金融诈骗用户识别方法、装置、存储介质及电子设备

本申请涉及诈骗识别，尤其涉及一种金融诈骗用户识别方法、装置、存储介质及电子设备。

背景技术：

1、随着互联网技术的发展，线上金融行业的规模迅速扩张，凭借更加方便快捷的服务吸引广大用户纷纷体验的同时，也带来了一些隐患，其中金融诈骗是不容忽视的一个方面。

2、由于网络的虚拟性，线上金融诈骗行为更加隐蔽难以察觉，并且对非法用户进行追责的难度也更高，然而目前一些公司大多依赖于专家制定审查校验规则的方式进行筛查，其适配灵活度以及判别的精准度都不尽人意，因此使用人工智能技术实现对金融诈骗的风险评估成为一个热点问题。

3、目前，通过人工智能技术对金融诈骗用户进行识别的方法普遍存在信息聚合过程中差异性丢失以及子图上下文信息挖掘不足的问题，导致效果欠佳。

技术实现思路

1、本申请实施例提供一种金融诈骗用户识别方法、装置、存储介质及电子设备，能够提高金融诈骗用户识别的准确度。

2、本申请实施例提供了一种金融诈骗用户识别方法，包括：

3、获取用户数据，并将所述用户数据转换为图结构；

4、对所述图结构进行数据抽取，得到目标子图以及目标子图的邻接矩阵；

5、基于所述邻接矩阵得到内聚邻接矩阵与外扩邻接矩阵，分别对所述内聚邻接矩阵与所述外扩邻接矩阵进行编码得到第一特征与第二特征，将所述第一特征与所述第二特征相减得到差分特征；

6、对所述差分特征进行强化得到强化后的差分矩阵；

7、计算所述差分矩阵的范数，对所述范数进行整合得到所述用户数据的识别结果。

8、进一步地，上述金融诈骗用户识别方法，其中，所述图结构包括多个节点，所述多个节点之间通过边连接，所述多个节点包括目标节点及其邻居节点；

9、所述对所述图结构进行数据抽取，得到目标子图以及目标子图的邻接矩阵，包括：

10、随机抽取目标节点以及k各一阶邻居节点构成目标子图；

11、其中，所述目标子图为g＝{v,e,x,a}；

12、其中，v表示目标子图中包含的各个节点组成的集合，e表示目标子图中包含的各条边组成的集合，x表示目标子图中各个节点的属性组成的集合，a为目标子图的邻接矩阵。

13、进一步地，上述金融诈骗用户识别方法，其中，所述基于邻接矩阵得到内聚邻接矩阵与外扩邻接矩阵，包括：

14、构造第一掩码矩阵与第二掩码矩阵；

15、基于所述第一掩码矩阵与所述邻接矩阵得到内聚邻接矩阵；

16、基于所述第二掩码矩阵与所述邻接矩阵得到外扩邻接矩阵。

17、进一步地，上述金融诈骗用户识别方法，其中，所述第一掩码矩阵为：

18、

19、所述第二掩码矩阵为：

20、

21、所述基于所述第一掩码矩阵与所述邻接矩阵得到内聚邻接矩阵，包括：

22、将所述第一掩码矩阵与所述邻接矩阵作哈达玛积，得到内聚邻接矩阵；

23、所述基于所述第二掩码矩阵与所述邻接矩阵得到外扩邻接矩阵，包括：

24、将所述第二掩码矩阵与所述邻接矩阵作哈达玛积，得到外扩邻接矩阵。

25、进一步地，上述金融诈骗用户识别方法，其中，所述对所述差分特征进行强化得到强化后的差分矩阵，包括：

26、将所述差分特征输入到节点级注意力卷积核中，得到节点级注意力得分；

27、将所述差分特征输入到特征级注意力卷积核中，得到特征级注意力得分；

28、将所述节点级注意力得分与所述特征级注意力得分相乘得到注意力矩阵；

29、将所述差分特征与所述注意力矩阵作哈达玛积，得到差分矩阵。

30、进一步地，上述金融诈骗用户识别方法，其中，所述计算所述差分矩阵的范数，对所述范数进行整合得到所述用户数据的识别结果，包括：

31、计算所述差分矩阵中每个行向量的l2-范数；

32、将所述l2-范数输入到神经网络线性层中得到所述用户数据的识别结果。

33、本申请实施例还提供了一种金融诈骗用户识别装置，包括：

34、获取与转换模块，用于获取用户数据，并将所述用户数据转换为图结构；

35、子图构造模块，用于对所述图结构进行数据抽取，得到目标子图以及目标子图的邻接矩阵；

36、定向差分视图模块，用于基于所述邻接矩阵得到内聚邻接矩阵与外扩邻接矩阵，分别对所述内聚邻接矩阵与所述外扩邻接矩阵进行编码得到第一特征与第二特征，将所述第一特征与所述第二特征相减得到差分特征；

37、多层次注意力模块，用于对所述差分特征进行强化得到强化后的差分矩阵；

38、异常判别模块，用于计算所述差分矩阵的范数，对所述范数进行整合得到所述用户数据的识别结果。

39、进一步地，上述金融诈骗用户识别装置，其中，所述定向差分视图模块包括内聚编码器与外扩编码器，所述内聚编码器用于对所述内聚邻接矩阵进行编码得到第一特征，所述外扩编码器用于对所述外扩邻接矩阵进行编码得到第二特征；

40、所述内聚编码器与所述外扩编码器均包括若干个卷积模块、激活函数单元和批归一化单元。

41、本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有多条指令，所述指令适于由处理器加载以执行上述任一项金融诈骗用户识别方法。

42、本申请实施例还提供了一种电子设备，包括处理器和存储器，所述处理器与所述存储器电性连接，所述存储器用于存储指令和数据，所述处理器用于上述任一项所述的金融诈骗用户识别方法中的步骤。

43、本申请提供的金融诈骗用户识别方法、装置、存储介质及电子设备，本申请通过将用户数据转化为图结构，在图结构中抽取目标子图，对目标子图的邻接矩阵通过构造定向差分视图的方式提取差分特征，通过构造定向差分视图的方式能够避免在特征提取过程当中差异性信息逐渐融合平滑的发生，最后基于差分特征预测用户是否为异常用户，此种方式能够提高金融诈骗用户识别的准确度。

技术特征：

1.一种金融诈骗用户识别方法，其特征在于，所述方法包括：

2.根据权利要求1所述的金融诈骗用户识别方法，其特征在于，所述图结构包括多个节点，所述多个节点之间通过边连接，所述多个节点包括目标节点及其邻居节点；

3.根据权利要求1所述的金融诈骗用户识别方法，其特征在于，所述基于所述邻接矩阵得到内聚邻接矩阵与外扩邻接矩阵，包括：

4.根据权利要求3所述的金融诈骗用户识别方法，其特征在于，所述第一掩码矩阵为：

5.根据权利要求1所述的金融诈骗用户识别方法，其特征在于，所述对所述差分特征进行强化得到强化后的差分矩阵，包括：

6.根据权利要求1所述的金融诈骗用户识别方法，其特征在于，所述计算所述差分矩阵的范数，对所述范数进行整合得到所述用户数据的识别结果，包括：

7.一种金融诈骗用户识别装置，其特征在于，包括：

8.根据权利要求7所述的金融诈骗用户识别装置，其特征在于，所述定向差分视图模块包括内聚编码器与外扩编码器，所述内聚编码器用于对所述内聚邻接矩阵进行编码得到第一特征，所述外扩编码器用于对所述外扩邻接矩阵进行编码得到第二特征；

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有多条指令，所述指令适于由处理器加载以执行权利要求1至6任一项所述的金融诈骗用户识别方法。

10.一种电子设备，其特征在于，包括处理器和存储器，所述处理器与所述存储器电性连接，所述存储器用于存储指令和数据，所述处理器用于执行权利要求1至6任一项所述的金融诈骗用户识别方法中的步骤。

技术总结
本申请公开了金融诈骗用户识别方法、装置、存储介质及电子设备。该方法包括：获取用户数据，并将所述用户数据转换为图结构；对所述图结构进行数据抽取，得到目标子图以及目标子图的邻接矩阵；基于邻接矩阵得到内聚邻接矩阵与外扩邻接矩阵，分别对所述内聚邻接矩阵与所述外扩邻接矩阵进行编码得到第一特征与第二特征，将所述第一特征与所述第二特征相减得到差分特征；对所述差分特征进行强化得到强化后的差分矩阵；计算所述差分矩阵的范数，对所述范数进行整合得到所述用户数据的识别结果。本申请通过构造定向差分视图的方式能够避免在特征提取过程当中差异性信息逐渐融合平滑的发生，可以提高金融诈骗用户识别的准确度。

技术研发人员：林馥,张越,龚浩南
受保护的技术使用者：武汉大学
技术研发日：
技术公布日：2024/9/23