【技术实现步骤摘要】
交易平台中节点属性信息检测模型的训练方法和训练装置
[0001]本专利技术涉及人工智能
，尤其涉及一种交易平台中节点属性信息检测模型的训练方法和训练装置。
技术介绍
[0002]随着互联网技术的发展，网购以及网络交易为人们生活提供了便利，使得各种网络交易平台也纷纷涌现出来。
[0003]由于网络交易平台中用户对交易者的身份无法确定，因此，目前网络交易平台中存在部分交易欺诈行为，例如，有部分异常用户冒充正常用户进行网络交易，异常用户模仿正常用户来隐蔽他们自身的属性信息，异常用户会更频繁地与正常用户联系，使得交易者对正常用户和异常用户无法区别，因此需要将网络交易平台中的异常用户检测出来，以进行进一步的处理。现有技术中，对网络交易平台中用户身份进行检测时，通常将网络交易平台当作一个图网络，网络交易平台中的用户可以当作一个节点，则节点属性则表示用户属性。
[0004]现有技术中检测交易平台中的用户异常用户时，通常通过大数据分析以及结合人工分析，来确定网络交易平台中某个节点的属性信息，但是采用大数据分析以及结合人...
【技术保护点】
【技术特征摘要】
1.一种交易平台中节点属性信息检测模型的训练方法，其特征在于，包括：获取交易平台的图网络数据；选取所述图网络数据中部分节点作为样本节点，对所述各样本节点的真实属性信息进行标注；所述节点的属性信息包括异常节点，或者正常节点；将所述图网络数据输入到初始节点属性信息检测模型中，得到所述各样本节点对应的预测属性信息；根据所述样本节点的真实属性信息和预测属性信息对所述初始节点属性信息检测模型的模型参数进行更新，以得到训练后的节点属性信息检测模型。2.根据权利要求1所述的交易平台中节点属性信息检测模型的训练方法，其特征在于，所述初始节点属性信息检测模型包括：解耦网络、第一多层感知机网络、第二多层感知机网络、特征融合网络和线性分类网络；所述将所述图网络数据输入到初始节点属性信息检测模型中，得到所述各样本节点对应的预测属性信息，包括：将所述图网络数据输入到所述解耦网络中，得到所述图网络数据对应的拓扑视图数据和属性视图数据；将所述拓扑视图数据输入到所述第一多层感知机网络中，将所述属性视图数据输入到所述第二多层感知机网络中，所述第一多层感知机网络和第二多层感知机网络分别用于对所述拓扑视图数据和属性视图数据进行降维处理，得到所述拓扑视图数据对应的拓扑特征图和属性视图数据对应的属性特征图；将所述拓扑特征图和属性特征图输入到所述特征融合网络，得到所述融合特征信息；将所述融合特征信息输入到所述线性分类网络模型，得到所述各样本节点对应的预测属性信息。3.根据权利要求2所述的交易平台中节点属性信息检测模型的训练方法，其特征在于，所述初始节点属性信息检测模型还包括：第一最大化处理模块、第二最大化处理模块和最小化处理模块；所述将所述图网络数据输入到初始节点属性信息检测模型中，得到所述各样本节点对应的预测属性信息还包括：将所述拓扑视图数据和拓扑特征图输入到所述第一最大化处理模块中，得到对应的拓扑特征信息；将所述属性视图数据和属性特征图输入到所述第二最大化处理模块中，得到对应的属性特征信息；将所述拓扑特征图和属性特征图输入到所述最小化处理模块中，得到融合语义信息；将所述拓扑特征信息、属性特征信息以及融合语义信息输入到所述特征融合网络，得到所述融合特征信息。4.根据权利要求1
‑
3任一项所述的交易平台中节点属性信息检测模型的训练方法，其特征在于，所述初始节点属性信息检测模型的损失函数为以下公式(1)：其中，公式(2)中，v
i
表示第i个样本节点，表示所述样本节点集合，y
i
表示第i个节点
的真实标签，σ表示非线性激活函数，W
′
表示线性分类网络的权重矩阵，表示学习到的第i个节点的特征，b
′
表示所述线性分类网络的偏置向量；表示所述线性分类网络的偏置向量；公式(3)和(4)中，x1表示所述拓扑特征信息的索引，x2表示所述属性特征信息的索引，z1表示所述拓扑特征图，z2表示所述属性特征图；q(x
i
|z
i
)表示x
i
和z
i
条件分布下的变分估计，p(z1，x2)表示z1和x2的联合概率分布，E表示期望，r(z1)表示z1的边缘分布，r(z2)表示z2的边缘分布，表示在x2的特征空间中，z2在x2条件下的概率分布；表示在x1的特征空间中，z1在x
21
条件下的概率分...
【专利技术属性】
技术研发人员：吴书，刘强，李志勋，
申请(专利权)人：中国科学院自动化研究所，
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。