[发明专利]一种欺诈识别模型训练方法、欺诈识别方法及装置

权利要求书

1.一种欺诈识别模型训练方法，其特征在于，包括：

获取多个第一样本用户的历史操作信息；以及获取多个第二样本用户的历史操作信息，和各个所述第二样本用户分别对应的欺诈标注信息；

根据所述第一样本用户的历史操作信息，构建能够用于表征所述第一样本用户操作行为特征的第一特征向量；以及根据所述第二样本用户的历史操作信息，构建能够用于表征所述第二样本用户操作行为特征的第二特征向量；

将所述第一特征向量输入至结构对称的第一神经网络和第二神经网络，对所述第一神经网络进行无监督预训练；其中，所述第一神经网络用于对所述第一特征向量进行编码；所述第二神经网络用于对经过编码后的所述第一特征向量进行解码；

将所述第二特征向量输入至经过预训练的所述第一神经网络和分类器，基于所述第二特征向量和对应的所述欺诈标注信息，对经过预训练的所述第一神经网络和所述分类器进行有监督训练，得到欺诈识别模型。

2.根据权利要求1所述的方法，其特征在于，所述根据所述第一样本用户的历史操作信息，构建能够用于表征所述第一样本用户操作行为特征的第一特征向量；以及根据所述第二样本用户的历史操作信息，构建能够用于表征所述第二样本用户操作行为特征的第二特征向量，包括：

针对每个所述第一样本用户，根据该第一样本用户的所述历史操作信息，确定该第一样本用户在多个预设操作行为特征下的特征值；

根据该第一样本用户在多个所述预设操作行为特征下的特征值，构建能够用于表征所述第一样本用户操作行为特征的第一特征向量；以及

针对每个所述第二样本用户，根据该第二样本用户的所述历史操作信息，确定该第二样本用户在多个所述预设操作行为特征下的特征值；

根据该第二样本用户在多个所述预设操作行为特征下的特征值，构建能够用于表征所述第二样本用户操作行为特征的第二特征向量。

3.根据权利要求1所述的方法，其特征在于，所述将所述第一特征向量输入至结构对称的第一神经网络和第二神经网络，对所述第一神经网络进行无监督预训练，包括：

将所述第一特征向量输入至所述第一神经网络中，获得所述第一神经网络中的至少一个目标编码层输出的编码特征向量；

将所述第一神经网络中的最后一层编码层输出的编码特征向量输入至所述第二神经网络中，获得所述第二神经网络中与所述目标编码层对应的目标解码层输出的解码特征向量；

根据所述编码特征向量和所述解码特征向量，对所述第一神经网络和所述第二神经网络进行本轮训练；

经过对所述第一神经网络和所述第二神经网络进行多轮训练，完成对所述第一神经网络的无监督预训练。

4.根据权利要求3所述的方法，其特征在于，所述根据所述编码特征向量和所述解码特征向量，对所述第一神经网络和所述第二神经网络进行本轮训练，包括：

将本轮还未完成训练的所述第一样本用户中的任意一个第一样本用户作为目标第一样本用户，根据该目标第一样本用户的所述编码特征向量和所述解码特征向量，确定该目标第一样本用户在本轮的损失；

根据所述目标第一样本用户在本轮的所述损失，调整所述第一神经网络和所述第二神经网络的参数；

将所述目标第一样本用户作为完成训练的第一样本用户，并将当前轮还未完成训练的第一样本用户中其它任意一个第一样本用户作为新的目标第一样本用户；

使用调整了参数后的所述第一神经网络和所述第二神经网络，获取该新的目标第一样本用户的编码特征向量和解码特征向量，并重新返回根据该目标第一样本用户的所述编码特征向量和所述解码特征向量，确定该目标第一样本用户在本轮的损失的步骤；

直至所有的所述第一样本用户都完成当前轮的训练，完成对所述第一神经网络和所述第二神经网络的本轮训练。