CN111291900A - 训练风险识别模型的方法及装置 - Google Patents

Abstract

本说明书实施例提供一种训练风险识别模型的方法和装置。其中风险识别模型包括主体模型，与多个交易场景相对应的多个场景模型和多个分类器；训练方法包括，对于训练样本集中的第一交易事件，确定其对应的第一交易场景，并提取其事件特征；然后将其事件特征划分为共有特征部分和对应于第一场景的第一场景特征部分。接着将共有特征部分输入主体模型，将第一场景特征部分输入多个场景模型中与第一场景对应的第一场景模型，通过对应的第一分类器得到第一预测风险，进而得到该第一交易事件对应的预测损失。于是可以根据样本集中各个交易事件对应的预测损失的综合，训练该风险识别模型。

Description

训练风险识别模型的方法及装置

技术领域

本说明书一个或多个实施例涉及机器学习领域，尤其涉及训练风险识别模型的方法和装置。

背景技术

随着计算机技术的发展，机器学习已经应用到各种各样的技术领域，用于分析、预测各种业务数据。在电子交易和电子支付已广泛使用的情况下，将人工智能应用到电子支付分析，识别其中的安全风险，成为一项重要的目标。

电子支付的安全风险，主要包括盗用风险，欺诈风险等，其中盗用风险涉及盗用账号，盗用卡，盗用付款码等情况，欺诈风险包括套现，洗钱等。一旦发生不安全的交易事件，会为用户的资金带来损失，也极大地威胁电子交易和支付平台的安全性，稳定性和用户体验。因此，对电子支付中安全风险的识别至关重要。

然而，随着电子支付平台提供的服务内容越来越多，电子支付的场景越来越纷繁复杂，各种场景下的不安全交易事件的类型也越来越多，这为各种不安全交易事件的识别带来很大的困难。另一方面，电子交易事件具有很强的时效性和攻防性，这为准确地识别交易事件的安全风险进一步增加了难度。

因此，希望能有改进的方案，更为准确有效地对交易事件的安全性进行评估，识别出不安全的交易事件。

发明内容

本说明书一个或多个实施例描述了一种训练风险识别模型的方法和装置，通过多任务学习的方式，训练得到适用于多场景的风险识别模型，从而准确有效地对各种场景下的交易事件的安全性进行评估，识别出不安全的交易事件。

根据第一方面，提供了一种训练风险识别模型的方法，所述风险识别模型用于识别交易事件的安全风险，并包括主体模型，多个场景模型和对应的多个分类器，所述多个场景模型对应于多个交易场景；所述方法包括：

获取训练样本集，其中包括多个样本交易事件及其各自对应的风险标签，其中所述多个样本交易事件来自于不同的交易场景；

对于所述多个样本交易事件中任意的第一交易事件，确定其对应的第一交易场景，并提取该第一交易事件的事件特征；

根据预定的共有特征集和所述第一交易场景对应的第一场景特征集，将所述事件特征划分为共有特征部分和第一场景特征部分，其中所述共有特征集包括所述多个交易场景均具有的特征；

将所述共有特征部分输入所述主体模型，将所述第一场景特征部分输入所述多个场景模型中与所述第一场景对应的第一场景模型，通过对应的第一分类器得到针对所述第一交易事件的第一预测风险；

根据所述第一预测风险和与所述第一交易事件对应的第一风险标签，得到与该第一交易事件对应的第一预测损失；

根据所述多个样本交易事件各自对应的预测损失的综合，训练所述风险识别模型。

在不同实施例中，上述多个交易场景包括以下场景中的至少一部分：转账到账号，转账到卡，信用卡还款，充值场景，提现场景，红包场景，外部商户调用，亲密付，生活缴费，虚拟商品交易。

在不同实施方式中，上述共有特征集可以包括以下中的一项或多项：身份特征，交易行为特征，交易环境特征，设备特征，关系特征。

根据一个实施例，所述主体模型包括若干主体决策树，所述第一场景模型包括若干第一决策树；在这样的情况下，通过以下方式得到针对所述第一交易事件的第一预测风险：获取所述第一交易事件在所述若干主体决策树中落入的主体叶节点所对应的主体评分，所述主体叶节点根据所述共有特征部分而确定；获取所述第一交易事件在所述若干第一决策树中落入的第一叶节点所对应的第一评分，所述第一叶节点根据所述第一场景特征部分而确定；通过所述第一分类器对所述主体评分和第一评分进行综合，得到综合评分，根据所述综合评分，得到所述第一预测风险。

根据一个实施例，所述风险识别模型通过神经网络实现，所述主体模型对应于主体网络，所述第一场景模型对应于第一网络部分；在这样的情况下，通过以下方式得到针对所述第一交易事件的第一预测风险：获取所述主体网络对所述共有特征部分进行处理得到的第一向量；获取所述第一网络部分对所述第一场景特征部分进行处理得到的第二向量；通过所述第一分类器对所述第一向量和第二向量进行综合，得到综合结果，根据所述综合结果，得到所述第一预测风险。

根据一种实施方式，上述方法还包括：获取多项新增备选特征；对所述多项新增备选特征进行筛选，得到若干新增特征；利用所述新增特征，更新所述共有特征集，和/或所述多个交易场景分别对应的场景特征集；利用更新后的共有特征集和场景特征集，重新训练所述风险识别模型。

进一步地，在上述实施方式的一个实施例中，通过以下方式进行筛选：基于所述多项新增备选特征各自的信息价值IV，进行第一筛选；基于各项新增备选特征之间的相关系数，进行第二筛选，得到所述若干新增特征。

在一个实施例，每隔预定时间周期，获取该时间周期中的新增备选特征，作为上述多项新增备选特征。

根据第二方面，提供了一种训练风险识别模型的装置，所述风险识别模型用于识别交易事件的安全风险，并包括主体模型，多个场景模型和对应的多个分类器，所述多个场景模型对应于多个交易场景；所述装置包括：

样本集获取单元，配置为获取训练样本集，其中包括多个样本交易事件及其各自对应的风险标签，所述多个样本交易事件来自于不同的交易场景；

特征提取单元，配置为对于所述多个样本交易事件中任意的第一交易事件，确定其对应的第一交易场景，并提取该第一交易事件的事件特征；

特征划分单元，配置为根据预定的共有特征集和所述第一交易场景对应的第一场景特征集，将所述事件特征划分为共有特征部分和第一场景特征部分，其中所述共有特征集包括所述多个交易场景均具有的特征；

预测单元，配置为将所述共有特征部分输入所述主体模型，将所述第一场景特征部分输入所述多个场景模型中与所述第一场景对应的第一场景模型，通过对应的第一分类器得到针对所述第一交易事件的第一预测风险；

损失确定单元，配置为根据所述第一预测风险和与所述第一交易事件对应的第一风险标签，得到与该第一交易事件对应的第一预测损失；

训练单元，配置为根据所述多个样本交易事件各自对应的预测损失的综合，训练所述风险识别模型。

根据第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第一方面的方法。

根据第四方面，提供了一种计算设备，包括存储器和处理器，其特征在于，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一方面的方法。

根据本说明书实施例的描述，通过不同场景下的样本交易事件，训练得到多场景多任务的风险识别模型，该风险识别模型包括各个场景通用的主体模型部分，和各个场景专用的场景模型部分。由于各个场景共享主体模型部分，使得各个场景之间可以迁移学习，共享部分特征的处理结果，针对多个场景多个任务，均达到较好的预测效果。进一步地，还可以基于攻防性考虑，对上述风险识别模型进行更新和自动管理。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1示出根据一个实施例的风险识别模型的架构示意图；

图2示出根据一个实施例的训练风险识别模型的方法；

图3示出根据一个实施例的特征与场景关系的示意图；

图4示出根据一个实施例的训练风险识别模型的示意图；

图5示出在一个实施例中更新风险识别模型的方法；

图6示出根据一个实施例的训练风险识别模型的装置的示意性框图。

具体实施方式

下面结合附图，对本说明书提供的方案进行描述。

如前所述，为了保障用户的支付安全和电子支付平台的服务稳定性，需要对电子交易中的安全风险进行识别。然而，出于提高用户体验的考虑，电子支付平台提供的服务内容越来越多，电子支付的场景也越来越丰富。例如，在支付宝中，提供有多种支付场景，例如，转账到账号，转账到卡，信用卡还款，充值，提现，红包，生活缴费，外部商户调用，亲密付，等等。发明人研究发现，每一种场景都有其独有的场景特点，但是如果针对各个场景分别建立模型来识别交易风险的话，一方面，训练和管理大量的模型需要相当大的成本，另一方面，有些小众场景样本数量较少，因此难以针对这样的场景单独训练出预测准确率高的模型。然而，如果针对各种场景统一建立通用的模型，则无法利用各个场景独有的场景特点，使得通用模型的准确率不够理想。

基于以上考虑，发明人提出，采用多任务学习的方式，以主体模型加各个场景的分场景模型为架构，训练一个适用于各个场景的风险识别模型。该风险识别模型可以设计用于识别交易事件中的特定类型的风险，例如盗用风险。

图1示出根据一个实施例的风险识别模型的架构示意图。如图1所示，风险识别模型包括，主体模型11，N个场景模型12-1,12-2，…,12-N，和对应的N多个分类器13-1,13-2，…,13-N，其中N个场景模型分别对应于N个交易场景。

主体模型11用于处理各个交易场景所共有的特征。可以通过预先对各个交易场景进行分析，并结合风险识别目标(例如识别盗用风险或是欺诈风险)进行特征筛选，确定出一个共有特征集，其中包含各个交易场景均共同具有，且对风险识别有信息价值的多项特征。

具体的，在不同实施例中，共有特征集中可以包括以下中的一个或多个方面的特征：身份特征，交易行为特征，交易环境特征，设备特征，关系特征，等等。

更具体而言，身份特征可以包括，支付用户的基本属性特征，例如性别，年龄，职业，收入，注册时长，教育程度等。在一个例子中，身份特征还可以包括，支付用户的金融资产方面的特征，例如余额宝余额，近期消费次数，消费金额等等。

交易行为特征例如可以包括，交易金额，交易时长，交易行为轨迹，例如进入交易界面经过的入口，交易过程中的操作轨迹等等。在一个例子中，交易行为特征还可以包括，在进行目标交易行为之前最近一次操作的类型，操作的页面，停留的时间等等。

交易环境特征可以包括，交易借助的地理环境和/或网络环境的特征，例如，地理位置信息，IP地址，wifi标识等等。

设备特征可以包括，交易借助的设备的硬件和软件信息，例如，设备MAC地址，智能手机SIM卡序列号，UMID，APDID等等硬件标识信息，和/或，操作系统，系统版本，APP版本等软件信息。

关系特征可以包括，支付用户在预先建立的人群关系网中的信息，例如好友数目，与好友的沟通频次，沟通类别等等。在一种实施例中，可以将人群关系网构建为关系图。此时，关系特征可以包括，支付用户在所述关系图中的图特征，该图特征既可以包括例如节点的度之类的低阶图特征，也可以包括，基于图嵌入处理得到的高阶图特征，例如通过邻居节点聚合生成的高阶特征。

共有特征集还可以包括其他各个交易场景共有的特征，在此不一一进行枚举。

N个场景模型12-1,12-2，…,12-N分别对应于N个交易场景，用于处理各个交易场景下不包含在上述共有特征集中的差异化场景特征。具体的，上述N个交易场景可以包括以下场景中的多个场景：转账到账号，转账到卡，信用卡还款，充值场景，提现场景，红包场景，外部商户调用，亲密付，虚拟商品交易，等等。在不同场景下，差异化场景特征的内容各不相同。

具体的，对于转账到账号的场景，对应的场景模型所处理的差异化场景特征可以包括，收款账号对应的用户的身份特征，例如收款用户的性别，年龄，职业，收入，注册时长，教育程度等基本属性特征，支付账号和收款账号之间的关系特征，两者的收付款记录，等等。

对于信用卡还款的场景，对应的差异化场景特征可以包括，支付用户的信用记录方面的特征，例如芝麻分，借贷记录，还款记录等等。

对于充值场景，对应的差异化场景特征可以包括，充值对象标识，例如手机号，充值记录，最近一个月的充值总金额，等等。

可以理解，不同的场景具有不同的差异化场景特征，在此不一一进行枚举。

如图1所示，N个场景模型12-1,12-2，…,12-N分别对应于N个分类器13-1,13-2，…,13-N，第i分类器用于从主体模型获得针对共有特征的处理结果，并从对应的第i场景模型获得针对第i场景下的场景特征的处理结果，综合两方面的结果，对第i场景下的交易事件进行风险识别，例如输出其风险等级类别。

在不同实施例中，主体模型和各个场景模型可以通过各种具体的模型实现。例如，在一个例子中，风险识别模型整体上通过树模型实现，例如梯度提升决策树GBDT模型；相应的，主体模型和各个场景模型可以各自实现为若干棵决策树。在另一例子中，风险识别模型整体上通过神经网络实现，例如实现为深度神经网络DNN；相应的，主体模型和各个场景模型各自可以实现为，由若干层神经元构成的多层感知机。取决于各自处理的特征的数目，主体模型和各个场景模型可以具有相同或不同的网络宽度和/或网络深度。

在以上的模型架构中，多个场景下的交易事件的风险识别可以视为多个不同的任务，然而这多个任务并不是互相独立的，对应的多个分类器针对不同任务进行分类时，不仅依赖场景模型的处理，还依赖于各个场景共有的主体模型的处理结果。因此，多个任务利用共同的主体模型，实现联合学习和训练，从而使得各个场景的任务之间，可以互相进行迁移学习，共享对共有特征的处理结果，从而实现各个场景下的风险识别。

下面描述以上的风险识别模型的训练过程。

图2示出根据一个实施例的训练风险识别模型的方法。可以理解，该方法可以通过任何具有计算、处理能力的装置、设备、平台、设备集群来执行，其中风险识别模型具有以上结合图1所描述的结构。如图2所示，训练风险识别模型的方法至少包括以下步骤。

在步骤21，获取训练样本集，其中包括多个样本交易事件及其各自对应的风险标签，其中所述多个样本交易事件来自于不同的交易场景。

如前所述，不同的交易场景可以包括，转账到账号，转账到卡，信用卡还款，充值，提现，红包，生活缴费，外部商户调用，亲密付，等等。取决于不同交易场景的使用状况，来自各个交易场景的样本交易事件的数目一般并不相同。对于用户使用频次较多的场景，可以得到数量较多的样本交易事件；对于用户使用频次较少的小众场景，样本交易事件的数量可能非常少。例如，假定一批训练样本构成的样本集包括1000个样本交易事件，那么，通常情况下，有些场景下的样本交易事件可达几百个，而有些场景下的样本交易事件只有几十件甚至更少。这也正是，针对每个场景单独建立模型无法达到良好效果的一个原因。

一般地，样本交易事件的风险标签用于示出，该样本交易事件的真实风险状况。在不同实施例中，风险标签可以为二值化标签，例如0表示无风险，1表示有风险，也可以是多值化标签，不同标签值示出不同的风险等级。

接着，利用待训练的风险识别模型，对于以上训练样本集中的各个样本交易事件，逐个进行预测。为了描述的清楚和简单，将训练样本集中任意一个样本交易事件称为第一交易事件，结合该第一交易事件进行描述。

如图2所示，在步骤22，确定任意的第一交易事件对应的第一交易场景，并提取该第一交易事件的事件特征。

可以理解，在采集交易事件样本作为训练样本时，可以根据该交易事件源自的场景，为其添加场景标注。相应的，根据上述第一交易事件的场景标注，可以确定出其对应的场景，称为第一交易场景。此外，针对该第一交易事件，可以根据预先通过特征筛选确定的特征项，提取其事件特征。

然后，在步骤23，根据预定的共有特征集和第一交易场景对应的第一场景特征集，将上述事件特征划分为共有特征部分和第一场景特征部分。如前所述，共有特征集包括多个交易场景均具有的特征。第一场景特征集包括，第一场景中具有的、不包含在共有特征集中的特征。

图3示出根据一个实施例的特征与场景关系的示意图。如图3所示，该示意图中表格的横向表示，一项特征所适用的场景，表格的纵向表示，一个场景所需要的特征。仅当一项特征适用于所有场景，也就是，该项特征对应的行中所有表项均被选中(示出被阴影)时，该项特征被包含在共有特征集中。对于每个场景，从其需要的所有特征中去除掉属于共有特征集的特征，便可以得到该场景对应的场景特征集。一般而言，可以在模型训练开始之前，预先分析得到图3所示的关系图，并基于该关系图，得到共有特征集，以及各个场景的场景特征集。

对于上述第一交易事件而言，在确定出其对应的第一场景的基础上，就可以得到第一场景特征集。根据上述预先确定的共有特征集和第一场景特征集，可以将第一交易事件的事件特征划分为共有特征部分和第一场景特征部分。

于是，接着，在步骤24，将上述共有特征部分输入风险识别模型中的主体模型，将第一场景特征部分输入多个场景模型中与第一场景对应的第一场景模型，并通过对应的第一分类器得到针对该第一交易事件的第一预测风险。

图4示出根据一个实施例的训练风险识别模型的示意图。在图4中，用粗实线示意性示出风险识别模型对第一交易事件的处理过程。可以看到，对于第一交易事件，假定其对应的第一场景模型为场景模型2。在步骤24中，将共有特征部分输入主体模型，主体模型对其进行处理后得到第一处理结果；将第一场景特征部分输入场景模型2，场景模型2对这部分特征进行处理后得到第二处理结果。对应的分类器2综合第一处理结果和第二处理结果，输出针对该第一交易事件的预测风险。

在一个实施例中，风险识别模型实现为诸如GBDT的树模型。在这样的情况下，主体模型可以包括若干主体决策树，第一场景模型包括若干第一决策树。相应的，主体模型对共有特征部分的处理可以包括，根据共有特征部分中各个特征的特征值，沿着上述若干主体决策树进行遍历，确定该第一交易事件在上述若干主体决策树中落入的叶节点，并根据各个主体叶节点对应的分值，得到该第一交易事件所对应的主体评分。

第一场景模型对第一场景特征部分的处理可以包括，根据第一场景特征部分中各个特征的特征值，沿着上述若干第一决策树进行遍历，确定该第一交易事件在上述若干第一决策树中落入的叶节点，并根据各个叶节点对应的分值，得到该第一交易事件所对应的第一评分。

于是，第一分类器，例如图4的分类器2，可以对主体模型输出的主体评分和第一场景模型输出的第一评分进行综合，得到综合评分。在不同实施例中，第一分类器可以通过求和，加权求和，求均值等多种方式，对主体评分和第一评分进行综合，得到综合评分。最后，第一分类器可以根据该综合评分，确定第一交易事件的预测风险。

在另一实施例中，上述风险识别模型通过神经网络实现，例如实现为DNN深度神经网络。在这样的情况下，主体模型对应于主体网络，第一场景模型对应于第一网络部分。相应的，主体模型对共有特征部分的处理可以包括，通过主体网络中各层的神经元对各项共有特征的特征值进行运算，得到第一处理结果。该第一处理结果可以为一个处理值，不过更典型的，主体网络输出的第一处理结果体现为一个向量，称为第一向量。

第一场景模型对第一场景特征部分的处理可以包括，通过第一网络部分中各层的神经元对第一场景特征中各项特征的特征值进行运算，得到第二处理结果。该第二处理结果通常体现为第二向量。

在这样的情况下，对应于第一场景的第一分类器也可以利用神经网络层实现，例如可以体现为若干全连接层。该全连接层接收主体网络输出的上述第一处理结果和第一网络部分输出的第二处理结果，并对其进行融合处理。在第一处理结果和第二处理结果体现为向量的情况下，该融合处理可以包括，向量拼接，相加，加权求和，按位相乘等操作，以及这些操作的组合。然后，全连接层根据融合结果，通过例如施加softmax函数，确定并输出针对第一交易事件的第一预测风险。

在风险识别模型通过其他具体模型形式实现的情况下，第一分类器类似地对主体模型输出的第一处理结果和第一场景模型输出的第二处理结果进行综合，根据综合结果，得到针对第一交易事件的第一预测风险。

然后，在步骤25，根据第一分类器输出的第一预测风险和与该第一交易事件对应的第一风险标签，得到与该第一交易事件对应的第一预测损失。该第一预测损失用于衡量，该风险识别模型针对该第一交易事件的预测结果与其真实风险之间的差异。

如上，利用风险识别模型对第一交易事件的风险进行了预测，并得到预测损失。可以理解，上述第一交易事件为训练样本集中任意的一个样本交易事件。对于其他的样本交易事件，可以类似的进行预测，并得到对应的预测损失。

例如，图4中还示意性示出另一样本交易事件，例如称为第二交易事件的预测过程，如图中粗虚线所示。可以看到，第二交易事件对应于第二场景，图4中示例性表示为场景N，与第一交易事件的场景不同。相应的，针对第二交易事件，将其事件特征中的共有特征部分输入到主体模型，将对应于第二场景的第二场景特征部分输入到第二场景模型(模型N)，利用对应的第二分类器(分类器N)，输出该第二交易事件的预测风险，进而得到其对应的预测损失。

通过以上方式，可以得到训练样本集中各个样本交易事件对应的预测损失。对各个预测损失进行综合，可以得到该训练样本集对应的总预测损失。

于是，在步骤26，根据训练样本集中各个样本交易事件对应的预测损失的综合，即上述总预测损失，训练所述风险识别模型。具体地，可以在总预测损失减小的方向，调整风险识别模型的参数，对其进行优化和训练。

如此，通过来自于不同场景的样本交易事件，训练得到一个能够针对多个场景多个任务进行预测的风险识别模型。可以看到，由于各个场景共享主体模型部分，使得各个场景之间可以迁移学习，共享部分特征的处理结果。例如，利用样本较为丰富的高频场景中的样本交易事件，可以使得主体模型得到很好的训练。对于样本量较少的场景，可以重点根据主体模型部分的处理结果进行预测，达到较好的预测效果。

进一步地，发明人还发现，电子交易事件具有很强的时效性和攻防性。这体现在，一方面，新的不安全事件类型层出不穷，安全风险形式变化非常迅速；另一方面，有意发起不安全事件的不良使用者，有可能基于已有的安全性评估系统的评估结果识别出一些评估规则，然后刻意绕开这些评估规则，实施新的不安全事件。以上的时效性和攻防性，往往使得安全性评估系统无法应对新类型的不安全事件，导致识别性能下降。

为此，在以上训练出风险识别模型的基础上，根据本说明书的一个实施例，还进一步地对该风险识别模型进行更新。图5示出在一个实施例中更新风险识别模型的方法。

如图5所示，首先在步骤51，获取多项新增备选特征。在一个例子中，上述新增备选特征可以是，通过对新出现的风险事件类型进行分析，发掘、沉淀并添加到特征池中的特征。在另一例子中，上述新增备选特征也可以是，基于已有的特征，通过特征组合工具，得到的新增衍生特征。在一个实施例中，每隔预定时间周期，获取该时间周期中的新增备选特征。

然后在步骤52，对上述多项新增备选特征进行筛选，得到若干新增特征。特征筛选可以基于多种评估特征可用性的指标进行，例如特征信息价值IV，信息增益比，相关系数，基尼系数，等等。

在一个具体例子中，可以基于特征IV值和相关系数的组合，对备选特征进行筛选。具体地，可以基于上述多项新增备选特征各自的信息价值IV，进行第一筛选。第一筛选可以包括，剔除IV值低于一定阈值的特征，保留IV值高于该阈值的特征。然后，基于各项新增备选特征之间的相关系数，进行第二筛选，得到若干新增特征。第二筛选可以包括，如果一项特征与任何其他特征之前的相关系数大于预定的相关度阈值，则剔除该项特征。或者，第二筛选也可以包括，如果两项特征之间的相关系数大于预定的相关度阈值，则将这两项特征中IV值较低的剔除。还可以基于其他原则，进行特征筛选，从而得到若干新增特征。

于是接着，在步骤53，利用上述新增特征，更新共有特征集，和/或多个交易场景分别对应的场景特征集。在该步骤中，可以将新增特征添加到如图3所示的特征-场景关系图表中，从而确定各个新增特征属于共同特征集或者某个场景特征集。如此，更新风险识别模型所基于的共有特征集和/或场景特征集。

然后，在步骤54，利用更新后的共有特征集和场景特征集，重新训练风险识别模型。如此，可以用最新的特征集合，更新风险识别模型，使其能够适应新的风险事件类型。

进一步地，对于更新的风险识别模型，可以对其进行性能评估，自动输出评估结果，并将该评估结果与更新前的模型进行对比。如果性能有提升，则自动上线该更新的风险识别模型；如果没有明显提升，则保持原有模型不变。如此可以在提高模型性能和效果的同时，大幅度减少人力管理成本。

回顾以上过程，在本说明书的实施例中，通过不同场景下的样本交易事件，训练得到多场景多任务的风险识别模型，该风险识别模型包括各个场景通用的主体模型部分，和各个场景专用的场景模型部分。由于各个场景共享主体模型部分，使得各个场景之间可以迁移学习，共享部分特征的处理结果，针对多个场景多个任务，均达到较好的预测效果。进一步地，还可以基于攻防性考虑，对上述风险识别模型进行更新和自动管理。

根据另一方面的实施例，提供了一种训练风险识别模型的装置，其中所述风险识别模型用于识别交易事件的安全风险，并包括主体模型，多个场景模型和对应的多个分类器，所述多个场景模型对应于多个交易场景；用于训练该风险识别模型的训练装置可以部署在任何具有计算、处理能力的设备、平台或设备集群中。图6示出根据一个实施例的训练风险识别模型的装置的示意性框图。如图6所示，该装置600包括：

样本集获取单元61，配置为获取训练样本集，其中包括多个样本交易事件及其各自对应的风险标签，所述多个样本交易事件来自于不同的交易场景；

特征提取单元62，配置为对于所述多个样本交易事件中任意的第一交易事件，确定其对应的第一交易场景，并提取该第一交易事件的事件特征；

特征划分单元63，配置为根据预定的共有特征集和所述第一交易场景对应的第一场景特征集，将所述事件特征划分为共有特征部分和第一场景特征部分，其中所述共有特征集包括所述多个交易场景均具有的特征；

预测单元64，配置为将所述共有特征部分输入所述主体模型，将所述第一场景特征部分输入所述多个场景模型中与所述第一场景对应的第一场景模型，通过对应的第一分类器得到针对所述第一交易事件的第一预测风险；

损失确定单元65，配置为根据所述第一预测风险和与所述第一交易事件对应的第一风险标签，得到与该第一交易事件对应的第一预测损失；

训练单元66，配置为根据所述多个样本交易事件各自对应的预测损失的综合，训练所述风险识别模型。

在不同实施例中，所述多个交易场景包括以下场景中的至少一部分：转账到账号，转账到卡，信用卡还款，充值场景，提现场景，红包场景，外部商户调用，亲密付，生活缴费，虚拟商品交易。

在各种实施方式中，所述共有特征集可以包括以下中的一项或多项：身份特征，交易行为特征，交易环境特征，设备特征，关系特征。

根据一个实施例，上述主体模型包括若干主体决策树，所述第一场景模型包括若干第一决策树；在这样的情况下，所述预测单元64具体配置为：

获取所述第一交易事件在所述若干主体决策树中落入的主体叶节点所对应的主体评分，所述主体叶节点根据所述共有特征部分而确定；

获取所述第一交易事件在所述若干第一决策树中落入的第一叶节点所对应的第一评分，所述第一叶节点根据所述第一场景特征部分而确定；

通过所述第一分类器对所述主体评分和第一评分进行综合，得到综合评分，根据所述综合评分，得到所述第一预测风险。

在另一实施例中，风险识别模型通过神经网络实现，所述主体模型对应于主体网络，所述第一场景模型对应于第一网络部分；在这样的情况下，所述预测单元64具体配置为：

获取所述主体网络对所述共有特征部分进行处理得到的第一向量；

获取所述第一网络部分对所述第一场景特征部分进行处理得到的第二向量；

通过所述第一分类器对所述第一向量和第二向量进行综合，得到综合结果，根据所述综合结果，得到所述第一预测风险。

根据一种实施方式，装置600还包括更新单元67，所述更新单元进一步包括(未示出)：

特征获取模块，配置为获取多项新增备选特征；

特征筛选模块，配置为对所述多项新增备选特征进行筛选，得到若干新增特征；

特征更新模块，配置为利用所述新增特征，更新所述共有特征集，和/或所述多个交易场景分别对应的场景特征集；

模型更新模块，配置为利用更新后的共有特征集和场景特征集，重新训练所述风险识别模型。

在一个实施例中，上述特征筛选模块配置为：基于所述多项新增备选特征各自的信息价值IV，进行第一筛选；基于各项新增备选特征之间的相关系数，进行第二筛选，得到所述若干新增特征。

在一个实施例中，所述特征获取模块配置为：每隔预定时间周期，获取该时间周期中的新增备选特征。

通过以上装置，通过多任务学习的方式，训练得到适用于各种交易场景的风险识别模型，并可以对该模型进行更新。

根据另一方面的实施例，还提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行结合图2所描述的方法。

根据再一方面的实施例，还提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现结合图2所述的方法。

本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。

以上所述的具体实施方式，对本发明的目的、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，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (18)

1.一种训练风险识别模型的方法，所述风险识别模型用于识别交易事件的安全风险，并包括主体模型，多个场景模型和对应的多个分类器，所述多个场景模型对应于多个交易场景；所述方法包括：

获取训练样本集，其中包括多个样本交易事件及其各自对应的风险标签，其中所述多个样本交易事件来自于不同的交易场景；

对于所述多个样本交易事件中任意的第一交易事件，确定其对应的第一交易场景，并提取该第一交易事件的事件特征；

根据预定的共有特征集和所述第一交易场景对应的第一场景特征集，将所述事件特征划分为共有特征部分和第一场景特征部分，其中所述共有特征集包括所述多个交易场景均具有的特征；

将所述共有特征部分输入所述主体模型，将所述第一场景特征部分输入所述多个场景模型中与所述第一场景对应的第一场景模型，通过对应的第一分类器得到针对所述第一交易事件的第一预测风险；

根据所述第一预测风险和与所述第一交易事件对应的第一风险标签，得到与该第一交易事件对应的第一预测损失；

根据所述多个样本交易事件各自对应的预测损失的综合，训练所述风险识别模型。

2.根据权利要求1所述的方法，其中，所述多个交易场景包括以下场景中的至少一部分：转账到账号，转账到卡，信用卡还款，充值场景，提现场景，红包场景，外部商户调用，亲密付，生活缴费，虚拟商品交易。

3.根据权利要求1所述的方法，其中，所述共有特征集包括以下中的一项或多项：身份特征，交易行为特征，交易环境特征，设备特征，关系特征。

4.根据权利要求1所述的方法，其中，所述主体模型包括若干主体决策树，所述第一场景模型包括若干第一决策树；

所述通过对应的第一分类器得到针对所述第一交易事件的第一预测风险包括：

获取所述第一交易事件在所述若干主体决策树中落入的主体叶节点所对应的主体评分，所述主体叶节点根据所述共有特征部分而确定；

获取所述第一交易事件在所述若干第一决策树中落入的第一叶节点所对应的第一评分，所述第一叶节点根据所述第一场景特征部分而确定；

通过所述第一分类器对所述主体评分和第一评分进行综合，得到综合评分，根据所述综合评分，得到所述第一预测风险。

5.根据权利要求1所述的方法，其中，所述风险识别模型通过神经网络实现，所述主体模型对应于主体网络，所述第一场景模型对应于第一网络部分；

所述通过对应的第一分类器得到针对所述第一交易事件的第一预测风险包括：

获取所述主体网络对所述共有特征部分进行处理得到的第一向量；

获取所述第一网络部分对所述第一场景特征部分进行处理得到的第二向量；

通过所述第一分类器对所述第一向量和第二向量进行综合，得到综合结果，根据所述综合结果，得到所述第一预测风险。

6.根据权利要求1所述的方法，还包括：

获取多项新增备选特征；

对所述多项新增备选特征进行筛选，得到若干新增特征；

利用所述新增特征，更新所述共有特征集，和/或所述多个交易场景分别对应的场景特征集；

利用更新后的共有特征集和场景特征集，重新训练所述风险识别模型。

7.根据权利要求6所述的方法，其中，对所述多项新增备选特征进行筛选，得到若干新增特征，包括：

基于所述多项新增备选特征各自的信息价值IV，进行第一筛选；

基于各项新增备选特征之间的相关系数，进行第二筛选，得到所述若干新增特征。

8.根据权利要求6所述的方法，其中，获取多项新增备选特征包括：

每隔预定时间周期，获取该时间周期中的新增备选特征。

9.一种训练风险识别模型的装置，所述风险识别模型用于识别交易事件的安全风险，并包括主体模型，多个场景模型和对应的多个分类器，所述多个场景模型对应于多个交易场景；所述装置包括：

样本集获取单元，配置为获取训练样本集，其中包括多个样本交易事件及其各自对应的风险标签，所述多个样本交易事件来自于不同的交易场景；

特征提取单元，配置为对于所述多个样本交易事件中任意的第一交易事件，确定其对应的第一交易场景，并提取该第一交易事件的事件特征；

特征划分单元，配置为根据预定的共有特征集和所述第一交易场景对应的第一场景特征集，将所述事件特征划分为共有特征部分和第一场景特征部分，其中所述共有特征集包括所述多个交易场景均具有的特征；

预测单元，配置为将所述共有特征部分输入所述主体模型，将所述第一场景特征部分输入所述多个场景模型中与所述第一场景对应的第一场景模型，通过对应的第一分类器得到针对所述第一交易事件的第一预测风险；

损失确定单元，配置为根据所述第一预测风险和与所述第一交易事件对应的第一风险标签，得到与该第一交易事件对应的第一预测损失；

训练单元，配置为根据所述多个样本交易事件各自对应的预测损失的综合，训练所述风险识别模型。

10.根据权利要求9所述的装置，其中，所述多个交易场景包括以下场景中的至少一部分：转账到账号，转账到卡，信用卡还款，充值场景，提现场景，红包场景，外部商户调用，亲密付，生活缴费，虚拟商品交易。

11.根据权利要求9所述的装置，其中，所述共有特征集包括以下中的一项或多项：身份特征，交易行为特征，交易环境特征，设备特征，关系特征。

12.根据权利要求9所述的装置，其中，所述主体模型包括若干主体决策树，所述第一场景模型包括若干第一决策树；

所述预测单元具体配置为：

获取所述第一交易事件在所述若干主体决策树中落入的主体叶节点所对应的主体评分，所述主体叶节点根据所述共有特征部分而确定；

获取所述第一交易事件在所述若干第一决策树中落入的第一叶节点所对应的第一评分，所述第一叶节点根据所述第一场景特征部分而确定；

通过所述第一分类器对所述主体评分和第一评分进行综合，得到综合评分，根据所述综合评分，得到所述第一预测风险。

13.根据权利要求9所述的装置，其中，所述风险识别模型通过神经网络实现，所述主体模型对应于主体网络，所述第一场景模型对应于第一网络部分；

所述预测单元具体配置为：

获取所述主体网络对所述共有特征部分进行处理得到的第一向量；

获取所述第一网络部分对所述第一场景特征部分进行处理得到的第二向量；

通过所述第一分类器对所述第一向量和第二向量进行综合，得到综合结果，根据所述综合结果，得到所述第一预测风险。

14.根据权利要求9所述的装置，还包括更新单元，所述更新单元包括：

特征获取模块，配置为获取多项新增备选特征；

特征筛选模块，配置为对所述多项新增备选特征进行筛选，得到若干新增特征；

特征更新模块，配置为利用所述新增特征，更新所述共有特征集，和/或所述多个交易场景分别对应的场景特征集；

模型更新模块，配置为利用更新后的共有特征集和场景特征集，重新训练所述风险识别模型。

15.根据权利要求14所述的装置，其中，所述特征筛选模块配置为：

基于所述多项新增备选特征各自的信息价值IV，进行第一筛选；

基于各项新增备选特征之间的相关系数，进行第二筛选，得到所述若干新增特征。

16.根据权利要求14所述的方法，其中，所述特征获取模块配置为：

每隔预定时间周期，获取该时间周期中的新增备选特征。

17.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-8中任一项的所述的方法。

18.一种计算设备，包括存储器和处理器，其特征在于，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-8中任一项所述的方法。

Images