异常账户识别模型的训练方法、识别方法、装置及设备制造方法及图纸

本公开提供了一种异常账户识别模型的训练方法、异常账户识别方法，可以应用于人工智能技术领域、机器学习技术领域。该训练方法包括：对样本账户的交易数据进行处理，生成初始样本交易特征，其中，初始样本交易特征包括账户登录类特征、交易频次类特征、交易金额类特征、账户余额类特征或交易属地类特征中的至少一项；对初始样本交易特征和样本标签进行相关性检验，得到能够表征样本标签的目标样本交易特征；根据目标样本交易特征生成训练样本；以及利用训练样本训练初始异常账户识别模型，得到训练后的异常账户识别模型。本公开还提供了一种异常账户识别模型的训练装置、异常账户识别装置、设备、存储介质和程序产品。存储介质和程序产品。存储介质和程序产品。

【技术实现步骤摘要】
异常账户识别模型的训练方法、识别方法、装置及设备


[0001]本公开涉及人工智能
，具体涉及机器学习
，更具体地涉及一种异常账户识别模型的训练方法、识别方法、装置、设备、介质和程序产品。

技术介绍

[0002]账户可以是用于反映资金变动、资金流转情况的载体。相关金融组织或机构可以按照相关法规规定，为用户开设的用于资金流转、交易等业务需求的账户。随着经济的快速发展，越来越多的资金借助互联网技术可以在不同的账户之间流转，以满足相关用户的经营需求、生活需求。而异常账户可以是用户在违反相关法律法规的情况下，用于实现资金流转、交易等业务的账户。
[0003]在实现本公开构思的过程中，专利技术人发现对于异常账户的识别准确率和识别效率较低，不能满足实际需求。

技术实现思路

[0004]鉴于上述问题，本公开提供了异常账户识别模型的训练方法、识别方法、装置、设备、介质和程序产品。
[0005]根据本公开的第一个方面，提供了一种异常账户识别模型的训练方法，包括：
[0006]对样本账户的交易数据进行处理，生成初始样本交易特征，其中，上述初始样本交易特征包括账户登录类特征、交易频次类特征、交易金额类特征、账户余额类特征或交易属地类特征中的至少一项；
[0007]对上述初始样本交易特征和样本标签进行相关性检验，得到能够表征上述样本标签的目标样本交易特征；
[0008]根据上述目标样本交易特征生成训练样本，其中，上述训练样本具有用于表征样本账户是否异常的上述样本标签；以及r/>[0009]利用上述训练样本训练初始异常账户识别模型，得到训练后的异常账户识别模型。
[0010]根据本公开的实施例，上述初始样本交易特征包括多个；
[0011]对上述初始样本交易特征和样本标签进行相关性检验，得到能够表征上述样本标签的目标样本交易特征包括：
[0012]对上述初始样本交易特征和上述样本标签进行卡方相关性检验，得到相关性检验结果；
[0013]在上述相关性检验结果小于相关性阈值的情况下，将上述初始样本交易特征确定为上述目标样本交易特征。
[0014]根据本公开的实施例，
[0015]上述交易金额类特征包括以下至少一项：上述样本账户的交易金额最小值特征、上述样本账户的交易金额均值特征、上述样本账户的交易金额最大值特征、针对上述交易
金额的分散转入集中转出特征和针对上述交易金额的集中转入分散转出特征。
[0016]上述交易属地类特征包括以下至少一项：上述样本账户的跨地域交易特征、上述样本账户的跨机构交易特征。
[0017]根据本公开的实施例，上述初始异常账户识别模型包括决策树模型。
[0018]根据本公开的实施例，利用上述训练样本训练初始异常账户识别模型，得到训练后的异常账户识别模型包括：
[0019]利用上述训练样本训练初始异常账户识别模型，得到训练后的候选异常账户识别模型与上述候选异常识别模型的样本识别结果；
[0020]根据上述样本识别结果，迭代地训练上述候选异常账户识别模型，得到训练后的上述异常账户识别模型。
[0021]本公开的第二方面提供了一种异常账户识别方法，包括：
[0022]对目标账户的目标交易数据进行处理，生成目标交易特征，其中，上述目标交易特征包括账户登录类特征、交易频次类特征、交易金额类特征、账户余额类特征或交易属地类特征中的至少一项；
[0023]利用根据上述的训练方法得到的异常账户识别模型处理上述目标交易特征，得到上述目标账户的识别结果，其中，上述识别结果表征上述目标账户异常或正常。
[0024]本公开的第三方面提供了一种异常账户识别模型的训练装置，包括：
[0025]处理模块，用于对样本账户的交易数据进行处理，生成初始样本交易特征，其中，上述初始样本交易特征包括账户登录类特征、交易频次类特征、交易金额类特征、账户余额类特征或交易属地类特征中的至少一项；
[0026]检验模块，用于对上述初始样本交易特征和样本标签进行相关性检验，得到能够表征上述样本标签的目标样本交易特征；
[0027]训练样本生成模块，用于根据上述目标样本交易特征生成训练样本，其中，上述训练样本具有用于表征样本账户是否异常的上述样本标签；以及
[0028]训练模块，用于利用上述训练样本训练初始异常账户识别模型，得到训练后的异常账户识别模型。
[0029]本公开的第四方面提供了一种异常账户识别装置，包括：
[0030]目标处理模块，用于对目标账户的目标交易数据进行处理，生成目标交易特征，其中，上述目标交易特征包括账户登录类特征、交易频次类特征、交易金额类特征、账户余额类特征或交易属地类特征中的至少一项；
[0031]识别模块，用于利用根据权利要求1至5中任一项上述的训练方法得到的异常账户识别模型处理上述目标交易特征，得到上述目标账户的识别结果，其中，上述识别结果表征上述目标账户异常或正常。
[0032]本公开的第五方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述异常账户识别模型的训练方法、异常账户识别方法。
[0033]本公开的第六方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述异常账户识别模型的训练方法、异常账户识别方法。
[0034]本公开的第七方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述异常账户识别模型的训练方法、异常账户识别方法。
附图说明
[0035]通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
[0036]图1示意性示出了根据本公开实施例的异常账户识别模型的训练方法、异常账户识别方法、装置的应用场景图；
[0037]图2示意性示出了根据本公开实施例的异常账户识别模型的训练方法的流程图；
[0038]图3示意性示出了根据本公开实施例的利用训练样本训练初始异常账户识别模型，得到训练后的异常账户识别模型的流程图；
[0039]图4示意性示出了根据本公开实施例的异常账户识别模型的训练方法的应用场景图；
[0040]图5示意性示出了根据本公开实施例的异常账户识别方法的流程图；
[0041]图6示意性示出了根据本公开实施例的异常账户识别模型的训练装置的结构框图；
[0042]图7示意性示出了根据本公开实施例的异常账户识别装置的结构框图；以及
[0043]图8示意性示出了根据本公开实施例的适于实现异常账户识别模型的训练方法、异常账户识别方法的电子设备的方框图。
具体实施方式
[0044]以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种异常账户识别模型的训练方法，包括：对样本账户的交易数据进行处理，生成初始样本交易特征，其中，所述初始样本交易特征包括账户登录类特征、交易频次类特征、交易金额类特征、账户余额类特征或交易属地类特征中的至少一项；对所述初始样本交易特征和样本标签进行相关性检验，得到能够表征所述样本标签的目标样本交易特征；根据所述目标样本交易特征生成训练样本，其中，所述训练样本具有用于表征样本账户是否异常的所述样本标签；以及利用所述训练样本训练初始异常账户识别模型，得到训练后的异常账户识别模型。2.根据权利要求1所述的训练方法，其中，所述初始样本交易特征包括多个；对所述初始样本交易特征和样本标签进行相关性检验，得到能够表征所述样本标签的目标样本交易特征包括：对所述初始样本交易特征和所述样本标签进行卡方相关性检验，得到相关性检验结果；在所述相关性检验结果小于相关性阈值的情况下，将所述初始样本交易特征确定为所述目标样本交易特征。3.根据权利要求1所述的训练方法，其中，所述交易金额类特征包括以下至少一项：所述样本账户的交易金额最小值特征、所述样本账户的交易金额均值特征、所述样本账户的交易金额最大值特征、针对所述交易金额的分散转入集中转出特征和针对所述交易金额的集中转入分散转出特征；所述交易属地类特征包括以下至少一项：所述样本账户的跨地域交易特征、所述样本账户的跨机构交易特征。4.根据权利要求1所述的训练方法，其中，所述初始异常账户识别模型包括决策树模型。5.根据权利要求1所述的训练方法，其中，利用所述训练样本训练初始异常账户识别模型，得到训练后的异常账户识别模型包括：利用所述训练样本训练初始异常账户识别模型，得到训练后的候选异常账户识别模型与所述候选异常识别模型的样本识别结果；根据所述样本识别结果，迭代地训练所述候选异常账户识别模型，得到训练后的所述异常账户识别模型。6.一种异常账户识别方法，包括：对目标账户的目标交易数据进行处理，生成目标交易特征，其中，所述目标...

【专利技术属性】
技术研发人员：简拥军，金勇，吴泽君，
申请(专利权)人：建信金融科技有限责任公司，
类型：发明
国别省市：