本发明专利技术提供了一种异常行为识别模型确定方法及装置，该方法包括：将获取的预定数量的业务数据转换为图结构数据，并提取该预定数量的业务数据对应的分类标签；对该图结构数据进行聚合处理，得到该图结构数据的稠密向量；通过该稠密向量与该分类标签对原始图神经网络模型进行训练，得到训练好的目标图神经网络模型，该目标图神经网络模型用于异常行为识别，可以解决相关技术中异常行为识别模型效果不佳且模型中的聚合存在一定不足的问题，通过图神经网络模型，各类关系及属性可以很好的进行图数据化的表示，结合深度学习在实现复杂函数逼近和学习数据本质特征的能力更强，模型效果更优。更优。更优。
【技术实现步骤摘要】
一种异常行为识别模型确定方法及装置
[0001]本专利技术涉及数据处理领域，具体而言，涉及一种异常行为识别模型确定方法及装置。
技术介绍
[0002]现有反欺诈技术多使用机器学习模型或规则模型，用现有的数据很难描述大量数据之间存在的某种联系，在实现复杂函数逼近和学习数据本质特征时，模型效果不佳；且GraphSage算法在聚合时存在一定不足。
[0003]针对相关技术中异常行为识别模型效果不佳且模型中的聚合存在一定不足的问题，尚未提出解决方案。
技术实现思路
[0004]本专利技术实施例提供了一种异常行为识别模型确定方法及装置，以至少解决相关技术中异常行为识别模型效果不佳且模型中的聚合存在一定不足的问题。
[0005]根据本专利技术的一个实施例，提供了一种异常行为识别模型确定方法，包括：
[0006]将获取的预定数量的业务数据转换为图结构数据，并提取所述预定数量的业务数据对应的分类标签；
[0007]对所述图结构数据进行聚合处理，得到所述图结构数据的稠密向量；
[0008]通过所述稠密向量与所述分类标签对原始图神经网络模型进行训练，得到训练好的目标图神经网络模型，其中，所述目标图神经网络模型用于异常行为识别。
[0009]可选地，将获取的预定数量的业务数据转换为图结构数据，并提取所述预定数量的业务数据对应的分类标签包括：
[0010]分别为所述预定数量的业务数据分配节点ID，其中，一个业务数据对应一个节点；
[0011]提取所述预定数量的节点的关系作为所述图结构数据的邻接表，定义一个字典类型的变量，字典的key存节点ID，对应的value为对应的所有邻居节点；
[0012]提取所述预定数量的节点的特征矩阵(N，M)，所述图结构数据的特征矩阵，其中，M为构建的特征维度大小，N为节点的数量；
[0013]提取所述预定数量的节点的标签Y，组成所述图结构数据的标签矩阵。
[0014]可选地，对所述图结构数据进行聚合处理，得到所述图结构数据的稠密向量包括：
[0015]根据所述邻接表确定中心节点与相邻节点的相似度，获取相似度大于预设阈值的n个节点；
[0016]根据聚合函数聚合所述n个节点中的中心点和邻居节点，并形成所述图结构数据的稠密向量。
[0017]可选地，根据所述邻接表确定中心节点与相邻节点的相似度，获取相似度大于预设阈值的n个节点包括：
[0018]根据所述邻接表、所述图结构数据的标签矩阵以及所述预定数量的节点的特征向
量，训练得到单层感知网络；
[0019]通过所述单层感知网络计算所述预定数量的节点的预测值，并确定每两个节点的预测值的L1距离；
[0020]使用所述L1距离确定所述中心节点与所述相邻节点的相似度；
[0021]将所述相似度按照由大到小的顺序进行排序；
[0022]获取所述相似度大于所述预设阈值的所述n个节点。
[0023]可选地，根据聚合函数聚合所述n个节点中的中心点和邻居节点，并形成所述图结构数据的稠密向量包括：
[0024]确定所述n个节点的中心节点向量与邻居节点向量；
[0025]拼接所述中心节点向量与所述邻居节点向量，得到拼接后的目标向量；
[0026]通过聚合函数对所述目标向量进行聚合处理，得到聚合向量；
[0027]对所述聚合向量进行过滤，得到所述图结构数据的稠密向量。
[0028]可选地，通过所述稠密向量与所述分类标签对原始图神经网络模型进行训练，得到训练好的目标图神经网络模型包括：
[0029]使用所述稠密向量与所述分类标签对原始图神经网络模型进行训练，得到所述目标图神经网络模型，其中，所述稠密向量为所述原始图神经网络模型的输入，训练好的所述目标图神经网络模型输出的所述稠密向量对应的标签结果与所述稠密向量实际对应的分类结果满足以下损失函数：
[0030]其中，y
v
是节点v实际的标签结果，σ(z
v
)是目标图神经网络预测的概率，σ是激活函数，z
v
是节点v的稠密向量，λ||θ||2为约束条件。
[0031]可选地，在通过所述稠密向量与所述分类标签对原始图神经网络模型进行训练，得到训练好的目标图神经网络模型之后，所述方法还包括：
[0032]获取目标业务数据；
[0033]将所述目标业务数据输入预先训练好的目标图神经网络模型中，得到所述目标图神经网络模型输入的所述目标业务数据对应不同分类结果的概率，其中，所述概率大于预设阈值的分类结果为所述目标业务数据对应的异常行为识别结果。
[0034]根据本专利技术的另一个实施例，还提供了一种异常行为识别模型确定装置，包括：
[0035]提取模块，用于将获取的预定数量的业务数据转换为图结构数据，并提取所述预定数量的业务数据对应的分类标签；
[0036]聚合模块，用于对所述图结构数据进行聚合处理，得到所述图结构数据的稠密向量；
[0037]训练模块，用于通过所述稠密向量与所述分类标签对原始图神经网络模型进行训练，得到训练好的目标图神经网络模型，其中，所述目标图神经网络模型用于异常行为识别。
[0038]可选地，所述提取模块，还用于：
[0039]分别为所述预定数量的业务数据分配节点ID，其中，一个业务数据对应一个节点；
[0040]提取所述预定数量的节点的关系作为所述图结构数据的邻接表，定义一个字典类型的变量，字典的key存节点ID，对应的value为对应的所有邻居节点；
[0041]提取所述预定数量的节点的特征矩阵(N，M)，所述图结构数据的特征矩阵，其中，M为构建的特征维度大小，N为节点的数量；
[0042]提取所述预定数量的节点的标签Y，组成所述图结构数据的标签矩阵。
[0043]可选地，所述聚合模块包括：
[0044]获取子模块，用于根据所述邻接表确定中心节点与相邻节点的相似度，获取相似度大于预设阈值的n个节点；
[0045]聚合子模块，用于根据聚合函数聚合所述n个节点中的中心点和邻居节点，并形成所述图结构数据的稠密向量。
[0046]可选地，所述获取子模块，还用于：
[0047]根据所述邻接表、所述图结构数据的标签矩阵以及所述预定数量的节点的特征向量，训练得到单层感知网络；
[0048]通过所述单层感知网络计算所述预定数量的节点的预测值，并确定每两个节点的预测值的L1距离；
[0049]使用所述L1距离确定所述中心节点与所述相邻节点的相似度；
[0050]将所述相似度按照由大到小的顺序进行排序；
[0051]获取所述相似度大于所述预设阈值的所述n个节点。
[0052]可选地，所述聚合子模块，还用于：
[0053]确定所述n个节点的中心节点向量与邻居节点向量；
[0054]拼接所述中心节点向量与所述邻居节点向量，得本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种异常行为识别模型确定方法，其特征在于，包括：将获取的预定数量的业务数据转换为图结构数据，并提取所述预定数量的业务数据对应的分类标签；对所述图结构数据进行聚合处理，得到所述图结构数据的稠密向量；通过所述稠密向量与所述分类标签对原始图神经网络模型进行训练，得到训练好的目标图神经网络模型，其中，所述目标图神经网络模型用于异常行为识别。2.根据权利要求1所述的方法，其特征在于，将获取的预定数量的业务数据转换为图结构数据，并提取所述预定数量的业务数据对应的分类标签包括：分别为所述预定数量的业务数据分配节点ID，其中，一个业务数据对应一个节点；提取所述预定数量的节点的关系作为所述图结构数据的邻接表，定义一个字典类型的变量，字典的key存节点ID，对应的value为对应的所有邻居节点；提取所述预定数量的节点的特征矩阵(N，M)，所述图结构数据的特征矩阵，其中，M为构建的特征维度大小，N为节点的数量；提取所述预定数量的节点的标签Y，组成所述图结构数据的标签矩阵。3.根据权利要求2所述的方法，其特征在于，对所述图结构数据进行聚合处理，得到所述图结构数据的稠密向量包括：根据所述邻接表确定中心节点与相邻节点的相似度，获取相似度大于预设阈值的n个节点；根据聚合函数聚合所述n个节点中的中心点和邻居节点，并形成所述图结构数据的稠密向量。4.根据权利要求3所述的方法，其特征在于，根据所述邻接表确定中心节点与相邻节点的相似度，获取相似度大于预设阈值的n个节点包括：根据所述邻接表、所述图结构数据的标签矩阵以及所述预定数量的节点的特征向量，训练得到单层感知网络；通过所述单层感知网络计算所述预定数量的节点的预测值，并确定每两个节点的预测值的L1距离；使用所述L1距离确定所述中心节点与所述相邻节点的相似度；将所述相似度按照由大到小的顺序进行排序；获取所述相似度大于所述预设阈值的所述n个节点。5.根据权利要求3所述的方法，其特征在于，根据聚合函数聚合所述n个节点中的中心点和邻居节点，并形成所述图结构数据的稠密向量包括：确定所述n个节点的中心节点向量与邻居节点向量；拼接所述中心节点向量与所述邻居节点向量，得到拼接后的目标向量；通...
【专利技术属性】
技术研发人员：额日和，李琨，田江，向小佳，丁永建，李璠，
申请(专利权)人：光大科技有限公司，
类型：发明
国别省市：
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。