一种异常检测模型的训练方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种异常检测模型的训练方法、装置、设备及存储介质，确定包含多个样本账户分别对应的历史行为序列的训练样本组，并根据历史上对该训练样本组对应的各样本账户执行的异常处理策略之间的第一相关度，确定该训练样本组的标注，进而通过待训练的异常检测模型，得到该训练样本组中各样本账户分别对应的异常检测结果，以及根据各样本账户分别对应的异常检测结果之间的相似度和该训练样本组的标注来训练该异常检测模型。可见，本申请中使用训练样本组对应的各样本账户执行的异常处理策略之间的第一相关度，指导该异常检测模型进行训练。训练得到的异常检测模型可准确识别出异常账户，保证了异常检测的准确率。保证了异常检测的准确率。保证了异常检测的准确率。

【技术实现步骤摘要】
一种异常检测模型的训练方法、装置、设备及存储介质


[0001]本申请涉及计算机
，尤其涉及一种异常检测模型的训练方法、装置、设备及存储介质。

技术介绍

[0002]随着计算机技术的发展和人们对自身隐私的关注，在用户执行业务的过程中，对用户执行业务所使用的账户进行异常检测，并根据检测结果来执行业务已经是目前较为常见的业务执行方式之一。
[0003]一般的，在对用户的账户进行异常检测的过程中，通常需要确定账户对应的历史行为序列，并将该历史行为序列输入异常检测模型中，得到该异常检测模型输出的异常检测结果。其中，该异常检测结果用于表征该账户是否存在异常。
[0004]基于此，本申请提供一种异常检测模型的训练方法。

技术实现思路

[0005]本申请提供一种异常检测模型的训练方法、装置、设备及存储介质，以部分的解决现有技术存在的上述问题。
[0006]本申请采用下述技术方案：
[0007]本申请提供一种异常检测模型的训练方法，所述方法包括：
[0008]获取若干样本账户分别对应的历史行为序列，并将各历史行为序列分别进行组合，确定各训练样本组；
[0009]针对每个训练样本组，根据历史上对该训练样本组对应的各样本账户所执行的异常处理策略之间的第一相关度，确定该训练样本组的标注，所述标注用于表征该训练样本组对应的各样本账户之间的相似度；
[0010]将所述训练样本组输入待训练的异常检测模型中，得到所述异常检测模型输出的所述训练样本组对应的各样本账户分别对应的异常检测结果；
[0011]根据所述训练样本组对应的各样本账户的异常检测结果之间的相似度，以及所述训练样本组的标注，对所述异常检测模型进行训练。
[0012]本申请提供一种异常检测模型的训练装置，所述装置包括：
[0013]获取模块，用于获取若干样本账户分别对应的历史行为序列，并将各历史行为序列分别进行组合，确定各训练样本组；
[0014]第一确定模块，用于针对每个训练样本组，根据历史上对该训练样本组对应的各样本账户所执行的异常处理策略之间的第一相关度，确定该训练样本组的标注，所述标注用于表征该训练样本组对应的各样本账户之间的相似度；
[0015]第二确定模块，用于将所述训练样本组输入待训练的异常检测模型中，得到所述异常检测模型输出的所述训练样本组对应的各样本账户分别对应的异常检测结果；
[0016]训练模块，用于根据所述训练样本组对应的各样本账户的异常检测结果之间的相
似度，以及所述训练样本组的标注，对所述异常检测模型进行训练。
[0017]本申请提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述异常检测模型的训练方法。
[0018]本申请提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述异常检测模型的训练方法。
[0019]本申请采用的上述至少一个技术方案能够达到以下有益效果：
[0020]确定包含多个样本账户分别对应的历史行为序列的训练样本组，并根据历史上对该训练样本组对应的各样本账户执行的异常处理策略之间的第一相关度，确定该训练样本组的标注，进而通过待训练的异常检测模型，得到该训练样本组中各样本账户分别对应的异常检测结果，以及根据各样本账户分别对应的异常检测结果之间的相似度和该训练样本组的标注来训练该异常检测模型。
[0021]可见，本申请中使用训练样本组对应的各样本账户执行的异常处理策略之间的第一相关度，指导该异常检测模型进行训练。训练得到的异常检测模型可准确识别出异常账户，保证了异常检测的准确率。
附图说明
[0022]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0023]图1为本申请中一种异常检测模型的训练方法的流程示意图；
[0024]图2为本申请中一种异常检测模型的训练方法的流程示意图；
[0025]图3为本申请提供的一种异常检测模型的训练装置的示意图；
[0026]图4为本申请提供的对应于图1的电子设备示意图。
具体实施方式
[0027]为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0028]另外，需要说明的是，本申请中所有获取信号、信息或数据的动作都是在遵照所在地相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
[0029]随着计算机技术的发展和人们对自身隐私的关注，在用户执行业务过程中对用户所使用的账户进行异常检测，以根据检测结果来执行业务已经是目前较为常见的业务执行方式之一。而对账户进行异常检测的过程中，通常需要确定账户对应的历史行为序列，并将历史行为序列输入预先训练完成的异常检测模型中，得到异常检测模型输出的异常检测结果，以根据异常检测结果来执行业务。
[0030]而目前在训练异常检测模型时，仅能基于账户对应的异常类型确定训练样本并对模型进行训练。以样本账户为灰账户为例，则若将样本账户作为训练样本，则该训练样本的标注为灰账户或异常账户。这就导致训练得到的异常检测模型仅能对账户对应的异常类型
进行区分。且通常情况下，不论是灰账户，还是黑账户，其对应的历史行为序列多种多样，常会出现类似的几个历史行为序列对应灰账户、黑账户和正常账户的情况，这也就使得训练得到的异常检测模型的准确率较低。
[0031]在该场景下，如何训练得到更准确的异常检测模型，已经成为目前需要解决的问题之一。
[0032]基于此，本申请提供一种异常检测模型的训练方法，不再直接使用样本账户对应的异常类型作为训练样本的标注，而是采用样本账户对应的异常处理策略，来指导该异常检测模型训练。使得训练得到的异常检测模型可学习到样本账户对应的特征以及样本账户对应的异常处理策略对应的特征，进而保证训练得到的异常检测模型的准确率。
[0033]以下结合附图，详细说明本申请各实施例提供的技术方案。
[0034]图1为本申请提供的一种异常检测模型的训练方法的流程示意图。
[0035]S100：获取若干样本账户分别对应的历史行为序列，并将各历史行为序列分别进行组合，确定各训练样本组。
[0036]本申请实施例中提供一种异常检测模型的训练方法，该异常检测模型的训练方法的执行过程可由用于执行异常检测业务的服务器或用于进行模型训练的服务器等电子设备执行。为了便于描述，下面仅以服务器为执行主体，对本申请提供的异常检测模型的训练方法进行详细说明。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种异常检测模型的训练方法，所述方法包括：获取若干样本账户分别对应的历史行为序列，并将各历史行为序列分别进行组合，确定各训练样本组；针对每个训练样本组，根据历史上对该训练样本组对应的各样本账户所执行的异常处理策略之间的第一相关度，确定该训练样本组的标注，所述标注用于表征该训练样本组对应的各样本账户之间的相似度；将所述训练样本组输入待训练的异常检测模型中，得到所述异常检测模型输出的所述训练样本组对应的各样本账户分别对应的异常检测结果；根据所述训练样本组对应的各样本账户的异常检测结果之间的相似度，以及所述训练样本组的标注，对所述异常检测模型进行训练。2.如权利要求1所述的方法，根据历史上对该训练样本组对应的各样本账户所执行的异常处理策略之间的第一相关度，确定该训练样本组的标注，具体包括：确定历史上对该训练样本组对应的各样本账户分别执行的异常处理策略，作为各指定策略；对所述各指定策略分别进行分词，并从分词结果中，确定所述各指定策略分别对应的关键词；根据所述各指定策略的关键词之间的相似度，确定该训练样本组的标注。3.如权利要求2所述的方法，根据所述各指定策略的关键词之间的相似度，确定该训练样本组的标注，具体包括：针对每个指定策略，将该指定策略的关键词添加到该指定策略对应的指定集合中；根据该指定策略对应的指定集合和其他指定策略对应的指定集合的交并比，确定该指定策略的关键词和其他指定策略的关键词之间的相似度，并根据各相似度，确定该训练样本组的标注。4.如权利要求1所述的方法，将所述训练样本组输入待训练的异常检测模型中，得到所述异常检测模型输出的所述训练样本组对应的各样本账户分别对应的异常检测结果，具体包括：针对所述训练样本组对应的每个样本账户，将该样本账户的历史行为序列输入所述异常检测模型的特征提取层，得到所述特征提取层输出的样本特征；将所述样本特征输入所述异常检测模型的匹配层，得到所述匹配层根据所述样本特征预估的第一策略特征；将所述样本特征输入所述异常检测模型的检测层，得到所述检测层输出的初始检测结果；根据所述初始检测结果和所述第一策略特征，确定该样本账户的异常检测结果。5.如权利要求4所述的方法，根据所述训练样本组对应的各样本账户的异常检测结果之间的相似度，以及所述训练样本组的标注，对所述异常检测模型进行训练，具体包括：针对所述训练样本组对应的每个样本账户，将历史上对该样本账户所执行的异常处理策略输入所述异常检测模型的特征提取层，得到所述特征提取...

【专利技术属性】
技术研发人员：魏政，
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：