[发明专利]异常用户识别方法和用于识别异常用户的装置

说明书

本申请公开了异常用户识别方法和用于识别异常用户的装置。该方法的一具体实施方式包括：获取多个用户的特征数据，以及基于特征数据，以无监督学习方式确定出多个用户中的异常用户；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，以及生成包含关键特征参数的关键特征数据；利用关键特征数据构建分类模型。实现了采用无监督学习方式识别出异常用户，采用有监督学习方式基于异常用户的特征数据选取出关键特征构建分类模型，使得分类模型仅采用对识别异常用户的重要程度较高的关键特征对异常用户进行识别，避免重要程度较低的特征对识别过程的干扰，提升识别准确度和减少识别过程的开销。

技术领域

本申请涉及计算机领域，具体涉及大数据领域，尤其涉及异常用户识别方法和用于识别异常用户的装置。

背景技术

在大数据分析中，经常需要对异常用户进行识别去除异常用户的数据来提升大数据分析的准确度。目前，通常通过配置识别规则，判断用户的特征是否与识别规则匹配，确定用户是否为异常用户。

然而，当采用上述方式对异常用户进行识别去除异常用户的数据时，一方面，由于用户的数据为海量级别，逐一将每一个用户的特征信息与识别规则进行匹配导致识别过程开销较大。另一方面，由于无法确定出用户的各个特征对识别异常用户的重要程度，导致大量重要度低的特征参与计算，进而造成对识别过程的干扰，导致准确率降低，进一步增加识别过程的开销。

发明内容

本申请提供了一种异常用户识别方法和用于识别异常用户的装置，用于解决上述背景技术部分存在的技术问题。

第一方面，本申请提供了异常用户识别方法，该方法包括：获取多个用户的特征数据，以及基于特征数据，以无监督学习方式确定出多个用户中的异常用户，特征数据包括：多个指示用户的特征的特征参数；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，以及生成包含关键特征参数的关键特征数据；利用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。

第二方面，本申请提供了用于识别异常用户的装置，该装置包括：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，特征数据包括：多个指示用户的特征的特征参数；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，以及生成包含关键特征参数的关键特征数据；构建单元，配置用于利用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。

本申请提供的异常用户识别方法和用于识别异常用户的装置，通过获取多个用户的特征数据，以及基于特征数据，以无监督学习方式确定出多个用户中的异常用户，特征数据包括：多个指示用户的特征的特征参数；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，以及生成包含关键特征参数的关键特征数据；利用关键特征数据构建分类模型。实现了采用无监督学习方式识别出异常用户，采用有监督学习方式基于异常用户的特征数据选取出关键特征构建分类模型，使得分类模型仅采用对识别异常用户的重要程度较高的关键特征对异常用户进行识别，避免重要程度较低的特征对识别过程的干扰，提升识别的准确度，同时，减少识别过程的开销。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1示出了可以应用于本申请的异常用户识别方法或用于识别异常用户的装置的示例性系统架构；

图2示出了根据本申请的异常用户识别方法的一个实施例的流程图；

图3示出了根据本申请的异常用户识别方法的另一个实施例的流程图；

图4示出了根据本申请的用于识别异常用户的装置的一个实施例的结构示意图；