(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111328133.8 (22)申请日 2021.11.10 (71)申请人 中国工商银行股份有限公司 地址 100140 北京市西城区复兴门内大街 55号 (72)发明人 陈李龙　王娜　倪俊　徐林嘉　 (74)专利代理 机构 北京康信知识产权代理有限 责任公司 1 1240 代理人 黄海英 (51)Int.Cl. G06Q 40/04(2012.01) G06N 20/00(2019.01) (54)发明名称 异常交易的检测方法及其装置、 电子设备、 存储介质 (57)摘要 本发明公开了一种异常交易的检测方法及 其装置、 电子设备、 存储介质,涉及机器学习领 域， 该检测方法包括： 获取预设时间段内的交易 信息集， 采用预先训练完成的异常交易检测模型 检测每份交易数据的异常分数， 其中， 在训练异 常交易检测模型时， 对于每份训练样本， 分别在 原始特征空间和密度域空间中计算空间异常值 和密度异常值， 利用空间异常值和密度异常值构 造二维异常空间， 通过二维异常空间确定所有训 练样本的异常分数， 在异常分数大于预设分数阈 值的情况下， 确定异常分数所指示的交易数据为 异常数据。 本发 明解决了相关技术中无法结合空 间和密度两方面对交易数据进行异常检测以及 检测的准确性较低的技 术问题。 权利要求书2页 说明书13页 附图3页 CN 114022284 A 2022.02.08 CN 114022284 A 1.一种异常交易的检测方法， 其特 征在于， 包括： 获取预设时间段内的交易信息集， 其中， 所述交易信息集中至少包括多份交易数据； 采用预先训练完成的异常交易检测模型检测每份所述交易数据的异常分数， 其中， 在 训练所述异常交易检测模型时， 对于每份训练样本， 分别在原始特征空间和密度域空间中 计算空间异常值和密度异常值， 利用所述空间异常值和所述密度异常值构造二维异常空 间， 通过所述二维异常空间确定所有训练样本的异常 分数； 在所述异常分数大于预设分数阈值的情况下， 确定所述异常分数所指示的交易数据为 异常数据。 2.根据权利要求1所述的检测方法， 其特征在于， 在获取预设时间段内的交易信 息集之 前， 所述检测方法还 包括： 获取历史过程中关于目标 金融产品的交易信息； 对所述交易信息进行分类， 得到交易数据信息和交易主体信息； 采用分类后的所述交易数据信 息和所述交易主体信 息， 确定所述交易信 息所涉及的数 据表； 对所述交易信 息所涉及的数据表进行补全处理， 并对所述交易信 息中的交易数据信 息 进行初始计算， 得到待训练的样本集； 采用所述样本集中的每 份训练样本， 训练所述异常交易检测模型。 3.根据权利要求2所述的检测方法， 其特征在于， 对所述交易信 息中的交易数据信 息进 行初始计算， 得到待训练的样本集的步骤， 包括： 按照分类后的类别特征进行分组统计数值特征的统计信 息、 偏离值特征以及数值特征 之间的交叉 特征， 得到待训练的样本集。 4.根据权利要求2所述的检测方法， 其特征在于， 采用所述样本集中的每份训练样本， 训练所述异常交易检测模型的步骤， 包括： 计算所述样本集中每份训练样本在原始特征空间中的k近邻， 其中， 每份所述训练样本 对应于一个样本点； 将所述训练样本中的数据集从原 始特征空间映射到密度域空间； 在原始特征空间和密度域空间中分别计算空间异常值和密度异常值， 利用所述空间异 常值和所述密度异常值构造二维异常空间； 在二维异常空间中， 计算与每份所述训练样本对应的马氏异常分数和加权闵氏异常分 数； 通过结合所述马氏异常分数和所述加权闵氏异常分数， 得到所有训练样本的异常分 数， 完成所述异常交易检测模型的训练， 其中， 所述异常分数大于预设分数阈值的训练样本 为异常样本 。 5.根据权利要求4所述的检测方法， 其特征在于， 将所述训练样本 中的数据集从原始特 征空间映射到密度域空间的步骤， 包括： 构建所述样本集的累积分布函数空间； 基于所述累积分布函数空间， 采用预设映射函数将所述训练样本 中的数据集从原始特 征空间映射到密度域空间。 6.根据权利要求4所述的检测方法， 其特征在于， 利用空间异常值和密度异常值构造二权　利　要　求　书 1/2 页 2 CN 114022284 A 2维异常空间的步骤， 包括： 对于每份所述训练样本对应的所述空间异常值和所述密度异常值， 建立用于交易异常 分析的二维坐标系； 将所述二维坐标系对应的空间表征为二维异常空间， 其中， 所述二维异常空间中的每 个点是以每份所述训练样本对应的所述空间异常值和所述密度异常值确定有序集合表征 的。 7.根据权利要求4所述的检测方法， 其特征在于， 在二维异常空间中， 计算与每份所述 训练样本对应的马氏异常 分数和加权闵氏异常 分数的步骤， 包括： 采用马氏距离算法， 分析所述二维异常空间中与每份所述训练样本对应的样本点的参 数， 得到马氏异常 分数； 采用加权闵可夫斯基异常算法， 分析所述二维异常空间中与每份所述训练样本对应的 样本点的参数， 得到加权闵氏异常 分数。 8.一种异常交易的检测装置， 其特 征在于， 包括： 获取单元， 用于获取预设时间段内的交易信 息集， 其中， 所述交易信 息集中至少包括多 份交易数据； 检测单元， 用于采用预先训练完成的异常交易检测模型检测每份所述交易数据的异常 分数， 其中， 在训练所述异常交易检测模型时， 对于每份训练样本， 分别在原始特征空间和 密度域空间中计算空间异常值和密度异常值， 利用所述空间异常值和所述密度异常值构造 二维异常空间， 通过 所述二维异常空间确定所有训练样本的异常 分数； 确定单元， 用于在所述异常分数大于预设分数阈值的情况下， 确定所述异常分数所指 示的交易数据为异常数据。 9.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质包括存储的计算 机程序， 其中， 在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行权利 要求1至7中任意 一项所述的异常交易的检测方法。 10.一种电子设备， 其特征在于， 包括一个或多个处理器和存储器， 所述存储器用于存 储一个或多个程序， 其中， 当所述一个或多个程序被所述一个或多个处理器执行时， 使得所 述一个或多个处 理器实现权利要求1至7中任意 一项所述的异常交易的检测方法。权　利　要　求　书 2/2 页 3 CN 114022284 A 3