CN116049761A - 数据处理方法、装置及设备 - Google Patents

Abstract

本说明书实施例提供了一种数据处理方法、装置及设备，其中，该方法包括：获取与执行目标业务相关的目标数据；基于预先训练的风险检测模型和预设检索数据库，对所述目标数据进行匹配检测处理，得到所述预设检索库中与所述目标数据具有相关关系的候选数据，并基于所述候选数据对应的风险类型，确定所述目标数据对应的风险类型；基于所述候选数据及对应的风险类型，对预设线性模型进行训练，得到训练后的线性模型，并基于所述训练后的线性模型每一维的模型参数，确定所述目标数据每一维度的特征的重要性；基于所述目标数据对应的风险类型和所述目标数据每一维度的特征的重要性，确定执行所述目标业务是否存在风险。

Description

数据处理方法、装置及设备

技术领域

本文件涉及数据处理技术领域，尤其涉及一种数据处理方法、装置及设备。

背景技术

随着计算机技术的快速发展，企业为用户提供的应用服务的种类和数量也越来越多，随之而来的用户数据的数据量日益增加，数据结构也日趋复杂，这就导致对用户进行风险检测的复杂度较高。

在进行风险检测时，可以根据同一用户在不同场景下的风险标签和训练数据，对不同的检测模型进行训练，在根据当前所处场景选取对应的训练完成的检测模型进行风险检测。但是，由于只通过当前场景下的数据和模型进行风险检测，这就会导致风险检测的准确性差，因此，需要一种能够提高风险检测准确性的解决方案。

发明内容

本说明书实施例的目的是提供一种数据处理方法、装置及设备，以提供需要一种能够提高风险检测准确性的解决方案。

为了实现上述技术方案，本说明书实施例是这样实现的：

第一方面，一种数据处理方法，包括：获取与执行目标业务相关的目标数据；基于预先训练的风险检测模型和预设检索数据库，对所述目标数据进行匹配检测处理，得到所述预设检索库中与所述目标数据具有相关关系的候选数据，并基于所述候选数据对应的风险类型，确定所述目标数据对应的风险类型；基于所述候选数据及对应的风险类型，对预设线性模型进行训练，得到训练后的线性模型，并基于所述训练后的线性模型每一维的模型参数，确定所述目标数据每一维度的特征的重要性；基于所述目标数据对应的风险类型和所述目标数据每一维度的特征的重要性，确定执行所述目标业务是否存在风险。

第二方面，本说明书实施例提供了一种数据处理装置，所述装置包括：数据获取模块，用于获取与执行目标业务相关的目标数据；类型确定模块，用于基于预先训练的风险检测模型和预设检索数据库，对所述目标数据进行匹配检测处理，得到所述预设检索库中与所述目标数据具有相关关系的候选数据，并基于所述候选数据对应的风险类型，确定所述目标数据对应的风险类型；模型训练模块，用于基于所述候选数据及对应的风险类型，对预设线性模型进行训练，得到训练后的线性模型，并基于所述训练后的线性模型每一维的模型参数，确定所述目标数据每一维度的特征的重要性；风险确定模块，用于基于所述目标数据对应的风险类型和所述目标数据每一维度的特征的重要性，确定执行所述目标业务是否存在风险。

第三方面，本说明书实施例提供了一种数据处理设备，所述数据处理设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：获取与执行目标业务相关的目标数据；基于预先训练的风险检测模型和预设检索数据库，对所述目标数据进行匹配检测处理，得到所述预设检索库中与所述目标数据具有相关关系的候选数据，并基于所述候选数据对应的风险类型，确定所述目标数据对应的风险类型；基于所述候选数据及对应的风险类型，对预设线性模型进行训练，得到训练后的线性模型，并基于所述训练后的线性模型每一维的模型参数，确定所述目标数据每一维度的特征的重要性；基于所述目标数据对应的风险类型和所述目标数据每一维度的特征的重要性，确定执行所述目标业务是否存在风险。

第四方面，本说明书实施例提供一种存储介质，所述存储介质用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：获取与执行目标业务相关的目标数据；基于预先训练的风险检测模型和预设检索数据库，对所述目标数据进行匹配检测处理，得到所述预设检索库中与所述目标数据具有相关关系的候选数据，并基于所述候选数据对应的风险类型，确定所述目标数据对应的风险类型；基于所述候选数据及对应的风险类型，对预设线性模型进行训练，得到训练后的线性模型，并基于所述训练后的线性模型每一维的模型参数，确定所述目标数据每一维度的特征的重要性；基于所述目标数据对应的风险类型和所述目标数据每一维度的特征的重要性，确定执行所述目标业务是否存在风险。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1A为本说明书一种数据处理方法实施例的流程图；

图1B为本说明书一种数据处理方法的处理过程示意图；

图2为本说明书又一种数据处理方法的处理过程示意图；

图3为本说明书一种风险检测模型的处理过程的示意图；

图4为本说明书一种数据处理装置实施例的结构示意图；

图5为本说明书一种数据处理设备的结构示意图。

具体实施方式

本说明书实施例提供一种数据处理方法、装置及设备。

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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，都应当属于本说明书保护的范围。

实施例一

如图1A和1B所示，本说明书实施例提供一种数据处理方法，该方法的执行主体可以为服务器，其中，该服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群。该方法具体可以包括以下步骤：

在S102中，获取与执行目标业务相关的目标数据。

其中，目标业务可以是任意可能存在隐私信息泄露等风险的业务，例如，目标业务可以是资源转移业务、信息更改业务等，目标数据可以是执行目标业务相关的数据，例如，假设目标业务为资源转移业务，目标数据则可以为资源转移对象、资源转移数量、资源转移时间的，假设目标业务为信息更改业务，目标数据则可以是用户的登录信息(如用户的账号和密码、生物特征信息等)、信息更改名称、更改后的信息等，目标业务还可以是页面检测业务，目标数据可以包括待检测的页面，另外，目标数据可以包括图片数据、表格数据等任意形式的数据。

在实施中，随着计算机技术的快速发展，企业为用户提供的应用服务的种类和数量也越来越多，随之而来的用户数据的数据量日益增加，数据结构也日趋复杂，这就导致对用户进行风险检测的复杂度较高。在进行风险检测时，可以根据同一用户在不同场景下的风险标签和训练数据，对不同的检测模型进行训练，在根据当前所处场景选取对应的训练完成的检测模型进行风险检测。但是，由于只通过当前场景下的数据和模型进行风险检测，这就会导致风险检测的准确性差，因此，需要一种能够提高风险检测准确性的解决方案。为此，本说明书实施例提供一种可以解决上述问题的技术方案，具体可以参见下述内容。

以目标业务为页面检测业务为例，当用户在终端设备触发启动某应用程序的预设页面(如登录页面、信息更改页面等)，终端设备可以触发启动针对该预设页面的风险检测指令，即终端设备可以将该预设页面的页面内容以及用户在该预设页面的输入信息发送给服务器，即服务器可以获取与执行目标业务相关的目标数据。

上述是以目标业务为页面检测业务为例，在实际应用场景中，目标数据的获取方法还可以有多种，可以根据实际应用场景的不同而有所不同，本说明书实施例对此不作具体限定。

在S104中，基于预先训练的风险检测模型和预设检索数据库，对目标数据进行匹配检测处理，得到预设检索库中与目标数据具有相关关系的候选数据，并基于候选数据对应的风险类型，确定目标数据对应的风险类型。

其中，风险检测模型可以由预设深度学习算法构建的模型，可以用于确定目标数据对应的风险类型，风险类型可以包括高风险、中风险、低风险、信息泄露风险、信息篡改风险、无风险等任意类型，可以根据实际应用场景的不同设置不同的风险类型，本说明书实施例对此不作具体限定，预设检索数据库中可以预先存储有多个数据及对应的风险类型，预设检索数据库中存储的数据对应的风险类型可以是基于预先训练的风险检测模型确定，也可以是由人工确定，本说明书实施例对此也不做具体限定。

在实施中，以风险检测模型由最邻近节点(K-Nearest Neighbor，KNN)算法构建为例，KNN算法可以通过计算数据之间的距离进行分类处理。例如，可以通过KNN算法确定目标数据与预设检索数据库中的所有数据之间的距离，在对距离进行排序，将距离小于预设距离阈值的数据确定为与目标数据具有相关关系的候选数据。

上述候选数据的确定方法是一种可选地、可实现的确定方法，在实际应用场景中，还可以有多种不同的确定方法，可以根据实际应用场景的不同而有所不同，本说明书实施例对此不作具体限定。

在确定了候选数据后，可以基于候选数据对应的风险类型，确定目标数据对应的风险类型，例如，可以将候选数据对应的风险类型较多的风险类型，确定为目标数据对应的风险类型，具体如，假设候选数据包括候选数据1、候选数据2和候选数据3，假设候选数据1和候选数据2对应的风险类型为类型1，候选数据3对应的风险类型为类型2，那么，目标数据对应的风险类型可以为类型1。

在S106中，基于候选数据及对应的风险类型，对预设线性模型进行训练，得到训练后的线性模型，并基于训练后的线性模型每一维的模型参数，确定目标数据每一维度的特征的重要性。

其中，预设线性模型可以是基于预设线性算法构建的模型，例如，预设线性模型可以是基于线性回归算法、决策树算法等算法构建的模型。

在实施中，可以将候选数据输入预设线性模型，并基于候选数据对应的风险类型，以及预设线性模型输出的风险类型，对预设线性模型进行训练，得到训练后的线性模型。

此外，由于在对深度学习构建的模型进行解释时，可能存在以下两个问题：1、如何定义领域；2、在邻域内需要通过扰动生成伪数据，而伪数据的标签只能通过模型的预测值替代。而在对预设模型进行训练时，候选数据即可以定义邻域，且候选数据对应的风险类型即为候选数据的标签，因此，训练后的线性模型可以用于解释预先训练的风险检测模型。

线性模型的模型参数的维度可以与目标数据的维度相同，因此，训练后的线性模型每一维的模型参数可以用于表征目标数据每一维度的特征的重要性，即可以基于训练后的线性模型每一维的模型参数，确定目标数据每一维度的特征的重要性，例如，可以将训练后的线性模型每一维的模型参数，确定为目标数据每一维度的特征的重要性。

在S108中，基于目标数据对应的风险类型和目标数据每一维度的特征的重要性，确定执行目标业务是否存在风险。

在实施中，可以将目标数据对应的风险类型以及目标数据每一维度的特征的重要性发送给预设接口，以使相关工作人员通过目标数据对应的风险类型和目标数据每一维度的特征的重要性，确定执行目标业务是否存在风险。

或者，还可以通过预先训练的检测模型，对目标数据对应的风险类型和目标数据每一维度的特征的重要性进行检测处理，以基于检测结果，确定执行目标业务是否存在风险。

上述执行目标业务是否存在风险的确定方法是一种可选地、可实现的确定方法，在实际应用场景中，还可以有多种不同的确定方法，本说明书实施例对此不作具体限定。

本说明书实施例提供一种数据处理方法，获取与执行目标业务相关的目标数据，基于预先训练的风险检测模型和预设检索数据库，对目标数据进行匹配检测处理，得到预设检索库中与目标数据具有相关关系的候选数据，并基于候选数据对应的风险类型，确定目标数据对应的风险类型，基于候选数据及对应的风险类型，对预设线性模型进行训练，得到训练后的线性模型，并基于训练后的线性模型每一维的模型参数，确定目标数据每一维度的特征的重要性，基于目标数据对应的风险类型和目标数据每一维度的特征的重要性，确定执行目标业务是否存在风险。这样，通过候选数据及对应的风险类型，可以解决在对线性模型进行训练时存在的邻域定义以及样本扰动等问题，可以通过训练后的线性模型的每一维的模型参数，准确的确定目标数据每一维度的特征的重要性，进而通过目标数据对应的风险类型和目标数据每一维度的特征的重要性，可以准确的确定执行目标业务是否存在风险，提高了风险检测的准确性。

实施例二

如图2所示，本说明书实施例提供一种数据处理方法，该方法的执行主体可以为服务器，其中，服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群。该方法具体可以包括以下步骤：

在S102中，获取与执行目标业务相关的目标数据。

其中，预设检索数据库中可以存储有基于预先训练的风险检测模型和历史数据确定的历史向量。

在S202中，基于预先训练的风险检测模型，确定与目标数据对应的第一向量。

在实施中，如图3所示，风险检测模型可以包括子网络1和子网络2，其中，子网络1可以为表征网络，即可以通过子网络1生成与目标数据对应的第一向量，子网络2可以为检索网络，即可以通过子网络2确定与第一向量对应的候选向量。

在S204中，对预设检索数据库中存储的历史向量和第一向量进行匹配处理，确定历史向量中与第一向量具有相关关系的候选向量，将候选向量确定为候选数据。

在实施中，如图3所示，可以获取历史数据，并将历史数据输入预先训练的风险检测模型的子网络1，得到与历史数据对应的历史向量，在通过预先训练的风险检测模型的子网络2，对历史向量和第一向量进行匹配处理，确定历史向量中与第一向量具有相关关系的候选向量，可以将候选向量确定为候选数据。

在S206中，获取候选向量与第一向量之间的向量距离，并基于向量距离以及候选向量对应的风险类型，确定目标数据对应的风险类型。

其中，向量距离的确定方法可以有多种，例如，向量距离可以是欧氏距离、余弦相似度距离、切比雪夫距离等。

在S208中，基于候选数据及对应的风险类型，以及候选向量与第一向量之间的向量距离，对预设线性模型进行训练，得到训练后的线性模型。

在实施中，在实际应用中，上述S208的处理方式可以多种多样，以下提供一种可选的实现方式，具体可以参见下述步骤一～步骤二处理：

步骤一，将候选数据输入预设线性模型，得到候选数据对应的第一风险类型。

步骤二，基于第一风险类型和候选数据对应的风险类型，确定第一损失值。

步骤三，基于候选向量与第一向量之间的向量距离，以及第一损失值，确定目标损失值。

在实施中，可以将候选向量与第一向量之间的向量距离与第一损失值的和值，确定为目标损失值。

步骤四，基于目标损失值确定线性模型是否收敛，在线性模型收敛的情况下，得到训练后的线性模型。

在S210中，基于训练后的线性模型的模型参数和预设惩罚项，确定目标模型参数。

其中，预设惩罚项可以用于表征训练后的线性模型的复杂度。

在实施中，可以通过L1正则、L2正则等方式，确定预设惩罚项。例如，可以将训练后的线性模型的模型参数和预设惩罚项输入公式，

explanation(x)＝argmin_g∈GL(g,π_x)+Ω(g)，

得到目标模型参数。其中，explanation(x)为目标模型参数，L()为预设损失函数，g为预设线性模型，G为不同参数构成的线性模型，x为第一向量，π_x为第一向量和候选向量之间的向量距离，Ω(g)为预设惩罚项，argmin_g∈GL(g,π_x)为在损失函数最小时的预设线性模型g的模型参数(即训练后的线性模型的模型参数)。

在S212中，将目标模型参数的每一维的模型参数确定为目标数据每一维度的特征的重要性。

在S214中，基于训练后的线性模型每一维的模型参数，筛选出目标数据包含的特征中的目标特征。

在实施中，可以基于训练后的线性模型每一维的模型参数，对每一维模型参数进行排序，并基于排序后的模型参数，筛选出预设个数的模型参数，并将筛选出的预设个数的模型参数对应的特征，确定为目标特征。

在S216中，基于目标特征和目标数据对应的风险类型，确定执行目标业务是否存在风险。

在S218中，在确定执行目标业务存在风险的情况下，确定风险防控策略中与目标特征对应的目标风险防控策略，并基于目标风险防控策略对目标业务进行风险防控处理。

在实施中，在确定执行目标业务存在风险的情况下，可以基于风险防控策略与特征的预设对应关系，确定风险防控策略中与目标特征对应的目标风险防控策略，或者，还可以基于目标特征对应的关键词、预设关键词和风险防控策略的预设对应关系，确定风险防控策略中与目标特征对应的目标风险防控策略，目标风险防控策略的确定方法可以有多种，可以根据实际应用场景的不同选取不同的确定方法，本说明书实施例对此不作具体限定。

本说明书实施例提供一种数据处理方法，获取与执行目标业务相关的目标数据，基于预先训练的风险检测模型和预设检索数据库，对目标数据进行匹配检测处理，得到预设检索库中与目标数据具有相关关系的候选数据，并基于候选数据对应的风险类型，确定目标数据对应的风险类型，基于候选数据及对应的风险类型，对预设线性模型进行训练，得到训练后的线性模型，并基于训练后的线性模型每一维的模型参数，确定目标数据每一维度的特征的重要性，基于目标数据对应的风险类型和目标数据每一维度的特征的重要性，确定执行目标业务是否存在风险。这样，通过候选数据及对应的风险类型，可以解决在对线性模型进行训练时存在的邻域定义以及样本扰动等问题，可以通过训练后的线性模型的每一维的模型参数，准确的确定目标数据每一维度的特征的重要性，进而通过目标数据对应的风险类型和目标数据每一维度的特征的重要性，可以准确的确定执行目标业务是否存在风险，提高了风险检测的准确性。

实施例三

以上为本说明书实施例提供的数据处理方法，基于同样的思路，本说明书实施例还提供一种数据处理装置，如图4所示。

该数据处理装置包括：数据获取模块401、类型确定模块402、模型训练模块403和风险确定模块404，其中：

数据获取模块401，用于获取与执行目标业务相关的目标数据；

类型确定模块402，用于基于预先训练的风险检测模型和预设检索数据库，对所述目标数据进行匹配检测处理，得到所述预设检索库中与所述目标数据具有相关关系的候选数据，并基于所述候选数据对应的风险类型，确定所述目标数据对应的风险类型；

模型训练模块403，用于基于所述候选数据及对应的风险类型，对预设线性模型进行训练，得到训练后的线性模型，并基于所述训练后的线性模型每一维的模型参数，确定所述目标数据每一维度的特征的重要性；

风险确定模块404，用于基于所述目标数据对应的风险类型和所述目标数据每一维度的特征的重要性，确定执行所述目标业务是否存在风险。

本说明书实施例中，所述风险确定模块404，用于：

基于所述训练后的线性模型每一维的模型参数，筛选出所述目标数据包含的特征中的目标特征；

基于所述目标特征和所述目标数据对应的风险类型，确定执行所述目标业务是否存在风险。

本说明书实施例中，所述装置还包括：

风险防控模块，用于在确定执行所述目标业务存在风险的情况下，确定风险防控策略中与所述目标特征对应的目标风险防控策略，并基于所述目标风险防控策略对所述目标业务进行风险防控处理。

本说明书实施例中，所述预设检索数据库中存储有基于所述预先训练的风险检测模型和历史数据确定的历史向量，所述类型确定模块402，用于：

基于所述预先训练的风险检测模型，确定与所述目标数据对应的第一向量；

对所述预设检索数据库中存储的所述历史向量和所述第一向量进行匹配处理，确定所述历史向量中与所述第一向量具有相关关系的候选向量，将所述候选向量确定为所述候选数据；

获取所述候选向量与所述第一向量之间的向量距离，并基于所述向量距离以及所述候选向量对应的风险类型，确定所述目标数据对应的风险类型。

本说明书实施例中，所述模型训练模块403，用于:

基于所述候选数据及对应的风险类型，以及所述候选向量与所述第一向量之间的向量距离，对预设线性模型进行训练，得到训练后的线性模型。

本说明书实施例中，所述模型训练模块403，用于：

将所述候选数据输入所述预设线性模型，得到所述候选数据对应的第一风险类型；

基于所述第一风险类型和所述候选数据对应的风险类型，确定第一损失值；

基于所述候选向量与所述第一向量之间的向量距离，以及所述第一损失值，确定目标损失值；

基于所述目标损失值确定所述线性模型是否收敛，在所述线性模型收敛的情况下，得到所述训练后的线性模型。

本说明书实施例中，所述模型训练模块403，用于：

基于所述训练后的线性模型的模型参数和预设惩罚项，确定目标模型参数，所述预设惩罚项用于表征所述训练后的线性模型的复杂度；

将所述目标模型参数的每一维的模型参数确定为所述目标数据每一维度的特征的重要性。

本说明书实施例提供一种数据处理装置，获取与执行目标业务相关的目标数据，基于预先训练的风险检测模型和预设检索数据库，对目标数据进行匹配检测处理，得到预设检索库中与目标数据具有相关关系的候选数据，并基于候选数据对应的风险类型，确定目标数据对应的风险类型，基于候选数据及对应的风险类型，对预设线性模型进行训练，得到训练后的线性模型，并基于训练后的线性模型每一维的模型参数，确定目标数据每一维度的特征的重要性，基于目标数据对应的风险类型和目标数据每一维度的特征的重要性，确定执行目标业务是否存在风险。这样，通过候选数据及对应的风险类型，可以解决在对线性模型进行训练时存在的邻域定义以及样本扰动等问题，可以通过训练后的线性模型的每一维的模型参数，准确的确定目标数据每一维度的特征的重要性，进而通过目标数据对应的风险类型和目标数据每一维度的特征的重要性，可以准确的确定执行目标业务是否存在风险，提高了风险检测的准确性。

实施例四

基于同样的思路，本说明书实施例还提供一种数据处理设备，如图5所示。

数据处理设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器501和存储器502，存储器502中可以存储有一个或一个以上存储应用程序或数据。其中，存储器502可以是短暂存储或持久存储。存储在存储器502的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对数据处理设备中的一系列计算机可执行指令。更进一步地，处理器501可以设置为与存储器502通信，在数据处理设备上执行存储器502中的一系列计算机可执行指令。数据处理设备还可以包括一个或一个以上电源503，一个或一个以上有线或无线网络接口504，一个或一个以上输入输出接口505，一个或一个以上键盘506。

具体在本实施例中，数据处理设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对数据处理设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：

获取与执行目标业务相关的目标数据；

基于预先训练的风险检测模型和预设检索数据库，对所述目标数据进行匹配检测处理，得到所述预设检索库中与所述目标数据具有相关关系的候选数据，并基于所述候选数据对应的风险类型，确定所述目标数据对应的风险类型；

基于所述候选数据及对应的风险类型，对预设线性模型进行训练，得到训练后的线性模型，并基于所述训练后的线性模型每一维的模型参数，确定所述目标数据每一维度的特征的重要性；

基于所述目标数据对应的风险类型和所述目标数据每一维度的特征的重要性，确定执行所述目标业务是否存在风险。

可选地，所述基于所述目标数据对应的风险类型和所述目标数据每一维度的特征的重要性，确定执行所述目标业务是否存在风险，包括：

基于所述训练后的线性模型每一维的模型参数，筛选出所述目标数据包含的特征中的目标特征；

基于所述目标特征和所述目标数据对应的风险类型，确定执行所述目标业务是否存在风险。

可选地，所述方法还包括：

在确定执行所述目标业务存在风险的情况下，确定风险防控策略中与所述目标特征对应的目标风险防控策略，并基于所述目标风险防控策略对所述目标业务进行风险防控处理。

可选地，所述预设检索数据库中存储有基于所述预先训练的风险检测模型和历史数据确定的历史向量，所述基于预先训练的风险检测模型和预设检索数据库，对所述目标数据进行匹配检测处理，得到所述预设检索库中与所述目标数据具有相关关系的候选数据，并基于所述候选数据确定所述目标数据对应的风险类型，包括：

基于所述预先训练的风险检测模型，确定与所述目标数据对应的第一向量；

对所述预设检索数据库中存储的所述历史向量和所述第一向量进行匹配处理，确定所述历史向量中与所述第一向量具有相关关系的候选向量，将所述候选向量确定为所述候选数据；

获取所述候选向量与所述第一向量之间的向量距离，并基于所述向量距离以及所述候选向量对应的风险类型，确定所述目标数据对应的风险类型。

可选地，所述基于所述候选数据及对应的风险类型，对预设线性模型进行训练，得到训练后的线性模型，包括:

基于所述候选数据及对应的风险类型，以及所述候选向量与所述第一向量之间的向量距离，对预设线性模型进行训练，得到训练后的线性模型。

可选地，所述基于所述候选数据及对应的风险类型，以及所述候选向量与所述第一向量之间的向量距离，对预设线性模型进行训练，得到训练后的线性模型，包括：

将所述候选数据输入所述预设线性模型，得到所述候选数据对应的第一风险类型；

基于所述第一风险类型和所述候选数据对应的风险类型，确定第一损失值；

基于所述候选向量与所述第一向量之间的向量距离，以及所述第一损失值，确定目标损失值；

基于所述目标损失值确定所述线性模型是否收敛，在所述线性模型收敛的情况下，得到所述训练后的线性模型。

可选地，所述基于所述训练后的线性模型每一维的模型参数，确定所述目标数据每一维度的特征的重要性，包括：

基于所述训练后的线性模型的模型参数和预设惩罚项，确定目标模型参数，所述预设惩罚项用于表征所述训练后的线性模型的复杂度；

将所述目标模型参数的每一维的模型参数确定为所述目标数据每一维度的特征的重要性。

本说明书实施例提供一种数据处理设备，获取与执行目标业务相关的目标数据，基于预先训练的风险检测模型和预设检索数据库，对目标数据进行匹配检测处理，得到预设检索库中与目标数据具有相关关系的候选数据，并基于候选数据对应的风险类型，确定目标数据对应的风险类型，基于候选数据及对应的风险类型，对预设线性模型进行训练，得到训练后的线性模型，并基于训练后的线性模型每一维的模型参数，确定目标数据每一维度的特征的重要性，基于目标数据对应的风险类型和目标数据每一维度的特征的重要性，确定执行目标业务是否存在风险。这样，通过候选数据及对应的风险类型，可以解决在对线性模型进行训练时存在的邻域定义以及样本扰动等问题，可以通过训练后的线性模型的每一维的模型参数，准确的确定目标数据每一维度的特征的重要性，进而通过目标数据对应的风险类型和目标数据每一维度的特征的重要性，可以准确的确定执行目标业务是否存在风险，提高了风险检测的准确性。

实施例五

本说明书实施例还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，该计算机程序被处理器执行时实现上述数据处理方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。

本说明书实施例提供一种计算机可读存储介质，获取与执行目标业务相关的目标数据，基于预先训练的风险检测模型和预设检索数据库，对目标数据进行匹配检测处理，得到预设检索库中与目标数据具有相关关系的候选数据，并基于候选数据对应的风险类型，确定目标数据对应的风险类型，基于候选数据及对应的风险类型，对预设线性模型进行训练，得到训练后的线性模型，并基于训练后的线性模型每一维的模型参数，确定目标数据每一维度的特征的重要性，基于目标数据对应的风险类型和目标数据每一维度的特征的重要性，确定执行目标业务是否存在风险。这样，通过候选数据及对应的风险类型，可以解决在对线性模型进行训练时存在的邻域定义以及样本扰动等问题，可以通过训练后的线性模型的每一维的模型参数，准确的确定目标数据每一维度的特征的重要性，进而通过目标数据对应的风险类型和目标数据每一维度的特征的重要性，可以准确的确定执行目标业务是否存在风险，提高了风险检测的准确性。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

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：ARC625D、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，在实施本说明书一个或多个实施例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，本说明书一个或多个实施例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，本说明书一个或多个实施例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。

本说明书的实施例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，本说明书一个或多个实施例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，本说明书一个或多个实施例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。

本说明书一个或多个实施例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一个或多个实施例，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 (10)

1.一种数据处理方法，包括：

获取与执行目标业务相关的目标数据；

基于预先训练的风险检测模型和预设检索数据库，对所述目标数据进行匹配检测处理，得到所述预设检索库中与所述目标数据具有相关关系的候选数据，并基于所述候选数据对应的风险类型，确定所述目标数据对应的风险类型；

基于所述候选数据及对应的风险类型，对预设线性模型进行训练，得到训练后的线性模型，并基于所述训练后的线性模型每一维的模型参数，确定所述目标数据每一维度的特征的重要性；

基于所述目标数据对应的风险类型和所述目标数据每一维度的特征的重要性，确定执行所述目标业务是否存在风险。

2.根据权利要求1所述的方法，所述基于所述目标数据对应的风险类型和所述目标数据每一维度的特征的重要性，确定执行所述目标业务是否存在风险，包括：

基于所述训练后的线性模型每一维的模型参数，筛选出所述目标数据包含的特征中的目标特征；

基于所述目标特征和所述目标数据对应的风险类型，确定执行所述目标业务是否存在风险。

3.根据权利要求2所述的方法，所述方法还包括：

在确定执行所述目标业务存在风险的情况下，确定风险防控策略中与所述目标特征对应的目标风险防控策略，并基于所述目标风险防控策略对所述目标业务进行风险防控处理。

4.根据权利要求3所述的方法，所述预设检索数据库中存储有基于所述预先训练的风险检测模型和历史数据确定的历史向量，所述基于预先训练的风险检测模型和预设检索数据库，对所述目标数据进行匹配检测处理，得到所述预设检索库中与所述目标数据具有相关关系的候选数据，并基于所述候选数据确定所述目标数据对应的风险类型，包括：

基于所述预先训练的风险检测模型，确定与所述目标数据对应的第一向量；

对所述预设检索数据库中存储的所述历史向量和所述第一向量进行匹配处理，确定所述历史向量中与所述第一向量具有相关关系的候选向量，将所述候选向量确定为所述候选数据；

获取所述候选向量与所述第一向量之间的向量距离，并基于所述向量距离以及所述候选向量对应的风险类型，确定所述目标数据对应的风险类型。

5.根据权利要求4所述的方法，所述基于所述候选数据及对应的风险类型，对预设线性模型进行训练，得到训练后的线性模型，包括:

基于所述候选数据及对应的风险类型，以及所述候选向量与所述第一向量之间的向量距离，对预设线性模型进行训练，得到训练后的线性模型。

6.根据权利要求5所述的方法，所述基于所述候选数据及对应的风险类型，以及所述候选向量与所述第一向量之间的向量距离，对预设线性模型进行训练，得到训练后的线性模型，包括：

将所述候选数据输入所述预设线性模型，得到所述候选数据对应的第一风险类型；

基于所述第一风险类型和所述候选数据对应的风险类型，确定第一损失值；

基于所述候选向量与所述第一向量之间的向量距离，以及所述第一损失值，确定目标损失值；

基于所述目标损失值确定所述线性模型是否收敛，在所述线性模型收敛的情况下，得到所述训练后的线性模型。

7.根据权利要求6所述的方法，所述基于所述训练后的线性模型每一维的模型参数，确定所述目标数据每一维度的特征的重要性，包括：

基于所述训练后的线性模型的模型参数和预设惩罚项，确定目标模型参数，所述预设惩罚项用于表征所述训练后的线性模型的复杂度；

将所述目标模型参数的每一维的模型参数确定为所述目标数据每一维度的特征的重要性。

8.一种数据处理装置，包括：

数据获取模块，用于获取与执行目标业务相关的目标数据；

类型确定模块，用于基于预先训练的风险检测模型和预设检索数据库，对所述目标数据进行匹配检测处理，得到所述预设检索库中与所述目标数据具有相关关系的候选数据，并基于所述候选数据对应的风险类型，确定所述目标数据对应的风险类型；

模型训练模块，用于基于所述候选数据及对应的风险类型，对预设线性模型进行训练，得到训练后的线性模型，并基于所述训练后的线性模型每一维的模型参数，确定所述目标数据每一维度的特征的重要性；

风险确定模块，用于基于所述目标数据对应的风险类型和所述目标数据每一维度的特征的重要性，确定执行所述目标业务是否存在风险。

9.一种数据处理设备，所述数据处理设备包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：

获取与执行目标业务相关的目标数据；

基于预先训练的风险检测模型和预设检索数据库，对所述目标数据进行匹配检测处理，得到所述预设检索库中与所述目标数据具有相关关系的候选数据，并基于所述候选数据对应的风险类型，确定所述目标数据对应的风险类型；

基于所述候选数据及对应的风险类型，对预设线性模型进行训练，得到训练后的线性模型，并基于所述训练后的线性模型每一维的模型参数，确定所述目标数据每一维度的特征的重要性；

基于所述目标数据对应的风险类型和所述目标数据每一维度的特征的重要性，确定执行所述目标业务是否存在风险。

10.一种存储介质，所述存储介质用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：

获取与执行目标业务相关的目标数据；

基于预先训练的风险检测模型和预设检索数据库，对所述目标数据进行匹配检测处理，得到所述预设检索库中与所述目标数据具有相关关系的候选数据，并基于所述候选数据对应的风险类型，确定所述目标数据对应的风险类型；

基于所述候选数据及对应的风险类型，对预设线性模型进行训练，得到训练后的线性模型，并基于所述训练后的线性模型每一维的模型参数，确定所述目标数据每一维度的特征的重要性；

基于所述目标数据对应的风险类型和所述目标数据每一维度的特征的重要性，确定执行所述目标业务是否存在风险。

Images