CN117495571B - 一种数据处理方法、装置、电子设备及存储介质 - Google Patents
一种数据处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117495571B CN117495571B CN202311836630.8A CN202311836630A CN117495571B CN 117495571 B CN117495571 B CN 117495571B CN 202311836630 A CN202311836630 A CN 202311836630A CN 117495571 B CN117495571 B CN 117495571B
- Authority
- CN
- China
- Prior art keywords
- node
- transaction
- network
- matrix
- transaction network
- 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
- 238000003672 processing method Methods 0.000 title abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 229
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 33
- 239000000203 mixture Substances 0.000 claims abstract description 29
- 238000011176 pooling Methods 0.000 claims description 76
- 239000013598 vector Substances 0.000 claims description 33
- 230000006399 behavior Effects 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000012417 linear regression Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 abstract description 12
- 230000000694 effects Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 239000003999 initiator Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000002759 z-score normalization Methods 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Technology Law (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种数据处理方法、装置、电子设备及存储介质,涉及数据处理领域,方法包括:根据指定时间范围的交易记录构建交易网络;确定交易网络中每个节点的节点属性,并生成交易网络的节点属性矩阵;根据交易网络的节点属性矩阵和节点之间的连接关系,确定交易网络的嵌入特征矩阵;通过高斯混合模型对交易网络的嵌入特征矩阵进行更新;根据交易网络的节点属性矩阵和更新后的嵌入特征矩阵,确定交易网络中每个节点属于不同节点类型的概率值;根据概率值确定节点的节点类型。应用本方法,通过高斯混合模型,对交易网络的嵌入特征矩阵进行更新,有效利用了数据分布这一重要特征,使嵌入效果更好,确定的节点类型更准确。
Description
技术领域
本公开涉及数据处理领域,尤其涉及一种数据处理方法、装置、电子设备及存储介质。
背景技术
随着互联网技术的不断发展,金融领域的交易行为越来越多的依赖于互联网进行,电子银行已经成为了银行业务渠道和市场营销的主要竞争手段之一,网络电子银行为我们带来便利的同时,也为异常交易行为提供了新的渠道。目前异常交易手段逐渐向专业化方向发展,因此增大了异常交易行为的分析难度。
目前常通过图卷积神经网络模型对交易数据进行分析以确定交易账号为正常交易账号还是异常交易账号,以及异常的类型,而现有的图卷积神经网络模型在对数据进行分析时,没有考虑数据的分布情况,因此通过图卷积神经网络模型对数据进行分析时嵌入效果不佳,数据分析的准确率不高。
发明内容
本公开提供了一种数据处理方法、装置、电子设备及存储介质,以至少解决现有技术中存在的以上技术问题。
根据本公开的第一方面,提供了一种数据处理方法,所述方法包括:获取指定时间范围的交易记录,所述交易记录包括交易双方的交易账号;根据所述交易记录构建交易网络,所述交易网络的节点为交易账号,所述交易网络中用于连接两个节点的边表示两个交易账号之间存在交易行为;确定所述交易网络中每个节点的节点属性,并生成所述交易网络的节点属性矩阵;根据所述交易网络的节点属性矩阵和节点之间的连接关系,确定所述交易网络的嵌入特征矩阵;通过高斯混合模型对所述交易网络的嵌入特征矩阵进行更新;根据所述交易网络的节点属性矩阵和更新后的嵌入特征矩阵,确定所述交易网络中每个节点属于不同节点类型的概率值;根据所述概率值确定所述节点的节点类型。
在一可实施方式中,所述确定所述交易网络中每个节点的节点属性,包括:获取所述交易网络中每个节点的初始属性;对所述初始属性进行线性回归分析,确定每个初始属性对节点类型的影响值;根据所述影响值的大小选取预设数量的初始属性作为所述节点属性。
在一可实施方式中,所述根据所述交易网络的节点属性矩阵和节点之间的连接关系,确定所述交易网络的嵌入特征矩阵,包括:根据所述交易网络中节点间的连接关系将所述交易网络划分为多个子网络;确定所述子网络中每个节点的节点属性,生成所述子网络的节点属性矩阵;根据所述子网络中节点的连接关系构建所述子网络的邻接矩阵;根据所述子网络的邻接矩阵和所述子网络的节点属性矩阵,确定所述子网络的嵌入特征矩阵;对多个所述子网络的嵌入特征矩阵进行拼接,得到所述交易网络的嵌入特征矩阵。
在一可实施方式中,在确定所述交易网络的嵌入特征矩阵后,所述方法还包括:对所述交易网络的嵌入特征矩阵中的每个属性进行归一化处理,得到归一化的嵌入特征矩阵。
在一可实施方式中,所述通过高斯混合模型对所述交易网络的嵌入特征矩阵进行更新,包括:通过如下高斯混合模型公式对所述交易网络的嵌入特征矩阵中每一节点对应的嵌入特征向量进行更新:;其中,所述/>表示节点/>更新后的嵌入特征向量,/>为节点类型的个数,/>为可学习参数,/>表示节点/>的嵌入特征向量,为第k类节点的嵌入特征向量的平均值,/>为第k类节点的嵌入特征向量的标准差。
在一可实施方式中,所述根据所述交易网络的节点属性矩阵和更新后的嵌入特征矩阵,确定所述交易网络中每个节点属于不同节点类型的概率值,包括:对所述交易网络的节点属性矩阵进行池化处理,得到第一池化结果;对更新后的嵌入特征矩阵进行池化处理,得到第二池化结果;根据所述第一池化结果和所述第二池化结果,确定目标池化结果;对所述目标池化结果进行线性变换,确定交易网络中每个节点属于不同节点类型的概率值。
根据本公开的第二方面,提供了一种数据处理装置,所述装置包括:获取模块,用于获取指定时间范围的交易记录,所述交易记录包括交易双方的交易账号;构建模块,用于根据所述交易记录构建交易网络,所述交易网络的节点为交易账号,所述交易网络中用于连接两个节点的边表示两个交易账号之间存在交易行为;第一确定模块,用于确定所述交易网络中每个节点的节点属性,并生成所述交易网络的节点属性矩阵;第二确定模块,用于根据所述交易网络的节点属性矩阵和节点之间的连接关系,确定所述交易网络的嵌入特征矩阵;更新模块,用于通过高斯混合模型对所述交易网络的嵌入特征矩阵进行更新;第三确定模块,用于根据所述交易网络的节点属性矩阵和更新后的嵌入特征矩阵,确定所述交易网络中每个节点属于不同节点类型的概率值;所述第三确定模块,还用于根据所述概率值确定所述节点的节点类型。
在一可实施方式中,所述第一确定模块,包括:获取子模块,用于获取所述交易网络中每个节点的初始属性;分析子模块,用于对所述初始属性进行线性回归分析,确定每个初始属性对节点类型的影响值;选取子模块,用于根据所述影响值的大小选取预设数量的初始属性作为所述节点属性。
在一可实施方式中,所述第二确定模块,包括:划分子模块,用于根据所述交易网络中节点间的连接关系将所述交易网络划分为多个子网络;生成子模块,用于确定所述子网络中每个节点的节点属性,生成所述子网络的节点属性矩阵;构建子模块,用于根据所述子网络中节点的连接关系构建所述子网络的邻接矩阵;第一确定子模块,用于根据所述子网络的邻接矩阵和所述子网络的节点属性矩阵,确定所述子网络的嵌入特征矩阵;拼接子模块,用于对多个所述子网络的嵌入特征矩阵进行拼接,得到所述交易网络的嵌入特征矩阵。
在一可实施方式中,所述装置包括:处理模块,用于在确定所述交易网络的嵌入特征矩阵后,对所述交易网络的嵌入特征矩阵中的每个属性进行归一化处理,得到归一化的嵌入特征矩阵。
在一可实施方式中,所述更新模块,具体用于通过如下高斯混合模型公式对所述交易网络的嵌入特征矩阵中每一节点对应的嵌入特征向量进行更新:;其中,所述/>表示节点/>更新后的嵌入特征向量,/>为节点类型的个数,/>为可学习参数,/>表示节点/>的嵌入特征向量,/>为第k类节点的嵌入特征向量的平均值,/>为第k类节点的嵌入特征向量的标准差。
在一可实施方式中,所述第三确定模块,包括:第一处理子模块,对所述交易网络的节点属性矩阵进行池化处理,得到第一池化结果;所述第一处理子模块,还用于对更新后的嵌入特征矩阵进行池化处理,得到第二池化结果;第二确定子模块,用于根据所述第一池化结果和所述第二池化结果,确定目标池化结果;第二处理子模块,用于对所述目标池化结果进行线性变换,确定交易网络中每个节点属于不同节点类型的概率值。
根据本公开的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开所述的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本公开所述的方法。
本公开的一种数据处理方法、装置、电子设备及存储介质,首先获取指定时间范围的交易记录,交易记录包括交易双方的交易账号;根据交易记录构建交易网络,交易网络的节点为交易账号,交易网络中用于连接两个节点的边表示交易账号之间存在交易行为;之后确定交易网络中每个节点的节点属性,并生成交易网络的节点属性矩阵;根据交易网络的节点属性矩阵和节点之间的连接关系,确定交易网络的嵌入特征矩阵;再通过高斯混合模型对交易网络的嵌入特征矩阵进行更新;根据交易网络的节点属性矩阵和更新后的嵌入特征矩阵,确定交易网络中每个节点属于不同节点类型的概率值;根据概率值确定节点的节点类型。应用本方法,根据节点间的连接关系对节点属性进行传播得到嵌入特征矩阵后,通过高斯混合模型对交易网络的嵌入特征矩阵进行更新,有效利用了数据分布这一重要特征,使嵌入效果更好,最终确定的节点类型也更准确。应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过参考附图阅读下文的详细描述,本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本公开的若干实施方式,其中:
在附图中,相同或对应的标号表示相同或对应的部分。
图1示出了本公开实施例一种数据处理方法的实现流程示意图一;
图2示出了本公开实施例一种数据处理方法的实现流程示意图二;
图3示出了本公开实施例一种数据处理方法的实现流程示意图三;
图4示出了本公开实施例一种数据处理方法的实现流程示意图四;
图5示出了本公开实施例一种数据处理方法的实施场景示意图;
图6示出了本公开实施例一种数据处理装置的模块示意图;
图7示出了本公开实施例一种电子设备的组成结构示意图。
具体实施方式
为使本公开的目的、特征、优点能够更加的明显和易懂,下面将结合本公开实施例中的附图,对本公开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公开一部分实施例,而非全部实施例。基于本公开中的实施例,本领域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,都属于本公开保护的范围。
图1示出了本公开实施例一种数据处理方法的实现流程示意图一,包括:
步骤101,获取指定时间范围的交易记录,交易记录包括交易双方的交易账号。
首先,获取指定时间范围的交易记录,交易记录用于记录交易账号的交易行为,包括交易双方的交易账号、交易时间、交易金额等,其中交易双方的交易账号具体为交易发起方的账号和交易接收方的账号。例如一条交易记录为账号A于T时刻向账号B转账M元,那么账号A和账号B即为交易账号,账号A为交易发起方的交易账号,账号B为交易接收方的交易账号。由于交易账号具有唯一性,交易记录中可以优选银行卡号作为交易账号。此外,指定时间范围可以根据实际场景确定,例如可选取三个月、六个月、一年等时间范围作为指定时间范围。
步骤102,根据交易记录构建交易网络,交易网络的节点为交易账号,交易网络中用于连接两个节点的边表示两个交易账号之间存在交易行为。
根据所获得的指定时间范围的交易记录,以交易账号作为节点,两个交易账号之间的交易行为作为连接两个节点的边构建对应的交易网络。
可以理解的是,所构建的交易网络可以是无向交易网络,也可以是有向交易网络。当构建的交易网络为无向交易网络时,连接两个节点的边仅表示节点之间存在交易行为;当构建的交易网络为有向交易网络时,连接两个节点的边不仅表示节点之间存在交易行为,还表明了交易行为的方向,交易行为的方向表示交易金额的转入或转出,连接两个节点的边可以为带箭头的线段,箭头由交易发起方的交易账号指向交易接收方的交易账号。
步骤103,确定交易网络中每个节点的节点属性,并生成交易网络的节点属性矩阵。
节点属性为与节点对应的交易账号相关的属性,例如账号的开户时长、累计交易次数、交易对手数量、敏感时间段的交易金额等。节点属性的属性值的确定方法可根据实际情况选择,例如,假如节点属性为账号的开户时长,可以先确定每个节点的实际开户时长,进行归一化处理后得到每个节点开户时长这一节点属性的属性值;或者还可以设置开户时长级别阈值,不同的开户时长对应不同的级别,用不同的代表值表示,如开户时长小于1年的设代表值为0,开户时长为1年至5年的设代表值为1等等,即可根据开户时长确定对应的代表值,作为开户时长这一节点属性的属性值。
例如,若节点属性包括开户时长和累计交易次数,当开户时长大于5年时,节点在开户时长这一节点属性对应的属性值为1,开户时长小于5年时,对应的属性值为0;当累计交易次数大于1000次时,节点在累计交易次数这一节点属性对应的属性值为1,累计交易次数小于1000次时,对应的属性值为0,那么,若一个交易账号的开户时长大于5年,累计交易次数小于1000次,该节点的节点属性为(1,0)。
确定交易网络中每个节点的节点属性后,可生成交易网络的节点属性矩阵,该节点属性矩阵为N×P的矩阵,N为交易网络中节点的个数,P为节点属性的个数。交易网络的节点属性矩阵中第i行第j列表示节点i的第j个节点属性的属性值。
步骤104,根据交易网络的节点属性矩阵和节点之间的连接关系,确定交易网络的嵌入特征矩阵。
根据交易网络中节点之间的连接关系,对交易网络的节点属性进行传播,得到交易网络的嵌入特征矩阵。在一可实施方式中,可对节点属性矩阵和节点之间的连接关系进行卷积处理实现节点属性的传播,得到交易网络的嵌入特征矩阵。
步骤105,通过高斯混合模型对交易网络的嵌入特征矩阵进行更新。
同一类型的节点其嵌入特征符合高斯分布,不同类型的节点的嵌入特征符合不同的高斯分布,通过高斯混合模型从全局的角度对交易网络中的节点进行聚类,借助数据分布的特性,实现对交易网络的嵌入特征矩阵的更新,通过高斯混合模型对嵌入特征矩阵进行更新可以使嵌入效果更好。
步骤106,根据交易网络的节点属性矩阵和更新后的嵌入特征矩阵,确定交易网络中每个节点属于不同节点类型的概率值。
步骤107,根据概率值确定节点的节点类型。
在得到更新后的嵌入特征矩阵后,对交易网络的节点属性矩阵和更新后的嵌入特征矩阵进行拼接,得到拼接后的矩阵,该拼接后的矩阵,行数等于交易网络中的节点个数,列数等于交易网络的节点属性矩阵和更新后的嵌入特征矩阵的列数之和。再对该拼接后的矩阵进行线性变换,线性变换的参数矩阵的行数等于拼接后的矩阵的列数,参数矩阵的列数等于节点类型的数量,通过参数矩阵对拼接后的矩阵进行线性变换,得到目标矩阵,该目标矩阵的行表示节点,列表示节点类型,该目标矩阵中一行表示一个节点属于不同节点类型的概率值,即目标矩阵中第m行第n列的值表示节点m为节点类型j的概率。在得到节点属于不同类型对应的概率值后,从多个概率值中确定最大概率值,将该最大概率值对应的节点类型确定为该节点的节点类型。
本公开实施例提供的一种数据处理方法,根据指定时间范围的交易记录构建交易网络,确定交易网络中每个节点的节点属性,并生成交易网路的节点属性矩阵,根据交易网络的节点属性矩阵和节点之间的连接关系,确定交易网络的嵌入特征矩阵,再通过高斯混合模型对交易网络的嵌入特征矩阵进行更新,最终通过交易网络的节点属性矩阵和更新后的嵌入特征矩阵确定交易网络中每个节点的节点类型。应用本方法,根据节点间的连接关系对交易网络中节点的节点属性进行传播得到交易网络的嵌入特征矩阵后,通过高斯混合模型对交易网络的嵌入特征矩阵进行更新,有效利用了数据分布这一重要特征,使嵌入效果更好,最终确定的节点类型也更准确。
在一可实施方式中,如图2所示,确定交易网络中每个节点的节点属性,包括:
步骤201,获取交易网络中每个节点的初始属性;
步骤202,对初始属性进行线性回归分析,确定每个初始属性对节点类型的影响值;
步骤203,根据影响值的大小选取预设数量的初始属性作为节点属性。
具体的,节点的初始属性为与节点对应的账号相关的交易属性,包括:开户时长、预设时间范围内的交易天数、预设时间范围内交易天数占预设时间范围的比例、预设时间范围内累计入账次数、预设时间范围内累计出账次数、预设时间范围内累计入账次数与预设时间范围内累计出账次数的比值、预设时间范围内敏感时段的交易次数、预设时间范围内敏感时段的交易金额、预设时间范围内累计入账金额、预设时间范围内累计出账金额、预设时间范围内交易对手数量、预设时间范围内入账对手数量、预设时间范围内出账对手数量、预设时间范围内快进快出的次数等等。
不同初始属性对节点类型的影响不同,通过对初始属性进行线性回归分析,确定每个初始属性对节点分类的影响值。影响值越大表明初始属性对节点分类影响越大。将初始属性对节点分类的影响值按从大到小的顺序进行排序,选取前个影响值对应的初始属性作为节点属性,/>的取值可根据实际情况确定。
在一可实施方式中,如图3所示,上述根据交易网络的节点属性矩阵和节点之间的连接关系,确定交易网络的嵌入特征矩阵,包括:
步骤301,根据交易网络中节点间的连接关系将交易网络划分为多个子网络;
步骤302, 确定子网络中每个节点的节点属性,生成子网络的节点属性矩阵;
步骤303,根据子网络中节点的连接关系构建子网络的邻接矩阵;
步骤304,根据子网络的邻接矩阵和子网络的节点属性矩阵,确定子网络的嵌入特征矩阵;
步骤305,对多个子网络的嵌入特征矩阵进行拼接,得到交易网络的嵌入特征矩阵。
在由交易记录构建交易网络后,根据交易网络中节点之间的连接关系将交易网络划分为多个连通图,连通图之间的节点没有连接关系,将每个连通图确定为一个子网络,子网络的个数等于交易网络中连通图的个数。
针对每个子网络,确定子网络中包含的节点以及每个节点的节点属性,根据子网络包含的节点及对应的节点属性,生成子网络的节点属性矩阵,如某一子网络中包含N1个节点,那么生成的子网络的节点属性矩阵为N1×P的矩阵,P为节点属性的个数。
邻接矩阵为用于存放节点间关系的二维数组,根据子网络中节点间的连接关系,构建子网络的邻接矩阵。若子网络中包含N1个节点,该子网络的邻接矩阵为一个N1×N1的方阵,子网络的邻接矩阵中第e行第f列的值用于表征子网络中节点e和节点f之间的连接关系。
在一可实施方式中,若子网络为无向交易网络,当子网络的节点与节点/>之间具有连接关系,那么将子网络的邻接矩阵中第/>行第/>列的值置为1,同时将第f行第e列的值也置为1;当子网络的节点/>与节点/>之间没有连接关系,那么将子网络的邻接矩阵中第/>行第/>列的值置为0,且第f行第e列的值也置为0。若子网络为有向交易网络,当子网络的节点/>与节点/>之间具有由节点/>指向节点/>的有向边,而没有由节点/>指向节点/>的有向边,那么将子网络的邻接矩阵中第/>行第/>列的值置为1,第/>行第/>列的值置为0;反之当子网络的节点/>与节点/>之间具有由节点/>指向节点/>的有向边,且有节点/>指向节点/>的有向边,那么将子网络的邻接矩阵中第/>行第/>列的值置为1,第/>行第/>列的值也置为1。
通过子网络的邻接矩阵和子网络的节点属性矩阵实现节点属性的传播,在一可实施方式中,将得到的子网络的邻接矩阵和子网络的节点属性矩阵输入卷积神经网络模型中实现节点属性的传播,得到子网络的嵌入特征矩阵,其中采用的卷积神经网络可以为图卷积神经网络(Graph Convolutional Network,GCN),通过如下公式确定子网络的嵌入特征矩阵:
……………………(1)
其中为子网络的嵌入特征矩阵,/>为子网络的邻接矩阵,/>为/>的度矩阵,/>为子网络的节点属性矩阵,/>为学习参数矩阵。其中邻接矩阵/>为/>的方阵,/>为子网络中节点的个数,因此/>也为/>的方阵,/>为/>的矩阵,/>为节点属性的个数,/>为/>的矩阵,/>为超参数,且/>小于/>。
每个子网络都分别进行节点属性的传播后,得到多个子网络的嵌入特征矩阵,将多个子网络的嵌入特征矩阵进行拼接,得到与交易网络对应的嵌入特征矩阵。具体拼接方法为,将多个嵌入特征矩阵进行行拼接,得到交易网络的嵌入特征矩阵,交易网络的嵌入特征矩阵为N×F的矩阵,N为交易网络中节点的个数。
在一可实施方式中,在确定交易网络的嵌入特征矩阵后,方法还包括:对交易网络的嵌入特征矩阵中的每个属性进行归一化处理,得到归一化的嵌入特征矩阵。
在得到交易网络的嵌入特征矩阵后,将交易网络的嵌入特征矩阵的节点属性进行归一化处理,例如通过公式对节点属性进行Z分数(Z-score)归一化处理,将节点属性的嵌入特征值按比例缩放落入特征区间,形成均值为0,标准差为1的正太分布;其中为节点属性p对应的嵌入特征,/>为节点属性p对应的嵌入特征的平均值,/>为节点属性p对应的嵌入特征的标准差,/>为节点属性p进行归一化处理后的嵌入特征值。根据每个属性归一化处理后的嵌入特征值得到交易网络归一化的嵌入特征矩阵。通过对交易网络的嵌入特征矩阵的节点属性进行归一化处理,可以使最终确定的节点所属的节点类型更准确。
在一可实施方式中,通过高斯混合模型对交易网络的嵌入特征矩阵进行更新,包括:
通过如下高斯混合模型公式对交易网络的嵌入特征矩阵中每一节点对应的嵌入特征向量进行更新:;其中,/>表示节点/>更新后的嵌入特征向量,/>为节点类型的个数,/>为可学习参数,/>表示节点/>的嵌入特征向量,/>为第k类节点的嵌入特征向量的平均值,/>为第k类节点的嵌入特征向量的标准差。
同一类型的节点其嵌入特征符合高斯分布,不同类型的节点的高斯分布不同,因此可通过高斯混合模型对节点的嵌入特征进行更新。具体的,通过如下公式对交易网络的嵌入特征矩阵进行更新:
…………………(2)
具体的,为节点类型的个数,可根据实际场景确定其具体取值,例如将节点分为正常节点和异常节点两类时,K的取值为2;当实际应用场景中对交易账号进行更详细的分类时,对应的K值即为交易账号的类型。/>为可学习参数,可通过机器学习获取。/>为节点i对应的嵌入特征向量。/>为第k类节点的嵌入特征向量的平均值,具体的,交易网络中部分节点的节点类型已知,确定交易网络中已知属于第k类节点类型的节点,根据交易网络中所有已知属于第k类节点的嵌入特征向量,确定第k类节点的嵌入特征向量的平均值/>;/>为第k类节点的嵌入特征向量的标准差,根据交易网络中所有已知属于第k类节点的嵌入特征向量,确定第k类节点的嵌入特征向量的标准差/>。根据上述公式对每个节点的嵌入特征向量进行更新,得到更新后的嵌入特征向量,根据所有节点更新后的嵌入特征向量得到交易网络更新后的嵌入特征矩阵。
在一可实施方式中,如图4所示,根据交易网络的节点属性矩阵和更新后的嵌入特征矩阵,确定交易网络中每个节点属于不同节点类型的概率,包括:
步骤401,对交易网络的节点属性矩阵进行池化处理,得到第一池化结果;
步骤402,对更新后的嵌入特征矩阵进行池化处理,得到第二池化结果;
步骤403,根据第一池化结果和第二池化结果,确定目标池化结果;
步骤404,对目标池化结果进行线性变换,确定交易网络中每个节点属于不同节点类型的概率。
对交易网络的节点属性矩阵进行池化处理,本申请中可采用平均池化的方式进行池化处理,采用的池化核为(1,z1),得到第一池化结果,该第一池化结果为N×Q1的矩阵,Q1可根据P和z1确定。此外,还对更新后的嵌入特征矩阵进行池化处理,同样采用平均池化的方式进行池化处理,采用的池化核为(1,z2),得到第二池化结果,该第二池化结果为N×Q2的矩阵,Q2可根据F和z2决定。之后将第一池化结果和第二池化结果进行拼接,得到目标池化结果,该目标池化结果为N×Q的矩阵,其中Q=Q1+Q2。
再根据线性变换公式对目标池化结果进行线性变换,采用的线性变换的参数矩阵为Q×K的矩阵,通过参数矩阵对目标池化结果进行线性变换,得到N×K的矩阵,该矩阵中第a行第b列的值表示节点a的节点类型为类型b的概率值。
在一可实施方式中,对交易网络的节点属性矩阵进行池化处理和对更新后的嵌入特征矩阵进行池化处理时采用的池化核大小相同。
可以理解的时,本申请也可采用其他池化方式对交易网络的节点属性矩阵和更新后的嵌入特征矩阵进行池化处理。
通过对交易网络的节点属性矩阵和更新后的嵌入特征矩阵进行池化处理,可以减少数据量,增加接收字段的大小,从而获得更好的泛化和性能。
图5示出了本公开实施例一种数据处理方法的实施场景示意图。
首先根据交易记录中交易双方的交易账号,构建交易网络,交易网络中节点为交易账号,连接两个节点的边表示交易账号之间存在交易行为,根据交易网络中节点的连接关系,将交易网络划分为多个连通子图,形成多个子网络。针对每个子网络,根据子网络中节点的连接关系和节点的属性,确定子网络的邻接矩阵和节点属性矩阵,通过图卷积神经网络对子网络的邻接矩阵和节点属性矩阵进行卷积处理,得到每个子网络的嵌入特征矩阵,将多个子网络的嵌入特征矩阵以节点进行拼接,得到交易网络的嵌入特征矩阵。
不同子网络中相同标签的节点具有相似的高斯分布,因此通过高斯混合模型对交易网络的嵌入特征矩阵进行更新,通过高斯混合模型对交易网络的嵌入特征矩阵进行更新时,不再以子网络进行单独处理,而是将交易网络中所有的节点视为整体进行处理,通过高斯混合模型,实现了不同高斯分布传递给节点的信息量,完成节点嵌入特征的更新,更新后的节点的嵌入特征表示的信息不仅包括子网络中的节点传递给该节点的信息,还包括了其他子网络中与该节点具有相同标签的节点传递给该节点的信息。
之后,根据交易网络中节点之间原始的连接关系,确定交易网络的属性矩阵,对该属性矩阵进行池化处理,得到第一池化结果;该第一池化结果也可以是对每个子网络的属性矩阵分别进行池化,再将子网络的属性矩阵进行池化后的结果进行节点拼接,得到第一池化结果。并将经高斯混合模型更新后的嵌入特征矩阵也进行池化处理,得到第二池化结果,同样的,该第二池化结果也可以是从交易网络更新后的嵌入特征矩阵中,获取每个子网络更新后的嵌入特征矩阵,针对每个子网络更新后的嵌入特征矩阵分别进行池化,再将子网络更新后的嵌入特征矩阵进行池化后的结果进行节点拼接,得到第二池化结果。将第一池化结果和第二池化结果进行属性拼接,得到目标池化结果,最终对目标池化结果进行线性变换,确定交易网络中每个节点所属的类型。
图6示出了本公开实施例一种数据处理装置的模块示意图。
参见图6,根据本公开实施例的第二方面,提供一种数据处理装置,装置包括:获取模块601,用于获取指定时间范围的交易记录,交易记录包括交易双方的交易账号;构建模块602,用于根据交易记录构建交易网络,交易网络的节点为交易账号,交易网络中用于连接两个节点的边表示两个交易账号之间存在交易行为;第一确定模块603,用于确定交易网络中每个节点的节点属性,并生成交易网络的节点属性矩阵;第二确定模块604,用于根据交易网络的节点属性矩阵和节点之间的连接关系,确定交易网络的嵌入特征矩阵;更新模块605,用于通过高斯混合模型对交易网络的嵌入特征矩阵进行更新;第三确定模块606,用于根据交易网络的节点属性矩阵和更新后的嵌入特征矩阵,确定交易网络中每个节点属于不同节点类型的概率值;第三确定模块606,还用于根据概率值确定节点的节点类型。
在一可实施方式中,第一确定模块603,包括:获取子模块6031,用于获取交易网络中每个节点的初始属性;分析子模块6032,用于对初始属性进行线性回归分析,确定每个初始属性对节点类型的影响值;选取子模块6033,用于根据影响值的大小选取预设数量的初始属性作为节点属性。
在一可实施方式中,第二确定模块604,包括:划分子模块6041,用于根据交易网络中节点间的连接关系将交易网络划分为多个子网络;生成子模块6042,用于确定子网络中每个节点的节点属性,生成子网络的节点属性矩阵;构建子模块6043,用于根据子网络中节点的连接关系构建子网络的邻接矩阵;第一确定子模块6044,用于根据子网络的邻接矩阵和子网络的节点属性矩阵,确定子网络的嵌入特征矩阵;拼接子模块6045,用于对多个子网络的嵌入特征矩阵进行拼接,得到交易网络的嵌入特征矩阵。
在一可实施方式中,装置包括:处理模块607,用于在确定交易网络的嵌入特征矩阵后,对交易网络的嵌入特征矩阵中的每个属性进行归一化处理,得到归一化的嵌入特征矩阵。
在一可实施方式中,更新模块605,具体用于通过如下高斯混合模型公式对交易网络的嵌入特征矩阵中每一节点对应的嵌入特征向量进行更新:;其中,/>表示节点/>更新后的嵌入特征向量,/>为节点类型的个数,/>为可学习参数,/>表示节点/>的嵌入特征向量,/>为第k类节点的嵌入特征向量的平均值,/>为第k类节点的嵌入特征向量的标准差。
在一可实施方式中,第三确定模块606,包括:第一处理子模块6061,对交易网络的节点属性矩阵进行池化处理,得到第一池化结果;第一处理子模块6061,还用于对更新后的嵌入特征矩阵进行池化处理,得到第二池化结果;第二确定子模块6062,用于根据第一池化结果和第二池化结果,确定目标池化结果;第二处理子模块6063,用于对目标池化结果进行线性变换,确定交易网络中每个节点属于不同节点类型的概率值。
根据本公开的实施例,本公开还提供了一种电子设备和一种可读存储介质。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如一种数据处理方法。例如,在一些实施例中,一种数据处理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的一种数据处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行一种数据处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本公开的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
以上所述,仅为本公开的具体实施方式,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。因此,本公开的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种数据处理方法,其特征在于,所述方法包括:
获取指定时间范围的交易记录,所述交易记录包括交易双方的交易账号;
根据所述交易记录构建交易网络,所述交易网络的节点为交易账号,所述交易网络中用于连接两个节点的边表示两个交易账号之间存在交易行为;
确定所述交易网络中每个节点的节点属性,并生成所述交易网络的节点属性矩阵;
根据所述交易网络的节点属性矩阵和节点之间的连接关系,确定所述交易网络的嵌入特征矩阵;
通过高斯混合模型对所述交易网络的嵌入特征矩阵进行更新;
根据所述交易网络的节点属性矩阵和更新后的嵌入特征矩阵,确定所述交易网络中每个节点属于不同节点类型的概率值;根据所述概率值确定所述节点的节点类型;
所述通过高斯混合模型对所述交易网络的嵌入特征矩阵进行更新,包括:通过如下高斯混合模型公式对所述交易网络的嵌入特征矩阵中每一节点对应的嵌入特征向量进行更新:;其中,所述/>表示节点/>更新后的嵌入特征向量,/>为节点类型的个数,/>为可学习参数,/>表示节点/>的嵌入特征向量,/>为第k类节点的嵌入特征向量的平均值,/>为第k类节点的嵌入特征向量的标准差。
2.根据权利要求1所述的方法,其特征在于,所述确定所述交易网络中每个节点的节点属性,包括:
获取所述交易网络中每个节点的初始属性;
对所述初始属性进行线性回归分析,确定每个初始属性对节点类型的影响值;
根据所述影响值的大小选取预设数量的初始属性作为所述节点属性。
3.根据权利要求1所述的方法,其特征在于,所述根据所述交易网络的节点属性矩阵和节点之间的连接关系,确定所述交易网络的嵌入特征矩阵,包括:
根据所述交易网络中节点间的连接关系将所述交易网络划分为多个子网络;
确定所述子网络中每个节点的节点属性,生成所述子网络的节点属性矩阵;
根据所述子网络中节点的连接关系构建所述子网络的邻接矩阵;
根据所述子网络的邻接矩阵和所述子网络的节点属性矩阵,确定所述子网络的嵌入特征矩阵;
对多个所述子网络的嵌入特征矩阵进行拼接,得到所述交易网络的嵌入特征矩阵。
4.根据权利要求1所述的方法,其特征在于,在确定所述交易网络的嵌入特征矩阵后,所述方法还包括:
对所述交易网络的嵌入特征矩阵中的每个属性进行归一化处理,得到归一化的嵌入特征矩阵。
5.根据权利要求1所述的方法,其特征在于,所述根据所述交易网络的节点属性矩阵和更新后的嵌入特征矩阵,确定所述交易网络中每个节点属于不同节点类型的概率值,包括:
对所述交易网络的节点属性矩阵进行池化处理,得到第一池化结果;
对更新后的嵌入特征矩阵进行池化处理,得到第二池化结果;
根据所述第一池化结果和所述第二池化结果,确定目标池化结果;
对所述目标池化结果进行线性变换,确定交易网络中每个节点属于不同节点类型的概率值。
6.一种数据处理装置,其特征在于,所述装置包括:
获取模块,用于获取指定时间范围的交易记录,所述交易记录包括交易双方的交易账号;
构建模块,用于根据所述交易记录构建交易网络,所述交易网络的节点为交易账号,所述交易网络中用于连接两个节点的边表示两个交易账号之间存在交易行为;
第一确定模块,用于确定所述交易网络中每个节点的节点属性,并生成所述交易网络的节点属性矩阵;
第二确定模块,用于根据所述交易网络的节点属性矩阵和节点之间的连接关系,确定所述交易网络的嵌入特征矩阵;
更新模块,用于通过高斯混合模型对所述交易网络的嵌入特征矩阵进行更新;
第三确定模块,用于根据所述交易网络的节点属性矩阵和更新后的嵌入特征矩阵,确定所述交易网络中每个节点属于不同节点类型的概率值;所述第三确定模块,还用于根据所述概率值确定所述节点的节点类型;
所述更新模块,具体用于通过如下高斯混合模型公式对所述交易网络的嵌入特征矩阵中每一节点对应的嵌入特征向量进行更新:;其中,所述/>表示节点/>更新后的嵌入特征向量,/>为节点类型的个数,/>为可学习参数,/>表示节点/>的嵌入特征向量,/>为第k类节点的嵌入特征向量的平均值,/>为第k类节点的嵌入特征向量的标准差。
7.根据权利要求6所述的装置,其特征在于,所述第一确定模块,包括:
获取子模块,用于获取所述交易网络中每个节点的初始属性;
分析子模块,用于对所述初始属性进行线性回归分析,确定每个初始属性对节点类型的影响值;
选取子模块,用于根据所述影响值的大小选取预设数量的初始属性作为所述节点属性。
8.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
9.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使计算机执行根据权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311836630.8A CN117495571B (zh) | 2023-12-28 | 2023-12-28 | 一种数据处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311836630.8A CN117495571B (zh) | 2023-12-28 | 2023-12-28 | 一种数据处理方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117495571A CN117495571A (zh) | 2024-02-02 |
CN117495571B true CN117495571B (zh) | 2024-04-05 |
Family
ID=89676753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311836630.8A Active CN117495571B (zh) | 2023-12-28 | 2023-12-28 | 一种数据处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117495571B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114970736A (zh) * | 2022-06-10 | 2022-08-30 | 中国人民解放军战略支援部队信息工程大学 | 基于密度估计的网络节点深度异常检测方法 |
CN115062210A (zh) * | 2022-07-08 | 2022-09-16 | 天津大学 | 一种融合社团结构的异质网络表示学习方法 |
CN116383708A (zh) * | 2023-05-25 | 2023-07-04 | 北京芯盾时代科技有限公司 | 一种交易账号的识别方法及装置 |
CN116702976A (zh) * | 2023-06-07 | 2023-09-05 | 浙江大学 | 基于建模动态企业关系的企业资源预测方法以及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020035085A2 (en) * | 2019-10-31 | 2020-02-20 | Alipay (Hangzhou) Information Technology Co., Ltd. | System and method for determining voice characteristics |
-
2023
- 2023-12-28 CN CN202311836630.8A patent/CN117495571B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114970736A (zh) * | 2022-06-10 | 2022-08-30 | 中国人民解放军战略支援部队信息工程大学 | 基于密度估计的网络节点深度异常检测方法 |
CN115062210A (zh) * | 2022-07-08 | 2022-09-16 | 天津大学 | 一种融合社团结构的异质网络表示学习方法 |
CN116383708A (zh) * | 2023-05-25 | 2023-07-04 | 北京芯盾时代科技有限公司 | 一种交易账号的识别方法及装置 |
CN116702976A (zh) * | 2023-06-07 | 2023-09-05 | 浙江大学 | 基于建模动态企业关系的企业资源预测方法以及装置 |
Non-Patent Citations (1)
Title |
---|
基于对抗图卷积的网络表征学习框架;陈梦雪;刘勇;;模式识别与人工智能;20191115(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117495571A (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108701250B (zh) | 数据定点化方法和装置 | |
CN112580733B (zh) | 分类模型的训练方法、装置、设备以及存储介质 | |
CN113010896B (zh) | 确定异常对象的方法、装置、设备、介质和程序产品 | |
CN112749300B (zh) | 用于视频分类的方法、装置、设备、存储介质和程序产品 | |
CN113011155B (zh) | 用于文本匹配的方法、装置、设备和存储介质 | |
CN108805174A (zh) | 聚类方法及装置 | |
CN116383708B (zh) | 一种交易账号的识别方法及装置 | |
CN113965313B (zh) | 基于同态加密的模型训练方法、装置、设备以及存储介质 | |
CN115809569A (zh) | 基于耦合竞争失效模型的可靠性评价方法和装置 | |
CN116489038A (zh) | 网络流量的预测方法、装置、设备和介质 | |
CN115344805A (zh) | 素材审核方法、计算设备及存储介质 | |
CN113657468A (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
CN117495571B (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
CN112966054A (zh) | 基于企业图谱节点间关系的族群划分方法和计算机设备 | |
CN112507323A (zh) | 基于单向网络的模型训练方法、装置和计算设备 | |
CN110009091B (zh) | 学习网络在等价类空间中的优化 | |
CN114494782B (zh) | 图像处理方法、模型训练方法、相关装置及电子设备 | |
CN114238611B (zh) | 用于输出信息的方法、装置、设备以及存储介质 | |
CN113313261B (zh) | 函数处理方法、装置及电子设备 | |
CN112990046B (zh) | 差异信息获取方法、相关装置及计算机程序产品 | |
CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN116308805B (zh) | 一种交易账号的识别方法、装置和电子设备 | |
US20180130077A1 (en) | Automated selection and processing of financial models | |
CN114549945A (zh) | 遥感影像变化检测方法及相关装置 | |
US20210158179A1 (en) | Dynamic recommendation system for correlated metrics and key performance indicators |
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 |