[发明专利]一种虚假交易识别方法、装置及电子设备

权利要求书

1.一种虚假交易识别方法，所述方法包括：

获取预定平台所对应的原始交易图数据，根据目标节点从所述原始交易图数据中提取出子图数据，其中，所述目标节点包括根据待识别交易所确定的买家节点及卖家节点；

将所述子图数据作为输入，利用预定的多个连续的神经网络结构执行信息聚合操作和特征向量提取操作得到目标特征向量；其中，所述信息聚合操作用于根据各节点之间的相关性确定注意力矩阵，并根据所述注意力矩阵对目标节点的邻域节点信息进行聚合，所述各节点之间的相关性包括根据各节点信息所确定的第一相关性以及根据边信息所确定的第二相关性；

将所述目标特征向量输入到分类器中，以便根据所述分类器的输出结果判断所述待识别交易是否为虚假交易。

2.如权利要求1所述的方法，所述预定平台包括电商平台，所述获取预定平台所对应的原始交易图数据，包括：

获取所述电商平台所产生的历史交易数据，根据所述历史交易数据创建所述原始交易图数据，所述原始交易图数据中包含由节点信息组成的节点集合，以及由边信息组成的边集合。

3.如权利要求1所述的方法，所述根据目标节点从所述原始交易图数据中提取出子图数据，包括：

利用图采样算法从所述原始交易图数据中将所述买家节点、卖家节点以及其分别对应的二度邻居节点提取出来构成节点子集，将两端节点均在所述节点子集内的边从所述原始交易图数据中提取出来构成边子集，利用所述节点子集和边子集构成所述子图数据。

4.如权利要求1所述的方法，在所述执行信息聚合操作之前，还包括：

利用所述子图数据中的节点信息所对应的向量构成节点向量矩阵，并利用邻接矩阵对所述子图数据中的边信息进行处理得到张量，将所述节点向量矩阵以及张量作为多头注意力机制的输入。

5.如权利要求4所述的方法，所述根据各节点之间的相关性确定注意力矩阵，包括：

对所述节点向量矩阵中的节点向量进行线性变换，以便将其转换为查询向量、主键向量和值向量，将任意节点的查询向量与其他节点的主键向量进行点积运算，所述点积运算的结果用于表示所述第一相关性；

对所述张量中的多个矩阵与预定的系数执行加权操作，所述加权操作的结果用于表示所述第二相关性；

根据所述第一相关性和第二相关性确定注意力矩阵。

6.如权利要求5所述的方法，采用以下计算式执行所述根据各节点之间的相关性确定注意力矩阵的操作，具体地：

其中，Φ表示注意力矩阵；Q表示查询向量；K表示主键向量；V表示值向量；L表示边信息；QK^T表示第一相关性的矩阵；L_l,k表示张量的第k个矩阵分量；表示第二相关性的矩阵；w_k表示执行加权操作时的系数；表示节点间综合相关性的矩阵；w₀表示查询向量与主键向量进行点积运算时的系数。

7.如权利要求5所述的方法，所述根据所述注意力矩阵对目标节点的邻域节点信息进行聚合，包括：

利用所述注意力矩阵对所述目标节点的邻域节点所对应的值向量进行加权求和，以便聚合所述邻域节点信息。

8.如权利要求7所述的方法，采用以下计算式执行所述根据所述注意力矩阵对目标节点的邻域节点信息进行聚合的操作，具体地：

X_l+1＝ΦV

其中，Φ表示注意力矩阵，注意力矩阵中的每一行表示一组归一化权重；V表示不同节点的值向量；ΦV表示对任一目标节点，注意力矩阵中对应该目标节点的一行表示其对应的所有邻域节点，并将邻域节点的值向量进行加权求和。

9.如权利要求1所述的方法，每个所述神经网络结构内包含串联而成的多头注意力机制、第一归一化层、前馈网络和第二归一化层；其中，所述多头注意力机制用于执行所述信息聚合操作，所述前馈网络用于执行所述特征向量提取操作，所述特征向量提取操作用于对归一化操作后的节点信息和边信息分别进行变换，以便提取出目标特征向量。