CN105678395B - 神经网络的建立方法及系统和神经网络的应用方法及系统 - Google Patents

Abstract

本申请涉及一种神经网络的建立方法及系统和神经网络的应用方法及系统，该方法包括：将账户的历史操作事件按照时间顺序分为第一训练事件和第一测试事件；获取第一训练事件的参数；根据参数将第一训练事件初始化为第一向量；利用第一向量建立神经网络，神经网络包括参数和结构；将第一测试事件的第二向量，输入至神经网络中，计算第一测试事件的第二离散值、衍生变量和第一指标，第二离散值为风险度评估值；当第一指标达到阈值时，存储神经网络。本申请提供的神经网络的建立方法及系统和神经网络的应用方法及系统，提高了预测灰色区域的风险度的效率，并使得对灰色区域事件的处理变得灵活、可控。

Description

神经网络的建立方法及系统和神经网络的应用方法及系统

技术领域

本申请涉及风险防控领域，尤其涉及一种神经网络的建立方法及系统和神经网络的应用方法及系统。

背景技术

目前，针对风险防控、案件预测问题，常常使用模型进行风险防控和案件预测。现有模型产出的处于中等区间离散值的那部分事件的准确性会加剧下降，将处于中等区间离散值的那部分事件称为灰色区域事件，灰色区域指的是模型预测有风险，但风险度不是最高的那一部分事件。由于处于中等区间离散值的灰色区域事件的准确性加剧下降，所以需要提高这部分灰色区域事件的预测准确性。

现有技术中对于灰色区域事件，不进行处理，或者进行人工审理。人工将灰色区域事件分流至高风险区域或者低风险区域。但是人工审理灰色区域事件风险度需要大量的人力物力，且审理灰色区域事件风险度的准确率也受限于审理人员的审理能力，不准确。

发明内容

本申请的目的是提出了一种神经网络的建立方法及系统和神经网络的应用方法及系统，解决审理灰色区域事件风险度不准确，且需要大量的人力物力的问题。

为实现上述目的，本申请第一方面提供了一种神经网络的建立方法，所述方法包括：将账户的历史操作事件按照时间顺序分为第一训练事件和第一测试事件；获取所述第一训练事件的参数；根据所述参数将所述第一训练事件初始化为第一向量；利用所述第一向量建立神经网络，所述神经网络包括所述参数和结构；将所述第一测试事件的第二向量，输入至所述神经网络中，计算所述第一测试事件的第二离散值、衍生变量和第一指标，所述第二离散值为风险度评估值；当所述第一指标达到阈值时，存储所述神经网络。

本申请第二方面提供了一种利用神经网络预测风险度的方法，所述方法包括：获取处于灰色区域的事件在原始模块输出的第一离散值，所述第一离散值为风险度评估值；调用系统中与所述处于灰色区域事件对应账户的神经网络，所述神经网络是利用历史操作事件训练得到的，通过所述神经网络中的参数计算第二离散值和衍生变量；根据第二离散值、衍生变量和第一离散值，通过第一模型将灰色区域事件分流至高风险区域或低风险区域。

本申请第三方面提供了一种神经网络的建立系统，所述系统包括：划分模块，用于将账户的历史操作事件按照时间顺序分为第一训练事件和第一测试事件；获取模块，用于获取所述第一训练事件的参数；处理模块，用于根据所述参数将所述第一训练事件初始化为第一向量；建立模块，用于利用所述第一向量建立神经网络，所述神经网络包括所述参数和结构；计算模块，用于将所述第一测试事件的第二向量，输入至所述神经网络中，计算所述第一测试事件的第二离散值、衍生变量和第一指标，所述第二离散值为风险度评估值；存储模块，用于当所述第一指标达到阈值时，存储所述神经网络。

本申请第四方面提供了一种利用神经网络预测风险度的系统，所述系统包括：获取模块，用于获取处于灰色区域的事件在原始模块输出的第一离散值，所述第一离散值为风险度评估值；调用模块，用于调用系统中与所述处于灰色区域事件对应账户的神经网络，所述神经网络是利用历史操作事件训练得到的，通过所述神经网络中的参数计算第二离散值和衍生变量；分流模块，用于根据第二离散值、衍生变量和第一离散值，通过第一模型将灰色区域事件分流至高风险区域或低风险区域。

本申请提供的神经网络的建立方法，将账户的历史操作事件按照时间顺序分为第一训练事件和第一测试事件；获取所述第一训练事件的参数；根据所述参数将所述第一训练事件初始化为第一向量；利用所述第一向量建立神经网络，通过神经网络计算第一测试事件的第二离散值、衍生变量和第一指标，当所述第一指标达到阈值时，存储所述神经网络。有效提高了预测灰色区域的风险度的效率，并使得对灰色区域事件的处理变得灵活、可控。

附图说明

图1为本申请实施例提供的神经网络的建立方法的流程图；

图2为本申请实施例提供的利用神经网络预测风险度的方法的流程图；

图3为本申请实施例提供的神经网络的建立系统示意图；

图4为本申请实施例提供的利用神经网络预测风险度的系统示意图。

具体实施方式

下面通过附图和实施例，对本申请的技术方案做进一步的详细描述。

自组织(Self Organized Mapping，SOM)神经网络是自组织特征的映射网络，网络结构分为输入层和映射层，两层之间实现全连接。处于网络空间中不同区域的神经元有着不同的分工，当一个神经网络接受外界输入模式时，将会分为不同的反映域，各区域对于输入模式具有不同的相应特征。它可以实现数据分类，当你输入数据集的时候，经过学习训练，得到了以一个最终获胜的权值向量为中心周围分布着与相关的数据，这样不断进行下去之后，本身有联系的数据就会聚集到一起，形成具有自己独特特点的数据集。

本申请实施例首先提供了一种神经网络的建立方法，预测账户在线操作时，准确地预测处于灰色区域事件的风险度。本申请实施例的应用场景，应用于具有风险度的所有操作事件中，例如，在线支付，登录电子邮件账号，登录QQ账号等，准确地预测这些操作事件的风险度。

实施例一

参见图1，图1为神经网络的建立方法的流程图。本申请实施例一提供了一种神经网络的建立方法，在本申请实施例一中的实施主体为神经网络的建立系统，该方法可以包括如下步骤：

步骤S101，将账户的历史操作事件按照时间顺序分为第一训练事件和第一测试事件。

例如：按照时间顺序，将账户的历史交易事件分为第一训练事件和第一测试事件，为了保证训练出来的SOM网络的精度，每个账户的历史交易事件的第一训练事件的个数不小于50个。

每个账户的历史交易事件中，先排除盗用操作时的交易事件，以确保训练出的SOM网络能够体现该账户的特性。

例如，将账户在前两个月内的所有历史交易事件，按照时间顺序，将前50笔的历史交易事件分为第一训练事件，其余30笔历史交易事件分为第一测试事件。

步骤S102，获取所述第一训练事件的参数。

例如，获取第一训练事件的参数为：交易金额、交易时间和交易地点。参数的个数可以根据具体情况自行设定。

步骤S103，根据所述参数将所述第一训练事件初始化为第一向量。

根据参数交易金额、交易时间和交易地点，将第一训练事件中的50笔交易事件初始化为向量。例如：第一笔交易事件中交易金额1000元，交易时间上午8点，交易地点北京。第一向量是SOM神经网络训练时的输入神经元，比如向量X1＝(1000元，8：00am，北京)。一般情况下，若元素是非数值型的(如时间型变量以及地点型变量)，则需要进行数值化处理，可以利用第一训练事件进行证据权重(Weight of Evidence，WOE)变换。

步骤S104，利用所述第一向量建立神经网络，所述神经网络包括所述参数和结构。

所述神经网络的参数包括：输入神经元、输出神经元、权值调整域函数和学习率函数。所述神经网络的结构为二维平面或一维线阵。

在SOM网络的训练过程中，SOM网络的输出神经元之间相互竞争以求被激活，而每一时刻只有一个输出神经元被激活。这个被激活的神经元称为竞争获胜神经元。当SOM网络得到一个输入神经元向量时，使用点积最大原则，找出获胜神经元。以获胜神经元为中心设定一个领域半径，该半径圈定的范围称为优胜领域。在SOM网络训练过程中，优胜领域内的所有神经元均按其离开获胜神经元的距离远近不同程度地调整权向量中的值。优胜领域开始定的很大，但随后将随着训练次数的增加不算收缩，最终收缩到半径为0。学习率函数在训练开始时可以选取较大的值，之后以较快的速度下降至0。SOM结构由M个元素组成的权向量W表示，这里的权向量W就是SOM训练时的输出神经的位置变量。最后，确定了自组织神经网络的参数和结构，得到所述自组织神经网络。

例如，将前两个月内的前50笔交易中的每笔交易，提取特征信息时间、地点、金额和速度，选取数值化且归一化处理后的时间和地点作为元素组成向量Xn，向量Xn就是交易的输入神经元，50笔交易可以用50个向量X1、X2……X50来表示，输入的这50个向量相当于在SOM网络中是50个二维点坐标。引进初始化了的权向量参数，初始化的权向量是单位向量，将这50个点坐标中聚集处的单位向量作为权向量。每输入一笔交易，相当于输入一个向量X1，找到离该向量X1最近的权向量W1，修正该权向量W1的位置向X1的方向靠近，靠近的距离可以是W1和X1的中点，此时W1的值是SOM建立时的输出神经的位置变量。也可以对向量X1设置一个邻域半径，修正在向量X1领域的所有权向量。通过50笔交易对权向量进行修正后，得到的权向量确定了该账户的这50笔交易的SOM网络信息的参数和结构，得到该账户的自组织神经网络信息。

步骤S105，将所述第一测试事件的第二向量，输入至所述神经网络中，计算所述第一测试事件的第二离散值、衍生变量和第一指标，所述第二离散值为风险度评估值。

将第一测试事件输入到自组织神经网络信息中，是为了评估步骤102训练的SOM网络信息中的参数是否合理；所述第一指标为柯尔莫哥罗夫-斯米尔诺夫(kolmogorov-smirnov，K-S)值、接受者操作特性曲线下面积(Area Under Receiver operat ingcharacterist ic，AUROC)值和基尼指数GINI。第二离散值为交易事件离最近的输出神经元的距离，并归一化处理，归一化的分母为训练该SOM网络时的所有交易事件离其最近的输出神经元的距离中的最大距离。在一个合理的SOM网络信息中，如果距离越大，表明当前的交易事件离其他的交易事件远，说明当前的交易事件存在危险，那么当前的交易事件的第二离散值很低。衍生变量是一个向量。

利用账户的后30笔的历史交易事件，计算SOM网络信息的第二离散值和衍生变量，另外要根据这后30笔的历史交易事件是否为案件，综合计算第一指标中的K-S值,AUROC值,基尼指数GINI，来评估SOM网络参数与结构的合理性。

所述第一指标和第二指标均为柯尔莫哥罗夫-斯米尔诺夫K-S值、接受者操作特性曲线下面积AUROC值和基尼指数。

具体地，K-S值，AUROC值和基尼指数GINI的计算，是基于所有的测试数据集的第二离散值以及是否为案件进行计算的。以K-S值的计算为例，例如一个测试集中有10个交易，每个交易都有第二离散值，以及是否为案件，具体参见表一。

表一

将这10笔交易的第二离散值进行从大到小排序，交易的第二离散值越大表示它为案件的可能性越大，然后将这10笔交易进行分组，分成5个组，每个组计算案件与非案件的百分比，具体参见表二。这个例子中具体给出了针对这10个交易的K-S值为0.86。K-S值＝Max(累计案件％-累计非案件％)＝86％，一般的，K-S值越大，说明SOM网络信息越好，这里的SOM网络信息体现在第二离散值上，第二离散值越大的组内，如果案件数越多，就说明SOM网络信息训练的越准确。

表二

可选地，所述将所述第一测试事件的第二向量，输入至所述神经网络中之前还包括：

根据所述参数将所述第一测试事件初始化为所述第二向量，所述第二向量由所述第一测试事件中的元素组成。

步骤S106，当所述第一指标达到阈值时，存储所述神经网络。

例如：当AUROC，GINI以及KS值均大于0.8时，存储SOM神经网络，用以其他交易事件使用自组织神经网络信息，计算其他交易事件的第二离散值，从而预测其他交易事件的风险度。

可选地，当所述第二离散值和所述第一指标未达到阈值时，调整所述参数和所述结构。

例如：当所述第二离散值和所述第一指标未达到阈值时，可以将原参数中的2个权向量调整为3个权向量，还可以调整结构，如增加向量中的元素，将向量X1＝(1000元，8：00am，北京)，调整为X1＝(1000元，8：00am，北京，餐饮)，即将向量X1增加了一个类目。

调整所述参数和所述结构后，再次将所述第一测试事件输入到所述自组织神经网络信息中，计算所述第一测试事件的第二离散值、衍生变量和第一指标；检测所述第一指标是否达到阈值，来检测SOM网络的参数和结构是否合理。即循环执行步骤S102-S106。直到SOM网络的参数和结构合理，存储所述神经网络。

可选地，所述存储所述神经网络之后所述方法还包括：

将在原始模块中处于灰色区域的事件的第三向量，输入至所述神经网络中，建立第一模型；

获取所述在原始模块中处于灰色区域的事件在原始模块输出的第一离散值，所述第一离散值为风险度评估值；

根据所述在原始模块中处于灰色区域的事件的第三离散值、衍生变量和第一离散值，通过第一模型将灰色区域事件分流至高风险区域或低风险区域。

具体地，通过存储的SOM网络，所有账户均可以离线训练一个SOM网络，保存在系统中，供需要时系统随时调用。每个账户保存的SOM信息如下：(1)每个输出神经元位置的M维变量的值；(2)每个输出神经元拥有的训练样本数，该统计量用来表征每个输出神经元的大小或重要性；判定训练样本属于哪个输出神经元：计算每个训练样本的M维变量与SOM每个输出神经元的距离，按照距离来定义该训练样本属于哪个输出神经元。这里的距离可以是欧式距离。(3)每个输出神经元拥有的训练样本的统计信息，统计信息包括M维变量每一个维度的Max,Min,P1,P99,Mean等。(4)每个输出神经元的邻近神经元信息，邻近神经元信息包括邻近神经元所拥有的训练样本数。

在SOM信息保存在系统后，每一笔进入预测系统的交易事件，均可以计算第二离散值，以及SOM衍生变量。具体地，SOM衍生变量包括：(1)当前交易事件所属输出神经元中的训练样本数。若该交易所属输出神经元中无训练样本，说明该笔交易有风险。(2)当前交易事件所属输出神经元是否在SOM训练中被激活过。若没有被激活过，说明该笔交易有风险。(3)当前交易事件的M维变量，有多少个数值超过了所属神经元对应训练变量的P1至P99,或min至max。若超过范围的维度越多，说明该笔交易越有风险。(4)当前交易事件所属的输出神经元，是否有大的邻近输出神经元。定义大神经元时可以使用神经元中的训练样本数，比如训练样本数大于或等于10个。若有大的邻近输出神经元，说明该笔交易风险较低。

具体地，将所述在原始模块中处于灰色区域的事件按照时间顺序分为第二训练事件和第二测试事件；根据所述参数将所述第二训练事件初始化为所述第三向量，所述第三向量由所述第二训练事件中的元素组成；将所述第三向量输入至所述神经网络中，计算所述在原始模块中处于灰色区域的事件的第二离散值和衍生变量；利用第二训练事件的第二离散值、衍生变量和第一离散值，对第二训练事件进行第一模型训练，确定第一模型的参数，得到第一模型；将所述第二测试事件输入到第一模型中，利用第二测试事件的第二离散值、衍生变量和第一离散值，将第二测试事件分流至高风险区域或低风险区域，并计算第二测试事件的第二指标；当所述第二指标达到阈值时，存储第一模型。

当所述第二指标未达到阈值时，调整所述第一模型的参数。

可选地，通过优化第一指标，对分流至高风险区域的事件进行离散值调整。

具体地，离散值调整可以由下列公式得出，新离散值＝1/(1+EXP(-1*A))，其中，A＝LN(第二离散值/(1-第二离散值))+Delta，Delta是需要训练而得到的某个正实数，Delta的训练与最终选择，要使得账户灰色区域交易事件在离散值调整后的第一指标(KS，GINI，AUROC)最大。

利用自组织神经网络构建用户历史行为参照系，通过被预测事件属性距离行为参照系的远近，来帮助判断被预测事件的风险程度。该方法可以有效提高灰色区域预测的准确性，并使得对灰色区域事件的处理变得灵活、可控。另外，该方法无需改变原有模型，且充分利用了原有模型离散值的信息。

本申请提供的神经网络的建立方法，将账户的历史操作事件按照时间顺序分为第一训练事件和第一测试事件；获取所述第一训练事件的参数；根据所述参数将所述第一训练事件初始化为第一向量；利用所述第一向量建立神经网络，通过神经网络计算第一测试事件的第二离散值、衍生变量和第一指标，当所述第一指标达到阈值时，存储所述神经网络。有效提高了预测灰色区域的风险度的效率，并使得对灰色区域事件的处理变得灵活、可控。

实施例二

参见图2，图2为本申请实施例提供的利用神经网络预测风险度的方法的流程图。本申请实施例二提供了一种利用神经网络预测风险度的方法，在本申请实施例二中的实施主体为预测风险度的系统，该方法可以包括如下步骤：

步骤S201，获取处于灰色区域的事件在原始模块输出的第一离散值，所述第一离散值为风险度评估值。

步骤S202，调用系统中与所述处于灰色区域事件对应账户的神经网络，所述神经网络是利用历史操作事件训练得到的，通过所述神经网络中的参数计算第二离散值和衍生变量。

所述神经网络的参数包括：输入神经元、输出神经元、权值调整域函数和学习率函数。所述神经网络的结构为二维平面或一维线阵。

对于灰色区域交易事件，调用保存在系统中的该账户的SOM神经网络，通过所述神经网络中的参数，如：交易金额、交易时间和交易地点，计算SOM神经网络的第二离散值，并同时生成SOM的衍生变量。

步骤S203，根据第二离散值、衍生变量和第一离散值，通过第一模型将灰色区域事件分流至高风险区域或低风险区域。

可选地，系统对分流至高风险区域的事件进行离散值调整。

分流至高风险的交易事件，进行离散值调整，便于更好的处理高风险的交易事件。例如，一个第二离散值为0.89的交易事件，分至高风险区域，则将该交易事件的第二离散值0.89调整为0.92，便于工作人员处理该交易事件。

利用自组织神经网络构建用户历史行为参照系，通过被预测事件属性距离行为参照系的远近，来帮助判断被预测事件的风险程度。该方法可以有效提高灰色区域预测的准确性，并使得对灰色区域事件的处理变得灵活、可控。另外，该方法无需改变原有模型，且充分利用了原有模型离散值的信息。

本申请提供的利用神经网络预测风险度的方法，通过调用处于灰色区域事件对应账户的神经网络，通过所述神经网络中的参数计算第二离散值和衍生变量；根据灰色区域的事件的第二离散值、衍生变量和在原始模块输出的离散值，将灰色区域事件分流至高风险区域或低风险区域。有效提高灰色区域预测的准确性，并使得对灰色区域事件的处理变得灵活、可控。

实施例三

与本申请实施例一提供的神经网络的建立方法相对应，本申请实施例还提供了一种神经网络的建立系统。参见图3的神经网络的建立系统示意图，所述系统具体包括：划分模块301、获取模块302、处理模块303、建立模块304、计算模块305和存储模块306。

划分模块301，用于将账户的历史操作事件按照时间顺序分为第一训练事件和第一测试事件；

获取模块302，用于获取所述第一训练事件的参数；

处理模块303，用于根据所述参数将所述第一训练事件初始化为第一向量；

建立模块304，用于利用所述第一向量建立神经网络，所述神经网络包括所述参数和结构；

计算模块305，用于将所述第一测试事件的第二向量，输入至所述神经网络中，计算所述第一测试事件的第二离散值、衍生变量和第一指标，所述第二离散值为风险度评估值；

存储模块306，用于当所述第一指标达到阈值时，存储所述神经网络。

本申请提供的神经网络的建立系统，将账户的历史操作事件按照时间顺序分为第一训练事件和第一测试事件；获取所述第一训练事件的参数；根据所述参数将所述第一训练事件初始化为第一向量；利用所述第一向量建立神经网络，通过神经网络计算第一测试事件的第二离散值、衍生变量和第一指标，当所述第一指标达到阈值时，存储所述神经网络。有效提高了预测灰色区域的风险度的效率，并使得对灰色区域事件的处理变得灵活、可控。

实施例四

与本申请实施例二提供的利用神经网络预测风险度的方法相对应，本申请实施例还提供了一种利用神经网络预测风险度的系统。参见图4的利用神经网络预测风险度的系统示意图，所述系统具体包括：获取模块401、调用模块402和分流模块403。

获取模块401，用于获取处于灰色区域的事件在原始模块输出的第一离散值，所述第一离散值为风险度评估值；

调用模块402，用于调用系统中与所述处于灰色区域事件对应账户的神经网络，所述神经网络是利用历史操作事件训练得到的，通过所述神经网络中的参数计算第二离散值和衍生变量；

分流模块403，用于根据第二离散值、衍生变量和第一离散值，通过第一模型将灰色区域事件分流至高风险区域或低风险区域。

本申请提供的利用神经网络预测风险度的系统，通过调用处于灰色区域事件对应账户的神经网络，通过所述神经网络中的参数计算第二离散值和衍生变量；根据灰色区域的事件的第二离散值、衍生变量和在原始模块输出的离散值，将灰色区域事件分流至高风险区域或低风险区域。有效提高灰色区域预测的准确性，并使得对灰色区域事件的处理变得灵活、可控。

专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上所述的具体实施方式，对本申请的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本申请的具体实施方式而已，并不用于限定本申请的保护范围，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (12)

1.一种利用神经网络预测风险度的方法，其特征在于，所述方法包括：

获取账户的历史操作事件，所述历史操作事件包括以下中的至少一项：账户的在线支付，登录电子邮件账号；

从所述账户的历史操作事件中，排除盗用操作时的事件，以确保训练出的自组织SOM神经网络能够体现该账户的特性；

将排除盗用后的所述账户的历史操作事件按照时间顺序分为第一训练事件和第一测试事件；

获取所述第一训练事件的参数；

根据所述参数将所述第一训练事件初始化为第一向量；

利用所述第一向量建立自组织SOM神经网络，所述神经网络包括所述参数和结构；

将所述第一测试事件的第二向量，输入至所述神经网络中，计算所述第一测试事件的第二离散值、衍生变量和第一指标，所述第二离散值为风险度评估值；

当所述第一指标达到阈值时，存储所述神经网络；

将在原始模块中处于灰色区域的事件的第三向量，输入至所述神经网络中，建立第一模型；

获取所述在原始模块中处于灰色区域的事件在原始模块输出的第一离散值，所述第一离散值为风险度评估值；

根据所述在原始模块中处于灰色区域的事件的第二离散值、衍生变量和第一离散值，通过第一模型将灰色区域事件分流至高风险区域或低风险区域。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

当所述第二离散值和所述第一指标未达到阈值时，调整所述参数和所述结构。

3.根据权利要求1所述的方法，其特征在于，所述将所述第一测试事件的第二向量，输入至所述神经网络中之前还包括：

根据所述参数将所述第一测试事件初始化为所述第二向量，所述第二向量由所述第一测试事件中的元素组成。

4.根据权利要求1所述的方法，其特征在于，所述将在原始模块中处于灰色区域的事件的第三向量，输入至所述神经网络中，建立第一模型具体包括：

将所述在原始模块中处于灰色区域的事件按照时间顺序分为第二训练事件和第二测试事件；

根据所述参数将所述第二训练事件初始化为所述第三向量，所述第三向量由所述第二训练事件中的元素组成；

将所述第三向量输入至所述神经网络中，计算所述在原始模块中处于灰色区域的事件的第二离散值和衍生变量；

利用第二训练事件的第二离散值、衍生变量和第一离散值，对第二训练事件进行第一模型训练，确定第一模型的参数，得到第一模型；

将所述第二测试事件输入到第一模型中，利用第二测试事件的第二离散值、衍生变量和第一离散值，将第二测试事件分流至高风险区域或低风险区域，并计算第二测试事件的第二指标；

当所述第二指标达到阈值时，存储第一模型。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

当所述第二指标未达到阈值时，调整所述第一模型的参数。

6.根据权利要求4所述的方法，其特征在于，所述第一指标和第二指标均为柯尔莫哥罗夫-斯米尔诺夫K-S值、接受者操作特性曲线下面积AUROC值和基尼指数。

7.根据权利要求1所述的方法，其特征在于，所述神经网络的参数包括：输入神经元、输出神经元、权值调整域函数和学习率函数。

8.根据权利要求1所述的方法，其特征在于，所述神经网络的结构为二维平面或一维线阵。

9.一种利用神经网络预测风险度的方法，其特征在于，所述方法包括：

获取处于灰色区域的事件在原始模块输出的第一离散值，所述第一离散值为风险度评估值；

调用系统中与所述处于灰色区域事件对应账户的自组织SOM神经网络，通过所述神经网络中包括的参数计算第二离散值和衍生变量，其中，所述神经网络是利用历史操作事件训练得到的，所述历史操作事件包括以下中的至少一项：账户的在线支付，登录电子邮件账号；并且在所述历史操作事件中排除了盗用操作时的事件，以确保训练出的自组织SOM神经网络能够体现该账户的特性；

根据第二离散值、衍生变量和第一离散值，通过第一模型将灰色区域事件分流至高风险区域或低风险区域。

10.根据权利要求9所述的方法，其特征在于，所述神经网络的参数包括：输入神经元、输出神经元、权值调整域函数和学习率函数。

11.根据权利要求9所述的方法，其特征在于，所述神经网络的结构为二维平面或一维线阵。

12.一种利用神经网络预测风险度的系统，其特征在于，所述系统包括：

获取模块，用于获取处于灰色区域的事件在原始模块输出的第一离散值，所述第一离散值为风险度评估值；

调用模块，用于调用系统中与所述处于灰色区域事件对应账户的自组织SOM神经网络，通过所述神经网络中包括的参数计算第二离散值和衍生变量，其中，所述神经网络是利用历史操作事件训练得到的，所述历史操作事件包括以下中的至少一项：账户的在线支付，登录电子邮件账号；并且在所述历史操作事件中排除了盗用操作时的事件，以确保训练出的自组织SOM神经网络能够体现该账户的特性；

分流模块，用于根据第二离散值、衍生变量和第一离散值，通过第一模型将灰色区域事件分流至高风险区域或低风险区域。

Images