[发明专利]网络欺诈识别方法、装置、计算机装置及存储介质

权利要求书

1.一种网络欺诈识别方法，其特征在于，所述方法包括：

获取多个用户的网络注册信息，根据所述多个用户的网络注册信息构建所述多个用户的网络图，所述多个用户包括训练集用户和待识别用户；

根据所述网络图构建所述多个用户的邻接矩阵；

对所述邻接矩阵进行谱分解，得到所述多个用户的特征矩阵；

对于所述多个用户中的每个给定用户，根据所述特征矩阵中所述给定用户对应的行向量和所述给定用户的预设邻居用户对应的行向量生成所述给定用户的特征向量；

使用所述训练集用户的特征向量训练网络欺诈识别模型，所述网络欺诈识别模型包括深度自编码器和卷积神经网络，所述深度自编码器包括编码器和解码器，所述编码器的输出为所述卷积神经网络的输入；

将所述待识别用户的特征向量输入训练后的所述网络欺诈识别模型进行识别，确定所述待识别用户是否为欺诈用户。

2.如权利要求1所述的方法，其特征在于，所述根据多个用户的网络注册信息构建所述多个用户的网络图包括：

以所述多个用户中的每个用户作为所述网络图的节点，若所述多个用户中的两个用户有相同的网络注册信息，则连接所述两个用户对应的节点，得到所述两个用户对应的边；

根据所述多个用户的网络注册信息确定所述网络图中各条边的权值。

3.如权利要求1所述的方法，其特征在于，所述邻接矩阵中的各个元素的值根据所述网络图中各个节点的连接关系和所述网络图中各条边的权值确定。

4.如权利要求1所述的方法，其特征在于，所述网络注册信息包括IP地址和MAC地址。

5.如权利要求1所述的方法，其特征在于，所述根据所述特征矩阵中所述给定用户对应的行向量和所述给定用户的预设邻居用户对应的行向量生成所述给定用户的特征向量包括：

在所述特征矩阵中，取所述给定用户对应的行向量的前K个元素，得到所述给定用户的第一特征子向量，K小于等于所述邻接矩阵的维数N；

在所述特征矩阵中，取所述给定用户的每个预设邻居用户对应的行向量的前K个元素，得到所述给定用户的每个预设邻居用户的特征子向量，取所述给定用户的所有预设邻居用户的特征子向量的平均值作为所述给定用户的第二特征子向量；

组合所述第一特征子向量和所述第二特征子向量，得到所述给定用户的特征向量。

6.如权利要求5所述的方法，其特征在于，对所述邻接矩阵进行谱分解还得到所述邻接矩阵的对角矩阵，所述K按照如下方式确定：

从所述邻接矩阵的对角矩阵中获取所述特征矩阵的特征值，所述对角矩阵在对所述邻接矩阵进行谱分解时得到；

将所述特征值进行降序排序；

若降序排序后的第X-1个特征值减去第X个特征值的差超过预设值，则取X为K。

7.如权利要求1所述的方法，其特征在于，所述卷积神经网络是LeNet卷积神经网络。

8.一种网络欺诈识别装置，其特征在于，所述装置包括：

获取模块，用于获取多个用户的网络注册信息，根据所述多个用户的网络注册信息构建所述多个用户的网络图，所述多个用户包括训练集用户和待识别用户；

构建模块，用于根据所述网络图构建所述多个用户的邻接矩阵；

谱分解模块，用于对所述邻接矩阵进行谱分解，得到所述多个用户的特征矩阵；

生成模块，用于对于所述多个用户中的每个给定用户，根据所述特征矩阵中所述给定用户对应的行向量和所述给定用户的预设邻居用户对应的行向量生成所述给定用户的特征向量；

训练模块，用于使用所述训练集用户的特征向量训练网络欺诈识别模型，所述网络欺诈识别模型包括深度自编码器和卷积神经网络，所述深度自编码器包括编码器和解码器，所述编码器的输出为所述卷积神经网络的输入；

识别模块，用于将所述待识别用户的特征向量输入训练后的所述网络欺诈识别模型进行识别，确定所述待识别用户是否为欺诈用户。