风险信息确定方法、模型训练方法、设备、程序产品与流程

技术特征：
1.一种业务活动的风险信息确定方法，其特征在于，包括：获取与所述业务活动对应的待评估业务数据；所述待评估业务数据包括多个数据特征，每个所述数据特征对应于一个特征域；将与同一特征域对应的所述数据特征，输入与所述特征域对应的编码网络，得到与所述特征域对应的特征向量；将与所述特征域对应的特征向量输入注意力层，得到包括各个所述特征向量之间关系的总向量；将所述总向量输入确定子模块，利用所述确定子模块确定与所述待评估业务数据对应的期望；根据所述期望确定与所述待评估业务数据对应的风险信息，所述风险信息用于指示所述待评估业务数据的风险程度。2.根据权利要求1所述的方法，其特征在于，所述将与所述特征域对应的特征向量输入注意力层，得到包括各个所述特征向量之间关系的总向量，包括：根据与各个特征域对应的所述特征向量，确定每两个特征向量之间的特征相似度；根据各个特征相似度，确定包括各个所述特征向量之间关系的总向量。3.根据权利要求2所述的方法，其特征在于，所述根据每两个特征向量之间的特征相似度，确定包括各个所述特征向量之间关系的总向量，包括：根据每个特征向量与其他特征向量之间的特征相似度，确定每个特征向量与其他特征向量之间的关系系数，所述关系系数用于表征两个特征向量之间的关系；根据每个特征向量与其他特征向量之间的关系系数、每个所述特征向量，确定每个特征向量的特征域嵌入向量；其中，所述特征域嵌入向量用于表征嵌入有其他特征向量信息的特征向量；根据各特征域嵌入向量，确定包括各个所述特征向量之间关系的总向量。4.根据权利要求1所述的方法，其特征在于，所述将所述总向量输入确定子模块，利用所述确定子模块确定与所述待评估数据对应的期望，包括：将所述总向量输入压缩网络，得到压缩向量；根据所述压缩向量、与各高斯分布对应的预设参数，确定与所述待评估数据对应的期望；所述高斯分布的数量为所述特征域的数量；所述期望用于表征所述待评估数据与各所述高斯分布之间的距离。5.根据权利要求4所述的方法，其特征在于，所述将所述总向量输入压缩网络，得到压缩向量，包括：根据编码函数、第一神经网络参数，对所述总向量进行编码，得到编码向量；根据解码函数、第二神经网络参数，对所述编码向量进行解码，得到解码向量；根据所述待评估数据的特征、所述解码向量，确定重构误差；所述重构误差用于表征所述解码向量与所述待评估数据的特征之间的差异；根据所述编码向量、所述重构误差，确定所述压缩向量。6.根据权利要求1所述的方法，其特征在于，所述根据所述期望确定与所述待评估数据对应的风险评分，包括：根据预设映射函数，将所述待评估数据的所述期望映射为所述风险评分。
7.根据权利要求1
‑
6任一项所述的方法，其特征在于，获取与所述业务活动对应的待评估数据，包括：获取与所述业务活动对应的离线特征，获取与业务活动对应的实时数据；根据所述离线特征、所述实时数据，确定所述业务活动的待评估数据。8.根据权利要求1
‑
6任一项所述的方法，其特征在于，还包括：若所述风险评分大于阈值，则进行预警。9.一种用于评估业务活动风险的模型的训练方法，其特征在于，所述模型包括：与每个特征域对应的编码网络、注意力层、确定子模块；所述方法包括：获取与所述业务活动对应的多个样本数据；每一所述样本数据包括多个数据特征，每个所述数据特征对应于一个特征域；将每个样本数据中与同一特征域对应的所述数据特征，输入与所述特征域对应的编码网络，得到与所述特征域对应的特征向量；将与所述特征域对应的特征向量输入所述注意力层，得到与每个样本数据对应的包括各个所述特征向量之间关系的总向量；将每个样本数据的所述总向量输入所述确定子模块，利用所述确定子模块确定每个所述样本数据的期望，并根据每一样本数据的期望训练所述模型，得到用于评估业务活动风险的模型。10.根据权利要求9所述的方法，其特征在于，所述将与所述特征域对应的特征向量输入注意力层，得到与每个样本数据对应的包括各个所述特征向量之间关系的总向量，包括：根据每个样本数据中与各个特征域对应的所述特征向量，确定每个样本数据中每两个特征向量之间的特征相似度；根据每个样本数据中各个特征相似度，确定每个样本数据包括各个所述特征向量之间关系的总向量。11.根据权利要求10所述的方法，其特征在于，所述根据每个样本数据中每两个特征向量之间的特征相似度，确定每个样本数据包括各个所述特征向量之间关系的总向量，包括：根据每个样本数据的各个特征相似度，确定每个样本数据中每个特征向量与其他特征向量之间的关系系数；所述关系系数用于表征两个特征向量之间的关系；根据每个样本数据中每个特征向量与其他特征向量之间的关系系数、各个所述特征向量，确定每个样本数据中每个特征向量的特征域嵌入向量；根据每个样本数据中各特征向量的特征域嵌入向量，生成每个样本数据的总向量。12.根据权利要求9所述的方法，其特征在于，所述将每个样本数据的所述总向量输入确定子模块，利用所述确定子模块确定每个所述样本数据的期望，包括：将每个样本数据的所述总向量输入压缩网络，得到每个样本数据的压缩向量；将每个样本数据的所述压缩向量输入估计网络，得到所述每个样本数据属于各高斯分布的概率向量；其中，所述高斯分布的数量为所述特征域的数量；根据每个所述样本数据属于各高斯分布的概率向量、每个样本数据的所述压缩向量，确定每个所述样本数据的期望；其中，所述期望用于表征所述样本数据与各所述高斯分布之间的距离。
13.根据权利要求12所述的方法，其特征在于，所述将每个样本数据的所述总向量输入压缩网络，得到每个样本数据的压缩向量，包括：根据编码函数、第一神经网络参数，对每个样本数据的所述总向量进行编码，得到每个样本数据的编码向量；根据解码函数、第二神经网络参数，对每个样本数据的所述编码向量进行解码，得到每个样本数据的解码向量；根据每个样本数据的数据特征、每个样本数据的所述解码向量，确定每个样本数据的重构误差；所述重构误差用于表征每个样本数据的数据特征与每个样本数据的解码向量之间的差异；根据每个样本数据的所述编码向量、每个样本数据的所述重构误差，确定每个样本数据的所述压缩向量。14.根据权利要求13所述的方法，其特征在于，还包括：根据每个样本数据的所述重构误差修正与各个所述特征域对应的编码网络中的参数。15.根据权利要求12所述的方法，其特征在于，所述将每个样本数据的所述压缩向量输入估计网络，得到每个样本数据的属于各高斯分布的概率向量，包括：根据第三神经网络参数，将每个样本数据的所述压缩向量转换为输出特征；根据预设函数、每个样本数据的所述输出特征，确定每个样本数据的属于各高斯分布的概率向量。16.根据权利要求12所述的方法，其特征在于，所述根据每个所述样本数据属于各高斯分布的概率向量、每个样本数据的所述压缩向量，确定每个所述样本数据的期望，包括：根据每个样本数据属于各高斯分布的概率向量、每个样本数的所述压缩向量，确定各所述高斯分布的参数；根据每个所述样本数据的压缩向量、各所述高斯分布的参数，确定每个所述样本数据的期望。17.根据权利要求16所述的方法，其特征在于，所述高斯分布的参数包括出现概率、均值、协方差矩阵；根据每个样本数据属于各高斯分布的概率向量、每个样本数的所述压缩向量，确定各所述高斯分布的参数，包括：根据每个样本数据属于各高斯分布的概率向量、所述样本数据的数量，确定每个高斯分布的出现概率；根据每个样本数据属于各高斯分布的概率向量、每个样本数据的所述压缩向量，确定每个高斯分布的均值；根据每个高斯分布的均值、每个样本数据属于各高斯分布的概率向量、每个样本数据的所述压缩向量，确定每个高斯分布的协方差矩阵。18.根据权利要求9所述的方法，其特征在于，所述根据每一样本数据的期望训练所述模型，得到用于评估业务活动风险的模型，包括：根据每一样本数据的期望，修正所述注意力层、所述确定子模块中的网络参数。19.根据权利要求9
‑
18任一项所述的方法，其特征在于，获取与所述业务活动对应的多个样本数据，包括：
获取与所述业务活动对应的离线特征，获取与业务活动对应的每一实时数据；根据所述离线特征、每一所述实时数据，确定所述业务活动的每一样本数据。20.一种业务活动的风险信息确定装置，其特征在于，包括：获取模块，用于获取与所述业务活动对应的待评估业务数据；所述待评估业务数据包括多个数据特征，每个所述数据特征对应于一个特征域；编码模块，用于将与同一特征域对应的所述数据特征，输入与所述特征域对应的编码网络，得到与所述特征域对应的特征向量；嵌入模块，用于将与所述特征域对应的特征向量输入注意力层，得到包括各个所述特征向量之间关系的总向量；期望确定模块，用于将所述总向量输入确定子模块，利用所述确定子模块确定与所述待评估业务数据对应的期望；风险确定模块，用于根据所述期望确定与所述待评估业务数据对应的风险信息，所述风险信息用于指示所述待评估业务数据的风险程度。21.一种用于评估业务活动风险的模型的训练装置，其特征在于，所述模型包括：与每个特征域对应的编码网络、注意力层、确定子模块；所述装置包括：获取模块，用于获取与所述业务活动对应的多个样本数据；每一所述样本数据包括多个数据特征，每个所述数据特征对应于一个特征域；编码模块，用于将每个样本数据中与同一特征域对应的所述数据特征，输入与所述特征域对应的编码网络，得到与所述特征域对应的特征向量；嵌入模块，用于将与所述特征域对应的特征向量输入所述注意力层，得到与每个样本数据对应的包括各个所述特征向量之间关系的总向量；期望确定模块，用于将每个样本数据的所述总向量输入所述确定子模块，利用所述确定子模块确定每个所述样本数据的期望；训练模块，用于根据每一样本数据的期望训练所述模型，得到用于评估业务活动风险的模型。22.一种电子设备，其特征在于，包括：存储器；处理器；以及计算机程序；其中，所述计算机程序存储在所述存储器中，并配置为由所述处理器执行以实现如权利要求1
‑
8或9
‑
19任一种所述的方法。23.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行以实现如权利要求1
‑
8或9
‑
19任一种所述的方法。24.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1
‑
8或9
‑
19中任一项所述的方法。

技术总结
本公开提供的风险信息确定方法、模型训练方法、设备、程序产品，包括：获取业务活动的待评估业务数据；待评估业务数据包括多个数据特征，每个数据特征对应于一个特征域；将与同一特征域对应的数据特征输入与特征域对应的编码网络，得到与特征域对应的特征向量；将与特征域对应的特征向量输入注意力层，得到包括各个特征向量之间关系的总向量；将总向量输入确定子模块，利用确定子模块确定与待评估业务数据对应的期望；根据期望确定与待评估业务数据对应的风险信息。本公开提供的方案通过与特征域对应的编码网络，对属于该特征域的数据特征进行处理，得到该特征域的特征向量，进而准确的提取业务活动的特征向量，能够准确的得到风险评估结果。险评估结果。险评估结果。


技术研发人员：石亚庆 林元晟 柳婷 王晓勤 罗尚勇
受保护的技术使用者：北京京东世纪贸易有限公司
技术研发日：2021.03.31
技术公布日：2021/12/6