[發(fā)明專利]一種用戶異常模式識別方法、裝置以及設(shè)備

有效

• 申請?zhí)枺?/td>: 202110316092.4
• 申請日: 2021-03-24
• 公開（公告）號: CN113052324B
• 公開（公告）日: 2022-08-02
• 發(fā)明（設(shè)計）人: 孫富;馮琛;唐韻
• 申請（專利權(quán)）人: 支付寶（杭州）信息技術(shù)有限公司
• 主分類號: G06N20/00
• 分類號: G06N20/00;G06N3/08;G06N3/04;G06K9/62;G06Q40/04
• 代理公司: 北京君慧知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11716
• 代理人: 吳紹群

1.一種用戶異常模式識別方法，包括：

確定包含指定的特征轉(zhuǎn)換結(jié)構(gòu)的識別模型；

獲取第一樣本集，并根據(jù)所述第一樣本集，對所述特征轉(zhuǎn)換結(jié)構(gòu)進行訓(xùn)練，得到所述特征轉(zhuǎn)換結(jié)構(gòu)包含的多維參數(shù)，每個多維參數(shù)中的每個維度也是一個參數(shù)；

獲取第二樣本集，所述第二樣本集包括曾處于用戶異常模式的用戶的相關(guān)數(shù)據(jù)；

對所述多維參數(shù)中維度取值之間的比例關(guān)系進行鎖定，并為所述多維參數(shù)確定整體的放縮系數(shù)和偏置系數(shù)；

根據(jù)所述第二樣本集，對所述識別模型進行元學(xué)習(xí)，以調(diào)整所述放縮系數(shù)和所述偏置系數(shù)；

通過所述元學(xué)習(xí)后的識別模型，判定待識別用戶是否處于用戶異常模式。

2.如權(quán)利要求1所述的方法，所述根據(jù)所述第二樣本集，對所述識別模型進行元學(xué)習(xí)，具體包括：

獲取所述第二樣本集對應(yīng)的標(biāo)簽，所述標(biāo)簽指示了正常行為模式或者屬于用戶異常模式的非法所得合法化行為模式；

獲取所述第二樣本集包含的用戶的特征，以及所述用戶的行為對象的特征；

根據(jù)所述標(biāo)簽，以及所述用戶的特征和所述行為對象的特征，對所述識別模型進行元學(xué)習(xí)。

3.如權(quán)利要求2所述的方法，所述根據(jù)所述標(biāo)簽，以及所述用戶的特征和所述行為對象的特征，對所述識別模型進行元學(xué)習(xí)，具體包括：

獲取所述用戶及所述行為對象的交易行為特征、畫像特征、歷史風(fēng)險特征；

根據(jù)所述獲取的特征，判斷所述用戶及所述行為對象所屬行業(yè)的相似性；

根據(jù)所述標(biāo)簽、所述相似性，以及通過所述識別模型挖掘或預(yù)設(shè)的多種用戶行為模式，對所述識別模型進行元學(xué)習(xí)；

根據(jù)指定的所述用戶行為模式，對所述元學(xué)習(xí)過的識別模型進行少樣本元學(xué)習(xí)。

4.如權(quán)利要求1所述的方法，所述根據(jù)所述第一樣本集，對所述特征轉(zhuǎn)換結(jié)構(gòu)進行訓(xùn)練，具體包括：

確定所述特征轉(zhuǎn)換結(jié)構(gòu)包含的因子分解機層和隱藏層；

根據(jù)所述第一樣本集，通過對所述因子分解機層和/或隱藏層進行有監(jiān)督訓(xùn)練，調(diào)整所述多維參數(shù)中的維度取值，以及所述維度取值之間的比例關(guān)系。

5.如權(quán)利要求1所述的方法，所述獲取第二樣本集，具體包括：

根據(jù)所述第一樣本集，獲取樣本數(shù)量遠(yuǎn)少于所述第一樣本集的第二樣本集。

6.如權(quán)利要求1所述的方法，所述根據(jù)所述第二樣本集，所述對所述識別模型進行元學(xué)習(xí)，具體包括：

根據(jù)所述第二樣本集，確定多個包含多個樣本的任務(wù)；

根據(jù)所述任務(wù)訓(xùn)練所述識別模型，在該訓(xùn)練過程中通過進行一階梯度計算，得到任務(wù)損失總和；

根據(jù)所述任務(wù)損失總和進行二階梯度計算，確定所述識別模型的元學(xué)習(xí)結(jié)果。

7.如權(quán)利要求6所述的方法，所述根據(jù)所述第二樣本集，確定多個包含多個樣本的任務(wù)，具體包括：

獲取由無標(biāo)簽樣本構(gòu)成的第三樣本集；

根據(jù)所述第三樣本集和所述第二樣本集中的有標(biāo)簽樣本，對所述識別模型進行訓(xùn)練，根據(jù)該訓(xùn)練后的識別模型對所述第三樣本集的識別結(jié)果，為所述無標(biāo)簽樣本生成標(biāo)簽；

根據(jù)所述第二樣本集和包含所述標(biāo)簽的所述第三樣本集，確定多個包含多個樣本的任務(wù)。

8.如權(quán)利要求6所述的方法，所述根據(jù)所述任務(wù)損失總和進行二階梯度計算，具體包括：

獲取根據(jù)所述用戶異常模式對應(yīng)的歷史數(shù)據(jù)指定的校正特征；

根據(jù)所述校正特征，在所述任務(wù)損失總和對應(yīng)的樣本中進行匹配；

若匹配成功，則生成相應(yīng)的校正損失，并根據(jù)所述校正損失，縮小所述任務(wù)損失總和；

根據(jù)所述縮小后的任務(wù)損失總和進行二階梯度計算。