异常交易识别方法及装置与流程

本技术涉及计算机，具体涉及一种异常交易识别方法及装置。

背景技术：

1、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

1、本技术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。

2、本技术实施例提供一种异常交易识别方法，包括：

3、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；

4、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；

5、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；

6、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；

7、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。

8、相应地，本技术实施例还提供了一种异常交易识别装置，包括：

9、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；

10、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；

11、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；

12、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；

13、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。

14、在本技术的一些实施例中，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，

15、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；

16、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。

17、在本技术的一些实施例中，确定模块330包括组合子模块和确定子模块，其中，

18、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；

19、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。

20、在本技术的一些实施例中，组合子模块具体用于：

21、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；

22、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；

23、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。

24、在本技术的一些实施例中，生成模块包括筛选子模块和生成子模块，其中，

25、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；

26、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。

27、在本技术的一些实施例中，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，

28、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；

29、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。

30、在本技术的一些实施例中，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，

31、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；

32、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。

33、在本技术的一些实施例中，第一计算子单元具体用于：

34、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；

35、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；

36、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；

37、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。

38、在本技术的一些实施例中，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：

39、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；

40、根据匹配结果，生成交易样本数据对应的交易关系数据。

41、在本技术的一些实施例中，识别模块包括训练子模块和识别子模块，其中，

42、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；

43、识别子模块，用于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。

44、在本技术的一些实施例中，训练子模块包括确定单元和训练单元，其中，

45、确定单元，用于基于多个交易样本数据，确定每个交易样本数据对应的交易特征数据；

46、训练单元，用于基于交易样本数据、样本标签数据、交易特征数据以及交易关系数据，对预设的交易识别模型进行训练。

47、在本技术的一些实施例中，交易样本数据与交易节点对应，确定单元包括确定子单元和更新子单元，其中，

48、确定子单元，用于确定多个交易样本数据对应的初始图样本数据，初始图样本数据包括多个交易节点各自的交易特征数据；

49、更新子单元，用于通过图神经网络模型对初始图样本数据进行更新，得到目标图样本数据，目标图样本数据包括多个交易节点各自更新后的交易特征数据。

50、在本技术的一些实施例中，初始图样本数据还包括交易节点之间的边的权重数据，更新子单元具体用于：

51、通过图神经网络模型，确定至少一个与交易节点通过边连接的相邻交易节点的相邻交易特征数据、以及边的权重数据；

52、通过图神经网络模型，基于相邻交易特征数据、权重信息、以及图神经网络模型的参数进行融合计算，得到融合交易特征数据；

53、通过图神经网络模型的预设激活函数对融合交易特征数据进行激活，得到交易节点更新后的交易特征数据。

54、在本技术的一些实施例中，交易节点之间的边包括具有相似关系的交易节点之间形成的边，边的权重数据包括相似度数据，确定子单元具体用于：

55、基于交易样本数据包括的所有维度数据，生成交易样本数据对应交易节点的交易特征数据；

56、从至少一个交易维度中确定目标交易维度，目标交易维度用于评估交易节点之间的相似关系；

57、基于两个交易样本数据各自在目标交易维度的目标维度数据，计算两个交易样本数据对应的两个交易节点之间的相似度数据，以得到具有相似关系的交易节点之间的边、以及边的相似度数据。

58、在本技术的一些实施例中，获取模块包括获取子模块、预处理子模块以及确定子模块，其中，

59、获取子模块，用于获取多个原始交易数据；

60、预处理子模块，用于对原始交易数据进行预处理，得到交易样本数据；

61、确定子模块，用于确定交易样本数据对应的样本标签数据。

62、在本技术的一些实施例中，原始交易数据包括至少一个交易维度的原始维度数据，原始维度数据对应数据类型，预处理子模块具体用于：

63、通过数据类型对应的预处理算法，对原始维度数据进行预处理，得到交易维度的维度数据，交易样本数据包括交易维度的维度数据。

64、在本技术的一些实施例中，交易样本数据包括正常交易样本数据，异常交易识别装置还包括自编码构建模块和自编码训练模块，其中，

65、自编码构建模块，用于构建待训练的自编码器模型；

66、自编码训练模块，用于基于多个正常交易样本数据，对自编码器模型进行训练，得到训练后的自编码器模型；

67、此时确定子模块具体用于：

68、通过训练后的自编码器模型，生成交易样本数据对应的样本标签数据，样本标签数据包括正常标签数据和异常标签数据。

69、相应地，本技术实施例还提供一种计算机设备，包括处理器和存储器，存储器存储有计算机程序，处理器用于运行存储器内的计算机程序，以实现本技术实施例提供的异常交易识别方法中的步骤。

70、相应地，本技术实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其中，计算机程序被处理器执行以实现本技术实施例提供的异常交易识别方法中的步骤。

71、相应地，本技术实施例还提供一种计算机程序产品，包括计算机程序或指令，该计算机程序或指令被处理器执行以实现本技术实施例提供的异常交易识别方法中的步骤。

72、本技术实施例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，交易样本数据可以包括至少一个交易维度的维度数据，可以根据维度数据，创建多个维度筛选标准各自对应的数据集，将至少两个数据集组合起来，形成候选数据集组，根据候选数据集中至少两个数据集各自对应的维度筛选标准，确定至少一个候选关联条件，并从多个候选关联条件中确定目标关联条件，维度筛选标准为对交易的至少一个维度设定的筛选标准，目标关联条件对应至少两个维度筛选标准，因此目标关联条件可以将至少两个维度关联起来，根据目标关联条件确定交易样本数据对应的交易关系数据，交易关系数据可以反映出交易样本数据在目标关联数据所对应的至少两个维度是否存在关系，基于此可知本技术实施例可以捕捉交易在至少两个维度之间可能存在的潜在关系，并将这种潜在关系量化为交易关系数据，再基于交易样本数据、交易关系数据、样本标签数据等对预设的交易识别模型进行训练，使得训练后的异常识别模型可以对待识别交易的交易数据进行更深层次的处理，得到更加准确的异常识别结果。