[发明专利]异常账户的分类方法、装置、电子设备及存储介质

说明书

本公开提供了一种异常账户的分类方法、装置、电子设备及存储介质，可以应用于大数据、信息安全技术领域。该分类方法包括：获取待检测的M个账户数据，账户数据包括用于表征账户交易特征的数据；将M个账户数据输入训练好的目标分类模型，输出M个分类结果，分类结果用于表征所述账户数据是否异常以及异常类型；目标分类模型是利用N个样本数据和N个样本数据的标签经T轮训练得到的，N个样本数据包括M个账户数据和(N‑M)个有标签数据，N个样本数据的标签包括(N‑M)个有标签数据的标准标签和M个账户数据的软标签，软标签是利用标准标签经T轮优化得到的，标准标签包括C个异常类型，T≥1，C≥1，N≥M≥1。

技术领域

本公开涉及大数据、信息安全技术领域，具体涉及一种异常账户的分类方法、装置、电子设备及存储介质。

背景技术

在异常账户识别场景中，一般利用有监督机器学习或半监督机器学习实现异常账户的识别。

对于有监督机器学习，一般通过预先标记的异常账户样本训练模型，这需要耗费大量人力物力进行打标操作。此外，由于某些隐藏账户在发生异常时未采取处理措施，使得打标不精确从而影响异常识别效果。对于半监督学习，一般通过预先给无标签样本赋予伪标签，将半监督学习模式转换为有监督学习模式，实现异常账户的识别。但是，错误的伪标签会导致模型学习到错误信息，影响异常账户识别效果。

发明内容

鉴于上述问题，本公开提供了一种异常账户的分类方法、装置、电子设备及存储介质。

根据本公开的第一个方面，提供了一种异常账户的分类方法，包括：

获取待检测的M个账户数据，账户数据包括用于表征账户交易特征的数据；

将M个账户数据输入训练好的目标分类模型，输出与M个账户数据相匹配的M个分类结果，分类结果用于表征账户数据是否异常以及异常类型；

其中，目标分类模型是利用N个样本数据和N个样本数据的标签经T轮训练得到的，N个样本数据包括无标签的M个账户数据和(N-M)个有标签数据，N个样本数据的标签包括(N-M)个有标签数据的标准标签和M个账户数据的软标签，软标签是利用标准标签经T轮优化得到的，标准标签包括C个异常类型，T≥1，C≥1，N≥M≥1。

根据本公开的实施例，其中，确定目标分类模型的过程包括：

根据N个样本数据和N个样本数据的标签，对初始分类模型进行T轮训练，将第T轮训练得到的第T分类模型作为目标分类模型；

其中，在每轮训练过程中，利用(N-M)个有标签数据的标准标签更新M个账户数据的软标签，软标签包括账户数据属于C个异常类型的概率。

根据本公开的实施例，其中，根据N个样本数据和N个样本数据的标签，对初始分类模型进行T轮训练，将第T轮训练得到的第T分类模型作为目标分类模型，包括：

针对第t轮训练，2≤t≤T，获取第(t-1)轮训练过程中得到的第(t-1)分类模型、与M个账户数据对应的M个第(t-1)邻居数据集，其中，每个第(t-1)邻居数据集包括与账户数据最相似的K个第(t-1)有标签数据，K≥1；

将M个账户数据和(N-M)个有标签数据输入第(t-1)分类模型，输出第t₁预测结果数据集，第t₁预测结果数据集包括M个账户数据在第t轮第1次训练得到的M个预测结果、以及(N-M)个有标签数据在第t轮第1次训练得到的(N-M)个预测结果；

根据与每个账户数据对应的第(t-1)邻居数据集，计算与每个账户数据对应的第t软标签，得到与M个账户数据对应的M个第t软标签；以及

根据第t₁预测结果数据集、M个第t软标签、(N-M)个标准标签优化第(t-1)分类模型，直至损失函数满足预设条件的情况下，得到第t分类模型。