公开(公告)号：CN114925243B

公开(公告)日：2024-07-19

申请号：CN202210485497.5

申请日：2022-05-06

Applicant: 支付宝(杭州)信息技术有限公司

Inventor： 张丽娟 ,  王维强

IPC: G06F16/901 ,  G06F16/906 ,  G06F18/214 ,  G06F18/25 ,  G06Q10/04 ,  G06Q10/06 ,  G06Q40/00 ,  G06F21/62 ,  G06N3/0464 ,  G06N3/08

Abstract: 本说明书实施例描述了图网络中节点属性的预测方法和装置。根据实施例的方法，首先根据图网络中所包含的节点类型确定出多个子网络，然后确定每个子网络的时序表征，并通过将各个子网络对应的时序表征进行融合得到能够对第一节点的属性进行预测的融合表征。进而，利用该融合表征即可实现对第一节点的属性进行预测。由于不同子网络中第二节点的类型是不同的，如此通过将各子网络中不同类型的数据进行融合来用于对第一节点的属性进行判断，增加了进行属性判断的信息量，从而能够提高对第一节点的属性进行判断的准确性。

公开(公告)号：CN113284027B

公开(公告)日：2023-05-09

申请号：CN202110650292.3

申请日：2021-06-10

Applicant: 支付宝(杭州)信息技术有限公司

Inventor： 张丽娟

IPC: G06Q50/26 ,  G06Q10/0635 ,  G06F18/2431 ,  G06F18/214

Abstract: 本说明书实施例公开了一种团伙识别模型的训练方法、异常团伙识别方法及装置。团伙识别模型的训练方法包括：获取样本团伙中用户的业务特征数据及对应的个体标签以及样本团伙对应的团伙标签，个体标签用于指示用户是否存在风险，团伙标签用于指示样本团伙是否异常；基于样本团伙中用户的业务特征数据及用户对应的个体标签，建立随机森林模型；基于随机森林模型包含的多个决策树上的节点以及节点表征的业务特征以不同的分裂值进行分裂时的信息增益参数，确定信息增益参数最大的多个目标特征组；基于多个目标特征组，对样本团伙中用户的业务特征数据进行聚合，得到样本团伙的团伙特征；基于样本团伙的团伙特征及对应的团伙标签，训练团伙识别模型。

公开(公告)号：CN113284027A

公开(公告)日：2021-08-20

申请号：CN202110650292.3

申请日：2021-06-10

Applicant: 支付宝(杭州)信息技术有限公司

Inventor： 张丽娟

IPC: G06Q50/26 ,  G06Q10/06 ,  G06K9/62

Abstract: 本说明书实施例公开了一种团伙识别模型的训练方法、异常团伙识别方法及装置。团伙识别模型的训练方法包括：获取样本团伙中用户的业务特征数据及对应的个体标签以及样本团伙对应的团伙标签，个体标签用于指示用户是否存在风险，团伙标签用于指示样本团伙是否异常；基于样本团伙中用户的业务特征数据及用户对应的个体标签，建立随机森林模型；基于随机森林模型包含的多个决策树上的节点以及节点表征的业务特征以不同的分裂值进行分裂时的信息增益参数，确定信息增益参数最大的多个目标特征组；基于多个目标特征组，对样本团伙中用户的业务特征数据进行聚合，得到样本团伙的团伙特征；基于样本团伙的团伙特征及对应的团伙标签，训练团伙识别模型。

公开(公告)号：CN116051253A

公开(公告)日：2023-05-02

申请号：CN202310095840.X

申请日：2023-01-18

Applicant: 支付宝(杭州)信息技术有限公司

Inventor： 张丽娟 ,  王维强

IPC: G06Q40/00 ,  G06F18/2321 ,  G06F18/2415 ,  G06F18/214

Abstract: 本公开提出了一种基于弱介质组合的目标团体发现方法和系统。该方法包括：获取与多个账户相关的风控事件数据；确定该风控事件数据中的所有弱介质和强介质；基于相关性从所有弱介质中选择多个候选弱介质；对该多个候选弱介质的组合进行穷举以形成多个候选弱介质组合，其中每个候选弱介质组合包括两个或更多个候选弱介质；利用介质类型约束和介质数量约束对该多个候选弱介质组合进行筛选以确定目标弱介质组合；以及检测该目标弱介质组合的异常并基于所检测的异常来识别目标团体。

公开(公告)号：CN114925243A

公开(公告)日：2022-08-19

申请号：CN202210485497.5

申请日：2022-05-06

Applicant: 支付宝(杭州)信息技术有限公司

Inventor： 张丽娟 ,  王维强

IPC: G06F16/901 ,  G06F16/906 ,  G06K9/62 ,  G06Q10/04 ,  G06Q10/06 ,  G06Q40/00 ,  G06F21/62

Abstract: 本说明书实施例描述了图网络中节点属性的预测方法和装置。根据实施例的方法，首先根据图网络中所包含的节点类型确定出多个子网络，然后确定每个子网络的时序表征，并通过将各个子网络对应的时序表征进行融合得到能够对第一节点的属性进行预测的融合表征。进而，利用该融合表征即可实现对第一节点的属性进行预测。由于不同子网络中第二节点的类型是不同的，如此通过将各子网络中不同类型的数据进行融合来用于对第一节点的属性进行判断，增加了进行属性判断的信息量，从而能够提高对第一节点的属性进行判断的准确性。