CN116703598A - 交易行为检测方法、装置、计算机设备和存储介质 - Google Patents
交易行为检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116703598A CN116703598A CN202310736271.2A CN202310736271A CN116703598A CN 116703598 A CN116703598 A CN 116703598A CN 202310736271 A CN202310736271 A CN 202310736271A CN 116703598 A CN116703598 A CN 116703598A
- Authority
- CN
- China
- Prior art keywords
- transaction
- behavior data
- abnormal
- dimension
- transaction behavior
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 168
- 230000002159 abnormal effect Effects 0.000 claims abstract description 65
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 59
- 230000007246 mechanism Effects 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 45
- 230000006399 behavior Effects 0.000 claims description 286
- 238000004590 computer program Methods 0.000 claims description 36
- 230000015654 memory Effects 0.000 claims description 25
- 230000007787 long-term memory Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 17
- 238000012549 training Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 12
- 238000010606 normalization Methods 0.000 description 8
- 230000006403 short-term memory Effects 0.000 description 7
- 230000004913 activation Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Economics (AREA)
- Computer Security & Cryptography (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Technology Law (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开了一种交易行为检测方法、装置、计算机设备和存储介质。该方法可应用于人工智能技术领域,具体可包括:在具有对目标机构的交易行为检测需求时,提取目标机构在目标时段内所产生的各交易行为数据的交易特征;根据各交易行为数据的交易时间,对交易特征进行拼接得到交易特征序列;采用时序属性网络对交易特征序列进行嵌入处理,得到交易特征序列的嵌入表示;基于异常行为检测网络,根据嵌入表示,确定异常交易行为数据。本申请中的交易行为检测方法,节省了人力和时间,提高了检测的效率和准确性。
Description
技术领域
本申请涉及人工智能技术领域,具体涉及一种交易行为检测方法、装置、计算机设备和存储介质。
背景技术
目前,金融机构充分关联、业务链条日趋复杂,单家机构单个环节出现问题可能通过跨机构、跨市场交易而传染到多家机构,甚至波及整个市场,从而带来系统性风险隐患。对此,需要金融市场的运营监管部门进一步研究应用监管科技,提升跨市场、跨业态、跨区域金融风险的识别、预警和处置能力,为金融市场健康平稳运行保驾护航。
金融机构投资者的正常交易行为和异常交易行为存在差异,而目前现有的异常行为检测方法主要是通过传统的人工检测方式或者是基于已知交易规则的检测方式,其中人工检测方式过于耗费人力,而已知交易规则的检测方式难以检测出规则外的异常行为。
发明内容
基于此,有必要针对上述技术问题,提供一种交易行为检测方法、装置、计算机设备和存储介质,能够提高检测的效率和准确性。
第一方面,本申请提供了一种交易行为检测方法,该方法包括:
在具有对目标机构的交易行为检测需求的情况下,提取目标机构在目标时段内所产生的各交易行为数据的交易特征;
根据各交易行为数据的交易时间,对各交易行为数据的交易特征进行拼接,得到交易特征序列;
采用时序属性网络,对交易特征序列进行嵌入处理,得到交易特征序列的嵌入表示;
基于异常行为检测网络,根据嵌入表示,确定各交易行为数据中的异常交易行为数据。
在其中一个实施例中,提取目标机构在目标时段内所产生的各交易行为数据的交易特征,包括:
针对每一交易行为数据,从该交易行为数据中提取设定交易维度的维度特征;其中,设定交易维度包括交易机构维度、交易产品维度、交易量维度和交易方向维度;
对所提取的维度特征进行拼接,得到该交易行为数据的交易特征。
在其中一个实施例中,采用时序属性网络,对交易特征序列进行嵌入处理,得到交易特征序列的嵌入表示,包括:
对交易特征序列中交易量维度的维度特征进行归一化处理,得到归一化特征序列;
采用时序属性网络,对归一化特征序列中交易机构维度和交易产品维度的维度特征进行嵌入处理,得到交易特征序列的嵌入表示。
在其中一个实施例中,基于异常行为检测网络,根据嵌入表示,确定各交易行为数据中的异常交易行为数据,包括:
将嵌入表示输入至异常行为检测网络,得到各交易行为数据的检测结果;
根据各交易行为数据的检测结果,确定各交易行为数据中的异常交易行为数据。
在其中一个实施例中,异常行为检测网络是基于长短期记忆LSTM网络训练得到的。
在其中一个实施例中,方法还包括:
根据异常交易行为数据的数据量,确定数据输出方式;
采用数据输出方式,对异常交易行为数据进行输出。
第二方面,本申请还提供了一种交易行为检测装置,该装置包括:
拼接模块,用于根据各交易行为数据的交易时间,对各交易行为数据的交易特征进行拼接,得到交易特征序列;
嵌入模块,用于采用时序属性网络,对交易特征序列进行嵌入处理,得到交易特征序列的嵌入表示;
确定模块,用于基于异常行为检测网络,根据嵌入表示,确定各交易行为数据中的异常交易行为数据。
第三方面,本申请还提供了一种计算机设备,该计算机设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
在具有对目标机构的交易行为检测需求的情况下,提取目标机构在目标时段内所产生的各交易行为数据的交易特征;
根据各交易行为数据的交易时间,对各交易行为数据的交易特征进行拼接,得到交易特征序列;
采用时序属性网络,对交易特征序列进行嵌入处理,得到交易特征序列的嵌入表示;
基于异常行为检测网络,根据嵌入表示,确定各交易行为数据中的异常交易行为数据。
第四方面,本申请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上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
在具有对目标机构的交易行为检测需求的情况下,提取目标机构在目标时段内所产生的各交易行为数据的交易特征;
根据各交易行为数据的交易时间,对各交易行为数据的交易特征进行拼接,得到交易特征序列;
采用时序属性网络,对交易特征序列进行嵌入处理,得到交易特征序列的嵌入表示;
基于异常行为检测网络,根据嵌入表示,确定各交易行为数据中的异常交易行为数据。
第五方面,本申请还提供了一种计算机程序产品,该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以下步骤:
在具有对目标机构的交易行为检测需求的情况下,提取目标机构在目标时段内所产生的各交易行为数据的交易特征;
根据各交易行为数据的交易时间,对各交易行为数据的交易特征进行拼接,得到交易特征序列;
采用时序属性网络,对交易特征序列进行嵌入处理,得到交易特征序列的嵌入表示;
基于异常行为检测网络,根据嵌入表示,确定各交易行为数据中的异常交易行为数据。
上述交易行为检测方法、装置、计算机设备和存储介质,在提取出目标机构在目标时段内所产生的各交易行为数据的交易特征之后,根据交易时间对这些交易特征进行拼接,得到交易特征序列,并采用时序属性网络,对这些具有时序性的交易特征序列进行嵌入处理,即可得到包含属性特性和时间特性的嵌入表示,进而将该嵌入表示输入到异常行为检测网络中,即可精准确定出各交易行为数据中的异常交易行为数据。相比于相关技术的交易行为检测方法,本申请中的交易行为检测方法节省了人力和时间,提高了检测的效率和准确性。
附图说明
图1为一个实施例中交易行为检测方法的应用环境图;
图2为一个实施例中交易行为检测方法的流程示意图;
图3为一个实施例中确定交易特征序列的嵌入表示的流程示意图;
图4为一个实施例中确定异常交易行为数据的流程示意图;
图5为一个实施例中异常行为检测框架的结构示意图;
图6为另一个实施例中交易行为检测方法的流程示意图;
图7为一个实施例中交易行为检测装置的结构框图;
图8为另一个实施例中交易行为检测装置的结构框图;
图9为又一个实施例中交易行为检测装置的结构框图;
图10为又一个实施例中交易行为检测装置的结构框图;
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的交易行为检测方法,可适用于如何对任何领域(比如金融领域中银行业)中所涉及的交易行为进行检测的情况。该方法可以由服务器来执行,也可以由终端来执行,或者还可以由服务器和终端交互来实现。例如,本申请实施例提供的交易行为检测方法,可以应用于如图1所示的应用环境中。其中,终端101通过通信网络104与服务器102进行通信。数据存储系统103可以存储服务器102需要处理的数据。数据存储系统103可以集成在服务器102上,也可以放在云上或其他网络服务器上。具体的,在具有交易行为检测需求的情况下,服务器102响应于该交易行为检测需求,提取目标机构在目标时段内所产生的各交易行为数据的交易特征;根据各交易行为数据的交易时间,对交易特征进行拼接得到交易特征序列;采用时序属性网络对交易特征序列进行嵌入处理,得到交易特征序列的嵌入表示;基于异常行为检测网络,根据嵌入表示,确定异常交易行为数据。进一步的,服务器102可以通过与终端101交互,将各交易行为数据中的异常交易行为数据反馈至终端101,由终端101向相关人员展示。
其中,终端101可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器102可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,图2是根据本申请实施例提供的一种交易行为检测方法的流程示意图,以该方法应用于图1中的服务器为例进行说明,该方法包括以下步骤:
S201,在具有对目标机构的交易行为检测需求的情况下,提取目标机构在目标时段内所产生的各交易行为数据的交易特征。
在本实施例中,目标机构可以是要对其进行交易行为检测的机构;可选的,确定具有对目标机构的交易行为检测需求的方式有很多种,本实施例对此不做限定。例如,一种方式可以是,检测到当前时间达到预先设定的对目标机构进行交易行为检测的时间;另一种方式可以是,接收到包括目标机构标识的交易行为检测请求等。
进一步的,目标时段可以是一天、一个月、一个季度等等,可以根据实际的检测需求,对目标时段进行设定,本申请实施例对此不进行限制;目标机构在目标时段内所产生的交易行为数据即为目标时段内目标机构与其他机构之间进行交易所产生的数据;交易行为数据的交易特征可以是由用于表征交易行为数据的各属性组成的特征,每个交易属性对应于交易行为数据中的一个维度特征。
可选的,在具有对目标机构的交易行为检测需求的情况下,可以对目标机构在目标时段内所产生的交易行为数据进行获取,并将所获取的交易行为数据输入到特征提取网络中,由特征提取网络基于自身网络参数,提取出各交易行为数据的交易特征。
或者,针对每一交易行为数据,从该交易行为数据中提取设定交易维度的维度特征;其中,设定交易维度包括交易机构维度、交易产品维度、交易量维度和交易方向维度;对所提取的维度特征进行拼接,得到该交易行为数据的交易特征。例如,假设目标机构为机构1,其在目标时段内产生了三个交易行为数据,在具有对该机构1的交易行为检测需求的情况下,针对该三个交易行为数据中的每个交易行为数据,从该个交易行为数据中提取四个设定交易维度(交易机构维度Vx—进行交易的对方机构编号;交易产品维度Px—两家机构进行交易的产品编号;交易量维度Ax—两家机构进行交易的交易量;交易方向维度Ox—两家机构进行交易的方向,当x=0时,则机构1为买入产品的一方;当x=1时,则机构1为卖出产品的一方)的维度特征,并按照设定格式,对该四个设定交易维度的维度特征进行拼接组合,得到该交易行为数据的交易特征。
S202,根据各交易行为数据的交易时间,对各交易行为数据的交易特征进行拼接,得到交易特征序列。
具体的,在得到各交易行为数据的交易特征之后,根据各交易行为数据的交易时间,例如以时间先后的顺序,对各交易行为数据的交易特征进行排序并拼接,得到交易特征序列。例如,假如机构1与其他机构存在4次交易,每次交易均产生一个交易行为数据,每个交易行为数据下均对应一个交易特征,比如四个交易行为数据的四个交易特征分别为[V4,P5,A8,O0]、[V3,P3,A9,O0]、[V3,P2,A10,O0]和[V3,P2,A4,O0],按照交易时间的先后顺序对这四个交易特征进行排序,并按照排列顺序对交易特征进行拼接,即可得到该机构1的交易特征序列[[V3,P2,A4,O0],[V3,P3,A9,O0],[V3,P2,A10,O0],[V4,P5,A8,O0]]。
S203,采用时序属性网络,对交易特征序列进行嵌入处理,得到交易特征序列的嵌入表示。
可选的,时序属性网络可以是顶点或边含有属性信息的网络。理想的属性网络可表示为G=(V,E,W),其中,V是该属性网络中所有机构的集合,E是该属性网络中所有有向边的集合,W是该属性网络中所有有向边的属性集合。
具体的,在得到机构得交易特征序列之后,将该交易特征序列输入到时序属性网络中,由时序属性网络基于自身的网络参数,对交易特征序列进行处理,得到具有属性特性和时序特性的嵌入表示。
S204,基于异常行为检测网络,根据嵌入表示,确定各交易行为数据中的异常交易行为数据。
在本实施例中,异常行为检测网络可以是用于检测目标机构参与的交易中是否存在异常行为的网络。由于交易行为可以看作是具有时序性的交易序列,而深度学习中的循环神经网络是处理时序数据时的首选网络,但是循环神经网络有长期依赖问题,故可以使用长短期记忆网络来进行异常交易行为的检测。可选的,本申请实施例中的异常行为检测网络可以是基于LSTM(Long Short Term Memory,长短期记忆)网络训练得到的。
具体的,在得到交易特征序列的嵌入表示之后,将交易特征序列的嵌入表示输入到训练好的异常行为检测网络,输出对各交易行为数据的检测结果,继而确定各交易行为数据中的异常交易行为数据。
上述交易行为检测方法中,在提取出目标机构在目标时段内所产生的各交易行为数据的交易特征之后,根据交易时间对这些交易特征进行拼接,得到交易特征序列,并采用时序属性网络,对这些具有时序性的交易特征序列进行嵌入处理,即可得到包含属性特性和时间特性的嵌入表示,进而将该嵌入表示输入到异常行为检测网络中,即可精准确定出各交易行为数据中的异常交易行为数据。相比于相关技术的交易行为检测方法,本申请中的交易行为检测方法节省了人力和时间,提高了检测的效率和准确性。
在上述实施例的基础上,对确定交易特征序列的嵌入表示的步骤进行细化。可选的,如图3所示,具体包括如下实现过程:
S301,对交易特征序列中交易量维度的维度特征进行归一化处理,得到归一化特征序列。
可选的,将交易特征序列中的交易量维度的维度特征提取出来,对其进行归一化,以将其归一化为0到1范围内;采用归一化后的特征,对交易特征序列中归一化之前交易量维度的维度特征进行替换,即可得到归一化特征序列。
S302,采用时序属性网络,对归一化特征序列中交易机构维度和交易产品维度的维度特征进行嵌入处理,得到交易特征序列的嵌入表示。
可选的,在得到归一化特征序列之后,将归一化特征序列中交易机构维度的维度特征和交易产品维度的维度特征,输入至时序属性网络,由时序属性网络对其进行嵌入处理,即可得到交易特征序列的嵌入表示。
可以理解的是,本实施例中引入时序属性网络,利用该时序属性网络能够对交易特征序列进行嵌入处理,得到交易特征序列的嵌入表示,为后续进行的交易行为检测操作奠定了基础。
在上述实施例的基础上,对确定异常交易行为数据的步骤进行细化。可选的,如图4所示,具体包括如下实现过程:
S401,将嵌入表示输入至异常行为检测网络,得到各交易行为数据的检测结果。
具体的,将嵌入表示输入至异常行为检测网络,由异常行为检测网络对嵌入表示进行处理,可输出各交易行为数据的检测结果。可选的,检测结果可以为数据正常或数据异常。
S402,根据各交易行为数据的检测结果,确定各交易行为数据中的异常交易行为数据。
具体的,在确定了各交易行为数据的检测结果之后,根据各交易行为数据的检测结果,筛选出检测结果为数据异常的交易行为数据,作为异常交易行为数据。
可选的,在确定了各交易行为数据中的异常交易行为数据之后,可以根据异常交易行为数据的数据量,确定数据输出方式;采用数据输出方式,对异常交易行为数据进行输出。例如,当异常交易行为数据的数据量较小时,直接显示在电脑或手机的屏幕上,以直观地向用户呈现检测结果;当异常交易行为数据的数据量较大时,将这些异常交易行为数据统计成表格的形式,继而显示在电脑或手机的屏幕上,以向用户呈现检测结果。
可以理解的是,本实施例通过将嵌入表示输入至异常行为检测网络,最终确定各交易行为数据中的异常交易行为数据,无需利用人工进行检测,从而提高了检测的效率和准确性。
另外,在一个实施例中,本申请对包含异常行为检测网络的异常行为检测框架的结构进行详细说明进行细化。可选的,如图5所示,异常行为检测框架包括从下往上排列的原始特征空间、行为嵌入空间和LSTM训练层(即异常行为检测网络)。
(1)原始特征空间。在该原始特征空间中存放的是交易行为数据。在该原始特征空间中,将现有的交易行为数据进行预处理,提取出各交易行为数据的交易特征,并按照时序排列后拼接成交易特征序列,该过程对应于图5中的步骤1(特征预处理),每一组交易特征序列(第一组交易特征序列、第二组交易特征序列……第n组交易特征序列)由一家机构在一天之内发生的所有交易行为组成,每一笔交易行为包括交易机构、交易产品、交易量和交易方向四个交易维度,不同机构的交易特征序列不同英文字母编号的柱体表示,每个带有英文字母编号的柱体代表一笔交易行为,其中用横线分隔的柱体代表一组交易特征序列。
(2)行为嵌入空间。在该行为嵌入空间中存放的是交易特征序列的嵌入表示。交易特征序列的嵌入表示是结合机构间市场的交易网络动态演化的特性,其是由交易特征序列处理后得到的。处理后的交易特征序列的嵌入表示具有时序特性及交易属性,其中,时序特性表示机构的交易具有时间先后的特性,而交易属性即为机构的交易行为数据中的维度特征。行为嵌入空间的上述过程对应于图5中的步骤2(行为嵌入)。
由于机构间的交易行为的交易特征序列具有时序动态性,因此,利用时序属性网络得到交易特征序列的嵌入表示。将交易特征序列变换成其嵌入表示的主要过程是:首先根据理想的属性网络可表示为G=(V,E,W),对交易特征序列中交易量维度的维度特征进行归一化处理,以将其归一化到0到1的范围内,得到所有机构的归一化特征序列;在得到归一化特征序列之后,对归一化特征序列中交易机构维度的维度特征和交易产品维度的维度特征输入至时序属性网络中进行嵌入处理,并从其输出交易特征序列的嵌入表示。
(3)LSTM训练层。将各机构在历史时段内的各交易行为数据对应的交易特征序列的嵌入表示作为训练集,输入到LSTM训练层中进行训练,得到训练好的异常行为检测网络,其中,异常行为检测网络的整个训练过程可以是:将交易特征序列的嵌入表示输入到异常行为检测网络中,计算输出的预测结果(正常交易行为用0表示/异常交易行为用1表示)与标准结果的误差,在误差大于等于预先设定的阈值时,通过误差反向传播算法调整异常行为检测网络重新开始训练,直到预测结果与标准结果的误差小于预先设定的阈值,最终得到训练好的异常行为检测网络。
需要说明的是,因为各机构在历史时段内的交易行为数据的笔数是不一样的,所以各机构的交易特征序列对应的嵌入表示的长度是不同的。但是长短期记忆LSTM网络要求嵌入表示的长度是一致的,因此,需要采用前向序列填充的方法,取各机构在历史时段内的交易行为数据的笔数的最大值作为所有嵌入表示的长度,若某机构的嵌入表示在历史时段内的交易行为数据的笔数小于交易行为数据的笔数的最大值,则在该机构的嵌入表示最前面补零使其达到交易行为数据的笔数的最大值。LSTM训练网络中的上述过程对应于图5中的步骤3(特征填充并训练)。
本申请可以使用不同的网络大小对交易特征序列的嵌入表示进行训练,可供选择的网络大小有16、32、64和128四种。
在得到训练好的异常行为检测网络之后,使用训练好的异常行为检测网络对各机构的交易行为进行检测,可判断出各机构的交易行为是异常交易行为还是正常交易行为,该过程对应于图5中的步骤4(行为检测)。
进一步的,由于各交易行为数据的检测结果只有正常交易序列或和异常交易结果,属于二分类问题,而Sigmoid激活函数相较于其他激活函数更适合二分类问题,因此,本申请实施例采用Sigmoid激活函数作为异常行为检测网络的激活函数,如图5所示,在交易特征序列a、交易特征序列b……交易特征序列c作为原始特征空间的输入之后,最终的检测结果由Sigmoid激活函数输出,最终检测结果为交易特征序列a,c为正常交易序列,且交易特征序列b,g,h,i,j为异常交易序列,因此确定出交易特征序列a,c对应的交易行为数据为正常数据,且交易特征序列b,g,h,i,j对应的交易行为数据为异常数据。
另外,在一个实施例中,本申请还提供一个交易行为检测方法的可选实例,图6为另一个实施例中交易行为检测方法的流程示意图,结合图6所示,具体包括如下实现过程:
S601,在具有对目标机构的交易行为检测需求的情况下,针对每一交易行为数据,从该交易行为数据中提取设定交易维度的维度特征,并对所提取的维度特征进行拼接,得到该交易行为数据的交易特征。
S602,根据各交易行为数据的交易时间,对各交易行为数据的交易特征进行拼接,得到交易特征序列。
S603,对交易特征序列中交易量维度的维度特征进行归一化处理,得到归一化特征序列。
S604,采用时序属性网络,对归一化特征序列中交易机构维度和交易产品维度的维度特征进行嵌入处理,得到交易特征序列的嵌入表示。
S605,将嵌入表示输入至异常行为检测网络,得到各交易行为数据的检测结果。
S606,根据各交易行为数据的检测结果,确定各交易行为数据中的异常交易行为数据。
通过上述方案,能够通过异常行为检测网络,确定异常交易行为数据,提高了检测的效率和准确性。
上述S601-S606的具体过程可以参见上述方法实施例的描述,其实现原理和技术效果类似,在此不再赘述。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的交易行为检测方法的交易行为检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个交易行为检测装置实施例中的具体限定可以参见上文中对于交易行为检测方法的限定,在此不再赘述。
在其中一个实施例中,通过图7示出了一个实施例中交易行为检测装置的结构框图。如图7所示,提供了一种交易行为检测装置7,该装置包括:提取模块70、拼接模块71、嵌入模块72和确定模块73,其中:
提取模块70,用于在具有对目标机构的交易行为检测需求的情况下,提取目标机构在目标时段内所产生的各交易行为数据的交易特征;
拼接模块71,用于根据各交易行为数据的交易时间,对各交易行为数据的交易特征进行拼接,得到交易特征序列;
嵌入模块72,用于采用时序属性网络,对交易特征序列进行嵌入处理,得到交易特征序列的嵌入表示;
确定模块73,用于基于异常行为检测网络,根据嵌入表示,确定各交易行为数据中的异常交易行为数据。
上述交易行为检测装置,在提取出目标机构在目标时段内所产生的各交易行为数据的交易特征之后,根据交易时间对这些交易特征进行拼接,得到交易特征序列,并采用时序属性网络,对这些具有时序性的交易特征序列进行嵌入处理,即可得到包含属性特性和时间特性的嵌入表示,进而将该嵌入表示输入到异常行为检测网络中,即可精准确定出各交易行为数据中的异常交易行为数据。相比于相关技术的交易行为检测方法,本申请中的交易行为检测方法节省了人力和时间,提高了检测的效率和准确性。
在其中一个实施例中,通过图8示出了另一个实施例中交易行为检测装置的结构框图。如图8所示,上图7中的提取模块70具体可以包括:
提取单元701,用于针对每一交易行为数据,从该交易行为数据中提取设定交易维度的维度特征;其中,设定交易维度包括交易机构维度、交易产品维度、交易量维度和交易方向维度;
拼接单元702,用于对所提取的维度特征进行拼接,得到该交易行为数据的交易特征。
在其中一个实施例中,通过图9示出了另一个实施例中交易行为检测装置的结构框图。如图9所示,上图7中的嵌入模块72具体可以包括:
归一化单元721,用于对交易特征序列中交易量维度的维度特征进行归一化处理,得到归一化特征序列;
嵌入单元722,用于采用时序属性网络,对归一化特征序列中交易机构维度和交易产品维度的维度特征进行嵌入处理,得到交易特征序列的嵌入表示。
在其中一个实施例中,通过图10示出了另一个实施例中交易行为检测装置的结构框图。如图10所示,上图7中的确定模块73具体可以包括:
输入单元731,用于将嵌入表示输入至异常行为检测网络,得到各交易行为数据的检测结果;
确定单元732,用于根据各交易行为数据的检测结果,确定各交易行为数据中的异常交易行为数据。
在其中一个实施例中,异常行为检测网络是基于长短期记忆LSTM网络训练得到的。
在其中一个实施例中,交易行为检测装置7还包括:方式确定模块,用于根据异常交易行为数据的数据量,确定数据输出方式;输出模块,用于采用数据输出方式,对异常交易行为数据进行输出。
上述交易行为检测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。
在其中一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储交易行为检测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种交易行为检测方法。
本领域技术人员可以理解,图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的,计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在其中一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
在具有对目标机构的交易行为检测需求的情况下,提取目标机构在目标时段内所产生的各交易行为数据的交易特征;
根据各交易行为数据的交易时间,对各交易行为数据的交易特征进行拼接,得到交易特征序列;
采用时序属性网络,对交易特征序列进行嵌入处理,得到交易特征序列的嵌入表示;
基于异常行为检测网络,根据嵌入表示,确定各交易行为数据中的异常交易行为数据。
在其中一个实施例中,处理器执行计算机程序中提取目标机构在目标时段内所产生的各交易行为数据的交易特征的逻辑时,具体实现以下步骤:
针对每一交易行为数据,从该交易行为数据中提取设定交易维度的维度特征;其中,设定交易维度包括交易机构维度、交易产品维度、交易量维度和交易方向维度;对所提取的维度特征进行拼接,得到该交易行为数据的交易特征。
在其中一个实施例中,处理器执行计算机程序中采用时序属性网络,对交易特征序列进行嵌入处理,得到交易特征序列的嵌入表示的逻辑时,具体实现以下步骤:
对交易特征序列中交易量维度的维度特征进行归一化处理,得到归一化特征序列;采用时序属性网络,对归一化特征序列中交易机构维度和交易产品维度的维度特征进行嵌入处理,得到交易特征序列的嵌入表示。
在其中一个实施例中,处理器执行计算机程序中基于异常行为检测网络,根据嵌入表示,确定各交易行为数据中的异常交易行为数据的逻辑时,具体实现以下步骤:
将嵌入表示输入至异常行为检测网络,得到各交易行为数据的检测结果;根据各交易行为数据的检测结果,确定各交易行为数据中的异常交易行为数据。
在其中一个实施例中,处理器执行计算机程序中的逻辑时,具体实现以下步骤:
在其中一个实施例中,异常行为检测网络是基于长短期记忆LSTM网络训练得到的。
在其中一个实施例中,处理器执行计算机程序中的逻辑时,还具体实现以下步骤:
根据异常交易行为数据的数据量,确定数据输出方式;采用数据输出方式,对异常交易行为数据进行输出。
上述提供的计算机设备,其在实现各实施例中的原理和具体过程可参见前述实施例中交易行为检测方法实施例中的说明,此处不再赘述。
在其中一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
在具有对目标机构的交易行为检测需求的情况下,提取目标机构在目标时段内所产生的各交易行为数据的交易特征;
根据各交易行为数据的交易时间,对各交易行为数据的交易特征进行拼接,得到交易特征序列;
采用时序属性网络,对交易特征序列进行嵌入处理,得到交易特征序列的嵌入表示;
基于异常行为检测网络,根据嵌入表示,确定各交易行为数据中的异常交易行为数据。
在其中一个实施例中,计算机程序中提取目标机构在目标时段内所产生的各交易行为数据的交易特征的逻辑被处理器执行时,具体实现以下步骤:
针对每一交易行为数据,从该交易行为数据中提取设定交易维度的维度特征;其中,设定交易维度包括交易机构维度、交易产品维度、交易量维度和交易方向维度;对所提取的维度特征进行拼接,得到该交易行为数据的交易特征。
在其中一个实施例中,计算机程序中采用时序属性网络,对交易特征序列进行嵌入处理,得到交易特征序列的嵌入表示的逻辑被处理器执行时,具体实现以下步骤:
对交易特征序列中交易量维度的维度特征进行归一化处理,得到归一化特征序列;采用时序属性网络,对归一化特征序列中交易机构维度和交易产品维度的维度特征进行嵌入处理,得到交易特征序列的嵌入表示。
在其中一个实施例中,计算机程序中基于异常行为检测网络,根据嵌入表示,确定各交易行为数据中的异常交易行为数据的逻辑被处理器执行时,具体实现以下步骤:
将嵌入表示输入至异常行为检测网络,得到各交易行为数据的检测结果;根据各交易行为数据的检测结果,确定各交易行为数据中的异常交易行为数据。
在其中一个实施例中,计算机程序中的逻辑被处理器执行时,具体实现以下步骤:
在其中一个实施例中,异常行为检测网络是基于长短期记忆LSTM网络训练得到的。
在其中一个实施例中,计算机程序中的逻辑被处理器执行时,还具体实现以下步骤:
根据异常交易行为数据的数据量,确定数据输出方式;采用数据输出方式,对异常交易行为数据进行输出。
上述提供的计算机可读存储介质,其在实现各实施例中的原理和具体过程可参见前述实施例中交易行为检测方法实施例中的说明,此处不再赘述。
上述提供的计算机可读存储介质,其在实现各实施例中的原理和具体过程可参见前述实施例中目标检测方法实施例中的说明,此处不再赘述。
在其中一个实施例中,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以下步骤:
在具有对目标机构的交易行为检测需求的情况下,提取目标机构在目标时段内所产生的各交易行为数据的交易特征;
根据各交易行为数据的交易时间,对各交易行为数据的交易特征进行拼接,得到交易特征序列;
采用时序属性网络,对交易特征序列进行嵌入处理,得到交易特征序列的嵌入表示;
基于异常行为检测网络,根据嵌入表示,确定各交易行为数据中的异常交易行为数据。
在其中一个实施例中,计算机程序中提取目标机构在目标时段内所产生的各交易行为数据的交易特征的逻辑被处理器执行时,具体实现以下步骤:
针对每一交易行为数据,从该交易行为数据中提取设定交易维度的维度特征;其中,设定交易维度包括交易机构维度、交易产品维度、交易量维度和交易方向维度;对所提取的维度特征进行拼接,得到该交易行为数据的交易特征。
在其中一个实施例中,计算机程序中采用时序属性网络,对交易特征序列进行嵌入处理,得到交易特征序列的嵌入表示的逻辑被处理器执行时,具体实现以下步骤:
对交易特征序列中交易量维度的维度特征进行归一化处理,得到归一化特征序列;采用时序属性网络,对归一化特征序列中交易机构维度和交易产品维度的维度特征进行嵌入处理,得到交易特征序列的嵌入表示。
在其中一个实施例中,计算机程序中基于异常行为检测网络,根据嵌入表示,确定各交易行为数据中的异常交易行为数据的逻辑被处理器执行时,具体实现以下步骤:
将嵌入表示输入至异常行为检测网络,得到各交易行为数据的检测结果;根据各交易行为数据的检测结果,确定各交易行为数据中的异常交易行为数据。
在其中一个实施例中,计算机程序中的逻辑被处理器执行时,具体实现以下步骤:
在其中一个实施例中,异常行为检测网络是基于长短期记忆LSTM网络训练得到的。
在其中一个实施例中,计算机程序中的逻辑被处理器执行时,还具体实现以下步骤:
根据异常交易行为数据的数据量,确定数据输出方式;采用数据输出方式,对异常交易行为数据进行输出。
上述提供的计算机程序产品,其在实现各实施例中的原理和具体过程可参见前述实施例中目标检测方法实施例中的说明,此处不再赘述。
需要说明的是,本申请所涉及的数据(包括但不限于交易行为数据等),均为经过各方充分授权的数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种交易行为检测方法,其特征在于,包括:
在具有对目标机构的交易行为检测需求的情况下,提取所述目标机构在目标时段内所产生的各交易行为数据的交易特征;
根据各交易行为数据的交易时间,对各交易行为数据的交易特征进行拼接,得到交易特征序列;
采用时序属性网络,对所述交易特征序列进行嵌入处理,得到所述交易特征序列的嵌入表示;
基于异常行为检测网络,根据所述嵌入表示,确定各交易行为数据中的异常交易行为数据。
2.根据权利要求1所述的方法,其特征在于,所述提取目标机构在目标时段内所产生的各交易行为数据的交易特征,包括:
针对每一交易行为数据,从该交易行为数据中提取设定交易维度的维度特征;其中,所述设定交易维度包括交易机构维度、交易产品维度、交易量维度和交易方向维度;
对所提取的维度特征进行拼接,得到该交易行为数据的交易特征。
3.根据权利要求2所述的方法,其特征在于,所述采用时序属性网络,对所述交易特征序列进行嵌入处理,得到所述交易特征序列的嵌入表示,包括:
对所述交易特征序列中交易量维度的维度特征进行归一化处理,得到归一化特征序列;
采用时序属性网络,对所述归一化特征序列中交易机构维度和交易产品维度的维度特征进行嵌入处理,得到所述交易特征序列的嵌入表示。
4.根据权利要求1所述的方法,其特征在于,所述基于异常行为检测网络,根据所述嵌入表示,确定各交易行为数据中的异常交易行为数据,包括:
将所述嵌入表示输入至异常行为检测网络,得到各交易行为数据的检测结果;
根据所述各交易行为数据的检测结果,确定各交易行为数据中的异常交易行为数据。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述异常行为检测网络是基于长短期记忆LSTM网络训练得到的。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述异常交易行为数据的数据量,确定数据输出方式;
采用所述数据输出方式,对所述异常交易行为数据进行输出。
7.一种交易行为检测装置,其特征在于,包括:
提取模块,用于在具有对目标机构的交易行为检测需求的情况下,提取所述目标机构在目标时段内所产生的各交易行为数据的交易特征;
拼接模块,用于根据各交易行为数据的交易时间,对各交易行为数据的交易特征进行拼接,得到交易特征序列;
嵌入模块,用于采用时序属性网络,对所述交易特征序列进行嵌入处理,得到所述交易特征序列的嵌入表示;
确定模块,用于基于异常行为检测网络,根据所述嵌入表示,确定各交易行为数据中的异常交易行为数据。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310736271.2A CN116703598A (zh) | 2023-06-20 | 2023-06-20 | 交易行为检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310736271.2A CN116703598A (zh) | 2023-06-20 | 2023-06-20 | 交易行为检测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116703598A true CN116703598A (zh) | 2023-09-05 |
Family
ID=87838962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310736271.2A Pending CN116703598A (zh) | 2023-06-20 | 2023-06-20 | 交易行为检测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116703598A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455497A (zh) * | 2023-11-12 | 2024-01-26 | 北京营加品牌管理有限公司 | 一种交易风险检测方法及装置 |
-
2023
- 2023-06-20 CN CN202310736271.2A patent/CN116703598A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455497A (zh) * | 2023-11-12 | 2024-01-26 | 北京营加品牌管理有限公司 | 一种交易风险检测方法及装置 |
CN117455497B (zh) * | 2023-11-12 | 2024-06-14 | 广东冠汇网络科技有限公司 | 一种交易风险检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116703598A (zh) | 交易行为检测方法、装置、计算机设备和存储介质 | |
CN116629435A (zh) | 风险预测方法、装置、计算机设备和存储介质 | |
CN113591934A (zh) | 业务分析模型的编排方法、装置和设备及存储介质 | |
CN116737495A (zh) | 运行状态确定方法、装置、计算机设备和存储介质 | |
CN116933035A (zh) | 数据异常检测方法、装置、计算机设备和存储介质 | |
CN115797291A (zh) | 回路端子的识别方法、装置、计算机设备和存储介质 | |
CN114942997A (zh) | 数据处理、模型训练、风险识别方法、设备及存储介质 | |
CN114170000A (zh) | 信用卡用户风险类别识别方法、装置、计算机设备和介质 | |
CN114373122A (zh) | 设备识别方法、装置、计算机设备和存储介质 | |
CN114219184A (zh) | 产品交易数据预测方法、装置、设备、介质和程序产品 | |
CN117033764A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN116702024B (zh) | 流水数据类型识别方法、装置、计算机设备和存储介质 | |
US20240095551A1 (en) | Systems and methods for successive feature imputation using machine learning | |
CN117151873A (zh) | 异常提示方法、装置、计算机设备和存储介质 | |
CN116701531A (zh) | 代码块分享方法、装置、计算机设备和存储介质 | |
CN117197086A (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
CN117954025A (zh) | 问卷文本生成方法、装置、计算机设备、存储介质 | |
CN115587856A (zh) | 客户分类模型确定方法、装置、计算机设备和存储介质 | |
CN116824692A (zh) | 人体行为识别方法、装置、计算机设备和存储介质 | |
CN116468531A (zh) | 账户信息处理方法、装置、计算机设备和存储介质 | |
CN117459577A (zh) | 虚拟物品信息推送方法、装置、计算机设备和存储介质 | |
CN114239695A (zh) | 安全工具识别方法、装置、计算机设备和存储介质 | |
CN115481257A (zh) | 文本数据的处理方法、装置、计算机设备、存储介质 | |
CN117171457A (zh) | 人机交互方法、装置、计算机设备和存储介质 | |
CN116934001A (zh) | 账户资源确定方法、装置、计算机设备和存储介质 |
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 |