风险识别方法、系统、装置及电子设备与流程
本技术涉及人工智能领域,具体而言,涉及一种风险识别方法、系统、装置及电子设备。
背景技术:
1、随着互联网技术的飞速发展,传统的线下交易活动正加速向线上迁移。网络交易凭借其便携性、高效性和跨地域性,促进了经济的流通与增长。然而,由于网络环境的开放性、匿名性以及交易场景的复杂化,违规交易手段日益翻新,从而容易给金融机构、商户以及用户带来经济损失。
2、目前,相关技术中依赖传统的规则引擎对用户交易进行风险识别,这类规则引擎依赖于专家经验,从而存在交易风险的识别准确性低的问题。
3、针对相关技术中的上述问题,目前尚未提出有效的解决方案。
技术实现思路
1、本技术的主要目的在于提供一种风险识别方法、系统、装置及电子设备,以解决相关技术中对用户的交易风险的识别准确性低的问题。
2、为了实现上述目的,根据本技术的一个方面,提供了一种风险识别方法。该方法包括:在目标业务系统接收到用户的交易请求的情况下,获取用户的历史交易数据,其中,目标业务系统为多个金融机构的业务系统中的任意一个业务系统;通过目标业务系统中的风险识别模型根据交易请求和历史交易数据进行交易风险识别,得到风险识别结果,其中,多个金融机构的业务系统中的风险识别模型通过联邦学习训练得到,在联邦学习训练过程中,基于各个金融机构对应的风险特征图确定各个金融机构的模型参数所对应的权重,风险特征图基于金融机构中的交易数据确定。
3、进一步地,风险识别方法还包括:在通过目标业务系统中的风险识别模型根据交易请求和历史交易数据进行交易风险识别,得到风险识别结果之前,通过目标金融机构中的交易数据对初始风险识别模型进行训练,得到第一风险识别模型,其中,目标金融机构是指目标业务系统所属的金融机构;将第一风险识别模型的模型参数上传至目标服务器,其中,目标服务器用于对各个金融机构的业务系统上传的模型参数、模型参数对应的权重进行加权聚合处理,得到目标模型参数;基于目标服务器反馈的模型参数对第一风险识别模型进行更新,得到第二风险识别模型,并重复执行通过目标金融机构中的交易数据对第二风险识别模型进行训练的步骤,直至达到预设迭代次数的情况下,基于目标服务器反馈的模型参数确定风险识别模型。
4、进一步地,风险识别方法还包括:在通过目标金融机构中的交易数据对初始风险识别模型进行训练,得到第一风险识别模型之前,从预设的噪声分布中抽取随机向量;通过目标生成器对预设的噪声分布中的随机向量进行处理,得到合成样本,其中,目标生成器基于金融机构中存在交易风险的交易数据训练得到;基于合成样本或者金融机构中存在交易风险的交易数据确定第一训练样本;基于金融机构中不存在交易风险的交易数据确定第二训练样本;根据第一训练样本和第二训练样本构建训练样本集,其中,训练样本集用于对初始风险识别模型进行训练。
5、进一步地,风险识别方法还包括:基于目标金融机构中的交易数据中的用户、商户确定实体节点,其中,目标金融机构是指目标业务系统所属的金融机构;基于用户与商户之间的交易关系,用户与用户之间的行为相似度、账户关联信息,确定实体节点之间的边;基于交易金额、用户的历史交易风险次数,确定边的权重;基于实体节点、实体节点之间的边、边的权重构建目标金融机构对应的风险特征图。
6、进一步地,风险识别方法还包括:对于每个金融机构,通过图神经网络对金融机构对应的风险特征图进行特征提取,得到第一向量;对多个金融机构的风险特征图对应的第一向量进行平均计算,得到第二向量;基于各个金融机构对应的第一向量与第二向量之间的相似度,确定各个金融机构的模型参数所对应的权重。
7、进一步地,风险识别方法还包括:基于各个金融机构对应的第一向量与第二向量之间的相似度,确定各个金融机构的模型参数所对应的第一权重;基于各个金融机构中存在交易风险的交易数据的数据量,确定各个金融机构的模型参数所对应的第二权重;基于各个金融机构的模型参数对应的第一权重和第二权重,确定各个金融机构的模型参数所对应的权重。
8、进一步地,风险识别方法还包括:在得到风险识别结果之后,在风险识别结果表示不存在交易风险的情况下,执行交易请求所请求的交易;在风险识别结果表示存在交易风险的情况下,禁止执行交易请求所请求的交易。
9、为了实现上述目的,根据本技术的另一方面,提供了一种风险识别系统。该系统包括:多个金融机构的业务系统,其中,在目标业务系统接收到用户的交易请求的情况下,获取用户的历史交易数据,其中,目标业务系统为多个金融机构的业务系统中的任意一个业务系统;通过目标业务系统中的风险识别模型根据交易请求和历史交易数据进行交易风险识别,得到风险识别结果,其中,多个金融机构的业务系统中的风险识别模型通过联邦学习训练得到,在联邦学习训练过程中,基于各个金融机构对应的风险特征图确定各个金融机构的模型参数所对应的权重,风险特征图基于金融机构中的交易数据确定;目标服务器,用于在联邦学习过程中对各个金融机构的业务系统的模型参数进行更新处理。
10、为了实现上述目的,根据本技术的另一方面,提供了一种风险识别装置。该装置包括:获取模块,用于在目标业务系统接收到用户的交易请求的情况下,获取用户的历史交易数据,其中,目标业务系统为多个金融机构的业务系统中的任意一个业务系统;第一处理模块,用于通过目标业务系统中的风险识别模型根据交易请求和历史交易数据进行交易风险识别,得到风险识别结果,其中,多个金融机构的业务系统中的风险识别模型通过联邦学习训练得到,在联邦学习训练过程中,基于各个金融机构对应的风险特征图确定各个金融机构的模型参数所对应的权重,风险特征图基于金融机构中的交易数据确定。
11、进一步地,风险识别装置还包括:训练模块,用于通过目标金融机构中的交易数据对初始风险识别模型进行训练,得到第一风险识别模型,其中,目标金融机构是指目标业务系统所属的金融机构;上传模块,用于将第一风险识别模型的模型参数上传至目标服务器,其中,目标服务器用于对各个金融机构的业务系统上传的模型参数、模型参数对应的权重进行加权聚合处理,得到目标模型参数;第二处理模块,用于基于目标服务器反馈的模型参数对第一风险识别模型进行更新,得到第二风险识别模型,并重复执行通过目标金融机构中的交易数据对第二风险识别模型进行训练的步骤,直至达到预设迭代次数的情况下,基于目标服务器反馈的模型参数确定风险识别模型。
12、进一步地,训练模块还包括:抽取子模块,用于从预设的噪声分布中抽取随机向量;处理子模块,用于通过目标生成器对预设的噪声分布中的随机向量进行处理,得到合成样本,其中,目标生成器基于金融机构中存在交易风险的交易数据训练得到;第一确定子模块,用于基于合成样本或者金融机构中存在交易风险的交易数据确定第一训练样本;第二确定子模块,用于基于金融机构中不存在交易风险的交易数据确定第二训练样本;训练子模块,用于根据第一训练样本和第二训练样本构建训练样本集,通过训练样本集对初始风险识别模型进行训练,得到第一风险识别模型。
13、进一步地,风险识别装置还包括:第一确定模块,用于基于目标金融机构中的交易数据中的用户、商户确定实体节点,其中,目标金融机构是指目标业务系统所属的金融机构;第二确定模块,用于基于用户与商户之间的交易关系,用户与用户之间的行为相似度、账户关联信息,确定实体节点之间的边;第三确定模块,用于基于交易金额、用户的历史交易风险次数,确定边的权重;构建模块,用于基于实体节点、实体节点之间的边、边的权重构建目标金融机构对应的风险特征图。
14、进一步地,第一处理模块还包括:特征提取模块,用于对于每个金融机构,通过图神经网络对金融机构对应的风险特征图进行特征提取,得到第一向量;计算模块,用于对多个金融机构的风险特征图对应的第一向量进行平均计算,得到第二向量;第四确定模块,用于基于各个金融机构对应的第一向量与第二向量之间的相似度,确定各个金融机构的模型参数所对应的权重。
15、进一步地,第四确定模块还包括:第三确定子模块,用于基于各个金融机构对应的第一向量与第二向量之间的相似度,确定各个金融机构的模型参数所对应的第一权重;第四确定子模块,用于基于各个金融机构中存在交易风险的交易数据的数据量,确定各个金融机构的模型参数所对应的第二权重;第五确定子模块,用于基于各个金融机构的模型参数对应的第一权重和第二权重,确定各个金融机构的模型参数所对应的权重。
16、进一步地,风险识别装置还包括:第三处理模块,用于在风险识别结果表示不存在交易风险的情况下,执行交易请求所请求的交易;第四处理模块,用于在风险识别结果表示存在交易风险的情况下,禁止执行交易请求所请求的交易。
17、为了实现上述目的,根据本技术的另一方面,提供了一种计算机可读存储介质,计算机可读存储介质包括存储的可执行程序,其中,在可执行程序运行时控制计算机可读存储介质所在设备执行上述的风险识别方法。
18、为了实现上述目的,根据本技术的另一方面,提供了一种电子设备,电子设备包括存储器,存储有可执行程序;处理器,用于运行程序,其中,程序运行时执行上述的风险识别方法。
19、为了实现上述目的,根据本技术的另一方面,提供了一种计算机程序产品,包括计算机指令,计算机指令被处理器执行时实现上述的风险识别方法的步骤。
20、在本技术实施例中,通过基于联邦学习训练得到各个金融机构中的风险识别模型,实现了在满足金融机构的数据保护需求的前提下,基于跨机构风险知识进行联合训练,从而可以提高对风险识别模型的训练效果。通过在联邦学习过程中,基于各个金融机构对应的风险特征图确定各个金融机构的模型参数所对应的权重,实现了根据各金融机构中交易数据的特征针对性地确定各个金融机构的模型参数所对应的权重,从而可以更进一步地提高对风险识别模型的训练效果。通过基于训练好的风险识别模型进行交易风险识别,可以有效提高交易风险的识别准确性。
21、由此可见,本技术所提供的方法达到了基于联邦学习训练的风险识别模型进行交易风险识别的目的,实现了提高交易风险的识别准确性的技术效果,解决了相关技术中对用户的交易风险的识别准确性低的技术问题。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com