异常用户识别方法、装置、设备、存储介质及程序产品与流程

本技术涉及通信，特别是涉及一种异常用户识别方法、装置、设备、存储介质及程序产品。

背景技术：

1、随着科技的发展，各种影响人们财产安全的风险事件层出不穷。例如，电信诈骗事件。

2、基于此，相关技术中，往往需要针对各种场景下用户数据进行异常用户识别，然后根据识别出的异常用户采取相应措施来预防风险事件发生。

3、但是，采用相关技术进行异常用户识别时，会存在资源冗余浪费的问题。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种异常用户识别方法、装置、设备、存储介质及程序产品，在对不同场景下的异常用户识别时，能够减少资源冗余浪费。

2、第一方面，本技术实施例提供了一种异常用户识别方法，该方法包括：

3、获取待分析数据的目标异常用户识别策略；

4、根据目标异常用户识别策略所需的数据特征，对待分析数据进行重构，得到待分析数据的数据组；数据组中的数据量小于待分析数据的数据量；

5、通过目标异常用户识别策略对数据组进行识别处理，得到待分析数据的异常用户识别结果。

6、在其中一个实施例中，获取待分析数据的目标异常用户识别策略，包括：

7、根据待分析数据的识别需求，从至少一个预先聚合的异常用户识别策略中确定目标异常用户识别策略；其中，每个预先聚合的异常用户识别策略所需的数据特征不同。

8、在其中一个实施例中，各异常用户识别策略的构建过程包括：

9、获取多个不同的单一异常用户识别策略；

10、根据各单一异常用户识别策略所需的数据特征，对各单一异常用户识别策略进行分类，得到多个识别策略类；每个识别策略类中包括至少两个单一异常用户识别策略；

11、对各识别策略类分别进行聚合处理，得到各异常用户识别策略。

12、在其中一个实施例中，根据各单一异常用户识别策略所需的数据特征，对各单一异常用户识别策略进行分类，得到多个识别策略类，包括：

13、根据各单一异常用户识别策略所需的数据特征，确定各单一异常用户识别策略的策略相似度；

14、根据各单一异常用户识别策略的策略相似度，对各单一异常用户识别策略进行分类，得到各识别策略类。

15、在其中一个实施例中，根据各单一异常用户识别策略所需的数据特征，确定各单一异常用户识别策略的策略相似度，包括：

16、对于任一单一异常用户识别策略，获取单一异常用户识别策略所需的数据特征；

17、将单一异常用户识别策略所需的数据特征中与预设数据特征中相同特征的数量确定为第一特征数量，以及将预设数据特征中的特征数量确定为第二特征数量；

18、根据第一特征数量和第二特征数量，确定单一异常用户识别策略的策略相似度。

19、在其中一个实施例中，根据各单一异常用户识别策略所需的数据特征，确定各单一异常用户识别策略的策略相似度，包括：

20、将所有单一异常用户识别策略的数据特征的数量确定为第三特征数量，以及将各单一异常用户识别策略的数据特征的数量确定为第四特征数量；

21、对于任一单一异常用户识别策略，根据第三特征数量和单一异常用户识别策略的第四特征数量，确定单一异常用户识别策略的策略相似度。

22、在其中一个实施例中，根据各单一异常用户识别策略的策略相似度，对各单一异常用户识别策略进行分类，得到各识别策略类，包括：

23、将所有策略相似度中策略相似度的值大于或等于预设相似度阈值的单一异常用户识别策略划分为同一类，得到各识别策略类。

24、在其中一个实施例中，对各识别策略类分别进行聚合处理，得到各异常用户识别策略，包括：

25、对任一识别策略类，根据识别策略类中各单一异常用户识别策略所需的数据特征与待分析数据中的用户数据特征，确定各数据特征与用户数据特征之间的特征相似度；

26、根据各特征相似度，确定各单一异常用户识别策略的聚合权重；

27、将各聚合权重和各单一异常用户识别策略进行加权求和，得到识别策略类对应的异常用户识别策略。

28、在其中一个实施例中，上述方法还包括：

29、获取各单一异常用户识别策略的识别结果；

30、根据各单一异常用户识别策略的识别结果，进行策略周期性分析，确定各单一异常用户识别策略的稳定性指标测量值；

31、根据各稳定性指标测量值，对各异常用户识别策略进行调整。

32、在其中一个实施例中，待分析数据包括用户数据；根据目标异常用户识别策略所需的数据特征，对待分析数据进行重构，得到待分析数据的数据组，包括：

33、获取待分析数据中用户数据特征的特征值；

34、根据目标异常用户识别策略所需的数据特征和用户数据特征的特征值，从用户数据特征中筛选目标数据特征；

35、根据目标数据特征和目标数据特征对应的用户数据，确定待分析数据的数据组。

36、第二方面，本技术实施例提供了一种异常用户识别装置，该装置包括：

37、策略获取模块，用于获取待分析用户数据的目标异常用户识别策略；

38、重构模块，用于根据目标异常用户识别策略所需的数据特征，对待分析数据进行重构，得到待分析数据的数据组；数据组中的数据量小于待分析数据的数据量；

39、识别处理模块，用于通过目标异常用户识别策略对数据组进行识别处理，得到待分析数据的异常用户识别结果。

40、第三方面，本技术实施例还提供了一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现第一方面中任一实施例的方法的步骤。

41、第四方面，本技术实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现第一方面中任一实施例的方法的步骤。

42、第五方面，本技术实施例还提供了一种计算机程序产品，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第一方面中任一实施例的方法的步骤。

43、本技术实施例提供的异常用户识别方法、装置、设备、存储介质及程序产品，包括：获取待分析数据的目标异常用户识别策略，根据目标异常用户识别策略所需的数据特征，对待分析数据进行重构，得到待分析数据的数据组，其中，数据组中的数据量小于待分析数据的数据量，进一步通过目标异常用户识别策略对数据组进行识别处理，得到待分析数据的异常用户识别结果。采用上述方法通过目标异常用户识别策略实现异常用户识别时，不需要分别考虑目标异常用户识别策略中各单一异常用户识别策略所需的数据特征，而是从整体上考虑目标异常用户识别策略所需的数据特征，将异常用户识别时不需要的用户数据和用户数据特征从待分析数据中滤除，并通过对待分析数据进行重构，得出数据量小于待分析数据原本数据量，且符合目标异常用户识别策略所需的特征组，相对于各单一异常用户识别策略而言，重构出的目标异常用户识别策略所需的特征组，极大地减少了异常用户识别时处理的数据量，降低了资源消耗，并且减少了资源冗余浪费；同时，该方法不需要通过深度学习算法就可以达到减少资源冗余浪费的目的，相对深度学习算法而言，可以降低异常用户识别方法处理过程的复杂性；另外，该方法通过一套计算机程序自动完成，不需要用户手动参与处理，这样不仅提高了识别处理结果的准确性，降低了识别误差率，还提高了识别速度；再者，该方法采用重构的方式从待分析数据中获取数据组，以利用数据量较小的数据组替代数据量较大的待分析数据，并通过目标异常用户识别策略对数据组进行识别处理，使得在目标异常用户识别策略中各单一异常用户识别策略的功能不受影响的情况下，可以提高识别效率。