CN116304341A - 基于用户网络大数据的欺诈判别方法及系统 - Google Patents
基于用户网络大数据的欺诈判别方法及系统 Download PDFInfo
- Publication number
- CN116304341A CN116304341A CN202310283974.4A CN202310283974A CN116304341A CN 116304341 A CN116304341 A CN 116304341A CN 202310283974 A CN202310283974 A CN 202310283974A CN 116304341 A CN116304341 A CN 116304341A
- Authority
- CN
- China
- Prior art keywords
- network
- data
- typical
- current
- data association
- 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.)
- Withdrawn
Links
- 238000012850 discrimination method Methods 0.000 title claims abstract description 24
- 238000012098 association analyses Methods 0.000 claims abstract description 256
- 230000006399 behavior Effects 0.000 claims description 386
- 239000013598 vector Substances 0.000 claims description 143
- 238000010219 correlation analysis Methods 0.000 claims description 99
- 238000005065 mining Methods 0.000 claims description 80
- 238000005457 optimization Methods 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 34
- 238000004458 analytical method Methods 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 17
- 238000012423 maintenance Methods 0.000 claims description 9
- 238000012512 characterization method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 10
- 238000013507 mapping Methods 0.000 description 17
- 238000005516 engineering process Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (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)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Fuzzy Systems (AREA)
- Software Systems (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供的基于用户网络大数据的欺诈判别方法及系统,涉及人工智能技术领域。在本发明中,提取到目标网络用户的待分析网络行为数据;确定出关联网络用户的网络行为数据;对待分析网络行为数据和每一个候选网络行为数据进行加载,以加载到优化数据关联分析网络中,分析出待分析网络行为数据和每一个候选网络行为数据之间的目标数据关联参数;依据目标数据关联参数,确定出至少一个候选网络行为数据,并标记为关联网络行为数据;基于至少一个关联网络行为数据和待分析网络行为数据,对待分析网络行为进行欺诈判别操作,以输出待分析网络行为对应的目标欺诈判别结果。基于上述内容,可以提高欺诈判别的可靠度。
Description
技术领域
本发明涉及人工智能技术领域,具体而言,涉及一种基于用户网络大数据的欺诈判别方法及系统。
背景技术
随着互联网技术和计算机技术的成熟,使得其应用用户逐渐增多,因此,会产生大量的用户网络数据,而通过对这些用户网络数据进行学习,可以使得设备可以进行智能处理,即实现人工智能。
人工智能,即AI(Artificial Intelligence),是利用数字计算机或者数字计算机控制的计算模拟、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。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、自动驾驶、智慧交通等几大方向。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。
其中,在人工智能技术的诸多应用中,一般包括基于人工智能技术对用户网络行为数据进行分析,以实现网络行为欺诈的判别等。但是,在现有技术中,一般存在着欺诈判别的可靠度不高的问题。
发明内容
有鉴于此,本发明的目的在于提供一种基于用户网络大数据的欺诈判别方法及系统,以提高欺诈判别的可靠度。
为实现上述目的,本发明实施例采用如下技术方案:
一种基于用户网络大数据的欺诈判别方法,包括:
提取到目标网络用户的待分析网络行为数据,所述待分析网络行为数据属于所述目标网络用户的待分析网络行为的文本描述数据;
确定出所述目标网络用户的关联网络用户,并确定出所述关联网络用户的网络行为数据,以得到多个候选网络行为数据,所述多个候选网络行为数据包括一个关联网络用户的多个时期的候选网络行为数据或属于多个关联网络用户中的每一个关联网络用户对应的至少一个时期的候选网络行为数据;
对所述待分析网络行为数据和每一个所述候选网络行为数据进行加载,以加载到优化数据关联分析网络中,分析出所述待分析网络行为数据和每一个所述候选网络行为数据之间的目标数据关联参数;
依据所述目标数据关联参数,在所述多个候选网络行为数据中,确定出至少一个候选网络行为数据,并标记为关联网络行为数据;
基于至少一个所述关联网络行为数据和所述待分析网络行为数据,对所述待分析网络行为进行欺诈判别操作,以输出所述待分析网络行为对应的目标欺诈判别结果,所述目标欺诈判别结果用于反映所述待分析网络行为是否属于网络欺诈或属于网络欺诈的可能性程度。
在一些优选的实施例中,在上述基于用户网络大数据的欺诈判别方法中,所述基于用户网络大数据的欺诈判别方法还包括:
确定出需处理数据关联分析网络,所述需处理数据关联分析网络基于目前数据关联分析网络和所述目前数据关联分析网络对应的参考数据关联分析网络构建形成,所述目前数据关联分析网络包括目前第一挖掘单元和目前第二挖掘单元,所述参考数据关联分析网络基于所述目前数据关联分析网络中的目前第一挖掘单元和/或目前第二挖掘单元构建形成;
提取到典型第一网络行为数据、典型第二网络行为数据和实际数据关联参数,并对所述典型第一网络行为数据和所述典型第二网络行为数据进行加载,以加载到所述需处理数据关联分析网络,利用所述需处理数据关联分析网络中的目前数据关联分析网络,分析出所述典型第一网络行为数据和所述典型第二网络行为数据之间的关联参数,以形成对应的目前数据关联参数,以及,利用所述需处理数据关联分析网络中的参考数据关联分析网络,分析出所述典型第一网络行为数据和所述典型第二网络行为数据之间的关联参数,以形成对应的参考关联数据参数;
依据所述目前数据关联参数和所述参考关联数据参数进行参考误差分析处理,以输出参考维度误差参数;
依据所述目前数据关联参数和所述实际数据关联参数进行实际误差分析处理,以输出实际维度误差参数;
依据所述参考维度误差参数和所述实际维度误差参数,将所述需处理数据关联分析网络中的目前数据关联分析网络进行网络优化操作,以形成对应的中间的需处理数据关联分析网络;
对所述中间的需处理数据关联分析网络进行标记,以重新标记为需处理数据关联分析网络,以及,回转执行所述提取到典型第一网络行为数据、典型第二网络行为数据和实际数据关联参数,并对所述典型第一网络行为数据和所述典型第二网络行为数据进行加载,以加载到所述需处理数据关联分析网络,利用所述需处理数据关联分析网络中的目前数据关联分析网络,分析出所述典型第一网络行为数据和所述典型第二网络行为数据之间的关联参数,以形成对应的目前数据关联参数,以及,利用所述需处理数据关联分析网络中的参考数据关联分析网络,分析出所述典型第一网络行为数据和所述典型第二网络行为数据之间的关联参数,以形成对应的参考关联数据参数的步骤;
依据网络优化操作结束后的需处理数据关联分析网络中的目前数据关联分析网络,确定出所述优化数据关联分析网络。
在一些优选的实施例中,在上述基于用户网络大数据的欺诈判别方法中,所述确定出需处理数据关联分析网络的步骤,包括:
确定出目前的时间信息,以及,对所述目前的时间信息进行对比分析,并在所述目前的时间信息属于优化参考时间信息的情况下,确定出所述目前的时间信息对应的目前数据关联分析网络;
依据所述目前数据关联分析网络的网络架构信息,确定出参考数据关联分析网络的网络架构信息,以及,依据所述目前数据关联分析网络的网络参数信息,确定出所述参考数据关联分析网络的网络参数信息;
依据所述参考数据关联分析网络的网络架构信息和所述参考数据关联分析网络的网络参数信息,确定出参考数据关联分析网络,以及,依据所述目前数据关联分析网络和所述参考数据关联分析网络,确定出对应的需处理数据关联分析网络。
在一些优选的实施例中,在上述基于用户网络大数据的欺诈判别方法中,所述提取到典型第一网络行为数据、典型第二网络行为数据和实际数据关联参数,并对所述典型第一网络行为数据和所述典型第二网络行为数据进行加载,以加载到所述需处理数据关联分析网络,利用所述需处理数据关联分析网络中的目前数据关联分析网络,分析出所述典型第一网络行为数据和所述典型第二网络行为数据之间的关联参数,以形成对应的目前数据关联参数,以及,利用所述需处理数据关联分析网络中的参考数据关联分析网络,分析出所述典型第一网络行为数据和所述典型第二网络行为数据之间的关联参数,以形成对应的参考关联数据参数的步骤,包括:
提取到典型第一网络行为数据、典型第二网络行为数据和实际数据关联参数,并对所述典型第一网络行为数据和所述典型第二网络行为数据进行加载,以加载到所述需处理数据关联分析网络;
利用所述需处理数据关联分析网络中的目前数据关联分析网络,挖掘出所述典型第一网络行为数据的行为关键信息,以形成对应的目前第一关键描述向量,以及,挖掘出所述典型第二网络行为数据的行为关键信息,以形成对应的目前第二关键描述向量;
确定出所述目前第一关键描述向量与所述目前第二关键描述向量之间的向量相似参数,以形成对应的目前数据关联参数;
利用所述需处理数据关联分析网络中的参考数据关联分析网络,挖掘出所述典型第一网络行为数据的行为关键信息,以形成对应的参考第一关键描述向量,以及,挖掘出所述典型第二网络行为数据的行为关键信息,以形成对应的参考第二关键描述向量;
确定出所述参考第一关键描述向量与所述参考第二关键描述向量之间的向量相似参数,以形成对应的参考关联数据参数。
在一些优选的实施例中,在上述基于用户网络大数据的欺诈判别方法中,所述依据所述参考维度误差参数和所述实际维度误差参数,将所述需处理数据关联分析网络中的目前数据关联分析网络进行网络优化操作,以形成对应的中间的需处理数据关联分析网络的步骤,包括:
确定出重要性表征系数,以及,依据所述重要性表征系数,将所述参考维度误差参数进行更新处理,以形成对应的更新参考维度误差参数;
对所述更新参考维度误差参数和所述实际维度误差参数进行和值计算,以输出对应的总的误差参数;
依据所述总的误差参数,对所述需处理数据关联分析网络中目前数据关联分析网络的网络参数信息进行优化操作,以及,对所述需处理数据关联分析网络中参考数据关联分析网络的网络参数信息进行维持操作,以形成对应的中间的需处理数据关联分析网络。
在一些优选的实施例中,在上述基于用户网络大数据的欺诈判别方法中,所述目前数据关联分析网络包括目前第一挖掘单元和目前第二挖掘单元;所述确定出需处理数据关联分析网络的步骤,包括:
确定出目前的时间信息,以及,对所述目前的时间信息进行对比分析,并在所述目前的时间信息属于优化参考时间信息的情况下,确定出所述目前的时间信息对应的目前数据关联分析网络;
依据所述目前数据关联分析网络中目前第一挖掘单元的单元架构信息,确定出第一参考数据关联分析网络的网络架构信息;
依据所述目前第一挖掘单元的单元参数信息,确定出所述第一参考数据关联分析网络的网络参数信息;
依据所述第一参考数据关联分析网络的网络架构信息和所述第一参考数据关联分析网络的网络参数信息,确定出第一参考数据关联分析网络,以及,依据所述目前数据关联分析网络和所述第一参考数据关联分析网络,确定出第一需处理数据关联分析网络。
在一些优选的实施例中,在上述基于用户网络大数据的欺诈判别方法中,所述提取到典型第一网络行为数据、典型第二网络行为数据和实际数据关联参数,并对所述典型第一网络行为数据和所述典型第二网络行为数据进行加载,以加载到所述需处理数据关联分析网络,利用所述需处理数据关联分析网络中的目前数据关联分析网络,分析出所述典型第一网络行为数据和所述典型第二网络行为数据之间的关联参数,以形成对应的目前数据关联参数,以及,利用所述需处理数据关联分析网络中的参考数据关联分析网络,分析出所述典型第一网络行为数据和所述典型第二网络行为数据之间的关联参数,以形成对应的参考关联数据参数的步骤,包括:
提取到典型第一网络行为数据、典型第二网络行为数据和实际数据关联参数,并对所述典型第一网络行为数据和所述典型第二网络行为数据进行加载,以加载到所述第一需处理数据关联分析网络;以及,利用所述目前第一挖掘单元,挖掘出所述典型第一网络行为数据的行为关键信息,以形成对应的目前第一关键描述向量,以及,利用所述目前第二挖掘单元,挖掘出所述典型第二网络行为数据的行为关键信息,以形成对应的到目前第二关键描述向量;以及,确定出所述目前第一关键描述向量和所述目前第二关键描述向量之间的向量相似参数,以形成对应的目前数据关联参数;以及,利用所述第一参考数据关联分析网络,挖掘出所述典型第一网络行为数据的行为关键信息,以形成对应的参考第一关键描述向量;
所述依据所述目前数据关联参数和所述参考关联数据参数进行参考误差分析处理,以输出参考维度误差参数的步骤,包括:
依据所述目前第一关键描述向量和所述参考第一关键描述向量进行参考误差分析处理,以输出对应的第一参考维度误差参数;
所述依据所述参考维度误差参数和所述实际维度误差参数,将所述需处理数据关联分析网络中的目前数据关联分析网络进行网络优化操作,以形成对应的中间的需处理数据关联分析网络的步骤,包括:
确定出所述第一参考维度误差参数与所述实际维度误差参数的和值,以输出对应的第一总的误差参数;以及,依据所述第一总的误差参数,对所述第一需处理数据关联分析网络中目前数据关联分析网络的网络参数信息进行优化操作,以及,对所述第一需处理数据关联分析网络中第一参考数据关联分析网络的网络参数信息进行维持操作,以形成对应的中间的需处理数据关联分析网络。
在一些优选的实施例中,在上述基于用户网络大数据的欺诈判别方法中,所述目前数据关联分析网络包括目前第一挖掘单元和目前第二挖掘单元;所述确定出需处理数据关联分析网络的步骤,包括:
确定出目前的时间信息,以及,对所述目前的时间信息进行对比分析,并在所述目前的时间信息属于优化参考时间信息的情况下,确定出所述目前的时间信息对应的目前数据关联分析网络;
依据所述目前数据关联分析网络中目前第二挖掘单元的单元架构信息,确定出第二参考数据关联分析网络的网络架构信息;
依据所述目前第二挖掘单元的单元参数信息,确定出所述第二参考数据关联分析网络的网络参数信息;
依据所述第二参考数据关联分析网络的网络架构信息和所述第二参考数据关联分析网络的网络参数信息,确定出第二参考数据关联分析网络,以及,依据所述目前数据关联分析网络和所述第二参考数据关联分析网络,确定出对应的第二需处理数据关联分析网络。
在一些优选的实施例中,在上述基于用户网络大数据的欺诈判别方法中,所述提取到典型第一网络行为数据、典型第二网络行为数据和实际数据关联参数,并对所述典型第一网络行为数据和所述典型第二网络行为数据进行加载,以加载到所述需处理数据关联分析网络,利用所述需处理数据关联分析网络中的目前数据关联分析网络,分析出所述典型第一网络行为数据和所述典型第二网络行为数据之间的关联参数,以形成对应的目前数据关联参数,以及,利用所述需处理数据关联分析网络中的参考数据关联分析网络,分析出所述典型第一网络行为数据和所述典型第二网络行为数据之间的关联参数,以形成对应的参考关联数据参数的步骤,包括:
提取到典型第一网络行为数据、典型第二网络行为数据和实际数据关联参数,并对所述典型第一网络行为数据和所述典型第二网络行为数据进行加载,以加载到所述第二需处理数据关联分析网络;以及,利用所述目前第一挖掘单元,挖掘出所述典型第一网络行为数据的行为关键信息,以形成对应的目前第一关键描述向量,以及,利用所述目前第二挖掘单元,挖掘出所述典型第二网络行为数据的行为关键信息,以形成对应的目前第二关键描述向量;以及,确定出所述目前第一关键描述向量和所述目前第二关键描述向量之间的向量相似参数,以形成对应的目前数据关联参数;以及,利用所述第二参考数据关联分析网络,挖掘出所述典型第二网络行为数据的行为关键信息,以形成对应的参考第二关键描述向量;
所述依据所述目前数据关联参数和所述参考关联数据参数进行参考误差分析处理,以输出参考维度误差参数的步骤,包括:
依据所述目前第二关键描述向量和所述参考第二关键描述向量进行参考误差分析处理,以输出对应的第二参考维度误差参数;
所述依据所述参考维度误差参数和所述实际维度误差参数,将所述需处理数据关联分析网络中的目前数据关联分析网络进行网络优化操作,以形成对应的中间的需处理数据关联分析网络的步骤,包括:
确定出所述第二参考维度误差参数与所述实际维度误差参数和值,以形成对应的第二总的误差参数;以及,依据所述第二总的误差参数,对所述第二参考数据关联分析网络中目前数据关联分析网络的网络参数信息进行优化操作,以及,对所述第二参考数据关联分析网络中第二参考数据关联分析网络的网络参数信息进行维持操作,以形成对应的中间的需处理数据关联分析网络。
本发明实施例还提供一种基于用户网络大数据的欺诈判别系统,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现上述的基于用户网络大数据的欺诈判别方法。
本发明实施例提供的基于用户网络大数据的欺诈判别方法及系统,可以提取到目标网络用户的待分析网络行为数据;确定出关联网络用户的网络行为数据;对待分析网络行为数据和每一个候选网络行为数据进行加载,以加载到优化数据关联分析网络中,分析出待分析网络行为数据和每一个候选网络行为数据之间的目标数据关联参数;依据目标数据关联参数,确定出至少一个候选网络行为数据,并标记为关联网络行为数据;基于至少一个关联网络行为数据和待分析网络行为数据,对待分析网络行为进行欺诈判别操作,以输出待分析网络行为对应的目标欺诈判别结果。基于上述的内容,由于在进行欺诈判别操作之前,会先确定出关联网络用户,使得可以进一步确定出关联网络行为数据,从而可以基于关联网络行为数据,对待分析网络行为数据进行补充限定,使得数据的含义更为清晰,有利于提高基于此进行的欺诈判别的可靠度,改善现有技术中的不足。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
图1为本发明实施例提供的基于用户网络大数据的欺诈判别系统的结构框图。
图2为本发明实施例提供的基于用户网络大数据的欺诈判别方法包括的各步骤的流程示意图。
图3为本发明实施例提供的基于用户网络大数据的欺诈判别装置包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例只是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
如图1所示,本发明实施例提供了一种基于用户网络大数据的欺诈判别系统。其中,所述基于用户网络大数据的欺诈判别系统可以包括存储器和处理器,在此基础上,根据需求还可以包括其它的器件。
详细地,所述存储器和处理器之间直接或间接地电性连接,以实现数据的传输或交互。例如,相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件(firmware)的形式,存在的软件功能模块(计算机程序)。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序,从而实现本发明实施例提供的基于用户网络大数据的欺诈判别方法。
应当理解的是,在一些可以实现的实施方式中,所述存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(ErasableProgrammable Read-Only Memory,EPROM),电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory,EEPROM)等。所述处理器可以是一种通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)、片上系统(System on Chip,SoC)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
应当理解的是,在一些可以实现的实施方式中,所述基于用户网络大数据的欺诈判别系统可以是一种具备数据处理能力的服务器。
结合图2,本发明实施例还提供一种基于用户网络大数据的欺诈判别方法,可应用于上述基于用户网络大数据的欺诈判别系统。其中,所述基于用户网络大数据的欺诈判别方法有关的流程所定义的方法步骤,可以由所述基于用户网络大数据的欺诈判别系统实现。
下面将对图2所示的具体流程,进行详细阐述。
步骤S110,提取到目标网络用户的待分析网络行为数据。
在本发明实施例中,所述基于用户网络大数据的欺诈判别系统可以提取到目标网络用户的待分析网络行为数据。所述待分析网络行为数据属于所述目标网络用户的待分析网络行为的文本描述数据。
步骤S120,确定出所述目标网络用户的关联网络用户,并确定出所述关联网络用户的网络行为数据,以得到多个候选网络行为数据。
在本发明实施例中,所述基于用户网络大数据的欺诈判别系统可以确定出所述目标网络用户的关联网络用户,并确定出所述关联网络用户的网络行为数据,以得到多个候选网络行为数据。所述多个候选网络行为数据包括一个关联网络用户的多个时期的候选网络行为数据或属于多个关联网络用户中的每一个关联网络用户对应的至少一个时期的候选网络行为数据。另外,所述关联网络用户可以是所述目标网络用户的交互用户,如与所述目标网络用户之间的网络交互的次数大于预设次数等。
步骤S130,对所述待分析网络行为数据和每一个所述候选网络行为数据进行加载,以加载到优化数据关联分析网络中,分析出所述待分析网络行为数据和每一个所述候选网络行为数据之间的目标数据关联参数。
在本发明实施例中,所述基于用户网络大数据的欺诈判别系统可以对所述待分析网络行为数据和每一个所述候选网络行为数据进行加载,以加载到优化数据关联分析网络中,分析出所述待分析网络行为数据和每一个所述候选网络行为数据之间的目标数据关联参数。
步骤S140,依据所述目标数据关联参数,在所述多个候选网络行为数据中,确定出至少一个候选网络行为数据,并标记为关联网络行为数据。
在本发明实施例中,所述基于用户网络大数据的欺诈判别系统可以依据所述目标数据关联参数,在所述多个候选网络行为数据中,确定出至少一个候选网络行为数据,并标记为关联网络行为数据。例如,可以将所述多个候选网络行为数据中,对应的目标数据关联参数最大的一个或多个候选网络行为数据,作为关联网络行为数据。
步骤S150,基于至少一个所述关联网络行为数据和所述待分析网络行为数据,对所述待分析网络行为进行欺诈判别操作,以输出所述待分析网络行为对应的目标欺诈判别结果。
在本发明实施例中,所述基于用户网络大数据的欺诈判别系统可以基于至少一个所述关联网络行为数据和所述待分析网络行为数据,对所述待分析网络行为进行欺诈判别操作,以输出所述待分析网络行为对应的目标欺诈判别结果。所述目标欺诈判别结果用于反映所述待分析网络行为是否属于网络欺诈或属于网络欺诈的可能性程度。
基于上述的内容,即上述的步骤S110、步骤S120、步骤S130、步骤S140和步骤S150,由于在进行欺诈判别操作之前,会先确定出关联网络用户,使得可以进一步确定出关联网络行为数据,从而可以基于关联网络行为数据,对待分析网络行为数据进行补充限定,使得数据的含义更为清晰,有利于提高基于此进行的欺诈判别的可靠度,改善现有技术中的不足。
其中,应当理解的是,在一些可以实现的实施方式中,上述的步骤S120,即所述确定出所述目标网络用户的关联网络用户的步骤,可以进一步包括以下的各个子步骤:
提取到目标用户关系图谱,在所述目标用户关系图谱中,每一个图谱节点对应于一个网络用户,且每一个所述图谱节点的节点属性信息至少包括对应的网络用户的用户信息,该用户信息包括用户属性数据和网络行为数据,所述用户属性数据包括用户身份信息等,并且,在所述目标用户关系图谱中,图谱节点之间的连接线用于反映对应的网络用户之间的直接相关关系,该直接相关关系用于反映网络用户之间的社交深度,该社交深度可以基于社交信息的数据量和社交次数进行确定;
将所述目标网络用户对应的图谱节点确定为目标图谱节点,将所述目标用户关系图谱中所述目标图谱节点以外的任意一个图谱节点确定为候选图谱节点(可以依次将每一个图谱节点确定为候选图谱节点);
将所述目标图谱节点作为中心节点,基于预设数量,对所述目标用户关系图谱进行遍历,以形成第一局部用户关系图谱,所述第一局部用户关系图谱包括的每一个图谱节点与所述目标图谱节点之间的最小间隔节点数量小于或等于所述预设数量,所述最小间隔节点数量用于反映依据目标连接线,从所述图谱节点遍历到所述目标图谱节点的最短路径,所述目标连接线是指连接在社交深度大于预设社交深度的两个网络用户对应的图谱节点之间的连接线,遍历到的两个相邻图谱节点通过目标连接线连接;
将所述候选图谱节点作为中心节点,基于所述预设数量,对所述目标用户关系图像进行遍历,以形成第二局部用户关系图谱;
对所述第一局部用户关系图谱进行拆分,形成第一子局部用户关系图谱和第二子局部用户关系图谱,所述第一子局部用户关系图谱和所述第二子局部用户关系图谱的交集为所述目标图谱节点,所述第一子局部用户关系图谱和所述第二子局部用户关系图谱的并集为第一局部用户关系图谱;
对所述第二局部用户关系图谱进行拆分,形成第三子局部用户关系图谱和第四子局部用户关系图谱,所述第三子局部用户关系图谱和所述第四子局部用户关系图谱的交集为所述候选图谱节点,所述第三子局部用户关系图谱和所述第四子局部用户关系图谱的并集为第二局部用户关系图谱;
利用级联的多个卷积单元对所述第一子局部用户关系图谱对应的特征空间映射向量(将所述第一子局部用户关系图谱映射到特征空间,得到特征空间映射向量)进行卷积运算,以输出对应的多个第一卷积描述向量,以及,利用所述多个卷积单元对所述第二子局部用户关系图谱对应的特征空间映射向量进行卷积运算,以输出对应的多个第二卷积描述向量,每一个所述卷积单元包括的卷积核的尺寸可以不同;
利用所述多个卷积单元对所述第三子局部用户关系图谱对应的特征空间映射向量进行卷积运算,以输出对应的多个第三卷积描述向量,以及,利用所述多个卷积单元对所述第四子局部用户关系图谱对应的特征空间映射向量进行卷积运算,以输出对应的多个第四卷积描述向量;
将第一个卷积单元输出的第一卷积描述向量和第二卷积描述向量进行叠加处理(或者,在其它实施方式中,也可以将第一卷积描述向量和第二卷积描述向量进行模态间的聚焦特征分析操作,以形成对应的第一叠加描述向量),以形成第一个卷积单元对应的第一叠加描述向量,以及,将第一个卷积单元输出的第三卷积描述向量和第四卷积描述向量进行叠加处理,以形成第一个卷积单元对应的第二叠加描述向量;
对于第一个卷积单元以外的每一个卷积单元,将该卷积单元输出的第一卷积描述向量和第二卷积描述向量进行叠加处理(也可以是进行模态间的聚焦特征分析操作),并将叠加处理的结果和前一个卷积单元对应的第一叠加描述向量进行拼接,以输出该卷积单元对应的第一叠加描述向量,以及,将该卷积单元输出的第三卷积描述向量和第四卷积描述向量进行叠加处理,并将叠加处理的结果和前一个卷积单元对应的第二叠加描述向量进行拼接,以输出该卷积单元对应的第二叠加描述向量;
对于每一个卷积单元,对该卷积单元对应的第一叠加描述向量和对应的第二叠加描述向量进行向量相似度的计算,以输出该卷积单元对应的向量相似度,以及,对每一个卷积单元对应的向量相似度进行融合,如加权均值计算,以输出所述目标图谱节点和所述候选图谱节点之间的节点相似度,再依据该节点相似度,确定是否将该候选图谱节点对应的网络用户作为所述目标网络用户的关联网络用户,例如,在所述节点相似度大于预设节点相似度的情况下,将所述候选图谱节点对应的网络用户作为所述目标网络用户的关联网络用户。
应当理解的是,在一些可以实现的实施方式中,在上述内容的基础上,为了使得上述的步骤S130的有效执行,所述基于用户网络大数据的欺诈判别方法,还可以进一步包括优化形成所述优化数据关联分析网络的步骤,该步骤可以进一步包括以下的各个子步骤:
确定出需处理数据关联分析网络,所述需处理数据关联分析网络基于目前数据关联分析网络和所述目前数据关联分析网络对应的参考数据关联分析网络构建形成,所述目前数据关联分析网络包括目前第一挖掘单元和目前第二挖掘单元,所述参考数据关联分析网络基于所述目前数据关联分析网络中的目前第一挖掘单元和/或目前第二挖掘单元构建形成(示例性地,所述目标第一挖掘单元可以用于对典型第一网络行为数据进行挖掘,以挖掘出对应的行为关键信息,所述目标第二挖掘单元可以用于对典型第二网络行为数据进行挖掘,以挖掘出对应的行为关键信息);
提取到典型第一网络行为数据、典型第二网络行为数据和实际数据关联参数,并对所述典型第一网络行为数据和所述典型第二网络行为数据进行加载,以加载到所述需处理数据关联分析网络,利用所述需处理数据关联分析网络中的目前数据关联分析网络,分析出所述典型第一网络行为数据和所述典型第二网络行为数据之间的关联参数,以形成对应的目前数据关联参数,以及,利用所述需处理数据关联分析网络中的参考数据关联分析网络,分析出所述典型第一网络行为数据和所述典型第二网络行为数据之间的关联参数,以形成对应的参考关联数据参数;
依据所述目前数据关联参数和所述参考关联数据参数进行参考误差分析处理,以输出参考维度误差参数;
依据所述目前数据关联参数和所述实际数据关联参数进行实际误差分析处理,以输出实际维度误差参数;
依据所述参考维度误差参数和所述实际维度误差参数,将所述需处理数据关联分析网络中的目前数据关联分析网络进行网络优化操作,以形成对应的中间的需处理数据关联分析网络(基于此,由于所述参考数据关联分析网络的存在,且网络优化操作的对象为目前数据关联分析网络,使得所述中间的需处理数据关联分析网络不仅可以保留到形成的目前数据关联分析网络的典型数据的关系,还可以进一步学习到新的典型数据的关系,使得其学习的关系更多,从而保障其数据关联分析的精度);
对所述中间的需处理数据关联分析网络进行标记,以重新标记为需处理数据关联分析网络,以及,回转执行所述提取到典型第一网络行为数据、典型第二网络行为数据和实际数据关联参数,并对所述典型第一网络行为数据和所述典型第二网络行为数据进行加载,以加载到所述需处理数据关联分析网络,利用所述需处理数据关联分析网络中的目前数据关联分析网络,分析出所述典型第一网络行为数据和所述典型第二网络行为数据之间的关联参数,以形成对应的目前数据关联参数,以及,利用所述需处理数据关联分析网络中的参考数据关联分析网络,分析出所述典型第一网络行为数据和所述典型第二网络行为数据之间的关联参数,以形成对应的参考关联数据参数的步骤(如此,可以实现多阶段的循环优化);
依据网络优化操作结束后的需处理数据关联分析网络中的目前数据关联分析网络,确定出所述优化数据关联分析网络(网络优化操作结束的判定条件不受限制,如误差参数收敛或优化次数达到上限值等)。
应当理解的是,在一些可以实现的实施方式中,所述确定出需处理数据关联分析网络的步骤,可以进一步包括以下的各个子步骤:
确定出目前的时间信息,以及,对所述目前的时间信息进行对比分析,并在所述目前的时间信息属于优化参考时间信息的情况下,确定出所述目前的时间信息对应的目前数据关联分析网络,示例性地,所述优化参考时间信息可以基于上一次进行网络优化的时间信息和预设时长确定;
依据所述目前数据关联分析网络的网络架构信息,确定出参考数据关联分析网络的网络架构信息,以及,依据所述目前数据关联分析网络的网络参数信息,确定出所述参考数据关联分析网络的网络参数信息,示例性地,可以将所述目前数据关联分析网络的网络架构信息,作为所述参考数据关联分析网络的网络架构信息,以及,将所述目前数据关联分析网络的网络参数信息,作为所述参考数据关联分析网络的网络参数信息;
依据所述参考数据关联分析网络的网络架构信息和所述参考数据关联分析网络的网络参数信息,确定出参考数据关联分析网络,以及,依据所述目前数据关联分析网络和所述参考数据关联分析网络,确定出对应的需处理数据关联分析网络。
应当理解的是,在一些可以实现的实施方式中,所述提取到典型第一网络行为数据、典型第二网络行为数据和实际数据关联参数,并对所述典型第一网络行为数据和所述典型第二网络行为数据进行加载,以加载到所述需处理数据关联分析网络,利用所述需处理数据关联分析网络中的目前数据关联分析网络,分析出所述典型第一网络行为数据和所述典型第二网络行为数据之间的关联参数,以形成对应的目前数据关联参数,以及,利用所述需处理数据关联分析网络中的参考数据关联分析网络,分析出所述典型第一网络行为数据和所述典型第二网络行为数据之间的关联参数,以形成对应的参考关联数据参数的步骤,可以进一步包括以下的各个子步骤:
提取到典型第一网络行为数据、典型第二网络行为数据和实际数据关联参数,并对所述典型第一网络行为数据和所述典型第二网络行为数据进行加载,以加载到所述需处理数据关联分析网络;
利用所述需处理数据关联分析网络中的目前数据关联分析网络,挖掘出所述典型第一网络行为数据的行为关键信息,以形成对应的目前第一关键描述向量,以及,挖掘出所述典型第二网络行为数据的行为关键信息,以形成对应的目前第二关键描述向量,也就是说,可以将所述典型第一网络行为数据映射到特征空间,以利用向量的形式来表示,然后,可以对映射向量进行滤波处理,以筛选出关键信息,即对应的目前第一关键描述向量,同样地,可以得到对应的目前第二关键描述向量;
确定出所述目前第一关键描述向量与所述目前第二关键描述向量之间的向量相似参数,以形成对应的目前数据关联参数,所述向量相似参数可以是两个描述向量之间的余弦相似度;
利用所述需处理数据关联分析网络中的参考数据关联分析网络,挖掘出所述典型第一网络行为数据的行为关键信息,以形成对应的参考第一关键描述向量,以及,挖掘出所述典型第二网络行为数据的行为关键信息,以形成对应的参考第二关键描述向量;
确定出所述参考第一关键描述向量与所述参考第二关键描述向量之间的向量相似参数,以形成对应的参考关联数据参数。
应当理解的是,在一些可以实现的实施方式中,所述依据所述参考维度误差参数和所述实际维度误差参数,将所述需处理数据关联分析网络中的目前数据关联分析网络进行网络优化操作,以形成对应的中间的需处理数据关联分析网络的步骤,可以进一步包括以下的各个子步骤:
确定出重要性表征系数,以及,依据所述重要性表征系数,将所述参考维度误差参数进行更新处理,以形成对应的更新参考维度误差参数,所述重要性表征系数可以配置形成,可以作为所述需处理数据关联分析网络的网络参数,以在相应的网络优化过程中不断进行优化;
对所述更新参考维度误差参数和所述实际维度误差参数进行和值计算,以输出对应的总的误差参数;
依据所述总的误差参数,对所述需处理数据关联分析网络中目前数据关联分析网络的网络参数信息进行优化操作,以及,对所述需处理数据关联分析网络中参考数据关联分析网络的网络参数信息进行维持操作,以形成对应的中间的需处理数据关联分析网络。
应当理解的是,在一些可以实现的实施方式中,所述目前数据关联分析网络包括目前第一挖掘单元和目前第二挖掘单元,基于此,所述确定出需处理数据关联分析网络的步骤,可以进一步包括以下的各个子步骤:
确定出目前的时间信息,以及,对所述目前的时间信息进行对比分析,并在所述目前的时间信息属于优化参考时间信息的情况下,确定出所述目前的时间信息对应的目前数据关联分析网络;
依据所述目前数据关联分析网络中目前第一挖掘单元的单元架构信息,确定出第一参考数据关联分析网络的网络架构信息,也就是说,可以将所述目前第一挖掘单元的单元架构信息,作为所述第一参考数据关联分析网络的网络架构信息;
依据所述目前第一挖掘单元的单元参数信息,确定出所述第一参考数据关联分析网络的网络参数信息,也就是说,可以将所述目前第一挖掘单元的单元参数信息作为所述第一参考数据关联分析网络的网络参数信息;
依据所述第一参考数据关联分析网络的网络架构信息和所述第一参考数据关联分析网络的网络参数信息,确定出第一参考数据关联分析网络,以及,依据所述目前数据关联分析网络和所述第一参考数据关联分析网络,确定出第一需处理数据关联分析网络。
应当理解的是,在一些可以实现的实施方式中,基于上述的内容,所述提取到典型第一网络行为数据、典型第二网络行为数据和实际数据关联参数,并对所述典型第一网络行为数据和所述典型第二网络行为数据进行加载,以加载到所述需处理数据关联分析网络,利用所述需处理数据关联分析网络中的目前数据关联分析网络,分析出所述典型第一网络行为数据和所述典型第二网络行为数据之间的关联参数,以形成对应的目前数据关联参数,以及,利用所述需处理数据关联分析网络中的参考数据关联分析网络,分析出所述典型第一网络行为数据和所述典型第二网络行为数据之间的关联参数,以形成对应的参考关联数据参数的步骤,可以进一步包括以下的各个子步骤:
提取到典型第一网络行为数据、典型第二网络行为数据和实际数据关联参数,并对所述典型第一网络行为数据和所述典型第二网络行为数据进行加载,以加载到所述第一需处理数据关联分析网络;以及,利用所述目前第一挖掘单元,挖掘出所述典型第一网络行为数据的行为关键信息,以形成对应的目前第一关键描述向量,以及,利用所述目前第二挖掘单元,挖掘出所述典型第二网络行为数据的行为关键信息,以形成对应的到目前第二关键描述向量;以及,确定出所述目前第一关键描述向量和所述目前第二关键描述向量之间的向量相似参数,以形成对应的目前数据关联参数;以及,利用所述第一参考数据关联分析网络,挖掘出所述典型第一网络行为数据的行为关键信息,以形成对应的参考第一关键描述向量。
基于此,所述依据所述目前数据关联参数和所述参考关联数据参数进行参考误差分析处理,以输出参考维度误差参数的步骤,可以包括:
依据所述目前第一关键描述向量和所述参考第一关键描述向量进行参考误差分析处理,以输出对应的第一参考维度误差参数,示例性地,所述第一参考维度误差参数可以用于反映所述目前第一关键描述向量和所述参考第一关键描述向量之间的向量距离。
基于此,所述依据所述参考维度误差参数和所述实际维度误差参数,将所述需处理数据关联分析网络中的目前数据关联分析网络进行网络优化操作,以形成对应的中间的需处理数据关联分析网络的步骤,可以包括:
确定出所述第一参考维度误差参数与所述实际维度误差参数的和值,以输出对应的第一总的误差参数;以及,依据所述第一总的误差参数,对所述第一需处理数据关联分析网络中目前数据关联分析网络的网络参数信息进行优化操作,以及,对所述第一需处理数据关联分析网络中第一参考数据关联分析网络的网络参数信息进行维持操作,以形成对应的中间的需处理数据关联分析网络,其中,可以沿着降低所述第一总的误差参数的方向,对所述目前数据关联分析网络的网络参数信息进行优化。
应当理解的是,在一些可以实现的实施方式中,所述目前数据关联分析网络包括目前第一挖掘单元和目前第二挖掘单元;基于此,所述确定出需处理数据关联分析网络的步骤,可以进一步包括以下的各个子步骤:
确定出目前的时间信息,以及,对所述目前的时间信息进行对比分析,并在所述目前的时间信息属于优化参考时间信息的情况下,确定出所述目前的时间信息对应的目前数据关联分析网络;
依据所述目前数据关联分析网络中目前第二挖掘单元的单元架构信息,确定出第二参考数据关联分析网络的网络架构信息,示例性地,可以将所述目前第二挖掘单元的单元架构信息,作为所述第二参考数据关联分析网络的网络架构信息;
依据所述目前第二挖掘单元的单元参数信息,确定出所述第二参考数据关联分析网络的网络参数信息,示例性地,可以将所述目前第二挖掘单元的单元参数信息,作为所述第二参考数据关联分析网络的网络参数信息;
依据所述第二参考数据关联分析网络的网络架构信息和所述第二参考数据关联分析网络的网络参数信息,确定出第二参考数据关联分析网络,以及,依据所述目前数据关联分析网络和所述第二参考数据关联分析网络,确定出对应的第二需处理数据关联分析网络。
应当理解的是,在一些可以实现的实施方式中,基于上述的内容,所述提取到典型第一网络行为数据、典型第二网络行为数据和实际数据关联参数,并对所述典型第一网络行为数据和所述典型第二网络行为数据进行加载,以加载到所述需处理数据关联分析网络,利用所述需处理数据关联分析网络中的目前数据关联分析网络,分析出所述典型第一网络行为数据和所述典型第二网络行为数据之间的关联参数,以形成对应的目前数据关联参数,以及,利用所述需处理数据关联分析网络中的参考数据关联分析网络,分析出所述典型第一网络行为数据和所述典型第二网络行为数据之间的关联参数,以形成对应的参考关联数据参数的步骤,可以进一步包括以下的各个子步骤:
提取到典型第一网络行为数据、典型第二网络行为数据和实际数据关联参数,并对所述典型第一网络行为数据和所述典型第二网络行为数据进行加载,以加载到所述第二需处理数据关联分析网络;以及,利用所述目前第一挖掘单元,挖掘出所述典型第一网络行为数据的行为关键信息,以形成对应的目前第一关键描述向量,以及,利用所述目前第二挖掘单元,挖掘出所述典型第二网络行为数据的行为关键信息,以形成对应的目前第二关键描述向量;以及,确定出所述目前第一关键描述向量和所述目前第二关键描述向量之间的向量相似参数,以形成对应的目前数据关联参数;以及,利用所述第二参考数据关联分析网络,挖掘出所述典型第二网络行为数据的行为关键信息,以形成对应的参考第二关键描述向量。
基于此,所述依据所述目前数据关联参数和所述参考关联数据参数进行参考误差分析处理,以输出参考维度误差参数的步骤,可以包括:
依据所述目前第二关键描述向量和所述参考第二关键描述向量进行参考误差分析处理,以输出对应的第二参考维度误差参数,示例性地,所述第二参考维度误差参数可以用于反映所述目前第二关键描述向量和所述参考第二关键描述向量之间的向量距离。
基于此,述依据所述参考维度误差参数和所述实际维度误差参数,将所述需处理数据关联分析网络中的目前数据关联分析网络进行网络优化操作,以形成对应的中间的需处理数据关联分析网络的步骤,可以包括:
确定出所述第二参考维度误差参数与所述实际维度误差参数和值,以形成对应的第二总的误差参数;以及,依据所述第二总的误差参数,对所述第二参考数据关联分析网络中目前数据关联分析网络的网络参数信息进行优化操作,以及,对所述第二参考数据关联分析网络中第二参考数据关联分析网络的网络参数信息进行维持操作,以形成对应的中间的需处理数据关联分析网络,其中,可以沿着降低所述第二总的误差参数的方向,对所述目前数据关联分析网络的网络参数信息进行优化。
其中,应当理解的是,在一些可以实现的实施方式中,所述提取到典型第一网络行为数据、典型第二网络行为数据和实际数据关联参数的步骤,可以进一步包括以下的各个子步骤:
确定出优化历史时间信息,所述优化历史时间信息属于在历史上进行网络优化操作以形成所述目前数据关联分析网络的历史时间信息;
确定出目前的时间信息,以及,提取到所述优化历史时间信息和所述目前的时间信息之间的时间区间内的历史待分析网络行为数据、历史待分析网络行为数据和历史实际数据关联参数;
依据所述历史待分析网络行为数据、历史待分析网络行为数据和历史实际数据关联参数,确定出典型第一网络行为数据、典型第二网络行为数据和实际数据关联参数,例如,将所述历史待分析网络行为数据作为典型第一网络行为数据,可以将所述历史待分析网络行为数据作为典型第二网络行为数据,可以将所述历史实际数据关联参数作为实际数据关联参数。
其中,应当理解的是,在一些可以实现的实施方式中,上述的步骤S150,即所述基于至少一个所述关联网络行为数据和所述待分析网络行为数据,对所述待分析网络行为进行欺诈判别操作,以输出所述待分析网络行为对应的目标欺诈判别结果的步骤,可以进一步包括以下的各个子步骤:
对至少一个所述关联网络行为数据进行合并,以形成对应的合并关联网络行为数据,并对所述合并关联网络行为数据进行挖掘,以形成对应的合并关联关键描述向量,以及,对所述待分析网络行为数据进行挖掘,以形成对应的待分析关键描述向量;
基于所述合并关联关键描述向量,对所述待分析关键描述向量进行模态间的聚焦特征分析操作,以形成对应的关联聚焦描述向量,示例性地,可以基于第一映射矩阵、第二映射矩阵分别对所述合并关联关键描述向量和所述待分析关键描述向量进行映射处理,以形成第一映射向量和第二映射向量,然后,可以对所述第一映射向量进行转置处理,以形成转置第一映射向量,之后,可以对所述转置第一映射向量和所述第二映射向量进行相乘,以及,将相乘的结果参数除以所述第二映射向量的向量维度,之后,再对得到的结果进行激活处理,最后,将激活处理的结果和所述第一映射向量进行相乘,以得到关联聚焦描述向量;
对所述关联聚焦描述向量和所述待分析关键描述向量进行融合,以形成对应的融合描述向量,再基于所述融合描述向量进行全连接处理,并基于得到的全连接向量进行激活处理,以输出对应的目标欺诈判别结果,示例性地,对所述关联聚焦描述向量和所述待分析关键描述向量进行融合,可以是,拼接所述关联聚焦描述向量和所述待分析关键描述向量。
结合图3,本发明实施例还提供一种基于用户网络大数据的欺诈判别装置,可应用于上述基于用户网络大数据的欺诈判别系统。其中,所述基于用户网络大数据的欺诈判别装置可以包括以下的软件模块:
行为数据提取模块,用于提取到目标网络用户的待分析网络行为数据,所述待分析网络行为数据属于所述目标网络用户的待分析网络行为的文本描述数据;
行为数据确定模块,用于确定出所述目标网络用户的关联网络用户,并确定出所述关联网络用户的网络行为数据,以得到多个候选网络行为数据,所述多个候选网络行为数据包括一个关联网络用户的多个时期的候选网络行为数据或属于多个关联网络用户中的每一个关联网络用户对应的至少一个时期的候选网络行为数据;
行为数据分析模块,用于对所述待分析网络行为数据和每一个所述候选网络行为数据进行加载,以加载到优化数据关联分析网络中,分析出所述待分析网络行为数据和每一个所述候选网络行为数据之间的目标数据关联参数;
行为数据标记模块,用于依据所述目标数据关联参数,在所述多个候选网络行为数据中,确定出至少一个候选网络行为数据,并标记为关联网络行为数据;
欺诈判别模块,用于基于至少一个所述关联网络行为数据和所述待分析网络行为数据,对所述待分析网络行为进行欺诈判别操作,以输出所述待分析网络行为对应的目标欺诈判别结果,所述目标欺诈判别结果用于反映所述待分析网络行为是否属于网络欺诈或属于网络欺诈的可能性程度。
综上所述,本发明提供的基于用户网络大数据的欺诈判别方法及系统,可以提取到目标网络用户的待分析网络行为数据;确定出关联网络用户的网络行为数据;对待分析网络行为数据和每一个候选网络行为数据进行加载,以加载到优化数据关联分析网络中,分析出待分析网络行为数据和每一个候选网络行为数据之间的目标数据关联参数;依据目标数据关联参数,确定出至少一个候选网络行为数据,并标记为关联网络行为数据;基于至少一个关联网络行为数据和待分析网络行为数据,对待分析网络行为进行欺诈判别操作,以输出待分析网络行为对应的目标欺诈判别结果。基于上述的内容,由于在进行欺诈判别操作之前,会先确定出关联网络用户,使得可以进一步确定出关联网络行为数据,从而可以基于关联网络行为数据,对待分析网络行为数据进行补充限定,使得数据的含义更为清晰,有利于提高基于此进行的欺诈判别的可靠度,改善现有技术中的不足。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于用户网络大数据的欺诈判别方法,其特征在于,包括:
提取到目标网络用户的待分析网络行为数据,所述待分析网络行为数据属于所述目标网络用户的待分析网络行为的文本描述数据;
确定出所述目标网络用户的关联网络用户,并确定出所述关联网络用户的网络行为数据,以得到多个候选网络行为数据,所述多个候选网络行为数据包括一个关联网络用户的多个时期的候选网络行为数据或属于多个关联网络用户中的每一个关联网络用户对应的至少一个时期的候选网络行为数据;
对所述待分析网络行为数据和每一个所述候选网络行为数据进行加载,以加载到优化数据关联分析网络中,分析出所述待分析网络行为数据和每一个所述候选网络行为数据之间的目标数据关联参数;
依据所述目标数据关联参数,在所述多个候选网络行为数据中,确定出至少一个候选网络行为数据,并标记为关联网络行为数据;
基于至少一个所述关联网络行为数据和所述待分析网络行为数据,对所述待分析网络行为进行欺诈判别操作,以输出所述待分析网络行为对应的目标欺诈判别结果,所述目标欺诈判别结果用于反映所述待分析网络行为是否属于网络欺诈或属于网络欺诈的可能性程度。
2.如权利要求1所述的基于用户网络大数据的欺诈判别方法,其特征在于,所述基于用户网络大数据的欺诈判别方法还包括:
确定出需处理数据关联分析网络,所述需处理数据关联分析网络基于目前数据关联分析网络和所述目前数据关联分析网络对应的参考数据关联分析网络构建形成,所述目前数据关联分析网络包括目前第一挖掘单元和目前第二挖掘单元,所述参考数据关联分析网络基于所述目前数据关联分析网络中的目前第一挖掘单元和/或目前第二挖掘单元构建形成;
提取到典型第一网络行为数据、典型第二网络行为数据和实际数据关联参数,并对所述典型第一网络行为数据和所述典型第二网络行为数据进行加载,以加载到所述需处理数据关联分析网络,利用所述需处理数据关联分析网络中的目前数据关联分析网络,分析出所述典型第一网络行为数据和所述典型第二网络行为数据之间的关联参数,以形成对应的目前数据关联参数,以及,利用所述需处理数据关联分析网络中的参考数据关联分析网络,分析出所述典型第一网络行为数据和所述典型第二网络行为数据之间的关联参数,以形成对应的参考关联数据参数;
依据所述目前数据关联参数和所述参考关联数据参数进行参考误差分析处理,以输出参考维度误差参数;
依据所述目前数据关联参数和所述实际数据关联参数进行实际误差分析处理,以输出实际维度误差参数;
依据所述参考维度误差参数和所述实际维度误差参数,将所述需处理数据关联分析网络中的目前数据关联分析网络进行网络优化操作,以形成对应的中间的需处理数据关联分析网络;
对所述中间的需处理数据关联分析网络进行标记,以重新标记为需处理数据关联分析网络,以及,回转执行所述提取到典型第一网络行为数据、典型第二网络行为数据和实际数据关联参数,并对所述典型第一网络行为数据和所述典型第二网络行为数据进行加载,以加载到所述需处理数据关联分析网络,利用所述需处理数据关联分析网络中的目前数据关联分析网络,分析出所述典型第一网络行为数据和所述典型第二网络行为数据之间的关联参数,以形成对应的目前数据关联参数,以及,利用所述需处理数据关联分析网络中的参考数据关联分析网络,分析出所述典型第一网络行为数据和所述典型第二网络行为数据之间的关联参数,以形成对应的参考关联数据参数的步骤;
依据网络优化操作结束后的需处理数据关联分析网络中的目前数据关联分析网络,确定出所述优化数据关联分析网络。
3.如权利要求2所述的基于用户网络大数据的欺诈判别方法,其特征在于,所述确定出需处理数据关联分析网络的步骤,包括:
确定出目前的时间信息,以及,对所述目前的时间信息进行对比分析,并在所述目前的时间信息属于优化参考时间信息的情况下,确定出所述目前的时间信息对应的目前数据关联分析网络;
依据所述目前数据关联分析网络的网络架构信息,确定出参考数据关联分析网络的网络架构信息,以及,依据所述目前数据关联分析网络的网络参数信息,确定出所述参考数据关联分析网络的网络参数信息;
依据所述参考数据关联分析网络的网络架构信息和所述参考数据关联分析网络的网络参数信息,确定出参考数据关联分析网络,以及,依据所述目前数据关联分析网络和所述参考数据关联分析网络,确定出对应的需处理数据关联分析网络。
4.如权利要求2所述的基于用户网络大数据的欺诈判别方法,其特征在于,所述提取到典型第一网络行为数据、典型第二网络行为数据和实际数据关联参数,并对所述典型第一网络行为数据和所述典型第二网络行为数据进行加载,以加载到所述需处理数据关联分析网络,利用所述需处理数据关联分析网络中的目前数据关联分析网络,分析出所述典型第一网络行为数据和所述典型第二网络行为数据之间的关联参数,以形成对应的目前数据关联参数,以及,利用所述需处理数据关联分析网络中的参考数据关联分析网络,分析出所述典型第一网络行为数据和所述典型第二网络行为数据之间的关联参数,以形成对应的参考关联数据参数的步骤,包括:
提取到典型第一网络行为数据、典型第二网络行为数据和实际数据关联参数,并对所述典型第一网络行为数据和所述典型第二网络行为数据进行加载,以加载到所述需处理数据关联分析网络;
利用所述需处理数据关联分析网络中的目前数据关联分析网络,挖掘出所述典型第一网络行为数据的行为关键信息,以形成对应的目前第一关键描述向量,以及,挖掘出所述典型第二网络行为数据的行为关键信息,以形成对应的目前第二关键描述向量;
确定出所述目前第一关键描述向量与所述目前第二关键描述向量之间的向量相似参数,以形成对应的目前数据关联参数;
利用所述需处理数据关联分析网络中的参考数据关联分析网络,挖掘出所述典型第一网络行为数据的行为关键信息,以形成对应的参考第一关键描述向量,以及,挖掘出所述典型第二网络行为数据的行为关键信息,以形成对应的参考第二关键描述向量;
确定出所述参考第一关键描述向量与所述参考第二关键描述向量之间的向量相似参数,以形成对应的参考关联数据参数。
5.如权利要求2所述的基于用户网络大数据的欺诈判别方法,其特征在于,所述依据所述参考维度误差参数和所述实际维度误差参数,将所述需处理数据关联分析网络中的目前数据关联分析网络进行网络优化操作,以形成对应的中间的需处理数据关联分析网络的步骤,包括:
确定出重要性表征系数,以及,依据所述重要性表征系数,将所述参考维度误差参数进行更新处理,以形成对应的更新参考维度误差参数;
对所述更新参考维度误差参数和所述实际维度误差参数进行和值计算,以输出对应的总的误差参数;
依据所述总的误差参数,对所述需处理数据关联分析网络中目前数据关联分析网络的网络参数信息进行优化操作,以及,对所述需处理数据关联分析网络中参考数据关联分析网络的网络参数信息进行维持操作,以形成对应的中间的需处理数据关联分析网络。
6.如权利要求2所述的基于用户网络大数据的欺诈判别方法,其特征在于,所述目前数据关联分析网络包括目前第一挖掘单元和目前第二挖掘单元;所述确定出需处理数据关联分析网络的步骤,包括:
确定出目前的时间信息,以及,对所述目前的时间信息进行对比分析,并在所述目前的时间信息属于优化参考时间信息的情况下,确定出所述目前的时间信息对应的目前数据关联分析网络;
依据所述目前数据关联分析网络中目前第一挖掘单元的单元架构信息,确定出第一参考数据关联分析网络的网络架构信息;
依据所述目前第一挖掘单元的单元参数信息,确定出所述第一参考数据关联分析网络的网络参数信息;
依据所述第一参考数据关联分析网络的网络架构信息和所述第一参考数据关联分析网络的网络参数信息,确定出第一参考数据关联分析网络,以及,依据所述目前数据关联分析网络和所述第一参考数据关联分析网络,确定出第一需处理数据关联分析网络。
7.如权利要求6所述的基于用户网络大数据的欺诈判别方法,其特征在于,所述提取到典型第一网络行为数据、典型第二网络行为数据和实际数据关联参数,并对所述典型第一网络行为数据和所述典型第二网络行为数据进行加载,以加载到所述需处理数据关联分析网络,利用所述需处理数据关联分析网络中的目前数据关联分析网络,分析出所述典型第一网络行为数据和所述典型第二网络行为数据之间的关联参数,以形成对应的目前数据关联参数,以及,利用所述需处理数据关联分析网络中的参考数据关联分析网络,分析出所述典型第一网络行为数据和所述典型第二网络行为数据之间的关联参数,以形成对应的参考关联数据参数的步骤,包括:
提取到典型第一网络行为数据、典型第二网络行为数据和实际数据关联参数,并对所述典型第一网络行为数据和所述典型第二网络行为数据进行加载,以加载到所述第一需处理数据关联分析网络;以及,利用所述目前第一挖掘单元,挖掘出所述典型第一网络行为数据的行为关键信息,以形成对应的目前第一关键描述向量,以及,利用所述目前第二挖掘单元,挖掘出所述典型第二网络行为数据的行为关键信息,以形成对应的到目前第二关键描述向量;以及,确定出所述目前第一关键描述向量和所述目前第二关键描述向量之间的向量相似参数,以形成对应的目前数据关联参数;以及,利用所述第一参考数据关联分析网络,挖掘出所述典型第一网络行为数据的行为关键信息,以形成对应的参考第一关键描述向量;
所述依据所述目前数据关联参数和所述参考关联数据参数进行参考误差分析处理,以输出参考维度误差参数的步骤,包括:
依据所述目前第一关键描述向量和所述参考第一关键描述向量进行参考误差分析处理,以输出对应的第一参考维度误差参数;
所述依据所述参考维度误差参数和所述实际维度误差参数,将所述需处理数据关联分析网络中的目前数据关联分析网络进行网络优化操作,以形成对应的中间的需处理数据关联分析网络的步骤,包括:
确定出所述第一参考维度误差参数与所述实际维度误差参数的和值,以输出对应的第一总的误差参数;以及,依据所述第一总的误差参数,对所述第一需处理数据关联分析网络中目前数据关联分析网络的网络参数信息进行优化操作,以及,对所述第一需处理数据关联分析网络中第一参考数据关联分析网络的网络参数信息进行维持操作,以形成对应的中间的需处理数据关联分析网络。
8.如权利要求2所述的基于用户网络大数据的欺诈判别方法,其特征在于,所述目前数据关联分析网络包括目前第一挖掘单元和目前第二挖掘单元;所述确定出需处理数据关联分析网络的步骤,包括:
确定出目前的时间信息,以及,对所述目前的时间信息进行对比分析,并在所述目前的时间信息属于优化参考时间信息的情况下,确定出所述目前的时间信息对应的目前数据关联分析网络;
依据所述目前数据关联分析网络中目前第二挖掘单元的单元架构信息,确定出第二参考数据关联分析网络的网络架构信息;
依据所述目前第二挖掘单元的单元参数信息,确定出所述第二参考数据关联分析网络的网络参数信息;
依据所述第二参考数据关联分析网络的网络架构信息和所述第二参考数据关联分析网络的网络参数信息,确定出第二参考数据关联分析网络,以及,依据所述目前数据关联分析网络和所述第二参考数据关联分析网络,确定出对应的第二需处理数据关联分析网络。
9.如权利要求8所述的基于用户网络大数据的欺诈判别方法,其特征在于,所述提取到典型第一网络行为数据、典型第二网络行为数据和实际数据关联参数,并对所述典型第一网络行为数据和所述典型第二网络行为数据进行加载,以加载到所述需处理数据关联分析网络,利用所述需处理数据关联分析网络中的目前数据关联分析网络,分析出所述典型第一网络行为数据和所述典型第二网络行为数据之间的关联参数,以形成对应的目前数据关联参数,以及,利用所述需处理数据关联分析网络中的参考数据关联分析网络,分析出所述典型第一网络行为数据和所述典型第二网络行为数据之间的关联参数,以形成对应的参考关联数据参数的步骤,包括:
提取到典型第一网络行为数据、典型第二网络行为数据和实际数据关联参数,并对所述典型第一网络行为数据和所述典型第二网络行为数据进行加载,以加载到所述第二需处理数据关联分析网络;以及,利用所述目前第一挖掘单元,挖掘出所述典型第一网络行为数据的行为关键信息,以形成对应的目前第一关键描述向量,以及,利用所述目前第二挖掘单元,挖掘出所述典型第二网络行为数据的行为关键信息,以形成对应的目前第二关键描述向量;以及,确定出所述目前第一关键描述向量和所述目前第二关键描述向量之间的向量相似参数,以形成对应的目前数据关联参数;以及,利用所述第二参考数据关联分析网络,挖掘出所述典型第二网络行为数据的行为关键信息,以形成对应的参考第二关键描述向量;
所述依据所述目前数据关联参数和所述参考关联数据参数进行参考误差分析处理,以输出参考维度误差参数的步骤,包括:
依据所述目前第二关键描述向量和所述参考第二关键描述向量进行参考误差分析处理,以输出对应的第二参考维度误差参数;
所述依据所述参考维度误差参数和所述实际维度误差参数,将所述需处理数据关联分析网络中的目前数据关联分析网络进行网络优化操作,以形成对应的中间的需处理数据关联分析网络的步骤,包括:
确定出所述第二参考维度误差参数与所述实际维度误差参数和值,以形成对应的第二总的误差参数;以及,依据所述第二总的误差参数,对所述第二参考数据关联分析网络中目前数据关联分析网络的网络参数信息进行优化操作,以及,对所述第二参考数据关联分析网络中第二参考数据关联分析网络的网络参数信息进行维持操作,以形成对应的中间的需处理数据关联分析网络。
10.一种基于用户网络大数据的欺诈判别系统,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现权利要求1-9任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310283974.4A CN116304341A (zh) | 2023-03-22 | 2023-03-22 | 基于用户网络大数据的欺诈判别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310283974.4A CN116304341A (zh) | 2023-03-22 | 2023-03-22 | 基于用户网络大数据的欺诈判别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116304341A true CN116304341A (zh) | 2023-06-23 |
Family
ID=86799303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310283974.4A Withdrawn CN116304341A (zh) | 2023-03-22 | 2023-03-22 | 基于用户网络大数据的欺诈判别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116304341A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116975300A (zh) * | 2023-09-22 | 2023-10-31 | 中国铁塔股份有限公司吉林省分公司 | 基于大数据集合的信息挖掘方法及系统 |
CN117319286A (zh) * | 2023-09-21 | 2023-12-29 | 鸿图百奥科技(广州)有限公司 | 一种通信数据的传输方法及系统 |
-
2023
- 2023-03-22 CN CN202310283974.4A patent/CN116304341A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117319286A (zh) * | 2023-09-21 | 2023-12-29 | 鸿图百奥科技(广州)有限公司 | 一种通信数据的传输方法及系统 |
CN116975300A (zh) * | 2023-09-22 | 2023-10-31 | 中国铁塔股份有限公司吉林省分公司 | 基于大数据集合的信息挖掘方法及系统 |
CN116975300B (zh) * | 2023-09-22 | 2024-01-26 | 中国铁塔股份有限公司吉林省分公司 | 基于大数据集合的信息挖掘方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3757905A1 (en) | Deep neural network training method and apparatus | |
CN111582694B (zh) | 一种学习评估方法及装置 | |
CN112528035B (zh) | 基于关系注意力的知识图谱推理方法、装置和计算机设备 | |
CN116304341A (zh) | 基于用户网络大数据的欺诈判别方法及系统 | |
CN111369299B (zh) | 识别的方法、装置、设备及计算机可读存储介质 | |
CN114580263A (zh) | 基于知识图谱的信息系统故障预测方法及相关设备 | |
JP2023527615A (ja) | 目標対象検出モデルのトレーニング方法、目標対象検出方法、機器、電子機器、記憶媒体及びコンピュータプログラム | |
CN110674636A (zh) | 一种用电行为分析方法 | |
CN113887615A (zh) | 图像处理方法、装置、设备和介质 | |
CN115062779A (zh) | 基于动态知识图谱的事件预测方法及装置 | |
CN110705622A (zh) | 一种决策方法、系统以及电子设备 | |
CN116048944A (zh) | 用于大数据平台的负载趋势预测方法及系统 | |
CN115186738B (zh) | 模型训练方法、装置和存储介质 | |
CN111737491B (zh) | 一种交互过程的控制方法、装置、存储介质及设备 | |
CN111401055B (zh) | 从金融资讯提取脉络信息的方法和装置 | |
CN114579761A (zh) | 信息安全知识实体关系连接预测方法、系统及介质 | |
CN115526177A (zh) | 对象关联模型的训练 | |
CN113516182A (zh) | 视觉问答模型训练、视觉问答方法和装置 | |
CN111737319A (zh) | 用户集群的预测方法、装置、计算机设备和存储介质 | |
CN117151247B (zh) | 机器学习任务建模的方法、装置、计算机设备和存储介质 | |
CN116069831B (zh) | 一种事件关系的挖掘方法及相关装置 | |
CN117421386B (zh) | 基于gis的空间数据处理方法及系统 | |
CN115908119B (zh) | 基于人工智能的人脸图像美颜处理方法及系统 | |
CN114065640B (zh) | 联邦树模型的数据处理方法、装置、设备及存储介质 | |
CN115146258B (zh) | 请求处理方法、装置、存储介质及电子设备 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230623 |
|
WW01 | Invention patent application withdrawn after publication |