CN117422306A - 基于动态神经网络的跨境电商风险控制方法及系统 - Google Patents
基于动态神经网络的跨境电商风险控制方法及系统 Download PDFInfo
- Publication number
- CN117422306A CN117422306A CN202311427975.8A CN202311427975A CN117422306A CN 117422306 A CN117422306 A CN 117422306A CN 202311427975 A CN202311427975 A CN 202311427975A CN 117422306 A CN117422306 A CN 117422306A
- Authority
- CN
- China
- Prior art keywords
- data
- risk
- neural network
- sample data
- dynamic neural
- 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
- 238000012954 risk control Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 48
- 238000003062 neural network model Methods 0.000 claims abstract description 49
- 238000005457 optimization Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 230000006399 behavior Effects 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 230000000007 visual effect Effects 0.000 claims abstract description 7
- 230000015654 memory Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 18
- 125000004122 cyclic group Chemical group 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 15
- 238000010801 machine learning Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 238000007418 data mining Methods 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000013524 data verification Methods 0.000 claims description 3
- 238000000586 desensitisation Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000002759 z-score normalization Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000012502 risk assessment Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000000638 solvent extraction 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
- 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
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Medical Informatics (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于动态神经网络的跨境电商风险控制方法及系统，方法包括：采集样本数据，经数据预处理后获得样本数据集，对样本数据集进行特征提取，获得潜在风险因素；创建初始动态神经网络模型，根据模型优化任务调整模型参数以及选择优化算法，训练初始动态神经网络模型并持续更新优化；根据优化后的动态神经网络模型输出的风险预测评估值结合基于风险因素预设的风险阈值判断风险行为，输出风险判断结果进行可视化输出，并根据风险判断结果实施风险控制措施。本发明通过动态优化的神经网络模型以适用于不同业务场景的风险控制，实时分析业务风险并提供风险控制措施，满足跨境电商风险控制高效的、自动化的、智能化的需求问题。
Description
技术领域
本发明涉及计算机技术领域，具体涉及一种基于动态神经网络的跨境电商风险控制方法及系统。
背景技术
跨境电商(又称为跨境电子商务)，是指分属于不同地区、不同类型的电子商务交易人群，通过相应电子商务平台进行商务交互的模式。跨境电商适合经济全球化的快速发展，同时也适合国际跨境卖家布局全球市场的需求，因此现目前的跨境电商业务规模不断扩大，我国跨境电商企业主要通过亚马逊、eBay、Wish、Shopee等跨境电商平台面向全球销售商品，在跨境电商涉及的海外物流、支付结算、海外市场营销、税收法规以及国际物流成本往往伴随着诸多风险控制问题，如资金风险、合规风险以及交付风险等，风险控制问题将直接影响着电子商务的健康和可持续发展，因此，如何保证交易的安全性以及减少风险成为了关键问题，而且风险管理能够避免企业损失和使企业的利润最大化，这对大多数企业来说是至关重要的。
目前，跨境电商企业通过人工智能技术搭建的风险控制系统，通过对用户的信用等级、交易历史、行为模式等多个维度的数据进行分析，可以自动判断用户的风险等级，实现智能化的风险控制。然而，风险控制严重依赖于信息驱动的决策，传统的规则引擎是通过预设规则来判断用户风险行为，但规则难以难以判断所有场景，且存在操作繁琐等问题，此类方法难以应对复杂多变的交易场景，效果有限。
现有的跨境电商风险控制系统利用机器学习领域技术对于数据限制较少，具有灵活、高效以及准确度高的特点，将机器学习技术应用于跨境电商风险控制上，然而，机器学习算法获得的非线性映射使得拟合结果的可解释性较低，如专利CN116384749A公开的训练风险评级预测模型的方法及计算设备和专利CN116385151A公开的基于大数据进行风险评级预测的方法及计算设备都是基于机器学习算法中的“随机森林”进行风险评估和控制，但“随机森林”通过使用决策树的决策结果均值作为模型的输出，原始变量在各个决策树中多次出现，难以直观解释原始变量在模型中的作用，导致模型使用过程中的监测难度相应增加，用户无法直观定位模型发生偏移的原因，模型维护的成本也随之上升，而且由于机器学习对于特征工程的依赖，需要领域专家手动从原始数据中选择和提取出有用的特征来训练模型，付出大量的时间和成本，使得目前解决跨境电商风险控制问题仍然缺失智能化的灵活性和准确性。
因此，亟需一种基于动态神经网络的跨境电商风险控制方法及系统解决上述跨境电商风险控制存在缺失智能化的灵活性和准确性的问题。
发明内容
针对现有技术的不足，本发明提出一种基于动态神经网络的跨境电商风险控制方法及系统。
本发明第一方面公开了一种基于动态神经网络的跨境电商风险控制方法，包括：
S1:通过数据接口接入数据源采集样本数据，所述样本数据经数据预处理后获得样本数据集，通过数据挖掘对所述样本数据集进行特征提取，获得所述样本数据集内的潜在风险因素作为风险控制的依据；
S2：创建基于循环神经网络架构的初始动态神经网络模型，根据模型优化任务调整模型参数以及选择优化算法，基于所述样本数据集训练所述初始动态神经网络模型并持续进行动态神经网络模型的更新优化；
S3：根据优化后的所述动态神经网络模型输出的风险预测评估值结合基于所述风险因素预设的风险阈值判断风险行为，输出风险判断结果进行可视化输出，并根据所述风险判断结果实施风险控制措施。
在一个可选的实施例中，所述数据接口的数据源包括跨境电商、供应链、交易平台、服务商以及第三方数据供应商，所述样本数据为数据接口采集的商户-货物-消费者的交易数据。
在一个可选的实施例中，所述通过数据接口接入数据源采集样本数据包括：
S11：数据采集过程对所述样本数据进行数据加密和安全传输处理；
S12：将采集的所述样本数据进行人工收录，在收录过程中通过第三方数据对比所述样本数据进行数据校准和数据验证；
S13：基于第三方数据对所述样本数据进行实时检测，获取交易数据中风险因素的初步判断作为特征提取过程的数据基础。
在一个可选的实施例中，所述样本数据经数据预处理后获得样本数据集包括：
S14：根据机器学习技术分别对所述样本数据进行数据清洗、数据规范、数据集成以及数据脱敏，其中样本数据通过机器学习确定缺失数据的最优值对缺失数据进行填充，样本数据中的异常值基于聚类算法筛除数据偏差值过大的异常数据，保留聚类算法处理后的同类数据；
S15：将预处理后的所述样本数据进行准确性和完整性检验，分别划分用于动态神经网络模型进行训练和测试的训练数据集以及测试数据集，获得训练数据集和测试数据集组成的所述样本数据集。
在一个可选的实施例中，所述通过数据挖掘对所述样本数据集进行特征提取，获得所述样本数据集内的潜在风险因素作为风险控制的依据包括：
S16：根据Z-Score标准化将所述样本数据集中不同量级数据转换为统一量级标准数据；
S17：通过K近邻学习将所述样本数据集内的进行实例化分类，以区分所述样本数据集中潜在的风险类型；
S18：基于主成分分析将实例化分类后的样本数据集进行特征提取，获得风险类型区分后的风险因素特征。
在一个可选的实施例中，所述初始动态神经网络模型包括：
Embedding层，用于将神经网络模型的输入数据进行随机初始化，通过映射处理将输入数据转换为低维空间向量后输入循环编码层；
循环编码层，用于计算映射处理后的输入数据，输出隐藏层向量结果作为分类层的输入，所述循环编码层的编码器设置为GRU；
分类层，用于将隐藏层向量基于时间点进行分类后输入全连接层，根据优化任务选择的线性模型输出预测结果。
在一个可选的实施例中，所述根据模型优化任务调整模型参数以及选择优化算法包括：
S21：在模型训练前检验样本数据集的完整性，对数据不足的样本数据集进行数据填充处理；
S22：根据所述风险因素确定所述初始动态神经网络模型的优化任务类型；
S23：基于所述优化任务类型动态调整所述初始动态神经网络模型的参数以及优化算法。
本发明第二方面公开了一种基于动态神经网络的跨境电商风险控制系统，所述系统包括：
数据采集模块,用于通过数据接口接入数据源采集样本数据，所述样本数据经数据预处理后获得样本数据集，通过数据挖掘对所述样本数据集进行特征提取，获得所述样本数据集内的潜在风险因素作为风险控制的依据；
网络构建模块，用于创建基于循环神经网络架构的初始动态神经网络模型，根据模型优化任务调整模型参数以及选择优化算法，基于所述样本数据集训练所述初始动态神经网络模型并持续进行动态神经网络模型的更新优化；
风险控制模块，用于根据优化后的所述动态神经网络模型输出的风险预测评估值结合基于所述风险因素预设的风险阈值判断风险行为，输出风险判断结果进行可视化输出，并根据所述风险判断结果实施风险控制措施。
本发明第三方面公开了一种基于动态神经网络的跨境电商风险控制设备，包括：
至少一个处理器，以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如本发明第一方面公开的任一项所述的基于动态神经网络的跨境电商风险控制方法。
本发明第四方面公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如本发明第一方面公开的任一项所述的基于动态神经网络的跨境电商风险控制方法。
与现有技术相比，本发明具有以下优点：
(1)本发明通过动态神经网络实现跨境电商场景的风险控制，能对不同跨境电商的风险因素进行实时识别和判断，并根据历史数据进行模型的学习和训练，实时更新优化出预测分析更全面、预测结果更准确的风险预警模型，将潜在的风险因素统一纳入核查范围内，降低风险预警的失误率和漏识率，精准把控跨境电商的风险控制。
(2)本发明通过采集交易过程的全流程数据，并基于动态神经网络的实时识别和判断，能够即时对交易过程进行细节监控、自动处理、快速响应和满意售后等，面对跨境电商交易普遍存在售后难度大、纠纷难以解决等因素，消费者的投诉率较高的情况，能够提高顾客对平台交易的信任度和舒适感，进而促进平台持续发展。
(3)本发明通过适用于跨境电商风险控制的循环神经网络模型，使用误差反向传播算法进行模型的训练和优化，针对每个针对每个跨境电商交易和用户数据，系统能够动态调整神经网络的结构和参数，提高风险控制模型的精度和准确性，同时采用数据挖掘和分析技术，建立起细致完整的风险预警模型，基于模型的实时更新优化同步监测和分析跨境电商交易，通过实时预警和风险掌控，提高风险控制的响应速度和处理效率。
(4)本发明通过动态神经网络的风险控制，能够在消费者和商家之间提供安全的交易渠道，保障交易的稳定性。通过积累丰富的数据资料，建立可靠的模式识别和分类模型，通过实时监测风险的变化并及时做出毫不迟疑的反应，保证每一个交易都能够高效完成，从而加强平台业务拓展。同时，平台可以通过风险控制模型对商家进行信用评估，对优质商家进行认证、奖励等，进一步吸引更多商家和消费者，实现跨境电商平台的良性循环。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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为本发明基于动态神经网络的跨境电商风险控制方法的流程图；
图2为本发明基于动态神经网络的跨境电商风险控制系统的示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
实施例1
参见图1，本发明实施方式公开了一种基于动态神经网络的跨境电商风险控制方法，包括：
S1:通过数据接口接入数据源采集样本数据，所述样本数据经数据预处理后获得样本数据集，通过数据挖掘对所述样本数据集进行特征提取，获得所述样本数据集内的潜在风险因素作为风险控制的依据；
在一个可选的实施例中，所述数据接口的数据源包括跨境电商、供应链、交易平台、服务商以及第三方数据供应商，所述样本数据为数据接口采集的商户-货物-消费者的交易数据。
需要说明的是，在采集数据和处理的过程，通过对跨境电商的交易过程进行实时监测和采集，获取关键数据，如客户信息、商品信息、交易记录等，用于后续基于风险分析决策提供数据支撑，同时也可以针对用户个性化交易需求的风险控制进行数据的追踪以及分析预测，为客户提供风险控制的有效决策。
在一个可选的实施例中，所述通过数据接口接入数据源采集样本数据包括：
S11：数据采集过程对所述样本数据进行数据加密和安全传输处理；
S12：将采集的所述样本数据进行人工收录，在收录过程中通过第三方数据对比所述样本数据进行数据校准和数据验证；
S13：基于第三方数据对所述样本数据进行实时检测，获取交易数据中风险因素的初步判断作为特征提取过程的数据基础。
在一个可选的实施例中，所述样本数据经数据预处理后获得样本数据集包括：
S14：根据机器学习技术分别对所述样本数据进行数据清洗、数据规范、数据集成以及数据脱敏，其中样本数据通过机器学习确定缺失数据的最优值对缺失数据进行填充，样本数据中的异常值基于聚类算法筛除数据偏差值过大的异常数据，保留聚类算法处理后的同类数据；
需要说明的是，数据清洗、数据规范、数据集成和隐私保护这几个环节。机器学习技术在各个环节都能发挥重要的作用，例如，数据缺失时可以采用机器学习的方法来确定最优值，填充缺失数据。此外，在寻找数据中的异常值也可以采用机器学习中的聚类，把同类的数据聚在一起，找到属性值有较大偏差的数据点。此外，还要进行验证数据的准确性和完整性、划分训练数据和测试数据等。确保所选择的动态神经网络模型训练的数据质量高、代表性强。
S15：将预处理后的所述样本数据进行准确性和完整性检验，分别划分用于动态神经网络模型进行训练和测试的训练数据集以及测试数据集，获得训练数据集和测试数据集组成的所述样本数据集。
在一个可选的实施例中，所述通过数据挖掘对所述样本数据集进行特征提取，获得所述样本数据集内的潜在风险因素作为风险控制的依据包括：
S16：根据Z-Score标准化将所述样本数据集中不同量级数据转换为统一量级标准数据；
S17：通过K近邻学习将所述样本数据集内的进行实例化分类，以区分所述样本数据集中潜在的风险类型；
S18：基于主成分分析将实例化分类后的样本数据集进行特征提取，获得风险类型区分后的风险因素特征。
S2：创建基于循环神经网络架构的初始动态神经网络模型，根据模型优化任务调整模型参数以及选择优化算法，基于所述样本数据集训练所述初始动态神经网络模型并持续进行动态神经网络模型的更新优化；
需要说明的是，动态神经网络模型是实现风险管理控制的核心，在风险控制中，动态神经网络可以用于建模和预测金融市场、信用风险和市场波动等方面。例如，可以使用循环神经网络(RNN)或长短期记忆神经网络(LSTM)来建立股票价格预测模型，并利用该模型对投资组合进行优化，从而降低风险并提高收益。动态RNN中的循环结构不仅依赖于当前时间步的输入，还依赖于先前的所有历史信息。因此，每个时间步的输入数据都会对之前的所有时间步的信息进行影响，并以此来产生输出。在标准的静态RNN中，每个时间步的输入数据是固定的，不能随时间变化。然而，在动态RNN中，可以根据输入数据的实际序列长度调整模型的时间步长，从而改变模型的输出。
需要说明的是，在动态RNN的运行过程中，能够采用一些优化算法，如误差反向传播、梯度下降、自适应学习率等算法提高模型的性能，其中损失函数根据任务的特点，选择最适合的损失函数，如风险评估作为分类任务，采用交叉熵损失函数，对于每个时间步，可以计算一个交叉熵损失，然后将所有时间步的损失加起来作为总的损失函数。而针对风险预测作为回归任务，选择均方误差(MSE)损失函数或平均绝对误差(MAE)损失函数，这样实现对模型的参数的实时调整和优化，以达到更高的准确率。
需要说明的是，对于RNN模型而言，存在各样本的记录条数不一致的情况，训练时需要对数据不足的进行数据填充,利用0进行填充；在样本训练集的时间选择上，样本时间跨度上训练集上利用16个月的数据进行训练和验证，利用4个月的数据进行测试，通过对模型进行训练和测试，不断调整模型参数，使其不断进化和提高。
需要说明的是，持续进行动态神经网络模型的更新优化设置有实时监测更新模块，该模块负责实时监测和更新预测模型，根据实时数据对模型进行动态优化和调整，以保证该模型对于跨境电商交易风险的预测和控制能力始终处于最优状态，通过该模块的设计和实现，基于动态神经网络的跨境电商风险控制系统可以实现对跨境电商交易风险的自动、智能化、实时化控制，达到更加精准、高效的风险控制效果。
在一个可选的实施例中，所述初始动态神经网络模型包括：
Embedding层，用于将神经网络模型的输入数据进行随机初始化，通过映射处理将输入数据转换为低维空间向量后输入循环编码层；
循环编码层，用于计算映射处理后的输入数据，输出隐藏层向量结果作为分类层的输入，所述循环编码层的编码器设置为GRU；
分类层，用于将隐藏层向量基于时间点进行分类后输入全连接层，根据优化任务选择的线性模型输出预测结果。
在一个可选的实施例中，所述根据模型优化任务调整模型参数以及选择优化算法包括：
S21：在模型训练前检验样本数据集的完整性，对数据不足的样本数据集进行数据填充处理；
S22：根据所述风险因素确定所述初始动态神经网络模型的优化任务类型；
S23：基于所述优化任务类型动态调整所述初始动态神经网络模型的参数以及优化算法。
S3：根据优化后的所述动态神经网络模型输出的风险预测评估值结合基于所述风险因素预设的风险阈值判断风险行为，输出风险判断结果进行可视化输出，并根据所述风险判断结果实施风险控制措施。
需要说明的是，模块根据动态神经网络模型所预测出的交易风险值，进行风险评估，判断用户是否存在风险行为。当风险识别达到系统设置的一定风险阈值时，系统会自动采取风险控制措施，如暂停交易、拒绝交易、信用评估、限制交易金额等，以保护商户和消费者的利益，实现对跨境电商交易风险的有效控制。同时，系统还能根据历史数据对交易双方进行信用评价，并将其应用于风险控制规则中。
本发明通过动态神经网络实现跨境电商场景的风险控制，能对不同跨境电商的风险因素进行实时识别和判断，并根据历史数据进行模型的学习和训练，实时更新优化出预测分析更全面、预测结果更准确的风险预警模型，将潜在的风险因素统一纳入核查范围内，降低风险预警的失误率和漏识率，精准把控跨境电商的风险控制。本发明通过采集交易过程的全流程数据，并基于动态神经网络的实时识别和判断，能够即时对交易过程进行细节监控、自动处理、快速响应和满意售后等，面对跨境电商交易普遍存在售后难度大、纠纷难以解决等因素，消费者的投诉率较高的情况，能够提高顾客对平台交易的信任度和舒适感，进而促进平台持续发展。本发明通过适用于跨境电商风险控制的循环神经网络模型，使用误差反向传播算法进行模型的训练和优化，针对每个针对每个跨境电商交易和用户数据，系统能够动态调整神经网络的结构和参数，提高风险控制模型的精度和准确性，同时采用数据挖掘和分析技术，建立起细致完整的风险预警模型，基于模型的实时更新优化同步监测和分析跨境电商交易，通过实时预警和风险掌控，提高风险控制的响应速度和处理效率。本发明通过动态神经网络的风险控制，能够在消费者和商家之间提供安全的交易渠道，保障交易的稳定性。通过积累丰富的数据资料，建立可靠的模式识别和分类模型，通过实时监测风险的变化并及时做出毫不迟疑的反应，保证每一个交易都能够高效完成，从而加强平台业务拓展。同时，平台可以通过风险控制模型对商家进行信用评估，对优质商家进行认证、奖励等，进一步吸引更多商家和消费者，实现跨境电商平台的良性循环。
如图2所示，本发明第二方面公开了一种基于动态神经网络的跨境电商风险控制系统，所述系统包括：
数据采集模块,用于通过数据接口接入数据源采集样本数据，所述样本数据经数据预处理后获得样本数据集，通过数据挖掘对所述样本数据集进行特征提取，获得所述样本数据集内的潜在风险因素作为风险控制的依据；
网络构建模块，用于创建基于循环神经网络架构的初始动态神经网络模型，根据模型优化任务调整模型参数以及选择优化算法，基于所述样本数据集训练所述初始动态神经网络模型并持续进行动态神经网络模型的更新优化；
风险控制模块，用于根据优化后的所述动态神经网络模型输出的风险预测评估值结合基于所述风险因素预设的风险阈值判断风险行为，输出风险判断结果进行可视化输出，并根据所述风险判断结果实施风险控制措施。
本发明第三方面公开了一种基于动态神经网络的跨境电商风险控制设备，包括：
至少一个处理器，以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如本发明第一方面公开的任一项所述的基于动态神经网络的跨境电商风险控制方法。
该计算机设备可以是终端，该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现基于动态神经网络的跨境电商风险控制方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本发明第四方面公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如本发明第一方面公开的任一项所述的基于动态神经网络的跨境电商风险控制方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各通过基于动态神经网络的跨境电商风险控制方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
或者，本发明上述模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、终端、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、RAM、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于动态神经网络的跨境电商风险控制方法，其特征在于，应用于跨境电商平台，所述方法包括：
S1:通过数据接口接入数据源采集样本数据，所述样本数据经数据预处理后获得样本数据集，通过数据挖掘对所述样本数据集进行特征提取，获得所述样本数据集内的潜在风险因素作为风险控制的依据；
S2：创建基于循环神经网络架构的初始动态神经网络模型，根据模型优化任务调整模型参数以及选择优化算法，基于所述样本数据集训练所述初始动态神经网络模型并持续进行动态神经网络模型的更新优化；
S3：根据优化后的所述动态神经网络模型输出的风险预测评估值结合基于所述风险因素预设的风险阈值判断风险行为，输出风险判断结果进行可视化输出，并根据所述风险判断结果实施风险控制措施。
2.根据权利要求1所述的基于动态神经网络的跨境电商风险控制方法，其特征在于，所述数据接口的数据源包括跨境电商、供应链、交易平台、服务商以及第三方数据供应商，所述样本数据为数据接口采集的商户-货物-消费者的交易数据。
3.根据权利要求2所述的基于动态神经网络的跨境电商风险控制方法，其特征在于，所述通过数据接口接入数据源采集样本数据包括：
S11：数据采集过程对所述样本数据进行数据加密和安全传输处理；
S12：将采集的所述样本数据进行人工收录，在收录过程中通过第三方数据对比所述样本数据进行数据校准和数据验证；
S13：基于第三方数据对所述样本数据进行实时检测，获取交易数据中风险因素的初步判断作为特征提取过程的数据基础。
4.根据权利要求3所述的基于动态神经网络的跨境电商风险控制方法，其特征在于，所述样本数据经数据预处理后获得样本数据集包括：
S14：根据机器学习技术分别对所述样本数据进行数据清洗、数据规范、数据集成以及数据脱敏，其中样本数据通过机器学习确定缺失数据的最优值对缺失数据进行填充，样本数据中的异常值基于聚类算法筛除数据偏差值过大的异常数据，保留聚类算法处理后的同类数据；
S15：将预处理后的所述样本数据进行准确性和完整性检验，分别划分用于动态神经网络模型进行训练和测试的训练数据集以及测试数据集，获得训练数据集和测试数据集组成的所述样本数据集。
5.根据权利要求1所述的基于动态神经网络的跨境电商风险控制方法，其特征在于，所述通过数据挖掘对所述样本数据集进行特征提取，获得所述样本数据集内的潜在风险因素作为风险控制的依据包括：
S16：根据Z-Score标准化将所述样本数据集中不同量级数据转换为统一量级标准数据；
S17：通过K近邻学习将所述样本数据集内的进行实例化分类，以区分所述样本数据集中潜在的风险类型；
S18：基于主成分分析将实例化分类后的样本数据集进行特征提取，获得风险类型区分后的风险因素特征。
6.根据权利要求1所述的基于动态神经网络的跨境电商风险控制方法，其特征在于，所述初始动态神经网络模型包括：
Embedding层，用于将神经网络模型的输入数据进行随机初始化，通过映射处理将输入数据转换为低维空间向量后输入循环编码层；
循环编码层，用于计算映射处理后的输入数据，输出隐藏层向量结果作为分类层的输入，所述循环编码层的编码器设置为GRU；
分类层，用于将隐藏层向量基于时间点进行分类后输入全连接层，根据优化任务选择的线性模型输出预测结果。
7.根据权利要求1所述的基于动态神经网络的跨境电商风险控制方法，其特征在于，所述根据模型优化任务调整模型参数以及选择优化算法包括：
S21：在模型训练前检验样本数据集的完整性，对数据不足的样本数据集进行数据填充处理；
S22：根据所述风险因素确定所述初始动态神经网络模型的优化任务类型；
S23：基于所述优化任务类型动态调整所述初始动态神经网络模型的参数以及优化算法。
8.一种基于动态神经网络的跨境电商风险控制系统，其特征在于，所述系统包括：
数据采集模块,用于通过数据接口接入数据源采集样本数据，所述样本数据经数据预处理后获得样本数据集，通过数据挖掘对所述样本数据集进行特征提取，获得所述样本数据集内的潜在风险因素作为风险控制的依据；
网络构建模块，用于创建基于循环神经网络架构的初始动态神经网络模型，根据模型优化任务调整模型参数以及选择优化算法，基于所述样本数据集训练所述初始动态神经网络模型并持续进行动态神经网络模型的更新优化；
风险控制模块，用于根据优化后的所述动态神经网络模型输出的风险预测评估值结合基于所述风险因素预设的风险阈值判断风险行为，输出风险判断结果进行可视化输出，并根据所述风险判断结果实施风险控制措施。
9.一种基于动态神经网络的跨境电商风险控制设备，其特征在于，包括：
至少一个处理器，以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7任一项所述的基于动态神经网络的跨境电商风险控制方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的基于动态神经网络的跨境电商风险控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311427975.8A CN117422306A (zh) | 2023-10-30 | 2023-10-30 | 基于动态神经网络的跨境电商风险控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311427975.8A CN117422306A (zh) | 2023-10-30 | 2023-10-30 | 基于动态神经网络的跨境电商风险控制方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117422306A true CN117422306A (zh) | 2024-01-19 |
Family
ID=89524441
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311427975.8A Pending CN117422306A (zh) | 2023-10-30 | 2023-10-30 | 基于动态神经网络的跨境电商风险控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117422306A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117875726A (zh) * | 2024-03-13 | 2024-04-12 | 南方科技大学 | 基于深度学习的价值链优化管控方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103778516A (zh) * | 2014-02-21 | 2014-05-07 | 北京购阿购技术服务有限公司 | 全方位安全定位交易信息集成方法 |
| CN107103460A (zh) * | 2017-03-27 | 2017-08-29 | 杭州呯嘭智能技术有限公司 | 基于信用大数据的跨境支付快速结算方法 |
| CA3050951A1 (en) * | 2019-06-21 | 2019-10-11 | Inspectorio Inc. | Factory risk estimation using historical inspection data |
| CN110472851A (zh) * | 2019-08-02 | 2019-11-19 | 国网上海市电力公司 | 一种基于神经网络的配电网风险隐患动态评价模型构建方法 |
| CN110472817A (zh) * | 2019-07-03 | 2019-11-19 | 西北大学 | 一种结合深度神经网络的XGBoost集成信用评价系统及其方法 |
| CN112711530A (zh) * | 2020-12-28 | 2021-04-27 | 航天信息股份有限公司 | 一种基于机器学习的代码风险预测方法及系统 |
| CN113538125A (zh) * | 2021-06-29 | 2021-10-22 | 百维金科(上海)信息科技有限公司 | 一种基于萤火虫算法优化Hopfield神经网络的风险评级方法 |
| CN116523301A (zh) * | 2023-04-04 | 2023-08-01 | 深圳市致格数智科技有限公司 | 基于电商大数据进行风险评级预测的系统 |
| CN116842527A (zh) * | 2023-07-13 | 2023-10-03 | 陕西财经职业技术学院 | 一种数据安全风险评估方法 |
-
2023
- 2023-10-30 CN CN202311427975.8A patent/CN117422306A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103778516A (zh) * | 2014-02-21 | 2014-05-07 | 北京购阿购技术服务有限公司 | 全方位安全定位交易信息集成方法 |
| CN107103460A (zh) * | 2017-03-27 | 2017-08-29 | 杭州呯嘭智能技术有限公司 | 基于信用大数据的跨境支付快速结算方法 |
| CA3050951A1 (en) * | 2019-06-21 | 2019-10-11 | Inspectorio Inc. | Factory risk estimation using historical inspection data |
| CN110472817A (zh) * | 2019-07-03 | 2019-11-19 | 西北大学 | 一种结合深度神经网络的XGBoost集成信用评价系统及其方法 |
| CN110472851A (zh) * | 2019-08-02 | 2019-11-19 | 国网上海市电力公司 | 一种基于神经网络的配电网风险隐患动态评价模型构建方法 |
| CN112711530A (zh) * | 2020-12-28 | 2021-04-27 | 航天信息股份有限公司 | 一种基于机器学习的代码风险预测方法及系统 |
| CN113538125A (zh) * | 2021-06-29 | 2021-10-22 | 百维金科(上海)信息科技有限公司 | 一种基于萤火虫算法优化Hopfield神经网络的风险评级方法 |
| CN116523301A (zh) * | 2023-04-04 | 2023-08-01 | 深圳市致格数智科技有限公司 | 基于电商大数据进行风险评级预测的系统 |
| CN116842527A (zh) * | 2023-07-13 | 2023-10-03 | 陕西财经职业技术学院 | 一种数据安全风险评估方法 |
Non-Patent Citations (2)
| Title |
|---|
| 孙立: "基于BP神经网络评估跨境电商卖方信用风险", 硕士电子期刊出版信息, no. 05, 15 May 2022 (2022-05-15), pages 9 * |
| 孙立格: "基于BP神经网络的D公司供应商信用评价研究", 硕士电子期刊出版信息, no. 05, 15 February 2023 (2023-02-15), pages 8 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117875726A (zh) * | 2024-03-13 | 2024-04-12 | 南方科技大学 | 基于深度学习的价值链优化管控方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108876133B (zh) | 基于业务信息的风险评估处理方法、装置、服务器和介质 | |
| KR102009309B1 (ko) | 금융상품 관리자동화 시스템 및 관리자동화 방법 | |
| US11481707B2 (en) | Risk prediction system and operation method thereof | |
| KR20210058229A (ko) | 재고 및 판매량 분석을 통한 단기 신용 대출 방법 및 서버 | |
| KR102330423B1 (ko) | 이미지 인식 딥러닝 알고리즘을 이용한 온라인 부도 예측 시스템 | |
| CN117422306A (zh) | 基于动态神经网络的跨境电商风险控制方法及系统 | |
| Sakib | Restaurant sales prediction using machine learning | |
| CN111291925A (zh) | 一种基于人工智能的金融市场预测及决策的系统、方法 | |
| CN108710965A (zh) | 短期盈利的预测方法、装置、计算机设备和存储介质 | |
| CN116739217A (zh) | 一种基于供应链大数据平台的零售管理方法及系统 | |
| CN111932044A (zh) | 一种基于机器学习的钢铁产品价格预测系统和方法 | |
| KR20210065642A (ko) | 주식 정보 선행적 예측 방법 및 이를 위한 장치 | |
| Ahmed et al. | Enhancing stock portfolios for enterprise management and investment in energy industry | |
| US20210090101A1 (en) | Systems and methods for business analytics model scoring and selection | |
| US20170004521A1 (en) | Systems and methods for generating industry outlook scores | |
| Kothapalli et al. | Predicting Buy and Sell Signals for Stocks using Bollinger Bands and MACD with the Help of Machine Learning | |
| CN116777528A (zh) | 一种商品信息推荐方法、装置、计算机设备和存储介质 | |
| CN116664306A (zh) | 风控规则的智能推荐方法、装置、电子设备及介质 | |
| KR102499182B1 (ko) | 인공지능을 이용한 가계대출 사기/부실 상시감사지원시스템 | |
| WO2023114637A1 (en) | Computer-implemented system and method of facilitating artificial intelligence based lending strategies and business revenue management | |
| CA3125407C (en) | Systems and methods for automating pricing desk operations | |
| CN115049137A (zh) | 交易收益率的预测方法及装置、存储介质、电子设备 | |
| CN113298575A (zh) | 一种商标价值批量评估的方法、系统、设备及存储介质 | |
| Vaitkus et al. | Electrical spare parts demand forecasting | |
| US11004156B2 (en) | Method and system for predicting and indexing probability of financial stress |
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 |