CN119494661A 交易数据处理方法、装置、设备以及介质 （腾讯科技（深圳）有限公司）

本申请提供了一种交易数据处理方法、装节点子模型输出目标业务对象所属的异常行为主模型确定目标业务对象属于异常行为分类组2在获取到目标业务对象的交易行为数据时，确定与务场景，基于所述交易业务场景构建得到与所述目标业务对象相关联的节点关系拓扑图；在获取到用于预测所述目标业务对象的对象分类类关系拓扑图输入所述目标训练模型的节点子模型，由所述节点子模型确定所述N个业务节在获取到与所述交易行为数据相关联的关联文本信在获取到与所述交易行为数据相关联的交易指标数据的数处理结果、所述异常行为分类组和所述文本分类组输入所述目标训练模型的业务主模型，由所述业务主模型确定所述目标业务对象属于所述异常行为分类组中的异常行为类型的置信度，在将所述置信度中最大置信度所对应的异常行为类型确定为目标异常行为类型基于所述目标异常行为类型的置信度，确定所述目标从分布式数据存储系统中获取目标业务对象在目标业务时间段内已执行的业务交易，对所述交易行为数据进行数据分析，确定与所述目标业基于所述N个交易业务场景构建得到与所述目标业务对象于所述N个交易业务场景之间的场景关联性，确定所述N个业务节点之间的节点连接关系；基于所述N个业务节点以及所述节点连接关系，构建得到与所述目标业务对象相关联3.根据权利要求2所述的方法，其特征在于息是所述目标业务对象与所述业务交互对象在所述第二交易场景下所存在的第二业务交3所述基于所述N个交易业务场景构建得到与所述目标业务对象相关联的N个业务节点，从所述N个业务交易场景中获取所述第一交易场景和所述第二交易场景，将为所述第从所述第一交互参数信息中获取所述第一业务在基于所述目标业务对象与所述业务交互对象之间间的累计交易资源数量作为所述第一业务节点和第二将所述第一业务节点和第二业务节点之间的边连接关系和所述第一业务节点和第二业务节点之间的边权重系数，作为所述第一业务节点和第二业务节点之间的节点连接关将所述节点关系拓扑图输入所述目标训练模型的节点将所述业务节点i相关联的节点访问序列进行节点向量映射训练模型的节点子模型，在由所述节点子模型从所述节点关系拓扑图中提取到所述N个业将所述节点关系拓扑图输入所述目标训练模型的节点子获取所述节点子模型中的节点访问策略，基于所述节点访问策略从所述N个业务节点在与所述业务节点i相关联的一个或者多个访问序列中，筛选序列长度达到所述节点访问策略所指示的序列长度阈值时的访问序列，将筛选出的访问序列作为与所述N个业务4确定所述业务节点i的节点映射向量与所述节点子模型中的多个样本映射向量之间的向量距离，基于确定出的向量距离确定所述业务节点i的节点映射向量与所述多个样本映在所述向量相似度中，将最大向量相似度的样本映射向本异常行为标签信息确定所述目标业务对象处于所述业务节点i时的异常行为类型，且将基于所述目标业务对象处于所述业务节点i时的异常行为类型的行为类型分组，确定量是对一个样本异常分组中的样本行为类型所对应的样本映射向量进行聚类处理后所得所述基于所述业务节点i的节点映射向量，输出所述目标业务对象所属的异常行为分从所述M个样本异常分组中获取样本异常分组j作为第确定所述业务节点i的节点映射向量与所述第一样本异常分组的分组中心向量之间的基于所述目标业务对象处于所述业务节点i时的异常行为类型的行为类型分组，确定若所述第一向量相似度未达到所述向量相似度阈值，则将所述样本异常分组k作为第确定所述业务节点i的节点映射向量与所述第二样本异常分组的分组中心向量之间的若所述第二向量相似度达到所述向量相似度阈值述目标业务对象处于所述业务节点i时的异储系统中获取到的所述目标业务对象在目标业务时所述在获取到与所述交易行为数据相关联的关联文本信息5从所述分布式数据存储系统中，获取所述目标业务将所述关联文本信息输入所述目标训练模型的文本子模得到所述关键文本分词的分词映射向量，直到所述L个分词中的每个分词均被作为所述关基于所述每个分词的分词映射向量，确定所述关联文从所述L个分词中选取分词作为所述关键文本分词，将所述L个对所述关键文本分词的分词映射向量和所述关联文本分词的分词映射向量进行向量基于所述向量相乘结果所指示的所述分词相关度，对所当所述L个分词中的每个分词均被作为所述关键文本分词时，得到所述每个分词的映存储系统中获取到的所述目标业务对象在目标业务时间段内已执行的业务交易所确定的；所述业务交易的交易详情信息中包含所述与所述目标业务对象相关联的目标交互参数信所述在获取到与所述交易行为数据相关联的交易指标数将从所述目标交易参数信息中获取到的交易转移数量，将所述数据处理结果、所述异常行为分类组和所述文本分6基于所述模型输入变量的梯度参数和所述业务主模型对所述关键变量进行特征转换，得到所述关键变量的变业务对象属于所述异常行为分类组中的异常行为所述基于所述模型输入变量的梯度参数和所述业务主模从所述模型输入变量中选取梯度参数达到所述梯度从所述第一目标输入变量中采样得到与所述第一变量提取参数相匹配的第一目标输将所述模型输入变量中除所述第一目标输入变量之间的模型输入变量作为第二目标获取用于进行置信度转换的转换拟合参数，基于将所述评估影响度所属的影响等级作为所述目标业务对象的对象分类类型为所述目在获取到样本业务对象的样本行为数据时，确定与务场景，基于所述样本业务场景构建得到与所述样本业务对象相关联的样本关系拓扑图；在获取到待训练的初始训练模型时，将所述初始训练模将所述样本关系拓扑图输入所述初始节点子模型，由所述初始节点子模型确定所述N个样本节点中的每个样本节点的样本映射向量，基于所述每个样本节点的样本映射向量，7基于所述预测行为分类组和所述样本异常分组，对所述初始节点子模型在获取到与所述样本行为数据相关联的样本文本信息将所述样本文本信息输入所述初始文本子模型，由所述初基于所述预测文本分类组和所述样本文本分类组，对在将所述初始训练模型中的业务主模型作为初始业务型中的样本异常分组中的样本异常行为标签信息作为与所述样本业务对象相关联的样本将由所述目标节点子模型针对所述样本业务对象所预测在获取到与所述样本行为数据相关联的样本指标数据将所述第一样本输入变量、所述第二样本输入变量和所基于所述预测异常行为类型标签和所述样本异常行为类将目标节点子模型作为所述目标训练模型的节点子模型拓扑图构建模块，用于在获取到目标业务对象行为分组确定模块，用于在获取到用于预测所8模型确定所述N个业务节点中的每个业务节点的节点映射向量，基于所述每个业务节点的文本分组确定模块，用于在获取到与所述交易行置信度输出模块，用于在获取到与所述交易行为数据风险等级确定模块，用于基于所述目标异常行为类型的所述存储器与所述处理器相连，所述存储器用于存储计算机程序9[0001]本申请涉及互联网技术领域，尤其涉及金融支付领域中的一种交易数据处理方建得到的评分卡模型来进行风险识别时，并不能有效且准确地识别出这个用户A的风险等拓扑图输入目标训练模型的节点子模型，由节点子模型确定N个业务节点中的每个业务节[0020]连接关系确定单元，用于基于N个交易业务场景构建得到与目标业务对象相关联数信息是目标业务对象与业务交互对象在第二交易场景下所存在的第二业务交易所确定[0023]连接关系确定单元，具体用于从N个业务交易场景中获取第一交易场景和第二交务交互对象之间的累计交易资源数量作为第一业务节点和第二业务节点之间的边权重系[0030]节点映射向量确定单元，用于将业务节点i相关联的节点访问序列进行节点向量[0034]业务节点提取单元，还具体用于在与业务节点i相关联的一个或者多个访问序列的多个样本映射向量之间的向量距离，基于确定出的向量距离确定业务节点i的节点映射为标签信息，基于样本异常行为标签信息确定目标业务对象处于业务节点i时的异常行为[0037]分类组输出单元，还具体用于基于目标业务对象处于业务节点i时的异常行为类[0040]分类组输出单元，还具体用于确定业务节点i的节点映射向量与第一样本异常分样本异常分组作为目标业务对象处于业务节点i时的异[0042]分类组输出单元，还具体用于基于目标业务对象处于业务节点i时的异常行为类本异常分组k作为第二样本异常分组；第二样本异常分组为第一样本异常分组的下一样本[0045]分类组输出单元，还具体用于确定业务节点i的节点映射向量与第二样本异常分样本异常分组作为目标业务对象处于业务节点i时的异模型对关联文本信息进行分词处理，得到关联文本信息的文本分词；文本分词包括L个分[0053]其中，文本映射向量确定单元，具体用于从L个分词中选取分词作为关键文本分[0056]文本映射向量确定单元，还具体用于当L个分词中的每个分词均被作为关键文本的节点子模型作为初始节点子模型，基于与样本业务对象相关联的样本异常行为标签信模型确定N个样本节点中的每个样本节点的样本映射向量，基于每个样本节点的样本映射[0077]文本子模型确定模块，用于将初始训练模型中的文本子模型作为初始文本子模[0086]业务主模型训练模块，用于基于预测异常行为类型标签和样本异常行为类型标[0091]本申请实施例提供了一种全新的风险识别机制(也可以称之为一种全新的风险等易备注信息)输入目标训练模型的文本子模型，进而可以由文本子模型确定关联文本信息中的文本分词的文本映射向量，基于文本映射向量确定目标业务对象所属的文本分类组；而可以由业务主模型确定目标业务对象属于异常行为分类组中的异常行为类型的置信度，训练模型中的节点子模型，以确定出该节点关系拓扑图中的这些业务节点的节点映射向户U0属于当前这个异常行为分类组里边的每个异常子分类(即每个异常行为类型)的概率(即置信度)，进而可以将具有最大概率的那个异常子分类作为目标子分类(即目标异常行为类型)，从而可以通过该目标训练模型所输出这个目标子分类(即目标异常行为类型)的[0099]图7是本申请实施例提供的一种通过业务主模型输出目标异常行为类型的置信度[0101]图9时本申请实施例提供的一种对初始训练模型中的节点子模型进行模型训练的包括在同一区域或者不同区域中用于提供数据该分布式数据库可以用于临时缓存由不同业务终端所授权上传的相应用户(即业务对象)库可以用于持久化收录由不同业务终端所授权上传的相应用户(即业务对象)长期在不同文本子模型)和业务主模型先后进行模型训练后所得到的网络模型，通过该已经训练好的[0111]5.1)节点子模型，这里的节点子模型是一种节点嵌入向量的节点嵌入算法)，通过该Node2Vec算法可以将图中的节点映射到低维空间节点与节点之间的节点语义关系的网络模型)学习每个业务节点在其邻域中的出现概率，型，该语言训练模型具体可以为基于Transformer的双向编码器表示(例如，BERT，具体可以用于反应关联文本信息中的文本分词之间升模型，例如，该基于决策树算法的分布式梯度提升模型可以为LightGBM(即Light的业务终端进行数据交互，比如，这里的数据存储节点(例如，图1所示的数据存储设备100b)可以用于接收并缓存位于同一区域中的不同业务终端(例如，图1所示的业务终端集端(例如，图1所示的业务终端集群10a中的业务终端以及图1所示的业务终端集群10c中的[0118]其中，可以理解的是，业务终端集群10a中的业务终端具体可以包括业务终端终端也可以用于采集相应用户(即业务对象)在不同业务场景下执行不同业务交易时的业就近请求当前待进行风险分析的某个用户(即业务对象)在一设备(例如，图1所示的业务服务设备1b)在与自己位于同一区域中的数据存储节点(例如，图1所示的数据存储设备100b)，未请求到这个用户(即业务对象)在特定时长(即目标业务示的数据存储设备100c)查找用户U1在X时长内所执行的业户U1在X时长内所执行的业务交易的业务数据返回给业务服务设备2b，以使该业务服务设备2b可以基于接收到的用户U1在X时长内所执行的业务交易的业务数据，调用当前训练好查找到该用户U1在X时长内所执行的业务交易的业务数据，则业务服务设备2b可以向与该数据存储设备100b)查找该用户U1在X时长内所执行的业务交[0128]应当理解，若图2所示的数据存储设备100b在自己所维护的缓存数据库中查找该同区域的其他数据存储节点(例如，图2所示的数据存储设备100a)查找该用户U1在剩余时户U1在剩余时长(例如，(X_R)时长)内所执行的业务交易的业务数据返回给业务服务设备便于可以在得到该用户U1在整个X时长内所执行的业务交易的业务数据的情况下，进一步本信息可以时在执行业务交易时由在文本显示区域所关联的视频录入区域中所录入的视行为数据确定得到图2所示的用户U1在上述X天内所执行到当前训练好的目标训练模型中的节点子模型M1，进而可以通过该节点子模型M1执行图2组可以为该节点子模型M1对该用户U1的对象分类类型进行粗分[0135]如图2所示，业务服务设备2b可以在从该用户U1的业务数据中获取到关联文本信进而可以通过该文本子模型M2执行图2所示的步骤S22，以输出该用户U1所属的文本分类户文本分类组或者非法文本分类组)以及经指标计算所得到的数据处理结果，更为深层次算所得到的指标计算结果(即图2所示的数据处理结果)输入至目标训练模型中的业务主模目标异常行为类型即为该业务主模型M3对该用户U1进行细分类之后所得到的子分类结果。应当理解，这里的异常行为分类组中可以包含一个或者多个异常行为类型(即这里的每个异常行为类型均可以视为一个子分类)，这里的目标异常行为类型为该业务主模型M3针对每个异常行为类型的置信度进行置信度选择之后所确定的最大置信度所对应的异常行为系统。其中，节点之间可以组成的点对点网络，点对点协议是一个运行在传输控制协议区块链上获取到当前进行了风险识别的所有目标业务对象的联的交易业务场景，基于交易业务场景构建得到与目标业务对象相关联的节点关系拓扑务设备可以基于N个业务节点以及节点连接关系，构建得到与目标业务对象相关联的节点[0147]其中，交互关系U10用于记录与该用户U1真实进行数据交互的交互对象(即用户的个人转账支付场景，以及该用户U1向用户U0进行线上商业转账操作时的商业支付场景。该用户U1相关联的该商业支付场景可以为图4所示的交易业该用户U1相关联的扫码支付场景可以为图以该连续多次通过同一终端设备进行多次开销户的业务支付场景为图4所示的交易业务场业务场景X1为节点所构建得到的；业务节点X2是以交易业务场景X2为节点所构建得到的；标业务对象)与用户U0(即业务交互对象)之间的数据交互关系，具体可以是由从该用户U1的交易行为数据中所获取到的第一交互参数信[0155]其中，第一交互参数信息可以是由用户U1(即目标业务对象)与用户U0(即业务交互对象)在第一业务场景下所存在的第一业务交易所确定的。这里的第一业务交易具体可[0156]同理，第二交互参数信息可以是由用户U1(即目标业务对象)与用户U0(即业务交互对象)在第二业务场景下所存在的第二业务交易所确定的。这里的第二业务交易具体可包括在交易业务场景V(例如，上述商业支付场景)下，由该用户U1在上述目标业务时间段间所执行了的这些个人转账交易(即上述第述第二交互参数信息中获取在用户U1与用户U0之间所执行了的这些商业转账交易(即上述便于可以进一步对该第一业务交易的交易转移数量和第二业务交易的交易转移数量进行的节点连接关系，从而可以在图4所示的在节点关系拓扑图中存在业务节点T与业务节点VX3)之间的节点连接关系，从而可以在图4所示的在节点关系拓扑图中存在业务节点V与业[0162]步骤S102，在获取到用于预测目标业务对象的对象分类类型的将节点关系拓扑图输入目标训练模型的节点子模型，由节点子模型确定N个业务节点中的点子模型进行模型训练后所得到的目标节点子模型)从该节点关系拓扑图5a提取得到N个存放在图5所示的业务节点集合5b中，且位于业务节点集合5b中的这些业务节点的节点顺模型训练后所得到的目标节点子模型)中的节点访问策略(例如，有偏的随机游走策略)来确定从当前位于业务节点集群5b中某个业务节点(例如，可以将图5所示的业务节点T作为务节点i而言，当通过节点访问策略中的节点访问参数控制业务节点i由业务节点T变更为业务节点T的下一待访问业务节点为图5所示的业务节一步确定出从业务节点V访问到下一业务节点时的该业务节点V的节点转移概率(例如，节略中的节点访问参数来控制下一业务节点(即新的业务节点i)进一步访问下一待访问业务节点的节点访问概率，进而可以通过下一业务节点(即新与当前下一业务节点(即新的业务节点i)具有边连接关系的边上的权重系数来重新计算出VX可以用于描述业务节点V和与该业务节点V具有边连接关系的业务节点之间的权重系数，即这里的权重系数具体可以包括分布在上述图4所TX＝1，则说明通过上述内外游走参数q可以控制该业务游走参数q可以控制该业务节点V的下一待访问业务节点(例如，待访问业务节点X)是业务该节点回访参数p的值设置的比较大，那么一个从当前顶点游走回到上一个顶点的概率就[0181]由此可见，本申请实施例可以获取到图5所示的节点子模型M1中的节点访问策略务节点的较为稀疏的节点编码向量(即节点嵌入向量)，转换为较为稠密的特征输入向量中的这些业务节点之间更深层次的结构信息和同质性来映射得到每个业务节点的节点映为标签信息确定目标业务对象处于业务节点i时的异常行为类型，且将样本异常行为标签信息所属的样本异常分组，确定为目标业务对象处于业务节点i时的异常行为类型的行为型所对应的样本映射向量进行聚类处理后所得到的时，业务服务设备可以从M个样本异常务设备可以确定业务节点i的节点映射向量与第一样本异常分组的分组中心向量之间的第务设备可以基于目标业务对象处于业务节点i时的异常行为类型的行为类型分组，确定为度阈值，则将第二样本异常分组作为目标业务对象处于业务节点i时的异常行为类型的行目标业务对象属于非异常行为分类组(比如，可以暂时将该目标业务对象确定为合法行为于可以充分挖掘分析出该目标业务对象究竟属于该异常行为分类组中的哪个异常行为类所录入的文本信息(应当理解，这里的文本信息可以为在针对每笔业务交易执行上述支付相关操作时所备注的交易备注信息)，并可以将获取到的文本信息作为与交易行为数据相注信息)输入到文本子模型M2中时，可以由该文本子模型M2得到该文本信息6a中的文本分本申请实施例可以通过该文本子模型M2的输入层编码得到每分词映射向量可以为图6所示的向量E3，以及分词L的分词映射向量可以为图6所示的向量个分词的映射更新向量，确定图6所示的文本信息6a(即关联文本信息)中的文本分词的文样本分类组作为该文本映射向量所关联的目标业务特征编码层可以按照上述得到重新编码向量的相关度编码方式，得到新的重新编码向量，直到这K个特征编码层中的每个特征编码层均进行相关度编码之后，可以将最新得到的重1的分词映射向量进行K次相关度编码之后，所得到的上述分层1的映射更新向量可以为上[0198]换言之，在本申请实施例中，该文本子模型具体可以是由多层transformer的意力层(即muti_head_attention)和一层前向反馈层(即feed_forword)组成，在该文本子务服务设备可以当L个分词中的每个分词均被作为关键文本分词时，得到每个分词的映射[0202]步骤S104，在获取到与交易行为数据相关联的交易指标数据的基于绑定特征，输出确定目标业务对象属于异常行为分类组中的异常行为类型的置信度，获取与该用户U1的交易行为数据相关联的交易指标数据(例如，上述每笔业务交易的转账型M1基于交易行为数据72a所输出的异常行为分类组以及文本子模型M2基于关联文本信息属于异常行为分类组中的目标异常行为类型定层。其中，单边梯度采样层是指该业务服务设备70a可以通过单边梯度采样(即GOSS，Gradient_basedOne_SideSampling)的方式所指示的变量采样策略，来从根源上减少当前输入该业务主模型M3的模型输入变量的变量数量，进而可以在确保采样比例的情况下，选取的梯度参数阈值、和用于维持变量采样比例的第一变量提取参数和第二变量提取参取的梯度参数达到梯度参数阈值的模型输入变量作采样得到的与第二变量提取参数相匹配的第二目标输入变量作为第二关键变量；进一步[0210]应当理解，图7所示的互斥特征绑定层可以用于实现互斥特征绑定(即Exclusive量而言，考虑到每个关键变量的变量特征之间的互斥性(即每个关键变量的变量特征之间目标业务对象)属于该异常行为分类组中的每个异常行为类型的业务主模型预测得到该用户U1属于这7个异常行为类型中每个异常行为第1向量特征维度上的向量特征进行特征合并，以合并得到这3个关键变量在第1向量特征度上的合并向量特征0，还可以合并得到这3个关键变量在第3向量特征维度上的合并向量在各个向量特征维度上的合并向量特征所拼[0213]这样，业务服务设备70a可以在这些置信度中将最大置信度所对应的异常行为类型确定为目标异常行为类型时，并由图7所示的业务主模型M3输出该用户U1属于异常行为型预测结果(即目标业务对象的对象分类类型为目标异常行为类型时的概率，也可以称之[0218]由此可见，本申请实施例可以在当前已经训练好的目标训练模型的模型应用阶为分组(即前述异常行为分类组)，这意味着此时，该异常行为分组(即前述异常行为分类个目标业务对象属于当前这个异常行为分类组里边的每个异常子分类(即每个异常行为类联的样本业务场景，基于样本业务场景构建得到与样本业务对象相关联的样本关系拓扑节点关系拓扑图统称为样本关系拓扑图，进而可以通过这些构建得到的样本关系拓扑图，型中的节点子模型进行模型训练的场景示意图。如图9所示的分布式数据存储系统可以为布式数据存储系统具体可以包括用于进行数据持久化存储的中心数据库所对应的中心服务设备(例如，上述图2所示的中心服务器101a)和用于进行数据缓存的分布式数据库中的达到节点缓存阈值的数据缓存节点(例如，上述图2所示的数据存储设备100b)的节点缓存为上述图2所示的数据存储设备100b为例，从而可以去除在该数据存储设备100b中所历史型)进行子模型训练(也称之为进行模型训练)，并可以将子模型训练后所得到的节点子模扑图的具体构建过程，可以参见上述图3所对应实施例中对构建节点关系拓扑图的具体过示的节点子模型M1)执行图9所示的步骤S94，进而可以将由该目标节点子模型(即图9所示的节点子模型M1)所输出的预测行为分类组(即预测得到的行为粗分类结果)作为输入变量上述图3所对应实施例中对通过当前已训练好的节点子模型(即目标节点子模型)输出异常例可以通过计算得到这些样本预测对象的预测行为分类组和样本异常分组之间的分组损而可以将该满足模型收敛条件的初始节点子模型称之为子模型训练后的初始节点子模型，从而可以将该满足模型收敛条件的初始节点子模型作为已经训练好的初始节点子模型(即示的文本子模型M2)执行图9所示的步骤S97，进而可以将由该目标文本子模型(即图9所示的文本子模型M2)所输出的预测文本分类组(即预测得到的文本分类结果)作为另一输入变的模型训练阶段，将由该初始文本子模型所预测输出的文本分类组统称为预测文本分类到每个样本预测对象的预测文本分类组和样本文本分类组之间的分组损失函数。应当理点子模型中的样本异常分组中的样本异常行为标签信息作为与样本业务对象相关联的样[0242]步骤S210，将由目标节点子模型针对样本业务对象所预测输出的预测行为分类[0243]步骤S211，在获取到与样本行为数据相关联的样本指标数据的将样本行为处理结果作为用于训练训练初始业务主模[0246]如图9所示，业务服务设备在通过步骤S98获取到样本指标数据的样本处理结果务主模型)称之为当前已经训练好的目标业函数，从而可以通过该初始业务主模型的主损失函数对初始文本子模型进行模型训练(即型作为目标训练模型的文本子模型，且将目标业务主模型作为目标训练模型的业务主模联的交易业务场景，基于交易业务场景构建得到与目标业务对象相关联的节点关系拓扑[0250]步骤S216，在获取到用于预测目标业务对象的对象分类类型的将节点关系拓扑图输入目标训练模型的节点子模型，由节点子模型确定N个业务节点中的[0252]步骤S218，在获取到与交易行为数据相关联的交易指标数据的骤S215步骤S219具体实现方式，可以参见上述图3所对应实施例中对步骤S101步骤S105在上述异常行为分类组所包含的一个或者多个异常行为类型中所确定出的目标异常行为进行子模型训练后所得到的目标文本子模型所输出的预测文本分类结果(即上述预测文本分类组)，以及对与上述样本行为数据相关联的样本指标数据进行指标计算后所得到的样本处理结果，对该初始训练模型中的业务主模型(即上述初始业务主模型)进行主模型训信息以及样本指标数据)完成对初始训练模型的模型训练之后，可以进一步将训练好的初为分组(即前述异常行为分类组)，这意味着此时，该异常行为分组(即前述异常行为分类个目标业务对象属于当前这个异常行为分类组里边的每个异常子分类(即每个异常行为类构示意图。该交易数据处理装置可以是运行于计算机设备中的一个计算机程序(包括程序[0259]文本分组确定模块13，用于在获取到与交易行为数据相关联的模型，由业务主模型确定目标业务对象属于异常行为分类组中的异常行为类型的置信度，出模块14和风险等级确定模块15的具体实现方式，可以参见上述图3所对应实施例中对步[0264]数据确定单元111，用于从分布式数据存储系统中获取目标业务对象在目标业务务时间段内的行为数据集，将行为数据集中的行为数据作为目标业务对象的交易行为数数据交互关系的业务交互对象，基于目标业务对象与业务交互对象之间的数据交互关系，数信息是目标业务对象与业务交互对象在第二交易场景下所存在的第二业务交易所确定[0271]连接关系确定单元113，还具体用于从第一交互参数信息中获取第一业务交易的[0272]连接关系确定单元113，还具体用于在基于目标业务对象与业务交互对象之间的与业务交互对象之间的累计交易资源数量作为第一业务节点和第二业务节点之间的边权[0273]连接关系确定单元113，还具体用于将第一业务节点和第二业务节点之间的边连[0275]目标模型获取单元121，用于获取用于预测目标业务对象的对象分类类型的目标和分类组输出单元124的具体实现方式，可以参见上述图3或者图8所对应实施例中对通过访问序列作为与N个业务节点中的业务节点i相关联型中的多个样本映射向量之间的向量距离，基于确定出的向量距离确定业务节点i的节点行为标签信息，基于样本异常行为标签信息确定目标业务对象处于业务节点i时的异常行[0287]分类组输出单元124，具体用于从M个样本异常分组中获取样本异常分组j作为第一样本异常分组作为目标业务对象处于业务节点样本异常分组k作为第二样本异常分组；第二样本异常分组为第一样本异常分组的下一样二样本异常分组作为目标业务对象处于业务节点息中的文本分词的文本映射向量，基于文本映射向量确定目