本發(fā)明涉及關聯(lián)交易檢測，尤其涉及一種基于角色感知增強學習的關聯(lián)交易檢測方法及系統(tǒng)。

背景技術：

1、隨著關聯(lián)交易結構日益復雜、參與者數(shù)量不斷增加，形成了龐大的關聯(lián)交易網絡。傳統(tǒng)的定量分析方法將各個公司孤立起來，而忽略了關聯(lián)交易中公司間關系和資本交換的復雜性，很難捕捉到能夠有效幫助挖掘數(shù)據(jù)間潛在聯(lián)系的信息。為了揭示復雜關聯(lián)交易網絡中的內在聯(lián)系，許多方法利用圖神經網絡(gnns)來探索圖中的更多信息。對于普遍的商業(yè)交易場景，lu等人提出bright框架檢測欺詐交易，進行高效的端到端學習和實時推理，并設計了一種圖轉換方法來避免未來的信息泄漏。zheng等人提出了基于互信息的雙層圖神經網絡midlg，驗證投訴對應的交易是否存在欺詐行為。這些方法大多解決了欺詐檢測問題，并基于靜態(tài)圖學習任務，通常忽略了實際業(yè)務場景中關聯(lián)交易數(shù)據(jù)的動態(tài)性。

2、在現(xiàn)實世界中，關聯(lián)交易網絡通常是動態(tài)的，可以表示為一系列圖快照，學習復雜的時變圖結構和捕捉動態(tài)關系的變化是至關重要的。近年來，許多研究提出了通用的動態(tài)圖神經網絡來檢測動態(tài)關系?，F(xiàn)有的動態(tài)圖學習方法大多集成了圖卷積來捕捉空間依賴關系，并使用循環(huán)神經網絡(rnns)和卷積神經網絡(cnns)來建模時間依賴關系。htgn將時序圖映射到雙曲空間，結合雙曲圖神經網絡和雙曲門控循環(huán)單元來捕捉演化行為，同時保留層次信息。evolvegcn使用rnns演化圖卷積網絡參數(shù)，從而捕捉圖序列動態(tài)。megacrn基于圖卷積循環(huán)單元顯式區(qū)分空間和時間異質性。stgnp采用因果卷積捕捉時間關系，并使用跨域圖網絡高效學習空間依賴關系。然而，關聯(lián)交易網絡與其他金融網絡一樣，屬于無標度網絡，關聯(lián)交易過程通常遵循某些機制，顯示出有規(guī)律的網絡結構模式。在關聯(lián)交易網絡中，少數(shù)節(jié)點具有多重連接，代表著具有高交易和關聯(lián)度的核心實體，如大企業(yè)或金融機構。大多數(shù)節(jié)點代表普通實體，與核心實體相連，形成星形結構，并且在這種結構模式中，每個節(jié)點角色區(qū)分清晰?，F(xiàn)有的圖神經網絡方法往往忽略了關聯(lián)交易網絡中這種中心-外圍結構模式和節(jié)點角色，無法準確建模關聯(lián)交易網絡。

3、且現(xiàn)有的研究工作具有以下兩方面的缺陷：(1)忽略時序依賴性：大多數(shù)現(xiàn)有方法未能有效捕捉動態(tài)關聯(lián)交易網絡快照之間的時序依賴性；(2)忽略結構模式和節(jié)點角色：現(xiàn)有方法往往忽視了關聯(lián)交易網絡中中心-外圍結構模式和對應節(jié)點角色，限制了模型對關聯(lián)交易網絡的精細化表示和建模能力。解決這兩個問題是完成關聯(lián)交易檢測任務的關鍵。

4、綜上所述，一種基于角色感知增強學習的關聯(lián)交易檢測方法及系統(tǒng)，解決現(xiàn)有方法中未能有效捕捉動態(tài)關聯(lián)交易網絡快照之間的時序依賴性問題，以及忽視關聯(lián)交易網絡中中心-外圍結構模式和節(jié)點角色差異的問題同時克服忽視關聯(lián)交易網絡中中心-外圍結構模式和節(jié)點角色差異的不足。

技術實現(xiàn)思路

1、鑒于上述現(xiàn)有技術中存在的問題，提出了本發(fā)明。

2、因此，本發(fā)明要解決的技術問題是：通過解決現(xiàn)有技術在動態(tài)關聯(lián)交易網絡的時序依賴性和結構模式識別方面的不足，增強對關聯(lián)交易網絡的檢測能力和精確度。

3、為解決上述技術問題，本發(fā)明提供如下技術方案，一種基于角色感知增強學習的關聯(lián)交易檢測方法，包括：根據(jù)關聯(lián)交易模式特點，分配結構角色；根據(jù)節(jié)點的結構角色自適應地定制消息傳遞和更新函數(shù)，建立角色感知自適應消息傳遞機制；加權集成歷史時間快照，捕捉時間序列中的關鍵動態(tài)變化，建立時間上下文注意力機制；結合變分自編碼器和循環(huán)神經網絡，預測圖的動態(tài)演化過程，變分動態(tài)圖遞歸神經網絡。

4、作為本發(fā)明所述的一種基于角色感知增強學習的關聯(lián)交易檢測方法的一種優(yōu)選方案，其中：所述關聯(lián)交易包括參與關聯(lián)交易的實體之間，關聯(lián)交易網絡中的節(jié)點包括中心節(jié)點和外圍節(jié)點，且關聯(lián)交易數(shù)據(jù)包括特定時間點快照，采用離散圖，根據(jù)交易時間和交易期限，將數(shù)據(jù)按照指定時間間隔進行切割，提取時間快照。

5、作為本發(fā)明所述的一種基于角色感知增強學習的關聯(lián)交易檢測方法的一種優(yōu)選方案，其中：所述離散圖包括觀察到的靜態(tài)快照；

6、所述靜態(tài)快照表示為：

7、g＝{g1,g2,……,gt}

8、其中，g表示圖，t表示快照數(shù)；

9、在t時刻下，快照gt為無向圖，記錄對應時間快照下關聯(lián)交易網絡中的參與實體和關聯(lián)交易情況；

10、所述快照gt表示為：

11、gt＝(vt,εt)

12、其中，vt表示節(jié)點集，εt表示邊集；

13、離散圖歸納外推，通過m維節(jié)點屬性和對應鄰接矩陣at學習時間t的潛在節(jié)點ht，使用靜態(tài)圖神經網絡f1學習結構模式，使用循環(huán)網絡f2學習時間模式，其中，潛在節(jié)點表示為：

14、ht＝f2(f1(at,xt,ht-1))

15、其中，ht-1表示歷史節(jié)點。

16、作為本發(fā)明所述的一種基于角色感知增強學習的關聯(lián)交易檢測方法的一種優(yōu)選方案，其中：所述結構角色根據(jù)節(jié)點度使用預定義的閾值分配角色，計算節(jié)點v∈vt的度d(v)作為主要結構特征，設置度閾值θ區(qū)分中心節(jié)點和外圍節(jié)點，根據(jù)經驗和領域知識確定，使用映射函數(shù)φ，將節(jié)點映射到集合s＝{s1,s2}，其中，映射函數(shù)表示為：

17、

18、其中，s1代表中心角色，s2代表外圍角色；

19、得到角色向量rt，表示為：

20、

21、記錄每個節(jié)點在t時刻的角色。

22、作為本發(fā)明所述的一種基于角色感知增強學習的關聯(lián)交易檢測方法的一種優(yōu)選方案，其中：所述角色感知自適應消息傳遞機制基于消息傳遞神經網絡，采用消息函數(shù)控制鄰居節(jié)點的消息向量；

23、所述消息函數(shù)利用門控機制訓練學習，根據(jù)角色節(jié)點消息向量對預測性能的貢獻優(yōu)化系數(shù)，表示為：

24、

25、

26、其中，g(v)表示門控信號，σ表示sigmoid函數(shù)，表示節(jié)點v的鄰居節(jié)點的角色分布矩陣，wg表示學習權重矩陣，bg表示學習偏置，mv表示消息向量，xu表示節(jié)點u的隱藏狀態(tài)，w表示特征向量的初始變換的學習權重矩陣，表示平衡節(jié)點度數(shù)影響的歸一化系數(shù)，表示節(jié)點v的更新，wφ(v)表示基于節(jié)點角色組合特征和聚合信息的角色特定權重，xv表示節(jié)點v的隱藏狀態(tài)，表示添加帶門控信號的自循環(huán)的鄰接矩陣，⊙表示元素乘法，i表示單位矩陣，表示圖的度矩陣，a表示鄰接矩陣，x表示特征向量，r表示角色向量。

27、作為本發(fā)明所述的一種基于角色感知增強學習的關聯(lián)交易檢測方法的一種優(yōu)選方案，其中：所述時間上下文注意力機制包括計算歷史圖對當前時間步的影響力權重，通過權重，將時間步的表示進行加權求和，得到包含時間演化信息的節(jié)點表示，表示為：

28、

29、r∈rd

30、q∈rd×d

31、h＝[ht-w；ht-w+1；…；ht-1]

32、

33、其中，h表示歷史快照記錄窗口，w表示上下文的窗口寬度，e表示注意力的權重向量，q表示注意力的矩陣，d表示隱藏抓昂頭的維度，ai表示第i個歷史快照權重，表示加權的歷史表示，a表示歷史快照權重。

34、作為本發(fā)明所述的一種基于角色感知增強學習的關聯(lián)交易檢測方法的一種優(yōu)選方案，其中：所述變分動態(tài)圖遞歸神經網絡表示為：

35、

36、其中，n表示正態(tài)分布的先驗分布，表示條件先驗分布的參數(shù)，表示均值，表示方差，表示基于角色的圖卷積函數(shù)，表示后驗參數(shù)，表示均值，表示方差，∥表示連接操作，f表示非概率深度神經網絡。

37、本發(fā)明的另外一個目的是提供一種基于角色感知增強學習的關聯(lián)交易檢測系統(tǒng)，通過自適應消息傳遞機制和時間上下文注意力機制，更精確地預測圖結構的動態(tài)演化過程，從而提高關聯(lián)交易檢測的準確性和實時性，增強對復雜關聯(lián)交易網絡的處理能力。

38、為解決上述技術問題，本發(fā)明提供如下技術方案：一種基于角色感知增強學習的關聯(lián)交易檢測系統(tǒng)，包括：角色分配模塊、角色感知模塊、時間上下文模塊以及動態(tài)圖預測模塊；

39、所述角色分配模塊，根據(jù)關聯(lián)交易模式特點，分配結構角色；

40、所述角色感知模塊，根據(jù)節(jié)點的結構角色自適應地定制消息傳遞和更新函數(shù)，建立角色感知自適應消息傳遞機制；

41、所述時間上下文模塊，加權集成歷史時間快照，捕捉時間序列中的關鍵動態(tài)變化，建立時間上下文注意力機制；

42、所述動態(tài)圖預測模塊，結合變分自編碼器和循環(huán)神經網絡，預測圖的動態(tài)演化過程，變分動態(tài)圖遞歸神經網絡。

43、一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執(zhí)行所述計算機程序時實現(xiàn)如上所述的一種基于角色感知增強學習的關聯(lián)交易檢測方法的步驟。

44、一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現(xiàn)如上所述的一種基于角色感知增強學習的關聯(lián)交易檢測方法的步驟。

45、本發(fā)明的有益效果：采用基于角色的自適應消息傳遞機制，本發(fā)明能夠識別并區(qū)分不同角色節(jié)點的屬性和功能，根據(jù)節(jié)點角色分別定制消息傳遞和聚合函數(shù)，從而更準確地表示圖中節(jié)點表示。一方面，這使我們能夠區(qū)分鄰域中具有不同結構角色的節(jié)點行為，更準確地捕捉它們在網絡中的獨特功能和角色，增強對局部結構的理解和表示。另一方面，這使我們能夠捕捉全局圖中具有相同結構角色的節(jié)點特征，有效地建模長距離依賴關系，提高全局網絡結構的表示能力。

46、通過引入時間上下文注意力機制，本發(fā)明能夠加權集成歷史時間快照，有效地捕捉時間序列中的關鍵動態(tài)變化。這一機制不僅增強了模型對時序信息的捕捉能力，還能夠更好地預測未來的圖結構變化，從而提高了動態(tài)關聯(lián)交易網絡的預測準確性。

47、本發(fā)明結合了變分自編碼器(vae)和循環(huán)神經網絡(rnns)，實現(xiàn)了圖動態(tài)演化過程的精確預測，同時捕捉節(jié)點特征的復雜變化和圖結構的動態(tài)演化，靈活有效地處理動態(tài)圖預測問題。