【技术实现步骤摘要】
神经网络训练方法、实体信息分类方法、装置及存储介质
[0001]本公开涉及人工智能
，尤其涉及神经网络训练方法、实体信息分类方法、装置、电子设备及存储介质
技术介绍
[0002]随着互联网技术发展，各实体对象之间交互操作产生的操作信息日趋庞大且复杂，操作信息相关群组或数据之间存在错综复杂的关联关系，而利用关联关系进行有效分析，有利于网络安全防控和异常识别，是必不可缺的风控技术手段。
[0003]然而，现有技术中，针对操作信息间隐藏的关联关系并不能高效且准确的识别，导致实体对象之间操作风险无法规避。例如，由于外卡收单业务操作模式的特殊性导致其相应的欺诈风险较高，而通过统计特征的机器学习模型进行线上操作风险的识别，识别效率较低，无法规避虚假资料的干扰，对于伪造正常用户信息的群组欺诈识别能力较差，无法准确识别出隐藏风险。
技术实现思路
[0004]为了解决上述提出的至少一个技术问题，本公开提出了神经网络训练方法、实体信息分类方法、装置及存储介质。
[0005]根据本公开的一方面，提供了一种神经...
【技术保护点】
【技术特征摘要】
1.一种神经网络训练方法，其特征在于，所述方法包括：获取实体数据集，所述实体数据集由至少两个实体信息对应的属性信息构成；基于所述实体数据集构建目标网络图，所述目标网络图包括所述属性信息对应的属性节点和不同属性信息间关联的边，所述边对应的边信息满足预设关联强度条件；基于所述目标网络图和所述实体数据集对所述属性节点进行统计特征提取，得到所述属性节点的初始特征信息；生成所述目标网络图对应的网络图特征；以所述初始特征信息和所述网络图特征作为输入，对初始神经网络进行节点特征提取的约束训练，得到节点特征提取模型，所述节点特征提取模型用于生成所述属性节点的目标特征。2.根据权利要求1所述的方法，其特征在于，所述基于所述目标网络图和所述实体数据集对所述属性节点进行统计特征提取，得到所述属性节点的初始特征信息，包括：基于所述目标网络图进行属性节点的关联特征聚类分析，得到所述属性节点的第一特征信息；基于所述实体数据集对所述目标网络图中的各属性节点进行特征统计处理，得到所述属性节点的第二特征信息；将所述第一特征信息和所述第二特征信息进行特征融合，得到所述属性节点的初始特征信息。3.根据权利要求1或2所述的方法，其特征在于，所述基于所述实体数据集构建目标网络图，包括：基于所述实体数据集构建初始网络图，所述初始网络图中的属性节点对应所述属性信息，所述初始网络图中的边表征所述属性信息间的初始关联关系；构建所述初始网络图对应的第一权重邻接矩阵；基于所述第一权重邻接矩阵确定所述初始网络图中各条边对应的节点等级信息，所述节点等级信息表征所述边对应的两属性节点间的关联程度；基于所述节点等级信息更新所述初始网络图，得到关联网络图；对所述关联网络图进行边关系筛选，得到所述目标网络图。4.根据权利要求3所述的方法，其特征在于，所述对所述关联网络图进行边关系筛选，得到所述目标网络图，包括：构建所述关联网络图对应的第二权重邻接矩阵；基于所述第二权重邻接矩阵确定所述属性节点的矩阵特征；基于所述矩阵特征，确定所述关联网络图中的边对应的两属性节点之间的特征相似度；基于所述特征相似度更新所述关联网络图，得到所述目标网络图。5.根据权利要求4所述的方法，其特征在于，所述基于所述特征相似度更新所述关联网络图，得到所述目标网络图，包括：若所述特征相似度低于预设相似度，确定所述两属性节点之间的边不满足预设关联强度条件；从所述关联网络图中删除不满足所述预设关联强度条件的边，并基于所述特征相似度
更新所述关联网络图的边信息，得到所述目标网络图。6.根据权利要求2所述的方法，其特征在于，所述基于所述目标网络图进行属性节点的关联特征聚类分析，得到所述属性节点的第一特征信息，包括：确定所述目标网络图的属性节点对应的单源最短路径和所述属性节点的节点度；对所述目标网络图进行社团划分，确定所述目标网络图中的属性节点所属的社团，所述社...
【专利技术属性】
技术研发人员：王愚，侯兴翠，王化楠，
申请(专利权)人：连连杭州信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。