[发明专利]基于树结构的异常案件识别方法、装置、设备及存储介质

权利要求书

1.一种基于树结构的异常案件识别方法，其特征在于，包括：

从初始案件数据库中获取预定时间周期内的原始训练集，其中，所述原始训练集包括若干个原始训练样本；

基于随机孤立森林算法计算所述原始训练集中每一个原始训练样本的异常分值；

将每一个所述原始训练样本的异常分值与预设阈值进行比对，根据比对结果对所述原始训练样本进行分类，得到正样本和负样本；

将识别得到的所述正样本和所述负样本进行随机组合，形成目标训练集；

构建初始识别模型，并通过所述目标训练集对所述初始识别模型进行模型训练，输出异常识别模型；

获取待识别案件的案件数据，将所述待识别案件的案件数据导入到所述异常识别模型，输出识别结果。

2.如权利要求1所述的基于树结构的异常案件识别方法，其特征在于，所述基于随机孤立森林算法计算所述原始训练集中每一个原始训练样本的异常分值的步骤，具体包括：

通过所述原始训练集中的若干个原始训练样本构建二叉树；

计算每一个所述原始训练样本在所述二叉树中的路径长度，并基于所述路径长度，计算每一个所述原始训练样本的异常分值。

3.如权利要求2所述的基于树结构的异常案件识别方法，其特征在于，所述通过所述原始训练集中的若干个原始训练样本构建二叉树的步骤，具体包括：

在所述原始训练集中抽取若干个所述原始训练样本，并将所述抽取到的若干个原始训练样本导入到预设的初始二叉树模型；

获取每一个所述原始训练样本的样本特征，并将获取到的所述样本特征进行组合，形成特征集合；

通过所述特征集合对所述原始训练集进行划分，直至所述原始训练集的原始训练样本不可再分，输出所述二叉树。

4.如权利要求3所述的基于树结构的异常案件识别方法，其特征在于，所述通过所述特征集合对所述原始训练集进行划分，直至所述原始训练集的原始训练样本不可再分，输出所述二叉树的步骤，具体包括：

依次在所述特征集合中的随机提取样本特征，确定提取的所述样本特征的最大值和最小值；

在所述最大值和所述最小值之间随机选择一个数值作为切割点，对所述原始训练集的原始训练样本进行划分；

历遍所述特征集合的样本特征，直至所述二叉树的深度满足预设深度，获取深度满足要求的所述二叉树。

5.如权利要求2所述的基于树结构的异常案件识别方法，其特征在于，所述计算每一个所述原始训练样本在所述二叉树中的路径长度，并基于所述路径长度，计算每一个所述原始训练样本的异常分值的步骤，具体包括：

统计每一个所述原始训练样本在二叉树中的边数目，并根据边数目计算每一个所述原始训练样本在二叉树中的初始路径长度；

计算路径修正值，通过所述路径修正值对每一个所述原始训练样本的初始路径长度进行修正，得到每一个所述原始训练样本在二叉树中的路径长度；

通所述路径长度，计算每一个所述原始训练样本的异常分值。

6.如权利要求1至5任意一项所述的基于树结构的异常案件识别方法，其特征在于，所述构建初始识别模型，并通过所述目标训练集对所述初始识别模型进行模型训练，输出异常识别模型的步骤，具体包括：

将所述目标训练集随机切分成K等份的训练子集，其中，K为正整数；

随机抽取K-1份所述训练子集组合形成模型训练集，对所述初始识别模型进行模型训练；

将剩余的所述训练子集作为交叉验证集，对训练后的所述初始识别模型进行交叉认证，输出第一验证结果；

根据所述第一验证结果对所述初始识别模型进行迭代更新，直至所述初始识别模型收敛，输出模型收敛后的异常识别模型。