本技術涉及人工智能，尤其涉及一種異常交易賬戶識別方法、裝置、設備、存儲介質及程序產品。

背景技術：

1、近年來，金融系統(tǒng)中交易賬戶的數量在逐年快速增長，其中，異常交易賬戶的數量也在逐漸快速增加。隨著網絡技術以及人工智能的快速發(fā)展，異常交易的手段也變得錯綜復雜，這給金融系統(tǒng)對于異常交易的識別帶來了很大的挑戰(zhàn)。

2、金融系統(tǒng)中對于異常交易賬戶的識別，主要依賴于專家的經驗預設規(guī)則，通過預設規(guī)則識別異常交易賬戶。但是這種通過人工預設規(guī)則識別異常交易賬戶的方法難以應對日益變化的異常交易行為，無法全面地識別出異常交易賬戶，使得異常交易賬戶識別的準確率較低。

技術實現思路

1、本技術提供、裝置、設備、存儲介質及程序產品，用以解決現有技術中不能全面地識別出異常交易賬戶，使得異常交易賬戶識別的準確率較低的問題。

2、第一方面，本技術提供一種異常交易賬戶識別方法，包括：

3、獲取待識別賬戶在待識別時間段內的交易流水數據；

4、提取所述交易流水數據對應的交易時間序列特征，并采用至少一種無監(jiān)督學習算法基于所述交易流水數據確定對應的交易行為特征；

5、將所述交易時間序列特征與至少一種交易行為特征進行融合，以獲得目標交易特征；

6、采用訓練至收斂的異常交易賬戶識別模型并基于所述目標交易特征對所述待識別賬戶是否為異常交易賬戶進行識別，以獲得第一識別結果，所述異常交易賬戶識別模型為預設有監(jiān)督學習模型。

7、在一種可能的設計中，所述提取所述交易流水數據對應的交易時間序列特征，包括：

8、采用預設數據庫的檢索工具對所述交易流水數據按照切片或滑窗的方式進行多個預設數據維度的檢索，以獲得交易時間序列數據；

9、對所述交易時間序列數據進行離散化處理，以獲得交易時間序列特征。

10、在一種可能的設計中，所述無監(jiān)督學習算法包括第一無監(jiān)督學習算法，第二無監(jiān)督學習算法及第三無監(jiān)督學習算法；

11、所述采用至少一種無監(jiān)督學習算法基于所述交易流水數據確定對應的交易行為特征，包括：

12、將所述交易流水數據輸入至第一無監(jiān)督學習算法中，并采用所述第一無監(jiān)督學習算法確定第一交易行為特征，所述第一交易行為特征為所述待識別賬戶是否為具有清空行為特征的賬戶；

13、將所述交易流水數據輸入至第二無監(jiān)督學習算法中，并采用所述第二無監(jiān)督學習算法確定第二交易行為特征，所述第二交易行為特征為所述待識別賬戶是否為具有異常團體嫌疑特征的賬戶；

14、將所述交易流水數據輸入至第三無監(jiān)督學習算法中，并采用所述第三無監(jiān)督學習算法確定第三交易行為特征，所述第三交易行為特征為所述待識別賬戶是否為具有靜默期大于預設時長且在靜默期之前或之后進行爆發(fā)式交易特征的賬戶。

15、在一種可能的設計中，所述將所述交易時間序列特征與至少一種交易行為特征進行融合，以獲得目標交易特征，包括：

16、將所述交易時間序列特征與至少一種交易行為特征按照預設順序進行拼接，以獲得目標交易特征。

17、在一種可能的設計中，訓練至收斂的異常交易賬戶識別模型是分階段訓練獲得的，當前階段對異常交易賬戶識別模型的訓練步驟，包括：

18、獲取異常交易賬戶識別模型對應的當前階段訓練樣本，所述當前階段訓練樣本包括正樣本及負樣本，所述負樣本是采用前一階段異常交易賬戶識別模型識別出的可疑賬戶并經過監(jiān)管對象確認后的樣本；所述當前階段訓練樣本包括樣本交易特征及樣本類別標簽，所述樣本交易特征是對當前階段樣本賬戶的交易時間序列特征與至少一種交易行為特征融合獲得的，至少一種交易行為特征是采用至少一種無監(jiān)督學習算法基于所述樣本賬戶的交易流水數據確定的；

19、采用所述當前階段訓練樣本對前一階段訓練后的異常交易賬戶識別模型進行訓練，以獲得當前階段訓練后的異常交易賬戶識別模型。

20、在一種可能的設計中，所述采用所述當前階段訓練樣本對前一階段訓練后的異常交易賬戶識別模型進行訓練后，所述方法還包括：

21、采用所述當前階段訓練后的異常交易賬戶識別模型對預測樣本進行是否為可疑賬戶的識別，以獲得第二識別結果；

22、將所述第二識別結果中可疑度較高的前n個可疑賬戶信息發(fā)送至監(jiān)管對象設備，以使監(jiān)管對象設備基于所述可疑賬戶信息判斷所述可疑賬戶是否為異常交易賬戶；

23、接收監(jiān)管對象設備發(fā)送的判別結果，所述判別結果中包括異常交易賬戶信息；

24、基于所述異常交易賬戶信息確定下一階段的訓練樣本的負樣本。

25、在一種可能的設計中，所述采用訓練至收斂的異常交易賬戶識別模型并基于所述目標交易特征對所述待識別賬戶是否為異常交易賬戶進行識別，以獲得第一識別結果之前，所述方法還包括：

26、獲取訓練至收斂的異常交易賬戶識別模型的模型文件、依賴包及docker鏡像；

27、將所述模型文件、依賴包及docker鏡像部署到預設的運行環(huán)境中；

28、所述采用訓練至收斂的異常交易賬戶識別模型并基于所述目標交易特征對所述待識別賬戶是否為異常交易賬戶進行識別，以獲得第一識別結果，包括：

29、在預設的運行環(huán)境中，采用訓練至收斂的異常交易賬戶識別模型并基于所述目標交易特征對所述待識別賬戶是否為異常交易賬戶進行識別，以獲得第一識別結果。

30、在一種可能的設計中，所述預設有監(jiān)督學習模型為輕量級梯度提升機?lightgbm。

31、在一種可能的設計中，述異常交易賬戶識別模型的訓練步驟在軟件即服務?saas平臺進行。

32、第二方面，本技術提供一種異常交易賬戶識別裝置，包括：

33、獲取模塊，用于獲取待識別賬戶在待識別時間段內的交易流水數據；

34、提取模塊，用于提取所述交易流水數據對應的交易時間序列特征，并采用至少一種無監(jiān)督學習算法基于所述交易流水數據確定對應的交易行為特征；

35、融合模塊，用于將所述交易時間序列特征與至少一種交易行為特征進行融合，以獲得目標交易特征；

36、識別模塊，用于采用訓練至收斂的異常交易賬戶識別模型并基于所述目標交易特征對所述待識別賬戶是否為異常交易賬戶進行識別，以獲得第一識別結果，所述異常交易賬戶識別模型為預設有監(jiān)督學習模型。

37、第三方面，本技術實施例提供一種電子設備，包括：處理器，以及與所述處理器通信連接的存儲器；

38、所述存儲器存儲計算機執(zhí)行指令；

39、所述處理器執(zhí)行所述存儲器存儲的計算機執(zhí)行指令，以實現如第一方面任一項所述的方法。。

40、第四方面，本技術實施例提供一種計算機可讀存儲介質，所述計算機可讀存儲介質中存儲有計算機執(zhí)行指令，所述計算機執(zhí)行指令被處理器執(zhí)行時用于實現如第一方面所述的方法。

41、第五方面，本技術提供一種計算機程序產品，包括計算機程序，該計算機程序被處理器執(zhí)行時實現如第一方面所述的方法。

42、本技術提供的異常交易賬戶識別方法、裝置、設備、存儲介質及程序產品，通過獲取待識別賬戶在待識別時間段內的交易流水數據；提取交易流水數據對應的交易時間序列特征，并采用至少一種無監(jiān)督學習算法基于交易流水數據確定對應的交易行為特征；將交易時間序列特征與至少一種交易行為特征進行融合，以獲得目標交易特征；采用訓練至收斂的異常交易賬戶識別模型并基于目標交易特征對待識別賬戶是否為異常交易賬戶進行識別，以獲得第一識別結果，異常交易賬戶識別模型為預設有監(jiān)督學習模型。將交易時間序列特征與至少一種交易特征進行融合，通過對融合特征進行分析，既彌補了僅依賴于人工預設規(guī)則導致異常交易特征信息的不足，又可以更全面地表征正?？蛻襞c異?？蛻舻慕灰滋卣鳌Ｋ?，在基于融合特征的異常交易賬戶識別模型進行訓練以及識別時，融合特征可以為模型提供更豐富交易信息特征。因此，應用異常交易賬戶識別模型能夠更加準確地識別出異常交易賬戶，提升異常交易賬戶識別的準確率。