[发明专利]交易识别方法及装置

权利要求书

1.一种交易识别方法，其特征在于，包括：

获取一目标用户账号指定时间段内的历史交易数据；

使用预先训练好的识别模型计算得到所述历史交易数据的第一序列概率；

获取所述目标用户账号当前交易数据；

将当前交易数据与所述历史交易数据进行重新拼接得到更新交易数据；

使用预先训练好的识别模型计算所述更新交易数据的第二序列概率；以及

根据所述第一序列概率及第二序列概率计算得到交易识别结果。

2.如权利要求1所述的交易识别方法，其特征在于，所述根据所述第一序列概率及第二序列概率得到交易识别结果的步骤，包括：

根据所述第一序列概率及第二序列概率计算得到当前交易数据引起的概率变化率；

判断所述概率变化率得到是否在第一限定区域，当概率变化率在第一限定区域内，判定当前交易数据对应不安全交易。

3.如权利要求1所述的交易识别方法，其特征在于，所述识别模型通过以下方式训练得到：

对训练数据进行特征提取得到交易行为特征；

使用网格聚类算法对对所述交易行为特征进行预聚类，以形成样本聚类网格，所述样本聚类网格中的每个网格对应行为特征类别；

将所述样本聚类网格中的样本输入训练模型中进行训练以得到所述识别模型。

4.如权利要求3所述的交易识别方法，其特征在于，所述将所述样本聚类网格中的样本输入训练模型中进行训练以得到所述识别模型的步骤包括：

使用最大期望EM算法对所述样本聚类网格中的样本进行计算，以为训练模型分配模型初始参数以形成所述识别模型。

5.如权利要求3所述的交易识别方法，其特征在于，所述方法还包括：

获取更新的交易数据；

根据所述更新的交易数据对多个行为特征类别进行流式聚类更新，得到更新的样本聚类网格；

将更新的样本聚类网格中的样本输入识别模型中进行训练以得到更新的识别模型。

6.如权利要求5所述的交易识别方法，其特征在于，所述根据所述更新的交易数据对多个行为特征类别进行流式聚类更新，得到更新的样本聚类网格的步骤，包括：

根据获取的历史交易数据对所述网格聚类算法对应的聚类网格的网格密度预更新；

对当前的样本聚类网格的网格密度进行稀疏计算；

根据计算结果对所述样本聚类网格进行更新，删除稀疏的网格，并根据现有的交易数据对样本聚类网格中的密度进行更新，得到更新的样本聚类网络；

计算样本聚类网格中的每一个网格在网格空间中的坐标质心点，然后使用K中心聚类算法对多个质心点根据初始聚类k值对连通聚类网格进行宏聚类。

7.如权利要求6所述的交易识别方法，其特征在于，所述对当前的样本聚类网格的网格密度进行稀疏计算的步骤，包括：

每经过指定时间后，根据得到的更新数据对所述样本聚类网格中的网格的密度值进行更新计算。

8.一种交易识别装置，其特征在于，包括：

第一获取模块，用于获取一目标用户账号指定时间段内的历史交易数据；

第一计算模块，用于使用预先训练好的识别模型计算得到所述历史交易数据的第一序列概率；

第二获取模块，用于获取所述目标用户账号当前交易数据；

拼接模块，用于将当前交易数据与所述历史交易数据进行重新拼接得到更新交易数据；

第二计算模块，用于使用预先训练好的识别模型计算所述更新交易数据的第二序列概率；以及

第三计算模块，用于根据所述第一序列概率及第二序列概率计算得到交易识别结果。

9.如权利要求8所述的交易识别装置，其特征在于，所述第三计算模块，还用于根据所述第一序列概率及第二序列概率计算得到当前交易数据引起的概率变化率，判断所述概率变化率得到是否在第一限定区域，当概率变化率在第一限定区域内，判定当前交易数据对应不安全交易。

10.如权利要求8所述的交易识别装置，其特征在于，所述识别模型通预训练模块训练得到，所述预训练模块包括：

提取单元，用于对训练数据进行特征提取得到交易行为特征；

聚类单元，用于使用网格聚类算法对对所述交易行为特征进行预聚类，以形成样本聚类网格，所述样本聚类网格中的每个网格对应行为特征类别；

训练单元，用于将所述样本聚类网格中的样本输入训练模型中进行训练以得到所述识别模型。