一种数据处理方法、计算机设备以及可读存储介质技术

本发明专利技术公开了一种数据处理方法、装置、计算机设备以及可读存储介质，该方法包括：获取业务请求对应的目标业务属性数据，以目标业务属性数据和用户社交群中的关联用户的关联业务属性数据为属性节点，分别构建属性同构图和属性异构图；通过风控检测模型对属性同构图进行社区发现处理，得到针对业务请求的属性标签；通过风控检测模型分别对属性同构图和属性异构图进行节点序列采样，根据采样得到的属性节点序列，生成目标业务属性数据对应的属性节点的图关联特征向量；通过风控检测模型对属性标签、图关联特征向量以及目标业务属性数据对应的行为特征进行风险预测处理，得到目标风险预测结果。可以提高对作弊流量的检测准确率。可以提高对作弊流量的检测准确率。可以提高对作弊流量的检测准确率。

【技术实现步骤摘要】
一种数据处理方法、计算机设备以及可读存储介质


[0001]本申请涉及计算机
，尤其涉及一种数据处理方法、计算机设备以及可读存储介质。

技术介绍

[0002]在流量风控行业，作弊流量充斥着广告、零售、电商、出行等多个行业，比如，虚假曝光点击量、虚假安装激活量、虚假注册登录量等等，每年会造成上百亿的业务费用损失。
[0003]现有技术通常依靠人工经验从海量业务数据中确定出作弊流量，然后对作弊流量的来源进行识别分析，对产生作弊流量的恶意资源和恶意手段进行标注，后续对于标注过的恶意资源或者恶意手段产生的流量，可以快速进行识别。但是黑产从业人员产生作弊流量的资源和手段众多，加之为了抵抗流量风控，产生作弊流量的资源和手段不停的在发生演变。人工标注的效率较低，跟不上黑产人员演变的速度，导致对作弊流量的检测覆盖率不足，使得作弊流量容易绕开风控，检测准确率降低，给业务侧带来损失。

技术实现思路

[0004]本申请实施例提供一种数据处理方法、计算机设备以及可读存储介质，可以提高对作弊流量的检测覆盖率和检测准确率。<br/>[0005]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据处理方法，其特征在于，包括：获取由目标用户所发起的业务请求，通过决策引擎在模型部署平台中的模型库中，获取与所述业务请求具有关联关系的风控检测模型；获取所述业务请求对应的目标业务属性数据，获取所述目标用户的用户社交群，以所述目标业务属性数据和所述用户社交群中的关联用户的关联业务属性数据为属性节点，分别构建属性同构图和属性异构图；通过所述风控检测模型对所述属性同构图进行社区发现处理，得到针对所述业务请求的属性标签；通过所述风控检测模型分别对所述属性同构图和所述属性异构图进行节点序列采样，根据采样得到的属性节点序列，生成所述目标业务属性数据对应的属性节点的图关联特征向量；通过所述风控检测模型对所述属性标签、图关联特征向量以及所述目标业务属性数据对应的行为特征进行风险预测处理，得到目标风险预测结果；通过所述决策引擎对所述业务请求进行与所述目标风险预测结果相关联的反作弊处理。2.根据权利要求1所述的方法，其特征在于，所述以所述目标业务属性数据和所述用户社交群中的关联用户的关联业务属性数据为属性节点，分别构建属性同构图和属性异构图，包括：以所述目标业务属性数据和所述用户社交群中的关联用户的关联业务属性数据为属性节点；所述属性节点的数量为至少两个；在至少两个所述属性节点中，获取属性类型相同的属性节点，作为同构属性节点；根据所述同构属性节点之间的共性信息，确定所述同构属性节点之间的第一边权重；根据所述同构属性节点和所述第一边权重，构建属性同构图；根据至少两个所述属性节点中两个属性节点之间的连接关系，构建包含至少两个所述属性节点的属性异构图。3.根据权利要求1所述的方法，其特征在于，所述通过所述风控检测模型对所述属性同构图进行社区发现处理，得到针对所述业务请求的属性标签，包括：在所述风控检测模型中，根据所述属性同构图的模块度对所述属性同构图中的属性节点进行划分处理，得到属性节点社区；确定所述目标业务属性数据对应的属性节点所属的属性节点社区，作为目标属性节点社区；将所述目标属性节点社区的社区属性标签，作为针对所述业务请求的属性标签。4.根据权利要求3所述的方法，其特征在于，所述在所述风控检测模型中，根据所述属性同构图的模块度对所述属性同构图中的属性节点进行划分处理，得到属性节点社区，包括：在所述风控检测模型中，将所述属性同构图中的属性节点分别划分进初始属性节点社区；将所述属性同构图中的属性节点T
i
转移到邻居属性节点所在的初始属性节点社区，得到转移属性节点社区；所述邻居节点与所述属性同构图中的属性节点T
i
具有连接关系；i为
小于或等于所述属性同构图中的属性节点总数量的正整数；基于所述初始属性节点社区和所述转移属性节点社区确定模块度变化值；若所述模块度变化值满足社区聚集条件，将所述转移属性节点社区作为重构属性节点，得到重构属性同构图；若所述重构属性同构图和所述属性同构图的社区结构相同，则将所述转移属性节点社区，作为属性节点社区；若所述重构属性同构图和所述属性同构图的社区结构不相同，则继续对所述重构属性同构图中的重构属性节点进行转移处理。5.根据权利要求1所述的方法，其特征在于，所述通过所述风控检测模型分别对所述属性同构图和所述属性异构图进行节点序列采样，根据采样得到的属性节点序列，生成所述目标业务属性数据对应的属性节点对应的图关联特征向量，包括：通过所述风控检测模型对所述属性同构图进行随机游走，对随机游走路径上的属性节点进行采样，得到同构属性节点序列；根据所述同构属性节点序列，生成所述目标业务属性数据对应的属性节点的同构图特征向量；通过所述风控检测模型对所述属性异构图进行随机游走，对随机游走路径上的属性节点进行采样，得到异构属性节点序列；根据所述异构属性节点序列，生成所述目标业务属性数据对应的属性节点的异构图特征向量；对所述同构图特征向量和所述异构图特征向量进行拼接处理，得到所述目标业务属性数据对应的属性节点的图关联特征向量。6.根据权利要求1所述的方法，其特征在于，所述目标风险预测结果包括目标风险值和目标风险类型标签；所述通过所述风控检测模型对所述属性标签、图关联特征向量以及所述目标业务属性数据对应的行为特征进行风险预测处理，得到目标风险预测结果，包括：将所述属性标签、图关联特征向量以及所述目标业务属性数据对应的行为特征进行特征拼接，得到目标特征向量；将所述目标特征向量输入所述风险预测模型的分类层，通过所述分类层确定所述目标特征向量在至少两个候选风险类型标签中每个候选风险类型标签下的风险概率；根据所述每个候选风险类型标签分别对应的风险概率生成针对所述业务请求的目标风险值，在所述每个候选风险类型标签分别对应的风险概率中，将最大风险概率对应的候选风险类型标签确定为所述目标风险类型标签。7.根据权利要求6所述的方法，其特征在于，所述通过所述决策引擎根据所述目标风险预测结果对所述业务请求进行反作弊处理，包括：...

【专利技术属性】
技术研发人员：余意，
申请(专利权)人：腾讯云计算北京有限责任公司，
类型：发明
国别省市：