CN114091902A - 风险预测模型的训练方法及装置、风险预测方法及装置 - Google Patents
风险预测模型的训练方法及装置、风险预测方法及装置 Download PDFInfo
- Publication number
- CN114091902A CN114091902A CN202111385863.1A CN202111385863A CN114091902A CN 114091902 A CN114091902 A CN 114091902A CN 202111385863 A CN202111385863 A CN 202111385863A CN 114091902 A CN114091902 A CN 114091902A
- Authority
- CN
- China
- Prior art keywords
- risk
- information
- detected
- prediction model
- project
- 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.)
- Pending
Links
- 238000013058 risk prediction model Methods 0.000 title claims abstract description 151
- 238000012549 training Methods 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000012797 qualification Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 6
- 230000007306 turnover Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 238000012360 testing method Methods 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
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供风险预测模型的训练方法及装置、风险预测方法及装置，其中所述风险预测模型的训练方法包括：获取待检测方的待检测多维度风险信息和所述待检测方的样本风险概率值；将所述待检测多维度风险信息输入至风险预测模型，获取所述风险预测模型输出的预测风险概率值；根据所述样本风险概率值和所述预测风险概率值计算损失值；基于所述损失值调整所述风险预测模型的模型参数，继续训练所述风险预测模型，直至达到训练停止条件。通过本方法可以训练出一个准确高效的风险预测模型。
Description
技术领域
本说明书实施例涉及风控技术领域，特别涉及风险预测模型的训练方法。本说明书一个或者多个实施例同时涉及风险预测模型的训练装置、风险预测方法及装置，一种计算设备，一种计算机可读存储介质，以及一种计算机程序。
背景技术
风险是指在一定时间内，人们所期望达到的目标与实际结果之间产生的距离，而风险预测是通过预测发生风险时间的概率，通过风险预测可以提前制定有效的风险应对措施。目前预测风险发生的概率主要还是靠相关专家的个人经验，主观意识较强，同时专家也不可能会顾及到风险相关的各个方面，有时对于风险的预测偏差较大，同时依靠个人的风险预测也无法大规模的推广。
发明内容
有鉴于此，本说明书施例提供了风险预测模型的训练方法。本说明书一个或者多个实施例同时涉及风险预测模型的训练装置、风险预测方法及装置，一种计算设备，一种计算机可读存储介质以及一种计算机程序，以解决现有技术中存在的技术缺陷。
根据本说明书实施例的第一方面，提供了一种风险预测模型的训练方法，包括：
获取待检测方的待检测多维度风险信息和所述待检测方的样本风险概率值；
将所述待检测多维度风险信息输入至风险预测模型，获取所述风险预测模型输出的预测风险概率值；
根据所述样本风险概率值和所述预测风险概率值计算损失值；
基于所述损失值调整所述风险预测模型的模型参数，继续训练所述风险预测模型，直至达到训练停止条件。
可选的，获取待检测方的待检测多维度风险信息，包括：
在所述待检测方为项目提供方的情况下，获取所述项目提供方的项目提供方资质信息、项目提供方资源消耗信息和项目提供方资源储备信息。
可选的，获取所述项目提供方的项目提供方资质信息、项目提供方资源消耗信息和项目提供方资源储备信息，包括：
采集所述项目提供方对应的项目平台注册信息和/或第三方评价信息，并组成项目提供方资质信息；
采集所述项目提供方对应的线上资源消耗信息和/或线下资源消耗信息，并组成项目提供方资源消耗信息；
采集所述项目提供方对应的在项目平台的资源储备信息，生成项目提供方资源储备信息。
可选的，获取待检测方的待检测多维度风险信息，包括：
在所述待检测方为项目参与方的情况下，获取所述项目参与方的项目参与方信誉信息和项目参与方资源消耗信息。
可选的，获取所述项目参与方的项目参与方信誉信息和项目参与方资源消耗信息，包括：
采集所述项目参与方的平台信誉信息和/或第三方信誉信息，组成项目参与方信誉信息；
采集所述项目参与方的资源波动信息和/或风险承受信息，组成项目参与方资源消耗信息。
可选的，所述待检测多维度风险信息包括至少一个待检测维度信息，每个待检测维度信息对应一个检测权重；
将所述待检测多维度风险信息输入至风险预测模型，包括：
将每个待检测维度信息和对应的检测权重输入至风险预测模型。
可选的，所述训练停止条件，包括：
损失值小于预设阈值；或
训练轮次达到预设的训练轮次。
根据本说明书实施例的第二方面，提供了一种风险预测方法，包括：
确定待检测方；
获取所述待检测方的待检测多维度风险信息；
将所述待检测多维度风险信息输入至风险预测模型进行处理，获得所述风险预测模型输出的风险概率值，其中，所述风险预测模型是通过上述风险预测模型的训练方法训练得到的。
根据本说明书实施例的第三方面，提供了一种风险预测模型的训练装置，包括：
获取模块，被配置为获取待检测方的待检测多维度风险信息和所述待检测方的样本风险概率值；
预测模块，被配置为将所述待检测多维度风险信息输入至风险预测模型，获取所述风险预测模型输出的预测风险概率值；
计算模块，被配置为根据所述样本风险概率值和所述预测风险概率值计算损失值；
训练模块，被配置为基于所述损失值调整所述风险预测模型的模型参数，继续训练所述风险预测模型，直至达到训练停止条件。
根据本说明书实施例的第四方面，提供了一种风险预测装置，包括：
确定模块，被配置为确定待检测方；
获取模块，被配置为获取所述待检测方的待检测多维度风险信息；
预测模块，被配置为将所述待检测多维度风险信息输入至风险预测模型进行处理，获得所述风险预测模型输出的风险概率值，其中，所述风险预测模型是通过上述风险预测模型的训练方法训练得到的。
根据本说明书实施例的第五方面，提供了一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令，所述处理器执行所述计算机指令时实现所述风险预测模型的训练方法或风险预测方法的步骤。
根据本说明书实施例的第六方面，提供了一种计算机可读存储介质，其存储有计算机指令，该计算机指令被处理器执行时实现所述风险预测模型的训练方法或风险预测方法的步骤。
根据本说明书实施例的第七方面，提供了一种计算机程序，其中，当所述计算机程序在计算机中执行时，令计算机执行上述风险预测模型的训练方法或风险预测方法的步骤。
本说明书提供的风险预测模型的训练方法，包括获取待检测方的待检测多维度风险信息和所述待检测方的样本风险概率值；将所述待检测多维度风险信息输入至风险预测模型，获取所述风险预测模型输出的预测风险概率值；根据所述样本风险概率值和所述预测风险概率值计算损失值；基于所述损失值调整所述风险预测模型的模型参数，继续训练所述风险预测模型，直至达到训练停止条件。
本说明书一实施例提供的风险预测模型的训练方法，实现了采集待检测方的多种维度的风险相关信息，并将多种维度的风险相关信息属于至待训练的风险预测模型中进行处理，在风险预测模型中根据每个维度的风险信息的特征值进行综合计算，输出预测概率值，并根据样本风险概率值进行比对，进而对模型进行继续训练，直至达到训练停止条件，可以训练出一个准确高效的风险预测模型。
附图说明
图1是本说明书一个实施例提供的一种风险预测模型的训练方法的流程图；
图2是本说明书一个实施例提供的一种风险预测方法的流程图；
图3是本说明书一个实施例提供的一种风险预测模型的训练装置的结构示意图；
图4是本说明书一个实施例提供的一种风险预测装置的结构示意图；
图5是本说明书一个实施例提供的一种计算设备的结构框图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本说明书内涵的情况下做类似推广，因此本说明书不受下面公开的具体实施的限制。
在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一也可以被称为第二，类似地，第二也可以被称为第一。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
在本说明书中，提供了风险预测模型的训练方法。本说明书一个或者多个实施例同时涉及风险预测模型的训练装置、风险预测方法及装置，一种计算设备，一种计算机可读存储介质以及一种计算机程序，在下面的实施例中逐一进行详细说明。
图1示出了根据本说明书一个实施例提供的一种风险预测模型的训练方法的流程图，包括步骤102至步骤108。
步骤102：获取待检测方的待检测多维度风险信息和所述待检测方的样本风险概率值。
待检测方是需要被评估风险的主体，例如，需要对一个商户A的某个行为进行风险预测，则商户A就是待检测方，如果需要对用户B的贷款行为进行风险预测，则用户B就是待检测方。
待检测多维度风险信息具体是指与待检测方相关的多种维度的风险信息，例如商户的准入资质、银行账户信息、支付流水信息等等，用户的违法失信信息、信用水平、支付流水信息等等。样本风险概率值具体是指与待检测方的待检测多维度风险信息对应的风险概率值，在本说明书提供的风险预测模型的训练方法中，每个待检测方的待检测多维度风险信息和样本风险概率值均是成对出现，作为风险预测模型的训练数据。
在实际应用中，待检测方可以是项目提供方，也可以是项目参与方，对于不同的待检测方，获取的待检测多维度风险信息也是不同的，基于此，获取待检测方的待检测多维度风险信息，包括：
在所述待检测方为项目提供方的情况下，获取所述项目提供方的项目提供方资质信息、项目提供方资源消耗信息和项目提供方资源储备信息。
其中，项目提供方具体的是指提供项目的主体，例如商户，对于项目提供方而言，需要获取项目提供方的项目提供方资质信息、项目提供方资源消耗信息、项目提供方资源储备信息。
项目提供方资质信息具体是指当项目提供方只有在具有相应的准入资质的情况下，才可以提供相应的项目服务，如果项目提供方资质信息出现问题，就会出现风险增大的概率，例如对于一个饭店，不具备卫生许可条件，则其风险概率就会增大；对于一个在项目平台接入的商家，如果其在其他平台被加入和黑名单，或其注册的银行账户不准确等等，其风险概率也会比较高。
项目提供方资源消耗信息具体是指对于项目提供方而言，需要获取其的资源消耗和资源获取是否健康，例如对于一个饭店，可以获取其营业额的流水，再与其过去的支出相匹配，如果每个月房租水电和工资支出要远大于营业额的流水，则该饭店的风险概率也会增大；对于平台接入商家，可以获取其线上和线下的营业额流水，来判断其运行状态是否良好，进而确定其风险概率。
项目提供方资源储备信息具体是指对于项目提供方而言，资源储备的相关信息，依然以饭店为例，可以获取其银行账户的信息，来确定其是否有足够的资金来支撑饭店的运营；对于接入平台的商家而言，可以获取其在平台的备付金信息，来确定其风险概率。
在实际应用中，获取所述项目提供方的项目提供方资质信息、项目提供方资源消耗信息和项目提供方资源储备信息，包括：
采集所述项目提供方对应的项目平台注册信息和/或第三方评价信息，并组成项目提供方资质信息；
采集所述项目提供方对应的线上资源消耗信息和/或线下资源消耗信息，并组成项目提供方资源消耗信息；
采集所述项目提供方对应的在项目平台的资源储备信息，生成项目提供方资源储备信息。
具体的，项目平台注册信息是指项目提供方在项目平台注册时的信息，比如资质信息、银行账户信息等等，第三方评价信息具体是指在除去项目平台和项目提供方之外的第三方提供的评价信息，例如是否是其他平台的黑名单等等，例如对于一个接入项目平台的商家，采集商家在接入项目平台时提供的营业执照、银行账户信息，同时从其他项目平台获取该商家的评价信息，并组成项目提供方资质信息，如果商家提供的营业执照有问题，不具备项目平台的准入标注，或该商家提供的银行账户有异常，或其他项目平台将该商家加入了黑名单，则说明该商家发生风险的概率就较高。
随着互联网项目的发展，很多项目提供方不仅提供线下服务，还会提供线上服务，为用户提供了便利，因此项目提供方的资源消耗信息包括线上资源消耗信息和/或线下资源消耗信息，线上资源消耗信息是指项目提供方在互联网场景下的资源消耗信息，线下资源消耗信息是指项目提供方在非互联网场景下的资源消耗信息。线上资源消耗信息具体可以包括线上营业额流水、给供货商的资金流、线上额度信息、提供服务被退回的信息、线上账户信息等等；线下资源消耗信息具体可以包括在线下的营业额流水、线下额度信息、是否异常等等。
项目提供方在接入到项目平台时，需要在项目平台中预存保证资源，用于作为该项目提供方的信誉保障，例如在项目平台支付备付金，资源储备信息具体是指项目提供方关于保证资源的信息，例如备付金的转移信息、补充信息、备付金账户信息等等。
对于项目提供方而言，需要多个维度的待检测多维度风险信息，例如项目平台注册信息、第三方评价信息、线上资源消耗信息、线下资源消耗信息、资源储备信息等等，根据多个维度的信息可全方位的评估项目提供方的出现风险的概率。
除了项目提供方之外，还有一类待检测方为项目参与方，例如用户，对于项目参与方来说，项目参与方的待检测多维度风险信息与项目提供方又有所不同，具体的，在本说明书提供的另一具体实施方式中，获取待检测方的待检测多维度风险信息，包括：
在所述待检测方为项目参与方的情况下，获取所述项目参与方的项目参与方信誉信息和项目参与方资源消耗信息。
其中，项目参与方具体是指参与到项目提供方提供给的项目中的主体，例如用户。对于项目参与方，需要获取项目参与方的项目参与方信誉信息和项目参与方资源消耗信息。
项目参与方信誉信息具体是指项目参与方的信誉，用于确定项目参与方会发生风险的概率，例如对于一个用户而言，冒用其他用户的账户信息、有很多违法失信记录，则该用户的信誉较差，则其风险概率相应的就会比较高。
项目参与方资源消耗信息具体是指项目参与方的资源消耗方面的信息，依然以用户为例，如果用户的银行流水数额平时比较小，突然变大，其风险概率就会比较高，又例如，用户能够认可的损失比例在百分之十，如果某项项目的资金波动达到了百分之二十，则该风险概率对于用户来说就会比较高。
在实际应用中，获取所述项目参与方的项目参与方信誉信息和项目参与方资源消耗信息，包括：
采集所述项目参与方的平台信誉信息和/或第三方信誉信息，组成项目参与方信誉信息；
采集所述项目参与方的资源波动信息和/或风险承受信息，组成项目参与方资源消耗信息。
具体的，项目参与方参与到项目提供方提供的服务时，需要接入到项目平台中，对于项目参与者来说，同样也需要获取项目参与方在项目平台的平台信誉信息、除平台外的第三方信誉信息，例如，在当前项目平台的是否有失信行为、账户是否被冒用、密码是否容易被破解、在其他平台中是否有违法失信行为、信用信息等等，将采集到的项目参与方的平台信誉信息和/或第三方信誉信息组成项目参与方信誉信息。
项目参与方的资源波动信息具体是指项目参与方的资源的流入和流出信息、资金波动信息等等，风险承受信息是项目参与方可以接收的风险带来损失的信息，例如用户想投资某款产品，用户能承受的资产损失为百分之二十，而该产品的历史上最高的损失概率为百分之三十，则说明该用户投资该产品的风险概率就较高。
步骤104：将所述待检测多维度风险信息输入至风险预测模型，获取所述风险预测模型输出的预测风险概率值。
风险预测模型是用于根据待检测方的待检测多维度风险信息来计算风险概率的人工智能模型，该风险预测模型接收待检测方对应的待检测多维度风险信息，提取各个风险信息中的特征值，并进行综合计算，最终输出待检测方的预测风险概率值。
在实际应用中，每个待检测维度信息的重要程度也各不相同，也会有主次之分，在实际应用中还会对每个待检测维度信息设置有对应的检测权重。所述待检测多维度风险信息包括至少一个待检测维度信息，每个待检测维度信息对应一个检测权重；
将所述待检测多维度风险信息输入至风险预测模型，包括：
将每个待检测维度信息和对应的检测权重输入至风险预测模型。
具体的，不同的待检测维度信息有不同的重要程度，因此每个待检测维度信息对应有检测权重，对于一些比较重要的信息，对应的检测权重就会较高，例如，如果待检测方有违法失信行为，那么其对应的风险概率值就会较高，因此待检测方的违法失信行为的检测权重就会比较高。对于商户而言，其需要在平台预付一些备付金，但是如果备付金没有及时补充，也不会对其风险概率的影响太多，因此资源储备信息的检测权重相对就会比较低。
相应的，在将待检测多维度风险信息输入至风险预测模型时，也会把每个待检测维度信息对应的监测权重一起输入至风险预测模型，风险预测模型会根据每个待检测维度信息和对应的监测权重一起预测待检测方的预测风险概率值。
步骤106：根据所述样本风险概率值和所述预测风险概率值计算损失值。
风险预测模型根据待检测多维度风险信息可以计算出预测风险概率值，此时的风险预测模型还未训练好，获得的预测风险概率值还不够准确，需要与训练样本中的样本风险概率值进行比较，计算损失值。
损失函数是将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的风险或损失的函数，损失函数计算出的值即为损失值，损失函数通常作为学习准测与优化问题相联系，在机器学习中用于模型的参数估计。
计算损失值的损失函数有很多，例如交叉熵损失函数、最大损失函数、平均值损失函数等等，在本说明书中，对损失函数的具体方式不做限定，以实际应用为准。
步骤108：基于所述损失值调整所述风险预测模型的模型参数，继续训练所述风险预测模型，直至达到训练停止条件。
在获得损失值后，即可根据损失值对所述风险预测模型进行调整，具体的，将所述损失值进行反向传播依次更新所述风险预测模型中的模型参数，模型参数用于协助风险预测模型根据待检测多维度风险信息生成对应的预测风险概率值。
在调整完模型参数后，即可继续重复上述的步骤，继续对风险预测模型进行训练，直至达到训练停止条件，在实际应用中，风险预测模型的所述训练停止条件，包括：
损失值小于预设阈值；或
训练轮次达到预设的训练轮次。
具体的，在对风险预测模型进行训练的过程中，可以将模型的训练停止条件设置为损失值小于预设阈值，也可以将训练停止条件设置为训练轮次为预设的训练轮次，例如训练10轮，在本说明书中，对损失值的预设阈值或预设的训练轮次不做具体限定，以实际应用为准。
本说明书提供的风险预测模型的训练方法，包括获取待检测方的待检测多维度风险信息和所述待检测方的样本风险概率值；将所述待检测多维度风险信息输入至风险预测模型，获取所述风险预测模型输出的预测风险概率值；根据所述样本风险概率值和所述预测风险概率值计算损失值；基于所述损失值调整所述风险预测模型的模型参数，继续训练所述风险预测模型，直至达到训练停止条件。本说明书一实施例提供的风险预测模型的训练方法，实现了采集待检测方的多种维度的风险相关信息，并将多种维度的风险相关信息属于至待训练的风险预测模型中进行处理，在风险预测模型中根据每个维度的风险信息的特征值进行综合计算，输出预测概率值，并根据样本风险概率值进行比对，进而对模型进行继续训练，直至达到训练停止条件，可以训练出一个准确高效的风险预测模型。
图2示出了根据本说明书一个实施例提供的一种风险预测方法的流程图，包括步骤202至步骤206。
步骤202：确定待检测方。
待检测方即为需要被检测风险概率的主体，可以为项目提供方，也可以为项目参与方。
在本说明书一个实施例中，以待检测方为商户为例进行解释说明，则确定待检测方为商户。
步骤204：获取所述待检测方的待检测多维度风险信息。
在本说明书一个实施例中，沿用上例，获取商户的项目平台注册信息、第三方评价信息、线上资源消耗信息、线下资源消耗信息、平台资源储备信息。具体的，采集商户的平台准入资质信息、第三方协会黑名单信息、银行账户信息、线上支付流水、线上支付额度信息、线上支付退回信息、线上支付账户信息、线下支付流水信息、线下支付额度信息、下线支付异常信息、商户在平台的备付金转移信息、备付金补充信息、备付金账户信息等等，作为商户的待检测多维度风险信息。
步骤206：将所述待检测多维度风险信息输入至风险预测模型进行处理，获得所述风险预测模型输出的风险概率值，其中，所述风险预测模型是通过上述实施例提供的训练方法训练得到的。
在本说明书一个实施例中，沿用上例，将上述采集到的商户的待检测多维度风险信息输入至经过上述模型训练方法训练好的风险预测模型中进行处理，风险预测模型根据上述每个待检测风险信息和对应的检测权重进行综合计算，输出商户的风险概率值为30％。
本说明书一实施例提供的风险预测方法，包括确定待检测方；获取所述待检测方的待检测多维度风险信息；将所述待检测多维度风险信息输入至风险预测模型进行处理，获得所述风险预测模型输出的风险概率值，其中，所述风险预测模型是通过上述实施例提供的训练方法训练得到的。通过本说明书提供的风险预测方法，通过风险预测模型，可以从待检测方的待检测多维度的风险信息中提取相应特征值进行综合计算，预测出待检测方的风险发生概率，使得风险预测概率更加客观、准确，并且具有普适性，便于推广使用。
与上述风险预测模型的训练方法实施例相对应，本说明书还提供了风险预测模型的训练装置实施例，图3示出了本说明书一实施例提供的一种风险预测模型的训练装置的结构示意图。如图3所示，该装置包括：
获取模块302，被配置为获取待检测方的待检测多维度风险信息和所述待检测方的样本风险概率值；
预测模块304，被配置为将所述待检测多维度风险信息输入至风险预测模型，获取所述风险预测模型输出的预测风险概率值；
计算模块306，被配置为根据所述样本风险概率值和所述预测风险概率值计算损失值；
训练模块308，被配置为基于所述损失值调整所述风险预测模型的模型参数，继续训练所述风险预测模型，直至达到训练停止条件。
可选的，所述获取模块302，进一步被配置为：
在所述待检测方为项目提供方的情况下，获取所述项目提供方的项目提供方资质信息、项目提供方资源消耗信息和项目提供方资源储备信息。
可选的，所述获取模块302，进一步被配置为：
采集所述项目提供方对应的项目平台注册信息和/或第三方评价信息，并组成项目提供方资质信息；
采集所述项目提供方对应的线上资源消耗信息和/或线下资源消耗信息，并组成项目提供方资源消耗信息；
采集所述项目提供方对应的在项目平台的资源储备信息，生成项目提供方资源储备信息。
可选的，所述获取模块302，还被配置为：
在所述待检测方为项目参与方的情况下，获取所述项目参与方的项目参与方信誉信息和项目参与方资源消耗信息。
可选的，所述获取模块302，进一步被配置为：
采集所述项目参与方的平台信誉信息和/或第三方信誉信息，组成项目参与方信誉信息；
采集所述项目参与方的资源波动信息和/或风险承受信息，组成项目参与方资源消耗信息。
可选的，所述待检测多维度风险信息包括至少一个待检测维度信息，每个待检测维度信息对应一个检测权重；
所述预测模块304，进一步被配置为：
将每个待检测维度信息和对应的检测权重输入至风险预测模型。
可选的，所述训练停止条件，包括：
损失值小于预设阈值；或
训练轮次达到预设的训练轮次。
本说明书提供的风险预测模型的训练装置，包括获取待检测方的待检测多维度风险信息和所述待检测方的样本风险概率值；将所述待检测多维度风险信息输入至风险预测模型，获取所述风险预测模型输出的预测风险概率值；根据所述样本风险概率值和所述预测风险概率值计算损失值；基于所述损失值调整所述风险预测模型的模型参数，继续训练所述风险预测模型，直至达到训练停止条件。本说明书一实施例提供的风险预测模型的训练装置，实现了采集待检测方的多种维度的风险相关信息，并将多种维度的风险相关信息属于至待训练的风险预测模型中进行处理，在风险预测模型中根据每个维度的风险信息的特征值进行综合计算，输出预测概率值，并根据样本风险概率值进行比对，进而对模型进行继续训练，直至达到训练停止条件，可以训练出一个准确高效的风险预测模型。
上述为本实施例的一种风险预测模型的训练装置的示意性方案。需要说明的是，该风险预测模型的训练装置的技术方案与上述的风险预测模型的训练方法的技术方案属于同一构思，风险预测模型的训练装置的技术方案未详细描述的细节内容，均可以参见上述风险预测模型的训练方法的技术方案的描述。
与上述风险预测方法实施例相对应，本说明书还提供了风险预测装置实施例，图4示出了本说明书一实施例提供的一种风险预测装置的结构示意图。如图4所示，该装置包括：
确定模块402，被配置为确定待检测方；
获取模块404，被配置为获取所述待检测方的待检测多维度风险信息；
预测模块406，被配置为将所述待检测多维度风险信息输入至风险预测模型进行处理，获得所述风险预测模型输出的风险概率值，其中，所述风险预测模型是通过上述风险预测模型的训练方法训练得到的。
本说明书一实施例提供的风险预测装置，包括确定待检测方；获取所述待检测方的待检测多维度风险信息；将所述待检测多维度风险信息输入至风险预测模型进行处理，获得所述风险预测模型输出的风险概率值，其中，所述风险预测模型是通过上述实施例提供的训练方法训练得到的。通过本说明书提供的风险预测装置，通过风险预测模型，可以从待检测方的待检测多维度的风险信息中提取相应特征值进行综合计算，预测出待检测方的风险发生概率，使得风险预测概率更加客观、准确，并且具有普适性，便于推广使用。
上述为本实施例的一种风险预测装置的示意性方案。需要说明的是，该风险预测装置的技术方案与上述的风险预测方法的技术方案属于同一构思，风险预测装置的技术方案未详细描述的细节内容，均可以参见上述风险预测方法的技术方案的描述。
图5示出了根据本说明书一实施例提供的一种计算设备500的结构框图。该计算设备500的部件包括但不限于存储器510和处理器520。处理器520与存储器510通过总线530相连接，数据库550用于保存数据。
计算设备500还包括接入设备540，接入设备540使得计算设备500能够经由一个或多个网络560通信。这些网络的示例包括公用交换电话网(PSTN)、局域网(LAN)、广域网(WAN)、个域网(PAN)或诸如因特网的通信网络的组合。接入设备540可以包括有线或无线的任何类型的网络接口(例如，网络接口卡(NIC))中的一个或多个，诸如IEEE802.11无线局域网(WLAN)无线接口、全球微波互联接入(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC)接口，等等。
在本说明书的一个实施例中，计算设备500的上述部件以及图5中未示出的其他部件也可以彼此相连接，例如通过总线。应当理解，图5所示的计算设备结构框图仅仅是出于示例的目的，而不是对本说明书范围的限制。本领域技术人员可以根据需要，增添或替换其他部件。
计算设备500可以是任何类型的静止或移动计算设备，包括移动计算机或移动计算设备(例如，平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如，智能手机)、可佩戴的计算设备(例如，智能手表、智能眼镜等)或其他类型的移动设备，或者诸如台式计算机或PC的静止计算设备。计算设备500还可以是移动式或静止式的服务器。
其中，处理器520执行所述计算机指令时实现所述的风险预测模型的训练方法或风险预测方法的步骤。
上述为本实施例的一种计算设备的示意性方案。需要说明的是，该计算设备的技术方案与上述的风险预测模型的训练方法或风险预测方法的技术方案属于同一构思，计算设备的技术方案未详细描述的细节内容，均可以参见上述风险预测模型的训练方法或风险预测方法的技术方案的描述。
本说明书一实施例还提供一种计算机可读存储介质，其存储有计算机指令，该计算机指令被处理器执行时实现如前所述风险预测模型的训练方法或风险预测方法的步骤。
上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是，该存储介质的技术方案与上述的风险预测模型的训练方法或风险预测方法的技术方案属于同一构思，存储介质的技术方案未详细描述的细节内容，均可以参见上述风险预测模型的训练方法或风险预测方法的技术方案的描述。
本说明书一实施例还提供一种计算机程序，其中，当所述计算机程序在计算机中执行时，令计算机执行上述风险预测模型的训练方法或风险预测方法的步骤。
上述为本实施例的一种计算机程序的示意性方案。需要说明的是，该计算机程序的技术方案与上述的风险预测模型的训练方法或风险预测方法的技术方案属于同一构思，计算机程序的技术方案未详细描述的细节内容，均可以参见上述风险预测模型的训练方法或风险预测方法的技术方案的描述。
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。
所述计算机指令包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本说明书实施例并不受所描述的动作顺序的限制，因为依据本说明书实施例，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本说明书实施例所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书实施例的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本说明书实施例的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.一种风险预测模型的训练方法，包括：
获取待检测方的待检测多维度风险信息和所述待检测方的样本风险概率值；
将所述待检测多维度风险信息输入至风险预测模型，获取所述风险预测模型输出的预测风险概率值；
根据所述样本风险概率值和所述预测风险概率值计算损失值；
基于所述损失值调整所述风险预测模型的模型参数，继续训练所述风险预测模型，直至达到训练停止条件。
2.如权利要求1所述的风险预测模型的训练方法，获取待检测方的待检测多维度风险信息，包括：
在所述待检测方为项目提供方的情况下，获取所述项目提供方的项目提供方资质信息、项目提供方资源消耗信息和项目提供方资源储备信息。
3.如权利要求2所述的风险预测模型的训练方法，获取所述项目提供方的项目提供方资质信息、项目提供方资源消耗信息和项目提供方资源储备信息，包括：
采集所述项目提供方对应的项目平台注册信息和/或第三方评价信息，并组成项目提供方资质信息；
采集所述项目提供方对应的线上资源消耗信息和/或线下资源消耗信息，并组成项目提供方资源消耗信息；
采集所述项目提供方对应的在项目平台的资源储备信息，生成项目提供方资源储备信息。
4.如权利要求1所述的风险预测模型的训练方法，获取待检测方的待检测多维度风险信息，包括：
在所述待检测方为项目参与方的情况下，获取所述项目参与方的项目参与方信誉信息和项目参与方资源消耗信息。
5.如权利要求1所述的风险预测模型的训练方法，获取所述项目参与方的项目参与方信誉信息和项目参与方资源消耗信息，包括：
采集所述项目参与方的平台信誉信息和/或第三方信誉信息，组成项目参与方信誉信息；
采集所述项目参与方的资源波动信息和/或风险承受信息，组成项目参与方资源消耗信息。
6.如权利要求1所述的风险预测模型的训练方法，所述待检测多维度风险信息包括至少一个待检测维度信息，每个待检测维度信息对应一个检测权重；
将所述待检测多维度风险信息输入至风险预测模型，包括：
将每个待检测维度信息和对应的检测权重输入至风险预测模型。
7.如权利要求1所述的风险预测模型的训练方法，所述训练停止条件，包括：
损失值小于预设阈值；或
训练轮次达到预设的训练轮次。
8.一种风险预测方法，包括：
确定待检测方；
获取所述待检测方的待检测多维度风险信息；
将所述待检测多维度风险信息输入至风险预测模型进行处理，获得所述风险预测模型输出的风险概率值，其中，所述风险预测模型是通过权利要求1-7任意一项所述的训练方法训练得到的。
9.一种风险预测模型的训练装置，包括：
获取模块，被配置为获取待检测方的待检测多维度风险信息和所述待检测方的样本风险概率值；
预测模块，被配置为将所述待检测多维度风险信息输入至风险预测模型，获取所述风险预测模型输出的预测风险概率值；
计算模块，被配置为根据所述样本风险概率值和所述预测风险概率值计算损失值；
训练模块，被配置为基于所述损失值调整所述风险预测模型的模型参数，继续训练所述风险预测模型，直至达到训练停止条件。
10.一种风险预测装置，包括：
确定模块，被配置为确定待检测方；
获取模块，被配置为获取所述待检测方的待检测多维度风险信息；
预测模块，被配置为将所述待检测多维度风险信息输入至风险预测模型进行处理，获得所述风险预测模型输出的风险概率值，其中，所述风险预测模型是通过权利要求1-7任意一项所述的训练方法训练得到的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111385863.1A CN114091902A (zh) | 2021-11-22 | 2021-11-22 | 风险预测模型的训练方法及装置、风险预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111385863.1A CN114091902A (zh) | 2021-11-22 | 2021-11-22 | 风险预测模型的训练方法及装置、风险预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114091902A true CN114091902A (zh) | 2022-02-25 |
Family
ID=80302698
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111385863.1A Pending CN114091902A (zh) | 2021-11-22 | 2021-11-22 | 风险预测模型的训练方法及装置、风险预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114091902A (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110084701A (zh) * | 2019-04-26 | 2019-08-02 | 深圳前海风车科技服务有限公司 | 理财平台入驻方法、装置、计算机设备和存储介质 |
| CN110163741A (zh) * | 2019-04-16 | 2019-08-23 | 深圳壹账通智能科技有限公司 | 基于信贷风控模型的信贷决策方法、装置、设备及介质 |
| CN111967779A (zh) * | 2020-08-19 | 2020-11-20 | 支付宝(杭州)信息技术有限公司 | 一种风险评估方法、装置及设备 |
| CN112200380A (zh) * | 2020-10-23 | 2021-01-08 | 支付宝(杭州)信息技术有限公司 | 优化风险检测模型的方法及装置 |
| CN112561320A (zh) * | 2020-12-14 | 2021-03-26 | 中国建设银行股份有限公司 | 机构风险预测模型的训练方法、机构风险预测方法和装置 |
| CN112668944A (zh) * | 2021-01-26 | 2021-04-16 | 天元大数据信用管理有限公司 | 一种基于大数据征信的企业风控方法、装置、设备及介质 |
| CN112801498A (zh) * | 2021-01-26 | 2021-05-14 | 网易（杭州）网络有限公司 | 风险识别模型的训练方法、风险识别方法、装置及设备 |
| CN113034019A (zh) * | 2021-03-31 | 2021-06-25 | 建信金融科技有限责任公司 | 企业风险预测方法、装置、计算机设备及可读存储介质 |
| CN113344376A (zh) * | 2021-06-02 | 2021-09-03 | 南京星云数字技术有限公司 | 商户风险监测方法、装置、计算机设备和存储介质 |
| CN113506174A (zh) * | 2021-08-19 | 2021-10-15 | 北京中数智汇科技股份有限公司 | 中小企业风险预警模型训练方法、装置和设备 |
| CN113537630A (zh) * | 2021-08-04 | 2021-10-22 | 支付宝(杭州)信息技术有限公司 | 业务预测模型的训练方法及装置 |
-
2021
- 2021-11-22 CN CN202111385863.1A patent/CN114091902A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110163741A (zh) * | 2019-04-16 | 2019-08-23 | 深圳壹账通智能科技有限公司 | 基于信贷风控模型的信贷决策方法、装置、设备及介质 |
| CN110084701A (zh) * | 2019-04-26 | 2019-08-02 | 深圳前海风车科技服务有限公司 | 理财平台入驻方法、装置、计算机设备和存储介质 |
| CN111967779A (zh) * | 2020-08-19 | 2020-11-20 | 支付宝(杭州)信息技术有限公司 | 一种风险评估方法、装置及设备 |
| CN112200380A (zh) * | 2020-10-23 | 2021-01-08 | 支付宝(杭州)信息技术有限公司 | 优化风险检测模型的方法及装置 |
| CN112561320A (zh) * | 2020-12-14 | 2021-03-26 | 中国建设银行股份有限公司 | 机构风险预测模型的训练方法、机构风险预测方法和装置 |
| CN112668944A (zh) * | 2021-01-26 | 2021-04-16 | 天元大数据信用管理有限公司 | 一种基于大数据征信的企业风控方法、装置、设备及介质 |
| CN112801498A (zh) * | 2021-01-26 | 2021-05-14 | 网易（杭州）网络有限公司 | 风险识别模型的训练方法、风险识别方法、装置及设备 |
| CN113034019A (zh) * | 2021-03-31 | 2021-06-25 | 建信金融科技有限责任公司 | 企业风险预测方法、装置、计算机设备及可读存储介质 |
| CN113344376A (zh) * | 2021-06-02 | 2021-09-03 | 南京星云数字技术有限公司 | 商户风险监测方法、装置、计算机设备和存储介质 |
| CN113537630A (zh) * | 2021-08-04 | 2021-10-22 | 支付宝(杭州)信息技术有限公司 | 业务预测模型的训练方法及装置 |
| CN113506174A (zh) * | 2021-08-19 | 2021-10-15 | 北京中数智汇科技股份有限公司 | 中小企业风险预警模型训练方法、装置和设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3819835A1 (en) | Risk identification model training method and apparatus, and server | |
| CN110276067B (zh) | 文本意图确定方法以及装置 | |
| CN110717758B (zh) | 异常交易识别方法和装置 | |
| CN110599312A (zh) | 基于信用的交互信用评估方法以及装置 | |
| CN111078880A (zh) | 子应用的风险识别方法以及装置 | |
| CN112966189A (zh) | 一种基金产品推荐系统 | |
| CN111242284A (zh) | 预测方法及装置 | |
| CN110555749A (zh) | 基于神经网络的信用行为预测方法以及装置 | |
| CN114298232A (zh) | 用户的类型信息的确定方法、设备及存储介质 | |
| CN107274042A (zh) | 一种业务参与对象的风险识别方法及装置 | |
| CN113569059A (zh) | 目标用户识别方法及装置 | |
| CN110020728B (zh) | 业务模型强化学习方法以及装置 | |
| CN113435713B (zh) | 基于gis技术和两模型融合的风险地图编制方法及系统 | |
| CN115271282A (zh) | 基于模糊逻辑的客户价值确定方法及装置 | |
| CN110796450B (zh) | 可信关系处理方法以及装置 | |
| CN110796379B (zh) | 业务渠道的风险评估方法、装置、设备及存储介质 | |
| CN112862014A (zh) | 客户信用预警方法及装置 | |
| CN109241249B (zh) | 一种确定突发问题的方法及装置 | |
| CN114091902A (zh) | 风险预测模型的训练方法及装置、风险预测方法及装置 | |
| CN111078854A (zh) | 问答预测模型的训练方法及装置、问答预测方法及装置 | |
| CN110633971A (zh) | 资损估计方法以及装置 | |
| CN114091903A (zh) | 资损评估模型的训练方法及装置、资损评估方法及装置 | |
| CN111798282A (zh) | 一种信息处理方法、终端及存储介质 | |
| CN116757835A (zh) | 信用卡客户贷中交易风险监控方法及装置 | |
| CN111401845B (zh) | 业务处理方法及装置 |
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 |