CN111340509B - 一种虚假交易识别方法、装置及电子设备 - Google Patents
一种虚假交易识别方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111340509B CN111340509B CN202010440520.XA CN202010440520A CN111340509B CN 111340509 B CN111340509 B CN 111340509B CN 202010440520 A CN202010440520 A CN 202010440520A CN 111340509 B CN111340509 B CN 111340509B
- Authority
- CN
- China
- Prior art keywords
- node
- nodes
- transaction
- information
- graph data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 239000013598 vector Substances 0.000 claims abstract description 96
- 239000011159 matrix material Substances 0.000 claims abstract description 69
- 238000013528 artificial neural network Methods 0.000 claims abstract description 30
- 230000002776 aggregation Effects 0.000 claims abstract description 29
- 238000004220 aggregation Methods 0.000 claims abstract description 29
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 230000004931 aggregating effect Effects 0.000 claims abstract description 11
- 230000007246 mechanism Effects 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 14
- 238000003860 storage Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 11
- 230000006872 improvement Effects 0.000 description 10
- 238000003066 decision tree Methods 0.000 description 7
- 238000007477 logistic regression Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Security & Cryptography (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书实施例提供一种虚假交易识别方法、装置及电子设备。所述方法包括：获取预定平台所对应的原始交易图数据，根据目标节点从所述原始交易图数据中提取出子图数据；将所述子图数据作为输入，利用预定的多个连续的神经网络结构执行信息聚合操作和特征向量提取操作得到目标特征向量；其中，所述信息聚合操作用于根据各节点之间的相关性确定注意力矩阵，并根据所述注意力矩阵对目标节点的邻域节点信息进行聚合，所述各节点之间的相关性包括根据各节点信息所确定的第一相关性以及根据边信息所确定的第二相关性；将所述目标特征向量输入到分类器中，以便根据所述分类器的输出结果判断所述待识别交易是否为虚假交易。
Description
技术领域
本说明书涉及互联网技术领域，尤其涉及一种虚假交易识别方法、装置及电子设备。
背景技术
随着互联网技术的发展，依托互联网技术的电子商务平台也日趋成熟，在电商平台的市场交易过程中，一些商家为了提高自身的平台信用或者商品销量，会使用一些不正当的方式进行大量交易，这样的交易行为会被定性为虚假交易。虚假交易的买家往往不存在真实的购买意向，而卖家则通过第三方机构或者亲朋好友来完成商品出售，达到提高平台信用或商品销量的目的。虚假交易的存在虽然提高了电商平台的销售额，但从长远来看会对平台的信誉造成影响，会有越来越多的买家对商品的购买量、评价、卖家信用等产生怀疑，因此，虚假交易的识别对电商平台来说是十分必要的。
为了判断交易是否为虚假交易，在现有的虚假交易识别技术中，通常使用逻辑回归和梯度提升决策树的算法，然而，逻辑回归算法模型过于简单，对于复杂分类问题的预测能力有限，梯度提升决策树无法直接应用于图数据处理，且需要依赖于人工特征工程。因此，基于现有技术，需要提供一种能够应用于图数据处理，有效解决复杂分类问题，减少对人工特征工程依赖，且提升识别速度和识别效果的虚假交易识别方案。
发明内容
本说明书实施例提供一种虚假交易识别方法、装置及电子设备，以解决现有技术存在的无法消费使用图数据、需要依赖于人工特征工程、识别速度慢、识别效果差的问题。
为解决上述技术问题，本说明书实施例是这样实现的：
本说明书实施例提供的一种虚假交易识别方法，所述方法包括：
获取预定平台所对应的原始交易图数据，根据目标节点从所述原始交易图数据中提取出子图数据，其中，所述目标节点包括根据待识别交易所确定的买家节点及卖家节点；
将所述子图数据作为输入，利用预定的多个连续的神经网络结构执行信息聚合操作和特征向量提取操作得到目标特征向量；其中，所述信息聚合操作用于根据各节点之间的相关性确定注意力矩阵，并根据所述注意力矩阵对目标节点的邻域节点信息进行聚合，所述各节点之间的相关性包括根据各节点信息所确定的第一相关性以及根据边信息所确定的第二相关性；
将所述目标特征向量输入到分类器中，以便根据所述分类器的输出结果判断所述待识别交易是否为虚假交易。
本说明书实施例提供的一种虚假交易识别装置，所述装置包括：
获取模块，用于获取预定平台所对应的原始交易图数据，根据目标节点从所述原始交易图数据中提取出子图数据，其中，所述目标节点包括根据待识别交易所确定的买家节点及卖家节点；
神经网络模块，用于将所述子图数据作为输入，利用预定的多个连续的神经网络结构执行信息聚合操作和特征向量提取操作得到目标特征向量；其中，所述信息聚合操作用于根据各节点之间的相关性确定注意力矩阵，并根据所述注意力矩阵对目标节点的邻域节点信息进行聚合，所述各节点之间的相关性包括根据各节点信息所确定的第一相关性以及根据边信息所确定的第二相关性；
判断模块，用于将所述目标特征向量输入到分类器中，以便根据所述分类器的输出结果判断所述待识别交易是否为虚假交易。
本说明书实施例提供的一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述一种虚假交易识别方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
通过获取预定平台所对应的原始交易图数据，根据目标节点从原始交易图数据中提取出子图数据；将子图数据作为输入，利用预定的多个连续的神经网络结构执行信息聚合操作和特征向量提取操作得到目标特征向量；其中，信息聚合操作用于根据各节点之间的相关性确定注意力矩阵，并根据注意力矩阵对目标节点的邻域节点信息进行聚合，各节点之间的相关性包括根据各节点信息所确定的第一相关性以及根据边信息所确定的第二相关性；将目标特征向量输入到分类器中，以便根据分类器的输出结果判断待识别交易是否为虚假交易。基于本方案，能有效利用子图数据中所有买家节点、卖家节点以及边上的特征，通过聚合邻域节点的信息，同时考虑目标节点自身的属性信息及其在图中的上下文信息，更好的描述了买家和卖家之间是否存在真实可匹配的交易关系，能有效的解决复杂分类问题，极大减轻模型对人工特征工程的依赖，提升了虚假交易识别的速度及识别效果。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本说明书实施例提供的一种虚假交易识别方法的流程示意图；
图2为本说明书实施例提供的一种原始交易二部图的结构示意图；
图3为本说明书实施例提供的一种融合边信息的图注意力神经网络的结构示意图；
图4为本说明书实施例提供的一种虚假交易识别装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
虚假交易识别技术对于电商平台的必要性可归纳为以下两点：（1）对于非虚假交易的商户，当交易发生时，直接对其放行而不进行深度风险识别，这种方式可以极大减少服务器端的识别压力，减少云端成本；（2）对于虚假交易的商户，当交易发生时，对该交易进行处置，并对虚假交易率过高的商家信用进行处罚，增加商户虚假交易的成本。
为了判断一笔交易是否为虚假交易，现有的虚假交易识别技术主要使用逻辑回归和梯度提升决策树这两种算法，下面对这两种算法分别进行介绍并说明其存在的缺点：
（1）逻辑回归是一种广义的线性回归模型，常用于数据挖掘、经济预测等领域。逻辑回归假设因变量服从伯努利分布，因此可解决二分类问题，用来估计某种事物的可能性。通过逻辑回归分析，可以得到自变量的权重，从而了解不同因素对分类结果产生影响的重要性。但逻辑回归模型过于简单，对于复杂分类问题的预测能力有限。
（2）梯度提升决策树是由多棵决策树组成的集成学习算法，所有树的结论累加起来作为最终预测结果。其思想是对于给定数据集，通过训练多个弱学习器，以一定的结合策略形成一个强学习器，达到博采众长的目的。但是，梯度提升决策树无法直接应用于图数据相关问题，其次，梯度提升决策树十分依赖人工特征工程。
针对现有的虚假交易识别技术，为了实现能够应用于图数据处理，有效解决复杂分类问题，减少对人工特征工程的依赖，进一步提升虚假交易识别的速度和识别效果。因此为达到以上目的，需要提供了一种基于新的神经网络模型的虚假交易识别方法。
图1为本说明书实施例提供的一种虚假交易识别方法的流程示意图，该方法具体可以包括以下步骤：
在步骤S110中，获取预定平台所对应的原始交易图数据，根据目标节点从所述原始交易图数据中提取出子图数据，其中，所述目标节点包括根据待识别交易所确定的买家节点及卖家节点。
在本说明书一个或多个实施例中，在实际应用中，电商平台积累的大量交易数据可用图（如二部图）来进行描述，其中，买家、卖家可用节点表示，买卖家之间的交易关系可以用边进行表示。图由节点和边构成，表示为
，其中，
表示节点集合，
表示边集合。下面结合附图对原始交易图数据的二部图结构进行简要说明，图2为本说明书实施例提供的一种原始交易二部图的结构示意图，图中包含两类节点，即标识为pid的卖家节点以及标识为uid的买家节点，如果买卖双方之间发生交易，则用节点之间的边进行表示，图2中包含4个买家节点和2个卖家节点，双方之间共发生了5笔交易。
在一具体实施例中，可通过获取电商平台所产生的历史交易数据，根据历史交易数据创建原始交易图数据，原始交易图数据中包含由节点信息组成的节点集合，以及由边信息组成的边集合。
进一步地，在本说明书实施例中，子图可以认为是二部图的一部分，即认为子图是图的一个子集。确定子图首先需确定一个节点子集
，据此可确定边的子集
，即
为
的子集，
中边的两个端点都在节点子集
中。
即为
的子图。
下面结合一具体实施例，对根据目标节点从原始交易图数据中提取出子图数据的过程进行详细的描述，具体内容如下：
先根据待识别交易的双方确定买家及卖家节点，并利用图采样算法从原始交易图数据中将买家节点、卖家节点以及其分别对应的二度邻居节点提取出来构成节点子集
，将两端节点均在节点子集内的边从原始交易图数据中提取出来构成边子集
，利用节点子集和边子集构成该待识别交易的子图数据
；子图上的节点信息可用于描述节点的数值向量，边信息可用于描述边的数值向量，将子图数据作为接下来模型识别的输入。
节点的邻居是指相邻的一些节点，节点的一跳邻居就是通过一条边与节点相连的所有节点构成的集合，二跳邻居就是与节点的最短路径长度为2（即经过两条边）与节点相连的所有节点构成的集合，二度邻居可以认为是一跳邻居与二跳邻居的并集，即与节点最短路径长度小于2的所有节点。
在步骤S120中，将所述子图数据作为输入，利用预定的多个连续的神经网络结构执行信息聚合操作和特征向量提取操作得到目标特征向量；其中，所述信息聚合操作用于根据各节点之间的相关性确定注意力矩阵，并根据所述注意力矩阵对目标节点的邻域节点信息进行聚合，所述各节点之间的相关性包括根据各节点信息所确定的第一相关性以及根据边信息所确定的第二相关性。
在本说明书一个或多个实施例中，在提取得到子图
后，可以用一组代数矩阵来对其进行描述，神经网络结构中的多头注意力机制便以描述
的代数矩阵作为输入，在实际应用中，可以采用以下方式对子图数据中的节点信息和边信息分别利用矩阵进行描述，具体包括以下内容：
在执行信息聚合操作之前，利用子图数据中的节点信息所对应的向量构成节点向量矩阵，并利用邻接矩阵对子图数据中的边信息进行处理得到张量，将节点向量矩阵以及张量作为多头注意力机制的输入。
下面结合一具体实施例对利用代数矩阵描述子图的过程进行详细说明，首先对于子图中每一个节点
，都存在一个向量
描述节点的属性，例如对于商户节点来说，可以用其销量、销售额等构成的向量来进行描述。所有节点的描述向量构成矩阵
。对于子图中的边
可以使用邻接矩阵
进行描述，如果
存在，则
的元素
，否则为0；例如交易关系作为边，商户和用户之间发生过交易则边存在，即邻接矩阵中对应元素为1；交易关系通常也可用交易次数、金额等属性进行描述。因此，可以用一组邻接矩阵来对其进行描述，将它们构成一个三张量
。多头注意力机制便以
和
为输入。
进一步地，在本说明书实施例中，在将子图数据中的节点信息处理为节点向量矩阵
，将边信息处理为张量
之后，多头注意力机制以
、
作为输入进行信息聚合。由于本方案中的图神经网络GNN是由多个相同结构的神经网络结构串联而成，为了区分不同结构层的节点信息和边信息，将第
层的输入表示为
、
。下面对多头注意力机制进行信息聚合操作的具体工作方式进行描述如下：
首先，根据各节点之间的相关性确定注意力矩阵，具体可以包括以下内容：
对节点向量矩阵中的节点向量进行线性变换，以便将其转换为查询向量、主键向量和值向量，将任意节点的查询向量与其他节点的主键向量进行点积运算，点积运算的结果用于表示第一相关性；
对张量中的多个矩阵与预定的系数执行加权操作，加权操作的结果用于表示第二相关性；
根据第一相关性和第二相关性确定注意力矩阵。
具体地，在本说明书实施例中，由于图数据中的所有节点向量
类似于文本中的词嵌入输入，因此通过对节点信息进行线性变换，可以将节点信息转换为查询向量
、主键向量
及值向量
。在实际应用中，可以采用以下方式对节点信息进行转换：
根据矩阵运算，
每一行对应一个节点的属性向量，
、
、
的每一行也对应一个节点的相应信息。将任意一个节点的查询信息与其他节点的主键信息进行点积运算，即通过计算
，将该点积运算的结果用来描述节点之间的相关性（即第一相关性），
矩阵形状为
，可用于表示任意两个节点之间的相关性。
同时，由于子图中所有边上的信息用三张量
表示，子图中节点个数为
，描述边上信息的向量维度为
，那么
的维度或形状为
，图中边信息
也可以描述节点之间不同的相关性（即第二相关性）；因此，通过一组系数来加权不同的相关性（第一相关性和第二相关性），并输入到softmax函数中即可确定注意力矩阵，例如可以采用以下计算式来确定所述注意力矩阵，具体地：
其中，
表示注意力矩阵；
表示查询向量；
表示主键向量；
表示值向量；
表示边信息；
表示第一相关性的矩阵；
表示张量的第k个矩阵分量；
表示第二相关性的矩阵；
表示节点间综合相关性的矩阵。
进一步地，在确定注意力矩阵后，可以利用softmax函数对该矩阵的每一行进行归一化处理，保证矩阵中的每一行均为一组和为1的权重向量，该归一化的操作如下：
其次，根据注意力矩阵对目标节点的邻域节点信息进行聚合，具体可以包括以下内容：
利用注意力矩阵对目标节点的邻域节点所对应的值向量进行加权求和，以便聚合邻域节点信息。
在本说明书一具体实施例中，可以采用以下计算式对目标节点的邻域节点信息进行聚合，具体地：
其中，
表示注意力矩阵，注意力矩阵中的每一行表示一组归一化权重；
表示不同节点的值向量，
中每一行对应不同节点的值信息；
表示对任一目标节点，注意力矩阵中对应该目标节点的一行表示其对应的所有邻域节点，并将邻域节点的
值信息向量进行加权求和，从而聚合邻域内的信息。
需要说明的是，邻域信息的聚合可以认为是根据注意力矩阵对节点信息进行加权求和，利用公式将输入的原始节点信息、边信息进行加工变换，再对节点的上下文信息进行提取，得到的还是节点信息，只是经过变换后的信息将更有利于判断商户是否为好商户。
在本说明书一个或多个实施例中，在对边上信息的提取时同样综合考虑边上属性信息和边两端节点的相关性信息，边上信息特征的计算公式如下：
边上信息使用张量
进行表示，
为张量的第j个分量。注意力机制对边上信息的变换将作为边的特征向后传递，逐层处理后将用于识别边所代表的交易关系是否虚假。
本方案中的图神经网络模型能够有效利用图中边上信息，通过使用边信息增强注意力机制，即同时利用节点的二阶特征对边上信息进行补充，由于注意力系数是根据节点特征的二阶信息和边特征的一阶信息构成的，因此能够更有效的描述用户和商户之间是否存在真实可匹配的交易关系。另外值得说明的是，注意力计算公式中并未引入偏执项，这是因为注意力系数最终由softmax加工得到，偏执项的引入并无必要。
值得说明的是，在使用注意力机制进行信息聚合的过程中，图神经网络GNN的一般做法是对给定节点的一度邻居进行聚合，因此，mask机制被用于控制节点聚合信息的节点范围，但在GNN模型和识别任务中，信息聚合方式并没有严格要求，将mask扩展为全连接子图同样适用。
基于以上实施例的内容，通过利用注意力机制对输入的图数据中的相邻节点信息进行聚合，通过聚合邻域节点的信息，可以同时考虑目标节点自身的属性信息及其在图中的上下文信息，即通过融合边信息的注意力机制对交易关系进行识别，可以实现综合考虑买家、卖家双方的信息及交易网络的结构信息，通过监督学习方法识别交易是否为虚假交易，因此利用本方案的虚假交易识别方法速度更快，识别效果更好。
进一步地，在本说明书实施例中，每个神经网络结构内包含串联而成的多头注意力机制、第一归一化层、前馈网络和第二归一化层；其中，多头注意力机制用于执行信息聚合操作，前馈网络用于执行特征向量提取操作，特征向量提取操作用于对归一化操作后的节点信息和边信息分别进行变换，以便提取出目标特征向量。
下面通过附图对本方案中的融合边信息的图注意力神经网络的结构进行详细说明，如图3所示，其示出了本说明书实施例提供的一种融合边信息的图注意力神经网络的结构示意图，本方案中的融合边信息的图注意力神经网络是由多个相同结构的神经网络结构串联而成（图中的N×用来描述该部分结构可以根据实际需要，通过重复串联若干次构成最终的神经网络），每个所述神经网络结构均由四个部分组成，即多头注意力机制、归一化层、前馈网络和归一化层；其中，多头注意力机制的输入与归一化层的输出会由短路残差连接合并形成残差结构，合并后的数值向量作为前馈网络的输入，前馈网络的输入与新一层归一化的输出也由短路残差连接合并形成残差结构，合并后输入后续模块。其中，残差连接是指多头注意力机制和前馈网络旁边的两个连接，它的作用是将原始信息和多头注意力聚合的信息合并在一起，或者将原始信息和前馈网络处理后的信息合并在一起。
值得说明的是，本方案中的融合边信息的图注意力神经网络模型是通过对自然语言领域中的Transformer模型进行改进而得到的模型，改进后的模型可用于图数据的预测识别，因此也可将上述改进后的模型称为GraphTransformer。
下面先对Transformer模型进行简单介绍，Transformer模型主要应用于文本数据，以词嵌入向量序列作为输入，注意力机制根据词义之间的相关性对句内语义信息进行聚合，聚合过程中考虑单词的前后位置顺序，mask机制被用于防止序列中左侧单词获取右侧单词中的信息，前馈网络会进一步对每个词嵌入向量进行处理，提取抽象信息。
本方案通过对Transformer模型中的注意力机制及前馈网络结构进行适当调整，使得调整后的模型能够直接应用于图数据处理，通过对图数据中边的虚假属性进行预测，因此可用于识别交易关系是否为虚假交易，GraphTransformer将Transformer改进为可以处理图数据。GraphTransformer是一种图神经网络模型，能够有效利用子图中所有节点及边的特征，通过组合注意力机制、前馈网络、归一化操作等不同功能的模块，GraphTransformer能更有效的解决复杂问题，深度神经网络通过层级抽象能提取高度非线性的特征表示，极大减轻模型对人工特征工程的依赖。
进一步地，在本说明书实施例中，经过注意力机制后，节点特征和边特征都将进行归一化处理，归一化处理对每个节点和每条边单独进行，之后节点特征和边特征分别使用不同的前馈网络进行变换，且仍然对所有节点和边分别单独进行变换，通过这些操作对特征进行层级化抽象，能够提取出表达能力更强的特征向量。
在步骤S130中，将所述目标特征向量输入到分类器中，以便根据所述分类器的输出结果判断所述待识别交易是否为虚假交易。
在本说明书一个或多个实施例中，子图数据经过前述步骤的处理后，将得到的目标特征向量输入到softmax模块中进行预测，根据softmax模块输出的预测结果来判断交易关系是否虚假，其中，softmax的数学表达式如下：
其中，
表示交易是否为虚假；
表示交易虚假；
表示交易不虚假；
表示模型预测的交易为虚假的可能性；
为GraphTransformer模型的输出。
进一步地，可以采用以下方式根据分类器的输出结果来判断待识别交易是否为虚假交易，具体地：
根据分类器输出的目标节点对应的概率分值，根据概率分值判断待识别交易是否为虚假交易，概率分值用于表示目标节点之间的交易关系为虚假交易的可能性。
基于本说明书实施例所提供的技术方案，通过改进Transformer模型，将其应用于图数据处理，并通过组合注意力机制、前馈网络、归一化操作等不同功能的模块，使改进后的GraphTransformer模型能更有效的解决复杂问题；受到因子分解机FM在点击预测过程中能有效描述用户与广告之间的匹配关系的技术启发，将因子分解机FM的技术思想应用于提升图数据上的注意力机制，即利用FM引入变量的二阶交叉项，使模型预测能力有明显增强，通过这一机制能更有效的描述用户和商户之间是否存在真实可匹配的交易关系；深度神经网络通过层级抽象能提取高度非线性的特征表示，极大减轻模型对人工特征工程的依赖。
基于同样的思路，本说明书实施例还提供了一种虚假交易识别装置，如图4为本说明书实施例提供的一种虚假交易识别装置的结构示意图，该装置400主要包括：
获取模块401，用于获取预定平台所对应的原始交易图数据，根据目标节点从所述原始交易图数据中提取出子图数据，其中，所述目标节点包括根据待识别交易所确定的买家节点及卖家节点；
神经网络模块402，用于将所述子图数据作为输入，利用预定的多个连续的神经网络结构执行信息聚合操作和特征向量提取操作得到目标特征向量；其中，所述信息聚合操作用于根据各节点之间的相关性确定注意力矩阵，并根据所述注意力矩阵对目标节点的邻域节点信息进行聚合，所述各节点之间的相关性包括根据各节点信息所确定的第一相关性以及根据边信息所确定的第二相关性；
判断模块403，用于将所述目标特征向量输入到分类器中，以便根据所述分类器的输出结果判断所述待识别交易是否为虚假交易。
本说明书实施例还提供一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述一种虚假交易识别方法。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的，因此，装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (18)
1.一种虚假交易识别方法，所述方法包括：
获取预定平台所对应的原始交易图数据，根据目标节点从所述原始交易图数据中提取出子图数据，其中，所述目标节点包括根据待识别交易所确定的买家节点及卖家节点；
将所述子图数据作为输入，利用预定的多个连续的神经网络结构执行信息聚合操作和特征向量提取操作得到目标特征向量；其中，所述信息聚合操作用于根据各节点之间的相关性确定注意力矩阵，并根据所述注意力矩阵对目标节点的邻域节点信息进行聚合，所述各节点之间的相关性包括根据各节点信息所确定的第一相关性以及根据边信息所确定的第二相关性；
将所述目标特征向量输入到分类器中，以便根据所述分类器的输出结果判断所述待识别交易是否为虚假交易。
2.如权利要求1所述的方法，所述预定平台包括电商平台，所述获取预定平台所对应的原始交易图数据，包括：
获取所述电商平台所产生的历史交易数据，根据所述历史交易数据创建所述原始交易图数据，所述原始交易图数据中包含由节点信息组成的节点集合，以及由边信息组成的边集合。
3.如权利要求1所述的方法，所述根据目标节点从所述原始交易图数据中提取出子图数据，包括：
利用图采样算法从所述原始交易图数据中将所述买家节点、卖家节点以及其分别对应的二度邻居节点提取出来构成节点子集，将两端节点均在所述节点子集内的边从所述原始交易图数据中提取出来构成边子集，利用所述节点子集和边子集构成所述子图数据。
4.如权利要求1所述的方法，在所述执行信息聚合操作之前，还包括：
利用所述子图数据中的节点信息所对应的向量构成节点向量矩阵，并利用邻接矩阵对所述子图数据中的边信息进行处理得到张量，将所述节点向量矩阵以及张量作为多头注意力机制的输入。
5.如权利要求4所述的方法，所述根据各节点之间的相关性确定注意力矩阵，包括：
对所述节点向量矩阵中的节点向量进行线性变换，以便将其转换为查询向量、主键向量和值向量，将任意节点的查询向量与其他节点的主键向量进行点积运算，所述点积运算的结果用于表示所述第一相关性；
对所述张量中的多个矩阵与预定的系数执行加权操作，所述加权操作的结果用于表示所述第二相关性；
根据所述第一相关性和第二相关性确定注意力矩阵。
6.如权利要求5所述的方法，采用以下计算式执行所述根据各节点之间的相关性确定注意力矩阵的操作，具体地：
其中，Φ表示注意力矩阵；Q表示查询向量；K表示主键向量；V表示值向量；L表示边信息；QKT表示第一相关性的矩阵；Ll,k表示张量的第k个矩阵分量；
表示第二相关性的矩阵；wk表示执行加权操作时的系数；
表示节点间综合相关性的矩阵；w0表示查询向量与主键向量进行点积运算时的系数。
7.如权利要求5所述的方法，所述根据所述注意力矩阵对目标节点的邻域节点信息进行聚合，包括：
利用所述注意力矩阵对所述目标节点的邻域节点所对应的值向量进行加权求和，以便聚合所述邻域节点信息。
8.如权利要求7所述的方法，采用以下计算式执行所述根据所述注意力矩阵对目标节点的邻域节点信息进行聚合的操作，具体地：
Xl+1＝ΦV
其中，Φ表示注意力矩阵，注意力矩阵中的每一行表示一组归一化权重；V表示不同节点的值向量；ΦV表示对任一目标节点，注意力矩阵中对应该目标节点的一行表示其对应的所有邻域节点，并将邻域节点的值向量进行加权求和。
9.如权利要求1所述的方法，每个所述神经网络结构内包含串联而成的多头注意力机制、第一归一化层、前馈网络和第二归一化层；其中，所述多头注意力机制用于执行所述信息聚合操作，所述前馈网络用于执行所述特征向量提取操作，所述特征向量提取操作用于对归一化操作后的节点信息和边信息分别进行变换，以便提取出目标特征向量。
10.如权利要求1所述的方法，所述根据所述分类器的输出结果判断所述待识别交易是否为虚假交易，包括：
根据所述分类器输出的目标节点对应的概率分值，根据所述概率分值判断所述待识别交易是否为虚假交易，所述概率分值用于表示所述目标节点之间的交易关系为虚假交易的可能性。
11.一种虚假交易识别装置，所述装置包括：
获取模块，用于获取预定平台所对应的原始交易图数据，根据目标节点从所述原始交易图数据中提取出子图数据，其中，所述目标节点包括根据待识别交易所确定的买家节点及卖家节点；
神经网络模块，用于将所述子图数据作为输入，利用预定的多个连续的神经网络结构执行信息聚合操作和特征向量提取操作得到目标特征向量；其中，所述信息聚合操作用于根据各节点之间的相关性确定注意力矩阵，并根据所述注意力矩阵对目标节点的邻域节点信息进行聚合，所述各节点之间的相关性包括根据各节点信息所确定的第一相关性以及根据边信息所确定的第二相关性；
判断模块，用于将所述目标特征向量输入到分类器中，以便根据所述分类器的输出结果判断所述待识别交易是否为虚假交易。
12.如权利要求11所述的装置，所述预定平台包括电商平台，所述获取模块还用于：
在所述获取预定平台所对应的原始交易图数据之前，获取所述电商平台所产生的历史交易数据，根据所述历史交易数据创建所述原始交易图数据，所述原始交易图数据中包含由节点信息组成的节点集合，以及由边信息组成的边集合。
13.如权利要求11所述的装置，所述获取模块还用于：
利用图采样算法从所述原始交易图数据中将所述买家节点、卖家节点以及其分别对应的二度邻居节点提取出来构成节点子集，将两端节点均在所述节点子集内的边从所述原始交易图数据中提取出来构成边子集，利用所述节点子集和边子集构成所述子图数据。
14.如权利要求11所述的装置，所述神经网络模块还用于：
在所述执行信息聚合操作之前，利用所述子图数据中的节点信息所对应的向量构成节点向量矩阵，并利用邻接矩阵对所述子图数据中的边信息进行处理得到张量，将所述节点向量矩阵以及张量作为多头注意力机制的输入。
15.如权利要求14所述的装置，所述神经网络模块还用于：
对所述节点向量矩阵中的节点向量进行线性变换，以便将其转换为查询向量、主键向量和值向量，将任意节点的查询向量与其他节点的主键向量进行点积运算，所述点积运算的结果用于表示所述第一相关性；
对所述张量中的多个矩阵与预定的系数执行加权操作，所述加权操作的结果用于表示所述第二相关性；
根据所述第一相关性和第二相关性确定注意力矩阵。
16.如权利要求15所述的装置，所述神经网络模块还用于：
利用所述注意力矩阵对所述目标节点的邻域节点所对应的值向量进行加权求和，以便聚合所述邻域节点信息。
17.如权利要求11所述的装置，所述判断模块还用于：
根据所述分类器输出的目标节点对应的概率分值，根据所述概率分值判断所述待识别交易是否为虚假交易，所述概率分值用于表示所述目标节点之间的交易关系为虚假交易的可能性。
18.一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1至10中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010440520.XA CN111340509B (zh) | 2020-05-22 | 2020-05-22 | 一种虚假交易识别方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010440520.XA CN111340509B (zh) | 2020-05-22 | 2020-05-22 | 一种虚假交易识别方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111340509A CN111340509A (zh) | 2020-06-26 |
| CN111340509B true CN111340509B (zh) | 2020-08-21 |
Family
ID=71183017
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010440520.XA Active CN111340509B (zh) | 2020-05-22 | 2020-05-22 | 一种虚假交易识别方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111340509B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111522866B (zh) * | 2020-07-03 | 2020-11-03 | 支付宝(杭州)信息技术有限公司 | 一种可信子图的挖掘方法、装置以及设备 |
| US20220020026A1 (en) * | 2020-07-17 | 2022-01-20 | Mastercard International Incorporated | Anti-money laundering methods and systems for predicting suspicious transactions using artifical intelligence |
| CN113763077B (zh) * | 2020-07-24 | 2024-07-19 | 北京沃东天骏信息技术有限公司 | 用于检测虚假交易订单的方法和装置 |
| CN111935005B (zh) * | 2020-08-07 | 2023-10-24 | 腾讯科技（深圳）有限公司 | 数据传输方法、装置、处理设备及介质 |
| CN112036762B (zh) * | 2020-09-07 | 2021-08-31 | 贝壳找房(北京)科技有限公司 | 行为事件的识别方法和装置、电子设备和存储介质 |
| CN112699662B (zh) * | 2020-12-31 | 2022-08-16 | 太原理工大学 | 一种基于文本结构算法的虚假信息早期检测方法 |
| CN113190730B (zh) * | 2021-04-30 | 2024-07-30 | 中国人民银行数字货币研究所 | 一种区块链地址的分类方法及装置 |
| CN113393250A (zh) * | 2021-06-09 | 2021-09-14 | 北京沃东天骏信息技术有限公司 | 一种信息处理方法及装置、存储介质 |
| CN113627950B (zh) * | 2021-06-25 | 2023-12-29 | 淮安集略科技有限公司 | 基于动态图的用户交易特征提取的方法和系统 |
| CN113592517A (zh) * | 2021-08-09 | 2021-11-02 | 深圳前海微众银行股份有限公司 | 欺诈客群识别方法、装置、终端设备及计算机存储介质 |
| CN114090834A (zh) * | 2021-11-09 | 2022-02-25 | 支付宝(杭州)信息技术有限公司 | 一种图搜索方法、装置及设备 |
| US20230214842A1 (en) * | 2022-01-04 | 2023-07-06 | International Business Machines Corporation | Locating suspect transaction patterns in financial networks |
| CN117057825B (zh) * | 2023-10-09 | 2023-12-19 | 新立讯科技股份有限公司 | 一种农产品交易数据处理方法、装置、服务器及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107515895A (zh) * | 2017-07-14 | 2017-12-26 | 中国科学院计算技术研究所 | 一种基于目标检测的视觉目标检索方法与系统 |
| CN108596630A (zh) * | 2018-04-28 | 2018-09-28 | 招商银行股份有限公司 | 基于深度学习的欺诈交易识别方法、系统及存储介质 |
| CN109272323A (zh) * | 2018-09-14 | 2019-01-25 | 阿里巴巴集团控股有限公司 | 一种风险交易识别方法、装置、设备及介质 |
| CN109784636A (zh) * | 2018-12-13 | 2019-05-21 | 中国平安财产保险股份有限公司 | 欺诈用户识别方法、装置、计算机设备及存储介质 |
| CN110378543A (zh) * | 2018-04-12 | 2019-10-25 | 百度在线网络技术（北京）有限公司 | 离职风险预测方法、装置、计算机设备和存储介质 |
| CN110555455A (zh) * | 2019-06-18 | 2019-12-10 | 东华大学 | 一种基于实体关系的在线交易欺诈检测方法 |
| CN110874786A (zh) * | 2019-10-11 | 2020-03-10 | 支付宝(杭州)信息技术有限公司 | 虚假交易团伙识别方法、设备及计算机可读介质 |
| CN111143665A (zh) * | 2019-10-15 | 2020-05-12 | 支付宝(杭州)信息技术有限公司 | 一种欺诈的定性方法、装置及设备 |
-
2020
- 2020-05-22 CN CN202010440520.XA patent/CN111340509B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107515895A (zh) * | 2017-07-14 | 2017-12-26 | 中国科学院计算技术研究所 | 一种基于目标检测的视觉目标检索方法与系统 |
| CN110378543A (zh) * | 2018-04-12 | 2019-10-25 | 百度在线网络技术（北京）有限公司 | 离职风险预测方法、装置、计算机设备和存储介质 |
| CN108596630A (zh) * | 2018-04-28 | 2018-09-28 | 招商银行股份有限公司 | 基于深度学习的欺诈交易识别方法、系统及存储介质 |
| CN109272323A (zh) * | 2018-09-14 | 2019-01-25 | 阿里巴巴集团控股有限公司 | 一种风险交易识别方法、装置、设备及介质 |
| CN109784636A (zh) * | 2018-12-13 | 2019-05-21 | 中国平安财产保险股份有限公司 | 欺诈用户识别方法、装置、计算机设备及存储介质 |
| CN110555455A (zh) * | 2019-06-18 | 2019-12-10 | 东华大学 | 一种基于实体关系的在线交易欺诈检测方法 |
| CN110874786A (zh) * | 2019-10-11 | 2020-03-10 | 支付宝(杭州)信息技术有限公司 | 虚假交易团伙识别方法、设备及计算机可读介质 |
| CN111143665A (zh) * | 2019-10-15 | 2020-05-12 | 支付宝(杭州)信息技术有限公司 | 一种欺诈的定性方法、装置及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111340509A (zh) | 2020-06-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111340509B (zh) | 一种虚假交易识别方法、装置及电子设备 | |
| CN109934706B (zh) | 一种基于图结构模型的交易风险控制方法、装置以及设备 | |
| Ha et al. | Improving credit risk prediction in online peer-to-peer (P2P) lending using feature selection with deep learning | |
| CN108921566B (zh) | 一种基于图结构模型的虚假交易识别方法和装置 | |
| CN109934697A (zh) | 一种基于图结构模型的信用风险控制方法、装置以及设备 | |
| CN107590690B (zh) | 数据处理方法、装置及服务器 | |
| CN112214652B (zh) | 一种报文生成方法、装置及设备 | |
| CN112015909B (zh) | 知识图谱的构建方法及装置、电子设备、存储介质 | |
| Aparicio et al. | Predicting Bitcoin prices: The effect of interest rate, search on the internet, and energy prices | |
| Mousa et al. | TI-capsule: capsule network for stock exchange prediction | |
| Zhang et al. | Data augmentation based stock trend prediction using self-organising map | |
| Elzeheiry et al. | Sentiment analysis for e-commerce product reviews: Current trends and future directions | |
| Zhou et al. | Multi-scale graph classification with shared graph neural network | |
| Yontar et al. | Using machine learning techniques to develop prediction models for detecting unpaid credit card customers | |
| Li et al. | Graph neural network with self-attention and multi-task learning for credit default risk prediction | |
| Oliveira et al. | A new generation? a discussion on deep generative models in supply chains | |
| CN111401641B (zh) | 业务数据处理方法、装置及电子设备 | |
| CN114118779B (zh) | 一种基于kgann的面向互联网舆情事件的企业风险识别方法 | |
| Liu | Prediction and analysis of artwork price based on deep neural network | |
| Khan et al. | Predictive analytics in cryptocurrency using neural networks: A comparative study | |
| Mollah et al. | Adapting Contextual Embedding to Identify Sentiment of E-commerce Consumer Reviews with Addressing Class Imbalance Issues | |
| Tuan et al. | Stock Price Prediction in Vietnam Using Stacked LSTM | |
| Choudhary et al. | Predicting bitcoin price fluctuation by Twitter sentiment analysis | |
| Yadav et al. | Stock Market Predictions Using FastRNN, CNN, and Bi-LSTM-Based Hybrid Model | |
| Rostamian | Applications of Deep Learning Models in Financial Forecasting |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |