CN118052556A - 交易检测方法、装置、计算机设备及存储介质 - Google Patents
交易检测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN118052556A CN118052556A CN202410243904.0A CN202410243904A CN118052556A CN 118052556 A CN118052556 A CN 118052556A CN 202410243904 A CN202410243904 A CN 202410243904A CN 118052556 A CN118052556 A CN 118052556A
- Authority
- CN
- China
- Prior art keywords
- transaction
- sample data
- target
- data
- detected
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 287
- 238000012549 training Methods 0.000 claims abstract description 72
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000004913 activation Effects 0.000 claims abstract description 24
- 238000004590 computer program Methods 0.000 claims description 37
- 230000002159 abnormal effect Effects 0.000 claims description 24
- 238000012795 verification Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013475 authorization Methods 0.000 description 4
- 230000008034 disappearance Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Debugging And Monitoring (AREA)
Abstract
本申请涉及一种交易检测方法、装置、计算机设备及存储介质,涉及人工智能领域,该方法包括:获取待检测交易的交易数据;根据异常检测模型对交易数据进行交易检测,得到待检测交易对应的交易检测结果;其中,异常检测模型是基于实际样本数据和目标样本数据训练得到;目标样本数据是根据目标生成器生成,目标生成器通过不包含非线性激活层的目标判别器进行对抗训练得到。本申请在根据异常检测模型对交易数据进行交易检测时,能够提高异常检测模型的检测准确率,使得交易检测结果能够准确反应待检测交易的交易异常情况。
Description
技术领域
本申请涉及人工智能领域,特别是涉及一种交易检测方法、装置、计算机设备及存储介质。
背景技术
在数字化转型的大背景下,数字资源交易和资源借调业务成为企业发展的重要领域,但随之而来的交易欺诈现象,也受到了各大企业的重要关注。为了避免人们的财产安全受损,可借助异常检测模型对资源交易进行自动检测,以实现在检测到异常交易时向交易人员进行交易警告。
但是,在借助异常检测模型对资源交易进行自动检测时,由于真实欺诈案例较少,缺乏对异常检测模型进行训练的训练样本数据,导致异常检测模型的检测准确率低下。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高异常检测模型的检测准确率的交易检测方法、装置、计算机设备及存储介质。
第一方面,本申请提供了一种交易检测方法,该方法包括:
获取待检测交易的交易数据;
根据异常检测模型对交易数据进行交易检测,得到待检测交易对应的交易检测结果;
其中,异常检测模型是基于实际样本数据和目标样本数据训练得到;目标样本数据是根据目标生成器生成,目标生成器通过不包含非线性激活层的目标判别器进行对抗训练得到。
在其中一个实施例中,目标生成器与不包含非线性激活层的目标判别器进行对抗训练,包括:获取目标生成器生成的初始样本数据;通过目标判别器,对实际样本数据和初始样本数据进行拟合判断,得到实际样本数据和初始样本数据的拟合距离;根据初始样本数据和拟合距离,对目标生成器进行对抗训练,得到训练后的目标生成器。
在其中一个实施例中,通过目标判别器,对实际样本数据和初始样本数据进行拟合判断,得到实际样本数据和初始样本数据的拟合距离,包括:对实际样本数据和初始样本数据进行噪声添加,得到添加有噪声的实际样本数据,以及添加有噪声的初始样本数据;将添加有噪声的实际样本数据和添加有噪声的初始样本数据,输入至目标判别器,得到实际样本数据和初始样本数据的拟合距离。
在其中一个实施例中,对实际样本数据和初始样本数据进行噪声添加,得到添加有噪声的实际样本数据,以及添加有噪声的初始样本数据,包括:对目标生成器进行损失梯度验证,得到目标生成器对应的损失梯度;根据损失梯度,对实际样本数据和初始样本数据进行噪声添加,得到添加有噪声的实际样本数据,以及添加有噪声的初始样本数据。
在其中一个实施例中,根据异常检测模型对交易数据进行交易检测,得到待检测交易对应的交易检测结果,包括:将交易数据输入至异常检测模型,得到异常检测模型生成的与待检测交易对应的交易检测评分;根据交易检测评分,确定待检测交易对应的交易检测结果。
在其中一个实施例中,根据交易检测评分,确定待检测交易对应的交易检测结果,包括:确定异常交易对应的第一评分范围和正常交易对应的第二评分范围;在交易检测评分属于第一评分范围的情况下,确定待检测交易对应的交易检测结果为异常交易;在交易检测评分属于第二评分范围的情况下,确定待检测交易对应的交易检测结果为正常交易。
第二方面,本申请还提供了一种交易检测装置。该装置包括:
数据获取模块,用于获取待检测交易的交易数据;
交易检测模块,用于根据异常检测模型对交易数据进行交易检测,得到待检测交易对应的交易检测结果;其中,异常检测模型是基于实际样本数据和目标样本数据训练得到;目标样本数据是根据目标生成器生成,目标生成器通过不包含非线性激活层的目标判别器进行对抗训练得到。
第三方面,本申请还提供了一种计算机设备。计算机设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
获取待检测交易的交易数据;
根据异常检测模型对交易数据进行交易检测,得到待检测交易对应的交易检测结果;
其中,异常检测模型是基于实际样本数据和目标样本数据训练得到;目标样本数据是根据目标生成器生成,目标生成器通过不包含非线性激活层的目标判别器进行对抗训练得到。
第四方面,本申请还提供了一种计算机可读存储介质。计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待检测交易的交易数据;
根据异常检测模型对交易数据进行交易检测,得到待检测交易对应的交易检测结果;
其中,异常检测模型是基于实际样本数据和目标样本数据训练得到;目标样本数据是根据目标生成器生成,目标生成器通过不包含非线性激活层的目标判别器进行对抗训练得到。
第五方面,本申请还提供了一种计算机程序产品。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:
获取待检测交易的交易数据;
根据异常检测模型对交易数据进行交易检测,得到待检测交易对应的交易检测结果;
其中,异常检测模型是基于实际样本数据和目标样本数据训练得到;目标样本数据是根据目标生成器生成,目标生成器通过不包含非线性激活层的目标判别器进行对抗训练得到。
上述交易检测方法、装置、计算机设备及存储介质,通过获取待检测交易的交易数据;根据异常检测模型对交易数据进行交易检测,得到待检测交易对应的交易检测结果;其中,异常检测模型是基于实际样本数据和目标样本数据训练得到;目标样本数据是根据目标生成器生成,目标生成器通过不包含非线性激活层的目标判别器进行对抗训练得到。根据上述内容可知,本申请是采用异常检测模型对交易数据进行交易检测,以实现确定待检测交易对应的交易检测结果,其中,异常检测模型是基于实际样本数据和目标样本数据训练得到,而目标样本数据是通过目标生成器生成,以此解决了缺乏对异常检测模型进行训练的训练样本数据的问题,并且,为保证目标样本数据与实际样本数据的相似性,本申请还采用不包含非线性激活层的目标判别器对目标生成器进行对抗训练,因此,本申请在根据异常检测模型对交易数据进行交易检测时,能够提高异常检测模型的检测准确率,使得交易检测结果能够准确反应待检测交易的交易异常情况。
附图说明
图1为本申请实施例提供的一种交易检测方法的流程图;
图2为本申请实施例提供的一种确定目标生成器的步骤流程图;
图3为本申请实施例提供的一种确定拟合距离的步骤流程图;
图4为本申请实施例提供的一种确定交易检测结果的步骤流程图;
图5为本申请实施例提供的另一种交易检测方法的流程图;
图6为本申请实施例提供的第一种交易检测装置的结构框图;
图7为本申请实施例提供的第二种交易检测装置的结构框图;
图8为本申请实施例提供的第三种交易检测装置的结构框图;
图9为本申请实施例提供的第四种交易检测装置的结构框图;
图10为本申请实施例提供的第五种交易检测装置的结构框图;
图11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。
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。在本申请的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在一个实施例中,图1为本申请实施例提供的一种交易检测方法的流程图,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。其中,终端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。本实施例中,该方法包括以下步骤:
在一个示例性的实施例中,如图1所示的交易检测方法,包括:
S101,获取待检测交易的交易数据。
其中,交易数据指的是通过资源借调工具进行交易的过程中所产生的数据,例如,交易数据可以包括:资源交易份额、交易时间、交易编码、资源支出方,资源收入方等。
需要说明的是,由于待检测交易的交易数据可能涉及个人安全信息,因此,在获取待检测交易的交易数据前,需要获得相应的数据获取权限和合法使用权限,并确保对个人安全信息进行保密处理。在获取合法授权的情况下,对待检测交易的交易数据进行获取和后续处理。
在本申请的一种实施例中,获取待检测交易的交易数据的过程,具体可包括以下内容:获取待检测交易所使用的交易平台的用户授权和数据授权,在取得授权的情况下,可以通过网络爬虫技术获取待检测交易的交易数据。
进一步说明,由于获取到的交易数据可能存在错误数据和重复数据,因此,可通过对数据进行重新审查和校验,确保删除重复信息、纠正存在的错误,保证了交易数据的数据一致性和准确性。对数据进行重新审查和校验的方法有很多,可以包括:数据清洗(例如,去除重复或错误数据)、缺失值处理(插值、删除等方法)、异常值处理(基于统计学方法或机器学习方法检测和修复异常值)、归一化(将数据转换到统一的度量范围,如将数据归一化至0-1区间)中的至少一个。
S102,根据异常检测模型对交易数据进行交易检测,得到待检测交易对应的交易检测结果。
其中,异常检测模型是基于实际样本数据和目标样本数据训练得到;目标样本数据是根据目标生成器生成,目标生成器通过不包含非线性激活层的目标判别器进行对抗训练得到。
需要说明的是,由于异常检测模型是基于实际样本数据和目标样本数据预先训练好的检测模型,因此,能够对交易数据进行检测和分析,得到待检测交易对应的交易检测结果。
进一步说明,异常检测模型可以为基于机器学习的检测模型,例如,支持向量机模型、决策树模型、贝叶斯网络模型等;也可以为基于图神经网络的检测模型,例如,对抗生成网络模型、图注意力网络模型、自适应图卷积网络模型、消息传递神经网络模型等。本申请对异常检测模型所采用的具体模型类型不进行限定。
上述交易检测方法,通过获取待检测交易的交易数据;根据异常检测模型对交易数据进行交易检测,得到待检测交易对应的交易检测结果;其中,异常检测模型是基于实际样本数据和目标样本数据训练得到;目标样本数据是根据目标生成器生成,目标生成器通过不包含非线性激活层的目标判别器进行对抗训练得到。根据上述内容可知,本申请是采用异常检测模型对交易数据进行交易检测,以实现确定待检测交易对应的交易检测结果,其中,异常检测模型是基于实际样本数据和目标样本数据训练得到,而目标样本数据是通过目标生成器生成,以此解决了缺乏对异常检测模型进行训练的训练样本数据的问题,并且,为保证目标样本数据与实际样本数据的相似性,本申请还采用不包含非线性激活层的目标判别器对目标生成器进行对抗训练,因此,本申请在根据异常检测模型对交易数据进行交易检测时,能够提高异常检测模型的检测准确率,使得交易检测结果能够准确反应待检测交易的交易异常情况。
在上述各实施例的技术方案的基础上,本申请还提供了一个可选实施例。在该可选实施例中,目标生成器的训练过程,进行了优化改进,以实现最小化实际样本数据与初始样本数据的拟合距离的效果。
如图2所示的目标生成器的训练过程,包括以下步骤:
S201,获取目标生成器生成的初始样本数据。
其中,初始样本数据是由目标生成器根据随机噪声生成且未经优化的样本数据。
需要说明的是,目标生成器可以是由多个全连接网络层构成的网络模型,包括输入层、隐藏层和输出层,能够通过对输入的随机噪声进行特征映射和提取,生成初始样本数据。
进一步说明,目标生成器的输入数据可以是随机噪声,也可以是随机噪声以及条件变量,其中,条件变量用于表示目标生成器所生成的初始样本数据需要满足的条件,例如,可以为初始样本数据的样本标签。
在本申请的一种实施例中,若目标生成器的输入数据是随机噪声,获取目标生成器生成的初始样本数据的过程,具体可包括以下内容:在目标生成器的输入层中输入随机噪声,通过隐藏层对随机噪声进行特征映射和提取,得到目标生成器的输出层输出的初始样本数据。
在本申请的另一种实施例中,若目标生成器的输入数据是随机噪声和条件变量,获取目标生成器生成的初始样本数据的过程,具体可包括以下内容:在目标生成器的输入层中输入随机噪声和条件变量,通过隐藏层对随机噪声进行特征映射和提取,得到目标生成器的输出层输出的初始样本数据。
S202,通过目标判别器,对实际样本数据和初始样本数据进行拟合判断,得到实际样本数据和初始样本数据的拟合距离。
其中,目标判别器是由不包含非线性激活层的多层全连接神经网络构成,目标判别器的输入是实际样本数据和初始样本数据,输出是实际样本数据和初始样本数据的拟合距离。
其中,实际样本数据指的是依据真实交易案例得到的样本数据;拟合距离用于表示实际样本数据和初始样本数据进行特征映射后得到的向量或矩阵之间的近似拟合相似度。
需要说明的是,除通过目标判别器确定拟合距离的方法外,拟合距离的确定方法还有很多,例如,可通过余弦相似度公式,计算实际样本数据和初始样本数据之间的余弦相似度,将该余弦相似度作为实际样本数据和初始样本数据的拟合距离;或者,可通过欧式距离公式,计算实际样本数据和初始样本数据之间的欧式距离,将该欧式距离作为实际样本数据和初始样本数据的拟合距离;或者,可通过皮尔逊相关系数公式,计算实际样本数据和初始样本数据之间的皮尔逊相关系数,将该皮尔逊相关系数作为实际样本数据和初始样本数据的拟合距离。
S203,根据初始样本数据和拟合距离,对目标生成器进行对抗训练,得到训练后的目标生成器。
需要说明的是,对目标生成器进行对抗训练的过程中,通过构建基于相对熵的损失函数,对拟合距离进行最小化,使得初始样本数据不断接近实际样本数据,实现对目标生成器的训练,以使训练后的目标生成器能够生成与实际样本数据具有高相似度的目标样本数据。
上述交易检测方法,通过对实际样本数据和初始样本数据的拟合距离进行优化,使得目标生成器生成的初始样本数据不断接近实际样本数据,实现对目标生成器的训练,以使训练后的目标生成器能够生成与实际样本数据具有高相似度的目标样本数据,为后续交易检测提供了数据支撑。
在上述各实施例的技术方案的基础上,本申请还提供了一个可选实施例,在该可选实施例中,对实际样本数据和初始样本数据的拟合距离的确定步骤,进行了优化改进,以实现自适应地对实际样本数据和初始样本数据进行噪声添加,避免了梯度消失的问题。参见图3所示的方法,包括以下步骤:
S301,对实际样本数据和初始样本数据进行噪声添加,得到添加有噪声的实际样本数据,以及添加有噪声的初始样本数据。
需要说明的是,由于对目标判别器的过度训练,可能会导致目标生成器的损失函数在优化过程中出现梯度消失的现象,使得目标生成器的损失函数无法收敛至局部最优解或全局最优解。这种现象是由于实际样本数据分布和初始样本数据分布之间必然存在一个最优分割曲面能够将两者区分开,目标判别器作为一个神经网络可以无限拟合最优分割曲面,使得目标判别器对所有实际样本数据判定为概率1,对所有初始样本数据判定为概率0,导致目标生成器的损失函数的梯度为0,也即梯度消失。为了避免梯度消失的情况,可通过对实际样本数据和初始样本数据进行噪声添加,使得实际样本数据和初始样本数据从低维空间转换到高维空间,从而产生重叠。进一步的,通过基于相对熵的损失函数对添加有噪声的实际样本数据和添加有噪声的初始样本数据进行优化,减小添加有噪声的实际样本数据和添加有噪声的初始样本数据之间的距离,扩大添加有噪声的实际样本数据和添加有噪声的初始样本数据的重叠部分,使得基于相对熵的损失函数的散度也会不断变小,而非固定常数,避免了梯度消失的问题。
进一步说明,在对目标生成器进行训练过程中,可以通过退火的方式对实际样本数据和初始样本数据所加的噪声进行去除,具体的,通过不断减小实际样本数据和初始样本数据的方差,直至实际样本数据和初始样本数据在低维空间也能够产生重叠时,即完成了对所加的噪声的去除;进一步的,继续对目标生成器进行优化,通过梯度下降法不断缩小实际样本数据和初始样本数据之间的距离,直到实际样本数据和初始样本数据达到重合,即可停止对目标生成器的训练。
在本申请的一种实施例中,对实际样本数据和初始样本数据进行噪声添加的过程,具体可包括以下内容:对目标生成器进行损失梯度验证,得到目标生成器对应的损失梯度;根据损失梯度,对实际样本数据和初始样本数据进行噪声添加,得到添加有噪声的实际样本数据,以及添加有噪声的初始样本数据。
具体的,当需要对实际样本数据和初始样本数据进行噪声添加时,可预先设置损失梯度与添加噪声量的对应关系,在对应关系中,损失梯度越大,则对应的添加噪声量越小;同理,损失梯度越小,则对应的添加噪声量越大,因此,当需要对实际样本数据和初始样本数据进行噪声添加时,可根据对应关系,确定损失梯度对应的添加噪声量,进而,根据添加噪声量,对实际样本数据和初始样本数据进行噪声添加,得到添加有噪声的实际样本数据,以及添加有噪声的初始样本数据。
S302,将添加有噪声的实际样本数据和添加有噪声的初始样本数据,输入至目标判别器,得到实际样本数据和初始样本数据的拟合距离。
在本申请的一种实施例中,可将添加有噪声的实际样本数据和添加有噪声的初始样本数据作为输入数据,输入至目标判别器的输入层中,通过目标判别器的隐藏层对添加有噪声的实际样本数据和添加有噪声的初始样本数据进行特征映射和提取;进一步的,目标判别器的隐藏层的输出结果输入至目标判别器的输出层中,得到目标判别器的输出层输出的结果,即为实际样本数据和初始样本数据的拟合距离。
上述交易检测方法,通过对目标生成器进行损失梯度验证,以实现自适应地对实际样本数据和初始样本数据进行噪声添加,避免了梯度消失的问题。
在上述各实施例的技术方案的基础上,本申请还提供了一个可选实施例,在该可选实施例中,对待检测交易对应的交易检测结果的确定步骤,进行了优化改进,以实现将交易检测评分转化为相应的交易检测结果的效果。参见图4所示的确定交易检测结果步骤,包括以下内容:
S401,将交易数据输入至异常检测模型,得到异常检测模型生成的与待检测交易对应的交易检测评分。
需要说明的是,异常检测模型是基于实际样本数据和目标样本数据预先训练好的检测模型,能够对交易数据进行检测和分析,生成与待检测交易对应的交易检测评分。也就是说,异常检测模型的输入数据是交易数据,异常检测模型的输出数据是待检测交易对应的交易检测评分。
进一步说明,异常检测模型可以为基于机器学习的检测模型,例如,支持向量机模型、决策树模型、贝叶斯网络模型等;也可以为基于图神经网络的检测模型,例如,对抗生成网络模型、图注意力网络模型、自适应图卷积网络模型、消息传递神经网络模型等。本申请对异常检测模型所采用的具体模型类型不进行限定。
S402,根据交易检测评分,确定待检测交易对应的交易检测结果。
在本申请的一种实施例中,确定待检测交易对应的交易检测结果的过程,具体可包括以下内容:确定异常交易对应的第一评分范围和正常交易对应的第二评分范围;在交易检测评分属于第一评分范围的情况下,确定待检测交易对应的交易检测结果为异常交易;在交易检测评分属于第二评分范围的情况下,确定待检测交易对应的交易检测结果为正常交易。
需要说明的是,异常交易对应的第一评分范围和正常交易对应的第二评分范围可以根据实际交易情况进行设定,也可以通过对历史交易数据进行数据统计分析的方法得到,本申请对此不进行限定。
作为一种示例,若规定第一评分范围为:(0,0.6],第二评分范围为:[0.7,1],若交易检测评分为0.5,由于0.5属于第一评分范围(0,0.6],因此,确定待检测交易对应的交易检测结果为异常交易。
作为另一种示例,若规定第一评分范围为:(0,0.6],第二评分范围为:[0.7,1],若交易检测评分为0.9,由于0.9属于第二评分范围[0.7,1],因此,确定待检测交易对应的交易检测结果为正常交易。
在本申请的另一种实施例中,可先判断交易检测评分与评分阈值之间的大小关系,若交易检测评分大于评分阈值,则再判断交易检测评分与异常交易对应的第一评分范围和正常交易对应的第二评分范围之间的所属关系,确定待检测交易对应的交易检测结果;若交易检测评分小于或者等于评分阈值,则说明该交易检测评分存在误差,不具备参考意义,可将交易数据重新输入至异常检测模型中,重新生成待检测交易对应的交易检测评分,再进行后续判断。
其中,评分阈值可根据历史交易数据以及交易的实际情况进行预先设定。
上述交易检测方法,通过异常检测模型生成与待检测交易对应的交易检测评分,进而,通过交易检测评分与交易检测结果之间的所属关系,得到待检测交易对应的交易检测结果,确保了交易检测结果的准确性。
在上述各实施例的技术方案的基础上,本申请还提供了一个可选实施例,在该可选实施例中,对交易检测过程进行了详述。参见图5所示的交易检测方法,包括:
S501,获取待检测交易的交易数据。
S502,获取目标生成器生成的初始样本数据。
S503,对目标生成器进行损失梯度验证,得到目标生成器对应的损失梯度。
S504,根据损失梯度,对实际样本数据和初始样本数据进行噪声添加,得到添加有噪声的实际样本数据,以及添加有噪声的初始样本数据。
S505,将添加有噪声的实际样本数据和添加有噪声的初始样本数据,输入至目标判别器,得到实际样本数据和初始样本数据的拟合距离。
S506,根据初始样本数据和拟合距离,对目标生成器进行对抗训练,得到训练后的目标生成器。
S507,将交易数据输入至异常检测模型,得到异常检测模型生成的与待检测交易对应的交易检测评分。
S508,确定异常交易对应的第一评分范围和正常交易对应的第二评分范围。
S509,在交易检测评分属于第一评分范围的情况下,确定待检测交易对应的交易检测结果为异常交易。
S510,在交易检测评分属于第二评分范围的情况下,确定待检测交易对应的交易检测结果为正常交易。
上述交易检测方法,通过获取待检测交易的交易数据;根据异常检测模型对交易数据进行交易检测,得到待检测交易对应的交易检测结果;其中,异常检测模型是基于实际样本数据和目标样本数据训练得到;目标样本数据是根据目标生成器生成,目标生成器通过不包含非线性激活层的目标判别器进行对抗训练得到。根据上述内容可知,本申请是采用异常检测模型对交易数据进行交易检测,以实现确定待检测交易对应的交易检测结果,其中,异常检测模型是基于实际样本数据和目标样本数据训练得到,而目标样本数据是通过目标生成器生成,以此解决了缺乏对异常检测模型进行训练的训练样本数据的问题,并且,为保证目标样本数据与实际样本数据的相似性,本申请还采用不包含非线性激活层的目标判别器对目标生成器进行对抗训练,因此,本申请在根据异常检测模型对交易数据进行交易检测时,能够提高异常检测模型的检测准确率,使得交易检测结果能够准确反应待检测交易的交易异常情况。
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交易检测方法的交易检测装置。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交易检测装置实施例中的具体限定可以参见上文中对于交易检测方法的限定,在此不再赘述。
在一个实施例中,如图6所示,提供了一种交易检测装置,包括:数据获取模块10和交易检测模块20,其中:
数据获取模块10,用于获取待检测交易的交易数据。
交易检测模块20,用于根据异常检测模型对交易数据进行交易检测,得到待检测交易对应的交易检测结果;其中,异常检测模型是基于实际样本数据和目标样本数据训练得到;目标样本数据是根据目标生成器生成,目标生成器通过不包含非线性激活层的目标判别器进行对抗训练得到。
上述交易检测装置,通过获取待检测交易的交易数据;根据异常检测模型对交易数据进行交易检测,得到待检测交易对应的交易检测结果;其中,异常检测模型是基于实际样本数据和目标样本数据训练得到;目标样本数据是根据目标生成器生成,目标生成器通过不包含非线性激活层的目标判别器进行对抗训练得到。根据上述内容可知,本申请是采用异常检测模型对交易数据进行交易检测,以实现确定待检测交易对应的交易检测结果,其中,异常检测模型是基于实际样本数据和目标样本数据训练得到,而目标样本数据是通过目标生成器生成,以此解决了缺乏对异常检测模型进行训练的训练样本数据的问题,并且,为保证目标样本数据与实际样本数据的相似性,本申请还采用不包含非线性激活层的目标判别器对目标生成器进行对抗训练,因此,本申请在根据异常检测模型对交易数据进行交易检测时,能够提高异常检测模型的检测准确率,使得交易检测结果能够准确反应待检测交易的交易异常情况。
在一个实施例中,如图7所示,提供了一种交易检测装置,该交易检测装置中交易检测模块20包括:第一确定单元21、第二确定单元22和训练单元23,其中:
第一确定单元21,用于获取目标生成器生成的初始样本数据。
第二确定单元22,用于通过目标判别器,对实际样本数据和初始样本数据进行拟合判断,得到实际样本数据和初始样本数据的拟合距离。
训练单元23,用于根据初始样本数据和拟合距离,对目标生成器进行对抗训练,得到训练后的目标生成器。
在一个实施例中,如图8所示,提供了一种交易检测装置,该交易检测装置中第二确定单元22包括:加噪子单元221和拟合子单元222,其中:
加噪子单元221,用于对实际样本数据和初始样本数据进行噪声添加,得到添加有噪声的实际样本数据,以及添加有噪声的初始样本数据。
加噪子单元221具体用于对目标生成器进行损失梯度验证,得到目标生成器对应的损失梯度;根据损失梯度,对实际样本数据和初始样本数据进行噪声添加,得到添加有噪声的实际样本数据,以及添加有噪声的初始样本数据。
拟合子单元222,用于将添加有噪声的实际样本数据和添加有噪声的初始样本数据,输入至目标判别器,得到实际样本数据和初始样本数据的拟合距离。
在一个实施例中,如图9所示,提供了一种交易检测装置,该交易检测装置中交易检测模块20还包括:评分确定单元24和结果确定单元25,其中:
评分确定单元24,用于将交易数据输入至异常检测模型,得到异常检测模型生成的与待检测交易对应的交易检测评分。
结果确定单元25,用于根据交易检测评分,确定待检测交易对应的交易检测结果。
在一个实施例中,如图10所示,提供了一种交易检测装置,该交易检测装置中结果确定单元25包括:第一确定子单元251、第二确定子单元252和第三确定子单元253,其中:
第一确定子单元251,用于确定异常交易对应的第一评分范围和正常交易对应的第二评分范围。
第二确定子单元252,用于在交易检测评分属于第一评分范围的情况下,确定待检测交易对应的交易检测结果为异常交易。
第三确定子单元253,用于在交易检测评分属于第二评分范围的情况下,确定待检测交易对应的交易检测结果为正常交易。
上述交易检测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终端,其内部结构图可以如图11所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。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、显示单元和输入装置通过输入/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和计算机程序。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进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种交易检测方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图11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,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以下步骤:
获取待检测交易的交易数据;
根据异常检测模型对交易数据进行交易检测,得到待检测交易对应的交易检测结果;
其中,异常检测模型是基于实际样本数据和目标样本数据训练得到;目标样本数据是根据目标生成器生成,目标生成器通过不包含非线性激活层的目标判别器进行对抗训练得到。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取目标生成器生成的初始样本数据;通过目标判别器,对实际样本数据和初始样本数据进行拟合判断,得到实际样本数据和初始样本数据的拟合距离;根据初始样本数据和拟合距离,对目标生成器进行对抗训练,得到训练后的目标生成器。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对实际样本数据和初始样本数据进行噪声添加,得到添加有噪声的实际样本数据,以及添加有噪声的初始样本数据;将添加有噪声的实际样本数据和添加有噪声的初始样本数据,输入至目标判别器,得到实际样本数据和初始样本数据的拟合距离。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对目标生成器进行损失梯度验证,得到目标生成器对应的损失梯度;根据损失梯度,对实际样本数据和初始样本数据进行噪声添加,得到添加有噪声的实际样本数据,以及添加有噪声的初始样本数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将交易数据输入至异常检测模型,得到异常检测模型生成的与待检测交易对应的交易检测评分;根据交易检测评分,确定待检测交易对应的交易检测结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:确定异常交易对应的第一评分范围和正常交易对应的第二评分范围;在交易检测评分属于第一评分范围的情况下,确定待检测交易对应的交易检测结果为异常交易;在交易检测评分属于第二评分范围的情况下,确定待检测交易对应的交易检测结果为正常交易。
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,计算机程序被处理器执行时实现以下步骤:
获取待检测交易的交易数据;
根据异常检测模型对交易数据进行交易检测,得到待检测交易对应的交易检测结果;
其中,异常检测模型是基于实际样本数据和目标样本数据训练得到;目标样本数据是根据目标生成器生成,目标生成器通过不包含非线性激活层的目标判别器进行对抗训练得到。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取目标生成器生成的初始样本数据;通过目标判别器,对实际样本数据和初始样本数据进行拟合判断,得到实际样本数据和初始样本数据的拟合距离;根据初始样本数据和拟合距离,对目标生成器进行对抗训练,得到训练后的目标生成器。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对实际样本数据和初始样本数据进行噪声添加,得到添加有噪声的实际样本数据,以及添加有噪声的初始样本数据;将添加有噪声的实际样本数据和添加有噪声的初始样本数据,输入至目标判别器,得到实际样本数据和初始样本数据的拟合距离。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对目标生成器进行损失梯度验证,得到目标生成器对应的损失梯度;根据损失梯度,对实际样本数据和初始样本数据进行噪声添加,得到添加有噪声的实际样本数据,以及添加有噪声的初始样本数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将交易数据输入至异常检测模型,得到异常检测模型生成的与待检测交易对应的交易检测评分;根据交易检测评分,确定待检测交易对应的交易检测结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:确定异常交易对应的第一评分范围和正常交易对应的第二评分范围;在交易检测评分属于第一评分范围的情况下,确定待检测交易对应的交易检测结果为异常交易;在交易检测评分属于第二评分范围的情况下,确定待检测交易对应的交易检测结果为正常交易。
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以下步骤:
获取待检测交易的交易数据;
根据异常检测模型对交易数据进行交易检测,得到待检测交易对应的交易检测结果;
其中,异常检测模型是基于实际样本数据和目标样本数据训练得到;目标样本数据是根据目标生成器生成,目标生成器通过不包含非线性激活层的目标判别器进行对抗训练得到。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取目标生成器生成的初始样本数据;通过目标判别器,对实际样本数据和初始样本数据进行拟合判断,得到实际样本数据和初始样本数据的拟合距离;根据初始样本数据和拟合距离,对目标生成器进行对抗训练,得到训练后的目标生成器。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对实际样本数据和初始样本数据进行噪声添加,得到添加有噪声的实际样本数据,以及添加有噪声的初始样本数据;将添加有噪声的实际样本数据和添加有噪声的初始样本数据,输入至目标判别器,得到实际样本数据和初始样本数据的拟合距离。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对目标生成器进行损失梯度验证,得到目标生成器对应的损失梯度;根据损失梯度,对实际样本数据和初始样本数据进行噪声添加,得到添加有噪声的实际样本数据,以及添加有噪声的初始样本数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将交易数据输入至异常检测模型,得到异常检测模型生成的与待检测交易对应的交易检测评分;根据交易检测评分,确定待检测交易对应的交易检测结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:确定异常交易对应的第一评分范围和正常交易对应的第二评分范围;在交易检测评分属于第一评分范围的情况下,确定待检测交易对应的交易检测结果为异常交易;在交易检测评分属于第二评分范围的情况下,确定待检测交易对应的交易检测结果为正常交易。
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,该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、数据块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块可包括关系型数据块和非关系型数据块中至少一种。非关系型数据块可包括基于区块链的分布式数据块等,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 (10)
1.一种交易检测方法,其特征在于,所述方法包括:
获取待检测交易的交易数据;
根据异常检测模型对所述交易数据进行交易检测,得到所述待检测交易对应的交易检测结果;
其中,所述异常检测模型是基于实际样本数据和目标样本数据训练得到;所述目标样本数据是根据目标生成器生成,所述目标生成器通过不包含非线性激活层的目标判别器进行对抗训练得到。
2.根据权利要求1所述的方法,其特征在于,所述目标生成器与不包含非线性激活层的所述目标判别器进行对抗训练,包括:
获取所述目标生成器生成的初始样本数据;
通过所述目标判别器,对所述实际样本数据和所述初始样本数据进行拟合判断,得到所述实际样本数据和所述初始样本数据的拟合距离;
根据所述初始样本数据和所述拟合距离,对所述目标生成器进行对抗训练,得到训练后的目标生成器。
3.根据权利要求2所述的方法,其特征在于,所述通过所述目标判别器,对所述实际样本数据和所述初始样本数据进行拟合判断,得到所述实际样本数据和所述初始样本数据的拟合距离,包括:
对所述实际样本数据和所述初始样本数据进行噪声添加,得到添加有噪声的实际样本数据,以及添加有噪声的初始样本数据;
将添加有噪声的实际样本数据和添加有噪声的初始样本数据,输入至所述目标判别器,得到所述实际样本数据和所述初始样本数据的拟合距离。
4.根据权利要求3所述的方法,其特征在于,所述对所述实际样本数据和所述初始样本数据进行噪声添加,得到添加有噪声的实际样本数据,以及添加有噪声的初始样本数据,包括:
对所述目标生成器进行损失梯度验证,得到所述目标生成器对应的损失梯度;
根据所述损失梯度,对所述实际样本数据和所述初始样本数据进行噪声添加,得到添加有噪声的实际样本数据,以及添加有噪声的初始样本数据。
5.根据权利要求1-4中任一项所述的方法,其特征在于,所述根据异常检测模型对所述交易数据进行交易检测,得到所述待检测交易对应的交易检测结果,包括:
将所述交易数据输入至异常检测模型,得到所述异常检测模型生成的与所述待检测交易对应的交易检测评分;
根据所述交易检测评分,确定所述待检测交易对应的所述交易检测结果。
6.根据权利要求5所述的方法,其特征在于,所述根据所述交易检测评分,确定所述待检测交易对应的所述交易检测结果,包括:
确定异常交易对应的第一评分范围和正常交易对应的第二评分范围;
在所述交易检测评分属于所述第一评分范围的情况下,确定所述待检测交易对应的所述交易检测结果为所述异常交易;
在所述交易检测评分属于所述第二评分范围的情况下,确定所述待检测交易对应的所述交易检测结果为所述正常交易。
7.一种交易检测装置,其特征在于,所述装置包括:
数据获取模块,用于获取待检测交易的交易数据;
交易检测模块,用于根据异常检测模型对所述交易数据进行交易检测,得到所述待检测交易对应的交易检测结果;其中,所述异常检测模型是基于实际样本数据和目标样本数据训练得到;所述目标样本数据是根据目标生成器生成,所述目标生成器通过不包含非线性激活层的目标判别器进行对抗训练得到。
8.一种计算机设备,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6中任一项所述的方法的步骤。
9.一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6中任一项所述的方法的步骤。
10.一种计算机程序产品,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6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410243904.0A CN118052556A (zh) | 2024-03-04 | 2024-03-04 | 交易检测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410243904.0A CN118052556A (zh) | 2024-03-04 | 2024-03-04 | 交易检测方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118052556A true CN118052556A (zh) | 2024-05-17 |
Family
ID=91053451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410243904.0A Pending CN118052556A (zh) | 2024-03-04 | 2024-03-04 | 交易检测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118052556A (zh) |
-
2024
- 2024-03-04 CN CN202410243904.0A patent/CN118052556A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220084371A1 (en) | Systems and methods for unsupervised detection of anomalous customer interactions to secure and authenticate a customer session | |
US20220269928A1 (en) | Stochastic noise layers | |
CN115795000A (zh) | 基于联合相似度算法对比的围标识别方法和装置 | |
CN117033039A (zh) | 故障检测方法、装置、计算机设备和存储介质 | |
CN116030312B (zh) | 模型评估方法、装置、计算机设备和存储介质 | |
CN112507323A (zh) | 基于单向网络的模型训练方法、装置和计算设备 | |
CN118052556A (zh) | 交易检测方法、装置、计算机设备及存储介质 | |
CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN116612474B (zh) | 对象检测方法、装置、计算机设备及计算机可读存储介质 | |
CN115033888B (zh) | 基于熵的固件加密检测方法、装置、计算机设备及介质 | |
CN116342242A (zh) | 异常检测方法、装置、计算机设备和存储介质 | |
CN117009121A (zh) | 设备异常检测方法、装置、计算机设备和存储介质 | |
CN118195617A (zh) | 交易行为管理方法、装置、计算机设备、存储介质和产品 | |
CN115470526A (zh) | 基于黑盒模型的对抗攻击数据的处理方法和装置 | |
CN118279055A (zh) | 金融交易数据异常检测方法、装置和计算机设备 | |
CN116894728A (zh) | 异常账户确定方法、装置、计算机设备和存储介质 | |
CN118277271A (zh) | 异常定位方法、装置、计算机设备和存储介质 | |
CN117237589A (zh) | 图像处理方法、装置、计算机设备、存储介质和程序产品 | |
CN117238017A (zh) | 人脸识别方法、装置、计算机设备和存储介质 | |
CN116881122A (zh) | 测试案例生成方法、装置、设备、存储介质和程序产品 | |
CN116866419A (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
CN117312892A (zh) | 用户聚类方法、装置、计算机设备和存储介质 | |
CN114240987A (zh) | 变电站路径临时围栏屏障模型建立方法和装置 | |
CN117057439A (zh) | 模型参数更新方法、装置、计算机设备和存储介质 | |
CN116881028A (zh) | 应用程序闪退处理方法、装置、设备、介质和程序产品 |
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 |