本發(fā)明涉及計(jì)算機(jī)
技術(shù)領(lǐng)域：
，尤其涉及一種可疑洗錢賬戶的確定方法及裝置。
背景技術(shù)：
：在金融網(wǎng)絡(luò)中存在著洗錢賬戶，進(jìn)行著非法交易，洗錢賬戶是金融網(wǎng)絡(luò)中洗錢路徑中的節(jié)點(diǎn)，如何從錯綜復(fù)雜的金融網(wǎng)絡(luò)中找到可疑洗錢賬戶，對打擊洗錢行為有重要意義?，F(xiàn)有技術(shù)在查找洗錢賬戶時，一般通過下列方法實(shí)現(xiàn)：將一段時間內(nèi)具有較高交易金額的賬戶或者是交易較為頻繁的賬戶篩選出來，然后由專家通過人工方式確認(rèn)篩選出的賬戶是否為可疑洗錢賬戶。上述方法主要存在的問題是：該方式通過人工方式來確定可疑洗錢賬戶，過于依賴專家的主觀經(jīng)驗(yàn)，不僅效率低下，而且精確度不高，并且很難發(fā)現(xiàn)一些隱藏較深的可疑洗錢賬戶。綜上所述，現(xiàn)有技術(shù)通過人工方式偵測可疑洗錢賬戶，效率比較低下，精確度不高，并且很難發(fā)現(xiàn)一些隱藏較深的可疑洗錢賬戶。技術(shù)實(shí)現(xiàn)要素：本發(fā)明提供一種可疑洗錢賬戶的確定方法及裝置，用以解決現(xiàn)有技術(shù)中存在的通過人工方式偵測可疑洗錢賬戶，效率比較低下，精確度不高，并且很難發(fā)現(xiàn)一些隱藏較深的可疑洗錢賬戶的技術(shù)問題。一方面，本發(fā)明實(shí)施例提供一種可疑洗錢賬戶的確定方法，包括：獲取待偵測金融網(wǎng)絡(luò)中的n個數(shù)據(jù)樣本，其中，一個數(shù)據(jù)樣本用于表示一個賬戶在設(shè)定時間段的設(shè)定時長內(nèi)的交易信息，n為大于1的整數(shù)；根據(jù)每個數(shù)據(jù)樣本的加權(quán)系數(shù)，將所述n個數(shù)據(jù)樣本劃分為c1類數(shù)據(jù)樣本，其中c1滿足使得劃分得到的所述c1類數(shù)據(jù)樣本對應(yīng)的平均信息熵最小，所述加權(quán)系數(shù)用于表示一個數(shù)據(jù)樣本對分類的影響程度，所述平均信息熵是根據(jù)所有數(shù)據(jù)樣本的偏向度得到的，所述偏向度用于表示一個數(shù)據(jù)樣本偏向聚類中心的程度；確定所述c1類數(shù)據(jù)樣本中的孤立點(diǎn)數(shù)據(jù)樣本，并將所述孤立點(diǎn)數(shù)據(jù)樣本對應(yīng)的賬戶確定為可疑洗錢賬戶?？蛇x地，所述根據(jù)每個數(shù)據(jù)樣本的加權(quán)系數(shù)，將所述n個數(shù)據(jù)樣本劃分為c1類數(shù)據(jù)樣本，包括：針對所述n個數(shù)據(jù)樣本的一個分類值c，根據(jù)每個數(shù)據(jù)樣本的加權(quán)系數(shù)及模糊C均值聚類算法，將所述n個數(shù)據(jù)樣本劃分為c類數(shù)據(jù)樣本；確定所述c類數(shù)據(jù)樣本中每個數(shù)據(jù)樣本分別對所述c類數(shù)據(jù)樣本的c個聚類中心的偏向度；并根據(jù)確定的所有偏向度，確定所述c類數(shù)據(jù)樣本對應(yīng)的平均信息熵；將對應(yīng)的平均信息熵最小的c類數(shù)據(jù)樣本作為所述c1類數(shù)據(jù)樣本?？蛇x地，所述根據(jù)每個數(shù)據(jù)樣本的加權(quán)系數(shù)及模糊C均值聚類算法，將所述n個數(shù)據(jù)樣本劃分為c類數(shù)據(jù)樣本，包括：使用隨機(jī)數(shù)初始化所述n個數(shù)據(jù)樣本對應(yīng)的隸屬度矩陣，以及將所述n個數(shù)據(jù)樣本對應(yīng)的目標(biāo)函數(shù)值設(shè)定為預(yù)設(shè)值；根據(jù)所述隸屬度矩陣，將所述n個數(shù)據(jù)樣本劃分為c類數(shù)據(jù)樣本，以及確定所述c類數(shù)據(jù)樣本中每個類的聚類中心；根據(jù)所述c類數(shù)據(jù)樣本及所述c類數(shù)據(jù)樣本中每個類的聚類中心，更新所述目標(biāo)函數(shù)值；若確定所述目標(biāo)函數(shù)值的更新變化量小于或等于變化量閾值，則得到所述c類數(shù)據(jù)樣本；若確定所述目標(biāo)函數(shù)值的變化量大于所述變化量閾值，則根據(jù)隸屬度矩陣更新公式，更新所述隸屬度矩陣，并返回到根據(jù)所述隸屬度矩陣，將所述n個數(shù)據(jù)樣本劃分為c類數(shù)據(jù)樣本，以及確定所述c類數(shù)據(jù)樣本中每個類的聚類中心的步驟?？蛇x地，所述模糊C均值聚類算法對應(yīng)的目標(biāo)函數(shù)為：J=Jd(U,v1,v2,...,vc,X)=Σi=1cΣj=1nwjμijmdij2,]]>Σi=1cμij=1,∀j=1,2,...,n;1≤j≤n;]]>其中，μij為數(shù)據(jù)樣本xj對第i個聚類的隸屬度，{v1,v2,…,vc}為各個聚類的聚類中心，U是一個c*n的隸屬矩陣且μij為U中的元素，X為所述n個數(shù)據(jù)樣本的集合，wj為數(shù)據(jù)樣本xj的加權(quán)系數(shù)，m為預(yù)設(shè)的加權(quán)指數(shù)，dij為第i個聚類中心與數(shù)據(jù)樣本xj之間的歐氏距離。可選地，所述確定所述c1類數(shù)據(jù)樣本中的孤立點(diǎn)數(shù)據(jù)樣本，包括：根據(jù)所述c1類數(shù)據(jù)樣本中每類數(shù)據(jù)樣本的數(shù)量，將所述c1類數(shù)據(jù)樣本劃分為大類數(shù)據(jù)樣本和小類數(shù)據(jù)樣本；針對所述大類數(shù)據(jù)樣本中的一個數(shù)據(jù)樣本，根據(jù)所述數(shù)據(jù)樣本所在聚類中數(shù)據(jù)樣本的數(shù)量，以及所述數(shù)據(jù)樣本與所述數(shù)據(jù)樣本所在聚類中數(shù)據(jù)樣本之間的歐式距離的最小值，確定所述數(shù)據(jù)樣本對應(yīng)的局部偏離值；針對所述小類數(shù)據(jù)樣本中的一個數(shù)據(jù)樣本，根據(jù)所述數(shù)據(jù)樣本所在聚類中數(shù)據(jù)樣本的數(shù)量，以及所述數(shù)據(jù)樣本與所述大類數(shù)據(jù)樣本中數(shù)據(jù)樣本之間的歐式距離的最小值，確定所述數(shù)據(jù)樣本對應(yīng)的局部偏離值；將所述c1類數(shù)據(jù)樣本中局部偏離值大于偏離度閾值的所有數(shù)據(jù)樣本確定為所述孤立點(diǎn)數(shù)據(jù)樣本?？蛇x地，根據(jù)下列方式確定每個數(shù)據(jù)樣本的加權(quán)系數(shù)：wi=CiΣi=1nCi,]]>Ci=NirD,rmin<r<rmax,]]>rmin＝min{||xi-xj||},1≤i,j≤n，rmax＝max{||xi-xj||},1≤i,j≤n；其中，wi表示數(shù)據(jù)樣本xi的加權(quán)系數(shù)，Ci表示數(shù)據(jù)樣本xi的粒子數(shù)密度，Ni表示以數(shù)據(jù)樣本xi為球心，r為半徑的球體內(nèi)包含的數(shù)據(jù)樣本的數(shù)量且r值預(yù)先設(shè)定，D表示數(shù)據(jù)樣本xi的維度，||xi-xj||為數(shù)據(jù)樣本xi與數(shù)據(jù)樣本xj之間的歐氏距離?？蛇x地，所述n個數(shù)據(jù)樣本中的任一個數(shù)據(jù)樣本可用下列部分或全部的內(nèi)容來表示：總交易金額、總轉(zhuǎn)出金額、總轉(zhuǎn)入金額、交易金額離散系數(shù)、轉(zhuǎn)出金額離散系數(shù)、轉(zhuǎn)入金額離散系數(shù)、轉(zhuǎn)出頻率、轉(zhuǎn)入頻率；其中所述交易金額離散系數(shù)為所述數(shù)據(jù)樣本在設(shè)定時間段的設(shè)定時長內(nèi)交易金額方差與交易金額均值的比值，所述轉(zhuǎn)出金額離散系數(shù)為所述數(shù)據(jù)樣本在設(shè)定時間段的設(shè)定時長內(nèi)轉(zhuǎn)出金額方差與轉(zhuǎn)出金額均值的比值，所述轉(zhuǎn)入金額離散系數(shù)為所述數(shù)據(jù)樣本在設(shè)定時間段的設(shè)定時長內(nèi)轉(zhuǎn)入金額方差與轉(zhuǎn)入金額均值的比值?？蛇x地，根據(jù)下列公式確定所述c類數(shù)據(jù)樣本中每個數(shù)據(jù)樣本分別對所述c類數(shù)據(jù)樣本的c個聚類中心的偏向度：pij=e-dij2Σi=1ce-dij2,]]>其中，pij表示數(shù)據(jù)樣本xj對第i個聚類中心的偏向度，dij為第i個聚類中心與數(shù)據(jù)樣本xj之間的歐氏距離?？蛇x地，根據(jù)下列公式確定所述c類數(shù)據(jù)樣本中每個類的聚類中心：vi=Σj=1nwjμij2xjΣj=1nwjμij2,(1≤i≤c),]]>其中，vi表示聚類中心，wi表示數(shù)據(jù)樣本xi的加權(quán)系數(shù)，μij為數(shù)據(jù)樣本xj對第i個聚類的隸屬度。另一方面，本發(fā)明實(shí)施例提供一種可疑洗錢賬戶的確定裝置，包括：獲取單元，用于獲取待偵測金融網(wǎng)絡(luò)中的n個數(shù)據(jù)樣本，其中，一個數(shù)據(jù)樣本用于表示一個賬戶在設(shè)定時間段的設(shè)定時長內(nèi)的交易信息，n為大于1的整數(shù)；劃分單元，用于根據(jù)每個數(shù)據(jù)樣本的加權(quán)系數(shù)，將所述n個數(shù)據(jù)樣本劃分為c1類數(shù)據(jù)樣本，其中c1滿足使得劃分得到的所述c1類數(shù)據(jù)樣本對應(yīng)的平均信息熵最小，所述加權(quán)系數(shù)用于表示一個數(shù)據(jù)樣本對分類的影響程度，所述平均信息熵是根據(jù)所有數(shù)據(jù)樣本的偏向度得到的，所述偏向度用于表示一個數(shù)據(jù)樣本偏向聚類中心的程度；可疑洗錢賬戶確定單元，用于確定所述c1類數(shù)據(jù)樣本中的孤立點(diǎn)數(shù)據(jù)樣本，并將所述孤立點(diǎn)數(shù)據(jù)樣本對應(yīng)的賬戶確定為可疑洗錢賬戶?？蛇x地，所述劃分單元，具體用于：針對所述n個數(shù)據(jù)樣本的一個分類值c，根據(jù)每個數(shù)據(jù)樣本的加權(quán)系數(shù)及模糊C均值聚類算法，將所述n個數(shù)據(jù)樣本劃分為c類數(shù)據(jù)樣本；確定所述c類數(shù)據(jù)樣本中每個數(shù)據(jù)樣本分別對所述c類數(shù)據(jù)樣本的c個聚類中心的偏向度；并根據(jù)確定的所有偏向度，確定所述c類數(shù)據(jù)樣本對應(yīng)的平均信息熵；將對應(yīng)的平均信息熵最小的c類數(shù)據(jù)樣本作為所述c1類數(shù)據(jù)樣本?？蛇x地，所述劃分單元，具體用于：使用隨機(jī)數(shù)初始化所述n個數(shù)據(jù)樣本對應(yīng)的隸屬度矩陣，以及將所述n個數(shù)據(jù)樣本對應(yīng)的目標(biāo)函數(shù)值設(shè)定為預(yù)設(shè)值；根據(jù)所述隸屬度矩陣，將所述n個數(shù)據(jù)樣本劃分為c類數(shù)據(jù)樣本，以及確定所述c類數(shù)據(jù)樣本中每個類的聚類中心；根據(jù)所述c類數(shù)據(jù)樣本及所述c類數(shù)據(jù)樣本中每個類的聚類中心，更新所述目標(biāo)函數(shù)值；若確定所述目標(biāo)函數(shù)值的更新變化量小于或等于變化量閾值，則得到所述c類數(shù)據(jù)樣本；若確定所述目標(biāo)函數(shù)值的變化量大于所述變化量閾值，則根據(jù)隸屬度矩陣更新公式，更新所述隸屬度矩陣，并返回到根據(jù)所述隸屬度矩陣，將所述n個數(shù)據(jù)樣本劃分為c類數(shù)據(jù)樣本，以及確定所述c類數(shù)據(jù)樣本中每個類的聚類中心的步驟?？蛇x地，所述模糊C均值聚類算法對應(yīng)的目標(biāo)函數(shù)為：J=Jd(U,v1,v2,...,vc,X)=Σi=1cΣj=1nwjμijmdij2,]]>Σi=1cμij=1,∀j=1,2,...,n;1≤j≤n;]]>其中，μij為數(shù)據(jù)樣本xj對第i個聚類的隸屬度，{v1,v2,…,vc}為各個聚類的聚類中心，U是一個c*n的隸屬矩陣且μij為U中的元素，X為所述n個數(shù)據(jù)樣本的集合，wj為數(shù)據(jù)樣本xj的加權(quán)系數(shù)，m為預(yù)設(shè)的加權(quán)指數(shù)，dij為第i個聚類中心與數(shù)據(jù)樣本xj之間的歐氏距離?？蛇x地，所述可疑洗錢賬戶確定單元，具體用于：根據(jù)所述c1類數(shù)據(jù)樣本中每類數(shù)據(jù)樣本的數(shù)量，將所述c1類數(shù)據(jù)樣本劃分為大類數(shù)據(jù)樣本和小類數(shù)據(jù)樣本；針對所述大類數(shù)據(jù)樣本中的一個數(shù)據(jù)樣本，根據(jù)所述數(shù)據(jù)樣本所在聚類中數(shù)據(jù)樣本的數(shù)量，以及所述數(shù)據(jù)樣本與所述數(shù)據(jù)樣本所在聚類中數(shù)據(jù)樣本之間的歐式距離的最小值，確定所述數(shù)據(jù)樣本對應(yīng)的局部偏離值；針對所述小類數(shù)據(jù)樣本中的一個數(shù)據(jù)樣本，根據(jù)所述數(shù)據(jù)樣本所在聚類中數(shù)據(jù)樣本的數(shù)量，以及所述數(shù)據(jù)樣本與所述大類數(shù)據(jù)樣本中數(shù)據(jù)樣本之間的歐式距離的最小值，確定所述數(shù)據(jù)樣本對應(yīng)的局部偏離值；將所述c1類數(shù)據(jù)樣本中局部偏離值大于偏離度閾值的所有數(shù)據(jù)樣本確定為所述孤立點(diǎn)數(shù)據(jù)樣本?？蛇x地，所述裝置還包括加權(quán)系數(shù)確定單元，用于根據(jù)下列方式確定每個數(shù)據(jù)樣本的加權(quán)系數(shù)：wi=CiΣi=1nCi,]]>Ci=NirD,rmin<r<rmax,]]>rmin＝min{||xi-xj||},1≤i,j≤n，rmax＝max{||xi-xj||},1≤i,j≤n；其中，wi表示數(shù)據(jù)樣本xi的加權(quán)系數(shù)，Ci表示數(shù)據(jù)樣本xi的粒子數(shù)密度，Ni表示以數(shù)據(jù)樣本xi為球心，r為半徑的球體內(nèi)包含的數(shù)據(jù)樣本的數(shù)量且r值預(yù)先設(shè)定，D表示數(shù)據(jù)樣本xi的維度，||xi-xj||為數(shù)據(jù)樣本xi與數(shù)據(jù)樣本xj之間的歐氏距離。可選地，所述n個數(shù)據(jù)樣本中的任一個數(shù)據(jù)樣本可用下列部分或全部的內(nèi)容來表示：總交易金額、總轉(zhuǎn)出金額、總轉(zhuǎn)入金額、交易金額離散系數(shù)、轉(zhuǎn)出金額離散系數(shù)、轉(zhuǎn)入金額離散系數(shù)、轉(zhuǎn)出頻率、轉(zhuǎn)入頻率；其中所述交易金額離散系數(shù)為所述數(shù)據(jù)樣本在設(shè)定時間段的設(shè)定時長內(nèi)交易金額方差與交易金額均值的比值，所述轉(zhuǎn)出金額離散系數(shù)為所述數(shù)據(jù)樣本在設(shè)定時間段的設(shè)定時長內(nèi)轉(zhuǎn)出金額方差與轉(zhuǎn)出金額均值的比值，所述轉(zhuǎn)入金額離散系數(shù)為所述數(shù)據(jù)樣本在設(shè)定時間段的設(shè)定時長內(nèi)轉(zhuǎn)入金額方差與轉(zhuǎn)入金額均值的比值?？蛇x地，所述裝置還包括偏向度確定單元，用于根據(jù)下列公式確定所述c類數(shù)據(jù)樣本中每個數(shù)據(jù)樣本分別對所述c類數(shù)據(jù)樣本的c個聚類中心的偏向度：pij=e-dij2Σi=1ce-dij2,]]>其中，pij表示數(shù)據(jù)樣本xj對第i個聚類中心的偏向度，dij為第i個聚類中心與數(shù)據(jù)樣本xj之間的歐氏距離?？蛇x地，所述裝置還包括聚類中心確定單元，用于根據(jù)下列公式確定所述c類數(shù)據(jù)樣本中每個類的聚類中心：vi=Σj=1nwjμij2xjΣj=1nwjμij2,(1≤i≤c),]]>其中，vi表示聚類中心，wi表示數(shù)據(jù)樣本xi的加權(quán)系數(shù)，μij為數(shù)據(jù)樣本xj對第i個聚類的隸屬度。本發(fā)明實(shí)施例，首先確定n個數(shù)據(jù)樣本，一個數(shù)據(jù)樣本用于表示一個賬戶在設(shè)定時間段的設(shè)定時長內(nèi)的交易信息，然后將n個數(shù)據(jù)樣本進(jìn)行分類，得到c1類數(shù)據(jù)樣本，其中，該分類方式是一個最佳分類，以及從所述c1類數(shù)據(jù)樣本中確定出孤立點(diǎn)數(shù)據(jù)樣本，并將孤立點(diǎn)數(shù)據(jù)樣本確定為可疑洗錢賬戶。本發(fā)明實(shí)施例方法一方面無需人工參與，可自動實(shí)現(xiàn)確定出可疑洗錢賬戶，提高了效率；另一方面，由于首先將數(shù)據(jù)樣本進(jìn)行合理分類，然后根據(jù)可疑洗錢賬戶的特點(diǎn)，從分類后的數(shù)據(jù)樣本中找到孤立點(diǎn)作為可疑洗錢賬戶，因而提高了查找可疑洗錢賬戶的準(zhǔn)確率。附圖說明為了更清楚地說明本發(fā)明實(shí)施例中的技術(shù)方案，下面將對實(shí)施例描述中所需要使用的附圖作簡要介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對于本領(lǐng)域的普通技術(shù)人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1為本發(fā)明實(shí)施例提供的一種可疑洗錢賬戶的確定方法流程圖；圖2為本發(fā)明實(shí)施例提供的一種可疑洗錢賬戶的確定方法詳細(xì)流程圖；圖3為本發(fā)明實(shí)施例提供的一種可疑洗錢賬戶的確定裝置示意圖。具體實(shí)施方式為了使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合附圖對本發(fā)明作進(jìn)一步地詳細(xì)描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其它實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。下面結(jié)合說明書附圖對本發(fā)明實(shí)施例作進(jìn)一步詳細(xì)描述。如圖1所示，本發(fā)明實(shí)施例提供的一種可疑洗錢賬戶的確定方法，包括：步驟101、獲取待偵測金融網(wǎng)絡(luò)中的n個數(shù)據(jù)樣本，其中，一個數(shù)據(jù)樣本用于表示一個賬戶在設(shè)定時間段的設(shè)定時長內(nèi)的交易信息，n為大于1的整數(shù)；步驟102、根據(jù)每個數(shù)據(jù)樣本的加權(quán)系數(shù)，將所述n個數(shù)據(jù)樣本劃分為c1類數(shù)據(jù)樣本，其中c1滿足使得劃分得到的所述c1類數(shù)據(jù)樣本對應(yīng)的平均信息熵最小，所述加權(quán)系數(shù)用于表示一個數(shù)據(jù)樣本對分類的影響程度，所述平均信息熵是根據(jù)所有數(shù)據(jù)樣本的偏向度得到的，所述偏向度用于表示一個數(shù)據(jù)樣本偏向聚類中心的程度；步驟103、確定所述c1類數(shù)據(jù)樣本中的孤立點(diǎn)數(shù)據(jù)樣本，并將所述孤立點(diǎn)數(shù)據(jù)樣本對應(yīng)的賬戶確定為可疑洗錢賬戶。在待偵測金融網(wǎng)絡(luò)中，有很多賬戶，其中有些賬戶是洗錢賬戶，從事著非法洗錢交易，如何偵破獲取這些洗錢賬戶對打擊洗錢犯罪活動有著重大意義。本發(fā)明方法通過以上步驟101～步驟103可以實(shí)現(xiàn)找到可疑洗錢賬戶。上述步驟101中，首先獲取待偵測金融網(wǎng)絡(luò)中的n個數(shù)據(jù)樣本，其中一個數(shù)據(jù)樣本表示一個賬戶在設(shè)定時間段的設(shè)定時長內(nèi)的交易信息，且n為大于1的整數(shù)。舉例來說，假設(shè)設(shè)定時間段為最近一個月(假設(shè)有30天)，設(shè)定時長為10天，則每個賬戶對應(yīng)有3個數(shù)據(jù)樣本；再比如，假設(shè)設(shè)定時間段為一年時間，設(shè)定時長為1個月，則每個賬戶對應(yīng)有12個數(shù)據(jù)樣本?？蛇x地，本發(fā)明實(shí)施例中，對于得到的n個數(shù)據(jù)樣本中的每個數(shù)據(jù)樣本，定義為一個8維向量(當(dāng)然也可以不是8維向量，根據(jù)實(shí)際需要來定義)，具體地，任意一個數(shù)據(jù)樣本xi形式如下：xi＝(Tai0,Tai1,Tai2,Tadi0,Tadi1,Tadi2,Tfwi,Tfdi)。其中，Tai0表示在設(shè)定時間段的設(shè)定時長內(nèi)的總交易金額，Tai1表示在設(shè)定時間段的設(shè)定時長內(nèi)的總轉(zhuǎn)出交易金額，Tai2表示在設(shè)定時間段的設(shè)定時長內(nèi)的總轉(zhuǎn)入交易金額，Tadi0表示交易金額離散系數(shù)，Tadi1表示轉(zhuǎn)出金額離散系數(shù)，Tadi2表示轉(zhuǎn)入金額離散系數(shù)，Tfwi表示轉(zhuǎn)出頻率，Tfdi表示轉(zhuǎn)入頻率，其中所述交易金額離散系數(shù)Tadi0為數(shù)據(jù)樣本在設(shè)定時間段的設(shè)定時長內(nèi)交易金額方差與交易金額均值的比值，所述轉(zhuǎn)出金額離散系數(shù)Tadi1為數(shù)據(jù)樣本在設(shè)定時間段的設(shè)定時長內(nèi)轉(zhuǎn)出金額方差與轉(zhuǎn)出金額均值的比值，所述轉(zhuǎn)入金額離散系數(shù)Tadi2為數(shù)據(jù)樣本在設(shè)定時間段的設(shè)定時長內(nèi)轉(zhuǎn)入金額方差與轉(zhuǎn)入金額均值的比值。舉例來說，假設(shè)設(shè)定時間段為一個月，設(shè)定時長為10天，則對于任意一個賬戶k，可以得到3個數(shù)據(jù)樣本，假設(shè)分別為xk1，xk2，xk3，其中xk1表示在這一個月中的前10天的相關(guān)交易信息，xk2表示在這一個月中的中間10天的相關(guān)交易信息，xk3表示在這一個月中的后10天的相關(guān)交易信息，并且每個數(shù)據(jù)樣本都是1個由8個量組成的向量。對于每個數(shù)據(jù)樣本的8個分量，具體地，可以通過下列方式得到：1、總交易金額Tai0假設(shè)數(shù)據(jù)樣本i在設(shè)定時長內(nèi)總共有ni0筆交易，每筆交易金額taij按照時序排列為則數(shù)據(jù)樣本的總交易金額為：2、總轉(zhuǎn)出交易金額Tai1假設(shè)數(shù)據(jù)樣本i在設(shè)定時長內(nèi)總共有ni1筆轉(zhuǎn)出交易，每筆交易金額tbij按照時序排列為則數(shù)據(jù)樣本的總轉(zhuǎn)出交易金額為：3、總轉(zhuǎn)入交易金額Tai2假設(shè)數(shù)據(jù)樣本i在設(shè)定時長內(nèi)總共有ni2筆轉(zhuǎn)出交易，每筆交易金額tcij按照時序排列為則數(shù)據(jù)樣本的總轉(zhuǎn)出交易金額為：4、交易金額離散系數(shù)Tadi0假設(shè)數(shù)據(jù)樣本i在設(shè)定時長內(nèi)總交易金額均值為：總交易金額的方差為則交易金額離散系數(shù)Tadi0為：5、轉(zhuǎn)出金額離散系數(shù)Tadi1假設(shè)數(shù)據(jù)樣本i在設(shè)定時長內(nèi)總轉(zhuǎn)出交易金額均值為：總轉(zhuǎn)出交易金額的方差為則轉(zhuǎn)出金額離散系數(shù)Tadi1為：6、轉(zhuǎn)入金額離散系數(shù)Tadi2假設(shè)數(shù)據(jù)樣本i在設(shè)定時長內(nèi)總轉(zhuǎn)入交易金額均值為：總轉(zhuǎn)入交易金額的方差為則轉(zhuǎn)入金額離散系數(shù)Tadi2為：7、轉(zhuǎn)出頻率Tfwi將數(shù)據(jù)樣本i在設(shè)定時長內(nèi)轉(zhuǎn)出交易次數(shù)與總交易次數(shù)的比值，定義為轉(zhuǎn)出頻率Tfwi。8、轉(zhuǎn)入頻率Tfdi將數(shù)據(jù)樣本i在設(shè)定時長內(nèi)轉(zhuǎn)入交易次數(shù)與總交易次數(shù)的比值，定義為轉(zhuǎn)入頻率Tfdi。通過上述步驟101，可以得到n個數(shù)據(jù)樣本，假設(shè)這n個數(shù)據(jù)樣本構(gòu)成的集合為X＝{x1,x2,…,xn}。在上述步驟102中，對n個數(shù)據(jù)樣本進(jìn)行分類，分成c1類數(shù)據(jù)樣本，并且c1滿足使得劃分得到的所述c1類數(shù)據(jù)樣本對應(yīng)的平均信息熵最小，其中，信息熵是信息論中的概念，當(dāng)信源發(fā)出的信息越確定，其信息熵越小，因此在本發(fā)明中當(dāng)分類的劃分越合理，數(shù)據(jù)樣本偏向于分類中心越確定，即表明該分類的信息熵越小。因此滿足條件的c1類是最合理的分類。在本發(fā)明中所述平均信息熵是根據(jù)所有數(shù)據(jù)樣本的偏向度得到的，所述偏向度用于表示一個數(shù)據(jù)樣本偏向聚類中心的程度。具體地，在本發(fā)明中是根據(jù)每個數(shù)據(jù)樣本的加權(quán)系數(shù)，將所述n個數(shù)據(jù)樣本劃分為c1類數(shù)據(jù)樣本，所述加權(quán)系數(shù)用于表示一個數(shù)據(jù)樣本對分類的影響程度。如何根據(jù)數(shù)據(jù)樣本的加權(quán)系數(shù)將n個數(shù)據(jù)樣本劃分為c1類數(shù)據(jù)樣本，是有很多種方式的，下面給出一種結(jié)合模糊C均值聚類算法的方法來得到c1類數(shù)據(jù)樣本，可選地，所述根據(jù)每個數(shù)據(jù)樣本的加權(quán)系數(shù)，將所述n個數(shù)據(jù)樣本劃分為c1類數(shù)據(jù)樣本，包括：針對所述n個數(shù)據(jù)樣本的一個分類值c，根據(jù)每個數(shù)據(jù)樣本的加權(quán)系數(shù)及模糊C均值聚類算法，將所述n個數(shù)據(jù)樣本劃分為c類數(shù)據(jù)樣本；確定所述c類數(shù)據(jù)樣本中每個數(shù)據(jù)樣本分別對所述c類數(shù)據(jù)樣本的c個聚類中心的偏向度；并根據(jù)確定的所有偏向度，確定所述c類數(shù)據(jù)樣本對應(yīng)的平均信息熵；將對應(yīng)的平均信息熵最小的c類數(shù)據(jù)樣本作為所述c1類數(shù)據(jù)樣本。其中，可選地，所述根據(jù)每個數(shù)據(jù)樣本的加權(quán)系數(shù)及模糊C均值聚類算法，將所述n個數(shù)據(jù)樣本劃分為c類數(shù)據(jù)樣本，包括以下步驟：步驟1、使用隨機(jī)數(shù)初始化所述n個數(shù)據(jù)樣本對應(yīng)的隸屬度矩陣，以及將所述n個數(shù)據(jù)樣本對應(yīng)的目標(biāo)函數(shù)值設(shè)定為預(yù)設(shè)值；步驟2、根據(jù)所述隸屬度矩陣，將所述n個數(shù)據(jù)樣本劃分為c類數(shù)據(jù)樣本，以及確定所述c類數(shù)據(jù)樣本中每個類的聚類中心；步驟3、根據(jù)所述c類數(shù)據(jù)樣本及所述c類數(shù)據(jù)樣本中每個類的聚類中心，更新所述目標(biāo)函數(shù)值；步驟4、判斷所述目標(biāo)函數(shù)值的更新變化量是否小于或等于變化量閾值，若是，則得到所述c類數(shù)據(jù)樣本，否則，轉(zhuǎn)到步驟5；步驟5、根據(jù)隸屬度矩陣更新公式，更新所述隸屬度矩陣，并返回到步驟2。下面利用公式對步驟102中將n個數(shù)據(jù)樣本劃分成c1類數(shù)據(jù)樣本的過程做詳細(xì)描述。首先，對本發(fā)明中使用到的一些名詞作如下定義。定義1、數(shù)據(jù)樣本的粒子數(shù)密度。rmin＝min{||xi-xj||},1≤i,j≤n，rmax＝max{||xi-xj||},1≤i,j≤n；其中，Ci表示數(shù)據(jù)樣本xi的粒子數(shù)密度，Ni表示以數(shù)據(jù)樣本xi為球心，r為半徑的球體內(nèi)包含的數(shù)據(jù)樣本的數(shù)量且r值預(yù)先設(shè)定，D表示數(shù)據(jù)樣本xi的維度(本發(fā)明中，D取值為8，表示一個樣本有8個分量)，||xi-xj||為數(shù)據(jù)樣本xi與數(shù)據(jù)樣本xj之間的歐氏距離。在上述定義1中，本發(fā)明中一個數(shù)據(jù)樣本的粒子數(shù)密度的概念來源于普通物理學(xué)，在普通物理學(xué)中，粒子數(shù)密度的定義為：假設(shè)空間中任意一個封閉區(qū)域內(nèi)含有N′個粒子，則該區(qū)域的粒子數(shù)密度為其中V為該封閉區(qū)域的體積。對于D維歐氏空間中半徑為r的球體的體積為則該球體內(nèi)的粒子數(shù)密度為定義2、數(shù)據(jù)樣本的加權(quán)系數(shù)。其中，wi表示數(shù)據(jù)樣本xi的加權(quán)系數(shù)，Ci表示定義1中數(shù)據(jù)樣本xi的粒子數(shù)密度。上述定義2中，一個數(shù)據(jù)樣本的加權(quán)系數(shù)用于表示一個數(shù)據(jù)樣本對分類的影響程度。定義3、對傳統(tǒng)模糊C均值聚類算法的中的目標(biāo)函數(shù)的重新定義。假設(shè)數(shù)據(jù)樣本集合X＝{x1,x2,…,xn}將被分成c類，{A1,A2,…,Ac}表示相應(yīng)的c個類，U是一個c*n的隸屬矩陣且μij為U中的元素，U中的任意一個元素μij表示數(shù)據(jù)樣本xj對第i個聚類的隸屬度，各類別的聚類中心為{v1,v2,…,vc}，本發(fā)明中，將模糊C均值聚類算法對應(yīng)的目標(biāo)函數(shù)定義為：Σi=1cμij=1,∀j=1,2,...,n;1≤j≤n;]]>其中，wj為數(shù)據(jù)樣本xj的加權(quán)系數(shù)，m為預(yù)設(shè)的加權(quán)指數(shù)，dij為第i個聚類中心與數(shù)據(jù)樣本xj之間的歐氏距離。在傳統(tǒng)的模糊C均值聚類算法中，將目標(biāo)函數(shù)定義為其中不包含加權(quán)系數(shù)wj，而本發(fā)明中將模糊C均值聚類算法對應(yīng)的目標(biāo)函數(shù)進(jìn)行重新定義，主要在傳統(tǒng)的模糊C均值聚類算法對應(yīng)的目標(biāo)函數(shù)中增加了加權(quán)系數(shù)wj，之所以如此定義，原因在于：由于基于傳統(tǒng)的目標(biāo)函數(shù)的劃分方法，每個樣本對最終劃分結(jié)果的影響程度相同的，然而實(shí)際應(yīng)用中不同的賬戶在洗錢的頻繁程度、交易金額的大小等方面都是不一樣的，因此金融交易數(shù)據(jù)的分布不可能是均勻或?qū)ΨQ的，傳統(tǒng)的模糊C均值聚類算法對數(shù)據(jù)集的樣本等劃分特性將造成很大的誤差；而本發(fā)明中在目標(biāo)函數(shù)中增加了加權(quán)系數(shù)wj之后，表明每個數(shù)據(jù)樣本對最終的分類結(jié)果造成的影響程度是不一樣的，因而可以得到的樣本劃分結(jié)果也更加真實(shí)和準(zhǔn)確。定義4、c類數(shù)據(jù)樣本中每個類的聚類中心。其中，vi表示聚類中心，wi表示數(shù)據(jù)樣本xi的加權(quán)系數(shù)，μij為數(shù)據(jù)樣本xj對第i個聚類的隸屬度。上述定義4用于計(jì)算每個類的聚類中心。定義5、隸屬度矩陣的更新公式。其中，μij為數(shù)據(jù)樣本xj對第i個聚類的隸屬度，m為預(yù)設(shè)的加權(quán)指數(shù)，dij為第i個聚類中心與數(shù)據(jù)樣本xj之間的歐氏距離，dkj為第k個聚類中心與數(shù)據(jù)樣本xj之間的歐氏距離。定義6、c類數(shù)據(jù)樣本中每個數(shù)據(jù)樣本分別對所述c類數(shù)據(jù)樣本的c個聚類中心的偏向度：其中，pij表示數(shù)據(jù)樣本xj對第i個聚類中心的偏向度，dij為第i個聚類中心與數(shù)據(jù)樣本xj之間的歐氏距離。定義7、定義平均信息熵。其中，H(c)表示c個數(shù)據(jù)樣本的分類的平均信息熵，pij表示數(shù)據(jù)樣本xj對第i個聚類中心的偏向度，n為數(shù)據(jù)樣本數(shù)量。信息熵是信息論中的概念，當(dāng)信源發(fā)出的信息越確定，其信息熵越小。在模糊聚類中，當(dāng)聚類的劃分越合理，數(shù)據(jù)偏向于聚類中心越確定，該聚類的信息熵越小。因此平均信息熵越小，對應(yīng)的分類越合理，也即最小的平均信息熵所對應(yīng)的分類方式是最佳分類方式。在有了以上的定義之后，下面對步驟102中，將n個數(shù)據(jù)樣本劃分為c1類數(shù)據(jù)樣本的具體過程做詳細(xì)描述，其中，c1滿足使得劃分得到的所述c1類數(shù)據(jù)樣本對應(yīng)的平均信息熵最小。步驟1、初始化工作。設(shè)定變化量閾值為ε，確定初始聚類中心個數(shù)的取值范圍[cmin,cmax]。一般取cmin＝2，步驟2、在聚類中心數(shù)目c從c＝cmin增加到c＝cmax的過程中，對于任意確定的c，由以下步驟A～步驟E確定對應(yīng)的隸屬矩陣U＝(μij)cxn，和此時的平均信息熵H(c)：步驟A、用值在區(qū)間[0,1]內(nèi)的隨機(jī)數(shù)初始化隸屬矩陣U＝Ucxn＝(μij)cxn，使其滿足約束條件步驟B、根據(jù)公式1和公式2，計(jì)算每個數(shù)據(jù)樣本的加權(quán)系數(shù)wj，j＝1,2,…,n；步驟C、根據(jù)隸屬度矩陣U得到c個分類，以及根據(jù)公式4，計(jì)算每個分類的聚類中心；具體地，對于一個隸屬度矩陣U，可以根據(jù)下列方式得到c個分類：根據(jù)最大隸屬度原則對數(shù)據(jù)集合X＝{x1,x2,…,xn}進(jìn)行分類：在U＝Ucxn的第k列中，如果則將xk歸入第i1類。步驟D、根據(jù)公式3計(jì)算目標(biāo)函數(shù)J，以及計(jì)算目標(biāo)函數(shù)值的更新變化量(更新變化量指的是此次計(jì)算得到的目標(biāo)函數(shù)值與上次計(jì)算得到的目標(biāo)函數(shù)值的差值)，若更新變化量小于或等于變化量閾值ε，則輸出當(dāng)前數(shù)據(jù)樣本的分類方式，并且根據(jù)公式6和公式7計(jì)算該分類方式對應(yīng)的平均信息熵；若更新變化量大于變化量閾值ε，則轉(zhuǎn)到步驟E；步驟E、根據(jù)公式5更新當(dāng)前隸屬度矩陣U，并返回到步驟C。對于上述步驟E，下面舉一個具體的例子進(jìn)行說明。假設(shè)數(shù)據(jù)樣本數(shù)量n＝6，分別用N1，N2，N3，N4，N5，N6來表示。假設(shè)當(dāng)前要對c＝2確定一個分類方式。則在步驟A中，首先對隸屬矩陣U進(jìn)行初始化，假設(shè)初始化后的U為：U=0.40.80.60.70.90.30.60.20.40.30.10.7]]>由于0.6>0.4，因此數(shù)據(jù)樣本N1劃分到第二類中；由于0.8>0.2，因此數(shù)據(jù)樣本N2劃分到第一類中，以此類推，得到的兩個分類分別為：第一類：N2，N3，N4，N5；第二類：N1，N6。然后計(jì)算上述兩個分類的聚類中心，以及根據(jù)這兩個聚類中心及計(jì)算得到的加權(quán)系數(shù)，得到目標(biāo)函數(shù)J，假設(shè)上述兩個分類對應(yīng)的目標(biāo)函數(shù)J＝5，并且上次計(jì)算得到的J＝4，并且初始化的變化量閾值ε＝0.5，由于當(dāng)前計(jì)算得到的目標(biāo)函數(shù)與上次計(jì)算得到的目標(biāo)函數(shù)的差值為1，因此大于變化量閾值，則不滿足迭代停止條件，需要通過步驟E更新隸屬度矩陣U，假設(shè)更新后的隸屬度矩陣為：U=0.70.70.60.80.30.30.30.30.40.20.70.7]]>則得到的新的兩類分別為：第一類：N1，N2，N3，N4；第二類：N5，N6。然后得到新的目標(biāo)函數(shù)值，假設(shè)為5.3，則本次得到的目標(biāo)函數(shù)值5.3與上次得到的目標(biāo)函數(shù)值5之間的差值為0.3，因此小于變化量閾值0.5，因此迭代停止，將c＝2時對應(yīng)的分類方式確定為：第一類：N1，N2，N3，N4；第二類：N5，N6。然后計(jì)算對應(yīng)的平均信息熵，假設(shè)為2.5。從而根據(jù)上述步驟A～步驟E，對于任意一個c值，都可以計(jì)算得到一種分類方式以及對應(yīng)的平均信息熵。步驟3、對比聚類中心數(shù)目c在不同取值時的平均信息熵H(c)，找到使平均信息熵H(c)取最小值的聚類中心數(shù)目c1，H(c1)＝minH(c)，從而最終的聚類數(shù)目為c1以及對應(yīng)的分類方式。根據(jù)上述步驟1～步驟3，可以得到一個最佳分類c1及對應(yīng)的分類方式。從而有利于提高最終確定可疑洗錢賬戶的精度和準(zhǔn)確度?；谏鲜霾襟E102中得到的一個最佳分類c1及對應(yīng)的分類方式，下面通過步驟103，從該分類方式中找到可疑洗錢賬戶，具體地，在上述步驟103中，確定所述c1類數(shù)據(jù)樣本中的孤立點(diǎn)數(shù)據(jù)樣本，并將所述孤立點(diǎn)數(shù)據(jù)樣本對應(yīng)的賬戶確定為可疑洗錢賬戶。舉例來說，假設(shè)一共有20個樣本，分別為N1，N2，N3，N4，N5，N6，N7，N8，N9，N10，N11，N12，N13，N14，N15，N16，N17，N18，N19，N20，且得到的最佳分類為c1＝5且對應(yīng)的分類方式為：第1類：N1，N8，N12；第2類：N3，N9，N13，N19；第3類：N2，N6，N7，N15，N17；第4類：N4，N10，N14，N18，N20；第5類：N5，N11，N16。則在步驟103中，從上述20個數(shù)據(jù)樣本中找到孤立點(diǎn)數(shù)據(jù)樣本，并將孤立點(diǎn)數(shù)據(jù)樣本對應(yīng)的賬戶確定為可疑洗錢賬戶。之所以將孤立點(diǎn)數(shù)據(jù)樣本對應(yīng)的賬戶確定為可疑洗錢賬戶，是因?yàn)橄村X行為通常隱藏在正常的賬戶交易過程中，同時洗錢行為有別于正常的賬戶交易行為，因此它們以孤立點(diǎn)的形式表現(xiàn)在數(shù)據(jù)集中。所謂孤立點(diǎn)數(shù)據(jù)樣本指的是該數(shù)據(jù)樣本周圍不存在其他數(shù)據(jù)樣本，或者說，孤立點(diǎn)數(shù)據(jù)樣本與其他數(shù)據(jù)樣本之間的歐式距離都比較大，因此該數(shù)據(jù)樣本以孤立的形式存在。對于如何確定c1類數(shù)據(jù)樣本中的孤立點(diǎn)數(shù)據(jù)樣本，有很多種方式，本發(fā)明不做限定。為方便說明，下面給出一種具體的確定孤立點(diǎn)數(shù)據(jù)樣本的方式，可選地，所述確定所述c1類數(shù)據(jù)樣本中的孤立點(diǎn)數(shù)據(jù)樣本，包括：步驟1、根據(jù)所述c1類數(shù)據(jù)樣本中每類數(shù)據(jù)樣本的數(shù)量，將所述c1類數(shù)據(jù)樣本劃分為大類數(shù)據(jù)樣本和小類數(shù)據(jù)樣本；通過前面的步驟102中，已經(jīng)將數(shù)據(jù)集合X＝{x1,x2,…,xn}劃分成了c1個類，即{A1,A2,…,Ac}，現(xiàn)在把這些類進(jìn)行劃分，求出大小類。假設(shè)|Ai|代表類Ai中包含的數(shù)據(jù)點(diǎn)的個數(shù)，則對這些類按照包含點(diǎn)個數(shù)的多少進(jìn)行排序，假設(shè)排序結(jié)果為|A1|>|A2|>…>|Ac|。給定兩個參數(shù)α和β，根據(jù)以下條件劃分大類和小類：|A1|+|A2|+…+|Ab|≥|X|·α|Ab||Ab+1|≥β]]>從而，大類的集合為LC＝{Ai|i≤b}，小類的集合為SC＝{Ak|k>b}。步驟2、針對所述大類數(shù)據(jù)樣本中的一個數(shù)據(jù)樣本，根據(jù)所述數(shù)據(jù)樣本所在聚類中數(shù)據(jù)樣本的數(shù)量，以及所述數(shù)據(jù)樣本與所述數(shù)據(jù)樣本所在聚類中數(shù)據(jù)樣本之間的歐式距離的最小值，確定所述數(shù)據(jù)樣本對應(yīng)的局部偏離值；步驟3、針對所述小類數(shù)據(jù)樣本中的一個數(shù)據(jù)樣本，根據(jù)所述數(shù)據(jù)樣本所在聚類中數(shù)據(jù)樣本的數(shù)量，以及所述數(shù)據(jù)樣本與所述大類數(shù)據(jù)樣本中數(shù)據(jù)樣本之間的歐式距離的最小值，確定所述數(shù)據(jù)樣本對應(yīng)的局部偏離值；對于上述步驟2和步驟3分別是確定大類數(shù)據(jù)樣本中數(shù)據(jù)樣本對應(yīng)的局部偏離值，以及確定小類數(shù)據(jù)樣本中數(shù)據(jù)樣本對應(yīng)的局部偏離值，下面用一個公式來表示：對于任意一點(diǎn)x∈X，該點(diǎn)的局部偏離值(LOF)定義如下：LOF(x)=|Ai|·min(distance(x,Aj))wherex∈Ai,Ai∈SCandAj∈LCforj=1tob|Ai|·distance(x,Aj))wherex∈AiandAi∈LC]]>其中，distance(x,Ai)＝min{d(x,xk)|xx∈Ai,1≤k≤|Ai|}，而d(x,xk)指x和xk之間的歐氏距離。由以上公式，我們可以求出每個數(shù)據(jù)樣本的局部偏離值。步驟4、將所述c1類數(shù)據(jù)樣本中局部偏離值大于偏離度閾值的所有數(shù)據(jù)樣本確定為所述孤立點(diǎn)數(shù)據(jù)樣本。在確定了所有的孤立點(diǎn)數(shù)據(jù)樣本之后，將孤立點(diǎn)數(shù)據(jù)樣本對應(yīng)的賬戶確定為可疑洗錢賬戶。舉例來說，針對上述20個數(shù)據(jù)樣本，假設(shè)最終得到的孤立點(diǎn)數(shù)據(jù)樣本為N3，N9和N15，并且N3對應(yīng)的賬戶為賬戶A，N9對應(yīng)的賬戶為賬戶B，N15對應(yīng)的賬戶也為賬戶B，則最終確定的可疑洗錢賬戶為賬戶A和賬戶B。本發(fā)明實(shí)施例，首先確定n個數(shù)據(jù)樣本，一個數(shù)據(jù)樣本用于表示一個賬戶在設(shè)定時間段的設(shè)定時長內(nèi)的交易信息，然后將n個數(shù)據(jù)樣本進(jìn)行分類，得到c1類數(shù)據(jù)樣本，其中，該分類方式是一個最佳分類，以及從所述c1類數(shù)據(jù)樣本中確定出孤立點(diǎn)數(shù)據(jù)樣本，并將孤立點(diǎn)數(shù)據(jù)樣本確定為可疑洗錢賬戶。本發(fā)明實(shí)施例，一方面無需人工參與，可自動實(shí)現(xiàn)確定出可疑洗錢賬戶，提高了效率；另一方面，由于首先將數(shù)據(jù)樣本進(jìn)行合理分類，然后根據(jù)可疑洗錢賬戶的特點(diǎn)，從分類后的數(shù)據(jù)樣本中找到孤立點(diǎn)作為可疑洗錢賬戶，因而提高了查找可疑洗錢賬戶的準(zhǔn)確率。下面對本發(fā)明實(shí)施例提供的一種可疑洗錢賬戶的確定做詳細(xì)描述，如圖2所示，包括：步驟201、獲取待偵測金融網(wǎng)絡(luò)中的n個數(shù)據(jù)樣本，其中，一個數(shù)據(jù)樣本用于表示一個賬戶在設(shè)定時間段的設(shè)定時長內(nèi)的交易信息，n為大于1的整數(shù)；步驟202、針對所述n個數(shù)據(jù)樣本的一個分類值c，根據(jù)每個數(shù)據(jù)樣本的加權(quán)系數(shù)及模糊C均值聚類算法，將所述n個數(shù)據(jù)樣本劃分為c類數(shù)據(jù)樣本；確定所述c類數(shù)據(jù)樣本中每個數(shù)據(jù)樣本分別對所述c類數(shù)據(jù)樣本的c個聚類中心的偏向度；并根據(jù)確定的所有偏向度，確定所述c類數(shù)據(jù)樣本對應(yīng)的平均信息熵；步驟203、將對應(yīng)的平均信息熵最小的c類數(shù)據(jù)樣本作為c1類數(shù)據(jù)樣本；步驟204、根據(jù)所述c1類數(shù)據(jù)樣本中每類數(shù)據(jù)樣本的數(shù)量，將所述c1類數(shù)據(jù)樣本劃分為大類數(shù)據(jù)樣本和小類數(shù)據(jù)樣本；步驟205、針對所述大類數(shù)據(jù)樣本中的一個數(shù)據(jù)樣本，根據(jù)所述數(shù)據(jù)樣本所在聚類中數(shù)據(jù)樣本的數(shù)量，以及所述數(shù)據(jù)樣本與所述數(shù)據(jù)樣本所在聚類中數(shù)據(jù)樣本之間的歐式距離的最小值，確定所述數(shù)據(jù)樣本對應(yīng)的局部偏離值；步驟206、針對所述小類數(shù)據(jù)樣本中的一個數(shù)據(jù)樣本，根據(jù)所述數(shù)據(jù)樣本所在聚類中數(shù)據(jù)樣本的數(shù)量，以及所述數(shù)據(jù)樣本與所述大類數(shù)據(jù)樣本中數(shù)據(jù)樣本之間的歐式距離的最小值，確定所述數(shù)據(jù)樣本對應(yīng)的局部偏離值；步驟207、將所述c1類數(shù)據(jù)樣本中局部偏離值大于偏離度閾值的所有數(shù)據(jù)樣本確定為所述孤立點(diǎn)數(shù)據(jù)樣本。本發(fā)明實(shí)施例，首先確定n個數(shù)據(jù)樣本，一個數(shù)據(jù)樣本用于表示一個賬戶在設(shè)定時間段的設(shè)定時長內(nèi)的交易信息，然后將n個數(shù)據(jù)樣本進(jìn)行分類，得到c1類數(shù)據(jù)樣本，其中，該分類方式是一個最佳分類，以及從所述c1類數(shù)據(jù)樣本中確定出孤立點(diǎn)數(shù)據(jù)樣本，并將孤立點(diǎn)數(shù)據(jù)樣本確定為可疑洗錢賬戶。本發(fā)明實(shí)施例，一方面無需人工參與，可自動實(shí)現(xiàn)確定出可疑洗錢賬戶，提高了效率；另一方面，由于首先將數(shù)據(jù)樣本進(jìn)行合理分類，然后根據(jù)可疑洗錢賬戶的特點(diǎn)，從分類后的數(shù)據(jù)樣本中找到孤立點(diǎn)作為可疑洗錢賬戶，因而提高了查找可疑洗錢賬戶的準(zhǔn)確率?；谙嗤募夹g(shù)構(gòu)思，本發(fā)明實(shí)施例還提供一種可疑洗錢賬戶的確定裝置，如圖3所示，包括：獲取單元301，用于獲取待偵測金融網(wǎng)絡(luò)中的n個數(shù)據(jù)樣本，其中，一個數(shù)據(jù)樣本用于表示一個賬戶在設(shè)定時間段的設(shè)定時長內(nèi)的交易信息，n為大于1的整數(shù)；劃分單元302，用于根據(jù)每個數(shù)據(jù)樣本的加權(quán)系數(shù)，將所述n個數(shù)據(jù)樣本劃分為c1類數(shù)據(jù)樣本，其中c1滿足使得劃分得到的所述c1類數(shù)據(jù)樣本對應(yīng)的平均信息熵最小，所述加權(quán)系數(shù)用于表示一個數(shù)據(jù)樣本對分類的影響程度，所述平均信息熵是根據(jù)所有數(shù)據(jù)樣本的偏向度得到的，所述偏向度用于表示一個數(shù)據(jù)樣本偏向聚類中心的程度；可疑洗錢賬戶確定單元303，用于確定所述c1類數(shù)據(jù)樣本中的孤立點(diǎn)數(shù)據(jù)樣本，并將所述孤立點(diǎn)數(shù)據(jù)樣本對應(yīng)的賬戶確定為可疑洗錢賬戶。可選地，所述劃分單元302，具體用于：針對所述n個數(shù)據(jù)樣本的一個分類值c，根據(jù)每個數(shù)據(jù)樣本的加權(quán)系數(shù)及模糊C均值聚類算法，將所述n個數(shù)據(jù)樣本劃分為c類數(shù)據(jù)樣本；確定所述c類數(shù)據(jù)樣本中每個數(shù)據(jù)樣本分別對所述c類數(shù)據(jù)樣本的c個聚類中心的偏向度；并根據(jù)確定的所有偏向度，確定所述c類數(shù)據(jù)樣本對應(yīng)的平均信息熵；將對應(yīng)的平均信息熵最小的c類數(shù)據(jù)樣本作為所述c1類數(shù)據(jù)樣本?？蛇x地，所述劃分單元302，具體用于：使用隨機(jī)數(shù)初始化所述n個數(shù)據(jù)樣本對應(yīng)的隸屬度矩陣，以及將所述n個數(shù)據(jù)樣本對應(yīng)的目標(biāo)函數(shù)值設(shè)定為預(yù)設(shè)值；根據(jù)所述隸屬度矩陣，將所述n個數(shù)據(jù)樣本劃分為c類數(shù)據(jù)樣本，以及確定所述c類數(shù)據(jù)樣本中每個類的聚類中心；根據(jù)所述c類數(shù)據(jù)樣本及所述c類數(shù)據(jù)樣本中每個類的聚類中心，更新所述目標(biāo)函數(shù)值；若確定所述目標(biāo)函數(shù)值的更新變化量小于或等于變化量閾值，則得到所述c類數(shù)據(jù)樣本；若確定所述目標(biāo)函數(shù)值的變化量大于所述變化量閾值，則根據(jù)隸屬度矩陣更新公式，更新所述隸屬度矩陣，并返回到根據(jù)所述隸屬度矩陣，將所述n個數(shù)據(jù)樣本劃分為c類數(shù)據(jù)樣本，以及確定所述c類數(shù)據(jù)樣本中每個類的聚類中心的步驟?？蛇x地，所述模糊C均值聚類算法對應(yīng)的目標(biāo)函數(shù)為：J=Jd(U,v1,v2,...,vc,X)=Σi=1cΣj=1nwjμijmdij2,]]>Σi=1cμij=1,∀j=1,2,...,n;1≤j≤n;]]>其中，μij為數(shù)據(jù)樣本xj對第i個聚類的隸屬度，{v1,v2,…,vc}為各個聚類的聚類中心，U是一個c*n的隸屬矩陣且μij為U中的元素，X為所述n個數(shù)據(jù)樣本的集合，wj為數(shù)據(jù)樣本xj的加權(quán)系數(shù)，m為預(yù)設(shè)的加權(quán)指數(shù)，dij為第i個聚類中心與數(shù)據(jù)樣本xj之間的歐氏距離?？蛇x地，所述可疑洗錢賬戶確定單元303，具體用于：根據(jù)所述c1類數(shù)據(jù)樣本中每類數(shù)據(jù)樣本的數(shù)量，將所述c1類數(shù)據(jù)樣本劃分為大類數(shù)據(jù)樣本和小類數(shù)據(jù)樣本；針對所述大類數(shù)據(jù)樣本中的一個數(shù)據(jù)樣本，根據(jù)所述數(shù)據(jù)樣本所在聚類中數(shù)據(jù)樣本的數(shù)量，以及所述數(shù)據(jù)樣本與所述數(shù)據(jù)樣本所在聚類中數(shù)據(jù)樣本之間的歐式距離的最小值，確定所述數(shù)據(jù)樣本對應(yīng)的局部偏離值；針對所述小類數(shù)據(jù)樣本中的一個數(shù)據(jù)樣本，根據(jù)所述數(shù)據(jù)樣本所在聚類中數(shù)據(jù)樣本的數(shù)量，以及所述數(shù)據(jù)樣本與所述大類數(shù)據(jù)樣本中數(shù)據(jù)樣本之間的歐式距離的最小值，確定所述數(shù)據(jù)樣本對應(yīng)的局部偏離值；將所述c1類數(shù)據(jù)樣本中局部偏離值大于偏離度閾值的所有數(shù)據(jù)樣本確定為所述孤立點(diǎn)數(shù)據(jù)樣本?？蛇x地，所述裝置還包括加權(quán)系數(shù)確定單元304，用于根據(jù)下列方式確定每個數(shù)據(jù)樣本的加權(quán)系數(shù)：wi=CiΣi=1nCi,]]>rmin<r<rmax，rmin＝min{||xi-xj||},1≤i,j≤n，rmax＝max{||xi-xj||},1≤i,j≤n；其中，wi表示數(shù)據(jù)樣本xi的加權(quán)系數(shù)，Ci表示數(shù)據(jù)樣本xi的粒子數(shù)密度，Ni表示以數(shù)據(jù)樣本xi為球心，r為半徑的球體內(nèi)包含的數(shù)據(jù)樣本的數(shù)量且r值預(yù)先設(shè)定，D表示數(shù)據(jù)樣本xi的維度，||xi-xj||為數(shù)據(jù)樣本xi與數(shù)據(jù)樣本xj之間的歐氏距離?？蛇x地，所述n個數(shù)據(jù)樣本中的任一個數(shù)據(jù)樣本可用下列部分或全部的內(nèi)容來表示：總交易金額、總轉(zhuǎn)出金額、總轉(zhuǎn)入金額、交易金額離散系數(shù)、轉(zhuǎn)出金額離散系數(shù)、轉(zhuǎn)入金額離散系數(shù)、轉(zhuǎn)出頻率、轉(zhuǎn)入頻率；其中所述交易金額離散系數(shù)為所述數(shù)據(jù)樣本在設(shè)定時間段的設(shè)定時長內(nèi)交易金額方差與交易金額均值的比值，所述轉(zhuǎn)出金額離散系數(shù)為所述數(shù)據(jù)樣本在設(shè)定時間段的設(shè)定時長內(nèi)轉(zhuǎn)出金額方差與轉(zhuǎn)出金額均值的比值，所述轉(zhuǎn)入金額離散系數(shù)為所述數(shù)據(jù)樣本在設(shè)定時間段的設(shè)定時長內(nèi)轉(zhuǎn)入金額方差與轉(zhuǎn)入金額均值的比值?？蛇x地，所述裝置還包括偏向度確定單元305，用于根據(jù)下列公式確定所述c類數(shù)據(jù)樣本中每個數(shù)據(jù)樣本分別對所述c類數(shù)據(jù)樣本的c個聚類中心的偏向度：pij=e-dij2Σi=1ce-dij2,]]>其中，pij表示數(shù)據(jù)樣本xj對第i個聚類中心的偏向度，dij為第i個聚類中心與數(shù)據(jù)樣本xj之間的歐氏距離?？蛇x地，所述裝置還包括聚類中心確定單元306，用于根據(jù)下列公式確定所述c類數(shù)據(jù)樣本中每個類的聚類中心：vi=Σj=1nwjμij2xjΣj=1nwjμij2,(1≤i≤c),]]>其中，vi表示聚類中心，wi表示數(shù)據(jù)樣本xi的加權(quán)系數(shù)，μij為數(shù)據(jù)樣本xj對第i個聚類的隸屬度。本發(fā)明實(shí)施例，首先確定n個數(shù)據(jù)樣本，一個數(shù)據(jù)樣本用于表示一個賬戶在設(shè)定時間段的設(shè)定時長內(nèi)的交易信息，然后將n個數(shù)據(jù)樣本進(jìn)行分類，得到c1類數(shù)據(jù)樣本，其中，該分類方式是一個最佳分類，以及從所述c1類數(shù)據(jù)樣本中確定出孤立點(diǎn)數(shù)據(jù)樣本，并將孤立點(diǎn)數(shù)據(jù)樣本確定為可疑洗錢賬戶。本發(fā)明實(shí)施例，一方面無需人工參與，可自動實(shí)現(xiàn)確定出可疑洗錢賬戶，提高了效率；另一方面，由于首先將數(shù)據(jù)樣本進(jìn)行合理分類，然后根據(jù)可疑洗錢賬戶的特點(diǎn)，從分類后的數(shù)據(jù)樣本中找到孤立點(diǎn)作為可疑洗錢賬戶，因而提高了查找可疑洗錢賬戶的準(zhǔn)確率。本發(fā)明是參照根據(jù)本發(fā)明實(shí)施例的方法、設(shè)備(系統(tǒng))、和計(jì)算機(jī)程序產(chǎn)品的流程圖和/或方框圖來描述的。應(yīng)理解可由計(jì)算機(jī)程序指令實(shí)現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結(jié)合?？商峁┻@些計(jì)算機(jī)程序指令到通用計(jì)算機(jī)、專用計(jì)算機(jī)、嵌入式處理機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器以產(chǎn)生一個機(jī)器，使得通過計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器執(zhí)行的指令產(chǎn)生用于實(shí)現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。這些計(jì)算機(jī)程序指令也可存儲在能引導(dǎo)計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備以特定方式工作的計(jì)算機(jī)可讀存儲器中，使得存儲在該計(jì)算機(jī)可讀存儲器中的指令產(chǎn)生包括指令裝置的制造品，該指令裝置實(shí)現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。這些計(jì)算機(jī)程序指令也可裝載到計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備上，使得在計(jì)算機(jī)或其他可編程設(shè)備上執(zhí)行一系列操作步驟以產(chǎn)生計(jì)算機(jī)實(shí)現(xiàn)的處理，從而在計(jì)算機(jī)或其他可編程設(shè)備上執(zhí)行的指令提供用于實(shí)現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的步驟。盡管已描述了本發(fā)明的優(yōu)選實(shí)施例，但本領(lǐng)域內(nèi)的技術(shù)人員一旦得知了基本創(chuàng)造性概念，則可對這些實(shí)施例做出另外的變更和修改。所以，所附權(quán)利要求意欲解釋為包括優(yōu)選實(shí)施例以及落入本發(fā)明范圍的所有變更和修改。顯然，本領(lǐng)域的技術(shù)人員可以對本發(fā)明進(jìn)行各種改動和變型而不脫離本發(fā)明的精神和范圍。這樣，倘若本發(fā)明的這些修改和變型屬于本發(fā)明權(quán)利要求及其等同技術(shù)的范圍之內(nèi)，則本發(fā)明也意圖包含這些改動和變型在內(nèi)。當(dāng)前第1頁1 2 3