[发明专利]一种数据异常检测方法与装置

说明书

本发明实施例涉及数据处理技术领域，尤其涉及一种数据异常检测方法与装置，用以提高数据检测的准确性和精确度。本发明实施例包括：获取待测对象的检测样本数据；根据检测样本数据，确定待测对象对应于第一机器学习模型的第一检测特征值，以及对应于规则算法的第二检测特征值，规则算法中包含至少一个判断逻辑；将第一机器学习模型对应的第一检测特征值输入已训练的机器学习模型，得到待测对象的第一输出向量，并且将规则算法对应的第二检测特征值输入规则算法中，得到待测对象的第二输出向量；将第一输出向量和第二输出向量输入已训练的第二机器学习模型，确定待测对象的输出风险指数；根据输出风险指数，确定待测对象的异常判定结果。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种数据异常检测方法与装置。

背景技术

互联网和互联网金融的快速发展给风控系统带来了前所未有的挑战，欺诈交易的形式、方式越发多种多样，隐蔽性高，难以挖掘，传统的规则引擎风控方法越发乏力。近年深度学习的快速发展为解决这一问题提供了另一种思路，开发深度引擎，通过深度学习构建模型挖掘隐含信息，辨别欺诈交易，已有不错的成果。

制定规则检测异常数据，在部分场景仍有不可取代的优势。但目前进行异常数据检测多为单独使用深度学习算法，准确性和精确度有待进一步提高。

发明内容

本申请提供一种数据异常检测方法与装置，用以提高数据检测的准确性和精确度。

本发明实施例提供的一种数据异常检测方法，包括：

获取待测对象的检测样本数据；

根据所述检测样本数据，确定所述待测对象对应于第一机器学习模型的第一检测特征值，以及对应于规则算法的第二检测特征值，所述规则算法中包含至少一个判断逻辑；

将所述第一机器学习模型对应的第一检测特征值输入已训练的机器学习模型，得到所述待测对象的第一输出向量，并且将所述规则算法对应的第二检测特征值输入所述规则算法中，得到所述待测对象的第二输出向量；

将所述第一输出向量和第二输出向量输入已训练的第二机器学习模型，确定所述待测对象的输出风险指数；

根据所述输出风险指数，确定所述待测对象的异常判定结果。

一种可选的实施例中，所述第二输出向量包含至少一个输出标识；所述将所述待测对象的第二检测特征值输入所述规则算法中，得到所述待测对象的第二输出向量，包括：

确定判定结果与输出标识的对应关系；

针对所述规则算法中的每一个判断逻辑，利用对应的第二检测特征值，根据所述判断逻辑进行判定，得到对应的判定结果，并根据所述判定结果确定对应的输出标识；

按照预定顺序将所有输出标识组成所述第二输出向量。

一种可选的实施例中，所述第一机器学习模型为神经网络模型，所述第二机器学习模型为逻辑回归模型。

一种可选的实施例中，所述神经网络模型利用以下方式进行训练：

获取历史时间段内的训练样本数据；

根据所述训练样本数据，选择训练对象对应于所述神经网络模型的第一训练特征，并确定第一训练特征对应的第一训练特征值；

将所述第一训练特征值输入初始神经网络模型，并根据得到的机器风险指数及所述训练对象的异常判定结果计算损失函数，当所述损失函数小于预设阈值时，确定对应的第一参数为所述神经网络模型对应的第一参数，得到已训练的神经网络模型；

所述逻辑回归模型利用以下方式进行训练：

从所述已训练的神经网络模型中获取训练对象的第一输出向量；