CN117036033A - 事件预测模型的训练方法及装置 - Google Patents

事件预测模型的训练方法及装置 Download PDF

Info

Publication number
CN117036033A
CN117036033A CN202311076922.6A CN202311076922A CN117036033A CN 117036033 A CN117036033 A CN 117036033A CN 202311076922 A CN202311076922 A CN 202311076922A CN 117036033 A CN117036033 A CN 117036033A
Authority
CN
China
Prior art keywords
event
attribute
feature
code
prediction model
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
CN202311076922.6A
Other languages
English (en)
Inventor
杨阳
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 CN202311076922.6A priority Critical patent/CN117036033A/zh
Publication of CN117036033A publication Critical patent/CN117036033A/zh
Pending legal-status Critical Current

Links

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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Technology Law (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书实施例提供了事件预测模型的训练方法及装置，其中，一种事件预测模型的训练方法包括：通过事件预测模型的特征处理网络基于第一属性编码进行事件特征融合以及事件特征转换，获得融合事件特征，通过事件预测模型的特征分割网络基于融合事件特征进行特征分割处理，获得各事件属性的属性特征，借助各事件属性的属性特征和下一操作事件的各事件属性的第二属性编码计算训练损失，并根据训练损失对事件预测模型进行参数调整，也即对事件预测模型中的特征处理网络和特征分割网络进行参数调整。

Description

事件预测模型的训练方法及装置
技术领域
本文件涉及数据处理技术领域，尤其涉及一种事件预测模型的训练方法及装置。
背景技术
随着互联网技术的不断发展，互联网在用户的工作、生活中得到广泛地应用，用户可以通过互联网提供的各种服务处理各种事务，比如交易服务的发展越来越迅速；随着交易服务的交易类型等方面越来越复杂，交易服务中存在的风险也越来越大，而交易服务中存在的风险可能导致交易失败，或者交易成本增加，同时用户对自己的隐私数据越来越关注，在此过程中，越来越多样化的风险逐渐成为服务方面临的挑战。
发明内容
本说明书一个或多个实施例提供了一种事件预测模型的训练方法，所述方法包括：获取事件预测模型的训练数据。所述训练数据包括操作事件序列中各操作事件的事件属性的第一属性编码。将所述第一属性编码输入所述事件预测模型中的特征处理网络进行事件特征融合以及事件特征转换，获得融合事件特征。将所述融合事件特征输入所述事件预测模型中的特征分割网络进行特征分割处理，获得各事件属性的属性特征。基于所述属性特征和下一操作事件的事件属性的第二属性编码计算训练损失，并基于所述训练损失对所述事件预测模型进行参数调整。
本说明书一个或多个实施例提供了一种风险识别处理方法，所述方法包括：获取历史操作事件的事件属性的第一属性数据和用户操作事件的事件属性的第二属性数据。基于所述第一属性数据进行编码处理获得第一编码，以及基于所述第二属性数据进行编码处理获得第二编码。将所述第一编码和所述第二编码输入事件预测模型进行特征融合以及特征转换，获得目标融合事件特征。将所述目标融合事件特征输入风险识别模型进行风险识别，获得所述用户操作事件的风险识别结果。其中，所述事件预测模型，在根据基于各事件属性的属性特征和下一操作事件的事件属性的第二属性编码计算获得的训练损失进行模型参数调整后获得。所述属性特征，在基于操作事件序列中各操作事件的事件属性的第一属性编码进行事件特征融合、事件特征转换以及特征分割处理后获得。
本说明书一个或多个实施例提供了一种事件预测模型的训练装置，所述装置包括：数据获取模块，被配置为获取事件预测模型的训练数据；所述训练数据包括操作事件序列中各操作事件的事件属性的第一属性编码。特征转换模块，被配置为将所述第一属性编码输入所述事件预测模型中的特征处理网络进行事件特征融合以及事件特征转换，获得融合事件特征。特征分割模块，被配置为将所述融合事件特征输入所述事件预测模型中的特征分割网络进行特征分割处理，获得各事件属性的属性特征。参数调整模块，被配置为基于所述属性特征和下一操作事件的事件属性的第二属性编码计算训练损失，并基于所述训练损失对所述事件预测模型进行参数调整。
本说明书一个或多个实施例提供了一种风险识别处理装置，所述装置包括：属性数据获取模块，被配置为获取历史操作事件的事件属性的第一属性数据和用户操作事件的事件属性的第二属性数据。编码处理模块，被配置为基于所述第一属性数据进行编码处理获得第一编码，以及基于所述第二属性数据进行编码处理获得第二编码。特征融合模块，被配置为将所述第一编码和所述第二编码输入事件预测模型进行特征融合以及特征转换，获得目标融合事件特征。风险识别模块，被配置为将所述目标融合事件特征输入风险识别模型进行风险识别，获得所述用户操作事件的风险识别结果。其中，所述事件预测模型，在根据基于各事件属性的属性特征和下一操作事件的事件属性的第二属性编码计算获得的训练损失进行模型参数调整后获得；所述属性特征，在基于操作事件序列中各操作事件的事件属性的第一属性编码进行事件特征融合、事件特征转换以及特征分割处理后获得。
本说明书一个或多个实施例提供了一种事件预测模型的训练设备，所述设备包括：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：获取事件预测模型的训练数据。所述训练数据包括操作事件序列中各操作事件的事件属性的第一属性编码。将所述第一属性编码输入所述事件预测模型中的特征处理网络进行事件特征融合以及事件特征转换，获得融合事件特征。将所述融合事件特征输入所述事件预测模型中的特征分割网络进行特征分割处理，获得各事件属性的属性特征。基于所述属性特征和下一操作事件的事件属性的第二属性编码计算训练损失，并基于所述训练损失对所述事件预测模型进行参数调整。
本说明书一个或多个实施例提供了一种风险识别处理设备，所述设备包括：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：获取历史操作事件的事件属性的第一属性数据和用户操作事件的事件属性的第二属性数据。基于所述第一属性数据进行编码处理获得第一编码，以及基于所述第二属性数据进行编码处理获得第二编码。将所述第一编码和所述第二编码输入事件预测模型进行特征融合以及特征转换，获得目标融合事件特征。将所述目标融合事件特征输入风险识别模型进行风险识别，获得所述用户操作事件的风险识别结果。其中，所述事件预测模型，在根据基于各事件属性的属性特征和下一操作事件的事件属性的第二属性编码计算获得的训练损失进行模型参数调整后获得。所述属性特征，在基于操作事件序列中各操作事件的事件属性的第一属性编码进行事件特征融合、事件特征转换以及特征分割处理后获得。
本说明书一个或多个实施例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，所述计算机可执行指令在被处理器执行时实现以下流程：获取事件预测模型的训练数据。所述训练数据包括操作事件序列中各操作事件的事件属性的第一属性编码。将所述第一属性编码输入所述事件预测模型中的特征处理网络进行事件特征融合以及事件特征转换，获得融合事件特征。将所述融合事件特征输入所述事件预测模型中的特征分割网络进行特征分割处理，获得各事件属性的属性特征。基于所述属性特征和下一操作事件的事件属性的第二属性编码计算训练损失，并基于所述训练损失对所述事件预测模型进行参数调整。
本说明书一个或多个实施例提供了另一种存储介质，所述存储介质用于存储计算机可执行指令，所述计算机可执行指令在被处理器执行时实现以下流程：获取历史操作事件的事件属性的第一属性数据和用户操作事件的事件属性的第二属性数据。基于所述第一属性数据进行编码处理获得第一编码，以及基于所述第二属性数据进行编码处理获得第二编码。将所述第一编码和所述第二编码输入事件预测模型进行特征融合以及特征转换，获得目标融合事件特征。将所述目标融合事件特征输入风险识别模型进行风险识别，获得所述用户操作事件的风险识别结果。其中，所述事件预测模型，在根据基于各事件属性的属性特征和下一操作事件的事件属性的第二属性编码计算获得的训练损失进行模型参数调整后获得。所述属性特征，在基于操作事件序列中各操作事件的事件属性的第一属性编码进行事件特征融合、事件特征转换以及特征分割处理后获得。
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事件预测模型的训练方法实施环境的示意图；
图2为本说明书一个或多个实施例提供的一种事件预测模型的训练方法处理流程图；
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事件场景的事件预测模型的训练方法处理流程图；
图4为本说明书一个或多个实施例提供的一种风险识别处理方法处理流程图；
图5为本说明书一个或多个实施例提供的一种应用于交易事件场景的风险识别处理方法处理流程图；
图6为本说明书一个或多个实施例提供的一种事件预测模型的训练装置实施例的示意图；
图7为本说明书一个或多个实施例提供的一种风险识别处理装置实施例的示意图；
图8为本说明书一个或多个实施例提供的一种事件预测模型的训练设备的结构示意图；
图9为本说明书一个或多个实施例提供的一种风险识别处理设备的结构示意图。
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。
参照图1，本说明书一个或多个实施例提供的事件预测模型的训练方法实施环境的示意图。
本说明书一个或多个实施例提供的事件预测模型的训练方法，可适用于对事件预测模型进行模型训练这一实施环境，该实施环境至少包括进行事件预测模型的模型训练的服务器101。
其中，服务器101可以对应一台服务器，或者对应若干台服务器组成的服务器集群，或者对应云计算平台中的一个或者多个云服务器，用于对事件预测模型进行模型训练。
在服务器101上可对事件预测模型进行模型训练，而事件预测模型可包括特征处理网络和特征分割网络，也即服务器101在训练事件预测模型的过程中，对特征处理网络和特征分割网络进行网络训练。
该实施环境中，服务器101可获取事件预测模型的训练数据，训练数据包括操作事件序列中各操作事件的事件属性的第一属性编码，通过事件预测模型的特征处理网络基于第一属性编码进行事件特征融合以及事件特征转换，获得融合事件特征，通过事件预测模型的特征分割网络基于融合事件特征进行特征分割处理，获得各事件属性的属性特征，借助各事件属性的属性特征和下一操作事件的各事件属性的第二属性编码计算训练损失，并根据训练损失对事件预测模型进行参数调整，也即对事件预测模型中的特征处理网络和特征分割网络进行参数调整，以得到训练后的事件预测模型，以此，在事件预测模型的训练过程中，实现对各事件属性的单独学习，防止事件预测模型只选择简单的能力进行学习，提升事件预测模型的训练效果和风险识别能力，对各事件属性进行编码，在保留有效信息的同时，避免训练数据的数据量过大，提升模型训练的便捷性和效率。
本说明书提供的一种事件预测模型的训练方法的一个或多个实施例如下：
参照图2，本实施例提供的事件预测模型的训练方法，具体包括步骤S202至步骤S208。
步骤S202，获取事件预测模型的训练数据。
具体实施时，服务器可获取事件预测模型的训练数据；可选的，所述训练数据包括操作事件序列中各操作事件的事件属性的第一属性编码。
本实施例所述操作事件序列是指按照事件发生顺序排列的一个或者多个历史操作事件；所述各操作事件中的任意一个操作事件，是指用户的操作行为所产生的事件；比如操作事件可以是交易事件、账户登录事件，此外，操作事件还可以是其他类型的事件；交易事件可以是转账事件、线上支付事件、发送红包事件、扫码支付事件，此外，交易事件还可以是其他类型的交易事件。
本实施例中的操作事件的事件属性，包括类别属性、数值属性和/或标识属性；此外，操作事件的事件属性还可包括其他类型的事件属性；所述类别属性是指与操作事件的操作类别相关的属性，比如类别属性可以是用户身份属性、操作事件的操作地区、支付渠道；所述数值属性是指与操作事件的操作数值相关的属性，比如数值属性可以是交易金额、成长时间、操作时间；所述标识属性是指与操作事件的操作标识相关的属性，比如标识属性可以是用户账号、操作事件的操作设备标识、交易标识。需要说明的是，上述对操作事件的事件属性、各事件属性(类别属性、数值属性和/或标识属性)的说明仅仅是示意性的，操作事件的事件属性，以及各事件属性还可以包括其他类型的属性。
所述事件属性的第一属性编码，是指对各操作事件的事件属性进行编码处理得到的各操作事件的事件属性的属性编码；比如对某个操作事件的类别属性进行编码处理得到的类别属性的编码为1。所述第一属性编码可以为第一属性整数编码，即编码的形式可为整数编码。
实际应用中，每个操作事件的各事件属性的属性数据基本不同，所以为了避免直接将每个操作事件的各事件属性的属性数据拼接在一起导致数据量过大，可对每个操作事件的事件属性的属性数据进行编码处理，通过各操作事件的事件属性的第一属性编码进行特征拼接，降低数据量；如上所述，本实施例中的操作事件的事件属性，包括类别属性、数值属性和/或标识属性；可选的，所述各操作事件的事件属性包括类别属性；本实施例提供的第一种可选实施方式中，所述事件属性的第一属性编码，通过如下方式获得：
基于所述各操作事件的类别属性的属性数据构建编码映射表，并在所述编码映射表中查找所述属性数据对应的类别属性编码。
此处的事件属性的第一属性编码即类别属性的类别属性编码。
例如，类别属性为操作城市，操作事件序列中操作事件e1的类别属性的属性数据为a城市，操作事件序列中操作事件e2的类别属性的属性数据为b城市，操作事件序列中操作事件e3的类别属性的属性数据为b城市，基于各操作事件的类别属性的属性数据构建编码映射表为{a城市：0；b城市：1；未知：2}，即类别属性的属性数据为a城市的情况下，类别属性编码为0；类别属性的属性数据为b城市的情况下，类别属性编码为1；类别属性的属性数据未知的情况下，类别属性编码为2；在构建获得编码映射表后，在编码映射表中查找各操作事件的类别属性的属性数据对应的类别属性编码，即操作事件e1的类别属性的属性数据对应的类别属性编码为0，操作事件e2的类别属性的属性数据对应的类别属性编码为1，操作事件e3的类别属性的属性数据对应的类别属性编码为1。
可选的，所述各操作事件的事件属性包括数值属性；本实施例提供的第二种可选实施方式中，所述事件属性的第一属性编码，通过如下方式获得：
基于所述各操作事件的数值属性的属性数据确定编码分割点，并根据所述编码分割点生成编码区间；
根据所述编码区间与所述数值属性的属性数据的匹配结果，确定所述数值属性的数值属性编码。
其中，所述编码分割点，包括用于进行编码区域划分的分割点，比如2、4、6；所述编码区间，是指用于进行编码的数值区间，比如(-inf,2)，[2,4)，[4,+inf)。
具体的，在基于所述各操作事件的数值属性的属性数据确定编码分割点的过程中，可基于各操作事件的数值属性的属性数据进行分箱处理或者分桶处理，获得编码分割点。
在根据编码分割点生成编码区间的过程中，可将编码分割点作为区间端点，基于区间端点构建编码区间；在根据编码区间和各操作事件的数值属性的属性数据的匹配结果，确定数值属性的数值属性编码的过程中，可确定每个操作事件的数值属性的属性数据在编码区间中所处的目标编码区间，将目标编码区间对应的编码作为每个操作事件的数值属性的数值属性编码。
例如，操作事件e1的数值属性的属性数据为3.4，操作事件e2的数值属性的属性数据为5.6，操作事件e3的数值属性的属性数据为1.7，基于所有的操作事件-操作事件e1、操作事件e2和操作事件e3的数值属性的属性数据确定编码分割点为2、4，并根据编码分割点生成编码区间为(-inf,2)，[2,4)，[4,+inf)，确定操作事件e1的数值属性的属性数据3.4在编码区间中所处的目标编码区间为[2,4)，将[2,4)对应的编码1作为操作事件e1的数值属性的数值属性编码，确定操作事件e2的数值属性的属性数据5.6在编码区间中所处的目标编码区间为[4,+inf)，将[4,+inf)对应的编码2作为操作事件e2的数值属性的数值属性编码，确定操作事件e3的数值属性的属性数据1.7在编码区间中所处的目标编码区间为(-inf,2)，将(-inf,2)对应的编码0作为操作事件e3的数值属性的数值属性编码。
此外，可选的，所述各操作事件的事件属性包括标识属性；本实施例提供的一种可选实施方式中，所述各操作事件的事件属性的第一属性编码，通过如下方式获得：
确定所述操作事件序列的标识属性的属性数据中目标属性数据的数目；
根据所述数目生成所述各操作事件的标识属性对应的标识属性编码。
其中，所述目标属性数据包括操作事件序列的标识属性的属性数据中各不相同的属性数据。所述操作事件序列的标识属性的属性数据，包括操作事件序列中所有操作事件的标识属性的属性数据。例如，操作事件e1的标识属性的属性数据为mer1，操作事件e2的标识属性的属性数据为mer1，操作事件e3的标识属性的属性数据为mer2，由于操作事件序列的标识属性的属性数据中目标属性数据为mer1和mer2，所以确定操作事件序列的标识属性的属性数据中目标属性数据的数目为2。
为了提升生成标识属性编码的灵活性和便捷性，本实施例提供的一种可选实施方式中，在根据目标属性数据的数目生成各操作事件的标识属性的标识属性编码的过程中，执行如下操作：
根据所述数目随机生成标识编码映射表，在所述标识编码映射表中查找所述各操作事件的标识属性的属性数据对应的标识属性编码；
或者，
确定所述数目对应的标识属性的属性数据的出现次数，并基于所述出现次数生成所述各操作事件的标识属性的标识属性编码。
可选的，所述标识编码映射表中的标识编码的数目与所述目标属性数据的数目相同。
具体的，在确定所述数目对应的标识属性的属性数据的出现次数，并基于所述出现次数生成各操作事件的标识属性的标识属性编码的过程中，可确定所述数目对应的每个标识属性的属性数据的出现次数，基于出现次数生成标识编码映射表，在标识编码映射表中查找所述各操作事件的标识属性的属性数据对应的标识属性编码。
在基于出现次数生成标识编码映射表的过程中，可按照出现次数由高到底的顺序，向出现次数对应的属性数据分配对应的编码，并基于分配的编码构建标识编码映射表。
例如，在第一种根据所述数目生成各操作事件的标识属性的标识属性编码的过程中，可基于目标属性数据的数目2生成标识编码映射表为{mer1：0；mer2：1}或者{mer1：1；mer2：0}，此外还可生成其他形式的标识编码映射表，标识编码映射表代表的含义与上述例子中的编码映射表代表的含义类似，此处不再赘述；比如在标识编码映射表{mer1：0；mer2：1}中查找操作事件e1的标识属性的属性数据mer1对应的标识属性编码为0，在标识编码映射表中查找操作事件e2的标识属性的属性数据mer1对应的标识属性编码为0，在标识编码映射表中查找操作事件e3的标识属性的属性数据mer2对应的标识属性编码为1；
在第二种根据所述数目生成各操作事件的标识属性的标识属性编码的过程中，可确定目标属性数据的数目2对应的标识属性的属性数据mer1和mer2的出现次数分别为2和1，由于属性数据mer1比属性数据mer2的出现次数高，所以确定属性数据mer1对应的标识属性编码为0，确定属性数据mer2对应的标识属性编码为1，生成标识编码映射表为{mer1：0；mer2：1}，在标识编码映射表中查找操作事件e1、e2、e3的标识属性的标识属性编码分别为0、0、1。
此外，所述操作事件序列中各操作事件的事件属性可包括类别属性、数值属性和/或标识属性，在此情况下，所述事件属性的第一属性编码，可通过如下方式获得：
基于所述各操作事件的类别属性的属性数据构建编码映射表，并在所述编码映射表中查找所述属性数据对应的类别属性编码；
和/或，
基于所述各操作事件的数值属性的属性数据确定编码分割点，并根据所述编码分割点生成编码区间；
根据所述编码区间与所述数值属性的属性数据的匹配结果，确定所述数值属性的数值属性编码；
和/或，
确定所述操作事件序列的标识属性的属性数据中目标属性数据的数目，并根据所述数目生成所述各操作事件的标识属性的标识属性编码。
此处各操作事件的类别属性编码、数值属性编码和/或标识属性编码可作为第一属性编码；此外，在获得各操作事件的类别属性编码、数值属性编码和/或标识属性编码的基础上，为了避免操作事件序列的类别属性编码、数值属性编码和/或标识属性编码之间存在重复编码，导致模型训练的精确度降低；针对于此，本实施例提供的一种可选实施方式中，可对操作事件序列中各操作事件的事件属性的属性编码进行更新处理，将更新处理后的属性编码作为各操作事件的事件属性的第一属性编码，具体的，可对操作事件序列中各操作事件的类别属性编码、数值属性编码和/或标识属性编码进行更新处理，将更新处理后的类别属性编码、数值属性编码和/或标识属性编码作为各操作事件的事件属性的第一属性编码。
除此之外，所述操作事件序列中各操作事件的事件属性的第一属性编码，还可通过如下方式获得：基于操作事件序列中各操作事件的事件属性的属性数据，对各操作事件的事件属性进行编码处理，获得第一属性编码；也可通过如下方式获得：基于操作事件序列中各操作事件的事件属性的属性数据进行编码处理，获得各操作事件的事件属性的第一候选属性编码；对第一候选属性编码进行更新处理，获得所述第二属性编码。
具体在对第一候选属性编码进行更新处理，获得所述第二属性编码的过程中，可执行如下操作：
检测所述第一候选属性编码中针对各事件属性是否存在交集编码；
若存在，确定各事件属性的更新参数，并基于所述更新参数对第一候选属性编码进行更新处理，获得所述第二属性编码；
若不存在，将所述第一候选属性编码作为所述第二属性编码。
其中，所述更新参数包括加和参数；在基于所述更新参数对第一候选属性编码进行更新处理的过程中，可将加和参数和各事件属性的第一候选属性编码进行加和，获得各操作事件的事件属性的第一属性编码。所述交集编码包括每个事件属性的第一候选属性编码中存在的相关或者重叠的属性编码。
具体的，第一事件属性的加和参数可以为0，第一事件属性的加和参数可以是m1，第一事件属性的加和参数可以是m2；m1可以是第二事件属性的属性编码中排序位次处于预设位次之前的编码，m2可以是m1与第三事件属性的属性编码中排序位次处于预设位次之前的编码之和，此外，m1也可以是第一事件属性的属性编码中排序位次处于预设位次之前的编码，m2可以是m1与第二事件属性的属性编码中处于预设位次之前的编码之和。
例如，类别属性的第一候选属性编码分别为0、1、1，数值属性的第一候选属性编码分别为1、2、0，标识属性的第一候选属性编码分别为0、0、1，类别属性的第一候选属性编码与数值属性的第一候选属性编码之间存在交集编码1和0，则确定类别属性的加和参数为0，则将0分别与类别属性的第一候选属性编码进行加和，获得类别属性的第一属性编码分别为0、1、1，确定数值属性的加和参数为2，则将2分别与数值属性的第一候选属性编码进行加和，获得数值属性的第一属性编码分别为3、4、2，确定标识属性的加和参数为2+4＝6，将6分别与标识属性的第一候选属性编码进行加和，获得标识属性的第一属性编码分别为6、6、7。
步骤S204，将所述第一属性编码输入所述事件预测模型中的特征处理网络进行事件特征融合以及事件特征转换，获得融合事件特征。
上述获取事件预测模型的训练数据，训练数据包括操作事件序列中各操作事件的事件属性的第一属性编码，本步骤中，将各操作事件的事件属性的第一属性编码输入事件预测模型中的特征处理网络进行事件特征融合以及事件特征转换，获得融合事件特征。
本实施例所述特征处理网络包括特征融合网络和/或特征转换网络；所述特征融合网络用于进行事件特征融合；所述特征转换网络用于进行事件特征转换。在此情况下，可将第一属性编码输入事件预测模型中的特征融合网络进行事件特征融合，获得中间事件特征，并将中间事件特征输入事件预测模型中的特征转换网络进行事件特征转换，获得融合事件特征。
具体实施时，为了提升事件特征融合的有效性；本实施例提供的一种可选实施方式中，所述进行事件特征融合，包括：
生成初始化特征矩阵，并按照所述第一属性编码在所述初始化特征矩阵中查找对应的特征向量；可选的，所述初始化特征矩阵，基于所述第一属性编码的编码参数生成；
将查找到的各操作事件的事件属性的特征向量进行特征拼接，获得中间事件特征。
可选的，所述第一属性编码的编码参数，包括各事件属性的编码数目之和；所述编码数目包括各事件属性可能的编码的数目，即针对每个事件属性而言，属性编码中各不相同的编码的数目，每个事件属性的编码数目之和即是第一属性编码的编码参数。可选的，所述初始化特征矩阵的行数等于所述各事件属性的编码数目之和；沿用上例，类别属性的第一属性编码分别为0、1、1，数值属性的第一属性编码分别为3、4、2，标识属性的第一属性编码分别为6、6、7，则类别属性的第一属性编码的编码参数为类别属性可能的编码数目2(各不相同的编码的数目)，数值属性的第一属性编码的编码参数为数值属性可能的编码数目3，标识属性的第一属性编码的编码参数为标识属性可能的编码数目2，则操作事件序列的第一属性编码的编码参数为2+3+2＝7。
本实施例提供的一种可选实施方式中，在上述按照第一属性编码在初始化特征矩阵中查找对应的特征向量的过程中，执行如下操作：
在所述初始化特征矩阵中查找所述第一属性编码对应的行向量作为所述特征向量。
本实施例提供的一种可选实施方式中，在将查找到的各操作事件的事件属性的特征向量进行特征拼接，获得第一事件特征的过程中，执行如下操作：
将查找到的各操作事件的事件属性的特征向量进行特征拼接，获得所述各操作事件的第一事件特征；
将所述各操作事件的第一事件特征进行特征拼接，获得所述中间事件特征。
具体的，可基于第一属性编码的编码参数随机生成初始化特征矩阵，在初始化特征矩阵中查找第一属性编码对应的行向量作为各事件属性的第一属性编码的特征向量，针对每个操作事件，将各事件属性的第一属性编码的特征向量进行特征拼接，获得各操作事件的第一事件特征，将各操作事件的第一事件特征进行特征拼接，获得中间事件特征。
其中，初始化特征矩阵可以是初始化embedding矩阵，在初始化embedding矩阵中查找第一属性编码对应的行向量作为各事件属性的第一属性编码的embedding向量，针对每个操作事件，将各事件属性的embedding向量进行向量拼接，获得各操作事件的第一embedding向量，将各操作事件的第一embedding向量进行特征拼接，获得中间embedding矩阵。
在进行事件特征融合的过程中，还可将各操作事件的事件属性的第一属性编码输入事件预测模型中的特征融合网络进行事件特征融合，获得中间事件特征。
在进行事件特征融合之后，为了获得中间事件特征中的关键信息，以此提升事件预测的针对性和有效性，还可对中间事件特征进行事件特征转换；本实施例提供的一种可选实施方式中，所述事件特征转换，包括：
将所述第一属性编码的编码参数和所述中间事件特征输入所述事件预测模型中的特征转换网络进行特征转换处理，获得所述融合事件特征；
可选的，所述融合事件特征的特征参数等于所述第一属性编码的编码参数。
可选的，所述融合事件特征的特征参数包括融合事件特征矩阵的列数(维度)。所述第一属性编码的编码参数用于对融合事件特征的特征维度进行约束。
此处的特征转换网络可以采用RNN、lstm、CNN或者Transformer结构。
在训练事件预测模型的过程中，可获得融合事件特征，为了进一步实现对操作事件的风险识别，可在融合事件特征的基础上，进行风险识别模型的模型训练，通过借助融合事件特征提升模型训练的便捷性和效率；本实施例提供的一种可选实施方式中，在将第一属性编码输入事件预测模型的特征处理网络进行事件特征融合以及事件特征转换，获得融合事件特征执行之后，还执行如下操作：
将所述融合事件特征输入风险识别模型进行风险识别，获得风险识别结果；
基于所述风险识别结果和预测操作事件的风险类型标签计算损失值，并基于所述损失值对所述风险识别模型进行参数调整。
其中，所述预测操作事件，是指预测获得的操作事件序列的下一操作事件；所述预测操作事件的风险类别标签，包括对预测操作事件的风险类别进行标记的标签，比如预测操作事件的风险类型标签包括风险存在标签和风险不存在标签。
步骤S206，将所述融合事件特征输入所述事件预测模型中的特征分割网络进行特征分割处理，获得各事件属性的属性特征。
上述将各操作事件的事件属性的第一属性编码输入事件预测模型中的特征处理网络进行事件特征融合以及事件特征转换，获得融合事件特征，本步骤中，将融合事件特征输入事件预测模型中的特征分割网络进行特征分割处理，获得各事件属性的属性特征，以此实现从事件特征角度到事件属性特征角度的转换。
本实施例所述各事件属性的属性特征，包括以事件属性为维度的属性特征，比如类型属性的属性特征、数值属性的属性特征和/或标识属性的属性特征。
具体实施时，为了提升模型训练过程中训练损失的计算便捷性，同时提升训练损失的计算准确度，可对融合事件特征进行特征分割，通过特征分割获得的各事件属性的属性特征计算训练损失，从细粒度计算训练损失；本实施例提供的一种可选实施方式中，所述进行特征分割处理，包括：
按照所述第一属性编码中各事件属性的属性编码的子编码参数，对所述融合事件特征进行特征分割，获得所述各事件属性的候选属性特征；
对所述候选属性特征进行归一化处理，获得所述各事件属性的属性特征。
可选的，所述第一属性编码中各事件属性的属性编码的子编码参数，包括针对每个事件属性而言，属性编码中各不相同的编码的数目；所述特征参数包括特征维度和特征行数。比如类别属性的第一属性编码分别为0、1、1，数值属性的第一属性编码分别为3、4、2，标识属性的第一属性编码分别为6、6、7，则类别属性的第一属性编码的编码参数为类别属性可能的编码数目2(各不相同的编码的数目)，数值属性的第一属性编码的编码参数为数值属性可能的编码数目3，标识属性的第一属性编码的编码参数为标识属性可能的编码数目2。
例如，按照第一属性编码中各事件属性的属性编码的子编码参数，对融合事件特征进行特征分割，获得各事件属性的候选属性特征为n1、n2、n3，对候选属性特征进行归一化处理，获得各事件属性的属性特征为p1、p2、p3；可选的，各事件属性的候选属性特征的特征参数对应于第一属性编码中各事件属性的属性编码的子编码参数，可与子编码参数相同。特征参数可以是特征维度。
步骤S208，基于所述属性特征和下一操作事件的事件属性的第二属性编码计算训练损失，并基于所述训练损失对所述事件预测模型进行参数调整。
上述对融合事件特征进行特征分割处理，获得各事件属性的属性特征，本步骤中，基于各事件属性的属性特征和下一操作事件的事件属性的第二属性编码计算训练损失，并借助训练损失对事件预测模型进行参数调整。
本实施例所述下一操作事件，是指真实的操作事件序列的下一个操作事件。
本实施例提供的一种可选实施方式中，所述第二属性编码，通过如下方式获得：
基于所述下一操作事件的各事件属性的属性数据进行编码处理，获得所述下一操作事件的各事件属性的属性编码；
对所述下一操作事件的各事件属性的属性编码进行更新处理，获得所述第二属性编码。
其中，所述下一操作事件的各事件属性包括类型属性、数值属性和/或标识属性；下一操作事件的类型属性的类型属性编码、数值属性的数值属性编码和/或标识属性的标识属性编码的获得方式与上述第一属性编码的获得过程类似，阅读此处参照上述相关内容即可。
具体的，可基于操作事件序列的下一操作事件的各事件属性的属性数据，对各事件属性进行编码处理获得下一操作事件的各事件属性的属性编码，并对下一操作事件的各事件属性的属性编码进行更新处理，获得第二属性编码。
本实施例提供的一种可选实施方式中，在上述对所述各事件属性的属性编码进行更新处理，获得所述第二属性编码的过程中，执行如下操作：
检测所述下一操作事件的各事件属性的属性编码之间是否存在交集编码；
若存在，确定所述下一操作事件的各事件属性的更新参数，并基于所述更新参数对下一操作事件的各事件属性的属性编码进行更新处理，获得所述第二属性编码；
若不存在，将所述下一操作事件的各事件属性的属性编码作为所述第二属性编码。
其中，所述交集编码是指下一操作事件的每个事件属性的属性编码中存在的相交或者重叠的编码，比如下一操作事件的类别属性编码为1，数值属性编码为1，标识属性编码为2，则下一操作事件的属性编码中存在交集编码1。
具体实施时，在基于所述属性特征和下一操作事件的事件属性的第二属性编码计算训练损失，并基于所述训练损失对所述事件预测模型进行参数调的过程中，可根据每个事件属性的属性特征与下一操作事件的对应事件属性的第二属性编码计算每个事件属性的损失值，根据每个事件属性的损失值计算训练损失，并基于训练损失对事件预测模型进行参数调整；具体的，可计算每个事件属性的损失值之和作为训练损失。
此外，在基于所述属性特征和下一操作事件的事件属性的第二属性编码计算训练损失的过程中，也可根据每个事件属性的属性特征与下一操作事件的对应事件属性的第二属性编码计算每个事件属性的交叉熵，并计算每个事件属性的交叉熵之和作为训练损失。
在具体的执行过程中，在各事件属性的属性特征和下一操作事件的各事件属性的第二属性编码的基础上，计算训练损失，并基于训练损失对事件预测模型进行参数调整；参照上述模型训练过程，重复执行上述步骤S202至步骤S208中的模型训练的过程，直至事件预测模型收敛，获得最终的事件预测模型。
在训练获得事件预测模型和风险识别模型的基础上，为了提升实际场景中风险识别的准确性，可对事件预测模型和风险识别模型结合使用，提升风险识别的高效性；本实施例提供的一种可选实施方式中，还执行如下操作：
将历史操作事件的第一编码和用户操作事件的第二编码输入事件预测模型进行特征融合以及特征转换，获得目标融合事件特征；
将所述目标融合事件特征输入风险识别模型进行风险识别，获得所述用户操作事件的风险类型。
此处的事件预测模型可以是训练后的事件预测模型，风险识别模型可以是训练后的风险识别模型。
其中，所述历史操作事件是用户的历史操作事件，历史操作事件可以是一个或者多个；所述用户操作事件可以是实时发生的用户操作事件。所述历史操作事件的第一编码包括历史操作事件的类别属性的第一类别编码、数值属性的第一数值编码和/或标识属性的第一标识属编码；所述用户操作事件的第二编码包括用户操作事件的类别属性的第二类别编码、数值属性的第二数值编码和/或标识属性的第二标识编码。
具体的，可获取历史操作事件的事件属性的第一属性数据和用户操作事件的事件属性的第二属性数据；基于所述第一属性数据进行编码处理获得第一编码，以及基于所述第二属性数据进行编码处理获得第二编码；将所述第一编码和所述第二编码输入事件预测模型进行特征融合以及特征转换，获得目标融合事件特征；将所述目标融合事件特征输入风险识别模型进行风险识别，获得所述用户操作事件的风险识别结果。
此处的进行特征融合，可包括：生成基准特征矩阵，并按照所述第一编码和所述第二编码在所述基准特征矩阵中查找对应的特征向量；可选的，所述基准特征矩阵，基于所述第一编码和所述第二编码的编码参数生成；分别将查找到的历史操作事件和用户操作事件的事件属性的特征向量进行特征拼接，获得拼接事件特征。在分别将查找到的历史操作事件和用户操作事件的事件属性的特征向量进行特征拼接，获得拼接事件特征的过程中，可分别将历史操作事件的各事件属性的特征向量进行特征拼接，获得历史操作事件的候选特征，以及将用户操作事件的各事件属性的特征向量进行特征拼接，获得用户操作事件的候选特征，将历史操作事件的候选特征和用户操作事件的候选特征进行特征拼接，获得拼接事件特征。
此外，在上述进行特征融合的过程中，也可基于第一编码的编码参数生成第一基准特征矩阵，并基于第二编码的编码参数生成第二基准特征矩阵；按照第一编码在第一基准特征矩阵中查找对应的特征向量，获得第一编码对应的各事件属性的属性特征，以及按照第二编码在第二基准特征矩阵中查找对应的特征向量，获得第二编码对应的各事件属性的属性特征；将第一编码对应的各事件属性的属性特征进行特征拼接获得历史操作事件的候选特征，以及将第二编码对应的各事件属性的属性特征进行特征拼接获得用户操作事件的候选特征；将历史操作事件的候选特征和用户操作事件的候选特征进行特征拼接或者特征融合，获得拼接事件特征。
此处的特征转换包括：将所述第一编码和第二编码的编码参数和拼接事件特征输入事件预测模型中的特征转换网络进行特征转换，获得目标融合事件特征；所述目标融合事件特征的特征参数等于所述第一编码和第二编码的编码参数。所述风险类型包括风险存在类型和/或风险不存在类型。需要说明的是，此处的特征融合、特征转换与事件预测模型的模型训练过程中的事件特征融合和事件特征转换的处理过程类似，此处不再赘述。
综上所述，本实施例提供的事件预测模型的训练方法，首先，获取事件预测模型的训练数据，训练数据包括操作事件序列中各操作事件的事件属性的第一属性编码；将第一属性编码输入事件预测模型中的特征融合网络进行事件特征融合，获得中间事件特征，将中间事件特征输入事件预测模型中的特征转换网络进行事件特征转换，获得融合事件特征，其次，将融合事件特征输入事件预测模型中的特征分割网络进行特征分割处理，获得各事件属性的属性特征，最后，基于各事件属性的属性特征和下一操作事件的事件属性的第二属性编码计算训练损失，并基于训练损失对事件预测模型进行参数调整，以此，在事件预测模型的训练过程中，实现对各事件属性的单独学习，防止事件预测模型只选择简单的能力进行学习，提升事件预测模型的训练效果和风险识别能力，对各事件属性进行编码，在保留有效信息的同时，避免训练数据的数据量过大，提升模型训练的便捷性和效率。
下述以本实施例提供的一种事件预测模型的训练方法在交易事件场景的应用为例，对本实施例提供的事件预测模型的训练方法进行进一步说明，参见图3，应用于交易事件场景的事件预测模型的训练方法，具体包括如下步骤。
步骤S302，获取事件预测模型的训练数据。
其中，训练数据包括交易事件序列中各交易事件的事件属性的第一属性编码。
步骤S304，将第一属性编码输入事件预测模型中的特征融合网络进行事件特征融合，获得中间事件特征。
可选的，事件特征融合包括：生成初始化特征矩阵，并按照第一属性编码在初始化特征矩阵中查找对应的特征向量；将查找到的各交易事件的事件属性的特征向量进行特征拼接，获得中间事件特征。
步骤S306，将中间事件特征输入事件预测模型中的特征转换网络进行事件特征转换，获得融合事件特征。
步骤S308，将融合事件特征输入事件预测模型中的特征分割网络进行特征分割处理，获得各事件属性的属性特征。
可选的，特征分割处理包括：按照各事件属性的编码参数对融合事件特征进行特征分割，获得各事件属性的候选属性特征；对候选属性特征进行归一化处理，获得各事件属性的属性特征。
步骤S310，基于属性特征和下一操作事件的各事件属性的第二属性编码计算训练损失，并基于训练损失对事件预测模型进行参数调整。
本说明书提供的一种风险识别处理方法的一个或多个实施例如下：
参照图4，本实施例提供的风险识别处理方法，具体包括步骤S402至步骤S408。
需要说明的是，本实施例提供的风险识别处理方法中的事件预测模型和风险识别模型的训练方法以及步骤S402至步骤S408中的模型应用过程均在上述实施例提供的事件预测模型的训练方法中有涉及，因此阅读本实施例，还可参照上述实施例中的相关内容。
步骤S402，获取历史操作事件的事件属性的第一属性数据和用户操作事件的事件属性的第二属性数据。
本实施例所述历史操作事件是指用户在历史所操作的事件；所述历史操作事件可以是一个或者多个；所述用户操作事件包括实时发生的所述用户的操作事件；所述历史操作事件与所述用户操作事件可以是同一类型的操作事件，也可以是不同类型的操作事件。比如历史操作事件为交易事件，用户操作事件也为交易事件；再比如历史操作事件为交易事件，用户操作事件为账户登录事件。
例如，历史操作事件可以是历史交易事件、历史账户登录事件，此外，历史操作事件还可以是其他类型的事件；历史交易事件可以是转账事件、线上支付事件、发送红包事件、扫码支付事件，此外，历史交易事件还可以是其他类型的交易事件。用户操作事件也可以是用户交易事件、账户登录事件，此外，用户操作事件还可以是其他类型的事件；用户交易事件可以是转账事件、线上支付事件、发送红包事件、扫码支付事件，此外，用户交易事件还可以是其他类型的交易事件
所述历史操作事件的事件属性第一类别属性、数值属性和/或标识属性；所述用户操作事件的事件属性包括类别属性、数值属性和/或标识属性。此外，事件属性还可包括其他类型的事件属性；类别属性是指与操作事件的操作类别相关的属性，比如类别属性可以是用户身份属性、操作事件的操作地区、支付渠道；数值属性是指与操作事件的操作数值相关的属性，比如数值属性可以是交易金额、成长时间、操作时间；标识属性是指与操作事件的操作标识相关的属性，比如标识属性可以是用户账号、操作事件的操作设备标识、交易标识。需要说明的是，上述对操作事件的事件属性、各事件属性(类别属性、数值属性和/或标识属性)的说明仅仅是示意性的，操作事件的事件属性，以及各事件属性还可以包括其他类型的属性。
所述历史操作事件的事件属性的第一属性数据，是指与历史操作事件的事件属性相关的属性数据；比如历史操作事件中操作事件e1的类别属性的属性数据为a城市，历史操作事件中操作事件e2的类别属性的属性数据为b城市，历史操作事件中操作事件e3的类别属性的属性数据为b城市，操作事件e1的数值属性的属性数据为3.4，操作事件e2的数值属性的属性数据为5.6，操作事件e3的数值属性的属性数据为1.7，操作事件e1的标识属性的属性数据为mer1，操作事件e2的标识属性的属性数据为mer1，操作事件e3的标识属性的属性数据为mer2。
所述用户操作事件的事件属性的第二属性数据，是指与用户操作事件的事件属性相关的属性数据。比如用户操作事件的事件属性的第二属性数据分别为c城市、9.9、mer3。
步骤S404，基于所述第一属性数据进行编码处理获得第一编码，以及基于所述第二属性数据进行编码处理获得第二编码。
具体实施时，在基于第一属性数据进行编码处理获得第一编码的过程中，可执行如下操作：
基于所述第一属性数据中类别属性的属性数据构建编码映射表，并在构建获得的编码映射表中查找第一属性数据中类别属性的属性数据对应的类别属性编码；
和/或，
基于所述第一属性数据中数值属性的属性数据确定编码分割点，并根据确定的编码分割点生成编码区间；
根据编码区间与第一属性数据中数值属性的属性数据的匹配结果，确定第一属性数据中数值属性的属性数据对应的数值属性编码；
和/或，
确定第一属性数据中标识属性的属性数据中目标属性数据的数目，并根据确定的数目生成第一属性数据中标识属性的属性数据对应的标识属性编码。
为了提升生成标识属性编码的灵活性和便捷性，本实施例提供的一种可选实施方式中，在根据确定的数目生成第一属性数据中标识属性的属性数据对应的标识属性编码的过程中，执行如下操作：
根据确定的数目随机生成标识编码映射表，在标识编码映射表中查找第一属性数据中标识属性的属性数据对应的标识属性编码；可选的，标识编码映射表中的标识编码的数目与目标属性数据的数目相同；
或者，
统计确定的数目对应的标识属性的属性数据的出现次数，并基于出现次数生成第一属性数据中标识属性的属性数据对应的标识属性编码。
此外，在基于第一属性数据进行编码处理获得第一编码的过程中，还可执行如下操作：基于第一属性数据进行编码处理，获得历史操作事件的事件属性的第一候选编码；对第一候选编码进行更新处理，获得历史操作事件的事件属性的第一编码。
在对第一候选编码进行更新处理，获得历史操作事件的事件属性的第一编码的过程中，可执行如下操作：
检测第一候选编码中针对各事件属性是否存在交集编码；
若存在，确定各事件属性的更新参数，并基于更新参数对各事件属性的第一候选编码进行更新处理，获得第一编码；
若不存在，将第一候选编码作为第一编码。
需要说明的是，基于第二属性数据进行编码处理获得第二编码的处理过程与上述基于第一属性数据进行编码处理获得第一编码的处理过程类似，参照阅读即可，此处不再进行赘述。
步骤S406，将所述第一编码和所述第二编码输入事件预测模型进行特征融合以及特征转换，获得目标融合事件特征。
可选的，所述事件预测模型，在根据基于各事件属性的属性特征和下一操作事件的事件属性的第二属性编码计算获得的训练损失进行模型参数调整后获得；所述属性特征，在基于操作事件序列中各操作事件的事件属性的第一属性编码进行事件特征融合、事件特征转换以及特征分割处理后获得。
此处进行事件预测模型的模型训练过程中涉及的具体实现过程，比如事件特征融合、事件特征转换以及特征分割处理可参照上述实施例中的相关内容。
本实施例提供的一种可选实施方式中，所述进行特征融合，包括：
生成基准特征矩阵，并按照所述第一编码和所述第二编码在所述基准特征矩阵中查找对应的特征向量；可选的，所述基准特征矩阵，基于所述第一编码和所述第二编码的编码参数生成；
分别将查找到的历史操作事件和用户操作事件的事件属性的特征向量进行特征拼接，获得拼接事件特征。
可选的，所述第一编码和所述第二编码的编码参数，包括第一编码中各事件属性的属性编码的编码数目与第二编码中各事件属性的属性编码的编码数目；所述编码数目包括各事件属性可能的编码的数目，即各事件属性的属性编码中各不相同的编码的数目。所述初始化特征矩阵的行数等于所述第一编码和所述第二编码的编码参数之和；沿用上例，历史操作事件的类别属性的第一编码分别为0、1、1，数值属性的第一编码分别为3、4、2，标识属性的第一编码分别为6、6、7，则类别属性的第一编码的子编码参数为类别属性可能的编码数目2(各不相同的编码的数目)，数值属性的第一编码的子编码参数为数值属性可能的编码数目3，标识属性的第一编码的子编码参数为标识属性可能的编码数目2，则第一编码的编码参数为2+3+2＝7。
在分别将查找到的历史操作事件和用户操作事件的事件属性的特征向量进行特征拼接，获得拼接事件特征的过程中，可分别将历史操作事件的各事件属性的特征向量进行特征拼接，获得历史操作事件的候选特征，以及将用户操作事件的各事件属性的特征向量进行特征拼接，获得用户操作事件的候选特征，将历史操作事件的候选特征和用户操作事件的候选特征进行特征拼接，获得拼接事件特征。
此处的特征转换包括：将所述第一编码和第二编码的编码参数和拼接事件特征输入事件预测模型中的特征转换网络进行特征转换处理，获得目标融合事件特征；所述目标融合事件特征的特征参数等于所述第一编码和第二编码的编码参数之和。所述风险类型包括风险存在类型和/或风险不存在类型。需要说明的是，此处的特征融合、特征转换与事件预测模型的模型训练过程中的事件特征融合和事件特征转换的处理过程类似，此处不再赘述。
步骤S408，将所述目标融合事件特征输入风险识别模型进行风险识别，获得所述用户操作事件的风险识别结果。
上述将第一编码和第二编码输入事件预测模型进行特征融合以及特征转换，获得目标融合事件特征，本步骤中，将所述目标融合事件特征输入风险识别模型进行风险识别，获得所述用户操作事件的风险识别结果。
其中，所述风险识别结果包括风险类型；所述风险类型包括风险存在类型和/或风险不存在类型。
具体实施时，风险识别模型可基于目标融合事件特征计算风险类型概率；在风险类型概率大于预设概率阈值的情况下，确定用户操作事件的风险识别结果为第一风险类型(风险存在类型)；在风险类型概率小于等于预设概率阈值的情况下，确定用户操作事件的风险识别结果为第二风险类型(风险不存在类型)。
本实施例中的事件预测模型和风险识别模型的训练过程可参照上述实施例提供的相关内容，此处不再赘述。本实施例提供的步骤S402至步骤S408中的风险识别的处理过程也可参照上述实施例中的相关内容。
下述以本实施例提供的一种风险识别处理方法在交易事件场景的应用为例，对本实施例提供的风险识别处理方法进行进一步说明，参见图5，应用于交易事件场景的风险识别处理方法，具体包括如下步骤。
步骤S502，获取历史交易事件的事件属性的第一属性数据和用户交易事件的事件属性的第二属性数据。
步骤S504，基于第一属性数据进行编码处理获得第一编码，以及基于第二属性数据进行编码处理获得第二编码。
步骤S506，将第一编码和第二编码输入事件预测模型进行特征融合以及特征转换，获得目标融合事件特征。
步骤S508，将目标融合事件特征输入风险识别模型进行风险识别，获得用户交易事件的风险类型。
本说明书提供的一种事件预测模型的训练装置实施例如下：
在上述的实施例中，提供了一种事件预测模型的训练方法，与之相对应的，还提供了一种事件预测模型的训练装置，下面结合附图进行说明。
参照图6，其示出了本实施例提供的一种事件预测模型的训练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。
本实施例提供一种事件预测模型的训练装置，所述装置包括：
数据获取模块602，被配置为获取事件预测模型的训练数据；所述训练数据包括操作事件序列中各操作事件的事件属性的第一属性编码；
特征转换模块604，被配置为将所述第一属性编码输入所述事件预测模型中的特征处理网络进行事件特征融合以及事件特征转换，获得融合事件特征；
特征分割模块606，被配置为将所述融合事件特征输入所述事件预测模型中的特征分割网络进行特征分割处理，获得各事件属性的属性特征；
参数调整模块608，被配置为基于所述属性特征和下一操作事件的事件属性的第二属性编码计算训练损失，并基于所述训练损失对所述事件预测模型进行参数调整。
本说明书提供的一种风险识别处理装置实施例如下：
在上述的实施例中，提供了一种风险识别处理方法，与之相对应的，还提供了一种风险识别处理装置，下面结合附图进行说明。
参照图7，其示出了本实施例提供的一种风险识别处理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处理装置，所述装置包括：
属性数据获取模块702，被配置为获取历史操作事件的事件属性的第一属性数据和用户操作事件的事件属性的第二属性数据；
编码处理模块704，被配置为基于所述第一属性数据进行编码处理获得第一编码，以及基于所述第二属性数据进行编码处理获得第二编码；
特征融合模块706，被配置为将所述第一编码和所述第二编码输入事件预测模型进行特征融合以及特征转换，获得目标融合事件特征；
风险识别模块708，被配置为将所述目标融合事件特征输入风险识别模型进行风险识别，获得所述用户操作事件的风险识别结果；
其中，所述事件预测模型，在根据基于各事件属性的属性特征和下一操作事件的事件属性的第二属性编码计算获得的训练损失进行模型参数调整后获得；所述属性特征，在基于操作事件序列中各操作事件的事件属性的第一属性编码进行事件特征融合、事件特征转换以及特征分割处理后获得。
本说明书提供的一种事件预测模型的训练设备实施例如下：
对应上述描述的一种事件预测模型的训练方法，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事件预测模型的训练设备，该事件预测模型的训练设备用于执行上述提供的一种事件预测模型的训练方法，图8为本说明书一个或多个实施例提供的一种事件预测模型的训练设备的结构示意图。
本实施例提供的一种事件预测模型的训练设备，所述设备包括：
如图8所示，事件预测模型的训练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801和存储器802，存储器802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802可以是短暂存储或持久存储。存储在存储器802的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括事件预测模型的训练设备中的一系列计算机可执行指令。更进一步地，处理器801可以设置为与存储器802通信，在事件预测模型的训练设备上执行存储器802中的一系列计算机可执行指令。事件预测模型的训练设备还可以包括一个或一个以上电源803，一个或一个以上有线或无线网络接口804，一个或一个以上输入/输出接口805，一个或一个以上键盘806等。
在一个具体的实施例中，事件预测模型的训练设备包括有存储器，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事件预测模型的训练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：
获取事件预测模型的训练数据；所述训练数据包括操作事件序列中各操作事件的事件属性的第一属性编码；
将所述第一属性编码输入所述事件预测模型中的特征处理网络进行事件特征融合以及事件特征转换，获得融合事件特征；
将所述融合事件特征输入所述事件预测模型中的特征分割网络进行特征分割处理，获得各事件属性的属性特征；
基于所述属性特征和下一操作事件的事件属性的第二属性编码计算训练损失，并基于所述训练损失对所述事件预测模型进行参数调整。
本说明书提供的一种风险识别处理设备实施例如下：
对应上述描述的一种风险识别处理方法，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处理设备，该风险识别处理设备用于执行上述提供的一种风险识别处理方法，图9为本说明书一个或多个实施例提供的一种风险识别处理设备的结构示意图。
本实施例提供的一种风险识别处理设备，所述设备包括：
如图9所示，风险识别处理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901和存储器902，存储器902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902可以是短暂存储或持久存储。存储在存储器902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处理设备中的一系列计算机可执行指令。更进一步地，处理器901可以设置为与存储器902通信，在风险识别处理设备上执行存储器902中的一系列计算机可执行指令。风险识别处理设备还可以包括一个或一个以上电源903，一个或一个以上有线或无线网络接口904，一个或一个以上输入/输出接口905，一个或一个以上键盘906等。
在一个具体的实施例中，风险识别处理设备包括有存储器，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处理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：
获取历史操作事件的事件属性的第一属性数据和用户操作事件的事件属性的第二属性数据；
基于所述第一属性数据进行编码处理获得第一编码，以及基于所述第二属性数据进行编码处理获得第二编码；
将所述第一编码和所述第二编码输入事件预测模型进行特征融合以及特征转换，获得目标融合事件特征；
将所述目标融合事件特征输入风险识别模型进行风险识别，获得所述用户操作事件的风险识别结果；
其中，所述事件预测模型，在根据基于各事件属性的属性特征和下一操作事件的事件属性的第二属性编码计算获得的训练损失进行模型参数调整后获得；所述属性特征，在基于操作事件序列中各操作事件的事件属性的第一属性编码进行事件特征融合、事件特征转换以及特征分割处理后获得。
本说明书提供的一种存储介质实施例如下：
对应上述描述的一种事件预测模型的训练方法，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：
获取事件预测模型的训练数据；所述训练数据包括操作事件序列中各操作事件的事件属性的第一属性编码；
将所述第一属性编码输入所述事件预测模型中的特征处理网络进行事件特征融合以及事件特征转换，获得融合事件特征；
将所述融合事件特征输入所述事件预测模型中的特征分割网络进行特征分割处理，获得各事件属性的属性特征；
基于所述属性特征和下一操作事件的事件属性的第二属性编码计算训练损失，并基于所述训练损失对所述事件预测模型进行参数调整。
需要说明的是，本说明书中关于一种存储介质的实施例与本说明书中关于一种事件预测模型的训练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。
本说明书提供的另一种存储介质实施例如下：
对应上述描述的一种风险识别处理方法，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：
获取历史操作事件的事件属性的第一属性数据和用户操作事件的事件属性的第二属性数据；
基于所述第一属性数据进行编码处理获得第一编码，以及基于所述第二属性数据进行编码处理获得第二编码；
将所述第一编码和所述第二编码输入事件预测模型进行特征融合以及特征转换，获得目标融合事件特征；
将所述目标融合事件特征输入风险识别模型进行风险识别，获得所述用户操作事件的风险识别结果；
其中，所述事件预测模型，在根据基于各事件属性的属性特征和下一操作事件的事件属性的第二属性编码计算获得的训练损失进行模型参数调整后获得；所述属性特征，在基于操作事件序列中各操作事件的事件属性的第一属性编码进行事件特征融合、事件特征转换以及特征分割处理后获得。
需要说明的是，本说明书中关于一种存储介质的实施例与本说明书中关于一种风险识别处理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 (19)

1.一种事件预测模型的训练方法，所述方法包括：
获取事件预测模型的训练数据；所述训练数据包括操作事件序列中各操作事件的事件属性的第一属性编码；
将所述第一属性编码输入所述事件预测模型中的特征处理网络进行事件特征融合以及事件特征转换，获得融合事件特征；
将所述融合事件特征输入所述事件预测模型中的特征分割网络进行特征分割处理，获得各事件属性的属性特征；
基于所述属性特征和下一操作事件的事件属性的第二属性编码计算训练损失，并基于所述训练损失对所述事件预测模型进行参数调整。
2.根据权利要求1所述的方法，所述进行事件特征融合，包括：
生成初始化特征矩阵，并按照所述第一属性编码在所述初始化特征矩阵中查找对应的特征向量；所述初始化特征矩阵，基于所述第一属性编码的编码参数生成；
将查找到的各操作事件的事件属性的特征向量进行特征拼接，获得中间事件特征。
3.根据权利要求2所述的方法，所述按照所述第一属性编码在所述初始化特征矩阵中查找对应的特征向量，包括：
在所述初始化特征矩阵中查找所述第一属性编码对应的行向量作为所述特征向量；
相应的，所述将查找到的各操作事件的事件属性的特征向量进行特征拼接，获得中间事件特征，包括：
将查找到的各操作事件的事件属性的特征向量进行特征拼接，获得所述各操作事件的第一事件特征；
将所述各操作事件的第一事件特征进行特征拼接，获得所述中间事件特征。
4.根据权利要求2所述的方法，所述事件特征转换，包括：
将所述第一属性编码的编码参数和所述中间事件特征输入所述事件预测模型中的特征转换网络进行特征转换处理，获得所述融合事件特征；
其中，所述融合事件特征的特征参数等于所述第一属性编码的编码参数。
5.根据权利要求1所述的方法，所述进行特征分割处理，包括：
按照所述第一属性编码中各事件属性的属性编码的子编码参数，对所述融合事件特征进行特征分割，获得所述各事件属性的候选属性特征；
对所述候选属性特征进行归一化处理，获得所述各事件属性的属性特征。
6.根据权利要求1所述的方法，所述各操作事件的事件属性包括类别属性；
其中，所述事件属性的第一属性编码，通过如下方式获得：
基于所述各操作事件的类别属性的属性数据构建编码映射表，并在所述编码映射表中查找所述属性数据对应的类别属性编码。
7.根据权利要求1所述的方法，所述各操作事件的事件属性包括数值属性；
其中，所述事件属性的第一属性编码，通过如下方式获得：
基于所述各操作事件的数值属性的属性数据确定编码分割点，并根据所述编码分割点生成编码区间；
根据所述编码区间与所述数值属性的属性数据的匹配结果，确定所述数值属性的数值属性编码。
8.根据权利要求1所述的方法，所述各操作事件的事件属性包括标识属性；
其中，所述事件属性的第一属性编码，通过如下方式获得：
确定所述操作事件序列的标识属性的属性数据中目标属性数据的数目；
根据所述数目生成所述各操作事件的标识属性的标识属性编码。
9.根据权利要求8所述的方法，所述根据所述数目生成所述各操作事件的标识属性的标识属性编码，包括：
根据所述数目随机生成标识编码映射表，在所述标识编码映射表中查找所述各操作事件的标识属性的属性数据对应的标识属性编码；
或者，
确定所述数目对应的标识属性的属性数据的出现次数，并基于所述出现次数生成所述各操作事件的标识属性的标识属性编码。
10.根据权利要求1所述的方法，所述将所述第一属性编码输入所述事件预测模型中的特征处理网络进行事件特征融合以及事件特征转换，获得融合事件特征步骤执行之后，还包括：
将所述融合事件特征输入风险识别模型进行风险识别，获得风险识别结果；
基于所述风险识别结果和预测操作事件的风险类型标签计算损失值，并基于所述损失值对所述风险识别模型进行参数调整。
11.根据权利要求1所述的方法，还包括：
将历史操作事件的第一编码和用户操作事件的第二编码输入事件预测模型进行特征融合以及特征转换，获得目标融合事件特征；
将所述目标融合事件特征输入风险识别模型进行风险识别，获得所述用户操作事件的风险类型。
12.根据权利要求1所述的方法，所述第二属性编码，通过如下方式获得：
基于所述下一操作事件的各事件属性的属性数据进行编码处理，获得所述下一操作事件的各事件属性的属性编码；
对所述下一操作事件的各事件属性的属性编码进行更新处理，获得所述第二属性编码。
13.根据权利要求12所述的方法，所述对所述下一操作事件的各事件属性的属性编码进行更新处理，获得所述第二属性编码，包括：
检测所述下一操作事件的各事件属性的属性编码之间是否存在交集编码；
若存在，确定所述下一操作事件的各事件属性的更新参数，并基于所述更新参数对所述下一操作事件的各事件属性的属性编码进行更新处理，获得所述第二属性编码；
若不存在，将所述下一操作事件的各事件属性的属性编码作为所述第二属性编码。
14.一种风险识别处理方法，所述方法包括：
获取历史操作事件的事件属性的第一属性数据和用户操作事件的事件属性的第二属性数据；
基于所述第一属性数据进行编码处理获得第一编码，以及基于所述第二属性数据进行编码处理获得第二编码；
将所述第一编码和所述第二编码输入事件预测模型进行特征融合以及特征转换，获得目标融合事件特征；
将所述目标融合事件特征输入风险识别模型进行风险识别，获得所述用户操作事件的风险识别结果；
其中，所述事件预测模型，在根据基于各事件属性的属性特征和下一操作事件的事件属性的第二属性编码计算获得的训练损失进行模型参数调整后获得；所述属性特征，在基于操作事件序列中各操作事件的事件属性的第一属性编码进行事件特征融合、事件特征转换以及特征分割处理后获得。
15.根据权利要求14所述的方法，所述进行特征融合，包括：
生成基准特征矩阵，并按照所述第一编码和所述第二编码在所述基准特征矩阵中查找对应的特征向量；所述基准特征矩阵，基于所述第一编码和所述第二编码的编码参数生成；
分别将查找到的历史操作事件和用户操作事件的事件属性的特征向量进行特征拼接，获得拼接事件特征。
16.一种事件预测模型的训练装置，所述装置包括：
数据获取模块，被配置为获取事件预测模型的训练数据；所述训练数据包括操作事件序列中各操作事件的事件属性的第一属性编码；
特征转换模块，被配置为将所述第一属性编码输入所述事件预测模型中的特征处理网络进行事件特征融合以及事件特征转换，获得融合事件特征；
特征分割模块，被配置为将所述融合事件特征输入所述事件预测模型中的特征分割网络进行特征分割处理，获得各事件属性的属性特征；
参数调整模块，被配置为基于所述属性特征和下一操作事件的事件属性的第二属性编码计算训练损失，并基于所述训练损失对所述事件预测模型进行参数调整。
17.一种风险识别处理装置，所述装置包括：
属性数据获取模块，被配置为获取历史操作事件的事件属性的第一属性数据和用户操作事件的事件属性的第二属性数据；
编码处理模块，被配置为基于所述第一属性数据进行编码处理获得第一编码，以及基于所述第二属性数据进行编码处理获得第二编码；
特征融合模块，被配置为将所述第一编码和所述第二编码输入事件预测模型进行特征融合以及特征转换，获得目标融合事件特征；
风险识别模块，被配置为将所述目标融合事件特征输入风险识别模型进行风险识别，获得所述用户操作事件的风险识别结果；
其中，所述事件预测模型，在根据基于各事件属性的属性特征和下一操作事件的事件属性的第二属性编码计算获得的训练损失进行模型参数调整后获得；所述属性特征，在基于操作事件序列中各操作事件的事件属性的第一属性编码进行事件特征融合、事件特征转换以及特征分割处理后获得。
18.一种事件预测模型的训练设备，所述设备包括：
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：
获取事件预测模型的训练数据；所述训练数据包括操作事件序列中各操作事件的事件属性的第一属性编码；
将所述第一属性编码输入所述事件预测模型中的特征处理网络进行事件特征融合以及事件特征转换，获得融合事件特征；
将所述融合事件特征输入所述事件预测模型中的特征分割网络进行特征分割处理，获得各事件属性的属性特征；
基于所述属性特征和下一操作事件的事件属性的第二属性编码计算训练损失，并基于所述训练损失对所述事件预测模型进行参数调整。
19.一种风险识别处理设备，所述设备包括：
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：
获取历史操作事件的事件属性的第一属性数据和用户操作事件的事件属性的第二属性数据；
基于所述第一属性数据进行编码处理获得第一编码，以及基于所述第二属性数据进行编码处理获得第二编码；
将所述第一编码和所述第二编码输入事件预测模型进行特征融合以及特征转换，获得目标融合事件特征；
将所述目标融合事件特征输入风险识别模型进行风险识别，获得所述用户操作事件的风险识别结果；
其中，所述事件预测模型，在根据基于各事件属性的属性特征和下一操作事件的事件属性的第二属性编码计算获得的训练损失进行模型参数调整后获得；所述属性特征，在基于操作事件序列中各操作事件的事件属性的第一属性编码进行事件特征融合、事件特征转换以及特征分割处理后获得。
CN202311076922.6A 2023-08-23 2023-08-23 事件预测模型的训练方法及装置 Pending CN117036033A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311076922.6A CN117036033A (zh) 2023-08-23 2023-08-23 事件预测模型的训练方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311076922.6A CN117036033A (zh) 2023-08-23 2023-08-23 事件预测模型的训练方法及装置

Publications (1)

Publication Number Publication Date
CN117036033A true CN117036033A (zh) 2023-11-10

Family

ID=88641051

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311076922.6A Pending CN117036033A (zh) 2023-08-23 2023-08-23 事件预测模型的训练方法及装置

Country Status (1)

Country Link
CN (1) CN117036033A (zh)

Similar Documents

Publication Publication Date Title
CN113297396B (zh) 基于联邦学习的模型参数更新方法、装置及设备
CN110020427B (zh) 策略确定方法和装置
CN112200132B (zh) 一种基于隐私保护的数据处理方法、装置及设备
CN113011483B (zh) 一种模型训练和业务处理的方法及装置
CN113516480B (zh) 一种支付风险识别方法、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
CN114819614A (zh) 数据处理方法、装置、系统及设备
CN112199416A (zh) 数据规则生成方法及装置
CN116049761A (zh) 数据处理方法、装置及设备
CN115712866A (zh) 数据处理方法、装置及设备
CN113157941B (zh) 业务特征数据处理、文本生成方法、装置及电子设备
CN116402113B (zh) 一种任务执行的方法、装置、存储介质及电子设备
CN116308738B (zh) 一种模型训练的方法、业务风控的方法及装置
CN115147227B (zh) 一种交易风险的检测方法、装置及设备
CN115238250B (zh) 一种模型的处理方法、装置及设备
CN113992429B (zh) 一种事件的处理方法、装置及设备
CN115204395A (zh) 数据的处理方法、装置及设备
CN117036033A (zh) 事件预测模型的训练方法及装置
CN109325127B (zh) 一种风险识别方法和装置
CN115953559B (zh) 虚拟对象处理方法及装置
CN114817469B (zh) 文本增强方法、文本增强模型的训练方法及装置
CN117494663A (zh) 文本处理方法及装置
CN116186607A (zh) 一种模型的处理方法、装置及设备
CN117313025A (zh) 任务处理方法及装置
CN114969825A (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