CN115660105A - 一种模型训练的方法、业务风控的方法及装置 - Google Patents

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，确定预先构建的业务关系图。其次，获取业务序列数据。而后，将业务序列数据输入到待训练的预测模型中，以通过特征提取层，得到目标节点的第一序列特征，以及关联节点的第二序列特征。然后，通过注意力层，确定第一序列特征与第二序列特征之间的注意力权重，并根据注意力权重、第一序列特征以及第二序列特征，确定目标节点与关联节点之间的边的边特征。接着，将确定出的目标节点对应的节点特征以及边特征输入到决策层中，得到风险预测结果。最后，以最小化风险预测结果与标签之间的偏差为优化目标，对预测模型进行训练。本方法可以在用户执行业务过程中进行有效地业务风控。

Description

一种模型训练的方法、业务风控的方法及装置

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

随着互联网技术的快速发展，越来越多的业务可以通过互联网来实现(例如，支付、贷款)，相应的也伴随出现很多业务风险(例如，在线欺诈)，对业务进行风险控制以及隐私数据保护常常是业务流程中不可或缺的一部分。

目前，在业务风控过程中，常用的手段是收集大量的用户数据对风控模型进行训练，从而，通过训练后的风控模型对线上正在执行的业务进行及时的业务风控。但是，目前的风控模型的业务风控的能力较差。

因此，如何在用户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，以在用户执行业务过程中进行有效地业务风控。

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：

确定目标用户在预先构建的业务关系图中对应的节点，作为目标节点，以及确定与所述目标节点相连的节点，作为关联节点，在所述业务关系图中，一个节点对应一个用户，具有业务关联的用户对应的节点由边相连；

获取所述目标用户对应的业务序列数据，以及获取所述关联节点对应用户的业务序列数据，业务序列数据用于表示按照时间顺序进行排序的各业务数据；

将所述目标用户的业务序列数据以及所述关联节点对应用户的业务序列数据输入到待训练的预测模型中，以通过所述预测模型中的特征提取层，从所述目标用户对应的业务序列数据中提取特征，得到第一序列特征，以及从所述关联节点对应用户的业务序列数据中提取特征，得到第二序列特征；

通过所述预测模型中的注意力层，确定所述第一序列特征与所述第二序列特征之间的注意力权重，并根据所述注意力权重、所述第一序列特征以及所述第二序列特征，确定所述目标节点与所述关联节点之间的边的边特征；

将确定出的所述目标节点对应的节点特征以及所述边特征输入到所述预测模型中的决策层中，得到风险预测结果；

以最小化所述风险预测结果与所述目标用户对应的标签之间的偏差为优化目标，对所述预测模型进行训练。

可选地，通过所述预测模型中的注意力层，确定所述第一序列特征与所述第二序列特征之间的注意力权重，具体包括：

通过所述预测模型中的注意力层，针对所述第一序列特征中包含的每个时刻的业务特征，确定该时刻的业务特征与所述第二序列特征中的各时刻的业务特征之间的权重，作为所述第一序列特征中包含的该时刻的业务特征对应的权重；

针对所述第二序列特征中包含的每个时刻的业务数据，确定该时刻的业务特征与所述第一序列特征中的各时刻的业务特征之间的权重，作为所述第二序列特征中包含的该时刻的业务特征对应的权重；

根据所述第一序列特征中包含的各时刻的业务特征对应的权重以及所述第二序列特征中包含的各时刻的业务特征对应的权重，确定所述第一序列特征与所述第二序列特征之间的注意力权重。

可选地，根据所述注意力权重、所述第一序列特征以及所述第二序列特征，确定所述目标节点与所述关联节点之间的边的边特征，具体包括：

通过所述注意力权重对所述第一序列特征加权，得到加权后第一序列特征，以及，通过所述注意力权重对所述第二序列特征加权，得到加权后第二序列特征；

根据所述加权后第一序列特征以及所述加权后第二序列特征，确定所述目标节点与所述关联节点之间的边的边特征。

可选地，根据所述加权后第一序列特征以及所述加权后第二序列特征，确定所述目标节点与所述关联节点之间的边的边特征，具体包括：

针对所述加权后第一序列特征中包含的每个时刻的加权后特征，根据该时刻的加权后特征中包含的各维度的子特征之间的权重，对该时刻的加权后特征进行特征压缩，得到所述加权后第一序列特征中包含的该时刻的压缩后特征；

针对所述加权后第二序列特征中包含的每个时刻的加权后特征，根据该时刻的加权后特征中包含的各维度的子特征之间的权重，对该时刻的加权后特征进行特征压缩，得到所述加权后第二序列特征中包含的该时刻的压缩后特征；

根据所述加权后第一序列特征中包含的各时刻的压缩后特征以及所述加权后第二序列特征中包含的各时刻的压缩后特征，确定所述目标节点与所述关联节点之间的边的边特征。

可选地，根据所述注意力权重、所述第一序列特征以及所述第二序列特征，确定所述目标节点与所述关联节点之间的边的边特征，具体包括：

根据输入到所述预测模型中的业务序列数据，确定所述目标用户与所述关联节点对应用户在历史上分别针对同一业务对象所执行的业务数据，作为目标数据；

根据所述注意力权重、所述第一序列特征、所述第二序列特征以及所述目标数据，确定所述目标节点与所述关联节点之间的边的边特征。

可选地，根据所述注意力权重、所述第一序列特征以及所述第二序列特征，确定所述目标节点与所述关联节点之间的边的边特征，具体包括：

根据输入到所述预测模型中的业务序列数据，确定所述目标用户在历史上执行的各业务所对应的商户，并确定所述目标用户在每个商户中执行业务的比例，作为第一比例，以及确定所述关联节点对应用户在每个商户中执行业务的比例，作为第二比例；

根据所述注意力权重、所述第一序列特征、所述第二序列特征、所述第一比例以及所述第二比例，确定所述目标节点与所述关联节点之间的边的边特征。

可选地，所述业务关系图还包括：商户节点；

确定所述目标节点对应的节点特征，具体包括：

根据所述目标用户的业务序列数据，确定所述目标节点对应的初始节点特征；

根据所述关联节点对应用户的业务序列数据，确定所述关联节点对应的节点特征；

从所述业务关系图中确定与所述目标节点通过边相连的商户节点，作为关联商户节点；

根据所述关联商户节点对应商户的业务数据，确定所述关联商户节点对应的节点特征；

根据所述目标节点对应的初始节点特征、所述关联节点对应的节点特征以及所述关联商户节点对应的节点特征，确定所述目标节点对应的节点特征。

本说明书提供了一种业务风控的方法，包括：

获取用户执行业务时的业务序列数据；

将所述业务序列数据输入到预先训练的预测模型中，以确定目标用户执行业务时的风险预测结果，所述预测模型是通过上述模型训练的方法训练得到的；

根据所述风险预测结果，对所述用户进行业务风控。

本说明书提供了一种模型训练的装置，包括：

确定模块，用于确定目标用户在预先构建的业务关系图中对应的节点，作为目标节点，以及确定与所述目标节点相连的节点，作为关联节点，在所述业务关系图中，一个节点对应一个用户，具有业务关联的用户对应的节点由边相连；

获取模块，用于获取所述目标用户对应的业务序列数据，以及获取所述关联节点对应用户的业务序列数据，业务序列数据用于表示按照时间顺序进行排序的各业务数据；

提取模块，用于将所述目标用户的业务序列数据以及所述关联节点对应用户的业务序列数据输入到待训练的预测模型中，以通过所述预测模型中的特征提取层，从所述目标用户对应的业务序列数据中提取特征，得到第一序列特征，以及从所述关联节点对应用户的业务序列数据中提取特征，得到第二序列特征；

权重模块，用于通过所述预测模型中的注意力层，确定所述第一序列特征与所述第二序列特征之间的注意力权重，并根据所述注意力权重、所述第一序列特征以及所述第二序列特征，确定所述目标节点与所述关联节点之间的边的边特征；

输入模块，用于将确定出的所述目标节点对应的节点特征以及所述边特征输入到所述预测模型中的决策层中，得到风险预测结果；

训练模块，用于以最小化所述风险预测结果与所述目标用户对应的标签之间的偏差为优化目标，对所述预测模型进行训练。

本说明书提供了一种业务风控的装置，包括：

获取模块，用于获取目标用户执行业务时的业务序列数据；

输入模块，用于将所述业务序列数据输入到预先训练的预测模型中，以确定目标用户执行业务时的风险预测结果，所述预测模型是通过上述模型训练的方法训练得到的；

风控模块，用于根据所述风险预测结果，对所述用户进行业务风控。

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，确定目标用户在预先构建的业务关系图中对应的节点，作为目标节点，以及确定与目标节点相连的节点，作为关联节点，在所述业务关系图中，一个节点对应一个用户，具有业务关联的用户对应的节点由边相连。其次，获取目标用户对应的业务序列数据，以及获取关联节点对应用户的业务序列数据，业务序列数据用于表示按照时间顺序进行排序的各业务数据。而后，将目标用户的业务序列数据以及关联节点对应用户的业务序列数据输入到待训练的预测模型中，以通过预测模型中的特征提取层，从目标用户对应的业务序列数据中提取特征，得到第一序列特征，以及从关联节点对应用户的业务序列数据中提取特征，得到第二序列特征。然后，通过预测模型中的注意力层，确定第一序列特征与第二序列特征之间的注意力权重，并根据注意力权重、第一序列特征以及第二序列特征，确定目标节点与关联节点之间的边的边特征。接着，将确定出的目标节点对应的节点特征以及边特征输入到预测模型中的决策层中，得到风险预测结果。最后，以最小化风险预测结果与目标用户对应的标签之间的偏差为优化目标，对预测模型进行训练。

从上述方法中可以看出，本方法可以预先构建业务关系图，以通过预测模型中的特征提取层，从目标用户对应的业务序列数据中提取特征，得到第一序列特征，以及从关联节点对应用户的业务序列数据中提取特征，得到第二序列特征。然后，通过预测模型中的注意力层，确定第一序列特征与第二序列特征之间的注意力权重，并根据注意力权重、第一序列特征以及第二序列特征，确定目标节点与关联节点之间的边的边特征。接着，将确定出的目标节点对应的节点特征以及边特征输入到预测模型中的决策层中，得到风险预测结果。最后，以最小化风险预测结果与目标用户对应的标签之间的偏差为优化目标，对预测模型进行训练。本方法中的业务关系图的目标节点以及关联节点中包含有业务序列数据，这使得预测模型在确定风险预测结果的过程中可以参考用户执行业务的顺序信息。并且，预测模型可以通过目标节点对应的节点特征以及边特征，得到更为细致的目标用户的信息，从而，提高了确定出的风险预测结果的准确性，进而，在用户执行业务过程中进行有效地业务风控。

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业务风控的方法的流程示意图；

图3为本说明书实施例提供的一种构建业务关系图的示意图；

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。

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：确定目标用户在预先构建的业务关系图中对应的节点，作为目标节点，以及确定与所述目标节点相连的节点，作为关联节点，在所述业务关系图中，一个节点对应一个用户，具有业务关联的用户对应的节点由边相连。

S102：获取所述目标用户对应的业务序列数据，以及获取所述关联节点对应用户的业务序列数据，业务序列数据用于表示按照时间顺序进行排序的各业务数据。

在本说明书实施例中，模型训练的方法的执行主体可以是指服务器、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，服务器可以确定目标用户在预先构建的业务关系图中对应的节点，作为目标节点，以及确定与目标节点相连的节点，作为关联节点，在业务关系图中，一个节点对应一个用户，具有业务关联的用户对应的节点由边相连。

其中，服务器可以根据用户的业务序列数据，在业务关系图中，生成用户对应的节点。这里提到的业务序列数据用于表示按照时间顺序进行排序的各业务数据。这里提到的业务数据可以是指用户执行业务时的每个操作事件对应的数据。例如，用户的注册数据、用户的登录数据、用户的点击数据、用户的交易数据、用户的收藏数据等。

进一步的，业务数据中会包括多条业务信息。例如，用户的交易数据中会包括用户的交易时间、用户的交易对象、用户的交易金额等业务信息。再例如，用户的收藏数据中会包括用户的收藏时间、用户的收藏对象、用户的收藏对象的价值等业务信息。

在本说明书实施例中，服务器获取到的用户对应的业务序列数据中的用户执行业务时的每个业务数据，以及每个业务数据的顺序，能够在一定程度上反映出用户的个人偏好。若两个用户对应的业务序列数据中具有针对同一业务对象所执行的业务数据，则可以认为这两个用户可能具有相似的个人偏好。基于此，在业务关系图中，具有业务关联的用户对应的节点由边相连。这里提到的业务关联可以是指针对同一业务对象执行业务。例如，两个用户分别购买了相同的商品，在业务关系图中，将这两个用户对应的节点由边相连。

在本说明书实施例中，服务器可以获取目标用户对应的业务序列数据，以及获取关联节点对应用户的业务序列数据，以用于后续的预测模型的模型训练。

S104：将所述目标用户的业务序列数据以及所述关联节点对应用户的业务序列数据输入到待训练的预测模型中，以通过所述预测模型中的特征提取层，从所述目标用户对应的业务序列数据中提取特征，得到第一序列特征，以及从所述关联节点对应用户的业务序列数据中提取特征，得到第二序列特征。

在本说明书实施例中，预测模型中包含有特征提取层、注意力层以及决策层。服务器可以将目标用户的业务序列数据以及关联节点对应用户的业务序列数据输入到待训练的预测模型中，以通过预测模型中的特征提取层，从目标用户对应的业务序列数据中提取特征，得到第一序列特征，以及从关联节点对应用户的业务序列数据中提取特征，得到第二序列特征。

具体的，服务器可以在预测模型的特征提取层中，通过多种编码方法，对目标用户对应的业务序列数据中的每个时刻的业务数据进行编码，得到每个时刻的业务数据对应的基础业务特征。例如，独热编码(one-hot encoding)、目标编码(Target encoding)、非线性PCA (Nonlinear PCA)等。本说明书不对编码方法进行限定。

进一步的，由于，每个时刻的业务数据对应的基础业务特征中可能包含有稀疏的业务子特征，稀疏的业务子特征会导致有用的信息零散地分布在大量数据中，降低预测模型确定出的风险预测结果的准确率，以及训练预测模型的效率。基于此，服务器可以在预测模型的特征提取层中，通过多种特征组合方法，针对每个时刻的业务数据对应的基础业务特征，对该基础业务特征中的业务子特征进行特征组合，得到每个时刻的业务数据对应的业务特征。例如，因子分解机(Factorization Machines，FM)、深度分解机(DeepFactorization Machines，DeepFM)等。本说明书不对特征组合方法进行限定。

其中，这里提到的业务子特征可以是业务数据中的业务信息进行编码后得到。

通过上述方法，服务器可以针对目标用户对应的业务序列数据中的每个时刻的业务数据，确定该时刻的业务数据对应的业务特征。然后，服务器可以将各时刻的业务数据对应的业务特征按照时间顺序进行排序，得到第一序列特征。

同样的，服务器可以针对关联节点对应用户的业务序列数据中的每个时刻的业务数据，确定该时刻的业务数据对应的业务特征。然后，服务器可以将各时刻的业务数据对应的业务特征按照时间顺序进行排序，得到第二序列特征。

S106：通过所述预测模型中的注意力层，确定所述第一序列特征与所述第二序列特征之间的注意力权重，并根据所述注意力权重、所述第一序列特征以及所述第二序列特征，确定所述目标节点与所述关联节点之间的边的边特征。

在实际应用中，若两个用户对应的业务序列数据中具有针对同一业务对象所执行的业务数据，则可以认为这两个用户可能具有相似的个人偏好。基于此，服务器可以通过两个用户对应的业务序列数据中具有相关性的数据，确定这两个用户的共有偏好。

在本说明书实施例中，服务器可以通过预测模型中的注意力层，确定第一序列特征与第二序列特征之间的注意力权重，并根据注意力权重、第一序列特征以及第二序列特征，确定目标节点与关联节点之间的边的边特征。

具体的，服务器可以通过预测模型中的注意力层，针对第一序列特征中包含的每个时刻的业务特征，确定该时刻的业务特征与第二序列特征中的各时刻的业务特征之间的权重，作为第一序列特征中包含的该时刻的业务特征对应的权重。

并且，针对第二序列特征中包含的每个时刻的业务数据，确定该时刻的业务特征与第一序列特征中的各时刻的业务特征之间的权重，作为第二序列特征中包含的该时刻的业务特征对应的权重。

然后，服务器可以根据第一序列特征中包含的各时刻的业务特征对应的权重以及第二序列特征中包含的各时刻的业务特征对应的权重，确定第一序列特征与第二序列特征之间的注意力权重。

接着，服务器可以通过注意力权重对第一序列特征加权，得到加权后第一序列特征，以及，通过注意力权重对第二序列特征加权，得到加权后第二序列特征。

最后，服务器可以根据加权后第一序列特征以及加权后第二序列特征，确定目标节点与关联节点之间的边的边特征。

例如，第一序列特征中包含有N个时刻的业务特征，第二序列特征中包含有M个时刻的业务特征。第一序列特征中的第一个时刻的业务特征与第二序列特征中包含的M个时刻的业务特征分别计算相关性，确定M个权重，作为第一序列特征中包含的第一个时刻的业务特征对应的权重。

然后，服务器可以通过第一序列特征中包含的第一个时刻的业务特征对应的权重，对第一序列特征中包含的第一个时刻的业务特征加权，得到加权后的第一序列特征中包含的第一个时刻的业务特征。

最后，服务器可以根据加权后的第一序列特征中包含的各个时刻的业务特征，确定加权后第一序列特征。

同样的，第二序列特征中的第一个时刻的业务特征与第一序列特征中包含的N个时刻的业务特征分别计算相关性，确定N个权重，作为第二序列特征中包含的第一个时刻的业务特征对应的权重。

然后，服务器可以通过第二序列特征中包含的第一个时刻的业务特征对应的权重，对第二序列特征中包含的第一个时刻的业务特征加权，得到加权后的第二序列特征中包含的第一个时刻的业务特征。

最后，服务器可以根据加权后的第二序列特征中包含的各个时刻的业务特征，确定加权后第二序列特征。

需要说明的是，上述确定加权后第一序列特征以及加权后第二序列特征的方法可以是共同注意力机制(co-attention)。

在实际应用中，服务器除了通过两个用户对应的业务序列数据中具有相关性的数据，确定这两个用户的共有偏好，还可以根据两个用户在历史上分别针对同一业务对象所执行的业务数据，确定这两个用户的共有偏好。

在本说明书实施例中，服务器可以根据输入到预测模型中的业务序列数据，确定目标用户与关联节点对应用户在历史上分别针对同一业务对象所执行的业务数据，作为目标数据。

例如，目标用户与关联节点对应用户在历史上分别购买了同一商品的数据。再例如，目标用户与关联节点对应用户在历史上分别收藏了同一商品的数据。

其次，服务器可以根据注意力权重、第一序列特征、第二序列特征以及目标数据，确定目标节点与关联节点之间的边的边特征。

需要说明的是，服务器可以通过目标数据，得到目标节点与关联节点之间的边的属性特征，以用于后续确定目标节点与关联节点之间的边的边特征。

在实际应用中，服务器除了通过两个用户对应的业务序列数据中具有相关性的数据，确定这两个用户的共有偏好，还可以通过两个用户在每个商户中执行业务的比例，确定这两个用户的共有偏好。

在本说明书实施例中，根据输入到预测模型中的业务序列数据，确定目标用户在历史上执行的各业务所对应的商户，并确定目标用户在每个商户中执行业务的比例，作为第一比例，以及确定关联节点对应用户在每个商户中执行业务的比例，作为第二比例。

例如，目标用户在历史上在不同商户购买的商品数占目标用户购买的总商品数的比例，以及，关联节点对应用户购买的商品数占关联节点对应用户购买的总商品数的比例。再例如，目标用户在历史上在不同商户购买的金额占目标用户购买的总金额的比例，以及，关联节点对应用户购买的金额占关联节点对应用户购买的总金额的比例。

其次，服务器可以根据注意力权重、第一序列特征、第二序列特征、第一比例以及第二比例，确定目标节点与关联节点之间的边的边特征。

需要说明的是，服务器可以通过第一比例，得到目标节点在业务关系图中的图结构特征，以及，通过第二比例，得到关联节点在业务关系图中的图结构特征，以将目标节点在业务关系图中的图结构特征以及关联节点在业务关系图中的图结构特征，用于后续确定目标节点与关联节点之间的边的边特征。

在实际应用中，由于，边的边特征中的加权后第一序列特征的维度以及加权后第二序列特征的维度较多，这使得加权后第一序列特征以及加权后第二序列特征对风险预测结果的影响极大，会导致确定出边特征的其他数据无法影响到风险预测结果，进而，降低确定出的风险预测结果的准确性。基于此，服务器可以对加权后第一序列特征以及加权后第二序列特征进行特征压缩，以减少加权后第一序列特征的维度以及加权后第二序列特征的维度。

在本说明书实施例中，针对加权后第一序列特征中包含的每个时刻的加权后特征，服务器可以根据该时刻的加权后特征中包含的各维度的子特征之间的权重，对该时刻的加权后特征进行特征压缩，得到加权后第一序列特征中包含的该时刻的压缩后特征。这里提到的子特征可以是通过注意力权重对业务子特征加权后得到。

然后，针对加权后第二序列特征中包含的每个时刻的加权后特征，服务器可以根据该时刻的加权后特征中包含的各维度的子特征之间的权重，对该时刻的加权后特征进行特征压缩，得到加权后第二序列特征中包含的该时刻的压缩后特征。

最后，服务器可以根据加权后第一序列特征中包含的该时刻的压缩后特征以及加权后第二序列特征中包含的该时刻的压缩后特征，确定目标节点与关联节点之间的边的边特征。

在本说明书实施例中，服务器可以通过多种方法对加权后特征进行特征压缩。例如，自注意力机制(Self-Attention)。再例如，主成分分析(PCA)。本说明书不对加权后特征进行特征压缩的方法进行限定。

进一步的，服务器可以根据加权后第一序列特征中包含的各时刻的压缩后特征、加权后第二序列特征中包含的各时刻的压缩后特征、目标数据、第一比例以及第二比例，确定目标节点与关联节点之间的边的边特征。

也就是说，服务器可以根据加权后第一序列特征中包含的各时刻的压缩后特征、加权后第二序列特征中包含的各时刻的压缩后特征、边的属性特征以及图结构特征，确定目标节点与关联节点之间的边的边特征。

其中，图结构特征除了可以包括目标节点在业务关系图中的图结构特征以及关联节点在业务关系图中的图结构特征以外，还可以包括在业务关系图中，通过模体(motif)分析，确定出的目标节点与关联节点之间的图结构特征。

S108：将确定出的所述目标节点对应的节点特征以及所述边特征输入到所述预测模型中的决策层中，得到风险预测结果。

在本说明书实施例中，服务器可以将确定出的目标节点对应的节点特征以及边特征输入到预测模型中的决策层中，得到风险预测结果。

在本说明书实施例中，业务关系图还包括：商户节点。服务器可以根据与目标节点相连的关联节点以及关联商户节点，确定目标节点对应的节点特征，使得目标节点对应的节点特征中包含有业务关系图中的各节点的节点特征。

需要说明的是，商户节点中不包含业务序列数据。目标节点与关联商户节点之间的边特征可以是指在一段时间内，目标用户在商户内的交易数量、交易金额等。

在本说明书实施例中，服务器可以根据目标用户的业务序列数据，确定目标节点对应的初始节点特征。

具体的，服务器可以通过多种编码方法，对目标用户对应的业务序列数据中的每个时刻的业务数据进行编码，得到每个时刻的业务数据对应的基础业务特征。

其次，服务器可以通过多种特征组合方法，针对每个时刻的业务数据对应的基础业务特征，对该基础业务特征中的业务子特征进行特征组合，得到每个时刻的业务数据对应的业务特征。

而后，针对每个时刻的业务数据对应的业务特征，服务器可以根据该时刻的业务特征中包含的各维度的子特征之间的权重，对该时刻的业务特征进行特征压缩，得到业务特征中包含的该时刻的压缩后特征。

最后，服务器可以将业务特征中包含的各时刻的压缩后特征按照时间顺序进行排序，得到目标节点的初始节点特征。

在实际应用中，业务序列数据是短时间内的业务数据按照时间顺序进行排序得到的，由此构建出的业务关系图中的目标节点仅能确定目标用户在短时间内的个人偏好，无法得到目标用户在长时间内的个人偏好。基于此，服务器可以设置节点记忆模块来捕捉目标用户在长时间内的个人偏好。

在本说明书实施例中，业务关系图中的目标节点对应有节点记忆模块。在节点记忆模块中存储有目标节点对应的历史节点特征。在确定目标节点对应的初始节点特征后，服务器可以获取历史节点特征。

其次，服务器可以根据目标节点对应的历史节点特征与目标节点对应的初始节点特征之间的相关性，确定历史节点特征与初始节点特征之间的权重。

最后，服务器可以根据历史节点特征与初始节点特征之间的权重，以及历史节点特征，确定目标节点对应的当前节点特征。并将目标节点对应的当前节点特征存储在节点记忆模块中，更新节点记忆模块。

其中，确定历史节点特征与初始节点特征之间的权重的方法可以是注意力机制。在预测模型训练开始之前，节点记忆模块中可以存储有随机生成的特征。随着预测模型的训练，节点记忆模块中的特征可以捕捉到用户的长期偏好。

同样的，服务器可以根据关联节点对应用户的业务序列数据，确定关联节点对应的节点特征。具体的确定关联节点对应的节点特征的方法与上述确定目标节点对应的初始节点特征的方法相同，就不一一赘述了。

在本说明书实施例中，服务器可以从业务关系图中确定与目标节点通过边相连的商户节点，作为关联商户节点。

然后，服务器可以根据关联商户节点对应商户的业务数据，确定关联商户节点对应的节点特征。这里提到的关联商户节点对应商户的业务数据可以是指商户的注册时间、上号的交易数量、商户的交易金额等数据。

具体的，服务器可以通过多种编码方法，对关联商户节点对应商户的业务数据进行编码，得到关联商户节点对应的节点特征。

最后，服务器可以根据目标节点对应的初始节点特征、关联节点对应的节点特征以及关联商户节点对应的节点特征，确定目标节点对应的节点特征。

具体的，服务器可以通过多种结合各节点的节点特征的方法，确定目标节点对应的节点特征。例如，图同构网络(Graph Isomorphism Network，GIN)。再例如，图神经网络(Graph Neural Network，GNN)。本说明书不对确定目标节点对应的节点特征的方法进行限定。

当然，服务器可以根据目标节点对应的当前节点特征、关联节点对应的节点特征以及关联商户节点对应的节点特征，确定目标节点对应的节点特征。

进一步的，服务器还可以根据目标节点对应的初始节点特征、关联节点对应的节点特征、关联商户节点对应的节点特征、目标节点与关联节点之间的边特征，以及目标节点与关联商户节点之间的边特征，确定目标节点对应的节点特征。

在实际应用中，由于，目标节点的节点特征是由业务关系图中的各个节点的节点特征相结合确定出的，这不可避免的损失了大量的节点特征。仅根据目标节点的节点特征，无法确定出准确的风险预测结果。基于此，服务器可以根据目标节点的节点特征以及目标节点的边的边特征，确定风险预测结果，以增加大量的节点特征，从而，提高预测出的风险预测结果的准确性。

在说明书实施例中，服务器可以将确定出的目标节点对应的节点特征以及边特征输入到预测模型中的决策层中，得到风险预测结果。

S110：以最小化所述风险预测结果与所述目标用户对应的标签之间的偏差为优化目标，对所述预测模型进行训练。

在本说明书实施例中，服务器可以以最小化风险预测结果与目标用户对应的标签之间的偏差为优化目标，对预测模型进行训练。

其中，预测模型可以应用在多个业务场景下，例如，信息推荐场景。再例如，业务风控场景。本说明书不对预测模型的应用的业务场景进行限定。

需要说明的是，目标用户对应的业务序列数据，风险预测结果以及目标用户对应的标签在不同的业务场景下对应有不同的具体内容。例如，在业务风控场景，目标用户对应的业务序列数据，风险预测结果以及目标用户对应的标签均符合业务风控场景的业务需求。

从上述方法中可以看出，本方法可以预先构建业务关系图，以通过预测模型中的特征提取层，从目标用户对应的业务序列数据中提取特征，得到第一序列特征，以及从关联节点对应用户的业务序列数据中提取特征，得到第二序列特征。然后，通过预测模型中的注意力层，确定第一序列特征与第二序列特征之间的注意力权重，并根据注意力权重、第一序列特征以及第二序列特征，确定目标节点与关联节点之间的边的边特征。接着，将确定出的目标节点对应的节点特征以及边特征输入到预测模型中的决策层中，得到风险预测结果。最后，以最小化风险预测结果与目标用户对应的标签之间的偏差为优化目标，对预测模型进行训练。本方法中的业务关系图的目标节点以及关联节点中包含有业务序列数据，这使得预测模型在确定风险预测结果的过程中可以参考用户执行业务的顺序信息。并且，预测模型可以通过目标节点对应的节点特征以及边特征，得到更为细致的目标用户的信息，从而，提高了确定出的风险预测结果的准确性，进而，在用户执行业务过程中进行有效地业务风控。

在本说明书实施例中，在对预测模型训练完成后，服务器可以应用预测配模型，以对用户进行业务风控。

图2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：

S200：获取用户执行业务时的业务序列数据。

S202：将所述业务序列数据输入到预先训练的预测模型中，以确定目标用户执行业务时的风险预测结果。

S204：根据所述风险预测结果，对所述用户进行业务风控。

在本说明书实施例中，服务器可以获取用户执行业务时的业务序列数据。

其次，服务器可以将业务序列数据输入到预先训练的预测模型中，以确定目标用户执行业务时的风险预测结果。

最后，服务器可以根据风险预测结果，对用户进行业务风控。这里提到的业务风控可以是指通过用户执行业务时的业务序列数据，预测用户是否被欺诈，若用户被欺诈，则对用户进行业务风控。

在本说明书实施例中，构建业务关系图的具体流程如图3所示。

图3为本说明书实施例提供的一种构建业务关系图的示意图。

在图3中，业务关系图中包含有节点A、节点B、节点C。节点B为目标节点。节点A 以及节点C为关联节点。服务器可以通过多种编码方法，对节点B对应用户的业务序列数据中的每个时刻的业务数据进行编码，得到第一序列特征。并对节点C对应用户的业务序列数据中的每个时刻的业务数据进行编码，得到第二序列特征。

其次，服务器可以根据第一序列特征与第二序列特征，确定节点B与节点C之间的注意力权重。并确定加权后的第一序列特征以及加权后的第二序列特征。

而后，服务器可以对加权后的第一序列特征进行特征压缩，得到加权后的第一序列特征对应的压缩后特征，以及对加权后的第二序列特征进行特征压缩，得到加权后的第二序列特征对应的压缩后特征。

然后，服务器可以根据加权后第一序列特征中包含的各时刻的压缩后特征、加权后第二序列特征中包含的各时刻的压缩后特征、目标数据、第一比例以及第二比例，确定节点B 与节点C之间的边的边特征。

接着，服务器可以在确定节点B对应的初始节点特征后，服务器可以获取历史节点特征。服务器可以根据节点B对应的历史节点特征与节点B对应的初始节点特征之间的相关性，确定历史节点特征与初始节点特征之间的权重。

接下来，服务器可以根据历史节点特征与初始节点特征之间的权重，以及历史节点特征，确定节点B对应的当前节点特征。

同样的，服务器可以确定节点A对应的当前节点特征、节点C对应的当前节点特征、节点A与节点C之间的边的边特征，以及节点A与节点B之间的边的边特征。

最后，服务器可以根据节点A对应的当前节点特征、节点B对应的当前节点特征、节点C对应的当前节点特征、节点A与节点C之间的边的边特征、节点B与节点C之间的边的边特征，以及节点A与节点B之间的边的边特征，构建业务关系图。

需要说明的是，业务关系图既可以位于预测模型的内部，也可以位于预测模型的外部。上述构建业务关系图的方法是以业务关系图位于预测模型的内部为例进行介绍的。若业务关系图位于预测模型的外部，则预测模型在确定出各节点的节点特征以及各节点之间的边特征后，将通过确定出对各节点的节点特征以及各节点之间的边特征，对业务关系图进行更新，并根据更新后的业务关系图，将目标节点对应的节点特征以及边特征输入到预测模型对应的决策层中，得到风险预测结果。

从上述方法中可以看出，本方法可以使得预测模型在确定风险预测结果的过程中可以参考用户执行业务的顺序信息，得到更为细致的目标用户的信息，从而，提高了确定出的风险预测结果的准确性，进而，在用户执行业务过程中进行有效地业务风控。

以上为本说明书实施例提供的一种模型训练的方法，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：

确定模块400，用于确定目标用户在预先构建的业务关系图中对应的节点，作为目标节点，以及确定与所述目标节点相连的节点，作为关联节点，在所述业务关系图中，一个节点对应一个用户，具有业务关联的用户对应的节点由边相连；

获取模块402，用于获取所述目标用户对应的业务序列数据，以及获取所述关联节点对应用户的业务序列数据，业务序列数据用于表示按照时间顺序进行排序的各业务数据；

提取模块404，用于将所述目标用户的业务序列数据以及所述关联节点对应用户的业务序列数据输入到待训练的预测模型中，以通过所述预测模型中的特征提取层，从所述目标用户对应的业务序列数据中提取特征，得到第一序列特征，以及从所述关联节点对应用户的业务序列数据中提取特征，得到第二序列特征；

权重模块406，用于通过所述预测模型中的注意力层，确定所述第一序列特征与所述第二序列特征之间的注意力权重，并根据所述注意力权重、所述第一序列特征以及所述第二序列特征，确定所述目标节点与所述关联节点之间的边的边特征；

输入模块408，用于将确定出的所述目标节点对应的节点特征以及所述边特征输入到所述预测模型中的决策层中，得到风险预测结果；

训练模块410，用于以最小化所述风险预测结果与所述目标用户对应的标签之间的偏差为优化目标，对所述预测模型进行训练。

可选地，所述权重模块406具体用于，通过所述预测模型中的注意力层，针对所述第一序列特征中包含的每个时刻的业务特征，确定该时刻的业务特征与所述第二序列特征中的各时刻的业务特征之间的权重，作为所述第一序列特征中包含的该时刻的业务特征对应的权重，针对所述第二序列特征中包含的每个时刻的业务数据，确定该时刻的业务特征与所述第一序列特征中的各时刻的业务特征之间的权重，作为所述第二序列特征中包含的该时刻的业务特征对应的权重，根据所述第一序列特征中包含的各时刻的业务特征对应的权重以及所述第二序列特征中包含的各时刻的业务特征对应的权重，确定所述第一序列特征与所述第二序列特征之间的注意力权重。

可选地，所述权重模块406具体用于，通过所述注意力权重对所述第一序列特征加权，得到加权后第一序列特征，以及，通过所述注意力权重对所述第二序列特征加权，得到加权后第二序列特征，根据所述加权后第一序列特征以及所述加权后第二序列特征，确定所述目标节点与所述关联节点之间的边的边特征。

可选地，所述权重模块406具体用于，针对所述加权后第一序列特征中包含的每个时刻的加权后特征，根据该时刻的加权后特征中包含的各维度的子特征之间的权重，对该时刻的加权后特征进行特征压缩，得到所述加权后第一序列特征中包含的该时刻的压缩后特征，针对所述加权后第二序列特征中包含的每个时刻的加权后特征，根据该时刻的加权后特征中包含的各维度的子特征之间的权重，对该时刻的加权后特征进行特征压缩，得到所述加权后第二序列特征中包含的该时刻的压缩后特征，根据所述加权后第一序列特征中包含的各时刻的压缩后特征以及所述加权后第二序列特征中包含的各时刻的压缩后特征，确定所述目标节点与所述关联节点之间的边的边特征。

可选地，所述权重模块406具体用于，根据输入到所述预测模型中的业务序列数据，确定所述目标用户与所述关联节点对应用户在历史上分别针对同一业务对象所执行的业务数据，作为目标数据，根据所述注意力权重、所述第一序列特征、所述第二序列特征以及所述目标数据，确定所述目标节点与所述关联节点之间的边的边特征。

可选地，所述权重模块406具体用于，根据输入到所述预测模型中的业务序列数据，确定所述目标用户在历史上执行的各业务所对应的商户，并确定所述目标用户在每个商户中执行业务的比例，作为第一比例，以及确定所述关联节点对应用户在每个商户中执行业务的比例，作为第二比例，根据所述注意力权重、所述第一序列特征、所述第二序列特征、所述第一比例以及所述第二比例，确定所述目标节点与所述关联节点之间的边的边特征。

可选地，所述业务关系图还包括：商户节点；

所述输入模块408具体用于，根据所述目标用户的业务序列数据，确定所述目标节点对应的初始节点特征，根据所述关联节点对应用户的业务序列数据，确定所述关联节点对应的节点特征，从所述业务关系图中确定与所述目标节点通过边相连的商户节点，作为关联商户节点，根据所述关联商户节点对应商户的业务数据，确定所述关联商户节点对应的节点特征，根据所述目标节点对应的初始节点特征、所述关联节点对应的节点特征以及所述关联商户节点对应的节点特征，确定所述目标节点对应的节点特征。

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，所述装置包括：

获取模块500，用于获取目标用户执行业务时的业务序列数据；

输入模块502，用于将所述业务序列数据输入到预先训练的预测模型中，以确定目标用户执行业务时的风险预测结果，所述预测模型是通过上述模型训练的方法训练得到的；

风控模块504，用于根据所述风险预测结果，对所述用户进行业务风控。

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提供的模型训练的方法以及上述图2提供的业务风控的方法。

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提供的模型训练的方法以及上述图2提供的业务风控的方法。

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。

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：

确定目标用户在预先构建的业务关系图中对应的节点，作为目标节点，以及确定与所述目标节点相连的节点，作为关联节点，在所述业务关系图中，一个节点对应一个用户，具有业务关联的用户对应的节点由边相连；

获取所述目标用户对应的业务序列数据，以及获取所述关联节点对应用户的业务序列数据，业务序列数据用于表示按照时间顺序进行排序的各业务数据；

将所述目标用户的业务序列数据以及所述关联节点对应用户的业务序列数据输入到待训练的预测模型中，以通过所述预测模型中的特征提取层，从所述目标用户对应的业务序列数据中提取特征，得到第一序列特征，以及从所述关联节点对应用户的业务序列数据中提取特征，得到第二序列特征；

通过所述预测模型中的注意力层，确定所述第一序列特征与所述第二序列特征之间的注意力权重，并根据所述注意力权重、所述第一序列特征以及所述第二序列特征，确定所述目标节点与所述关联节点之间的边的边特征；

将确定出的所述目标节点对应的节点特征以及所述边特征输入到所述预测模型中的决策层中，得到风险预测结果；

以最小化所述风险预测结果与所述目标用户对应的标签之间的偏差为优化目标，对所述预测模型进行训练。

2.如权利要求1所述的方法，通过所述预测模型中的注意力层，确定所述第一序列特征与所述第二序列特征之间的注意力权重，具体包括：

通过所述预测模型中的注意力层，针对所述第一序列特征中包含的每个时刻的业务特征，确定该时刻的业务特征与所述第二序列特征中的各时刻的业务特征之间的权重，作为所述第一序列特征中包含的该时刻的业务特征对应的权重；

针对所述第二序列特征中包含的每个时刻的业务数据，确定该时刻的业务特征与所述第一序列特征中的各时刻的业务特征之间的权重，作为所述第二序列特征中包含的该时刻的业务特征对应的权重；

根据所述第一序列特征中包含的各时刻的业务特征对应的权重以及所述第二序列特征中包含的各时刻的业务特征对应的权重，确定所述第一序列特征与所述第二序列特征之间的注意力权重。

3.如权利要求1所述的方法，根据所述注意力权重、所述第一序列特征以及所述第二序列特征，确定所述目标节点与所述关联节点之间的边的边特征，具体包括：

通过所述注意力权重对所述第一序列特征加权，得到加权后第一序列特征，以及，通过所述注意力权重对所述第二序列特征加权，得到加权后第二序列特征；

根据所述加权后第一序列特征以及所述加权后第二序列特征，确定所述目标节点与所述关联节点之间的边的边特征。

4.如权利要求3所述的方法，根据所述加权后第一序列特征以及所述加权后第二序列特征，确定所述目标节点与所述关联节点之间的边的边特征，具体包括：

针对所述加权后第一序列特征中包含的每个时刻的加权后特征，根据该时刻的加权后特征中包含的各维度的子特征之间的权重，对该时刻的加权后特征进行特征压缩，得到所述加权后第一序列特征中包含的该时刻的压缩后特征；

针对所述加权后第二序列特征中包含的每个时刻的加权后特征，根据该时刻的加权后特征中包含的各维度的子特征之间的权重，对该时刻的加权后特征进行特征压缩，得到所述加权后第二序列特征中包含的该时刻的压缩后特征；

根据所述加权后第一序列特征中包含的各时刻的压缩后特征以及所述加权后第二序列特征中包含的各时刻的压缩后特征，确定所述目标节点与所述关联节点之间的边的边特征。

5.如权利要求1所述的方法，根据所述注意力权重、所述第一序列特征以及所述第二序列特征，确定所述目标节点与所述关联节点之间的边的边特征，具体包括：

根据输入到所述预测模型中的业务序列数据，确定所述目标用户与所述关联节点对应用户在历史上分别针对同一业务对象所执行的业务数据，作为目标数据；

根据所述注意力权重、所述第一序列特征、所述第二序列特征以及所述目标数据，确定所述目标节点与所述关联节点之间的边的边特征。

6.如权利要求1所述的方法，根据所述注意力权重、所述第一序列特征以及所述第二序列特征，确定所述目标节点与所述关联节点之间的边的边特征，具体包括：

根据输入到所述预测模型中的业务序列数据，确定所述目标用户在历史上执行的各业务所对应的商户，并确定所述目标用户在每个商户中执行业务的比例，作为第一比例，以及确定所述关联节点对应用户在每个商户中执行业务的比例，作为第二比例；

根据所述注意力权重、所述第一序列特征、所述第二序列特征、所述第一比例以及所述第二比例，确定所述目标节点与所述关联节点之间的边的边特征。

7.如权利要求1所述的方法，所述业务关系图还包括：商户节点；

确定所述目标节点对应的节点特征，具体包括：

根据所述目标用户的业务序列数据，确定所述目标节点对应的初始节点特征；

根据所述关联节点对应用户的业务序列数据，确定所述关联节点对应的节点特征；

从所述业务关系图中确定与所述目标节点通过边相连的商户节点，作为关联商户节点；

根据所述关联商户节点对应商户的业务数据，确定所述关联商户节点对应的节点特征；

根据所述目标节点对应的初始节点特征、所述关联节点对应的节点特征以及所述关联商户节点对应的节点特征，确定所述目标节点对应的节点特征。

8.一种业务风控的方法，包括：

获取用户执行业务时的业务序列数据；

将所述业务序列数据输入到预先训练的预测模型中，以确定目标用户执行业务时的风险预测结果，所述预测模型是通过上述权利要求1～7任一项所述的方法训练得到的；

根据所述风险预测结果，对所述用户进行业务风控。

9.一种模型训练的装置，包括：

确定模块，用于确定目标用户在预先构建的业务关系图中对应的节点，作为目标节点，以及确定与所述目标节点相连的节点，作为关联节点，在所述业务关系图中，一个节点对应一个用户，具有业务关联的用户对应的节点由边相连；

获取模块，用于获取所述目标用户对应的业务序列数据，以及获取所述关联节点对应用户的业务序列数据，业务序列数据用于表示按照时间顺序进行排序的各业务数据；

提取模块，用于将所述目标用户的业务序列数据以及所述关联节点对应用户的业务序列数据输入到待训练的预测模型中，以通过所述预测模型中的特征提取层，从所述目标用户对应的业务序列数据中提取特征，得到第一序列特征，以及从所述关联节点对应用户的业务序列数据中提取特征，得到第二序列特征；

权重模块，用于通过所述预测模型中的注意力层，确定所述第一序列特征与所述第二序列特征之间的注意力权重，并根据所述注意力权重、所述第一序列特征以及所述第二序列特征，确定所述目标节点与所述关联节点之间的边的边特征；

输入模块，用于将确定出的所述目标节点对应的节点特征以及所述边特征输入到所述预测模型中的决策层中，得到风险预测结果；

训练模块，用于以最小化所述风险预测结果与所述目标用户对应的标签之间的偏差为优化目标，对所述预测模型进行训练。

10.一种业务风控的装置，包括：

获取模块，用于获取目标用户执行业务时的业务序列数据；

输入模块，用于将所述业务序列数据输入到预先训练的预测模型中，以确定目标用户执行业务时的风险预测结果，所述预测模型是通过上述权利要求1～7任一项所述的方法训练得到的；

风控模块，用于根据所述风险预测结果，对所述用户进行业务风控。

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。

Images