(19)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 202211402727.3 (22)申请日 2022.11.10 (71)申请人 杭州衡泰技 术股份有限公司 地址 310000 浙江省杭州市西湖区教工路 23号百脑 汇科技大厦1215室 (72)发明人 徐行　陈宏　陈定　吴卫东　 张玲丹　牟立强　 (74)专利代理 机构 杭州汇和信专利代理有限公 司 33475 专利代理师 吴琰 (51)Int.Cl. G06Q 40/04(2012.01) G06F 40/30(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) (54)发明名称 基于交易模式识别的异常交易检测方法及 其系统 (57)摘要 公开了一种基于交易模式识别的异常交易 检测方法及其系统， 其采用基于深度学习的人工 智能检测算法来分别提取出待检测交易数据和 正常交易数据的长依赖关联特征以及短和 中距 离依赖关联特征， 并分别将所述待检测交易数据 和所述正常交易数据的长中短依赖特征进行融 合以得到包含不同距离依赖的多尺度交易特征 信息， 进一步再计算所述待检测交易数据和所述 正常交易数据的多尺度交易特征之间的转移矩 阵来表示两者的特征差异， 以此来进行待检测交 易数据的交易异常判断。 这样， 能够在对于庞大 的交易数据进行异常检测时保证异常检测的准 确性和有效性。 权利要求书4页 说明书14页 附图6页 CN 115456789 A 2022.12.09 CN 115456789 A 1.一种基于交易模式识别的异常交易检测方法， 其特 征在于， 包括： 获取被标注为 正常交易的多次交易数据； 基于所述被标注为 正常交易的多次交易数据， 生成正常交易特 征向量； 获取待检测交易数据； 将所述待检测 交易数据中的多个数据项通过包含嵌入层的上下文编码器以得到多个 交易上下文语义特 征向量； 将所述多个交易上 下文语义特 征向量进行级联以得到第一尺度交易语义特 征向量； 将所述多个交易上下文语义特征向量进行二维排列为交易上下文语义特征矩阵后通 过包含多个混合卷积层的卷积神经网络模型以得到第二尺度交易语义特 征向量； 融合所述第一尺度交易语义特征向量和所述第二尺度交易语义特征向量以得到待检 测交易特 征向量； 计算所述待检测 交易特征向量与所述正常交易特征向量之间的转移矩阵作为分类特 征矩阵； 以及 将所述分类特征矩阵通过分类器以得到分类结果， 所述分类结果用于表示待检测交易 数据是否属于交易异常。 2.根据权利要求1所述的基于交易模式识别的异常交易检测方法， 其特征在于， 所述将 所述待检测交易数据中的多个数据项通过包含嵌入层的上下文编码器以得到多个交易上 下文语义特 征向量， 包括： 将所述待检测 交易数据中的多个数据项通过所述上下文编码器的嵌入层以得到多个 数据项嵌入向量； 以及 将所述多个数据项嵌入向量输入所述上下文编码器以得到所述多个交易上下文语义 特征向量。 3.根据权利要求2所述的基于交易模式识别的异常交易检测方法， 其特征在于， 所述将 所述待检测交易数据中的多个数据项通过所述上下文编码器的嵌入层以得到多个数据项 嵌入向量， 包括： 通过所述上下文编码器的嵌入层分别将所述各个数据项中的文本数据映射为词嵌入 向量； 以及 将所述各个数据项中的数值数据添加到所述各个数据项的词嵌入向量的尾部以得到 所述数据项嵌入向量。 4.根据权利要求3所述的基于交易模式识别的异常交易检测方法， 其特征在于， 所述将 所述多个数据项嵌入向量输入所述上下文编码器以得到所述多个交易上下文语义特征向 量， 包括： 将所述多个数据项嵌入向量 排列为输入向量； 将所述输入向量分别通过 可学习嵌入矩阵转 化为查询向量和关键向量； 计算所述 查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵； 对所述自注意关联矩阵进行 标准化处理以得到标准 化自注意关联矩阵； 将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩 阵； 以及 将所述自注意力特征矩阵与以所述多个数据项嵌入向量中各个数据项嵌入向量作为权　利　要　求　书 1/4 页 2 CN 115456789 A 2值向量分别进行相乘以得到所述多个交易上 下文语义特 征向量。 5.根据权利要求4所述的基于交易模式识别的异常交易检测方法， 其特征在于， 所述将 所述多个交易上下文语义特征向量进行二维排列为交易上下文语义特征矩阵后通过包含 多个混合卷积层的卷积神经网络模型以得到第二尺度交易语义特 征向量， 包括： 使用所述卷积神经网络模型的各个混合卷积层在层的正向传递中分别对输入数据进 行： 对输入数据进行多尺度卷积编码以得到多尺度卷积特 征图； 将所述多尺度卷积特 征图进行池化处 理以得到池化特 征图； 以及 对所述池化特 征图进行激活 处理以得到 激活特征图； 其中， 所述卷积神经网络模型的最后 一个混合卷积层的输出为所述第 二尺度交易语义 特征向量。 6.根据权利要求5所述的基于交易模式识别的异常交易检测方法， 其特征在于， 所述计 算所述待检测交易特征向量与所述正常交易特征向量之 间的转移矩阵作为分类特征矩阵， 包括： 以如下公式计算所述待检测 交易特征向量与所述正常交易特征向量之间的所述转移 矩阵作为所述分类特 征矩阵； 其中， 所述公式为： = 其中 表示所述待检测交易特征向量， 表示所述正常交易特征向量， 表示所述转移 矩阵， 表示矩阵与向量相乘。 7.根据权利要求6所述的基于交易模式识别的异常交易检测方法， 其特征在于， 所述将 所述分类特征矩阵通过分类器以得到分类结果， 所述分类结果用于表示待检测交易数据是 否属于交易异常， 包括： 使用所述分类 器以如下公式对所述分类特 征矩阵进行处 理以得到所述分类结果； 其中， 所述公式为： ， 其中 表示将所述 分类特征矩阵投影为向量， 至 为各层全连接层的权重矩阵， 至 表示各层全连接层 的偏置向量。 8.根据权利要求1所述的基于交易模式识别的异常交易检测方法， 其特征在于， 还包括 训练步骤： 对所述包含嵌入层的上下文编码器、 所述包含多个混合卷积层的卷积神经网络 模型和所述分类 器进行训练； 所述训练步骤， 包括： 获取训练数据， 所述训练数据包括被标注为正常交易的多次训练交易数据、 训练待检 测交易数据， 以及， 所述训练待检测交易数据是否属于交易异常的真实值； 基于所述被标注为 正常交易的多次训练 交易数据， 生成训练正常交易特 征向量； 将所述训练待检测 交易数据中的多个数据项通过所述包含嵌入层的上下文编码器以 得到多个训练 交易上下文语义特 征向量； 将所述多个训练交易上下文语义特征向量进行级联以得到训练第一尺度交易语义特 征向量；权　利　要　求　书 2/4 页 3 CN 115456789 A 3