CN117078412A - 异常资金交易的识别方法、装置、存储介质及电子设备 - Google Patents
异常资金交易的识别方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN117078412A CN117078412A CN202311049702.4A CN202311049702A CN117078412A CN 117078412 A CN117078412 A CN 117078412A CN 202311049702 A CN202311049702 A CN 202311049702A CN 117078412 A CN117078412 A CN 117078412A
- Authority
- CN
- China
- Prior art keywords
- target
- dynamic
- abnormal
- fund
- transaction
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000010586 diagram Methods 0.000 claims description 95
- 238000012549 training Methods 0.000 claims description 42
- 238000003062 neural network model Methods 0.000 claims description 39
- 238000013528 artificial neural network Methods 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 27
- 230000003068 static effect Effects 0.000 claims description 19
- 125000004122 cyclic group Chemical group 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 230000008901 benefit Effects 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000000151 deposition Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种异常资金交易的识别方法、装置、存储介质及电子设备。涉及人工智能技术领域、金融科技领域或其他相关领域,其中,该方法包括:获取目标对象在预设时间段内的资金交易数据;基于资金交易数据生成目标动态图;将目标动态图输入至目标识别模型中,得到目标识别模型输出的目标对象对应的目标概率值,其中,目标概率值为目标对象存在异常资金交易的概率值;基于目标概率值确定目标识别结果,其中,目标识别结果用于表征目标对象的异常资金交易状况。本申请解决了现有技术中对客户的异常资金交易的识别准确率较低的技术问题。
Description
技术领域
本申请涉及人工智能技术领域、金融科技领域或其他相关领域,具体而言,涉及一种异常资金交易的识别方法、装置、存储介质及电子设备。
背景技术
随着网络技术的发展,资金交易金额异常巨大、频繁转账、虚假交易等存在异常特征或风险的资金交易的手段愈发多样,因此,为保证金融体系的正常运行,如何确保金融机构能够准确的识别上述存在异常特征或风险的资金交易,成为了亟待解决的问题和始终研究的重点。
现有技术通常采用大量的历史交易数据,利用传统的机器学习算法来训练模型,并通过训练好的模型来完成异常资金交易的识别。但是,由于上述存在异常特征或风险的资金交易的交易过程中至少包括存放(即将非法得益存放进金融体系内)、掩藏(即将非法得益转化为合法得益)以及整合(即将转化后的非法得益融入经济体系)三个阶段,且上述三个阶段经常互相重叠、反复出现,导致对客户的异常资金交易的识别准确率较低。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本申请提供了一种异常资金交易的识别方法、装置、存储介质及电子设备,以至少解决现有技术中对客户的异常资金交易的识别准确率较低的技术问题。
根据本申请的一个方面,提供了一种异常资金交易的识别方法,包括:获取目标对象在预设时间段内的资金交易数据;基于所述资金交易数据生成目标动态图,其中,所述目标动态图中包括M个资金流网络图,每个资金流网络图用于描述所述目标对象在M个子时间段中的一个子时间段内的资金交易网络,所述M个子时间段组成所述预设时间段,M为正整数;将所述目标动态图输入至目标识别模型中,得到所述目标识别模型输出的目标对象对应的目标概率值,其中,所述目标概率值为所述目标对象存在异常资金交易的概率值,所述目标识别模型依据所述目标动态图的动态时序特征信息得到所述目标概率值,所述动态时序特征信息用于表征所述目标对象在所述预设时间段内的具有时序变化趋势的资金交易信息;基于所述目标概率值确定目标识别结果,其中,所述目标识别结果用于表征所述目标对象的异常资金交易状况。
进一步地,基于所述资金交易数据生成目标动态图,包括:基于所述M个子时间段中的每个子时间段内的资金交易数据生成一个资金流网络图,得到所述M个资金流网络图;基于所述M个资金流网络图确定所述目标动态图。
进一步地,基于所述目标概率值确定目标识别结果,包括:获取所述目标概率值对应的预设阈值;判断所述目标概率值是否大于或等于所述预设阈值;在所述目标概率值小于所述预设阈值的情况下,确定第一识别结果为所述目标识别结果,并确定所述目标对象为正常客户,其中,所述第一识别结果用于表征所述目标对象未存在所述异常资金交易;在所述目标概率值大于或等于所述预设阈值的情况下,确定第二识别结果为所述目标识别结果,并确定所述目标对象为异常客户,其中,所述第二识别结果用于表征所述目标对象存在所述异常资金交易。
进一步地,在确定第二识别结果为所述目标识别结果,并确定所述目标对象为异常客户之后,所述方法还包括:获取所述目标对象对应的异常资金交易数据;基于所述异常资金交易数据确定所述目标对象对应的L个交易对象,其中,所述L个交易对象为与所述目标对象进行所述异常资金交易的对象,L为正整数;将所述L个交易对象和所述目标对象作为异常资金交易群体。
进一步地,所述目标识别模型通过如下过程得到:获取训练样本集合,其中,所述训练样本集合中包括N个对象中的每个对象在历史时间段内的历史资金交易数据,N为正整数;将所述历史时间段划分为K个历史子时间段,其中,K为正整数;基于所述每个对象在所述K个历史子时间段中的每个历史子时间段内的历史资金交易数据生成一个历史资金流网络图,得到所述每个对象对应的K个历史资金流网络图;基于所述每个对象对应的K个历史资金流网络图确定所述每个对象的动态图;基于所述每个对象的动态图对初始图神经网络模型进行多次模型训练,得到所述目标识别模型。
进一步地,基于所述每个对象的动态图对初始图神经网络模型进行多次模型训练,得到所述目标识别模型,包括:对所述每个对象的动态图设置目标标签,其中,所述目标标签为第一标签或第二标签,所述第一标签用于表征与所述第一标签对应的对象未存在所述异常资金交易,所述第二标签用于表征与所述第二标签对应的对象存在所述异常资金交易;将所述每个对象的动态图以及所述每个对象对应的目标标签输入至所述初始图神经网络模型中进行所述多次模型训练,得到所述目标识别模型。
进一步地,将所述每个对象的动态图以及所述每个对象对应的目标标签输入至所述初始图神经网络模型中进行所述多次模型训练,得到所述目标识别模型,包括:将所述每个对象的动态图输入至所述初始图神经网络模型中的循环神经网络中,得到所述循环神经网络输出的目标权重矩阵,其中,所述目标权重矩阵中的每个元素用于表征所述每个对象与该对象对应的交易对象之间的关联程度;将所述初始图神经网络模型中的图神经网络的初始权重矩阵更新为所述目标权重矩阵,得到更新后的图神经网络;通过所述更新后的图神经网络提取所述每个对象的动态图中的静态时序特征信息,其中,所述每个对象的动态图中的静态时序特征信息中包括该对象的动态图中的每个历史资金流网络图的特征信息,所述每个对象的动态图中的每个历史资金流网络图的特征信息用于表征所述该对象在所述K个历史子时间段中的一个历史子时间段内的资金交易信息;将所述每个对象的动态图中的静态时序特征信息输入至所述初始图神经网络模型中的门控循环单元中,得到所述门控循环单元输出的每个对象的动态图中的动态时序特征信息,其中,所述每个对象的动态图中的动态时序特征信息为该对象在所述历史时间段内具有时序变化趋势的资金交易信息;将所述每个对象的动态图中的动态时序特征信息以及所述每个对象对应的目标标签输入至所述初始图神经网络模型中进行所述多次模型训练,得到所述目标识别模型。
根据本申请的另一方面,还提供了一种异常资金交易的识别装置,包括:获取模块,用于获取目标对象在预设时间段内的资金交易数据;生成模块,用于基于所述资金交易数据生成目标动态图,其中,所述目标动态图中包括M个资金流网络图,每个资金流网络图用于描述所述目标对象在M个子时间段中的一个子时间段内的资金交易网络,所述M个子时间段组成所述预设时间段,M为正整数;识别模块,用于将所述目标动态图输入至目标识别模型中,得到所述目标识别模型输出的目标对象对应的目标概率值,其中,所述目标概率值为所述目标对象存在异常资金交易的概率值,所述目标识别模型依据所述目标动态图的动态时序特征信息得到所述目标概率值,所述动态时序特征信息用于表征所述目标对象在所述预设时间段内的具有时序变化趋势的资金交易信息;确定模块,用于基于所述目标概率值确定目标识别结果,其中,所述目标识别结果用于表征所述目标对象的异常资金交易状况。
根据本申请的另一方面,还提供了一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,其中,计算机程序被设置为运行时执行上述的异常资金交易的识别方法。
根据本申请的另一方面,还提供了一种电子设备,电子设备包括一个或多个处理器;存储器,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现用于运行程序,其中,程序被设置为运行时执行上述的异常资金交易的识别方法。
在本申请中,首先获取目标对象在预设时间段内的资金交易数据;然后基于所述资金交易数据生成目标动态图,其中,所述目标动态图中包括M个资金流网络图,每个资金流网络图用于描述所述目标对象在M个子时间段中的一个子时间段内的资金交易网络,所述M个子时间段组成所述预设时间段,M为正整数;然后将所述目标动态图输入至目标识别模型中,得到所述目标识别模型输出的目标对象对应的目标概率值,其中,所述目标概率值为所述目标对象存在异常资金交易的概率值,所述目标识别模型依据所述目标动态图的动态时序特征信息得到所述目标概率值,所述动态时序特征信息用于表征所述目标对象在所述预设时间段内的具有时序变化趋势的资金交易信息;最后基于所述目标概率值确定目标识别结果,其中,所述目标识别结果用于表征所述目标对象的异常资金交易状况。
在上述过程中,通过基于目标对象在预设时间段内的资金交易数据生成目标动态图,通过目标识别模型对目标动态图进行处理,得到目标对象存在异常资金交易的概率值(即目标概率值),并基于目标概率值确定目标对象的异常资金交易状况,由于目标识别模型能够依据目标动态图的动态时序特征信息得到目标概率值,避免了由于异常资金交易的三个交易阶段互相重叠、反复出现,导致对客户的异常资金交易的识别准确率较低的问题,从而实现了提高客户的异常资金交易的识别准确率的技术效果,进而解决了现有技术中对客户的异常资金交易的识别准确率较低的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种可选的异常资金交易的识别方法的流程图;
图2是根据本申请实施例的一种可选的目标识别模型的示意图;
图3是根据本申请实施例的一种可选的目标识别模型的训练过程的示意图;
图4是根据本申请实施例的另一种可选的目标识别模型的训练过程的流程图;
图5是根据本申请实施例的一种可选的异常资金交易的识别装置的示意图;
图6是根据本申请实施例的一种可选的电子设备的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、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,并提供有相应的操作入口,供用户选择授权或者拒绝。
实施例1
根据本申请实施例,提供了一种可选的异常资金交易的识别方法的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
其中,为了方便理解本申请的技术方案,以下为对本申请中的一些关键术语的具体定义:
动态图:动态图以数学的方式表示为一个集合G={G1,G2,…,Gn},其中,集合G中的元素Gi为第i个时间段的图拓扑结构。在本实施例中,Gi表示资金流网络图。
图1是根据本申请实施例的一种可选的异常资金交易的识别方法的流程图,如图1所示,该方法包括如下步骤:
步骤S101,获取目标对象在预设时间段内的资金交易数据。
在一种可选的实施例中,一种异常资金交易的识别系统可作为本申请实施例中的异常资金交易的识别方法的执行主体。为了方便描述,以下将异常资金交易的识别系统简称为系统。
在步骤S101中,目标对象在预设时间段内的资金交易数据包括但不限于目标对象的转账交易数据以及目标对象与交易对象之间的交易数据。
步骤S102,基于资金交易数据生成目标动态图。
在步骤S102中,目标动态图中包括M个资金流网络图,每个资金流网络图用于描述目标对象在M个子时间段中的一个子时间段内的资金交易网络,M个子时间段组成预设时间段,M为正整数。
步骤S103,将目标动态图输入至目标识别模型中,得到目标识别模型输出的目标对象对应的目标概率值。
在步骤S103中,目标概率值为目标对象存在异常资金交易的概率值,目标识别模型依据目标动态图的动态时序特征信息得到目标概率值,动态时序特征信息用于表征目标对象在预设时间段内的具有时序变化趋势的资金交易信息。
上述目标识别模型由图2中所示的RNN(Recurrent Neural Network,循环神经网络)层、GCN(Graph Convolutional Network,图神经网络或图卷积网络)层以及GRU(GatedRecurrent Unit,门控循环单元)层构成,其中,系统可通过目标识别模型中的RNN层对目标动态图进行处理,得到目标对象与目标对象对应的交易对象之间的关联程度(即图2中所示的Wi、Wi+1、…、Wn,其中,Wi、Wi+1、…、Wn可以组成一个权重矩阵),并通过上述权重矩阵更新GCN的初始权重矩阵,得到更新后的GCN;系统可通过更新后的GCN提取目标动态图中的M个资金流网络图(即图2中所示的Gi、Gi+1、…、Gn)中的每个资金流网络图的特征信息,其中,每个资金网络图的特征信息(即图2中所示的静态时序特征信息hi、hi+1、…、hn)用于表征目标对象在于该资金流网络图对应的子时间段内的资金交易信息,并通过目标识别模型GRU对每个资金流网络图的特征信息进行处理,得到目标动态图的动态时序特征信息(即图2中所示的h′i、h′i+1、…、h′n),最后系统可通过目标识别模型依据目标动态图的动态时序特征信息得到目标概率值。
步骤S104,基于目标概率值确定目标识别结果。
在步骤S104中,目标识别结果用于表征目标对象的异常资金交易状况。
在本实施例中,系统可通过判断目标概率值是否大于或等于预设阈值来确定目标对象的异常资金交易状况。例如,在目标概率值大于或等于预设阈值时,系统可确定目标对象存在异常资金交易,并确定目标对象为异常客户;在目标概率值大于或等于预设阈值时,系统可确定目标对象未存在异常资金交易,并确定目标对象为正常客户。
基于上述步骤S101至步骤S104所限定的方案,可以获知,在本申请中,首先获取目标对象在预设时间段内的资金交易数据;然后基于资金交易数据生成目标动态图,其中,目标动态图中包括M个资金流网络图,每个资金流网络图用于描述目标对象在M个子时间段中的一个子时间段内的资金交易网络,M个子时间段组成预设时间段,M为正整数;然后将目标动态图输入至目标识别模型中,得到目标识别模型输出的目标对象对应的目标概率值,其中,目标概率值为目标对象存在异常资金交易的概率值,目标识别模型依据目标动态图的动态时序特征信息得到目标概率值,动态时序特征信息用于表征目标对象在预设时间段内的具有时序变化趋势的资金交易信息;最后基于目标概率值确定目标识别结果,其中,目标识别结果用于表征目标对象的异常资金交易状况。
需要说明的是,在上述过程中,通过基于目标对象在预设时间段内的资金交易数据生成目标动态图,通过目标识别模型对目标动态图进行处理,得到目标对象存在异常资金交易的概率值(即目标概率值),并基于目标概率值确定目标对象的异常资金交易状况,由于目标识别模型能够依据目标动态图的动态时序特征信息得到目标概率值,避免了由于异常资金交易的三个交易阶段互相重叠、反复出现,导致对客户的异常资金交易的识别准确率较低的问题,从而实现了提高客户的异常资金交易的识别准确率的技术效果,进而解决了现有技术中对客户的异常资金交易的识别准确率较低的技术问题。
可选地,在本申请实施例提供的异常资金交易的识别方法中,基于资金交易数据生成目标动态图,包括:系统可基于M个子时间段中的每个子时间段内的资金交易数据生成一个资金流网络图,得到M个资金流网络图;然后基于M个资金流网络图确定目标动态图。
在本实施例中,系统可将预设时间段划分为M个子时间段,然后基于M个子时间段中的每个子时间段内的资金交易数据生成一个资金流网络图,得到M个资金流网络图,基于M个资金流网络图构成目标动态图。
需要说明的是,通过基于M个子时间段中的每个子时间段内的资金交易数据生成一个资金流网络图,并基于M个资金流网络图构成目标动态图,能够为异常资金交易的识别提供数据准备。
可选地,在本申请实施例提供的异常资金交易的识别方法中,基于目标概率值确定目标识别结果,包括:系统可获取目标概率值对应的预设阈值;然后判断目标概率值是否大于或等于预设阈值;在目标概率值小于预设阈值的情况下,系统可确定第一识别结果为目标识别结果,并确定目标对象为正常客户,其中,第一识别结果用于表征目标对象未存在异常资金交易;在目标概率值大于或等于预设阈值的情况下,系统可确定第二识别结果为目标识别结果,并确定目标对象为异常客户,其中,第二识别结果用于表征目标对象存在异常资金交易。
为了提高客户的异常资金交易的识别准确率,在本实施例中,系统可获取目标概率值对应的预设阈值,然后通过判断目标概率值是否大于或等于预设阈值来确定目标对象是否存在异常资金交易。具体地,在目标概率值小于预设阈值的情况下,系统可确定目标对象未存在异常资金交易,并确定目标对象为正常客户;在目标概率值大于或等于预设阈值的情况下,系统可确定目标对象存在异常资金交易,并确定目标对象为异常客户。
可选地,在本申请实施例提供的异常资金交易的识别方法中,在确定第二识别结果为目标识别结果,并确定目标对象为异常客户之后,还包括:获取目标对象对应的异常资金交易数据;基于异常资金交易数据确定目标对象对应的L个交易对象,其中,L个交易对象为与目标对象进行异常资金交易的对象,L为正整数;将L个交易对象和目标对象作为异常资金交易群体。
在本实施例中,系统通过目标对象对应的异常资金交易数据,并基于异常资金交易数据确定与目标对象进行异常资金交易的L个交易对象,然后系统可将L个交易对象和目标对象作为异常资金交易群体。例如,异常资金交易数据中与目标对象进行异常资金交易的交易对象分别为对象A、对象B、对象C、对象D,系统可将目标对象、对象A、对象B、对象C以及对象D作为异常资金交易群体。
需要说明的是,通过基于异常资金交易数据确定与目标对象进行异常资金交易的L个交易对象,并将L个交易对象和目标对象作为异常资金交易群体,实现了一次识别多个异常客户,从而提高了客户的异常资金交易的识别效率。
图3是根据本申请实施例的一种可选的目标识别模型的训练过程的流程图,如图3所示,该过程包括如下步骤:
步骤S201,获取训练样本集合。
在步骤S201中,训练样本集合中包括N个对象中的每个对象在历史时间段内的历史资金交易数据,N为正整数。
步骤S202,将历史时间段划分为K个历史子时间段,其中,K为正整数。
步骤S203,基于每个对象在K个历史子时间段中的每个历史子时间段内的历史资金交易数据生成一个历史资金流网络图,得到每个对象对应的K个历史资金流网络图。
步骤S204,基于每个对象对应的K个历史资金流网络图确定每个对象的动态图。
步骤S205,基于每个对象的动态图对初始图神经网络模型进行多次模型训练,得到目标识别模型。
需要说明的是,通过基于N个对象中的每个对象在历史时间段内的历史资金交易数据生成每个对象的动态图,并基于每个对象的动态图对初始图神经网络模型进行多次模型训练,得到目标识别模型,能够实现通过目标识别模型识别客户的异常资金交易。
可选地,在本申请实施例提供的异常资金交易的识别方法中,基于每个对象的动态图对初始图神经网络模型进行多次模型训练,得到目标识别模型,包括:系统可对每个对象的动态图设置目标标签,其中,目标标签为第一标签或第二标签,第一标签用于表征与第一标签对应的对象未存在异常资金交易,第二标签用于表征与第二标签对应的对象存在异常资金交易;然后将每个对象的动态图以及每个对象对应的目标标签输入至初始图神经网络模型中进行多次模型训练,得到目标识别模型。
在本实施例中,通过对每个对象的动态图设置第一标签或第二标签来标记每个对象是否存在异常资金交易,并将每个对象的动态图以及每个对象对应的目标标签输入至初始图神经网络模型中进行多次模型训练,得到目标识别模型,能实现通过目标识别模型识别每个对象是否存在异常资金交易。
图4是根据本申请实施例的另一种可选的目标识别模型的训练过程的流程图,如图4所示,该过程包括如下步骤:
步骤S301,将每个对象的动态图输入至初始图神经网络模型中的循环神经网络中,得到循环神经网络输出的目标权重矩阵。
在步骤S301中,目标权重矩阵中的每个元素用于表征每个对象与该对象对应的交易对象之间的关联程度。
可选地,初始图神经网络模型中的循环神经网络即图2中的RNN层。目标权重矩阵可由图2中的Wi、Wi+1、…、Wn构成。
步骤S302,将初始图神经网络模型中的图神经网络的初始权重矩阵更新为目标权重矩阵,得到更新后的图神经网络。
步骤S303,通过更新后的图神经网络提取每个对象的动态图中的静态时序特征信息。
在步骤S303中,每个对象的动态图中的静态时序特征信息中包括该对象的动态图中的每个历史资金流网络图的特征信息,每个对象的动态图中的每个历史资金流网络图的特征信息用于表征该对象在K个历史子时间段中的一个历史子时间段内的资金交易信息。
步骤S304,将每个对象的动态图中的静态时序特征信息输入至初始图神经网络模型中的门控循环单元中,得到门控循环单元输出的每个对象的动态图中的动态时序特征信息。
在步骤S304中,每个对象的动态图中的动态时序特征信息为该对象在历史时间段内具有时序变化趋势的资金交易信息。
步骤S305,将每个对象的动态图中的动态时序特征信息以及每个对象对应的目标标签输入至初始图神经网络模型中进行多次模型训练,得到目标识别模型。
在本实施例中,通过循环神经网络对每个对象的动态图进行处理得到目标权重矩阵,并基于目标权重矩阵更新图神经网络的初始权重矩阵,得到更新后的图神经网络;通过更新后的图神经网络提取每个对象的动态图中的静态时序特征信息,并通过门控循环单元对每个对象的动态图中的动态时序特征信息进行处理,得到每个对象的动态图中的动态时序特征信息,基于每个对象的动态图中的动态时序特征信息以及每个对象对应的目标标签对初始图神经网络模型中进行多次模型训练,得到目标识别模型,实现了通过捕捉每个对象的动态图中的静态时序特征信息以及动态时序特征信息,提高了模型识别的精确度,从而能够提高客户的异常资金交易的识别准确率。
由此可见,通过本申请提出的异常资金交易的识别方法,能够通过基于目标对象在预设时间段内的资金交易数据生成目标动态图,通过目标识别模型对目标动态图进行处理,得到目标对象存在异常资金交易的概率值(即目标概率值),并基于目标概率值确定目标对象的异常资金交易状况,由于目标识别模型能够依据目标动态图的动态时序特征信息得到目标概率值,避免了由于异常资金交易的三个交易阶段互相重叠、反复出现,导致对客户的异常资金交易的识别准确率较低的问题,从而实现了提高客户的异常资金交易的识别准确率的技术效果,进而解决了现有技术中对客户的异常资金交易的识别准确率较低的技术问题。能够通过捕捉每个对象的动态图中的静态时序特征信息以及动态时序特征信息,提高了模型识别的精确度,从而能够提高客户的异常资金交易的识别准确率。
实施例2
根据本申请实施例,提供了一种异常资金交易的识别装置的实施例,其中,图5是根据本申请实施例的一种可选的异常资金交易的识别装置的示意图,如图5所示,该装置包括:
获取模块501,用于获取目标对象在预设时间段内的资金交易数据;
生成模块502,用于基于资金交易数据生成目标动态图,其中,目标动态图中包括M个资金流网络图,每个资金流网络图用于描述目标对象在M个子时间段中的一个子时间段内的资金交易网络,M个子时间段组成预设时间段,M为正整数;
识别模块503,用于将目标动态图输入至目标识别模型中,得到目标识别模型输出的目标对象对应的目标概率值,其中,目标概率值为目标对象存在异常资金交易的概率值,目标识别模型依据目标动态图的动态时序特征信息得到目标概率值,动态时序特征信息用于表征目标对象在预设时间段内的具有时序变化趋势的资金交易信息;
确定模块504,用于基于目标概率值确定目标识别结果,其中,目标识别结果用于表征目标对象的异常资金交易状况。
需要说明的是,上述获取模块501、生成模块502、识别模块503以及确定模块504对应于上述实施例1中的步骤S101至步骤S104,四个模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。
可选地,生成模块包括:第一生成单元,用于基于M个子时间段中的每个子时间段内的资金交易数据生成一个资金流网络图,得到M个资金流网络图;第一确定单元,用于基于M个资金流网络图确定目标动态图。
可选地,确定模块包括:阈值获取单元,用于获取目标概率值对应的预设阈值;判断单元,用于判断目标概率值是否大于或等于预设阈值;第二确定单元,用于在目标概率值小于预设阈值的情况下,确定第一识别结果为目标识别结果,并确定目标对象为正常客户,其中,第一识别结果用于表征目标对象未存在异常资金交易;第三确定单元,用于在目标概率值大于或等于预设阈值的情况下,确定第二识别结果为目标识别结果,并确定目标对象为异常客户,其中,第二识别结果用于表征目标对象存在异常资金交易。
可选地,异常资金交易的识别装置包括:第一获取模块,用于在确定第二识别结果为目标识别结果,并确定目标对象为异常客户之后,获取目标对象对应的异常资金交易数据;第一确定模块,用于基于异常资金交易数据确定目标对象对应的L个交易对象,其中,L个交易对象为与目标对象进行异常资金交易的对象,L为正整数;第二确定模块,用于将L个交易对象和目标对象作为异常资金交易群体。
可选地,异常资金交易的识别装置包括:第二获取模块,用于获取训练样本集合,其中,训练样本集合中包括N个对象中的每个对象在历史时间段内的历史资金交易数据,N为正整数;划分模块,用于将历史时间段划分为K个历史子时间段,其中,K为正整数;第一生成模块,用于基于每个对象在K个历史子时间段中的每个历史子时间段内的历史资金交易数据生成一个历史资金流网络图,得到每个对象对应的K个历史资金流网络图;第三确定模块,用于基于每个对象对应的K个历史资金流网络图确定每个对象的动态图;模型训练模块,用于基于每个对象的动态图对初始图神经网络模型进行多次模型训练,得到目标识别模型。
可选地,模型训练模块包括:设置单元,用于对每个对象的动态图设置目标标签,其中,目标标签为第一标签或第二标签,第一标签用于表征与第一标签对应的对象未存在异常资金交易,第二标签用于表征与第二标签对应的对象存在异常资金交易;第一训练单元,用于将每个对象的动态图以及每个对象对应的目标标签输入至初始图神经网络模型中进行多次模型训练,得到目标识别模型。
可选地,第一训练单元包括:第一处理单元,用于将每个对象的动态图输入至初始图神经网络模型中的循环神经网络中,得到循环神经网络输出的目标权重矩阵,其中,目标权重矩阵中的每个元素用于表征每个对象与该对象对应的交易对象之间的关联程度;第二处理单元,用于将初始图神经网络模型中的图神经网络的初始权重矩阵更新为目标权重矩阵,得到更新后的图神经网络;第三处理单元,用于通过更新后的图神经网络提取每个对象的动态图中的静态时序特征信息,其中,每个对象的动态图中的静态时序特征信息中包括该对象的动态图中的每个历史资金流网络图的特征信息,每个对象的动态图中的每个历史资金流网络图的特征信息用于表征该对象在K个历史子时间段中的一个历史子时间段内的资金交易信息;第四处理单元,用于将每个对象的动态图中的静态时序特征信息输入至初始图神经网络模型中的门控循环单元中,得到门控循环单元输出的每个对象的动态图中的动态时序特征信息,其中,每个对象的动态图中的动态时序特征信息为该对象在历史时间段内具有时序变化趋势的资金交易信息;第二训练单元,用于将每个对象的动态图中的动态时序特征信息以及每个对象对应的目标标签输入至初始图神经网络模型中进行多次模型训练,得到目标识别模型。
实施例3
根据本申请实施例的另一方面,还提供了计算机可读存储介质,计算机可读存储介质中存储有计算机程序,其中,计算机程序被设置为运行时执行上述的异常资金交易的识别方法。
实施例4
根据本申请实施例的另一方面,还提供了一种电子设备,其中,图6是根据本申请实施例的一种可选的电子设备的示意图,如图6所示,电子设备包括一个或多个处理器;存储器,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现用于运行程序,其中,程序被设置为运行时执行上述的异常资金交易的识别方法。
如图6所示,本申请实施例提供了一种电子设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:
获取目标对象在预设时间段内的资金交易数据;基于资金交易数据生成目标动态图,其中,目标动态图中包括M个资金流网络图,每个资金流网络图用于描述目标对象在M个子时间段中的一个子时间段内的资金交易网络,M个子时间段组成预设时间段,M为正整数;将目标动态图输入至目标识别模型中,得到目标识别模型输出的目标对象对应的目标概率值,其中,目标概率值为目标对象存在异常资金交易的概率值,目标识别模型依据目标动态图的动态时序特征信息得到目标概率值,动态时序特征信息用于表征目标对象在预设时间段内的具有时序变化趋势的资金交易信息;基于目标概率值确定目标识别结果,其中,目标识别结果用于表征目标对象的异常资金交易状况。
可选地,处理器执行程序时还实现以下步骤:基于M个子时间段中的每个子时间段内的资金交易数据生成一个资金流网络图,得到M个资金流网络图;基于M个资金流网络图确定目标动态图。
可选地,处理器执行程序时还实现以下步骤:获取目标概率值对应的预设阈值;判断目标概率值是否大于或等于预设阈值;在目标概率值小于预设阈值的情况下,确定第一识别结果为目标识别结果,并确定目标对象为正常客户,其中,第一识别结果用于表征目标对象未存在异常资金交易;在目标概率值大于或等于预设阈值的情况下,确定第二识别结果为目标识别结果,并确定目标对象为异常客户,其中,第二识别结果用于表征目标对象存在异常资金交易。
可选地,处理器执行程序时还实现以下步骤:在确定第二识别结果为目标识别结果,并确定目标对象为异常客户之后,获取目标对象对应的异常资金交易数据;基于异常资金交易数据确定目标对象对应的L个交易对象,其中,L个交易对象为与目标对象进行异常资金交易的对象,L为正整数;将L个交易对象和目标对象作为异常资金交易群体。
可选地,处理器执行程序时还实现以下步骤:获取训练样本集合,其中,训练样本集合中包括N个对象中的每个对象在历史时间段内的历史资金交易数据,N为正整数;将历史时间段划分为K个历史子时间段,其中,K为正整数;基于每个对象在K个历史子时间段中的每个历史子时间段内的历史资金交易数据生成一个历史资金流网络图,得到每个对象对应的K个历史资金流网络图;基于每个对象对应的K个历史资金流网络图确定每个对象的动态图;基于每个对象的动态图对初始图神经网络模型进行多次模型训练,得到目标识别模型。
可选地,处理器执行程序时还实现以下步骤:对每个对象的动态图设置目标标签,其中,目标标签为第一标签或第二标签,第一标签用于表征与第一标签对应的对象未存在异常资金交易,第二标签用于表征与第二标签对应的对象存在异常资金交易;将每个对象的动态图以及每个对象对应的目标标签输入至初始图神经网络模型中进行多次模型训练,得到目标识别模型。
可选地,处理器执行程序时还实现以下步骤:将每个对象的动态图输入至初始图神经网络模型中的循环神经网络中,得到循环神经网络输出的目标权重矩阵,其中,目标权重矩阵中的每个元素用于表征每个对象与该对象对应的交易对象之间的关联程度;将初始图神经网络模型中的图神经网络的初始权重矩阵更新为目标权重矩阵,得到更新后的图神经网络;通过更新后的图神经网络提取每个对象的动态图中的静态时序特征信息,其中,每个对象的动态图中的静态时序特征信息中包括该对象的动态图中的每个历史资金流网络图的特征信息,每个对象的动态图中的每个历史资金流网络图的特征信息用于表征该对象在K个历史子时间段中的一个历史子时间段内的资金交易信息;将每个对象的动态图中的静态时序特征信息输入至初始图神经网络模型中的门控循环单元中,得到门控循环单元输出的每个对象的动态图中的动态时序特征信息,其中,每个对象的动态图中的动态时序特征信息为该对象在历史时间段内具有时序变化趋势的资金交易信息;将每个对象的动态图中的动态时序特征信息以及每个对象对应的目标标签输入至初始图神经网络模型中进行多次模型训练,得到目标识别模型。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的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,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,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,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种异常资金交易的识别方法,其特征在于,包括:
获取目标对象在预设时间段内的资金交易数据;
基于所述资金交易数据生成目标动态图,其中,所述目标动态图中包括M个资金流网络图,每个资金流网络图用于描述所述目标对象在M个子时间段中的一个子时间段内的资金交易网络,所述M个子时间段组成所述预设时间段,M为正整数;
将所述目标动态图输入至目标识别模型中,得到所述目标识别模型输出的目标对象对应的目标概率值,其中,所述目标概率值为所述目标对象存在异常资金交易的概率值,所述目标识别模型依据所述目标动态图的动态时序特征信息得到所述目标概率值,所述动态时序特征信息用于表征所述目标对象在所述预设时间段内的具有时序变化趋势的资金交易信息;
基于所述目标概率值确定目标识别结果,其中,所述目标识别结果用于表征所述目标对象的异常资金交易状况。
2.根据权利要求1所述的方法,其特征在于,基于所述资金交易数据生成目标动态图,包括:
基于所述M个子时间段中的每个子时间段内的资金交易数据生成一个资金流网络图,得到所述M个资金流网络图;
基于所述M个资金流网络图确定所述目标动态图。
3.根据权利要求1所述的方法,其特征在于,基于所述目标概率值确定目标识别结果,包括:
获取所述目标概率值对应的预设阈值;
判断所述目标概率值是否大于或等于所述预设阈值;
在所述目标概率值小于所述预设阈值的情况下,确定第一识别结果为所述目标识别结果,并确定所述目标对象为正常客户,其中,所述第一识别结果用于表征所述目标对象未存在所述异常资金交易;
在所述目标概率值大于或等于所述预设阈值的情况下,确定第二识别结果为所述目标识别结果,并确定所述目标对象为异常客户,其中,所述第二识别结果用于表征所述目标对象存在所述异常资金交易。
4.根据权利要求3所述的方法,其特征在于,在确定第二识别结果为所述目标识别结果,并确定所述目标对象为异常客户之后,所述方法还包括:
获取所述目标对象对应的异常资金交易数据;
基于所述异常资金交易数据确定所述目标对象对应的L个交易对象,其中,所述L个交易对象为与所述目标对象进行所述异常资金交易的对象,L为正整数;
将所述L个交易对象和所述目标对象作为异常资金交易群体。
5.根据权利要求1所述的方法,其特征在于,所述目标识别模型通过如下过程得到:
获取训练样本集合,其中,所述训练样本集合中包括N个对象中的每个对象在历史时间段内的历史资金交易数据,N为正整数;
将所述历史时间段划分为K个历史子时间段,其中,K为正整数;
基于所述每个对象在所述K个历史子时间段中的每个历史子时间段内的历史资金交易数据生成一个历史资金流网络图,得到所述每个对象对应的K个历史资金流网络图;
基于所述每个对象对应的K个历史资金流网络图确定所述每个对象的动态图;
基于所述每个对象的动态图对初始图神经网络模型进行多次模型训练,得到所述目标识别模型。
6.根据权利要求5所述的方法,其特征在于,基于所述每个对象的动态图对初始图神经网络模型进行多次模型训练,得到所述目标识别模型,包括:
对所述每个对象的动态图设置目标标签,其中,所述目标标签为第一标签或第二标签,所述第一标签用于表征与所述第一标签对应的对象未存在所述异常资金交易,所述第二标签用于表征与所述第二标签对应的对象存在所述异常资金交易;
将所述每个对象的动态图以及所述每个对象对应的目标标签输入至所述初始图神经网络模型中进行所述多次模型训练,得到所述目标识别模型。
7.根据权利要求6所述的方法,其特征在于,将所述每个对象的动态图以及所述每个对象对应的目标标签输入至所述初始图神经网络模型中进行所述多次模型训练,得到所述目标识别模型,包括:
将所述每个对象的动态图输入至所述初始图神经网络模型中的循环神经网络中,得到所述循环神经网络输出的目标权重矩阵,其中,所述目标权重矩阵中的每个元素用于表征所述每个对象与该对象对应的交易对象之间的关联程度;
将所述初始图神经网络模型中的图神经网络的初始权重矩阵更新为所述目标权重矩阵,得到更新后的图神经网络;
通过所述更新后的图神经网络提取所述每个对象的动态图中的静态时序特征信息,其中,所述每个对象的动态图中的静态时序特征信息中包括该对象的动态图中的每个历史资金流网络图的特征信息,所述每个对象的动态图中的每个历史资金流网络图的特征信息用于表征所述该对象在所述K个历史子时间段中的一个历史子时间段内的资金交易信息;
将所述每个对象的动态图中的静态时序特征信息输入至所述初始图神经网络模型中的门控循环单元中,得到所述门控循环单元输出的每个对象的动态图中的动态时序特征信息,其中,所述每个对象的动态图中的动态时序特征信息为该对象在所述历史时间段内具有时序变化趋势的资金交易信息;
将所述每个对象的动态图中的动态时序特征信息以及所述每个对象对应的目标标签输入至所述初始图神经网络模型中进行所述多次模型训练,得到所述目标识别模型。
8.一种异常资金交易的识别装置,其特征在于,包括:
获取模块,用于获取目标对象在预设时间段内的资金交易数据;
生成模块,用于基于所述资金交易数据生成目标动态图,其中,所述目标动态图中包括M个资金流网络图,每个资金流网络图用于描述所述目标对象在M个子时间段中的一个子时间段内的资金交易网络,所述M个子时间段组成所述预设时间段,M为正整数;
识别模块,用于将所述目标动态图输入至目标识别模型中,得到所述目标识别模型输出的目标对象对应的目标概率值,其中,所述目标概率值为所述目标对象存在异常资金交易的概率值,所述目标识别模型依据所述目标动态图的动态时序特征信息得到所述目标概率值,所述动态时序特征信息用于表征所述目标对象在所述预设时间段内的具有时序变化趋势的资金交易信息;
确定模块,用于基于所述目标概率值确定目标识别结果,其中,所述目标识别结果用于表征所述目标对象的异常资金交易状况。
9.一种计算机可读存储介质,其特征在于,计算机可读存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至7任一项中所述的异常资金交易的识别方法。
10.一种电子设备,其特征在于,包括一个或多个处理器和存储器,所述存储器用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1至7中任意一项所述的异常资金交易的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311049702.4A CN117078412A (zh) | 2023-08-18 | 2023-08-18 | 异常资金交易的识别方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311049702.4A CN117078412A (zh) | 2023-08-18 | 2023-08-18 | 异常资金交易的识别方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117078412A true CN117078412A (zh) | 2023-11-17 |
Family
ID=88711090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311049702.4A Pending CN117078412A (zh) | 2023-08-18 | 2023-08-18 | 异常资金交易的识别方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117078412A (zh) |
-
2023
- 2023-08-18 CN CN202311049702.4A patent/CN117078412A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111506722B (zh) | 基于深度学习技术的知识图谱问答方法、装置及设备 | |
CN111275491A (zh) | 一种数据处理方法及装置 | |
CN112669138A (zh) | 数据处理方法及相关设备 | |
EP3591561A1 (en) | An anonymized data processing method and computer programs thereof | |
CN115859302A (zh) | 源代码漏洞检测方法、装置、设备及存储介质 | |
CN116307671A (zh) | 风险预警方法、装置、计算机设备、存储介质 | |
CN115222443A (zh) | 客户群体划分方法、装置、设备及存储介质 | |
CN114841820A (zh) | 交易的风险控制方法及系统 | |
CN113312058B (zh) | 一种智能合约二进制函数的相似性分析方法 | |
CN117078412A (zh) | 异常资金交易的识别方法、装置、存储介质及电子设备 | |
CN115130545A (zh) | 数据处理方法、电子设备、程序产品及介质 | |
CN114792007A (zh) | 代码检测方法、装置、设备、存储介质和计算机程序产品 | |
US20210133853A1 (en) | System and method for deep learning recommender | |
CN111368337B (zh) | 保护隐私的样本生成模型构建、仿真样本生成方法及装置 | |
CN116092094A (zh) | 图像文本识别方法、装置、计算机可读介质及电子设备 | |
CN110472680B (zh) | 目标分类方法、装置和计算机可读存储介质 | |
CN111858862B (zh) | 一种答复推荐方法、答复推荐装置及电子设备 | |
CN112950222A (zh) | 资源处理异常检测方法、装置、电子设备及存储介质 | |
CN111858863B (zh) | 一种答复推荐方法、答复推荐装置及电子设备 | |
CN113409014A (zh) | 基于人工智能的大数据业务处理方法及人工智能服务器 | |
US20140122171A1 (en) | Method and System for Credit Card Holder Identification | |
US20230298326A1 (en) | Image augmentation method, electronic device and readable storage medium | |
CN113779635B (zh) | 一种医疗数据的校验方法、装置、设备及存储介质 | |
CN115809875A (zh) | 一种跨行转账风险的识别方法及装置 | |
CN117113402A (zh) | 一种数据挖掘方法、装置、设备及可读存储介质 |
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 |