CN117668627A - 信息处理方法、装置、设备、存储介质和产品 - Google Patents

信息处理方法、装置、设备、存储介质和产品 Download PDF

Info

Publication number
CN117668627A
CN117668627A CN202311365306.2A CN202311365306A CN117668627A CN 117668627 A CN117668627 A CN 117668627A CN 202311365306 A CN202311365306 A CN 202311365306A CN 117668627 A CN117668627 A CN 117668627A
Authority
CN
China
Prior art keywords
decision
target
target object
attribute information
result
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
Application number
CN202311365306.2A
Other languages
English (en)
Inventor
罗韵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202311365306.2A priority Critical patent/CN117668627A/zh
Publication of CN117668627A publication Critical patent/CN117668627A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Technology Law (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请实施例公开了一种信息处理方法、装置、设备、存储介质和产品，涉及人工智能技术领域，该方法包括：获取目标对象的对象属性信息及用于对对象属性信息的异常情况进行决策判断的决策树模型；决策树模型中配置有N个决策节点，对象属性信息包含目标对象的M种对象属性；调用决策树模型的各个决策节点基于对象属性信息，对目标对象的M种对象属性进行决策判断，得到目标对象在M种对象属性中的每种对象属性下的决策判断结果；基于目标对象在每种对象属性下的决策判断结果，生成用于指示目标对象的对象属性信息是正常的或是异常的目标判断结果。采用本申请实施例，可以提升对目标对象的对象属性信息的异常情况进行判断的准确性。

Description

信息处理方法、装置、设备、存储介质和产品
技术领域
本申请涉及人工智能技术领域，尤其涉及一种信息处理方法、装置、设备、存储介质和产品。
背景技术
目前在判断对象的对象属性信息是否异常时，一般是使用神经网络模型对对象的对象属性信息进行预测，从而预测出对象的对象属性信息是否异常的结果。
然而目前基于神经网络模型进行预测会将对象的对象属性信息包含的多种对象属性融合为一个属性特征，进而基于融合得到的属性特征来预测对象属性信息是否异常。由于在基于神经网络模型进行预测时容易基于训练时出现次数更多的那种对象属性来生成融合特征，导致在生成融合特征时会重点关注到训练时出现次数更多的对象属性，而忽视训练时出现次数更少的对象属性，从而导致所生成的融合特征并不准确，进而导致对对象属性信息的异常情况的预测结果也不准确。因此，如何提升对对象的对象属性信息的异常情况进行判断的准确性是亟待解决的问题。
发明内容
本申请实施例提供一种信息处理方法、装置、设备和存储介质，可以提升对目标对象的对象属性信息的异常情况进行判断的准确性。
第一方面，本申请提供一种信息处理方法，包括：
获取目标对象的对象属性信息及用于对该对象属性信息的异常情况进行决策判断的决策树模型；该决策树模型中配置有N个决策节点，任一决策节点用于对该目标对象的一种对象属性进行决策判断，该对象属性信息包含该目标对象的M种对象属性，M和N均为正整数且M小于或等于N；
调用该决策树模型的各个决策节点基于该对象属性信息，对该目标对象的该M种对象属性进行决策判断，得到该目标对象在该M种对象属性中的每种对象属性下的决策判断结果；
基于该目标对象在该每种对象属性下的决策判断结果，生成该目标对象的目标判断结果；该目标判断结果用于指示该目标对象的该对象属性信息是正常的或是异常的。
第二方面，本申请提供一种信息处理装置，包括：
数据获取单元，用于获取目标对象的对象属性信息及用于对该对象属性信息的异常情况进行决策判断的决策树模型；该决策树模型中配置有N个决策节点，任一决策节点用于对该目标对象的一种对象属性进行决策判断，该对象属性信息包含该目标对象的M种对象属性，M和N均为正整数且M小于或等于N；
数据决策单元，用于调用该决策树模型的各个决策节点基于该对象属性信息，对该目标对象的该M种对象属性进行决策判断，得到该目标对象在该M种对象属性中的每种对象属性下的决策判断结果；
结果生成单元，用于基于该目标对象在该每种对象属性下的决策判断结果，生成该目标对象的目标判断结果；该目标判断结果用于指示该目标对象的该对象属性信息是正常的或是异常的。
可选地，该数据获取单元，具体用于：
获取该目标对象的多种属性信息；
调用该预测模型对该多种属性信息中的每种属性信息进行预测处理，生成该每种属性信息的预测结果；任一属性信息的预测结果是正常预测结果或异常预测结果，该正常预测结果用于指示所属的属性信息是正常的，该异常预测结果用于指示所属的属性信息是异常的；
将该多种属性信息中预测结果为该异常预测结果的属性信息，作为该对象属性信息。
可选地，该信息处理装置还包括：模型训练单元，该模型训练单元，用于：
获取需训练的预测模型和样本属性信息；该样本属性信息具有样本标签，该样本标签用于指示该样本属性信息实际是正常的或是异常的；
调用该需训练的预测模型对该样本属性信息进行预测处理，生成该样本属性信息的样本预测结果；该样本预测结果用于指示该样本属性信息是正常的或是异常的；
基于该样本预测结果与该样本标签之间的差异，修正该需训练的预测模型的模型参数，得到该预测模型。
可选地，该结果生成单元，具体用于：
获取该目标对象在该每种对象属性下的决策判断结果所关联的结果描述信息；
基于该目标对象在该每种对象属性下的决策判断结果所关联的结果描述信息，生成该目标对象的该目标判断结果。
可选地，该结果生成单元，具体用于：
获取该目标对象在该每种对象属性下的决策判断结果的结果重要等级；
按照该目标对象在该每种对象属性下的决策判断结果的结果重要等级的由高至低的顺序，对该目标对象在该每种对象属性下的决策判断结果关联的结果描述信息依次进行组合处理，生成该目标判断结果。
可选地，该数据决策单元，具体用于：
对该目标对象的该对象属性信息进行信息编码处理，生成该对象属性信息的信息编码语句；
调用该各个决策节点基于该信息编码语句，对该目标对象的该M种对象属性进行决策判断，得到该目标对象在该每种对象属性下的决策判断结果。
可选地，该对象属性信息是与该目标对象相关联的对象交易的属性信息，该目标对象的该M种对象属性包括如下至少一种：该目标对象的身份信息、该对象交易中所执行的资源的资源量、该对象交易的交易数量、该对象交易的交易时段、该对象交易的交易类型、该对象交易关联的除该目标对象之外的其他对象的身份信息、该对象交易的交易附加信息；其中，该任一决策节点用于采用关联的决策条件对该目标对象的对象属性进行决策判断，该任一决策节点关联的决策条件为如下任一种：
该对象交易中执行的资源的资源量在预设的多种资源量范围中所属的资源量范围、该对象交易的交易数量在预设的多种数量范围中所属的数量范围、该对象交易的交易时段在预设的多种交易时段中所属的交易时段、该对象交易的交易类型是否属于目标交易类型、该其他对象的身份信息与黑名单列表之间是否匹配、该对象交易的该交易附加信息是否包含异常信息。
可选地，该信息处理装置还包括：交易处理单元，该交易处理单元，用于：
若该目标判断结果指示该目标对象的该对象属性信息是异常的，且在目标时段内接收到该目标对象发起的目标交易，则对该目标交易进行拦截处理，并暂停执行该目标交易；
其中，该目标时段是在生成该目标判断结果后的邻近时段。
第三方面，本申请提供了一种计算机设备，包括处理器和存储器，其中，该处理器与该存储器相连，该存储器用于存储计算机程序，该处理器用于调用该计算机程序，以使得该计算机程序执行上述信息处理方法。
第四方面，本申请提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，该计算机程序适于由处理器加载并执行，以使得具有该处理器的计算机设备执行上述信息处理方法。
第五方面，本申请提供了一种计算机程序产品，该计算机程序产品包括计算机程序/指令，该计算机程序/指令被处理器执行时可实现上述信息处理方法。
本申请实施例中，通过获取目标对象的对象属性信息及用于对对象属性信息的异常情况进行决策判断的决策树模型，可以调用决策树模型的各个决策节点基于对象属性信息，对目标对象的M种对象属性进行决策判断，得到目标对象在M种对象属性中的每种对象属性下的决策判断结果；从而可以基于目标对象在每种对象属性下的决策判断结果，生成用于指示目标对象的对象属性信息是正常的或是异常的目标判断结果。由于调用了决策树模型的各个决策节点对目标对象的M种对象属性进行决策判断，可以实现对每种对象属性均进行判断，从而根据目标对象在多种对象属性下的决策判断结果得到最终的目标判断结果，相当于从目标对象的多个属性维度本身来对目标对象进行判断，并且最终的判断结果是基于多个维度的判断结果综合确定的，因此可以提升对目标对象的对象属性信息的异常情况进行判断的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种信息处理系统的网络架构示意图；
图2是本申请实施例提供的一种信息处理方法的应用场景示意图；
图3是本申请实施例提供的一种信息处理方法的流程示意图；
图4是本申请实施例提供的一种决策树模型的结构示意图；
图5是本申请实施例提供的另一种信息处理方法的流程示意图；
图6是本申请实施例提供的一种信息处理的框架结构示意图；
图7是本申请实施例提供的一种决策树模型预测的场景示意图；
图8是本申请实施例提供的一种信息处理装置的组成结构示意图；
图9是本申请实施例提供的一种计算机设备的组成结构示意图。
具体实施方式
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，所描述的实施例仅是本申请一部分实施例，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，都属于本申请保护的范围。
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。本申请实施例提供的方案属于人工智能领域下属的自然语言处理技术和机器学习技术。
自然语言处理(Nature Language processing,NLP)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系。自然语言处理技术通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。例如，本申请中可以采用自然语言处理技术中的文本处理技术对对象属性信息进行信息编码处理，生成对象属性信息的信息编码语句，等等。
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。例如，本申请中可以采用机器学习技术对目标对象的M种对象属性进行决策判断，得到目标对象在M种对象属性中的每种对象属性下的决策判断结果，以及基于目标对象在每种对象属性下的决策判断结果，生成目标对象的目标判断结果，等等。
本申请技术方案可以适用于对任意对象的对象属性信息进行决策判断，从而确定对象的对象属性信息是正常的或是异常的场景中。可选地，本申请技术方案还可应用于各种场景，包括但不限于云技术、人工智能、智慧交通、辅助驾驶等。
请参见图1，图1是本申请实施例提供的一种信息处理系统的网络架构示意图，如图1所示，计算机设备可以与终端设备进行数据交互，终端设备的数量可以为一个或者至少两个。例如，当终端设备的数量为多个时，终端设备可以包括图1中的终端设备101a、终端设备101b及终端设备101c等。其中，以终端设备101a为例，计算机设备102可以获取目标对象的对象属性信息及用于对对象属性信息的异常情况进行决策判断的决策树模型。进一步地，计算机设备102可以调用决策树模型的各个决策节点基于对象属性信息，对目标对象的M种对象属性进行决策判断，得到目标对象在M种对象属性中的每种对象属性下的决策判断结果。进一步地，计算机设备102还可以基于目标对象在每种对象属性下的决策判断结果，生成目标对象的目标判断结果。可选地，计算机设备102可以向终端设备101a发送用于指示目标对象的对象属性信息是异常的目标判断结果，从而可以在终端设备101a上进行展示，等等。
可以理解的是，本申请实施例中所提及的计算机设备包括但不限于终端设备或服务器。换句话说，计算机设备可以是服务器或终端设备，也可以是服务器和终端设备组成的系统。其中，以上所提及的终端设备可以是一种电子设备，包括但不限于手机、平板电脑、台式电脑、笔记本电脑、掌上电脑、车载设备、智能语音交互设备、增强现实/虚拟现实(Augmented Reality/Virtual Reality，AR/VR)设备、头盔显示器、可穿戴设备、智能音箱、智能家电、飞行器、数码相机、摄像头及其他具备网络接入能力的移动互联网设备(mobileinternet device，MID)等。其中，以上所提及的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、车路协同、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。
需要特别说明的是，本申请实施例中相关数据(如对象属性信息、对象的身份信息等数据)收集处理在实例应用时应该严格根据相关地区法律法规的要求，获取个人信息主体的知情同意或单独同意，并在法律法规及个人信息主体的授权范围内，开展后续数据使用及处理行为。例如，对象可以是指终端设备或者计算机设备的使用者。
进一步地，请参见图2，图2是本申请实施例提供的一种信息处理方法的应用场景示意图；如图2所示，计算机设备21可以获取目标对象的对象属性信息22及用于对对象属性信息的异常情况进行决策判断的决策树模型23，调用决策树模型23的各个决策节点基于对象属性信息22，对目标对象的对象属性信息22包含的M种对象属性进行决策判断，得到目标对象在M种对象属性中的每种对象属性下的决策判断结果24，则可以基于目标对象在M种对象属性中的每种对象属性下的决策判断结果24生成目标对象的目标判断结果25。例如可以对目标对象在M种对象属性中的每种对象属性下的决策判断结果24进行结果拼接，得到目标对象的目标判断结果25，目标判断结果25例如可以包括用于反映目标对象是否异常的结论报告、目标对象的对象信息、目标对象的交易信息、目标对象的尽调信息，等等。
进一步地，请参见图3，图3是本申请实施例提供的一种信息处理方法的流程示意图；如图3所示，该信息处理方法可以应用于计算机设备，该信息处理方法包括但不限于以下步骤：
S101，获取目标对象的对象属性信息及用于对对象属性信息的异常情况进行决策判断的决策树模型。
目前针对目标对象的报告生成方法一般是基于自动写作这种文本创作型生成方式生成目标对象的报告。该种生成方式一般是利用训练好的文本模型根据给出的文本起始内容、文本结尾内容或者文本中间某些文字内容生成对应的完整文本内容，作为目标对象的报告。然而，在实际的业务场景中，这种生成方式虽然可以生成目标对象的报告，但是针对于目标对象的对象属性信息不能实现很好的针对性异常报告生成，因此该种生成方式适用性较低。
因此，本申请技术方案中的文本生成方式是通过对目标对象的对象属性信息进行决策判断，可以基于对象属性信息包含的多种对象属性有针对性的写出一份针对目标对象的异常报告，从而可以实现基于异常报告快速确定目标对象的异常情况，以及哪些方面存在异常等信息。
本申请实施例中，计算机设备可以获取目标对象的对象属性信息及用于对对象属性信息的异常情况进行决策判断的决策树模型，从而后续可以使用决策树模型对目标对象的对象属性信息进行决策判断，确定目标对象的对象属性信息是否异常。
其中，目标对象可以是指需要进行异常判断的对象，例如对象可以是指客户。目标对象例如可以是指任意需要进行异常判断的对象，也可以是指通过初步判断为存在异常的对象，还可以是指通过其他方式确定出的需要进行异常判断的对象，等等，本申请实施例对此不做限定。目标对象的对象属性信息存在异常可以是指目标对象为风险对象，例如目标对象存在某些不合法行为。决策树模型用于对对象属性信息的异常情况进行决策判断，从而可以基于决策判断结果确定对象属性信息是正常的或是异常的，进而确定目标对象是正常的或是异常的。对象属性信息可以是指目标对象的任意信息，例如可以包括但不限于交易方面的属性信息、贷款还款等方面的属性信息或者其他方面的属性信息。交易方面的属性信息例如可以包括但不限于目标对象的身份信息、目标对象的交易详情信息、目标对象的交易附加信息如交易备注信息或交易附言信息，等等。贷款还款等方面的属性信息可以包括但不限于目标对象的贷款情况和还款情况。
可选地，目标对象的对象属性信息例如可以包括但不限于目标对象的文本数据、目标对象的身份异常信息、目标对象的行为异常信息和目标对象的其他异常信息，等等。其中，目标对象的文本数据例如可以包括目标对象所执行交易的交易文本、交易账号、针对该交易账号的投诉文本。目标对象的身份异常信息例如可以包括目标对象所在地区异常、目标对象的年龄异常、目标对象的证件异常。目标对象的行为异常信息例如可以包括目标对象所执行交易的交易资源量异常、目标对象所执行交易的交易时段异常、以及目标对象的交易资源转移异常，等等。目标对象的其他异常信息例如可以包括目标对象的历史异常、风险管理异常和风险标签，等等。历史异常可以是指目标对象在历史时段执行过异常交易，或者目标对象在历史时段被确定为异常对象。风险管理异常可以是指对目标对象的进行风险管理时指示目标对象存在异常。风险标签可以用于是指目标对象的风险等级，风险等级越大，表示目标对象是异常的概率越大。风险等级越小，表示目标对象是正常的概率越大，即目标对象时异常的概率越小。
在一个实施例中，决策树模型中可以配置有N个决策节点，任一决策节点用于对目标对象的一种对象属性进行决策判断，对象属性信息包含目标对象的M种对象属性，M和N均为正整数且M小于或等于N。
其中，采用决策树模型对对象属性信息进行决策判断的实质是采用决策树模型中的各个决策节点对对应的对象属性进行判断，一个决策节点可以用于对一种对象属性进行决策判断，从而可以得到目标对象在每种对象属性下的决策判断结果，进而可以基于目标对象在每种对象属性下的决策判断结果生成用于指示目标对象是否异常的目标判断结果。目标判断结果例如可以是指结论报告或者异常报告，目标判断结果可以反映目标对象异常，以及在哪些方面存在异常。可选地，目标判断结果也可以反映目标对象正常，以及在哪些方面表现为正常。
本申请实施例中，决策树模型中配置有多个决策节点，每个决策节点进行决策判断的内容不同，即每个决策节点可以进行决策判断的对象属性不同，则在进行决策判断时，是使用对应的决策节点对对应的对象属性进行决策判断。决策树模型中的多个决策节点可以构成多条决策路径，每条决策路径指示的最终结论可以相同或者不同，每条决策路径中的决策节点不完全相同。决策树模型中的每条决策路径均可以到达最终结论。最终结论是由一条决策路径中的每个决策节点的决策判断内容组成的，因此最终结论可以用于指示目标对象是否异常，以及具体的异常内容即决策判断内容。对于同样指示目标对象异常的两条决策路径而言，由于两条决策路径中的决策节点不完全相同，因此两条决策路径指示的目标对象的异常情况可以存在不同。例如可能一条决策路径是因为目标对象的交易数量异常导致的目标对象异常，另一条决策路径是因为目标对象的交易时段异常导致的目标对象异常，但是两条决策路径均可以指示目标对象异常。
可以理解的是，本申请实施例中的决策树模型可以包含决策树，或者也可以包含其他具有决策判断能力的算法或者网络结构，本申请实施例对此不做限定。
可选地实现方式中，计算机设备可以预先获取需训练的决策树模型和训练样本，训练样本可以包括样本对象的样本对象属性信息和样本属性标签，需训练的决策树模型中可以包括多个决策节点；调用需训练的决策树模型中的各个决策节点基于样本对象属性信息，对样本对象的M种样本对象属性进行决策判断，得到样本对象在M种样本对象属性中的每种样本对象属性下的样本决策判断结果；基于样本对象在每种样本对象属性下的样本决策判断结果，生成样本对象的样本判断结果；基于样本对象的样本判断结果和样本属性标签对需训练的决策树模型进行调整，得到决策树模型。
其中，样本属性标签可以用于指示样本对象实际是否异常，即用于反映样本对象是否异常的样本真实标签，样本对象的样本判断结果是指基于需训练的决策树模型决策判断出的模型判断结果。通过比较样本真实标签和模型判断结果之间的差异可以对需训练的决策树模型进行调整，从而使得样本真实标签和模型判断结果尽可能一致。当样本真实标签和模型判断结果一致时，则可以保留此时需训练的决策树模型，作为决策树模型，后续可以直接使用进行决策判断。
进一步地，对需训练的决策树模型进行调整可以是指调整需训练的决策树模型的深度或者决策节点分支数量，例如可以对决策树模型进行剪枝来调整决策树模型的深度或者决策节点分支数量。剪枝可以是指剪掉决策树模型中的某个决策节点，剪掉的决策节点所决策判断的对象属性的决策判断结果对于决策树模型的最终判断结果而言不具有影响。例如剪掉的决策节点所指示的对象属性是不重要的，该对象属性不管属于哪种范围对于最终的目标对象的对象属性信息的判断结果不具有影响。通过对决策树模型进行剪枝，可以优化决策树模型，减少决策树模型的计算量。通过对需训练的决策树模型进行调整，可以得到决策树模型，后续则可以使用决策树模型进行决策判断，得到最终的决策结果。
本申请实施例中，通过获取需训练的决策树模型，对需训练的决策树模型进行训练，可以得到决策树模型，则在获取到目标对象的对象属性信息时，可以进一步调用决策树模型对目标对象的对象属性信息进行决策判断。
S102，调用决策树模型的各个决策节点基于对象属性信息，对目标对象的M种对象属性进行决策判断，得到目标对象在M种对象属性中的每种对象属性下的决策判断结果。
本申请实施例中，计算机设备可以调用决策树模型的各个决策节点基于对象属性信息，对目标对象的M种对象属性进行决策判断，得到目标对象在M种对象属性中的每种对象属性下的决策判断结果。其中，M种对象属性是决策树模型可以决策判断的M种对象属性，即决策树模型在训练的过程中训练过的对象属性，决策树模型中的决策节点可以对这M种对象属性进行决策判断。
可以理解的是，对于训练过程中未训练过的对象属性，决策树模型中的决策节点无法进行决策判断。因此，为了增加决策树模型的决策准确性，可以在训练决策树模型时使用大量的训练样本对决策树模型进行训练，增加决策树模型的决策准确性。并且，为了让决策树模型可以决策更多种对象属性，在选择训练样本时，可以尽可能的选择多种训练样本，例如训练样本中包含的对象属性的种类可以尽可能的多，从而使得训练得到决策树模型可以对更多种对象属性进行决策，提升决策准确性。
其中，目标对象的对象属性信息可以用于反映目标对象多个方面的特征，例如对象属性可以用于反映目标对象的交易方面的特征、目标对象的身份方面的特征、目标对象的其他方面的特征，等等。通过调用决策树模型的各个决策节点对目标对象的各个方面特征进行决策判断，可以得到各个方面的特征对应的决策判断结果，进而可以结合多个方面的决策判断结果确定目标对象是否异常。
在一种可能的场景中，对象属性信息是与目标对象相关联的对象交易的属性信息，目标对象的M种对象属性包括如下至少一种：目标对象的身份信息、对象交易中所执行的资源的资源量、对象交易的交易数量、对象交易的交易时段、对象交易的交易类型、对象交易关联的除目标对象之外的其他对象的身份信息、对象交易的交易附加信息。
其中，目标对象相关联的对象交易的属性信息可以包括但不限于目标对象作为交易发起方执行的对象交易、或者目标对象作为交易接收方执行的对象交易。目标对象的身份信息可以包括但不限于目标对象的名称、性别、年龄、证件号码、所在地区、交易账号，等等。对象交易中所执行的资源的资源量例如可以是指交易金额。对象交易的交易数量例如可以是指交易次数，即与目标对象相关联的交易的次数，可以包括目标对象作为交易发起方执行的对象交易与目标对象作为交易接收方执行的对象交易的次数之和。对象交易的交易时段例如可以是指发起交易的时间所属的时间段、或者交易执行完成的时间所属的时间段。对象交易的交易类型可以包括但不限于个人转账、个人红包、群转账、网银转账，等等。以目标对象作为交易发起方为例，对象交易关联的除目标对象之外的其他对象的身份信息可以是指交易接收方的对象的身份信息。以目标对象作为交易接收方为例，对象交易关联的除目标对象之外的其他对象的身份信息可以是指交易发起方的对象的身份信息。对象交易的交易附加信息例如可以包括但不限于交易备注信息或交易附言信息，等等。
本申请实施例中，通过获取目标对象的多种对象属性，采用决策树模型对目标对象的多种对象属性进行决策判断可以确定出每种对象属性是否异常，从而可以确定目标对象是否异常。通过对目标对象的多种对象属性进行分析决策，可以提升判断结果的准确性。
在一种可能的场景中，决策树模型中的任一决策节点用于采用关联的决策条件对目标对象的对象属性进行决策判断，任一决策节点关联的决策条件为如下任一种：对象交易中执行的资源的资源量在预设的多种资源量范围中所属的资源量范围、对象交易的交易数量在预设的多种数量范围中所属的数量范围、对象交易的交易时段在预设的多种交易时段中所属的交易时段、对象交易的交易类型是否属于目标交易类型、其他对象的身份信息与黑名单列表之间是否匹配、对象交易的交易附加信息是否包含异常信息。
其中，预设的多种资源量范围可以包括但不限于小于第一资源量、大于或等于第一资源量且小于第二资源量、大于或等于第二资源量，等等。第一资源量小于第二资源量。预设的多种数量范围可以包括但不限于小于第一数量、大于或等于第一数量且小于第二数量、大于或等于第二数量，等等。第一数量小于第二数量。预设的多种交易时段可以包括但不限于早上、中午、下午、晚上、凌晨等时间段。目标交易类型可以包括但不限于个人转账、个人红包、群转账、网银转账等类型。其他对象的身份信息与黑名单列表之间是否匹配可以用于指示其他对象是否属于黑名单列表。例如其他对象的身份信息与黑名单列表之间匹配，则表示其他对象属于黑名单列表。其他对象的身份信息与黑名单列表之间不匹配，则表示其他对象不属于黑名单列表。匹配可以是指其他对象的身份信息与黑名单列表中的身份信息相同。对象交易的交易附加信息是否包含异常信息例如可以包括但不限于交易备注信息或交易附言信息中是否包含异常字段或异常字段等信息。异常信息可以基于信息处理方式确定，例如可以通过信息搜索或者信息查询等信息处理方式对某条信息进行信息处理，得到的信息处理结果指示该条信息为异常的信息。
可选地实现方式中，由于决策树模型中包括多个决策节点和有向边。决策节点一般包括一个或者多个层级，每个层级的决策节点可以存在一个或者多个分支。每个决策节点可以连接一条或者多条有向边，每条有向边指向的决策节点不同。有向边可以指示决策节点的方向，即可以将有向边指向的决策节点作为下一个决策节点。决策节点可以包括内部节点和叶子节点，内部节点表示一个特征即对象属性的决策条件，即内部节点用于对对象属性进行决策判断，叶子节点表示一个分类，即叶子节点可以用于指示目标对象的对象属性信息是否异常的结论。
在使用决策树模型时，可以将目标对象的M种对象属性输入决策树模型，决策树模型中的多个决策节点可以确定对M种对象属性中的哪种对象属性进行决策判断。例如由某个内部节点对某种对象属性进行决策判断，并根据决策判断结果和有向边指向的节点确定下一个内部节点，直到对M种对象属性决策判断完成后，到达对应的叶子节点，从而得到最终的目标判断结果，目标判断结果可以包括每个内部节点的决策判断结果和最终的叶子节点的决策判断结果。
以对象交易中执行的资源的资源量为例进行说明，例如某个决策节点是用于对资源量进行决策判断，针对于对象交易中执行的资源的资源量小于第一资源量和对象交易中执行的资源的资源量大于或等于第二资源量这两种情况，两种情况所对应的下一个决策节点不同，因此两种情况下决策树模型所经过的决策节点不同，最终得到的决策路径不同，最终的目标判断结果也可能不同。
可选地，如图4所示，图4是本申请实施例提供的一种决策树模型的结构示意图，其中，节点1、节点2、节点3、节点4、节点5、……、节点Y、分类1和分类2均可以是指决策节点，节点1可以是指根节点，节点1例如可以是指M种对象属性组成的集群，Y为小于N的正整数。节点2、节点3、节点4、节点5、……、节点Y可以是指内部节点，分类一和分类二可以是指叶子节点。例如节点2可以用于对交易中执行的资源的资源量进行决策判断，例如资源量小于第一资源量则执行节点4，资源量大于第一资源量则执行节点5。节点4可以用于对对象交易的交易数量进行决策判断，例如交易数量小于第一数量则执行节点6，交易数量大于第一数量则执行节点7。节点6和节点7在图4中未示出，图4中还可以包括更多内部节点或者更多叶子节点。例如针对于目标对象的M种对象属性，采用决策树模型对M种对象属性进行决策判断时采用了节点2、节点4、节点6、分类一组成的决策路径，则可以基于节点2、节点4、节点6、分类一所组成的决策路径对应的决策结果确定目标决策结果，例如目标决策结果包括对交易中执行的资源的资源量小于第一资源量、对象交易的交易数量小于第一数量，目标对象是正常的。
可选地，决策节点关联的决策条件还可以包括目标对象的身份信息与黑名单列表之间是否匹配。例如目标对象的身份信息与黑名单列表之间匹配，则表示目标对象属于黑名单列表。目标对象的身份信息与黑名单列表之间不匹配，则表示目标对象不属于黑名单列表。匹配可以是指目标对象的身份信息与黑名单列表中的身份信息相同。
本申请实施例中，通过采用决策树模型中的各个决策节点对目标对象的M种对象属性进行决策判断，可以得到目标对象在每种对象属性下的决策判断结果，由于结合了目标对象的多种对象属性进行决策判断，可以提升判断结果的准确性。
在一个实施例中，决策树模型进行决策判断时，可以先对对象属性信息进行编码，将对象属性信息编码成决策树模型规定的输入格式，从而对对象属性信息进行决策判断。例如，可以对目标对象的对象属性信息进行信息编码处理，生成对象属性信息的信息编码语句；调用各个决策节点基于信息编码语句，对目标对象的M种对象属性进行决策判断，得到目标对象在每种对象属性下的决策判断结果。
其中，信息编码语句可以是指决策树模型可识别的语言，例如可以是指决策树模型规定的输入语言，例如特征向量或者二进制串，等等。可选地实现方式中，可以基于特征处理层对目标对象的对象属性信息进行信息编码处理，例如将其编码为特征向量，则可以通过各个决策节点对特征向量进行决策判断得到目标对象在每种对象属性下的决策判断结果。通过将对象属性信息编码为决策树模型可识别的语言，便于后续进行决策判断，从而实现生成决策判断结果。
可以理解的是，在训练决策树模型时，也可以对样本对象的样本对象属性信息进行信息编码处理，生成样本对象属性信息的样本信息编码语句；调用需训练的决策树模型中各个决策节点基于样本信息编码语句，对样本对象的M种样本对象属性进行决策判断，得到样本对象在每种样本对象属性下的样本决策判断结果。
S103，基于目标对象在每种对象属性下的决策判断结果，生成目标对象的目标判断结果。
本申请实施例中，计算机设备可以基于目标对象在每种对象属性下的决策判断结果，生成目标对象的目标判断结果。例如计算机设备可以对目标对象在每种对象属性下的决策判断结果进行拼接得到目标对象的目标判断结果，拼接的方式例如可以包括但不限于随机拼接、按节点执行的先后顺序拼接、按照指定顺序拼接或者按照其他规则拼接，等等。
其中，目标判断结果用于指示目标对象的对象属性信息是正常的或是异常的。目标判断结果还可以用于指示目标对象是正常的或是异常的。通过对目标对象的对象属性信息包括的多种对象属性进行决策判断，从而基于多种对象属性的决策判断结果确定目标对象的对象属性信息是否异常，进而确定目标对象是否异常。目标对象的对象属性信息是异常的可以是指目标对象为风险对象，或者目标对象的风险等级大于等级阈值，则后续可以基于目标对象是否异常来确定针对目标对象的处理方式，例如针对目标对象的后续操作进行风险提示或者拦截等处理，从而提升数据安全性。
可选地实现方式中，决策树模型中可以有多条决策路径到达最终结论，例如可以将F(x)表示为决策树模型的分类结果，例如F(x)取值可以包括0或者1，F(x)为0可以表示目标对象是正常的，F(x)为1可以表示目标对象是异常的，X可以表示为M种对象属性，则分类结果可以通过公式(1-1)来表示：
F(x)＝x1+x2+…+xm (1-1)
可以看出，目标对象是正常的或是异常的分类结果是基于目标对象的M种对象属性综合确定的。
可选地实现方式中，针对于每个决策节点可以赋予对应的数值，例如交易数量小于第一数量时对应的数值与交易数量大于第一数量时对应的数值不相等，通过对每个决策节点赋予对应的数值，当经过决策树模型中的任意一条决策路径时，可以将该决策路径中的每个决策节点对应的数值相加，并将该条决策路径中各个决策节点对应的数值之和进行数值变换，将其变换为0或者1。若该条决策路径中各个决策节点对应的数值之和变换为0，则可以表示目标对象是正常的，若该条决策路径中各个决策节点对应的数值之和变换为1，则可以表示目标对象是异常的。例如数值变换可以是指对数值之和进行映射处理，例如数值之和小于设定数值，则可以映射为0。例如数值之和大于或等于设定数值，则可以映射为1。本申请实施例中也可以通过其他方式进行数值变换，从而基于数值变换后得到的结果确定目标对象是正常的或是异常的。
在一个实施例中，生成目标对象的目标判断结果的方式可以如下：获取目标对象在每种对象属性下的决策判断结果所关联的结果描述信息；基于目标对象在每种对象属性下的决策判断结果所关联的结果描述信息，生成目标对象的目标判断结果。
其中，目标对象在每种对象属性下的决策判断结果可以用于指示目标对象的每种对象属性所属的范围，决策判断结果可以通过数值或者特征向量的形式来表示，而决策判断结果所关联的结果描述信息可以是指通过文字的形式来描述决策判断结果。可以理解的是，决策判断结果和结果描述信息可以是指使用两种不同的形式来表示相同的含义。
可选地实现方式中，在训练好决策树模型之后，可以根据目标对象的M种对象属性分别确定对应的决策节点，从而确定目标对象的M种对象属性对应的决策路径，给每个决策节点写对应的结果描述信息。则在确定决策树模型中的决策路径时，可以基于该决策路径中的每个决策节点对应的结果描述信息生成目标对象的目标判断结果。例如每个结果描述信息可以是指一个描述文本，则可以对多个描述文本进行拼接得到目标判断结果。
可选地实现方式中，可以根据决策树模型划分的阈值大小决定针对M种对象属性的描述程度，还可以在结果描述信息中加入M种对象属性的具体数值进行描述。可选地，还可以使用话术转换函数将M种对象属性映射到对应的结果描述信息。例如可以先编写相关结果描述信息，等累积一定结果描述信息后可以得到描述信息库。进一步可选地，还可以基于描述信息库进行深度学习，生成新的结果描述信息，增加结果描述信息的丰富性。
可选地，当输入目标对象的对象属性信息到决策树模型后，可以得到针对目标对象的对象属性信息包含的M种对象属性对应的决策节点，从而得到目标对象的决策路径，进一步可以使用话术转换函数将决策路径中每个决策节点对应的对象属性转化为每种对象属性对应的结果描述信息Z(x)，从而将多种对象属性对应的结果描述信息Z(x)拼接得到最终的目标判断结果H(z)，目标判断结果H(z)可以是指用于指示目标对象是否异常的结论报告，结论报告中包括可以指示目标对象是否异常、目标对象的对象信息、目标对象的交易信息、目标对象的尽调信息即尽职调查信息，等等。目标判断结果H(z)对应的公式可以如公式(1-2)所示：
H(z)＝z(x1)+z(x2)+…+z(xm)+z(f(x)) (1-2)
其中，z(x1)、z(x2)和z(xm)可以是指M种对象属性对应的结果描述信息，z(f(x))可以是指结论对应的结果描述信息。通过对多个结果描述信息进行拼接，可以得到最终的结论报告。
可选地，可以进一步对结论报告进行修改，例如可以将结论报告发送给终端设备进行展示，当终端设备检测到指定对象针对结论报告的修改操作时，将修改操作发送给计算机设备，从而计算机设备可以基于修改操作对结论报告进行修改。当修改的结论报告的数量积累到设定数量后，可以使用语言模型填空的方式对后续经过决策树模型决策判断确定的多个结果描述信息进行拼接，从而生成更加流畅的目标判断结果。例如语言模型填空可以是指根据语言的前后关联性和通顺程度对多个结果描述信息进行按顺序拼接，使得拼接得到的文本更流畅。
在一个实施例中，生成目标对象的目标判断结果的方式可以为：获取目标对象在每种对象属性下的决策判断结果的结果重要等级；按照目标对象在每种对象属性下的决策判断结果的结果重要等级的由高至低的顺序，对目标对象在每种对象属性下的决策判断结果关联的结果描述信息依次进行组合处理，生成目标判断结果。
其中，结果重要等级可以用于指示每个决策判断结果的重要程度。重要程度越高，对应的结果重要等级越高。重要程度越低，对应的结果重要等级越低。例如可以确定M种对象属性的重要程度，对象属性的重要程度越高，该对象属性下的决策判断结果的结果重要等级越高。例如目标对象的身份信息的重要程度大于目标对象的交易数量，则目标对象的身份信息对应的决策判断结果的结果重要等级大于目标对象的交易数量对应的决策判断结果的结果重要等级。
本申请实施例中，通过确定目标对象在每种对象属性下的决策判断结果的结果重要等级，可以根据结果重要等级对多个决策判断结果由高至低进行排序，得到由高至低的顺序，从而在对多个决策判断结果进行组合处理时，可以按照多个决策判断结果的结果重要等级的由高至低的顺序进行组合处理，生成目标判断结果。其中，组合处理可以是指对多个决策判断结果进行拼接处理。通过将多个决策判断结果拼接在一起，可以生成最终的目标判断结果，即用于反映目标对象的异常的结论报告。
由于针对结果重要等级较高的决策判断结果，在进行组合处理时是组合在靠前的位置，针对结果重要等级较低的决策判断结果，在进行组合处理时是组合在靠后的位置，因此目标判断结果时根据各个决策判断结果的结果重要等级排序的，因此在查看目标判断结果时，可以快速获取到较重要的决策判断结果，提升对重要的决策判断结果的关注度。对于不重要的决策判断结果，可以靠后展示，避免影响重要的决策判断结果的展示。
可选地实现方式中，可以预先设定每种对象属性下的决策判断结果的结果重要等级，或者也可以接收针对M种对象属性下的决策判断结果的结果重要等级的排序请求，基于排序请求进行排序。或者还可以针对目标对象的对象属性信息所属的类型确定该种对象属性信息包含的M种对象属性下决策判断结果的结果重要等级，等等，本申请实施例对此不做限定。
以针对目标对象的对象属性信息所属的类型确定该种对象属性信息包含的M种对象属性下决策判断结果的结果重要等级为例进行举例说明，例如对象属性信息所属的类型为交易方面的属性信息，则目标对象在交易资源量下的决策判断结果的结果重要等级大于其他对象属性下的决策判断结果的结果重要等级。
可选地，若目标对象的对象属性信息包括目标对象相关联的对象交易的属性信息，还包括目标对象的其他类型的对象属性信息，其他类型的对象属性信息是指交易以外的属性信息，则目标对象相关联的对象交易的属性信息包含的M种对象属性下的决策判断结果的结果重要等级可以大于其他类型的对象属性信息包含的M种对象属性下的决策判断结果的结果重要等级。
由于交易方面的属性信息更容易体现出目标对象的风险情况，因此交易方面的属性信息包含的多种属性对应的结果重要等级大于其他方面的属性信息包含的多种属性对应的结果重要等级，生成的目标判断结果中的靠前位置可以展示交易方面的属性信息包含的多种属性的决策判断结果，目标判断结果中的靠后位置可以展示其他方面的属性信息包含的多种属性的决策判断结果，可以避免影响重要信息的展示，提升数据展示效果。
可选地，还可以基于对象属性信息包含的M种对象属性的数据类型确定M种对象属性下决策判断结果的结果重要等级。数据类型可以包括数值型、文字类型、特殊符号类型，等等。特殊符号例如可以包括但不限于双引号、书名号、括号，等等。例如包含数值类型的对象属性下决策判断结果的结果重要等级大于包含特殊符号类型的对象属性下决策判断结果的结果重要等级，包含特殊符号类型的对象属性下决策判断结果的结果重要等级大于包含文字类型的对象属性下决策判断结果的结果重要等级。
由于包含数值型的对象属性更容易被关注到，因此可以设定较高结果重要等级，在进行组合处理时将包含数值型的对象属性组合在目标判断结果中的靠前位置，可以更快关注到。由于特殊符号一般是用于突出展示某个信息，因此包含特殊符号的对象属性相对于只包含文字类型的对象属性而言，包含的信息可能更重要，因此可以在只包含文字类型的对象属性之前进行组合，从而可以提升包含特殊符号的对象属性的关注度。通过根据对象属性信息包含的M种对象属性的数据类型确定M种对象属性下决策判断结果的结果重要等级，可以实现合理组合多个决策判断结果，从而得到目标判断结果。
可选地，还可以获取针对对象属性信息包含的M种对象属性的历史结果重要等级，将M种对象属性的历史结果重要等级确定为目标对象在M种对象属性下决策判断结果的结果重要等级。历史结果重要等级可以是指在历史时段生成反映任意对象的对象属性信息是异常的或是正常的目标判断结果时，目标判断结果中的M种对象属性下决策判断结果的结果重要等级。通过将历史结果重要等级确定为目标对象在M种对象属性下决策判断结果的结果重要等级，从而可以基于目标对象在M种对象属性下决策判断结果的结果重要等级进行排序，可以实现基于排序得到的顺序对目标对象在多种对象属性下的决策判断结果关联的结果描述信息依次进行组合处理，生成目标判断结果，便与后续对目标判断结果进行查询。
本申请实施例中，通过结合目标对象在每种对象属性下的决策判断结果的结果重要等级对目标对象在每种对象属性下的决策判断结果关联的结果描述信息依次进行组合处理，生成目标判断结果，可以实现将重要的决策判断结果放在结论报告中的靠前位置进行描述，可以提升重要的决策判断结果的显著程度，使得重要的决策判断结果快速被获取到。
本申请实施例中主要是采用决策树模型通过二分类的方式对目标对象的对象属性信息进行决策判断，对目标对象的对象属性信息进行二分类确定目标对象的对象属性信息是正常的或是异常的。本申请实施例中也可以通过采用决策树模型通过多分类的方式对目标对象的对象属性信息进行决策判断，对目标对象的对象属性信息进行多分类确定目标对象的对象属性信息是正常的或是异常的，以及具体属于哪种异常类型，例如A类异常类型、B类异常类型或其他类别异常类型，A类异常类型和B类异常类型为不同种异常类型，本申请实施例对此不做过多描述。
本申请实施例中，通过获取目标对象的对象属性信息及用于对对象属性信息的异常情况进行决策判断的决策树模型，可以调用决策树模型的各个决策节点基于对象属性信息，对目标对象的M种对象属性进行决策判断，得到目标对象在M种对象属性中的每种对象属性下的决策判断结果；从而可以基于目标对象在每种对象属性下的决策判断结果，生成用于指示目标对象的对象属性信息是正常的或是异常的目标判断结果。由于调用了决策树模型的各个决策节点对目标对象的M种对象属性进行决策判断，可以实现对每种对象属性均进行判断，从而根据目标对象在多种对象属性下的决策判断结果得到最终的目标判断结果，相当于从目标对象的多个属性维度本身来对目标对象进行判断，并且最终的判断结果是基于多个维度的判断结果综合确定的，因此可以提升对目标对象的对象属性信息的异常情况进行判断的准确性。
进一步地，请参见图5，图5是本申请实施例提供的另一种信息处理方法的流程示意图。该信息处理方法可以应用于计算机设备；如图5所示，该信息处理方法包括但不限于以下步骤：
S201，获取目标对象的多种属性信息。
本申请实施例中，目标对象的属性信息的数量可以为多种，通过获取目标对象的多种属性信息，可以使用一些筛选规则从多种属性信息中筛选出目标对象的对象属性信息，则后续可以对目标对象的对象属性信息进一步进行判断，确定目标对象的对象属性信息是正常的或是异常的。这里的筛选可以是指初步筛选目标对象的异常属性信息作为目标对象的对象属性信息，则后续可以对目标对象的对象属性信息进行更详细的决策判断确定目标对象的对象属性信息是否异常，可以提升异常判断准确性。
可选地，目标对象的多种属性信息可以包括目标对象任意的属性信息，例如可以包括与目标对象相关联的对象交易的属性信息、目标对象的贷款还款等方面的属性信息、目标对象的关联对象的对象交易的属性信息、关联对象的贷款还款等方面的属性信息，等等。目标对象的关联对象例如可以包括目标对象的亲属。
本申请实施例中，通过获取目标对象的多种属性信息，可以筛选出其中存在异常的属性信息，作为目标对象的对象属性信息进行后续决策判断，减少初步筛选导致误判，从而提升异常判断的准确性。
S202，调用预测模型对多种属性信息中的每种属性信息进行预测处理，生成每种属性信息的预测结果。
本申请实施例中，计算机设备可以获取预测模型，从而调用预测模型对多种属性信息中的每种属性信息进行预测处理，生成每种属性信息的预测结果。通过调用预测模型对多种属性信息中的每种属性信息进行初步筛选，可以得到目标对象的对象属性信息，从而后续可以使用决策树模型对目标对象的对象属性信息进行决策判断。通过初步筛选出异常的属性信息后续采用决策树模型进行决策判断，而无需对多种属性信息均采用决策树模型进行决策判断，可以提升决策判断的效率。
其中，任一属性信息的预测结果是正常预测结果或异常预测结果，正常预测结果用于指示所属的属性信息是正常的，异常预测结果用于指示所属的属性信息是异常的。这里，任一属性信息的预测结果是正常预测结果可以表示对任一属性信息的初步筛选结果为正常的，则后续无需对该任一属性信息进行决策判断，可以提升决策判断效率。任一属性信息的预测结果是异常预测结果可以表示对任一属性信息的初步筛选结果为异常的，则后续可以进一步对该任一属性信息进行决策判断，可以提升决策判断准确性。
可选地，在获取决策模型之前，计算机设备可以获取需训练的预测模型，并对需训练的预测模型进行训练，从而使得训练得到的预测模型具有预测处理生成每种属性信息的预测结果的能力，并将此时的需训练的预测模型确定为预测模型，从而在后续使用过程中，可以使用预测模型对任意对象的多种属性信息进行预测处理。
例如，可以获取需训练的预测模型和样本属性信息；样本属性信息具有样本标签，样本标签用于指示样本属性信息实际是正常的或是异常的；调用需训练的预测模型对样本属性信息进行预测处理，生成样本属性信息的样本预测结果；样本预测结果用于指示样本属性信息是正常的或是异常的；基于样本预测结果与样本标签之间的差异，修正需训练的预测模型的模型参数，得到预测模型。
其中，样本标签可以是指样本真实值，样本预测结果可以是指模型输出值，训练预测模型的目的在于使得样本真实值与模型输出值尽可能一致，样本真实值与模型输出值不一致时，则继续修正需训练的预测模型中的模型参数，降低需训练的预测模型中的损失函数，使得样本真实值与模型输出值尽可能一致。当样本真实值与模型输出值一致时，则可以停止修正需训练的预测模型的模型参数，得到预测模型，后续可以调用该预测模型对多种属性信息中的每种属性信息进行预测处理，生成每种属性信息的预测结果。
可选地，训练需训练的预测模型的过程是不断调整需训练的预测模型中的模型参数的过程，当需训练的预测模型中的损失函数小于损失阈值时，或者需训练的预测模型达到收敛条件时，或者需训练的预测模型的迭代训练次数达到目标次数时，则可以停止修正需训练的预测模型的模型参数，得到预测模型。通过使用训练后的预测模型对多种属性对象进行预测处理，可以提升预测准确性。
可选地，预测模型例如可以包括但不限于卷积神经网络模型(ConvolutionalNeural Network，CNN)、循环神经网络模型(Recurrent neural network，RNN)、深度神经网络模型(Deep Neural Networks，DNN)，等等。
S203，将多种属性信息中预测结果为异常预测结果的属性信息，作为目标对象的对象属性信息。
本申请实施例中，通过对目标对象的多种属性信息进行预测处理得到每种属性信息的预测结果，将多种属性信息中预测结果为异常预测结果的属性信息，作为目标对象的对象属性信息。由于通过使用预测模型进行初步筛选时，确定目标对象的对象属性信息存在异常，则后续通过调用决策树模型对目标对象的对象属性信息进行决策判断，可以进一步确定目标对象的对象属性信息是否异常，避免出现误判，提升决策判断的准确性。
S204，获取用于对目标对象的对象属性信息的异常情况进行决策判断的决策树模型。
本申请实施例中，由于结论报告生成的方法主要用于对目标对象的对象属性信息进行分析，这部分对象属性信息针对的是目标对象的数值数据分析异常，由于文本创作型生成方式对于对象属性信息中的数值的关注度不高，生成的结论报告使用的数据大多都是不正确的，话术的丰富性与数据异常分析的准确性较低，因此本申请实施例中使用决策树模型来生成结论报告，可以提升话术的丰富性与数据异常分析的准确性。
可选地，为了使得最终的结论报告更清楚描述目标对象的异常情况，本申请实施例中可以预先设置结论报告(即目标判断结果)的格式组成部分，例如格式组成部分可以包括四个部分，如图2中的24所示，四个部分可以分别是指报告结论、对象信息、交易信息、尽调信息。通过决策树模型对目标对象的对象属性信息进行决策判断后，可以将目标判断结果填充至报告结论中的四个部分。例如将决策树模型的分类结果填充至报告结论中，将目标对象的对象属性信息中的身份信息填充至对象信息模块中，用于对目标对象的身份信息和目标对象的异常进行总体概述。通过决策树模型的决策判断可以给交易信息中的每种异常类型制定不同条件输出规则。
可选地，还可以进一步利用文本增强技术来丰富交易信息部分的话术。或者还可以将局部特征打乱，根据局部特征之间的关联性和通顺程度进行重新组合。还可以进一步对话术连接逻辑词进行丰富，使得交易信息部分的文本内容更流畅。针对于尽调信息，可以使用文本匹配模块给每种不同异常类型指定不同黑名单词库。例如可以使用文本匹配模块对异常类型和黑名单词库进行文本匹配，将匹配的黑名单词库中的词语作为该目标对象的异常类型。可选地，还可以进一步丰富黑名单词库，将更多不合法词语加入黑名单词库，并且可以优化文本匹配模型，从而可以匹配出更多的异常类型，等等。
本申请实施例中，通过设置结论报告的组成部分，在得到目标对象在每种对象属性下的决策判断结果时，可以对应填充至结论报告的各个组成部分，通过局部定制化，可以优化结论报告的内容，通过对结论报告进行整体多样化，可以实现优化结论报告，丰富结论报告内容。
S205，调用决策树模型的各个决策节点基于对象属性信息，对目标对象的M种对象属性进行决策判断，得到目标对象在M种对象属性中的每种对象属性下的决策判断结果。
S206，基于目标对象在每种对象属性下的决策判断结果，生成目标对象的目标判断结果。
本申请实施例中，步骤S204～步骤S206中的具体实现方式可以参考上述步骤S101～步骤S103中的实现方式，此处不再赘述。
进一步地，请参见图6，图6是本申请实施例提供的一种信息处理的框架结构示意图，如图6所示，该框架结构示意图中可以包括数据清洗、决策树模型、话术规则模板、话术拼接几个部分。例如，可以获取目标对象的对象属性信息，对目标对象的对象属性信息进行数据清洗，数据清洗可以是指对目标对象的对象属性信息进行信息编码处理，生成对象属性信息的信息编码语句，从而可以将信息编码语句输入决策树模型进行决策判断。进一步地，可以训练决策树模型，具体训练方法可以参考上述步骤S202中的描述，此处不再赘述，决策树模型的训练目标例如可以为二分类，即指示目标对象的对象属性信息是正常的或是异常的两种分类。
进一步地，可以通过话术规则模板给训练好的决策树模型的每一个决策节点，按照阈值划分写模板话术，即按照目标对象的每种对象属性所属的属性范围如资源量范围、数量范围、交易时段等，写每种范围对应的描述话术，即写每种对象属性下的决策判断结果所关联的结果描述信息。例如节点2小于阈值输出程度副词一、节点2大于阈值输出程度副词二。程度副词一和程度副词二可以用于描述同一种对象属性的不同情况，例如程度副词一用于描述交易次数异常，程度副词二用于描述交易次数正常，等等，按照这种规则可以给每个决策节点写对应的话术(即结果描述信息)。进而可以通过话术拼接的方式对每种对象属性下的决策判断结果所关联的结果描述信息和结论对应的结果描述信息进行拼接，得到目标对象的目标判断结果，即最终的结论报告。
本申请实施例中，由于针对任何一个对象的对象属性信息进入到决策树模型都会生成一条决策路径，将该决策路径中的决策节点对应的结果描述信息拼接起来就可以作为指示该对象异常的异常分析的部分。该种结论报告生成方式可以明显地指示出该对象异常，以及该对象具体的异常情况，因此结论报告更符合人工审核的逻辑，便于进行审核。而不是文本创作型生成方式，即根据给出的文本内容对文本进行扩充生成最终的文本，该种文本创作型生成方式不便于有效根据目标对象的对象属性信息来生成文本。
进一步可选地，请参见图7，图7是本申请实施例提供的一种决策树模型预测的场景示意图，如图7所示，通过对目标对象的对象属性信息进行数据清洗，可以生成对象属性信息的信息编码语句，将信息编码语句输入决策树模型进行决策判断，通过决策树模型中的各个决策节点基于对象属性信息对应的信息编码语句，对目标对象的M种对象属性进行决策判断，得到目标对象在M种对象属性中的每种对象属性下的决策判断结果。例如通过决策树模型得到的决策路径中包括节点2、节点4、分类一，由于预先设置好决策树模型中每个决策节点对应的模板话术(即结果描述信息)，因此可以确定目标对象对应的模板话术包括节点2对应的话术2、节点4对应的话术4以及分类一对应的结论一，从而可以对话术2、话术4以及结论一进行话术拼接得到结论报告(即目标判断结果)，结论报告中包括话术2、话术4以及结论一。
实例性的，例如可以基于特征处理层对目标对象的对象属性信息进行信息编码处理，例如将其编码为特征向量，则可以通过决策树模型中各个决策节点对特征向量进行决策判断得到目标对象在每种对象属性下的决策判断结果，进而基于目标对象在每种对象属性下的决策判断结果生成目标判断结果。例如目标判断结果可以如图2中的25所示，目标对象属于XX异常，身份信息为：XXX，在近三个月的交易分析中，异常分析1，异常分析2，……，异常分析M。在尽职调查中，异常分析1，异常分析2，……，异常分析M。综上该，目标对象属于XX异常，予以上报。
S207，若目标判断结果指示目标对象的对象属性信息是异常的，且在目标时段内接收到目标对象发起的目标交易，则对目标交易进行拦截处理，并暂停执行目标交易。
本申请实施例中，当确定出目标判断结果之后，还可以基于目标判断结果对目标对象的后续操作进行处理。例如，若目标判断结果指示目标对象的对象属性信息是异常的，且在目标时段内接收到目标对象发起的目标交易，则对目标交易进行拦截处理，并暂停执行目标交易；目标时段是在生成目标判断结果后的邻近时段。由于目标判断结果指示目标对象的对象属性信息是异常的，则可以表示目标对象是风险对象，可以目标对象的后续操作进行处理，提升数据安全性。
在一种可能的实现方式中，若目标判断结果指示目标对象的对象属性信息是异常的，且在目标时段内接收到目标对象发起的目标交易，以及目标交易的所执行的资源的资源量大于或等于设定资源量，则对目标交易进行拦截处理，并暂停执行目标交易。
由于目标对象在生成目标判断结果后的邻近时段内执行目标交易的交易额度较大，则可以暂停该交易的执行，提升交易安全，减少财产损失。例如可以在获取到交易认证信息或者其他身份认证操作之后继续执行目标交易，从而保证交易的正常执行。由于对目标交易进行交易认证信息或者其他身份认证，可以表示该交易是合法的，则可以继续执行目标交易，保证交易的正常执行。
在另一种可能的实现方式中，若目标判断结果指示目标对象的对象属性信息是异常的，且在目标时段内接收到目标对象发起的目标交易，以及目标交易的所执行的资源的资源量小于设定资源量，则执行目标交易，生成并输出针对目标交易的提示信息，提示目标对象或者管理对象当前执行了目标交易。由于目标交易的交易额度较小，则可以继续执行目标交易，提升交易执行效率，并且通过输出提示信息，可以进行交易提示，提升交易安全性。
可选地，若目标判断结果指示目标对象的对象属性信息是正常的，表示目标对象不为风险对象，则可以不对目标对象的后续操作例如目标对象发起的目标交易进行处理，提升交易效率。
可选地，若目标判断结果指示目标对象的对象属性信息是异常的，则计算机设备还可以将目标对象的目标判断结果发送给管理终端，以使管理终端基于目标判断结果对目标对象进行进一步检测，提升异常判断准确性。
进一步地，管理终端可以对目标对象的目标判断结果进行异常审核，确定目标判断结果中是否存在误判。例如管理终端的管理人员可以对目标对象的目标判断结果进行人工审核，确定目标判断结果中是否存在误判。若目标判断结果中存在误判，则可以对目标对象的目标判断结果进行修改，并将修改后的目标判断结果发送给计算机设备，以使计算机设备使用修改后的目标判断结果调整生成的针对目标对象的目标判断结果，提升异常判断准确性。
在一种可能的实现方式中，计算机设备还可以基于目标判断结果确定针对目标对象的风险等级，风险等级用于指示目标对象的风险程度。若目标对象的风险等级大于风险等级阈值，向风险管理机构关联的终端设备发送目标对象的风险等级和目标判断结果，以使风险管理机构关联的终端设备对目标对象进行风险管理，例如降低目标对象在某些方面的权限，从而降低风险，提升数据安全性。
可选地实现方式中，计算机设备还可以使用目标对象的风险等级更新目标对象的其他异常信息中的风险标签，使得更新后的风险标签可以更准确反映目标对象的风险情况。
本申请实施例中，可以自主生成规则框架，以及通过机器学习的方式决定决策树模型中各个决策节点的阈值划分，可以减少人工编写规则模版的工作量，提升规则模板编写的准确性和合理性。对于新增对象属性信息的判定，能够辅助人工对目标对象的对象属性信息进行判断，且根据新增对象属性信息的决策判断结果来写异常报告，不再是简单的一堆规则的堆叠，决策树模型也可以按照多种对象属性的重要性排序，将重要对象属性对应的结果描述信息放在前面描述。由于决策树模型对数据的敏锐性更强，因此对每种对象属性的决策判断准确率更高。
由于本申请实施例中的方式是根据目标对象的对象属性信息进行描述生成的，不会存在编造无中生有的话术，即编造的话术不在给定的目标对象的对象属性信息中，因此生成的结果描述信息更加精准。由于结论报告中可以明显地指示出目标对象的异常，因此结论报告生成方式的丰富性更高。并且可以使用决策树模型进行结论报告生成，可以降低人工维护成本，可拓展性更好。
本申请实施例中，通过获取目标对象的对象属性信息及用于对对象属性信息的异常情况进行决策判断的决策树模型，可以调用决策树模型的各个决策节点基于对象属性信息，对目标对象的M种对象属性进行决策判断，得到目标对象在M种对象属性中的每种对象属性下的决策判断结果；从而可以基于目标对象在每种对象属性下的决策判断结果，生成用于指示目标对象的对象属性信息是正常的或是异常的目标判断结果。由于调用了决策树模型的各个决策节点对目标对象的M种对象属性进行决策判断，可以实现对每种对象属性均进行判断，从而根据目标对象在多种对象属性下的决策判断结果得到最终的目标判断结果，相当于从目标对象的多个属性维度本身来对目标对象进行判断，并且最终的判断结果是基于多个维度的判断结果综合确定的，因此可以提升对目标对象的对象属性信息的异常情况进行判断的准确性。进一步地，通过对目标对象的多种属性信息进行初步筛选，后续只需要对初步筛选为异常的对象属性信息进行决策判断，可以提升决策判断的效率。此外，在确定目标对象的对象属性信息为异常时，可以对目标对象的后续交易进行处理，可以提升交易的安全性。
上面介绍了本申请实施例的方法，下面介绍本申请实施例的装置。
参见图8，图8是本申请实施例提供的一种信息处理装置的组成结构示意图，上述信息处理装置可以部署于计算机设备上；该信息处理装置可以用于执行本申请实施例提供的信息处理方法中的相应步骤。该信息处理装置80包括：
数据获取单元801，用于获取目标对象的对象属性信息及用于对该对象属性信息的异常情况进行决策判断的决策树模型；该决策树模型中配置有N个决策节点，任一决策节点用于对该目标对象的一种对象属性进行决策判断，该对象属性信息包含该目标对象的M种对象属性，M和N均为正整数且M小于或等于N；
数据决策单元802，用于调用该决策树模型的各个决策节点基于该对象属性信息，对该目标对象的该M种对象属性进行决策判断，得到该目标对象在该M种对象属性中的每种对象属性下的决策判断结果；
结果生成单元803，用于基于该目标对象在该每种对象属性下的决策判断结果，生成该目标对象的目标判断结果；该目标判断结果用于指示该目标对象的该对象属性信息是正常的或是异常的。
可选地，该数据获取单元801，具体用于：
获取该目标对象的多种属性信息；
调用该预测模型对该多种属性信息中的每种属性信息进行预测处理，生成该每种属性信息的预测结果；任一属性信息的预测结果是正常预测结果或异常预测结果，该正常预测结果用于指示所属的属性信息是正常的，该异常预测结果用于指示所属的属性信息是异常的；
将该多种属性信息中预测结果为该异常预测结果的属性信息，作为该对象属性信息。
可选地，该信息处理装置80还包括：模型训练单元804，该模型训练单元804，用于：
获取需训练的预测模型和样本属性信息；该样本属性信息具有样本标签，该样本标签用于指示该样本属性信息实际是正常的或是异常的；
调用该需训练的预测模型对该样本属性信息进行预测处理，生成该样本属性信息的样本预测结果；该样本预测结果用于指示该样本属性信息是正常的或是异常的；
基于该样本预测结果与该样本标签之间的差异，修正该需训练的预测模型的模型参数，得到该预测模型。
可选地，该结果生成单元803，具体用于：
获取该目标对象在该每种对象属性下的决策判断结果所关联的结果描述信息；
基于该目标对象在该每种对象属性下的决策判断结果所关联的结果描述信息，生成该目标对象的该目标判断结果。
可选地，该结果生成单元803，具体用于：
获取该目标对象在该每种对象属性下的决策判断结果的结果重要等级；
按照该目标对象在该每种对象属性下的决策判断结果的结果重要等级的由高至低的顺序，对该目标对象在该每种对象属性下的决策判断结果关联的结果描述信息依次进行组合处理，生成该目标判断结果。
可选地，该数据决策单元802，具体用于：
对该目标对象的该对象属性信息进行信息编码处理，生成该对象属性信息的信息编码语句；
调用该各个决策节点基于该信息编码语句，对该目标对象的该M种对象属性进行决策判断，得到该目标对象在该每种对象属性下的决策判断结果。
可选地，该对象属性信息是与该目标对象相关联的对象交易的属性信息，该目标对象的该M种对象属性包括如下至少一种：该目标对象的身份信息、该对象交易中所执行的资源的资源量、该对象交易的交易数量、该对象交易的交易时段、该对象交易的交易类型、该对象交易关联的除该目标对象之外的其他对象的身份信息、该对象交易的交易附加信息；其中，该任一决策节点用于采用关联的决策条件对该目标对象的对象属性进行决策判断，该任一决策节点关联的决策条件为如下任一种：
该对象交易中执行的资源的资源量在预设的多种资源量范围中所属的资源量范围、该对象交易的交易数量在预设的多种数量范围中所属的数量范围、该对象交易的交易时段在预设的多种交易时段中所属的交易时段、该对象交易的交易类型是否属于目标交易类型、该其他对象的身份信息与黑名单列表之间是否匹配、该对象交易的该交易附加信息是否包含异常信息。
可选地，该信息处理装置80还包括：交易处理单元805，该交易处理单元805，用于：
若该目标判断结果指示该目标对象的该对象属性信息是异常的，且在目标时段内接收到该目标对象发起的目标交易，则对该目标交易进行拦截处理，并暂停执行该目标交易；
其中，该目标时段是在生成该目标判断结果后的邻近时段。
需要说明的是，图8对应的实施例中未提及的内容可参见方法实施例的描述，这里不再赘述。
本申请实施例中，通过获取目标对象的对象属性信息及用于对对象属性信息的异常情况进行决策判断的决策树模型，可以调用决策树模型的各个决策节点基于对象属性信息，对目标对象的M种对象属性进行决策判断，得到目标对象在M种对象属性中的每种对象属性下的决策判断结果；从而可以基于目标对象在每种对象属性下的决策判断结果，生成用于指示目标对象的对象属性信息是正常的或是异常的目标判断结果。由于调用了决策树模型的各个决策节点对目标对象的M种对象属性进行决策判断，可以实现对每种对象属性均进行判断，从而根据目标对象在多种对象属性下的决策判断结果得到最终的目标判断结果，相当于从目标对象的多个属性维度本身来对目标对象进行判断，并且最终的判断结果是基于多个维度的判断结果综合确定的，因此可以提升对目标对象的对象属性信息的异常情况进行判断的准确性。进一步地，通过对目标对象的多种属性信息进行初步筛选，后续只需要对初步筛选为异常的对象属性信息进行决策判断，可以提升决策判断的效率。此外，在确定目标对象的对象属性信息为异常时，可以对目标对象的后续交易进行处理，可以提升交易的安全性。
参见图9，图9是本申请实施例提供的一种计算机设备的组成结构示意图。如图9所示，上述计算机设备90可以包括：处理器901和存储器902。其中，处理器901与存储器902相连，例如处理器901可以通过总线连接到存储器902。可选地，上述计算机设备90还可以包括：网络接口903，其中，网络接口903与处理器901和存储器902相连，例如处理器901可以通过总线连接到存储器902和网络接口903。其中，计算机设备可以是终端设备，也可以是服务器。
处理器901被配置为支持信息处理装置执行上述的信息处理方法中相应的功能。该处理器901可以是中央处理器(Central Processing Unit，CPU)，网络处理器(NetworkProcessor，NP)，硬件芯片或者其任意组合。上述硬件芯片可以是专用集成电路(Application-Specific Integrated Circuit，ASIC)，可编程逻辑器件(ProgrammableLogic Device，PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(ComplexProgrammable Logic Device，CPLD)，现场可编程逻辑门阵列(Field-Programmable GateArray，FPGA)，通用阵列逻辑(Generic Array Logic，GAL)或其任意组合。
存储器902存储器用于存储程序代码等。存储器902可以包括易失性存储器(Volatile Memory，VM)，例如随机存取存储器(Random Access Memory，RAM)；存储器902也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如只读存储器(Read-OnlyMemory，ROM)，快闪存储器(flash memory)，硬盘(Hard Disk Drive，HDD)或固态硬盘(Solid-State Drive，SSD)；存储器902还可以包括上述种类的存储器的组合。
网络接口903用于提供网络通讯功能。
处理器901可以调用该程序代码以执行以下操作：
获取目标对象的对象属性信息及用于对该对象属性信息的异常情况进行决策判断的决策树模型；该决策树模型中配置有N个决策节点，任一决策节点用于对该目标对象的一种对象属性进行决策判断，该对象属性信息包含该目标对象的M种对象属性，M和N均为正整数且M小于或等于N；
调用该决策树模型的各个决策节点基于该对象属性信息，对该目标对象的该M种对象属性进行决策判断，得到该目标对象在该M种对象属性中的每种对象属性下的决策判断结果；
基于该目标对象在该每种对象属性下的决策判断结果，生成该目标对象的目标判断结果；该目标判断结果用于指示该目标对象的该对象属性信息是正常的或是异常的。
可选地，该处理器901，具体用于：
获取该目标对象的多种属性信息；
调用该预测模型对该多种属性信息中的每种属性信息进行预测处理，生成该每种属性信息的预测结果；任一属性信息的预测结果是正常预测结果或异常预测结果，该正常预测结果用于指示所属的属性信息是正常的，该异常预测结果用于指示所属的属性信息是异常的；
将该多种属性信息中预测结果为该异常预测结果的属性信息，作为该对象属性信息。
可选地，该处理器901，还用于：
获取需训练的预测模型和样本属性信息；该样本属性信息具有样本标签，该样本标签用于指示该样本属性信息实际是正常的或是异常的；
调用该需训练的预测模型对该样本属性信息进行预测处理，生成该样本属性信息的样本预测结果；该样本预测结果用于指示该样本属性信息是正常的或是异常的；
基于该样本预测结果与该样本标签之间的差异，修正该需训练的预测模型的模型参数，得到该预测模型。
可选地，该处理器901，具体用于：
获取该目标对象在该每种对象属性下的决策判断结果所关联的结果描述信息；
基于该目标对象在该每种对象属性下的决策判断结果所关联的结果描述信息，生成该目标对象的该目标判断结果。
可选地，该处理器901，具体用于：
获取该目标对象在该每种对象属性下的决策判断结果的结果重要等级；
按照该目标对象在该每种对象属性下的决策判断结果的结果重要等级的由高至低的顺序，对该目标对象在该每种对象属性下的决策判断结果关联的结果描述信息依次进行组合处理，生成该目标判断结果。
可选地，该处理器901，具体用于：
对该目标对象的该对象属性信息进行信息编码处理，生成该对象属性信息的信息编码语句；
调用该各个决策节点基于该信息编码语句，对该目标对象的该M种对象属性进行决策判断，得到该目标对象在该每种对象属性下的决策判断结果。
可选地，该对象属性信息是与该目标对象相关联的对象交易的属性信息，该目标对象的该M种对象属性包括如下至少一种：该目标对象的身份信息、该对象交易中所执行的资源的资源量、该对象交易的交易数量、该对象交易的交易时段、该对象交易的交易类型、该对象交易关联的除该目标对象之外的其他对象的身份信息、该对象交易的交易附加信息；其中，该任一决策节点用于采用关联的决策条件对该目标对象的对象属性进行决策判断，该任一决策节点关联的决策条件为如下任一种：
该对象交易中执行的资源的资源量在预设的多种资源量范围中所属的资源量范围、该对象交易的交易数量在预设的多种数量范围中所属的数量范围、该对象交易的交易时段在预设的多种交易时段中所属的交易时段、该对象交易的交易类型是否属于目标交易类型、该其他对象的身份信息与黑名单列表之间是否匹配、该对象交易的该交易附加信息是否包含异常信息。
可选地，该处理器901，还用于：
若该目标判断结果指示该目标对象的该对象属性信息是异常的，且在目标时段内接收到该目标对象发起的目标交易，则对该目标交易进行拦截处理，并暂停执行该目标交易；
其中，该目标时段是在生成该目标判断结果后的邻近时段。
应当理解，本申请实施例中所描述的计算机设备90可执行前文图3和图5所对应实施例中对上述信息处理方法的描述，也可执行前文图8所对应实施例中对上述信息处理装置的描述，在此不再赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。
本申请实施例中，通过获取目标对象的对象属性信息及用于对对象属性信息的异常情况进行决策判断的决策树模型，可以调用决策树模型的各个决策节点基于对象属性信息，对目标对象的M种对象属性进行决策判断，得到目标对象在M种对象属性中的每种对象属性下的决策判断结果；从而可以基于目标对象在每种对象属性下的决策判断结果，生成用于指示目标对象的对象属性信息是正常的或是异常的目标判断结果。由于调用了决策树模型的各个决策节点对目标对象的M种对象属性进行决策判断，可以实现对每种对象属性均进行判断，从而根据目标对象在多种对象属性下的决策判断结果得到最终的目标判断结果，相当于从目标对象的多个属性维度本身来对目标对象进行判断，并且最终的判断结果是基于多个维度的判断结果综合确定的，因此可以提升对目标对象的对象属性信息的异常情况进行判断的准确性。进一步地，通过对目标对象的多种属性信息进行初步筛选，后续只需要对初步筛选为异常的对象属性信息进行决策判断，可以提升决策判断的效率。此外，在确定目标对象的对象属性信息为异常时，可以对目标对象的后续交易进行处理，可以提升交易的安全性。
可选的，该程序指令被处理器执行时还可实现上述实施例中方法的其他步骤，这里不再赘述。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序包括程序指令，该程序指令当被计算机执行时使该计算机执行如前述实施例的方法，该计算机可以为上述提到的计算机设备的一部分。作为示例，程序指令可被部署在一个计算机设备上执行，或者被部署位于一个地点的多个计算机设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算机设备上执行，分布在多个地点且通过通信网络互连的多个计算机设备可以组成区块链网络。
本申请实施例还提供了一种计算机程序产品，该计算机程序产品包括计算机程序/指令，该计算机程序/指令被处理器执行时可实现上述方法中的部分或全部步骤。例如，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法的实施例中所执行的步骤。
本申请实施例的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别不同对象，而非用于描述特定顺序。此外，术语“包括”以及它们任何变形，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、装置、产品或设备没有限定于已列出的步骤或模块，而是可选地还包括没有列出的步骤或模块，或可选地还包括对于这些过程、方法、装置、产品或设备固有的其他步骤单元。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在该说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本申请实施例提供的方法及相关装置是参照本申请实施例提供的方法流程图和/或结构示意图来描述的，具体可由计算机程序指令实现方法流程图和/或结构示意图的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。这些计算机程序指令可提供到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或结构示意一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例的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，该的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。
以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。

Claims (12)

1.一种信息处理方法，其特征在于，所述方法包括：
获取目标对象的对象属性信息及用于对所述对象属性信息的异常情况进行决策判断的决策树模型；所述决策树模型中配置有N个决策节点，任一决策节点用于对所述目标对象的一种对象属性进行决策判断，所述对象属性信息包含所述目标对象的M种对象属性，M和N均为正整数且M小于或等于N；
调用所述决策树模型的各个决策节点基于所述对象属性信息，对所述目标对象的所述M种对象属性进行决策判断，得到所述目标对象在所述M种对象属性中的每种对象属性下的决策判断结果；
基于所述目标对象在所述每种对象属性下的决策判断结果，生成所述目标对象的目标判断结果；所述目标判断结果用于指示所述目标对象的所述对象属性信息是正常的或是异常的。
2.根据权利要求1所述的方法，其特征在于，获取所述对象属性信息的流程，包括：
获取所述目标对象的多种属性信息；
调用预测模型对所述多种属性信息中的每种属性信息进行预测处理，生成所述每种属性信息的预测结果；任一属性信息的预测结果是正常预测结果或异常预测结果，所述正常预测结果用于指示所属的属性信息是正常的，所述异常预测结果用于指示所属的属性信息是异常的；
将所述多种属性信息中预测结果为所述异常预测结果的属性信息，作为所述对象属性信息。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
获取需训练的预测模型和样本属性信息；所述样本属性信息具有样本标签，所述样本标签用于指示所述样本属性信息实际是正常的或是异常的；
调用所述需训练的预测模型对所述样本属性信息进行预测处理，生成所述样本属性信息的样本预测结果；所述样本预测结果用于指示所述样本属性信息是正常的或是异常的；
基于所述样本预测结果与所述样本标签之间的差异，修正所述需训练的预测模型的模型参数，得到所述预测模型。
4.根据权利要求1所述的方法，其特征在于，所述基于所述目标对象在所述每种对象属性下的决策判断结果，生成所述目标对象的目标判断结果，包括：
获取所述目标对象在所述每种对象属性下的决策判断结果所关联的结果描述信息；
基于所述目标对象在所述每种对象属性下的决策判断结果所关联的结果描述信息，生成所述目标对象的所述目标判断结果。
5.根据权利要求4所述的方法，其特征在于，所述基于所述目标对象在所述每种对象属性下的决策判断结果所关联的结果描述信息，生成所述目标对象的目标判断结果，包括：
获取所述目标对象在所述每种对象属性下的决策判断结果的结果重要等级；
按照所述目标对象在所述每种对象属性下的决策判断结果的结果重要等级的由高至低的顺序，对所述目标对象在所述每种对象属性下的决策判断结果关联的结果描述信息依次进行组合处理，生成所述目标判断结果。
6.根据权利要求1所述的方法，其特征在于，所述调用所述决策树模型的各个决策节点基于所述对象属性信息，对所述目标对象的所述M种对象属性进行决策判断，得到所述目标对象在所述M种对象属性中的每种对象属性下的决策判断结果，包括：
对所述目标对象的所述对象属性信息进行信息编码处理，生成所述对象属性信息的信息编码语句；
调用所述各个决策节点基于所述信息编码语句，对所述目标对象的所述M种对象属性进行决策判断，得到所述目标对象在所述每种对象属性下的决策判断结果。
7.根据权利要求1所述的方法，其特征在于，所述对象属性信息是与所述目标对象相关联的对象交易的属性信息，所述目标对象的所述M种对象属性包括如下至少一种：
所述目标对象的身份信息、所述对象交易中所执行的资源的资源量、所述对象交易的交易数量、所述对象交易的交易时段、所述对象交易的交易类型、所述对象交易关联的除所述目标对象之外的其他对象的身份信息、所述对象交易的交易附加信息；
其中，所述任一决策节点用于采用关联的决策条件对所述目标对象的对象属性进行决策判断，所述任一决策节点关联的决策条件为如下任一种：
所述对象交易中执行的资源的资源量在预设的多种资源量范围中所属的资源量范围、所述对象交易的交易数量在预设的多种数量范围中所属的数量范围、所述对象交易的交易时段在预设的多种交易时段中所属的交易时段、所述对象交易的交易类型是否属于目标交易类型、所述其他对象的身份信息与黑名单列表之间是否匹配、所述对象交易的所述交易附加信息是否包含异常信息。
8.根据权利要求1-7任一项所述的方法，其特征在于，所述方法还包括：
若所述目标判断结果指示所述目标对象的所述对象属性信息是异常的，且在目标时段内接收到所述目标对象发起的目标交易，则对所述目标交易进行拦截处理，并暂停执行所述目标交易；
其中，所述目标时段是在生成所述目标判断结果后的邻近时段。
9.一种信息处理装置，其特征在于，所述装置包括：
数据获取单元，用于获取目标对象的对象属性信息及用于对所述对象属性信息的异常情况进行决策判断的决策树模型；所述决策树模型中配置有N个决策节点，任一决策节点用于对所述目标对象的一种对象属性进行决策判断，所述对象属性信息包含所述目标对象的M种对象属性，M和N均为正整数且M小于或等于N；
数据决策单元，用于调用所述决策树模型的各个决策节点基于所述对象属性信息，对所述目标对象的所述M种对象属性进行决策判断，得到所述目标对象在所述M种对象属性中的每种对象属性下的决策判断结果；
结果生成单元，用于基于所述目标对象在所述每种对象属性下的决策判断结果，生成所述目标对象的目标判断结果；所述目标判断结果用于指示所述目标对象的所述对象属性信息是正常的或是异常的。
10.一种计算机设备，其特征在于，包括处理器和存储器，其中，所述处理器与所述存储器相连，所述存储器用于存储计算机程序，所述处理器用于调用所述计算机程序，以使得所述计算机程序执行权利要求1-8任一项所述的方法。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序适于由处理器加载并执行，以使得具有所述处理器的计算机设备执行权利要求1-8任一项所述的方法。
12.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现权利要求1-8任一项所述的方法。
CN202311365306.2A 2023-10-19 2023-10-19 信息处理方法、装置、设备、存储介质和产品 Pending CN117668627A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311365306.2A CN117668627A (zh) 2023-10-19 2023-10-19 信息处理方法、装置、设备、存储介质和产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311365306.2A CN117668627A (zh) 2023-10-19 2023-10-19 信息处理方法、装置、设备、存储介质和产品

Publications (1)

Publication Number Publication Date
CN117668627A true CN117668627A (zh) 2024-03-08

Family

ID=90079741

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311365306.2A Pending CN117668627A (zh) 2023-10-19 2023-10-19 信息处理方法、装置、设备、存储介质和产品

Country Status (1)

Country Link
CN (1) CN117668627A (zh)

Similar Documents

Publication Publication Date Title
US11651163B2 (en) Multi-turn dialogue response generation with persona modeling
WO2022095682A1 (zh) 文本分类模型的训练方法、文本分类方法、装置、设备、存储介质及计算机程序产品
US11038821B1 (en) Chatbot artificial intelligence
US11641330B2 (en) Communication content tailoring
US20210150398A1 (en) Conversational interchange optimization
CN109902301B (zh) 基于深度神经网络的关系推理方法、装置及设备
US20220100772A1 (en) Context-sensitive linking of entities to private databases
CN109857846B (zh) 用户问句与知识点的匹配方法和装置
CN113722493B (zh) 文本分类的数据处理方法、设备、存储介质
US20220100967A1 (en) Lifecycle management for customized natural language processing
US20200125640A1 (en) User-friendly explanation production using generative adversarial networks
CN112131888A (zh) 分析语义情感的方法、装置、设备及存储介质
CN110377733A (zh) 一种基于文本的情绪识别方法、终端设备及介质
CN110689359A (zh) 对模型进行动态更新的方法及装置
CN115310510A (zh) 基于优化规则决策树的目标安全识别方法、装置及电子设备
US20220207384A1 (en) Extracting Facts from Unstructured Text
CN110489730A (zh) 文本处理方法、装置、终端及存储介质
CN112948582A (zh) 一种数据处理方法、装置、设备以及可读介质
CN114925681B (zh) 知识图谱问答问句实体链接方法、装置、设备及介质
US20200364304A1 (en) Automatic evaluation of artificial intelligence-based processes
KR20210009885A (ko) 오프라인 오브젝트에 관한 콘텐츠 자동 생성 방법, 장치 및 컴퓨터 판독가능 저장 매체
US20230289559A1 (en) Human-understandable insights for neural network predictions
CN116401372A (zh) 知识图谱表示学习方法、装置、电子设备及可读存储介质
CN115600818A (zh) 多维评分方法、装置、电子设备和存储介质
CN113239272B (zh) 一种网络管控系统的意图预测方法和意图预测装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication