CN112785157B - 风险识别系统的更新方法及装置、风险识别方法及装置 - Google Patents
风险识别系统的更新方法及装置、风险识别方法及装置 Download PDFInfo
- Publication number
- CN112785157B CN112785157B CN202110093517.XA CN202110093517A CN112785157B CN 112785157 B CN112785157 B CN 112785157B CN 202110093517 A CN202110093517 A CN 202110093517A CN 112785157 B CN112785157 B CN 112785157B
- Authority
- CN
- China
- Prior art keywords
- risk
- characterization
- layer
- event
- sub
- 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
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000012512 characterization method Methods 0.000 claims abstract description 282
- 239000013598 vector Substances 0.000 claims abstract description 170
- 238000012549 training Methods 0.000 claims description 28
- 230000003993 interaction Effects 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 208000001613 Gambling Diseases 0.000 claims description 12
- 230000006399 behavior Effects 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 239000002131 composite material Substances 0.000 claims description 8
- 230000002452 interceptive effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims 2
- 230000000875 corresponding effect Effects 0.000 description 95
- 238000010586 diagram Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
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
- 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
-
- 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
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本说明书实施例提供一种风险识别方法。该方法包括:获取待识别的第一事件样本;将该第一事件样本输入针对多个风险域的风险识别系统中;该风险识别系统包括第一表征层,第二表征层和输出层;该第二表征层包括共享表征子层,以及对应该多个风险域的多个特定表征子层;该输出层包括对应该多个风险域的多个输出子层;其中,该第一表征层基于该第一事件样本的事件特征,确定该第一事件样本的第一表征向量;该第二表征层中的各个表征子层各自基于该第一表征向量,确定该第一事件样本的表征子向量;该输出层中的各个输出子层,各自基于所对应风险域的表征子向量和该共享表征子层确定出的表征子向量,确定风险预测结果。
Description
技术领域
本说明书实施例涉及计算机技术领域,尤其涉及一种风险识别系统的更新方法,一种风险识别方法及装置,以及一种风险识别系统。
背景技术
多数服务平台中常会出现一些风险事件,相应地,为维护业务平台的运营安全、维持运营稳定性,从而更好地服务用户,需要对这些风险事件进行及时的监控和处理。例如,内容平台中通常会对内容发布事件进行风险监测,以期及时识别出违规内容。又例如,支付平台中通常会对支付事件进行风险监测,以便及时识别出支付账户盗用、赌博等违规支付操作。
随着机器学习技术的迅猛发展,通过建立机器学习模型来实现对风险事件的监控、识别,已成为当下研究的热点。然而,目前利用机器学习模型识别风险事件的方式较为单一,难以满足多种多样的需求。
因此,迫切需要一种方案,可以提高机器学习模型对风险事件的识别效果,如提高识别效率和识别准确度等,从而全面提高用户体验。
发明内容
在本说明书描述的风险识别系统的更新方法及装置中,引入多任务学习,对多个风险域对应的多个风险任务进行联合建模,省去多次重复建模的繁琐过程,提高建模及预测效率,并且,使得各个任务之间互相借鉴,从而带来额外的可信增益。
根据第一方面,提供一种风险识别系统的更新方法,包括:获取第一训练样本,其中包括第一事件在多个风险域中的多个风险标签。利用风险识别系统处理所述第一训练样本,所述风险识别系统包括第一表征层,第二表征层和输出层;所述第二表征层包括共享表征子层,以及对应所述多个风险域的多个特定表征子层;所述输出层包括对应所述多个风险域的多个输出子层;其中,所述第一表征层基于所述第一事件的事件特征,确定所述第一事件的第一表征向量;所述第二表征层中的各个表征子层各自基于所述第一表征向量,确定所述第一事件的表征子向量;所述输出层中的各个输出子层,各自基于所对应风险域的表征子向量和所述共享表征子层确定出的表征子向量,确定风险预测结果。基于所述输出层输出的对应所述多个风险域的多个风险预测结果,以及所述多个风险标签,更新所述风险识别系统。
在一个实施例中,所述多个风险域包括风险全域和若干风险分域。
在一个实施例中,所述第一事件涉及存在预定交互关系的多个第一对象;在利用风险识别系统处理所述第一事件样本之前,所述方法还包括:获取关系网络图,所述关系网络图中包括对应多个对象的多个节点,以及节点之间存在所述预定交互关系而形成的连接边;其中,所述第一表征层包括图神经网络GNN和隐藏层;所述第一表征层基于所述第一事件的事件特征,确定所述第一事件的第一表征向量,包括:所述GNN网络基于所述关系网络图进行图嵌入处理,得到所述多个第一对象对应的多个嵌入向量;所述隐藏层基于所述多个嵌入向量,以及所述多个第一对象在所述关系网络图所对应连接边的边特征,确定所述第一表征向量。
在一个具体的实施例中,所述预定交互关系属于以下中的任一种:交易关系、访问关系、登录关系。
在一个实施例中,所述输出层中的各个输出子层,各自基于所对应风险域的表征子向量和所述共享表征子层确定出的表征子向量,确定风险预测结果,包括:所述输出层中的各个输出子层,各自基于所对应风险域的表征子向量和所述共享表征子层确定出的表征子向量的融合向量,确定风险预测结果;所述融合向量属于拼接向量、加和向量或平均向量。
在一个实施例中,基于所述输出层输出的对应所述多个风险域的多个风险预测结果,以及所述多个风险标签,更新所述风险识别系统,包括:针对所述多个风险域中的各个风险域,基于其对应的风险预测结果和风险标签,确定对应的损失项;利用多个学习权重,对所述多个风险域对应的多个损失项进行加权求和,得到加权损失;基于所述加权损失,更新所述风险识别系统和所述多个学习权重。
在一个具体的实施例中,基于所述加权损失,更新所述风险识别系统,包括:确定权重约束项,该权重约束项与所述多个学习权重中的各个学习权重负相关;将所述加权损失和权重约束项的和,确定为综合损失;基于所述综合损失,更新所述风险识别系统和所述多个学习权重。
在一个实施例中,所述第一事件属于交易事件,所述若干风险分域包括以下中的至少一个域:账户盗用域、欺诈域、虚假交易域、赌博域。
根据第二方面,提供一种风险识别方法,包括:获取待识别的第一事件样本;将所述第一事件样本输入针对多个风险域的风险识别系统中;所述风险识别系统包括第一表征层,第二表征层和输出层;所述第二表征层包括共享表征子层,以及对应所述多个风险域的多个特定表征子层;所述输出层包括对应所述多个风险域的多个输出子层;其中,所述第一表征层基于所述第一事件样本的事件特征,确定所述第一事件样本的第一表征向量;所述第二表征层中的各个表征子层各自基于所述第一表征向量,确定所述第一事件样本的表征子向量;所述输出层中的各个输出子层,各自基于所对应风险域的表征子向量和所述共享表征子层确定出的表征子向量,确定风险预测结果。
在一个实施例中,所述多个风险域包括风险全域和若干风险分域。
在一个实施例中,在确定风险预测结果之后,所述方法还包括:在所述输出层输出的对应所述多个风险域的多个风险预测结果均指示无风险的情况下,判定所述第一事件样本为全域可信样本。
在一个实施例中,所述第一事件属于以下中的任一种:交易事件、访问事件、登录事件。
根据第三方面,提供一种风险识别系统,包括:第一表征层,用于基于第一事件的事件特征,确定所述第一事件的第一表征向量;第二表征层,所述第二表征层包括共享表征子层,以及对应多个风险域的多个特定表征子层;所述第二表征层中的各个表征子层用于各自基于所述第一表征向量,确定所述第一事件的表征子向量;输出层,所述输出层包括对应所述多个风险域的多个输出子层;所述输出层中的各个输出子层,用于各自基于所对应风险域的表征子向量和所述共享表征子层确定出的表征子向量,确定风险预测结果。
根据第四方面,提供一种风险识别系统的更新装置,包括:样本获取单元,配置为获取第一训练样本,其中包括第一事件在多个风险域中的多个风险标签;样本处理单元,配置为利用风险识别系统处理所述第一训练样本,所述风险识别系统包括第一表征层,第二表征层和输出层;所述第二表征层包括共享表征子层,以及对应所述多个风险域的多个特定表征子层;所述输出层包括对应所述多个风险域的多个输出子层;其中,所述第一表征层基于所述第一事件的事件特征,确定所述第一事件的第一表征向量;所述第二表征层中的各个表征子层各自基于所述第一表征向量,确定所述第一事件的表征子向量;所述输出层中的各个输出子层,各自基于所对应风险域的表征子向量和所述共享表征子层确定出的表征子向量,确定风险预测结果;系统更新单元,配置为基于所述输出层输出的对应所述多个风险域的多个风险预测结果,以及所述多个风险标签,更新所述风险识别系统。
根据第五方面,提供一种风险识别装置,包括:样本获取单元,配置为获取待识别的第一事件样本;风险识别单元,配置为将所述第一事件样本输入针对多个风险域的风险识别系统中;所述风险识别系统包括第一表征层,第二表征层和输出层;所述第二表征层包括共享表征子层,以及对应所述多个风险域的多个特定表征子层;所述输出层包括对应所述多个风险域的多个输出子层;其中,所述第一表征层基于所述第一事件样本的事件特征,确定所述第一事件样本的第一表征向量;所述第二表征层中的各个表征子层各自基于所述第一表征向量,确定所述第一事件样本的表征子向量;所述输出层中的各个输出子层,各自基于所对应风险域的表征子向量和所述共享表征子层确定出的表征子向量,确定风险预测结果。
根据第六方面,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或第二方面所描述的方法。
根据第七方面,提供了一种计算设备,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,实现第一方面或第二方面所描述的方法。
在本说明书实施例披露的方法及装置中,通过将多个风险领域的风险识别任务合并在一个模型中,可以简化建模流程,省去多次重复建模的繁琐过程,同时,可以使各任务之间互相借鉴,带来额外的有效和可信增益。
附图说明
为了更清楚地说明本说明书披露的多个实施例的技术方案,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说明书披露的多个实施例,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系统的使用架构示意图;
图2示出根据一个实施例的风险识别系统的更新方法流程图;
图3示出根据一个实施例的风险识别方法流程图;
图4示出根据一个实施例的风险识别系统的结构示意图;
图5示出根据一个实施例的风险识别系统的更新装置的结构示意图;
图6示出根据一个实施例的风险识别装置的结构示意图。
具体实施方式
下面结合附图,对本说明书披露的多个实施例进行描述。
如前所述,通过建立机器学习模型来实现对风险事件的监控、识别,已成为当下研究的热点。
在实际风控场景中,对事件的风险识别有时会涉及多个风险领域,例如,对支付事件的判定涉及盗用、欺诈、赌博等风险场景的判定。为了降低风控过程中对用户的打扰,希望对全场景下的无风险事件,或者说,在上述多个风险领域中均识别为无风险的全域可信事件,进行极速放行。
在一种实施方式中,可以针对各个风险领域分别建立机器学习模型,得到训练好的多个风险识别模型,然后,利用该多个风险识别模型对同一事件进行风险识别,在各风险识别结果均指示无风险的情况下,对该事件进行放行,否则,对该事件进行阻拦,包括进一步要求用户进行身份认证,或者冻结相关用户账号等。然而,此种方式需要重复建模,在训练过程中需要耗费较多的存储、计算资源,此外,后续在模型的使用阶段,同样将耗费较多的计算资源,相应耗费较长的计算时间,导致用户体验不佳。
进一步,发明人还发现,全域可信事件具有较为固定的行为模式,例如,在短时期内重复发生等,而采用分领域建模的方式,各领域模型之间无法实现学习到的风险判别知识的交互。
基于以上观察,发明人提出一种多任务建模方案,将多个风险领域的风险识别任务合并在一个模型中,一方面,可以简化建模流程,省去多次重复建模的繁琐过程;另一方面,可以使各任务之间互相借鉴,带来额外的有效和可信增益。
需说明,文中或将上述多任务建模的模型称为风险识别系统。图1示出根据一个实施例的风险识别系统的使用架构示意图。如图1所示,风险评估系统中包括第一表征层、第二表征层和输出层;其中第一表征层用于对事件样本的样本特征x进行表征处理;第二表征层中包括对应N(为正整数)个风险识别任务的N个任务子层以及共享子层,此N+1个子层用于基于第一表征层的表征结果,进行更有针对性的分任务表征和共享表征;输出层中包括对应上述N个风险识别任务的N个输出子层,各自基于对应任务子层的表征结果以及共享子层的共享表征结果,输出风险识别结果。如此,通过风险识别系统可以快速得到N个风险识别任务对应的N个识别结果。
下面结合具体的实施例,对上述风险识别系统的更新和使用方法进行介绍。图2示出根据一个实施例的风险识别系统的更新方法流程图,所述方法的执行主体可以实现为任何具有计算、处理能力的装置、平台或设备集群。
如图2所示,所述方法包括以下步骤:
步骤S210,获取第一训练样本,其中包括第一事件在多个风险域中的多个风险标签;步骤S220,利用风险识别系统处理上述第一训练样本,上述风险识别系统包括第一表征层,第二表征层和输出层;上述第二表征层包括共享表征子层,以及对应上述多个风险域的多个特定表征子层;上述输出层包括对应上述多个风险域的多个输出子层;其中,在步骤S221,上述第一表征层基于上述第一事件的事件特征,确定上述第一事件的第一表征向量;在步骤S222,上述第二表征层中的各个表征子层各自基于上述第一表征向量,确定上述第一事件的表征子向量;在步骤S223,上述输出层中的各个输出子层,各自基于所对应风险域的表征子向量和上述共享表征子层确定出的表征子向量,确定风险预测结果;步骤S230,基于上述输出层输出的对应上述多个风险域的多个风险预测结果,以及上述多个风险标签,更新上述风险识别系统。
对以上步骤的展开描述如下:
首先,在步骤S210,获取第一训练样本,其中包括第一事件在多个风险域中的多个风险标签。需说明,可以将任意的一个训练样本称为第一训练样本,并且,第一训练样本所针对事件被称为第一事件。
在一个实施例中,第一事件可以属于:交易事件、支付事件、转账事件、访问事件、登录事件、社交事件等。在一个具体的实施例中,其中交易事件可以包括电商平台中买家和卖家之间的交易事件,或线下门店中通过线上支付完成的交易事件。在一个具体的实施例中,支付事件可以涉及对线上订单的支付,或者,通过扫描线下二维码进行的支付。在一个具体的实施例中,访问事件可以涉及对论坛、贴吧、网页等的访问。在一个具体的实施例中,登录事件可以涉及对应用APP或网站平台的登录。在一个具体的实施例中,社交事件可以涉及社交平台中添加好友或发起好友申请的操作,关注操作等。
在一个实施例中,上述多个风险域可以包括多个风险领域,如欺诈、账号或账户盗用(文中或简称盗用)、赌博等。在另一个实施例中,上述多个风险域包括风险全域和若干风险分域,其中“若干”包括一个或多个。需说明,其中风险分域是指风险具体分属的领域,相应可以理解,风险全域是指所有具体的风险分域合并而成的风险域。
根据一个具体的实施例,上述第一事件属于交易事件,上述风险全域可以是交易风险全域,上述若干风险分域可以包括账户盗用域、欺诈域、虚假交易域、或赌博域等。根据另一个具体的实施例,上述第一事件属于访问事件,上述风险全域可以是访问风险全域,上述若干风险分域可以包括账户盗用域、欺诈域或赌博域等。
在一个实施例中,上述多个风险域中各个风险域所对应的标签总集,可以对应包括多个风险类别标签。比如,其中一个标签总集包括高风险、中风险和低风险,另一个标签总集包括有风险和无风险。另一方面,在一个实施例中,上述若干风险分域对应的打标方式是反方的,上述风险全域(或称可信域)对应的打标方式是正向的。具体而言,针对采集的某个历史事件数据,在对其进行针对风险分域的标注或者说打标时,在其满足反向标准(如有投诉、纠纷、举报)的情况下,为其打上指示具有风险(如,中风险、高风险,或有风险等)的标签,否则打上指示不具有风险(如,无风险或低风险等)的标签;而在对其进行针对风险全域(可信域)的标注时,考虑到有未知的风险分域等原因,难以对所有的风险分域进行穷举,所以在其满足正向标准的情况下,为其打上指示不具有风险(如无风险、或可信等)的标签,否则打上指示具有风险(如不可信等)的标签,其中正向标准可以包括:相同事件在未来预定周期(如两周)内重复发生的次数超过预定阈值(如3次),或者,相同事件所涉及的参与方在未来预定周期内发生交互的次数超过预定阈值。举例来说,在一个例子中,某个登录事件为用户小红登录某应用APP,若小红在之后两周内登录该应用APP的次数超过3次,则可以给该某个登录事件打上可信的标签。在另一个例子中,某个转账事件为A向B转账,若A在之后一周内与B进行交互(如转账、在社交APP上发送消息等)的次数超过4次,则可以给该某个登录事件打上可信的标签。如此,同时基于反向标准在风险分域进行打标,以及基于正向标准在风险全域进行打标,达到对风险数据和可信数据的双向结合沉淀、利用,从而有效提高后续模型训练效果。
上述对第一训练样本中第一事件对应多个风险域的多个风险标签进行介绍。另一方面,在一个实施例中,上述第一训练样本中还包括第一事件的事件特征,其中事件特征至少包括事件方特征,如属性特征或行为偏好特征等。在一个具体的实施例中,事件方所对应的用户可以是个人或企业机构等,相应,属性特征可以是个人的年龄、性别、职业等属性信息,或者企业结构的行业、成立时间、营业额等属性信息,行为偏好特征可以包括行为频次、行为偏好时段、行为偏好地址(地理位置或I P地址)等。在另一个具体的实施例中,上述第一事件涉及存在交互关系的多个事件方(或称多个第一对象),此时,上述第一训练样本中还可以包括多个事件方之间的交互特征,如涉及金额、交互时间、交互地点,等等。在另一个具体的实施例中,上述第一事件涉及多个事件方(文中或称多个第一对象),相应地,上述第一训练样本中还可以包括该多个第一事件方的事件方标识,以定位到其所对应事件方的事件特征。
以上,对获取的第一训练样本进行介绍。接着,在步骤S220,利用风险识别系统处理上述第一训练样本。其中,风险识别系统包括第一表征层,第二表征层和输出层,如可以参见图1。风险识别系统对第一训练样本的处理具体包括以下步骤:
在步骤S221,上述第一表征层基于第一事件的事件特征,确定第一事件的第一表征向量。在一个实施例中,第一表征层可以实现为DNN(深度神经网络,Deep NeuralNetworks)或CNN(Convolutional Neural Networks,卷积神经网络)等。进一步,可以将第一事件的事件特征输入第一表征层,得到上述第一表征向量。
在另一个实施例中,可以通过预先构建包括第一事件的事件方的关系网络图,以及在第一表征层中引入GNN(Graph Neural Networks,图神经网络)对该关系网络图进行图嵌入处理,实现对第一事件进行更加丰富、全面和准确的表征。
具体,在上述步骤S221之前,所述方法还可以包括:获取关系网络图,该关系网络图中包括对应多个对象的多个节点,以及节点之间存在预定交互关系而形成的连接边,其中多个对象包括第一事件中涉及的多个第一对象,其中预定交互关系对应第一事件的事件类型。在一个具体的实施例中,第一事件的事件类型是交易事件,相应地,上述预定交互关系可以包括交易关系。在另一个具体的实施例中,第一事件的事件类型是访问事件,相应地,上述预定交互关系可以包括访问关系。在又一个具体的实施例中,第一事件的事件类型是登录事件,相应地,上述预定交互关系可以包括登录关系。
基于此,在本步骤S221中可以包括:利用第一表征层中的GNN网络对获取的关系网络图进行图嵌入处理,得到多个第一对象对应的多个嵌入向量;基于该多个嵌入向量的融合向量,得到上述第一表征向量。在一个具体的实施例中,GNN网络具体可以实现为GCN(Graph Convolutional Network,图卷积神经网络)、GAT(Graph attention network,图注意力网络)或GeniePath。在一个具体的实施例中,得到融合向量的融合处理方式可以包括拼接、加和、平均、对位相乘处理等。在一个具体的实施例中,可以先将上述多个嵌入向量分别输入一个或多个全连接网络层中,实现对向量的降维处理,进而对多个嵌入向量对应的多个降维向量进行融合处理,得到融合向量。
另一方面,在一个具体的实施例中,可以直接将融合向量作为上述第一表征向量。在另一个具体的实施例中,可以将融合向量输入第一表征层包含的隐藏层中,得到隐藏层输出的第一表征向量。如此,可以实现对上述多个嵌入向量的进一步高阶交互,使得到的第一表征向量能够表征高维特征。在一个更具体的实施例中,可以将上述融合向量,以及上述多个第一对象在关系网络图中的连接边所对应的边特征,共同输入第一表征包含的隐藏层中,得到隐藏层输出的第一表征向量,如此使得第一表征向量蕴含的特征信息更加丰富。
由上,上述第一表征层基于第一事件的事件特征,确定第一事件的第一表征向量。接着在步骤S222,上述第二表征层中的各个表征子层各自基于上述第一表征向量,确定上述第一事件的表征子向量。
第二表征层中包括共享表征子层,以及对应多个风险域的多个特定表征子层,如此,通过设计共享表征子层,可以学习事件在各个风险域的共有特征,包括在各个风险域中无风险类事件的可信行为模式等,通过设计对应各个风险域的特征表征子层,可以学习到各个风险域所对应的私有特征。
在一个实施例中,第二表征层中的任一表征子层可以实现为DNN网络、CNN网络或RNN(Recurrent Neural Network,循环神经网络)等。需说明,第二表征层中任意两个表征子层所基于的神经网络算法及网络结构等,可以相同也可以不同。
由此,基于第一事件的第一表征向量,利用第二表征层中的共享表征子层可以得到全域共享的事件表征子向量,利用第二表征层中的多个特定表征子层,可以得到第一事件在各个风险域的事件表征子向量。
然后,在步骤S223,上述输出层中的各个输出子层,各自基于所对应风险域的表征子向量和上述共享表征子层确定出的表征子向量,确定风险预测结果。可以理解,输出层中包括对应上述多个风险域的多个输出子层,其中各个输出子层输出对应风险域的风险预测结果。如此,可以快速得到对应多个风险域的多个风险预测结果。
在一个实施例中,本步骤可以包括:上述各个输出子层各自基于所对应风险域的表征子向量,以及共享表征子层确定出的表征子向量的融合向量,确定风险预测结果。在一个具体的实施例中,其中融合向量经由对应的两个表征子向量进行拼接、加和、平均、或对位相乘处理而得到。在一个更具体的实施例中,其中加和处理可以包括加权求和处理,具体权重可以是工作人员根据实际经验而预先设定,例如,将共享的事件表征子向量的权重设定为0.1,将其余的对应3个风险域的事件表征子向量的权重均设定为0.3。在另一个实施例中,本步骤可以包括:将共享的事件表征子向量和对应风险域的某个表征子向量,共同输入对应的输出子层中,得到对应的风险预测结果。
以上,通过执行包括步骤S221至步骤S223的步骤S220,可以得到对应多个风险域的多个风险预测结果。
接着,在步骤S230,基于上述输出层输出的对应上述多个风险域的多个风险预测结果,以及上述多个风险标签,更新上述风险识别系统。
本步骤可以包括:针对所述多个风险域中的各个风险域,基于其对应的风险预测结果和风险标签,确定对应的损失项;确定综合损失,该综合损失与多个风险域对应的多个损失项均正相关;利用该综合损失,更新上述风险识别系统。在一个实施例中,上述综合损失的确定可以包括:将上述多个损失项的加和结果,确定综合损失。在另一个实施例中,上述综合损失的确定可以包括:利用多个权重,对所述多个风险域对应的多个损失项进行加权求和,得到加权损失;基于此加权损失,确定上述综合损失。在一个具体的实施例中,上述多个权重可以是人工预先设定的。
在另一个具体的实施例中,上述多个权重可以是学习参数,相应,可以将多个权重称为多个学习权重,此时,在风险识别系统的训练过程中,会同时对学习权重进行参数调整,如此可以实现对权重的自适应调整。另一方面,在一个具体的实施例中,可以直接将上述加权损失确定为上述综合损失。在另一个具体的实施例中,可以确定权重约束项,该权重约束项与上述多个学习权重中的各个学习权重负相关;再将上述加权损失和权重约束项的和,确定为综合损失。需要理解,在多个权重是学习参数的情况下,由于综合损失要求最小,所以希望各个损失项的权重越小越好,通过引入与权重负相关的权重约束项,可以防止模型训练过程中出现效果退化,同时,当某个损失项的取值较大时,其对应的学习权重相会取得较小值,使得综合损失最小化,这就处理了不同损失项的量纲不一致或某个损失项的方差较大的问题。在一个示例中,可以通过下式(1)计算综合损失。
在公式(1)中,L表示综合损失,N表示损失项的个数,αi表示第i个学习权重,Li表示第i个损失项。
在另一个示例中,可以通过下式(2)计算综合损失。
如此,可以得到综合损失。进而基于综合损失,更新上述风险识别系统和上述多个学习权重。需说明,基于综合损失更新风险识别系统中的模型参数和/或多个学习权重,可以采用反向传播法实现,在此不作赘述。
通过多次迭代执行上述步骤S210、S220和步骤S230,直到满足预定条件,如风险识别系统中的模型参数收敛,或者达到预定的迭代次数等,可以得到训练好的、最终投入使用的风险识别系统。
综上,采用本说明书实施例披露的风险识别系统的更新方法,通过将多个风险领域的风险识别任务合并在一个模型中,可以简化建模流程,省去多次重复建模的繁琐过程,同时,可以使各任务之间互相借鉴,带来额外的有效和可信增益。
根据另一方面的实施例本说明书还披露一种风险识别方法。图3示出根据一个实施例的风险识别方法流程图,所述方法的执行主体可以为任何具有计算、处理能力的装置、平台或设备集群。如图3所示,所述方法包括以下步骤:
步骤S310,获取待识别的第一事件样本;步骤S320,将上述第一事件样本输入针对多个风险域的风险识别系统中;上述风险识别系统包括第一表征层,第二表征层和输出层;上述第二表征层包括共享表征子层,以及对应上述多个风险域的多个特定表征子层;上述输出层包括对应上述多个风险域的多个输出子层;其中,在步骤S321,上述第一表征层基于上述第一事件样本的事件特征,确定上述第一事件样本的第一表征向量;在步骤S322,上述第二表征层中的各个表征子层各自基于上述第一表征向量,确定上述第一事件样本的表征子向量;在步骤S323,上述输出层中的各个输出子层,各自基于所对应风险域的表征子向量和上述共享表征子层确定出的表征子向量,确定风险预测结果。
针对以上步骤,在一个实施例中,上述多个风险域包括风险全域和若干风险分域。在一个实施例中,上述第一事件属于以下中的任一种:交易事件、访问事件、登录事件。
在一个实施例中,在上述步骤S320之后,所述方法还可以包括:在上述输出层输出的对应多个风险域的多个风险预测结果均指示无风险的情况下,判定上述第一事件样本为全域可信样本。如此,在多个风险预测结果均指示无风险的情况下,才判定对应的事件样本可信,可以有效提高可信样本的识别准确度,并且,因多个风险预测结果是基于上述风险识别系统而得到,相应确定出可信样本的速度也得到提高,进而可以实现对可信事件的快速放行,相应降低对可信用户、正常操作用户的打扰。进一步,在上述多个风险域中包括风险全域和若干风险分域的情况下,除了风险全域所对应的风险预测结果指示无风险以外,还必须各个风险分域所对应的风险预测结果也指示无风险,可以实现对全域可信样本的精准识别。
综上,采用本说明书实施例披露的风险识别系统的更新方法,通过将多个风险领域的风险识别任务合并在一个模型中,可以简化建模流程,省去多次重复建模的繁琐过程,同时,可以使各任务之间互相借鉴,带来额外的有效和可信增益,进而实现对全域可信样本的精准识别。
根据又一方面的实施例,本说明书实施例还披露一种风险识别系统。图4示出根据一个实施例的风险识别系统的结构示意图,如图4所示,所述风险识别系统包括:第一表征层410,用于基于第一事件的事件特征,确定所述第一事件的第一表征向量。第二表征层420,所述第二表征层包括共享表征子层,以及对应多个风险域的多个特定表征子层;所述第二表征层中的各个表征子层用于各自基于所述第一表征向量,确定所述第一事件的表征子向量。输出层430,所述输出层包括对应所述多个风险域的多个输出子层;所述输出层中的各个输出子层,用于各自基于所对应风险域的表征子向量和所述共享表征子层确定出的表征子向量,确定风险预测结果。
需说明,图4中示出对应N个风险域的N个特定表征子层以及N个输出子层,其中N为大于2的正整数。另外,对风险识别系统的描述,还可以参见前述实施例中的相关描述。
与上述风险识别系统的更新方法相对应的,本说明书还披露更新装置。图5示出根据一个实施例的风险识别系统的更新装置的结构示意图,如图5所示,所述装置500包括:
样本获取单元510,配置为获取第一训练样本,其中包括第一事件在多个风险域中的多个风险标签。样本处理单元520,配置为利用风险识别系统处理所述第一训练样本,所述风险识别系统包括第一表征层,第二表征层和输出层;所述第二表征层包括共享表征子层,以及对应所述多个风险域的多个特定表征子层;所述输出层包括对应所述多个风险域的多个输出子层;其中,所述第一表征层基于所述第一事件的事件特征,确定所述第一事件的第一表征向量;所述第二表征层中的各个表征子层各自基于所述第一表征向量,确定所述第一事件的表征子向量;所述输出层中的各个输出子层,各自基于所对应风险域的表征子向量和所述共享表征子层确定出的表征子向量,确定风险预测结果。系统更新单元530,配置为基于输出层输出的对应所述多个风险域的多个风险预测结果,以及所述多个风险标签,更新所述风险识别系统。
在一个实施例中,所述多个风险域包括风险全域和若干风险分域。
在一个实施例中,所述第一事件涉及存在预定交互关系的多个第一对象;所述装置500还包括:图谱获取单元540,配置为获取关系网络图,所述关系网络图中包括对应多个对象的多个节点,以及节点之间存在所述预定交互关系而形成的连接边;其中,所述第一表征层包括图神经网络GNN和隐藏层;所述第一表征层基于所述第一事件的事件特征,确定所述第一事件的第一表征向量,包括:所述GNN网络基于所述关系网络图进行图嵌入处理,得到所述多个第一对象对应的多个嵌入向量;所述隐藏层基于所述多个嵌入向量,以及所述多个第一对象在所述关系网络图所对应连接边的边特征,确定所述第一表征向量。
在一个具体的实施例中,所述预定交互关系属于以下中的任一种:交易关系、访问关系、登录关系。
在一个实施例中,所述输出层中的各个输出子层,各自基于所对应风险域的表征子向量和所述共享表征子层确定出的表征子向量,确定风险预测结果,包括:所述输出层中的各个输出子层,各自基于所对应风险域的表征子向量和所述共享表征子层确定出的表征子向量的融合向量,确定风险预测结果;所述融合向量属于拼接向量、加和向量或平均向量。
在一个实施例中,所述系统更新单元530具体配置为:针对所述多个风险域中的各个风险域,基于其对应的风险预测结果和风险标签,确定对应的损失项;利用多个学习权重,对所述多个风险域对应的多个损失项进行加权求和,得到加权损失;基于所述加权损失,更新所述风险识别系统和所述多个学习权重。
在一个具体的实施例中,所述系统更新单元530进一步配置为:确定权重约束项,该权重约束项与所述多个学习权重中的各个学习权重负相关;将所述加权损失和权重约束项的和,确定为综合损失;基于所述综合损失,更新所述风险识别系统和所述多个学习权重。
在一个实施例中,所述第一事件属于交易事件,所述若干风险分域包括以下中的至少一个域:账户盗用域、欺诈域、虚假交易域、赌博域。
与上述风险识别方法相对应的,本说明书还披露识别装置。图6示出根据一个实施例的风险识别装置的结构示意图,如图6所示,所述装置包括:
样本获取单元610,配置为获取待识别的第一事件样本。风险识别单元620,配置为将所述第一事件样本输入针对多个风险域的风险识别系统中;所述风险识别系统包括第一表征层,第二表征层和输出层;所述第二表征层包括共享表征子层,以及对应所述多个风险域的多个特定表征子层;所述输出层包括对应所述多个风险域的多个输出子层;其中,所述第一表征层基于所述第一事件样本的事件特征,确定所述第一事件样本的第一表征向量;所述第二表征层中的各个表征子层各自基于所述第一表征向量,确定所述第一事件样本的表征子向量;所述输出层中的各个输出子层,各自基于所对应风险域的表征子向量和共享表征子层确定出的表征子向量,确定风险预测结果。
在一个实施例中,所述多个风险域包括风险全域和若干风险分域。
在一个实施例中,所述装置600还包括:可信判定单元630,配置为在所述输出层输出的对应所述多个风险域的多个风险预测结果均指示无风险的情况下,判定所述第一事件样本为全域可信样本。
在一个实施例中,所述第一事件属于以下中的任一种:交易事件、访问事件、登录事件。
如上,根据又一方面的实施例,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或图3所描述的方法。
根据又一方面的实施例,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或图3所描述的方法。
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,本说明书披露的多个实施例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,对本说明书披露的多个实施例的目的、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,以上所述仅为本说明书披露的多个实施例的具体实施方式而已,并不用于限定本说明书披露的多个实施例的保护范围,凡在本说明书披露的多个实施例的技术方案的基础之上,所做的任何修改、等同替换、改进等,均应包括在本说明书披露的多个实施例的保护范围之内。
Claims (23)
1.一种风险识别系统的更新方法,包括:
获取第一训练样本,其中包括第一事件在多个风险域中的多个风险类别标签,所述第一事件属于交易事件,所述多个风险域包括以下中的至少一个:账户盗用域、欺诈域、虚假交易域、赌博域;
利用风险识别系统处理所述第一训练样本,所述风险识别系统包括第一表征层,第二表征层和输出层;所述第二表征层包括共享表征子层,以及对应所述多个风险域的多个特定表征子层;所述输出层包括对应所述多个风险域的多个输出子层;其中,
所述第一表征层基于所述第一事件的事件特征,确定所述第一事件的第一表征向量;所述第一事件涉及存在交互关系的多个对象,所述事件特征包括对象特征,所述对象特征包括属性特征或行为偏好特征;
所述第二表征层中的各个表征子层各自基于所述第一表征向量,确定所述第一事件的表征子向量;
所述输出层中的各个输出子层,各自基于所对应风险域的表征子向量和所述共享表征子层确定出的表征子向量,确定风险预测结果;
基于所述输出层输出的对应所述多个风险域的多个风险预测结果,以及所述多个风险类别标签,更新所述风险识别系统。
2.根据权利要求1所述的方法,其中,所述多个风险域包括风险全域和若干风险分域。
3.根据权利要求1所述的方法,其中,交互关系在利用风险识别系统处理所述第一事件样本之前,所述方法还包括:
获取关系网络图,所述关系网络图中包括对应多个对象的多个节点,以及节点之间存在所述交互关系而形成的连接边;
其中,所述第一表征层包括图神经网络GNN和隐藏层;所述第一表征层基于所述第一事件的事件特征,确定所述第一事件的第一表征向量,包括:
所述GNN网络基于所述关系网络图进行图嵌入处理,得到所述多个第一对象对应的多个嵌入向量;
所述隐藏层基于所述多个嵌入向量,以及所述多个第一对象在所述关系网络图所对应连接边的边特征,确定所述第一表征向量。
4.根据权利要求3所述的方法,其中,所述交互关系属于以下中的任一种:交易关系、访问关系、登录关系。
5.根据权利要求1所述的方法,其中,所述输出层中的各个输出子层,各自基于所对应风险域的表征子向量和所述共享表征子层确定出的表征子向量,确定风险预测结果,包括:
所述输出层中的各个输出子层,各自基于所对应风险域的表征子向量和所述共享表征子层确定出的表征子向量的融合向量,确定风险预测结果;所述融合向量属于拼接向量、加和向量或平均向量。
6.根据权利要求1所述的方法,其中,基于所述输出层输出的对应所述多个风险域的多个风险预测结果,以及所述多个风险类别标签,更新所述风险识别系统,包括:
针对所述多个风险域中的各个风险域,基于其对应的风险预测结果和风险类别标签,确定对应的损失项;
利用多个学习权重,对所述多个风险域对应的多个损失项进行加权求和,得到加权损失;
基于所述加权损失,更新所述风险识别系统和所述多个学习权重。
7.根据权利要求6所述的方法,其中,基于所述加权损失,更新所述风险识别系统,包括:
确定权重约束项,该权重约束项与所述多个学习权重中的各个学习权重负相关;
将所述加权损失和权重约束项的和,确定为综合损失;
基于所述综合损失,更新所述风险识别系统和所述多个学习权重。
8.一种风险识别方法,包括:
获取待识别的第一事件样本;所述第一事件样本属于交易事件样本;
将所述第一事件样本输入针对多个风险域的风险识别系统中,所述多个风险域包括以下中的至少一个:账户盗用域、欺诈域、虚假交易域、赌博域;所述风险识别系统包括第一表征层,第二表征层和输出层;所述第二表征层包括共享表征子层,以及对应所述多个风险域的多个特定表征子层;所述输出层包括对应所述多个风险域的多个输出子层;其中,
所述第一表征层基于所述第一事件样本的事件特征,确定所述第一事件样本的第一表征向量;所述第一事件样本涉及存在交互关系的多个对象,所述事件特征包括对象特征,该对象特征包括属性特征或行为偏好特征;
所述第二表征层中的各个表征子层各自基于所述第一表征向量,确定所述第一事件样本的表征子向量;
所述输出层中的各个输出子层,各自基于所对应风险域的表征子向量和所述共享表征子层确定出的表征子向量,确定风险预测结果。
9.根据权利要求8所述的方法,其中,所述多个风险域包括风险全域和若干风险分域。
10.根据权利要求8或9所述的方法,其中,在确定风险预测结果之后,所述方法还包括:
在所述输出层输出的对应所述多个风险域的多个风险预测结果均指示无风险的情况下,判定所述第一事件样本为全域可信样本。
11.一种风险识别系统,包括:
第一表征层,用于基于第一事件的事件特征,确定所述第一事件的第一表征向量;所述第一事件属于交易事件;所述第一事件涉及存在交互关系的多个对象,所述事件特征包括对象特征,所述对象特征包括属性特征或行为偏好特征;
第二表征层,所述第二表征层包括共享表征子层,以及对应多个风险域的多个特定表征子层,所述多个风险域包括以下中的至少一个:账户盗用域、欺诈域、虚假交易域、赌博域;所述第二表征层中的各个表征子层用于各自基于所述第一表征向量,确定所述第一事件的表征子向量;
输出层,所述输出层包括对应所述多个风险域的多个输出子层;所述输出层中的各个输出子层,用于各自基于所对应风险域的表征子向量和所述共享表征子层确定出的表征子向量,确定风险预测结果。
12.一种风险识别系统的更新装置,包括:
样本获取单元,配置为获取第一训练样本,其中包括第一事件在多个风险域中的多个风险类别标签;所述第一事件属于交易事件,所述多个风险域包括以下中的至少一个:账户盗用域、欺诈域、虚假交易域、赌博域;
样本处理单元,配置为利用风险识别系统处理所述第一训练样本,所述风险识别系统包括第一表征层,第二表征层和输出层;所述第二表征层包括共享表征子层,以及对应所述多个风险域的多个特定表征子层;所述输出层包括对应所述多个风险域的多个输出子层;其中,
所述第一表征层基于所述第一事件的事件特征,确定所述第一事件的第一表征向量;所述第一事件涉及存在交互关系的多个对象,所述事件特征包括对象特征,所述对象特征包括属性特征或行为偏好特征;
所述第二表征层中的各个表征子层各自基于所述第一表征向量,确定所述第一事件的表征子向量;
所述输出层中的各个输出子层,各自基于所对应风险域的表征子向量和所述共享表征子层确定出的表征子向量,确定风险预测结果;
系统更新单元,配置为基于所述输出层输出的对应所述多个风险域的多个风险预测结果,以及所述多个风险类别标签,更新所述风险识别系统。
13.根据权利要求12所述的装置,其中,所述多个风险域包括风险全域和若干风险分域。
14.根据权利要求12所述的装置,其中,所述第一事件涉及存在交互关系的多个第一对象;所述装置还包括:
图谱获取单元,配置为获取关系网络图,所述关系网络图中包括对应多个对象的多个节点,以及节点之间存在所述交互关系而形成的连接边;
其中,所述第一表征层包括图神经网络GNN和隐藏层;所述第一表征层基于所述第一事件的事件特征,确定所述第一事件的第一表征向量,包括:
所述GNN网络基于所述关系网络图进行图嵌入处理,得到所述多个第一对象对应的多个嵌入向量;
所述隐藏层基于所述多个嵌入向量,以及所述多个第一对象在所述关系网络图所对应连接边的边特征,确定所述第一表征向量。
15.根据权利要求14所述的装置,其中,所述交互关系属于以下中的任一种:交易关系、访问关系、登录关系。
16.根据权利要求12所述的装置,其中,所述输出层中的各个输出子层,各自基于所对应风险域的表征子向量和所述共享表征子层确定出的表征子向量,确定风险预测结果,包括:
所述输出层中的各个输出子层,各自基于所对应风险域的表征子向量和所述共享表征子层确定出的表征子向量的融合向量,确定风险预测结果;所述融合向量属于拼接向量、加和向量或平均向量。
17.根据权利要求12所述的装置,其中,所述系统更新单元具体配置为:
针对所述多个风险域中的各个风险域,基于其对应的风险预测结果和风险类别标签,确定对应的损失项;
利用多个学习权重,对所述多个风险域对应的多个损失项进行加权求和,得到加权损失;
基于所述加权损失,更新所述风险识别系统和所述多个学习权重。
18.根据权利要求17所述的装置,其中,所述系统更新单元进一步配置为:
确定权重约束项,该权重约束项与所述多个学习权重中的各个学习权重负相关;
将所述加权损失和权重约束项的和,确定为综合损失;
基于所述综合损失,更新所述风险识别系统和所述多个学习权重。
19.一种风险识别装置,包括:
样本获取单元,配置为获取待识别的第一事件样本;所述第一事件样本属于交易事件样本;
风险识别单元,配置为将所述第一事件样本输入针对多个风险域的风险识别系统中,所述多个风险域包括以下中的至少一个:账户盗用域、欺诈域、虚假交易域、赌博域;所述风险识别系统包括第一表征层,第二表征层和输出层;所述第二表征层包括共享表征子层,以及对应所述多个风险域的多个特定表征子层;所述输出层包括对应所述多个风险域的多个输出子层;其中,
所述第一表征层基于所述第一事件样本的事件特征,确定所述第一事件样本的第一表征向量;所述第一事件样本涉及存在交互关系的多个对象,所述事件特征包括对象特征,该对象特征包括属性特征或行为偏好特征;
所述第二表征层中的各个表征子层各自基于所述第一表征向量,确定所述第一事件样本的表征子向量;
所述输出层中的各个输出子层,各自基于所对应风险域的表征子向量和所述共享表征子层确定出的表征子向量,确定风险预测结果。
20.根据权利要求19所述的装置,其中,所述多个风险域包括风险全域和若干风险分域。
21.根据权利要求19或20所述的装置,其中,所述装置还包括:
可信判定单元,配置为在所述输出层输出的对应所述多个风险域的多个风险预测结果均指示无风险的情况下,判定所述第一事件样本为全域可信样本。
22.一种计算机可读存储介质,其上存储有计算机程序,其中,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1-10中任一项的所述的方法。
23.一种计算设备,包括存储器和处理器,其中,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1-10中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110093517.XA CN112785157B (zh) | 2021-01-22 | 2021-01-22 | 风险识别系统的更新方法及装置、风险识别方法及装置 |
PCT/CN2022/072704 WO2022156701A1 (zh) | 2021-01-22 | 2022-01-19 | 风险识别以及风险识别系统的更新 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110093517.XA CN112785157B (zh) | 2021-01-22 | 2021-01-22 | 风险识别系统的更新方法及装置、风险识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112785157A CN112785157A (zh) | 2021-05-11 |
CN112785157B true CN112785157B (zh) | 2022-07-22 |
Family
ID=75758754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110093517.XA Active CN112785157B (zh) | 2021-01-22 | 2021-01-22 | 风险识别系统的更新方法及装置、风险识别方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112785157B (zh) |
WO (1) | WO2022156701A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112785157B (zh) * | 2021-01-22 | 2022-07-22 | 支付宝(杭州)信息技术有限公司 | 风险识别系统的更新方法及装置、风险识别方法及装置 |
CN114022058A (zh) * | 2022-01-06 | 2022-02-08 | 成都晓多科技有限公司 | 基于时序知识图谱的中小企业失信风险预测方法 |
CN115392937A (zh) * | 2022-10-25 | 2022-11-25 | 成都新希望金融信息有限公司 | 一种用户欺诈风险识别方法、装置、电子设备及存储介质 |
CN116091208B (zh) * | 2023-01-16 | 2023-10-27 | 张一超 | 基于图神经网络的信贷风险企业识别方法和装置 |
CN115935265B (zh) * | 2023-03-03 | 2023-05-26 | 支付宝(杭州)信息技术有限公司 | 训练风险识别模型的方法、风险识别方法及对应装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967565A (zh) * | 2020-10-23 | 2020-11-20 | 支付宝(杭州)信息技术有限公司 | 用于进行风险评估的神经网络系统、方法及装置 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019126585A1 (en) * | 2017-12-21 | 2019-06-27 | Paypal, Inc | Robust features generation architecture for fraud modeling |
CN110705688B (zh) * | 2019-09-05 | 2023-07-07 | 创新先进技术有限公司 | 对操作事件进行风险评估的神经网络系统、方法及装置 |
CN110659744B (zh) * | 2019-09-26 | 2021-06-04 | 支付宝(杭州)信息技术有限公司 | 训练事件预测模型、评估操作事件的方法及装置 |
CN111382930B (zh) * | 2020-02-27 | 2022-08-16 | 西安交通大学 | 一种面向时序数据的风险预测方法及系统 |
CN111291900A (zh) * | 2020-03-05 | 2020-06-16 | 支付宝(杭州)信息技术有限公司 | 训练风险识别模型的方法及装置 |
CN111401914B (zh) * | 2020-04-02 | 2022-07-22 | 支付宝(杭州)信息技术有限公司 | 风险评估模型的训练、风险评估方法及装置 |
CN111476510B (zh) * | 2020-06-23 | 2020-10-16 | 武汉斗鱼鱼乐网络科技有限公司 | 一种风险用户识别的方法及系统、存储介质、设备 |
CN111967807A (zh) * | 2020-10-23 | 2020-11-20 | 支付宝(杭州)信息技术有限公司 | 计算机执行的风险事件判别规则的生成方法及装置 |
CN112785157B (zh) * | 2021-01-22 | 2022-07-22 | 支付宝(杭州)信息技术有限公司 | 风险识别系统的更新方法及装置、风险识别方法及装置 |
-
2021
- 2021-01-22 CN CN202110093517.XA patent/CN112785157B/zh active Active
-
2022
- 2022-01-19 WO PCT/CN2022/072704 patent/WO2022156701A1/zh active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967565A (zh) * | 2020-10-23 | 2020-11-20 | 支付宝(杭州)信息技术有限公司 | 用于进行风险评估的神经网络系统、方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112785157A (zh) | 2021-05-11 |
WO2022156701A1 (zh) | 2022-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112785157B (zh) | 风险识别系统的更新方法及装置、风险识别方法及装置 | |
CN110009174B (zh) | 风险识别模型训练方法、装置及服务器 | |
CN109922032B (zh) | 用于确定登录账户的风险的方法、装置、设备及存储介质 | |
CN112100387B (zh) | 用于文本分类的神经网络系统的训练方法及装置 | |
CN112837069B (zh) | 基于区块链与大数据的安全支付方法及云平台系统 | |
CN111371767B (zh) | 恶意账号识别方法、恶意账号识别装置、介质及电子设备 | |
CN112580952A (zh) | 用户行为风险预测方法、装置、电子设备及存储介质 | |
CN111008335B (zh) | 一种信息处理方法、装置、设备及存储介质 | |
CN110570188A (zh) | 用于处理交易请求的方法和系统 | |
CN111951008A (zh) | 一种风险预测方法、装置、电子设备和可读存储介质 | |
CN113592593A (zh) | 序列推荐模型的训练及应用方法、装置、设备及存储介质 | |
CN116823428A (zh) | 一种反欺诈检测方法、装置、设备及存储介质 | |
CN116307671A (zh) | 风险预警方法、装置、计算机设备、存储介质 | |
CN115859187A (zh) | 对象识别方法、装置、电子设备及存储介质 | |
CN113850669A (zh) | 用户分群方法、装置、计算机设备及计算机可读存储介质 | |
CN117422553A (zh) | 区块链网络的交易处理方法、装置、设备、介质和产品 | |
CN113935738A (zh) | 交易数据处理方法、装置、存储介质及设备 | |
CN116664306A (zh) | 风控规则的智能推荐方法、装置、电子设备及介质 | |
CN115204322B (zh) | 行为链路异常识别方法和装置 | |
CN116091249A (zh) | 交易风险的评估方法、装置、电子设备和介质 | |
CN114943608A (zh) | 一种欺诈风险评估方法、装置、设备及存储介质 | |
CN114493850A (zh) | 基于人工智能的在线公证方法、系统及存储介质 | |
CN114418767A (zh) | 一种交易意图识别方法及装置 | |
CN113469816A (zh) | 基于多组学技术的数字货币识别方法、系统和存储介质 | |
CN112200234B (zh) | 模型分类的过程中防止模型窃取的方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |