异常账户识别模型的训练方法、识别方法、装置及设备与流程

1.本公开涉及人工智能技术领域，具体涉及机器学习技术领域，更具体地涉及一种异常账户识别模型的训练方法、识别方法、装置、设备、介质和程序产品。


背景技术：

2.账户可以是用于反映资金变动、资金流转情况的载体。相关金融组织或机构可以按照相关法规规定，为用户开设的用于资金流转、交易等业务需求的账户。随着经济的快速发展，越来越多的资金借助互联网技术可以在不同的账户之间流转，以满足相关用户的经营需求、生活需求。而异常账户可以是用户在违反相关法律法规的情况下，用于实现资金流转、交易等业务的账户。
3.在实现本公开构思的过程中，发明人发现对于异常账户的识别准确率和识别效率较低，不能满足实际需求。


技术实现要素：

4.鉴于上述问题，本公开提供了异常账户识别模型的训练方法、识别方法、装置、设备、介质和程序产品。
5.根据本公开的第一个方面，提供了一种异常账户识别模型的训练方法，包括：
6.对样本账户的交易数据进行处理，生成初始样本交易特征，其中，上述初始样本交易特征包括账户登录类特征、交易频次类特征、交易金额类特征、账户余额类特征或交易属地类特征中的至少一项；
7.对上述初始样本交易特征和样本标签进行相关性检验，得到能够表征上述样本标签的目标样本交易特征；
8.根据上述目标样本交易特征生成训练样本，其中，上述训练样本具有用于表征样本账户是否异常的上述样本标签；以及
9.利用上述训练样本训练初始异常账户识别模型，得到训练后的异常账户识别模型。
10.根据本公开的实施例，上述初始样本交易特征包括多个；
11.对上述初始样本交易特征和样本标签进行相关性检验，得到能够表征上述样本标签的目标样本交易特征包括：
12.对上述初始样本交易特征和上述样本标签进行卡方相关性检验，得到相关性检验结果；
13.在上述相关性检验结果小于相关性阈值的情况下，将上述初始样本交易特征确定为上述目标样本交易特征。
14.根据本公开的实施例，
15.上述交易金额类特征包括以下至少一项：上述样本账户的交易金额最小值特征、上述样本账户的交易金额均值特征、上述样本账户的交易金额最大值特征、针对上述交易
金额的分散转入集中转出特征和针对上述交易金额的集中转入分散转出特征。
16.上述交易属地类特征包括以下至少一项：上述样本账户的跨地域交易特征、上述样本账户的跨机构交易特征。
17.根据本公开的实施例，上述初始异常账户识别模型包括决策树模型。
18.根据本公开的实施例，利用上述训练样本训练初始异常账户识别模型，得到训练后的异常账户识别模型包括：
19.利用上述训练样本训练初始异常账户识别模型，得到训练后的候选异常账户识别模型与上述候选异常识别模型的样本识别结果；
20.根据上述样本识别结果，迭代地训练上述候选异常账户识别模型，得到训练后的上述异常账户识别模型。
21.本公开的第二方面提供了一种异常账户识别方法，包括：
22.对目标账户的目标交易数据进行处理，生成目标交易特征，其中，上述目标交易特征包括账户登录类特征、交易频次类特征、交易金额类特征、账户余额类特征或交易属地类特征中的至少一项；
23.利用根据上述的训练方法得到的异常账户识别模型处理上述目标交易特征，得到上述目标账户的识别结果，其中，上述识别结果表征上述目标账户异常或正常。
24.本公开的第三方面提供了一种异常账户识别模型的训练装置，包括：
25.处理模块，用于对样本账户的交易数据进行处理，生成初始样本交易特征，其中，上述初始样本交易特征包括账户登录类特征、交易频次类特征、交易金额类特征、账户余额类特征或交易属地类特征中的至少一项；
26.检验模块，用于对上述初始样本交易特征和样本标签进行相关性检验，得到能够表征上述样本标签的目标样本交易特征；
27.训练样本生成模块，用于根据上述目标样本交易特征生成训练样本，其中，上述训练样本具有用于表征样本账户是否异常的上述样本标签；以及
28.训练模块，用于利用上述训练样本训练初始异常账户识别模型，得到训练后的异常账户识别模型。
29.本公开的第四方面提供了一种异常账户识别装置，包括：
30.目标处理模块，用于对目标账户的目标交易数据进行处理，生成目标交易特征，其中，上述目标交易特征包括账户登录类特征、交易频次类特征、交易金额类特征、账户余额类特征或交易属地类特征中的至少一项；
31.识别模块，用于利用根据权利要求1至5中任一项上述的训练方法得到的异常账户识别模型处理上述目标交易特征，得到上述目标账户的识别结果，其中，上述识别结果表征上述目标账户异常或正常。
32.本公开的第五方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述异常账户识别模型的训练方法、异常账户识别方法。
33.本公开的第六方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述异常账户识别模型的训练方法、异常账户识别方法。
34.本公开的第七方面还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上述异常账户识别模型的训练方法、异常账户识别方法。
附图说明
35.通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
36.图1示意性示出了根据本公开实施例的异常账户识别模型的训练方法、异常账户识别方法、装置的应用场景图；
37.图2示意性示出了根据本公开实施例的异常账户识别模型的训练方法的流程图；
38.图3示意性示出了根据本公开实施例的利用训练样本训练初始异常账户识别模型，得到训练后的异常账户识别模型的流程图；
39.图4示意性示出了根据本公开实施例的异常账户识别模型的训练方法的应用场景图；
40.图5示意性示出了根据本公开实施例的异常账户识别方法的流程图；
41.图6示意性示出了根据本公开实施例的异常账户识别模型的训练装置的结构框图；
42.图7示意性示出了根据本公开实施例的异常账户识别装置的结构框图；以及
43.图8示意性示出了根据本公开实施例的适于实现异常账户识别模型的训练方法、异常账户识别方法的电子设备的方框图。
具体实施方式
44.以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
45.在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
46.在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
47.在使用类似于“a、b和c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b和c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。
48.在实现本公开构思的过程中，发明人发现对于异常账户的识别准确率较低，且需要依赖人工识别，人力成本高，识别效率低，难以满足实际需求。
49.本公开的实施例提供了一种异常账户识别模型的训练方法，包括：对样本账户的
交易数据进行处理，生成初始样本交易特征，其中，初始样本交易特征包括账户登录类特征、交易频次类特征、交易金额类特征、账户余额类特征或交易属地类特征中的至少一项；对初始样本交易特征和样本标签进行相关性检验，得到能够表征样本标签的目标样本交易特征；根据目标样本交易特征生成训练样本，其中，训练样本具有用于表征样本账户是否异常的样本标签；以及利用训练样本训练初始异常账户识别模型，得到训练后的异常账户识别模型。
50.根据本公开的实施例，通过对样本账户的交易数据进行处理，可以生成初始样本交易特征，通过对初始样本交易特征和样本标签进行相关性检验，得到能够表征样本标签的目标样本交易特征，可以避免利用与样本标签没有相关性的初始样本交易特征训练初始异常账户识别模型，以提升训练效率，并提升训练后得到的异常账户识别模型的识别准确率，因此利用异常账户识别模型进行异常账户识别，可以提升异常账户识别的准确率与识别效率。
51.在本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
52.在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。
53.图1示意性示出了根据本公开实施例的异常账户识别模型的训练方法、异常账户识别方法、装置的应用场景图。
54.如图1所示，根据该实施例的应用场景100可以包括终端设备101、102、103、网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
55.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
56.终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
57.服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
58.需要说明的是，本公开实施例所提供的异常账户识别模型的训练方法、异常账户识别方法一般可以由服务器105执行。相应地，本公开实施例所提供的异常账户识别模型的训练装置、异常账户识别装置一般可以设置于服务器105中。本公开实施例所提供的异常账户识别模型的训练方法、异常账户识别方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的异常账户识别模型的训练装置、异常账户识别装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
59.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
60.以下将基于图1描述的场景，通过图2～图4对公开实施例的异常账户识别模型的训练方法进行详细描述。
61.图2示意性示出了根据本公开实施例的异常账户识别模型的训练方法的流程图。
62.如图2所示，异常账户识别模型的训练方法可以包括操作s201～操作s204。
63.在操作s201，对样本账户的交易数据进行处理，生成初始样本交易特征，其中，初始样本交易特征包括账户登录类特征、交易频次类特征、交易金额类特征、账户余额类特征或交易属地类特征中的至少一项。
64.根据本公开的实施例，样本账户的交易数据可以包括样本账户的交易金额数据，例如汇入样本账户的汇入金额数据、从样本账户汇出的汇出金额数据、样本账户的余额数据等。样本账户的交易数据还可以包括通过样本账户进行交易的交易时间数据、交易地点数据、关联交易机构数据、交易频次数据等。
65.根据本公开的实施例，账户登录类特征可以包括反映样本账户通过移动终端登录情况的特征，例如登录样本账户的频次、登录持续时长等。交易频次类特征可以包括用于反映样本账户交易频次情况的特征，例如可以包括样本账户每日的交易频次，交易的间隔时长等。交易属地类特征可以包括反映样本账户的交易发生地点的特征，也可以包括反映样本账户的交易所属的机构的特征等。
66.应该理解的是，交易属地类特征可以包括反映样本账户的地点的特征，也可以包括与样本账户产生交易关系的关联账户的地点的特征。同样的，交易属地类特征可以包括反映样本账户所属机构的特征，也可以包括反映与样本账户产生交易关系的关联账户所属机构的特征。
67.在操作s202，对初始样本交易特征和样本标签进行相关性检验，得到能够表征样本标签的目标样本交易特征。
68.在操作s203，根据目标样本交易特征生成训练样本，其中，训练样本具有用于表征样本账户是否异常的样本标签。
69.根据本公开的实施例，对初始样本交易特征和样本标签进行相关性检验，可以是检验初始样本交易特征与样本标签的相关性。例如可以通过卡方检验对对初始样本交易特征和样本标签进行相关性检验。在检验结果表征初始样本交易特征与样本标签相关联的情况下，可以将该初始样本交易特征确定为目标样本交易特征。
70.根据本公开的实施例，样本标签可以包括用于表征样本账户异常的正标签，还可以包括用于表征样本账户正常的负标签。
71.在操作s204，利用训练样本训练初始异常账户识别模型，得到训练后的异常账户识别模型。
72.根据本公开的实施例，异常账户识别模型可以包括基于机器学习构建的模型，例如基于决策树构建的决策树模型，但不仅限于此，也可以包括基于神经网络构建的模型。
73.始异常账户识别模型，得到训练后的异常账户识别模型。
74.根据本公开的实施例，通过对样本账户的交易数据进行处理，可以生成初始样本交易特征，通过对初始样本交易特征和样本标签进行相关性检验，得到能够表征样本标签的目标样本交易特征，可以避免利用与样本标签没有相关性的初始样本交易特征训练初始异常账户识别模型，以提升训练效率，并提升训练后得到的异常账户识别模型的识别准确
率，因此利用异常账户识别模型进行异常账户识别，可以提升异常账户识别的准确率与识别效率。
75.根据本公开的实施例，交易金额类特征可以包括以下至少一项：样本账户的交易金额最小值特征、样本账户的交易金额均值特征、样本账户的交易金额最大值特征、针对交易金额的分散转入集中转出特征和针对交易金额的集中转入分散转出特征。
76.交易属地类特征可以包括以下至少一项：样本账户的跨地域交易特征、样本账户的跨机构交易特征。
77.根据本公开的实施例，交易金额类特征可以包括能够反映样本账户交易金额情况的特征。如表1所示，交易金额类特征可以通过表1中说明部分生成。
78.表1
79.[0080][0081]
根据本公开的实施例，交易属地类特征可以的交易发生地点的特征，也可以包括反映样本账户的交易所属的机构的特征等。如表2所示，交易属地类特征可以通过表2中说明部分生成。
[0082]
表2
[0083]
[0084][0085]
根据本公开的实施例，账户登录类特征可以包括反映样本账户通过移动终端登录情况的特征。如表3所示，账户登录类特征可以通过表3中说明部分生成。
[0086]
表3
[0087]
[0088][0089]
根据本公开的实施例，账户余额类特征可以包括反映样本账户的余额情况的特征。如表4所示，账户余额类特征可以通过表4中说明部分生成。
[0090]
表4
[0091][0092]
根据本公开的实施例，交易频次类特征可以包括反映样本账户的交易频次情况的特征。如表5所示，交易频次类特征可以通过表5中说明部分生成。
[0093]
表5
[0094]
[0095][0096]
可以表示相关性检验结果。在相关性检验结果χ2小于相关性阈值的情况下，可以将初始样本交易特征确定为目标样本交易特征。在相关性检验结果χ2大于或等于相关性阈值的情况下，可以将该初始样本交易特征滤除，即不使用该初始样本交易特征训练初始异常账户识别模型。从而可以避免针对初始异常账户识别模型的训练过程中产生过拟合，以提升训练效率。
[0115]
根据本公开的实施例，初始异常账户识别模型可以包括决策树模型。
[0116]
根据本公开的实施例，初始异常账户识别模型例如可以包括基于xgboost(extreme gradient boosting)构建得到的，但不仅限于此，还可以是基于gbdt(gradient boosting decision tree，梯度提升决策树)构建得到的，本公开的实施例对初始异常账户识别模型的具体模型结构不做限定。
[0117]
图3示意性示出了根据本公开实施例的利用训练样本训练初始异常账户识别模型，得到训练后的异常账户识别模型的流程图。
[0118]
如图3所示，操作s204，利用训练样本训练初始异常账户识别模型，得到训练后的异常账户识别模型可以包括操作s301～操作s302。
[0119]
在操作s301，利用训练样本训练初始异常账户识别模型，得到训练后的候选异常账户识别模型与候选异常识别模型的样本识别结果。
[0120]
在操作s302，根据样本识别结果，迭代地训练候选异常账户识别模型，得到训练后的异常账户识别模型。
[0121]
根据本公开的实施例，可以利用训练样本中的目标样本交易特征和与样本账户具有的样本标签训练初始异常账户识别模型。例如，在基于xgboost(extreme gradient boosting)构建初始异常账户识别模型的情况下，可以将目标样本交易特征输入至初始异常账户识别模型，采用前向分布算法进行贪婪学习，通过特征分裂来生长一棵新的cart树，来拟合已经生成的cart树的的预测结果与样本标签的残差。在得到多棵cart树的情况下，每棵cart树的节点可以与目标样本交易特征相对应，每棵cart树的叶子节点可以是一个预测值，将所有叶子节点的预测值相加可以得到样本识别结果，所得到的多棵cart树可以是候选异常识别模型。
[0122]
根据候选异常识别模型输出的样本识别结果和样本标签，可以确定候选异常识别模型的召回率，在召回率满足预设召回率规则的情况下，例如在召回率低于预设召回率阈值的情况下，可以确定候选异常识别模型的识别准确率不满足需求。从而可以对初始样本交易特征进行更新，对更新后的初始样本交易特征和样本标签进行相关性检验，得到新的目标样本交易特征，利用新的目标样本交易特征迭代地训练候选异常账户识别模型，得到训练后的异常账户识别模型。
[0123]
根据本公开的实施例，还可以将训练样本划分为训练样本集合与测试样本集合，利用训练样本集合训练初始异常账户识别模型，得到训练后的候选异常账户识别模型与候选异常识别模型的样本识别结果。根据样本识别结果，利用测试样本集合迭代地训练候选异常账户识别模型，得到训练后的异常账户识别模型，从而进一步提升异常账户识别模型的识别准确率。
[0124]
图4示意性示出了根据本公开实施例的异常账户识别模型的训练方法的应用场景图。
[0125]
如图4所示，在执行操作s410开始操作后，可以执行操作s420，获取样本账户的交易数据。
[0126]
在操作s430，对交易数据进行处理，生成初始样本交易特征。
[0127]
在操作s440，对初始样本交易特征和样本标签进行相关性检验，得到目标样本交易特征。在本实施例中，可以对初始样本交易特征和样本标签进行卡方相关性检验，以确定初始样本交易特征与样本标签的相关性。在相关性检验结果小于相关性阈值的情况下，将初始样本交易特征确定为目标样本交易特征。
[0128]
在操作s450，根据目标样本交易特征生成训练样本。训练样本可以具有用于表征样本账户是否异常的样本标签。可以将表征样本账户异常的样本标签确定为正标签，将表征样本账户正常的样本标签确定为负标签。
[0129]
在操作s460，利用训练样本训练初始异常账户识别模型，得到候选异常账户识别模型和样本识别结果。根据样本识别结果和样本标签，可以得到候选异常账户识别模型的召回率。
[0130]
在操作s470，判断召回率是否满足预设召回率规则。在判断结果为否的情况下，可以返回操作s430，迭代地对交易数据进行处理，以实现对初始样本交易特征进行更新，生成更新后的初始样本交易特征。然后重复执行操作s440至操作s470。
[0131]
直至操作s470的判断结果为是的情况下，可以得到训练后的异常账户识别模型。并执行操作s480，结束操作。
[0132]
图5示意性示出了根据本公开实施例的异常账户识别方法的流程图。
[0133]
如图5所示，异常账户识别方法可以包括操作s501～操作s502。
[0134]
在操作s501，对目标账户的目标交易数据进行处理，生成目标交易特征，其中，目标交易特征包括账户登录类特征、交易频次类特征、交易金额类特征、账户余额类特征或交易属地类特征中的至少一项。
[0135]
在操作s502，利用上述异常账户识别模型的训练方法得到的异常账户识别模型处理目标交易特征，得到目标账户的识别结果，其中，识别结果表征目标账户异常或正常。
[0136]
基于上述异常账户识别模型的训练方法，本公开还提供了一种异常账户识别模型的训练装置。以下将结合图6对该装置进行详细描述。
[0137]
图6示意性示出了根据本公开实施例的异常账户识别模型的训练装置的结构框图。
[0138]
如图6所示，该实施例的异常账户识别模型的训练装置600包括处理模块610、检验模块620、训练样本生成模块630和训练模块640。
[0139]
处理模块610，用于对样本账户的交易数据进行处理，生成初始样本交易特征，其中，初始样本交易特征包括账户登录类特征、交易频次类特征、交易金额类特征、账户余额类特征或交易属地类特征中的至少一项。
[0140]
检验模块620，用于对初始样本交易特征和样本标签进行相关性检验，得到能够表征样本标签的目标样本交易特征。
[0141]
训练样本生成模块630，用于根据目标样本交易特征生成训练样本，其中，训练样本具有用于表征样本账户是否异常的样本标签。
[0142]
训练模块640，用于利用训练样本训练初始异常账户识别模型，得到训练后的异常
账户识别模型。
[0143]
根据本公开的实施例，初始样本交易特征可以包括多个。
[0144]
检验模块包括：检验单元和确定单元。
[0145]
检验单元，用于对初始样本交易特征和样本标签进行卡方相关性检验，得到相关性检验结果。
[0146]
确定单元，用于在相关性检验结果小于相关性阈值的情况下，将初始样本交易特征确定为目标样本交易特征。
[0147]
根据本公开的实施例，交易金额类特征包括以下至少一项：样本账户的交易金额最小值特征、样本账户的交易金额均值特征、样本账户的交易金额最大值特征、针对交易金额的分散转入集中转出特征和针对交易金额的集中转入分散转出特征。
[0148]
交易属地类特征包括以下至少一项：样本账户的跨地域交易特征、样本账户的跨机构交易特征。
[0149]
根据本公开的实施例，初始异常账户识别模型包括决策树模型。
[0150]
根据本公开的实施例，训练模块可以包括初始训练单元和迭代训练单元。
[0151]
初始训练单元，用于利用训练样本训练初始异常账户识别模型，得到训练后的候选异常账户识别模型与候选异常识别模型的样本识别结果。
[0152]
迭代训练单元，用于根据样本识别结果，迭代地训练候选异常账户识别模型，得到训练后的异常账户识别模型。
[0153]
基于上述异常账户识别方法，本公开还提供了一种异常账户识别装置。以下将结合图7对该装置进行详细描述。
[0154]
图7示意性示出了根据本公开实施例的异常账户识别装置的结构框图。
[0155]
如图7所示，该实施例的异常账户识别装置700包括目标处理模块710和识别模块720。
[0156]
目标处理模块710，用于对目标账户的目标交易数据进行处理，生成目标交易特征，其中，目标交易特征包括账户登录类特征、交易频次类特征、交易金额类特征、账户余额类特征或交易属地类特征中的至少一项；
[0157]
识别模块720，用于利用上述异常账户识别模型的训练方法得到的异常账户识别模型处理目标交易特征，得到目标账户的识别结果，其中，识别结果表征目标账户异常或正常。
[0158]
根据本公开的实施例，处理模块610、检验模块620、训练样本生成模块630、训练模块640、目标处理模块710和识别模块720中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，处理模块610、检验模块620、训练样本生成模块630、训练模块640、目标处理模块710和识别模块720中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，处理模块610、检验模块620、训练样本生成模块630、训练模块640、目标处理模块710
和识别模块720中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
[0159]
图8示意性示出了根据本公开实施例的适于实现异常账户识别模型的训练方法、异常账户识别方法的电子设备的方框图。
[0160]
如图8所示，根据本公开实施例的电子设备800包括处理器801，其可以根据存储在只读存储器(rom)802中的程序或者从存储部分808加载到随机访问存储器(ram)803中的程序而执行各种适当的动作和处理。处理器801例如可以包括通用微处理器(例如cpu)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(asic))等等。处理器801还可以包括用于缓存用途的板载存储器。处理器801可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
[0161]
在ram803中，存储有电子设备800操作所需的各种程序和数据。处理器801、rom802以及ram803通过总线804彼此相连。处理器801通过执行rom 802和/或ram 803中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除rom 802和ram 803以外的一个或多个存储器中。处理器801也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
[0162]
根据本公开的实施例，电子设备800还可以包括输入/输出(i/o)接口805，输入/输出(i/o)接口805也连接至总线804。电子设备800还可以包括连接至i/o接口805的以下部件中的一项或多项：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至i/o接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。
[0163]
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
[0164]
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的rom 802和/或ram 803和/或rom 802和ram 803以外的一个或多个存储器。
[0165]
本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的方法。
[0166]
在该计算机程序被处理器801执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模
块来实现。
[0167]
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分809被下载和安装，和/或从可拆卸介质811被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
[0168]
在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被处理器801执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
[0169]
根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如java，c++，python，“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0170]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0171]
本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
[0172]
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。