【技术实现步骤摘要】
本专利技术涉及人工智能，尤其涉及一种异常用户的识别方法、装置及可读存储介质。
技术介绍
1、
2、目前，针对网络诈骗等的异常用户识别方法通常使用规则类模型或机器学习类模型进行预测，在实际应用场景中，由于对时效性要求较高，规则类模型建立速度快而机器学习类模型实时性较差，目前主要是使用规则类模型对用户进行预测分类。但由于因素众多、特征复杂且诈骗套路不断升级，传统的规则检测技术已经逐渐跟不上诈骗行为变化的速度。因此，有些规则类模型预测准确率逐渐下降，逐渐出现误判、漏判等预测结果不可信的情况。除此之外，由于运营商行业自身的特殊性，其实际生产应用的机器学习类模型必须能够支持海量的数据，以及实时处理速度。并且，随着对模型效果的更高追求，算法日益复杂，参数日益庞大，这对算力提出了更高的要求。但现阶段，算力昂贵且算力紧张，如何进行算力优化，实现资源合理调度也是未来发展的一大发展趋势。
技术实现思路
1、本专利技术所要解决的技术问题是针对现有技术的上述不足，提供一种异常用户的识别方法、装置及可读存储介质，用以解决现有的异常用户识别方法存在预测准确率低、对算力要求高的问题。
2、第一方面，本专利技术提供一种异常用户的识别方法，所述方法包括：
3、获取目标用户粗颗粒度的用户信息；
4、根据所述粗颗粒度的用户信息采用预设的分类器对所述目标用户的异常风险等级进行预测，到得对应的预测结果；
5、采用人工智能ai评价模型对所述预测结果的置信度进行评价；
6、响应于所述置信度的评价结果为高置信度，输出高置信度的所述预测结果；
7、响应于所述置信度的评价结果不为高置信度，采用所述目标用户中颗粒度或细颗粒度的用户信息对所述目标用户的异常风险等级进行预测。
8、进一步地，所述根据所述粗颗粒度的用户信息采用预设的分类器对所述目标用户的异常风险等级进行预测，到得对应的预测结果，具体包括：
9、将所述粗颗粒度的用户信息转换为多维的嵌入embedding向量；
10、将所述embedding向量输入到转换器transformer模型中，得到粗颗粒度的用户向量；
11、采用所述分类器对所述粗颗粒度的用户向量进行分类，得到所述目标用户对应的异常风险等级的预测结果。
12、进一步地，所述粗颗粒度的用户信息包括字符串类型的数据、和/或数值类型的数据、和/或字典类型的数据；
13、所述将所述粗颗粒度的用户信息转换为多维的嵌入embedding向量，具体包括：
14、针对字符串类型的数据，对所述字符串类型的数据进行分词，并将分词后的结果输入到双向编码器转换器表示模型bert模型中，得到对应的embedding向量；
15、针对数值类型的数据，使用全连接层将所述数值类型的数据转换为对应的embedding向量；
16、针对字典类型的数据，通过预先建立的所有字典值的embedding，查找所述字典类型的数据对应的embedding，得到对应的embedding向量。
17、进一步地，所述将所述embedding向量输入到转换器transformer模型中，得到粗颗粒度的用户向量，具体包括：
18、将所述embedding向量输入到transformer模型中，通过所述transformer模型的多层自注意力机制和前馈神经网络对所述embedding向量进行编码、处理和堆叠，生成所述粗颗粒度的用户向量。
19、进一步地，所述异常风险等级分为正常、低风险、中风险和高风险四个分类；
20、所述采用所述分类器对所述粗颗粒度的用户向量进行分类，得到所述目标用户对应的异常风险等级的预测结果，具体包括：
21、通过所述分类器将所述粗颗粒度的用户向量分别与四个分类对应的权重向量进行点积运算，得到四个标量值；
22、将所述四个标量值通过softmax函数进行归一化处理，得到每个分类对应的概率值；
23、选择四个分类中概率值最高的分类作为所述目标用户对应的异常风险等级的预测结果。
24、进一步地，所述ai评价模型包括逻辑回归模型，所述采用人工智能ai评价模型对所述预测结果的置信度进行评价，具体包括：
25、使用逻辑回归模型对所述预测结果的置信度进行评价，得到所述置信度的评价结果；
26、其中，所述置信度的评价结果分为高置信度、中置信度和低置信度。
27、进一步地，所述ai评价模型还包括奖励reward模型，所述方法还包括：
28、根据针对所述逻辑回归模型的反馈信息使用reward模型对所述逻辑回归模型进行纠正。
29、进一步地，所述采用所述目标用户中颗粒度或细颗粒度的用户信息对所述目标用户的异常风险等级进行预测，具体包括：
30、若所述置信度的评价结果为中置信度，则使用所述目标用户中颗粒度的用户信息对所述目标用户的异常风险等级进行预测；
31、若所述置信度的评价结果为低置信度，则使用所述目标用户细颗粒度的用户信息对所述目标用户的异常风险等级进行预测。
32、进一步地，所述采用所述目标用户中颗粒度或细颗粒度的用户信息对所述目标用户的异常风险等级进行预测之后，所述方法还包括：
33、采用ai评价模型对所述中颗粒度或细颗粒度的用户信息对应的预测结果的置信度进行评价，输出评价结果为高置信度的预测结果。
34、第二方面，本专利技术提供一种异常用户的识别装置，所述装置包括：
35、第一获取模块，用于获取目标用户粗颗粒度的用户信息；
36、第一预测模块，与所述第一获取模块连接，用于根据所述粗颗粒度的用户信息采用预设的分类器对所述目标用户的异常风险等级进行预测，到得对应的预测结果；
37、第一评价模块，与所述第一预测模块连接，用于采用人工智能ai评价模型对所述预测结果的置信度进行评价；
38、第一识别模块，与所述第一评价模块连接，用于响应于所述置信度的评价结果为高置信度，输出高置信度的所述预测结果；
39、第二识别模块，与所述第一评价模块连接，用于响应于所述置信度的评价结果不为高置信度，采用所述目标用户中颗粒度或细颗粒度的用户信息对所述目标用户的异常风险等级进行预测。
40、第三方面，本专利技术提供一种异常用户的识别装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以实现上述第一方面所述的异常用户的识别方法。
41、第四方面，本专利技术提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的异常用户的识别方法。
42、本专利技术提供的异常用户的识别方法、装置及可读存储介质。首先获取目标用户粗颗粒度的用户信息；并根据所述粗颗粒度的用户信本文档来自技高网...
【技术保护点】
1.一种异常用户的识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述粗颗粒度的用户信息采用预设的分类器对所述目标用户的异常风险等级进行预测，到得对应的预测结果，具体包括：
3.根据权利要求2所述的方法，其特征在于，所述粗颗粒度的用户信息包括字符串类型的数据、和/或数值类型的数据、和/或字典类型的数据；
4.根据权利要求2所述的方法，其特征在于，所述将所述Embedding向量输入到转换器Transformer模型中，得到粗颗粒度的用户向量，具体包括：
5.根据权利要求2所述的方法，其特征在于，所述异常风险等级分为正常、低风险、中风险和高风险四个分类；
6.根据权利要求1所述的方法，其特征在于，所述AI评价模型包括逻辑回归模型，所述采用人工智能AI评价模型对所述预测结果的置信度进行评价，具体包括：
7.根据权利要求6所述的方法，其特征在于，所述AI评价模型还包括奖励Reward模型，所述方法还包括：
8.根据权利要求6所述的方法，其特征在于，所述采用所述目标
9.根据权利要求1所述的方法，其特征在于，所述采用所述目标用户中颗粒度或细颗粒度的用户信息对所述目标用户的异常风险等级进行预测之后，所述方法还包括：
10.一种异常用户的识别装置，其特征在于，所述装置包括：
11.一种异常用户的识别装置，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以实现如权利要求1-9中任一项所述的异常用户的识别方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-9中任一项所述的异常用户的识别方法。
...【技术特征摘要】
1.一种异常用户的识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述粗颗粒度的用户信息采用预设的分类器对所述目标用户的异常风险等级进行预测，到得对应的预测结果，具体包括：
3.根据权利要求2所述的方法，其特征在于，所述粗颗粒度的用户信息包括字符串类型的数据、和/或数值类型的数据、和/或字典类型的数据；
4.根据权利要求2所述的方法，其特征在于，所述将所述embedding向量输入到转换器transformer模型中，得到粗颗粒度的用户向量，具体包括：
5.根据权利要求2所述的方法，其特征在于，所述异常风险等级分为正常、低风险、中风险和高风险四个分类；
6.根据权利要求1所述的方法，其特征在于，所述ai评价模型包括逻辑回归模型，所述采用人工智能ai评价模型对所述预测结果的置信度进行评价，具体包括：
7.根据权利要求6所述...
【专利技术属性】
技术研发人员：杨晓春，高飞，田鑫，万翔宇，侯洁琼，仇春静，柯阳，姚昕，王智，杨晓萌，蔡晓洁，徐瑞欣，陈晓旭，姜玉哲，杨文明，徐皓，
申请(专利权)人：联通时科北京信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。