[发明专利]一种用户异常模式识别方法、装置以及设备

权利要求书

1.一种用户异常模式识别方法，包括：

确定包含指定的特征转换结构的识别模型；

获取第一样本集，并根据所述第一样本集，对所述特征转换结构进行训练，得到所述特征转换结构包含的多维参数，每个多维参数中的每个维度也是一个参数；

获取第二样本集，所述第二样本集包括曾处于用户异常模式的用户的相关数据；

对所述多维参数中维度取值之间的比例关系进行锁定，并为所述多维参数确定整体的放缩系数和偏置系数；

根据所述第二样本集，对所述识别模型进行元学习，以调整所述放缩系数和所述偏置系数；

通过所述元学习后的识别模型，判定待识别用户是否处于用户异常模式。

2.如权利要求1所述的方法，所述根据所述第二样本集，对所述识别模型进行元学习，具体包括：

获取所述第二样本集对应的标签，所述标签指示了正常行为模式或者属于用户异常模式的非法所得合法化行为模式；

获取所述第二样本集包含的用户的特征，以及所述用户的行为对象的特征；

根据所述标签，以及所述用户的特征和所述行为对象的特征，对所述识别模型进行元学习。

3.如权利要求2所述的方法，所述根据所述标签，以及所述用户的特征和所述行为对象的特征，对所述识别模型进行元学习，具体包括：

获取所述用户及所述行为对象的交易行为特征、画像特征、历史风险特征；

根据所述获取的特征，判断所述用户及所述行为对象所属行业的相似性；

根据所述标签、所述相似性，以及通过所述识别模型挖掘或预设的多种用户行为模式，对所述识别模型进行元学习；

根据指定的所述用户行为模式，对所述元学习过的识别模型进行少样本元学习。

4.如权利要求1所述的方法，所述根据所述第一样本集，对所述特征转换结构进行训练，具体包括：

确定所述特征转换结构包含的因子分解机层和隐藏层；

根据所述第一样本集，通过对所述因子分解机层和/或隐藏层进行有监督训练，调整所述多维参数中的维度取值，以及所述维度取值之间的比例关系。

5.如权利要求1所述的方法，所述获取第二样本集，具体包括：

根据所述第一样本集，获取样本数量远少于所述第一样本集的第二样本集。

6.如权利要求1所述的方法，所述根据所述第二样本集，所述对所述识别模型进行元学习，具体包括：

根据所述第二样本集，确定多个包含多个样本的任务；

根据所述任务训练所述识别模型，在该训练过程中通过进行一阶梯度计算，得到任务损失总和；

根据所述任务损失总和进行二阶梯度计算，确定所述识别模型的元学习结果。

7.如权利要求6所述的方法，所述根据所述第二样本集，确定多个包含多个样本的任务，具体包括：

获取由无标签样本构成的第三样本集；

根据所述第三样本集和所述第二样本集中的有标签样本，对所述识别模型进行训练，根据该训练后的识别模型对所述第三样本集的识别结果，为所述无标签样本生成标签；

根据所述第二样本集和包含所述标签的所述第三样本集，确定多个包含多个样本的任务。

8.如权利要求6所述的方法，所述根据所述任务损失总和进行二阶梯度计算，具体包括：

获取根据所述用户异常模式对应的历史数据指定的校正特征；

根据所述校正特征，在所述任务损失总和对应的样本中进行匹配；

若匹配成功，则生成相应的校正损失，并根据所述校正损失，缩小所述任务损失总和；

根据所述缩小后的任务损失总和进行二阶梯度计算。