[發明專利]一種識別模型的確定方法和相關裝置

在審

• 申請號: 202210264304.3
• 申請日: 2022-03-17
• 公開（公告）號: CN114528994A
• 公開（公告）日: 2022-05-24
• 發明（設計）人: 龍賀兆
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N20/00;G06Q30/00
• 代理公司: 深圳市深佳知識產權代理事務所(普通合伙) 44285
• 代理人: 羅曉敏

本申請實施例公開了一種識別模型的確定方法和相關裝置，至少涉及人工智能中的機器學習，基于對象對產品產生的歷史交互行為確定的樣本二部圖中，通過初始編碼子模型得到表征圖節點的初始節點向量，通過第一損失函數的無監督訓練得到的編碼子模型可以在確定節點向量時盡量降低高關聯的圖節點的向量間差異，并盡量提升低關聯圖節點的向量間區別。樣本二部圖中包括具有樣本標簽的對象產品對，樣本標簽標識所對應對象產品對中的對象和產品間的關聯關系是否具有交互風險，基于該編碼子模型和初始預測子模型，對樣本二部圖中具有樣本標簽的對象產品對進行監督訓練，得到的預測子模型和前述編碼子模型可以確定出用于交互風險識別的識別模型。

技術領域

本申請涉及數據處理技術領域，特別是涉及一種識別模型的確定方法和相關裝置。

背景技術

在各個行業如廣告、零售、電商、出行都有相應的反作弊需求，例如，在廣告行業的曝光點擊、游戲行業的下載激活、短視頻的刷播放瀏覽刷贊等行為均屬于作弊行為，若不能及時識別，均可能給平臺方造成大量損失。

相關技術中，采用用于節點分類的圖神經網絡模型識別作弊行為，圖神經網絡模型如圖采樣和聚合(Graph SAmple and aggrGatE,GraphSAGE)模型、圖注意力網絡(GraphAttention Network，GAT)模型等，圖神經網絡模型通過圖結構可以充分利用圖中節點特征和節點間顯性或隱性的關系進行作弊行為識別，在正負樣本標簽豐富的場景，識別準確率較高。

但是，在正負樣本標簽較少的場景，訓練得到的圖神經網絡算法容易出現過擬合，導致對作弊行為的識別準確率較低。

發明內容

為了解決上述技術問題，本申請提供了一種識別模型的確定方法和相關裝置，用于提高對作弊行為的識別準確率。

本申請實施例公開了如下技術方案：

一方面，本申請實施例提供一種識別模型的確定方法，所述方法包括：

根據對象對產品產生的歷史交互行為確定樣本二部圖，所述樣本二部圖包括圖節點和關聯關系，所述圖節點的節點類型包括標識所述對象的對象節點和標識所述產品的產品節點，所述關聯關系用于體現所述對象與所述產品基于所述歷史交互行為的關聯；

根據所述樣本二部圖，通過初始編碼子模型得到所述圖節點的初始節點向量；

根據所述關聯關系和所述初始節點向量確定第一損失函數；其中，針對所述樣本二部圖中的目標圖節點，所述第一損失函數用于標識所述目標圖節點的初始節點向量與關聯節點的初始節點向量的相似度差異，以及所述圖節點的初始節點向量與非關聯節點的初始節點向量的區別度差異，所述關聯節點為所述樣本二部圖中與所述目標圖節點的關聯關系滿足關聯閾值、且與所述目標圖節點具有不同節點類型的圖節點，所述非關聯節點為所述樣本二部圖中與所述目標圖節點的關聯關系不滿足所述關聯閾值、且與所述目標圖節點具有不同節點類型的圖節點；

通過所述第一損失函數，基于最小化所述相似度差異、最大化所述區別度差異的訓練方向對所述初始編碼子模型進行無監督訓練，得到編碼子模型；

根據所述編碼子模型確定所述樣本二部圖中具有樣本標簽的對象產品對的對向量，所述樣本標簽用于標識所述對象產品對中的對象和產品間的關聯關系是否具有交互風險；

根據所述對向量，通過初始預測子模型確定所述對象產品對的風險預測結果，并基于所述風險預測結果與所述樣本標簽的差異對所述初始預測子模型進行監督訓練，得到預測子模型；

根據所述編碼子模型和所述預測子模型，確定用于對待處理交互行為進行交互風險識別的識別模型。

另一方面，本申請實施例提供一種識別模型的確定裝置，所述裝置包括：第一確定單元、第二確定單元、第三確定單元、無監督訓練單元、第四確定單元、監督訓練單元和第五確定單元；