[发明专利]一种异常用户的检测方法和装置

说明书

本发明公开了异常用户的检测方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：获取交易属性及其交易属性数据；通过特征异常检测模型和异常图结构检测模型，对所述交易属性数据进行异常检测；根据异常检测结果，以识别异常用户。该实施方式能够解决现有技术中无法精准识别异常用户的问题。

技术领域

本发明涉及计算机技术领域，尤其涉及一种异常用户的检测方法和装置。

背景技术

随着电子商务的快速发展，各个电子商务平台也推出各自的线上消费产品“虚拟信用卡”。那么如何识别并进行风控拦截是亟待解决的重要问题，风险控制部门通过规则、算法等方式实现识别，继而采取相应措施，关停商家、及时拦截风险用户交易、提前加强催收干预等，减少利益损失。

现有的主要方法有如下几大类：

基于统计或规则：通过统计时间点、交易商家数、交易金额等。这也是业务团队的主要方法手段。例如：当某个用户持续多天在同一时间点购买同一商品，将会被规则拦截为套现手段。

基于关联性：通过已知坏用户与对应坏商户的连接，找到与坏商户相关联的其他坏用户。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：

基于统计或规则的缺点：无法覆盖足够多的规则，且业务员设计规则容易陷入具体业务中，导致规则无法有很强的泛化性能。

基于关联性的缺点：无法更好的分析套现交易行为特性，仅仅通过表面的关联方式分析问题。

发明内容

有鉴于此，本发明实施例提供一种异常用户的检测方法和装置，能够解决现有技术中无法精准识别异常用户的问题。

为实现上述目的，根据本发明实施例的一个方面，提供了一种异常用户的检测方法，包括获取交易属性及其交易属性数据；通过特征异常检测模型和异常图结构检测模型，对所述交易属性数据进行异常检测；根据异常检测结果，以识别异常用户。

可选地，获取交易属性及其交易属性数据之后，包括：

提取交易属性中的主维度，根据预设规则对交易属性进行拆分，以获取拆分后的交易属性及其交易属性数据。

可选地，通过IsolationForest特征异常检测模型，对拆分后的交易属性数据进行异常检测。

可选地，通过IsolationForest特征异常检测模型，对拆分后的交易属性数据进行异常检测，包括：

在拆分后的交易属性数据中抽取多个样本，构建多棵二叉树，进而组成一个森林；

当获取一条新的交易属性数据时，代入训练好的森林中，通过每棵树得到一个异常分值，进而综合整个森林的异常分值，获得最终的异常分值，以确定所述交易属性数据是否异常。

可选地，通过异常图结构检测模型，对所述交易属性数据进行异常检测，包括：

根据拆分后的交易属性数据，构建多维度的图结构，以通过异常图结构检测模型对多维度的图结构进行异常检测。

可选地，通过异常图结构检测算法Fraudar来对多维度的图结构进行异常检测。

可选地，通过异常图结构检测模型，对所述交易属性数据进行异常检测，包括：

根据拆分后的交易属性数据，选取两列交易属性数据，其中一列为交易属性数据中的主维度数据，进而通过所述的两列交易属性数据构建二分图；

对多个二分图分别进行Fraudar算法，以分别获得对应的异常用户集合，进而针对所有异常用户集合中的异常用户进行加权判定，提取加权数大于预设阈值的异常用户作为异常检测的结果。