[发明专利]基于智能决策的异常用户识别方法、装置及计算机设备

说明书

本申请实施例属于人工智能领域，涉及一种基于智能决策的异常用户识别方法、装置、计算机设备及存储介质，方法包括：获取原始数据集；对原始数据集进行数据重组，得到有标签样本和无标签样本；将有标签样本输入第一用户识别模型，以对第一用户识别模型进行第一训练，得到第二用户识别模型；对无标签样本进行数据增强，得到与无标签样本对应的增强无标签样本集；通过有标签样本以及与无标签样本对应的增强无标签样本集，对第二用户识别模型进行第二训练，得到异常用户识别模型；将待识别用户样本输入异常用户识别模型，得到用户识别结果。此外，本申请还涉及区块链技术，原始数据集可存储于区块链中。本申请提高了异常用户识别的准确性。

技术领域

本申请涉及人工智能技术领域，尤其涉及一种基于智能决策的异常用户识别方法、装置、计算机设备及存储介质。

背景技术

随着互联网技术的发展，越来越多的用户通过互联网获取、享受各种信息服务，而提供信息服务的平台会记录得到大量的用户信息。提供信息服务的平台经常会遇到各种异常用户，例如羊毛党，羊毛党会利用虚假信息获取大量利益，给平台带来巨大损失，同时，还可能出现异常用户进行网络欺诈以及网络攻击，因此平台需要能够对这些异常用户进行识别。

然而，传统的异常用户识别技术，通常是通过规则模型或黑名单进行识别。规则模型是基于已发现的异常用户整理成经验性规则，是以人的主观判断为基准，覆盖性差，识别的准确性较低。黑名单识别是从外部获取黑名单数据，对黑名单中出现的异常用户进行跟踪和监测，黑名单识别无法应对随时出现的新异常用户，准确性依然较低。

发明内容

本申请实施例的目的在于提出一种基于智能决策的异常用户识别方法、装置、计算机设备及存储介质，以解决异常用户识别准确性较低的问题。

为了解决上述技术问题，本申请实施例提供一种基于智能决策的异常用户识别方法，采用了如下所述的技术方案：

获取原始数据集，其中，所述原始数据集包括黑名单数据、验真用户数据以及原始用户数据；

对所述原始数据集进行数据重组，得到有标签样本以及无标签样本；

将所述有标签样本输入第一用户识别模型，以通过所述有标签样本对所述第一用户识别模型进行第一训练，得到第二用户识别模型；

对所述无标签样本进行数据增强，得到与所述无标签样本对应的增强无标签样本集；

通过所述有标签样本以及与所述无标签样本对应的增强无标签样本集，对所述第二用户识别模型进行第二训练，得到异常用户识别模型；

将待识别用户样本输入所述异常用户识别模型，得到用户识别结果。

进一步的，所述对所述原始数据集进行数据重组，得到有标签样本以及无标签样本的步骤包括：

将所述黑名单数据和所述验真用户数据分别与所述原始用户数据进行数据比对，以确定有标签用户列表及初始无标签样本；

根据所述原始数据集对所述有标签用户列表进行数据填充，得到初始有标签样本；

对所述初始有标签样本和所述初始无标签样本进行特征筛选，得到有标签样本以及无标签样本。

进一步的，所述对所述初始有标签样本和所述初始无标签样本进行特征筛选，得到有标签样本以及无标签样本的步骤具体包括：

将所述初始有标签样本输入第一用户识别模型，以通过所述初始有标签样本对所述第一用户识别模型进行第三训练，得到第三用户识别模型；

将所述初始无标签样本输入所述第三用户识别模型，得到所述初始无标签样本的伪标签；

通过随机森林对所述初始有标签样本和带有伪标签的初始无标签样本进行特征筛选，得到有标签样本以及无标签样本，并将筛选到的特征确定为目标特征。