本申请提供的一种分类方法、分类模型训练方法、设备及介质，涉及人工智能技术领域。该方法包括：获取目标对象的图结构，在得到图结构后，确定N个节点中每个节点的初始特征数据以及每个节点的邻阶矩阵数据，并对N个节点中每个节点的初始特征数据以及每个节点的邻阶矩阵数据进行节点重要性评估，得到K个节点，在筛选出K个节点后，对K个节点进行分类，进而确定出目标对象的类别。采用本技术方案，能够避免由于模型初始参数的随机性导致的分类不准确的问题，用上述节点的类别作为目标对象的类别，若节点所代表的用户具备欺诈属性，则该团队具备欺诈属性，这样可以实现对欺诈团队的预警，进而提升金融安全性。进而提升金融安全性。进而提升金融安全性。
【技术实现步骤摘要】
分类方法、分类模型训练方法、设备及介质
[0001]本申请涉及人工智能
，尤其涉及一种分类方法、分类模型训练方法、设备及介质。
技术介绍
[0002]目前，金融欺诈基本都是通过团伙有组织地进行。因此，越来越多的金融公司采用关系网络进行反欺诈检测。关系网络指的是一种基于图的数据结构，由节点和边组成。图的结构不是一个连通的结构，而是由一个个孤立的团体组成的网络，每个团体可以认为是一个图的数据结构。
[0003]目前，根据图的数据结构识别欺诈团队的准确率比较低，导致无法真正确定出欺诈团体。
[0004]因此，亟需一种分类方法、分类模型训练方法，能够改善上述情况，进而能够准确地识别出欺诈团体，提升金融安全性。
技术实现思路
[0005]本申请提供一种分类方法、分类模型训练方法、设备及介质，能够准确地识别出欺诈团体，提升金融安全性。
[0006]第一方面，本申请提供一种分类方法，所述方法包括：
[0007]获取目标对象的图结构，所述目标对象为注册预设账户信息时用户的地理位置在预设范围内的N个用户，所述图结构包括N个节点；每个节点表征注册预设账户信息的一个用户；
[0008]根据所述图结构，确定所述N个节点中每个节点的初始特征数据以及所述每个节点的邻阶矩阵数据；
[0009]对所述N个节点中每个节点的初始特征数据以及所述每个节点的邻阶矩阵数据进行节点重要性评估，得到K个节点；其中，所述K个节点为基于每个节点的重要性分数从N个节点中筛选重要性分数满足预设阈值的节点；
[0010]对所述K个节点进行分类，得到所述目标对象的类别；其中，所述目标对象的类别表征所述目标对象的属性信息，其中，N为正整数，K为小于N的正整数。
[0011]在一个示例中，所述对所述N个节点中每个节点的初始特征数据以及所述每个节点的邻阶矩阵数据进行节点重要性评估，得到K个节点，包括：
[0012]将所述每个节点的初始特征数据以及所述每个节点的邻阶矩阵数据输入至分类模型中的图卷积层进行特征提取，确定所述每个节点的目标特征向量；
[0013]将所述N个节点的目标特征向量输入至所述分类模型中的图池化层进行节点重要性评估，得到K个节点。
[0014]在一个示例中，所述将所述N个节点的目标特征向量输入至所述分类模型中的图池化层进行节点重要性评估，得到K个节点，包括：
[0015]基于所述分类模型中的图池化层，对所述每个节点的目标特征向量进行预设维度的投影计算，得到所述每个节点的投影数值；其中，所述预设维度是由所述分类模型中的图池化层的参数值确定的；
[0016]对所述每个节点的投影数值进行幂次函数处理，得到所述每个节点的重要性分数；
[0017]基于所述每个节点的重要性分数，得到K个节点。
[0018]在一个示例中，所述对所述每个节点的投影数值进行幂次函数处理，得到所述每个节点的重要性分数，包括：
[0019]对所述每个节点的投影数值进行二次幂函数的处理，得到第一处理结果；
[0020]对所述每个节点的投影数值进行三次幂函数的处理，得到第二处理结果；
[0021]根据所述投影数值、所述第一处理结果和所述第二处理结果，得到所述每个节点的重要性分数。
[0022]在一个示例中，所述对所述K个节点进行分类，得到所述目标对象的类别，包括：
[0023]根据所述K个节点的目标特征向量，确定所述K个节点的平均目标特征向量以及所述K个节点的最大目标特征向量；
[0024]基于所述分类模型的多层感知机，对所述K个节点的平均目标特征向量以及所述K个节点的最大目标特征向量进行处理，得到所述目标对象的类别。
[0025]第二方面，本申请提供一种分类模型训练方法，所述方法包括：
[0026]获取训练对象的图结构和所述训练对象的类别；其中，所述训练对象为注册预设账户信息时用户的地理位置在预设范围内的N个用户；所述图结构包括N个节点；每个节点表征注册预设账户信息的一个用户；所述训练对象的类别表征所述训练对象的属性信息，其中，N为正整数，K为小于N的正整数；
[0027]根据所述图结构，确定所述N个节点中每个节点的初始特征数据以及所述每个节点的邻阶矩阵数据；
[0028]对所述N个节点中每个节点的初始特征数据以及所述每个节点的邻阶矩阵数据进行节点重要性评估，得到K个节点；其中，所述K个节点为基于每个节点的重要性分数从N个节点中筛选重要性分数满足预设阈值的节点；
[0029]对所述K个节点进行分类，得到所述训练对象的预测类别；
[0030]根据所述训练对象的类别和所述训练对象的预测类别，训练初始模型，以得到分类模型；其中，所述分类模型用于对所述目标对象的图结构进行分类，以确定所述目标对象的类别。
[0031]在一个示例中，所述对所述N个节点中每个节点的初始特征数据以及所述每个节点的邻阶矩阵数据进行节点重要性评估，得到K个节点，包括：
[0032]将所述每个节点的初始特征数据以及所述每个节点的邻阶矩阵数据输入至初始模型中的图卷积层进行特征提取，确定所述每个节点的目标特征向量；
[0033]将所述N个节点的目标特征向量输入至所述初始模型中的图池化层进行节点重要性评估，得到K个节点。
[0034]在一个示例中，所述将所述N个节点的目标特征向量输入至所述初始模型中的图池化层进行节点重要性评估，得到K个节点，包括：
[0035]基于所述初始模型中的图池化层，对所述每个节点的目标特征向量进行预设维度的投影计算，得到所述每个节点的投影数值；其中，所述预设维度是由所述初始模型中的图池化层的参数值确定的；
[0036]对所述每个节点的投影数值进行幂次函数处理，得到所述每个节点的重要性分数；
[0037]基于所述每个节点的重要性分数，得到K个节点。
[0038]第三方面，本申请提供一种分类装置，所述装置包括：
[0039]第一获取单元，用于获取目标对象的图结构，所述目标对象为注册预设账户信息时用户的地理位置在预设范围内的N个用户，所述图结构包括N个节点；每个节点表征注册预设账户信息的一个用户；
[0040]第一确定单元，用于根据所述图结构，确定所述N个节点中每个节点的初始特征数据以及所述每个节点的邻阶矩阵数据；
[0041]第一重要性评估单元，用于对所述N个节点中每个节点的初始特征数据以及所述每个节点的邻阶矩阵数据进行节点重要性评估，得到K个节点；其中，所述K个节点为基于每个节点的重要性分数从N个节点中筛选重要性分数满足预设阈值的节点；
[0042]第一分类单元，用于对所述K个节点进行分类，得到所述目标对象的类别；其中，所述目标对象的类别表征所述目标对象的属性信息，其中，N为正整数，K为小于N的正整数。
[0043]第四方面，本申请提供一种分类模型训练装置，所述装置包括：
[0044]第二获取单元，用于获取训练本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种分类方法，其特征在于，所述方法包括：获取目标对象的图结构，所述目标对象为注册预设账户信息时用户的地理位置在预设范围内的N个用户，所述图结构包括N个节点；每个节点表征注册预设账户信息的一个用户；根据所述图结构，确定所述N个节点中每个节点的初始特征数据以及所述每个节点的邻阶矩阵数据；对所述N个节点中每个节点的初始特征数据以及所述每个节点的邻阶矩阵数据进行节点重要性评估，得到K个节点；其中，所述K个节点为基于每个节点的重要性分数从N个节点中筛选重要性分数满足预设阈值的节点；对所述K个节点进行分类，得到所述目标对象的类别；其中，所述目标对象的类别表征所述目标对象的属性信息，其中，N为正整数，K为小于N的正整数。2.根据权利要求1所述的方法，其特征在于，所述对所述N个节点中每个节点的初始特征数据以及所述每个节点的邻阶矩阵数据进行节点重要性评估，得到K个节点，包括：将所述每个节点的初始特征数据以及所述每个节点的邻阶矩阵数据输入至分类模型中的图卷积层进行特征提取，确定所述每个节点的目标特征向量；将所述N个节点的目标特征向量输入至所述分类模型中的图池化层进行节点重要性评估，得到K个节点。3.根据权利要求2所述的方法，其特征在于，所述将所述N个节点的目标特征向量输入至所述分类模型中的图池化层进行节点重要性评估，得到K个节点，包括：基于所述分类模型中的图池化层，对所述每个节点的目标特征向量进行预设维度的投影计算，得到所述每个节点的投影数值；其中，所述预设维度是由所述分类模型中的图池化层的参数值确定的；对所述每个节点的投影数值进行幂次函数处理，得到所述每个节点的重要性分数；基于所述每个节点的重要性分数，得到K个节点。4.根据权利要求3所述的方法，其特征在于，所述对所述每个节点的投影数值进行幂次函数处理，得到所述每个节点的重要性分数，包括：对所述每个节点的投影数值进行二次幂函数的处理，得到第一处理结果；对所述每个节点的投影数值进行三次幂函数的处理，得到第二处理结果；根据所述投影数值、所述第一处理结果和所述第二处理结果，得到所述每个节点的重要性分数。5.根据权利要求2所述的方法，其特征在于，所述对所述K个节点进行分类，得到所述目标对象的类别，包括：根据所述K个节点的目标特征向量，确定所述K个节点的平均目标特征向量以及所述K个节点的最大目标特征向量；基于所述分类模型的多层感知机，对所述K个节点的平均目标特征向量以及所述K个节点的最大目标特征向量进行处理，得到所述目标对象的类别。6.一种分类模型训练方法，其特征在于，所述方法包括：获取训练对象的图结构和...
【专利技术属性】
技术研发人员：赵宏宇，赵国庆，蒋宁，肖冰，
申请(专利权)人：马上消费金融股份有限公司，
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。