异常账户识别模型训练方法、装置、设备及介质制造方法及图纸

本申请提供一种异常账户识别模型训练方法、装置、设备及介质。该方法包括：获取目标业务场景的训练样本及类别标签；将目标业务场景的训练样本及类别标签输入初始化参数后的异常账户识别模型中，以对初始化参数后的异常账户识别模型进行训练，并获得目标异常账户识别模型；初始化参数后的异常账户识别模型为采用MAML算法确定的，多个业务场景对应的初始化参数后的异常账户识别模型是一致的。MAML算法利用了不同业务场景下的违法行为交易共通的典型特征确定初始化参数后的异常账户识别模型，因此仅需要少量训练样本及类别标签、以及很少的迭代次数对初始化参数后的异常账户识别模型进行训练就可以得到目标异常账户识别模型。型进行训练就可以得到目标异常账户识别模型。型进行训练就可以得到目标异常账户识别模型。

【技术实现步骤摘要】
异常账户识别模型训练方法、装置、设备及介质


[0001]本申请涉及人工智能领域，尤其涉及一种异常账户识别模型训练方法、装置、设备及介质。

技术介绍

[0002]随着移动互联网的发展，各种银行客户端不断出现，也为银行账户的安全带来隐患。如利用银行账户进行违法的行为层出不穷。因此需要对可能涉及违法行为的交易账户予以识别。
[0003]目前通常结合业务场景制定违法行为模型规则，再依托大数据平台进行批量交易数据监控，检查交易的相关字段，根据交易的相关字段及违法行为模型规则筛选出涉嫌违法行为的可疑交易。
[0004]但是，针对每个业务场景都需要完全重新设计违法行为模型规则，无法利用不同业务场景下的违法行为交易共通的典型特征；并且由于检测依赖模型规则的设计，而人工设计的规则有限且可能存在漏洞，导致可疑交易检测的准确率较低。

技术实现思路

[0005]本申请提供一种异常账户识别模型训练方法、装置、设备及介质，用以解决现有模型规则无法利用不同业务场景下的违法行为交易共通的典型特征，并且可疑交易检测的准确率较低的问题。
[0006]第一方面，本申请提供一种异常账户识别模型训练方法，包括：
[0007]获取目标业务场景的训练样本及类别标签；所述训练样本包括目标业务场景下历史账户的历史特征数据；所述历史特征数据包括：属性特征值及历史行为特征值；
[0008]将目标业务场景的训练样本及类别标签输入初始化参数后的异常账户识别模型中，以对初始化参数后的异常账户识别模型进行训练，并获得目标异常账户识别模型，所述目标异常账户识别模型用于目标业务场景中对目标账户进行是否异常的识别；所述初始化参数后的异常账户识别模型为采用模型无关元学习MAML算法确定的，多个业务场景对应的初始化参数后的异常账户识别模型是一致的。
[0009]第二方面，本申请提供一种异常账户识别方法，包括：
[0010]获取目标账户在目标业务场景下的当前特征数据；所述当前特征数据包括：目标账户的当前属性特征值及当前行为特征值；
[0011]将当前特征数据输入目标异常账户识别模型中对所述当前特征数据进行分类，以识别目标账户的交易行为是否异常；所述目标异常账户识别模型是采用第一方面所述的异常账户识别模型训练方法对初始化参数后的异常账户识别模型进行训练获得的。
[0012]第三方面，本申请提供一种异常账户识别模型训练装置，包括：
[0013]获取模块，用于获取目标业务场景的训练样本及类别标签；所述训练样本包括目标业务场景下历史账户的历史特征数据；所述历史特征数据包括：属性特征值及历史行为
特征值；
[0014]训练模块，用于将目标业务场景的训练样本及类别标签输入初始化参数后的异常账户识别模型中，以对初始化参数后的异常账户识别模型进行训练，并获得目标异常账户识别模型，所述目标异常账户识别模型用于目标业务场景中对目标账户进行是否异常的识别；所述初始化参数后的异常账户识别模型为采用模型无关元学习MAML算法确定的，多个业务场景对应的初始化参数后的异常账户识别模型是一致的。
[0015]第四方面，本申请提供一种异常账户识别装置，包括：
[0016]获取模块，用于获取目标账户在目标业务场景下的当前特征数据；所述当前特征数据包括：目标账户的当前属性特征值及当前行为特征值；
[0017]分类模块，用于将当前特征数据输入目标异常账户识别模型中对所述当前特征数据进行分类，以识别目标账户的交易行为是否异常；所述目标异常账户识别模型是采用如第一方面所述的异常账户识别模型训练方法对初始化参数后的异常账户识别模型进行训练获得的。
[0018]第五方面，本申请提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；
[0019]所述处理器及所述存储器之间电路互连；
[0020]所述存储器存储计算机执行指令；
[0021]所述处理器执行所述存储器存储的计算机执行指令，以实现上述第一方面所述的异常账户识别模型训练方法或第二方面所述的异常账户识别方法。
[0022]第六方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现上述第一方面所述的异常账户识别模型训练方法或第二方面所述的异常账户识别方法。
[0023]本申请提供的异常账户识别模型训练方法、装置、设备及介质，获取目标业务场景的训练样本及类别标签；所述训练样本包括目标业务场景下历史账户的历史特征数据；所述历史特征数据包括：属性特征值及历史行为特征值；将目标业务场景的训练样本及类别标签输入初始化参数后的异常账户识别模型中，以对初始化参数后的异常账户识别模型进行训练，并获得目标异常账户识别模型，所述目标异常账户识别模型用于目标业务场景中对目标账户进行是否异常的识别；所述初始化参数后的异常账户识别模型为采用模型无关元学习MAML算法确定的，多个业务场景对应的初始化参数后的异常账户识别模型是一致的。由于采用模型无关元学习MAML算法利用了不同业务场景下的违法行为交易共通的典型特征，使初始化参数后的异常账户识别模型中的参数具有足够强的适应能力。因此仅需要少量目标业务场景的训练样本及类别标签、以及非常少的迭代次数对初始化参数后的异常账户识别模型中的参数稍加矫正就可以得到目标异常账户识别模型。
附图说明
[0024]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
[0025]图1为本申请实施例一提供的异常账户识别模型训练方法流程图；
[0026]图2为本申请实施例二提供的异常账户识别模型训练方法流程图；
[0027]图3为本申请实施例提供的历史数据集分配示意图；
[0028]图4为本申请实施例提供的异常账户识别模型训练方法示意图；
[0029]图5为本申请实施例三提供的异常账户识别方法流程图；
[0030]图6为本申请实施例四提供的异常账户识别模型训练装置的结构示意图；
[0031]图7为本申请实施例四提供的异常账户识别装置的结构示意图；
[0032]图8为本申请实施例五提供的电子设备的结构示意图。
[0033]通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
[0034]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
[0035]术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种异常账户识别模型训练方法，其特征在于，包括：获取目标业务场景的训练样本及类别标签；所述训练样本包括目标业务场景下历史账户的历史特征数据；所述历史特征数据包括：属性特征值及历史行为特征值；将目标业务场景的训练样本及类别标签输入初始化参数后的异常账户识别模型中，以对初始化参数后的异常账户识别模型进行训练，并获得目标异常账户识别模型，所述目标异常账户识别模型用于目标业务场景中对目标账户进行是否异常的识别；所述初始化参数后的异常账户识别模型为采用模型无关元学习MAML算法确定的，多个业务场景对应的初始化参数后的异常账户识别模型是一致的。2.根据权利要求1所述的方法，其特征在于，采用模型无关元学习MAML算法确定初始化参数后的异常账户识别模型，包括：获取多个业务场景下的历史交易数据集；所述历史交易数据集中包括多个业务场景对应的交易数据样本及类别标签；所述交易数据样本包括对应业务场景下账户的历史特征数据；采用模型无关元学习MAML算法根据所述历史交易数据集初始化所述异常账户识别模型中的参数，以获取初始化参数后的异常账户识别模型。3.根据权利要求2所述的方法，其特征在于，所述采用模型无关元学习MAML算法根据所述历史交易数据集初始化所述异常账户识别模型中的参数，以获取初始化参数后的异常账户识别模型，包括：将所述历史交易数据集分为训练数据集及测试数据集；采用MAML算法的内循环部分根据所述训练数据集获取多个业务场景对应的适应性参数；采用MAML算法的外循环部分根据所述测试数据集及所述多个业务场景对应的适应性参数确定异常账户识别模型的共享初始化参数；将所述异常账户识别模型中的参数初始化为共享初始化参数。4.根据权利要求1所述的方法，其特征在于，所述获取目标业务场景的训练样本及类别标签，包括：从目标业务场景对应的数据库中获取多个历史账户在预设天数内的交易数据、对应的账户特征及类别标签；所述多个账户中包括类别标签为异常的账户；提取各历史账户对应交易数据的数据特征，以获取目标业务场景下多个历史账户的历史行为特征值；对各历史账户对应的账户特征进行定量化处理，以获取目标业务场景下多个历史账户的属性特征值；将各历史账户对应的历史行为特征值及属性特征值确定为各训练样本，并将各历史账户对应的类别标签确定为对应训练样本的类别标签。5.根据权利要求1
‑
4任一项所述的方法，其特征在于，所述初始化参数后的异常账户识别模型为初始化参数后的深度神经网络DNN模型；所述将目标业务场景的训练样本及类别标签输入初始化参数后的异常账户识别模型中，以对初始化参数后的异常账户识别模型进行训练，并获得目标异...

【专利技术属性】
技术研发人员：李玥，
申请(专利权)人：中国农业银行股份有限公司，
类型：发明
国别省市：