一种基于图的异常交互行为检测方法技术

本说明书实施例提供了一种基于图的异常交互行为检测方法。该检测方法通过无监督模型对目标交互行为的参与方的子图进行表示，进而可以根据模型对子图的表示精度确定目标交互行为是否异常。行为是否异常。行为是否异常。

【技术实现步骤摘要】
一种基于图的异常交互行为检测方法


[0001]本说明书涉及信息
，特别涉及一种基于图的异常交互行为检测方法。

技术介绍

[0002]异常交互行为(也可称作负样本)检测已经成为一种迫切需求，例如，在电子商务、信用支付服务等平台需要建立欺诈交易检测机制来保障财产安全，以对欺诈交易的参与者加强管控、终止交易等等。通过机器学习实现异常交互行为检测能够有效提高工作效率，适应大数据场景的需求。然而，针对异常交互行为检测的有监督机器学习存在标签成本过高的问题。
[0003]有鉴于此，亟需提供一种无监督机器学习的异常交互行为检测方案。

技术实现思路

[0004]本说明书实施例之一提供一种基于图的异常交互行为检测方法，其中，交互行为由图的边表示，交互行为的参与方由图的节点表示。所述方法包括：通过嵌入表示模块处理目标交互行为的第一参与方的第一子图的原始表示以及第二参与方的第二子图的原始表示，获得第一子图的第一表示以及第二子图的第一表示，其中，第一子图包括与第一参与方对应节点具有边连接的一个或多个节点，第二子图包括与第二参与方对应节点具本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图的异常交互行为检测方法，其中，交互行为由图的边表示，交互行为的参与方由图的节点表示，所述方法包括：通过嵌入表示模块处理目标交互行为的第一参与方的第一子图的原始表示以及第二参与方的第二子图的原始表示，获得第一子图的第一表示以及第二子图的第一表示；其中，第一子图包括与第一参与方对应节点具有边连接的一个或多个节点，第二子图包括与第二参与方对应节点具有边连接的一个或多个节点；通过编码模块：基于第一子图的第一表示进行一轮或多轮迭代聚合，获得第一子图中各节点的聚合向量表示；以及，基于第二子图的第一表示进行一轮或多轮迭代聚合，获得第二子图中各节点的聚合向量表示；通过解码模块：基于第一子图中各节点的聚合向量表示进行逆向解码，获得第一子图的重构表示；以及，基于第二子图中各节点的聚合向量表示进行逆向解码，获得第二子图的重构表示；基于第一子图的原始表示、第二子图的原始表示、第一子图的重构表示以及第二子图的重构表示确定目标交互行为的模型表示精度；所述目标交互行为的模型表示精度用于确定目标交互行为是否异常；其中，图的表示包括图中各节点的向量表示，嵌入表示模块、编码模块以及解码模块属于经过训练的机器学习模型。2.如权利要求1所述的方法，通过嵌入表示模块获取目标交互行为的第一参与方的第一子图的第一表示以及第二参与方的第二子图的第一表示，包括：通过嵌入表示模块处理第一子图的原始表示中各节点的原始特征向量，得到各节点的嵌入向量表示，进而得到第一子图的第一表示中各节点的向量表示；通过嵌入表示模块处理第二子图的原始表示中各节点的原始特征向量，得到各节点的嵌入向量表示，进而得到第二子图的第一表示中各节点的向量表示。3.如权利要求1所述的方法，图的表示还包括图中各边的向量表示；通过嵌入表示模块获取目标交互行为的第一参与方的第一子图的第一表示以及第二参与方的第二子图的第一表示，还包括：通过嵌入表示模块处理第一子图的原始表示中各边的原始特征向量，得到各边的嵌入向量表示，进而得到第一子图的第一表示中各边的向量表示；通过嵌入表示模块处理第二子图的原始表示中各边的原始特征向量，得到各边的嵌入向量表示，进而得到第二子图的第一表示中各边的向量表示。4.如权利要求1所述的方法，图的表示还包括图中各边的向量表示；通过编码模块：一轮所述迭代聚合中的某一节点的聚合，包括：基于该节点的前聚合向量表示，获取该节点的中间向量表示；前聚合向量表示为前一轮迭代聚合中的聚合向量表示或子图第一表示中该节点的向量表示；对于该节点的每一条边：基于该边上的邻居节点的前聚合向量表示、边的向量表示以及边的时间表示，获取该邻居节点的中间向量表示；基于该节点的中间向量表示以及该邻居节点的中间向量表示，确定该边的权重；基于该节点的各边的权重对各边上的邻居节点的前聚合向量表示进行加权运算，得到该节点在当前轮迭代聚合中的聚合向量表示；
其中，所述子图为所述第一子图或所述第二子图。5.如权利要求4所述的方法，该节点的边的时间表示通过将该边的时间与参考时间的时间间隔映射到d维连续可微向量空间获得；所述基于该节点的前聚合向量表示，获取该节点的中间向量表示，包括：基于该节点的前聚合向量表示以及预设时间表示，获取该节点的中间向量表示；其中，预设时间表示为将0值映射到所述d维连续可微向量空间获得。6.如权利要求4所述的方法，所述编码模块包括注意力网络；所述基于该节点的中间向量表示以及该邻居节点的中间向量表示，确定该边的权重，包括：通过所述注意力网络处理该节点的中间向量表示以及该邻居节点的中间向量表示，得到该边的权重。7.如权利要求1所述的方法，通过解码模块：基于子图中各节点的聚合向量表示进行逆向解码，获得子图的重构表示，包括：通过解码模块处理子图中各节点的聚合向量表示，得到各节点的重构向量表示；子图的重构表示包括子图中各节点的重构向量表示以及子图的重构邻接矩阵；子图的重构邻接矩阵通过将子图的节点聚合表示矩阵及其转置矩阵进行运算得到，子图的节点聚合表示矩阵基于子图中各节点的聚合向量表示得到；其中，所述子图为所述第一子图或所述第二子图。8.如权利要求1所述的方法，图的表示还包括图中节点间边的表示，其中边的表示包括边的向量表示和/或邻接矩阵；目标交互行为的模型表示精度与以下信息中的一种或多种相关：能量信息、第一参与方节点表示差异、第二参与方节点表示差异、第一子图的边表示差异以及第二子图的边表示差异。9.如权利要求8所述的方法，为了获取能量信息，所述基于第一子图的原始表示、第二子图的原始表示、第一子图的重构表示以及第二子图的重构表示确定目标交互行为的模型表示精度，包括：获取第一参与方对应节点的嵌入向量表示、第二参与方对应节点的嵌入向量表示、来自第一子图的重构表示的第一参与方对应节点的重构向量表示以及来自第二子图的重构表示的第二参与方对应节点的重构向量表示，进而获得目标交互行为的模型表示；通过高斯混合模型处理所述模型表示，得到所述能量信息；所述高斯混合模型经过训练。10.如权利要求8所述的方法，第一参与方节点表示差异基于第一参与方对应节点的原始特征向量与重构向量表示的差异确定；第二参与方节点表示差异基于第二参与方对应节点的原始特征向量以及重构向量表示的差异确定；第一子图的边表示差异基于第一子图的邻接矩阵与重构邻接矩阵的差异确定；第二子图的边表示差异基于第二子图的邻接矩阵与重构邻接矩阵的差异确定；其中，第一参与方对应节点的原始特征向量以及第一子图的邻接矩阵来自第一子图的原始表示；第二参与方对应节点的原始特征向量以及第二子图的邻接矩阵来自第二子图的原始表示；第一参与方对应节点的重构向量表示以及第一子图的重构邻接矩阵来自第一子
图的重构表示；第二参与方对应节点的重构向量表示以及第二子图的重构邻接矩阵来自第二子图的重构表示。11.如权利要求1所述的方法，其中，所述交互行为为交易，所述第一参与方和所述第二参与方为买方和卖方；所述第一子图包括第二参与方对应的节点、目标交互行为对应的边、其他卖方对应的节点以及其他交易对应的边，所述第二子图包括第一参与方对应的节点、目标交互行为对应的边、其他买方对应的节点以及其他交易对应的边。12.如权利要求11所述的方法，其中，所述第一子图和所述第二子图从交易图谱中提取；所述交易图谱包括多个买方对应的节点、多个卖方对应的节点以及之间交易对应的边。13.一...

【专利技术属性】
技术研发人员：侯阳阳，王岱鑫，张志强，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：