CN117973869A - 一种业务风控方法、装置、电子设备及存储介质 - Google Patents
一种业务风控方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117973869A CN117973869A CN202410148308.4A CN202410148308A CN117973869A CN 117973869 A CN117973869 A CN 117973869A CN 202410148308 A CN202410148308 A CN 202410148308A CN 117973869 A CN117973869 A CN 117973869A
- Authority
- CN
- China
- Prior art keywords
- wind control
- weight matrix
- service
- control model
- converted
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 110
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000006243 chemical reaction Methods 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 26
- 230000006399 behavior Effects 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 8
- 238000013139 quantization Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000007667 floating Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000006872 improvement Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Stored Programmes (AREA)
Abstract
本说明书公开了一种业务风控方法、装置、电子设备及存储介质,可以通过将用户的业务特征转换为二值化数据,以及,将风控模型的权重矩阵转换为二值化矩阵,从而可以使得风控模型的卷积层可以通过二进制计算,提取出用户的业务数据对应的目标特征,以避免由于复杂的全精度浮点型数据的卷积运算,进而可以降低风控模型进行业务风控时的参数量和复杂度。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种业务风控方法、装置、电子设备及存储介质。
背景技术
随着人工智能技术的发展,神经网络模型在各个领域中得到广泛的应用。例如:各个互联网服务提供方通常可以通过神经网络模型对用户发起的业务行为进行风控,以保护用户的个人隐私数据。
但是,由于神经网络模型往往具有参数量大、复杂度高等特点,从而使得神经网络模型难以部署在内存资源少、处理器性能较低、功耗受限的设备(诸如:嵌入式系统、移动设备等)中运行,进而使得无法通过嵌入式系统、移动设备等设备执行业务风控任务。
因此,如何降低神经网络模型的参数量和复杂度,则是一个亟待解决的问题。
发明内容
本说明书提供一种业务风控方法、装置、电子设备及存储介质,以解决现有技术存在的风控模型的参数量和复杂度较高的问题。
本说明书采用下述技术方案:
本说明书提供了一种业务风控方法,所述方法应用于预先构建的风控模型,所述方法包括:
响应于用户发送的业务请求,获取用户的业务数据;
将所述业务数据输入到所述风控模型中,以通过所述风控模型根据所述业务数据,确定所述用户的业务特征,并对所述业务特征进行转换,得到转换后业务特征,根据所述转换后业务特征和预先确定的指定权重矩阵,得到目标特征,所述转换后业务特征中每个维度的特征值以及所述指定权重矩阵中的每个元素的元素值均为第一指定值或第二指定值;
根据所述目标特征,得到针对所述用户的风控结果,并根据所述风控结果,执行业务风控。
可选地,根据所述转换后业务特征和预先确定的指定权重矩阵,确定目标特征,具体包括:
将所述转换后业务特征包含的各维度的特征值与预先确定指定权重矩阵的各元素的元素值进行二进制计算,以得到目标特征。
可选地,确定指定权重矩阵,具体包括:
获取原始权重矩阵,所述原始权重矩阵是通过对所述风控模型进行预训练后得到的权重矩阵;
针对所述原始权重矩阵中包含的每个元素的元素值,按照指定转换方式对该元素的元素值进行转换处理,得到转换后元素值,所述指定转换方式包括:符号函数转换、量化处理转换、阈值化转换中的一种;
根据各转换后元素值,确定指定权重矩阵。
可选地,根据各转换后元素值,确定指定权重矩阵,具体包括:
针对每个转换后元素值,根据预设的缩放因子,对该转换后元素值进行处理,得到优化后元素值,所述缩放因子是根据所述原始权重矩阵确定的;
根据各优化后元素值,确定指定权重矩阵。
可选地,构建所述风控模型,具体包括:
获取原始模型的指标参数以及目标设备的资源参数,所述指标参数包括:计算时长、占用内存,所述资源参数包括:存储资源参数、计算资源参数;
根据所述指标参数以及所述资源参数,从预设的各调整方式中,确定出目标调整方式,并按照所述目标调整方式,对所述原始模型进行调整,得到所述风控模型,所述各调整方式包括:调整网络层数、调整卷积核大小、调整激活函数、调整输入输出通道数量中的至少一种。
可选地,按照所述目标调整方式,对所述原始模型进行调整,得到所述风控模型,具体包括:
按照所述目标调整方式,对所述原始模型进行调整,得到原始风控模型;
对所述原始风控模型中的原始权重矩阵进行转换处理,得到基础权重矩阵,并将所述原始风控模型中的原始权重矩阵替换为所述基础权重矩阵,得到基础风控模型;
将预设的所述用户的历史业务数据输入到所述基础风控模型中,得到所述历史业务数据对应的历史业务行为的预测风控结果;
以最小化所述预测风控结果和所述历史业务行为实际对应的风控结果之间的偏差为优化目标,对所述基础权重矩阵进行调整,得到调整后权重矩阵,以得到所述风控模型。
可选地,所述风控模型是通过中央处理器CPU运行的。
本说明书提供了一种业务风控装置,包括:
响应模块,用于响应于用户发送的业务请求获取用户的业务数据;
卷积模块,用于将所述业务数据输入到所述风控模型中,以通过所述风控模型根据所述业务数据,确定所述用户的业务特征,并对所述业务特征进行转换,得到转换后业务特征,根据所述转换后业务特征和预先确定的指定权重矩阵,得到目标特征,所述转换后业务特征中每个维度的特征值以及所述指定权重矩阵中的每个元素的元素值均为第一指定值或第二指定值;
风控模块,用于根据所述目标特征,得到针对所述用户的风控结果,并根据所述风控结果,执行业务风控。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述业务风控方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述业务风控方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的业务风控方法,响应于用户发送的业务请求,获取用户的业务数据,将业务数据输入到风控模型中,以通过风控模型根据业务数据,确定用户的业务特征,并对业务特征进行转换,得到转换后业务特征,根据转换后业务特征和预先确定的指定权重矩阵,得到目标特征,其中,转换后业务特征中每个维度的特征值以及指定权重矩阵中的每个元素的元素值均为第一指定值或第二指定值,根据目标特征,得到针对用户的风控结果,并根据风控结果,执行业务风控。
从上述方法中可以看出,可以通过将用户的业务特征转换为二值化数据,以及,将风控模型的权重矩阵转换为二值化矩阵,从而可以使得风控模型的卷积层可以通过二进制计算,提取出用户的业务数据对应的目标特征,以避免由于复杂的全精度浮点型数据的卷积运算,进而可以降低风控模型进行业务风控时的参数量和复杂度。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附
图中:
图1为本说明书中提供的一种业务风控方法的流程示意图;
图2为本说明书中提供的目标特征的示意图;
图3为本说明书提供的一种业务风控装置的示意图;
图4为本说明书提供的一种对应于图1的电子设备的示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例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,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种业务风控方法的流程示意图,包括以下步骤:
S100:响应于用户发送的业务请求获取用户的业务数据。
在本说明书中,当用户发送业务请求时,业务平台可以响应于接收到的业务请求获取用户的业务数据,这里的业务数据可以包括:用户的行为序列、历史交易记录、设备信息、地理位置等。
上述的用户的行为序列可以包括诸如:用户访问页面的唯一定位标识符(UniformResource Locator,URL)的访问行为、用户在页面内的停留行为、用户在页面内的滚动行为、查看商品详情、点击商品图片、阅读商品评论、输入搜索关键词、搜索结果的选择行为、加入购物车、支付行为、社交互动行为(如:点赞、收藏、分享、评论等),登录登出行为等。
在本说明书中,用于实现业务风控方法的执行主体,可以是指服务器等设置于业务平台的指定设备,也可以是指诸如台式电脑、笔记本电脑等终端设备,为了便于描述,下面仅以服务器是执行主体为例,对本说明书提供的业务风控方法进行说明。
S102:将所述业务数据输入到所述风控模型中,以通过所述风控模型根据所述业务数据,确定所述用户的业务特征,并对所述业务特征进行转换,得到转换后业务特征,根据所述转换后业务特征和预先确定的指定权重矩阵,得到目标特征,所述转换后业务特征中每个维度的特征值以及所述指定权重矩阵中的每个元素的元素值均为第一指定值或第二指定值。
进一步地,服务器在获取到用户的业务数据后,可以将获取到的业务数据输入到预先训练的风控模型中,以通过风控模型,得到业务请求对应的业务行为是否存在风险的风控结果。
具体地,服务器可以将获取到的业务数据输入到风控模型的输入层,以通过输入层对业务数据进行编码,得到用户的初始编码特征,进而可以通过风控模型的特征提取层根据业务数据对应的初始编码特征,确定用户的业务特征。
进一步地,服务器可以通过风控模型的卷积层,确定用户的业务特征与预设的卷积核之间的互相关性(即,用户的业务特征与卷积核之间的关联程度),以确定目标特征。
其中,上述的卷积层的卷积核可以为指定权重矩阵,这里的指定权重矩阵中的每个元素的元素值均为第一指定值或第二指定值,这里的第一指定值和第二指定值可以根据实际需求确定。例如:上述的第一指定值可以为0,第二指定值可以为1。再例如:上述的第一指定值可以为-1,第二指定值可以为1。
需要说明的是,上述内容中的指定权重矩阵的确定方法可以为,获取原始权重矩阵,针对原始权重矩阵中包含的每个元素的元素值,按照指定转换方式对该元素的元素值进行转换处理,得到转换后元素值,以得到指定权重矩阵。
上述内容中,原始权重矩阵是通过对风控模型进行预训练后得到的权重矩阵。
其中,服务器对风控模型进行预训练的方法可以为,获取历史用户的历史业务数据,并将历史用户的历史业务数据输入到风控模型中,以通过风控模型根据历史业务数据,确定历史用户的历史业务特征,并历史业务特征和预设的初始化权重矩阵,得到历史目标特征,根据历史目标特征,得到针对历史用户的风控结果,并以最小化风控模型输出的针对历史用户的风控结果和历史用户实际对应的风控结果之间的偏差为优化目标,对风控模型进行训练,得到训练后的风控模型,以及,得到原始权重矩阵。
上述内容中,指定转换方式可以为:符号函数转换、量化处理转换、阈值化转换中的一种,以下以指定转换方式为符号函数转换为例,对上述服务器通过指定转换方式将原始权重矩阵转换为指定权重矩阵的过程进行详细说明。
具体地,若上述的指定转换方式为符号函数转换,即可以通过符号(Sign)函数符号将原始矩阵中包含的每个元素的元素值映射到0或1,具体可以参考如下公式:
从上述公式中可以看出,服务器可以通过符号函数实现针对原始权重矩阵中包含的每个元素的元素值,如果该元素值大于零或等于零,则转换后的结果为1,如果该元素值小于零,则转换后的结果为1。
在实际应用场景中,为了充分利用部分移动设备、嵌入式系统的计算资源,服务器还可以通过指定转换方式,将原始权重矩阵中包含的每个元素的元素值转换为第一指定值、第二指定值、第三指定值中的一种,以得到指定权重矩阵。例如:第一指定值为-1,第二指定值为0,第三指定值为1。
以下以指定转换方式为量化处理转换为例,对上述服务器通过指定转换方式将原始权重矩阵转换为指定权重矩阵的过程进行详细说明。
具体地,若上述的指定转换方式为量化处理转换,即可以通过符号(Sign)函数符号将原始矩阵中包含的每个元素的元素值映射到-1,0或1,具体可以参考如下公式:
从上述公式中可以看出,服务器可以通过符号函数实现针对原始权重矩阵中包含的每个元素的元素值,如果该元素值大于0.5,则转换后的结果为+1,如果该元素值小于-0.5,则转换后的结果为-1,如果该元素值小于0.5并且大于-0.5,或者该元素值等-0.5或等于0.5,则转换后的结果为0。
需要说明的是,上述的两种指定权重矩阵可以根据用于部署风控模型的设备的资源参数确定(例如:若用于部署风控模型的设备的资源参数超过预设的资源阈值,则可以将原始权重矩阵转换为第二种指定权重矩阵,否则,则可以将原始权重矩阵转换为第一种指定权重矩阵),这里的资源参数可以包括:存储资源参数、计算资源参数,这里的存储资源参数可以包括诸如:进程或容器的内存限制(最小分配量、最大使用量等),内存空间大小,磁盘空间大小,读写I/O速度等,这里的计算资源参数可以包括诸如:CPU核心数、CPU份额、CPU时间配额等。
然而,需要注意的是,直接使用上述的指定转换方式针对原始权重矩阵进行转换,可能会导致信息损失,因为,在将原始权重矩阵中包含的每个元素的元素值从浮点型数据转换为第一指定值和第二指定值的过程中,会存在信息(诸如:权重的大小和方向)丢失的情况,所以,在实际应用场景中,服务器还可以针对每个转换后元素值,根据预设的缩放因子,对该转换后元素值进行缩放处理,得到优化后元素值,根据各优化后元素值,确定指定权重矩阵,这里的缩放因子是根据原始权重矩阵确定的实数值。
除此之外,为了进一步地的降低风控模型卷积层进行卷积运算的复杂度,服务器还可以在通过风控模型的卷积层,根据用户的业务特征与预设的指定权重矩阵,确定目标特征之前,对用户的业务特征进行转换,得到转换后业务特征,进而可以根据转换后业务特征和预先确定的指定权重矩阵,得到目标特征,具体图2所示。
图2为本说明书中提供的目标特征的示意图。
结合图2可以看出,服务器可以针对业务特征中包含的每个维度的特征的特征值,按照指定转换方式对该维度特征的特征值进行转换处理,得到该维度特征的转换后特征值,以得到转换后业务特征,进而可以通过将转换后业务特征包含的各维度的特征值与预先确定指定权重矩阵的各元素的元素值进行二进制计算(当业务特征和权重矩阵均二值化后,风控模型的卷积操作可以转换为诸如:加法、减法、XNOR逻辑运算等二进制计算),以得到目标特征,图2中的k为超参数,α为缩放因子。
通过上述内容中可以看出,服务器可以通过将用户的业务特征中包含的每个维度的特征的浮点型的特征值进行二值化处理,以及,将原始权重矩阵中每个元素的浮点型元素值进行二值化处理,从而降低了内存使用和计算复杂度,进而可以在保持卷积层输出结果的准确性的同时,实现了约32倍的内存节省和约58倍的卷积操作加速,从而使得风控模型可以在中央处理器(Central Processing Unit,CPU)上运行,而不是需要部署图像处理器(Graphics Processing Unit,GPU)上运行,进而使得风控模型可以被部署在无GPU的设备,或者,内存资源少、处理器性能较低、功耗受限的设备中。
需要说明的是,在实际应用场景中,服务器可以对用户的业务特征以及原始权重矩阵进行转换,以降低风控模型的复杂度和参数量,当然,服务器也可以仅对原始权重矩阵进行转换而不针对用户的业务特征进行转换,从而可以提升风控模型的输出结果的准确性,具体可以根据用于部署风控模型的设备的资源参数确定,本说明书在此就不再进行详细说明了。
S104:根据所述目标特征,得到针对所述用户的风控结果,并根据所述风控结果,执行业务风控。
进一步地,服务器可以根据目标特征,得到针对所述用户的风控结果,并根据风控结果,执行业务风控。
需要说明的是,服务器根据目标特征,得到针对所述用户的风控结果的方法可以有多种,例如:服务器可以通过位计数Popcount(或Population Count)操作来根据目标特征,得到针对用户的卷积运算结果,进而可以通过风控模型的决策层,根据卷积层输出的针对用户的卷积运算结果,得到针对用户的风控结果。
上述内容中,Popcount操作用于计算转换后业务特征包含的各维度的特征值与预先确定指定权重矩阵的各元素的元素值进行二进制计算的二进制数计算结果中有多少个位是1。例如,在二进制数01011001中,有4个位是1,所以其popcount结果为4,由于二进制计算的结果只可能是0或1,popcount操作可以被理解为计算“指定权重矩阵包含的各元素的元素值和转换后用户特征中包含的各维度特征的特征值之间有多少对相互匹配”的次数,从而提供了一个近似全精度浮点数卷积的结果的粗略的互相关性的度量值。
上述内容中,针对用户的风控结果可以为用户发送的业务请求对应的业务形式是否具有风险的概率值,若上述的概率值超过预设风险阈值,则服务器可以按照预设的风控策略,对用户的业务行为进行风控。
当然,上述的针对用户的风控结果还可以为用户发送的业务请求对应的业务形式是否具有风险的分类结果(例如:低风险业务行为、中风险业务行为、高风险业务行为等),若确定上述的分类结果为指定类型,则服务器可以按照预设的风控策略,对用户的业务行为进行风控。
除此之外,服务器在构建上述的风控模型时,还可以获取原始模型的指标参数以及目标设备的资源参数,(指标参数包括:计算时长、占用内存,所述资源参数包括:存储资源参数、计算资源参数),进而可以根据指标参数以及资源参数,从预设的各调整方式中,确定出目标调整方式,并按照目标调整方式,对原始模型进行调整,得到风控模型,上述的各调整方式包括:调整网络层数、调整卷积核大小、调整激活函数、调整输入输出通道数量中的至少一种。
上述内容中,服务器可以通过调整风控模型的网络层数,减少网络中的层数可以降低计算复杂度和内存占用。服务器可以通过调整风控模型的卷积核大小,减少参数数量和计算量。服务器可以通过调整激活函数,对计算时间和内存占用进行调控。服务器可以通过对风控模型的激活函数进行配置(即,使用简单的激活函数替换复杂的激活函数,例如:使用ReLU替换Tanh),减少风控模型的复杂度。服务器可以通过减少网络的通道数量,减少输入和输出通道的数量降低风控模型的计算和内存需求。服务器可以通过将风控模型的网络层配置为轻量级网络(如:MobileNet),来降低风控模型的计算和内存需求。
进一步地,服务器可以按照上述的目标调整方式,对原始模型进行调整,得到原始风控模型,并可以对原始风控模型中的原始权重矩阵进行转换处理,得到基础权重矩阵,并将原始风控模型中的原始权重矩阵替换为基础权重矩阵,得到基础风控模型,将预设的用户的历史业务数据输入到基础风控模型中,得到历史业务数据对应的历史业务行为的预测风控结果,进而可以以最小化预测风控结果和历史业务行为实际对应的风控结果之间的偏差为优化目标,对基础权重矩阵进行调整,得到调整后权重矩阵,以得到风控模型。
从上述内容中可以看出,服务器可以通过将用户的业务特征转换为二值化数据,以及,将风控模型的权重矩阵转换为二值化矩阵,从而可以使得风控模型的卷积层可以通过二进制计算,提取出用户的业务数据对应的目标特征,以避免由于复杂的全精度浮点型数据的卷积运算,进而可以降低风控模型进行业务风控时的参数量和复杂度。
除此之外,服务器还可以在构建风控模型时,根据用于部署风控模型的设备的资源参数,以及风控模型自身的指标参数,对风控模型的模型结构进行调整,以避免由于风控模型的复杂度较高而导致无法部署到上述设备的情况发生。
以上为本说明书的一个或多个实施例提供的业务风控方法,基于同样的思路,本说明书还提供了相应的业务风控装置,如图3所示。
图3为本说明书提供的一种业务风控装置的示意图,包括:
响应模块301,用于响应于用户发送的业务请求获取用户的业务数据;
卷积模块302,用于将所述业务数据输入到所述风控模型中,以通过所述风控模型根据所述业务数据,确定所述用户的业务特征,并对所述业务特征进行转换,得到转换后业务特征,根据所述转换后业务特征和预先确定的指定权重矩阵,得到目标特征,所述转换后业务特征中每个维度的特征值以及所述指定权重矩阵中的每个元素的元素值均为第一指定值或第二指定值;
风控模块303,用于根据所述目标特征,得到针对所述用户的风控结果,并根据所述风控结果,执行业务风控。
可选地,所述卷积模块302具体用于,将所述转换后业务特征包含的各维度的特征值与预先确定指定权重矩阵的各元素的元素值进行二进制计算,以得到目标特征。
可选地,所述装置还包括:构建模块304;
所述构建模块304具体用于,获取原始权重矩阵,所述原始权重矩阵是通过对所述风控模型进行预训练后得到的权重矩阵;针对所述原始权重矩阵中包含的每个元素的元素值,按照指定转换方式对该元素的元素值进行转换处理,得到转换后元素值,所述指定转换方式包括:符号函数转换、量化处理转换、阈值化转换中的一种;根据各转换后元素值,确定指定权重矩阵。
可选地,所述构建模块304具体用于,针对每个转换后元素值,根据预设的缩放因子,对该转换后元素值进行处理,得到优化后元素值,所述缩放因子是根据所述原始权重矩阵确定的;根据各优化后元素值,确定指定权重矩阵。
可选地,所述构建模块304具体用于,获取原始模型的指标参数以及目标设备的资源参数,所述指标参数包括:计算时长、占用内存,所述资源参数包括:存储资源参数、计算资源参数;根据所述指标参数以及所述资源参数,从预设的各调整方式中,确定出目标调整方式,并按照所述目标调整方式,对所述原始模型进行调整,得到所述风控模型,所述各调整方式包括:调整网络层数、调整卷积核大小、调整激活函数、调整输入输出通道数量中的至少一种。
可选地,所述构建模块304具体用于,按照所述目标调整方式,对所述原始模型进行调整,得到原始风控模型;对所述原始风控模型中的原始权重矩阵进行转换处理,得到基础权重矩阵,并将所述原始风控模型中的原始权重矩阵替换为所述基础权重矩阵,得到基础风控模型;将预设的所述用户的历史业务数据输入到所述基础风控模型中,得到所述历史业务数据对应的历史业务行为的预测风控结果;以最小化所述预测风控结果和所述历史业务行为实际对应的风控结果之间的偏差为优化目标,对所述基础权重矩阵进行调整,得到调整后权重矩阵,以得到所述风控模型。
可选地,所述风控模型是通过中央处理器CPU运行的。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的一种业务风控方法。
本说明书还提供了图4所示的一种对应于图1的电子设备的示意结构图。如图4,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1的业务风控方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
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,磁带磁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,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)
1.一种业务风控方法,所述方法应用于预先构建的风控模型,所述方法包括:
响应于用户发送的业务请求,获取用户的业务数据;
将所述业务数据输入到所述风控模型中,以通过所述风控模型根据所述业务数据,确定所述用户的业务特征,并对所述业务特征进行转换,得到转换后业务特征,根据所述转换后业务特征和预先确定的指定权重矩阵,得到目标特征,所述转换后业务特征中每个维度的特征值以及所述指定权重矩阵中的每个元素的元素值均为第一指定值或第二指定值;
根据所述目标特征,得到针对所述用户的风控结果,并根据所述风控结果,执行业务风控。
2.如权利要求1所述的方法,根据所述转换后业务特征和预先确定的指定权重矩阵,确定目标特征,具体包括:
将所述转换后业务特征包含的各维度的特征值与预先确定指定权重矩阵的各元素的元素值进行二进制计算,以得到目标特征。
3.如权利要求1所述的方法,确定指定权重矩阵,具体包括:
获取原始权重矩阵,所述原始权重矩阵是通过对所述风控模型进行预训练后得到的权重矩阵;
针对所述原始权重矩阵中包含的每个元素的元素值,按照指定转换方式对该元素的元素值进行转换处理,得到转换后元素值,所述指定转换方式包括:符号函数转换、量化处理转换、阈值化转换中的一种;
根据各转换后元素值,确定指定权重矩阵。
4.如权利要求3所述的方法,根据各转换后元素值,确定指定权重矩阵,具体包括:
针对每个转换后元素值,根据预设的缩放因子,对该转换后元素值进行处理,得到优化后元素值,所述缩放因子是根据所述原始权重矩阵确定的;
根据各优化后元素值,确定指定权重矩阵。
5.如权利要求1所述的方法,构建所述风控模型,具体包括:
获取原始模型的指标参数以及目标设备的资源参数,所述指标参数包括:计算时长、占用内存,所述资源参数包括:存储资源参数、计算资源参数;
根据所述指标参数以及所述资源参数,从预设的各调整方式中,确定出目标调整方式,并按照所述目标调整方式,对所述原始模型进行调整,得到所述风控模型,所述各调整方式包括:调整网络层数、调整卷积核大小、调整激活函数、调整输入输出通道数量中的至少一种。
6.如权利要求5所述的方法,按照所述目标调整方式,对所述原始模型进行调整,得到所述风控模型,具体包括:
按照所述目标调整方式,对所述原始模型进行调整,得到原始风控模型;
对所述原始风控模型中的原始权重矩阵进行转换处理,得到基础权重矩阵,并将所述原始风控模型中的原始权重矩阵替换为所述基础权重矩阵,得到基础风控模型;
将预设的所述用户的历史业务数据输入到所述基础风控模型中,得到所述历史业务数据对应的历史业务行为的预测风控结果;
以最小化所述预测风控结果和所述历史业务行为实际对应的风控结果之间的偏差为优化目标,对所述基础权重矩阵进行调整,得到调整后权重矩阵,以得到所述风控模型。
7.如权利要求1~6任一项所述的方法,所述风控模型是通过中央处理器CPU运行的。
8.一种业务风控装置,包括:
响应模块,用于响应于用户发送的业务请求获取用户的业务数据;
卷积模块,用于将所述业务数据输入到所述风控模型中,以通过所述风控模型根据所述业务数据,确定所述用户的业务特征,并对所述业务特征进行转换,得到转换后业务特征,根据所述转换后业务特征和预先确定的指定权重矩阵,得到目标特征,所述转换后业务特征中每个维度的特征值以及所述指定权重矩阵中的每个元素的元素值均为第一指定值或第二指定值;
风控模块,用于根据所述目标特征,得到针对所述用户的风控结果,并根据所述风控结果,执行业务风控。
9.一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~7任一项所述的方法。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述权利要求1~7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410148308.4A CN117973869A (zh) | 2024-02-01 | 2024-02-01 | 一种业务风控方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410148308.4A CN117973869A (zh) | 2024-02-01 | 2024-02-01 | 一种业务风控方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117973869A true CN117973869A (zh) | 2024-05-03 |
Family
ID=90845842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410148308.4A Pending CN117973869A (zh) | 2024-02-01 | 2024-02-01 | 一种业务风控方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117973869A (zh) |
-
2024
- 2024-02-01 CN CN202410148308.4A patent/CN117973869A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110852503B (zh) | 一种支付渠道的选择方法和设备、支付渠道路由 | |
CN112200132A (zh) | 一种基于隐私保护的数据处理方法、装置及设备 | |
CN115146731A (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN117953258A (zh) | 对象分类模型的训练方法、对象分类方法及装置 | |
CN116308738B (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN115543945B (zh) | 一种模型压缩的方法、装置、存储介质及电子设备 | |
CN115545353B (zh) | 一种业务风控的方法、装置、存储介质及电子设备 | |
CN115827918A (zh) | 一种执行业务的方法、装置、存储介质及电子设备 | |
CN117973869A (zh) | 一种业务风控方法、装置、电子设备及存储介质 | |
CN116304212A (zh) | 一种数据处理系统、方法、设备及存储介质 | |
CN116308620A (zh) | 一种模型训练和信息推荐的方法、装置、存储介质及设备 | |
CN116308375A (zh) | 数据处理方法、装置及设备 | |
CN115392426A (zh) | 一种自组织迁移的业务处理方法、装置以及设备 | |
CN113344590A (zh) | 一种模型训练以及投诉率预估的方法及装置 | |
CN116109008B (zh) | 一种业务执行的方法、装置、存储介质及电子设备 | |
CN117201334B (zh) | 一种多模态网络流量预测方法及装置 | |
CN116340852B (zh) | 一种模型训练、业务风控的方法及装置 | |
CN117348999B (zh) | 一种业务执行系统及业务执行方法 | |
CN117709481A (zh) | 一种强化学习方法、装置及设备 | |
CN116363418A (zh) | 一种训练分类模型的方法、装置、存储介质及电子设备 | |
CN117744155A (zh) | 一种执行风控业务的方法、装置及存储介质 | |
CN117592102A (zh) | 一种业务执行方法、装置、设备及存储介质 | |
CN118115288A (zh) | 反欺诈预测方法、装置及设备 | |
CN116957330A (zh) | 一种模型训练、业务风控方法、装置、设备及存储介质 | |
CN117931400A (zh) | 一种任务执行方法、装置、存储介质及电子设备 |
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 |