(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 202210768073.X (22)申请日 2022.06.30 (71)申请人 支付宝 （杭州） 信息技 术有限公司 地址 310023 浙江省杭州市西湖区西溪路 556号8层B段801-1 1 (72)发明人 舒慧珍　张天翼　刘丹丹　黄超敏　 曹琳　 (74)专利代理 机构 上海专利商标事务所有限公 司 31100 专利代理师 钱孟清 (51)Int.Cl. G06F 16/36(2019.01) G06F 16/28(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种异常识别的方法和装置 (57)摘要 本公开的一方面涉及一种异常识别的方法， 包括收集用户的信息； 将所述用户的信息组织成 知识， 所述知识包括所述用户与信息、 或者信息 与信息之间的关系； 基于组织出的知识来构建知 识图谱， 所述知识图谱包括对应于所述用户和每 一项信息的信息节点， 并且包括对应于相应关系 的边； 用基于空域的图卷积网络对 所述知识图谱 进行建模以获得模型； 以及训练所述模型基于对 所述知识 图谱的图卷积计算来判断所述用户是 否异常。 本公开还涉及其 他相关方面。 权利要求书2页 说明书9页 附图3页 CN 115048535 A 2022.09.13 CN 115048535 A 1.一种异常识别的方法， 包括： 收集用户的信息； 将所述用户的信息组织成知识， 所述知识包括所述用户与信息、 或者信息与信息之间 的关系； 基于组织出的知识来构建知识图谱， 所述知识图谱包括对应于所述用户和每一项信 息 的信息节点， 并且 包括对应于相应关系的边； 用基于空域的图卷积网络对所述知识图谱进行建模以获得模型； 以及 训练所述模型基于对所述知识图谱的图卷积计算 来判断所述用户是否异常。 2.如权利要求1所述的方法， 其中， 所述知识包括主体， 谓词和客体S PO三元组。 3.如权利要求2所述的方法， 其中， 所述知识图谱包括以所述用户为主体并以信 息为客 体的知识、 或以信息为主体并以与所述信息有关的进一 步信息为 客体的知识。 4.如权利要求3所述的方法， 其中， 以所述用户为主体并以信 息为客体的知识对应于所 述模型中与所述用户对应的节点具有一跳距离的邻居节点， 并且以信息为主体并以与所述 信息有关的进一步信息为客体的知识对应于所述模型中与所述用户对应的节点具有大于 一跳距离的节点。 5.如权利要求1所述的方法， 其中， 训练所述模型包括已有标注的用户作为所述模型的 ground truth来训练所述模型以使得训练后所述知识图谱中的边的权重反映相应关系在 所述异常识别中的重要性。 6.如权利要求1所述的方法， 其中， 所述信 息包括所述用户所属的群体的领域信 息以及 所述用户个人的已知个 体信息。 7.如权利要求6所述的方法， 其中， 所述用户所属的群体的领域信 息包括用户所属行业 或职业等类别的交易特征； 并且所述用户个人的已知个体信息包括所述用户的个人交易行 为特征。 8.如权利要求6所述的方法， 其中， 所述信息还 包括新获得的所述用户的补充信息 。 9.如权利要求1所述的方法， 其中， 所述知识图谱中的每个节点带有自己的特征值或特 征向量， 其中对所述知识图谱的图卷积 计算基于所述用户节点和信息节点子集的所述特征 值或特征向量。 10.如权利要求9所述的方法， 其中， 所述信息节点子集基于 跳数阈值 来确定。 11.一种异常识别的设备， 包括： 用于收集用户的信息的装置； 用于将所述用户的信息组织成知识 的装置， 所述知识包括所述用户与信息、 或者信息 与信息之间的关系； 用于基于组织出的知识来构建知识图谱的装置， 所述知识图谱包括对应于所述用户和 每一项信息的信息节点， 并且 包括对应于相应关系的边； 用于用基于空域的图卷积网络对所述知识图谱进行建模以获得模型的装置； 以及 用于训练所述模型基于对所述知识图谱的图卷积计算来判断所述用户是否异常的装 置。 12.如权利要求1 1所述的设备， 其中， 所述知识包括主体， 谓词和客体S PO三元组。 13.如权利要求12所述的设备， 其中， 所述知识图谱包括以所述用户为主体并以信 息为权　利　要　求　书 1/2 页 2 CN 115048535 A 2客体的知识、 或以信息为主体并以与所述信息有关的进一 步信息为 客体的知识。 14.如权利要求13所述的设备， 其中， 以所述用户为主体并以信 息为客体的知识对应于 所述模型中与所述用户对应的节点具有一跳距离的邻居节点， 并且以信息为主体并以与所 述信息有关的进一步信息为客体的知识对应于所述模型中与所述用户对应的节点具有大 于一跳距离的节点。 15.如权利要求11所述的设备， 其中， 训练所述模型包括已有标注的用户作为所述模型 的ground  truth来训练所述模型以使得训练后所述知识图谱中的边的权重反映相应关系 在所述异常识别中的重要性。 16.如权利要求11所述的设备， 其中， 所述信 息包括所述用户所属的群体的领域信 息以 及所述用户个人的已知个 体信息。 17.如权利要求16所述的设备， 其中， 所述用户所属的群体的领域信 息包括用户所属行 业或职业等类别的交易特征； 并且所述用户个人的已知个体信息包括所述用户的个人 交易 行为特征。 18.如权利要求16所述的设备， 其中， 所述信息还 包括新获得的所述用户的补充信息 。 19.如权利要求11所述的设备， 其中， 所述知识图谱中的每个节点带有自己的特征值或 特征向量， 其中对所述知识图谱的图卷积计算基于所述用户节点和信息节点子集的所述特 征值或特 征向量。 20.如权利要求19所述的设备， 其中， 所述信息节点子集基于 跳数阈值 来确定。 21.一种异常识别的装置， 包括： 存储器； 以及 处理器， 所述处 理器耦合到所述存 储器并被 配置成： 收集用户的信息； 将所述用户的信息组织成知识， 所述知识包括所述用户与信息、 或者信息与信息之间 的关系； 基于组织出的知识来构建知识图谱， 所述知识图谱包括对应于所述用户和每一项信 息 的信息节点， 并且 包括对应于相应关系的边； 用基于空域的图卷积网络对所述知识图谱进行建模以获得模型； 以及 训练所述模型基于对所述知识图谱的图卷积计算 来判断所述用户是否异常。 22.一种计算机可读存储介质， 其上存储有处理器可执行指令， 所述处理器可执行指令 在由处理器执行时， 用于使所述处 理器进行异常识别操作， 所述异常识别操作包括： 收集用户的信息； 将所述用户的信息组织成知识， 所述知识包括所述用户与信息、 或者信息与信息之间 的关系； 基于组织出的知识来构建知识图谱， 所述知识图谱包括对应于所述用户和每一项信 息 的信息节点， 并且 包括对应于相应关系的边； 用基于空域的图卷积网络对所述知识图谱进行建模以获得模型； 以及 训练所述模型基于对所述知识图谱的图卷积计算 来判断所述用户是否异常。权　利　要　求　书 2/2 页 3 CN 115048535 A 3