【技术实现步骤摘要】
本申请涉及人工智能，特别是涉及一种票务服务中异常账户的识别方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
技术介绍
1、目前人工智能和大数据技术发展迅速，各种各样防止异常购票用户抢票的系统和措施层出不穷，政府或相关部门也加强对公共场所或活动的监管，通过严格的执法和处罚措施来防范异常购票用户的行为。现有风控系统在利用人工智能和大数据技术的基础上，通过采集用户的数据，依据用户行为数据与评价模型的偏移程度来判断用户行为是否异常，从而判断该用户是否属于异常购票用户，再对异常购票用户进行限制、封禁处理，达到风控的效果。
2、然而，利用人工智能和大数据技术判断用户是否属于异常购票用户，再对异常购票用户进行风控，其判断因素单一，采用的用户信息传统陈旧，并且无法轻易分别出正常用户与异常购票用户，从而导致针对票务服务中异常账户的识别准确率较低。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够提升票务服务中异常账户的识别准确率的票务服务中异常账户的识别方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
2、第一方面，本申请实施例提供了一种票务服务中异常账户的识别方法。所述方法包括：
3、获取预训练的异常识别模型；所述异常识别模型根据目标数据集训练得到，所述目标数据集包括有表征账户集中各账户特征的实时特征数据，所述实时特征数据为在账户利用终端办理票务服务时采集到所述终端实时产生的数据，所述实时特征数据包括所述终端的运动传感器产生
4、将所述账户集中各账户的账户信息输入到所述异常识别模型中，以输出各账户对应的信用评分值；所述信用评分值用于表征所述各账户属于异常账户的概率大小；
5、响应于针对所述账户集中任一账户的识别请求，在所述任一账户的所述信用评分值小于预设阈值的情况下，确定所述任一账户为异常账户。
6、在其中一个实施例中，所述目标数据集包括第一数据集和第二数据集，所述方法还包括：
7、按照所述目标数据集中的所述实时特征数据的类型，对所述目标数据集进行划分，得到划分后的第一数据集和第二数据集；其中，所述第一数据集中的特征数据为与账户进行异常行为的目的关联的数据，所述第二数据集中的特征数据为能够表征终端操作方的身份类型的数据；
8、根据所述第一数据集对初始的所述异常识别模型进行训练，得到训练好的第一模型，以及，根据所述第二数据集对初始的所述异常识别模型进行训练，得到训练好的第二模型。
9、在其中一个实施例中，所述方法还包括：
10、根据所述第一模型输出所述任一账户对应的第一评分值，以及根据所述第二模型输出所述任一账户对应的第二评分值；
11、在确定所述任一账户为异常账户的情况下，根据所述第一评分值和所述第二评分值的大小，确定所述任一账户所属的异常类型；
12、根据所述任一账户所属的异常类型，确定针对各所述任一账户的惩罚措施。
13、在其中一个实施例中，所述方法还包括：
14、在所述账户集中各账户完成购票服务的情况下，将所述账户集中各账户对应的所述信用评分值和票据信息，按照关联关系存储在区块链中；
15、在所述任一账户发起票务核验请求的情况下，响应于所述票务核验请求，获取所述任一账户在所述终端存储的待验证信息，以及获取所述任一账户在所述区块链中存储的待验证信息；所述待验证信息包括所述信用评分值和所述票据信息；
16、在所述终端存储的所述待验证信息，和所述区块链中存储的所述待验证信息一致的情况下，确定针对所述任一账户的票务核验通过。
17、在其中一个实施例中，所述方法还包括：
18、在所述任一账户发起票务转退请求的情况下，获取所述任一账户在所述区块链中存储的所述信用评分值；所述票务转退请求包括对票务进行转让和退订服务的请求；
19、在所述信用评分值小于预设转退阈值的情况下，确定所述任一账户为不具有转退资格的账户，生成针对所述票务转退请求的拒绝指令。
20、在其中一个实施例中，所述方法还包括：
21、在所述信用评分值大于或者等于所述预设转退阈值的情况下，确定所述任一账户为具有转退资格的账户，生成针对所述票务转退请求的业务办理指令；
22、根据所述业务办理指令办理退转服务，将针对所述退转服务的办理记录存储在所述区块链中。
23、在其中一个实施例中，所述方法还包括：
24、获取在账户利用所述终端办理票务服务时采集到的所述终端的网络传输原始数据；所述网络传输原始数据包括网络请求数据和时间数据；
25、对所述网络传输原始数据进行预处理，以去除无效数据和噪声数据，得到预处理后的数据；
26、计算得到所述预处理后的数据在各项指标上对应的指标数据；所述指标数据包括平均值、标准差、最大值和最小值；
27、将指标数据按照所述各项指标进行分组，得到所述网络传输数据。
28、第二方面，本申请还提供了一种票务服务中异常账户的识别装置。所述装置包括：
29、模型获取模块，用于获取预训练的异常识别模型；所述异常识别模型根据目标数据集训练得到，所述目标数据集包括有表征账户集中各账户特征的实时特征数据，所述实时特征数据为在账户利用终端办理票务服务时采集到所述终端实时产生的数据，所述实时特征数据包括所述终端的运动传感器产生的传感数据和所述终端的网络传输数据；
30、评分值输出模块，用于将所述账户集中各账户的账户信息输入到所述异常识别模型中，以输出各账户对应的信用评分值；所述信用评分值用于表征所述各账户属于异常账户的概率大小；
31、识别模块，用于响应于针对所述账户集中任一账户的识别请求，在所述任一账户的所述信用评分值小于预设阈值的情况下，确定所述任一账户为异常账户。
32、第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
33、获取预训练的异常识别模型；所述异常识别模型根据目标数据集训练得到，所述目标数据集包括有表征账户集中各账户特征的实时特征数据，所述实时特征数据为在账户利用终端办理票务服务时采集到所述终端实时产生的数据，所述实时特征数据包括所述终端的运动传感器产生的传感数据和所述终端的网络传输数据；
34、将所述账户集中各账户的账户信息输入到所述异常识别模型中，以输出各账户对应的信用评分值；所述信用评分值用于表征所述各账户属于异常账户的概率大小；
35、响应于针对所述账户集中任一账户的识别请求，在所述任一账户的所述信用评分值小于预设阈值的情况下，确定所述任一账户为异常账户。
36、第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，本文档来自技高网...
【技术保护点】
1.一种票务服务中异常账户的识别方法，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，所述目标数据集包括第一数据集和第二数据集，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
8.一种票务服务中异常账户的识别装置，其特征在于，所述装置包括：
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
【技术特征摘要】
1.一种票务服务中异常账户的识别方法，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，所述目标数据集包括第一数据集和第二数据集，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：<...
【专利技术属性】
技术研发人员：屈前顺，
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：
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。