CN117787995A - 一种可疑团伙的识别方法、装置及电子设备 - Google Patents
一种可疑团伙的识别方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117787995A CN117787995A CN202311845185.1A CN202311845185A CN117787995A CN 117787995 A CN117787995 A CN 117787995A CN 202311845185 A CN202311845185 A CN 202311845185A CN 117787995 A CN117787995 A CN 117787995A
- Authority
- CN
- China
- Prior art keywords
- transaction
- group
- node
- target transaction
- target
- 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 54
- 230000006399 behavior Effects 0.000 claims abstract description 43
- 238000010586 diagram Methods 0.000 claims abstract description 41
- 238000013145 classification model Methods 0.000 claims description 39
- 238000013135 deep learning Methods 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000005065 mining Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书公开了一种可疑团伙的识别方法、装置及电子设备。方法包括:基于目标交易关系图中各节点的初始特征和各节点的连接边的边特征,生成目标交易关系图中各节点的节点特征。基于目标交易关系图中的边特征,预测目标交易关系图中具有指定违规交易行为的可疑连接边,并将目标交易关系图中的第一节点划分成至少一个群组,以将目标交易关系图拆分成与每个群组对应的目标交易关系子图;其中,每个目标交易关系子图中的所有第一节点形成交易关系连通的拓扑结构,第一节点为可疑连接边关联的节点。基于每个目标交易关系子图中的节点特征,确定每个群组对应的群组特征。基于每个群组对应的群组特征,预测每个群组是否为可疑团伙。
Description
技术领域
本说明书涉及风控技术领域,尤其涉及一种可疑团伙的识别方法、装置及电子设备。
背景技术
随着电子支付的普及,违规交易的问题也越发严重。现有技术主要围绕用户个人的交易行为来检测违规交易,缺少针对团伙维度的挖掘。
为此,如何识别涉嫌违规交易的可疑团伙,是本说明书实施例解决的技术问题。
发明内容
本说明书实施例提供了一种可疑团伙的识别方法、装置及电子设备,能够识别涉嫌违规交易的可疑团伙。
为解决上述技术问题,本说明书实施例是这样实现的:
第一方面,提出了一种可疑团伙的识别方法,包括:
基于目标交易关系图中各节点的初始特征和各节点的连接边的边特征,生成所述目标交易关系图中各节点的节点特征;其中,所述目标交易关系图各节点的初始特征用于表征目标交易集中的交易用户,所述目标交易关系图中各连接边的边特征用于表征所述目标交易集中交易用户之间的交易关系;
基于所述目标交易关系图中的边特征,预测所述目标交易关系图中具有指定违规交易行为的可疑连接边,并将所述目标交易关系图中的第一节点划分成至少一个群组,以将所述目标交易关系图拆分成与每个所述群组对应的目标交易关系子图;其中,每个所述目标交易关系子图中的所有第一节点形成交易关系连通的拓扑结构,所述第一节点为所述可疑连接边关联的节点;
基于每个所述目标交易关系子图中的节点特征,确定每个所述群组对应的群组特征;
基于每个所述群组对应的群组特征,预测每个所述群组是否为可疑团伙。
第二方面,提出了一种可疑团伙的识别装置,包括:
节点特征配置模块,基于目标交易关系图中各节点的初始特征和各节点的连接边的边特征,生成所述目标交易关系图中各节点的节点特征;其中,所述目标交易关系图各节点的初始特征用于表征目标交易集中的交易用户,所述目标交易关系图中各连接边的边特征用于表征所述目标交易集中交易用户之间的交易关系;
群组配置模块,基于所述目标交易关系图中的边特征,预测所述目标交易关系图中具有指定违规交易行为的可疑连接边,并将所述目标交易关系图中的第一节点划分成至少一个群组,以将所述目标交易关系图拆分成与每个所述群组对应的目标交易关系子图;其中,每个所述目标交易关系子图中的所有第一节点形成交易关系连通的拓扑结构,所述第一节点为所述可疑连接边关联的节点;
群组特征配置模块,基于每个所述目标交易关系子图中的节点特征,确定每个所述群组对应的群组特征;
可疑团伙预测模块,基于每个所述群组对应的群组特征,预测每个所述群组是否为可疑团伙。
第三方面,提出了一种电子设备,包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行以下操作:
基于目标交易关系图中各节点的初始特征和各节点的连接边的边特征,生成所述目标交易关系图中各节点的节点特征;其中,所述目标交易关系图各节点的初始特征用于表征目标交易集中的交易用户,所述目标交易关系图中各连接边的边特征用于表征所述目标交易集中交易用户之间的交易关系;
基于所述目标交易关系图中的边特征,预测所述目标交易关系图中具有指定违规交易行为的可疑连接边,并将所述目标交易关系图中的第一节点划分成至少一个群组,以将所述目标交易关系图拆分成与每个所述群组对应的目标交易关系子图;其中,每个所述目标交易关系子图中的所有第一节点形成交易关系连通的拓扑结构,所述第一节点为所述可疑连接边关联的节点;
基于每个所述目标交易关系子图中的节点特征,确定每个所述群组对应的群组特征;
基于每个所述群组对应的群组特征,预测每个所述群组是否为可疑团伙。
第四方面,提出了一种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使所述处理器执行以下操作:
基于目标交易关系图中各节点的初始特征和各节点的连接边的边特征,生成所述目标交易关系图中各节点的节点特征;其中,所述目标交易关系图各节点的初始特征用于表征目标交易集中的交易用户,所述目标交易关系图中各连接边的边特征用于表征所述目标交易集中交易用户之间的交易关系;
基于所述目标交易关系图中的边特征,预测所述目标交易关系图中具有指定违规交易行为的可疑连接边,并将所述目标交易关系图中的第一节点划分成至少一个群组,以将所述目标交易关系图拆分成与每个所述群组对应的目标交易关系子图;其中,每个所述目标交易关系子图中的所有第一节点形成交易关系连通的拓扑结构,所述第一节点为所述可疑连接边关联的节点;
基于每个所述目标交易关系子图中的节点特征,确定每个所述群组对应的群组特征;
基于每个所述群组对应的群组特征,预测每个所述群组是否为可疑团伙。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:
本说明书实施例中,在需要从目标交易集中挖掘涉嫌违规交易的可疑团伙时,创建目标交易集的交易关系图,根据交易关系图中各节点的初始特征和各节点的连接边的边特征,生成目标交易关系图中各节点的节点特征。接下来,通过目标交易关系图中的边特征,来预测交易关系图中具有违规交易行为的可疑连接边,并以预测得到的可疑连接边为参考,将相关联的节点扩展为个体存在违规交易嫌疑的第一节点;之后,将所有第一节点按照交易关系连通的拓扑结构划分成至少一个群组,以将交易关系图拆分成与对应于每个群组的交易关系子图,并以群组层面出发,基于每个交易关系子图中的节点特征,确定出每个群组所对应的群组特征。这样一来,在通过群组特征预测群组是否为可疑团伙时,相当于是以群组中成员之间的共性特征和交互特征为考量,分析群组是否存在团伙作案性质的违规交易,从而准确地从目标交易集中挖掘出可疑团伙。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附
图中:
图1为本说明书实施例的可疑团伙的识别方法的流程示意图。
图2为本说明书实施例的可疑团伙的识别方法中的目标交易关系图。
图3为本说明书实施例的可疑团伙的识别方法对节点特征进行编码的示意图。
图4为本说明书实施例的可疑团伙的识别方法对群组划分的示意图。
图5为本说明书实施例的可疑团伙的识别方法在训练过程中确定损失函数取值的示意图。
图6为本说明书实施例的可疑团伙的识别装置的结构示意图。
图7为本说明书实施例的电子设备的结构示意图。
具体实施方式
为使本文件的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本文件一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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,都属于本文件保护的范围。
如前所述,在电子支付领域里,现有技术主要围绕用户个人的交易行为来检测违规交易,缺少团伙类作案的挖掘。为此,本说明书旨在提出一种能够以团伙中成员之间的交易行为联系为出发,挖掘可疑团伙的技术方案。
以下结合附图,详细说明本说明书各实施例提供的技术方案,以解决上述问题。
图1是本说明书实施例的一种可疑团伙的识别方法流程图,包括:
S102,基于目标交易关系图中各节点的初始特征和各节点的连接边的边特征,生成目标交易关系图中各节点的节点特征。
本说明书实施例的目标交易关系图是在合规授权的情况下,根据目标交易集创建得到的。目标交易关系图各节点的初始特征用于表征目标交易集中的交易用户,目标交易关系图中各连接边的边特征用于表征目标交易集中交易用户之间的交易关系。
应理解,目标交易集中的交易信息可以按照目标交易关系图中的拓扑结构进行映射。其中,节点映射到的交易信息作为节点属性,节点属性可以但不限于包括有:交易用户的账户信息、画像信息等;边映射到的交易信息作为边属性,边属性可以但不限于包括有:交易时间、交易金额、交易方式和交易币种等。
作为一种示例性的实现方式,可以基于图表征学习方法的图嵌入层,将目标交易关系图中各节点的节点属性转换为机器语言的初始特征,并将目标交易关系图中各连接点的边属性转化为机器语言的边特征。因此,目标交易关系图中任意目标节点的初始特征可以包括:目标节点在目标交易关系图中对应的拓扑结构特征,和目标节点在目标交易集中对应的交易信息特征。目标交易关系图中任意目标连接边的边特征可以包括:目标连接边在目标交易关系图中对应的拓扑结构特征,和目标连接边在目标交易集中对应的交易信息特征。
之后,再基于深度学习技术的编码模型,将目标交易关系图中各节点的初始特征和各节点的连接边的边特征融合编码为各节点的节点特征。
图2示例了一种目标交易关系图。图2中,圆代表节点,圆中数字代表交易用户的标识序号,圆之间的连线代表连接边,连接边的箭头方向代表交易关系中资金流向。
以生成图2中节点6的节点特征为示例。参考图3所示,首先通过图嵌入层提取目标交易关系图中的所有节点属性和所有变属性以进行机器语言的编码,得到m×k的节点特征矩阵和n×k的边特征矩阵。之后,从m×k维的节点特征矩阵和n×k的边特征矩阵中提取节点6对应的部分输入至编码模型进行融合编码,即可得到节点6的节点特征。
S104,基于目标交易关系图中的边特征,预测目标交易关系图中具有指定违规交易行为的可疑连接边,并将目标交易关系图中的第一节点划分成至少一个群组,以将目标交易关系图拆分成与每个群组对应的目标交易关系子图;其中,每个目标交易关系子图中的所有第一节点形成交易关系连通的拓扑结构,第一节点为可疑连接边关联的节点。
作为一种示例性的实现方式,本说明书实施例可以基于深度学习技术的第一分类模型,根据目标交易集在目标交易关系图中对应的边特征,来预测目标交易关系图中具有违规交易行为的可疑连接边。在确定可疑连接边后,即可对目标交易关系图进行群组拆分。
为方便理解,图3示例了将目标交易关系图拆分成目标交易关系子图的过程。图4(a)中,节点之间实线的连线代表可疑连接边,节点之间虚线的连线代表非可疑连接边,可疑连接边所关联的节点1、2、3、4、6、8、9均为第一节点。其中:节点1、2、3、4之间形成交易关系连通的拓扑结构,因此可以将节点1、2、3、4划分至一个群体,得到图4(b)所示的目标交易关系子图;节点6、8、9之间形成交易关系连通的拓扑结构,因此可以将节点6、8、9划分至另一个群体,得到图4(c)所示的目标交易关系子图。
S106,基于每个目标交易关系子图中的节点特征,确定每个群组对应的群组特征。
应理解,本说明书实施例在S102中通过编码模型确定出了目标交易关系图中每个节点的节点特征,在将目标交易关系图拆分成目标交易关系子图后,其目标交易关系子图中的节点特征是已经确定的。
作为一种示例性的实现方式,本说明书实施例可以对每个目标交易关系子图中所有节点的节点特征进行加权融合,得到每个群组对应的群组特征。以确定图4(c)所示群组为例,可以对节点6、8、9进行加权求平均,以得到该群组所对应的群组特征。其中,在图4(c)的群组中,节点8、9的交易关系指均向节点6,则可以适当提高节点6在加权求平均中的权重系数。
S108,基于每个群组对应的群组特征,预测每个群组是否为可疑团伙。
由于每个群组对应的群组特征是将群组内所有节点的节点特征融合得到的,因此在团伙作案的层面上可体现出成员之间的共性特征和交互特征。
作为一种示例性的实现方式,可以基于深度学习的第二分类模型,根据每个群组对应的群组特征,预测每个群组是否为可疑团伙。
基于本说明书实施例的方法,在需要从目标交易集中挖掘涉嫌违规交易的可疑团伙时,创建目标交易集的交易关系图,根据交易关系图中各节点的初始特征和各节点的连接边的边特征,生成目标交易关系图中各节点的节点特征。接下来,通过目标交易关系图中的边特征,来预测交易关系图中具有违规交易行为的可疑连接边,并以预测得到的可疑连接边为参考,将相关联的节点扩展为个体存在违规交易嫌疑的第一节点;之后,将所有第一节点按照交易关系连通的拓扑结构划分成至少一个群组,以将交易关系图拆分成与对应于每个群组的交易关系子图,并以群组层面出发,基于每个交易关系子图中的节点特征,确定出每个群组所对应的群组特征。这样一来,在通过群组特征预测群组是否为可疑团伙时,相当于是以群组中成员之间的共性特征和交互特征为考量,分析群组是否存在团伙作案性质的违规交易,从而准确地从目标交易集中挖掘出可疑团伙。
下面对编码模型、第一分类模型和第二分类模型的训练方法进行详细介绍。
一、编码模型的训练
本说明书实施例预先准备样本交易集,样本交易集包含有已确定出实际具有违规交易行为的交易。此外,针对样本交易集构建相对应的样本交易关系图。样本交易关系图中各节点的初始特征用于表征样本交易集中的交易用户,样本交易关系图中各连接边的边特征用于表征样本交易集中交易用户之间的交易关系。
本说明书实施例基于样本交易集中实际具有违规交易行为的交易,确定出样本交易关系图中具有违规交易行为的节点,并对样本交易集标注第一标签,该第一标签用于指示样本交易关系图中具有违规交易行为的节点。
接下来配置第一深度学习任务。第一深度学习任务用于:基于编码模型将样本交易关系图中各节点的初始特征和各节点的连接边的边特征融合编码为各节点的节点特征,以及,基于样本交易集在样本交易关系图中的节点特征,预测样本交易关系图中具有违规交易行为的节点;
训练是以降低第一深度学习任务的预测结果与第一标签指示的真值结果之间的误差为目的,来调整编码模型的模型参数。
应理解,经过多轮第一深度学习任务对编码模型的迭代训练,即可使编码模型具备对提取节点特征的能力。
二、第一分类模型的训练
同理,本说明书实施例预先准备样本交易集和对应的样本交易关系图。
基于样本交易集中实际具有违规交易行为的交易,即可确定出样本交易关系图中具有违规交易行为的连接边。本说明书实施例将样本交易关系图中具有违规交易行为的连接边定义为可疑连接边,并对样本交易集标注第二标签,第二标签指示有样本交易关系图中的具有违规交易行为的可疑连接边。
接下来,执行第二深度学习任务。第二深度学习任务用于:基于第一分类模型,根据样本交易关系图中的边特征,预测样本交易关系图中具有违规交易行为的可疑连接边。
训练是以降低第二深度学习任务的预测结果与第二标签指示的真值结果之间的误差为目的,来调整第一分类模型的模型参数。
应理解,经过多轮第二深度学习任务对第一分类模型的迭代训练,即可使第一分类模型具备预测可疑连接边的能力。
三、第三分类模型的训练
同理,本说明书实施例预先准备样本交易集和对应的样本交易关系图。
基于样本交易集中实际具有违规交易行为的交易,即可确定出样本交易关系图中具有违规交易行为的节点。本说明书实施例需要将样本交易关系图中所有具有违规交易行为的节点划分成至少一个样本群组,以将样本交易关系图拆分成对应于每个样本群组的样本交易关系子图。
应理解,每个样本群组表征了一个实际违规交易作案的团伙,本说明书实施例将其定义为可疑团伙,并对样本交易集标注第三标签,第三标签指示有样本交易关系图中提取到的被确定为可疑团伙的样本群组。
接下来,执行第三深度学习任务。第三深度学习任务用于:基于每个样本群组对应的群组特征,预测每个样本群组是否为可疑团伙。其中,每个样本群组对应的群组特征是基于样本交易关系子图中的节点特征所确定得到的,这里本再赘述。
训练是以降低第三深度学习任务的预测结果与第三标签指示的真值结果之间的误差为目的,来调整第二分类模型的模型参数。
应理解,经过多轮第三深度学习任务对第二分类模型的迭代训练,即可使第二分类模型具备预测可疑团伙的能力。
以上是编码模型、第一分类模型和第二分类模型各自的训练原理的介绍。
在实际应用中,针对可疑团伙的识别可以看成是编码模型、第一分类模型和第二分类模型协同完成的任务,因此训练时可以根据整体误差角度,来调整编码模型、第一分类模型和第二分类模型的模型参数。
作为示例性介绍,参考图5所示,可以构建一个目标损失函数,目标损失函数的取值Loss是基于第一损失函数Loss1、第二损失函数Loss2和第三损失函数Loss3的计算结果所确定得到的,比如:Loss=Loss2+Loss2+Loss3。其中,第一损失函数用于计算第一深度学习任务的预测结果与第一标签之间的误差;第二损失函数用于计算第二深度学习任务的预测结果与第二标签之间的误差;第三损失函数用于计算第三深度学习任务的预测结构与第三标签之间的误差。
本说明书实施例的编码模型、第一分类模型和第二分类模型在训练过程中可以基于目标损失函数的取值确定模型参数的调整目标。比如,以最小化Loss为目标,来调整的编码模型、第一分类模型和第二分类模型的模型参数,从而使得编码模型、第一分类模型和第二分类模型的模型参数相互权衡达到一个预测效果较佳的配置。
图6是本说明书实施例的一种可疑团伙的识别装置的结构示意图。如图6所示,该装置包括:
节点特征配置模块610,基于目标交易关系图中各节点的初始特征和各节点的连接边的边特征,生成所述目标交易关系图中各节点的节点特征;其中,所述目标交易关系图各节点的初始特征用于表征目标交易集中的交易用户,所述目标交易关系图中各连接边的边特征用于表征所述目标交易集中交易用户之间的交易关系。
群组配置模块620,基于所述目标交易关系图中的边特征,预测所述目标交易关系图中具有指定违规交易行为的可疑连接边,并将所述目标交易关系图中的第一节点划分成至少一个群组,以将所述目标交易关系图拆分成与每个所述群组对应的目标交易关系子图;其中,每个所述目标交易关系子图中的所有第一节点形成交易关系连通的拓扑结构,所述第一节点为所述可疑连接边关联的节点。
群组特征配置模块630,基于每个所述目标交易关系子图中的节点特征,确定每个所述群组对应的群组特征;
可疑团伙预测模块640,基于每个所述群组对应的群组特征,预测每个所述群组是否为可疑团伙。
基于本说明书实施例的装置,在需要从目标交易集中挖掘涉嫌违规交易的可疑团伙时,创建目标交易集的交易关系图,根据交易关系图中各节点的初始特征和各节点的连接边的边特征,生成目标交易关系图中各节点的节点特征。接下来,通过目标交易关系图中的边特征,来预测交易关系图中具有违规交易行为的可疑连接边,并以预测得到的可疑连接边为参考,将相关联的节点扩展为个体存在违规交易嫌疑的第一节点;之后,将所有第一节点按照交易关系连通的拓扑结构划分成至少一个群组,以将交易关系图拆分成与对应于每个群组的交易关系子图,并以群组层面出发,基于每个交易关系子图中的节点特征,确定出每个群组所对应的群组特征。这样一来,在通过群组特征预测群组是否为可疑团伙时,相当于是以群组中成员之间的共性特征和交互特征为考量,分析群组是否存在团伙作案性质的违规交易,从而准确地从目标交易集中挖掘出可疑团伙。
可选地,节点特征配置模块610基于目标交易关系图中各节点的初始特征和各节点的连接边的边特征,生成所述目标交易关系图中各节点的节点特征,包括:基于编码模型将目标交易关系图中各节点的初始特征和各节点的连接边的边特征融合编码为各节点的节点特征;其中,所述编码模型是在第一深度学习任务下,基于样本交易集和所述样本交易集标注的第一标签所训练得到的;所述第一标签指示有样本交易关系图中具有违规交易行为的节点;所述第一深度学习任务用于:基于所述编码模型将所述样本交易关系图中各节点的初始特征和各节点的连接边的边特征融合编码为各节点的节点特征,以及,基于所述样本交易集在所述样本交易关系图中的节点特征,预测所述样本交易关系图中具有违规交易行为的节点;所述样本交易关系图中各节点的初始特征用于表征所述样本交易集中的交易用户,所述样本交易关系图中各连接边的边特征用于表征所述样本交易集中交易用户之间的交易关系。
可选地,节点特征配置模块610在基于目标交易关系图中各节点的初始特征和各节点的连接边的边特征,生成所述目标交易关系图中各节点的节点特征之前,还基于图表征学习方法的图嵌入层,提取目标交易关系图中各节点的初始特征和各节点的连接边的边特征。
可选地,群组配置模块620基于所述目标交易关系图中的边特征,预测所述目标交易关系图中具有指定违规交易行为的可疑连接边,包括:基于第一分类模型,根据所述目标交易集在所述目标交易关系图中对应的边特征,预测所述目标交易关系图中具有违规交易行为的可疑连接边;其中,所述第一分类模型是在第二深度学习任务下,基于所述样本交易集和所述样本交易关系集标注的第二标签所训练得到的;所述第二标签指示有所述样本交易关系图中具有违规交易行为的连接边;所述第二深度学习任务用于:基于第一分类模型,根据所述样本交易关系图中的边特征,预测所述样本交易关系图中具有违规交易行为的可疑连接边。
可选地,可疑团伙预测模块640基于每个所述群组对应的群组特征,预测每个所述群组是否为可疑团伙,包括:基于第二分类模型,根据每个所述群组对应的群组特征,预测每个所述群组是否为可疑团伙;其中,所述第二分类模型在第三深度学习任务下,基于所述样本交易关系图和所述样本交易关系图标注的第三标签所训练得到的;所述第三标签指示有所述样本交易关系图中被确定为可疑团伙的样本群组;所述第三深度学习任务用于:基于每个样本群组对应的群组特征,预测每个所述样本群组是否为可疑团伙;每个所述样本群组对应的群组特征是基于所述样本交易关系子图中的节点特征所确定得到的。
可选地,所述编码模型、所述第一分类模型和所述第二分类模型在训练过程中基于目标损失函数的取值确定模型参数的调整目标;其中,所述目标损失函数的取值是基于第一损失函数、第二损失函数和第三损失函数中至少一者的计算结果所确定得到的;所述第一损失函数用于计算所述第一深度学习任务的预测结果与所述第一标签之间的误差;所述第二损失函数用于计算所述第二深度学习任务的预测结果与所述第二标签之间的误差;所述第三损失函数用于计算所述第三深度学习任务的预测结构与所述第三标签之间的误差。
可选地,群组特征配置模块630基于每个所述目标交易关系子图中的节点特征,确定每个所述群组对应的群组特征,包括:对每个所述目标交易关系子图中所有节点的节点特征进行加权融合,得到每个所述群组对应的群组特征。
可选地,所述目标交易关系图中任意目标节点的初始特征包括:所述目标节点在所述目标交易关系图中对应的拓扑结构特征,和/或,所述目标节点在所述目标交易集中对应的交易信息特征。所述目标交易关系图中任意目标连接边的边特征包括:所述目标连接边在所述目标交易关系图中对应的拓扑结构特征,和/或,所述目标连接边在所述目标交易集中对应的交易信息特征。
应理解,本说明书实施例的可疑团伙的识别装置可以作为图1所示方法的执行主体,因此能够实现图1所示方法中的步骤和功能。
图7是本说明书的一个实施例提供的电子设备的结构示意图。请参考图7,在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成可疑团伙的识别装置。处理器,执行存储器所存放的程序,并具体用于执行以下操作:
基于目标交易关系图中各节点的初始特征和各节点的连接边的边特征,生成所述目标交易关系图中各节点的节点特征;其中,所述目标交易关系图各节点的初始特征用于表征目标交易集中的交易用户,所述目标交易关系图中各连接边的边特征用于表征所述目标交易集中交易用户之间的交易关系。
基于所述目标交易关系图中的边特征,预测所述目标交易关系图中具有指定违规交易行为的可疑连接边,并将所述目标交易关系图中的第一节点划分成至少一个群组,以将所述目标交易关系图拆分成与每个所述群组对应的目标交易关系子图;其中,每个所述目标交易关系子图中的所有第一节点形成交易关系连通的拓扑结构,所述第一节点为所述可疑连接边关联的节点。
基于每个所述目标交易关系子图中的节点特征,确定每个所述群组对应的群组特征。
基于每个所述群组对应的群组特征,预测每个所述群组是否为可疑团伙。
上述如本说明书图1所示实施例揭示的可疑团伙的识别方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书一个或多个实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书一个或多个实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
当然,除了软件实现方式之外,本说明书的电子设备并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
本说明书实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的便携式电子设备执行时,能够使该便携式电子设备执行图1所示实施例的方法,并具体用于执行以下操作:
基于目标交易关系图中各节点的初始特征和各节点的连接边的边特征,生成所述目标交易关系图中各节点的节点特征;其中,所述目标交易关系图各节点的初始特征用于表征目标交易集中的交易用户,所述目标交易关系图中各连接边的边特征用于表征所述目标交易集中交易用户之间的交易关系。
基于所述目标交易关系图中的边特征,预测所述目标交易关系图中具有指定违规交易行为的可疑连接边,并将所述目标交易关系图中的第一节点划分成至少一个群组,以将所述目标交易关系图拆分成与每个所述群组对应的目标交易关系子图;其中,每个所述目标交易关系子图中的所有第一节点形成交易关系连通的拓扑结构,所述第一节点为所述可疑连接边关联的节点。
基于每个所述目标交易关系子图中的节点特征,确定每个所述群组对应的群组特征。
基于每个所述群组对应的群组特征,预测每个所述群组是否为可疑团伙。
总之,以上所述仅为本说明书的较佳实施例而已,并非用于限定本说明书的保护范围。凡在本说明书一个或多个实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本说明书一个或多个实施例的保护范围之内。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
Claims (11)
1.一种可疑团伙的识别方法,包括:
基于目标交易关系图中各节点的初始特征和各节点的连接边的边特征,生成所述目标交易关系图中各节点的节点特征;其中,所述目标交易关系图各节点的初始特征用于表征目标交易集中的交易用户,所述目标交易关系图中各连接边的边特征用于表征所述目标交易集中交易用户之间的交易关系;
基于所述目标交易关系图中的边特征,预测所述目标交易关系图中具有指定违规交易行为的可疑连接边,并将所述目标交易关系图中的第一节点划分成至少一个群组,以将所述目标交易关系图拆分成与每个所述群组对应的目标交易关系子图;其中,每个所述目标交易关系子图中的所有第一节点形成交易关系连通的拓扑结构,所述第一节点为所述可疑连接边关联的节点;
基于每个所述目标交易关系子图中的节点特征,确定每个所述群组对应的群组特征;
基于每个所述群组对应的群组特征,预测每个所述群组是否为可疑团伙。
2.根据权利要求1所述的方法,
基于目标交易关系图中各节点的初始特征和各节点的连接边的边特征,生成所述目标交易关系图中各节点的节点特征,包括:
基于编码模型将目标交易关系图中各节点的初始特征和各节点的连接边的边特征融合编码为各节点的节点特征;
其中,所述编码模型是在第一深度学习任务下,基于样本交易集和所述样本交易集标注的第一标签所训练得到的;所述第一标签指示有样本交易关系图中具有违规交易行为的节点;所述第一深度学习任务用于:基于所述编码模型将所述样本交易关系图中各节点的初始特征和各节点的连接边的边特征融合编码为各节点的节点特征,以及,基于所述样本交易集在所述样本交易关系图中的节点特征,预测所述样本交易关系图中具有违规交易行为的节点;所述样本交易关系图中各节点的初始特征用于表征所述样本交易集中的交易用户,所述样本交易关系图中各连接边的边特征用于表征所述样本交易集中交易用户之间的交易关系。
3.根据权利要求2所述的方法,
在基于目标交易关系图中各节点的初始特征和各节点的连接边的边特征,生成所述目标交易关系图中各节点的节点特征之前,所述方法还包括:
基于图表征学习方法的图嵌入层,提取目标交易关系图中各节点的初始特征和各节点的连接边的边特征。
4.根据权利要求2所述的方法,
基于所述目标交易关系图中的边特征,预测所述目标交易关系图中具有指定违规交易行为的可疑连接边,包括:
基于第一分类模型,根据所述目标交易集在所述目标交易关系图中对应的边特征,预测所述目标交易关系图中具有违规交易行为的可疑连接边;
其中,所述第一分类模型是在第二深度学习任务下,基于所述样本交易集和所述样本交易关系集标注的第二标签所训练得到的;所述第二标签指示有所述样本交易关系图中具有违规交易行为的连接边;所述第二深度学习任务用于:基于第一分类模型,根据所述样本交易关系图中的边特征,预测所述样本交易关系图中具有违规交易行为的可疑连接边。
5.根据权利要求4所述的方法,
基于每个所述群组对应的群组特征,预测每个所述群组是否为可疑团伙,包括:
基于第二分类模型,根据每个所述群组对应的群组特征,预测每个所述群组是否为可疑团伙;
其中,所述第二分类模型在第三深度学习任务下,基于所述样本交易关系图和所述样本交易关系图标注的第三标签所训练得到的;所述第三标签指示有所述样本交易关系图中被确定为可疑团伙的样本群组;所述第三深度学习任务用于:基于每个样本群组对应的群组特征,预测每个所述样本群组是否为可疑团伙;每个所述样本群组对应的群组特征是基于所述样本交易关系子图中的节点特征所确定得到的。
6.如权利要求5所述的方法,其特征在于,
所述编码模型、所述第一分类模型和所述第二分类模型在训练过程中基于目标损失函数的取值确定模型参数的调整目标;
其中,所述目标损失函数的取值是基于第一损失函数、第二损失函数和第三损失函数中至少一者的计算结果所确定得到的;所述第一损失函数用于计算所述第一深度学习任务的预测结果与所述第一标签之间的误差;所述第二损失函数用于计算所述第二深度学习任务的预测结果与所述第二标签之间的误差;所述第三损失函数用于计算所述第三深度学习任务的预测结构与所述第三标签之间的误差。
7.根据权利要求1至6任一项所述的方法,
基于每个所述目标交易关系子图中的节点特征,确定每个所述群组对应的群组特征,包括:
对每个所述目标交易关系子图中所有节点的节点特征进行加权融合,得到每个所述群组对应的群组特征。
8.根据权利要求1至6任一项所述的方法,
所述目标交易关系图中任意目标节点的初始特征包括:所述目标节点在所述目标交易关系图中对应的拓扑结构特征,和/或,所述目标节点在所述目标交易集中对应的交易信息特征;
所述目标交易关系图中任意目标连接边的边特征包括:所述目标连接边在所述目标交易关系图中对应的拓扑结构特征,和/或,所述目标连接边在所述目标交易集中对应的交易信息特征。
9.一种可疑团伙的识别装置,包括:
节点特征配置模块,基于目标交易关系图中各节点的初始特征和各节点的连接边的边特征,生成所述目标交易关系图中各节点的节点特征;其中,所述目标交易关系图各节点的初始特征用于表征目标交易集中的交易用户,所述目标交易关系图中各连接边的边特征用于表征所述目标交易集中交易用户之间的交易关系;
群组配置模块,基于所述目标交易关系图中的边特征,预测所述目标交易关系图中具有指定违规交易行为的可疑连接边,并将所述目标交易关系图中的第一节点划分成至少一个群组,以将所述目标交易关系图拆分成与每个所述群组对应的目标交易关系子图;其中,每个所述目标交易关系子图中的所有第一节点形成交易关系连通的拓扑结构,所述第一节点为所述可疑连接边关联的节点;
群组特征配置模块,基于每个所述目标交易关系子图中的节点特征,确定每个所述群组对应的群组特征;
可疑团伙预测模块,基于每个所述群组对应的群组特征,预测每个所述群组是否为可疑团伙。
10.一种电子设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行以下操作:
基于目标交易关系图中各节点的初始特征和各节点的连接边的边特征,生成所述目标交易关系图中各节点的节点特征;其中,所述目标交易关系图各节点的初始特征用于表征目标交易集中的交易用户,所述目标交易关系图中各连接边的边特征用于表征所述目标交易集中交易用户之间的交易关系;
基于所述目标交易关系图中的边特征,预测所述目标交易关系图中具有指定违规交易行为的可疑连接边,并将所述目标交易关系图中的第一节点划分成至少一个群组,以将所述目标交易关系图拆分成与每个所述群组对应的目标交易关系子图;其中,每个所述目标交易关系子图中的所有第一节点形成交易关系连通的拓扑结构,所述第一节点为所述可疑连接边关联的节点;
基于每个所述目标交易关系子图中的节点特征,确定每个所述群组对应的群组特征;
基于每个所述群组对应的群组特征,预测每个所述群组是否为可疑团伙。
11.一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行以下操作:
基于目标交易关系图中各节点的初始特征和各节点的连接边的边特征,生成所述目标交易关系图中各节点的节点特征;其中,所述目标交易关系图各节点的初始特征用于表征目标交易集中的交易用户,所述目标交易关系图中各连接边的边特征用于表征所述目标交易集中交易用户之间的交易关系;
基于所述目标交易关系图中的边特征,预测所述目标交易关系图中具有指定违规交易行为的可疑连接边,并将所述目标交易关系图中的第一节点划分成至少一个群组,以将所述目标交易关系图拆分成与每个所述群组对应的目标交易关系子图;其中,每个所述目标交易关系子图中的所有第一节点形成交易关系连通的拓扑结构,所述第一节点为所述可疑连接边关联的节点;
基于每个所述目标交易关系子图中的节点特征,确定每个所述群组对应的群组特征;
基于每个所述群组对应的群组特征,预测每个所述群组是否为可疑团伙。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311845185.1A CN117787995A (zh) | 2023-12-28 | 2023-12-28 | 一种可疑团伙的识别方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311845185.1A CN117787995A (zh) | 2023-12-28 | 2023-12-28 | 一种可疑团伙的识别方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117787995A true CN117787995A (zh) | 2024-03-29 |
Family
ID=90386962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311845185.1A Pending CN117787995A (zh) | 2023-12-28 | 2023-12-28 | 一种可疑团伙的识别方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117787995A (zh) |
-
2023
- 2023-12-28 CN CN202311845185.1A patent/CN117787995A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109347787B (zh) | 一种身份信息的识别方法及装置 | |
CN109544166B (zh) | 一种风险识别方法和装置 | |
US20210312460A1 (en) | Method and device for identifying a risk merchant | |
EP4053718A1 (en) | Watermark information embedding method and apparatus | |
CN109598414B (zh) | 风险评估模型训练、风险评估方法、装置及电子设备 | |
CN110119860B (zh) | 一种垃圾账号检测方法、装置以及设备 | |
CN110009474B (zh) | 一种信用风险评估方法、装置和电子设备 | |
CN111968625A (zh) | 融合文本信息的敏感音频识别模型训练方法及识别方法 | |
CN111415015B (zh) | 业务模型训练方法、装置、系统及电子设备 | |
CN113010778A (zh) | 一种基于用户历史兴趣的知识图谱推荐方法和系统 | |
CN111275106B (zh) | 对抗样本生成方法、装置及计算机设备 | |
CN110245684B (zh) | 数据处理方法、电子设备和介质 | |
CN111400695B (zh) | 一种设备指纹生成方法、装置、设备和介质 | |
CN116051118B (zh) | 行为时序模型的分析方法及装置 | |
CN111309576A (zh) | 一种压力测试方法和装置 | |
CN117787995A (zh) | 一种可疑团伙的识别方法、装置及电子设备 | |
WO2021196843A1 (zh) | 用于风险识别模型的衍生变量选择方法和装置 | |
CN110443746B (zh) | 基于生成对抗网络的图片处理方法、装置及电子设备 | |
CN111159397B (zh) | 文本分类方法和装置、服务器 | |
CN110309313B (zh) | 生成事件转移图谱的方法及装置 | |
CN111078877A (zh) | 数据处理、文本分类模型的训练、文本分类方法和装置 | |
CN115953248B (zh) | 基于沙普利可加性解释的风控方法、装置、设备及介质 | |
CN113284027B (zh) | 团伙识别模型的训练方法、异常团伙识别方法及装置 | |
CN117743916A (zh) | 一种模型训练方法、异常信息检测方法及装置 | |
CN111143552A (zh) | 文本信息的类别预测方法和装置、服务器 |
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 |