[发明专利]一种识别模型的确定方法和相关装置

说明书

本申请实施例公开了一种识别模型的确定方法和相关装置，至少涉及人工智能中的机器学习，基于对象对产品产生的历史交互行为确定的样本二部图中，通过初始编码子模型得到表征图节点的初始节点向量，通过第一损失函数的无监督训练得到的编码子模型可以在确定节点向量时尽量降低高关联的图节点的向量间差异，并尽量提升低关联图节点的向量间区别。样本二部图中包括具有样本标签的对象产品对，样本标签标识所对应对象产品对中的对象和产品间的关联关系是否具有交互风险，基于该编码子模型和初始预测子模型，对样本二部图中具有样本标签的对象产品对进行监督训练，得到的预测子模型和前述编码子模型可以确定出用于交互风险识别的识别模型。

技术领域

本申请涉及数据处理技术领域，特别是涉及一种识别模型的确定方法和相关装置。

背景技术

在各个行业如广告、零售、电商、出行都有相应的反作弊需求，例如，在广告行业的曝光点击、游戏行业的下载激活、短视频的刷播放浏览刷赞等行为均属于作弊行为，若不能及时识别，均可能给平台方造成大量损失。

相关技术中，采用用于节点分类的图神经网络模型识别作弊行为，图神经网络模型如图采样和聚合(Graph SAmple and aggrGatE,GraphSAGE)模型、图注意力网络(GraphAttention Network，GAT)模型等，图神经网络模型通过图结构可以充分利用图中节点特征和节点间显性或隐性的关系进行作弊行为识别，在正负样本标签丰富的场景，识别准确率较高。

但是，在正负样本标签较少的场景，训练得到的图神经网络算法容易出现过拟合，导致对作弊行为的识别准确率较低。

发明内容

为了解决上述技术问题，本申请提供了一种识别模型的确定方法和相关装置，用于提高对作弊行为的识别准确率。

本申请实施例公开了如下技术方案：

一方面，本申请实施例提供一种识别模型的确定方法，所述方法包括：

根据对象对产品产生的历史交互行为确定样本二部图，所述样本二部图包括图节点和关联关系，所述图节点的节点类型包括标识所述对象的对象节点和标识所述产品的产品节点，所述关联关系用于体现所述对象与所述产品基于所述历史交互行为的关联；

根据所述样本二部图，通过初始编码子模型得到所述图节点的初始节点向量；

根据所述关联关系和所述初始节点向量确定第一损失函数；其中，针对所述样本二部图中的目标图节点，所述第一损失函数用于标识所述目标图节点的初始节点向量与关联节点的初始节点向量的相似度差异，以及所述图节点的初始节点向量与非关联节点的初始节点向量的区别度差异，所述关联节点为所述样本二部图中与所述目标图节点的关联关系满足关联阈值、且与所述目标图节点具有不同节点类型的图节点，所述非关联节点为所述样本二部图中与所述目标图节点的关联关系不满足所述关联阈值、且与所述目标图节点具有不同节点类型的图节点；

通过所述第一损失函数，基于最小化所述相似度差异、最大化所述区别度差异的训练方向对所述初始编码子模型进行无监督训练，得到编码子模型；

根据所述编码子模型确定所述样本二部图中具有样本标签的对象产品对的对向量，所述样本标签用于标识所述对象产品对中的对象和产品间的关联关系是否具有交互风险；

根据所述对向量，通过初始预测子模型确定所述对象产品对的风险预测结果，并基于所述风险预测结果与所述样本标签的差异对所述初始预测子模型进行监督训练，得到预测子模型；

根据所述编码子模型和所述预测子模型，确定用于对待处理交互行为进行交互风险识别的识别模型。

另一方面，本申请实施例提供一种识别模型的确定装置，所述装置包括：第一确定单元、第二确定单元、第三确定单元、无监督训练单元、第四确定单元、监督训练单元和第五确定单元；