【技术实现步骤摘要】
本专利技术涉及人工智能领域或其他相关，具体而言，涉及一种异常交易网络的识别方法及其装置、电子设备及存储介质。
技术介绍
1、
2、相关技术中，对于非法资金转移类的异常交易识别，大多依赖于基于专家规则的监督学习方法，这些方法主要聚焦于分析单个客户或其直接交易伙伴的交易信息，而难以全面捕捉异常交易的复杂交易链路和模式，导致对规模性的异常交易的识别效率低且识别准确性不足。
3、针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
1、本专利技术实施例提供了一种异常交易网络的识别方法及其装置、电子设备及存储介质，以至少解决相关技术中，基于专家规则的监督学习方法主要聚焦于分析单个客户或其直接交易伙伴的交易信息，对规模性的异常交易识别准确率较低的技术问题。
2、根据本专利技术实施例的一个方面，提供了一种异常交易网络的识别方法，包括：获取目标时间段内金融机构的所有交易数据集合，其中，所述交易数据集合中包含m笔金融交易的交易数据，每笔所述金融交易的交易数据至少包括：交易类型、交易主体、交易金额，所述交易主体表示执行所述金融交易的用户；基于所述交易数据集合构建交易网络图，其中，所述交易网络图是以所述交易主体为节点，以所述交易主体之间的交易关系为边界构建的网络图；将所述交易网络图输入至异常交易网络识别模型，输出异常交易网络子图，其中，所述异常交易网络模型是预先构建的用于识别规模性的异常交易的神经网络模型；基于所述异常交易网络子图识别异常交易网络。
4、可选地，提取所述交易主体的交易行为特征数据的步骤包括：从所述金融机构的数据库获取涉及所述交易主体的历史交易数据；基于所述交易主体的历史交易数据和所述目标时间段内的交易数据提取所述交易主体在目标时间段内的交易行为特征数据。
5、可选地，所述交易行为特征数据包括下述至少之一：交易频率数据、常用交易类型数据、平均交易金额数据、交易时间特征数据，所述常用交易类型数据表示所述交易主体的使用频率大于预设的频率阈值的数据。
6、可选地，基于所述交易行为特征数据和所述交易金额为所述初始交易网络图中的各个边界配置权重值的步骤包括：将所述交易主体在目标时间段内的交易行为特征数据与预先配置的特征库进行匹配，得到匹配结果；在所述匹配结果指示所述交易行为特征数据命中所述特征库中的目标特征的情况下，基于命中的所述目标特征对应的权重值为所述交易主体配置权重值，得到所述交易主体的金融交易的第一权重值；对所述交易主体对应的金融交易的交易金额进行分箱处理，确定所述交易金额所属的金额区间；为所述交易主体的金融交易配置该金额区间对应的权重值，得到所述交易主体的金融交易的第二权重值；对所述交易主体的金融交易的所述第一权重值和所述第二权重值进行累加计算，得到所述交易主体的金融交易的权重值，并基于所述交易主体的金融交易额权重值为所述初始交易网络图中的该金融交易对应的边界配置权重值。
7、可选地，将所述交易网络图输入至异常交易网络识别模型，输出异常交易网络子图的步骤包括：将所述交易网络图输入至所述异常交易网络识别模型，通过异常交易网络识别模型对所述交易网络图中的各个节点进行遍历，识别所述异常交易网络，其中，所述异常交易网络满足以下条件：所述异常交易网络包含至少三个节点、所述异常交易网络中任意两个节点之间的测地距离小于等于模型参数、所述异常交易网络中任意两个节点存在直接关联关系或间接关联关系，所述模型参数是基于模型的迭代训练得到的，所述测地距离是对两个节点之间的所有边界的权重值进行累加的结果，所述直接关联关系表示两个节点通过边界直接相连，所述间接关联关系表示两个节点通过多个节点和边界间接相连；从所述交易网络图中提取所述异常交易网络子图，并对所述异常交易网络子图进行输出。
8、可选地，所述异常交易网络识别模型是预先构建的，构建所述异常交易网络识别模型的步骤包括：获取基于历史时间段内的历史交易数据构建的历史交易网络图；基于所述历史交易网络图提取历史异常交易网络子图，并基于所述历史交易网络图和所述历史异常交易网络子图构建样本数据集；对所述样本数据集进行划分，得到训练集和测试集；构建神经网络模型，并为所述神经网络模型配置模型参数；基于所述训练集对所述神经网络模型进行迭代训练，得到初始异常交易网络识别模型，其中，在对所述神经网络模型进行迭代训练时，对模型参数进行更新；基于所述测试集对所述初始异常交易网络识别模型进行测试，得到测试结果，在所述测试结果指示所述初始异常交易网络识别模型，得到训练完成的所述异常交易网络识别模型。
9、根据本专利技术实施例的另一方面，还提供了一种异常交易网络的识别装置，包括：获取单元，用于获取目标时间段内金融机构的所有交易数据集合，其中，所述交易数据集合中包含m笔金融交易的交易数据，每笔所述金融交易的交易数据至少包括：交易类型、交易主体、交易金额，所述交易主体表示执行所述金融交易的用户；构建单元，用于基于所述交易数据集合构建交易网络图，其中，所述交易网络图是以所述交易主体为节点，以所述交易主体之间的交易关系为边界构建的网络图；输出单元，用于将所述交易网络图输入至异常交易网络识别模型，输出异常交易网络子图，其中，所述异常交易网络模型是预先构建的用于识别规模性的异常交易的神经网络模型；识别单元，用于基于所述异常交易网络子图识别异常交易网络。
10、可选地，所述构建单元包括：基于所述交易数据集合构建交易网络图的步骤包括：第一构建模块，用于基于所述交易数据集合构建初始交易网络图；第一提取模块，用于提取所述交易主体的交易行为特征数据，并基于所述交易行为特征数据和所述交易金额为所述初始交易网络图中的各个边界配置权重值，得到交易网络图。
11、可选地，所述第一提取模块包括：第一获取子模块，用于从所述金融机构的数据库获取涉及所述交易主体的历史交易数据；第一提取子模块，用于基于所述交易主体的历史交易数据和所述目标时间段内的交易数据提取所述交易主体在目标时间段内的交易行为特征数据。
12、可选地，所述交易行为特征数据包括下述至少之一：交易频率数据、常用交易类型数据、平均交易金额数据、交易时间特征数据，所述常用交易类型数据表示所述交易主体的使用频率大于预设的频率阈值的数据。
13、可选地，所述第一提取模块还包括：第一匹配子模块，用于将所述交易主体在目标时间段内的交易行为特征数据与预先配置的特征库进行匹配，得到匹配结果；第一配置子模块，用于在所述匹配结果指示所述交易行为特征数据命中所述特征库中的目标特征的情况下，基于命中的所述目标特征对应的权重值为所述交易主体配置权重值，得到所述交易主体的金融交易的第一权重值；第一处理子模块，用于对所述交易主体对应的金融本文档来自技高网...
【技术保护点】
1.一种异常交易网络的识别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，基于所述交易数据集合构建交易网络图的步骤包括：
3.根据权利要求2所述的方法，其特征在于，提取所述交易主体的交易行为特征数据的步骤包括：
4.根据权利要求3所述的方法，其特征在于，所述交易行为特征数据包括下述至少之一：交易频率数据、常用交易类型数据、平均交易金额数据、交易时间特征数据，所述常用交易类型数据表示所述交易主体的使用频率大于预设的频率阈值的数据。
5.根据权利要求2所述的方法，其特征在于，基于所述交易行为特征数据和所述交易金额为所述初始交易网络图中的各个边界配置权重值的步骤包括：
6.根据权利要求1所述的方法，其特征在于，将所述交易网络图输入至异常交易网络识别模型，输出异常交易网络子图的步骤包括：
7.根据权利要求1所述的方法，其特征在于，所述异常交易网络识别模型是预先构建的，构建所述异常交易网络识别模型的步骤包括：
8.一种异常交易网络的识别装置，其特征在于，包括：
9.一种计算机
10.一种电子设备，其特征在于，包括一个或多个处理器和存储器，所述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，使得所述一个或多个处理器实现权利要求1至7中任意一项所述的异常交易网络的识别方法。
...【技术特征摘要】
1.一种异常交易网络的识别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，基于所述交易数据集合构建交易网络图的步骤包括：
3.根据权利要求2所述的方法，其特征在于，提取所述交易主体的交易行为特征数据的步骤包括：
4.根据权利要求3所述的方法，其特征在于，所述交易行为特征数据包括下述至少之一：交易频率数据、常用交易类型数据、平均交易金额数据、交易时间特征数据，所述常用交易类型数据表示所述交易主体的使用频率大于预设的频率阈值的数据。
5.根据权利要求2所述的方法，其特征在于，基于所述交易行为特征数据和所述交易金额为所述初始交易网络图中的各个边界配置权重值的步骤包括：
6.根据权利要求1所述的方法，其特征在于，将所述交易网络图输入至异...
【专利技术属性】
技术研发人员：欧阳春，王佳捷，任若文，郑加鑫，
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。