CN115545572B - 一种业务风控的方法、装置、设备及存储介质 - Google Patents
一种业务风控的方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115545572B CN115545572B CN202211508347.8A CN202211508347A CN115545572B CN 115545572 B CN115545572 B CN 115545572B CN 202211508347 A CN202211508347 A CN 202211508347A CN 115545572 B CN115545572 B CN 115545572B
- Authority
- CN
- China
- Prior art keywords
- service data
- historical
- data
- historical service
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书公开了一种业务风控的方法、装置、设备及存储介质,可以通过双塔模型的第一特征提取子网,提取出用户的业务数据的第一特征,从而可以从通过双塔模型的第二特征提取子网提取出的各历史业务数据的第二特征中,匹配出参考特征,进而可以根据参考特征对应的历史业务数据的风控结果对用户的业务进行风控。
Description
技术领域
本说明书涉及人工智能技术领域,尤其涉及一种业务风控的方法、装置、设备及存储介质。
背景技术
随着互联网技术的发展,各互联网服务提供方对用户的隐私数据的保护逐渐重视起来,并开始通过各种风控方法对用户的业务请求进行风险监测。
双塔模型是搜索推荐领域中常用的一种神经网络模型,双塔模型的应用可以有效地减少为用户匹配推荐对象的所需的计算量,从而可以极大的提高为用户匹配推荐对象的效率,但是,在风控领域和搜索推荐领域中执行任务所需要使用的特征数据之间存在着较大的差别,因此,双塔模型虽然在搜索推荐领域中得到广泛的应用,但难以被应用到风控领域中。
发明内容
本说明书提供一种业务风控的方法、装置、设备及存储介质,以部分的解决现有技术存在的问题。
本说明书采用下述技术方案:
本说明书提供了一种业务风控的方法,包括:
获取用户的业务数据;
将所述业务数据输入到预先训练的目标模型中,以通过所述目标模型的第一特征提取子网,提取出所述业务数据的第一特征,所述目标模型为双塔模型;
从预先确定的各历史业务数据的第二特征中,筛选出与所述业务数据的第一特征之间的相似度相匹配的第二特征,作为参考特征,所述各历史业务数据的第二特征是通过将各历史业务数据输入到所述目标模型中后,由所述目标模型中的第二特征提取子网提取出的;
根据所述参考特征对应的历史业务数据的风控结果,对所述业务进行业务风控。
可选地,训练目标模型,具体包括:
获取第一历史业务数据和第二历史业务数据,所述第一历史业务数据对应的风控结果与所述第二历史业务数据对应的风控结果相匹配;
将所述第二历史业务数据输入到预设的树模型中,得到所述第二历史业务数据对应的树模型编码特征;
将所述第一历史业务数据输入到所述目标模型中,以通过所述第一特征提取子网,提取出所述第一历史业务数据对应的第一特征,以及将所述树模型编码特征输入到所述目标模型中,以通过所述第二特征提取子网,提取出所述第二历史业务数据对应的第二特征;
以最大化所述第一历史业务数据对应的第一特征与所述第二历史业务数据对应的第二特征之间的相似度为优化目标,对所述目标模型进行训练。
可选地,将所述第二历史业务数据输入到预设的树模型中,得到所述第二历史业务数据对应的树模型编码特征,具体包括:
通过所述树模型,对所述第二历史业务数据中包含的各数据进行分类,以确定出所述第二历史业务数据中包含的每个数据所落入的叶子节点;
根据所述第二历史业务数据中包含的每个数据所落入的叶子节点,确定所述第二历史业务数据对应的树模型编码特征。
可选地,以最大化所述第一历史业务数据对应的第一特征与所述第二历史业务数据对应的第二特征之间的相似度为优化目标,对所述目标模型进行训练之前,所述方法还包括:
获取第三历史业务数据,所述第三历史业务数据对应的风控结果与所述第二历史业务数据对应的风控结果不相匹配;
将所述第三历史业务数据输入到预设的树模型中,得到所述第三历史业务数据对应的树模型编码特征;
将所述第三历史业务数据输入到所述目标模型中,以通过所述第二特征提取子网,提取出所述第三历史业务数据对应的第二特征;
以最大化所述第一历史业务数据对应的第一特征与所述第二历史业务数据对应的第二特征之间的相似度为优化目标,对所述目标模型进行训练,具体包括:
以所述第一历史业务数据的第一特征和所述第二历史业务数据的第二特征之间的相似度,相比于所述第三历史业务数据的第一特征和所述第三历史业务数据的第二特征之间的相似度越大为优化目标,对所述目标模型进行训练。
可选地,以最大化所述第一历史业务数据对应的第一特征与所述第二历史业务数据对应的第二特征之间的相似度为优化目标,对所述目标模型进行训练之前,所述方法还包括:
将所述第一历史业务数据输入到预设的树模型中,得到所述第一历史业务数据对应的树模型编码特征;
将所述第一历史业务数据输入到所述目标模型中,以通过所述第二特征提取子网,提取出所述第一历史业务数据对应的第二特征;
以最大化所述第一历史业务数据对应的第一特征与所述第二历史业务数据对应的第二特征之间的相似度为优化目标,对所述目标模型进行训练,具体包括:
以最大化所述第一历史业务数据对应的第一特征与所述第一历史业务数据对应的第二特征之间的相似度为优化目标,对所述目标模型进行训练。
本说明书提供了一种业务风控的装置,包括:
获取模块,用于获取用户的业务数据;
特征提取模块,用于将所述业务数据输入到预先训练的目标模型中,以通过所述目标模型的第一特征提取子网,提取出所述业务数据的第一特征,所述目标模型为双塔模型;
匹配模块,用于从预先确定的各历史业务数据的第二特征中,筛选出与所述业务数据的第一特征之间的相似度相匹配的第二特征,作为参考特征,所述各历史业务数据的第二特征是通过将各历史业务数据输入到所述目标模型中后,由所述目标模型中的第二特征提取子网提取出的;
执行模块,用于根据所述参考特征对应的历史业务数据的风控结果,对所述业务进行业务风控。
可选地,所述装置还包括:训练模块;
所述训练模块具体用于,获取第一历史业务数据和第二历史业务数据,所述第一历史业务数据对应的风控结果与所述第二历史业务数据对应的风控结果相匹配;将所述第二历史业务数据输入到预设的树模型中,得到所述第二历史业务数据对应的树模型编码特征;将所述第一历史业务数据输入到所述目标模型中,以通过所述第一特征提取子网,提取出所述第一历史业务数据对应的第一特征,以及将所述树模型编码特征输入到所述目标模型中,以通过所述第二特征提取子网,提取出所述第二历史业务数据对应的第二特征;以最大化所述第一历史业务数据对应的第一特征与所述第二历史业务数据对应的第二特征之间的相似度为优化目标,对所述目标模型进行训练。
可选地,所述训练模块具体用于,通过所述树模型,对所述第二历史业务数据中包含的各数据进行分类,以确定出所述第二历史业务数据中包含的每个数据所落入的叶子节点;根据所述第二历史业务数据中包含的每个数据所落入的叶子节点,确定所述第二历史业务数据对应的树模型编码特征。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述业务风控的方法。
本说明书提供了一种电子设备,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程序,所述处理器执行所述程序时实现上述业务风控的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的业务风控的方法,首先获取用户的业务数据,将业务数据输入到预先训练的目标模型中,以通过目标模型的第一特征提取子网,提取出业务数据的第一特征,其中,目标模型为双塔模型,从预先确定的各历史业务数据的第二特征中,筛选出与业务数据的第一特征之间的相似度相匹配的第二特征,作为参考特征,各历史业务数据的第二特征是通过将各历史业务数据输入到所述目标模型中后,由目标模型中的第二特征提取子网提取出的,根据参考特征对应的历史业务数据的风控结果,对用户的业务进行业务风控。
从上述方法中可以看出,可以通过双塔模型的第一特征提取子网,提取出用户的业务数据的第一特征,从而可以从通过双塔模型的第二特征提取子网提取出的各历史业务数据的第二特征中,匹配出参考特征,进而可以根据参考特征对应的历史业务数据的风控结果对用户的业务进行风控。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中提供的一种业务风控方法的流程示意图;
图2为本说明书中提供的一种树模型编码特征提取方法的示意图;
图3为本说明书提供的目标模型的结构的示意图;
图4为本说明书提供的一种业务风控装置的示意图;
图5为本说明书提供的一种对应于图1的电子设备的示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例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做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种业务风控的方法的流程示意图,包括以下步骤:
S100:获取用户的业务数据。
在本说明书中,业务平台可以对用户执行的业务进行风险监测,而在此之前,业务平台需要先获取到用户执行的业务的业务数据,进而可以根据获取到的业务数据,进行风控。
在本说明书中,用于实现业务风控的方法的执行主体,可以是指服务器等设置于业务平台的指定设备,也可以是指诸如台式电脑、笔记本电脑等终端设备,为了便于描述,下面仅以服务器是执行主体为例,对本说明书提供的业务风控的方法进行说明。
S102:将所述业务数据输入到预先训练的目标模型中,以通过所述目标模型的第一特征提取子网,提取出所述业务数据的第一特征,所述目标模型为双塔模型。
服务器在获取到用户的业务数据后,可以将获取到的业务数据输入到预先训练的目标模型中,以通过目标模型的第一特征提取子网,提取出业务数据的第一特征,其中,目标模型可以是双塔模型。
其中,服务器可以获取用于训练目标模型的第一历史业务数据和第二历史业务数据,以通过获取到的第一历史业务数据和第二历史业务数据对目标模型进行训练。
上述的第一历史业务数据和第二历史业务数据对应的风控结果相匹配,例如:假设第一历史业务数据和第二历史业务数据是用户的业务数据,则第一历史业务数据和第二历史业务数据对应的风控结果,即为第一历史业务数据和第二历史业务数据是否为异常业务数据的结果,若第一历史业务数据为非异常业务数据,第二历史业务数据也为非异常业务数据,则认为第二历史业务数据与第一历史业务数据相匹配。
进一步地,服务器可以将第二历史业务数据输入到预设的树模型中,得到第二历史业务数据的树模型编码特征,这里的树模型可以是诸如:极致梯度提升(eXtremeGradient Boosting,XGBoost)树模型、梯度提升决策树(Gradient Boosting DecisionTree,GBDT)模型等。
具体地,服务器可以通过树模型对第二历史业务数据中包含的各数据进行分类,以确定出第二历史业务数据中包含的每个数据所落入的叶子节点,根据第二历史业务数据中包含的每个数据所落入的叶子节点,确定第二历史业务数据对应的树模型编码特征,如图2所示。
图2为本说明书中提供的一种树模型编码特征提取方法的示意图。
从图2中可以看出,树模型可以针对第二历史业务数据中包含的每个数据,按照预先确定的阈值对该数据进行分类,进而可以确定出第二历史业务数据对应的树模型编码特征,例如:在图2所示的树模型中有A、B、C、D、E、F、G、H、I九个叶子节点,其中,E、F、G、H、I这五个节点是叶子节点,A、B、C、D这四个节点用于按照预设的阈值对第二历史业务数据进行分类,进而可以确定出第二历史业务数据落在F和H两个叶子节点上,从而可以根据确定出的叶子节点,确定出第二历史业务数据的树模型编码特征为(0,1,0,1,0),进而可以将第一历史业务数据输入到目标模型中,以通过目标模型的第一特征提取子网,提取出第一历史业务数据对应的第一特征,以及将第二历史业务数据和第二历史业务数据的树模型编码特征输入到目标模型中,以通过目标模型的第二特征提取子网,提取出第二历史业务数据对应的第二特征。
进一步地,服务器可以以最大化第一历史业务数据对应的第一特征与第二历史业务数据对应的第二特征之间的相似度为优化目标,对目标模型进行训练。
具体地,服务器可以获取第三历史业务数据,其中,第三历史业务数据对应的业务结果与第一历史业务数据对应的风控结果不相匹配,进而可以将第三历史业务数据输入到预设的树模型中,得到第三历史业务数据对应的树模型编码特征,并将第三历史业务数据输入到目标模型中,以通过第二特征提取子网,提取出第三历史业务数据对应的第二特征,然后以第一历史业务数据的第一特征和第二历史业务数据的第二特征之间的相似度,相比于第三历史业务数据的第一特征和第三历史业务数据的第二特征之间的相似度越大为优化目标,对目标模型进行训练。
除此之外,服务器还可以将第一历史业务数据输入到预设的树模型中,得到第一历史业务数据对应的树模型编码特征,将第一历史业务数据输入到目标模型中,以通过第二特征提取子网,提取出第一历史业务数据对应的第二特征,以最大化第一历史业务数据对应的第一特征与第一历史业务数据对应的第二特征之间的相似度为优化目标,对目标模型进行训练。
为了对上述内容进行详细说明,本说明书中还提供了目标模型的结构示意图,如图3所示。
图3为本说明书中提供的目标模型的结构示意图。
从图3中可以看出,目标模型中包含两个输入层以及两个特征提取子网,服务器可以通过目标模型中的第一特征提取子网,提取出第一历史业务数据的第一特征,以及,可以通过目标模型的第二特征提取子网,提取出第二历史业务数据的第二特征和第三历史业务数据的第二特征,进而可以通过匹配层,根据第一历史业务数据的第一特征,为第一历史业务数据匹配出第二特征与第一历史业务数据的第一特征之间的相似度最小的第二历史业务数据,作为第一历史业务数据对应的正样本,以及为第一历史业务数据匹配出第二特征与第一历史业务数据的第一特征之间的相似度最大的第三历史业务数据,作为第一历史业务数据对应的负样本。
进一步地,服务器可以以第一历史业务数据的第一特征和正样本的第二特征之间的相似度相比于第一历史业务数据的第一特征和负样本的第二特征之间的相似度越大为优化目标,对目标模型进行训练。
上述内容中匹配的方法可以是有很多,例如:使用近邻向量匹配算法(Approximate Nearest Neighbor,ANN)等算法进行匹配。
需要说明的是,服务器可以通过树模型提取出训练样本的树模型编码特征,从而可以使得训练样本的树模型编码特征和训练样本的原始特征形成异构,进而可以通过双塔模型的两个塔,分别根据训练样本的原始特征提取出第一特征,以及根据训练样本的树模型编码特征,提取出训练样本的第二特征,然后,可以通过为目标模型的第一特征提取子网中提取的第一特征,匹配由目标模型的第二特征提取子网中提取出的第二特征的形式,实现目标模型的训练。
S104:从预先确定的各历史业务数据的第二特征中,筛选出与所述业务数据的第一特征之间的相似度相匹配的第二特征,作为参考特征,所述各历史业务数据的第二特征是通过将各历史业务数据输入到所述目标模型中后,由所述目标模型中的第二特征提取子网提取出的。
S106:根据所述参考特征对应的历史业务数据的风控结果,对所述业务进行业务风控。
进一步地,服务器可以从各历史业务数据的第二特征中,筛选出与上述的业务数据的第一特征之间的相似度相匹配的第二特征,作为参考特征,然后可以根据参考特征对应的历史业务数据的业务结果,对用户的业务进行业务风控。
其中,各历史业务数据的第二特征是预先通过将各历史业务数据输入到目标模型中后,由目标模型中的第二特征提取子网提取出的。
需要说明的是,由于目标模型自身具有两个特征提取方式不同的特征提取子网的这种结构,可以使得目标模型在进行业务风控时具有极高的效率,并且可以提高匹配的准确率。
从上述内容中可以看出,在使用目标模型进行风控时,仅需要将目标模型的第一特征提取子网进行部署即可,第一特征提取子网用于提取用户的业务数据的第一特征,而各历史业务数据的第二特征可以预先通过目标模型的第二特征提取子网提取并保存,进而可以提高对用户的业务数据进行风控的效率。
以上为本说明书的一个或多个实施例提供的业务风控方法,基于同样的思路,本说明书还提供了相应的业务风控装置,如图4所示。
图4为本说明书提供的一种业务风控装置的示意图,包括:
获取模块401,用于获取用户的业务数据;
特征提取模块402,用于将所述业务数据输入到预先训练的目标模型中,以通过所述目标模型的第一特征提取子网,提取出所述业务数据的第一特征,所述目标模型为双塔模型;
匹配模块403,用于从预先确定的各历史业务数据的第二特征中,筛选出与所述业务数据的第一特征之间的相似度相匹配的第二特征,作为参考特征,所述各历史业务数据的第二特征是通过将各历史业务数据输入到所述目标模型中后,由所述目标模型中的第二特征提取子网提取出的;
执行模块404,用于根据所述参考特征对应的历史业务数据的风控结果,对所述业务进行业务风控。
可选地,所述装置还包括:训练模块405;
所述训练模块405具体用于,获取第一历史业务数据和第二历史业务数据,所述第一历史业务数据对应的风控结果与所述第二历史业务数据对应的风控结果相匹配;将所述第二历史业务数据输入到预设的树模型中,得到所述第二历史业务数据对应的树模型编码特征;将所述第一历史业务数据输入到所述目标模型中,以通过所述第一特征提取子网,提取出所述第一历史业务数据对应的第一特征,以及将所述树模型编码特征输入到所述目标模型中,以通过所述第二特征提取子网,提取出所述第二历史业务数据对应的第二特征;以最大化所述第一历史业务数据对应的第一特征与所述第二历史业务数据对应的第二特征之间的相似度为优化目标,对所述目标模型进行训练。
可选地,所述训练模块405具体用于,通过所述树模型,对所述第二历史业务数据中包含的各数据进行分类,以确定出所述第二历史业务数据中包含的每个数据所落入的叶子节点;根据所述第二历史业务数据中包含的每个数据所落入的叶子节点,确定所述第二历史业务数据对应的树模型编码特征。
可选地,所述训练模块405具体用于,获取第三历史业务数据,所述第三历史业务数据对应的风控结果与所述第二历史业务数据对应的风控结果不相匹配;将所述第三历史业务数据输入到预设的树模型中,得到所述第三历史业务数据对应的树模型编码特征;将所述第三历史业务数据输入到所述目标模型中,以通过所述第二特征提取子网,提取出所述第三历史业务数据对应的第二特征;以所述第一历史业务数据的第一特征和所述第二历史业务数据的第二特征之间的相似度,相比于所述第三历史业务数据的第一特征和所述第三历史业务数据的第二特征之间的相似度越大为优化目标,对所述目标模型进行训练。
可选地,所述训练模块405具体用于,将所述第一历史业务数据输入到预设的树模型中,得到所述第一历史业务数据对应的树模型编码特征;将所述第一历史业务数据输入到所述目标模型中,以通过所述第二特征提取子网,提取出所述第一历史业务数据对应的第二特征;以最大化所述第一历史业务数据对应的第一特征与所述第一历史业务数据对应的第二特征之间的相似度为优化目标,对所述目标模型进行训练。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的一种业务风控的方法。
本说明书还提供了图5所示的一种对应于图1的电子设备的示意结构图。如图5,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1的业务风控的方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
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:ARC 625D、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数据处理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数据处理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数据处理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数据处理设备上,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,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 (8)
1.一种业务风控的方法,包括:
获取用户的业务数据;
将所述业务数据输入到预先训练的目标模型中,以通过所述目标模型的第一特征提取子网,提取出所述业务数据的第一特征,所述目标模型为双塔模型;
从预先确定的各历史业务数据的第二特征中,筛选出与所述业务数据的第一特征之间的相似度相匹配的第二特征,作为参考特征,所述各历史业务数据的第二特征是通过将各历史业务数据输入到所述目标模型中后,由所述目标模型中的第二特征提取子网提取出的;
根据所述参考特征对应的历史业务数据的风控结果,对所述业务进行业务风控;其中
训练目标模型,具体包括:
获取第一历史业务数据和第二历史业务数据,所述第一历史业务数据对应的风控结果与所述第二历史业务数据对应的风控结果相匹配;将所述第二历史业务数据输入到预设的树模型中,得到所述第二历史业务数据对应的树模型编码特征;将所述第一历史业务数据输入到所述目标模型中,以通过所述第一特征提取子网,提取出所述第一历史业务数据对应的第一特征,以及将所述树模型编码特征输入到所述目标模型中,以通过所述第二特征提取子网,提取出所述第二历史业务数据对应的第二特征;以最大化所述第一历史业务数据对应的第一特征与所述第二历史业务数据对应的第二特征之间的相似度为优化目标,对所述目标模型进行训练。
2.如权利要求1所述的方法,将所述第二历史业务数据输入到预设的树模型中,得到所述第二历史业务数据对应的树模型编码特征,具体包括:
通过所述树模型,对所述第二历史业务数据中包含的各数据进行分类,以确定出所述第二历史业务数据中包含的每个数据所落入的叶子节点;
根据所述第二历史业务数据中包含的每个数据所落入的叶子节点,确定所述第二历史业务数据对应的树模型编码特征。
3.如权利要求1所述的方法,以最大化所述第一历史业务数据对应的第一特征与所述第二历史业务数据对应的第二特征之间的相似度为优化目标,对所述目标模型进行训练之前,所述方法还包括:
获取第三历史业务数据,所述第三历史业务数据对应的风控结果与所述第二历史业务数据对应的风控结果不相匹配;
将所述第三历史业务数据输入到预设的树模型中,得到所述第三历史业务数据对应的树模型编码特征;
将所述第三历史业务数据输入到所述目标模型中,以通过所述第二特征提取子网,提取出所述第三历史业务数据对应的第二特征;
以最大化所述第一历史业务数据对应的第一特征与所述第二历史业务数据对应的第二特征之间的相似度为优化目标,对所述目标模型进行训练,具体包括:
以所述第一历史业务数据的第一特征和所述第二历史业务数据的第二特征之间的相似度,相比于所述第三历史业务数据的第一特征和所述第三历史业务数据的第二特征之间的相似度越大为优化目标,对所述目标模型进行训练。
4.如权利要求1所述的方法,以最大化所述第一历史业务数据对应的第一特征与所述第二历史业务数据对应的第二特征之间的相似度为优化目标,对所述目标模型进行训练之前,所述方法还包括:
将所述第一历史业务数据输入到预设的树模型中,得到所述第一历史业务数据对应的树模型编码特征;
将所述第一历史业务数据输入到所述目标模型中,以通过所述第二特征提取子网,提取出所述第一历史业务数据对应的第二特征;
以最大化所述第一历史业务数据对应的第一特征与所述第二历史业务数据对应的第二特征之间的相似度为优化目标,对所述目标模型进行训练,具体包括:
以最大化所述第一历史业务数据对应的第一特征与所述第一历史业务数据对应的第二特征之间的相似度为优化目标,对所述目标模型进行训练。
5.一种业务风控的装置,包括:
获取模块,用于获取用户的业务数据;
特征提取模块,用于将所述业务数据输入到预先训练的目标模型中,以通过所述目标模型的第一特征提取子网,提取出所述业务数据的第一特征,所述目标模型为双塔模型;
匹配模块,用于从预先确定的各历史业务数据的第二特征中,筛选出与所述业务数据的第一特征之间的相似度相匹配的第二特征,作为参考特征,所述各历史业务数据的第二特征是通过将各历史业务数据输入到所述目标模型中后,由所述目标模型中的第二特征提取子网提取出的;
执行模块,用于根据所述参考特征对应的历史业务数据的风控结果,对所述业务进行业务风控;其中
所述装置还包括:训练模块;
所述训练模块具体用于,获取第一历史业务数据和第二历史业务数据,所述第一历史业务数据对应的风控结果与所述第二历史业务数据对应的风控结果相匹配;将所述第二历史业务数据输入到预设的树模型中,得到所述第二历史业务数据对应的树模型编码特征;将所述第一历史业务数据输入到所述目标模型中,以通过所述第一特征提取子网,提取出所述第一历史业务数据对应的第一特征,以及将所述树模型编码特征输入到所述目标模型中,以通过所述第二特征提取子网,提取出所述第二历史业务数据对应的第二特征;以最大化所述第一历史业务数据对应的第一特征与所述第二历史业务数据对应的第二特征之间的相似度为优化目标,对所述目标模型进行训练。
6.如权利要求5所述的装置,所述训练模块具体用于,通过所述树模型,对所述第二历史业务数据中包含的各数据进行分类,以确定出所述第二历史业务数据中包含的每个数据所落入的叶子节点;根据所述第二历史业务数据中包含的每个数据所落入的叶子节点,确定所述第二历史业务数据对应的树模型编码特征。
7.一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~4任一项所述的方法。
8.一种电子设备,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程序,所述处理器执行所述程序时实现上述权利要求1~4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211508347.8A CN115545572B (zh) | 2022-11-29 | 2022-11-29 | 一种业务风控的方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211508347.8A CN115545572B (zh) | 2022-11-29 | 2022-11-29 | 一种业务风控的方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115545572A CN115545572A (zh) | 2022-12-30 |
CN115545572B true CN115545572B (zh) | 2023-03-21 |
Family
ID=84721918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211508347.8A Active CN115545572B (zh) | 2022-11-29 | 2022-11-29 | 一种业务风控的方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115545572B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115828171B (zh) * | 2023-02-13 | 2023-05-16 | 支付宝(杭州)信息技术有限公司 | 一种端云协同执行业务的方法、装置、介质及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163962A (zh) * | 2020-09-10 | 2021-01-01 | 北京三快在线科技有限公司 | 一种模型训练和业务风控的方法及装置 |
CN114861064A (zh) * | 2022-05-27 | 2022-08-05 | 深圳集智数字科技有限公司 | 基于双塔模型的对象推荐方法及装置 |
CN114943590A (zh) * | 2022-06-28 | 2022-08-26 | 北京龙智数科科技服务有限公司 | 基于双塔模型的对象推荐方法及装置 |
CN115048577A (zh) * | 2022-06-14 | 2022-09-13 | 北京三快在线科技有限公司 | 一种模型训练方法、装置、设备及存储介质 |
CN115345311A (zh) * | 2021-05-11 | 2022-11-15 | 北京达佳互联信息技术有限公司 | 模型训练的数据处理方法、装置、电子设备、存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668671B (zh) * | 2021-03-15 | 2021-12-24 | 北京百度网讯科技有限公司 | 预训练模型的获取方法和装置 |
-
2022
- 2022-11-29 CN CN202211508347.8A patent/CN115545572B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163962A (zh) * | 2020-09-10 | 2021-01-01 | 北京三快在线科技有限公司 | 一种模型训练和业务风控的方法及装置 |
CN115345311A (zh) * | 2021-05-11 | 2022-11-15 | 北京达佳互联信息技术有限公司 | 模型训练的数据处理方法、装置、电子设备、存储介质 |
CN114861064A (zh) * | 2022-05-27 | 2022-08-05 | 深圳集智数字科技有限公司 | 基于双塔模型的对象推荐方法及装置 |
CN115048577A (zh) * | 2022-06-14 | 2022-09-13 | 北京三快在线科技有限公司 | 一种模型训练方法、装置、设备及存储介质 |
CN114943590A (zh) * | 2022-06-28 | 2022-08-26 | 北京龙智数科科技服务有限公司 | 基于双塔模型的对象推荐方法及装置 |
Non-Patent Citations (3)
Title |
---|
Giuseppe Petracca.On Risk in Access Control Enforcement.2017,全文. * |
张鲁男 ; 常宝岗 ; 梅利 ; .基于规则引擎及智能阈值的实时业务风控系统.2019,(第11期),全文. * |
方昊 ; .大数据风控技术在互联网金融中的探索与实践.2020,(第18期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN115545572A (zh) | 2022-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111930809A (zh) | 数据处理方法、装置及设备 | |
CN115545572B (zh) | 一种业务风控的方法、装置、设备及存储介质 | |
CN115828162B (zh) | 一种分类模型训练的方法、装置、存储介质及电子设备 | |
CN116049761A (zh) | 数据处理方法、装置及设备 | |
CN116186330B (zh) | 一种基于多模态学习的视频去重方法及装置 | |
CN115221523B (zh) | 数据处理方法、装置及设备 | |
CN115171735A (zh) | 一种语音活动检测方法、存储介质及电子设备 | |
CN115543945A (zh) | 一种模型压缩的方法、装置、存储介质及电子设备 | |
CN112307371B (zh) | 小程序子服务识别方法、装置、设备及存储介质 | |
CN115034367A (zh) | 一种模型部署的方法及装置 | |
CN111598092A (zh) | 图像中目标区域的确定方法、目标识别方法及装置 | |
CN117009729B (zh) | 基于softmax的数据处理方法及装置 | |
CN118193797B (zh) | 一种业务执行的方法、装置、存储介质及电子设备 | |
CN115862675B (zh) | 一种情感识别方法、装置、设备及存储介质 | |
CN112115952B (zh) | 一种基于全卷积神经网络的图像分类方法、设备及介质 | |
CN115423485B (zh) | 数据处理方法、装置及设备 | |
CN113204664B (zh) | 一种图像聚类方法及装置 | |
CN116821193B (zh) | 一种基于代理模型近似处理的推理查询优化方法及装置 | |
CN115510927B (zh) | 故障检测方法、装置及设备 | |
CN115952271B (zh) | 一种生成对话信息的方法、装置、存储介质及电子设备 | |
CN117196323B (zh) | 一种基于高维图网络的复杂社会事件的预警方法 | |
CN116434787B (zh) | 一种语音情感识别的方法、装置、存储介质及电子设备 | |
CN117671277A (zh) | 一种图特征提取方法、装置、存储介质及电子设备 | |
CN115880527A (zh) | 一种模型压缩的方法、装置、存储介质及电子设备 | |
CN115840910A (zh) | 一种训练样本的生成方法、装置、存储介质及电子设备 |
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 | ||
GR01 | Patent grant |