[发明专利]风险挖掘方法及对应装置

权利要求书

1.一种风险挖掘方法，其特征在于，该方法包括：

获取待检测对象的N个网络行为特征的取值，所述N为大于1的正整数；

将所述待检测对象的N个网络行为特征的取值输入自编码模型，获取所述自编码模型输出的所述N个网络行为特征的预测值，其中所述自编码模型利用风险等级低于预设阈值的对象的所述N个网络行为特征预先训练得到；

利用所述N个网络行为特征的取值和预测值的差异程度，确定所述待检测对象的异常分值；

利用所述待检测对象的异常分值，得到所述待检测对象的风险信息。

2.根据权利要求1所述的方法，其特征在于，所述自编码模型采用如下方式预先训练得到：

获取包含多个训练样本的训练数据，所述训练样本包括风险等级低于预设阈值的对象的N个网络行为特征的取值；

利用所述训练样本训练所述自编码模型；其中将训练样本中对象的N个网络行为特征的取值输入自编码模型，获取所述自编码模型输出的N个网络行为特征的预测值，训练目标为：最小化同一对象的N个网络行为特征的取值和预测值的差异程度。

3.根据权利要求1或2所述的方法，其特征在于，所述N个网络行为特征的取值和预测值的差异程度包括：所述N个网络行为特征的取值和预测值的均方根误差、均方误差或平均绝对误差。

4.根据权利要求1所述的方法，其特征在于，利用所述待检测对象的异常分值，得到所述待检测对象的风险信息包括：

依据所述待检测对象的异常分值，确定所述待检测对象的风险等级；和/或，

若所述待检测对象的异常分值大于或等于预设异常分阈值，则依据所述待检测对象的各网络行为特征的取值和预测值的差异程度，将差异程度满足预设差异度条件的网络行为特征确定为所述待检测对象的异常特征，输出所述待检测对象的异常特征的信息。

5.根据权利要求1所述的方法，其特征在于，所述待检测对象为M个，所述M为大于1的正整数；

利用所述待检测对象的异常分值，得到所述待检测对象的风险信息包括：

确定所述M个待检测对象中异常分值满足预设条件的P个对象，所述P为大于1的正整数；

基于所述P个对象的网络行为特征的取值，对所述P个对象进行聚类，得到K个类簇，所述K为大于或等于1的正整数；

分别从所述K个类簇中选择预设数量的对象作为典型异常对象。

6.根据权利要求5所述的方法，其特征在于，利用所述待检测对象的异常分值，得到所述待检测对象的风险信息还包括：

依据典型异常对象的各网络行为特征的取值和预测值的差异程度，将差异程度满足预设差异度条件的网络行为特征确定为所述典型异常对象的异常特征，输出所述典型异常对象的异常特征的信息。

7.根据权利要求1至6中任一项所述的方法，其特征在于，所述对象为账户，所述网络行为特征包括交易类型、交易金额、交易渠道、交易时间、交易频率和交易地点中的一种或任意组合。

8.一种风险挖掘装置，其特征在于，该装置包括：

第一获取单元，被配置为获取待检测对象的N个网络行为特征的取值，所述N为大于1的正整数；

第二获取单元，被配置为将所述待检测对象的N个网络行为特征的取值输入自编码模型，获取所述自编码模型输出的所述N个网络行为特征的预测值，其中所述自编码模型利用风险等级低于预设阈值的对象的所述N个网络行为特征预先训练得到；

异常值确定单元，被配置为利用所述N个网络行为特征的取值和预测值的差异程度，确定所述待检测对象的异常分值；

风险确定单元，被配置为利用所述待检测对象的异常分值，得到所述待检测对象的风险信息。

9.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1至7中任一项所述的方法。

10.一种计算设备，包括存储器和处理器，其特征在于，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1至7中任一项所述的方法。