[发明专利]盗账户案件分析方法和装置

权利要求书

1.一种盗账户案件分析方法，其特征在于，所述方法包括：

获取待分析盗账户案件的第一特征数据；

根据所述第一特征数据构建原始特征输入向量；

将所述原始特征输入向量作为深度神经网络模型的原始特征输入层的输 入向量，通过所述深度神经网络模型的输出层获得所述待分析盗账户案件的 分析结果，其中，所述深度神经网络模型包括至少三层的隐性特征层，所述 隐性特征层的输出向量与所述原始特征输入层的输入向量具有相同的元素个 数。

2.根据权利要求1所述的方法，其特征在于，所述根据所述第一特征数 据构建原始特征输入向量，具体包括：

对所述第一特征数据进行归一化处理得到第二特征数据；

根据所述第二特征数据构建原始特征输入向量。

3.根据权利要求1所述的方法，其特征在于，所述获取待分析盗账户案 件的第一特征数据之前，所述方法还包括：

获取样本盗账户案件的样本特征数据和所述样本盗账户案件的样本分析 结果；

根据所述样本特征数据构建样本原始特征输入向量；

将所述样本原始特征输入向量作为深度神经网络模型的原始特征输入层 的输入向量，将所述样本分析结果作为所述深度神经网络模型的输出层的输 出结果，进行深度神经网络模型学习。

4.根据权利要求3所述的方法，其特征在于，所述进行深度神经网络模 型学习，具体包括：

基于最小化重构误差准则，在满足性能阈值的条件下，为所述深度神经网 络模型逐层进行特征信息提炼；

通过统计分类器建模获得的分类结果与所述样本分析结果相同的概率，对 所述深度神经网络模型进行性能评估；

当所述性能评估的评估结果满足要求时，确认完成所述深度神经网络模型 学习；

当所述性能评估的评估结果不满足要求时，调整所述性能阈值重新进行特 征信息提炼。

5.根据权利要求4所述的方法，其特征在于，所述基于最小化重构误差 准则，在满足性能阈值的条件下，为所述深度神经网络模型逐层进行特征信 息提炼，具体包括：

在每次特征信息提炼后，反推来验证所述特征信息提炼是否满足性能阈 值；

当验证结果为所述特征信息提炼满足所述性能阈值时，确认完成该层的特 征信息提炼；

当验证结果为所述特征信息提炼不满足所述性能阈值时，调整该层的权值 矩阵重新进行该层的特征信息提炼。

6.一种盗账户案件分析装置，其特征在于，所述装置包括：第一数据获 取单元、第一向量构建单元和分析单元；

所述第一数据获取单元，用于获取待分析盗账户案件的第一特征数据；

所述第一向量构建单元，用于根据所述第一数据获取单元获取的第一特征 数据构建原始特征输入向量；

所述分析单元，用于将所述第一向量构建单元构建的原始特征输入向量作 为深度神经网络模型的原始特征输入层的输入向量，通过所述深度神经网络 模型的输出层获得所述待分析盗账户案件的分析结果，其中，所述深度神经 网络模型包括至少三层的隐性特征层，所述隐性特征层的输出向量与所述原 始特征输入层的输入向量具有相同的元素个数。

7.根据权利要求6所述的装置，其特征在于，所述第一向量构建单元具 体包括：

归一化处理子单元，用于对所述第一特征数据进行归一化处理得到第二特 征数据；

向量构建子单元，用于根据所述归一化处理子单元得到的第二特征数据构 建原始特征输入向量。