技术领域
[0001] 本
申请涉及数据识别技术领域，尤其是涉及一种基于时间的对象识别方法、装置以及电子设备。
背景技术
[0002] 目前，在需要识别某个用户的危险程度的场景中，识别危险程度的过程需要考虑很多方面。例如，借助个人历史借贷表现、基本收入开支情况及人口统计信息等，来计算贷款个人的欺诈危险程度。
[0003] 但是，在对多个用户进行欺诈危险程度集群划分的过程中，可能会因为某段时间某些用户没有联系、没有产生异常行为或产生少量个别联系、产生少量个别异常行为等情况，而导致对用户危险程度的错误识别，容易使用户危险程度的识别结果准确度较低。
发明内容
[0004] 本发明的目的在于提供一种基于时间的对象识别方法、装置以及电子设备，以解决用户危险程度的识别结果准确度较低的技术问题。
[0005] 第一方面，本申请
实施例提供了一种基于时间的对象识别方法，所述方法包括：
[0006] 确定截止至第一时刻多个样本对象产生的第一行为数据；
[0007] 基于多个所述第一行为数据得到多个所述样本对象的第一关系图模型；
[0008] 根据多个所述样本对象在所述第一时刻至第二时刻之间行为数据的变化信息，对所述第一关系图模型中的社群分布数据进行更新，得到第二关系图模型；
[0009] 根据待识别对象的目标行为数据，利用所述第二关系图模型确定所述待识别对象所属的目标社群；
[0010] 根据所述目标社群的危险概率，识别所述待识别对象的危险概率。
[0011] 在一个可能的实现中，在根据所述目标社群的危险概率，识别所述待识别对象的危险概率的步骤之前，所述方法还包括：
[0012] 确定所述目标社群在所述第一时刻至所述第二时刻之间产生的第二行为数据；
[0013] 根据所述目标社群的历史行为数据和所述第二行为数据，确定所述目标社群的危险概率；
[0014] 其中，所述第二行为数据包括下述任意一项或多项：
[0015] 贷款申请数量、贷款申请过程、待识别对象与所述目标社群中样本对象之间的联系情况。
[0016] 在一个可能的实现中，所述行为数据的变化信息包括下述任意一项或多项：
[0017] 关系图模型中的待新增
节点、待消除节点、待新增点间连接边、待消除点间连接边；
[0018] 其中，所述节点表示所述样本对象，所述点间连接边表示多个所述样本对象之间的联系数据。
[0019] 在一个可能的实现中，根据多个所述样本对象在所述第一时刻至第二时刻之间行为数据的变化信息，对所述第一关系图模型中的社群分布数据进行更新，得到第二关系图模型的步骤，包括：
[0020] 如果所述行为数据的变化信息为所述待新增节点或所述待新增点间连接边，则在所述第一关系图模型的社群分布数据中新增所述待新增节点或所述待新增点间连接边，得到第二关系图模型。
[0021] 在一个可能的实现中，还包括：
[0022] 判断新增的所述待新增点间连接边对应的联系数据，是否为所述第一时刻之后新产生的联系数据；
[0023] 若否，则在所述第二关系图模型中将新增的所述待新增点间连接边删除。
[0024] 在一个可能的实现中，所述待消除节点对应的样本对象为在第一预设时间段内没有产生行为数据的样本对象；
[0025] 所述待消除点间连接边为对应的两个样本对象之间在第二预设时间段内没有产生联系数据的两个节点之间的连接边。
[0026] 在一个可能的实现中，根据多个所述样本对象在所述第一时刻至第二时刻之间行为数据的变化信息，对所述第一关系图模型中的社群分布数据进行更新，得到第二关系图模型的步骤，包括：
[0027] 如果所述行为数据的变化信息为所述待消除节点或所述待消除点间连接边，则在所述第一关系图模型的社群分布数据中对所述待消除节点或所述待消除点间连接边进行衰减处理，得到第二关系图模型。
[0028] 第二方面，提供了一种基于时间的对象识别装置，所述装置包括：
[0029] 第一确定模
块，用于确定截止至第一时刻多个样本对象产生的第一行为数据；
[0030] 获取模块，用于基于多个所述第一行为数据得到多个所述样本对象的第一关系图模型；
[0031] 更新模块，用于根据多个所述样本对象在所述第一时刻至第二时刻之间行为数据的变化信息，对所述第一关系图模型中的社群分布数据进行更新，得到第二关系图模型；
[0032] 第二确定模块，用于根据待识别对象的目标行为数据，利用所述第二关系图模型确定所述待识别对象所属的目标社群；
[0033] 识别模块，用于根据所述目标社群的危险概率，识别所述待识别对象的危险概率。
[0034] 第三方面，本申请实施例又提供了一种电子设备，包括
存储器、处理器，所述存储器中存储有可在所述处理器上运行的
计算机程序，所述处理器执行所述计算机程序时实现上述的第一方面所述方法。
[0035] 第四方面，本申请实施例又提供了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机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行上述的第一方面所述方法。
[0036] 本申请实施例带来了以下有益效果：
[0037] 本申请实施例提供的一种基于时间的对象识别方法、装置以及电子设备，能够确定截止至第一时刻多个样本对象产生的第一行为数据，再基于多个所述第一行为数据得到多个所述样本对象的第一关系图模型，然后根据多个所述样本对象在所述第一时刻至第二时刻之间行为数据的变化信息来对所述第一关系图模型中的社群分布数据进行更新从而得到第二关系图模型，之后在根据待识别对象的目标行为数据利用所述第二关系图模型确定所述待识别对象所属的目标社群，以根据所述目标社群的危险概率，识别所述待识别对象的危险概率，本方案中，考虑了行为的时效性以及时间对行为数据变化产生的影响，例如联系强度随时间递减等变化情况，通过时间方面的行为变化分析能够使最终得到的第二关系图模型的社群分布数据更加准确且更加全面合理，以提高待识别对象危险程度识别结果的准确性。
[0038] 为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附
附图，作详细说明如下。
附图说明
[0039] 为了更清楚地说明本申请具体实施方式或
现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施方式，对于本领域普通技术人员来讲，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。
[0040] 图1为本申请实施例提供的一种基于时间的对象识别方法的
流程图示意图；
[0041] 图2为本申请实施例提供的一种基于时间的对象识别方法的另一流程图示意图；
[0042] 图3为本申请实施例提供的一种基于时间的对象识别装置的结构示意图；
[0043] 图4为示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
[0044] 为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请的技术方案进行清楚、完整地描述，显然，所描述的实施例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，本领域普通技术人员在没有做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。
[0045] 本申请实施例中所提到的术语“包括”和“具有”以及它们的任何
变形，意图在于
覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括其他没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0046] 目前，真实社交网络中，如果在一段时间内没有再次联系，两个人之间的关系强度是会随着时间递减的，最终关系链接联系应该断开。但是这样会影响对这些人的真实识别结果。
[0047] 基于此，本申请实施例提供了一种基于时间的对象识别方法、装置以及电子设备。通过该方法可以解决用户危险程度的识别结果准确度较低的技术问题。
[0048] 下面结合附图对本发明实施例进行进一步地介绍。
[0049] 图1为本申请实施例提供的一种基于时间的对象识别方法的流程示意图。如图1所示，该方法包括：
[0050] S110，确定截止至第一时刻多个样本对象产生的第一行为数据。
[0051] 需要说明的是，样本对象可以为用户。本步骤中，可以确定这些用户在截止至第一时刻之前所产生的第一行为数据，例如用户之间的联系行为、用户的借贷行为、用户的还款逾期行为等。
[0052] S120，基于多个第一行为数据得到多个样本对象的第一关系图模型。
[0053] 其中，该第一关系图模型表示了上述这些用户之间的网络关系。本步骤中，能够得到第一时刻时间点的用户所属社群分布情况。
[0054] S130，根据多个样本对象在第一时刻至第二时刻之间行为数据的变化信息，对第一关系图模型中的社群分布数据进行更新，得到第二关系图模型。
[0055] 需要说明的是，行为数据的变化信息可以包括多方面的内容，例如，用户之间联系情况的变化信息、用户借贷情况的变化信息、用户还款情况的变化信息等。
[0056] S140，根据待识别对象的目标行为数据，利用第二关系图模型确定待识别对象所属的目标社群。
[0057] 其中，待识别对象的目标行为数据可以为待识别用户与其他用户之间的联系行为、待识别用户的借贷行为、待识别用户的还款逾期行为等。
[0058] 需要说明的是，目标社群是第二关系图模型中的某个社群。本步骤中，根据待识别用户的多方面行为，从第二关系图模型中的多个社群中确定待识别用户所属的社群。
[0059] S150，根据目标社群的危险概率，识别待识别对象的危险概率。
[0060] 通过提供基于时间的对象识别方法，考虑了时间对样本对象之间联系情况、贷款行为等方面的影响，例如，该影响可能会造成当用户手机进行更换，新手机号所有人被错误地并入社群中，从而造成计算偏差。
[0061] 本申请实施例提供的基于时间的对象识别方法更加适合对时效性较为敏感的场景，能够考虑到联系强度随时间递减以及行为时效性。例如款人社会关系会借随着时间推移而改变。再例如，通过基于时间的对象识别方法能够挖掘出潜在欺诈团伙，识别资料
包装客户，过滤高危社群，降低车贷中团伙欺诈带来的巨大资金资产损失。因此，通过时间序列分析能够快速发现异常行为和异常点，帮助在资产监控中及时预测借款人的高危行为。而且，还能够对
申请人的关系网进行回溯。
[0062] 下面对上述步骤进行详细介绍。
[0063] 在一些实施例中，在步骤S150之前，该方法还可以包括以下步骤：
[0064] 步骤a，确定目标社群在第一时刻至第二时刻之间产生的第二行为数据。
[0065] 步骤b，根据目标社群的历史行为数据和第二行为数据，确定目标社群的危险概率。
[0066] 其中，第二行为数据包括下述任意一项或多项：
[0067] 贷款申请数量、贷款申请过程、待识别对象与目标社群中样本对象之间的联系情况。
[0068] 例如，团伙欺诈
风险分析过程中，分析申请人与各群体的联系情况，而后需要判断出与申请人有联系的某群体是否在短时间内存在大量申请，或异常申请，从而能够更加全面、精确的识别出团体欺诈的风险。
[0069] 在一些实施例中，行为数据的变化信息包括下述任意一项或多项：
[0070] 关系图模型中的待新增节点、待消除节点、待新增点间连接边、待消除点间连接边；其中，节点表示样本对象，点间连接边表示多个样本对象之间的联系数据。
[0071] 通过新增样本对象、消除样本对象、新增样本对象之间的联系、消除样本对象之间的联系等多种行为数据的变化信息，可以对第一时刻至第二时刻之间行为数据的变化情况进行更加综合的分析，使行为数据的变化信息更加全面，减少数据变化遗漏的情况。
[0072] 在一些实施例中，上述步骤S130可以包括如下步骤：
[0073] 如果行为数据的变化信息为待新增节点或待新增点间连接边，则在第一关系图模型的社群分布数据中新增待新增节点或待新增点间连接边，得到第二关系图模型。
[0074] 示例性的，如图2所示，可以对时间点T1进行分析，通过TT＝T1-T0的方式分析计算出从T0至T1中新增节点以及新增点间连接边等差异情况，以使更新T0图变为T1的更新结果数据更加精确。
[0075] 在一些实施例中，该方法还可以包括以下步骤：
[0076] 判断新增的待新增点间连接边对应的联系数据，是否为第一时刻之后新产生的联系数据；
[0077] 若否，则在第二关系图模型中将新增的待新增点间连接边删除。
[0078] 例如，可以预先设定时间
阈值delta，假设时间阈值delta为2，当计算T2时间点时考虑关系图中所有的节点和点间连接边的加入时间，如果该时间为T0或T0之前，则删除该节点和点间连接边。
[0079] 通过对第一时刻之前产生的联系数据进行过滤删除的过程，能够使第二关系图模型中的数据更加精确，减少第二关系图模型中混入第一时刻之前错误数据的情况。
[0080] 在一些实施例中，待消除节点对应的样本对象为在第一预设时间段内没有产生行为数据的样本对象；
[0081] 待消除点间连接边为对应的两个样本对象之间在第二预设时间段内没有产生联系数据的两个节点之间的连接边。
[0082] 待消除节点可以指的是在预设的长时间内没有产生任何联系行为的用户，待消除点间连接边可以指的是在预设的长时间内相互之间没有产生任何联系行为的两个用户。
[0083] 通过第一预设时间段和第二预设时间段的设定和对比，可以为待消除节点和待消除点间连接边设定出个消除标准，即只有在预设的时间段内没有产生联系的节点或连接边才需要消除，使消除的更新过程更加精确以及合理。
[0084] 在一些实施例中，上述步骤S130可以包括如下步骤：
[0085] 如果行为数据的变化信息为待消除节点或待消除点间连接边，则在第一关系图模型的社群分布数据中对待消除节点或待消除点间连接边进行衰减处理，得到第二关系图模型。
[0086] 例如，如图2所示，可以对时间点T1进行分析，通过TT＝T1-T0的方式分析计算出从T0至T1中消除节点和消除点间连接边等差异情况，以使更新T0图变为T1的更新结果数据更加精确。
[0087] 图3提供了一种基于时间的对象识别装置的结构示意图。如图3所示，基于时间的对象识别装置300包括：
[0088] 第一确定模块301，用于确定截止至第一时刻多个样本对象产生的第一行为数据；
[0089] 获取模块302，用于基于多个第一行为数据得到多个样本对象的第一关系图模型；
[0090] 更新模块303，用于根据多个样本对象在第一时刻至第二时刻之间行为数据的变化信息，对第一关系图模型中的社群分布数据进行更新，得到第二关系图模型；
[0091] 第二确定模块304，用于根据待识别对象的目标行为数据，利用第二关系图模型确定待识别对象所属的目标社群；
[0092] 识别模块305，用于根据目标社群的危险概率，识别待识别对象的危险概率。
[0093] 在一些实施例中，该装置还包括：
[0094] 第三确定模块，用于确定目标社群在第一时刻至第二时刻之间产生的第二行为数据；
[0095] 第四确定模块，用于根据目标社群的历史行为数据和第二行为数据，确定目标社群的危险概率；
[0096] 其中，第二行为数据包括下述任意一项或多项：
[0097] 贷款申请数量、贷款申请过程、待识别对象与目标社群中样本对象之间的联系情况。
[0098] 在一些实施例中，行为数据的变化信息包括下述任意一项或多项：
[0099] 关系图模型中的待新增节点、待消除节点、待新增点间连接边、待消除点间连接边；
[0100] 其中，节点表示样本对象，点间连接边表示多个样本对象之间的联系数据。
[0101] 在一些实施例中，更新模块303具体用于：
[0102] 如果行为数据的变化信息为待新增节点或待新增点间连接边，则在第一关系图模型的社群分布数据中新增待新增节点或待新增点间连接边，得到第二关系图模型。
[0103] 在一些实施例中，该装置还包括：
[0104] 判断模块，用于判断新增的待新增点间连接边对应的联系数据，是否为第一时刻之后新产生的联系数据；
[0105] 删除模块，用于若否，则在第二关系图模型中将新增的待新增点间连接边删除。
[0106] 在一些实施例中，待消除节点对应的样本对象为在第一预设时间段内没有产生行为数据的样本对象；
[0107] 待消除点间连接边为对应的两个样本对象之间在第二预设时间段内没有产生联系数据的两个节点之间的连接边。
[0108] 在一些实施例中，更新模块303具体用于：
[0109] 如果行为数据的变化信息为待消除节点或待消除点间连接边，则在第一关系图模型的社群分布数据中对待消除节点或待消除点间连接边进行衰减处理，得到第二关系图模型。
[0110] 本申请实施例提供的基于时间的对象识别装置，与上述实施例提供的基于时间的对象识别方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
[0111] 如图4所示，本申请实施例提供的一种电子设备400，包括：处理器401、存储器402和总线，所述存储器402存储有所述处理器401可执行的机器可读指令，当电子设备运行时，所述处理器401与所述存储器402之间通过总线通信，所述处理器401执行所述机器可读指令，以执行如上述基于时间的对象识别方法的步骤。
[0112] 具体地，上述存储器402和处理器401能够为通用的存储器和处理器，这里不做具体限定，当处理器401运行存储器402存储的计算机程序时，能够执行上述基于时间的对象识别方法。
[0113] 对应于上述基于时间的对象识别方法，本申请实施例还提供了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机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行上述基于时间的对象识别方法的步骤。
[0114] 最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行
修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
