[發(fā)明專(zhuān)利]盜賬戶案件分析方法和裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 201410815613.0
• 申請(qǐng)日: 2014-12-23
• 公開(kāi)（公告）號(hào): CN105787497A
• 公開(kāi)（公告）日: 2016-07-20
• 發(fā)明（設(shè)計(jì)）人: 祝志博;陳秋純;張英
• 申請(qǐng)（專(zhuān)利權(quán)）人: 阿里巴巴集團(tuán)控股有限公司
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62;G06N3/02
• 代理公司: 北京億騰知識(shí)產(chǎn)權(quán)代理事務(wù)所 11309
• 代理人: 戴燕

技術(shù)領(lǐng)域

本申請(qǐng)涉及網(wǎng)絡(luò)安全技術(shù)領(lǐng)域，尤其涉及一種盜賬戶案件分析方法和裝 置。

背景技術(shù)

隨著網(wǎng)絡(luò)支付的不斷發(fā)展和演化，盜賬戶案件也越來(lái)越趨向于復(fù)雜化和 智能化。特別地,近段時(shí)間在盜賬戶案件中開(kāi)始浮現(xiàn)熟人操作賬戶虛假報(bào)案。 這種熟人操作虛假報(bào)案都普遍存在有意或無(wú)意的騙賠性質(zhì),網(wǎng)絡(luò)支付公司需 要有力甄別并果斷地給予不賠付的應(yīng)答。

現(xiàn)有技術(shù)中的盜賬戶案件分析方法通常包括如下步驟，即數(shù)據(jù)獲取、數(shù) 據(jù)預(yù)處理、特征提取和選擇以及最后的模式分類(lèi)。雖然現(xiàn)在絕大多數(shù)的研究 和應(yīng)用在最后的模型分類(lèi)，但是良好的特征提取和選擇，往往對(duì)算法的最終 準(zhǔn)確性起到至關(guān)重要的作用?，F(xiàn)有的特征提取和選擇一般都是人工完成，也 即建模研究人員和工程師對(duì)業(yè)務(wù)的理解對(duì)最終的模型性能起到了決定性的作 用，而且，建模應(yīng)用所占的絕大部分工作時(shí)間都耗在了特征提取和選擇的計(jì) 算及測(cè)試過(guò)程之中。

由上可見(jiàn)，現(xiàn)有技術(shù)中的盜賬戶案件分析方法多依賴(lài)于人工來(lái)完成，不 僅耗時(shí)耗力，而且判決結(jié)果主觀性強(qiáng)。

發(fā)明內(nèi)容

本申請(qǐng)實(shí)施例提供了一種盜賬戶案件分析方法和裝置，可以減輕案件審理 人員的工作強(qiáng)度，同時(shí)提高判決結(jié)果的客觀性。

第一方面，提供了一種盜賬戶案件分析方法，該方法包括：

獲取待分析盜賬戶案件的第一特征數(shù)據(jù)；

根據(jù)所述第一特征數(shù)據(jù)構(gòu)建原始特征輸入向量；

將所述原始特征輸入向量作為深度神經(jīng)網(wǎng)絡(luò)模型的原始特征輸入層的輸 入向量，通過(guò)所述深度神經(jīng)網(wǎng)絡(luò)模型的輸出層獲得所述待分析盜賬戶案件的 分析結(jié)果，其中，所述深度神經(jīng)網(wǎng)絡(luò)模型包括至少三層的隱性特征層，所述 隱性特征層的輸出向量與所述原始特征輸入層的輸入向量具有相同的元素個(gè) 數(shù)。

優(yōu)選地，所述根據(jù)所述第一特征數(shù)據(jù)構(gòu)建原始特征輸入向量，具體包括：

對(duì)所述第一特征數(shù)據(jù)進(jìn)行歸一化處理得到第二特征數(shù)據(jù)；

根據(jù)所述第二特征數(shù)據(jù)構(gòu)建原始特征輸入向量。

優(yōu)選地，所述獲取待分析盜賬戶案件的第一特征數(shù)據(jù)之前，所述方法還包 括：

獲取樣本盜賬戶案件的樣本特征數(shù)據(jù)和所述樣本盜賬戶案件的樣本分析 結(jié)果；

根據(jù)所述樣本特征數(shù)據(jù)構(gòu)建樣本原始特征輸入向量；

將所述樣本原始特征輸入向量作為深度神經(jīng)網(wǎng)絡(luò)模型的原始特征輸入層 的輸入向量，將所述樣本分析結(jié)果作為所述深度神經(jīng)網(wǎng)絡(luò)模型的輸出層的輸 出結(jié)果，進(jìn)行深度神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)。

優(yōu)選地，所述進(jìn)行深度神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)，具體包括：

基于最小化重構(gòu)誤差準(zhǔn)則，在滿足性能閾值的條件下，為所述深度神經(jīng)網(wǎng) 絡(luò)模型逐層進(jìn)行特征信息提煉；

通過(guò)統(tǒng)計(jì)分類(lèi)器建模獲得的分類(lèi)結(jié)果與所述樣本分析結(jié)果相同的概率，對(duì) 所述深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行性能評(píng)估；

當(dāng)所述性能評(píng)估的評(píng)估結(jié)果滿足要求時(shí)，確認(rèn)完成所述深度神經(jīng)網(wǎng)絡(luò)模型 學(xué)習(xí)；

當(dāng)所述性能評(píng)估的評(píng)估結(jié)果不滿足要求時(shí)，調(diào)整所述性能閾值重新進(jìn)行特 征信息提煉。

優(yōu)選地，所述基于最小化重構(gòu)誤差準(zhǔn)則，在滿足性能閾值的條件下，為所 述深度神經(jīng)網(wǎng)絡(luò)模型逐層進(jìn)行特征信息提煉，具體包括：

在每次特征信息提煉后，反推來(lái)驗(yàn)證所述特征信息提煉是否滿足性能閾 值；

當(dāng)驗(yàn)證結(jié)果為所述特征信息提煉滿足所述性能閾值時(shí)，確認(rèn)完成該層的特 征信息提煉；

當(dāng)驗(yàn)證結(jié)果為所述特征信息提煉不滿足所述性能閾值時(shí)，調(diào)整該層的權(quán)值 矩陣重新進(jìn)行該層的特征信息提煉。

第二方面，提供了一種盜賬戶案件分析裝置，該裝置包括：第一數(shù)據(jù)獲取 單元、第一向量構(gòu)建單元和分析單元；

所述第一數(shù)據(jù)獲取單元，用于獲取待分析盜賬戶案件的第一特征數(shù)據(jù)；

所述第一向量構(gòu)建單元，用于根據(jù)所述第一數(shù)據(jù)獲取單元獲取的第一特征 數(shù)據(jù)構(gòu)建原始特征輸入向量；

所述分析單元，用于將所述第一向量構(gòu)建單元構(gòu)建的原始特征輸入向量作 為深度神經(jīng)網(wǎng)絡(luò)模型的原始特征輸入層的輸入向量，通過(guò)所述深度神經(jīng)網(wǎng)絡(luò) 模型的輸出層獲得所述待分析盜賬戶案件的分析結(jié)果，其中，所述深度神經(jīng) 網(wǎng)絡(luò)模型包括至少三層的隱性特征層，所述隱性特征層的輸出向量與所述原 始特征輸入層的輸入向量具有相同的元素個(gè)數(shù)。

優(yōu)選地，所述第一向量構(gòu)建單元具體包括：