CN116308375A - 数据处理方法、装置及设备 - Google Patents

Abstract

本说明书实施例提供了一种数据处理方法、装置及设备，所述方法包括：获取待检测的目标图结构数据，所述目标图结构数据基于人机交互数据构建；基于预设力导向布局模型，确定所述目标图结构数据中每个节点的布局位置信息，所述力导向布局模型通过确定所述目标图结构数据中每两个节点之间的排斥力和/吸引力，移动所述目标图结构数据中的节点，以得到所述目标图结构数据中每个节点的布局位置信息；基于所述目标图结构数据中每个节点的布局位置信息，对所述目标图结构数据中的节点进行聚类处理，得到聚类结果，以基于所述聚类结果进行风险检测。

Description

数据处理方法、装置及设备

技术领域

本说明书实施例涉及数据处理技术领域，尤其涉及一种数据处理方法、装置及设备。

背景技术

由于在对资源转移进行风控的场景中，交易风险往往以团伙的形式存在，因此，相较于针对某一个用户进行风险检测，对团伙进行风险检测具有更好的风险挖掘潜力以及可解释性。

而在对由多个用户构成的团伙进行风险检测时，由于团伙中包含的用户较多，且用户之间的关系较为复杂，导致针对团伙的风险检测效率和风险检测准确性低下，基于此，需要提供一种提高对团伙进行风险检测时的风险检测效率和风险检测准确性的技术方案。

发明内容

本说明书实施例的目的是提供一种数据处理方法、装置及设备，以提供一种提高对团伙进行风险检测时的风险检测效率和风险检测准确性的技术方案。

为了实现上述技术方案，本说明书实施例是这样实现的：

第一方面，本说明书实施例提供了一种数据处理方法，包括：获取待检测的目标图结构数据，所述目标图结构数据基于人机交互数据构建。基于预设力导向布局模型，确定所述目标图结构数据中每个节点的布局位置信息，所述力导向布局模型通过确定所述目标图结构数据中每两个节点之间的排斥力和/吸引力，移动所述目标图结构数据中的节点，以得到所述目标图结构数据中每个节点的布局位置信息。基于所述目标图结构数据中每个节点的布局位置信息，对所述目标图结构数据中的节点进行聚类处理，得到聚类结果，以基于所述聚类结果进行风险检测。

第二方面，本说明书实施例提供了一种数据处理装置，所述装置包括：数据获取模块，用于获取待检测的目标图结构数据，所述目标图结构数据基于人机交互数据构建。位置确定模块，用于基于预设力导向布局模型，确定所述目标图结构数据中每个节点的布局位置信息，所述力导向布局模型通过确定所述目标图结构数据中每两个节点之间的排斥力和/吸引力，移动所述目标图结构数据中的节点，以得到所述目标图结构数据中每个节点的布局位置信息。风险检测模块，用于基于所述目标图结构数据中每个节点的布局位置信息，对所述目标图结构数据中的节点进行聚类处理，得到聚类结果，以基于所述聚类结果进行风险检测。

第三方面，本说明书实施例提供了一种数据处理设备，所述数据处理设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：获取待检测的目标图结构数据，所述目标图结构数据基于人机交互数据构建。基于预设力导向布局模型，确定所述目标图结构数据中每个节点的布局位置信息，所述力导向布局模型通过确定所述目标图结构数据中每两个节点之间的排斥力和/吸引力，移动所述目标图结构数据中的节点，以得到所述目标图结构数据中每个节点的布局位置信息。基于所述目标图结构数据中每个节点的布局位置信息，对所述目标图结构数据中的节点进行聚类处理，得到聚类结果，以基于所述聚类结果进行风险检测。

第四方面，本说明书实施例提供一种存储介质，所述存储介质用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：获取待检测的目标图结构数据，所述目标图结构数据基于人机交互数据构建。基于预设力导向布局模型，确定所述目标图结构数据中每个节点的布局位置信息，所述力导向布局模型通过确定所述目标图结构数据中每两个节点之间的排斥力和/吸引力，移动所述目标图结构数据中的节点，以得到所述目标图结构数据中每个节点的布局位置信息。基于所述目标图结构数据中每个节点的布局位置信息，对所述目标图结构数据中的节点进行聚类处理，得到聚类结果，以基于所述聚类结果进行风险检测。

附图说明

为了更清楚地说明本说明书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中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1A为本说明书一种数据处理方法实施例的流程图；

图1B为本说明书一种数据处理方法实施例的处理过程示意图；

图2为本说明书一种节点的布局位置信息的示意图；

图3为本说明书另一种节点的布局位置信息的示意图；

图4为本说明书另一种节点的布局位置信息的示意图；

图5为本说明书另一种数据处理方法实施例的处理过程示意图；

图6为本说明书另一种节点的布局位置信息的示意图；

图7为本说明书一种聚类结果的示意图；

图8为本说明书一种数据处理装置实施例的结构示意图；

图9为本说明书一种数据处理设备的结构示意图。

具体实施方式

本说明书实施例提供一种数据处理方法、装置及设备。

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。

实施例一

如图1A和图1B所示，本说明书实施例提供一种数据处理方法，该方法的执行主体可以为服务器，该服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群。该方法具体可以包括以下步骤：

在S102中，获取待检测的目标图结构数据。

其中，目标图结构数据基于人机交互数据构建，服务器可以接收任意发送设备(如手机、平板电脑等移动终端设备、个人计算机等终端设备，或服务器等)发送的目标图结构数据，目标图结构数据可以是发送设备基于人机交互数据构建的任意图结构数据，如目标图结构数据可以是如知识图谱等任意能够表示节点以及节点关联关系的图数据，目标图结构数据中的节点可以用于表示实体或者概念，节点之间的边可以用于表示实体/概念之间的语义关系，例如，当用户在浏览某页面时产生了点击行为，则可以认为用户与该页面内容区块之间产生了交互，即用户和该页面内容区块可以作为目标图结构数据中的节点，这两个节点之间的边可以用于表示用户和该页面内容区块之间的交互，因此，通过上述人机交互数据构建的目标图结构数据，可以用于表征用户细粒度的习惯偏好以及交际关系等特点。

在实施中，由于在对资源转移进行风控的场景中，交易风险往往以团伙的形式存在，因此，相较于针对某一个用户进行风险检测，对团伙进行风险检测具有更好的风险挖掘潜力以及可解释性。而在对由多个用户构成的团伙进行风险检测时，由于团伙中包含的用户较多，且用户之间的关系较为复杂，导致针对团伙的风险检测效率和风险检测准确性低下，基于此，需要提供一种提高对团伙进行风险检测时的风险检测效率和风险检测准确性的技术方案。为此，本说明书实施例提供一种可以解决上述问题的技术方案，具体可以参见下述内容。

以资源转移场景为例，服务器可以接收发送设备发送的针对人机交互数据的风险检测请求，响应于该风险检测请求，服务器可以基于人机交互数据构建目标图结构数据。或者，服务器接收的风险检测请求中可以携带有目标图结构数据，即目标图结构数据可以是发送设备基于人机交互数据构建。

其中，人机交互数据可以是预设检测周期内针对某一个或多个业务获取的交互数据，如人机交互数据可以是近半个月内获取的针对资源转移业务的资源转移数据，这样，构建的目标图结构数据中的节点即可以用于表征资源转移对象，节点之间的边即可以用于表征资源转移行为。或者，人机交互数据还可以是近一个月内获取的针对资源转移业务的资源转移数据以及针对即时通讯业务的即时通讯业务，这样，构建的目标图结构数据中的节点即可以用于表征资源转移对象和即时通讯对象，节点之间的边即可以用于表征资源转移行为和/或即时通讯行为。

上述目标图结构的获取和构建方法是一种可选地、可实现的获取方法，在实际应用场景中，还可以有多种不同的获取和构建方法，可以根据实际应用场景的不同而有所不同，本说明书实施例对此不做具体限定。

在S104中，基于预设力导向布局模型，确定目标图结构数据中每个节点的布局位置信息。

其中，力导向布局模型可以通过确定目标图结构数据中每两个节点之间的排斥力和/吸引力，移动目标图结构数据中的节点，以得到目标图结构数据中每个节点的布局位置信息。

在实施中，可以针对目标图结构数据定义点边二元组，如令目标图结构数据为G，目标图结构数据中的节点为N，节点之间的边为E，那么，目标图结构可以为

其中，node_i为目标图结构数据G中的第i个节点，edge_ij目标图结构数据G中的第i个节点和第j个节点之间的边。

如图2所示，可以将目标图结构数据中的节点放置在平面坐标系中，并基于力导向布局模型进行建模，以得到目标图结构数据中每个节点的布局位置信息，其中，d_ij为第i个节点和第j个节点在平面坐标系中的距离。

可以假设节点与节点之间存在作用力，任意两节点之间存在排斥力，排斥力可以根据库伦定律确定，存在边的两个节点之间存在吸引力，吸引力的大小可以根据胡克定律确定，即如图2所示，任意两个节点之间都存在排斥力，只有存在边的两个节点之间存在吸引力，具体如节点3和节点5之间存在边，那么节点3和节点5之间就存在吸引力和排斥力，节点3与节点4之间不存在边，那么，节点4和节点5之间仅存在排斥力。

基于力导向布局模型，可以确定节点之间的排斥力和/或吸引力，并可以根据节点之间的排斥力和/或吸引力，在图2所示的平面坐标系中移动节点，最后，可以得到每个节点在平面坐标系中的位置信息，服务器可以将该位置信息确定为目标图结构数据中每个节点的布局位置信息。

在S106中，基于目标图结构数据中每个节点的布局位置信息，对目标图结构数据中的节点进行聚类处理，得到聚类结果，以基于聚类结果进行风险检测。

在实施中，目标图结构数据在平面坐标系中的初始位置可以如图3所示，在通过力导向布局模型对目标图结构数据进行处理后，可以得到每个节点的布局位置信息，得到的节点布局可以如图4所示。

对如图基于目标图结构数据中每个节点的布局位置信息，对目标图结构数据中的节点进行聚类处理，可以获取紧密度更好的类，即可以通过聚类结果进行风险检测，以节约由于数据量太大需要人工删减的过程，提高后续风险检测的效率，节约人力资源。

此外，基于聚类结果进行风险检测的方法可以有多种，可以根据实际应用场景的不同而有所不同，例如，可以剔除节点数量小于预设数量阈值的类，并对剔除后的目标图结构数据进行风险检测，或者，服务器还可以将聚类结果发送给预设风险检测机构，以使预设风险检测机构基于聚类结果对目标图结构数据进行风险检测等，以通过对目标图结构数据的“提纯”处理，提高后续风险检测效率和准确性，可以根据实际应用场景的不同选取不同的风险检测方法，本说明书实施例对此不作具体限定。

本说明书实施例提供一种数据处理方法，获取待检测的目标图结构数据，目标图结构数据基于人机交互数据构建，基于预设力导向布局模型，确定目标图结构数据中每个节点的布局位置信息，力导向布局模型通过确定目标图结构数据中每两个节点之间的排斥力和/吸引力，移动目标图结构数据中的节点，以得到目标图结构数据中每个节点的布局位置信息，基于目标图结构数据中每个节点的布局位置信息，对目标图结构数据中的节点进行聚类处理，得到聚类结果，以基于聚类结果进行风险检测。这样，将力导向布局模型应用于图结构数据的平面自动化布局中，可以使整个图结构数据中的节点的连接关系更清晰。因此，通过预设力导向布局模型对目标图结构数据进行处理，可以通过节点之间的排斥力和/或吸引力，准确的确定节点的布局位置信息，再基于目标图结构数据中每个节点的布局位置信息，对目标图结构数据中的节点进行聚类处理，可以在有效地考虑目标图结构数据的节点之间的连接关系的情况下，准确的对目标图结构数据进行切分，以提高后续风险检测的效率和准确性。

实施例二

如图5所示，本说明书实施例提供一种数据处理方法，该方法的执行主体可以为终端设备或服务器，终端设备可以如个人计算机等设备，也可以如手机、平板电脑等移动终端设备，该服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群。该方法具体可以包括以下步骤：

在S502中，获取待检测的人机交互数据，并基于人机交互数据，构建第一图结构数据。

在实施中，服务器可以接收发送设备发送的预设时间周期内获取的人机交互数据，并基于获取的人机交互数据，构建第一图结构数据。

在S504中，基于预先训练的风险检测模型，对第一图结构数据进行风险检测，得到第一图结构数据中每个节点的风险类型。

其中，风险检测模型可以为通过历史图结构数据对预设机器学习算法进行训练得到。

在实施中，以风险检测模型为基于神经网络算法构建的模型为例，可以基于历史图结构数据对构建的风险检测模型进行训练，得到训练后的风险检测模型。

在S506中，基于第一图结构数据中每个节点的风险类型，对第一图结构数据中的节点进行筛选处理，得到目标节点。

在实施中，例如，风险类型可以包括高风险、中风险、低风险和无风险这四种类型，可以筛选出第一图结构数据中风险类型为高风险的节点，并将筛选出的节点确定为目标节点。

上述目标节点的确定方法是一种可选地、可实现的确定方法，在实际应用场景中，还可以有多种不同的确定方法，可以根据实际应用场景的不同选取不同的确定方法，本说明书实施例对此不作具体限定。

在S508中，获取与目标节点具有预设关联关系的候选节点，并基于目标节点和候选节点，构建目标图结构数据。

在实施中，可以将目标节点作为黑样本，将与目标节点具有预设关联关系的候选节点作为可疑节点(即可能存在风险的节点)，并基于目标节点和候选节点构建目标图结构数据。

例如，以第一图结构数据为近一个月针对资源转移业务获取的资源转移数据构建的图结构数据为例，第一图结构数据中的节点可以用于表征用户，节点之间的边可以用于表征资源转移关系，目标节点可以是第一图结构数据中风险类型为高风险或中风险的节点，可以获取目标节点对应的用户在近一个月内的即时通讯数据或资源转移数据，并基于获取的数据，确定与该用户对应的第一用户，可以基于第一用户构建候选节点，并基于目标节点、第一节点、近一个月的资源转移数据和即时通讯数据，构建目标图结构数据。

上述目标图结构数据的构建方法是一种可选地、可实现的确定方法，在实际应用场景中，还可以有多种不同的构建方法，可以根据实际应用场景的不同选取不同的构建方法，本说明书实施例对此不作具体限定。

在S510中，通过随机位置生成算法，生成目标图结构数据中每个节点的随机初始位置。

在实施中，可以基于随机位置生成算法，针对目标图结构数据中的每个节点，随机生成对应的位置，以作为每个节点在平面坐标系中的随机初始位置，由每个节点的随机初始位置构成的节点布局位置信息可以如图2所示。

在S512中，基于目标图结构数据中每个节点的随机初始位置，确定目标图结构数据中每两个节点之间的距离。

在实施中，可以基于如图2所示的平面坐标系，确定每两个节点之间的距离。

在S514中，基于目标图结构数据中每两个节点之间的距离，以及基于目标图结构数据确定的每两个节点之间的连接关系，确定目标图结构数据中每两个节点之间的排斥力和/吸引力。

在实施中，在实际应用中，确定目标图结构数据中每两个节点之间的排斥力的方法可以有多种多样，以下提供一种可选的实现方式，具体可以参见下述A1处理：

在A1中，基于目标图结构数据中每两个节点之间的距离和预设排斥力超参数，确定目标图结构数据中每两个节点之间的排斥力。

在实施中，在将预设排斥力超参数与目标图结构数据中每两个节点之间的距离的平方的比值，确定为目标图结构数据中每两个节点之间的排斥力，即可以将目标图结构数据中每两个节点之间的距离和预设排斥力超参数输入公式

得到目标图结构数据中每两个节点之间的排斥力，其中，

为第i个节点与第j个节点之间的排斥力，k₁为预设排斥力超参数，d_ij为第i个节点与第j个节点之间的距离。

在实际应用中，确定目标图结构数据中每两个节点之间的排斥力的方法也可以有多种多样，以下提供一种可选的实现方式，具体可以参见下述B1处理：

在B1中，基于目标图结构数据中每两个节点之间的距离、预设吸引力超参数以及基于目标图结构数据确定的每两个节点之间的连接关系，确定目标图结构数据中每两个节点之间的吸引力。

其中，第一节点和第二节点可以为目标图结构数据中的任意两个节点。

在实施中，在基于目标图结构数据确定第一节点和第二节点之间存在连接关系的情况下，可以将预设吸引力超参数与第一节点和第二节点之间的距离的比值，确定为第一节点和第二节点之间的吸引力，即可以将预设吸引力超参数与第一节点和第二节点之间的距离输入公式

得到第一节点和第二节点之间的吸引力，其中，

为第i个节点与第j个节点之间的吸引力，k₂为预设吸引力超参数，d_ij为第i个节点与第j个节点之间的距离。

在基于目标图结构数据确定第一节点和第二节点之间不存在连接关系的情况下，将第一节点和第二节点之间的吸引力确定为预设吸引力值。

其中，预设吸引力值可以为零。

在S516中，基于目标图结构数据中每两个节点之间的排斥力和/吸引力，确定目标图结构数据中每两个节点之间的合力。

在实施中，在目标图结构数据中的两个节点之间存在排斥力和吸引力的情况下，可以基于排斥力和吸引力，确定这两个节点之间的合力。在目标图结构数据中的两个节点之间只存在排斥力(即这两个节点在目标图结构数据中不存在连接关系)的情况下，可以将排斥力确定为这两个节点之间的合力。

在S518中，基于目标图结构数据中每两个节点之间的合力，确定目标图结构数据中每个节点的位移。

在实施中，基于牛顿第二定律，可以基于目标图结构数据中每两个节点之间的合力，计算目标图结构数据中每个节点的移动距离，这样，当节点过于聚拢或过于分开时，可以通过调整排斥力和/吸引力来使节点分开或聚拢。

在S520中，通过目标图结构数据中每个节点的位移，移动目标图结构数据中的节点，得到移动后的每个节点的布局位置信息，并基于预设迭代次数，通过确定移动后的每个节点的布局位置信息的方法，对目标图结构数据中每个节点的布局位置信息进行迭代更新，以得到目标图结构数据中每个节点的布局位置信息。

其中，预设迭代次数可以根据实际应用场景设置不同的迭代次数，本说明书实施例对此不作具体限定。

在实施中，在对如图2所示的节点随时位置进行移动后，可以得到如图6所示的移动后的节点的布局信息，可以基于预设迭代此时，再对移动后的节点布局信息进行调整，一到迭代次数满足预设迭代次数，可以得到如图4所示的节点的布局位置信息。

在S522中，基于预设聚类算法和目标图结构数据中每个节点的布局位置信息，对目标图结构数据中的节点进行聚类处理，得到聚类结果。

其中，预设聚类算法可以如密度聚类算法、k-means聚类算法等聚类算法。

在实施中，可以将平面坐标系中每个节点的布局位置信息，作为该节点的特征描述，再使用聚类算法对目标图结构数据中的节点进行聚类处理，可以得到聚类结果。例如，对如图4所示的节点的布局位置信息进行聚类处理，得到的聚类结果可以如图7所示，即对目标图结构数据的聚类结果为：目标图结构数据可以包括类1和类2。

在S524中，基于聚类结果，确定每个类中包含的节点的数量。

在S526中，根据每个类中包含的节点的数量，确定与每个类对应的风险检测策略，并基于每个类对应的风险检测策略，对每个类进行风险检测。

在实施中，若类中包含的节点的数量大于第一预设数量阈值，则可以基于第一风险检测策略对该类进行风险检测，若类中包含的节点的数量不大于第一预设数量阈值，则可以基于第二风险检测策略对该类进行风险检测，其中，第二风险检测策略可以是关键字匹配检测策略，第一风险检测处理可以是通过预先训练的目标风险检测模型进行检测的检测策略，目标风险检测模型可以是基于历史检测样本对由机器学习算法构建的模型进行训练得到，历史检测样本的数据量大于预设数据量，即针对包含节点数量较少的类，可以通过较为简单便捷的风险检测策略进行风险检测，针对包含节点数量较多的类，可以通过检测准确性较高的目标风险检测模型进行风险检测。

例如，如图7所示，目标图结构数据包括类1和类2，其中，类1包含的节点的数量为6，类2包含的节点的数量为5，假设第一预设数量阈值为5，那么，可以通过第一风险检测策略对类1进行风险检测，通过第二风险检测策略对类2进行风险检测，即可以基于目标图结构数据中每个节点和节点之间的边的属性信息，并通过对应的风险检测策略，对相应的类中的节点进行风险检测。

这样，在目标图结构数据中包含较多节点的情况下，可以对目标图结构数据进行切分，并通过不同的风险检测策略，对切分后的目标图结构数据进行针对性的风险检测，可以提高风险检测效率以及风险检测的准确性。

本说明书实施例提供一种数据处理方法，获取待检测的目标图结构数据，目标图结构数据基于人机交互数据构建，基于预设力导向布局模型，确定目标图结构数据中每个节点的布局位置信息，力导向布局模型通过确定目标图结构数据中每两个节点之间的排斥力和/吸引力，移动目标图结构数据中的节点，以得到目标图结构数据中每个节点的布局位置信息，基于目标图结构数据中每个节点的布局位置信息，对目标图结构数据中的节点进行聚类处理，得到聚类结果，以基于聚类结果进行风险检测。这样，将力导向布局模型应用于图结构数据的平面自动化布局中，可以使整个图结构数据中的节点的连接关系更清晰。因此，通过预设力导向布局模型对目标图结构数据进行处理，可以通过节点之间的排斥力和/或吸引力，准确的确定节点的布局位置信息，再基于目标图结构数据中每个节点的布局位置信息，对目标图结构数据中的节点进行聚类处理，可以在有效地考虑目标图结构数据的节点之间的连接关系的情况下，准确的对目标图结构数据进行切分，以提高后续风险检测的效率和准确性。

实施例三

以上为本说明书实施例提供的数据处理方法，基于同样的思路，本说明书实施例还提供一种数据处理装置，如图8所示。

该数据处理装置包括：数据获取模块801、位置确定模块802和风险检测模块803，其中：

数据获取模块801，用于获取待检测的目标图结构数据，所述目标图结构数据基于人机交互数据构建；

位置确定模块802，用于基于预设力导向布局模型，确定所述目标图结构数据中每个节点的布局位置信息，所述力导向布局模型通过确定所述目标图结构数据中每两个节点之间的排斥力和/吸引力，移动所述目标图结构数据中的节点，以得到所述目标图结构数据中每个节点的布局位置信息；

风险检测模块803，用于基于所述目标图结构数据中每个节点的布局位置信息，对所述目标图结构数据中的节点进行聚类处理，得到聚类结果，以基于所述聚类结果进行风险检测。

本说明书实施例中，所述风险检测模块803，用于：

基于预设聚类算法和所述目标图结构数据中每个节点的布局位置信息，对所述目标图结构数据中的节点进行聚类处理，得到聚类结果

本说明书实施例中，所述数据获取模块801，用于：

获取待检测的所述人机交互数据，并基于所述人机交互数据，构建第一图结构数据；

基于预先训练的风险检测模型，对所述第一图结构数据进行风险检测，得到所述第一图结构数据中每个节点的风险类型，所述风险检测模型为通过历史图结构数据对预设机器学习算法进行训练得到；

基于所述第一图结构数据中每个节点的风险类型，对所述第一图结构数据中的节点进行筛选处理，得到目标节点；

获取与所述目标节点具有预设关联关系的候选节点，并基于所述目标节点和所述候选节点，构建所述目标图结构数据。

本说明书实施例中，所述装置还包括：

数量确定模块，用于基于所述聚类结果，确定每个类中包含的节点的数量；

类检测模块，用于根据所述每个类中包含的节点的数量，确定与所述每个类对应的风险检测策略，并基于所述每个类对应的风险检测策略，对所述每个类进行风险检测。

本说明书实施例中，所述位置确定模块802，用于：

通过随机位置生成算法，生成所述目标图结构数据中每个节点的随机初始位置；

基于所述目标图结构数据中每个节点的随机初始位置，确定所述目标图结构数据中每两个节点之间的距离；

基于所述目标图结构数据中每两个节点之间的距离，以及基于所述目标图结构数据确定的每两个节点之间的连接关系，确定所述目标图结构数据中每两个节点之间的排斥力和/吸引力；

基于所述目标图结构数据中每两个节点之间的排斥力和/吸引力，确定所述目标图结构数据中每两个节点之间的合力；

基于所述目标图结构数据中每两个节点之间的合力，确定所述目标图结构数据中每个节点的位移；

通过所述目标图结构数据中每个节点的位移，移动所述目标图结构数据中的节点，得到移动后的每个节点的布局位置信息，并基于预设迭代次数，通过确定所述移动后的每个节点的布局位置信息的方法，对所述目标图结构数据中每个节点的布局位置信息进行迭代更新，以得到所述目标图结构数据中每个节点的布局位置信息。

本说明书实施例中，所述位置确定模块802，用于：

基于所述目标图结构数据中每两个节点之间的距离和预设排斥力超参数，确定所述目标图结构数据中每两个节点之间的排斥力；

基于所述目标图结构数据中每两个节点之间的距离、预设吸引力超参数以及基于所述目标图结构数据确定的每两个节点之间的连接关系，确定所述目标图结构数据中每两个节点之间的吸引力。

本说明书实施例中，所述位置确定模块802，用于：

在基于所述目标图结构数据确定第一节点和第二节点之间存在连接关系的情况下，将所述预设吸引力超参数与所述第一节点和所述第二节点之间的距离的比值，确定为所述第一节点和所述第二节点之间的吸引力；

在基于所述目标图结构数据确定所述第一节点和所述第二节点之间不存在连接关系的情况下，将所述第一节点和所述第二节点之间的吸引力确定为预设吸引力值；

所述第一节点和所述第二节点为所述目标图结构数据中的任意两个节点。

本说明书实施例中，所述位置确定模块802，用于：

将所述预设排斥力超参数与所述目标图结构数据中每两个节点之间的距离的平方的比值，确定为所述目标图结构数据中每两个节点之间的排斥力。

本说明书实施例提供一种数据处理装置，获取待检测的目标图结构数据，目标图结构数据基于人机交互数据构建，基于预设力导向布局模型，确定目标图结构数据中每个节点的布局位置信息，力导向布局模型通过确定目标图结构数据中每两个节点之间的排斥力和/吸引力，移动目标图结构数据中的节点，以得到目标图结构数据中每个节点的布局位置信息，基于目标图结构数据中每个节点的布局位置信息，对目标图结构数据中的节点进行聚类处理，得到聚类结果，以基于聚类结果进行风险检测。这样，将力导向布局模型应用于图结构数据的平面自动化布局中，可以使整个图结构数据中的节点的连接关系更清晰。因此，通过预设力导向布局模型对目标图结构数据进行处理，可以通过节点之间的排斥力和/或吸引力，准确的确定节点的布局位置信息，再基于目标图结构数据中每个节点的布局位置信息，对目标图结构数据中的节点进行聚类处理，可以在有效地考虑目标图结构数据的节点之间的连接关系的情况下，准确的对目标图结构数据进行切分，以提高后续风险检测的效率和准确性。

实施例四

基于同样的思路，本说明书实施例还提供一种数据处理设备，如图9所示。

数据处理设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器901和存储器902，存储器902中可以存储有一个或一个以上存储应用程序或数据。其中，存储器902可以是短暂存储或持久存储。存储在存储器902的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对数据处理设备中的一系列计算机可执行指令。更进一步地，处理器901可以设置为与存储器902通信，在数据处理设备上执行存储器902中的一系列计算机可执行指令。数据处理设备还可以包括一个或一个以上电源903，一个或一个以上有线或无线网络接口904，一个或一个以上输入输出接口905，一个或一个以上键盘906。

具体在本实施例中，数据处理设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对数据处理设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：

获取待检测的目标图结构数据，所述目标图结构数据基于人机交互数据构建；

基于预设力导向布局模型，确定所述目标图结构数据中每个节点的布局位置信息，所述力导向布局模型通过确定所述目标图结构数据中每两个节点之间的排斥力和/吸引力，移动所述目标图结构数据中的节点，以得到所述目标图结构数据中每个节点的布局位置信息；

基于所述目标图结构数据中每个节点的布局位置信息，对所述目标图结构数据中的节点进行聚类处理，得到聚类结果，以基于所述聚类结果进行风险检测。

可选地，所述基于所述目标图结构数据中每个节点的布局位置信息，对所述目标图结构数据中的节点进行聚类处理，得到聚类结果，包括：

基于预设聚类算法和所述目标图结构数据中每个节点的布局位置信息，对所述目标图结构数据中的节点进行聚类处理，得到聚类结果。

可选地，所述获取待检测的目标图结构数据，包括：

获取待检测的所述人机交互数据，并基于所述人机交互数据，构建第一图结构数据；

基于预先训练的风险检测模型，对所述第一图结构数据进行风险检测，得到所述第一图结构数据中每个节点的风险类型，所述风险检测模型为通过历史图结构数据对预设机器学习算法进行训练得到；

基于所述第一图结构数据中每个节点的风险类型，对所述第一图结构数据中的节点进行筛选处理，得到目标节点；

获取与所述目标节点具有预设关联关系的候选节点，并基于所述目标节点和所述候选节点，构建所述目标图结构数据。

可选地，所述方法还包括：

基于所述聚类结果，确定每个类中包含的节点的数量；

根据所述每个类中包含的节点的数量，确定与所述每个类对应的风险检测策略，并基于所述每个类对应的风险检测策略，对所述每个类进行风险检测。

可选地，所述基于预设力导向布局模型，确定所述目标图结构数据中每个节点的布局位置信息，包括：

通过随机位置生成算法，生成所述目标图结构数据中每个节点的随机初始位置；

基于所述目标图结构数据中每个节点的随机初始位置，确定所述目标图结构数据中每两个节点之间的距离；

基于所述目标图结构数据中每两个节点之间的距离，以及基于所述目标图结构数据确定的每两个节点之间的连接关系，确定所述目标图结构数据中每两个节点之间的排斥力和/吸引力；

基于所述目标图结构数据中每两个节点之间的排斥力和/吸引力，确定所述目标图结构数据中每两个节点之间的合力；

基于所述目标图结构数据中每两个节点之间的合力，确定所述目标图结构数据中每个节点的位移；

通过所述目标图结构数据中每个节点的位移，移动所述目标图结构数据中的节点，得到移动后的每个节点的布局位置信息，并基于预设迭代次数，通过确定所述移动后的每个节点的布局位置信息的方法，对所述目标图结构数据中每个节点的布局位置信息进行迭代更新，以得到所述目标图结构数据中每个节点的布局位置信息。

可选地，所述基于所述目标图结构数据中每两个节点之间的距离，以及基于所述目标图结构数据确定的每两个节点之间的连接关系，确定所述目标图结构数据中每两个节点之间的排斥力和/吸引力，包括：

基于所述目标图结构数据中每两个节点之间的距离和预设排斥力超参数，确定所述目标图结构数据中每两个节点之间的排斥力；

基于所述目标图结构数据中每两个节点之间的距离、预设吸引力超参数以及基于所述目标图结构数据确定的每两个节点之间的连接关系，确定所述目标图结构数据中每两个节点之间的吸引力。

可选地，所述基于所述目标图结构数据中每两个节点之间的距离、预设吸引力超参数以及基于所述目标图结构数据确定的每两个节点之间的连接关系，确定所述目标图结构数据中每两个节点之间的吸引力，包括：

在基于所述目标图结构数据确定第一节点和第二节点之间存在连接关系的情况下，将所述预设吸引力超参数与所述第一节点和所述第二节点之间的距离的比值，确定为所述第一节点和所述第二节点之间的吸引力；

在基于所述目标图结构数据确定所述第一节点和所述第二节点之间不存在连接关系的情况下，将所述第一节点和所述第二节点之间的吸引力确定为预设吸引力值；

所述第一节点和所述第二节点为所述目标图结构数据中的任意两个节点。

可选地，所述基于所述目标图结构数据中每两个节点之间的距离和预设排斥力超参数，确定所述目标图结构数据中每两个节点之间的排斥力，包括：

将所述预设排斥力超参数与所述目标图结构数据中每两个节点之间的距离的平方的比值，确定为所述目标图结构数据中每两个节点之间的排斥力。

本说明书实施例提供一种数据处理设备，获取待检测的目标图结构数据，目标图结构数据基于人机交互数据构建，基于预设力导向布局模型，确定目标图结构数据中每个节点的布局位置信息，力导向布局模型通过确定目标图结构数据中每两个节点之间的排斥力和/吸引力，移动目标图结构数据中的节点，以得到目标图结构数据中每个节点的布局位置信息，基于目标图结构数据中每个节点的布局位置信息，对目标图结构数据中的节点进行聚类处理，得到聚类结果，以基于聚类结果进行风险检测。这样，将力导向布局模型应用于图结构数据的平面自动化布局中，可以使整个图结构数据中的节点的连接关系更清晰。因此，通过预设力导向布局模型对目标图结构数据进行处理，可以通过节点之间的排斥力和/或吸引力，准确的确定节点的布局位置信息，再基于目标图结构数据中每个节点的布局位置信息，对目标图结构数据中的节点进行聚类处理，可以在有效地考虑目标图结构数据的节点之间的连接关系的情况下，准确的对目标图结构数据进行切分，以提高后续风险检测的效率和准确性。

实施例五

本说明书实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述数据处理方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。

本说明书实施例提供一种计算机可读存储介质，获取待检测的目标图结构数据，目标图结构数据基于人机交互数据构建，基于预设力导向布局模型，确定目标图结构数据中每个节点的布局位置信息，力导向布局模型通过确定目标图结构数据中每两个节点之间的排斥力和/吸引力，移动目标图结构数据中的节点，以得到目标图结构数据中每个节点的布局位置信息，基于目标图结构数据中每个节点的布局位置信息，对目标图结构数据中的节点进行聚类处理，得到聚类结果，以基于聚类结果进行风险检测。这样，将力导向布局模型应用于图结构数据的平面自动化布局中，可以使整个图结构数据中的节点的连接关系更清晰。因此，通过预设力导向布局模型对目标图结构数据进行处理，可以通过节点之间的排斥力和/或吸引力，准确的确定节点的布局位置信息，再基于目标图结构数据中每个节点的布局位置信息，对目标图结构数据中的节点进行聚类处理，可以在有效地考虑目标图结构数据的节点之间的连接关系的情况下，准确的对目标图结构数据进行切分，以提高后续风险检测的效率和准确性。

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。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书的实施例可提供为方法、***、或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书的实施例是参照根据本说明书实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

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。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、***或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (11)

1.一种数据处理方法，包括：

获取待检测的目标图结构数据，所述目标图结构数据基于人机交互数据构建；

基于预设力导向布局模型，确定所述目标图结构数据中每个节点的布局位置信息，所述力导向布局模型通过确定所述目标图结构数据中每两个节点之间的排斥力和/或吸引力，移动所述目标图结构数据中的节点，以得到所述目标图结构数据中每个节点的布局位置信息；

基于所述目标图结构数据中每个节点的布局位置信息，对所述目标图结构数据中的节点进行聚类处理，得到聚类结果，以基于所述聚类结果进行风险检测。

2.根据权利要求1所述的方法，所述基于所述目标图结构数据中每个节点的布局位置信息，对所述目标图结构数据中的节点进行聚类处理，得到聚类结果，包括：

基于预设聚类算法和所述目标图结构数据中每个节点的布局位置信息，对所述目标图结构数据中的节点进行聚类处理，得到聚类结果。

3.根据权利要求1所述的方法，所述获取待检测的目标图结构数据，包括：

获取待检测的所述人机交互数据，并基于所述人机交互数据，构建第一图结构数据；

基于预先训练的风险检测模型，对所述第一图结构数据进行风险检测，得到所述第一图结构数据中每个节点的风险类型，所述风险检测模型为通过历史图结构数据对预设机器学习算法进行训练得到；

基于所述第一图结构数据中每个节点的风险类型，对所述第一图结构数据中的节点进行筛选处理，得到目标节点；

获取与所述目标节点具有预设关联关系的候选节点，并基于所述目标节点和所述候选节点，构建所述目标图结构数据。

4.根据权利要求1所述的方法，所述方法还包括：

基于所述聚类结果，确定每个类中包含的节点的数量；

根据所述每个类中包含的节点的数量，确定与所述每个类对应的风险检测策略，并基于所述每个类对应的风险检测策略，对所述每个类进行风险检测。

5.根据权利要求1所述的方法，所述基于预设力导向布局模型，确定所述目标图结构数据中每个节点的布局位置信息，包括：

通过随机位置生成算法，生成所述目标图结构数据中每个节点的随机初始位置；

基于所述目标图结构数据中每个节点的随机初始位置，确定所述目标图结构数据中每两个节点之间的距离；

基于所述目标图结构数据中每两个节点之间的距离，以及基于所述目标图结构数据确定的每两个节点之间的连接关系，确定所述目标图结构数据中每两个节点之间的排斥力和/吸引力；

基于所述目标图结构数据中每两个节点之间的排斥力和/吸引力，确定所述目标图结构数据中每两个节点之间的合力；

基于所述目标图结构数据中每两个节点之间的合力，确定所述目标图结构数据中每个节点的位移；

通过所述目标图结构数据中每个节点的位移，移动所述目标图结构数据中的节点，得到移动后的每个节点的布局位置信息，并基于预设迭代次数，通过确定所述移动后的每个节点的布局位置信息的方法，对所述目标图结构数据中每个节点的布局位置信息进行迭代更新，以得到所述目标图结构数据中每个节点的布局位置信息。

6.根据权利要求5所述的方法，所述基于所述目标图结构数据中每两个节点之间的距离，以及基于所述目标图结构数据确定的每两个节点之间的连接关系，确定所述目标图结构数据中每两个节点之间的排斥力和/吸引力，包括：

基于所述目标图结构数据中每两个节点之间的距离和预设排斥力超参数，确定所述目标图结构数据中每两个节点之间的排斥力；

基于所述目标图结构数据中每两个节点之间的距离、预设吸引力超参数以及基于所述目标图结构数据确定的每两个节点之间的连接关系，确定所述目标图结构数据中每两个节点之间的吸引力。

7.根据权利要求6所述的方法，所述基于所述目标图结构数据中每两个节点之间的距离、预设吸引力超参数以及基于所述目标图结构数据确定的每两个节点之间的连接关系，确定所述目标图结构数据中每两个节点之间的吸引力，包括：

在基于所述目标图结构数据确定第一节点和第二节点之间存在连接关系的情况下，将所述预设吸引力超参数与所述第一节点和所述第二节点之间的距离的比值，确定为所述第一节点和所述第二节点之间的吸引力；

在基于所述目标图结构数据确定所述第一节点和所述第二节点之间不存在连接关系的情况下，将所述第一节点和所述第二节点之间的吸引力确定为预设吸引力值；

所述第一节点和所述第二节点为所述目标图结构数据中的任意两个节点。

8.根据权利要求7所述的方法，所述基于所述目标图结构数据中每两个节点之间的距离和预设排斥力超参数，确定所述目标图结构数据中每两个节点之间的排斥力，包括：

将所述预设排斥力超参数与所述目标图结构数据中每两个节点之间的距离的平方的比值，确定为所述目标图结构数据中每两个节点之间的排斥力。

9.一种数据处理装置，包括：

数据获取模块，用于获取待检测的目标图结构数据，所述目标图结构数据基于人机交互数据构建；

位置确定模块，用于基于预设力导向布局模型，确定所述目标图结构数据中每个节点的布局位置信息，所述力导向布局模型通过确定所述目标图结构数据中每两个节点之间的排斥力和/吸引力，移动所述目标图结构数据中的节点，以得到所述目标图结构数据中每个节点的布局位置信息；

风险检测模块，用于基于所述目标图结构数据中每个节点的布局位置信息，对所述目标图结构数据中的节点进行聚类处理，得到聚类结果，以基于所述聚类结果进行风险检测。

10.一种数据处理设备，所述数据处理设备包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：

获取待检测的目标图结构数据，所述目标图结构数据基于人机交互数据构建；

基于预设力导向布局模型，确定所述目标图结构数据中每个节点的布局位置信息，所述力导向布局模型通过确定所述目标图结构数据中每两个节点之间的排斥力和/吸引力，移动所述目标图结构数据中的节点，以得到所述目标图结构数据中每个节点的布局位置信息；

基于所述目标图结构数据中每个节点的布局位置信息，对所述目标图结构数据中的节点进行聚类处理，得到聚类结果，以基于所述聚类结果进行风险检测。

11.一种存储介质，所述存储介质用于存储计算机可执行指令，所述可执行指令在被处理器执行时实现以下流程：

获取待检测的目标图结构数据，所述目标图结构数据基于人机交互数据构建；

基于预设力导向布局模型，确定所述目标图结构数据中每个节点的布局位置信息，所述力导向布局模型通过确定所述目标图结构数据中每两个节点之间的排斥力和/吸引力，移动所述目标图结构数据中的节点，以得到所述目标图结构数据中每个节点的布局位置信息；

基于所述目标图结构数据中每个节点的布局位置信息，对所述目标图结构数据中的节点进行聚类处理，得到聚类结果，以基于所述聚类结果进行风险检测。

Images