信息处理方法、装置、设备及存储介质制造方法及图纸

本公开提供了一种信息处理方法、装置、设备及存储介质，可以应用于人工智能领域和金融科技领域。该方法包括：将目标用户的目标交易属性信息输入至异常识别模型，输出用户识别结果，其中，异常识别模型为利用目标损失函数训练初始异常识别模型后得到的，目标损失函数为经由损失修正参数对初始损失函数进行更新后得到的；将目标用户的目标用户标识与候选用户标识进行相似度匹配，得到用户标识匹配结果；以及基于用户识别结果与用户标识匹配结果，确定针对目标用户的异常用户识别结果。定针对目标用户的异常用户识别结果。定针对目标用户的异常用户识别结果。

【技术实现步骤摘要】
信息处理方法、装置、设备及存储介质


[0001]本公开涉及人工智能领域和金融科技领域，尤其涉及一种信息处理方法、装置、设备、存储介质和程序产品。

技术介绍

[0002]随着经济的快速发展，用户通过金融机构发起交易操作的频次呈现大规模增长，相关金融机构在满足用户的合规交易需求的同时，还需要及时地识别出存在不规范交易等不合规交易行为的异常用户，以及时制止不合规交易行为，维护交易秩序，避免交易风险造成的损失。
[0003]而相关技术中对于存在异常交易风险的异常用户的识别准确率较低，时效性较差，难以满足实际需求。

技术实现思路

[0004]鉴于上述问题，本公开提供了信息处理方法、装置、设备、存储介质和程序产品。
[0005]根据本公开的第一个方面，提供了一种信息处理方法，包括：
[0006]将目标用户的目标交易属性信息输入至异常识别模型，输出用户识别结果，其中，上述异常识别模型为利用目标损失函数训练初始异常识别模型后得到的，上述目标损失函数为经由损失修正参数对初始损失函数进行更新后得到的；
[0007]将上述目标用户的目标用户标识与候选用户标识进行相似度匹配，得到用户标识匹配结果；以及
[0008]基于上述用户识别结果与上述用户标识匹配结果，确定针对上述目标用户的异常用户识别结果。
[0009]根据本公开的实施例，将上述目标用户的目标用户标识与候选用户标识进行相似度匹配，得到用户标识匹配结果包括：
[0010]基于编辑距离算法处理上述目标用户标识与上述候选用户标识，得到目标编辑距离；以及
[0011]基于上述目标编辑距离，确定上述用户标识匹配结果。
[0012]根据本公开的实施例，上述损失修正参数包括第一损失修正参数与第二损失修正参数，上述初始损失函数包括表征第一识别结果的损失值的第一函数部分；
[0013]其中，上述目标损失函数为经由损失修正参数对初始损失函数进行更新后得到的包括：
[0014]计算上述第一损失修正参数与样本第一识别结果参数的乘积，得到目标样本第一识别结果参数，其中，上述样本第一识别结果参数表征上述初始异常识别模型输出的样本识别结果中，预测样本目标用户为上述第一识别结果的概率；
[0015]调用上述目标样本第一识别结果参数更新上述初始损失函数的第一函数部分，得到候选第一函数部分；
[0016]利用上述第二损失修正参数与上述候选第一函数部分的乘积，更新上述候选第一函数部分，得到目标第一函数部分；以及
[0017]基于上述目标第一函数部分更新上述初始损失函数，得到上述目标损失函数。
[0018]根据本公开的实施例，上述初始损失函数还包括表征第二识别结果的损失值的第二函数部分；
[0019]其中，上述目标损失函数为经由损失修正参数对初始损失函数进行更新后得到的还包括：
[0020]调用预设修正参数与上述第二损失修正参数之差，乘以上述第二函数部分，得到目标第二函数部分；
[0021]其中，基于上述目标第一函数部分更新上述初始损失函数，得到上述目标损失函数包括：
[0022]利用上述目标第一函数部分更新上述初始损失函数的第一函数部分，得到候选损失函数；以及
[0023]利用上述目标第二函数部分更新上述候选损失函数的第二函数部分，得到上述目标损失函数。
[0024]根据本公开的实施例，上述异常识别模型包括以下至少一项：
[0025]决策树模型、神经网络模型、逻辑回归模型。
[0026]根据本公开的实施例，基于上述用户识别结果与上述用户标识匹配结果，确定针对上述目标用户的异常用户识别结果包括：
[0027]在上述用户识别结果表征上述目标用户为异常用户的情况下，将上述异常用户识别结果确定为异常结果；或者
[0028]在上述用户标识匹配结果表征上述目标用户标识与上述候选用户标识相匹配的情况下，将上述异常用户识别结果确定为上述异常结果；或者
[0029]在上述用户识别结果表征上述目标用户为异常用户的情况下，且在上述用户标识匹配结果表征上述目标用户标识与上述候选用户标识相匹配的情况下，将上述异常用户识别结果确定为上述异常结果。
[0030]根据本公开的实施例，上述目标交易属性信息包括以下至少一项：
[0031]交易设备数量信息、交易对象数量信息、交易金额信息、交易频次信息、交易时间属性信息。
[0032]本公开的第二方面提供了一种信息处理装置，包括：
[0033]第一识别模块，用于将目标用户的目标交易属性信息输入至异常识别模型，输出用户识别结果，其中，上述异常识别模型为利用目标损失函数训练初始异常识别模型后得到的，上述目标损失函数为经由损失修正参数对初始损失函数进行更新后得到的；
[0034]匹配模块，用于将上述目标用户的目标用户标识与候选用户标识进行相似度匹配，得到用户标识匹配结果；以及
[0035]异常用户确定模块，用于基于上述用户识别结果与上述用户标识匹配结果，确定针对上述目标用户的异常用户识别结果。
[0036]本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得
一个或多个处理器执行上述信息处理方法。
[0037]本公开的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述信息处理方法。
[0038]本公开的第五方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述信息处理方法。
[0039]根据本公开提供的信息处理方法、装置、设备、存储介质和程序产品，通过利用经由损失修正参数更新后得到的目标损失函数来训练得到异常识别模型，可以提升异常识别模型针对目标交易属性信息中表征异常情况的交易属性信息的关注度，从而提升用户识别结果的准确率，进而根据用户识别结果和用户标识匹配结果来确定异常用户识别结果，可以进一步准确地提升识别得到异常用户的准确率。因此，至少部分的解决了异常用户的识别准确率较低的技术问题，实现了整体提升异常用户识别效率的技术效果。
附图说明
[0040]通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
[0041]图1示意性示出了根据本公开实施例的信息处理方法、装置的应用场景图；
[0042]图2示意性示出了根据本公开实施例的信息处理方法的流程图；
[0043]图3示意性示出了根据本公开实施例的经由损失修正参数对初始损失函数进行更新后得到目标损失函数的流程图；
[0044]图4示意性示出了根据本公开实施例的将目标用户的目标用户标识与候选用户标识进行相似度匹配的流程图；
[0045]图5示意性示出了根据本公开另一实施例的信息处理方法的应用场景图；
[0046本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信息处理方法，包括：将目标用户的目标交易属性信息输入至异常识别模型，输出用户识别结果，其中，所述异常识别模型为利用目标损失函数训练初始异常识别模型后得到的，所述目标损失函数为经由损失修正参数对初始损失函数进行更新后得到的；将所述目标用户的目标用户标识与候选用户标识进行相似度匹配，得到用户标识匹配结果；以及基于所述用户识别结果与所述用户标识匹配结果，确定针对所述目标用户的异常用户识别结果。2.根据权利要求1所述的方法，其中，将所述目标用户的目标用户标识与候选用户标识进行相似度匹配，得到用户标识匹配结果包括：基于编辑距离算法处理所述目标用户标识与所述候选用户标识，得到目标编辑距离；以及基于所述目标编辑距离，确定所述用户标识匹配结果。3.根据权利要求1所述的方法，其中，所述损失修正参数包括第一损失修正参数与第二损失修正参数，所述初始损失函数包括表征第一识别结果的损失值的第一函数部分；其中，所述目标损失函数为经由损失修正参数对初始损失函数进行更新后得到的包括：计算所述第一损失修正参数与样本第一识别结果参数的乘积，得到目标样本第一识别结果参数，其中，所述样本第一识别结果参数表征所述初始异常识别模型输出的样本识别结果中，预测样本目标用户为所述第一识别结果的概率；调用所述目标样本第一识别结果参数更新所述初始损失函数的第一函数部分，得到候选第一函数部分；利用所述第二损失修正参数与所述候选第一函数部分的乘积，更新所述候选第一函数部分，得到目标第一函数部分；以及基于所述目标第一函数部分更新所述初始损失函数，得到所述目标损失函数。4.根据权利要求3所述的方法，其中，所述初始损失函数还包括表征第二识别结果的损失值的第二函数部分；其中，所述目标损失函数为经由损失修正参数对初始损失函数进行更新后得到的还包括：调用预设修正参数与所述第二损失修正参数之差，乘以所述第二函数部分，得到目标第二函数部分；其中，基于所述目标第一函数部分更新所述初始损失函数，得到所述目标损失函数包括：利用所述目标第一函数部分更新所述初始损失函数的第一函数部分，得到候选损失函数；以及利用所述目标...

【专利技术属性】
技术研发人员：朱丹，杨晓然，汤鑫淼，李策，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：