CN117273941B - 一种用于跨域支付反洗钱风控模型训练系统 - Google Patents
一种用于跨域支付反洗钱风控模型训练系统 Download PDFInfo
- Publication number
- CN117273941B CN117273941B CN202311523579.5A CN202311523579A CN117273941B CN 117273941 B CN117273941 B CN 117273941B CN 202311523579 A CN202311523579 A CN 202311523579A CN 117273941 B CN117273941 B CN 117273941B
- Authority
- CN
- China
- Prior art keywords
- feature
- case
- data
- items
- 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.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 73
- 238000011001 backwashing Methods 0.000 title claims abstract description 9
- 238000004900 laundering Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000003032 molecular docking Methods 0.000 claims abstract description 11
- 238000012821 model calculation Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 15
- 238000000034 method Methods 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000005406 washing Methods 0.000 abstract 3
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000012795 verification Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011010 flushing procedure Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000013058 risk prediction model Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012954 risk control Methods 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供了一种用于跨域支付反洗钱风控模型训练系统,涉及电数字数据处理领域,包括跨域支付对接模块、身份识别模块、样本数据采集模块和洗钱风控训练模块,所述跨域支付对接模块用于对跨域信息进行解析处理,所述身份识别模块用于对支付双方的身份信息进行验证处理,所述样本数据采集模块用于采集实际的交易案例和洗钱案例数据,所述洗钱风控训练模块基于案例数据进行风控模型的训练;本系统能够对模型中的参数进行前置分类处理,提高模型训练的效率,能够更好地识别出跨域支付洗钱交易。
Description
技术领域
本发明涉及电数字数据处理领域,具体涉及一种用于跨域支付反洗钱风控模型训练系统。
背景技术
跨域支付反洗钱风控是指在跨境支付领域,为了防范和打击洗钱活动,采取一系列措施和策略,确保支付系统安全、合规、稳定地运行的一种风险控制体系,跨域支付是指不同国家或地区之间的支付交易,涉及不同货币和支付体系,风控模型需要不断训练来提高判断的准确率,因此需要一种训练系统对风控模型进行训练来提高模型质量。
背景技术的前述论述仅意图便于理解本发明。此论述并不认可或承认提及的材料中的任一种公共常识的一部分。
现在已经开发出了很多洗钱风控模型训练系统,经过我们大量的检索与参考,发现现有的训练系统有如公开号为CN113988458A所公开的系统,这些系统方法一般包括获取至少一个第一客户交易数据;利用洗钱风险预测模型基于每个第一客户交易数据,预测第一客户交易数据对应的交易的洗钱风险信息;其中,在训练洗钱风险预测模型时,在洗钱风险预测模型的每一轮训练中,根据上一轮训练的训练结果对上一轮训练中N个负样本对应的前次聚类结果进行调整,得到本轮负样本聚类结果;然后通过从本轮负样本聚类结果的每个类中降采样,得到参与本轮训练的负样本。但该系统在训练过程中采用的是通用方式,未对特征数据进行前置处理,导致训练效果有待提高。
发明内容
本发明的目的在于,针对所存在的不足,提出了一种用于跨域支付反洗钱风控模型训练系统。
本发明采用如下技术方案:
一种用于跨域支付反洗钱风控模型训练系统,包括跨域支付对接模块、身份识别模块、样本数据采集模块和洗钱风控训练模块;
所述跨域支付对接模块用于对跨域信息进行解析处理,所述身份识别模块用于对支付双方的身份信息进行验证处理,所述样本数据采集模块用于采集实际的交易案例和洗钱案例数据,所述洗钱风控训练模块基于案例数据进行风控模型的训练;
所述样本数据采集模块包括正常交易案例采集单元、洗钱案例采集单元和案例存储单元,所述正常交易案例采集单元用于从合法渠道采集真实合法的跨域支付交易数据案例,所述洗钱案例采集单元用于采集官方定性的洗钱案例数据,所述案例存储单元用于保存所有的案例数据;
所述洗钱风控训练模块包括特征提取单元、模型训练优化单元和实时更新单元,所述特征提取单元用于获取案例数据中的特征信息,所述模型训练优化单元基于特征信息对模型进行优化,所述实时更新单元对案例数据的更新状态进行监测并实时更新用于训练的案例数据;
系统在模型训练阶段包括如下步骤:
S21、所述实时更新单元接收到更新信号,将对应的案例数据标识符添加进训练池中;
S22、所述特征提取单元基于标识符从案例存储单元中获取案例数据,并计算出所有案例的特征数据;
S23、所述模型训练优化单元对特征数据按照模型进行计算处理,并基于计算结果对模型参数进行优化;
进一步的,所述特征提取单元包括特征规则寄存器、特征计算处理器和特征数据存储器,所述特征规则寄存器用于记录每项特征数据的源数据类型和计算规则,所述特征计算处理器用于将源数据按照计算规则进行计算处理得到每一项的特征数据,所述特征数据存储器用于保存每个案例的所有特征数据;
进一步的,所述模型训练优化单元包括特征分类处理器、模型计算处理器和参数记录存储器,所述特征分类处理器将特征项进行分类的过程包括如下步骤:
S31、将所有特征项设为目标特征项;
S32、对于洗钱案例中的目标特征项,按照特征项数值从小到大排序,对于正常交易案例中的目标特征项,按照特征项数值从大到小排序;
S33、将所有案例排序的目标特征项分为前后两个序列,分别统计出前序列中每个目标特征项出现的次数和后序列中每个目标特征项出现的次数;
S34、将前序列中出现次数较多的前n个特征项作为正相关特征项,将后序列中出现次数较多的前n个特征项作为负相关特征项,其余的特征向仍作为目标特征项;
S35、重复步骤S32至步骤S34共r次,将所有特征项分为正相关特征项和负相关特征项,并基于划分的轮次i,所有特征项称为第i正特征项和第i负特征项;
在特征项分类过程中,n和r的关系为,其中,/>为特征项的数量,所述特征分类处理器将所有特征项分为2r个类别;
进一步的,所述模型计算处理器对每一个类别的特征项按照下式进行计算:
;
;
其中,和/>为模型系数,/>为第j个第i正特征项的值,/>为第j个第i负特征项的值,/>为正向元素值,/>为负向元素值;
由构成正向量/>:/>,由/>构成负向量/>:,所述模型计算处理器根据下式对两个向量进行叉乘处理得到判断向量Q:
;
进一步的,所述模型计算处理器筛选出判断错误的案例,计算出其判断向量与超平面各个维度的距离值并选出最大的距离值以及对应的维度/>,所述模型计算处理器根据下式计算出模型系数的优化值/>:
;①
;②
将正常交易判断为洗钱交易的案例使用公式①,将洗钱交易判断为正常交易的案例使用公式②;
其中,为距离基值。
本发明所取得的有益效果是:
本系统通过特征分类处理器,将特征项在训练前进行分类,并根据分类对特征数据进行计算处理得到两个向量值,这两个向量分别与正常交易和洗钱交易相关,并得到判断向量,根据判断向量对案例进行判断,由判断错误的案例选择需要优化的参数,最终实现训练的高效化。
为使能更进一步了解本发明的特征及技术内容,请参阅以下有关本发明的详细说明与附图,然而所提供的附图仅用于提供参考与说明,并非用来对本发明加以限制。
附图说明
图1为本发明整体结构框架示意图;
图2为本发明样本数据采集模块构成示意图;
图3为本发明洗钱风控训练模块构成示意图;
图4为本发明特征提取单元构成示意图;
图5为本发明模型训练优化单元构成示意图。
具体实施方式
以下是通过特定的具体实施例来说明本发明的实施方式,本领域技术人员可由本说明书所公开的内容了解本发明的优点与效果。本发明可通过其他不同的具体实施例加以施行或应用,本说明书中的各项细节也可基于不同观点与应用,在不悖离本发明的精神下进行各种修饰与变更。另外,本发明的附图仅为简单示意说明,并非依实际尺寸的描绘,事先声明。以下的实施方式将进一步详细说明本发明的相关技术内容,但所公开的内容并非用以限制本发明的保护范围。
实施例一:本实施例提供了一种用于跨域支付反洗钱风控模型训练系统,结合图1,包括跨域支付对接模块、身份识别模块、样本数据采集模块和洗钱风控训练模块;
所述跨域支付对接模块用于对跨域信息进行解析处理,所述身份识别模块用于对支付双方的身份信息进行验证处理,所述样本数据采集模块用于采集实际的交易案例和洗钱案例数据,所述洗钱风控训练模块基于案例数据进行风控模型的训练;
所述样本数据采集模块包括正常交易案例采集单元、洗钱案例采集单元和案例存储单元,所述正常交易案例采集单元用于从合法渠道采集真实合法的跨域支付交易数据案例,所述洗钱案例采集单元用于采集官方定性的洗钱案例数据,所述案例存储单元用于保存所有的案例数据;
所述洗钱风控训练模块包括特征提取单元、模型训练优化单元和实时更新单元,所述特征提取单元用于获取案例数据中的特征信息,所述模型训练优化单元基于特征信息对模型进行优化,所述实时更新单元对案例数据的更新状态进行监测并实时更新用于训练的案例数据;
系统在模型训练阶段包括如下步骤:
S21、所述实时更新单元接收到更新信号,将对应的案例数据标识符添加进训练池中;
S22、所述特征提取单元基于标识符从案例存储单元中获取案例数据,并计算出所有案例的特征数据;
S23、所述模型训练优化单元对特征数据按照模型进行计算处理,并基于计算结果对模型参数进行优化;
所述特征提取单元包括特征规则寄存器、特征计算处理器和特征数据存储器,所述特征规则寄存器用于记录每项特征数据的源数据类型和计算规则,所述特征计算处理器用于将源数据按照计算规则进行计算处理得到每一项的特征数据,所述特征数据存储器用于保存每个案例的所有特征数据;
所述模型训练优化单元包括特征分类处理器、模型计算处理器和参数记录存储器,所述特征分类处理器将特征项进行分类的过程包括如下步骤:
S31、将所有特征项设为目标特征项;
S32、对于洗钱案例中的目标特征项,按照特征项数值从小到大排序,对于正常交易案例中的目标特征项,按照特征项数值从大到小排序;
S33、将所有案例排序的目标特征项分为前后两个序列,分别统计出前序列中每个目标特征项出现的次数和后序列中每个目标特征项出现的次数;
S34、将前序列中出现次数较多的前n个特征项作为正相关特征项,将后序列中出现次数较多的前n个特征项作为负相关特征项,其余的特征向仍作为目标特征项;
S35、重复步骤S32至步骤S34共r次,将所有特征项分为正相关特征项和负相关特征项,并基于划分的轮次i,所有特征项称为第i正特征项和第i负特征项;
在特征项分类过程中,n和r的关系为,其中,/>为特征项的数量,所述特征分类处理器将所有特征项分为2r个类别;
所述模型计算处理器对每一个类别的特征项按照下式进行计算:
;
;
其中,和/>为模型系数,/>为第j个第i正特征项的值,/>为第j个第i负特征项的值,/>为正向元素值,/>为负向元素值;
由构成正向量/>:/>,由/>构成负向量/>:,所述模型计算处理器根据下式对两个向量进行叉乘处理得到判断向量Q:
;
所述模型计算处理器筛选出判断错误的案例,计算出其判断向量与超平面各个维度的距离值并选出最大的距离值以及对应的维度/>,所述模型计算处理器根据下式计算出模型系数的优化值/>:
;①
;②
将正常交易判断为洗钱交易的案例使用公式①,将洗钱交易判断为正常交易的案例使用公式②;
其中,为距离基值。
实施例二:本实施例包含了实施例一中的全部内容,提供了一种用于跨域支付反洗钱风控模型训练系统,包括跨域支付对接模块、身份识别模块、样本数据采集模块和洗钱风控训练模块;
所述跨域支付对接模块用于对跨域信息进行解析处理,所述身份识别模块用于对支付双方的身份信息进行验证处理,所述样本数据采集模块用于采集实际的交易案例和洗钱案例数据,所述洗钱风控训练模块基于案例数据进行风控模型的训练;
所述跨域支付对接模块包括跨域解析单元、异常检测单元和数据标准化单元,所述跨域解析单元用于对案例数据中的跨域信息进行解析,所述异常检测单元用于检测跨域信息是否异常,所述数据标准化单元用于将不同支付体系中的数据标准化为训练数据;
所述身份识别模块包括识别算法存储单元、身份验证单元和信息交互单元,所述识别算法存储单元用于保存每个支付体系的识别算法信息,所述身份验证单元用于执行具体的识别算法对身份进行验证,所述信息交互单元用于接收和发送数据信息;
结合图2,所述样本数据采集模块包括正常交易案例采集单元、洗钱案例采集单元和案例存储单元,所述正常交易案例采集单元用于从合法渠道采集真实合法的跨域支付交易数据案例,所述洗钱案例采集单元用于采集官方定性的洗钱案例数据,所述案例存储单元用于保存所有的案例数据;
结合图3,所述洗钱风控训练模块包括特征提取单元、模型训练优化单元和实时更新单元,所述特征提取单元用于获取案例数据中的特征信息,所述模型训练优化单元基于特征信息对模型进行优化,所述实时更新单元对案例数据的更新状态进行监测并实时更新用于训练的案例数据;
所述系统的运行包括数据准备阶段和模型训练阶段;
数据准备阶段包括如下步骤:
S1、所述样本数据采集模块对案例数据进行采集;
S2、所述跨域解析单元从新案例中的跨域信息中提取出支付体系类别,将支付体系类别发送给异常检测单元;
S3、所述异常检测单元根据支付体系类别对跨域信息进行检测,确认跨域信息正常后将支付体系类别发送给数据标准化单元,若跨域信息异常,则直接删除对应的案例数据;
S4、所述数据标准化单元根据支付体系类别将案例中的交易信息转换为训练格式的标准数据并保存在对应的案例信息中,将支付体系类别发送给身份识别模块;
S5、所述信息交互单元接收到支付体系类别信息并转发至识别算法存储单元;
S6、所述识别算法存储单元根据支付体系类别选择对应的识别算法,将识别算法标识符发送给身份验证单元;
S7、身份验证单元根据识别算法标识符对案例中的身份信息进行验证计算,身份验证无误后向洗钱风控训练模块发送更新信号,若身份验证失败,则直接删除对应的案例数据;
模型训练阶段包括如下步骤:
S21、所述实时更新单元接收到更新信号,将对应的案例数据标识符添加进训练池中;
S22、所述特征提取单元基于标识符从案例存储单元中获取案例数据,并计算出所有案例的特征数据;
S23、所述模型训练优化单元对特征数据按照模型进行计算处理,并基于计算结果对模型参数进行优化;
结合图4,所述特征提取单元包括特征规则寄存器、特征计算处理器和特征数据存储器,所述特征规则寄存器用于记录每项特征数据的源数据类型和计算规则,所述特征计算处理器用于将源数据按照计算规则进行计算处理得到每一项的特征数据,所述特征数据存储器用于保存每个案例的所有特征数据;
结合图5,所述模型训练优化单元包括特征分类处理器、模型计算处理器和参数记录存储器,所述特征分类处理器用于对特征项进行分类,所述模型计算处理器用于对特征数据基于分类规则进行计算处理,所述参数记录存储器用于保存模型计算处理器中需要使用的模型参数以及模型参数的优化历史记录;
所述特征分类处理器将特征项进行分类的过程包括如下步骤:
S31、将所有特征项设为目标特征项;
S32、对于洗钱案例中的目标特征项,按照特征项数值从小到大排序,对于正常交易案例中的目标特征项,按照特征项数值从大到小排序;
S33、将所有案例排序的目标特征项分为前后两个序列,分别统计出前序列中每个目标特征项出现的次数和后序列中每个目标特征项出现的次数;
S34、将前序列中出现次数较多的前n个特征项作为正相关特征项,将后序列中出现次数较多的前n个特征项作为负相关特征项,其余的特征向仍作为目标特征项;
S35、重复步骤S32至步骤S34共r次,将所有特征项分为正相关特征项和负相关特征项,并基于划分的轮次i,所有特征项称为第i正特征项和第i负特征项;
在特征项分类过程中,n和r的关系为,其中,/>为特征项的数量,所述特征分类处理器将所有特征项分为2r个类别;
所述模型计算处理器对每一个类别的特征项按照下式进行计算:
;
;
其中,和/>为模型系数,/>为第j个第i正特征项的值,/>为第j个第i负特征项的值,/>为正向元素值,/>为负向元素值;
由构成正向量/>:/>,由/>构成负向量/>:,所述模型计算处理器根据下式对两个向量进行叉乘处理得到判断向量Q:
;
所述模型处理器内设有一个超平面对判断向量进行计算,当判断向量的值代入超平面后得到正值时,判断为正常交易,当判断向量的值代入超平面后得到负值时,判断为洗钱交易;
所述超平面的函数形式为,/>为代入项,代入判断向量中对应位置的元素,/>为系数项,c为常数项;
所述模型计算处理器筛选出判断错误的案例,计算出其判断向量与超平面各个维度的距离值并选出最大的距离值以及对应的维度/>,所述模型计算处理器根据下式计算出模型系数的优化值/>:
;①
;②
将正常交易判断为洗钱交易的案例使用公式①,将洗钱交易判断为正常交易的案例使用公式②;
其中,为距离基值;
所述模型计算处理器将所有判断错误的案例的优化值累加到对应的模型参数中,得到优化后的模型参数。
以上所公开的内容仅为本发明的优选可行实施例,并非因此局限本发明的保护范围,所以凡是运用本发明说明书及附图内容所做的等效技术变化,均包含于本发明的保护范围内,此外,随着技术发展其中的元素可以更新的。
Claims (2)
1.一种用于跨域支付反洗钱风控模型训练系统,其特征在于,包括跨域支付对接模块、身份识别模块、样本数据采集模块和洗钱风控训练模块;
所述跨域支付对接模块用于对跨域信息进行解析处理,所述身份识别模块用于对支付双方的身份信息进行验证处理,所述样本数据采集模块用于采集实际的交易案例和洗钱案例数据,所述洗钱风控训练模块基于案例数据进行风控模型的训练;
所述样本数据采集模块包括正常交易案例采集单元、洗钱案例采集单元和案例存储单元,所述正常交易案例采集单元用于从合法渠道采集真实合法的跨域支付交易数据案例,所述洗钱案例采集单元用于采集官方定性的洗钱案例数据,所述案例存储单元用于保存所有的案例数据;
所述洗钱风控训练模块包括特征提取单元、模型训练优化单元和实时更新单元,所述特征提取单元用于获取案例数据中的特征信息,所述模型训练优化单元基于特征信息对模型进行优化,所述实时更新单元对案例数据的更新状态进行监测并实时更新用于训练的案例数据;
系统在模型训练阶段包括如下步骤:
S21、所述实时更新单元接收到更新信号,将对应的案例数据标识符添加进训练池中;
S22、所述特征提取单元基于标识符从案例存储单元中获取案例数据,并计算出所有案例的特征数据;
S23、所述模型训练优化单元对特征数据按照模型进行计算处理,并基于计算结果对模型参数进行优化;
所述特征提取单元包括特征规则寄存器、特征计算处理器和特征数据存储器,所述特征规则寄存器用于记录每项特征数据的源数据类型和计算规则,所述特征计算处理器用于将源数据按照计算规则进行计算处理得到每一项的特征数据,所述特征数据存储器用于保存每个案例的所有特征数据;
所述模型训练优化单元包括特征分类处理器、模型计算处理器和参数记录存储器,所述特征分类处理器将特征项进行分类的过程包括如下步骤:
S31、将所有特征项设为目标特征项;
S32、对于洗钱案例中的目标特征项,按照特征项数值从小到大排序,对于正常交易案例中的目标特征项,按照特征项数值从大到小排序;
S33、将所有案例排序的目标特征项分为前后两个序列,分别统计出前序列中每个目标特征项出现的次数和后序列中每个目标特征项出现的次数;
S34、将前序列中出现次数较多的前n个特征项作为正相关特征项,将后序列中出现次数较多的前n个特征项作为负相关特征项,其余的特征向仍作为目标特征项;
S35、重复步骤S32至步骤S34共r次,将所有特征项分为正相关特征项和负相关特征项,并基于划分的轮次i,所有特征项称为第i正特征项和第i负特征项;
在特征项分类过程中,n和r的关系为,其中,/>为特征项的数量,所述特征分类处理器将所有特征项分为2r个类别;
所述模型计算处理器对每一个类别的特征项按照下式进行计算:
;
;
其中,和/>为模型系数,/>为第j个第i正特征项的值,/>为第j个第i负特征项的值,/>为正向元素值,/>为负向元素值;
由构成正向量/>:/>,由/>构成负向量/>:,所述模型计算处理器根据下式对两个向量进行叉乘处理得到判断向量Q:
。
2.如权利要求1所述的一种用于跨域支付反洗钱风控模型训练系统,其特征在于,所述模型计算处理器筛选出判断错误的案例,计算出其判断向量与超平面各个维度的距离值并选出最大的距离值以及对应的维度/>,所述模型计算处理器根据下式计算出模型系数的优化值/>:
;①
;②
将正常交易判断为洗钱交易的案例使用公式①,将洗钱交易判断为正常交易的案例使用公式②;
其中,为距离基值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311523579.5A CN117273941B (zh) | 2023-11-16 | 2023-11-16 | 一种用于跨域支付反洗钱风控模型训练系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311523579.5A CN117273941B (zh) | 2023-11-16 | 2023-11-16 | 一种用于跨域支付反洗钱风控模型训练系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117273941A CN117273941A (zh) | 2023-12-22 |
CN117273941B true CN117273941B (zh) | 2024-01-30 |
Family
ID=89214572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311523579.5A Active CN117273941B (zh) | 2023-11-16 | 2023-11-16 | 一种用于跨域支付反洗钱风控模型训练系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117273941B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084603A (zh) * | 2018-01-26 | 2019-08-02 | 阿里巴巴集团控股有限公司 | 训练欺诈交易检测模型的方法、检测方法以及对应装置 |
WO2021114931A1 (zh) * | 2019-12-09 | 2021-06-17 | 支付宝(杭州)信息技术有限公司 | 防止隐私数据泄漏的编码模型训练方法及装置 |
CN113988458A (zh) * | 2021-11-10 | 2022-01-28 | 中国工商银行股份有限公司 | 反洗钱风险监控方法和模型训练方法、装置、设备及介质 |
CN115034896A (zh) * | 2022-04-27 | 2022-09-09 | 深圳微言科技有限责任公司 | 一种反洗钱模型的训练方法及装置 |
CN115170334A (zh) * | 2022-06-23 | 2022-10-11 | 中国农业银行股份有限公司 | 一种反洗钱模型的训练方法及装置 |
CN116993513A (zh) * | 2023-09-25 | 2023-11-03 | 之江实验室 | 金融风控模型解释方法、装置及计算机设备 |
-
2023
- 2023-11-16 CN CN202311523579.5A patent/CN117273941B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084603A (zh) * | 2018-01-26 | 2019-08-02 | 阿里巴巴集团控股有限公司 | 训练欺诈交易检测模型的方法、检测方法以及对应装置 |
WO2021114931A1 (zh) * | 2019-12-09 | 2021-06-17 | 支付宝(杭州)信息技术有限公司 | 防止隐私数据泄漏的编码模型训练方法及装置 |
CN113988458A (zh) * | 2021-11-10 | 2022-01-28 | 中国工商银行股份有限公司 | 反洗钱风险监控方法和模型训练方法、装置、设备及介质 |
CN115034896A (zh) * | 2022-04-27 | 2022-09-09 | 深圳微言科技有限责任公司 | 一种反洗钱模型的训练方法及装置 |
CN115170334A (zh) * | 2022-06-23 | 2022-10-11 | 中国农业银行股份有限公司 | 一种反洗钱模型的训练方法及装置 |
CN116993513A (zh) * | 2023-09-25 | 2023-11-03 | 之江实验室 | 金融风控模型解释方法、装置及计算机设备 |
Non-Patent Citations (1)
Title |
---|
数字金融时代 机器学习模型在实时反欺诈中的应用与实践;曹汉平;张晓晶;祝睿杰;黄潇拉;;智能科学与技术学报(第04期);第27-36页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117273941A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Positive sample propagation along the audio-visual event line | |
US7447338B2 (en) | Method and system for face detection using pattern classifier | |
CN111428599B (zh) | 票据识别方法、装置和设备 | |
CN108304816B (zh) | 身份识别方法、装置、存储介质及电子设备 | |
CN110827432B (zh) | 一种基于人脸识别的课堂考勤方法及系统 | |
CN111476307B (zh) | 一种基于深度领域适应的锂电池表面缺陷检测方法 | |
CN110580510B (zh) | 一种聚类结果评价方法和系统 | |
JP2019192082A (ja) | 学習用サーバ、不足学習用画像収集支援システム、及び不足学習用画像推定プログラム | |
CN113158777A (zh) | 质量评分方法、质量评分模型的训练方法及相关装置 | |
Hendryli et al. | Automatic license plate recognition for parking system using convolutional neural networks | |
CN112990294A (zh) | 行为判别模型的训练方法、装置、电子设备及存储介质 | |
Mondal et al. | Secure and hassle-free EVM through deep learning based face recognition | |
CN111126112B (zh) | 候选区域确定方法和装置 | |
CN108805181B (zh) | 一种基于多分类模型的图像分类装置及分类方法 | |
CN117273941B (zh) | 一种用于跨域支付反洗钱风控模型训练系统 | |
CN116467141A (zh) | 日志识别模型训练、日志聚类方法和相关系统、设备 | |
CN113379169B (zh) | 信息处理方法、装置、设备及介质 | |
CN115170334A (zh) | 一种反洗钱模型的训练方法及装置 | |
CN114463014A (zh) | 基于SVM-Xgboost的移动支付风险预警方法 | |
CN110472680B (zh) | 目标分类方法、装置和计算机可读存储介质 | |
CN114927236A (zh) | 一种面向多重目标图像的检测方法及系统 | |
CN113569957A (zh) | 一种业务对象的对象类型识别方法、装置及存储介质 | |
CN109858342B (zh) | 一种融合手工设计描述子和深度特征的人脸姿态估计方法 | |
CN109767430A (zh) | 有价票据的质量检测方法及质量检测系统 | |
CN112990245A (zh) | 物品识别方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |