CN108564376A - 风险控制方法、装置、服务器及可读存储介质 - Google Patents

风险控制方法、装置、服务器及可读存储介质 Download PDF

Info

Publication number
CN108564376A
CN108564376A CN201810361737.4A CN201810361737A CN108564376A CN 108564376 A CN108564376 A CN 108564376A CN 201810361737 A CN201810361737 A CN 201810361737A CN 108564376 A CN108564376 A CN 108564376A
Authority
CN
China
Prior art keywords
risk
neural network
deep neural
feature
network model
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
Application number
CN201810361737.4A
Other languages
English (en)
Inventor
傅欣艺
程羽
陈弢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Advanced New Technologies Co Ltd
Advantageous New Technologies Co Ltd
Original Assignee
Alibaba Group Holding Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201810361737.4A priority Critical patent/CN108564376A/zh
Publication of CN108564376A publication Critical patent/CN108564376A/zh
Pending legal-status Critical Current

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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
    • G06Q20/401—Transaction verification
    • G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Technology Law (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书实施例提供了一种风险控制方法，基于所述风险特征，输入至预置的宽线性‑深度神经网络模型进行风险预测，得到所述交易数据的风险分值。本发明实施例采用的宽线性‑深度神经网络模型结合了宽线性模型和深度神经网络模型的优点，可对风险交易进行有效识别。

Description

风险控制方法、装置、服务器及可读存储介质
技术领域
本说明书实施例涉及互联网技术领域，尤其涉及一种风险控制方法、装置、服务器及可读存储介质。
背景技术
随着互联网的快速发展，各种形式的业务不断涌现，如在线银行、在线支付、在线购物等基于互联网的服务业务。人们已经越来越习惯在网上进行各种生活或商务活动。
由于互联网是一个开放的网络，任何人在任何地方都可以很方便地连接到互联网上。互联网在给人们生活提供便利的同时，也带来了风险。尤其是随着电子商务平台和第三方交易平台的发展，网络金融犯罪以及网上诈骗、信用卡盗刷等不断出现。因此，互联网风险控制越来越重要。
发明内容
本说明书实施例提供及一种风险控制方法、装置、服务器及可读存储介质。
第一方面，本说明书实施例提供一种风险控制方法，包括：
获取交易数据；
从所述交易数据中提取出风险特征；
基于所述风险特征，输入至预置的宽线性-深度神经网络模型进行风险预测，得到所述交易数据的风险分值；
基于所述风险分值对所述交易数据进行控制。
第二方面，本说明书实施例提供一种风险控制装置，包括：
数据获取单元，用于获取交易数据；
特征提取单元，用于从所述交易数据中提取出风险特征；
风险预测单元，用于基于所述风险特征，输入至预置的宽线性-深度神经网络模型进行风险预测，得到所述交易数据的风险分值；
风险控制单元，用于基于所述风险分值对所述交易数据进行控制。
第三方面，本说明书实施例提供一种服务器，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述方法的步骤。
第四方面，本说明书实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述方法的步骤。
本说明书实施例有益效果如下：本发明实施例中，通过预先建立的wide&deep模型可对风险特征进行有效识别。特别的，当当前wide&deep模型无法对风险特征进行识别时，在一种可选方式中，支持根据策略端识别结果对wide&deep模型进行更新。
附图说明
图1为本说明书实施例风险控制应用场景示意图；
图2为本说明书实施例第一方面提供的风险控制方法流程图；
图3为本说明书实施例中风险控制系统实例示意图；
图4为本说明书实施例第二方面提供的风险控制装置结构示意图；
图5为本说明书实施例第三方面提供的风险控制服务器结构示意图。
具体实施方式
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本说明书实施例的技术方案做详细的说明，应当理解本说明书实施例以及实施例中的具体特征是对本说明书实施例技术方案的详细的说明，而不是对本说明书技术方案的限定，在不冲突的情况下，本说明书实施例以及实施例中的技术特征可以相互组合。
请参见图1，为本说明书实施例的风险控制的场景示意图。终端100位于用户侧，与网络侧的服务器200通信。终端100中的交易处理客户端101可以是基于互联网实现业务的APP或网站，为用户提供交易的界面并将交易数据提供给网络侧进行处理；服务器200中的风险控制系统201用于对交易处理客户端101中涉及的交易进行风险控制。
第一方面，本说明书实施例提供一种风险控制方法，请参考图2，包括：
S201：获取交易数据。
S202：从交易数据中提取出风险特征。
风险特征是指根据风控系统预先确定的可能预测出该交易是否为风险交易的特征。例如，对于一笔交易，如果其用户是已登记为黑名单的用户，则该交易的用户信息可以作为一项风险特征；再比如，可根据交易涉及的额度及频繁程度判断一笔交易是否为风险交易，因此可提取交易数据中的交易额度及时间等信息作为风险特征。
S203：基于风险特征，输入至预置的宽线性-深度神经网络模型进行风险预测，得到交易数据的风险分值。
宽线性-深度神经网络(以下称为：wide&deep)模型，是将宽线性模型(WideModel)和深度神经网络模型(Deep Model)结合，汲取各自优势形成了Wide&Deep模型。
wide模型主要目的是“记忆”，采用的是逻辑回归模型，优点是简单、容易规模化和可解释性强，能够很好地记住已经出现过的样本，但是对于没有见过的样本，泛化能力弱。
deep模型主要目的是“归纳”，采用的是深度神经网络，优点是泛化能力强，即能够通过学习特征低维embedding来泛化之前从未或者很少出现的特征组合。Deep模型的局限性在于可解释性弱，且容易过度泛化。
通过联合学习的方式构建wide&deep模型。Deep&wide模型的两个部分是联合学习的，即对于新来一部分样本，两部分的权重同时进行调整，从而得到一个统一的wide&deep模型下的风险权重。为了不失灵活性，训练时wide和deep部分支持采用不同的优化算法，例如，wide部分可采用Follow the regularized leader(FTRL)+L1正则，deep部分可采用AdaGrad等。
在一种可选方式中，通过以下步骤建立wide&deep模型：
(1)获取训练样本，并从训练样本中提取出样本特征；
(2)基于训练样本的样本特征，联合学习wide模型和deep模型，计算出样本特征的风险权重，从而得到wide&deep模型。
风险权重代表各个样本特征(节点)的风险程度。通过对训练样本的训练，目的是使得目标与训练结果的误差(一般采用均方误差)小到一个给定的阈值，从而得到各个样本特征的权重。
本发明实施例中，通过预先建立的wide&deep模型可对风险特征进行有效识别。特别的，当当前wide&deep模型无法对风险特征进行识别时，在一种可选方式中，支持根据策略端识别结果对wide&deep模型进行更新。
具体的，根据本发明实施例的方法，如果预置的宽线性-深度神经网络模型无法识别出风险特征，上述方法还包括如下步骤：
(1)通过自动化分析或人工分析的方式识别风险特征；
(2)将识别出的新增风险特征融合到wide&deep模型中。
由于通过自动化分析或人工分析的方式所识别出的风险特征，一般认为是风险较大的特征，对于这类特征，可采取直接自定义风险权重(一般将风险权重设置为较高值)继而直接添加到wide&deep模型所支持的特征变量中的方式，将该新增特征融合到原有wide&deep模型中。这种方式无需重新训练wide&deep模型，效率较高。
当然，除了上述自定义新增风险特征的风险权重之外，也可以采取重新训练wide&deep模型的方式。具体的，根据新增风险特征以及原有wide&deep模型的样本特征训练新的wide&deep模型。这种方式更为适合所识别出的风险特征的风险程度不确定的场景。这种方式更为精准。
通过将自动化分析或人工分析而识别的风险特征融合到wide&deep模型中，可扩充wide&deep模型所能识别的风险特征，这种将风控系统中策略和模型的结果通过端到端的训练方法相结合的方式，使得wide&deep模型应用的方式更加智能化。
此外，为了及时根据最新动态捕捉风险变化形势，可定期(例如每天)获取离线样本数据对wide&deep模型进行refit(调整)。因此在一种可选方式中，还可执行如下步骤：
(1)定期获取预置时间段内的黑白样本数据。
例如，可以从服务器交易日志或存储器中获取离线交易数据，从而得到上述黑白样本数据。
(2)根据黑白样本数据，基于增量学习算法，定期对wide&deep模型进行重新调整。
增量学习(Incremental Learning)是指一个学习系统能不断地从新样本中学习新的知识，并能保存大部分以前已经学习到的知识，其非常类似于人类自身的学习模式。增量学习算法包括自组织增量学习神经网络算法(SOINN)或者情景记忆马尔可夫决策算法(EM-MDP)等，其核心的内容是处理新数据与已有数据相似性的评价。
在本发明实施例中，具体的，可基于增量学习算法，确定黑白样本数据与原有宽线性-深度神经网络模型的训练样本的相似度；对于相似度在相似度阈值之内的黑白样本，提取出黑白样本特征并确定黑白样本特征的风险权重，从而将黑白样本特征插入到原有宽线性-深度神经网络中。
本发明实施例中，基于增量学习原理，根据新增的黑白样本数据，对wide&deep模型进行重新调整，从而可以动态捕捉一段时间内(例如每天)变化的风险形势，并且能保留原有模型学习到的模式。
S204：基于风险分值对交易数据进行控制。
根据wide&deep模型得到的有关交易数据的风险分值，可与预置的风险分值阈值进行比较。例如，预先设置最低风险阈值，当交易数据的风险分值大于最低风险阈值时，确定该交易数据存在风险，可对其进行例如限制交易或关闭交易等控制方式。
参见图3，为本说明书实施例中一个风险控制系统实例的示意图。
该实例中，风险控制系统包括实时数据单元301、在线预测单元302、风险分析单元303、特征配置单元304和离线数据单元305。
(1)实时数据单元301
实时数据单元包括线上数据实时采集和风险特征(即模型所支持的特征变量)实时提取。线上每产生一个样本，都将实时得到风险特征，并将得到的风险特征将输入wide&deep模型进行实时打分。
(2)在线预测单元302
通过预先建立的wide&deep模型，对实时数据单元输入的风险特征进行风险打分。
(3)风险分析单元303
对于wide&deep模型未准确识别的样本，将流入风险分析单元。风险分析对于可以实时自动化进行，也可以由策略运营任意根据专家经验进行分析。
(4)特征配置单元304
由于wide模型支持变量的新增与减少，变量权重的自定义调整。因此，在特征配置单元，根据风险分析单元的分析结果，对于目前wide&deep模型未能识别的样本特征，可以构造新的“记忆型”变量，添加到wide模型中，并且支持权重自定义。
(5)数据存储单元305
每日产生的新样本，将流入数据存储单元。数据存储单元的作用除了保存每日产生的数据，还应具有累积黑白标签的功能，用以产生黑白样本。对于每日新产生的有黑白标签的样本，将采用增量学习算法进行模型refit，保持模型的每日更新。
可见，本发明实施例上述实例借鉴了在推荐系统领域中成熟应用的wide&deep模型框架，提出了一种基于增量学习的模型refit和策略调整方式，采用端到端的方式完成模型和策略的融合。本方案适宜应用于任何具有攻防对抗属性的风控场景中。
第二方面，基于同一发明构思，本说明书实施例提供一种风险控制装置，请参考图4，包括：
数据获取单元401，用于获取交易数据；
特征提取单元402，用于从所述交易数据中提取出风险特征；
风险预测单元403，用于基于所述风险特征，输入至预置的宽线性-深度神经网络模型进行风险预测，得到所述交易数据的风险分值；
风险控制单元404，用于基于所述风险分值对所述交易数据进行控制。
在一种可选方式中，还包括：
模型建立单元405，用于建立所述宽线性-深度神经网络模型；
所述模型建立单元405包括：
样本获取及处理子单元4051，用于获取训练样本，并从训练样本中提取出样本特征；
模型学习子单元4052，用于基于所述训练样本的样本特征，联合学习宽线性模型和深度神经网络模型，计算出样本特征的风险权重，从而得到所述宽线性-深度神经网络模型。
在一种可选方式中，还包括：
特征识别单元406，用于通过自动化分析或人工分析的方式识别所述风险特征；
特征融合单元407，用于将识别出的新增风险特征融合到所述宽线性-深度神经网络模型中。
在一种可选方式中，
所述特征融合单元407具体用于：对于所述新增风险特征，自定义风险权重，从而将所述新增风险特征添加到所述宽线性-深度神经网络模型所支持的特征变量中；或者，基于所述新增风险特征以及所述宽线性-深度神经网络模型的样本特征，重新训练宽线性-深度神经网络。
在一种可选方式中，还包括：
样本数据获取单元408，用于定期获取预置时间段内的黑白样本数据；
模型调整单元409，用于根据所述黑白样本数据，基于增量学习，定期对所述宽线性-深度神经网络模型进行重新调整。
在一种可选方式中，
所述模型调整单元409具体用于：基于增量学习算法，确定所述黑白样本数据与原有宽线性-深度神经网络模型的训练样本的相似度；以及，对于相似度在相似度阈值之内的黑白样本，提取出黑白样本特征并确定黑白样本特征的风险权重，从而将黑白样本特征插入到原有宽线性-深度神经网络中。
在一种可选方式中，
所述增量学习算法包括自组织增量学习神经网络算法或者情景记忆马尔可夫决策算法。
第三方面，基于与前述实施例中风险控制方法同样的发明构思，本发明还提供一种服务器，如图5所示，包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序，所述处理器502执行所述程序时实现前文所述风险控制方法的步骤。
其中，在图5中，总线架构(用总线500来代表)，总线500可以包括任意数量的互联的总线和桥，总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口506在总线500和接收器501和发送器503之间提供接口。接收器501和发送器503可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线500和通常的处理，而存储器504可以被用于存储处理器502在执行操作时所使用的数据。
第四方面，基于与前述实施例中风险控制方法的发明构思，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前文所述风险控制的任一方法的步骤。
本说明书是参照根据本说明书实施例的方法、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设备。
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设备的制造品，该指令设备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。
尽管已描述了本说明书的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本说明书范围的所有变更和修改。
显然，本领域的技术人员可以对本说明书进行各种改动和变型而不脱离本说明书的精神和范围。这样，倘若本说明书的这些修改和变型属于本说明书权利要求及其等同技术的范围之内，则本说明书也意图包含这些改动和变型在内。

Claims (16)

1.一种风险控制方法，包括：
获取交易数据；
从所述交易数据中提取出风险特征；
基于所述风险特征，输入至预置的宽线性-深度神经网络模型进行风险预测，得到所述交易数据的风险分值；
基于所述风险分值对所述交易数据进行控制。
2.根据权利要求1所述的方法，还包括：通过以下步骤建立所述宽线性-深度神经网络模型：
获取训练样本，并从训练样本中提取出样本特征；
基于所述训练样本的样本特征，联合学习宽线性模型和深度神经网络模型，计算出各个样本特征的风险权重，从而得到所述宽线性-深度神经网络模型。
3.根据权利要求1或2所述的方法，如果所述预置的宽线性-深度神经网络模型无法识别出所述风险特征，所述方法还包括：
通过自动化分析或人工分析的方式识别所述风险特征；
将识别出的新增风险特征融合到所述宽线性-深度神经网络模型中。
4.根据权利要求3所述的方法，所述将识别出的新增风险特征融合到所述宽线性-深度神经网络模型中，包括：
对于所述新增风险特征，自定义风险权重，从而将所述新增风险特征添加到所述宽线性-深度神经网络模型所支持的特征变量中；或者，
基于所述新增风险特征以及所述宽线性-深度神经网络模型的样本特征，重新训练宽线性-深度神经网络。
5.根据权利要求1或2所述的方法，还包括：
定期获取预置时间段内的黑白样本数据；
根据所述黑白样本数据，基于增量学习算法，定期对所述宽线性-深度神经网络模型进行重新调整。
6.根据权利要求5所述的方法，所述根据所述黑白样本数据，基于增量学习算法，定期对所述宽线性-深度神经网络模型进行重新调整，包括：
基于增量学习算法，确定所述黑白样本数据与原有宽线性-深度神经网络模型的训练样本的相似度；
对于相似度在相似度阈值之内的黑白样本，提取出黑白样本特征并确定黑白样本特征的风险权重，从而将黑白样本特征插入到原有宽线性-深度神经网络中。
7.根据所述权利要求6所述的方法，所述增量学习算法包括自组织增量学习神经网络算法或者情景记忆马尔可夫决策算法。
8.一种风险控制装置，包括：
数据获取单元，用于获取交易数据；
特征提取单元，用于从所述交易数据中提取出风险特征；
风险预测单元，用于基于所述风险特征，输入至预置的宽线性-深度神经网络模型进行风险预测，得到所述交易数据的风险分值；
风险控制单元，用于基于所述风险分值对所述交易数据进行控制。
9.根据权利要求8所述的装置，还包括：
模型建立单元，用于建立所述宽线性-深度神经网络模型；
所述模型建立单元包括：
样本获取及处理子单元，用于获取训练样本，并从训练样本中提取出样本特征；
模型学习子单元，用于基于所述训练样本的样本特征，联合学习宽线性模型和深度神经网络模型，计算出各个样本特征的风险权重，从而得到所述宽线性-深度神经网络模型。
10.根据权利要求8或9所述的装置，还包括：
特征识别单元，用于通过自动化分析或人工分析的方式识别所述风险特征；
特征融合单元，用于将识别出的新增风险特征融合到所述宽线性-深度神经网络模型中。
11.根据权利要求10所述的装置，所述特征融合单元具体用于：
对于所述新增风险特征，自定义风险权重，从而将所述新增风险特征添加到所述宽线性-深度神经网络模型所支持的特征变量中；或者，
基于所述新增风险特征以及所述宽线性-深度神经网络模型的样本特征，重新训练宽线性-深度神经网络。
12.根据权利要求8或9所述的装置，还包括：
样本数据获取单元，用于定期获取预置时间段内的黑白样本数据；
模型调整单元，用于根据所述黑白样本数据，基于增量学习，定期对所述宽线性-深度神经网络模型进行重新调整。
13.根据权利要求12所述的装置，所述模型调整单元具体用于：基于增量学习算法，确定所述黑白样本数据与原有宽线性-深度神经网络模型的训练样本的相似度；以及，对于相似度在相似度阈值之内的黑白样本，提取出黑白样本特征并确定黑白样本特征的风险权重，从而将黑白样本特征插入到原有宽线性-深度神经网络中。
14.根据所述权利要求13所述的方法，所述增量学习算法包括自组织增量学习神经网络算法或者情景记忆马尔可夫决策算法。
15.一种服务器，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1-7任一项所述方法的步骤。
16.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现权利要求1-7任一项所述方法的步骤。
CN201810361737.4A 2018-04-20 2018-04-20 风险控制方法、装置、服务器及可读存储介质 Pending CN108564376A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810361737.4A CN108564376A (zh) 2018-04-20 2018-04-20 风险控制方法、装置、服务器及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810361737.4A CN108564376A (zh) 2018-04-20 2018-04-20 风险控制方法、装置、服务器及可读存储介质

Publications (1)

Publication Number Publication Date
CN108564376A true CN108564376A (zh) 2018-09-21

Family

ID=63536140

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810361737.4A Pending CN108564376A (zh) 2018-04-20 2018-04-20 风险控制方法、装置、服务器及可读存储介质

Country Status (1)

Country Link
CN (1) CN108564376A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109377339A (zh) * 2018-10-22 2019-02-22 中信网络科技股份有限公司 一种可疑交易案例的辅助甄别方法及系统
CN109461078A (zh) * 2018-10-22 2019-03-12 中信网络科技股份有限公司 一种基于资金交易网络的异常交易识别方法及系统
CN110163242A (zh) * 2019-04-03 2019-08-23 阿里巴巴集团控股有限公司 风险识别方法、装置及服务器
CN110287180A (zh) * 2019-06-25 2019-09-27 上海诚数信息科技有限公司 一种基于深度学习的风控建模方法
CN110348705A (zh) * 2019-06-25 2019-10-18 阿里巴巴集团控股有限公司 用于风险控制的方法和装置
CN110830515A (zh) * 2019-12-13 2020-02-21 支付宝(杭州)信息技术有限公司 流量检测方法、装置、电子设备
CN111142743A (zh) * 2019-12-04 2020-05-12 支付宝(杭州)信息技术有限公司 一种风控策略配置方法及装置
CN111144718A (zh) * 2019-12-12 2020-05-12 支付宝(杭州)信息技术有限公司 基于私有数据保护的风险决策方法、装置、系统及设备
CN111383030A (zh) * 2020-05-28 2020-07-07 支付宝(杭州)信息技术有限公司 一种交易风险的检测方法、装置及设备
CN111598678A (zh) * 2020-07-27 2020-08-28 北京淇瑀信息科技有限公司 基于增量学习的用户金融风险识别方法、装置及电子设备
CN112668812A (zh) * 2021-03-16 2021-04-16 西南石油大学 产量确定方法、确定装置、计算机可读存储介质和处理器
CN113469370A (zh) * 2021-06-22 2021-10-01 河北工业大学 一种基于联邦增量学习的工业物联网数据共享方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101853400A (zh) * 2010-05-20 2010-10-06 武汉大学 基于主动学习和半监督学习的多类图像分类方法
CN101907681A (zh) * 2010-07-15 2010-12-08 南京航空航天大学 基于gsd_svdd的模拟电路动态在线故障诊断方法
CN103514566A (zh) * 2013-10-15 2014-01-15 国家电网公司 一种风险控制系统及方法
US20160259899A1 (en) * 2015-03-04 2016-09-08 Expeda ehf Clinical decision support system for diagnosing and monitoring of a disease of a patient
CN106776534A (zh) * 2016-11-11 2017-05-31 北京工商大学 词向量模型的增量式学习方法
CN107798467A (zh) * 2017-10-11 2018-03-13 杭州市环境保护科学研究院 基于深度学习的水污染突发事故快速应急评估和决策方法
CN107862468A (zh) * 2017-11-23 2018-03-30 深圳市智物联网络有限公司 设备风险识别模型建立的方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101853400A (zh) * 2010-05-20 2010-10-06 武汉大学 基于主动学习和半监督学习的多类图像分类方法
CN101907681A (zh) * 2010-07-15 2010-12-08 南京航空航天大学 基于gsd_svdd的模拟电路动态在线故障诊断方法
CN103514566A (zh) * 2013-10-15 2014-01-15 国家电网公司 一种风险控制系统及方法
US20160259899A1 (en) * 2015-03-04 2016-09-08 Expeda ehf Clinical decision support system for diagnosing and monitoring of a disease of a patient
CN106776534A (zh) * 2016-11-11 2017-05-31 北京工商大学 词向量模型的增量式学习方法
CN107798467A (zh) * 2017-10-11 2018-03-13 杭州市环境保护科学研究院 基于深度学习的水污染突发事故快速应急评估和决策方法
CN107862468A (zh) * 2017-11-23 2018-03-30 深圳市智物联网络有限公司 设备风险识别模型建立的方法及装置

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109461078A (zh) * 2018-10-22 2019-03-12 中信网络科技股份有限公司 一种基于资金交易网络的异常交易识别方法及系统
CN109377339A (zh) * 2018-10-22 2019-02-22 中信网络科技股份有限公司 一种可疑交易案例的辅助甄别方法及系统
CN109377339B (zh) * 2018-10-22 2021-01-05 中信网络科技股份有限公司 一种可疑交易案例的辅助甄别方法及系统
CN110163242A (zh) * 2019-04-03 2019-08-23 阿里巴巴集团控股有限公司 风险识别方法、装置及服务器
CN110163242B (zh) * 2019-04-03 2023-04-07 蚂蚁金服（杭州）网络技术有限公司 风险识别方法、装置及服务器
CN110287180A (zh) * 2019-06-25 2019-09-27 上海诚数信息科技有限公司 一种基于深度学习的风控建模方法
CN110348705A (zh) * 2019-06-25 2019-10-18 阿里巴巴集团控股有限公司 用于风险控制的方法和装置
CN111142743B (zh) * 2019-12-04 2021-11-16 支付宝(杭州)信息技术有限公司 一种风控策略配置方法及装置
CN111142743A (zh) * 2019-12-04 2020-05-12 支付宝(杭州)信息技术有限公司 一种风控策略配置方法及装置
CN111144718A (zh) * 2019-12-12 2020-05-12 支付宝(杭州)信息技术有限公司 基于私有数据保护的风险决策方法、装置、系统及设备
CN110830515A (zh) * 2019-12-13 2020-02-21 支付宝(杭州)信息技术有限公司 流量检测方法、装置、电子设备
CN111383030A (zh) * 2020-05-28 2020-07-07 支付宝(杭州)信息技术有限公司 一种交易风险的检测方法、装置及设备
CN111383030B (zh) * 2020-05-28 2021-02-23 支付宝(杭州)信息技术有限公司 一种交易风险的检测方法、装置及设备
CN111598678A (zh) * 2020-07-27 2020-08-28 北京淇瑀信息科技有限公司 基于增量学习的用户金融风险识别方法、装置及电子设备
CN112668812A (zh) * 2021-03-16 2021-04-16 西南石油大学 产量确定方法、确定装置、计算机可读存储介质和处理器
CN112668812B (zh) * 2021-03-16 2021-06-01 西南石油大学 产量确定方法、确定装置、计算机可读存储介质和处理器
CN113469370A (zh) * 2021-06-22 2021-10-01 河北工业大学 一种基于联邦增量学习的工业物联网数据共享方法
CN113469370B (zh) * 2021-06-22 2022-08-30 河北工业大学 一种基于联邦增量学习的工业物联网数据共享方法

Similar Documents

Publication Publication Date Title
CN108564376A (zh) 风险控制方法、装置、服务器及可读存储介质
CN105224606B (zh) 一种用户标识的处理方法及装置
CN111523621A (zh) 图像识别方法、装置、计算机设备和存储介质
CN110309840A (zh) 风险交易识别方法、装置、服务器及存储介质
CN109635838A (zh) 人脸样本图片标注方法、装置、计算机设备及存储介质
CN104753985A (zh) 会话列表显示方法和装置
TW202011285A (zh) 樣本屬性評估模型訓練方法、裝置及伺服器
CN112232293A (zh) 图像处理模型训练、图像处理方法及相关设备
CN107944874A (zh) 基于迁移学习的风控方法、装置及系统
CN113011646B (zh) 一种数据处理方法、设备以及可读存储介质
CN112559007A (zh) 多任务模型的参数更新方法、装置及电子设备
CN107797989A (zh) 企业名称识别方法、电子设备及计算机可读存储介质
CN109472305A (zh) 答案质量确定模型训练方法、答案质量确定方法及装置
CN104699711A (zh) 一种推荐方法及服务器
CN113901327A (zh) 一种目标推荐模型训练方法、推荐方法、装置及电子设备
KR102330423B1 (ko) 이미지 인식 딥러닝 알고리즘을 이용한 온라인 부도 예측 시스템
Xu et al. Stochastic Online Anomaly Analysis for Streaming Time Series.
US20240020556A1 (en) Information processing method and apparatus, server, and user device
CN113706151A (zh) 一种数据处理方法、装置、计算机设备及存储介质
EP4273750A1 (en) Data processing method and apparatus, computing device, and test simplification device
CN113254649B (zh) 敏感内容识别模型的训练方法、文本识别方法及相关装置
CN114117048A (zh) 一种文本分类的方法、装置、计算机设备及存储介质
CN114095529A (zh) 基于知识图谱的工业非智能传感器自适应接入中间件及其方法
CN109388711A (zh) 日志流聚类的方法和装置
CN110162769A (zh) 文本主题输出方法和装置、存储介质及电子装置

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20200924

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Innovative advanced technology Co.,Ltd.

Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant before: Advanced innovation technology Co.,Ltd.

Effective date of registration: 20200924

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Advanced innovation technology Co.,Ltd.

Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands

Applicant before: Alibaba Group Holding Ltd.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180921