CN116843345A - 基于人工智能技术对客户交易的智能风控系统及方法 - Google Patents
基于人工智能技术对客户交易的智能风控系统及方法 Download PDFInfo
- Publication number
- CN116843345A CN116843345A CN202311101297.6A CN202311101297A CN116843345A CN 116843345 A CN116843345 A CN 116843345A CN 202311101297 A CN202311101297 A CN 202311101297A CN 116843345 A CN116843345 A CN 116843345A
- Authority
- CN
- China
- Prior art keywords
- transaction data
- training
- historical
- semantic
- feature vector
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005516 engineering process Methods 0.000 title claims abstract description 41
- 239000013598 vector Substances 0.000 claims abstract description 146
- 230000002159 abnormal effect Effects 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims description 88
- 238000012546 transfer Methods 0.000 claims description 38
- 239000011159 matrix material Substances 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000009826 distribution Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000007704 transition 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Computer Security & Cryptography (AREA)
- Economics (AREA)
- Marketing (AREA)
- Technology Law (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
公开了一种基于人工智能技术对客户交易的智能风控系统及方法。其首先获取被服务对象的历史交易数据，接着，获取被服务对象的当前交易数据，然后，对所述历史交易数据进行语义编码以得到历史交易数据语义理解特征向量，接着，对所述当前交易数据进行语义编码以得到当前交易数据语义理解特征向量，最后，基于所述当前交易数据语义理解特征向量和所述历史交易数据语义理解特征向量，生成风控结果。这样，可以基于人工智能技术来学习客户的历史交易行为，对近期异常交易行为做及时识别和跟进。
Description
技术领域
本申请涉及智能风控领域，且更为具体地，涉及一种基于人工智能技术对客户交易的智能风控系统及方法。
背景技术
在金融投资领域，了解客户的历史交易行为并及时识别和跟进近期的异常交易行为对于金融机构和投资者来说至关重要。通过分析客户的历史交易数据，可以帮助金融机构识别潜在的风险，并采取相应的措施来保护客户的利益和维护市场的稳定。
因此，期待一种针对于客户交易的风控方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于人工智能技术对客户交易的智能风控系统及方法。其可以基于人工智能技术来学习客户的历史交易行为，对近期异常交易行为做及时识别和跟进。
根据本申请的一个方面，提供了一种基于人工智能技术对客户交易的智能风控系统，其包括：
历史交易数据获取模块，用于获取被服务对象的历史交易数据，其中，所述历史交易数据中各次交易数据包含交易时间、交易品种、交易方向、交易价格、交易数量、交易费用、交易类型、交易结果、交易状态和交易者信息；
当前交易数据获取模块，用于获取被服务对象的当前交易数据；
历史数据语义编码模块，用于对所述历史交易数据进行语义编码以得到历史交易数据语义理解特征向量；
当前数据语义编码模块，用于对所述当前交易数据进行语义编码以得到当前交易数据语义理解特征向量；以及
风控结果生成模块，用于基于所述当前交易数据语义理解特征向量和所述历史交易数据语义理解特征向量，生成风控结果。
根据本申请的另一个方面，提供了一种基于人工智能技术对客户交易的智能风控方法，其包括：
获取被服务对象的历史交易数据，其中，所述历史交易数据中各次交易数据包含交易时间、交易品种、交易方向、交易价格、交易数量、交易费用、交易类型、交易结果、交易状态和交易者信息；
获取被服务对象的当前交易数据；
对所述历史交易数据进行语义编码以得到历史交易数据语义理解特征向量；
对所述当前交易数据进行语义编码以得到当前交易数据语义理解特征向量；以及
基于所述当前交易数据语义理解特征向量和所述历史交易数据语义理解特征向量，生成风控结果。
与现有技术相比，本申请提供的基于人工智能技术对客户交易的智能风控系统及方法，其首先获取被服务对象的历史交易数据，接着，获取被服务对象的当前交易数据，然后，对所述历史交易数据进行语义编码以得到历史交易数据语义理解特征向量，接着，对所述当前交易数据进行语义编码以得到当前交易数据语义理解特征向量，最后，基于所述当前交易数据语义理解特征向量和所述历史交易数据语义理解特征向量，生成风控结果。这样，可以基于人工智能技术来学习客户的历史交易行为，对近期异常交易行为做及时识别和跟进。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。
图1为根据本申请实施例的基于人工智能技术对客户交易的智能风控系统的框图示意图。
图2为根据本申请实施例的基于人工智能技术对客户交易的智能风控系统中的所述历史数据语义编码模块的框图示意图。
图3为根据本申请实施例的基于人工智能技术对客户交易的智能风控系统中的所述风控结果生成模块的框图示意图。
图4为根据本申请实施例的基于人工智能技术对客户交易的智能风控系统中的进一步包括的训练模块的框图示意图。
图5为根据本申请实施例的基于人工智能技术对客户交易的智能风控方法的流程图。
图6为根据本申请实施例的基于人工智能技术对客户交易的智能风控方法的系统架构的示意图。
图7为根据本申请实施例的基于人工智能技术对客户交易的智能风控系统的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，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，也属于本申请保护的范围。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
针对上述技术需求，本申请的技术构思为：基于人工智能技术来学习客户的历史交易行为，对近期异常交易行为做及时识别和跟进。应可以理解，从历史交易行为数据可以反映用户的交易风格和交易特征，进而基于通过对近期交易数据与客户的历史交易模式进行对比，可以识别出异常交易行为，所述异常交易行为包括：a.非正常交易量：客户在短时间内进行大额交易，超出了其正常的交易量范围；b.异常交易模式：客户的交易行为突然发生变化，与其历史交易模式不符。例如，客户从稳健的投资策略转为高风险投资；以及，c.反常交易时间：客户在非交易时间段进行交易，或在短时间内频繁进行交易。
进一步地，一旦识别到异常交易行为，金融机构需要及时采取措施来跟进，包括以下步骤：a.验证异常行为：首先，金融机构需要验证是否确实存在异常交易行为。这可以通过进一步的数据分析和与客户的沟通来实现；b.联系客户：如果确认存在异常交易行为，金融机构应与客户进行联系，了解其交易意图，并提供必要的解释和建议；c.风险管理措施：根据异常交易的性质和风险程度，金融机构可以采取适当的风险管理措施，例如限制交易额度、暂停交易账户等；以及，d.监测和评估：金融机构应继续监测客户的交易行为，并评估采取的措施是否有效。如果异常交易行为持续存在或再次出现，可能需要进一步调查和采取更严格的措施。
图1为根据本申请实施例的基于人工智能技术对客户交易的智能风控系统的框图示意图。如图1所示，根据本申请实施例的基于人工智能技术对客户交易的智能风控系统100，包括：历史交易数据获取模块110，用于获取被服务对象的历史交易数据，其中，所述历史交易数据中各次交易数据包含交易时间、交易品种、交易方向、交易价格、交易数量、交易费用、交易类型、交易结果、交易状态和交易者信息；当前交易数据获取模块120，用于获取被服务对象的当前交易数据；历史数据语义编码模块130，用于对所述历史交易数据进行语义编码以得到历史交易数据语义理解特征向量；当前数据语义编码模块140，用于对所述当前交易数据进行语义编码以得到当前交易数据语义理解特征向量；以及，风控结果生成模块150，用于基于所述当前交易数据语义理解特征向量和所述历史交易数据语义理解特征向量，生成风控结果。
具体地，在本申请的技术方案中，首先获取被服务对象的历史交易数据和所述被服务对象的当前交易数据，所述历史交易数据中各次交易数据和所述当前交易数据包含交易时间、交易品种、交易方向、交易价格、交易数量、交易费用、交易类型、交易结果、交易状态和交易者信息。
接着，对所述历史交易数据进行语义编码以得到历史交易数据语义理解特征向量以及对所述当前交易数据进行语义编码以得到当前交易数据语义理解特征向量。在得到所述基于所述当前交易数据语义理解特征向量和所述历史交易数据语义理解特征向量，生成风控结果。
更具体地，在本申请一个具体的示例中，对所述历史交易数据进行语义编码以得到历史交易数据语义理解特征向量的过程，包括：首先将所述历史交易数据中各次交易数据分别通过包含嵌入层的语义编码器以得到多个交易数据语义编码特征向量。也就是，在对历史交易数据进行语义编码的过程中，首先对所述历史数据中的各次交易数据进行语义编码以得到多个交易数据语义编码特征向量。进而，将所述多个交易数据语义编码特征向量通过基于转换器模块的历史交易数据特征提取器以得到所述历史交易数据语义理解特征向量。也就是，在得到所述历史交易数据中各次交易数据的语义编码特征表示后，对所述各次交易数据的语义编码特征表示进行基于向量序列的上下文关联编码以得到所述历史交易数据语义理解特征向量。
相应地，如图2所示，所述历史数据语义编码模块130，包括：历史数据嵌入编码单元131，用于将所述历史交易数据中各次交易数据分别通过包含嵌入层的语义编码器以得到多个交易数据语义编码特征向量；以及，历史数据特征提取单元132，用于将所述多个交易数据语义编码特征向量通过基于转换器模块的历史交易数据特征提取器以得到所述历史交易数据语义理解特征向量。应可以理解，嵌入层是深度学习模型中的一种层级结构，用于将离散的数据（如文本、图像等）转换为连续的向量表示，它可以将高维稀疏的输入数据映射到低维稠密的特征空间，从而捕捉到数据之间的语义关系和相似性。在上述历史数据嵌入编码单元131使用嵌入层对历史交易数据中的每个交易数据进行编码，将其转换为交易数据语义编码特征向量。这样做的目的是为了将交易数据表示为连续的向量形式，以便后续的特征提取和处理。通过使用嵌入层，可以将原始的历史交易数据转化为具有语义信息的向量表示，使得模型能够更好地理解和处理这些数据。这种语义编码特征向量可以用于后续的数据分析、模式识别、预测等任务，提高模型的性能和效果。转换器模块是一种用于特征转换和提取的模块，常用于深度学习模型中，它的作用是通过一系列的变换和操作，将输入数据转换为更有用和有意义的表示形式。在历史数据特征提取单元132使用基于转换器模块的历史交易数据特征提取器，对多个交易数据语义编码特征向量进行处理，得到历史交易数据语义理解特征向量。转换器模块通常由多个层组成，例如卷积层、循环神经网络层、注意力机制等。这些层可以对输入数据进行各种操作，如滤波、池化、序列建模等，以提取数据中的关键特征和模式。通过使用转换器模块，可以将原始的交易数据语义编码特征向量进行更深层次的处理和转换，从而提取出更高级别的特征表示。这些特征表示可以更好地捕捉数据的语义信息和重要特征，为后续的任务（如分类、预测等）提供更有用的输入。
更具体地，在本申请一个具体的示例中，对所述当前交易数据进行语义编码以得到当前交易数据语义理解特征向量的过程，包括：将所述当前交易数据通过包含嵌入层的基于转换器模块的当前交易数据特征提取器以得到所述当前交易数据语义理解特征向量。也就是，使用所述包含嵌入层的基于转换器模块的当前交易数据特征提取器对所述当前交易数据进行语义编码以得到所述当前交易数据语义理解特征向量。其过程包括首先将所述当前交易数据中的各个数据项通过所述嵌入层转化为多个当前交易数据项嵌入向量，并接着使用所述基于转换器模块的当前交易数据特征提取器对所述多个当前交易数据项嵌入向量进行基于多头注意力机制的上下文语义编码以得到所述当前交易数据语义理解特征向量。
相应地，所述当前数据语义编码模块140，包括：当前数据特征提取单元，用于将所述当前交易数据通过包含嵌入层的基于转换器模块的当前交易数据特征提取器以得到所述当前交易数据语义理解特征向量。更具体地，所述当前数据特征提取单元，进一步包括：嵌入转化子单元，用于将所述当前交易数据中的各个数据项通过所述嵌入层转化为多个当前交易数据项嵌入向量；以及，上下文编码子单元，用于使用所述基于转换器模块的当前交易数据特征提取器对所述多个当前交易数据项嵌入向量进行基于多头注意力机制的上下文语义编码以得到所述当前交易数据语义理解特征向量。
特别地，在本申请的技术方案中，基于所述当前交易数据语义理解特征向量和所述历史交易数据语义理解特征向量，生成风控结果的过程，包括：首先计算所述当前交易数据语义理解特征向量相对于所述历史交易数据语义理解特征向量的转移矩阵。也就是，在本申请的技术方案中，以所述当前交易数据语义理解特征向量相对于所述历史交易数据语义理解特征向量的转移矩阵来表示近期交易数据与客户的历史交易模式之间的对比结果在高维语义特征空间中的特征表达。进而，将所述转移矩阵通过分类器以得到分类结果作为所述风控结果，所述分类结果用于表示当前交易是否异常。也就是，使用所述分类器来确定所述转移矩阵所属的类概率标签，所述类概率标签用于表示当前交易是否异常。
相应地，如图3所示，所述风控结果生成模块150，包括：转移矩阵计算单元151，用于计算所述当前交易数据语义理解特征向量相对于所述历史交易数据语义理解特征向量的转移矩阵；以及，分类单元152，用于将所述转移矩阵通过分类器以得到分类结果作为所述风控结果，所述分类结果用于表示当前交易是否异常。
也就是，在本公开的技术方案中，所述分类器的标签包括当前交易存在异常(第一标签)，以及，当前交易不存在异常(第二标签)，其中，所述分类器通过软最大值函数来确定所述转移矩阵属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“当前交易是否异常”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，当前交易是否异常的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“当前交易是否异常”的语言文本意义。
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
相应地，在一种可能的实现方式中，将所述转移矩阵通过分类器以得到分类结果作为所述风控结果，所述分类结果用于表示当前交易是否异常，包括：将所述转移矩阵按照行向量或者列向量展开为分类特征向量；使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
值得一提的是，转移矩阵是一个矩阵，用于描述两个序列之间的转移关系。转移矩阵计算单元151用于计算当前交易数据语义理解特征向量相对于历史交易数据语义理解特征向量的转移矩阵。转移矩阵的计算可以通过不同的方法实现，例如基于相似度度量、注意力机制等，它用于衡量当前交易数据与历史交易数据之间的相似性和相关性，从而捕捉到交易行为的演变和转移规律。通过计算转移矩阵，可以将历史交易数据的语义理解特征向量与当前交易数据的语义理解特征向量进行比较，分析它们之间的转移关系。这有助于判断当前交易是否异常，因为异常交易可能与历史交易数据的转移关系存在显著差异。分类单元152使用转移矩阵作为输入，并通过分类器对转移矩阵进行分类，得到分类结果作为风控结果。这个分类结果表示当前交易是否异常，即是否存在风险。转移矩阵提供了衡量当前交易与历史交易之间转移关系的信息，通过分类器对其进行判断，可以实现对当前交易的风险评估和风控决策。因此，转移矩阵在风控结果生成模块中的作用是用于衡量当前交易与历史交易之间的转移关系，并通过分类器进行风险评估和风控决策。
进一步地，所述基于人工智能技术对客户交易的智能风控系统，其还包括用于对所述包含嵌入层的语义编码器、所述基于转换器模块的当前交易数据特征提取器、所述包含嵌入层的基于转换器模块的当前交易数据特征提取器和所述分类器进行训练的训练模块。
更具体地，在一个具体示例中，如图4所示，所述训练模块200，包括：训练数据获取单元210，用于获取训练数据，所述训练数据包括训练历史交易数据、训练当前交易数据，以及，训练当前交易是否正常的真实值；历史交易数据训练编码单元220，用于使用所述包含嵌入层的语义编码器和所述基于转换器模块的当前交易数据特征提取器对所述训练历史交易数据进行训练编码以得到训练历史交易数据语义理解特征向量；当前交易数据训练语义编码单元230，用于使用所述包含嵌入层的基于转换器模块的当前交易数据特征提取器对所述训练当前交易数据进行语义编码以得到训练当前交易数据语义理解特征向量；训练转移矩阵计算单元240，用于计算所述训练当前交易数据语义理解特征向量相对于所述训练历史交易数据语义理解特征向量的训练转移矩阵；分类损失函数值计算单元250，用于将所述训练转移矩阵通过分类器以得到分类损失函数值；共有流形隐式相似性因数计算单元260，用于计算所述训练当前交易数据语义理解特征向量和所述训练历史交易数据语义理解特征向量之间的共有流形隐式相似性因数；以及，损失训练单元270，用于以所述分类损失函数值和所述共有流形隐式相似性因数的加权和作为损失函数值，对所述包含嵌入层的语义编码器、所述基于转换器模块的当前交易数据特征提取器、所述包含嵌入层的基于转换器模块的当前交易数据特征提取器和所述分类器进行训练。
特别地，在本申请的技术方案中，所述训练历史交易数据语义理解特征向量是通过对所述训练历史交易数据进行二次语义编码得到（也就是，先对各次训练交易数据进行语义编码，进而对各次训练交易数据的语义编码特征表示进行语义编码），而所述训练当前交易数据语义理解特征向量是通过对训练当前交易数据进行一次语义编码得到，因此，所述训练历史交易数据语义理解特征向量和所述训练当前交易数据语义理解特征向量之间存在特征梯次和深度差异。因此，在计算所述训练当前交易数据语义理解特征向量相对于所述训练历史交易数据语义理解特征向量的域转移特征的情况下，所述训练转移矩阵也会具有在高维特征空间内的高维特征流形表达的几何单调性差的问题，从而影响其通过分类器的分类回归的收敛效果，即，降低了训练速度和训练结果的准确性。
基于此，本申请的申请人针对所述训练当前交易数据语义理解特征向量，例如记为和所述训练历史交易数据语义理解特征向量，例如记为/>，引入共有流形隐式相似性因数作为损失函数。
相应地，在一个具体示例中，所述共有流形隐式相似性因数计算单元260，用于：以如下因数计算公式计算所述训练当前交易数据语义理解特征向量和所述训练历史交易数据语义理解特征向量之间的所述共有流形隐式相似性因数；其中，所述因数计算公式为：
其中，表示所述训练当前交易数据语义理解特征向量，/>表示所述训练历史交易数据语义理解特征向量，所述训练当前交易数据语义理解特征向量/>和所述训练历史交易数据语义理解特征向量/>均为列向量形式，/>表示转置操作，/>表示向量的二范数，且/>表示矩阵的Frobenius范数的平方根，/>、/>、/>和/>为权重超参数，/>表示向量乘法，/>表示向量减法，/>表示按位置点乘，/>表示所述共有流形隐式相似性因数。
这里，所述共有流形隐式相似性因数可以以所述训练当前交易数据语义理解特征向量和所述训练历史交易数据语义理解特征向量/>间的结构化关联来表示各自特征流形在交叉维度下的共有流形，并以相同因数化权重来共享所述训练当前交易数据语义理解特征向量/>和所述训练历史交易数据语义理解特征向量/>的差异性、对应性、关联性等流形结构性因素的共同约束，从而对依赖共有流形的几何衍生结构表示的分布相似性进行度量，以实现跨模态特征分布间的域转移特征的非线性几何单调性，提升所述训练转移矩阵的高维特征流形表达的几何单调性，从而改进其通过分类器的分类回归的收敛效果，即，提升训练速度和训练结果的准确性。
综上，基于本申请实施例的基于人工智能技术对客户交易的智能风控系统100被阐明，其可以基于人工智能技术来学习客户的历史交易行为，对近期异常交易行为做及时识别和跟进。
如上所述，根据本申请实施例的基于本申请实施例的基于人工智能技术对客户交易的智能风控系统100可以实现在各种终端设备中，例如具有基于本申请实施例的基于人工智能技术对客户交易的智能风控算法的服务器等。在一个示例中，基于本申请实施例的基于人工智能技术对客户交易的智能风控系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于本申请实施例的基于人工智能技术对客户交易的智能风控系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于本申请实施例的基于人工智能技术对客户交易的智能风控系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于本申请实施例的基于人工智能技术对客户交易的智能风控系统100与该终端设备也可以是分立的设备，并且该基于人工智能技术对客户交易的智能风控系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
图5为根据本申请实施例的基于人工智能技术对客户交易的智能风控方法的流程图。图6为根据本申请实施例的基于人工智能技术对客户交易的智能风控方法的系统架构的示意图。如图5和图6所示，根据本申请实施例的基于人工智能技术对客户交易的智能风控方法，其包括：S110，获取被服务对象的历史交易数据，其中，所述历史交易数据中各次交易数据包含交易时间、交易品种、交易方向、交易价格、交易数量、交易费用、交易类型、交易结果、交易状态和交易者信息；S120，获取被服务对象的当前交易数据；S130，对所述历史交易数据进行语义编码以得到历史交易数据语义理解特征向量；S140，对所述当前交易数据进行语义编码以得到当前交易数据语义理解特征向量；以及，S150，基于所述当前交易数据语义理解特征向量和所述历史交易数据语义理解特征向量，生成风控结果。
在一个具体示例中，在上述基于人工智能技术对客户交易的智能风控方法中，对所述历史交易数据进行语义编码以得到历史交易数据语义理解特征向量，包括：将所述历史交易数据中各次交易数据分别通过包含嵌入层的语义编码器以得到多个交易数据语义编码特征向量；以及，将所述多个交易数据语义编码特征向量通过基于转换器模块的历史交易数据特征提取器以得到所述历史交易数据语义理解特征向量。
这里，本领域技术人员可以理解，上述基于人工智能技术对客户交易的智能风控方法中的各个步骤的具体操作已经在上面参考图1到图4的基于人工智能技术对客户交易的智能风控系统100的描述中得到了详细介绍，并因此，将省略其重复描述。
图7为根据本申请实施例的基于人工智能技术对客户交易的智能风控系统的应用场景图。如图7所示，在该应用场景中，首先，获取被服务对象的历史交易数据（例如，图7中所示意的D1）和被服务对象的当前交易数据（例如，图7中所示意的D2），其中，所述历史交易数据中各次交易数据包含交易时间、交易品种、交易方向、交易价格、交易数量、交易费用、交易类型、交易结果、交易状态和交易者信息，然后，将所述历史交易数据和所述当前交易数据输入至部署有基于人工智能技术对客户交易的智能风控算法的服务器中（例如，图7中所示意的S），其中，所述服务器能够使用所述基于人工智能技术对客户交易的智能风控算法对所述历史交易数据和所述当前交易数据进行处理以得到用于表示当前交易是否异常的分类结果。
进一步地，在本申请的另一个实施例中，还提供了一种基于人工智能技术对客户交易及交易系统的智能风控系统，包括：1.学习历史订单实际路由数据order latency，对当日异常超时订单及时识别和预警；2.通过学习市场交易品种价格波动，对股价异常波动进行识别和预警；3.通过学习行情更新频次和延时，及时识别行情数据延时状况，并预警到运维团队；4.学习客户的历史交易行为，对近期异常交易行为做及时识别和跟进。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (10)
1.一种基于人工智能技术对客户交易的智能风控系统，其特征在于，包括：
历史交易数据获取模块，用于获取被服务对象的历史交易数据，其中，所述历史交易数据中各次交易数据包含交易时间、交易品种、交易方向、交易价格、交易数量、交易费用、交易类型、交易结果、交易状态和交易者信息；
当前交易数据获取模块，用于获取被服务对象的当前交易数据；
历史数据语义编码模块，用于对所述历史交易数据进行语义编码以得到历史交易数据语义理解特征向量；
当前数据语义编码模块，用于对所述当前交易数据进行语义编码以得到当前交易数据语义理解特征向量；以及
风控结果生成模块，用于基于所述当前交易数据语义理解特征向量和所述历史交易数据语义理解特征向量，生成风控结果。
2.根据权利要求1所述的基于人工智能技术对客户交易的智能风控系统，其特征在于，所述历史数据语义编码模块，包括：
历史数据嵌入编码单元，用于将所述历史交易数据中各次交易数据分别通过包含嵌入层的语义编码器以得到多个交易数据语义编码特征向量；以及
历史数据特征提取单元，用于将所述多个交易数据语义编码特征向量通过基于转换器模块的历史交易数据特征提取器以得到所述历史交易数据语义理解特征向量。
3.根据权利要求2所述的基于人工智能技术对客户交易的智能风控系统，其特征在于，所述当前数据语义编码模块，包括：
当前数据特征提取单元，用于将所述当前交易数据通过包含嵌入层的基于转换器模块的当前交易数据特征提取器以得到所述当前交易数据语义理解特征向量。
4.根据权利要求3所述的基于人工智能技术对客户交易的智能风控系统，其特征在于，所述当前数据特征提取单元，包括：
嵌入转化子单元，用于将所述当前交易数据中的各个数据项通过所述嵌入层转化为多个当前交易数据项嵌入向量；以及
上下文编码子单元，用于使用所述基于转换器模块的当前交易数据特征提取器对所述多个当前交易数据项嵌入向量进行基于多头注意力机制的上下文语义编码以得到所述当前交易数据语义理解特征向量。
5.根据权利要求4所述的基于人工智能技术对客户交易的智能风控系统，其特征在于，所述风控结果生成模块，包括：
转移矩阵计算单元，用于计算所述当前交易数据语义理解特征向量相对于所述历史交易数据语义理解特征向量的转移矩阵；以及
分类单元，用于将所述转移矩阵通过分类器以得到分类结果作为所述风控结果，所述分类结果用于表示当前交易是否异常。
6.根据权利要求5所述的基于人工智能技术对客户交易的智能风控系统，其特征在于，还包括用于对所述包含嵌入层的语义编码器、所述基于转换器模块的当前交易数据特征提取器、所述包含嵌入层的基于转换器模块的当前交易数据特征提取器和所述分类器进行训练的训练模块。
7.根据权利要求6所述的基于人工智能技术对客户交易的智能风控系统，其特征在于，所述训练模块，包括：
训练数据获取单元，用于获取训练数据，所述训练数据包括训练历史交易数据、训练当前交易数据，以及，训练当前交易是否正常的真实值；
历史交易数据训练编码单元，用于使用所述包含嵌入层的语义编码器和所述基于转换器模块的当前交易数据特征提取器对所述训练历史交易数据进行训练编码以得到训练历史交易数据语义理解特征向量；
当前交易数据训练语义编码单元，用于使用所述包含嵌入层的基于转换器模块的当前交易数据特征提取器对所述训练当前交易数据进行语义编码以得到训练当前交易数据语义理解特征向量；
训练转移矩阵计算单元，用于计算所述训练当前交易数据语义理解特征向量相对于所述训练历史交易数据语义理解特征向量的训练转移矩阵；
分类损失函数值计算单元，用于将所述训练转移矩阵通过分类器以得到分类损失函数值；
共有流形隐式相似性因数计算单元，用于计算所述训练当前交易数据语义理解特征向量和所述训练历史交易数据语义理解特征向量之间的共有流形隐式相似性因数；以及
损失训练单元，用于以所述分类损失函数值和所述共有流形隐式相似性因数的加权和作为损失函数值，对所述包含嵌入层的语义编码器、所述基于转换器模块的当前交易数据特征提取器、所述包含嵌入层的基于转换器模块的当前交易数据特征提取器和所述分类器进行训练。
8.根据权利要求7所述的基于人工智能技术对客户交易的智能风控系统，其特征在于，所述共有流形隐式相似性因数计算单元，用于：
以如下因数计算公式计算所述训练当前交易数据语义理解特征向量和所述训练历史交易数据语义理解特征向量之间的所述共有流形隐式相似性因数；
其中，所述因数计算公式为：
其中，表示所述训练当前交易数据语义理解特征向量，/>表示所述训练历史交易数据语义理解特征向量，所述训练当前交易数据语义理解特征向量/>和所述训练历史交易数据语义理解特征向量/>均为列向量形式，/>表示转置操作，/>表示向量的二范数，且表示矩阵的Frobenius范数的平方根，/>、/>、/>和/>为权重超参数，/>表示向量乘法，/>表示向量减法，/>表示按位置点乘，/>表示所述共有流形隐式相似性因数。
9.一种基于人工智能技术对客户交易的智能风控方法，其特征在于，包括：
获取被服务对象的历史交易数据，其中，所述历史交易数据中各次交易数据包含交易时间、交易品种、交易方向、交易价格、交易数量、交易费用、交易类型、交易结果、交易状态和交易者信息；
获取被服务对象的当前交易数据；
对所述历史交易数据进行语义编码以得到历史交易数据语义理解特征向量；
对所述当前交易数据进行语义编码以得到当前交易数据语义理解特征向量；以及
基于所述当前交易数据语义理解特征向量和所述历史交易数据语义理解特征向量，生成风控结果。
10.根据权利要求9所述的基于人工智能技术对客户交易的智能风控方法，其特征在于，对所述历史交易数据进行语义编码以得到历史交易数据语义理解特征向量，包括：
将所述历史交易数据中各次交易数据分别通过包含嵌入层的语义编码器以得到多个交易数据语义编码特征向量；以及
将所述多个交易数据语义编码特征向量通过基于转换器模块的历史交易数据特征提取器以得到所述历史交易数据语义理解特征向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311101297.6A CN116843345A (zh) | 2023-08-30 | 2023-08-30 | 基于人工智能技术对客户交易的智能风控系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311101297.6A CN116843345A (zh) | 2023-08-30 | 2023-08-30 | 基于人工智能技术对客户交易的智能风控系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116843345A true CN116843345A (zh) | 2023-10-03 |
Family
ID=88162016
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311101297.6A Pending CN116843345A (zh) | 2023-08-30 | 2023-08-30 | 基于人工智能技术对客户交易的智能风控系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116843345A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021169364A1 (zh) * | 2020-09-23 | 2021-09-02 | 平安科技（深圳）有限公司 | 分析语义情感的方法、装置、设备及存储介质 |
| US20210374360A1 (en) * | 2020-05-29 | 2021-12-02 | Fmr Llc | Generating Customized Digital Documents Using Artificial Intelligence |
| US20210374756A1 (en) * | 2020-05-29 | 2021-12-02 | Mastercard International Incorporated | Methods and systems for generating rules for unseen fraud and credit risks using artificial intelligence |
| US20220028376A1 (en) * | 2020-11-18 | 2022-01-27 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method for semantic recognition, electronic device, and storage medium |
| CN115456789A (zh) * | 2022-11-10 | 2022-12-09 | 杭州衡泰技术股份有限公司 | 基于交易模式识别的异常交易检测方法及其系统 |
| CN115983984A (zh) * | 2023-02-20 | 2023-04-18 | 杭银消费金融股份有限公司 | 一种多模型融合的客户风险评级方法 |
| CN116468250A (zh) * | 2023-05-15 | 2023-07-21 | 江西合之信知识产权服务有限公司 | 企业研发项目资金监管系统及其方法 |
| CN116668380A (zh) * | 2023-07-28 | 2023-08-29 | 北京中科网芯科技有限公司 | 汇聚分流器设备的报文处理方法及装置 |
| CN116658492A (zh) * | 2023-07-28 | 2023-08-29 | 新疆塔林投资(集团)有限责任公司 | 智能动力猫道及其方法 |
-
2023
- 2023-08-30 CN CN202311101297.6A patent/CN116843345A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210374360A1 (en) * | 2020-05-29 | 2021-12-02 | Fmr Llc | Generating Customized Digital Documents Using Artificial Intelligence |
| US20210374756A1 (en) * | 2020-05-29 | 2021-12-02 | Mastercard International Incorporated | Methods and systems for generating rules for unseen fraud and credit risks using artificial intelligence |
| WO2021169364A1 (zh) * | 2020-09-23 | 2021-09-02 | 平安科技（深圳）有限公司 | 分析语义情感的方法、装置、设备及存储介质 |
| US20220028376A1 (en) * | 2020-11-18 | 2022-01-27 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method for semantic recognition, electronic device, and storage medium |
| CN115456789A (zh) * | 2022-11-10 | 2022-12-09 | 杭州衡泰技术股份有限公司 | 基于交易模式识别的异常交易检测方法及其系统 |
| CN115983984A (zh) * | 2023-02-20 | 2023-04-18 | 杭银消费金融股份有限公司 | 一种多模型融合的客户风险评级方法 |
| CN116468250A (zh) * | 2023-05-15 | 2023-07-21 | 江西合之信知识产权服务有限公司 | 企业研发项目资金监管系统及其方法 |
| CN116668380A (zh) * | 2023-07-28 | 2023-08-29 | 北京中科网芯科技有限公司 | 汇聚分流器设备的报文处理方法及装置 |
| CN116658492A (zh) * | 2023-07-28 | 2023-08-29 | 新疆塔林投资(集团)有限责任公司 | 智能动力猫道及其方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mao et al. | Toward data anomaly detection for automated structural health monitoring: Exploiting generative adversarial nets and autoencoders | |
| Wang et al. | A novel deep learning based fault diagnosis approach for chemical process with extended deep belief network | |
| Zhu et al. | Estimation of bearing remaining useful life based on multiscale convolutional neural network | |
| Wu et al. | A weighted deep domain adaptation method for industrial fault prognostics according to prior distribution of complex working conditions | |
| Xu et al. | Spatio-temporal degradation modeling and remaining useful life prediction under multiple operating conditions based on attention mechanism and deep learning | |
| CN116340796B (zh) | 时序数据分析方法、装置、设备及存储介质 | |
| CN113486578A (zh) | 一种工业过程中设备剩余寿命的预测方法 | |
| CN116934304B (zh) | 智能配电房设备运行维护管理系统及其方法 | |
| CN117041017B (zh) | 数据中心的智能运维管理方法及系统 | |
| CN116929815A (zh) | 基于物联网的设备工作状态监测系统及其方法 | |
| CN116911929B (zh) | 基于大数据的广告服务终端及方法 | |
| CN116663568B (zh) | 基于优先级的关键任务识别系统及其方法 | |
| CN110781970A (zh) | 分类器的生成方法、装置、设备及存储介质 | |
| CN117037427B (zh) | 一种地质灾害联网监测预警系统 | |
| CN116861924A (zh) | 基于人工智能的项目风险预警方法及系统 | |
| CN112560997A (zh) | 故障识别模型训练方法、故障识别方法及相关装置 | |
| Kong et al. | A high generalizable feature extraction method using ensemble learning and deep auto-encoders for operational reliability assessment of bearings | |
| Zhang | Application of artificial intelligence recognition technology in digital image processing | |
| CN117784710B (zh) | 数控机床远程状态监控系统及其方法 | |
| Xu et al. | Global attention mechanism based deep learning for remaining useful life prediction of aero-engine | |
| Kim et al. | A convolutional transformer model for multivariate time series prediction | |
| CN117078007A (zh) | 一种融合尺度标签的多尺度风控系统及其方法 | |
| CN117289736A (zh) | 用于高温防腐储藏罐的温度控制方法及系统 | |
| CN117056902A (zh) | 物联网密码管理方法及系统 | |
| Wang et al. | Predict industrial equipment failure with time windows and transfer learning |
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 |