[发明专利]一种识别模型的训练方法、装置及电子设备

权利要求书

1.一种识别模型的训练方法，其特征在于，包括：

基于交易样本集，构建关于支付方和被支付方的二部图，所述交易样本集中的交易样本对应有标签；

基于社区发现算法，对所述二部图中支付方和被支付方划分社区；

将被支付方所属社区在二部图中的图特征作为识别模型的输入，将被支付方所属交易样本对应的标签作为所述识别模型的输出，对所述识别模型进行训练；

其中，基于社区发现算法，对所述二部图中支付方和被支付方划分社区，包括：

迭代执行以下过程：构建与所述二部图的节点一一对应的社区；基于节点针对各个社区的模块度增量，确定节点对应的目标社区，并将节点归入至对应的目标社区内；将归入至同一社区的所有节点合并为一个新节点；其中，合并而成的新节点作为所述二部图更新后的节点，所述二部图的支付方和被支付方作为所述二部图的初始节点；

将迭代过程中构建得到的所述二部图的社区以及社区包含的支付方和被支付方，或者将最后一轮迭代过程中构建得到的所述二部图的社区以及社区包含的支付方和被支付方，作为所述二部图的社区发现结果。

2.根据权利要求1所述的训练方法，其特征在于，

若本轮迭代构建的社区与上轮迭代构建的社区之间的差异社区数量小于或等于预设阈值，则迭代结束；或者，若本轮迭代达到预设迭代次数，则迭代结束。

3.根据权利要求1所述的训练方法，其特征在于，

将被支付方所属社区在二部图中的图特征作为识别模型的输入，将被支付方所属交易样本对应的标签作为所述识别模型的输出，对所述识别模型进行训练，包括：

将被支付方所属交易样本对应的交易特征和被支付方所属社区在二部图中的图特征作为识别模型的输入，将被支付方所属交易样本对应的标签作为所述识别模型的输出，对所述识别模型进行训练。

4.根据权利要求1-3任一项所述的训练方法，其特征在于，

被支付方所属社区在二部图中的图特征包括以下至少一者：

被支付方所属社区在二部图中的标签浓度、度中心性、相对中介度、相对紧密度以及成员数量；其中，所述成员数量为被支付方所属社区包含的支付方与被支付方的数量总和。

5.根据权利要求1-3任一项所述的训练方法，其特征在于，

在对所述二部图进行社区发现前，还包括：

基于K-Core算法，对所述二部图的边进行筛选处理。

6.根据权利要求1-3任一项所述的训练方法，其特征在于，

所述识别模型为用于识别赌博风险的深度学习模型，所述交易样本集包括：作为支付方的已知涉赌买家与作为被支付方的已知涉赌商户之间的交易明细。

7.一种识别模型的训练装置，其特征在于，包括：

二部图构建模块，基于交易样本集，构建关于支付方和被支付方的二部图，所述交易样本集中的交易样本对应有标签；

社区发现模块，基于社区发现算法，对所述二部图中支付方和被支付方划分社区；

模型训练模块，将被支付方所属社区在二部图中的图特征作为识别模型的输入，将被支付方所属交易样本对应的标签作为所述识别模型的输出，对所述识别模型进行训练；

其中，基于社区发现算法，对所述二部图中支付方和被支付方划分社区，包括：

迭代执行以下过程：构建与所述二部图的节点一一对应的社区；基于节点针对各个社区的模块度增量，确定节点对应的目标社区，并将节点归入至对应的目标社区内；将归入至同一社区的所有节点合并为一个新节点；其中，合并而成的新节点作为所述二部图更新后的节点，所述二部图的支付方和被支付方作为所述二部图的初始节点；

将迭代过程中构建得到的所述二部图的社区以及社区包含的支付方和被支付方，或者将最后一轮迭代过程中构建得到的所述二部图的社区以及社区包含的支付方和被支付方，作为所述二部图的社区发现结果。