CN117522415A - 一种风险预测方法、装置和电子设备 - Google Patents

Abstract

本发明实施例公开了一种风险预测方法、装置和电子设备。该方法包括：获取目标对象当前提交的当前服务请求信息、历史提交的历史服务请求信息和目标对象的对象属性信息；将对象属性信息、当前服务请求信息和历史服务请求信息输入至目标风险预测模型中进行当前服务请求的风险预测；其中，目标风险预测模型是用于将从输入信息中提取出的时序特征信息与非时序特征信息进行特征融合后进行风险预测；基于目标风险预测模型的输出，确定当前服务请求对应的目标风险预测结果。通过本发明实施例的技术方案，可以实现服务请求风险的自动预测，无需人工参与，提高了服务请求风险的预测效率和准确性。

Description

一种风险预测方法、装置和电子设备

技术领域

本发明实施例涉及计算机技术，尤其涉及一种风险预测方法、装置和电子设备。

背景技术

随着移动互联网技术的发展与普及，电子支付规模正在快速增长，并且电子支付渗透到各类场景中。

目前，金融机构通常对用户大规模电子支付的服务请求进行人工审核，在人工审核评定该服务请求为低风险时，会协助用户完成本次服务请求。

然而，这种人工审核服务请求风险的方式，费时费力，无法针对用户的每个服务请求进行审核，无法保证用户每次服务请求的安全性，并且无法保证每个服务请求的审核时效性。

发明内容

本发明实施例提供了一种风险预测方法、装置和电子设备，以实现服务请求风险的自动预测，无需人工参与，提高了服务请求风险的预测效率和准确性。

第一方面，本发明实施例提供了一种风险预测方法，包括：

获取目标对象当前提交的当前服务请求信息、历史提交的历史服务请求信息和所述目标对象的对象属性信息；

将所述对象属性信息、所述当前服务请求信息和所述历史服务请求信息输入至目标风险预测模型中进行当前服务请求的风险预测；其中，所述目标风险预测模型是用于将从输入信息中提取出的时序特征信息与非时序特征信息进行特征融合后进行风险预测；

基于所述目标风险预测模型的输出，确定当前服务请求对应的目标风险预测结果。

第二方面，本发明实施例还提供了一种风险预测装置，包括：

信息获取模块，用于获取目标对象当前提交的当前服务请求信息、历史提交的历史服务请求信息和所述目标对象的对象属性信息；

风险预测模块，用于将所述对象属性信息、所述当前服务请求信息和所述历史服务请求信息输入至目标风险预测模型中进行当前服务请求的风险预测；其中，所述目标风险预测模型是用于将从输入信息中提取出的时序特征信息与非时序特征信息进行特征融合后进行风险预测；

目标风险预测结果确定模块，用于基于所述目标风险预测模型的输出，确定当前服务请求对应的目标风险预测结果。

第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任意实施例所提供的风险预测方法。

本发明实施例的技术方案，通过获取目标对象当前提交的当前服务请求信息、历史提交的历史服务请求信息和所述目标对象的对象属性信息；将所述对象属性信息、所述当前服务请求信息和所述历史服务请求信息输入至目标风险预测模型中进行当前服务请求的风险预测；其中，所述目标风险预测模型是用于将从输入信息中提取出的时序特征信息与非时序特征信息进行特征融合后进行风险预测；基于所述目标风险预测模型的输出，确定当前服务请求对应的目标风险预测结果，从而可以实现服务请求风险的自动预测，无需人工参与，提高了服务请求风险的预测效率和准确性。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

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做一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一所提供的一种风险预测方法的流程图；

图2是本发明实施例一所涉及的一种卷积神经网络的结构示意图；

图3是本发明实施例一所涉及的一种风险预测模型的结构示意图；

图4是本发明实施例二所提供的一种风险预测方法的流程图；

图5是本发明实施例三所提供的一种风险预测装置的结构示意图；

图6是本发明实施例四所提供的一种电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。

实施例一

图1为本发明一个实施例所提供的一种风险预测方法的流程图，本实施例可适用于自动预测服务请求风险的情况。该方法可以由风险预测装置来执行，该装置可以由软件和/或硬件的方式来实现，集成于电子设备中。如图1所示，该方法具体包括以下步骤：

S110、获取目标对象当前提交的当前服务请求信息、历史提交的历史服务请求信息和目标对象的对象属性信息。

其中，目标对象可以是指发起服务请求的对象。例如，目标对象可以是但不限于当前提交服务请求的个人用户或企业用户。服务请求可以是指目标用户改变自身金钱存储总量的请求行为。例如，服务请求可以是但不限于个人用户发起汇出转账行为，从而减少自身金额的存储总量。当前服务请求信息可以是指目标对象本次提出的还没开始执行的服务请求对应的请求相关信息。例如，当前服务请求信息可以是但不限于目标对象当前或本次需要进行的交易对应的当前交易信息，其中可以包含但不限于当前交易时间、当前交易地点和当前交易金额。历史服务请求信息可以是指目标对象在当前或本次请求之前一段时间内已执行的服务请求对应的请求相关信息。例如，历史服务请求信息可以是但不限于目标对象近期已经完成的交易对应的历史交易信息，其中可以包含但不限于历史交易时间、历史交易地点和历史交易金额。对象属性信息可以是指目标对象自愿提供的自身基本信息。例如，对象属性信息可以是但不限于目标对象基本信息。目标对象基本信息可以包括姓名、年龄和性别等结构化数据。

具体地，在目标对象自愿提供或允许调用的情况下，当目标对象发起当前服务请求时，可以获取目标对象当前提交的当前服务请求信息和目标对象的对象属性信息。基于对象属性信息从历史提交的服务请求信息中确定出预设历史时长内或预设历史次数对应的历史服务请求信息。

S120、将对象属性信息、当前服务请求信息和历史服务请求信息输入至目标风险预测模型中进行当前服务请求的风险预测；其中，目标风险预测模型是用于将从输入信息中提取出的时序特征信息与非时序特征信息进行特征融合后进行风险预测。

其中，目标风险预测模型可以是指预先训练好的用于预测当前服务请求存在风险的可能性的网络模型。输入信息可以是指目标对象自愿提供或允许调用的目标风险预测模型的输入信息。时序特征信息可以是指包含时序特征的信息。非时序特征信息可以是指不包含时序特征的信息。例如，当前服务请求信息中的交易时间为时序特征信息。对象属性信息中的对象姓名和对象性别是非时序特征信息。

具体地，将对象属性信息、当前服务请求信息和历史服务请求信息输入至目标风险预测模型，在目标风险预测模型中将对象属性信息和历史服务请求信息中与风险相关的特征进行提取和融合，从而确定出目标对象在预设历史时长内目标对象的交易习惯。例如，目标对象在近半年内都在杭州进行交易，且每次交易金额不超过500元，以及被转账对象为被转账对象A和被转账对象B。在目标风险预测模型中将对象属性信息和当前服务请求信息中与风险相关的特征进行提取和融合，从而确定出目标对象的当前交易地点、当前交易金额和当前交易对象等特征信息。将提取出的历史服务请求风险特征信息与当前服务请求风险特征信息进行特征比对，从而实现对当前服务请求的风险预测。例如，目标对象的当前服务请求风险特征信息表明目标对象要在内蒙古向被转账对象D转账10万元，那么，基于当前服务请求风险特征信息和历史服务请求风险特征信息之间的每个同类型特征进行比对，确定特征偏差，并基于特征偏差值确定当前服务请求对应的风险评分，从而实现服务请求风险的自动预测。

示例性地，目标风险预测模型为卷积神经网络与长短期记忆网络组成的；卷积神经网络用于将从输入信息中提取出的时序特征信息与非时序特征信息进行特征融合；长短期记忆网络用于通过卷积神经网络输出的融合特征进行风险预测。

其中，卷积神经网络可以是指CNN网络。相比于全连接网络，使用CNN网络的好处在于网络参数较少，且对信息的特征表示更准确。长短期记忆网络(Long Short-TermMemory，LSTM)是一种时序神经网络，专门用于处理时序信息。长短期记忆网络的结构可以包含记忆单元、输入门、输出门和遗忘门。这些门结构使长短期记忆网络可以选择性地记忆或丢弃时序信息中的特征。遗忘门可以丢弃远时序信息等不重要的信息。输入门可以选择性添加新的信息。长短期记忆网络更擅长挖掘时间序列的长程依赖。可以理解为目标风险预测模型将卷积神经网络与长短期记忆网络进行结合，从而使卷积神经网络可以提取出与交易风险相关的高阶特征，长短期记忆网络可以根据时间动态特征或时序特征信息进行风险预测。目标风险预测模型可以对服务请求进行实时监控，自动识别可疑服务请求、无效服务请求或违规服务请求，并进行预警和拦截，降低了对人工风险评估的依赖，提高了服务请求的自动预测效率和准确性。

需要说明的是，卷积神经网络的作用是提取高纬度的特征(高阶特征)，比如用一个二维数组[64,64]表示目标对象的基本信息，但是经过卷积神经网络的处理后，用一个[3,3]的二维数组就能表示所有的用户基本信息。特征融合的步骤一般采用将数据拼接后，使用全连接层和卷积神经网络再进一步处理，将不同的特征融合到一起。

S130、基于目标风险预测模型的输出，确定当前服务请求对应的目标风险预测结果。

其中，目标风险预测结果可以是但不限于风险等级预测结果或风险概率预测结果。具体地，将目标风险预测模型的输出作为当前服务请求对应的目标风险预测结果。

本发明实施例的技术方案，通过获取目标对象当前提交的当前服务请求信息、历史提交的历史服务请求信息和目标对象的对象属性信息；将对象属性信息、当前服务请求信息和历史服务请求信息输入至目标风险预测模型中进行当前服务请求的风险预测；其中，目标风险预测模型是用于将从输入信息中提取出的时序特征信息与非时序特征信息进行特征融合后进行风险预测；基于目标风险预测模型的输出，确定当前服务请求对应的目标风险预测结果，从而可以实现服务请求风险的自动预测，无需人工参与，提高了服务请求风险的预测效率和准确性。

在上述技术方案的基础上，S130可以包括：将目标风险预测模型输出的目标偏差特征信息进行全连接处理，确定当前服务请求风险特征信息对应的风险概率；将风险概率进行求和处理，确定当前服务请求对应的目标风险预测结果。

其中，目标偏差特征信息可以是指利用目标风险预测模型确定出的每个同类型的风险特征之间的特征偏移值。具体地，将目标风险预测模型输出的目标偏差特征信息与预设单核卷积核进行全连接处理，确定当前服务请求风险特征信息中每个风险特征对应的风险概率。将每个风险概率进行求和处理，确定当前服务请求对应的风险总概率。若目标风险预测结果是风险概率预测结果，则可以将风险总概率确定为当前服务请求对应的目标风险预测结果。若目标风险预测结果为风险等级预测结果，则基于风险总概率和预设风险阈值进行判断，确定当前服务请求对应的目标风险预测结果。例如，若风险总概率大于或等于预设风险阈值，则确定当前服务请求对应的目标风险预测结果为高风险预测结果；若风险总概率小于预设风险阈值，则确定当前服务请求对应的目标风险预测结果为低风险预测结果。

在本实施例中，目标风险预测模型是通过样本数据对预设风险预测模型进行训练后得到的。目标风险预测模型的训练过程如下：

1)整理和清洗原始样本数据。原始样本数据可以包括样本用户的基本信息(样本用户自愿提供)、近期的行为记录和近期的交易记录。对整理和清洗后的样本数据进行标注，区分出存在风险的交易和正常交易。原则上应保持两部分数据体量相近。若样本数据的数据量较少，可考虑采用数据增广的方式扩充样本数据集。

2)将处理后的完整样本数据集按比例划分为训练集、验证集和测试集。其中60％的数据作为训练集，用于训练和迭代优化模型的参数，使模型在训练集上达到很好的效果。20％的数据作为验证集，在训练过程中跟踪模型在验证集上的表现，用于调优超参数，避免模型过度拟合训练集。另外20％的数据作为测试集，在最终选择出最佳模型后，在测试集上评估模型的泛化能力，从而反映出模型在实际使用时的表现。将样本数据集分为三个互斥的集合，并赋予它们不同的作用，这有助于验证获得的模型是否可靠并可扩展到更广的数据上，从而指导模型的优化调整。

3)图2给出了一种卷积神经网络的结构示意图。参见图2，将训练集中的基本信息(样本用户自愿提供)、近期的行为记录和近期的交易记录输入至卷积神经网络中分别进行卷积，自动提取出各自对应的风险特征，将各自对应的风险特征进行拼接、融合和池化操作，并将池化后的融合特征输入到长短期记忆网络。图3给出了一种风险预测模型的结构示意图。参见图3，长短期记忆网络接收到卷积神经网络输出的融合特征。长短期记忆网络通过时间递归，学习特征序列的时序动态。最后长短期记忆网络输出经过全连接层，得到反映当前交易风险的结果。

4)经深度神经网络处理后，模型会输出一个在[0，1]区间的风险预测值，用于表示当前交易被预测为无效交易或虚假交易的概率。风险预测值越高，表示模型判断当前交易无效或虚假的可能性越大。将模型预测的概率值与样本的真实标签进行比较。真实标签取值为0或1，0表示正常交易，1表示无效或虚假交易。将预测概率和真实标签同时输入预先设定的二元交叉熵损失函数，计算出当前批次样本的平均损失。二元交叉熵损失函数表达式如下：

L(y，y′)＝-(ylog(y′)+(1-y)log(1-y′))

其中，y为真实标签，y'为模型预测值。当预测值y'与真实标签y越接近时，表示模型对样本的预测越准确，损失函数值越小。对于每一个样本，我们都会得到一个损失值，最后再将所有样本的损失值取平均值作为最终的损失值；

5)为了提高模型的泛化能力，训练数据集需覆盖各种类型的用户交易样本，避免模型过度依赖某些特定样本而产生过拟合。在训练过程中，通过反向传播算法计算损失对参数的梯度，并应用梯度下降法更新模型参数，以减小损失函数值。在进行适当次数迭代之后，损失函数下降到较小的区间并且保持平稳后，即可结束训练。

6)模型训练好之后，可采用验证集对模型的预测能力进一步验证。在这一步骤，需要多次调整网络超参数，进行多轮训练，选择损失函数值最小且对验证集效果最好的模型，从而获得更稳健和准确的风险预测模型。

7)在选定模型后，我们还需要使用从未用于训练的新数据即测试集来全面评估模型的泛化能力。可以计算准确率、召回率、F1分数等指标，判断模型对不同类型样本的识别效果。如果模型在测试集上的性能明显低于训练集，则说明模型存在过拟合、泛化能力差等问题，需调整数据集结构、网络结构后重新训练模型。

8)在模型通过全面验证和测试后，确保其达到准确率等指标的业务要求，则可以进行实际部署。具体来说，可以将模型封装为在线预测服务，对外提供低延迟的预测接口。同时，将该服务接入金融机构的交易监控平台，实现对交易流水的智能化、自动化筛查。考虑到业务数据的持续更新，需要建立在线监控机制，观察模型在新数据上的表现。如果指标出现下降，可以利用新数据增量训练模型，还可以根据业务调整规则适当修改模型结构。这样可以保证模型对动态变化的业务环境具有持续的适应性，发挥最大价值。

实施例二

图4为本发明实施例二提供的一种风险预测方法的流程图，本实施例在上述实施例的基础上，对进行当前服务请求的风险预测过程进行了详细描述。其中与上述各实施例相同或相应的术语的解释在此不再赘述。如图4所示，该方法包括：

S210、获取目标对象当前提交的当前服务请求信息、历史提交的历史服务请求信息和目标对象的对象属性信息。

S220、将对象属性信息、当前服务请求信息和历史服务请求信息输入至特征融合子模型中进行时序特征信息与非时序特征信息之间的特征融合，确定当前服务请求风险特征信息和历史服务请求风险特征信息。

其中，目标风险预测模型是用于将从输入信息中提取出的时序特征信息与非时序特征信息进行特征融合后进行风险预测。目标风险预测模型包括：特征融合子模型和特征偏差子模型。当前服务请求风险特征信息可以是指带有当前时序特征的与风险相关的特征组成的信息。历史服务请求风险特征信息可以是指带有历史时序特征的与风险相关的特征组成的信息。

具体地，将对象属性信息、当前服务请求信息和历史服务请求信息输入至特征融合子模型，在特征融合子模型中从对象属性信息提取与风险相关的非时序特征信息，从当前服务请求信息中提取与风险相关的当前时序特征信息和当前非时序特征信息，以及从历史服务请求信息中提取与风险相关的历史时序特征信息和历史非时序特征信息，并将非时序特征信息、当前非时序特征信息、历史非时序特征信息和当前时序特征信息进行特征融合，确定当前服务请求风险特征信息，将非时序特征信息、当前非时序特征信息、历史非时序特征信息和历史时序特征信息进行特征融合，确定历史服务请求风险特征信息。

示例性地，S220可以包括：将对象属性信息、当前服务请求信息和历史服务请求信息输入至特征提取单元中进行风险特征的提取，确定满足预设风险阈值的非时序风险特征信息、当前时序风险特征信息和历史时序风险特征信息；将非时序风险特征信息、当前时序风险特征信息和历史时序风险特征信息输入至特征融合单元，在特征融合单元中基于非时序风险特征信息、当前时序风险特征信息和历史时序风险特征信息，确定当前服务请求风险特征信息和历史服务请求风险特征信息。

其中，特征融合子模型包括：特征提取单元和特征融合单元。预设风险阈值可以是指与风险相关的最低相关度阈值。非时序风险特征信息可以包括对象属性信息、当前服务请求信息和历史服务请求信息中的非时序风险特征信息。当前时序风险特征信息可以是指当前服务请求信息中的时序风险特征信息。历史时序风险特征信息可以是指历史服务请求信息中的时序风险特征信息。

具体地，将对象属性信息、当前服务请求信息和历史服务请求信息输入至特征提取单元，在特征提取单元中进行风险特征的识别和提取，确定满足预设风险阈值的非时序风险特征信息、当前时序风险特征信息和历史时序风险特征信息；将非时序风险特征信息、当前时序风险特征信息和历史时序风险特征信息输入至特征融合单元，在特征融合单元中基于非时序风险特征信息和当前时序风险特征信息进行特征融合，确定当前服务请求风险特征信息；基于非时序风险特征信息和历史时序风险特征信息进行特征融合，确定历史服务请求风险特征信息。

示例性地，“将对象属性信息、当前服务请求信息和历史服务请求信息输入至特征提取单元中进行风险特征的提取，确定满足预设风险阈值的非时序风险特征信息、当前时序风险特征信息和历史时序风险特征信息”可以包括：将对象属性信息、当前服务请求信息和历史服务请求信息输入至特征识别子单元中进行特征识别，确定对象属性特征信息、当前服务请求特征信息和历史服务请求特征信息；将对象属性特征信息、当前服务请求特征信息和历史服务请求特征信息输入至特征提取子单元中对满足预设风险阈值的特征进行提取，确定当前服务请求风险特征信息和历史服务请求风险特征信息。

其中，特征提取单元包括：特征识别子单元和特征提取子单元。具体地，将对象属性信息、当前服务请求信息和历史服务请求信息输入至特征识别子单元中进行特征识别，确定对象属性特征信息、当前服务请求特征信息和历史服务请求特征信息。特征信息中包含模型本次对特征与风险之间的相关度特征。将对象属性特征信息、当前服务请求特征信息和历史服务请求特征信息输入至特征提取子单元，在特征提取子单元中基于对象属性特征信息、当前服务请求特征信息和历史服务请求特征信息中的相关度特征与预设风险阈值进行比对，将满足预设风险阈值的特征进行提取，确定当前服务请求风险特征信息和历史服务请求风险特征信息。

示例性地，“基于非时序风险特征信息、当前时序风险特征信息和历史时序风险特征信息，确定当前服务请求风险特征信息和历史服务请求风险特征信息”可以包括：将当前时序风险特征信息与非时序风险特征信息之间进行特征融合，确定当前服务请求风险特征信息；将历史时序风险特征信息与非时序风险特征信息之间进行特征融合，确定历史服务请求风险特征信息。

具体地，将当前时序风险特征信息与非时序风险特征信息之间进行特征拼接和特征融合，并将融合结果进行池化，确定当前服务请求风险特征信息。将历史时序风险特征信息与非时序风险特征信息之间进行特征拼接和特征融合，并将融合结果进行池化，确定历史服务请求风险特征信息。

S230、将当前服务请求风险特征信息和历史服务请求风险特征信息输入至特征偏差子模型中进行特征对比，确定目标偏差特征信息。

其中，历史服务请求风险特征信息可以用于表征目标对象的历史交易习惯。当前服务请求风险特征信息可以用于表征目标对象的当前交易动作。具体地，将当前服务请求风险特征信息和历史服务请求风险特征信息输入至特征偏差子模型中进行特征对比，可以理解为将目标对象的当前交易动作与目标对象的历史交易习惯进行对比，判断当前交易动作是否符合目标对象的历史交易习惯，并确定出当前交易动作相较于历史交易习惯的偏差。

示例性地，S230可以包括：将当前服务请求风险特征信息和历史服务请求风险特征信息输入至特征关联单元中进行特征关联性检测，确定每个当前服务请求风险特征信息对应的当前特征关联阈值和每个历史服务请求风险特征信息对应的历史特征关联阈值；将当前特征关联阈值和历史特征关联阈值输入至特征偏差单元中进行同类型风险特征对应的当前特征关联阈值与历史特征关联阈值之间的特征对比，确定目标偏差特征信息。

其中，特征偏差子模型包括：特征关联单元和特征偏差单元。具体地，将当前服务请求风险特征信息和历史服务请求风险特征信息输入至特征关联单元，在特征关联单元中分别对当前服务请求风险特征信息和历史服务请求风险特征信息中的每个特征进行特征关联性检测，将每个当前服务请求风险特征信息对应的最高关联阈值确定为该当前服务请求风险特征信息对应的当前特征关联阈值，将每个历史服务请求风险特征信息对应的最高关联阈值确定为该历史服务请求风险特征信息对应的历史特征关联阈值。将当前特征关联阈值和历史特征关联阈值输入至特征偏差单元，在特征偏差单元中进行同类型风险特征对应的当前特征关联阈值与历史特征关联阈值之间的特征对比，确定目标偏差特征信息。

S240、基于目标风险预测模型的输出，确定当前服务请求对应的目标风险预测结果。

本发明实施例的技术方案，目标风险预测模型包括：特征融合子模型和特征偏差子模型，通过将对象属性信息、当前服务请求信息和历史服务请求信息输入至特征融合子模型中进行时序特征信息与非时序特征信息之间的特征融合，确定当前服务请求风险特征信息和历史服务请求风险特征信息，从而可以让特征融合子模型更准确地提取出与交易风险相关的特征；将当前服务请求风险特征信息和历史服务请求风险特征信息输入至特征偏差子模型中进行特征对比，确定目标偏差特征信息，从而可以根据带有时序特征的信息进行风险预测，进而使得目标风险预测模型可以对服务请求进行实时监控，自动识别可疑服务请求、无效服务请求或违规服务请求，并进行预警和拦截，降低了对人工风险评估的依赖，进一步提高了服务请求的自动预测效率和准确性。

以下是本发明实施例提供的风险预测装置的实施例，该装置与上述各实施例的风险预测方法属于同一个发明构思，在风险预测装置的实施例中未详尽描述的细节内容，可以参考上述风险预测方法的实施例。

实施例三

图5为本发明实施例三提供的一种风险预测装置的结构示意图。如图5所示，该装置包括：信息获取模块310、风险预测模块320和目标风险预测结果确定模块330。

其中，信息获取模块310，用于获取目标对象当前提交的当前服务请求信息、历史提交的历史服务请求信息和目标对象的对象属性信息；风险预测模块320，用于将对象属性信息、当前服务请求信息和历史服务请求信息输入至目标风险预测模型中进行当前服务请求的风险预测；其中，目标风险预测模型是用于将从输入信息中提取出的时序特征信息与非时序特征信息进行特征融合后进行风险预测；目标风险预测结果确定模块330，用于基于目标风险预测模型的输出，确定当前服务请求对应的目标风险预测结果。

本发明实施例的技术方案，通过获取目标对象当前提交的当前服务请求信息、历史提交的历史服务请求信息和目标对象的对象属性信息；将对象属性信息、当前服务请求信息和历史服务请求信息输入至目标风险预测模型中进行当前服务请求的风险预测；其中，目标风险预测模型是用于将从输入信息中提取出的时序特征信息与非时序特征信息进行特征融合后进行风险预测；基于目标风险预测模型的输出，确定当前服务请求对应的目标风险预测结果，从而可以实现服务请求风险的自动预测，无需人工参与，提高了服务请求风险的预测效率和准确性。

可选地，目标风险预测模型包括：特征融合子模型和特征偏差子模型；

风险预测模块320中的“将对象属性信息、当前服务请求信息和历史服务请求信息输入至目标风险预测模型中进行当前服务请求的风险预测”可以包括：

风险特征信息确定子模块，用于将对象属性信息、当前服务请求信息和历史服务请求信息输入至特征融合子模型中进行时序特征信息与非时序特征信息之间的特征融合，确定当前服务请求风险特征信息和历史服务请求风险特征信息；

目标偏差特征信息确定子模块，用于将当前服务请求风险特征信息和历史服务请求风险特征信息输入至特征偏差子模型中进行特征对比，确定目标偏差特征信息。

可选地，特征融合子模型包括：特征提取单元和特征融合单元；

风险特征信息确定子模块，可以包括：

第一风险特征信息确定单元，用于将对象属性信息、当前服务请求信息和历史服务请求信息输入至特征提取单元中进行风险特征的提取，确定满足预设风险阈值的非时序风险特征信息、当前时序风险特征信息和历史时序风险特征信息；

第二风险特征信息确定单元，用于将非时序风险特征信息、当前时序风险特征信息和历史时序风险特征信息输入至特征融合单元，在特征融合单元中基于非时序风险特征信息、当前时序风险特征信息和历史时序风险特征信息，确定当前服务请求风险特征信息和历史服务请求风险特征信息。

可选地，特征提取单元包括：特征识别子单元和特征提取子单元；

第一风险特征信息确定单元具体用于：将对象属性信息、当前服务请求信息和历史服务请求信息输入至特征识别子单元中进行特征识别，确定对象属性特征信息、当前服务请求特征信息和历史服务请求特征信息；将对象属性特征信息、当前服务请求特征信息和历史服务请求特征信息输入至特征提取子单元中对满足预设风险阈值的特征进行提取，确定当前服务请求风险特征信息和历史服务请求风险特征信息。

可选地，第二风险特征信息确定单元具体用于：将当前时序风险特征信息与非时序风险特征信息之间进行特征融合，确定当前服务请求风险特征信息；将历史时序风险特征信息与非时序风险特征信息之间进行特征融合，确定历史服务请求风险特征信息。

可选地，特征偏差子模型包括：特征关联单元和特征偏差单元；

目标偏差特征信息确定子模块具体用于：将当前服务请求风险特征信息和历史服务请求风险特征信息输入至特征关联单元中进行特征关联性检测，确定每个当前服务请求风险特征信息对应的当前特征关联阈值和每个历史服务请求风险特征信息对应的历史特征关联阈值；将当前特征关联阈值和历史特征关联阈值输入至特征偏差单元中进行同类型风险特征对应的当前特征关联阈值与历史特征关联阈值之间的特征对比，确定目标偏差特征信息。

可选地，目标风险预测结果确定模块330具体用于：将目标风险预测模型输出的目标偏差特征信息进行全连接处理，确定当前服务请求风险特征信息对应的风险概率；将风险概率进行求和处理，确定当前服务请求对应的目标风险预测结果。

可选地，目标风险预测模型为卷积神经网络与长短期记忆网络组成的；卷积神经网络用于将从输入信息中提取出的时序特征信息与非时序特征信息进行特征融合；长短期记忆网络用于通过卷积神经网络输出的融合特征进行风险预测。

本发明实施例所提供的风险预测装置可执行本发明任意实施例所提供的风险预测方法，具备执行风险预测方法相应的功能模块和有益效果。

值得注意的是，上述风险预测的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

实施例四

图6示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图6所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如风险预测方法。

在一些实施例中，风险预测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的风险预测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行风险预测方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种风险预测方法，其特征在于，包括：

获取目标对象当前提交的当前服务请求信息、历史提交的历史服务请求信息和所述目标对象的对象属性信息；

将所述对象属性信息、所述当前服务请求信息和所述历史服务请求信息输入至目标风险预测模型中进行当前服务请求的风险预测；其中，所述目标风险预测模型是用于将从输入信息中提取出的时序特征信息与非时序特征信息进行特征融合后进行风险预测；

基于所述目标风险预测模型的输出，确定当前服务请求对应的目标风险预测结果。

2.根据权利要求1所述的方法，其特征在于，所述目标风险预测模型包括：特征融合子模型和特征偏差子模型；

所述将所述对象属性信息、所述当前服务请求信息和所述历史服务请求信息输入至目标风险预测模型中进行当前服务请求的风险预测，包括：

将所述对象属性信息、所述当前服务请求信息和所述历史服务请求信息输入至所述特征融合子模型中进行时序特征信息与非时序特征信息之间的特征融合，确定当前服务请求风险特征信息和历史服务请求风险特征信息；

将所述当前服务请求风险特征信息和所述历史服务请求风险特征信息输入至所述特征偏差子模型中进行特征对比，确定目标偏差特征信息。

3.根据权利要求2所述的方法，其特征在于，所述特征融合子模型包括：特征提取单元和特征融合单元；

所述将所述对象属性信息、所述当前服务请求信息和所述历史服务请求信息输入至所述特征融合子模型中进行时序特征信息与非时序特征信息之间的特征融合，确定当前服务请求风险特征信息和历史服务请求风险特征信息，包括：

将所述对象属性信息、所述当前服务请求信息和所述历史服务请求信息输入至所述特征提取单元中进行风险特征的提取，确定满足预设风险阈值的非时序风险特征信息、当前时序风险特征信息和历史时序风险特征信息；

将所述非时序风险特征信息、当前时序风险特征信息和历史时序风险特征信息输入至所述特征融合单元，在所述特征融合单元中基于所述非时序风险特征信息、当前时序风险特征信息和历史时序风险特征信息，确定当前服务请求风险特征信息和历史服务请求风险特征信息。

4.根据权利要求3所述的方法，其特征在于，所述特征提取单元包括：特征识别子单元和特征提取子单元；

所述将所述对象属性信息、所述当前服务请求信息和所述历史服务请求信息输入至所述特征提取单元中进行风险特征的提取，确定满足预设风险阈值的非时序风险特征信息、当前时序风险特征信息和历史时序风险特征信息，包括：

将所述对象属性信息、所述当前服务请求信息和所述历史服务请求信息输入至所述特征识别子单元中进行特征识别，确定对象属性特征信息、当前服务请求特征信息和历史服务请求特征信息；

将所述对象属性特征信息、所述当前服务请求特征信息和所述历史服务请求特征信息输入至所述特征提取子单元中对满足预设风险阈值的特征进行提取，确定当前服务请求风险特征信息和历史服务请求风险特征信息。

5.根据权利要求3所述的方法，其特征在于，所述基于所述非时序风险特征信息、当前时序风险特征信息和历史时序风险特征信息，确定当前服务请求风险特征信息和历史服务请求风险特征信息，包括：

将所述当前时序风险特征信息与所述非时序风险特征信息之间进行特征融合，确定当前服务请求风险特征信息；

将所述历史时序风险特征信息与所述非时序风险特征信息之间进行特征融合，确定历史服务请求风险特征信息。

6.根据权利要求2所述的方法，其特征在于，所述特征偏差子模型包括：特征关联单元和特征偏差单元；

所述将所述当前服务请求风险特征信息和所述历史服务请求风险特征信息输入至所述特征偏差子模型中进行特征对比，确定目标偏差特征信息，包括：

将所述当前服务请求风险特征信息和所述历史服务请求风险特征信息输入至所述特征关联单元中进行特征关联性检测，确定每个所述当前服务请求风险特征信息对应的当前特征关联阈值和每个所述历史服务请求风险特征信息对应的历史特征关联阈值；

将所述当前特征关联阈值和所述历史特征关联阈值输入至所述特征偏差单元中进行同类型风险特征对应的当前特征关联阈值与历史特征关联阈值之间的特征对比，确定目标偏差特征信息。

7.根据权利要求1所述的方法，其特征在于，所述基于所述目标风险预测模型的输出，确定当前服务请求对应的目标风险预测结果，包括：

将所述目标风险预测模型输出的目标偏差特征信息进行全连接处理，确定所述当前服务请求风险特征信息对应的风险概率；

将所述风险概率进行求和处理，确定所述当前服务请求对应的目标风险预测结果。

8.根据权利要求1所述的方法，其特征在于，所述目标风险预测模型为卷积神经网络与长短期记忆网络组成的；所述卷积神经网络用于将从输入信息中提取出的时序特征信息与非时序特征信息进行特征融合；所述长短期记忆网络用于通过所述卷积神经网络输出的融合特征进行风险预测。

9.一种风险预测装置，其特征在于，包括：

信息获取模块，用于获取目标对象当前提交的当前服务请求信息、历史提交的历史服务请求信息和所述目标对象的对象属性信息；

风险预测模块，用于将所述对象属性信息、所述当前服务请求信息和所述历史服务请求信息输入至目标风险预测模型中进行当前服务请求的风险预测；其中，所述目标风险预测模型是用于将从输入信息中提取出的时序特征信息与非时序特征信息进行特征融合后进行风险预测；

目标风险预测结果确定模块，用于基于所述目标风险预测模型的输出，确定当前服务请求对应的目标风险预测结果。

10.一种电子设备，其特征在于，所述电子设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的风险预测方法。