买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉深圳对对科技有限公司申请的专利一种游戏用户异常交易行为识别方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120146856B 。

龙图腾网通过国家知识产权局官网在2025-10-14发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510632000.1，技术领域涉及：G06Q20/40；该发明授权一种游戏用户异常交易行为识别方法及系统是由杨瑞设计研发完成，并于2025-05-16向国家知识产权局提交的专利申请。

本一种游戏用户异常交易行为识别方法及系统在说明书摘要公布了：本发明涉及游戏交易管理技术领域，提出了一种游戏用户异常交易行为识别方法及系统，包括以下步骤：S1、获取用户的交易、游戏内的行为、社交关系数据以及设备环境的多模态数据，并基于用户历史数据构建个性化行为基线，生成用户正常行为序列；S2、将用户视为图节点，交易、行为、社交以及设备关联作为边，构建动态交易关系图，根据边权重计算结果，对更新后的交易关系图进行分析。通过利用动态交易构建模块构建动态交易模型，结合强化学习策略模块，依据游戏环境实时反馈动态调整检测策略和模型参数，可有效应对游戏内经济系统调整、新交易模式出现等变化，持续保持对异常交易行为的高效识别能力，克服传统静态模型适应性差的弊端。

本发明授权一种游戏用户异常交易行为识别方法及系统在权利要求书中公布了：1.一种游戏用户异常交易行为识别方法，其特征在于，包括以下步骤： S1、获取用户的交易、游戏内的行为、社交关系数据以及设备环境的多模态数据，并基于用户历史数据构建个性化行为基线，生成用户正常行为序列； S2、将用户视为图节点，交易、行为、社交以及设备关联作为边，构建动态交易关系图，根据边权重计算结果，对更新后的交易关系图进行分析； S3、利用无标注游戏日志数据进行自监督训练，采用对比学习方法构建损失函数，并根据游戏内物品掉落机制、货币膨胀率以及交易税规则，计算虚拟经济平衡指标； S4、通过流处理框架对实时交易数据进行毫秒级处理，计算综合风险得分，并根据风险得分划分风险等级； 所述步骤S4中，对交易数据进行处理和划分风险等级包括以下步骤： S41、通过流处理框架实时介入游戏交易记录，包括每笔交易的时间戳、交易双方ID、交易金、交易物品信息，生成实时特征向量； S42、利用边缘计算节点，在服务器集群本地对交易数据进行预处理，提取设备环境相关的轻量图特征，包括设备指纹、IP地址、是否存在使用模拟器，生成唯一标识； S43、将实时特征向量与动态行为基线进行对比，计算偏差，公式为：，式中，为实时特征向量的第个特征值，为行为基线向量的第个特征值，为特征维度，当的值越大，标识当前交易行为偏离正常模式的程度越高； S44、将实时交易数据融入动态交易关系图中，更新图结构与节点特征，并对关系图进行分析，输出每个交易行为的异常得分，公式为：，式中，为节点的异常得分，为嵌入向量的维度，和分别为节点的嵌入向量和异常交易簇质心向量的第个分量； S45、结合动态行为基线偏差以及交易异常得分，计算综合风险得分，公式为：，式中，和以及分别为对应的权重系数，，为异常概率得分，并划分风险阈值，根据风险得分，划分风险等级，当时，划分为低风险，当时，划分为中风险，当时，划分为高风险，时，划分为极高风险，式中，和以及分别为设定的低、中、高风险阈值； S5、利用SHAP值解释模型决策，生成异常交易解释标签，形成不可篡改的异常交易证据链，并通过人机协同收集标注数据，反向优化风险计算模型的参数和风险得分； 所述步骤S5中，生成异常交易证据链和反向优化风险计算模型的参数和风险得分包括以下步骤： S51、计算SHAP值，量化每个特征对模型预测结果的贡献度，公式为：，式中，为特征的SHAP值，为特征集合中的一个子集，为子集的元素个数，为特征总数，为当仅使用子集中的特征时模型的预测值，为将特征加入子集后的模型预测值变化； S52、筛选出SHAP值绝对值较大的特征，结合预设的解释模版，将关键特征及其SHAP值转换为自然语言； S53、证据数据收集，并对收集到的证据数据进行哈希运算，生成唯一的交易哈希值，公式为：，式中，为交易哈希值，为数据拼接，、、、、以及分别为交易时间戳、交易金、交易物品信息、设备指纹、SHAP值的解释标签以及输出的异常概率得分，再将交易哈希值、原始证据数据、时间戳、交易金、交易物品信息、设备指纹、SHAP值的解释标签以及输出的异常概率得分记录到区块钱分布式账本中，保证证据链的真实性和永久性储存； S54、系统向人工审核人员展示异常交易的初步判定结果、SHAP值解释标签以及原始证据数据进行人工判定标注，并回收人工标注数据； S55、将回收的标注数据划分为训练集和测试集，采用梯度下降的优化算法，对模型参数进行反向传播，公式为：，式中，为反向传播后的交叉损失函数的特征向量值，为样本的真实标签，为模型对样本的预测概率； S6、以每次异常交易判定过程和优化处理结果的反馈，通过策略网络生成动态检测策略，并不断与游戏环境交互，优化策略网络参数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人深圳对对科技有限公司，其通讯地址为：518000 广东省深圳市南山区粤海街道滨海社区高新南十道81、83、85号深圳市软件产业基地1栋C13层；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。