CN114265835A - 基于图挖掘的数据分析方法、装置及相关设备 - Google Patents

Abstract

本发明涉及基于图挖掘的数据分析领域，公开了一种基于图挖掘的数据分析方法、装置、计算机设备及存储介质，所述方法包括：通过获取当前交易数据并对当前交易数据进行预处理，得到待分析交易数据，待分析交易数据包括至少一个待分析特征数据，将待分析特征数据添加到异常交易分析模型，将待分析特征数据作为待传播节点，异常交易分析模型包括异常交易节点，基于标签传播算法在异常交易分析模型中对待传播节点和异常交易节点进行聚类，得到聚类关系图，根据聚类关系图，确定异常特征数据的关联特征数据，有利于准确识别异常交易数据。

Description

基于图挖掘的数据分析方法、装置及相关设备

技术领域

本发明涉及数据分析技术领域，尤其涉及一种基于图挖掘的数据分析方 法、装置、计算机设备及存储介质。

背景技术

作为现代经济的核心，金融行业承担着社会资金存储、融通和转移职能， 促进了社会经济发展，然而，金融行业内的一些异常交易行为对国家有着很 大的负面影响，能致使国家遭受经济损失，更严重的可能导致经济动荡，从 而引起金融危机，因此，识别异常交易行为对维护金融体系的稳健运行，维 护社会公正和市场竞争具有重大意义。

目前，主要是基于规则的过滤和识别，通过人工方式制定异常交易预警 规则，当客户信息或交易信息与异常交易预警规则匹配后，即执行相应的业 务策略，但该方式无法全面覆盖各类异常交易行为，且异常交易预警规则易 被进行针对性的规避，导致异常交易预警规则部分失效，无法发现准确识别 异常交易数据。

发明内容

本发明实施例提供一种基于图挖掘的数据分析方法、装置、计算机设备 和存储介质，以提高异常交易数据的识别准确度。

为了解决上述技术问题，本申请实施例提供一种基于图挖掘的数据分析 方法，包括：

获取历史异常交易数据，并对所述历史异常交易数据进行预处理，得到 待处理历史异常交易数据，所述待处理历史异常交易数据包括至少一个异常 特征数据；

将所述异常特征数据导入图数据库，生成图模型，作为所述异常交易分 析模型，并将所述异常特征数据作为所述异常交易分析模型中的所述异常交 易节点。

为了解决上述技术问题，本申请实施例还提供一种基于图挖掘的数据分 析装置，包括：

第一获取模块，用于获取当前交易数据并对所述当前交易数据进行预处 理，得到待分析交易数据，所述待分析交易数据包括至少一个待分析特征数 据；

添加模块，用于将所述待分析特征数据添加到异常交易分析模型，将所 述待分析特征数据作为待传播节点，所述异常交易分析模型包括异常交易节 点；

聚类模块，用于基于标签传播算法在所述异常交易分析模型中对所述待 传播节点和所述异常交易节点进行聚类，得到聚类关系图；

第一确定模块，用于根据所述聚类关系图，确定所述异常特征数据的关 联特征数据。

为了解决上述技术问题，本申请实施例还提供一种计算机设备，包括存 储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程 序，所述处理器执行所述计算机程序时实现上述基于图挖掘的数据分析方法 的步骤。

为了解决上述技术问题，本申请实施例还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计算机程序，所述计算机程序被处理器执行 时实现上述基于图挖掘的数据分析方法的步骤。

本发明实施例提供的基于图挖掘的数据分析方法、装置、计算机设备及 存储介质，通过获取当前交易数据并对当前交易数据进行预处理，得到待分 析交易数据，待分析交易数据包括至少一个待分析特征数据，将待分析特征 数据添加到异常交易分析模型，将待分析特征数据作为待传播节点，异常交 易分析模型包括异常交易节点，基于标签传播算法在异常交易分析模型中对 待传播节点和异常交易节点进行聚类，得到聚类关系图，根据聚类关系图， 确定异常特征数据的关联特征数据，有利于准确识别异常交易数据。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的 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 仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性 劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请可以应用于其中的示例性系统架构图；

图2是本申请的基于图挖掘的数据分析方法的一个实施例的流程图；

图3是根据本申请的基于图挖掘的数据分析装置的一个实施例的结构示 意图；

图4是根据本申请的计算机设备的一个实施例的结构示意图。

具体实施方式

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技 术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的 术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的 说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任 何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述 附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺 序。

在本文中提及“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。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例 可以与其它实施例相结合。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行 清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是 全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

请参阅图1，如图1所示，系统架构100可以包括终端设备101、102、 103，网络104和服务器105。网络104用以在终端设备101、102、103和服 务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如 有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互， 以接收或发送消息等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电 子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器 (Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层 面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩 标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、 103上显示的页面提供支持的后台服务器。

需要说明的是，本申请实施例所提供的基于图挖掘的数据分析方法由服 务器执行，相应地，基于图挖掘的数据分析装置设置于服务器中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。 根据实现需要，可以具有任意数目的终端设备、网络和服务器，本申请实施 例中的终端设备101、102、103具体可以对应的是实际生产中的应用系统。

请参阅图2，图2示出本发明实施例提供的一种基于图挖掘的数据分析方 法，以该方法应用在图1中的服务端为例进行说明，详述如下：

S201：获取当前交易数据并对当前交易数据进行预处理，得到待分析交 易数据，待分析交易数据包括至少一个待分析特征数据。

具体的，当前交易数据可以是金融机构的客户账户之间在当前时刻产生 的金融交易数据，如银行客户的账户之间产生的银行交易数据，对当前交易 数据进行预处理主要是数据清洗(Data cleaning)，其主要是对数据进行重新审 查和校验，目的在于删除重复信息、纠正存在的错误，并提供数据一致性。 例如，手机号或银行卡号多一位或者少一位，则通过数据清洗的方式删除或 添加，待分析交易数据包括但不限于身份标识码、银行卡号、手机号、第三 方账号、发卡机构、交易IP地址，待分析特征数据可以为身份标识码、银行卡号、手机号、第三方账号、发卡机构、交易IP地址。

S202：将待分析特征数据添加到异常交易分析模型，将待分析特征数据 作为待传播节点，异常交易分析模型包括异常交易节点。

具体的，异常交易分析模型为图模型，通过将待分析特征数据导入异常 交易分析模型对应的图数据中，实现将待分析特征数据添加到异常交易分析 模型中，其中，图数据库是NoSQL数据库的一种类型，它应用图形理论存储 实体之间的关系信息。图形数据库是一种非关系型数据库，它应用图形理论 存储实体之间的关系信息。最常见例子就是社会网络中人与人之间的关系， 在本申请中，图数据库用于存储待分析节点与异常交易节点之间的关系信息， 现有的图数据库包括但不限于Neo4j、Arangodb、Orientdb。

S203：基于标签传播算法在异常交易分析模型中对待传播节点和异常交 易节点进行聚类，得到聚类关系图。

具体的，标签传播算法(Label Propagation)是一种基于图的半监督学习 方法，是用已标记节点的标签信息去预测未标记节点的标签信息。利用样本 间的关系建立关系完全图模型，在完全图中，节点包括已标注和未标注数据， 其边表示两个节点的相似度，节点的标签按相似度传递给其他节点，在本申 请中，异常交易节点为已标注节点，待传播节点为未标注节点，通过采用标 签传播算法用异常交易节点的标签按相似度传递给待传播节点，聚类关系图 用于表征异常交易节点与待传播节点之间的聚类关系，其中，该聚类关系用 异常交易节点与待传播节点之间的边进行表示。

S204：根据聚类关系图，确定异常特征数据的关联特征数据。

在本实施例中，通过获取当前交易数据并对当前交易数据进行预处理， 得到待分析交易数据，待分析交易数据包括至少一个待分析特征数据，将待 分析特征数据添加到异常交易分析模型，将待分析特征数据作为待传播节点， 异常交易分析模型包括异常交易节点，基于标签传播算法在异常交易分析模 型中对待传播节点和异常交易节点进行聚类，得到聚类关系图，根据聚类关 系图，确定异常特征数据的关联特征数据，有利于准确识别异常交易数据。

在本实施例的一些可选的实现方式中，在步骤S202，将待分析特征数据 添加到异常交易分析模型之前包括：

获取历史异常交易数据，并对历史异常交易数据进行预处理，得到待处 理历史异常交易数据，待处理历史异常交易数据包括至少一个异常特征数据。

具体的，对历史异常交易数据进行预处理主要是数据清洗(Data cleaning)， 其主要是对数据进行重新审查和校验，目的在于删除重复信息、纠正存在的 错误，并提供数据一致性。例如，手机号或银行卡号多一位或者少一位，则 通过数据清洗的方式删除或添加，历史异常交易数据包括但不限于身份标识 码、银行卡号、手机号、第三方账号、发卡机构、交易IP地址。

将异常特征数据导入图数据库，生成图模型，作为异常交易分析模型， 并将异常特征数据作为异常交易分析模型中的异常交易节点。

具体的，异常交易分析模型由节点和边组成，在此处，节点可以为异常 特征数据，边可以为异常特征数据之间的关系值，其中，关系值可以根据异 常特征数据之间的关系重要程度设置权重，并基于归一化处理的方式，对权 重进行对归一化，取值范围为0～1，如表一所示：

表一

在本实施例中，通过基于历史异常交易数据生成异常交易分析模型，可 以体现任意两个节点之间的关联关系，并根据该关联关系，有利于判断并识 别异常交易特征数据之间的关联，有利于扩大对异常交易数据的识别范围， 进而准确识别异常交易数据。

在本实施例的一些可选的实现方式中，在步骤S203中，基于标签传播算 法在异常交易分析模型中对待传播节点和异常交易节点进行聚类，得到聚类 关系图包括：

基于预设的分配规则，对每一个异常交易节点分配社群编号。

具体的，社群编号可以为阿拉伯数字，如1、2、3、4...以此类推，其中 预设的分配规则可以随机从阿拉伯数字中抽取，依次分配给异常交易节点， 也可以按阿拉伯数字的大小顺序，依次分配给异常交易节点。

基于欧式距离，计算任意两个待传播节点和异常交易节点在欧式空间中 的距离，作为节点相似度。

具体的，欧式距离一般指欧几里得度量。在数学中，欧几里得距离或欧 几里得度量是欧几里得空间中两点间“普通”(即直线)距离，在本申请中， 通过欧式距离计算待传播节点和异常交易节点的在欧式空间中的距离。

若节点相似度大于预设阈值，则将异常交易节点的社群编号传播给待传 播节点。

具体的，预设阈值可以根据对历史经验数据分析获得。

将具有相同社群编号的异常交易节点与待传播节点进行聚类，得到聚类 关系图。

在本实施例中，通过欧式距离计算待传播节点和异常交易节点的在欧式 空间中的距离，并根据距离和预设阈值，将异常交易节点的标签传播给待传 播节点，提高了异常交易数据的识别准确率。

在本实施例的一些可选的实现方式中，在步骤S204中，根据聚类关系图， 确定异常特征数据的关联特征数据之后包括步骤S2041至步骤S2042：

步骤S2041：若待分析特征数据与异常特征数据存在聚类关系，则确定待 分析特征数据为异常交易数据的关联特征数据，并将关联特征数据存储在异 常交易分析模型。

步骤S2042：若待分析特征数据与异常特征数据不存在聚类关系，将待分 析特征数据作为正常交易特征数据，并将正常交易特征数据存储在异常交易 分析模型。

在本实施例中，将关联特征数据和正常交易特征数据存储在异常交易分 析模型中，扩增了异常交易分析模型的数据，有利于提高对异常交易数据进 行识别的准确率。

在本实施例的一些可选的实现方式中，在步骤S2042中，若待分析特征 数据与异常特征数据不存在聚类关系，将待分析特征数据作为正常交易特征 数据，并将正常交易特征数据存储在异常交易分析模型之后，该基于图挖掘 的数据分析方法还包括：

在对下一次交易数据分析结束后，基于标签传播算法，对正常交易特征 数据和异常特征数据进行聚类，得到新的聚类关系图。

在本实施例中，可以根据新的聚类关系图，对正常交易特征数据进行回 溯，进而提高了异常交易数据的识别准确率。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后， 各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实 施过程构成任何限定。

图3示出与上述实施例基于图挖掘的数据分析方法一一对应的基于图挖 掘的数据分析装置的原理框图。如图3所示，该基于图挖掘的数据分析装置 包括第一获取模块30、添加模块31、聚类模块32和第一确定模块33。各功 能模块详细说明如下：

第一获取模块30，用于获取当前交易数据并对当前交易数据进行预处理， 得到待分析交易数据，待分析交易数据包括至少一个待分析特征数据。

添加模块31，用于将待分析特征数据添加到异常交易分析模型，将待分 析特征数据作为待传播节点，异常交易分析模型包括异常交易节点。

聚类模块32，用于基于标签传播算法在异常交易分析模型中对待传播节 点和异常交易节点进行聚类，得到聚类关系图。

第一确定模块33，用于根据聚类关系图，确定异常特征数据的关联特征 数据。

进一步的，基于图挖掘的数据分析装置还包括：

第二获取模块，用于获取历史异常交易数据，并对历史异常交易数据进 行预处理，得到待处理历史异常交易数据，待处理历史异常交易数据包括至 少一个异常特征数据；

模型生成模块，用于将异常特征数据导入图数据库，生成图模型，作为 异常交易分析模型，并将异常特征数据作为异常交易分析模型中的异常交易 节点。

进一步的，聚类模块32包括：

分配模块，用于基于预设的分配规则，对每一个异常交易节点分配社群 编号。

距离计算模块，用于基于欧式距离，计算任意两个待传播节点和异常交 易节点在欧式空间中的距离，作为节点相似度。传播模块，用于若节点相似 度大于预设阈值，则将异常交易节点的社群编号传播给待传播节点。

聚类关系图获得模块，用于将具有相同社群编号的异常交易节点与待传 播节点进行聚类，得到聚类关系图。

进一步的，基于图挖掘的数据分析装置还包括：

第一判断模块，用于若待分析特征数据与异常特征数据存在聚类关系， 则确定待分析特征数据为异常交易数据的关联特征数据，并将关联特征数据 存储在异常交易分析模型；

第二判断模块，用于若待分析特征数据与异常特征数据不存在聚类关系， 将待分析特征数据作为正常交易特征数据，并将正常交易特征数据存储在异 常交易分析模型。

进一步的，基于图挖掘的数据分析装置还包括：

第二确定模块，用于在对下一次交易数据分析结束后，基于标签传播算 法，对正常交易特征数据和异常特征数据进行聚类，得到新的聚类关系图。

关于基于图挖掘的数据分析装置的具体限定可以参见上文中对于基于图 挖掘的数据分析方法的限定，在此不再赘述。上述基于图挖掘的数据分析装 置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块 可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式 存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应 的操作。

为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4， 图4为本实施例计算机设备基本结构框图。

所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、 网络接口43。需要指出的是，图中仅示出了具有组件连接存储器41、处理器 42、网络接口43的计算机设备4，但是应理解的是，并不要求实施所有示出 的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员 可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动 进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集 成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field- Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、 嵌入式设备等。

所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器 等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板 或声控设备等方式进行人机交互。

所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包 括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或D界面显示存储器等)、 随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、 电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性 存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机 设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施 例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计 算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安 全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器 41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。 本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系 统和各类应用软件，例如电子文件的控制的程序代码等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理 器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器 42用于运行所述存储器41中存储的程序代码或者处理数据，例如运行电子文 件的控制的程序代码。

所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43 通常用于在所述计算机设备4与其他电子设备之间建立通信连接。

本申请还提供了另一种实施方式，即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界面显示程序，所述界面显示程序可被至少一 个处理器执行，以使所述至少一个处理器执行如上述的基于图挖掘的数据分 析方法的步骤。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通 过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的 技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体 现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光 盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务 器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。

显然，以上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，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。 本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使 对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进 行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体 实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替 换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在 其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种基于图挖掘的数据分析方法，其特征在于，包括：

获取当前交易数据并对所述当前交易数据进行预处理，得到待分析交易数据，所述待分析交易数据包括至少一个待分析特征数据；

将所述待分析特征数据添加到异常交易分析模型，将所述待分析特征数据作为待传播节点，所述异常交易分析模型包括异常交易节点；

基于标签传播算法在所述异常交易分析模型中对所述待传播节点和所述异常交易节点进行聚类，得到聚类关系图；

根据所述聚类关系图，确定所述异常特征数据的关联特征数据。

2.如权利要求1所述的基于图挖掘的数据分析方法，其特征在于，所述将所述待分析交易数据添加到异常交易分析模型之前包括：

获取历史异常交易数据，并对所述历史异常交易数据进行预处理，得到待处理历史异常交易数据，所述待处理历史异常交易数据包括至少一个异常特征数据；

将所述异常特征数据导入图数据库，生成图模型，作为所述异常交易分析模型，并将所述异常特征数据作为所述异常交易分析模型中的所述异常交易节点。

3.如权利要求1所述的基于图挖掘的数据分析方法，其特征在于，所述基于标签传播算法在所述异常交易分析模型中对所述待传播节点和所述异常交易节点进行聚类，得到聚类关系图包括：

基于预设的分配规则，对每一个所述异常交易节点分配社群编号；

基于欧式距离，计算任意两个所述待传播节点和所述异常交易节点在欧式空间中的距离，作为节点相似度；

若所述节点相似度大于预设阈值，则将所述异常交易节点的社群编号传播给所述待传播节点；

将具有相同所述社群编号的异常交易节点与所述待传播节点进行聚类，得到聚类关系图。

4.如权利要求1所述的基于图挖掘的数据分析方法，其特征在于，所述根据所述聚类关系图，确定所述异常特征数据的关联特征数据之后包括：

若待分析特征数据与所述异常特征数据存在聚类关系，则确定所述待分析特征数据为所述异常交易数据的关联特征数据，并将所述关联特征数据存储在所述异常交易分析模型；

若待分析特征数据与所述异常特征数据不存在聚类关系，将所述待分析特征数据作为正常交易特征数据，并将所述正常交易特征数据存储在所述异常交易分析模型。

5.如权利要求4所述的基于图挖掘的数据分析方法，其特征在于，所述若待分析特征数据与所述异常特征数据不存在聚类关系，将所述待分析特征数据作为正常交易特征数据，并将所述正常交易特征数据存储在所述异常交易分析模型之后，所述基于图挖掘的数据分析方法还包括：

在对下一次交易基于图挖掘的数据分析结束后，基于标签传播算法，对所述正常交易特征数据和所述异常特征数据进行聚类，得到新的聚类关系图。

6.一种基于图挖掘的数据分析装置，其特征在于，包括：

第一获取模块，用于获取当前交易数据并对所述当前交易数据进行预处理，得到待分析交易数据，所述待分析交易数据包括至少一个待分析特征数据；

添加模块，用于将所述待分析特征数据添加到异常交易分析模型，将所述待分析特征数据作为待传播节点，所述异常交易分析模型包括异常交易节点；

聚类模块，用于基于标签传播算法在所述异常交易分析模型中对所述待传播节点和所述异常交易节点进行聚类，得到聚类关系图；

第一确定模块，用于根据所述聚类关系图，确定所述异常特征数据的关联特征数据。

7.如权利要求6所述的基于图挖掘的数据分析装置，其特征在于，所述装置还包括：

第二获取模块，用于获取历史异常交易数据，并对所述历史异常交易数据进行预处理，得到待处理历史异常交易数据，所述待处理历史异常交易数据包括至少一个异常特征数据；

模型生成模块，用于将所述异常特征数据导入图数据库，生成图模型，作为所述异常交易分析模型，并将所述异常特征数据作为所述异常交易分析模型中的所述异常交易节点。

8.如权利要求6所述的基于图挖掘的数据分析装置，其特征在于，所述聚类模块包括：

分配模块，用于基于预设的分配规则，对每一个所述异常交易节点分配社群编号；

距离计算模块，用于基于欧式距离，计算任意两个所述待传播节点和所述异常交易节点在欧式空间中的距离，作为节点相似度；

传播模块，用于若所述节点相似度大于预设阈值，则将所述异常交易节点的社群编号传播给所述待传播节点；

聚类关系图获得模块，用于将具有相同所述社群编号的异常交易节点与所述待传播节点进行聚类，得到聚类关系图。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的基于图挖掘的数据分析方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的基于图挖掘的数据分析方法。

Images