CN113112352A - 风险业务检测模型训练方法、风险业务检测方法及装置 - Google Patents

Abstract

本公开提供了一种风险业务检测模型的训练方法，应用于金融领域、人工智能领域或其它领域。风险业务检测模型的训练方法包括获取训练样本数据集，其中，训练样本数据集包括历史风险业务的特征数据；对训练样本数据集中历史风险业务的特征数据进行特征分析，得到特征分析结果；确定与特征分析结果相匹配的多个候选风险业务检测模型；以及利用训练样本数据集分别训练每个候选风险业务检测模型，以便从训练完成的多个候选风险业务检测模型中确定风险业务检测模型。本公开还提供了一种风险业务检测方法、风险业务模型的训练装置、风险业务检测装置、电子设备、计算机可读存储介质及计算机程序产品。

Description

风险业务检测模型训练方法、风险业务检测方法及装置

技术领域

本公开涉及金融领域和人工智能领域，更具体地，涉及一种风险业务检测模型训练方法、风险业务检测方法、装置、电子设备、计算机可读存储介质及计算机程序产品。

背景技术

目前，监控系统内部对于高风险的任务，主要通过人为分析任务风险的方法，由人工判别任务应该采取怎样的处置措施，实现任务处置，在实现本公开构思的过程中，发明人发现相关技术中存在人工判别的成本较高且准确率较低的问题。

发明内容

有鉴于此，本公开提供了一种风险业务检测模型训练方法、风险业务检测方法及装置。

本公开的一个方面提供了一种风险业务检测模型训练方法，包括：

获取训练样本数据集，其中，上述训练样本数据集包括历史风险业务的特征数据；

对上述训练样本数据集中历史风险业务的特征数据进行特征分析，得到特征分析结果；

确定与上述特征分析结果相匹配的多个候选风险业务检测模型；以及

利用上述训练样本数据集分别训练每个上述候选风险业务检测模型，以便从训练完成的多个上述候选风险业务检测模型中确定风险业务检测模型。

根据本公开的实施例，上述历史风险业务包括贷款业务；

上述特征数据包括贷款人性别、贷款金额、逾期次数、贷款人月收入、贷款人分期情况、贷款人征信情况中的一种或多种。

根据本公开的实施例，上述利用上述训练样本数据集分别训练上述多个候选风险业务检测模型，以便确定风险业务检测模型包括：

利用上述训练样本数据集训练上述多个候选风险业务检测模型，分别生成多个调参风险业务检测模型，其中，上述多个调参风险业务检测模型中的每个调参风险业务检测模型均包括与其对应的验证结果，上述验证结果表征上述调参风险业务检测模型的检测准确度；

根据上述验证结果，从上述多个调参风险业务检测模型中确定多个待测试风险业务检测模型，其中，上述待测试风险业务检测模型的数量小于等于上述调参风险业务检测模型的数量；

对上述多个待测试风险业务检测模型进行生产测试，以便从上述多个待测试风险业务检测模型中确定风险业务检测模型。

根据本公开的实施例，上述利用上述训练样本数据集训练上述多个候选风险业务检测模型，分别生成多个调参风险业务检测模型包括：

将上述训练样本数据集划分为训练集和调参集；

利用上述训练集训练上述多个候选风险业务检测模型，分别生成多个待调参风险业务检测模型；

利用上述调参集对上述多个待调参风险业务检测模型进行参数调整，分别生成多个调参风险业务检测模型。

根据本公开的实施例，上述对上述多个待测试风险业务检测模型进行生产测试，以便从上述多个待测试风险业务检测模型中确定风险业务检测模型包括：

获取生产测试数据集；

将上述生产测试数据集输入上述多个待测试风险业务检测模型，分别输出生产测试结果；

根据上述生产测试数据集，得到标准生产测试结果；

将上述多个待测试风险业务检测模型中，生产测试结果与上述标准生产测试结果相匹配的待测试风险业务检测模型确定为上述风险业务检测模型。

根据本公开的实施例，上述候选风险业务检测模型包括基于随机森林算法的候选风险业务检测模型；

上述利用上述训练样本数据集训练上述多个候选风险业务检测模型，分别生成多个调参风险业务检测模型包括：

将上述训练样本数据集划分为训练集和调参集；

根据上述训练集训练出随机森林，其中，上述随机森林中的决策树是根据上述训练集中的特征数据构建得到的；

利用上述调参集对上述随机森林进行调参，生成调参随机森林，其中，上述随机森林中的每棵决策树分别输出调参结果；

通过投票方式确定多个调参结果中出现次数最多的调参结果，作为上述验证结果。

根据本公开的实施例，上述候选风险业务检测模型包括基于随机森林算法的候选风险业务检测模型、基于朴素贝叶斯算法的候选风险业务检测模型、基于梯度提升决策树算法的候选风险业务检测模型中的任意之一。

本公开的另一个方面提供了一种风险业务检测方法，包括：

获取待测风险业务数据集；

将上述待测风险业务数据集输入至上述风险业务检测模型，输出检测结果，其中，上述风险业务检测模型由如上所述的风险业务检测模型的训练方法训练得到。

根据本公开的实施例，风险业务检测方法还包括：从多个检测结果区间中，确定与上述检测结果对应的目标检测结果区间，其中，上述多个检测结果区间中的每个检测结果区间具有对应的操作类型；

按照与上述目标检测结果区间对应的操作类型执行操作。

根据本公开的实施例，上述检测结果区间对应的操作类型包括通过、警告、直接降频、加入黑名单、卡片止付、账户锁定中的任意之

本公开的另一方面提供了一种风险业务检测模型训练装置，包括：

第一获取模块，用于获取训练样本数据集，其中，上述训练样本数据集包括历史风险业务的特征数据；

特征分析模块，用于对上述训练样本数据集中历史风险业务的特征数据进行特征分析，得到特征分析结果；

确定模块，用于确定与上述特征分析结果相匹配的多个候选风险业务检测模型；

训练模块，用于利用上述训练样本数据集分别训练上述多个候选风险业务检测模型，以便确定风险业务检测模型。

本公开的另一方面提供了一种风险业务检测装置，包括：

第二获取模块，用于获取待测风险业务数据集；

检测模块，用于将上述待测风险业务数据集输入至上述风险业务检测模型，输出检测结果，其中，上述风险业务检测模型由如上所述的风险业务检测模型的训练方法训练得到。

本公开的另一方面提供了电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个指令，其中，当上述一个或多个指令被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如上述的方法。

本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，上述指令在被执行时用于实现如上述的方法。

本公开的另一方面提供了一种计算机程序产品，上述计算机程序产品包括计算机可执行指令，上述指令在被执行时用于实现如上述的方法。

根据本公开的实施例，通过将历史风险业务的特征数据作为训练样本，训练得到风险业务检测模型，当利用风险业务检测模型对待测风险业务进行检测时，能够准确的检测出待测风险业务的风险值，从而实现了提高风险业务检测的准确率，以及降低人工检测成本的技术效果。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的可以应用风险业务检测模型的训练方法、风险业务检测模型的训练装置、风险业务检测方法及风险业务检测装置的示例性系统架构；

图2示意性示出了根据本公开实施例的风险业务检测模型的训练方法的流程图；

图3示意性示出了根据本公开实施例的利用训练样本数据集分别训练多个候选风险业务检测模型，以便确定风险业务检测模型的流程图；

图4示意性示出了根据本公开实施例的利用训练样本数据集训练多个候选风险业务检测模型，分别生成多个调参风险业务检测模型的流程图；

图5示意性示出了根据本公开实施例的对多个待测试风险业务检测模型进行生产测试，以便从多个待测试风险业务检测模型中确定风险业务检测模型的流程图；

图6示意性示出了根据本公开另一实施例的利用训练样本数据集训练多个候选风险业务检测模型，分别生成多个调参风险业务检测模型的流程图；

图7示意性示出了根据本公开实施例的风险业务检测方法的流程图；

图8示意性示出了根据本公开另一实施例的风险业务检测方法的流程图；

图9示意性示出了根据本公开实施例的异常检测模型的训练装置的框图；

图10示意性示出了根据本公开实施例的异常检测装置的框图；以及

图11示意性示出了根据本公开实施例的适于实现上文描述的方法的电子设备的框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

本公开提供了一种风险业务检测模型的训练方法，应用于金融领域、人工智能领域或其它领域。风险业务检测模型的训练方法包括获取训练样本数据集，其中，训练样本数据集包括历史风险业务的特征数据；对训练样本数据集中历史风险业务的特征数据进行特征分析，得到特征分析结果；确定与特征分析结果相匹配的多个候选风险业务检测模型；以及利用训练样本数据集分别训练每个候选风险业务检测模型，以便从训练完成的多个候选风险业务检测模型中确定风险业务检测模型。本公开还提供了一种风险业务检测方法、风险业务模型的训练装置、风险业务检测装置、电子设备、计算机可读存储介质及计算机程序产品。

图1示意性示出了根据本公开实施例的可以应用风险业务检测模型的训练方法、风险业务检测模型的训练装置、风险业务检测方法及风险业务检测装置的示例性系统架构100。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的风险业务检测模型的训练方法和风险业务检测方法一般可以由服务器105执行。相应地，本公开实施例所提供的风险业务检测模型的训练装置和风险业务检测装置一般可以设置于服务器105中。本公开实施例所提供的风险业务检测模型的训练方法和风险业务检测方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的风险业务检测模型的训练装置和风险业务检测装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。或者，本公开实施例所提供的风险业务检测模型的训练方法和异常检测方法也可以由终端设备101、102、或103执行，或者也可以由不同于终端设备101、102、或103的其他终端设备执行。相应地，本公开实施例所提供的风险业务检测模型的训练装置和风险业务检测装置也可以设置于终端设备101、102、或103中，或设置于不同于终端设备101、102、或103的其他终端设备中。

例如，训练样本数据集可以原本存储在终端设备101、102、或103中的任意一个(例如，终端设备101，但不限于此)之中，或者存储在外部存储设备上并可以导入到终端设备101中。然后，终端设备101可以在本地执行本公开实施例所提供的风险业务检测模型的训练方法，或者将训练样本数据集发送到其他终端设备、服务器、或服务器集群，并由接收该训练样本数据集的其他终端设备、服务器、或服务器集群来执行本公开实施例所提供的风险业务检测模型的训练方法。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

图2示意性示出了根据本公开实施例的风险业务检测模型的训练方法的流程图。

需要说明的是，本公开实施例中的流程图所示的操作除非明确说明不同操作之间存在执行的先后顺序，或者不同操作在技术实现上存在执行的先后顺序，否则，多个操作之间的执行顺序可以不分先后，多个操作也可以同时执行。

如图2所示，该方法包括操作S201～S204。

在操作S201，获取训练样本数据集，其中，训练样本数据集包括历史风险业务的特征数据。

在操作S202，对训练样本数据集中历史风险业务的特征数据进行特征分析，得到特征分析结果。

根据本公开的实施例，可以对对训练样本数据集中历史风险业务的特征数据进行相关性分析，得到特征的相关性分析结果。

根据本公开的实施例，例如历史风险业务的特征数据包括特证数据A和特征数据B，从而可以分析特征数据A和特征数据B之间是否有关联关系，从而得到特征数据A和特征数据B的相关性分析结果。

在操作S203，确定与特征分析结果相匹配的多个候选风险业务检测模型。

根据本公开的实施例，多个候选风险业务检测模型可以是基于不同算法构建得到的模型。

根据本公开的实施例，通过对历史风险业务的特征数据进行特征分析，从而可以基于特征分析结果，确定与特征分析结果相匹配的候选风险业务检测模型，例如，可以是基于特征分析结果确定候选风险业务检测模型是基于何种算法构建得到的模型。

根据本公开的实施例，假设特征数据A和特征数据B之间的关联性很低，即特征数据A和特征数据B是两个相对独立的特征数据，因此，本领域技术人员可以基于特征数据A和特征数据B确定基于朴素贝叶斯分类算法构建候选风险业务检测模型。

根据本公开的实施例，由于当特征数据包括多个数据的情况下，多个数据之间的关联关系较为复杂，即在此情况下可以确定多种算法适用于构建候选风险业务检测模型，因此可以确定与特征分析结果相匹配的多个候选风险业务检测模型。

根据本公开的可选实施例，还可以将特征数据包括的多个数据分为多个特征数据小组，从而通过每个特征数据小组的特征分析结果，分别确定候选风险业务检测模型。

在操作S204，利用训练样本数据集分别训练每个候选风险业务检测模型，以便从训练完成的多个候选风险业务检测模型中确定风险业务检测模型。

根据本公开的实施例，通过将历史风险业务的特征数据作为训练样本，训练得到风险业务检测模型，当利用风险业务检测模型对待测风险业务进行检测时，能够准确的检测出待测风险业务的风险值，从而实现了提高风险业务检测的准确率，以及降低人工检测成本的技术效果。

下面参考图3～图6，结合具体实施例对图2所示的方法做进一步说明。

根据本公开的实施例，历史风险业务包括贷款业务。

特征数据包括贷款人性别、贷款金额、逾期次数、贷款人月收入、贷款人分期情况、贷款人征信情况中的一种或多种。

根据本公开的实施例，历史风险业务包括贷款业务，但不限于此，还可以包括其他从金融机构向机构外划拨资金的业务，例如转账业务，质押业务等。

图3示意性示出了根据本公开实施例的利用训练样本数据集分别训练多个候选风险业务检测模型，以便确定风险业务检测模型的流程图。

如图3所示，该方法包括操作S301～S303。

在操作S301，利用训练样本数据集训练多个候选风险业务检测模型，分别生成多个调参风险业务检测模型，其中，多个调参风险业务检测模型中的每个调参风险业务检测模型均包括与其对应的验证结果，验证结果表征调参风险业务检测模型的检测准确度。

根据本公开的实施例，利用训练样本数据集对多个候选风险业务检测模型进行训练之前，还可以先利用训练样本数据集构建候选风险业务检测模型。

以下通过具体示例对利用训练样本数据集构建候选风险业务检测模型进行示例性的说明。需要说明的是，以下示例仅用于帮助本领域技术人员理解本公开，而非对本公开的任何限制。

假设影响风险业务的风险程度的主要因素是贷款金额及逾期次数，此时，可以基于贷款金额及逾期次数构建候选风险业务检测模型。

通过对训练样本数据集进行分析，可以得到以下结论：

所有处置措施为第一处置措施的风险业务，贷款金额区间为[0，6000]，平均逾期次数为0.6次；

所有处置措施为第二处置措施的风险业务，贷款金额区间为(6000，18000]，平均逾期次数为1.8次；

所有处置措施为第三处置措施的风险业务，贷款金额区间为(18000，24000]，平均逾期次数为3.1次；

所有处置措施为第四处置措施的风险业务，贷款金额区间为(24000，36000]，平均逾期次数为4.1次；

所有处置措施为第五处置措施的风险业务，贷款金额区间为(36000，70000]，平均逾期次数为5.5次；

所有处置措施为第六处置措施的风险业务，贷款金额区间为(70000，150000)，平均逾期次数为7.2次以上。

根据以上数据，可以依据贷款金额区间和平均逾期次数绘制二维散点图，并得到曲面参数模型。假设v＝t(x，z)，其中，y表示风险业务的风险程度，x表示贷款金额，z表示逾期次数，t(x，z)表示贷款金额及逾期次数到风险程度的映射关系，其中，y＝t(x，z)即可以为候选风险业务检测模型。

在操作S302，根据验证结果，从多个调参风险业务检测模型中确定多个待测试风险业务检测模型，其中，待测试风险业务检测模型的数量小于等于调参风险业务检测模型的数量。

根据本公开的实施例，可以从多个调参风险业务检测模型中确定验证结果大于第一预设阈值的调参风险业务检测模型为待测试风险业务检测模型。

根据本公开的实施例，第一预设阈值本领域技术人员可以根据实际检测需求进行灵活调整，本公开实施例不对第一预设阈值做具体限定。

在操作S303，对多个待测试风险业务检测模型进行生产测试，以便从多个待测试风险业务检测模型中确定风险业务检测模型。

图4示意性示出了根据本公开实施例的利用训练样本数据集训练多个候选风险业务检测模型，分别生成多个调参风险业务检测模型的流程图。

如图4所示，该方法包括操作S401～S403。

在操作S401，将训练样本数据集划分为训练集和调参集。

在操作S402，利用训练集训练多个候选风险业务检测模型，分别生成多个待调参风险业务检测模型。

在操作S403，利用调参集对多个待调参风险业务检测模型进行参数调整，分别生成多个调参风险业务检测模型。

根据本公开的实施例，训练集和调参集在训练样本数据集中所占的比例可以由本领域技术人员按照实际需求自由划分，例如，可以将训练样本数据集中的70％的训练样本划分为训练集，30％的训练样本划分为调参集，但不限于此，还可是可以将训练样本数据集中的30％的训练样本划分为训练集，70％的训练样本划分为调参集。

根据本公开的实施例，通过利用不重叠的训练样本对候选风险业务检测模型分别进行训练和调参，从而可以避免候选风险业务检测模型在训练集上的过拟合，提高训练效率。

图5示意性示出了根据本公开实施例的对多个待测试风险业务检测模型进行生产测试，以便从多个待测试风险业务检测模型中确定风险业务检测模型的流程图。

如图5所示，该方法包括操作S501～S504。

在操作S501，获取生产测试数据集。

根据本公开的实施例，生产测试数据集可以包括一批新产生的风险业务数据。

在操作S502，将生产测试数据集输入多个待测试风险业务检测模型，分别输出生产测试结果。

根据本公开的实施例，由于待测试风险业务检测模型是通过训练样本数据集中的风险业务的特征数据依次经过构建、训练以及调参得到的，若仍然使用训练样本数据集对待测试风险业务检测模型进行测试，可能会使待测试风险业务检测模型在训练样本数据集上产生过拟合，不利于风险业务检测模型的实际应用，因此，需要用一批新产生的风险业务数据对待测试风险业务检测模型进行生产测试。

根据本公开的实施例，通过利用生产测试数据集对待测试风险业务检测模型进行生产测试，可以实现增强待测试风险业务检测模型的鲁棒性的技术效果。

在操作S503，根据生产测试数据集，得到标准生产测试结果。

根据本公开的实施例，可以根据生产测试数据集，通过人工检测的方式，得到标准生产测试结果。

在操作S504，将多个待测试风险业务检测模型中，生产测试结果与标准生产测试结果相匹配的待测试风险业务检测模型确定为风险业务检测模型。

根据本公开的实施例，可以将多个待测试风险业务检测模型中，生产测试结果与标准生产测试结果的差值小于第二预设阈值的待测试风险业务检测模型确定为风险业务检测模型。

根据本公开的实施例，第二预设阈值本领域技术人员可以根据实际检测需求进行灵活调整，本公开实施例不对第二预设阈值做具体限定。

根据本公开的实施例，候选风险业务检测模型包括基于随机森林算法的候选风险业务检测模型。

图6示意性示出了根据本公开另一实施例的利用训练样本数据集训练多个候选风险业务检测模型，分别生成多个调参风险业务检测模型的流程图。

如图6所示，该方法包括操作S601～S604。

在操作S601，将训练样本数据集划分为训练集和调参集。

在操作S602，根据训练集训练出随机森林，其中，随机森林中的决策树是根据训练集中的特征数据构建得到的。

根据本公开的实施例，可以根据训练集中的每个特征数据均构建一颗决策树，但不限于此，还可以从训练集中的多个特征数据中随机选择多个特征数据构建与特征数据相对应的决策树。

根据本公开的实施例，例如，可以根据训练集中的贷款人性别，构建决策树如表1所示。

表1

根据本公开的实施例，例如，可以根据训练集中的贷款金额，构建决策树如表2所示。

表2

在操作S603，利用调参集对随机森林进行调参，生成调参随机森林，其中，随机森林中的每棵决策树分别输出调参结果。

在操作S604，通过投票方式确定多个调参结果中出现次数最多的调参结果，作为验证结果。

根据本公开的可选实施例，可以为随机森林中的每颗决策树配置与之相对应的权重，权重表征该决策树输出的调参结果在验证结果中的重要程度。

根据本公开的实施例，候选风险业务检测模型包括基于随机森林算法的候选风险业务检测模型、基于朴素贝叶斯算法的候选风险业务检测模型、基于梯度提升决策树算法的候选风险业务检测模型中的任意之一。

图7示意性示出了根据本公开实施例的风险业务检测方法的流程图。

如图7所示，该方法包括操作S701～S702。

在操作S701，获取待测风险业务数据集。

在操作S702，将待测风险业务数据集输入至风险业务检测模型，输出检测结果，其中，风险业务检测模型由本公开实施例提供的风险业务检测模型的训练方法训练得到。

图8示意性示出了根据本公开另一实施例的风险业务检测方法的流程图。

如图8所示，该方法包括操作S701～S702以及操作S801～S802，其中，操作S701～S702和图7示出的实施方式相同或类似，在此不再赘述。

在操作S801，从多个检测结果区间中，确定与检测结果对应的目标检测结果区间，其中，多个检测结果区间中的每个检测结果区间具有对应的操作类型。

在操作S802，按照与目标检测结果区间对应的操作类型执行操作。

根据本公开的实施例，检测结果区间对应的操作类型包括通过、警告、直接降频、加入黑名单、卡片止付、账户锁定中的任意之一。

根据本公开的实施例，例如有一待测风险业务，风险业务检测模型对该待测风险业务进行风险检测后，检测结果为X，从而可以从多个检测结果期间中，确定与检测结果X对应的目标检测区间，而与检测结果X对应的目标检测区间对应的操作类型为加入黑名单，从而可以对该待测风险业务进行加入黑名单操作。

根据本公开的实施例，通过为每个检测结果区间配置相对应的操作类型，并根据检测结果与检测结果区间的匹配关系执行相对应的操作，从而可以减少在风险业务检测整个过程中的人工干预，在进一步节省人工成本的基础上还可以提高自动化程度。

根据本公开的可选实施例，由于在训练风险业务检测模型的过程中，无法对所有情况的特征数据均完善的考虑到，因此，可能导致风险业务检测模型无法对所有风险业务进行准确分类，因此，可能存在错误的检测结果。

根据本公开的可选实施例，可以将所有错误的检测结果收集起来，得到错误样本数据集，并对错误样本数据集进行标注。然后利用错误样本数据集对风险业务检测模型进行优化训练，以得到检测准确度更高的风险业务检测模型。

图9示意性示出了根据本公开实施例的风险业务检测模型的训练装置的框图900。

如图9所示，异常检测模型的训练装置包括第一获取模块901、特征分析模块902、确定模块903和训练模块904。

第一获取模块901，用于获取训练样本数据集，其中，训练样本数据集包括历史风险业务的特征数据。

特征分析模块902，用于对训练样本数据集中历史风险业务的特征数据进行特征分析，得到特征分析结果。

确定模块块903，用于确定与特征分析结果相匹配的多个候选风险业务检测模型。

训练模块904，用于利用训练样本数据集分别训练多个候选风险业务检测模型，以便确定风险业务检测模型。

根据本公开的实施例，历史风险业务包括贷款业务。

特征数据包括贷款人性别、贷款金额、逾期次数、贷款人月收入、贷款人分期情况、贷款人征信情况中的一种或多种。

根据本公开的实施例，训练模块904包括训练子模块、确定子模块和测试子模块。

训练子模块，用于利用训练样本数据集训练多个候选风险业务检测模型，分别生成多个调参风险业务检测模型，其中，多个调参风险业务检测模型中的每个调参风险业务检测模型均包括与其对应的验证结果，验证结果表征调参风险业务检测模型的检测准确度。

确定子模块，用于根据验证结果，从多个调参风险业务检测模型中确定多个待测试风险业务检测模型，其中，待测试风险业务检测模型的数量小于等于调参风险业务检测模型的数量。

测试子模块，用于对多个待测试风险业务检测模型进行生产测试，以便从多个待测试风险业务检测模型中确定风险业务检测模型。

根据本公开的实施例，训练子模块包括划分单元、训练单元和调参单元。

第一划分单元，用于将训练样本数据集划分为训练集和调参集。

第一训练单元，用于利用训练集训练多个候选风险业务检测模型，分别生成多个待调参风险业务检测模型。

第一调参单元，用于利用调参集对多个待调参风险业务检测模型进行参数调整，分别生成多个调参风险业务检测模型。

根据本公开的实施例，测试子模块包括获取单元、测试单元、标准结果确定单元以及匹配单元。

获取单元，用于获取生产测试数据集。

测试单元，用于将生产测试数据集输入多个待测试风险业务检测模型，分别输出生产测试结果。

标准结果确定单元，用于根据生产测试数据集，得到标准生产测试结果。

匹配单元，用于将多个待测试风险业务检测模型中，生产测试结果与标准生产测试结果相匹配的待测试风险业务检测模型确定为风险业务检测模型。

根据本公开的实施例，候选风险业务检测模型包括基于随机森林算法的候选风险业务检测模型。

根据本公开的实施例，训练子模块还包括第二划分单元、第二训练单元、第二调参单元和验证结果确定单元。

第二划分单元，用于将训练样本数据集划分为训练集和调参集；

第二训练单元，用于根据训练集训练出随机森林，其中，随机森林中的决策树是根据训练集中的特征数据构建得到的；

第二调参单元，用于利用调参集对随机森林进行调参，生成调参随机森林，其中，随机森林中的每棵决策树分别输出调参结果；

验证结果确定单元，用于通过投票方式确定多个调参结果中出现次数最多的调参结果，作为验证结果。

根据本公开的实施例，候选风险业务检测模型包括基于随机森林算法的候选风险业务检测模型、基于朴素贝叶斯算法的候选风险业务检测模型、基于梯度提升决策树算法的候选风险业务检测模型中的任意之一。

图10示意性示出了根据本公开实施例的风险业务检测装置的框图1000。

如图10所示，异常检测装置1000包括第二获取模块1001和检测模块1002。

第二获取模块1001，用于获取待测风险业务数据集。

检测模块1002，用于将待测风险业务数据集输入至风险业务检测模型，输出检测结果，其中，风险业务检测模型由本公开实施例提供的风险业务检测模型的训练方法训练得到。

根据本公开的实施例，异常检测装置1000还包括确定模块和执行模块。

确定模块，用于从多个检测结果区间中，确定与检测结果对应的目标检测结果区间，其中，多个检测结果区间中的每个检测结果区间具有对应的操作类型。

执行模块，用于按照与目标检测结果区间对应的操作类型执行操作。

根据本公开的实施例，检测结果区间对应的操作类型包括通过、警告、直接降频、加入黑名单、卡片止付、账户锁定中的任意之一。

根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

例如，第一获取模块901、特征分析模块902、确定模块903、训练模块904、第二获取模块1001和检测模块1002的任意多个可以合并在一个模块/单元/子单元中实现，或者其中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者，这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合，并在一个模块/单元/子单元中实现。根据本公开的实施例，第一获取模块901、特征分析模块902、确定模块903、训练模块904、第二获取模块1001和检测模块1002中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一获取模块901、特征分析模块902、确定模块903、训练模块904、第二获取模块1001和检测模块1002中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

需要说明的是，本公开的实施例中风险业务检测模型训练装置部分与本公开的实施例中风险业务检测模型训练方法部分是相对应的，风险业务检测模型训练装置部分的描述具体参考风险业务检测模型训练方法部分，在此不再赘述；本公开的实施例中风险业务检测装置部分与本公开的实施例中风险业务检测方法部分是相对应的，风险业务检测装置部分的描述具体参考风险业务检测方法部分，在此不再赘述。

图11示意性示出了根据本公开实施例的适于实现上文描述的方法的电子设备的框图。图11示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图11所示，根据本公开实施例的电子设备1100包括处理器1101，其可以根据存储在只读存储器(ROM)1102中的程序或者从存储部分1108加载到随机访问存储器(RAM)1103中的程序而执行各种适当的动作和处理。处理器1101例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器1101还可以包括用于缓存用途的板载存储器。处理器1101可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 1103中，存储有电子设备1100操作所需的各种程序和数据。处理器1101、ROM 1102以及RAM 1103通过总线1104彼此相连。处理器1101通过执行ROM 1102和/或RAM1103中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 1102和RAM 1103以外的一个或多个存储器中。处理器1101也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备1100还可以包括输入/输出(I/O)接口1105，输入/输出(I/O)接口305也连接至总线1104。电子设备1100还可以包括连接至I/O接口1105的以下部件中的一项或多项：包括键盘、鼠标等的输入部分1106；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1107；包括硬盘等的存储部分1108；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/O接口1105。可拆卸介质1111，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1110上，以便于从其上读出的计算机程序根据需要被安装入存储部分1108。

根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1109从网络上被下载和安装，和/或从可拆卸介质1111被安装。在该计算机程序被处理器1101执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 1102和/或RAM 1103和/或ROM 1102和RAM 1103以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行本公开实施例所提供的方法的程序代码，当计算机程序产品在电子设备上运行时，该程序代码用于使电子设备实现本公开实施例所提供的字符识别模型的训练方法和字符识别方法。

在该计算机程序被处理器1101执行时，执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分1109被下载和安装，和/或从可拆卸介质1111被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算没备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (15)

1.一种风险业务检测模型的训练方法，包括：

获取训练样本数据集，其中，所述训练样本数据集包括历史风险业务的特征数据；

对所述训练样本数据集中历史风险业务的特征数据进行特征分析，得到特征分析结果；

确定与所述特征分析结果相匹配的多个候选风险业务检测模型；以及

利用所述训练样本数据集分别训练每个所述候选风险业务检测模型，以便从训练完成的多个所述候选风险业务检测模型中确定风险业务检测模型。

2.根据权利要求1所述的方法，其中，所述历史风险业务包括贷款业务；

所述特征数据包括贷款人性别、贷款金额、逾期次数、贷款人月收入、贷款人分期情况、贷款人征信情况中的一种或多种。

3.根据权利要求1所述的方法，其中，所述利用所述训练样本数据集分别训练所述多个候选风险业务检测模型，以便确定风险业务检测模型包括：

利用所述训练样本数据集训练所述多个候选风险业务检测模型，分别生成多个调参风险业务检测模型，其中，所述多个调参风险业务检测模型中的每个调参风险业务检测模型均包括与其对应的验证结果，所述验证结果表征所述调参风险业务检测模型的检测准确度；

根据所述验证结果，从所述多个调参风险业务检测模型中确定多个待测试风险业务检测模型，其中，所述待测试风险业务检测模型的数量小于等于所述调参风险业务检测模型的数量；

对所述多个待测试风险业务检测模型进行生产测试，以便从所述多个待测试风险业务检测模型中确定风险业务检测模型。

4.根据权利要求3所述的方法，其中，所述利用所述训练样本数据集训练所述多个候选风险业务检测模型，分别生成多个调参风险业务检测模型包括：

将所述训练样本数据集划分为训练集和调参集；

利用所述训练集训练所述多个候选风险业务检测模型，分别生成多个待调参风险业务检测模型；

利用所述调参集对所述多个待调参风险业务检测模型进行参数调整，分别生成多个调参风险业务检测模型。

5.根据权利要求3所述的方法，其中，所述对所述多个待测试风险业务检测模型进行生产测试，以便从所述多个待测试风险业务检测模型中确定风险业务检测模型包括：

获取生产测试数据集；

将所述生产测试数据集输入所述多个待测试风险业务检测模型，分别输出生产测试结果；

根据所述生产测试数据集，得到标准生产测试结果；

将所述多个待测试风险业务检测模型中，生产测试结果与所述标准生产测试结果相匹配的待测试风险业务检测模型确定为所述风险业务检测模型。

6.根据权利要求3所述的方法，其中，所述候选风险业务检测模型包括基于随机森林算法的候选风险业务检测模型；

所述利用所述训练样本数据集训练所述多个候选风险业务检测模型，分别生成多个调参风险业务检测模型包括：

将所述训练样本数据集划分为训练集和调参集；

根据所述训练集训练出随机森林，其中，所述随机森林中的决策树是根据所述训练集中的特征数据构建得到的；

利用所述调参集对所述随机森林进行调参，生成调参随机森林，其中，所述随机森林中的每棵决策树分别输出调参结果；

通过投票方式确定多个调参结果中出现次数最多的调参结果，作为所述验证结果。

7.根据权利要求1所述的方法，其中，所述候选风险业务检测模型包括基于随机森林算法的候选风险业务检测模型、基于朴素贝叶斯算法的候选风险业务检测模型、基于梯度提升决策树算法的候选风险业务检测模型中的任意之一。

8.一种风险业务检测方法，包括：

获取待测风险业务数据集；

将所述待测风险业务数据集输入至所述风险业务检测模型，输出检测结果，其中，所述风险业务检测模型由权利要求1至7任一项所述的风险业务检测模型的训练方法训练得到。

9.根据权利要求8所述的方法，还包括：

从多个检测结果区间中，确定与所述检测结果对应的目标检测结果区间，其中，所述多个检测结果区间中的每个检测结果区间具有对应的操作类型；

按照与所述目标检测结果区间对应的操作类型执行操作。

10.根据权利要求9所述的方法，其中，所述检测结果区间对应的操作类型包括通过、警告、直接降频、加入黑名单、卡片止付、账户锁定中的任意之一。

11.一种风险业务检测模型的训练装置，包括：

第一获取模块，用于获取训练样本数据集，其中，所述训练样本数据集包括历史风险业务的特征数据；

特征分析模块，用于对所述训练样本数据集中历史风险业务的特征数据进行特征分析，得到特征分析结果；

确定模块，用于确定与所述特征分析结果相匹配的多个候选风险业务检测模型；

训练模块，用于利用所述训练样本数据集分别训练所述多个候选风险业务检测模型，以便确定风险业务检测模型。

12.一种风险业务检测装置，包括：

第二获取模块，用于获取待测风险业务数据集；

检测模块，用于将所述待测风险业务数据集输入至所述风险业务检测模型，输出检测结果，其中，所述风险业务检测模型由权利要求1至7任一项所述的风险业务检测模型的训练方法训练得到。

13.一种电子设备，包括：

一个或多个处理器；

存储器，用于存储一个或多个指令，

其中，当所述一个或多个指令被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至10中任一项所述的方法。

14.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器实现权利要求1至10中任一项所述的方法。

15.一种计算机程序产品，所述计算机程序产品包括计算机可执行指令，所述指令在被执行时用于实现权利要求1至10中任一项所述的方法。

Images