[发明专利]风险用户识别方法和装置，存储介质及电子设备

权利要求书

1.一种风险用户识别方法，其特征在于，包括：

获取用户集合中各用户的特征数据，所述用户集合包括风险样本用户和多个待识别用户；

以最小化所述用户集合的信息熵为目标，确定所述用户集合中各用户之间的相似度，其中，所述信息熵用于表征对所述用户集合进行聚类处理得到的聚类结果的不确定程度，所述信息熵中每一用户属于一群集的概率为该用户与所述用户集合中其他各用户之间的相似度之和占所述用户集合中各用户相互之间的相似度之和的比重；

基于谱聚类算法，根据所述用户集合中各用户之间的相似度对用户集合进行聚类处理，以将所述用户集合划分为多个群集；

根据所述风险样本用户在所述多个群集中的分布信息，从所述多个待识别用户中确定出风险用户；

所述基于谱聚类算法，根据所述用户集合中各用户之间的相似度对用户集合进行聚类处理，以将所述用户集合划分为多个群集，包括：

根据所述用户集合中各用户之间的相似度，分别构造相似矩阵和度矩阵，其中，所述相似矩阵中的元素用于表征所述用户集合中两个用户之间的相似度，所述度矩中的元素用于表征所述用户集合中的一用户与其他用户之间的相似度之和；

至少根据所述相似矩阵和所述度矩阵，构造目标矩阵，其中，所述目标矩阵的每一行向量表征所述用户集合中的一个用户在特征空间中的坐标；

对所述目标矩阵进行降维后的行向量进行聚类处理，以将所述用户集合划分为多个群集；

所述用户集合中每一用户的特征数据包括该用户在多个维度下的特征；

所述至少根据所述相似矩阵和所述度矩阵，构造目标矩阵，包括：

根据所述相似矩阵和所述度矩阵，构造拉普拉斯矩阵；

从所述多个维度中确定出至少一个候选维度，对所述用户集合中各用户在每一所述候选维度下的特征进行组合，得到特征组合；

基于以下公式，根据所述特征组合和所述拉普拉斯矩阵分别构造对角矩阵、第一中间矩阵以及第二中间矩阵：

其中，U(j,j)为对角矩阵，P_j为投影矩阵的第j行；α，β，γ均为预先设定的调节参数；R为用于表征所述特征组合X中的各特征之间的相关程度的相关性矩阵，r_ij＝I(f_i,f_j),r_ij∈R，r_ij表示所述特征组合X中维度i下的特征与维度j下的特征之间的互信息，且r_ij∈[0,1]；A为所述第一中间矩阵；H为所述第二中间矩阵；D为所述度矩阵；L为所述拉普拉斯矩阵；

从所述第二中间矩阵的所有特征值中，选取出聚类个数的特征值；

根据选取出的各个特征值各自对应的特征向量、所述第一中间矩阵和所述特征组合，分别构造特征向量矩阵以及该特征向量对应的投影矩阵：

其中，T为所述特征向量矩阵，c为所述聚类个数；v₁,v₂,…,v_c选取出的特征值各自对应的特征向量；P为所述投影矩阵；

若构造出的投影矩阵不收敛，则重复执行所述从所述多个维度中确定出至少一个候选维度，对所述用户集合中各用户在每一所述候选维度下的特征进行组合至所述分别构造特征向量矩阵以及该特征向量对应的投影矩阵的步骤，直到构造出的投影矩阵收敛；以及，

在构造的投影矩阵收敛的情况下，对该投影矩阵对应特征向量矩阵的行向量进行规范化处理，得到所述目标矩阵。

2.根据权利要求1所述的方法，其特征在于，所述信息熵为：

其中，H(X)为所述信息熵；P(x_i)为所述用户集合中的用户x_i属于一群集的概率，n为所述用户集合中的用户个数；W_ij为所述用户集合中的用户x_i与用户x_j之间的相似度。

3.根据权利要求1所述的方法，其特征在于，所述至少根据所述相似矩阵和所述度矩阵，构造目标矩阵，包括：

根据所述相似矩阵和所述度矩阵，构造拉普拉斯矩阵；

根据所述拉普拉斯矩阵进行特征映射，选取出聚类个数的特征值；

根据选取出的各个特征值各自对应的特征向量构造特征向量矩阵；

对所述特征向量矩阵的行向量进行规范化处理，得到所述目标矩阵。