CN115795345A - 信息处理方法、装置、设备及存储介质 - Google Patents

Abstract

本公开提供了一种信息处理方法、装置、设备及存储介质，可以应用于人工智能领域和金融科技领域。该方法包括：将目标用户的目标交易属性信息输入至异常识别模型，输出用户识别结果，其中，异常识别模型为利用目标损失函数训练初始异常识别模型后得到的，目标损失函数为经由损失修正参数对初始损失函数进行更新后得到的；将目标用户的目标用户标识与候选用户标识进行相似度匹配，得到用户标识匹配结果；以及基于用户识别结果与用户标识匹配结果，确定针对目标用户的异常用户识别结果。

Description

信息处理方法、装置、设备及存储介质

技术领域

本公开涉及人工智能领域和金融科技领域，尤其涉及一种信息处理方法、装置、设备、存储介质和程序产品。

背景技术

随着经济的快速发展，用户通过金融机构发起交易操作的频次呈现大规模增长，相关金融机构在满足用户的合规交易需求的同时，还需要及时地识别出存在不规范交易等不合规交易行为的异常用户，以及时制止不合规交易行为，维护交易秩序，避免交易风险造成的损失。

而相关技术中对于存在异常交易风险的异常用户的识别准确率较低，时效性较差，难以满足实际需求。

发明内容

鉴于上述问题，本公开提供了信息处理方法、装置、设备、存储介质和程序产品。

根据本公开的第一个方面，提供了一种信息处理方法，包括：

将目标用户的目标交易属性信息输入至异常识别模型，输出用户识别结果，其中，上述异常识别模型为利用目标损失函数训练初始异常识别模型后得到的，上述目标损失函数为经由损失修正参数对初始损失函数进行更新后得到的；

将上述目标用户的目标用户标识与候选用户标识进行相似度匹配，得到用户标识匹配结果；以及

基于上述用户识别结果与上述用户标识匹配结果，确定针对上述目标用户的异常用户识别结果。

根据本公开的实施例，将上述目标用户的目标用户标识与候选用户标识进行相似度匹配，得到用户标识匹配结果包括：

基于编辑距离算法处理上述目标用户标识与上述候选用户标识，得到目标编辑距离；以及

基于上述目标编辑距离，确定上述用户标识匹配结果。

根据本公开的实施例，上述损失修正参数包括第一损失修正参数与第二损失修正参数，上述初始损失函数包括表征第一识别结果的损失值的第一函数部分；

其中，上述目标损失函数为经由损失修正参数对初始损失函数进行更新后得到的包括：

计算上述第一损失修正参数与样本第一识别结果参数的乘积，得到目标样本第一识别结果参数，其中，上述样本第一识别结果参数表征上述初始异常识别模型输出的样本识别结果中，预测样本目标用户为上述第一识别结果的概率；

调用上述目标样本第一识别结果参数更新上述初始损失函数的第一函数部分，得到候选第一函数部分；

利用上述第二损失修正参数与上述候选第一函数部分的乘积，更新上述候选第一函数部分，得到目标第一函数部分；以及

基于上述目标第一函数部分更新上述初始损失函数，得到上述目标损失函数。

根据本公开的实施例，上述初始损失函数还包括表征第二识别结果的损失值的第二函数部分；

其中，上述目标损失函数为经由损失修正参数对初始损失函数进行更新后得到的还包括：

调用预设修正参数与上述第二损失修正参数之差，乘以上述第二函数部分，得到目标第二函数部分；

其中，基于上述目标第一函数部分更新上述初始损失函数，得到上述目标损失函数包括：

利用上述目标第一函数部分更新上述初始损失函数的第一函数部分，得到候选损失函数；以及

利用上述目标第二函数部分更新上述候选损失函数的第二函数部分，得到上述目标损失函数。

根据本公开的实施例，上述异常识别模型包括以下至少一项：

决策树模型、神经网络模型、逻辑回归模型。

根据本公开的实施例，基于上述用户识别结果与上述用户标识匹配结果，确定针对上述目标用户的异常用户识别结果包括：

在上述用户识别结果表征上述目标用户为异常用户的情况下，将上述异常用户识别结果确定为异常结果；或者

在上述用户标识匹配结果表征上述目标用户标识与上述候选用户标识相匹配的情况下，将上述异常用户识别结果确定为上述异常结果；或者

在上述用户识别结果表征上述目标用户为异常用户的情况下，且在上述用户标识匹配结果表征上述目标用户标识与上述候选用户标识相匹配的情况下，将上述异常用户识别结果确定为上述异常结果。

根据本公开的实施例，上述目标交易属性信息包括以下至少一项：

交易设备数量信息、交易对象数量信息、交易金额信息、交易频次信息、交易时间属性信息。

本公开的第二方面提供了一种信息处理装置，包括：

第一识别模块，用于将目标用户的目标交易属性信息输入至异常识别模型，输出用户识别结果，其中，上述异常识别模型为利用目标损失函数训练初始异常识别模型后得到的，上述目标损失函数为经由损失修正参数对初始损失函数进行更新后得到的；

匹配模块，用于将上述目标用户的目标用户标识与候选用户标识进行相似度匹配，得到用户标识匹配结果；以及

异常用户确定模块，用于基于上述用户识别结果与上述用户标识匹配结果，确定针对上述目标用户的异常用户识别结果。

本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述信息处理方法。

本公开的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述信息处理方法。

本公开的第五方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述信息处理方法。

根据本公开提供的信息处理方法、装置、设备、存储介质和程序产品，通过利用经由损失修正参数更新后得到的目标损失函数来训练得到异常识别模型，可以提升异常识别模型针对目标交易属性信息中表征异常情况的交易属性信息的关注度，从而提升用户识别结果的准确率，进而根据用户识别结果和用户标识匹配结果来确定异常用户识别结果，可以进一步准确地提升识别得到异常用户的准确率。因此，至少部分的解决了异常用户的识别准确率较低的技术问题，实现了整体提升异常用户识别效率的技术效果。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的信息处理方法、装置的应用场景图；

图2示意性示出了根据本公开实施例的信息处理方法的流程图；

图3示意性示出了根据本公开实施例的经由损失修正参数对初始损失函数进行更新后得到目标损失函数的流程图；

图4示意性示出了根据本公开实施例的将目标用户的目标用户标识与候选用户标识进行相似度匹配的流程图；

图5示意性示出了根据本公开另一实施例的信息处理方法的应用场景图；

图6示意性示出了根据本公开实施例的信息处理装置的结构框图；以及

图7示意性示出了根据本公开实施例的适于实现信息处理方法的电子设备的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

在本公开的技术方案中，所涉及的数据(如包括但不限于用户个人信息)的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。

相关技术中，异常用户可以是进行不合规交易等异常交易行为的个人、商户等用户。通过用户的交易属性信息来识别出存在异常交易行为，或者存在异常交易风险的异常用户，可以有效地避免银行等机构的业务风险，避免因异常交易行为而产生损失。

本公开的实施例提供了一种信息处理方法、装置、设备、存储介质和程序产品，该信息处理方法包括：将目标用户的目标交易属性信息输入至异常识别模型，输出用户识别结果，其中，异常识别模型为利用目标损失函数训练初始异常识别模型后得到的，目标损失函数为经由损失修正参数对初始损失函数进行更新后得到的；将目标用户的目标用户标识与候选用户标识进行相似度匹配，得到用户标识匹配结果；以及基于用户识别结果与用户标识匹配结果，确定针对目标用户的异常用户识别结果。

根据本公开的实施例，通过利用经由损失修正参数更新后得到的目标损失函数来训练得到异常识别模型，可以提升异常识别模型针对目标交易属性信息中表征异常情况的交易属性信息的关注度，从而提升用户识别结果的准确率，进而根据用户识别结果和用户标识匹配结果来确定异常用户识别结果，可以进一步准确地提升识别得到异常用户的准确率。因此，至少部分的解决了异常用户的识别准确率较低的技术问题，实现了整体提升异常用户识别效率的技术效果。

图1示意性示出了根据本公开实施例的信息处理方法、装置的应用场景图。

如图1所示，根据该实施例的应用场景100可以包括第一终端设备101、第二终端设备102、第三终端设备103、网络104和服务器105。网络104用以在第一终端设备101、第二终端设备102、第三终端设备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。

用户可以使用第一终端设备101、第二终端设备102、第三终端设备103中的至少一个通过网络104与服务器105交互，以接收或发送消息等。第一终端设备101、第二终端设备102、第三终端设备103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

第一终端设备101、第二终端设备102、第三终端设备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、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，例如对用户利用第一终端设备101、第二终端设备102、第三终端设备103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的信息处理方法一般可以由服务器105执行。相应地，本公开实施例所提供的信息处理装置一般可以设置于服务器105中。本公开实施例所提供的信息处理方法也可以由不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的信息处理装置也可以设置于不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群中。

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。

以下将基于图1描述的场景，通过图2～图5对公开实施例的信息处理方法进行详细描述。

图2示意性示出了根据本公开实施例的信息处理方法的流程图。

如图2所示，该实施例的信息处理方法包括操作S210～操作S230。

在操作S210，将目标用户的目标交易属性信息输入至异常识别模型，输出用户识别结果，其中，异常识别模型为利用目标损失函数训练初始异常识别模型后得到的，目标损失函数为经由损失修正参数对初始损失函数进行更新后得到的。

根据本公开的实施例，异常识别模型可以包括任意用于预测目标用户异常情况的算法模型，例如可以基于神经网络算法构建异常识别模型。本公开的实施例对构建异常识别模型的具体算法类型不做限定，本领域技术人员可以根据实际需求进行设计。

根据本公开的实施例，初始损失函数可以是相关技术中任意类型的损失函数，例如对数损失函数、交叉熵损失函数等，本公开的实施例对初始损失函数的具体类型不做限定，本领域技术人员可以根据实际需求进行选择。损失修正参数可以是用于在训练过程中，增强异常识别模型针对目标交易属性信息中表征异常情况的交易属性信息的关注度的参数。

根据本公开的实施例，目标交易属性信息可以包括在历史时间段中针对目标用户产生的任意类型的历史信息，例如可以是历史时间段内的交易金额、交易频次、目标用户的用户标识等，本公开的实施例对目标交易属性信息的具体类型不做限定，只要能够表征目标用户的交易情况即可，本领域技术人员可以根据实际需求选择适宜的交易属性信息。

在操作S220，将目标用户的目标用户标识与候选用户标识进行相似度匹配，得到用户标识匹配结果。

根据本公开的实施例，候选用户可以包括具有异常交易风险的用户，例如历史时间段中存在异常交易的用户，但不仅限于此，还可以是与目标用户具有关联属性的用户，例如目标用户与候选用户为设定历史时间段中批量注册后得到的。

需要说明的是，候选用户标识可以是候选用户的用户编码、用户名称等任意类型的标识，相关技术人员可以基于预设的风险规则确定候选用户标识，只要候选用户标识能够至少部分表征用户存在异常交易风险即可。

在操作S230，基于用户识别结果与用户标识匹配结果，确定针对目标用户的异常用户识别结果。

根据本公开的实施例，可以从用户识别结果或用户标识匹配结果各自表征的异常交易风险来确定移仓用户识别结果，或者还可以综合考虑用户识别结果与用户标识匹配结果各自表征的异常交易风险来确定异常用户识别结果。

根据本公开的实施例，通过利用经由损失修正参数更新后得到的目标损失函数来训练得到异常识别模型，可以提升异常识别模型针对目标交易属性信息中表征异常情况的交易属性信息的关注度，从而提升用户识别结果的准确率，进而根据用户识别结果和用户标识匹配结果来确定异常用户识别结果，可以进一步准确地提升识别得到异常用户的准确率。因此，至少部分的解决了异常用户的识别准确率较低的技术问题，实现了整体提升异常用户识别效率的技术效果。

根据本公开的实施例，目标交易属性信息包括以下至少一项：

交易设备数量信息、交易对象数量信息、交易金额信息、交易频次信息、交易时间属性信息。

根据本公开的实施例，交易设备可以包括pos(point of sales)机设备等用于实现交易的设备或装置，本公开的实施例对交易设备的具体类型不做限定，本领域技术人员可以根据实际需求进行选择。

根据本公开的实施例，交易对象可以包括与目标用户进行交易的用户，需要说明的是，本领域技术人员可以根据与目标用户的交易频次和/或交易金额等交易属性信息来筛选出交易对象，以过滤掉与目标用户的交易相关性较低的用户。

根据本公开的实施例，交易时间属性信息可以包括交易产生的历史时刻或历史时间段的属性，例如可以包括工作日、节假日、工作时间段与休息时间段等。

需要说明的是，交易时间属性信息可以与交易金额信息、交易频次信息等目标交易属性信息结合后输入至异常识别模型，例如可以将工作日的历史交易频次或历史交易金额作为目标交易属性信息。

根据本公开的实施例，交易金额信息可以包括目标用户的交易总金额，或者还可以包括具有预设金额属性的交易金额，例如整数交易金额，大于预设金额阈值的交易金额等，本公开的实施例对交易金额的具体设定方式不做限定，本领域技术人员可以根据实际需求进行限定。

在本公开的一个实施例中，目标交易属性信息可以包括历史时间段内，例如据当前时刻之前三个月内，目标用户的交易金额大于预设金额阈值的交易数量，工作日和/或节假日内各自的交易数量和交易金额，工作时间和/或休息时间内各自的交易数量和交易金额，信用卡类交易的交易数量和交易金额；还可以包括交易对象属性信息，例如交易对象在完成交易之前的对象交易历史时间段内的资金流入流出情况等。

根据本公开的实施例，异常识别模型包括以下至少一项：

决策树模型、神经网络模型、逻辑回归模型。

根据本公开的实施例，决策树模型可以包括基于决策树算法构建得到的算法模型，例如GBDT(Gradient Boosting Decision Tree，梯度提升树)、XGBoost(eXtremeGradient Boosting，极度梯度提升树)等。

根据本公开的实施例，神经网络模型可以包括多层感知机(MLP，MultilayerPerceptron)、循环神经网络等任意用于预测目标用户的异常分类结果的网络模型，本公开的实施例对神经网络模型的具体网络结构不做限定，只要能够预测异常用户识别结果即可。

根据本公开的实施例，逻辑回归模型可以包括线性逻辑回归模型(LR，LogisticRegression)、LRCV(Logistic Regression CV)、随机逻辑回归模型(RLR，RandomizedLogisticRegression)等，本公开的实施例对逻辑回归模型的具体模型结构不做限定。

根据本公开的实施例，损失修正参数包括第一损失修正参数与第二损失修正参数，初始损失函数包括表征第一识别结果的损失值的第一函数部分。

图3示意性示出了根据本公开实施例的经由损失修正参数对初始损失函数进行更新后得到目标损失函数的流程图。

如图3所示，操作S210中，目标损失函数为经由损失修正参数对初始损失函数进行更新后得到的可以包括操作S310～操作S340。

在操作S310，计算第一损失修正参数与样本第一识别结果参数的乘积，得到目标样本第一识别结果参数，其中，样本第一识别结果参数表征初始异常识别模型输出的样本识别结果中，预测样本目标用户为第一识别结果的概率。

在操作S320，调用目标样本第一识别结果参数更新初始损失函数的第一函数部分，得到候选第一函数部分。

在操作S330，利用第二损失修正参数与候选第一函数部分的乘积，更新候选第一函数部分，得到目标第一函数部分。

在操作S340，基于目标第一函数部分更新初始损失函数，得到目标损失函数。

根据本公开的实施例，第一识别结果可以是表征用户具有异常风险的识别结果，初始损失函数的第一函数部分可以用于衡量初始异常识别模型预测出第一识别结果的损失。通过第一损失修正参数和第二损失修正参数来更新初始损失函数的第一函数部分，可以使包含有目标第一函数部分的目标损失函数对于第一识别结果的预测更为关注，从而提升异常识别模型预测第一识别结果的准确率，进而提升异常用户识别的整体识别效率。

根据本公开的实施例，初始损失函数还包括表征第二识别结果的损失值的第二函数部分。

操作S210中，目标损失函数为经由损失修正参数对初始损失函数进行更新后得到的还可以包括如下操作：

调用预设修正参数与第二损失修正参数之差，乘以第二函数部分，得到目标第二函数部分。

操作S340中，基于目标第一函数部分更新初始损失函数，得到目标损失函数可以包括如下操作：

利用目标第一函数部分更新初始损失函数的第一函数部分，得到候选损失函数；以及利用目标第二函数部分更新候选损失函数的第二函数部分，得到目标损失函数。

根据本公开的实施例，第二函数部分可以用于衡量初始异常识别模型预测出与第一识别结果对应的第二识别结果的损失。通过预设修正参数与第二损失修正参数之差来更新第二函数部分，可以使包含有目标第二函数部分的目标损失函数降低对于第二识别结果的预测关注程度，从而提升异常识别模型预测第一识别结果关注度，进而可以进一步提升异常识别模型预测第一识别结果的准确率，提升异常用户识别的整体识别效率。

在本公开的一个实施例中，可以将对数损失函数确定为初始损失函数，例如通过公式(1)表征初始损失函数。

公式(1)中，y_i表示第一识别结果，

表示样本第一识别结果，

可以表示初始损失函数的第一函数部分，

可以表示初始损失函数的第二函数部分，n为样本目标用户的数量。

由于异常以便模型的预测目标是是识别出异常用户，因此异常识别模型对于第一识别结果的预测准确率要求较高，即初始异常识别模型预测出的样本第一识别结果占比越高越好。鉴于此，本公开的实施例利用第一损失修正参数和第二损失修正参数改进了对数损失函数，以减少异常识别模型精确率的损失，得到更高的评价得分。改进后的对数损失函数，即目标损失函数可以通过公式(2)表示。

公式(2)中，α可以表示第一损失修正参数，β可以表示第二损失修正参数，α和β均为目标损失函数的超参数；

改进后的目标损失函数中，可以设定第一损失修正参数α＜1(例如设置为0.5)，从而可以使

预测为第一识别结果的难度增加，

需要足够大才可以得到训练后的异常识别模型，则使异常识别模型预测一识别结果更为精确；相应的可以设定第二损失修正参数β＞1(如设为1.2)，这样可以使异常识别模型对第一识别结果的预测更为关注。通过α和β两个参数对初始损失函数的调整，使得训练过程中初始异常识别模型预测第一识别结果，占真实结果为第一识别结果的比例更大，进而使异常识别模型的识别精确率更高，提升异常识别模型的评分，从而使异常识别模型更能符合对于异常用户识别实际需求。

在本公开的一些实施例中，异常识别模型可以包括相关技术中的二分类模型，例如逻辑回归模型、XGBoost模型、神经网络模型等。根据相同或相似的改进方法，可以设定第一损失修正参数α∈(0，1]，以及第二损失修正参数β∈[1，2]作为目标损失函数的超参数，使用随机搜索、网格搜索等训练方法，训练得到精准率更高的异常识别模型。

图4示意性示出了根据本公开实施例的将目标用户的目标用户标识与候选用户标识进行相似度匹配的流程图。

如图4所示，操作S220，将目标用户的目标用户标识与候选用户标识进行相似度匹配，得到用户标识匹配结果可以包括操作S410～操作S420。

在操作S410，基于编辑距离算法处理目标用户标识与候选用户标识，得到目标编辑距离。

在操作S420，基于目标编辑距离，确定用户标识匹配结果。

根据本公开的实施例，在候选用户为与目标用户关联的用户的情况下，例如目标用户与候选用户具有相同的控制用户的情况下，可以通过编辑距离算法处理目标用户标识与候选用户标识，得到的目标编辑距离再小于预设编辑距离阈值的情况下，可以确定用户标识匹配结果表征相匹配，进而可以预测候选用户标识与目标用户标识为控制用户批量注册的用户标识，同时在候选用户的数量大于预设阈值的情况下，可以预测出目标用户可能会存在交易风险，这样可以识别出具有异常交易风险的目标用户。

根据本公开的实施例，还可以基于目标编辑距离计算目标用户标识与候选用户标识的编辑距离相似度，将编辑距离相似度低于预设相似度阈值的目标用户标识和候选用户标识确定为相匹配。

根据本公开的实施例，操作S230，基于用户识别结果与用户标识匹配结果，确定针对目标用户的异常用户识别结果可以包括如下操作：

在用户识别结果表征目标用户为异常用户的情况下，将异常用户识别结果确定为异常结果；或者在用户标识匹配结果表征目标用户标识与候选用户标识相匹配的情况下，将异常用户识别结果确定为异常结果；或者在用户识别结果表征目标用户为异常用户的情况下，且在用户标识匹配结果表征目标用户标识与候选用户标识相匹配的情况下，将异常用户识别结果确定为异常结果。

根据本公开的实施例，异常结果可以表征目标用户可能存在异常交易风险，在得到异常识别结果的情况下，还可以基于相关人工复核操作来确认，以避免识别错误，进一步提升识别准确率。进一步地，还可以通过异常识别结果中的识别分值来确定异常交易风险等级，并对不同异常交易风险的目标用户采用不同的业务措施，例如短息提醒、电话提醒等。

图5示意性示出了根据本公开另一实施例的信息处理方法的应用场景图。

如图5所示，可以获取批量地获取候选用户的历史交易数据，历史交易数据中包含有目标用户的目标用户标识511和目标交易属性信息512。

相似度匹配模型521可以基于相关人员设定匹配规则，例如设定预设编辑距离阈值等匹配规则。

根据本公开的实施例，相似度匹配模型521可以存储有历史时间段中被认定为具有异常交易风险的异常用户标识，可以基于目标用户标识511与异常用户标识的相似度匹配结果来确定用户标识匹配结果531。

在本公开的一个实施例中，目标用户标识可以包括目标用户的商户编号、商户名称、MCC码(商户类别码)等。

其中商户编号为商户的唯一标识，为15位字符串，MCC码为商户类别码，由4位数字代码组成。

相似度匹配模型521可以基于下述方式得到用户标识匹配结果531。

在目标用户标识511为商户名称的情况下，根据专家规则设定关键词集合K(k₁，k₂，…，k_n)，对目标用户标识511与关键词集合K进行匹配，在商户名称包含关键词k_i(1≤i≤n)的情况下，将用户标识匹配结果531确定为相匹配。

在目标用户标识511为MCC码的情况下，可以通过截取MCC码的第i位置到第j位的字符与相关候选用户标识进行关键字符匹配，得到用户标识匹配结果531。

在目标用户标识511为商户编号的情况下，为避免相关控制用户通过批量注册大量的商户编号进行异常交易，可以统计目标用户的商户编号与候选用户的商户编号的目标编辑距离，在目标编辑距离小于预设编辑距离阈值的情况下，且候选用户的商户编号的数量大于预设数量阈值的情况下，可以将用户标识匹配结果531确定为相匹配。

根据本公开的实施例，目标交易属性信息512可以包括上述实施例中任意类型的信息或信息的组合，本公开的实施例对此不做限定。

在本公开的实施例中，异常识别模型522可以是经过上述实施例中的训练方法对初始异常识别模型进行训练后得到的。该实施例中异常识别模型可以基于XGboost模型构建得到。

用户识别结果532可以包括第一识别结果为异常结果，或者第二识别结果为正常识别结果。

通过比对用户标识匹配结果531和用户识别结果532，可以进一步确定目标用户的异常用户识别结果540，例如在用户标识匹配结果531和用户识别结果532均表征目标用户异常的情况下，可以确定目标用户识别结果540表征具有异常交易风险。

基于上述信息处理方法，本公开还提供了一种信息处理装置。以下将结合图6对该装置进行详细描述。

图6示意性示出了根据本公开实施例的信息处理装置的结构框图。

如图6所示，该实施例的信息处理装置600包括第一识别模块610、匹配模块620和异常用户确定模块630。

第一识别模块610用于将目标用户的目标交易属性信息输入至异常识别模型，输出用户识别结果，其中，异常识别模型为利用目标损失函数训练初始异常识别模型后得到的，目标损失函数为经由损失修正参数对初始损失函数进行更新后得到的；

匹配模块620用于将目标用户的目标用户标识与候选用户标识进行相似度匹配，得到用户标识匹配结果；以及

异常用户确定模块630用于基于用户识别结果与用户标识匹配结果，确定针对目标用户的异常用户识别结果。

根据本公开的实施例，匹配模块包括：编辑距离处理单元和匹配单元。

编辑距离处理单元用于基于编辑距离算法处理目标用户标识与候选用户标识，得到目标编辑距离。

匹配单元用于基于目标编辑距离，确定用户标识匹配结果。

根据本公开的实施例，损失修正参数包括第一损失修正参数与第二损失修正参数，初始损失函数包括表征第一识别结果的损失值的第一函数部分。

其中，第一识别模块包括：第一计算单元、第一更新单元和第二更新单元。

第一计算单元用于计算第一损失修正参数与样本第一识别结果参数的乘积，得到目标样本第一识别结果参数，其中，样本第一识别结果参数表征初始异常识别模型输出的样本识别结果中，预测样本目标用户为第一识别结果的概率；调用目标样本第一识别结果参数更新初始损失函数的第一函数部分，得到候选第一函数部分。

第一更新单元用于利用第二损失修正参数与候选第一函数部分的乘积，更新候选第一函数部分，得到目标第一函数部分。

第二更新单元用于基于目标第一函数部分更新初始损失函数，得到目标损失函数。

根据本公开的实施例，初始损失函数还包括表征第二识别结果的损失值的第二函数部分。

第一识别模块还包括：第二计算单元

第二计算单元用于调用预设修正参数与第二损失修正参数之差，乘以第二函数部分，得到目标第二函数部分。

其中，第二更新单元包括：第一更新子单元和第一更新子单元。

第一更新子单元用于利用目标第一函数部分更新初始损失函数的第一函数部分，得到候选损失函数。

第二更新子单元用于利用目标第二函数部分更新候选损失函数的第二函数部分，得到目标损失函数。

根据本公开的实施例，异常识别模型包括以下至少一项：

决策树模型、神经网络模型、逻辑回归模型。

根据本公开的实施例，异常用户确定模块包括：第一确定单元、第二确定单元或第三确定单元。

第一确定单元用于在用户识别结果表征目标用户为异常用户的情况下，将异常用户识别结果确定为异常结果。

第二确定单用于在用户标识匹配结果表征目标用户标识与候选用户标识相匹配的情况下，将异常用户识别结果确定为异常结果。

第三确定单元用于在用户识别结果表征目标用户为异常用户的情况下，且在用户标识匹配结果表征目标用户标识与候选用户标识相匹配的情况下，将异常用户识别结果确定为异常结果。

根据本公开的实施例，目标交易属性信息包括以下至少一项：

交易设备数量信息、交易对象数量信息、交易金额信息、交易频次信息、交易时间属性信息。

根据本公开的实施例，第一识别模块610、匹配模块620和异常用户确定模块630中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，第一识别模块610、匹配模块620和异常用户确定模块630中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一识别模块610、匹配模块620和异常用户确定模块630中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图7示意性示出了根据本公开实施例的适于实现信息处理方法的电子设备的方框图。

如图7所示，根据本公开实施例的电子设备700包括处理器701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。处理器701例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器701还可以包括用于缓存用途的板载存储器。处理器701可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 703中，存储有电子设备700操作所需的各种程序和数据。处理器701、ROM702以及RAM 703通过总线704彼此相连。处理器701通过执行ROM 702和/或RAM 703中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 702和RAM 703以外的一个或多个存储器中。处理器701也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备700还可以包括输入/输出(I/O)接口705，输入/输出(I/O)接口705也连接至总线704。电子设备700还可以包括连接至I/O接口705的以下部件中的一项或多项：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 702和/或RAM 703和/或ROM 702和RAM 703以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的信息处理方法。

在该计算机程序被处理器701执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分709被下载和安装，和/或从可拆卸介质711被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被处理器701执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (11)

1.一种信息处理方法，包括：

将目标用户的目标交易属性信息输入至异常识别模型，输出用户识别结果，其中，所述异常识别模型为利用目标损失函数训练初始异常识别模型后得到的，所述目标损失函数为经由损失修正参数对初始损失函数进行更新后得到的；

将所述目标用户的目标用户标识与候选用户标识进行相似度匹配，得到用户标识匹配结果；以及

基于所述用户识别结果与所述用户标识匹配结果，确定针对所述目标用户的异常用户识别结果。

2.根据权利要求1所述的方法，其中，将所述目标用户的目标用户标识与候选用户标识进行相似度匹配，得到用户标识匹配结果包括：

基于编辑距离算法处理所述目标用户标识与所述候选用户标识，得到目标编辑距离；以及

基于所述目标编辑距离，确定所述用户标识匹配结果。

3.根据权利要求1所述的方法，其中，所述损失修正参数包括第一损失修正参数与第二损失修正参数，所述初始损失函数包括表征第一识别结果的损失值的第一函数部分；

其中，所述目标损失函数为经由损失修正参数对初始损失函数进行更新后得到的包括：

计算所述第一损失修正参数与样本第一识别结果参数的乘积，得到目标样本第一识别结果参数，其中，所述样本第一识别结果参数表征所述初始异常识别模型输出的样本识别结果中，预测样本目标用户为所述第一识别结果的概率；

调用所述目标样本第一识别结果参数更新所述初始损失函数的第一函数部分，得到候选第一函数部分；

利用所述第二损失修正参数与所述候选第一函数部分的乘积，更新所述候选第一函数部分，得到目标第一函数部分；以及

基于所述目标第一函数部分更新所述初始损失函数，得到所述目标损失函数。

4.根据权利要求3所述的方法，其中，所述初始损失函数还包括表征第二识别结果的损失值的第二函数部分；

其中，所述目标损失函数为经由损失修正参数对初始损失函数进行更新后得到的还包括：

调用预设修正参数与所述第二损失修正参数之差，乘以所述第二函数部分，得到目标第二函数部分；

其中，基于所述目标第一函数部分更新所述初始损失函数，得到所述目标损失函数包括：

利用所述目标第一函数部分更新所述初始损失函数的第一函数部分，得到候选损失函数；以及

利用所述目标第二函数部分更新所述候选损失函数的第二函数部分，得到所述目标损失函数。

5.根据权利要求1所述的方法，其中，所述异常识别模型包括以下至少一项：

决策树模型、神经网络模型、逻辑回归模型。

6.根据权利要求1所述的方法，其中，基于所述用户识别结果与所述用户标识匹配结果，确定针对所述目标用户的异常用户识别结果包括：

在所述用户识别结果表征所述目标用户为异常用户的情况下，将所述异常用户识别结果确定为异常结果；或者

在所述用户标识匹配结果表征所述目标用户标识与所述候选用户标识相匹配的情况下，将所述异常用户识别结果确定为所述异常结果；或者

在所述用户识别结果表征所述目标用户为异常用户的情况下，且在所述用户标识匹配结果表征所述目标用户标识与所述候选用户标识相匹配的情况下，将所述异常用户识别结果确定为所述异常结果。

7.根据权利要求1至6中任一项所述的方法，其中，所述目标交易属性信息包括以下至少一项：

交易设备数量信息、交易对象数量信息、交易金额信息、交易频次信息、交易时间属性信息。

8.一种信息处理装置，包括：

第一识别模块，用于将目标用户的目标交易属性信息输入至异常识别模型，输出用户识别结果，其中，所述异常识别模型为利用目标损失函数训练初始异常识别模型后得到的，所述目标损失函数为经由损失修正参数对初始损失函数进行更新后得到的；

匹配模块，用于将所述目标用户的目标用户标识与候选用户标识进行相似度匹配，得到用户标识匹配结果；以及

异常用户确定模块，用于基于所述用户识别结果与所述用户标识匹配结果，确定针对所述目标用户的异常用户识别结果。

9.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1～7中任一项所述的方法。

10.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～7中任一项所述的方法。

11.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1～7中任一项所述的方法。

Images