CN116842570A - 一种模型训练的方法以及业务风控的方法及装置 - Google Patents

一种模型训练的方法以及业务风控的方法及装置 Download PDF

Info

Publication number
CN116842570A
CN116842570A CN202310865918.1A CN202310865918A CN116842570A CN 116842570 A CN116842570 A CN 116842570A CN 202310865918 A CN202310865918 A CN 202310865918A CN 116842570 A CN116842570 A CN 116842570A
Authority
CN
China
Prior art keywords
account information
sample pair
feature
deviation
loss
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
Application number
CN202310865918.1A
Other languages
English (en)
Inventor
魏政
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alipay Hangzhou Information Technology Co Ltd
Original Assignee
Alipay Hangzhou Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Priority to CN202310865918.1A priority Critical patent/CN116842570A/zh
Publication of CN116842570A publication Critical patent/CN116842570A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Bioethics (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Computer Security & Cryptography (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Hardware Design (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本说明书公开了一种模型训练的方法以及业务风控的方法及装置，用于隐私保护，在模型训练过程中，通过多种类型的样本对作为训练样本来训练特征表示模型，以使得最终训练出的特征表示模型所输出的特征表示可以同时携带输入到该特征表示模型中的账户信息对应用户是否存在风险的相关信息、该用户所对应的风险类别相关信息、该用户所对应的风控策略的相关信息以及风险类别与风控策略之间的潜在关联，从而使得最终训练出的特征表示模型所输出的特征表示更加准确，进而使得风控系统在根据特征表示模型所输出的特征表示进行风控时，能够得到更加准确的风控结果。

Description

一种模型训练的方法以及业务风控的方法及装置
技术领域
本说明书涉及互联网技术领域，尤其涉及一种模型训练的方法以及业务风控的方法及装置。
背景技术
为了保证用户的信息、隐私数据以及财产安全，现在通常需要风控系统基于用户的账户信息进行业务风控。
对于目前的风控模式来说，通常是将用户的账户信息输入到人工智能的特征表示模型中，特征表示模型将输出账户信息对应的特征表示，并将该特征表示发送给风控系统，风控系统使用该特征表示进行业务风控。
然而，目前风控系统进行风控时所使用的特征表示并不能准确的表征出各风险类别与各风控策略之间的潜在关联，从而导致风控系统无法进行准确的风控。
发明内容
本说明书提供一种模型训练的方法以及业务风控的方法及装置，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：
获取各账户信息；
根据所述各账户信息，构建各第一样本对以及各第二样本对，针对每个第一样本对，该第一样本对中包含的两个账户信息对应的风险类别相同，且在历史上基于该两个账户信息所执行的业务被相同风控策略风控，针对每个第二样本对，该第二样本对中包含有存在风险的账户信息以及不存在风险的账户信息；
针对每个第一样本对，将该第一样本对输入到特征表示模型中，以通过所述特征表示模型，输出该第一样本对中包含的每个账户信息对应的特征表示，以及针对每个第二样本对，将该第二样本对输入到所述特征表示模型中，以通过所述特征表示模型，输出该第二样本对中包含的每个账户信息对应的特征表示；
以最小化第一样本对中包含的每个账户信息对应的特征表示之间的偏差，以及最大化第二样本对中包含的每个账户信息对应的特征表示之间的偏差为优化目标，对所述特征表示模型进行训练，训练后的特征表示模型用于输出账户信息的特征表示，并将输出的特征表示发送给风控系统进行风控。
可选地，以最小化第一样本对中包含的每个账户信息对应的特征表示之间的偏差，以及最大化第二样本对中包含的每个账户信息对应的特征表示之间的偏差为优化目标，对所述特征表示模型进行训练，具体包括：
根据第一样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第一损失，以及根据第二样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第二损失，其中，第一样本对中包含的每个账户信息对应的特征表示之间的偏差越小，所述第一损失越小，第二样本对中包含的每个账户信息对应的特征表示之间的偏差越大，所述第二损失越小；
根据所述第一损失、所述第一损失对应的权重、所述第二损失以及所述第二损失对应的权重，确定综合损失；
以最小化所述综合损失为优化目标，对所述特征表示模型进行训练。
可选地，在根据第一样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第一损失之前，所述方法还包括：
根据所述各账户信息，构建各第三样本对，针对每个第三样本对，该第三样本对中包含的两个账户信息对应的风险类别相匹配；
针对每个第三样本对，将该第三样本对输入到所述特征表示模型中，以通过所述特征表示模型，输出该第三样本对中包含的每个账户信息对应的特征表示；
根据第一样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第一损失，具体包括：
根据第一样本对中包含的每个账户信息对应的特征表示之间的偏差，以及第三样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第一损失，其中，第三样本对中包含的每个账户信息对应的特征表示之间的偏差越小，所述第一损失越小。
可选地，在根据第一样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第一损失之前，所述方法还包括：
根据所述各账户信息，构建各第四样本对，针对每个第四样本对，在历史上基于该第四样本对中包含的两个账户信息所执行的业务被相同风控策略风控；
针对每个第四样本对，将该第四样本对输入到所述特征表示模型中，以通过所述特征表示模型，输出该第四样本对中包含的每个账户信息对应的特征表示；
根据第一样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第一损失，具体包括：
根据第一样本对中包含的每个账户信息对应的特征表示之间的偏差，以及第四样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第一损失，其中，第四样本对中包含的每个账户信息对应的特征表示之间的偏差越小，所述第一损失越小。
本说明书提供了一种业务风控的方法，包括：
获取目标账户信息；
将所述目标账户信息输入到预先训练的特征表示模型中，以通过所述特征表示模型，输出所述目标账户信息对应的特征表示，所述特征表示模型是通过上述模型训练的方法训练得到的；
将所述目标账户信息对应的特征表示发送给风控系统，以通过所述风控系统进行风控。
本说明书提供了一种模型训练的装置，包括：
获取模块，用于获取各账户信息；
构建模块，用于根据所述各账户信息，构建各第一样本对以及各第二样本对，针对每个第一样本对，该第一样本对中包含的两个账户信息对应的风险类别相同，且在历史上基于该两个账户信息所执行的业务被相同风控策略风控，针对每个第二样本对，该第二样本对中包含有存在风险的账户信息以及不存在风险的账户信息；
输入模块，用于针对每个第一样本对，将该第一样本对输入到特征表示模型中，以通过所述特征表示模型，输出该第一样本对中包含的每个账户信息对应的特征表示，以及针对每个第二样本对，将该第二样本对输入到所述特征表示模型中，以通过所述特征表示模型，输出该第二样本对中包含的每个账户信息对应的特征表示；
训练模块，用于以最小化第一样本对中包含的每个账户信息对应的特征表示之间的偏差，以及最大化第二样本对中包含的每个账户信息对应的特征表示之间的偏差为优化目标，对所述特征表示模型进行训练，训练后的特征表示模型用于输出账户信息的特征表示，并将输出的特征表示发送给风控系统进行风控。
可选地，所述训练模块具体用于，根据第一样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第一损失，以及根据第二样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第二损失，其中，第一样本对中包含的每个账户信息对应的特征表示之间的偏差越小，所述第一损失越小，第二样本对中包含的每个账户信息对应的特征表示之间的偏差越大，所述第二损失越小；根据所述第一损失、所述第一损失对应的权重、所述第二损失以及所述第二损失对应的权重，确定综合损失；以最小化所述综合损失为优化目标，对所述特征表示模型进行训练。
可选地，在所述训练模块根据第一样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第一损失之前，所述构建模块还用于，根据所述各账户信息，构建各第三样本对，针对每个第三样本对，该第三样本对中包含的两个账户信息对应的风险类别相匹配；
所述输入模块还用于，针对每个第三样本对，将该第三样本对输入到所述特征表示模型中，以通过所述特征表示模型，输出该第三样本对中包含的每个账户信息对应的特征表示；
所述训练模块具体用于，根据第一样本对中包含的每个账户信息对应的特征表示之间的偏差，以及第三样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第一损失，其中，第三样本对中包含的每个账户信息对应的特征表示之间的偏差越小，所述第一损失越小。
可选地，在所述训练模块根据第一样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第一损失之前，所述构建模块还用于，根据所述各账户信息，构建各第四样本对，针对每个第四样本对，在历史上基于该第四样本对中包含的两个账户信息所执行的业务被相同风控策略风控；
所述输入模块还用于，针对每个第四样本对，将该第四样本对输入到所述特征表示模型中，以通过所述特征表示模型，输出该第四样本对中包含的每个账户信息对应的特征表示；
所述训练模块具体用于，根据第一样本对中包含的每个账户信息对应的特征表示之间的偏差，以及第四样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第一损失，其中，第四样本对中包含的每个账户信息对应的特征表示之间的偏差越小，所述第一损失越小。
本说明书提供了一种业务风控的装置，包括：
获取模块，用于获取目标账户信息；
输入模块，用于将所述目标账户信息输入到预先训练的特征表示模型中，以通过所述特征表示模型，输出所述目标账户信息对应的特征表示，所述特征表示模型是通过上述模型训练的方法训练得到的；
风控模块，用于将所述目标账户信息对应的特征表示发送给风控系统，以通过所述风控系统进行风控。
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或业务风控的方法。
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或业务风控的方法。
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，获取各账户信息，根据该各账户信息，构建各第一样本对以及各第二样本对，针对每个第一样本对，该第一样本对中包含的两个账户信息对应的风险类别相同，且在历史上基于该两个账户信息所执行的业务被相同风控策略风控，针对每个第二样本对，该第二样本对中包含有存在风险的账户信息以及不存在风险的账户信息，针对每个第一样本对，将该第一样本对输入到特征表示模型中，以通过该特征表示模型，输出该第一样本对中包含的每个账户信息对应的特征表示，以及针对每个第二样本对，将该第二样本对输入到该特征表示模型中，以通过该特征表示模型，输出该第二样本对中包含的每个账户信息对应的特征表示，以最小化第一样本对中包含的每个账户信息对应的特征表示之间的偏差，以及最大化第二样本对中包含的每个账户信息对应的特征表示之间的偏差为优化目标，对该特征表示模型进行训练，训练后的特征表示模型用于输出账户信息的特征表示，并将输出的特征表示发送给风控系统进行风控。
从上述方法中可以看出，本说明书在模型训练过程中，通过多种类型的样本对作为训练样本来训练特征表示模型，以使得最终训练出的特征表示模型所输出的特征表示可以携带有风险类别与风控策略之间的潜在关联，从而使得最终训练出的特征表示模型所输出的特征表示更加准确，进而使得风控系统在根据特征表示模型所输出的特征表示进行风控时，能够得到更加准确的风控结果。
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为本说明书中一种模型训练的方法的流程示意图；
图2为本说明书中一种业务风控的方法的流程示意图；
图3为本说明书提供的一种模型训练的装置的示意图；
图4为本说明书提供的一种业务风控的装置的示意图；
图5为本说明书提供的对应于图1的模型训练或图2的业务风控的电子设备示意图。
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：获取各账户信息。
本说明书中涉及的模型训练的方法的执行主体可以是部署在平板电脑、笔记本电脑等终端设备，还可以是服务器，下面仅以终端设备是执行主体为例，对本说明书实施例中的模型训练的方法进行说明。
如今，风控系统可以基于用户的账户信息进行业务风控，对于目前的风控模式来说，通常是将用户的账户信息输入到特征表示模型中，特征表示模型将输出账户信息对应的特征表示，并将该特征表示发送给风控系统，风控系统使用该特征表示进行业务风控。
然而，由于风控系统中目前关于风险类别的确定以及关于风控策略的确定分别采用的是两个不同的风控系统，这两个系统在执行风控任务时所采用的是两套不同且毫无关联的逻辑，所以目前这两个系统在针对同一个账户信息进行风险识别时一般会采用各自的逻辑，但是事实上风险类别以及风控策略之间是存在一定的潜在关联的，而目前的特征表示模型在输出特征表示时没有将这种潜在关联纳入考虑范围。即目前风控系统进行风控时所使用的特征表示无法同时携带风险类别的相关信息以及风控策略的相关信息，同时，目前风控系统进行风控时所使用的特征表示并不能准确的表征出各风险类别与各风控策略之间的潜在关联，从而导致风控系统无法进行准确的风控。
在本说明书中，终端设备可以首先获取各账户信息，这里的账户信息中不仅可以包括可以唯一标识用户的用户账号，还可以包括该用户账号下的历史业务记录以及该用户账号下的用户属性信息，这里的用户属性信息可以包含有该用户账号对应用户的年龄、性别等信息。
S102：根据所述各账户信息，构建各第一样本对以及各第二样本对，针对每个第一样本对，该第一样本对中包含的两个账户信息对应的风险类别相同，且在历史上基于该两个账户信息所执行的业务被相同风控策略风控，针对每个第二样本对，该第二样本对中包含有存在风险的账户信息以及不存在风险的账户信息。
S104：针对每个第一样本对，将该第一样本对输入到特征表示模型中，以通过所述特征表示模型，输出该第一样本对中包含的每个账户信息对应的特征表示，以及针对每个第二样本对，将该第二样本对输入到所述特征表示模型中，以通过所述特征表示模型，输出该第二样本对中包含的每个账户信息对应的特征表示。
S106：以最小化第一样本对中包含的每个账户信息对应的特征表示之间的偏差，以及最大化第二样本对中包含的每个账户信息对应的特征表示之间的偏差为优化目标，对所述特征表示模型进行训练，训练后的特征表示模型用于输出账户信息的特征表示，并将输出的特征表示发送给风控系统进行风控。
一旦获取了各账户信息，终端设备即可以根据上述各账户信息，构建各第一样本对以及各第二样本对。这里的每个第一样本对中包含的两个账户信息对应的风险类别相同，且在历史上基于该两个账户信息所执行的业务被相同风控策略风控；这里的每个第二样本对中包含有存在风险的账户信息以及不存在风险的账户信息。
上述提到的风险类别指的是历史上已经确定出的账户信息所对应的存在的风险的类别。例如，风险类别具体可以包括：转卖风险(即账户信息对应用户的账号被转卖给其他人所带来的业务风险)、垃圾风险(即批量注册大量账户所带来的业务风险)等。而上述提到的风控策略指的是历史上对账户信息对应用户所采取过的策略，例如，风控策略具体可以包括：账户安全风控策略、社交安全策略、金融风险策略等。
而对于上述第一样本对中的每一个第一样本对中包含的两个账户信息对应的用户在历史上存在的风险类别完全相同，并且在历史上所执行的业务被相同风控策略风控。例如，用户A和用户B的账户信息历史上对应的风险类别均是转卖风险，并且在历史上用户A和用户B的账户信息所执行的业务均被“社交安全策略”这一种风控策略风控，那么用户A和用户B则可以构成一个第一样本对。
终端设备可以将第一样本对输入到特征表示模型中，以通过该特征表示模型，输出每一个第一样本对中包含的每个账户信息对应的特征表示，此外，终端设备还可以将第二样本对输入到该特征表示模型中，以通过该特征表示模型，输出每一个第二样本对中包含的每个账户信息对应的特征表示。
后续，终端设备可以确定出第一样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第一损失，以及根据第二样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第二损失。
第一样本对中包含的每个账户信息对应的特征表示之间的偏差越小，则该第一损失越小，而第二样本对中包含的每个账户信息对应的特征表示之间的偏差越大，则该第二损失越小。
进一步地，终端设备可以根据该第一损失、该第一损失对应的权重、该第二损失以及该第二损失对应的权重，将第一损失与第二损失加权求和以确定综合损失。终端设备可以最小化该综合损失为优化目标，对该特征表示模型进行训练，以使得训练后的特征表示模型可以根据输入的账户信息所输出的特征表示中可以携带有关于该用户是否存在风险的相关信息、以及表述风险类别与风控策略之间的关联的相关信息。
在确定综合损失时，具体可以参考如下公式：
L＝(1-λ)LCE+λLSCL
其中，L表示综合损失，LSCL表示第一损失，LCE表示第二损失，λ表示第一损失对应的权重，(1-λ)表示第二损失对应的权重，这里的第一损失LSCL的具体可以是采用对比学习中对应的损失函数所求得的，而第二损失LCE具体可以是采用交叉熵所对应的损失函数所求得的。
实际上，为了进一步提高特征表示模型所输出的特征表示的准确性，在训练上述训练特征表示模型时还可以进一步在训练样本中引入第三样本，并且在确定上述综合损失的第一损失时还可以进一步将第三样本对中包含的每个账户信息对应的特征表示之间的偏差作为确定依据。
具体的，终端设备还可以在根据第一样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第一损失之前，根据上述各账户信息，构建各第三样本对。这里提到的每个第三样本对中包含的两个账户信息对应的风险类别相匹配(即每个第三样本对中包含的两个账户信息对应的风险类别相同)。
所以，终端设备可以针对每个第三样本对，将该第三样本对输入到该特征表示模型中，以通过该特征表示模型，输出该第三样本对中包含的每个账户信息对应的特征表示。
在此基础上，终端设备在确定第一损失时，则可以根据第一样本对中包含的每个账户信息对应的特征表示之间的偏差，以及第三样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第一损失。其中，第三样本对中包含的每个账户信息对应的特征表示之间的偏差越小，则该第一损失越小。
可以看出，由于此时第一损失中同时包含有风险类别相关的损失，那么在将第一损失与第二损失加权求和以确定综合损失，并且以最小化该综合损失为优化目标，对该特征表示模型进行训练后所得到的训练后的特征表示模型在根据输入的账户信息所输出的特征表示后，所得到的特征表示中除了可以准确的携带有关于该用户是否存在风险的相关信息、表述风险类别与风控策略之间的关联的相关信息，还可以以进一步的准确包含有该用户所对应的风险类别的相关信息。
为了进一步提高特征表示模型所输出的特征表示的准确性，除了可以在训练上述训练特征表示模型时还可以进一步在训练样本中引入第三样本，还可以在训练上述训练特征表示模型时还可以进一步在训练样本中引入第四样本，并且在确定上述综合损失的第一损失时也可以进一步将第四样本对中包含的每个账户信息对应的特征表示之间的偏差作为确定依据。
具体的，终端设备还可以在根据第一样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第一损失之前，根据各账户信息，构建各第四样本对。其中，在历史上基于每一个第四样本对中包含的两个账户信息所执行的业务被相同风控策略风控。
相应的，终端设备可以针对每个第四样本对，将该第四样本对输入到该特征表示模型中，以通过该特征表示模型，输出该第四样本对中包含的每个账户信息对应的特征表示。
在此基础上，终端设备在确定第一损失时，除了可以将第一样本对中包含的每个账户信息对应的特征表示之间的偏差作为确定依据，还可以同时将第四样本对中包含的每个账户信息对应的特征表示之间的偏差也作为确定依据，需要注意的是，第四样本对中包含的每个账户信息对应的特征表示之间的偏差越小，该第一损失越小。
同理，不难看出，由于此时第一损失中同时既包含风险类别与风控策略之间的关联，也同时包含了该账户信息所对应的风控策略信息。
当然，为了更加进一步的提高特征表示模型所输出的特征表示的准确性，还可以将上述第一样本对、第三样本对以及第四样本对相结合来确定出第一损失，即根据可以将上述第一样本对中包含的每个账户信息对应的特征表示之间的偏差、第三样本对中包含的每个账户信息对应的特征表示之间的偏差以及第四样本对中包含的每个账户信息对应的特征表示之间的偏差，来确定第一损失。那么可以看出，通过这种方式求得的第一损失中可以同时携带有风险类别的损失、风控策略的损失以及风险类别与风控策略之间的潜在关联的损失。
可以看出，在确定出第一损失之后，以最小化将第一损失以及第二损失进行加权求和后所得到的综合损失为优化目标，对该特征表示模型进行训练后所得到的训练好的特征表示模型在根据输入的账户信息所输出的特征表示中除了可以携带有关于该账户信息对应用户是否存在风险的相关信息、表述风险类别与风控策略之间的关联的相关信息，还可以同时携带有该用户所对应的风险类别相关信息以及该用户所对应的风控策略的相关信息。
上述训练后的特征表示模型可以根据输入到特征表示模型中的账户信息，输出账户信息的特征表示，这里的特征表示模型所输出的特征表示具体可以发送给风控系统进行风控。下面将介绍在训练好该特征表示模型之后，具体如何利用该特征表示模型生成的账户信息的特征表示来进行业务风控。
图2为本说明书中一种业务风控的方法的流程示意图。
S200：获取目标账户信息。
S202：将所述目标账户信息输入到预先训练的特征表示模型中，以通过所述特征表示模型，输出所述目标账户信息对应的特征表示，所述特征表示模型是通过上述模型训练的方法训练得到的。
S204：将所述目标账户信息对应的特征表示发送给风控系统，以通过所述风控系统进行风控。
为了保证用户信息和财产安全，需要进行业务风控。在实际应用中，可以基于不同的需求，触发业务风控。例如，当服务器接收到用户的业务执行的请求时，服务器则可以将基于发出业务执行请求的用户的账号，获取到目标账户的信息，这里的目标账户信息即发出业务执行请求的用户的账户信息；再例如，终端设备可以定时分析用户的风险性以确定出潜在风险用户，而一旦终端设备的这种定时任务被触发时，终端设备则可以获取目标账户信息。
之后，终端设备可以将该目标账户信息输入到预先训练的特征表示模型中，以通过该特征表示模型，输出该目标账户信息对应的特征表示，这里的特征表示模型是通过上述模型训练的方法训练得到的。
后续，终端设备可以将该目标账户信息对应的特征表示发送给风控系统，以通过该风控系统进行风控。
这里的风控系统进行风控的方法可以有很多，例如，风控系统在获取到账户信息对应的特征表示之后，将该特征表示以及该账户信息对应用户当前所执行的业务相结合，来对该用户进行风控；再例如，风控系统还可以根据获取到的所有账户信息对应向量表示以及账户信息对应用户的IP地址信息进行结合来对获取到的所有账户信息对应的用户进行聚类，将聚类结果中可以归为同一类的并且存在风险的用户确定为风险用户群。
当然风控系统进行风控时还可以采用其他方法，本说明书中不再赘述。
本说明书在模型训练过程中，通过多种类型的样本对作为训练样本来训练特征表示模型，以使得最终训练出的特征表示模型所输出的特征表示可以同时携带输入到该特征表示模型中的账户信息对应用户是否存在风险的相关信息、该用户所对应的风险类别相关信息、该用户所对应的风控策略的相关信息以及风险类别与风控策略之间的潜在关联，从而使得最终训练出的特征表示模型所输出的特征表示更加准确，进而使得风控系统在根据特征表示模型所输出的特征表示进行风控时，能够得到更加准确的风控结果。
综上所述，在将训练后的特征表示模型所输出的账户信息的特征表示发送给风控系统进行风控之后，风控系统则可以更加准确的同时识别出该账户信息所对应用户所可能属于的风险类别以及该账户信息所对应用户所涉及的准确的风控策略。
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3所示，并且本说明书还提供了相应的业务风控的装置，如图4所示。
图3为本说明书提供的一种模型训练的装置的示意图，具体包括：
获取模块300，用于获取各账户信息；
构建模块302，用于根据所述各账户信息，构建各第一样本对以及各第二样本对，针对每个第一样本对，该第一样本对中包含的两个账户信息对应的风险类别相同，且在历史上基于该两个账户信息所执行的业务被相同风控策略风控，针对每个第二样本对，该第二样本对中包含有存在风险的账户信息以及不存在风险的账户信息；
输入模块304，用于针对每个第一样本对，将该第一样本对输入到特征表示模型中，以通过所述特征表示模型，输出该第一样本对中包含的每个账户信息对应的特征表示，以及针对每个第二样本对，将该第二样本对输入到所述特征表示模型中，以通过所述特征表示模型，输出该第二样本对中包含的每个账户信息对应的特征表示；
训练模块306，用于以最小化第一样本对中包含的每个账户信息对应的特征表示之间的偏差，以及最大化第二样本对中包含的每个账户信息对应的特征表示之间的偏差为优化目标，对所述特征表示模型进行训练，训练后的特征表示模型用于输出账户信息的特征表示，并将输出的特征表示发送给风控系统进行风控。
可选地，所述训练模块306具体用于，根据第一样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第一损失，以及根据第二样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第二损失，其中，第一样本对中包含的每个账户信息对应的特征表示之间的偏差越小，所述第一损失越小，第二样本对中包含的每个账户信息对应的特征表示之间的偏差越大，所述第二损失越小；根据所述第一损失、所述第一损失对应的权重、所述第二损失以及所述第二损失对应的权重，确定综合损失；以最小化所述综合损失为优化目标，对所述特征表示模型进行训练。
可选地，所述构建模块302还用于，在根据第一样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第一损失之前，根据所述各账户信息，构建各第三样本对，针对每个第三样本对，该第三样本对中包含的两个账户信息对应的风险类别相匹配；针对每个第三样本对，将该第三样本对输入到所述特征表示模型中，以通过所述特征表示模型，输出该第三样本对中包含的每个账户信息对应的特征表示；根据第一样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第一损失，具体包括：根据第一样本对中包含的每个账户信息对应的特征表示之间的偏差，以及第三样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第一损失，其中，第三样本对中包含的每个账户信息对应的特征表示之间的偏差越小，所述第一损失越小。
可选地，所述构建模块302还用于，在根据第一样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第一损失之前，根据所述各账户信息，构建各第四样本对，针对每个第四样本对，在历史上基于该第四样本对中包含的两个账户信息所执行的业务被相同风控策略风控；针对每个第四样本对，将该第四样本对输入到所述特征表示模型中，以通过所述特征表示模型，输出该第四样本对中包含的每个账户信息对应的特征表示；根据第一样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第一损失，具体包括：根据第一样本对中包含的每个账户信息对应的特征表示之间的偏差，以及第四样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第一损失，其中，第四样本对中包含的每个账户信息对应的特征表示之间的偏差越小，所述第一损失越小。
图4为本说明书提供的一种业务风控的装置的示意图，具体包括：
获取模块400，用于获取目标账户信息；
输入模块402，用于将所述目标账户信息输入到预先训练的特征表示模型中，以通过所述特征表示模型，输出所述目标账户信息对应的特征表示，所述特征表示模型是通过上述模型训练的方法训练得到的；
风控模块404，用于将所述目标账户信息对应的特征表示发送给风控系统，以通过所述风控系统进行风控。
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或图2提供的业务风控的方法。
本说明书还提供了图5所示的电子设备的示意结构图。如图5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所述的模型训练的方法或图2所述的业务风控的方法。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，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (12)

1.一种模型训练的方法，包括：
获取各账户信息；
根据所述各账户信息，构建各第一样本对以及各第二样本对，针对每个第一样本对，该第一样本对中包含的两个账户信息对应的风险类别相同，且在历史上基于该两个账户信息所执行的业务被相同风控策略风控，针对每个第二样本对，该第二样本对中包含有存在风险的账户信息以及不存在风险的账户信息；
针对每个第一样本对，将该第一样本对输入到特征表示模型中，以通过所述特征表示模型，输出该第一样本对中包含的每个账户信息对应的特征表示，以及针对每个第二样本对，将该第二样本对输入到所述特征表示模型中，以通过所述特征表示模型，输出该第二样本对中包含的每个账户信息对应的特征表示；
以最小化第一样本对中包含的每个账户信息对应的特征表示之间的偏差，以及最大化第二样本对中包含的每个账户信息对应的特征表示之间的偏差为优化目标，对所述特征表示模型进行训练，训练后的特征表示模型用于输出账户信息的特征表示，并将输出的特征表示发送给风控系统进行风控。
2.如权利要求1所述的方法，以最小化第一样本对中包含的每个账户信息对应的特征表示之间的偏差，以及最大化第二样本对中包含的每个账户信息对应的特征表示之间的偏差为优化目标，对所述特征表示模型进行训练，具体包括：
根据第一样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第一损失，以及根据第二样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第二损失，其中，第一样本对中包含的每个账户信息对应的特征表示之间的偏差越小，所述第一损失越小，第二样本对中包含的每个账户信息对应的特征表示之间的偏差越大，所述第二损失越小；
根据所述第一损失、所述第一损失对应的权重、所述第二损失以及所述第二损失对应的权重，确定综合损失；
以最小化所述综合损失为优化目标，对所述特征表示模型进行训练。
3.如权利要求2所述的方法，在根据第一样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第一损失之前，所述方法还包括：
根据所述各账户信息，构建各第三样本对，针对每个第三样本对，该第三样本对中包含的两个账户信息对应的风险类别相匹配；
针对每个第三样本对，将该第三样本对输入到所述特征表示模型中，以通过所述特征表示模型，输出该第三样本对中包含的每个账户信息对应的特征表示；
根据第一样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第一损失，具体包括：
根据第一样本对中包含的每个账户信息对应的特征表示之间的偏差，以及第三样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第一损失，其中，第三样本对中包含的每个账户信息对应的特征表示之间的偏差越小，所述第一损失越小。
4.如权利要求2或3所述的方法，在根据第一样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第一损失之前，所述方法还包括：
根据所述各账户信息，构建各第四样本对，针对每个第四样本对，在历史上基于该第四样本对中包含的两个账户信息所执行的业务被相同风控策略风控；
针对每个第四样本对，将该第四样本对输入到所述特征表示模型中，以通过所述特征表示模型，输出该第四样本对中包含的每个账户信息对应的特征表示；
根据第一样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第一损失，具体包括：
根据第一样本对中包含的每个账户信息对应的特征表示之间的偏差，以及第四样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第一损失，其中，第四样本对中包含的每个账户信息对应的特征表示之间的偏差越小，所述第一损失越小。
5.一种业务风控的方法，包括：
获取目标账户信息；
将所述目标账户信息输入到预先训练的特征表示模型中，以通过所述特征表示模型，输出所述目标账户信息对应的特征表示，所述特征表示模型是通过如权利要求1～4任一项所述的方法训练得到的；
将所述目标账户信息对应的特征表示发送给风控系统，以通过所述风控系统进行风控。
6.一种模型训练的装置，包括：
获取模块，用于获取各账户信息；
构建模块，用于根据所述各账户信息，构建各第一样本对以及各第二样本对，针对每个第一样本对，该第一样本对中包含的两个账户信息对应的风险类别相同，且在历史上基于该两个账户信息所执行的业务被相同风控策略风控，针对每个第二样本对，该第二样本对中包含有存在风险的账户信息以及不存在风险的账户信息；
输入模块，用于针对每个第一样本对，将该第一样本对输入到特征表示模型中，以通过所述特征表示模型，输出该第一样本对中包含的每个账户信息对应的特征表示，以及针对每个第二样本对，将该第二样本对输入到所述特征表示模型中，以通过所述特征表示模型，输出该第二样本对中包含的每个账户信息对应的特征表示；
训练模块，用于以最小化第一样本对中包含的每个账户信息对应的特征表示之间的偏差，以及最大化第二样本对中包含的每个账户信息对应的特征表示之间的偏差为优化目标，对所述特征表示模型进行训练，训练后的特征表示模型用于输出账户信息的特征表示，并将输出的特征表示发送给风控系统进行风控。
7.如权利要求6所述的装置，所述训练模块具体用于，根据第一样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第一损失，以及根据第二样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第二损失，其中，第一样本对中包含的每个账户信息对应的特征表示之间的偏差越小，所述第一损失越小，第二样本对中包含的每个账户信息对应的特征表示之间的偏差越大，所述第二损失越小；根据所述第一损失、所述第一损失对应的权重、所述第二损失以及所述第二损失对应的权重，确定综合损失；以最小化所述综合损失为优化目标，对所述特征表示模型进行训练。
8.如权利要求7所述的装置，在所述训练模块根据第一样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第一损失之前，所述构建模块还用于，根据所述各账户信息，构建各第三样本对，针对每个第三样本对，该第三样本对中包含的两个账户信息对应的风险类别相匹配；
所述输入模块还用于，针对每个第三样本对，将该第三样本对输入到所述特征表示模型中，以通过所述特征表示模型，输出该第三样本对中包含的每个账户信息对应的特征表示；
所述训练模块具体用于，根据第一样本对中包含的每个账户信息对应的特征表示之间的偏差，以及第三样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第一损失，其中，第三样本对中包含的每个账户信息对应的特征表示之间的偏差越小，所述第一损失越小。
9.如权利要求7或8所述的装置，在所述训练模块根据第一样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第一损失之前，所述构建模块还用于，根据所述各账户信息，构建各第四样本对，针对每个第四样本对，在历史上基于该第四样本对中包含的两个账户信息所执行的业务被相同风控策略风控；
所述输入模块还用于，针对每个第四样本对，将该第四样本对输入到所述特征表示模型中，以通过所述特征表示模型，输出该第四样本对中包含的每个账户信息对应的特征表示；
所述训练模块具体用于，根据第一样本对中包含的每个账户信息对应的特征表示之间的偏差，以及第四样本对中包含的每个账户信息对应的特征表示之间的偏差，确定第一损失，其中，第四样本对中包含的每个账户信息对应的特征表示之间的偏差越小，所述第一损失越小。
10.一种业务风控的装置，包括：
获取模块，用于获取目标账户信息；
输入模块，用于将所述目标账户信息输入到预先训练的特征表示模型中，以通过所述特征表示模型，输出所述目标账户信息对应的特征表示，所述特征表示模型是通过如权利要求1～4任一项所述的方法训练得到的；
风控模块，用于将所述目标账户信息对应的特征表示发送给风控系统，以通过所述风控系统进行风控。
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1～5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1～5任一项所述的方法。
CN202310865918.1A 2023-07-13 2023-07-13 一种模型训练的方法以及业务风控的方法及装置 Pending CN116842570A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310865918.1A CN116842570A (zh) 2023-07-13 2023-07-13 一种模型训练的方法以及业务风控的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310865918.1A CN116842570A (zh) 2023-07-13 2023-07-13 一种模型训练的方法以及业务风控的方法及装置

Publications (1)

Publication Number Publication Date
CN116842570A true CN116842570A (zh) 2023-10-03

Family

ID=88174152

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310865918.1A Pending CN116842570A (zh) 2023-07-13 2023-07-13 一种模型训练的方法以及业务风控的方法及装置

Country Status (1)

Country Link
CN (1) CN116842570A (zh)

Similar Documents

Publication Publication Date Title
CN107437416A (zh) 一种基于语音识别的咨询业务处理方法及装置
CN110457578B (zh) 一种客服服务需求识别方法及装置
CN109214193B (zh) 数据加密、机器学习模型训练方法、装置以及电子设备
CN115238826B (zh) 一种模型训练的方法、装置、存储介质及电子设备
CN115146731A (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
CN116578877B (zh) 一种模型训练及二次优化打标的风险识别的方法及装置
CN116308738B (zh) 一种模型训练的方法、业务风控的方法及装置
CN116842570A (zh) 一种模型训练的方法以及业务风控的方法及装置
CN114996570A (zh) 一种信息推荐的方法及装置
CN111967767A (zh) 一种业务风险识别方法、装置、设备及介质
CN116109008B (zh) 一种业务执行的方法、装置、存储介质及电子设备
CN116340852B (zh) 一种模型训练、业务风控的方法及装置
CN115827880B (zh) 一种基于情感分类的业务执行方法及装置
CN115017915B (zh) 一种模型训练、任务执行的方法及装置
CN115862675B (zh) 一种情感识别方法、装置、设备及存储介质
CN117494068B (zh) 一种结合深度学习与因果推断的网络舆情分析方法及装置
CN117390293B (zh) 一种针对纠纷案件的信息推荐方法、装置、介质及设备
CN116501852B (zh) 一种可控对话模型训练方法、装置、存储介质及电子设备
CN116957330A (zh) 一种模型训练、业务风控方法、装置、设备及存储介质
CN116957587A (zh) 一种风险识别的方法、装置、存储介质以及电子设备
CN117876114A (zh) 一种业务执行和模型训练的方法及装置
CN117455493A (zh) 一种模型训练的方法、装置、存储介质及电子设备
CN114528931A (zh) 一种模型训练的方法及装置
CN116582475A (zh) 信用服务的测试处理方法及装置

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