一种异常检测模型的训练方法及装置与流程

本说明书涉及计算机，尤其涉及一种异常检测模型的训练方法及装置。

背景技术：

1、随着人们对隐私数据关注度的提高，以及人工智能技术的快速发展，线上业务得到了快速的发展和广泛的关注。用户可以在业务平台上通过不同的业务行为执行线上业务。但线上业务为用户提供便利的同时，也出现了安全风险。因此，业务平台可以基于用户的业务行为进行异常检测，及时识别出行为异常的用户，从而进行风险预警，提升线上业务的安全性。

技术实现思路

1、本说明书提供一种异常检测模型的训练方法及装置，以部分的解决现有技术存在的上述问题。

2、本说明书采用下述技术方案：

3、本说明书提供了一种异常检测模型的训练方法，包括：

4、获取各参考文本，所述各参考文本用于描述参考用户在各历史时刻的业务行为；

5、将所述各参考文本输入到预先训练的特征提取模型，得到所述各参考文本的特征；

6、根据所述各参考文本分别对应的历史时刻，将所述各参考文本排序，得到参考文本序列，并根据所述各参考文本的特征，以及所述参考文本序列，确定所述参考文本序列的特征；

7、将所述参考文本序列的特征输入待训练的异常检测模型，得到所述异常检测模型输出的所述参考用户的异常检测结果；

8、获取所述参考用户的业务行为标签，并根据所述业务行为标签和所述异常检测结果，训练所述异常检测模型。

9、本说明书提供了一种异常检测模型的训练装置，包括：

10、参考文本获取模块，用于获取各参考文本，所述各参考文本用于描述参考用户在各历史时刻的业务行为；

11、文本特征确定模块，用于将所述各参考文本输入到预先训练的特征提取模型，得到所述各参考文本的特征；

12、序列特征确定模块，用于根据所述各参考文本分别对应的历史时刻，将所述各参考文本排序，得到参考文本序列，并根据所述各参考文本的特征，以及所述参考文本序列，确定所述参考文本序列的特征；

13、异常检测结果确定模块，用于将所述参考文本序列的特征输入待训练的异常检测模型，得到所述异常检测模型输出的所述参考用户的异常检测结果；

14、训练模块，用于获取所述参考用户的业务行为标签，并根据所述业务行为标签和所述异常检测结果，训练所述异常检测模型。

15、本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述异常检测模型的训练方法。

16、本说明书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，所述处理器执行所述程序时实现上述异常检测模型的训练方法。

17、本说明书采用的上述至少一个技术方案能够达到以下有益效果：

18、本说明书提供的异常检测模型的训练方法中，根据用于描述参考用户在各历史时刻的业务行为的各参考文本以及特征提取模型，确定各参考文本的特征，根据各参考发文本分别对应的历史时刻，得到参考文本序列，并根据各参考文本的特征以及参考文本序列确定参考文本序列的特征，从而，将参考文本序列的特征输入待训练的异常检测模型，得到异常检测结果，获取参考用户的业务行为标签，根据业务行为标签和异常检测结果训练异常检测模型。可见，通过在异常检测模型的训练过程中，首先对每个参考文本进行单独的特征提取，再基于各参考文本的特征得到参考文本序列的特征的方式，训练时无需直接采用过长的参考文本序列作为训练样本，提高了模型训练的效率。

技术特征：

1.一种异常检测模型的训练方法，所述方法包括：

2.如权利要求1所述的方法，根据所述业务行为标签和所述异常检测结果，训练所述异常检测模型，具体包括：

3.如权利要求1所述的方法，预先训练特征提取模型，具体包括：

4.如权利要求3所述的方法，预先将各参考文本分别输入待训练的特征提取模型，得到所述各参考文本的预测特征，具体包括：

5.如权利要求4所述的方法，根据所述各参考文本的预测特征构建训练样本组，具体包括：

6.如权利要求5所述的方法，根据所述各候选文本的各候选特征确定所述锚样本的负样本，具体包括：

7.如权利要求1所述的方法，所述方法还包括：

8.一种异常检测模型的训练装置，包括：

9.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～7任一项所述的方法。

10.一种电子设备，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，所述处理器执行所述程序时实现上述权利要求1～7任一项所述的方法。

技术总结
本说明书公开了一种异常检测模型的训练方法及装置，根据用于描述参考用户在各历史时刻的业务行为的各参考文本以及特征提取模型，确定各参考文本的特征，根据各参考文本的特征以及参考文本序列确定参考文本序列的特征，从而，将参考文本序列的特征输入待训练的异常检测模型，得到异常检测结果，获取参考用户的业务行为标签，根据业务行为标签和异常检测结果训练异常检测模型。可见，通过在异常检测模型的训练过程中，首先对每个参考文本进行单独的特征提取，再基于各参考文本的特征得到参考文本序列的特征的方式，训练时无需直接采用过长的参考文本序列作为训练样本，提高了人工智能模型训练的效率以及隐私数据的安全性。

技术研发人员：彭凤超,刘健
受保护的技术使用者：支付宝（杭州）信息技术有限公司
技术研发日：
技术公布日：2024/2/1