本發(fā)明涉及計算機(jī)
技術(shù)領(lǐng)域：
，尤其涉及一種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，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。現(xiàn)有技術(shù)在查找洗錢賬戶時，存在一種首先對待測金融網(wǎng)絡(luò)中的所有數(shù)據(jù)樣本進(jìn)行分類，然后根據(jù)分類的數(shù)據(jù)樣本，找到每個類中的孤立點數(shù)據(jù)樣本，最終將孤立點數(shù)據(jù)樣本對應(yīng)的賬戶確定為洗錢賬戶。上述方法主要存在的問題是：第一，上述方法在對所有數(shù)據(jù)樣本進(jìn)行分類時，是根據(jù)每個數(shù)據(jù)樣本的系數(shù)來分類的，其中，一個數(shù)據(jù)樣本的系數(shù)是根據(jù)數(shù)據(jù)樣本之間的歐式距離來定義的，該種系數(shù)定義方法不能很好地反映數(shù)據(jù)樣本之間的內(nèi)在聯(lián)系，因而不能很準(zhǔn)確地得到數(shù)據(jù)樣本的最佳分類；第二，上述方法在得到數(shù)據(jù)樣本的分類之后，是根據(jù)每個分類中的孤立點來確定最終的洗錢賬戶，這種方法對于識別像貪腐腐敗等偶然行為的洗錢賬戶是有效的，但對于像非法集資、詐騙洗錢、地下錢莊等具有連續(xù)洗錢活動的賬戶，則無能為力。綜上所述，現(xiàn)有技術(shù)中的洗錢賬戶偵測，存在偵測準(zhǔn)確率不高，且無法偵測具有連續(xù)洗錢活動行為的賬戶。技術(shù)實現(xiàn)要素：本發(fā)明提供一種洗錢賬戶的確定方法及裝置，用以解決現(xiàn)有技術(shù)存在的在洗錢賬戶偵測時，偵測準(zhǔn)確率不高，且無法偵測具有連續(xù)洗錢活動行為的賬戶的技術(shù)問題。一方面，本發(fā)明實施例提供一種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)樣本的權(quán)重，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，其中，一個數(shù)據(jù)樣本的權(quán)重用于表示所述數(shù)據(jù)樣本對分類的影響程度，一個數(shù)據(jù)樣本的權(quán)重是根據(jù)所述n個數(shù)據(jù)樣本的m個屬性的權(quán)重得到的，所述平均信息熵是根據(jù)所述n個數(shù)據(jù)樣本的隸屬度得到的，所述隸屬度用于表示一個數(shù)據(jù)樣本對一個聚類的隸屬程度，m為正整數(shù)；針對所述c1類數(shù)據(jù)樣本中的任一類，確定距離所述類的聚類中心最近的數(shù)據(jù)樣本為目標(biāo)數(shù)據(jù)樣本；若確定所述目標(biāo)數(shù)據(jù)樣本對應(yīng)的賬戶符合預(yù)設(shè)的洗錢賬戶標(biāo)準(zhǔn)，則將所述類確定為洗錢類別并將所述洗錢類別中的所有數(shù)據(jù)樣本對應(yīng)的賬戶確定為洗錢賬戶。可選地，所述根據(jù)每個數(shù)據(jù)樣本的權(quán)重，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)樣本的權(quán)重及模糊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個聚類中心的隸屬度；并根據(jù)確定的所有隸屬度，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)樣本的權(quán)重及模糊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：確定c個聚類中心初始值；根據(jù)所述c個聚類中心的初始值，確定所述n個數(shù)據(jù)樣本對應(yīng)的隸屬度矩陣，以及根據(jù)確定的所述n個數(shù)據(jù)樣本對應(yīng)的隸屬度矩陣，確定所述n個數(shù)據(jù)樣本對應(yīng)的目標(biāo)函數(shù)值；根據(jù)所述隸屬度矩陣，更新所述c類數(shù)據(jù)樣本中每個類的聚類中心；根據(jù)更新后的所述c類數(shù)據(jù)樣本中每個類的聚類中心，更新所述隸屬度矩陣；根據(jù)更新后的所述隸屬度矩陣及更新后的所述c類數(shù)據(jù)樣本中每個類的聚類中心，更新所述n個數(shù)據(jù)樣本對應(yīng)的目標(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，則根據(jù)更新后的所述隸屬度矩陣，將所述n個數(shù)據(jù)樣本劃分為c類數(shù)據(jù)樣本；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，則返回到根據(jù)所述隸屬度矩陣，更新所述c類數(shù)據(jù)樣本中每個類的聚類中心的步驟。可選地，所述將所述類確定為洗錢類別并將所述洗錢類別中的所有數(shù)據(jù)樣本對應(yīng)的賬戶確定為洗錢賬戶之后，還包括：確定所述洗錢類別的聚類中心與所述n個數(shù)據(jù)樣本中每個數(shù)據(jù)樣本的歐氏距離并按確定的歐式距離遞增的順序?qū)λ鰊個數(shù)據(jù)樣本進(jìn)行排序，得到排序后的n個數(shù)據(jù)樣本；若確定所述n個數(shù)據(jù)樣本中存在目標(biāo)樣本，則將所述排序后的n個數(shù)據(jù)樣本中排在所述目標(biāo)樣本之前的所有樣本確定為重點洗錢樣本，并將所有重點洗錢樣本對應(yīng)的賬戶確定為重點洗錢賬戶，其中，所述排在所述目標(biāo)樣本之前的所有樣本均屬于所述洗錢類別，且所述目標(biāo)樣本對應(yīng)的賬戶不屬于任何洗錢類別?？蛇x地，所述將所述排序后的n個數(shù)據(jù)樣本中排在所述目標(biāo)樣本之前的所有樣本確定為重點洗錢樣本，并將所有重點洗錢樣本對應(yīng)的賬戶確定為重點洗錢賬戶之后，還包括：將所述洗錢類別中除所有重點洗錢樣本之外的所有樣本，確定為一般洗錢樣本；將所有一般洗錢樣本對應(yīng)的賬戶確定為一般洗錢賬戶。可選地，所述模糊C均值聚類算法對應(yīng)的目標(biāo)函數(shù)為：J=Σi=1cΣj=1nρjμij2dij2,]]>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，ρj為數(shù)據(jù)樣本xj的權(quán)重，dij為第i個聚類中心與數(shù)據(jù)樣本xj之間未加權(quán)的的歐氏距離。可選地，根據(jù)下列公式確定所述c個聚類中心初始值：Dk*=max{Di(k),i=1,2,...,n},k=2,3,...,c,]]>Di(k)=Di(k-1)-rm1(xi,xk-1*)*Dk-1**e-||xi-xk-1*||m2,k=2,3,...,c,i=1,2,...,n,]]>D1*=max{Di(1),i=1,2,...,n},]]>其中，表示當(dāng)前n個數(shù)據(jù)樣本中每個數(shù)據(jù)樣本的樣本密度中的最大值，表示對應(yīng)的數(shù)據(jù)樣本且表示第k個聚類中心的初始值(k＝1，2,...,c)，用于對所述n個數(shù)據(jù)樣本的樣本密度進(jìn)行更新，表示數(shù)據(jù)樣本xi與數(shù)據(jù)樣本之間的皮爾遜相關(guān)系數(shù)，表示數(shù)據(jù)樣本xi與數(shù)據(jù)樣本之間的歐式距離，m1和m2為預(yù)設(shè)的系數(shù)?？蛇x地，根據(jù)下列公式確定一個數(shù)據(jù)樣本的權(quán)重：ρi=density(i)Σh=1ndensity(h),]]>density(i)=Σh=1,h≠inr2(i,h)1dihe-dih2,]]>dih=Σj=1mwj2(xij-xhj)2,]]>r(i,h)=Σj=1m(wjxij-x‾i)(wjxhj-x‾h)Σj=1m(wjxij-x‾i)2Σj=1m(wjxhj-x‾h)2,]]>x‾i=1mΣj=1mwjxij,]]>x‾h=1mΣj=1mwjxhj,]]>其中，ρi表示第i個數(shù)據(jù)樣本的權(quán)重，i＝1,2,...,n，density(i)表示第i個數(shù)據(jù)樣本的樣本密度，r(i,h)表示數(shù)據(jù)樣本xi與數(shù)據(jù)樣本xh之間的皮爾遜相關(guān)系數(shù)，wj表示所述n個數(shù)據(jù)樣本的第j個屬性的權(quán)重，xij表示數(shù)據(jù)樣本xi的第j個屬性值，m表示所述n個數(shù)據(jù)樣本中每個數(shù)據(jù)樣本包含的屬性數(shù)量，dih表示數(shù)據(jù)樣本xi與數(shù)據(jù)樣本xh之間加權(quán)的歐氏距離?？蛇x地，根據(jù)下列公式確定所述n個數(shù)據(jù)樣本的屬性權(quán)重：wj=HPjΣj′=1mHPj′,]]>HPj=CVj*HjCVj2+Hj2,]]>CVj=σjμj,]]>Hj=-Σk=1Kpjklog2(pjk),]]>μj=1KΣk=1KNjk=nK,]]>σj=1KΣk=1K(Njk-μj)2,]]>pjk=NjkΣk′=1KNjk′,]]>其中，wj表示所述n個數(shù)據(jù)樣本的第j個屬性的權(quán)重，CVj為屬性j的離散系數(shù)且用于表示屬性j偏離均勻分布的程度，Hj為屬性j的信息熵且用于表示屬性j的有序結(jié)構(gòu)情況，并且，K是根據(jù)下列方式得到的：以所述n個數(shù)據(jù)樣本在第j個屬性上的最小值為起點，以所述n個數(shù)據(jù)樣本在第j個屬性上的最大值為終點，等劃分成K組；Njk表示所述K組中第k組中的數(shù)據(jù)樣本的個數(shù)(k＝1,2,...,K)。另一方面，本發(fā)明實施例提供一種洗錢賬戶的確定裝置，包括：數(shù)據(jù)樣本獲取單元，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)；數(shù)據(jù)樣本劃分單元，用于根據(jù)每個數(shù)據(jù)樣本的權(quán)重，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，其中，一個數(shù)據(jù)樣本的權(quán)重用于表示所述數(shù)據(jù)樣本對分類的影響程度，一個數(shù)據(jù)樣本的權(quán)重是根據(jù)所述n個數(shù)據(jù)樣本的m個屬性的權(quán)重得到的，所述平均信息熵是根據(jù)所述n個數(shù)據(jù)樣本的隸屬度得到的，所述隸屬度用于表示一個數(shù)據(jù)樣本對一個聚類的隸屬程度，m為正整數(shù)；洗錢賬戶確定單元，用于針對所述c1類數(shù)據(jù)樣本中的任一類，確定距離所述類的聚類中心最近的數(shù)據(jù)樣本為目標(biāo)數(shù)據(jù)樣本；若確定所述目標(biāo)數(shù)據(jù)樣本對應(yīng)的賬戶符合預(yù)設(shè)的洗錢賬戶標(biāo)準(zhǔn)，則將所述類確定為洗錢類別并將所述洗錢類別中的所有數(shù)據(jù)樣本對應(yīng)的賬戶確定為洗錢賬戶?？蛇x地，所述數(shù)據(jù)樣本劃分單元，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)樣本的權(quán)重及模糊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個聚類中心的隸屬度；并根據(jù)確定的所有隸屬度，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。可選地，所述數(shù)據(jù)樣本劃分單元，具體用于：確定c個聚類中心初始值；根據(jù)所述c個聚類中心的初始值，確定所述n個數(shù)據(jù)樣本對應(yīng)的隸屬度矩陣，以及根據(jù)確定的所述n個數(shù)據(jù)樣本對應(yīng)的隸屬度矩陣，確定所述n個數(shù)據(jù)樣本對應(yīng)的目標(biāo)函數(shù)值；根據(jù)所述隸屬度矩陣，更新所述c類數(shù)據(jù)樣本中每個類的聚類中心；根據(jù)更新后的所述c類數(shù)據(jù)樣本中每個類的聚類中心，更新所述隸屬度矩陣；根據(jù)更新后的所述隸屬度矩陣及更新后的所述c類數(shù)據(jù)樣本中每個類的聚類中心，更新所述n個數(shù)據(jù)樣本對應(yīng)的目標(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，則根據(jù)更新后的所述隸屬度矩陣，將所述n個數(shù)據(jù)樣本劃分為c類數(shù)據(jù)樣本；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，則返回到根據(jù)所述隸屬度矩陣，更新所述c類數(shù)據(jù)樣本中每個類的聚類中心的步驟?？蛇x地，所述洗錢賬戶確定單元還用于：將所述類確定為洗錢類別并將所述洗錢類別中的所有數(shù)據(jù)樣本對應(yīng)的賬戶確定為洗錢賬戶之后，確定所述洗錢類別的聚類中心與所述n個數(shù)據(jù)樣本中每個數(shù)據(jù)樣本的歐氏距離并按確定的歐式距離遞增的順序?qū)λ鰊個數(shù)據(jù)樣本進(jìn)行排序，得到排序后的n個數(shù)據(jù)樣本；若確定所述n個數(shù)據(jù)樣本中存在目標(biāo)樣本，則將所述排序后的n個數(shù)據(jù)樣本中排在所述目標(biāo)樣本之前的所有樣本確定為重點洗錢樣本，并將所有重點洗錢樣本對應(yīng)的賬戶確定為重點洗錢賬戶，其中，所述排在所述目標(biāo)樣本之前的所有樣本均屬于所述洗錢類別，且所述目標(biāo)樣本對應(yīng)的賬戶不屬于任何洗錢類別?？蛇x地，所述洗錢賬戶確定單元還用于：將所述洗錢類別中除所有重點洗錢樣本之外的所有樣本，確定為一般洗錢樣本；將所有一般洗錢樣本對應(yīng)的賬戶確定為一般洗錢賬戶?？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=Σi=1cΣj=1nρjμij2dij2,]]>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，ρj為數(shù)據(jù)樣本xj的權(quán)重，dij為第i個聚類中心與數(shù)據(jù)樣本xj之間未加權(quán)的的歐氏距離?？蛇x地，所述數(shù)據(jù)樣本劃分單元，還用于根據(jù)下列公式確定所述c個聚類中心初始值：Dk*=max{Di(k),i=1,2,...,n},k=2,3,...,c,]]>Di(k)=Di(k-1)-rm1(xi,xk-1*)*Dk-1**e-||xi-xk-1*||m2,k=2,3,...,c,i=1,2,...,n,]]>D1*=max{Di(1),i=1,2,...,n},]]>其中，表示當(dāng)前n個數(shù)據(jù)樣本中每個數(shù)據(jù)樣本的樣本密度中的最大值，表示對應(yīng)的數(shù)據(jù)樣本且表示第k個聚類中心的初始值(k＝1，2,...,c)，用于對所述n個數(shù)據(jù)樣本的樣本密度進(jìn)行更新，表示數(shù)據(jù)樣本xi與數(shù)據(jù)樣本之間的皮爾遜相關(guān)系數(shù)，表示數(shù)據(jù)樣本xi與數(shù)據(jù)樣本之間的歐式距離，m1和m2為預(yù)設(shè)的系數(shù)?？蛇x地，所述裝置還包括數(shù)據(jù)樣本權(quán)重確定單元，用于根據(jù)下列公式確定一個數(shù)據(jù)樣本的權(quán)重：ρi=density(i)Σh=1ndensity(h),]]>density(i)=Σh=1,h≠inr2(i,h)1dihe-dih2,]]>dih=Σj=1mwj2(xij-xhj)2,]]>r(i,h)=Σj=1m(wjxij-x‾i)(wjxhj-x‾h)Σj=1m(wjxij-x‾i)2Σj=1m(wjxhj-x‾h)2,]]>x‾i=1mΣj=1mwjxij,]]>x‾h=1mΣj=1mwjxhj,]]>其中，ρi表示第i個數(shù)據(jù)樣本的權(quán)重，i＝1,2,...,n，density(i)表示第i個數(shù)據(jù)樣本的樣本密度，r(i,h)表示數(shù)據(jù)樣本xi與數(shù)據(jù)樣本xh之間的皮爾遜相關(guān)系數(shù)，wj表示所述n個數(shù)據(jù)樣本的第j個屬性的權(quán)重，xij表示數(shù)據(jù)樣本xi的第j個屬性值，m表示所述n個數(shù)據(jù)樣本中每個數(shù)據(jù)樣本包含的屬性數(shù)量，dih表示數(shù)據(jù)樣本xi與數(shù)據(jù)樣本xh之間加權(quán)的歐氏距離。可選地，所述數(shù)據(jù)樣本權(quán)重確定單元，還用于根據(jù)下列公式確定所述n個數(shù)據(jù)樣本的屬性權(quán)重：wj=HPjΣj′=1mHPj′,]]>HPj=CVj*HjCVj2+Hj2,]]>CVj=σjμj,]]>Hj=-Σk=1Kpjklog2(pjk),]]>μj=1KΣk=1KNjk=nK,]]>σj=1KΣk=1K(Njk-μj)2,]]>pjk=NjkΣk′=1KNjk′,]]>其中，wj表示所述n個數(shù)據(jù)樣本的第j個屬性的權(quán)重，CVj為屬性j的離散系數(shù)且用于表示屬性j偏離均勻分布的程度，Hj為屬性j的信息熵且用于表示屬性j的有序結(jié)構(gòu)情況，并且，K是根據(jù)下列方式得到的：以所述n個數(shù)據(jù)樣本在第j個屬性上的最小值為起點，以所述n個數(shù)據(jù)樣本在第j個屬性上的最大值為終點，等劃分成K組；Njk表示所述K組中第k組中的數(shù)據(jù)樣本的個數(shù)(k＝1,2,...,K)。本發(fā)明實施例，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)樣本的權(quán)重，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，其中，一個數(shù)據(jù)樣本的權(quán)重用于表示所述數(shù)據(jù)樣本對分類的影響程度，一個數(shù)據(jù)樣本的權(quán)重是根據(jù)所述n個數(shù)據(jù)樣本的m個屬性的權(quán)重得到的，所述平均信息熵是根據(jù)所述n個數(shù)據(jù)樣本的隸屬度得到的，所述隸屬度用于表示一個數(shù)據(jù)樣本對一個聚類的隸屬程度，m為正整數(shù)；針對所述c1類數(shù)據(jù)樣本中的任一類，確定距離所述類的聚類中心最近的數(shù)據(jù)樣本為目標(biāo)數(shù)據(jù)樣本；若確定所述目標(biāo)數(shù)據(jù)樣本對應(yīng)的賬戶符合預(yù)設(shè)的洗錢賬戶標(biāo)準(zhǔn)，則將所述類確定為洗錢類別并將所述洗錢類別中的所有數(shù)據(jù)樣本對應(yīng)的賬戶確定為洗錢賬戶。本發(fā)明實施例，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，然后根據(jù)每個數(shù)據(jù)樣本的權(quán)重，將所述n個數(shù)據(jù)樣本劃分為c1類數(shù)據(jù)樣本，其中，該分類方式是一個最佳分類，并且一個數(shù)據(jù)樣本的權(quán)重是根據(jù)所述n個數(shù)據(jù)樣本的m個屬性的權(quán)重得到的；以及針對所述c1類數(shù)據(jù)樣本中的任一類，確定距離所述類的聚類中心最近的數(shù)據(jù)樣本為目標(biāo)數(shù)據(jù)樣本；若確定所述目標(biāo)數(shù)據(jù)樣本對應(yīng)的賬戶符合預(yù)設(shè)的洗錢賬戶標(biāo)準(zhǔn)，則將所述類確定為洗錢類別并將所述洗錢類別中的所有數(shù)據(jù)樣本對應(yīng)的賬戶確定為洗錢賬戶。本發(fā)明實施例一方面，根據(jù)n個數(shù)據(jù)樣本的m個屬性的權(quán)重得到每個數(shù)據(jù)樣本的屬性，將數(shù)據(jù)樣本的屬性進(jìn)行了內(nèi)在地聯(lián)系，因而最終可以提高洗錢賬戶的識別準(zhǔn)確率；另一方面，在確定洗錢賬戶時，是將符合預(yù)設(shè)的洗錢賬戶標(biāo)準(zhǔn)一個洗錢類別中的所有賬戶確定為洗錢賬戶，從而可以確定出具有連續(xù)交易特性的洗錢賬戶。附圖說明為了更清楚地說明本發(fā)明實施例中的技術(shù)方案，下面將對實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)明實施例提供的一種洗錢賬戶的確定方法流程圖；圖2為本發(fā)明實施例提供的一種洗錢賬戶的確定方法詳細(xì)流程圖；圖3為本發(fā)明實施例提供的一種洗錢賬戶的確定裝置示意圖。具體實施方式為了使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚，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，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，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)明實施例作進(jìn)一步詳細(xì)描述。如圖1所示，本發(fā)明實施例提供的一種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)樣本的權(quán)重，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，其中，一個數(shù)據(jù)樣本的權(quán)重用于表示所述數(shù)據(jù)樣本對分類的影響程度，一個數(shù)據(jù)樣本的權(quán)重是根據(jù)所述n個數(shù)據(jù)樣本的m個屬性的權(quán)重得到的，所述平均信息熵是根據(jù)所述n個數(shù)據(jù)樣本的隸屬度得到的，所述隸屬度用于表示一個數(shù)據(jù)樣本對一個聚類的隸屬程度，m為正整數(shù)；步驟103、針對所述c1類數(shù)據(jù)樣本中的任一類，確定距離所述類的聚類中心最近的數(shù)據(jù)樣本為目標(biāo)數(shù)據(jù)樣本；若確定所述目標(biāo)數(shù)據(jù)樣本對應(yīng)的賬戶符合預(yù)設(shè)的洗錢賬戶標(biāo)準(zhǔn)，則將所述類確定為洗錢類別并將所述洗錢類別中的所有數(shù)據(jù)樣本對應(yīng)的賬戶確定為洗錢賬戶。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}。上述步驟102中，根據(jù)每個數(shù)據(jù)樣本的權(quán)重，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，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。在對上述步驟102進(jìn)行具體介紹之前，首先對本發(fā)明實施例中將要用到的一些參數(shù)進(jìn)行解釋說明。一、確定每個數(shù)據(jù)樣本的權(quán)重本發(fā)明實施例中，一個數(shù)據(jù)樣本的權(quán)重是根據(jù)n個數(shù)據(jù)樣本的m個屬性的權(quán)重得到的，具體地確定方式有很多種，例如將n個數(shù)據(jù)樣本在第j個屬性的屬性值之和與所述n個數(shù)據(jù)樣本在所有屬性的屬性值之和的比值，作為第j個屬性的權(quán)重，然后繼續(xù)對每個屬性進(jìn)行加權(quán)，從而得到一個數(shù)據(jù)樣本的權(quán)重。下面將介紹另外一種更為復(fù)雜和全面的確定一個數(shù)據(jù)樣本的權(quán)重的方式，該方法可以突出數(shù)據(jù)樣本中的重要屬性對聚類過程的作用，并采用基于皮爾遜相關(guān)系數(shù)的密度函數(shù)為數(shù)據(jù)樣本加權(quán)，解決模糊C均值聚類算法對數(shù)據(jù)樣本進(jìn)行等劃分的問題。1、確定所述n個數(shù)據(jù)樣本中的m個屬性權(quán)重對于給定的數(shù)據(jù)集合X＝{x1,x2,…,xn}，它的第i個數(shù)據(jù)樣本為xi＝(xi1,xi2,…,xij,…,xim)，其中xij是樣本點xi的第j個屬性(也就是第j維度)，m表示所述n個數(shù)據(jù)樣本中每個數(shù)據(jù)樣本包含的屬性數(shù)量(即數(shù)據(jù)樣本的維數(shù)，并且n個數(shù)據(jù)樣本的屬性維度相同，均為m)。為了得到全體數(shù)據(jù)樣本在第j個屬性上的分布情況，我們將所述n個數(shù)據(jù)樣本在第j個屬性上的最小值為起點，以所述n個數(shù)據(jù)樣本在第j個屬性上的最大值為終點，等劃分成K組，每組長度為然后統(tǒng)計出所述K組中第k組中的數(shù)據(jù)樣本的個數(shù)，用Njk表示，顯然，通過上述劃分我們得到一組數(shù)據(jù)：Nj1,Nj2,…,Njk,…,NjK。以此為基礎(chǔ)，我們可以求出第j個屬性的離散系數(shù)CVj和信息熵Hj：其中，這里，CVj為屬性j的離散系數(shù)且用于表示屬性j偏離均勻分布的程度，CVj取值越大說明屬性j越集中于某些區(qū)域，然而當(dāng)它取值太大時，很可能是屬性j過度集中于一兩個區(qū)域，如果聚類數(shù)目c>2，則它不利于區(qū)分不同類別。Hj為屬性j的信息熵且用于表示屬性j的有序結(jié)構(gòu)情況，Hj越小則越有序，代表此時形成了一個聚集中心，然而當(dāng)它取值過小時，很可能是屬性j過度集中于某個區(qū)域。由以上分析可知，當(dāng)CVj和Hj都取適當(dāng)值時最有利于聚類過程，因此綜合兩者的作用，得到“波動-有序變量”，由它衡量屬性j對聚類過程的貢獻(xiàn)。對它進(jìn)行歸一化，可以求出第j個屬性的權(quán)重值：其中，wj表示所述n個數(shù)據(jù)樣本的第j個屬性的權(quán)重。2、確定所述n個數(shù)據(jù)樣本中每個數(shù)據(jù)樣本的樣本密度為了求出基于皮爾遜相關(guān)系數(shù)的樣本密度，首先需要求出任意兩個樣本點之間的皮爾遜相關(guān)系數(shù)。對于任意兩個樣本點xi＝(xi1,xi2,…,xij,…,xim)、xh＝(xh1,xh2,…,xhj,…,xhm)，它們之間的皮爾遜相關(guān)系數(shù)為：其中，r(i,h)表示數(shù)據(jù)樣本xi與數(shù)據(jù)樣本xh之間的皮爾遜相關(guān)系數(shù)。x‾i=1mΣj=1mwjxij,x‾h=1mΣj=1mwjxhj.]]>在本發(fā)明實施例中，取密度函數(shù)為(當(dāng)然，根據(jù)實際需要也可以去其他密度函數(shù))，則數(shù)據(jù)樣本xi的樣本密度定義為：其中，density(i)表示第i個數(shù)據(jù)樣本的樣本密度，是加權(quán)后兩個數(shù)據(jù)樣本之間的歐氏距離。由于同一個聚類中的兩個數(shù)據(jù)樣本的皮爾遜相關(guān)系數(shù)一般較大，而不同類別的兩個數(shù)據(jù)樣本的皮爾遜相關(guān)系數(shù)一般比較小，因此上面的樣本密度公式中包含有r(i,h)，就是為了突出數(shù)據(jù)樣本在同類中的密度大小，減弱其它類對它的干擾。對樣本密度進(jìn)行歸一化，就得到了每個數(shù)據(jù)樣本的權(quán)重：其中，ρi表示第i個數(shù)據(jù)樣本的權(quán)重，i＝1,2,...,n因而，一個數(shù)據(jù)樣本的權(quán)重用于表示所述數(shù)據(jù)樣本對分類的影響程度，一個數(shù)據(jù)樣本的權(quán)重是根據(jù)所述n個數(shù)據(jù)樣本的m個屬性的權(quán)重得到的。二、確定一個聚類對應(yīng)的平均信息熵定義類的平均信息熵，這里引入平均信息熵，是為了幫助我們確定數(shù)據(jù)集的最終聚類數(shù)目，定義平均信息熵為：需要說明的是，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，則它信息熵越小，因此我們可以根據(jù)這個來確定聚類數(shù)目c的最終取值。其中，μij表示在C模糊均值聚類算法中數(shù)據(jù)樣本xj對第i個聚類的隸屬度，因而本發(fā)明實施例中的平均信息熵是根據(jù)n個數(shù)據(jù)樣本的隸屬度得到的，所述隸屬度用于表示一個數(shù)據(jù)樣本對一個聚類的隸屬程度。三、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，ρj為數(shù)據(jù)樣本xj的權(quán)重，dij為第i個聚類中心與數(shù)據(jù)樣本xj之間未加權(quán)的的歐氏距離。其中，vi為聚類中心更新公式，μij為隸屬度矩陣更新公式。在傳統(tǒng)的模糊C均值聚類算法中，將目標(biāo)函數(shù)定義為其中不包含樣本權(quán)重ρj，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)中增加了樣本權(quán)重ρj，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)中增加了樣本權(quán)重ρj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)果也更加真實和準(zhǔn)確。在有了以上關(guān)于數(shù)據(jù)樣本的權(quán)重、聚類對應(yīng)的平均信息熵、模糊C均值聚類算法對應(yīng)的目標(biāo)函數(shù)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?？蛇x地，所述根據(jù)每個數(shù)據(jù)樣本的權(quán)重，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)樣本的權(quán)重及模糊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個聚類中心的隸屬度；并根據(jù)確定的所有隸屬度，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)樣本的權(quán)重及模糊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：確定c個聚類中心初始值；根據(jù)所述c個聚類中心的初始值，確定所述n個數(shù)據(jù)樣本對應(yīng)的隸屬度矩陣，以及根據(jù)確定的所述n個數(shù)據(jù)樣本對應(yīng)的隸屬度矩陣，確定所述n個數(shù)據(jù)樣本對應(yīng)的目標(biāo)函數(shù)值；根據(jù)所述隸屬度矩陣，更新所述c類數(shù)據(jù)樣本中每個類的聚類中心；根據(jù)更新后的所述c類數(shù)據(jù)樣本中每個類的聚類中心，更新所述隸屬度矩陣；根據(jù)更新后的所述隸屬度矩陣及更新后的所述c類數(shù)據(jù)樣本中每個類的聚類中心，更新所述n個數(shù)據(jù)樣本對應(yīng)的目標(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，則根據(jù)更新后的所述隸屬度矩陣，將所述n個數(shù)據(jù)樣本劃分為c類數(shù)據(jù)樣本；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，則返回到根據(jù)所述隸屬度矩陣，更新所述c類數(shù)據(jù)樣本中每個類的聚類中心的步驟。下面對上述分類方法做詳細(xì)解釋和說明。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、求出m個屬性權(quán)重值wj(j＝1,2,...,m)、樣本密度density(i)、數(shù)據(jù)樣本的權(quán)重ρi,1≤i≤n；具體地，可以通過上述公式(7)、公式(9)、公式(10)來計算。步驟B、求出聚類中心的初始值對于c個聚類中每個聚類中心的初始值的設(shè)置方法，有很多種方法，例如可以是依次從n個數(shù)據(jù)樣本中挑出權(quán)重最大的c個數(shù)據(jù)樣本作為c個聚類中每個聚類中心的初始值；或者是從n個數(shù)據(jù)數(shù)據(jù)樣本中隨機(jī)選擇c個數(shù)據(jù)樣本作為c個聚類中每個聚類中心的初始值，本發(fā)明實施例不做具體限定。下面給出一種本發(fā)明實施例提供的確定c個聚類中每個聚類中心的初始值的方法?？蛇x地，根據(jù)下列公式確定所述c個聚類中心初始值：其中，表示當(dāng)前n個數(shù)據(jù)樣本中每個數(shù)據(jù)樣本的樣本密度中的最大值，表示對應(yīng)的數(shù)據(jù)樣本且表示第k個聚類中心的初始值(k＝1，2,...,c)，用于對所述n個數(shù)據(jù)樣本的樣本密度進(jìn)行更新，表示數(shù)據(jù)樣本xi與數(shù)據(jù)樣本之間的皮爾遜相關(guān)系數(shù)，表示數(shù)據(jù)樣本xi與數(shù)據(jù)樣本之間的歐式距離，m1和m2為預(yù)設(shè)的系數(shù)。其中，對于m1和m2的取值，可根據(jù)實際需要而定，例如可以將m1取值為2，以及將m2取值為2。舉例來說，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。且假設(shè)當(dāng)前c值等于3，則可以根據(jù)下列過程得到3個聚類的聚類中心初始值：第一步、計算每個數(shù)據(jù)樣本對應(yīng)的樣本密度，假設(shè)分別為8.5，6.3，7.7，9.9，12.5，2.6；第二步、根據(jù)公式(17)得到第一個聚類中心的初始值數(shù)據(jù)樣本N5；因為數(shù)據(jù)樣本N5對應(yīng)的樣本密度最大，所以數(shù)據(jù)樣本N5為第一個聚類中心的初始值。第三步、根據(jù)(公式16)更新每個數(shù)據(jù)樣本的樣本密度。假設(shè)更新后的6個數(shù)據(jù)樣本的樣本密度分別為：7.6，5.9，7.2，6.7，6.5，1.6；第四步、根據(jù)公式(15)得到第二個聚類中心的初始值數(shù)據(jù)樣本N1；第五步、根據(jù)(公式16)更新每個數(shù)據(jù)樣本的樣本密度。假設(shè)更新后的6個數(shù)據(jù)樣本的樣本密度分別為：5，5.2，6，5.9，5.8，1；第四步、根據(jù)公式(15)得到第二個聚類中心的初始值數(shù)據(jù)樣本N3。從而，根據(jù)以上步驟，即可得到3個聚類的初始聚類中心。由于上述方法來(公式16)中增加了相關(guān)系數(shù)這樣做是為了最大限度削弱與同屬一類的數(shù)據(jù)樣本對后續(xù)選取初始聚類中心的干擾，同時盡可能保持其它類別的密度值不受影響。步驟C、根據(jù)(公式14)計算μij，由(公式12)求出目標(biāo)函數(shù)的初始值J0；步驟D、根據(jù)(公式13)計算vi；步驟E、根據(jù)(公式14)計算μij；步驟F、根據(jù)(公式12)計算目標(biāo)函數(shù)J，如果跟上次計算得到的目標(biāo)函值相比，它們的更新變化量(更新變化量指的是此次計算得到的目標(biāo)函數(shù)值與上次計算得到的目標(biāo)函數(shù)值的差值)小于變化量閾值ε，則根據(jù)當(dāng)前得到的隸屬度矩陣，確定數(shù)據(jù)樣本的分類方式，并且根據(jù)(公式11)計算該分類方式對應(yīng)的平均信息熵；同時計算出此時的平均信息熵H(c)；否則返回步驟D；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。舉例來說，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，當(dāng)前隸屬度矩陣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。從而根據(jù)上述步驟A～步驟F，對于任意一個c值，都可以計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洗錢賬戶。上述步驟103中，針對所述c1類數(shù)據(jù)樣本中的任一類，確定距離所述類的聚類中心最近的數(shù)據(jù)樣本為目標(biāo)數(shù)據(jù)樣本；若確定所述目標(biāo)數(shù)據(jù)樣本對應(yīng)的賬戶符合預(yù)設(shè)的洗錢賬戶標(biāo)準(zhǔn)，則將所述類確定為洗錢類別并將所述洗錢類別中的所有數(shù)據(jù)樣本對應(yīng)的賬戶確定為洗錢賬戶。因為洗錢行為有別于正常的賬戶交易行為，所以洗錢賬戶對應(yīng)的數(shù)據(jù)樣本跟正常賬戶對應(yīng)的數(shù)據(jù)樣本會聚集到不同的類別當(dāng)中。同時，對于任何一個類i，它的類中心vi是該類所含數(shù)據(jù)點的最典型代表，因此我們只需抓取距離類中心vi最近的那個數(shù)據(jù)點，找到這個數(shù)據(jù)點對應(yīng)的賬戶，再根據(jù)《金融機(jī)構(gòu)大額交易和可疑交易報告管理辦法》來判斷該賬戶是否同時滿足大額交易和可疑交易的標(biāo)準(zhǔn)，如果滿足，則類i就是洗錢賬戶的數(shù)據(jù)樣本集合，從而類i中任意一個數(shù)據(jù)樣本對應(yīng)的賬戶就是洗錢賬戶。具體過程如下：1)根據(jù)《金融機(jī)構(gòu)大額交易和可疑交易報告管理辦法》(即預(yù)設(shè)的洗錢賬戶標(biāo)準(zhǔn))確定洗錢的類別。通過之前的聚類結(jié)果，我們可以得到c1個聚類中心：因為聚類中心是通過算法計算出來的，它們沒有對應(yīng)的真實賬戶，所以我們首先要找到距離聚類中心最近的那個數(shù)據(jù)樣板及其對應(yīng)的賬戶，假設(shè)距離vi最近的點為x1，x1對應(yīng)的賬戶為Z1、距離v2最近的點為x2，x2對應(yīng)的賬戶為Z2，……，距離最近的點為對應(yīng)的賬戶為然后再根據(jù)《金融機(jī)構(gòu)大額交易和可疑交易報告管理辦法》判斷哪些賬戶同時滿足大額交易和可疑交易標(biāo)準(zhǔn)，假設(shè)最終Z1,Z2,…,Zk滿足大額交易和可疑交易標(biāo)準(zhǔn)，那么對應(yīng)的類1，類2，類k就是洗錢類別。2)找到洗錢賬戶。根據(jù)上述結(jié)果，我們已經(jīng)知道類1，類2，……，類k就是洗錢類別，現(xiàn)在對類1，類2，……，類k中的任何一個數(shù)據(jù)樣板，我們找到它們對應(yīng)的賬戶，那么這些賬戶就是洗錢賬戶。通過上述過程，我們已經(jīng)找到了所有洗錢賬戶。由于《金融機(jī)構(gòu)大額交易和可疑交易報告管理辦法》把洗錢賬戶劃分為一般洗錢賬戶及重點洗錢賬戶，因此我們根據(jù)以下步驟來進(jìn)一步劃分一般及重點洗錢賬戶：可選地，所述將所述類確定為洗錢類別并將所述洗錢類別中的所有數(shù)據(jù)樣本對應(yīng)的賬戶確定為洗錢賬戶之后，還包括：確定所述洗錢類別的聚類中心與所述n個數(shù)據(jù)樣本中每個數(shù)據(jù)樣本的歐氏距離并按確定的歐式距離遞增的順序?qū)λ鰊個數(shù)據(jù)樣本進(jìn)行排序，得到排序后的n個數(shù)據(jù)樣本；若確定所述n個數(shù)據(jù)樣本中存在目標(biāo)樣本，則將所述排序后的n個數(shù)據(jù)樣本中排在所述目標(biāo)樣本之前的所有樣本確定為重點洗錢樣本，并將所有重點洗錢樣本對應(yīng)的賬戶確定為重點洗錢賬戶，其中，所述排在所述目標(biāo)樣本之前的所有樣本均屬于所述洗錢類別，且所述目標(biāo)樣本對應(yīng)的賬戶不屬于任何洗錢類別?？蛇x地，所述將所述排序后的n個數(shù)據(jù)樣本中排在所述目標(biāo)樣本之前的所有樣本確定為重點洗錢樣本，并將所有重點洗錢樣本對應(yīng)的賬戶確定為重點洗錢賬戶之后，還包括：將所述洗錢類別中除所有重點洗錢樣本之外的所有樣本，確定為一般洗錢樣本；將所有一般洗錢樣本對應(yīng)的賬戶確定為一般洗錢賬戶。下面詳細(xì)說明上述確定一般洗錢賬戶和重點洗錢賬戶的方法。1)對于任何一個洗錢類別j(其中j＝1,2,…,k)，求出類中心vj與數(shù)據(jù)集X＝{x1,x2,…,xn}中任意一點xh之間的歐氏距離d(vj,xh)，h＝1,2,…,n，然后對它們進(jìn)行從小到大排列，找到如下一個臨界點(即目標(biāo)樣本)，它滿足兩個條件：A)必須是不屬于任何洗錢類別的數(shù)據(jù)樣本，換言之它是屬于正常交易類別的數(shù)據(jù)樣板；B)所有滿足的點xh，都必須屬于洗錢類別j；則所有滿足的點xh，它們對應(yīng)的賬戶就是重點洗錢賬戶。2)將洗錢類別j中除所有重點洗錢樣本之外的所有樣本，確定為一般洗錢樣本；將所有一般洗錢樣本對應(yīng)的賬戶確定為一般洗錢賬戶。這里說明一下為何這樣劃分，因為類與類之間在屬性空間上有可能存在交叉現(xiàn)象，只有那些距離洗錢類別的中心點最近的那些數(shù)據(jù)樣本才是重點疑的，而那些處于與正常交易類別相交叉的區(qū)域中的點，是一般可疑的。通過以上所有步驟，我們不但找到了洗錢賬戶，還對洗錢賬戶進(jìn)行了劃分，得到了重點洗錢賬戶及一般可疑洗錢賬戶。本發(fā)明實施例，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，然后根據(jù)每個數(shù)據(jù)樣本的權(quán)重，將所述n個數(shù)據(jù)樣本劃分為c1類數(shù)據(jù)樣本，其中，該分類方式是一個最佳分類，并且一個數(shù)據(jù)樣本的權(quán)重是根據(jù)所述n個數(shù)據(jù)樣本的m個屬性的權(quán)重得到的；以及針對所述c1類數(shù)據(jù)樣本中的任一類，確定距離所述類的聚類中心最近的數(shù)據(jù)樣本為目標(biāo)數(shù)據(jù)樣本；若確定所述目標(biāo)數(shù)據(jù)樣本對應(yīng)的賬戶符合預(yù)設(shè)的洗錢賬戶標(biāo)準(zhǔn)，則將所述類確定為洗錢類別并將所述洗錢類別中的所有數(shù)據(jù)樣本對應(yīng)的賬戶確定為洗錢賬戶。本發(fā)明實施例一方面，根據(jù)n個數(shù)據(jù)樣本的m個屬性的權(quán)重得到每個數(shù)據(jù)樣本的屬性，將數(shù)據(jù)樣本的屬性進(jìn)行了內(nèi)在地聯(lián)系，因而最終可以提高洗錢賬戶的識別準(zhǔn)確率；另一方面，在確定洗錢賬戶時，是將符合預(yù)設(shè)的洗錢賬戶標(biāo)準(zhǔn)一個洗錢類別中的所有賬戶確定為洗錢賬戶，從而可以確定出具有連續(xù)交易特性的洗錢賬戶。下面對本發(fā)明實施例提供的一種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)樣本的權(quán)重及模糊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個聚類中心的隸屬度；并根據(jù)確定的所有隸屬度，確定所述c類數(shù)據(jù)樣本對應(yīng)的平均信息熵；在該步驟中，所述根據(jù)每個數(shù)據(jù)樣本的權(quán)重及模糊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A、確定c個聚類中心初始值；步驟B、根據(jù)所述c個聚類中心的初始值，確定所述n個數(shù)據(jù)樣本對應(yīng)的隸屬度矩陣，以及根據(jù)確定的所述n個數(shù)據(jù)樣本對應(yīng)的隸屬度矩陣，確定所述n個數(shù)據(jù)樣本對應(yīng)的目標(biāo)函數(shù)值；步驟C、根據(jù)所述隸屬度矩陣，更新所述c類數(shù)據(jù)樣本中每個類的聚類中心；步驟D、根據(jù)更新后的所述c類數(shù)據(jù)樣本中每個類的聚類中心，更新所述隸屬度矩陣；步驟E、根據(jù)更新后的所述隸屬度矩陣及更新后的所述c類數(shù)據(jù)樣本中每個類的聚類中心，更新所述n個數(shù)據(jù)樣本對應(yīng)的目標(biāo)函數(shù)值；步驟F、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，則轉(zhuǎn)到步驟G，若否，則轉(zhuǎn)到步驟C；步驟G、根據(jù)更新后的所述隸屬度矩陣，將所述n個數(shù)據(jù)樣本劃分為c類數(shù)據(jù)樣本。步驟203、將對應(yīng)的平均信息熵最小的c類數(shù)據(jù)樣本作為所述c1類數(shù)據(jù)樣本；步驟204、針對所述c1類數(shù)據(jù)樣本中的任一類，確定距離所述類的聚類中心最近的數(shù)據(jù)樣本為目標(biāo)數(shù)據(jù)樣本；若確定所述目標(biāo)數(shù)據(jù)樣本對應(yīng)的賬戶符合預(yù)設(shè)的洗錢賬戶標(biāo)準(zhǔn)，則將所述類確定為洗錢類別并將所述洗錢類別中的所有數(shù)據(jù)樣本對應(yīng)的賬戶確定為洗錢賬戶；步驟205、確定所述洗錢類別的聚類中心與所述n個數(shù)據(jù)樣本中每個數(shù)據(jù)樣本的歐氏距離并按確定的歐式距離遞增的順序?qū)λ鰊個數(shù)據(jù)樣本進(jìn)行排序，得到排序后的n個數(shù)據(jù)樣本；步驟206、若確定所述n個數(shù)據(jù)樣本中存在目標(biāo)樣本，則將所述排序后的n個數(shù)據(jù)樣本中排在所述目標(biāo)樣本之前的所有樣本確定為重點洗錢樣本，并將所有重點洗錢樣本對應(yīng)的賬戶確定為重點洗錢賬戶，其中，所述排在所述目標(biāo)樣本之前的所有樣本均屬于所述洗錢類別，且所述目標(biāo)樣本對應(yīng)的賬戶不屬于任何洗錢類別；步驟207、將所述洗錢類別中除所有重點洗錢樣本之外的所有樣本，確定為一般洗錢樣本；將所有一般洗錢樣本對應(yīng)的賬戶確定為一般洗錢賬戶。本發(fā)明實施例，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，然后根據(jù)每個數(shù)據(jù)樣本的權(quán)重，將所述n個數(shù)據(jù)樣本劃分為c1類數(shù)據(jù)樣本，其中，該分類方式是一個最佳分類，并且一個數(shù)據(jù)樣本的權(quán)重是根據(jù)所述n個數(shù)據(jù)樣本的m個屬性的權(quán)重得到的；以及針對所述c1類數(shù)據(jù)樣本中的任一類，確定距離所述類的聚類中心最近的數(shù)據(jù)樣本為目標(biāo)數(shù)據(jù)樣本；若確定所述目標(biāo)數(shù)據(jù)樣本對應(yīng)的賬戶符合預(yù)設(shè)的洗錢賬戶標(biāo)準(zhǔn)，則將所述類確定為洗錢類別并將所述洗錢類別中的所有數(shù)據(jù)樣本對應(yīng)的賬戶確定為洗錢賬戶。本發(fā)明實施例一方面，根據(jù)n個數(shù)據(jù)樣本的m個屬性的權(quán)重得到每個數(shù)據(jù)樣本的屬性，將數(shù)據(jù)樣本的屬性進(jìn)行了內(nèi)在地聯(lián)系，因而最終可以提高洗錢賬戶的識別準(zhǔn)確率；另一方面，在確定洗錢賬戶時，是將符合預(yù)設(shè)的洗錢賬戶標(biāo)準(zhǔn)一個洗錢類別中的所有賬戶確定為洗錢賬戶，從而可以確定出具有連續(xù)交易特性的洗錢賬戶?；谙嗤募夹g(shù)構(gòu)思，本發(fā)明實施例還提供一種洗錢賬戶的確定裝置，如圖3所示，包括：數(shù)據(jù)樣本獲取單元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)；數(shù)據(jù)樣本劃分單元302，用于根據(jù)每個數(shù)據(jù)樣本的權(quán)重，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，其中，一個數(shù)據(jù)樣本的權(quán)重用于表示所述數(shù)據(jù)樣本對分類的影響程度，一個數(shù)據(jù)樣本的權(quán)重是根據(jù)所述n個數(shù)據(jù)樣本的m個屬性的權(quán)重得到的，所述平均信息熵是根據(jù)所述n個數(shù)據(jù)樣本的隸屬度得到的，所述隸屬度用于表示一個數(shù)據(jù)樣本對一個聚類的隸屬程度，m為正整數(shù)；洗錢賬戶確定單元303，用于針對所述c1類數(shù)據(jù)樣本中的任一類，確定距離所述類的聚類中心最近的數(shù)據(jù)樣本為目標(biāo)數(shù)據(jù)樣本；若確定所述目標(biāo)數(shù)據(jù)樣本對應(yīng)的賬戶符合預(yù)設(shè)的洗錢賬戶標(biāo)準(zhǔn)，則將所述類確定為洗錢類別并將所述洗錢類別中的所有數(shù)據(jù)樣本對應(yīng)的賬戶確定為洗錢賬戶?？蛇x地，所述數(shù)據(jù)樣本劃分單元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)樣本的權(quán)重及模糊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個聚類中心的隸屬度；并根據(jù)確定的所有隸屬度，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，所述數(shù)據(jù)樣本劃分單元302，具體用于：確定c個聚類中心初始值；根據(jù)所述c個聚類中心的初始值，確定所述n個數(shù)據(jù)樣本對應(yīng)的隸屬度矩陣，以及根據(jù)確定的所述n個數(shù)據(jù)樣本對應(yīng)的隸屬度矩陣，確定所述n個數(shù)據(jù)樣本對應(yīng)的目標(biāo)函數(shù)值；根據(jù)所述隸屬度矩陣，更新所述c類數(shù)據(jù)樣本中每個類的聚類中心；根據(jù)更新后的所述c類數(shù)據(jù)樣本中每個類的聚類中心，更新所述隸屬度矩陣；根據(jù)更新后的所述隸屬度矩陣及更新后的所述c類數(shù)據(jù)樣本中每個類的聚類中心，更新所述n個數(shù)據(jù)樣本對應(yīng)的目標(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，則根據(jù)更新后的所述隸屬度矩陣，將所述n個數(shù)據(jù)樣本劃分為c類數(shù)據(jù)樣本；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，則返回到根據(jù)所述隸屬度矩陣，更新所述c類數(shù)據(jù)樣本中每個類的聚類中心的步驟?？蛇x地，所述洗錢賬戶確定單元303還用于：將所述類確定為洗錢類別并將所述洗錢類別中的所有數(shù)據(jù)樣本對應(yīng)的賬戶確定為洗錢賬戶之后，確定所述洗錢類別的聚類中心與所述n個數(shù)據(jù)樣本中每個數(shù)據(jù)樣本的歐氏距離并按確定的歐式距離遞增的順序?qū)λ鰊個數(shù)據(jù)樣本進(jìn)行排序，得到排序后的n個數(shù)據(jù)樣本；若確定所述n個數(shù)據(jù)樣本中存在目標(biāo)樣本，則將所述排序后的n個數(shù)據(jù)樣本中排在所述目標(biāo)樣本之前的所有樣本確定為重點洗錢樣本，并將所有重點洗錢樣本對應(yīng)的賬戶確定為重點洗錢賬戶，其中，所述排在所述目標(biāo)樣本之前的所有樣本均屬于所述洗錢類別，且所述目標(biāo)樣本對應(yīng)的賬戶不屬于任何洗錢類別。可選地，所述洗錢賬戶確定單元303還用于：將所述洗錢類別中除所有重點洗錢樣本之外的所有樣本，確定為一般洗錢樣本；將所有一般洗錢樣本對應(yīng)的賬戶確定為一般洗錢賬戶?？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=Σi=1cΣj=1nρjμij2dij2,]]>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，ρj為數(shù)據(jù)樣本xj的權(quán)重，dij為第i個聚類中心與數(shù)據(jù)樣本xj之間未加權(quán)的的歐氏距離?？蛇x地，所述數(shù)據(jù)樣本劃分單元302，還用于根據(jù)下列公式確定所述c個聚類中心初始值：Dk*=max{Di(k),i=1,2,...,n},k=2,3,...,c,]]>Di(k)=Di(k-1)-rm1(xi,xk-1*)*Dk-1**e-||xi-xk-1*||m2,k=2,3,...,c,i=1,2,...,n,]]>D1*=max{Di(1),i=1,2,...,n},]]>其中，表示當(dāng)前n個數(shù)據(jù)樣本中每個數(shù)據(jù)樣本的樣本密度中的最大值，表示對應(yīng)的數(shù)據(jù)樣本且表示第k個聚類中心的初始值(k＝1，2,...,c)，用于對所述n個數(shù)據(jù)樣本的樣本密度進(jìn)行更新，表示數(shù)據(jù)樣本xi與數(shù)據(jù)樣本之間的皮爾遜相關(guān)系數(shù)，表示數(shù)據(jù)樣本xi與數(shù)據(jù)樣本之間的歐式距離，m1和m2為預(yù)設(shè)的系數(shù)?？蛇x地，所述裝置還包括數(shù)據(jù)樣本權(quán)重確定單元304，用于根據(jù)下列公式確定一個數(shù)據(jù)樣本的權(quán)重：ρi=density(i)Σh=1ndensity(h),]]>density(i)=Σh=1,h≠inr2(i,h)1dihe-dih2,]]>dih=Σj=1mwj2(xij-xhj)2,]]>r(i,h)=Σj=1m(wjxij-x‾i)(wjxhj-x‾h)Σj=1m(wjxij-x‾i)2Σj=1m(wjxhj-x‾h)2,]]>x‾i=1mΣj=1mwjxij,]]>x‾h=1mΣj=1mwjxhj,]]>其中，ρi表示第i個數(shù)據(jù)樣本的權(quán)重，i＝1,2,...,n，density(i)表示第i個數(shù)據(jù)樣本的樣本密度，r(i,h)表示數(shù)據(jù)樣本xi與數(shù)據(jù)樣本xh之間的皮爾遜相關(guān)系數(shù)，wj表示所述n個數(shù)據(jù)樣本的第j個屬性的權(quán)重，xij表示數(shù)據(jù)樣本xi的第j個屬性值，m表示所述n個數(shù)據(jù)樣本中每個數(shù)據(jù)樣本包含的屬性數(shù)量，dih表示數(shù)據(jù)樣本xi與數(shù)據(jù)樣本xh之間加權(quán)的歐氏距離?？蛇x地，所述數(shù)據(jù)樣本權(quán)重確定單元304，還用于根據(jù)下列公式確定所述n個數(shù)據(jù)樣本的屬性權(quán)重：wj=HPjΣj′=1mHPj′,]]>HPj=CVj*HjCVj2+Hj2,]]>CVj=σjμj,]]>Hj=-Σk=1Kpjklog2(pjk),]]>μj=1KΣk=1KNjk=nK,]]>σj=1KΣk=1K(Njk-μj)2,]]>pjk=NjkΣk′=1KNjk′,]]>其中，wj表示所述n個數(shù)據(jù)樣本的第j個屬性的權(quán)重，CVj為屬性j的離散系數(shù)且用于表示屬性j偏離均勻分布的程度，Hj為屬性j的信息熵且用于表示屬性j的有序結(jié)構(gòu)情況，并且，K是根據(jù)下列方式得到的：以所述n個數(shù)據(jù)樣本在第j個屬性上的最小值為起點，以所述n個數(shù)據(jù)樣本在第j個屬性上的最大值為終點，等劃分成K組；Njk表示所述K組中第k組中的數(shù)據(jù)樣本的個數(shù)(k＝1,2,...,K)。本發(fā)明實施例，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，然后根據(jù)每個數(shù)據(jù)樣本的權(quán)重，將所述n個數(shù)據(jù)樣本劃分為c1類數(shù)據(jù)樣本，其中，該分類方式是一個最佳分類，并且一個數(shù)據(jù)樣本的權(quán)重是根據(jù)所述n個數(shù)據(jù)樣本的m個屬性的權(quán)重得到的；以及針對所述c1類數(shù)據(jù)樣本中的任一類，確定距離所述類的聚類中心最近的數(shù)據(jù)樣本為目標(biāo)數(shù)據(jù)樣本；若確定所述目標(biāo)數(shù)據(jù)樣本對應(yīng)的賬戶符合預(yù)設(shè)的洗錢賬戶標(biāo)準(zhǔn)，則將所述類確定為洗錢類別并將所述洗錢類別中的所有數(shù)據(jù)樣本對應(yīng)的賬戶確定為洗錢賬戶。本發(fā)明實施例一方面，根據(jù)n個數(shù)據(jù)樣本的m個屬性的權(quán)重得到每個數(shù)據(jù)樣本的屬性，將數(shù)據(jù)樣本的屬性進(jìn)行了內(nèi)在地聯(lián)系，因而最終可以提高洗錢賬戶的識別準(zhǔn)確率；另一方面，在確定洗錢賬戶時，是將符合預(yù)設(shè)的洗錢賬戶標(biāo)準(zhǔn)一個洗錢類別中的所有賬戶確定為洗錢賬戶，從而可以確定出具有連續(xù)交易特性的洗錢賬戶。本發(fā)明是參照根據(jù)本發(fā)明實施例的方法、設(shè)備(系統(tǒng))、和計算機(jī)程序產(chǎn)品的流程圖和/或方框圖來描述的。應(yīng)理解可由計算機(jī)程序指令實現(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┻@些計算機(jī)程序指令到通用計算機(jī)、專用計算機(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。這些計算機(jī)程序指令也可存儲在能引導(dǎo)計算機(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算機(jī)可讀存儲器中，使得存儲在該計算機(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。這些計算機(jī)程序指令也可裝載到計算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備上，使得在計算機(jī)或其他可編程設(shè)備上執(zhí)行一系列操作步驟以產(chǎn)生計算機(jī)實現(xiàn)的處理，從而在計算機(jī)或其他可編程設(shè)備上執(zhí)行的指令提供用于實現(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