异常账户检测方法、图神经网络模型的构建方法和装置与流程

1.本发明涉及金融领域，特别地，涉及一种异常账户检测方法、图神经网络模型的构建方法和装置。


背景技术：

2.由于在线交易属于一种非面对面的网上交易型态，银行无法确认操作在线交易的个人，是否就是拥有该账户的本人，这种不确定性及交易的隐密性，导致银行为该账户执行身份识别等各类反洗钱措施效果大打折扣，再加上在线网络交易具备全天候、速度快、可跨地域转汇资金的特性，使得银行在此过程中须面对一定程度的洗钱风险。同时，随着大数据技术的发展，积累交易账户的相关基础信息和交易记录相对容易，但是给每一笔资金交易标记是正常或异常将会消耗巨大的人力物力，甚至根本无法完成。
3.目前主流的机器学习技术在资金交易异常检测方面仍有不足，在该场景中，资金交易数量庞大，传统的监督型机器学习需要给每一笔交易构造标签信息以供机器学习模型学习，这无疑会消耗大量的人力物力。
4.因此现在亟需一种异常账户检测方法，能够提高异常账户的检测效率和准确度。


技术实现要素：

5.本文实施例的目的在于提供一种异常账户检测方法、图神经网络模型的构建方法和装置，以提高异常账户的检测效率和准确度。
6.为达到上述目的，一方面，本文实施例提供了一种异常账户检测方法，包括：
7.获取目标账户的属性信息；
8.将所述目标账户的属性信息投入到预先构建完成的图神经网络模型中，其中所述图神经网络模型基于账户的交易信息所生成的交易图构建完成；
9.根据所述图神经网络模型，计算得到目标账户的异常得分；
10.根据所述异常得分，确定所述目标账户为正常账户或异常账户。
11.优选的，所述根据图神经网络模型，计算得到目标账户的异常得分进一步包括：
12.根据所述图神经网络模型，计算得到目标账户的局部异常得分和全局异常得分；
13.将所述目标账户的局部异常得分和全局异常得分进行线性相加，得到目标账户的异常得分。
14.优选的，所述根据所述图神经网络模型，计算得到目标账户的局部异常得分和全局异常得分进一步包括：
15.利用所述图神经网络模型，得到目标账户对应的目标节点的嵌入矩阵；
16.利用所述图神经网络模型计算得到目标节点的嵌入向量；
17.根据所述目标节点的嵌入矩阵和嵌入向量，得到目标节点的局部异常得分和全局异常得分。
18.优选的，所述根据所述目标节点的嵌入矩阵和嵌入向量，得到目标节点的局部异
常得分进一步包括：
19.将交易图中目标账户的属性信息进行隐藏；
20.根据所述目标节点的嵌入矩阵，计算得到目标节点隐藏后的局部嵌入向量；
21.根据所述目标节点隐藏后的局部嵌入向量、目标节点的交易子图中除该节点外的其他节点隐藏后的局部嵌入向量，以及目标节点的嵌入向量，计算得到目标节点的局部异常得分。
22.优选的，所述根据所述目标节点的嵌入矩阵和嵌入向量，得到目标节点的全局异常得分进一步包括：
23.将交易图中目标账户的属性信息进行隐藏；
24.根据所述目标节点的嵌入矩阵，计算得到目标节点隐藏后的全局嵌入向量；
25.根据所述目标节点隐藏后的全局嵌入向量、目标节点的交易子图中除该节点外的其他节点隐藏后的全局嵌入向量，以及目标节点的嵌入向量，计算得到目标节点的全局异常得分。
26.优选的，所述图神经网络模型的构建方法包括：
27.根据账户与账户之间的交易信息，得到交易图，所述交易图中的节点用于表征账户的属性信息；
28.基于所述交易图，生成每一节点的交易子图；
29.利用初始图神经网络模型分别对每一节点的交易子图进行处理，得到目标函数；
30.训练所述目标函数，得到图神经网络模型。
31.优选的，所述利用初始图神经网络模型分别对每一节点的交易子图进行处理，得到目标函数，进一步包括：
32.利用初始图神经网络模型分别对每一节点的交易子图进行编码，得到每一节点的初始嵌入矩阵；
33.利用初始图神经网络模型计算得到每一节点的初始嵌入向量；
34.根据所述每一节点的初始嵌入矩阵和初始嵌入向量，得到每一节点的局部对比学习项和全局对比学习项；
35.根据每一节点的局部对比学习项和全局对比学习项，得到目标函数。
36.优选的，所述根据所述每一节点的初始嵌入矩阵和初始嵌入向量，得到每一节点的局部对比学习项进一步包括：
37.将交易图中每一节点对应的账户的属性信息进行隐藏；
38.根据所述每一节点的初始嵌入矩阵，计算得到每一节点隐藏后的初始局部嵌入向量；
39.利用所述每一节点隐藏后的初始局部嵌入向量和所述每一节点的初始嵌入向量，构建所述每一节点基于局部对比的正样本对；
40.利用所述每一节点的交易子图中除该节点外的每一其他节点隐藏后的初始局部嵌入向量和所述每一节点的初始嵌入向量，构建所述每一节点基于局部对比的负样本对；
41.利用所述每一节点基于局部对比的正样本对和负样本对，构造得到每一节点的局部对比学习项。
42.优选的，所述根据所述每一节点的初始嵌入矩阵和初始嵌入向量，得到每一节点
的全局对比学习项进一步包括：
43.将交易图中每一节点对应的账户的属性信息进行隐藏；
44.根据所述每一节点的初始嵌入矩阵，计算得到每一节点隐藏后的初始全局嵌入向量；
45.利用所述每一节点隐藏后的初始全局嵌入向量和所述每一节点的初始嵌入向量，构建所述每一节点基于全局对比的正样本对；
46.利用所述每一节点的交易子图中除该节点外的每一其他节点隐藏后的初始全局嵌入向量和所述每一节点的初始嵌入向量，构建所述每一节点基于全局对比的负样本对；
47.利用所述每一节点基于全局对比的正样本对和负样本对，构造得到每一节点的全局对比学习项。
48.另一方面，本文实施例还提供了一种图神经网络模型的构建方法，所述图神经网络模型应用于上述任一项所述的异常账户检测方法，包括：
49.根据账户与账户之间的交易信息，得到交易图，所述交易图中的节点用于表征账户的属性信息；
50.基于所述交易图，生成每一节点的交易子图；
51.利用初始图神经网络模型分别对每一节点的交易子图进行处理，得到目标函数；
52.训练所述目标函数，得到图神经网络模型。
53.另一方面，本文实施例提供了一种异常账户检测装置，包括：
54.获取模块，用于获取目标账户的属性信息；
55.投入模块，用于将所述目标账户的属性信息投入到预先构建完成的图神经网络模型中，其中所述图神经网络模型基于账户的交易信息所生成的交易图构建完成；
56.计算模块，用于根据所述图神经网络模型，计算得到目标账户的异常得分；
57.确定模块，用于根据所述异常得分，确定所述目标账户为正常账户或异常账户。
58.又一方面，本文实施例还提供了一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时，执行上述任意一项所述方法的指令。
59.又一方面，本文实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被计算机设备的处理器运行时，执行上述任意一项所述方法的指令。
60.由以上本文实施例提供的技术方案可见，本文实施例利用图神经网络模型可以进行异常账户检测，可以根据图神经网络模型得到目标节点的异常得分，通过该异常得分可以进一步确定目标账户为正常账户或异常账户，进而提高异常账户的检测效率和准确度。
61.为让本文的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。
附图说明
62.为了更清楚地说明本文实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本文的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
63.图1示出了本文实施例提供的一种异常账户检测方法的流程示意图；
64.图2示出了本文实施例提供的利用初始图神经网络模型分别对每一节点的交易子图进行处理，得到目标函数的流程示意图；
65.图3示出了本文实施例提供的用于得到每一节点的局部对比学习项的流程示意图；
66.图4示出了本文实施例提供的用于得到每一节点的全局对比学习项的流程示意图；
67.图5示出了本文实施例提供的用于计算得到目标账户的异常得分的流程示意图；
68.图6示出了本文实施例提供的用于计算得到目标账户的局部异常得分和全局异常得分的流程示意图；
69.图7示出了本文实施例提供的用于得到目标节点的局部异常得分的流程示意图；
70.图8示出了本文实施例提供的用于得到目标节点的全局异常得分的流程示意图；
71.图9示出了本文实施例提供的一种异常账户检测装置的模块结构示意图；
72.图10示出了本文实施例提供的计算机设备的结构示意图。
73.附图符号说明：
74.100、获取模块；
75.200、投入模块；
76.300、计算模块；
77.400、确定模块；
78.1002、计算机设备；
79.1004、处理器；
80.1006、存储器；
81.1008、驱动机构；
82.1010、输入/输出模块；
83.1012、输入设备；
84.1014、输出设备；
85.1016、呈现设备；
86.1018、图形用户接口；
87.1020、网络接口；
88.1022、通信链路；
89.1024、通信总线。
具体实施方式
90.下面将结合本文实施例中的附图，对本文实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本文一部分实施例，而不是全部的实施例。基于本文中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本文保护的范围。
91.目前主流的机器学习技术在资金交易异常检测方面仍有不足，在该场景中，资金交易数量庞大，传统的监督型机器学习需要给每一笔交易构造标签信息以供机器学习模型
学习，这无疑会消耗大量的人力物力。
92.为了解决上述问题，本文实施例提供了一种图神经网络模型构建方法。图1是本文实施例提供的一种图神经网络模型构建方法的流程示意图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或装置产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。
93.需要说明的是，本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本文的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
94.参照图1，本文公开了一种异常账户检测方法，包括：
95.s101：获取目标账户的属性信息；
96.s102：将所述目标账户的属性信息投入到预先构建完成的图神经网络模型中，其中所述图神经网络模型基于账户的交易信息所生成的交易图构建完成；
97.s103：根据所述图神经网络模型，计算得到目标账户的异常得分；
98.s104：根据所述异常得分，确定所述目标账户为正常账户或异常账户。
99.目标账户即为需要进行异常检测的账户，账户的属性信息可以包括多个维度，例如包括账户的交易信息、账户所属客户的信息，以及账户的状态信息。其中账户的交易信息可以包括：账户在历史时段内的交易笔数、交易金额、付款笔数、付款金额、收款笔数、收款金额、跨行转账次数，提现次数、消费次数、第三方支付次数等等。账户所属客户的信息可以包括：客户性别、年龄、婚姻状态、教育状况，工作状况等等。账户的状态信息可以包括：开户时间、账户当前状态等等。
100.其中，所述图神经网络模型的构建方法包括：
101.步骤1.1：根据账户与账户之间的交易信息，得到交易图，所述交易图中的节点用于表征账户的属性信息；
102.步骤1.2：基于所述交易图，生成每一节点的交易子图；
103.步骤1.3：利用初始图神经网络模型分别对每一节点的交易子图进行处理，得到目标函数；
104.步骤1.4：训练所述目标函数，得到图神经网络模型。
105.参照图2，其中，所述利用初始图神经网络模型分别对每一节点的交易子图进行处理，得到目标函数，进一步包括：
106.s201：利用初始图神经网络模型分别对每一节点的交易子图进行编码，得到每一节点的初始嵌入矩阵；
107.s202：利用初始图神经网络模型计算得到每一节点的初始嵌入向量；
108.s203：根据所述每一节点的初始嵌入矩阵和初始嵌入向量，得到每一节点的局部
对比学习项和全局对比学习项；
109.s204：根据每一节点的局部对比学习项和全局对比学习项，得到目标函数。
110.其中，若账户a与账户b之间有交易信息，则说明账户a和账户b之间存在交易关系，在交易图中，通过两个节点之间的边来表示对应的两个账户之间存在交易关系，若两个账户之间存在交易关系，则对应的两个节点之间有边，若两个账户之间不存在交易关系，则对应的两个节点之间没有边，交易图中的节点用于表征账户的属性信息。
111.由此可以得到交易图表示如下：
112.g＝{a,x}(1)
113.其中，g为交易图，x∈rs×d，x为交易图中的节点，s为交易图中节点的数目，d为账户的属性信息的维度数目，a∈{0,1}，a是图的邻接矩阵，a
p,q
＝1表示节点p和节点q之间有边，a
p,q
＝0表示节点p和节点q之间没有边。
114.基于交易图，可以生成每一节点的交易子图，以每一目标节点为中心，通过固定数目k对交易图进行采样生成其周围的上下文，进而可以得到每一节点的交易子图：
115.gi＝{ai,xi}
ꢀꢀꢀ
(2)
116.其中，i代表第i个节点，gi表示第i个节点的交易子图，ai是第i个节点的交易子图的邻接矩阵。xi∈rk×d为第i个节点的交易子图中的节点，k为第i个节点的交易子图中节点的数目，d为第i个节点对应的账户的属性信息的维度数目。
117.进一步的，可以利用初始图神经网络模型分别对每一节点的交易子图进行编码，分别得到每一节点的初始嵌入矩阵，如下：
118.hi＝f(ai,xi)
ꢀꢀꢀ
(3)
119.其中，hi为第i个节点的初始嵌入矩阵，f( )为初始神经网络模型。
120.然后利用初始图神经网络模型计算得到每一节点的初始嵌入向量，如下：
121.zi＝f(xi)
ꢀꢀ
(4)
122.其中，zi为第i个节点的初始嵌入向量。
123.最后利用每一节点与其所在交易子图之间的一致性来反映该节点的异常情况，具体的，根据每一节点的初始嵌入矩阵和初始嵌入向量，得到每一节点的局部对比学习项和全局对比学习项，通过局部对比学习项局部对比每一节点在其所在交易子图的嵌入与每一节点本身的嵌入之间的局部一致性，通过全局对比学习项全局对比每一节点在其所在交易子图的嵌入与每一节点本身的嵌入之间的全局一致性。
124.通过最小化目标函数对每一节点的局部对比学习项和全局对比学习项进行最小化，得到优化后的图神经网络模型，利用图神经网络模型可以进行异常账户检测，可以根据图神经网络模型得到每一节点的异常得分，通过该异常得分可以进一步确定每一节点对应的账户为正常账户或异常账户，进而提高异常账户的检测效率和准确度。
125.在本文实施例中，参照图3，所述根据所述每一节点的初始嵌入矩阵和初始嵌入向量，得到每一节点的局部对比学习项进一步包括：
126.s301：将交易图中每一节点对应的账户的属性信息进行隐藏；
127.s302：根据所述每一节点的初始嵌入矩阵，计算得到每一节点隐藏后的初始局部嵌入向量；
128.s303：利用所述每一节点隐藏后的初始局部嵌入向量和所述每一节点的初始嵌入
向量，构建所述每一节点基于局部对比的正样本对；
129.s304：利用所述每一节点的交易子图中除该节点外的每一其他节点隐藏后的初始局部嵌入向量和所述每一节点的初始嵌入向量，构建所述每一节点基于局部对比的负样本对；
130.s305：利用所述每一节点基于局部对比的正样本对和负样本对，构造得到每一节点的局部对比学习项。
131.交易图中每一节点均表征一个账户的属性信息，为了防止节点对应的账户的属性信息在图神经网络模型的构建过程中产生信息泄露，可以对每一节点对应的账户的属性信息进行隐藏。
132.隐藏的具体方法可以是将每一节点作为该节点的交易子图中的起始节点，将该起始节点作为零向量，即：其中xi为第i个节点的交易子图，xi[1,:]为第i个节点的交易子图中的起始节点，即为第i个节点，第i个节点的交易子图中的起始节点为零向量。
[0133]
对于交易图中所有节点来说，交易图中每一节点对应的账户的属性信息均进行隐藏。
[0134]
根据每一节点的初始嵌入矩阵，可以计算得到每一节点隐藏后的初始局部嵌入向量，如下：
[0135][0136]
其中，为第i个节点隐藏后的初始局部嵌入向量，hi为第i个节点的初始嵌入矩阵，[1,:]表示第i个节点的交易子图中的起始节点。
[0137]
进而得到第i个节点基于局部对比的正样本对：
[0138]
对于第i个节点的交易子图中所有节点(包括第i个节点vi和除vi外的其他节点vj，其中j＝1
…
k且j≠i，k为第i个节点的交易子图中节点的数目)来说，第i个节点vi进行了隐藏，除了第i个节点vi外的其他节点vj对应的账户的属性信息同样进行了隐藏。
[0139]
需要解释的是，节点vi和节点vj都是交易图中的节点，只是在节点vi的交易子图中，节点vj相对来说是其他节点。例如交易图中有多个节点，其中两个存在交易关系的节点a和b，两者都有各自的交易子图，在节点a的交易子图中，节点b为其他节点，在节点b的交易子图中，节点a为其他节点。对于节点a和b来说，两者均有对应的初始嵌入矩阵和初始嵌入向量，且两者对应的账户的属性信息都进行了隐藏，隐藏的方法均是将节点a或b作为该节点的交易子图中的起始节点，将该起始节点作为零向量。
[0140]
由于已经生成交易图中每一节点(包括节点vi，以及相对于节点vi来说是其他节点的节点vj)的交易子图和初始嵌入矩阵，以及在s201和s202中已经对交易图中每一节点(包括节点vi，以及相对于节点vi来说是其他节点的节点vj)对应的账户的属性信息进行隐藏，并且计算得到每一节点(包括节点vi，以及相对于节点vi来说是其他节点的节点vj)隐藏后的初始局部嵌入向量。
[0141]
虽然节点vi与节点vj都可以通过上述公式(5)得到隐藏后的初始局部嵌入向量，但是为了对节点vi与节点vj进行区分，可以将节点vi隐藏后的初始局部嵌入向量通过表示，将相对于节点vi来说是其他节点的节点vj隐藏后的初始局部嵌入向量通过来表示。
[0142]
进而得到第i个节点基于局部对比的负样本对
[0143]
进一步的，利用所述每一节点基于局部对比的正样本对和负样本对，构造得到每一节点的局部对比学习项，具体的通过如下公式得到每一节点的局部对比学习项：
[0144][0145]
其中，为第i个节点的局部对比学习项，θ(m,n)为用于度量m和n之间相似性的相似性度量函数，为第i个节点基于局部对比的正样本对，为第i个节点基于局部对比的负样本对，为第i个节点隐藏后的初始局部嵌入向量，zi为第i个节点的初始嵌入向量，为第j个其他节点隐藏后的初始局部嵌入向量。
[0146]
在本文实施例中，参照图4，所述根据所述每一节点的初始嵌入矩阵和初始嵌入向量，得到每一节点的全局对比学习项进一步包括：
[0147]
s401：将交易图中每一节点对应的账户的属性信息进行隐藏；
[0148]
s402：根据所述每一节点的初始嵌入矩阵，计算得到每一节点隐藏后的初始全局嵌入向量；
[0149]
s403：利用所述每一节点隐藏后的初始全局嵌入向量和所述每一节点的初始嵌入向量，构建所述每一节点基于全局对比的正样本对；
[0150]
s404：利用所述每一节点的交易子图中除该节点外的每一其他节点隐藏后的初始全局嵌入向量和所述每一节点的初始嵌入向量，构建所述每一节点基于全局对比的负样本对；
[0151]
s405：利用所述每一节点基于全局对比的正样本对和负样本对，构造得到每一节点的全局对比学习项。
[0152]
s401至s405与上文中s301至s305重复之处本文不再赘述，其中根据每一节点的初始嵌入矩阵，可以计算得到交易图中每一节点隐藏后的初始全局嵌入向量，如下：
[0153][0154]
其中，为第i个节点隐藏后的初始全局嵌入向量，k为第i个节点的交易子图中节点的数目，hi为第i个节点的初始嵌入矩阵，[u,:]表示第i个节点的交易子图中的第u个节点，为第i节点的交易子图中所有节点的向量之和。
[0155]
进而得到第i个节点基于全局对比的正样本对：
[0156]
为了对节点vi与节点vj进行区分，可以将节点vi隐藏后的初始全局嵌入向量通过表示，将相对于节点vi来说是其他节点的节点vj隐藏后的初始全局嵌入向量通过来表示。
[0157]
进而得到第i个节点基于全局对比的负样本对
[0158]
进一步的，利用所述每一节点基于全局对比的正样本对和负样本对，构造得到每一节点的全局对比学习项，具体的通过如下公式得到每一节点的全局对比学习项：
[0159][0160]
其中，为第i个节点的全局对比学习项，θ(m,n)为用于度量m和n之间相似性的相似性度量函数，为第i个节点基于全局对比的正样本对，为第i个节点基于全局对比的负样本对，为第i个节点隐藏后的初始全局嵌入向量，zi为第i个节点的初始嵌入向量，为第j个其他节点隐藏后的初始全局嵌入向量。
[0161]
根据每一节点的局部对比学习项和全局对比学习项，得到目标函数如下所示：
[0162][0163]
其中，l为目标函数，s为交易图中节点的数目。
[0164]
可以通过最优化方法，例如梯度下降法等最小化该目标函数，得到优化后的图神经网络模型。
[0165]
具体的，参照图5，所述根据图神经网络模型，计算得到目标账户的异常得分进一步包括：
[0166]
s501：根据所述图神经网络模型，计算得到目标账户的局部异常得分和全局异常得分；
[0167]
s502：将所述目标账户的局部异常得分和全局异常得分进行线性相加，得到目标账户的异常得分。
[0168]
参照图6，其中，所述根据所述图神经网络模型，计算得到目标账户的局部异常得分和全局异常得分进一步包括：
[0169]
s601：利用所述图神经网络模型，得到目标账户对应的目标节点的嵌入矩阵；
[0170]
s602：利用所述图神经网络模型计算得到目标节点的嵌入向量；
[0171]
s603：根据所述目标节点的嵌入矩阵和嵌入向量，得到目标节点的局部异常得分和全局异常得分。
[0172]
根据上述公式(3)，可以得到图神经网络模型与嵌入矩阵之间的关系如下：
[0173]hi'
＝f'(ai,xi)
ꢀꢀꢀ
(10)
[0174]
其中，h
i'
为第i个节点的嵌入矩阵，f'( )为图神经网络模型。
[0175]
根据上述公式(4)，可以得到图神经网络模型与嵌入向量之间的关系如下：
[0176]zi'
＝f'(xi)
ꢀꢀꢀ
(11)
[0177]
其中，z
i'
为第i个节点的嵌入向量。
[0178]
通过上述公式(10)和(11)，可以得到目标账户对应的目标节点的嵌入矩阵和嵌入
向量。
[0179]
在本文实施例中，参照图7，所述根据所述目标节点的嵌入矩阵和嵌入向量，得到目标节点的局部异常得分进一步包括：
[0180]
s701：将交易图中目标账户的属性信息进行隐藏；
[0181]
s702：根据所述目标节点的嵌入矩阵，计算得到目标节点隐藏后的局部嵌入向量；
[0182]
s703：根据所述目标节点隐藏后的局部嵌入向量、目标节点的交易子图中除该节点外的其他节点隐藏后的局部嵌入向量，以及目标节点的嵌入向量，计算得到目标节点的局部异常得分。
[0183]
其中s701至s702的方法与上文的方法相似，本文不再赘述，在得到目标节点隐藏后的局部嵌入向量后，为了对节点vi与除该节点外的其他节点vj进行区分，可以将节点vi隐藏后的局部嵌入向量通过表示，将相对于节点vi来说是其他节点的节点vj隐藏后的局部嵌入向量通过来表示。
[0184]
而对于s703，具体的，通过如下公式计算得到目标节点的局部异常得分：
[0185][0186]
其中，为目标节点的局部异常得分，θ(m,n)为用于度量m和n之间相似性的相似性度量函数，为目标节点隐藏后的局部嵌入向量，为其他节点隐藏后的局部嵌入向量，z
i'
为目标节点的嵌入向量。
[0187]
在本文实施例中，参照图8，所述根据所述目标节点的嵌入矩阵和嵌入向量，得到目标节点的全局异常得分进一步包括：
[0188]
s801：将交易图中目标账户的属性信息进行隐藏；
[0189]
s802：根据所述目标节点的嵌入矩阵，计算得到目标节点隐藏后的全局嵌入向量；
[0190]
s803：根据所述目标节点隐藏后的全局嵌入向量、目标节点的交易子图中除该节点外的其他节点隐藏后的全局嵌入向量，以及目标节点的嵌入向量，计算得到目标节点的全局异常得分。
[0191]
其中s801至s802的方法与上文的方法相似，本文不再赘述，在得到目标节点隐藏后的全局嵌入向量后，为了对节点vi与除该节点外的其他节点vj进行区分，可以将节点vi隐藏后的全局嵌入向量通过表示，将相对于节点vi来说是其他节点的节点vj隐藏后的局部嵌入向量通过来表示。
[0192]
而对于s803，通过如下公式计算得到每一节点的全局异常得分：
[0193][0194]
其中，为目标节点的全局异常得分，θ(m,n)为用于度量m和n之间相似性的相
似性度量函数，为目标节点隐藏后的全局嵌入向量，为其他节点隐藏后的全局嵌入向量，z
i'
为节点的嵌入向量。
[0195]
进一步，通过如下公式将目标节点的局部异常得分和全局异常得分进行线性相加，得到目标节点的异常得分：
[0196][0197]
其中，yi为目标节点的异常得分，α为超参数，取0-1之间任意数。
[0198]
目标节点的异常得分越大，说明该节点的异常程度越高，当异常得分大于设定阈值时，可以确定该节点对应的账户为异常账户。本文利用图神经网络模型可以进行异常账户检测，可以根据图神经网络模型得到目标节点的异常得分，通过该异常得分可以进一步确定目标账户为正常账户或异常账户，进而提高异常账户的检测效率和准确度。
[0199]
基于上述所述的异常账户检测方法，本文实施例还提供了一种图神经网络模型的构建方法，所述图神经网络模型应用于所述的异常账户检测方法，包括：
[0200]
根据账户与账户之间的交易信息，得到交易图，所述交易图中的节点用于表征账户的属性信息；
[0201]
基于所述交易图，生成每一节点的交易子图；
[0202]
利用初始图神经网络模型分别对每一节点的交易子图进行处理，得到目标函数；
[0203]
训练所述目标函数，得到图神经网络模型。
[0204]
该图神经网络模型的构建方法与上述步骤1.1-步骤1.4的构建方法相同，因此重复之处不再赘述。
[0205]
需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。且本技术实施例描述的技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
[0206]
基于上述所述的一种图神经网络模型的构建方法，本文实施例还提供一种异常账户检测装置。所述的装置可以包括使用了本文实施例所述方法的系统(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思，本文实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似，因此本文实施例具体的装置的实施可以参见前述方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0207]
具体地，图9是本文实施例提供的一种异常账户检测装置一个实施例的模块结构示意图，参照图9所示，本文实施例提供的一种异常账户检测装置包括：获取模块100、投入模块200、计算模块300、确定模块400。
[0208]
获取模块100，用于获取目标账户的属性信息；
[0209]
投入模块200，用于将所述目标账户的属性信息投入到预先构建完成的图神经网络模型中，其中所述图神经网络模型基于账户的交易信息所生成的交易图构建完成；
[0210]
计算模块300，用于根据所述图神经网络模型，计算得到目标账户的异常得分；
[0211]
确定模块400，用于根据所述异常得分，确定所述目标账户为正常账户或异常账户。
[0212]
参照图10所示，基于上述所述的一种图神经网络模型构建方法或异常账户检测方法，本文一实施例中还提供一种计算机设备1002，其中上述方法运行在计算机设备1002上。计算机设备1002可以包括一个或多个处理器1004，诸如一个或多个中央处理单元(cpu)或图形处理器(gpu)，每个处理单元可以实现一个或多个硬件线程。计算机设备1002还可以包括任何存储器1006，其用于存储诸如代码、设置、数据等之类的任何种类的信息，一具体实施方式中，存储器1006上并可在处理器1004上运行的计算机程序，所述计算机程序被所述处理器1004运行时，可以执行根据上述方法的指令。非限制性的，比如，存储器1006可以包括以下任一项或多种组合：任何类型的ram，任何类型的rom，闪存设备，硬盘，光盘等。更一般地，任何存储器都可以使用任何技术来存储信息。进一步地，任何存储器可以提供信息的易失性或非易失性保留。进一步地，任何存储器可以表示计算机设备1002的固定或可移除部件。在一种情况下，当处理器1004执行被存储在任何存储器或存储器的组合中的相关联的指令时，计算机设备1002可以执行相关联指令的任一操作。计算机设备1002还包括用于与任何存储器交互的一个或多个驱动机构1008，诸如硬盘驱动机构、光盘驱动机构等。
[0213]
计算机设备1002还可以包括输入/输出模块1010(i/o)，其用于接收各种输入(经由输入设备1012)和用于提供各种输出(经由输出设备1014)。一个具体输出机构可以包括呈现设备1016和相关联的图形用户接口1018(gui)。在其他实施例中，还可以不包括输入/输出模块1010(i/o)、输入设备1012以及输出设备1014，仅作为网络中的一台计算机设备。计算机设备1102还可以包括一个或多个网络接口1020，其用于经由一个或多个通信链路1022与其他设备交换数据。一个或多个通信总线1024将上文所描述的部件耦合在一起。
[0214]
通信链路1022可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路1022可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
[0215]
对应于图1-图8中的方法，本文实施例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上存储有计算机程序，该计算机程序被处理器运行时执行上述方法的步骤。
[0216]
本文实施例还提供一种计算机可读指令，其中当处理器执行所述指令时，其中的程序使得处理器执行如图1至图8所示的方法。
[0217]
应理解，在本文的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本文实施例的实施过程构成任何限定。
[0218]
还应理解，在本文实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0219]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专
业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本文的范围。
[0220]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0221]
在本文所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
[0222]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本文实施例方案的目的。
[0223]
另外，在本文各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0224]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本文的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本文各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0225]
本文中应用了具体实施例对本文的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本文的方法及其核心思想；同时，对于本领域的一般技术人员，依据本文的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本文的限制。