CN117493997A - 数据处理方法、装置及设备 - Google Patents

数据处理方法、装置及设备 Download PDF

Info

Publication number
CN117493997A
CN117493997A CN202311590970.7A CN202311590970A CN117493997A CN 117493997 A CN117493997 A CN 117493997A CN 202311590970 A CN202311590970 A CN 202311590970A CN 117493997 A CN117493997 A CN 117493997A
Authority
CN
China
Prior art keywords
risk
characteristic data
user
information
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311590970.7A
Other languages
English (en)
Inventor
彭云峰
宋佳
汪维沁
梁竹苑
吴丽丽
王贝依
许岳培
肖怡
姜梦洁
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 CN202311590970.7A priority Critical patent/CN117493997A/zh
Publication of CN117493997A publication Critical patent/CN117493997A/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
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G06Q40/08—Insurance

Landscapes

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

Abstract

本说明书实施例提供了一种数据处理方法、装置及设备，其中，该方法包括：获取第一用户针对目标行为的心理特征数据，以及所述第一用户在假设场景下针对所述目标行为的行为特征数据，所述目标行为是针对具有不确定性结果的事件，通过第一资源获取数量大于所述第一资源的第二资源的行为；基于所述行为特征数据，生成所述行为特征数据对应的风险标签，并基于所述行为特征数据对应的风险标签，确定所述心理特征数据对应的风险标签；基于所述心理特征数据和对应的风险标签，对风险识别模型进行训练，得到训练后的风险识别模型，所述训练后的风险识别模型用于基于用户针对所述目标行为的心理特征数据进行风险识别处理。

Description

数据处理方法、装置及设备
技术领域
本文件涉及数据处理技术领域，尤其涉及一种数据处理方法、装置及设备。
背景技术
随着互联网技术的飞速发展，网络交易这种全新的交易模式已经被越来越多的人所接受，然而，伴随着网络交易数量的激增，以及人们对自己的隐私数据越来越重视，各种安全问题也层出不穷，其中，非法金融活动(如通过具有不确定性结果的事件，恶意窃取用户资金等活动)是重点防控对象。
但是，由于可以获取到的非法金融活动的相关数据量较小，且数据结构较为复杂，导致对非法金融活动的识别准确性差，因此，需要一种能够提高对非法金融活动的识别准确性的解决方案。
发明内容
本说明书实施例的目的是提供一种数据处理方法、装置及设备，以提供一种能够提高对非法金融活动的识别准确性的解决方案。
为了实现上述技术方案，本说明书实施例是这样实现的：
第一方面，本说明书实施例提供了一种数据处理方法，包括：获取第一用户针对目标行为的心理特征数据，以及所述第一用户在假设场景下针对所述目标行为的行为特征数据，所述目标行为是针对具有不确定性结果的事件，通过第一资源获取数量大于所述第一资源的第二资源的行为；基于所述行为特征数据，生成所述行为特征数据对应的风险标签，并基于所述行为特征数据对应的风险标签，确定所述心理特征数据对应的风险标签；基于所述心理特征数据和对应的风险标签，对风险识别模型进行训练，得到训练后的风险识别模型，所述训练后的风险识别模型用于基于用户针对所述目标行为的心理特征数据进行风险识别处理。
第二方面，本说明书实施例提供了一种数据处理装置，所述装置包括：第一获取模块，用于获取第一用户针对目标行为的心理特征数据，以及所述第一用户在假设场景下针对所述目标行为的行为特征数据，所述目标行为是针对具有不确定性结果的事件，通过第一资源获取数量大于所述第一资源的第二资源的行为；第一确定模块，用于基于所述行为特征数据，生成所述行为特征数据对应的风险标签，并基于所述行为特征数据对应的风险标签，确定所述心理特征数据对应的风险标签；第一训练模块，用于基于所述心理特征数据和对应的风险标签，对风险识别模型进行训练，得到训练后的风险识别模型，所述训练后的风险识别模型用于基于用户针对所述目标行为的心理特征数据进行风险识别处理。
第三方面，本说明书实施例提供了一种数据处理设备，所述数据处理设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：获取第一用户针对目标行为的心理特征数据，以及所述第一用户在假设场景下针对所述目标行为的行为特征数据，所述目标行为是针对具有不确定性结果的事件，通过第一资源获取数量大于所述第一资源的第二资源的行为；基于所述行为特征数据，生成所述行为特征数据对应的风险标签，并基于所述行为特征数据对应的风险标签，确定所述心理特征数据对应的风险标签；基于所述心理特征数据和对应的风险标签，对风险识别模型进行训练，得到训练后的风险识别模型，所述训练后的风险识别模型用于基于用户针对所述目标行为的心理特征数据进行风险识别处理。
第四方面，本说明书实施例提供一种存储介质，所述存储介质用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：获取第一用户针对目标行为的心理特征数据，以及所述第一用户在假设场景下针对所述目标行为的行为特征数据，所述目标行为是针对具有不确定性结果的事件，通过第一资源获取数量大于所述第一资源的第二资源的行为；基于所述行为特征数据，生成所述行为特征数据对应的风险标签，并基于所述行为特征数据对应的风险标签，确定所述心理特征数据对应的风险标签；基于所述心理特征数据和对应的风险标签，对风险识别模型进行训练，得到训练后的风险识别模型，所述训练后的风险识别模型用于基于用户针对所述目标行为的心理特征数据进行风险识别处理。
附图说明
为了更清楚地说明本说明书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为本说明书一种数据处理系统的示意图；
图2A为本说明书一种数据处理方法实施例的流程图；
图2B为本说明书一种数据处理方法的处理过程示意图；
图3为本说明书一种反馈信息的获取过程的示意图；
图4为本说明书又一种数据处理方法的处理过程示意图；
图5为本说明书一种数据处理过程的示意图；
图6为本说明书又一种数据处理过程的示意图；
图7为本说明书一种数据处理装置实施例的结构示意图；
图8为本说明书一种数据处理设备的结构示意图。
具体实施方式
本说明书实施例提供一种数据处理方法、装置及设备。
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都应当属于本说明书保护的范围。
本说明书实施例提供一种数据处理方法、装置及设备。
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都应当属于本说明书保护的范围。
本说明书的技术方案，可以应用于数据处理系统中，如图1所示，该数据处理系统中可以有终端设备和服务器，其中，服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群，终端设备可以如个人计算机等设备，也可以如手机、平板电脑等移动终端设备。
其中，数据处理系统中可以包括n个终端设备和m个服务器，n和m为大于等于1的正整数，终端设备可以用于采集用户的特征数据(如用户针对目标行为的心理特征数据，和/或第一用户在假设场景下针对目标行为的行为特征数据)等。终端设备可以将采集的用户的特征数据发送给数据处理系统中的任意服务器，服务器可以基于采集的用户的特征数据进行数据处理。
在进行数据处理时，服务器可以通过终端设备采集到的用户的特征数据对风险识别模型进行训练，如服务器可以获取第一用户针对目标行为的心理特征数据，以及第一用户在假设场景下针对目标行为的行为特征数据，其中，目标行为可以是针对具有不确定性结果的事件，通过第一资源获取数量大于第一资源的第二资源的行为。然后，服务器可以基于行为特征数据，生成行为特征数据对应的风险标签，并基于行为特征数据对应的风险标签，确定心理特征数据对应的风险标签。最后，服务器可以基于心理特征数据和对应的风险标签，对风险识别模型进行训练，得到训练后的风险识别模型，训练后的风险识别模型可以用于基于用户针对目标行为的心理特征数据进行风险识别处理。
此外，如图1所示，服务器可以是数据处理系统中的任意服务器(如服务器1)，在得到训练后的风险识别模型后，服务器可以将训练后的风险识别模型的模型参数发送给数据处理系统中的其他服务器(如服务器2～服务器m中的任意一个或多个服务器)，以使数据处理系统中的其他服务器可以通过训练后的风险识别模型的模型参数，得到训练后的风险识别模型，以通过训练后的风险识别模型基于本地获取的用户针对目标行为的心理特征数据进行风险识别处理。
基于上述数据处理系统结构可以实现下述实施例中的数据处理方法。
实施例一
如图2A和图2B所示，本说明书实施例提供一种数据处理方法，该方法的执行主体可以是服务器，其中，服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群。该方法具体可以包括以下步骤：
在S202中，获取第一用户针对目标行为的心理特征数据，以及第一用户在假设场景下针对目标行为的行为特征数据。
其中，第一用户可以是任意用户，目标行为可以是针对具有不确定性结果的事件，通过第一资源获取数量大于第一资源的第二资源的行为，第一资源和第二资源可以是货币、权益等资产，恶意第三方可以通过目标行为恶意获取用户的资产，造成用户资产损失，心理特征可以用于表征用户在心理层面对目标行为的认知，如心理特征可以包括用户对目标行为的冲动性特征、用户的风险偏好等，行为特征可以包括用户实施目标行为的动机、频率以及第一资源的资源量等。
在实施中，随着互联网技术的飞速发展，网络交易这种全新的交易模式已经被越来越多的人所接受，然而，伴随着网络交易数量的激增，以及人们对自己的隐私数据越来越重视，各种安全问题也层出不穷，其中，非法金融活动(如通过具有不确定性结果的事件，恶意窃取用户资金等活动)是重点防控对象。但是，由于可以获取到的非法金融活动的相关数据量较小，且数据结构较为复杂，导致对非法金融活动的识别准确性差，因此，需要一种能够提高对非法金融活动的识别准确性的解决方案。为此，本说明书实施例提供一种可以解决上述问题的技术方案，具体可以参见下述内容。
在实施中，终端设备可以采集用户针对目标行为的心理特征数据，以及用户在假设场景下针对目标行为的行为特征数据，并将采集到的数据发送给服务器，服务器可以将接收到的数据确定为第一用户针对目标行为的心理特征数据，以及第一用户在假设场景下针对目标行为的行为特征数据，或者，服务器还可以存储接收到的数据，以在到达模型训练周期的情况下，从本地和/或数据处理系统中的其他服务器获取预先存储的数据，并将获取到的数据确定为第一用户针对目标行为的心理特征数据，以及第一用户在假设场景下针对目标行为的行为特征数据。
其中，终端设备可以输出与目标行为相关的预设话术，并接收用户针对该话术输入的反馈信息，以通过反馈信息获取用户针对目标行为的心理特征数据，以及用户在假设场景下针对目标行为的行为特征数据。例如，如图3所示，终端设备可以输出入预设话术Q1：“您实施目标行为的冲动程度有多少？”，以及预设话术Q2：“假设可以实施目标行为，那您希望实施目标行为的频率是多少？”，终端设备可以将用户针对预设话术Q1的反馈信息A1作为该用户针对目标行为的心理特征数据，将用户针对预设话术Q2的反馈信息A2作为该用户在假设场景下针对目标行为的行为特征数据等。
上述心理特征数据和行为特征数据的获取方法是一种可选地、可实现的获取方法，在实际应用场景中，还可以有多种不同的获取方法，可以根据实际应用场景的不同选取不同的获取方法，本说明书实施例对此不做具体限定。
在S204中，基于行为特征数据，生成行为特征数据对应的风险标签，并基于行为特征数据对应的风险标签，确定心理特征数据对应的风险标签。
在实施中，可以通过行为特征对应的指标阈值和第一用户在假设场景下针对目标行为的行为特征数据，确定该行为特征数据对应的风险标签。例如，假设行为特征包括用户实施目标行为的频率以及第一资源的资源量，其中，用户实施目标行为的频率这一行为特征对应的指标阈值可以为一周三次，第一资源的资源量这一行为特征对应的指标阈值可以为100，那么，服务器可以根据第一用户在假设场景下针对目标行为的行为特征数据和上述两个指标阈值，判断该行为特征数据对应的风险标签。
此外，上述行为特征数据对应的风险标签的确定方法是一种可选地、可实现的确定方法，在实际应用场景中，还可以有多种不同的确定方法，例如，还可以通过行为特征对应的指标阈值和权重，以及第一用户在假设场景下针对目标行为的行为特征数据，确定该行为特征数据对应的风险标签，或者，还可以通过人工的方式，基于行为特征数据，生成行为特征数据对应的风险标签等，可以根据实际应用场景的不同，选取不同的确定方法，本说明书实施例对此不做具体限定。
服务器可以基于行为特征数据对应的风险标签，确定心理特征数据对应的风险标签，例如，服务器可以将行为特征数据对应的风险标签，确定为心理特征数据对应的风险标签，或者，服务器还可以通过行为特征数据对应的风险标签和心理特征数据对应的风险标签之间的预设对应关系，确定心理特征数据对应的风险标签，例如，行为特征数据对应的风险标签和心理特征数据对应的风险标签之间的预设对应关系可以如下表1所示。
风险标签1 风险标签2
高风险 高风险
中风险 低风险
低风险 低风险
其中，风险标签1可以为行为特征数据对应的风险标签，风险标签2可以为心理特征数据对应的风险标签，可以根据上述表1所示的预设对应关系和第一用户的行为特征数据对应的风险标签，确定第一用户的心理特征数据对应的风险标签，如若第一用户的行为特征数据对应的风险标签为中风险，那么，基于上述表1中的预设对应关系，服务器可以确定第一用户的心理特征数据对应的风险标签为低风险。
上述心理特征数据对应的风险标签的确定方法是一种可选地、可实现的确定方法，在实际应用场景中，还可以有多种不同的确定方法，可以根据实际应用场景的不同选取不同的确定方法，本说明书实施例对此不做具体限定。
在S206中，基于心理特征数据和对应的风险标签，对风险识别模型进行训练，得到训练后的风险识别模型。
其中，训练后的风险识别模型可以用于基于用户针对所述目标行为的心理特征数据进行风险识别处理，风险识别模型可以是基于预设机器学习算法构建的模型，例如，风险识别模型可以是通过二分类因变量算法(如逻辑回归算法(Logistics regression)或决策树算法(Decision tree)等)构建。
在实施中，服务器可以基于二分类算法构建风险识别模型，并基于心理特征数据和对应的风险标签，对风险识别模型进行训练，以得到训练后的风险识别模型。这样，服务器在接收到待检测的用户针对目标行为的心理特征数据时，就可以通过训练后的风险识别模型进行风险识别处理。
此外，服务器还可以根据待检测的用户所处的区域，获取与该区域对应的训练后的风险识别模型(即用于训练该风险识别模型的第一用户也属于该区域)，并通过与该区域对应的训练后的风险识别模型，对该区域的待检测数据进行风险识别处理。这样，可以通过有针对性的设计，提高风险识别模型能够对所属区域内的用户心理特征数据进行有效的风险识别处理。
本说明书实施例提供一种数据处理方法，获取第一用户针对目标行为的心理特征数据，以及第一用户在假设场景下针对目标行为的行为特征数据，目标行为是针对具有不确定性结果的事件，通过第一资源获取数量大于第一资源的第二资源的行为，基于行为特征数据，生成行为特征数据对应的风险标签，并基于行为特征数据对应的风险标签，确定心理特征数据对应的风险标签，基于心理特征数据和对应的风险标签，对风险识别模型进行训练，得到训练后的风险识别模型，训练后的风险识别模型可以用于基于用户针对所述目标行为的心理特征数据进行风险识别处理。这样，可以结合用户在针对目标行为的心理特征数据，以及第一用户在假设场景下针对目标行为的行为特征数据，对风险识别模型进行训练，即可以从意图和行为这两个角度对风险识别模型进行训练，以使训练后的风险识别模型，可更准确的对用户的目标行为进行风险识别。
实施例二
如图4所示，本说明书实施例提供一种数据处理方法，该方法的执行主体可以是服务器，其中，服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群。该方法具体可以包括以下步骤：
在S402中，获取第一用户针对第一信息的第一反馈信息，以及针对第二信息的第二反馈信息。
其中，第一信息可以为用于获取用户针对目标行为的心理特征数据的信息，第二信息可以为用于获取用户在假设场景下针对目标行为的行为特征数据的信息，第一信息和第二信息可以为问卷、调查表等，第一反馈信息可以是第一用户对第一信息中包含的问题的反馈信息，第二反馈信息可以是第二用户对第二信息中包含的问题的反馈信息，目标行为可以是针对具有不确定性结果的事件，通过第一资源获取数量大于第一资源的第二资源的行为。
在实施中，由于不同区域的用户对目标行为的认知和行为选择等都存在一定的差异性，因此，可以针对风险识别模型的适用区域的用户特性，设计对应的第一信息和第二信息。
此外，第一信息和/或第二信息的呈现形式有多种，如可以通过纸质问卷的形式呈现给第一用户，也可以通过电子问卷的形式呈现给第一用户，本说明书实施例对第一信息和第二信息的呈现形式不作具体限定。
在S404中，基于第一反馈信息，确定第一用户针对目标行为的心理特征数据，并基于第二反馈信息，确定第一用户在假设场景下针对目标行为的行为特征数据。
在实施中，服务器可以通过问卷的形式要求用户阅读指导语，并想象正处于指导语所创设的假设情景之中，以得到第一用户在假设场景下针对目标行为的行为特征数据。
此外，由于用户的反馈信息中可能存在冗余信息，因此，服务器可以对第一反馈信息进行关键信息提取处理，以得到第一用户针对目标行为的心理特征数据，以及对第二反馈信息进行关键信息提取处理，以第一用户在假设场景下针对目标行为的行为特征数据。
其中，服务器可以通过预先训练的第一提取模型，对第一反馈信息进行关键信息提取处理，以及通过预先训练的第二提取模型，对第二反馈信息进行关键信息提取处理，第一提取模型和第二提取模型可以是基于预设机器学习算法构建的用于进行关键词提取的模型，即服务器可以将预先训练的第一提取模型，对第一反馈信息进行关键信息提取处理得到的关键词确定为第一用户针对目标行为的心理特征数据，将预先训练的第二提取模型，对第二反馈信息进行关键信息提取处理得到的关键词确定为第一用户在假设场景下针对目标行为的行为特征数据。
此外，心理特征数据和行为特征数据的确定方法是一种可选地、可实现的确定方法，在实际应用场景中，还可以有多种不同的确定方法，例如，可以通过关键字匹配的方式，确定心理特征数据和行为特征数据，具体如，服务器可以基于预设心理特征关键字，对第一反馈信息进行关键字匹配处理，将匹配得到的关键字确定为心理特征数据，以及可以基于预设行为特征关键字，对第二反馈信息进行关键字匹配处理，将匹配得到的关键字确定为行为特征数据等，可以根据实际应用场景的不同，选取不同的确定方法，本说明书实施例对此不作具体。
在S406中，获取第一用户针对目标行为的实际行为特征数据，并基于实际行为特征数据，生成实际行为特征数据对应的风险标签。
其中，实际行为特征可以包括用户实际实施目标行为的动机、频率以及第一资源的资源量等。
在实施中，服务器可以获取第一用户针对目标行为的历史行为数据，并基于历史行为数据，确定第一用户针对目标行为的实际行为特征数据，进而基于实际行为特征数据，生成实际行为特征数据对应的风险标签。
其中，服务器可以通过预先训练的风险标签生成模型，生成实际行为特征数据对应的风险标签，风险标签生成模型可以是基于聚类算法(如K-means算法)等机器学习算法构建的模型，即服务器可以通过聚类算法对实际行为特征数据进行聚类处理，并根据聚类结果，确定实际行为特征数据对应的风险标签。
在S408中，基于行为特征数据，生成行为特征数据对应的风险标签。
在实施中，服务器也可以通过预先训练的风险标签生成模型，生成行为特征数据对应的风险标签。
在S410中，基于实际行为特征数据对应的风险标签和行为特征数据对应的风险标签，确定心理特征数据对应的风险标签。
在实施中，服务器可以将实际行为特征数据对应的风险标签和行为特征数据对应的风险标签，确定为心理特征数据对应的风险标签，或者，服务器还可以根据实际行为特征数据对应的风险标签对应的风险值和行为特征数据对应的风险标签的风险值，确定心理特征数据对应的风险值，进而通过心理特征数据对应的风险值，确定心理特征数据对应的风险标签，除此之外，心理特征数据对应的风险标签的确定方法还可以有多种，可以根据实际应用场景的不同而有所不同，本说明书实施例对此不做具体限定。
在S206中，基于心理特征数据和对应的风险标签，对风险识别模型进行训练，得到训练后的风险识别模型。
其中，训练后的风险识别模型可以用于基于用户针对所述目标行为的心理特征数据进行风险识别处理。
在实施中，如图5所示，服务器还可以在得到第一用户的授权的情况下，获取第一用户的用户信息，并将用户信息、心理特征数据和对应的风险标签，对风险识别模型进行训练，其中，用户信息可以包括用户的人口学信息，如用户的受教育程度等信息，此外，为保护用户隐私，服务器获取的用户信息可以是经过脱敏处理后的信息。
在S412中，基于预设模型优化算法，对风险识别模型的输入参数的数量进行优化处理，得到风险识别模型的输入参数的目标数量。
其中，预设模型优化算法为基于模型的输入参数的数量和对应的模型复杂度，对模型的输入参数的数量进行优化处理的算法，例如，预设模型优化算法可以为赤池信息量准则(Akaike information criterion，AIC)、贝叶斯信息量准则(Bayesian informationcriterion，BIC)等。
在S414中，基于输入参数的目标数量，对第一信息包含的心理特征指标进行调整，得到调整后的第一信息。
在实施中，服务器可以基于输入参数的目标数量和第一信息的预设衡量指标，对第一信息包含的心理特征指标进行调整，得到调整后的第一信息，其中，第一信息的预设衡量指标可以包括第一信息的信度和/或效度，信度可以用于衡量第一信息的得分稳定性，效度可以用于衡量第一信息包含的特征的有效性。即服务器可以基于输入参数的目标数量，结合第一信息的信度和/或效度，增加或删除第一信息中心理特征指标，以得到调整后的第一信息。
在S416中，通过训练后的风险识别模型和用户针对调整后的第一信息的反馈信息进行风险识别处理。
在实施中，服务器可以获取待检测的用户针对调整后的第一信息的反馈信息，并基于该反馈信息，确定待检测的用户针对目标行为的心理特征数据，以通过训练后的风险识别模型对得到的心理特征数据进行风险识别处理，得到该心理特征数据对应的风险标签，以及该心理特征数据中的异常心理特征数据。然后，服务器可以基于该心理特征数据对应的风险标签，以及该心理特征数据中的异常心理特征数据，确定该检测的用户是否存在与目标行为相关的异常风险，并在该待检测的用户存在与目标行为相关的异常风险的情况下，基于上述心理特征数据中的异常心理特征数据进行风险控制处理。
此外，在实际应用中，上述S416的处理方式可以多种多样，以下提供一种可选的实现方式，具体可以参见下述步骤一～步骤七处理：
步骤一，获取第二用户针对调整后的第一信息的第三反馈信息，以及针对第二信息的第四反馈信息。
其中，第二用户与第一用户为不同用户。
在实施中，服务器可以获取与第一用户不同的第二用户针对调整后的第一信息的第三反馈信息，以及针对第二信息的第四反馈信息。
步骤二，基于第三反馈信息，确定第二用户针对目标行为的第一心理特征数据，并基于第四反馈信息，确定第二用户在假设场景下针对目标行为的第一行为特征数据。
在实施中，第一心理特征数据和第一行为特征数据的确定方法可以参见上述S404中的心理特征数据和行为特征数据的确定方法，此处不再赘述。
步骤三，通过训练后的风险识别模型和第一心理特征数据，确定第一心理特征数据对应的第一风险标签，并基于第一行为特征数据确定第一行为特征数据对应的第二风险标签。
在实施中，服务器可以通过预设聚类算法对第一行为特征数据进行聚类处理，并基于得到的聚类结果，确定第一行为特征数据对应的第二风险标签。
步骤四，对第二用户针对目标行为的实际行为特征数据和第一风险标签进行验证处理，得到第一验证结果，并对第二用户针对目标行为的实际行为特征数据和第二风险标签进行验证处理，得到第二验证结果。
在实施中，服务器可以基于实际行为特征数据与第一风险标签的预设匹配关系，对第二用户针对目标行为的实际行为特征数据和第一风险标签进行验证处理，得到第一验证结果，例如，以实际行为特征包括实际实施目标行为的频率为例，假设实际行为特征数据与实际实施目标行为的频率的预设匹配关系可以如下表2所示。
表2
若第二用户针对目标行为的实际行为特征数据为一周三次，且第一风险标签为高风险，那么，基于上述表2可知，第二用户针对目标行为的实际行为特征数据和第一风险标签不匹配，即第一验证结果可以为验证失败。同样的，服务器可以基于上述方法，确定第二验证结果。
此外，上述第一验证结果和第二验证结果的确定方法是一种可选地、可实现的确定方法，在实际应用场景中，还可以有多种不同的确定方法，例如，在实际行为特征数据有多个的情况下，可以基于多个实际行为特征数据与第一风险标签的预设匹配关系，对第二用户针对目标行为的实际行为特征数据和第一风险标签进行验证处理，得到第一验证结果，可以根据实际应用场景的不同，选取不同的确定方法，本说明书实施例对此不做具体限定。
步骤五，基于第一验证结果和第二验证结果，确定训练后的风险识别模型是否满足预设模型准确性需求，并在训练后的风险识别模型满足预设模型准确性需求的情况下，通过训练后的风险识别模型和用户针对调整后的第一信息的反馈信息进行风险识别处理。
在实施中，如图5所示，可以通过第一验证结果和第二验证结果对风险识别模型进行反向验证，即在第一验证结果和第二验证结果中存在验证失败结果的情况下，可以确定训练后的风险识别模型不满足预设模型准确性需求，在第一验证结果和第二验证结果中不存在验证失败结果的情况下，可以确定训练后的风险识别模型满足预设模型准确性需求。
在训练后的风险识别模型满足预设模型准确性需求的情况下，服务器可以获取待检测的第三用户针对调整后的第一信息的第五反馈信息，并基于第五反馈信息，确定第三用户针对目标行为的第二心理特征数据。
通过训练后的风险识别模型对第二心理特征数据进行风险识别处理，得到第二心理特征数据对应的风险标签，以及第二心理特征数据中的异常心理特征数据。
基于第二心理特征数据对应的风险标签，以及第二心理特征数据中的异常心理特征数据，确定第三用户是否存在与目标行为相关的异常风险，并在第三用户存在与目标行为相关的异常风险的情况下，基于第二心理特征数据中的异常心理特征数据进行风险控制处理。
步骤六，在训练后的风险识别模型不满足预设模型准确性需求的情况下，将第二风险标签确定为第一心理特征数据对应的风险标签。
在实施中，服务器基于上述步骤一～步骤六，可以利用调整后的第一信息和风险识别模型进行重复施测，直至筛选出预测力较强且稳定的核心预测变量(即心理特征)，并基于确定的心理特征构建风险识别模型的输入变量。
步骤七，基于第一心理特征数据和对应的风险标签，对训练后的风险识别模型进行训练，得到更新后的风险识别模型，并通过更新后的风险识别模型和用户针对调整后的第一信息的反馈信息进行风险识别处理。
在实施中，如图6所示，服务器可以将用户针对调整后的第一信息的反馈信息作为该用户针对目标行为的心理特征数据输入更新后的风险识别模型，以得到针对该反馈信息的风险识别结果(即心理特征数据对应的风险标签和异常特征数据)，进而通过风险识别结果判断该用户是否存在与目标行为相关的异常风险，并在存在异常风险的情况下，基于异常特征数据进行具体风险点的提示，以进行相关的风险控制处理。
本说明书实施例提供一种数据处理方法，获取第一用户针对目标行为的心理特征数据，以及第一用户在假设场景下针对目标行为的行为特征数据，目标行为是针对具有不确定性结果的事件，通过第一资源获取数量大于第一资源的第二资源的行为，基于行为特征数据，生成行为特征数据对应的风险标签，并基于行为特征数据对应的风险标签，确定心理特征数据对应的风险标签，基于心理特征数据和对应的风险标签，对风险识别模型进行训练，得到训练后的风险识别模型，训练后的风险识别模型可以用于基于用户针对所述目标行为的心理特征数据进行风险识别处理。这样，可以结合用户在针对目标行为的心理特征数据，以及第一用户在假设场景下针对目标行为的行为特征数据，对风险识别模型进行训练，即可以从意图和行为这两个角度对风险识别模型进行训练，以使训练后的风险识别模型，可更准确的对用户的目标行为进行风险识别。
实施例三
以上为本说明书实施例提供的数据处理方法，基于同样的思路，本说明书实施例还提供一种数据处理装置，如图7所示。
该数据处理装置包括：第一获取模块701、第一确定模块702和第一训练模块703，其中：
第一获取模块701，用于获取第一用户针对目标行为的心理特征数据，以及所述第一用户在假设场景下针对所述目标行为的行为特征数据，所述目标行为是针对具有不确定性结果的事件，通过第一资源获取数量大于所述第一资源的第二资源的行为；
第一确定模块702，用于基于所述行为特征数据，生成所述行为特征数据对应的风险标签，并基于所述行为特征数据对应的风险标签，确定所述心理特征数据对应的风险标签；
第一训练模块703，用于基于所述心理特征数据和对应的风险标签，对风险识别模型进行训练，得到训练后的风险识别模型，所述训练后的风险识别模型用于基于用户针对所述目标行为的心理特征数据进行风险识别处理。
本说明书实施例中，所述第一获取模块701，用于：
获取所述第一用户针对第一信息的第一反馈信息，以及针对第二信息的第二反馈信息，所述第一信息为用于获取用户针对所述目标行为的心理特征数据的信息，所述第二信息为用于获取用户在假设场景下针对所述目标行为的行为特征数据的信息；
基于所述第一反馈信息，确定所述第一用户针对目标行为的心理特征数据，并基于所述第二反馈信息，确定所述第一用户在假设场景下针对所述目标行为的行为特征数据。
本说明书实施例中，所述装置还包括：
参数优化模块，用于基于预设模型优化算法，对所述风险识别模型的输入参数的数量进行优化处理，得到所述风险识别模型的输入参数的目标数量，所述预设模型优化算法为基于模型的输入参数的数量和对应的模型复杂度，对所述模型的输入参数的数量进行优化处理的算法；
信息调整模块，用于基于所述输入参数的目标数量，对所述第一信息包含的心理特征指标进行调整，得到调整后的第一信息；
风险识别模块，用于通过所述训练后的风险识别模型和用户针对所述调整后的第一信息的反馈信息进行风险识别处理。
本说明书实施例中，所述信息调整模块，用于：
基于所述输入参数的目标数量和所述第一信息的预设衡量指标，对所述第一信息包含的心理特征指标进行调整，得到所述调整后的第一信息，所述第一信息的预设衡量指标包括所述第一信息的信度和/或效度。
本说明书实施例中，所述风险识别模块，用于：
获取第二用户针对所述调整后的第一信息的第三反馈信息，以及针对所述第二信息的第四反馈信息；
基于所述第三反馈信息，确定所述第二用户针对目标行为的第一心理特征数据，并基于所述第四反馈信息，确定所述第二用户在假设场景下针对所述目标行为的第一行为特征数据；
通过所述训练后的风险识别模型和所述第一心理特征数据，确定所述第一心理特征数据对应的第一风险标签，并基于所述第一行为特征数据确定所述第一行为特征数据对应的第二风险标签；
对所述第二用户针对所述目标行为的实际行为特征数据和所述第一风险标签进行验证处理，得到第一验证结果，并对所述第二用户针对所述目标行为的实际行为特征数据和所述第二风险标签进行验证处理，得到第二验证结果；
基于所述第一验证结果和所述第二验证结果，确定所述训练后的风险识别模型是否满足预设模型准确性需求，并在所述训练后的风险识别模型满足预设模型准确性需求的情况下，通过所述训练后的风险识别模型和用户针对所述调整后的第一信息的反馈信息进行风险识别处理。
本说明书实施例中，所述风险识别模块，用于：
获取待检测的第三用户针对所述调整后的第一信息的第五反馈信息，并基于所述第五反馈信息，确定所述第三用户针对目标行为的第二心理特征数据；
通过所述训练后的风险识别模型对所述第二心理特征数据进行风险识别处理，得到所述第二心理特征数据对应的风险标签，以及所述第二心理特征数据中的异常心理特征数据；
基于所述第二心理特征数据对应的风险标签，以及所述第二心理特征数据中的异常心理特征数据，确定所述第三用户是否存在与所述目标行为相关的异常风险，并在所述第三用户存在与所述目标行为相关的异常风险的情况下，基于所述第二心理特征数据中的异常心理特征数据进行风险控制处理。
本说明书实施例中，所述装置还包括：
第二确定模块，用于在所述训练后的风险识别模型不满足预设模型准确性需求的情况下，将所述第二风险标签确定为所述第一心理特征数据对应的风险标签；
第二训练模块，用于基于所述第一心理特征数据和对应的风险标签，对所述训练后的风险识别模型进行训练，得到更新后的风险识别模型，并通过所述更新后的风险识别模型和用户针对所述调整后的第一信息的反馈信息进行风险识别处理。
本说明书实施例中，所述第一确定模块702，用于：
获取所述第一用户针对所述目标行为的实际行为特征数据，并基于所述实际行为特征数据，生成所述实际行为特征数据对应的风险标签；
基于所述行为特征数据，生成所述行为特征数据对应的风险标签；
基于所述实际行为特征数据对应的风险标签和所述行为特征数据对应的风险标签，确定所述心理特征数据对应的风险标签。
本说明书实施例提供一种数据处理装置，获取第一用户针对目标行为的心理特征数据，以及第一用户在假设场景下针对目标行为的行为特征数据，目标行为是针对具有不确定性结果的事件，通过第一资源获取数量大于第一资源的第二资源的行为，基于行为特征数据，生成行为特征数据对应的风险标签，并基于行为特征数据对应的风险标签，确定心理特征数据对应的风险标签，基于心理特征数据和对应的风险标签，对风险识别模型进行训练，得到训练后的风险识别模型，训练后的风险识别模型可以用于基于用户针对所述目标行为的心理特征数据进行风险识别处理。这样，可以结合用户在针对目标行为的心理特征数据，以及第一用户在假设场景下针对目标行为的行为特征数据，对风险识别模型进行训练，即可以从意图和行为这两个角度对风险识别模型进行训练，以使训练后的风险识别模型，可更准确的对用户的目标行为进行风险识别。
实施例四
基于同样的思路，本说明书实施例还提供一种数据处理设备，如图8所示。
数据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)，每个模块可以包括对数据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801可以设置为与存储器802通信，在数据处理设备上执行存储器802中的一系列计算机可执行指令。数据处理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。
具体在本实施例中，数据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数据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：
获取第一用户针对目标行为的心理特征数据，以及所述第一用户在假设场景下针对所述目标行为的行为特征数据，所述目标行为是针对具有不确定性结果的事件，通过第一资源获取数量大于所述第一资源的第二资源的行为；
基于所述行为特征数据，生成所述行为特征数据对应的风险标签，并基于所述行为特征数据对应的风险标签，确定所述心理特征数据对应的风险标签；
基于所述心理特征数据和对应的风险标签，对风险识别模型进行训练，得到训练后的风险识别模型，所述训练后的风险识别模型用于基于用户针对所述目标行为的心理特征数据进行风险识别处理。
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，对于数据处理设备实施例而言，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。
本说明书实施例提供一种数据处理设备，获取第一用户针对目标行为的心理特征数据，以及第一用户在假设场景下针对目标行为的行为特征数据，目标行为是针对具有不确定性结果的事件，通过第一资源获取数量大于第一资源的第二资源的行为，基于行为特征数据，生成行为特征数据对应的风险标签，并基于行为特征数据对应的风险标签，确定心理特征数据对应的风险标签，基于心理特征数据和对应的风险标签，对风险识别模型进行训练，得到训练后的风险识别模型，训练后的风险识别模型可以用于基于用户针对所述目标行为的心理特征数据进行风险识别处理。这样，可以结合用户在针对目标行为的心理特征数据，以及第一用户在假设场景下针对目标行为的行为特征数据，对风险识别模型进行训练，即可以从意图和行为这两个角度对风险识别模型进行训练，以使训练后的风险识别模型，可更准确的对用户的目标行为进行风险识别。
实施例五
本说明书实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述数据处理方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。
本说明书实施例提供一种计算机可读存储介质，获取第一用户针对目标行为的心理特征数据，以及第一用户在假设场景下针对目标行为的行为特征数据，目标行为是针对具有不确定性结果的事件，通过第一资源获取数量大于第一资源的第二资源的行为，基于行为特征数据，生成行为特征数据对应的风险标签，并基于行为特征数据对应的风险标签，确定心理特征数据对应的风险标签，基于心理特征数据和对应的风险标签，对风险识别模型进行训练，得到训练后的风险识别模型，训练后的风险识别模型可以用于基于用户针对所述目标行为的心理特征数据进行风险识别处理。这样，可以结合用户在针对目标行为的心理特征数据，以及第一用户在假设场景下针对目标行为的行为特征数据，对风险识别模型进行训练，即可以从意图和行为这两个角度对风险识别模型进行训练，以使训练后的风险识别模型，可更准确的对用户的目标行为进行风险识别。
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90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，在实施本说明书一个或多个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，本说明书的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，本说明书一个或多个实施例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。
本说明书的实施例是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的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，本说明书一个或多个实施例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。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (10)

1.一种数据处理方法，包括：
获取第一用户针对目标行为的心理特征数据，以及所述第一用户在假设场景下针对所述目标行为的行为特征数据，所述目标行为是针对具有不确定性结果的事件，通过第一资源获取数量大于所述第一资源的第二资源的行为；
基于所述行为特征数据，生成所述行为特征数据对应的风险标签，并基于所述行为特征数据对应的风险标签，确定所述心理特征数据对应的风险标签；
基于所述心理特征数据和对应的风险标签，对风险识别模型进行训练，得到训练后的风险识别模型，所述训练后的风险识别模型用于基于用户针对所述目标行为的心理特征数据进行风险识别处理。
2.根据权利要求1所述的方法，所述获取第一用户针对目标行为的心理特征数据，以及所述第一用户在假设场景下针对所述目标行为的行为特征数据，包括：
获取所述第一用户针对第一信息的第一反馈信息，以及针对第二信息的第二反馈信息，所述第一信息为用于获取用户针对所述目标行为的心理特征数据的信息，所述第二信息为用于获取用户在假设场景下针对所述目标行为的行为特征数据的信息；
基于所述第一反馈信息，确定所述第一用户针对目标行为的心理特征数据，并基于所述第二反馈信息，确定所述第一用户在假设场景下针对所述目标行为的行为特征数据。
3.根据权利要求2所述的方法，所述方法还包括：
基于预设模型优化算法，对所述风险识别模型的输入参数的数量进行优化处理，得到所述风险识别模型的输入参数的目标数量，所述预设模型优化算法为基于模型的输入参数的数量和对应的模型复杂度，对所述模型的输入参数的数量进行优化处理的算法；
基于所述输入参数的目标数量，对所述第一信息包含的心理特征指标进行调整，得到调整后的第一信息；
通过所述训练后的风险识别模型和用户针对所述调整后的第一信息的反馈信息进行风险识别处理。
4.根据权利要求3所述的方法，所述基于所述输入参数的目标数量，对所述第一信息包含的心理特征指标进行调整，得到调整后的第一信息，包括：
基于所述输入参数的目标数量和所述第一信息的预设衡量指标，对所述第一信息包含的心理特征指标进行调整，得到所述调整后的第一信息，所述第一信息的预设衡量指标包括所述第一信息的信度和/或效度。
5.根据权利要求4所述的方法，所述通过所述训练后的风险识别模型和用户针对所述调整后的第一信息的反馈信息进行风险识别处理，包括：
获取第二用户针对所述调整后的第一信息的第三反馈信息，以及针对所述第二信息的第四反馈信息；
基于所述第三反馈信息，确定所述第二用户针对目标行为的第一心理特征数据，并基于所述第四反馈信息，确定所述第二用户在假设场景下针对所述目标行为的第一行为特征数据；
通过所述训练后的风险识别模型和所述第一心理特征数据，确定所述第一心理特征数据对应的第一风险标签，并基于所述第一行为特征数据确定所述第一行为特征数据对应的第二风险标签；
对所述第二用户针对所述目标行为的实际行为特征数据和所述第一风险标签进行验证处理，得到第一验证结果，并对所述第二用户针对所述目标行为的实际行为特征数据和所述第二风险标签进行验证处理，得到第二验证结果；
基于所述第一验证结果和所述第二验证结果，确定所述训练后的风险识别模型是否满足预设模型准确性需求，并在所述训练后的风险识别模型满足预设模型准确性需求的情况下，通过所述训练后的风险识别模型和用户针对所述调整后的第一信息的反馈信息进行风险识别处理。
6.根据权利要求5所述的方法，所述通过所述训练后的风险识别模型和用户针对所述调整后的第一信息的反馈信息进行风险识别处理，包括：
获取待检测的第三用户针对所述调整后的第一信息的第五反馈信息，并基于所述第五反馈信息，确定所述第三用户针对目标行为的第二心理特征数据；
通过所述训练后的风险识别模型对所述第二心理特征数据进行风险识别处理，得到所述第二心理特征数据对应的风险标签，以及所述第二心理特征数据中的异常心理特征数据；
基于所述第二心理特征数据对应的风险标签，以及所述第二心理特征数据中的异常心理特征数据，确定所述第三用户是否存在与所述目标行为相关的异常风险，并在所述第三用户存在与所述目标行为相关的异常风险的情况下，基于所述第二心理特征数据中的异常心理特征数据进行风险控制处理。
7.根据权利要求5所述的方法，所述方法还包括：
在所述训练后的风险识别模型不满足预设模型准确性需求的情况下，将所述第二风险标签确定为所述第一心理特征数据对应的风险标签；
基于所述第一心理特征数据和对应的风险标签，对所述训练后的风险识别模型进行训练，得到更新后的风险识别模型，并通过所述更新后的风险识别模型和用户针对所述调整后的第一信息的反馈信息进行风险识别处理。
8.根据权利要求1所述的方法，所述基于所述行为特征数据，生成所述行为特征数据对应的风险标签，并基于所述行为特征数据对应的风险标签，确定所述心理特征数据对应的风险标签，包括：
获取所述第一用户针对所述目标行为的实际行为特征数据，并基于所述实际行为特征数据，生成所述实际行为特征数据对应的风险标签；
基于所述行为特征数据，生成所述行为特征数据对应的风险标签；
基于所述实际行为特征数据对应的风险标签和所述行为特征数据对应的风险标签，确定所述心理特征数据对应的风险标签。
9.一种数据处理装置，包括：
第一获取模块，用于获取第一用户针对目标行为的心理特征数据，以及所述第一用户在假设场景下针对所述目标行为的行为特征数据，所述目标行为是针对具有不确定性结果的事件，通过第一资源获取数量大于所述第一资源的第二资源的行为；
第一确定模块，用于基于所述行为特征数据，生成所述行为特征数据对应的风险标签，并基于所述行为特征数据对应的风险标签，确定所述心理特征数据对应的风险标签；
第一训练模块，用于基于所述心理特征数据和对应的风险标签，对风险识别模型进行训练，得到训练后的风险识别模型，所述训练后的风险识别模型用于基于用户针对所述目标行为的心理特征数据进行风险识别处理。
10.一种数据处理设备，所述数据处理设备包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
获取第一用户针对目标行为的心理特征数据，以及所述第一用户在假设场景下针对所述目标行为的行为特征数据，所述目标行为是针对具有不确定性结果的事件，通过第一资源获取数量大于所述第一资源的第二资源的行为；
基于所述行为特征数据，生成所述行为特征数据对应的风险标签，并基于所述行为特征数据对应的风险标签，确定所述心理特征数据对应的风险标签；
基于所述心理特征数据和对应的风险标签，对风险识别模型进行训练，得到训练后的风险识别模型，所述训练后的风险识别模型用于基于用户针对所述目标行为的心理特征数据进行风险识别处理。
CN202311590970.7A 2023-11-24 2023-11-24 数据处理方法、装置及设备 Pending CN117493997A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311590970.7A CN117493997A (zh) 2023-11-24 2023-11-24 数据处理方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311590970.7A CN117493997A (zh) 2023-11-24 2023-11-24 数据处理方法、装置及设备

Publications (1)

Publication Number Publication Date
CN117493997A true CN117493997A (zh) 2024-02-02

Family

ID=89682807

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311590970.7A Pending CN117493997A (zh) 2023-11-24 2023-11-24 数据处理方法、装置及设备

Country Status (1)

Country Link
CN (1) CN117493997A (zh)

Similar Documents

Publication Publication Date Title
CN110688974B (zh) 一种身份识别方法及装置
CN110674188A (zh) 一种特征提取方法、装置及设备
CN110020427B (zh) 策略确定方法和装置
CN111325444B (zh) 一种风险防控决策方法、装置、系统及设备
CN110738562B (zh) 一种风险提醒信息的生成方法、装置及设备
CN113837638A (zh) 话术确定方法、装置及设备
CN116049761A (zh) 数据处理方法、装置及设备
CN117390293B (zh) 一种针对纠纷案件的信息推荐方法、装置、介质及设备
CN117392694B (zh) 数据处理方法、装置及设备
CN113221717A (zh) 一种基于隐私保护的模型构建方法、装置及设备
CN110322139B (zh) 策略推荐方法及装置
CN110516918B (zh) 一种风险识别方法和装置
CN117493997A (zh) 数据处理方法、装置及设备
CN112967044B (zh) 一种支付业务的处理方法及装置
CN115204395A (zh) 数据的处理方法、装置及设备
CN111310167B (zh) 一种密码提醒方法、装置以及设备
CN112884478B (zh) 一种数据处理方法、装置及设备
CN111461352B (zh) 模型训练、业务节点识别方法、装置及电子设备
CN117708654A (zh) 异常检测模型训练方法及装置
CN114579813A (zh) 一种数据的处理方法、装置及设备
CN117290879A (zh) 一种模型特征的风险评估方法、装置及设备
CN116842570A (zh) 一种模型训练的方法以及业务风控的方法及装置
CN116244648A (zh) 一种数据的风险防控方法、装置及设备
CN118469010A (zh) 一种模型的安全防护方法、装置及设备
CN116342250A (zh) 信用数据处理方法及装置

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