一种基于超图的密集子图检测方法、装置及终端设备与流程

技术特征：
1.一种基于超图的密集子图检测方法，其特征在于，包括：获取多个用户的特征序列，所述特征序列中包括至少两种特征类型，且各用户的特征序列中的特征类型相同；根据各特征共同出现的次数以及用户总数，获取各特征的异常风险分值，从而得到异常风险分值矩阵；其中，若特征仅出现一次，则对应的异常风险分值为0；计算所述异常风险分值矩阵的整体风险分值，得到初始整体风险分值；计算所述异常风险分值矩阵各行的和值，将最小且不为0的和值对应的行全部赋值为0，第一次更新所述异常风险分值矩阵；然后，将第一次更新后的所述异常风险分值矩阵中只有一个数值不为0的列全部赋值为0，第二次更新所述异常风险分值矩阵；计算第二次更新得到的异常风险分值矩阵的整体风险分值，得到新整体风险分值，若所述新整体风险分值大于所述初始整体风险分值，则计算所述异常风险分值矩阵各行的和值，确定和值不为0的用户为风险用户。2.根据权利要求1所述的基于超图的密集子图检测方法，其特征在于，所述根据各特征共同出现的次数以及用户总数，获取各特征的异常风险分值，包括：从各用户的特征序列中找到共同特征，所述共同特征为出现至少两次的特征，基于共同特征构建超边，从而得到超边矩阵；其中，所述超边矩阵的行表示用户，列表示特征类型；根据各特征出现的次数以及用户总数，结合所述超边矩阵，获取各特征的异常风险分值。3.根据权利要求1所述的基于超图的密集子图检测方法，其特征在于，所述异常风险分值的计算公式如下：其中，exp()为以自然常数e为底的指数函数，k为预设的超参数，p为特征出现概率；特征出现概率p的计算公式如下：其中，n表示特征出现次数，all表示用户总数。4.根据权利要求1所述的基于超图的密集子图检测方法，其特征在于，所述计算所述异常风险分值矩阵的整体风险分值，得到初始整体风险分值，包括：整体风险分值的计算公式如下：其中，abnormalscore表示整体风险分值，x表示异常风险分值矩阵，sum(x)表示异常风险分值矩阵的各元素的和值，row表示异常风险分值矩阵中不全为0的行的数量，col表示异常风险分值矩阵中不全为0的列的数量。5.一种基于超图的密集子图检测装置，其特征在于，包括：特征序列获取模块，用于获取多个用户的特征序列，所述特征序列中包括至少两种特征类型，且各用户的特征序列中的特征类型相同；异常风险分值矩阵获取模块，用于根据各特征共同出现的次数以及用户总数，获取各
特征的异常风险分值，从而得到异常风险分值矩阵；其中，若特征仅出现一次，则对应的异常风险分值为0；初始整体风险分值获取模块，用于计算所述异常风险分值矩阵的整体风险分值，得到初始整体风险分值；异常风险分值矩阵更新模块，用于计算所述异常风险分值矩阵各行的和值，将最小且不为0的和值对应的行全部赋值为0，第一次更新所述异常风险分值矩阵；然后，将第一次更新后的所述异常风险分值矩阵中只有一个数值不为0的列全部赋值为0，第二次更新所述异常风险分值矩阵；风险用户确定模块，用于计算第二次更新得到的异常风险分值矩阵的整体风险分值，得到新整体风险分值，若所述新整体风险分值大于所述初始整体风险分值，则计算所述异常风险分值矩阵各行的和值，确定和值不为0的用户为风险用户。6.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-4任一项所述的基于超图的密集子图检测方法的步骤。

技术总结
本发明涉及一种基于超图的密集子图检测方法、装置及终端设备，获取多个用户的特征序列，根据用户的特征序列得到异常风险分值矩阵，计算异常风险分值矩阵的整体风险分值，得到初始整体风险分值，对异常风险分值矩阵进行更新，并计算更新后的异常风险分值矩阵的整体风险分值，若新整体风险分值大于初始整体风险分值，则计算异常风险分值矩阵各行的和值，确定和值不为0的用户为风险用户，能够准确得到具有风险的对象，避免造成误判，识别精度较高。而且，计算速度快，在计算密集子图中，采用贪心方式计算，满足线性时间复杂度，在大数据量上计算有优势，可以做到自适应，不需要任何的先验知识和专家经验，该方案会自动进行筛选。该方案会自动进行筛选。该方案会自动进行筛选。


技术研发人员：赵禹闳 秦金绪 时玥 高飞翔
受保护的技术使用者：河南中原消费金融股份有限公司
技术研发日：2022.09.06
技术公布日：2022/12/5