CN115545720A - 一种模型训练的方法、业务风控的方法及装置 - Google Patents
一种模型训练的方法、业务风控的方法及装置 Download PDFInfo
- Publication number
- CN115545720A CN115545720A CN202211508334.0A CN202211508334A CN115545720A CN 115545720 A CN115545720 A CN 115545720A CN 202211508334 A CN202211508334 A CN 202211508334A CN 115545720 A CN115545720 A CN 115545720A
- Authority
- CN
- China
- Prior art keywords
- event
- wind control
- business
- service
- feature extraction
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Computer Security & Cryptography (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Technology Law (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模型训练的方法、业务风控的方法及装置,首先,获取用户的操作信息。其次,根据操作信息,确定在服务端上所产生的业务事件。而后,将操作信息输入到待训练的第一特征提取模型中,确定操作信息对应的操作特征,以及,将业务事件对应的事件信息输入到预设的第二特征提取模型中,确定业务事件对应的业务事件特征。最后,以最小化操作特征与业务事件特征之间的偏差为优化目标,对第一特征提取模型进行训练,第一特征提取模型用于从操作信息中提取操作特征,并将提取出的操作特征输入到风控模型,以使风控模型根据第一特征提取模型提取出的操作特征,进行业务风控。本方法可以降低服务器上的计算资源的消耗,提高业务风控的效率。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种模型训练的方法、业务风控的方法及装置。
背景技术
随着互联网技术的发展,通过网络进行线上交易,例如转账、网购、扫码付款等越来越普遍,然而通过网络进行线上交易为用户带来便利的同时,也存在一定的安全隐患,用户可能会出现被不法分子欺诈、账户被盗用等风险,甚至会出现泄漏用户隐私的情况。
所以,如何对用户在执行业务过程中进行有效地业务风控,则是一个亟待解决的问题。
发明内容
本说明书提供一种模型训练的方法、装置、存储介质及电子设备,以解决用户在执行业务过程中进行有效地业务风控的问题。
本说明书采用下述技术方案:
本说明书提供了一种模型训练的方法,包括:
获取用户的操作信息,所述操作信息用于表示用户在客户端上执行业务时的操作;
根据所述操作信息,确定所述用户执行所述操作信息对应的操作后在服务端上所产生的业务事件;
将所述操作信息输入到待训练的第一特征提取模型中,确定所述操作信息对应的操作特征,以及,将所述业务事件对应的事件信息输入到预设的第二特征提取模型中,确定所述业务事件对应的业务事件特征;
以最小化所述操作信息对应的操作特征与所述业务事件特征之间的偏差为优化目标,对第一特征提取模型进行训练,所述第一特征提取模型部署在用户所使用的终端设备中,用于从用户在终端设备上执行操作所产生的操作信息中提取操作特征,并将提取出的操作特征输入到风控模型,以使所述风控模型根据所述第一特征提取模型提取出的操作特征,进行业务风控。
可选地,训练第二特征提取模型,具体包括:
获取在服务端上的各业务事件对应的事件信息;
将各业务事件对应的事件信息输入待训练的第二特征提取模型中,确定各业务事件对应的业务事件特征;
以最大化各业务事件对应的业务事件特征之间的偏差为优化目标,对第二特征提取模型进行训练。
可选地,将各业务事件对应的事件信息输入待训练的第二特征提取模型中,确定各业务事件对应的业务事件特征,具体包括:
针对每个业务事件,将该业务事件对应的事件信息重复输入到待训练的第二特征提取模型的随机特征层中,以通过所述随机特征层中包含的各特征节点,确定该业务事件对应的各业务事件特征,其中,在每次输入该业务事件对应的事件信息时,所述随机特征层中的每个特征节点以预设概率不对该业务事件对应的事件信息进行处理;
以最大化各业务事件对应的业务事件特征之间的偏差为优化目标,对第二特征提取模型进行训练,具体包括:
以最小化该业务事件对应的各业务事件特征之间的偏差,以及以最大化各业务事件对应的业务事件特征之间的偏差为优化目标,对第二特征提取模型进行训练。
可选地,将各业务事件输入待训练的第二特征提取模型中,确定各业务事件对应的业务事件特征,具体包括:
针对每个业务事件,将该业务事件对应的事件信息输入到待训练的第二特征提取模型中,确定该业务事件对应的文本信息的文本特征以及该业务事件对应的文本信息的位置特征;
根据该业务事件对应的文本信息的文本特征以及该业务事件对应的文本信息的位置特征,确定该业务事件对应的业务事件特征。
本说明书提供了一种业务风控的方法,所述方法应用于终端设备,所述终端设备上设置有第一特征提取模型,包括:
获取用户的操作信息;
将所述操作信息输入到预先训练的第一特征提取模型中,确定所述操作信息对应的操作特征,所述第一特征提取模型是通过上述模型训练的方法得到的;
将所述操作特征输入到预设的风控模型中,确定风控结果;
根据所述风控结果,进行业务风控。
可选地,所述终端设备上设置有不同风险类型的风控模型;
将所述操作特征输入到预设的风控模型中,确定风控结果,具体包括:
针对每种风险类型的风控模型,将所述操作特征输入到该种风险类型的风控模型中,确定用户处于该种风险类型对应的业务风险的概率,作为风控结果。
可选地,根据所述风控结果,进行业务风控,具体包括:
根据用户处于各种风险类型的业务风险的概率,确定用户所处的业务风险对应的各种风险类型;
根据所述用户所处的业务风险对应的各种风险类型,确定风控策略,并根据所述风控策略,进行业务风控。
可选地,根据所述用户所处的业务风险对应的各种风险类型,确定风控策略,具体包括:
根据用户处于各种风险类型的业务风险的概率,确定所述用户所处的业务风险对应的各种风险类型的风险等级;
根据所述用户所处的业务风险对应的各种风险类型的风险等级,确定风控策略。
本说明书提供了一种模型训练的装置,包括:
获取模块,用于获取用户的操作信息,所述操作信息用于表示用户在客户端上执行业务时的操作;
确定模块,用于根据所述操作信息,确定所述用户执行所述操作信息对应的操作后在服务端上所产生的业务事件;
输入模块,用于将所述操作信息输入到待训练的第一特征提取模型中,确定所述操作信息对应的操作特征,以及,将所述业务事件对应的事件信息输入到预设的第二特征提取模型中,确定所述业务事件对应的业务事件特征;
训练模块,用于以最小化所述操作信息对应的操作特征与所述业务事件特征之间的偏差为优化目标,对第一特征提取模型进行训练,所述第一特征提取模型部署在用户所使用的终端设备中,用于从用户在终端设备上执行操作所产生的操作信息中提取操作特征,并将提取出的操作特征输入到风控模型,以使所述风控模型根据所述第一特征提取模型提取出的操作特征,进行业务风控。
本说明书提供了一种业务风控的装置,所述装置应用于终端设备,所述终端设备上设置有第一特征提取模型,包括:
获取模块,用于获取用户的操作信息;
确定模块,用于将所述操作信息输入到预先训练的第一特征提取模型中,确定所述操作信息对应的操作特征,所述第一特征提取模型是通过上述模型训练的方法得到的;
输入模块,用于将所述操作特征输入到预设的风控模型中,确定风控结果;
风控模块,用于根据所述风控结果,进行业务风控。
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模型训练的方法以及业务风控的方法。
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模型训练的方法以及业务风控的方法。
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:
在本说明书提供的模型训练的方法中,首先,获取用户的操作信息,操作信息用于表示用户在客户端上执行业务时的操作。其次,根据操作信息,确定用户执行操作信息对应的操作后在服务端上所产生的业务事件。而后,将操作信息输入到待训练的第一特征提取模型中,确定操作信息对应的操作特征,以及,将业务事件对应的事件信息输入到预设的第二特征提取模型中,确定业务事件对应的业务事件特征。最后,以最小化操作信息对应的操作特征与业务事件特征之间的偏差为优化目标,对第一特征提取模型进行训练,第一特征提取模型部署在用户所使用的终端设备中,用于从用户在终端设备上执行操作所产生的操作信息中提取操作特征,并将提取出的操作特征输入到风控模型,以使风控模型根据第一特征提取模型提取出的操作特征,进行业务风控。
从上述方法中可以看出,本方法可以将操作信息输入到待训练的第一特征提取模型中,确定操作信息对应的操作特征,以及,将业务事件对应的事件信息输入到预设的第二特征提取模型中,确定业务事件对应的业务事件特征。然后,以最小化操作信息对应的操作特征与业务事件特征之间的偏差为优化目标,对第一特征提取模型进行训练。从而,在终端设备上得到具有业务事件特征的操作特征,避免了服务器获取大量数据,导致的计算时间较长的问题,从而降低了服务器上的计算资源的消耗,提高了业务风控的效率。
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为本说明书实施例提供的一种模型训练的方法的流程示意图;
图2为本说明书实施例提供的一种第一特征提取模型的模型结构的示意图;
图3为本说明书实施例提供的一种业务风控的方法的流程示意图;
图4为本说明书实施例提供的一种模型训练的装置的结构示意图;
图5为本说明书实施例提供的一种业务风控的装置的结构示意图;
图6为本说明书实施例提供的电子设备的结构示意图。
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。
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为本说明书中一种模型训练的方法的流程示意图,具体包括以下步骤:
S100:获取用户的操作信息,所述操作信息用于表示用户在客户端上执行业务时的操作。
在本说明书实施例中,对第一特征提取模型进行训练的方法的执行主体可以是服务器、台式电脑等电子设备。为了便于描述,下面仅以服务器为执行主体,对本说明书提供的模型训练的方法进行说明。
在本说明书实施例中,服务器可以获取用户的操作信息。这里提到的客户端可以是指应用程序(Application,APP)。这里提到的操作信息用于表示用户在客户端上执行业务时的操作。例如,用户在客户端的点击、浏览、扫码等操作。
在实际应用中,服务器获取到的用户的操作信息的数据量较多,通常按照时间段对操作信息进行划分。但是,若用户执行业务的时间较长,这种方法可以会出现用户执行业务的过程被划分到两个时间段的情况,从而,导致基于这种方法得到的划分后的操作信息,训练出的第一特征提取模型得到的操作特征用于风控模型时,确定出的风控结果的准确性较低。
在本说明书实施例中,服务器可以按照用户从开启客户端到关闭客户端的过程对操作信息进行划分。具体的,操作信息中可以包含有操作编号,用户从开启客户端到关闭客户端过程中的操作信息对应的操作编号相同。服务器可以根据操作信息中的操作编号,对操作信息进行划分,确定用户每次从开启客户端到关闭客户端过程中的操作信息。
S102:根据所述操作信息,确定所述用户执行所述操作信息对应的操作后在服务端上所产生的业务事件。
在实际应用中,用户在客户端上的操作信息分别对应服务端上的业务事件,也就是说,不同的操作信息均会在服务端上生成相应的业务事件。这里提到的业务事件可以包括:公共事业缴费、快捷签约充值、转账、商品交易等。
例如,用户在开启客户端后,点击收付款的按钮,打开扫码支付,再扫描二维码后,确认支付,会在服务端生成扫码支付事件。基于此,服务器可以根据操作信息,确定用户执行操作信息对应的操作后在服务端上所产生的业务事件。这里提到的服务端可以是指服务器上的服务程序,服务端用于向客户端提供资源,保存客户端数据等。
S104:将所述操作信息输入到待训练的第一特征提取模型中,确定所述操作信息对应的操作特征,以及,将所述业务事件对应的事件信息输入到预设的第二特征提取模型中,确定所述业务事件对应的业务事件特征。
在本说明书实施例中,在通过对第一特征提取模型进行训练之前,需要先对第二特征提取模型进行训练,再通过第二特征提取模型确定出的操作信息对应的操作特征,对第一特征提取模型进行训练。接下来将对第二特征提取模型的训练过程进行详细说明。
在本说明书实施例中,对第二特征提取模型进行训练的方法的执行主体可以是服务器、台式电脑等电子设备。为了便于描述,下面仅以服务器为执行主体,对本说明书提供的对第二特征提取模型进行训练的方法进行说明。
在实际应用中,不同的业务事件之间的关联性较弱,不具有相同的特征。基于此,服务器可以通过推远不同的业务事件之间的距离,对第二特征提取模型进行训练。
在本说明书实施例中,服务器可以获取在服务端上的各业务事件对应的事件信息。
其次,服务器可以将各业务事件对应的事件信息输入待训练的第二特征提取模型中,确定各业务事件对应的业务事件特征。
最后,服务器可以以最大化各业务事件对应的业务事件特征之间的偏差为优化目标,对第二特征提取模型进行训练。
在本说明书实施例中,第二特征提取模型应用的可以是自监督对比算法。自监督对比算法中的正样本通常都是基于同一样本的不同变换,负样本通常是其他样本。基于此,针对每个业务事件,服务器可以对该业务事件对应的事件信息进行随机变换,以得到该业务事件对应的正样本。并将不同的业务事件,作为负样本。
其中,为了对同一业务事件对应的事件信息进行变换,得到业务事件对应的不同的业务事件特征。在每次输入该业务事件对应的事件信息时,随机特征层中的每个特征节点以预设概率不对该业务事件对应的事件信息进行处理。这使得该业务事件对应的事件信息每次输入到随机特征层中,得到的业务事件特征均不相同。
在本说明书实施例中,针对每个业务事件,服务器可以将该业务事件对应的事件信息重复输入到待训练的第二特征提取模型的随机特征层中,以通过随机特征层中包含的各特征节点,确定该业务事件对应的各业务事件特征,其中,在每次输入该业务事件对应的事件信息时,随机特征层中的每个特征节点以预设概率不对该业务事件对应的事件信息进行处理。
也就是说,随机特征层可以在每轮训练中,通过忽略部分的特征节点(让部分的特征节点为0),不但可以得到业务事件对应的各业务事件特征,还可以明显地减少过拟合现象。并且,这种方式可以减少特征节点之间的相互作用。特征节点之间的相互作用可以是指某些特征节点需要依赖其他特征节点才能发挥作用。
然后,服务器可以以最小化该业务事件对应的各业务事件特征之间的偏差,以及以最大化各业务事件对应的业务事件特征之间的偏差为优化目标,对第二特征提取模型进行训练。
也就是说,服务器可以通过拉近不同变换的同一业务事件对应的业务事件特征之间的距离,推远不同的业务事件对应的业务事件特征之间的距离,来对第二特征提取模型进行训练,以此,在后续对第一特征提取模型的训练过程中使得第一特征提取模型确定出的操作信息对应的操作特征,具有业务事件的业务事件特征。
在实际应用中,通常确定出的业务事件特征中并没有文本信息在业务事件中的位置信息,为了得到更好的业务事件特征。服务器可以根据业务事件对应的文本信息的文本特征以及业务事件对应的文本信息的位置特征,确定业务事件特征。
在本说明书实施例中,服务器可以针对每个业务事件,将该业务事件输入到待训练的第二特征提取模型中,确定该业务事件对应的文本信息的文本特征以及该业务事件对应的文本信息的位置特征。
其次,服务器可以根据该业务事件对应的文本信息的文本特征以及该业务事件对应的文本信息的位置特征,确定该业务事件对应的业务事件特征。
在实际应用中,由于操作信息实际上是用户在一段时间内的点击、浏览、扫描等操作,而仅根据操作信息,确定出的操作信息对应的操作特征,无法与服务端的业务事件产生关联,这使得通过风控模型,确定出的风控结果的准确性较低。基于此,服务器可以将业务事件对应的业务事件特征,作为操作信息的标签信息,以此对第一特征提取模型进行训练,使得操作信息的操作特征具有业务事件对应的业务事件特征。
在本说明书实施例中,服务器可以将操作信息输入到待训练的第一特征提取模型中,确定操作信息对应的操作特征,以及,将业务事件对应的事件信息输入到预设的第二特征提取模型中,确定业务事件对应的业务事件特征。
其中,本方法应用的第二特征提取模型所使用的自监督对比算法可以有多种,例如,动量对比算法(Momentum Contrast,MOCO)、视觉表征对比学习的简单框架算法(ASimple Framework for Contrastive Learning of Visual Representations,SimCLR)等,本说明书不对第二特征提取模型所使用的自监督对比算法的具体形式进行限定。
需要说明的是,本说明书中对进行特征提取的方法可以有多种,例如,多层感知器(Multilayer Perceptron,MLP)、卷积神经网络(Convolutional Neural Networks,,CNN)、基于转换器的双向编码表征(Bidirectional Encoder Representation fromTransformers,BERT)。本说明书不对进行特征提取的方法进行限定。
S106:以最小化所述操作信息对应的操作特征与所述业务事件特征之间的偏差为优化目标,对第一特征提取模型进行训练,所述第一特征提取模型部署在用户所使用的终端设备中,用于从用户在终端设备上执行操作所产生的操作信息中提取操作特征,并将提取出的操作特征输入到风控模型,以使所述风控模型根据所述第一特征提取模型提取出的操作特征,进行业务风控。
在实际应用中,对用户进行业务风控,主要依赖于服务端的风控模型,但是,由于客户端拥有海量的操作信息,服务端因运算资源有限,无法对所有的操作信息进行业务风控。因此,需要对这些操作信息进行抽样,将抽样后的操作信息上传给服务端的风控模型,以完成业务风控。
然而,抽样后的操作信息不可避免的会出现操作信息的信息损失,这可能会导致确定出的风控结果的准确性较低,从而出现安全隐患。因此,服务器可以训练部署在用户所使用的终端设备中的第一特征提取模型,以在终端设备上得到具有业务事件特征的操作特征,避免了操作信息的信息损失的问题,从而提高确定出的风控结果的准确性。
在本说明书实施例中,服务器可以以最小化操作信息对应的操作特征与业务事件特征之间的偏差为优化目标,对第一特征提取模型进行训练,第一特征提取模型部署在用户所使用的终端设备中,用于从用户在终端设备上执行操作所产生的操作信息中提取操作特征,并将提取出的操作特征输入到风控模型,以使风控模型根据第一特征提取模型提取出的操作特征,进行业务风控。
需要说明的是,在用户执行业务的过程中,通常通过不同风险类型对应的风控模型,进行业务风控。由于,每个风控模型确定出的用户执行业务时的操作信息对应的操作特征,仅能用于确定自身的风控结果。这会导致计算资源的消耗十分巨大。并且,由于每个风控模型均需要确定属于自身的操作特征,会导致风控模型运算的效率较低。因此,服务器可以通过部署在终端设备上的第一特征提取模型,根据用户的操作信息,得到一个通用的操作信息对应的操作特征,以降低计算资源的消耗,提高各风控模型运算的效率。
在本说明书实施例中,第一特征提取模型的模型结构具体如图2所示。
图2为本说明书实施例提供的一种第一特征提取模型的模型结构的示意图。
在图2中,服务器获取用户的操作信息。服务端可以根据操作信息,确定用户执行操作信息对应的操作后在服务端上所产生的业务事件。
其次,服务器可以将操作信息输入到待训练的第一特征提取模型中,确定操作信息对应的操作特征,以及,将业务事件对应的事件信息输入到预设的第二特征提取模型中,确定业务事件对应的业务事件特征。
而后,服务器可以以最小化操作信息对应的操作特征与业务事件特征之间的偏差为优化目标,对第一特征提取模型进行训练。
最后,服务器可以将训练后的第一特征提取模型部署到终端设备,终端设备可以从用户在终端设备上执行操作所产生的操作信息中提取操作特征,并将提取出的操作特征输入到各风险类型对应的风控模型,得到各风险类型对应的业务风险的概率,以使各风险类型对应的风控模型根据第一特征提取模型提取出的操作特征,进行业务风控。
也就是说,风控模型可以结合业务事件特征和操作特征,对用户进行业务风控。例如,用户在执行同一业务事件时,不同的操作过程得到的风控结果并不相同。
从上述过程中可以看出,本方法可以将操作信息输入到待训练的第一特征提取模型中,确定操作信息对应的操作特征,以及,将业务事件对应的事件信息输入到预设的第二特征提取模型中,确定业务事件对应的业务事件特征。然后,以最小化操作信息对应的操作特征与业务事件特征之间的偏差为优化目标,对第一特征提取模型进行训练。从而,在终端设备上得到具有业务事件特征的操作特征,避免了服务器获取大量数据,导致的计算时间较长的问题,从而降低了服务器上的计算资源的消耗,提高了业务风控的效率。
在本说明书实施例中,在确定完成第一特征提取模型的训练后,可以将用户当前的操作信息输入到训练后的第二特征提取模型中,确定操作信息对应的操作特征。并将操作特征输入到预设的风控模型中,进行业务风控。具体的业务风控过程如图3所示。
图3为本说明书中一种业务风控的方法的流程示意图,具体包括以下步骤:
S300:获取用户的操作信息。
在本说明书实施例中,业务风控的方法的执行主体可以是终端设备。这里提到的终端设备可以是指手机、平板电脑等终端设备,为了便于描述,下面仅以终端设备为执行主体,对本说明书提供的业务风控的方法进行说明。
在本说明书实施例中,终端设备上设置有第一特征提取模型,终端设备可以获取用户的操作信息。
S302:将所述操作信息输入到预先训练的第一特征提取模型中,确定所述操作信息对应的操作特征。
S304:将所述操作特征输入到预设的风控模型中,确定风控结果。
在本说明书实施例中,终端设备可以将操作信息输入到预先训练的第一特征提取模型中,确定操作信息对应的操作特征。
在本说明书实施例中,终端设备可以将操作特征输入到预设的风控模型中,确定风控结果。
在实际应用中,在用户执行业务的过程中,通常通过不同风险类型对应的风控模型,进行业务风控。由于,每个风控模型确定出的用户执行业务时的操作信息对应的操作特征,仅能用于确定自身的风控结果。这会导致计算资源的消耗十分巨大。并且,由于每个风控模型均需要确定属于自身的操作特征,会导致风控模型运算的效率较低。
基于此,终端设备可以通过第一特征提取模型,确定出了通用于不同风险类型对应的风控模型的操作特征,以提高风控模型运算的效率。
在本说明书实施例中,终端设备上设置有不同风险类型的风控模型,服务器可以针对每种风险类型的风控模型,将操作特征输入到该种风险类型的风控模型中,确定用户处于该种风险类型对应的业务风险的概率,作为风控结果。这里提到的风险类型可以是指用户在执行业务过程中是否存在账户被他人盗用、被不法分子欺诈等类型的风险。
S306:根据所述风控结果,进行业务风控。
在本说明书实施例中,终端设备可以根据风控结果,进行业务风控。
具体的,终端设备可以根据用户处于各种风险类型的业务风险的概率,确定用户所处的业务风险对应的各种风险类型。
其次,终端设备可以根据所述用户所处的业务风险对应的各种风险类型,确定风控策略,并根据所述风控策略,进行业务风控。
这里提到的风控策略可以是指根据用户预先上传的用户资料,向用户发送验证码、根据用户预先上传的用户资料,对用户进行人脸识别、根据用户预先上传的用户资料,对用户进行指纹验证、管控用户账户,禁止用户进行支付等。
进一步的,终端设备可以根据用户处于各种风险类型的业务风险的概率,确定用户所处的业务风险对应的各种风险类型的风险等级。
然后,终端设备可以根据用户所处的业务风险对应的各种风险类型的风险等级,确定风控策略。例如,用户处于被不法分子欺诈的业务风险的概率为80%,用户所处的被不法分子欺诈的业务风险的风险等级为高,则管控用户账户,禁止用户进行支付。
需要说明的是,终端设备可以获取到用户的每次操作,就将该次操作信息与历史操作信息结合,输入到第一特征提取模型中,确定操作特征,并将操作特征输入到各种风险类型的风控模型中,确定风控结果。从而,保证用户执行业务过程中的安全性。
从上述过程中可以看出,本方法可以将操作信息输入到预先训练的第一特征提取模型中,确定操作信息对应的操作特征。然后,将操作特征输入到各风控模型中,确定风控结果,以进行业务风控。从而,提高用户执行业务过程中的安全性。
以上为本说明书实施例提供的一种模型训练的方法、业务风控的方法,基于同样的思路,本说明书还提供了相应的装置、存储介质和电子设备。
图4为本说明书实施例提供的一种模型训练的装置的结构示意图,所述装置包括:
获取模块400,用于获取用户的操作信息,所述操作信息用于表示用户在客户端上执行业务时的操作;
确定模块402,用于根据所述操作信息,确定所述用户执行所述操作信息对应的操作后在服务端上所产生的业务事件;
输入模块404,用于将所述操作信息输入到待训练的第一特征提取模型中,确定所述操作信息对应的操作特征,以及,将所述业务事件对应的事件信息输入到预设的第二特征提取模型中,确定所述业务事件对应的业务事件特征;
训练模块406,用于以最小化所述操作信息对应的操作特征与所述业务事件特征之间的偏差为优化目标,对第一特征提取模型进行训练,所述第一特征提取模型部署在用户所使用的终端设备中,用于从用户在终端设备上执行操作所产生的操作信息中提取操作特征,并将提取出的操作特征输入到风控模型,以使所述风控模型根据所述第一特征提取模型提取出的操作特征,进行业务风控。
可选地,所述输入模块404具体用于,获取在服务端上的各业务事件对应的事件信息,将各业务事件对应的事件信息输入待训练的第二特征提取模型中,确定各业务事件对应的业务事件特征,以最大化各业务事件对应的业务事件特征之间的偏差为优化目标,对第二特征提取模型进行训练。
可选地,所述输入模块404具体用于,针对每个业务事件,将该业务事件对应的事件信息重复输入到待训练的第二特征提取模型的随机特征层中,以通过所述随机特征层中包含的各特征节点,确定该业务事件对应的各业务事件特征,其中,在每次输入该业务事件对应的事件信息时,所述随机特征层中的每个特征节点以预设概率不对该业务事件对应的事件信息进行处理,以最小化该业务事件对应的各业务事件特征之间的偏差,以及以最大化各业务事件对应的业务事件特征之间的偏差为优化目标,对第二特征提取模型进行训练。
可选地,所述输入模块404具体用于,针对每个业务事件,将该业务事件对应的事件信息输入到待训练的第二特征提取模型中,确定该业务事件对应的文本信息的文本特征以及该业务事件对应的文本信息的位置特征,根据该业务事件对应的文本信息的文本特征以及该业务事件对应的文本信息的位置特征,确定该业务事件对应的业务事件特征。
图5为本说明书实施例提供的一种业务风控的装置的结构示意图,所述装置终端设备,所述终端设备上设置有第一特征提取模型,所述装置包括:
获取模块500,用于获取用户的操作信息;
确定模块502,用于将所述操作信息输入到预先训练的第一特征提取模型中,确定所述操作信息对应的操作特征,所述第一特征提取模型是通过上述模型训练的方法得到的;
输入模块504,用于将所述操作特征输入到预设的风控模型中,确定风控结果;
风控模块506,用于根据所述风控结果,进行业务风控。
可选地,所述终端设备上设置有不同风险类型的风控模型;
所述输入模块504具体用于,针对每种风险类型的风控模型,将所述操作特征输入到该种风险类型的风控模型中,确定用户处于该种风险类型对应的业务风险的概率,作为风控结果。
可选地,所述风控模块506具体用于,根据用户处于各种风险类型的业务风险的概率,确定用户所处的业务风险对应的各种风险类型,根据所述用户所处的业务风险对应的各种风险类型,确定风控策略,并根据所述风控策略,进行业务风控。
可选地,所述风控模块506具体用于,根据用户处于各种风险类型的业务风险的概率,确定所述用户所处的业务风险对应的各种风险类型的风险等级,根据所述用户所处的业务风险对应的各种风险类型的风险等级,确定风控策略。
本说明书还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可用于执行上述图1以及图3提供的模型训练的方法、业务风控的方法。
本说明书实施例还提供了图6所示的电子设备的结构示意图。如图6,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以及图3提供的模型训练的方法、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。
需要说明的是,本申请中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
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: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 (12)
1.一种模型训练的方法,包括:
获取用户的操作信息,所述操作信息用于表示用户在客户端上执行业务时的操作;
根据所述操作信息,确定所述用户执行所述操作信息对应的操作后在服务端上所产生的业务事件;
将所述操作信息输入到待训练的第一特征提取模型中,确定所述操作信息对应的操作特征,以及,将所述业务事件对应的事件信息输入到预设的第二特征提取模型中,确定所述业务事件对应的业务事件特征;
以最小化所述操作信息对应的操作特征与所述业务事件特征之间的偏差为优化目标,对第一特征提取模型进行训练,所述第一特征提取模型部署在用户所使用的终端设备中,用于从用户在终端设备上执行操作所产生的操作信息中提取操作特征,并将提取出的操作特征输入到风控模型,以使所述风控模型根据所述第一特征提取模型提取出的操作特征,进行业务风控。
2.如权利要求1所述的方法,训练第二特征提取模型,具体包括:
获取在服务端上的各业务事件对应的事件信息;
将各业务事件对应的事件信息输入待训练的第二特征提取模型中,确定各业务事件对应的业务事件特征;
以最大化各业务事件对应的业务事件特征之间的偏差为优化目标,对第二特征提取模型进行训练。
3.如权利要求2所述的方法,将各业务事件对应的事件信息输入待训练的第二特征提取模型中,确定各业务事件对应的业务事件特征,具体包括:
针对每个业务事件,将该业务事件对应的事件信息重复输入到待训练的第二特征提取模型的随机特征层中,以通过所述随机特征层中包含的各特征节点,确定该业务事件对应的各业务事件特征,其中,在每次输入该业务事件对应的事件信息时,所述随机特征层中的每个特征节点以预设概率不对该业务事件对应的事件信息进行处理;
以最大化各业务事件对应的业务事件特征之间的偏差为优化目标,对第二特征提取模型进行训练,具体包括:
以最小化该业务事件对应的各业务事件特征之间的偏差,以及以最大化各业务事件对应的业务事件特征之间的偏差为优化目标,对第二特征提取模型进行训练。
4.如权利要求2所述的方法,将各业务事件输入待训练的第二特征提取模型中,确定各业务事件对应的业务事件特征,具体包括:
针对每个业务事件,将该业务事件对应的事件信息输入到待训练的第二特征提取模型中,确定该业务事件对应的文本信息的文本特征以及该业务事件对应的文本信息的位置特征;
根据该业务事件对应的文本信息的文本特征以及该业务事件对应的文本信息的位置特征,确定该业务事件对应的业务事件特征。
5.一种业务风控的方法,所述方法应用于终端设备,所述终端设备上设置有第一特征提取模型,包括:
获取用户的操作信息;
将所述操作信息输入到预先训练的第一特征提取模型中,确定所述操作信息对应的操作特征,所述第一特征提取模型是通过上述权利要求1~4任一项所述的方法得到的;
将所述操作特征输入到预设的风控模型中,确定风控结果;
根据所述风控结果,进行业务风控。
6.如权利要求5所述的方法,所述终端设备上设置有不同风险类型的风控模型;
将所述操作特征输入到预设的风控模型中,确定风控结果,具体包括:
针对每种风险类型的风控模型,将所述操作特征输入到该种风险类型的风控模型中,确定用户处于该种风险类型对应的业务风险的概率,作为风控结果。
7.如权利要求6所述的方法,根据所述风控结果,进行业务风控,具体包括:
根据用户处于各种风险类型的业务风险的概率,确定用户所处的业务风险对应的各种风险类型;
根据所述用户所处的业务风险对应的各种风险类型,确定风控策略,并根据所述风控策略,进行业务风控。
8.如权利要求7所述的方法,根据所述用户所处的业务风险对应的各种风险类型,确定风控策略,具体包括:
根据用户处于各种风险类型的业务风险的概率,确定所述用户所处的业务风险对应的各种风险类型的风险等级;
根据所述用户所处的业务风险对应的各种风险类型的风险等级,确定风控策略。
9.一种模型训练的装置,包括:
获取模块,用于获取用户的操作信息,所述操作信息用于表示用户在客户端上执行业务时的操作;
确定模块,用于根据所述操作信息,确定所述用户执行所述操作信息对应的操作后在服务端上所产生的业务事件;
输入模块,用于将所述操作信息输入到待训练的第一特征提取模型中,确定所述操作信息对应的操作特征,以及,将所述业务事件对应的事件信息输入到预设的第二特征提取模型中,确定所述业务事件对应的业务事件特征;
训练模块,用于以最小化所述操作信息对应的操作特征与所述业务事件特征之间的偏差为优化目标,对第一特征提取模型进行训练,所述第一特征提取模型部署在用户所使用的终端设备中,用于从用户在终端设备上执行操作所产生的操作信息中提取操作特征,并将提取出的操作特征输入到风控模型,以使所述风控模型根据所述第一特征提取模型提取出的操作特征,进行业务风控。
10.一种业务风控的装置,所述装置应用于终端设备,所述终端设备上设置有第一特征提取模型,包括:
获取模块,用于获取用户的操作信息;
确定模块,用于将所述操作信息输入到预先训练的第一特征提取模型中,确定所述操作信息对应的操作特征,所述第一特征提取模型是通过上述权利要求1~4任一项所述的方法得到的;
输入模块,用于将所述操作特征输入到预设的风控模型中,确定风控结果;
风控模块,用于根据所述风控结果,进行业务风控。
11.一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1-8任一项所述的方法。
12.一种电子设备,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1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211508334.0A CN115545720B (zh) | 2022-11-29 | 2022-11-29 | 一种模型训练的方法、业务风控的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211508334.0A CN115545720B (zh) | 2022-11-29 | 2022-11-29 | 一种模型训练的方法、业务风控的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115545720A true CN115545720A (zh) | 2022-12-30 |
CN115545720B CN115545720B (zh) | 2023-03-10 |
Family
ID=84722674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211508334.0A Active CN115545720B (zh) | 2022-11-29 | 2022-11-29 | 一种模型训练的方法、业务风控的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115545720B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116151627A (zh) * | 2023-04-04 | 2023-05-23 | 支付宝(杭州)信息技术有限公司 | 一种业务风控的方法、装置、存储介质及电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113010809A (zh) * | 2021-03-11 | 2021-06-22 | 北京三快在线科技有限公司 | 一种信息推荐的方法及装置 |
CN113312667A (zh) * | 2021-06-07 | 2021-08-27 | 支付宝(杭州)信息技术有限公司 | 一种风险防控方法、装置及设备 |
CN113409050A (zh) * | 2021-05-06 | 2021-09-17 | 支付宝(杭州)信息技术有限公司 | 基于用户操作判断业务风险的方法和装置 |
US11216752B1 (en) * | 2020-12-01 | 2022-01-04 | OctoML, Inc. | Optimizing machine learning models |
CN113988225A (zh) * | 2021-12-24 | 2022-01-28 | 支付宝(杭州)信息技术有限公司 | 建立表征提取模型、表征提取、类型识别的方法和装置 |
US20220103589A1 (en) * | 2020-09-29 | 2022-03-31 | Equifax Inc. | Predicting data tampering using augmented machine learning models |
CN115098885A (zh) * | 2022-07-28 | 2022-09-23 | 清华大学 | 数据处理方法、系统及电子设备 |
CN115203394A (zh) * | 2022-07-20 | 2022-10-18 | 北京三快在线科技有限公司 | 一种模型训练的方法、业务执行的方法及装置 |
CN115238826A (zh) * | 2022-09-15 | 2022-10-25 | 支付宝(杭州)信息技术有限公司 | 一种模型训练的方法、装置、存储介质及电子设备 |
-
2022
- 2022-11-29 CN CN202211508334.0A patent/CN115545720B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220103589A1 (en) * | 2020-09-29 | 2022-03-31 | Equifax Inc. | Predicting data tampering using augmented machine learning models |
US11216752B1 (en) * | 2020-12-01 | 2022-01-04 | OctoML, Inc. | Optimizing machine learning models |
CN113010809A (zh) * | 2021-03-11 | 2021-06-22 | 北京三快在线科技有限公司 | 一种信息推荐的方法及装置 |
CN113409050A (zh) * | 2021-05-06 | 2021-09-17 | 支付宝(杭州)信息技术有限公司 | 基于用户操作判断业务风险的方法和装置 |
CN113312667A (zh) * | 2021-06-07 | 2021-08-27 | 支付宝(杭州)信息技术有限公司 | 一种风险防控方法、装置及设备 |
CN113988225A (zh) * | 2021-12-24 | 2022-01-28 | 支付宝(杭州)信息技术有限公司 | 建立表征提取模型、表征提取、类型识别的方法和装置 |
CN115203394A (zh) * | 2022-07-20 | 2022-10-18 | 北京三快在线科技有限公司 | 一种模型训练的方法、业务执行的方法及装置 |
CN115098885A (zh) * | 2022-07-28 | 2022-09-23 | 清华大学 | 数据处理方法、系统及电子设备 |
CN115238826A (zh) * | 2022-09-15 | 2022-10-25 | 支付宝(杭州)信息技术有限公司 | 一种模型训练的方法、装置、存储介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
张乐等: "一种免注册标识的增强现实方法", 《科学技术与工程》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116151627A (zh) * | 2023-04-04 | 2023-05-23 | 支付宝(杭州)信息技术有限公司 | 一种业务风控的方法、装置、存储介质及电子设备 |
CN116151627B (zh) * | 2023-04-04 | 2023-09-01 | 支付宝(杭州)信息技术有限公司 | 一种业务风控的方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115545720B (zh) | 2023-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021031528A1 (zh) | 一种操作用户识别方法、装置及设备 | |
CN113516480B (zh) | 一种支付风险识别方法、装置及设备 | |
CN110674188A (zh) | 一种特征提取方法、装置及设备 | |
CN110032857B (zh) | 账户的注册、可信设备的识别方法及装置 | |
CN113837638B (zh) | 话术确定方法、装置及设备 | |
CN112735407B (zh) | 一种对话处理方法及装置 | |
CN112215613B (zh) | 一种密码验证方法、装置、设备及介质 | |
CN109271587A (zh) | 一种页面生成方法和装置 | |
CN115545720B (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN113111340A (zh) | 一种显示登录方式选项的方法、装置、设备和可读介质 | |
CN110532755B (zh) | 一种计算机实现的风险识别的方法及装置 | |
US20240073204A1 (en) | Computer-based systems involving enhanced one-time passcode (otp) messaging and methods of use thereof | |
CN115563584B (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
CN111241395B (zh) | 认证服务的推荐方法及装置 | |
CN115660105A (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN110738562B (zh) | 一种风险提醒信息的生成方法、装置及设备 | |
CN110728516A (zh) | 一种风控模型的更新方法、装置及设备 | |
CN110929871A (zh) | 博弈决策方法和系统 | |
CN111310167B (zh) | 一种密码提醒方法、装置以及设备 | |
CN115860749B (zh) | 一种数据处理方法、装置及设备 | |
CN115688130B (zh) | 数据处理方法、装置及设备 | |
CN117592102A (zh) | 一种业务执行方法、装置、设备及存储介质 | |
CN111782960A (zh) | 文案推送方法、装置及电子设备 | |
CN118070922A (zh) | 一种模型的处理方法、装置及设备 | |
CN115730233A (zh) | 一种数据处理方法、装置、可读存储介质以及电子设备 |
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 |