异常账号检测模型训练、异常账号检测方法、装置及设备制造方法及图纸

本说明书实施例公开了一种异常账号检测模型训练、异常账号检测方法、装置及设备，其中，异常账号检测模型训练方法可以基于目标应用在预设时段内的账号注册数据，构建包含账号和设备两种节点的网络图，在该网络图中，一个账号和注册该账号的设备之间存在一条边；然后基于预设图节点表示向量学习算法，确定所述网络图中账号的表示向量；最后将网络图中账号的表示向量和标签作为输入，对目标残差网络进行有监督的训练，训练好的目标残差网络可用于检测使用同一设备在目标应用中注册的多个账号中的一个账号是否为异常账号。

【技术实现步骤摘要】
异常账号检测模型训练、异常账号检测方法、装置及设备
本申请涉及计算机
，尤其涉及一种异常账号检测模型训练、异常账号检测方法、装置及设备。
技术介绍
为了实现不同用途，一个用户可能会通过一个设备在一个应用(Application，APP)中注册多个账号。例如，用户A会利用自己的手机在支付宝中注册两个账号，其中一个账号用于购买理财产品，另一个账号用于日常消费。一个用户用同一设备注册多个账号实现多个正常用途是APP运营方喜闻乐见的，但有少部分用户会将部分账号用作非正常用途，例如用于欺诈，这会给APP运营方及其他用户带来风险，需要检测防控。针对上述情况，相关技术中，利用账号对应的历史行为数据检测异常账号，但是这种检测方式往往在账号注册几个月之后才能奏效，过于滞后，因此亟需提供一种能尽可能早的检测出异常账号的方案。
技术实现思路
本说明书实施例提供了一种异常账号检测方法、装置及设备，以能尽可能早的检测出异常账号。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，提出了一种异常账号检测模型训练方法，本文档来自技高网...

【技术保护点】
1.一种异常账号检测模型训练方法，包括：/n基于目标应用在预设时段内的账号注册数据，构建包含账号和设备两种节点的网络图，在所述网络图中，一个账号和注册该账号的设备之间存在一条边；/n基于预设图节点表示向量学习算法，确定所述网络图中账号的表示向量；/n将所述网络图中账号的表示向量和标签作为输入，对目标残差网络进行训练，其中，所述目标残差网络用于检测使用同一设备在所述目标应用中注册的多个账号中的一个账号是否为异常账号。/n

【技术特征摘要】
1.一种异常账号检测模型训练方法，包括：
基于目标应用在预设时段内的账号注册数据，构建包含账号和设备两种节点的网络图，在所述网络图中，一个账号和注册该账号的设备之间存在一条边；
基于预设图节点表示向量学习算法，确定所述网络图中账号的表示向量；
将所述网络图中账号的表示向量和标签作为输入，对目标残差网络进行训练，其中，所述目标残差网络用于检测使用同一设备在所述目标应用中注册的多个账号中的一个账号是否为异常账号。


2.根据权利要求1所述的方法，在将所述网络图中账号的表示向量和标签作为输入，对目标残差网络进行训练前，还包括：
确定所述网络图中账号的指定特征，所述指定特征包括使用该账号的用户的基础特征和行为特征中的至少一种；
其中，将所述网络图中账号的表示向量和标签作为输入，对目标残差网络进行训练，包括：
将所述网络图中账号的表示向量、指定特征和标签作为输入，对目标残差网络进行训练。


3.根据权利要求2所述的方法，将所述网络图中账号的表示向量、指定特征和标签作为输入，对目标残差网络进行训练，包括：
对所述网络图中账号的指定特征进行归一化；
将所述网络图中账号的表示向量和归一化后的指定特征拼接在一起，得到所述网络图中账号的拼接特征；
将所述网络图中账号的拼接特征和标签作为输入，对目标残差网络进行训练。


4.根据权利要求2所述的方法，
用户的基础特征包括使用该账号的用户的年龄、性别、职业和地理位置中的一种或多种。


5.根据权利要求2所述的方法，
所述目标应用为电子支付应用，用户的行为特征包括账号余额、交易次数、交易时间、交易金额、购买的东西的类型、收款方的类型和凌晨交易情况中的一种或多种。


6.根据权利要求1所述的方法，基于预设图节点表示向量学习算法，确定所述网络图中账号的表示向量，包括：
确定所述网络图的邻间矩阵或邻接表；
基于所述网络图的邻间矩阵或邻接表，以及预设图节点表示向量学习算法，确定所述网络图中账号的表示向量。


7.根据权利要求6所述的方法，
所述预设图节点表示向量学习算法包括下述一种：深度游走、随机游走、深度优先搜索DFS、广度优先搜索BFS、Node2Vec、Word2vec和双向编码器表征模型BERT。


8.根据权利要求1所述的方法，还包括；
确定待检测账号，其中，所述待检测账号是使用目标设备在目标应用中注册的多个账号中的一个，且所述目标设备和使用所述目标设备注册的多个账号包含在所述网络图中；
确定所述待检测账号的表示向量；
将所述待检测账号的表示向量输入训练好的所述目标残差网络中，得到所述待检测账号是否为异常账号的检测结果。


9.根据权利要求2所述的方法，还包括：
确定待检测账号，其中，所述待检测账号是使用目标设备在目标应用中注册的多个账号中的一个，且所述目标设备和使用所述目标设备注册的多个账号包含在所述网络图中；
确定所述待检测账号的表示向量和指定特征；
将所述待检测账号的表示向量和指定特征输入训练好的所述目标残差网络中，得到所述待检测账号是否为异常账号的检测结果。


10.一种异常账号检测方法，包括：
确定待检测账号；
确定所述待检测账号的表示向量；
将所述待检测账号的表示向量输入目标残差网络中，得到所述待检测账号是否为异常账号的检测结果；
其中，所述待检测账号是使用目标设备在目标应用中注册的多个账号中的一个，且所述目标设备和使用所述目标设备注册的多个账号包含在网络图中；所述网络图是基于所述目标应用在预设时段内的账号注册数据构建的，所述网络图包含账号和设备两种节点，且一个账号和注册该账号的设备之间存在一条边；所述目标残差网络是以所述网络图中账号的表示向量和标签为输入训练得到的，所述网络图中账号的表示向量是基于预设图节点表示向量学习算法确定的。


11.根据权利要求10所述的方法，在将所述待检测账号的表示向量输入目标残差网络中，得到所述待检测账号是否为异常账号的检测结果前，还包括：
确定所述待检测账号的指定特征，所述指定特征包括使用该账号的用户的基础特征和行为特征中的至少一种；
其中，将所述待检测账号的表示向量输入目标残差网络中，得到所述待检测账号是否为异常账号的检测结果，包括：
将所述待检测账号的表示向量和指定特征输入目标残差网络中，得到所述待检测账号是否为异常账号的检测结果，其中，所述目标残差网络是以所述网络图中账号的表示向量、指定特征和标签为输入训练得到的。


12.根据权利要求11所述的方法，将所述待检测账号的表示向量和指定特征输入目标残差网络中，得到所述待检测账号是否为异常账号的检...

【专利技术属性】
技术研发人员：李厚意，曹绍升，
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