资源转移异常检测方法、装置、计算机设备和存储介质与流程

1.本技术涉及计算机
技术领域：
：，特别是涉及一种资源转移异常检测方法、装置、计算机设备和存储介质。
背景技术：
：：2.随着网络技术和支付手段的更新迭代，人们已经习惯使用线上支付的方式进行交易。在对交易的情况进行检测时，通常会根据交易的发生时间、发生地点、交易对象等来确定是否存在异常。3.传统方式中通过机器学习方法来实现对异常交易的检测，通过建立变量之间的因果关系，来学习交易数据与交易异常结果之间的相关关系，从而对于所输入的交易数据进行检测，输出异常检测结果。4.然而在真实场景中，交易的场景复杂多变，面临着不同的潜在危险，每一笔交易都可能会有各种不同的原因而导致异常。机器学习的方式在处理复杂多变的交易情况时很容易遇到性能瓶颈，异常检测结果的准确性难以保证。技术实现要素：5.基于此，有必要针对上述技术问题，提供一种能够提高检测准确性的资源转移异常检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品，以及资源转移异常检测模型的训练方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。6.一方面，本技术提供了一种资源转移异常检测方法。所述方法包括：7.对于待检测的目标资源转移操作，确定与所述目标资源转移操作相关联的至少一次历史资源转移操作；8.获取与所述目标资源转移操作对应的第一属性数据集，并获取所述至少一次历史资源转移操作所对应的至少一个第二属性数据集；9.对所述第一属性数据集中所包括的属性数据进行特征聚合处理，得到目标操作特征，且对于所述至少一个第二属性数据集中的每个第二属性数据集，分别对所包括的属性数据进行特征聚合处理，得到至少一个历史操作特征；10.根据所述至少一次历史资源转移操作分别相对于所述目标资源转移操作的重要度，将所述至少一个历史操作特征与所述目标操作特征进行聚合处理，得到目标聚合特征；11.基于所述目标聚合特征进行检测，得到所述目标资源转移操作的异常检测结果。12.另一方面，本技术还提供了一种资源转移异常检测装置。所述装置包括：13.确定模块，用于对于待检测的目标资源转移操作，确定与所述目标资源转移操作相关联的至少一次历史资源转移操作；14.获取模块，用于获取与所述目标资源转移操作对应的第一属性数据集，并获取所述至少一次历史资源转移操作所对应的至少一个第二属性数据集；15.第一聚合模块，用于对所述第一属性数据集中所包括的多种属性数据进行特征聚合处理，得到目标操作特征，且对于所述至少一个第二属性数据集中的每个第二属性数据集，分别对所包括的多种属性数据进行特征聚合处理，得到至少一个历史操作特征；16.第二聚合模块，用于根据所述至少一次历史资源转移操作分别相对于所述目标资源转移操作的重要度，将所述至少一个历史操作特征与所述目标操作特征进行聚合处理，得到目标聚合特征；17.检测模块，用于基于所述目标聚合特征进行检测，得到所述目标资源转移操作的异常检测结果。18.另一方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述资源转移异常检测方法的步骤。19.另一方面，本技术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，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述资源转移异常检测方法的步骤。20.另一方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述资源转移异常检测方法的步骤。21.上述资源转移异常检测方法、装置、计算机设备、存储介质和计算机程序产品，对于待检测的目标资源转移操作，通过确定与目标资源转移操作相关联的至少一次历史资源转移操作，以将资源转移操作与资源转移操作之间的关系作为异常检测的依据之一；获取与目标资源转移操作对应的第一属性数据集，并获取至少一次历史资源转移操作所对应的至少一个第二属性数据集；对第一属性数据集中所包括的属性数据进行特征聚合处理，得到目标操作特征，且对于至少一个第二属性数据集中的每个第二属性数据集，分别对所包括的属性数据进行特征聚合处理，得到至少一个历史操作特征，充分地利用了资源转移操作所产生的具有丰富语义信息的属性数据。再根据至少一次历史资源转移操作分别相对于目标资源转移操作的重要度，将至少一个历史操作特征与目标操作特征进行聚合处理，得到目标聚合特征，结合资源转移操作与资源转移操作之间的关系特征，最终再基于目标聚合特征进行检测，得到目标资源转移操作的异常检测结果，能够更加全面地评估资源转移操作可能存在的风险，并提升资源转移操作异常检测的准确性，同时充分地考虑到资源转移操作与资源转移操作之间的关联性，能够处理真实场景中复杂多变的交易情况，具有较强的持续性检测能力。22.另一方面，本技术还提供了一种资源转移异常检测模型的训练方法。所述方法包括：23.获取与第一样本资源转移操作对应的第一样本属性数据集，和与至少一次第二样本资源转移操作分别对应的至少一个第二样本属性数据集；所述第一样本资源转移操作与第二样本资源转移操作相关联；24.对所述第一样本属性数据集中所包括的多种属性数据进行特征聚合处理，得到第一样本操作特征，且对于所述至少一个第二样本属性数据集中的每个第二样本属性数据集，分别对所包括的多种属性数据进行特征聚合处理，得到至少一个第二样本操作特征；25.根据所述至少一次第二样本资源转移操作分别相对于所述第一样本资源转移操作的重要度，将所述至少一次第二样本操作特征与所述第一样本操作特征进行聚合处理，得到样本聚合特征；26.基于所述样本聚合特征进行预测，得到所述第一样本资源转移操作的异常预测结果；27.根据所述异常预测结果与所述第一样本资源转移操作的样本标签之间的差异，构建交叉熵损失函数；28.基于所述交叉熵损失函数进行训练，直到达到训练终止条件时停止，得到训练好的资源转移异常检测模型。29.另一方面，本技术还提供了一种资源转移异常检测模型的训练装置。所述装置包括：30.获取模块，用于获取与第一样本资源转移操作对应的第一样本属性数据集，和与至少一次第二样本资源转移操作分别对应的至少一个第二样本属性数据集；所述第一样本资源转移操作与第二样本资源转移操作相关联；31.第三聚合模块，用于对所述第一样本属性数据集中所包括的多种属性数据进行特征聚合处理，得到第一样本操作特征，且对于所述至少一个第二样本属性数据集中的每个第二样本属性数据集，分别对所包括的多种属性数据进行特征聚合处理，得到至少一个第二样本操作特征；32.第四聚合模块，用于根据所述至少一次第二样本资源转移操作分别相对于所述第一样本资源转移操作的重要度，将所述至少一次第二样本操作特征与所述第一样本操作特征进行聚合处理，得到样本聚合特征；33.预测模块，用于基于所述样本聚合特征进行预测，得到所述第一样本资源转移操作的异常预测结果；34.构建模块，用于根据所述异常预测结果与所述第一样本资源转移操作的样本标签之间的差异，构建交叉熵损失函数；35.训练模块，用于基于所述交叉熵损失函数进行训练，直到达到训练终止条件时停止，得到训练好的资源转移异常检测模型。36.另一方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述资源转移异常检测模型的训练方法的步骤。37.另一方面，本技术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，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述资源转移异常检测模型的训练方法的步骤。38.另一方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述资源转移异常检测模型的训练方法的步骤。39.上述资源转移异常检测模型的训练方法、装置、计算机设备、存储介质和计算机程序产品，通过获取与第一样本资源转移操作对应的第一样本属性数据集，和与至少一次第二样本资源转移操作分别对应的至少一个第二样本属性数据集，并对第一样本属性数据集中所包括的多种属性数据进行特征聚合处理，得到第一样本操作特征，且对于至少一个第二样本属性数据集中的每个第二样本属性数据集，分别对所包括的多种属性数据进行特征聚合处理，得到至少一个第二样本操作特征，充分地利用了资源转移操作所产生的具有丰富语义信息的属性数据，能够有助于模型学习到语义特征以提高检测的准确性；通过根据至少一次第二样本资源转移操作分别相对于第一样本资源转移操作的重要度，将至少一次第二样本操作特征与第一样本操作特征进行聚合处理，得到样本聚合特征，能够学习到资源转移操作与资源转移操作之间的关系特征，充分地考虑到资源转移操作与资源转移操作之间的关联性。进而，基于样本聚合特征进行预测，得到第一样本资源转移操作的异常预测结果，并根据异常预测结果与第一样本资源转移操作的样本标签之间的差异，构建交叉熵损失函数。由此，基于交叉熵损失函数进行训练，直到达到训练终止条件时停止，得到训练好的资源转移异常检测模型，该模型能够更加全面地评估资源转移操作可能存在的风险，并提升资源转移操作异常检测的准确性，同时充分地考虑到资源转移操作与资源转移操作之间的关联性，能够处理真实场景中复杂多变的交易情况，鲁棒性强，且具有较强的持续性检测能力。附图说明40.图1为一个实施例中资源转移异常检测方法的应用环境图；41.图2为一个实施例中资源转移操作与资源来源账户、资源指向账户之间的关系图；42.图3为一个实施例中资源转移异常检测方法的流程示意图；43.图4a为一个实施例中资源转移操作关系图的示意图；44.图4b为另一个实施例中资源转移操作关系图的示意图；45.图5为一个实施例中多层感知机的结构示意图；46.图6为一个实施例中聚合各数据类别的属性数据得到目标操作特征的原理示意图；47.图7为一个实施例中区域资源转移风险等级的产品界面示意图；48.图8为一个实施例中操作触发方的对象关系图的示意图；49.图9为一个实施例中资源转移异常检测模型的训练方法的流程示意图；50.图10为一个实施例中资源转移异常检测模型的训练方法的原理示意图；51.图11为一个实施例中资源转移异常检测装置的结构框图；52.图12为一个实施例中资源转移异常检测模型的训练装置的结构框图；53.图13为一个实施例中计算机设备的内部结构图。具体实施方式54.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。55.本技术实施例提供的资源转移异常检测方法，可以应用于如图1所示的应用环境中。其中，终端102与服务器104连接以进行通信。终端102和服务器104可以通过有线或无线通信方式进行直接或间接地连接，本技术在此不做限制。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他服务器上。56.终端102或服务器104对于待检测的目标资源转移操作，确定与目标资源转移操作相关联的至少一次历史资源转移操作。在确定了相关联的历史资源转移操作之后，终端102或服务器104即可获取与目标资源转移操作对应的第一属性数据集，并获取至少一次历史资源转移操作所对应的至少一个第二属性数据集。进而，终端102或服务器104即对第一属性数据集中所包括的属性数据进行特征聚合处理，得到目标操作特征，且对于至少一个第二属性数据集中的每个第二属性数据集，分别对所包括的属性数据进行特征聚合处理，得到至少一个历史操作特征。根据所确定的目标操作特征和至少一个历史操作特征，终端102或服务器104即可确定至少一次历史资源转移操作分别相对于目标资源转移操作的重要度，进而，终端102或服务器104根据至少一次历史资源转移操作分别相对于目标资源转移操作的重要度，将至少一个历史操作特征与目标操作特征进行聚合处理，得到目标聚合特征。最后，终端102或服务器104基于目标聚合特征进行检测，得到目标资源转移操作的异常检测结果。57.其中，终端102可以但不限于是各种台式计算机、笔记本电脑、智能手机、平板电脑、物联网设备、或者便携式可穿戴设备等中的一种或多种，物联网设备可为智能音箱、智能电视、智能空调、或者智能车载设备等中的一种或多种。便携式可穿戴设备可为智能手表、智能手环、或者头戴设备等中的一种或多种。58.在一些实施例中，终端上可装载有app(application)应用程序或具备视频播放功能的应用程序，包括传统需要单独安装的应用程序、以及不需要下载安装即可使用的小程序应用，例如浏览器客户端、网页客户端、或者支付客户端等中的一种或多种。59.在一些实施例中，终端通过应用程序为用户提供应用服务，例如支付服务等。在向用户提供应用服务的过程中，终端可以通过向服务器发起服务调用，服务器运行相应的业务进程。比如，终端装载有支付客户端，用户通过使用支付客户端向商户发起支付，服务器运行有关支付的业务进程，实现从用户指向商户的资源转移。60.其中，服务器104可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络、以及大数据和人工智能平台等基础云计算服务的云服务器。61.其中，人工智能(artificialintelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能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、以及机器学习或深度学习等几大方向。62.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。本技术实施例提供的基于人工智能技术的资源转移异常检测方法，可应用于网络购物、转账、充值、或者游戏道具转移等各种各样的线上交易场景中，通过充分利用资源转移操作所产生的大量数据，并且结合深度学习方式，学习资源转移操作之间隐含的联系，具有更高的准确性和更强的泛化性能。在对资源转移操作进行异常检测时，能够更加全面地评估资源转移的异常风险，提供更加准确的资源转移操作的异常检测结果。63.其中，资源转移操作指的是交易操作，例如可以是支付、转账、或者虚拟物品的交换等。64.其中，资源转移操作所产生的数据中至少来源于资源转移的发起方和资源转移的接收方。以一笔交易为例，资源转移的发起方例如为用户，资源转移的接收方例如为商户，则从该发起方指向该接收方的资源转移操作，至少包括用户的相关数据、商户的相关数据，以及该交易本身的数据。与此同时，同一个用户通过同一个支付账号可以发起多笔交易，各笔交易所指向的商户也可以相同或不同。65.而在对资源转移操作的异常情况进行检测的场景下，通常以资源转移操作的操作为核心，建立资源转移操作、资源转移操作中被转移的资源所来源的账户、以及资源所指向的账户。示例性地，资源转移操作与资源来源账户、资源指向账户之间的关系图可以如图2所示。66.基于此，在一些实施例中，本技术实施例提供的资源转移异常检测方法如图3所示。该方法可以应用于终端或服务器，也可以由终端和服务器协同执行。下面以该方法应用于计算机设备为例进行说明，该计算机设备可以是终端或服务器。该方法包括以下步骤：67.步骤s302，对于待检测的目标资源转移操作，确定与目标资源转移操作相关联的至少一次历史资源转移操作。68.其中，将所要检测是否存在异常的资源转移操作称为目标资源转移操作。待检测的目标资源转移操作为已完成的资源转移操作。例如，目标资源转移操作为目标交易。69.资源转移操作对应有操作时间，该操作时间可以为资源转移操作的发起时间。历史资源转移操作指的是发生在该目标资源转移操作之前的资源转移操作。70.在对目标资源转移操作进行检测时，需获取与目标资源转移操作相关联的历史资源转移操作。例如，历史资源转移操作为历史交易。历史资源转移操作与目标资源转移操作相关联，指的是历史资源转移操作发生在目标资源转移操作之前，且历史资源转移操作的操作触发方与目标资源转移操作的操作触发方相同。其中，操作触发方可以为资源转移的发起方或资源转移的接收方。例如，历史资源转移操作与目标资源转移操作可以由同一个资源来源账户发起，或者，历史资源转移操作与目标资源转移操作可以指向同一个资源接收账户。71.由此，通过获取相关联的历史资源转移操作，充分地考虑到资源转移操作与资源转移操作之间的关联性，并且能够处理真实场景中复杂多变的交易情况，能够更加全面地评估交易可能存在的风险，并提升交易异常检测的准确性。72.在一些实施例中，计算机设备对于待检测的目标资源转移操作，确定与目标资源转移操作相关联的至少一次历史资源转移操作，包括：对于待检测的目标资源操作，获取目标资源操作的目标操作触发方和目标操作时间；确定操作触发方与该目标操作触发方相同、且操作时间在该目标操作时间之前的至少一次历史资源转移操作；将所确定的至少一次历史资源转移操作，作为与该目标资源转移操作相关联的至少一次历史资源转移操作。73.在一些实施例中，历史资源转移操作与目标资源转移操作的操作时间之间的差异可能表征了关联性的强度。比如，与十天前发生的历史交易相比较而言，十分钟前发生的历史交易可能与目标交易的关联性更强。74.为此，在一些实施例中，计算机设备对于待检测的目标资源转移操作，确定与目标资源转移操作相关联的至少一次历史资源转移操作，还包括：将操作触发方与该目标操作触发方相同、操作时间在该目标操作时间之前、且操作时间与目标操作时间之间的时间差在预设阈值范围内的至少一次历史资源转移操作，作为与该目标资源转移操作相关联的至少一次历史资源转移操作。75.步骤s304，获取与目标资源转移操作对应的第一属性数据集，并获取至少一次历史资源转移操作所对应的至少一个第二属性数据集。76.通常，资源转移操作会产生的大量的数据。这些数据大致可分成两种类型：属性类型和数值类型。其中，属性类型的数据称为属性数据，用于描述资源转移操作的相关情况，通常为离散型数据，比如交易场所、交易资源类型、或者商户类型等。而数值类型的数据称为数值数据，用于描述资源转移操作中资源的相关情况，通常为连续型数据，比如交易金额、或者交易时间等。77.其中，结合图2所示，由于资源转移操作主要涉及所转移资源的资源来源方和资源指向方，则计算机设备可以为资源转移操作所产生的数据设置预设的数据类别，例如与资源来源账户对应的第一账户类别、与资源转移操作本身所对应的操作类别、以及与资源指向账户对应的第二账户类别。每一种数据类别中包括属性数据、数值数据、或者属性数据和数值数据。78.以一笔交易为例，第一账户类别中的数据例如包括：账户类型、账户拥有者类型、账户额度、或者账户剩余额度等中的一种或多种。第二账户类别中的数据例如包括：账户类型、用于接收所转移的资源的终端类型、位置数据、或者收费比例等中的一种或多种。操作类别中的数据例如包括：交易额度或者资源种类等中的一种或多种。79.每一种数据类别中均可能存在属性数据，举例而言，第一账户类别中的账户类型和账户拥有者类型、第二账户类别中账户类型、操作类别中的资源种类等数据，均为属性数据。而第一账户类别中的账户额度和账户剩余额度、第二账户类别中的收费比例、操作类别中的交易额度等数据，均为数值数据。80.需要说明的是，上述术语第一和第二等在本技术中用来描述资源转移操作的不同参与方的账户类别，但是这些账户类别不应当被这些术语限制。这些术语仅用来将一个账户类别与另一个账户类别进行区分。例如，第一账户类别可以被称作第二账户类别，并且类似地，第二账户类别可以被称作第一账户类别，而不脱离各种所描述的实施例的范围，但是除非上下文以其他方式明确指出，否则它们不是同一个账户类别。相似的情况还包括后文中的第一属性数据集和第二属性数据集、第一样本操作特征和第二样本操作特征等。81.一般来说，一笔交易会产生大量的属性数据和少量的数值数据，属性数据的数量往往是数值数据的十几倍甚至几十倍。因此，通过将这些属性数据作为交易异常检测的依据之一，能够利用属性数据所携带的丰富信息，从而提升交易异常检测的准确性。82.为此，计算机设备获取与目标资源转移操作对应的属性数据集，称为第一属性数据集。该第一属性数据集中包括因目标资源转移操作产生的属性数据。83.并且，对于历史资源转移操作，计算机设备获取与历史资源转移操作对应的属性数据集，称为第二属性数据集。则，对于至少一次历史资源转移操作，计算机设备获取至少一个第二属性数据集。该第二属性数据集中包括因历史资源转移操作产生的属性数据。84.步骤s306，对第一属性数据集中所包括的属性数据进行特征聚合处理，得到目标操作特征，且对于至少一个第二属性数据集中的每个第二属性数据集，分别对所包括的属性数据进行特征聚合处理，得到至少一个历史操作特征。85.在基于机器学习模型进行交易异常检测时，需要将原始的数据转化为特征以进行处理。因此，计算机设备对第一属性数据集中所包括的属性数据进行特征聚合处理，得到目标操作特征，包括：对于第一属性数据集中所包括的多个属性数据，分别确定各属性数据的特征表示；基于各属性数据的特征表示进行特征聚合处理，得到目标操作特征。86.其中，特征聚合处理指的是将输入的多个特征进行融合，从而输出一个融合后的特征。对特征进行融合的方式包括但不限于特征拼接、特征叠加、或者特征合并等中的一种或多种。87.类似地，计算机设备对第二属性数据集中所包括的属性数据进行特征聚合处理，得到历史操作特征，包括：对于第二属性数据集中所包括的多个属性数据，分别确定各属性数据的特征表示；基于各属性数据的特征表示进行特征聚合处理，得到历史操作特征。对于至少一个第二属性数据集中的每个第二属性数据集，计算机设备均进行上述处理，从而得到至少一个历史操作特征。88.通常，需要将离散型的属性数据转换为连续型，以用于后续的运算。为此，在一些实施例中，计算机设备确定属性数据的特征表示，包括：对属性数据进行编码，以得到该属性数据的特征表示。编码的方式包括但不限于独热编码(one-hot编码)、或者数值编码等中的一种或多种。89.为了保留属性数据中丰富的语义信息，进一步提高交易异常检测的准确性，本技术实施例中提出一种随机初始化的基于梯度提升的属性数据的编码方式，通过将属性数据转化为随机初始化的特征表示，并使得不同属性数据的特征表示之间具有更强的区分度。90.在一些实施例中，计算机设备对属性数据进行编码，包括：对属性数据进行独热编码，得到属性数据的离散特征表示；将该属性数据的离散特征表示与预设嵌入矩阵进行逻辑运算，得到属性数据的初始特征表示；该属性数据的初始特征表示即为对该属性数据进行编码得到的随机初始化的特征表示。其中，逻辑运算包括但不限于乘法运算等一种或多种运算方式。91.示例性地，计算机设备利用如下公式来确定每一个属性数据的随机初始化的特征：92.eattr＝onehot(fattr)⊙eattr93.其中，fattr表示单个属性数据，attr表示该属性数据所属的数据类别。onehot(·)表示对该属性数据进行独热编码。⊙表示逻辑运算中的乘法运算。表示该属性数据所属的数据类别attr对应设置的嵌入矩阵，m表示该属性数据所属的数据类别attr所有可能的取值的数量，d表示维度大小(默认设置d＝128)，表示实数。示例性地，每种数据类别分别设置有相应的嵌入矩阵。表示属性数据的初始特征表示。94.步骤s308，根据至少一次历史资源转移操作分别相对于目标资源转移操作的重要度，将至少一个历史操作特征与目标操作特征进行聚合处理，得到目标聚合特征。95.为了进一步学习到历史资源转移操作与目标资源转移操作之间的关联性，本技术实施例中可以根据资源转移操作发生时间的先后顺序，将每一次资源转移操作作为节点、资源转移操作之间时间上的先后顺序作为节点之间的有向边，构建资源转移操作关系图。96.示例性地，在如图4a所示的资源转移操作关系图中，根据至少一个历史资源转移操作与目标资源转移操作分别构建节点，并按照时间顺序构建节点之间的有向边。其中，与目标资源转移操作对应的节点称为目标节点，例如目标节点与历史资源转移操作对应的节点称为历史节点，例如历史节点历史节点历史节点等。则历史节点作为目标节点的邻居节点，其与目标节点之间的有向边的方向如图中箭头所示，即，由历史资源转移操作指向目标资源转移操作。97.容易理解的是，当前所检测的目标资源转移操作又可以作为之后待检测的资源转移操作的历史资源转移操作，如图4b所示，目标节点指向之后的资源转移操作所对应的节点和节点98.由此，不仅考虑了交易本身的数据，还将交易与交易之间的关系作为异常检测的依据之一，不仅能够提高交易异常检测的准确性，还能够适应于真实场景下复杂多变的交易情况，具有持续性高准确性的检测能力。99.进而，基于历史资源转移操作与目标资源转移操作之间的关联，计算机设备可以结合资源转移操作关系图，根据节点之间的连接关系，确定历史节点相对于目标节点的重要性，并根据历史节点相对于目标节点的重要性，将至少一个历史节资源操作的历史操作特征与目标资源操作的目标操作特征进行聚合。由此，除了目标资源转移操作本身所具有的携带有丰富语义信息的属性特征以外，还能够考虑到交易与交易之间的关系特征，从而能够更加全面地评估交易的异常风险，并能够适应真实场景中复杂多变的交易情况。100.为此，在一些实施例中，在根据至少一次历史资源转移操作分别相对于目标资源转移操作的重要度，将至少一个历史操作特征与目标操作特征进行聚合处理，得到目标聚合特征之前，本技术实施例提供的资源转移异常检测方法还包括：确定至少一次历史资源转移操作分别相对于目标资源转移操作的重要度。101.在一些实施例中，计算机设备确定至少一次历史资源转移操作分别相对于目标资源转移操作的重要度，包括：根据至少一次历史资源转移操作各自的操作时间、以及目标资源转移操作的操作时间，确定与至少一次历史资源转移操作分别对应的时间权重；基于与至少一次历史资源转移操作分别对应的时间权重，确定至少一次历史资源转移操作分别相对于目标资源转移操作的重要度。102.具体地，针对至少一次历史资源转移操作中的任一次历史资源转移操作，计算机设备确定所针对的历史资源转移操作的操作时间与目标资源转移操作的操作时间之间的时间差；根据该时间差确定所针对的历史资源转移操作对应的时间权重。例如，计算机设备可以预先设置时间差在1小时内，对应的权重为a1；时间差在1小时～3小时之间，对应的权重为a2……等等。示例性地，时间差越小说明历史资源转移操作与目标资源转移操作的操作时间越接近，该历史资源转移操作与目标资源转移操作之间的关联性越强。则应用在上述示例中，计算机设备可以设置权重a1大于权重a2。103.进而，计算机设备基于与至少一次历史资源转移操作分别对应的时间权重，确定至少一次历史资源转移操作分别相对于目标资源转移操作的重要度，包括：针对至少一次历史资源转移操作中的任一次历史资源转移操作，确定所针对的历史资源转移操作的历史操作特征和与所针对的历史资源转移操作对应的时间权重的计算结果；基于该计算结果，确定所针对的历史资源转移操作相对于目标资源转移操作的重要度。其中，计算结果例如为历史操作特征与时间权重进行加权运算后的结果。104.示例性地，计算机设备基于该计算结果，确定所针对的历史资源转移操作相对于目标资源转移操作的重要度，包括：将计算结果作为所针对的历史资源转移操作相对于目标资源转移操作的重要度。或者，计算机设备还可以对该计算结果进行数值运算，以得到所针对的历史资源转移操作相对于目标资源转移操作的重要度，等等。105.在一些实施例中，计算机设备确定至少一次历史资源转移操作分别相对于目标资源转移操作的重要度，包括：根据所得到的至少一个历史操作特征和目标操作特征，确定至少一次历史资源转移操作分别相对于目标资源转移操作的重要度。例如，针对至少一次历史资源转移操作中的任一次历史资源转移操作，计算机设备将相应的历史操作特征与目标操作特征进行融合，得到所针对的历史资源转移操作相对于目标资源转移操作的重要度。融合的方式包括但不限于合并、叠加、拼接、或者逻辑运算等中一种或多种。106.进而，计算机设备根据至少一次历史资源转移操作分别相对于目标资源转移操作的重要度，将至少一个历史操作特征与目标操作特征进行聚合处理，得到目标聚合特征，包括：针对至少一次历史资源转移操作中的任一次历史资源转移操作，按照与所针对的历史资源转移操作对应的重要度，将相应的历史操作特征与目标操作特征进行聚合处理，得到目标聚合特征。107.其中，计算机设备将历史操作特征与目标操作特征进行聚合，类似于加权求和的过程。示例性地，计算机设备可利用如下公式将历史操作特征与目标操作特征进行聚合：[0108][0109]其中，表示有向边(i,t)的重要度，即历史操作节点i相对于目标操作节点t的重要度。表示注意力向量。leakyrelu(·)表示leakyrelu激活函数。表示目标操作节点t的全部邻居节点。head表示一个注意力头。[0110]步骤s310，基于目标聚合特征进行检测，得到目标资源转移操作的异常检测结果。[0111]具体地，在得到目标聚合特征之后，计算机设备即可根据该目标聚合特征进行检测，从而将抽象的特征转换为具象的数据，以得到目标资源转移操作的异常检测结果。[0112]异常检测结果用于表示目标资源转移操作存在异常的可能性。例如，异常检测结果为目标资源转移操作是否存在异常的二分类结果。或者，异常检测结果为表征存在异常可能性的概率值，等等。[0113]示例性地，异常检测结果可以通过概率的形式来表征，例如当计算机设备基于该目标聚合特征进行检测得到的概率值为0时，说明该目标资源转移操作不存在异常；概率值大于0时，说明该目标资源转移操作存在异常；概率值越大，则说明该目标资源转移操作存在异常的可能性越大。[0114]在一些实施例中，计算机设备基于目标聚合特征进行检测，得到目标资源转移操作的异常检测结果，包括：计算机设备将目标聚合特征输入至全连接层(fullconnectedlayers，fc)中，从而将目标聚合特征转化为概率值。[0115]在另一些实施例中，计算机设备基于目标聚合特征进行检测，得到目标资源转移操作的异常检测结果，还包括：计算机设备将目标聚合特征输入至逻辑回归(logisticregression)模型中，以将目标聚合特征转化为概率值。[0116]在另一些实施例中，计算机设备基于目标聚合特征进行检测，得到目标资源转移操作的异常检测结果，包括：将目标聚合特征输入至多层感知机进行参数激活，由多层感知机输出异常概率值；其中，异常概率值表征目标资源转移操作为异常资源转移操作的可能性。[0117]其中，多层感知机(multilayerperceptron，mlp)又称全连接网络，如图5所示，包括输入层、隐藏层和输出层。示例性地，多层感知机可以为双层感知机，以减少模型复杂度，提高运算效率。[0118]计算机设备将目标聚合特征输入至多层感知机中进行处理，以由多层感知机对该目标聚合特征进行参数激活，从而输出异常概率值。该异常概率值作为目标资源转移操作的异常检测结果。其中，参数激活例如为参数化的线性激活或者非线性激活等中的一种或多种。计算机设备可以选择合适的激活函数进行参数激活，例如sigmoid激活函数(又称logisticfunction，逻辑函数)等。[0119]示例性地，计算机设备可以通过如下公式表示将目标聚合特征输入至多层感知机来获得最终的异常检测结果：[0120][0121]其中，表示目标资源转移操作的异常检测结果，即为目标资源转移操作存在异常的概率值。prelu(·)表示参数化的线性整流单元。h表示多层感知机的输入，即目标聚合特征。w0、b0、w1和b1表示多层感知机中的可训练参数。σ(·)表示sigmoid激活函数。[0122]由此，通过将目标聚合特征输入至多层感知机中来获得最终的异常检测结果，经训练得到的多层感知机所输出的结果更加准确。[0123]容易理解的是，本技术实施例中并不局限于多层感知机，例如还可以是基于全连接网络进行适当变形和合理调整后得到的神经网络、或者对目标聚合特征进行线性变化或非线性变换等。本领域技术人员可以理解的是，任何适当变形和合理调整都在本技术的保护范围之内。[0124]上述资源转移异常检测方法中，对于待检测的目标资源转移操作，通过确定与目标资源转移操作相关联的至少一次历史资源转移操作，以将资源转移操作与资源转移操作之间的关系作为异常检测的依据之一；获取与目标资源转移操作对应的第一属性数据集，并获取至少一次历史资源转移操作所对应的至少一个第二属性数据集；对第一属性数据集中所包括的属性数据进行特征聚合处理，得到目标操作特征，且对于至少一个第二属性数据集中的每个第二属性数据集，分别对所包括的属性数据进行特征聚合处理，得到至少一个历史操作特征，充分地利用了资源转移操作所产生的具有丰富语义信息的属性数据。再根据至少一次历史资源转移操作分别相对于目标资源转移操作的重要度，将至少一个历史操作特征与目标操作特征进行聚合处理，得到目标聚合特征，结合资源转移操作与资源转移操作之间的关系特征，最终再基于目标聚合特征进行检测，得到目标资源转移操作的异常检测结果，能够更加全面地评估资源转移操作可能存在的风险，并提升资源转移操作异常检测的准确性，同时充分地考虑到资源转移操作与资源转移操作之间的关联性，能够处理真实场景中复杂多变的交易情况，具有较强的持续性检测能力。[0125]在一些实施例中，对第一属性数据集所包括的属性数据进行特征聚合处理，得到目标操作特征，包括：获取预设的多种数据类别；针对多种数据类别中的任一种数据类别，将第一属性数据集中的、属于所针对的数据类别的属性数据进行特征聚合处理，得到所针对的数据类别对应的类别属性特征；聚合多种数据类别各自对应的类别属性特征，得到目标操作特征。[0126]承前所述，属性数据对应于多种预设的数据类别。本技术实施例中，以数据类别包括与资源来源账户对应的第一账户类别、与资源转移操作本身所对应的操作类别、以及与资源指向账户对应的第二账户类别为例进行说明。[0127]容易理解的是，本技术实施例中并不局限于将属性数据划分成上述数据类别，例如还可以基于交易额度划分等级类别、基于操作时间划分时间属性类别等等。本领域技术人员可以理解的是，任何适当变形和合理调整都在本技术的保护范围之内。[0128]具体地，计算机设备获取预设的多种数据类别，由此可获取属于这些数据类别的属性数据。对于目标资源转移操作而言，针对任一种数据类别，计算机设备获取该种数据类别下的多个属性数据，并将该种数据类别下的多个属性数据进行特征聚合处理，由此得到该种数据类别下的类别属性特征。对于每种数据类别，计算机设备均进行如上处理，则得到每种数据类别的类别属性特征。进而，计算机设备将各种数据类别的类别属性特征进行聚合，从而得到与目标资源转移操作对应的目标操作特征。[0129]示例性地，对于数据类别a、b、c，计算机设备首先分别获取各数据类别的属性数据进行特征聚合处理得到的类别属性特征，例如针对于数据类别a的类别属性特征f_a、针对于数据类别b的类别属性特征f_b、以及针对于数据类别c的类别属性特征f_c。则计算机设备再将各数据类别的类别属性特征进行聚合，即将类别属性特征f_a、类别属性特征f_b、以及类别属性特征f_c进行聚合，从而得到与目标资源转移操作对应的目标操作特征。[0130]上述实施例中，通过分类聚合各个数据类别的属性数据，再将各个数据类别的类别属性特征进行聚合，能够很好地利用资源转移操作的属性数据中携带的丰富的语义信息，能够提高交易异常检测的准确性。[0131]需要说明的是，对于至少一个第二属性数据集中的每个第二属性数据集，分别对所包括的属性数据进行特征聚合处理，得到至少一个历史操作特征的步骤与上述实施例类似，此处不再赘述。[0132]其中，在一些实施例中，针对多种数据类别中的任一种数据类别，将第一属性数据集中的、属于所针对的数据类别的属性数据进行特征聚合处理，得到所针对的数据类别对应的类别属性特征，包括：针对多种数据类别中的任一种数据类别，确定第一属性数据集中的、属于所针对的数据类别的全部属性数据；对全部属性数据中的每一属性数据分别进行特征编码，得到每一属性数据的初始特征表示；基于每一属性数据的初始特征表示，将属于所针对的数据类别的全部属性数据进行特征聚合处理，得到所针对的数据类别对应的类别属性特征。[0133]具体地，对于任一种数据类别，计算机设备在第一属性数据集中，确定属于该种数据类别的全部属性数据。计算机设备首先对这些属性数据中的每一个属性数据分别进行特征编码，得到每一属性数据的初始特征表示，从而将离散的属性数据转换为连续的数据。[0134]其中，特征编码的方式包括但不限于独热编码、或者数值编码等中的一种或多种。为了不丢失属性里丰富的语义信息，计算机设备对全部属性数据中的每一属性数据分别进行特征编码，得到每一属性数据的初始特征表示，包括：计算机设备对单个属性数据进行离散编码，得到单个属性数据的离散特征表示；基于该单个属性数据的离散特征表示、和与该单个属性数据所属的数据类别对应的预设嵌入矩阵，得到该单个属性数据的初始特征表示。[0135]示例性地，计算机设备对于单个属性数据，利用如下公式来确定每一个属性数据的初始特征表示：[0136]eattr＝onehot(fattr)⊙eattr[0137]其中，fattr表示单个属性数据，attr表示该属性数据所属的数据类别。onehot(·)表示对该属性数据进行独热编码。⊙表示逻辑运算中的乘法运算。表示该属性数据所属的数据类别attr对应设置的嵌入矩阵，m表示该属性数据所属的数据类别attr所有可能的取值的数量，d表示维度大小(默认设置d＝128)，表示实数。示例性地，每种数据类别分别设置有相应的嵌入矩阵。表示属性数据的嵌入特征表示。[0138]最终，计算机设备对于该种数据类别，将属于该种数据类别的各个属性数据的初始特征进行聚合处理，得到与该种数据类别对应的类别属性特征。[0139]示例性地，在得到了每个属性数据的初始特征表示之后，计算机设备再将同一个数据类别下的所有属性数据的初始特征表示进行聚合。例如，计算机设备可以利用神经网络进行聚合，从而得到每个数据类别的类别属性特征。示例性地，计算机设备可以利用如下公式计算每个数据类别的类别属性特征：[0140][0141]其中，xcat,i表示数据类别i的属性类别特征。示例性地，数据类别i包括第一账户类别card、操作类别trans、以及第二账户类别mchnt。tablei表示在各个数据类别i的嵌入向量所构成的嵌入矩阵。ej为tablei中的第j列，表示第j列的嵌入向量。mlpi(·)表示属性类别i的多层感知机。上述公式的含义为，首先将数据类别i的所有属性数据的嵌入向量ej相加，然后经过一个mlp网络，得到该数据类别i的类别属性特征xcat,i。[0142]上述实施例中，通过对属性数据按照数据类别进行聚合，能够保留属性数据中丰富的语义信息，并且使得不同数据类别之间的类别属性特征之间具有更强的区分度，进一步提高交易异常检测的准确性。[0143]如图6所示，对于第一账户类别、操作类别、以及第二账户类别这三种数据类别，计算机设备首先分别获取每种数据类别下的属性数据，例如第一账户类别下的属性数据a1、a2……，操作类别下的属性数据a2、b2……，以及第二账户类别下的属性数据a3、b3……。计算机设备分别对每种数据类别下的属性数据进行特征编码，并通过多层感知机进行聚合处理，得到每种数据类别对应的类别属性特征，例如与第一账户类别对应的类别属性特征xcard，与操作类别对应的类别属性特征xtran，与第二账户类别对应的类别属性特征xmchnt。最终，计算机设备将各种数据类别的类别属性特征进行聚合，得到与目标资源转移操作对应的目标操作特征。[0144]示例性地，计算机设备通过如下公式聚合各个数据类别的类别属性特征，得到目标操作特征：[0145][0146]其中，表示第u次资源转移操作对应的聚合后得到的目标操作特征。i为数据类别，包括第一账户类别card、操作类别trans、以及第二账户类别mchnt。[0147]除了上述方式来得到反映资源转移操作本身的特征以外，本技术实施例中还利用了目标资源转移操作与历史资源转移操作之间的关系，来进一步提高准确性。基于此，在一些实施例中，本技术实施例提供的资源转移操作的异常检测方法还包括：对目标操作特征和至少一个历史操作特征进行特征拼接，得到至少一个拼接特征；基于至少一个拼接特征进行数值运算，得到至少一个历史操作特征各自对应的指数值；根据至少一个历史操作特征各自对应的指数值，得到指数和；针对至少一个历史操作特征中的任一历史操作特征，基于与所针对的历史操作特征相对应的指数值与指数和，确定所针对的历史操作特征对应的历史资源转移操作相对于目标资源转移操作的重要度。[0148]具体地，对于至少一个历史资源转移操作中的任一历史资源转移操作，计算机设备分别将目标操作特征与该历史资源转移操作的历史操作特征进行特征拼接，得到至少一个拼接特征。示例性地，计算机设备将目标操作特征与历史操作特征进行特征拼接通过xt||xi来表示。其中xt表示目标操作特征，xi表示历史操作特征。[0149]计算机设备基于至少一个拼接特征进行数值运算，得到至少一个历史操作特征各自对应的指数值。其中，数值运算例如为指数运算等。进而，计算机设备根据至少一个历史操作特征各自对应的指数值，得到指数和，该指数和表征全部历史操作特征的整体特征情况。[0150]则在一些实施例中，针对至少一个历史操作特征中的任一历史操作特征，计算机设备基于与所针对的历史操作特征相对应的指数值与指数和，确定所针对的历史操作特征对应的历史资源转移操作相对于目标资源转移操作的重要度，包括：计算机设备将与所针对的历史操作特征相对应的指数值与指数和的比值，作为所针对的历史操作特征对应的历史资源转移操作相对于目标资源转移操作的重要度。[0151]示例性地，以与目标资源转移操作对应的目标节点t、和与历史资源转移操作对应的历史节点i为例，各历史节点i对于目标节点t的重要度可以通过如下公式计算得到：[0152]其中，表示历史节点i对于目标节点t的重要度。表示注意力向量。leakyrelu(·)表示leakyrelu激活函数(一种改进的线性整流激活函数)。表示目标节点t的邻居节点(即历史节点)。[0153]上述实施例中，通过重要度来表征历史资源转移操作与目标资源转移操作之间的关联性，不仅考虑了资源转移操作本身的数据，还将历史资源转移操作与目标资源转移操作之间的关系作为异常检测的依据之一，不仅能够提高交易异常检测的准确性，还能够适应于真实场景下复杂多变的交易情况，具有持续性高准确性的检测能力。[0154]进而，根据历史资源转移操作相对于目标资源转移操作的重要度，即可将历史操作特征与目标操作特征聚合起来，得到目标资源转移操作的目标聚合特征。为此，在一些实施例中，根据至少一次历史资源转移操作分别相对于目标资源转移操作的重要度，将至少一个历史操作特征与目标操作特征进行聚合处理，得到目标聚合特征，包括：针对任一历史资源转移操作，按照所针对的历史资源转移操作相对于目标资源转移操作的重要度，将相应的历史操作特征与目标操作特征进行融合，获得与所针对的历史资源转移操作对应的初始聚合特征；将至少一个历史资源转移操作各自对应的初始聚合特征进行聚合，得到目标聚合特征。[0155]具体地，对于任一历史资源转移操作，计算机设备按照该历史资源转移操作相对于目标资源转移操作的重要度，与该历史资源转移操作对应的历史操作特征与目标操作特征进行融合，获得该历史资源转移操作的初始聚合特征。[0156]进而，对于每个历史资源转移操作，计算机设备将各历史资源转移操作各自对应的初始聚合特征进行聚合，得到与目标资源转移操作对应的目标聚合特征。[0157]示例性地，计算机设备可利用如下公式将历史操作特征与目标操作特征进行聚合：[0158][0159]其中，表示历史资源转移操作i相对于目标资源转移操作t的重要度。表示注意力向量。为与历史资源转移操作i对应的初始聚合特征。leakyrelu(·)表示leakyrelu激活函数。表示目标操作节点t的全部邻居节点。head表示一个注意力头。[0160]上述实施例中，通过按照重要度来将各个历史操作特征与目标操作特征进行聚合，考虑到交易与交易之间的关系特征，从而能够更加全面地评估交易的异常风险，并能够适应真实场景中复杂多变的交易情况。[0161]在一些实施例中，本技术实施例还可以通过门控时间敏感图注意力网络，来自动学习每一次资源转移操作与其历史资源转移操作之间的重要度。结合图4所示，本技术实施例中通过时间敏感图注意力机制，从时间维度自动学习目标节点的每个邻居节点的重要性，从而通过学习资源转移操作在资源转移操作关系图中的位置特点，提升欺诈检测模型的预测性能。[0162]当使用多头注意力机制来聚合特征时，在一些实施例中，将至少一个历史资源转移操作各自对应的初始聚合特征进行聚合，得到目标聚合特征，包括：针对至少一个历史资源转移操作中的任一历史资源转移操作，通过与所针对的历史资源转移操作对应的注意力头，对与所针对的历史资源转移操作对应的初始聚合特征进行激活处理，得到与所针对的历史资源转移操作对应的子目标聚合特征；将至少一个历史资源转移操作各自对应的子目标聚合特征进行特征拼接，得到目标聚合特征。[0163]其中，计算机设备设置有多个注意力头，每个注意力头分别进行一次聚合操作。具体地，针对任一历史资源转移操作，计算机设备通过与该历史资源转移操作对应的注意力头，对与所针对的历史资源转移操作对应的初始聚合特征进行激活处理，得到与所针对的历史资源转移操作对应的子目标聚合特征。由此，计算机设备即可将至少一个历史资源转移操作各自对应的子目标聚合特征进行特征拼接，得到目标聚合特征。[0164]示例性地，计算机设备通过多个注意力头来聚合特征的定义可以通过如下公式表示：[0165]h＝concat(head1,…,headhatt)wo[0166]其中，h表示通过多个注意力头聚合得到的目标聚合特征。head1,…,headhatt表示各个注意力头，hatt表示注意力头的数量。concat(·)表示拼接操作。wo表示输出层的可训练参数。[0167]上述实施例中，通过多头注意力机制对目标资源转移操作的目标操作特征与历史资源转移操作的历史操作特征进行聚合，能够更加充分地学习到交易与交易之间的关联性，提升了交易异常检测的准确性。[0168]除此以外，本技术实施例中还进一步地提出了基于属性数据驱动的门控残差连接机制，从而自动学习目标节点的邻居节点相对于目标节点的重要性。基于此，在一些实施例中，本技术实施例提供的资源转移操作的异常检测方法还包括：获取与目标资源转移操作对应的数值数据集；数值数据集中包括的数值数据对应于多个数据类别；在数值数据集中，确定每一种数据类别下的数值数据；针对多个数据类别中的任一种数据类别，将属于所针对的数据类别的全部数值数据进行特征聚合处理，得到所针对的数据类别对应的数值属性特征；将多个数据类别各自对应的数值属性特征进行聚合，得到与目标资源转移操作对应的数值操作特征。[0169]承前所述，资源转移操作所产生的数据还包括数值数据，比如交易金额、或者交易时间等。则具体地，计算机设备还获取与目标资源转移操作对应的数值数据集，该数值数据集中包括的数值数据对应于预设的多个数据类别。示例性地，数值数据对应于第一账户类别、操作类别、以及第二账户类别。[0170]进而，计算机设备在该数值数据集中，确定每一种数据类别下的数值数据。对于任一种数据类别，计算机设备将属于该种数据类别的全部数值数据进行特征聚合处理，从而得到该种数据类别对应的数值属性特征。对于每种数据类别，计算机设备均进行如上处理，则得到每种数据类别的数值属性特征。进而，计算机设备将各种数据类别的数值属性特征进行聚合，从而得到与目标资源转移操作对应的数值操作特征。[0171]示例性地，计算机设备对数值数据进行特征聚合处理得到数值操作特征的步骤，与前述实施例中对属性数据进行特征聚合处理得到目标操作特征的步骤类似，此处不再赘述。[0172]上述实施例中，通过分类聚合各个数据类别的数值数据，再将各个数据类别的数值属性特征进行聚合，能够很好地利用资源转移操作的数值数据中携带的连续型的数据信息，能够提高交易异常检测的准确性。[0173]在一些实施例中，在得到目标聚合特征之后，基于所得到的数值操作特征，本技术实施例提供的资源转移操作的异常检测方法还包括：基于目标聚合特征、目标操作特征、以及数值操作特征进行特征拼接，确定与目标资源转移操作对应的初始的门控特征；根据目标聚合特征和初始的门控特征，确定初始的残差；基于初始的残差对初始的门控特征进行至少一次更新，并将最后一次更新得到的门控特征，作为目标门控特征；基于目标门控特征，更新目标聚合特征；更新后的目标聚合特征用于进行检测以得到目标资源转移操作的异常检测结果。[0174]具体地，计算机设备基于目标聚合特征、目标操作特征、以及数值操作特征，将三者特征进行特征拼接，并基于拼接后得到的特征向量与门控向量，得到与目标资源转移操作对应的初始的门控特征。[0175]示例性地，计算机设备计算得到初始的门控特征的公式可如下所示：[0176][0177]其中，表示目标资源转移操作的门控值，该门控值用于衡量目标资源转移操作的历史资源转移操作聚合的重要程度。当为0时，说明历史资源转移操作的重要程度为0，随着逐渐增大，从历史资源转移操作聚合的历史操作特征的占比也会逐渐加大。表示目标资源转移操作的类别属性特征，表示目标资源转移操作的数值属性特征。[0178]则计算机设备根据目标聚合特征和初始的门控特征，确定初始的残差。示例性地，计算机设备计算得到初始的门控特征的公式可如下所示：[0179][0180]其中，表示残差，表示经过时间注意力机制聚合之后得到的目标聚合特征，表示目标资源转移操作的目标操作特征。[0181]计算机设备可以设置多个残差模块，则计算机设备基于初始的残差对初始的门控特征进行至少一次更新，更新次数与残差模块的个数相匹配。进而，在多次残差更新后，计算机设备将最后一次更新得到的门控特征，作为目标门控特征。[0182]进而，计算机设备基于目标门控特征，更新目标聚合特征。例如，计算机设备基于该目标门控特征代入上述公式中得到最后一次的残差，并将该残差作为更新后的目标聚合特征。该更新后的目标聚合特征用于进行检测以得到目标资源转移操作的异常检测结果。[0183]上述实施例中，通过门控残差连接机制自动学习历史节点相对于目标节点的重要性，并且通过结合目标资源转移操作的数值属性特征以及目标操作特征，尽可能保留了目标资源操作所产生的数据的丰富的语义信息，能够进一步提高交易异常检测的准确性。[0184]在获得异常检测结果后，计算机设备还可以基于异常检测结果对被检测的交易进行相应的处理。为此，在一些实施例中，本技术实施例提供的资源转移操作的异常检测方法还包括：在异常检测结果表征目标资源转移操作存在异常的情况下，基于目标资源转移操作，更新与目标资源转移操作的操作触发方对应的操作记录。具体地，计算机设备在异常检测结果表征目标资源转移操作存在异常的情况下，基于目标资源转移操作，更新与目标资源转移操作的操作触发方对应的操作记录。例如，每一个操作触发方对应于待维护的操作记录，在对某一次资源转移操作进行异常检测后，计算机设备即根据该次资源转移操作的异常检测结果，对该操作记录进行更新维护。[0185]由此，能够及时地检测操作触发方的交易异常情况，能够在存在风险的情况下及时地进行相应处理，从而保护操作触发方的财产安全。[0186]基于此，在一些实施例中，本技术实施例提供的资源转移操作的异常检测方法还包括：基于目标资源转移操作的操作触发方的操作记录，确定与目标资源转移操作的操作触发方对应的资源转移风险等级。[0187]计算机设备基于目标资源转移操作的操作触发方的操作记录，根据操作记录中异常交易的数量，即可确定与目标资源转移操作的操作触发方对应的资源转移风险等级。[0188]例如，在安全等级较高的场景下，当操作记录中存在异常交易时，即记录有存在异常的资源转移操作时，计算机设备即确定操作触发方对应的资源转移风险等级为存在风险。[0189]又如，计算机设备确定操作记录中异常交易的数量，当不超过第一数量阈值时，计算机设备确定操作触发方对应的资源转移风险等级为轻度风险；当大于第一数量阈值且不超过第二数量阈值时，计算机设备确定操作触发方对应的资源转移风险等级为中度风险；当超过第三数量阈值时，计算机设备确定操作触发方对应的资源转移风险等级为高度风险，等等。[0190]在一些实施例中，在资源转移对象对应的资源转移风险等级超过阈值的情况下，向目标资源转移操作的操作触发方进行异常提示。例如，在安全等级较高的场景下，在判定为轻度风险时，计算机设备即向操作触发方进行异常提示。又如，在判定为中度风险或高度风险时，计算机设备向操作触发方进行异常提示。[0191]由此，通过不同风险等级进行分级处理，能够更加精细化地对交易风险情况进行管控，有效保障了操作触发方的财产安全。[0192]在一些实施例中，在异常检测结果表征目标资源转移操作存在异常的情况下，向目标资源转移操作的操作触发方进行异常提示。[0193]具体地，计算机设备在异常检测结果表征目标资源转移操作存在异常的情况下，向目标资源转移操作的操作触发方进行异常提示。例如，通过与操作触发方关联的账号，发送风险告警，以提示操作触发方交易可能存在风险，或者提示尽可能及时检查交易相关情况，以事后主动排查问题，避免后续产生相同情况的风险交易。[0194]由此，能够主动向操作触发方告知风险，有效地避免了进一步地财产损失，有利于及时进行相应地交易后处理，例如交易撤销、额度追回等，有效保障了操作触发方的财产安全。[0195]示例性地，如图7所示，计算机设备还可以根据操作触发方所属的区域，基于各个操作触发方对应的资源转移风险等级，统计得到各个区域对应的资源转移风险等级。由此，便于对各个区域进行交易风险管控。[0196]示例性地，如图8所示，计算机设备还可以根据操作触发方建立对象关系图，图中每个字母表示各个操作触发方。由此，能够在交易存在异常的情况下，根据对象关系图及时进行排查，便于保障操作触发方的财产安全。[0197]本技术还提供一种应用场景，该应用场景应用上述的资源转移异常检测方法。具体地，该资源转移异常检测方法在该应用场景的应用例如如下：对于待检测的目标交易，确定与目标交易相关联的至少一次历史交易；获取与目标交易对应的第一属性数据集，并获取至少一次历史交易所对应的至少一个第二属性数据集；对第一属性数据集中所包括的属性数据进行特征聚合处理，得到目标操作特征，且对于至少一个第二属性数据集中的每个第二属性数据集，分别对所包括的属性数据进行特征聚合处理，得到至少一个历史操作特征；根据至少一次历史交易分别相对于目标交易的重要度，将至少一个历史操作特征与目标操作特征进行聚合处理，得到目标聚合特征；基于目标聚合特征进行检测，得到目标交易的异常检测结果。[0198]本技术实施例提供的资源转移异常检测方法，可以应用在医疗领域中交易的异常检测的场景中。例如，基于上述资源转移异常检测方法，有效检测和挖掘出医疗领域交易数据中异常行为。[0199]在上述资源转移异常检测方法中，通过半监督技术，有效利用了交易数据中的大量无标签数据，既节省了人力、物力，又节省了需要标注的时间，加快了模型训练流程，提升了效率。并且，通过结合属性特征、结构特征等维度的多个特征信息，并通过构建异质图，包含多种节点类型，将一部分属性特征转为结构特征，使特征学习过程更全面，提升了模型检测的准确率和速度。[0200]示例性地，本技术还提供一种医疗领域中交易的异常行为检测的应用场景，该应用场景应用上述的资源转移异常检测方法。具体地，该资源转移异常检测方法在该应用场景的应用例如如下：对于待检测的目标医疗交易，确定与目标医疗交易相关联的至少一次历史医疗交易；获取与目标医疗交易对应的第一医疗属性数据集，并获取至少一次历史医疗交易所对应的至少一个第二医疗属性数据集；对第一医疗属性数据集中所包括的医疗属性数据进行特征聚合处理，得到目标操作特征，且对于至少一个第二医疗属性数据集中的每个第二医疗属性数据集，分别对所包括的医疗属性数据进行特征聚合处理，得到至少一个历史操作特征；根据至少一次历史医疗交易分别相对于目标医疗交易的重要度，将至少一个历史操作特征与目标操作特征进行聚合处理，得到目标聚合特征；基于目标聚合特征进行检测，得到目标医疗交易的异常检测结果。[0201]在一个具体的实施例中，本技术实施例提供的资源转移异常检测方法包括：计算机设备对于待检测的目标资源转移操作，确定与目标资源转移操作相关联的至少一次历史资源转移操作，并获取与目标资源转移操作对应的第一属性数据集。以及，计算机设备获取至少一次历史资源转移操作所对应的至少一个第二属性数据集。[0202]由此，计算机设备获取预设的多种数据类别，并针对多种数据类别中的任一种数据类别，将第一属性数据集中的、属于所针对的数据类别的属性数据进行特征聚合处理，得到所针对的数据类别对应的类别属性特征；聚合多种数据类别各自对应的类别属性特征，得到目标操作特征。[0203]类似地，计算机设备针对多种数据类别中的任一种数据类别，将第二属性数据集中的、属于所针对的数据类别的属性数据进行特征聚合处理，得到所针对的数据类别对应的类别属性特征；聚合多种数据类别各自对应的类别属性特征，得到历史操作特征。[0204]计算机设备对目标操作特征和至少一个历史操作特征进行特征拼接，得到至少一个拼接特征；基于至少一个拼接特征进行数值运算，得到至少一个历史操作特征各自对应的指数值；根据至少一个历史操作特征各自对应的指数值，得到指数和；针对至少一个历史操作特征中的任一历史操作特征，基于与所针对的历史操作特征相对应的指数值与指数和，确定所针对的历史操作特征对应的历史资源转移操作相对于目标资源转移操作的重要度。[0205]进而，计算机设备即可针对任一历史资源转移操作，按照所针对的历史资源转移操作相对于目标资源转移操作的重要度，将相应的历史操作特征与目标操作特征进行融合，获得与所针对的历史资源转移操作对应的初始聚合特征；将至少一个历史资源转移操作各自对应的初始聚合特征进行聚合，得到目标聚合特征。[0206]进一步地，计算机设备针对至少一个历史资源转移操作中的任一历史资源转移操作，通过与所针对的历史资源转移操作对应的注意力头，对与所针对的历史资源转移操作对应的初始聚合特征进行激活处理，得到与所针对的历史资源转移操作对应的子目标聚合特征；将至少一个历史资源转移操作各自对应的子目标聚合特征进行特征拼接，得到目标聚合特征。[0207]最后，计算机设备将目标聚合特征输入至多层感知机进行参数激活，由多层感知机输出异常概率值；其中，异常概率值表征目标资源转移操作为异常资源转移操作的可能性。[0208]应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。[0209]基于同样的发明构思，本技术实施例还提供一种资源转移异常检测模型的训练方法。通过该训练方法训练得到的资源转移异常检测模型，可以用于对交易的异常检测。[0210]在一些实施例中，本技术实施例提供的资源转移异常检测模型的训练方法如图9所示。该方法可以应用于终端或服务器，也可以由终端和服务器协同执行。下面以该方法应用于计算机设备为例进行说明，该计算机设备可以是终端或服务器。该方法包括以下步骤：[0211]步骤s902，获取与第一样本资源转移操作对应的第一样本属性数据集，和与至少一次第二样本资源转移操作分别对应的至少一个第二样本属性数据集；第一样本资源转移操作与第二样本资源转移操作相关联。[0212]其中，在训练阶段，计算机设备将所用于训练的资源转移操作称为样本资源转移操作。其中，对于任一样本资源转移操作，为了与其相关联的历史样本资源转移操作相区分，将其称为第一样本资源转移操作，并将与之相关联的历史样本资源转移操作称为第二样本资源转移操作。[0213]具体地，计算机设备获取与第一样本资源转移操作对应的第一样本属性数据集，第一样本属性数据集中包括多种属性数据。类似地，计算机设备获取与至少一次第二样本资源转移操作分别对应的至少一个第二样本属性数据集。[0214]步骤s904，对第一样本属性数据集中所包括的多种属性数据进行特征聚合处理，得到第一样本操作特征，且对于至少一个第二样本属性数据集中的每个第二样本属性数据集，分别对所包括的多种属性数据进行特征聚合处理，得到至少一个第二样本操作特征。[0215]在基于机器学习模型进行交易异常检测时，需要将原始的数据转化为特征以进行处理。因此，计算机设备对第一样本属性数据集中所包括的属性数据进行特征聚合处理，得到第一样本操作特征，包括：对于第一样本属性数据集中所包括的多个属性数据，分别确定各属性数据的特征表示；基于各属性数据的特征表示进行特征聚合处理，得到第一样本操作特征。[0216]类似地，计算机设备对第二样本属性数据集中所包括的属性数据进行特征聚合处理，得到历史操作特征，包括：对于第二样本属性数据集中所包括的多个属性数据，分别确定各属性数据的特征表示；基于各属性数据的特征表示进行特征聚合处理，得到第二样本操作特征。对于至少一个第二样本属性数据集中的每个第二样本属性数据集，计算机设备均进行上述处理，从而得到至少一个第二样本操作特征。[0217]步骤s906，根据至少一次第二样本资源转移操作分别相对于第一样本资源转移操作的重要度，将至少一次第二样本操作特征与第一样本操作特征进行聚合处理，得到样本聚合特征。[0218]具体地，计算机设备首先确定至少一次第二样本资源转移操作分别相对于第一样本资源转移操作的重要度，再根据至少一次第二样本资源转移操作分别相对于第一样本资源转移操作的重要度，将至少一次第二样本操作特征与第一样本操作特征进行聚合处理，得到样本聚合特征。[0219]在一些实施例中，计算机设备确定至少一次第二样本资源转移操作分别相对于第一样本资源转移操作的重要度，包括：根据所得到的至少一个第二样本操作特征和第一样本操作特征，确定至少一次第二样本资源转移操作分别相对于第一样本资源转移操作的重要度。例如，针对至少一次第二样本资源转移操作中的任一次第二样本资源转移操作，计算机设备将相应的第二样本操作特征与第一样本操作特征进行融合，得到所针对的第二样本资源转移操作相对于第一样本资源转移操作的重要度。融合的方式包括但不限于合并、叠加、拼接、或者逻辑运算等中一种或多种。[0220]进而，计算机设备根据至少一次第二样本资源转移操作分别相对于第一样本资源转移操作的重要度，将至少一个第二样本操作特征与第一样本操作特征进行聚合处理，得到第一样本聚合特征，包括：针对至少一次第二样本资源转移操作中的任一次第二样本资源转移操作，按照与所针对的第二样本资源转移操作对应的重要度，将相应的第二样本操作特征与第一样本操作特征进行聚合处理，得到样本聚合特征。[0221]步骤s908，基于样本聚合特征进行预测，得到第一样本资源转移操作的异常预测结果。[0222]具体地，在得到样本聚合特征之后，计算机设备即可根据该样本聚合特征进行预测，从而将抽象的特征转换为具象的数据，以得到第一样本资源转移操作的异常预测结果。[0223]在一些实施例中，计算机设备基于样本聚合特征进行预测，得到第一样本资源转移操作的异常预测结果，包括：计算机设备将样本聚合特征输入至全连接层中，从而将样本聚合特征转化为概率值。[0224]在另一些实施例中，计算机设备基于样本聚合特征进行预测，得到第一样本资源转移操作的异常预测结果，还包括：计算机设备将样本聚合特征输入至逻辑回归(logisticregression)模型中，以将样本聚合特征转化为概率值。[0225]在另一些实施例中，计算机设备基于样本聚合特征进行预测，得到第一样本资源转移操作的异常预测结果，包括：将样本聚合特征输入至多层感知机进行参数激活，由多层感知机输出异常概率值；其中，异常概率值表征第一样本资源转移操作为异常资源转移操作的可能性。[0226]其中，多层感知机(multilayerperceptron，mlp)又称全连接网络，如图5所示，包括输入层、隐藏层和输出层。示例性地，多层感知机可以为双层感知机，以减少模型复杂度，提高运算效率。[0227]计算机设备将样本聚合特征输入至多层感知机中进行处理，以由多层感知机对该样本聚合特征进行参数激活，从而输出异常概率值。该异常概率值作为第一样本资源转移操作的异常预测结果。其中，参数激活例如为参数化的线性激活或者非线性激活等中的一种或多种。计算机设备可以选择合适的激活函数进行参数激活，例如sigmoid激活函数(又称logisticfunction，逻辑函数)等。[0228]示例性地，计算机设备可以通过如下公式表示将样本聚合特征输入至多层感知机来获得最终的异常预测结果：[0229][0230]其中，表示第一样本资源转移操作的异常预测结果，即为第一样本资源转移操作存在异常的概率值。prelu(·)表示参数化的线性整流单元。h表示多层感知机的输入，即样本聚合特征。w0、b0、w1和b1表示多层感知机中的可训练参数。σ(·)表示sigmoid激活函数。[0231]步骤s910，根据异常预测结果与第一样本资源转移操作的样本标签之间的差异，构建交叉熵损失函数。[0232]在获得异常预测结果后，计算机设备可以基于异常预测结果与第一样本资源转移操作的样本标签之间的差异，构建交叉熵损失函数。示例性地，计算机设备可以通过如下公式构建交叉熵损失函数：[0233][0234]其中，为交叉熵损失函数，yi是真实标签，为预测值。[0235]步骤s912，基于交叉熵损失函数进行训练，直到达到训练终止条件时停止，得到训练好的资源转移异常检测模型。[0236]由此，计算机设备基于所构建的交叉熵损失函数进行训练，直到达到训练终止条件时停止，得到训练好的资源转移异常检测模型。示例性地，所有参数通过反向传播来联合优化，并通过小批量随机梯度下降法来更新模型参数。[0237]为了保留属性数据中丰富的语义信息，进一步提高交易异常检测的准确性，本技术实施例中提出一种随机初始化的基于梯度提升的属性数据的编码方式，用于模型的训练阶段，在训练阶段对属性数据进行编码时，将属性数据转化为预设维度的特征向量，并在模型的训练过程中，通过反向传播来对特征向量进行更新，从而能为模型提供具有区分度的特征，并且模型能够具有更好的表达力和泛化性能。[0238]示例性地，计算机设备利用如下公式来确定每一个属性数据的随机初始化的特征：[0239]eattr＝onehot(fattr)⊙eattr[0240]其中，fattr表示单个属性数据，attr表示该属性数据所属的数据类别。onehot(·)表示对该属性数据进行独热编码。⊙表示逻辑运算中的乘法运算。表示该属性数据所属的数据类别attr对应设置的嵌入矩阵，m表示该属性数据所属的数据类别attr所有可能的取值的数量，d表示维度大小(默认设置d＝128)，表示实数。示例性地，每种数据类别分别设置有相应的嵌入矩阵。表示属性数据的初始特征表示。[0241]进而，在一些实施例中，计算机设备在反向传播更新模型参数的过程中，还同时更新嵌入矩阵。[0242]上述资源转移异常检测模型的训练方法，通过获取与第一样本资源转移操作对应的第一样本属性数据集，和与至少一次第二样本资源转移操作分别对应的至少一个第二样本属性数据集，并对第一样本属性数据集中所包括的多种属性数据进行特征聚合处理，得到第一样本操作特征，且对于至少一个第二样本属性数据集中的每个第二样本属性数据集，分别对所包括的多种属性数据进行特征聚合处理，得到至少一个第二样本操作特征，充分地利用了资源转移操作所产生的具有丰富语义信息的属性数据，能够有助于模型学习到语义特征以提高检测的准确性。[0243]并且，通过根据至少一次第二样本资源转移操作分别相对于第一样本资源转移操作的重要度，将至少一次第二样本操作特征与第一样本操作特征进行聚合处理，得到样本聚合特征，能够学习到资源转移操作与资源转移操作之间的关系特征，充分地考虑到资源转移操作与资源转移操作之间的关联性。[0244]进而，基于样本聚合特征进行预测，得到第一样本资源转移操作的异常预测结果，并根据异常预测结果与第一样本资源转移操作的样本标签之间的差异，构建交叉熵损失函数。由此，基于交叉熵损失函数进行训练，直到达到训练终止条件时停止，得到训练好的资源转移异常检测模型，该模型能够更加全面地评估资源转移操作可能存在的风险，并提升资源转移操作异常检测的准确性，同时充分地考虑到资源转移操作与资源转移操作之间的关联性，能够处理真实场景中复杂多变的交易情况，鲁棒性强，且具有较强的持续性检测能力。[0245]示例性地，资源转移异常检测模型的训练方法可以如图10所示。首先，计算机设备分别得到各个数据类别的类别属性特征，并通过特征聚合来合并各个数据类别的类别属性特征，得到目标资源转移操作的目标操作特征。然后，计算机设备聚合后得到的目标操作特征输入到门控时间注意力网络里，通过时间注意力机制来学习交易与交易之间的关联性，并得到最终的目标聚合特征。最终，在获得目标聚合特征之后，计算机设备利用一个多层感知机来输出异常检测结果。整个系统通过反向传播来联合优化各个部分的参数，优化方法为小批量随机梯度下降法。在训练阶段，计算机设备可以通过输入成批次的资源转移操作的聚合特征来进行训练。如图10所示，例如，计算机设备给定一组资源转移操作的操作特征为并利用门控时间注意力网络能够学习得到每一次资源转移操作的聚合特征。[0246]基于同样的发明构思，本技术实施例还提供一种用于实现上述所涉及的资源转移异常检测方法的资源转移异常检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个资源转移异常检测装置实施例中的具体限定可以参见上文中对于资源转移异常检测方法的限定，在此不再赘述。[0247]在一些实施例中，如图11所示，提供了一种资源转移异常检测装置1100，包括：确定模块1101、获取模块1102、第一聚合模块1103、第二聚合模块1104和检测模块1105，其中：[0248]确定模块1101，用于对于待检测的目标资源转移操作，确定与目标资源转移操作相关联的至少一次历史资源转移操作。[0249]获取模块1102，用于获取与目标资源转移操作对应的第一属性数据集，并获取至少一次历史资源转移操作所对应的至少一个第二属性数据集。[0250]第一聚合模块1103，用于对第一属性数据集中所包括的多种属性数据进行特征聚合处理，得到目标操作特征，且对于至少一个第二属性数据集中的每个第二属性数据集，分别对所包括的多种属性数据进行特征聚合处理，得到至少一个历史操作特征。[0251]第二聚合模块1104，用于根据至少一次历史资源转移操作分别相对于目标资源转移操作的重要度，将至少一个历史操作特征与目标操作特征进行聚合处理，得到目标聚合特征。[0252]检测模块1105，用于基于目标聚合特征进行检测，得到目标资源转移操作的异常检测结果。[0253]在一些实施例中，每个历史资源转移操作发生在目标资源转移操作之前，且每个历史资源转移操作的操作触发方与目标资源转移操作的操作触发方相同。[0254]在一些实施例中，第一属性数据集包括的属性数据对应于多个数据类别；第一聚合模块还用于获取预设的多种数据类别；针对多种数据类别中的任一种数据类别，将第一属性数据集中的、属于所针对的数据类别的属性数据进行特征聚合处理，得到所针对的数据类别对应的类别属性特征；聚合多种数据类别各自对应的类别属性特征，得到目标操作特征。[0255]在一些实施例中，第一聚合模块还用于针对多种数据类别中的任一种数据类别，确定第一属性数据集中的、属于所针对的数据类别的全部属性数据；对全部属性数据中的每一属性数据分别进行特征编码，得到每一属性数据的初始特征表示；基于每一属性数据的初始特征表示，将属于所针对的数据类别的全部属性数据进行特征聚合处理，得到所针对的数据类别对应的类别属性特征。[0256]在一些实施例中，上述装置还包括重要度模块，用于对目标操作特征和至少一个历史操作特征进行特征拼接，得到至少一个拼接特征；基于至少一个拼接特征进行数值运算，得到至少一个历史操作特征各自对应的指数值；根据至少一个历史操作特征各自对应的指数值，得到指数和；针对至少一个历史操作特征中的任一历史操作特征，基于与所针对的历史操作特征相对应的指数值与指数和，确定所针对的历史操作特征对应的历史资源转移操作相对于目标资源转移操作的重要度。[0257]在一些实施例中，第二聚合模块还用于针对至少一个历史资源转移操作中的任一历史资源转移操作，将所针对的历史资源转移操作相对于目标资源转移操作的重要度与目标操作特征进行融合，获得与所针对的历史资源转移操作对应的初始聚合特征；将至少一个历史资源转移操作各自对应的初始聚合特征进行聚合，得到目标聚合特征。[0258]在一些实施例中，第二聚合模块还用于针对至少一个历史资源转移操作中的任一历史资源转移操作，通过与所针对的历史资源转移操作对应的注意力头，对与所针对的历史资源转移操作对应的初始聚合特征进行激活处理，得到与所针对的历史资源转移操作对应的子目标聚合特征；将至少一个历史资源转移操作各自对应的子目标聚合特征进行特征拼接，得到目标聚合特征。[0259]在一些实施例中，上述装置还包括第五聚合模块，用于获取与目标资源转移操作对应的数值数据集；数值数据集中包括数值数据对应于多个数据类别；在数值数据集中，确定每一种数据类别下的数值数据；针对多个数据类别中的任一种数据类别，将属于所针对的数据类别的全部数值数据进行特征聚合处理，得到所针对的数据类别对应的数值属性特征；将多个数据类别各自对应的数值属性特征进行聚合，得到与目标资源转移操作对应的数值操作特征。[0260]在一些实施例中，上述装置还包括残差处理模块，用于基于目标聚合特征、目标操作特征、以及数值操作特征进行特征拼接，确定与目标资源转移操作对应的初始的门控特征；根据目标聚合特征和初始的门控特征，确定初始的残差；基于初始的残差对初始的门控特征进行至少一次更新，并将最后一次更新得到的门控特征，作为目标门控特征；基于目标门控特征，更新目标聚合特征；更新后的目标聚合特征用于进行检测以得到目标资源转移操作的异常检测结果。[0261]在一些实施例中，检测模块还用于将目标聚合特征输入至多层感知机进行参数激活，由多层感知机输出异常概率值；其中，异常概率值表征目标资源转移操作为异常资源转移操作的可能性。[0262]在一些实施例中，上述装置还包括更新模块，用于在异常检测结果表征目标资源转移操作存在异常的情况下，基于目标资源转移操作，更新与目标资源转移操作的操作触发方对应的操作记录。[0263]在一些实施例中，上述装置还包括风险评估模块，用于基于目标资源转移操作的操作触发方的操作记录，确定与目标资源转移操作的操作触发方对应的资源转移风险等级。[0264]在一些实施例中，上述装置还包括结果处理模块，用于在异常检测结果表征目标资源转移操作存在异常的情况下，向目标资源转移操作的操作触发方进行异常提示；或者，在资源转移对象对应的资源转移风险等级超过阈值的情况下，向目标资源转移操作的操作触发方进行异常提示。[0265]上述资源转移异常检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。[0266]基于同样的发明构思，本技术实施例还提供一种用于实现上述所涉及的资源转移异常检测模型的训练方法的资源转移异常检测模型的训练装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个资源转移异常检测模型的训练装置实施例中的具体限定可以参见上文中对于资源转移异常检测模型的训练方法的限定，在此不再赘述。[0267]在一些实施例中，如图12所示，提供了一种资源转移异常检测模型的训练装置1200，包括：获取模块1201、第三聚合模块1202、第四聚合模块1203、预测模块1204、构建模块1205和训练模块1206，其中：[0268]获取模块1201，用于获取与第一样本资源转移操作对应的第一样本属性数据集，和与至少一次第二样本资源转移操作分别对应的至少一个第二样本属性数据集；第一样本资源转移操作与第二样本资源转移操作相关联。[0269]第三聚合模块1202，用于对第一样本属性数据集中所包括的多种属性数据进行特征聚合处理，得到第一样本操作特征，且对于至少一个第二样本属性数据集中的每个第二样本属性数据集，分别对所包括的多种属性数据进行特征聚合处理，得到至少一个第二样本操作特征。[0270]第四聚合模块1203，用于根据至少一次第二样本资源转移操作分别相对于第一样本资源转移操作的重要度，将至少一次第二样本操作特征与第一样本操作特征进行聚合处理，得到样本聚合特征。[0271]预测模块1204，用于基于样本聚合特征进行预测，得到第一样本资源转移操作的异常预测结果。[0272]构建模块1205，用于根据异常预测结果与第一样本资源转移操作的样本标签之间的差异，构建交叉熵损失函数。[0273]训练模块1206，用于基于交叉熵损失函数进行训练，直到达到训练终止条件时停止，得到训练好的资源转移异常检测模型。[0274]上述资源转移异常检测模型的训练装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。[0275]在一些实施例中，提供了一种计算机设备，该计算机设备可以是终端或服务器。下面以计算机设备为服务器为例进行说明，其内部结构图可以如图13所示。该计算机设备包括处理器、存储器、输入/输出接口(input/output，简称i/o)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储资源转移操作所产生的数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种资源转移异常检测方法；或者，该计算机程序被处理器执行时以实现一种资源转移异常检测模型的训练方法。[0276]本领域技术人员可以理解，图13中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。[0277]在一些实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。[0278]在一些实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。[0279]在一些实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。[0280]需要说明的是，本技术所涉及的用户信息(包括但不限于用户账户信息、用户交易信息、或者用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、或者展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，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。并且，本技术所涉及的数据均进行了匿名化处理。[0281]本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-onlymemory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistiverandomaccessmemory，mram)、铁电存储器(ferroelectricrandomaccessmemory，fram)、相变存储器(phasechangememory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(randomaccessmemory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(staticrandomaccessmemory，sram)或动态随机存取存储器(dynamicrandomaccessmemory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。[0282]以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。[0283]以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。当前第1页12当前第1页12
技术特征：
1.一种资源转移异常检测方法，其特征在于，所述方法包括：对于待检测的目标资源转移操作，确定与所述目标资源转移操作相关联的至少一次历史资源转移操作；获取与所述目标资源转移操作对应的第一属性数据集，并获取所述至少一次历史资源转移操作所对应的至少一个第二属性数据集；对所述第一属性数据集中所包括的属性数据进行特征聚合处理，得到目标操作特征，且对于所述至少一个第二属性数据集中的每个第二属性数据集，分别对所包括的属性数据进行特征聚合处理，得到至少一个历史操作特征；根据所述至少一次历史资源转移操作分别相对于所述目标资源转移操作的重要度，将所述至少一个历史操作特征与所述目标操作特征进行聚合处理，得到目标聚合特征；基于所述目标聚合特征进行检测，得到所述目标资源转移操作的异常检测结果。2.根据权利要求1所述的方法，其特征在于，每个所述历史资源转移操作发生在所述目标资源转移操作之前，且每个所述历史资源转移操作的操作触发方与所述目标资源转移操作的操作触发方相同。3.根据权利要求1所述的方法，其特征在于，所述第一属性数据集包括的属性数据对应于多个数据类别；所述对所述第一属性数据集所包括的属性数据进行特征聚合处理，得到目标操作特征，包括：获取预设的多种数据类别；针对所述多种数据类别中的任一种数据类别，将所述第一属性数据集中的、属于所针对的数据类别的属性数据进行特征聚合处理，得到所针对的数据类别对应的类别属性特征；聚合所述多种数据类别各自对应的类别属性特征，得到目标操作特征。4.根据权利要求3所述的方法，其特征在于，所述针对所述多种数据类别中的任一种数据类别，将所述第一属性数据集中的、属于所针对的数据类别的属性数据进行特征聚合处理，得到所针对的数据类别对应的类别属性特征，包括：针对多种数据类别中的任一种数据类别，确定所述第一属性数据集中的、属于所针对的数据类别的全部属性数据；对所述全部属性数据中的每一属性数据分别进行特征编码，得到每一属性数据的初始特征表示；基于所述每一属性数据的初始特征表示，将属于所针对的数据类别的全部属性数据进行特征聚合处理，得到所述所针对的数据类别对应的类别属性特征。5.根据权利要求1所述的方法，其特征在于，在所述根据所述至少一次历史资源转移操作分别相对于所述目标资源转移操作的重要度，将所述至少一个历史操作特征与所述目标操作特征进行聚合处理，得到目标聚合特征之前，所述方法还包括：对所述目标操作特征和所述至少一个历史操作特征进行特征拼接，得到至少一个拼接特征；基于所述至少一个拼接特征进行数值运算，得到所述至少一个历史操作特征各自对应的指数值；根据所述至少一个历史操作特征各自对应的指数值，得到指数和；
针对所述至少一个历史操作特征中的任一历史操作特征，基于与所针对的历史操作特征相对应的指数值与所述指数和，确定所针对的历史操作特征对应的历史资源转移操作相对于所述目标资源转移操作的重要度。6.根据权利要求1所述的方法，其特征在于，所述根据所述至少一次历史资源转移操作分别相对于所述目标资源转移操作的重要度，将所述至少一个历史操作特征与所述目标操作特征进行聚合处理，得到目标聚合特征，包括：针对任一历史资源转移操作，按照所针对的历史资源转移操作相对于所述目标资源转移操作的重要度，将相应的历史操作特征与所述目标操作特征进行融合，获得与所针对的历史资源转移操作对应的初始聚合特征；将至少一个历史资源转移操作各自对应的初始聚合特征进行聚合，得到目标聚合特征。7.根据权利要求6所述的方法，其特征在于，所述将至少一个历史资源转移操作各自对应的初始聚合特征进行聚合，得到目标聚合特征，包括：针对所述至少一个历史资源转移操作中的任一历史资源转移操作，通过与所针对的历史资源转移操作对应的注意力头，对与所针对的历史资源转移操作对应的初始聚合特征进行激活处理，得到与所针对的历史资源转移操作对应的子目标聚合特征；将所述至少一个历史资源转移操作各自对应的子目标聚合特征进行特征拼接，得到目标聚合特征。8.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取与所述目标资源转移操作对应的数值数据集；所述数值数据集中包括的数值数据对应于多个数据类别；在所述数值数据集中，确定每一种数据类别下的数值数据；针对所述多个数据类别中的任一种数据类别，将属于所针对的数据类别的全部数值数据进行特征聚合处理，得到所述所针对的数据类别对应的数值属性特征；将所述多个数据类别各自对应的数值属性特征进行聚合，得到与所述目标资源转移操作对应的数值操作特征。9.根据权利要求8所述的方法，其特征在于，在得到所述目标聚合特征之后，所述方法还包括：基于所述目标聚合特征、所述目标操作特征、以及所述数值操作特征进行特征拼接，确定与所述目标资源转移操作对应的初始的门控特征；根据所述目标聚合特征和所述初始的门控特征，确定初始的残差；基于所述初始的残差对所述初始的门控特征进行至少一次更新，并将最后一次更新得到的门控特征，作为目标门控特征；基于所述目标门控特征，更新所述目标聚合特征；更新后的所述目标聚合特征用于进行检测以得到所述目标资源转移操作的异常检测结果。10.根据权利要求1所述的方法，其特征在于，所述基于所述目标聚合特征进行检测，得到所述目标资源转移操作的异常检测结果，包括：将所述目标聚合特征输入至多层感知机进行参数激活，由所述多层感知机输出异常概率值；其中，所述异常概率值表征所述目标资源转移操作为异常资源转移操作的可能性。
11.根据权利要求1所述的方法，其特征在于，所述方法还包括：在所述异常检测结果表征所述目标资源转移操作存在异常的情况下，基于所述目标资源转移操作，更新与所述目标资源转移操作的操作触发方对应的操作记录。12.根据权利要求11所述的方法，其特征在于，所述方法还包括：基于所述目标资源转移操作的操作触发方的操作记录，确定与所述目标资源转移操作的操作触发方对应的资源转移风险等级。13.根据权利要求11或12所述的方法，其特征在于，所述方法还包括：在所述异常检测结果表征所述目标资源转移操作存在异常的情况下，向所述目标资源转移操作的操作触发方进行异常提示；或者，在所述资源转移对象对应的资源转移风险等级超过阈值的情况下，向所述目标资源转移操作的操作触发方进行异常提示。14.一种资源转移异常检测模型的训练方法，其特征在于，所述方法包括：获取与第一样本资源转移操作对应的第一样本属性数据集，和与至少一次第二样本资源转移操作分别对应的至少一个第二样本属性数据集；所述第一样本资源转移操作与第二样本资源转移操作相关联；对所述第一样本属性数据集中所包括的多种属性数据进行特征聚合处理，得到第一样本操作特征，且对于所述至少一个第二样本属性数据集中的每个第二样本属性数据集，分别对所包括的多种属性数据进行特征聚合处理，得到至少一个第二样本操作特征；根据所述至少一次第二样本资源转移操作分别相对于所述第一样本资源转移操作的重要度，将所述至少一次第二样本操作特征与所述第一样本操作特征进行聚合处理，得到样本聚合特征；基于所述样本聚合特征进行预测，得到所述第一样本资源转移操作的异常预测结果；根据所述异常预测结果与所述第一样本资源转移操作的样本标签之间的差异，构建交叉熵损失函数；基于所述交叉熵损失函数进行训练，直到达到训练终止条件时停止，得到训练好的资源转移异常检测模型。15.一种资源转移异常检测装置，其特征在于，所述装置包括：确定模块，用于对于待检测的目标资源转移操作，确定与所述目标资源转移操作相关联的至少一次历史资源转移操作；获取模块，用于获取与所述目标资源转移操作对应的第一属性数据集，并获取所述至少一次历史资源转移操作所对应的至少一个第二属性数据集；第一聚合模块，用于对所述第一属性数据集中所包括的多种属性数据进行特征聚合处理，得到目标操作特征，且对于所述至少一个第二属性数据集中的每个第二属性数据集，分别对所包括的多种属性数据进行特征聚合处理，得到至少一个历史操作特征；第二聚合模块，用于根据所述至少一次历史资源转移操作分别相对于所述目标资源转移操作的重要度，将所述至少一个历史操作特征与所述目标操作特征进行聚合处理，得到目标聚合特征；检测模块，用于基于所述目标聚合特征进行检测，得到所述目标资源转移操作的异常检测结果。
16.一种资源转移异常检测模型的训练装置，其特征在于，所述装置包括：获取模块，用于获取与第一样本资源转移操作对应的第一样本属性数据集，和与至少一次第二样本资源转移操作分别对应的至少一个第二样本属性数据集；所述第一样本资源转移操作与第二样本资源转移操作相关联；第三聚合模块，用于对所述第一样本属性数据集中所包括的多种属性数据进行特征聚合处理，得到第一样本操作特征，且对于所述至少一个第二样本属性数据集中的每个第二样本属性数据集，分别对所包括的多种属性数据进行特征聚合处理，得到至少一个第二样本操作特征；第四聚合模块，用于根据所述至少一次第二样本资源转移操作分别相对于所述第一样本资源转移操作的重要度，将所述至少一次第二样本操作特征与所述第一样本操作特征进行聚合处理，得到样本聚合特征；预测模块，用于基于所述样本聚合特征进行预测，得到所述第一样本资源转移操作的异常预测结果；构建模块，用于根据所述异常预测结果与所述第一样本资源转移操作的样本标签之间的差异，构建交叉熵损失函数；训练模块，用于基于所述交叉熵损失函数进行训练，直到达到训练终止条件时停止，得到训练好的资源转移异常检测模型。17.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至14中任一项所述的方法的步骤。18.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至14中任一项所述的方法的步骤。19.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至14中任一项所述的方法的步骤。

技术总结
本申请涉及一种基于人工智能技术的资源转移异常检测方法、装置、计算机设备和存储介质。所述方法包括：对于待检测的目标资源转移操作，确定与目标资源转移操作相关联的历史资源转移操作，并分别获取相应的第一属性数据集和第二属性数据集；对第一属性数据集中的属性数据进行特征聚合处理，得到目标操作特征，且对第二属性数据集中的属性数据进行特征聚合处理，得到历史操作特征；根据历史资源转移操作相对于目标资源转移操作的重要度，将历史操作特征与目标操作特征进行聚合处理，得到目标聚合特征；基于目标聚合特征进行检测，得到目标资源转移操作的异常检测结果。采用本方法能够准确检测资源转移是否存在异常。够准确检测资源转移是否存在异常。够准确检测资源转移是否存在异常。


技术研发人员：欧阳逸 程大伟 马嘉成 向声
受保护的技术使用者：腾讯科技（深圳）有限公司
技术研发日：2023.03.29
技术公布日：2023/9/14