CN116843181A - 风险识别方法及装置 - Google Patents
风险识别方法及装置 Download PDFInfo
- Publication number
- CN116843181A CN116843181A CN202310865083.XA CN202310865083A CN116843181A CN 116843181 A CN116843181 A CN 116843181A CN 202310865083 A CN202310865083 A CN 202310865083A CN 116843181 A CN116843181 A CN 116843181A
- Authority
- CN
- China
- Prior art keywords
- feature
- event
- convolution
- historical
- event data
- 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 98
- 238000012545 processing Methods 0.000 claims abstract description 85
- 230000007246 mechanism Effects 0.000 claims abstract description 30
- 238000000605 extraction Methods 0.000 claims abstract description 25
- 238000011176 pooling Methods 0.000 claims description 55
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 35
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012546 transfer Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication 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
- 230000003287 optical effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 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
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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Operations Research (AREA)
- Technology Law (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本说明书实施例提供了风险识别方法及装置,其中,一种风险识别方法包括:将用户的操作事件的事件数据分别与各历史操作事件的历史事件数据进行特征卷积处理,获得第一卷积特征,以及将事件数据对中包含的两个历史事件数据进行特征卷积处理,获得第二卷积特征,采用注意力机制对第一卷积特征和第二卷积特征进行特征提取,获得目标特征,将目标特征、操作事件的事件特征以及关键特征进行特征拼接,获得识别特征,并基于识别特征对操作事件进行风险识别,获得风险识别结果。
Description
技术领域
本文件涉及数据处理技术领域,尤其涉及一种风险识别方法及装置。
背景技术
随着网络技术和通信技术的发展,信息网络成为生活的重要组成部分,越来越多的用户通过线上的方式参与服务方提供的各种服务,用户参与不同的服务的过程中,根据服务的不同,服务需要的用户的数据也存在不同;
信息网络的发展,用户基于网络参与服务的频率越来越高,不同类型的服务方也越来越多,越来越多的服务方向用户提供不同类型的服务,在用户参与不同类型的服务过程中,如何向用户提供更加高效和更加有效的服务是用户和服务方日益关注的重点。
发明内容
本说明书一个或多个实施例提供了一种风险识别方法。所述风险识别方法,包括:获取用户的操作事件的事件数据和至少一个历史操作事件的历史事件数据。将所述事件数据分别与各历史事件数据进行特征卷积处理,获得第一卷积特征,以及将事件数据对中包含的两个历史事件数据进行特征卷积处理,获得第二卷积特征。采用注意力机制对所述第一卷积特征和所述第二卷积特征进行特征提取,获得目标特征。将所述目标特征、所述操作事件的事件特征以及关键特征进行特征拼接,获得识别特征,并基于所述识别特征对所述操作事件进行风险识别,获得风险识别结果。
本说明书一个或多个实施例提供了一种风险识别装置,包括:数据获取模块,被配置为获取用户的操作事件的事件数据和至少一个历史操作事件的历史事件数据。特征卷积处理模块,被配置为将所述事件数据分别与各历史事件数据进行特征卷积处理,获得第一卷积特征,以及将事件数据对中包含的两个历史事件数据进行特征卷积处理,获得第二卷积特征。特征提取模块,被配置为采用注意力机制对所述第一卷积特征和所述第二卷积特征进行特征提取,获得目标特征。风险识别模块,被配置为将所述目标特征、所述操作事件的事件特征以及关键特征进行特征拼接,获得识别特征,并基于所述识别特征对所述操作事件进行风险识别,获得风险识别结果。
本说明书一个或多个实施例提供了一种风险识别设备,包括:处理器;以及,被配置为存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器:获取用户的操作事件的事件数据和至少一个历史操作事件的历史事件数据。将所述事件数据分别与各历史事件数据进行特征卷积处理,获得第一卷积特征,以及将事件数据对中包含的两个历史事件数据进行特征卷积处理,获得第二卷积特征。采用注意力机制对所述第一卷积特征和所述第二卷积特征进行特征提取,获得目标特征。将所述目标特征、所述操作事件的事件特征以及关键特征进行特征拼接,获得识别特征,并基于所述识别特征对所述操作事件进行风险识别,获得风险识别结果。
本说明书一个或多个实施例提供了一种存储介质,用于存储计算机可执行指令,所述计算机可执行指令在被处理器执行时实现以下流程:获取用户的操作事件的事件数据和至少一个历史操作事件的历史事件数据。将所述事件数据分别与各历史事件数据进行特征卷积处理,获得第一卷积特征,以及将事件数据对中包含的两个历史事件数据进行特征卷积处理,获得第二卷积特征。采用注意力机制对所述第一卷积特征和所述第二卷积特征进行特征提取,获得目标特征。将所述目标特征、所述操作事件的事件特征以及关键特征进行特征拼接,获得识别特征,并基于所述识别特征对所述操作事件进行风险识别,获得风险识别结果。
附图说明
为了更清楚地说明本说明书一个或多个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为本说明书一个或多个实施例提供的一种实施环境的示意图;
图2为本说明书一个或多个实施例提供的一种风险识别方法处理流程图;
图3为本说明书一个或多个实施例提供的一种应用于交易操作事件的风险识别场景的风险识别方法处理示意图;
图4为本说明书一个或多个实施例提供的一种应用于交易操作事件的风险识别场景的风险识别方法处理流程图;
图5为本说明书一个或多个实施例提供的一种风险识别装置实施例的示意图;
图6为本说明书一个或多个实施例提供的一种风险识别设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案,下面将结合本说明书一个或多个实施例中的附图,对本说明书一个或多个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的一部分实施例,而不是全部的实施例。基于本说明书一个或多个实施例,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,都应当属于本文件的保护范围。
本说明书一个或多个实施例提供的风险识别方法,可适用于对用户的操作事件进行风险识别这一实施环境,如图1所示,该实施环境至少包括用于进行风险识别的服务器101,该服务器可以是针对操作事件进行事件响应的服务器,还可以是与对操作事件进行事件响应的服务器进行数据对接以对操作事件进行风险识别,并向进行事件响应的服务器发送风险识别结果的服务器;
其中,服务器101可以是一台服务器,或者由若干台服务器组成的服务器集群,或者是云计算平台中的一个或者多个云服务器,用于对用户的操作事件进行风险识别,结合实际的风险识别场景来看,在对用户的操作事件进行风险识别的过程中,可根据事件周期内提交的操作事件的事件数量的量级来确定服务器的部署数目和部署方式,比如在请求数量较少的情况下,可部署一台或者多台服务器;再比如,在请求数量达到一定量级的情况下,部署由若干台服务器组成的服务器集群。
此外,该实施环境还可包括用户终端102,用户终端102可配置应用程序的客户端,该客户端的具体形式可以是应用程序、应用程序内的子程序、应用程序内的服务模块或者网页程序;用户终端通过客户端进行操作事件的提交。用户终端102可以是手机、个人电脑、平板电脑、电子书阅读器、基于VR(Virtual Reality,虚拟现实技术)进行信息交互的设备、车载终端、IoT设备、穿戴式智能设备、膝上型便携计算机和台式计算机等等。
该实施环境中,服务器101从用户的操作事件的事件数据和历史操作事件的历史事件数据出发,对操作数据的识别特征的生成进行辅助,以获得更加有效更加具有表征意义的识别特征;一方面,将事件数据分别与各历史事件数据进行特征卷积处理,获得第一卷积特征,另一方面,对事件数据对中包含的两个历史事件数据进行特征卷积处理,获得第二特征,然后采用注意力机制对第一卷积特征和第二卷积特征进行特征提取,获得目标特征,最后将目标特征,关键特征和操作事件的事件特征进行特征拼接,获得识别特征,以基于识别特征对操作事件进行风险识别,获得风险识别结果,以此,在对操作事件进行风险识别的过程中,通过历史事件数据对操作事件的识别特征进行辅助生成,并且在辅助生成的过程中,通过两个卷积算子进行特征卷积处理,提升获得的识别特征的准确性和有效性,进而提升操作事件的风险识别结果的准确性和有效性。
本说明书提供的一种风险识别方法的一个或者多个实施例如下:
参照图2,本实施例提供的风险识别方法,具体包括步骤S202至步骤S208。
步骤S202,获取用户的操作事件的事件数据和至少一个历史操作事件的历史事件数据。
本实施例中,在对用户的操作事件进行风险识别的过程中,通过用户的历史操作事件的历史事件数据对用于进行风险识别的识别特征进行辅助生成。
所述操作事件,包括用户基于应用程序或者应用程序中的子程序提交的访问、交易等事件;例如,用户对应用程序的访问事件,用户基于应用程序进行的资源转移事件和资源支付事件。所述操作事件的事件数据,包括操作事件的发生过程中的相关数据;以访问事件为例,事件数据包括访问时间、访问用户的用户标识;以资源转移事件为例,事件数据包括资源转移时间、资源转出方、资源接收方和资源转移数额。
所述历史操作事件,包括用户在历史时间内的操作事件;例如,用户在过去3天内的操作事件。所述历史事件数据,包括历史操作事件的发生过程中的相关数据。
具体实施时,对用户的操作事件进行风险识别需要耗费一定的服务器资源和时间,实际应用中,并不是用户的所有操作事件都需要被进行风险识别,以根据风险识别结果对操作事件进行事件准入,为了节省服务器资源,也为了避免对用户所有的操作事件进行风险识别导致用户进行服务访问的时间变长,影响用户对应用程序的感知程度,本实施例提供的一种可选实施方式中,获取用户的操作事件的事件数据和至少一个历史操作事件的历史事件数据的过程中,执行如下操作:
获取所述用户的操作事件的事件数据,并基于所述事件数据对所述操作事件进行初始风险识别;
若初始风险识别的识别结果为特定识别结果,则读取所述用户在预设历史时间范围内的至少一个历史操作事件的历史事件数据;
若初始风险识别的识别结果不为所述特定识别结果,则响应所述操作事件即可。
可选的,所述初始风险识别,包括:核验所述用户是否为目标应用的异常标记用户;若是,则确定初始风险识别的识别结果为特定识别结果,若否,则确定初始风险识别的识别结果不为特定识别结果;此外,初始风险识别还可包含其他维度的风险识别,可以为一种或者多种风险识别方式的组合,本实施例在此不做限定;需要说明的是,初始风险识别的识别级别低于本实施例中步骤S202至步骤S208提供的风险识别的识别级别。
具体的,在获取到用户的操作事件的事件数据后,首先对操作事件进行初始风险识别,并在初始风险识别的识别结果为特定识别结果的情况下,读取用户在预设历史时间范围内的至少一个历史操作事件的历史事件数据。
或者,基于所述事件数据对所述操作事件进行初始风险识别的过程,可被替换为,基于所述事件数据对所述操作事件进行准入核验,相应的,所述特定识别结果则为核验通过。
需要说明的是,本实施例中,用户通过目标应用进行操作事件的提交,所述目标应用,例如支付应用,交易应用。
步骤S204,将所述事件数据分别与各历史事件数据进行特征卷积处理,获得第一卷积特征,以及将事件数据对中包含的两个历史事件数据进行特征卷积处理,获得第二卷积特征。
本实施例中,在获取到用户的操作事件的事件数据和至少一个历史操作事件的历史事件数据后,以两个卷积算子进行计算,操作事件与各历史操作事件的相似或相异程度是重要的风险特征,因此,设计对操作事件分别与各历史操作事件进行特征卷积处理这一卷积算子,通过计算操作事件与各历史操作事件之间的卷积学习此类特征。
具体实施时,获取用户的操作事件的事件数据和至少一个历史操作事件的历史事件数据后,基于事件数据和历史事件数据进行特征卷积处理,获得卷积特征;具体的,将所述事件数据分别与各历史事件数据进行特征卷积处理,获得第一卷积特征,以及,将事件数据对中包含的两个历史事件数据进行特征卷积处理,获得第二卷积特征。下述对将事件数据分别与各历史事件数据进行特征卷积处理,获得第一卷积特征,以及,将事件数据对中包含的两个历史事件数据进行特征卷积处理,获得第二卷积特征的过程进行具体说明。
(1)将所述事件数据分别与各历史事件数据进行特征卷积处理,获得第一卷积特征
在具体执行过程中,为了学习操作事件与各历史操作事件的相似或者相异这一风险特征,通过计算操作事件与各历史操作事件的卷积来学习该风险特征。具体的,在将事件数据分别与各历史事件进行特征卷积处理的过程中,对事件数据与各历史事件数据中同一属性的值或其embedding进行卷积,获得第一卷积特征。
(2)将事件数据对中包含的两个历史事件数据进行特征卷积处理,获得第二卷积特征
具体实施时,为了提升对操作事件的风险识别结果的有效性和准确性,除了对事件数据分别与各历史事件数据进行特征卷积处理,获得操作事件与各历史操作事件的相似或者相异这一风险特征之外,对于历史事件数据,通过计算两个历史事件数据的相似或者相异,并将计算获得的两个历史事件数据之间的相似或者相异作为对操作事件进行识别特征的生成过程中的辅助特征,以此对操作事件的识别特征进行进一步的丰富,提升基于识别特征进行风险识别后获得的风险识别结果的准确性。本实施例提供的一种可选实施方式中,将事件数据对中包含的两个历史事件数据进行特征卷积处理,获得第二卷积特征的过程中,执行如下操作:
对所述至少一个历史操作事件中相邻历史操作事件的历史事件数据进行特征卷积计算,获得相邻卷积特征;以及,
按照至少一个间隔长度在所述至少一个历史操作事件中进行事件提取,获得事件间隔为对应间隔长度的两个历史事件数据,对提取到的两个历史事件数据进行特征卷积计算,获得间隔卷积特征;
将所述相邻卷积特征以及所述间隔卷积特征作为所述第二卷积特征。
可选的,所述事件数据对,由所述至少一个历史操作事件中的两个历史操作事件的历史事件数据组成;可选的,这两个历史操作事件可以是至少一个历史操作事件中相邻的两个历史操作事件,也可以是至少一个历史操作事件中具有事件间隔的两个历史操作事件;所述事件数据对的数量为至少一个。
具体的,在将事件数据对中包含的两个历史事件数据进行特征卷积处理,获得第二卷积特征的过程中,一方面,对至少一个历史操作事件中相邻的两个历史操作事件进行特征卷积计算,获得相邻卷积特征;另一方面,对至少一个历史操作事件中事件间隔为预设间隔长度的两个历史事件数据进行特征卷积计算,获得间隔卷积特征;将相邻卷积特征和间隔卷积特征作为第二卷积特征。
换句话说,对至少一个历史操作事件中相邻历史操作事件的同一属性的值或其embedding进行卷积,并且使用不同长度的卷积核以提取不同事件范围的特征,也即是,对由相邻历史操作事件组成的事件数据对中包含的两个历史事件数据进行特征卷积计算,以及,对由具有特定事件间隔的两个历史操作事件组成的事件数据对中包含的两个历史事件数据进行特征卷积计算。
例如,历史操作事件包括5个,包括历史操作事件1、历史操作事件2、…、历史操作事件5;相邻的历史操作事件组成的事件数据对包括(历史操作事件1,历史操作事件2)、(历史操作事件2,历史操作事件3)、(历史操作事件3,历史操作事件4)和(历史操作事件4,历史操作事件5);具有一定的事件间隔的历史操作事件组成的事件数据对包括(历史操作事件1,历史操作事件3)、(历史操作事件1,历史操作事件4)、(历史操作事件1,历史操作事件5)、(历史操作事件2、历史操作事件4)、(历史操作事件2,历史操作事件5)、(历史操作事件3、历史操作事件5);可见,在历史操作事件有5个的情况下存在10个事件数据对,分别计算这10个事件数据对中包含的两个历史事件数据的特征卷积,获得第二卷积特征。
在具体执行过程中,在获取到用户的操作事件的事件数据和至少一个历史操作事件的历史事件数据后,将事件数据分别与各历史事件数据进行特征卷积处理,来学习事件数据与各历史操作事件数据的相似或相异程度这一风险特征,此外,对相邻历史操作事件进行特征卷积处理以及对具有特定事件间隔的两个历史操作事件进行特征卷积,也即是通过使用不同长度的卷积核以提取不同事件范围的特征。
此外,步骤S204还可被替换为,将所述事件数据分别与各历史事件数据进行特征卷积处理,获得第一卷积特征,对所述至少一个历史操作事件中的相邻历史操作事件进行特征卷积处理,获得第二卷积特征,以及,对所述至少一个历史操作事件中特定事件间隔的两个历史操作事件进行特征卷积处理,获得第三卷积特征,并与本实施例提供的其他处理步骤组成新的实现方式。上述步骤S204还可被替换为,基于所述事件数据和所述历史事件数据进行特征卷积处理,获得卷积特征,并与本实施例提供的其他处理步骤组成新的实现方式。
步骤S206,采用注意力机制对所述第一卷积特征和所述第二卷积特征进行特征提取,获得目标特征。
本实施例中,为了在保证识别准确性的情况下节省识别资源,避免基于影响较小的特征进行风险识别导致的资源损失,也为了提升对于关键特征的重视程度,本实施例中,采用注意力机制对第一卷积特征和第二卷积特征进行特征提取,获得目标特征。
由于上述将事件数据与各历史事件数据分别进行了特征卷积处理,也对事件数据对中包含的两个历史事件数据进行了特征卷积处理,因此,第一卷积特征和第二卷积特征的数量较多,为了提升处理效率,本实施例提供的一种可选实施方式中,在采用注意力机制对第一卷积特征和第二卷积特征进行特征提取,获得目标特征的过程中,执行如下操作:
对所述第一卷积特征和所述第二卷积特征进行池化处理,获得序列特征;
采用注意力机制对所述序列特征进行特征提取,获得所述目标特征。
可选的,所述对所述第一卷积特征和所述第二卷积特征进行池化处理,获得序列特征,包括:
对所述第一卷积特征和所述第二卷积特征分别进行第一池化处理,获得第一池化特征和第二池化特征;
对所述第一池化特征和所述第二池化特征进行第二池化处理,获得所述序列特征。
具体的,在获得第一卷积特征和第二卷积特征之后,首先分别对第一卷积特征和第二卷积特征进行池化处理,获得第一池化特征和第二池化特征,然后再对第一池化特征和第二池化特征进行池化处理,获得序列特征,采用注意力机制对序列特征进行特征提取,获得目标特征。
可选的,可分别对第一卷积特征和第二卷积特征进行最大池化,获得第一池化特征和第二池化特征,再对第一池化特征和第二池化特征进行求和池化,获得序列特征;以此降低特征维度。例如,在相同感知野的卷积核的输出上应用1-max-pooling,再对不同感知野的卷积输出进行求和池化,以降低特征维度。可选的,所述第一池化处理,包括最大池化,所述第二池化处理,包括求和池化。
其中,通过先对相同感知野的卷积核的输出进行最大池化,再对不同感知野的卷积输出进行求和池化,适配不同长度的序列,也即是适配不同数量的历史操作事件,在面对数量较多的历史操作事件时,在保证学习效果的同时,通过进行最大池化,得到一个特征,有效节省后续处理的特征的数量和长度,从而节约显存的消耗。
需要说明的是,若上述步骤S204被替换为,将所述事件数据分别与各历史事件数据进行特征卷积处理,获得第一卷积特征,对所述至少一个历史操作事件中的相邻历史操作事件进行特征卷积处理,获得第二卷积特征,以及,对所述至少一个历史操作事件中特定事件间隔的两个历史操作事件进行特征卷积处理,获得第三卷积特征,则本实施例中,步骤S206可被替换为,采用注意力机制对所述第一卷积特征、所述第二卷积特征和所述第三卷积特征进行特征卷积处理,获得目标特征;可选的,采用注意力机制对所述第一卷积特征、所述第二卷积特征和所述第三卷积特征进行特征卷积处理,获得目标特征,包括:
对所述第一卷积特征、所述第二卷积特征和所述第三卷积特征分别进行第一池化处理,获得第一池化特征、第二池化特征和第三池化特征;
将所述第一池化特征、所述第二池化特征和所述第三池化特征进行第二池化处理,获得序列特征;
采用注意力机制对所述序列特征进行特征提取,获得所述目标特征。
此外,步骤S206还可被替换为,采用注意力机制对所述第一卷积特征和所述第二卷积特征进行池化处理后获得的序列特征进行特征提取,获得目标特征,并与本实施例提供的其他处理步骤组成新的实现方式。
需要说明的是,为了提升获得的目标特征的有效性,本实施例中,可以通过一个自注意力层进行特征提取,也可通过多个自注意力层进行特征提取,本实施例在此不对通过的自注意力层的数量进行限定。
步骤S208,将所述目标特征、所述操作事件的事件特征以及关键特征进行特征拼接,获得识别特征,并基于所述识别特征对所述操作事件进行风险识别,获得风险识别结果。
上述步骤中,在获得第一卷积特征和第二卷积特征之后,采用注意力机制对所述第一卷积特征和所述第二卷积特征进行特征提取,获得目标特征,本步骤中,将目标特征、所述操作事件的事件特征以及关键特征进行特征拼接,获得识别特征,并基于所述识别特征对所述操作事件进行风险识别,获得风险识别结果。
所述关键特征,包括对操作事件进行风险识别中对识别的影响程度大于其他特征的特征,或者配置的用于正向影响对操作事件的风险识别结果的特征;可选的,所述关键特征,包括所述至少一个历史操作事件的连续特征,所述用户的关联用户的关联特征,和/或,所述操作事件关联的用户的关联特征。
具体实施时,在获得目标特征之后,为了能基于不同层次的特征对操作事件进行风险识别,将目标特征、操作事件的事件特征以及关键特征进行特征拼接,获得识别特征,也及时,将浅层的操作事件的事件特征以及历史操作事件中的连续型数据进行拼接,使能基于不同层次的特征对操作事件进行风险识别;
基于此,本实施例提供的一种可选实施方式中,所述将所述目标特征、所述操作事件的事件特征以及关键特征进行特征拼接,获得识别特征,通过如下方式实现:
读取所述历史事件数据中与所述操作事件匹配的匹配数据,并对所述匹配数据进行特征转换,获得所述关键特征;
将所述目标特征、所述事件特征和所述关键特征进行特征拼接,获得所述识别特征。
具体的,首先在所述历史事件数据中确定所述关键特征,然后将目标特征、事件特征和关键特征进行特征拼接,获得所述操作事件的识别特征。
以交易操作事件为例,读取所述历史事件数据中各历史操作事件的交易资源数额,将所述各历史操作事件的交易资源数额确定为所述关键特征。此外,匹配数据还可以是其他维度与操作事件匹配的数据,本实施例中的交易资源数额仅仅是示例性的,对于匹配数据本实施例在此不做限定。
此外,为了进一步提升确定的识别特征的有效性和全面性,除了根据用户的数据进行处理之外,本实施例中,还可基于用户的关联用户或者交易操作事件关联的操作对象的数据进行该用户的识别特征的生成,进而获得更加全面的识别特征;本实施例提供的一种可选实施方式中,在将目标特征、操作事件的事件特征以及关键特征进行特征拼接,获得识别特征的过程中,执行如下操作:
读取所述历史事件数据中与所述操作事件匹配的匹配数据,并对所述匹配数据进行特征转换,获得匹配特征;
将所述目标特征、所述事件特征、所述匹配特征和关联目标特征进行特征拼接,获得所述识别特征。
以交易操作事件为例,可选的,所述关联目标特征,包括交易操作事件关联的交易对象的目标特征。需要说明的是,所述关联目标特征,除了包括交易操作事件关联的交易对象的目标特征之外,还可包括与所述用户具有关联关系的用户的目标特征。可选的,所述交易对象,包括与所述用户共同完成所述交易操作事件的用户;例如,用户u1通过支付应用提交向用户u2的资源转移请求,则该操作事件为资源转移事件,用户u2为交易对象。
本实施例提供的一种可选实施方式中,所述关联目标特征,采用如下方式确定:
确定所述用户的交易操作事件关联的交易对象,并读取所述交易对象的至少一个对象历史操作事件的对象历史事件数据;
对对象事件数据对中包含的两个对象历史事件数据进行特征卷积处理,获得关联卷积特征;
采用注意力机制对所述关联卷积特征进行特征提取,获得关联目标特征。
具体的,在获得关联目标特征的过程中,从交易对象的至少一个历史操作事件,也即是至少一个对象历史操作事件出发,对两个对象历史事件数据进行特征卷积处理,获得关联卷积特征,再采用注意力机制对关联卷积特征进行特征提取,获得关联目标特征。
需要说明的是,关联目标特征的确定方式,与本实施例中操作事件的目标特征在确定过程中,除了未将交易对象的操作事件与各对象历史操作事件进行特征卷积处理之外,其他的处理过程与上述目标特征的确定过程类似,参照上述对于目标特征的确定过程的说明即可,本实施例在此不再赘述。
还需要说明的是,除了仅根据对象事件数据对中包含的两个对象历史事件数据进行特征卷积处理之外,还可将用户的操作事件作为交易对象的操作事件,具体的,读取所述交易对象的至少一个对象历史操作事件的对象历史事件数据之后,将所述事件数据分别与各对象历史事件数据进行特征卷积处理,获得第一关联卷积特征,以及,将对象事件数据对中包含的两个对象历史事件数据进行特征卷积处理,获得第二关联卷积特征;采用注意力机制对所述第一关联卷积特征和所述第二关联卷积特征进行特征提取,获得关联目标特征。
本实施例中,在获得历史事件数据中的匹配特征的过程中,除了先获得匹配数据,再对匹配数据进行特征转换获得匹配特征或者关键特征之外,还可在上述对第一卷积特征和第二卷积特征进行池化处理,获得序列特征之外,从序列特征出发进行操作事件的事件特征和关键特征的提取;本实施例提供的一种可选实施方式中,采用如下方式进行事件特征和关键特征的提取:
在所述序列特征中提取所述操作事件的事件特征;以及,
确定所述历史操作事件的关键数据,并在所述序列特征中提取所述关键数据对应的关键特征。
具体的,在对第一卷积特征和第二卷积特征进行池化处理,获得序列特征后,在序列特征中提取操作事件的事件特征以及关键特征,以与目标特征进行特征拼接获得识别特征。
在具体执行过程中,在获得识别特征后,基于识别特征对操作事件进行风险识别,获得风险识别结果,本实施例提供的一种可选实施方式中,基于识别特征对操作事件进行风险识别,获得风险识别结果的过程中,将所述识别特征输入风险识别网络进行风险识别,获得风险识别结果。可选的,所述风险识别网络,包括分类网络。为了进一步提升风险识别的识别效率,因为经过注意力机制的特征的维度没有发生变化,因此,在获得识别特征后,对识别特征进行展平处理,基于展平后的识别特征进行风险识别。其中,展平处理,例如将100×100维的特征展平成为1×10000维的特征。
本实施例中,针对风控序列数据(事件数据和历史事件数据共同构成的序列)设计一种卷积算子,在此基础上融合了wide&deep和CoAtNet的思路,设计一套网络结构,在多个风控数据集上验证了,该网络结构在具备好的风险识别能力的同时,可以有效适配不同长度的序列,有效的节约了显存的消耗。可选的,所述网络结构,包括SeqCoAtNet,该网络结构中,包括事件卷积层,用于进行特征卷积处理,获得卷积特征,包括注意力机制self-attention,用于进行特征提取,获得目标特征,还包括分类层,用于进行风险识别。具体的,通过事件卷积层学习事件间的局部相关性,之后通过self-attention层学习全局相关性。
在基于信用的风险识别场景中,SeqCoAtNet相较于shoring,AUC(衡量学习器优劣的一种性能指标)提高0.2%,百一覆盖提升1.3%,此外,显存消耗减少了50%。如下表所示:
下述以本实施例提供的一种风险识别方法在交易操作事件的风险识别场景的应用为例,结合图3和图4对本实施例提供的风险识别方法进行进一步说明,参见图4,应用于交易操作事件的风险识别场景的风险识别方法,具体包括如下步骤。
如图3所示,在获取到用户的交易操作事件的事件数据,以及至少一个历史操作事件的事件数据后,将事件数据和历史事件数据作为一个事件数据序列(第一行为交易操作事件),计算交易操作事件和每一个历史操作事件的卷积,计算历史操作事件中相邻历史操作事件的卷积,计算历史操作事件中不用卷积核的两个历史操作事件的卷积,并对三个卷积结果分别进行1-max-pooling,再对三个1-max-pooling的结果进行求和池化,获得序列特征;将序列特征输入self-attention进行特征提取,获得目标特征,将目标特征进行flatten处理,并将处理后的目标特征和序列特征中交易操作事件的事件特征和表征历史交易数额的数额特征进行特征拼接,获得识别特征,将识别特征输入线性神经网络(风险识别网络)进行风险识别,获得风险识别结果。
步骤S402,根据用户的交易操作事件的交易数据,读取用户的至少一个历史操作事件的历史事件数据。
步骤S404,将交易数据分别与各历史事件数据进行特征卷积计算,获得至少一个第一卷积特征。
步骤S406,将至少一个历史操作事件中的相邻历史操作事件进行特征卷积计算,获得至少一个第二卷积特征。
步骤S408,将至少一个历史操作事件中预设事件间隔的两个历史操作事件的历史事件数据进行特征卷积计算,获得至少一个第三卷积特征。
需要说明的是,步骤S404,步骤S406和步骤S408在执行过程中可同时执行,本实施例对这三个步骤的执行顺序不做限定。
步骤S410,对至少一个第一卷积特征、至少一个第二卷积特征和至少一个第三卷积特征分别进行最大池化,获得第一池化特征、第二池化特征和第三池化特征。
可选的,对至少一个第一卷积特征、至少一个第二卷积特征和至少一个第三卷积特征分别进行最大池化,获得第一池化特征、第二池化与特征和第三池化特征,包括:对至少一个第一卷积特征进行最大池化,获得第一池化特征,对至少一个第二卷积特征进行最大池化,获得第二池化特征,以及,对至少一个第三卷积特征进行最大池化,获得第三池化特征。
步骤S412,对第一池化特征、第二池化特征和第三池化特征进行求和池化,获得由交易操作事件和至少一个历史操作事件构成的事件序列的序列特征。
步骤S414,将序列特征输入至少一个自注意力层进行特征提取,获得目标特征。
步骤S416,将目标特征进行展平处理。
步骤S418,将展平处理后的目标特征、序列特征中操作事件的事件特征和表征历史交易数额的数额特征进行特征拼接,获得识别特征。
步骤S420,将识别特征输入风险识别模型进行风险识别,获得交易操作事件的风险识别结果。
可选的,交易操作事件的风险识别结果若为第一风险识别结果,则确定该交易操作事件存在风险,需要在用户再次确认后进行交易处理;若交易操作事件的风险识别结果为第二风险识别结果,则确定该交易操作事件不存在风险,进行交易处理即可。
所述第一风险识别结果,包括风险识别通过的识别结果,所述第二风险识别结果,包括风险识别未通过的识别结果。
本说明书提供的一种风险识别装置的一个或者多个实施例如下:
在上述的实施例中,提供了一种风险识别方法,与之相对应的,还提供了一种风险识别装置,下面结合附图进行说明。
参照图5,其示出了本实施例提供的一种风险识别装置实施例的示意图。
由于装置实施例对应于方法实施例,所以描述得比较简单,相关的部分请参见上述提供的方法实施例的对应说明即可。下述描述的装置实施例仅仅是示意性的。
本实施例提供一种风险识别装置,包括:
数据获取模块502,被配置为获取用户的操作事件的事件数据和至少一个历史操作事件的历史事件数据;
特征卷积处理模块504,被配置为将所述事件数据分别与各历史事件数据进行特征卷积处理,获得第一卷积特征,以及将事件数据对中包含的两个历史事件数据进行特征卷积处理,获得第二卷积特征;
特征提取模块506,被配置为采用注意力机制对所述第一卷积特征和所述第二卷积特征进行特征提取,获得目标特征;
风险识别模块508,被配置为将所述目标特征、所述操作事件的事件特征以及关键特征进行特征拼接,获得识别特征,并基于所述识别特征对所述操作事件进行风险识别,获得风险识别结果。
本说明书提供的一种风险识别设备的一个或者多个实施例如下:
对应上述描述的一种风险识别方法,基于相同的技术构思,本说明书一个或多个实施例还提供一种风险识别设备,该风险识别设备用于执行上述提供的风险识别方法,图6为本说明书一个或多个实施例提供的一种风险识别设备的结构示意图。
本实施例提供的一种风险识别设备,包括:
如图6所示,风险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601和存储器602,存储器602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602可以是短暂存储或持久存储。存储在存储器602的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括风险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601可以设置为与存储器602通信,在风险识别设备上执行存储器602中的一系列计算机可执行指令。风险识别设备还可以包括一个或一个以上电源603,一个或一个以上有线或无线网络接口604,一个或一个以上输入/输出接口605,一个或一个以上键盘606等。
在一个具体的实施例中,风险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:
获取用户的操作事件的事件数据和至少一个历史操作事件的历史事件数据;
将所述事件数据分别与各历史事件数据进行特征卷积处理,获得第一卷积特征,以及将事件数据对中包含的两个历史事件数据进行特征卷积处理,获得第二卷积特征;
采用注意力机制对所述第一卷积特征和所述第二卷积特征进行特征提取,获得目标特征;
将所述目标特征、所述操作事件的事件特征以及关键特征进行特征拼接,获得识别特征,并基于所述识别特征对所述操作事件进行风险识别,获得风险识别结果。
本说明书提供的一种存储介质的一个或者多个实施例如下:
对应上述描述的一种风险识别方法,基于相同的技术构思,本说明书一个或多个实施例还提供一种存储介质。
本实施例提供的存储介质,用于存储计算机可执行指令,所述计算机可执行指令在被处理器执行时实现以下流程:
获取用户的操作事件的事件数据和至少一个历史操作事件的历史事件数据;
将所述事件数据分别与各历史事件数据进行特征卷积处理,获得第一卷积特征,以及将事件数据对中包含的两个历史事件数据进行特征卷积处理,获得第二卷积特征;
采用注意力机制对所述第一卷积特征和所述第二卷积特征进行特征提取,获得目标特征;
将所述目标特征、所述操作事件的事件特征以及关键特征进行特征拼接,获得识别特征,并基于所述识别特征对所述操作事件进行风险识别,获得风险识别结果。
需要说明的是,本说明书中关于存储介质的实施例与本说明书中关于风险识别方法的实施例基于同一发明构思,因此该实施例的具体实施可以参见前述对应方法的实施,重复之处不再赘述。
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或者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,比如装置实施例、设备实施例和存储介质实施例,三者均相似于方法实施例,所以描述地比较简单,阅读装置实施例、设备实施例和存储介质实施例中的相关内容请参照方法实施例的部分说明即可。
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30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,本说明书一个或多个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的一个或多个实施例,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。
以上所述仅为本文件的实施例而已,并不用于限制本文件。对于本领域技术人员来说,本文件可以有各种更改和变化。凡在本文件的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本文件的权利要求范围之内。
Claims (12)
1.一种风险识别方法,包括:
获取用户的操作事件的事件数据和至少一个历史操作事件的历史事件数据;
将所述事件数据分别与各历史事件数据进行特征卷积处理,获得第一卷积特征,以及将事件数据对中包含的两个历史事件数据进行特征卷积处理,获得第二卷积特征;
采用注意力机制对所述第一卷积特征和所述第二卷积特征进行特征提取,获得目标特征;
将所述目标特征、所述操作事件的事件特征以及关键特征进行特征拼接,获得识别特征,并基于所述识别特征对所述操作事件进行风险识别,获得风险识别结果。
2.根据权利要求1所述的方法,所述采用注意力机制对所述第一卷积特征和所述第二卷积特征进行特征提取,获得目标特征,包括:
对所述第一卷积特征和所述第二卷积特征进行池化处理,获得序列特征;
采用注意力机制对所述序列特征进行特征提取,获得所述目标特征。
3.根据权利要求2所述的方法,所述对所述第一卷积特征和所述第二卷积特征进行池化处理,获得序列特征,包括:
对所述第一卷积特征和所述第二卷积特征分别进行第一池化处理,获得第一池化特征和第二池化特征;
对所述第一池化特征和所述第二池化特征进行第二池化处理,获得所述序列特征。
4.根据权利要求1所述的方法,所述将事件数据对中包含的两个历史事件数据进行特征卷积处理,获得第二卷积特征,包括:
对所述至少一个历史操作事件中相邻历史操作事件的历史事件数据进行特征卷积计算,获得相邻卷积特征;以及,
按照至少一个间隔长度在所述至少一个历史操作事件中进行事件提取,获得事件间隔为对应间隔长度的两个历史事件数据,对提取到的两个历史事件数据进行特征卷积计算,获得间隔卷积特征;
将所述相邻卷积特征以及所述间隔卷积特征作为所述第二卷积特征。
5.根据权利要求1所述的方法,所述将所述目标特征、所述操作事件的事件特征以及关键特征进行特征拼接,获得识别特征,包括:
读取所述历史事件数据中与所述操作事件匹配的匹配数据,并对所述匹配数据进行特征转换,获得所述关键特征;
将所述目标特征、所述事件特征和所述关键特征进行特征拼接,获得所述识别特征。
6.根据权利要求1所述的方法,所述将所述目标特征、所述操作事件的事件特征以及关键特征进行特征拼接,获得识别特征,并基于所述识别特征对所述操作事件进行风险识别,获得风险识别结果步骤执行之前,还包括:
确定所述用户的交易操作事件关联的交易对象,并读取所述交易对象的至少一个对象历史操作事件的对象历史事件数据;
对对象事件数据对中包含的两个对象历史事件数据进行特征卷积处理,获得关联卷积特征;
采用注意力机制对所述关联卷积特征进行特征提取,获得关联目标特征。
7.根据权利要求6所述的方法,所述将所述目标特征、所述操作事件的事件特征以及关键特征进行特征拼接,获得识别特征,包括:
读取所述历史事件数据中与所述操作事件匹配的匹配数据,并对所述匹配数据进行特征转换,获得匹配特征;
将所述目标特征、所述事件特征、所述匹配特征和所述关联目标特征进行特征拼接,获得所述识别特征。
8.根据权利要求1所述的方法,所述获取用户的操作事件的事件数据和至少一个历史操作事件的历史事件数据,包括:
获取所述用户的操作事件的事件数据,并基于所述事件数据对所述操作事件进行初始风险识别;
若初始风险识别的识别结果为特定识别结果,则读取所述用户在预设历史时间范围内的至少一个历史操作事件的历史事件数据。
9.根据权利要求1所述的方法,所述基于所述识别特征对所述操作事件进行风险识别,获得风险识别结果,包括:
将所述识别特征输入风险识别网络进行风险识别,获得风险识别结果。
10.根据权利要求2所述的方法,所述将所述目标特征、所述操作事件的事件特征以及关键特征进行特征拼接,获得识别特征,并基于所述识别特征对所述操作事件进行风险识别,获得风险识别结果步骤执行之前,还包括:
在所述序列特征中提取所述操作事件的事件特征;以及,
确定所述历史操作事件的关键数据,并在所述序列特征中提取所述关键数据对应的关键特征。
11.一种风险识别装置,包括:
数据获取模块,被配置为获取用户的操作事件的事件数据和至少一个历史操作事件的历史事件数据;
特征卷积处理模块,被配置为将所述事件数据分别与各历史事件数据进行特征卷积处理,获得第一卷积特征,以及将事件数据对中包含的两个历史事件数据进行特征卷积处理,获得第二卷积特征;
特征提取模块,被配置为采用注意力机制对所述第一卷积特征和所述第二卷积特征进行特征提取,获得目标特征;
风险识别模块,被配置为将所述目标特征、所述操作事件的事件特征以及关键特征进行特征拼接,获得识别特征,并基于所述识别特征对所述操作事件进行风险识别,获得风险识别结果。
12.一种风险识别设备,包括:
处理器;以及,被配置为存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器:
获取用户的操作事件的事件数据和至少一个历史操作事件的历史事件数据;
将所述事件数据分别与各历史事件数据进行特征卷积处理,获得第一卷积特征,以及将事件数据对中包含的两个历史事件数据进行特征卷积处理,获得第二卷积特征;
采用注意力机制对所述第一卷积特征和所述第二卷积特征进行特征提取,获得目标特征;
将所述目标特征、所述操作事件的事件特征以及关键特征进行特征拼接,获得识别特征,并基于所述识别特征对所述操作事件进行风险识别,获得风险识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310865083.XA CN116843181A (zh) | 2023-07-13 | 2023-07-13 | 风险识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310865083.XA CN116843181A (zh) | 2023-07-13 | 2023-07-13 | 风险识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116843181A true CN116843181A (zh) | 2023-10-03 |
Family
ID=88165014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310865083.XA Pending CN116843181A (zh) | 2023-07-13 | 2023-07-13 | 风险识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116843181A (zh) |
-
2023
- 2023-07-13 CN CN202310865083.XA patent/CN116843181A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113516480B (zh) | 一种支付风险识别方法、装置及设备 | |
CN110020427B (zh) | 策略确定方法和装置 | |
CN110503435B (zh) | 基于区块链的交易预警方法、装置及设备 | |
CN109214193B (zh) | 数据加密、机器学习模型训练方法、装置以及电子设备 | |
CN115712866B (zh) | 数据处理方法、装置及设备 | |
CN109615171B (zh) | 特征阈值确定方法及装置、问题对象确定方法及装置 | |
CN116824339A (zh) | 图像处理方法及装置 | |
CN116049761A (zh) | 数据处理方法、装置及设备 | |
CN113343295A (zh) | 基于隐私保护的图像处理方法、装置、设备和存储介质 | |
CN110322139B (zh) | 策略推荐方法及装置 | |
CN115147227B (zh) | 一种交易风险的检测方法、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 | |
CN113992429B (zh) | 一种事件的处理方法、装置及设备 | |
CN116843181A (zh) | 风险识别方法及装置 | |
CN111552706B (zh) | 一种舆情信息的分组方法、装置及设备 | |
CN115905624B (zh) | 一种用户行为状态的确定方法、装置及设备 | |
CN115600155B (zh) | 一种数据处理方法、装置及设备 | |
CN116935176A (zh) | 图像处理方法及装置 | |
CN116011003A (zh) | 一种基于隐私保护的信息推荐方法、装置及设备 | |
CN116543759A (zh) | 语音识别处理方法及装置 | |
CN117093863A (zh) | 一种模型的处理方法、装置及设备 | |
CN116758312A (zh) | 物料图像的核验处理方法及装置 | |
CN116596645A (zh) | 一种模型的处理方法、装置及设备 | |
CN116664315A (zh) | 保障项目处理方法及装置 | |
CN116151825A (zh) | 智能合约的风险识别方法、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 |