[发明专利]盗账户案件分析方法和装置

说明书

技术领域

本申请涉及网络安全技术领域，尤其涉及一种盗账户案件分析方法和装 置。

背景技术

随着网络支付的不断发展和演化，盗账户案件也越来越趋向于复杂化和 智能化。特别地,近段时间在盗账户案件中开始浮现熟人操作账户虚假报案。 这种熟人操作虚假报案都普遍存在有意或无意的骗赔性质,网络支付公司需 要有力甄别并果断地给予不赔付的应答。

现有技术中的盗账户案件分析方法通常包括如下步骤，即数据获取、数 据预处理、特征提取和选择以及最后的模式分类。虽然现在绝大多数的研究 和应用在最后的模型分类，但是良好的特征提取和选择，往往对算法的最终 准确性起到至关重要的作用。现有的特征提取和选择一般都是人工完成，也 即建模研究人员和工程师对业务的理解对最终的模型性能起到了决定性的作 用，而且，建模应用所占的绝大部分工作时间都耗在了特征提取和选择的计 算及测试过程之中。

由上可见，现有技术中的盗账户案件分析方法多依赖于人工来完成，不 仅耗时耗力，而且判决结果主观性强。

发明内容

本申请实施例提供了一种盗账户案件分析方法和装置，可以减轻案件审理 人员的工作强度，同时提高判决结果的客观性。

第一方面，提供了一种盗账户案件分析方法，该方法包括：

获取待分析盗账户案件的第一特征数据；

根据所述第一特征数据构建原始特征输入向量；

将所述原始特征输入向量作为深度神经网络模型的原始特征输入层的输 入向量，通过所述深度神经网络模型的输出层获得所述待分析盗账户案件的 分析结果，其中，所述深度神经网络模型包括至少三层的隐性特征层，所述 隐性特征层的输出向量与所述原始特征输入层的输入向量具有相同的元素个 数。

优选地，所述根据所述第一特征数据构建原始特征输入向量，具体包括：

对所述第一特征数据进行归一化处理得到第二特征数据；

根据所述第二特征数据构建原始特征输入向量。

优选地，所述获取待分析盗账户案件的第一特征数据之前，所述方法还包 括：

获取样本盗账户案件的样本特征数据和所述样本盗账户案件的样本分析 结果；

根据所述样本特征数据构建样本原始特征输入向量；

将所述样本原始特征输入向量作为深度神经网络模型的原始特征输入层 的输入向量，将所述样本分析结果作为所述深度神经网络模型的输出层的输 出结果，进行深度神经网络模型学习。

优选地，所述进行深度神经网络模型学习，具体包括：

基于最小化重构误差准则，在满足性能阈值的条件下，为所述深度神经网 络模型逐层进行特征信息提炼；

通过统计分类器建模获得的分类结果与所述样本分析结果相同的概率，对 所述深度神经网络模型进行性能评估；

当所述性能评估的评估结果满足要求时，确认完成所述深度神经网络模型 学习；

当所述性能评估的评估结果不满足要求时，调整所述性能阈值重新进行特 征信息提炼。

优选地，所述基于最小化重构误差准则，在满足性能阈值的条件下，为所 述深度神经网络模型逐层进行特征信息提炼，具体包括：

在每次特征信息提炼后，反推来验证所述特征信息提炼是否满足性能阈 值；

当验证结果为所述特征信息提炼满足所述性能阈值时，确认完成该层的特 征信息提炼；

当验证结果为所述特征信息提炼不满足所述性能阈值时，调整该层的权值 矩阵重新进行该层的特征信息提炼。

第二方面，提供了一种盗账户案件分析装置，该装置包括：第一数据获取 单元、第一向量构建单元和分析单元；

所述第一数据获取单元，用于获取待分析盗账户案件的第一特征数据；

所述第一向量构建单元，用于根据所述第一数据获取单元获取的第一特征 数据构建原始特征输入向量；

所述分析单元，用于将所述第一向量构建单元构建的原始特征输入向量作 为深度神经网络模型的原始特征输入层的输入向量，通过所述深度神经网络 模型的输出层获得所述待分析盗账户案件的分析结果，其中，所述深度神经 网络模型包括至少三层的隐性特征层，所述隐性特征层的输出向量与所述原 始特征输入层的输入向量具有相同的元素个数。

优选地，所述第一向量构建单元具体包括：