异常交易账户的识别方法、装置及计算机可读存储介质制造方法及图纸

本申请公开了一种异常交易账户的识别方法、装置及计算机可读存储介质，涉及金融科技领域或其他相关领域。其中，该方法包括：获取资金交易图谱；基于资金交易图谱，生成节点特征集合；将每个节点特征向量输入至预先训练的图注意力网络模型中，得到每个节点所对应的预测结果，其中，预测结果用于表征每个节点所对应的账户是否为资金交易异常账户，图注意力网络模型是基于不同于资金交易图谱的图谱训练得到的。本申请解决了现有的图神经网络模型对于新的异常交易账户预测效率低的技术问题。新的异常交易账户预测效率低的技术问题。新的异常交易账户预测效率低的技术问题。

【技术实现步骤摘要】
异常交易账户的识别方法、装置及计算机可读存储介质


[0001]本申请涉及金融科技领域或其他相关领域，具体而言，涉及一种异常交易账户的识别方法、装置及计算机可读存储介质。

技术介绍

[0002]在金融领域中，资金交易异常行为会严重扰乱正常金融机构运行，危害社会安全，因此，打击资金交易异常行为是维护国家长治久安的重大策略。其中，资金交易异常行为可以理解为是通过各种手段和交易方式掩饰、隐瞒非法犯罪所得收益的来源和性质的过程。
[0003]其中，随着互联网金融行业的快速发展，交易方式和经济活动也变得更加复杂多样，这使得识别资金交易异常行为的工作难度进一步提高。现有技术通常是通过图神经网络模型从多个账户中找到进行了资金交易异常行为的异常交易账户，但是，现有的图神经网络模型擅长处理的是直推式学习任务，即在学习过程中要同时考虑所有的训练数据和测试数据，训练阶段和测试阶段都是在线的。换言之，现有的图神经网络模型在识别异常交易账户时，如果该图神经网络模型是根据训练图谱A训练得到的，则该图神经网络模型只能基于训练图谱A进行预测，并识别训练图谱A中表征异常交易账户的异常节点，但是该图神经网络模型却不能基于其他图谱中的节点进行预测，如果需要对其他图谱的节点进行预测，则只能根据其他图谱构建新的图神经网络模型。
[0004]由此可见，对于不断动态变化的资金交易图谱而言，使用现有的图神经网络模型是无法实时地对新的节点进行预测的，也就是对于新的异常交易账户的预测效率较低。

技术实现思路

[0005]本申请实施例提供了一种异常交易账户的识别方法、装置及计算机可读存储介质，以至少解决现有的图神经网络模型对于新的异常交易账户预测效率低的技术问题。
[0006]根据本申请实施例的一个方面，提供了一种异常交易账户的识别方法，包括：获取资金交易图谱，其中，资金交易图谱由节点和边组成，节点表征与节点所对应的账户的账户数据，两个节点之间的边表征两个节点之间的交易流向；基于资金交易图谱，生成节点特征集合，其中，节点特征集合由至少一个节点特征向量组成，每个节点特征向量与资金交易图谱中的一个节点相对应；将每个节点特征向量输入至预先训练的图注意力网络模型中，得到每个节点所对应的预测结果，其中，预测结果用于表征每个节点所对应的账户是否为资金交易异常账户，图注意力网络模型是基于不同于资金交易图谱的图谱训练得到的。
[0007]进一步地，异常交易账户的识别方法还包括：在将每个节点特征向量输入至预先训练的图注意力网络模型中，得到每个节点所对应的预测结果之前，获取历史交易数据，其中，历史交易数据中至少包括多个异常账户、多个正常账户以及每个账户的账户标签，异常账户的账户标签表征异常账户发生过资金交易异常行为，正常账户的账户标签表征正常账户未发生过资金交易异常行为；根据历史交易数据构建训练图谱；基于训练图谱，生成第一特征集合以及第二特征集合，其中，第一特征集合中包含有多个历史节点特征向量，第二特
征集合中包含有多个历史边特征向量，每个历史节点特征向量对应训练图谱中的一个训练节点，每个历史边特征向量对应训练图谱中的一个训练边；根据第一特征集合以及第二特征集合，训练得到图注意力网络模型。
[0008]进一步地，异常交易账户的识别方法还包括：步骤1：从训练图谱中确定目标边，以及与目标边关联的两个目标节点，其中，目标边为训练图谱中的任意一个训练边；步骤2：从第一特征集合中获取目标节点所对应的第一节点特征向量，从第二特征集合中获取目标边所对应的第一边特征向量；步骤3：对第一节点特征向量以及第一边特征向量进行叠加处理，得到目标边所对应的第二边特征向量；步骤4：对第二边特征向量进行非线性化处理，得到目标边对应的目标边特征向量；步骤5：循环上述步骤1至步骤4，得到训练图谱中的每个训练边所对应的目标边特征向量；步骤6：根据训练图谱中的每个训练边所对应的目标边特征向量，训练得到图注意力网络模型。
[0009]进一步地，异常交易账户的识别方法还包括：基于训练图谱，确定每个训练节点所连接的至少一个第一训练边；确定第一训练边所对应的第一目标边特征向量；确定第一目标边特征向量所对应的注意力系数；基于注意力系数对至少一个第一目标边特征向量进行聚合处理，得到每个训练节点所对应的第二节点特征向量；根据每个训练节点所对应的第二节点特征向量，训练得到图注意力网络模型。
[0010]进一步地，异常交易账户的识别方法还包括：对每个训练节点所对应的第二节点特征向量以及该训练节点所对应的历史节点特征向量进行叠加处理，得到每个训练节点所对应的第三节点特征向量；对第三节点特征向量进行非线性化处理，得到每个训练节点所对应的目标节点特征向量；根据目标节点特征向量以及目标节点特征向量所对应的账户标签，训练得到图注意力网络模型。
[0011]进一步地，异常交易账户的识别方法还包括：获取目标资金交易图谱，其中，目标资金交易图谱中至少包含多个待确认节点以及资金交易图谱中的至少一个异常节点，其中，异常节点对应的账户为资金交易异常账户，多个待确认节点为在资金交易图谱中未出现的节点；基于目标资金交易图谱，构建社交网络模型，其中，在社交网络模型中，两个节点之间的交易金额越大，则两个节点的社交关系权重值越大，两个节点之间的社交关系越紧密。
[0012]进一步地，异常交易账户的识别方法还包括：在基于资金交易图谱，构建社交网络模型之后，在多个待确认节点中确定与异常节点发生过资金交易行为的交易节点；根据异常节点与交易节点在社交网络模型中的社交关系权重值，确定交易节点与异常节点之间的相似度；在相似度大于预设相似度的情况下，确定交易节点为候选节点，其中，候选节点为存在资金交易风险的节点。
[0013]进一步地，异常交易账户的识别方法还包括：在确定交易节点为候选节点之后，从节点特征集合中确定异常节点所对应的第四节点特征向量；基于目标资金交易图谱生成候选节点所对应的第五节点特征向量；确定第四节点特征向量与第五节点特征向量之间的协方差以及方差；根据协方差以及方差确定候选节点与异常节点之间的相关系数；在相关系数大于预设阈值时，确定候选节点为新的异常节点，候选节点所对应的账户也为资金交易异常账户。
[0014]根据本申请实施例的另一方面，还提供了一种异常交易账户的识别装置，包括：获
取模块，用于获取资金交易图谱，其中，资金交易图谱由节点和边组成，节点表征与节点所对应的账户的账户数据，两个节点之间的边表征两个节点之间的交易流向；生成模块，用于基于资金交易图谱，生成节点特征集合，其中，节点特征集合由至少一个节点特征向量组成，每个节点特征向量与资金交易图谱中的一个节点相对应；输入模块，用于将每个节点特征向量输入至预先训练的图注意力网络模型中，得到每个节点所对应的预测结果，其中，预测结果用于表征每个节点所对应的账户是否为资金交易异常账户，图注意力网络模型是基于不同于资金交易图谱的图谱训练得到的。
[0015]根据本申请实施例的另一方面，还提供了一种计算机可读存储介质，该计算机可读存储介质中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种异常交易账户的识别方法，其特征在于，包括：获取资金交易图谱，其中，所述资金交易图谱由节点和边组成，所述节点表征与所述节点所对应的账户的账户数据，两个节点之间的边表征所述两个节点之间的交易流向；基于所述资金交易图谱，生成节点特征集合，其中，所述节点特征集合由至少一个节点特征向量组成，每个节点特征向量与所述资金交易图谱中的一个节点相对应；将所述每个节点特征向量输入至预先训练的图注意力网络模型中，得到每个节点所对应的预测结果，其中，所述预测结果用于表征所述每个节点所对应的账户是否为资金交易异常账户，所述图注意力网络模型是基于不同于所述资金交易图谱的图谱训练得到的。2.根据权利要求1所述的方法，其特征在于，在将所述每个节点特征向量输入至预先训练的图注意力网络模型中，得到每个节点所对应的预测结果之前，所述方法还包括：获取历史交易数据，其中，所述历史交易数据中至少包括多个异常账户、多个正常账户以及每个账户的账户标签，所述异常账户的账户标签表征所述异常账户发生过资金交易异常行为，所述正常账户的账户标签表征所述正常账户未发生过所述资金交易异常行为；根据所述历史交易数据构建训练图谱；基于所述训练图谱，生成第一特征集合以及第二特征集合，其中，所述第一特征集合中包含有多个历史节点特征向量，所述第二特征集合中包含有多个历史边特征向量，每个历史节点特征向量对应所述训练图谱中的一个训练节点，每个历史边特征向量对应所述训练图谱中的一个训练边；根据所述第一特征集合以及所述第二特征集合，训练得到所述图注意力网络模型。3.根据权利要求2所述的方法，其特征在于，根据所述第一特征集合以及所述第二特征集合，训练得到所述图注意力网络模型，包括：步骤1：从所述训练图谱中确定目标边，以及与所述目标边关联的两个目标节点，其中，所述目标边为所述训练图谱中的任意一个所述训练边；步骤2：从所述第一特征集合中获取所述目标节点所对应的第一节点特征向量，从所述第二特征集合中获取所述目标边所对应的第一边特征向量；步骤3：对所述第一节点特征向量以及所述第一边特征向量进行叠加处理，得到所述目标边所对应的第二边特征向量；步骤4：对所述第二边特征向量进行非线性化处理，得到所述目标边对应的目标边特征向量；步骤5：循环上述步骤1至步骤4，得到所述训练图谱中的每个训练边所对应的目标边特征向量；步骤6：根据所述训练图谱中的每个训练边所对应的目标边特征向量，训练得到所述图注意力网络模型。4.根据权利要求3所述的方法，其特征在于，根据所述训练图谱中的每个训练边所对应的目标特征向量，训练得到所述图注意力网络模型，包括：基于所述训练图谱，确定每个训练节点所连接的至少一个第一训练边；确定所述第一训练边所对应的第一目标边特征向量；确定所述第一目标边特征向量所对应的注意力系数；基于所述注意力系数对至少一个所述第一目标边特征向量进行聚合处理，得到所述每
个训练节点所对应的第二节点特征向量；根据所述每个训练节点所对应的第二节点特征向量，训练得到所述图注意力网络模型。5.根据权利要求4所述的方法，其特征在于，根据所述每个训练节点所对应的第二节点特征向量，训练得到所述图注意力网络模型，包括：对所述每个训练节点所对应的第二节点特征向量以及该训练节点所对...

【专利技术属性】
技术研发人员：唐旻俊，池纪锋，吴垠，高玉森，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：