技术特征：
1.一种可信性判别的方法，其特征在于，该方法包括：获取表征模型分别利用第一主体和第二主体在时间t2之前预设时长内的行为特征得到的第一主体和第二主体的表征向量；针对所述第一主体，确定与该第一主体的表征向量之间的距离满足预设第一条件的第二主体，并将确定出的各第二主体分别与该第一主体构成候选关系对；对各候选关系对进行风险评分，选择风险评分满足预设第二条件的候选关系对作为可信关系对，所述可信关系对用以在时间t2+m对包含网络行为的流量进行可信性判别；其中，所述表征模型是预先利用训练数据进行对比学习得到的，所述训练数据包括正样本对和负样本对中各主体在时间t1之前预设时长内的行为特征，所述正样本对包括在时间t1+m发生预设类型的行为关系的第一主体和第二主体，所述负样本对包括在时间t1+m未发生预设类型的行为关系的第一主体和第二主体，所述t1为所述t2之前的历史时间，所述m为预设的正整数。2.根据权利要求1所述的方法，其特征在于，所述表征模型采用如下方式预先训练得到：获取所述训练数据；利用所述训练数据训练动量对比度moco模型，训练目标包括：最大化负样本对中第一主体和第二主体之间的表征向量相似度且最小化正样本对中第一主体和第二主体之间的表征向量相似度；利用训练得到的moco模型中的编码器得到所述表征模型。3.根据权利要求2所述的方法，其特征在于，所述moco模型中的编码器包括第一编码器和第二编码器；在所述训练中，所述第一编码器用以利用第一主体在时间t1之前预设时长内的行为特征，得到第一主体的向量表示；所述第二编码器用以利用第二主体在时间t1之前预设时长内的行为特征，得到第二主体的向量表示；在所述训练的每一轮迭代中利用训练损失的取值反向更新所述第一编码器的参数，所述第二编码器的参数根据所述第一编码器的参数进行动量更新；所述利用训练得到的moco模型中的编码器得到所述表征模型包括：将训练得到的所述第一编码器作为所述表征模型。4.根据权利要求1至3中任一项所述的方法，其特征在于，预先得到的所述表征模型被下发至所述第一主体的终端设备和所述第二主体的终端设备；所述获取表征模型分别利用第一主体和第二主体在时间t2之前预设时长内的行为特征得到的第一主体和第二主体的表征向量包括：从第一主体的终端设备获取表征模型利用该第一主体在时间t2之前预设时长内的行为特征得到的第一主体的表征向量；以及从从第二主体的终端设备获取表征模型利用该第二主体在时间t2之前预设时长内的行为特征得到的第二主体的表征向量。5.根据权利要求1所述的方法，其特征在于，针对所述第一主体，确定与该第一主体的表征向量之间的距离满足预设第一条件的第二主体包括：利用分层可导航小世界图hnsw方法，搜索表征向量与第一主体的表征向量之间最近的n个第二主体，所述n为预设的正整数。
6.根据权利要求1所述的方法，其特征在于，对各候选关系对进行风险评分，选择风险评分满足预设第二条件的候选关系对作为可信关系对包括：对各候选关系对进行风险评分，得到候选关系对在m个风险类别上的评分，所述m为正整数；选择在所述m个风险类别上的评分满足所述第二条件的候选关系对作为可信关系对。7.根据权利要求6所述的方法，其特征在于，所述对各候选关系对进行风险评分包括：利用风险评分模型对各候选关系对进行风险评分，其中所述风险评分模型是基于多任务专家模型预先训练得到的。8.根据权利要求7所述的方法，其特征在于，所述风险评分模型包括：表征处理模块和k个专家模块；所述表征处理模块对输入的候选关系对中第一主体和第二主体的特征向量进行拼接处理后，将得到的特征向量进行n阶表征交叉，所述n为正整数；所述专家模块利用所述n阶表征交叉后得到的表征向量，映射得到该候选关系对在各风险类别上的评分。9.根据权利要求1所述的方法，其特征在于，该方法还包括：若在所述时间t2+m接收到包含网络行为的流量，则将所述网络行为与所述可信关系对进行匹配，若依据匹配结果确定所述网络行为为可信行为，正常转发所述流量。10.根据权利要求1至3、5至9中任一项所述的方法，其特征在于，所述第一主体为消费者，所述第二主体为商户，所述预设类型的行为关系包括交易行为、支付行为、收款行为和评价行为中的至少一种；或者，所述第一主体和第二主体均为用户，所述预设类型的行为关系包括支付行为、存取款行为、签约绑定行为和收发红包行为中的至少一种。11.一种可信性判别的系统，其特征在于，该系统包括：表征获取单元，被配置为获取表征模型分别利用第一主体和第二主体在时间t2之前预设时长内的行为特征得到的第一主体和第二主体的表征向量；候选召回单元，被配置为针对所述第一主体确定与该第一主体的表征向量之间的距离满足预设第一条件的第二主体，并将确定出的各第二主体分别与第一主体构成候选关系对；风险评分单元，被配置为对各候选关系对进行风险评分；关系对确定单元，被配置为选择风险评分满足预设第二条件的候选关系对作为可信关系对，所述可信关系对用以在时间t2+m对包含网络行为的流量进行可信性判别；其中，所述表征模型是预先利用训练数据进行对比学习得到的，所述训练数据包括正样本对和负样本对中各主体在时间t1之前预设时长内的行为特征，所述正样本对包括在时间t1+m发生预设类型的行为关系的第一主体和第二主体，所述负样本对包括在时间t1+m未发生预设类型的行为关系的第一主体和第二主体，所述t1为所述t2之前的历史时间，所述m为预设的正整数。12.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1至10中任一项所述的方法。13.一种计算设备，包括存储器和处理器，其特征在于，所述存储器中存储有可执行代
码，所述处理器执行所述可执行代码时，实现权利要求1至10中任一项所述的方法。
技术总结
本说明书实施例提供了一种可信性判别的方法及系统。其中方法包括：获取表征模型分别利用第一主体和第二主体在时间t2之前预设时长内的行为特征得到的第一主体和第二主体的表征向量；针对所述第一主体确定与该第一主体的表征向量之间的距离满足预设第一条件的第二主体，并将确定出的各第二主体分别与第一主体构成候选关系对；对各候选关系对进行风险评分，选择风险评分满足预设第二条件的候选关系对作为可信关系对，所述可信关系对用以在时间t2+m对包含网络行为的流量进行可信性判别。本申请能够实现基于双主体的准确可信性判别。申请能够实现基于双主体的准确可信性判别。申请能够实现基于双主体的准确可信性判别。
技术研发人员：周璟 蒋晨之 王宁涛 吕乐 傅幸 刘芳卿 杨阳 杨信 王维强
受保护的技术使用者：支付宝（杭州）信息技术有限公司
技术研发日：2022.07.07
技术公布日：2022/11/3