资金回流检测方法、装置、计算机设备、介质和程序产品与流程

1.本技术涉及大数据技术领域，特别是涉及一种资金回流检测方法、装置、计算机设备、介质和程序产品。


背景技术：

2.在用户向银行借贷的情况下，为了保证银行借贷资金的安全，银行通常会要求用户对其所借资金的用途进行承诺。同时，银行会对用户所借资金的用途进行检测，看是否存在资金回流现象，其中，资金回流是指客户将所借资金用于非其所承诺的用途。现有技术中，主要是通过人工来检测资金回流现象，但是，由人工来检测资金回流现象的智能性不高。


技术实现要素：

3.基于此，有必要针对上述技术问题，提供一种资金回流检测方法、装置、计算机设备、介质和程序产品。
4.第一方面，本技术提供了一种资金回流检测方法，该方法包括：获取待进行资金回流检测的目标用户所对应的交易数据，并根据交易数据获取交易时序数据以及交易有向图的邻接矩阵，邻接矩阵中的每一个元素用于表征交易用户之间的资金往来的有向关系，交易有向图中的节点用于表征交易用户，交易用户包括目标用户以及与目标用户具有资金往来的用户，交易有向图中的边用于表征交易用户之间的资金往来关系，交易时序数据包括按照交易时间排列的多个交易记录；将邻接矩阵输入至预先训练的图注意力神经网络模型中，基于图注意力神经网络模型的输出得到中间矩阵,中间矩阵中包括表征资金流出用户的元素以及表征资金流入用户的元素；基于中间矩阵对交易时序数据进行转化处理，并将转化处理后得到的多个向量输入至预先训练的时序神经网络模型中，每个向量中包括表征资金流出用户的元素、表征资金流入用户的元素、表征交易时间差的元素以及表征交易金额比的元素，时序神经网络模型输出指示信息，指示信息用于指示目标用户是否存在资金回流。
5.在其中一个实施例中，预先训练的图注意力神经网络模型包括第一图注意力神经网络模型和第二图注意力神经网络模型，将邻接矩阵输入至预先训练的图注意力神经网络模型中，包括：将邻接矩阵与预先设置的原始矩阵输入至第一图注意力神经网络模型中，基于第一图注意力神经网络模型的输出得到第一矩阵，第一矩阵为按资金往来的流出方向进行迭代所得到的矩阵，第一矩阵中包括表征第一候选资金流出用户的元素和表征第一候选资金流入用户的元素；将邻接矩阵进行转置运算，将转置后的邻接矩阵与预先设置的原始矩阵输入至第二图注意力神经网络模型中，基于第二图注意力神经网络模型的输出得到第二矩阵，第二矩阵为按资金往来的流入方向进行迭代得到的矩阵，第二矩阵中包括表征第二候选资金流出用户的元素和表征第二候选资金流入用户的元素。
6.在其中一个实施例中，基于图注意力神经网络模型的输出得到中间矩阵，包括：将
第一矩阵与第二矩阵进行拼接处理，拼接处理用于将第一候选资金流出用户、第一候选资金流入用户、第二候选资金流出用户和第二候选资金流入用户之间资金往来无法形成闭环的有向关系所对应的行向量进行删除，并将保留的行向量进行重组，得到中间矩阵，中间矩阵量中包括表征资金流入用户的元素和表征资金流出用户的元素，且资金流入用户和资金流出用户之间资金往来的有向关系为闭环。
7.在其中一个实施例中，交易记录包括资金流出用户、资金流入用户、交易时间差以及交易金额比，其中，交易时间差为当前交易时间与上一个交易时间的差值，交易金额比为当前交易的交易金额与初始交易的交易金额的比值，基于中间矩阵对交易时序数据进行转化处理，包括：利用中间矩阵中包括的表征资金流入用户的元素和表征资金流出用户的元素，分别对交易时序数据中的各交易记录中的资金流出用户和资金流入用户进行替换处理；对于各交易记录，在替换处理后，将交易记录中的数据进行拼接，得到交易记录向量；将各交易记录向量进行拼接处理，得到转化处理后的多个向量。
8.在其中一个实施例中，时序神经网络模型输出指示信息，指示信息用于指示目标用户是否存在资金回流，包括：利用注意力机制对时序神经网络模型输出的向量进行加权求和处理，得到加权求和后的向量，加权求和后的向量中包括表征资金流出用户特征的元素、表征资金流入用户特征的元素、表征交易时间差特征的元素以及表征交易金额比特征的元素；对加权求和后的向量进行线性变化处理，得到二维向量，二维向量中的元素用于表征目标用户存在资金回流的概率；根据二维向量确定目标用户是否存在资金回流。
9.在其中一个实施例中，图注意力神经网络模型和时序神经网络模型的训练过程包括：获取训练样本集，训练样本集包括样本用户对应的交易数据以及样本用户对应的标签，标签用于指示样本用户是否存在资金回流；利用训练样本集对初始图注意力神经网络模型和初始时序神经网络模型进行训练，直至预先设置的损失函数收敛为止，以得到图注意力神经网络模型和时序神经网络模型。
10.第二方面，本技术还提供了一种资金回流检测装置，该装置包括：
11.第一获取模块，用于获取待进行资金回流检测的目标用户所对应的交易数据，并根据交易数据获取交易时序数据以及交易有向图的邻接矩阵，邻接矩阵中的每一个元素用于表征交易用户之间的资金往来的有向关系，交易有向图中的节点用于表征交易用户，交易用户包括目标用户以及与目标用户具有资金往来的用户，交易有向图中的边用于表征交易用户之间的资金往来关系，交易时序数据包括按照交易时间排列的多个交易记录；
12.第二获取模块，用于将邻接矩阵输入至预先训练的图注意力神经网络模型中，基于图注意力神经网络模型的输出得到中间矩阵，中间矩阵中包括表征资金流出用户的元素以及表征资金流入用户的元素；
13.确定模块，用于基于中间矩阵对交易时序数据进行转化处理，并将转化处理后得到的多个向量输入至预先训练的时序神经网络模型中，每个向量中包括表征资金流出用户的元素、表征资金流入用户的元素、表征交易时间差的元素以及表征交易金额比的元素，时序神经网络模型输出指示信息，指示信息用于指示目标用户是否存在资金回流。
14.在其中一个实施例中，预先训练的图注意力神经网络模型包括第一图注意力神经网络模型和第二图注意力神经网络模型，该第二获取模块，具体用于：将邻接矩阵与预先设置的原始矩阵输入至第一图注意力神经网络模型中，基于第一图注意力神经网络模型的输
出得到第一矩阵，第一矩阵为按资金往来的流出方向进行迭代所得到的矩阵，第一矩阵中包括表征第一候选资金流出用户的元素和表征第一候选资金流入用户的元素；将邻接矩阵进行转置运算，将转置后的邻接矩阵与预先设置的原始矩阵输入至第二图注意力神经网络模型中，基于第二图注意力神经网络模型的输出得到第二矩阵，第二矩阵为按资金往来的流入方向进行迭代得到的矩阵，第二矩阵中包括表征第二候选资金流出用户的元素和表征第二候选资金流入用户的元素。
15.在其中一个实施例中，该第二获取模块，具体用于：将第一矩阵与第二矩阵进行拼接处理，拼接处理用于将第一候选资金流出用户、第一候选资金流入用户、第二候选资金流出用户和第二候选资金流入用户之间资金往来无法形成闭环的有向关系所对应的行向量进行删除，并将保留的行向量进行重组，得到中间矩阵，中间矩阵量中包括表征资金流入用户的元素和表征资金流出用户的元素，且资金流入用户和资金流出用户之间资金往来的有向关系为闭环。
16.在其中一个实施例中，交易记录包括资金流出用户、资金流入用户、交易时间差以及交易金额比，其中，交易时间差为当前交易时间与上一个交易时间的差值，交易金额比为当前交易的交易金额与初始交易的交易金额的比值，该确定模块，具体用于：利用中间矩阵中包括的表征资金流入用户的元素和表征资金流出用户的元素，分别对交易时序数据中的各交易记录中的资金流出用户和资金流入用户进行替换处理；对于各交易记录，在替换处理后，将交易记录中的数据进行拼接，得到交易记录向量；将各交易记录向量进行拼接处理，得到转化处理后的多个向量。
17.在其中一个实施例中，该确定模块，具体用于：利用注意力机制对时序神经网络模型输出的向量进行加权求和处理，得到加权求和后的向量，加权求和后的向量中包括表征资金流出用户特征的元素、表征资金流入用户特征的元素、表征交易时间差特征的元素以及表征交易金额比特征的元素；对加权求和后的向量进行线性变化处理，得到二维向量，二维向量中的元素用于表征目标用户存在资金回流的概率；根据二维向量确定目标用户是否存在资金回流。
18.在其中一个实施例中，图注意力神经网络模型和时序神经网络模型的训练过程包括：获取训练样本集，训练样本集包括样本用户对应的交易数据以及样本用户对应的标签，标签用于指示样本用户是否存在资金回流；利用训练样本集对初始图注意力神经网络模型和初始时序神经网络模型进行训练，直至预先设置的损失函数收敛为止，以得到图注意力神经网络模型和时序神经网络模型。
19.第三方面，本技术还提供了一种计算机设备。该计算机设备包括存储器和处理器，该存储器存储有计算机程序，该处理器执行该计算机程序时实现上述第一方面任一项所述的方法的步骤。
20.第四方面，本技术还提供了一种计算机可读存储介质。该计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述第一方面任一项所述的方法的步骤。
21.第五方面，本技术还提供了一种计算机程序产品。该计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面任一项所述的方法的步骤。
22.本技术实施例提供的技术方案带来的有益效果至少包括：
23.在本技术实施例中，首先，获取待进行资金回流检测的目标用户所对应的交易数据，并根据交易数据获取交易时序数据以及交易有向图的邻接矩阵；其次，将邻接矩阵输入至预先训练的图注意力神经网络模型中，基于图注意力神经网络模型的输出得到中间矩阵；最后，基于中间矩阵对交易时序数据进行转化处理，并将转化处理后得到的多个向量输入至预先训练的时序神经网络模型中，时序神经网络模型输出指示信息，指示信息用于指示目标用户是否存在资金回流。如此，本技术实施例通过预先训练的图注意力神经网络模型和时序神经网络模型，实现了对目标用户是否存在资金回流的自动化检测，提高了检测资金回流现象的智能性。
附图说明
24.图1为本技术实施例提供的一种实施环境的示意图；
25.图2为本技术实施例提供的一种资金回流检测方法的流程图；
26.图3为本技术实施例提供的一种交易有向图；
27.图4为本技术实施例提供的一种将邻接矩阵输入至预先训练的图注意力神经网络模型中的技术过程的流程图；
28.图5为本技术实施例提供的一种对交易时序数据进行转化处理的技术过程的流程图；
29.图6为本技术实施例提供的一种根据时序神经网络模型的输出确定是否存在资金回流的技术过程的流程图；
30.图7为本技术实施例提供的一种图注意力神经网络模型和时序神经网络模型的训练过程的流程图；
31.图8为本技术实施例提供的一种资金回流检测方法的流程图；
32.图9为本技术实施例提供的一种边文件；
33.图10为本技术实施例提供的一种资金回流检测装置的框图；
34.图11为本技术实施例提供的一种计算机设备的内部结构图。
具体实施方式
35.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
36.在用户向银行借贷的情况下，为了保证银行借贷资金的安全，银行通常会要求用户对其所借资金的用途进行承诺。同时，银行会对用户所借资金的用途进行检测，看是否存在资金回流现象，其中，资金回流是指客户将所借资金用于非其所承诺的用途。现有技术中，主要是通过人工来检测资金回流现象，但是，由人工来检测资金回流现象的智能性不高。
37.有鉴于此，本技术实施例提供了一种资金回流检测方法、装置、计算机设备、介质和程序产品，利用该资金回流检测方法可以实现对目标用户是否存在资金回流的自动化检测，提高检测资金回流现象的智能性。
38.请参见图1，其示出了本技术实施例提供的资金回流检测方法所涉及的实施环境
的示意图。如图1所示，本技术实施例提供的资金回流检测方法的执行主体可以是一台计算机设备，也可以为由多台计算机设备组成的计算机设备集群。不同的计算机设备之间可以通过有线或无线方式的进行通信，无线方式可通过wifi、运营商网络、nfc(近场通信)或其他技术实现。
39.请参见图2，其示出了本技术实施例提供的一种资金回流检测方法的流程图，该资金回流检测方法可以应用于图1所示的计算机设备中。如图2所示，该资金回流检测方法可以包括以下步骤：
40.步骤201、计算机设备获取待进行资金回流检测的目标用户所对应的交易数据，并根据交易数据获取交易时序数据以及交易有向图的邻接矩阵。
41.其中，邻接矩阵中的每一个元素用于表征交易用户之间的资金往来的有向关系，资金回流是指客户将所借资金用于非其所承诺的用途。举例来说，如图3所示，用户a将资金转至用户b，用户b将资金转至用户c2，用户c2又将资金转回用户a，这种情况下，表明用户a存在着资金回流。也就是说，如果目标用户存在资金回流，无论资金流转了多少次，该资金终究是会回到目标用户。交易数据可以包括资金流入用户、交易时间差以及交易金额比等与资金交易有关的数据；交易时序数据包括按照交易时间排列的多个交易记录；交易有向图中的节点用于表征交易用户，交易用户包括目标用户以及与目标用户具有资金往来的用户，交易有向图中的边用于表征交易用户之间的资金往来关系。举例来说，如图3所示的一种交易有向图，该交易有向图的节点表征交易用户：目标用户a，以及与目标用户a具有资金往来关系的用户b、用户c2、用户x1以及用户x2，其中，用户b为与目标用户首次进行交易的第一度交易用户，可选的，交易有向图中的节点还可以包括与第一度交易用户b具有资金往来的用户c1。进一步，根据图3对有向图中的边进行说明，图3中箭头的方向为资金流动的方向，例如，在目标用户a与第一度交易用户b之间的关系中，因为目标用户a指向第一度交易用户b，所以，目标用户a为资金流出用户，第一度交易用户b为资金流入用户，资金从目标用户a流转至第一度交易用户b中。此外，需要说明的是资金的流向对目标用户a来说属于出度，对第一度交易用户b来说属于入度。
42.交易有向图的邻接矩阵为表示有向图的节点之间资金流转关系的矩阵，邻接矩阵中的每一个元素用于表征交易用户之间的资金往来的有向关系。图3中的有向图对应邻接矩阵如下：
[0043][0044]
其中，矩阵的行代表出度用户，矩阵的行代表入度用户，矩阵中的1表示对应的出度用户与入度用户之间有资金往来关系，矩阵中的0表示对应的出度用户与入度用户之间没有资金往来关系，第一行至最后一行分别为目标用户a、第一度交易用户b、用户c1、用户c2、用户x1以及用户x2，第一列至最后一列分别为目标用户a、第一度交易用户b、用户c1、用户c2、用户x1以及用户x2。举例来说，上述矩阵中的第二行第三列表示：出度为第一度交易
用户b、入度为用户c1，且第一度交易用户b与用户c1存在资金往来关系，则在矩阵中的第二行第三列中用1表示。
[0045]
步骤202、计算机设备将邻接矩阵输入至预先训练的图注意力神经网络模型中，基于图注意力神经网络模型的输出得到中间矩阵。
[0046]
其中，基于图注意力神经网络模型(graph attention networks，简称gat模型)的输出得到中间矩阵，中间矩阵中包括表征资金流出用户的元素以及表征资金流入用户的元素。因为，资金往来的有向关系有明显的节点和边的结构，而图注意力神经网络模型刚好适用于这种结构，因此，通过图注意力神经网络模型可以提高识别资金回流的精确性。并且，图注意力神经网络模型主要通过关注目标用户的出度与入度以及第一度交易用户的出度与入度，来判断目标用户是否存在资金回流，而不关注资金流转的其他中间过程，因此，本技术实施例可以同时容纳显式成环、隐式成环以及隐性关联等，具有一定的泛化能力。
[0047]
步骤203、计算机设备基于中间矩阵对交易时序数据进行转化处理，并将转化处理后得到的多个向量输入至预先训练的时序神经网络模型中，时序神经网络模型输出指示信息，指示信息用于指示目标用户是否存在资金回流。
[0048]
其中，每个向量中包括表征资金流出用户的元素、表征资金流入用户的元素、表征交易时间差的元素以及表征交易金额比的元素。可选的，基于中间矩阵对交易时序数据进行转化处理可以是利用中间矩阵中包括的元素对交易时序数据进行替换处理，也可以是其他的处理方式，本技术实施例对此不作限定，只要满足将转化处理后得到的向量输入至预先训练的时序神经网络模型(gated recurrent unit，简称gru模型)中，根据gru模型的输出能够确定目标用户是否存在资金回流即可。
[0049]
在本技术实施例中，首先，获取待进行资金回流检测的目标用户所对应的交易数据，并根据交易数据获取交易时序数据以及交易有向图的邻接矩阵；其次，将邻接矩阵输入至预先训练的图注意力神经网络模型中，基于图注意力神经网络模型的输出得到中间矩阵；最后，基于中间矩阵对交易时序数据进行转化处理，并将转化处理后得到的多个向量输入至预先训练的时序神经网络模型中，时序神经网络模型输出指示信息，指示信息用于指示目标用户是否存在资金回流。如此，本技术实施例通过预先训练的图注意力神经网络模型和时序神经网络模型，实现了对目标用户是否存在资金回流的自动化检测，提高了检测资金回流现象的智能性。
[0050]
请参见图4，其示出了本技术实施例提供的一种将邻接矩阵输入至预先训练的图注意力神经网络模型中的技术过程，其中，预先训练的图注意力神经网络模型包括第一图注意力神经网络模型和第二图注意力神经网络模型。如图4所示，该技术过程可以包括以下步骤：
[0051]
步骤401、计算机设备将邻接矩阵与预先设置的原始矩阵输入至第一图注意力神经网络模型中，基于第一图注意力神经网络模型的输出得到第一矩阵，第一矩阵为按资金往来的流出方向进行迭代所得到的矩阵。
[0052]
其中，第一矩阵中包括表征第一候选资金流出用户的元素和表征第一候选资金流入用户的元素，预先设置的原始矩阵中的元素为随机设置的，资金往来的流出方向可以包括目标用户和第一度交易用户的资金流出方向，例如，上述中目标用户a的资金流出方向为流向第一度交易用户b。
[0053]
步骤402、计算机设备将邻接矩阵进行转置运算，将转置后的邻接矩阵与预先设置的原始矩阵输入至第二图注意力神经网络模型中，基于第二图注意力神经网络模型的输出得到第二矩阵，第二矩阵为按资金往来的流入方向进行迭代得到的矩阵。
[0054]
其中，第二矩阵中包括表征第二候选资金流出用户的元素和表征第二候选资金流入用户的元素，资金往来的流入方向可以包括目标用户和第一度交易用户的资金流入方向，例如，上述中目标用户a的资金流入方向为用户x1、用户x2以及用户c2分别流向目标用户a。
[0055]
在本技术的可选实施例中，将邻接矩阵与预先设置的原始矩阵输入至第一图注意力神经网络模型中，基于第一图注意力神经网络模型的输出得到第一矩阵的流程可以为：首先，将邻接矩阵与预先设置的原始矩阵输入至第一图注意力神经网络模型中；其次，在第一图注意力神经网络模型中将邻接矩阵与预先设置的原始矩阵进行相乘运算，得到第一候选矩阵；再次，对第一候选矩阵中的各行向量进行聚合运算，得到各行向量分别对应的聚合行向量，进而得到第一图注意力神经网络模型输出的各聚合行向量组成的第一矩阵。
[0056]
可选的，可以利用第一公式对第一候选矩阵中的各行向量进行聚合运算，得到各行向量分别对应的聚合行向量。
[0057]
其中，第一公式为：
[0058][0059]
其中，hv为第一候选矩阵中的第v个行向量所对应的聚合行向量，hu为第一候选矩阵中与第v个行向量相邻的行向量，a
v,u
为基于行向量hv和行向量hu的特征得到的权重值，n为第一候选矩阵中的行向量的数量，u∈n(v)表示行向量hu属于n个行向量中与hv相邻的行向量。
[0060]
在本技术的另一可选实施例中，将邻接矩阵进行转置运算，将转置后的邻接矩阵与预先设置的原始矩阵输入至第二图注意力神经网络模型中，基于第二图注意力神经网络模型的输出得到第二矩阵的流程可以为：首先，将转置后的邻接矩阵与预先设置的原始矩阵输入至第二图注意力神经网络模型中；其次，在第二图注意力神经网络模型中将转置后的邻接矩阵与预先设置的原始矩阵进行相乘运算，得到第二候选矩阵；再次，对第二候选矩阵中的各行向量进行聚合运算，得到各行向量分别对应的聚合行向量，进而得到第二图注意力神经网络模型输出的各聚合行向量组成的第二矩阵。其中，对第二候选矩阵中的各行向量进行聚合运算参照上述对第一候选矩阵中的各行向量进行聚合运算，此处不再赘述。
[0061]
在本技术实施例中，基于邻接矩阵与预先设置的原始矩阵，既按资金往来的流出方向进行迭代又按资金往来的流入方向进行迭代，提高了资金回流现象检测的准确性。
[0062]
在本技术的其中一个实施例中，基于图注意力神经网络模型的输出得到中间矩阵的可选的方式为：将第一矩阵与第二矩阵进行拼接处理，拼接处理用于将第一候选资金流出用户、第一候选资金流入用户、第二候选资金流出用户和第二候选资金流入用户之间资金往来无法形成闭环的有向关系所对应的行向量进行删除，并将保留的行向量进行重组，得到中间矩阵。其中，中间矩阵中包括表征资金流入用户的元素和表征资金流出用户的元素，且资金流入用户和资金流出用户之间资金往来的有向关系为闭环。举例来说，如上文中，用户a将资金转至用户b，用户b将资金转至用户c2，用户c2又将资金转回用户a，那么，则
用户a、用户b以及用户c2之间资金往来的有向关系为闭环，此种情况下，将包括表征资金流出用户a的元素、表征资金流入用户b的元素的行向量，包括表征资金流出用户b的元素、表征资金流入用户c2的元素的行向量，以及包括表征资金流出用户c2的元素、表征资金流入用户a的元素的行向量进行保留。
[0063]
请参见图5，其示出了本技术实施例提供的一种对交易时序数据进行转化处理的技术过程。其中，交易时序数据包括按照交易时间排列的多个交易记录，其中，交易记录包括资金流出用户、资金流入用户、交易时间差以及交易金额比。如图5所示，该技术过程可以包括以下步骤：
[0064]
步骤501、计算机设备利用中间矩阵中包括的表征资金流入用户的元素和表征资金流出用户的元素，分别对交易时序数据中的各交易记录中的资金流出用户和资金流入用户进行替换处理。
[0065]
在本技术实施例中，交易时序数据中的各交易记录按照交易时间进行排列，利用中间矩阵中包括的表征资金流入用户的元素和表征资金流出用户的元素，分别对交易时序数据中的各交易记录中的资金流出用户和资金流入用户进行替换处理，且各交易记录中的交易时间差以及交易金额比保持不变。其中，交易时间差为当前交易时间与上一个交易时间的差值，交易金额比为当前交易的交易金额与初始交易的交易金额的比值，初始交易指目标用户与第一度交易用户之间交易。
[0066]
步骤502、计算机设备对于各交易记录，在替换处理后，将交易记录中的数据进行拼接，得到交易记录向量。
[0067]
步骤503、计算机设备将各交易记录向量进行拼接处理，得到转化处理后的多个向量。
[0068]
其中，转化处理后的每个向量中包括表征资金流出用户的元素、表征资金流入用户的元素、表征交易时间差的元素以及表征交易金额比的元素。转化处理后得到的多个向量可以输入至预先训练的时序神经网络模型中，进而可以由时序神经网络模型的输出确定目标用户是否存在资金回流。时序神经网络模型与图注意力神经网络模型相比，主要负责学习交易时序数据中的交易时间差以及交易金额比。
[0069]
在申请实施例中，时序神经网络模型通过学习资金流出用户、资金流入用户、资金流出用户和资金流入用户之间的资金往来的有向关系、交易时间差以及交易金额比，可以输出指示目标用户是否存在资金回流的指示信息，实现了对目标用户是否存在资金回流的自动化检测。
[0070]
请参见图6，其示出了本技术实施例提供的一种根据时序神经网络模型的输出确定是否存在资金回流的技术过程。如图6所示，该技术过程可以包括以下步骤：
[0071]
步骤601、计算机设备利用注意力机制对时序神经网络模型输出的向量进行加权求和处理，得到加权求和后的向量。
[0072]
可选的，注意力机制可以为attention机制，通过attention机制可以对时序神经网络模型输出的向量进行加权求和处理，以得到加权求和的向量。其中，加权求和后的向量中包括表征资金流出用户特征的元素、表征资金流入用户特征的元素、表征交易时间差特征的元素以及表征交易金额比特征的元素。
[0073]
步骤602、计算机设备对加权求和后的向量进行线性变化处理，得到二维向量，二
维向量中的元素用于表征目标用户存在资金回流的概率。
[0074]
步骤603、计算机设备根据二维向量确定目标用户是否存在资金回流。
[0075]
可选的，可以由二维向量的第0个维度表示目标用户不存在资金回流，第1个维度表示目标用户存在资金回流。
[0076]
请参见图7，其示出了本技术实施例提供的一种图注意力神经网络模型和时序神经网络模型的训练过程。如图7所示，该训练过程可以包括以下步骤：
[0077]
步骤701、计算机设备获取训练样本集，训练样本集包括样本用户对应的交易数据以及样本用户对应的标签，标签用于指示样本用户是否存在资金回流。
[0078]
步骤702、计算机设备利用训练样本集对初始图注意力神经网络模型和初始时序神经网络模型进行训练，直至预先设置的损失函数收敛为止，以得到图注意力神经网络模型和时序神经网络模型。
[0079]
其中，损失函数为：
[0080][0081]
其中，y为标签，为模型输出的二维向量。
[0082]
在本技术的可选实施例中，可以利用损失函数将初始图注意力神经网络模型、初始时序神经网络模型、注意力机制以及线性变化作为一个整体进行训练，直至损失函数收敛。当损失函数收敛，模型输出的二维向量则可以用于表征用户是否存在资金回流。
[0083]
在本技术实施例中，图注意力神经网络模型可以识别不考虑时间顺序的交易有向图，且识别不受资金交易次数的限制，此外，时序神经网络模型可以进行秒级计算。图注意力神经网络模型和时序神经网络模型相匹配的检测资金回流的方式，相比于现有技术，在检测速度和计算成本上有了很大的提升。同时，图注意力神经网络模型和时序神经网络模型相结合更有利于解决隐性资金回流案件，其中，隐性资金回流案件是指在交易数据上反映不出成环的隐性成环案例。
[0084]
请参见图8，其示出了本技术实施例提供的一种资金回流检测方法的流程图，该资金回流检测方法可以应用于图1所示的计算机设备中。如图8所示，该资金回流检测方法可以包括以下步骤：
[0085]
步骤801、计算机设备获取待进行资金回流检测的目标用户所对应的交易数据。
[0086]
步骤802、计算机设备根据交易数据构造交易时序数据和交易有向图。
[0087]
其中，交易有向图中的节点用于表征交易用户，交易用户包括目标用户以及与目标用户具有资金往来的用户，交易有向图中的边用于表征交易用户之间的资金往来关系，交易时序数据包括按照交易时间排列的多个交易记录，交易记录包括资金流出用户、资金流入用户、交易时间差以及交易金额比。
[0088]
步骤803、计算机设备根据有向图构造有向图的邻接矩阵。
[0089]
可选的，根据有向图构造有向图的邻接矩阵的过程可以为：首先，根据有向图构造边文件；其次，根据边文件构造邻接矩阵。其中，边文件为数组，在将有向图构造成边文件之前，需要对有向图节点中的客户进行依次编号，可选的，可以按照交易时间顺序进行编号。假设图3中的交易时间先后顺序依次为用户a到用户b、用户b到用户c1、用户b到用户c2、用户c2到用户a、用户x1到用户a、用户x2到用户a，则可以按交易时间顺序将a、b、c1、c2、x1、x2
依次编号为1、2、3、4、5、6。在对有向图节点中的客户进行依次编号之后，可以根据该编号以及交易关系构造边文件，针对图3构造的边文件如图9所示，图9第一行表示出度，第二行表示入度，也就是，资金从1流入了2，从2流入了3，从2流入了4，从4流入了1，从6流入了1，从5流入了1。
[0090]
步骤804、计算机设备将邻接矩阵与预先设置的原始矩阵输入至第一图注意力神经网络模型中，基于第一图注意力神经网络模型的输出得到第一矩阵。
[0091]
步骤805、将邻接矩阵进行转置运算，将转置后的邻接矩阵与预先设置的原始矩阵输入至第二图注意力神经网络模型中，基于第二图注意力神经网络模型的输出得到第二矩阵。
[0092]
步骤806、计算机设备将第一矩阵与第二矩阵进行拼接处理，拼接处理用于将第一候选资金流出用户、第一候选资金流入用户、第二候选资金流出用户和第二候选资金流入用户之间资金往来无法形成闭环的有向关系所对应的行向量进行删除，并将保留的行向量进行重组，得到中间矩阵。
[0093]
步骤807、计算机设备利用中间矩阵中包括的表征资金流入用户的元素和表征资金流出用户的元素，分别对交易时序数据中的各交易记录中的资金流出用户和资金流入用户进行替换处理。
[0094]
步骤808、计算机设备对于各交易记录，在替换处理后，将交易记录中的数据进行拼接，得到交易记录向量。
[0095]
步骤809、计算机设备将各交易记录向量进行拼接处理，得到转化处理后的多个向量。
[0096]
步骤810、计算机设备将转化处理后得到的多个向量输入至预先训练的时序神经网络模型中。
[0097]
步骤811、计算机设备利用注意力机制对时序神经网络模型输出的向量进行加权求和处理，得到加权求和后的向量。
[0098]
步骤812、计算机设备对加权求和后的向量进行线性变化处理，得到二维向量，二维向量中的元素用于表征目标用户存在资金回流的概率。
[0099]
步骤813、计算机设备根据二维向量确定目标用户是否存在资金回流。
[0100]
在本技术的可选实施例中，可以使用pytorch平台实现gat模型和gru模型，也可以使用其他深度学习平台实现实现gat模型和gru模型，其中，其他深度学习平台可以包括tensorflow、paddlepaddle以及mxnet等。可选的，gat模型可以替换为图卷积神经网络(graph convolutional network，简称gcn)等模型，gru模型可以替换为循环神经网络(recurrent neural network，简称rnn)等模型。
[0101]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0102]
请参见图10，其示出了本技术实施例提供的一种资金回流检测装置1000的框图，该资金回流检测装置可以配置于上述的计算机设备中。如图10所示，该资金回流检测装置1000包括第一获取模块1001、第二获取模块1002以及确定模块1003。
[0103]
第一获取模块1001，用于获取待进行资金回流检测的目标用户所对应的交易数据，并根据交易数据获取交易时序数据以及交易有向图的邻接矩阵，邻接矩阵中的每一个元素用于表征交易用户之间的资金往来的有向关系，交易有向图中的节点用于表征交易用户，交易用户包括目标用户以及与目标用户具有资金往来的用户，交易有向图中的边用于表征交易用户之间的资金往来关系，交易时序数据包括按照交易时间排列的多个交易记录；
[0104]
第二获取模块1002，用于将邻接矩阵输入至预先训练的图注意力神经网络模型中，基于图注意力神经网络模型的输出得到中间矩阵，中间矩阵中包括表征资金流出用户的元素以及表征资金流入用户的元素；
[0105]
确定模块1003，用于基于中间矩阵对交易时序数据进行转化处理，并将转化处理后得到的多个向量输入至预先训练的时序神经网络模型中，每个向量中包括表征资金流出用户的元素、表征资金流入用户的元素、表征交易时间差的元素以及表征交易金额比的元素，时序神经网络模型输出指示信息，指示信息用于指示目标用户是否存在资金回流。
[0106]
在本技术的一个可选实施例中，预先训练的图注意力神经网络模型包括第一图注意力神经网络模型和第二图注意力神经网络模型，该第二获取模块1002，具体用于：将邻接矩阵与预先设置的原始矩阵输入至第一图注意力神经网络模型中，基于第一图注意力神经网络模型的输出得到第一矩阵，第一矩阵为按资金往来的流出方向进行迭代所得到的矩阵，第一矩阵中包括表征第一候选资金流出用户的元素和表征第一候选资金流入用户的元素；将邻接矩阵进行转置运算，将转置后的邻接矩阵与预先设置的原始矩阵输入至第二图注意力神经网络模型中，基于第二图注意力神经网络模型的输出得到第二矩阵，第二矩阵为按资金往来的流入方向进行迭代得到的矩阵，第二矩阵中包括表征第二候选资金流出用户的元素和表征第二候选资金流入用户的元素。
[0107]
在本技术的一个可选实施例中，该第二获取模块1002，具体用于：将第一矩阵与第二矩阵进行拼接处理，拼接处理用于将第一候选资金流出用户、第一候选资金流入用户、第二候选资金流出用户和第二候选资金流入用户之间资金往来无法形成闭环的有向关系所对应的行向量进行删除，并将保留的行向量进行重组，得到中间矩阵，中间矩阵量中包括表征资金流入用户的元素和表征资金流出用户的元素，且资金流入用户和资金流出用户之间资金往来的有向关系为闭环。
[0108]
在本技术的一个可选实施例中，交易记录包括资金流出用户、资金流入用户、交易时间差以及交易金额比，其中，交易时间差为当前交易时间与上一个交易时间的差值，交易金额比为当前交易的交易金额与初始交易的交易金额的比值，该确定模块1003，具体用于：利用中间矩阵中包括的表征资金流入用户的元素和表征资金流出用户的元素，分别对交易时序数据中的各交易记录中的资金流出用户和资金流入用户进行替换处理；对于各交易记录，在替换处理后，将交易记录中的数据进行拼接，得到交易记录向量；将各交易记录向量进行拼接处理，得到转化处理后的多个向量。
[0109]
在本技术的一个可选实施例中，该确定模块1003，具体用于：利用注意力机制对时
序神经网络模型输出的向量进行加权求和处理，得到加权求和后的向量，加权求和后的向量中包括表征资金流出用户特征的元素、表征资金流入用户特征的元素、表征交易时间差特征的元素以及表征交易金额比特征的元素；对加权求和后的向量进行线性变化处理，得到二维向量，二维向量中的元素用于表征目标用户存在资金回流的概率；根据二维向量确定目标用户是否存在资金回流。
[0110]
在本技术的一个可选实施例中，图注意力神经网络模型和时序神经网络模型的训练过程包括：获取训练样本集，训练样本集包括样本用户对应的交易数据以及样本用户对应的标签，标签用于指示样本用户是否存在资金回流；利用训练样本集对初始图注意力神经网络模型和初始时序神经网络模型进行训练，直至预先设置的损失函数收敛为止，以得到图注意力神经网络模型和时序神经网络模型。
[0111]
本技术实施例提供资金回流检测装置，可以实现上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
[0112]
上述资金回流检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0113]
在一个实施例中，提供了一种计算机设备，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种资金回流检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0114]
本领域技术人员可以理解，图11中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0115]
在本技术的一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取待进行资金回流检测的目标用户所对应的交易数据，并根据交易数据获取交易时序数据以及交易有向图的邻接矩阵，邻接矩阵中的每一个元素用于表征交易用户之间的资金往来的有向关系，交易有向图中的节点用于表征交易用户，交易用户包括目标用户以及与目标用户具有资金往来的用户，交易有向图中的边用于表征交易用户之间的资金往来关系，交易时序数据包括按照交易时间排列的多个交易记录；将邻接矩阵输入至预先训练的图注意力神经网络模型中，基于图注意力神经网络模型的输出得到中间矩阵，中间矩阵中包括表征资金流出用户的元素以及表征资金流入用户的元素；基于中间矩阵对交易时序数据进行转化处理，并将转化处理后得到的多个向量输入至预先训练的时序神经网络模型中，每个向量中包括表征资金流出用户的元素、表征资金流入用户的元素、表征交易时间差的元素以及表征交易金额比
的元素，时序神经网络模型输出指示信息，指示信息用于指示目标用户是否存在资金回流。
[0116]
在本技术的一个实施例中，预先训练的图注意力神经网络模型包括第一图注意力神经网络模型和第二图注意力神经网络模型，该处理器执行计算机程序时还实现以下步骤：将邻接矩阵与预先设置的原始矩阵输入至第一图注意力神经网络模型中，基于第一图注意力神经网络模型的输出得到第一矩阵，第一矩阵为按资金往来的流出方向进行迭代所得到的矩阵，第一矩阵中包括表征第一候选资金流出用户的元素和表征第一候选资金流入用户的元素；将邻接矩阵进行转置运算，将转置后的邻接矩阵与预先设置的原始矩阵输入至第二图注意力神经网络模型中，基于第二图注意力神经网络模型的输出得到第二矩阵，第二矩阵为按资金往来的流入方向进行迭代得到的矩阵，第二矩阵中包括表征第二候选资金流出用户的元素和表征第二候选资金流入用户的元素。
[0117]
在本技术的一个实施例中，该处理器执行计算机程序时还实现以下步骤：将第一矩阵与第二矩阵进行拼接处理，拼接处理用于将第一候选资金流出用户、第一候选资金流入用户、第二候选资金流出用户和第二候选资金流入用户之间资金往来无法形成闭环的有向关系所对应的行向量进行删除，并将保留的行向量进行重组，得到中间矩阵，中间矩阵量中包括表征资金流入用户的元素和表征资金流出用户的元素，且资金流入用户和资金流出用户之间资金往来的有向关系为闭环。
[0118]
在本技术的一个实施例中，交易记录包括资金流出用户、资金流入用户、交易时间差以及交易金额比，其中，交易时间差为当前交易时间与上一个交易时间的差值，交易金额比为当前交易的交易金额与初始交易的交易金额的比值，该处理器执行计算机程序时还实现以下步骤：利用中间矩阵中包括的表征资金流入用户的元素和表征资金流出用户的元素，分别对交易时序数据中的各交易记录中的资金流出用户和资金流入用户进行替换处理；对于各交易记录，在替换处理后，将交易记录中的数据进行拼接，得到交易记录向量；将各交易记录向量进行拼接处理，得到转化处理后的多个向量。
[0119]
在本技术的一个实施例中，该处理器执行计算机程序时还实现以下步骤：利用注意力机制对时序神经网络模型输出的向量进行加权求和处理，得到加权求和后的向量，加权求和后的向量中包括表征资金流出用户特征的元素、表征资金流入用户特征的元素、表征交易时间差特征的元素以及表征交易金额比特征的元素；对加权求和后的向量进行线性变化处理，得到二维向量，二维向量中的元素用于表征目标用户存在资金回流的概率；根据二维向量确定目标用户是否存在资金回流。
[0120]
在本技术的一个实施例中，该处理器执行计算机程序时还实现以下步骤：获取训练样本集，训练样本集包括样本用户对应的交易数据以及样本用户对应的标签，标签用于指示样本用户是否存在资金回流；利用训练样本集对初始图注意力神经网络模型和初始时序神经网络模型进行训练，直至预先设置的损失函数收敛为止，以得到图注意力神经网络模型和时序神经网络模型。
[0121]
本技术实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
[0122]
在本技术的一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取待进行资金回流检测的目标用户所对应的交易数据，并根据交易数据获取交易时序数据以及交易有向图的邻接矩阵，邻接矩
阵中的每一个元素用于表征交易用户之间的资金往来的有向关系，交易有向图中的节点用于表征交易用户，交易用户包括目标用户以及与目标用户具有资金往来的用户，交易有向图中的边用于表征交易用户之间的资金往来关系，交易时序数据包括按照交易时间排列的多个交易记录；将邻接矩阵输入至预先训练的图注意力神经网络模型中，基于图注意力神经网络模型的输出得到中间矩阵，中间矩阵中包括表征资金流出用户的元素以及表征资金流入用户的元素；基于中间矩阵对交易时序数据进行转化处理，并将转化处理后得到的多个向量输入至预先训练的时序神经网络模型中，每个向量中包括表征资金流出用户的元素、表征资金流入用户的元素、表征交易时间差的元素以及表征交易金额比的元素，时序神经网络模型输出指示信息，指示信息用于指示目标用户是否存在资金回流。
[0123]
在本技术的一个实施例中，预先训练的图注意力神经网络模型包括第一图注意力神经网络模型和第二图注意力神经网络模型，计算机程序被处理器执行时还实现以下步骤：将邻接矩阵与预先设置的原始矩阵输入至第一图注意力神经网络模型中，基于第一图注意力神经网络模型的输出得到第一矩阵，第一矩阵为按资金往来的流出方向进行迭代所得到的矩阵，第一矩阵中包括表征第一候选资金流出用户的元素和表征第一候选资金流入用户的元素；将邻接矩阵进行转置运算，将转置后的邻接矩阵与预先设置的原始矩阵输入至第二图注意力神经网络模型中，基于第二图注意力神经网络模型的输出得到第二矩阵，第二矩阵为按资金往来的流入方向进行迭代得到的矩阵，第二矩阵中包括表征第二候选资金流出用户的元素和表征第二候选资金流入用户的元素。
[0124]
在本技术的一个实施例中，计算机程序被处理器执行时还实现以下步骤：将第一矩阵与第二矩阵进行拼接处理，拼接处理用于将第一候选资金流出用户、第一候选资金流入用户、第二候选资金流出用户和第二候选资金流入用户之间资金往来无法形成闭环的有向关系所对应的行向量进行删除，并将保留的行向量进行重组，得到中间矩阵，中间矩阵量中包括表征资金流入用户的元素和表征资金流出用户的元素，且资金流入用户和资金流出用户之间资金往来的有向关系为闭环。
[0125]
在本技术的一个实施例中，交易记录包括资金流出用户、资金流入用户、交易时间差以及交易金额比，其中，交易时间差为当前交易时间与上一个交易时间的差值，交易金额比为当前交易的交易金额与初始交易的交易金额的比值，计算机程序被处理器执行时还实现以下步骤：利用中间矩阵中包括的表征资金流入用户的元素和表征资金流出用户的元素，分别对交易时序数据中的各交易记录中的资金流出用户和资金流入用户进行替换处理；对于各交易记录，在替换处理后，将交易记录中的数据进行拼接，得到交易记录向量；将各交易记录向量进行拼接处理，得到转化处理后的多个向量。
[0126]
在本技术的一个实施例中，计算机程序被处理器执行时还实现以下步骤：利用注意力机制对时序神经网络模型输出的向量进行加权求和处理，得到加权求和后的向量，加权求和后的向量中包括表征资金流出用户特征的元素、表征资金流入用户特征的元素、表征交易时间差特征的元素以及表征交易金额比特征的元素；对加权求和后的向量进行线性变化处理，得到二维向量，二维向量中的元素用于表征目标用户存在资金回流的概率；根据二维向量确定目标用户是否存在资金回流。
[0127]
在本技术的一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取训练样本集，训练样本集包括样本用户对应的交易数据以及样本用户对应的标签，标签用于
指示样本用户是否存在资金回流；利用训练样本集对初始图注意力神经网络模型和初始时序神经网络模型进行训练，直至预先设置的损失函数收敛为止，以得到图注意力神经网络模型和时序神经网络模型。
[0128]
本实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
[0129]
在本技术的一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：获取待进行资金回流检测的目标用户所对应的交易数据，并根据交易数据获取交易时序数据以及交易有向图的邻接矩阵，邻接矩阵中的每一个元素用于表征交易用户之间的资金往来的有向关系，交易有向图中的节点用于表征交易用户，交易用户包括目标用户以及与目标用户具有资金往来的用户，交易有向图中的边用于表征交易用户之间的资金往来关系，交易时序数据包括按照交易时间排列的多个交易记录；将邻接矩阵输入至预先训练的图注意力神经网络模型中，基于图注意力神经网络模型的输出得到中间矩阵，中间矩阵中包括表征资金流出用户的元素以及表征资金流入用户的元素；基于中间矩阵对交易时序数据进行转化处理，并将转化处理后得到的多个向量输入至预先训练的时序神经网络模型中，每个向量中包括表征资金流出用户的元素、表征资金流入用户的元素、表征交易时间差的元素以及表征交易金额比的元素，时序神经网络模型输出指示信息，指示信息用于指示目标用户是否存在资金回流。
[0130]
在本技术的一个实施例中，预先训练的图注意力神经网络模型包括第一图注意力神经网络模型和第二图注意力神经网络模型，计算机程序被处理器执行时还实现以下步骤：将邻接矩阵与预先设置的原始矩阵输入至第一图注意力神经网络模型中，基于第一图注意力神经网络模型的输出得到第一矩阵，第一矩阵为按资金往来的流出方向进行迭代所得到的矩阵，第一矩阵中包括表征第一候选资金流出用户的元素和表征第一候选资金流入用户的元素；将邻接矩阵进行转置运算，将转置后的邻接矩阵与预先设置的原始矩阵输入至第二图注意力神经网络模型中，基于第二图注意力神经网络模型的输出得到第二矩阵，第二矩阵为按资金往来的流入方向进行迭代得到的矩阵，第二矩阵中包括表征第二候选资金流出用户的元素和表征第二候选资金流入用户的元素。
[0131]
在本技术的一个实施例中，计算机程序被处理器执行时还实现以下步骤：将第一矩阵与第二矩阵进行拼接处理，拼接处理用于将第一候选资金流出用户、第一候选资金流入用户、第二候选资金流出用户和第二候选资金流入用户之间资金往来无法形成闭环的有向关系所对应的行向量进行删除，并将保留的行向量进行重组，得到中间矩阵，中间矩阵量中包括表征资金流入用户的元素和表征资金流出用户的元素，且资金流入用户和资金流出用户之间资金往来的有向关系为闭环。
[0132]
在本技术的一个实施例中，交易记录包括资金流出用户、资金流入用户、交易时间差以及交易金额比，其中，交易时间差为当前交易时间与上一个交易时间的差值，交易金额比为当前交易的交易金额与初始交易的交易金额的比值，计算机程序被处理器执行时还实现以下步骤：利用中间矩阵中包括的表征资金流入用户的元素和表征资金流出用户的元素，分别对交易时序数据中的各交易记录中的资金流出用户和资金流入用户进行替换处理；对于各交易记录，在替换处理后，将交易记录中的数据进行拼接，得到交易记录向量；将各交易记录向量进行拼接处理，得到转化处理后的多个向量。
[0133]
在本技术的一个实施例中，计算机程序被处理器执行时还实现以下步骤：利用注意力机制对时序神经网络模型输出的向量进行加权求和处理，得到加权求和后的向量，加权求和后的向量中包括表征资金流出用户特征的元素、表征资金流入用户特征的元素、表征交易时间差特征的元素以及表征交易金额比特征的元素；对加权求和后的向量进行线性变化处理，得到二维向量，二维向量中的元素用于表征目标用户存在资金回流的概率；根据二维向量确定目标用户是否存在资金回流。
[0134]
在本技术的一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取训练样本集，训练样本集包括样本用户对应的交易数据以及样本用户对应的标签，标签用于指示样本用户是否存在资金回流；利用训练样本集对初始图注意力神经网络模型和初始时序神经网络模型进行训练，直至预先设置的损失函数收敛为止，以得到图注意力神经网络模型和时序神经网络模型。
[0135]
本实施例提供的计算机程序产品，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
[0136]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0137]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0138]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。