(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 20221028789 2.2 (22)申请日 2022.03.23 (71)申请人 上海携程小额贷款有限责任公司 地址 200335 上海市长 宁区金钟路9 99号2 幢2楼2F03室 (72)发明人 丁炜　徐何飞　贾华宇　 (74)专利代理 机构 上海隆天律师事务所 31282 专利代理师 万铁占 (51)Int.Cl. G06F 16/35(2019.01) G06F 40/30(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 异常行为识别及模型训练方法、 装置、 设备 及存储介质 (57)摘要 本发明提供了异常行为识别及模型训练方 法、 装置、 设备及存储介质， 在异常行为识别方法 中， 获取用户对业务页面的行为动作数据， 对行 为动作数据进行向量编码， 得到表征向量， 将表 征向量输入基于机器学习模型构建的异常行为 识别模型， 输出异常行为识别结果。 本公开实施 例不同于相关技术基于业务数据的风险用户识 别方案， 更关注用户对业务页面的行为动作本身 的行为属性， 进而通过识别异常行为最终预测风 险用户的目的， 因此本公开实施例提出利用模型 对行为动作数据识别用户异常行为及对应的风 险用户， 具有较强可 行性和准确率。 权利要求书3页 说明书11页 附图3页 CN 114637850 A 2022.06.17 CN 114637850 A 1.一种异常行为识别方法， 其特 征在于， 包括： 获取用户对业 务页面的行为动作数据； 对所述行为动作数据进行向量编码， 得到表征向量； 将所述表征向量输入基于机器学习 模型构建的异常行为识别模型， 输出异常行为识别 结果。 2.根据权利要求1所述的异常行为识别方法， 其特征在于， 获取用户对业务页面的行为 动作数据， 包括： 服务端从用户终端接收用户对所述 业务页面的行为动作数据。 3.根据权利要求1所述的异常行为识别方法， 其特征在于， 所述获取用户对业务页面的 行为动作数据， 包括： 获取用户在提交至少一项业务的业务处理请求之前及之后对相应业务页面的行为动 作数据。 4.根据权利要求1所述的异常行为识别方法， 其特征在于， 获取用户对业务页面的行为 动作数据， 包括： 获取用户在目标时间区间内对业 务页面的行为动作数据。 5.根据权利要求1所述的异常行为识别方法， 其特征在于， 获取用户对业务页面的行为 动作数据， 包括： 获取所述业务页面的文本标识、 及所述用户对所述 业务页面的行为动作的文本标识； 将所述业务页面的文本标识与对应的所述行为动作的文本标识进行拼接， 得到所述行 为动作数据。 6.根据权利要求5所述的异常行为识别方法， 其特征在于， 将所述业务页面的文本标识 与对应的所述行为动作的文本标识进行拼接， 得到所述行为动作数据， 包括： 将所述业务页面的文本标识与对应的所述行为动作的文本标识进行拼接， 得到拼接动 作数据； 基于行为动作之间的时序关系， 利用所述拼接动作数据构建序列化的所述行为动作 数 据。 7.根据权利要求5所述的异常行为识别方法， 其特征在于， 对所述行为动作 数据进行向 量编码， 得到表征向量， 包括： 采用词嵌入 对所述行为动作数据进行词向量编码， 得到基于词向量的表征向量。 8.根据权利要求7所述的异常行为识别方法， 其特征在于， 对所述行为动作 数据进行向 量编码， 得到表征向量， 还 包括： 在所述基于词向量的表征向量中拼接行为动作之间的动作间隔时间。 9.根据权利要求1所述的异常行为识别方法， 其特征在于， 将所述表征向量输入基于机 器学习模型构建的异常行为识别模型， 输出异常行为识别结果， 包括： 将所述表征向量输入所述异常行为识别模型， 利用所述异常行为识别模型对所述表征 向量提取行为特征向量， 并利用模型参数对所述行为特征向量进行处理， 输出异常行为识 别结果。 10.根据权利要求9所述的异常行为识别方法， 其特征在于， 所述异常行为识别模型包 括C‑LSTM模型， 则所述利用所述异常行为识别模型对所述表征向量提取行为特征向量， 包权　利　要　求　书 1/3 页 2 CN 114637850 A 2括： 将所述表征向量输入卷积神经网络， 使用所述卷积神经网络在所述表征向量中提取第 一行为特 征向量； 将所述第一行为特征向量输入LSTM递归神经网络， 使用所述LSTM递归神经网络在所述 第一行为特征向量中提取第二行为特征向量， 其中所述第二行为特征向量作为所述异常行 为识别模型的输入。 11.根据权利要求10所述的异常行为识别方法， 其特征在于， 所述异常行为识别模型还 包括全连接层， 则所述利用模型参数对所述行为特征向量进行处理， 输出异常行为识别结 果， 包括： 将所述第二行为特征向量输入所述全连接层， 利用所述全连接层的模型参数对所述第 二行为特 征向量识别异常行为， 将所述异常行为 概率作为异常行为识别结果。 12.根据权利要求11所述的异常行为识别方法， 其特征在于， 利用模型参数对所述行为 特征向量进行处 理， 输出异常行为识别结果， 还 包括： 在将所述第 二行为特征向量输入所述全连接层之前， 采用注意力 机制对所述第 二行为 特征向量进行注意力计算， 输出基于注意力的第二行为特 征向量。 13.一种异常行为识别模型训练方法， 其特 征在于， 包括： 获取用户对业 务页面的行为动作数据样本； 对所述行为动作数据样本进行向量编码， 得到表征向量； 将所述表征向量输入异常行为识别模型， 输出异常行为识别结果， 并根据所述异常行 为识别结果确定模型损失函数， 利用所述模型损失函数训练异常行为识别模型。 14.根据权利要求13所述的异常行为识别模型训练方法， 其特征在于， 所述异常行为识 别模型包括C ‑LSTM模型及与所述C ‑LSTM模型 连接的全连接层； 将所述表征向量输入异常行为识别模型， 输出异常行为识别结果， 并根据所述异常行 为识别结果确定模型损失函数， 利用所述模型损失函数训练异常行为识别模型， 包括： 将所述行为特征向量输入所述C ‑LSTM模型， 所述C ‑LSTM模型提取行为特征向量， 并将 所述行为特 征向量输入所述全连接层， 输出异常行为识别结果； 根据所述异常行为识别结果计算所述模型损失函数， 利用所述模型损失函数训练所述 C‑LSTM模型及全连接层。 15.根据权利要求14所述的异常行为识别模型训练方法， 其特征在于， 所述异常行为识 别模型还 包括位于所述C ‑LSTM模型及全连接层之间的注意力模型； 所述异常行为识别模型训练方法还 包括： 利用所述模型损失函数训练所述注意力模型。 16.一种异常行为识别装置， 其特 征在于， 包括： 第一获取模块， 获取用户对业 务页面的行为动作数据； 第一编码模块， 对所述行为动作数据进行向量编码， 得到表征向量； 异常行为识别模块， 将所述表征向量输入基于机器学习模型构建的异常行为识别模 型， 输出异常行为识别结果。 17.一种异常行为识别模型训练装置， 其特 征在于， 包括： 第二获取模块， 获取用户对业 务页面的行为动作数据样本；权　利　要　求　书 2/3 页 3 CN 114637850 A 3