CN116308738B - 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
- CN116308738B CN116308738B CN202310140918.5A CN202310140918A CN116308738B CN 116308738 B CN116308738 B CN 116308738B CN 202310140918 A CN202310140918 A CN 202310140918A CN 116308738 B CN116308738 B CN 116308738B
- Authority
- CN
- China
- Prior art keywords
- user
- target
- user group
- wind control
- users
- 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
- 238000012549 training Methods 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000010586 diagram Methods 0.000 claims abstract description 76
- 230000006399 behavior Effects 0.000 claims abstract description 66
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 238000009826 distribution Methods 0.000 claims description 26
- 230000008859 change Effects 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 10
- 230000006872 improvement Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
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，获取各用户的目标属性数据以及各用户之间所产生的业务行为的目标业务信息。而后，将业务关系图、各用户的目标属性数据以及各用户之间所产生的业务行为的目标业务信息输入到待训练的风控模型中，预测各用户所属的用户群体以及各用户所属用户群体的风险标签。最后，以最小化各用户所属的用户群体与各用户所属的实际用户群体之间的偏差，以及最小化各用户所属用户群体的风险标签与各用户所属用户群体的实际风险标签之间的偏差为优化目标，对风控模型进行训练。本方法可以提高风控模型确定出的风控结果的准确性。
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
随着计算机技术和互联网技术的不断发展，金融领域的交易行为越来越多的依赖于互联网进行。某些人员通过抱团、切换身份等方法，利用各种金融平台漏洞对用户的资金安全进行冲击，给金融行业造成巨大损失。
目前，通常采用大量的历史交易数据，利用传统的机器学习算法来训练神经网络模型。将交易数据输入到训练后的神经网络模型来识别某笔交易是否具有风险性质。
但是，采用机器学习算法训练得到的神经网络模型很难识别出手法复杂的风险交易模式，从而，导致神经网络模型的识别准确性较低。
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，以部分的解决现有技术存在的上述问题。
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：
确定预先构建的业务关系图，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；
获取各用户的目标属性数据以及各用户之间所产生的业务行为的目标业务信息；
将所述业务关系图、所述各用户的目标属性数据以及所述各用户之间所产生的业务行为的目标业务信息输入到待训练的风控模型中，预测各用户所属的用户群体以及各用户所属用户群体的风险标签，针对每个用户群体，该用户群体对应的风险标签用于表示该用户群体是否为风险群体；
以最小化各用户所属的用户群体与各用户所属的实际用户群体之间的偏差，以及最小化各用户所属用户群体的风险标签与各用户所属用户群体的实际风险标签之间的偏差为优化目标，对所述风控模型进行训练。
可选地，获取各用户的目标属性数据以及各用户之间所产生的业务行为的目标业务信息，具体包括：
获取各用户的各属性数据以及各用户之间所产生的业务行为的各业务信息；
针对每个属性数据，根据各用户的该属性数据，确定该属性数据对风控结果的影响度；
从各属性数据中选取出影响度大于第一设定阈值的属性数据，作为目标属性数据；
针对每个业务信息，根据各用户之间的业务信息，确定该业务信息对风控结果的影响度；
从各业务信息中选取出影响度大于第二设定阈值的业务信息，作为目标业务信息。
可选地，在将所述业务关系图、所述各用户的目标属性数据以及所述各用户之间所产生的业务行为的目标业务信息输入到待训练的风控模型中，预测各用户所属的用户群体以及各用户所属用户群体的风险标签之前，所述方法还包括：
获取所述目标属性数据对应的权重分布图以及所述目标业务信息对应的权重分布图，所述权重分布图中包含有各数值对应的权重；
根据所述目标属性数据对应的权重分布图以及各用户的目标属性数据，确定加权后的各用户的目标属性数据，作为各用户的加权属性数据；
根据所述目标业务信息对应的权重分布图以及所述各用户之间所产生的业务行为的目标业务信息，确定加权后的各用户之间所产生的业务行为的目标业务信息，作为各用户之间所产生的业务行为的加权业务信息。
可选地，将所述业务关系图、所述各用户的目标属性数据以及所述各用户之间所产生的业务行为的目标业务信息输入到待训练的风控模型中，预测各用户所属的用户群体以及各用户所属用户群体的风险标签，具体包括：
将所述业务关系图、所述各用户的加权属性数据以及各用户之间所产生的业务行为的加权业务信息输入到待训练的风控模型中，预测各用户所属的用户群体以及各用户所属用户群体的风险标签。
可选地，将所述业务关系图、所述各用户的目标属性数据以及所述各用户之间所产生的业务行为的目标业务信息输入到待训练的风控模型中，预测各用户所属的用户群体以及各用户所属用户群体的风险标签，具体包括：
将所述业务关系图、所述各用户的目标属性数据以及所述各用户之间所产生的业务行为的目标业务信息输入到待训练的风控模型中，以通过所述风控模型中的特征提取层，从所述各用户的目标属性数据中提取特征，得到各用户对应的节点的节点特征，以及从所述各用户之间所产生的业务行为的目标业务信息中提取特征，得到各用户之间的边的边特征；
将所述各用户对应的节点的节点特征以及所述各用户之间的边的边特征输入到所述风控模型的决策层中，预测各用户所属的用户群体以及各用户所属用户群体的风险标签。
可选地，将所述各用户对应的节点的节点特征以及所述各用户之间的边的边特征输入到所述风控模型的决策层中，预测各用户所属的用户群体以及各用户所属用户群体的风险标签，具体包括：
针对每个用户，确定与该用户对应的节点相连的节点，作为该用户对应的关联节点，并将该用户对应的节点的节点特征以及该用户对应的节点与该用户对应的关联节点之间的边的边特征进行拼接，得到该用户对应的节点融合特征；
将各用户对应的节点融合特征输入到所述风控模型的决策层中，预测各用户所属的用户群体以及各用户所属用户群体的风险标签。
可选地，以最小化各用户所属的用户群体与各用户所属的实际用户群体之间的偏差，以及最小化各用户所属用户群体的风险标签与各用户所属用户群体的实际风险标签之间的偏差为优化目标，对所述风控模型进行训练，具体包括：
根据各用户所属的用户群体，确定各用户群体内的用户；
针对每个用户群体，根据该用户群体内的用户对应的节点与其他用户群体内的用户对应的节点之间的边的数量，以及该用户群体内的各用户对应的节点之间的边的数量，确定该用户群体对应的评估得分；
以最小化各用户所属的用户群体与各用户所属的实际用户群体之间的偏差、最小化各用户所属用户群体的风险标签与各用户所属用户群体的实际风险标签之间的偏差，以及最大化各用户群体对应的评估得分为优化目标，对风控模型进行训练。
可选地，针对每个用户群体，根据该用户群体内的用户对应的节点与其他用户群体内的用户对应的节点之间的边的数量，以及该用户群体内的各用户对应的节点之间的边的数量，确定该用户群体对应的评估得分，具体包括：
针对每个用户群体，根据该用户群体内的用户对应的节点与其他用户群体内的用户对应的节点之间的边的数量、该用户群体内的各用户对应的节点之间的边的数量，以及该用户群体与其他用户群体之间的交易量，确定该用户群体对应的评估得分。
可选地，以最小化各用户所属的用户群体与各用户所属的实际用户群体之间的偏差，以及最小化各用户所属用户群体的风险标签与各用户所属用户群体的实际风险标签之间的偏差为优化目标，对所述风控模型进行训练，具体包括：
将各用户对应的节点融合特征输入到所述风控模型的解码层中，确定目标业务关系图；
以最小化各用户所属的用户群体与各用户所属的实际用户群体之间的偏差、最小化各用户所属用户群体的风险标签与各用户所属用户群体的实际风险标签之间的偏差，以及最小化所述业务关系图与所述目标业务关系图之间的偏差为优化目标，对风控模型进行训练。
可选地，所述方法还包括：
针对每轮训练，获取该轮训练对应的业务关系图、该轮训练对应的各用户的目标属性数据，以及该轮训练对应的各用户之间所产生的业务行为的目标业务信息，作为该轮训练对应的训练数据；
将该轮训练对应的训练数据输入到该轮待训练的风控模型中，预测该轮训练对应的各用户所属的用户群体以及各用户所属用户群体的风险标签；
确定该轮训练对应的业务关系图与上一轮训练对应的业务关系图之间的变化程度，作为第一变化程度，并确定该轮训练对应的各用户所属的用户群体以及各用户所属用户群体的风险标签，与上一轮训练对应的各用户所属的用户群体以及各用户所属用户群体的风险标签之间的变化程度，作为第二变化程度；
以最小化所述第一变化程度与所述第二变化程度之间的比值接近于设定比值为优化目标，对该轮待训练的风控模型进行训练，得到该轮训练后的风控模型，作为下一轮待训练的风控模型。
本说明书提供了一种业务风控的方法，包括：
获取目标用户执行业务时的业务数据；
将所述业务数据输入到预先训练的风控模型中，以确定所述目标用户所属的用户群体以及所述目标用户所属用户群体的风险标签，所述风控模型是通过上述模型训练的方法训练得到的；
根据所述目标用户所属的用户群体以及所述目标用户所属用户群体的风险标签，对所述目标用户进行业务风控。
本说明书提供了一种模型训练的装置，包括：
确定模块，用于确定预先构建的业务关系图，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，用于获取各用户的目标属性数据以及各用户之间所产生的业务行为的目标业务信息；
预测模块，用于将所述业务关系图、所述各用户的目标属性数据以及所述各用户之间所产生的业务行为的目标业务信息输入到待训练的风控模型中，预测各用户所属的用户群体以及各用户所属用户群体的风险标签，针对每个用户群体，该用户群体对应的风险标签用于表示该用户群体是否为风险群体；
训练模块，用于以最小化各用户所属的用户群体与各用户所属的实际用户群体之间的偏差，以及最小化各用户所属用户群体的风险标签与各用户所属用户群体的实际风险标签之间的偏差为优化目标，对所述风控模型进行训练。
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数据；
输入模块，用于将所述业务数据输入到预先训练的风控模型中，以确定所述目标用户所属的用户群体以及所述目标用户所属用户群体的风险标签，所述风控模型是通过上述模型训练的方法训练得到的；
风控模块，用于根据所述目标用户所属的用户群体以及所述目标用户所属用户群体的风险标签，对所述目标用户进行业务风控。
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，确定预先构建的业务关系图，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。其次，获取各用户的目标属性数据以及各用户之间所产生的业务行为的目标业务信息。而后，将业务关系图、各用户的目标属性数据以及各用户之间所产生的业务行为的目标业务信息输入到待训练的风控模型中，预测各用户所属的用户群体以及各用户所属用户群体的风险标签，针对每个用户群体，该用户群体对应的风险标签用于表示该用户群体是否为风险群体。最后，以最小化各用户所属的用户群体与各用户所属的实际用户群体之间的偏差，以及最小化各用户所属用户群体的风险标签与各用户所属用户群体的实际风险标签之间的偏差为优化目标，对风控模型进行训练。
从上述的模型训练的方法中可以看出，本方法可以将业务关系图、各用户的目标属性数据以及各用户之间所产生的业务行为的目标业务信息输入到待训练的风控模型中，预测各用户所属的用户群体以及各用户所属用户群体的风险标签。最后，以最小化各用户所属的用户群体与各用户所属的实际用户群体之间的偏差，以及最小化各用户所属用户群体的风险标签与各用户所属用户群体的实际风险标签之间的偏差为优化目标，对风控模型进行训练。本方法可以提高风控模型确定出的风控结果的准确性。
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风控模型的结构示意图；
图3为本说明书实施例提供的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为本说明书实施例提供的模型训练的方法的流程示意图，具体包括以下步骤：
S100：确定预先构建的业务关系图，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。
在本说明书实施例中，本说明书提供的模型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，服务器可以确定预先构建的业务关系图，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。这里提到的业务关联可以是指两个用户之间存在交易关系。例如，一个用户向另一个用户进行转账，在业务关系图中，将这两个用户对应的节点由边相连。
具体的，服务器可以获取各用户的各属性数据以及各用户之间所产生的业务行为的各业务信息。这里提到的属性数据可以是指年龄、性别、学历以及籍贯等。这里提到的业务信息可以是指交易金额、交易时间和交易类型等。
其中，服务器可以根据各用户的用户信息，生成用户对应的节点。并根据各用户之间的业务信息，生成各用户之间的边，以构建业务关系图。
需要说明的是，业务关系图可以由邻接矩阵进行表示。若业务关系图中的一个节点i与另一个节点j之间存在业务关系，则邻接矩阵中的元素ij为1，否则元素ij为0。
S102：获取各用户的目标属性数据以及各用户之间所产生的业务行为的目标业务信息。
在实际应用中，一部分的属性数据以及业务信息在模型训练过程中，对风控模型确定出的风控结果的影响程度较大，而一部分的属性数据以及业务信息在模型训练过程中，对风控模型确定出的风控结果的影响程度较小。基于此，服务器可以根据各属性数据对风控结果的影响程度，确定目标属性数据，以及根据各业务信息对风控结果的影响程度，确定目标业务信息。
在本说明书实施例中，服务器可以获取各用户的各属性数据以及各用户之间所产生的业务行为的各业务信息。
其次，针对每个属性数据，服务器可以根据各用户的该属性数据，确定该属性数据对风控结果的影响度。从各属性数据中选取出影响度大于第一设定阈值的属性数据，作为目标属性数据；
然后，针对每个业务信息，服务器可以根据各用户之间的业务信息，确定该业务信息对风控结果的影响度。从各业务信息中选取出影响度大于第二设定阈值的业务信息，作为目标业务信息。其中，第一设定阈值与第二设定阈值可以根据业务需求进行设定。具体公式如下：
在上述公式中，可以用于表示属性数据(或业务信息)X中的第i个值出现的概率。H(X)可以用于表示属性数据(或业务信息)X对应的影响度。
在信息论中，熵代表混乱程度。熵越大，不确定性越大，信息增益也就越小。在风控模型中，若某个属性数据(或业务信息)的熵越小，说明该属性数据(或业务信息)对风控模型确定出风控结果可以提供非常大的信息量。也就是说，熵越小的属性数据(或业务信息)可以提供更多的信息量。
在实际应用中，通过信息熵的方法，仅能确定单个属性数据(或业务信息)的影响度。而不同的属性数据与业务信息进行组合后，影响度可能会发生变化。例如，若属性数据A的影响度为80％，属性数据B的影响度为70％，属性数据C的影响度为60％。将属性数据A与属性数据B进行组合后，影响度为50％，而将将属性数据B与属性数据C进行组合后，影响度为90％。可以看出，影响度小的属性数据与业务信息进行组合后的影响度不一定最小。
基于此，服务器可以确定出不同的属性数据与业务信息进行组合后的影响度。具体公式如下：
在上述公式中，可以用于表示属性数据(或业务信息)X中的第i个值与属性数据(或业务信息)Y中的第j个值联合出现的概率。H(X,Y)可以用于表示属性数据(或业务信息)X与属性数据(或业务信息)Y进行组合后对风控结果的影响度。
S104：将所述业务关系图、所述各用户的目标属性数据以及所述各用户之间所产生的业务行为的目标业务信息输入到待训练的风控模型中，预测各用户所属的用户群体以及各用户所属用户群体的风险标签，针对每个用户群体，该用户群体对应的风险标签用于表示该用户群体是否为风险群体。
在本说明书实施例中，服务器可以将业务关系图、各用户的目标属性数据以及各用户之间所产生的业务行为的目标业务信息输入到待训练的风控模型中，预测各用户所属的用户群体以及各用户所属用户群体的风险标签。针对每个用户群体，该用户群体对应的风险标签用于表示该用户群体是否为风险群体。这里提到的风险群体可以根据业务需求进行定义。例如，在反诈场景下，风险群体可以是指会给普通用户带来风险的人群。再例如，在资金安全保障场景下，风险群体可以是指会给普通用户的资金造成一定损失的人群。
具体的，服务器可以将业务关系图、各用户的目标属性数据以及各用户之间所产生的业务行为的目标业务信息输入到待训练的风控模型中，以通过风控模型中的特征提取层，从各用户的目标属性数据中提取特征，得到各用户对应的节点的节点特征，以及从各用户之间所产生的业务行为的目标业务信息中提取特征，得到各用户之间的边的边特征。
然后，服务器可以将各用户对应的节点的节点特征以及各用户之间的边的边特征输入到风控模型的决策层中，预测各用户所属的用户群体以及各用户所属用户群体的风险标签。
进一步的，服务器可以针对每个用户，确定与该用户对应的节点相连的节点，作为该用户对应的关联节点，并将该用户对应的节点的节点特征以及该用户对应的节点与该用户对应的关联节点之间的边的边特征进行拼接，得到该用户对应的节点融合特征。
接着，服务器可以将各用户对应的节点融合特征输入到风控模型的决策层中，预测各用户所属的用户群体以及各用户所属用户群体的风险标签。
在实际应用中，用户的目标属性数据以及目标业务信息中的不同的数值对风控结果的影响程度不同。例如，若目标属性数据为年龄，年龄较大的用户的身份信息更容易被盗用，因此，较大的年龄对应的权重较大，而年龄较小的用户的防范意识较强，因此，较小的年龄对应的权重较小。
基于此，服务器可以获取预先确定出的目标属性数据对应的权重分布图以及目标业务信息对应的权重分布图，以对目标属性数据以及目标业务信息进行加权，用于后续的模型训练。
在本说明书实施例中，服务器获取目标属性数据对应的权重分布图以及目标业务信息对应的权重分布图，这里提到的权重分布图用于表示各数值对应的权重。例如，目标属性数据为年龄，年龄对应的权重分布图用于表示不同年龄对应的权重。例如，目标业务信息为交易金额，交易金额对应的权重分布图用于表示不同交易金额对应的权重。
其次，服务器可以根据目标属性数据对应的权重分布图以及各用户的目标属性数据，确定加权后的各用户的目标属性数据，作为各用户的加权属性数据。
然后，服务器可以根据目标业务信息对应的权重分布图以及各用户之间所产生的业务行为的目标业务信息，确定加权后的各用户之间所产生的业务行为的目标业务信息，作为各用户之间所产生的业务行为的加权业务信息。
最后，服务器可以将业务关系图、各用户的加权属性数据以及各用户之间所产生的业务行为的加权业务信息输入到待训练的风控模型中，预测各用户所属的用户群体以及各用户所属用户群体的风险标签。
在本说明书实施例中，风控模型的模型结构可以是图卷积模型，图卷积模型中包含有编码器以及解码器。其中，编码器可以采用具有逐层传播规则的多层图卷积网络。具体公式如下：
在上述公式中，可以是指含有自环的邻接矩阵，/>可以是指/>的节点度对角矩阵，σ()可以用于表示非线性激活函数，第一层为ReLU，最后一层为sigmod。W(l)可以用于表示第l个神经网络层的权重矩阵。At,0可以用于表示各用户所属的用户群体的概率，其中，包含有各用户群体的风险标签的概率。
S106：以最小化各用户所属的用户群体与各用户所属的实际用户群体之间的偏差，以及最小化各用户所属用户群体的风险标签与各用户所属用户群体的实际风险标签之间的偏差为优化目标，对所述风控模型进行训练。
在本说明书实施例中，服务器可以以最小化各用户所属的用户群体与各用户所属的实际用户群体之间的偏差，以及最小化各用户所属用户群体的风险标签与各用户所属用户群体的实际风险标签之间的偏差为优化目标，对所述风控模型进行训练。具体公式如下：
在上述公式中，NLij可以用于表示各用户所属的实际用户群体。Hij可以用于表示各用户所属的用户群体对应的概率。
在上述公式中，NLi(c+1)可以用于表示各用户所属用户群体的实际风险标签。Hi(c+1)可以用于表示各用户所属用户群体的风险标签。
在实际应用中，服务器需要根据各用户所属的用户群体，判断当前用户群体划分的优劣。由于，仅有部分用户对应的用户群体标签，无法根据当前用户群体的划分结果与真实的划分结果之间的偏差，对风控模型进行训练。
因此，服务器可以根据用户群体内部的各节点连接更为稠密，用户群体间的连接更为稀疏的特点，判断当前用户群体划分的优劣。也就是说，一个用户群体内的各节点之间的边数量较多，该用户群体内的各节点与其他用户群体内的各节点之间的边数量较少，则表明该用户群体划分较好。
在本说明书实施例中，服务器可以根据各用户所属的用户群体，确定各用户群体内的用户。
其次，针对每个用户群体，服务器可以根据该用户群体内的用户对应的节点与其他用户群体内的用户对应的节点之间的边的数量，以及该用户群体内的各用户对应的节点之间的边的数量，确定该用户群体对应的评估得分。
最后，服务器可以以最小化各用户所属的用户群体与各用户所属的实际用户群体之间的偏差、最小化各用户所属用户群体的风险标签与各用户所属用户群体的实际风险标签之间的偏差，以及最大化各用户群体对应的评估得分为优化目标，对风控模型进行训练。
在实际应用中，通常情况下，会给普通用户带来风险的人群的收入的交易金额可能远大于支出的交易金额。因此，服务器可以根据支出的交易金额与收入的交易金额之间的差值，确定用户所属用户群体的风险标签是否为风险群体。
在本说明书实施例中，针对每个用户群体，服务器可以根据该用户群体内的用户对应的节点与其他用户群体内的用户对应的节点之间的边的数量、该用户群体内的各用户对应的节点之间的边的数量，以及该用户群体与其他用户群体之间的交易量，确定该用户群体对应的评估得分。具体公式如下：
在上述公式中，Aij可以用于表示邻接矩阵的元素ij。di可以用于表示节点i对应的边数量。dj可以用于表示节点j对应的边数量。可以用于表示收入的交易金额。/>可以用于表示支出的交易金额。Cp(i)可以用于表示节点i是否为风险群体的概率。
在实际应用中，服务器输入到风控模型中的数据较多，在对这些数据进行编码后，可能导致部分数据的缺失或变化。若业务关系图在编码后发生较大的变化，可能会导致风控结果出现较大的错误。基于此，为了避免业务关系图的较大的变化，服务器可以通过对编码后的数据进行解码，得到目标业务关系图。以最小化业务关系图与目标业务关系图之间的偏差为优化目标，对风控模型进行训练，以避免业务关系图出现较大的变化。
在本说明书实施例中，服务器可以将各用户对应的节点融合特征输入到风控模型的解码层中，确定目标业务关系图。
然后，服务器可以以最小化各用户所属的用户群体与各用户所属的实际用户群体之间的偏差、最小化各用户所属用户群体的风险标签与各用户所属用户群体的实际风险标签之间的偏差，以及最小化业务关系图与目标业务关系图之间的偏差为优化目标，对风控模型进行训练。
在实际应用中，金融交易网络是动态变化的，会给普通用户带来风险的人群可以通过短期地改变其行为而逃脱检测，且会给普通用户带来风险的人群中的人员可能会更新，新的核心欺诈人员的出现会扩展新增风险人群。因此，需要对风控模型进行更新。
目前，传统的解决方式是获取新增数据，重新训练风控模型。但是，这种方法所需的计算资源较多。基于此，服务器可以采用增量学习的方法来更新风控模型。
在本说明书实施例中，针对每轮训练，服务器可以获取该轮训练对应的业务关系图、该轮训练对应的各用户的目标属性数据，以及该轮训练对应的各用户之间所产生的业务行为的目标业务信息，作为该轮训练对应的训练数据。
服务器可以将该轮训练对应的训练数据输入到该轮待训练的风控模型中，预测该轮训练对应的各用户所属的用户群体以及各用户所属用户群体的风险标签。
服务器可以确定该轮训练对应的业务关系图与上一轮训练对应的业务关系图之间的变化程度，作为第一变化程度，并确定该轮训练对应的各用户所属的用户群体以及各用户所属用户群体的风险标签，与上一轮训练对应的各用户所属的用户群体以及各用户所属用户群体的风险标签之间的变化程度，作为第二变化程度。
服务器可以以最小化所述第一变化程度与所述第二变化程度之间的比值接近于设定比值为优化目标，对该轮待训练的风控模型进行训练，得到该轮训练后的风控模型，作为下一轮待训练的风控模型。这里提到的设定比值可以根据业务需求进行设定。具体公式如下：
LT∝-ΔHt+1/ΔGt+1
在上述公式中，∝可以用于表示正比于。ΔHt+1可以用于表示第二变化程度。ΔGt+1可以用于表示第一变化程度。
在本说明书实施例中，服务器可以以最小化各用户所属的用户群体与各用户所属的实际用户群体之间的偏差、最小化各用户所属用户群体的风险标签与各用户所属用户群体的实际风险标签之间的偏差、最大化各用户群体对应的评估得分，以及最小化业务关系图与目标业务关系图之间的偏差为优化目标，对风控模型进行训练。
进一步的，服务器可以获取各偏差对应的权重，对各偏差进行加权。具体公式如下：
LAll＝LA-α1LQ+α2LN+α3LC
在上述公式中，LAll可以用于表示损失和值。LA可以用于表示业务关系图与目标业务关系图之间的偏差。LQ可以用于表示各用户群体对应的评估得分。LN可以用于表示各用户所属的用户群体与各用户所属的实际用户群体之间的偏差。LC可以用于表示各用户所属用户群体的风险标签与各用户所属用户群体的实际风险标签之间的偏差。
图2为本说明书实施例提供的一种风控模型的结构示意图。
在图2中，服务器可以获取各用户的各属性数据、各用户之间所产生的业务行为的各业务信息、目标属性数据对应的权重分布图以及目标业务信息对应的权重分布图。
其次，服务器可以从各用户的各属性数据中，确定目标属性数据，以及从各用户之间所产生的业务行为的各业务信息中，确定目标业务信息。
而后，服务器可以确定各用户的加权属性数据以及各用户之间所产生的业务行为的加权业务信息。
然后，服务器可以将确定预先构建的业务关系图、各用户的加权属性数据以及各用户之间所产生的业务行为的加权业务信息输入到待训练的风控模型中，以通过风控模型中的特征提取层，从各用户的加权属性数据中提取特征，得到各用户对应的节点的节点特征，以及从各用户之间所产生的业务行为的加权业务信息中提取特征，得到各用户之间的边的边特征。
接着，服务器可以将各用户对应的节点的节点特征以及各用户之间的边的边特征输入到风控模型的决策层中，预测各用户所属的用户群体以及各用户所属用户群体的风险标签。
最后，服务器可以以最小化各用户所属的用户群体与各用户所属的实际用户群体之间的偏差、最小化各用户所属用户群体的风险标签与各用户所属用户群体的实际风险标签之间的偏差、最大化各用户群体对应的评估得分，以及最小化业务关系图与目标业务关系图之间的偏差为优化目标，对风控模型进行训练。
从上述过程中可以看出，本方法可以将业务关系图、各用户的目标属性数据以及各用户之间所产生的业务行为的目标业务信息输入到待训练的风控模型中，预测各用户所属的用户群体以及各用户所属用户群体的风险标签。最后，以最小化各用户所属的用户群体与各用户所属的实际用户群体之间的偏差，以及最小化各用户所属用户群体的风险标签与各用户所属用户群体的实际风险标签之间的偏差为优化目标，对风控模型进行训练。本方法可以提高风控模型确定出的风控结果的准确性。
本说明书实施例在风控模型训练完成后，可以通过训练后的风控模型进行业务风控，如图3所示。
图3为本说明书实施例提供的业务风控的方法的流程示意图，具体包括：
S300：获取目标用户执行业务时的业务数据。
S302：将所述业务数据输入到预先训练的风控模型中，以确定所述目标用户所属的用户群体以及所述目标用户所属用户群体的风险标签，所述风控模型是通过上述模型训练的方法训练得到的。
S304：根据所述目标用户所属的用户群体以及所述目标用户所属用户群体的风险标签，对所述目标用户进行业务风控。
在本说明书实施例中，服务器可以获取目标用户执行业务时的业务数据。其次，服务器可以将业务数据输入到预先训练的风控模型中，以确定目标用户所属的用户群体以及目标用户所属用户群体的风险标签。最后，服务器可以根据目标用户所属的用户群体以及目标用户所属用户群体的风险标签，对目标用户进行业务风控。
以上为本说明书的一个或多个实施例提供的模型训练的方法，基于同样的思路，本说明书还提供了相应的模型训练的装置，如图4所示。
图4为本说明书实施例提供的图像配准的装置的结构示意图，具体包括：
确定模块400，用于确定预先构建的业务关系图，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，用于获取各用户的目标属性数据以及各用户之间所产生的业务行为的目标业务信息；
预测模块404，用于将所述业务关系图、所述各用户的目标属性数据以及所述各用户之间所产生的业务行为的目标业务信息输入到待训练的风控模型中，预测各用户所属的用户群体以及各用户所属用户群体的风险标签，针对每个用户群体，该用户群体对应的风险标签用于表示该用户群体是否为风险群体；
训练模块406，用于以最小化各用户所属的用户群体与各用户所属的实际用户群体之间的偏差，以及最小化各用户所属用户群体的风险标签与各用户所属用户群体的实际风险标签之间的偏差为优化目标，对所述风控模型进行训练。
可选地，所述获取模块402具体用于，获取各用户的各属性数据以及各用户之间所产生的业务行为的各业务信息，针对每个属性数据，根据各用户的该属性数据，确定该属性数据对风控结果的影响度，从各属性数据中选取出影响度大于第一设定阈值的属性数据，作为目标属性数据，针对每个业务信息，根据各用户之间的业务信息，确定该业务信息对风控结果的影响度，从各业务信息中选取出影响度大于第二设定阈值的业务信息，作为目标业务信息。
可选地，所述预测模块404具体用于，获取所述目标属性数据对应的权重分布图以及所述目标业务信息对应的权重分布图，所述权重分布图中包含有各数值对应的权重，根据所述目标属性数据对应的权重分布图以及各用户的目标属性数据，确定加权后的各用户的目标属性数据，作为各用户的加权属性数据，根据所述目标业务信息对应的权重分布图以及所述各用户之间所产生的业务行为的目标业务信息，确定加权后的各用户之间所产生的业务行为的目标业务信息，作为各用户之间所产生的业务行为的加权业务信息。
可选地，所述预测模块404具体用于，将所述业务关系图、所述各用户的加权属性数据以及各用户之间所产生的业务行为的加权业务信息输入到待训练的风控模型中，预测各用户所属的用户群体以及各用户所属用户群体的风险标签。
可选地，所述预测模块404具体用于，将所述业务关系图、所述各用户的目标属性数据以及所述各用户之间所产生的业务行为的目标业务信息输入到待训练的风控模型中，以通过所述风控模型中的特征提取层，从所述各用户的目标属性数据中提取特征，得到各用户对应的节点的节点特征，以及从所述各用户之间所产生的业务行为的目标业务信息中提取特征，得到各用户之间的边的边特征，将所述各用户对应的节点的节点特征以及所述各用户之间的边的边特征输入到所述风控模型的决策层中，预测各用户所属的用户群体以及各用户所属用户群体的风险标签。
可选地，所述预测模块404具体用于，针对每个用户，确定与该用户对应的节点相连的节点，作为该用户对应的关联节点，并将该用户对应的节点的节点特征以及该用户对应的节点与该用户对应的关联节点之间的边的边特征进行拼接，得到该用户对应的节点融合特征，将各用户对应的节点融合特征输入到所述风控模型的决策层中，预测各用户所属的用户群体以及各用户所属用户群体的风险标签。
可选地，所述训练模块406具体用于，根据各用户所属的用户群体，确定各用户群体内的用户，针对每个用户群体，根据该用户群体内的用户对应的节点与其他用户群体内的用户对应的节点之间的边的数量，以及该用户群体内的各用户对应的节点之间的边的数量，确定该用户群体对应的评估得分，以最小化各用户所属的用户群体与各用户所属的实际用户群体之间的偏差、最小化各用户所属用户群体的风险标签与各用户所属用户群体的实际风险标签之间的偏差，以及最大化各用户群体对应的评估得分为优化目标，对风控模型进行训练。
可选地，所述训练模块406具体用于，针对每个用户群体，根据该用户群体内的用户对应的节点与其他用户群体内的用户对应的节点之间的边的数量、该用户群体内的各用户对应的节点之间的边的数量，以及该用户群体与其他用户群体之间的交易量，确定该用户群体对应的评估得分。
可选地，所述训练模块406具体用于，将各用户对应的节点融合特征输入到所述风控模型的解码层中，确定目标业务关系图，以最小化各用户所属的用户群体与各用户所属的实际用户群体之间的偏差、最小化各用户所属用户群体的风险标签与各用户所属用户群体的实际风险标签之间的偏差，以及最小化所述业务关系图与所述目标业务关系图之间的偏差为优化目标，对风控模型进行训练。
可选地，所述输入模块502具体用于，针对每轮训练，获取该轮训练对应的业务关系图、该轮训练对应的各用户的目标属性数据，以及该轮训练对应的各用户之间所产生的业务行为的目标业务信息，作为该轮训练对应的训练数据，将该轮训练对应的训练数据输入到该轮待训练的风控模型中，预测该轮训练对应的各用户所属的用户群体以及各用户所属用户群体的风险标签，确定该轮训练对应的业务关系图与上一轮训练对应的业务关系图之间的变化程度，作为第一变化程度，并确定该轮训练对应的各用户所属的用户群体以及各用户所属用户群体的风险标签，与上一轮训练对应的各用户所属的用户群体以及各用户所属用户群体的风险标签之间的变化程度，作为第二变化程度，以最小化所述第一变化程度与所述第二变化程度之间的比值接近于设定比值为优化目标，对该轮待训练的风控模型进行训练，得到该轮训练后的风控模型，作为下一轮待训练的风控模型。
图5为本说明书实施例提供的业务风控的装置的结构示意图，具体包括：
获取模块500，用于获取目标用户执行业务时的业务数据；
输入模块502，用于将所述业务数据输入到预先训练的风控模型中，以确定所述目标用户所属的用户群体以及所述目标用户所属用户群体的风险标签，所述风控模型是通过上述模型训练的方法训练得到的；
风控模块504，用于根据所述目标用户所属的用户群体以及所述目标用户所属用户群体的风险标签，对所述目标用户进行业务风控。
本说明书还提供了一种计算机可读存储介质，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提供的模型训练的方法以及上述图3提供的业务风控的方法。
本说明书还提供了图6所示的电子设备的结构示意图。如图6所述，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3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。
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 (14)
1.一种模型训练的方法，其特征在于，包括：
确定预先构建的业务关系图，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；
获取各用户的各属性数据以及各用户之间所产生的业务行为的各业务信息；针对每个属性数据，根据各用户的该属性数据的信息熵，确定该属性数据对风控结果的影响度；从各属性数据中选取出影响度大于第一设定阈值的属性数据，作为目标属性数据；针对每个业务信息，根据各用户之间的业务信息的信息熵，确定该业务信息对风控结果的影响度；从各业务信息中选取出影响度大于第二设定阈值的业务信息，作为目标业务信息；
将所述业务关系图、所述各用户的目标属性数据以及所述各用户之间所产生的业务行为的目标业务信息输入到待训练的风控模型中，预测各用户所属的用户群体以及各用户所属用户群体的风险标签，针对每个用户群体，该用户群体对应的风险标签用于表示该用户群体是否为风险群体；
以最小化各用户所属的用户群体与各用户所属的实际用户群体之间的偏差，以及最小化各用户所属用户群体的风险标签与各用户所属用户群体的实际风险标签之间的偏差为优化目标，对所述风控模型进行训练。
2.如权利要求1所述的方法，其特征在于，在将所述业务关系图、所述各用户的目标属性数据以及所述各用户之间所产生的业务行为的目标业务信息输入到待训练的风控模型中，预测各用户所属的用户群体以及各用户所属用户群体的风险标签之前，所述方法还包括：
获取所述目标属性数据对应的权重分布图以及所述目标业务信息对应的权重分布图，所述权重分布图中包含有各数值对应的权重；
根据所述目标属性数据对应的权重分布图以及各用户的目标属性数据，确定加权后的各用户的目标属性数据，作为各用户的加权属性数据；
根据所述目标业务信息对应的权重分布图以及所述各用户之间所产生的业务行为的目标业务信息，确定加权后的各用户之间所产生的业务行为的目标业务信息，作为各用户之间所产生的业务行为的加权业务信息。
3.如权利要求2所述的方法，其特征在于，将所述业务关系图、所述各用户的目标属性数据以及所述各用户之间所产生的业务行为的目标业务信息输入到待训练的风控模型中，预测各用户所属的用户群体以及各用户所属用户群体的风险标签，具体包括：
将所述业务关系图、所述各用户的加权属性数据以及各用户之间所产生的业务行为的加权业务信息输入到待训练的风控模型中，预测各用户所属的用户群体以及各用户所属用户群体的风险标签。
4.如权利要求1所述的方法，其特征在于，将所述业务关系图、所述各用户的目标属性数据以及所述各用户之间所产生的业务行为的目标业务信息输入到待训练的风控模型中，预测各用户所属的用户群体以及各用户所属用户群体的风险标签，具体包括：
将所述业务关系图、所述各用户的目标属性数据以及所述各用户之间所产生的业务行为的目标业务信息输入到待训练的风控模型中，以通过所述风控模型中的特征提取层，从所述各用户的目标属性数据中提取特征，得到各用户对应的节点的节点特征，以及从所述各用户之间所产生的业务行为的目标业务信息中提取特征，得到各用户之间的边的边特征；
将所述各用户对应的节点的节点特征以及所述各用户之间的边的边特征输入到所述风控模型的决策层中，预测各用户所属的用户群体以及各用户所属用户群体的风险标签。
5.如权利要求4所述的方法，其特征在于，将所述各用户对应的节点的节点特征以及所述各用户之间的边的边特征输入到所述风控模型的决策层中，预测各用户所属的用户群体以及各用户所属用户群体的风险标签，具体包括：
针对每个用户，确定与该用户对应的节点相连的节点，作为该用户对应的关联节点，并将该用户对应的节点的节点特征以及该用户对应的节点与该用户对应的关联节点之间的边的边特征进行拼接，得到该用户对应的节点融合特征；
将各用户对应的节点融合特征输入到所述风控模型的决策层中，预测各用户所属的用户群体以及各用户所属用户群体的风险标签。
6.如权利要求1所述的方法，其特征在于，以最小化各用户所属的用户群体与各用户所属的实际用户群体之间的偏差，以及最小化各用户所属用户群体的风险标签与各用户所属用户群体的实际风险标签之间的偏差为优化目标，对所述风控模型进行训练，具体包括：
根据各用户所属的用户群体，确定各用户群体内的用户；
针对每个用户群体，根据该用户群体内的用户对应的节点与其他用户群体内的用户对应的节点之间的边的数量，以及该用户群体内的各用户对应的节点之间的边的数量，确定该用户群体对应的评估得分；
以最小化各用户所属的用户群体与各用户所属的实际用户群体之间的偏差、最小化各用户所属用户群体的风险标签与各用户所属用户群体的实际风险标签之间的偏差，以及最大化各用户群体对应的评估得分为优化目标，对风控模型进行训练。
7.如权利要求6所述的方法，其特征在于，针对每个用户群体，根据该用户群体内的用户对应的节点与其他用户群体内的用户对应的节点之间的边的数量，以及该用户群体内的各用户对应的节点之间的边的数量，确定该用户群体对应的评估得分，具体包括：
针对每个用户群体，根据该用户群体内的用户对应的节点与其他用户群体内的用户对应的节点之间的边的数量、该用户群体内的各用户对应的节点之间的边的数量，以及该用户群体与其他用户群体之间的交易量，确定该用户群体对应的评估得分。
8.如权利要求5所述的方法，其特征在于，以最小化各用户所属的用户群体与各用户所属的实际用户群体之间的偏差，以及最小化各用户所属用户群体的风险标签与各用户所属用户群体的实际风险标签之间的偏差为优化目标，对所述风控模型进行训练，具体包括：
将各用户对应的节点融合特征输入到所述风控模型的解码层中，确定目标业务关系图；
以最小化各用户所属的用户群体与各用户所属的实际用户群体之间的偏差、最小化各用户所属用户群体的风险标签与各用户所属用户群体的实际风险标签之间的偏差，以及最小化所述业务关系图与所述目标业务关系图之间的偏差为优化目标，对风控模型进行训练。
9.如权利要求1所述的方法，其特征在于，所述方法还包括：
针对每轮训练，获取该轮训练对应的业务关系图、该轮训练对应的各用户的目标属性数据，以及该轮训练对应的各用户之间所产生的业务行为的目标业务信息，作为该轮训练对应的训练数据；
将该轮训练对应的训练数据输入到该轮待训练的风控模型中，预测该轮训练对应的各用户所属的用户群体以及各用户所属用户群体的风险标签；
确定该轮训练对应的业务关系图与上一轮训练对应的业务关系图之间的变化程度，作为第一变化程度，并确定该轮训练对应的各用户所属的用户群体以及各用户所属用户群体的风险标签，与上一轮训练对应的各用户所属的用户群体以及各用户所属用户群体的风险标签之间的变化程度，作为第二变化程度；
以最小化所述第一变化程度与所述第二变化程度之间的比值接近于设定比值为优化目标，对该轮待训练的风控模型进行训练，得到该轮训练后的风控模型，作为下一轮待训练的风控模型。
10.一种业务风控的方法，其特征在于，包括：
获取目标用户执行业务时的业务数据；
将所述业务数据输入到预先训练的风控模型中，以确定所述目标用户所属的用户群体以及所述目标用户所属用户群体的风险标签，所述风控模型是通过上述权利要求1～9任一项所述的方法训练得到的；
根据所述目标用户所属的用户群体以及所述目标用户所属用户群体的风险标签，对所述目标用户进行业务风控。
11.一种模型训练的装置，其特征在于，包括：
确定模块，用于确定预先构建的业务关系图，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；
获取各用户的各属性数据以及各用户之间所产生的业务行为的各业务信息；针对每个属性数据，根据各用户的该属性数据的信息熵，确定该属性数据对风控结果的影响度；从各属性数据中选取出影响度大于第一设定阈值的属性数据，作为目标属性数据；针对每个业务信息，根据各用户之间的业务信息的信息熵，确定该业务信息对风控结果的影响度；从各业务信息中选取出影响度大于第二设定阈值的业务信息，作为目标业务信息；
预测模块，用于将所述业务关系图、所述各用户的目标属性数据以及所述各用户之间所产生的业务行为的目标业务信息输入到待训练的风控模型中，预测各用户所属的用户群体以及各用户所属用户群体的风险标签，针对每个用户群体，该用户群体对应的风险标签用于表示该用户群体是否为风险群体；
训练模块，用于以最小化各用户所属的用户群体与各用户所属的实际用户群体之间的偏差，以及最小化各用户所属用户群体的风险标签与各用户所属用户群体的实际风险标签之间的偏差为优化目标，对所述风控模型进行训练。
12.一种业务风控的装置，其特征在于，包括：
获取模块，用于获取目标用户执行业务时的业务数据；
输入模块，用于将所述业务数据输入到预先训练的风控模型中，以确定所述目标用户所属的用户群体以及所述目标用户所属用户群体的风险标签，所述风控模型是通过上述权利要求1～9任一项所述的方法训练得到的；
风控模块，用于根据所述目标用户所属的用户群体以及所述目标用户所属用户群体的风险标签，对所述目标用户进行业务风控。
13.一种计算机可读存储介质，其特征在于，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1～9任一项所述的方法。
14.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现上述权利要求1～9任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310140918.5A CN116308738B (zh) | 2023-02-10 | 2023-02-10 | 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 |
|---|---|---|---|
| CN202310140918.5A CN116308738B (zh) | 2023-02-10 | 2023-02-10 | 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 |
|---|---|
| CN116308738A CN116308738A (zh) | 2023-06-23 |
| CN116308738B true CN116308738B (zh) | 2024-03-08 |
Family
ID=86798897
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310140918.5A Active CN116308738B (zh) | 2023-02-10 | 2023-02-10 | 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) | CN116308738B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116882767B (zh) * | 2023-09-08 | 2024-01-05 | 之江实验室 | 一种基于不完善异构关系网络图的风险预测方法及装置 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107369095A (zh) * | 2017-06-15 | 2017-11-21 | 阿里巴巴集团控股有限公司 | 一种车险业务的数据处理方法、装置及系统 |
| CN107437198A (zh) * | 2017-05-26 | 2017-12-05 | 阿里巴巴集团控股有限公司 | 确定用户风险偏好的方法、信息推荐方法及装置 |
| JP2017224053A (ja) * | 2016-06-13 | 2017-12-21 | 株式会社日立製作所 | 脆弱性リスク評価システムおよび脆弱性リスク評価方法 |
| CN109345374A (zh) * | 2018-09-17 | 2019-02-15 | 平安科技（深圳）有限公司 | 风险控制方法、装置、计算机设备和存储介质 |
| CN111738628A (zh) * | 2020-08-14 | 2020-10-02 | 支付宝(杭州)信息技术有限公司 | 一种风险群组识别方法及装置 |
| CN113643119A (zh) * | 2021-07-19 | 2021-11-12 | 北京三快在线科技有限公司 | 一种模型训练的方法、业务风控的方法及装置 |
| CN113986762A (zh) * | 2021-11-22 | 2022-01-28 | 中国银联股份有限公司 | 一种测试用例的生成方法及装置 |
| WO2022121705A1 (zh) * | 2020-12-10 | 2022-06-16 | 株式会社日立制作所 | 信息处理方法、装置和设备 |
| CN115146731A (zh) * | 2022-07-15 | 2022-10-04 | 北京三快在线科技有限公司 | 一种模型训练的方法、业务风控的方法及装置 |
| CN115345489A (zh) * | 2022-08-17 | 2022-11-15 | 李思宇 | 基于服务层的云计算风险分析方法及分析系统 |
| CN115660105A (zh) * | 2022-10-28 | 2023-01-31 | 支付宝(杭州)信息技术有限公司 | 一种模型训练的方法、业务风控的方法及装置 |
-
2023
- 2023-02-10 CN CN202310140918.5A patent/CN116308738B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017224053A (ja) * | 2016-06-13 | 2017-12-21 | 株式会社日立製作所 | 脆弱性リスク評価システムおよび脆弱性リスク評価方法 |
| CN107437198A (zh) * | 2017-05-26 | 2017-12-05 | 阿里巴巴集团控股有限公司 | 确定用户风险偏好的方法、信息推荐方法及装置 |
| CN107369095A (zh) * | 2017-06-15 | 2017-11-21 | 阿里巴巴集团控股有限公司 | 一种车险业务的数据处理方法、装置及系统 |
| CN109345374A (zh) * | 2018-09-17 | 2019-02-15 | 平安科技（深圳）有限公司 | 风险控制方法、装置、计算机设备和存储介质 |
| CN111738628A (zh) * | 2020-08-14 | 2020-10-02 | 支付宝(杭州)信息技术有限公司 | 一种风险群组识别方法及装置 |
| WO2022121705A1 (zh) * | 2020-12-10 | 2022-06-16 | 株式会社日立制作所 | 信息处理方法、装置和设备 |
| CN113643119A (zh) * | 2021-07-19 | 2021-11-12 | 北京三快在线科技有限公司 | 一种模型训练的方法、业务风控的方法及装置 |
| CN113986762A (zh) * | 2021-11-22 | 2022-01-28 | 中国银联股份有限公司 | 一种测试用例的生成方法及装置 |
| CN115146731A (zh) * | 2022-07-15 | 2022-10-04 | 北京三快在线科技有限公司 | 一种模型训练的方法、业务风控的方法及装置 |
| CN115345489A (zh) * | 2022-08-17 | 2022-11-15 | 李思宇 | 基于服务层的云计算风险分析方法及分析系统 |
| CN115660105A (zh) * | 2022-10-28 | 2023-01-31 | 支付宝(杭州)信息技术有限公司 | 一种模型训练的方法、业务风控的方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116308738A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111080304B (zh) | 一种可信关系识别方法、装置及设备 | |
| CN111881973A (zh) | 一种样本选择方法、装置、存储介质及电子设备 | |
| CN110008991B (zh) | 风险事件的识别、风险识别模型的生成方法、装置、设备及介质 | |
| CN112214652B (zh) | 一种报文生成方法、装置及设备 | |
| CN110674188A (zh) | 一种特征提取方法、装置及设备 | |
| CN116308738B (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
| CN114997472A (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
| CN114819614A (zh) | 数据处理方法、装置、系统及设备 | |
| CN115146731A (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
| CN110033092B (zh) | 数据标签生成、模型训练、事件识别方法和装置 | |
| CN115712866A (zh) | 数据处理方法、装置及设备 | |
| CN113887206B (zh) | 一种模型训练及关键词提取方法及装置 | |
| CN110705622A (zh) | 一种决策方法、系统以及电子设备 | |
| CN111507726B (zh) | 一种报文生成方法、装置及设备 | |
| CN113157941A (zh) | 业务特征数据处理、文本生成方法、装置及电子设备 | |
| CN112183584A (zh) | 一种模型训练以及业务执行的方法及装置 | |
| CN117313141A (zh) | 一种异常检测方法、装置、设备及可读存储介质 | |
| CN110851600A (zh) | 基于深度学习的文本数据处理方法及装置 | |
| CN113010562B (zh) | 一种信息推荐的方法以及装置 | |
| CN116230146A (zh) | 数据处理方法、icd编码模型的训练方法及相关设备 | |
| CN115618964A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
| CN115130621A (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
| CN114511376A (zh) | 基于多模型的信用数据处理方法及装置 | |
| CN110321433B (zh) | 确定文本类别的方法及装置 | |
| CN115545938B (zh) | 一种执行风险识别业务的方法、装置、存储介质及设备 |
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 |