CN111401908A - 交易行为类型确定方法、装置及设备 - Google Patents
交易行为类型确定方法、装置及设备 Download PDFInfo
- Publication number
- CN111401908A CN111401908A CN202010167428.0A CN202010167428A CN111401908A CN 111401908 A CN111401908 A CN 111401908A CN 202010167428 A CN202010167428 A CN 202010167428A CN 111401908 A CN111401908 A CN 111401908A
- Authority
- CN
- China
- Prior art keywords
- transaction
- transaction data
- data
- user
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 30
- 230000006399 behavior Effects 0.000 claims abstract description 121
- 239000013598 vector Substances 0.000 claims abstract description 64
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000011176 pooling Methods 0.000 claims description 32
- 230000015654 memory Effects 0.000 claims description 19
- 238000004900 laundering Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 9
- 239000011159 matrix material Substances 0.000 description 13
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000009471 action Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Finance (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Computer Security & Cryptography (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本公开提出了一种交易行为类型确定方法、装置及设备,通过对用户在预设时间段内的交易行为进行刻画,捕获用户在不同时间维度下的行为的变化,使用通过自动编码器训练得到的隐向量生成模型,学习到表达用户行为模式的隐向量,将该隐向量输入交易行为识别模型,可根据用户在不同时间维度下的行为变化识别出用户交易行为类型。
Description
技术领域
本公开涉及数据处理技术领域,特别是指一种交易行为类型确定方法、装置及设备。
背景技术
随着互联网技术逐渐拓展至金融领域,在为广大群众提供了较为便利的支付渠道的基础上,也为各种非法行为的实施提供了有利条件,网络洗钱就是其中一种。为了能够及时发现以及处理这种非法交易行为,需采取一定的反洗钱措施。
发明内容
有鉴于此,本说明书一个或多个实施例提出一种交易行为类型确定方法、装置及设备,用以解决相关技术中通过神经网络模型对用户的交易行为进行识别时,无法有效获取用户交易行为的局部特征的问题。
本说明书一个或多个实施例提供了一种交易行为类型确定方法,包括:
获取至少一个用户在第一预设时间段内的交易数据;
将所述交易数据输入隐向量生成模型,得到与所述用户交易行为相关的隐向量,其中,所述隐向量生成模型基于交易数据样本对自动编码器进行训练得到;
将所述隐向量输入交易行为类型识别模型,输出所述至少一个用户在所述第一预设时间段内的交易行为类型。
本说明书一个或多个实施例还提供了一种交易行为类型确定装置,包括:
第一获取模块,用于获取至少一个用户在第一预设时间段内的交易数据;
第一输入模块,用于将所述交易数据输入隐向量生成模型,得到与所述用户交易行为相关的隐向量,其中,所述隐向量生成模型基于交易数据样本对自动编码器进行训练得到;
第二输入模块,用于将所述隐向量输入交易行为类型识别模型,输出所述至少一个用户在所述第一预设时间段内的交易行为类型。
本说明书一个或多个实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任意一种交易行为类型确定方法。
从上面所述可以看出,本说明书一个或多个实施例的交易行为类型确定方法,对用户在预设时间段内的交易行为进行刻画,可以捕获用户在不同时间维度下的行为的变化,使用通过自动编码器训练得到的隐向量生成模型,无需对用户进行打标,就可以学习到表达用户行为模式的隐向量,将该隐向量输入交易行为识别模型,可根据用户在不同时间维度下的行为变化识别出用户交易行为类型,简化了用户交易行为识别流程,提高了用户交易行为识别效率。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书一个或多个实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的一种卷积神经网络模型的示意图;
图2是根据一示例性实施例示出的一种交易行为类型确定方法的流程图;
图3是根据一示例性实施例示出的一种交易行为类型确定装置的框图;
图4是根据本说明书一个或多个实施例示出的一种更为具体的电子设备硬件结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开进一步详细说明。
需要说明的是,本说明书一个或多个实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量,可见“第一”“第二”仅为了表述的方便,不应理解为对本说明书一个或多个实施例的限定,后续实施例对此不再一一说明。
为了对非法交易行为进行识别,可使用神经网络模型学习用户的时间行为序列的表达,使用LSTM(Long Short-Term Memory,长短期记忆网络)或自注意力机制的编码器或解码器,其中,LSTM更加强调序列中长依赖的学习,其特殊的gate(门)结构可以选择对历史信息进行保留或丢弃;自注意力机制可以得到一个时间位置的特征和其他时间位置特征的关系;但只能保留时间序列上重要的信息,不能捕获局部信息,即用户在某一段时间内的行为序列信息,而在对用户交易行为类型进行识别的场景中,有可能会出现某些段局部信息可能是可疑交易行为,对用户的交易行为模式刻画很重要。而,使用TextCNN(利用卷积神经网络对文本进行分类的算法)模型直接对用户的时间序列进行分类学习,将中间的向量作为时间序列的表达方式,则需要对用户进行打标,是一种有监督的学习方式,而在反洗钱领域中,有很多情况下用户是未打标。有鉴于此,本说明书一个或多个实施例提供了一种交易行为类型确定方法,用以解决相关技术中通过神经网络模型对用户的交易行为进行识别时,无法有效获取用户交易行为的局部特征的问题。
在本说明书一个或多个中,采用卷积神经网络模型得到用户的局部交易行为特性,从而捕获用户在时间轴上交易行为模式发生的变化;使用AutoEncoder(自编码)将用户行为的时间序列表达为一个隐藏向量(以下简称隐向量),该隐向量不仅包含了时间上的内部特征,去除了噪声,也可用于用户风险分类的场景中,例如,将该隐向量输入用户风险分类模型中,可得到模型输出对用户的风险分类;同时AutoEncoder是无监督学习,不需要对用户进行打标,适用范围广泛。如图1所示,上述卷积神经网络模型主要由输入层、编码器、解码器以及输出层四部分组成,该模型的输入是对用户一段时间段的行为描述,可将该行为描述形成用户行为映射图,图1中所示的用户行为映射图中,T-1至T-90表示90天,特征F1至F128表示128种用户交易行为特征,将该行为描述输入到编码器中,例如,经过卷积和池化操作,形成隐向量,解码器使用反卷积和反池化将隐向量还原成与输入一样大小的行为映射图,上述卷积神经网络模型的目标是输入和输出的均方根误差最小化,从而利用训练成功的模型得到表达用户行为信息的隐向量,将该隐向量应用于对用户行为的识别,可有效识别出洗钱以及正常交易等交易行为。
图2是根据本说明书一个或多个实施例示出的一种交易行为类型确定方法的流程图,如图2所示,该方法包括:
步骤202:获取至少一个用户在第一预设时间段内的交易数据;
例如,在从大量用户中识别非正常交易的用户时,可获取所有需识别的用户在第一预设时间段内的交易数据,该交易数据例如可以包括用户在第一预设时间段内各采样时间点产生的交易数据,交易数据的类型例如可以包括,资金流入笔数、资金流出笔数、资金流入金额以及资金流出金额等数据中的至少一种。
步骤204:将所述交易数据输入隐向量生成模型,得到与所述用户交易行为相关的隐向量,其中,所述隐向量生成模型基于交易数据样本对自动编码器进行训练得到;
其中,隐向量可以是一个一维的向量,可对用户交易数据样本的稠密进行表征和精确刻画,为对用户序列行为的一种刻画,它可反映每个用户所偏好/习惯的行为模式。
例如,将由用户交易数据转换的矩阵输入隐向量生成模型,输出与用户交易行为相关的隐向量。其中,自动编码器例如AutoEncoder(自编码器)或VAE(Variational Auto-Encoder,变分自动编码器)。
步骤206:将所述隐向量输入交易行为类型识别模型,输出所述至少一个用户在所述第一预设时间段内的交易行为类型。
其中,行为类型识别模型可基于多种预先标记为不同交易行为类型的交易数据训练得到,例如,预先将已知交易行为类型且标注了交易行为类型标签的交易数据输入神经网络模型,不断对该神经网络模型进行训练,得到交易行为类型识别模型,将未知交易行为类型的交易数据输入该模型,可输出该交易数据的所属的交易行为类型。其中,交易行为类型例如可分为,正常交易行为,以及异常交易行为,或者,可分为洗钱行为和正常交易行为,又或者,交易行为类型还可分为按照用户交易风险的等级划分的多个类型,例如,可分为高风险交易行为,中等风险交易行为,低风险交易行为。
在一个例子中,假设上述至少一个用户为1000个用户,则在步骤206中得到的隐向量输入交易行为类型识别模型后,可得到模型输出的该1000个用户在第一预设时间段内的交易行为类型,例如,可根据这些用户的交易行为类型对这些用户进行分类,从而可根据这些用户的交易行为类型确定出进行非法交易的用户,或者,根据这些用户的交易行为类型确定用户的喜好,从而可根据用户的喜好为用户推送消息。
本说明书一个或多个实施例提供的交易行为类型确定方法,对用户在预设时间段内的交易行为进行刻画,可以捕获用户在不同时间维度下的行为的变化,使用通过自动编码器训练得到的隐向量生成模型,无需对用户进行打标,就可以学习到表达用户行为模式的隐向量,将该隐向量输入交易行为识别模型,可根据用户在不同时间维度下的行为变化识别出用户交易行为类型,简化了用户交易行为识别流程,提高了用户交易行为识别效率。
在一种可实现方式中,仍以图1所示的卷积神经网络模型为例,所述自动编码器可包括:时序特征层、编码器、第一全连接层、解码器、第二全连接层以及输出层;其中,所述时序特征层用于按照第一交易数据的类型以及所述第一交易数据产生的时间顺序,将所述第一交易数据转换为用户时序数据,例如,按照用户的交易数据的类型以及交易数据产生的时间顺序,将用户的交易数据转换为矩阵;其中,用户时序数据例如可以用时间序列来表示,时间序列是将用户一段时间的行为用向量表示,比如在7天的时间段内,将每天的金额、笔数、对手数以及时间等形成向量,得到7个这样的向量,则为7天的时间序列。例如,可按照交易数据的类型以及交易数据产生的时间顺序,将交易数据形成一个用户行为曲线图,该图的横轴用于表示每天的特征(N维),该特征例如上述交易数据的类型,纵轴用于表示时间(T维),每一个用户可对应一个这样的图(T*N维),即对应一个T*N维的矩阵,也即一个用户交易数据样本。所述编码器用于获取不同时间窗口下的用户时序数据的特征,以及对所述特征进行池化,得到池化结果;例如,通过TextCNN提取交易数据的局部信息:设置不同的卷积核大小,比如设置卷积核为2,可以捕获用户在相邻2天内的局部交易行为的变化,设置卷积核为6,可以捕捉用户在相邻6天内的局部行为变化的变化,以此类推,因此可以通过卷积核不同尺寸的组合实现对用户长短期行为序列的学习。所述第一全连接层用于将所述池化结果进行连接,得到所述隐向量;所述解码器用于将所述隐向量转换为与所述第一交易数据类型一致的第二交易数据;该解码器例如可包括反卷积层以及反池化层,反卷积层可将一维的隐向量变成一个矩阵,例如,可通过将隐向量先padding(比如用0填补),变成一个矩阵,然后将该矩阵与卷积核做和,得到一个矩阵:将矩阵中的某一个值,变成几个值,例如四个,这四个值都一样,这样矩阵的大小会进一步变大,得到一个新的矩阵,这个矩阵的行数和输入的行数一样。所述第二全连接层用于将所述第二交易数据转换为与所述第一交易数据大小一致;例如,该第二全连接层可将解码器得到的矩阵变换成与输入的矩阵大小一致;所述输出层用于输出转换后的第二交易数据。其中,所述第一交易数据为所述自动编码器的输入数据,所述第二交易数据为所述自动编码器的输出数据。
在一种可实现方式中,所述交易行为类型确定方法还可包括:训练所述自动编码器包括:将多组不同的交易数据样本依次输入所述自动编码器,对所述自动编码器进行训练,直至所述自动编码器的输出数据与输入数据之间的误差小于预设值,得到训练完成的自动编码器。例如,可训练至自动编码器的输出数据与输入数据之间的均方根误差小于预设值,或者,训练至自动编码器的输出数据与输入数据之间的均放误差小于预设值,结束训练,得到网络参数。其中,所述多组用户时序数据样本中每组用户时序样本数据为对模型进行一次训练所使用的数据。
在一种可实现方式中,所述隐向量生成模型可包括:训练完成的所述自动编码器中的所述时序特征层、所述编码器以及所述第一全连接层。
在一种可实现式中,所述编码器可包括卷积层以及池化层;所述卷积层用于根据与第二时间段对应的用户时序数据(例如,上述时序特征层根据第二时间段内产生的交易数据转换得到的用户时序数据),获取在所述第二预设时间段内用户时序数据的特征,例如,可分别获取各用户的资金流入笔数、资金流出笔数、资金流入金额以及资金流出金额,所述第二预设时间段小于所述第一预设时间段,例如,第一预设时间段可包括多个第二预设时间段;所述池化层用于对从所述卷积层得到的特征进行最大池化(Max-Pooling)以及平均池化(Avg-Pooling),得到最大池化结果以及平均池化结果。其中,Max-Pooling可用来保留用户交易行为发生变化的主要状态,Avg-Pooling可用来保留用户交易行为特征的平均状态。
在一种可实现方式中,所述卷积层的卷积核的宽度与所述交易数据的类型的维度一致,这样可以确保需要提取的交易行为的特征不被遗漏。例如,交易数据的类型包括:资金流入笔数、资金流出笔数、资金流入金额以及资金流出金额四种,则卷积层的卷积核的宽度可相应地设置为4。
在一种可实现方式中,所述交易行为类型可包括洗钱行为以及非洗钱行为;基于此,在将未知交易行为类型的交易数据输入上述交易行为类型识别模型后,该模型可根据该交易数据中体现的用户行为的特征将输入的交易数据识别为洗钱行为或非洗钱行为。所述交易数据的类型至少包括:资金流入笔数、资金流出笔数、资金流入金额以及资金流出金额中的一种。基于此,可使得交易行为类型识别模型根据这几项交易数据中体现的用户的行为特征识别输入的交易数据对应的用户交易行为类型。
图3是根据一示例性实施例示出的一种交易行为类型确定装置的框图,如图3所示,该装置30包括:
第一获取模块32,用于获取至少一个用户在第一预设时间段内的交易数据;
第一输入模块34,用于将所述交易数据输入隐向量生成模型,得到与所述用户交易行为相关的隐向量,其中,所述隐向量生成模型基于交易数据样本对自动编码器进行训练得到;
第二输入模块36,用于将所述隐向量输入交易行为类型识别模型,输出所述至少一个用户在所述第一预设时间段内的交易行为类型。
在一种可实现方式中,所述自动编码器可包括:时序特征层、编码器、第一全连接层、解码器、第二全连接层以及输出层;其中,所述时序特征层用于按照第一交易数据的类型以及所述第一交易数据产生的时间顺序,将所述第一交易数据转换为用户时序数据;所述编码器用于获取不同时间窗口下的用户时序数据的特征,以及对所述特征进行池化,得到池化结果;所述第一全连接层用于将所述池化结果进行连接,得到所述隐向量;所述解码器用于将所述隐向量转换为与所述第一交易数据类型一致的第二交易数据;所述第二全连接层用于将所述第二交易数据转换为与所述第一交易数据大小一致;所述输出层用于输出转换后的第二交易数据。其中,所述第一交易数据为所述自动编码器的输入数据,所述第二交易数据为所述自动编码器的输出数据。
在一种可实现方式中,所述交易行为类型确定装置还可包括:第一训练模块,用于将多组不同的交易数据样本依次输入所述自动编码器,对所述自动编码器进行训练,直至所述自动编码器的输出数据与输入数据之间的误差小于预设值,得到训练完成的自动编码器。
在一种可实现方式中,所述隐向量生成模型可包括:训练完成的所述自动编码器中的所述时序特征层、所述编码器以及所述第一全连接层。
在一种可实现方式中,所述编码器包括卷积层以及池化层;所述卷积层用于根据与第二时间段对应的用户时序数据,获取在所述第二预设时间段内各类型的用户时序数据的特征,所述第二预设时间段小于所述第一预设时间段;所述池化层用于对从所述卷积层得到的所述特征进行最大池化以及平均池化,得到最大池化结果以及平均池化结果。
在一种可实现方式中,所述卷积层的卷积核的宽度与所述交易数据的类型的维度一致。
在一种可实现方式中,所述交易行为类型包括洗钱行为以及非洗钱行为;所述交易数据的类型至少包括:资金流入笔数、资金流出笔数、资金流入金额以及资金流出金额中的一种。
需要说明的是,本说明书一个或多个实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本说明书一个或多个实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
图4示出了本说明一个或多个实施例所提供的一种更为具体的电子设备硬件结构示意图,如图4所示,该设备可以包括:处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器1020可以存储操作***和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1020中,并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路,在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本公开的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本公开的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本公开难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本公开难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本公开的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本公开的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本公开。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本公开的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本公开的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (15)
1.一种交易行为类型确定方法,包括:
获取至少一个用户在第一预设时间段内的交易数据;
将所述交易数据输入隐向量生成模型,得到与所述用户交易行为相关的隐向量,其中,所述隐向量生成模型基于交易数据样本对自动编码器进行训练得到;
将所述隐向量输入交易行为类型识别模型,输出所述至少一个用户在所述第一预设时间段内的交易行为类型。
2.根据权利要求1所述的方法,所述方法还包括:
训练所述自动编码器包括:
将多组不同的交易数据样本依次输入所述自动编码器,对所述自动编码器进行训练,直至所述自动编码器的输出数据与输入数据之间的误差小于预设值,得到训练完成的自动编码器。
3.根据权利要求2所述的方法,所述自动编码器,包括:
时序特征层、编码器、第一全连接层、解码器、第二全连接层以及输出层;
其中,所述时序特征层用于按照第一交易数据的类型以及所述第一交易数据产生的时间顺序,将所述第一交易数据转换为用户时序数据;
所述编码器用于获取不同时间窗口下的用户时序数据的特征,以及对所述特征进行池化,得到池化结果;
所述第一全连接层用于将所述池化结果进行连接,得到所述隐向量;
所述解码器用于将所述隐向量转换为与所述第一交易数据类型一致的第二交易数据;
所述第二全连接层用于将所述第二交易数据转换为与所述第一交易数据大小一致;
所述输出层用于输出转换后的第二交易数据,其中,所述第一交易数据为所述自动编码器的输入数据,所述第二交易数据为所述自动编码器的输出数据。
4.根据权利要求3所述的方法,所述隐向量生成模型包括:
训练完成的所述自动编码器中的所述时序特征层、所述编码器以及所述第一全连接层。
5.根据权利要求3所述的方法,所述编码器包括卷积层以及池化层;
所述卷积层用于根据与第二时间段对应的用户时序数据,获取在所述第二预设时间段内各类型的用户时序数据的特征,所述第二预设时间段小于所述第一预设时间段;
所述池化层用于对从所述卷积层得到的所述特征进行最大池化以及平均池化,得到最大池化结果以及平均池化结果。
6.根据权利要求5所述的方法,所述卷积层的卷积核的宽度与所述交易数据的类型的维度一致。
7.根据权利要求1至6任一项所述的方法,所述交易行为类型包括洗钱行为以及非洗钱行为;
所述交易数据的类型至少包括:资金流入笔数、资金流出笔数、资金流入金额以及资金流出金额中的一种。
8.一种交易行为类型确定装置,包括:
第一获取模块,用于获取至少一个用户在第一预设时间段内的交易数据;
第一输入模块,用于将所述交易数据输入隐向量生成模型,得到与所述用户交易行为相关的隐向量,其中,所述隐向量生成模型基于交易数据样本对自动编码器进行训练得到;
第二输入模块,用于将所述隐向量输入交易行为类型识别模型,输出所述至少一个用户在所述第一预设时间段内的交易行为类型。
9.根据权利要求8所述的装置,所述装置还包括:
训练模块,用于将多组不同的交易数据样本依次输入所述自动编码器,对所述自动编码器进行训练,直至所述自动编码器的输出数据与输入数据之间的误差小于预设值,得到训练完成的自动编码器。
10.根据权利要求9所述的装置,所述自动编码器,包括:
时序特征层、编码器、第一全连接层、解码器、第二全连接层以及输出层;
其中,所述时序特征层用于按照第一交易数据的类型以及所述第一交易数据产生的时间顺序,将所述第一交易数据转换为用户时序数据;
所述编码器用于获取不同时间窗口下的用户时序数据的特征,以及对所述特征进行池化,得到池化结果;
所述第一全连接层用于将所述池化结果进行连接,得到所述隐向量;
所述解码器用于将所述隐向量转换为与所述第一交易数据类型一致的第二交易数据;
所述第二全连接层用于将所述第二交易数据转换为与所述第一交易数据大小一致;
所述输出层用于输出转换后的第二交易数据,其中,所述第一交易数据为所述自动编码器的输入数据,所述第二交易数据为所述自动编码器的输出数据。
11.根据权利要求10所述的装置,所述隐向量生成模型包括:
训练完成的所述自动编码器中的所述时序特征层、所述编码器以及所述第一全连接层。
12.根据权利要求10所述的装置,所述编码器包括卷积层以及池化层;
所述卷积层用于根据与第二时间段对应的用户时序数据,获取在所述第二预设时间段内各类型的用户时序数据的特征,所述第二预设时间段小于所述第一预设时间段;
所述池化层用于对从所述卷积层得到的所述特征进行最大池化以及平均池化,得到最大池化结果以及平均池化结果。
13.根据权利要求12所述的装置,所述卷积层的卷积核的宽度与所述交易数据的类型的维度一致。
14.根据权利要求8至13任一项所述的装置,所述交易行为类型包括洗钱行为以及非洗钱行为;
所述交易数据的类型至少包括:资金流入笔数、资金流出笔数、资金流入金额以及资金流出金额中的一种。
15.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1至7任意一项所述的交易行为类型确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010167428.0A CN111401908A (zh) | 2020-03-11 | 2020-03-11 | 交易行为类型确定方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010167428.0A CN111401908A (zh) | 2020-03-11 | 2020-03-11 | 交易行为类型确定方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111401908A true CN111401908A (zh) | 2020-07-10 |
Family
ID=71432359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010167428.0A Pending CN111401908A (zh) | 2020-03-11 | 2020-03-11 | 交易行为类型确定方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111401908A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734338A (zh) * | 2018-04-24 | 2018-11-02 | 阿里巴巴集团控股有限公司 | 基于lstm模型的信用风险预测方法及装置 |
CN108921566A (zh) * | 2018-05-03 | 2018-11-30 | 阿里巴巴集团控股有限公司 | 一种基于图结构模型的虚假交易识别方法和装置 |
CN108920641A (zh) * | 2018-07-02 | 2018-11-30 | 北京理工大学 | 一种信息融合个性化推荐方法 |
CN110084609A (zh) * | 2019-04-23 | 2019-08-02 | 东华大学 | 一种基于表征学习的交易欺诈行为深度检测方法 |
CN110276679A (zh) * | 2019-05-23 | 2019-09-24 | 武汉大学 | 一种面向深度学习的网络个人信贷欺诈行为检测方法 |
-
2020
- 2020-03-11 CN CN202010167428.0A patent/CN111401908A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734338A (zh) * | 2018-04-24 | 2018-11-02 | 阿里巴巴集团控股有限公司 | 基于lstm模型的信用风险预测方法及装置 |
CN108921566A (zh) * | 2018-05-03 | 2018-11-30 | 阿里巴巴集团控股有限公司 | 一种基于图结构模型的虚假交易识别方法和装置 |
CN108920641A (zh) * | 2018-07-02 | 2018-11-30 | 北京理工大学 | 一种信息融合个性化推荐方法 |
CN110084609A (zh) * | 2019-04-23 | 2019-08-02 | 东华大学 | 一种基于表征学习的交易欺诈行为深度检测方法 |
CN110276679A (zh) * | 2019-05-23 | 2019-09-24 | 武汉大学 | 一种面向深度学习的网络个人信贷欺诈行为检测方法 |
Non-Patent Citations (1)
Title |
---|
R. SILIPO: "Fraud Detection Using a Neural Autoencoder", 《SMART DATA NEWS, ARTICLES, & EDUCATION》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108510194B (zh) | 风控模型训练方法、风险识别方法、装置、设备及介质 | |
CN109214436A (zh) | 一种针对目标场景的预测模型训练方法及装置 | |
CN111860573A (zh) | 模型训练方法、图像类别检测方法、装置和电子设备 | |
Zuo et al. | Convolutional neural networks for image denoising and restoration | |
CN112883227B (zh) | 一种基于多尺度时序特征的视频摘要生成方法和装置 | |
CN113345463B (zh) | 基于卷积神经网络的语音增强方法、装置、设备及介质 | |
CN110084609B (zh) | 一种基于表征学习的交易欺诈行为深度检测方法 | |
CN113239914B (zh) | 课堂学生表情识别及课堂状态评估方法、装置 | |
CN111079944A (zh) | 迁移学习模型解释实现方法及装置、电子设备、存储介质 | |
CN115439708A (zh) | 一种图像数据处理方法和装置 | |
CN117033039A (zh) | 故障检测方法、装置、计算机设备和存储介质 | |
CN114677556A (zh) | 神经网络模型的对抗样本生成方法及相关设备 | |
Wu et al. | Hprn: Holistic prior-embedded relation network for spectral super-resolution | |
CN112910890B (zh) | 基于时间卷积网络的匿名网络流量指纹识别方法及设备 | |
CN110401488A (zh) | 一种解调方法及装置 | |
CN116542673B (zh) | 应用于机器学习的欺诈行为识别方法及*** | |
CN111507461B (zh) | 可解释性信息确定方法及装置 | |
CN107894837A (zh) | 动态情感分析模型样本处理方法及装置 | |
CN117009873A (zh) | 支付风险识别模型的生成方法、支付风险识别方法及装置 | |
CN116342172A (zh) | 基于线性回归和决策树结合的油价预测方法、装置及设备 | |
Song et al. | ESRGAN-DP: Enhanced super-resolution generative adversarial network with adaptive dual perceptual loss | |
CN111401908A (zh) | 交易行为类型确定方法、装置及设备 | |
CN113496698B (zh) | 训练数据的筛选方法、装置、设备和存储介质 | |
CN113010687B (zh) | 一种习题标签预测方法、装置、存储介质以及计算机设备 | |
CN112801960B (zh) | 图像处理方法及装置、存储介质、电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200710 |
|
RJ01 | Rejection of invention patent application after publication |