(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 202210915101.6 (22)申请日 2022.08.01 (71)申请人 中国银联股份有限公司 地址 200135 上海市浦东 新区含笑路36号 (72)发明人 王春阳　侯林华　郭一方　田丰　 查骏　 (74)专利代理 机构 北京东方亿 思知识产权代理 有限责任公司 1 1258 专利代理师 张卉雨 (51)Int.Cl. G06Q 30/02(2012.01) G06K 9/62(2022.01) (54)发明名称 对象识别方法、 装置、 设备、 存 储介质及产品 (57)摘要 本申请公开了一种对象识别方法、 装置、 设 备、 存储介质及产品。 该对象识别方法包括获取 预设时间段内n个对象分别对应的交易行为数 据， 其中， n为大于1的整数； 针对n个对象中的每 个对象， 根据各自对应的交易行为数据进行特征 提取， 得到与n个对象对应的交易特征矩阵； 根据 交易特征矩阵对n个对象进行二聚类处理， 得到 第一类簇中心点和第二类簇中心点， 其中， 第一 类簇中心点与非套利可疑对象类簇对应， 第二类 簇中心点与套利可疑对象类簇对应； 根据第一类 簇中心点和第二类簇中心点， 确定与目标对象对 应的套利可疑度评分； 基于套利可疑度评分， 确 定目标对象是否为套利可疑对象。 根据本申请实 施例， 可以降低识别成本， 提高识别结果的准确 性。 权利要求书3页 说明书13页 附图2页 CN 115271813 A 2022.11.01 CN 115271813 A 1.一种对象识别方法， 其特 征在于， 包括： 获取预设时间段内n个对象分别对应的交易行为数据， 其中， n 为大于1的整数； 针对所述n个对象中的每个对象， 根据 各自对应的所述交易行为数据进行特征提取， 得 到与所述 n个对象对应的交易特 征矩阵； 根据所述交易特征矩阵对所述n个对象进行二聚类处理， 得到第一类簇中心点和第二 类簇中心 点， 其中， 所述第一类簇中心 点与非套利可疑对象类簇对应， 所述第二类簇中心 点 与套利可疑对象类簇对应； 根据所述第 一类簇中心点和所述第 二类簇中心点， 确定与目标对象对应的套利可疑度 评分； 基于所述套利可疑度评分， 确定所述目标对象是否为套利可疑对象。 2.根据权利要求1所述的方法， 其特征在于， 所述针对所述n个对象中的每个对象， 根据 各自对应的所述交易行为数据进 行特征提取， 得到与所述n个对象对应的交易特征矩阵， 包 括： 针对所述n个对象中的每个对象， 根据各自对应的所述交易行为数据从多个维度进行 特征提取， 得到与所述 n个对象对应的n ×t维的初始交易特 征矩阵； 基于主成分分析PCA算法， 对所述初始交易特征矩阵进行降维处理， 得到与所述n个对 象对应的n ×s维的交易特 征矩阵， 其中， s、 t为大于1的整数， 且s＜t。 3.根据权利要求2所述的方法， 其特征在于， 在基于主成分分析PCA算法， 对所述初始交 易特征矩阵进 行降维处理， 得到与所述n个对象对应的n ×s维的交易特征矩阵之前， 所述方 法还包括： 将所述初始交易特征矩阵中的t个列向量按照预设的w个特征类型进行划分， 得到w个n ×m维的子特 征矩阵， 其中， w、 m为大于1的整数； 所述基于主成分分析PCA算法， 对所述初始交易特征矩阵进行降维处理， 得到与所述n 个对象对应的n ×s维的交易特 征矩阵， 包括： 基于所述PCA算法， 对目标子特征矩阵进行降维处理， 得到与目标子特征矩阵对应的n ×k维的降维映射矩阵， 其中， 所述目标子特征矩阵为w个所述子特征矩阵中的任一矩阵， k 为小于m的正整数； 根据w个所述子特征矩阵分别对应的降维映射矩阵， 拼接得到与所述n个对象对应的n ×s维的交易特 征矩阵， 其中， s＝ wk。 4.根据权利要求2所述的方法， 其特征在于， 在针对所述n个对象中的每个对象， 根据 各 自对应的所述交易行为数据从多个维度进行特征提取， 得到与所述n个对 象对应的n ×t维 的初始交易特 征矩阵之后， 所述方法还 包括： 针对所述初始 交易特征矩阵中的每个列向量， 对所述列向量中的每个特征值进行非零 均值归一化处理， 以使 所述列向量中非零特征值的平均值约束为 1， 得到非零均值归一化处 理后的所述初始交易特 征矩阵。 5.根据权利要求4所述的方法， 其特征在于， 在针对所述初始交易特征矩阵中的每个列 向量， 对所述列向量中的每个特征值进行非零均值归一化处理， 以使所述列向量中非零特 征值的平均值约束为1， 得到非零均值归一化处理后的所述初始交易特征矩阵之后， 所述方 法还包括：权　利　要　求　书 1/3 页 2 CN 115271813 A 2针对非零均值归一化处理后的所述初始交易特征矩阵中的每个列向量， 对所述列向量 中的每个特征值进行反正切映射处理， 以使所述列向量中的每个特征值约束在预设区间， 得到反正切映射处 理后的所述初始交易特 征矩阵。 6.根据权利要求5所述的方法， 其特征在于， 在针对非零均值归一化处理后的所述初始 交易特征矩阵中的每个列向量， 对所述列向量中的每个特征值进行反正切映射处理， 以使 所述列向量中的每个特征值约束在预设区间， 得到反正切映射处理后的所述初始交易特征 矩阵之后， 所述方法还 包括： 对反正切映射处理后的所述初始交易特征矩阵中任意的至少两个列向量， 进行相关性 计算， 得到与所述至少两个列向量对应的相关性计算结果； 在所述相关性计算结果满足预设相关性条件的情况下， 从所述至少两个列向量中确定 方差最大的目标列向量； 删除所述至少两个列向量中除所述目标列向量之外的其 他列向量。 7.根据权利要求4 ‑6任一项所述的方法， 其特征在于， 所述针对所述n个对象中的每个 对象， 根据各自对应的所述交易行为数据从多个维度进 行特征提取， 得到与所述n个对象对 应的n×t维的初始交易特 征矩阵， 包括： 针对所述n个对象中的每个对象， 根据 各自对应的所述交易行为数据从p个维度进行特 征提取， 得到与所述 n个对象对应的n ×p维的第一交易特 征矩阵； 对所述第一交易特征矩阵进行特征扩充处理， 得到与所述n个对象对应的n ×t维的初 始交易特 征矩阵。 8.根据权利要求1所述的方法， 其特征在于， 所述根据所述交易特征矩阵对所述n个对 象进行二聚类处 理， 得到第一类簇中心点和第二类簇中心点， 包括： 根据所述交易特征矩阵， 基于模糊C均值聚类算法对所述n个对象进行二聚类处理， 得 到初始第一类簇中心点和初始第二类簇中心点； 在与所述n个对象分别对应的样本点中， 确定距离所述初始第一类簇中心点和所述初 始第二类簇中心点 最远的两个样本点， 为所述第一类簇中心点和所述第二类簇中心点。 9.根据权利要求1所述的方法， 其特征在于， 所述根据所述第 一类簇中心点和所述第 二 类簇中心点， 确定与目标对象对应的套利可疑度评分， 包括： 获取与所述目标对象对应的目标交易特 征向量； 基于所述第 一类簇中心点和所述第 二类簇中心点， 根据 所述目标交易特征向量确定与 所述目标对象对应的套利可疑度评分。 10.根据权利要求9所述的方法， 其特征在于， 在获取与所述目标对象对应的目标交易 特征向量之后， 所述方法还 包括： 基于所述第 一类簇中心点和所述第 二类簇中心点， 根据 所述目标交易特征向量确定所 述套利可疑度评分中分别对应于w个特 征类型的子 评分； 根据所述子 评分， 生成与所述套利可疑度评分对应的解释性图表。 11.一种对象识别装置， 其特 征在于， 所述装置包括： 数据获取模块， 用于获取预设时间段内n个对象分别 对应的交易行为数据， 其中， n为大 于1的整数； 特征提取模块， 用于针对所述n个对象中的每个对象， 根据 各自对应的所述交易行为数权　利　要　求　书 2/3 页 3 CN 115271813 A 3