CN116861976A - 一种异常检测模型的训练方法、装置、设备及存储介质 - Google Patents
一种异常检测模型的训练方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116861976A CN116861976A CN202310652219.9A CN202310652219A CN116861976A CN 116861976 A CN116861976 A CN 116861976A CN 202310652219 A CN202310652219 A CN 202310652219A CN 116861976 A CN116861976 A CN 116861976A
- Authority
- CN
- China
- Prior art keywords
- sample
- training
- anomaly detection
- training sample
- detection model
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 214
- 238000012549 training Methods 0.000 title claims abstract description 201
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 29
- 230000006399 behavior Effects 0.000 claims description 61
- 230000005856 abnormality Effects 0.000 claims description 33
- 230000002159 abnormal effect Effects 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请公开了一种异常检测模型的训练方法、装置、设备及存储介质，确定包含多个样本账户分别对应的历史行为序列的训练样本组，并根据历史上对该训练样本组对应的各样本账户执行的异常处理策略之间的第一相关度，确定该训练样本组的标注，进而通过待训练的异常检测模型，得到该训练样本组中各样本账户分别对应的异常检测结果，以及根据各样本账户分别对应的异常检测结果之间的相似度和该训练样本组的标注来训练该异常检测模型。可见，本申请中使用训练样本组对应的各样本账户执行的异常处理策略之间的第一相关度，指导该异常检测模型进行训练。训练得到的异常检测模型可准确识别出异常账户，保证了异常检测的准确率。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种异常检测模型的训练方法、装置、设备及存储介质。
背景技术
随着计算机技术的发展和人们对自身隐私的关注，在用户执行业务的过程中，对用户执行业务所使用的账户进行异常检测，并根据检测结果来执行业务已经是目前较为常见的业务执行方式之一。
一般的，在对用户的账户进行异常检测的过程中，通常需要确定账户对应的历史行为序列，并将该历史行为序列输入异常检测模型中，得到该异常检测模型输出的异常检测结果。其中，该异常检测结果用于表征该账户是否存在异常。
基于此，本申请提供一种异常检测模型的训练方法。
发明内容
本申请提供一种异常检测模型的训练方法、装置、设备及存储介质，以部分的解决现有技术存在的上述问题。
本申请采用下述技术方案：
本申请提供一种异常检测模型的训练方法，所述方法包括：
获取若干样本账户分别对应的历史行为序列，并将各历史行为序列分别进行组合，确定各训练样本组；
针对每个训练样本组，根据历史上对该训练样本组对应的各样本账户所执行的异常处理策略之间的第一相关度，确定该训练样本组的标注，所述标注用于表征该训练样本组对应的各样本账户之间的相似度；
将所述训练样本组输入待训练的异常检测模型中，得到所述异常检测模型输出的所述训练样本组对应的各样本账户分别对应的异常检测结果；
根据所述训练样本组对应的各样本账户的异常检测结果之间的相似度，以及所述训练样本组的标注，对所述异常检测模型进行训练。
本申请提供一种异常检测模型的训练装置，所述装置包括：
获取模块，用于获取若干样本账户分别对应的历史行为序列，并将各历史行为序列分别进行组合，确定各训练样本组；
第一确定模块，用于针对每个训练样本组，根据历史上对该训练样本组对应的各样本账户所执行的异常处理策略之间的第一相关度，确定该训练样本组的标注，所述标注用于表征该训练样本组对应的各样本账户之间的相似度；
第二确定模块，用于将所述训练样本组输入待训练的异常检测模型中，得到所述异常检测模型输出的所述训练样本组对应的各样本账户分别对应的异常检测结果；
训练模块，用于根据所述训练样本组对应的各样本账户的异常检测结果之间的相似度，以及所述训练样本组的标注，对所述异常检测模型进行训练。
本申请提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述异常检测模型的训练方法。
本申请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上述异常检测模型的训练方法。
本申请采用的上述至少一个技术方案能够达到以下有益效果：
确定包含多个样本账户分别对应的历史行为序列的训练样本组，并根据历史上对该训练样本组对应的各样本账户执行的异常处理策略之间的第一相关度，确定该训练样本组的标注，进而通过待训练的异常检测模型，得到该训练样本组中各样本账户分别对应的异常检测结果，以及根据各样本账户分别对应的异常检测结果之间的相似度和该训练样本组的标注来训练该异常检测模型。
可见，本申请中使用训练样本组对应的各样本账户执行的异常处理策略之间的第一相关度，指导该异常检测模型进行训练。训练得到的异常检测模型可准确识别出异常账户，保证了异常检测的准确率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请中一种异常检测模型的训练方法的流程示意图；
图2为本申请中一种异常检测模型的训练方法的流程示意图；
图3为本申请提供的一种异常检测模型的训练装置的示意图；
图4为本申请提供的对应于图1的电子设备示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
另外，需要说明的是，本申请中所有获取信号、信息或数据的动作都是在遵照所在地相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
随着计算机技术的发展和人们对自身隐私的关注，在用户执行业务过程中对用户所使用的账户进行异常检测，以根据检测结果来执行业务已经是目前较为常见的业务执行方式之一。而对账户进行异常检测的过程中，通常需要确定账户对应的历史行为序列，并将历史行为序列输入预先训练完成的异常检测模型中，得到异常检测模型输出的异常检测结果，以根据异常检测结果来执行业务。
而目前在训练异常检测模型时，仅能基于账户对应的异常类型确定训练样本并对模型进行训练。以样本账户为灰账户为例，则若将样本账户作为训练样本，则该训练样本的标注为灰账户或异常账户。这就导致训练得到的异常检测模型仅能对账户对应的异常类型进行区分。且通常情况下，不论是灰账户，还是黑账户，其对应的历史行为序列多种多样，常会出现类似的几个历史行为序列对应灰账户、黑账户和正常账户的情况，这也就使得训练得到的异常检测模型的准确率较低。
在该场景下，如何训练得到更准确的异常检测模型，已经成为目前需要解决的问题之一。
基于此，本申请提供一种异常检测模型的训练方法，不再直接使用样本账户对应的异常类型作为训练样本的标注，而是采用样本账户对应的异常处理策略，来指导该异常检测模型训练。使得训练得到的异常检测模型可学习到样本账户对应的特征以及样本账户对应的异常处理策略对应的特征，进而保证训练得到的异常检测模型的准确率。
以下结合附图，详细说明本申请各实施例提供的技术方案。
图1为本申请提供的一种异常检测模型的训练方法的流程示意图。
S100：获取若干样本账户分别对应的历史行为序列，并将各历史行为序列分别进行组合，确定各训练样本组。
本申请实施例中提供一种异常检测模型的训练方法，该异常检测模型的训练方法的执行过程可由用于执行异常检测业务的服务器或用于进行模型训练的服务器等电子设备执行。为了便于描述，下面仅以服务器为执行主体，对本申请提供的异常检测模型的训练方法进行详细说明。
在本申请实施例中，该异常检测模型的训练过程可分为三个阶段：样本确定阶段、样本处理阶段和训练阶段。而如前所述的，本申请可采用样本账户对应的异常处理策略，来指导该异常检测模型训练。但又因为异常处理策略所包含的信息较为丰富，其对应的处理类型高达上千种，难以直接划分为简单的类型，且多种异常处理策略可对应于相近的语义。可见，直接将异常处理策略作为训练样本的标注来训练该异常检测模型并不合适。
基于此，本申请采用了确定包含多个样本账户的历史行为序列的训练样本组，并以历史上对该训练样本组中的各样本账户的异常处理策略之间的相似度作为该训练样本组的标注的方式，来确定训练样本组及其标注，则后续可根据训练样本组及其标注来对该异常检测模型进行训练。
于是，该服务器可在样本确定阶段，确定包含多个样本用户分别对应的历史行为序列的训练样本组。
具体的，该服务器可从预先存储的各账户分别对应的历史行为序列中，确定指定数量的样本账户对应的历史行为序列进行组合，确定训练样本组。其中，样本账户和历史行为序列一一对应，也就是说，针对每个样本账户，该样本账户有其对应的历史行为序列。
样本账户可为用户历史上执行业务时所使用的账户。样本账户对应的历史行为序列可为用户发起指定业务后监测到的该用户的操作，该指定业务可为最近一次执行的业务，也可为支付业务等指定类型的业务。监测的用户操作可包括：针对控件的点击、长按等操作，用户滑动屏幕的轨迹，用户点按屏幕的位置等操作。当然，该历史行为序列还可为根据用户执行的操作确定出的向量或特征。该历史行为序列具体如何确定以及该历史行为序列的具体形式可根据需要进行设置，本申请对此不做限制。
S102：针对每个训练样本组，根据历史上对该训练样本组对应的各样本账户所执行的异常处理策略之间的第一相关度，确定该训练样本组的标注，所述标注用于表征该训练样本组对应的各样本账户之间的相似度。
在本申请提供的一个或多个实施例中，如前所述的，本申请中的该异常检测模型的训练方法，采用以确定包含多个样本账户的历史行为序列的训练样本组，并以历史上对该训练样本组中的各样本账户的异常处理策略之间的相似度作为该训练样本组的标注的方式，来确定用于对异常检测模型进行训练的训练样本组及其标注。基于此，该服务器可确定训练样本组的标注。
具体的，该服务器可针对每个训练样本组，确定历史上对该训练样本组对应的各样本账户所执行的异常处理策略，作为各指定策略。
然后，该服务器可针对每个样本账户，确定该样本账户对应的异常处理策略与该样本账户所属的训练样本组对应的其他样本账户的异常处理策略之间的第一相关度。其中，该第一相关度可通过对该样本账户对应的异常处理策略进行特征提取后得到的第一策略特征和该样本账户所属的训练样本组对应的其他样本账户的异常处理策略进行特征提取后得到的第一策略特征之间的相似度确定，也可直接根据该样本账户对应的异常处理策略和该样本账户所属的训练样本组对应的其他样本账户的异常处理策略之间的共同词语以及句式等确定，具体该第一相关度如何确定可根据需要进行设置，本申请对此不做限制。
最后，在确定出该第一相关度后，该服务器可直接将该第一相关度作为该训练样本组的标注。
当然，由于该训练样本组中包含的样本账户的历史行为序列可为多个，因此，确定出的第一相关度可为多个，因此，该服务器可将各第一相关度直接作为该训练样本组的标注，还可确定各第一相关度的均值、中位数等指标，作为该训练样本组的标注。
具体如何根据第一相关度确定训练样本组的标注以及该训练样本组的标注对应的具体指标类型，可根据需要进行设置，本申请对此不做限制。
S104：将所述训练样本组输入待训练的异常检测模型中，得到所述异常检测模型输出的所述训练样本组对应的各样本账户分别对应的异常检测结果。
在本申请提供的一个或多个实施例中，该异常检测模型的训练方法在确定出训练样本后，可对训练样本进行处理，后续才可基于训练样本的处理结果对该异常检测模型进行训练。
具体的，该服务器可针对该训练样本组中对应的每个样本账户，将该样本账户对应的历史行为序列作为输入，输入待训练的异常检测模型中。
于是，该服务器可得到该异常检测模型输出的该训练样本组对应的各样本账户分别对应的异常检测结果。其中，该异常检测结果可为各样本账户分别对应的异常类型，也可为各样本账户分别对应的异常处理策略。
S106：根据所述训练样本组对应的各样本账户的异常检测结果之间的相似度，以及所述训练样本组的标注，对所述异常检测模型进行训练。
在本申请提供的一个或多个实施例中，在对训练样本进行处理后，该服务器可对该异常检测模型进行训练。
具体的，该服务器可针对每个训练样本组，确定该训练样本组对应的各样本账户的异常检测结果。
然后，该服务器可确定该训练样本组对应的各样本账户的异常检测结果之间的相似度。其中，与各样本账户所执行的异常处理策略之间的第一相关度类似，该服务器也可根据对各样本账户的异常检测结果进行特征提取后得到的异常特征确定，也可直接根据各样本账户的异常检测结果之间是否属于相同异常类型、是否包含相同关键词等确定。具体各样本账户的异常检测结果之间的相似度如何确定可根据需要进行设置，本申请对此不做限制。
最后，该服务器可根据确定出的相似度和该训练样本组的标注之间的差距，确定损失，并以损失最小化为优化目标，训练该异常检测模型。
于是，训练得到的该异常检测模型，可基于账户的历史行为序列，对账户进行准确的异常检测。
如图1所示的异常检测模型的训练方法，确定包含多个样本账户分别对应的历史行为序列的训练样本组，并根据历史上对该训练样本组对应的各样本账户执行的异常处理策略之间的第一相关度，确定该训练样本组的标注，进而通过待训练的异常检测模型，得到该训练样本组中各样本账户分别对应的异常检测结果，以及根据各样本账户分别对应的异常检测结果之间的相似度和该训练样本组的标注来训练该异常检测模型。可见，本申请中使用训练样本组对应的各样本账户执行的异常处理策略之间的第一相关度，指导该异常检测模型进行训练。训练得到的异常检测模型可准确识别出异常账户，保证了异常检测的准确率。
进一步的，通常情况下，相较于根据样本账户所执行的异常处理策略进行特征提取得到的第一策略特征之间的相似度，直接基于异常处理策略中包含的关键词确定出的异常处理策略之间的相似度会更加准确。因此，在步骤S102中，该服务器还可直接基于异常处理策略中包含的关键词来确定相似度。
具体的，该服务器可针对该训练样本组对应的每个样本账户，确定历史上对该样本账户执行的异常处理策略，作为指定策略。
然后，该服务器可对指定策略进行分词，确定该指定策略对应的分词结果。并从分词结果中，确定该指定策略的关键词。其中，该关键词可根据分词结果中各词语的词性、词频等至少一种属性确定。
最后，该服务器可根据各指定策略的关键词之间的相似度，确定该训练样本组的标注。
以A账户对应的指定策略的关键词为“罚款”，B账户对应的指定策略的关键词为“注销账户”为例，则A账户和B账户分别对应的指定策略的关键词之间的相似度可为“罚款”和“注销账户”之间的相似度。该相似度可为将罚款和注销账户分别进行特征提取，确定罚款对应的异常特征和注销账户对应的异常特征之间的相似度。还可为根据预设词典，判断罚款和注销账户是否为近义词或同义词时确定出的相似度。
进一步的，该服务器还可采用确定交并比的方式，来确定训练样本组的标注。
具体的，针对每个指定策略，该服务器可创建该指定策略对应的指定集合，并将该指定策略的关键词添加到该指定策略对应的指定集合中。
然后，该服务器可根据该指定策略对应的指定集合和其他指定策略对应的指定集合的交并比，确定该指定策略的关键词和其他指定策略的关键词之间的相似度。
最后，该服务器可根据各相似度，确定该训练样本组的标注。
以A账户对应的指定策略的关键词为“罚款”和“5000元”，B账户对应的指定策略的关键词为“罚款”和“4500元”为例。则该服务器可将A账户的关键词添加到A账户对应的指定集合中，将B账户的关键词添加到B账户对应的指定集合中。于是，该服务器可确定A账户的指定集合和B账户的指定集合的交并比，作为包含A账户的历史行为序列和B账户的历史行为序列的训练样本组的标注。其中，该指定集合的交并比，可基于上述两个指定集合中是否包含同义词或近义词，以及包含的同义词或近义词的数量在指定集合中所有词语的数量中的占比确定。
更进一步的，在本申请中，该服务器可不仅确定账户的异常类型，还可确定账户的异常处理策略，作为检测结果。
具体的，该服务器可针对该训练样本组对应的每个样本账户，将该样本账户的历史行为序列作为输入，输入该异常检测模型的特征提取层，得到该特征提取层输出的该样本账户对应的样本特征。
其次，该服务器可将该样本特征输入匹配层，得到匹配层根据该样本特征预估的第一策略特征。其中，该匹配层用于根据行为序列对应的行为特征预估该行为序列对应的账户所该执行的异常处理策略对应的策略特征。
然后，该服务器可将该样本特征输入该异常检测模型的检测层，得到该检测层输出的初始检测结果。其中，该初始检测结果可仅包含该样本账户对应的异常类型，还可包含至少部分该样本账户对应的异常处理策略。
最后，该服务器可根据该初始检测结果和该第一策略特征，确定该样本账户的检测结果。其中，检测结果中包含该样本账户的异常类型和预估出的该样本账户应执行的异常处理策略。也就是说，该服务器可根据该第一策略特征，预测该样本账户应执行的异常处理策略，并将该异常处理策略与该样本账户的初始检测结果进行组合，将组合结果作为该样本账户的异常处理策略。
另外，在本申请中，该服务器可不仅确定账户的异常类型，还可确定账户的异常处理策略，作为检测结果。因此，该服务器在确定该异常检测模型的损失时，还可针对每个样本账户，以该样本账户的异常检测结果和该样本账户对应的异常处理策略之间的差距，以及该训练样本组对应的各样本账户的异常检测结果的相似度和该训练样本组的标注之间的差距，确定损失。但又因为各样本账户的异常处理策略难以直接作为训练样本的标注，因此，该服务器可采用确定样本账户的历史行为序列对应的行为特征和该样本账户对应的异常处理策略对应的策略特征之间的相似度的方式，来训练该模型。
具体的，针对该训练样本组对应的每个样本账户，该服务器可将历史上对该样本账户所执行的异常处理策略输入该异常检测模型的特征提取层，得到该特征提取层输出的第二策略特征。
其次，该服务器可根据该训练样本组对应的各样本账户的异常检测结果之间的相似度，以及该训练样本组的标注，确定第一差距；
然后，该服务器可根据各样本账户分别对应的第一策略特征和第二策略特征之间的差距，确定第二差距。
最后，该服务器可根据该第一差距和该第二差距，确定损失，并以损失最小化为优化目标，对异常检测模型进行训练。
进一步的，上述匹配层根据样本特征确定第一策略特征时，可采用对样本特征进行卷积、特征提取的方式，还可采用设置可调整参数的转换矩阵的方式。以设置可调整参数的转换矩阵的方式为例，则该服务器可将该样本特征输入匹配层，通过匹配层中预先设置的转换矩阵，确定该样本特征对应的第一策略特征。则在对该异常检测模型进行训练时，该服务器可对该异常检测模型的匹配层中的该转换矩阵的参数进行调整，以对该异常检测模型进行训练。
更进一步的，训练完成的该异常检测模型可用于对目标账户进行异常检测。
具体的，该服务器可接收异常检测请求，该异常检测请求可为执行业务的服务器发送的，也可为用户所持客户端当监测到需执行业务时发送的。
该服务器可根据该异常检测请求，确定该异常检测请求对应的目标账户。
接着，该服务器可根据该目标账户的账户标识，确定该目标账户的目标行为序列，并将该目标行为序列输入训练完成的异常检测模型的特征提取层，得到特征提取层输出的目标行为特征。
然后，该服务器可将目标行为特征分别输入匹配层和检测层，得到匹配层输出的目标策略特征和检测层输出的初始检测结果。其中，与上述样本账户的初始检测结果类似，该目标账户对应的初始检测结果可为该目标账户对应的异常类型，也可为该目标账户对应的异常类型以及至少部分该目标账户对应的异常处理策略。
最后，该服务器可根据初始检测结果和目标策略特征，确定该目标账户的目标检测结果。同样的，该服务器可根据确定出的目标策略特征，预测该目标账户应执行的异常处理策略，并将该异常处理策略和该目标账户的初始检测结果进行组合，将组合结果作为该目标账户的异常处理策略。
基于相同思路，本申请提供一种异常检测模型的训练方法的流程示意图，如图2所示。
图2为本申请提供的异常检测模型的训练方法的流程示意图。其中，该异常检测模型包含特征提取层、匹配层和检测层。以该异常检测模型包含两个样本账户对应的历史行为序列为例，该服务器可将样本账户1的历史行为序列和样本账户2的历史行为序列分别输入特征提取层中，得到该特征提取层分别输出的样本特征1和样本特征2。
然后，该服务器可将该样本特征1和样本特征2分别作为输入，输入该匹配层，得到该匹配层输出的第一策略特征1和第一策略特征2，以及将得到的第一策略特征1和第一策略特征2输入检测层中，得到该检测层输出的初始检测结果1和初始检测结果2。
接着，该服务器可根据该第一策略特征1和初始检测结果1，确定样本账户1的异常检测结果1，并根据第一策略特征2和初始检测结果2，确定样本账户2的异常检测结果2。
同时，该服务器可将样本账户1所执行的异常处理策略和样本账户2所执行的异常处理策略分别作为输入，输入预先训练完成的特征提取层中，得到第二策略特征1和第二策略特征2。
最后，该服务器可根据异常检测结果1和异常检测结果2之间的相似度，确定第一相似度，并根据该第一相似度和该训练样本组的标注之间的差距，确定第一差距。以及根据第一策略特征1和第二策略特征1，确定第二差距1，根据第一策略特征2和第二策略特征2，确定第二差距2。于是，该服务器可根据确定出的第一差距和各第二差距，确定损失，并以损失最小化为优化目标对该异常检测模型进行训练。其中，该训练样本组的标注根据对样本账户1所执行的异常处理策略和对样本账户2所执行的异常处理策略之间的相似度确定。
图3为本申请提供的一种异常检测模型的训练装置示意图，其中：
获取模块200，用于获取若干样本账户分别对应的历史行为序列，并将各历史行为序列分别进行组合，确定各训练样本组。
第一确定模块202，用于针对每个训练样本组，根据历史上对该训练样本组对应的各样本账户所执行的异常处理策略之间的第一相关度，确定该训练样本组的标注，所述标注用于表征该训练样本组对应的各样本账户之间的相似度。
第二确定模块204，用于将所述训练样本组输入待训练的异常检测模型中，得到所述异常检测模型输出的所述训练样本组对应的各样本账户分别对应的异常检测结果.
训练模块206，用于根据所述训练样本组对应的各样本账户的异常检测结果之间的相似度，以及所述训练样本组的标注，对所述异常检测模型进行训练。
可选地，所述第一确定模块202，用于确定历史上对该训练样本组对应的各样本账户分别执行的异常处理策略，作为各指定策略，对所述各指定策略分别进行分词，并从分词结果中，确定所述各指定策略分别对应的关键词，根据所述各指定策略的关键词之间的相似度，确定该训练样本组的标注。
可选地，所述第一确定模块202，用于针对每个指定策略，将该指定策略的关键词添加到该指定策略对应的指定集合中，根据该指定策略对应的指定集合和其他指定策略对应的指定集合的交并比，确定该指定策略的关键词和其他指定策略的关键词之间的相似度，并根据各相似度，确定该训练样本组的标注。
可选地，所述第二确定模块204，用于针对所述训练样本组对应的每个样本账户，将该样本账户的历史行为序列输入所述异常检测模型的特征提取层，得到所述特征提取层输出的样本特征，将所述样本特征输入所述异常检测模型的匹配层，得到所述匹配层根据所述样本特征预估的第一策略特征，将所述样本特征输入所述异常检测模型的检测层，得到所述检测层输出的初始检测结果，根据所述初始检测结果和所述第一策略特征，确定该样本账户的异常检测结果。
可选地，所述第二确定模块204，用于针对所述训练样本组对应的每个样本账户，将历史上对该样本账户所执行的异常处理策略输入所述异常检测模型的特征提取层，得到所述特征提取层输出的第二策略特征，确定所述训练样本组对应的各样本账户的异常检测结果之间的相似度，作为第一相似度，并确定所述第一相似度和所述训练样本组的标注之间的差距，作为第一差距，根据各样本账户分别对应的第一策略特征和第二策略特征之间的差距，确定第二差距，根据所述第一差距和所述第二差距，确定损失，以所述损失最小化为优化目标，对所述异常检测模型进行训练。
可选地，所述第二确定模块204，用于将所述样本特征输入所述匹配层，通过所述匹配层中预先设置的转换矩阵，确定所述样本特征对应的第一策略特征，训练模块206，用于至少对所述异常检测模型中的匹配层中的所述转换矩阵的参数进行调整，以对所述异常检测模型进行训练。
可选地，所述第二确定模块204，用于响应于异常检测请求，确定所述异常检测请求中携带的目标账户，确定所述目标账户对应的目标行为序列，并将所述目标行为序列输入训练完成的所述异常检测模型的特征提取层，得到所述特征提取层输出的目标行为特征，将所述目标行为特征输入所述匹配层，得到所述匹配层输出的目标策略特征，将所述目标行为特征输入所述检测层，得到所述检测层输出的初始检测结果，根据所述初始检测结果和所述目标策略特征，确定所述目标账户的目标检测结果。
本申请还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1所示的异常检测模型的训练方法。
本申请还提供了图4所示的电子设备的示意结构图。如图4所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所示的异常检测模型的训练方法。当然，除了软件实现方式之外，本申请并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
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：ARC 625D、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，在实施本申请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，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、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，本申请的实施例可提供为方法、***或计算机程序产品。因此，本申请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，本申请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。
本申请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申请，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。
本申请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。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种异常检测模型的训练方法，所述方法包括：
获取若干样本账户分别对应的历史行为序列，并将各历史行为序列分别进行组合，确定各训练样本组；
针对每个训练样本组，根据历史上对该训练样本组对应的各样本账户所执行的异常处理策略之间的第一相关度，确定该训练样本组的标注，所述标注用于表征该训练样本组对应的各样本账户之间的相似度；
将所述训练样本组输入待训练的异常检测模型中，得到所述异常检测模型输出的所述训练样本组对应的各样本账户分别对应的异常检测结果；
根据所述训练样本组对应的各样本账户的异常检测结果之间的相似度，以及所述训练样本组的标注，对所述异常检测模型进行训练。
2.如权利要求1所述的方法，根据历史上对该训练样本组对应的各样本账户所执行的异常处理策略之间的第一相关度，确定该训练样本组的标注，具体包括：
确定历史上对该训练样本组对应的各样本账户分别执行的异常处理策略，作为各指定策略；
对所述各指定策略分别进行分词，并从分词结果中，确定所述各指定策略分别对应的关键词；
根据所述各指定策略的关键词之间的相似度，确定该训练样本组的标注。
3.如权利要求2所述的方法，根据所述各指定策略的关键词之间的相似度，确定该训练样本组的标注，具体包括：
针对每个指定策略，将该指定策略的关键词添加到该指定策略对应的指定集合中；
根据该指定策略对应的指定集合和其他指定策略对应的指定集合的交并比，确定该指定策略的关键词和其他指定策略的关键词之间的相似度，并根据各相似度，确定该训练样本组的标注。
4.如权利要求1所述的方法，将所述训练样本组输入待训练的异常检测模型中，得到所述异常检测模型输出的所述训练样本组对应的各样本账户分别对应的异常检测结果，具体包括：
针对所述训练样本组对应的每个样本账户，将该样本账户的历史行为序列输入所述异常检测模型的特征提取层，得到所述特征提取层输出的样本特征；
将所述样本特征输入所述异常检测模型的匹配层，得到所述匹配层根据所述样本特征预估的第一策略特征；
将所述样本特征输入所述异常检测模型的检测层，得到所述检测层输出的初始检测结果；
根据所述初始检测结果和所述第一策略特征，确定该样本账户的异常检测结果。
5.如权利要求4所述的方法，根据所述训练样本组对应的各样本账户的异常检测结果之间的相似度，以及所述训练样本组的标注，对所述异常检测模型进行训练，具体包括：
针对所述训练样本组对应的每个样本账户，将历史上对该样本账户所执行的异常处理策略输入所述异常检测模型的特征提取层，得到所述特征提取层输出的第二策略特征；
确定所述训练样本组对应的各样本账户的异常检测结果之间的相似度，作为第一相似度，并确定所述第一相似度和所述训练样本组的标注之间的差距，作为第一差距；
根据各样本账户分别对应的第一策略特征和第二策略特征之间的差距，确定第二差距；
根据所述第一差距和所述第二差距，确定损失，以所述损失最小化为优化目标，对所述异常检测模型进行训练。
6.如权利要求4所述的方法，将所述样本特征输入所述异常检测模型的匹配层，得到所述匹配层根据所述样本特征预估的第一策略特征，具体包括：
将所述样本特征输入所述匹配层，通过所述匹配层中预先设置的转换矩阵，确定所述样本特征对应的第一策略特征；
对所述异常检测模型进行训练，具体包括：
至少对所述异常检测模型中的匹配层中的所述转换矩阵的参数进行调整，以对所述异常检测模型进行训练。
7.如权利要求4所述的方法，所述方法还包括：
响应于异常检测请求，确定所述异常检测请求中携带的目标账户；
确定所述目标账户对应的目标行为序列，并将所述目标行为序列输入训练完成的所述异常检测模型的特征提取层，得到所述特征提取层输出的目标行为特征；
将所述目标行为特征输入所述匹配层，得到所述匹配层输出的目标策略特征；
将所述目标行为特征输入所述检测层，得到所述检测层输出的初始检测结果；
根据所述初始检测结果和所述目标策略特征，确定所述目标账户的目标检测结果。
8.一种异常检测模型的训练装置，所述装置包括：
获取模块，用于获取若干样本账户分别对应的历史行为序列，并将各历史行为序列分别进行组合，确定各训练样本组；
第一确定模块，用于针对每个训练样本组，根据历史上对该训练样本组对应的各样本账户所执行的异常处理策略之间的第一相关度，确定该训练样本组的标注，所述标注用于表征该训练样本组对应的各样本账户之间的相似度；
第二确定模块，用于将所述训练样本组输入待训练的异常检测模型中，得到所述异常检测模型输出的所述训练样本组对应的各样本账户分别对应的异常检测结果；
训练模块，用于根据所述训练样本组对应的各样本账户的异常检测结果之间的相似度，以及所述训练样本组的标注，对所述异常检测模型进行训练。
9.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～7任一项所述的方法。
10.一种电子设备，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上述权利要求1～7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310652219.9A CN116861976A (zh) | 2023-06-02 | 2023-06-02 | 一种异常检测模型的训练方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310652219.9A CN116861976A (zh) | 2023-06-02 | 2023-06-02 | 一种异常检测模型的训练方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116861976A true CN116861976A (zh) | 2023-10-10 |
Family
ID=88231101
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310652219.9A Pending CN116861976A (zh) | 2023-06-02 | 2023-06-02 | 一种异常检测模型的训练方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116861976A (zh) |
-
2023
- 2023-06-02 CN CN202310652219.9A patent/CN116861976A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115618964B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
| CN115238826B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
| CN115712866B (zh) | 数据处理方法、装置及设备 | |
| CN115759122A (zh) | 一种意图识别方法、装置、设备及可读存储介质 | |
| CN116049761A (zh) | 数据处理方法、装置及设备 | |
| CN116152933A (zh) | 一种异常检测模型的训练方法、装置、设备及存储介质 | |
| CN116822606A (zh) | 一种异常检测模型的训练方法、装置、设备及存储介质 | |
| CN116578877B (zh) | 一种模型训练及二次优化打标的风险识别的方法及装置 | |
| CN111242195B (zh) | 模型、保险风控模型训练方法、装置及电子设备 | |
| CN116861976A (zh) | 一种异常检测模型的训练方法、装置、设备及存储介质 | |
| CN111967769B (zh) | 一种风险识别方法、装置、设备及介质 | |
| CN109903165B (zh) | 一种模型合并方法和装置 | |
| CN113344197A (zh) | 一种识别模型的训练方法、业务执行的方法以及装置 | |
| CN117035695B (zh) | 一种信息预警的方法、装置、可读存储介质以及电子设备 | |
| CN117786417B (zh) | 一种模型训练方法、瞬变源的识别方法、装置及电子设备 | |
| CN116340852B (zh) | 一种模型训练、业务风控的方法及装置 | |
| CN115862675B (zh) | 一种情感识别方法、装置、设备及存储介质 | |
| CN117313739A (zh) | 一种语言模型的训练方法、装置、设备及存储介质 | |
| CN117421214A (zh) | 批量造数方法、装置、电子设备及计算机可读存储介质 | |
| CN117312847A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
| CN117743824A (zh) | 一种模型训练、业务执行方法、装置、存储介质及设备 | |
| CN117951527A (zh) | 一种模型训练的方法、实体识别的方法、装置及电子设备 | |
| CN118245800A (zh) | 数据增强处理方法及装置 | |
| CN117933424A (zh) | 一种模型训练方法、业务风控方法、装置以及存储介质 | |
| CN116776114A (zh) | 一种风险检测的方法、装置、存储介质及电子设备 |
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 |