[發明專利]一種分類模型訓練方法及裝置

在審

• 申請號: 202211413563.4
• 申請日: 2022-11-11
• 公開（公告）號: CN115660817A
• 公開（公告）日: 2023-01-31
• 發明（設計）人: 龐悅;郭佳宇;駱祥峰;鄭建賓;高鵬飛
• 申請（專利權）人: 中國銀聯股份有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06Q40/04;G06F18/214;G06F18/24;G06N3/0442;G06N3/08
• 代理公司: 北京同達信恒知識產權代理有限公司 11291
• 代理人: 王媛媛

本申請實施例提供一種分類模型訓練方法及裝置，應用在人工智能技術領域，包括：按照交易時間對多個樣本交易進行排序，獲得樣本交易序列；按設定的時間窗對樣本交易序列進行切分，得到多個子交易序列；對每個子交易序列進行時序特征提取，以及對每個子交易序列對應的子交易圖網絡進行空間特征提??；基于每個子交易序列的時序序列表示和空間結構表示，獲得每個子交易序列的目標特征向量，目標特征向量以及目標特征向量對應的標簽用于訓練交易分類模型。通過提取子交易序列的時序特征和其對應的子交易圖網絡的空間特征，充分挖掘交易圖網絡中包含的時間信息和空間結構信息，增強了圖數據特征的多樣性，使交易分類模型有較好的識別效果。

技術領域

本申請涉及人工智能技術領域，尤其涉及一種分類模型訓練方法及裝置。

背景技術

隨著人工智能技術的發展，人工智能技術在異常交易檢測場景下的也應用越來越廣泛，其中，圖異常檢測是一種常用于異常交易檢測的人工智能技術。具體地，圖異常檢測包括以下步驟：使用圖學習算法獲得交易圖網絡中交易節點的節點表示，然后采用獲得的節點表示對交易分類模型進行訓練。

然而，上述圖異常檢測方法在提取交易節點的節點表示時，僅關注交易節點與鄰居節點之間的局部結構信息，即所使用的交易圖數據特征較為單一，從而導致交易分類模型的訓練效果較差。

發明內容

本申請實施例提供了一種分類模型訓練方法及裝置，用于對交易圖網絡中的交易節點進行異常交易檢測。

第一方面，本申請實施例提供了一種分類模型訓練方法，包括：

獲取樣本交易圖網絡中的多個樣本交易，并按照交易時間對所述多個樣本交易進行排序，獲得樣本交易序列；

按照設定的時間窗對所述樣本交易序列進行切分，得到多個子交易序列；

對每個子交易序列進行時序特征提取，獲得相應的時序序列表示；以及對每個子交易序列對應的子交易圖網絡進行空間特征提取，獲得相應的空間結構表示；

基于每個子交易序列的時序序列表示和空間結構表示，獲得每個子交易序列的目標特征向量，所述目標特征向量以及所述目標特征向量對應的標簽用于訓練交易分類模型。

通過對子交易序列進行時序特征提取，和對子交易序列對應的子交易圖網絡進行空間特征提取，基于得到的時序序列表示和空間結構表示，得到目標特征向量，將該目標特征向量用于訓練交易分類模型。充分挖掘了交易圖網絡中包含的時間信息和空間結構信息，增強了圖數據特征的多樣性，為后續的交易分類模型訓練提供了更高的可靠性，使得交易分類模型有較好的識別效果。

可選地，針對每個子交易序列，若所述子交易序列中的每個樣本交易均正常，則將相應的目標特征向量的標簽設置為正常；

若所述子交易序列中存在至少一個樣本交易異常，則將相應的目標特征向量的標簽設置為異常。

可選地，所述按照交易時間對所述多個樣本交易進行排序，獲得樣本交易序列，包括：

按照交易時間的先后順序對所述多個樣本交易進行排序，獲得樣本交易序列。

可選地，所述對每個子交易序列對應的子交易圖網絡進行空間特征提取，獲得相應的空間結構表示之前，還包括：

針對每個子交易序列，對所述樣本交易圖網絡中除所述子交易序列之外的樣本交易進行裁剪，獲得所述子交易序列對應的子交易圖網絡。

可選地，所述對每個子交易序列進行時序特征提取，獲得相應的時序序列表示，包括：

將每個子交易序列輸入長短期記憶網絡模型中進行時序特征提取，獲得相應的時序序列表示。

可選地，所述將對每個子交易序列對應的子交易圖網絡進行空間特征提取，獲得相應的空間結構表示，包括：