异常资源转移识别方法、装置、电子设备及可读存储介质

摘要

本申请涉及互联网技术领域，公开了一种异常资源转移识别方法、装置、电子设备及可读存储介质，异常资源转移识别方法包括：获取至少一种待识别的资源转移有效特征；基于预设的权重系数和至少一种资源转移有效特征确定待识别的输入特征；基于训练后的识别模型对输入特征进行识别，得到资源转移的异常识别结果；其中，识别模型是基于样本有效特征对初始识别模型进行训练得到的；样本有效特征是从样本资源转移特征中进行筛选获取的。本申请提供的异常资源转移识别方法可以即时确定资源转移是否异常，避免用户的资源难以追回的情况。

说明书

技术领域

本申请涉及互联网技术领域，具体而言，本申请涉及一种异常资源转移识别方法、装置、电子设备及可读存储介质。

背景技术

随着信息技术和互联网技术的快速发展，基于互联网的资源转移，也就是网络交易给人们的生活、工作带来了极大的便利。但是，网络交易方便人们的生活，在网络交易的过程中有可能出现异常行为，例如，存在欺诈交易行为。

目前，通常是通过资源转移后的投诉信息来识别资源转移是否存在异常行为，但是这种方式往往是在资源转移完成后进行识别，具有延时性，有可能造成用户已转移的资源难以追回。

发明内容

本申请的目的旨在至少能解决上述的技术缺陷之一，特提出以下技术方案：

第一方面，提供了一种异常资源转移识别方法，包括：

获取至少一种待识别的资源转移有效特征；

基于预设的权重系数和至少一种资源转移有效特征确定待识别的输入特征；

基于训练后的识别模型对输入特征进行识别，得到资源转移的异常识别结果；

其中，识别模型是基于样本有效特征对初始识别模型进行训练得到的；样本有效特征是从样本资源转移特征中进行筛选获取的。

在第一方面的可选实施例中，识别网络通过如下方式训练得到：

获取至少两种样本资源转移特征；

确定样本资源转移特征针对资源转移异常识别的重要性权值；

基于所确定的重要性权值从样本资源转移特征中筛选出样本有效特征；

基于样本有效特征获取样本输入特征，基于样本输入特征对初始识别模型进行训练，得到识别模型。

在第一方面的可选实施例中，样本有效特征设置有对应的样本异常识别结果；基于样本有效特征获取样本输入特征，基于样本输入特征对初始识别模型进行训练，得到识别模型，包括：

基于初始权重系数和样本有效特征确定样本输入特征；

将样本输入特征输入至初始识别模型，得到样本输出特征；

基于样本输出特征和样本输入特征计算损失函数；基于损失函数调节初始权重系数并调节初始识别模型的参数，直至调节后得到的损失函数小于预设阈值；

将调节后的初始权重系数设为权重系数，将调节参数后的初始识别模型设为识别模型。

在第一方面的可选实施例中，确定样本资源转移特征针对资源转移异常识别的重要性权值，包括：

基于样本资源转移特征确定第一判别矩阵；其中，第一判别矩阵用于表示任意两个样本资源转移特征针对资源转移异常识别的重要性的比较结果；

基于第一判别矩阵确定重要性权值。

在第一方面的可选实施例中，基于第一判别矩阵确定重要性权值，包括：

基于第一判别矩阵确定第一最大特征根，并确定样本资源转移特征的第一数量；

基于第一最大特征根和第一数量确定第一一致性比率；

若第一一致性比率符合第一预设条件，则基于第一判别矩阵确定重要性权值。

在第一方面的可选实施例中，基于第一判别矩阵确定重要性权值，包括：

基于第一最大特征根确定第一特征向量；

对第一特征向量进行归一化得到单排序向量；单排序向量用于表示样本资源转移特征的重要性权值。

在第一方面的可选实施例中，基于第一判别矩阵确定重要性权值，包括：

将样本资源转移特征进行不同维度的组合，得到不同的组合特征；

基于组合特征确定第二判别矩阵；其中，第二判别矩阵用于表示任意两个组合特征针对资源转移异常识别的重要性的比较结果；

基于第一判别矩阵和第二判别矩阵确定重要性权值。

在第一方面的可选实施例中，基于第一判别矩阵和第二判别矩阵确定重要性权值，包括：

基于第一判别矩阵和第二判别矩阵确定第二一致性比率；

若第二一致性比率符合第二预设条件，基于第一判别矩阵和第二判别矩阵确定总排序向量；总排序向量用于表示组合特征的组合权值；

基于组合权值确定与组合特征对应的样本资源转移特征的重要性权值。

在第一方面的可选实施例中，获取至少一种待识别的资源转移有效特征，包括：

获取至少两种待识别的资源转移初始特征；

确定样本有效特征的特征类别，基于所确定的特征类别从资源转移初始特征中确定出资源转移有效特征。

第二方面，提供了一种异常资源转移识别装置，包括：

获取模块，用于获取至少一种待识别的资源转移有效特征；

确定模块，用于基于预设的权重系数和至少一种资源转移有效特征确定待识别的输入特征；

识别模块，用于基于训练后的识别模型对输入特征进行识别，得到资源转移的异常识别结果；

其中，识别模型是基于样本有效特征对初始识别模型进行训练得到的；样本有效特征是从样本资源转移特征中进行筛选获取的。

在第二方面的可选实施例中，还包括训练模块，用于：

获取至少两种样本资源转移特征；

确定样本资源转移特征针对资源转移异常识别的重要性权值；

基于所确定的重要性权值从样本资源转移特征中筛选出样本有效特征；

基于样本有效特征获取样本输入特征，基于样本输入特征对初始识别模型进行训练，得到识别模型。

在第二方面的可选实施例中，样本有效特征设置有对应的样本异常识别结果；训练模块在基于样本有效特征获取样本输入特征，基于样本输入特征对初始识别模型进行训练，得到识别模型时具体用于：

基于初始权重系数和样本有效特征确定样本输入特征；

将样本输入特征输入至初始识别模型，得到样本输出特征；

基于样本输出特征和样本输入特征计算损失函数；基于损失函数调节初始权重系数并调节初始识别模型的参数，直至调节后得到的损失函数小于预设阈值；

将调节后的初始权重系数设为权重系数，将调节参数后的初始识别模型设为识别模型。

在第二方面的可选实施例中，训练模块在确定样本资源转移特征针对资源转移异常识别的重要性权值时，具体用于：

基于样本资源转移特征确定第一判别矩阵；其中，第一判别矩阵用于表示任意两个样本资源转移特征针对资源转移异常识别的重要性的比较结果；

基于第一判别矩阵确定重要性权值。

在第二方面的可选实施例中，训练模块在基于第一判别矩阵确定重要性权值时，具体用于：

基于第一判别矩阵确定第一最大特征根，并确定样本资源转移特征的第一数量；

基于第一最大特征根和第一数量确定第一一致性比率；

若第一一致性比率符合第一预设条件，则基于第一判别矩阵确定重要性权值。

在第二方面的可选实施例中，训练模块在基于第一判别矩阵确定重要性权值时，具体用于：

基于第一最大特征根确定第一特征向量；

对第一特征向量进行归一化得到单排序向量；单排序向量用于表示样本资源转移特征的重要性权值。

在第二方面的可选实施例中，训练模块在基于第一判别矩阵确定重要性权值时，具体用于：

将样本资源转移特征进行不同维度的组合，得到不同的组合特征；

基于组合特征确定第二判别矩阵；其中，第二判别矩阵用于表示任意两个组合特征针对资源转移异常识别的重要性的比较结果；

基于第一判别矩阵和第二判别矩阵确定重要性权值。

在第二方面的可选实施例中，训练模块在基于第一判别矩阵和第二判别矩阵确定重要性权值时，具体用于：

基于第一判别矩阵和第二判别矩阵确定第二一致性比率；

若第二一致性比率符合第二预设条件，基于第一判别矩阵和第二判别矩阵确定总排序向量；总排序向量用于表示组合特征的组合权值；

基于组合权值确定与组合特征对应的样本资源转移特征的重要性权值。

在第二方面的可选实施例中，获取模块在获取至少一种待识别的资源转移有效特征时，具体用于：

获取至少两种待识别的资源转移初始特征；

确定样本有效特征的特征类别，基于所确定的特征类别从资源转移初始特征中确定出资源转移有效特征。

第三方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现本申请第一方面所示的异常资源转移识别方法。

第四方面，提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现本申请第一方面所示的异常资源转移识别方法。

本申请提供的技术方案带来的有益效果是：

通过从样本资源转移特征中筛选出筛选样本有效特征，根据筛选得到的样本有效特征对初始识别模型进行训练，得到识别模型；基于预设的权重系数和至少一种资源转移有效特征确定待识别的输入特征，再根据训练后的识别模型对输入特征进行识别，从而可以即时确定资源转移是否异常，避免用户的资源难以追回的情况。

进一步的，通过层次分析法从样本资源转移特征中筛选出样本有效特征，样本有效特征为针对资源转移的异常识别有效的特征，并利用样本有效特征训练得到识别模型和样本有效特征之间的权重系数，可以有效提高训练得到的识别模型的识别准确率。

进一步的，通过样本有效特征的特征类别，从资源转移初始特征中确定出资源转移有效特征，得到的资源转移有效特征可以有效的用于资源转移的异常识别，从而提高资源转移的异常识别的准确率。

本申请附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为正常交易和欺诈交易的场景下用户的操作流程；

图2为本申请实施例提供的一种异常资源转移识别方法的应用场景图；

图3为本申请实施例提供的一种异常资源转移识别方法的流程示意图；

图4为本申请实施例提供的一种训练识别网络的流程示意图；

图5为本申请一个示例提供的一种训练得到识别网络的方案的示意图；

图6为本申请实施例提供的筛选出样本有效特征的方案的示意图；

图7为本申请实施例提供的筛选出样本有效特征的方案的示意图；

图8为本申请实施例提供的示例中的异常资源转移识别方法的流程示意图；

图9为本申请实施例提供的一种异常资源转移识别装置的结构示意图；

图10为本申请实施例提供的一种异常资源转移识别的电子设备的结构示意图。

具体实施方式

下面详细描述本申请的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

云技术(Cloud technology)是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来，实现数据的计算、储存、处理和共享的一种托管技术。

云技术(Cloud technology)基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称，可以组成资源池，按需所用，灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源，如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用，将来每个物品都有可能存在自己的识别标志，都需要传输到后台系统进行逻辑处理，不同程度级别的数据将会分开处理，各类行业数据皆需要强大的系统后盾支撑，只能通过云计算来实现。

云安全(Cloud Security)是指基于云计算商业模式应用的安全软件、硬件、用户、机构、安全云平台的总称。云安全融合了并行处理、网格计算、未知病毒行为判断等新兴技术和概念，通过网状的大量客户端对网络中软件行为的异常监测，获取互联网中木马、恶意程序的最新信息，并发送到服务端进行自动分析和处理，再把病毒和木马的解决方案分发到每一个客户端。

云安全主要研究方向包括：1.云计算安全，主要研究如何保障云自身及云上各种应用的安全，包括云计算机系统安全、用户数据的安全存储与隔离、用户接入认证、信息传输安全、网络攻击防护、合规审计等；2.安全基础设施的云化，主要研究如何采用云计算新建与整合安全基础设施资源，优化安全防护机制，包括通过云计算技术构建超大规模安全事件、信息采集与处理平台，实现对海量信息的采集与关联分析，提升全网安全事件把控能力及风险控制能力；3.云安全服务，主要研究各种基于云计算平台为用户提供的安全服务，如防病毒服务等。

本申请提供的异常资源转移识别方法，可以有效识别出异常资源转移，从而可以保护用户的网络资源。

人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。

本申请实施例提供的方案涉及人工智能的异常资源转移识别技术，具体通过如下实施例进行说明。

本申请的主要应用场景在网络资源转移的场景下，以微信支付的刷卡场景为例，即用户向商家提供付款码进行交易的环节。如图1所示，图1示出了刷卡场景下，正常交易和欺诈交易的场景下用户操作流程。

在图1中，用户在正常交易流程中，在线下商店购物时，只需要初始自己的付款码进行支付，即可完成交易；在欺诈交易流程中，欺诈用户可以通过网络沟通，例如通过视频、照片的方式骗取其他用户的付款码完成欺诈交易，或者通过电话沟通，骗取其他用户的付款码数字完成欺诈交易。

目前针对网络资源转移异常判别方式主要通过用户资源转移后，也就是交易后的投诉信息反馈和人工对商户经营情况的审核判断，但通常这种方式具有如下缺陷：

1)用户投诉往往发生在交易之后，具有延时性。尽管可以做到及时止损，遏制后续的欺诈交易方式，而对于既成的欺诈交易，用户的财产将难以追回。

2)依赖人工审核判别的手段，一方面需要投入大量的人力资源对商户经营业务、订单进行审核判别，耗时长、工作繁重；另一方面，黑产也会通过养号、租码等方式，伪装成正常交易的商户，造成人工审核的误判。

本申请提供的异常资源转移识别方法，可以在资源转移过程中即对资源转移是否异常进行判定，可以有效避免用户的资源难以追回的问题，此外，不需要依赖人工审核，可以节省人工审核成本，并且还能有效提高异常资源转移的识别的准确率。

本申请提供的异常资源转移识别方法、装置、电子设备及计算机可读存储介质，旨在解决现有技术的如上技术问题。

下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

如图2所示，本申请的异常资源转移识别方法，可以应用于图2所示的场景中，具体的，用于进行异常资源转移识别的服务器20可以收集在资源转移过程中，至少一种待识别的资源转移有效特征；服务器20基于预设的权重系数和至少一种资源转移有效特征确定待识别的输入特征；服务器20基于训练后的识别模型对输入特征进行识别，得到资源转移的异常识别结果，若异常识别结果为资源转移异常，则服务器20可以发出报警提示信息。

图2所示的场景中，上述异常资源转移识别方法可以在服务器中进行，在其他的场景中，也可以在终端中进行。

本技术领域技术人员可以理解，这里所使用的“终端”可以是手机、平板电脑、PDA(Personal Digital Assistant，个人数字助理)、MID(Mobile Internet Device，移动互联网设备)等；“服务器”可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

本申请实施例中提供了一种可能的实现方式，如图3所示，提供了一种异常资源转移识别方法，该方法可以应用于终端或服务器，可以包括以下步骤：

步骤S301，获取至少一种待识别的资源转移有效特征。

其中，资源转移，可以是进行网络交易；资源转移有效特征，可以是从多种资源转移初始特征中筛选得到的；资源转移有效特征和资源转移初始特征可以包括交易行为中的特征，例如可以包括交易时间、交易地点、交易账户、交易频率、交易间隔时间等等。

步骤S302，基于预设的权重系数和至少一种资源转移有效特征确定待识别的输入特征。

其中，权重系数可以是预先设置，也可以是在利用样本有效特征对初始识别模型进行训练得到识别模型的过程中所确定的，具体确定权重系数的过程将在下文进行详细阐述。

在具体实施过程中，可以基于权重系数对至少一种资源转移有效特征进行加权并组合，得到待识别的输入特征。

步骤S303，基于训练后的识别模型对输入特征进行识别，得到资源转移的异常识别结果。

其中，识别模型是基于样本有效特征对初始识别模型进行训练得到的；样本有效特征是从样本资源转移特征中进行筛选获取的。

其中，资源转移的异常识别结果可以包括资源转移异常和资源转移正常，资源转移异常可以是欺诈交易，或者疑似欺诈交易等。

具体的，可以采集多种样本资源转移特征，利用层次分析法从多种样本资源转移特征中筛选样本有效特征，根据筛选得到的样本有效特征对初始识别模型进行训练，得到识别模型，再根据训练后的识别模型对输入特征进行识别，得到针对资源转移的异常识别结果。

上述实施例中，通过从样本资源转移特征中筛选出筛选样本有效特征，根据筛选得到的样本有效特征对初始识别模型进行训练，得到识别模型；基于预设的权重系数和至少一种资源转移有效特征确定待识别的输入特征，再根据训练后的识别模型对输入特征进行识别，从而可以即时确定资源转移是否异常，避免用户的资源难以追回的情况。

以下将结合具体实施例阐述识别网络的获取过程。

本申请实施例中提供了一种可能的实现方式，如图4所示，识别网络可以通过如下方式训练得到：

步骤S401，获取至少两种样本资源转移特征。

具体的，可以从已知是否异常的资源转移过程中采集至少两种样本资源转移特征，例如，资源转移为交易的情况下，样本资源转移特征可以是样本交易时间、样本交易地点、样本交易频次等等。

步骤S402，确定样本资源转移特征针对资源转移异常识别的重要性权值。

其中，重要性权值用于表示在资源转移过程中，样本资源转移特征用于判定资源转移是否异常的重要性程度；重要性权值越大，代表样本资源转移特征判定资源转移是否异常的作用越大。

具体的，可以采用层次分析法对多种样本资源转移特征进行分析，确定重要性权值，具体的确定重要性权值的过程将在下文进行详细阐述。

步骤S403，基于所确定的重要性权值从样本资源转移特征中筛选出样本有效特征。

在一些实施方式中，可以将重要性权值大于预设权值的样本资源转移特征设为样本有效特征；也可以将重要性权值最大的预设个数的样本资源转移特征设为样本有效特征。

步骤S404，基于样本有效特征获取样本输入特征，基于样本输入特征对初始识别模型进行训练，得到识别模型。

其中，样本有效特征设置有对应的样本异常识别结果。

在具体实施过程中，步骤S404的基于样本有效特征获取样本输入特征，基于样本输入特征对初始识别模型进行训练，得到识别模型，可以包括：

(1)基于初始权重系数和样本有效特征确定样本输入特征；

(2)将样本输入特征输入至初始识别模型，得到样本输出特征。

(3)基于样本输出特征和样本输入特征计算损失函数；基于损失函数调节初始权重系数并调节初始识别模型的参数，直至调节后得到的损失函数小于预设阈值；

(4)将调节后的初始权重系数设为权重系数，将调节参数后的初始识别模型设为识别模型。

具体的，可以基于初始权重系数对样本有效特征进行加权并组合，得到输入特征。

在具体实施过程中，基于样本输出特征和样本输入特征计算损失函数，若损失函数大于或等于预设阈值，则重复调节初始权重系数并调节初始识别模型的参数，得到更新后的样本输入特征和更新后的初始识别模型，基于更新后的输入特征计算更新后的损失函数，直至损失函数小于预设阈值，可以得到识别模型和权重系数。

以下将结合示例阐述训练识别模型的具体过程。

如图5所示，在一个示例中，训练识别模型的过程，可以包括如下步骤：

1)获取样本有效特征，基于初始权重系数和样本有效特征确定样本输入特征，即图中所示的特征构建；样本有效特征设置有对应的样本异常识别结果，即图中所示的样本标注；

2)基于样本输入特征和样本异常识别结果得到图中的训练样本；

3)基于训练样本对初始识别模型进行训练，即对图中所示的决策树模型进行训练；

4)获取验证样本；验证样本设置有对应的样本异常识别结果；

5)基于验证样本对训练后的初始识别模型进行验证；

6)若验证通过，则输出权重系数，即图中所示的输出特征权重系数，并得到训练后的识别模型；若验证不通过，则更新初始权重系数，执行特征构建的步骤，重新进行训练，直至验证通过。

上述实施例和示例阐述了识别模型的具体训练过程，以下将结合附图和实施例进一步阐述重要性权值的具体确定过程。

如图6所示，在一种实施方式中，可以从样本资源转移特征针对资源转移异常识别的重要性的层面，从样本资源转移特征中筛选出样本有效特征，具体的筛选过程如下：

本申请实施例中提供了一种可能的实现方式，步骤S402的确定样本资源转移特征针对资源转移异常识别的重要性权值，可以包括：

(1)基于样本资源转移特征确定第一判别矩阵；其中，第一判别矩阵用于表示任意两个样本资源转移特征针对资源转移异常识别的重要性的比较结果。

具体的，构造第一判别矩阵的方法是一致矩阵法，也就是不把所有样本资源转移特征放在一起比较，而是各个样本资源转移特征之间两两相互比较；采用相对尺度，尽可能减少性质不同样本资源转移特征相互比较的困难，提高识别的准确度。

如下表1示出了不同的样本资源转移特征相互比较的标度。

表1比例标度表

基于表1，可以构建出第一判别矩阵，第一判别矩阵的形式如下所示：

(2)基于第一判别矩阵确定重要性权值。

具体的，基于第一判别矩阵确定重要性权值，可以包括：

a、基于第一判别矩阵确定第一最大特征根，并确定样本资源转移特征的第一数量；

b、基于第一最大特征根和第一数量确定第一一致性比率；

c、若第一一致性比率符合第一预设条件，则基于第一判别矩阵确定重要性权值。

在一种实施方式中，若第一一致性比率符合第一预设条件，则基于第一判别矩阵确定重要性权值，可以包括：

c1，基于第一最大特征根确定第一特征向量；

c2，对第一特征向量进行归一化得到单排序向量；单排序向量用于表示样本资源转移特征的重要性权值。

具体的，通过上述的第一判别矩阵计算出最大特征根λ

随后计算一致性指标，一致性指标的计算公式是：

其中λ代表最大特征根λ

CI值越小，则表示具有更满意的一致性。此外，这里还要引入随机一致性指标RI，下表2是对应可疑维度下的RI值：

表2：随机一致性指标RI

定义第一一致性比率为：CR

在另一种实施方式中，经过层次单排序之后和一致性检验后，还可以再进行层次总排序和一致性检验。

如图7所示，在另一种实施方式中，可以从不同样本资源转移特征组合得到的组合特征针对资源转移异常识别的重要性的层面，从样本资源转移特征中筛选出样本有效特征，具体的筛选过程如下：

在另一种实施方式中，若第一一致性比率符合第一预设条件，则基于第一判别矩阵确定重要性权值，可以包括：

c3，若第一一致性比率符合第一预设条件，则将样本资源转移特征进行不同维度的组合，得到不同的组合特征；

c4，基于组合特征确定第二判别矩阵；其中，第二判别矩阵用于表示任意两个组合特征针对资源转移异常识别的重要性的比较结果；

c5，基于第一判别矩阵和第二判别矩阵确定重要性权值。

具体的，基于第一判别矩阵和第二判别矩阵确定重要性权值，可以包括：

①基于第一判别矩阵和第二判别矩阵确定第二一致性比率；

②若第二一致性比率符合第二预设条件，基于第一判别矩阵和第二判别矩阵确定总排序向量；总排序向量用于表示组合特征的组合权值；

③基于组合权值确定与组合特征对应的样本资源转移特征的重要性权值。

在本实施方式中，通过层次单排序和一致性检验，可以得到各样本资源转移特征作为影响因子对识别欺诈交易的重要性程度，而不同的风控方案，也就是不同的组合特征又由各个样本资源转移特征进行组合，具体方案的优劣则需要进行层次总排序和一致性检验进行判断。

在进行层次单排序和一致性检验中，得到了准则层n个可疑维度C

同样可以构建第二判别矩阵，可以得到方案层m个方案P

当cR

上述实施例中，通过层次分析法从样本资源转移特征中筛选出样本有效特征，样本有效特征为针对资源转移的异常识别有效的特征，并利用样本有效特征训练得到识别模型和样本有效特征之间的权重系数，可以有效提高训练得到的识别模型的识别准确率。

上述实施例阐述了在训练识别模型的过程中，确定重要性权值的过程，以下将结合实施例阐述线上识别的过程中，获取资源转移有效特征的过程。

本申请实施例中提供了一种可能的实现方式，步骤S301的获取至少一种待识别的资源转移有效特征，可以包括：

(1)获取至少两种待识别的资源转移初始特征；

(2)确定样本有效特征的特征类别，基于所确定的特征类别从资源转移初始特征中确定出资源转移有效特征。

具体的，样本有效特征即为针对资源转移可以进行有效识别的特征，在对初始识别模型进行训练之前，已经利用层次分析法从多种样本资源转移特征中筛选样本有效特征，可以从资源转移初始特征中确定出与样本有效特征对应的特征，作为资源转移有效特征。

例如，样本有效特征为样本交易频次、样本交易账户，则资源转移有效特征可以对应为交易频次和交易账户。

上述实施例中，通过样本有效特征的特征类别，从资源转移初始特征中确定出资源转移有效特征，得到的资源转移有效特征可以有效的用于资源转移的异常识别，从而提高资源转移的异常识别的准确率。

为了更好地理解上述异常资源转移识别方法，如图8所示，以下详细阐述一个本发明的异常资源转移识别方法的示例：

在一个示例中，本申请提供的异常资源转移识别方法，可以包括如下步骤：

1)获取至少两种样本资源转移特征；例如样本交易时间、样本交易地点、样本交易账户、样本交易频次等等；

2)利用层次分析法从多种样本资源转移特征中筛选样本有效特征；例如，筛选得到的样本有效特征为样本交易账户和样本交易频次；样本有效特征标注有对应的样本输出特征，即已经预先标注有是否为资源转移异常的结果；

3)将标注的样本有效特征拆分为训练集和验证集；例如，按照7:3的比例拆解得到训练集和验证集；

4)利用训练集对初始识别网络进行训练，并调整训练集的初始权重系数以及初始识别网络的参数；

5)利用验证集对训练后的初始识别网络进行验证；

6)判断初始识别网络的识别准确率是否高于预设准确率；若是，进入步骤7)；若否，则进入步骤8)；

7)可以将此时的初始权重系数设为权重系数，将初始识别网络设为识别网络；

8)调整初始权重系数以及初始识别网络的参数，返回步骤4)。

上述的异常资源转移识别方法，通过从样本资源转移特征中筛选出筛选样本有效特征，根据筛选得到的样本有效特征对初始识别模型进行训练，得到识别模型；基于预设的权重系数和至少一种资源转移有效特征确定待识别的输入特征，再根据训练后的识别模型对输入特征进行识别，从而可以即时确定资源转移是否异常，避免用户的资源难以追回的情况。

进一步的，通过层次分析法从样本资源转移特征中筛选出样本有效特征，样本有效特征为针对资源转移的异常识别有效的特征，并利用样本有效特征训练得到识别模型和样本有效特征之间的权重系数，可以有效提高训练得到的识别模型的识别准确率。

进一步的，通过样本有效特征的特征类别，从资源转移初始特征中确定出资源转移有效特征，得到的资源转移有效特征可以有效的用于资源转移的异常识别，从而提高资源转移的异常识别的准确率。

本申请实施例中提供了一种可能的实现方式，如图9所示，提供了一种异常资源转移识别装置90，该异常资源转移识别装置90可以包括：获取模块901、确定模块902和识别模块903，其中，

获取模块901，用于获取至少一种待识别的资源转移有效特征；

确定模块902，用于基于预设的权重系数和至少一种资源转移有效特征确定待识别的输入特征；

识别模块903，用于基于训练后的识别模型对输入特征进行识别，得到资源转移的异常识别结果；

其中，识别模型是基于样本有效特征对初始识别模型进行训练得到的；样本有效特征是从样本资源转移特征中进行筛选获取的。

本申请实施例中提供了一种可能的实现方式，还包括训练模块，用于：

获取至少两种样本资源转移特征；

确定样本资源转移特征针对资源转移异常识别的重要性权值；

基于所确定的重要性权值从样本资源转移特征中筛选出样本有效特征；

基于样本有效特征获取样本输入特征，基于样本输入特征对初始识别模型进行训练，得到识别模型。

本申请实施例中提供了一种可能的实现方式，样本有效特征设置有对应的样本异常识别结果；训练模块在基于样本有效特征获取样本输入特征，基于样本输入特征对初始识别模型进行训练，得到识别模型时具体用于：

基于初始权重系数和样本有效特征确定样本输入特征；

将样本输入特征输入至初始识别模型，得到样本输出特征；

基于样本输出特征和样本输入特征计算损失函数；基于损失函数调节初始权重系数并调节初始识别模型的参数，直至调节后得到的损失函数小于预设阈值；

将调节后的初始权重系数设为权重系数，将调节参数后的初始识别模型设为识别模型。

本申请实施例中提供了一种可能的实现方式，训练模块在确定样本资源转移特征针对资源转移异常识别的重要性权值时，具体用于：

基于样本资源转移特征确定第一判别矩阵；其中，第一判别矩阵用于表示任意两个样本资源转移特征针对资源转移异常识别的重要性的比较结果；

基于第一判别矩阵确定重要性权值。

本申请实施例中提供了一种可能的实现方式，训练模块在基于第一判别矩阵确定重要性权值时，具体用于：

基于第一判别矩阵确定第一最大特征根，并确定样本资源转移特征的第一数量；

基于第一最大特征根和第一数量确定第一一致性比率；

若第一一致性比率符合第一预设条件，则基于第一判别矩阵确定重要性权值。

在第二方面的可选实施例中，训练模块在基于第一判别矩阵确定重要性权值时，具体用于：

基于第一最大特征根确定第一特征向量；

对第一特征向量进行归一化得到单排序向量；单排序向量用于表示样本资源转移特征的重要性权值。

本申请实施例中提供了一种可能的实现方式，训练模块在基于第一判别矩阵确定重要性权值时，具体用于：

将样本资源转移特征进行不同维度的组合，得到不同的组合特征；

基于组合特征确定第二判别矩阵；其中，第二判别矩阵用于表示任意两个组合特征针对资源转移异常识别的重要性的比较结果；

基于第一判别矩阵和第二判别矩阵确定重要性权值。

本申请实施例中提供了一种可能的实现方式，训练模块在基于第一判别矩阵和第二判别矩阵确定重要性权值时，具体用于：

基于第一判别矩阵和第二判别矩阵确定第二一致性比率；

若第二一致性比率符合第二预设条件，基于第一判别矩阵和第二判别矩阵确定总排序向量；总排序向量用于表示组合特征的组合权值；

基于组合权值确定与组合特征对应的样本资源转移特征的重要性权值。

本申请实施例中提供了一种可能的实现方式，获取模块901在获取至少一种待识别的资源转移有效特征时，具体用于：

获取至少两种待识别的资源转移初始特征；

确定样本有效特征的特征类别，基于所确定的特征类别从资源转移初始特征中确定出资源转移有效特征。

上述的异常资源转移识别装置，通过从样本资源转移特征中筛选出筛选样本有效特征，根据筛选得到的样本有效特征对初始识别模型进行训练，得到识别模型；基于预设的权重系数和至少一种资源转移有效特征确定待识别的输入特征，再根据训练后的识别模型对输入特征进行识别，从而可以即时确定资源转移是否异常，避免用户的资源难以追回的情况。

进一步的，通过层次分析法从样本资源转移特征中筛选出样本有效特征，样本有效特征为针对资源转移的异常识别有效的特征，并利用样本有效特征训练得到识别模型和样本有效特征之间的权重系数，可以有效提高训练得到的识别模型的识别准确率。

进一步的，通过样本有效特征的特征类别，从资源转移初始特征中确定出资源转移有效特征，得到的资源转移有效特征可以有效的用于资源转移的异常识别，从而提高资源转移的异常识别的准确率。

本公开实施例的图片的异常资源转移识别装置可执行本公开的实施例所提供的一种图片的异常资源转移识别方法，其实现原理相类似，本公开各实施例中的图片的异常资源转移识别装置中的各模块所执行的动作是与本公开各实施例中的图片的异常资源转移识别方法中的步骤相对应的，对于图片的异常资源转移识别装置的各模块的详细功能描述具体可以参见前文中所示的对应的图片的异常资源转移识别方法中的描述，此处不再赘述。

基于与本公开的实施例中所示的方法相同的原理，本公开的实施例中还提供了一种电子设备，该电子设备可以包括但不限于：处理器和存储器；存储器，用于存储计算机操作指令；处理器，用于通过调用计算机操作指令执行实施例所示的异常资源转移识别方法。与现有技术相比，本申请中的异常资源转移识别方法可以即时确定资源转移是否异常，避免用户的资源难以追回的情况。

在一个可选实施例中提供了一种电子设备，如图10所示，图10所示的电子设备4000包括：处理器4001和存储器4003。其中，处理器4001和存储器4003相连，如通过总线4002相连。可选地，电子设备4000还可以包括收发器4004。需要说明的是，实际应用中收发器4004不限于一个，该电子设备4000的结构并不构成对本申请实施例的限定。

处理器4001可以是CPU(Central Processing Unit，中央处理器)，通用处理器，DSP(Digital Signal Processor，数据信号处理器)，ASIC(Application SpecificIntegrated Circuit，专用集成电路)，FPGA(Field Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器4001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。

总线4002可包括一通路，在上述组件之间传送信息。总线4002可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等。总线4002可以分为地址总线、数据总线、控制总线等。为便于表示，图10中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

存储器4003可以是ROM(Read Only Memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，RAM(Random Access Memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。

存储器4003用于存储执行本申请方案的应用程序代码，并由处理器4001来控制执行。处理器4001用于执行存储器4003中存储的应用程序代码，以实现前述方法实施例所示的内容。

其中，电子设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图10示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。与现有技术相比，本申请中的异常资源转移识别方法可以即时确定资源转移是否异常，避免用户的资源难以追回的情况。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备执行上述实施例所示的方法。

本申请实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行时实现如下情况：

获取至少一种待识别的资源转移有效特征；

基于预设的权重系数和至少一种资源转移有效特征确定待识别的输入特征；

基于训练后的识别模型对输入特征进行识别，得到资源转移的异常识别结果；

其中，识别模型是基于样本有效特征对初始识别模型进行训练得到的；样本有效特征是从样本资源转移特征中进行筛选获取的。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，识别模块还可以被描述为“用于识别资源转移异常的模块”。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。