一种欺诈用户检测方法、系统、设备及存储介质技术方案

本申请公开了一种欺诈用户检测方法、系统、设备及存储介质，包括：基于预设特征提取维度对当前用户日志数据进行分析以提取出相应的用户特征；预设特征提取维度为用于提取能够表征欺诈用户的特征信息的维度；将用户特征输入至预设深度自编码器进行编码降维以确定出相应的融合特征；将融合特征输入至估计网络进行欺诈估计以得到相应的异常欺诈值；估计网络为通过将高斯混合模型中的期望最大化算法替换为多层神经网络结构后得到的网络；基于异常欺诈值判断当前用户是否为疑似欺诈用户。本申请通过深度自编码器和估计网络对基于预设特征维度提取到的用户特征进行处理以得到能够判断用户是否为欺诈用户的欺诈值，从而提升对欺诈用户检测的能力。欺诈用户检测的能力。欺诈用户检测的能力。

【技术实现步骤摘要】
一种欺诈用户检测方法、系统、设备及存储介质


[0001]本专利技术涉及人工智能
，特别涉及一种欺诈用户检测方法、系统、 设备及存储介质。

技术介绍

[0002]当前，随着互联网信息技术的飞速发展，利用办公软件进行网络交友的 诈骗作案手段层出不穷，给很多企业用户造成了巨大的财产损失。然而，很 多互联网企业开发的办公软件中暴露出的受骗案件基本都是通过用户举报之 后才知晓，现今缺乏成熟的预警机制及相关技术来提前阻止受骗的发生以降 低受骗概率。对于正规的办公软件，现阶段相关财务或金融平台上的欺诈用 户识别效果不佳。现有技术一般是通过有监督模型和无监督模型两种方法进 行欺诈的异常检测。但在实际的应用中，面对海量杂乱的数据，现有技术存 在的问题是这些海量的数据缺乏异常欺诈值的标签，甚至是没有，因此想要 用有监督的方法往往无法解决实际问题，然而无监督模型的方法通常假设数 据服从某种分布，如GMM(Gaussian mixture model，高斯混合模型)，如果 假设和实际情况偏差较大，则模型效果会很差，从而导致检测不准确。

技术实现思路

[0003]有鉴于此，本专利技术的目的在于提供一种欺诈用户检测方法、系统、设备 以及存储介质，能够提升无监督模型进行欺诈用户检测的泛化性能，有效地 预先识别欺诈用户的存在风险并提升对欺诈用户检测的能力，降低诈骗案件 的发生概率。其具体方案如下：
[0004]第一方面，本申请公开了一种欺诈用户检测方法，包括：
[0005]基于预设特征提取维度对获取到的当前用户日志数据进行分析以提取出 当前用户对应的用户特征；所述预设特征提取维度为用于提取能够表征欺诈 用户的特征信息的维度；
[0006]将所述用户特征输入至预设深度自编码器进行编码降维以确定出相应的 融合特征；
[0007]将所述融合特征输入至估计网络进行欺诈估计以得到相应的异常欺诈 值；所述估计网络为通过将高斯混合模型中的期望最大化算法替换为多层神 经网络结构后得到的网络；
[0008]基于所述异常欺诈值判断所述当前用户是否为疑似欺诈用户。
[0009]可选的，所述基于预设特征提取维度对获取到的当前用户日志数据进行 分析以提取出当前用户对应的用户特征，包括：
[0010]基于预设特征提取维度对获取到的用户信息、用户行为信息以及用户聊 天文本内容进行分析以提取出相应的用户信息特征、用户行为特征以及用户 文本特征；
[0011]对所述用户信息特征、所述用户行为特征以及所述用户文本特征进行拼 接得到当前用户对应的用户特征。
[0012]可选的，所述将所述用户特征输入至预设深度自编码器进行编码降维以 确定出相应的融合特征，包括：
[0013]将所述用户特征输入至预设深度自编码器进行编码降维以得到隐层特 征，并对所述隐层特征进行解码重构以得到相应的重构特征；
[0014]基于所述用户特征和所述重构特征确定出重构误差特征，并基于所述隐 层特征和所述重构误差特征确定出相应的融合特征。
[0015]可选的，所述基于所述用户特征和所述重构特征确定出重构误差特征， 包括：
[0016]利用预设相似度算法对所述用户特征和所述重构特征进行处理以得到相 应的重构误差特征。
[0017]可选的，所述将所述融合特征输入至估计网络进行欺诈估计以得到相应 的异常欺诈值，包括：
[0018]将所述融合特征输入至估计网络中的所述多层神经网络结构以得到相 应的softmax概率分布；
[0019]基于所述softmax概率分布更新所述高斯混合模型对应的模型参数，并基 于更新后的所述模型参数确定出相应的异常欺诈值。
[0020]可选的，所述基于所述异常欺诈值判断所述当前用户是否为疑似欺诈用 户，包括：
[0021]将所述异常欺诈值与预设欺诈阈值进行比较以得到相应的比较结果；
[0022]基于所述比较结果判断所述当前用户是否为疑似欺诈用户。
[0023]可选的，所述基于所述比较结果判断所述当前用户是否为疑似欺诈用户， 包括：
[0024]当所述异常欺诈值大于所述预设欺诈阈值时，则判定所述当前用户为疑 似欺诈用户，并输出相应的判定结果；
[0025]当所述异常欺诈值不大于所述预设欺诈阈值时，则判定所述当前用户为 非疑似欺诈用户，并输出相应的判定结果。
[0026]第二方面，本申请公开了一种欺诈用户检测系统，包括：
[0027]用户特征提取模块，用于基于预设特征提取维度对获取到的当前用户日 志数据进行分析以提取出当前用户对应的用户特征；所述预设特征提取维度 为用于提取能够表征欺诈用户的特征信息的维度；
[0028]融合特征确定模块，用于将所述用户特征输入至预设深度自编码器进行 编码降维以确定出相应的融合特征；
[0029]欺诈值确定模块，用于将所述融合特征输入至估计网络进行欺诈估计以 得到相应的异常欺诈值；所述估计网络为通过将高斯混合模型中的期望最大 化算法替换为多层神经网络结构后得到的网络；
[0030]欺诈用户判断模块，用于基于所述异常欺诈值判断所述当前用户是否为 疑似欺诈用户。
[0031]第三方面，本申请公开了一种电子设备，包括：
[0032]存储器，用于保存计算机程序；
[0033]处理器，用于执行所述计算机程序，以实现前述公开的欺诈用户检测方 法的步骤。
[0034]第四方面，本申请公开了一种计算机可读存储介质，用于存储计算机程 序；其中，所述计算机程序被处理器执行时实现前述公开的欺诈用户检测方 法的步骤。
[0035]可见，本申请提供了一种欺诈用户检测方法，包括：基于预设特征提取 维度对获取到的当前用户日志数据进行分析以提取出当前用户对应的用户特 征；所述预设特征提取维度为用于提取能够表征欺诈用户的特征信息的维度； 将所述用户特征输入至预设深度自编码器进行编码降维以确定出相应的融合 特征；将所述融合特征输入至估计网络进行欺诈估计以得到相应的异常欺诈 值；所述估计网络为通过将高斯混合模型中的期望最大化算法替换为多层神 经网络结构后得到的网络；基于所述异常欺诈值判断所述当前用户是否为疑 似欺诈用户。由此可知，本申请对用户日志数据进行分析以便能够基于预设 特征提取维度提取多维度的用户特征，并将所述用户特征输入至预设深度自 编码器中进行降维以得到低维的融合特征，再将所述融合特征输入至估计网 络中以确定当前用户的异常欺诈值，然后基于所述异常欺诈值判断当前用户 是否为疑似欺诈用户。因此本申请能够有效地识别欺诈用户的存在风险并提 升对欺诈用户检测的能力，降低诈骗案件的发生概率。
附图说明
[0036]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实 施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面 描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不 付出创造性劳动的前提下，还可以根据提供的附图获得本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种欺诈用户检测方法，其特征在于，包括：基于预设特征提取维度对获取到的当前用户日志数据进行分析以提取出当前用户对应的用户特征；所述预设特征提取维度为用于提取能够表征欺诈用户的特征信息的维度；将所述用户特征输入至预设深度自编码器进行编码降维以确定出相应的融合特征；将所述融合特征输入至估计网络进行欺诈估计以得到相应的异常欺诈值；所述估计网络为通过将高斯混合模型中的期望最大化算法替换为多层神经网络结构后得到的网络；基于所述异常欺诈值判断所述当前用户是否为疑似欺诈用户。2.根据权利要求1所述的欺诈用户检测方法，其特征在于，所述基于预设特征提取维度对获取到的当前用户日志数据进行分析以提取出当前用户对应的用户特征，包括：基于预设特征提取维度对获取到的用户信息、用户行为信息以及用户聊天文本内容进行分析以提取出相应的用户信息特征、用户行为特征以及用户文本特征；对所述用户信息特征、所述用户行为特征以及所述用户文本特征进行拼接得到当前用户对应的用户特征。3.根据权利要求1所述的欺诈用户检测方法，其特征在于，所述将所述用户特征输入至预设深度自编码器进行编码降维以确定出相应的融合特征，包括：将所述用户特征输入至预设深度自编码器进行编码降维以得到隐层特征，并对所述隐层特征进行解码重构以得到相应的重构特征；基于所述用户特征和所述重构特征确定出重构误差特征，并基于所述隐层特征和所述重构误差特征确定出相应的融合特征。4.根据权利要求3所述的欺诈用户检测方法，其特征在于，所述基于所述用户特征和所述重构特征确定出重构误差特征，包括：利用预设相似度算法对所述用户特征和所述重构特征进行处理以得到相应的重构误差特征。5.根据权利要求1所述的欺诈用户检测方法，其特征在于，所述将所述融合特征输入至估计网络进行欺诈估计以得到相应的异常欺诈值，包括：将所述融合特征输入至估计网络中的所述多层神经网络结构以得到...

【专利技术属性】
技术研发人员：陈甜甜，
申请(专利权)人：浙江诺诺网络科技有限公司，
类型：发明
国别省市：