CN107368936A - 风控模型训练方法和装置 - Google Patents
风控模型训练方法和装置 Download PDFInfo
- Publication number
- CN107368936A CN107368936A CN201610317630.0A CN201610317630A CN107368936A CN 107368936 A CN107368936 A CN 107368936A CN 201610317630 A CN201610317630 A CN 201610317630A CN 107368936 A CN107368936 A CN 107368936A
- Authority
- CN
- China
- Prior art keywords
- data
- air control
- control model
- acquisition system
- data acquisition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Abstract
本申请实施例公开一种风控模型训练方法和应用该方法的装置,通过将已知结果的历史数据分为第一、第二数据集合,通过第一数据集合来训练损失函数不同的各个风控模型,在通过第二数据集合来验证各个风控模型,以根据验证结果来选定最优模型。后续,通过最优模型来对待处理数据进行风控处理。实现快速判断例如在线交易的数据风险,避免了数据风险的漏判,保证了用户的财产安全。
Description
技术领域
本申请涉及网络安全技术领域,特别涉及一种风控模型训练方法和装置。
背景技术
随着网络安全技术的快速发展,利用网络技术进行在线交易的需求越来越多,如何避免用户在这些交易中遭遇例如银行卡盗刷、假冒货品等欺诈风险,有效提高交易的安全性,愈发受到业内重视。
现有技术中,一般通过人工审理方式来判断相关交易是否有欺诈风险,其包括如下步骤:首先根据历史经验针对交易制定判定规则,例如交易双方的身份具有诚信问题时,认定相关交易的欺诈风险等级高;然后,训练人工审核团队,对当前的交易进行风险审核,确定该交易是欺诈风险是高风险、低风险或无风险等。
然而,该现有技术中,通过人工审核方式来判断相关交易是否有欺诈风险,过于依赖审核人员的业务素质和工作状态,容易发生交易风险的错判和漏判,进而对用户造成财产损失。
发明内容
本申请实施例的目的是提供一种风控模型训练方法和装置,可以通过训练所得风控该模型对数据进行风控处理。
为解决上述技术问题,本申请实施例提供一种风控模型训练方法,包括:
获取已知结果的历史数据;
将所述历史数据划分为第一数据集合和第二数据集合;
确定不同的损失函数;
针对每个不同的损失函数,根据该损失函数、所述第一数据集合中的历史数据及其已知结果来训练风控模型,使根据训练得到的风控模型和该损失函数对所述第一数据集合中的历史数据计算的损失值最小;
根据所述第二数据集合中的历史数据,分别验证针对不同的损失函数训练得到的各风控模型;
根据验证结果,在各风控模型中确定出最优模型;
当接收到待处理数据时,根据所述最优模型对所述待处理数据进行风控处理。
为解决上述技术问题,本申请实施例提供一种风控模型训练装置,包括:
数据获取模块,用于获取已知结果的历史数据;
数据划分模块,用于将所述历史数据划分为第一数据集合和第二数据集合;
函数确定模块,用于确定不同的损失函数;
模型训练模块,用于针对每个不同的损失函数,根据该损失函数、所述第一数据集合中的历史数据及其已知结果来训练风控模型,使根据训练得到的风控模型和该损失函数对所述第一数据集合中的历史数据计算的损失值最小;
模型验证模块,用于根据所述第二数据集合中的历史数据,分别验证针对不同的损失函数训练得到的各风控模型;
模型确定模块,用于根据验证结果,在各风控模型中确定出最优模型;
数据处理模块,用于当接收到待处理数据时,根据所述最优模型对所述待处理数据进行风控处理。
由以上本申请实施例提供的技术方案可见,本申请实施例所提供的模型训练方法和装置,将已知结果的历史数据分为第一、第二数据集合,通过第一数据集合来训练损失函数不同的各个风控模型,在通过第二数据集合来验证各个风控模型,以根据验证结果来选定最优模型。后续,通过最优模型来对待处理数据进行风控处理。实现快速判断例如在线交易的数据风险,避免了数据风险的漏判,保证了用户的财产安全。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例中风控模型训练方法的过程。
图2为本申请实施例中风控模型训练装置的结构。
具体实施方式
本申请实施例提供一种风控模型训练方法及装置。
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
图1为本申请实施例中风控模型训练方法的过程,该方法包括如下步骤。
S101、获取已知结果的历史数据。
历史数据作为后续进行模型训练的样本数据,均具有已知的真实执行结果,历史数据还具有经过例如人工审核系统的现有风控处理系统进行风控处理后所得到的风险等级。在实际应用中,风险等级的数量可以根据需求进行预设,例如风险等级的数量设置为3个,分别是预设的高风险等级、低风险等级和零风险等级。
后续,基于历史数据所训练得到的风控模型所输出的风控结果也可以依照现有风控处理的风险等级进行预设,例如设置成风控该模型的所输出的风控结果也为:高风险等级、低风险等级和零风险等级。
在本申请实施例中,历史数据可以是某在线交易平台的交易数据,风控结果可以用于描述交易行为发生欺诈的风险,延续上例,风险等级被设置为预设的低风险等级、高风险等级和零风险等级时,处于这3个风险等级的交易行为发生欺诈的风险依次降低。
其中,各条交易数据可以包括如下至少一项:交易双方的身份数据、交易环境数据以及待交易对象数据。通过这些类型的数据可以确定唯一的第一数据集合。
交易双方的身份数据可以包括卖方身份数据和买方身份数据,卖方身份数据可以是商户类型、商户注册时间、商户的商业执照号等多种能够确定唯一商户的数据,买方身份数据可以是购买人的身份证号、驾照号码、银行卡卡号等多种能够确定唯一购买人的数据。
交易环境数据可以包括进行第一数据集合时所使用硬件设备和软件程序的相关参数,硬件设备的参数可以是设备的MAC地址、UMID码、SIM卡号、IMEI码、IP地址、VPN地址以及设备型号等,软件程序的参数可以是操作系统类型、浏览器类型、客户端App版本等。
待交易对象数据可以包括用于描述待交易对象的各种参数,例如待交易商品的名称、类型、数量、金额、订单号、收货地址、收货电话等。
S102、将历史数据划分为第一数据集合和第二数据集合。
第一数据集合和第二数据集合相对独立,二者可以通过历史数据的数据量来划分,例如将历史数据对半分成两个相对独立的集合;二者也可以通过历史数据的记录时间来划分,例如根据记录时间戳将历史数据分成两个相对独立的集合,在实际应用中,可以使得第二数据集合中的历史数据的记录时间均晚于第一数据集合中的历史数据的记录时间。
S103、确定不同的损失函数。
损失函数用于描述风控模型在不同输入数据下的损失值,损失函数具有对应法则,输入数据经过对应法则后则能够得到风控模型的损失值,损失值体现了风控模型针对某输入数据的风险等级标注错误对用户造成的具体损失数额。后续,可以通过调整对应法则内的参数即可实现确定出不同的损失函数,此为函数基本理论,在此不做赘述。
在本申请实施例中,损失函数为fi为第i个风险等级的历史数据的损失量,ai为第i个风险等级的权重。其中,损失函数F的对应法则包括各风险等级对应的权重ai,通过调整权重ai即可确定本申请实施例中不同的损失函数F。
延续上例,仍以历史数据为某在线交易平台的交易数据,风控模型输出的风控结果为3个,分别是预设的低风险等级、高风险等级和零风险等级为例,则损失函数F内各风险等级对应的权重分别为a1、a2和a3,通过调整a1、a2和a3的值,则可以实现调整损失函数F。在实际应用中,可以设定a1、a2和a3的值依次增加,并将a3设置为1。
当历史数据出现风控结果与已知的交易结果不匹配时,则相应的交易则会有损失,在实际应用中,风控结果与交易结果不匹配一般包括如下场景:历史数据的风控结果为零风险等级,交易结果为有欺诈;历史数据的风控结果为低风险等级,交易结果为无欺诈;历史数据的风控结果为高风险等级,交易结果为无欺诈。若是历史数据的风控结果与交易结果符合上述场景,则可以将交易中待转移的资金量或货物价格作为该交易的损失量fi,此时i即为该交易的风险等级,后续将所有损失量fi做累计,则得到损失函数F的损失值。
在本申请实施例中,可以采用坐标梯度下降法、网格搜索法中的至少一种,调整各风险等级对应的权重ai,实现确定不同的损失函数F,上述算法均为本领域普通技术人员所熟知的技术,在此不做赘述。
S104、针对每个不同的损失函数,根据该损失函数、所述第一数据集合中的历史数据及其已知结果,训练风控模型,使根据训练得到的风控模型和该损失函数对所述第一数据集合中的历史数据计算的损失值最小。
在本申请实施例中,将第一数据集合内历史数据及其风控结果作为输入,确定其中风控结果与已知结果不匹配的历史数据,则可以得到各损失函数F的损失值。
后续,针对各损失函数F,调整第一数据集合内风控结果,直至损失值最小,具体可以包括如下步骤:
沿预设等级策略调整所述第一数据集合的风控结果;
在当前损失函数F的损失值降低时,保持执行沿预设等级策略调整所述第一数据集合的风险等级的步骤;
在当前损失函数F的损失值不变或增加,根据所述预设等级策略的反向策略来调整所述第一数据集合的风险等级。
其中,预设等级策略可以根据第一数据集合的风控结果的判定规则来设定。仍延续上例,以历史数据为某在线交易平台的交易数据,例如买方的诚信值在超过预设值时,认定买方诚信度高,在不考虑其他数据的情况下,通过人工判定规则可以将该交易标记为零风险等级,例如买方的银行卡被盗次数超过预设次数,则同样可以通过人工判定规则将该交易标记为高风险等级。则预设等级策略可以是降低针对买方诚信度的预设值,针对该预设等级策略的反向策略则为增加买方诚信度的预设值,其余类型的预设等级策略可以根据判断规则进行类推,在此不做赘述。
在本申请实施例中,可以采用随机森林算法、神经网络算法中的至少一种,调整第一数据集合内历史数据的风控结果,实现训练风控模型,上述算法均为本领域普通技术人员所熟知的技术,在此不做赘述。
S105、根据所述第二数据集合中的历史数据,分别验证针对不同的损失函数训练得到的各风控模型。
在本申请实施例中,针对训练得到的每个风控模型,采用该风控模型对所述第二数据集合中的历史数据进行风控处理,得到每个风控模型对第二数据集合的处理结果。
后续,将各风控模型输出的风控结果与该第二数据集合中的历史数据对应的已知结果最对比,确定出两个结果不同的历史数据,进而确定出这些历史数据所产生的实际损失值,将该实际损失值作为该风控模型的验证结果。
仍延续上例,若是一笔交易数据的风控结果和已知结果不同,例如,一笔交易数据的风控结果为预设的低风险等级或零风险等级,而已知结果为高风险等级,两个结果显然不一致,则表明风控模型预测错误,使得该笔交易产生损失,将这些交易的损失累计即为实际损失值。
S106、根据验证结果,在各风控模型中确定出最优模型。
根据针对每个风控模型确定的实际损失值,将实际损失值最小的风控模型确定为最优模型。
S107、当接收到待处理数据时,根据所述最优模型对所述待处理数据进行风控处理。
在本申请实施例中,待处理数据也可以为前述在线交易平台内交易数据,最优模型针对待处理数据进行风控处理后,可以得到其风控结果,进而根据风控结果进行风控处理。例如,风控结果为高风险等级时,可以将该待处理数据相应的交易关闭。
综上,本申请实施例所提供的模型训练方法,将已知结果的历史数据分为第一、第二数据集合,通过第一数据集合来训练损失函数不同的各个风控模型,在通过第二数据集合来验证各个风控模型,以根据验证结果来选定最优模型。后续,通过最优模型来对待处理数据进行风控处理。实现快速判断例如在线交易的数据风险,避免了数据风险的漏判,保证了用户的财产安全。
图2为本申请实施例中模型训练装置的结构。该训练装置是前述训练方法的执行主体,其原理和细节均可参考前述方法内容,在此不做赘述。
数据获取模块101,用于获取已知结果的历史数据;
数据划分模块102,用于将所述历史数据划分为第一数据集合和第二数据集合;
函数确定模块103,用于确定不同的损失函数;
模型训练模块104,用于针对每个不同的损失函数,根据该损失函数、所述第一数据集合中的历史数据及其已知结果来训练风控模型,使根据训练得到的风控模型和该损失函数对所述第一数据集合中的历史数据计算的损失值最小;
模型验证模块105,用于根据所述第二数据集合中的历史数据,分别验证针对不同的损失函数训练得到的各风控模型;
模型确定模块106,用于根据验证结果,在各风控模型中确定出最优模型;
数据处理模块107,用于当接收到待处理数据时,根据所述最优模型对所述待处理数据进行风控处理。
本申请实施例中,所述数据划分模块102,具体用于:
根据各历史数据的记录时间,将所述历史数据划分为第一数据集合和第二数据集合,其中,所述第二数据集合中的历史数据的记录时间均晚于第一数据集合中的历史数据的记录时间。
本申请实施例中,要训练的风控模型输出的风控结果为若干个风险等级;所述损失函数为:fi为第i个风险等级的历史数据的损失量,ai为第i个风险等级的权重。
本申请实施例中,所述函数确定模块103,具体用于:
通过调整各风险等级对应的权重,以确定不同的损失函数。
本申请实施例中,所述函数确定模块103,具体用于:
采用坐标梯度下降法、网格搜索法中的至少一种,调整各风险等级对应的权重。
本申请实施例中,所述模型训练模块104,具体用于:
采用随机森林算法、神经网络算法中的至少一种,训练风控模型。
本申请实施例中,所述模型验证模块105,具体用于:
针对训练得到的每个风控模型,采用该风控模型对所述第二数据集合中的历史数据进行风控处理,根据该风控模型输出的结果以及该第二数据集合中的历史数据对应的已知结果,确定采用该风控模型对所述第二数据集合中的历史数据进行风控处理时所产生的实际损失值,将该实际损失值作为该风控模型的验证结果。
本申请实施例中,所述模型确定模块106,具体用于:
根据针对每个风控模型确定的实际损失值,将实际损失值最小的风控模型确定为最优模型。
本申请实施例中,所述历史数据包括:交易数据;
所述待处理数据包括:交易数据;
所述交易数据中包括:交易双方的身份数据、交易环境数据以及待交易对象数据中的至少一种。
综上,本申请实施例所提供的模型训练装置,将已知结果的历史数据分为第一、第二数据集合,通过第一数据集合来训练损失函数不同的各个风控模型,在通过第二数据集合来验证各个风控模型,以根据验证结果来选定最优模型。后续,通过最优模型来对待处理数据进行风控处理。实现快速判断例如在线交易的数据风险,避免了数据风险的漏判,保证了用户的财产安全。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(ProgrammableLogic Device,PLD)(例如现场可编程门阵列(Field Programmable Gate Array,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片2。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(HardwareDescription Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera HardwareDescription Language)、Confluence、CUPL(Cornell University ProgrammingLanguage)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby Hardware Description Language)等,目前最普遍使用的是VHDL(Very-High-Speed Integrated Circuit HardwareDescription Language)与Verilog2。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、MicrochipPIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (18)
1.一种风控模型训练方法,其特征在于,包括:
获取已知结果的历史数据;
将所述历史数据划分为第一数据集合和第二数据集合;
确定不同的损失函数;
针对每个不同的损失函数,根据该损失函数、所述第一数据集合中的历史数据及其已知结果来训练风控模型,使根据训练得到的风控模型和该损失函数对所述第一数据集合中的历史数据计算的损失值最小;
根据所述第二数据集合中的历史数据,分别验证针对不同的损失函数训练得到的各风控模型;
根据验证结果,在各风控模型中确定出最优模型;
当接收到待处理数据时,根据所述最优模型对所述待处理数据进行风控处理。
2.如权利要求1所述的方法,其特征在于,将所述历史数据划分为第一数据集合和第二数据集合,具体包括:
根据各历史数据的记录时间,将所述历史数据划分为第一数据集合和第二数据集合,其中,所述第二数据集合中的历史数据的记录时间均晚于第一数据集合中的历史数据的记录时间。
3.如权利要求1所述的方法,其特征在于,要训练的风控模型输出的风控结果为若干个风险等级;所述损失函数为:fi为第i个风险等级的历史数据的损失量,ai为第i个风险等级的权重。
4.如权利要求3所述的方法,其特征在于,确定不同的损失函数,具体包括:
通过调整各风险等级对应的权重,以确定不同的损失函数。
5.如权利要求4所述的方法,其特征在于,调整各风险等级对应的权重,具体包括:
采用坐标梯度下降法、网格搜索法中的至少一种,调整各风险等级对应的权重。
6.如权利要求1~5任一所述的方法,其特征在于,训练风控模型,具体包括:
采用随机森林算法、神经网络算法中的至少一种,训练风控模型。
7.如权利要求1或2所述的方法,其特征在于,根据所述第二数据集合中的历史数据,分别验证针对不同的损失函数训练得到的各风控模型,具体包括:
针对训练得到的每个风控模型,采用该风控模型对所述第二数据集合中的历史数据进行风控处理,根据该风控模型输出的结果以及该第二数据集合中的历史数据对应的已知结果,确定采用该风控模型对所述第二数据集合中的历史数据进行风控处理时所产生的实际损失值,将该实际损失值作为该风控模型的验证结果。
8.如权利要求7所述的方法,其特征在于,根据验证结果,在各风控模型中确定出最优模型,具体包括:
根据针对每个风控模型确定的实际损失值,将实际损失值最小的风控模型确定为最优模型。
9.如权利要求1所述的方法,其特征在于,所述历史数据包括:交易数据;
所述待处理数据包括:交易数据;
所述交易数据中包括:交易双方的身份数据、交易环境数据以及待交易对象数据中的至少一种。
10.一种风控模型训练装置,其特征在于,包括:
数据获取模块,用于获取已知结果的历史数据;
数据划分模块,用于将所述历史数据划分为第一数据集合和第二数据集合;
函数确定模块,用于确定不同的损失函数;
模型训练模块,用于针对每个不同的损失函数,根据该损失函数、所述第一数据集合中的历史数据及其已知结果来训练风控模型,使根据训练得到的风控模型和该损失函数对所述第一数据集合中的历史数据计算的损失值最小;
模型验证模块,用于根据所述第二数据集合中的历史数据,分别验证针对不同的损失函数训练得到的各风控模型;
模型确定模块,用于根据验证结果,在各风控模型中确定出最优模型;
数据处理模块,用于当接收到待处理数据时,根据所述最优模型对所述待处理数据进行风控处理。
11.如权利要求10所述的装置,其特征在于,所述数据划分模块,具体用于:
根据各历史数据的记录时间,将所述历史数据划分为第一数据集合和第二数据集合,其中,所述第二数据集合中的历史数据的记录时间均晚于第一数据集合中的历史数据的记录时间。
12.如权利要求10所述的装置,其特征在于,要训练的风控模型输出的风控结果为若干个风险等级;所述损失函数为:fi为第i个风险等级的历史数据的损失量,ai为第i个风险等级的权重。
13.如权利要求12所述的装置,其特征在于,所述函数确定模块,具体用于:
通过调整各风险等级对应的权重,以确定不同的损失函数。
14.如权利要求13所述的装置,其特征在于,所述函数确定模块,具体用于:
采用坐标梯度下降法、网格搜索法中的至少一种,调整各风险等级对应的权重。
15.如权利要求10~14任一所述的装置,其特征在于,所述模型训练模块,具体用于:
采用随机森林算法、神经网络算法中的至少一种,训练风控模型。
16.如权利要求10或11所述的装置,其特征在于,所述模型验证模块,具体用于:
针对训练得到的每个风控模型,采用该风控模型对所述第二数据集合中的历史数据进行风控处理,根据该风控模型输出的结果以及该第二数据集合中的历史数据对应的已知结果,确定采用该风控模型对所述第二数据集合中的历史数据进行风控处理时所产生的实际损失值,将该实际损失值作为该风控模型的验证结果。
17.如权利要求16所述的装置,其特征在于,所述模型确定模块,具体用于:
根据针对每个风控模型确定的实际损失值,将实际损失值最小的风控模型确定为最优模型。
18.如权利要求10所述的装置,其特征在于,所述历史数据包括:交易数据;
所述待处理数据包括:交易数据;
所述交易数据中包括:交易双方的身份数据、交易环境数据以及待交易对象数据中的至少一种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610317630.0A CN107368936A (zh) | 2016-05-12 | 2016-05-12 | 风控模型训练方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610317630.0A CN107368936A (zh) | 2016-05-12 | 2016-05-12 | 风控模型训练方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107368936A true CN107368936A (zh) | 2017-11-21 |
Family
ID=60304254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610317630.0A Pending CN107368936A (zh) | 2016-05-12 | 2016-05-12 | 风控模型训练方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107368936A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446817A (zh) * | 2018-02-01 | 2018-08-24 | 阿里巴巴集团控股有限公司 | 确定业务对应的决策策略的方法、装置和电子设备 |
CN108537671A (zh) * | 2018-04-27 | 2018-09-14 | 广州品唯软件有限公司 | 一种交易风险评估方法及系统 |
CN108564464A (zh) * | 2018-04-13 | 2018-09-21 | 深圳壹账通智能科技有限公司 | 风险控制审核结果智能显示方法、装置、设备及存储介质 |
CN109064175A (zh) * | 2018-06-11 | 2018-12-21 | 阿里巴巴集团控股有限公司 | 一种账户盗用风险防控方法及装置 |
CN109255517A (zh) * | 2018-07-27 | 2019-01-22 | 阿里巴巴集团控股有限公司 | 风控策略的生成方法、装置、服务器及可读存储介质 |
CN109543848A (zh) * | 2018-10-22 | 2019-03-29 | 深圳市轱辘汽车维修技术有限公司 | 一种维修人员的风险控制方法及装置 |
CN109711665A (zh) * | 2018-11-20 | 2019-05-03 | 深圳壹账通智能科技有限公司 | 一种基于金融风控数据的预测模型构建方法及相关设备 |
CN109767110A (zh) * | 2019-01-04 | 2019-05-17 | 中国银行股份有限公司 | 一种风险控制系统优化方法、装置、设备及存储介质 |
WO2019144808A1 (zh) * | 2018-01-23 | 2019-08-01 | 阿里巴巴集团控股有限公司 | 判定虚假资源转移及虚假交易的方法、装置及电子设备 |
CN110322028A (zh) * | 2018-03-29 | 2019-10-11 | 北京红马传媒文化发展有限公司 | 资源管理方法、装置及电子设备 |
CN110555630A (zh) * | 2019-09-11 | 2019-12-10 | 北京奇艺世纪科技有限公司 | 一种数据处理方法及装置 |
CN111898879A (zh) * | 2020-07-15 | 2020-11-06 | 北京海恩炼鑫台信息技术有限责任公司 | 一种ai智能风控建模方法 |
-
2016
- 2016-05-12 CN CN201610317630.0A patent/CN107368936A/zh active Pending
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019144808A1 (zh) * | 2018-01-23 | 2019-08-01 | 阿里巴巴集团控股有限公司 | 判定虚假资源转移及虚假交易的方法、装置及电子设备 |
CN108446817B (zh) * | 2018-02-01 | 2020-10-02 | 阿里巴巴集团控股有限公司 | 确定业务对应的决策策略的方法、装置和电子设备 |
WO2019149059A1 (zh) * | 2018-02-01 | 2019-08-08 | 阿里巴巴集团控股有限公司 | 确定业务对应的决策策略的方法、装置和电子设备 |
CN108446817A (zh) * | 2018-02-01 | 2018-08-24 | 阿里巴巴集团控股有限公司 | 确定业务对应的决策策略的方法、装置和电子设备 |
CN110322028A (zh) * | 2018-03-29 | 2019-10-11 | 北京红马传媒文化发展有限公司 | 资源管理方法、装置及电子设备 |
CN108564464A (zh) * | 2018-04-13 | 2018-09-21 | 深圳壹账通智能科技有限公司 | 风险控制审核结果智能显示方法、装置、设备及存储介质 |
CN108537671A (zh) * | 2018-04-27 | 2018-09-14 | 广州品唯软件有限公司 | 一种交易风险评估方法及系统 |
CN109064175A (zh) * | 2018-06-11 | 2018-12-21 | 阿里巴巴集团控股有限公司 | 一种账户盗用风险防控方法及装置 |
CN109064175B (zh) * | 2018-06-11 | 2022-08-12 | 创新先进技术有限公司 | 一种账户盗用风险防控方法及装置 |
CN109255517B (zh) * | 2018-07-27 | 2022-04-26 | 创新先进技术有限公司 | 风控策略的生成方法、装置、服务器及可读存储介质 |
CN109255517A (zh) * | 2018-07-27 | 2019-01-22 | 阿里巴巴集团控股有限公司 | 风控策略的生成方法、装置、服务器及可读存储介质 |
CN109543848A (zh) * | 2018-10-22 | 2019-03-29 | 深圳市轱辘汽车维修技术有限公司 | 一种维修人员的风险控制方法及装置 |
CN109711665A (zh) * | 2018-11-20 | 2019-05-03 | 深圳壹账通智能科技有限公司 | 一种基于金融风控数据的预测模型构建方法及相关设备 |
CN109767110A (zh) * | 2019-01-04 | 2019-05-17 | 中国银行股份有限公司 | 一种风险控制系统优化方法、装置、设备及存储介质 |
CN110555630B (zh) * | 2019-09-11 | 2022-08-12 | 北京奇艺世纪科技有限公司 | 一种数据处理方法及装置 |
CN110555630A (zh) * | 2019-09-11 | 2019-12-10 | 北京奇艺世纪科技有限公司 | 一种数据处理方法及装置 |
CN111898879A (zh) * | 2020-07-15 | 2020-11-06 | 北京海恩炼鑫台信息技术有限责任公司 | 一种ai智能风控建模方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107368936A (zh) | 风控模型训练方法和装置 | |
CN109064175B (zh) | 一种账户盗用风险防控方法及装置 | |
CN109087106A (zh) | 识别二次放号账户盗用的风控模型训练、风控方法、装置以及设备 | |
CN106815754A (zh) | 一种风险控制系统的计费方法和风控系统服务器 | |
CN107451485A (zh) | 一种基于区块链的数据处理方法及设备 | |
CN109934706A (zh) | 一种基于图结构模型的交易风险控制方法、装置以及设备 | |
CN107424069A (zh) | 一种风控特征的生成方法、风险监控方法及设备 | |
CN107038042A (zh) | 一种业务执行的方法及装置 | |
CN107909495A (zh) | 一种对账方法、系统、介质、电子设备 | |
CN107230008A (zh) | 一种风险信息输出、风险信息构建方法及装置 | |
CN109002949A (zh) | 一种风控策略配置以及业务风控的方法及装置 | |
CN107679700A (zh) | 业务流程处理方法、装置及服务器 | |
CN107274023A (zh) | 投保流程生成方法、投保请求处理方法及装置和电子设备 | |
CN107026838A (zh) | 一种电子凭证的发放方法及装置 | |
CN106327196A (zh) | 一种支付阈值获取方法和装置 | |
CN107895323A (zh) | 信用评价方法和装置 | |
CN110503551A (zh) | 一种网络资金交易渠道维护方法、装置和设备 | |
CN110245475A (zh) | 身份验证方法和装置 | |
CN107018115A (zh) | 账户处理方法和装置 | |
CN106610818A (zh) | 一种属性确定的方法及装置 | |
CN108734469A (zh) | 确定待定用户风险标签的方法和装置 | |
Halim et al. | The impacts of e-payment system and impulsive buying to purchase intention in e-commerce | |
CN110428304A (zh) | 一种订单结算系统、方法及装置 | |
CN107578338A (zh) | 一种业务发布方法、装置及设备 | |
CN110414990A (zh) | 交易风险预警、防控方法、装置、设备及防控系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171121 |
|
RJ01 | Rejection of invention patent application after publication |