[发明专利]一种识别异常商户的方法及装置

权利要求书

1.一种识别异常商户的方法，其特征在于，所述方法包括：

获取待识别的商户交易数据，所述待识别的商户交易数据是根据商户在预设时间内发生的各交易数据得到的；

从所述待识别的商户交易数据中确定出包含预设数量的特征字段的特征向量；所述预设数量的特征字段是根据所述待识别的商户交易数据中各特征字段对异常商户识别的重要程度确定的；

将所述特征向量输入图卷积网络模型，确定所述商户是否为异常商户待识别的商户交易数据，所述图卷积网络模型中包含交易权值参数，所述交易权值参数用于表征所述图卷积网络模型中商户节点的互联程度，所述交易权值参数是通过历史的商户交易数据中用户在各商户之间的交易次数和交易权重确定的。

2.如权利要求1中所述的方法，其特征在于，从所述待识别的商户交易数据中确定出包含预设数量的特征字段的特征向量，包括：

通过特征筛选模型，从所述待识别的商户交易数据中确定出包含预设数量的特征字段的特征向量；所述特征筛选模型用于确定待识别的商户交易数据中各特征字段的重要程度，并输出重要程度位于前N位待识别的商户交易数据的特征字段；N为所述预设数量。

3.如权利要求1中所述的方法，其特征在于，所述图卷积网络模型中的卷积层满足：

其中，H^(l)为所述图卷积网络模型的第l层隐层特征，为所述图卷积网络模型的度矩阵的增广矩阵，为交易权重参数组成的交易权值矩阵的增广矩阵，为商户节点间的邻接矩阵的增广矩阵，Θ^(l)为所述图卷积网络模型的第l层卷积核参数矩阵，σ为激活函数。

4.如权利要求3中所述的方法，其特征在于，所述图卷积网络模型的训练过程中针对任一样本采用交替训练所述卷积核参数矩阵和所述交易权值矩阵的方式进行。

5.如权利要求1中所述的方法，其特征在于，所述交易权值参数满足：

其中，α_k⁽ⁱ⁾表示用户k与商户i发生的交易笔数，α_k^(j)表示用户k与商户j发生的交易笔数，(k＝1、2…C)，β_k⁽ⁱ⁾表示用户k与商户i发生的交易在所述图卷积网络模型中的权值，β_k^(j)表示用户k与商户j发生的交易在所述图卷积网络模型中的权值；U_ij⁽ⁱ⁾代表用户与商户i之间的交易笔数，U_ij^(j)代表用户与商户j之间的交易笔数，V_ij⁽ⁱ⁾代表用户与商户i之间的交易权值向量，V_ij^(j)代表用户与商户j之间的交易权值向量。

6.如权利要求2中所述的方法，其特征在于，所述特征筛选模型和所述图卷积网络模型是通过如下方式得到的，包括：

获取样本数据集，所述样本数据集中包含正常标签的商户交易数据、异常标签的商户交易数据以及无标签的商户交易数据；

根据所述样本数据集，对初始的特征筛选模型进行训练得到所述特征筛选模型；

根据所述样本数据集中任一样本，通过所述特征筛选模型得到样本的特征向量；将所述样本的特征向量输入初始的图卷积网络模型进行训练，得到所述图卷积网络模型；所述初始的图卷积网络模型中的商户节点是根据所述样本数据集确定；

初始的特征筛选模型初始的图卷积网络模型。

7.如权利要求1中所述的方法，其特征在于，还包括：

更新所述特征筛选模型和所述图卷积网络模型。