一种异常消费的控制方法及装置、电子设备、存储介质与流程

1.本技术涉及交易处理技术领域，尤其涉及一种异常消费的控制方法及装置、电子设备、存储介质。


背景技术：

2.伴随着互联网的迅速发展，线上的消费方式越来越普及，其中，用户可以通过手机银行或者其他第三方绑定银行来完成线上消费，但由于互联网中信息繁杂，存在许多扣款会在用户不知情的情况下完成，从而用户带来经济损失，因此能有效地识别出用户潜在的线上异常消费行为显得尤为重要。
3.在现有的方式中，主要通过设定一定的限额规则对用户的消费行为进行拦截，即当用户的消费额度满足限额规则时，系统会自动拦截该用户目前的消费行为，并提示该用户目前的消费行为可能存在异常，以实现识别用户的异常消费行为。
4.但是，由于现有技术是通过设定限额规则对用户的消费行为进行拦截，从而导致对用户自主发起的大额交易行为进行无差别拦截，无法有效地识别出用户的自主行为，不够得灵活便利。


技术实现要素：

5.基于上述现有技术的不足，本技术提供了一种异常消费的控制方法及装置、电子设备、存储介质，以解决现有技术无法有效地识别出用户的自主行为，不够得灵活便利的问题。
6.为了实现上述目的，本技术提供了以下技术方案：
7.本技术第一方面提供了一种异常消费的控制方法，包括：
8.接收目标用户发起的当前消费行为的交易请求；其中，所述交易请求至少包括消费发起方式以及交易时间；
9.获取所述当前消费行为对应的当前消费属性；
10.利用所述当前消费行为对应的消费属性与所述目标用户的历史消费行为基线的距离，以及所述当前消费行为对应的消费属性与所述目标用户的家庭组的历史消费行为基线的距离，构建所述目标用户对应的当前消费行为特征；其中，所述目标用户的历史消费行为基线预先利用所述目标用户在历史时间段内的历史消费行为对应的历史消费属性进行聚类得到；所述目标用户的家庭组的历史消费行为基线预先利用所述目标用户的家庭组在历史时间段内的历史消费行为对应的历史消费属性进行聚类得到；
11.将所述目标用户对应的当前消费行为特征输入异常识别模型中，得到所述目标用户的当前消费行为对应的异常值；其中，所述异常识别模型预先利用多个样本用户的历史消费行为特征训练得到；
12.若所述目标用户的当前消费行为对应的异常值大于所述预设阈值，则采用复杂校验方式对所述目标用户进行校验。
13.可选地，在上述的异常消费的控制方法中，所述异常识别模型的训练方法，包括：
14.接收多个样本用户发起的历史消费行为的交易请求；
15.分别针对各个所述样本用户，获取所述样本用户的历史消费行为对应的历史消费属性；
16.利用所述样本用户的历史消费行为对应的历史消费属性与所述样本用户的历史消费行为基线的距离，以及所述样本用户的历史消费行为对应的历史消费属性与所述样本用户的家庭组的历史消费行为基线的距离，构建所述样本用户对应的历史消费行为特征；
17.分别将各个所述样本用户对应的历史消费行为特征输入预先训练好的所述异常识别模型中，通过所述异常识别模型得到所述样本用户的历史消费行为对应的异常值；
18.基于各个所述样本用户的历史消费行为对应的异常值，判断所述异常识别模型的损失函数是否收敛；
19.若判断出所述异常识别模型的损失函数收敛，则将所述异常识别模型确定为训练好的异常识别模型；
20.若判断出所述异常识别模型的损失函数未收敛，则调整所述异常识别模型的参数，返回执行所述分别将各个所述样本用户对应的历史消费行为特征输入预先训练好的所述异常识别模型中，通过所述异常识别模型得到所述样本用户的历史消费行为对应的异常值。
21.可选地，在上述的异常消费的控制方法中，所述目标用户的历史消费行为基线的获取方法，包括：
22.获取所述目标用户在历史时间段内的各个历史消费行为；
23.对所述目标用户在历史时间段内的各个历史消费行为进行属性特征提取，得到所述目标用户的各个历史消费行为对应的历史消费属性；
24.对所述目标用户的各个历史消费行为对应的历史消费属性进行聚类，得到第一聚类结果；
25.基于所述第一聚类结果，得到所述目标用户的历史消费行为基线。
26.可选地，在上述的异常消费的控制方法中，所述目标用户的家庭组的历史消费行为基线的获取方法，包括：
27.获取所述目标用户的家庭组在历史时间段内的各个历史消费行为；
28.对所述目标用户的家庭组在历史时间段内的各个历史消费行为进行属性特征提取，得到所述目标用户的家庭组的各个历史消费行为对应的历史消费属性；
29.对所述目标用户的家庭组的各个历史消费行为对应的历史消费属性进行聚类，得到第二聚类结果；
30.基于所述第二聚类结果，得到所述目标用户的家庭组的历史消费行为基线。
31.可选地，在上述的异常消费的控制方法中，所述采用复杂校验方式对所述目标用户进行校验，包括：
32.判断所述目标用户输入的手机验证以及交易密码是否均正确；
33.若判断出所述目标用户输入的手机验证以及交易密码均正确，则对所述目标用户进行人脸识别；
34.若所述目标用户通过人脸识别，则确定所述目标用户通过校验；
35.若判断出所述目标用户输入的手机验证以及交易密码均不正确，或者若所述目标用户未通过人脸识别，则确定所述目标用户未通过校验。
36.本技术第二方面提供了一种异常消费的控制装置，包括：
37.第一接收单元，用于接收目标用户发起的当前消费行为的交易请求；其中，所述交易请求至少包括消费发起方式以及交易时间；
38.第一获取单元，用于获取所述当前消费行为对应的当前消费属性；
39.第一构建单元，用于利用所述当前消费行为对应的消费属性与所述目标用户的历史消费行为基线的距离，以及所述当前消费行为对应的消费属性与所述目标用户的家庭组的历史消费行为基线的距离，构建所述目标用户对应的当前消费行为特征；其中，所述目标用户的历史消费行为基线预先利用所述目标用户在历史时间段内的历史消费行为对应的历史消费属性进行聚类得到；所述目标用户的家庭组的历史消费行为基线预先利用所述目标用户的家庭组在历史时间段内的历史消费行为对应的历史消费属性进行聚类得到；
40.第一输入单元，用于将所述目标用户对应的当前消费行为特征输入异常识别模型中，得到所述目标用户的当前消费行为对应的异常值；其中，所述异常识别模型预先利用多个样本用户的历史消费行为特征训练得到；
41.校验单元，用于若所述目标用户的当前消费行为对应的异常值大于所述预设阈值，则采用复杂校验方式对所述目标用户进行校验。
42.可选地，在上述的异常消费的控制装置中，还包括：
43.第二接收单元，用于接收多个样本用户发起的历史消费行为的交易请求；
44.第二获取单元，用于分别针对各个所述样本用户，获取所述样本用户的历史消费行为对应的历史消费属性；
45.第二构建单元利用所述样本用户的历史消费行为对应的历史消费属性与所述样本用户的历史消费行为基线的距离，以及所述样本用户的历史消费行为对应的历史消费属性与所述样本用户的家庭组的历史消费行为基线的距离，构建所述样本用户对应的历史消费行为特征；
46.第二输入单元，用于分别将各个所述样本用户对应的历史消费行为特征输入预先训练好的所述异常识别模型中，通过所述异常识别模型得到所述样本用户的历史消费行为对应的异常值；
47.第一判断单元，用于基于各个所述样本用户的历史消费行为对应的异常值，判断所述异常识别模型的损失函数是否收敛；
48.第一确定单元，用于若判断出所述异常识别模型的损失函数收敛，则将所述异常识别模型确定为训练好的异常识别模型；
49.调整单元，用于若判断出所述异常识别模型的损失函数未收敛，则调整所述异常识别模型的参数，返回执行所述分别将各个所述样本用户对应的历史消费行为特征输入预先训练好的所述异常识别模型中，通过所述异常识别模型得到所述样本用户的历史消费行为对应的异常值。
50.可选地，在上述的异常消费的控制装置中，还包括：
51.第三获取单元，用于获取所述目标用户在历史时间段内的各个历史消费行为；
52.第一提取单元，用于对所述目标用户在历史时间段内的各个历史消费行为进行属
性特征提取，得到所述目标用户的各个历史消费行为对应的历史消费属性；
53.第一聚类单元，用于对所述目标用户的各个历史消费行为对应的历史消费属性进行聚类，得到第一聚类结果；
54.第一得到单元，用于基于所述第一聚类结果，得到所述目标用户的历史消费行为基线。
55.可选地，在上述的异常消费的控制装置中，还包括：
56.第四获取单元，用于获取所述目标用户的家庭组在历史时间段内的各个历史消费行为；
57.第二提取单元，用于对所述目标用户的家庭组在历史时间段内的各个历史消费行为进行属性特征提取，得到所述目标用户的家庭组的各个历史消费行为对应的历史消费属性；
58.第二聚类单元，用于对所述目标用户的家庭组的各个历史消费行为对应的历史消费属性进行聚类，得到第二聚类结果；
59.第二得到单元，用于基于所述第二聚类结果，得到所述目标用户的家庭组的历史消费行为基线。
60.可选地，在上述的异常消费的控制装置中，所述校验单元，包括：
61.第二判断单元，用于判断所述目标用户输入的手机验证以及交易密码是否均正确；
62.人脸识别单元，用于若判断出所述目标用户输入的手机验证以及交易密码均正确，则对所述目标用户进行人脸识别；
63.第二确定单元，用于若所述目标用户通过人脸识别，则确定所述目标用户通过校验；
64.第三确定单元，用于若判断出所述目标用户输入的手机验证以及交易密码均不正确，或者若所述目标用户未通过人脸识别，则确定所述目标用户未通过校验。
65.本技术第三方面提供了一种电子设备，包括：
66.存储器和处理器；
67.其中，所述存储器用于存储程序；
68.所述处理器用于执行所述程序，所述程序被执行时，具体用于实现如权利要求1至5任意一项所述的一种异常消费的控制方法。
69.本技术第四方面提供了一种计算机存储介质，用于存储计算机程序，所述计算机程序被执行时，用于实现如权利要求1至5任意一项所述的一种异常消费的控制方法。
70.本技术提供的一种异常消费的控制方法，通过接收目标用户发起的当前消费行为的交易请求，其次获取当前消费行为对应的当前消费属性，然后利用当前消费行为对应的消费属性与目标用户的历史消费行为基线的距离，以及当前消费行为对应的消费属性与目标用户的家庭组的历史消费行为基线的距离，构建目标用户对应的当前消费行为特征，接着将目标用户对应的当前消费行为特征输入异常识别模型中，得到目标用户的当前消费行为对应的异常值，其中，异常识别模型预先利用多个样本用户的历史消费行为特征训练得到，最后若目标用户的当前消费行为对应的异常值大于预设阈值，则采用复杂校验方式对目标用户进行校验。从而不再通过设定限额规则对用户的消费行为进行拦截，而是通过异
常识别模型得到用户消费消费行为的异常值，来进行异常行为预警，有效地保障用户的财产安全。
附图说明
71.为了更清楚地说明本技术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技术的实施例，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，还可以根据提供的附图获得其他的附图。
72.图1为本技术实施例提供的一种异常消费的控制方法的流程图；
73.图2为本技术实施例提供的一种目标用户的历史消费行为基线的获取方法的流程图；
74.图3为本技术实施例提供的一种目标用户的家庭组的历史消费行为基线的获取方法的流程图；
75.图4为本技术实施例提供的一种异常识别模型的训练方法的流程图；
76.图5为本技术实施例提供的一种复杂校验的方法的流程图；
77.图6为本技术另一实施例提供的一种异常消费的控制装置的结构示意图；
78.图7为本技术另一实施例提供的一种电子设备的结构示意图。
具体实施方式
79.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
80.在本技术中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
81.本技术实施例提供了一种异常消费的控制方法，如图1所示，具体包括以下步骤：
82.s101、接收目标用户发起的当前消费行为的交易请求。
83.其中，交易请求可以包括消费发起方式以及交易时间，还可以包括消费设备、交易时间、交易金额、交易对手名称、收款方账号、收款方开户行、当日已交易金额、交易类型、当月单笔交易最大金额、当月平均交易金额、常用消费类型等等。
84.s102、获取当前消费行为对应的当前消费属性。
85.具体的，需要预先对目标用户发起的当前消费行为进行属性特征提取，减少数据维度,整理已有的数据特征，从而得到当前消费行为对应的当前消费属性，便于后续有效地识别异常风险行为。
86.s103、利用当前消费行为对应的消费属性与目标用户的历史消费行为基线的距离，以及当前消费行为对应的消费属性与目标用户的家庭组的历史消费行为基线的距离，构建目标用户对应的当前消费行为特征。
87.其中，目标用户的历史消费行为基线预先利用目标用户在历史时间段内的历史消费行为对应的历史消费属性进行聚类得到，目标用户的家庭组的历史消费行为基线预先利用目标用户的家庭组在历史时间段内的历史消费行为对应的历史消费属性进行聚类得到。需要说明的是，在本技术实施例中，聚类中心是作为用户及其家庭组的历史消费行为基线，以便计算消费行为之间的相似度，准确地预测潜在风险。
88.具体的，还需要利用目标用户的家庭组的历史消费行为的基线权重w，当前消费行为对应的消费属性与目标用户的历史消费行为基线的距离d1，以及当前消费行为对应的消费属性与目标用户的家庭组的历史消费行为基线的距离d2，共同构建目标用户对应的当前消费消费行为特征[d1,w*d2]。
[0089]
可选地，本技术实施例提供了一种目标用户的历史消费行为基线的获取方法，如图2所示，包括以下步骤：
[0090]
s201、获取目标用户在历史时间段内的各个历史消费行为。
[0091]
需要说明的是，用户的消费具有多样化的特点，但通常具有一定的规律性，为了能及时准确地识别出风险异常消费行为，并给用户进行预警，所以需要执行步骤s201用于后续的数据分析。
[0092]
可选地，历史时间段可以是过去一年的时间，当然，具体的可以根据需求进行设定。
[0093]
s202、对目标用户在历史时间段内的各个历史消费行为进行属性特征提取，得到目标用户的各个历史消费行为对应的历史消费属性。
[0094]
需要说明的是，步骤s202的具体实施方式可相应地参考步骤s102，此处不再赘述。
[0095]
s203、对目标用户的各个历史消费行为对应的历史消费属性进行聚类，得到第一聚类结果。
[0096]
需要说明的是，为了后续能得到目标用户的消费行为基线，也为了能将目标用户在各项特征上趋于一个普便的数据，并将一些不必要的特征进行排除，即将一些不属于常态化的交易的特征排除，所以可以通过聚类的方式以使得后续步骤可以得到行为基线。
[0097]
s204、基于第一聚类结果，得到目标用户的历史消费行为基线。
[0098]
具体的，可以将第一聚类结果中的各个类簇的聚类中心进行组合，从而得到行为基线。
[0099]
可选地，本技术实施例提供了一种目标用户的家庭组的历史消费行为基线的获取方法，如图3所示，包括以下步骤：
[0100]
s301、获取目标用户的家庭组在历史时间段内的各个历史消费行为。
[0101]
需要说明的是，除了用户本人的消费行为外，用户的家庭组的消费行为也可能会对用户的消费行为产生间接的影响，因此还需要获取目标用户的家庭组在历史时间段内的各个历史消费行为用于分析用户的消费行为分析。
[0102]
s302、对目标用户的家庭组在历史时间段内的各个历史消费行为进行属性特征提取，得到目标用户的家庭组的各个历史消费行为对应的历史消费属性。
[0103]
需要说明的是，步骤s302的具体实施方式可相应地参考步骤s102，此处不再赘述。
[0104]
s303、对目标用户的家庭组的各个历史消费行为对应的历史消费属性进行聚类，得到第二聚类结果。
[0105]
需要说明的是，步骤s303的具体实施方式可相应地参考步骤s203，此处不再赘述。
[0106]
s304、基于第二聚类结果，得到目标用户的家庭组的历史消费行为基线。
[0107]
s104、将目标用户对应的当前消费行为特征输入异常识别模型中，得到目标用户的当前消费行为对应的异常值。
[0108]
其中，异常识别模型预先利用多个样本用户的历史消费行为特征训练得到。
[0109]
可选地，异常识别模型可以基于单分类算法(one class svm)的无监督算法进行构建，所以在本技术实施例中，基于无监督学习机制对推荐模型进行训练，得到训练结果。
[0110]
可选地，本技术实施例提供了一种异常识别模型的训练方法，如图4所示，包括以下步骤：
[0111]
s401、接收多个样本用户发起的历史消费行为的交易请求。
[0112]
s402、分别针对各个样本用户，获取样本用户的历史消费行为对应的历史消费属性。
[0113]
需要说明的是，步骤s402的具体实施方式可相应地参考步骤s102，此处不再赘述。
[0114]
s403、利用样本用户的历史消费行为对应的历史消费属性与样本用户的历史消费行为基线的距离，以及样本用户的历史消费行为对应的历史消费属性与样本用户的家庭组的历史消费行为基线的距离，构建样本用户对应的历史消费行为特征。
[0115]
需要说明的是，步骤s403的具体实施方式可相应地参考步骤s103，此处不再赘述。
[0116]
s404、分别将各个样本用户对应的历史消费行为特征输入预先训练好的异常识别模型中，通过异常识别模型得到样本用户的历史消费行为对应的异常值。
[0117]
可选地，异常识别模型可以基于单分类算法(one class svm)的无监督算法进行构建，所以在本技术实施例中，基于无监督学习机制对推荐模型进行训练，得到训练结果。
[0118]
s405、基于各个样本用户的历史消费行为对应的异常值，判断异常识别模型的损失函数是否收敛。
[0119]
需要说明的是，模型的损失函数越小，代表模型的鲁棒性就越好，所以在本技术实施例中，需要基于各个样本用户的历史消费行为对应的异常值，判断异常识别模型的损失函数是否收敛，若判断出异常识别模型的损失函数收敛，说明模型的训练结果达到预期要求，因此需要执行步骤s406。若判断出异常识别模型的损失函数未收敛，说明需要对异常识别模型进行迭代训练，则执行步骤s407。
[0120]
s406、将异常识别模型确定为训练好的异常识别模型。
[0121]
s407、调整异常识别模型的参数。
[0122]
需要说明的是，当判断出异常识别模型的损失函数未收敛时，需要返回执行步骤s404，直至异常识别模型的损失函数达到收敛效果。
[0123]
s105、判断目标用户的当前消费行为对应的异常值是否大于预设阈值。
[0124]
需要说明的是，在本技术实施例中，是对用户发起的当前消费行为进行事中检测，可以有效地识别用户潜在的线上异常消费行为，因此相应地预先设置了一个风险值，针对步骤s104得到异常值进行进一步的判定，即判断目标用户的当前消费行为对应的异常值是
否大于预设阈值，若判断出目标用户的当前消费行为对应的异常值大于预设阈值，说明该目标用户的消费行为存在的风险系数很高，需要对目标用户的身份进行多重校验，因此需要执行步骤s106。若判断出目标用户的当前消费行为对应的异常值不大于预设阈值，说明该目标用户的消费行为存在的风险系数低，只需要对目标用户采取常规的验证方式即可，例如，发送手机验证码或者是判断交易密码是否输入正确的方式。
[0125]
s106、采用复杂校验方式对目标用户进行校验。
[0126]
具体的，若目标用户通过复杂校验，则从目标用户的账户进行扣款。
[0127]
可选地，在本技术另一实施例中，步骤s106的一种具体实施方式，如图5所示，包括以下步骤：
[0128]
s501、判断目标用户输入的手机验证以及交易密码是否均正确。
[0129]
具体的，为了防止扣款方在用户本人或者是未成年人在监护人未知的情况下进行交易，损害用户的财产安全，所以需要判断目标用户输入的手机验证以及交易密码是否均正确，若判断出目标用户输入的手机验证以及交易密码均正确，还需进一步判断是否为用户本人进行防止，防止他人利用用户的账户进行交易，因此需要执行步骤s502，若判断出目标用户输入的手机验证以及交易密码均不正确，说明此次交易可能存在风险，则执行步骤s505。
[0130]
s502、对目标用户进行人脸识别。
[0131]
s503、判断目标用户是否通过人脸识别。
[0132]
具体的，若判断出目标用户通过人脸识别，则执行步骤s504，若判断出目标用户未通过人脸识别，则执行步骤s505。
[0133]
s504、确定目标用户通过校验。
[0134]
s505、确定目标用户未通过校验。
[0135]
需要说明的是，当确定出目标用户未通过校验时，可以以短信的方式通知目标用户当前的消费行为存在风险。
[0136]
本技术提供的一种异常消费的控制方法，通过接收目标用户发起的当前消费行为的交易请求，其次获取当前消费行为对应的当前消费属性，然后利用当前消费行为对应的消费属性与目标用户的历史消费行为基线的距离，以及当前消费行为对应的消费属性与目标用户的家庭组的历史消费行为基线的距离，构建目标用户对应的当前消费行为特征，接着将目标用户对应的当前消费行为特征输入异常识别模型中，得到目标用户的当前消费行为对应的异常值，其中，异常识别模型预先利用多个样本用户的历史消费行为特征训练得到，最后若目标用户的当前消费行为对应的异常值大于预设阈值，则采用复杂校验方式对目标用户进行校验。从而不再通过设定限额规则对用户的消费行为进行拦截，而是通过异常识别模型得到用户消费消费行为的异常值，来进行异常行为预警，有效地保障用户的财产安全。
[0137]
本技术另一实施例提供了一种异常消费的控制装置，如图6所示，包括以下单元：
[0138]
第一接收单元601，用于接收目标用户发起的当前消费行为的交易请求。
[0139]
其中，交易请求至少包括消费发起方式以及交易时间。
[0140]
第一获取单元602，用于获取当前消费行为对应的当前消费属性。
[0141]
第一构建单元603，用于利用当前消费行为对应的消费属性与目标用户的历史消
费行为基线的距离，以及当前消费行为对应的消费属性与目标用户的家庭组的历史消费行为基线的距离，构建目标用户对应的当前消费行为特征。
[0142]
其中，目标用户的历史消费行为基线预先利用目标用户在历史时间段内的历史消费行为对应的历史消费属性进行聚类得到，目标用户的家庭组的历史消费行为基线预先利用目标用户的家庭组在历史时间段内的历史消费行为对应的历史消费属性进行聚类得到。
[0143]
第一输入单元604，用于将目标用户对应的当前消费行为特征输入异常识别模型中，得到目标用户的当前消费行为对应的异常值。
[0144]
其中，异常识别模型预先利用多个样本用户的历史消费行为特征训练得到。
[0145]
校验单元605，用于若目标用户的当前消费行为对应的异常值大于预设阈值，则采用复杂校验方式对目标用户进行校验。
[0146]
需要说明的是，本技术实施例中的上述单元的具体工作过程可相应地参考上述方法实施例中的步骤s101～步骤s106，此处不再赘述。
[0147]
可选地，本技术另一实施例提供的一种异常消费的控制装置中，还包括以下单元：
[0148]
第二接收单元，用于接收多个样本用户发起的历史消费行为的交易请求。
[0149]
第二获取单元，用于分别针对各个样本用户，获取样本用户的历史消费行为对应的历史消费属性。
[0150]
第二构建单元利用样本用户的历史消费行为对应的历史消费属性与样本用户的历史消费行为基线的距离，以及样本用户的历史消费行为对应的历史消费属性与样本用户的家庭组的历史消费行为基线的距离，构建样本用户对应的历史消费行为特征。
[0151]
第二输入单元，用于分别将各个样本用户对应的历史消费行为特征输入预先训练好的异常识别模型中，通过异常识别模型得到样本用户的历史消费行为对应的异常值。
[0152]
第一判断单元，用于基于各个样本用户的历史消费行为对应的异常值，判断异常识别模型的损失函数是否收敛。
[0153]
第一确定单元，用于若判断出异常识别模型的损失函数收敛，则将异常识别模型确定为训练好的异常识别模型。
[0154]
调整单元，用于若判断出异常识别模型的损失函数未收敛，则调整异常识别模型的参数，返回执行分别将各个样本用户对应的历史消费行为特征输入预先训练好的异常识别模型中，通过异常识别模型得到样本用户的历史消费行为对应的异常值。
[0155]
需要说明的是，本技术上述实施例提供的各个单元的具体工作过程可相应地参考上述方法实施例中的相应的步骤，此处不再赘述。
[0156]
可选地，本技术另一实施例提供的一种异常消费的控制装置中，还包括以下单元：
[0157]
第三获取单元，用于获取目标用户在历史时间段内的各个历史消费行为。
[0158]
第一提取单元，用于对目标用户在历史时间段内的各个历史消费行为进行属性特征提取，得到目标用户的各个历史消费行为对应的历史消费属性。
[0159]
第一聚类单元，用于对目标用户的各个历史消费行为对应的历史消费属性进行聚类，得到第一聚类结果。
[0160]
第一得到单元，用于基于第一聚类结果，得到目标用户的历史消费行为基线。
[0161]
需要说明的是，本技术上述实施例提供的各个单元的具体工作过程可相应地参考上述方法实施例中的相应的步骤，此处不再赘述。
[0162]
可选地，本技术另一实施例提供的一种异常消费的控制装置中，还包括以下单元：
[0163]
第四获取单元，用于获取目标用户的家庭组在历史时间段内的各个历史消费行为。
[0164]
第二提取单元，用于对目标用户的家庭组在历史时间段内的各个历史消费行为进行属性特征提取，得到目标用户的家庭组的各个历史消费行为对应的历史消费属性。
[0165]
第二聚类单元，用于对目标用户的家庭组的各个历史消费行为对应的历史消费属性进行聚类，得到第二聚类结果。
[0166]
第二得到单元，用于基于第二聚类结果，得到目标用户的家庭组的历史消费行为基线。
[0167]
需要说明的是，本技术上述实施例提供的各个单元的具体工作过程可相应地参考上述方法实施例中的相应的步骤，此处不再赘述。
[0168]
可选地，本技术另一实施例提供的一种异常消费的控制装置中，校验单元，包括：
[0169]
第二判断单元，用于判断目标用户输入的手机验证以及交易密码是否均正确。
[0170]
人脸识别单元，用于若判断出目标用户输入的手机验证以及交易密码均正确，则对目标用户进行人脸识别。
[0171]
第二确定单元，用于若目标用户通过人脸识别，则确定目标用户通过校验。
[0172]
第三确定单元，用于若判断出目标用户输入的手机验证以及交易密码均不正确，或者若目标用户未通过人脸识别，则确定目标用户未通过校验。
[0173]
需要说明的是，本技术上述实施例提供的各个单元的具体工作过程可相应地参考上述方法实施例中的相应的步骤，此处不再赘述。
[0174]
本技术另一实施例提供了一种电子设备，如图7所示，包括：
[0175]
存储器701和处理器702。
[0176]
其中，存储器701用于存储程序。
[0177]
处理器702用于执行程序，程序被执行时，具体用于实现如上述任意一个实施例提供的一种异常消费的控制方法。
[0178]
本技术另一实施例提供了一种计算机存储介质，用于存储计算机程序，计算机程序被执行时，用于实现如上述任意一个实施例提供的一种异常消费的控制方法。
[0179]
计算机存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0180]
需要说明的是，本发明提供的一种异常消费的控制方法及装置、电子设备、存储介质可用于人工智能领域或金融领域。上述仅为示例，并不对本发明提供的一种异常消费的控制方法及装置、电子设备、存储介质的应用领域进行限定。
[0181]
专业人员还可以进一步意识到，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技术的范围。
[0182]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。