【技术实现步骤摘要】
本申请涉及计算机领域，尤其涉及一种异常账户的识别方法。
技术介绍
1、现有技术中，对异常账户的识别方法有很多种，大致可以分为两类，一类是将账户对应的数据输入到神经网络中进行识别，但是利用用户交易数据构建的网络过于巨大，如果将所有用户的交易数据输入到神经网络中，会导致通过神经网络得出的嵌入向量平庸化，即所有账户的特征表示相似，无法准确的对异常顶点进行识别；另一类方法是基于规则化，虽然基于规则化，拥有较高的业务可解释性，但是智能化程度低，对业务人员的要求高，且无法识别新型的异常交易模式。
技术实现思路
1、本申请提供一种异常账户的识别方法，能够提高异常账户识别的准确率和适用性。
2、第一方面，本申请实施例提供一种异常账户的识别方法，该方法可以由异常账户的识别装置执行，该异常账户的识别装置可以是一个终端设备或用于终端设备的模块，或者是一个服务器或用于服务器的模块。本申请对该方法的执行主体不做限定。该方法包括：通过交易数据确定待识别账户对应的n阶子图；其中，n大于等于2，n阶子图的顶点信息用于表示与待识别账户相关联的账户信息；n阶子图的边信息用于表示账户之间的交易信息；n阶子图的阶层用于表示与待识别账户的关联度；将n阶子图输入第一网络，确定第一输出结果；第一输出结果用于指示待识别账户是否属于异常账户；第一网络包括n个聚合层和第一分类层；n个聚合层的第i聚合层用于将n阶子图的第n-i+1阶图信息聚合到第n-i阶图信息中；其中，i∈[1,n]；每一阶的图信息包括处于该阶的顶点信息和
3、上述方案，一方面采用待识别账户对应的n阶子图，n阶子图包含了待识别账户及其周边交易对象的信息，也即n阶子图反映了以待识别账户为中心的交易网络，因此使用n阶子图进行识别，不仅能够提高异常账户识别的准确性，且n阶子图包含了丰富的顶点信息和边信息，减少了规则化的设计，拥有较高的业务可解释性，能够适用新型的异常交易模式。另一方面，第一网络包括n个聚合层，第i聚合层用于将n阶子图的第n-i+1阶图信息聚合到第n-i阶图信息，因此通过n次迭代就能够将n阶子图的每一阶的图信息均聚合到第n聚合层的输出结果，不仅提高了识别效率，而且第n聚合层的输出结果包含了n阶子图的所有顶点信息和边信息，第一分类层根据第n聚合层的输出结果能够实现准确确定待识别账户是否为异常账户；再一方面，第二网络包含第一网络的n个聚合层，也就是说第二网络和第一网络共享模型参数，因此对第二网络和第一网络训练时，能够节约资源，提高训练效率。另一方面，每一层并行池化层的输入为子图的结构特征向量，因此能够捕获子图的全局特征，能够实现对异常账户群的识别，进一步地，提升网络模型整体的识别准确率。
4、一种可能的实现方法中，根据第一历史交易数据，通过n次迭代，确定与待识别账户相关联的账户信息，作为n阶子图的顶点；其中，第i次迭代用于确定n阶子图的第i阶层的顶点，i为正整数；根据第二历史交易数据和n阶子图的顶点，确定n阶子图的边。
5、上述方案，第i次迭代用于确定n阶子图的第i阶层的顶点，也就是说n阶子图中相邻阶层的顶点均存在真实的交易信息，且相邻阶层的顶点对应的边信息也是根据历史交易记录确定的，因此，n阶子图反映了以待识别账户为中心的交易网络，根据该交易网络能够准确确定待识别账户是否为异常账户，且交易网络模拟了真实的交易场景，不受规则限定，因此具有更高的适用性。
6、一种可能的实现方法中，确定n阶子图中每个顶点的顶点特征和n阶子图中每条边的边特征；将n阶子图中每个顶点的顶点特征和/或n阶子图中每条边的边特征输入第一网络；针对第一网络中的第i聚合层，将第n-i+1阶的顶点信息和第n-i+1阶的边信息聚合到第n-i阶的顶点信息中，得到第n-i阶的顶点聚合向量；将第n-i+1阶的顶点信息和/或第n-i+1阶的边信息聚合到第n-i阶的边信息中，得到第n-i阶的边聚合向量；根据第n-i阶的顶点聚合向量和第n-i阶的边聚合向量，得到第n-i阶的聚合向量；将第n聚合层输出的第0阶的聚合向量输入第一网络中的第一分类层，确定待识别账户是否属于异常账户。
7、上述方案，根据n阶子图的顶点特征和边特征，将每一阶对应的顶点信息和边信息都聚合到下一阶对应的顶点信息和边信息中，使得最终的聚合向量包含了n阶子图中所有的边信息和顶点信息，因此根据最终的聚合向量能够提高异常账户识别的准确率。
8、一种可能的实现方法中，第n-i+1阶的边信息为位于第n-i+1阶的顶点与位于第n-i阶的顶点之间的边信息；将第n-i+1阶的顶点信息和/或第n-i+1阶的边信息聚合到第n-i阶的顶点信息中，得到第n-i阶的顶点聚合向量，包括：以位于第n-i阶的第m顶点为聚合对象，将位于第n-i+1阶的第n顶点的顶点信息和/或第n顶点与第m顶点之间的第n-i+1阶的边的边信息，聚合到第m顶点的顶点信息中，得到第m顶点的顶点聚合向量。
9、上述方案，对第n-i阶中任一顶点聚合向量均包含了第n-i+1阶的边信息和/或顶点信息，因此对于最终形成的顶点聚合向量不仅包含了n阶子图结构特征，还包含了其它顶点对应的顶点信息和/或边信息，因此根据最终的顶点聚合向量能够提高异常账户识别的准确率。
10、一种可能的实现方法中，将第n-i+1阶的顶点信息和/或第n-i+1阶的边信息聚合到第n-i阶的边信息中，得到第n-i阶的边聚合向量，包括：针对位于第n-i阶的第m顶点，以第m顶点在第n-i+1阶的第n边为聚合对象，将连接第n边的两个顶点信息和/或两个顶点的边信息聚合到第n边的边信息中，得到第n-i阶的第n边的边聚合向量；根据第m顶点的各边的边聚合向量，得到第m顶点的边聚合向量。
11、上述方案，对第n-i阶中任一边聚合向量均包含了第n-i+1阶的边信息和/或连接该边的两个顶点信息，因此对于最终形成的边聚合向量不仅包含了n阶子图结构特征，还包含连接此边的两个顶点信息，以及两个顶点的边信息，因此根据最终的边聚合向量能够提高异常账户识别的准确率。
12、一种可能的实现方法中，第一网络中的任一聚合层在对聚合对象进行聚合时，将聚合对象的边信息中的时间信息，作为聚合对象的影响参数信息。
13、上述方案，时间信息没有作为顶点特征和边特征输入到第一网络中，而是作为关键参数存在任一聚合层中，不同的交易时间对聚合对象的影响程度不同，因此将时间信息作为关键参数存在任一聚合层中，能够增大时间信息的作用，因此根据交易时间能够更加准确确定不同交易数据的权重，进一步地本文档来自技高网...
【技术保护点】
1.一种异常账户的识别方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述通过交易数据确定待识别账户对应的N阶子图，包括：
3.如权利要求1所述的方法，其特征在于，所述将所述N阶子图输入第一网络，确定第一输出结果，包括:
4.如权利要求3所述的方法，其特征在于，所述第N-i+1阶的边信息为位于所述第N-i+1阶的顶点与位于所述第N-i阶的顶点之间的边信息；
5.如权利要求3所述的方法，其特征在于，所述将所述第N-i+1阶的顶点信息和/或所述第N-i+1阶的边信息聚合到所述第N-i阶的边信息中，得到第N-i阶的边聚合向量，包括：
6.如权利要求1至5任一项所述的方法，其特征在于，所述第一网络中的任一聚合层在对聚合对象进行聚合时，将聚合对象的边信息中的时间信息，作为聚合对象的影响参数信息。
7.如权利要求6所述的方法，其特征在于，所述多个聚合层每一层的聚合向量对应的计算公式为：
8.如权利要求1所述的方法，其特征在于，所述根据所述N阶子图、所述N个聚合层的输出向量以及第二网络，确定第
9.如权利要求8所述的方法，其特征在于，所述基于所述第二网络的第i-1并行池化层的输出及所述第一网络的第i聚合层的输出，通过第i并行池化层确定所述N阶子图中在所述第i并行池化层对应的池化向量，包括：
10.如权利要求9所述的方法，其特征在于，所述根据权重最大的前M个顶点对应的聚合向量，确定所述第i并行池化层的池化向量的计算公式为：
...【技术特征摘要】
1.一种异常账户的识别方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述通过交易数据确定待识别账户对应的n阶子图，包括：
3.如权利要求1所述的方法，其特征在于，所述将所述n阶子图输入第一网络，确定第一输出结果，包括:
4.如权利要求3所述的方法，其特征在于，所述第n-i+1阶的边信息为位于所述第n-i+1阶的顶点与位于所述第n-i阶的顶点之间的边信息；
5.如权利要求3所述的方法，其特征在于，所述将所述第n-i+1阶的顶点信息和/或所述第n-i+1阶的边信息聚合到所述第n-i阶的边信息中，得到第n-i阶的边聚合向量，包括：
6.如权利要求1至5任一项所述的方法，其特征在于，所述第一网络中的任一聚...
【专利技术属性】
技术研发人员：李绪嘉，莫雪盈，邱毅，肖和兵，李元，陈雷，
申请(专利权)人：深圳前海微众银行股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。