CN117217929A - 注册对象风险识别方法、装置、计算机设备和存储介质 - Google Patents
注册对象风险识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117217929A CN117217929A CN202210599672.3A CN202210599672A CN117217929A CN 117217929 A CN117217929 A CN 117217929A CN 202210599672 A CN202210599672 A CN 202210599672A CN 117217929 A CN117217929 A CN 117217929A
- Authority
- CN
- China
- Prior art keywords
- naming
- node
- mode
- abnormal
- registered
- 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
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000002159 abnormal effect Effects 0.000 claims abstract description 146
- 239000013598 vector Substances 0.000 claims description 116
- 238000002372 labelling Methods 0.000 claims description 55
- 238000012545 processing Methods 0.000 claims description 41
- 238000004590 computer program Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 15
- 238000005295 random walk Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 11
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 17
- 238000005516 engineering process Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 15
- 238000005070 sampling Methods 0.000 description 11
- 101150011264 setB gene Proteins 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000003993 interaction Effects 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000009191 jumping Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process 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
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种注册对象风险识别方法、装置、计算机设备和存储介质。所述方法涉及人工智能，包括：获取目标注册对象的名称信息，并基于名称信息，确定与目标注册对象对应的命名模式。若与目标注册对象对应的命名模式，和异常命名模式类别集合中的任一异常命名模式类别匹配成功，确定目标注册对象存在风险。其中，异常命名模式类别集合，为对各命名模式类别的风险识别结果为异常的命名模式类别的集合，各命名模式类别为利用在预设时间段内注册的各注册对象的对象属性信息构建得到的图谱，对各注册对象的命名模式进行聚类获得。采用本方法可提升针对各目标注册对象的风险识别准确率，保障互联网安全。
Description
技术领域
本申请涉及人工智能技术领域，特别是涉及一种注册对象风险识别方法、装置、计算机设备和存储介质。
背景技术
随着人工智能技术的发展，以及对于互联网安全的日益重视，需要对各应用程序或业务或产品的账号、以及各企业工商主体账户等，进行批量注册检测以及风险识别。其中，批量注册指的利用计算机程序在短时间内批量地注册账号或账户的行为，而通过批量注册的账号或者账户群通常存在非法交易的风险，用于获取不正当利益，严重危害互联网安全。
传统上，针对各应用程序、产品或业务等的账号进行风险识别时，通常会计算账号或者账户在不同维度上的距离，确定各账号之间的相似度，以根据相似度对各个账号进行聚类，达到对多个账号的分类，以及进一步确定出不同分类下的各账号是否疑似批量注册，以及是否存在非法交易风险。而针对企业工商主体账户，则是利用企业图谱进行企业关联关系分析，基于企业关联关系可得到不同企业之间的相似程度，从而进一步根据不同企业之间的相似程度，确定是否存在相似度高于预设值的大量企业主体，从而达到批量注册检测和风险识别的目的。
然而，传统上，针对账号的相似度或者企业图谱进行风险识别的方式，并不能基于待批量识别的对象(包括企业主体，或者应用程序、产品的账户等)的全面属性信息，进行进一步分析和识别，比如企业图谱中则只包括所有人可见的公示信息，并未考虑所有的企业信息，则存在信息遗漏的情况，容易在不完整信息的基础上出现错误的分类和识别的情况，导致异常识别结果不准确的问题，互联网安全性能仍有待提升。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提升针对不同注册对象的风险识别准确率，以保障互联网安全的注册对象风险识别方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种注册对象风险识别方法。所述方法包括：
获取目标注册对象的名称信息；
基于所述名称信息，确定与所述目标注册对象对应的命名模式；
若与所述目标注册对象对应的命名模式，和异常命名模式类别集合中的任一异常命名模式类别匹配成功，确定所述目标注册对象存在风险；
所述异常命名模式类别集合，为对各命名模式类别的风险识别结果为异常的命名模式类别的集合，各所述命名模式类别，为利用在预设时间段内注册的各注册对象的对象属性信息构建得到的图谱，对各所述注册对象的命名模式进行聚类获得。
在其中一个实施例中，所述异常命名模式类别集合的生成方式，包括：
根据在预设时间段内注册的各注册对象的对象属性信息，构建图谱；所述图谱中的节点包括：与命名模式对应的命名模式节点，以及与对象属性对应的对象属性节点，所述命名模式节点和对象属性节点之间的边表示命名模式节点的命名模式包含该对象属性节点的对象属性，两个命名模式节点之间的边表示两个命名模式之间的关联关系；
对所述图谱进行图嵌入学习处理，获得各命名模式节点的命名模式节点向量；
对各所述命名模式节点向量进行聚类处理，获得各命名模式类别，各命名模式类别包含至少一个所述命名模式；
对各所述命名模式类别进行风险识别，获得各命名模式类别的风险识别结果，并基于风险识别结果为异常的命名模式类别获得异常命名模式类别集合。
在其中一个实施例中，所述对象属性信息包括各注册对象的名称信息和各对象属性；所述根据在预设时间段内注册的各注册对象的对象属性信息，构建图谱，包括：
基于在预设时间段内注册的各所述注册对象的名称信息，获得各所述注册对象的命名模式；
从对应所述命名模式下的各所述注册对象的各对象属性中，确定出目标属性；
对对应所述命名模式下的各注册对象的目标属性，进行去重处理，得到与各所述命名模式对应的去重属性元素集合；
基于与各所述命名模式对应的去重属性元素集合，进行重复指标分布统计，生成对应的分布统计结果；
根据所述分布统计结果，确定各所述命名模式之间的关联关系；
基于各所述命名模式之间的关联关系、以及各所述对象属性，构建得到图谱。
在其中一个实施例中，所述对所述图谱进行图嵌入学习处理，获得各命名模式节点的命名模式节点向量，包括：
在所述图谱中的各节点之间进行随机游走，获得各节点游走序列；
确定出各所述节点游走序列中每个节点的邻域节点；
对所述图谱中的各节点进行特征映射处理，得到与各所述节点的初始特征向量；
以最大化各节点与邻域节点之间的对数概率为目标，对各所述节点的初始特征向量进行优化调整，得到优化后的各节点的节点向量；
从各所述节点的节点向量中，提取与各命名模式节点对应的命名模式节点向量。
在其中一个实施例中，所述对各所述命名模式类别进行风险识别，获得各命名模式类别的风险识别结果，并基于风险识别结果为异常的命名模式类别获得异常命名模式类别集合，包括：
根据异常判定指标，对各所述命名模式类别进行风险识别，获得各命名模式类别的风险识别结果；所述异常判定指标包括异常注册对象比例、注册对象名称合理度、注册时间密集度以及对象属性重合度；
将风险识别结果为异常的命名模式类别进行聚合，获得异常命名模式类别集合。
在其中一个实施例中，在所述获取目标注册对象的名称信息之前，还包括：将与满足风险识别触发条件的信息关联的注册对象，确定为目标注册对象。
在其中一个实施例中，所述基于所述名称信息，确定与所述目标注册对象对应的命名模式，包括：
对所述名称信息进行序列标注，生成对应的序列标注结果；
基于所述序列标注结果进行命名模式提取，获得所述目标注册对象对应的命名模式。
在其中一个实施例中，所述对各命名模式节点向量进行聚类处理，获得各命名模式类别，包括：
根据预设距离阈值确定出各命名模式节点向量的局部密度；
针对每个命名模式节点向量，确定出所述局部密度高于自身的局部密度的各高局部密度点；
计算各所述高局部密度点，和对应所述命名模式节点向量之间的节点距离，并筛选出最小节点距离；
根据所述局部密度和所述最小节点距离，从各命名模式节点向量中确定出聚类中心节点；
基于各聚类中心节点，对除聚类中心外的其余命名模式节点进行分类处理，确定各命名模式节点所属的聚类中心，获得各命名模式类别。
第二方面，本申请还提供了一种注册对象风险识别装置。所述装置包括：
对象属性信息获取模块，用于获取目标注册对象的名称信息；
命名模式确定模块，用于基于所述名称信息，确定与所述目标注册对象对应的命名模式；
风险识别模块，用于若与所述目标注册对象对应的命名模式，和异常命名模式类别集合中的任一异常命名模式类别匹配成功，确定所述目标注册对象存在风险；所述异常命名模式类别集合，为对各命名模式类别的风险识别结果为异常的命名模式类别的集合，各所述命名模式类别，为利用在预设时间段内注册的各注册对象的对象属性信息构建得到的图谱，对各所述注册对象的命名模式进行聚类获得。
第三方面，本申请还提供了一种计算机设备。所述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，所述处理器执行所述计算机程序时实现以下步骤：
获取目标注册对象的名称信息；
基于所述名称信息，确定与所述目标注册对象对应的命名模式；
若与所述目标注册对象对应的命名模式，和异常命名模式类别集合中的任一异常命名模式类别匹配成功，确定所述目标注册对象存在风险；
所述异常命名模式类别集合，为对各命名模式类别的风险识别结果为异常的命名模式类别的集合，各所述命名模式类别，为利用在预设时间段内注册的各注册对象的对象属性信息构建得到的图谱，对各所述注册对象的命名模式进行聚类获得。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取目标注册对象的名称信息；
基于所述名称信息，确定与所述目标注册对象对应的命名模式；
若与所述目标注册对象对应的命名模式，和异常命名模式类别集合中的任一异常命名模式类别匹配成功，确定所述目标注册对象存在风险；
所述异常命名模式类别集合，为对各命名模式类别的风险识别结果为异常的命名模式类别的集合，各所述命名模式类别，为利用在预设时间段内注册的各注册对象的对象属性信息构建得到的图谱，对各所述注册对象的命名模式进行聚类获得。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，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：
获取目标注册对象的名称信息；
基于所述名称信息，确定与所述目标注册对象对应的命名模式；
若与所述目标注册对象对应的命名模式，和异常命名模式类别集合中的任一异常命名模式类别匹配成功，确定所述目标注册对象存在风险；
所述异常命名模式类别集合，为对各命名模式类别的风险识别结果为异常的命名模式类别的集合，各所述命名模式类别，为利用在预设时间段内注册的各注册对象的对象属性信息构建得到的图谱，对各所述注册对象的命名模式进行聚类获得。
上述注册对象风险识别方法、装置、计算机设备、存储介质和计算机程序产品中，通过获取目标注册对象的名称信息，并基于名称信息，确定与目标注册对象对应的命名模式。若与目标注册对象对应的命名模式，和异常命名模式类别集合中的任一异常命名模式类别匹配成功，确定目标注册对象存在风险。由于异常命名模式类别集合为对各命名模式类别的风险识别结果为异常的命名模式类别的集合，各命名模式类别，为利用在预设时间段内注册的各注册对象的对象属性信息构建得到的图谱，对各注册对象的命名模式进行聚类获得，因此通过全面考虑异常命名模式集合中的各异常命名模式，可避免风险识别过程中的数据遗漏，以提升针对不同目标注册对象的风险识别准确率，保障互联网安全。
附图说明
图1为一个实施例中注册对象风险识别方法的应用环境图；
图2为一个实施例中注册对象风险识别方法的流程示意图；
图3为一个实施例中对名称信息进行序列标注，生成的序列标注结果示意图；
图4为一个实施例中对名称信息进行序列标注的序列标注模型示意图；
图5为一个实施例中异常命名模式类别集合的生成方式的流程示意图；
图6为一个实施例中根据在预设时间段内注册的各注册对象的对象属性信息，构建图谱的流程示意图；
图7为一个实施例中根据对象属性信息构建得到的图谱示意图；
图8为一个实施例对图谱进行图嵌入学习处理，获得各命名模式节点的命名模式节点向量的流程示意图；
图9为一个实施例中基于图谱中各节点之间进行随机游走的示意图；
图10为一个实施例中确定出节点游走序列中每个节点的邻域节点的示意图；
图11为一个实施例中各命名模式节点的原始分布示意图；
图12为一个实施例中聚类中心的分布示意图；
图13为另一个实施例中注册对象风险识别方法的流程示意图；
图14为一个实施例中注册对象风险识别装置的结构框图；
图15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注册对象风险识别方法，涉及人工智能技术。其中，人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、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。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人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/深度学习等几大方向。
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。
随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
本申请实施例提供的注册对象风险识别方法涉及人工智能的机器学习等技术，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。服务器104通过获取目标注册对象的名称信息，目标注册对象的对象属性信息可存储在数据存储系统中，也可存储在终端102的本地存储中。进而服务器104可基于所获取的名称信息，确定出与目标注册对象对应的命名模式。进一步地，若服务器104确定与目标注册对象对应的命名模式，和异常命名模式类别集合中的任一异常命名模式类别匹配成功，则可确定目标注册对象存在风险，进而可将目标注册对象存在风险的风险识别结果反馈至终端102。其中，异常命名模式类别集合，为服务器104对各命名模式类别的风险识别结果为异常的命名模式类别的集合，各命名模式类别为利用在预设时间段内注册的各注册对象的对象属性信息构建得到的图谱，对各注册对象的命名模式进行聚类获得。其中，终端102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104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，如图2所示，提供了一种注册对象风险识别方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤S202，获取目标注册对象的名称信息。
具体地，通过将与满足风险识别触发条件的信息关联的注册对象，确定为目标注册对象，并获取目标注册对象的名称信息。其中，风险识别触发条件表示检测到需要触发风险识别操作的场景，比如是否出现资金往来、业务交易以及投资借贷等操作的场景，而如果检测到需要触发风险识别操作的场景时，则需要进一步获取满足风险识别触发条件的信息，即需要获取触发风险识别操作的各场景下的交互信息，并将与触发风险识别操作的各场景下的交互信息关联的注册对象，确定为目标注册对象。
其中，风险识别表示需要对目标注册对象进行批量注册识别，即需要判断目标注册对象是否存在批量注册的风险。具体来说，需要触发风险识别操作的场景，可以包括业务交易场景、支付结算场景、企业或个人借贷场景、以及企业授信场景等。
举例来说，比如在支付结算场景或业务交易场景下，需要对商户关联企业进行风险识别，判断商户关联企业是否存在批量注册的风险，以降低后续可能存在的支付风险。同样地，在企业授信场景或借贷场景下，需要对发起借贷申请的企业或用户进行风险识别，从而降低后续可能存在的违约风险和资金流失风险。
进一步地，注册对象可以包括不同应用程序、业务或产品的注册对象，以及企业工商主体注册对象等，而目标注册对象则表示与满足风险识别触发条件的信息关联的注册对象。其中，满足风险识别触发条件的信息，表示需要执行风险识别操作的各场景下的交互信息，具体来说，不同场景下的交互信息，可以包括支付结算场景下的支付信息(比如支付金额、支付时间以及支付对象等)，业务交易场景下的业务交易信息(比如业务类型、交易数额、交易时间以及交易双方等)，以及企业授信场景或借贷场景下下的借贷申请信息(比如借贷金额、借贷申请对象、借贷时间、借贷频率以及历史借贷记录等)等。
其中，以注册对象是企业工商主体注册对象为例，则注册对象的名称信息可以为企业名称，而以注册对象为应用程序的注册用户为例，则名称信息，则可以为账户名称。
举例来说，比如当前场景为业务交易场景、支付结算场景、企业或个人借贷场景、以及企业授信场景等时，则表示需要进一步获取当前场景下的交互信息，比如获取支付结算场景下的支付信息、业务交易场景下的业务交易信息、以及企业授信场景或借贷场景下下的借贷申请信息等，并进一步获取与当前场景下的交互信息关联的注册对象，即将与满足风险识别触发条件的信息关联的注册对象，确定为目标注册对象，并进一步获取目标注册对象的名称信息，可以是企业工商主体注册对象的企业名称，也可以是应用程序的注册用户的账户名称等。
步骤S204，基于名称信息，确定与目标注册对象对应的命名模式。
其中，命名模式表示根据目标注册对象的名称信息所确定出的对象名称特性，比如注册对象为企业工商主体注册对象时，根据企业名称的名称特性，相应的命名模式则可以通过基于企业名称进行序列标注确定出。
具体地，通过对名称信息进行序列标注，生成对应的序列标注结果，并基于序列标注结果进行命名模式提取，获得目标注册对象对应的命名模式。其中，以注册对象为企业工商主体注册对象为例，具体是对企业名称进行序列标注，得到相应的序列标注结果，进而可基于序列标注结果，确定出企业工商主体注册对象的命名模式。
在一个实施例中，如图3所示，提供了一种对名称信息进行序列标注，生成的序列标注结果示意图，当注册对象为企业工商主体注册对象时，即需要利用训练好的序列标注模型，对企业的企业名称进行序列标注，参照图3可知，比如企业名称为“XY市CD计算机系统有限公司”时，利用训练好的序列标注模型，对企业名称进行序列标注时，将企业名称分割为4个部分，包括：地址(LOC，如“XY市”)、字号(Name，如“CD”)、行业(Attribute，如“计算机系统”)以及类别(Type，如“有限公司”)，其中，当某字段缺失时，则相应分割出来的部分则为空。
其中，对名称信息进行序列标注的过程中，各部分的含义为：B即begin，代表实体的开头，I即inside，代表实体的中间，O即outside，代表非实体，用于标记无关字符，E即end，代表实体的结尾，S即single，代表单个字符，本身就是一个实体。
具体地，参照图3可知，对企业名称为“XY市CD计算机系统有限公司”进行序列标注时，得到每个字符所属的部分，即具体是地址、字号、行业以及类别中的哪个部分，比如“XY市”对应“L-B L-I L-E”，“CD”则对应“N-B N-E”，“计算机系统”则对应“A-B A-I A-I A-IA-E”，“有限公司”则对应“T-B T-I T-I T-E”。
在一个实施例中，具体是采用训练好的序列标注模型，对名称信息进行序列标注，以生成对应的序列标注结果。其中，如图4所示，提供了一种对名称信息进行序列标注的序列标注模型，具体来说，用于进行序列标注的序列标注模型，是利用根据企业名称的特性进行预先标注得到的样本集，对原始文本分割模型训练获得。
具体地，按照序列标注任务，根据企业名称的特性，对多个企业名称进行预先标注得到训练样本集，并根据训练样本集，对由BERT模型和CRF模型组合得到的文本分割模型，进行训练得到序列标注模型。
其中，BERT模型(Bidirectional Encoder Representations from Transformer，即来自transformer的双向编码器表示模型)，用于对企业名称进行分割和标注，并生成对应的序列标注结果，而由于单一的BERT模型所输出的序列标注结果存在异常跳转情况，则在BERT模型后增加一层CRF模型，CRF模型(Conditional Random Fields，即条件随机场模型)，用于识别BERT模型输出的异常序列标注结果，并对异常序列标注结果进行删除，以及对跳转情况的调整和修正，使得最终输出的序列标注结果中各标签之间的跳转概率符合实际情况。而通过利用对多个企业名称进行预先标注得到的样本集，对由BERT模型和CRF模型组合得到的文本分割模型进行训练，可使得文本分割模型在训练过程中，不断学习如何对企业名称进行序列标注，以最终得到训练好的序列标注模型。
进一步地，参照图4可知，通过输入字段(比如企业名称)，并通过将字段中的每个字符(即图4中所示的Tok，全称为token)输入BERT模型，得到各个字符对应的嵌入表示(即图4中所示的E，全称为Embedding)，通过BERT模型进行序列标注，可得到每个字符的序列标注结果(即图4中所示的T)，进一步将每个字符的序列标注结果输入CRF模型，通过CRF模型对序列标注结果进行修正，以删除异常跳转结果，实现修正。
举例来说，比如BERT模型输出的序列标注结果中某个B(即一个实体开头)后又紧接着跳转至另一个B(即另一个实体开头)，即表示两个实体的调整存在异常的情况，则CRF模型会识别为跳转异常，需要删除当前的跳转结果，并进一步针对跳转进行调整，以达到对序列标注结果的异常跳转删除和跳转调整。
步骤S206，若与目标注册对象对应的命名模式，和异常命名模式类别集合中的任一异常命名模式类别匹配成功，确定目标注册对象存在风险，异常命名模式类别集合，为对各命名模式类别的风险识别结果为异常的命名模式类别的集合，各命名模式类别，为利用在预设时间段内注册的各注册对象的对象属性信息构建得到的图谱，对各注册对象的命名模式进行聚类获得。
具体地，可根据异常判定指标，对各命名模式类别进行风险识别，获得各命名模式类别的风险识别结果，并将风险识别结果为异常的命名模式类别进行聚合，以获得异常命名模式类别集合。其中，异常判定指标可包括异常注册对象比例、注册对象名称合理度、注册时间密集度以及对象属性重合度。
举例来说，以异常判定指标为异常注册对象比例为例，可通过对各命名模式类别下的各注册对象筛选，筛选出已经被认定为存在风险的异常注册对象，并计算存在风险的异常注册对象在该命名模式类别下所占据的比例，即异常注册对象比例，并根据异常注册对象比例和相应的预设比例阈值，得到各命名模式类别的风险识别结果，以将异常注册对象比例大于预设比例阈值的命名模式类别的风险识别结果确定为异常，进而将异常注册对象比例大于预设比例阈值的命名模式类别，确定为异常命名模式类别。
其中，注册对象是否存在风险，可以根据该注册对象的历史属性信息或该注册对象的已有非法标签，判定得到。其中，注册对象的历史属性信息可以包括注册对象的历史交易信息、历史借贷信息以及历史违约信息，而注册对象的已有非法标签在不同场景下有所区别，比如在企业(或个人)借贷场景下，已有非法标签则可以体现为违约率达到预设违约率阈值，比如在支付结算场景或业务交易场景下，则已有非法标签可以体现为收款方携带空壳企业标识，该些已有非法标签均可通过人工预先添加。
同样地，以异常判定指标为注册时间密集度为例，则可以通过获取各命名模式类别下的各注册对象的注册时间，并计算对应命名模式类别下的各注册对象的注册时间密集度，并根据预设密集度阈值和对应的注册时间密集度，得到各命名模式类别的风险识别结果。进而可根据风险识别结果，将注册时间密集度大于预设密集度阈值的注册对象所属的命名模式类别，确定为异常命名模式类别。
同样地，以异常判定指标为对象属性重合度，需要计算重合度的对象属性为企业法人为例，通过计算各命名模式类别下的各注册对象的企业法人重合度，并根据预设法人重合度阈值，以及计算得到的注册对象的企业法人重合度进行风险识别，得到各命名模式类别的风险识别结果。进而根据风险识别结果，将企业法人重合度大于预设法人重合度阈值的注册对象所在的命名模式类别，确定为异常命名模式类别。
进一步地，通过将目标注册对象的命名模式，和异常命名模式类别集合中的各异常命名模式类别进行匹配，并判断目标注册对象的命名模式，是否可以和异常命名模式类别集合中的任一异常命名模式类别匹配成功。其中，若与目标注册对象对应的命名模式，和异常命名模式类别集合中的任一异常命名模式类别匹配成功，则确定目标注册对象存在风险。
其中，若与目标注册对象对应的命名模式，和异常命名模式类别集合中的任一异常命名模式类别匹配成功，则表示目标注册对象的命名模式为异常命名模式，则可在确定目标注册对象存在批量注册的风险上，进一步判定该目标注册对象是否存在属于非法业务或非法交易的风险。
上述注册对象风险识别方法中，通过获取目标注册对象的名称性信息，并基于名称信息，确定与目标注册对象对应的命名模式。若与目标注册对象对应的命名模式，和异常命名模式类别集合中的任一异常命名模式类别匹配成功，确定目标注册对象存在风险。由于异常命名模式类别集合为对各命名模式类别的风险识别结果为异常的命名模式类别的集合，各命名模式类别为利用在预设时间段内注册的各注册对象的对象属性信息构建得到的图谱，对各注册对象的命名模式进行聚类获得，因此通过全面考虑异常命名模式集合中的各异常命名模式，可避免风险识别过程中的数据遗漏，以提升针对不同目标注册对象的风险识别准确率，保障互联网安全。
在一个实施例中，如图5所示，异常命名模式类别集合的生成方式，具体包括以下步骤：
步骤S502，根据在预设时间段内注册的各注册对象的对象属性信息，构建图谱。
其中，预设时间段可以根据实际需求进行调整，比如一年、两年、三年或者五年等，不进行具体限定。具体来说，可获取比如一年内注册的各注册对象的对象属性信息，构建图谱。其中，对象属性信息可包括名称信息和各对象属性，对象属性可以包括注册时间、注册地区、注册对象所属行业以及注册对象所有人等。其中，具体是通过对对象属性信息中的名称信息进行提取，以获得各注册对象对应的命名模式。
而图谱中的节点，具体可以包括与命名模式对应的命名模式节点，以及与对象属性对应的对象属性节点。其中，命名模式节点和对象属性节点之间的边表示命名模式节点的命名模式包含该对象属性节点的对象属性，而两个命名模式节点之间的边表示两个命名模式之间的关联关系。
其中，命名模式节点和对象属性节点之间的边的权重是固定的，即如果命名模式节点的命名模式包含该对象属性节点的对象属性，则命名模式节点和该对象属性节点之间存在一条连边，且边的权重是固定的。而两个命名模式之间的关联关系可以表示为两个命名模式之间的关联紧密程度，即两个命名模式节点之间的边的权重越大，则相应的两个命名模式之间的关联越紧密。
具体地，根据在预设时间段内，比如一年内注册的各注册对象的对象属性信息，确定出各注册对象的命名模式和对象属性，注册对象的对象属性信息，可以包括注册对象的名称信息、注册时间、注册地区、注册对象所属行业以及注册对象所有人等信息。其中，具体是针对对象属性信息中的名称信息，进行序列标注，得到相应的序列标注结果，可根据序列标注结果，确定出各注册对象的命名模式。
进一步地，具体是根据预设时间段内注册的各注册对象的各对象属性，各命名模式，以及各命名模式之间的关联关系，构建得到图谱。
步骤S504，对图谱进行图嵌入学习处理，获得各命名模式节点的命名模式节点向量。
其中，图嵌入学习处理则表示采用图嵌入的方式，得到图谱中的各节点的图嵌入表示，即各节点的节点向量。其中，图谱中的命名模式节点，以及对象属性节点，均对应一个节点向量，命名模式节点对应命名模式节点向量，而对象属性节点则对应对象属性节点向量。
具体地，可以采用Node2vec模型(即用于产生网络中节点向量的模型)，基于图谱进行图嵌入学习处理，以得到图谱中各节点的节点向量。其中，还可以采用其他将图结构转化为节点的低维向量的算法，比如采用DeepWalk(深度游走算法)等，对图片进行图嵌入学习处理，得到图谱中各节点的节点向量。
步骤S506，对各命名模式节点向量进行聚类处理，获得各命名模式类别，各命名模式类别包含至少一个命名模式。
具体地，在命名模式的嵌入值的向量空间中，对各命名模式节点向量进行聚类处理，以获得各命名模式类别，同时确定出各命名模式节点向量所属的命名模式类别，各命名模式类别中包含至少一个命名模式。
其中，具体是采用在向量空间中根据数据间的距离将数据划分为若干类的方式，对各命名模式节点进行聚类处理，比如可以采用划分聚类、层次聚类以及密度聚类等方式，对各命名模式节点进行聚类处理，以获得由各命名模式构成的不同簇，即获得各命名模式类别。
举例来说，可以采用基于峰值密度和相对距离的聚类算法，对各命名模式节点进行聚类处理，其中，基于峰值密度和相对距离的聚类算法的核心思想，在于通过找到密度较高且相对距离较远的点位作为聚类中心，并根据聚类中心对其他各命名模式进行划分，获得分类后的各命名模式类别。
步骤S508，对各命名模式类别进行风险识别，获得各命名模式类别的风险识别结果，并基于风险识别结果为异常的命名模式类别获得异常命名模式类别集合。
具体地，通过利用异常判定指标，对各命名模式类别进行风险识别，获得各命名模式类别的风险识别结果，并进一步筛选出风险识别结果为异常的命名模式类别，以将风险识别结果为异常的命名模式类别进行聚合，以获得异常命名模式类别集合。
其中，异常判定指标可包括异常注册对象比例、注册对象名称合理度、注册时间密集度以及对象属性重合度，即可以根据异常注册对象比例、注册对象名称合理度、注册时间密集度以及对象属性重合度中的一种或多种指标，对各命名模式类别进行风险识别，获得各命名模式类别的风险识别结果。
本实施例中，根据在预设时间段内注册的各注册对象的对象属性信息，构建得到图谱，并通过对图谱进行图嵌入学习处理，可获得各命名模式节点的命名模式节点向量。进而通过对各命名模式节点向量进行聚类处理，获得各命名模式类别，并进一步对各命名模式类别进行风险识别，获得各命名模式类别的风险识别结果，以基于风险识别结果为异常的命名模式类别，获得异常命名模式类别集合。实现了预先根据预设时间段内注册的各注册对象的对象属性信息，确定出存在风险的异常命名模式类别，以得到异常命名模式类别集合，后续对目标注册对象进行风险识别时，可直接调用预先确定出的异常命名模式类别集合进行匹配，可避免每次风险识别均需要进行繁琐的前期处理流程，进而提升对目标注册对象的风险识别效率，同时根据全面的异常命名模式类别集合进行匹配识别，进一步可提升对目标注册对象的风险识别准确率。
在一个实施例中，如图6所示，根据在预设时间段内注册的各注册对象的对象属性信息，构建图谱的步骤，具体包括：
步骤S602，基于在预设时间段内注册的各注册对象的名称信息，获得各注册对象的命名模式。
具体地，对在预设时间段内注册的各注册对象的名称信息，进行序列标注，生成与各注册对象对应的序列标注结果。进而基于序列标注结果进行命名模式提取，从而获得各注册对象对应的命名模式。
步骤S604，从对应命名模式下的各注册对象的各对象属性中，确定出目标属性。
具体地，通过从对应命名模式下的各注册对象的各对象属性中，比如各注册对象的注册时间、注册地区、注册对象所属行业以及注册对象所有人等属性中，筛选出用于进行重复指标分布统计的目标属性。
进一步地，用于进行重复指标分布统计的目标属性，具体可以是注册对象所有人，比如企业法人，还可以是注册地区或者注册时间。其中，进行重复指标分布统计的目的，在于确定出不同命名模式之间的关联关系或关联程度，进而对于不同注册对象而言，比如企业法人、注册地区或者注册时间等，均可以满足确定出不同命名模式之间的关联关系的要求，则企业法人、注册地区或者注册时间等，均可以作为目标属性，以达到确定命名模式之间的关联关系的目的。
步骤S606，对对应命名模式下的各注册对象的目标属性，进行去重处理，得到与各命名模式对应的去重属性元素集合。
其中，以注册对象为企业工商主体注册对象为例，根据在预设时间段内注册的各注册对象的对象属性信息，构建图谱时，具体是将每个命名模式，以及各对象属性中的企业所属行业、所在地区，均作为图谱中的节点，如果命名模式中包含了某一个区县(即企业的所在地区)，则添加一条命名模式和所在地区之间的连边，同样地，如果命名模式中包含了某一个行业(即企业所属行业)，则添加一条命名模式和所在行业之间的连边。
具体地，以注册对象为企业工商主体注册对象为例，具体是将各命名模式下各注册对象的对象属性中的企业法人作为目标属性，以针对企业法人进行去重处理，比如命名模式为A的多个企业工商主体注册对象中，对应的企业法人集合为setA，通过对setA进行去重处理，得到命名模式A对应的去重属性元素集合，并进一步获取去重属性元素集合中的去重元素个数#A。其中，去重属性元素集合可以表示指集合中不重复的元素的集合，比如例如[A，A，B]进行去重之后为[A，B]，则去重处理后的去重元素个数#A为2。
同样地，比如命名模式为B的多个企业工商主体注册对象中，对应的企业法人集合为setB，通过对setB进行去重处理，得到命名模式B对应的去重属性元素集合，并进一步获取去重属性元素集合中的去重元素个数#B。
步骤S608，基于与各命名模式对应的去重属性元素集合，进行重复指标分布统计，生成对应的分布统计结果。
具体地，基于与各命名模式对应的去重属性元素集合，以及去重属性元素集合中的去重元素个数，进行重复指标分布统计。其中，以注册对象为企业工商主体注册对象为例，企业法人集合setA，以及企业法人集合setB，进一步计算setA和setB的交集，即得到企业法人集合setA和企业法人集合setB之间企业法人名称相同的部分，并进一步对企业法人名称相同的部分进行去重处理，得到setA和setB的交集中的去重元素集合，以及对应的去重元素个数#A∩B。
进一步地，利用以下公式(1)，计算得到企业法人的重名指标T：
其中，#A为企业法人集合setA的去重元素个数，#B为企业法人集合setB的去重元素个数，#A∩B为setA和setB的交集中的去重元素个数，而根据企业法人的重名指标T，以及对应的预设指标阈值，可得到对应的分布统计结果。
在一个实施例中，针对企业工商主体注册对象而言，重复指标分布统计不仅仅局限于企业法人，还可以是企业注册时间的密集度分布统计，企业注册地址的密集度分布统计等。也就是说，目标属性不仅可以是企业法人，还可以是企业的注册地区或者注册时间。
可以理解的是，由于重复指标分布统计的目的，在于确定出两个命名模式之间的相似程度或者关联程度，则并不局限于其中的某个对象属性(即不仅是企业法人)，但不同的对象属性，构建图谱的具体过程类似，均需要确定两个命名模式之间是否关联，如关联则添加连边，并根据关联程度设置对应的连边的权重大小。
步骤S610，根据分布统计结果，确定各命名模式之间的关联关系。
具体地，根据企业法人的重名指标T，以及对应的预设指标阈值，得到对应的分布统计结果后，根据分布统计结果，确定各命名模式之间是否存在连边，以及不同连边的具体权重取值，可得到各命名模式之间的关联关系。
进一步地，通过获取预设指标阈值，设置有预设指标阈值t0<t1<t2，并判断企业法人重名指标T和预设指标阈值之间的大小关系，得到到对应的分布统计结果。
其中，当企业法人的重名指标T＞t0时，则在命名模式A和命名模式B之间添加一条连边，所添加的连边的具体权重，根据企业法人的重名指标T的取值和预设阈值t1、t2之间的大小关系确定。
举例来说，比如当t0≤T<t1时，则两个命名模式之间所添加的连边的权重为1，如果t1≤T<t2，两个命名模式之间所添加的连边的权重为10，而如果t2≤T，则两个命名模式之间所添加的连边的权重为100。
其中，权重的具体取值包括的1、10以及100等，只起到示例作用，即权重的具体取值不局限于某个或者某些具体值，但t0≤T<t1情况下的权重取值，小于t1≤T<t2情况下的权重取值，而t1≤T<t2情况下的权重取值，则小于t2≤T情况下的权重取值。
也就是说，可以根据企业法人的重名指标T的取值和预设阈值t1、t2之间的大小关系，可通过设置不同大小的权重，表示两个命名模式之间的关联紧密程度，比如权重越大，则两个命名模式之间的关联紧密程度越高，比如权重越小，则表示两个命名模式之间的关联紧密程度越低。
在一个实施例中，还可以是根据企业的注册时间的密集度、注册地区的密集度对应的重复指标，得到对应的分布统计结果后，根据分布统计结果，确定各命名模式之间是否存在连边，以及不同连边的具体权重取值，可得到各命名模式之间的关联关系。
步骤S612，基于各命名模式之间的关联关系、以及各对象属性，构建得到图谱。
具体地，基于各命名模式之间的关联关系，以及各对象属性，比如根据命名模式A和命名模式B之间的关联关系，命名模式B和命名模式C之间的关联关系，以及各个命名模式下的注册对象的对象属性，构建得到对应的图谱。
进一步地，如图7所示，提供了一种根据对象属性信息构建得到的图谱示意图，参照图7可知，命名模式包括：A地区XX百货店、A地区XX文具店以及B地区XX百货店，对象属性包括A地区、B地区、百货店、文具店，其中，根据A地区XX百货店和A地区XX文具店之间的关联关系，确定A地区XX百货店和A地区XX文具店之间的连边的权重，比如权重取值为100，而根据A地区XX百货店和B地区XX百货店之间的关联关系，确定A地区XX百货店和B地区XX百货店之间的连边的权重，比如权重取值为10。
其中，若确定A地区XX百货店包含A地区和百货店两个对象属性，则A地区XX百货店和A地区、百货店之间均设置一条连边，且两条连边的权重取值一致，比如均为1。若确定A地区XX文具店包含A地区和文具店两个对象属性，则A地区XX文具店和A地区、文具店之间均设置一条连边，且两条连边的权重取值一致，比如均为1。同样地，若确定B地区XX百货店包含B地区和百货店两个对象属性，则B地区XX百货店和B地区、百货店之间均设置一条连边，且两条连边的权重取值一致，比如均为1。可以理解的是，连边的权重的具体取值不局限于某个或者某些具体值，可根据实际需求或实际应用场景进行灵活调整。
进而可根据各命名模式(包括A地区XX百货店、A地区XX文具店以及B地区XX百货店)，A地区XX百货店和A地区XX文具店之间的关联关系，A地区XX百货店和B地区XX百货店之间的关联关系，以及各对象属性(包括A地区、B地区、百货店、文具店)，构建得到如图7所示的图谱。
其中，参照图7可知，图谱中的节点，具体可以包括命名模式对应的命名模式节点(比如A地区XX百货店、A地区XX文具店以及B地区XX百货店)，以及对象属性对应的对象属性节点(比如A地区、B地区、百货店、文具店)。而命名模式节点和对象属性节点之间的边表示命名模式节点的命名模式包含该对象属性节点的对象属性，两个命名模式节点之间的边表示两个命名模式之间的关联关系。
本实施例中，基于在预设时间段内注册的各注册对象的名称信息，获得各注册对象的命名模式，并从对应命名模式下的各注册对象的各对象属性中，确定出目标属性，以对各命名模式下的各注册对象的目标属性，进行去重处理，得到与各命名模式对应的去重属性元素集合。进而基于与各命名模式对应的去重属性元素集合，进行重复指标分布统计，以生成对应的分布统计结果，进而可根据分布统计结果，确定各命名模式之间的关联关系，以基于各命名模式之间的关联关系、以及各对象属性，构建得到图谱。实现了对各命名模式和各对象属性的全面考虑，避免信息遗漏，以基于各命名模式和对象属性，准确确定出各命名模式之间的关联关系，并构建得到完整的图谱，以便后续对各命名模式进行准确聚类，提升所确定出的命名模式类别的准确性。
在一个实施例中，如图8所示，对图谱进行图嵌入学习处理，获得各命名模式节点的命名模式节点向量的步骤，具体包括：
步骤S802，在图谱中的各节点之间进行随机游走，获得各节点游走序列。
其中，随机游走表示对在图谱中的各个节点，按照节点，以及节点之间的连边进行依次随机选择，得到图谱中所有可能的各节点游走序列。
举例来说，进行随机游走时，预先针对每个节点设置采样次数，比如每个节点采样5次，步长为3，则在各个节点之间进行随机游走时，针对每个节点，可以得到对应节点对应的步长为3的5个可能的节点游走序列。可以理解的是，节点采样次数和步长不进行具体限定，局限于某个或者某些具体取值，可根据实际需求进行灵活调整。
在一个实施例中，如图9所示，提供了一种基于图谱中各节点之间进行随机游走的示意图，参照图9可知，利用预先设置的p和q两个参数，对随机游走时的节点采样情况进行调节，以在BFS(广度优先采样)和DFS(深度优先采样)中达到一个平衡，同时考虑到局部和宏观的信息，即通过同时考虑深度和广度采样，得到更全面的节点游走序列，避免遗漏可能的节点游走序列。
参照图9可知，随机游走过程中，比如刚从节点t过来，当前位置在节点v上，需要决定下一步(v，x)如何游走，即具体是需要游走至图9中的t、x1、x2还是x3。其中，dtx表示节点t到节点x之间的最短路径，dtx＝0表示会回到节点t本身，dtx＝1表示节点t和节点x直接相连，但是在上一步却选择了节点v，dtx＝2表示节点t不与x直接相连，但节点v与x直接相连，p和q两个参数，则是根据BFS(广度优先采样)和DFS(深度优先采样)预先设置的。
具体地，根据以下公式(2)计算得到从t到不同的x的概率αpq(t,x)：
其中，αpq(t,x)定义的是从t到不同的x的概率，上一步是节点t，当前步是节点v，要判断下一步的跳转概率(即具体是跳转到哪个节点)，需要参考上一步节点t。
进一步地，下一步有四个选项，分别是t(允许回跳)，x1，x2，x3，而这四个选项可分为三种情况：(1)dtx＝0，即回跳到t；(2)dtx＝1，即v下一步跳的点，跟上一步t也相连，即图中的x1点；(3)dtx＝2，即v下一步跳的点，跟上一步t不相连，即图中的x2或x3点。也就是说，根据dtx的不同取值，确定下一步跳转的点，进而达到随机游走的目的，获得各节点游走序列。
步骤S804，确定出各节点游走序列中每个节点的邻域节点。
具体地，可以基于各节点游走序列，将节点游走序列中的每个节点确定为目标节点，并预测得到每个目标节点的邻域节点。其中，可以是利用word2vector模型(词向量模型)中的Skip-gram算法(上下文节点预测算法)，预测得到每个目标节点的邻域节点，还可以是通过邻域采样策略，预测得到每个目标节点的邻域节点。
在一个实施例中，如图10所示，提供了一种确定出节点游走序列中每个节点的邻域节点的示意图，具体来说，可以利用Skip-gram算法(即上下文节点预测算法)，预测得到节点游走序列中某个节点w(t)的邻域节点，其中，参照图10可知，比如图10中预测节点的窗口大小是2时，则某个节点w(t)的邻域节点，则可以包括w(t-2)、w(t-1)、w(t+1)以及w(t+2)。
步骤S806，对图谱中的各节点进行特征映射处理，得到与各节点的初始特征向量。
具体地，对图谱中的各节点进行特征映射处理时，预先定义网络G(V,E)，将函数f:V→Rd确定为用于进行特征映射处理的预设映射函数，而函数f:V→Rd表示节点到特征向量表示的映射函数。其中，d是embedding的维度，f是利用embedding矩阵进行表示的特征向量，也就是说，利用函数f:V→Rd，可对图谱中的各节点进行特征映射处理，得到与各节点的初始特征向量。
步骤S808，以最大化各节点与邻域节点之间的对数概率为目标，对各节点的初始特征向量进行优化调整，得到优化后的各节点的节点向量。
具体地，以最大化各节点与邻域节点之间的对数概率为目标，对各节点的初始特征向量进行优化调整，通过采用以下公式(3)，作为优化目标S：
S＝maxf∑u∈VlogPr(Ns(u)|f(u)) (3)
其中，对于每个节点u∈v，定义作为节点u通过邻域采样策略生成的邻域节点，即预测得到节点游走序列中某个节点u的邻域节点，则针对Ns(u)是u的邻域节点的集合，Pr表示概率值，logPr(Ns(u)|f(u))表示节点u和邻域节点Ns(u)之间的对数概率。
在优化调整过程中，f(u)会初始化一个值，比如初始化为0或者初始化为随机值，在优化时，会进行迭代处理，不断调整f(u)，使得S的取值最大，则将S取值最大情况下的f(u)作为最终确定出的节点向量。可以理解的是，即当S取值最大后，不管怎么调整f(u)，S值均不会再变大，则各节点与邻域节点之间的对数概率最大时，对应的f(u)为所需要的节点向量。
在一个实施例中，由于节点与节点之间是对称的，且所有的节点都在同一个向量空间下，则可以进一步将节点与其邻域节点的对数概率定义成softmax形式，通过以下公式(4)进行表示：
其中，ni是节点u的其中一个邻域节点，即f(u)是节点u对应的节点向量，f(ni)是节点ni的节点向量，exp表示以e为底的指数函数，则exp(f(ni)·f(u))表示求节点u的节点向量和其中一个邻域节点ni的节点向量的乘积后，再对两个节点向量的乘积求exp，f(v)指的是所有邻域节点v的节点向量，则∑exp(f(v)·f(u))表示求节点u的节点向量以及所有邻域节点v的节点向量的乘积后，对节点u和所有邻域节点v之间的向量乘积求exp，再对求得的所有exp进行累加。
进一步地，通过将公式(4)中将Pr(ni|f(u))的表达式即代入公式(3)中，将公式(3)中的Pr(Ns(u)|f(u))进行替代，以得到以下公式(5)：
其中，通过采用比如负采样等方式，对公式(5)所示的优化目标进行求解，可确定出S值最大时的f(u)，将S值最大时的f(u)确定为优化调整后的各节点的节点向量。
步骤S810，从各节点的节点向量中，提取与各命名模式节点对应的命名模式节点向量。
具体地，由于后续是针对命名模式节点对应的命名模式节点向量，进行聚类处理，则需要从各节点的节点向量中，提取出与各命名模式节点对应的命名模式节点向量，而其他节点向量，比如对象属性节点的对象属性节点向量，则无需进一步进行聚类处理。
本实施例中，通在图谱中的各节点之间进行随机游走，获得各节点游走序列，并确定出各节点游走序列中每个节点的邻域节点。通过对图谱中的各节点进行特征映射处理，得到与各节点的初始特征向量，并以最大化各节点与邻域节点之间的对数概率为目标，对各节点的初始特征向量进行优化调整，得到优化后的各节点的节点向量，从而进一步从各节点的节点向量中，提取与各命名模式节点对应的命名模式节点向量。实现了根据优化目标，对各节点的特征向量进行优化调整，以得到经优化调整后的各节点的节点向量，并确定出所需的命名模式节点向量，以便于后续基于命名模式节点向量进行聚类处理，获得准确的命名模式类别，避免出现由于节点特征向量不符合优化目标，而需要重复聚类处理的情况，提升对命名模式节点向量的聚类处理效率，以及所获得的命名模式类别准确度。
在一个实施例中，对各命名模式节点向量进行聚类处理，获得各命名模式类别的步骤，具体包括：
根据预设距离阈值确定出各命名模式节点向量的局部密度；针对每个命名模式节点向量，确定出局部密度高于自身的局部密度的各高局部密度点；计算各高局部密度点，和对应命名模式节点向量之间的节点距离，并筛选出最小节点距离；根据局部密度和最小节点距离，从各命名模式节点向量中确定出聚类中心节点；基于各聚类中心节点，对除聚类中心外的其余命名模式节点进行分类处理，确定各命名模式节点所属的聚类中心，获得各命名模式类别。
具体地，根据预设距离阈值确定出各命名模式节点向量的局部密度后，可得到如图11所示的各命名模式节点的原始分布示意，其中，预设距离阈值可根据实际需求或实际应用场景进行调整和修改，不进行具体限定，而局部密度则表示距离某节点i的距离小于预设距离阈值的所有点的数量，通常推荐设置预设距离阈值为局部样本占样本总数的1％-5％之间。参照图11可知，比如存在28个命名模式节点向量，则计算得出各个命名模式节点向量的局部密度后，得到如图11所示的命名模式节点的原始分布示意。
其中，针对每个命名模式节点向量，需要确定出局部密度高于自身的局部密度的各高局部密度点，并进一步计算各高局部密度点，和对应命名模式节点向量之间的节点距离，以筛选出最小节点距离。其中，高局部密度点，指的是针对每个命名模式节点向量而言，局部密度高于该命名模式节点向量的所有节点向量。
进一步地，筛选出最小节点距离后，可根据局部密度和最小节点距离，从各命名模式节点向量中确定出聚类中心节点，如图12所示的聚类中心的分布示意中，横坐标为各命名模式节点向量的局部密度大小，纵坐标为高局部密度点和各命名模式节点向量之间的距离，则可根据局部密度以及最小节点距离，确定出节点“1”、“10”以及“28”为聚类中心节点。
其中，对于所有节点中的具有最大局部密度的节点，该节点的节点距离设置为其他所有节点距离中最大的一个，同时局部密度最大的节点可直接确定为聚类中心节点。
在一个实施例中，在确定出聚类中心节点后，基于各聚类中心节点，对除聚类中心外的其余命名模式节点进行分类处理，具体是，将其他命名模式节点按照局部密度从高到低进行排列，并根据局部密度大小确定出可能的聚类中心节点，如果存在多个可能的聚类中心节点，则进一步获取该命名模式节点和各聚类中心节点之间的距离，确定出最小距离的聚类中心节点，确定为对应命名模式节点所属的聚类中心，进而可逐步获得各命名模式节点所属的命名模式类别。
举例来说，以图11中的节点“5”为例，将节点“5”的局部密度，和聚类中心节点“1”、“10”以及“28”各自的局部密度，进行比对。如果只有聚类中心节点“1”的局部密度大于节点“5”的局部密度，则可以将节点“5”划分为聚类中心节点“1”所在类别。而如果确定出聚类中心节点“1”、“10”的局部密度，均大于节点“5”的局部密度时，则需要进一步判断聚类中心节点“1”和“10”，哪个聚类中心节点和节点“5”之间的距离更小，比如确定聚类中心节点“1”距离节点“5”更近，则将节点“5”划分为聚类中心节点“1”所在类别。
本实施例中，根据预设距离阈值确定出各命名模式节点向量的局部密度，并针对每个命名模式节点向量，确定出局部密度高于自身的局部密度的各高局部密度点。进一步计算各高局部密度点，和对应命名模式节点向量之间的节点距离，筛选出最小节点距离，以根据局部密度和最小节点距离，从各命名模式节点向量中确定出聚类中心节点。最终可基于各聚类中心节点，对除聚类中心外的其余命名模式节点进行分类处理，确定各命名模式节点所属的聚类中心，获得各命名模式类别。实现了根据不同维度，包括局部密度和最小节点距离，从各命名模式节点向量中准确确定出聚类中心节点，以提升后续对各命名模式节点向量进行分类的准确度和分类效率。
在一个实施例中，如图13可知，提供了一种注册对象风险识别方法，具体包括以下步骤：
步骤S1301，基于在预设时间段内注册的各注册对象的名称信息，获得各注册对象的命名模式。
步骤S1302，从对应命名模式下的各注册对象的各对象属性中，确定出目标属性，并对目标属性进行去重处理，得到与各命名模式对应的去重属性元素集合。
步骤S1303，基于与各命名模式对应的去重属性元素集合，进行重复指标分布统计，生成对应的分布统计结果。
步骤S1304，根据分布统计结果，确定各命名模式之间的关联关系。
步骤S1305，基于各命名模式之间的关联关系、以及各对象属性，构建得到图谱。
步骤S1306，在图谱中的各节点之间进行随机游走，获得各节点游走序列，并确定出各节点游走序列中每个节点的邻域节点。
步骤S1307，对图谱中的各节点进行特征映射处理，得到与各节点的初始特征向量。
步骤S1308，以最大化各节点与邻域节点之间的对数概率为目标，对各节点的初始特征向量进行优化调整，得到优化后的各节点的节点向量。
步骤S1309，从各节点的节点向量中，提取与各命名模式节点对应的命名模式节点向量。
步骤S1310，对各命名模式节点向量进行聚类处理，获得各命名模式类别。
步骤S1311，根据异常判定指标，对各命名模式类别进行风险识别，获得各命名模式类别的风险识别结果。
步骤S1312，将风险识别结果为异常的命名模式类别进行聚合，获得异常命名模式类别集合。
步骤S1313，获取目标注册对象的名称信息，并对名称信息进行序列标注，生成对应的序列标注结果。
步骤S1314，基于序列标注结果进行命名模式提取，获得目标注册对象对应的命名模式。
步骤S1315，若与目标注册对象对应的命名模式，和异常命名模式类别集合中的任一异常命名模式类别匹配成功，确定目标注册对象存在风险。
上述注册对象风险识别方法中，通过获取目标注册对象的名称信息，并基于名称信息，确定与目标注册对象对应的命名模式。若与目标注册对象对应的命名模式，和异常命名模式类别集合中的任一异常命名模式类别匹配成功，确定目标注册对象存在风险。而由于异常命名模式类别集合为对各命名模式类别的风险识别结果为异常的命名模式类别的集合，各命名模式类别为利用在预设时间段内注册的各注册对象的对象属性信息构建得到的图谱，对各注册对象的命名模式进行聚类获得，因此通过全面考虑异常命名模式集合中的各异常命名模式，可避免风险识别过程中的数据遗漏，以提升针对不同目标注册对象的风险识别准确率，保障互联网安全。
应该理解的是，虽然如上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注册对象风险识别方法的注册对象风险识别装置。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注册对象风险识别装置实施例中的具体限定可以参见上文中对于注册对象风险识别方法的限定，在此不再赘述。
在一个实施例中，如图14所示，提供了一种注册对象风险识别装置，包括：对象属性信息获取模块1402、命名模式确定模块1404以及风险识别模块1406，其中：
对象属性信息获取模块1402，用于获取目标注册对象的名称信息。
命名模式确定模块1404，用于基于名称信息，确定与目标注册对象对应的命名模式。
风险识别模块1406，用于若与目标注册对象对应的命名模式，和异常命名模式类别集合中的任一异常命名模式类别匹配成功，确定目标注册对象存在风险。异常命名模式类别集合，为对各命名模式类别的风险识别结果为异常的命名模式类别的集合，各命名模式类别为利用在预设时间段内注册的各注册对象的对象属性信息构建得到的图谱，对各注册对象的命名模式进行聚类获得。
上述注册对象风险识别装置中，通过获取目标注册对象的名称信息，并基于名称信息，确定与目标注册对象对应的命名模式。若与目标注册对象对应的命名模式，和异常命名模式类别集合中的任一异常命名模式类别匹配成功，确定目标注册对象存在风险。由于异常命名模式类别集合为对各命名模式类别的风险识别结果为异常的命名模式类别的集合，各命名模式类别为利用在预设时间段内注册的各注册对象的对象属性信息构建得到的图谱，对各注册对象的命名模式进行聚类获得，因此通过全面考虑异常命名模式集合中的各异常命名模式，可避免风险识别过程中的数据遗漏，以提升针对不同目标注册对象的风险识别准确率，保障互联网安全。
在一个实施例中，提供了一种注册对象风险识别装置，还包括：
图谱构建模块，用于根据在预设时间段内注册的各注册对象的对象属性信息，构建图谱；图谱中的节点包括：与命名模式对应的命名模式节点，以及与对象属性对应的对象属性节点，命名模式节点和对象属性节点之间的边表示命名模式节点的命名模式包含该对象属性节点的对象属性，两个命名模式节点之间的边表示两个命名模式之间的关联关系。
命名模式节点向量获得模块，用于对图谱进行图嵌入学习处理，获得各命名模式节点的命名模式节点向量。
聚类处理模块，用于对各命名模式节点向量进行聚类处理，获得各命名模式类别，各命名模式类别包含至少一个命名模式；
异常命名模式类别集合获得模块，用于对各命名模式类别进行风险识别，获得各命名模式类别的风险识别结果，并基于风险识别结果为异常的命名模式类别获得异常命名模式类别集合。
在一个实施例中，图谱构建模块，还用于：
基于在预设时间段内注册的各注册对象的名称信息，获得各注册对象的命名模式；从对应命名模式下的各注册对象的各对象属性中，确定出目标属性；对各命名模式下的各注册对象的目标属性，进行去重处理，得到与各命名模式对应的去重属性元素集合；基于与各命名模式对应的去重属性元素集合，进行重复指标分布统计，生成对应的分布统计结果；根据分布统计结果，确定各命名模式之间的关联关系；基于各命名模式之间的关联关系、以及各对象属性，构建得到图谱。
在一个实施例中，命名模式节点向量获得模块，还用于：
在图谱中的各节点之间进行随机游走，获得各节点游走序列；确定出各节点游走序列中每个节点的邻域节点；对图谱中的各节点进行特征映射处理，得到与各节点的初始特征向量；以最大化各节点与邻域节点之间的对数概率为目标，对各节点的初始特征向量进行优化调整，得到优化后的各节点的节点向量；从各节点的节点向量中，提取与各命名模式节点对应的命名模式节点向量。
在一个实施例中，异常命名模式类别集合获得模块，还用于：
根据异常判定指标，对各命名模式类别进行风险识别，获得各命名模式类别的风险识别结果；异常判定指标包括异常注册对象比例、注册对象名称合理度、注册时间密集度以及对象属性重合度；将风险识别结果为异常的命名模式类别进行聚合，获得异常命名模式类别集合。
在一个实施例中，提供了一种注册对象风险识别装置，还包括目标注册对象确定模块，用于将与满足风险识别触发条件的信息关联的注册对象，确定为目标注册对象。
在一个实施例中，命名模式确定模块，还用于：
对名称信息进行序列标注，生成对应的序列标注结果；基于序列标注结果进行命名模式提取，获得目标注册对象对应的命名模式。
上述注册对象风险识别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15所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。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对象属性信息、注册对象、目标注册对象、命名模式、异常命名模式类别集合、异常命名模式、以及风险识别结果等数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信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注册对象风险识别方法。
本领域技术人员可以理解，图15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。
在一个实施例中，还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上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，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上述各方法实施例中的步骤。
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，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 (11)
1.一种注册对象风险识别方法，其特征在于，所述方法包括：
获取目标注册对象的名称信息；
基于所述名称信息，确定与所述目标注册对象对应的命名模式；
若与所述目标注册对象对应的命名模式，和异常命名模式类别集合中的任一异常命名模式类别匹配成功，确定所述目标注册对象存在风险；
所述异常命名模式类别集合，为对各命名模式类别的风险识别结果为异常的命名模式类别的集合，各所述命名模式类别，为利用在预设时间段内注册的各注册对象的对象属性信息构建得到的图谱，对各所述注册对象的命名模式进行聚类获得。
2.根据权利要求1所述的方法，其特征在于，所述异常命名模式类别集合的生成方式，包括：
根据在预设时间段内注册的各注册对象的对象属性信息，构建图谱；所述图谱中的节点包括：与命名模式对应的命名模式节点，以及与对象属性对应的对象属性节点，所述命名模式节点和对象属性节点之间的边表示命名模式节点的命名模式包含该对象属性节点的对象属性，两个命名模式节点之间的边表示两个命名模式之间的关联关系；
对所述图谱进行图嵌入学习处理，获得各命名模式节点的命名模式节点向量；
对各所述命名模式节点向量进行聚类处理，获得各命名模式类别，各命名模式类别包含至少一个所述命名模式；
对各所述命名模式类别进行风险识别，获得各命名模式类别的风险识别结果，并基于风险识别结果为异常的命名模式类别获得异常命名模式类别集合。
3.根据权利要求2所述的方法，其特征在于，所述对象属性信息包括各注册对象的名称信息和各对象属性；所述根据在预设时间段内注册的各注册对象的对象属性信息，构建图谱，包括：
基于在预设时间段内注册的各所述注册对象的名称信息，获得各所述注册对象的命名模式；
从对应所述命名模式下的各所述注册对象的各对象属性中，确定出目标属性；
对对应所述命名模式下的各注册对象的目标属性，进行去重处理，得到与各所述命名模式对应的去重属性元素集合；
基于与各所述命名模式对应的去重属性元素集合，进行重复指标分布统计，生成对应的分布统计结果；
根据所述分布统计结果，确定各所述命名模式之间的关联关系；
基于各所述命名模式之间的关联关系、以及各所述对象属性，构建得到图谱。
4.根据权利要求2或3所述的方法，其特征在于，所述对所述图谱进行图嵌入学习处理，获得各命名模式节点的命名模式节点向量，包括：
在所述图谱中的各节点之间进行随机游走，获得各节点游走序列；
确定出各所述节点游走序列中每个节点的邻域节点；
对所述图谱中的各节点进行特征映射处理，得到与各所述节点的初始特征向量；
以最大化各节点与邻域节点之间的对数概率为目标，对各所述节点的初始特征向量进行优化调整，得到优化后的各节点的节点向量；
从各所述节点的节点向量中，提取与各命名模式节点对应的命名模式节点向量。
5.根据权利要求2或3所述的方法，其特征在于，所述对各所述命名模式类别进行风险识别，获得各命名模式类别的风险识别结果，并基于风险识别结果为异常的命名模式类别获得异常命名模式类别集合，包括：
根据异常判定指标，对各所述命名模式类别进行风险识别，获得各命名模式类别的风险识别结果；所述异常判定指标包括异常注册对象比例、注册对象名称合理度、注册时间密集度以及对象属性重合度；
将风险识别结果为异常的命名模式类别进行聚合，获得异常命名模式类别集合。
6.根据权利要求1至3任意一项所述的方法，其特征在于，在所述获取目标注册对象的名称信息之前，还包括：
将与满足风险识别触发条件的信息关联的注册对象，确定为目标注册对象。
7.根据权利要求1至3任意一项所述的方法，其特征在于，所述基于所述名称信息，确定与所述目标注册对象对应的命名模式，包括：
对所述名称信息进行序列标注，生成对应的序列标注结果；
基于所述序列标注结果进行命名模式提取，获得所述目标注册对象对应的命名模式。
8.一种注册对象风险识别装置，其特征在于，所述装置包括：
对象属性信息获取模块，用于获取目标注册对象的名称信息；
命名模式确定模块，用于基于所述名称信息，确定与所述目标注册对象对应的命名模式；
风险识别模块，用于若与所述目标注册对象对应的命名模式，和异常命名模式类别集合中的任一异常命名模式类别匹配成功，确定所述目标注册对象存在风险；所述异常命名模式类别集合，为对各命名模式类别的风险识别结果为异常的命名模式类别的集合，各所述命名模式类别，为利用在预设时间段内注册的各注册对象的对象属性信息构建得到的图谱，对各所述注册对象的命名模式进行聚类获得。
9.一种计算机设备，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7中任一项所述的方法的步骤。
10.一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7中任一项所述的方法的步骤。
11.一种计算机程序产品，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7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210599672.3A CN117217929A (zh) | 2022-05-30 | 2022-05-30 | 注册对象风险识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210599672.3A CN117217929A (zh) | 2022-05-30 | 2022-05-30 | 注册对象风险识别方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117217929A true CN117217929A (zh) | 2023-12-12 |
Family
ID=89044886
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210599672.3A Pending CN117217929A (zh) | 2022-05-30 | 2022-05-30 | 注册对象风险识别方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117217929A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117315381A (zh) * | 2023-11-30 | 2023-12-29 | 昆明理工大学 | 一种基于二阶有偏随机游走的高光谱图像分类方法 |
-
2022
- 2022-05-30 CN CN202210599672.3A patent/CN117217929A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117315381A (zh) * | 2023-11-30 | 2023-12-29 | 昆明理工大学 | 一种基于二阶有偏随机游走的高光谱图像分类方法 |
| CN117315381B (zh) * | 2023-11-30 | 2024-02-09 | 昆明理工大学 | 一种基于二阶有偏随机游走的高光谱图像分类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Quoc Bao et al. | Plant species identification from leaf patterns using histogram of oriented gradients feature space and convolution neural networks | |
| CN108681746A (zh) | 一种图像识别方法、装置、电子设备和计算机可读介质 | |
| CN111931505A (zh) | 一种基于子图嵌入的跨语言实体对齐方法 | |
| CN114511576B (zh) | 尺度自适应特征增强深度神经网络的图像分割方法与系统 | |
| Li et al. | Fuzzy based affinity learning for spectral clustering | |
| Higa et al. | Domain knowledge integration into deep learning for typhoon intensity classification | |
| Xia et al. | Weakly supervised multimodal kernel for categorizing aerial photographs | |
| CN110909540A (zh) | 短信垃圾新词识别方法、装置及电子设备 | |
| Wang et al. | Multiscale convolutional neural networks with attention for plant species recognition | |
| Wu et al. | A multi-level descriptor using ultra-deep feature for image retrieval | |
| CN117217929A (zh) | 注册对象风险识别方法、装置、计算机设备和存储介质 | |
| CN116798414A (zh) | 通话语音分类方法、装置、计算机设备和存储介质 | |
| Chen et al. | High‐Resolution Remote Sensing Image Classification with RmRMR‐Enhanced Bag of Visual Words | |
| CN116091157A (zh) | 资源推送方法及装置、存储介质、计算机设备 | |
| CN115983982A (zh) | 信贷风险识别方法、装置、设备及计算机可读存储介质 | |
| CN111552827B (zh) | 标注方法和装置、行为意愿预测模型训练方法和装置 | |
| Pan et al. | Leukocyte image segmentation using novel saliency detection based on positive feedback of visual perception | |
| CN116861226A (zh) | 一种数据处理的方法以及相关装置 | |
| Yin et al. | Animal image retrieval algorithms based on deep neural network | |
| CN113901817A (zh) | 文档分类方法、装置、计算机设备和存储介质 | |
| CN117056550B (zh) | 长尾图像检索方法、系统、设备及存储介质 | |
| CN117058432B (zh) | 图像查重方法、装置、电子设备及可读存储介质 | |
| Yang et al. | SK‐FMYOLOV3: A Novel Detection Method for Urine Test Strips | |
| Li et al. | Image Security Attribute Inference Method Based on Class Attribute Portrait | |
| CN116561247A (zh) | 风险预警方法、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 |