[發明專利]一種數據異常檢測方法與裝置

在審

• 申請號: 201911317683.2
• 申請日: 2019-12-19
• 公開（公告）號: CN111126622A
• 公開（公告）日: 2020-05-08
• 發明（設計）人: 臧大衛
• 申請（專利權）人: 中國銀聯股份有限公司
• 主分類號: G06N20/00
• 分類號: G06N20/00;G06N3/04;G06N3/08;G06Q40/04
• 代理公司: 北京同達信恒知識產權代理有限公司 11291
• 代理人: 王春波

本發明實施例涉及數據處理技術領域，尤其涉及一種數據異常檢測方法與裝置，用以提高數據檢測的準確性和精確度。本發明實施例包括：獲取待測對象的檢測樣本數據；根據檢測樣本數據，確定待測對象對應于第一機器學習模型的第一檢測特征值，以及對應于規則算法的第二檢測特征值，規則算法中包含至少一個判斷邏輯；將第一機器學習模型對應的第一檢測特征值輸入已訓練的機器學習模型，得到待測對象的第一輸出向量，并且將規則算法對應的第二檢測特征值輸入規則算法中，得到待測對象的第二輸出向量；將第一輸出向量和第二輸出向量輸入已訓練的第二機器學習模型，確定待測對象的輸出風險指數；根據輸出風險指數，確定待測對象的異常判定結果。

技術領域

本發明涉及數據處理技術領域，尤其涉及一種數據異常檢測方法與裝置。

背景技術

互聯網和互聯網金融的快速發展給風控系統帶來了前所未有的挑戰，欺詐交易的形式、方式越發多種多樣，隱蔽性高，難以挖掘，傳統的規則引擎風控方法越發乏力。近年深度學習的快速發展為解決這一問題提供了另一種思路，開發深度引擎，通過深度學習構建模型挖掘隱含信息，辨別欺詐交易，已有不錯的成果。

制定規則檢測異常數據，在部分場景仍有不可取代的優勢。但目前進行異常數據檢測多為單獨使用深度學習算法，準確性和精確度有待進一步提高。

發明內容

本申請提供一種數據異常檢測方法與裝置，用以提高數據檢測的準確性和精確度。

本發明實施例提供的一種數據異常檢測方法，包括：

獲取待測對象的檢測樣本數據；

根據所述檢測樣本數據，確定所述待測對象對應于第一機器學習模型的第一檢測特征值，以及對應于規則算法的第二檢測特征值，所述規則算法中包含至少一個判斷邏輯；

將所述第一機器學習模型對應的第一檢測特征值輸入已訓練的機器學習模型，得到所述待測對象的第一輸出向量，并且將所述規則算法對應的第二檢測特征值輸入所述規則算法中，得到所述待測對象的第二輸出向量；

將所述第一輸出向量和第二輸出向量輸入已訓練的第二機器學習模型，確定所述待測對象的輸出風險指數；

根據所述輸出風險指數，確定所述待測對象的異常判定結果。

一種可選的實施例中，所述第二輸出向量包含至少一個輸出標識；所述將所述待測對象的第二檢測特征值輸入所述規則算法中，得到所述待測對象的第二輸出向量，包括：

確定判定結果與輸出標識的對應關系；

針對所述規則算法中的每一個判斷邏輯，利用對應的第二檢測特征值，根據所述判斷邏輯進行判定，得到對應的判定結果，并根據所述判定結果確定對應的輸出標識；

按照預定順序將所有輸出標識組成所述第二輸出向量。

一種可選的實施例中，所述第一機器學習模型為神經網絡模型，所述第二機器學習模型為邏輯回歸模型。

一種可選的實施例中，所述神經網絡模型利用以下方式進行訓練：

獲取歷史時間段內的訓練樣本數據；

根據所述訓練樣本數據，選擇訓練對象對應于所述神經網絡模型的第一訓練特征，并確定第一訓練特征對應的第一訓練特征值；

將所述第一訓練特征值輸入初始神經網絡模型，并根據得到的機器風險指數及所述訓練對象的異常判定結果計算損失函數，當所述損失函數小于預設閾值時，確定對應的第一參數為所述神經網絡模型對應的第一參數，得到已訓練的神經網絡模型；

所述邏輯回歸模型利用以下方式進行訓練：

從所述已訓練的神經網絡模型中獲取訓練對象的第一輸出向量；