[发明专利]一种异常行为识别方法及装置

说明书

本发明提供了一种异常行为识别方法及装置，其中，该方法包括：选取多种基模型，并对不同层的基模型和不同基模型设置不同的异常行为标签；根据多层基模型和多种基模型进行异常行为模型训练，得到训练好的目标异常行为模型；根据该目标异常行为模型对待测数据进行异常行为识别，可以解决相关技术异常行为建模中异常样本少、选择困难使得异常行为建模不准确，导致数据的异常行为识别准确性低的问题，基于融合思想，对不同层和不同基模型使用不同的异常行为标签，利用多种基模型丰富异常特征维度数据，使得训练的异常行为模型可以更准确地识别数据是否存在异常行为，即提高了异常行为识别的准确性。

技术领域

本发明涉及数据处理领域，具体而言，涉及一种异常行为识别方法及装置。

背景技术

近年来网络信贷欺诈事件逐年攀升，欺诈团伙内部分工越来越精细，反侦查能力越来越专业，正朝向智能化、技术化、非接触化、职业化的趋势快速发展。

在与欺诈攻防过程中，采用机器学习人工智能方法，发现寻找更多的线索特征，挖掘用户的行为特征，用户关联特征等异常事件，结合IP、手机、位置等维度分析潜在的欺诈风险，能极大提升反欺诈的效率和能力。

基于大数据技术的网贷反欺诈识别通常采用机器学习模型对进件样本欺诈概率进行评判，用以拒绝高欺诈风险人群。在银行网贷应用场景下，反欺诈样本中坏样本占比很低，建模存在悖论选择：如将欺诈标签定义放宽，能捕获更多欺诈样本，但模型误拒率升高；如使用严格的欺诈标签定义，一方面坏样本太少容易过拟合，一方面模型捕获坏样本能力较差。同时，用单一的模型无法使不同维度的特征得到充分利用，往往表现欠佳，不同模型的优点难以综合体现。

针对相关技术异常行为建模中异常样本少、选择困难使得异常行为建模不准确，导致数据的异常行为识别准确性低的问题，尚未提出解决方案。

发明内容

本发明实施例提供了一种异常行为识别方法及装置，以至少解决相关技术异常行为建模中异常样本少、选择困难使得异常行为建模不准确，导致数据的异常行为识别准确性低的问题。

根据本发明的一个实施例，提供了一种异常行为识别方法，包括：

选取多种基模型，并对不同层的基模型和不同基模型设置不同的异常行为标签；

根据多层基模型和多种基模型进行异常行为模型训练，得到训练好的目标异常行为模型；

根据所述目标异常行为模型对待测数据进行异常行为识别。

可选地，根据多层基模型和多种基模型进行异常行为模型训练，得到训练好的目标异常行为模型包括：

在第一层的所述多种基模型中，分别采用交叉验证的方式生成所述多种基模型的结果特征；

将所述多种基模型的结果特征输入第二层的基模型中进行训练，得到训练好的所述目标异常行为模型。

可选地，在第一层的所述多种基模型中，分别采用交叉验证的方式生成所述多种基模型的结果特征包括：

分别按照正常样本与异常样本的比例将所述多种基模型的训练集数据切分为k个子训练集；

对所述多种基模型中的每个基模型，执行以下步骤，得到每个基模型的k个预测特征，所述结果特征包括所述k个预测特征，正在执行的基模型称为当前基模型：

初始化i=1，对每个子训练集i，通过除所述子训练集i之外的k-1个子训练集进行训练，得到训练好的所述当前基模型；

根据所述子训练集i输入训练好的所述当前基模型，得到所述当前基模型输出的预测结果；

i=i+1，且i小于或等于k。

可选地，将所述多种基模型的结果特征输入第二层的基模型中进行训练，得到训练好的所述目标异常行为模型包括：

将所述多种基模型的结果特征输入LR模型中，对所述LR模型进行训练，得到所述目标异常行为模型，其中，所述第二层的基模型为所述LR模型。