[发明专利]一种异常行为识别模型确定方法及装置

说明书

本发明提供了一种异常行为识别模型确定方法及装置，该方法包括：将获取的预定数量的业务数据转换为图结构数据，并提取该预定数量的业务数据对应的分类标签；对该图结构数据进行聚合处理，得到该图结构数据的稠密向量；通过该稠密向量与该分类标签对原始图神经网络模型进行训练，得到训练好的目标图神经网络模型，该目标图神经网络模型用于异常行为识别，可以解决相关技术中异常行为识别模型效果不佳且模型中的聚合存在一定不足的问题，通过图神经网络模型，各类关系及属性可以很好的进行图数据化的表示，结合深度学习在实现复杂函数逼近和学习数据本质特征的能力更强，模型效果更优。

技术领域

本发明涉及数据处理领域，具体而言，涉及一种异常行为识别模型确定方法及装置。

背景技术

现有反欺诈技术多使用机器学习模型或规则模型，用现有的数据很难描述大量数据之间存在的某种联系，在实现复杂函数逼近和学习数据本质特征时，模型效果不佳；且GraphSage算法在聚合时存在一定不足。

针对相关技术中异常行为识别模型效果不佳且模型中的聚合存在一定不足的问题，尚未提出解决方案。

发明内容

本发明实施例提供了一种异常行为识别模型确定方法及装置，以至少解决相关技术中异常行为识别模型效果不佳且模型中的聚合存在一定不足的问题。

根据本发明的一个实施例，提供了一种异常行为识别模型确定方法，包括：

将获取的预定数量的业务数据转换为图结构数据，并提取所述预定数量的业务数据对应的分类标签；

对所述图结构数据进行聚合处理，得到所述图结构数据的稠密向量；

通过所述稠密向量与所述分类标签对原始图神经网络模型进行训练，得到训练好的目标图神经网络模型，其中，所述目标图神经网络模型用于异常行为识别。

可选地，将获取的预定数量的业务数据转换为图结构数据，并提取所述预定数量的业务数据对应的分类标签包括：

分别为所述预定数量的业务数据分配节点ID，其中，一个业务数据对应一个节点；

提取所述预定数量的节点的关系作为所述图结构数据的邻接表，定义一个字典类型的变量，字典的key存节点ID，对应的value为对应的所有邻居节点；

提取所述预定数量的节点的特征矩阵(N，M)，所述图结构数据的特征矩阵，其中，M为构建的特征维度大小，N为节点的数量；

提取所述预定数量的节点的标签Y，组成所述图结构数据的标签矩阵。

可选地，对所述图结构数据进行聚合处理，得到所述图结构数据的稠密向量包括：

根据所述邻接表确定中心节点与相邻节点的相似度，获取相似度大于预设阈值的n个节点；

根据聚合函数聚合所述n个节点中的中心点和邻居节点，并形成所述图结构数据的稠密向量。

可选地，根据所述邻接表确定中心节点与相邻节点的相似度，获取相似度大于预设阈值的n个节点包括：

根据所述邻接表、所述图结构数据的标签矩阵以及所述预定数量的节点的特征向量，训练得到单层感知网络；

通过所述单层感知网络计算所述预定数量的节点的预测值，并确定每两个节点的预测值的L1距离；

使用所述L1距离确定所述中心节点与所述相邻节点的相似度；

将所述相似度按照由大到小的顺序进行排序；

获取所述相似度大于所述预设阈值的所述n个节点。

可选地，根据聚合函数聚合所述n个节点中的中心点和邻居节点，并形成所述图结构数据的稠密向量包括：