CN117709977A - 目标商户的识别方法、装置及存储介质 - Google Patents
目标商户的识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN117709977A CN117709977A CN202311372081.3A CN202311372081A CN117709977A CN 117709977 A CN117709977 A CN 117709977A CN 202311372081 A CN202311372081 A CN 202311372081A CN 117709977 A CN117709977 A CN 117709977A
- Authority
- CN
- China
- Prior art keywords
- merchant
- target
- identified
- initial
- user
- 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 abstract description 67
- 239000013598 vector Substances 0.000 claims abstract description 153
- 238000003062 neural network model Methods 0.000 claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000005065 mining Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 26
- 230000008030 elimination Effects 0.000 claims description 8
- 238000003379 elimination reaction Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 description 32
- 238000005070 sampling Methods 0.000 description 14
- 238000013528 artificial neural network Methods 0.000 description 10
- 230000006399 behavior Effects 0.000 description 10
- 230000007246 mechanism Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 235000008694 Humulus lupulus Nutrition 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 235000002020 sage Nutrition 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种目标商户的识别方法、装置及存储介质。涉及电子信息技术领域,该方法包括:利用高密子图挖掘算法判断待识别商户是否为目标商户,得到待识别商户的初始分类标签;根据待识别商户的商户信息以及初始分类标签确定待识别商户的第一商户向量;获取与待识别商户具有交易关系的目标用户的第一用户向量;通过图神经网络模型依据第一商户向量、第一用户向量、待识别商户和目标用户之间的交易关系、目标用户之间的交易关系进行处理,得到待识别商户对应的识别结果,其中,识别结果用于确定待识别商户是否为目标商户。本发明解决了相关技术中从多个商户中识别风险商户时,存在的识别准确度低的技术问题。
Description
技术领域
本发明涉及电子信息技术领域,具体而言,涉及一种目标商户的识别方法、装置及存储介质。
背景技术
随着科技的不断发展,有越来越多的商户通过在线上与用户进行交易,然而,通信技术的普及给人们带来便捷的同时,电商平台中的欺诈行为也急剧增加,如果无法及时从电商中识别出交易存在风险的商户,那么为这些商户提供交易渠道的机构、与这些商户合作的机构以及用户都将面临极大的风险。
目前,相关技术中通常依赖人工甄别或者是特定规则组的方式从多个电商中识别出存在交易风险的商户,然而,由于电商的数量庞大以及欺诈行为的多变性,导致上述方式很难从多个电商中准确识别出风险商户,从而存在识别准确度低的问题。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种目标商户的识别方法、装置及存储介质,以至少解决相关技术中从多个商户中识别风险商户时,存在的识别准确度低的技术问题。
根据本发明实施例的一个方面,提供了一种目标商户的识别方法,包括:利用高密子图挖掘算法判断待识别商户是否为目标商户,得到待识别商户的初始分类标签,其中,目标商户为具有交易风险的商户;根据待识别商户的商户信息以及初始分类标签确定待识别商户的第一商户向量;获取与待识别商户具有交易关系的目标用户的第一用户向量;通过图神经网络模型依据第一商户向量、第一用户向量、待识别商户和目标用户之间的交易关系、目标用户之间的交易关系进行处理,得到待识别商户对应的识别结果,其中,识别结果用于确定待识别商户是否为目标商户。
进一步地,目标商户的识别方法还包括:构建训练样本集,其中,训练样本集中的包含多个商户的初始商户向量、多个用户的初始用户向量、每个商户的真实分类标签、商户和用户之间的交易关系以及用户和用户之间的交易关系,多个商户中不包含待识别商户,真实分类标签用于表征当前商户是否为目标商户;获取初始图神经网络模型,并利用训练样本集训练初始图神经网络模型,得到图神经网络模型。
进一步地,目标商户的识别方法还包括:在构建训练样本集之前,对于多个商户中的每个商户,利用高密子图挖掘算法确定商户的初始分类标签;对商户的初始分类标签进行编码处理,得到第一编码;对商户的商户信息中的各个属性值进行编码处理,得到各个属性值对应的第二编码;对第一编码和所有第二编码进行拼接,得到商户的初始商户向量。
进一步地,目标商户的识别方法还包括:从待识别商户的商户信息中提取得到多个属性值;根据多个商户的第二商户向量,确定待识别商户的商户信息中的各个属性值所对应的第三编码,其中,第二商户向量中包含与商户的初始分类标签对应的编码以及与商户的商户信息中的各个属性值对应的编码;根据多个商户的第二商户向量,确定待识别商户的初始分类标签对应的第四编码;对所有第三编码和第四编码进行拼接,得到待识别商户的第一商户向量。
进一步地,目标商户的识别方法还包括:判断目标用户是否存在于多个用户中;若目标用户未存在于多个用户中,从多个商户中确定与目标用户具有交易关系的商户,得到关联商户,并从多个用户中确定与目标用户具有交易关系的用户,得到关联用户;依据关联商户的第二商户向量和关联用户的第二用户向量,确定目标用户的第一用户向量。
进一步地,目标商户的识别方法还包括:构建初始高密子图,其中,初始高密子图中包括多个商户节点、多个用户节点以及连接于商户节点和用户节点之间的边,且多个商户节点中至少存在与待识别商户对应的商户节点,边为基于商户和用户之间的交易关系构建的;从初始高密子图中确定目标高密子图,其中,目标高密子图由初始高密子图中的部分节点和部分边组成,目标高密子图为嫌疑度满足预设条件的高密子图,嫌疑度由高密子图中节点的边的数量确定;从初始高密子图中剔除目标高密子图中的节点和边,得到更新后的初始高密子图,并重复执行从更新后的初始高密子图中确定新的目标高密子图的步骤,直至达到预设迭代条件;依据待识别商户的商户节点与得到的所有目标高密子图之间的关系,确定待识别商户的初始分类标签。
进一步地,目标商户的识别方法还包括:若待识别商户的商户节点存在于任一目标高密子图中,则确定待识别商户的初始分类标签表征待识别商户为目标商户;若待识别商户的商户节点不存在于所有目标高密子图中,则确定待识别商户的初始分类标签表征待识别商户为非目标商户。
进一步地,目标商户的识别方法还包括:对于初始高密子图中的每个节点,依据节点的边的数量确定节点的节点嫌疑度;从初始高密子图中剔除节点嫌疑度最低的节点,并依据剔除后的初始高密子图中节点的节点嫌疑度,计算剔除后的初始高密子图的嫌疑度;重复执行从剔除后的初始高密子图中剔除节点嫌疑度最低的节点的步骤,直至剔除后的初始高密子图中不存在节点,依据嫌疑度从剔除得到的多个初始高密子图中确定目标高密子图。
根据本发明实施例的另一方面,还提供了一种目标商户的识别装置,包括:判断模块,用于利用高密子图挖掘算法判断待识别商户是否为目标商户,得到待识别商户的初始分类标签,其中,目标商户为具有交易风险的商户;第一确定模块,用于根据待识别商户的商户信息以及初始分类标签确定待识别商户的第一商户向量;获取模块,用于获取与待识别商户具有交易关系的目标用户的第一用户向量;第一处理模块,用于通过图神经网络模型依据第一商户向量、第一用户向量、待识别商户和目标用户之间的交易关系、目标用户之间的交易关系进行处理,得到待识别商户对应的识别结果,其中,识别结果用于确定待识别商户是否为目标商户。
根据本发明实施例的另一方面,还提供了一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,其中,计算机程序被设置为运行时执行上述的目标商户的识别方法。
在本发明实施例中,采用利用高密子图挖掘算法和图神经网络模型识别商户是否为目标商户的方式,通过利用高密子图挖掘算法判断待识别商户是否为目标商户,得到待识别商户的初始分类标签,然后根据待识别商户的商户信息以及初始分类标签确定待识别商户的第一商户向量,接着获取与待识别商户具有交易关系的目标用户的第一用户向量,从而通过图神经网络模型依据第一商户向量、第一用户向量、待识别商户和目标用户之间的交易关系、目标用户之间的交易关系进行处理,得到待识别商户对应的识别结果,其中,目标商户为具有交易风险的商户,识别结果用于确定待识别商户是否为目标商户。
在上述过程中,通过利用高密子图挖掘算法对待识别商户是否为目标商户进行初步判断,可以更好地理解和分析待识别商户的交易行为数据,发掘存在于待识别商户和其它商户、用户之间隐藏的交易模式,从而提高了对目标商户识别的准确性。进一步地,通过利用图神经网络模型对高密子图挖掘算法的判断结果、商户信息、交易关系等信息进行处理,得到最终的识别结果,一方面,实现了有效建模商户与用户间的关系和局部上下文,从而能够得到对待识别商户更具表征性的向量表示,进而使得确定的识别结果更加准确,提高了对目标商户识别的准确性,另一方面,可以有效提高计算效率。
由此可见,本申请所提供的方案达到了利用高密子图挖掘算法和图神经网络模型识别商户是否为目标商户的目的,从而实现了提高识别准确性的技术效果,进而解决了相关技术中从多个商户中识别风险商户时,存在的识别准确度低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种可选的目标商户的识别方法的流程图一;
图2是根据本发明实施例的一种可选的目标商户的识别方法的流程图二;
图3是根据本发明实施例的一种可选的初始图神经网络模型的工作示意图;
图4是根据本发明实施例的一种可选的目标商户的识别装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明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发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、使用和处理需要遵守相关地区的相关法律法规和标准,并提供有相应的操作入口,供用户选择授权或者拒绝。
实施例1
根据本发明实施例,提供了一种目标商户的识别方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种可选的目标商户的识别方法的流程图一,如图1所示,该方法包括如下步骤:
步骤S101,利用高密子图挖掘算法判断待识别商户是否为目标商户,得到待识别商户的初始分类标签,其中,目标商户为具有交易风险的商户。
其中,可以将电子设备、应用***、服务器等装置作为执行主体,在本实施例中,将目标识别***作为执行主体。其中,目标识别***应用于目标机构,目标机构可以是与待识别商户以及除待识别商户以外的多个商户合作的机构,或者是为待识别商户以及除待识别商户以外的多个商户提供交易平台的机构,目标初始分类标签是指高密子图挖掘算法对待识别商户是否为目标商户的判断结果,初始分类标签为目标商户或非目标商户。
可选的,图2是根据本发明实施例的一种可选的目标商户的识别方法的流程图二,如图2所示,在利用高密子图挖掘算法判断待识别商户是否为目标商户的过程中,目标识别***可以获取待识别商户的交易行为数据和除待识别商户以外的多个商户的交易行为数据,交易行为数据至少包括当前商户与用户之间的交易关系。之后,目标识别***构建目标时间范围内全量商户-用户形式的数据图,并整理成二分图的形式,在二分图左侧为商户节点,右侧为用户节点,商户节点与用户节点之间存在有边,边为依据前述的交易行为数据构建的,例如,当某一用户与某一商户在目标时间范围内存在N次交易时,则在该用户对应的第二节点与该商户对应的第一节点之间构建N条边。进一步地,如图2所示,在构建得到前述的二分图(也即初始高密子图)之后,目标识别***可以依据高密子图挖掘算法(fraudar算法)从二分图中识别出多个目标高密子图,从而依据待识别商户的商户节点与得到的所有目标高密子图之间的关系,确定待识别商户的初始分类标签。其中,前述的目标时间范围可以是指当前时间点的前30天,当前时间点的前10天或者其它目标时间范围,即目标时间范围的时间终止点为当前时间点。
步骤S102,根据待识别商户的商户信息以及初始分类标签确定待识别商户的第一商户向量。
可选的,商户信息用于表征当前商户的交易信息,商户信息包括但不限于当前商户的商户类型、当前商户在目标时间范围内的累计收款金额、***收款金额占比、测试金额笔数、大额近整消费笔数等。其中,如图2所示,第一商户向量可以是目标识别***对待识别商户的商户信息(图2中未示出)以及初始分类标签进行编码得到的。
步骤S103,获取与待识别商户具有交易关系的目标用户的第一用户向量。
其中,目标用户为从交易行为数据中确定的,目标用户的向量可以是依据与用户具有交易关系的商户的商户向量、与用户具有交易关系的用户的用户向量确定的。
步骤S104,通过图神经网络模型依据第一商户向量、第一用户向量、待识别商户和目标用户之间的交易关系、目标用户之间的交易关系进行处理,得到待识别商户对应的识别结果,其中,识别结果用于确定待识别商户是否为目标商户。
可选的,图神经网络可以是GraphSAGE图神经网络,也可以是其它类型的图神经网络。如图2所示,目标识别***可以将待识别商户的第一商户向量、目标用户的第一用户向量、除待识别商户以外的多个商户的商户向量、除目标用户以外的用户的用户向量、待识别商户和目标用户之间的交易关系、目标用户之间的交易关系、目标用户与除待识别商户以外的多个商户之间的交易关系、目标用户与除目标用户以外的用户之间的交易关系输入到图神经网络模型中,从而由图神经网络对输入数据进行处理,得到待识别商户对应的识别结果。
其中,在图神经网络处理的过程中,图神经网络依据待识别商户和目标用户之间的交易关系、目标用户之间的交易关系、目标用户与除待识别商户以外的多个商户之间的交易关系、目标用户与除目标用户以外的用户之间的交易关系,确定第一图结构信息,第一图结构信息中包含多个第一商户节点和多个第一用户节点,且第一图结构信息中包含连接于存在交易关系的第一商户节点和第一用户节点之间的边,以及连接于存在交易关系的第一用户节点和第一用户节点之间的边。当目标用户以及除目标用户以外的用户通过上述的目标机构进行交易时,目标***可以获取到对应的交易信息,从而确定交易关系。
进一步地,图神经网络可以依据上述的第一图结构信息对待识别商户进行邻居采样,从而得到待识别商户的多个邻居节点,或者是得到待识别商户的多个邻居节点以及各个邻居节点匹配的邻居节点,进而可以依据采样得到的节点的向量以及第一商户向量进行聚合处理,以对第一商户向量进行更新,得到目标商户向量。
更进一步地,图神经网络中包括分类器,图神经网络在得到目标商户向量后,可以依据分类器对目标商户向量进行处理,从而得到识别结果。其中,识别结果可以包含第一概率值和第二概率值,第一概率值是指待识别商户属于目标商户的概率值,第二概率值是指待识别商户属于非目标商户的概率值。目标识别***可以在第一概率值大于或等于第二概率值时,确定待识别商户属于目标商户,在第一概率值小于第二概率值时,确定待识别商户属于非目标商户。
可选的,若确定了某一商户为目标商户,则目标识别***还可以将这一信息反馈给工作人员,以便工作人员进行处理,从而及时降低目标机构和用户的交易风险。
基于上述步骤S101至步骤S104所限定的方案,可以获知,在本发明实施例中,采用利用高密子图挖掘算法和图神经网络模型识别商户是否为目标商户的方式,通过利用高密子图挖掘算法判断待识别商户是否为目标商户,得到待识别商户的初始分类标签,然后根据待识别商户的商户信息以及初始分类标签确定待识别商户的第一商户向量,接着获取与待识别商户具有交易关系的目标用户的第一用户向量,从而通过图神经网络模型依据第一商户向量、第一用户向量、待识别商户和目标用户之间的交易关系、目标用户之间的交易关系进行处理,得到待识别商户对应的识别结果,其中,目标商户为具有交易风险的商户,识别结果用于确定待识别商户是否为目标商户。
容易注意到的是,在上述过程中,通过利用高密子图挖掘算法对待识别商户是否为目标商户进行初步判断,可以更好地理解和分析待识别商户的交易行为数据,发掘存在于待识别商户和其它商户、用户之间隐藏的交易模式,从而提高了对目标商户识别的准确性。进一步地,通过利用图神经网络模型对高密子图挖掘算法的判断结果、商户信息、交易关系等信息进行处理,得到最终的识别结果,一方面,实现了有效建模商户与用户间的关系和局部上下文,从而能够得到对待识别商户更具表征性的向量表示,进而使得确定的识别结果更加准确,提高了对目标商户识别的准确性,另一方面,可以有效提高计算效率。
由此可见,本申请所提供的方案达到了利用高密子图挖掘算法和图神经网络模型识别商户是否为目标商户的目的,从而实现了提高识别准确性的技术效果,进而解决了相关技术中从多个商户中识别风险商户时,存在的识别准确度低的技术问题。
在一种可选的实施例中,目标识别***可以通过以下方式得到图神经网络模型:构建训练样本集,其中,训练样本集中的包含多个商户的初始商户向量、多个用户的初始用户向量、每个商户的真实分类标签、商户和用户之间的交易关系以及用户和用户之间的交易关系,多个商户中不包含待识别商户,真实分类标签用于表征当前商户是否为目标商户;获取初始图神经网络模型,并利用训练样本集训练初始图神经网络模型,得到图神经网络模型。
可选的,如图2所示,在训练过程中,目标识别***可以将多个商户的初始商户向量、多个用户的初始用户向量、商户和用户之间的交易关系以及用户和用户之间的交易关系输入至初始图神经网络模型中,从而由初始图神经网络模型依据商户和用户之间的交易关系以及用户和用户之间的交易关系确定第二图结构信息,第二图结构信息中包括多个第二商户节点和多个第二用户节点,且第二图结构信息中包含连接于存在交易关系的第二商户节点和第二用户节点之间的边,以及连接于存在交易关系的第二用户节点和第二用户节点之间的边。其中,可以通过随机初始化的方式得到多个用户的初始用户向量。
进一步地,初始图神经网络模型可以依据上述的第二图结构信息对第二图结构信息中的各个节点(第二商户节点或第二用户节点)进行邻居采样,从而得到节点的多个邻居节点,或者是得到节点的多个邻居节点以及各个邻居节点匹配的邻居节点,进而可以依据节点的向量以及对节点进行邻居采样得到的节点的向量进行聚合处理,以对节点的向量进行更新,由此得到第二图结构信息中的各个节点对应的更新后的向量。更进一步地,初始图神经网络模型依据第二商户节点对应的更新后的向量进行处理,得到对第二商户节点对应的商户的初始识别结果。
例如,图3是根据本发明实施例的一种可选的初始图神经网络模型的工作示意图,如图3所示,在邻居采样过程中,对于待采样的节点,可以设定两层采样方式,在k=1,也即第一层采样时,可以将采样数量设置为15,此时采样得到的为邻居节点,在k=2,也即第二层采样时,可以将采样数量设置为10,此时采样得到的为邻居节点的邻居节点。进一步地,如图3所示,在邻居采样之后,初始图神经网络模型可以聚合邻居信息,其中,第一层采样中的节点由其在第二层采样中得到的对应的邻居节点聚合以更新向量,初始待采样的节点的向量是通过与第一层采样中的节点更新后的向量进行聚合来更新的,也即初始待采样的节点更新后的向量会蕴含其两跳内的邻居信息。更进一步地,如图3所示,在得到初始待采样的节点更新后的向量之后,初始图神经网络模型依据该更新后的向量预测节点是否为目标商户,也即得到初始识别结果。
可选的,在得到对第二商户节点对应的商户的初始识别结果之后,可以依据预设的损失函数、初始识别结果以及上述的真实分类标签计算初始图神经网络模型的损失值,从而在损失值大于预设阈值的情况下,更新初始图神经网络模型的参数,并继续将多个商户的初始商户向量、多个用户的初始用户向量、商户和用户之间的交易关系以及用户和用户之间的交易关系输入至更新后的初始图神经网络模型中,直至损失值小于或等于预设阈值,得到训练好的图神经网络模型。且在得到的训练好的图神经网络模型的情况下,将得到的更新后的初始商户向量确定为第二商户向量,将得到的更新后的初始用户向量确定为第二用户向量。其中,上述的损失函数可以是交叉熵损失函数。
需要说明的是,通过上述过程,实现了对图神经网络模型的有效训练,从而保证了识别结果的准确性,进而提高了识别准确性。
在一种可选的实施例中,商户信息中包含多个属性值,其中,在构建训练样本集之前,如图2所示,目标识别***可以对于多个商户中的每个商户,利用高密子图挖掘算法确定商户的初始分类标签,然后对商户的初始分类标签进行编码处理,得到第一编码,接着对商户的商户信息中的各个属性值进行编码处理,得到各个属性值对应的第二编码,从而对第一编码和所有第二编码进行拼接,得到商户的初始商户向量。
其中,例如,商户信息中包含“商户类型为个体户”这一信息,则商户类型为属性,个体户为属性值。此外,如图2所示,目标识别***可以基于多个商户的交易行为数据构建二分图,然后利用高密子图挖掘算法确定商户的初始分类标签,该具体过程与利用高密子图挖掘算法确定待识别商户的初始分类标签的过程同理,故此处不再赘述。
可选的,在确定各个属性值对应的第二编码的过程中,由于有些属性值为离散型变量,例如,商户类型包括个体工商户、个人卖家、企业商户等,而有些属性值为连续型变量,例如,累积收款金额、***收款占比等。因此,在进行编码处理之前,可以先将连续性变量转换为离散型变量,例如,将商户收款金额划分为[0,2w)、[2w,5w)、[5w,10w)、[10w,50w)以及[50w,+∞)等。
进一步地,在得到第一编码和所有第二编码之后,目标识别***可以按照预设的拼接顺序对第一编码和所有第二编码进行拼接,从而得到商户的初始商户向量。例如,拼接顺序可以是将第一编码放在首位,然后按照当前商户的商户类型、当前商户在目标时间范围内的累计收款金额、***收款金额占比、测试金额笔数、大额近整消费笔数的顺序进行拼接。其中,上述的第一编码、第二编码的编码维度可以是8。
需要说明的是,通过上述过程,实现了在初始商户向量中有效的融入商户的分类信息和商户信息,从而便于提高对图神经网络模型的训练效果。
在一种可选的实施例中,初始图神经网络模型在训练过程中将初始商户向量更新为第二商户向量,并将初始用户向量更新为第二用户向量,其中,在根据待识别商户的商户信息以及初始分类标签确定待识别商户的第一商户向量的过程中,目标识别***可以从待识别商户的商户信息中提取得到多个属性值,然后根据多个商户的第二商户向量,确定待识别商户的商户信息中的各个属性值所对应的第三编码,接着根据多个商户的第二商户向量,确定待识别商户的初始分类标签对应的第四编码,从而对所有第三编码和第四编码进行拼接,得到待识别商户的第一商户向量。其中,第二商户向量中包含与商户的初始分类标签对应的编码以及与商户的商户信息中的各个属性值对应的编码。
可选的,目标识别***可以根据多个商户的第二商户向量,确定从待识别商户的商户信息中提取得到的多个属性值与编码之间的对应关系以及待识别商户的初始分类标签与编码之间的对应关系,从而可以依据前述的对应关系确定第三编码和第四编码。
例如,商户信息中包含商户类型和累积收款金额,若某一商户的商户类型为个体工商户,累积收款金额属于[0,2w),初始分类标签为目标商户,其初始商户向量为[111,222,123],依序对应上述的商户类型、累积收款金额以及初始分类标签,更新后得到的第二商户向量为[333,444,888],另一商户的商户类型为个人卖家,累积收款金额属于[0,2w),初始分类标签为非目标商户,其初始商户向量为[555,222,456],依序对应上述的商户类型、累积收款金额以及初始分类标签,更新后得到的第二商户向量为[666,444,999],则当待识别商户的商户类型为个体工商户,累积收款金额属于[0,2w),初始分类标签为非目标商户时,确定待识别商户的商户类型对应的第三编码为“333”,累积收款金额对应的第三编码为“444”,非目标商户对应的第四编码为“999”,即第一商户向量为[333,444,999]。即初始图神经网络模型在训练过程中对商户向量的更新过程,相当于是对多个属性值与编码之间的对应关系进行更新以及对初始分类标签与编码之间的对应关系进行更新的过程。
需要说明的是,通过确定多个商户的第二商户向量,实现了对多个属性值与编码之间的对应关系以及对初始分类标签与编码之间的对应关系的有效确定。进一步地,通过依据多个商户的第二商户向量确定第一商户向量,实现了对待识别商户的信息的有效表征,进而能够提高对待识别商户是否为目标商户的识别准确性。
在一种可选的实施例中,在获取与待识别商户具有交易关系的目标用户的第一用户向量的过程中,目标识别***可以判断目标用户是否存在于多个用户中,若目标用户未存在于多个用户中,从多个商户中确定与目标用户具有交易关系的商户,得到关联商户,并从多个用户中确定与目标用户具有交易关系的用户,得到关联用户,从而依据关联商户的第二商户向量和关联用户的第二用户向量,确定目标用户的第一用户向量。
可选的,若目标用户未存在于多个用户中,则确定目标用户为新用户,目标识别***中未存储有该目标用户的用户向量,因此,在此情况下,目标识别***可以依据多个商户最新的交易行为数据以及目标用户的交易数据,从上述的多个商户中确定与目标用户具有交易关系的商户,得到关联商户,并从上述的多个用户中确定与目标用户具有交易关系的用户,得到关联用户。
进一步地,由于多个商户最终的商户向量(即第二商户向量)和多个用户最终的用户向量(即第二用户向量)为在图神经网络模型训练过程中已确定的,因此,目标识别***可以采用对关联商户的第二商户向量和关联用户的第二用户向量进行加权求和的方式,确定目标用户的第一用户向量,可选的,目标识别***也可以采用其它计算方式对关联商户的第二商户向量和关联用户的第二用户向量进行计算,从而得到目标用户的第一用户向量。
其中,若目标用户是否存在于多个用户中,则可以查找目标用户对应的第二用户向量,从而将目标用户的第二用户向量作为目标用户的第一用户向量。
需要说明的是,通过依据与目标用户存在关系的商户、用户的向量确定目标用户的向量,实现了对第一用户向量的准确确定,进而便于提高图神经网络模型的识别效果,也即提高识别准确性。
在一种可选的实施例中,在利用高密子图挖掘算法判断待识别商户是否为目标商户,得到待识别商户的初始分类标签的过程中,目标识别***可以构建初始高密子图,然后从初始高密子图中确定目标高密子图,接着从初始高密子图中剔除目标高密子图中的节点和边,得到更新后的初始高密子图,并重复执行从更新后的初始高密子图中确定新的目标高密子图的步骤,直至达到预设迭代条件,从而依据待识别商户的商户节点与得到的所有目标高密子图之间的关系,确定待识别商户的初始分类标签,其中,初始高密子图中包括多个商户节点、多个用户节点以及连接于商户节点和用户节点之间的边,且多个商户节点中至少存在与待识别商户对应的商户节点,边为基于商户和用户之间的交易关系构建的,目标高密子图由初始高密子图中的部分节点和部分边组成,目标高密子图为嫌疑度满足预设条件的高密子图,嫌疑度由高密子图中节点的边的数量确定。
可选的,构建初始高密子图的过程即为前述构建二分图的过程,故此处不再赘述。进一步地,在得到初始高密子图之后,目标识别***可以不断从初始高密子图中剔除节点,并在每次剔除后依据fraudar算法计算剔除得到的初始高密子图的嫌疑度,从而依据嫌疑度从剔除得到的多个初始高密子图中选出目标高密子图,例如,预设条件可以是指将剔除得到的初始高密子图中目标嫌疑度最小的高密子图确定为目标高密子图,目标嫌疑度可以是将当前高密子图的嫌疑度除以当前高密子图中的节点数量得到的,可选的,也可以直接将当前高密子图的嫌疑度作为目标嫌疑度。
进一步地,在得到第一个目标高密子图之后,目标识别***可以从初始高密子图中剔除该目标高密子图中的节点和边,得到更新后的初始高密子图,然后再从更新后的初始高密子图中确定新的目标高密子图。进一步地,在确定了新的目标高密子图之后,目标识别***可以从更新后的初始高密子图中剔除新的目标高密子图,或者是从最初的初始高密子图中剔除所有已得到的目标高密子图,从而得到再次更新的初始高密子图,然后从再次更新的初始高密子图中确定下一个目标高密子图,直至达到预设的迭代条件,其中,预设的迭代条件可以是迭代次数达到预设次数,该迭代条件可以根据实际应用的需求进行调整,在此不作具体限定。
进一步地,目标识别***可以依据待识别商户的商户节点与得到的所有目标高密子图之间的关系,确定待识别商户的初始分类标签。
需要说明的是,通过上述过程,实现了对待识别商户以及其它多个商户的群体划分,并根据群体划分结果确定初始分类标签,从而可以有效提高初始分类标签的准确性。
在一种可选的实施例中,在依据待识别商户的商户节点与得到的所有目标高密子图之间的关系,确定待识别商户的初始分类标签的过程中,若待识别商户的商户节点存在于任一目标高密子图中,则目标识别***可以确定待识别商户的初始分类标签表征待识别商户为目标商户,若待识别商户的商户节点不存在于所有目标高密子图中,则目标识别***可以确定待识别商户的初始分类标签表征待识别商户为非目标商户。
即对于存在的目标高密子图中的商户节点,确认这些商户节点所对应的商户均为目标商户,反之,对于不存在于任一目标高密子图中的商户节点,确认这些商户节点对应的商户均为非目标商户。
需要说明的是,通过上述过程,实现了对初始分类标签的准确确定。
在一种可选的实施例中,在从初始高密子图中确定目标高密子图的过程中,目标识别***可以对于初始高密子图中的每个节点,依据节点的边的数量确定节点的节点嫌疑度,然后从初始高密子图中剔除节点嫌疑度最低的节点,并依据剔除后的初始高密子图中节点的节点嫌疑度,计算剔除后的初始高密子图的嫌疑度,从而重复执行从剔除后的初始高密子图中剔除节点嫌疑度最低的节点的步骤,直至剔除后的初始高密子图中不存在节点,依据嫌疑度从剔除得到的多个初始高密子图中确定目标高密子图。
其中,可以将节点的边的数量直接作为节点的节点嫌疑度,例如,若某一节点上连接有5条边,则节点嫌疑度为5。
可选的,目标识别***可以依据公式(1)计算剔除后的初始高密子图的嫌疑度:
f(S)=∑i∈Sai+∑i,j∈S∩(i,j)∈εcij (1)
其中,f(S)表示剔除后的初始高密子图的嫌疑度,ai表示剔除后的初始高密子图中第i个节点的节点嫌疑度,S表示剔除后的初始高密子图中的节点集合,ε表示由商户节点和用户节点之间进行两两任意组合得到的集合,即(i,j)∈ε表征剔除后的初始高密子图中第i个节点和第j个节点分别为商户节点和用户节点,cij表示连接于第i个节点和第j个节点之间的边的嫌疑度,其计算方式为dj表示第j个节点的嫌疑度,c为常数,一般取5。
进一步地,在计算得到剔除后的初始高密子图的嫌疑度之后,目标识别***可以从剔除后的初始高密子图中再剔除当前的节点嫌疑度最低的节点,得到新的剔除后的初始高密子图,然后计算新的剔除后的初始高密子图的嫌疑度,直至剔除后的初始高密子图中不存在节点,依据嫌疑度从剔除得到的多个初始高密子图中确定目标高密子图。
例如,在本实施例中,对于剔除得到的每个初始高密子图,目标识别***可以依据该初始高密子图的嫌疑度和该高密子图的节点数量,通过公式(2)计算得到目标嫌疑度:
其中,g(S)表示剔除后的初始高密子图的目标嫌疑度,|S|表示上述的集合S中的节点数量。其中,节点数量是指集合S中商户节点的数量与用户节点的数量和。
进一步地,目标识别***可以将目标嫌疑度最大的剔除后的初始高密子图确定为目标高密子图。
需要说明的是,通过上述过程,实现了对目标高密子图的有效确定。
由此可见,本申请所提供的方案达到了利用高密子图挖掘算法和图神经网络模型识别商户是否为目标商户的目的,从而实现了提高识别准确性的技术效果,进而解决了相关技术中从多个商户中识别风险商户时,存在的识别准确度低的技术问题。
实施例2
根据本发明实施例,提供了一种目标商户的识别装置的实施例,其中,图4是根据本发明实施例的一种可选的目标商户的识别装置的示意图,如图4所示,该装置包括:
判断模块401,用于利用高密子图挖掘算法判断待识别商户是否为目标商户,得到待识别商户的初始分类标签,其中,目标商户为具有交易风险的商户;
第一确定模块402,用于根据待识别商户的商户信息以及初始分类标签确定待识别商户的第一商户向量;
获取模块403,用于获取与待识别商户具有交易关系的目标用户的第一用户向量;
第一处理模块404,用于通过图神经网络模型依据第一商户向量、第一用户向量、待识别商户和目标用户之间的交易关系、目标用户之间的交易关系进行处理,得到待识别商户对应的识别结果,其中,识别结果用于确定待识别商户是否为目标商户。
需要说明的是,上述判断模块401、第一确定模块402、获取模块403以及第一处理模块404对应于上述实施例中的步骤S101至步骤S104,四个模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。
可选的,目标商户的识别装置还包括:第一构建模块,用于构建训练样本集,其中,训练样本集中的包含多个商户的初始商户向量、多个用户的初始用户向量、每个商户的真实分类标签、商户和用户之间的交易关系以及用户和用户之间的交易关系,多个商户中不包含待识别商户,真实分类标签用于表征当前商户是否为目标商户;训练模块,用于获取初始图神经网络模型,并利用训练样本集训练初始图神经网络模型,得到图神经网络模型。
可选的,目标商户的识别装置还包括:第二确定模块,用于对于多个商户中的每个商户,利用高密子图挖掘算法确定商户的初始分类标签;第二处理模块,用于对商户的初始分类标签进行编码处理,得到第一编码;第三处理模块,用于对商户的商户信息中的各个属性值进行编码处理,得到各个属性值对应的第二编码;拼接模块,用于对第一编码和所有第二编码进行拼接,得到商户的初始商户向量。
可选的,第一确定模块402还包括:提取子模块,用于从待识别商户的商户信息中提取得到多个属性值;第一确定子模块,用于根据多个商户的第二商户向量,确定待识别商户的商户信息中的各个属性值所对应的第三编码,其中,第二商户向量中包含与商户的初始分类标签对应的编码以及与商户的商户信息中的各个属性值对应的编码;第二确定子模块,用于根据多个商户的第二商户向量,确定待识别商户的初始分类标签对应的第四编码;拼接子模块,用于对所有第三编码和第四编码进行拼接,得到待识别商户的第一商户向量。
可选的,获取模块403还包括:判断子模块,用于判断目标用户是否存在于多个用户中;第三确定子模块,用于若目标用户未存在于多个用户中,从多个商户中确定与目标用户具有交易关系的商户,得到关联商户,并从多个用户中确定与目标用户具有交易关系的用户,得到关联用户;第四确定子模块,用于依据关联商户的第二商户向量和关联用户的第二用户向量,确定目标用户的第一用户向量。
可选的,判断模块401还包括:构建子模块,用于构建初始高密子图,其中,初始高密子图中包括多个商户节点、多个用户节点以及连接于商户节点和用户节点之间的边,且多个商户节点中至少存在与待识别商户对应的商户节点,边为基于商户和用户之间的交易关系构建的;第五确定子模块,用于从初始高密子图中确定目标高密子图,其中,目标高密子图由初始高密子图中的部分节点和部分边组成,目标高密子图为嫌疑度满足预设条件的高密子图,嫌疑度由高密子图中节点的边的数量确定;处理子模块,用于从初始高密子图中剔除目标高密子图中的节点和边,得到更新后的初始高密子图,并重复执行从更新后的初始高密子图中确定新的目标高密子图的步骤,直至达到预设迭代条件;第六确定子模块,用于依据待识别商户的商户节点与得到的所有目标高密子图之间的关系,确定待识别商户的初始分类标签。
可选的,第六确定子模块还包括:第一确定单元,用于若待识别商户的商户节点存在于任一目标高密子图中,则确定待识别商户的初始分类标签表征待识别商户为目标商户;第二确定单元,用于若待识别商户的商户节点不存在于所有目标高密子图中,则确定待识别商户的初始分类标签表征待识别商户为非目标商户。
可选的,第五确定子模块还包括:第三确定单元,用于对于初始高密子图中的每个节点,依据节点的边的数量确定节点的节点嫌疑度;处理单元,用于从初始高密子图中剔除节点嫌疑度最低的节点,并依据剔除后的初始高密子图中节点的节点嫌疑度,计算剔除后的初始高密子图的嫌疑度;第四确定单元,用于重复执行从剔除后的初始高密子图中剔除节点嫌疑度最低的节点的步骤,直至剔除后的初始高密子图中不存在节点,依据嫌疑度从剔除得到的多个初始高密子图中确定目标高密子图。
实施例3
根据本发明实施例的另一方面,还提供了计算机可读存储介质,计算机可读存储介质中存储有计算机程序,其中,计算机程序被设置为运行时执行上述的目标商户的识别方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种目标商户的识别方法,其特征在于,包括:
利用高密子图挖掘算法判断待识别商户是否为目标商户,得到所述待识别商户的初始分类标签,其中,所述目标商户为具有交易风险的商户;
根据所述待识别商户的商户信息以及初始分类标签确定所述待识别商户的第一商户向量;
获取与所述待识别商户具有交易关系的目标用户的第一用户向量;
通过图神经网络模型依据所述第一商户向量、所述第一用户向量、所述待识别商户和所述目标用户之间的交易关系、所述目标用户之间的交易关系进行处理,得到所述待识别商户对应的识别结果,其中,所述识别结果用于确定所述待识别商户是否为所述目标商户。
2.根据权利要求1所述的方法,其特征在于,所述图神经网络模型通过以下方式得到:
构建训练样本集,其中,所述训练样本集中的包含多个商户的初始商户向量、多个用户的初始用户向量、每个商户的真实分类标签、所述商户和用户之间的交易关系以及所述用户和用户之间的交易关系,所述多个商户中不包含所述待识别商户,所述真实分类标签用于表征当前商户是否为所述目标商户;
获取初始图神经网络模型,并利用所述训练样本集训练所述初始图神经网络模型,得到所述图神经网络模型。
3.根据权利要求2所述的方法,其特征在于,商户信息中包含多个属性值,其中,在构建训练样本集之前,所述方法还包括:
对于所述多个商户中的每个商户,利用所述高密子图挖掘算法确定所述商户的初始分类标签;
对所述商户的初始分类标签进行编码处理,得到第一编码;
对所述商户的商户信息中的各个属性值进行编码处理,得到各个属性值对应的第二编码;
对所述第一编码和所有第二编码进行拼接,得到所述商户的初始商户向量。
4.根据权利要求2所述的方法,其特征在于,所述初始图神经网络模型在训练过程中将初始商户向量更新为第二商户向量,并将初始用户向量更新为第二用户向量,其中,根据所述待识别商户的商户信息以及初始分类标签确定所述待识别商户的第一商户向量,包括:
从所述待识别商户的商户信息中提取得到多个属性值;
根据所述多个商户的第二商户向量,确定所述待识别商户的商户信息中的各个属性值所对应的第三编码,其中,所述第二商户向量中包含与所述商户的初始分类标签对应的编码以及与所述商户的商户信息中的各个属性值对应的编码;
根据所述多个商户的第二商户向量,确定所述待识别商户的初始分类标签对应的第四编码;
对所有第三编码和所述第四编码进行拼接,得到所述待识别商户的第一商户向量。
5.根据权利要求2所述的方法,其特征在于,获取与所述待识别商户具有交易关系的目标用户的第一用户向量,包括:
判断所述目标用户是否存在于所述多个用户中;
若所述目标用户未存在于所述多个用户中,从所述多个商户中确定与所述目标用户具有交易关系的商户,得到关联商户,并从所述多个用户中确定与所述目标用户具有交易关系的用户,得到关联用户;
依据所述关联商户的第二商户向量和所述关联用户的第二用户向量,确定所述目标用户的第一用户向量。
6.根据权利要求1所述的方法,其特征在于,利用高密子图挖掘算法判断待识别商户是否为目标商户,得到所述待识别商户的初始分类标签,包括:
构建初始高密子图,其中,所述初始高密子图中包括多个商户节点、多个用户节点以及连接于商户节点和用户节点之间的边,且所述多个商户节点中至少存在与所述待识别商户对应的商户节点,所述边为基于所述商户和所述用户之间的交易关系构建的;
从所述初始高密子图中确定目标高密子图,其中,所述目标高密子图由所述初始高密子图中的部分节点和部分边组成,所述目标高密子图为嫌疑度满足预设条件的高密子图,所述嫌疑度由高密子图中节点的边的数量确定;
从所述初始高密子图中剔除所述目标高密子图中的节点和边,得到更新后的初始高密子图,并重复执行从所述更新后的初始高密子图中确定新的目标高密子图的步骤,直至达到预设迭代条件;
依据所述待识别商户的商户节点与得到的所有目标高密子图之间的关系,确定所述待识别商户的初始分类标签。
7.根据权利要求6所述的方法,其特征在于,依据所述待识别商户的商户节点与得到的所有目标高密子图之间的关系,确定所述待识别商户的初始分类标签,包括:
若所述待识别商户的商户节点存在于任一目标高密子图中,则确定所述待识别商户的初始分类标签表征所述待识别商户为所述目标商户;
若所述待识别商户的商户节点不存在于所有目标高密子图中,则确定所述待识别商户的初始分类标签表征所述待识别商户为非目标商户。
8.根据权利要求6所述的方法,其特征在于,从所述初始高密子图中确定目标高密子图,包括:
对于所述初始高密子图中的每个节点,依据所述节点的边的数量确定所述节点的节点嫌疑度;
从所述初始高密子图中剔除节点嫌疑度最低的节点,并依据剔除后的初始高密子图中节点的节点嫌疑度,计算所述剔除后的初始高密子图的嫌疑度;
重复执行从所述剔除后的初始高密子图中剔除节点嫌疑度最低的节点的步骤,直至所述剔除后的初始高密子图中不存在节点,依据嫌疑度从剔除得到的多个初始高密子图中确定目标高密子图。
9.一种目标商户的识别装置,其特征在于,包括:
判断模块,用于利用高密子图挖掘算法判断待识别商户是否为目标商户,得到所述待识别商户的初始分类标签,其中,所述目标商户为具有交易风险的商户;
第一确定模块,用于根据所述待识别商户的商户信息以及初始分类标签确定所述待识别商户的第一商户向量;
获取模块,用于获取与所述待识别商户具有交易关系的目标用户的第一用户向量;
第一处理模块,用于通过图神经网络模型依据所述第一商户向量、所述第一用户向量、所述待识别商户和所述目标用户之间的交易关系、所述目标用户之间的交易关系进行处理,得到所述待识别商户对应的识别结果,其中,所述识别结果用于确定所述待识别商户是否为所述目标商户。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至8任一项中所述的目标商户的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311372081.3A CN117709977A (zh) | 2023-10-20 | 2023-10-20 | 目标商户的识别方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311372081.3A CN117709977A (zh) | 2023-10-20 | 2023-10-20 | 目标商户的识别方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117709977A true CN117709977A (zh) | 2024-03-15 |
Family
ID=90150390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311372081.3A Pending CN117709977A (zh) | 2023-10-20 | 2023-10-20 | 目标商户的识别方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117709977A (zh) |
-
2023
- 2023-10-20 CN CN202311372081.3A patent/CN117709977A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009174B (zh) | 风险识别模型训练方法、装置及服务器 | |
CN111291816B (zh) | 针对用户分类模型进行特征处理的方法及装置 | |
CN108960833B (zh) | 一种基于异构金融特征的异常交易识别方法,设备及存储介质 | |
CN111882446B (zh) | 一种基于图卷积网络的异常账户检测方法 | |
CN111325619A (zh) | 一种基于联合学习的***欺诈检测模型更新方法及装置 | |
CN111199474A (zh) | 一种基于双方网络图数据的风险预测方法、装置和电子设备 | |
CN111222976A (zh) | 一种基于双方网络图数据的风险预测方法、装置和电子设备 | |
CN115965058B (zh) | 神经网络训练方法、实体信息分类方法、装置及存储介质 | |
CN114862587A (zh) | 异常交易账户的识别方法、装置及计算机可读存储介质 | |
CN110929525A (zh) | 一种网贷风险行为分析检测方法、装置、设备和存储介质 | |
CN114782161A (zh) | 识别风险用户的方法、装置、存储介质及电子装置 | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
CN113641906A (zh) | 基于资金交易关系数据实现相似目标人员识别处理的***、方法、装置、处理器及其介质 | |
CN112990989B (zh) | 价值预测模型输入数据生成方法、装置、设备和介质 | |
CN114399367A (zh) | 保险产品推荐方法、装置、设备及存储介质 | |
CN112966728A (zh) | 一种交易监测的方法及装置 | |
CN112801784A (zh) | 一种数字货币交易所的比特币地址挖掘方法及装置 | |
CN114723554B (zh) | 异常账户识别方法及装置 | |
CN116821759A (zh) | 类别标签的识别预测方法、装置和处理器及电子设备 | |
CN113554438A (zh) | 账号的识别方法、装置、电子设备及计算机可读介质 | |
CN110619564B (zh) | 一种反欺诈特征生成方法和装置 | |
CN112330328A (zh) | 一种基于特征提取的***欺诈检测方法 | |
CN117709977A (zh) | 目标商户的识别方法、装置及存储介质 | |
CN112632219B (zh) | 一种垃圾短信的拦截方法和拦截装置 | |
CN114612239A (zh) | 基于算法、大数据、人工智能的股票舆情监测和风控*** |
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 |