
根据上述用户Pi的传递属性特征以及上述交易行为特征，生成上述用户Pi的交易传递特征；
获取第一用户的交易传递特征，以及第二用户的交易传递特征；上述第一用户和上述第二用户分别属于不同的用户Pi；
对上述第一用户的交易传递特征和上述第二用户的交易传递特征进行识别，得到上述第一用户与上述第二用户之间的交易风险属性。
可选的，处理器701可以用于调用存储器705中存储的设备控制应用程序，实现上述根据上述交易行为特征所指向的历史交易用户，将上述历史交易用户的用户属性特征向上述用户Pi的用户属性特征进行特征传递，得到上述用户Pi的传递属性特征的具体方式包括：
获取图神经网络；上述图神经网络包括至少两个用户分别对应的节点，上述图神经网络中的节点之间的边用于指示用户之间具有交易关系；
根据上述交易行为特征从上述图神经网络中确定上述用户Pi所对应的节点；
根据与上述用户Pi所对应的节点相连接的边，确定上述交易行为特征所指向的历史交易用户所对应的节点；
在上述图神经网络中，从上述历史交易用户所对应的节点传递上述历史交易用户的用户属性特征至上述用户Pi对应的节点，得到传递特征；
对上述用户Pi的用户属性特征以及上述传递特征进行拼接，得到上述用户Pi的传递属性特征。
可选的，上述交易行为特征包括上述用户Pi与上述历史交易用户之间的交易数值以及交易次数；
处理器701可以用于调用存储器705中存储的设备控制应用程序以实现在上述图神经网络中，从上述历史交易用户所对应的节点传递上述历史交易用户的用户属性特征至上述用户Pi对应的节点，得到传递特征的具体方式包括：
根据上述交易数值以及上述交易次数，确定特征传递权重；
采用上述特征传递权重对上述历史交易用户的用户属性特征进行调整，得到调整后的用户属性特征；
在上述图神经网络中，从上述历史交易用户所对应的节点传递上述调整后的用户属性特征至上述用户Pi对应的节点，得到上述传递特征。
可选的，处理器701可以用于调用存储器705中存储的设备控制应用程序，以实现上述根据上述用户Pi的传递属性特征以及上述交易行为特征，生成上述用户Pi的交易传递特征的具体方式包括：
根据上述用户Pi的传递属性特征生成传递属性矩阵，根据上述交易行为特征生成交易行为特征矩阵；
获取上述传递属性矩阵与上述交易行为特征矩阵之间的乘积，得到交易传递矩阵；
根据上述交易传递矩阵生成上述用户Pi的交易传递特征。
可选的，处理器701可以用于调用存储器705中存储的设备控制应用程序，以实现上述对上述第一用户的交易传递特征和上述第二用户的交易传递特征进行识别，得到上述第一用户与上述第二用户之间的交易风险属性的具体方式包括：
获取目标交易风险识别模型；
采用上述目标交易风险识别模型对上述第一用户的交易传递特征和上述第二用户的交易传递特征进行识别，得到上述第一用户与上述第二用户之间的交易风险属性。
可选的，处理器701可以用于调用存储器705中存储的设备控制应用程序，以实现上述采用上述目标交易风险识别模型对上述第一用户的交易传递特征和上述第二用户的交易传递特征进行识别，得到上述第一用户与上述第二用户之间的交易风险属性的具体方式包括：
在上述目标交易风险识别模型中，获取上述第一用户的交易传递特征和上述第二用户的交易传递特征之间的相似度；
根据上述相似度确定上述第一用户与上述第二用户之间的交易风险属性。
可选的，处理器701可以用于调用存储器705中存储的设备控制应用程序，以实现上述在上述目标交易风险识别模型中，获取上述第一用户的交易传递特征和上述第二用户的交易传递特征之间的相似度具体方式包括：
根据上述第一用户的交易传递特征生成第一交易传递矩阵；根据上述第二用户的交易传递特征生成第二交易传递矩阵；
在上述目标交易风险识别模型中，获取上述第一交易传递矩阵与上述第二交易传递矩阵之间的差值，得到第一距离矩阵；
获取上述第一交易传递矩阵与上述第二交易传递矩阵之间的按位乘积，得到第二距离矩阵；
对上述第一距离矩阵与上述第二距离矩阵进行拼接，得到拼接后的距离矩阵；
根据上述拼接后的距离矩阵，确定上述第一用户的交易传递特征和上述第二用户的交易传递特征之间的相似度。
可选的，处理器701可以用于调用存储器705中存储的设备控制应用程序，以实现：
获取交易风险识别模型；
获取第一样本用户的交易传递特征，第二样本用户的交易传递特征，以及上述第一样本用户与上述第二样本用户之间的标注交易风险属性；
采用上述交易风险识别模型，对上述第一样本用户的交易传递特征和上述第二样本用户的交易传递特征进行识别，得到上述第一样本用户与上述第二样本用户之间的预测交易风险属性；
根据上述预测交易风险属性和上述标注交易风险属性，对上述交易风险识别模型进行调整；
将调整后的交易风险识别模型确定为上述目标交易风险识别模型。
可选的，处理器701可以用于调用存储器705中存储的设备控制应用程序，以实现根据上述预测交易风险属性和上述标注交易风险属性，对上述交易风险识别模型进行调整的具体方式包括：
根据上述预测交易风险属性和上述标注交易风险属性，确定上述交易风险识别模型的识别损失值；
若上述识别损失值不满足收敛条件，则根据上述识别损失值对上述交易风险识别模型进行调整，得到调整后的交易风险识别模型。
可选的，处理器701可以用于调用存储器705中存储的设备控制应用程序，以实现上述获取至少两个用户中用户Pi的交易行为特征的具体实现方式包括：
获取上述用户Pi的候选交易行为特征；
获取单位矩阵以及标准化矩阵；
采用上述单位矩阵以及上述标准化矩阵，对上述用户Pi的候选交易行为特征进行标准化处理，得到上述用户Pi的交易行为特征。
可选的，处理器701可以用于调用存储器705中存储的设备控制应用程序，以实现上述采用上述单位矩阵以及上述标准化矩阵，对上述用户Pi的候选交易行为特征进行标准化处理，得到上述用户Pi的交易行为特征的具体方式包括：
获取上述标准矩阵对应的对角化矩阵，上述对角化矩阵是对上述标准矩阵进行对角化处理得到的；
根据上述用户Pi的候选交易行为特征生成候选交易行为矩阵；
获取上述候选交易行为矩阵与上述单位矩阵之间的和，得到第一矩阵；
获取上述对角化矩阵与上述第一矩阵之间的乘积，得到第二矩阵；
获取上述第二矩阵与上述对角化矩阵之间的乘积，得到标准化后的候选交易行为矩阵；
根据上述标准化后的候选交易行为矩阵，生成上述用户Pi的交易行为特征。
可选的，上述交易风险属性包括交易风险等级；
处理器701可以用于调用存储器705中存储的设备控制应用程序，以实现：
获取上述第一用户与上述第二用户的交易请求；
若上述交易风险等级大于等级阈值，则暂停执行上述交易请求；
输出提示信息，上述提示信息用于提示上述第一用户与上述第二用户之间的交易存在风险。
本申请实施例中，由于第一用户的交易传递特征包括第一用户的用户属性特征信息、与第一用户具有历史交易的用户的属性特征以及第一用户的交易行为特征，即从多个维度对第一用户的身份以及该交易数据的风险进行了识别，因此第一用户的交易传递特征具有较高的真实性。同样的，由于从多个维度对第二用户的身份以及该交易数据的风险进行了识别，因此第二用户的交易传递特征也具有较高的真实性。通过对第一用户的交易传递特征与第二用户的交易传递特征进行识别，可以得到两个交易传递特征之间的相似程度，相似程度越高表示该交易数据的真实性越高，相似程度越低表示该交易数据的真实性越低。由于对用户的用户属性特征、用户的历史交易用户的用户属性特征以及用户的交易行为特征进行了分析，即从不同的维度对用户的身份和该交易数据的真实性进行了识别，因此可以提高用户交易数据中的风险识别准确度，从而减少用户损失。
应当理解，本申请实施例中所描述的计算机设备70可执行前文图3所对应实施例中对上述交易数据处理方法的描述，也可执行前文图6所对应实施例中对上述交易数据处理装置的描述，在此不再赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。
此外，这里需要指出的是：本申请实施例还提供了一种计算机可读存储介质，且上述计算机可读存储介质中存储有前文提及的交易数据处理装置所执行的计算机程序，且上述计算机程序包括程序指令，当上述处理器执行上述程序指令时，能够执行前文图3对应实施例中对上述交易数据处理方法的描述，因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本申请所涉及的计算机可读存储介质实施例中未披露的技术细节，请参照本申请方法实施例的描述。
作为示例，上述程序指令可被部署在一个计算机设备上执行，或者被部署位于一个地点的多个计算机设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算机设备上执行，分布在多个地点且通过通信网络互连的多个计算机设备可以组成区块链网络。
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，上述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，上述的存储介质可为磁盘、光盘、只读存储器(Read-Only Memory，ROM)或随机存储器(Random Access Memory，RAM)等。
以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。

Claims (14)

1.一种交易数据处理方法，其特征在于，包括：
获取至少两个用户中用户Pi的用户属性特征和交易行为特征；i为小于或等于N的正整数，N为所述至少两个用户中的用户数量；
获取图神经网络；所述图神经网络包括至少两个用户分别对应的节点，所述图神经网络中的节点之间的边用于指示用户之间具有交易关系；
根据所述交易行为特征从所述图神经网络中确定所述用户Pi所对应的节点；
根据与所述用户Pi所对应的节点相连接的边，确定所述交易行为特征所指向的历史交易用户所对应的节点；
在所述图神经网络中，从所述历史交易用户所对应的节点传递所述历史交易用户的用户属性特征至所述用户Pi对应的节点，得到传递特征；
对所述用户Pi的用户属性特征以及所述传递特征进行拼接，得到所述用户Pi的传递属性特征；
对所述用户Pi的传递属性特征以及所述交易行为特征进行融合处理，得到所述用户Pi的交易传递特征；
当第一用户与第二用户之间进行交易时，获取所述第一用户的交易传递特征，以及所述第二用户的交易传递特征；所述第一用户和所述第二用户分别属于不同的用户Pi；
对所述第一用户的交易传递特征和所述第二用户的交易传递特征进行识别，得到所述第一用户与所述第二用户之间的交易风险属性。
2.如权利要求1所述的方法，其特征在于，所述交易行为特征包括所述用户Pi与所述历史交易用户之间的交易数值以及交易次数；
所述在所述图神经网络中，从所述历史交易用户所对应的节点传递所述历史交易用户的用户属性特征至所述用户Pi对应的节点，得到传递特征，包括：
根据所述交易数值以及所述交易次数，确定特征传递权重；
采用所述特征传递权重对所述历史交易用户的用户属性特征进行调整，得到调整后的用户属性特征；
在所述图神经网络中，从所述历史交易用户所对应的节点传递所述调整后的用户属性特征至所述用户Pi对应的节点，得到所述传递特征。
3.如权利要求1所述的方法，其特征在于，所述对所述用户Pi的传递属性特征以及所述交易行为特征进行融合处理，得到所述用户Pi的交易传递特征，包括：
根据所述用户Pi的传递属性特征生成传递属性矩阵，根据所述交易行为特征生成交易行为特征矩阵；
获取所述传递属性矩阵与所述交易行为特征矩阵之间的乘积，得到交易传递矩阵；
根据所述交易传递矩阵生成所述用户Pi的交易传递特征。
4.如权利要求1所述的方法，其特征在于，所述对所述第一用户的交易传递特征和所述第二用户的交易传递特征进行识别，得到所述第一用户与所述第二用户之间的交易风险属性，包括：
获取目标交易风险识别模型；
采用所述目标交易风险识别模型对所述第一用户的交易传递特征和所述第二用户的交易传递特征进行识别，得到所述第一用户与所述第二用户之间的交易风险属性。
5.如权利要求4所述的方法，其特征在于，所述采用所述目标交易风险识别模型对所述第一用户的交易传递特征和所述第二用户的交易传递特征进行识别，得到所述第一用户与所述第二用户之间的交易风险属性，包括：
在所述目标交易风险识别模型中，获取所述第一用户的交易传递特征和所述第二用户的交易传递特征之间的相似度；
根据所述相似度确定所述第一用户与所述第二用户之间的交易风险属性。
6.如权利要求5所述的方法，其特征在于，所述在所述目标交易风险识别模型中，获取所述第一用户的交易传递特征和所述第二用户的交易传递特征之间的相似度，包括：
根据所述第一用户的交易传递特征生成第一交易传递矩阵；根据所述第二用户的交易传递特征生成第二交易传递矩阵；
在所述目标交易风险识别模型中，获取所述第一交易传递矩阵与所述第二交易传递矩阵之间的差值，得到第一距离矩阵；
获取所述第一交易传递矩阵与所述第二交易传递矩阵之间的按位乘积，得到第二距离矩阵；
对所述第一距离矩阵与所述第二距离矩阵进行拼接，得到拼接后的距离矩阵；
根据所述拼接后的距离矩阵，确定所述第一用户的交易传递特征和所述第二用户的交易传递特征之间的相似度。
7.如权利要求4-6任一项所述的方法，其特征在于，所述方法还包括：
获取交易风险识别模型；
获取第一样本用户的交易传递特征，第二样本用户的交易传递特征，以及所述第一样本用户与所述第二样本用户之间的标注交易风险属性；
采用所述交易风险识别模型，对所述第一样本用户的交易传递特征和所述第二样本用户的交易传递特征进行识别，得到所述第一样本用户与所述第二样本用户之间的预测交易风险属性；
根据所述预测交易风险属性和所述标注交易风险属性，对所述交易风险识别模型进行调整；
将调整后的交易风险识别模型确定为所述目标交易风险识别模型。
8.如权利要求7所述的方法，其特征在于，所述根据所述预测交易风险属性和所述标注交易风险属性，对所述交易风险识别模型进行调整，包括：
根据所述预测交易风险属性和所述标注交易风险属性，确定所述交易风险识别模型的识别损失值；
若所述识别损失值不满足收敛条件，则根据所述识别损失值对所述交易风险识别模型进行调整，得到调整后的交易风险识别模型。
9.如权利要求1所述的方法，其特征在于，所述获取至少两个用户中用户Pi的交易行为特征，包括：
获取所述用户Pi的候选交易行为特征；
获取单位矩阵以及标准化矩阵；
采用所述单位矩阵以及所述标准化矩阵，对所述用户Pi的候选交易行为特征进行标准化处理，得到所述用户Pi的交易行为特征。
10.如权利要求9所述的方法，其特征在于，所述采用所述单位矩阵以及所述标准化矩阵，对所述用户Pi的候选交易行为特征进行标准化处理，得到所述用户Pi的交易行为特征，包括：
获取所述标准矩阵对应的对角化矩阵，所述对角化矩阵是对所述标准矩阵进行对角化处理得到的；
根据所述用户Pi的候选交易行为特征生成候选交易行为矩阵；
获取所述候选交易行为矩阵与所述单位矩阵之间的和，得到第一矩阵；
获取所述对角化矩阵与所述第一矩阵之间的乘积，得到第二矩阵；
获取所述第二矩阵与所述对角化矩阵之间的乘积，得到标准化后的候选交易行为矩阵；
根据所述标准化后的候选交易行为矩阵，生成所述用户Pi的交易行为特征。
11.如权利要求1所述的方法，其特征在于，所述交易风险属性包括交易风险等级，所述方法还包括：
获取所述第一用户与所述第二用户的交易请求；
若所述交易风险等级大于等级阈值，则暂停执行所述交易请求；
输出提示信息，所述提示信息用于提示所述第一用户与所述第二用户之间的交易存在风险。
12.一种交易数据处理装置，其特征在于，包括：
第一获取模块，用于获取至少两个用户中用户Pi的用户属性特征和交易行为特征；i为小于或等于N的正整数，N为所述至少两个用户中的用户数量；
特征传递模块，用于获取图神经网络；所述图神经网络包括至少两个用户分别对应的节点，所述图神经网络中的节点之间的边用于指示用户之间具有交易关系；
根据所述交易行为特征从所述图神经网络中确定所述用户Pi所对应的节点；
根据与所述用户Pi所对应的节点相连接的边，确定所述交易行为特征所指向的历史交易用户所对应的节点；
在所述图神经网络中，从所述历史交易用户所对应的节点传递所述历史交易用户的用户属性特征至所述用户Pi对应的节点，得到传递特征；
对所述用户Pi的用户属性特征以及所述传递特征进行拼接，得到所述用户Pi的传递属性特征；
交易生成模块，用于对所述用户Pi的传递属性特征以及所述交易行为特征进行融合处理，得到所述用户Pi的交易传递特征；
第二获取模块，用于当第一用户与第二用户之间进行交易时，获取所述第一用户的交易传递特征，以及所述第二用户的交易传递特征；所述第一用户和所述第二用户分别属于不同的用户Pi；
风险识别模块，用于对所述第一用户的交易传递特征和所述第二用户的交易传递特征进行识别，得到所述第一用户与所述第二用户之间的交易风险属性。
13.一种计算机设备，其特征在于，包括：
处理器、存储器以及网络接口；
所述处理器与所述存储器、所述网络接口相连，其中，所述网络接口用于提供数据通信功能，所述存储器用于存储程序代码，所述处理器用于调用所述程序代码，以执行如权利要求1-11任一项所述的方法。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-11任一项所述的方法。
CN202010604513.9A 2020-06-29 2020-06-29 交易数据处理方法、装置、存储介质及设备 Active CN113935738B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010604513.9A CN113935738B (zh) 2020-06-29 2020-06-29 交易数据处理方法、装置、存储介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010604513.9A CN113935738B (zh) 2020-06-29 2020-06-29 交易数据处理方法、装置、存储介质及设备

Publications (2)

Publication Number Publication Date
CN113935738A CN113935738A (zh) 2022-01-14
CN113935738B true CN113935738B (zh) 2024-04-19

Family

ID=79272972

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010604513.9A Active CN113935738B (zh) 2020-06-29 2020-06-29 交易数据处理方法、装置、存储介质及设备

Country Status (1)

Country Link
CN (1) CN113935738B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116738201B (zh) * 2023-02-17 2024-01-16 云南大学 基于图对比学习的非法账户识别方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105809502A (zh) * 2014-12-30 2016-07-27 阿里巴巴集团控股有限公司 交易风险检测方法和装置
CN106803168A (zh) * 2016-12-30 2017-06-06 中国银联股份有限公司 一种异常转账侦测方法和装置
CN107016473A (zh) * 2016-01-27 2017-08-04 阿里巴巴集团控股有限公司 一种风险控制方法和设备
CN107730262A (zh) * 2017-10-23 2018-02-23 阿里巴巴集团控股有限公司 一种欺诈识别方法和装置
CN108985553A (zh) * 2018-06-05 2018-12-11 中国平安人寿保险股份有限公司 一种异常用户的识别方法及设备
CN109064175A (zh) * 2018-06-11 2018-12-21 阿里巴巴集团控股有限公司 一种账户盗用风险防控方法及装置
CN110310123A (zh) * 2019-07-01 2019-10-08 阿里巴巴集团控股有限公司 风险判断方法和装置
CN110400219A (zh) * 2019-06-14 2019-11-01 阿里巴巴集团控股有限公司 业务处理方法及系统、交易监控方法及系统
CN110570188A (zh) * 2019-08-15 2019-12-13 阿里巴巴集团控股有限公司 用于处理交易请求的方法和系统
CN110609870A (zh) * 2019-09-11 2019-12-24 深圳众赢维融科技有限公司 分布式数据处理方法、装置、电子设备及存储介质
CN110610365A (zh) * 2019-09-17 2019-12-24 中国建设银行股份有限公司 一种识别交易请求的方法和装置
CN111340506A (zh) * 2020-05-22 2020-06-26 支付宝(杭州)信息技术有限公司 交易行为的风险识别方法、装置、存储介质和计算机设备

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120209970A1 (en) * 2011-02-15 2012-08-16 Ebay Inc. Systems and methods for facilitating user confidence over a network
US9978068B2 (en) * 2014-10-08 2018-05-22 Facebook, Inc. Obtaining recipient information during an electronic remittance transaction
US10891647B2 (en) * 2015-10-27 2021-01-12 Jpmorgan Chase Bank, N.A. Intelligent payment format and attribute package transaction processing

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105809502A (zh) * 2014-12-30 2016-07-27 阿里巴巴集团控股有限公司 交易风险检测方法和装置
CN107016473A (zh) * 2016-01-27 2017-08-04 阿里巴巴集团控股有限公司 一种风险控制方法和设备
CN106803168A (zh) * 2016-12-30 2017-06-06 中国银联股份有限公司 一种异常转账侦测方法和装置
CN107730262A (zh) * 2017-10-23 2018-02-23 阿里巴巴集团控股有限公司 一种欺诈识别方法和装置
CN108985553A (zh) * 2018-06-05 2018-12-11 中国平安人寿保险股份有限公司 一种异常用户的识别方法及设备
CN109064175A (zh) * 2018-06-11 2018-12-21 阿里巴巴集团控股有限公司 一种账户盗用风险防控方法及装置
CN110400219A (zh) * 2019-06-14 2019-11-01 阿里巴巴集团控股有限公司 业务处理方法及系统、交易监控方法及系统
CN110310123A (zh) * 2019-07-01 2019-10-08 阿里巴巴集团控股有限公司 风险判断方法和装置
CN110570188A (zh) * 2019-08-15 2019-12-13 阿里巴巴集团控股有限公司 用于处理交易请求的方法和系统
CN110609870A (zh) * 2019-09-11 2019-12-24 深圳众赢维融科技有限公司 分布式数据处理方法、装置、电子设备及存储介质
CN110610365A (zh) * 2019-09-17 2019-12-24 中国建设银行股份有限公司 一种识别交易请求的方法和装置
CN111340506A (zh) * 2020-05-22 2020-06-26 支付宝(杭州)信息技术有限公司 交易行为的风险识别方法、装置、存储介质和计算机设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈昊.建设银行广东省分行互联网金融平台构建策略研究.《 经济与管理科学》.2019,(第02期),全文. *

Also Published As

Publication number Publication date
CN113935738A (zh) 2022-01-14

Similar Documents

Publication Publication Date Title
US11615362B2 (en) Universal model scoring engine
CN111401558A (zh) 数据处理模型训练方法、数据处理方法、装置、电子设备
CN109410036A (zh) 一种欺诈检测模型训练方法和装置及欺诈检测方法和装置
CN111681091B (zh) 基于时间域信息的金融风险预测方法、装置及存储介质
CN111371767B (zh) 恶意账号识别方法、恶意账号识别装置、介质及电子设备
CN112700252B (zh) 一种信息安全性检测方法、装置、电子设备和存储介质
US11531987B2 (en) User profiling based on transaction data associated with a user
CN110097454A (zh) 处理线上数据的方法及相关产品
CN111008335B (zh) 一种信息处理方法、装置、设备及存储介质
CN113011646A (zh) 一种数据处理方法、设备以及可读存储介质
CN113011884B (zh) 账户特征的提取方法、装置、设备及可读存储介质
CN104376452A (zh) 基于国际卡支付通道管理支付成功率的系统及方法
CN113935738B (zh) 交易数据处理方法、装置、存储介质及设备
CN112702410B (zh) 一种基于区块链网络的评估系统、方法及相关设备
CN113298121A (zh) 基于多数据源建模的消息发送方法、装置和电子设备
CN117422553A (zh) 区块链网络的交易处理方法、装置、设备、介质和产品
CN112801780A (zh) 基于联邦学习的境内外风险客户识别方法、装置及系统
WO2023060150A1 (en) Data compression techniques for machine learning models
WO2019143360A1 (en) Data security using graph communities
CN114444040A (zh) 认证处理方法、装置、存储介质及电子设备
CN114723206A (zh) 一种资产数据处理方法、计算机设备以及可读存储介质
CN110362981A (zh) 基于可信设备指纹判断异常行为的方法及系统
CN116628236B (zh) 多媒体信息的投放方法、装置、电子设备及存储介质
CN111786937B (zh) 用于识别恶意请求的方法、装置，电子设备和可读介质
CN117034161A (zh) 一种数据处理方法及相关装置

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