一种交易异常预测模型的训练方法和交易异常预测方法技术

本申请涉及计算机技术领域，特别涉及一种交易异常预测模型的训练方法和交易异常预测方法；交易异常预测模型的训练方法包括：生成第一图神经网络；对预设异常用户节点的属性特征进行特征融合，得到新增异常用户节点的属性特征；确定任一新增异常用户节点与其他用户节点之间的交易信息；更新得到第二图神经网络；基于第二图神经网络中各交易用户节点的属性特征以及第二图神经网络中各交易用户节点之间的交易信息对待训练的交易异常预测模型进行训练，得到训练后的交易异常预测模型；通过在训练样本中通过预设异常用户节点合成新增异常用户节点，提高训练过程中异常用户节点的节点数量，进而提高交易异常预测模型对于异常状态的预测精度。状态的预测精度。状态的预测精度。

【技术实现步骤摘要】
一种交易异常预测模型的训练方法和交易异常预测方法


[0001]本申请涉及计算机
，特别涉及一种交易异常预测模型的训练方法和交易异常预测方法。

技术介绍

[0002]在多个用户的交易过程中，会出现异常交易的情况；具体的，在跨境支付场景中，存在交易风险等异常情况。现有技术中，通常利用机器学习的方法对交易的异常进行识别预测，例如，通过交易异常预测模型对交易的异常情况进行预测。
[0003]但现有的交易异常预测模型中无法处理复杂的网络关系数据；且在交易异常预测模型的训练过程中，交易异常数据的样本数据较少，导致针对交易异常数据的训练次数较少，进而导致交易异常预测模型对交易异常数据的敏感性较低，进而导致采用交易异常预测模型的交易异常预测效果不佳。

技术实现思路

[0004]针对现有技术的上述问题，本申请的目的在于提供一种交易异常预测模型的训练方法，在训练样本中通过预设异常用户节点合成新增异常用户节点，提高交易异常预测模型训练过程中异常用户节点的节点数量，进而提高交易异常预测模型对于异常状态的预测精度。
[0005]为了解决上述问题，本申请提供了一种交易异常预测模型的训练方法，包括：
[0006]生成第一图神经网络；所述第一图神经网络表征多个交易用户节点的属性特征以及多个交易用户节点之间的交易信息；所述多个交易用户节点包括多个正常用户节点以及多个预设异常用户节点；所述正常用户节点为不存在异常交易行为的用户所对应的节点，所述预设异常用户节点为存在异常交易行为的用户所对应的节点；
[0007]对所述多个预设异常用户节点对应的属性特征进行特征融合，得到新增异常用户节点对应的属性特征；
[0008]确定任一新增异常用户节点与其他用户节点之间的交易信息；所述其他用户节点包括所述多个正常用户节点、所述多个预设异常用户节点，以及除所述任一新增异常用户节点以外的其他新增异常用户节点；
[0009]基于所述任一新增异常用户节点与其他用户节点之间的交易信息对所述第一图神经网络进行更新，得到第二图神经网络；
[0010]基于所述第二图神经网络中各交易用户节点的属性特征以及所述第二图神经网络中各交易用户节点之间的交易信息对待训练的交易异常预测模型进行训练，得到训练后的交易异常预测模型。
[0011]在本申请实施例中，所述对所述多个预设异常用户节点对应的属性特征进行特征融合，得到新增异常用户节点对应的属性特征包括：
[0012]基于所述多个预设异常用户节点对应的属性特征，确定任一预设异常用户节点与
其他预设异常用户节点之间的属性距离；其他预设异常用户节点为所述多个预设异常用户节点中除所述任一预设异常用户节点以外的节点；
[0013]基于所述任一预设异常用户节点与其他预设异常用户节点之间的属性距离，确定所述任一预设异常用户节点的邻近用户节点；所述邻近用户节点与所述任一预设异常用户节点的属性距离满足预设距离条件；
[0014]基于所述任一预设异常用户节点的属性特征与所述邻近用户节点的属性特征，确定所述新增异常用户节点对应的属性特征。
[0015]在本申请实施例中，所述确定任一新增异常用户节点与其他用户节点之间的交易信息包括：
[0016]将所述任一新增异常用户节点对应的属性特征以及任一其他用户节点对应的属性特征输入至训练后的边预测模型中，得到所述任一新增异常用户节点与所述任一其他用户节点之间的交易概率；
[0017]基于所述交易概率，确定所述任一新增异常用户节点与所述任一其他用户节点之间的交易信息。
[0018]在本申请实施例中，所述方法还包括所述边预测模型的训练方法，所述边预测模型的训练方法包括：
[0019]将样本图神经网络中的多个样本交易用户节点各自对应的属性特征输入待训练的边预测模型中，得到多个样本交易用户节点对应的预测交易关系集；
[0020]基于所述样本图神经网络对应的标签交易关系集以及所述预测交易关系集进行损失计算，得到预测损失值；
[0021]基于所述预测损失值对所述待训练的边预测模型进行参数调整，确定所述训练后的边预测模型。
[0022]在本申请实施例中，所述交易异常预测模型的训练方法还包括：
[0023]获取所述第二图神经网络对应的节点网络图；所述节点网络图包括多个网络节点，以及各网络节点之间的连接边，所述多个网络节点包括所述多个正常用户节点、多个预设异常用户节点以及所述新增异常用户节点；
[0024]将所述节点网络图进行图分割，得到多个网络子图；
[0025]确定所述多个网络子图各自对应的位置编码矩阵；所述位置编码矩阵的行表征所述网络节点数量，所述位置编码矩阵的列表征各网络节点对应的位置信息；
[0026]基于所述位置编码矩阵，确定所述第二神经网络中各交易用户节点对应的位置特征；所述位置特征表征任一交易用户节点对应的网络节点在相应网络子图中的节点位置信息。
[0027]在本申请实施例中，所述基于所述第二图神经网络中各交易用户节点的属性特征以及所述第二图神经网络中各交易用户节点之间的交易信息对待训练的交易异常预测模型进行训练，得到训练后的交易异常预测模型包括：
[0028]基于所述第二图神经网络中各交易用户节点的属性特征、所述第二神经网络中各交易用户节点对应的位置特征以及所述第二图神经网络中各交易用户节点之间的交易信息对待训练的交易异常预测模型进行训练，得到训练后的交易异常预测模型。
[0029]在本申请实施例中，所述确定所述多个网络子图各自对应的位置编码矩阵包括：
[0030]获取目标网络子图对应的邻接矩阵；所述目标网络子图对应的邻接矩阵表征所述目标网络子图中各网络节点对应的连接关系；
[0031]对所述目标网络子图对应的邻接矩阵进行对角矩阵变换，得到所述目标网络子图对应的拉普拉斯矩阵；
[0032]将所述拉普拉斯矩阵进行矩阵分解，得到多组分解对；所述分解对包括特征值和特征向量；
[0033]基于所述特征值，对所述多组分解对进行排序；
[0034]基于排序后的特征值，确定目标数量；
[0035]从排序后的特征向量中选取所述目标数量的目标特征向量；
[0036]将所述目标数量的目标特征向量进行特征合并，得到所述目标网络子图对应的位置编码矩阵。
[0037]另一方面，本申请还提供一种交易异常预测方法，包括：
[0038]获取实时交易信息；所述实时交易信息包括多个当前交易用户节点，以及所述多个当前交易用户节点之间的实际交易关系；
[0039]将所述实时交易信息加入预存储的第三图神经网络中，确定所述多个当前交易用户节点对应的属性特征以及所述多个当前交易用户节点之间的交易信息；
[0040]将所述多个当前交易用户节点对应的属性特征以及所述当前交易用户节点之间的交易信息输入经过如上述交易异常预测模型的训练方法训练后的交易异常预测模型中，确定所述多个当前交易用户节本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交易异常预测模型的训练方法，其特征在于，包括：生成第一图神经网络；所述第一图神经网络表征多个交易用户节点的属性特征以及多个交易用户节点之间的交易信息；所述多个交易用户节点包括多个正常用户节点以及多个预设异常用户节点；所述正常用户节点为不存在异常交易行为的用户所对应的节点，所述预设异常用户节点为存在异常交易行为的用户所对应的节点；对所述多个预设异常用户节点对应的属性特征进行特征融合，得到新增异常用户节点对应的属性特征；确定任一新增异常用户节点与其他用户节点之间的交易信息；所述其他用户节点包括所述多个正常用户节点、所述多个预设异常用户节点，以及除所述任一新增异常用户节点以外的其他新增异常用户节点；基于所述任一新增异常用户节点与其他用户节点之间的交易信息对所述第一图神经网络进行更新，得到第二图神经网络；基于所述第二图神经网络中各交易用户节点的属性特征以及所述第二图神经网络中各交易用户节点之间的交易信息对待训练的交易异常预测模型进行训练，得到训练后的交易异常预测模型。2.根据权利要求1所述的交易异常预测模型的训练方法，其特征在于，所述对所述多个预设异常用户节点对应的属性特征进行特征融合，得到新增异常用户节点对应的属性特征包括：基于所述多个预设异常用户节点对应的属性特征，确定任一预设异常用户节点与其他预设异常用户节点之间的属性距离；其他预设异常用户节点为所述多个预设异常用户节点中除所述任一预设异常用户节点以外的节点；基于所述任一预设异常用户节点与其他预设异常用户节点之间的属性距离，确定所述任一预设异常用户节点的邻近用户节点；所述邻近用户节点与所述任一预设异常用户节点的属性距离满足预设距离条件；基于所述任一预设异常用户节点的属性特征与所述邻近用户节点的属性特征，确定所述新增异常用户节点对应的属性特征。3.根据权利要求1所述的交易异常预测模型的训练方法，其特征在于，所述确定任一新增异常用户节点与其他用户节点之间的交易信息包括：将所述任一新增异常用户节点对应的属性特征以及任一其他用户节点对应的属性特征输入至训练后的边预测模型中，得到所述任一新增异常用户节点与所述任一其他用户节点之间的交易概率；基于所述交易概率，确定所述任一新增异常用户节点与所述任一其他用户节点之间的交易信息。4.根据权利要求3所述的交易异常预测模型的训练方法，其特征在于，所述方法还包括所述边预测模型的训练方法，所述边预测模型的训练方法包括：将样本图神经网络中的多个样本交易用户节点各自对应的属性特征输入待训练的边预测模型中，得到多个样本交易用户节点对应的预测交易关系集；基于所述样本图神经网络对应的标签交易关系集以及所述预测交易关系集进行损失计算，得到预测损失值；
基于所述预测损失值对所述待训练的边预测模型进行参数调整，确定所述训练后的边预测模型。5.根据权利要求1所述的交易异常预测模型的训练方法，其特征在于，所述方法还包括：获取所述第二图神经网络对应的节点网络图；所述节点网络图包括多个网络节点，以及各网络节点之间的连接边，所述多个网络节点包括所述多个正常用户节点、多个预设异常用户节点以及所述新增异常用户节点；将所述节点网络图进行图分割，得到多个网络子图；确定所述多个网络子图各自对应的位置编码矩阵；所述位置编码矩阵的行表征所述网络节点数量，所述位置编码矩阵的列表征各网络节点对应的位置信息；基于所述位置编码矩阵，确定所述第二神经网络中各交易用户节点对应的位置特征；所述位置特征表征任一交易用户节点对应的网络节点在相应网络子图中的节点位置信息。6.根据权利要求5所述的交易异常预测模型的训练方法，其特征在于，所述基于所述第二图神经网络中各交易用户节点的属性特征以及所述第二图神经网络中各交易用户节点之间的交易信息对待训练的交易异常预测模型进行训练，得到训练后的交易异常预测模型包括：基于所述第二图神经网络中各交易用户节点的属性特征、所述第二神经网络中各交易用户节点对应的位置特征以及所述第二图神经网络中各交易用户节点之间的交易信息对待训...

【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：