[發(fā)明專利]訓(xùn)練神經(jīng)網(wǎng)絡(luò)的方法、行為檢測方法及行為檢測裝置

在審

• 申請?zhí)枺?/td>: 202110016879.9
• 申請日: 2021-01-07
• 公開（公告）號: CN112733995A
• 公開（公告）日: 2021-04-30
• 發(fā)明（設(shè)計(jì)）人: 鄧美林;楊洋;馮城城;傅媛媛
• 申請（專利權(quán)）人: 中國工商銀行股份有限公司
• 主分類號: G06N3/00
• 分類號: G06N3/00;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 中科專利商標(biāo)代理有限責(zé)任公司 11021
• 代理人: 李春偉

本公開提供了一種訓(xùn)練神經(jīng)網(wǎng)絡(luò)的方法、行為檢測方法及行為檢測裝置，可用于人工智能領(lǐng)域或其他領(lǐng)域，神經(jīng)網(wǎng)絡(luò)包括：輸入層，用于將資源轉(zhuǎn)移訓(xùn)練數(shù)據(jù)傳輸給隱含層；隱含層，用于將資源轉(zhuǎn)移訓(xùn)練數(shù)據(jù)從低維空間映射到高維空間的至少一個(gè)指定維度上，得到針對至少一個(gè)指定維度的輸出結(jié)果；輸出層，用于輸出針對至少一個(gè)指定維度的輸出結(jié)果，以便基于針對至少一個(gè)指定維度的輸出結(jié)果確定用戶資源轉(zhuǎn)移行為畫像和資源轉(zhuǎn)移異常檢測模型；該方法包括：利用神經(jīng)網(wǎng)絡(luò)處理資源轉(zhuǎn)移訓(xùn)練數(shù)據(jù)；基于梯度下降法至少調(diào)整隱含層的網(wǎng)絡(luò)參數(shù)取值，使得神經(jīng)網(wǎng)絡(luò)的聚類中心趨近于通過聚類算法得到的聚類中心，得到第一網(wǎng)絡(luò)參數(shù)取值。

技術(shù)領(lǐng)域

本公開涉及人工智能技術(shù)領(lǐng)域，更具體地，涉及一種訓(xùn)練神經(jīng)網(wǎng)絡(luò)的方法、行為檢測方法及行為檢測裝置。

背景技術(shù)

伴隨“互聯(lián)網(wǎng)+”浪潮的興起，運(yùn)用互聯(lián)網(wǎng)升級傳統(tǒng)產(chǎn)業(yè)進(jìn)行工業(yè)賦能和智能升級是大勢所趨，越來越多的銀行金融、電商物流等傳統(tǒng)商業(yè)交易轉(zhuǎn)移到線上。同時(shí)這些便捷的支付交易技術(shù)也帶來交易欺詐和資金盜取的風(fēng)險(xiǎn)。因此，需要對異常交易進(jìn)行檢測識(shí)別，降低用戶資金被盜風(fēng)險(xiǎn)，保障用戶和機(jī)構(gòu)的交易安全。

在實(shí)現(xiàn)本公開構(gòu)思的過程中，申請人發(fā)現(xiàn)相關(guān)技術(shù)中至少存在如下問題，現(xiàn)有的異常交易檢測方法，不易實(shí)現(xiàn)計(jì)算出各用戶的個(gè)性化定制交易閾值，使得異常交易檢測的準(zhǔn)確率無法滿足用戶需求。

發(fā)明內(nèi)容

有鑒于此，本公開提供了一種訓(xùn)練神經(jīng)網(wǎng)絡(luò)的方法、行為檢測方法及行為檢測裝置，以至少部分解決現(xiàn)有技術(shù)不易實(shí)現(xiàn)計(jì)算出各用戶的個(gè)性化定制交易閾值，使得異常交易檢測的準(zhǔn)確率無法滿足用戶需求的問題。

本公開的一個(gè)方面提供了訓(xùn)練神經(jīng)網(wǎng)絡(luò)的方法，包括：輸入層，用于將資源轉(zhuǎn)移訓(xùn)練數(shù)據(jù)傳輸給隱含層；隱含層，用于將資源轉(zhuǎn)移訓(xùn)練數(shù)據(jù)從低維空間映射到高維空間的至少一個(gè)指定維度上，得到針對至少一個(gè)指定維度的輸出結(jié)果；以及輸出層，用于輸出針對至少一個(gè)指定維度的輸出結(jié)果，以便基于針對至少一個(gè)指定維度的輸出結(jié)果確定用戶資源轉(zhuǎn)移行為畫像和資源轉(zhuǎn)移異常檢測模型。上述方法包括：基于梯度下降法至少調(diào)整隱含層的網(wǎng)絡(luò)參數(shù)取值，使得神經(jīng)網(wǎng)絡(luò)的聚類中心趨近于通過聚類算法得到的聚類中心，得到第一網(wǎng)絡(luò)參數(shù)取值，行為類型包括正常行為類型和異常行為類型。

本公開的一個(gè)方面提供了一種異常行為檢測方法，包括：獲取資源轉(zhuǎn)移請求，資源轉(zhuǎn)移請求包括資源轉(zhuǎn)移數(shù)據(jù)；利用經(jīng)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)處理資源轉(zhuǎn)移數(shù)據(jù)，得到資源轉(zhuǎn)移異常檢測模型；以及基于資源轉(zhuǎn)移異常檢測模型和用戶資源轉(zhuǎn)移行為畫像處理資源轉(zhuǎn)移數(shù)據(jù)，得到資源轉(zhuǎn)移數(shù)據(jù)的行為類型，以基于資源轉(zhuǎn)移數(shù)據(jù)的行為類型處理資源轉(zhuǎn)移請求；其中，神經(jīng)網(wǎng)絡(luò)包括：輸入層，用于將資源轉(zhuǎn)移訓(xùn)練數(shù)據(jù)傳輸給隱含層；隱含層，用于將資源轉(zhuǎn)移訓(xùn)練數(shù)據(jù)從低維空間映射到高維空間的至少一個(gè)指定維度上，得到針對至少一個(gè)指定維度的輸出結(jié)果；輸出層，用于輸出針對至少一個(gè)指定維度的輸出結(jié)果，以便基于針對至少一個(gè)指定維度的輸出結(jié)果確定用戶資源轉(zhuǎn)移行為畫像和資源轉(zhuǎn)移異常檢測模型；神經(jīng)網(wǎng)絡(luò)通過如下方式進(jìn)行訓(xùn)練：基于梯度下降法至少調(diào)整隱含層的網(wǎng)絡(luò)參數(shù)取值，使得神經(jīng)網(wǎng)絡(luò)的聚類中心趨近于通過聚類算法得到的聚類中心，得到第一網(wǎng)絡(luò)參數(shù)取值，行為類型包括正常行為類型和異常行為類型。

本公開的一個(gè)方面提供了一種異常行為檢測裝置，包括：請求獲取模塊，用于獲取資源轉(zhuǎn)移請求，資源轉(zhuǎn)移請求包括資源轉(zhuǎn)移數(shù)據(jù)；數(shù)據(jù)處理模塊，用于利用經(jīng)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)處理資源轉(zhuǎn)移數(shù)據(jù)，得到資源轉(zhuǎn)移異常檢測模型；以及行為類型確定模塊，用于基于資源轉(zhuǎn)移異常檢測模型和用戶資源轉(zhuǎn)移行為畫像處理資源轉(zhuǎn)移數(shù)據(jù)，得到資源轉(zhuǎn)移數(shù)據(jù)的行為類型，以基于行為類型處理資源轉(zhuǎn)移請求；其中，神經(jīng)網(wǎng)絡(luò)包括：輸入層，用于將資源轉(zhuǎn)移訓(xùn)練數(shù)據(jù)傳輸給隱含層；隱含層，用于將資源轉(zhuǎn)移訓(xùn)練數(shù)據(jù)從低維空間映射到高維空間的至少一個(gè)指定維度上，得到針對至少一個(gè)指定維度的輸出結(jié)果；輸出層，用于輸出針對至少一個(gè)指定維度的輸出結(jié)果，以便基于針對至少一個(gè)指定維度的輸出結(jié)果確定用戶資源轉(zhuǎn)移行為畫像和資源轉(zhuǎn)移異常檢測模型；神經(jīng)網(wǎng)絡(luò)通過如下方式進(jìn)行訓(xùn)練：基于梯度下降法至少調(diào)整隱含層的網(wǎng)絡(luò)參數(shù)取值，使得神經(jīng)網(wǎng)絡(luò)的聚類中心趨近于通過聚類算法得到的聚類中心，得到第一網(wǎng)絡(luò)參數(shù)取值，行為類型包括正常行為類型和異常行為類型。