[发明专利]基于人工智能的异常交易处理方法、装置

权利要求书

1.一种异常交易处理方法，其特征在于，所述方法包括：

根据第一产品交易样本集合中每个产品交易样本的异常度，对所述第一产品交易样本集合中的产品交易样本进行筛选；

将筛选得到的产品交易样本组成第二产品交易样本集合；

获取所述第二产品交易样本集合中每个产品交易样本的类别标注数据，其中，所述类别标注数据用于表征产品交易样本正常或异常；

以所述第二产品交易样本集合中的产品交易样本对异常交易识别模型进行训练，得到训练后的异常交易识别模型；

根据所述训练后的异常交易识别模型识别异常交易。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取所述第一产品交易样本集合中每个产品交易样本的多个特征值；

根据所述每个产品交易样本的多个特征值，确定所述每个产品交易样本的整体的异常度；

其中，所述特征值的维度包括以下至少之一：用户维度、经济维度、社交维度和交易维度。

3.根据权利要求2所述的方法，其特征在于，所述确定所述每个产品交易样本的整体的异常度，包括：

根据所述每个产品交易样本的多个特征值对应的维度，将所述第一产品交易样本集合切分成多个单样本集合；

根据所述第一产品交易样本集合中的产品交易样本形成所述单样本集合的顺序，得到所述特征值对应的局部异常度；

结合所述每个产品交易样本的多个特征值对应的局部异常度，确定所述每个产品交易样本的整体的异常度。

4.根据权利要求1所述的方法，其特征在于，所述根据第一产品交易样本集合中每个所述产品交易样本的异常度，对所述第一产品交易样本集合中的产品交易样本进行筛选，包括：

对所述第一产品交易样本集合中的产品交易样本，按照异常度降序的方式进行排序；

筛选得到排序在前的N个产品交易样本，其中，N为大于1、且小于所述第一产品交易样本集合样本总数的正整数。

5.根据权利要求1所述的方法，其特征在于，

当所述异常交易识别模型是神经网络时，所述以所述第二产品交易样本集合中的产品交易样本对异常交易识别模型进行训练，得到训练后的异常交易识别模型，包括：

以所述第二产品交易样本集合中的产品交易样本作为所述异常交易识别模型的输入，得到针对所述第二产品交易样本集合中的产品交易样本的分类结果；

根据所述分类结果与所述类别标注数据的误差构建损失函数；

根据所述损失函数更新所述异常交易识别模型的参数，直至所述损失函数收敛；

将所述损失函数收敛时的异常交易识别模型的参数，确定为所述训练后的异常交易识别模型的参数。

6.根据权利要求1所述的方法，其特征在于，

当所述异常交易识别模型是包括多个分类器的集成学习模型时，所述以所述第二产品交易样本集合中的产品交易样本对异常交易识别模型进行训练，得到训练后的异常交易识别模型，包括：

遍历所述异常交易识别模型中的所有分类器，将遍历到的分类器作为候选分类器；

以所述第二产品交易样本集合中的产品交易样本作为所述候选分类器的输入，得到针对所述第二产品交易样本集合中的产品交易样本的分类分数；

根据最后遍历的分类器的分类分数构建正则项；

根据所述异常交易识别模型中所有分类器的分类分数，确定分类结果；

确定所述分类结果与所述类别标注数据的误差，根据所述误差和所述正则项构建损失函数；

根据所述损失函数更新所述异常交易识别模型的参数，直至所述损失函数收敛；

将所述损失函数收敛时的异常交易识别模型的参数，确定为所述训练后的异常交易识别模型的参数。