注册对象风险识别方法、装置、计算机设备和存储介质与流程

本技术涉及人工智能，特别是涉及一种注册对象风险识别方法、装置、计算机设备和存储介质。

背景技术：

1、随着人工智能技术的发展，以及对于互联网安全的日益重视，需要对各应用程序或业务或产品的账号、以及各企业工商主体账户等，进行批量注册检测以及风险识别。其中，批量注册指的利用计算机程序在短时间内批量地注册账号或账户的行为，而通过批量注册的账号或者账户群通常存在非法交易的风险，用于获取不正当利益，严重危害互联网安全。

2、传统上，针对各应用程序、产品或业务等的账号进行风险识别时，通常会计算账号或者账户在不同维度上的距离，确定各账号之间的相似度，以根据相似度对各个账号进行聚类，达到对多个账号的分类，以及进一步确定出不同分类下的各账号是否疑似批量注册，以及是否存在非法交易风险。而针对企业工商主体账户，则是利用企业图谱进行企业关联关系分析，基于企业关联关系可得到不同企业之间的相似程度，从而进一步根据不同企业之间的相似程度，确定是否存在相似度高于预设值的大量企业主体，从而达到批量注册检测和风险识别的目的。

3、然而，传统上，针对账号的相似度或者企业图谱进行风险识别的方式，并不能基于待批量识别的对象(包括企业主体，或者应用程序、产品的账户等)的全面属性信息，进行进一步分析和识别，比如企业图谱中则只包括所有人可见的公示信息，并未考虑所有的企业信息，则存在信息遗漏的情况，容易在不完整信息的基础上出现错误的分类和识别的情况，导致异常识别结果不准确的问题，互联网安全性能仍有待提升。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够提升针对不同注册对象的风险识别准确率，以保障互联网安全的注册对象风险识别方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、第一方面，本技术提供了一种注册对象风险识别方法。所述方法包括：

3、获取目标注册对象的名称信息；

4、基于所述名称信息，确定与所述目标注册对象对应的命名模式；

5、若与所述目标注册对象对应的命名模式，和异常命名模式类别集合中的任一异常命名模式类别匹配成功，确定所述目标注册对象存在风险；

6、所述异常命名模式类别集合，为对各命名模式类别的风险识别结果为异常的命名模式类别的集合，各所述命名模式类别，为利用在预设时间段内注册的各注册对象的对象属性信息构建得到的图谱，对各所述注册对象的命名模式进行聚类获得。

7、在其中一个实施例中，所述异常命名模式类别集合的生成方式，包括：

8、根据在预设时间段内注册的各注册对象的对象属性信息，构建图谱；所述图谱中的节点包括：与命名模式对应的命名模式节点，以及与对象属性对应的对象属性节点，所述命名模式节点和对象属性节点之间的边表示命名模式节点的命名模式包含该对象属性节点的对象属性，两个命名模式节点之间的边表示两个命名模式之间的关联关系；

9、对所述图谱进行图嵌入学习处理，获得各命名模式节点的命名模式节点向量；

10、对各所述命名模式节点向量进行聚类处理，获得各命名模式类别，各命名模式类别包含至少一个所述命名模式；

11、对各所述命名模式类别进行风险识别，获得各命名模式类别的风险识别结果，并基于风险识别结果为异常的命名模式类别获得异常命名模式类别集合。

12、在其中一个实施例中，所述对象属性信息包括各注册对象的名称信息和各对象属性；所述根据在预设时间段内注册的各注册对象的对象属性信息，构建图谱，包括：

13、基于在预设时间段内注册的各所述注册对象的名称信息，获得各所述注册对象的命名模式；

14、从对应所述命名模式下的各所述注册对象的各对象属性中，确定出目标属性；

15、对对应所述命名模式下的各注册对象的目标属性，进行去重处理，得到与各所述命名模式对应的去重属性元素集合；

16、基于与各所述命名模式对应的去重属性元素集合，进行重复指标分布统计，生成对应的分布统计结果；

17、根据所述分布统计结果，确定各所述命名模式之间的关联关系；

18、基于各所述命名模式之间的关联关系、以及各所述对象属性，构建得到图谱。

19、在其中一个实施例中，所述对所述图谱进行图嵌入学习处理，获得各命名模式节点的命名模式节点向量，包括：

20、在所述图谱中的各节点之间进行随机游走，获得各节点游走序列；

21、确定出各所述节点游走序列中每个节点的邻域节点；

22、对所述图谱中的各节点进行特征映射处理，得到与各所述节点的初始特征向量；

23、以最大化各节点与邻域节点之间的对数概率为目标，对各所述节点的初始特征向量进行优化调整，得到优化后的各节点的节点向量；

24、从各所述节点的节点向量中，提取与各命名模式节点对应的命名模式节点向量。

25、在其中一个实施例中，所述对各所述命名模式类别进行风险识别，获得各命名模式类别的风险识别结果，并基于风险识别结果为异常的命名模式类别获得异常命名模式类别集合，包括：

26、根据异常判定指标，对各所述命名模式类别进行风险识别，获得各命名模式类别的风险识别结果；所述异常判定指标包括异常注册对象比例、注册对象名称合理度、注册时间密集度以及对象属性重合度；

27、将风险识别结果为异常的命名模式类别进行聚合，获得异常命名模式类别集合。

28、在其中一个实施例中，在所述获取目标注册对象的名称信息之前，还包括：将与满足风险识别触发条件的信息关联的注册对象，确定为目标注册对象。

29、在其中一个实施例中，所述基于所述名称信息，确定与所述目标注册对象对应的命名模式，包括：

30、对所述名称信息进行序列标注，生成对应的序列标注结果；

31、基于所述序列标注结果进行命名模式提取，获得所述目标注册对象对应的命名模式。

32、在其中一个实施例中，所述对各命名模式节点向量进行聚类处理，获得各命名模式类别，包括：

33、根据预设距离阈值确定出各命名模式节点向量的局部密度；

34、针对每个命名模式节点向量，确定出所述局部密度高于自身的局部密度的各高局部密度点；

35、计算各所述高局部密度点，和对应所述命名模式节点向量之间的节点距离，并筛选出最小节点距离；

36、根据所述局部密度和所述最小节点距离，从各命名模式节点向量中确定出聚类中心节点；

37、基于各聚类中心节点，对除聚类中心外的其余命名模式节点进行分类处理，确定各命名模式节点所属的聚类中心，获得各命名模式类别。

38、第二方面，本技术还提供了一种注册对象风险识别装置。所述装置包括：

39、对象属性信息获取模块，用于获取目标注册对象的名称信息；

40、命名模式确定模块，用于基于所述名称信息，确定与所述目标注册对象对应的命名模式；

41、风险识别模块，用于若与所述目标注册对象对应的命名模式，和异常命名模式类别集合中的任一异常命名模式类别匹配成功，确定所述目标注册对象存在风险；所述异常命名模式类别集合，为对各命名模式类别的风险识别结果为异常的命名模式类别的集合，各所述命名模式类别，为利用在预设时间段内注册的各注册对象的对象属性信息构建得到的图谱，对各所述注册对象的命名模式进行聚类获得。

42、第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

43、获取目标注册对象的名称信息；

44、基于所述名称信息，确定与所述目标注册对象对应的命名模式；

45、若与所述目标注册对象对应的命名模式，和异常命名模式类别集合中的任一异常命名模式类别匹配成功，确定所述目标注册对象存在风险；

46、所述异常命名模式类别集合，为对各命名模式类别的风险识别结果为异常的命名模式类别的集合，各所述命名模式类别，为利用在预设时间段内注册的各注册对象的对象属性信息构建得到的图谱，对各所述注册对象的命名模式进行聚类获得。

47、第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

48、获取目标注册对象的名称信息；

49、基于所述名称信息，确定与所述目标注册对象对应的命名模式；

50、若与所述目标注册对象对应的命名模式，和异常命名模式类别集合中的任一异常命名模式类别匹配成功，确定所述目标注册对象存在风险；

51、所述异常命名模式类别集合，为对各命名模式类别的风险识别结果为异常的命名模式类别的集合，各所述命名模式类别，为利用在预设时间段内注册的各注册对象的对象属性信息构建得到的图谱，对各所述注册对象的命名模式进行聚类获得。

52、第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

53、获取目标注册对象的名称信息；

54、基于所述名称信息，确定与所述目标注册对象对应的命名模式；

55、若与所述目标注册对象对应的命名模式，和异常命名模式类别集合中的任一异常命名模式类别匹配成功，确定所述目标注册对象存在风险；

56、所述异常命名模式类别集合，为对各命名模式类别的风险识别结果为异常的命名模式类别的集合，各所述命名模式类别，为利用在预设时间段内注册的各注册对象的对象属性信息构建得到的图谱，对各所述注册对象的命名模式进行聚类获得。

57、上述注册对象风险识别方法、装置、计算机设备、存储介质和计算机程序产品中，通过获取目标注册对象的名称信息，并基于名称信息，确定与目标注册对象对应的命名模式。若与目标注册对象对应的命名模式，和异常命名模式类别集合中的任一异常命名模式类别匹配成功，确定目标注册对象存在风险。由于异常命名模式类别集合为对各命名模式类别的风险识别结果为异常的命名模式类别的集合，各命名模式类别，为利用在预设时间段内注册的各注册对象的对象属性信息构建得到的图谱，对各注册对象的命名模式进行聚类获得，因此通过全面考虑异常命名模式集合中的各异常命名模式，可避免风险识别过程中的数据遗漏，以提升针对不同目标注册对象的风险识别准确率，保障互联网安全。