基于人工智能的行为识别方法、装置、服务器和存储介质
文献发布时间:2024-01-17 01:26:37
技术领域
本申请涉及计算机领域,具体涉及一种基于人工智能的行为识别方法、装置、服务器和存储介质。
背景技术
随着计算机技术的发展,对对象行为识别技术的应用越来越广泛,如云技术、人工智能、互联网等各种场景。尤其是在互联网应用场景下,越来越多的对象通过互联网进行各种各样的活动,对异常行为的识别需求越来越大。
然而,现有技术在对对象行为进行识别时,一般都是通过获取对象特定行为关键字,对关键字进行判断来识别对象行为是否异常,不能全面地对对象行为特征进行识别,识别结果准确性低。
发明内容
本申请实施例提供一种基于人工智能的行为识别方法、装置、服务器和存储介质,可以多维度挖掘对象行为特征的关联性,提升识别结果的准确性。
本申请实施例提供一种基于人工智能的行为识别方法,包括:获取多个对象行为特征,所述对象行为特征由多种不同类型的子特征组成;对所述多个对象行为特征进行特征交互,得到初始特征组,所述初始特征组包括多种目标特征,每种所述目标特征与一种子特征类型对应;对不同类型的所述目标特征进行特征交互,得到目标特征组;根据所述目标特征组,确定对所述多个对象行为特征的识别结果,以便根据所述识别结果确定异常对象。
本申请实施例还提供一种基于人工智能的行为识别装置,包括:获取单元,用于获取多个对象行为特征,所述对象行为特征由多种不同类型的子特征组成;第一计算单元,用于对所述多个对象行为特征进行特征交互,得到初始特征组,所述初始特征组包括多种目标特征,每种所述目标特征与一种子特征类型对应;第二计算单元,用于对不同类型的所述目标特征进行特征交互,得到目标特征组;识别单元,根据所述目标特征组,确定对所述多个对象行为特征的识别结果,以便根据所述识别结果确定异常对象。
本申请实施例还提供一种服务器,包括存储器存储有多条指令;所述处理器从所述存储器中加载指令,以执行本申请实施例所提供的任一种基于人工智能的行为识别方法中的步骤。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有多条指令,所述指令适于处理器进行加载,以执行本申请实施例所提供的任一种基于人工智能的行为识别方法中的步骤。
本申请实施例还提供一种计算机程序产品,包括计算机程序/指令,所述计算机程序/指令被处理器执行时实现本申请实施例所提供的任一种基于人工智能的行为识别方法中的步骤。
本申请实施例可以获取多个对象行为特征,所述对象行为特征由多种不同类型的子特征组成;对所述多个对象行为特征进行特征交互,得到初始特征组,所述初始特征组包括多种目标特征,每种所述目标特征与一种子特征类型对应;对不同类型的所述目标特征进行特征交互,得到目标特征组;根据所述目标特征组,确定对所述多个对象行为特征的识别结果,以便根据所述识别结果确定异常对象。在本申请中,可以通过对多个对象行为特征进行特征交互,关注对象行为特征之间的相关性,再结合在不同类型特征之间进行特征交互,关注对象行为的上下文相关性,以多维度挖掘对象行为之间的关联性,提升识别结果的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的基于人工智能的行为识别方法的场景示意图;
图2是本申请一个实施例提供的基于人工智能的行为识别方法的流程示意图;
图3是本申请实施例提供的计算调整后的对象行为特征方法的示意图;
图4是本申请实施例提供的对预设的行为识别模型进行训练的流程示意图;
图5是本申请另一个实施例提供的基于人工智能的行为识别方法的流程示意图;
图6是本申请实施例提供的基于人工智能的行为识别方法的框架图;
图7是本申请实施例提供的对训练用的对象行为序列进行预处理得到训练样本的流程示意图;
图8是本申请实施例提供的对金额进行特征增强的示意图;
图9是本申请实施例提供的对行为类型进行独热编码的示意图;
图10是本申请实施例提供的基于人工智能的行为识别装置的结构示意图;
图11是本申请实施例提供的服务器的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提供一种基于人工智能的行为识别方法、装置、服务器和存储介质。
其中,该基于人工智能的行为识别装置具体可以集成在电子设备中,该电子设备可以为终端、服务器等设备。其中,终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、或者个人电脑(Personal Computer,PC)等设备;服务器可以是单一服务器,也可以是由多个服务器组成的服务器集群。
在一些实施例中,该基于人工智能的行为识别装置还可以集成在多个电子设备中,比如,基于人工智能的行为识别装置可以集成在多个服务器中,由多个服务器来实现本申请的基于人工智能的行为识别方法。
在一些实施例中,服务器也可以以终端的形式来实现。
例如,参考图1,基于人工智能的行为识别装置集成在服务器中,该服务器可以从数据库获取多个对象行为特征,对象行为特征由多种不同类型的子特征组成;对多个对象行为特征进行特征交互,得到初始特征组,初始特征组包括多种目标特征,每种目标特征与一种子特征类型对应;对不同类型的目标特征进行特征交互,得到目标特征组;根据目标特征组,确定对多个对象行为特征的识别结果。
在本实施例中,电子设备可以通过对多个对象行为特征进行特征交互,关注对象行为特征之间的相关性,再结合在不同类型特征之间进行特征交互,关注对象行为的上下文相关性,以多维度挖掘对象行为之间的关联性,提升识别结果的准确性。
可以理解的是,在本申请的具体实施方式中,涉及到对象行为特征、对象行为信息,对象行为序列等相关的数据,当本申请所有实施例运用到具体产品或技术中时,需要获得对象许可或者同意,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
以下分别进行详细说明。需说明的是,以下实施例的序号不作为对实施例优选顺序的限定。
人工智能(Artificial Intelligence,AI)是一种利用数字计算机来模拟人类感知环境、获取知识并使用知识的技术,该技术可以使机器具有类似于人类的感知、推理与决策的功能。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习、自动驾驶、智慧交通等几大方向。
机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
随着人工智能技术研究和进步,人工智能技术在多个领域展开研究和应用,例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服、车联网、自动驾驶、智慧交通等,相信随着技术的发展,人工智能技术将在更多的领域得到应用,并发挥越来越重要的价值。
在本实施例中,提供了一种涉及人工智能的基于人工智能的行为识别方法,如图2所示,该基于人工智能的行为识别方法的具体流程可以如下:
110、获取多个对象行为特征,对象行为特征由多种不同类型的子特征组成。
其中,对象是指可以执行行为的客体,如人或智能电子设备,等等。对象行为特征是用来表示对象执行行为的特征信息,对象行为特征可以通过对对象行为信息提取得到,子特征是指构成对象行为特征的特征,子特征可以通过对对象行为信息中的不同种类的信息提取得到。对象行为信息是指对象执行行为的信息,对象行为信息可以包括多种与多种子特征一一对应的子信息,如执行的行为、执行的时间、执行的内容,等等。
需说明的是,本申请可以应用于多种对象行为识别的场景,例如,社交、金融、线上消费等场景。针对不同的应用场景可以设置不同的子特征类型,例如针对金融场景,可以设置时间信息、行为数据以及金融值等子特征类型,以识别对象的违规交易行为,针对社交场景(如判断对象是否为恶意评论),可以设置时间信息、行为数据以及评论关键字。
尤其是对包含金融行为的风控场景,能够更好地识别对象的异常金融行为。例如,当本申请应用在金融场景时,对象在执行转账行为时,产生的对象行为信息可以为“在7月1日转账1000元”,其中包含“7月1日”、“转账”以及“1000”这三种子信息,通过自然语言处理从该信息中提取得到“7月1日”、“转账”以及“1000”对应的三种子特征,组合得到对象行为特征“2021年7月1日-转账-1000”,以表示对象在7月1日执行了转账1000元的行为。
对象行为信息可以为文本信息、语音信息、图像信息等中的任意一种或多种的组合。当为文本信息时,可以通过自然语言处理获取子特征,当为语音信息或图像信息时,可以通过语音识别或图像识别等获取子特征。例如,经过语音识别或图像识别,将语音信息或图像信息转化为文本信息,通过自然语言处理获取子特征。
可以按照子特征属性分类子特征,例如按照子特征的属性,将子特征分为时间、金额、行为、位置或对象属性等多种类型,也可以按照预设的特征类型对子特征进行分类,例如将可量化的特征如时间、金额等作为第一类型,将不可量化的特征如行为、位置或对象属性等作为第二类型,等等。由于对象行为信息的子信息与子特征具有对应关系,因此子特征的类型也对应子信息的类型。
在一些实施方式中,为了尽可能多的保留对象行为信息的特征,对对象行为信息中的不同子信息分别进行特征提取,具体地,步骤110可以包括步骤1.1~1.3,如下:
1.1、获取多个对象行为信息,每个对象行为信息包括多种子信息;
1.2、对子信息进行特征提取,得到子信息对应的子特征;
1.3、针对每个对象行为信息,组合对象行为信息对应的所有子特征,得到每个对象行为信息对应的对象行为特征。
在对对象行为信息进行特征提取时,可以根据子信息类型对对象行为信息进行匹配得到子信息,并编译得到子特征,也可以使用自然语言处理等方法得到子特征。需要说明的是,在对对象行为特征进行计算时,对象行为特征可以以向量形式表示,以便执行计算过程,例如,从对象行为信息中提取子信息,并对子信息进行编译以及向量映射,得到以向量形式表示的子特征,再组合子特征得到对象行为特征,也可以对子信息进行编译,得到以数字形式表示的子特征,将子特征作为分量,组合得到对象行为特征,例如,对“在7月1日转账1000元”这一对象行为信息,分别编译字段信息“7月1日”、“转账”以及“1000”,得到向量701、1以及1000,组合得到向量(701,1,1000),即作为对象行为特征。
在一些实施方式中,为了获取可能存在关联性的对象行为信息,增加对对象行为信息识别的准确性,步骤1.1可以包括步骤:获取对象行为序列,对象行为序列包括多个对象行为信息。也即,多个对象行为特征为对象行为特征序列,步骤110可以包括步骤:获取对象行为特征序列,对象行为特征序列包括多个对象行为特征。
其中,对象行为序列是指由多个对象行为组成的序列,其中多个对象行为可以按照预设排序规则排序,例如按照时间先后顺序或金融值大小等,也可以随机排序,等等。对象行为序列可以由同一对象对应的多个对象行为信息组成,也可以由满足预设条件的不同对象对应的多个对象行为信息组成,等等。例如,获取位于同一聊天群组内的多个对象的对象行为信息,如同一聊天群组的有多个对象,在群组内执行了转账、发红包或抢红包等行为,可以获取任意一个对象在执行行为(转账、发红包或抢红包行为)时对应的对象名、行为类型、时间以及金融值作为对象行为信息,将该聊天群组内的所有或部分对象行为信息作一个为对象行为序列。
在一些实施方式中,为了准确识别特定对象的行为,对象行为序列可以包括同一对象对应的多个对象行为信息。
在一些实施方式中,为了便于对同类型子特征进行处理,在步骤110之后还可以包括步骤:根据子特征的类型,从多个对象行为特征中提取得到多个子特征序列,每个子特征序列对应一种子特征类型。
在一些实施方式中,多个对象行为特征可以以多种形式表示,为了便于对同类型子信息进行处理,以多路子特征序列的形式表示多个对象行为特征,步骤110可以包括步骤2.1~2.5,如下:
2.1、获取多个对象行为信息,每个对象行为信息包括多种子信息;
2.2、根据子信息的类型,得到多个子信息序列;
2.3、对子信息进行特征提取,得到子信息对应的子特征;
2.4、根据多个子信息序列以及子特征,得到多个子特征序列;
2.5、组合多个子特征序列,得到多个对象行为特征。
在有多个对象行为特征时,在对多个对象行为信息提取得到子信息以后,可以按照预设的排序规则对子信息进行排序,例如,按照可以按照预设的排序规则对子信息进行排序等,也可以按照随机顺序,也可以按照该多个对象行为信息的排序规则将相同类型的子信息进行排序,得到多路子信息序列每路子信息序列对应一种子信息类型,并根据多路子信息序列得到多路子特征序列。例如,对“在7月1日转账1000元”、“在8月10日支付500元”以及“在9月15日到账800元”,可以得到三路子信息“7月1日-8月10日-9月15日”、“转账-支付-到账”以及“1000-500-800”,可以得到以向量形式表示的三路子特征序列:(701,810,915)、(01,02,03)以及(1000,500,800),此时每个对象行为特征对应三路子特征序列中的一个分量,以此来表示多个对象行为特征。
在一些实施方式中,为了使得多个对象行为特征之间的子特征相互对应,避免特征关系混乱,多个子信息序列的排序规则可以相同,即如按金额从大到小的顺序进行排序后三路子信息可以为“7月1日-9月15日-8月10日”、“转账-到账-支付”以及“1000-800-500”,子特征序列的排序规则可以与子信息序列的排序规则对应。
在一些实施方式中,子信息包含时间信息,通过计算时间信息之间的时间差,利用时间差分量化时间值,能够简化时间信息对应的特征的表达形式,降低时间维度特征的难度,同时能够更大程度地保留时间的原始特性,具体地,步骤1.2或步骤2.3可以包括步骤3.1~3.4,如下:
3.1、获取所有对象行为信息中的时间信息;
3.2、计算任意两个时间信息之间的时间差;
3.3、通过时间差对时间信息进行赋值,得到时间信息对应的值;
3.4、将时间信息对应的值确定为时间信息对应的子特征。
其中,时间信息是指与对象行为相关的时间信息,可以包括对象行为发生时间,接收该对象行为的时间或系统记录该对象行为的时间,等等,例如对象行为为对象A向对象B转账,则时间信息可以为对象A发起转账的时间、对象B接收转账的时间或系统对该笔转账进行记录/结算的时间,等等,时间信息可以以时间戳形式表示,也可以为通过计时器或计数器记录的时间,等等。
其中,时间差可以为相邻两个时间信息之间的差值,也可以为任意一个时间信息与基准时间信息的时间差,等等。该基准时间信息为根据预设条件确定一个时间信息,可以为所有时间信息中的任意一个,也可以为所有时间信息中的首位时间信息,等等。该首位时间信息可以为对所有时间进行排序后最早的一个时间信息,也可以为按照多个对象信息排序后的首位时间信息。时间差可以以天、小时、分、秒或毫秒等时间单位作为时间单位,具体可以根据应用场景或经验选择。例如,对于时间信息“7月1日-8月10日-9月15日”,可以以天作为时间差单位,此时,若以8月10日为基准时间信息,则时间差为40、0、-36,若以7月1日为基准时间信息,时间差为0、40、76。在获取到时间信息之间的时间差后,可以将该时间差作为时间信息的值,并将其作为子特征,例如,当对象行为特征为向量时,在时间差为40、0、-36,该40、0、-36可以分别作为7月1日、8月10日、9月15日对应的分量。
在一些实施方式中,为了简化对计算时间差以及赋值过程,也便于增加新的对象行为信息对应的时间信息,步骤3.2可以为:计算每个时间信息与前一时间信息的时间差。首位时间信息可以赋值为0。
在一些实施方式中,子信息包含行为数据,为了合理的量化行为数据,通过行为类型对行为数据进行编码,具体地,步骤1.2或步骤2.3可以包括步骤4.1~4.4,如下:
4.1、获取行为数据的行为类型;
4.2、确定行为类型对应的编码;
4.3、将行为数据的行为类型对应的编码确定为行为数据对应的编码;
4.4、将行为数据对应的编码确定为行为数据对应的子特征。
其中,行为数据是指用来表示对象执行的行为的数据。例如,在对象执行转账行为时,产生的对象行为信息可以为“在7月1日转账1000元”,但其执行的行为为转账,此时行为数据为“转账”。
行为类型是指对象执行的行为对应的类型,可以针对应用场景或者根据经验,将对象执行的行为划分为多种类型,例如,当本申请应用在社交场景时,当针对对象的金融行为,可以将对象的行为分为转出、转入等类型,此时转出可以包括转账、发红包等具体行为,转入可以包括收款、领红包等具体行为。此时,可以将转出编码为01,转入编码为02,当对象的行为为转账时,则可以确定该行为对应的编码为01,此时可以将02作为对象转账行为对应的子特征。也可以在获取对象行为信息之前,对对象行为信息进行预处理,以行为对应的行为类型表征行为数据,即步骤2.1中获取的对象行为信息中的行为数据为行为类型,因此可以省略步骤4.1,或在步骤1中将行为数据直接作为行为类型。
在一些实施方式中,为了使行为类型对应特征的欧式距离更加合理,增加识别结果的准确性,步骤4.2可以包括步骤:通过独热编码,对行为类型进行编码。例如,需要编码的行为类型包括转账、借款、退款、支付等类型,此时通过独热编码可以将其分别表示为(1,0,0,0)、(0,1,0,0)、(0,0,1,0)以及(0,0,0,1),以此将不同行为类型转换为4维的稀疏向量,让特征之间的距离计算更加合理。
在一些实施方式中,子信息包括金融值,由于不同金融值差异大,通过对金融值进行权重计算,减小金融值之间的偏差,提高处理过程对差异大的金融值的兼容性,具体地,步骤1.2或步骤2.3可以包括步骤5.1~5.4,如下:
5.1、获取所有对象行为信息中的金融值,得到初始向量;
5.2、获取预设的权重矩阵;
5.3、通过预设的权重矩阵对初始向量进行权重计算,得到目标向量;
5.4、根据目标向量中与金融值对应的分量,得到金融值对应的子特征。
在本申请实施例应用的场景,例如社交、金融、线上消费等场景中,对涉及金融行为的对象行为是需要识别的重要行为,也是常见的违规行为。因此在获取对象行为信息时,要获取对象金融行为中的金融值。金融值可以包括金额、股票、期权等可以转换为现金价值的数值。在实际应用场景中,风险对象常会以其他类型的词语代替金融值,因此在步骤110之前可以根据经验将这些词汇转化为金融值对应的词语。
其中,预设的权重矩阵可以根据应用的场景或经验预先设置。通过将所有金融值作为向量的分量组成初始向量,根据预设的权重矩阵对初始向量进行权重计算,如加权求和,得到目标向量。例如,初始向量可以为n维的列向量,预设的权重矩阵可以为n×n的矩阵,将预设的权重矩阵×初始向量,即得到目标向量,目标向量为n维的列向量。可以将目标向量中与金融值对应的分量作为该金融值对应的子特征,也可以对该分量进行偏置计算后得到该金融值对应的子特征,等等。
在一些实施方式中,为了提高处理过程对差异大的金融值的兼容性,步骤5.4可以包括:对目标向量中与金融值对应的分量进行偏置计算,得到金融值对应的子特征。如,在获得目标向量后,可以将每个分量与其对应的偏置值相加,得到该分量对应的子特征。
在一些实施方式中,为了识别对象异常的金融行为,子信息包括金融值,由于金额值会以大额数据表示,如万、百万等,在后续特征交互过程中计算量大,因此通过对金融值进行特征增强,提高金融特征表达能力,提升计算速度,步骤1.2或步骤2.3可以包括步骤6.1~6.2,如下:
6.1、通过目标运算对所有所述金融值进行特征增强,得到每个金融值对应的目标金融值;
6.2、针对每个金融值,将金融值对应的目标金融值确定为金融值对应的子特征。
其中,目标运算是指用来调整所有金融值大小的运算,可以为线性运算,如加法、乘积,等等,也可以为非线性运算,如对数运算、开方运算、指数运算、三角函数运算,等等。通过对所有金融值进行目标运算,可以将每个金融值调整至满足预设的数值大小,例如,通过差分运算将过大的金融值调整至合理范围。
在一些实施过程中,为了简化计算过程,目标运算为线性运算。如,将所有金融值都除以一个系数,以同时倍减所有金融值。
在一些实施方式中,为了识别对象异常的金融行为,子信息包括金融值,为了在减小金融值之间的偏差的同时提高金融特征表达能力,步骤1.2或步骤2.3可以包括步骤7.1~7.5,如下:
7.1、通过目标运算对所有所述金融值进行特征增强,得到每个金融值对应的目标金融值;
7.2、获取所有目标金融值,得到初始向量;
7.3、获取预设的权重矩阵;
7.4、通过预设的权重矩阵对初始向量进行权重计算,得到目标向量;
7.5、根据目标向量中与金融值对应的分量,得到金融值对应的子特征。
需说明的是,步骤7.1~7.5的具体实现过程可参考前述步骤5.1~5.4以及步骤6.1~6.2的对应描述,在此不再赘述。在通过处理金融值,在进行权重计算前增强金融值特征,能够更大程度地保留金融值的原始特性,提高识别异常金融行为的准确性。
120、对多个对象行为特征进行特征交互,得到初始特征组,初始特征组包括多种目标特征,每种目标特征与一种子特征类型对应。
其中,特征交互是指对特征向量进行相互计算,以实现特征交互融合。可以采用具有注意力机制的RNN(Recurrent Neural Network,循环神经网络)网络、DNN(Deep NeuralNetwork,深度神经网络)网络,FNN(Factorization-machine supported NeuralNetworks,前馈神经网络)网络等对特征进行特征交互,等等。
其中,目标特征是初始特征组中与子特征类型对应的特征。例如,当预设的子特征类型为金融时,该子特征类型对应的特征在进行特征交互后,得到的对应的子特征即为目标特征。
在一些实施方式中,通过对多个对象行为特征线性变换得到全局注意力权重,并根据全局注意力特征,对对象行为特征进行调整,得到具有全局注意力的对象行为特征,步骤120可以包括步骤8.1~8.3,如下:
8.1、对所述多个对象行为特征进行线性变换,得到注意力权重;
8.2、针对每个对象行为特征,根据注意力权重对对象行为特征进行权重计算,得到调整后的对象行为特征;
8.3、组合所有调整后的对象行为特征,得到初始特征组。
其中,注意力权重可以包括关系值以及特征值,其中关系值可以为Q(Query)值或K(Key)值中的至少一种,特征值可以为V(Value)值,其中,Q用来学习自己本身和其他元素之间的关系,K用来学习其他元素和本身之间的关系,V则是表示每个元素的特定信息,元素对应本申请实施例的每个对象行为特征。Q值、K值以及V值可以由嵌入结果经过不同的线性变换得到,假设X∈R
其中,初始特征组是将对象行为特征合并得到的特征组合,可以表现为集合或矩阵形式,等等。例如,对象行为特征以n×1的列向量表示,将m对象行为特征对应的列向量组合,得到n×m的矩阵,即得到初始特征组。
在一些实施方式中,也可以通过卷积算子对多个对象行为特征进行卷积计算,得到初始特征组,卷积算子长度可以为2~5,具体地,步骤120可以包括步骤9.1~9.2,如下:
9.1、针对每个子特征序列,对所有子特征进行卷积计算,得到卷积后的子特征序列;
9.2、组合所有卷积后的子特征序列,得到初始特征组。
130、对不同类型的目标特征进行特征交互,得到目标特征组。
对不同类型的目标特征进行线性或非线性运行,或对不同类型的目标特征,分别建立特征组,对不同类型的目标特征组之间参照步骤8.1~8.3的方法进行交互计算,得到目标特征组,等等。
在一些实施方式中,通过向量点积计算,在目标特征之间相互进行增强,步骤130可以包括步骤10.1~10.2,如下:
10.1、从初始特征组中,获取所述目标特征对应的向量;
10.2、对不同类型的目标特征对应的向量进行向量点积计算,得到目标特征组。
其中,目标特征组是对不同类型的至少两个目标特征对应的向量进行向量点积计算得到的结果,例如,目标特征可以包括金融和时间两个类型,将金融对应的子特征以及时间对应的子特征分别表示为向量,通过两个向量的点积计算(即关联项),以学习金融对应的子特征和时间对应的子特征之间的关联,实现增强目标特征。上述步骤10.1~10.2也可以通过如下公式实现:
上式中,前两项是用来计算线性回归,最后一项是用来计算特征i和特征j之间的关联项(即实现步骤10.1)。x
在将目标特征在步骤10.1中经过上式中最后一项对输入所有分量进行组合相乘,这一步等价于向量点乘,计算得到关联项,并在步骤10.2中根据上式将关联项与前两项线性回归项计算得到目标特征组,目标特征组可以为一维向量。
在对不同类型的目标特征进行计算时,可以将对应同一对象行为特征的不同类型的目标特征进行特征交互,再将对应所有对象行为特征的计算结果组合得到目标特征组,如将对应同一对象行为特征的不同类型的目标特征进行向量点积计算,再组合所有计算结果。也可以将所有目标特征的组合转化为向量后再计算,等等,例如,子特征类型可以包括金融、时间以及行为,分别为金融值、时间信息以及行为数据对应的子特征。可以通过将所有目标特征组合并转化为一维向量,输入上式以进行特征交互。如可以通过Rshape函数将初始特征组对应的矩阵,转化为一维向量。
140、根据目标特征组,确定对多个对象行为特征的识别结果,以便根据所述识别结果确定异常对象。
在一些实施例中,在步骤110之前,还可以对预设的行为识别模型进行训练,得到目标行为识别模型。该预设的行为识别模型可以包括全局注意力网络、特征交互网络、以及识别结果输出网络,以执行上述步骤110-140。在步骤110之前,还可以包括步骤11.1~11.2,如下:
11.1、获取训练样本以及预设的行为识别模型;
11.2、采用训练样本对预设的行为识别模型进行训练,得到目标行为识别模型,目标行为识别模型用于执行对多个对象行为特征的行为识别。
其中,训练样本可以包括正负样本,例如,在应用于金融场景时,正样本可以为对象有违规行为的样本,负样本可以为对象无违规行为的样本,将正负样本输入预设的行为识别模型,以输出对正负样本的预测值,将样本标签作为真实值,通过不断地迭代训练,直至预设的损失函数收敛,得到目标行为识别模型。
对预设的行为识别模型进行训练的具体实施方式不做限制,可以包括但不限于步骤10~40,如图4所示,对预设的行为识别模型进行训练的方法,如下:
10、将训练样本输入预设的行为识别模型,训练样本包括多个对象行为特征,对象行为特征由多种不同类型的子特征组成;
20、通过全局注意力网络,对多个对象行为特征进行特征交互,得到初始特征组,初始特征组包括多种目标特征,每种目标特征与一种子特征类型对应;
30、通过特征交互网络,对不同类型的目标特征进行特征交互,得到目标特征组;
40、通过识别结果输出网络,根据目标特征组以及预设的损失函数,得到目标行为识别模型,目标行为识别模型用于执行对多个对象行为特征的行为识别。
其中,识别结果输出网络可以包括全连接网络,将目标特征组输入全连接网络,确定对样本识别正确的概率,并根据该概率反向调整行为识别模型参数,直到满足预设的收敛条件。需说明的是,步骤10~40的具体实现方法可参考本申请实施例对识别过程的相应描述,在此不再赘述。
在将目标行为识别模型用于对多个对象行为特征进行识别时,可以获取多个对象行为特征,将多个对象行为特征输入预设的行为识别模型,对象行为特征由多种不同类型的子特征组成;通过全局注意力网络,对多个对象行为特征进行特征交互,得到初始特征组,初始特征组包括多种目标特征,每种目标特征与一种子特征类型对应;通过特征交互网络,对不同类型的目标特征进行特征交互,得到目标特征组;通过识别结果输出网络,根据目标特征组,确定对多个对象行为特征的识别结果。
其中,输出的识别结果可以为多个对象行为特征是目标行为的概率或是否为目标行为,该目标行为可以为违规行为或非违规行为,等等,可以根据应用场景或经验设置。例如,将目标特征组输入全连接网络,输出多个对象行为特征为目标行为的概率,也可以进一步根据该概率确定多个对象行为特征是否为目标行为。需说明的是,本申请是将多个对象行为特征整体进行识别,即通过提取多个对象行为特征,对多个对象行为特征综合输出一个识别结果。
其中,异常对象为满足预设识别结果的对象。例如,当输出结果为多个对象行为特征是违规行为的概率时,预设识别结果可以为预设的概率值,当输出的结果大于预设的概率值时,则可以认为执行多个对象行为特征的对象为异常对象,若小于等于预设的概率值,则可以认为该对象为非异常对象;再如,当输出结果为多个对象行为特征为违规行为时,则可以认为执行多个对象行为特征的对象为异常对象,若为非违规行为,则可以认为该对象为非异常对象,等等。
在一些实施方式中,通过调整损失函数的参数,优化目标行为识别模型的识别结果,具体地,在步骤11.2之后,还可以包括步骤12.1~12.2,如下:
12.1、当目标行为识别模型不满足预设条件时,调整预设的损失函数的参数值,得到调整后的损失函数;
12.2、根据调整后的损失函数,更新目标行为识别模型。
其中,预设条件可以为目标行为识别模型的对训练样本的预测的准确率对应的条件,或其他根据场景或经验设置的条件,等等,例如,预设条件正样本的预测概率为大于0.7,或样本预测的准确率大于90%。当不满足预设条件时,根据调整后的损失函数,对行为识别模型继续训练直至满足预设条件。
在一些实施方式中,由于获取的训练样本在不同的应用场景中可能会不均衡,因此预设的损失函数可以为Focal Loss损失函数,预设的损失函数的参数值包括类别权重参数以及样本难度权重参数,通过调整Focal Loss损失函数的类别权重参数以及样本难度权重参数,能够解决样本不均衡的问题,优化目标行为识别模型的识别结果。
本申请实施例提供的基于人工智能的行为识别方案可以应用在各种对象行为识别场景中。比如,以风险控制场景为例,可以获取多个对象行为特征,对象行为特征由多种不同类型的子特征组成;对多个对象行为特征进行特征交互,得到初始特征组,初始特征组包括多种目标特征,每种目标特征与一种子特征类型对应;对不同类型的目标特征进行特征交互,得到目标特征组;根据目标特征组,确定对多个对象行为特征的识别结果,以便根据所述识别结果确定异常对象。采用本申请实施例提供的方案能够通过多维度学习对象行为序列以及不同维度之间的关联性,以识别对象的异常金融行为,提升识别结果的准确性。
由上可知,本申请实施例可以通过对多个对象行为特征进行特征交互,关注对象行为特征之间的相关性,再结合在不同类型特征之间进行特征交互,关注对象行为的上下文相关性,以多维度挖掘对象行为之间的关联性,提升识别结果的准确性。
区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。
区块链底层平台可以包括对象管理、基础服务、智能合约以及运营管理等处理模块。其中,对象管理模块负责所有区块链参与者的身份信息管理,包括维护公私钥生成(账户管理)、密钥管理以及对象真实身份和区块链地址对应关系维护(权限管理)等,并且在授权的情况下,监管和审计某些真实身份的交易情况,提供风险控制的规则配置(风控审计);基础服务模块部署在所有区块链节点设备上,用来验证业务请求的有效性,并对有效请求完成共识后记录到存储上,对于一个新的业务请求,基础服务先对接口适配解析和鉴权处理(接口适配),然后通过共识算法将业务信息加密(共识管理),在加密之后完整一致的传输至共享账本上(网络通信),并进行记录存储;智能合约模块负责合约的注册发行以及合约触发和合约执行,开发人员可以通过某种编程语言定义合约逻辑,发布到区块链上(合约注册),根据合约条款的逻辑,调用密钥或者其它的事件触发执行,完成合约逻辑,同时还提供对合约升级注销的功能;运营管理模块主要负责产品发布过程中的部署、配置的修改、合约设置、云适配以及产品运行中的实时状态的可视化输出,例如:告警、检测网络情况、检测节点设备健康状态等。
平台产品服务层提供典型应用的基本能力和实现框架,开发人员可以基于这些基本能力,叠加业务的特性,完成业务逻辑的区块链实现。应用服务层提供基于区块链方案的应用服务给业务参与方进行使用。
在一种实施例中,本申请提供的服务器作为可以作为区块链系统中的一个节点,在获取多个对象行为特征之后,对多个对象行为特征进行处理,得到对多个对象行为特征的识别结果后,对识别结果进行验证,在验证通过后,作为一个新的区块,存储到区块链中,以保证这些提取结果不会被篡改。
根据上述实施例所描述的方法,以下将作进一步详细说明。
在本实施例中,将以针对金融行为的风控场景为例,对本申请实施例的方法进行详细说明。
如图5和图6所示,一种基于人工智能的行为识别方法具体流程如下:
210、对训练用的对象行为序列进行预处理,得到训练样本,训练样本包括训练用的多个对象行为特征。
训练用的对象行为序列可以为对象无违规行为的序列以及对象有违规行为的序列,通过预处理后可以分别得到正样本以及负样本。如图7所示,对训练用的对象行为序列的预处理方法如下:
211、获取训练用的对象行为序列,该训练用的对象行为序列包括多个训练用的对象行为信息,每个对象行为信息包括时间、行为类型以及金额。
针对金融行为的风控场景中,对象行为有3个属性,分别为时间、行为类型、金额。其中,时间可以为行为发生时间,可以为Unix时间戳,为自然数;行为类型可以为对象不同的操作行为,行为类型为离散型变量,不可做加减,只可以判断相等与否或者相邻关系,类似自然语言处理中的文字;金额可以为对象操作行为涉及的资金量,金额为自然数,可以进行丰富的计算,如加、减、除以及各种衍生计算。如图6所示,训练用的三个对象行为信息包括“1-行为A-3000”、“19-行为B-2999”以及“40-行为C-4”,信息中的三个数据分别对应时间、行为类型以及金额。
212、从训练用的对象行为序列中提取得到时间序列、行为类型序列以及金额序列。
如图6所示,以三行的形式分别展示了时间序列、行为类型序列以及金额序列三路序列,序列中的值或行为按照时间的先后顺序排列,图中每一列即对应一个对象行为信息。
213、对金额序列中的金额进行特征增强,得到增强后的金额序列。
本申请实施例为保证这部分数据序列特性不丢失,同时保证模型能够学会行为序列间金额窗等关系,本申请实施例不对时间以及金额这两种数据进行标准化,而是按照数据业务特性,对金额进行乘数等增强,以及对时间进行差分处理有,以剔除金额、时间的非标准化数据。
由于序列中对象资金流入流出比例很重要,金额绝对值在海量对象中值域是非常大的,对序列影响不大,故假设对象资金金额全量倍增、倍减后对于判别黑产是等价的。如图8所示,将训练用的对象行为序列中的金额进行倍减,使原本的(3000,2999,4)调整为(300,299.9,0.4),以对金融值进行特征增强,提高金融特征表达能力。
对于时间,由于对时间维度上的处理采用计算差分(时间差)的方式,因此时间维度不再进行数据增强。
214、对预设的权重矩阵对增强后的金额序列进行权重计算,得到金额特征序列。
由于金额值域跨度比较大(不同对象单笔交易数额可大可小),在实际应用中发现直接将金额值输入行为识别模型时损失函数的抖动明显,因此在金额输入行为识别模型时通过带偏置的全连接层对金额序列进行兼容处理,例如,使用公式y=W×x进行计算,其中W可以表示权重矩阵,y表示金额特征序列,x表示增强后的金额序列。如图6所示,将原序列(3000,2999,4)计算得到(2.95,0.26,0.001)。
215、根据时间差对时间信息序列中的时间信息进行赋值,得到时间特征序列。
通过计算两个行为发生时间的间隔,对时间做减法计算,以时间差表示时间特征值,增加时间与行为序列的队友关系。此外,为了进一步降低时间维度特征的难度,将时间规范化为0+时间间隔,即首个元素为0,其余全为距离上一时间的时间间隔)。如图6所示,可以将时间特征序列由(1,19,40)调整为(0,18,21)。
216、对行为类型序列中的行为类型进行独热编码,得到行为类型特征序列。
时间和金额可以直接进行矩阵计算,但是行为类型不可以进行系数乘法计算,所以需要对齐进行嵌入计算,可以采用自然语言处理领域的One-hot Embedding操作进行嵌入。如图9所示,在将行为A、行为B、行为C进行嵌入计算,即对行为进行独热编码,并将编码结果向量映射到新的空间,得到行为类型特征序列,其中行为A对应(0.3,0.8,0.2,0.1),行为B对应(0.1,0.8,0.6,0.3),行为C对应(0.1,0.1,0.7,0.1)。在图6中,将行为A、行为B、行为C对应的向量以列向量表示。对行为类型进行嵌入之后,所有输入数据都已转换成小数、自然数的形式。
217、组合时间特征序列、行为类型特征序列以及金额特征序列,得到训练用的对象行为特征矩阵,将该矩阵作为训练样本。
经过上述过程得到的时间特征序列、行为类型特征序列以及金额特征序列均以向量或矩阵形式表示。如图6所示,以行的形式将所有特征序列组合可以得到一个矩阵,该矩阵可以作为训练样本输入预设的行为识别模型。在该矩阵中,每一列对应一个对象行为特征。
220、将训练样本输入预设的行为识别模型,预设的行为识别模型包括全局注意力网络、特征交互网络、以及识别结果输出网络。
230、通过全局注意力网络,对多个对象行为特征进行特征交互,得到初始特征组,初始特征组包括多种目标特征,每种目标特征与一种子特征类型对应。
在实际应用中,风控场景的违规对象大多具备一定的行为模式,行为上也会有固定的一些模式,因此其行为序列上也会具备相对固定的上下文强相关性,可以采用上述方式,利用相邻行为时间相近与否、行为子序列(长度2-5)、金额差分/比值等量化对象行为序列,也可以利用长度2-5的卷积算子对三路序列进行卷积计算。这些方式都是对相邻行为之间进行处理,无法对行为序列进行跨越式处理但对象行为序列中,违规的行为很可能不会直接相邻,因此需要更好的处理方法。
对此,可以使用全局注意力网络,例如,将Transformer模块作为全局注意力网络,通过Transformer模块对行为特征间进行交互,实现所有对象行为特征之间的特征交互,识别不相邻的对象行为特征的关联。其中在Transformer部分内部,包括位置嵌入(Positional Embedding)、前馈网络层(Feed Forward)以及注意力模块(Self-attention),本方案在训练样本输入注意力模块时,其矩阵被拆分为每个对象行为特征对应的向量,以此通过注意力模块实现多个对象行为特征之间的交互,尽可能地兼容跳跃性的违规行为,识别违规行为以及非违规行为交杂的行为序列。
240、通过特征交互网络,在时间、金额以及行为对应的目标特征之间进行特征交互,得到目标特征组。
虽然使用全局注意力网络能够实现多个对象特征行为之间的交互,但是在时间、行为特征以及金额维度并没有进行特征交互。因此使用特征交互网络,对时间、金额以及行为特征序列的特征进行交互,这种交互可以映射为对象行为操作事件上的上下文相关与操作时间上下文相关的共现关系。
例如,经过Transformer模块处理得到的初始特征组为矩阵,第一行表示时间,第二行表示行为特征,第三行表示金额,其每一列都表征不同维度上的相关性结果,可以再通过特征交互网络对不同维度间的相关进行融合加强。
例如,特征交互网络可以为FM(Factorization Machine,因式分解机)模型,可以将初始特征组通过Rshape函数得到一维向量,输入FM模型,对时间、金额行为序列上的信号相互增强,输出的目标特征组也为一维向量。
250、通过识别结果输出网络,根据目标特征组以及Focal Loss损失函数进行迭代训练,得到目标行为识别模型。
识别结果输出网络可以包括全连接层,将目标特征组(一维向量)输入全连接层,得到分类结果。由于在风控场景中正样本很稀少,尤其是在一个风险场景刚爆发的时候样本量更是稀缺,因此本申请实施例采用Focal Loss损失函数对样本不均衡问题的处理,其中超参数α(类别权重参数)用来调整样本比例不均衡,另外超参数γ(样本难度权重参数)用于调整简单样本与困难样本间Loss的分布,取值>1会增加困难样本对训练过程Loss的贡献。α和γ可以通过人工或网格搜索进行调整,调整至模型评价指标最优即可。Focal Loss损失函数的公式如下:
260、对待识别的对象行为序列进行处理,得到待识别的多个对象行为特征。
待识别的对象行为序列包括待识别的多个对象行为信息,对待识别的对象行为序列的处理方法可参见前述步骤211~216,得到时间特征序列、行为类型特征序列以及金额特征序列,并将时间特征序列、行为类型特征序列以及金额特征序列组合得到用于识别的矩阵。
270、将待识别的多个对象行为特征输入目标行为识别模型,得到识别结果。
目标行为识别模型对待识别的多个对象行为特征进行识别的过程可参见步骤230~240,得到目标特征组后,识别结果输出网络可以为全连接网络,将目标特征组输入全连接网络处理后,得到识别结果。例如,识别结果可以为待识别的对象行为序列为违规行为的概率为80%。相比现有技术,将本实施例中的模型用于对象行为识别效果增益明显,效果提升10%。在获得识别结果后,还可以根据识别结果进一步确定对象是否为异常对象,例如,将违规行为的概率大于预设的概率值(如70%)对应的对象确定为异常对象。由上可知,本申请实施例提出了一种基于人工智能的行为识别方法,基于行为序列的对对象行为进行识别,通过全局注意力网络对序列内行为进行特征交互,以学习不同行为之间的联系,关注前后行为之间的关联性,再通过特征交互网络对不同维度的特征进行交互,以增加上下文之间的关联性,以多维度挖掘对象行为之间的关联性,提升识别结果的准确性。在将对象行为序列转化为对象行为特征时,对金额以及时间不进行标准化,而是对金额进行增强,对时间进行差分处理,降低数据维度,也增加了金额和时间特征的表达能力。
为了更好地实施以上方法,本申请实施例还提供一种基于人工智能的行为识别装置,该基于人工智能的行为识别装置具体可以集成在电子设备中,该电子设备可以为终端、服务器等设备。其中,终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、个人电脑等设备;服务器可以是单一服务器,也可以是由多个服务器组成的服务器集群。
比如,在本实施例中,将以基于人工智能的行为识别装置具体集成在服务器为例,对本申请实施例的方法进行详细说明。
例如,如图10所示,该基于人工智能的行为识别装置可以包括获取单元310、第一计算单元320、第二计算单元330以及识别单元340,如下:
(一)获取单元310
用于获取多个对象行为特征,对象行为特征由多种不同类型的子特征组成。
在一些实施方式中,获取单元310具体可以用于步骤13.1~13.3,如下:
13.1、获取多个对象行为信息,每个对象行为信息包括多种子信息;
13.2、对子信息进行特征提取,得到子信息对应的子特征;
13.3、针对每个对象行为信息,组合对象行为信息对应的所有子特征,得到每个对象行为信息对应的对象行为特征。
在一些实施方式中,子信息包含时间信息,步骤13.2可以包括步骤14.1~14.4,如下:
14.1、获取所有对象行为信息中的时间信息;
14.2、计算任意两个时间信息之间的时间差;
14.3、通过时间差对时间信息进行赋值,得到时间信息对应的值;
14.4、将所述时间信息对应的值确定为时间信息对应的子特征。
在一些实施方式中,子信息包含行为数据,步骤13.2可以包括步骤15.1~15.4,如下:
15.1、获取行为数据的行为类型;
15.2、确定行为类型对应的编码;
15.3、将所述行为数据行为类型对应的编码确定为所述行为数据对应的编码;
15.4、将行为数据对应的编码确定为行为数据对应的子特征。
在一些实施方式中,子信息包括金融值,步骤13.2可以包括步骤16.1~16.4,如下:
16.1、获取所有对象行为信息中的金融值,得到初始向量;
16.2、获取预设的权重矩阵;
16.3、通过预设的权重矩阵对初始向量进行权重计算,得到目标向量;
16.4、根据目标向量中与金融值对应的分量,得到金融值对应的子特征。
在一些实施方式中,子信息包括金融值,步骤13.2可以包括步骤17.1~17.2,如下:
17.1、通过目标运算对所有金融值进行特征增强,得到每个金融值对应的目标金融值;
17.2、针对每个金融值,将金融值对应的目标金融值确定为金融值对应的子特征。
(二)第一计算单元320
用于对多个对象行为特征进行特征交互,得到初始特征组,初始特征组包括多种目标特征,每种目标特征与一种子特征类型对应。
在一些实施方式中,第一计算单元320具体可以用于步骤18.1~18.3,如下:
18.1、对多个对象行为特征进行线性变换,得到注意力权重;
18.2、针对所述对象行为特征,根据注意力权重对对象行为特征进行权重计算,得到调整后的对象行为特征;
18.3、组合所有调整后的对象行为特征,得到初始特征组。
(三)第二计算单元330
用于对不同类型的目标特征进行特征交互,得到目标特征组。
在一些实施方式中,识别单元340具体可以用于步骤19.1~19.3,如下:
19.1、从初始特征组中,获取每种目标特征对应的向量;
19.2、对不同类型的目标特征对应的向量进行向量点积计算,得到目标特征组。
(四)识别单元340
用于根据目标特征组,确定对多个对象行为特征的识别结果,以便根据所述识别结果确定异常对象。
在一些实施方式中,识别单元340还可以用于步骤20.1~20.2,如下:
20.1、获取训练样本以及预设的行为识别模型;
20.2、采用训练样本对预设的行为识别模型进行训练,得到目标行为识别模型,目标行为识别模型用于执行对多个对象行为特征的行为识别。
在一些实施方式中,预设的行为识别模型包括全局注意力网络、特征交互网络、以及识别结果输出网络,步骤20.2可以包括步骤20.2.1~20.2.4,如下:
20.2.1、将训练样本输入预设的行为识别模型,训练样本包括多个对象行为特征,对象行为特征由多种不同类型的子特征组成;
20.2.2、通过全局注意力网络,对多个对象行为特征进行特征交互,得到初始特征组,初始特征组包括多种目标特征,每种目标特征与一种子特征类型对应;
20.2.3、通过特征交互网络,对不同类型的目标特征进行特征交互,得到目标特征组;
20.2.4、通过识别结果输出网络,根据目标特征组以及预设的损失函数,得到目标行为识别模型。
在一些实施方式中,在步骤20.2之后,还可以包括步骤20.3~20.4,如下:
20.3、当目标行为识别模型不满足预设条件时,调整预设的损失函数的参数值,得到调整后的损失函数;
20.4、根据调整后的损失函数,更新目标行为识别模型。
具体实施时,以上各个单元可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个单元的具体实施可参见前面的方法实施例,在此不再赘述。
由此,本申请实施例可以通过对多个对象行为特征进行特征交互,关注对象行为特征之间的相关性,再结合在不同类型特征之间进行特征交互,关注对象行为的上下文相关性,以多维度挖掘对象行为之间的关联性,提升识别结果的准确性。
本申请实施例还提供一种电子设备,该电子设备可以为终端、服务器等设备。其中,终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、个人电脑,等等;服务器可以是单一服务器,也可以是由多个服务器组成的服务器集群,等等。
在一些实施例中,该基于人工智能的行为识别装置还可以集成在多个电子设备中,比如基于人工智能的行为识别装置可以集成在多个服务器中,由多个服务器来实现本申请的基于人工智能的行为识别方法。
在本实施例中,将以本实施例的电子设备是服务器为例进行详细描述,比如,如图11所示,其示出了本申请实施例所涉及的服务器的结构示意图,具体来讲:
该服务器可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403、输入模块404以及通信模块405等部件。本领域技术人员可以理解,图11中示出的SSS结构并不构成对SSS的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器401是该服务器的控制中心,利用各种接口和线路连接整个服务器的各个部分,通过运行或执行存储在存储器402内的软件程序和/或模块,以及调用存储在存储器402内的数据,执行服务器的各种功能和处理数据。在一些实施例中,处理器401可包括一个或多个处理核心;在一些实施例中,处理器401可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、图形界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块,处理器401通过运行存储在存储器402的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据服务器的使用所创建的数据等。此外,存储器402可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器402还可以包括存储器控制器,以提供处理器401对存储器402的访问。
服务器还包括给各个部件供电的电源403,在一些实施例中,电源403可以通过电源管理系统与处理器401逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该服务器还可包括输入模块404,该输入模块404可用于接收输入的数字或字符信息,以及产生与设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
该服务器还可包括通信模块405,在一些实施例中通信模块405可以包括无线模块,服务器可以通过该通信模块405的无线模块进行短距离无线传输,从而提供了无线的宽带互联网访问。比如,该通信模块405可以用于收发电子邮件、浏览网页和访问流式媒体等。
尽管未示出,服务器还可以包括显示单元等,在此不再赘述。具体在本实施例中,服务器中的处理器401会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中,并由处理器401来运行存储在存储器402中的应用程序,从而实现各种功能,如下:
获取多个对象行为特征,对象行为特征由多种不同类型的子特征组成;对多个对象行为特征进行特征交互,得到初始特征组,初始特征组包括多种目标特征,每种目标特征与一种子特征类型对应;对不同类型的目标特征进行特征交互,得到目标特征组;根据目标特征组,确定对多个对象行为特征的识别结果,以便根据所述识别结果确定异常对象。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
由上可知,在本申请可以通过对多个对象行为特征进行特征交互,关注对象行为特征之间的相关性,再结合在不同类型特征之间进行特征交互,关注对象行为的上下文相关性,以多维度挖掘对象行为之间的关联性,提升识别结果的准确性。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请实施例提供一种计算机可读存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本申请实施例所提供的任一种基于人工智能的行为识别方法中的步骤。例如,该指令可以执行如下步骤:
获取多个对象行为特征,对象行为特征由多种不同类型的子特征组成;对多个对象行为特征进行特征交互,得到初始特征组,初始特征组包括多种目标特征,每种目标特征与一种子特征类型对应;对不同类型的目标特征进行特征交互,得到目标特征组;根据目标特征组,确定对多个对象行为特征的识别结果,以便根据所述识别结果确定异常对象。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机程序/指令,该计算机程序/指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机程序/指令,处理器执行该计算机程序/指令,使得该计算机设备执行上述实施例中提供机器学习方面或风控方面各种可选实现方式中的步骤。
由于该存储介质中所存储的指令,可以执行本申请实施例所提供的任一种基于人工智能的行为识别方法中的步骤,因此,可以实现本申请实施例所提供的任一种基于人工智能的行为识别方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上对本申请实施例所提供的一种基于人工智能的行为识别方法、装置、服务器和计算机可读存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
- 新设备识别方法、装置、服务器及计算机可读存储介质
- 欺诈行为识别方法、装置、电子设备及可读存储介质
- 一种行为分析方法、装置、服务器、系统及存储介质
- 一种基于文本的元器件识别方法、系统、装置和存储介质
- 基于深度CNN的车辆位置识别方法、装置及存储介质
- 基于人工智能的步态识别方法、装置、系统、存储介质和服务器
- 基于行为轨迹的异常识别方法、装置、服务器及存储介质