CN116823452B - 基于人工智能的异常事件识别方法、装置及设备 - Google Patents
基于人工智能的异常事件识别方法、装置及设备 Download PDFInfo
- Publication number
- CN116823452B CN116823452B CN202311102794.8A CN202311102794A CN116823452B CN 116823452 B CN116823452 B CN 116823452B CN 202311102794 A CN202311102794 A CN 202311102794A CN 116823452 B CN116823452 B CN 116823452B
- Authority
- CN
- China
- Prior art keywords
- event
- abnormal
- user behavior
- behavior event
- identified
- 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
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 360
- 238000000034 method Methods 0.000 title claims description 65
- 238000013473 artificial intelligence Methods 0.000 title claims description 14
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 118
- 230000006399 behavior Effects 0.000 claims description 653
- 238000004422 calculation algorithm Methods 0.000 claims description 161
- 238000012549 training Methods 0.000 claims description 118
- 239000013598 vector Substances 0.000 claims description 79
- 238000011156 evaluation Methods 0.000 claims description 67
- 238000000605 extraction Methods 0.000 claims description 61
- 238000005065 mining Methods 0.000 claims description 16
- 230000005856 abnormality Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 144
- 230000008569 process Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 7
- 238000013441 quality evaluation Methods 0.000 description 5
- 230000003542 behavioural effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000010365 information processing Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000012384 transportation and delivery Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供一种基于人工智能的异常事件识别方法、装置及设备，为了提取拟识别用户行为事件集对应的异常识别结果，先对拟识别用户行为事件集进行异常情况确定，通过异常情况确定后获得第一异常确定信息确定是否具有异常事件，从而判断是否对拟识别用户行为事件集进行处理。如果确定拟识别用户行为事件集不包含异常事件，不再进行后续异常识别结果的确定，释放处理器算力。当确定拟识别用户行为事件集具备异常事件时，获取拟识别用户行为事件集对应的局部描述知识载体，从而精确表征每一行为事件在对应的局部自相关事件的行为描述结果，有利于通过局部描述知识载体精确地识别拟识别用户行为事件集中的异常行为事件，帮助提前建立风险预警策略。
Description
技术领域
本公开涉及人工智能领域，具体而言，涉及一种基于人工智能的异常事件识别方法、装置及设备。
背景技术
风控管理是金融的发展命脉，提高风控意识和风险管理水平是行业稳健发展的基础。近年来，监管机构持续完善法律法规，加强行业监管、完善主体责任、规范企业经营，推动金融行业合规发展。不过，受限于汽车产业整体信息技术水平及线上化程度较低，生态整合及科技应用能力较弱，数字金融服务能力仍有待深化。在此基础上，参与主体如何提升风控质效、把控风控成本、保障合规经营是难点所在。随着用户消费行为及习惯的转变，银行业务逐步向线上化、场景化、多样化转型发展，其中个人、小微贷款业务面临的操作风险、信用风险、技术风险也不断加大，传统风控手段难以满足银行对风险管理的智能化、精细化及多元化需求，如何通过科技手段加强核心风控环节管理，保障业务合规开展是当下的挑战之一。
发明内容
本发明的目的在于提供一种基于人工智能的异常事件识别方法、装置及设备。
本公开实施例的技术方案是这样实现的：
第一方面，本公开实施例提供了一种基于人工智能的异常事件识别方法，应用于电子设备，所述方法包括：
获取拟识别用户行为事件集；
对所述拟识别用户行为事件集进行异常情况确定，确定所述拟识别用户行为事件集的第一异常确定信息；其中，所述第一异常确定信息用以描述所述拟识别用户行为事件集是否存在异常事件；
当确定所述拟识别用户行为事件集存在异常事件时，获取所述拟识别用户行为事件集的局部描述知识载体；所述局部描述知识载体用以描述所述拟识别用户行为事件集涵盖的行为事件在所述拟识别用户行为事件集的局部自相关事件中表征的事件特征信息；所述局部自相关事件为所述拟识别用户行为事件集中与所述行为事件同在预设时间范围内的其余行为事件；
通过所述局部描述知识载体，确定所述拟识别用户行为事件集包含的异常行为事件；
确定所述异常行为事件为拟识别用户行为事件集对应的异常识别结果，标记所述异常识别结果。
可选地，所述对所述拟识别用户行为事件集进行异常情况确定，确定所述拟识别用户行为事件集的第一异常确定信息，包括：
依据异常事件识别算法中的特征提炼网络，对所述拟识别用户行为事件集进行知识载体提炼，得到所述拟识别用户行为事件集的全局描述知识载体，所述全局描述知识载体为通过所述拟识别用户行为事件集中的全部行为事件获得；
依据所述异常事件识别算法中的第一决策网络，对所述全局描述知识载体进行异常确定操作，确定所述第一异常确定信息。
可选地，所述依据异常事件识别算法中的特征提炼网络，对所述拟识别用户行为事件集进行知识载体提炼，得到所述拟识别用户行为事件集的全局描述知识载体，包括：
对所述拟识别用户行为事件集进行事件数据编码，得到所述拟识别用户行为事件集对应的初始事件向量序列；所述拟识别用户行为事件集包含第一定位信息码和第二定位信息码；所述第一定位信息码为所述拟识别用户行为事件集中的连续型行为事件的事件开始节点设置的信息码；所述第二定位信息码为所述拟识别用户行为事件集中的连续型行为事件的事件截止节点设置的信息码；所述初始事件向量序列中包括所述拟识别用户行为事件集中涵盖的行为事件的事件向量表征、第一定位信息码的事件向量表征以及第二定位信息码的事件向量表征；
将所述初始事件向量序列输入所述特征提炼网络中，得到所述初始事件向量序列中的事件向量表征对应的描述知识载体；所述特征提炼网络用于确定输入的事件向量表征对应的描述知识载体；
确定所述第一定位信息码的事件向量表征对应的描述知识载体为所述拟识别用户行为事件集的全局描述知识载体。
可选地，依据所述异常事件识别算法中的第一决策网络，对所述全局描述知识载体进行异常确定操作，确定所述第一异常确定信息，包括：依据所述第一决策网络，对所述全局描述知识载体进行处理，得到第一支持系数，所述第一支持系数表示拟识别用户行为事件集在存在异常事件下的支持系数和拟识别用户行为事件集在不存在异常事件下的支持系数；通过所述第一支持系数，确定所述拟识别用户行为事件集的第一异常确定信息；
所述确定所述拟识别用户行为事件集的局部描述知识载体，包括：依据所述异常事件识别算法中的过滤器对所述全局描述知识载体进行滑动滤波，得到所述拟识别用户行为事件集的局部描述知识载体；
所述通过所述局部描述知识载体，确定所述拟识别用户行为事件集包含的异常行为事件，包括：依据所述异常事件识别算法中的第二决策网络对所述局部描述知识载体进行异常确定操作，得到第二异常确定信息；所述第二异常确定信息中包括所述拟识别用户行为事件集中所涵盖的行为事件对应的异常确定标记，所述异常确定标记用以描述所述行为事件是否为异常行为事件；确定指示行为事件为异常行为事件的异常确定标记对应的行为事件为所述拟识别用户行为事件集对应的异常行为事件。
可选地，所述方法还包括：
当确定所述拟识别用户行为事件集存在异常事件时，获取预设异常行为事件集合中的异常识别结果与所述拟识别用户行为事件集之间的异常信息相似性系数；在所述预设异常行为事件集合中，确定异常信息相似性系数大于相似性系数临界值的异常识别结果为所述拟识别用户行为事件集对应的异常识别结果；
其中，所述拟识别用户行为事件集的第一异常确定信息为依据异常事件识别算法中的第一决策网络和所述拟识别用户行为事件集的全局描述知识载体获得的；所述全局描述知识载体为依据异常事件识别算法中的特征提炼网络，对所述拟识别用户行为事件集中的全部行为事件的进行知识载体提炼获得的；
所述确定预设异常行为事件集合中的异常识别结果与所述拟识别用户行为事件集之间的异常信息相似性系数，包括：依据所述特征提炼网络对所述预设异常行为事件集合中的异常识别结果进行知识载体挖掘，得到异常事件知识载体；通过所述异常事件知识载体和所述全局描述知识载体，确定所述异常信息相似性系数；
所述标记所述异常识别结果，包括：获取所述异常识别结果对应的第一关联评估值、所述异常识别结果中的行为子事件个数和所述拟识别用户行为事件集的采集时间；所述第一关联评估值用以描述确定的异常识别结果和拟识别用户行为事件集的相关性程度；通过所述第一关联评估值，所述异常识别结果中的行为子事件个数和所述拟识别用户行为事件集的采集时间，确定所述异常识别结果对应的质量系数；所述质量系数用以描述所述异常识别结果的准确度；通过所述质量系数标记所述异常识别结果。
可选地，所述获取所述异常识别结果对应的第一关联评估值，包括：
当确定所述异常识别结果为通过所述拟识别用户行为事件集包含的异常行为事件获得时，通过所述异常识别结果中的异常行为事件对应的第二支持系数、所述异常识别结果中的异常行为事件的个数和第一预设影响系数，确定所述第一关联评估值；所述第二支持系数用以描述所述行为事件为异常行为事件的可信度；
当确定所述异常识别结果为来自于所述预设异常行为事件集合中时，通过所述异常识别结果对应的异常信息相似性系数和第二预设影响系数，确定所述第一关联评估值；所述第一预设影响系数大于所述第二预设影响系数；
所述通过所述第一关联评估值，所述异常识别结果中的行为子事件个数和所述拟识别用户行为事件集的采集时间，确定所述异常识别结果对应的质量系数，包括：通过所述拟识别用户行为事件集的采集时间，确定第二关联评估值，所述第二关联评估值和所述采集时间的数值变动方向一致；通过所述异常识别结果中的行为子事件个数，确定第三关联评估值；通过所述第一关联评估值、所述第二关联评估值和所述第三关联评估值，确定所述异常识别结果对应的质量系数。
可选地，所述异常事件识别算法通过以下步骤进行训练得到：
获取用户行为事件训练集；所述用户行为事件训练集携带有第一批注信息和第二批注信息，所述第一批注信息用以描述所述用户行为事件训练集是否存在异常事件，所述第二批注信息用以描述所述用户行为事件训练集所涵盖的行为事件是否为异常行为事件；
通过所述用户行为事件训练集对初始化算法进行训练，得到异常事件识别算法；所述异常事件识别算法用于对拟识别用户行为事件集进行异常情况确定，当确定所述拟识别用户行为事件集存在异常事件时，获取所述拟识别用户行为事件集的局部描述知识载体，并通过所述局部描述知识载体，确定所述拟识别用户行为事件集包含的异常行为事件；所述局部描述知识载体用以描述所述拟识别用户行为事件集涵盖的行为事件在所述拟识别用户行为事件集的局部自相关事件中表征的事件特征信息；所述局部自相关事件为所述拟识别用户行为事件集中与所述行为事件同在预设时间范围内的其余行为事件。
可选地，所述通过所述用户行为事件训练集对初始化算法进行训练，得到异常事件识别算法，包括：
将所述用户行为事件训练集输入所述初始化算法，得到第一执行信息和第二执行信息；第一执行信息用以描述所述初始化算法确定的所述用户行为事件训练集是否存在异常事件；所述第二执行信息用以描述所述初始化算法确定的所述用户行为事件训练集中的行为事件是否为异常行为事件；
通过所述第一执行信息和所述第一批注信息得到第一代价算法；
通过所述第二执行信息和所述第二批注信息得到第二代价算法；
通过所述第一代价算法和所述第二代价算法对所述初始化算法进行参数修正，得到所述异常事件识别算法；
其中，所述将所述用户行为事件训练集输入所述初始化算法，得到第一执行信息和第二执行信息，包括：
依据所述初始化算法的原始特征提炼网络对所述用户行为事件训练集进行知识载体提炼，得到所述用户行为事件训练集的全局描述知识载体；所述全局描述知识载体为通过所述用户行为事件训练集中的全部行为事件获得；
依据所述初始化算法中的第一原始决策网络对所述全局描述知识载体进行异常确定操作，确定所述第一执行信息；
依据所述初始化算法中的原始过滤器对所述用户行为事件训练集的全局描述知识载体进行滑动滤波，得到所述用户行为事件训练集的局部描述知识载体；
依据所述初始化算法中的第二原始决策网络对所述用户行为事件训练集的局部描述知识载体进行异常确定操作，得到第二执行信息；所述第二执行信息包括所述用户行为事件训练集中所涵盖的行为事件对应的异常确定标记，所述异常确定标记用以描述所述行为事件是否为异常行为事件。
另一方面，本公开提供一种异常事件识别装置，所述装置包括：
行为数据获取模块，用于获取拟识别用户行为事件集；
异常情况确定模块，用于对所述拟识别用户行为事件集进行异常情况确定，确定所述拟识别用户行为事件集的第一异常确定信息；其中，所述第一异常确定信息用以描述所述拟识别用户行为事件集是否存在异常事件；
知识载体挖掘模块，用于当确定所述拟识别用户行为事件集存在异常事件时，获取所述拟识别用户行为事件集的局部描述知识载体；所述局部描述知识载体用以描述所述拟识别用户行为事件集涵盖的行为事件在所述拟识别用户行为事件集的局部自相关事件中表征的事件特征信息；所述局部自相关事件为所述拟识别用户行为事件集中与所述行为事件同在预设时间范围内的其余行为事件；
异常行为确定模块，用于通过所述局部描述知识载体，确定所述拟识别用户行为事件集包含的异常行为事件；
异常结果标记模块，用于确定所述异常行为事件为拟识别用户行为事件集对应的异常识别结果，标记所述异常识别结果。
第三方面，本公开还提供一种电子设备，包括存储器和处理器，所述存储器存储有可在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的方法。
本公开至少具有以下有益效果：本公开中为了提取拟识别用户行为事件集对应的异常识别结果，先对拟识别用户行为事件集进行异常情况确定，通过异常情况确定后获得第一异常确定信息确定是否具有异常事件，从而判断是否对拟识别用户行为事件集进行处理。如果确定拟识别用户行为事件集不包含异常事件，不再进行后续异常识别结果的确定，释放处理器算力。当确定拟识别用户行为事件集具备异常事件时，获取拟识别用户行为事件集对应的局部描述知识载体，从而精确表征每一行为事件在对应的局部自相关事件的行为描述结果，有利于通过局部描述知识载体精确地识别拟识别用户行为事件集中的异常行为事件。
在后面的描述中，将部分地陈述其他的特征。在检查后面内容和附图时，本领域的技术人员将部分地发现这些特征，或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面，当前申请中的特征可以被实现和获得。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1是本公开实施例提供的基于人工智能的异常事件识别方法的应用场景示意图。
图2是本公开实施例提供的一种基于人工智能的异常事件识别方法的流程图。
图3是本公开实施例提供的异常事件识别装置的功能模块架构示意图。
图4是本公开实施例提供的一种电子设备的组成示意图。
具体实施方式
为了使本公开的目的、技术方案和优点更加清楚，下面将结合附图对本公开作进一步地详细描述，所描述的实施例不应视为对本公开的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本公开保护的范围。
在以下的描述中，涉及到“一些实施例”、“作为一种实施方式/方案”、“在一种实施方式中”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”、“作为一种实施方式/方案”、“在一种实施方式中”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
在以下的描述中，所涉及的术语“第一\第二\第三”等类似术语，仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本公开实施例能够以除了在这里图示或描述的以外的顺序实施。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公开的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本公开实施例的目的，不是旨在限制本公开。
本公开实施例提供的基于人工智能的异常事件识别方法可以由电子设备执行，其中电子设备可以是笔记本电脑，平板电脑，台式计算机，移动设备(例如，移动电话，便携式音乐播放器，个人数字助理，专用消息设备，便携式游戏设备)等各种类型的终端，也可以实施为服务器。服务器可以是独立的物理服务器，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 Delivery Network，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。
图1是本公开实施例提供的基于人工智能的异常事件识别方法的应用场景示意图。本公开实施例提供的异常事件识别系统10中包括多个客户终端100、网络200和电子设备300，多个客户终端100和电子设备300之间通过网络200实现通信连接。电子设备300用于执行本公开实施例提供的方法。客户终端100可以产生或转发目标用户的用户行为事件，其可以为用户或者金融端使用的笔记本电脑，平板电脑，台式计算机，移动设备(例如，移动电话，便携式音乐播放器，个人数字助理，专用消息设备，便携式游戏设备)等各种类型的终端。具体地，本公开实施例提供了一种基于人工智能的异常事件识别方法，该方法应用于电子设备300，如图2所示，该方法包括：
操作100：获取拟识别用户行为事件集。
拟识别用户行为事件集中包含目标用户的若干行为事件，行为事件可以包括但不限于目标用户的金融行为（如汽车金融贷款、网络贷款、房屋贷款、消费贷款等贷款环节中产生的诸如授信验证、身份验证、征信查询、审核材料提供、远程面签等行为事件，以及诸如日常金融行为中转账、汇款）、社交行为（如内容浏览、信息互动）、消费行为（如电商购物、信用卡使用）等用户行为，对于不同的行为事件，可以赋予对应的行为编码，构成拟识别用户行为事件集。用户行为事件集可以通过预设的采集周期进行采集，在采集过程中，可以通过各种采集渠道进行，例如针对用户的网页操作、客户端操作等，通过预设的埋点进行行为拦截进行采集，针对用户的线下操作，通过采集工作人员的工作日志内容进行采集，具体不做限定。可以理解，拟识别用户行为事件集可以来源于一个或多个客户终端100。
操作200：对拟识别用户行为事件集进行异常情况确定，确定拟识别用户行为事件集的第一异常确定信息。
其中，第一异常确定信息用以描述拟识别用户行为事件集是否存在异常事件。
譬如，本公开中的第一异常确定信息用以描述拟识别用户行为事件集是否存在异常事件，即拟识别用户行为事件集中是否具有异常识别结果（即异常行为事件），如果第一异常确定信息表示拟识别用户行为事件集存在异常事件，那么拟识别用户行为事件集中包含异常识别结果，如果第一异常确定信息表示拟识别用户行为事件集不存在异常事件时，确定拟识别用户行为事件集中不具有异常识别结果，此时停止对拟识别用户行为事件集的后续操作。
操作300：当确定拟识别用户行为事件集存在异常事件时，获取拟识别用户行为事件集的局部描述知识载体。
其中，局部描述知识载体用以描述拟识别用户行为事件集涵盖的行为事件在拟识别用户行为事件集的局部自相关事件中表征的事件特征信息，局部自相关事件是拟识别用户行为事件集中与行为事件同在预设时间范围内的其余行为事件，即数据的上下文信息。描述知识载体是用于承载对应数据集的语义特征知识的载体，例如可以为特征向量、矩阵、张量等数组。
譬如，当确定拟识别用户行为事件集中具有异常识别结果，即拟识别用户行为事件集存在异常事件时，提取拟识别用户行为事件集对应的局部描述知识载体。其中，拟识别用户行为事件集对应的局部描述知识载体可用以描述拟识别用户行为事件集中的每一个行为事件表征的事件特征信息，每一行为事件表征的事件特征信息为依据与该行为事件同在预设时间范围内的行为事件的特征获得。换言之，在拟识别用户行为事件集的局部描述知识载体时，每一行为事件都只衡量和该行为事件同在预设时间范围（比如在行为事件前和行为事件后紧邻的预设个数的行为事件）内的其余行为事件的特征，获得整个拟识别用户行为事件集对应的局部描述知识载体。
操作400：通过局部描述知识载体，确定拟识别用户行为事件集包含的异常行为事件。
譬如，获取到拟识别用户行为事件集对应的局部描述知识载体后，通过获得局部描述知识载体，确定拟识别用户行为事件集中的异常行为事件。举例而言，在通过拟识别用户行为事件集对应的局部描述知识载体，确定包含的异常行为事件时，可以基于已知方式通过局部描述知识载体，确定拟识别用户行为事件集中的行为事件是否为异常行为事件。
操作500：确定异常行为事件为拟识别用户行为事件集对应的异常识别结果，标记异常识别结果。
譬如，在得到拟识别用户行为事件集包含的异常行为事件时，将异常行为事件与拟识别用户行为事件集包含的异常识别结果，标记得到的异常行为事件。
以上易知，本公开中为了提取拟识别用户行为事件集对应的异常识别结果，先对拟识别用户行为事件集进行异常情况确定，通过异常情况确定后获得第一异常确定信息确定是否具有异常事件，从而判断是否对拟识别用户行为事件集进行处理。如果确定拟识别用户行为事件集不包含异常事件，不再进行后续异常识别结果的确定，释放处理器算力。当确定拟识别用户行为事件集具备异常事件时，获取拟识别用户行为事件集对应的局部描述知识载体，从而精确表征每一行为事件在对应的局部自相关事件的行为描述结果，有利于通过局部描述知识载体精确地识别拟识别用户行为事件集中的异常行为事件。
本公开还提供另外一种基于人工智能的异常事件识别方法，具体可以包括如下操作：
操作10：获取拟识别用户行为事件集。
操作20：依据异常事件识别算法中的特征提炼网络，对拟识别用户行为事件集进行知识载体提炼，得到拟识别用户行为事件集的全局描述知识载体。
其中，全局描述知识载体为通过拟识别用户行为事件集中的全部行为事件获得。譬如，本公开中的异常事件识别算法为训练完成的用于确定拟识别用户行为事件集对应的异常识别结果的算法。该异常事件识别算法包括特征提炼网络（编码器）。获取拟识别用户行为事件集后，依据异常事件识别算法中的特征提炼网络对拟识别用户行为事件集进行全局描述知识载体的挖掘，本公开中的全局描述知识载体为通过拟识别用户行为事件集中的全部行为事件学习得到，用以描述出拟识别用户行为事件集对应的整体的描述知识载体。
举例而言，操作20具体包括：
操作21：对拟识别用户行为事件集进行事件数据编码，得到拟识别用户行为事件集对应的初始事件向量序列。
其中，拟识别用户行为事件集包含第一定位信息码和第二定位信息码；第一定位信息码为拟识别用户行为事件集中的连续型行为事件的事件开始节点设置的信息码；第二定位信息码为拟识别用户行为事件集中的连续型行为事件的事件截止节点设置的信息码；初始事件向量序列中包括拟识别用户行为事件集中涵盖的行为事件的事件向量表征、第一定位信息码的事件向量表征以及第二定位信息码的事件向量表征。连续型行为事件是连续的多个行为子事件构成的行为事件，例如办理车贷过程中的贷款申请材料递交、资信验证、合同签订、抵押登记等子事件构成购车贷款这个行为事件。
譬如，本公开中，在提取拟识别用户行为事件集对应的全局描述知识载体时，对拟识别用户行为事件集进行事件数据编码，该过程是将拟识别用户行为事件集中的行为事件编码为向量，方便电子设备识别拟识别用户行为事件集对应的信息，具体可以通过循环神经网络（RNN）或Transfomer模型进行编码，每一个行为事件表示为一个向量，将所有向量按照顺序构成事件向量序列。在对拟识别用户行为事件集进行事件数据编码时，对拟识别用户行为事件集中涵盖的行为事件进行事件数据编码，得到行为事件对应的事件向量表征，同时对拟识别用户行为事件集中的事件开始节点设置的第一定位信息码，以及拟识别用户行为事件集中的事件截止节点设置的第二定位信息码进行事件数据编码，得到第一定位信息码对应的事件向量表征和第二定位信息码对应的事件向量表征，最后得到拟识别用户行为事件集对应的初始事件向量序列。
操作22：将初始事件向量序列输入特征提炼网络，获得初始事件向量序列中的事件向量表征对应的描述知识载体。
其中，特征提炼网络用于提炼输入的事件向量表征对应的描述知识载体。譬如，获得初始事件向量序列后，将初始事件向量序列输入特征提炼网络，得到特征提炼网络输出的初始事件向量序列中各事件向量表征对应的描述知识载体。初始事件向量序列中的每一事件向量表征在采取特征提炼网络进行处理后，分别得到相应的描述知识载体。
操作23：确定第一定位信息码的事件向量表征对应的描述知识载体为拟识别用户行为事件集的全局描述知识载体。
譬如，将第一定位信息码的事件向量表征对应的描述知识载体作为拟识别用户行为事件集的全局描述知识载体，以确定拟识别用户行为事件集的第一异常确定信息。以上易知，本公开中，通过对拟识别用户行为事件集进行事件数据编码，确定拟识别用户行为事件集对应的初始事件向量序列，便于电子设备能精准获取拟识别用户行为事件集对应的行为事件，同时增加拟识别用户行为事件集对应的全局描述知识载体挖掘的准确度。
操作30：依据异常事件识别算法中的第一决策网络，对全局描述知识载体进行异常确定操作，确定第一异常确定信息。
其中，第一异常确定信息用以描述拟识别用户行为事件集是否存在异常事件。譬如，得到拟识别用户行为事件集对应的全局描述知识载体时，将获得全局描述知识载体输入异常事件识别算法的第一决策网络中，得到拟识别用户行为事件集对应的第一异常确定信息。决策网络为一个全连接网络，将中间层网络的特征进行归总后分类映射得到分类结果。
以上易知，通过特征提炼网络提取拟识别用户行为事件集对应的全局描述知识载体，再依据异常事件识别算法中的第一决策网络和得到的全局描述知识载体，确定拟识别用户行为事件集是否存在异常事件，增加得到的第一异常确定信息的准确度。
举例而言，操作30具体可以包括：
操作31：依据第一决策网络，对全局描述知识载体进行处理，得到第一支持系数，第一支持系数表示拟识别用户行为事件集在存在异常事件下的支持系数和拟识别用户行为事件集在不存在异常事件下的支持系数。支持系数表示概率信息，也就是支持对应的行为事件为异常事件的可能性程度。
操作32：通过第一支持系数，确定拟识别用户行为事件集的第一异常确定信息。
譬如，本公开中，在第一决策网络对全局描述知识载体进行处理的过程中，先推理拟识别用户行为事件集在异常事件下对应的支持系数和拟识别用户行为事件集不包含异常事件的支持系数（第一支持系数）。此外，获得第一支持系数后，对比第一支持系数中的拟识别用户行为事件集存在异常事件的支持系数和拟识别用户行为事件集不包含异常事件的支持系数，得到拟识别用户行为事件集的第一异常确定信息。
以上易知，本公开中，第一决策网络用于通过全局描述知识载体推理拟识别用户行为事件集在包含异常行为事件下的支持系数和不包含异常行为事件下的支持系数，通过支持系数的比对可以得到拟识别用户行为事件集对应的第一异常确定信息。举例而言，特征提炼网络用于依据注意力机制，具体为多头内部注意力（MHSA）对拟识别用户行为事件集进行知识载体挖掘。
譬如，本公开中，特征提炼网络可以依据MHSA提取拟识别用户行为事件集对应的全局描述知识载体，具体地，依据MHSA将输入的序列进行编码，在编码的过程中对不同位置的信息进行不同的关注，从而提高表现力和效果。通过将输入序列分成多个头，每个头都可以关注不同的位置，然后将不同头的结果进行拼接，得到最终的编码结果。这种机制可以有效地捕捉输入序列中的长程依赖关系，从而提高算法的性能。
此外，特征提炼网络可以包括多个特征提炼网络，每一特征提炼网络依据上一特征提炼网络对应的输出进行迭代，将最后一个特征提炼网络的输出作为特征提炼网络的输出。以上易知，本公开中基于MHSA对拟识别用户行为事件集进行全局描述知识载体挖掘，可以增加获得的全局描述知识载体的准确度。
操作40：当确定拟识别用户行为事件集存在异常事件，则依据异常事件识别算法中的过滤器，对全局描述知识载体进行滑动滤波，得到拟识别用户行为事件集的局部描述知识载体。
其中，局部描述知识载体用以描述拟识别用户行为事件集涵盖的行为事件在拟识别用户行为事件集的局部自相关事件中表征的事件特征信息；局部自相关事件为拟识别用户行为事件集中与行为事件同在预设时间范围内的其余行为事件。
譬如，本公开中，在确定拟识别用户行为事件集存在异常事件时，基于将获得全局描述知识载体输入训练完成的异常事件识别算法中的过滤器，依据过滤器对全局描述知识载体进行处理，得到拟识别用户行为事件集对应的局部描述知识载体。此外，在通过全局描述知识载体确定局部描述知识载体时，通过过滤器结合行为事件的相邻行为事件对应的全局描述知识载体进行滑动滤波，得到拟识别用户行为事件集的局部描述知识载体。基于上述过程增加了确定的异常行为事件的准确度。
操作50：依据异常事件识别算法中的第二决策网络，对局部描述知识载体进行异常确定操作，得到第二异常确定信息。
其中，第二异常确定信息中包括拟识别用户行为事件集中所涵盖的行为事件对应的异常确定标记，异常确定标记用以描述行为事件是否为异常行为事件。
譬如，本公开中，训练完成的异常事件识别算法还包括第二决策网络，第二决策网络获取拟识别用户行为事件集对应的局部描述知识载体，对拟识别用户行为事件集对应的局部描述知识载体进行异常确定操作，得到拟识别用户行为事件集包含的每一行为事件对应的异常确定标记的数值。异常确定标记用以描述其对应的行为事件是否为异常行为事件。
比如，异常确定标记为Y时，代表该行为事件为异常行为事件，同时是该拟识别用户行为事件集中的第一个个异常行为事件；如果异常确定标记为S，代表该行为事件为异常行为事件，同时是拟识别用户行为事件集中非第一个异常行为事件；如果异常确定标记为N，代表该行为事件不是异常行为事件。
操作60：确定指示行为事件为异常行为事件的异常确定标记对应的行为事件，为拟识别用户行为事件集对应的异常行为事件。
譬如，得到拟识别用户行为事件集中各个行为事件对应的异常确定标记后，将指示行为事件为异常行为事件的异常确定标记对应的行为事件作为拟识别用户行为事件集对应的异常识别结果。
以上易知，本公开中依据异常事件识别算法中的第二决策网络，联合标记标注，在拟识别用户行为事件集中挖掘异常行为事件，得到拟识别用户行为事件集对应的异常识别结果。
操作70：确定异常行为事件为拟识别用户行为事件集对应的异常识别结果，标记异常识别结果。
本公开中，通过特征提炼网络挖掘拟识别用户行为事件集对应的全局描述知识载体，再依据异常事件识别算法中的第一决策网络和全局描述知识载体，确定拟识别用户行为事件集是否存在异常事件，增加获得的第一异常确定信息的准确度。接着，通过对拟识别用户行为事件集进行事件数据编码，确定拟识别用户行为事件集对应的初始事件向量序列，便于电子设备能精准获取拟识别用户行为事件集对应的行为事件，同时增加拟识别用户行为事件集对应的全局描述知识载体挖掘的准确度。异常事件识别算法还包括第一决策网络，其通过全局描述知识载体，推理拟识别用户行为事件集在包括异常行为事件下的支持系数和不包含异常信息的支持系数，通过支持系数对比得到拟识别用户行为事件集对应的第一异常确定信息。
作为一种实施方式，异常事件识别算法具体可以包括由多个编码器构成的特征提炼网络、第一决策网络、过滤器和第二决策网络。其中，特征提炼网络用于提取拟识别用户行为事件集对应的全局描述知识载体，第一决策网络用于依据获得全局描述知识载体确定拟识别用户行为事件集是否存在异常事件，过滤器用于在确定拟识别用户行为事件集存在异常事件后依据获得全局描述知识载体确定拟识别用户行为事件集的局部描述知识载体，第二决策网络用于依据获得局部描述知识载体，确定拟识别用户行为事件集包含的异常行为事件。
本公开在另一实施例中，又提供一种基于人工智能的异常事件识别方法，其具体可包括以下操作：
操作310：获取拟识别用户行为事件集。
操作320：对拟识别用户行为事件集进行异常情况确定，确定拟识别用户行为事件集的第一异常确定信息。
其中，第一异常确定信息用以描述拟识别用户行为事件集是否存在异常事件。
操作330：当确定拟识别用户行为事件集存在异常事件时，获取预设异常行为事件集合中的异常识别结果与拟识别用户行为事件集之间的异常信息相似性系数。
譬如，本公开中，确定拟识别用户行为事件集存在异常事件时，为获取与拟识别用户行为事件集相关的其他异常识别结果，本公开在预设异常行为事件集合中进行甄选，预设异常行为事件集合中包含若干异常识别结果（行为事件）。当在预设异常行为事件集合中确定与拟识别用户行为事件集相关的异常识别结果时，确定预设异常行为事件集合中的异常识别结果和拟识别用户行为事件集之间的异常信息相似性系数，也就是分别对应的描述知识载体间的相似性。
举例而言，如果拟识别用户行为事件集的第一异常确定信息为依据异常事件识别算法中的第一决策网络和拟识别用户行为事件集的全局描述知识载体获得；全局描述知识载体为依据异常事件识别算法中的特征提炼网络，对拟识别用户行为事件集中的全部行为事件的进行知识载体提炼获得，则操作330中，确定预设异常行为事件集合中的异常识别结果与拟识别用户行为事件集之间的异常信息相似性系数，具体包括：
操作331：依据特征提炼网络，对预设异常行为事件集合中的异常识别结果进行知识载体挖掘，得到异常事件知识载体；
操作332：通过异常事件知识载体和全局描述知识载体，确定异常信息相似性系数。
譬如，本公开中，当操作320在确定第一异常确定信息时，为依据异常事件识别算法中的特征提炼网络进行拟识别用户行为事件集的全局描述知识载体挖掘后，又依据异常事件识别算法中的第一决策网络进行分类推理得到，那么在确定预设异常行为事件集合中的异常识别结果和拟识别用户行为事件集二者之间的异常信息相似性系数时，可依据异常事件识别算法中训练完成的特征提炼网络对预设异常行为事件集合中的异常识别结果进行知识载体提炼，得到预设异常行为事件集合中的异常识别结果对应的异常事件知识载体；然后将预设异常行为事件集合中的异常识别结果对应的异常事件知识载体和拟识别用户行为事件集对应的全局描述知识载体进行相似性求取较，得到异常信息相似性系数。
举例而言，在确定异常信息相似性系数时，采取特征距离算法进行获取，例如欧几里得距离、杰拉德卡距离等，得到异常事件知识载体和全局描述知识载体间的异常信息相似性系数。
以上易知，本公开采用异常事件识别算法中的特征提炼网络对预设异常行为事件集合中的异常识别结果进行知识载体挖掘，增加了异常事件识别算法的价值，减少计算开销和存储占用。
操作340：在预设异常行为事件集合中，确定异常信息相似性系数大于相似性系数临界值的异常识别结果，为拟识别用户行为事件集对应的异常识别结果。
譬如，在得到拟识别用户行为事件集与预设异常行为事件集合中的异常识别结果之间的异常信息相似性系数之后，可以将异常信息相似性系数大于相似性系数临界值的预设异常行为事件集合中的异常识别结果作为拟识别用户行为事件集对应的异常识别结果。
以上易知，本公开将拟识别用户行为事件集和预设异常行为事件集合中的异常识别结果进行异常信息相似性系数确定，有助于在预设异常行为事件集合中甄选出与拟识别用户行为事件集对应的异常信息相似性系数较高的异常识别结果，获得拟识别用户行为事件集的异常识别结果更多。
操作350：确定拟识别用户行为事件集的局部描述知识载体。
其中，局部描述知识载体用以描述拟识别用户行为事件集涵盖的行为事件在拟识别用户行为事件集的局部自相关事件中表征的事件特征信息；局部自相关事件为拟识别用户行为事件集中与行为事件同在预设时间范围内的其余行为事件。
操作360：通过局部描述知识载体，确定拟识别用户行为事件集包含的异常行为事件；确定异常行为事件为拟识别用户行为事件集对应的异常识别结果。
操作370：获取异常识别结果对应的第一关联评估值、异常识别结果中的行为子事件个数和拟识别用户行为事件集的采集时间。
其中，第一关联评估值用以描述所确定的异常识别结果和拟识别用户行为事件集的相关性程度。
譬如，本公开通过预设异常行为事件集合和对拟识别用户行为事件集对应的异常行为事件的挖掘得到多个拟识别用户行为事件集对应的异常识别结果时，可对多个异常识别结果进行顺序排布，便于对异常识别结果进行标记。对多个异常识别结果进行排序时，确定拟识别用户行为事件集对应的异常识别结果对应的第一关联评估值、异常识别结果中的字符的行为子事件个数以及拟识别用户行为事件集对应的采集时间。其中，第一关联评估值可以用以描述获取到的异常识别结果和拟识别用户行为事件集的相关性程度，获得的异常识别结果能精准体现拟识别用户行为事件集的异常事件的程度。
举例而言，操作370中，获取异常识别结果对应的第一关联评估值，包括：
操作371：当确定异常识别结果为通过拟识别用户行为事件集包含的异常行为事件获得，则通过异常识别结果中的异常行为事件对应的第二支持系数、异常识别结果中的异常行为事件的个数和第一预设影响系数，确定第一关联评估值；第二支持系数用以描述行为事件为异常行为事件的可信度。
操作372：当确定异常识别结果为来自于预设异常行为事件集合中，则通过异常识别结果对应的异常信息相似性系数和第二预设影响系数，确定第一关联评估值。第一预设影响系数大于第二预设影响系数。
譬如，本公开获取第一关联评估值时，确定拟识别用户行为事件集对应的异常识别结果的来源，当确定异常识别结果是通过拟识别用户行为事件集中所确定的异常行为事件获得，可以通过在确定异常行为事件时获得第二支持系数、异常识别结果包含的异常行为事件的个数和第一权值以确定第一关联评估值。第二支持系数用于表示拟识别用户行为事件集中的各个行为事件为异常行为事件的可信度。比如通过第一影响系数、异常识别结果中的异常行为事件的个数以及第二支持系数，确定第一关联评估值时，将异常识别结果中的各个异常行为事件对应被确定为异常行为事件的支持系数相加，再通过异常行为事件的个数对相加结果进行平均，最后将平均后的值和第一影响系数进行作积，得到第一关联评估值。
当确定异常识别结果为预设异常行为事件集合中的异常识别结果，即为通过预设异常行为事件集合包含的异常识别结果得到，可联合确定的异常识别结果和拟识别用户行为事件集之间的异常信息相似性系数和第二预设影响系数，确定第一关联评估值，将第二预设影响系数和异常信息相似性系数的积确定为第一关联评估值。此外，第一预设影响系数大于第二预设影响系数，也就是说，对比依据预设异常行为事件集合获得异常识别结果，通过拟识别用户行为事件集包含的异常行为事件生成的异常识别结果与拟识别用户行为事件集的更相关。
以上易知，本公开中，通过异常识别结果的来源和拟识别用户行为事件集对应的异常识别结果时对应的异常信息相似性系数或者第二支持系数，预设的第一预设影响系数或者第二影响系数，再次确定异常识别结果对应的第一关联评估值，得到的排序顺序和拟识别用户行为事件集的相关性强，得到更准确的拟识别用户行为事件集的异常事件的异常识别结果。
操作380：通过第一关联评估值，异常识别结果中的行为子事件个数和拟识别用户行为事件集的采集时间，确定异常识别结果对应的质量系数；质量系数用以描述异常识别结果的准确度。
譬如，获得第一关联评估值，再联合异常识别结果中的行为子事件个数和拟识别用户行为事件集的采集时间，确定异常识别结果对应的质量系数，异常识别结果对应的质量系数用以描述该异常识别结果的准确度，从行为子事件个数表现出的异常识别结果的丰富性，拟识别用户行为事件集的采集时间表现出的异常识别结果的实时性，以及第一关联评估值表现出的异常识别结果和拟识别用户行为事件集的相关性，对获得异常识别结果进行质量评估，得到异常识别结果的质量系数。举例而言，在通过第一关联评估值、行为子事件个数和采集时间确定质量系数时，可以通过训练完成的质量评估算法将第一关联评估值、行为子事件个数和采集时间作为质量评估算法的输入，输出质量系数。
举例而言，操作380包括具体可以包括：
操作381：通过拟识别用户行为事件集的采集时间，确定第二关联评估值；第二关联评估值和采集时间的数值变动方向一致，也即二者是正相关的。
操作382：通过异常识别结果中的行为子事件个数，确定第三关联评估值。本公开中，第三关联评估值和行为子事件个数是常态分布的。
操作383：通过第一关联评估值、第二关联评估值和第三关联评估值，确定异常识别结果对应的质量系数。
譬如，本公开中，通过拟识别用户行为事件集的采集时间和第二关联评估值的正相关关系来确定第二关联评估值的数值。以上易知，当拟识别用户行为事件集对应的采集时间越临近当下，得到的异常行为事件的实时性越高，那么对应的第二关联评估值的数值越大。此外，通过行为子事件个数和第三关联评估值之间的对应关系，确定第三关联评估值的数值，此外，若行为子事件个数小于阈值，行为子事件个数越大，第三关联评估值越大，若行为子事件个数大于阈值，行为子事件个数越大，第三关联评估值越小。行为子事件个数等于阈值时，对应的第三关联评估值的数值最大。以上易知，异常识别结果包含的行为子事件个数不足时，异常识别结果对应描述的行为事件不准确，而异常识别结果包含的行为子事件个数过多时，异常识别结果的行为事件太冗余，基于此，将第三关联评估值和行为子事件个数的对应关系配置为常态分布。
获得第一关联评估值、第二关联评估值和第三关联评估值后，通过该三个关联评估值，确定异常识别结果对应的质量系数。比如对第一关联评估值、第二关联评估值和第三关联评估值进行加权求和。
操作390：通过质量系数标记异常识别结果。
譬如，获得质量系数后，通过质量系数对应的数值的大小，对获得异常识别结果进行标记，质量系数数值越大，异常识别结果的标记优先级越大。
以上易知，本公开中，结合异常识别结果对应的第一关联评估值、异常识别结果对应的行为子事件个数和异常识别结果对应的拟识别用户行为事件集的采集时间，对异常识别结果进行质量评估，得到质量系数准确，标记出更准确的异常识别结果。
本公开中，将拟识别用户行为事件集和预设异常行为事件集合中的异常识别结果进行异常信息相似性系数确定，促使在预设异常行为事件集合中甄选得到与拟识别用户行为事件集对应的异常信息相似性系数较高的异常识别结果，增加了获得拟识别用户行为事件集的异常识别结果。此外，采用异常事件识别算法中的特征提炼网络对预设异常行为事件集合中的异常识别结果进行知识载体挖掘，增加了异常事件识别算法的使用率，不用额外结构进行异常识别结果的特征挖掘，节约计算开销。在标记异常识别结果时，还联合异常识别结果对应的第一关联评估值、异常识别结果对应的行为子事件个数和异常识别结果对应的拟识别用户行为事件集的采集时间，对异常识别结果进行质量评估，得到质量系数更准确，标记更准确的异常识别结果。
以上提及异常事件识别算法，其具体的训练过程可以包括以下操作：
操作T100：获取用户行为事件训练集。
其中，用户行为事件训练集携带有第一批注信息和第二批注信息，第一批注信息用以描述用户行为事件训练集是否存在异常事件，第二批注信息用以描述用户行为事件训练集所涵盖的行为事件是否为异常行为事件。
本公开生成异常事件识别算法时，先获取用户行为事件训练集。其中，用户行为事件训练集携带有第一批注信息以及第二批注信息。批注信息可通过数字或字母进行表示。
操作T200：通过用户行为事件训练集，对初始化算法进行训练，得到异常事件识别算法。
异常事件识别算法用于对拟识别用户行为事件集进行异常情况确定，当确定拟识别用户行为事件集存在异常事件时，获取拟识别用户行为事件集的局部描述知识载体，通过局部描述知识载体，确定拟识别用户行为事件集包含的异常行为事件；局部描述知识载体用以描述拟识别用户行为事件集涵盖的行为事件在拟识别用户行为事件集的局部自相关事件中表征的事件特征信息；局部自相关事件为拟识别用户行为事件集中与行为事件同在预设时间范围内的其余行为事件。
以上易知，本公开通过获取预先携带第一批注信息和第二批注信息的用户行为事件训练集对初始化算法进行训练，得到对拟识别用户行为事件集进行异常情况确定以及异常行为事件提取的异常事件识别算法，依据得到的异常事件识别算法确定拟识别用户行为事件集包含的异常识别结果。
其他实施例中，异常事件识别算法的训练过程可以包括以下操作：
操作T10：获取用户行为事件训练集。
其中，用户行为事件训练集携带有第一批注信息和第二批注信息，第一批注信息用以描述用户行为事件训练集是否存在异常事件，第二批注信息用以描述用户行为事件训练集所涵盖的行为事件是否为异常行为事件。
操作T20：将用户行为事件训练集输入初始化算法，得到第一执行信息和第二执行信息。
其中，第一执行信息用以描述初始化算法确定的用户行为事件训练集是否存在异常事件；第二执行信息用以描述初始化算法确定的用户行为事件训练集中的行为事件是否为异常行为事件。
譬如，本公开中，对初始化算法进行训练时，将用户行为事件训练集作为初始化算法的输入，得到初始化算法对用户行为事件训练集的第一执行信息和第二执行信息，第一执行信息为初始化算法通过用户行为事件训练集确定的是否存在异常事件的结果；第二执行信息为初始化算法通过用户行为事件训练集确定的行为事件是否为异常行为事件的结果。
举例而言，操作T20包括：
操作T21：依据初始化算法的原始特征提炼网络，对用户行为事件训练集进行知识载体提炼，得到用户行为事件训练集的全局描述知识载体。
其中，全局描述知识载体为通过用户行为事件训练集中的全部行为事件获得。
譬如，本公开中所提及的初始化算法中包括有原始特征提炼网络、第一原始决策网络、原始过滤器和第二原始决策网络。其中，原始特征提炼网络用于获取用户行为事件训练集，对结合用户行为事件训练集中的全部行为事件进行全局描述知识载体的挖掘。以上易知，初始化算法训练完成后，获得原始特征提炼网络即可作为异常事件识别算法中的特征提炼网络；第一原始决策网络作为异常事件识别算法中的第一决策网络；原始过滤器作为异常事件识别算法中的过滤器；第二原始决策网络作为异常事件识别算法中的第二决策网络。
举例而言，操作T21包括：对用户行为事件训练集进行事件数据编码，得到用户行为事件训练集对应的事件向量训练序列，其中，用户行为事件训练集携带有第三定位信息码和第四定位信息码；第三定位信息码为用户行为事件训练集中的连续型行为事件的事件开始节点设置的信息码；第四定位信息码为用户行为事件训练集中的连续型行为事件的事件截止节点设置的信息码；事件向量训练序列中包括用户行为事件训练集中涵盖的行为事件的事件向量表征、第三定位信息码的事件向量表征以及第四定位信息码的事件向量表征；将事件向量训练序列输入初始化算法的原始特征提炼网络中，得到事件向量训练序列中的事件向量表征对应的描述知识载体；原始特征提炼网络用于确定输入的事件向量表征对应的描述知识载体；确定第三定位信息码的事件向量表征对应的描述知识载体为用户行为事件训练集的全局描述知识载体。
譬如，本公开中，挖掘用户行为事件训练集对应的全局描述知识载体时，对用户行为事件训练集进行事件数据编码，便于电子设备能精准获取用户行为事件训练集对应的信息。此外，在对用户行为事件训练集进行事件数据编码时，对用户行为事件训练集中涵盖的行为事件进行事件数据编码，得到行为事件对应的事件向量表征，且对拟识别用户行为事件集中的事件开始节点设置的第三定位信息码，以及拟识别用户行为事件集中的事件截止节点设置的第四定位信息码进行事件数据编码，得到第三定位信息码对应的事件向量表征和第四定位信息码对应的事件向量表征，得到用户行为事件训练集对应的事件向量训练序列。之后将事件向量训练序列输入原始特征提炼网络中，得到原始特征提炼网络输出的事件向量训练序列中各事件向量表征对应的描述知识载体。事件向量训练序列中的每一事件向量表征在原始特征提炼网络处理后，得到对应的描述知识载体。将第三定位信息码的事件向量表征对应的描述知识载体作为用户行为事件训练集的全局描述知识载体，确定用户行为事件训练集的第一执行信息。
以上易知，本公开中，通过对用户行为事件训练集进行事件数据编码，确定用户行为事件训练集对应的初始事件向量序列，便于电子设备能精准获取用户行为事件训练集对应的行为事件，同时增加用户行为事件训练集对应的全局描述知识载体挖掘的准确度。
操作T22：依据初始化算法中的第一原始决策网络，对全局描述知识载体进行异常确定操作，确定第一执行信息。
譬如，本公开中，初始化算法包含的第一原始决策网络，用于依据原始特征提炼网络所输出的用户行为事件训练集的全局描述知识载体，确定用户行为事件训练集是否存在异常事件，即上述第一执行信息。
举例而言，操作T22包括：依据初始化算法中的第一原始决策网络，对全局描述知识载体进行处理，得到第三支持系数。
第三支持系数表征用户行为事件训练集在存在异常事件下的支持系数和用户行为事件训练集在不存在异常事件下的支持系数；通过第三支持系数确定用户行为事件训练集的第一执行信息。
譬如，本公开中，在第一原始决策网络对原始特征提炼网络所输出的用户行为事件训练集对应的全局描述知识载体进行处理时，会可以推理用户行为事件训练集在异常事件下对应的支持系数和拟识别用户行为事件集不具备异常事件的支持系数，即第三支持系数。
此外，获得第三支持系数之后，对比第三支持系数中的用户行为事件训练集存在异常事件的支持系数和用户行为事件训练集不包含异常事件的支持系数，进而得到用户行为事件训练集的第一执行信息。
以上易知，本公开中，第一原始决策网络可用于通过全局描述知识载体，推理用户行为事件训练集在包括异常行为事件下的支持系数和不包含异常行为事件下的支持系数，可通过支持系数对比得到用户行为事件训练集对应的第一执行信息。
操作T23：依据初始化算法中的原始过滤器，对用户行为事件训练集的全局描述知识载体进行滑动滤波，得到用户行为事件训练集的局部描述知识载体。
譬如，本公开中，初始化算法包含的原始过滤器，用于依据原始特征提炼网络输出的用户行为事件训练集的全局描述知识载体，确定用户行为事件训练集的局部描述知识载体，此外，在原始过滤器通过全局描述知识载体确定局部描述知识载体时，由原始过滤器结合当前行为事件的相邻行为事件对应的全局描述知识载体进行滑动滤波，得到用户行为事件训练集对应的局部描述知识载体。
操作T24：依据初始化算法中的第二原始决策网络，对用户行为事件训练集的局部描述知识载体进行异常确定操作，得到第二执行信息，其中，第二执行信息中包括用户行为事件训练集中所涵盖的行为事件对应的异常确定标记，异常确定标记用以描述行为事件是否为异常行为事件。
譬如，本公开中的第二原始决策网络，用于依据原始过滤器对应的输出的局部描述知识载体，对用户行为事件训练集进行异常确定操作，推理用户行为事件训练集中每一行为事件对应的异常确定标记，以基于异常确定标记指示出其对应的行为事件是否为异常行为事件。
以上易知，本公开中在初始化算法包括有原始特征提炼网络、第一原始决策网络、原始过滤器和第二原始决策网络，对用户行为事件训练集进行依据全局描述知识载体的异常情况确定，同时联合全局描述知识载体进行局部描述知识载体的挖掘，进行异常行为事件的推理，基于以上初始化算法的配置，增加了算法的泛化性。
操作T30：通过第一执行信息和第一批注信息，得到第一代价算法。
操作T40：通过第二执行信息和第二批注信息，得到第二代价算法。
譬如，第一代价算法和第二代价算法可以为交叉熵算法。
操作T50：通过第一代价算法和第二代价算法，对初始化算法进行参数修正，得到异常事件识别算法。
其中，异常事件识别算法用于对拟识别用户行为事件集进行异常情况确定，当确定拟识别用户行为事件集存在异常事件时，获取拟识别用户行为事件集的局部描述知识载体，通过局部描述知识载体，确定拟识别用户行为事件集的异常行为事件；局部描述知识载体用以描述拟识别用户行为事件集涵盖的行为事件在拟识别用户行为事件集的局部自相关事件中表征的事件特征信息；局部自相关事件为拟识别用户行为事件集中与行为事件同在预设时间范围内的其他行为事件。
譬如，在第一代价算法和第二代价算法后，通过得到的第一代价算法和第二代价算法对初始化算法中的参数进行修正。
举例而言，操作T50具体可以包括：
操作T51：对第一代价算法和第二代价算法进行融合，得到融合代价算法。
操作T52：通过融合代价算法，对初始化算法的参数进行修正，得到异常事件识别算法。
譬如，本公开中，在对算法参数进行修正时，将第一代价算法和第二代价算法进行加权融合，得到加权融合代价算法。接着通过获得的加权融合代价算法对初始化算法中的算法参数进行修正。
以上易知，本公开中结合第一代价算法和第二代价算法得到的加权融合代价算法对初始化算法中的算法参数进行修正，得到的异常事件识别算法的更准确。此外，第一代价算法和第二代价算法分别对应的加权求和的影响系数在训练时通过执行信息进行修正，提高异常事件识别算法的推理准确度。
基于上述实施例，本公开实施例提供一种异常事件识别装置，图3是本公开实施例提供的一种异常事件识别装置340，如图3所示，所述装置340包括：
行为数据获取模块341，用于获取拟识别用户行为事件集；
异常情况确定模块342，用于对所述拟识别用户行为事件集进行异常情况确定，确定所述拟识别用户行为事件集的第一异常确定信息；其中，所述第一异常确定信息用以描述所述拟识别用户行为事件集是否存在异常事件；
知识载体挖掘模块343，用于当确定所述拟识别用户行为事件集存在异常事件时，获取所述拟识别用户行为事件集的局部描述知识载体；所述局部描述知识载体用以描述所述拟识别用户行为事件集涵盖的行为事件在所述拟识别用户行为事件集的局部自相关事件中表征的事件特征信息；所述局部自相关事件为所述拟识别用户行为事件集中与所述行为事件同在预设时间范围内的其余行为事件；
异常行为确定模块344，用于通过所述局部描述知识载体，确定所述拟识别用户行为事件集包含的异常行为事件；
异常结果标记模块345，用于确定所述异常行为事件为拟识别用户行为事件集对应的异常识别结果，标记所述异常识别结果。
以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本公开装置实施例中未披露的技术细节，请参照本公开方法实施例的描述而理解。
若本公开技术方案涉及个人或私密信息，应用本公开技术方案的产品在处理个人信息前，已明确告知个人信息处理规则，并取得个人自主同意。若本公开技术方案涉及敏感个人信息，应用本公开技术方案的产品在处理敏感个人信息前，已取得个人单独同意，并且同时满足“明示同意”的要求，同时在法律法规的范围内收集。例如，在摄像头等个人信息采集装置处，设置明确显著的标识告知已进入个人信息采集范围，将会对个人信息进行采集，若个人自愿进入采集范围即视为同意对其个人信息进行采集；或者在个人信息处理的装置上，利用明显的标识/信息告知个人信息处理规则的情况下，通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权；其中，个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式、处理的个人信息种类等信息。
需要说明的是，本公开实施例中，如果以软件功能模块的形式实现上述方法，并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本公开实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台电子设备(可以是个人计算机、服务器、或者网络设备等)执行本公开各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本公开实施例不限制于任何特定的硬件和软件结合。
本公开实施例提供一种电子设备，包括存储器和处理器，所述存储器存储有可在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方法。
本公开实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法。所述计算机可读存储介质可以是瞬时性的，也可以是非瞬时性的。
本公开实施例提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序被计算机读取并执行时，实现上述方法中的部分或全部步骤。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software DevelopmentKit，SDK)等等。
需要说明的是，图4是本公开实施例提供的一种电子设备的硬件实体示意图，如图4所示，该电子设备300的硬件实体包括：处理器310、通信接口320和存储器330，其中：处理器310通常控制电子设备300的总体操作。通信接口320可以使电子设备通过网络与其他终端或服务器通信。存储器330配置为存储由处理器310可执行的指令和应用，还可以缓存待处理器310以及电子设备300中各模块待处理或已经处理的数据(例如，图像数据、音频数据、语音通信数据和视频通信数据)，可以通过闪存(FLASH)或随机访问存储器(RandomAccess Memory，RAM)实现。处理器310、通信接口320和存储器330之间可以通过总线340进行数据传输。这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本公开存储介质和设备实施例中未披露的技术细节，请参照本公开方法实施例的描述而理解。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本公开的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本公开的各种实施例中，上述各过程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，而不应对本公开实施例的实施过程构成任何限定。上述本公开实施例序号仅仅为了描述，不代表实施例的优劣。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本公开所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本公开实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本公开上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本公开的技术方案本质上或者说对相关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中，包括若干指令用以使得一台电子设备(可以是个人计算机、服务器、或者网络设备等)执行本公开各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本公开的实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。
Claims (7)
1.一种基于人工智能的异常事件识别方法，其特征在于，应用于电子设备，所述方法包括：
获取拟识别用户行为事件集；
对所述拟识别用户行为事件集进行异常情况确定，确定所述拟识别用户行为事件集的第一异常确定信息；其中，所述第一异常确定信息用以描述所述拟识别用户行为事件集是否存在异常事件；
当确定所述拟识别用户行为事件集存在异常事件时，获取所述拟识别用户行为事件集的局部描述知识载体；所述局部描述知识载体用以描述所述拟识别用户行为事件集涵盖的行为事件在所述拟识别用户行为事件集的局部自相关事件中表征的事件特征信息；所述局部自相关事件为所述拟识别用户行为事件集中与所述行为事件同在预设时间范围内的其余行为事件；
通过所述局部描述知识载体，确定所述拟识别用户行为事件集包含的异常行为事件；
确定所述异常行为事件为拟识别用户行为事件集对应的异常识别结果，标记所述异常识别结果；
其中，所述对所述拟识别用户行为事件集进行异常情况确定，确定所述拟识别用户行为事件集的第一异常确定信息，包括：
依据异常事件识别算法中的特征提炼网络，对所述拟识别用户行为事件集进行知识载体提炼，得到所述拟识别用户行为事件集的全局描述知识载体，所述全局描述知识载体为通过所述拟识别用户行为事件集中的全部行为事件获得；
依据所述异常事件识别算法中的第一决策网络，对所述全局描述知识载体进行异常确定操作，确定所述第一异常确定信息；
所述依据异常事件识别算法中的特征提炼网络，对所述拟识别用户行为事件集进行知识载体提炼，得到所述拟识别用户行为事件集的全局描述知识载体，包括：
对所述拟识别用户行为事件集进行事件数据编码，得到所述拟识别用户行为事件集对应的初始事件向量序列；所述拟识别用户行为事件集包含第一定位信息码和第二定位信息码；所述第一定位信息码为所述拟识别用户行为事件集中的连续型行为事件的事件开始节点设置的信息码；所述第二定位信息码为所述拟识别用户行为事件集中的连续型行为事件的事件截止节点设置的信息码；所述初始事件向量序列中包括所述拟识别用户行为事件集中涵盖的行为事件的事件向量表征、第一定位信息码的事件向量表征以及第二定位信息码的事件向量表征；
将所述初始事件向量序列输入所述特征提炼网络中，得到所述初始事件向量序列中的事件向量表征对应的描述知识载体；所述特征提炼网络用于确定输入的事件向量表征对应的描述知识载体；
确定所述第一定位信息码的事件向量表征对应的描述知识载体为所述拟识别用户行为事件集的全局描述知识载体；
所述依据所述异常事件识别算法中的第一决策网络，对所述全局描述知识载体进行异常确定操作，确定所述第一异常确定信息，包括：依据所述第一决策网络，对所述全局描述知识载体进行处理，得到第一支持系数，所述第一支持系数表示拟识别用户行为事件集在存在异常事件下的支持系数和拟识别用户行为事件集在不存在异常事件下的支持系数；通过所述第一支持系数，确定所述拟识别用户行为事件集的第一异常确定信息；
所述确定所述拟识别用户行为事件集的局部描述知识载体，包括：依据所述异常事件识别算法中的过滤器对所述全局描述知识载体进行滑动滤波，得到所述拟识别用户行为事件集的局部描述知识载体；
所述通过所述局部描述知识载体，确定所述拟识别用户行为事件集包含的异常行为事件，包括：依据所述异常事件识别算法中的第二决策网络对所述局部描述知识载体进行异常确定操作，得到第二异常确定信息；所述第二异常确定信息中包括所述拟识别用户行为事件集中所涵盖的行为事件对应的异常确定标记，所述异常确定标记用以描述所述行为事件是否为异常行为事件；确定指示行为事件为异常行为事件的异常确定标记对应的行为事件为所述拟识别用户行为事件集对应的异常行为事件。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当确定所述拟识别用户行为事件集存在异常事件时，获取预设异常行为事件集合中的异常识别结果与所述拟识别用户行为事件集之间的异常信息相似性系数；在所述预设异常行为事件集合中，确定异常信息相似性系数大于相似性系数临界值的异常识别结果为所述拟识别用户行为事件集对应的异常识别结果；
其中，所述拟识别用户行为事件集的第一异常确定信息为依据异常事件识别算法中的第一决策网络和所述拟识别用户行为事件集的全局描述知识载体获得的；所述全局描述知识载体为依据异常事件识别算法中的特征提炼网络，对所述拟识别用户行为事件集中的全部行为事件的进行知识载体提炼获得的；
所述确定预设异常行为事件集合中的异常识别结果与所述拟识别用户行为事件集之间的异常信息相似性系数，包括：依据所述特征提炼网络对所述预设异常行为事件集合中的异常识别结果进行知识载体挖掘，得到异常事件知识载体；通过所述异常事件知识载体和所述全局描述知识载体，确定所述异常信息相似性系数；
所述标记所述异常识别结果，包括：获取所述异常识别结果对应的第一关联评估值、所述异常识别结果中的行为子事件个数和所述拟识别用户行为事件集的采集时间；所述第一关联评估值用以描述确定的异常识别结果和拟识别用户行为事件集的相关性程度；通过所述第一关联评估值，所述异常识别结果中的行为子事件个数和所述拟识别用户行为事件集的采集时间，确定所述异常识别结果对应的质量系数；所述质量系数用以描述所述异常识别结果的准确度；通过所述质量系数标记所述异常识别结果。
3.根据权利要求2所述的方法，其特征在于，所述获取所述异常识别结果对应的第一关联评估值，包括：
当确定所述异常识别结果为通过所述拟识别用户行为事件集包含的异常行为事件获得时，通过所述异常识别结果中的异常行为事件对应的第二支持系数、所述异常识别结果中的异常行为事件的个数和第一预设影响系数，确定所述第一关联评估值；所述第二支持系数用以描述所述行为事件为异常行为事件的可信度；
当确定所述异常识别结果为来自于所述预设异常行为事件集合中时，通过所述异常识别结果对应的异常信息相似性系数和第二预设影响系数，确定所述第一关联评估值；所述第一预设影响系数大于所述第二预设影响系数；
所述通过所述第一关联评估值，所述异常识别结果中的行为子事件个数和所述拟识别用户行为事件集的采集时间，确定所述异常识别结果对应的质量系数，包括：通过所述拟识别用户行为事件集的采集时间，确定第二关联评估值，所述第二关联评估值和所述采集时间的数值变动方向一致；通过所述异常识别结果中的行为子事件个数，确定第三关联评估值；通过所述第一关联评估值、所述第二关联评估值和所述第三关联评估值，确定所述异常识别结果对应的质量系数。
4.根据权利要求1所述的方法，其特征在于，所述异常事件识别算法通过以下步骤进行训练得到：
获取用户行为事件训练集；所述用户行为事件训练集携带有第一批注信息和第二批注信息，所述第一批注信息用以描述所述用户行为事件训练集是否存在异常事件，所述第二批注信息用以描述所述用户行为事件训练集所涵盖的行为事件是否为异常行为事件；
通过所述用户行为事件训练集对初始化算法进行训练，得到异常事件识别算法；所述异常事件识别算法用于对拟识别用户行为事件集进行异常情况确定，当确定所述拟识别用户行为事件集存在异常事件时，获取所述拟识别用户行为事件集的局部描述知识载体，并通过所述局部描述知识载体，确定所述拟识别用户行为事件集包含的异常行为事件；所述局部描述知识载体用以描述所述拟识别用户行为事件集涵盖的行为事件在所述拟识别用户行为事件集的局部自相关事件中表征的事件特征信息；所述局部自相关事件为所述拟识别用户行为事件集中与所述行为事件同在预设时间范围内的其余行为事件。
5.根据权利要求4所述的方法，其特征在于，所述通过所述用户行为事件训练集对初始化算法进行训练，得到异常事件识别算法，包括：
将所述用户行为事件训练集输入所述初始化算法，得到第一执行信息和第二执行信息；第一执行信息用以描述所述初始化算法确定的所述用户行为事件训练集是否存在异常事件；所述第二执行信息用以描述所述初始化算法确定的所述用户行为事件训练集中的行为事件是否为异常行为事件；
通过所述第一执行信息和所述第一批注信息得到第一代价算法；
通过所述第二执行信息和所述第二批注信息得到第二代价算法；
通过所述第一代价算法和所述第二代价算法对所述初始化算法进行参数修正，得到所述异常事件识别算法；
其中，所述将所述用户行为事件训练集输入所述初始化算法，得到第一执行信息和第二执行信息，包括：
依据所述初始化算法的原始特征提炼网络对所述用户行为事件训练集进行知识载体提炼，得到所述用户行为事件训练集的全局描述知识载体；所述全局描述知识载体为通过所述用户行为事件训练集中的全部行为事件获得；
依据所述初始化算法中的第一原始决策网络对所述全局描述知识载体进行异常确定操作，确定所述第一执行信息；
依据所述初始化算法中的原始过滤器对所述用户行为事件训练集的全局描述知识载体进行滑动滤波，得到所述用户行为事件训练集的局部描述知识载体；
依据所述初始化算法中的第二原始决策网络对所述用户行为事件训练集的局部描述知识载体进行异常确定操作，得到第二执行信息；所述第二执行信息包括所述用户行为事件训练集中所涵盖的行为事件对应的异常确定标记，所述异常确定标记用以描述所述行为事件是否为异常行为事件。
6.一种异常事件识别装置，其特征在于，所述装置包括：
行为数据获取模块，用于获取拟识别用户行为事件集；
异常情况确定模块，用于对所述拟识别用户行为事件集进行异常情况确定，确定所述拟识别用户行为事件集的第一异常确定信息；其中，所述第一异常确定信息用以描述所述拟识别用户行为事件集是否存在异常事件；
知识载体挖掘模块，用于当确定所述拟识别用户行为事件集存在异常事件时，获取所述拟识别用户行为事件集的局部描述知识载体；所述局部描述知识载体用以描述所述拟识别用户行为事件集涵盖的行为事件在所述拟识别用户行为事件集的局部自相关事件中表征的事件特征信息；所述局部自相关事件为所述拟识别用户行为事件集中与所述行为事件同在预设时间范围内的其余行为事件；
异常行为确定模块，用于通过所述局部描述知识载体，确定所述拟识别用户行为事件集包含的异常行为事件；
异常结果标记模块，用于确定所述异常行为事件为拟识别用户行为事件集对应的异常识别结果，标记所述异常识别结果；
其中，所述对所述拟识别用户行为事件集进行异常情况确定，确定所述拟识别用户行为事件集的第一异常确定信息，包括：依据异常事件识别算法中的特征提炼网络，对所述拟识别用户行为事件集进行知识载体提炼，得到所述拟识别用户行为事件集的全局描述知识载体，所述全局描述知识载体为通过所述拟识别用户行为事件集中的全部行为事件获得；依据所述异常事件识别算法中的第一决策网络，对所述全局描述知识载体进行异常确定操作，确定所述第一异常确定信息；
所述依据异常事件识别算法中的特征提炼网络，对所述拟识别用户行为事件集进行知识载体提炼，得到所述拟识别用户行为事件集的全局描述知识载体，包括：对所述拟识别用户行为事件集进行事件数据编码，得到所述拟识别用户行为事件集对应的初始事件向量序列；所述拟识别用户行为事件集包含第一定位信息码和第二定位信息码；所述第一定位信息码为所述拟识别用户行为事件集中的连续型行为事件的事件开始节点设置的信息码；所述第二定位信息码为所述拟识别用户行为事件集中的连续型行为事件的事件截止节点设置的信息码；所述初始事件向量序列中包括所述拟识别用户行为事件集中涵盖的行为事件的事件向量表征、第一定位信息码的事件向量表征以及第二定位信息码的事件向量表征；将所述初始事件向量序列输入所述特征提炼网络中，得到所述初始事件向量序列中的事件向量表征对应的描述知识载体；所述特征提炼网络用于确定输入的事件向量表征对应的描述知识载体；确定所述第一定位信息码的事件向量表征对应的描述知识载体为所述拟识别用户行为事件集的全局描述知识载体；
所述依据所述异常事件识别算法中的第一决策网络，对所述全局描述知识载体进行异常确定操作，确定所述第一异常确定信息，包括：依据所述第一决策网络，对所述全局描述知识载体进行处理，得到第一支持系数，所述第一支持系数表示拟识别用户行为事件集在存在异常事件下的支持系数和拟识别用户行为事件集在不存在异常事件下的支持系数；通过所述第一支持系数，确定所述拟识别用户行为事件集的第一异常确定信息；
所述确定所述拟识别用户行为事件集的局部描述知识载体，包括：依据所述异常事件识别算法中的过滤器对所述全局描述知识载体进行滑动滤波，得到所述拟识别用户行为事件集的局部描述知识载体；所述通过所述局部描述知识载体，确定所述拟识别用户行为事件集包含的异常行为事件，包括：依据所述异常事件识别算法中的第二决策网络对所述局部描述知识载体进行异常确定操作，得到第二异常确定信息；所述第二异常确定信息中包括所述拟识别用户行为事件集中所涵盖的行为事件对应的异常确定标记，所述异常确定标记用以描述所述行为事件是否为异常行为事件；确定指示行为事件为异常行为事件的异常确定标记对应的行为事件为所述拟识别用户行为事件集对应的异常行为事件。
7.一种电子设备，其特征在于，包括存储器和处理器，所述存储器存储有可在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权利要求1~5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311102794.8A CN116823452B (zh) | 2023-08-30 | 2023-08-30 | 基于人工智能的异常事件识别方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311102794.8A CN116823452B (zh) | 2023-08-30 | 2023-08-30 | 基于人工智能的异常事件识别方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116823452A CN116823452A (zh) | 2023-09-29 |
| CN116823452B true CN116823452B (zh) | 2023-12-05 |
Family
ID=88122524
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311102794.8A Active CN116823452B (zh) | 2023-08-30 | 2023-08-30 | 基于人工智能的异常事件识别方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116823452B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104778591A (zh) * | 2015-04-01 | 2015-07-15 | 北京三快在线科技有限公司 | 一种异常行为的特征信息的提取、识别方法和装置 |
| CN112817814A (zh) * | 2021-01-21 | 2021-05-18 | 网思科技股份有限公司 | 异常监控方法、系统、存储介质及电子装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11537498B2 (en) * | 2020-06-16 | 2022-12-27 | Microsoft Technology Licensing, Llc | Techniques for detecting atypical events in event logs |
| US11586609B2 (en) * | 2020-09-15 | 2023-02-21 | International Business Machines Corporation | Abnormal event analysis |
-
2023
- 2023-08-30 CN CN202311102794.8A patent/CN116823452B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104778591A (zh) * | 2015-04-01 | 2015-07-15 | 北京三快在线科技有限公司 | 一种异常行为的特征信息的提取、识别方法和装置 |
| CN112817814A (zh) * | 2021-01-21 | 2021-05-18 | 网思科技股份有限公司 | 异常监控方法、系统、存储介质及电子装置 |
Non-Patent Citations (1)
| Title |
|---|
| 复杂事件处理的自适应制造情景识别方法;任磊 等;哈尔滨工业大学学报(第11期);第177-183页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116823452A (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107835496B (zh) | 一种垃圾短信的识别方法、装置和服务器 | |
| CN110163242B (zh) | 风险识别方法、装置及服务器 | |
| CN110569500A (zh) | 文本语义识别方法、装置、计算机设备和存储介质 | |
| CN113011889B (zh) | 账号异常识别方法、系统、装置、设备及介质 | |
| CN112927061B (zh) | 用户操作检测方法及程序产品 | |
| CN113535825A (zh) | 一种基于云计算智能化的数据信息风控处理方法及系统 | |
| CN113139876B (zh) | 风险模型训练方法、装置、计算机设备及可读存储介质 | |
| CN111612284B (zh) | 数据的处理方法、装置及设备 | |
| CN114693192A (zh) | 风控决策方法、装置、计算机设备和存储介质 | |
| CN113011884A (zh) | 账户特征的提取方法、装置、设备及可读存储介质 | |
| CN115099988B (zh) | 模型训练方法、数据处理方法、设备及计算机介质 | |
| CN111353514A (zh) | 模型训练方法、图像识别方法、装置及终端设备 | |
| CN115080868A (zh) | 产品推送方法、装置、计算机设备、存储介质和程序产品 | |
| CN113128526B (zh) | 图像识别方法、装置、电子设备和计算机可读存储介质 | |
| CN114493902A (zh) | 多模态信息异常监控方法、装置、计算机设备及存储介质 | |
| CN112818868A (zh) | 基于行为序列特征数据的违规用户识别方法和装置 | |
| CN112905987B (zh) | 账号识别方法、装置、服务器及存储介质 | |
| CN116823452B (zh) | 基于人工智能的异常事件识别方法、装置及设备 | |
| CN116595486A (zh) | 风险识别方法、训练风险识别模型的方法及对应装置 | |
| PK et al. | Fraud detection and prevention by face recognition with and without mask for banking application | |
| CN115018608A (zh) | 风险预测方法、装置、计算机设备 | |
| CN114117037A (zh) | 意图识别方法、装置、设备和存储介质 | |
| CN114880572A (zh) | 新闻客户端智能推荐系统 | |
| CN116092094A (zh) | 图像文本识别方法、装置、计算机可读介质及电子设备 | |
| CN109308565B (zh) | 人群绩效等级识别方法、装置、存储介质及计算机设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |