会员体验
专利管家（专利管理）
工作空间（专利管理）
风险监控（情报监控）
数据分析（专利分析）
侵权分析（诉讼无效）
联系我们
交流群
官方交流：
QQ群： 891211   
微信请扫码    >>>
现在联系顾问~
首页 / 专利库 / 比特币地址 / 一种比特币交易地址特征提取方法及系统

一种比特币交易地址特征提取方法及系统
申请号 CN202311351196.4 申请日 2023-10-18 公开(公告)号 CN117312818A 公开(公告)日 2023-12-29
申请人 北京工业大学; 发明人 何泾沙; 胡箫; 朱娜斐;
摘要 本发明提供了一种比特币交易地址特征提取方法及系统，涉及区块链技术领域，包括：收集比特币原始交易数据，设计并提取原始交易数据的交易行为特征；对原始交易数据的交易行为特征进行特征赋权和特征筛选，得到筛选且赋权后的交易行为特征集；采用网络表示学习算法提取原始交易数据的交易关系特征，生成交易关系特征集；对筛选且赋权后的交易行为特征集与交易关系特征集进行特征融合，得到综合特征集。本发明构建了比特币交易行为特征提取方法，通过网络表示学习算法提取交易关系特征，将交易行为特征和交易关系特征相结合得到综合特征，该综合特征对于交易地址背后实体身份的识别具有重要作用，可有效提高实体身份识别的准确性。
权利要求

1.一种比特币交易地址特征提取方法，其特征在于，包括：收集比特币原始交易数据，设计并提取所述原始交易数据的交易行为特征；

对原始交易数据的交易行为特征进行特征赋权和特征筛选，得到筛选且赋权后的交易行为特征集；

采用网络表示学习算法提取所述原始交易数据的交易关系特征，生成交易关系特征集；

对筛选且赋权后的所述交易行为特征集与所述交易关系特征集进行特征融合，得到综合特征集。

2.根据权利要求1所述的比特币交易地址特征提取方法，其特征在于：对收集的比特币原始数据进行数据预处理，包括：将所需的字段存入数据表中，所述数据表分为地址表、交易关系表和交易表，所述交易关系表存储每笔交易的输入输出地址，所述交易表存储单个交易的基本字段信息。

3.根据权利要求2所述的比特币交易地址特征提取方法，其特征在于：设计所述原始交易数据的交易行为特征，包括：根据所述交易关系表设计地址连通性规律特征，根据所述交易表设计地址交易资金数量特征和交易时间特征；

将设计的所有交易行为特征构成交易行为特征集F＝{f1,f2,…,fn}，其中n为交易行为特征的数量。

4.根据权利要求1所述的比特币交易地址特征提取方法，其特征在于：对原始交易数据的交易行为特征进行特征赋权，包括：计算所有交易行为特征的重要性分数，得到重要性分数集I＝{i1,i2,…,in}；

通过k种方法对所述交易行为特征集进行特征选择，得到k个特征子集；

统计所述交易行为特征集中每个交易行为特征在k个特征子集中出现的次数，并对次数分别加1构成集合C＝{c1,c2,…,cn}，其中ci即为特征fi出现的次数加1；

将重要性分数集I和集合C做逐元素相乘运算，得到交易行为特征的权重集合W；

′

对各交易行为特征的权重进行标准化得到标准化后的权重集合W ，再与所述交易行为特征集做逐元素相乘运算，得到赋予权重的特征集合。

5.根据权利要求1所述的比特币交易地址特征提取方法，其特征在于：对原始交易数据的交易行为特征进行特征筛选，包括：按照各交易行为特征的重要性分数，对各交易行为特征进行降序排序，根据预设筛选百分比，保留排名在前的交易行为特征；

对排名在后的交易行为特征，根据该交易行为特征在k个特征子集中出现的次数判断在赋予权重的特征集合中保留或删除该交易行为特征；

得到筛选且赋权后的交易行为特征集 其中p为筛选后的特征数量。

6.根据权利要求1所述的比特币交易地址特征提取方法，其特征在于：采用网络表示学习算法提取所述原始交易数据的交易关系特征，生成交易关系特征集；包括：基于所述原始交易数据，以交易地址为节点、地址之间的交易关系为边建立一个交易网络无向图G＝{V,E}，节点集是V，边集是E；

在所述交易网络无向图中进行多次随机泳走采样，获取一系列路径序列，包含所述交易网络无向图中的所有节点；

将一系列路径序列嵌入到低维向量空间，每个节点在所述低维向量空间的向量表示即为交易地址的交易关系特征；

将所有节点的交易关系特征构成交易关系特征集

7.根据权利要求1所述的比特币交易地址特征提取方法，其特征在于：对筛选且赋权后的所述交易行为特征集与所述交易关系特征集进行特征融合，得到综合特征集；公式为：其中，

FS表示筛选且赋权后的交易行为特征集；

FD表示交易关系特征集；

P表示FS中的特征数量，q表示FD中的特征数量；

r＝p+q，r表示综合特征集FT中的特征数量。

8.根据权利要求1所述的比特币交易地址特征提取方法，其特征在于：还包括对所述综合特征集进行特征标准化处理，得到标准化后的综合特征集。

9.根据权利要求8所述的比特币交易地址特征提取方法，其特征在于：采用Z‑score标准化方法，对综合特征集中的特征x逐个进行Z‑score标准化，公式为：其中，

′

x表示特征x标准化后的值；

表示综合特征集中所有特征的均值，σ表示综合特征集中所有特征的标准差；

最后得到标准化后的综合特征集

10.一种实现权利要求1～9任一项所述的比特币交易地址特征提取方法的系统，其特征在于，包括：交易行为特征设计提取模块、特征赋权及筛选模块、交易关系特征提取模块、特征融合模块和特征标准化模块；

所述交易行为特征设计提取模块，用于：

收集比特币原始交易数据，设计并提取所述原始交易数据的交易行为特征；

所述特征赋权及筛选模块，用于：

对原始交易数据的交易行为特征进行特征赋权和特征筛选，得到筛选且赋权后的交易行为特征集；

所述交易关系特征提取模块，用于：

采用网络表示学习算法提取所述原始交易数据的交易关系特征，生成交易关系特征集；

所述特征融合模块，用于：

对筛选且赋权后的所述交易行为特征集与所述交易关系特征集进行特征融合，得到综合特征集；

所述特征标准化模块，用于：

对所述综合特征集进行特征标准化处理，得到标准化后的综合特征集。
说明书全文

一种比特币交易地址特征提取方法及系统

技术领域

[0001] 本发明属于区块链技术领域，尤其是涉及一种比特币交易地址特征提取方法及系统。

背景技术

[0002] 研究人员和监管机构一直致力于开发技术和方法来去匿名化比特币交易，以增加交易的可追溯性和合规性。因此，通过设计比特币交易特征提取方法，用于机器学习分类器对交易地址背后的实体身份进行识别，使得监管方对比特币交易进行有效监管，对比特币的健康发展和交易市场的规范化管理都是至关重要的。
[0003] 现有的比特币交易特征提取方法包括以下几种：
[0004] (1)交易图特征：将比特币交易网络表示为图，其中地址是节点，交易是边。提取图的拓扑结构特征，例如节点的度、聚类系数等，以捕捉地址之间的关系。
[0005] (2)交易行为特征：基于交易数据，提取与地址相关的行为特征，如交易频率、交易金额、交易时间间隔等。
[0006] (3)交易模式特征：识别常见的交易模式，例如从特定地址到另一个地址的转账模式，或者多个地址之间的频繁交易模式等。
[0007] (4)账户聚类特征：使用聚类算法将相似的地址分组，并将聚类信息作为特征，有助于识别集中控制的地址。
[0008] 现有的比特币交易地址特征提取方法仍然有一些局限性。其中包括：
[0009] (1)高维问题：比特币交易数据通常是高维的，涉及大量特征。高维数据可能导致维度灾难，增加建模和分析的复杂性。
[0010] (2)特征相关性问题：某些特征可能高度相关，导致冗余信息。在特征选择过程中，需要识别和剔除冗余特征，以提高模型的效率和准确性。
[0011] (3)特征单一问题：例如交易图特征提取方法仅提取图相关特征，不涉及地址的交易行为特征，而交易行为特征提取方法不涉及地址之间的交易关系特征，导致了特征的单一性，因而影响识别的准确率。
[0012] 因此，如何解决特征提取的高维问题、特征相关性问题、特征单一问题，提高特征提取的准确性，成为亟待解决的问题。

发明内容

[0013] 针对上述问题，本发明提出了一种比特币交易地址特征提取方法及系统，通过加入特征选择，可以减少特征维度和噪声，并且能够对相关性较高的特征进行选择，去除冗余部分，从而解决高维问题和特征相关性问题；同时，交易图特征提取和交易行为特征提取结合起来，由此提取的综合特征不仅包含了地址本身的交易行为特征，还包含了地址之间的交易关系信息，从而可以解决特征的单一性问题，提高特征提取的准确性。
[0014] 为实现上述目的，本发明公开了一种比特币交易地址特征提取方法，包括：
[0015] 收集比特币原始交易数据，设计并提取所述原始交易数据的交易行为特征；
[0016] 对原始交易数据的交易行为特征进行特征赋权和特征筛选，得到筛选且赋权后的交易行为特征集；
[0017] 采用网络表示学习算法提取所述原始交易数据的交易关系特征，生成交易关系特征集；
[0018] 对筛选且赋权后的所述交易行为特征集与所述交易关系特征集进行特征融合，得到综合特征集。
[0019] 作为本发明的进一步改进，对收集的比特币原始数据进行数据预处理，包括：
[0020] 将所需的字段存入数据表中，所述数据表分为地址表、交易关系表和交易表，所述交易关系表存储每笔交易的输入输出地址，所述交易表存储单个交易的基本字段信息。
[0021] 作为本发明的进一步改进，设计所述原始交易数据的交易行为特征，包括：
[0022] 根据所述交易关系表设计地址连通性规律特征，根据所述交易表设计地址交易资金数量特征和交易时间特征；
[0023] 将设计的所有交易行为特征构成交易行为特征集F＝{f1，f2，...，fn}，其中n为交易行为特征的数量。
[0024] 作为本发明的进一步改进，对原始交易数据的交易行为特征进行特征赋权，包括：
[0025] 计算所有交易行为特征的重要性分数，得到重要性分数集I＝{i1，i2，...，in}；
[0026] 通过k种方法对所述交易行为特征集进行特征选择，得到k个特征子集；
[0027] 统计所述交易行为特征集中每个交易行为特征在k个特征子集中出现的次数，并对次数分别加1构成集合C＝{c1，c2，...，cn}，其中ci即为特征fi出现的次数加1；
[0028] 将重要性分数集I和集合C做逐元素相乘运算，得到交易行为特征的权重集合W；
[0029] 对各交易行为特征的权重进行标准化得到标准化后的权重集合W′，再与所述交易行为特征集做逐元素相乘运算，得到赋予权重的特征集合。
[0030] 作为本发明的进一步改进，对原始交易数据的交易行为特征进行特征筛选，包括：
[0031] 按照各交易行为特征的重要性分数，对各交易行为特征进行降序排序，根据预设筛选百分比，保留排名在前的交易行为特征；
[0032] 对排名在后的交易行为特征，根据该交易行为特征在k个特征子集中出现的次数判断在赋予权重的特征集合中保留或删除该交易行为特征；
[0033] 得到筛选且赋权后的交易行为特征集 其中p为筛选后的特征数量。
[0034] 作为本发明的进一步改进，采用网络表示学习算法提取所述原始交易数据的交易关系特征，生成交易关系特征集；包括：
[0035] 基于所述原始交易数据，以交易地址为节点、地址之间的交易关系为边建立一个交易网络无向图G＝{V，E}，节点集是V，边集是E；
[0036] 在所述交易网络无向图中进行多次随机泳走采样，获取一系列路径序列，包含所述交易网络无向图中的所有节点；
[0037] 将一系列路径序列嵌入到低维向量空间，每个节点在所述低维向量空间的向量表示即为交易地址的交易关系特征；
[0038] 将所有节点的交易关系特征构成交易关系特征集
[0039] 作为本发明的进一步改进，对筛选且赋权后的所述交易行为特征集与所述交易关系特征集进行特征融合，得到综合特征集；公式为：
[0040]
[0041] 其中，
[0042] FS表示筛选且赋权后的交易行为特征集；
[0043] FD表示交易关系特征集；
[0044] P表示FS中的特征数量，q表示FD中的特征数量；
[0045] r＝p+q，r表示综合特征集FT中的特征数量。
[0046] 作为本发明的进一步改进，还包括对所述综合特征集进行特征标准化处理，得到标准化后的综合特征集。
[0047] 作为本发明的进一步改进，采用Z‑score标准化方法，对综合特征集中的特征x逐个进行Z‑score标准化，公式为：
[0048]
[0049] 其中，
[0050] x′表示特征x标准化后的值；
[0051] 表示综合特征集中所有特征的均值，σ表示综合特征集中所有特征的标准差；
[0052] 最后得到标准化后的综合特征集
[0053] 本发明还提供了一种比特币交易地址特征提取方法的系统，包括：交易行为特征设计提取模块、特征赋权及筛选模块、交易关系特征提取模块、特征融合模块和特征标准化模块；
[0054] 所述交易行为特征设计提取模块，用于：
[0055] 收集比特币原始交易数据，设计并提取所述原始交易数据的交易行为特征；
[0056] 所述特征赋权及筛选模块，用于：
[0057] 对原始交易数据的交易行为特征进行特征赋权和特征筛选，得到筛选且赋权后的交易行为特征集；
[0058] 所述交易关系特征提取模块，用于：
[0059] 采用网络表示学习算法提取所述原始交易数据的交易关系特征，生成交易关系特征集；
[0060] 所述特征融合模块，用于：
[0061] 对筛选且赋权后的所述交易行为特征集与所述交易关系特征集进行特征融合，得到综合特征集；
[0062] 所述特征标准化模块，用于：
[0063] 对所述综合特征集进行特征标准化处理，得到标准化后的综合特征集。
[0064] 与现有技术相比，本发明的有益效果为：
[0065] 本发明通过特征赋权、特征筛选构建了比特币交易行为特征提取方法，并通过网络表示学习算法提取交易关系特征，将交易行为特征和交易关系特征相结合得到综合特征，该综合特征对于交易地址背后实体身份的识别具有重要作用，可有效提高实体身份识别的准确性。
[0066] 本发明通过k种方法对所述交易行为特征集进行特征选择，并在特征赋权和特征筛选环节对特征选择结果进行利用，即将多种特征选择方法综合起来，使减少了信息的噪声和维度，而且多种方法结合可以减少信息损失，增加特征选择的可靠性，减少偶然性；同时，应用多种特征选择的结果并基于特征重要性分数进行特征赋权，强调重要特征的影响，可以进一步提高后期识别结果的准确性。

附图说明

[0067] 图1为本发明一种实施例公开的比特币交易地址特征提取方法整体流程图；
[0068] 图2为本发明一种实施例公开的交易行为特征提取流程图；
[0069] 图3为本发明一种实施例公开的特征选择与特征赋权流程图；
[0070] 图4为本发明一种实施例公开的网络表示学习特征提取流程图；
[0071] 图5为本发明一种实施例公开的特征融合流程图；
[0072] 图6为本发明一种实施例公开的比特币交易地址特征提取系统示意图。

具体实施方式

[0073] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0074] 下面结合附图对本发明做进一步的详细描述：
[0075] 如图1所示，本发明公开的一种比特币交易地址特征提取方法，以比特币为研究对象，通过收集比特币原始交易数据，提取比特币地址相关的交易特征，并对特征进行筛选、赋权等操作，从而构建一个综合的特征集，可用于机器学习算法对交易地址背后的实体身份进行识别。流程大致分为交易行为手动特征设计、特征选择与特征赋权、网络表示学习自动特征提取、总体特征融合四部分，具体包括：
[0076] S1、如图2所示，收集比特币原始交易数据，设计并提取原始交易数据的交易行为特征；
[0077] 其中，
[0078] 此部分目的是提取地址本身的交易行为相关特征，交易行为特征即地址本身的交易相关特征，如交易金额、交易频率等，首先，从比特币区块链收集地址的交易信息，进行数据预处理，包括：
[0079] 将所需的字段存入数据表中，数据表分为地址表(address_table)、交易关系表(relation_table)和交易表(transaction_table)，交易关系表存储每笔交易的输入输出地址，交易表存储单个交易的基本字段信息。
[0080] 进一步的，
[0081] 我们从上述表格中手动设计交易行为特征，包括：
[0082] 根据交易关系表设计地址连通性规律特征，例如地址作为交易输入的数量、地址作为交易输出的数量，输入地址和输出地址的数目等；根据交易表设计地址交易资金数量特征，如交易金额均值、标准差等；以及交易时间特征，如交易时间间隔、交易频率等；
[0083] 将设计的所有交易行为特征构成交易行为特征集F＝{f1,f2,…,fn}，其中n为交易行为特征的数量。
[0084] S2、如图3所示，对原始交易数据的交易行为特征进行特征赋权和特征筛选，得到筛选且赋权后的交易行为特征集；
[0085] 其中，
[0086] 对原始交易数据的交易行为特征进行特征赋权，包括：
[0087] 计算所有交易行为特征的重要性分数，得到重要性分数集I＝{i1，i2，...，in}；
[0088] 通过k种方法(例如方差阈值法、信息增益法等)对交易行为特征集F进行特征选择，得到k个特征子集FSUB1、FSUB2、…、FSUBk；
[0089] 统计交易行为特征集F中每个交易行为特征在k个特征子集中出现的次数，并对次数分别加1构成集合C＝{c1，c2，...，cn}，其中ci即为特征fi出现的次数加1；
[0090] 将重要性分数集I和集合C做逐元素相乘运算，得到交易行为特征的权重集合W，公式为：
[0091] W＝I⊙C＝{i1*c1，i2*c2，...，in*cn}＝{w1，w2，...，wn}；
[0092] 对各交易行为特征的权重进行标准化得到标准化后的权重集合W′＝{w1′，w2′，...，wn′}，再与交易行为特征集F做逐元素相乘运算，得到赋予权重的特征集合，公式为：
[0093]
[0094] 进一步的，
[0095] 对原始交易数据的交易行为特征进行特征筛选，包括：
[0096] 按照各交易行为特征的重要性分数I，对各交易行为特征进行降序排序，根据预设筛选百分比(如h％)，保留排名在前h％的交易行为特征；
[0097] 对排名在后l％的交易行为特征(其中l％＝1‑h％)，根据该交易行为特征在k个特征子集中出现的次数判断在赋予权重的特征集合中保留或删除该交易行为特征；具体为，如果其在特征子集中出现的次数 (其中1≤u≤k)，那么从FW中删除此特征，否则，保留特征；
[0098] 得到筛选且赋权后的交易行为特征集 其中p为筛选后的特征数量。
[0099] 具体的，
[0100] 计算所有交易行为特征的重要性分数可通过基于树的方法完成，例如使用决策树、随机森林等模型对特征训练完成后，可以得到每个特征的重要性，将对应的重要性分数记为I＝{i1，i2，...，in}。
[0101] S3、如图4所示，采用网络表示学习算法提取原始交易数据的交易关系特征，生成交易关系特征集；
[0102] 其中，
[0103] 应用relation_table基于原始交易数据，以交易地址为节点、地址之间的交易关系为边建立一个交易网络无向图G＝{V，E}，节点集是V，边集是E，如果地址节点v1和v2之间存在一笔交易，那么就存在一条边连接节点v1和v2；
[0104] 在交易网络无向图中进行多次随机泳走采样，随机游走是从一个节点开始，在图中随机选择下一个邻居节点的过程，通过多次随机泳走采样获取一系列路径序列，每个路径序列都以一个起始节点开始并以一定长度结束，一系列路径序列中包含交易网络无向图中的所有节点；
[0105] 将一系列路径序列嵌入到低维向量空间，每个节点在低维向量空间的向量表示即为交易地址的交易关系特征；
[0106] 将所有节点的交易关系特征构成交易关系特征集
[0107] 具体的，
[0108] 利用DeepWalk算法将路径序列嵌入到低维向量空间中。将低维向量的维数设定为q，通过学习路径序列中节点的上下文信息来生成节点的向量表示。最终，图中每个比特币地址都用一个q维向量表示，即地址的交易关系特征，记为 由于DeepWalk已经将节点映射为低维向量，这些向量本身已经具有较好的特征表达能力，通常情况下不需要再进行传统意义上的特征选择和特征赋权。
[0109] S4、如图5所示，对筛选且赋权后的交易行为特征集与交易关系特征集进行特征融合，得到综合特征集；
[0110] 其中，特征赋权和特征筛选后的交易行为特征FS与交易关系特征FD分别代表了不同维度的特征，FS体现了地址本身的交易特征，FD体现了地址之间的交易关系特征。为了得到维度更全面的特征，将两者进行合并，得到综合特征集，公式为：
[0111]
[0112] 式中，
[0113] FS表示筛选且赋权后的交易行为特征集；
[0114] FD表示交易关系特征集；
[0115] P表示FS中的特征数量，q表示FD中的特征数量；
[0116] r＝p+q，r表示综合特征集FT中的特征数量。
[0117] S5、对综合特征集进行特征标准化处理，得到标准化后的综合特征集。
[0118] 其中，
[0119] 采用Z‑score标准化方法，对综合特征集中的特征x逐个进行Z‑score标准化，公式为：
[0120]
[0121] 其中，
[0122] x′表示特征x标准化后的值；
[0123] 表示综合特征集中所有特征的均值，σ表示综合特征集中所有特征的标准差；
[0124] 最后得到标准化后的综合特征集
[0125] 进一步的，
[0126] 后续可将FST用于训练有监督机器学习算法，对比特币地址背后的实体身份进行识别，可有效提高实体身份识别的准确性。
[0127] 如图6所示，本发明还提供了一种比特币交易地址特征提取方法的系统，包括：交易行为特征设计提取模块、特征赋权及筛选模块、交易关系特征提取模块、特征融合模块和特征标准化模块；
[0128] 交易行为特征设计提取模块，用于：
[0129] 收集比特币原始交易数据，设计并提取原始交易数据的交易行为特征；
[0130] 特征赋权及筛选模块，用于：
[0131] 对原始交易数据的交易行为特征进行特征赋权和特征筛选，得到筛选且赋权后的交易行为特征集；
[0132] 交易关系特征提取模块，用于：
[0133] 采用网络表示学习算法提取原始交易数据的交易关系特征，生成交易关系特征集；
[0134] 特征融合模块，用于：
[0135] 对筛选且赋权后的交易行为特征集与交易关系特征集进行特征融合，得到综合特征集；
[0136] 特征标准化模块，用于：
[0137] 对综合特征集进行特征标准化处理，得到标准化后的综合特征集。
[0138] 本发明的优点：
[0139] 本发明通过特征赋权、特征筛选构建了比特币交易行为特征提取方法，并通过网络表示学习算法提取交易关系特征，将交易行为特征和交易关系特征相结合得到综合特征，该综合特征对于交易地址背后实体身份的识别具有重要作用，可有效提高实体身份识别的准确性。
[0140] 本发明通过k种方法对所述交易行为特征集进行特征选择，并在特征赋权和特征筛选环节对特征选择结果进行利用，即将多种特征选择方法综合起来，使减少了信息的噪声和维度，而且多种方法结合可以减少信息损失，增加特征选择的可靠性，减少偶然性；同时，应用多种特征选择的结果并基于特征重要性分数进行特征赋权，强调重要特征的影响，可以进一步提高后期识别结果的准确性。
[0141] 本发明旨在对比特币的交易地址进行特征提取，从而可用于机器学习分类算法，以识别比特币地址背后的实体身份类型，进而帮助监测和识别可能涉及非法活动的地址，同时协助合规监管机构更好地理解和监控比特币交易活动，这有助于确保数字资产交易平台、交易所以及金融机构等各方在合规要求方面的遵守，并提供更有效的监管手段。
[0142] 本发明在考虑地址连接关系方面，将交易网络图的嵌入方法应用其中，能够捕捉比特币地址之间的上下文关系。这使得训练所得嵌入特征具有比特币地址之间的关系和连接性。
[0143] 本发明在降低特征空间维度方面，将高维的比特币地址交易关系特征转化为低维的嵌入向量。这种低维表示有助于减少特征空间的维度，去除冗余信息，并且能够更好地展示比特币地址之间的相似性和差异性。
[0144] 本发明在综合特征表示方面，将交易行为特征与图嵌入向量结合，将两者的信息综合起来。综合特征不仅展现了比特币地址之间的交易关系信息，还捕捉了地址本身的交易行为特征，可以为比特币地址提供更丰富、更有信息量、更全面的特征表示，进一步提升对比特币地址更加准确的识别和分析。
[0145] 本发明在综合特征选择方法上，将多种特征选择方法结合起来，应用特定方法进行综合特征选择。可以从特征集中选择代表性、重要性更高的特征，减少特征维度和噪声。并且综合多种方法减少造成信息损失的可能性。后续用于分类器可以提高模型的性能和泛化能力。
[0146] 本发明在特征权重分配上，通过综合特征选择方法，对特征权重进行设计。为不同的特征分配权重，从而在训练模型时可以强调重要特征的影响，进一步提高模型的性能。
[0147] 以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

IPRDB

最新中国发明专利 最新美国发明专利 技术领域 专利库 专利分类库 国际专利分类库

热门服务

会员版试用 API 数据接口 找代理 知嘟嘟专利交易 排行榜 大学排行榜 专利百科

关于我们

平台介绍 战略合作 网站地图

友情链接

知嘟嘟专利交易 国家知识产权局 中国商标网

联系方式


©2019-2023 上海吉码数字技术有限公司 版权所有，并保留所有权利 沪ICP备20016256号-6 沪公网安备31011702005475号