异常账户的分类方法、装置、电子设备及存储介质制造方法及图纸

本公开提供了一种异常账户的分类方法、装置、电子设备及存储介质，可以应用于大数据、信息安全技术领域。该分类方法包括：获取待检测的M个账户数据，账户数据包括用于表征账户交易特征的数据；将M个账户数据输入训练好的目标分类模型，输出M个分类结果，分类结果用于表征所述账户数据是否异常以及异常类型；目标分类模型是利用N个样本数据和N个样本数据的标签经T轮训练得到的，N个样本数据包括M个账户数据和(N

【技术实现步骤摘要】
异常账户的分类方法、装置、电子设备及存储介质


[0001]本公开涉及大数据、信息安全
，具体涉及一种异常账户的分类方法、装置、电子设备及存储介质。

技术介绍

[0002]在异常账户识别场景中，一般利用有监督机器学习或半监督机器学习实现异常账户的识别。
[0003]对于有监督机器学习，一般通过预先标记的异常账户样本训练模型，这需要耗费大量人力物力进行打标操作。此外，由于某些隐藏账户在发生异常时未采取处理措施，使得打标不精确从而影响异常识别效果。对于半监督学习，一般通过预先给无标签样本赋予伪标签，将半监督学习模式转换为有监督学习模式，实现异常账户的识别。但是，错误的伪标签会导致模型学习到错误信息，影响异常账户识别效果。

技术实现思路

[0004]鉴于上述问题，本公开提供了一种异常账户的分类方法、装置、电子设备及存储介质。
[0005]根据本公开的第一个方面，提供了一种异常账户的分类方法，包括：
[0006]获取待检测的M个账户数据，账户数据包括用于表征账户交易特征的数据；
[0007]将M个账户数据输入训练好的目标分类模型，输出与M个账户数据相匹配的M个分类结果，分类结果用于表征账户数据是否异常以及异常类型；
[0008]其中，目标分类模型是利用N个样本数据和N个样本数据的标签经T轮训练得到的，N个样本数据包括无标签的M个账户数据和(N
‑
M)个有标签数据，N个样本数据的标签包括(N
‑
M)个有标签数据的标准标签和M个账户数据的软标签，软标签是利用标准标签经T轮优化得到的，标准标签包括C个异常类型，T≥1，C≥1，N≥M≥1。
[0009]根据本公开的实施例，其中，确定目标分类模型的过程包括：
[0010]根据N个样本数据和N个样本数据的标签，对初始分类模型进行T轮训练，将第T轮训练得到的第T分类模型作为目标分类模型；
[0011]其中，在每轮训练过程中，利用(N
‑
M)个有标签数据的标准标签更新M个账户数据的软标签，软标签包括账户数据属于C个异常类型的概率。
[0012]根据本公开的实施例，其中，根据N个样本数据和N个样本数据的标签，对初始分类模型进行T轮训练，将第T轮训练得到的第T分类模型作为目标分类模型，包括：
[0013]针对第t轮训练，2≤t≤T，获取第(t
‑
1)轮训练过程中得到的第(t
‑
1)分类模型、与M个账户数据对应的M个第(t
‑
1)邻居数据集，其中，每个第(t
‑
1)邻居数据集包括与账户数据最相似的K个第(t
‑
1)有标签数据，K≥1；
[0014]将M个账户数据和(N
‑
M)个有标签数据输入第(t
‑
1)分类模型，输出第t1预测结果数据集，第t1预测结果数据集包括M个账户数据在第t轮第1次训练得到的M个预测结果、以
及(N
‑
M)个有标签数据在第t轮第1次训练得到的(N
‑
M)个预测结果；
[0015]根据与每个账户数据对应的第(t
‑
1)邻居数据集，计算与每个账户数据对应的第t软标签，得到与M个账户数据对应的M个第t软标签；以及
[0016]根据第t1预测结果数据集、M个第t软标签、(N
‑
M)个标准标签优化第(t
‑
1)分类模型，直至损失函数满足预设条件的情况下，得到第t分类模型。
[0017]根据本公开的实施例，其中，根据第t1预测结果数据集、M个第t软标签、(N
‑
M)个标准标签优化第(t
‑
1)分类模型，直至损失函数满足预设条件的情况下，得到第t分类模型包括：
[0018]根据第t1预测结果数据集、M个第t软标签、(N
‑
M)个标准标签，计算在第t轮第1次训练过程中第(t
‑
1)分类模型的第一损失函数值；以及
[0019]根据损失函数值优化第(t
‑
1)分类模型，得到第t1分类模型；
[0020]将M个账户数据和(N
‑
M)个有标签数据输入第t1分类模型，输出第t2预测结果数据集，第t2预测结果数据集包括M个账户数据在第t轮第2次训练得到的M个预测结果、以及(N
‑
M)个有标签数据在第t轮第2次训练得到的(N
‑
M)个预测结果；
[0021]根据第t2预测结果数据集、M个第t软标签、(N
‑
M)个标准标签计算第二损失函数值，经过多轮训练直至得到的损失函数值最小，确定第t分类模型。
[0022]根据本公开的实施例，在确定第t分类模型之后，还包括：
[0023]将M个账户数据和(N
‑
M)个有标签数据输入第t分类模型，输出第t预测结果数据集；
[0024]将第t预测结果数据集转换为一个结果序列；
[0025]根据结果序列，计算第t标签相似矩阵，第t标签相似矩阵表征M个账户数据与(N
‑
M)个有标签数据之间的相似度；以及
[0026]针对每个账户数据，根据第t标签相似度矩阵，从(N
‑
M)个有标签数据中选取与每个账户数据相似度最高的K个有标签数据，并将K个有标签数据作为K个第t有标签数据，形成与M个账户数据对应的M个第t邻居数据集。
[0027]根据本公开的实施例，该方法还包括：
[0028]针对第t轮训练，t＝1，使用K近邻算法，计算与每个账户数据最相似的K个有标签数据，并将K个有标签数据作为K个初始有标签数据，形成与M个账户数据对应的M个初始邻居数据集；
[0029]根据与每个账户数据对应的初始邻居数据集，计算与每个账户数据对应的第1软标签，得到与M个账户对应的M个第1软标签；
[0030]利用M个账户数据、M个第1软标签、(N
‑
M)个有标签数据、(N
‑
M)个标准标签训练初始分类模型，以得到第1分类模型；
[0031]将M个账户数据和(N
‑
M)个有标签数据输入第1分类模型，输出第1预测结果数据集；以及
[0032]根据第1预测结果数据集和(N
‑
M)个有标签数据，确定M个第1邻居数据集。
[0033]根据本公开的实施例，其中，账户数据包括以下至少其中之一：总交易次数，交易额，开户时间、开户地点、设备类型、多个场景的交易次数；有标签数据包括已确定异常类型的账户数据。
[0034]根据本公开的实施例，目标分类模型的损失函数包括有标签损失项、无标签损失项和对比损失项，其中，有标签损失项表征(N
‑
M)个有标签数据的损失，无标签损失项表征M个账户数据的损失，对比损失项表征筛选后的G个账本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种异常账户的分类方法，包括：获取待检测的M个账户数据，所述账户数据包括用于表征账户交易特征的数据；将所述M个账户数据输入训练好的目标分类模型，输出与所述M个账户数据相匹配的M个分类结果，所述分类结果用于表征所述账户数据是否异常以及异常类型；其中，所述目标分类模型是利用N个样本数据和所述N个样本数据的标签经T轮训练得到的，所述N个样本数据包括无标签的所述M个账户数据和(N
‑
M)个有标签数据，所述N个样本数据的标签包括所述(N
‑
M)个有标签数据的标准标签和所述M个账户数据的软标签，所述软标签是利用所述标准标签经T轮优化得到的，所述标准标签包括C个异常类型，T≥1，C≥1，N≥M≥1。2.根据权利要求1所述的方法，其中，确定所述目标分类模型的过程包括：根据所述N个样本数据和所述N个样本数据的标签，对初始分类模型进行T轮训练，将第T轮训练得到的第T分类模型作为所述目标分类模型；其中，在每轮训练过程中，利用所述(N
‑
M)个有标签数据的标准标签更新所述M个账户数据的软标签，所述软标签包括所述账户数据属于所述C个异常类型的概率。3.根据权利要求2所述的方法，其中，根据所述N个样本数据和所述N个样本数据的标签，对初始分类模型进行T轮训练，将第T轮训练得到的第T分类模型作为所述目标分类模型，包括：针对第t轮训练，2≤t≤T，获取第(t
‑
1)轮训练过程中得到的第(t
‑
1)分类模型、与所述M个账户数据对应的M个第(t
‑
1)邻居数据集，其中，每个所述第(t
‑
1)邻居数据集包括与所述账户数据最相似的K个第(t
‑
1)有标签数据，K≥1；将所述M个账户数据和所述(N
‑
M)个有标签数据输入所述第(t
‑
1)分类模型，输出第t1预测结果数据集，所述第t1预测结果数据集包括所述M个账户数据在第t轮第1次训练得到的M个预测结果、以及所述(N
‑
M)个有标签数据在第t轮第1次训练得到的(N
‑
M)个预测结果；根据与每个账户数据对应的所述第(t
‑
1)邻居数据集，计算与所述每个账户数据对应的第t软标签，得到与所述M个账户数据对应的M个第t软标签；以及根据所述第t1预测结果数据集、所述M个第t软标签、(N
‑
M)个所述标准标签优化所述第(t
‑
1)分类模型，直至损失函数满足预设条件的情况下，得到第t分类模型。4.根据权利要求3所述的方法，其中，所述根据所述第t1预测结果数据集、所述M个第t软标签、(N
‑
M)个所述标准标签优化所述第(t
‑
1)分类模型，直至损失函数满足预设条件的情况下，得到第t分类模型包括：根据所述第t1预测结果数据集、所述M个第t软标签、(N
‑
M)个所述标准标签，计算在第t轮第1次训练过程中第(t
‑
1)分类模型的第一损失函数值；以及根据所述损失函数值优化所述第(t
‑
1)分类模型，得到第t1分类模型；将所述M个账户数据和所述(N
‑
M)个有标签数据输入所述第t1分类模型，输出第t2预测结果数据集，所述第t2预测结果数据集包括所述M个账户数据在第t轮第2次训练得到的M个预测结果、以及所述(N
‑
M)个有标签数据在第t轮第2次训练得到的(N
‑
M)个预测结果；根据所述第t2预测结果数据集、所述M个第t软标签、(N
‑
M)个所述标准标签计算第二损失函数值，经过多轮训练直至得到的损失函数值最小，确定所述第t分类模型。5.根据权利要求3所述的方法，在所述确定所述第t分类模型之后，还包括：
将所述M个账...

【专利技术属性】
技术研发人员：陈李龙，徐林嘉，张宏韬，卢健，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：