CN116485188A - 一种风险的识别方法、装置及设备 - Google Patents
一种风险的识别方法、装置及设备 Download PDFInfo
- Publication number
- CN116485188A CN116485188A CN202310627977.5A CN202310627977A CN116485188A CN 116485188 A CN116485188 A CN 116485188A CN 202310627977 A CN202310627977 A CN 202310627977A CN 116485188 A CN116485188 A CN 116485188A
- Authority
- CN
- China
- Prior art keywords
- risk
- risk identification
- sub
- recognition
- modules
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000012545 processing Methods 0.000 claims abstract description 63
- 230000008569 process Effects 0.000 claims abstract description 43
- 230000002159 abnormal effect Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000013140 knowledge distillation Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 description 24
- 230000002265 prevention Effects 0.000 description 15
- 230000006870 function Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 230000005856 abnormality Effects 0.000 description 7
- 239000003999 initiator Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000750 progressive effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000007636 ensemble learning method 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
- 238000003062 neural network model Methods 0.000 description 2
- 241000272201 Columbiformes Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000003672 processing method Methods 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
- 230000001052 transient effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble 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
- 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)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Technology Law (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例公开了一种风险的识别方法、装置及设备,该方法包括:获取用户执行目标业务的过程中产生的业务数据;将业务数据分别输入到针对目标业务的多个风险识别模块中,获取每个风险识别模块返回的子风险识别结果,目标业务对应的风险识别模型是由多个风险识别模块中包含的风险识别子模型通过集成学习的方式构建;基于每个风险识别模块返回的子风险识别结果的情况,确定多个风险识别模块中每个风险识别模块的可用性;如果多个风险识别模块中超过第一预设数量的风险识别模块的可用性为可用,则对可用的风险识别模块返回的子风险识别结果进行集成处理,得到业务数据对应的风险识别结果。
Description
技术领域
本文件涉及计算机技术领域,尤其涉及一种风险的识别方法、装置及设备。
背景技术
在风控场景,风险防控越来越智能化,即可以通过机器学习的方式自动学习防控风险的模型,从而减少大量而繁琐的人工防控策略的设计工作。
随着模型越来越复杂,就会很容易出现超时且超时后风险识别模型不可用。在毫秒级的计算过程中,除了特征本身复杂度外,一些微小的扰动(如网络不稳定、数据流量激增导致计算排队等)都会导致计算超时,这样就导致模型超时概率会随着特征超时概率而指数级增长,从而严重限制了风险识别模型可使用特征的数量。在风控场景下,通常可以沉淀数千个风险特征,但是模型对于其使用程度有限,从而也限制了模型的能力,为此,需要提供一种能够提升模型能力的技术方案。
发明内容
本说明书实施例的目的是提供一种能够提升模型能力的技术方案。
为了实现上述技术方案,本说明书实施例是这样实现的:
本说明书实施例提供的一种风险的识别方法,所述方法包括:获取用户执行目标业务的过程中产生的业务数据。将所述业务数据分别输入到针对所述目标业务的多个风险识别模块中,以基于每个所述风险识别模块中包含的风险识别子模型对所述业务数据进行风险识别处理,获取每个所述风险识别模块返回的子风险识别结果,所述目标业务对应的风险识别模型是由所述多个风险识别模块中包含的所述风险识别子模型通过集成学习的方式构建。基于每个所述风险识别模块返回的子风险识别结果的情况,确定多个风险识别模块中每个所述风险识别模块的可用性。如果多个风险识别模块中超过第一预设数量的风险识别模块的可用性为可用,则对可用性为可用的风险识别模块返回的子风险识别结果进行集成处理,得到所述业务数据对应的风险识别结果。
本说明书实施例提供的一种风险的识别装置,所述装置包括:业务数据获取模块,获取用户执行目标业务的过程中产生的业务数据。子识别结果确定模块,将所述业务数据分别输入到针对所述目标业务的多个风险识别模块中,以基于每个所述风险识别模块中包含的风险识别子模型对所述业务数据进行风险识别处理,获取每个所述风险识别模块返回的子风险识别结果,所述目标业务对应的风险识别模型是由所述多个风险识别模块中包含的所述风险识别子模型通过集成学习的方式构建。可用性确定模块,基于每个所述风险识别模块返回的子风险识别结果的情况,确定多个风险识别模块中每个所述风险识别模块的可用性。第一风险识别模块,如果多个风险识别模块中超过第一预设数量的风险识别模块的可用性为可用,则对可用性为可用的风险识别模块返回的子风险识别结果进行集成处理,得到所述业务数据对应的风险识别结果。
本说明书实施例提供的一种风险的识别设备,所述风险的识别设备包括: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:获取用户执行目标业务的过程中产生的业务数据。将所述业务数据分别输入到针对所述目标业务的多个风险识别模块中,以基于每个所述风险识别模块中包含的风险识别子模型对所述业务数据进行风险识别处理,获取每个所述风险识别模块返回的子风险识别结果,所述目标业务对应的风险识别模型是由所述多个风险识别模块中包含的所述风险识别子模型通过集成学习的方式构建。基于每个所述风险识别模块返回的子风险识别结果的情况,确定多个风险识别模块中每个所述风险识别模块的可用性。如果多个风险识别模块中超过第一预设数量的风险识别模块的可用性为可用,则对可用性为可用的风险识别模块返回的子风险识别结果进行集成处理,得到所述业务数据对应的风险识别结果。
本说明书实施例还提供了一种存储介质,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处理器执行时实现以下流程:获取用户执行目标业务的过程中产生的业务数据。将所述业务数据分别输入到针对所述目标业务的多个风险识别模块中,以基于每个所述风险识别模块中包含的风险识别子模型对所述业务数据进行风险识别处理,获取每个所述风险识别模块返回的子风险识别结果,所述目标业务对应的风险识别模型是由所述多个风险识别模块中包含的所述风险识别子模型通过集成学习的方式构建。基于每个所述风险识别模块返回的子风险识别结果的情况,确定多个风险识别模块中每个所述风险识别模块的可用性。如果多个风险识别模块中超过第一预设数量的风险识别模块的可用性为可用,则对可用性为可用的风险识别模块返回的子风险识别结果进行集成处理,得到所述业务数据对应的风险识别结果。
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1为本说明书一种风险的识别系统的结构示意图;
图2为本说明书一种风险的识别方法实施例;
图3为本说明书另一种风险的识别方法实施例;
图4为本说明书一种风险的识别装置实施例;
图5为本说明书一种风险的识别设备实施例。
具体实施方式
本说明书实施例提供一种风险的识别方法、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作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。
本说明书实施例提供一种风险的识别机制,假设特征超时概率是0.001,则一个具有n个特征的模型的超时概率就是1-(1-0.001)^n,100个特征的超时概率即为10%,500个特征的超时概率即为40%,这样就严重限制了风险识别模型可使用特征的数量,在风控场景下,通常可以沉淀数千个风险特征,但是模型对于其使用程度有限,从而也限制了模型的能力,为此,设计了一种鲁棒的高效的模块化的模型系统方案,如图1所示,可以将一个复杂的模型拆分到多个独立工作的模块中,每个模块可以只能使用有限个数的特征,最后多个模块通过一定的组合机制给出模型最终的决策结果。使用该种模型系统,可以将一个只有一定(如60%等)可用率的复杂模型提升为可以保持较好性能(甚至其性能几乎不会失效)模块化模型系统。具体处理可以参见下述实施例中的具体内容。
实施例一
如图2所示,本说明书实施例提供一种风险的识别方法,该方法的执行主体可以为终端设备或服务器等,其中的终端设备可以如手机、平板电脑等移动终端设备,还可以如笔记本电脑或台式电脑等计算机设备,或者,也可以为IoT设备(具体如智能手表、车载设备等)等,其中的服务器可以是独立的一个服务器,还可以是由多个服务器构成的服务器集群等,该服务器可以是如金融业务或网络购物业务等的后台服务器,也可以是某应用程序的后台服务器等。本实施例中以执行主体为服务器为例进行详细说明,对于执行主体为终端设备的情况,可以参见下述服务器的情况处理,在此不再赘述。该方法具体可以包括以下步骤:
在步骤S202中,获取用户执行目标业务的过程中产生的业务数据。
其中,用户可以是任意用户。目标业务可以是任意业务,例如,目标业务可以是针对金融业务的风险防控业务,或者,也可以是针对购物业务的风险防控业务等,具体可以根据实际情况设定,本说明书实施例对此不做限定。业务数据可以包括多种,例如,目标业务可以是针对转账业务的风险防控业务,则相应的业务数据可以包括转账发起方的账户信息、转账目标方的账户信息、转账金额、转账时间、转账地点、转账发起方的历史交易的异常情况、转账目标方的历史交易的异常情况、转账发起方的转账偏好信息、转账目标方的转账偏好信息中的一项或多项。
在实施中,在风控场景,风险防控越来越智能化,即可以通过机器学习的方式自动学习防控风险的模型,从而减少大量而繁琐的人工防控策略的设计工作。在基于模型的风险防控中,通过模型进行运算的过程主要分为以下两部分:一部分是实时特征计算:风险识别模型一般依赖许多专家特征,每个特征都需要根据用户触发的事件(例如,支付业务中的风控场景的交易事件等)的属性信息进行实时计算;另一部分是模型推理计算:风险识别模型在等待数据的返回结果后,开始进行模型推理计算,输出风险防控的结果。
当风险识别模型部署之后,当风险识别模型被调用时,考虑到用户体验,可以设置一个超时的时间阈值(例如300毫秒等),如果超过该时间阈值(即超时),则不再等待风险识别模型的输出结果,而采用默认的兜底防控策略的结果。在上述方式中,随着模型越来越复杂,就会很容易出现超时且超时后风险识别模型不可用。在毫秒级的计算过程中,除了特征本身复杂度外,一些微小的扰动(如网络不稳定、数据流量激增导致计算排队等)都会导致计算超时。由于风险识别模型往往是一个计算整体,因此需要等待所有特征计算完成后才能开始执行后续的预测推理过程,这样就导致模型超时概率会随着特征超时概率而指数级增长。例如,特征超时概率是0.001,则一个具有n个特征的模型的超时概率就是1-(1-0.001)^n,100个特征的超时概率即为10%,500个特征的超时概率即为40%,这样就严重限制了风险识别模型可使用特征的数量。在风控场景下,通常可以沉淀数千个风险特征,但是模型对于其使用程度有限,从而也限制了模型的能力。为此,需要提供一种能够提升模型能力的技术方案,本说明书实施例提供一种可实现的技术方案,具体可以参见下述内容:
以金融机构的金融交易的风险防控业务为例,金融机构(尤其是互联网金融机构)每天会有大量的金融交易,上述金融交易可以是针对某一个用户的金融交易,也可以是针对多个不同的指定用户的金融交易,基于此,可以记录每个金融交易的相关信息。当需要对该用户的相关数据进行风险识别处理时,可以从上述记录的相关信息中获取用户执行目标业务的过程中产生的业务数据。在实际应用中,获取用户执行目标业务的过程中产生的业务数据的处理还可以包括多种不同的方式,再例如,可以设置指定的数据库,该数据库中可以包括一个或多个交易数据,当需要对该用户的相关数据进行风险识别处理时,可以从指定的数据库中获取用户执行目标业务的过程中产生的业务数据。上述仅是两种可实现的处理方式,在实际应用中,还可以包括多种不同的处理方式,具体可以根据实际情况设定,在此不再赘述。
需要说明的是,上述目标业务是以金融机构的金融交易的风险防控业务为例进行说明,在实际应用中,目标业务也可以是针对其它业务的风险防控业务,具体可以根据实际情况设定,本说明书实施例对此不做限定。
在步骤S204中,将上述业务数据分别输入到针对目标业务的多个风险识别模块中,以基于每个风险识别模块中包含的风险识别子模型对业务数据进行风险识别处理,获取每个风险识别模块返回的子风险识别结果,目标业务对应的风险识别模型是由多个风险识别模块中包含的风险识别子模型通过集成学习的方式构建。
其中,风险识别模块可以是用于进行风险识别处理的模块,风险识别模块可以包括多个,多个风险识别模块之间可以相互独立,彼此之间可以独立运行,这样,不同的风险识别模块可以并行执行相应的处理。风险识别子模型可以是用于进行风险识别处理的子模型,风险识别模型可以是用于进行风险识别处理的模型,风险识别模型可以包括多个风险识别子模型,多个风险识别子模型可以通过集成学习的方式构建,风险识别子模型可以是由指定的算法构建,例如,风险识别子模型可以通过随机森林算法构建,或者,风险识别子模型可以通过分类算法构建,或者,风险识别子模型可以通过神经网络算法构建等,具体可以根据实际情况设定,本说明书实施例对此不做限定。
在实施中,可以获取相应的算法,并可以基于该算法构建风险识别子模型和风险识别模型,该风险识别子模型的输入数据可以为目标业务的业务数据,在实际应用中,其输入数据也可以是该业务数据对应的特征等,输出数据可以为该业务数据是否存在预设风险(例如,欺诈风险或非法交易风险等),具体如,风险识别子模型可以包含一个二分类的树模型,树模型的输入数据可以为目标业务的业务数据,在实际应用中,其输入数据也可以是该业务数据对应的特征等,树模型输出的叶子结点编码可以作为业务数据存在预设风险的概率。或者,目标模型可以包括一个二分类的包含自注意力机制的神经网络模型,其输入数据可以为目标业务的业务数据,在实际应用中,其输入数据也可以是该业务数据对应的特征等,最终神经网络模型计算输出的注意力值为最终业务数据存在预设风险的概率等。然后,可以获取用于训练风险识别子模型的训练样本(即历史业务数据或其对应的特征等),可以使用该训练样本对风险识别子模型进行模型训练,在进行模型训练的过程中,可以预先设定目标函数,可以基于该目标函数对风险识别子模型中的模型参数进行优化处理,最终得到训练后的风险识别子模型。通过上述方式,可以训练得到每个风险识别子模型,最后,可以通过集成学习的方式得到风险识别模型。
如图1所示,为了减少计算耗时,可以将上述较繁杂的风险识别模型进行模块化处理,得到多个不同的风险识别模块,从而使得风险识别模型中的风险识别子模型分布到不同的风险识别模块中,然后,可以采用集成学习的方式汇总各个风险识别子模型的输出结果,这样,不同的风险识别模型并行独立运行,从而大幅减少计算耗时。之后,可以将上述业务数据分别输入到针对目标业务的多个风险识别模块中,以基于每个风险识别模块中包含的风险识别子模型对业务数据进行风险识别处理,获取每个风险识别模块返回的子风险识别结果。
在步骤S206中,基于每个风险识别模块返回的子风险识别结果的情况,确定多个风险识别模块中每个风险识别模块的可用性。
在实施中,可以根据实际情况预先设置接收子风险识别结果的时长或时间段,如果在上述设置的时长或时间段内接收到某风险识别模块返回的子风险识别结果,则表明该风险识别模块可用,如果在上述设置的时长或时间段内未接收到某风险识别模块返回的子风险识别结果,则表明该风险识别模块不可用,可以基于上述方式确定多个风险识别模块中每个风险识别模块的可用性。
在实际应用中,还可以通过多种不同的方式确定多个风险识别模块中每个风险识别模块的可用性,例如,可以对每个风险识别模块返回的子风险识别结果的内容进行分析,如果某风险识别模块返回的子风险识别结果存在异常,则确定该风险识别模块不可用,如果风险识别模块返回的子风险识别结果不存在异常,则确定该风险识别模块可用,可以基于上述方式确定多个风险识别模块中每个风险识别模块的可用性等,具体可以根据实际情况设定,本说明书实施例对此不做限定。
在步骤S208中,如果多个风险识别模块中超过第一预设数量的风险识别模块的可用性为可用,则对可用性为可用的风险识别模块返回的子风险识别结果进行集成处理,得到上述业务数据对应的风险识别结果。
其中,第一预设数量可以根据实际情况设定,具体如总数量的50%或总数量的70%等。
在实施中,如果多个风险识别模块中未超过第一预设数量的风险识别模块的可用性为可用,则表明风险识别模块返回的子风险识别结果无法准确判断该业务数据中存在的风险,此时,可以使用预先设定的风险识别机制对该业务数据进行风险识别处理,得到相应的风险识别结果,如果多个风险识别模块中超过第一预设数量的风险识别模块的可用性为可用,则对可用性为可用的风险识别模块返回的子风险识别结果进行集成处理,得到上述业务数据对应的风险识别结果,其中,进行集成处理的具体方式可以多种多样,例如,可以统计包含的子风险识别结果的种类(如存在风险或不存在风险等),并统计每个种类所包含的子风险识别结果的数量,可以将包含的子风险识别结果的数量最多的种类对应的子风险识别结果作为上述业务数据对应的风险识别结果,或者,可以为每个子风险识别结果设置相应的权重,可以将可用的风险识别模块返回的子风险识别结果进行加权求和计算,得到相应的求和结果,可以将该求和结果与预设的阈值进行比较,可以基于该比较结果确定上述业务数据对应的风险识别结果等,具体可以根据实际情况设定,本说明书实施例对此不做限定。
本说明书实施例提供一种风险的识别方法,通过获取用户执行目标业务的过程中产生的业务数据,将业务数据分别输入到针对目标业务的多个风险识别模块中,获取每个风险识别模块返回的子风险识别结果,目标业务对应的风险识别模型是由多个风险识别模块中包含的风险识别子模型通过集成学习的方式构建,基于每个风险识别模块返回的子风险识别结果的情况,确定多个风险识别模块中每个风险识别模块的可用性,如果多个风险识别模块中超过第一预设数量的风险识别模块的可用性为可用,则对可用的风险识别模块返回的子风险识别结果进行集成处理,得到业务数据对应的风险识别结果,这样,将复杂的整体的风险识别模型拆分到多个独立运行的风险识别模块中,每个风险识别模块最多只能使用有限个数的特征,最后多个模块通过集成学习的方式给出风险识别模型最终的决策结果,由于各个风险识别模块并行计算,从而可以提升模型推理效率,此外,不同的风险识别模块可以独立计算,如此某个模块的需要的特征计算完成后就可以率先计算,而不需要等待所有特征计算完成,容错性强。
实施例二
如图3所示,本说明书实施例提供一种风险的识别方法,该方法的执行主体可以为终端设备或服务器等,其中的终端设备可以如手机、平板电脑等移动终端设备,还可以如笔记本电脑或台式电脑等计算机设备,或者,也可以为IoT设备(具体如智能手表、车载设备等)等,其中的服务器可以是独立的一个服务器,还可以是由多个服务器构成的服务器集群等,该服务器可以是如金融业务或网络购物业务等的后台服务器,也可以是某应用程序的后台服务器等。本实施例中以执行主体为服务器为例进行详细说明,对于执行主体为终端设备的情况,可以参见下述服务器的情况处理,在此不再赘述。该方法具体可以包括以下步骤:
在步骤S302中,获取不同用户执行目标业务的过程中产生的历史业务数据。
其中,历史业务数据可以包括多种,例如,目标业务可以是针对转账业务的风险防控业务,则相应的历史业务数据可以包括转账发起方的账户信息、转账目标方的账户信息、转账金额、转账时间、转账地点、转账发起方的历史交易的异常情况、转账目标方的历史交易的异常情况、转账发起方的转账偏好信息、转账目标方的转账偏好信息中的一项或多项等。
在实施中,可以通过多种不同的方式获取不同用户执行目标业务的过程中产生的历史业务数据,例如,可以从指定的数据库中获取不同用户执行目标业务的过程中产生的历史业务数据,或者,可以从风险防控的服务器中获取预先记录的不同用户执行目标业务的过程中产生的历史业务数据等,具体可以根据实际情况设定,本说明书实施例对此不做限定。
在步骤S304中,将历史业务数据分别输入到针对目标业务的多个风险识别模块中,以基于每个风险识别模块中包含的风险识别子模型对历史业务数据进行风险识别处理,获取每个风险识别模块返回的子历史风险结果。
其中,风险识别子模型可以是由随机森林算法构建的子模型,或者,风险识别子模型可以是由预设的神经网络算法构建的子模型,风险识别子模型是通过对风险识别子模型进行知识蒸馏处理后的子模型。对于风险识别子模型可以是由随机森林算法构建的子模型,可以分别通过随机森林算法构建多个风险识别子模型,具体如10个风险识别子模型,并可以根据实际情况设置风险识别模块的数量,例如,设置8个风险识别模块,其中一个风险识别模块中可以放置2个风险识别子模型,还有一个风险识别模块中可以放置2个风险识别子模型,剩余的风险识别模块中可以分别放置1个风险识别子模型等,具体可以根据实际情况设定。
在实施中,可以基于随机森林算法构建风险识别子模型和风险识别模型,该风险识别子模型的输入数据可以为目标业务的业务数据,在实际应用中,其输入数据也可以是该业务数据对应的特征等,输出数据可以为该业务数据是否存在预设风险(例如,欺诈风险或非法交易风险等)。然后,可以获取用于训练风险识别子模型的训练样本(即历史业务数据或其对应的特征等),将该训练样本分别输入到针对目标业务的多个风险识别模块中,以基于每个风险识别模块中包含的风险识别子模型对训练样本进行风险识别处理,获取每个风险识别模块返回的子历史风险结果。
需要说明的是,为了提高风险识别效率,可以预先设定风险识别模块能够处理的特征的数量,例如,可以设定每个风险识别模块能够处理的特征的数量为10,或者,可以分别为不同风险识别模块设置不同能够处理的特征的数量,具体如,部分风险识别模块能够处理的特征的数量为10,还有一部分风险识别模块能够处理的特征的数量为20,剩余部分风险识别模块能够处理的特征的数量为15等,具体可以根据实际情况设定。
在步骤S306中,基于每个风险识别模块返回的子历史风险结果对目标业务对应的风险识别模型进行模型训练,得到训练后的风险识别模型。
在实施中,可以使用每个风险识别模块返回的子历史风险结果对风险识别子模型进行模型训练,在进行模型训练的过程中,可以预先设定目标函数,可以基于该目标函数对风险识别模块中的风险识别子模型的模型参数进行优化处理,最终得到训练后的风险识别子模型。通过上述方式,可以训练得到每个风险识别子模型,最后,可以通过集成学习的方式得到风险识别模型。
在步骤S308中,获取不同用户执行目标业务的过程中产生的历史业务数据。
上述步骤S308的具体处理过程可以参见上述相关内容,在此不再赘述。
在步骤S310中,对不同用户的历史业务数据中的部分历史业务数据对应的历史特征进行异常处理,得到异常历史特征,该异常处理包括历史特征随机缺失处理、历史特征中包含的字段随机缺失、向历史特征中增加随机扰动信息中的一项或多项。
在步骤S312中,基于剩余的历史业务数据对应的历史特征和异常历史特征,对异常识别子模型进行模型训练,得到训练后的异常识别子模型。
其中,异常识别子模型可以是用于进行特征异常识别处理的子模型,异常识别子模型可以是由指定的算法构建,例如,异常识别子模型可以通过分类算法构建,或者,异常识别子模型可以通过神经网络算法构建等,具体可以根据实际情况设定,本说明书实施例对此不做限定。
在步骤S314中,获取用户执行目标业务的过程中产生的业务数据。
在步骤S316中,将上述业务数据分别输入到针对目标业务的多个风险识别模块中,以基于每个风险识别模块中包含的风险识别子模型对该业务数据进行风险识别处理,获取每个风险识别模块返回的子风险识别结果,目标业务对应的风险识别模型是由多个风险识别模块中包含的风险识别子模型通过集成学习的方式构建。
其中,基于上述内容,风险识别子模型可以是由随机森林算法构建的子模型,或者,风险识别子模型可以是由预设的神经网络算法构建的子模型,风险识别子模型是通过对风险识别子模型进行知识蒸馏处理后的子模型。
需要说明的是,为了提高风险识别效率,可以预先设定风险识别模块能够处理的特征的数量,例如,可以设定每个风险识别模块能够处理的特征的数量为10,或者,可以分别为不同风险识别模块设置不同能够处理的特征的数量,具体如,部分风险识别模块能够处理的特征的数量为10,还有一部分风险识别模块能够处理的特征的数量为20,剩余部分风险识别模块能够处理的特征的数量为15等,具体可以根据实际情况设定。
在步骤S318中,如果在预设时长内未获取到风险识别模块返回的子风险识别结果,则确定该风险识别模块的可用性为不可用;或者,如果检测到上述业务数据对应的特征中存在第二预设数量的异常的特征,则确定该风险识别模块的可用性为不可用。
其中,预设时长可以根据实际情况设定,具体如300毫秒或1分钟等。第二预设数量可以根据实际情况设定,具体如1或3等。
此外,还可以通过下述步骤S320~步骤S324的处理方式确定风险识别模块的可用性。
在步骤S320中,基于上述业务数据,确定该业务数据对应的特征中用于当前的风险识别模块的目标特征。
在步骤S322中,将目标特征输入到预先训练的异常识别子模型中,得到目标特征中是否存在异常的特征的输出结果,该异常的特征包括特征缺失、特征中包含的字段缺失、特征中包含扰动信息中的一项或多项。
在步骤S324中,如果上述输出结果指示目标特征中存在异常的特征,则确定当前的风险识别模块的可用性为不可用。
在步骤S326中,如果多个风险识别模块中超过第一预设数量的风险识别模块的可用性为可用,则对可用性为可用的风险识别模块返回的子风险识别结果进行集成处理,得到该业务数据对应的风险识别结果。
其中,第一预设数量可以为多个风险识别模块的总数量的60%。
在实施中,对于具有500个特征的风险识别模型,经过模块化处理,40%的风险识别模块可以使用约200个特征,每个风险识别模块至多使用10个特征,这样,至少有20个风险识别模块全部失效,根据鸽笼原理,期望有20个特征失效才可以实现,500个特征里至少有20个特征失效的概率是C_500^20*(0.001)^20=2.7e-25,该概率是微乎其微的,这样,可以将一个只有60%可用的风险识别模型,提升为可以保持99%性能的几乎不会失效的风险识别模型。
在步骤S328中,如果多个风险识别模块中未超过预设数量的风险识别模块的可用性为可用,则基于预设的风险识别策略对该业务数据进行风险识别处理,得到该业务数据对应的风险识别结果。
其中,风险识别策略可以包括多种,例如,可以基于专家经验构建风险识别策略,或者,可以基于预先设定的风险识别规则构建风险识别策略等,具体可以根据实际情况设定,本说明书实施例对此不做限定。
本说明书实施例提供一种风险的识别方法,通过获取用户执行目标业务的过程中产生的业务数据,将业务数据分别输入到针对目标业务的多个风险识别模块中,获取每个风险识别模块返回的子风险识别结果,目标业务对应的风险识别模型是由多个风险识别模块中包含的风险识别子模型通过集成学习的方式构建,基于每个风险识别模块返回的子风险识别结果的情况,确定多个风险识别模块中每个风险识别模块的可用性,如果多个风险识别模块中超过第一预设数量的风险识别模块的可用性为可用,则对可用的风险识别模块返回的子风险识别结果进行集成处理,得到业务数据对应的风险识别结果,这样,将复杂的整体的风险识别模型拆分到多个独立运行的风险识别模块中,每个风险识别模块最多只能使用有限个数的特征,最后多个模块通过集成学习的方式给出风险识别模型最终的决策结果,由于各个风险识别模块并行计算,从而可以提升模型推理效率,此外,不同的风险识别模块可以独立计算,如此某个模块的需要的特征计算完成后就可以率先计算,而不需要等待所有特征计算完成,容错性强。
实施例三
以上为本说明书实施例提供的风险的识别方法,基于同样的思路,本说明书实施例还提供一种风险的识别装置,如图4所示。
该风险的识别装置包括:业务数据获取模块401、子识别结果确定模块402、可用性确定模块403和第一风险识别模块404,其中:
业务数据获取模块401,获取用户执行目标业务的过程中产生的业务数据;
子识别结果确定模块402,将所述业务数据分别输入到针对所述目标业务的多个风险识别模块中,以基于每个所述风险识别模块中包含的风险识别子模型对所述业务数据进行风险识别处理,获取每个所述风险识别模块返回的子风险识别结果,所述目标业务对应的风险识别模型是由所述多个风险识别模块中包含的所述风险识别子模型通过集成学习的方式构建;
可用性确定模块403,基于每个所述风险识别模块返回的子风险识别结果的情况,确定多个风险识别模块中每个所述风险识别模块的可用性;
第一风险识别模块404,如果多个风险识别模块中超过第一预设数量的风险识别模块的可用性为可用,则对可用性为可用的风险识别模块返回的子风险识别结果进行集成处理,得到所述业务数据对应的风险识别结果。
本说明书实施例中,所述装置还包括:
第二风险识别模块,如果多个风险识别模块中未超过预设数量的风险识别模块的可用性为可用,则基于预设的风险识别策略对所述业务数据进行风险识别处理,得到所述业务数据对应的风险识别结果。
本说明书实施例中,所述第一预设数量为所述多个风险识别模块的总数量的60%。
本说明书实施例中,所述风险识别子模型是由随机森林算法构建的子模型,或者,所述风险识别子模型是由预设的神经网络算法构建的子模型,所述风险识别子模型是通过对所述风险识别子模型进行知识蒸馏处理后的子模型。
本说明书实施例中,所述可用性确定模块403,如果在预设时长内未获取到所述风险识别模块返回的子风险识别结果,则确定所述风险识别模块的可用性为不可用;或者,如果检测到所述业务数据对应的特征中存在第二预设数量的异常的特征,则确定所述风险识别模块的可用性为不可用。
本说明书实施例中,所述装置还包括:
特征确定模块,基于所述业务数据,确定所述业务数据对应的特征中用于当前的所述风险识别模块的目标特征;
异常判定模块,将所述目标特征输入到预先训练的异常识别子模型中,得到所述目标特征中是否存在异常的特征的输出结果,所述异常的特征包括特征缺失、特征中包含的字段缺失、特征中包含扰动信息中的一项或多项;
判定模块,如果所述输出结果指示所述目标特征中存在异常的特征,则确定当前的所述风险识别模块的可用性为不可用。
本说明书实施例中,所述装置还包括:
第一历史数据获取模块,获取不同用户执行所述目标业务的过程中产生的历史业务数据;
子历史结果确定模块,将所述历史业务数据分别输入到针对所述目标业务的多个风险识别模块中,以基于每个所述风险识别模块中包含的风险识别子模型对所述历史业务数据进行风险识别处理,获取每个所述风险识别模块返回的子历史风险结果;
第一模型训练模块,基于每个所述风险识别模块返回的子历史风险结果对所述目标业务对应的风险识别模型进行模型训练,得到训练后的风险识别模型。
本说明书实施例中,所述装置还包括:
第二历史数据获取模块,获取不同用户执行所述目标业务的过程中产生的历史业务数据;
异常处理模块,对不同用户的所述历史业务数据中的部分历史业务数据对应的历史特征进行异常处理,得到异常历史特征,所述异常处理包括历史特征随机缺失处理、历史特征中包含的字段随机缺失、向历史特征中增加随机扰动信息中的一项或多项;
第二模型训练模块,基于剩余的历史业务数据对应的历史特征和所述异常历史特征,对所述异常识别子模型进行模型训练,得到训练后的异常识别子模型。
本说明书实施例提供一种风险的识别装置,通过获取用户执行目标业务的过程中产生的业务数据,将业务数据分别输入到针对目标业务的多个风险识别模块中,获取每个风险识别模块返回的子风险识别结果,目标业务对应的风险识别模型是由多个风险识别模块中包含的风险识别子模型通过集成学习的方式构建,基于每个风险识别模块返回的子风险识别结果的情况,确定多个风险识别模块中每个风险识别模块的可用性,如果多个风险识别模块中超过第一预设数量的风险识别模块的可用性为可用,则对可用的风险识别模块返回的子风险识别结果进行集成处理,得到业务数据对应的风险识别结果,这样,将复杂的整体的风险识别模型拆分到多个独立运行的风险识别模块中,每个风险识别模块最多只能使用有限个数的特征,最后多个模块通过集成学习的方式给出风险识别模型最终的决策结果,由于各个风险识别模块并行计算,从而可以提升模型推理效率,此外,不同的风险识别模块可以独立计算,如此某个模块的需要的特征计算完成后就可以率先计算,而不需要等待所有特征计算完成,容错性强。
实施例四
基于同样的思路,本说明书实施例还提供一种风险的识别设备,如图5所示。
所述风险的识别设备可以为上述实施例提供终端设备或服务器等。
风险的识别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风险的识别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,在风险的识别设备上执行存储器502中的一系列计算机可执行指令。风险的识别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,风险的识别设备包括有存储器,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风险的识别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:
获取用户执行目标业务的过程中产生的业务数据;
将所述业务数据分别输入到针对所述目标业务的多个风险识别模块中,以基于每个所述风险识别模块中包含的风险识别子模型对所述业务数据进行风险识别处理,获取每个所述风险识别模块返回的子风险识别结果,所述目标业务对应的风险识别模型是由所述多个风险识别模块中包含的所述风险识别子模型通过集成学习的方式构建;
基于每个所述风险识别模块返回的子风险识别结果的情况,确定多个风险识别模块中每个所述风险识别模块的可用性;
如果多个风险识别模块中超过第一预设数量的风险识别模块的可用性为可用,则对可用性为可用的风险识别模块返回的子风险识别结果进行集成处理,得到所述业务数据对应的风险识别结果。
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,对于风险的识别设备实施例而言,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。
本说明书实施例提供一种风险的识别设备,通过获取用户执行目标业务的过程中产生的业务数据,将业务数据分别输入到针对目标业务的多个风险识别模块中,获取每个风险识别模块返回的子风险识别结果,目标业务对应的风险识别模型是由多个风险识别模块中包含的风险识别子模型通过集成学习的方式构建,基于每个风险识别模块返回的子风险识别结果的情况,确定多个风险识别模块中每个风险识别模块的可用性,如果多个风险识别模块中超过第一预设数量的风险识别模块的可用性为可用,则对可用的风险识别模块返回的子风险识别结果进行集成处理,得到业务数据对应的风险识别结果,这样,将复杂的整体的风险识别模型拆分到多个独立运行的风险识别模块中,每个风险识别模块最多只能使用有限个数的特征,最后多个模块通过集成学习的方式给出风险识别模型最终的决策结果,由于各个风险识别模块并行计算,从而可以提升模型推理效率,此外,不同的风险识别模块可以独立计算,如此某个模块的需要的特征计算完成后就可以率先计算,而不需要等待所有特征计算完成,容错性强。
实施例五
进一步地,基于上述图2到图3所示的方法,本说明书一个或多个实施例还提供了一种存储介质,用于存储计算机可执行指令信息,一种具体的实施例中,该存储介质可以为U盘、光盘、硬盘等,该存储介质存储的计算机可执行指令信息在被处理器执行时,能实现以下流程:
获取用户执行目标业务的过程中产生的业务数据;
将所述业务数据分别输入到针对所述目标业务的多个风险识别模块中,以基于每个所述风险识别模块中包含的风险识别子模型对所述业务数据进行风险识别处理,获取每个所述风险识别模块返回的子风险识别结果,所述目标业务对应的风险识别模型是由所述多个风险识别模块中包含的所述风险识别子模型通过集成学习的方式构建;
基于每个所述风险识别模块返回的子风险识别结果的情况,确定多个风险识别模块中每个所述风险识别模块的可用性;
如果多个风险识别模块中超过第一预设数量的风险识别模块的可用性为可用,则对可用性为可用的风险识别模块返回的子风险识别结果进行集成处理,得到所述业务数据对应的风险识别结果。
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,对于上述一种存储介质实施例而言,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。
本说明书实施例提供一种存储介质,通过获取用户执行目标业务的过程中产生的业务数据,将业务数据分别输入到针对目标业务的多个风险识别模块中,获取每个风险识别模块返回的子风险识别结果,目标业务对应的风险识别模型是由多个风险识别模块中包含的风险识别子模型通过集成学习的方式构建,基于每个风险识别模块返回的子风险识别结果的情况,确定多个风险识别模块中每个风险识别模块的可用性,如果多个风险识别模块中超过第一预设数量的风险识别模块的可用性为可用,则对可用的风险识别模块返回的子风险识别结果进行集成处理,得到业务数据对应的风险识别结果,这样,将复杂的整体的风险识别模型拆分到多个独立运行的风险识别模块中,每个风险识别模块最多只能使用有限个数的特征,最后多个模块通过集成学习的方式给出风险识别模型最终的决策结果,由于各个风险识别模块并行计算,从而可以提升模型推理效率,此外,不同的风险识别模块可以独立计算,如此某个模块的需要的特征计算完成后就可以率先计算,而不需要等待所有特征计算完成,容错性强。
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: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欺诈案例的串并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欺诈案例的串并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欺诈案例的串并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欺诈案例的串并设备上,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,并不用于限制本申请。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)
1.一种风险的识别方法,所述方法包括:
获取用户执行目标业务的过程中产生的业务数据;
将所述业务数据分别输入到针对所述目标业务的多个风险识别模块中,以基于每个所述风险识别模块中包含的风险识别子模型对所述业务数据进行风险识别处理,获取每个所述风险识别模块返回的子风险识别结果,所述目标业务对应的风险识别模型是由所述多个风险识别模块中包含的所述风险识别子模型通过集成学习的方式构建;
基于每个所述风险识别模块返回的子风险识别结果的情况,确定多个风险识别模块中每个所述风险识别模块的可用性;
如果多个风险识别模块中超过第一预设数量的风险识别模块的可用性为可用,则对可用性为可用的风险识别模块返回的子风险识别结果进行集成处理,得到所述业务数据对应的风险识别结果。
2.根据权利要求1所述的方法,所述方法还包括:
如果多个风险识别模块中未超过预设数量的风险识别模块的可用性为可用,则基于预设的风险识别策略对所述业务数据进行风险识别处理,得到所述业务数据对应的风险识别结果。
3.根据权利要求2所述的方法,所述第一预设数量为所述多个风险识别模块的总数量的60%。
4.根据权利要求3所述的方法,所述风险识别子模型是由随机森林算法构建的子模型,或者,所述风险识别子模型是由预设的神经网络算法构建的子模型,所述风险识别子模型是通过对所述风险识别子模型进行知识蒸馏处理后的子模型。
5.根据权利要求1-4中任一项所述的方法,所述基于每个所述风险识别模块返回的子风险识别结果的情况,确定多个风险识别模块中每个所述风险识别模块的可用性,包括:
如果在预设时长内未获取到所述风险识别模块返回的子风险识别结果,则确定所述风险识别模块的可用性为不可用;或者,
如果检测到所述业务数据对应的特征中存在第二预设数量的异常的特征,则确定所述风险识别模块的可用性为不可用。
6.根据权利要求5所述的方法,所述方法还包括:
基于所述业务数据,确定所述业务数据对应的特征中用于当前的所述风险识别模块的目标特征;
将所述目标特征输入到预先训练的异常识别子模型中,得到所述目标特征中是否存在异常的特征的输出结果,所述异常的特征包括特征缺失、特征中包含的字段缺失、特征中包含扰动信息中的一项或多项;
如果所述输出结果指示所述目标特征中存在异常的特征,则确定当前的所述风险识别模块的可用性为不可用。
7.根据权利要求6所述的方法,所述方法还包括:
获取不同用户执行所述目标业务的过程中产生的历史业务数据;
将所述历史业务数据分别输入到针对所述目标业务的多个风险识别模块中,以基于每个所述风险识别模块中包含的风险识别子模型对所述历史业务数据进行风险识别处理,获取每个所述风险识别模块返回的子历史风险结果;
基于每个所述风险识别模块返回的子历史风险结果对所述目标业务对应的风险识别模型进行模型训练,得到训练后的风险识别模型。
8.根据权利要求7所述的方法,所述方法还包括:
获取不同用户执行所述目标业务的过程中产生的历史业务数据;
对不同用户的所述历史业务数据中的部分历史业务数据对应的历史特征进行异常处理,得到异常历史特征,所述异常处理包括历史特征随机缺失处理、历史特征中包含的字段随机缺失、向历史特征中增加随机扰动信息中的一项或多项;
基于剩余的历史业务数据对应的历史特征和所述异常历史特征,对所述异常识别子模型进行模型训练,得到训练后的异常识别子模型。
9.一种风险的识别装置,所述装置包括:
业务数据获取模块,获取用户执行目标业务的过程中产生的业务数据;
子识别结果确定模块,将所述业务数据分别输入到针对所述目标业务的多个风险识别模块中,以基于每个所述风险识别模块中包含的风险识别子模型对所述业务数据进行风险识别处理,获取每个所述风险识别模块返回的子风险识别结果,所述目标业务对应的风险识别模型是由所述多个风险识别模块中包含的所述风险识别子模型通过集成学习的方式构建;
可用性确定模块,基于每个所述风险识别模块返回的子风险识别结果的情况,确定多个风险识别模块中每个所述风险识别模块的可用性;
第一风险识别模块,如果多个风险识别模块中超过第一预设数量的风险识别模块的可用性为可用,则对可用性为可用的风险识别模块返回的子风险识别结果进行集成处理,得到所述业务数据对应的风险识别结果。
10.一种风险的识别设备,所述风险的识别设备包括:
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:
获取用户执行目标业务的过程中产生的业务数据;
将所述业务数据分别输入到针对所述目标业务的多个风险识别模块中,以基于每个所述风险识别模块中包含的风险识别子模型对所述业务数据进行风险识别处理,获取每个所述风险识别模块返回的子风险识别结果,所述目标业务对应的风险识别模型是由所述多个风险识别模块中包含的所述风险识别子模型通过集成学习的方式构建;
基于每个所述风险识别模块返回的子风险识别结果的情况,确定多个风险识别模块中每个所述风险识别模块的可用性;
如果多个风险识别模块中超过第一预设数量的风险识别模块的可用性为可用,则对可用性为可用的风险识别模块返回的子风险识别结果进行集成处理,得到所述业务数据对应的风险识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310627977.5A CN116485188A (zh) | 2023-05-30 | 2023-05-30 | 一种风险的识别方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310627977.5A CN116485188A (zh) | 2023-05-30 | 2023-05-30 | 一种风险的识别方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116485188A true CN116485188A (zh) | 2023-07-25 |
Family
ID=87215854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310627977.5A Pending CN116485188A (zh) | 2023-05-30 | 2023-05-30 | 一种风险的识别方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116485188A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117951673A (zh) * | 2024-03-26 | 2024-04-30 | 上海帜讯信息技术股份有限公司 | 一种反ai诈骗的方法、电子设备 |
-
2023
- 2023-05-30 CN CN202310627977.5A patent/CN116485188A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117951673A (zh) * | 2024-03-26 | 2024-04-30 | 上海帜讯信息技术股份有限公司 | 一种反ai诈骗的方法、电子设备 |
CN117951673B (zh) * | 2024-03-26 | 2024-06-18 | 上海帜讯信息技术股份有限公司 | 一种反ai诈骗的方法、电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110322349B (zh) | 一种数据的处理方法、装置及设备 | |
CN110688974B (zh) | 一种身份识别方法及装置 | |
CN110428137B (zh) | 一种风险防控策略的更新方法及装置 | |
CN111639687B (zh) | 一种模型训练以及异常账号识别方法及装置 | |
CN110674188A (zh) | 一种特征提取方法、装置及设备 | |
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 | |
CN112200132A (zh) | 一种基于隐私保护的数据处理方法、装置及设备 | |
CN116485188A (zh) | 一种风险的识别方法、装置及设备 | |
US20240177510A1 (en) | Model training method and apparatus, service processing method and apparatus, storage medium, and device | |
CN115146731A (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN113837638A (zh) | 话术确定方法、装置及设备 | |
CN114819614A (zh) | 数据处理方法、装置、系统及设备 | |
CN117370034B (zh) | 一种算力调度系统评估方法、装置、存储介质及电子设备 | |
CN116521350B (zh) | 基于深度学习算法的etl调度方法及装置 | |
CN116308738B (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN115408449B (zh) | 一种用户行为的处理方法、装置及设备 | |
CN116822606A (zh) | 一种异常检测模型的训练方法、装置、设备及存储介质 | |
CN114710318B (zh) | 一种限制爬虫高频访问的方法、装置、设备及介质 | |
CN115204395A (zh) | 数据的处理方法、装置及设备 | |
CN111443997B (zh) | 一种数据异常识别方法及装置 | |
CN111447086B (zh) | 业务处理方法、装置及电子设备 | |
CN111539520A (zh) | 增强深度学习模型鲁棒性的方法及装置 | |
CN111242195A (zh) | 模型、保险风控模型训练方法、装置及电子设备 | |
CN112884478B (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 |
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 |