异常账户识别模型训练方法、装置、设备及介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115438747A(43)申请公布日2022.12.06(21)申请号202211202721.1(22)申请日2022.09.29(71)申请人中国农业银行股份有限公司地址100005北京市东城区建国门内大街69号(72)发明人李玥(74)专利代理机构北京同立钧成知识产权代理有限公司11205专利代理师蔡维华黄健(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12页附图3页(54)发明名称异常账户识别模型训练方法、装置、设备及介质(57)摘要本申请提供一种异常账户识别模型训练方法、装置、设备及介质。该方法包括：获取目标业务场景的训练样本及类别标签；将目标业务场景的训练样本及类别标签输入初始化参数后的异常账户识别模型中，以对初始化参数后的异常账户识别模型进行训练，并获得目标异常账户识别模型；初始化参数后的异常账户识别模型为采用MAML算法确定的，多个业务场景对应的初始化参数后的异常账户识别模型是一致的。MAML算法利用了不同业务场景下的违法行为交易共通的典型特征确定初始化参数后的异常账户识别模型，因此仅需要少量训练样本及类别标签、以及很少的迭代次数对初始化参数后的异常账户识别模型进行训练就可以得到目标异常账户识别模型。CN115438747ACN115438747A权利要求书1/2页1.一种异常账户识别模型训练方法，其特征在于，包括：获取目标业务场景的训练样本及类别标签；所述训练样本包括目标业务场景下历史账户的历史特征数据；所述历史特征数据包括：属性特征值及历史行为特征值；将目标业务场景的训练样本及类别标签输入初始化参数后的异常账户识别模型中，以对初始化参数后的异常账户识别模型进行训练，并获得目标异常账户识别模型，所述目标异常账户识别模型用于目标业务场景中对目标账户进行是否异常的识别；所述初始化参数后的异常账户识别模型为采用模型无关元学习MAML算法确定的，多个业务场景对应的初始化参数后的异常账户识别模型是一致的。2.根据权利要求1所述的方法，其特征在于，采用模型无关元学习MAML算法确定初始化参数后的异常账户识别模型，包括：获取多个业务场景下的历史交易数据集；所述历史交易数据集中包括多个业务场景对应的交易数据样本及类别标签；所述交易数据样本包括对应业务场景下账户的历史特征数据；采用模型无关元学习MAML算法根据所述历史交易数据集初始化所述异常账户识别模型中的参数，以获取初始化参数后的异常账户识别模型。3.根据权利要求2所述的方法，其特征在于，所述采用模型无关元学习MAML算法根据所述历史交易数据集初始化所述异常账户识别模型中的参数，以获取初始化参数后的异常账户识别模型，包括：将所述历史交易数据集分为训练数据集及测试数据集；采用MAML算法的内循环部分根据所述训练数据集获取多个业务场景对应的适应性参数；采用MAML算法的外循环部分根据所述测试数据集及所述多个业务场景对应的适应性参数确定异常账户识别模型的共享初始化参数；将所述异常账户识别模型中的参数初始化为共享初始化参数。4.根据权利要求1所述的方法，其特征在于，所述获取目标业务场景的训练样本及类别标签，包括：从目标业务场景对应的数据库中获取多个历史账户在预设天数内的交易数据、对应的账户特征及类别标签；所述多个账户中包括类别标签为异常的账户；提取各历史账户对应交易数据的数据特征，以获取目标业务场景下多个历史账户的历史行为特征值；对各历史账户对应的账户特征进行定量化处理，以获取目标业务场景下多个历史账户的属性特征值；将各历史账户对应的历史行为特征值及属性特征值确定为各训练样本，并将各历史账户对应的类别标签确定为对应训练样本的类别标签。5.根据权利要求1‑4任一项所述的方法，其特征在于，所述初始化参数后的异常账户识别模型为初始化参数后的深度神经网络DNN模型；所述将目标业务场景的训练样本及类别标签输入初始化参数后的异常账户识别模型中，以对初始化参数后的异常账户识别模型进行训练，并获得目标异常账户识别模型，包括：2CN115438747A权利要求书2/2页将目标业务场景的训练样本及类别标签输入所述初始化参数后的深度神经网络DNN模型中；采用目标业务场景的训练样本及类别标签对所述初始化参数后的深度神经网络DNN模型进行训练；判断训练后的DNN模型中的损失函数是否达到预设阈值；若确定损失函数达到预设阈值，则将损失函数达到最小的DNN模型确定为目标异常账户识别模型。6.一种异常账户识别方法，其特征在于，包括：获取目标账户在目标业务场景下的当前特征数据；所述当前特征数据包括：目标账户的当前属性特征值及当前行为特征值；将当前特征数据输