技术特征：
1.一种异常行为识别方法，其特征在于，包括：获取用户对业务页面的行为动作数据；对所述行为动作数据进行向量编码，得到表征向量；将所述表征向量输入基于机器学习模型构建的异常行为识别模型，输出异常行为识别结果。2.根据权利要求1所述的异常行为识别方法，其特征在于，获取用户对业务页面的行为动作数据，包括：服务端从用户终端接收用户对所述业务页面的行为动作数据。3.根据权利要求1所述的异常行为识别方法，其特征在于，所述获取用户对业务页面的行为动作数据，包括：获取用户在提交至少一项业务的业务处理请求之前及之后对相应业务页面的行为动作数据。4.根据权利要求1所述的异常行为识别方法，其特征在于，获取用户对业务页面的行为动作数据，包括：获取用户在目标时间区间内对业务页面的行为动作数据。5.根据权利要求1所述的异常行为识别方法，其特征在于，获取用户对业务页面的行为动作数据，包括：获取所述业务页面的文本标识、及所述用户对所述业务页面的行为动作的文本标识；将所述业务页面的文本标识与对应的所述行为动作的文本标识进行拼接，得到所述行为动作数据。6.根据权利要求5所述的异常行为识别方法，其特征在于，将所述业务页面的文本标识与对应的所述行为动作的文本标识进行拼接，得到所述行为动作数据，包括：将所述业务页面的文本标识与对应的所述行为动作的文本标识进行拼接，得到拼接动作数据；基于行为动作之间的时序关系，利用所述拼接动作数据构建序列化的所述行为动作数据。7.根据权利要求5所述的异常行为识别方法，其特征在于，对所述行为动作数据进行向量编码，得到表征向量，包括：采用词嵌入对所述行为动作数据进行词向量编码，得到基于词向量的表征向量。8.根据权利要求7所述的异常行为识别方法，其特征在于，对所述行为动作数据进行向量编码，得到表征向量，还包括：在所述基于词向量的表征向量中拼接行为动作之间的动作间隔时间。9.根据权利要求1所述的异常行为识别方法，其特征在于，将所述表征向量输入基于机器学习模型构建的异常行为识别模型，输出异常行为识别结果，包括：将所述表征向量输入所述异常行为识别模型，利用所述异常行为识别模型对所述表征向量提取行为特征向量，并利用模型参数对所述行为特征向量进行处理，输出异常行为识别结果。10.根据权利要求9所述的异常行为识别方法，其特征在于，所述异常行为识别模型包括c-lstm模型，则所述利用所述异常行为识别模型对所述表征向量提取行为特征向量，包
括：将所述表征向量输入卷积神经网络，使用所述卷积神经网络在所述表征向量中提取第一行为特征向量；将所述第一行为特征向量输入lstm递归神经网络，使用所述lstm递归神经网络在所述第一行为特征向量中提取第二行为特征向量，其中所述第二行为特征向量作为所述异常行为识别模型的输入。11.根据权利要求10所述的异常行为识别方法，其特征在于，所述异常行为识别模型还包括全连接层，则所述利用模型参数对所述行为特征向量进行处理，输出异常行为识别结果，包括：将所述第二行为特征向量输入所述全连接层，利用所述全连接层的模型参数对所述第二行为特征向量识别异常行为，将所述异常行为概率作为异常行为识别结果。12.根据权利要求11所述的异常行为识别方法，其特征在于，利用模型参数对所述行为特征向量进行处理，输出异常行为识别结果，还包括：在将所述第二行为特征向量输入所述全连接层之前，采用注意力机制对所述第二行为特征向量进行注意力计算，输出基于注意力的第二行为特征向量。13.一种异常行为识别模型训练方法，其特征在于，包括：获取用户对业务页面的行为动作数据样本；对所述行为动作数据样本进行向量编码，得到表征向量；将所述表征向量输入异常行为识别模型，输出异常行为识别结果，并根据所述异常行为识别结果确定模型损失函数，利用所述模型损失函数训练异常行为识别模型。14.根据权利要求13所述的异常行为识别模型训练方法，其特征在于，所述异常行为识别模型包括c-lstm模型及与所述c-lstm模型连接的全连接层；将所述表征向量输入异常行为识别模型，输出异常行为识别结果，并根据所述异常行为识别结果确定模型损失函数，利用所述模型损失函数训练异常行为识别模型，包括：将所述行为特征向量输入所述c-lstm模型，所述c-lstm模型提取行为特征向量，并将所述行为特征向量输入所述全连接层，输出异常行为识别结果；根据所述异常行为识别结果计算所述模型损失函数，利用所述模型损失函数训练所述c-lstm模型及全连接层。15.根据权利要求14所述的异常行为识别模型训练方法，其特征在于，所述异常行为识别模型还包括位于所述c-lstm模型及全连接层之间的注意力模型；所述异常行为识别模型训练方法还包括：利用所述模型损失函数训练所述注意力模型。16.一种异常行为识别装置，其特征在于，包括：第一获取模块，获取用户对业务页面的行为动作数据；第一编码模块，对所述行为动作数据进行向量编码，得到表征向量；异常行为识别模块，将所述表征向量输入基于机器学习模型构建的异常行为识别模型，输出异常行为识别结果。17.一种异常行为识别模型训练装置，其特征在于，包括：第二获取模块，获取用户对业务页面的行为动作数据样本；
第二编码模块，对所述行为动作数据样本进行向量编码，得到表征向量；训练模块，将所述表征向量输入异常行为识别模型，输出异常行为识别结果，并根据所述异常行为识别结果确定模型损失函数，利用所述模型损失函数训练异常行为识别模型。18.一种电子设备，其特征在于，包括：处理器；存储器，其中存储有所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至12任意一项所述异常行为识别方法、或权利要求13-15任意一项所述异常行为识别模型训练方法的步骤。19.一种计算机可读存储介质，用于存储程序，其特征在于，所述程序被处理器执行时实现权利要求12任意一项所述异常行为识别方法、或权利要求13-15任意一项所述异常行为识别模型训练方法的步骤。
技术总结
本发明提供了异常行为识别及模型训练方法、装置、设备及存储介质，在异常行为识别方法中，获取用户对业务页面的行为动作数据，对行为动作数据进行向量编码，得到表征向量，将表征向量输入基于机器学习模型构建的异常行为识别模型，输出异常行为识别结果。本公开实施例不同于相关技术基于业务数据的风险用户识别方案，更关注用户对业务页面的行为动作本身的行为属性，进而通过识别异常行为最终预测风险用户的目的，因此本公开实施例提出利用模型对行为动作数据识别用户异常行为及对应的风险用户，具有较强可行性和准确率。具有较强可行性和准确率。具有较强可行性和准确率。
技术研发人员：丁炜 徐何飞 贾华宇
受保护的技术使用者：上海携程小额贷款有限责任公司
技术研发日：2022.03.23
技术公布日：2022/6/17