【技术实现步骤摘要】
一种可信关系识别方法、装置及设备
本说明书一个或多个实施例涉及计算机
，尤其涉及一种可信关系识别方法、装置及设备。
技术介绍
目前，网上交易已成为主流，比如：网上购物，网络转账等。随着网络交易的发展，交易的安全性成为重中之重，为保障用户的资金安全，网络交易平台(比如：支付宝)每天需要对上亿个交易进行风险识别，对于有风险的交易，则需要进一步进行身份核验。在实际应用中，绝大多数的交易关系均属于可信关系，这里所指的可信关系可以表示风险率低于预设阈值的交易关系，例如：用户A与用户B之间经常互相转账，可推断用户A与用户B之间的交易关系较为紧密，当交易发生在用户A与用户B之间时，可认为这一交易关系为可信关系，因此，为了避免对每次交易均进行进一步的身份审核操作，导致系统资源消耗增加，通常会对可信关系进行识别，对于可信交易关系，不必对其进行风险深度识别。现有技术中，在对可信关系进行识别时，通常根据两个实体之间的历史交易数据来推断两个实体间的关系是否紧密；或者通过定义的名单判断实体间的关系是否为可信关系；但是现有技术中的方法需要大量的历史交易数据且仅能识别名单中定义的实体间的关系，识别覆盖率低。因此，需要提供一种更有效的可信关系识别方案。
技术实现思路
有鉴于此，本说明书一个或多个实施例提供了一种可信关系识别方法、装置及设备，用于提高可信关系的识别覆盖率。为解决上述技术问题，本说明书实施例是这样实现的：本说明书实施例提供的一种可信关系识别方法，包括：获取待识别实...
【技术保护点】
1.一种可信关系识别方法，包括：/n获取待识别实体在关联关系拓扑图中的图结构特征，所述待识别实体为发生交易行为的不同类型的两个实体，所述图结构特征包括所述待识别实体在所述关联关系拓扑图中的图关系特征以及所述待识别实体在所述关联关系拓扑图中的节点属性特征，所述关联关系拓扑图是根据包括所述待识别实体在内的多个实体预先进行处理得到的；/n将所述图结构特征输入预先训练完成的图神经网络模型中，得到所述图神经网络模型的输出数值；/n当所述输出数值大于或等于参考数值时，确定所述待识别实体之间的关系为可信关系。/n
【技术特征摘要】
1.一种可信关系识别方法，包括：
获取待识别实体在关联关系拓扑图中的图结构特征，所述待识别实体为发生交易行为的不同类型的两个实体，所述图结构特征包括所述待识别实体在所述关联关系拓扑图中的图关系特征以及所述待识别实体在所述关联关系拓扑图中的节点属性特征，所述关联关系拓扑图是根据包括所述待识别实体在内的多个实体预先进行处理得到的；
将所述图结构特征输入预先训练完成的图神经网络模型中，得到所述图神经网络模型的输出数值；
当所述输出数值大于或等于参考数值时，确定所述待识别实体之间的关系为可信关系。
2.如权利要求1所述的方法，所述获取待识别实体在关联关系拓扑图中的图结构特征之前，还包括：
获取包括所述待识别实体在内的目标实体数据；所述目标实体包括用户类型实体、设备类型实体和/或网络类型实体，所述目标实体数据包括各目标实体的属性数据以及两个目标实体间的关系数据；
根据所述目标实体数据构建关联关系拓扑图，所述关联关系拓扑图中的节点表示所述目标实体数据中的实体，所述实体关系网络中的连线表示任意两个目标实体间的关联关系。
3.如权利要求2所述的方法，根据所述目标实体数据构建关联关系拓扑图之后，还包括：
根据所述关联关系拓扑图，确定所述待识别实体在所述关联关系拓扑图中的图关系特征；
根据所述关联关系拓扑图，确定所述待识别实体在所述关联关系拓扑图中的节点属性特征。
4.如权利要求3所述的方法，所述将所述图结构特征输入预先训练完成的图神经网络模型中之前，还包括：
根据所述图关系特征确定所述待识别实体中各个实体的图连接关系；
根据所述图连接关系计算所述待识别实体中各个实体对应的邻接矩阵。
5.如权利要求3所述的方法，所述节点属性特征包括待识别实体的属性特征以及各实体间的关系类型特征；
所述将所述图结构特征输入预先训练完成的图神经网络模型中之前，还包括：
根据所述待识别实体的属性特征以及各实体间的关系类型特征计算所述待识别实体对应的特征矩阵。
6.如权利要求3所述的方法，所述将所述图结构特征输入预先训练完成的图神经网络模型中之前，还包括：
根据所述图连接关系对所述待识别实体以及所述待识别实体在所述关联关系拓扑图中的邻居实体进行排序。
7.如权利要求4所述的方法，所述根据所述图连接关系对所述待识别实体以及所述待识别实体在所述关联关系拓扑图中的邻居实体进行排序，具体包括：
采用WL算法根据所述邻接矩阵对所述关联关系拓扑图中的待识别节点以及所述待识别节点的邻居节点进行排序，得到所述待识别节点以及所述邻居节点对应的图标序号。
8.一种可信关系识别模型构建方法，包括：
获取可信关系已知的样本数据，所述样本数据中包括多个类型的实体，所述实体为发生交易行为的实体；
根据所述样本数据构建关联关系拓扑图；
根据所述关联关系拓扑图确定所述样本数据中各个实体在所述关联关系拓扑图中的图结构特征，所述图结构特征包括所述样本数据中各个实体在所述关联关系拓扑图中的图关系特征以及各个实体的节点属性特征；
将所述图结构特征作为输入量，训练图神经网络，得到训练完成的图神经网络模型。
9.如权利要求8所述的方法，所述根据所述样本数据构建关联关系拓扑图之后，还包括：
根据所述关联关系拓扑图，确定所述样本数据中各个实体在所述关联关系拓扑图中的图关系特征；
根据所述关联关系拓扑图，确定所述样本数据中各个实体在所述关联关系拓扑图中的节点属性特征。
10.如权利要求9所述的方法，所述将所述图结构特征作为输入量，训练图神经网络之前，还包括：
根据所述图关系特征确定所述样本数据中各个实体在所述关联关系拓扑图中的图连接关系；
根据所述图连接关...
【专利技术属性】
技术研发人员：宝鹏庆，陆毅成，金宏，王维强，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。