TWI715879B - 一種基於圖結構模型的交易風險控制方法、裝置以及設備 - Google Patents

一種基於圖結構模型的交易風險控制方法、裝置以及設備 Download PDF

Info

Publication number
TWI715879B
TWI715879B TW107135930A TW107135930A TWI715879B TW I715879 B TWI715879 B TW I715879B TW 107135930 A TW107135930 A TW 107135930A TW 107135930 A TW107135930 A TW 107135930A TW I715879 B TWI715879 B TW I715879B
Authority
TW
Taiwan
Prior art keywords
node
transaction
structure model
graph structure
sample
Prior art date
Application number
TW107135930A
Other languages
English (en)
Other versions
TW201928815A (zh
Inventor
樂 宋
李輝
葛志邦
黃鑫
文春陽
王琳
姜濤
王一光
常曉夫
朱冠胤
Original Assignee
開曼群島商創新先進技術有限公司
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 開曼群島商創新先進技術有限公司 filed Critical 開曼群島商創新先進技術有限公司
Publication of TW201928815A publication Critical patent/TW201928815A/zh
Application granted granted Critical
Publication of TWI715879B publication Critical patent/TWI715879B/zh

Links

Images

Classifications

    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G06F16/2365—Ensuring data consistency and integrity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G06F16/2379—Updates performed during online database operations; commit processing
    • 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
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
    • G06Q20/401—Transaction verification
    • G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
    • 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
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance

Abstract

本說明書實施例公開了一種基於圖結構模型的交易風險控制方法、裝置以及設備，方案包括：預先根據使用者交易的相關資料搭建合適的交易資料網路，進行特徵整合並定義圖結構模型，利用標註樣本訓練圖結構模型，然後，利用訓練後的圖結構模型計算隱特徵空間中節點多次迭代的嵌入向量及其預測機率，並據此對節點進行交易風險控制。

Description

一種基於圖結構模型的交易風險控制方法、裝置以及設備
本說明書涉及電腦軟體技術領域，尤其涉及一種基於圖結構模型的交易風險控制方法、裝置以及設備。
隨著電腦和網際網路技術的迅速發展，很多業務可以在線上進行，典型的比如電商和支付業務，基於電商和支付平臺，使用者能夠便利地進行交易，這些平臺在給使用者帶來便利的同時也帶來了風險，一些有作弊等異常行為的使用者可能威脅交易安全，給其他使用者的資金或者其他利益造成損失。 在現有技術中，往往依靠使用者投訴，平臺人工審核等方式對使用者交易進行風險控制。 基於現有技術，需要更為有效的交易風險控制方案。
本說明書實施例提供一種基於圖結構模型的交易風險控制方法、裝置以及設備，用以解決如下技術問題：需要更為有效的交易風險控制方案。 為解決上述技術問題，本說明書實施例是這樣實現的： 本說明書實施例提供的一種基於圖結構模型的交易風險控制方法，包括： 獲取利用標註樣本訓練過的圖結構模型，所述圖結構模型根據交易資料網路定義，所述交易資料網路由買家使用者、賣家使用者、電商平臺帳號、第三方支付平臺帳號、提款卡、商品中的一種或者多種節點以及所述節點間關係構成；所述圖結構模型用於根據所述節點的原始特徵，及/或所述節點間關聯的邊的特徵，計算隱特徵空間中所述節點多次迭代後的嵌入向量； 利用所述訓練過的圖結構模型，計算待測樣本對應的嵌入向量； 根據所述待測樣本對應的嵌入向量，對所述待測樣本進行交易風險控制； 其中，所述標註樣本被標註了其對應的節點是否為交易風險節點。 本說明書實施例提供的一種基於圖結構模型的交易風險控制裝置，包括： 獲取模組，獲取利用標註樣本訓練過的圖結構模型，所述圖結構模型根據交易資料網路定義，所述交易資料網路由買家使用者、賣家使用者、電商平臺帳號、第三方支付平臺帳號、提款卡、商品中的一種或者多種節點以及所述節點間關係構成；所述圖結構模型用於根據所述節點的原始特徵，及/或所述節點間關聯的邊的特徵，計算隱特徵空間中所述節點多次迭代後的嵌入向量； 計算模組，利用所述訓練過的圖結構模型，計算待測樣本對應的嵌入向量； 風控模組，根據所述待測樣本對應的嵌入向量，對所述待測樣本進行交易風險控制； 其中，所述標註樣本被標註了其對應的節點是否為交易風險節點。 本說明書實施例提供的一種基於圖結構模型的交易風險控制設備，包括： 至少一個處理器；以及， 與所述至少一個處理器通信連接的記憶體；其中， 所述記憶體儲存有可被所述至少一個處理器執行的指令，所述指令被所述至少一個處理器執行，以使所述至少一個處理器能夠： 獲取利用標註樣本訓練過的圖結構模型，所述圖結構模型根據交易資料網路定義，所述交易資料網路由買家使用者、賣家使用者、電商平臺帳號、第三方支付平臺帳號、提款卡、商品中的一種或者多種節點以及所述節點間關係構成；所述圖結構模型用於根據所述節點的原始特徵，及/或所述節點間關聯的邊的特徵，計算隱特徵空間中所述節點多次迭代後的嵌入向量； 利用所述訓練過的圖結構模型，計算待測樣本對應的嵌入向量； 根據所述待測樣本對應的嵌入向量，對所述待測樣本進行交易風險控制； 其中，所述標註樣本被標註了其對應的節點是否為交易風險節點。 本說明書實施例採用的上述至少一個技術方案能夠達到以下有益效果：能夠有效地整合交易資料網路結構特徵、節點特徵和邊特徵，計算使用者對應的嵌入向量及/或預測機率，進而根據嵌入向量及/或預測機率有效地對使用者進行交易風險控制。
本說明書實施例提供圖結構模型訓練、基於圖結構模型的交易風險控制方法、裝置以及設備。 為了使本技術領域的人員更好地理解本說明書中的技術方案，下面將結合本說明書實施例中的附圖，對本說明書實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本申請一部分實施例，而不是全部的實施例。基於本說明書實施例，本領域普通技術人員在沒有作出進步性勞動前提下所獲得的所有其他實施例，都應當屬於本申請保護的範圍。 在電商和支付業務場景中，平臺積累了大量的交易和資金支付資料，這些業務場景的背後往往包含很多套現、虛假交易、作弊等異常行為，這些異常行為會給使用者交易安全帶來風險，因此，如何識別這些有風險的買家和賣家成為行業一大難題。 在電商和支付業務場景中，平臺還積累了大量的網路關係資料。比如，買家和賣家的交易關係、使用者和商品之間的購買收藏關係、供應鏈商戶的上下游關係、使用者之間的家庭和社會屬性關係、使用者和提款卡的資金流入流出關係、使用者一段時間的瀏覽行為或者運動軌跡構成的關係等等。很多異常行為背後都有一個完整的利益鏈條，這些利益鏈條形成了一個作案網路，本發明考慮從這些複雜的網路中學習出異常交易的模式，用於風險控制，以解決使用者交易安全問題。 在傳統的機器學習和資料分析工作中，不同的樣本之間往往是缺少資訊交互的，節點被認為是獨立的個體，但實際場景中不同的樣本往往具有非常密切的聯繫，比如，一個套現團夥有組織的為一群買家實施套現欺詐，這背後蘊含著一整套有組織有計劃的交易和資金網路關係。把不同節點的交互行為結合起來有助於更好地識別目標群體以及背後的規律。以前的深度學習技術不能用於諸如圖形、網路和動態網路等組合結構資料的表示和特徵學習。依靠人工的方法衍生網路特徵是一個耗時耗力而收益往往不可控的工作，即使是非常有經驗的資料分析工作者也只能枚舉其認知範圍內的一部分網路特徵。此外，實際場景中的網路結構會隨著時間推移不斷的發生變化，依靠業務經驗進行網路攻防顯得捉襟見肘。 本發明能夠有效地整合節點的特徵和邊的特徵，支持多種異構網路而且能夠適應網路的變化，訓練的過程可以針對業務目標直接進行優化，進而後續能夠有效地進行風險控制，保障使用者交易安全。 圖1為本說明書的方案在一種實際應用場景下涉及的一種整體架構示意圖。該整體架構中，主要涉及三部分：各買家端、各賣家端、平臺伺服器。平臺伺服器可以包括一個或者多個設備，平臺伺服器根據買家端與賣家端的使用者交易相關資料建立交易資料網路，定義相應的圖結構模型並訓練，用於對買家端與賣家端之間的使用者交易進行風險控制。 下面基於圖1中的架構，對本說明書的方案進行詳細說明。 圖2為本說明書實施例提供的一種圖結構模型訓練方法的流程示意圖。圖2中的流程包括以下步驟： S202：根據使用者交易的相關資料，建立交易資料網路，所述交易資料網路由買家使用者、賣家使用者、電商平臺帳號、第三方支付平臺帳號、提款卡、商品中的一種或者多種節點以及所述節點間關係構成。 在本說明書實施例中，使用者交易的相關資料可以包括記錄在訂單中的交易資料，比如，交易金額、交易時間、買家和賣家的屬性資訊等；還可以包括買家和賣家在交易時點的環境資訊，比如，買家和賣家各自使用的設備的資訊、基於位置的服務(Location Based Service，LBS)資訊、網路IP、Wi-Fi等。 在本說明書實施例中，買家使用者、賣家使用者可以指自然人，具體可以用自然人的身份標識進行表示，比如，身份證號、生物特徵資訊等。自然人與任意平臺的帳號一般是一對一的關係，但也可能是一對多的關係，比如，某買家使用者可能擁有多個第三方支付平臺帳號。 除了買家使用者、賣家使用者這兩種節點以外，上面列舉的其他節點也可以用相應的標識資訊來表示，比如，提款卡用對應的提款卡號表示，商品用對應的商品編號或者商品名稱型號表示，等等。 在本說明書實施例中，交易資料網路可以包括一種網路或者多種異構網路的組合，可以適應於實際需求建立。 例如，買家使用者與賣家使用者形成的交易網路，相應地，網路節點可以表示買家使用者或者賣家使用者，邊表示買家使用者與賣家使用者之間的已發生的交易關係；買家使用者和買家使用者帳號對應的簽帳卡的所屬關係網路，相應地，網路節點可以表示使用者帳號或者簽帳卡，邊可以表示簽帳卡屬於哪個使用者帳號；買家使用者和買家使用者帳號對應的信用卡的所屬關係網路，相應地，網路節點可以表示使用者帳號或者信用卡，邊可以表示信用卡屬於哪個使用者帳號；使用者帳號之間的同人關係網路，相應地，網路節點可以表示使用者帳號，邊可以表示哪些使用者帳號屬於同一使用者；使用者帳號之間的家庭關係網路，相應地，網路節點可以表示使用者帳號，邊可以表示哪些使用者帳號對應的使用者屬於同一家庭；買家使用者與商品形成的網路，相應地，網路節點可以表示買家使用者或者商品，邊可以表示商品被哪些買家使用者所購買，等等。 在本說明書實施例中，交易資料網路是圖資料，其直觀而便於利用圖演算法進行處理，效率較高。 交易資料網路中的節點可以包含其原始特徵。原始特徵可以包括以下至少一類交易資料：交易金額、交易次數、交易時間、交易地點、交易對象、交易支付方式等。具體地，比如，一段時間內超過一定規模的交易金額、交易次數、交易天數，交易賣家數、交易買家數、交易所在城市數、使用設備數、簽帳卡交易金額及占比、信用卡交易金額及占比，信用卡以外的其他信用交易金額及占比，等等。 交易資料網路中的邊可以包含其所連接的節點之間的關聯特徵，比如邊連接的節點共同涉及的交易資料及/或人際關係資料等。假定邊所連接的兩個節點分別是某買家使用者和某賣家使用者，則該邊的特徵比如可以包括該買家使用者和該賣家使用者之間一定時間內的交易金額、交易次數、交易所在城市數，是否是好友關係等。 S204：根據所述交易資料網路，定義圖結構模型，所述圖結構模型用於根據所述節點的原始特徵，及/或所述節點間關聯的邊的特徵，計算隱特徵空間中所述節點多次迭代後的嵌入向量。 在本說明書實施例中，可以對交易資料網路中的節點的原始特徵和邊特徵進行整合，定義特徵空間。進而根據一個或者多個特徵空間、特徵空間待定的權重矩陣，以及指定的非線性變換函數，定義圖結構模型。 所述權重矩陣用於對特徵空間進行線性變換，所述非線性變換函數用於對特徵空間進行非線性變化，從而，通過圖結構模型能夠將節點的原始特徵和邊特徵進行複雜的映射，最終映射至一個更為複雜的隱特徵空間，所述嵌入向量即反映對應的節點在該最終的隱特徵空間嵌入的特徵。 在多次迭代的情況下，還可以根據前一次迭代結果自身定義特徵空間，該特徵空間相比於根據節點的原始特徵或者邊特徵定義的特徵空間，也可以視為一種隱特徵空間。 根據上面的分析，隱特徵空間中所述節點在每次迭代後的嵌入向量可以是根據以下一種或者多種因素組合計算得到的：所述根據節點的原始特徵、所述節點與其他節點關聯的邊的特徵，以及隱特徵空間中所述節點在之前一次或者多次迭代後的嵌入向量計算得到的。 S206：利用標註樣本，訓練所述圖結構模型，所述標註樣本被標註了其對應的節點是否為交易風險節點。 在本說明書實施例中，可以預先標註一些已有的樣本是否是風險樣本，以用於訓練圖結構模型。任意樣本可以對應圖結構模型中的一個節點，異常樣本對應的節點為異常節點，在交易風險控制場景下，樣本一般是被標註的買家使用者或者賣家使用者本身，或者對應的使用者帳號；當然，樣本也可以指使用者在交易中涉及的其他要素，比如，與使用者帳號綁定的簽帳卡或者信用卡等，這些要素也能夠作為圖結構模型中的節點。 以下各實施例主要以樣本是使用者本身為例進行說明。一般可以根據實際的投訴處罰或者人工審核結果，將確定存在作弊等指定的異常行為的買家使用者和賣家使用者視為風險使用者並進行標註，實際業務中可以考慮每天進行一次標註，也可以多天一起標註，等等。 標註時採用的標準可以根據實際需求定義。比如，若確定某使用者在不低於設定次數的歷史交易中有異常行為，則標註該使用者為交易風險使用者(在圖結構模型中即交易風險節點)；再比如，若確定某使用者在其與交易帳號綁定的信用卡有不低於設定次數的還款逾期行為，則標註該使用者為交易風險使用者；等等。 在本說明書實施例中，訓練圖結構模型是為了確定合適的權重矩陣，使得基於訓練後的圖結構模型計算的嵌入向量能夠儘量真實地表達其對應的節點的性質，比如，是否為交易風險節點等。 通過圖2的方法，能夠有效地整合異構或者同構交易資料網路結構特徵、節點特徵和邊特徵，定義並訓練圖結構模型，根據圖結構模型計算節點在隱特徵空間的嵌入向量，用於對使用者交易進行風險控制。 基於圖2的方法，本說明書實施例還提供了該方法的一些具體實施方案，以及擴展方案，繼續進行說明。 在本說明書實施例中，所述圖結構模型還用於根據所述嵌入向量，計算所述節點的預測機率。在交易風險控制的場景下，預測機率可以表示節點是交易風險節點的機率。 在本說明書實施例中，直觀地，用一個實例對圖結構模型的定義以及訓練過程進行說明。假定T 表示要迭代的次數，總共有n 個節點，yi 表示第i 個節點的標註結果(比如，風險結點標註為1，非風險結點標註為0)，Fi 表示第i 個節點的原始特徵(特徵維度為f 維)，Eij 表示第i 個節點與第j 個節點關聯的邊的特徵(特徵維度為e 維)，Ni 表示第i 個節點的鄰居節點構成的集合，最終需要嵌入的隱特徵空間的維度為h 維，
Figure 02_image001
表示隱特徵空間中第i 個節點在第t 次迭代的嵌入向量。 假定隱特徵空間中所述節點在第t 次迭代後的嵌入向量是根據所述節點的原始特徵、節點與其他節點關聯的邊的特徵，以及隱特徵空間中所述節點在第t-1 次迭代後的嵌入向量計算得到的。一種示例性的圖結構模型的定義如下所示： “對W1 (h*f 維)、W2 (h*e 維)、W3 (h*h 維)、W4 (h*2 維)初始化，比如採用標準高斯分佈初始化； fort =1 toT ： //T 次迭代執行 fori =0 ton -1： //n 個節點遍歷執行
Figure 02_image003
； //(公式一)第i 個節點第t 次迭代的過程 fori =0 ton -1： //n 個節點遍歷執行
Figure 02_image005
； //(公式二)第i 個節點T 次迭代後的預測機率 optimize arg
Figure 107135930-A0305-02-0015-7
Σ i corss_entrep(pred i ,y i )；//(公式三)第i個節點T次迭代後的預測機率
其中，σ表示非線性變換函數(比如，Relu、Sigmoid、Tanh等函數)，W 1、W 2、W 3、W 4表示權重矩陣，αij表示針對第i個節點與第j個節點的權重矩陣(比如設置為對角矩陣)，pred i 表示第i個節點經過T次迭代後的預測機率，corss_entrep表示用於計算交叉熵的函數。”
在上例的場景下，對於步驟S206，所述利用標註樣本，訓練所述圖結構模型，具體可以包括：利用反向傳播演算法和標註的樣本，對arg
Figure 107135930-A0305-02-0015-8
Σ i corss_entrep(pred i ,y i )進行優化，求得最優的W 1、W 2、W 3、W 4。這裡的優化目標是基於預測機率與標註結果的交叉熵設置的。需要說明的是，實際上還可以基於交叉熵以外的，其他能夠度量預測機率與標註結果的一致性的參數來設置優化目標，優化目標是使得預測機率與標註結果的一致性儘量高。
上面的公式一、公式二、公式三都是示例性的，並非唯一方案。比如，公式一中Fi、Eij、
Figure 107135930-A0305-02-0015-9
分別的所在項可以通過乘法、指數或者對數等運算進行變形，或者還可以合併這兩項，或者還可以刪除其中一項；再比如，公式二中也可以將softmax函數替換為其他適用的歸一化函數；等等。
進一步地，訓練圖結構模型後，可以利用訓練後的圖結構模型，通過前向傳播，計算已有的樣本以及新樣本的嵌入向量及/或預測機率。進而可以將計算出的嵌入向量 及/或預測機率用於樣本相關的業務，比如，將嵌入向量作為其他模型的輸入(如集合其他有監督、無監督或者增強學習進行再整合等)，或者直接使用嵌入向量或者預測機率，判定對應樣本的性質，以交易風險控制場景為例，比如，當對某使用者的預測機率高於一定臨限值時，可以判定該使用者為交易風險使用者。
基於同樣的思路，本說明書實施例還提供了一種基於圖結構模型的交易風險控制方法，圖3為該交易風險控制方法的流程示意圖。圖3中的流程包括以下步驟：
S302：獲取利用標註樣本訓練過的圖結構模型，所述圖結構模型根據交易資料網路定義，所述交易資料網路由買家使用者、賣家使用者、電商平臺帳號、第三方支付平臺帳號、提款卡、商品中的一種或者多種節點以及所述節點間關係構成；所述圖結構模型用於根據所述節點的原始特徵，及/或所述節點間關聯的邊的特徵，計算隱特徵空間中所述節點多次迭代後的嵌入向量。
在本說明書實施例中，圖3中的圖結構模型即是利用圖2的方法訓練的，可以參照上面對圖2的說明理解圖3的方法。
S304：利用所述訓練過的圖結構模型，計算待測樣本對應的嵌入向量。
S306：根據所述待測樣本對應的嵌入向量，對所述待測樣本進行交易風險控制；其中，所述標註樣本被標註了其對應的節點是否為交易風險節點。 在實際應用中，預測機率能夠直觀地表現樣本的風險。因此，對於步驟S306，可以根據待測樣本對應的嵌入向量，利用訓練過的圖結構模型，進一步地計算出待測樣本對應的預測機率，再根據待測樣本對應的預測機率，對待測樣本進行交易風險控制。 需要說明的是，上面的各實施例主要是以風險控制場景為例進行說明的，圖結構模型同樣可以用於其他一些場景。比如，若樣本標註結果表示使用者的某一類愛好，則根據圖結構模型計算出的嵌入向量及/或預測機率可以用於即時通訊業務中的好友推薦功能，能夠自動地為該使用者匹配愛好相似的朋友；等等。 基於同樣的思路，本說明書實施例還提供了上述方法的對應裝置，如圖4、圖5所示。 圖4為本說明書實施例提供的對應於圖2的一種圖結構模型訓練裝置的結構示意圖，所述裝置包括： 建立模組401，根據使用者交易的相關資料，建立交易資料網路，所述交易資料網路由買家使用者、賣家使用者、電商平臺帳號、第三方支付平臺帳號、提款卡、商品中的一種或者多種節點以及所述節點間關係構成； 定義模組402，根據所述交易資料網路，定義圖結構模型，所述圖結構模型用於根據所述節點的原始特徵，及/或所述節點間關聯的邊的特徵，計算隱特徵空間中所述節點多次迭代後的嵌入向量； 訓練模組403，利用標註樣本，訓練所述圖結構模型，所述標註樣本被標註了其對應的節點是否為交易風險節點。 圖5為本說明書實施例提供的對應於圖3的一種基於圖結構模型的交易風險控制裝置的結構示意圖，所述裝置包括： 獲取模組501，獲取利用標註樣本訓練過的圖結構模型，所述圖結構模型根據交易資料網路定義，所述交易資料網路由買家使用者、賣家使用者、電商平臺帳號、第三方支付平臺帳號、提款卡、商品中的一種或者多種節點以及所述節點間關係構成；所述圖結構模型用於根據所述節點的原始特徵，及/或所述節點間關聯的邊的特徵，計算隱特徵空間中所述節點多次迭代後的嵌入向量； 計算模組502，利用所述訓練過的圖結構模型，計算待測樣本對應的嵌入向量； 風控模組503，根據所述待測樣本對應的嵌入向量，對所述待測樣本進行交易風險控制； 其中，所述標註樣本被標註了其對應的節點是否為交易風險節點。 可選地，所述圖結構模型還用於根據所述嵌入向量，計算所述節點的預測機率，所述預測機率表示所述節點是交易風險節點的機率； 所述風控模組503根據所述待測樣本對應的嵌入向量，對所述待測樣本進行交易風險控制，具體包括： 所述風控模組503根據所述待測樣本對應的嵌入向量，利用所述訓練過的圖結構模型，計算所述待測樣本對應的預測機率； 根據所述待測樣本對應的預測機率，對所述待測樣本進行交易風險控制。 可選地，所述交易資料網路是根據使用者交易的相關資料建立的。 可選地，所述交易資料網路包括以下一種或者多種網路的組合：買家使用者與賣家使用者形成的交易網路、買家使用者和買家使用者帳號對應的簽帳卡的所屬關係網路、買家使用者和買家使用者帳號對應的信用卡的所屬關係網路、使用者帳號之間的同人關係網路、使用者帳號之間的家庭關係網路、買家使用者與商品形成的網路；其中，所述使用者帳號包括電商平臺帳號及/或第三方支付平臺帳號。 可選地，所述原始特徵包括以下至少一類交易資料：交易金額、交易次數、交易時間、交易地點、交易對象、交易支付方式； 所述邊的特徵包括所述邊連接的節點共同涉及的交易資料及/或人際關係資料。 可選地，隱特徵空間中所述節點在第
Figure 02_image012
次迭代後的嵌入向量是根據所述節點的原始特徵、所述節點與其他節點關聯的邊的特徵，以及隱特徵空間中所述節點在第
Figure 02_image014
次迭代後的嵌入向量計算得到的。 可選地，所述根據節點的原始特徵，和所述節點間節點關聯的邊的特徵，計算隱特徵空間中所述節點多次迭代後的嵌入向量，具體包括： 所述計算模組502按照如下公式，計算隱特徵空間中所述節點多次迭代後的嵌入向量：
Figure 02_image003
； 其中，
Figure 02_image017
表示隱特徵空間中第i 個節點在第t 次迭代後的嵌入向量，σ表示非線性變換函數，W 1 、W 2 、W 3 表示權重矩陣，Fi 表示第i 個節點的原始特徵，Eij 表示第i 個節點與第j 個節點關聯的邊的特徵，Ni 表示第i 個節點的鄰居節點構成的集合，α ij 表示針對第i 個節點與第j 個節點的權重矩陣。 可選地，所述根據所述嵌入向量，計算所述節點的預測機率，具體包括： 所述計算模組502按照如下公式，計算所述節點的預測機率：
Figure 02_image005
； 其中，predi 表示第i 個節點經過T 次迭代後的預測機率，W 4 表示權重矩陣。 可選地，利用標註樣本訓練所述圖結構模型，具體包括： 利用標註樣本，以所述預測機率與其對應的樣本標註結果的一致性最大化為訓練目標，訓練所述圖結構模型。 可選地，利用標註樣本訓練所述圖結構模型，具體包括： 利用反向傳播演算法和標註的樣本，對
Figure 02_image007
進行優化，求得最優的W 1 、W 2 、W 3 、W 4 ； 其中，corss_entrep 表示用於計算交叉熵的函數。 基於同樣的思路，本說明書實施例還提供了對應於圖2的一種圖結構模型訓練設備，包括： 至少一個處理器；以及， 與所述至少一個處理器通信連接的記憶體；其中， 所述記憶體儲存有可被所述至少一個處理器執行的指令，所述指令被所述至少一個處理器執行，以使所述至少一個處理器能夠： 根據使用者交易的相關資料，建立交易資料網路，所述交易資料網路由買家使用者、賣家使用者、電商平臺帳號、第三方支付平臺帳號、提款卡、商品中的一種或者多種節點以及所述節點間關係構成； 根據所述交易資料網路，定義圖結構模型，所述圖結構模型用於根據所述節點的原始特徵，及/或所述節點間關聯的邊的特徵，計算隱特徵空間中所述節點多次迭代後的嵌入向量； 利用標註樣本，訓練所述圖結構模型，所述標註樣本被標註了其對應的節點是否為交易風險節點。 基於同樣的思路，本說明書實施例還提供了對應於圖3的一種基於圖結構模型的交易風險控制設備，包括： 至少一個處理器；以及， 與所述至少一個處理器通信連接的記憶體；其中， 所述記憶體儲存有可被所述至少一個處理器執行的指令，所述指令被所述至少一個處理器執行，以使所述至少一個處理器能夠： 獲取利用標註樣本訓練過的圖結構模型，所述圖結構模型根據交易資料網路定義，所述交易資料網路由買家使用者、賣家使用者、電商平臺帳號、第三方支付平臺帳號、提款卡、商品中的一種或者多種節點以及所述節點間關係構成；所述圖結構模型用於根據所述節點的原始特徵，及/或所述節點間關聯的邊的特徵，計算隱特徵空間中所述節點多次迭代後的嵌入向量； 利用所述訓練過的圖結構模型，計算待測樣本對應的嵌入向量； 根據所述待測樣本對應的嵌入向量，對所述待測樣本進行交易風險控制； 其中，所述標註樣本被標註了其對應的節點是否為交易風險節點。 基於同樣的思路，本說明書實施例還提供了對應於圖2的一種非揮發性電腦儲存媒體，儲存有電腦可執行指令，所述電腦可執行指令設置為： 根據使用者交易的相關資料，建立交易資料網路，所述交易資料網路由買家使用者、賣家使用者、電商平臺帳號、第三方支付平臺帳號、提款卡、商品中的一種或者多種節點以及所述節點間關係構成； 根據所述交易資料網路，定義圖結構模型，所述圖結構模型用於根據所述節點的原始特徵，及/或所述節點間關聯的邊的特徵，計算隱特徵空間中所述節點多次迭代後的嵌入向量； 利用標註樣本，訓練所述圖結構模型，所述標註樣本被標註了其對應的節點是否為交易風險節點。 基於同樣的思路，本說明書實施例還提供了對應於圖3的一種非揮發性電腦儲存媒體，儲存有電腦可執行指令，所述電腦可執行指令設置為： 獲取利用標註樣本訓練過的圖結構模型，所述圖結構模型根據交易資料網路定義，所述交易資料網路由買家使用者、賣家使用者、電商平臺帳號、第三方支付平臺帳號、提款卡、商品中的一種或者多種節點以及所述節點間關係構成；所述圖結構模型用於根據所述節點的原始特徵，及/或所述節點間關聯的邊的特徵，計算隱特徵空間中所述節點多次迭代後的嵌入向量； 利用所述訓練過的圖結構模型，計算待測樣本對應的嵌入向量； 根據所述待測樣本對應的嵌入向量，對所述待測樣本進行交易風險控制； 其中，所述標註樣本被標註了其對應的節點是否為交易風險節點。 上述對本說明書特定實施例進行了描述。其它實施例在所附申請專利範圍的範圍內。在一些情況下，在申請專利範圍中記載的動作或步驟可以按照不同於實施例中的順序來執行並且仍然可以實現期望的結果。另外，在附圖中描繪的過程不一定要求示出的特定順序或者連續順序才能實現期望的結果。在某些實施方式中，多工處理和並行處理也是可以的或者可能是有利的。 本說明書中的各個實施例均採用漸進的方式描述，各個實施例之間相同相似的部分互相參見即可，每個實施例重點說明的都是與其他實施例的不同之處。尤其，對於裝置、設備、非揮發性電腦儲存媒體實施例而言，由於其基本相似於方法實施例，所以描述的比較簡單，相關之處參見方法實施例的部分說明即可。 本說明書實施例提供的裝置、設備、非揮發性電腦儲存媒體與方法是對應的，因此，裝置、設備、非揮發性電腦儲存媒體也具有與對應方法類似的有益技術效果，由於上面已經對方法的有益技術效果進行了詳細說明，因此，這裡不再贅述對應裝置、設備、非揮發性電腦儲存媒體的有益技術效果。 在20世紀90年代，對於一個技術的改進可以很明顯地區分是硬體上的改進(例如，對二極體、電晶體、開關等電路結構的改進)還是軟體上的改進(對於方法流程的改進)。然而，隨著技術的發展，當今的很多方法流程的改進已經可以視為硬體電路結構的直接改進。設計人員幾乎都通過將改進的方法流程編程到硬體電路中來得到相應的硬體電路結構。因此，不能說一個方法流程的改進就不能用硬體實體模組來實現。例如，可程式設計邏輯裝置(Programmable Logic Device, PLD)(例如現場可程式閘陣列(Field Programmable Gate Array，FPGA))就是這樣一種積體電路，其邏輯功能由使用者對器件編程來確定。由設計人員自行編程來把一個數位系統“整合”在一片PLD上，而不需要請晶片製造廠商來設計和製作專用的積體電路晶片。而且，如今，取代手工地製作積體電路晶片，這種編程也多半改用“邏輯編譯器(logic compiler)”軟體來實現，它與程式開發撰寫時所用的軟體編譯器相類似，而要編譯之前的原始碼也得用特定的編程語言來撰寫，此稱之為硬體描述語言(Hardware Description Language，HDL)，而HDL也並非僅有一種，而是有許多種，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby Hardware Description Language)等，目前最普遍使用的是VHDL(Very-High-Speed Integrated Circuit Hardware Description Language)與Verilog。本領域技術人員也應該清楚，只需要將方法流程用上述幾種硬體描述語言稍作邏輯編程並編程到積體電路中，就可以很容易得到實現該邏輯方法流程的硬體電路。 控制器可以按任何適當的方式實現，例如，控制器可以採取例如微處理器或處理器以及儲存可由該(微)處理器執行的電腦可讀程式程式碼(例如軟體或韌體)的電腦可讀媒體、邏輯閘、開關、特殊應用積體電路(Application Specific Integrated Circuit，ASIC)、可程式邏輯控制器和嵌入微控制器的形式，控制器的例子包括但不限於以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，記憶體控制器還可以被實現為記憶體的控制邏輯的一部分。本領域技術人員也知道，除了以純電腦可讀程式程式碼方式實現控制器以外，完全可以通過將方法步驟進行邏輯編程來使得控制器以邏輯閘、開關、特殊應用積體電路、可程式邏輯控制器和嵌入微控制器等的形式來實現相同功能。因此這種控制器可以被認為是一種硬體部件，而對其內包括的用於實現各種功能的裝置也可以視為硬體部件內的結構。或者甚至，可以將用於實現各種功能的裝置視為既可以是實現方法的軟體模組又可以是硬體部件內的結構。 上述實施例闡明的系統、裝置、模組或單元，具體可以由電腦晶片或實體實現，或者由具有某種功能的產品來實現。一種典型的實現設備為電腦。具體的，電腦例如可以為個人電腦、筆記型電腦、行動電話、相機電話、智慧型手機、個人數位助理、媒體播放器、導航設備、電子郵件設備、遊戲控制台、平板電腦、可穿戴設備或者這些設備中的任何設備的組合。 為了描述的方便，描述以上裝置時以功能分為各種單元分別描述。當然，在實施本說明書時可以把各單元的功能在同一個或多個軟體及/或硬體中實現。 本領域內的技術人員應明白，本說明書實施例可提供為方法、系統、或電腦程式產品。因此，本說明書實施例可採用完全硬體實施例、完全軟體實施例、或結合軟體和硬體方面的實施例的形式。而且，本說明書實施例可採用在一個或多個其中包含有電腦可用程式程式碼的電腦可用儲存媒體(包括但不限於磁碟記憶體、CD-ROM、光學記憶體等)上實施的電腦程式產品的形式。 本說明書是參照根據本說明書實施例的方法、設備(系統)、和電腦程式產品的流程圖及/或方塊圖來描述的。應理解可由電腦程式指令實現流程圖及/或方塊圖中的每一流程及/或方塊、以及流程圖及/或方塊圖中的流程及/或方塊的結合。可提供這些電腦程式指令到通用電腦、專用電腦、嵌入式處理機或其他可程式資料處理設備的處理器以產生一個機器，使得通過電腦或其他可程式資料處理設備的處理器執行的指令產生用於實現在流程圖一個流程或多個流程及/或方塊圖一個方塊或多個方塊中指定的功能的裝置。 這些電腦程式指令也可儲存在能引導電腦或其他可程式資料處理設備以特定方式工作的電腦可讀記憶體中，使得儲存在該電腦可讀記憶體中的指令產生包括指令裝置的製造品，該指令裝置實現在流程圖一個流程或多個流程及/或方塊圖一個方塊或多個方塊中指定的功能。 這些電腦程式指令也可裝載到電腦或其他可程式資料處理設備上，使得在電腦或其他可程式設備上執行一系列操作步驟以產生電腦實現的處理，從而在電腦或其他可程式設備上執行的指令提供用於實現在流程圖一個流程或多個流程及/或方塊圖一個方塊或多個方塊中指定的功能的步驟。 在一個典型的配置中，計算設備包括一個或多個處理器(CPU)、輸入/輸出介面、網路介面和記憶體。 記憶體可能包括電腦可讀媒體中的非永久性記憶體，隨機存取記憶體(RAM)及/或非揮發性記憶體等形式，如唯讀記憶體(ROM)或快閃記憶體(flash RAM)。記憶體是電腦可讀媒體的示例。 電腦可讀媒體包括永久性和非永久性、可移動和非可移動媒體可以由任何方法或技術來實現資訊儲存。資訊可以是電腦可讀指令、資料結構、程式的模組或其他資料。電腦的儲存媒體的例子包括，但不限於相變記憶體(PRAM)、靜態隨機存取記憶體(SRAM)、動態隨機存取記憶體(DRAM)、其他類型的隨機存取記憶體(RAM)、唯讀記憶體(ROM)、電可抹除可編程唯讀記憶體(EEPROM)、快閃記憶體或其他記憶體技術、唯讀光碟唯讀記憶體(CD-ROM)、數位多功能光碟(DVD)或其他光學儲存、卡式磁帶，磁帶式磁碟儲存器或其他磁性儲存設備或任何其他非傳輸媒體，可用於儲存可以被計算設備存取的資訊。按照本文中的界定，電腦可讀媒體不包括暫態媒體(transitory media)，如調變的資料信號和載波。 還需要說明的是，術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、商品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、商品或者設備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，並不排除在包括所述要素的過程、方法、商品或者設備中還存在另外的相同要素。 本說明書可以在由電腦執行的電腦可執行指令的一般上下文中描述，例如程式模組。一般地，程式模組包括執行特定任務或實現特定抽象資料類型的常式、程式、物件、組件、資料結構等等。也可以在分散式計算環境中實踐本說明書，在這些分散式計算環境中，由通過通信網路而被連接的遠程處理設備來執行任務。在分散式計算環境中，程式模組可以位於包括儲存設備在內的本地和遠程電腦儲存媒體中。 本說明書中的各個實施例均採用漸進的方式描述，各個實施例之間相同相似的部分互相參見即可，每個實施例重點說明的都是與其他實施例的不同之處。尤其，對於系統實施例而言，由於其基本相似於方法實施例，所以描述的比較簡單，相關之處參見方法實施例的部分說明即可。 以上所述僅為本說明書實施例而已，並不用於限制本申請。對於本領域技術人員來說，本申請可以有各種更改和變化。凡在本申請的精神和原理之內所作的任何修改、等同替換、改進等，均應包含在本申請的申請專利範圍之內。
S202‧‧‧步驟 S204‧‧‧步驟 S206‧‧‧步驟 S302‧‧‧步驟 S304‧‧‧步驟 S306‧‧‧步驟 401‧‧‧建立模組 402‧‧‧定義模組 403‧‧‧訓練模組 501‧‧‧獲取模組 502‧‧‧計算模組 503‧‧‧風控模組
為了更清楚地說明本說明書實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本說明書中記載的一些實施例，對於本領域普通技術人員來講，在不付出進步性勞動性的前提下，還可以根據這些附圖獲得其他的附圖。 圖1為本說明書的方案在一種實際應用場景下涉及的一種整體架構示意圖； 圖2為本說明書實施例提供的一種圖結構模型訓練方法的流程示意圖； 圖3為本說明書實施例提供的一種基於圖結構模型的交易風險控制方法的流程示意圖； 圖4為本說明書實施例提供的對應於圖2的一種圖結構模型訓練裝置的結構示意圖； 圖5為本說明書實施例提供的對應於圖3的一種基於圖結構模型的交易風險控制裝置的結構示意圖。

Claims (18)

  1. 一種基於圖結構模型的交易風險控制設備，包括：至少一個處理器；以及，與所述至少一個處理器通信連接的記憶體；其中，所述記憶體儲存有可被所述至少一個處理器執行的指令，所述指令被所述至少一個處理器執行，以使所述至少一個處理器能夠：獲取利用標註樣本訓練過的圖結構模型，所述圖結構模型根據交易資料網路定義，所述交易資料網路由買家使用者、賣家使用者、電商平臺帳號、第三方支付平臺帳號、提款卡、商品中的一種或者多種節點以及所述節點間關係構成；所述圖結構模型用於根據所述節點的原始特徵，及/或所述節點間關聯的邊的特徵，計算隱特徵空間中所述節點多次迭代後的嵌入向量；利用所述訓練過的圖結構模型，計算待測樣本對應的嵌入向量；根據所述待測樣本對應的嵌入向量，對所述待測樣本進行交易風險控制；其中，所述標註樣本被標註了其對應的節點是否為交易風險節點；其中，所述原始特徵包括至少一類交易資料；其中，所述隱特徵空間為根據迭代後的結果定義的特徵空間； 其中，所述交易資料網路是根據使用者交易的相關資料建立的。
  2. 如請求項1所述的交易風險控制設備，所述圖結構模型還用於根據所述嵌入向量，計算所述節點的預測機率，所述預測機率表示所述節點是交易風險節點的機率；所述根據所述待測樣本對應的嵌入向量，對所述待測樣本進行交易風險控制，具體包括：根據所述待測樣本對應的嵌入向量，利用所述訓練過的圖結構模型，計算所述待測樣本對應的預測機率；根據所述待測樣本對應的預測機率，對所述待測樣本進行交易風險控制。
  3. 如請求項1所述的交易風險控制設備，所述交易資料網路包括以下一種或者多種網路的組合：買家使用者與賣家使用者形成的交易網路、買家使用者和買家使用者帳號對應的簽帳卡的所屬關係網路、買家使用者和買家使用者帳號對應的信用卡的所屬關係網路、使用者帳號之間的同人關係網路、使用者帳號之間的家庭關係網路、買家使用者與商品形成的網路；其中，所述使用者帳號包括電商平臺帳號及/或第三方支付平臺帳號。
  4. 如請求項1所述的方法，所述原始特徵包括以下至少一類交易資料：交易金額、交易次數、交易時間、交易地 點、交易對象、交易支付方式；所述邊的特徵包括所述邊連接的節點共同涉及的交易資料及/或人際關係資料。
  5. 如請求項1所述的交易風險控制設備，隱特徵空間中所述節點在第 t 次迭代後的嵌入向量是根據所述節點的原始特徵、所述節點與其他節點關聯的邊的特徵，以及隱特徵空間中所述節點在第t-1次迭代後的嵌入向量計算得到的。
  6. 如請求項2所述的交易風險控制設備，所述根據節點的原始特徵，和所述節點間節點關聯的邊的特徵，計算隱特徵空間中所述節點多次迭代後的嵌入向量，具體包括：按照如下公式，計算隱特徵空間中所述節點多次迭代後的嵌入向量：
    Figure 107135930-A0305-02-0033-2
     其中，
    Figure 107135930-A0305-02-0033-10
    表示隱特徵空間中第i個節點在第t次迭代後的嵌入向量，σ表示非線性變換函數，W 1、W 2、W 3表示權重矩陣，F i 表示第i個節點的原始特徵，E ij 表示第i個節點與第j個節點關聯的邊的特徵，N i 表示第i個節點的鄰居節點構成的集合，α ij 表示針對第i個節點與第j個節點的權重矩陣。
  7. 如請求項6所述的交易風險控制設備，所述根據所述嵌入向量，計算所述節點的預測機率，具體包括：按照如下公式，計算所述節點的預測機率：
    Figure 107135930-A0305-02-0034-3
     其中，pred i 表示第i個節點經過T次迭代後的預測機率，W 4表示權重矩陣。
  8. 如請求項2所述的交易風險控制設備，利用標註樣本訓練所述圖結構模型，具體包括：利用標註樣本，以所述預測機率與其對應的樣本標註結果的一致性最大化為訓練目標，訓練所述圖結構模型。
  9. 如請求項7所述的交易風險控制設備，利用標註樣本訓練所述圖結構模型，具體包括：利用反向傳播演算法和標註的樣本，對arg
    Figure 107135930-A0305-02-0034-11
    Σ i corss_entrep(pred i ,y i )進行優化，求得最優的W 1、W 2、W 3、W 4；其中，corss_entrep表示用於計算交叉熵的函數；其中，y i 表示第i個節點的標註結果。
  10. 一種基於圖結構模型的交易風險控制裝置，包括：至少一個處理器；以及，與所述至少一個處理器通信連接的記憶體；其中， 所述記憶體儲存有可被所述至少一個處理器執行的指令，所述指令被所述至少一個處理器執行，以使所述至少一個處理器控制：獲取模組，獲取利用標註樣本訓練過的圖結構模型，所述圖結構模型根據交易資料網路定義，所述交易資料網路由買家使用者、賣家使用者、電商平臺帳號、第三方支付平臺帳號、提款卡、商品中的一種或者多種節點以及所述節點間關係構成；所述圖結構模型用於根據所述節點的原始特徵，及/或所述節點間關聯的邊的特徵，計算隱特徵空間中所述節點多次迭代後的嵌入向量；計算模組，利用所述訓練過的圖結構模型，計算待測樣本對應的嵌入向量；風控模組，根據所述待測樣本對應的嵌入向量，對所述待測樣本進行交易風險控制；其中，所述標註樣本被標註了其對應的節點是否為交易風險節點；其中，所述原始特徵包括至少一類交易資料；其中，所述隱特徵空間為根據迭代後的結果定義的特徵空間；其中，所述交易資料網路是根據使用者交易的相關資料建立的。
  11. 如請求項10所述的裝置，所述圖結構模型還用於根據所述嵌入向量，計算所述節點的預測機率，所述預測機率 表示所述節點是交易風險節點的機率；所述風控模組根據所述待測樣本對應的嵌入向量，對所述待測樣本進行交易風險控制，具體包括：所述風控模組根據所述待測樣本對應的嵌入向量，利用所述訓練過的圖結構模型，計算所述待測樣本對應的預測機率；根據所述待測樣本對應的預測機率，對所述待測樣本進行交易風險控制。
  12. 如請求項10所述的裝置，所述交易資料網路包括以下一種或者多種網路的組合：買家使用者與賣家使用者形成的交易網路、買家使用者和買家使用者帳號對應的簽帳卡的所屬關係網路、買家使用者和買家使用者帳號對應的信用卡的所屬關係網路、使用者帳號之間的同人關係網路、使用者帳號之間的家庭關係網路、買家使用者與商品形成的網路；其中，所述使用者帳號包括電商平臺帳號及/或第三方支付平臺帳號。
  13. 如請求項10所述的裝置，所述原始特徵包括以下至少一類交易資料：交易金額、交易次數、交易時間、交易地點、交易對象、交易支付方式；所述邊的特徵包括所述邊連接的節點共同涉及的交易資料及/或人際關係資料。
  14. 如請求項10所述的裝置，隱特徵空間中所述節點在第t次迭代後的嵌入向量是根據所述節點的原始特徵、所述節點與其他節點關聯的邊的特徵，以及隱特徵空間中所述節點在第t-1次迭代後的嵌入向量計算得到的。
  15. 如請求項11所述的裝置，所述根據節點的原始特徵，和所述節點間節點關聯的邊的特徵，計算隱特徵空間中所述節點多次迭代後的嵌入向量，具體包括：所述計算模組按照如下公式，計算隱特徵空間中所述節點多次迭代後的嵌入向量：
    Figure 107135930-A0305-02-0037-4
     其中，
    Figure 107135930-A0305-02-0037-12
    表示隱特徵空間中第i個節點在第t次迭代後的嵌入向量，σ表示非線性變換函數，W 1、W 2、W 3表示權重矩陣，F i 表示第i個節點的原始特徵，E ij 表示第i個節點與第j個節點關聯的邊的特徵，N i 表示第i個節點的鄰居節點構成的集合，α ij 表示針對第i個節點與第j個節點的權重矩陣。
  16. 如請求項15所述的裝置，所述根據所述嵌入向量，計算所述節點的預測機率，具體包括：所述計算模組按照如下公式，計算所述節點的預測機率：
    Figure 107135930-A0305-02-0037-5
     其中，pred i 表示第i個節點經過T次迭代後的預測機率，W 4表示權重矩陣。
  17. 如請求項11所述的裝置，利用標註樣本訓練所述圖結構模型，具體包括：利用標註樣本，以所述預測機率與其對應的樣本標註結果的一致性最大化為訓練目標，訓練所述圖結構模型。
  18. 如請求項16所述的裝置，利用標註樣本訓練所述圖結構模型，具體包括：利用反向傳播演算法和標註的樣本，對arg
    Figure 107135930-A0305-02-0038-13
    Σ i corss_entrep(pred i ,y i )進行優化，求得最優的W 1、W 2、W 3、W 4；其中，corss_entrep表示用於計算交叉熵的函數；其中，y i 表示第i個節點的標註結果。
TW107135930A 2017-12-15 2018-10-12 一種基於圖結構模型的交易風險控制方法、裝置以及設備 TWI715879B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201711348424.7A CN109934706B (zh) 2017-12-15 2017-12-15 一种基于图结构模型的交易风险控制方法、装置以及设备
??201711348424.7 2017-12-15
CN201711348424.7 2017-12-15

Publications (2)

Publication Number Publication Date
TW201928815A TW201928815A (zh) 2019-07-16
TWI715879B true TWI715879B (zh) 2021-01-11

Family

ID=66820725

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107135930A TWI715879B (zh) 2017-12-15 2018-10-12 一種基於圖結構模型的交易風險控制方法、裝置以及設備

Country Status (6)

Country Link
US (1) US11526766B2 (zh)
EP (1) EP3654269A4 (zh)
CN (1) CN109934706B (zh)
SG (1) SG11202001251RA (zh)
TW (1) TWI715879B (zh)
WO (1) WO2019114434A1 (zh)

Families Citing this family (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109936525B (zh) * 2017-12-15 2020-07-31 阿里巴巴集团控股有限公司 一种基于图结构模型的异常账号防控方法、装置以及设备
CN109934697A (zh) 2017-12-15 2019-06-25 阿里巴巴集团控股有限公司 一种基于图结构模型的信用风险控制方法、装置以及设备
CN110248322B (zh) * 2019-06-28 2021-10-22 国家计算机网络与信息安全管理中心 一种基于诈骗短信的诈骗团伙识别系统及识别方法
CN110473083B (zh) * 2019-07-08 2023-07-14 创新先进技术有限公司 树状风险账户识别方法、装置、服务器及存储介质
CN110334130B (zh) * 2019-07-09 2021-11-23 北京万维星辰科技有限公司 一种交易数据的异常检测方法、介质、装置和计算设备
CN112435035A (zh) * 2019-08-09 2021-03-02 阿里巴巴集团控股有限公司 数据的审核方法、装置及设备
CN110543935B (zh) * 2019-08-15 2023-06-20 创新先进技术有限公司 处理交互序列数据的方法及装置
CN110782044A (zh) * 2019-10-29 2020-02-11 支付宝(杭州)信息技术有限公司 多方联合训练图神经网络的方法及装置
CN110852755B (zh) * 2019-11-06 2022-05-17 支付宝(杭州)信息技术有限公司 针对交易场景的用户身份识别方法和装置
CN112990919A (zh) * 2019-12-17 2021-06-18 中国银联股份有限公司 一种信息处理的方法及装置
CN111210279B (zh) * 2020-01-09 2022-08-16 支付宝(杭州)信息技术有限公司 一种目标用户预测方法、装置和电子设备
CN111210008B (zh) * 2020-01-09 2022-05-24 支付宝(杭州)信息技术有限公司 利用lstm神经网络模型处理交互数据的方法及装置
CN111405563B (zh) * 2020-03-24 2021-07-13 支付宝(杭州)信息技术有限公司 保护用户隐私的风险检测方法和装置
US11379842B2 (en) * 2020-04-07 2022-07-05 Intuit Inc. Method and system for detecting fraudulent transactions using a fraud detection model trained based on dynamic time segments
CN111598408B (zh) * 2020-04-23 2023-04-18 成都数之联科技股份有限公司 一种贸易信息风险预警模型的构建方法及应用
RU2769084C2 (ru) * 2020-04-28 2022-03-28 Публичное Акционерное Общество "Сбербанк России" (Пао Сбербанк) Способ и система нахождения схожих мошеннических групп по графовым моделям
CN111539811B (zh) * 2020-05-27 2022-06-14 支付宝(杭州)信息技术有限公司 风险账户的识别方法及装置
CN113763077A (zh) * 2020-07-24 2021-12-07 北京沃东天骏信息技术有限公司 用于检测虚假交易订单的方法和装置
CN111861756B (zh) * 2020-08-05 2024-05-03 哈尔滨工业大学（威海） 一种基于金融交易网络的团伙检测方法及其实现装置
CN112036762B (zh) * 2020-09-07 2021-08-31 贝壳找房(北京)科技有限公司 行为事件的识别方法和装置、电子设备和存储介质
CN112200380B (zh) * 2020-10-23 2023-07-25 支付宝(杭州)信息技术有限公司 优化风险检测模型的方法及装置
CN112257959A (zh) * 2020-11-12 2021-01-22 上海优扬新媒信息技术有限公司 用户风险预测方法、装置、电子设备及存储介质
US11818147B2 (en) * 2020-11-23 2023-11-14 Fair Isaac Corporation Overly optimistic data patterns and learned adversarial latent features
CN112215616B (zh) * 2020-11-30 2021-04-30 四川新网银行股份有限公司 一种基于网络的自动识别资金异常交易的方法和系统
CN112750030B (zh) * 2021-01-11 2024-04-26 深圳前海微众银行股份有限公司 风险模式识别方法、装置、设备及计算机可读存储介质
CN112926990B (zh) * 2021-03-25 2022-08-30 支付宝(杭州)信息技术有限公司 欺诈识别的方法和装置
CN113011979A (zh) * 2021-03-29 2021-06-22 中国银联股份有限公司 交易检测方法、模型的训练方法、装置及计算机可读存储介质
CN113240505A (zh) * 2021-05-10 2021-08-10 深圳前海微众银行股份有限公司 图数据的处理方法、装置、设备、存储介质及程序产品
CN113919862A (zh) * 2021-09-06 2022-01-11 天翼电子商务有限公司 一种基于动态注意力图网络的营销套利黑产的识别方法
CN113569059A (zh) * 2021-09-07 2021-10-29 浙江网商银行股份有限公司 目标用户识别方法及装置
CN114549001A (zh) * 2022-02-08 2022-05-27 支付宝(杭州)信息技术有限公司 训练风险交易识别模型、识别风险交易的方法和装置
US20240144274A9 (en) * 2022-04-08 2024-05-02 International Business Machines Corporation Transaction-risk evaluation by resource-limited devices
CN115545467B (zh) * 2022-09-30 2024-01-23 广东工业大学 一种基于图神经网络的风险商品识别模型
CN117195060B (zh) * 2023-11-06 2024-02-02 上海零数众合信息科技有限公司 基于多方安全计算的电信诈骗识别方法和模型训练方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160035035A1 (en) * 2012-12-13 2016-02-04 Addepar, Inc. Transaction effects
TW201626300A (zh) * 2015-01-14 2016-07-16 Alibaba Group Services Ltd 基於電腦系統的網路交易風險識別方法及其裝置

Family Cites Families (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6957191B1 (en) 1999-02-05 2005-10-18 Babcock & Brown Lp Automated financial scenario modeling and analysis tool having an intelligent graphical user interface
US20030174165A1 (en) * 2002-03-18 2003-09-18 Barney Rock D. System and method for rendering a directed graph
US7769682B2 (en) * 2004-02-13 2010-08-03 International Business Machines Corporation Financial transaction analysis using directed graphs
US20090018940A1 (en) 2007-03-30 2009-01-15 Liang Wang Enhanced Fraud Detection With Terminal Transaction-Sequence Processing
KR20130040049A (ko) 2011-10-13 2013-04-23 주식회사 네오플 비정상 계정 검출 장치 및 방법
US9659185B2 (en) 2012-03-22 2017-05-23 B.G. Negev Technologies And Applications Ltd. Method for detecting spammers and fake profiles in social networks
CA2905996C (en) * 2013-03-13 2022-07-19 Guardian Analytics, Inc. Fraud detection and analysis
US9027134B2 (en) 2013-03-15 2015-05-05 Zerofox, Inc. Social threat scoring
US9195941B2 (en) * 2013-04-23 2015-11-24 International Business Machines Corporation Predictive and descriptive analysis on relations graphs with heterogeneous entities
CN105005931A (zh) * 2014-04-24 2015-10-28 中国银联股份有限公司 转账交易的风险控制方法及装置
US9396332B2 (en) 2014-05-21 2016-07-19 Microsoft Technology Licensing, Llc Risk assessment modeling
CN104199832B (zh) * 2014-08-01 2017-08-22 西安理工大学 基于信息熵的金融网络异常交易社区发现方法
CN105335855A (zh) * 2014-08-06 2016-02-17 阿里巴巴集团控股有限公司 一种交易风险识别方法及装置
CN105719033B (zh) * 2014-12-02 2019-12-13 阿里巴巴集团控股有限公司 用于识别客体风险的方法及装置
CN104636912A (zh) * 2015-02-13 2015-05-20 银联智惠信息服务（上海）有限公司 信用卡套现识别方法和装置
CN104778605B (zh) * 2015-04-09 2019-05-03 北京京东尚科信息技术有限公司 电商客户的分类方法及装置
US9672814B2 (en) * 2015-05-08 2017-06-06 International Business Machines Corporation Semi-supervised learning of word embeddings
CN106372938A (zh) 2015-07-21 2017-02-01 华为技术有限公司 异常账号识别方法及系统
CN106469376B (zh) * 2015-08-20 2021-12-03 创新先进技术有限公司 一种风险控制方法和设备
CN106611137B (zh) * 2015-10-22 2020-09-15 阿里巴巴集团控股有限公司 一种风险控制方法及装置
US20170140382A1 (en) * 2015-11-12 2017-05-18 International Business Machines Corporation Identifying transactional fraud utilizing transaction payment relationship graph link prediction
CN105389732A (zh) 2015-11-30 2016-03-09 安徽融信金模信息技术有限公司 一种用于企业风险评估的方法
CN105931046A (zh) * 2015-12-16 2016-09-07 中国银联股份有限公司 一种可疑交易节点集合侦测方法及装置
CN107133865B (zh) 2016-02-29 2021-06-01 阿里巴巴集团控股有限公司 一种信用分的获取、特征向量值的输出方法及其装置
US10127477B2 (en) * 2016-04-21 2018-11-13 Sas Institute Inc. Distributed event prediction and machine learning object recognition system
CN107305611B (zh) 2016-04-22 2020-11-03 腾讯科技（深圳）有限公司 恶意账号对应的模型建立方法和装置、恶意账号识别的方法和装置
CN106097090A (zh) * 2016-06-22 2016-11-09 西安交通大学 一种基于图理论的纳税人利益关联团体识别方法
CN106327340B (zh) * 2016-08-04 2022-01-07 中国银联股份有限公司 一种金融网络的异常节点集合侦测方法及装置
CN106547838B (zh) * 2016-10-14 2019-06-18 北京银丰新融科技开发有限公司 基于资金网络监测可疑资金交易的方法
US11042796B2 (en) * 2016-11-03 2021-06-22 Salesforce.Com, Inc. Training a joint many-task neural network model using successive regularization
CN106548302B (zh) * 2016-12-01 2020-08-14 携程旅游信息技术（上海）有限公司 互联网交易的风险识别方法及系统
CN107256465A (zh) * 2017-06-28 2017-10-17 阿里巴巴集团控股有限公司 风险账户的识别方法及装置
CN107392456A (zh) * 2017-07-14 2017-11-24 武汉理工大学 一种融合互联网信息的多角度企业信用评估建模方法
US10963941B2 (en) * 2017-09-08 2021-03-30 Nec Corporation Method and system for combining user, item and review representations for recommender systems
US11853903B2 (en) * 2017-09-28 2023-12-26 Siemens Aktiengesellschaft SGCNN: structural graph convolutional neural network
US11250433B2 (en) * 2017-11-02 2022-02-15 Microsoft Technologly Licensing, LLC Using semi-supervised label procreation to train a risk determination model
US20190378051A1 (en) * 2018-06-12 2019-12-12 Bank Of America Corporation Machine learning system coupled to a graph structure detecting outlier patterns using graph scanning
KR102608470B1 (ko) * 2018-10-23 2023-12-01 삼성전자주식회사 데이터 인식 장치 및 방법과 트레이닝 장치 및 방법
US11238531B2 (en) * 2020-04-24 2022-02-01 Capital One Services, Llc Credit decisioning based on graph neural networks

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160035035A1 (en) * 2012-12-13 2016-02-04 Addepar, Inc. Transaction effects
TW201626300A (zh) * 2015-01-14 2016-07-16 Alibaba Group Services Ltd 基於電腦系統的網路交易風險識別方法及其裝置

Also Published As

Publication number Publication date
EP3654269A4 (en) 2020-11-18
TW201928815A (zh) 2019-07-16
EP3654269A1 (en) 2020-05-20
CN109934706A (zh) 2019-06-25
SG11202001251RA (en) 2020-03-30
CN109934706B (zh) 2021-10-29
US11526766B2 (en) 2022-12-13
WO2019114434A1 (zh) 2019-06-20
US20200202219A1 (en) 2020-06-25

Similar Documents

Publication Publication Date Title
TWI715879B (zh) 一種基於圖結構模型的交易風險控制方法、裝置以及設備
TWI715880B (zh) 基於圖結構模型的信用風險控制方法、裝置以及設備
TWI788529B (zh) 基於ｌｓｔｍ模型的信用風險預測方法及裝置
TWI686760B (zh) 保險欺詐識別的資料處理方法、裝置、設備及伺服器
US11348352B2 (en) Contract lifecycle management
WO2019114344A1 (zh) 一种基于图结构模型的异常账号防控方法、装置以及设备
TW201939917A (zh) 圖結構模型訓練、垃圾帳戶識別方法、裝置以及設備
TW201944304A (zh) 保險詐欺識別的資料處理方法、裝置、設備及伺服器
CN109766557B (zh) 一种情感分析方法、装置、存储介质及终端设备
CN108418825A (zh) 风险模型训练、垃圾账号检测方法、装置以及设备
US20150006247A1 (en) Customer community analytics
CN110119860B (zh) 一种垃圾账号检测方法、装置以及设备
US11250433B2 (en) Using semi-supervised label procreation to train a risk determination model
CN108921566A (zh) 一种基于图结构模型的虚假交易识别方法和装置
Vo et al. Sentiment analysis of news for effective cryptocurrency price prediction
CN112214652B (zh) 一种报文生成方法、装置及设备
CN112015909B (zh) 知识图谱的构建方法及装置、电子设备、存储介质
CN113516480A (zh) 一种支付风险识别方法、装置及设备
Zhao et al. Revolutionizing finance with llms: An overview of applications and insights
KR102180192B1 (ko) 인공 지능 기반의 암호 화폐 매수 방법 및 매도 방법과, 이를 수행하는 단말 장치
CN114529399A (zh) 用户数据处理方法、装置、计算机设备和存储介质
CN113779276A (zh) 用于检测评论的方法和装置
Rostamian Applications of Deep Learning Models in Financial Forecasting
Khan et al. Users sentiment analysis using artificial intelligence-based FinTech data fusion in financial organizations
Kumar et al. Trading and forecasting performance of different hybrid ARIMA–neural network models for stock returns