异常交易识别方法及装置制造方法及图纸

本申请公开了一种异常交易识别方法及装置；本申请可以获取多笔交易各自对应的交易样本数据和样本标签数据，交易样本数据包括至少一个交易维度的维度数据；根据维度数据，创建多个维度筛选标准各自对应的数据集；将数据集进行组合，得到多个候选数据集组，并确定候选数据集组对应至少一个候选关联条件；从多个候选关联条件中筛选出目标关联条件，并基于目标关联条件，生成每个交易样本数据对应的交易关系数据；基于交易样本数据

【技术实现步骤摘要】
异常交易识别方法及装置


[0001]本申请涉及计算机
，具体涉及一种异常交易识别方法及装置
。

技术介绍

[0002]近年来，随着移动支付技术的发展，异常交易的形式也愈发多样，为了尽可能避免异常交易带来的不良后果，根据某笔交易的交易数据对其进行识别，以确定其是否为异常交易，逐渐成为理论和实践领域的研究热点，如根据人工智能领域的相关技术，构建以及使用样本数据训练人工智能模型，从而通过训练后的人工智能模型进行异常交易识别，现有的样本数据通常为人工辅助对原始数据进行处理所得，处理方式较为粗放，难以捕捉交易的多个维度数据之间
、
以及多笔交易之间可能存在的潜在关系，导致人工智能模型的异常识别准确率较低
。

技术实现思路

[0003]本申请实施例提供一种异常交易识别方法及装置，可以有效提升异常交易识别的准确率
。
[0004]本申请实施例提供一种异常交易识别方法，包括：
[0005]获取多笔交易各自对应的交易样本数据
、
以及交易样本数据对应的样本标签数据，交易样本数据包括至少一个交易维度的维度数据；
[0006]根据维度数据，创建多个维度筛选标准各自对应的数据集，数据集包括与维度筛选标准匹配的至少一个交易样本数据；
[0007]将数据集进行组合，得到多个候选数据集组，并基于候选数据集组中至少两个数据集各自的维度筛选标准，确定候选数据集组对应至少一个候选关联条件；
[0008]从多个候选关联条件中筛选出目标关联条件，并基于目标关联条件，生成每个交易样本数据对应的交易关系数据，交易关系数据表征交易样本数据与目标关联条件之间的关系；
[0009]基于交易样本数据
、
样本标签数据以及交易关系数据，对预设的交易识别模型进行训练，并通过训练后的交易识别模型确定待识别交易的异常识别结果
。
[0010]相应地，本申请实施例还提供了一种异常交易识别装置，包括：
[0011]获取模块，用于获取多笔交易各自对应的交易样本数据
、
以及交易样本数据对应的样本标签数据，交易样本数据包括至少一个交易维度的维度数据；
[0012]创建模块，用于根据维度数据，创建多个维度筛选标准各自对应的数据集，数据集包括与维度筛选标准匹配的至少一个交易样本数据；
[0013]确定模块，用于将数据集进行组合，得到多个候选数据集组，并基于候选数据集组中至少两个数据集各自的维度筛选标准，确定候选数据集组对应至少一个候选关联条件；
[0014]生成模块，用于从多个候选关联条件中筛选出目标关联条件，并基于目标关联条件，生成每个交易样本数据对应的交易关系数据，交易关系数据表征交易样本数据与目标
关联条件之间的关系；
[0015]识别模块，用于基于交易样本数据
、
样本标签数据以及交易关系数据，对预设的交易识别模型进行训练，并通过训练后的交易识别模型确定待识别交易的异常识别结果
。
[0016]在本申请的一些实施例中，多个交易样本数据保存在样本数据集中，创建模块可以包括创建子模块和存入子模块，其中，
[0017]创建子模块，用于根据多个交易样本数据各自的维度数据，确定多个维度筛选标准
、
以及创建多个维度筛选标准分别对应的多个数据集；
[0018]存入子模块，用于将交易数据集中，与每一维度筛选标准匹配的至少一个交易样本数据，分别存入每一维度筛选标准对应的数据集中
。
[0019]在本申请的一些实施例中，确定模块
330
包括组合子模块和确定子模块，其中，
[0020]组合子模块，用于将数据集进行组合，得到多个候选数据集组；
[0021]确定子模块，用于基于候选数据集组中至少两个数据集各自的维度筛选标准，确定候选数据集组对应至少一个候选关联条件
。
[0022]在本申请的一些实施例中，组合子模块具体用于：
[0023]根据每个数据集中交易样本数据的数量
、
以及样本数据集中交易样本数据的数量，分别计算多个数据集各自的支持度；
[0024]确定与预设支持度阈值相匹配的支持度为选中支持度，以及确定选中支持度所属的数据集为选中数据集；
[0025]将至少两个任意选中数据集进行组合，得到多个候选数据集组
。
[0026]在本申请的一些实施例中，生成模块包括筛选子模块和生成子模块，其中，
[0027]筛选子模块，用于从多个候选关联条件中筛选出目标关联条件；
[0028]生成子模块，用于基于目标关联条件，生成每个交易样本数据对应的交易关系数据，交易关系数据表征交易样本数据与目标关联条件之间的关系
。
[0029]在本申请的一些实施例中，候选关联条件与至少两个选中数据集对应，筛选子模块包括计算单元和确定单元，其中，
[0030]计算单元，用于根据每个候选关联条件对应的至少两个选中数据集各自的选中支持度，分别计算每个候选关联条件的提升度；
[0031]确定单元，用于若存在与预设提升度阈值匹配的目标提升度，确定目标提升度所属的目标关联条件
。
[0032]在本申请的一些实施例中，候选关联条件对应第一选中数据集和第二选中数据集，计算单元包括第一计算子单元和第二计算子单元，其中，
[0033]第一计算子单元，用于基于第一选中数据集的选中支持度，计算候选关联条件的置信度；
[0034]第二计算子单元，用于根据置信度和第二选中数据集的选中支持度，计算候选关联条件的提升度
。
[0035]在本申请的一些实施例中，第一计算子单元具体用于：
[0036]将第一选中数据集的维度筛选标准
、
和第二选中数据集的维度筛选标准合并，得到候选关联条件对应的合并维度筛选标准；
[0037]确定样本数据集中与合并维度筛选标准匹配的交易样本数据的数据数量；
[0038]基于数据数量
、
以及样本数据集中交易样本数据的数量，计算候选关联条件对应的合并支持度；
[0039]基于合并支持度
、
以及第一选中数据集的选中支持度，计算候选关联条件的置信度
。
[0040]在本申请的一些实施例中，目标关联条件为基于至少两个目标维度筛选标准确定的信息，生成子模块具体用于：
[0041]确定交易样本数据与至少两个目标维度筛选标准的匹配结果；
[0042]根据匹配结果，生成交易样本数据对应的交易关系数据
。
[0043]在本申请的一些实施例中，识别模块包括训练子模块和识别子模块，其中，
[0044]训练子模块，用于基于交易样本数据
、
样本标签数据以及交易关系数据，对预设的交易识别模型进行训练；
[0045]识别子模块，用于通过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种异常交易识别方法，其特征在于，所述方法包括：获取多笔交易各自对应的交易样本数据
、
以及所述交易样本数据对应的样本标签数据，所述交易样本数据包括至少一个交易维度的维度数据；根据所述维度数据，创建多个维度筛选标准各自对应的数据集，所述数据集包括与维度筛选标准匹配的至少一个交易样本数据；将所述数据集进行组合，得到多个候选数据集组，并基于所述候选数据集组中至少两个数据集各自的维度筛选标准，确定所述候选数据集组对应至少一个候选关联条件；从多个所述候选关联条件中筛选出目标关联条件，并基于所述目标关联条件，生成每个所述交易样本数据对应的交易关系数据，所述交易关系数据表征所述交易样本数据与所述目标关联条件之间的关系；基于所述交易样本数据
、
所述样本标签数据以及所述交易关系数据，对预设的交易识别模型进行训练，并通过训练后的交易识别模型确定待识别交易的异常识别结果
。2.
根据权利要求1所述的方法，其特征在于，所述多个交易样本数据保存在样本数据集中，所述根据所述维度数据，创建多个维度筛选标准各自对应的数据集，包括：根据所述多个交易样本数据各自的维度数据，确定多个维度筛选标准
、
以及创建所述多个维度筛选标准分别对应的多个数据集；将所述交易数据集中，与每一维度筛选标准匹配的至少一个交易样本数据，分别存入每一维度筛选标准对应的数据集中
。3.
根据权利要求2所述的方法，所述将所述数据集进行组合，得到多个候选数据集组关联条件，包括：根据每个所述数据集中交易样本数据的数量
、
以及所述样本数据集中交易样本数据的数量，分别计算多个所述数据集各自的支持度；确定与预设支持度阈值相匹配的支持度为选中支持度，以及确定所述选中支持度所属的数据集为选中数据集；将至少两个任意选中数据集进行组合，得到多个候选数据集组
。4.
根据权利要求3所述的方法，其特征在于，所述候选关联条件与至少两个选中数据集对应，所述从多个所述候选关联条件中筛选出目标关联条件，包括：根据每个所述候选关联条件对应的至少两个选中数据集各自的选中支持度，分别计算每个所述候选关联条件的提升度；若存在与预设提升度阈值匹配的目标提升度，确定所述目标提升度所属的目标关联条件
。5.
根据权利要求4所述的方法，其特征在于，所述候选关联条件对应第一选中数据集和第二选中数据集，所述根据每个所述候选关联条件对应的至少两个选中数据集各自的选中支持度，分别计算每个所述候选关联条件的提升度，包括：基于所述第一选中数据集的选中支持度，计算所述候选关联条件的置信度；根据所述置信度和所述第二选中数据集的选中支持度，计算所述候选关联条件的提升度
。
6.
根据权利要求5所述的方法，其特征在于，所述基于所述第一选中数据集的选中支持度，计算所述候选关联条件的置信度，包括：将所述第一选中数据集的维度筛选标准
、
和所述第二选中数据集的维度筛选标准合并，得到所述候选关联条件对应的合并维度筛选标准；确定所述样本数据集中与所述合并维度筛选标准匹配的交易样本数据的数据数量；基于所述数据数量
、
以及所述样本数据集中交易样本数据的数量，计算所述候选关联条件对应的合并支持度；基于所述合并支持度
、
以及所述第一选中数据集的选中支持度，计算所述候选关联条件的置信度
。7.
根据权利要求1所述的方法，其特征在于，所述目标关联条件为基于至少两个目标维度筛选标准确定的信息，所述基于所述目标关联条件，生成每个所述交易样本数据对应的交易关系数据，包括：确定所述交易样本数据与所述至少两个目标维度筛选标准的匹配结果；根据所述匹配结果，生成所述交易样本数据对应的交易关系数据
。8.
根据权利要求1所述的方法，其特征在于，所述基于所述交易样本数据
、
所述样本标签数据以及所述交易关系数据，对预设的交易识别模型进行训练，包括：基于多个所述交易样本数据，确定每个所述交易样本数据对应的交易特征数据；基于所述交易样本数据
、
所述样本标签数据
、
所述交易特征数据以及所述交易关...

【专利技术属性】
技术研发人员：林岳，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：