CN114708109A - 风险识别模型的训练方法、装置、设备及存储介质 - Google Patents
风险识别模型的训练方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114708109A CN114708109A CN202210196098.7A CN202210196098A CN114708109A CN 114708109 A CN114708109 A CN 114708109A CN 202210196098 A CN202210196098 A CN 202210196098A CN 114708109 A CN114708109 A CN 114708109A
- Authority
- CN
- China
- Prior art keywords
- user
- model
- risk identification
- characteristic parameters
- training
- 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
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
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioethics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请实施例提供一种风险识别模型的训练方法、装置、设备及存储介质。该方法应用于训练服务器,包括:接收机构服务器发送的多个用户的第一用户标识和用户标签;向第一用户标识对应的终端设备发送预设风险识别模型的第一模型参数,以用于终端设备根据第一模型参数和使用数据,计算并加密用户的使用特征参数,得到加密使用特征参数;向机构服务器发送预设风险识别模型的第二模型参数,以用于机构服务器根据第二模型参数和多个用户的交易数据,计算多个用户的交易特征参数;根据多个用户的加密使用特征参数、交易特征参数和用户标签,训练预设风险识别模型,得到目标风险识别模型。如此可以充分保护用户隐私。
Description
技术领域
本申请涉及深度学习技术领域,尤其涉及一种风险识别模型的训练方法、装置、设备及存储介质。
背景技术
随着终端设备的应用范围越来越广,终端设备的使用数据可以辅助相关机构对用户进行风险识别。例如,金融机构可以基于终端设备的应用安装数据或者应用卸载数据识别用户是否存在欺诈行为。
目前,传统的风险识别方法通常是将终端设备的使用数据上传至机构服务器,由机构服务器根据基于使用数据训练预设模型,得到风险识别模型,然后通过风险识别模型对用户进行风险识别。但是,上传至机构服务器的使用数据存在泄漏的风险,不利于保护用户隐私。
发明内容
本申请实施例提供了一种风险识别模型的训练方法、装置、设备及存储介质,能够充分保护用户隐私。
第一方面,本申请实施例提供一种风险识别模型的训练方法,该方法应用于训练服务器,包括:
接收机构服务器发送的多个用户的第一用户标识和用户标签;
向每个第一用户标识对应的终端设备发送预设风险识别模型的第一模型参数,以用于终端设备根据第一模型参数和用户使用终端设备的使用数据,计算用户的使用特征参数,并加密使用特征参数,得到加密使用特征参数;
向机构服务器发送预设风险识别模型的第二模型参数,以用于机构服务器根据第二模型参数和多个用户的交易数据,计算多个用户的交易特征参数;
接收每个第一用户标识对应的终端设备发送的用户的加密使用特征参数,以及机构服务器发送的多个用户的交易特征参数;
根据多个用户的加密使用特征参数、交易特征参数和用户标签,训练预设风险识别模型,得到目标风险识别模型。
第二方面,本申请实施例提供一种风险识别模型的训练方法,该方法应用于机构服务器,包括:
获取多个用户的第一用户标识、用户标签和交易数据;
向训练服务器发送多个用户的第一用户标识和用户标签,以用于训练服务器向每个第一用户标识对应的终端设备发送预设风险识别模型的第一模型参数,以用于终端设备根据第一模型参数和用户使用终端设备的使用数据,计算用户的使用特征参数,并加密使用特征参数,得到加密使用特征参数,向训练服务器发送加密使用特征参数;
接收训练服务器发送的预设风险识别模型的第二模型参数;
根据第二模型参数和多个用户的交易数据,计算多个用户的交易特征参数;
向训练服务器发送多个用户的交易特征参数,以用于训练服务器根据多个用户的加密使用特征参数、交易特征参数和用户标签,训练预设风险识别模型,得到目标风险识别模型。
第三方面,本申请实施例提供一种风险识别模型的训练方法,该方法应用于终端设备,包括:
接收训练服务器发送的预设风险识别模型的第一模型参数;
根据第一模型参数和用户使用终端设备的使用数据,计算用户的使用特征参数,并加密使用特征参数,得到加密使用特征参数;
向训练服务器发送加密使用特征参数,以用于训练服务器根据多个终端设备发送的加密使用特征参数、每个终端设备对应的用户的交易特征参数和用户标签,训练预设风险识别模型,得到目标风险识别模型,其中,交易特征参数是机构服务器根据训练服务器发送的预设风险识别模型的第二模型参数,以及用户的交易数据,计算得到。
第四方面,本申请实施例提供一种风险识别方法,该方法应用于训练服务器,包括:
接收终端设备发送的目标用户的加密使用特征参数,以及机构服务器发送的目标用户的交易特征参数,其中,目标用户的加密使用特征参数是终端设备根据目标风险识别模型的第一模型参数和目标用户使用终端设备的使用数据,计算目标用户的使用特征参数,并加密目标用户的使用特征参数得到,目标用户的交易特征参数是机构服务器根据目标风险识别模型的第二模型参数和目标用户的交易数据,计算得到,目标风险识别模型基于第一方面、第二方面或者第三方面所述的风险识别模型的训练方法得到;
基于目标用户的加密使用特征参数、交易特征参数和目标风险识别模型对目标用户进行风险识别,得到风险识别结果。
第五方面,本申请实施例提供一种风险识别模型的训练装置,该装置应用于训练服务器,包括:
接收模块,用于接收机构服务器发送的多个用户的第一用户标识和用户标签;
发送模块,用于向每个第一用户标识对应的终端设备发送预设风险识别模型的第一模型参数,以用于终端设备根据第一模型参数和用户使用终端设备的使用数据,计算用户的使用特征参数,并加密使用特征参数,得到加密使用特征参数;
发送模块,还用于向机构服务器发送预设风险识别模型的第二模型参数,以用于机构服务器根据第二模型参数和多个用户的交易数据,计算多个用户的交易特征参数;
接收模块,还用于接收每个第一用户标识对应的终端设备发送的用户的加密使用特征参数,以及机构服务器发送的多个用户的交易特征参数;
训练模块,用于根据多个用户的加密使用特征参数、交易特征参数和用户标签,训练预设风险识别模型,得到目标风险识别模型。
第六方面,本申请实施例提供一种风险识别模型的训练装置,该装置应用于机构服务器,包括:
获取模块,用于获取多个用户的第一用户标识、用户标签和交易数据;
发送模块,用于向训练服务器发送多个用户的第一用户标识和用户标签,以用于训练服务器向每个第一用户标识对应的终端设备发送预设风险识别模型的第一模型参数,以用于终端设备根据第一模型参数和用户使用终端设备的使用数据,计算用户的使用特征参数,并加密使用特征参数,得到加密使用特征参数,向训练服务器发送加密使用特征参数;
接收模块,用于接收训练服务器发送的预设风险识别模型的第二模型参数;
计算模块,用于根据第二模型参数和多个用户的交易数据,计算多个用户的交易特征参数;
发送模块,用于向训练服务器发送多个用户的交易特征参数,以用于训练服务器根据多个用户的加密使用特征参数、交易特征参数和用户标签,训练预设风险识别模型,得到目标风险识别模型。
第七方面,本申请实施例提供一种风险识别模型的训练装置,该装置应用于终端设备,包括:
接收模块,用于接收训练服务器发送的预设风险识别模型的第一模型参数;
计算模块,用于根据第一模型参数和用户使用终端设备的使用数据,计算用户的使用特征参数,并加密使用特征参数,得到加密使用特征参数;
发送模块,用于向训练服务器发送加密使用特征参数,以用于训练服务器根据多个终端设备发送的加密使用特征参数、每个终端设备对应的用户的交易特征参数和用户标签,训练预设风险识别模型,得到目标风险识别模型,其中,交易特征参数是机构服务器根据训练服务器发送的预设风险识别模型的第二模型参数,以及用户的交易数据,计算得到。
第八方面,本申请实施例提供一种风险识别装置,该装置应用于训练服务器,包括:
接收模块,用于接收终端设备发送的目标用户的加密使用特征参数,以及机构服务器发送的目标用户的交易特征参数,其中,目标用户的加密使用特征参数是终端设备根据目标风险识别模型的第一模型参数和目标用户使用终端设备的使用数据,计算目标用户的使用特征参数,并加密目标用户的使用特征参数得到,目标用户的交易特征参数是机构服务器根据目标风险识别模型的第二模型参数和目标用户的交易数据,计算得到,目标风险识别模型基于第一方面、第二方面或者第三方面所述的风险识别模型的训练方法得到;
识别模块,用于基于目标用户的加密使用特征参数、交易特征参数和目标风险识别模型对目标用户进行风险识别,得到风险识别结果。
第九方面,本申请实施例提供一种风险识别设备,该设备包括:处理器以及存储有计算机程序指令的存储器;处理器执行计算机程序指令时实现第一方面所述的风险识别模型的训练方法,或者,处理器执行计算机程序指令时实现第二方面所述的风险识别模型的训练方法,或者,处理器执行计算机程序指令时实现第三方面所述的风险识别模型的训练方法,或者,处理器执行计算机程序指令时实现第四方面所述的风险识别方法。
第十方面,本申请实施例提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现第一方面所述的风险识别模型的训练方法,或者,计算机程序指令被处理器执行时实现第二方面所述的风险识别模型的训练方法,或者,计算机程序指令被处理器执行时实现第三方面所述的风险识别模型的训练方法,或者,计算机程序指令被处理器执行时实现第四方面所述的风险识别方法。
本申请实施例提供的一种风险识别模型的训练方法、装置、设备及存储介质,机构服务器可以获取多个用户的第一用户标识、用户标签和交易数据,并向训练服务器发送多个用户的第一用户标识和用户标签。训练服务器可以向每个第一用户标识对应的终端设备发送预设风险识别模型的第一模型参数,以及向机构服务器发送预设风险识别模型的第二模型参数。终端设备根据第一模型参数和用户使用终端设备的使用数据,计算用户的使用特征参数,并加密使用特征参数,得到加密使用特征参数,然后向训练服务器发送加密使用特征参数。与此同时,机构服务器根据第二模型参数和多个用户的交易数据,计算多个用户的交易特征参数,然后向训练服务器发送多个用户的交易特征参数。训练服务器根据多个用户的加密使用特征参数、交易特征参数和用户标签,训练预设风险识别模型,得到目标风险识别模型。如此无需上传用户使用电子设备的个人隐私数据,即可训练风险识别模型,充分保护了用户隐私。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,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他的附图。
图1是相关技术提供的一种风险识别模型的训练系统的架构示意图;
图2是本申请实施例提供的一种风险识别模型的训练系统的架构示意图;
图3是本申请实施例提供的一种风险识别模型的训练方法的流程示意图;
图4是本申请实施例提供的一种风险识别方法的流程示意图;
图5是本申请实施例提供的一种风险识别模型的训练装置的结构示意图;
图6是本申请实施例提供的另一种风险识别模型的训练装置的结构示意图;
图7是本申请实施例提供的另一种风险识别模型的训练装置的结构示意图;
图8是本申请实施例提供的一种风险识别装置的结构示意图;
图9是本申请实施例提供的一种风险识别设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例,为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细描述。应理解,此处所描述的具体实施例仅解释本申请,而不是限定本申请。对于本领域技术人员来说,本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
图1是相关技术提供的一种风险识别模型的训练系统的架构示意图,如图1所示,该训练系统可以包括多个终端设备110和机构服务器120。
其中,终端设备110可以为移动电子设备,也可以为非移动电子设备。例如,移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑或者超级移动个人计算机(Ultra-Mobile Personal Computer,UMPC)等等,非移动电子设备可以为服务器、网络附属存储器(Network Attached Storage,NAS)或者个人计算机(Personal Computer,PC)等等。
机构服务器120可以为终端设备110中的目标应用对应的后台服务器。其中,目标应用可以是各种金融应用,例如银行应用、支付应用或者购物应用等等,在此不做限制。可选地,机构服务器120可以是单个服务器、服务器集群或者云服务器等等。
如图1所示,终端设备110与机构服务器120之间存在通信连接。可选地,通信方式可以是有线通信或者无线通信。示例性地,终端设备110与机构服务器120可以通过无线网络进行通信。
如图1所示,终端设备110可以将用户使用终端设备的使用数据按照一定的频率上传到机构服务器,在需要训练风险识别模型时,机构服务器120根据其存储的使用数据进行模型训练,得到风险识别模型。从而机构服务器120可以在后续使用该风险识别模型对用户进行风险识别,评估用户的风险程度,例如评估用户的信用。但是,上传至机构服务器120的使用数据存在泄漏的风险,不利于保护用户隐私。
为了解决上述技术问题,本申请实施例提供了一种风险识别模型的训练方法、装置、设备及存储介质。机构服务器可以获取多个用户的第一用户标识、用户标签和交易数据,并向训练服务器发送多个用户的第一用户标识和用户标签。训练服务器可以向每个第一用户标识对应的终端设备发送预设风险识别模型的第一模型参数,以及向机构服务器发送预设风险识别模型的第二模型参数。终端设备根据第一模型参数和用户使用终端设备的使用数据,计算用户的使用特征参数,并加密使用特征参数,得到加密使用特征参数,然后向训练服务器发送加密使用特征参数。与此同时,机构服务器根据第二模型参数和多个用户的交易数据,计算多个用户的交易特征参数,然后向训练服务器发送多个用户的交易特征参数。训练服务器根据多个用户的加密使用特征参数、交易特征参数和用户标签,训练预设风险识别模型,得到目标风险识别模型。如此无需上传用户使用电子设备的个人隐私数据,即可训练风险识别模型,充分保护了用户隐私。
下面结合附图,通过具体的实施例及其应用场景对本申请实施例提供的风险识别模型的训练方法、装置、设备和存储介质进行详细地说明。
图2是本申请实施例提供的一种风险识别模型的训练系统的架构示意图,相对于图1所示的训练系统,图2所示的训练系统增加了训练服务器130。
如图2所示,训练服务器130分别与终端设备110和机构服务器120之间存在通信连接。可选地,通信方式可以是有线通信或者无线通信。需要注意的是,训练服务器130是用于训练模型的服务器,其可以是单个服务器、服务器集群或者云服务器等等。
作为一个示例,该风险识别模型的训练系统可以应用于涉及到金融交易的用户风险识别场景,本申请实施例在此不做限制。
在训练风险识别模型时,机构服务器120可以先获取多个用户的第一用户标识、用户标签和交易数据,并向训练服务器130发送多个用户的第一用户标识和用户标签。其中,用户可以是机构服务器120对应的应用的注册用户。第一用户标识用于表示用户身份,可以是用户账号。用户标签是模型训练时的真实值,即期望模型输出的结果。交易数据可以包括但不限于业务申请信息、授信信息、借贷信息等等。
然后训练服务器130可以向每个第一用户标识对应的终端设备110发送预设风险识别模型的第一模型参数,以及向机构服务器120发送预设风险识别模型的第二模型参数。其中,第一用户标识对应的终端设备110是用户使用的设备。预设风险识别模型是初始化的风险识别模型,其可以由训练服务器130存储。
接着终端设备110可以根据第一模型参数和用户使用终端设备的使用数据,计算用户的使用特征参数,并加密使用特征参数,得到加密使用特征参数,然后向训练服务器130发送加密使用特征参数。其中,使用数据可以包括但不限于应用安装信息、应用卸载信息、应用使用时长信息等等。
与此同时,机构服务器120可以根据第二模型参数和多个用户的交易数据,计算多个用户的交易特征参数,然后向训练服务器130发送多个用户的交易特征参数。
进而训练服务器130可以根据多个用户的加密使用特征参数、交易特征参数和用户标签,训练预设风险识别模型,得到目标风险识别模型。
可以理解,图2所示的训练系统中多个终端设备110和训练服务器130可以看作横向联邦架构,多个终端设备110、机构服务器120和训练服务器130可以看作纵向联邦架构,也就是说,图2所示的训练系统是横向联邦架构和纵向联邦架构的组合。
下面将详细介绍本申请实施例提供的风险识别模型的训练方法。其中,该训练方法的执行主体可以是图2所示的训练系统。
图3是本申请实施例提供的一种风险识别模型的训练方法的流程示意图。如图3所示,该训练方法可以包括以下步骤:
S310,机构服务器获取多个用户的第一用户标识、用户标签和交易数据。
其中,用户可以是机构服务器对应的应用的注册用户,例如银行应用的注册用户、支付应用的注册用户或者购物应用的注册用户等等。第一用户标识用于表示用户身份,可以是用户账号。用户标签是模型训练时的真实值,即期望模型输出的结果。交易数据可以包括但不限于业务申请信息、授信信息、借贷信息等等。
S320,机构服务器向训练服务器发送多个用户的第一用户标识和用户标签。
S330,训练服务器向每个第一用户标识对应的终端设备发送预设风险识别模型的第一模型参数。
具体地,训练服务器先接收机构服务器发送的多个用户的第一用户标识和用户标签,然后向每个第一用户标识对应的终端设备发送预设风险识别模型的第一模型参数。
其中,第一用户标识对应的终端设备是用户使用的终端设备。预设风险识别模型是初始化的风险识别模型,可以预先设置在训练服务器中。示例性地,预设风险识别模型可以是逻辑斯特模型或者XGBoost模型等。在预设风险识别模型是逻辑斯特模型的情况下,第一模型参数可以为终端设备对应的权重参数。
在一个实施例中,训练服务器可以接收与训练服务器连接的多个终端设备发送的第二用户标识,在第二用户标识与第一用户标识相同的情况下,向发送第二用户标识的终端设备发送预设风险识别模型的第一模型参数。如此可以快速确定用户使用的终端设备,进一步提高模型训练效率。
S340,终端设备根据第一模型参数和用户使用终端设备的使用数据,计算用户的使用特征参数,并加密使用特征参数,得到加密使用特征参数。
具体地,终端设备先接收训练服务器发送的预设风险识别模型的第一模型参数,然后根据第一模型参数和用户使用终端设备的使用数据,计算用户的使用特征参数,并加密使用特征参数,得到加密使用特征参数。
在一个实施例中,终端设备可以先对使用数据进行特征提取,得到使用数据的使用特征,然后根据第一模型参数和使用特征,快速精确地计算用户的使用特征参数,并同态加密使用特征参数,得到加密使用特征参数。
其中,使用数据是用户使用终端设备产生的数据,可以包括但不限于应用安装信息、应用卸载信息、应用使用时长信息等等。使用特征参数是模型训练的中间结果,用于后续模型训练。
示例性地,在预设风险识别模型是逻辑斯特模型的情况下,使用特征参数可以是使用特征与终端设备对应的权重参数的乘积即使用特征权重积,加密使用特征参数为加密使用特征权重积。
S350,终端设备向训练服务器发送加密使用特征参数。
S360,训练服务器向机构服务器发送预设风险识别模型的第二模型参数。
示例性地,在预设风险识别模型是逻辑斯特模型时,第二模型参数可以为机构服务器对应的权重参数。
S370,机构服务器根据第二模型参数和多个用户的交易数据,计算多个用户的交易特征参数。
具体地,机构服务器先接收训练服务器发送的预设风险识别模型的第二模型参数,然后根据第二模型参数和多个用户的交易数据,计算多个用户的交易特征参数。
在一个实施例中,机构服务器可以对多个用户的交易数据进行特征提取,得到多个用户的交易特征,根据第二模型参数和多个用户的交易特征,快速精确地计算多个用户的交易特征参数。其中,交易特征参数是模型训练的中间结果,用于后续模型训练。
示例性地,在预设风险识别模型是逻辑斯特模型的情况下,交易特征参数可以是交易特征与机构服务器对应的权重参数的乘积即交易特征权重积。
S380,机构服务器向训练服务器发送多个用户的交易特征参数。
S390,训练服务器根据多个用户的加密使用特征参数、交易特征参数和用户标签,训练预设风险识别模型,得到目标风险识别模型。
具体地,训练服务器接收每个第一用户标识对应的终端设备发送的用户的加密使用特征参数,以及机构服务器发送的多个用户的交易特征参数,然后根据多个用户的加密使用特征参数、交易特征参数和用户标签,训练预设风险识别模型,得到目标风险识别模型。
在一个实施例中,训练服务器可以将多个用户的加密使用特征参数、交易特征参数和用户标签,输入预设风险识别模型的损失函数,计算模型损失值。在模型损失值大于预设损失阈值的情况下,迭代更新第一模型参数和第二模型参数,计算参数更新后的模型损失值;在参数更新后的模型损失值小于或等于预设损失阈值,或者模型迭代次数达到预设迭代次数的情况下,停止训练,得到目标风险识别模型。也就是说,在模型损失值大于预设损失阈值的情况下,迭代更新模型参数,直到满足训练停止条件。如此可以提高模型训练效率,以及模型的准确性。
在本申请实施例中,机构服务器可以获取多个用户的第一用户标识、用户标签和交易数据,并向训练服务器发送多个用户的第一用户标识和用户标签。训练服务器可以向每个第一用户标识对应的终端设备发送预设风险识别模型的第一模型参数,以及向机构服务器发送预设风险识别模型的第二模型参数。终端设备根据第一模型参数和用户使用终端设备的使用数据,计算用户的使用特征参数,并加密使用特征参数,得到加密使用特征参数,然后向训练服务器发送加密使用特征参数。与此同时,机构服务器根据第二模型参数和多个用户的交易数据,计算多个用户的交易特征参数,然后向训练服务器发送多个用户的交易特征参数。训练服务器根据多个用户的加密使用特征参数、交易特征参数和用户标签,训练预设风险识别模型,得到目标风险识别模型。如此无需上传用户使用电子设备的个人隐私数据,即可训练风险识别模型,充分保护了用户隐私。
下面以预设风险识别模型为逻辑斯特模型为例,对本申请实施例提供的有监督的风险识别模型的训练方法进行详细介绍,具体如下:
终端设备可以通过软件开发工具包(Software Development Kit,SDK)采集用户使用终端设备的使用数据。与此同时,机构服务器可以采集多个用户的第一用户标识、用户标签和交易数据。
在训练风险识别模型时,机构服务器向训练服务器发送包括多个用户的第一用户标识的用户标识集合和多个用户的用户标签。
训练服务器可以接收与训练服务器连接的多个终端设备发送的第二用户标识,在第二用户标识与第一用户标识相同的情况下,即第二用户标识在用户标识集合内,训练服务器与终端设备保持连接,并向发送第二用户标识的终端设备发送逻辑斯特模型初始的第一模型参数。其中,第一模型参数为终端设备对应的权重参数,即第一权重参数。在第二用户标识与第一用户标识不相同的情况下,即第二用户标识不在用户标识集合内,训练服务器与终端设备断开。
与此同时,训练服务器可以向机构服务器发送逻辑斯特模型初始的第二模型参数。其中,第二模型参数为机构服务器对应的权重参数,即第二权重参数。
接着终端设备可以先对用户使用终端设备的使用数据进行特征提取,得到使用数据的使用特征,然后计算使用特征与第一权重参数的乘积即使用特征权重积,将使用特征权重积作为使用特征参数,并同态加密使用特征参数,得到加密使用特征参数即加密使用特征权重积,进而向训练服务器发送加密使用特征参数。
机构服务器可以先对多个用户的交易数据进行特征提取,得到多个用户的交易特征,然后计算交易特征与第二权重参数的乘积即交易特征权重积,将交易特征权重积作为交易特征参数,进而向训练服务器发送多个用户的交易特征参数。
训练服务器可以将多个用户的加密使用特征参数、交易特征参数和用户标签,输入预设风险识别模型的损失函数,计算模型损失值。在模型损失值大于预设损失阈值的情况下,迭代更新第一模型参数和第二模型参数,计算参数更新后的模型损失值;在参数更新后的模型损失值小于或等于预设损失阈值,或者模型迭代次数达到预设迭代次数的情况下,停止训练,得到目标风险识别模型。
也就是说,采用同态加密以及安全聚合的方式计算模型损失值,在模型损失值大于预设损失阈值的情况下,迭代更新模型参数,直到满足训练停止条件。
作为一个示例,风险识别模型损失函数可以是指数损失函数的二次泰勒展开式,可以如下所示:
l=log2-0.5*y*w*wx+0.125*(wx)^2 (1)
其中,l表示模型损失值,y表示用户标签,w表示模型的权重参数,其包括第一权重参数和第二权重参数,wx表示特征权重积,其包括加密使用特征权重积和第二特征权重积。
可以理解的是,终端设备可以通过调用SDK实现终端设备在风险识别模型的训练方法中执行的步骤。
基于本申请实施例提供的风险识别模型的训练方法,本申请实施例还提供了一种风险识别方法,如图4所示,该风险识别方法可以应用于图1所示的训练系统,包括以下步骤:
S410,终端设备根据目标风险识别模型的第一模型参数和目标用户使用终端设备的使用数据,计算目标用户的使用特征参数,并加密目标用户的使用特征参数,得到目标用户的加密使用特征参数。
具体地,终端设备可以先获取目标用户使用终端设备的使用数据,然后根据目标风险识别模型的第一模型参数和目标用户使用终端设备的使用数据,计算目标用户的使用特征参数,并加密目标用户的使用特征参数,得到目标用户的加密使用特征参数。其中,目标用户是待识别的用户。目标风险识别模型基于图3所述的风险识别模型的训练方法得到。
S420,终端设备向训练服务器发送目标用户的加密使用特征参数。
S430,机构服务器根据目标风险识别模型的第二模型参数和目标用户的交易数据,计算目标用户的交易特征参数。
具体地,机构服务器可以先获取目标用户的交易数据,然后根据目标风险识别模型的第二模型参数和目标用户的交易数据,计算目标用户的交易特征参数。
S440,机构服务器向训练服务器发送目标用户的交易特征参数。
S450,训练服务器基于目标用户的加密使用特征参数、交易特征参数和目标风险识别模型对目标用户进行风险识别,得到风险识别结果。
具体地,可以将目标用户的加密使用特征参数、交易特征参数输入目标风险识别模型对目标用户进行风险识别,得到风险识别结果。
在本申请实施例中,可以基于目标风险识别模型有效地识别目标用户的风险,同时可以充分保护用户的隐私。
基于本申请实施例提供的风险识别模型的训练方法,本申请实施例还提供了一种风险识别模型的训练装置,如图5所示,训练装置500可以应用于训练服务器,包括:
接收模块510,用于接收机构服务器发送的多个用户的第一用户标识和用户标签。
发送模块520,用于向每个第一用户标识对应的终端设备发送预设风险识别模型的第一模型参数,以用于终端设备根据第一模型参数和用户使用终端设备的使用数据,计算用户的使用特征参数,并加密使用特征参数,得到加密使用特征参数。
发送模块520,还用于向机构服务器发送预设风险识别模型的第二模型参数,以用于机构服务器根据第二模型参数和多个用户的交易数据,计算多个用户的交易特征参数。
接收模块510,还用于接收每个第一用户标识对应的终端设备发送的用户的加密使用特征参数,以及机构服务器发送的多个用户的交易特征参数。
训练模块530,用于根据多个用户的加密使用特征参数、交易特征参数和用户标签,训练预设风险识别模型,得到目标风险识别模型。
在一个实施例中,发送模块520包括:
接收单元,用于接收与训练服务器连接的多个终端设备发送的第二用户标识。
发送单元,用于在第二用户标识与第一用户标识相同的情况下,向发送第二用户标识的终端设备发送预设风险识别模型的第一模型参数。
在一个实施例中,训练模块530包括:
计算单元,用于将多个用户的加密使用特征参数、交易特征参数和用户标签,输入预设风险识别模型的损失函数,计算模型损失值。
更新单元,用于在模型损失值大于预设损失阈值的情况下,迭代更新第一模型参数和第二模型参数,计算参数更新后的模型损失值。
在参数更新后的模型损失值小于或等于预设损失阈值,或者模型迭代次数达到预设迭代次数的情况下,得到目标风险识别模型。
可以理解的是,图5所示的训练装置500中的各个模块/单元具有实现图3中训练服务器所执行的各个步骤的功能,并能达到其相应的技术效果,为了简洁,在此不再赘述。
基于本申请实施例提供的风险识别模型的训练方法,本申请实施例还提供了一种风险识别模型的训练装置,如图6所示,训练装置600可以应用于机构服务器,包括:
获取模块610,用于获取多个用户的第一用户标识、用户标签和交易数据。
发送模块620,用于向训练服务器发送多个用户的第一用户标识和用户标签,以用于训练服务器向每个第一用户标识对应的终端设备发送预设风险识别模型的第一模型参数,以用于终端设备根据第一模型参数和用户使用终端设备的使用数据,计算用户的使用特征参数,并加密使用特征参数,得到加密使用特征参数,向训练服务器发送加密使用特征参数。
接收模块630,用于接收训练服务器发送的预设风险识别模型的第二模型参数。
计算模块640,用于根据第二模型参数和多个用户的交易数据,计算多个用户的交易特征参数。
发送模块620,用于向训练服务器发送多个用户的交易特征参数,以用于训练服务器根据多个用户的加密使用特征参数、交易特征参数和用户标签,训练预设风险识别模型,得到目标风险识别模型。
在一个实施例中,计算模块640包括:
提取单元,用于对多个用户的交易数据进行特征提取,得到多个用户的交易特征。
计算单元,用于根据第二模型参数和多个用户的交易特征,计算多个用户的交易特征参数。
可以理解的是,图6所示的训练装置600中的各个模块/单元具有实现图3中机构服务器所执行的各个步骤的功能,并能达到其相应的技术效果,为了简洁,在此不再赘述。
基于本申请实施例提供的风险识别模型的训练方法,本申请实施例还提供了一种风险识别模型的训练装置,如图7所示,训练装置700可以应用于终端设备,包括:
接收模块710,用于接收训练服务器发送的预设风险识别模型的第一模型参数。
计算模块720,用于根据第一模型参数和用户使用终端设备的使用数据,计算用户的使用特征参数,并加密使用特征参数,得到加密使用特征参数。
发送模块730,用于向训练服务器发送加密使用特征参数,以用于训练服务器根据多个终端设备发送的加密使用特征参数、每个终端设备对应的用户的交易特征参数和用户标签,训练预设风险识别模型,得到目标风险识别模型,其中,交易特征参数是机构服务器根据训练服务器发送的预设风险识别模型的第二模型参数,以及用户的交易数据,计算得到。
在一个实施例中,计算模块720包括:
提取单元,用于对使用数据进行特征提取,得到使用数据的使用特征。
计算单元,用于根据第一模型参数和使用特征,计算用户的使用特征参数。
可以理解的是,图7所示的训练装置700中的各个模块/单元具有实现图3中终端设备所执行的各个步骤的功能,并能达到其相应的技术效果,为了简洁,在此不再赘述。
基于本申请实施例提供的风险识别方法,本申请实施例还提供了一种风险识别装置,如图8所示,风险识别装置800可以应用于训练服务器,包括:
接收模块810,用于接收终端设备发送的目标用户的加密使用特征参数,以及机构服务器发送的所述目标用户的交易特征参数,其中,所述目标用户的加密使用特征参数是所述终端设备根据目标风险识别模型的第一模型参数和所述目标用户使用所述终端设备的使用数据,计算所述目标用户的使用特征参数,并加密所述目标用户的使用特征参数得到,所述目标用户的交易特征参数是所述机构服务器根据目标风险识别模型的第二模型参数和所述目标用户的交易数据,计算得到,目标风险识别模型基于图3所述的风险识别模型的训练方法得到;
识别模块820,用于基于所述目标用户的加密使用特征参数、交易特征参数和所述目标风险识别模型对所述目标用户进行风险识别,得到风险识别结果。
可以理解的是,图8所示的风险识别装置800中的各个模块/单元具有实现图4中训练服务器所执行的各个步骤的功能,并能达到其相应的技术效果,为了简洁,在此不再赘述。
图9是本申请实施例提供的一种风险识别设备的结构示意图。如图9所示,该风险识别设备可以包括处理器901以及存储有计算机程序指令的存储器902。
具体地,上述处理器901可以包括中央处理器(Central Processing Unit,CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器902可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器902可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器902可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器902可在风险识别设备的内部或外部。在特定实施例中,存储器902是非易失性固态存储器。在特定实施例中,存储器902包括只读存储器(ROM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器901通过读取并执行存储器902中存储的计算机程序指令,可以实现本申请实施例提供的风险识别模型的训练方法,或者,本申请实施例提供的风险识别方法,并达到本申请实施例执行其方法达到的相应技术效果,为简洁描述,在此不再赘述。
在一个示例中,该风险识别设备还可包括通信接口903和总线910。其中,如图9所示,处理器901、存储器902、通信接口903通过总线910连接并完成相互间的通信。
通信接口903,主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线910包括硬件、软件或两者,将风险识别设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(Accelerated Graphics Port,AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,EISA)总线、前端总线(Front Side Bus,FSB)、超传输(Hyper Transport,HT)互连、工业标准架构(IndustryStandard Architecture,ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线910可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
该风险识别设备可以执行本申请实施例中的风险识别模型的训练方法,或者风险识别方法,从而实现本申请实施例提供的风险识别模型的训练方法,或者本申请实施例提供的风险识别方法的相应技术效果。
另外,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现本申请实施例提供的风险识别模型的训练方法,或者本申请实施例提供的风险识别方法。
需要明确的是,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或相似的部分互相参见即可,为了简洁,不再赘述。本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本申请的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本申请的精神后,做出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、只读存储器(Read-Only Memory,ROM)、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(Radio Frequency,RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本申请中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本申请不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上所述,仅为本申请的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (14)
1.一种风险识别模型的训练方法,其特征在于,所述方法应用于训练服务器,包括:
接收机构服务器发送的多个用户的第一用户标识和用户标签;
向每个第一用户标识对应的终端设备发送预设风险识别模型的第一模型参数,以用于所述终端设备根据所述第一模型参数和所述用户使用所述终端设备的使用数据,计算所述用户的使用特征参数,并加密所述使用特征参数,得到加密使用特征参数;
向所述机构服务器发送所述预设风险识别模型的第二模型参数,以用于所述机构服务器根据所述第二模型参数和所述多个用户的交易数据,计算所述多个用户的交易特征参数;
接收每个第一用户标识对应的终端设备发送的所述用户的加密使用特征参数,以及所述机构服务器发送的所述多个用户的交易特征参数;
根据所述多个用户的加密使用特征参数、交易特征参数和用户标签,训练所述预设风险识别模型,得到目标风险识别模型。
2.根据权利要求1所述的方法,其特征在于,所述向每个第一用户标识对应的终端设备发送预设风险识别模型的第一模型参数,包括:
接收与所述训练服务器连接的多个终端设备发送的第二用户标识;
在第二用户标识与所述第一用户标识相同的情况下,向发送第二用户标识的终端设备发送所述预设风险识别模型的第一模型参数。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述多个用户的加密使用特征参数、交易特征参数和用户标签,训练所述预设风险识别模型,得到目标风险识别模型,包括:
将所述多个用户的加密使用特征参数、交易特征参数和用户标签,输入所述预设风险识别模型的损失函数,计算模型损失值;
在所述模型损失值大于预设损失阈值的情况下,迭代更新所述第一模型参数和所述第二模型参数,计算参数更新后的模型损失值;
在参数更新后的模型损失值小于或等于所述预设损失阈值,或者模型迭代次数达到预设迭代次数的情况下,得到所述目标风险识别模型。
4.一种风险识别模型的训练方法,其特征在于,所述方法应用于机构服务器,包括:
获取多个用户的第一用户标识、用户标签和交易数据;
向训练服务器发送所述多个用户的第一用户标识和用户标签,以用于所述训练服务器向每个第一用户标识对应的终端设备发送预设风险识别模型的第一模型参数,以用于所述终端设备根据所述第一模型参数和所述用户使用所述终端设备的使用数据,计算所述用户的使用特征参数,并加密所述使用特征参数,得到加密使用特征参数,向所述训练服务器发送所述加密使用特征参数;
接收所述训练服务器发送的所述预设风险识别模型的第二模型参数;
根据所述第二模型参数和所述多个用户的交易数据,计算所述多个用户的交易特征参数;
向所述训练服务器发送所述多个用户的交易特征参数,以用于所述训练服务器根据所述多个用户的加密使用特征参数、交易特征参数和用户标签,训练所述预设风险识别模型,得到目标风险识别模型。
5.根据权利要求4所述的方法,其特征在于,所述根据所述第二模型参数和所述多个用户的交易数据,计算所述多个用户的交易特征参数,包括:
对所述多个用户的交易数据进行特征提取,得到所述多个用户的交易特征;
根据所述第二模型参数和所述多个用户的交易特征,计算所述多个用户的交易特征参数。
6.一种风险识别模型的训练方法,其特征在于,所述方法应用于终端设备,包括:
接收训练服务器发送的预设风险识别模型的第一模型参数;
根据所述第一模型参数和用户使用所述终端设备的使用数据,计算所述用户的使用特征参数,并加密所述使用特征参数,得到加密使用特征参数;
向所述训练服务器发送所述加密使用特征参数,以用于所述训练服务器根据多个终端设备发送的加密使用特征参数、每个终端设备对应的用户的交易特征参数和用户标签,训练所述预设风险识别模型,得到目标风险识别模型,其中,所述交易特征参数是机构服务器根据所述训练服务器发送的预设风险识别模型的第二模型参数,以及所述用户的交易数据,计算得到。
7.根据权利要求6所述的方法,其特征在于,所述根据所述第一模型参数和用户使用所述终端设备的使用数据,计算所述用户的使用特征参数,包括:
对所述使用数据进行特征提取,得到所述使用数据的使用特征;
根据所述第一模型参数和所述使用特征,计算所述用户的使用特征参数。
8.一种风险识别方法,其特征在于,所述方法应用于训练服务器,包括:
接收终端设备发送的目标用户的加密使用特征参数,以及机构服务器发送的所述目标用户的交易特征参数,其中,所述目标用户的加密使用特征参数是所述终端设备根据目标风险识别模型的第一模型参数和所述目标用户使用所述终端设备的使用数据,计算所述目标用户的使用特征参数,并加密所述目标用户的使用特征参数得到,所述目标用户的交易特征参数是所述机构服务器根据目标风险识别模型的第二模型参数和所述目标用户的交易数据,计算得到,所述目标风险识别模型基于权利要求1-7任意一项所述的风险识别模型的训练方法得到;
基于所述目标用户的加密使用特征参数、交易特征参数和所述目标风险识别模型对所述目标用户进行风险识别,得到风险识别结果。
9.一种风险识别模型的训练装置,其特征在于,所述装置应用于训练服务器,包括:
接收模块,用于接收机构服务器发送的多个用户的第一用户标识和用户标签;
发送模块,用于向每个第一用户标识对应的终端设备发送预设风险识别模型的第一模型参数,以用于所述终端设备根据所述第一模型参数和所述用户使用所述终端设备的使用数据,计算所述用户的使用特征参数,并加密所述使用特征参数,得到加密使用特征参数;
所述发送模块,还用于向所述机构服务器发送所述预设风险识别模型的第二模型参数,以用于所述机构服务器根据所述第二模型参数和所述多个用户的交易数据,计算所述多个用户的交易特征参数;
所述接收模块,还用于接收每个第一用户标识对应的终端设备发送的所述用户的加密使用特征参数,以及所述机构服务器发送的所述多个用户的交易特征参数;
训练模块,用于根据所述多个用户的加密使用特征参数、交易特征参数和用户标签,训练所述预设风险识别模型,得到目标风险识别模型。
10.一种风险识别模型的训练装置,其特征在于,所述装置应用于机构服务器,包括:
获取模块,用于获取多个用户的第一用户标识、用户标签和交易数据;
发送模块,用于向训练服务器发送所述多个用户的第一用户标识和用户标签,以用于所述训练服务器向每个第一用户标识对应的终端设备发送预设风险识别模型的第一模型参数,以用于所述终端设备根据所述第一模型参数和所述用户使用所述终端设备的使用数据,计算所述用户的使用特征参数,并加密所述使用特征参数,得到加密使用特征参数,向所述训练服务器发送所述加密使用特征参数;
接收模块,用于接收所述训练服务器发送的所述预设风险识别模型的第二模型参数;
计算模块,用于根据所述第二模型参数和所述多个用户的交易数据,计算所述多个用户的交易特征参数;
所述发送模块,用于向所述训练服务器发送所述多个用户的交易特征参数,以用于所述训练服务器根据所述多个用户的加密使用特征参数、交易特征参数和用户标签,训练所述预设风险识别模型,得到目标风险识别模型。
11.一种风险识别模型的训练装置,其特征在于,所述装置应用于终端设备,包括:
接收模块,用于接收训练服务器发送的预设风险识别模型的第一模型参数;
计算模块,用于根据所述第一模型参数和用户使用所述终端设备的使用数据,计算所述用户的使用特征参数,并加密所述使用特征参数,得到加密使用特征参数;
发送模块,用于向所述训练服务器发送所述加密使用特征参数,以用于所述训练服务器根据多个终端设备发送的加密使用特征参数、每个终端设备对应的用户的交易特征参数和用户标签,训练所述预设风险识别模型,得到目标风险识别模型,其中,所述交易特征参数是机构服务器根据所述训练服务器发送的预设风险识别模型的第二模型参数,以及所述用户的交易数据,计算得到。
12.一种风险识别装置,其特征在于,所述装置应用于训练服务器,包括:
接收模块,用于接收终端设备发送的目标用户的加密使用特征参数,以及机构服务器发送的所述目标用户的交易特征参数,其中,所述目标用户的加密使用特征参数是所述终端设备根据目标风险识别模型的第一模型参数和所述目标用户使用所述终端设备的使用数据,计算所述目标用户的使用特征参数,并加密所述目标用户的使用特征参数得到,所述目标用户的交易特征参数是所述机构服务器根据目标风险识别模型的第二模型参数和所述目标用户的交易数据,计算得到,所述目标风险识别模型基于权利要求1-7任意一项所述的风险识别模型的训练方法得到;
识别模块,用于基于所述目标用户的加密使用特征参数、交易特征参数和所述目标风险识别模型对所述目标用户进行风险识别,得到风险识别结果。
13.一种用户风险识别设备,其特征在于,所述设备包括:处理器以及存储有计算机程序指令的存储器;所述处理器执行所述计算机程序指令时实现如权利要求1-7任意一项所述的风险识别模型的训练方法,或者,所述处理器执行所述计算机程序指令时实现如权利要求8所述的风险识别方法。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-7任意一项所述的风险识别模型的训练方法,或者,所述计算机程序指令被处理器执行时实现如权利要求8所述的风险识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210196098.7A CN114708109B (zh) | 2022-03-01 | 2022-03-01 | 风险识别模型的训练方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210196098.7A CN114708109B (zh) | 2022-03-01 | 2022-03-01 | 风险识别模型的训练方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114708109A true CN114708109A (zh) | 2022-07-05 |
CN114708109B CN114708109B (zh) | 2022-11-11 |
Family
ID=82166151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210196098.7A Active CN114708109B (zh) | 2022-03-01 | 2022-03-01 | 风险识别模型的训练方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114708109B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022900A (zh) * | 2016-08-08 | 2016-10-12 | 北京京东尚科信息技术有限公司 | 用户风险数据挖掘方法和装置 |
CN108520343A (zh) * | 2018-03-26 | 2018-09-11 | 平安科技(深圳)有限公司 | 风险模型训练方法、风险识别方法、装置、设备及介质 |
CN108932582A (zh) * | 2018-06-13 | 2018-12-04 | 平安科技(深圳)有限公司 | 风险信息确定方法、装置、计算机设备和存储介质 |
CN109600790A (zh) * | 2017-09-30 | 2019-04-09 | 华为技术有限公司 | 获取特征参数的方法和装置 |
CN111400663A (zh) * | 2020-03-17 | 2020-07-10 | 深圳前海微众银行股份有限公司 | 风险识别方法、装置、设备及计算机可读存储介质 |
CN111428881A (zh) * | 2020-03-20 | 2020-07-17 | 深圳前海微众银行股份有限公司 | 识别模型的训练方法、装置、设备及可读存储介质 |
CN111553488A (zh) * | 2020-07-10 | 2020-08-18 | 支付宝(杭州)信息技术有限公司 | 一种针对用户行为的风险识别模型训练方法及系统 |
CN111612167A (zh) * | 2019-02-26 | 2020-09-01 | 京东数字科技控股有限公司 | 机器学习模型的联合训练方法、装置、设备及存储介质 |
CN111899027A (zh) * | 2020-08-04 | 2020-11-06 | 第四范式(北京)技术有限公司 | 一种反欺诈模型的训练方法及装置 |
CN113393299A (zh) * | 2021-06-17 | 2021-09-14 | 中国工商银行股份有限公司 | 推荐模型训练方法、装置、电子设备和存储介质 |
CN113505882A (zh) * | 2021-05-14 | 2021-10-15 | 深圳市腾讯计算机系统有限公司 | 基于联邦神经网络模型的数据处理方法、相关设备及介质 |
CN113505369A (zh) * | 2021-09-08 | 2021-10-15 | 浙江大学 | 一种时空感知的用户风险识别模型训练的方法及装置 |
CN113673687A (zh) * | 2021-09-08 | 2021-11-19 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备及计算机可读存储介质 |
CN114066317A (zh) * | 2021-11-30 | 2022-02-18 | 平安证券股份有限公司 | 交易数据检测方法、装置、计算机设备及存储介质 |
-
2022
- 2022-03-01 CN CN202210196098.7A patent/CN114708109B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022900A (zh) * | 2016-08-08 | 2016-10-12 | 北京京东尚科信息技术有限公司 | 用户风险数据挖掘方法和装置 |
CN109600790A (zh) * | 2017-09-30 | 2019-04-09 | 华为技术有限公司 | 获取特征参数的方法和装置 |
CN108520343A (zh) * | 2018-03-26 | 2018-09-11 | 平安科技(深圳)有限公司 | 风险模型训练方法、风险识别方法、装置、设备及介质 |
CN108932582A (zh) * | 2018-06-13 | 2018-12-04 | 平安科技(深圳)有限公司 | 风险信息确定方法、装置、计算机设备和存储介质 |
CN111612167A (zh) * | 2019-02-26 | 2020-09-01 | 京东数字科技控股有限公司 | 机器学习模型的联合训练方法、装置、设备及存储介质 |
CN111400663A (zh) * | 2020-03-17 | 2020-07-10 | 深圳前海微众银行股份有限公司 | 风险识别方法、装置、设备及计算机可读存储介质 |
CN111428881A (zh) * | 2020-03-20 | 2020-07-17 | 深圳前海微众银行股份有限公司 | 识别模型的训练方法、装置、设备及可读存储介质 |
CN111553488A (zh) * | 2020-07-10 | 2020-08-18 | 支付宝(杭州)信息技术有限公司 | 一种针对用户行为的风险识别模型训练方法及系统 |
CN111899027A (zh) * | 2020-08-04 | 2020-11-06 | 第四范式(北京)技术有限公司 | 一种反欺诈模型的训练方法及装置 |
CN113505882A (zh) * | 2021-05-14 | 2021-10-15 | 深圳市腾讯计算机系统有限公司 | 基于联邦神经网络模型的数据处理方法、相关设备及介质 |
CN113393299A (zh) * | 2021-06-17 | 2021-09-14 | 中国工商银行股份有限公司 | 推荐模型训练方法、装置、电子设备和存储介质 |
CN113505369A (zh) * | 2021-09-08 | 2021-10-15 | 浙江大学 | 一种时空感知的用户风险识别模型训练的方法及装置 |
CN113673687A (zh) * | 2021-09-08 | 2021-11-19 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备及计算机可读存储介质 |
CN114066317A (zh) * | 2021-11-30 | 2022-02-18 | 平安证券股份有限公司 | 交易数据检测方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114708109B (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108428132B (zh) | 欺诈交易识别方法、装置、服务器及存储介质 | |
CN105427169B (zh) | 用于资源转移的安全性信息交互方法 | |
CN108235303B (zh) | 识别共享流量用户的方法、装置、设备及介质 | |
WO2011150425A1 (en) | Systems and methods for determining whether data includes strings that correspond to sensitive information | |
CN112801655B (zh) | 支付卡迁移方法、装置、电子设备、服务器和介质 | |
CN112016932A (zh) | 测试方法、装置、服务器及介质 | |
CN115271697A (zh) | 支付方法、装置、设备、可读存储介质及计算机程序产品 | |
CN110765490A (zh) | 用于处理信息的方法和装置 | |
CN114708109B (zh) | 风险识别模型的训练方法、装置、设备及存储介质 | |
KR20150069237A (ko) | 다이나믹nfc태그를 이용한 결제방법 및 시스템 | |
CN113158150A (zh) | 验证方法、装置及系统 | |
CN108090172A (zh) | 一种企业经营数据的监管方法与系统 | |
CN111245815A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN112488825B (zh) | 基于区块链的对象交易方法及装置 | |
WO2018170053A1 (en) | Dynamic barcode ticketing carrying encrypted validation transactions | |
US20200286072A1 (en) | Information processing apparatus, information processing system, and information processing method, and program | |
CN103164788A (zh) | 一种数据处理系统及其数据处理方法和数据处理装置 | |
CN116527758B (zh) | 一种通用标识的生成方法、装置、设备、存储介质及产品 | |
CN111198763A (zh) | 资源重复使用的检测方法、终端和计算机可读存储介质 | |
CN111325580A (zh) | 用户账号管理方法、装置、设备及存储介质 | |
CN114401242B (zh) | 用户推荐方法、装置、设备及计算机可读存储介质 | |
CN115392954A (zh) | 重复商户确定方法、装置、设备及计算机可读存储介质 | |
CN114579627A (zh) | 报文处理方法、装置、设备及计算机存储介质 | |
CN117635156A (zh) | 交易请求处理方法、装置、设备及计算机存储介质 | |
CN115203641A (zh) | 养卡识别模型的训练方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230222 Address after: 200235 4th Floor, South B3, Putian Industrial Park, No. 700, Yishan Road, Xuhui District, Shanghai Patentee after: Shanghai Youkun Information Technology Co.,Ltd. Address before: 201201 room 81001, 1st floor, building 6, No. 633, Shangfeng Road, Pudong New Area, Shanghai Patentee before: Shanghai SMK Network Technology Co.,Ltd. |