(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210308309.1 (22)申请日 2022.03.28 (65)同一申请的已公布的文献号 申请公布号 CN 114418752 A (43)申请公布日 2022.04.29 (73)专利权人 北京芯盾时代科技有限公司 地址 102300 北京市门头沟区莲石湖西路 98号院5号楼 2201室 (72)发明人 郭翊麟　孙悦　蔡准　郭晓鹏　 (74)专利代理 机构 北京乐知新创知识产权代理 事务所(普通 合伙) 11734 专利代理师 周伟 (51)Int.Cl. G06Q 40/02(2012.01) G06Q 40/04(2012.01)G06K 9/62(2022.01) G06N 3/08(2006.01) 审查员 李佳玲 (54)发明名称 无类型标签用户数据 的处理方法、 装置、 电 子设备和介质 (57)摘要 本公开提供了一种无类型标签用户数据的 处理方法、 装置、 设备及存储介质， 包括： 根据用 户的交易特征数据对用户进行聚类， 得到特定数 量的簇； 确定簇为包含无类型标签用户的无类型 标签簇或不包含无类型标签用户的有类型标签 簇； 类型标签用于指示用户异常或正常； 选取特 定数量的无类型标签簇作为样 本簇； 从样本簇中 选取相似度最大的特定数量的第一用户， 根据被 选取的第一用户构建正样本对； 选取相似度满足 设定条件的两个样本簇， 分别从该两个样本簇选 取第一用户， 根据被选取的第一用户构建负样本 对； 为正样本对配置相似的相似度标签， 为负样 本对配置不相似的相似度标签； 将具有相似度标 签的正样本对和负样本对构建为无类型标签样 本集合。 权利要求书2页 说明书13页 附图3页 CN 114418752 B 2022.07.12 CN 114418752 B 1.一种无类型 标签用户数据的处 理方法， 其特 征在于， 所述方法包括： 根据用户的交易特 征数据对用户进行聚类， 得到特定数量的簇； 确定所述簇为无类型标签簇或有类型标签簇； 所述无类型标签簇 中包含无类型标签用 户， 所述有类型标签簇中不包含无类型标签用户； 所述类型标签用于指示所述用户异常或 正常； 选取特定数量的无类型 标签簇作为样本 簇； 从所述样本簇 中选取相似度最大的特定数量的第 一用户， 根据被选取的第 一用户构建 正样本对； 将两两样本簇构成对应的样本簇对； 计算每个样本簇对的簇对中心点距离， 所述簇对 中心点距离为样本 簇对中两个样本 簇的中心点之间的距离； 按照所述簇对中心点距离从大到小的顺序， 选取特定数量的样本簇对， 并从中抽取一 个样本簇对， 得到相似度满足设定条件的两个样本簇， 分别从该两个样本簇选取所述第一 用户， 根据被选取的第一用户构建负 样本对； 为所述正样本对配置相似的相似度标签， 为所述负 样本对配置不相似的相似度标签； 将具有相似度标签的正样本对和负 样本对构建为无类型 标签样本集 合。 2.根据权利要求1所述的方法， 其特征在于， 所述得到特定数量的簇之后， 且确定所述 簇为无类型 标签簇或有类型 标签簇之前， 该 方法还包括： 统计每个簇 中有类型标签的用户数量和无类型标签的用户数量， 若所述簇 中有类型标 签的用户数量大于无类型标签的用户数量， 且有类型标签的用户类型标签的标签值全为正 常或全为异常， 则为所述簇中的无类型 标签的用户生成类型 标签。 3.根据权利要求2所述的方法， 其特征在于， 为所述簇 中的无类型标签的用户生成类型 标签， 包括： 若所述簇 中有类型标签的用户的类型标签的标签值全为正常， 则所述簇 中的无类型标 签的用户的类型标签的标签值设为正常； 若 所述簇中有类型标签的用户的类型标签的标签 值全为异常， 则所述簇中的无类型 标签的用户的类型 标签的标签值设为异常。 4.根据权利要求1所述的方法， 其特征在于， 所述选取特定数量的无类型标签簇作为样 本簇， 包括： 对于任意一个无类型标签簇， 根据该簇中各用户的交易特征数据确定该簇的中心点， 并计算该簇的中心点与其 他所有无类型 标签簇的中心点之间的平均距离； 按照每个无类型标签簇对应的所述平均距离从大到小的顺序， 选取特定数量的无类型 标签簇作为样本 簇。 5.根据权利要求4所述的方法， 其特征在于， 从样本簇 中选取相似度最大的特定数量的 第一用户， 包括： 计算所述样本簇 中各个用户的用户中心点距离， 所述用户中心点距离为所述用户与 所 述样本簇中心点的距离； 按照所述用户中心点距离从小到大的顺序， 从所述样本簇中选取特定数量的第一用 户。 6.根据权利要求5所述的方法， 其特 征在于， 根据被选取的第一用户构建正样本对， 包括：权　利　要　求　书 1/2 页 2 CN 114418752 B 2被选取的所述第一用户分别与所述中心点组成相应的正样本对； 根据被选取的第一用户构建负 样本对， 包括： 被选取的两个样本 簇中的被选取的第一用户两 两组成相应的负 样本对。 7.根据权利要求1所述的方法， 其特征在于， 所述确定所述簇为无类型标签簇或有类型 标签簇之后， 该 方法还包括： 将所有的簇中的有类型 标签的用户组成有类型 标签样本集 合； 相应的， 该 方法还包括： 所述有类型标签样本集合与 所述无类型标签样本集合构 成训练样本， 将所述训练样本 输入深度学习模型训练， 优化所述深度学习模型， 得到优化后的深度学习模型； 基于待识别的用户的交易特征数据， 通过所述优化后的深度学习模型， 确定所述待识 别的用户的类型为异常或正常。 8.一种无类型 标签用户数据的处 理装置， 其特 征在于， 所述装置包括： 用户聚类模块： 用于根据用户的交易特征数据对用户进行聚类， 得到特定数量的簇； 确 定所述簇为无类型标签簇或有类型标签簇； 所述无类型标签簇中包含无类型标签用户， 所 述有类型 标签簇中不包 含无类型 标签用户； 所述类型 标签用于指示所述用户异常或正常； 样本簇构建模块： 用于 选取特定数量的无类型 标签簇作为样本 簇； 样本对构建模块： 用于从所述样本簇中选取相似度最大的特定数量的第一用户， 根据 被选取的第一用户构建正样本对； 将两两样本簇构成对应的样本簇对； 计算每个样本簇对 的簇对中心点距离， 所述簇对中心点距离为样本簇对中两个样本簇的中心点之间的距离； 按照所述簇对中心点距离从大到小的顺序， 选取特定数量的样本簇对， 并从中抽取一个样 本簇对， 得到相似度满足设定条件的两个样本簇， 分别从该两个样本簇选取所述第一用户， 根据被选取的第一用户构建负 样本对； 相似度标签生成模块： 用于为所述正样本对配置相似的相似度标签， 为所述负样本对 配置不相似的相似度标签； 将具有相似度标签的正样本对和负样本对构建为无类型标签样 本集合。 9.一种电子设备， 其特 征在于， 包括： 至少一个处 理器； 以及 与所述至少一个处 理器通信连接的存 储器； 其中， 所述存储器存储有可被所述至少一个处理器执行的指令， 所述指令被所述至少一个处 理器执行， 以使所述至少一个处 理器能够执 行权利要求1 ‑7中任一项所述的方法。 10.一种存储有计算机指令的非瞬时计算机可读存储介质， 其特征在于， 所述计算机指 令用于使所述计算机执 行根据权利要求1 ‑7中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 114418752 B 3