CN111383030B - 一种交易风险的检测方法、装置及设备 - Google Patents
一种交易风险的检测方法、装置及设备 Download PDFInfo
- Publication number
- CN111383030B CN111383030B CN202010468140.7A CN202010468140A CN111383030B CN 111383030 B CN111383030 B CN 111383030B CN 202010468140 A CN202010468140 A CN 202010468140A CN 111383030 B CN111383030 B CN 111383030B
- Authority
- CN
- China
- Prior art keywords
- risk analysis
- model
- risk
- order
- low
- 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.)
- Active
Links
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Computer Security & Cryptography (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例公开了一种交易风险的检测方法、装置及设备,所述方法包括:获取待分析的交易数据;对所述交易数据进行特征提取,获取所述交易数据对应的低阶特征和高阶特征;将所述交易数据对应的低阶特征和高阶特征输入到风险分析模型中进行数据风险分析,确定所述交易数据对应的交易是否为存在预定风险,所述风险分析模型是采用元学习通过预定的低阶特征样本和高阶特征样本进行训练得到的模型。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种交易风险的检测方法、装置及设备。
背景技术
随着终端技术和网络技术的不断发展,许多商户或用户会通过指定的金融应用或支付应用进行交易和日常资源转移活动,而这样就需要对各商户或用户可能存在的风险(具体如将非法渠道获取的资源转换为合法资源对应的风险(如洗钱风险等)、欺诈风险、赌博风险、套现风险等)进行防控。
通常,金融应用或支付应用的开发机构可以根据金融应用或支付应用的需求和通过该金融应用或支付应用进行交易的过程中可能出现的情况,设定或构建相应的风险检测机制。后续可以通过相应的交易数据对该交易数据对应的交易是否存在风险进行检测。然而,通过上述方式构建的风险检测机制仅仅适用于风险检测之前就已知的风险类型,而对于新增加的风险类型或某风险类型中新增加的实现手段则无法对其进行风险检测,因此,需要提供一种能够对新增加的风险类型或某风险类型中新增加的实现手段进行风险防控效果更好的技术方案。
发明内容
本说明书实施例的目的是提供一种交易风险的检测方法、装置及设备,以提供一种能够对新增加的风险类型或某风险类型中新增加的实现手段进行风险防控效果更好的技术方案。
为了实现上述技术方案,本说明书实施例是这样实现的:
本说明书实施例提供的一种交易风险的检测方法,所述方法包括:获取待分析的交易数据。对所述交易数据进行特征提取,获取所述交易数据对应的低阶特征和高阶特征。将所述交易数据对应的低阶特征和高阶特征输入到风险分析模型中进行数据风险分析,确定所述交易数据对应的交易是否为存在预定风险,所述风险分析模型是采用元学习通过预定的低阶特征样本和高阶特征样本进行训练得到的模型。
本说明书实施例提供的一种交易风险的检测装置,所述装置包括:交易数据获取模块,获取待分析的交易数据。特征提取模块,对所述交易数据进行特征提取,获取所述交易数据对应的低阶特征和高阶特征。风险分析模块,将所述交易数据对应的低阶特征和高阶特征输入到风险分析模型中进行数据风险分析,确定所述交易数据对应的交易是否为存在预定风险,所述风险分析模型是采用元学习通过预定的低阶特征样本和高阶特征样本进行训练得到的模型。
本说明书实施例提供的一种交易风险的检测设备,所述交易风险的检测设备包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:获取待分析的交易数据。对所述交易数据进行特征提取,获取所述交易数据对应的低阶特征和高阶特征。将所述交易数据对应的低阶特征和高阶特征输入到风险分析模型中进行数据风险分析,确定所述交易数据对应的交易是否为存在预定风险,所述风险分析模型是采用元学习通过预定的低阶特征样本和高阶特征样本进行训练得到的模型。
本说明书实施例提供一种交易风险的检测方法、装置即设备,通过对获取的待分析的交易数据进行特征提取,得到该交易数据对应的低阶特征和高阶特征,将该交易数据对应的低阶特征和高阶特征输入到风险分析模型中进行数据风险分析,确定该交易数据对应的交易是否为存在预定风险,该风险分析模型是采用元学习通过预定的低阶特征样本和高阶特征样本进行训练得到的模型,这样,采用元学习通过预定的低阶特征样本和高阶特征样本训练的模型对交易数据进行风险检测,由于元学习具有能够使用很少的样本数据即可得到较好效果的模型的特性,因此,上述训练的风险分析模型能够实现对新增加的风险类型或某风险类型中新增加的实现手段进行风险防控,并且能够得到较好的风险防控效果。
附图说明
为了更清楚地说明本说明书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说明书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为本说明书一种交易风险的检测方法实施例;
图2为本说明书一种交易风险的检测系统的结构示意图;
图3为本说明书另一种交易风险的检测方法实施例;
图4为本说明书又一种交易风险的检测方法实施例;
图5为本说明书一种风险分析模型训练的示意图;
图6为本说明书一种交易风险的检测装置实施例;
图7为本说明书一种交易风险的检测设备实施例。
具体实施方式
本说明书实施例提供一种交易风险的检测方法、装置及设备。
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书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说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
实施例一
如图1所示,本说明书实施例提供一种交易风险的检测方法,该方法的执行主体可以为服务器,该服务器可以是一个独立的服务器,还可以是由多个服务器构成的服务器集群等。该服务器可以是某项业务(如进行交易的业务等)的后台服务器,也可以是某应用(如金融类应用等)的后台服务器等。该方法具体可以包括以下步骤:
在步骤S102中,获取待分析的交易数据。
其中,交易数据可以包括多种,例如用户在某购物网站中的某商户处购买某商品过程中的相关数据,具体如该商品的名称、该商品所属类别、该商品的价格、该商品的用途、该商品的尺寸等,以及该商户的名称、该商户所处的位置等,此外,还可以包括用户的账户信息、用户的身份信息等,在实际应用中,交易数据不仅仅可以包括上述信息,还可以包括除上述信息外的其它信息,具体可以根据实际情况设定,本说明书实施例对此不做限定。
在实施中,随着终端技术和网络技术的不断发展,许多商户或用户会通过指定的金融应用或支付应用进行交易和日常资源转移活动,而这样就需要对各商户或用户可能存在的风险(具体如将非法渠道获取的资源转换为合法资源对应的风险(如洗钱风险等)、欺诈风险、赌博风险、套现风险等)进行防控。
通常,金融应用或支付应用的开发机构可以根据金融应用或支付应用的需求和通过该金融应用或支付应用进行交易的过程中可能出现的情况,设定或构建相应的风险检测机制。后续可以通过相应的交易数据对该交易数据对应的交易是否存在风险进行检测。然而,通过上述方式构建的风险检测机制仅仅适用于风险检测之前就已知的风险类型,而对于新增加的风险类型或某风险类型中新增加的实现手段则无法对其进行风险检测,因此,需要提供一种能够对新增加的风险类型或某风险类型中新增加的实现手段进行风险防控效果更好的技术方案。本说明书实施例中提供一种可实现的技术方案,具体可以包括以下内容:
交易数据是用户与商户或不同用户之间进行某项交易的数据,其中可能映射出多种不同的其它信息,例如该项交易是否存在风险,以及所存在的风险类型等,为此,如图2所示,当需要对某商户或用户的交易数据进行风险分析时,可以获取该商户或用户的交易数据,该交易数据可以是在该商户与用户交易的过程中,服务器记录和收集的数据,在实际应用中,服务器可以实时收集某商户或某用户的交易数据,然后对收集的数据进行风险分析,还可以是周期性的收集交易数据,如每间隔预定时长(具体如每间隔1天、3天或7天等)或者,每当收集到的数据的数量达到预定数量阈值(具体如收集到的数据的数量达到预定条数或收集到的数据的数量所占的存储空间达到预定阈值(如1GB或2GB等)),然后对每个周期收集的数据进行风险分析等,具体可以根据实际情况设定,本说明书实施例对此不做限定。
在步骤S104中,对上述交易数据进行特征提取,获取该交易数据对应的低阶特征和高阶特征。
其中,特征可以是指从数据中抽取出来的对结果预测有用的信息,特征可以分为高阶特征和低阶特征,高阶特征可以是由低阶特征进行多次有效组合形成的特征,在实际应用中,线性组合可以是一阶特征,如果包含n个有效的线性组合则即为n阶特征,其中的有效的组合可以如,线性特征-线性特征的组合可以作为一个有效的线性组合,线性特征-非线性特征-线性特征的组合可以作为两个有效的线性组合等。对于高阶特征可以为经过多次线性特征-非线性特征组合之后形成的特征。
在实施中,服务器中可以预先设置有进行特征提取的算法或机制,其中,进行特征提取的算法或机制能够从数据中提取低阶特征,也可以从数据中提取高阶特征或者可以基于提取的低阶特征合成高阶特征等。当服务器通过上述方式获取到待分析的交易数据后,可以通过预先设定的进行特征提取的算法或机制对上述交易数据进行特征提取,从上述交易数据中可以提取出该交易数据对应的低阶特征和高阶特征,例如,可以从上述交易数据中提取出用户的个人特征、商户的交易行为特征、用户所购商品的特征等,具体可以根据实际情况设定,本说明书实施例对此不做限定。
在步骤S106中,将上述交易数据对应的低阶特征和高阶特征输入到风险分析模型中进行数据风险分析,确定该交易数据是否为存在预定风险的数据,该风险分析模型是采用元学习通过预定的低阶特征样本和高阶特征样本进行训练得到的模型。
其中,风险分析模型可以用于对某数据是否存在指定风险进行判定,其中的指定风险可以是任意风险,例如欺诈风险、将非法渠道获取的资源转换为合法资源对应的风险等,具体可以根据实际情况设定。本实施例中,为了解决通过上述方式构建的风险检测机制仅仅适用于风险检测之前就已知的风险类型,而对于新增加的风险类型或某风险类型中新增加的实现手段则无法对其进行风险检测的问题,本实施例中的风险分析模型,可以采用元学习的方式,并通过预定的低阶特征样本和高阶特征样本进行训练得到,通过元学习的方式,可以实现使用较少的样本对模型进行训练,即可使得模型得到较好的效果。低阶特征样本可以是由一个或多个不同的低阶特征构成的样本,高阶特征样本可以是由一个或多个不同的高阶特征构成的样本等。预定风险可以是任意风险,例如将非法渠道获取的资源转换为合法资源对应的风险等。
在实施中,可以通过多种不同的方式获取低阶特征和高阶特征,例如,可以通过购买或奖励等方式从用户或商户获取历史交易数据或历史交易数据对应的低阶特征和/或高阶特征,对于获取到的为历史交易数据的情况,可以对该历史交易数据进行特征提取,得到相应的低阶特征和/或高阶特征。其中,如果只获取到了低阶特征,则可以通过预设组合规则,将该低阶特征组合为高阶特征,从而可以得到低阶特征和高阶特征,可以将上述得到的低阶特征和高阶特征分别作为低阶特征样本和高阶特征样本。
可以根据实际情况,预先设定风险分析模型对应的算法,并可以基于设定的算法构建风险分析模型的架构。可以基于低阶特征样本和高阶特征样本,通过元学习的方式对上述风险分析模型进行训练,最终得到训练后的风险分析模型。
通过上述方式得到训练后的风险分析模型后,可以将上述交易数据对应的低阶特征和高阶特征输入到风险分析模型中进行数据风险分析,最终确定该交易数据是否存在风险,如果存在风险,则属于哪一种风险类型,即确定该交易数据是否为存在预定风险的数据。
本说明书实施例提供一种交易风险的检测方法,通过对获取的待分析的交易数据进行特征提取,得到该交易数据对应的低阶特征和高阶特征,将该交易数据对应的低阶特征和高阶特征输入到风险分析模型中进行数据风险分析,确定该交易数据对应的交易是否为存在预定风险,该风险分析模型是采用元学习通过预定的低阶特征样本和高阶特征样本进行训练得到的模型,这样,采用元学习通过预定的低阶特征样本和高阶特征样本训练的模型对交易数据进行风险检测,由于元学习具有能够使用很少的样本数据即可得到较好效果的模型的特性,因此,上述训练的风险分析模型能够实现对新增加的风险类型或某风险类型中新增加的实现手段进行风险防控,并且能够得到较好的风险防控效果。
实施例二
如图3所示,本说明书实施例提供一种交易风险的检测方法,该方法的执行主体可以为服务器,该服务器可以是一个独立的服务器,还可以是由多个服务器构成的服务器集群等。该服务器可以是某项业务(如进行交易的业务等)的后台服务器,也可以是某应用(如金融类应用等)的后台服务器等。该方法具体可以包括以下步骤:
在步骤S302中,获取预设第一数量的低阶特征样本和预设第二数量的高阶特征样本。
其中,第一数量可以是任意数量值,具体如1000条或10GB等,第二数量也可以是任意数量值,第一数量和第二数量可以相同,也可以不同。
在实施中,可以通过多种不同的方式获取用于训练风险分析模型的样本数据,该样本数据可以包括多种类型的样本数据,例如存在赌博风险的样本数据、存在传销风险的样本数据、存在集资风险的样本数据、存在套现风险的样本数据、存在虚拟币风险的样本数据,以及涉及炒作商品等风险的样本数据。获取样本数据的多种方式可以包括:通过购买的方式获取、通过奖励(如赠送用户使用某商品的权限等)的方式获取、通过用户试用交易系统的过程中获取等。通过上述方式获取的样本数据可以分为两部分,其中一部分可以用于训练风险分析模型,另一部分可以用于测试或验证上述训练的风险分析模型。此外,用于训练风险分析模型的样本数据的数量可以大于用于测试或验证上述训练的风险分析模型的样本数据的数量,而且,用于训练风险分析模型的样本数据对应的数据类型与用于测试或验证上述训练的风险分析模型的样本数据对应的数据类型可以相同,也可以不同,还可以是部分相同,部分不同,具体可以根据实际情况设定,本说明书实施例对此不做限定。
在步骤S304中,基于风险分析模型的架构,分别设置一个或多个风险分析子模型,且每个风险分析子模型的架构与风险分析模型的架构相同。
其中,风险分析模型可以为Wide and Deep模型或DeepFM模型,Wide and Deep模型的核心思想可以是结合线性模型的记忆能力和 DNN模型的泛化能力,在训练过程中同时优化2个模型的模型参数,从而达到整体模型的预测能力最优。其中的Wide端可以对应线性模型,输入的特征可以是连续特征,也可以是稀疏的离散特征,离散特征之间进行交叉后可以构成高阶的离散特征。线性模型在训练的过程中可以通过正则化,上述线性模型可以很快收敛到有效的特征组合中。Deep端可以对应DNN模型,DNN模型的每个特征可以对应一个低阶的实数向量,可以称为特征的embedding。DNN模型可以通过反向传播调整隐藏层的权重,并且更新特征的embedding。Wide and Deep模型的输出是线性模型输出与DNN模型输出的叠加。
Wide and Deep模型的训练可以采用联合训练,模型的训练误差会同时反馈到线性模型和DNN模型中进行模型参数更新。在联合训练中模型的融合是在训练阶段进行的,单个模型的权重更新会受到Wide端和Deep端对模型训练误差的共同影响,因此在模型的特征设计阶段,Wide端模型和Deep端模型只需要分别专注于擅长的方面,Wide端模型可以通过离散特征的交叉组合进行记忆,Deep端模型可以通过特征的embedding 进行泛化,这样单个模型的大小和复杂度也可以得到控制,而整体模型的性能仍能得到提高。其中的线性特征可以是低阶特征,该低阶特征可以包括用户信息对应的特征,具体如用户的年龄对应的特征、用户的账户信息对应的特征等,而其中的高阶特征可以包括积累型特征等。
DeepFM包含两部分,即神经网络部分与因子分解机部分,分别负责低阶特征的提取和高阶特征的提取,上述两部分共享同样的输入数据。DeepFM的预测结果可以表示为y=sigmoid(y FM +y DNN )。DeepFM的输入数据中可以包括连续型变量和类别型变量,且类别型变量可以进行预定编码,该预定编码可以使得输入特征变得高阶且稀疏。针对高阶稀疏的输入特征,可以采用如Word2Vec的词嵌入机制等方式将高阶稀疏的向量映射到相对低阶且向量元素都不为零的空间向量中。
FM部分是一个因子分解机,由于引入了隐变量的原因,对于几乎不出现或者很少出现的隐变量,FM也可以很好进行学习。Deep部分是一个前馈神经网络,其输入的特征可以是及其稀疏的,因此预先设计前馈神经网络的网络结构。在实际应用中,在第一层隐含层之前,引入一个嵌入层来完成将输入向量压缩到低阶稠密向量。其中的低阶特征可以包括用户信息对应的特征,高阶特征可以包括积累型特征等。
在实施中,可以基于Wide and Deep模型或DeepFM模型等风险分析模型对应的算法构建风险分析模型的架构,由于元学习可以实现迅速适应新任务,达到高效实用化和自适应的目的,进而实现只需一个模型就可以实现多种不同类型的任务的目的,可以提高模型的利用率,因此,本说明书实施例中的模型训练可以采用元学习的方式实现。为此,可以基于上述风险分析模型的架构(如Wide and Deep模型的架构或DeepFM模型的架构等),分别设置一个或多个风险分析子模型,并可以将风险分析子模型的架构设置为上述风险分析模型的架构(即Wide and Deep模型的架构或DeepFM模型的架构),在实际应用中,上述处理过程还可以是通过复制等方式生成多个上述风险分析模型的架构(如Wide and Deep模型的架构或DeepFM模型的架构等),并可以基于每个生成的风险分析模型的架构生成一个风险分析子模型,从而使得每个风险分析子模型的架构与风险分析模型的架构相同。
在步骤S306中,将第一数量的低阶特征样本和第二数量的高阶特征样本,分别输入到每个风险分析子模型中进行计算,得到每个风险分析子模型对应的第一损失函数。
在实施中,以风险分析子模型的架构为Wide and Deep模型的架构为例,对于Wideand Deep模型的训练,可以以多个训练样本作为1个批次(即batch)进行训练,训练样本可以在行维度上进行定义,每一行对应一个训练样本实例,包括特征、标注,以及权重等。特征在列维度上进行定义,每个维度对应 1个特征,该特征由在列维度上的1个或者若干个张量组成,该张量中的每个元素对应一个样本在该特征上某个维度的值。Wide and Deep模型中使用的特征包括两大类:一类是连续型特征,主要用于Deep模型的训练,一类是离散型特征,主要用于Wide模型的训练。
基于上述内容,可以将上述第一数量的低阶特征样本和第二数量的高阶特征样本,分别输入到每个风险分析子模型中进行计算。需要说明的是,可以是用第一数量的低阶特征样本和第二数量的高阶特征样本分别对每个风险分析子模型进行训练,也可以是从第一数量的低阶特征样本中随机选取第一预设数量的低阶特征样本,和/或,从第二数量的高阶特征样本中随机选取第二预设数量的高阶特征样本,还可以是从第一数量的低阶特征样本中按照预定的第一选取规则选取第一预设数量的低阶特征样本,和/或,从第二数量的高阶特征样本中按照预定的第二选取规则选取第二预设数量的高阶特征样本等,具体可以根据实际情况设定,本说明书实施例对此不做限定。
通过低阶特征样本和高阶特征样本对风险分析子模型的训练,每个风险分析子模型可以对应得到第一损失函数,在实际应用中,具体可以通过以下方式实现,在风险分析子模型的模型参数条件下采集训练样本,使用梯度下降方法计算第三损失函数,并更新上述模型参数,得到更新后的模型参数,在该更新后的模型参数的条件下采集测试样本,使用策略梯度方法计算得到第一损失函数,此时可以不更新模型参数,返回该第一损失函数,从而可以得到第一损失函数。第一损失函数可以用于对相应的风险分析子模型的参数估计,第一损失函数的具体形式可以根据实际情况设定,本说明书实施例对此不做限定。
在步骤S308中,基于得到的每个风险分析子模型对应的第一损失函数,确定风险分析模型对应的第二损失函数。
在实施中,通过上述方式得到每个风险分析子模型对应的第一损失函数后,可以将得到的每个第一损失函数进行相加,得到多个第一损失函数的和,可以将多个第一损失函数的和作为风险分析模型对应的损失函数的数值,即第二损失函数。上述确定风险分析模型对应的第二损失函数的方式仅是一种可选的可实现的方式,在实际应用中,还可以包括多种可实现方式,具体可以根据实际情况设定,本说明书实施例对此不做限定。
在实际应用中,还可以通过多种方式实现上述步骤S308的处理,以下还提供一种可选的处理方式,具体可以包括以下步骤A2~步骤A6的处理。
在步骤A2中,基于得到的每个风险分析子模型对应的第一损失函数,对每个风险分析子模型对应的模型参数进行更新,得到更新后的每个风险分析子模型对应的模型参数。
在步骤A4中,基于更新后的每个风险分析子模型对应的模型参数,确定每个风险分析子模型对应的损失值。
在步骤A6中,对每个风险分析子模型对应的损失值进行求和计算,得到风险分析模型对应的第二损失函数。
在步骤S310中,基于风险分析模型对应的第二损失函数,通过梯度下降算法,以及第一数量的低阶特征样本和第二数量的高阶特征样本,确定风险分析模型。
在实施中,通过上述方式得到风险分析模型对应的第二损失函数后,可以基于该第二损失函数,使用梯度下降算法更新该风险分析模型的模型参数,最终通过得到的模型参数可以得到对应的风险分析模型,通过上述方式,可以训练得到风险分析模型。由于风险分析模型的第二损失函数是基于各个风险分析子模型(或子任务)的第一损失函数而得到,因此风险分析模型的训练梯度方向是离各个子任务最优解最近的方向,通过反复训练,使得每得到一批任务就朝着该批任务最优解最近的方向靠近,这样就能学习到上述任务的本质,最终产生一个能面向多任务的风险分析模型,实际运用风险分析模型时,只需针对当前业务使用梯度下降算法微调风险分析模型的模型参数就能生成适用于当前业务的模型。
上述步骤S310的具体处理方式可以多种多样,以提供一种可选的处理方式,具体可以包括以下步骤B2~步骤B6的处理。
在步骤B2中,基于风险分析模型对应的第二损失函数,通过梯度下降算法,以及第一数量的低阶特征样本和第二数量的高阶特征样本,确定待选风险分析模型。
在实施中,通过上述方式得到风险分析模型对应的第二损失函数后,可以基于该第二损失函数,使用梯度下降算法更新该风险分析模型的模型参数,最终通过得到的模型参数可以得到对应的风险分析模型,通过上述方式,可以将训练得到风险分析模型作为待选风险分析模型。
在步骤B4中,获取第三数量的特征样本,对待选风险分析模型进行验证。
其中,第三数量可以是任意数值,第一数量、第二数量和第三数量彼此之间可以相同也可以不同。第三数量的特征样本中可以包括高阶特征样本,也可以包括低阶特征样本,还可以是只包含高阶特征样本或低阶特征样本。
在实施中,可以预先获取第三数量的特征样本,具体获取方式可以参见上述相关内容,在此不再赘述。获取到第三数量的特征样本后,可以通过第三数量的特征样本对待选风险分析模型进行验证或检测,以验证或检测待选风险分析模型是否达到预定的准确率,如果待选风险分析模型能够达到甚至可以超过预定的准确率,则可以确定待选风险分析模型验证通过,如果待选风险分析模型无法达到预定的准确率,则可以重新通过上述处理过程对风险分析模型进行训练,此时,可以采用上述低阶特征样本和高阶特征样本对风险分析模型进行训练,也可以获取其它的低阶特征样本和/或高阶特征样本对风险分析模型进行训练,具体可以根据实际情况设定。
在步骤B6中,如果对待选风险分析模型验证通过,则将待选风险分析模型作为风险分析模型。
在实施中,通过上述方式确定待选风险分析模型验证通过,则表明该待选风险分析模型能够达到预定的准确率,其准确程度较高,可以将待选风险分析模型作为风险分析模型使用。
通过上述元学习的方式得到训练后的风险分析模型后,可以将该风险分析模型投入对交易数据的风险检测中,具体可以参见下述步骤S312~步骤S316的处理。
在步骤S312中,获取待分析的交易数据。
其中,交易数据可以包括多种,而且交易数据对应的交易可能存在多种不同的风险,例如存在赌博风险的交易数据、存在传销风险的交易数据、存在集资风险的交易数据、存在套现风险的交易数据、存在虚拟币风险的交易数据,以及涉及炒作商品等风险的交易数据等,在实际应用中,交易数据不仅仅可以包括上述信息,还可以包括除上述信息外的其它信息,具体可以根据实际情况设定,本说明书实施例对此不做限定。
在实施中,服务器可以实时或周期性的收集某商户或某用户的交易数据,并可以将得到的交易数据存储在指定的存储区域内。当需要对某商户或用户的交易数据进行风险分析时,可以获取该商户或用户的交易数据,然后对每个次收集的数据进行风险分析。
在步骤S314中,对上述交易数据进行特征提取,获取该交易数据对应的低阶特征和高阶特征。
在实施中,服务器可以通过预先设置特征提取算法或特征提取机制对上述交易数据进行特征提取,可以通过特征提取算法或特征提取机制,从上述交易数据中提取低阶特征,也可以从上述交易数据中提取高阶特征,或者还可以只提取低阶特征,并可以基于提取的低阶特征合成高阶特征等。
在步骤S316中,将上述交易数据对应的低阶特征和高阶特征输入到风险分析模型中进行数据风险分析,确定该交易数据对应的交易是否为存在预定风险,该风险分析模型是采用元学习通过预定的低阶特征样本和高阶特征样本进行训练得到的模型。
在实施中,通过上述方式得到训练后的风险分析模型后,可以将上述交易数据对应的低阶特征和高阶特征输入到风险分析模型中进行数据风险分析,最终确定该交易数据对应的交易是否存在风险,如果存在风险,则可以进一步确定属于哪一种风险类型,即确定该交易数据对应的交易是否为存在预定风险。
本说明书实施例提供一种交易风险的检测方法,通过对获取的待分析的交易数据进行特征提取,得到该交易数据对应的低阶特征和高阶特征,将该交易数据对应的低阶特征和高阶特征输入到风险分析模型中进行数据风险分析,确定该交易数据对应的交易是否为存在预定风险,该风险分析模型是采用元学习通过预定的低阶特征样本和高阶特征样本进行训练得到的模型,这样,采用元学习通过预定的低阶特征样本和高阶特征样本训练的模型对交易数据进行风险检测,由于元学习具有能够使用很少的样本数据即可得到较好效果的模型的特性,因此,上述训练的风险分析模型能够实现对新增加的风险类型或某风险类型中新增加的实现手段进行风险防控,并且能够得到较好的风险防控效果。
通过复制Wide and Deep模型或DeepFM模型等风险分析模型的架构,采用元学习分别训练多个风险分析子模型,最终得到的完整的Wide and Deep模型或DeepFM模型等风险分析模型,然后利用训练后的Wide and Deep模型或DeepFM模型等风险分析模型对交易数据进行风险检测,从而可以实现对新增加的风险类型或某风险类型中新增加的实现手段进行风险防控,并且能够得到较好的风险防控效果。
实施例三
本实施例将结合具体的应用场景,对本发明实施例提供的一种交易风险的检测方法进行详细的阐述,相应的应用场景为基于Wide and Deep模型通过元学习检测交易数据对应的交易是否存在洗钱风险或反洗钱风险的应用场景,其中,风险分析模型可以是Wideand Deep模型,预定风险可以是洗钱风险或反洗钱风险。
如图4所示,本说明书实施例提供一种交易风险的检测方法,该方法的执行主体可以为服务器,该服务器可以是一个独立的服务器,还可以是由多个服务器构成的服务器集群等。该服务器可以是某项业务(如进行交易的业务等)的后台服务器,也可以是某应用(如金融类应用等)的后台服务器等。该方法具体可以包括以下步骤:
在步骤S402中,获取预设第一数量的低阶特征样本和预设第二数量的高阶特征样本。
其中,第一数量和第二数量可以是任意数量值,具体如1000条或10GB等。第一数量的低阶特征样本和第二数量的高阶特征样本中可以包括多种类型的样本数据,例如存在赌博风险的样本数据、存在传销风险的样本数据、存在集资风险的样本数据、存在套现风险的样本数据、存在虚拟币风险的样本数据,以及涉及炒作商品等风险的样本数据等。
在步骤S404中,基于Wide and Deep模型的架构,分别设置一个或多个风险分析子模型,且每个风险分析子模型的架构与Wide and Deep模型的架构相同。
其中,Wide and Deep模型的核心思想可以是结合线性模型的记忆能力和 DNN模型的泛化能力,在训练过程中同时优化2个模型的模型参数,从而达到整体模型的预测能力最优。其中的Wide端可以对应线性模型,输入的特征可以是连续特征,也可以是稀疏的离散特征。Deep端可以对应DNN模型,Wide and Deep模型的输出是线性模型输出与DNN模型输出的叠加。
Wide and Deep模型的训练可以采用联合训练,模型的训练误差会同时反馈到线性模型和DNN模型中进行模型参数的更新。在联合训练中模型的融合是在训练阶段进行的。Wide端模型可以通过离散特征的交叉组合进行记忆,Deep端模型可以通过特征的embedding 进行泛化。其中的线性特征可以是低阶特征,该低阶特征可以包括用户信息对应的特征,具体如用户的年龄对应的特征、用户的账户信息对应的特征等,而其中的高阶特征可以包括积累型特征等。
在实施中,可以基于Wide and Deep模型对应的算法构建风险分析模型的架构,由于元学习可以实现迅速适应新任务,达到高效实用化和自适应的目的,进而实现只需一个模型就可以实现多种不同类型的任务的目的,因此,本实施例中的模型训练可以采用元学习的方式实现。为此,可以基于Wide and Deep模型的架构,通过复制等方式生成多个Wideand Deep模型的架构,并可以基于每个生成的Wide and Deep模型的架构生成一个风险分析子模型,从而使得每个风险分析子模型的架构与Wide and Deep模型的架构相同。
在步骤S406中,将第一数量的低阶特征样本和第二数量的高阶特征样本,分别输入到每个风险分析子模型中进行计算,得到每个风险分析子模型对应的第一损失函数。
在实施中,如图5所示,可以将第一数量的低阶特征样本和第二数量的高阶特征样本作为每个风险分析子模型的任务数据,然后,可以将该任务数据分别输入到每个风险分析子模型(Wide and Deep模型的架构)中进行计算,得到每个风险分析子模型对应的第一损失函数。
在步骤S408中,基于得到的每个风险分析子模型对应的第一损失函数,确定Wideand Deep模型对应的第二损失函数。
在实施中,如图5所示,通过上述方式得到每个风险分析子模型对应的第一损失函数后,可以将得到的每个第一损失函数进行相加,得到多个第一损失函数的和,可以将多个第一损失函数的和作为Wide and Deep模型对应的损失函数的数值,即第二损失函数。
在实际应用中,还可以通过多种方式实现上述步骤S408的处理,以下还提供一种可选的处理方式,具体可以包括以下步骤C2~步骤C6的处理。
在步骤C2中,基于得到的每个风险分析子模型对应的第一损失函数,对每个风险分析子模型对应的模型参数进行更新,得到更新后的每个风险分析子模型对应的模型参数。
在步骤C4中,基于更新后的每个风险分析子模型对应的模型参数,确定每个风险分析子模型对应的损失值。
在步骤C6中,对每个风险分析子模型对应的损失值进行求和计算,得到风险分析模型对应的第二损失函数。
在步骤S410中,基于Wide and Deep模型对应的第二损失函数,通过梯度下降算法,以及第一数量的低阶特征样本和第二数量的高阶特征样本,确定待选Wide and Deep模型。
在实施中,如图5 所示,通过上述方式得到Wide and Deep模型对应的第二损失函数后,可以基于该第二损失函数,使用梯度下降算法更新该Wide and Deep模型的模型参数,最终通过得到的模型参数可以得到对应的Wide and Deep模型。由于Wide and Deep模型的第二损失函数是基于各个风险分析子模型(或子任务)的第一损失函数而得到,因此Wide and Deep模型的训练梯度方向是离各个子任务最优解最近的方向,通过反复训练,使得每得到一批任务就朝着该批任务最优解最近的方向靠近,这样就能学习到上述任务的本质,最终产生一个能面向多任务的Wide and Deep模型。
在步骤S412中,获取第三数量的特征样本,对待选Wide and Deep模型进行验证。
在步骤S414中,如果对待选Wide and Deep模型验证通过,则将待选Wide andDeep模型作为风险分析模型。
通过上述元学习的方式得到训练后的Wide and Deep模型后,可以将该Wide andDeep模型投入对交易数据的风险检测中,具体可以参见下述步骤S412~步骤S416的处理。
在步骤S416中,获取待分析的交易数据。
在步骤S418中,对上述交易数据进行特征提取,获取该交易数据对应的低阶特征和高阶特征。
在步骤S420中,将上述交易数据对应的低阶特征和高阶特征输入到Wide andDeep模型中进行数据风险分析,确定该交易数据对应的交易是否为存在洗钱或反洗钱风险。
在实施中,通过上述方式得到训练后的Wide and Deep模型后,可以将上述交易数据对应的低阶特征和高阶特征输入到Wide and Deep模型中进行数据风险分析,最终确定该交易数据对应的交易是否存在洗钱或反洗钱风险。
本说明书实施例提供一种交易风险的检测方法,通过对获取的待分析的交易数据进行特征提取,得到该交易数据对应的低阶特征和高阶特征,将该交易数据对应的低阶特征和高阶特征输入到风险分析模型中进行数据风险分析,确定该交易数据对应的交易是否为存在预定风险,该风险分析模型是采用元学习通过预定的低阶特征样本和高阶特征样本进行训练得到的模型,这样,采用元学习通过预定的低阶特征样本和高阶特征样本训练的模型对交易数据进行风险检测,由于元学习具有能够使用很少的样本数据即可得到较好效果的模型的特性,因此,上述训练的风险分析模型能够实现对新增加的风险类型或某风险类型中新增加的实现手段进行风险防控,并且能够得到较好的风险防控效果。
通过复制Wide and Deep模型的架构,采用元学习分别训练多个风险分析子模型,最终得到的完整的Wide and Deep模型,然后利用训练后的Wide and Deep模型对交易数据进行风险检测,从而可以实现对新增加的风险类型或某风险类型中新增加的实现手段进行风险防控,并且能够得到较好的风险防控效果。
实施例四
以上为本说明书实施例提供的交易风险的检测方法,基于同样的思路,本说明书实施例还提供一种交易风险的检测装置,如图6所示。
该交易风险的检测装置包括:交易数据获取模块601、特征提取模块602和风险分析模块603,其中:
交易数据获取模块601,获取待分析的交易数据;
特征提取模块602,对所述交易数据进行特征提取,获取所述交易数据对应的低阶特征和高阶特征;
风险分析模块603,将所述交易数据对应的低阶特征和高阶特征输入到风险分析模型中进行数据风险分析,确定所述交易数据对应的交易是否为存在预定风险,所述风险分析模型是采用元学习通过预定的低阶特征样本和高阶特征样本进行训练得到的模型。
本说明书实施例中,所述装置还包括:
样本获取模块,获取预设第一数量的低阶特征样本和预设第二数量的高阶特征样本;
子模型设置模块,基于所述风险分析模型的架构,分别设置一个或多个风险分析子模型,且每个所述风险分析子模型的架构与所述风险分析模型的架构相同;
第一处理模块,将所述第一数量的低阶特征样本和所述第二数量的高阶特征样本,分别输入到每个所述风险分析子模型中进行计算,得到每个所述风险分析子模型对应的第一损失函数;
第二处理模块,基于得到的每个所述风险分析子模型对应的第一损失函数,确定所述风险分析模型对应的第二损失函数;
模型确定模块,基于所述风险分析模型对应的第二损失函数,通过梯度下降算法,以及所述第一数量的低阶特征样本和所述第二数量的高阶特征样本,确定所述风险分析模型。
本说明书实施例中,所述第二处理模块,包括:
更新单元,基于得到的每个所述风险分析子模型对应的第一损失函数,对每个所述风险分析子模型对应的模型参数进行更新,得到更新后的每个所述风险分析子模型对应的模型参数;
损失值确定单元,基于更新后的每个所述风险分析子模型对应的模型参数,确定每个所述风险分析子模型对应的损失值;
处理单元,对每个所述风险分析子模型对应的损失值进行求和计算,得到所述风险分析模型对应的第二损失函数。
本说明书实施例中,所述模型确定模块,包括:
待选模块确定单元,基于所述风险分析模型对应的第二损失函数,通过梯度下降算法,以及所述第一数量的低阶特征样本和所述第二数量的高阶特征样本,确定待选风险分析模型;
验证单元,获取第三数量的特征样本,对所述待选风险分析模型进行验证;
模型确定单元,如果对所述待选风险分析模型验证通过,则将所述待选风险分析模型作为所述风险分析模型。
本说明书实施例中,所述风险分析模型为Wide and Deep模型或DeepFM模型。
本说明书实施例中,所述低阶特征包括用户信息对应的特征,所述高阶特征包括积累型特征。
本说明书实施例中,所述预定风险为洗钱风险或反洗钱风险。
本说明书实施例提供一种交易风险的检测装置,通过对获取的待分析的交易数据进行特征提取,得到该交易数据对应的低阶特征和高阶特征,将该交易数据对应的低阶特征和高阶特征输入到风险分析模型中进行数据风险分析,确定该交易数据对应的交易是否为存在预定风险,该风险分析模型是采用元学习通过预定的低阶特征样本和高阶特征样本进行训练得到的模型,这样,采用元学习通过预定的低阶特征样本和高阶特征样本训练的模型对交易数据进行风险检测,由于元学习具有能够使用很少的样本数据即可得到较好效果的模型的特性,因此,上述训练的风险分析模型能够实现对新增加的风险类型或某风险类型中新增加的实现手段进行风险防控,并且能够得到较好的风险防控效果。
通过复制Wide and Deep模型或DeepFM模型等风险分析模型的架构,采用元学习分别训练多个风险分析子模型,最终得到的完整的Wide and Deep模型或DeepFM模型等风险分析模型,然后利用训练后的Wide and Deep模型或DeepFM模型等风险分析模型对交易数据进行风险检测,从而可以实现对新增加的风险类型或某风险类型中新增加的实现手段进行风险防控,并且能够得到较好的风险防控效果。
实施例五
以上为本说明书实施例提供的交易风险的检测装置,基于同样的思路,本说明书实施例还提供一种交易风险的检测设备,如图7所示。
所述交易风险的检测设备可以为上述实施例提供的服务器。
交易风险的检测设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上的处理器701和存储器702,存储器702中可以存储有一个或一个以上存储应用程序或数据。其中,存储器702可以是短暂存储或持久存储。存储在存储器702的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括对交易风险的检测设备中的一系列计算机可执行指令。更进一步地,处理器701可以设置为与存储器702通信,在交易风险的检测设备上执行存储器702中的一系列计算机可执行指令。交易风险的检测设备还可以包括一个或一个以上电源703,一个或一个以上有线或无线网络接口704,一个或一个以上输入输出接口705,一个或一个以上键盘706。
具体在本实施例中,交易风险的检测设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对交易风险的检测设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
获取待分析的交易数据;
对所述交易数据进行特征提取,获取所述交易数据对应的低阶特征和高阶特征;
将所述交易数据对应的低阶特征和高阶特征输入到风险分析模型中进行数据风险分析,确定所述交易数据对应的交易是否为存在预定风险,所述风险分析模型是采用元学习通过预定的低阶特征样本和高阶特征样本进行训练得到的模型。
本说明书实施例中,还包括:
获取预设第一数量的低阶特征样本和预设第二数量的高阶特征样本;
基于所述风险分析模型的架构,分别设置一个或多个风险分析子模型,且每个所述风险分析子模型的架构与所述风险分析模型的架构相同;
将所述第一数量的低阶特征样本和所述第二数量的高阶特征样本,分别输入到每个所述风险分析子模型中进行计算,得到每个所述风险分析子模型对应的第一损失函数;
基于得到的每个所述风险分析子模型对应的第一损失函数,确定所述风险分析模型对应的第二损失函数;
基于所述风险分析模型对应的第二损失函数,通过梯度下降算法,以及所述第一数量的低阶特征样本和所述第二数量的高阶特征样本,确定所述风险分析模型。
本说明书实施例中,所述基于得到的每个所述风险分析子模型对应的第一损失函数,确定所述风险分析模型对应的第二损失函数,包括:
基于得到的每个所述风险分析子模型对应的第一损失函数,对每个所述风险分析子模型对应的模型参数进行更新,得到更新后的每个所述风险分析子模型对应的模型参数;
基于更新后的每个所述风险分析子模型对应的模型参数,确定每个所述风险分析子模型对应的损失值;
对每个所述风险分析子模型对应的损失值进行求和计算,得到所述风险分析模型对应的第二损失函数。
本说明书实施例中,所述基于所述风险分析模型对应的第二损失函数,通过梯度下降算法,以及所述第一数量的低阶特征样本和所述第二数量的高阶特征样本,确定所述风险分析模型,包括:
基于所述风险分析模型对应的第二损失函数,通过梯度下降算法,以及所述第一数量的低阶特征样本和所述第二数量的高阶特征样本,确定待选风险分析模型;
获取第三数量的特征样本,对所述待选风险分析模型进行验证;
如果对所述待选风险分析模型验证通过,则将所述待选风险分析模型作为所述风险分析模型。
本说明书实施例中,所述风险分析模型为Wide and Deep模型或DeepFM模型。
本说明书实施例中,所述低阶特征包括用户信息对应的特征,所述高阶特征包括积累型特征。
本说明书实施例中,所述预定风险为洗钱风险或反洗钱风险。
本说明书实施例提供一种交易风险的检测设备,通过对获取的待分析的交易数据进行特征提取,得到该交易数据对应的低阶特征和高阶特征,将该交易数据对应的低阶特征和高阶特征输入到风险分析模型中进行数据风险分析,确定该交易数据对应的交易是否为存在预定风险,该风险分析模型是采用元学习通过预定的低阶特征样本和高阶特征样本进行训练得到的模型,这样,采用元学习通过预定的低阶特征样本和高阶特征样本训练的模型对交易数据进行风险检测,由于元学习具有能够使用很少的样本数据即可得到较好效果的模型的特性,因此,上述训练的风险分析模型能够实现对新增加的风险类型或某风险类型中新增加的实现手段进行风险防控,并且能够得到较好的风险防控效果。
通过复制Wide and Deep模型或DeepFM模型等风险分析模型的架构,采用元学习分别训练多个风险分析子模型,最终得到的完整的Wide and Deep模型或DeepFM模型等风险分析模型,然后利用训练后的Wide and Deep模型或DeepFM模型等风险分析模型对交易数据进行风险检测,从而可以实现对新增加的风险类型或某风险类型中新增加的实现手段进行风险防控,并且能够得到较好的风险防控效果。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
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(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,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。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(Hardware Description 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 Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。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 Specific Integrated 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、Microchip PIC18F26K20 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。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
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,在实施本说明书一个或多个实施例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,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书一个或多个实施例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,本说明书一个或多个实施例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。
本说明书的实施例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交易风险的检测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交易风险的检测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交易风险的检测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交易风险的检测设备上,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,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书一个或多个实施例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,本说明书一个或多个实施例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。
本说明书一个或多个实施例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说明书一个或多个实施例,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。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (11)
1.一种交易风险的检测方法,所述方法包括:
获取待分析的交易数据;
对所述交易数据进行特征提取,获取所述交易数据对应的低阶特征和高阶特征;
将所述交易数据对应的低阶特征和高阶特征输入到风险分析模型中进行数据风险分析,确定所述交易数据对应的交易是否为存在预定风险,所述风险分析模型是采用元学习通过预定的低阶特征样本和高阶特征样本进行训练得到的模型;
所述方法还包括:
获取预设第一数量的低阶特征样本和预设第二数量的高阶特征样本;
基于所述风险分析模型的架构,分别设置一个或多个风险分析子模型,且每个所述风险分析子模型的架构与所述风险分析模型的架构相同;
将所述第一数量的低阶特征样本和所述第二数量的高阶特征样本,分别输入到每个所述风险分析子模型中进行计算,得到每个所述风险分析子模型对应的第一损失函数;
基于得到的每个所述风险分析子模型对应的第一损失函数,确定所述风险分析模型对应的第二损失函数;
基于所述风险分析模型对应的第二损失函数,通过梯度下降算法,以及所述第一数量的低阶特征样本和所述第二数量的高阶特征样本,确定所述风险分析模型。
2.根据权利要求1所述的方法,所述基于得到的每个所述风险分析子模型对应的第一损失函数,确定所述风险分析模型对应的第二损失函数,包括:
基于得到的每个所述风险分析子模型对应的第一损失函数,对每个所述风险分析子模型对应的模型参数进行更新,得到更新后的每个所述风险分析子模型对应的模型参数;
基于更新后的每个所述风险分析子模型对应的模型参数,确定每个所述风险分析子模型对应的损失值;
对每个所述风险分析子模型对应的损失值进行求和计算,得到所述风险分析模型对应的第二损失函数。
3.根据权利要求1所述的方法,所述基于所述风险分析模型对应的第二损失函数,通过梯度下降算法,以及所述第一数量的低阶特征样本和所述第二数量的高阶特征样本,确定所述风险分析模型,包括:
基于所述风险分析模型对应的第二损失函数,通过梯度下降算法,以及所述第一数量的低阶特征样本和所述第二数量的高阶特征样本,确定待选风险分析模型;
获取第三数量的特征样本,对所述待选风险分析模型进行验证;
如果对所述待选风险分析模型验证通过,则将所述待选风险分析模型作为所述风险分析模型。
4. 根据权利要求1-3中任一项所述的方法,所述风险分析模型为Wide and Deep模型或DeepFM模型。
5.根据权利要求4所述的方法,所述低阶特征包括用户信息对应的特征,所述高阶特征包括积累型特征。
6.根据权利要求5所述的方法,所述预定风险为洗钱风险或反洗钱风险。
7.一种交易风险的检测装置,所述装置包括:
交易数据获取模块,获取待分析的交易数据;
特征提取模块,对所述交易数据进行特征提取,获取所述交易数据对应的低阶特征和高阶特征;
风险分析模块,将所述交易数据对应的低阶特征和高阶特征输入到风险分析模型中进行数据风险分析,确定所述交易数据对应的交易是否为存在预定风险,所述风险分析模型是采用元学习通过预定的低阶特征样本和高阶特征样本进行训练得到的模型;
所述装置还包括:
样本获取模块,获取预设第一数量的低阶特征样本和预设第二数量的高阶特征样本;
子模型设置模块,基于所述风险分析模型的架构,分别设置一个或多个风险分析子模型,且每个所述风险分析子模型的架构与所述风险分析模型的架构相同;
第一处理模块,将所述第一数量的低阶特征样本和所述第二数量的高阶特征样本,分别输入到每个所述风险分析子模型中进行计算,得到每个所述风险分析子模型对应的第一损失函数;
第二处理模块,基于得到的每个所述风险分析子模型对应的第一损失函数,确定所述风险分析模型对应的第二损失函数;
模型确定模块,基于所述风险分析模型对应的第二损失函数,通过梯度下降算法,以及所述第一数量的低阶特征样本和所述第二数量的高阶特征样本,确定所述风险分析模型。
8.根据权利要求7所述的装置,所述第二处理模块,包括:
更新单元,基于得到的每个所述风险分析子模型对应的第一损失函数,对每个所述风险分析子模型对应的模型参数进行更新,得到更新后的每个所述风险分析子模型对应的模型参数;
损失值确定单元,基于更新后的每个所述风险分析子模型对应的模型参数,确定每个所述风险分析子模型对应的损失值;
处理单元,对每个所述风险分析子模型对应的损失值进行求和计算,得到所述风险分析模型对应的第二损失函数。
9.根据权利要求7所述的装置,所述模型确定模块,包括:
待选模块确定单元,基于所述风险分析模型对应的第二损失函数,通过梯度下降算法,以及所述第一数量的低阶特征样本和所述第二数量的高阶特征样本,确定待选风险分析模型;
验证单元,获取第三数量的特征样本,对所述待选风险分析模型进行验证;
模型确定单元,如果对所述待选风险分析模型验证通过,则将所述待选风险分析模型作为所述风险分析模型。
10. 根据权利要求7-9中任一项所述的装置,所述风险分析模型为Wide and Deep模型或DeepFM模型。
11. 一种交易风险的检测设备,所述交易风险的检测设备包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
获取待分析的交易数据;
对所述交易数据进行特征提取,获取所述交易数据对应的低阶特征和高阶特征;
将所述交易数据对应的低阶特征和高阶特征输入到风险分析模型中进行数据风险分析,确定所述交易数据对应的交易是否为存在预定风险,所述风险分析模型是采用元学习通过预定的低阶特征样本和高阶特征样本进行训练得到的模型;
还包括:
获取预设第一数量的低阶特征样本和预设第二数量的高阶特征样本;
基于所述风险分析模型的架构,分别设置一个或多个风险分析子模型,且每个所述风险分析子模型的架构与所述风险分析模型的架构相同;
将所述第一数量的低阶特征样本和所述第二数量的高阶特征样本,分别输入到每个所述风险分析子模型中进行计算,得到每个所述风险分析子模型对应的第一损失函数;
基于得到的每个所述风险分析子模型对应的第一损失函数,确定所述风险分析模型对应的第二损失函数;
基于所述风险分析模型对应的第二损失函数,通过梯度下降算法,以及所述第一数量的低阶特征样本和所述第二数量的高阶特征样本,确定所述风险分析模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010468140.7A CN111383030B (zh) | 2020-05-28 | 2020-05-28 | 一种交易风险的检测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010468140.7A CN111383030B (zh) | 2020-05-28 | 2020-05-28 | 一种交易风险的检测方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111383030A CN111383030A (zh) | 2020-07-07 |
CN111383030B true CN111383030B (zh) | 2021-02-23 |
Family
ID=71216035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010468140.7A Active CN111383030B (zh) | 2020-05-28 | 2020-05-28 | 一种交易风险的检测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111383030B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022011553A1 (en) * | 2020-07-14 | 2022-01-20 | Alibaba Group Holding Limited | Feature interaction via edge search |
CN112328844A (zh) * | 2020-11-18 | 2021-02-05 | 恩亿科(北京)数据科技有限公司 | 一种处理多类型数据的方法及系统 |
CN113689234B (zh) * | 2021-08-04 | 2024-03-15 | 华东师范大学 | 一种基于深度学习的平台相关的广告点击率预测方法 |
CN114216712B (zh) * | 2021-12-15 | 2024-03-08 | 深圳先进技术研究院 | 一种机械通气人机异步数据获取方法、检测方法及其设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564376A (zh) * | 2018-04-20 | 2018-09-21 | 阿里巴巴集团控股有限公司 | 风险控制方法、装置、服务器及可读存储介质 |
CN110674857A (zh) * | 2019-09-15 | 2020-01-10 | 桂林电子科技大学 | 一种基于多尺度堆叠网络的广告点击分类方法 |
CN110852447A (zh) * | 2019-11-15 | 2020-02-28 | 腾讯云计算(北京)有限责任公司 | 元学习方法和装置、初始化方法、计算设备和存储介质 |
US20200134628A1 (en) * | 2018-10-26 | 2020-04-30 | Microsoft Technology Licensing, Llc | Machine learning system for taking control actions |
CN111178128A (zh) * | 2019-11-22 | 2020-05-19 | 北京迈格威科技有限公司 | 图像识别方法、装置、计算机设备和存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11733780B2 (en) * | 2018-03-16 | 2023-08-22 | Veridium Ip Limited | System and method for user recognition using motion sensor data |
CN109948728A (zh) * | 2019-03-28 | 2019-06-28 | 第四范式(北京)技术有限公司 | 异常交易检测模型的训练以及异常交易检测的方法和装置 |
-
2020
- 2020-05-28 CN CN202010468140.7A patent/CN111383030B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564376A (zh) * | 2018-04-20 | 2018-09-21 | 阿里巴巴集团控股有限公司 | 风险控制方法、装置、服务器及可读存储介质 |
US20200134628A1 (en) * | 2018-10-26 | 2020-04-30 | Microsoft Technology Licensing, Llc | Machine learning system for taking control actions |
CN110674857A (zh) * | 2019-09-15 | 2020-01-10 | 桂林电子科技大学 | 一种基于多尺度堆叠网络的广告点击分类方法 |
CN110852447A (zh) * | 2019-11-15 | 2020-02-28 | 腾讯云计算(北京)有限责任公司 | 元学习方法和装置、初始化方法、计算设备和存储介质 |
CN111178128A (zh) * | 2019-11-22 | 2020-05-19 | 北京迈格威科技有限公司 | 图像识别方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111383030A (zh) | 2020-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111383030B (zh) | 一种交易风险的检测方法、装置及设备 | |
CN109934706B (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 | |
CN110413877B (zh) | 一种资源推荐方法、装置及电子设备 | |
Benchaji et al. | Using genetic algorithm to improve classification of imbalanced datasets for credit card fraud detection | |
Salehinejad et al. | Customer shopping pattern prediction: A recurrent neural network approach | |
CN111340509A (zh) | 一种虚假交易识别方法、装置及电子设备 | |
CN107590690B (zh) | 数据处理方法、装置及服务器 | |
Kumar et al. | Analysis of classifier algorithms to detect anti-money laundering | |
CN109308616B (zh) | 一种交易记录的风险判定方法及装置 | |
CN110633989A (zh) | 一种风险行为生成模型的确定方法及装置 | |
US20200380524A1 (en) | Transaction feature generation | |
CN111260368A (zh) | 一种账户交易风险判断方法、装置及电子设备 | |
Tahmassebi | ideeple: Deep learning in a flash | |
CN112561681A (zh) | 确定潜在贷款企业的方法、装置、电子设备及存储介质 | |
CN110134860B (zh) | 用户画像生成方法、装置和设备 | |
WO2020177477A1 (zh) | 一种信用服务推荐方法、装置及设备 | |
CN110990560A (zh) | 一种司法数据处理方法及系统 | |
CN108446738A (zh) | 一种聚类方法、装置及电子设备 | |
Zaffar et al. | Comparing the performance of FCBF, Chi-Square and relief-F filter feature selection algorithms in educational data mining | |
CN111325557A (zh) | 一种商户风险的检测方法、装置及设备 | |
Jindal et al. | Mining Non-Functional Requirements using Machine Learning Techniques | |
CN111401641B (zh) | 业务数据处理方法、装置及电子设备 | |
CN115660105A (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
Mehdi et al. | Regularization in CNN: A Mathematical Study for L 1, L 2 and Dropout Regularizers | |
Dhyani et al. | Credit card fraud detection using machine learning and incremental learning |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230110 Address after: 200120 Floor 15, No. 447, Nanquan North Road, China (Shanghai) Pilot Free Trade Zone, Pudong New Area, Shanghai Patentee after: Alipay.com Co.,Ltd. Address before: 310000 801-11 section B, 8th floor, 556 Xixi Road, Xihu District, Hangzhou City, Zhejiang Province Patentee before: Alipay (Hangzhou) Information Technology Co.,Ltd. |
|
TR01 | Transfer of patent right |