本发明涉及计算机领域，具体而言，涉及一种账号状态的检测方法、装置和存储介质及电子设备。
背景技术：
：：近年来借贷的发展越发广泛，但贷款有风险，如果该笔贷款由风险用户借走，那么该笔贷款的流程概率就会大大增加。进而为避免贷款流失，如何识别借贷用户是否为风险用户，则为重中之重。在相关技术中，往往能够通过账号信息、资金记录、投诉记录等入口排查账号基础信息，以检测该账号的账号状态，但该方式只能识别出该账号的部分目标信息，而缺乏账号的聚集性风险识别，从而导致账号状态的检测准确性较低。针对上述的问题，目前尚未提出有效的解决方案。技术实现要素：本发明实施例提供了一种账号状态的检测方法、装置和存储介质及电子设备，以至少解决账号状态的检测准确性较低的技术问题。根据本发明实施例的一个方面，提供了一种账号状态的检测方法，包括：获取待检测的目标账号所关联的对象的关联数据，以及上述目标账号在目标时间内产生的交易数据，其中，上述交易数据为在上述目标账号的交易过程中所产生的数据；对上述关联数据以及上述交易数据分别进行统计，以获取上述关联数据对应的关联特征值，以及上述交易数据对应的交易特征值，其中，上述关联特征值用于表示上述目标账号与所关联的上述对象之间的聚集特征，上述交易特征值用于表示上述目标账号在交易过程中所表现出的行为特征；根据上述关联特征值以及上述交易特征值确定出上述目标账号的用户画像特征；在上述目标账号的用户画像特征与目标画像特征之间的距离小于等于预设阈值的情况下，显示上述目标账号处于目标状态，其中，上述目标画像特征为处于所述目标状态的账号的用户画像特征。根据本发明实施例的另一方面，还提供了一种账号状态的检测装置，包括：第一获取单元，用于获取待检测的目标账号所关联的对象的关联数据，以及上述目标账号在目标时间内产生的交易数据，其中，上述交易数据为在上述目标账号的交易过程中所产生的数据；统计单元，用于对上述关联数据以及上述交易数据分别进行统计，以获取上述关联数据对应的关联特征值，以及上述交易数据对应的交易特征值，其中，上述关联特征值用于表示上述目标账号与所关联的上述对象之间的聚集特征，上述交易特征值用于表示上述目标账号在交易过程中所表现出的行为特征；第一确定单元，用于根据上述关联特征值以及上述交易特征值确定出上述目标账号的用户画像特征；显示单元，用于在上述目标账号的用户画像特征与目标画像特征之间的距离小于等于预设阈值的情况下，显示上述目标账号处于目标状态，其中，上述目标画像特征为处于所述目标状态的账号的用户画像特征。根据本发明实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述账号状态的检测方法。根据本发明实施例的又一方面，还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，其中，上述处理器通过计算机程序执行上述的账号状态的检测方法。在本发明实施例中，获取待检测的目标账号所关联的对象的关联数据，以及上述目标账号在目标时间内产生的交易数据，其中，上述交易数据为在上述目标账号的交易过程中所产生的数据；对上述关联数据以及上述交易数据分别进行统计，以获取上述关联数据对应的关联特征值，以及上述交易数据对应的交易特征值，其中，上述关联特征值用于表示上述目标账号与所关联的上述对象之间的聚集特征，上述交易特征值用于表示上述目标账号在交易过程中所表现出的行为特征；根据上述关联特征值以及上述交易特征值确定出上述目标账号的用户画像特征；在上述目标账号的用户画像特征与目标画像特征之间的距离小于等于预设阈值的情况下，显示上述目标账号处于目标状态，其中，上述目标画像特征为处于所述目标状态的账号的用户画像特征，通过交易数据以衡量目标账号存在的交易性风险，以及通过关联数据以衡量目标账号存在的聚集性风险，并以结合的方式确定出目标账号的用户画像特征，从而达到了提高用户画像特征的全面性的技术目的，从而实现了提高账号状态的检测准确性的技术效果，进而解决了账号状态的检测准确性较低的技术问题。附图说明此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：图1是根据本发明实施例的一种可选的账号状态的检测方法的应用环境的示意图；图2是根据本发明实施例的一种可选的账号状态的检测方法的流程的示意图；图3是根据本发明实施例的一种可选的账号状态的检测方法的示意图；图4是根据本发明实施例的另一种可选的账号状态的检测方法的示意图；图5是根据本发明实施例的另一种可选的账号状态的检测方法的示意图；图6是根据本发明实施例的另一种可选的账号状态的检测方法的示意图；图7是根据本发明实施例的另一种可选的账号状态的检测方法的示意图；图8是根据本发明实施例的另一种可选的账号状态的检测方法的示意图；图9是根据本发明实施例的另一种可选的账号状态的检测方法的示意图；图10是根据本发明实施例的另一种可选的账号状态的检测方法的示意图；图11是根据本发明实施例的一种可选的账号状态的检测装置的示意图；图12是根据本发明实施例的一种可选的电子设备的结构示意图。具体实施方式为了使本
技术领域：
：的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。人工智能(artificialintelligence,ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。机器学习(machinelearning,ml)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。本申请实施例提供的方案涉及人工智能的机器学习等技术，具体通过如下实施例进行说明：根据本发明实施例的一个方面，提供了一种账号状态的检测方法，可选地，作为一种可选的实施方式，上述账号状态的检测方法可以但不限于应用于如图1所示的环境中。其中，可以但不限于包括用户设备102、网络110及服务器112，其中，该用户设备102上可以但不限于包括显示器108、处理器106及存储器104。具体过程可如下步骤：步骤s102，用户设备102获取待检测的目标账号1022所关联的对象的关联数据，以及目标账号1022在目标时间内产生的交易数据；步骤s104-s106，用户设备102通过网络110将关联数据以及交易数据发送给服务器112；步骤s108，服务器112通过处理引擎116将该关联数据以及交易数据进行处理，从而生成目标账号的账号状态的检测结果；步骤s110-s112，服务器112通过网络110将检测结果发送给用户设备102，用户设备102中的处理器106将检测结果显示在显示器108中，并将检测结果存储在存储器104中。除图1示出的示例之外，上述步骤可以由用户设备102独立完成，即由用户设备102执行关联数据以及交易数据的处理等步骤，从而减轻服务器的处理压力。该用户设备102包括但不限于手持设备(如手机)、笔记本电脑、台式电脑、车载设备等，本发明并不限制用户设备102的具体实现方式。可选地，作为一种可选的实施方式，如图2所示，账号状态的检测方法包括：s202，获取待检测的目标账号所关联的对象的关联数据，以及目标账号在目标时间内产生的交易数据，其中，交易数据为在目标账号的交易过程中所产生的数据；s204，对关联数据以及交易数据分别进行统计，以获取关联数据对应的关联特征值，以及交易数据对应的交易特征值，其中，关联特征值用于表示目标账号与所关联的对象之间的聚集特征，交易特征值用于表示目标账号在交易过程中所表现出的行为特征；s206，根据关联特征值以及交易特征值确定出目标账号的用户画像特征；s208，在目标账号的用户画像特征与目标画像特征之间的距离小于等于预设阈值的情况下，显示目标账号处于目标状态，其中，目标画像特征为处于目标状态的账号的用户画像特征。可选地，在本实施例中，上述账号状态的检测方法可以但不限于应用在用户级风险的可视化展示场景中，具体的，获取待检测的目标账号所关联的对象的关联数据以衡量目标账号的聚集性风险，获取目标账号在目标时间内产生的交易数据以衡量目标账号的交易性风险，从而绘制出更加全面的用户画像，并与处于目标状态的账号的用户画像进行比对，比对的相似度小于等于预设阈值的情况下，则视为目标账号的账号状态为目标状态，反之则目标账号的账号状态为正常状态。可选地，在本实施例中，目标账号所关联的对象可以但不限于指注册对象、交易对象、绑定对象等，其中，注册对象为使用与目标账号相同的ip地址进行注册的账号对象，交易对象为与目标账号发生过交易行为或产生交易数据的账号对象，绑定对象为与目标账号具有绑定关系的账号对象或设备对象；可选地，在本实施例中，目标状态可以但不限于包括第一状态或第二状态，其中，第一状态可以但不限用于表示正常状态，而第二状态可以但不限用于表示非正常状态，例如目标状态、违法状态等，其中，目标状态可以但不限于包括多种风险类型，例如聚集性风险、低信用风险等。进一步举例说明，假设目标账号所关联的对象为绑定对象，则对应的关联数据可以但不限于为绑定对象的相关数据，例如绑定对象的状态、数量等，例如图3所示，确定目标账号302的全部绑定对象304，进而获取绑定对象304与目标账号302的关联数据(例如交易频次、交易数额等)，或将绑定对象304的相关数据(例如风险评估、历史交易等)作为关联数据，还可以获取绑定对象304的数量，以评估目标对象302的聚集性风险。可选地，在本实施例中，利用图数据库并开发同设备、同证件账号关联以及交易对手进行关联扩散，以确定关联数据，便于业务人员快速定位关联处于目标状态的账号。此外，出于灵活度考虑，关联扩散可根据用户自选维度如微信号、设备、身份证进行扩散特征及方向选择，例如图4所示，选取目标账号402所关联的入账总额前十/入账频次前十/出账总额/出账频次等扩散特征的交易对象的数据为关联数据。可选地，在本实施例中，交易数据可以但不限于为目标账号的交易过程中所产生的多种类型的数据，其中，类型可以包括数据类型或交易类型，例如数据类型可划分为文本数据、行为数据等，交易类型又可根据不同的维度特征划分，例如将交易金额达到金额阈值的交易数据确定为第一交易类型，或将交易频次达到频次阈值的交易数据确定为第二交易类型等，在此不做限定。可选地，在本实施例中，目标画像特征可以但不限于为已明确为处于目标状态的账号的用户画像特征，也可以但不限于为概略为处于目标状态的账号的用户画像特征，以处于目标状态的账号为风险账号为例说明，假设利用标记好是否为风险账号的样本对有监督神经网络进行训练，以训练获得风险账号的用户画像特征，再例如利用无标记是否为风险账号的样本对无监督神经网络进行训练，以训练获得满足目标条件的用户画像特征作为风险账号的用户画像特征，其中，目标条件可以但不限于包括以下至少之一：聚集度高于第一预设阈值、占总量数低于第二预设阈值、风险值高于第三预设阈值等。需要说明的是，获取待检测的目标账号所关联的对象的关联数据，以及目标账号在目标时间内产生的交易数据，其中，交易数据为在目标账号的交易过程中所产生的数据；对关联数据以及交易数据分别进行统计，以获取关联数据对应的关联特征值，以及交易数据对应的交易特征值，其中，关联特征值用于表示目标账号与所关联的对象之间的聚集特征，交易特征值用于表示目标账号在交易过程中所表现出的行为特征；根据关联特征值以及交易特征值确定出目标账号的用户画像特征；在目标账号的用户画像特征与目标画像特征之间的距离小于等于预设阈值的情况下，显示目标账号处于目标状态，其中，目标画像特征为处于目标状态的账号的用户画像特征。进一步举例说明，可选的假设账号状态的检测场景如图5所示，获取待检测的目标账号502所关联的对象的关联数据504，以及目标账号502在目标时间内产生的交易数据506，并在获取到关联数据504对应的关联特征值以及交易数据506对应的交易特征值的情况下，根据关联特征值以及交易特征值确定出目标账号502的用户画像特征508，进而根据用户画像特征508完成对目标账号502的状态检测，其检测结果用于表示目标账号502是否处于目标状态，或在处于目标状态的情况下，检测目标账号502处于何种目标状态。通过本申请提供的实施例，获取待检测的目标账号所关联的对象的关联数据，以及目标账号在目标时间内产生的交易数据，其中，交易数据为在目标账号的交易过程中所产生的数据；对关联数据以及交易数据分别进行统计，以获取关联数据对应的关联特征值，以及交易数据对应的交易特征值，其中，关联特征值用于表示目标账号与所关联的对象之间的聚集特征，交易特征值用于表示目标账号在交易过程中所表现出的行为特征；根据关联特征值以及交易特征值确定出目标账号的用户画像特征；在目标账号的用户画像特征与目标画像特征之间的距离小于等于预设阈值的情况下，显示目标账号处于目标状态，其中，目标画像特征为处于目标状态的账号的用户画像特征，通过交易数据以衡量目标账号存在的交易性风险，以及通过关联数据以衡量目标账号存在的聚集性风险，并以结合的方式确定出目标账号的用户画像特征，从而达到了提高用户画像特征的全面性的技术目的，从而实现了提高账号状态的检测准确性的技术效果。作为一种可选的方案，根据关联特征值以及交易特征值确定出目标账号所关联的对象的用户画像特征，包括：s1，对关联特征值以及交易特征值进行融合处理，以获得目标特征值；s2，将目标特征值确定为目标账号的用户画像特征；或，s3，将关联特征值确定为目标账号的第一画像特征；s4，将交易特征值确定为目标账号的第二画像特征，其中，目标账号的用户画像特征包括第一画像特征以及第二画像特征。可选地，在本实施例中，出于灵活度考虑，用户可自由选择如何确定目标账号的用户画像特征，具体的，用户画像特征可以但不限于为关联特征值以及交易特征值的融合特征，也可以包括了独立的关联特征值以及交易特征值分别对应的第一画像特征以及第二画像特征。这样做的好处在于，在后续的检测账号状态的过程中，检测一个整体的画像特征可提高检测准确性，而检测两个独立的画像特征可避免融合时出现的信息损失，提高账号状态检测的准确性。需要说明的是，对关联特征值以及交易特征值进行融合处理，以获得目标特征值；将目标特征值确定为目标账号的用户画像特征；或，将关联特征值确定为目标账号的第一画像特征；将交易特征值确定为目标账号的第二画像特征，其中，目标账号的用户画像特征包括第一画像特征以及第二画像特征。通过本申请提供的实施例，对关联特征值以及交易特征值进行融合处理，以获得目标特征值；将目标特征值确定为目标账号的用户画像特征；或，将关联特征值确定为目标账号的第一画像特征；将交易特征值确定为目标账号的第二画像特征，其中，目标账号的用户画像特征包括第一画像特征以及第二画像特征，达到了灵活获取用户画像特征的目的，实现了提高用户画像特征的获取灵活度的效果。作为一种可选的方案，显示目标账号处于目标状态，包括：s1，在将目标特征值确定为目标账号的用户画像特征，且目标账号的用户画像特征与目标画像特征之间的距离小于等于预设阈值的情况下，显示目标账号处于目标状态；或，s2，在将关联特征值确定为第一画像特征，且第一画像特征与第一目标特征之间的距离小于等于第一阈值的情况下，显示目标账号处于第一目标状态，其中，第一目标特征为目标账号与所关联的对象之间的聚集特征；s3，在将交易特征值确定为第二画像特征，且第二画像特征与第二目标特征之间的距离小于等于第二阈值的情况下，显示目标账号处于第二目标状态，其中，第二目标特征为目标账号在交易过程中所表现出的行为特征。可选地，在本实施例中，根据不同的画像特征获取方式，拟定对应的账号状态检测方法，例如在将目标特征值确定为目标账号的用户画像特征，比对目标特征值与第一目标特征之间的距离，若距离小于等于第一阈值，则认为该目标特征值趋近于第一目标特征。可选的，还可以但不限于在第一画像特征与第一目标特征之间的距离小于等于第一阈值的情况下，进一步根据距离大小，计算目标账号处于第一目标状态的更多细节，例如第一目标状态可细分为不同等级，该等级与距离成反相关或正相关，以为用户提供更加直观且详尽的检测结果。同理，例如在将关联特征值确定为第一画像特征的情况下，比对第一画像特征与第二目标特征之间的距离，若距离小于等于第二阈值，则认为该关联特征值趋近于第二目标特征，即表示目标账号可能存在聚集性风险，并显示目标账号处于聚集性风险(第一目标状态)；再例如在将交易特征值确定为第二画像特征的情况下，比对第二画像特征与第三目标特征之间的距离，若距离小于等于第三阈值，则认为该交易特征值趋近于第三目标特征，即表示目标账号可能存在交易性风险，并显示目标账号处于交易性风险(第二目标状态)。需要说明的是，在将目标特征值确定为目标账号的用户画像特征，且目标账号的用户画像特征与目标画像特征之间的距离小于等于预设阈值的情况下，显示目标账号处于目标状态；或，在将关联特征值确定为第一画像特征，且第一画像特征与第一目标特征之间的距离小于等于第一阈值的情况下，显示目标账号处于第一目标状态，其中，第一目标特征为处于目标状态的账号与所关联的对象之间的聚集特征；在将交易特征值确定为第二画像特征，且第二画像特征与第二目标特征之间的距离小于等于第二阈值的情况下，显示目标账号处于第二目标状态，其中，第二目标特征为处于目标状态的账号在交易过程中所表现出的行为特征。通过本申请提供的实施例，在将目标特征值确定为目标账号的用户画像特征，且目标账号的用户画像特征与目标画像特征之间的距离小于等于预设阈值的情况下，显示目标账号处于目标状态；或，在将关联特征值确定为第一画像特征，且第一画像特征与第一目标特征之间的距离小于等于第一阈值的情况下，显示目标账号处于第一目标状态，其中，第一目标特征为处于目标状态的账号与所关联的对象之间的聚集特征；在将交易特征值确定为第二画像特征，且第二画像特征与第二目标特征之间的距离小于等于第二阈值的情况下，显示目标账号处于第二目标状态，其中，第二目标特征为处于目标状态的账号在交易过程中所表现出的行为特征，达到了灵活检测账号状态的目的，实现了提高账号状态的检测灵活度的效果。作为一种可选的方案，对关联数据以及交易数据分别进行统计，以获取关联数据对应的关联特征值，以及交易数据对应的交易特征值，包括：s1，在交易数据包括交易行为数据的情况下，对交易行为数据进行统计，以获取交易行为数据对应的特征值，其中，交易行为数据用于表示目标账号在交易过程中所产生的行为数据，交易特征值包括交易行为数据对应的特征值；s2，在交易数据包括交易文本数据的情况下，对交易文本数据进行统计，以获取交易文本数据对应的特征值，其中，交易行为数据用于表示目标账号在交易过程中所产生的文本数据，交易特征值包括交易文本数据对应的特征值；s3，在关联数据包括目标账号所关联的绑定对象的数据的情况下，对绑定对象的数据进行统计，以获取绑定对象的数据对应的特征值，其中，交易特征值包括绑定对象的数据对应的特征值；s4，在关联数据包括目标账号所关联的交易对象的数据的情况下，对交易对象的数据进行统计，以获取交易对象的数据对应的特征值，其中，交易特征值包括交易对象的数据对应的特征值。可选地，在本实施例中，交易行为数据可以但不限于为用户资金行为所产生的数据，具体的，用户资金行为分为支出与收入两个方向，例如图6所示，可以但不限于通过在智能分析平台602(如pml建模平台)上依次部署任务协同及pythonsql通用计算组件、tdw2hdfs及xtablemr数据同步组件，对资金收入按图6所示步骤建立月度任务，或对资产支出按图7所示步骤建立月度任务，其中，图7与图6同处同一场景。可选地，在本实施例中，交易文本数据可以但不限于为交易过程中伴随的相应文本信息，例如在微信支付的多种交易场景下，用户支付行为的发生均伴随相应交易文本。可选地，在本实施例中，为防止垃圾注册或垃圾绑定(即恶意注册或绑定大量账户或设备)，可以但不限于利用绑定对象的数据以检测目标账号是否存在垃圾注册或垃圾绑定的风险，例如假设绑定对象的数据为绑定对象的数量，进而可在绑定对象的数量大于等于数量阈值的情况下，确定目标账户存在聚集性风险等。可选地，在本实施例中，可以但不限于使用上述账号状态的检测方法对交易对象进行检测，以获取交易对象的账号状态的检测结果，再将该检测结果作为交易对象的数据，以提高检测准确性。此外，为提高检测的效率，也可以但不限于缩小交易对象的检测力度，如只检测交易对象的交易数据，而不检测交易对象的关联数据，或只检测交易对象的关联数据，而不检测交易对象的交易数据等。需要说明的是，在交易数据包括交易行为数据的情况下，对交易行为数据进行统计，以获取交易行为数据对应的特征值，其中，交易行为数据用于表示目标账号在交易过程中所产生的行为数据，交易特征值包括交易行为数据对应的特征值；在交易数据包括交易文本数据的情况下，对交易文本数据进行统计，以获取交易文本数据对应的特征值，其中，交易行为数据用于表示目标账号在交易过程中所产生的文本数据，交易特征值包括交易文本数据对应的特征值；在关联数据包括目标账号所关联的绑定对象的数据的情况下，对绑定对象的数据进行统计，以获取绑定对象的数据对应的特征值，其中，交易特征值包括绑定对象的数据对应的特征值；在关联数据包括目标账号所关联的交易对象的数据的情况下，对交易对象的数据进行统计，以获取交易对象的数据对应的特征值，其中，交易特征值包括交易对象的数据对应的特征值。进一步举例说明，可选的对交易行为数据进行统计例如图8中的统计界面802所示，统计当月收支总金额、总比数，且资金行为统计指标的设计主要根据交易场景—c2b、c2c转账、红包、转账至银行卡，进行分类，开发了不同交易场景下的单笔最大金额、交易天数、累计交易金额及分时段交易金额等指标，可以有效地对用户交易行为进行刻画，使得业务人员能够掌握如某账号常以商业支付或社交支付为主，某账号收支时段集中在凌晨、白天或夜间，某账号资金交易存在低频大额、高频小额或高频大额现象等信息。通过本申请提供的实施例，在交易数据包括交易行为数据的情况下，对交易行为数据进行统计，以获取交易行为数据对应的特征值，其中，交易行为数据用于表示目标账号在交易过程中所产生的行为数据，交易特征值包括交易行为数据对应的特征值；在交易数据包括交易文本数据的情况下，对交易文本数据进行统计，以获取交易文本数据对应的特征值，其中，交易行为数据用于表示目标账号在交易过程中所产生的文本数据，交易特征值包括交易文本数据对应的特征值；在关联数据包括目标账号所关联的绑定对象的数据的情况下，对绑定对象的数据进行统计，以获取绑定对象的数据对应的特征值，其中，交易特征值包括绑定对象的数据对应的特征值；在关联数据包括目标账号所关联的交易对象的数据的情况下，对交易对象的数据进行统计，以获取交易对象的数据对应的特征值，其中，交易特征值包括交易对象的数据对应的特征值，达到了提高账号状态的检测粒度的目的，实现了提高账号状态的检测准确性的效果。作为一种可选的方案，对交易文本数据进行统计，以获取交易文本数据对应的特征值，包括：s1，过滤掉交易文本数据中的无效信息，其中，无效信息为交易文本数据中用于表示与交易内容的相关度未达到第三阈值的文本信息；s2，抽取过滤后的交易文本数据中的关键信息，其中，关键信息为交易文本数据中用于表示与交易内容的相关度达到第四阈值的文本信息；s3，对关键信息进行统计，以获得交易文本数据对应的特征值。需要说明的是，过滤掉交易文本数据中的无效信息，其中，无效信息为交易文本数据中用于表示与交易内容的相关度未达到第三阈值的文本信息；抽取过滤后的交易文本数据中的关键信息，其中，关键信息为交易文本数据中用于表示与交易内容的相关度达到第四阈值的文本信息；对关键信息进行统计，以获得交易文本数据对应的特征值。进一步举例说明，可选的例如在某平台的支付场景下，用户支付行为的发生均伴随相应交易文本，可以初步分为交易默认文本与用户手动输入的自定义文本，如红包交易时默认自带的“恭喜发财，大吉大利”或是法定节假日特定的默认文本“国庆假期快乐“、”春节快乐“等，大量的系统默认文本无法提供有助于支付风险识别的有效信息，所以在进行文本算法前首先通过特定规则对默认文本进行过滤。即，此处的交易默认文本即为无效信息，用户手动输入的自定义文本中可以但不限于包括关键信息。无效词过滤后，利用结巴分词对交易文本进行分词，随后利用tf-idf(termfrequency-inversedocumentfrequency)模型对交易文本实现特征向量化，其中，tf-idf是一种用于信息检索与数据挖掘的加权技术，tf用于表示词频termfrequency(tf(x)):，即为某一个给定的词语在该文件中出现的频率，idf用于表示逆向文件频率inversedocumentfrequency(idf(x))，其中，n表示语料库中文件总数，n(x)表示包含词x的文件总数，具体可参考下述公式(1)以及公式(2)：tf-idf:tf-idf(x)＝tf(x)*idf(x)(2)；通过本申请提供的实施例，过滤掉交易文本数据中的无效信息，其中，无效信息为交易文本数据中用于表示与交易内容的相关度未达到第三阈值的文本信息；抽取过滤后的交易文本数据中的关键信息，其中，关键信息为交易文本数据中用于表示与交易内容的相关度达到第四阈值的文本信息；对关键信息进行统计，以获得交易文本数据对应的特征值，达到了利用过滤抽取等高效手段，以快速获取交易文本数据对应的特征值的目的，实现了提高交易文本数据对应的特征值的获取效率的效果。作为一种可选的方案，对关键信息进行统计，以获得交易文本数据对应的特征值，包括：s1，对关键信息进行统计，以获得关键信息对应的特征值；s2，将关键信息对应的特征值确定为交易文本数据对应的特征值；或，s3，匹配关键信息与目标信息，以获取关键信息与目标信息的命中数据，其中，目标信息为用于表示与风险交易内容的相关度达到第五阈值的文本信息；s4，对命中数据进行统计，以获得命中数据对应的特征值；s5，将命中数据对应的特征值确定为交易文本数据对应的特征值。需要说明的是，对关键信息进行统计，以获得关键信息对应的特征值；将关键信息对应的特征值确定为交易文本数据对应的特征值；或，匹配关键信息与目标信息，以获取关键信息与目标信息的命中数据，其中，目标信息为用于表示与风险交易内容的相关度达到第五阈值的文本信息；对命中数据进行统计，以获得命中数据对应的特征值；将命中数据对应的特征值确定为交易文本数据对应的特征值。可选地，风险交易可以但不限于包括送礼、赌博、买卖盗版、非法交易等。进一步举例说明，可选的以赌博为风险交易为例说明，且在经过历史赌博审核及赌博模型沉淀，已有一份定期更新的赌博交易种子文本词库的情况下，以用户为单位，将用户月度交易文本与历史风险文本进行匹配，检测是否命中赌博种子文本、命中文本等级以及命中文本来源模型；此外，还可以但不限于对关键信息进行统计进行分类统计，其分类方向即为交易方向以及交易场景，进而在将关键信息按照不同交易方向及交易场景分类后，利用词云展示各交易场景下用户交易文本、利用表格展示命中赌博交易文本，进而提高了文本信息的展示直观性。通过本申请提供的实施例，对关键信息进行统计，以获得关键信息对应的特征值；将关键信息对应的特征值确定为交易文本数据对应的特征值；或，匹配关键信息与目标信息，以获取关键信息与目标信息的命中数据，其中，目标信息为用于表示与风险交易内容的相关度达到第五阈值的文本信息；对命中数据进行统计，以获得命中数据对应的特征值；将命中数据对应的特征值确定为交易文本数据对应的特征值，达到了以粒度更小的命中数据确定交易文本数据对应的特征值的目的，实现了提高交易文本数据对应的特征值的准确性的效果。作为一种可选的方案，在获取待检测的目标账号所关联的对象的关联数据，以及目标账号在目标时间内产生的交易数据之后，包括：s1，将关联数据以及交易数据输入数据识别模型，其中，数据识别模型为利用多个样本数据进行聚类后得到的用于识别数据的神经网络模型；s2，获取数据识别模型输出的识别结果，其中，识别结果为关联数据以及交易数据的聚类结果；s3，根据识别结果确定目标账号匹配的账号状态。可选地，在本实施例中，风险控制无疑是一个拥有十亿级用户的网络支付产品极其重要且艰巨的任务，风控的核心是控制，但是首先要精准的识别风险，才能进行有效的打击控制，所以需要系统性梳理用户群体，尽可能多的找到用户支付行为的异同点并利用无监督学习对其进行分类，同时需要对同设备、同证件、同手机号等聚集性风险进行定位。需要说明的是，将关联数据以及交易数据输入数据识别模型，其中，数据识别模型为利用多个样本数据进行聚类后得到的用于识别数据的神经网络模型；获取数据识别模型输出的识别结果，其中，识别结果为关联数据以及交易数据的聚类结果；根据识别结果确定目标账号匹配的账号状态。进一步举例说明，可选的例如在获取到关联数据以及交易数据对应的用户画像特征的情况下，利用两步聚类法(two-stepclustering)，对用户画像特征进行分类，具体步骤如下：1、预聚类pre-clustering阶段聚类特征树(cf树，clusteringfeaturetree)是一种描述树结构的数据方式，，叶子节点为子类，具有同一父节点的若干子类合并成为一个大类，聚类特征用一个三元组概括描述各簇的信息，如下述公式(3)所示：cf＝(n,ls,ss)(3)；其中，n代表簇中点的数量，矢量ls代表各点线性求和，标量ss代表各点平方和：此外，对于两个不相交的簇c1和c2，聚类特征分别为cf1＝(n1,ls1,ss1)和cf2＝(n2,ls2,ss2)；进一步，如果将上述两个簇合并成一个大簇，则大簇的聚类特征为：cf2+cf1＝(n2+n1,ls2+ls1,ss2+)ss1；再者，运用cf树的生成原理，预聚类逐个读取数据集中数据点，在生成cf树的同时预先聚类密集区域的数据点，形成诸多的小的子簇。2、聚类clustering阶段以预聚类阶段的结果子簇为对象，利用凝聚法(agglomerativehierarchicalclusteringmethod)，逐个地合并子簇，直到期望的簇数量；通过不同维度的画像分类，可以但不限于能够找到具有相似支付行为的账号群体，譬如某些用户都在夜间进行规律性支付活动，或者某些用户支付过程伴随相似交易文本。聚类后，为了量化支付账户的风险画像，还可以但不限于对每个类别进行画像评分。该分数主要由两部分构成，一部分基于rfm(recency，frequency，monetary)模型通过衡量交易间隔、交易频次及交易金额进行评分，另一部分通过计算文本向量之间的相似度进行评分。此外，为了更好的识别账户聚集性风险、更加直观的展示交易对手方信息，还可以但不限于利用知识图谱及图数据库技术对用户同设备、同身份证号支付账号进行关联，对用户交易对手进行多度扩散。在图计算中，基本数据结构为：g＝(v,e),v＝vertex,e＝edge。其中顶点元素、顶点属性、边元素、边属性定义如下述表(1)所示：(1)通过关联扩散统计用户交易对手数据，可以有效识别规律性或偶发性高频大额交易。通过本申请提供的实施例，将关联数据以及交易数据输入数据识别模型，其中，数据识别模型为利用多个样本数据进行聚类后得到的用于识别数据的神经网络模型；获取数据识别模型输出的识别结果，其中，识别结果为关联数据以及交易数据的聚类结果；根据识别结果确定目标账号匹配的账号状态，达到了利用无监督的数据识别模型，以快速确定目标账号匹配的账号状态的目的，实现了提高确定目标账号匹配的账号状态的效率的效果。作为一种可选的方案，在将关联数据以及交易数据输入数据识别模型之前，包括：s1，获取多个样本数据，其中，样本数据包括样本关联数据以及样本交易数据；s2，重复执行以下步骤，直至得到数据识别模型：s3，从多个样本数据中确定出当前样本数据，并确定当前数据识别模型，其中，当前样本数据包括当前样本关联数据以及当前样本交易数据；s4，通过当前数据识别模型识别出当前样本数据的当前聚类结果；s5，在当前聚类结果未达到识别收敛条件的情况下，获取下一个样本数据作为当前样本数据；s6，在当前聚类结果达到识别收敛条件的情况下，确定当前数据识别模型为数据识别模型。可选地，在本实施例中，由于数据识别模型为无监督神经网路结构，而无监督神经网络结构可以但不限基于共享特征将数据划分为集群，不需要标记数据，即表示不需要高质量标记的样本，相比于监督神经网络结构必须经历的费力的数据标记过程，无监督神经网络结构与账号状态监测场景更加契合，既保证了一定的检测准确性，还拥有较高的训练效率，进而提高了账号状态的整体检测效率。此外，可选的例如图9所示，从(tdw)数据集市中提取交易原始数据后，可以但不限于经过pythonsql数据脚本指标计算及聚类模型加工计算后，将指标及结果存入分布式数据库902(如tdw)中，通过pml组件将数据同步至分布式文件904(hdfs)中，再通过xtablemr组件将数据从文件读取至目标数据库906(如hbase)。在集群资源有限的情况下，十亿级用户数据入库hbase也面临了很大的挑战，由于入库数据量巨大，峰值将近1t，入库任务调度通常出现失败或假死等状态。为了解决问题，在任务提交之前先设定阈值(目前为30g)并检查数据量级，若数据超过阈值大小则分批加载，将一个调度任务拆分为多个小任务，顺序执行，实现大任务的分解。因为每个小任务数据量较小，入库速度很快，且总体耗时相较之前有大幅下降，进一步提高了账号状态的整体检测效率。需要说明的是，获取多个样本数据，其中，样本数据包括样本关联数据以及样本交易数据；重复执行以下步骤，直至得到数据识别模型：从多个样本数据中确定出当前样本数据，并确定当前数据识别模型，其中，当前样本数据包括当前样本关联数据以及当前样本交易数据；通过当前数据识别模型识别出当前样本数据的当前聚类结果；在当前聚类结果未达到识别收敛条件的情况下，获取下一个样本数据作为当前样本数据；在当前聚类结果达到识别收敛条件的情况下，确定当前数据识别模型为数据识别模型。通过本申请提供的实施例，获取多个样本数据，其中，样本数据包括样本关联数据以及样本交易数据；重复执行以下步骤，直至得到数据识别模型：从多个样本数据中确定出当前样本数据，并确定当前数据识别模型，其中，当前样本数据包括当前样本关联数据以及当前样本交易数据；通过当前数据识别模型识别出当前样本数据的当前聚类结果；在当前聚类结果未达到识别收敛条件的情况下，获取下一个样本数据作为当前样本数据；在当前聚类结果达到识别收敛条件的情况下，确定当前数据识别模型为数据识别模型，达到了高效训练数据识别模型的目的，实现了提高账号状态的整体检测效率的效果。作为一种可选的方案，在显示目标账号处于目标状态之前，还包括：s1，获取目标账号的属性数据以及历史数据，其中，属性数据用于表示目标账号的账号属性信息，历史数据用于表示目标账号的历史标签信息；s2，对属性数据以及历史数据分别进行统计，以获取属性数据对应的属性特征值，以及历史数据对应的历史特征值，其中，属性特征值用于表示目标账号对应的属性特征，历史特征值用于表示目标账号历史分配的标签特征；s3，根据属性特征值、历史特征值、关联特征值以及交易特征值确定目标账号匹配的账号状态，其中，账号状态包括目标状态。可选地，在本实施例中，属性数据可以但不限于包括以下至少之一：账号等级、账号的id、名下资产、名下资金等。历史数据可以但不限于包括以下至少之一：账号的历史评价、账号的历史状态检测结果等。可选地，在本实施例中，通可以但不限于将目标账号的属性特征值、历史特征值、资金行为、交易文本、历史管控及聚集性风险等多维度结合，以为目标账号确定出更加全面的用户画像特征。需要说明的是，获取目标账号的属性数据以及历史数据，其中，属性数据用于表示目标账号的账号属性信息，历史数据用于表示目标账号的历史标签信息；对属性数据以及历史数据分别进行统计，以获取属性数据对应的属性特征值，以及历史数据对应的历史特征值，其中，属性特征值用于表示目标账号对应的属性特征，历史特征值用于表示目标账号历史分配的标签特征；根据属性特征值、历史特征值、关联特征值以及交易特征值确定目标账号匹配的账号状态，其中，账号状态包括目标状态。进一步举例说明，可选的以图10所示的用户级网络支付风险画像系统1002为例说明，其中，关联扩散可根据用户自选维度如微信号、设备、身份证进行扩散特征及方向选择，用户级网络支付风险画像系统1002可以但不限于为一个可供账号审核、排查的支付账号画像系统，业务人员输入指定账号即可完成检索，进而清晰明了地查看图10中所示的各种维度下的数据。通过本申请提供的实施例，获取目标账号的属性数据以及历史数据，其中，属性数据用于表示目标账号的账号属性信息，历史数据用于表示目标账号的历史标签信息；对属性数据以及历史数据分别进行统计，以获取属性数据对应的属性特征值，以及历史数据对应的历史特征值，其中，属性特征值用于表示目标账号对应的属性特征，历史特征值用于表示目标账号历史分配的标签特征；根据属性特征值、历史特征值、关联特征值以及交易特征值确定目标账号匹配的账号状态，其中，账号状态包括目标状态，达到了全面检测账号状态的目的，实现了提高账号状态检测的全面性的效果。需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。根据本发明实施例的另一个方面，还提供了一种用于实施上述账号状态的检测方法的账号状态的检测装置。如图116所示，该装置包括：第一获取单元1102，用于获取待检测的目标账号所关联的对象的关联数据，以及目标账号在目标时间内产生的交易数据，其中，交易数据为在目标账号的交易过程中所产生的数据；统计单元1104，用于对关联数据以及交易数据分别进行统计，以获取关联数据对应的关联特征值，以及交易数据对应的交易特征值，其中，关联特征值用于表示目标账号与所关联的对象之间的聚集特征，交易特征值用于表示目标账号在交易过程中所表现出的行为特征；第一确定单元1106，用于根据关联特征值以及交易特征值确定出目标账号的用户画像特征；显示单元1108，用于在目标账号的用户画像特征与目标画像特征之间的距离小于等于预设阈值的情况下，显示目标账号处于目标状态，其中，目标画像特征为处于目标状态的账号的用户画像特征。可选地，在本实施例中，上述账号状态的检测装置可以但不限于应用在用户级风险的可视化展示场景中，具体的，获取待检测的目标账号所关联的对象的关联数据以衡量目标账号的聚集性风险，获取目标账号在目标时间内产生的交易数据以衡量目标账号的交易性风险，从而绘制出更加全面的用户画像，并与处于目标状态的账号的用户画像进行比对，比对的相似度小于等于预设阈值的情况下，则视为目标账号的账号状态为目标状态，反之则目标账号的账号状态为正常状态。可选地，在本实施例中，目标账号所关联的对象可以但不限于指注册对象、交易对象、绑定对象等，其中，注册对象为使用与目标账号相同的ip地址进行注册的账号对象，交易对象为与目标账号发生过交易行为或产生交易数据的账号对象，绑定对象为与目标账号具有绑定关系的账号对象或设备对象；可选地，在本实施例中，目标状态可以但不限于包括第一状态或第二状态，其中，第一状态可以但不限用于表示正常状态，而第二状态可以但不限用于表示非正常状态，例如目标状态、违法状态等，其中，目标状态可以但不限于包括多种风险类型，例如聚集性风险、低信用风险等。可选地，在本实施例中，交易数据可以但不限于为目标账号的交易过程中所产生的多种类型的数据，其中，类型可以包括数据类型或交易类型，例如数据类型可划分为文本数据、行为数据等，交易类型又可根据不同的维度特征划分，例如将交易金额达到金额阈值的交易数据确定为第一交易类型，或将交易频次达到频次阈值的交易数据确定为第二交易类型等，在此不做限定。可选地，在本实施例中，以处于所述目标状态的账号为风险账号为例说明，目标画像特征可以但不限于为明确为风险账号的用户画像特征，也可以但不限于为概略为风险账号的用户画像特征，例如利用标记好是否为风险账号的样本对有监督神经网络进行训练，以训练获得风险账号的用户画像特征，再例如利用无标记是否为风险账号的样本对无监督神经网络进行训练，以训练获得满足目标条件的用户画像特征作为风险账号的用户画像特征，其中，目标条件可以但不限于包括以下至少之一：聚集度高于第一预设阈值、占总量数低于第二预设阈值、风险值高于第三预设阈值等。需要说明的是，获取待检测的目标账号所关联的对象的关联数据，以及目标账号在目标时间内产生的交易数据，其中，交易数据为在目标账号的交易过程中所产生的数据；对关联数据以及交易数据分别进行统计，以获取关联数据对应的关联特征值，以及交易数据对应的交易特征值，其中，关联特征值用于表示目标账号与所关联的对象之间的聚集特征，交易特征值用于表示目标账号在交易过程中所表现出的行为特征；根据关联特征值以及交易特征值确定出目标账号的用户画像特征；在目标账号的用户画像特征与目标画像特征之间的距离小于等于预设阈值的情况下，显示目标账号处于目标状态，其中，目标画像特征为风险账号的用户画像特征。具体实施例可以参考上述账号状态的检测方法中所示示例，本示例中在此不再赘述。通过本申请提供的实施例，获取待检测的目标账号所关联的对象的关联数据，以及目标账号在目标时间内产生的交易数据，其中，交易数据为在目标账号的交易过程中所产生的数据；对关联数据以及交易数据分别进行统计，以获取关联数据对应的关联特征值，以及交易数据对应的交易特征值，其中，关联特征值用于表示目标账号与所关联的对象之间的聚集特征，交易特征值用于表示目标账号在交易过程中所表现出的行为特征；根据关联特征值以及交易特征值确定出目标账号的用户画像特征；在目标账号的用户画像特征与目标画像特征之间的距离小于等于预设阈值的情况下，显示目标账号处于目标状态，其中，目标画像特征为处于目标状态的账号的用户画像特征，通过交易数据以衡量目标账号存在的交易性风险，以及通过关联数据以衡量目标账号存在的聚集性风险，并以结合的方式确定出目标账号的用户画像特征，从而达到了提高用户画像特征的全面性的技术目的，从而实现了提高账号状态的检测准确性的技术效果。作为一种可选的方案，第一确定单元1106，包括：融合模块，用于对关联特征值以及交易特征值进行融合处理，以获得目标特征值；第一确定模块，用于将目标特征值确定为目标账号的用户画像特征；或，第二确定模块，用于将关联特征值确定为目标账号的第一画像特征；第三确定模块，用于将交易特征值确定为目标账号的第二画像特征，其中，目标账号的用户画像特征包括第一画像特征以及第二画像特征。具体实施例可以参考上述账号状态的检测方法中所示示例，本示例中在此不再赘述。作为一种可选的方案，显示单元1108，包括：第一显示模块，用于在将目标特征值确定为目标账号的用户画像特征，且目标账号的用户画像特征与目标画像特征之间的距离小于等于预设阈值的情况下，显示目标账号处于目标状态；或，第二显示模块，用于在将关联特征值确定为第一画像特征，且第一画像特征与第一目标特征之间的距离小于等于第一阈值的情况下，显示目标账号处于第一目标状态，其中，第一目标特征为处于目标状态的账号与所关联的对象之间的聚集特征；第三显示模块，用于在将交易特征值确定为第二画像特征，且第二画像特征与第二目标特征之间的距离小于等于第二阈值的情况下，显示目标账号处于第二目标状态，其中，第二目标特征为处于目标状态的账号在交易过程中所表现出的行为特征。具体实施例可以参考上述账号状态的检测方法中所示示例，本示例中在此不再赘述。作为一种可选的方案，统计单元1104，包括：第一统计模块，用于在交易数据包括交易行为数据的情况下，对交易行为数据进行统计，以获取交易行为数据对应的特征值，其中，交易行为数据用于表示目标账号在交易过程中所产生的行为数据，交易特征值包括交易行为数据对应的特征值；第二统计模块，用于在交易数据包括交易文本数据的情况下，对交易文本数据进行统计，以获取交易文本数据对应的特征值，其中，交易行为数据用于表示目标账号在交易过程中所产生的文本数据，交易特征值包括交易文本数据对应的特征值；第三统计模块，用于在关联数据包括目标账号所关联的绑定对象的数据的情况下，对绑定对象的数据进行统计，以获取绑定对象的数据对应的特征值，其中，交易特征值包括绑定对象的数据对应的特征值；第四统计模块，用于在关联数据包括目标账号所关联的交易对象的数据的情况下，对交易对象的数据进行统计，以获取交易对象的数据对应的特征值，其中，交易特征值包括交易对象的数据对应的特征值。具体实施例可以参考上述账号状态的检测方法中所示示例，本示例中在此不再赘述。作为一种可选的方案，第二统计模块，包括：过滤子模块，用于过滤掉交易文本数据中的无效信息，其中，无效信息为交易文本数据中用于表示与交易内容的相关度未达到第三阈值的文本信息；抽取子模块，用于抽取过滤后的交易文本数据中的关键信息，其中，关键信息为交易文本数据中用于表示与交易内容的相关度达到第四阈值的文本信息；统计子模块，用于对关键信息进行统计，以获得交易文本数据对应的特征值。具体实施例可以参考上述账号状态的检测方法中所示示例，本示例中在此不再赘述。作为一种可选的方案，统计子模块，包括：第一统计子单元，用于对关键信息进行统计，以获得关键信息对应的特征值；第一确定子单元，用于将关键信息对应的特征值确定为交易文本数据对应的特征值；或，匹配子单元，用于匹配关键信息与目标信息，以获取关键信息与目标信息的命中数据，其中，目标信息为用于表示与风险交易内容的相关度达到第五阈值的文本信息；第二统计子单元，用于对命中数据进行统计，以获得命中数据对应的特征值；第二确定子单元，用于将命中数据对应的特征值确定为交易文本数据对应的特征值。具体实施例可以参考上述账号状态的检测方法中所示示例，本示例中在此不再赘述。作为一种可选的方案，包括：输入单元，用于在获取待检测的目标账号所关联的对象的关联数据，以及目标账号在目标时间内产生的交易数据之后，将关联数据以及交易数据输入数据识别模型，其中，数据识别模型为利用多个样本数据进行聚类后得到的用于识别数据的神经网络模型；第二获取单元，用于在获取待检测的目标账号所关联的对象的关联数据，以及目标账号在目标时间内产生的交易数据之后，获取数据识别模型输出的识别结果，其中，识别结果为关联数据以及交易数据的聚类结果；第二确定单元，用于在获取待检测的目标账号所关联的对象的关联数据，以及目标账号在目标时间内产生的交易数据之后，根据识别结果确定目标账号匹配的账号状态。具体实施例可以参考上述账号状态的检测方法中所示示例，本示例中在此不再赘述。作为一种可选的方案，包括：第三获取单元，用于在将关联数据以及交易数据输入数据识别模型之前，获取多个样本数据，其中，样本数据包括样本关联数据以及样本交易数据；重复单元，用于在将关联数据以及交易数据输入数据识别模型之前，重复执行以下步骤，直至得到数据识别模型：第三确定单元，用于在将关联数据以及交易数据输入数据识别模型之前，从多个样本数据中确定出当前样本数据，并确定当前数据识别模型，其中，当前样本数据包括当前样本关联数据以及当前样本交易数据；识别单元，用于在将关联数据以及交易数据输入数据识别模型之前，通过当前数据识别模型识别出当前样本数据的当前聚类结果；第四获取单元，用于在将关联数据以及交易数据输入数据识别模型之前，在当前聚类结果未达到识别收敛条件的情况下，获取下一个样本数据作为当前样本数据；第四确定单元，用于在将关联数据以及交易数据输入数据识别模型之前，在当前聚类结果达到识别收敛条件的情况下，确定当前数据识别模型为数据识别模型。具体实施例可以参考上述账号状态的检测方法中所示示例，本示例中在此不再赘述。作为一种可选的方案，还包括：第五获取单元，用于在显示目标账号处于目标状态之前，获取目标账号的属性数据以及历史数据，其中，属性数据用于表示目标账号的账号属性信息，历史数据用于表示目标账号的历史标签信息；第六获取单元，用于在显示目标账号处于目标状态之前，对属性数据以及历史数据分别进行统计，以获取属性数据对应的属性特征值，以及历史数据对应的历史特征值，其中，属性特征值用于表示目标账号对应的属性特征，历史特征值用于表示目标账号历史分配的标签特征；第五确定单元，用于在显示目标账号处于目标状态之前，根据属性特征值、历史特征值、关联特征值以及交易特征值确定目标账号匹配的账号状态，其中，账号状态包括目标状态。具体实施例可以参考上述账号状态的检测方法中所示示例，本示例中在此不再赘述。根据本发明实施例的又一个方面，还提供了一种用于实施上述账号状态的检测方法的电子设备，如图12所示，该电子设备包括存储器1202和处理器1204，该存储器1202中存储有计算机程序，该处理器1204被设置为通过计算机程序执行上述任一项方法实施例中的步骤。可选地，在本实施例中，上述电子设备可以位于计算机网络的多个网络设备中的至少一个网络设备。可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：s1，获取待检测的目标账号所关联的对象的关联数据，以及目标账号在目标时间内产生的交易数据，其中，交易数据为在目标账号的交易过程中所产生的数据；s2，对关联数据以及交易数据分别进行统计，以获取关联数据对应的关联特征值，以及交易数据对应的交易特征值，其中，关联特征值用于表示目标账号与所关联的对象之间的聚集特征，交易特征值用于表示目标账号在交易过程中所表现出的行为特征；s3，根据关联特征值以及交易特征值确定出目标账号的用户画像特征；s4，在目标账号的用户画像特征与目标画像特征之间的距离小于等于预设阈值的情况下，显示目标账号处于目标状态，其中，目标画像特征为处于目标状态的账号的用户画像特征。可选地，本领域普通技术人员可以理解，图12所示的结构仅为示意，电子设备也可以是智能手机(如android手机、ios手机等)、平板电脑、掌上电脑以及移动互联网设备(mobileinternetdevices，mid)、pad等终端设备。图12其并不对上述电子设备的结构造成限定。例如，电子设备还可包括比图12中所示更多或者更少的组件(如网络接口等)，或者具有与图12所示不同的配置。其中，存储器1202可用于存储软件程序以及模块，如本发明实施例中的账号状态的检测方法和装置对应的程序指令/模块，处理器1204通过运行存储在存储器1202内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的账号状态的检测方法。存储器1202可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器1202可进一步包括相对于处理器1204远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中，存储器1202具体可以但不限于用于存储关联数据、交易数据、用户画像特征以及目标账号的账号状态等信息。作为一种示例，如图12所示，上述存储器1202中可以但不限于包括上述账号状态的检测装置中的第一获取单元1102、统计单元1104、第一确定单元1106及显示单元1108。此外，还可以包括但不限于上述账号状态的检测装置中的其他模块单元，本示例中不再赘述。可选地，上述的传输装置1206用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置1206包括一个网络适配器(networkinterfacecontroller，nic)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置1206为射频(radiofrequency，rf)模块，其用于通过无线方式与互联网进行通讯。此外，上述电子设备还包括：显示器1208，用于显示上述关联数据、交易数据、用户画像特征以及目标账号的账号状态等信息；和连接总线1210，用于连接上述电子设备中的各个模块部件。在其他实施例中，上述终端设备或者服务器可以是一个分布式系统中的一个节点，其中，该分布式系统可以为区块链系统，该区块链系统可以是由该多个节点通过网络通信的形式连接形成的分布式系统。其中，节点之间可以组成点对点(peertopeer，简称p2p)网络，任意形式的计算设备，比如服务器、终端等电子设备都可以通过加入该点对点网络而成为该区块链系统中的一个节点。根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述账号状态的检测方法，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。可选地，在本实施例中，上述计算机可读的存储介质可以被设置为存储用于执行以下步骤的计算机程序：s1，获取待检测的目标账号所关联的对象的关联数据，以及目标账号在目标时间内产生的交易数据，其中，交易数据为在目标账号的交易过程中所产生的数据；s2，对关联数据以及交易数据分别进行统计，以获取关联数据对应的关联特征值，以及交易数据对应的交易特征值，其中，关联特征值用于表示目标账号与所关联的对象之间的聚集特征，交易特征值用于表示目标账号在交易过程中所表现出的行为特征；s3，根据关联特征值以及交易特征值确定出目标账号的用户画像特征；s4，在目标账号的用户画像特征与目标画像特征之间的距离小于等于预设阈值的情况下，显示目标账号处于目标状态，其中，目标画像特征为处于目标状态的账号的用户画像特征。可选地，在本实施例中，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(read-onlymemory，rom)、随机存取器(randomaccessmemory，ram)、磁盘或光盘等。上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。以上所述仅是本发明的优选实施方式，应当指出，对于本
技术领域：
：的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。当前第1页12当前第1页12