风险识别方法、模型训练方法及对应装置制造方法及图纸

本说明书实施例提供了一种风险识别方法、模型训练方法及对应装置。主要技术方案包括：获取利用用户的网络行为数据构建的网络图，网络图包括节点和边，节点为网络行为，两个节点之间的边为两个网络行为对应的相同用户；利用子网提取模型从网络图中提取目标节点对应的子网络；利用风险识别模型确定目标节点在子网络中的第一特征表示以及在网络图中的第二特征表示，利用第一特征表示和第二特征表示识别目标节点的风险信息，风险信息包括该目标节点对应的网络行为是否为风险行为，或者该目标节点对应的网络行为的风险等级信息。通过本说明书实施例能够提高对用户网络行为风险识别的准确性和可解释性。准确性和可解释性。准确性和可解释性。

【技术实现步骤摘要】
风险识别方法、模型训练方法及对应装置


[0001]本说明书一个或多个实施例涉及网络安全
，尤其涉及风险识别方法、模型训练方法及对应装置。

技术介绍

[0002]在互联网技术日益发展的今天，用户在使用互联网的各种行为中出现各种风险。在实际的风险控制场景中，图神经网络模型是目前应用比较广泛的一种深度神经网络模型。图神经网络在对图结构中节点之间的关联关系进行建模方面表现出强大的学习和表征能力。基于图神经网络的风险识别模型可以降低风险控制的成本，减少风控决策对于专家的依赖，从而提高风险控制的效率。
[0003]目前利用图神经网络进行的风险识别大多是基于网络行为特征，来识别某一网络行为是否属于风险行为。然而对于诸如洗钱等类型的风险而言，其风险手段是通过与其他用户之间的一跳以上关系来实现的，并且这些关系可能具有时序特点。例如，一个账户通过投资关系转账给另一账户后，另一账户再通过交易关系将钱转移至其他账户。可以看出，对于这类风险识别而言，单纯通过网络行为特征来进行识别准确性较低。

技术实现思路

[0004]有鉴于此，本说明书一个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风险识别方法，其中，所述方法包括：获取利用用户的网络行为数据构建的网络图，所述网络图包括节点和边，所述节点为网络行为，两个节点之间的边为两个网络行为对应的相同用户；利用子网提取模型从所述网络图中提取目标节点对应的子网络；利用风险识别模型确定所述目标节点在所述子网络中的第一特征表示以及在所述网络图中的第二特征表示，利用所述第一特征表示和所述第二特征表示识别所述目标节点的风险信息，所述风险信息包括该目标节点对应的网络行为是否为风险行为，或者该目标节点对应的网络行为的风险等级信息。2.根据权利要求1所述的方法，其中，所述利用子网提取模型从所述网络图中提取目标节点对应的子网络包括：利用所述子网提取模型在每一轮迭代中执行以下步骤，直至达到预设的迭代次数：确定当前已选出的子网络的特征表示；在第一轮迭代中将所述目标节点作为当前节点，在其他轮迭代中将上一轮迭代加入子网络的节点作为当前节点，确定当前节点在所述网络图中的第二特征表示；利用当前已选出的子网络的特征表示和所述当前节点的第二特征表示，得到当前节点的第一特征表示；确定当前节点的第一特征表示与当前节点的各下一跳邻居节点在所述网络图中的特征表示之间的第一相似度，确定对应第一相似度满足预设相似度要求的邻居节点加入子网络作为本轮迭代选出的子网络。3.根据权利要求2所述的方法，其中，确定第一相似度满足预设相似度要求的邻居节点加入子网络包括：确定对应第一相似度大于或等于预设相似度阈值的邻居节点加入子网络；或者，确定对应第一相似度大于第二相似度的邻居节点加入子网络，所述第二相似度为当前节点的第一特征表示与虚拟节点在所述网络图中的特征表示之间的相似度，所述虚拟节点的信息是所述风险识别模型的训练过程中学习到的。4.根据权利要求2所述的方法，其中，所述利用当前已选出的子网络的特征表示和所述当前节点的第二特征表示，得到当前节点的第一特征表示包括：将当前已选出的子网络的特征表示和所述当前节点的第二特征表示进行加权求和，得到所述当前节点的第一特征表示。5.根据权利要求1所述的方法，其中，利用所述第一特征表示和所述第二特征表示识别所述目标节点的风险信息包括：对目标节点的第一特征表示进行自注意力处理，得到目标节点的第三特征表示；利用目标节点的第二特征表示进行自注意力处理，得到目标节点的第四特征表示；对所述目标节点的第三特征表示和第四特征表示进行整合，得到所述目标节点的第五特征表示；利用所述目标节点的第五特征表示进行分类，得到所述目标节点的风险信息。6.根据权利要求1至5中任一项所述的方法，其中，所述方法应用于洗钱风险识别，所述网络行为包括支付行为、转账行为、存取款行为、签约绑定行为、收发红包行为、商品交易行为、资金交易行为、股票交易行为、服务交易行为或资金托管行为；
所述风险信息包括：目标节点对应的网络行为是否存在洗钱风险，或者存在洗钱风险的等级信息。7.一种训练风险识别模型的方法，其中，所述方法包括：获取利用用户的网络行为数据构建的网络图，所述网络图包括节点和边，所述节点为网络行为，两个节点之间的边为两个网络行为对应的相同用户，所述网络图中部分节点作为样本节点被标注有风险信息标签；利用子网提取模型从所述网络图中提取所述样本节点对应的子网络；利用所述网络图、样本节点对应的子网络训练风险识别模型，所述风险识别模型确定所述样本节点在对应子网络中的第一特征表示以及在所述网络图中的第二特征表示，利用所述第一特征表示和所述第二特征表示识别所述样本节点的风险信息；所述训练的目标包括：最小化识别得到的所述样本节点的风险信息与所述样本节点被标注的风险信息标签之间的差异；所述风险信息包括该目标节点对应的网络行为是否为风险行为，或者该目标节点对应的网络行为的风险等级信息。8.根据权利要求7所述的方法，其中，利用所述第一特征表示和所述第二特征表示识别所述样本节点的风险信息包括：对样本节点的第一特征表示进行自注意力处理，得到样本节点的第三特征表示；利用样本节点的第二特征表示进行自注意力处理，得到样本节点的第四特征表示；对所述样本节点的第三特征表示和第四特征表示进行整合，得到所述样本节点的第五特征表示；利用所述样本节点的第五特征表示进行分类，得到所述样本节点的风险信息。9.一种训练子网提取模型的方法，其中，所述方法包括：获取利用用户的网络行为数据构建的网络图，所述网络图包括节点和边，所述节点为网络行为，两个节点之间的边为两个网络行为对应的相同用户，所述网络图中各节点均被标注有风险信息标签；从所述网络图采样节点作为节点样本训练子网提取模型，所述子网提取模型在每一轮迭代中执行以下步骤，直至达到预设的迭代次数，得到节点样本对应的子网络：确定当前已选出的子网络的特征表示；在第一轮迭代中将所述节点样本作为当前节点，在其他轮迭代中将上一轮迭代加入子网络的节点作为当前节点，确定当前节点在所述网络图中的第二特征表示；利用当前已选出的子网络的特征表示和所述当前节点的第二特征表示，得到当前节点的第一特征表示；确定当前节点的第一特征表示与当前节点的各下一跳邻居节点在所述网络图中的特征表示之间的第一相似度，确定对应第一相似度满足预设相似度要求的邻居节点加入子网络作为本轮迭代选出的子网络；其中所述训练的目标包括：在每一轮迭代中，最大化所述当前节点的第一特征表示与被标注有风险的节点在所述网络图中的特征表示之间的第一相似度，且最小化所述当前节点的第一特征表示与被标注无风险的节点在所述网络图中的特征表示之间的第一相似度。10.一种训练子网提取模型的方法，其中，所述方法包括：获取利用用户的网络行为数据构建的网络图，所述网络图包括节点和边，所述节点为网络行为，两个节点之间的边为两个网络行为对应的相同用户，所述网络图中各节点均被标注有风险信息标签；
从所述网络图采样节点作为节点样本训练子网...

【专利技术属性】
技术研发人员：但家旺，柴子炜，王宝坤，田胜，胡逸飞，孟昌华，
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：