[发明专利]一种用户异常模式识别方法、装置以及设备

说明书

本说明书实施例公开了一种用户异常模式识别方法、装置以及设备。方案包括：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，并根据第一样本集，对特征转换结构进行训练，得到特征转换结构包含的多维参数；获取第二样本集，第二样本集包括曾处于用户异常模式的用户的相关数据；对多维参数中维度取值之间的比例关系进行锁定，并为多维参数确定整体的放缩系数和偏置系数；根据第二样本集，对识别模型进行元学习，以调整放缩系数和偏置系数；通过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。

技术领域

本说明书涉及机器学习技术领域，尤其涉及一种用户异常模式识别方法、装置以及设备。

背景技术

互联网应用的普及给用户的生活和工作带来的极大的便利，但是，也有一些非法用户通过在互联网应用中进行不正当的动作，谋取非法的利益，会给其他用户和整个社会带来损失。

基于此，互联网企业会采用相应的方案防御风险，识别用户是否处于异常模式，比如，判定其是否在冒用合法用户身份、是否是刷单、是否在机器识别验证码、是否在非法尝试登录、是否在线上诈骗、是否在非法所得合法化、是否在赌博等，普遍采用的方案是深度神经网络模型训练后识别，需要较充分的训练量，对于其中某些异常模式，比如非法所得合法化等，在实际应用中模式复杂，能够采集到的样本较少。

基于此，对于诸如非法所得合法化等一些用户异常模式，需要更为高效准确的识别方案。

发明内容

本说明书一个或多个实施例提供用户异常模式识别方法、装置、设备以及存储介质，用以解决如下技术问题：对于诸如非法所得合法化等一些用户异常模式，需要更为高效准确的识别方案。

为解决上述技术问题，本说明书一个或多个实施例是这样实现的：

本说明书一个或多个实施例提供的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；

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。

本说明书一个或多个实施例提供的一种用户异常模式识别装置，包括：

模型确定模块，确定包含指定的特征转换结构的识别模型；

第一训练模块，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；

样本准备模块，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；

参数缩减模块，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；

第二训练模块，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；

异常识别模块，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。

本说明书一个或多个实施例提供的一种用户异常模式识别设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，