[发明专利]异常用户识别方法和用于识别异常用户的装置

权利要求书

1.一种异常用户识别方法，包括：

获取多个用户的特征数据，以及基于所述特征数据，以无监督学习方式确定出多个用户中的异常用户，所述特征数据包括：多个指示用户的特征的特征参数；

所述以无监督学习方式确定出多个用户中的异常用户包括：采用聚类算法对多个用户的特征数据进行聚类，得到多个簇；当簇中包含与预设异常特征数据匹配的特征数据时，将所述簇中的所有特征数据对应的用户确定为异常用户；

基于确定出的异常用户的特征数据，以有监督学习方式从多个特征参数中选取出用于构建分类模型的关键特征参数，以及生成包含所述关键特征参数的关键特征数据，所述关键特征参数为识别异常用户的特征参数；

利用所述关键特征数据构建分类模型，以利用分类模型对用户是否为异常用户进行识别。

2.根据权利要求1所述的方法，其特征在于，基于确定出的异常用户的特征数据，以有监督学习方式从多个特征参数中选取出用于构建分类模型的关键特征参数，以及生成包含所述关键特征参数的关键特征数据包括：

将确定出的异常用户的特征数据作为训练样本，构建决策树，其中，决策树中的一个节点对应一个特征参数；

将决策树中深度大于深度阈值的节点对应的特征参数作为用于构建分类模型的关键特征参数；

选取出满足以下条件的异常用户的特征数据：所述决策树对所述异常用户的特征数据进行分类得到的分类结果为异常用户；

对选取出的异常用户的特征数据中的关键特征参数进行组合，得到关键特征数据。

3.根据权利要求1所述的方法，其特征在于，基于确定出的异常用户的特征数据，以有监督学习方式从多个特征参数中选取出用于构建分类模型的关键特征参数，以及生成包含所述关键特征参数的关键特征数据包括：

采用朴素贝叶斯算法根据确定出的异常用户的特征数据，分别计算每一个特征参数对应的异常概率，所述异常概率指示当特征参数的数值异常时用户为异常用户的概率；

将对应的异常概率大于概率阈值的特征参数作为用于构建分类模型的关键特征参数；

选取出满足以下条件的异常用户的特征数据：采用朴素贝叶斯算法对所述异常用户的特征数据进行分类得到的分类结果为异常用户；

对选取出的异常用户的特征数据中的关键特征参数进行组合，得到关键特征数据。

4.根据权利要求2或3所述的方法，其特征在于，所述分类模型为决策树模型；以及

利用所述关键特征数据构建分类模型，以利用分类模型对用户是否为异常用户进行识别包括：

创建决策树模型；

将关键特征数据作为训练样本对所述决策树模型进行训练，以利用训练后的决策树模型对用户是否为异常用户进行识别。

5.一种用于识别异常用户的装置，包括：

识别单元，配置用于获取多个用户的特征数据，以及基于所述特征数据，以无监督学习方式确定出多个用户中的异常用户，所述特征数据包括：多个指示用户的特征的特征参数；

所述识别单元包括：异常用户识别子单元，配置用于采用聚类算法对多个用户的特征数据进行聚类，得到多个簇；当簇中包含与预设异常特征数据匹配的特征数据时，将所述簇中的所有特征数据对应的用户确定为异常用户；

选取单元，配置用于基于确定出的异常用户的特征数据，以有监督学习方式从多个特征参数中选取出用于构建分类模型的关键特征参数，以及生成包含所述关键特征参数的关键特征数据，所述关键特征参数为识别异常用户的特征参数；

构建单元，配置用于利用所述关键特征数据构建分类模型，以利用分类模型对用户是否为异常用户进行识别。

6.根据权利要求5所述的装置，其特征在于，选取单元包括：

决策树选取子单元，配置用于将确定出的异常用户的特征数据作为训练样本，构建决策树，其中，决策树中的一个节点对应一个特征参数；将决策树中深度大于深度阈值的节点对应的特征参数作为用于构建分类模型的关键特征参数；选取出满足以下条件的异常用户的特征数据：所述决策树对所述异常用户的特征数据进行分类得到的分类结果为异常用户；对选取出的异常用户的特征数据中的关键特征参数进行组合，得到关键特征数据。