一種異常消費的控制方法及裝置、電子設備、存儲介質與流程
1.本技術涉及交易處理技術領域，尤其涉及一種異常消費的控制方法及裝置、電子設備、存儲介質。
背景技術：
2.伴隨著互聯網的迅速發展，線上的消費方式越來越普及，其中，用戶可以通過手機銀行或者其他第三方綁定銀行來完成線上消費，但由于互聯網中信息繁雜，存在許多扣款會在用戶不知情的情況下完成，從而用戶帶來經濟損失，因此能有效地識別出用戶潛在的線上異常消費行為顯得尤為重要。
3.在現有的方式中，主要通過設定一定的限額規則對用戶的消費行為進行攔截，即當用戶的消費額度滿足限額規則時，系統會自動攔截該用戶目前的消費行為，并提示該用戶目前的消費行為可能存在異常，以實現識別用戶的異常消費行為。
4.但是，由于現有技術是通過設定限額規則對用戶的消費行為進行攔截，從而導致對用戶自主發起的大額交易行為進行無差別攔截，無法有效地識別出用戶的自主行為，不夠得靈活便利。
技術實現要素：
5.基于上述現有技術的不足，本技術提供了一種異常消費的控制方法及裝置、電子設備、存儲介質，以解決現有技術無法有效地識別出用戶的自主行為，不夠得靈活便利的問題。
6.為了實現上述目的，本技術提供了以下技術方案：
7.本技術第一方面提供了一種異常消費的控制方法，包括：
8.接收目標用戶發起的當前消費行為的交易請求；其中，所述交易請求至少包括消費發起方式以及交易時間；
9.獲取所述當前消費行為對應的當前消費屬性；
10.利用所述當前消費行為對應的消費屬性與所述目標用戶的歷史消費行為基線的距離，以及所述當前消費行為對應的消費屬性與所述目標用戶的家庭組的歷史消費行為基線的距離，構建所述目標用戶對應的當前消費行為特征；其中，所述目標用戶的歷史消費行為基線預先利用所述目標用戶在歷史時間段內的歷史消費行為對應的歷史消費屬性進行聚類得到；所述目標用戶的家庭組的歷史消費行為基線預先利用所述目標用戶的家庭組在歷史時間段內的歷史消費行為對應的歷史消費屬性進行聚類得到；
11.將所述目標用戶對應的當前消費行為特征輸入異常識別模型中，得到所述目標用戶的當前消費行為對應的異常值；其中，所述異常識別模型預先利用多個樣本用戶的歷史消費行為特征訓練得到；
12.若所述目標用戶的當前消費行為對應的異常值大于所述預設閾值，則采用復雜校驗方式對所述目標用戶進行校驗。
13.可選地，在上述的異常消費的控制方法中，所述異常識別模型的訓練方法，包括：
14.接收多個樣本用戶發起的歷史消費行為的交易請求；
15.分別針對各個所述樣本用戶，獲取所述樣本用戶的歷史消費行為對應的歷史消費屬性；
16.利用所述樣本用戶的歷史消費行為對應的歷史消費屬性與所述樣本用戶的歷史消費行為基線的距離，以及所述樣本用戶的歷史消費行為對應的歷史消費屬性與所述樣本用戶的家庭組的歷史消費行為基線的距離，構建所述樣本用戶對應的歷史消費行為特征；
17.分別將各個所述樣本用戶對應的歷史消費行為特征輸入預先訓練好的所述異常識別模型中，通過所述異常識別模型得到所述樣本用戶的歷史消費行為對應的異常值；
18.基于各個所述樣本用戶的歷史消費行為對應的異常值，判斷所述異常識別模型的損失函數是否收斂；
19.若判斷出所述異常識別模型的損失函數收斂，則將所述異常識別模型確定為訓練好的異常識別模型；
20.若判斷出所述異常識別模型的損失函數未收斂，則調整所述異常識別模型的參數，返回執行所述分別將各個所述樣本用戶對應的歷史消費行為特征輸入預先訓練好的所述異常識別模型中，通過所述異常識別模型得到所述樣本用戶的歷史消費行為對應的異常值。
21.可選地，在上述的異常消費的控制方法中，所述目標用戶的歷史消費行為基線的獲取方法，包括：
22.獲取所述目標用戶在歷史時間段內的各個歷史消費行為；
23.對所述目標用戶在歷史時間段內的各個歷史消費行為進行屬性特征提取，得到所述目標用戶的各個歷史消費行為對應的歷史消費屬性；
24.對所述目標用戶的各個歷史消費行為對應的歷史消費屬性進行聚類，得到第一聚類結果；
25.基于所述第一聚類結果，得到所述目標用戶的歷史消費行為基線。
26.可選地，在上述的異常消費的控制方法中，所述目標用戶的家庭組的歷史消費行為基線的獲取方法，包括：
27.獲取所述目標用戶的家庭組在歷史時間段內的各個歷史消費行為；
28.對所述目標用戶的家庭組在歷史時間段內的各個歷史消費行為進行屬性特征提取，得到所述目標用戶的家庭組的各個歷史消費行為對應的歷史消費屬性；
29.對所述目標用戶的家庭組的各個歷史消費行為對應的歷史消費屬性進行聚類，得到第二聚類結果；
30.基于所述第二聚類結果，得到所述目標用戶的家庭組的歷史消費行為基線。
31.可選地，在上述的異常消費的控制方法中，所述采用復雜校驗方式對所述目標用戶進行校驗，包括：
32.判斷所述目標用戶輸入的手機驗證以及交易密碼是否均正確；
33.若判斷出所述目標用戶輸入的手機驗證以及交易密碼均正確，則對所述目標用戶進行人臉識別；
34.若所述目標用戶通過人臉識別，則確定所述目標用戶通過校驗；
35.若判斷出所述目標用戶輸入的手機驗證以及交易密碼均不正確，或者若所述目標用戶未通過人臉識別，則確定所述目標用戶未通過校驗。
36.本技術第二方面提供了一種異常消費的控制裝置，包括：
37.第一接收單元，用于接收目標用戶發起的當前消費行為的交易請求；其中，所述交易請求至少包括消費發起方式以及交易時間；
38.第一獲取單元，用于獲取所述當前消費行為對應的當前消費屬性；
39.第一構建單元，用于利用所述當前消費行為對應的消費屬性與所述目標用戶的歷史消費行為基線的距離，以及所述當前消費行為對應的消費屬性與所述目標用戶的家庭組的歷史消費行為基線的距離，構建所述目標用戶對應的當前消費行為特征；其中，所述目標用戶的歷史消費行為基線預先利用所述目標用戶在歷史時間段內的歷史消費行為對應的歷史消費屬性進行聚類得到；所述目標用戶的家庭組的歷史消費行為基線預先利用所述目標用戶的家庭組在歷史時間段內的歷史消費行為對應的歷史消費屬性進行聚類得到；
40.第一輸入單元，用于將所述目標用戶對應的當前消費行為特征輸入異常識別模型中，得到所述目標用戶的當前消費行為對應的異常值；其中，所述異常識別模型預先利用多個樣本用戶的歷史消費行為特征訓練得到；
41.校驗單元，用于若所述目標用戶的當前消費行為對應的異常值大于所述預設閾值，則采用復雜校驗方式對所述目標用戶進行校驗。
42.可選地，在上述的異常消費的控制裝置中，還包括：
43.第二接收單元，用于接收多個樣本用戶發起的歷史消費行為的交易請求；
44.第二獲取單元，用于分別針對各個所述樣本用戶，獲取所述樣本用戶的歷史消費行為對應的歷史消費屬性；
45.第二構建單元利用所述樣本用戶的歷史消費行為對應的歷史消費屬性與所述樣本用戶的歷史消費行為基線的距離，以及所述樣本用戶的歷史消費行為對應的歷史消費屬性與所述樣本用戶的家庭組的歷史消費行為基線的距離，構建所述樣本用戶對應的歷史消費行為特征；
46.第二輸入單元，用于分別將各個所述樣本用戶對應的歷史消費行為特征輸入預先訓練好的所述異常識別模型中，通過所述異常識別模型得到所述樣本用戶的歷史消費行為對應的異常值；
47.第一判斷單元，用于基于各個所述樣本用戶的歷史消費行為對應的異常值，判斷所述異常識別模型的損失函數是否收斂；
48.第一確定單元，用于若判斷出所述異常識別模型的損失函數收斂，則將所述異常識別模型確定為訓練好的異常識別模型；
49.調整單元，用于若判斷出所述異常識別模型的損失函數未收斂，則調整所述異常識別模型的參數，返回執行所述分別將各個所述樣本用戶對應的歷史消費行為特征輸入預先訓練好的所述異常識別模型中，通過所述異常識別模型得到所述樣本用戶的歷史消費行為對應的異常值。
50.可選地，在上述的異常消費的控制裝置中，還包括：
51.第三獲取單元，用于獲取所述目標用戶在歷史時間段內的各個歷史消費行為；
52.第一提取單元，用于對所述目標用戶在歷史時間段內的各個歷史消費行為進行屬
性特征提取，得到所述目標用戶的各個歷史消費行為對應的歷史消費屬性；
53.第一聚類單元，用于對所述目標用戶的各個歷史消費行為對應的歷史消費屬性進行聚類，得到第一聚類結果；
54.第一得到單元，用于基于所述第一聚類結果，得到所述目標用戶的歷史消費行為基線。
55.可選地，在上述的異常消費的控制裝置中，還包括：
56.第四獲取單元，用于獲取所述目標用戶的家庭組在歷史時間段內的各個歷史消費行為；
57.第二提取單元，用于對所述目標用戶的家庭組在歷史時間段內的各個歷史消費行為進行屬性特征提取，得到所述目標用戶的家庭組的各個歷史消費行為對應的歷史消費屬性；
58.第二聚類單元，用于對所述目標用戶的家庭組的各個歷史消費行為對應的歷史消費屬性進行聚類，得到第二聚類結果；
59.第二得到單元，用于基于所述第二聚類結果，得到所述目標用戶的家庭組的歷史消費行為基線。
60.可選地，在上述的異常消費的控制裝置中，所述校驗單元，包括：
61.第二判斷單元，用于判斷所述目標用戶輸入的手機驗證以及交易密碼是否均正確；
62.人臉識別單元，用于若判斷出所述目標用戶輸入的手機驗證以及交易密碼均正確，則對所述目標用戶進行人臉識別；
63.第二確定單元，用于若所述目標用戶通過人臉識別，則確定所述目標用戶通過校驗；
64.第三確定單元，用于若判斷出所述目標用戶輸入的手機驗證以及交易密碼均不正確，或者若所述目標用戶未通過人臉識別，則確定所述目標用戶未通過校驗。
65.本技術第三方面提供了一種電子設備，包括：
66.存儲器和處理器；
67.其中，所述存儲器用于存儲程序；
68.所述處理器用于執行所述程序，所述程序被執行時，具體用于實現如權利要求1至5任意一項所述的一種異常消費的控制方法。
69.本技術第四方面提供了一種計算機存儲介質，用于存儲計算機程序，所述計算機程序被執行時，用于實現如權利要求1至5任意一項所述的一種異常消費的控制方法。
70.本技術提供的一種異常消費的控制方法，通過接收目標用戶發起的當前消費行為的交易請求，其次獲取當前消費行為對應的當前消費屬性，然后利用當前消費行為對應的消費屬性與目標用戶的歷史消費行為基線的距離，以及當前消費行為對應的消費屬性與目標用戶的家庭組的歷史消費行為基線的距離，構建目標用戶對應的當前消費行為特征，接著將目標用戶對應的當前消費行為特征輸入異常識別模型中，得到目標用戶的當前消費行為對應的異常值，其中，異常識別模型預先利用多個樣本用戶的歷史消費行為特征訓練得到，最后若目標用戶的當前消費行為對應的異常值大于預設閾值，則采用復雜校驗方式對目標用戶進行校驗。從而不再通過設定限額規則對用戶的消費行為進行攔截，而是通過異
常識別模型得到用戶消費消費行為的異常值，來進行異常行為預警，有效地保障用戶的財產安全。
附圖說明
71.為了更清楚地說明本技術實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本技術的實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據提供的附圖獲得其他的附圖。
72.圖1為本技術實施例提供的一種異常消費的控制方法的流程圖；
73.圖2為本技術實施例提供的一種目標用戶的歷史消費行為基線的獲取方法的流程圖；
74.圖3為本技術實施例提供的一種目標用戶的家庭組的歷史消費行為基線的獲取方法的流程圖；
75.圖4為本技術實施例提供的一種異常識別模型的訓練方法的流程圖；
76.圖5為本技術實施例提供的一種復雜校驗的方法的流程圖；
77.圖6為本技術另一實施例提供的一種異常消費的控制裝置的結構示意圖；
78.圖7為本技術另一實施例提供的一種電子設備的結構示意圖。
具體實施方式
79.下面將結合本技術實施例中的附圖，對本技術實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本技術一部分實施例，而不是全部的實施例。基于本技術中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本技術保護的范圍。
80.在本技術中，諸如第一和第二等之類的關系術語僅僅用來將一個實體或者操作與另一個實體或操作區分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關系或者順序。而且術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設備所固有的要素。在沒有更多限制的情況下，由語句“包括一個
……”
限定的要素，并不排除在包括所述要素的過程、方法、物品或者設備中還存在另外的相同要素。
81.本技術實施例提供了一種異常消費的控制方法，如圖1所示，具體包括以下步驟：
82.s101、接收目標用戶發起的當前消費行為的交易請求。
83.其中，交易請求可以包括消費發起方式以及交易時間，還可以包括消費設備、交易時間、交易金額、交易對手名稱、收款方賬號、收款方開戶行、當日已交易金額、交易類型、當月單筆交易最大金額、當月平均交易金額、常用消費類型等等。
84.s102、獲取當前消費行為對應的當前消費屬性。
85.具體的，需要預先對目標用戶發起的當前消費行為進行屬性特征提取，減少數據維度,整理已有的數據特征，從而得到當前消費行為對應的當前消費屬性，便于后續有效地識別異常風險行為。
86.s103、利用當前消費行為對應的消費屬性與目標用戶的歷史消費行為基線的距離，以及當前消費行為對應的消費屬性與目標用戶的家庭組的歷史消費行為基線的距離，構建目標用戶對應的當前消費行為特征。
87.其中，目標用戶的歷史消費行為基線預先利用目標用戶在歷史時間段內的歷史消費行為對應的歷史消費屬性進行聚類得到，目標用戶的家庭組的歷史消費行為基線預先利用目標用戶的家庭組在歷史時間段內的歷史消費行為對應的歷史消費屬性進行聚類得到。需要說明的是，在本技術實施例中，聚類中心是作為用戶及其家庭組的歷史消費行為基線，以便計算消費行為之間的相似度，準確地預測潛在風險。
88.具體的，還需要利用目標用戶的家庭組的歷史消費行為的基線權重w，當前消費行為對應的消費屬性與目標用戶的歷史消費行為基線的距離d1，以及當前消費行為對應的消費屬性與目標用戶的家庭組的歷史消費行為基線的距離d2，共同構建目標用戶對應的當前消費消費行為特征[d1,w*d2]。
[0089]
可選地，本技術實施例提供了一種目標用戶的歷史消費行為基線的獲取方法，如圖2所示，包括以下步驟：
[0090]
s201、獲取目標用戶在歷史時間段內的各個歷史消費行為。
[0091]
需要說明的是，用戶的消費具有多樣化的特點，但通常具有一定的規律性，為了能及時準確地識別出風險異常消費行為，并給用戶進行預警，所以需要執行步驟s201用于后續的數據分析。
[0092]
可選地，歷史時間段可以是過去一年的時間，當然，具體的可以根據需求進行設定。
[0093]
s202、對目標用戶在歷史時間段內的各個歷史消費行為進行屬性特征提取，得到目標用戶的各個歷史消費行為對應的歷史消費屬性。
[0094]
需要說明的是，步驟s202的具體實施方式可相應地參考步驟s102，此處不再贅述。
[0095]
s203、對目標用戶的各個歷史消費行為對應的歷史消費屬性進行聚類，得到第一聚類結果。
[0096]
需要說明的是，為了后續能得到目標用戶的消費行為基線，也為了能將目標用戶在各項特征上趨于一個普便的數據，并將一些不必要的特征進行排除，即將一些不屬于常態化的交易的特征排除，所以可以通過聚類的方式以使得后續步驟可以得到行為基線。
[0097]
s204、基于第一聚類結果，得到目標用戶的歷史消費行為基線。
[0098]
具體的，可以將第一聚類結果中的各個類簇的聚類中心進行組合，從而得到行為基線。
[0099]
可選地，本技術實施例提供了一種目標用戶的家庭組的歷史消費行為基線的獲取方法，如圖3所示，包括以下步驟：
[0100]
s301、獲取目標用戶的家庭組在歷史時間段內的各個歷史消費行為。
[0101]
需要說明的是，除了用戶本人的消費行為外，用戶的家庭組的消費行為也可能會對用戶的消費行為產生間接的影響，因此還需要獲取目標用戶的家庭組在歷史時間段內的各個歷史消費行為用于分析用戶的消費行為分析。
[0102]
s302、對目標用戶的家庭組在歷史時間段內的各個歷史消費行為進行屬性特征提取，得到目標用戶的家庭組的各個歷史消費行為對應的歷史消費屬性。
[0103]
需要說明的是，步驟s302的具體實施方式可相應地參考步驟s102，此處不再贅述。
[0104]
s303、對目標用戶的家庭組的各個歷史消費行為對應的歷史消費屬性進行聚類，得到第二聚類結果。
[0105]
需要說明的是，步驟s303的具體實施方式可相應地參考步驟s203，此處不再贅述。
[0106]
s304、基于第二聚類結果，得到目標用戶的家庭組的歷史消費行為基線。
[0107]
s104、將目標用戶對應的當前消費行為特征輸入異常識別模型中，得到目標用戶的當前消費行為對應的異常值。
[0108]
其中，異常識別模型預先利用多個樣本用戶的歷史消費行為特征訓練得到。
[0109]
可選地，異常識別模型可以基于單分類算法(one class svm)的無監督算法進行構建，所以在本技術實施例中，基于無監督學習機制對推薦模型進行訓練，得到訓練結果。
[0110]
可選地，本技術實施例提供了一種異常識別模型的訓練方法，如圖4所示，包括以下步驟：
[0111]
s401、接收多個樣本用戶發起的歷史消費行為的交易請求。
[0112]
s402、分別針對各個樣本用戶，獲取樣本用戶的歷史消費行為對應的歷史消費屬性。
[0113]
需要說明的是，步驟s402的具體實施方式可相應地參考步驟s102，此處不再贅述。
[0114]
s403、利用樣本用戶的歷史消費行為對應的歷史消費屬性與樣本用戶的歷史消費行為基線的距離，以及樣本用戶的歷史消費行為對應的歷史消費屬性與樣本用戶的家庭組的歷史消費行為基線的距離，構建樣本用戶對應的歷史消費行為特征。
[0115]
需要說明的是，步驟s403的具體實施方式可相應地參考步驟s103，此處不再贅述。
[0116]
s404、分別將各個樣本用戶對應的歷史消費行為特征輸入預先訓練好的異常識別模型中，通過異常識別模型得到樣本用戶的歷史消費行為對應的異常值。
[0117]
可選地，異常識別模型可以基于單分類算法(one class svm)的無監督算法進行構建，所以在本技術實施例中，基于無監督學習機制對推薦模型進行訓練，得到訓練結果。
[0118]
s405、基于各個樣本用戶的歷史消費行為對應的異常值，判斷異常識別模型的損失函數是否收斂。
[0119]
需要說明的是，模型的損失函數越小，代表模型的魯棒性就越好，所以在本技術實施例中，需要基于各個樣本用戶的歷史消費行為對應的異常值，判斷異常識別模型的損失函數是否收斂，若判斷出異常識別模型的損失函數收斂，說明模型的訓練結果達到預期要求，因此需要執行步驟s406。若判斷出異常識別模型的損失函數未收斂，說明需要對異常識別模型進行迭代訓練，則執行步驟s407。
[0120]
s406、將異常識別模型確定為訓練好的異常識別模型。
[0121]
s407、調整異常識別模型的參數。
[0122]
需要說明的是，當判斷出異常識別模型的損失函數未收斂時，需要返回執行步驟s404，直至異常識別模型的損失函數達到收斂效果。
[0123]
s105、判斷目標用戶的當前消費行為對應的異常值是否大于預設閾值。
[0124]
需要說明的是，在本技術實施例中，是對用戶發起的當前消費行為進行事中檢測，可以有效地識別用戶潛在的線上異常消費行為，因此相應地預先設置了一個風險值，針對步驟s104得到異常值進行進一步的判定，即判斷目標用戶的當前消費行為對應的異常值是
否大于預設閾值，若判斷出目標用戶的當前消費行為對應的異常值大于預設閾值，說明該目標用戶的消費行為存在的風險系數很高，需要對目標用戶的身份進行多重校驗，因此需要執行步驟s106。若判斷出目標用戶的當前消費行為對應的異常值不大于預設閾值，說明該目標用戶的消費行為存在的風險系數低，只需要對目標用戶采取常規的驗證方式即可，例如，發送手機驗證碼或者是判斷交易密碼是否輸入正確的方式。
[0125]
s106、采用復雜校驗方式對目標用戶進行校驗。
[0126]
具體的，若目標用戶通過復雜校驗，則從目標用戶的賬戶進行扣款。
[0127]
可選地，在本技術另一實施例中，步驟s106的一種具體實施方式，如圖5所示，包括以下步驟：
[0128]
s501、判斷目標用戶輸入的手機驗證以及交易密碼是否均正確。
[0129]
具體的，為了防止扣款方在用戶本人或者是未成年人在監護人未知的情況下進行交易，損害用戶的財產安全，所以需要判斷目標用戶輸入的手機驗證以及交易密碼是否均正確，若判斷出目標用戶輸入的手機驗證以及交易密碼均正確，還需進一步判斷是否為用戶本人進行防止，防止他人利用用戶的賬戶進行交易，因此需要執行步驟s502，若判斷出目標用戶輸入的手機驗證以及交易密碼均不正確，說明此次交易可能存在風險，則執行步驟s505。
[0130]
s502、對目標用戶進行人臉識別。
[0131]
s503、判斷目標用戶是否通過人臉識別。
[0132]
具體的，若判斷出目標用戶通過人臉識別，則執行步驟s504，若判斷出目標用戶未通過人臉識別，則執行步驟s505。
[0133]
s504、確定目標用戶通過校驗。
[0134]
s505、確定目標用戶未通過校驗。
[0135]
需要說明的是，當確定出目標用戶未通過校驗時，可以以短信的方式通知目標用戶當前的消費行為存在風險。
[0136]
本技術提供的一種異常消費的控制方法，通過接收目標用戶發起的當前消費行為的交易請求，其次獲取當前消費行為對應的當前消費屬性，然后利用當前消費行為對應的消費屬性與目標用戶的歷史消費行為基線的距離，以及當前消費行為對應的消費屬性與目標用戶的家庭組的歷史消費行為基線的距離，構建目標用戶對應的當前消費行為特征，接著將目標用戶對應的當前消費行為特征輸入異常識別模型中，得到目標用戶的當前消費行為對應的異常值，其中，異常識別模型預先利用多個樣本用戶的歷史消費行為特征訓練得到，最后若目標用戶的當前消費行為對應的異常值大于預設閾值，則采用復雜校驗方式對目標用戶進行校驗。從而不再通過設定限額規則對用戶的消費行為進行攔截，而是通過異常識別模型得到用戶消費消費行為的異常值，來進行異常行為預警，有效地保障用戶的財產安全。
[0137]
本技術另一實施例提供了一種異常消費的控制裝置，如圖6所示，包括以下單元：
[0138]
第一接收單元601，用于接收目標用戶發起的當前消費行為的交易請求。
[0139]
其中，交易請求至少包括消費發起方式以及交易時間。
[0140]
第一獲取單元602，用于獲取當前消費行為對應的當前消費屬性。
[0141]
第一構建單元603，用于利用當前消費行為對應的消費屬性與目標用戶的歷史消
費行為基線的距離，以及當前消費行為對應的消費屬性與目標用戶的家庭組的歷史消費行為基線的距離，構建目標用戶對應的當前消費行為特征。
[0142]
其中，目標用戶的歷史消費行為基線預先利用目標用戶在歷史時間段內的歷史消費行為對應的歷史消費屬性進行聚類得到，目標用戶的家庭組的歷史消費行為基線預先利用目標用戶的家庭組在歷史時間段內的歷史消費行為對應的歷史消費屬性進行聚類得到。
[0143]
第一輸入單元604，用于將目標用戶對應的當前消費行為特征輸入異常識別模型中，得到目標用戶的當前消費行為對應的異常值。
[0144]
其中，異常識別模型預先利用多個樣本用戶的歷史消費行為特征訓練得到。
[0145]
校驗單元605，用于若目標用戶的當前消費行為對應的異常值大于預設閾值，則采用復雜校驗方式對目標用戶進行校驗。
[0146]
需要說明的是，本技術實施例中的上述單元的具體工作過程可相應地參考上述方法實施例中的步驟s101～步驟s106，此處不再贅述。
[0147]
可選地，本技術另一實施例提供的一種異常消費的控制裝置中，還包括以下單元：
[0148]
第二接收單元，用于接收多個樣本用戶發起的歷史消費行為的交易請求。
[0149]
第二獲取單元，用于分別針對各個樣本用戶，獲取樣本用戶的歷史消費行為對應的歷史消費屬性。
[0150]
第二構建單元利用樣本用戶的歷史消費行為對應的歷史消費屬性與樣本用戶的歷史消費行為基線的距離，以及樣本用戶的歷史消費行為對應的歷史消費屬性與樣本用戶的家庭組的歷史消費行為基線的距離，構建樣本用戶對應的歷史消費行為特征。
[0151]
第二輸入單元，用于分別將各個樣本用戶對應的歷史消費行為特征輸入預先訓練好的異常識別模型中，通過異常識別模型得到樣本用戶的歷史消費行為對應的異常值。
[0152]
第一判斷單元，用于基于各個樣本用戶的歷史消費行為對應的異常值，判斷異常識別模型的損失函數是否收斂。
[0153]
第一確定單元，用于若判斷出異常識別模型的損失函數收斂，則將異常識別模型確定為訓練好的異常識別模型。
[0154]
調整單元，用于若判斷出異常識別模型的損失函數未收斂，則調整異常識別模型的參數，返回執行分別將各個樣本用戶對應的歷史消費行為特征輸入預先訓練好的異常識別模型中，通過異常識別模型得到樣本用戶的歷史消費行為對應的異常值。
[0155]
需要說明的是，本技術上述實施例提供的各個單元的具體工作過程可相應地參考上述方法實施例中的相應的步驟，此處不再贅述。
[0156]
可選地，本技術另一實施例提供的一種異常消費的控制裝置中，還包括以下單元：
[0157]
第三獲取單元，用于獲取目標用戶在歷史時間段內的各個歷史消費行為。
[0158]
第一提取單元，用于對目標用戶在歷史時間段內的各個歷史消費行為進行屬性特征提取，得到目標用戶的各個歷史消費行為對應的歷史消費屬性。
[0159]
第一聚類單元，用于對目標用戶的各個歷史消費行為對應的歷史消費屬性進行聚類，得到第一聚類結果。
[0160]
第一得到單元，用于基于第一聚類結果，得到目標用戶的歷史消費行為基線。
[0161]
需要說明的是，本技術上述實施例提供的各個單元的具體工作過程可相應地參考上述方法實施例中的相應的步驟，此處不再贅述。
[0162]
可選地，本技術另一實施例提供的一種異常消費的控制裝置中，還包括以下單元：
[0163]
第四獲取單元，用于獲取目標用戶的家庭組在歷史時間段內的各個歷史消費行為。
[0164]
第二提取單元，用于對目標用戶的家庭組在歷史時間段內的各個歷史消費行為進行屬性特征提取，得到目標用戶的家庭組的各個歷史消費行為對應的歷史消費屬性。
[0165]
第二聚類單元，用于對目標用戶的家庭組的各個歷史消費行為對應的歷史消費屬性進行聚類，得到第二聚類結果。
[0166]
第二得到單元，用于基于第二聚類結果，得到目標用戶的家庭組的歷史消費行為基線。
[0167]
需要說明的是，本技術上述實施例提供的各個單元的具體工作過程可相應地參考上述方法實施例中的相應的步驟，此處不再贅述。
[0168]
可選地，本技術另一實施例提供的一種異常消費的控制裝置中，校驗單元，包括：
[0169]
第二判斷單元，用于判斷目標用戶輸入的手機驗證以及交易密碼是否均正確。
[0170]
人臉識別單元，用于若判斷出目標用戶輸入的手機驗證以及交易密碼均正確，則對目標用戶進行人臉識別。
[0171]
第二確定單元，用于若目標用戶通過人臉識別，則確定目標用戶通過校驗。
[0172]
第三確定單元，用于若判斷出目標用戶輸入的手機驗證以及交易密碼均不正確，或者若目標用戶未通過人臉識別，則確定目標用戶未通過校驗。
[0173]
需要說明的是，本技術上述實施例提供的各個單元的具體工作過程可相應地參考上述方法實施例中的相應的步驟，此處不再贅述。
[0174]
本技術另一實施例提供了一種電子設備，如圖7所示，包括：
[0175]
存儲器701和處理器702。
[0176]
其中，存儲器701用于存儲程序。
[0177]
處理器702用于執行程序，程序被執行時，具體用于實現如上述任意一個實施例提供的一種異常消費的控制方法。
[0178]
本技術另一實施例提供了一種計算機存儲介質，用于存儲計算機程序，計算機程序被執行時，用于實現如上述任意一個實施例提供的一種異常消費的控制方法。
[0179]
計算機存儲介質包括永久性和非永久性、可移動和非可移動媒體可以由任何方法或技術來實現信息存儲。信息可以是計算機可讀指令、數據結構、程序的模塊或其他數據。計算機存儲介質的例子包括，但不限于相變內存(pram)、靜態隨機存取存儲器(sram)、動態隨機存取存儲器(dram)、其他類型的隨機存取存儲器(ram)、只讀存儲器(rom)、電可擦除可編程只讀存儲器(eeprom)、快閃記憶體或其他內存技術、只讀光盤只讀存儲器(cd-rom)、數字多功能光盤(dvd)或其他光學存儲、磁盒式磁帶，磁帶磁磁盤存儲或其他磁性存儲設備或任何其他非傳輸介質，可用于存儲可以被計算設備訪問的信息。按照本文中的界定，計算機可讀介質不包括暫存電腦可讀媒體(transitory media)，如調制的數據信號和載波。
[0180]
需要說明的是，本發明提供的一種異常消費的控制方法及裝置、電子設備、存儲介質可用于人工智能領域或金融領域。上述僅為示例，并不對本發明提供的一種異常消費的控制方法及裝置、電子設備、存儲介質的應用領域進行限定。
[0181]
專業人員還可以進一步意識到，結合本文中所公開的實施例描述的各示例的單元
及算法步驟，能夠以電子硬件、計算機軟件或者二者的結合來實現，為了清楚地說明硬件和軟件的可互換性，在上述說明中已經按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以硬件還是軟件方式來執行，取決于技術方案的特定應用和設計約束條件。專業技術人員可以對每個特定的應用來使用不同方法來實現所描述的功能，但是這種實現不應認為超出本技術的范圍。
[0182]
對所公開的實施例的上述說明，使本領域專業技術人員能夠實現或使用本技術。對這些實施例的多種修改對本領域的專業技術人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本技術的精神或范圍的情況下，在其它實施例中實現。因此，本技術將不會被限制于本文所示的這些實施例，而是要符合與本文所公開的原理和新穎特點相一致的最寬的范圍。
