基于人工智能的异常交易处理方法、装置制造方法及图纸

本申请提供了一种基于人工智能的异常交易处理方法、装置、电子设备及计算机可读存储介质；方法包括：根据第一产品交易样本集合中每个产品交易样本的异常度，对所述第一产品交易样本集合中的产品交易样本进行筛选；将筛选得到的产品交易样本组成第二产品交易样本集合；获取所述第二产品交易样本集合中每个产品交易样本的类别标注数据，其中，所述类别标注数据用于表征所述产品交易样本正常或异常；以所述第二产品交易样本集合中的产品交易样本对异常交易识别模型进行训练，得到训练后的异常交易识别模型；根据所述训练后的异常交易识别模型识别异常交易。通过本申请，能够提高异常交易识别的准确率。

【技术实现步骤摘要】
基于人工智能的异常交易处理方法、装置
本申请涉及人工智能技术，尤其涉及一种基于人工智能的异常交易处理方法、装置、设备及计算机可读存储介质。
技术介绍
人工智能(ArtificialIntelligence，AI)是计算机科学的一个综合技术，通过研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。异常交易识别是人工智能领域的重要研究方向，异常交易识别是指从大量的交易数据中识别出异常交易的过程，广泛用于各种类型在线交易，例如网络购物、游戏道具交易等。但是，相关技术提供的异常交易识别方法均是采用产品交易价格比对的方式，即，将待识别交易的产品交易价格和产品定价进行比对，使得异常交易识别的准确率较低，难以满足在线交易中海量交易识别的需求。
技术实现思路
本申请实施例提供一种基于人工智能的异常交易处理方法、装置及计算机可读存储介质，能够准确、高效的识别异常交易。本申请实施例的技术方案是这样实现的：本申请实施例提供一种基于人工智能的异常交易处理方法，包括：根据第一产品交易样本集合中每个产品交易样本的异常度，对所述第一产品交易样本集合中的产品交易样本进行筛选；将筛选得到的产品交易样本组成第二产品交易样本集合；获取所述第二产品交易样本集合中每个产品交易样本的类别标注数据，其中，所述类别标注数据用于表征所述产品交易样本正常或异常；以所述第二产品交易样本集合中的产品交易样本对异常交易识别模型进行训练，得到训练后的异常交易识别模型；根据所述训练后的异常交易识别模型识别异常交易。上述方案中，所述根据所述原始交易数据确定每种产品的正常交易价格之前，所述方法还包括：根据所述原始交易数据，确定每种产品的交易的价格区间；根据所述价格区间中的最大值和最小值，确定出所述价格区间的上四分位值和下四分位值；确定所述上四分位值和所述下四分位值的间隔；根据所述上四分位值、所述下四分位值以及所述间隔构建正常价格区间；过滤掉所述原始交易数据中处于所述正常价格区间之外的交易数据。上述方案中，所述以所述第二产品交易样本集合中的产品交易样本对异常交易识别模型进行训练之前，所述方法还包括：对于每一个异常产品交易样本，根据所述异常产品交易样本和所述异常产品交易样本的邻近样本，生成新的异常产品交易样本；将所述新的异常产品交易样本添加进所述第二产品交易样本集合中。上述方案中，所述根据所述训练后的异常交易识别模型识别异常交易，包括：当所述异常交易识别模型是神经网络时，通过所述训练后的异常交易识别模型提取待识别交易的隐层特征；将所述隐层特征映射为所述待识别交易属于异常交易的概率；当所述待识别交易属于异常交易的概率大于预定阈值时，将所述待识别交易确定为异常交易；当所述异常交易识别模型是集成学习模型时，通过所述训练后的异常交易识别模型中的多个分类器，分别对待识别交易进行识别以获取分类分数；根据多个分类器的分类分数确定分类结果，所述分类结果用于指示所述待识别交易正常或异常。上述方案中，所述方法还包括：生成异常交易的告警单据并显示，所述告警单据包括所述异常交易的交易信息、告警风险值明细、属于异常交易的概率和告警类型；所述交易信息包括所述异常交易对应产品的价格分布区间和正常交易价格；所述告警风险值明细包括所述异常交易的各特征值对应的局部异常度。本申请实施例提供一种基于人工智能的异常交易处理装置，包括：筛选模块，用于根据第一产品交易样本集合中每个产品交易样本的异常度，对所述第一产品交易样本集合中的产品交易样本进行筛选组成模块，用于将筛选得到的产品交易样本组成第二产品交易样本集合；标注模块，用于获取所述第二产品交易样本集合中每个产品交易样本的类别标注数据；其中，所述类别标注数据用于表征所述产品交易样本正常或异常；训练模块，用于以所述第二产品交易样本集合中的产品交易样本对异常交易识别模型进行训练，得到训练后的异常交易识别模型；识别模块，用于根据所述训练后的异常交易识别模型识别异常交易。上述方案中，所述装置还包括：异常度确定模块，用于获取所述第一产品交易样本集合中每个产品交易样本的多个特征值；根据所述多个特征值，确定所述第一产品交易样本集合中每个产品交易样本的整体的异常度；其中，所述特征值的维度包括以下至少之一：用户维度、经济维度、社交维度和交易维度。上述方案中，所述异常度确定模块，还用于在所述每个产品交易样本的多个特征值对应的维度中，将所述第一交易样本集合切分成多个单样本集合；根据产品交易样本形成所述单样本集合的顺序，得到所述特征值对应的局部异常度；结合所述多个特征值对应的局部异常度，确定所述每个产品交易样本的整体的异常度。上述方案中，所述筛选模块，还用于对所述第一产品交易样本集合中的产品交易样本，按照异常度降序的方式进行排序；筛选得到排序在前的N个产品交易样本，其中，N为大于1，且小于所述第一产品交易样本集合样本总数的正整数。上述方案中，所述识别模块，还用于当所述异常交易识别模型是神经网络时，以所述第二产品交易样本集合中的产品交易样本作为所述异常交易识别模型的输入，得到针对所述第二产品交易样本集合中的产品交易样本的分类结果；根据所述分类结果与所述类别标注数据的误差构建损失函数；根据所述损失函数更新所述异常交易识别模型的参数，直至所述损失函数收敛；将所述损失函数收敛时的异常交易识别模型的参数，确定为所述训练后的异常交易识别模型的参数。上述方案中，所述识别模块，还用于当所述异常交易识别模型是集成学习模型时，遍历所述异常交易识别模型中的所有分类器，将遍历到的分类器作为候选分类器；以所述第二产品交易样本集合中的产品交易样本作为所述候选分类器的输入，得到针对所述第二产品交易样本集合中的产品交易样本的分类分数；根据最后遍历的分类器的分类分数构建正则项；根据所述异常交易识别模型中所有分类器的分类分数，确定分类结果；确定所述分类结果与所述类别标注数据的误差，根据所述误差和所述正则项构建损失函数；根据所述损失函数更新所述异常交易识别模型的参数，直至所述损失函数收敛；将所述损失函数收敛时的异常交易识别模型的参数，确定为所述训练后的异常交易识别模型的参数。上述方案中，所述装置还包括：第一样本集合构建模块，用于获取采样时段内的原始交易数据，并对所述原始交易数据进行清洗处理；基于特定指标选择需要关注的用户，其中，所述特定指标包括以下至少之一：活跃度，用户等级和资源获取量；从清洗处理后的所述原始交易数据中，获取所述需要关注的用户的交易数据；从所述需要关注的用户的每个交易的交易数据中，提取本文档来自技高网...

【技术保护点】
1.一种异常交易处理方法，其特征在于，所述方法包括：/n根据第一产品交易样本集合中每个产品交易样本的异常度，对所述第一产品交易样本集合中的产品交易样本进行筛选；/n将筛选得到的产品交易样本组成第二产品交易样本集合；/n获取所述第二产品交易样本集合中每个产品交易样本的类别标注数据，其中，所述类别标注数据用于表征产品交易样本正常或异常；/n以所述第二产品交易样本集合中的产品交易样本对异常交易识别模型进行训练，得到训练后的异常交易识别模型；/n根据所述训练后的异常交易识别模型识别异常交易。/n

【技术特征摘要】
1.一种异常交易处理方法，其特征在于，所述方法包括：
根据第一产品交易样本集合中每个产品交易样本的异常度，对所述第一产品交易样本集合中的产品交易样本进行筛选；
将筛选得到的产品交易样本组成第二产品交易样本集合；
获取所述第二产品交易样本集合中每个产品交易样本的类别标注数据，其中，所述类别标注数据用于表征产品交易样本正常或异常；
以所述第二产品交易样本集合中的产品交易样本对异常交易识别模型进行训练，得到训练后的异常交易识别模型；
根据所述训练后的异常交易识别模型识别异常交易。


2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述第一产品交易样本集合中每个产品交易样本的多个特征值；
根据所述每个产品交易样本的多个特征值，确定所述每个产品交易样本的整体的异常度；
其中，所述特征值的维度包括以下至少之一：用户维度、经济维度、社交维度和交易维度。


3.根据权利要求2所述的方法，其特征在于，所述确定所述每个产品交易样本的整体的异常度，包括：
根据所述每个产品交易样本的多个特征值对应的维度，将所述第一产品交易样本集合切分成多个单样本集合；
根据所述第一产品交易样本集合中的产品交易样本形成所述单样本集合的顺序，得到所述特征值对应的局部异常度；
结合所述每个产品交易样本的多个特征值对应的局部异常度，确定所述每个产品交易样本的整体的异常度。


4.根据权利要求1所述的方法，其特征在于，所述根据第一产品交易样本集合中每个所述产品交易样本的异常度，对所述第一产品交易样本集合中的产品交易样本进行筛选，包括：
对所述第一产品交易样本集合中的产品交易样本，按照异常度降序的方式进行排序；
筛选得到排序在前的N个产品交易样本，其中，N为大于1、且小于所述第一产品交易样本集合样本总数的正整数。


5.根据权利要求1所述的方法，其特征在于，
当所述异常交易识别模型是神经网络时，所述以所述第二产品交易样本集合中的产品交易样本对异常交易识别模型进行训练，得到训练后的异常交易识别模型，包括：
以所述第二产品交易样本集合中的产品交易样本作为所述异常交易识别模型的输入，得到针对所述第二产品交易样本集合中的产品交易样本的分类结果；
根据所述分类结果与所述类别标注数据的误差构建损失函数；
根据所述损失函数更新所述异常交易识别模型的参数，直至所述损失函数收敛；
将所述损失函数收敛时的异常交易识别模型的参数，确定为所述训练后的异常交易识别模型的参数。


6.根据权利要求1所述的方法，其特征在于，
当所述异常交易识别模型是包括多个分类器的集成学习模型时，所述以所述第二产品交易样本集合中的产品交易样本对异常交易识别模型进行训练，得到训练后的异常交易识别模型，包括：
遍历所述异常交易识别模型中的所有分类器，将遍历到的分类器作为候选分类器；
以所述第二产品交易样本集合中的产品交易样本作为所述候选分类器的输入，得到针对所述第二产品交易样本集合中的产品交易样本的分类...

【专利技术属性】
技术研发人员：彭飞，徐尧，陈志恒，钟罕君，徐晓雨，
申请(专利权)人：腾讯科技上海有限公司，
类型：发明
国别省市：上海;31