【技术实现步骤摘要】
本专利技术涉及区块链，尤其涉及一种用户识别方法及装置。
技术介绍
1、在区块链技术的应用中，区块链地址或区块链用户的风险识别是一个重要问题。
2、为了解决该问题，相关技术采用机器学习的方式来识别区块链地址的身份。但是，由于区块链交易存在数据量大、涉及的区块链地址多、且各个区块链地址对应较多不相关的邻居地址等问题，导致机器学习的效果较差，因此识别风险用户的准确率较差。
技术实现思路
1、有鉴于此，本专利技术实施例提供一种用户识别方法及装置，按照区块链用户为节点、区块链用户之间的交易关系为边构建交易网络，并根据交易网络训练图神经网络。由此将区块链地址按照用户维度进行聚类，不仅减少了训练数据量，还减少了弱相关数据或不相关数据对训练的影响，从而提高图神经网络的训练效率和训练准确性。并且，利用该图神经网络得到交易网络的第二图嵌入特征以及交易网络中各个节点的正负标签训练得到随机森林模型，因此在随机森林模型的训练过程中也减少了不相关或弱相关数据的影响，因而也提高了随机森林模型的准确性。由此，利用训练后的图神经网络得到区块链交易信息对应的第一图嵌入特征，并基于该第一图嵌入特征利用随机森林模型识别区块链交易信息中的风险用户，该过程不仅通过训练后的图神经网络提高了第一图嵌入特征的提取准确性，也通过训练后的随机森林模型提高了概率预测准确性，因此提高了识别风险用户的准确性。
2、为实现上述目的，根据本专利技术实施例的一个方面，提供了一种用户识别方法。本专利技术实施例的用户识别方法包
3、将区块链交易信息输入训练后的图神经网络，得到区块链交易信息对应的第一图嵌入特征；图神经网络是根据历史交易数据对应的交易网络训练得到的，交易网络以区块链用户为节点、区块链用户之间的交易关系为边；
4、根据第一图嵌入特征，利用随机森林模型识别区块链交易信息中的风险用户；随机森林模型是根据交易网络对应的第二图嵌入特征以及交易网络中各个节点的正负标签训练得到的，节点的正负标签是根据节点对应的交易输入地址和/或交易输出地址的正负标签确定的。
5、可选地，图神经网络的训练步骤包括：
6、获取多组样本数据，多组样本数据分别对应多笔区块链交易，且每组样本数据包括一个或多个交易输入地址以及一个或多个交易输出地址；
7、针对每笔区块链交易：确定一个或多个交易输入地址对应的第一区块链用户、以及一个或多个交易输出地址对应的第二区块链用户；
8、将多笔区块链交易分别对应的第一区块链用户和第二区块链用户作为节点；
9、根据第一区块链用户与第二区块链用户之间的交易关系形成边，并根据区块链用户之间的交易金额和交易次数确定边权重，得到交易网络；
10、将交易网络作为图神经网络的输入，对图神经网络进行训练。
11、可选地，确定所述一个或多个交易输入地址分别对应的第一区块链用户，包括：确定同一笔区块链交易中多个交易输入地址对应同一个第一区块链用户。
12、可选地，确定所述一个或多个交易输入地址分别对应的第一区块链用户，包括：确定找零地址，并确定找零地址与同一笔区块链交易中的交易输入地址对应同一个第一区块链用户。
13、可选地，该方法还包括：在第一区块链用户对应有任一个负标签的交易输入地址的情况下，确定第一区块链用户为负标签；在第二区块链用户对应有任一个负标签的交易输出地址的情况下，确定第二区块链用户为负标签。
14、可选地，该方法还包括：根据交易网络中各个节点的出度和入度，从各个节点中确定目标节点以及目标节点对应的出边邻接点；目标节点的入度大于第一阈值且出度大于第二阈值；
15、删除目标节点对应的出边邻接点，以优化交易网络；
16、将优化后的交易网络作为图神经网络的输入。
17、可选地，图神经网络基于图注意力网络构建，对所述图神经网络进行训练，包括：
18、针对交易网络中的每个节点：确定节点的邻居节点；
19、将节点的第一特征信息与对应的邻居节点的第二特征信息以及边权重进行拼接，得到特征向量；
20、根据特征向量利用参数化修正线性函数得到邻居节点的注意力评分；
21、根据注意力评分对邻居节点进行聚合，得到节点对应的目标特征信息；
22、根据各个节点的目标特征信息对图神经网络进行训练。
23、可选地，对所述图神经网络进行训练，还包括：
24、根据焦点损失函数以及l1范数正则项构建图神经网络的损失函数。
25、可选地，焦点损失函数中针对负样本的聚焦程度参数与正负节点的比例正相关。
26、为实现上述目的，根据本专利技术实施例的又一方面，提供了一种用户识别装置。本专利技术实施例的一种用户识别装置包括：信息获取模块、特征确定模块和风险用户识别模块；其中，
27、信息获取模块配置为获取区块链交易信息；
28、特征确定模块配置为将区块链交易信息输入训练后的图神经网络，得到区块链交易信息对应的第一图嵌入特征；图神经网络是根据交易网络训练得到的，交易网络以区块链用户为节点、区块链用户之间的交易关系为边；
29、风险用户识别模块配置为根据第一图嵌入特征，利用随机森林模型识别区块链交易信息中的风险用户；随机森林模型是根据交易网络对应的第二图嵌入特征以及交易网络中各个节点的正负标签训练得到的，节点的正负标签是根据节点对应的交易输入地址和/或交易输出地址的正负标签确定的。
30、为实现上述目的，根据本专利技术实施例的又一方面，提供了一种识别用户的电子设备。本专利技术实施例的一种识别用户的电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现本专利技术实施例的一种用户识别方法。
31、为实现上述目的，根据本专利技术实施例的再一方面，提供了一种计算机可读存储介质。本专利技术实施例的一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本专利技术实施例的一种用户识别方法。
32、为实现上述目的，根据本专利技术实施例的又一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本专利技术实施例的一种用户识别方法。
33、上述专利技术中的一个实施例具有如下优点或有益效果：按照区块链用户为节点、区块链用户之间的交易关系为边构建交易网络，并根据交易网络训练图神经网络。由此将区块链地址按照用户维度进行聚类，不仅减少了训练数据量，还减少了弱相关数据或不相关数据对训练的影响，从而提高图神经网络的训练效率和训练准确性。并且，利用该图神经网络得到交易网络的第二图嵌入特征以及交易网络中各个节点的正负标签训练得到随机森林模型，因此在随机森林模型的训练过程中也减少了不相关或弱相关数据的影响，因而也提高了随机森林模型的准确性。由此，利用训练后的图神经网络得到区块链交易信息对应的第本文档来自技高网...
【技术保护点】
1.一种用户识别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述图神经网络的训练步骤包括：
3.根据权利要求2所述的方法，其特征在于，所述确定所述一个或多个交易输入地址分别对应的第一区块链用户，包括：
4.根据权利要求2所述的方法，其特征在于，
5.根据权利要求2所述的方法，其特征在于，还包括：
6.根据权利要求2所述的方法，其特征在于，所述图神经网络基于图注意力网络构建，所述对所述图神经网络进行训练，包括：
7.根据权利要求2所述的方法，其特征在于，所述对所述图神经网络进行训练，还包括：
8.根据权利要求7所述的方法，其特征在于，
9.一种用户识别装置，其特征在于，包括：信息获取模块、特征确定模块和风险用户识别模块；其中，
10.一种识别用户的电子设备，其特征在于，包括：
11.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-8任一所述的用户识别方法。
【技术特征摘要】
1.一种用户识别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述图神经网络的训练步骤包括：
3.根据权利要求2所述的方法，其特征在于，所述确定所述一个或多个交易输入地址分别对应的第一区块链用户，包括：
4.根据权利要求2所述的方法，其特征在于，
5.根据权利要求2所述的方法，其特征在于，还包括：
6.根据权利要求2所述的方法，其特征在于，所述图神经网络基于图注意力网络构建，所述对所述图神经网...
【专利技术属性】
技术研发人员：李新萌，蒋昊，李岩，曾军崴，李勇忠，敖萌，余磊，卿苏德，
申请(专利权)人：中国人民银行数字货币研究所，
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。