建立风险识别模型的方法及对应装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115293235A(43)申请公布日2022.11.04(21)申请号202210788668.1(22)申请日2022.07.06(71)申请人支付宝（杭州）信息技术有限公司地址310000浙江省杭州市西湖区西溪路556号8层B段801-11(72)发明人李金膛陈亮田胜朱亮孟昌华王维强(74)专利代理机构济南信达专利事务所有限公司37100专利代理师李世喆(51)Int.Cl.G06K9/62(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书11页附图4页(54)发明名称建立风险识别模型的方法及对应装置(57)摘要本说明书实施例提供了一种建立风险识别模型的方法及对应装置。其中方法包括：获取利用用户的网络行为数据构建的异构网络图对应的图邻接矩阵，异构网络图包括节点和边，节点包括行为主体和行为对象，边依据行为主体和行为对象之间的行为关系确定；利用图邻接矩阵生成训练样本，以及对图邻接矩阵的特征值和/或特征向量进行扰动生成对抗样本；利用训练样本和对抗样本训练图神经网络，得到风险识别模型；其中训练目标包括：最小化图神经网络针对训练样本和对抗样本中的样本对象输出的识别结果与该样本对象被标注的标签之间的差异，样本对象包括节点或边。本申请能够有效提高风险识别模型的鲁棒性。CN115293235ACN115293235A权利要求书1/2页1.一种建立风险识别模型的方法，其特征在于，该方法包括：获取利用用户的网络行为数据构建的异构网络图对应的图邻接矩阵，所述异构网络图包括节点和边，所述节点包括行为主体和行为对象，所述边依据行为主体和行为对象之间的行为关系确定；利用所述图邻接矩阵生成训练样本，以及对所述图邻接矩阵的特征值和/或特征向量进行扰动生成对抗样本；利用所述训练样本和所述对抗样本训练图神经网络，得到风险识别模型；其中训练目标包括：最小化所述图神经网络针对所述训练样本和对抗样本中的样本对象输出的识别结果与该样本对象被标注的标签之间的差异，所述样本对象包括节点或边。2.根据权利要求1所述的方法，其特征在于，利用所述图邻接矩阵生成训练样本包括：对所述图邻接矩阵进行特征分解，得到第一特征值和第一特征向量；利用所述第一特征值和所述第一特征向量进行重构，得到第一图邻接矩阵；将所述第一图邻接矩阵作为训练样本。3.根据权利要求1所述的方法，其特征在于，对所述图邻接矩阵的特征值和/或特征向量进行扰动生成对抗样本包括：对所述图邻接矩阵进行特征分解，得到第一特征值和第一特征向量；对所述第一特征值添加扰动得到第二特征值，利用所述第二特征值和所述第一特征向量重构得到第二图邻接矩阵；对所述第一特征向量添加扰动得到第二特征向量，利用所述第一特征值和所述第二特征向量重构得到第三图邻接矩阵；将所述第二图邻接矩阵和/或所述第三图邻接矩阵作为对抗样本。4.根据权利要求3所述的方法，其特征在于，对所述第一特征值添加扰动得到第二特征值包括：确定所述训练样本输入所述图神经网络得到的第一训练损失，利用所述第一训练损失对所述第一特征值的梯度生成特征值扰动，对所述第一特征值添加所述特征值扰动得到第二特征值；对所述第一特征向量添加扰动得到第二特征向量包括：确定所述训练样本输入所述图神经网络得到的第一训练损失，利用所述第一训练损失对所述第一特征向量的梯度生成特征向量扰动，对所述第一特征向量添加所述特征向量扰动得到第二特征向量。5.根据权利要求4所述的方法，其特征在于，利用所述第一训练损失对所述第一特征值的梯度生成特征值扰动包括：利用生成特征值扰动，其中，g1为所述第一训练损失对所述第一特征值的梯度，所述ε1为预设的超参数，所述||||2为求取二次范数；利用所述第一训练损失对所述第一特征向量的梯度生成特征向量扰动包括：利用生成特征向量扰动，其中，g2为所述第一训练损失对所述第一特征向量的梯度，所述ε2为预设的超参数。6.根据权利要求3所述的方法，其特征在于，利用所述训练样本和所述对抗样本训练图神经网络包括：2CN115293235A权利要求书2/2页在每一轮迭代中确定总训练损失，所述总训练损失由第一训练损失、第二训练损失和第三训练损失确定，所述第一训练损失为所述训练样本输入所述图神经网络得到的训练损失，所述第二训练损失为所述第二图邻接矩阵输入所述图神经网络得到的训练损失，所述第三训练损失为所述第三图邻接矩阵输入所述图神经网络得到的训练损失；利用所述总训练损失的值更新所述图神经网络的模型参数，直至达到预设的训练结束条件。7.根据权利要求1至6中任一项所述的方法，其特征在于，所述风险识别模型用以对所述异构网络图中的待识别节点或边进行风险识别。8.一种建立风险识别模型的装置，其特征