异常业务行为识别方法、装置、电子设备及存储介质与流程

1.本发明涉及人工智能领域，尤其涉及一种异常业务行为识别方法、装置、电子设备及存储介质。


背景技术：

2.在当前行业欺诈对金融行业造成了巨大的损失，有着业务环节多，手段多样化，隐秘性强的特点，行业欺诈会导致用户的安全受到影响，进而导致行业发展越来越差。
3.在过去，很多金融企业通过规则引擎和线下调查来识别诈骗，能拦截到发标后触碰到规则的用户，但是覆盖范围小，准确率不高。因此亟待提出一种准确度更高的异常业务行为识别方法。


技术实现要素：

4.本发明提供一种异常业务行为识别方法、装置、电子设备及存储介质，其主要目的在于提高异常业务行为识别的准确度。
5.为实现上述目的，本发明提供的一种异常业务行为识别方法，包括：
6.接收预设业务系统传送的用户基本信息及用户交易数据，对所述用户交易数据进行数据清洗，得到标准交易数据；
7.提取出所述标准交易数据对应的数据标签并根据所述标准交易数据构建数据关系图谱；
8.利用预设逻辑回归算法对所述数据关系图谱进行向量化处理，得到图谱特征向量，并根据所述图谱特征向量和所述数据标签对预设半监督机器学习模型进行训练处理，得到异常识别模型；
9.获取待识别行为数据，将所述待识别行为数据输入至所述异常识别模型中，得到异常业务识别结果。
10.可选地，所述接收预设业务系统传送的用户基本信息及用户交易数据，包括：
11.获取所述预设业务系统中的开户回答问卷，并提取出所述开户回答问卷中的信息作为用户基本信息；
12.提取所述预设业务系统中的用户交易数据，并利用开源工具将所述用户基本信息和所述用户交易信息抽取出来。
13.可选地，所述对所述用户交易数据进行数据清洗，得到标准交易数据，包括：
14.对所述用户交易数据进行异常值识别及缺失值填充，得到初始交易数据；
15.根据预设交易时间将所述初始交易数据进行时间配置处理，得到配置交易数据；
16.将所述配置交易数据进行落表处理，得到标准交易数据。
17.可选地，所述提取出所述标准交易数据对应的数据标签，包括：
18.获取预设的标签参考库，所述标签参考库中包含不同的参考标签及所述参考标签对应的交易数据；
19.将所述标准交易数据与所述标签参考库中的参考标签对应的交易数据进行数据比对，将所述数据比对一致的交易数据对应的参考标签作为数据标签。
20.可选地，所述根据所述标准交易数据构建数据关系图谱，包括：
21.抽取所述标准交易数据中的不同数据源的用户特征数据；
22.对所述用户特征数据中的预设数据进行拓扑关联，得到关系网络；
23.将所述用户特征数据按照所述关系网络存入图数据库中，得到数据关系图谱。
24.可选地，所述根据所述图谱特征向量和所述数据标签对预设半监督机器学习模型进行训练处理，得到异常识别模型，包括：
25.将所述图谱特征向量和所述数据标签输入至所述预设半监督机器学习模型中，得到初始识别结果；
26.判断所述初始识别结果与预设标准识别结果是否一致；
27.若所述初始识别结果与所述预设标准识别结果一致，则将所述预设半监督机器学习模型输出为异常识别模型；
28.若所述初始识别结果与所述预设标准识别结果不一致，则调整所述预设半监督机器学习模型的模型参数并进行再次训练处理，直至再次训练的识别结果与所述预设标准识别结果一致，则将调整模型参数后的预设半监督机器学习模型输出为异常识别模型。
29.可选地，所述获取待识别行为数据，包括：
30.基于预设的埋点数据采集方法从业务平台中获取待识别行为数据。
31.为了解决上述问题，本发明还提供一种异常业务行为识别装置，所述装置包括：
32.数据清洗模块，用于接收预设业务系统传送的用户基本信息及用户交易数据，对所述用户交易数据进行数据清洗，得到标准交易数据；
33.图谱构建模块，用于提取出所述标准交易数据对应的数据标签并根据所述标准交易数据构建数据关系图谱；
34.模型训练模块，用于利用预设逻辑回归算法对所述数据关系图谱进行向量化处理，得到图谱特征向量，并根据所述图谱特征向量和所述数据标签对预设半监督机器学习模型进行训练处理，得到异常识别模型；
35.异常识别模块，用于获取待识别行为数据，将所述待识别行为数据输入至所述异常识别模型中，得到异常业务识别结果。
36.为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
37.至少一个处理器；以及，
38.与所述至少一个处理器通信连接的存储器；其中，
39.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的异常业务行为识别方法。
40.为了解决上述问题，本发明还提供一种存储介质，所述存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的异常业务行为识别方法。
41.本发明实施例中，通过对用户交易数据进行数据清洗及数据关系图谱构建，得到数据关系图谱，展示出用户交易数据中数据之间的关系，并根据向量化后的数据关系图谱
进行模型训练，得到异常识别模型，根据异常识别模型识别出待识别数据中的异常数据。基于大数据技术和机器学习的异常识别引擎对历史交易进行计算，可疑有效提高异常业务行为识别工作的合规性和有效性，同时可以有效缩减人工复核的工作量，并保证异常业务行为识别的准确度。
42.因此本发明提出的异常业务行为识别方法、装置、电子设备及存储介质，可以解决异常业务行为识别的准确度较低的问题。
附图说明
43.图1为本发明一实施例提供的异常业务行为识别方法的流程示意图；
44.图2为图1中其中一个步骤的详细实施流程示意图；
45.图3为本发明一实施例提供的异常业务行为识别装置的功能模块图；
46.图4为本发明一实施例提供的实现所述异常业务行为识别方法的电子设备的结构示意图。
47.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
48.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
49.本技术实施例提供一种异常业务行为识别方法。所述异常业务行为识别方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述异常业务行为识别方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(contentdelivery network， cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
50.参照图1所示，为本发明一实施例提供的异常业务行为识别方法的流程示意图。在本实施例中，所述异常业务行为识别方法包括以下步骤s1-s4：
51.s1、接收预设业务系统传送的用户基本信息及用户交易数据，对所述用户交易数据进行数据清洗，得到标准交易数据。
52.本发明实施例中，所述预设业务系统一般是指不同领域中包含大量业务数据的平台或者系统，例如，金融业务系统、银行业务系统、企业业务系统和行业系统等，其中，在本方案中，所述预设业务系统为金融业务系统。
53.具体地，所述接收预设业务系统传送的用户基本信息及用户交易数据，包括：
54.获取所述预设业务系统中的开户回答问卷，并提取出所述开户回答问卷中的信息作为用户基本信息；
55.提取所述预设业务系统中的用户交易数据，并利用开源工具将所述用户基本信息和所述用户交易信息抽取出来。
56.详细地，用户在所述预设业务系统进行交易的前提就是要开户，在开户时需要填写自己的个人信息以及回答问卷，其中问卷中则包含了客户的基本信息。
57.其中，所述开源工具为sqoop，其中，sqoop是一款开源的工具，主要用于在hadoop与传统的数据库间进行数据的传递，在本方案中，通过sqoop将用户的信息及交易数据从业务系统抽取到大数据平台。
58.进一步地，参照图2所示，所述对所述用户交易数据进行数据清洗，得到标准交易数据，包括包括以下步骤s11-s13：
59.s11、对所述用户交易数据进行异常值识别及缺失值填充，得到初始交易数据；
60.s12、根据预设交易时间将所述初始交易数据进行时间配置处理，得到配置交易数据；
61.s13、将所述配置交易数据进行落表处理，得到标准交易数据。
62.详细地，所述时间配置是指按照要求将所述初始交易数据配置为月、天、时、分。
63.s2、提取出所述标准交易数据对应的数据标签并根据所述标准交易数据构建数据关系图谱。
64.本发明实施例中，所述标准交易数据对应的数据标签可以作为后续模型训练的训练数据，所述数据关系图谱可以直观展示出标准交易数据之间的数据关系。
65.具体地，所述提取出所述标准交易数据对应的数据标签，包括：
66.获取预设的标签参考库，所述标签参考库中包含不同的参考标签及所述参考标签对应的交易数据；
67.将所述标准交易数据与所述标签参考库中的参考标签对应的交易数据进行数据比对，将所述数据比对一致的交易数据对应的参考标签作为数据标签。
68.详细地，所述标签参考库中包含多个不用的参考标签，其中，所述参考标签可以为异常业务，也可以为正常业务的参考标签。所述参考标签对应的交易数据是指异常业务情况下的相关交易数据，例如，长期闲置的账户原因不明的突然启动或者资金流量小的账户突然有异常的资金流入，且在短期内出现大量资金收付。
69.进一步地，所述根据所述标准交易数据构建数据关系图谱，包括：
70.抽取所述标准交易数据中的不同数据源的用户特征数据；
71.对所述用户特征数据中的预设数据进行拓扑关联，得到关系网络；
72.将所述用户特征数据按照所述关系网络存入图数据库中，得到数据关系图谱。
73.详细地，所述用户特征数据可以为用户id、设备号、用户号码等相关数据，所述预设数据是指定的某种类别的数据，可以根据不同的情况进行指定，此处不做限定。
74.s3、利用预设逻辑回归算法对所述数据关系图谱进行向量化处理，得到图谱特征向量，并根据所述图谱特征向量和所述数据标签对预设半监督机器学习模型进行训练处理，得到异常识别模型。
75.本发明实施例中，所述逻辑回归算法(logistic regression)是一种广义的线性回归分析模型，可以利用所述预设逻辑回归算法对所述数据关系图谱进行向量化处理，得到所述数据关系图谱对应的图谱特征向量。
76.具体地，所述根据所述图谱特征向量和所述数据标签对预设半监督机器学习模型进行训练处理，得到异常识别模型，包括：
77.将所述图谱特征向量和所述数据标签输入至所述预设半监督机器学习模型中，得到初始识别结果；
78.判断所述初始识别结果与预设标准识别结果是否一致；
79.若所述初始识别结果与所述预设标准识别结果一致，则将所述预设半监督机器学习模型输出为异常识别模型；
80.若所述初始识别结果与所述预设标准识别结果不一致，则调整所述预设半监督机器学习模型的模型参数并进行再次训练处理，直至再次训练的识别结果与所述预设标准识别结果一致，则将调整模型参数后的预设半监督机器学习模型输出为异常识别模型。
81.详细地，所述预设半监督机器学习模型是处于监督机器学习模型和无监督机器学习模型之间的一种学习模型。
82.s4、获取待识别行为数据，将所述待识别行为数据输入至所述异常识别模型中，得到异常业务识别结果。
83.本发明实施例中，所述获取待识别行为数据，包括：
84.基于预设的埋点数据采集方法从业务平台中获取待识别行为数据。
85.详细地，所述埋点数据采集方法是指在所述业务平台上的原来的业务代码加上埋点代码。这样，在某个事件发生时就调用业务平台里面相应的数据发送接口发送数据。例如，预统计app里面某个按钮的点击次数，则在app 的某个按钮被点击时，可以在这个按钮对应的onclick函数里面调用sdk提供的数据发送接口来发送数据，sdk使用http协议将数据发送到后端服务器中。
86.具体地，所述将所述待识别行为数据输入至所述异常识别模型中，得到异常业务识别结果，所述异常识别模型可以识别出所述待识别行为数据中的异常行为。
87.本发明实施例中，通过对用户交易数据进行数据清洗及数据关系图谱构建，得到数据关系图谱，展示出用户交易数据中数据之间的关系，并根据向量化后的数据关系图谱进行模型训练，得到异常识别模型，根据异常识别模型识别出待识别数据中的异常数据。基于大数据技术和机器学习的异常识别引擎对历史交易进行计算，可疑有效提高异常业务行为识别工作的合规性和有效性，同时可以有效缩减人工复核的工作量，并保证异常业务行为识别的准确度。因此本发明提出的异常业务行为识别方法可以解决异常业务行为识别的准确度较低的问题。
88.如图3所示，是本发明一实施例提供的异常业务行为识别装置的功能模块图。
89.本发明所述异常业务行为识别装置100可以安装于电子设备中。根据实现的功能，所述异常业务行为识别装置100可以包括数据清洗模块101、图谱构建模块102、模型训练模块103及异常识别模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
90.在本实施例中，关于各模块/单元的功能如下：
91.所述数据清洗模块101，用于接收预设业务系统传送的用户基本信息及用户交易数据，对所述用户交易数据进行数据清洗，得到标准交易数据；
92.所述图谱构建模块102，用于提取出所述标准交易数据对应的数据标签并根据所述标准交易数据构建数据关系图谱；
93.所述模型训练模块103，用于利用预设逻辑回归算法对所述数据关系图谱进行向量化处理，得到图谱特征向量，并根据所述图谱特征向量和所述数据标签对预设半监督机
器学习模型进行训练处理，得到异常识别模型；
94.所述异常识别模块104，用于获取待识别行为数据，将所述待识别行为数据输入至所述异常识别模型中，得到异常业务识别结果。
95.详细地，所述异常业务行为识别装置100各模块的具体实施方式如下：
96.步骤一、接收预设业务系统传送的用户基本信息及用户交易数据，对所述用户交易数据进行数据清洗，得到标准交易数据。
97.本发明实施例中，所述预设业务系统一般是指不同领域中包含大量业务数据的平台或者系统，例如，金融业务系统、银行业务系统、企业业务系统和行业系统等，其中，在本方案中，所述预设业务系统为金融业务系统。
98.具体地，所述接收预设业务系统传送的用户基本信息及用户交易数据，包括：
99.获取所述预设业务系统中的开户回答问卷，并提取出所述开户回答问卷中的信息作为用户基本信息；
100.提取所述预设业务系统中的用户交易数据，并利用开源工具将所述用户基本信息和所述用户交易信息抽取出来。
101.详细地，用户在所述预设业务系统进行交易的前提就是要开户，在开户时需要填写自己的个人信息以及回答问卷，其中问卷中则包含了客户的基本信息。其中，所述开源工具为sqoop，其中，sqoop是一款开源的工具，主要用于在hadoop与传统的数据库间进行数据的传递，在本方案中，通过sqoop 将用户的信息及交易数据从业务系统抽取到大数据平台。
102.进一步地，所述对所述用户交易数据进行数据清洗，得到标准交易数据，包括：
103.对所述用户交易数据进行异常值识别及缺失值填充，得到初始交易数据；
104.根据预设交易时间将所述初始交易数据进行时间配置处理，得到配置交易数据；
105.将所述配置交易数据进行落表处理，得到标准交易数据。
106.详细地，所述时间配置是指按照要求将所述初始交易数据配置为月、天、时、分。步骤二、提取出所述标准交易数据对应的数据标签并根据所述标准交易数据构建数据关系图谱。
107.本发明实施例中，所述标准交易数据对应的数据标签可以作为后续模型训练的训练数据，所述数据关系图谱可以直观展示出标准交易数据之间的数据关系。
108.具体地，所述提取出所述标准交易数据对应的数据标签，包括：
109.获取预设的标签参考库，所述标签参考库中包含不同的参考标签及所述参考标签对应的交易数据；
110.将所述标准交易数据与所述标签参考库中的参考标签对应的交易数据进行数据比对，将所述数据比对一致的交易数据对应的参考标签作为数据标签。
111.详细地，所述标签参考库中包含多个不用的参考标签，其中，所述参考标签可以为异常业务，也可以为正常业务的参考标签。所述参考标签对应的交易数据是指异常业务情况下的相关交易数据，例如，长期闲置的账户原因不明的突然启动或者资金流量小的账户突然有异常的资金流入，且在短期内出现大量资金收付。
112.进一步地，所述根据所述标准交易数据构建数据关系图谱，包括：
113.抽取所述标准交易数据中的不同数据源的用户特征数据；
114.对所述用户特征数据中的预设数据进行拓扑关联，得到关系网络；
115.将所述用户特征数据按照所述关系网络存入图数据库中，得到数据关系图谱。
116.详细地，所述用户特征数据可以为用户id、设备号、用户号码等相关数据，所述预设数据是指定的某种类别的数据，可以根据不同的情况进行指定，此处不做限定。
117.步骤三、利用预设逻辑回归算法对所述数据关系图谱进行向量化处理，得到图谱特征向量，并根据所述图谱特征向量和所述数据标签对预设半监督机器学习模型进行训练处理，得到异常识别模型。
118.本发明实施例中，所述逻辑回归算法(logistic regression)是一种广义的线性回归分析模型，可以利用所述预设逻辑回归算法对所述数据关系图谱进行向量化处理，得到所述数据关系图谱对应的图谱特征向量。
119.具体地，所述根据所述图谱特征向量和所述数据标签对预设半监督机器学习模型进行训练处理，得到异常识别模型，包括：
120.将所述图谱特征向量和所述数据标签输入至所述预设半监督机器学习模型中，得到初始识别结果；
121.判断所述初始识别结果与预设标准识别结果是否一致；
122.若所述初始识别结果与所述预设标准识别结果一致，则将所述预设半监督机器学习模型输出为异常识别模型；
123.若所述初始识别结果与所述预设标准识别结果不一致，则调整所述预设半监督机器学习模型的模型参数并进行再次训练处理，直至再次训练的识别结果与所述预设标准识别结果一致，则将调整模型参数后的预设半监督机器学习模型输出为异常识别模型。
124.详细地，所述预设半监督机器学习模型是处于监督机器学习模型和无监督机器学习模型之间的一种学习模型。
125.步骤四、获取待识别行为数据，将所述待识别行为数据输入至所述异常识别模型中，得到异常业务识别结果。
126.本发明实施例中，所述获取待识别行为数据，包括：
127.基于预设的埋点数据采集方法从业务平台中获取待识别行为数据。
128.详细地，所述埋点数据采集方法是指在所述业务平台上的原来的业务代码加上埋点代码。这样，在某个事件发生时就调用业务平台里面相应的数据发送接口发送数据。例如，预统计app里面某个按钮的点击次数，则在app 的某个按钮被点击时，可以在这个按钮对应的onclick函数里面调用sdk提供的数据发送接口来发送数据，sdk使用http协议将数据发送到后端服务器中。
129.具体地，所述将所述待识别行为数据输入至所述异常识别模型中，得到异常业务识别结果，所述异常识别模型可以识别出所述待识别行为数据中的异常行为。
130.本发明实施例中，通过对用户交易数据进行数据清洗及数据关系图谱构建，得到数据关系图谱，展示出用户交易数据中数据之间的关系，并根据向量化后的数据关系图谱进行模型训练，得到异常识别模型，根据异常识别模型识别出待识别数据中的异常数据。基于大数据技术和机器学习的异常识别引擎对历史交易进行计算，可疑有效提高异常业务行为识别工作的合规性和有效性，同时可以有效缩减人工复核的工作量，并保证异常业务行为识别的准确度。
131.因此本发明提出的异常业务行为识别装置可以解决异常业务行为识别的准确度
较低的问题。
132.如图4所示，是本发明一实施例提供的实现异常业务行为识别方法的电子设备的结构示意图。
133.所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如异常业务行为识别程序。
134.其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit， cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行异常业务行为识别程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
135.所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital， sd)卡、闪存卡(flash card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如异常业务行为识别程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
136.所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect，简称pci)总线或扩展工业标准结构(extended industrystandard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
137.所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如 wi-fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(display)、输入单元(比如键盘 (keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
138.图4仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图4 示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
139.例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管
理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
140.应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
141.所述电子设备1中的所述存储器11存储的异常业务行为识别程序是多个指令的组合，在所述处理器10中运行时，可以实现：
142.接收预设业务系统传送的用户基本信息及用户交易数据，对所述用户交易数据进行数据清洗，得到标准交易数据；
143.提取出所述标准交易数据对应的数据标签并根据所述标准交易数据构建数据关系图谱；
144.利用预设逻辑回归算法对所述数据关系图谱进行向量化处理，得到图谱特征向量，并根据所述图谱特征向量和所述数据标签对预设半监督机器学习模型进行训练处理，得到异常识别模型；
145.获取待识别行为数据，将所述待识别行为数据输入至所述异常识别模型中，得到异常业务识别结果。
146.具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
147.进一步地，所述电子设备1集成的模块/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，可以存储在一个存储介质中。所述存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)。
148.本发明还提供一种存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
149.接收预设业务系统传送的用户基本信息及用户交易数据，对所述用户交易数据进行数据清洗，得到标准交易数据；
150.提取出所述标准交易数据对应的数据标签并根据所述标准交易数据构建数据关系图谱；
151.利用预设逻辑回归算法对所述数据关系图谱进行向量化处理，得到图谱特征向量，并根据所述图谱特征向量和所述数据标签对预设半监督机器学习模型进行训练处理，得到异常识别模型；
152.获取待识别行为数据，将所述待识别行为数据输入至所述异常识别模型中，得到异常业务识别结果。
153.在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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，所述模块的划分，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。
154.所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。
155.另外，在本发明各个实施例中的各功能模块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，也可以采用硬件加软件功能模块的形式实现。
156.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
157.因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
158.本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
159.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
160.此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
161.最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。