CN113989043A - 一种事件的风险识别方法、装置及设备 - Google Patents
一种事件的风险识别方法、装置及设备 Download PDFInfo
- Publication number
- CN113989043A CN113989043A CN202111264179.8A CN202111264179A CN113989043A CN 113989043 A CN113989043 A CN 113989043A CN 202111264179 A CN202111264179 A CN 202111264179A CN 113989043 A CN113989043 A CN 113989043A
- Authority
- CN
- China
- Prior art keywords
- event
- historical
- text data
- events
- determining
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 230000008859 change Effects 0.000 claims abstract description 120
- 238000012545 processing Methods 0.000 claims description 60
- 230000015654 memory Effects 0.000 claims description 31
- 230000011218 segmentation Effects 0.000 claims description 31
- 238000003860 storage Methods 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 21
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 230000002265 prevention Effects 0.000 description 18
- 230000004048 modification Effects 0.000 description 15
- 238000012986 modification Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 15
- 238000004590 computer program Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 9
- 238000012512 characterization method Methods 0.000 description 8
- 230000007812 deficiency Effects 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 6
- 230000007547 defect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 238000004900 laundering Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000012954 risk control Methods 0.000 description 3
- 238000013475 authorization Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Finance (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Computer Security & Cryptography (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本说明书实施例公开了一种事件的风险识别方法、装置及设备,该方法包括:获取与当前发生的目标事件相关的历史事件的信息,并确定所述历史事件中不同事件之间的关联特征,确定所述目标事件对应的嵌入特征;基于所述目标事件和所述历史事件的文本数据,确定所述文本数据的序列变化信息;基于所述历史事件中不同事件之间的关联特征、所述目标事件对应的嵌入特征和所述文本数据的序列变化信息,确定所述目标事件的风险识别结果。
Description
技术领域
本文件涉及计算机技术领域,尤其涉及一种事件的风险识别方法、装置及设备。
背景技术
在反洗钱制裁扫描、盗用防控等风险业务领域中,从当前单一事件或订单信息中通常很难捕捉到风险,通常需要借助历史事件或订单信息进行风险防控,例如,在制裁扫描场景中,用户通过修改地址、修改收货人信息以及反复重试来绕过风险防控机制,在风险防控领域,被盗用的用户账户等用户信息,往往会先进行多次的密码尝试或者找回密码操作,然后,再进行支付操作,而上述用户操作行为对于正常用户来说是不常见的。
通常,风险识别处理方式往往只提取到了当前事件的信息,在实际的业务中有一定的局限性。基于此,需要提供一种更好的识别风险用户绕过风险防控机制,在实际业务中显著提高对频繁修改、变更、对抗绕过风险防控机制等用户风险的识别管控能力的技术方案,以增强对于绕过对抗攻击的风险管控能力。
发明内容
本说明书实施例的目的是提供一种更好的识别风险用户绕过风险防控机制,在实际业务中显著提高对频繁修改、变更、对抗绕过风险防控机制等用户风险的识别管控能力的技术方案,以增强对于绕过对抗攻击的风险管控能力。
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事件的风险识别方法,所述方法包括:获取与当前发生的目标事件相关的历史事件的信息,并确定所述历史事件中不同事件之间的关联特征,确定所述目标事件对应的嵌入特征。基于所述目标事件和所述历史事件的文本数据,确定所述文本数据的序列变化信息。基于所述历史事件中不同事件之间的关联特征、所述目标事件对应的嵌入特征和所述文本数据的序列变化信息,确定所述目标事件的风险识别结果。
本说明书实施例提供的一种事件的风险识别方法,应用于区块链系统,所述方法包括:获取执行事件的风险识别的规则信息,基于所述执行事件的风险识别的规则信息生成相应的第一智能合约,并将所述第一智能合约部署到所述区块链系统中。基于所述第一智能合约,获取与当前发生的目标事件相关的历史事件的信息,并确定所述历史事件中不同事件之间的关联特征,确定所述目标事件对应的嵌入特征。基于所述第一智能合约,基于所述目标事件和所述历史事件的文本数据,确定所述文本数据的序列变化信息。基于所述第一智能合约,基于所述历史事件中不同事件之间的关联特征、所述目标事件对应的嵌入特征和所述文本数据的序列变化信息,确定所述目标事件的风险识别结果。
本说明书实施例提供的一种事件的风险识别装置,所述装置包括:特征获取模块,获取与当前发生的目标事件相关的历史事件的信息,并确定所述历史事件中不同事件之间的关联特征,确定所述目标事件对应的嵌入特征。序列变化确定模块,基于所述目标事件和所述历史事件的文本数据,确定所述文本数据的序列变化信息。风险识别模块,基于所述历史事件中不同事件之间的关联特征、所述目标事件对应的嵌入特征和所述文本数据的序列变化信息,确定所述目标事件的风险识别结果。
本说明书实施例提供的一种事件的风险识别装置,所述装置为区块链系统中的装置,所述装置包括:合约部署模块,获取执行事件的风险识别的规则信息,基于所述执行事件的风险识别的规则信息生成相应的第一智能合约,并将所述第一智能合约部署到所述区块链系统中。特征获取模块,基于所述第一智能合约,获取与当前发生的目标事件相关的历史事件的信息,并确定所述历史事件中不同事件之间的关联特征,确定所述目标事件对应的嵌入特征。序列变化确定模块,基于所述第一智能合约,基于所述目标事件和所述历史事件的文本数据,确定所述文本数据的序列变化信息。风险识别模块,基于所述第一智能合约,基于所述历史事件中不同事件之间的关联特征、所述目标事件对应的嵌入特征和所述文本数据的序列变化信息,确定所述目标事件的风险识别结果。
本说明书实施例提供的一种事件的风险识别设备,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:获取与当前发生的目标事件相关的历史事件的信息,并确定所述历史事件中不同事件之间的关联特征,确定所述目标事件对应的嵌入特征。基于所述目标事件和所述历史事件的文本数据,确定所述文本数据的序列变化信息。基于所述历史事件中不同事件之间的关联特征、所述目标事件对应的嵌入特征和所述文本数据的序列变化信息,确定所述目标事件的风险识别结果。
本说明书实施例提供的一种事件的风险识别设备,所述设备为区块链系统中的设备,所述设备包括: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:获取执行事件的风险识别的规则信息,基于所述执行事件的风险识别的规则信息生成相应的第一智能合约,并将所述第一智能合约部署到所述区块链系统中。基于所述第一智能合约,获取与当前发生的目标事件相关的历史事件的信息,并确定所述历史事件中不同事件之间的关联特征,确定所述目标事件对应的嵌入特征。基于所述第一智能合约,基于所述目标事件和所述历史事件的文本数据,确定所述文本数据的序列变化信息。基于所述第一智能合约,基于所述历史事件中不同事件之间的关联特征、所述目标事件对应的嵌入特征和所述文本数据的序列变化信息,确定所述目标事件的风险识别结果。
本说明书实施例还提供了一种存储介质,其中,所述存储介质用于存储计算机可执行指令,所述可执行指令在被执行时实现以下流程:获取与当前发生的目标事件相关的历史事件的信息,并确定所述历史事件中不同事件之间的关联特征,确定所述目标事件对应的嵌入特征。基于所述目标事件和所述历史事件的文本数据,确定所述文本数据的序列变化信息。基于所述历史事件中不同事件之间的关联特征、所述目标事件对应的嵌入特征和所述文本数据的序列变化信息,确定所述目标事件的风险识别结果。
本说明书实施例还提供了一种存储介质,其中,所述存储介质用于存储计算机可执行指令,所述可执行指令在被执行时实现以下流程:获取执行事件的风险识别的规则信息,基于所述执行事件的风险识别的规则信息生成相应的第一智能合约,并将所述第一智能合约部署到区块链系统中。基于所述第一智能合约,获取与当前发生的目标事件相关的历史事件的信息,并确定所述历史事件中不同事件之间的关联特征,确定所述目标事件对应的嵌入特征。基于所述第一智能合约,基于所述目标事件和所述历史事件的文本数据,确定所述文本数据的序列变化信息。基于所述第一智能合约,基于所述历史事件中不同事件之间的关联特征、所述目标事件对应的嵌入特征和所述文本数据的序列变化信息,确定所述目标事件的风险识别结果。
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为本说明书一种事件的风险识别方法实施例;
图2为本说明书另一种事件的风险识别方法实施例;
图3A为本说明书又一种事件的风险识别方法实施例;
图3B为本说明书一种事件的风险识别过程示意图;
图4为本说明书一种事件的风险识别装置实施例;
图5为本说明书另一种事件的风险识别装置实施例;
图6为本说明书一种事件的风险识别设备实施例。
具体实施方式
本说明书实施例提供一种事件的风险识别方法、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事件的风险识别方法,该方法的执行主体可以为服务器,其中,服务器可以是某项业务(如进行交易的业务或金融业务等)的服务器,具体如,该服务器可以是支付业务的服务器,也可以是与金融或即时通讯等相关业务的服务器等。该方法具体可以包括以下步骤:
在步骤S102中,获取与当前发生的目标事件相关的历史事件的信息,并确定历史事件中不同事件之间的关联特征,确定目标事件对应的嵌入特征。
其中,目标事件可以是任意事件,例如一笔订单、支付事件、修改密码事件、支付失败事件等,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。历史事件可以是发生当前事件之前发生的事件,历史事件可以是当前事件发生之前的指定时间点或指定时间段的事件,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。目标事件和历史事件可以是涉及一种或多种不同的业务,例如保险业务、反洗钱制裁业务、搜索业务、社交类业务、新闻资讯类业务等,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。历史事件的信息可以通过如反洗钱制裁扫描引擎获取的相关历史信息、电商或搜索引擎获取的相关历史信息、社交业务或新闻资讯业务的相关历史信息(如论坛中用户发表的历史信息、新闻资讯业务中的已刊登的新闻或资讯的历史信息等)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。
在实施中,在反洗钱制裁扫描、盗用防控等风险业务领域中,从当前单一事件或订单信息中通常很难捕捉到风险,通常需要借助历史事件或订单信息进行风险防控,例如,在制裁扫描场景中,用户通过修改地址、修改收货人信息以及反复重试来绕过风险防控机制,在风险防控领域,被盗用的用户账户等用户信息,往往会先进行多次的密码尝试或者找回密码操作,然后,再进行支付操作,而上述用户操作行为对于正常用户来说是不常见的。
通常,可以采用单文本风险识别模型进行风险识别处理,但是,上述方式仅利用了当前订单文本信息,从而难以捕捉时序风险。另外,还可以采用单事件识别模型进行风险识别处理,但是,上述方式仅利用了当前订单文本信息,从而难以捕捉时序风险。此外,还可以通过事件序列模型进行风险识别处理,但是,上述方式对于每个事件,从所有特征的表征向量中学习到事件的表征,通常可能会丢失某些特征(尤其是重要文本的序列变化关系)。可见,上述方式都只提取到了当前事件和历史事件序列的部分信息,在实际的业务中有一定的局限性。基于此,需要提供一种更好的识别风险用户绕过风险防控机制,在实际业务中显著提高对频繁修改、变更、对抗绕过风险防控机制等用户风险的识别管控能力的技术方案,以增强对于绕过对抗攻击的风险管控能力。本说明书实施例提供一种可选的处理方式,具体可以包括以下内容:
当某事件(即目标事件)被触发(例如,当用户需要向其他用户转账或当用户为需要购买的商品进行支付等)时,可以触发预先设定的风险识别或风险防控机制,基于风险识别或风险防控机制,可以获取与当前发生的目标事件相关的历史事件的信息,例如,与当前用户的账户相关的其它账户的相关信息、事件发生的时间、位置、操作行为的信息等,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。
考虑到不同事件之间可能存在一定的关联性,在账户盗用风险的防控中,先发生“支付失败”事件,然后,发生“修改支付密码”事件,再发生“支付”事件,则可以判定存在较强的盗用账户的可能性,为此,可以捕捉事件之间的关联,即可以获取短时间(如5分钟或8分钟)内某用户的行为动作,尤其是该用户连续的行为动作,并可以基于获取的行为动作进行向量化处理,得到该用户连续的行为动作的向量化信息,基于该用户连续的行为动作的向量化信息,可以确定不同事件之间的关联特征,最终可以得到历史事件中不同事件之间的关联特征。
此外,为了保留当前事件中的重要信息,可以针对当前的目标事件,对目标事件进行向量化处理,得到目标事件的向量化信息,可以基于目标事件的向量化信息,确定目标事件对应的嵌入特征(即Embedding特征)。在实际应用中,除了保留当前事件中的重要信息外,还可以结合其他重要信息,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。
需要说明的是,在获取到与当前发生的目标事件相关的历史事件的信息后,还可以对历史事件的信息进行数据清洗、去重等预处理,从而使得历史事件的信息的准确性和有效性更高。
在步骤S104中,基于目标事件和历史事件的文本数据,确定该文本数据的序列变化信息。
其中,序列变化信息可以用于表征重要文本特征的序列变化,例如,收货人信息的修改、地址的变异等,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。
在实施中,可以获取目标事件的文本数据和历史事件的文本数据,并可以分别对目标事件的文本数据和历史事件的文本数据进行分词,得到上述各个文本数据对应的分词,然后,可以获取每个分词对应的嵌入特征(即Embedding特征),对于任一事件的文本数据,可以获取该文本数据中包含的分词,并可以将其获取分词对应的嵌入特征进行整合,得到该文本数据对应的嵌入特征。可以基于该文本数据对应的嵌入特征,确定不同文本之间的关系特征,即可以得到该文本数据的序列变化信息。
在步骤S106中,基于历史事件中不同事件之间的关联特征、目标事件对应的嵌入特征和该文本数据的序列变化信息,确定目标事件的风险识别结果。
在实施中,可以对历史事件中不同事件之间的关联特征、目标事件对应的嵌入特征和该文本数据的序列变化信息进行分析,进而判定目标事件是否存在风险,即可以得到目标事件的风险识别结果。
本说明书实施例提供一种事件的风险识别方法,通过获取与当前发生的目标事件相关的历史事件的信息,并确定历史事件中不同事件之间的关联特征,确定目标事件对应的嵌入特征,然后,基于目标事件和历史事件的文本数据,确定该文本数据的序列变化信息,最终,可以基于历史事件中不同事件之间的关联特征、目标事件对应的嵌入特征和该文本数据的序列变化信息,确定目标事件的风险识别结果,这样,汇聚历史事件序列的特征信息、当笔事件的特征与人工组合特征信息以及文本序列信息,通过表征学习和序列学习的方法,有效弥补了单文本、单事件模型的信息不足,并解决了单事件序列表征模型对于文本类重要信息序列变化刻画的不足,提升了对于序列型风险的管控能力,本方案可以应用于制裁扫描文本风险识别等业务领域,对于文本对抗绕过类风险的防控具有显著效果,在实际业务中显著提高对频繁修改、变更、对抗绕过等用户风险事件的识别管控能力。
实施例二
如图2所示,本说明书实施例提供一种事件的风险识别方法,该方法的执行主体可以为服务器,其中,服务器可以是某项业务(如进行交易的业务或金融业务等)的服务器,具体如,该服务器可以是支付业务的服务器,也可以是与金融或即时通讯等相关业务的服务器等。该方法具体可以包括以下步骤:
在步骤S202中,获取与当前发生的目标事件相关的历史事件的信息。
在步骤S204中,将历史事件的属性信息转换为历史事件对应的嵌入特征。
在实施中,可以对历史事件的属性信息进行分词,得到历史事件的属性信息中包含的分词,获取每个分词对应的嵌入特征,可以将每个历史事件的属性信息中包含的分词对应的嵌入特征进行拼接,得到历史事件对应的嵌入特征,从而将历史事件的属性信息转换为历史事件对应的嵌入特征。
在实际应用中,上述步骤S204的处理可以多种多样,以下提供两种可选的处理方式,具体可以包括以下方式一和方式二。
方式一:历史事件的属性信息为离散型的属性信息,上述步骤S204的处理可以包括以下内容:通过嵌入查找的方式,将历史事件的属性信息转换为嵌入特征,将转换后的嵌入特征作为历史事件对应的嵌入特征。
其中,嵌入查找的方式可以是Embedding Lookup方式。
方式二:历史事件的属性信息为数值型的属性信息,上述步骤S204的处理可以包括以下步骤A2和步骤A4的处理。
在步骤A2中,将每个历史事件的属性信息转换为同一个初始嵌入特征,对初始嵌入特征进行重新调整处理,得到重新调整后的初始嵌入特征。
在实施中,对于历史事件的属性信息为数值型的属性信息,每一个属性信息都可以转换为同一个初始Embedding特征,然后,再进行Rescale重新调整出来,即将初始Embedding特征乘以该属性信息对应的属性值,得到最终的Embedding特征,可以将其作为重新调整后的初始嵌入特征。
在步骤A4中,对重新调整后的初始嵌入特征进行特征提取,得到历史事件对应的嵌入特征。
在步骤S206中,对历史事件对应的嵌入特征进行特征提取,得到历史事件中不同事件的交叉信息对应的嵌入特征。
在实施中,可以采用多种不同的特征提取算法对历史事件对应的嵌入特征进行特征提取,得到历史事件中不同事件的交叉信息对应的嵌入特征,其中的特征提取算法可以包括多种,例如,LBP(Local Binary Patterns,局部二值模式)算法、LoG(Laplacian ofGaussian,高斯-拉普拉斯)算法等,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。
在实际应用中,上述步骤S206的处理可以多种多样,以下提供一种可选的处理方式,具体可以包括以下内容:通过因子分解机FM,对历史事件对应的嵌入特征进行特征提取,得到历史事件中不同事件的交叉信息对应的嵌入特征。
在实施中,由于每一个事件包含了大量的事件属性信息,而事件的属性信息之间的组合往往能得到更高层次的信息,例如通过组合“用户类别=新用户”和“商品类目=电子产品”可以得到“新用户购买电子产品”这样的组合特征,而这样的组合特征往往具有更高的风险相关性,因此,可以选用因子分解机FM对事件属性的交叉信息进行抽取,得到历史事件中不同事件的交叉信息对应的嵌入特征。
在步骤S208中,基于历史事件中不同事件的交叉信息对应的嵌入特征,确定历史事件中不同事件之间的关联特征。
在实施中,可以对历史事件中不同事件的交叉信息对应的嵌入特征进行分析,以判断历史事件中不同事件之间是否存在关联,从而确定历史事件中不同事件之间的关联特征。
在实际应用中,上述步骤S208的处理可以多种多样,以下提供一种可选的处理方式,具体可以包括以下内容:将历史事件中不同事件的交叉信息对应的嵌入特征输入到预先训练的LSTM(Long Short-Term Memory,长短期记忆)/Self-Attention模型中,得到历史事件中不同事件之间的关联特征。
其中,LSTM/Self-Attention模型就是在LSTM的模型上加入Self-Attention层,在LSTM中会用最后一个时序的输出向量作为特征向量,然后进行Softmax分类。Self-Attention是先计算每个时序的权重,然后将所有时序的向量进行加权和作为特征向量,然后进行Softmax分类。
在实施中,可以预先获取历史数据,并可以分析历史数据之间的关联关系,从而确定该历史数据中不同事件的交叉信息对应的嵌入特征,并可以将确定的该历史数据中不同事件的交叉信息对应的嵌入特征输入到预先构建的LSTM/Self-Attention模型的架构中,以训练LSTM/Self-Attention模型,得到训练后的LSTM/Self-Attention模型。然后,将历史事件中不同事件的交叉信息对应的嵌入特征输入到预先训练的LSTM/Self-Attention模型中,得到历史事件中不同事件之间的关联特征。
在步骤S210中,获取目标事件的第一特征,以及获取预设的专家经验特征。
在步骤S212中,将第一特征和专家经验特征进行特征拼接处理,得到目标事件对应的嵌入特征。
在实施中,将当前的目标事件的特征以及人工经验组合的特征,转换为Embedding向量,并对Embedding向量进行拼接,得到当前的目标事件的表征。步骤S212的作用可以是保留当前目标事件的重要信息以及人工经验组合的特征。
在步骤S214中,将目标事件和历史事件的文本数据进行切分处理,得到该文本数据对应的切分数据。
在实施中,可以将历史事件与目标事件的重要文本特征,如地址等,进行字、词或片段的切分处理,得到该文本数据对应的切分数据。
在步骤S216中,获取每个切分数据对应的嵌入特征,并基于每个切分数据对应的嵌入特征,确定该文本数据中不同文本数据之间的关联特征,将该文本数据中不同文本数据之间的关联特征确定为该文本数据的序列变化信息。
在实施中,可以通过Word2Vec等方式得到字词或片段的Embedding特征(即嵌入特征),可以对每个切分数据对应的嵌入特征进行分析,并可以将同一文本数据中包含的切分数据对应的嵌入特征进行拼接处理,得到每个文本数据对应的嵌入特征,可以对不同文本数据对应的嵌入特征进行分析,从而判断不同文本数据之间是否存在关联关系,以确定该文本数据中不同文本数据之间的关联特征,可以将该文本数据中不同文本数据之间的关联特征确定为该文本数据的序列变化信息。
在实际应用中,上述步骤S216的处理可以多种多样,以下提供一种可选的处理方式,具体可以包括以下步骤B2和B4的处理。
在步骤B2中,基于不同切分数据对应的嵌入特征,确定目标事件的文本数据对应的文本特征序列和历史事件的文本数据对应的文本特征序列。
在实际应用中,上述步骤B2的处理可以多种多样,以下提供一种可选的处理方式,具体可以包括以下内容:将不同切分数据对应的嵌入特征输入到预先训练的文本序列模型中,得到目标事件的文本数据对应的文本特征序列和历史事件的文本数据对应的文本特征序列。
其中,文本序列模型是基于textCNN或LSTM构建的模型。textCNN(textConvolutional Neural Networks,文本卷积神经网络)模型、LSTM(Long Short-TermMemory,长短期记忆)。
在步骤B4中,将目标事件的文本数据对应的文本特征序列和历史事件的文本数据对应的文本特征序列输入到预先训练的LSTM/Self-Attention模型中,得到该文本数据中不同文本数据之间的关联特征。
在步骤S218中,将历史事件中不同事件之间的关联特征、目标事件对应的嵌入特征和该文本数据的序列变化信息进行拼接处理,得到目标事件的风险识别汇聚特征。
在步骤S220中,将目标事件的风险识别汇聚特征输入到预先构建的风险识别网络模型中,得到目标事件的风险评分。
其中,风险识别网络模型可以是基于全连接网络或注意力网络而构建的模型。
在步骤S222中,基于目标事件的风险评分,确定目标事件的风险识别结果。
本说明书实施例提供一种事件的风险识别方法,通过获取与当前发生的目标事件相关的历史事件的信息,并确定历史事件中不同事件之间的关联特征,确定目标事件对应的嵌入特征,然后,基于目标事件和历史事件的文本数据,确定该文本数据的序列变化信息,最终,可以基于历史事件中不同事件之间的关联特征、目标事件对应的嵌入特征和该文本数据的序列变化信息,确定目标事件的风险识别结果,这样,汇聚历史事件序列的特征信息、当笔事件的特征与人工组合特征信息以及文本序列信息,通过表征学习和序列学习的方法,有效弥补了单文本、单事件模型的信息不足,并解决了单事件序列表征模型对于文本类重要信息序列变化刻画的不足,提升了对于序列型风险的管控能力,本方案可以应用于制裁扫描文本风险识别等业务领域,对于文本对抗绕过类风险的防控具有显著效果,在实际业务中显著提高对频繁修改、变更、对抗绕过等用户风险事件的识别管控能力。
实施例三
如图3A和图3B所示,本说明书实施例提供一种事件的风险识别方法,该方法的执行主体可以为区块链系统,该区块链系统可以由终端设备和/或服务器等组成,其中,服务器可以是某项业务(如进行交易的业务或金融业务等)的服务器,具体如,该服务器可以是支付业务的服务器,也可以是与金融或即时通讯等相关业务的服务器等。该方法具体可以包括以下步骤:
在步骤S302中,获取执行事件的风险识别的规则信息,基于执行事件的风险识别的规则信息生成相应的第一智能合约,并将第一智能合约部署到区块链系统中。
其中,第一智能合约可以是一种旨在以信息化方式传播、验证或执行合同的计算机协议,第一智能合约允许在没有第三方的情况下进行可信交互,进行的上述交互过程可追踪且不可逆转,第一智能合约中包括合约参与方可以在上面执行合约参与方同意的权利和义务的协议。
在实施中,为了使得对某事件进行风险识别的可追溯性更好,可以创建或加入指定的区块链系统,这样,可以基于区块链系统对该事件进行检测,具体地,区块链节点中可以安装有相应的应用程序,该应用程序中可以设置有执行事件的风险识别的规则信息的输入框和/或选择框等,可以在上述输入框和/或选择框中设置相应的信息。然后,区块链系统可以接收执行事件的风险识别的规则信息。区块链系统可以基于执行事件的风险识别的规则信息生成相应的第一智能合约,并可以向该区块链系统中部署该第一智能合约,这样,区块链系统中存储了执行事件的风险识别的规则信息和相应的第一智能合约,其他用户无法篡改该执行事件的风险识别的规则信息和相应的第一智能合约,而且,区块链系统通过第一智能合约对目标事件进行风险识别。
在步骤S304中,基于第一智能合约,获取与当前发生的目标事件相关的历史事件的信息,并确定历史事件中不同事件之间的关联特征,确定目标事件对应的嵌入特征。
在实施中,第一智能合约中可以设置有获取与当前发生的目标事件相关的历史事件的信息,并确定历史事件中不同事件之间的关联特征,确定目标事件对应的嵌入特征的规则,并基于第一智能合约中的上述规则信息可以实现上述相应的处理,具体可以参见上述相关内容,在此不再赘述。
在实际应用中,上述步骤S304中基于第一智能合约,确定历史事件中不同事件之间的关联特征的处理可以多种多样,以下提供一种可选的处理方式,具体可以包括以下内容:基于第一智能合约,将历史事件的属性信息转换为历史事件对应的嵌入特征;基于第一智能合约,对历史事件对应的嵌入特征进行特征提取,得到历史事件中不同事件的交叉信息对应的嵌入特征;基于第一智能合约,以及历史事件中不同事件的交叉信息对应的嵌入特征,确定历史事件中不同事件之间的关联特征。
此外,历史事件的属性信息为离散型的属性信息,上述处理中基于第一智能合约,将历史事件的属性信息转换为历史事件对应的嵌入特征的处理可以多种多样,以下提供一种可选的处理方式,具体可以包括以下内容:基于第一智能合约,通过嵌入查找的方式,将历史事件的属性信息转换为嵌入特征,将转换后的嵌入特征作为历史事件对应的嵌入特征。
另外,历史事件的属性信息为数值型的属性信息,上述处理中基于第一智能合约,将历史事件的属性信息转换为历史事件对应的嵌入特征的处理可以多种多样,以下提供一种可选的处理方式,具体可以包括以下内容:基于第一智能合约,将每个历史事件的属性信息转换为同一个初始嵌入特征,对初始嵌入特征进行重新调整处理,得到重新调整后的初始嵌入特征;对重新调整后的初始嵌入特征进行特征提取,得到历史事件对应的嵌入特征。
此外,上述处理中基于第一智能合约,对历史事件对应的嵌入特征进行特征提取,得到历史事件中不同事件的交叉信息对应的嵌入特征的处理可以多种多样,以下提供一种可选的处理方式,具体可以包括以下内容:基于第一智能合约,通过因子分解机FM,对历史事件对应的嵌入特征进行特征提取,得到历史事件中不同事件的交叉信息对应的嵌入特征。
另外,上述处理中基于第一智能合约,以及历史事件中不同事件的交叉信息对应的嵌入特征,确定历史事件中不同事件之间的关联特征的处理可以多种多样,以下提供一种可选的处理方式,具体可以包括以下内容:基于第一智能合约,将历史事件中不同事件的交叉信息对应的嵌入特征输入到预先训练的LSTM/Self-Attention模型中,得到历史事件中不同事件之间的关联特征。
在实际应用中,上述步骤S304中基于第一智能合约,确定目标事件对应的嵌入特征的处理可以多种多样,以下提供一种可选的处理方式,具体可以包括以下内容:基于第一智能合约,获取目标事件的第一特征,以及获取预设的专家经验特征;基于第一智能合约,将第一特征和专家经验特征进行特征拼接处理,得到目标事件对应的嵌入特征。
在步骤S306中,基于第一智能合约,基于目标事件和历史事件的文本数据,确定该文本数据的序列变化信息。
在实施中,第一智能合约中还可以设置有基于目标事件和历史事件的文本数据,确定该文本数据的序列变化信息的相关规则信息,这样,基于第一智能合约中的上述规则信息可以实现上述相应的处理,具体可以参见上述相关内容,在此不再赘述。
在实际应用中,上述步骤S306的处理可以多种多样,以下提供一种可选的处理方式,具体可以包括以下内容:基于第一智能合约,将目标事件和历史事件的文本数据进行切分处理,得到该文本数据对应的切分数据;基于第一智能合约,获取每个切分数据对应的嵌入特征,并基于每个切分数据对应的嵌入特征,确定该文本数据中不同文本数据之间的关联特征,将该文本数据中不同文本数据之间的关联特征确定为该文本数据的序列变化信息。
此外,上述处理中基于第一智能合约,并基于每个切分数据对应的嵌入特征,确定该文本数据中不同文本数据之间的关联特征的处理可以多种多样,以下提供一种可选的处理方式,具体可以包括以下内容:基于第一智能合约,并基于不同切分数据对应的嵌入特征,确定目标事件的文本数据对应的文本特征序列和历史事件的文本数据对应的文本特征序列;基于第一智能合约,将目标事件的文本数据对应的文本特征序列和历史事件的文本数据对应的文本特征序列输入到预先训练的LSTM/Self-Attention模型中,得到该文本数据中不同文本数据之间的关联特征。
另外,上述处理中基于第一智能合约,并基于不同切分数据对应的嵌入特征,确定目标事件的文本数据对应的文本特征序列和历史事件的文本数据对应的文本特征序列的处理可以多种多样,以下提供一种可选的处理方式,具体可以包括以下内容:基于第一智能合约,将不同切分数据对应的嵌入特征输入到预先训练的文本序列模型中,得到目标事件的文本数据对应的文本特征序列和历史事件的文本数据对应的文本特征序列。
其中,文本序列模型是基于textCNN或LSTM构建的模型。
在步骤S308中,基于第一智能合约,基于历史事件中不同事件之间的关联特征、目标事件对应的嵌入特征和该文本数据的序列变化信息,确定目标事件的风险识别结果。
在实施中,第一智能合约中可以设置有基于历史事件中不同事件之间的关联特征、目标事件对应的嵌入特征和该文本数据的序列变化信息,确定目标事件的风险识别结果的相关规则信息,这样,基于第一智能合约中的上述规则信息可以实现上述相应的处理,具体可以参见上述相关内容,在此不再赘述。
在实际应用中,上述步骤S308的处理可以多种多样,以下提供一种可选的处理方式,具体可以包括以下内容:基于第一智能合约,将历史事件中不同事件之间的关联特征、目标事件对应的嵌入特征和该文本数据的序列变化信息进行拼接处理,得到目标事件的风险识别汇聚特征;基于第一智能合约,将目标事件的风险识别汇聚特征输入到预先构建的风险识别网络模型中,得到目标事件的风险评分;基于第一智能合约,并基于目标事件的风险评分,确定目标事件的风险识别结果。
其中,风险识别网络模型是基于全连接网络或注意力网络而构建的模型。
上述步骤S304~步骤S308的具体处理,可以参见上述实施例一和实施例二中的相关内容,即可以通过第一智能合约,实现如上述实施例一和实施例二中的涉及的各种处理。
本说明书实施例提供一种事件的风险识别方法,应用于区块链系统,通过获取执行事件的风险识别的规则信息,基于执行事件的风险识别的规则信息生成相应的第一智能合约,并将第一智能合约部署到区块链系统中,然后,基于第一智能合约,获取与当前发生的目标事件相关的历史事件的信息,并确定历史事件中不同事件之间的关联特征,确定目标事件对应的嵌入特征,基于第一智能合约,基于目标事件和历史事件的文本数据,确定该文本数据的序列变化信息,最终,可以基于第一智能合约,基于历史事件中不同事件之间的关联特征、目标事件对应的嵌入特征和该文本数据的序列变化信息,确定目标事件的风险识别结果,这样,汇聚历史事件序列的特征信息、当笔事件的特征与人工组合特征信息以及文本序列信息,通过表征学习和序列学习的方法,有效弥补了单文本、单事件模型的信息不足,并解决了单事件序列表征模型对于文本类重要信息序列变化刻画的不足,提升了对于序列型风险的管控能力,本方案可以应用于制裁扫描文本风险识别等业务领域,对于文本对抗绕过类风险的防控具有显著效果,在实际业务中显著提高对频繁修改、变更、对抗绕过等用户风险事件的识别管控能力。
实施例四
以上为本说明书实施例提供的事件的风险识别方法,基于同样的思路,本说明书实施例还提供一种事件的风险识别装置,如图4所示。
该事件的风险识别装置包括:特征获取模块401、序列变化确定模块402和风险识别模块403,其中:
特征获取模块401,获取与当前发生的目标事件相关的历史事件的信息,并确定所述历史事件中不同事件之间的关联特征,确定所述目标事件对应的嵌入特征;
序列变化确定模块402,基于所述目标事件和所述历史事件的文本数据,确定所述文本数据的序列变化信息;
风险识别模块403,基于所述历史事件中不同事件之间的关联特征、所述目标事件对应的嵌入特征和所述文本数据的序列变化信息,确定所述目标事件的风险识别结果。
本说明书实施例中,所述特征获取模块401,包括:
第一转换单元,将所述历史事件的属性信息转换为所述历史事件对应的嵌入特征;
第一特征提取单元,对所述历史事件对应的嵌入特征进行特征提取,得到所述历史事件中不同事件的交叉信息对应的嵌入特征;
关联特征确定单元,基于所述历史事件中不同事件的交叉信息对应的嵌入特征,确定所述历史事件中不同事件之间的关联特征。
本说明书实施例中,所述历史事件的属性信息为离散型的属性信息,所述第一转换单元,通过嵌入查找的方式,将所述历史事件的属性信息转换为嵌入特征,将转换后的嵌入特征作为所述历史事件对应的嵌入特征。
本说明书实施例中,所述历史事件的属性信息为数值型的属性信息,所述第一转换单元,将每个所述历史事件的属性信息转换为同一个初始嵌入特征,对所述初始嵌入特征进行重新调整处理,得到重新调整后的初始嵌入特征;对所述重新调整后的初始嵌入特征进行特征提取,得到所述历史事件对应的嵌入特征。
本说明书实施例中,所述第一特征提取单元,通过因子分解机FM,对所述历史事件对应的嵌入特征进行特征提取,得到所述历史事件中不同事件的交叉信息对应的嵌入特征。
本说明书实施例中,所述关联特征确定单元,将所述历史事件中不同事件的交叉信息对应的嵌入特征输入到预先训练的LSTM/Self-Attention模型中,得到所述历史事件中不同事件之间的关联特征。
本说明书实施例中,所述特征获取模块401,包括:
特征获取单元,获取所述目标事件的第一特征,以及获取预设的专家经验特征;
特征拼接单元,将所述第一特征和所述专家经验特征进行特征拼接处理,得到所述目标事件对应的嵌入特征。
本说明书实施例中,所述序列变化确定模块402,包括:
切分单元,将所述目标事件和所述历史事件的文本数据进行切分处理,得到所述文本数据对应的切分数据;
序列变化确定单元,获取每个所述切分数据对应的嵌入特征,并基于每个所述切分数据对应的嵌入特征,确定所述文本数据中不同文本数据之间的关联特征,将所述文本数据中不同文本数据之间的关联特征确定为所述文本数据的序列变化信息。
本说明书实施例中,所述序列变化确定单元,基于不同所述切分数据对应的嵌入特征,确定所述目标事件的文本数据对应的文本特征序列和所述历史事件的文本数据对应的文本特征序列;
将所述目标事件的文本数据对应的文本特征序列和所述历史事件的文本数据对应的文本特征序列输入到预先训练的LSTM/Self-Attention模型中,得到所述文本数据中不同文本数据之间的关联特征。
本说明书实施例中,所述序列变化确定单元,将不同所述切分数据对应的嵌入特征输入到预先训练的文本序列模型中,得到所述目标事件的文本数据对应的文本特征序列和所述历史事件的文本数据对应的文本特征序列。
本说明书实施例中,所述文本序列模型是基于textCNN或LSTM构建的模型。
本说明书实施例中,所述风险识别模块403,包括:
特征汇聚单元,将所述历史事件中不同事件之间的关联特征、所述目标事件对应的嵌入特征和所述文本数据的序列变化信息进行拼接处理,得到所述目标事件的风险识别汇聚特征;
风险评分单元,将所述目标事件的风险识别汇聚特征输入到预先构建的风险识别网络模型中,得到所述目标事件的风险评分;
风险识别单元,基于所述目标事件的风险评分,确定所述目标事件的风险识别结果。
本说明书实施例中,所述风险识别网络模型是基于全连接网络或注意力网络而构建的模型。
本说明书实施例提供一种事件的风险识别装置,通过获取与当前发生的目标事件相关的历史事件的信息,并确定历史事件中不同事件之间的关联特征,确定目标事件对应的嵌入特征,然后,基于目标事件和历史事件的文本数据,确定该文本数据的序列变化信息,最终,可以基于历史事件中不同事件之间的关联特征、目标事件对应的嵌入特征和该文本数据的序列变化信息,确定目标事件的风险识别结果,这样,汇聚历史事件序列的特征信息、当笔事件的特征与人工组合特征信息以及文本序列信息,通过表征学习和序列学习的方法,有效弥补了单文本、单事件模型的信息不足,并解决了单事件序列表征模型对于文本类重要信息序列变化刻画的不足,提升了对于序列型风险的管控能力,本方案可以应用于制裁扫描文本风险识别等业务领域,对于文本对抗绕过类风险的防控具有显著效果,在实际业务中显著提高对频繁修改、变更、对抗绕过等用户风险事件的识别管控能力。
实施例五
基于同样的思路,本说明书实施例还提供一种事件的风险识别装置,该装置为区块链系统中的装置,如图5所示。
该事件的风险识别装置包括:合约部署模块501、特征获取模块502、序列变化确定模块503和风险识别模块504,其中:
合约部署模块501,获取执行事件的风险识别的规则信息,基于所述执行事件的风险识别的规则信息生成相应的第一智能合约,并将所述第一智能合约部署到所述区块链系统中;
特征获取模块502,基于所述第一智能合约,获取与当前发生的目标事件相关的历史事件的信息,并确定所述历史事件中不同事件之间的关联特征,确定所述目标事件对应的嵌入特征;
序列变化确定模块503,基于所述第一智能合约,基于所述目标事件和所述历史事件的文本数据,确定所述文本数据的序列变化信息;
风险识别模块504,基于所述第一智能合约,基于所述历史事件中不同事件之间的关联特征、所述目标事件对应的嵌入特征和所述文本数据的序列变化信息,确定所述目标事件的风险识别结果。
本说明书实施例提供一种事件的风险识别装置,通过获取执行事件的风险识别的规则信息,基于执行事件的风险识别的规则信息生成相应的第一智能合约,并将第一智能合约部署到区块链系统中,然后,基于第一智能合约,获取与当前发生的目标事件相关的历史事件的信息,并确定历史事件中不同事件之间的关联特征,确定目标事件对应的嵌入特征,基于第一智能合约,基于目标事件和历史事件的文本数据,确定该文本数据的序列变化信息,最终,可以基于第一智能合约,基于历史事件中不同事件之间的关联特征、目标事件对应的嵌入特征和该文本数据的序列变化信息,确定目标事件的风险识别结果,这样,汇聚历史事件序列的特征信息、当笔事件的特征与人工组合特征信息以及文本序列信息,通过表征学习和序列学习的方法,有效弥补了单文本、单事件模型的信息不足,并解决了单事件序列表征模型对于文本类重要信息序列变化刻画的不足,提升了对于序列型风险的管控能力,本方案可以应用于制裁扫描文本风险识别等业务领域,对于文本对抗绕过类风险的防控具有显著效果,在实际业务中显著提高对频繁修改、变更、对抗绕过等用户风险事件的识别管控能力。
实施例六
以上为本说明书实施例提供的事件的风险识别装置,基于同样的思路,本说明书实施例还提供一种事件的风险识别设备,如图6所示。
所述事件的风险识别设备可以为上述实施例提供的服务器或区块链系统中的设备等。
事件的风险识别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601和存储器602,存储器602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602可以是短暂存储或持久存储。存储在存储器602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事件的风险识别设备中的一系列计算机可执行指令。更进一步地,处理器601可以设置为与存储器602通信,在事件的风险识别设备上执行存储器602中的一系列计算机可执行指令。事件的风险识别设备还可以包括一个或一个以上电源603,一个或一个以上有线或无线网络接口604,一个或一个以上输入输出接口605,一个或一个以上键盘606。
具体在本实施例中,事件的风险识别设备包括有存储器,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事件的风险识别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:
获取与当前发生的目标事件相关的历史事件的信息,并确定所述历史事件中不同事件之间的关联特征,确定所述目标事件对应的嵌入特征;
基于所述目标事件和所述历史事件的文本数据,确定所述文本数据的序列变化信息;
基于所述历史事件中不同事件之间的关联特征、所述目标事件对应的嵌入特征和所述文本数据的序列变化信息,确定所述目标事件的风险识别结果。
本说明书实施例中,所述确定所述历史事件中不同事件之间的关联特征,包括:
将所述历史事件的属性信息转换为所述历史事件对应的嵌入特征;
对所述历史事件对应的嵌入特征进行特征提取,得到所述历史事件中不同事件的交叉信息对应的嵌入特征;
基于所述历史事件中不同事件的交叉信息对应的嵌入特征,确定所述历史事件中不同事件之间的关联特征。
本说明书实施例中,所述历史事件的属性信息为离散型的属性信息,所述将所述历史事件的属性信息转换为所述历史事件对应的嵌入特征,包括:
通过嵌入查找的方式,将所述历史事件的属性信息转换为嵌入特征,将转换后的嵌入特征作为所述历史事件对应的嵌入特征。
本说明书实施例中,所述历史事件的属性信息为数值型的属性信息,所述将所述历史事件的属性信息转换为所述历史事件对应的嵌入特征,包括:
将每个所述历史事件的属性信息转换为同一个初始嵌入特征,对所述初始嵌入特征进行重新调整处理,得到重新调整后的初始嵌入特征;
对所述重新调整后的初始嵌入特征进行特征提取,得到所述历史事件对应的嵌入特征。
本说明书实施例中,所述对所述历史事件对应的嵌入特征进行特征提取,得到所述历史事件中不同事件的交叉信息对应的嵌入特征,包括:
通过因子分解机FM,对所述历史事件对应的嵌入特征进行特征提取,得到所述历史事件中不同事件的交叉信息对应的嵌入特征。
本说明书实施例中,所述基于所述历史事件中不同事件的交叉信息对应的嵌入特征,确定所述历史事件中不同事件之间的关联特征,包括:
将所述历史事件中不同事件的交叉信息对应的嵌入特征输入到预先训练的LSTM/Self-Attention模型中,得到所述历史事件中不同事件之间的关联特征。
本说明书实施例中,所述确定所述目标事件对应的嵌入特征,包括:
获取所述目标事件的第一特征,以及获取预设的专家经验特征;
将所述第一特征和所述专家经验特征进行特征拼接处理,得到所述目标事件对应的嵌入特征。
本说明书实施例中,所述基于所述目标事件和所述历史事件的文本数据,确定所述文本数据的序列变化信息,包括:
将所述目标事件和所述历史事件的文本数据进行切分处理,得到所述文本数据对应的切分数据;
获取每个所述切分数据对应的嵌入特征,并基于每个所述切分数据对应的嵌入特征,确定所述文本数据中不同文本数据之间的关联特征,将所述文本数据中不同文本数据之间的关联特征确定为所述文本数据的序列变化信息。
本说明书实施例中,所述基于每个所述切分数据对应的嵌入特征,确定所述文本数据中不同文本数据之间的关联特征,包括:
基于不同所述切分数据对应的嵌入特征,确定所述目标事件的文本数据对应的文本特征序列和所述历史事件的文本数据对应的文本特征序列;
将所述目标事件的文本数据对应的文本特征序列和所述历史事件的文本数据对应的文本特征序列输入到预先训练的LSTM/Self-Attention模型中,得到所述文本数据中不同文本数据之间的关联特征。
本说明书实施例中,所述基于不同所述切分数据对应的嵌入特征,确定所述目标事件的文本数据对应的文本特征序列和所述历史事件的文本数据对应的文本特征序列,包括:
将不同所述切分数据对应的嵌入特征输入到预先训练的文本序列模型中,得到所述目标事件的文本数据对应的文本特征序列和所述历史事件的文本数据对应的文本特征序列。
本说明书实施例中,所述文本序列模型是基于textCNN或LSTM构建的模型。
本说明书实施例中,所述基于所述历史事件中不同事件之间的关联特征、所述目标事件对应的嵌入特征和所述文本数据的序列变化信息,确定所述目标事件的风险识别结果,包括:
将所述历史事件中不同事件之间的关联特征、所述目标事件对应的嵌入特征和所述文本数据的序列变化信息进行拼接处理,得到所述目标事件的风险识别汇聚特征;
将所述目标事件的风险识别汇聚特征输入到预先构建的风险识别网络模型中,得到所述目标事件的风险评分;
基于所述目标事件的风险评分,确定所述目标事件的风险识别结果。
本说明书实施例中,所述风险识别网络模型是基于全连接网络或注意力网络而构建的模型。
此外,具体在本实施例中,事件的风险识别设备包括有存储器,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事件的风险识别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:
获取执行事件的风险识别的规则信息,基于所述执行事件的风险识别的规则信息生成相应的第一智能合约,并将所述第一智能合约部署到所述区块链系统中;
基于所述第一智能合约,获取与当前发生的目标事件相关的历史事件的信息,并确定所述历史事件中不同事件之间的关联特征,确定所述目标事件对应的嵌入特征;
基于所述第一智能合约,基于所述目标事件和所述历史事件的文本数据,确定所述文本数据的序列变化信息;
基于所述第一智能合约,基于所述历史事件中不同事件之间的关联特征、所述目标事件对应的嵌入特征和所述文本数据的序列变化信息,确定所述目标事件的风险识别结果。
本说明书实施例提供一种事件的风险识别设备,通过获取与当前发生的目标事件相关的历史事件的信息,并确定历史事件中不同事件之间的关联特征,确定目标事件对应的嵌入特征,然后,基于目标事件和历史事件的文本数据,确定该文本数据的序列变化信息,最终,可以基于历史事件中不同事件之间的关联特征、目标事件对应的嵌入特征和该文本数据的序列变化信息,确定目标事件的风险识别结果,这样,汇聚历史事件序列的特征信息、当笔事件的特征与人工组合特征信息以及文本序列信息,通过表征学习和序列学习的方法,有效弥补了单文本、单事件模型的信息不足,并解决了单事件序列表征模型对于文本类重要信息序列变化刻画的不足,提升了对于序列型风险的管控能力,本方案可以应用于制裁扫描文本风险识别等业务领域,对于文本对抗绕过类风险的防控具有显著效果,在实际业务中显著提高对频繁修改、变更、对抗绕过等用户风险事件的识别管控能力。
实施例七
进一步地,基于上述图1到图3B所示的方法,本说明书一个或多个实施例还提供了一种存储介质,用于存储计算机可执行指令信息,一种具体的实施例中,该存储介质可以为U盘、光盘、硬盘等,该存储介质存储的计算机可执行指令信息在被处理器执行时,能实现以下流程:
获取与当前发生的目标事件相关的历史事件的信息,并确定所述历史事件中不同事件之间的关联特征,确定所述目标事件对应的嵌入特征;
基于所述目标事件和所述历史事件的文本数据,确定所述文本数据的序列变化信息;
基于所述历史事件中不同事件之间的关联特征、所述目标事件对应的嵌入特征和所述文本数据的序列变化信息,确定所述目标事件的风险识别结果。
本说明书实施例中,所述确定所述历史事件中不同事件之间的关联特征,包括:
将所述历史事件的属性信息转换为所述历史事件对应的嵌入特征;
对所述历史事件对应的嵌入特征进行特征提取,得到所述历史事件中不同事件的交叉信息对应的嵌入特征;
基于所述历史事件中不同事件的交叉信息对应的嵌入特征,确定所述历史事件中不同事件之间的关联特征。
本说明书实施例中,所述历史事件的属性信息为离散型的属性信息,所述将所述历史事件的属性信息转换为所述历史事件对应的嵌入特征,包括:
通过嵌入查找的方式,将所述历史事件的属性信息转换为嵌入特征,将转换后的嵌入特征作为所述历史事件对应的嵌入特征。
本说明书实施例中,所述历史事件的属性信息为数值型的属性信息,所述将所述历史事件的属性信息转换为所述历史事件对应的嵌入特征,包括:
将每个所述历史事件的属性信息转换为同一个初始嵌入特征,对所述初始嵌入特征进行重新调整处理,得到重新调整后的初始嵌入特征;
对所述重新调整后的初始嵌入特征进行特征提取,得到所述历史事件对应的嵌入特征。
本说明书实施例中,所述对所述历史事件对应的嵌入特征进行特征提取,得到所述历史事件中不同事件的交叉信息对应的嵌入特征,包括:
通过因子分解机FM,对所述历史事件对应的嵌入特征进行特征提取,得到所述历史事件中不同事件的交叉信息对应的嵌入特征。
本说明书实施例中,所述基于所述历史事件中不同事件的交叉信息对应的嵌入特征,确定所述历史事件中不同事件之间的关联特征,包括:
将所述历史事件中不同事件的交叉信息对应的嵌入特征输入到预先训练的LSTM/Self-Attention模型中,得到所述历史事件中不同事件之间的关联特征。
本说明书实施例中,所述确定所述目标事件对应的嵌入特征,包括:
获取所述目标事件的第一特征,以及获取预设的专家经验特征;
将所述第一特征和所述专家经验特征进行特征拼接处理,得到所述目标事件对应的嵌入特征。
本说明书实施例中,所述基于所述目标事件和所述历史事件的文本数据,确定所述文本数据的序列变化信息,包括:
将所述目标事件和所述历史事件的文本数据进行切分处理,得到所述文本数据对应的切分数据;
获取每个所述切分数据对应的嵌入特征,并基于每个所述切分数据对应的嵌入特征,确定所述文本数据中不同文本数据之间的关联特征,将所述文本数据中不同文本数据之间的关联特征确定为所述文本数据的序列变化信息。
本说明书实施例中,所述基于每个所述切分数据对应的嵌入特征,确定所述文本数据中不同文本数据之间的关联特征,包括:
基于不同所述切分数据对应的嵌入特征,确定所述目标事件的文本数据对应的文本特征序列和所述历史事件的文本数据对应的文本特征序列;
将所述目标事件的文本数据对应的文本特征序列和所述历史事件的文本数据对应的文本特征序列输入到预先训练的LSTM/Self-Attention模型中,得到所述文本数据中不同文本数据之间的关联特征。
本说明书实施例中,所述基于不同所述切分数据对应的嵌入特征,确定所述目标事件的文本数据对应的文本特征序列和所述历史事件的文本数据对应的文本特征序列,包括:
将不同所述切分数据对应的嵌入特征输入到预先训练的文本序列模型中,得到所述目标事件的文本数据对应的文本特征序列和所述历史事件的文本数据对应的文本特征序列。
本说明书实施例中,所述文本序列模型是基于textCNN或LSTM构建的模型。
本说明书实施例中,所述基于所述历史事件中不同事件之间的关联特征、所述目标事件对应的嵌入特征和所述文本数据的序列变化信息,确定所述目标事件的风险识别结果,包括:
将所述历史事件中不同事件之间的关联特征、所述目标事件对应的嵌入特征和所述文本数据的序列变化信息进行拼接处理,得到所述目标事件的风险识别汇聚特征;
将所述目标事件的风险识别汇聚特征输入到预先构建的风险识别网络模型中,得到所述目标事件的风险评分;
基于所述目标事件的风险评分,确定所述目标事件的风险识别结果。
本说明书实施例中,所述风险识别网络模型是基于全连接网络或注意力网络而构建的模型。
在另一种具体的实施例中,该存储介质可以为U盘、光盘、硬盘等,该存储介质存储的计算机可执行指令信息在被处理器执行时,能实现以下流程:
获取执行事件的风险识别的规则信息,基于所述执行事件的风险识别的规则信息生成相应的第一智能合约,并将所述第一智能合约部署到所述区块链系统中;
基于所述第一智能合约,获取与当前发生的目标事件相关的历史事件的信息,并确定所述历史事件中不同事件之间的关联特征,确定所述目标事件对应的嵌入特征;
基于所述第一智能合约,基于所述目标事件和所述历史事件的文本数据,确定所述文本数据的序列变化信息;
基于所述第一智能合约,基于所述历史事件中不同事件之间的关联特征、所述目标事件对应的嵌入特征和所述文本数据的序列变化信息,确定所述目标事件的风险识别结果。
本说明书实施例提供一种存储介质,通过获取与当前发生的目标事件相关的历史事件的信息,并确定历史事件中不同事件之间的关联特征,确定目标事件对应的嵌入特征,然后,基于目标事件和历史事件的文本数据,确定该文本数据的序列变化信息,最终,可以基于历史事件中不同事件之间的关联特征、目标事件对应的嵌入特征和该文本数据的序列变化信息,确定目标事件的风险识别结果,这样,汇聚历史事件序列的特征信息、当笔事件的特征与人工组合特征信息以及文本序列信息,通过表征学习和序列学习的方法,有效弥补了单文本、单事件模型的信息不足,并解决了单事件序列表征模型对于文本类重要信息序列变化刻画的不足,提升了对于序列型风险的管控能力,本方案可以应用于制裁扫描文本风险识别等业务领域,对于文本对抗绕过类风险的防控具有显著效果,在实际业务中显著提高对频繁修改、变更、对抗绕过等用户风险事件的识别管控能力。
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:ARC625D、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欺诈案例的串并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欺诈案例的串并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欺诈案例的串并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欺诈案例的串并设备上,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 (20)
1.一种事件的风险识别方法,所述方法包括:
获取与当前发生的目标事件相关的历史事件的信息,并确定所述历史事件中不同事件之间的关联特征,确定所述目标事件对应的嵌入特征;
基于所述目标事件和所述历史事件的文本数据,确定所述文本数据的序列变化信息;
基于所述历史事件中不同事件之间的关联特征、所述目标事件对应的嵌入特征和所述文本数据的序列变化信息,确定所述目标事件的风险识别结果。
2.根据权利要求1所述的方法,所述确定所述历史事件中不同事件之间的关联特征,包括:
将所述历史事件的属性信息转换为所述历史事件对应的嵌入特征;
对所述历史事件对应的嵌入特征进行特征提取,得到所述历史事件中不同事件的交叉信息对应的嵌入特征;
基于所述历史事件中不同事件的交叉信息对应的嵌入特征,确定所述历史事件中不同事件之间的关联特征。
3.根据权利要求2所述的方法,所述历史事件的属性信息为离散型的属性信息,所述将所述历史事件的属性信息转换为所述历史事件对应的嵌入特征,包括:
通过嵌入查找的方式,将所述历史事件的属性信息转换为嵌入特征,将转换后的嵌入特征作为所述历史事件对应的嵌入特征。
4.根据权利要求2所述的方法,所述历史事件的属性信息为数值型的属性信息,所述将所述历史事件的属性信息转换为所述历史事件对应的嵌入特征,包括:
将每个所述历史事件的属性信息转换为同一个初始嵌入特征,对所述初始嵌入特征进行重新调整处理,得到重新调整后的初始嵌入特征;
对所述重新调整后的初始嵌入特征进行特征提取,得到所述历史事件对应的嵌入特征。
5.根据权利要求2所述的方法,所述对所述历史事件对应的嵌入特征进行特征提取,得到所述历史事件中不同事件的交叉信息对应的嵌入特征,包括:
通过因子分解机FM,对所述历史事件对应的嵌入特征进行特征提取,得到所述历史事件中不同事件的交叉信息对应的嵌入特征。
6.根据权利要求2所述的方法,所述基于所述历史事件中不同事件的交叉信息对应的嵌入特征,确定所述历史事件中不同事件之间的关联特征,包括:
将所述历史事件中不同事件的交叉信息对应的嵌入特征输入到预先训练的LSTM/Self-Attention模型中,得到所述历史事件中不同事件之间的关联特征。
7.根据权利要求1所述的方法,所述确定所述目标事件对应的嵌入特征,包括:
获取所述目标事件的第一特征,以及获取预设的专家经验特征;
将所述第一特征和所述专家经验特征进行特征拼接处理,得到所述目标事件对应的嵌入特征。
8.根据权利要求1所述的方法,所述基于所述目标事件和所述历史事件的文本数据,确定所述文本数据的序列变化信息,包括:
将所述目标事件和所述历史事件的文本数据进行切分处理,得到所述文本数据对应的切分数据;
获取每个所述切分数据对应的嵌入特征,并基于每个所述切分数据对应的嵌入特征,确定所述文本数据中不同文本数据之间的关联特征,将所述文本数据中不同文本数据之间的关联特征确定为所述文本数据的序列变化信息。
9.根据权利要求8所述的方法,所述基于每个所述切分数据对应的嵌入特征,确定所述文本数据中不同文本数据之间的关联特征,包括:
基于不同所述切分数据对应的嵌入特征,确定所述目标事件的文本数据对应的文本特征序列和所述历史事件的文本数据对应的文本特征序列;
将所述目标事件的文本数据对应的文本特征序列和所述历史事件的文本数据对应的文本特征序列输入到预先训练的LSTM/Self-Attention模型中,得到所述文本数据中不同文本数据之间的关联特征。
10.根据权利要求9所述的方法,所述基于不同所述切分数据对应的嵌入特征,确定所述目标事件的文本数据对应的文本特征序列和所述历史事件的文本数据对应的文本特征序列,包括:
将不同所述切分数据对应的嵌入特征输入到预先训练的文本序列模型中,得到所述目标事件的文本数据对应的文本特征序列和所述历史事件的文本数据对应的文本特征序列。
11.根据权利要求10所述的方法,所述文本序列模型是基于textCNN或LSTM构建的模型。
12.根据权利要求1所述的方法,所述基于所述历史事件中不同事件之间的关联特征、所述目标事件对应的嵌入特征和所述文本数据的序列变化信息,确定所述目标事件的风险识别结果,包括:
将所述历史事件中不同事件之间的关联特征、所述目标事件对应的嵌入特征和所述文本数据的序列变化信息进行拼接处理,得到所述目标事件的风险识别汇聚特征;
将所述目标事件的风险识别汇聚特征输入到预先构建的风险识别网络模型中,得到所述目标事件的风险评分;
基于所述目标事件的风险评分,确定所述目标事件的风险识别结果。
13.根据权利要求12所述的方法,所述风险识别网络模型是基于全连接网络或注意力网络而构建的模型。
14.一种事件的风险识别方法,应用于区块链系统,所述方法包括:
获取执行事件的风险识别的规则信息,基于所述执行事件的风险识别的规则信息生成相应的第一智能合约,并将所述第一智能合约部署到所述区块链系统中;
基于所述第一智能合约,获取与当前发生的目标事件相关的历史事件的信息,并确定所述历史事件中不同事件之间的关联特征,确定所述目标事件对应的嵌入特征;
基于所述第一智能合约,基于所述目标事件和所述历史事件的文本数据,确定所述文本数据的序列变化信息;
基于所述第一智能合约,基于所述历史事件中不同事件之间的关联特征、所述目标事件对应的嵌入特征和所述文本数据的序列变化信息,确定所述目标事件的风险识别结果。
15.一种事件的风险识别装置,所述装置包括:
特征获取模块,获取与当前发生的目标事件相关的历史事件的信息,并确定所述历史事件中不同事件之间的关联特征,确定所述目标事件对应的嵌入特征;
序列变化确定模块,基于所述目标事件和所述历史事件的文本数据,确定所述文本数据的序列变化信息;
风险识别模块,基于所述历史事件中不同事件之间的关联特征、所述目标事件对应的嵌入特征和所述文本数据的序列变化信息,确定所述目标事件的风险识别结果。
16.一种事件的风险识别装置,所述装置为区块链系统中的装置,所述装置包括:
合约部署模块,获取执行事件的风险识别的规则信息,基于所述执行事件的风险识别的规则信息生成相应的第一智能合约,并将所述第一智能合约部署到所述区块链系统中;
特征获取模块,基于所述第一智能合约,获取与当前发生的目标事件相关的历史事件的信息,并确定所述历史事件中不同事件之间的关联特征,确定所述目标事件对应的嵌入特征;
序列变化确定模块,基于所述第一智能合约,基于所述目标事件和所述历史事件的文本数据,确定所述文本数据的序列变化信息;
风险识别模块,基于所述第一智能合约,基于所述历史事件中不同事件之间的关联特征、所述目标事件对应的嵌入特征和所述文本数据的序列变化信息,确定所述目标事件的风险识别结果。
17.一种事件的风险识别设备,所述事件的风险识别设备包括:
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:
获取与当前发生的目标事件相关的历史事件的信息,并确定所述历史事件中不同事件之间的关联特征,确定所述目标事件对应的嵌入特征;
基于所述目标事件和所述历史事件的文本数据,确定所述文本数据的序列变化信息;
基于所述历史事件中不同事件之间的关联特征、所述目标事件对应的嵌入特征和所述文本数据的序列变化信息,确定所述目标事件的风险识别结果。
18.一种事件的风险识别设备,所述设备为区块链系统中的设备,所述事件的风险识别设备包括:
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:
获取执行事件的风险识别的规则信息,基于所述执行事件的风险识别的规则信息生成相应的第一智能合约,并将所述第一智能合约部署到所述区块链系统中;
基于所述第一智能合约,获取与当前发生的目标事件相关的历史事件的信息,并确定所述历史事件中不同事件之间的关联特征,确定所述目标事件对应的嵌入特征;
基于所述第一智能合约,基于所述目标事件和所述历史事件的文本数据,确定所述文本数据的序列变化信息;
基于所述第一智能合约,基于所述历史事件中不同事件之间的关联特征、所述目标事件对应的嵌入特征和所述文本数据的序列变化信息,确定所述目标事件的风险识别结果。
19.一种存储介质,所述存储介质用于存储计算机可执行指令,所述可执行指令在被处理器执行时实现以下流程:
获取与当前发生的目标事件相关的历史事件的信息,并确定所述历史事件中不同事件之间的关联特征,确定所述目标事件对应的嵌入特征;
基于所述目标事件和所述历史事件的文本数据,确定所述文本数据的序列变化信息;
基于所述历史事件中不同事件之间的关联特征、所述目标事件对应的嵌入特征和所述文本数据的序列变化信息,确定所述目标事件的风险识别结果。
20.一种存储介质,所述存储介质用于存储计算机可执行指令,所述可执行指令在被处理器执行时实现以下流程:
获取执行事件的风险识别的规则信息,基于所述执行事件的风险识别的规则信息生成相应的第一智能合约,并将所述第一智能合约部署到区块链系统中;
基于所述第一智能合约,获取与当前发生的目标事件相关的历史事件的信息,并确定所述历史事件中不同事件之间的关联特征,确定所述目标事件对应的嵌入特征;
基于所述第一智能合约,基于所述目标事件和所述历史事件的文本数据,确定所述文本数据的序列变化信息;
基于所述第一智能合约,基于所述历史事件中不同事件之间的关联特征、所述目标事件对应的嵌入特征和所述文本数据的序列变化信息,确定所述目标事件的风险识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111264179.8A CN113989043B (zh) | 2021-10-28 | 一种事件的风险识别方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111264179.8A CN113989043B (zh) | 2021-10-28 | 一种事件的风险识别方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113989043A true CN113989043A (zh) | 2022-01-28 |
CN113989043B CN113989043B (zh) | 2024-07-12 |
Family
ID=
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023155641A1 (zh) * | 2022-02-18 | 2023-08-24 | 支付宝(杭州)信息技术有限公司 | 数据的处理 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090278934A1 (en) * | 2003-12-12 | 2009-11-12 | Careview Communications, Inc | System and method for predicting patient falls |
US20140351109A1 (en) * | 2013-05-22 | 2014-11-27 | Light In The Box Limited | Method and apparatus for automatically identifying a fraudulent order |
CN109118053A (zh) * | 2018-07-17 | 2019-01-01 | 阿里巴巴集团控股有限公司 | 一种盗卡风险交易的识别方法和装置 |
US20190095828A1 (en) * | 2017-09-27 | 2019-03-28 | Linkedin Corporation | Automatic ramp-up of controlled experiments |
CN110210227A (zh) * | 2019-06-11 | 2019-09-06 | 百度在线网络技术(北京)有限公司 | 风险检测方法、装置、设备和存储介质 |
US20190279217A1 (en) * | 2017-01-23 | 2019-09-12 | Alibaba Group Holding Limited | Method for adjusting risk parameter, and method and device for risk identification |
US20190362355A1 (en) * | 2017-02-20 | 2019-11-28 | Alibaba Group Holding Limited | Risk management and control method and device |
CN110796542A (zh) * | 2019-09-26 | 2020-02-14 | 北京淇瑀信息科技有限公司 | 金融风险控制方法、金融风险控制装置和电子设备 |
US20200210849A1 (en) * | 2018-12-31 | 2020-07-02 | Paypal, Inc. | Transaction anomaly detection using artificial intelligence techniques |
CN111370122A (zh) * | 2020-02-27 | 2020-07-03 | 西安交通大学 | 一种基于知识指导的时序数据风险预测方法、系统及其应用 |
CN111382930A (zh) * | 2020-02-27 | 2020-07-07 | 西安交通大学 | 一种面向时序数据的风险预测方法及系统 |
CN111598594A (zh) * | 2019-02-20 | 2020-08-28 | 阿里巴巴集团控股有限公司 | 识别事件发生的方法、装置、电子设备及可读存储介质 |
CN112070506A (zh) * | 2020-08-31 | 2020-12-11 | 深圳市卡牛科技有限公司 | 风险用户识别方法、装置、服务器及存储介质 |
CN112580952A (zh) * | 2020-12-09 | 2021-03-30 | 腾讯科技(深圳)有限公司 | 用户行为风险预测方法、装置、电子设备及存储介质 |
CN112686667A (zh) * | 2020-12-17 | 2021-04-20 | 苏丽华 | 基于大数据和区块链的数据处理方法及云服务平台 |
CN113011961A (zh) * | 2021-01-29 | 2021-06-22 | 招商银行股份有限公司 | 公司关联信息风险监测方法、装置、设备及存储介质 |
CN113222732A (zh) * | 2021-05-17 | 2021-08-06 | 中国农业银行股份有限公司 | 信息处理方法、装置、设备及存储介质 |
CN113298116A (zh) * | 2021-04-26 | 2021-08-24 | 上海淇玥信息技术有限公司 | 基于注意力权重的图嵌入特征提取方法、装置及电子设备 |
CN113327164A (zh) * | 2021-05-20 | 2021-08-31 | 深圳奥统平技术有限公司 | 期货交易的风险控制方法、装置及计算机设备 |
US20210326357A1 (en) * | 2020-09-17 | 2021-10-21 | Alipay (Hangzhou) Information Technology Co., Ltd. | Data processing methods, apparatuses, and devices |
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090278934A1 (en) * | 2003-12-12 | 2009-11-12 | Careview Communications, Inc | System and method for predicting patient falls |
US20140351109A1 (en) * | 2013-05-22 | 2014-11-27 | Light In The Box Limited | Method and apparatus for automatically identifying a fraudulent order |
US20190279217A1 (en) * | 2017-01-23 | 2019-09-12 | Alibaba Group Holding Limited | Method for adjusting risk parameter, and method and device for risk identification |
US20190362355A1 (en) * | 2017-02-20 | 2019-11-28 | Alibaba Group Holding Limited | Risk management and control method and device |
US20190095828A1 (en) * | 2017-09-27 | 2019-03-28 | Linkedin Corporation | Automatic ramp-up of controlled experiments |
CN109118053A (zh) * | 2018-07-17 | 2019-01-01 | 阿里巴巴集团控股有限公司 | 一种盗卡风险交易的识别方法和装置 |
US20200210849A1 (en) * | 2018-12-31 | 2020-07-02 | Paypal, Inc. | Transaction anomaly detection using artificial intelligence techniques |
CN111598594A (zh) * | 2019-02-20 | 2020-08-28 | 阿里巴巴集团控股有限公司 | 识别事件发生的方法、装置、电子设备及可读存储介质 |
CN110210227A (zh) * | 2019-06-11 | 2019-09-06 | 百度在线网络技术(北京)有限公司 | 风险检测方法、装置、设备和存储介质 |
CN110796542A (zh) * | 2019-09-26 | 2020-02-14 | 北京淇瑀信息科技有限公司 | 金融风险控制方法、金融风险控制装置和电子设备 |
CN111382930A (zh) * | 2020-02-27 | 2020-07-07 | 西安交通大学 | 一种面向时序数据的风险预测方法及系统 |
CN111370122A (zh) * | 2020-02-27 | 2020-07-03 | 西安交通大学 | 一种基于知识指导的时序数据风险预测方法、系统及其应用 |
CN112070506A (zh) * | 2020-08-31 | 2020-12-11 | 深圳市卡牛科技有限公司 | 风险用户识别方法、装置、服务器及存储介质 |
US20210326357A1 (en) * | 2020-09-17 | 2021-10-21 | Alipay (Hangzhou) Information Technology Co., Ltd. | Data processing methods, apparatuses, and devices |
CN112580952A (zh) * | 2020-12-09 | 2021-03-30 | 腾讯科技(深圳)有限公司 | 用户行为风险预测方法、装置、电子设备及存储介质 |
CN112686667A (zh) * | 2020-12-17 | 2021-04-20 | 苏丽华 | 基于大数据和区块链的数据处理方法及云服务平台 |
CN113011961A (zh) * | 2021-01-29 | 2021-06-22 | 招商银行股份有限公司 | 公司关联信息风险监测方法、装置、设备及存储介质 |
CN113298116A (zh) * | 2021-04-26 | 2021-08-24 | 上海淇玥信息技术有限公司 | 基于注意力权重的图嵌入特征提取方法、装置及电子设备 |
CN113222732A (zh) * | 2021-05-17 | 2021-08-06 | 中国农业银行股份有限公司 | 信息处理方法、装置、设备及存储介质 |
CN113327164A (zh) * | 2021-05-20 | 2021-08-31 | 深圳奥统平技术有限公司 | 期货交易的风险控制方法、装置及计算机设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023155641A1 (zh) * | 2022-02-18 | 2023-08-24 | 支付宝(杭州)信息技术有限公司 | 数据的处理 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111080304B (zh) | 一种可信关系识别方法、装置及设备 | |
CN108418825B (zh) | 风险模型训练、垃圾账号检测方法、装置以及设备 | |
CN111340509B (zh) | 一种虚假交易识别方法、装置及电子设备 | |
CN108346107B (zh) | 一种社交内容风险识别方法、装置以及设备 | |
CN113052324B (zh) | 一种用户异常模式识别方法、装置以及设备 | |
CN113011483B (zh) | 一种模型训练和业务处理的方法及装置 | |
CN110674188A (zh) | 一种特征提取方法、装置及设备 | |
CN111489168A (zh) | 一种目标对象的风险识别方法、装置和处理设备 | |
CN111930809A (zh) | 数据处理方法、装置及设备 | |
CN111966334A (zh) | 一种业务处理方法、装置及设备 | |
CN112966113A (zh) | 一种数据的风险防控方法、装置及设备 | |
CN113516480A (zh) | 一种支付风险识别方法、装置及设备 | |
CN114417411A (zh) | 一种端云开发系统、模型的处理方法、装置及设备 | |
CN113435585A (zh) | 一种业务处理方法、装置及设备 | |
CN113961704B (zh) | 一种基于文本的风险防控处理方法、装置及设备 | |
CN112199416A (zh) | 数据规则生成方法及装置 | |
CN113221717A (zh) | 一种基于隐私保护的模型构建方法、装置及设备 | |
CN111582565A (zh) | 数据融合方法、装置和电子设备 | |
CN111538925A (zh) | 统一资源定位符url指纹特征的提取方法及装置 | |
CN109614415B (zh) | 一种数据挖掘、处理方法、装置、设备及介质 | |
CN115238250B (zh) | 一种模型的处理方法、装置及设备 | |
CN113989043A (zh) | 一种事件的风险识别方法、装置及设备 | |
CN113989043B (zh) | 一种事件的风险识别方法、装置及设备 | |
CN113992429A (zh) | 一种事件的处理方法、装置及设备 | |
CN115545943A (zh) | 一种图谱的处理方法、装置及设备 |
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 |