风险识别方法、装置、设备及存储介质与流程

1.本发明涉及人工智能技术领域，尤其涉及一种风险识别方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.随着互联网技术的发展，利用互联网进行用户间的交易(例如产品交易、服务交易等)越来越普遍。为了保障利用互联网进行交易的安全性，需要识别出风险用户(例如经营欺诈网站的广告主、经营非法产品的商家、伪造信息骗贷的用户等)，并避免其参与交易。传统的风险识别方法是通过设置白名单、黑名单、并基于人的历史行为进行评分，这种方法需要基于大量记录分析判断此用户的风险概率，针对新用户判定时间往往较长。因此进行风险识别的效率较低。


技术实现要素：

3.本发明提供一种风险识别方法、装置及计算机可读存储介质，其主要目的在于提高风险识别的效率。
4.为实现上述目的，本发明提供的一种风险识别方法，包括：
5.获取用户行为数据，对所述用户行为数据进行特征提取，得到用户特征参数集；
6.对所述用户特征参数集进行降维处理，得到降维特征集，计算所述降维特征集中每个降维特征对应的初始权重；
7.利用预设的风险识别模型对所述用户行为数据进行风险识别，得到所述用户行为数据的识别结果；
8.利用所述初始权重构造损失函数，并根据所述损失函数计算所述识别结果对应的损失值，通过所述损失值和基于所述初始权重计算的风险参考值之间的大小对所述风险识别模型进行优化，得到标准风险识别模型；
9.获取待识别用户的相关用户数据，将所述相关用户数据输入至所述标准风险识别模型中，得到所述相关用户数据对应的风险级别。
10.可选地，所述利用预设的风险识别模型对所述用户行为数据进行风险识别，包括：
11.将所述用户行为数据进行特征转换，得到用户特征矩阵；
12.利用所述风险识别模型中的卷积层、池化层和全连接层依次对所述用户特征矩阵进行数据处理，得到识别数据；
13.将所述识别数据输入至预设的激活函数中，得到所述识别数据对应的概率值，根据所述概率值的大小确定所述用户行为数据对应的风险等级；
14.将所述用户行为数据对应的风险等级作为所述用户行为数据的识别结果。
15.可选地，所述通过所述损失值和基于所述初始权重计算的风险参考值之间的大小对所述风险识别模型进行优化之前，所述方法还包括：
16.根据多个所述初始权重和预设的预测指标值公式计算得到多个预测指标值；
17.对所述多个预测指标值进行求和处理，得到所述用户特征参数对应的预测指标值；
18.将所述初始权重和所述预测指标值作为预设的风险参考值计算公式的输入，得到风险参考值。
19.可选地，所述计算所述降维特征集中每个降维特征对应的初始权重，包括：
20.对所述降维特征进行分箱处理，得到分组变量集；
21.利用预设的权重计算公式分别计算所述分组变量集中多个分组变量对应的初始权重。
22.可选地，所述对所述用户特征参数集进行降维处理，得到降维特征集，包括：
23.获取所述用户特征参数集中用户特征参数的个数和维数；
24.将所述用户特征参数按列组成以所述个数为列数，以所述维数为行数的指标矩阵；
25.将所述指标矩阵的每一行进行零均值化，得到第一矩阵；
26.基于所述第一矩阵求得协方差矩阵，并计算得到所述协方差矩阵的特征值及对应的特征向量；
27.将所述特征向量按照所述特征值的大小从上到下按行排列成特征矩阵，并取所述特征矩阵中的前面预设行数组成第二矩阵；
28.将所述第一矩阵和所述第二矩阵进行相乘处理，得到降维特征。
29.可选地，所述计算得到所述协方差矩阵的特征值及对应的特征向量，包括：
30.获取预设的单位矩阵，根据所述单位矩阵和所述协方差矩阵构建特征多项式；
31.对所述特征多项式进行矩阵求解，得到特征值；
32.将所述特征值代入至所述特征多项式中，得到所述特征值对应的特征向量。
33.可选地，所述对所述用户行为数据特征提取，得到用户特征参数集，包括：
34.获取预设的特征参考表，基于所述特征参考表搜索所述用户行为数据中多个用户行为数据对应的用户特征参数；
35.从多个所述用户行为数据对应的用户特征参数中选取预设个数的参数组成用户特征参数集。
36.为了解决上述问题，本发明还提供一种风险识别装置，所述装置包括：
37.数据处理模块，用于获取用户行为数据，对所述用户行为数据进行特征提取，得到用户特征参数集，对所述用户特征参数集进行降维处理，得到降维特征集，计算所述降维特征集中每个降维特征对应的初始权重；
38.风险识别模块，用于利用预设的风险识别模型对所述用户行为数据进行风险识别，得到所述用户行为数据的识别结果；
39.模型训练模块，用于利用所述初始权重构造损失函数，并根据所述损失函数计算所述识别结果对应的损失值，通过所述损失值和基于所述初始权重计算的风险参考值之间的大小对所述风险识别模型进行优化，得到标准风险识别模型；
40.结果生成模块，用于获取待识别用户的相关用户数据，将所述相关用户数据输入至所述标准风险识别模型中，得到所述相关用户数据对应的风险级别。
41.为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
42.至少一个处理器；以及，
43.与所述至少一个处理器通信连接的存储器；其中，
44.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的风险识别方法。
45.为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的风险识别方法。
46.本发明实施例通过对用户行为数据进行特征提取及降维处理，得到降维特征集，所述降维处理可以提取数据中的主要特征分量，同时保证用户特征参数集中用户特征的更多原始特点，对所述降维特征集进行权重计算，得到每个降维特征对应的初始权重，并根据所述初始权重构造损失函数，进而对风险识别模型进行优化。利用所述初始权重构造的损失函数充分考虑了不同的用户特征参数对风险识别的影响。根据所述损失函数计算所述识别结果对应的损失值，通过所述损失值和基于所述初始权重计算的风险参考值之间的大小对所述风险识别模型进行优化，得到标准风险识别模型。所述标准风险识别模型具有更准确的识别功能，利用所述标准风险识别模型对待识别用户的相关用户数据进行风险识别，得到所述相关用户数据对应的风险级别。因此本发明提出的风险识别方法、装置、电子设备及计算机可读存储介质，可以实现解决风险识别的效率不够高的问题。
附图说明
47.图1为本发明一实施例提供的风险识别方法的流程示意图；
48.图2为本发明一实施例提供的风险识别装置的功能模块图；
49.图3为本发明一实施例提供的实现所述风险识别方法的电子设备的结构示意图。
50.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
51.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
52.本技术实施例提供一种风险识别方法。所述风险识别方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述风险识别方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(contentdelivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
53.参照图1所示，为本发明一实施例提供的风险识别方法的流程示意图。
54.在本实施例中，所述风险识别方法包括：
55.s1、获取用户行为数据，对所述用户行为数据进行特征提取，得到用户特征参数集。
56.本发明实施例中，所述用户行为数据可以是指用户在参加活动的时候产生的相关数据，例如，用户的访问时间、用户的访问时长、ip、地区、行为轨迹和访问参数。
57.具体地，所述对所述用户行为数据特征提取，得到用户特征参数集，包括：
58.获取预设的特征参考表，基于所述特征参考表搜索所述用户行为数据中多个用户行为数据对应的用户特征参数；
59.从多个所述用户行为数据对应的用户特征参数中选取预设个数的参数组成用户特征参数集。
60.详细地，所述特征参考表是指行为数据与特征参数的对应表，所述特征参考表中包含多个用户行为数据以及所述用户行为数据所述的特征分类，可能存在一个特征分类下包含一个或者多个用户行为数据的情况。基于所述特征参考表可以搜索到所述用户行为数据中多个用户行为数据对应的用户特征参数。
61.其中，所述预设个数为五个。例如，本发明实施例中，特征提取后的用户特征参数集包括访问时间点、时长、ip、地区、访问轨迹、注册时间。
62.s2、对所述用户特征参数集进行降维处理，得到降维特征集，计算所述降维特征集中每个降维特征对应的初始权重。
63.本发明实施例中，所述对所述用户特征参数集进行降维处理，得到降维特征集，包括：
64.获取所述用户特征参数集中用户特征参数的个数和维数；
65.将所述用户特征参数按列组成以所述个数为列数，以所述维数为行数的指标矩阵；
66.将所述指标矩阵的每一行进行零均值化，得到第一矩阵；
67.基于所述第一矩阵求得协方差矩阵，并计算得到所述协方差矩阵的特征值及对应的特征向量；
68.将所述特征向量按照所述特征值的大小从上到下按行排列成特征矩阵，并取所述特征矩阵中的前面预设行数组成第二矩阵；
69.将所述第一矩阵和所述第二矩阵进行相乘处理，得到降维特征。
70.例如，假设用户特征参数集中用户特征参数的个数为m，维数为n，将所述用户特征参数按列组成n行m列的指标矩阵x，将所述指标矩阵的每一行进行零均值化即减去这一行的均值。
71.进一步地，所述基于所述第一矩阵求得协方差矩阵，包括：
72.利用如下计算公式求得协方差矩阵：
[0073][0074]
其中，c为所述协方差矩阵，m为所述用户特征参数的个数，x为所述指标矩阵，x
t
为所述指标矩阵对应的转置矩阵。
[0075]
具体地，所述计算得到所述协方差矩阵的特征值及对应的特征向量，包括：
[0076]
获取预设的单位矩阵，根据所述单位矩阵和所述协方差矩阵构建特征多项式；
[0077]
对所述特征多项式进行矩阵求解，得到特征值；
[0078]
将所述特征值代入至所述特征多项式中，得到所述特征值对应的特征向量。
[0079]
详细地，所述预设的单位矩阵为e，根据所述单元矩阵e和所述协方差矩阵c构建特征多项式|c-λe|，其中，λ即需要计算求得的特征值，将所述特征值代入至所述特征多项式中，得到所述特征值对应的特征向量。
[0080]
在本发明实施例中，采用pca(principal component ahalysis)降维方法对所述指标参考因子进行降维处理，其中，pca降维方法是一种常见的数据分析方式，常用于高维数据的降维，可用于提取数据的主要特征分量。
[0081]
进一步地，所述计算所述降维特征集中每个降维特征对应的初始权重，包括：
[0082]
对所述降维特征进行分箱处理，得到分组变量集；
[0083]
利用预设的权重计算公式分别计算所述分组变量集中多个分组变量对应的初始权重。
[0084]
详细地，所述对所述用户特征参数进行分箱处理即进行离散化处理或者也可以称之为进行分组处理。
[0085]
进一步地，所述预设的权重计算公式为：
[0086][0087]
其中，woei为初始权重，yi为特征变量取值为“是”的个体数目，y为特征变量取值为“否”的个体数目。
[0088]
详细地，woe(weight of evidence)即证据权重，woe是对原始自变量的一种编码形式。
[0089]
s3、利用预设的风险识别模型对所述用户行为数据进行风险识别，得到所述用户行为数据的识别结果。
[0090]
本发明实施例中，可以利用随机森林算法构建风险识别模型、或者利用bert算法构建风险识别模型，同时也可以是卷积神经网络。
[0091]
具体地，所述利用预设的风险识别模型对所述用户行为数据进行风险识别，包括：
[0092]
将所述用户行为数据进行特征转换，得到用户特征矩阵；
[0093]
利用所述风险识别模型中的卷积层、池化层和全连接层依次对所述用户特征矩阵进行数据处理，得到识别数据；
[0094]
将所述识别数据输入至预设的激活函数中，得到所述识别数据对应的概率值，根据所述概率值的大小确定所述用户行为数据对应的风险等级；
[0095]
将所述用户行为数据对应的风险等级作为所述用户行为数据的识别结果。
[0096]
详细地，本方案中采用卷积神经网络作为风险识别模型，利用所述风险识别模型中的卷积层、池化层和全连接层依次对所述用户行为数据进行卷积处理、池化处理和全连接处理，得到识别数据。其中，所述卷积层一般是通过卷积核实现卷积处理，所述池化层通过最大池化方法对经过卷积处理的数据进行池化处理，可以实现对数据的降维处理，所述全连接层可以模拟非线性变换。将所述识别数据输入至预设的激活函数中，得到所述识别数据对应的概率值，其中，所述激活函数可以为softmax函数。根据得到的概率值的大小所属的概率值区间判定所述用户行为数据的风险等级。例如，计算得到的概率值为0.6，而概率值区间可以为(0.8，1.0]属于高风险，(0.5，0.8)属于中风险，[0，0.5]属于低风险。因此
所述用户行为数据的风险等级为中风险。
[0097]
s4、利用所述初始权重构造损失函数，并根据所述损失函数计算所述识别结果对应的损失值，通过所述损失值和基于所述初始权重计算的风险参考值之间的大小对所述风险识别模型进行优化，得到标准风险识别模型。
[0098]
本发明实施例中，所述利用所述初始权重构造损失函数，包括：
[0099][0100]
其中，loss(x，class)为所述损失值，q为所述初始权重，x[class]为所述识别结果，j为所述识别结果中的数据总数。
[0101]
具体地，所述通过所述损失值和基于所述初始权重计算的风险参考值之间的大小对所述风险识别模型进行优化之前，所述方法还包括：
[0102]
根据多个所述初始权重和预设的预测指标值公式计算得到多个预测指标值；
[0103]
对所述多个预测指标值进行求和处理，得到所述用户特征参数对应的预测指标值；
[0104]
将所述初始权重和所述预测指标值作为预设的风险参考值计算公式的输入，得到风险参考值。
[0105]
详细地，所述预设的预测指标值公式为：
[0106][0107]
其中，ivi为多个预测指标值，yi为特征变量取值为“是”的个体数目，y为特征变量取值为“否”的个体数目，woei为初始权重。
[0108]
进一步地，利用预设的求和公式对所述多个预测指标值进行求和处理，得到所述用户特征参数对应的预测指标值，包括：
[0109]
所述预设的求和公式为：
[0110][0111]
其中，n为分组变量的个数。
[0112]
详细地，根据所述损失函数计算得到所述识别结果对应的损失值，判断所述损失值与所述风险参考值的大小，当所述损失值大于或者等于所述风险参考值时，对所述风险识别模型进行模型参数调整，并重新进行风险识别，得到新的识别结果，计算所述新的识别结果对应的损失值，直至所述损失值小于所述风险参考值时，将当前的风险识别模型输出为标准风险识别模型。
[0113]
s5、获取待识别用户的相关用户数据，将所述相关用户数据输入至所述标准风险识别模型中，得到所述相关用户数据对应的风险级别。
[0114]
本发明实施例中，将所述相关用户数据输入至所述标准风险识别模型中，所述标
准风险识别模型可以识别出所述相关用户数据对应的风险级别，所述风险级别是后续进行风险策略的基础。可以根据所述相关用户数据对应的风险级别对待识别用户推送不同的风险策略，进行保证用户的安全性。
[0115]
本发明实施例通过对用户行为数据进行特征提取及降维处理，得到降维特征集，所述降维处理可以提取数据中的主要特征分量，同时保证用户特征参数集中用户特征的更多原始特点，对所述降维特征集进行权重计算，得到每个降维特征对应的初始权重，并根据所述初始权重构造损失函数，进而对风险识别模型进行优化。利用所述初始权重构造的损失函数充分考虑了不同的用户特征参数对风险识别的影响。根据所述损失函数计算所述识别结果对应的损失值，通过所述损失值和基于所述初始权重计算的风险参考值之间的大小对所述风险识别模型进行优化，得到标准风险识别模型。所述标准风险识别模型具有更准确的识别功能，利用所述标准风险识别模型对待识别用户的相关用户数据进行风险识别，得到所述相关用户数据对应的风险级别。因此本发明提出的风险识别方法可以实现解决风险识别的效率不够高的问题。
[0116]
如图2所示，是本发明一实施例提供的风险识别装置的功能模块图。
[0117]
本发明所述风险识别装置100可以安装于电子设备中。根据实现的功能，所述风险识别装置100可以包括数据处理模块101、风险识别模块102、模型训练模块103及结果生成模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0118]
在本实施例中，关于各模块/单元的功能如下：
[0119]
所述数据处理模块101，用于获取用户行为数据，对所述用户行为数据进行特征提取，得到用户特征参数集，对所述用户特征参数集进行降维处理，得到降维特征集，计算所述降维特征集中每个降维特征对应的初始权重；
[0120]
所述风险识别模块102，用于利用预设的风险识别模型对所述用户行为数据进行风险识别，得到所述用户行为数据的识别结果；
[0121]
所述模型训练模块103，用于利用所述初始权重构造损失函数，并根据所述损失函数计算所述识别结果对应的损失值，通过所述损失值和基于所述初始权重计算的风险参考值之间的大小对所述风险识别模型进行优化，得到标准风险识别模型；
[0122]
所述结果生成模块104，用于获取待识别用户的相关用户数据，将所述相关用户数据输入至所述标准风险识别模型中，得到所述相关用户数据对应的风险级别。
[0123]
详细地，所述风险识别装置100各模块的具体实施方式如下：
[0124]
步骤一、获取用户行为数据，对所述用户行为数据进行特征提取，得到用户特征参数集。
[0125]
本发明实施例中，所述用户行为数据可以是指用户在参加活动的时候产生的相关数据，例如，用户的访问时间、用户的访问时长、ip、地区、行为轨迹和访问参数。
[0126]
具体地，所述对所述用户行为数据特征提取，得到用户特征参数集，包括：
[0127]
获取预设的特征参考表，基于所述特征参考表搜索所述用户行为数据中多个用户行为数据对应的用户特征参数；
[0128]
从多个所述用户行为数据对应的用户特征参数中选取预设个数的参数组成用户特征参数集。
[0129]
详细地，所述特征参考表是指行为数据与特征参数的对应表，所述特征参考表中包含多个用户行为数据以及所述用户行为数据所述的特征分类，可能存在一个特征分类下包含一个或者多个用户行为数据的情况。基于所述特征参考表可以搜索到所述用户行为数据中多个用户行为数据对应的用户特征参数。
[0130]
其中，所述预设个数为五个。例如，本发明实施例中，特征提取后的用户特征参数集包括访问时间点、时长、ip、地区、访问轨迹、注册时间。
[0131]
步骤二、对所述用户特征参数集进行降维处理，得到降维特征集，计算所述降维特征集中每个降维特征对应的初始权重。
[0132]
本发明实施例中，所述对所述用户特征参数集进行降维处理，得到降维特征集，包括：
[0133]
获取所述用户特征参数集中用户特征参数的个数和维数；
[0134]
将所述用户特征参数按列组成以所述个数为列数，以所述维数为行数的指标矩阵；
[0135]
将所述指标矩阵的每一行进行零均值化，得到第一矩阵；
[0136]
基于所述第一矩阵求得协方差矩阵，并计算得到所述协方差矩阵的特征值及对应的特征向量；
[0137]
将所述特征向量按照所述特征值的大小从上到下按行排列成特征矩阵，并取所述特征矩阵中的前面预设行数组成第二矩阵；
[0138]
将所述第一矩阵和所述第二矩阵进行相乘处理，得到降维特征。
[0139]
例如，假设用户特征参数集中用户特征参数的个数为m，维数为n，将所述用户特征参数按列组成n行m列的指标矩阵x，将所述指标矩阵的每一行进行零均值化即减去这一行的均值。
[0140]
进一步地，所述基于所述第一矩阵求得协方差矩阵，包括：
[0141]
利用如下计算公式求得协方差矩阵：
[0142][0143]
其中，c为所述协方差矩阵，m为所述用户特征参数的个数，x为所述指标矩阵，x
t
为所述指标矩阵对应的转置矩阵。
[0144]
具体地，所述计算得到所述协方差矩阵的特征值及对应的特征向量，包括：
[0145]
获取预设的单位矩阵，根据所述单位矩阵和所述协方差矩阵构建特征多项式；
[0146]
对所述特征多项式进行矩阵求解，得到特征值；
[0147]
将所述特征值代入至所述特征多项式中，得到所述特征值对应的特征向量。
[0148]
详细地，所述预设的单位矩阵为e，根据所述单元矩阵e和所述协方差矩阵c构建特征多项式|c-λe|，其中，λ即需要计算求得的特征值，将所述特征值代入至所述特征多项式中，得到所述特征值对应的特征向量。
[0149]
在本发明实施例中，采用pca(principal component ahalysis)降维方法对所述指标参考因子进行降维处理，其中，pca降维方法是一种常见的数据分析方式，常用于高维数据的降维，可用于提取数据的主要特征分量。
[0150]
进一步地，所述计算所述降维特征集中每个降维特征对应的初始权重，包括：
[0151]
对所述降维特征进行分箱处理，得到分组变量集；
[0152]
利用预设的权重计算公式分别计算所述分组变量集中多个分组变量对应的初始权重。
[0153]
详细地，所述对所述用户特征参数进行分箱处理即进行离散化处理或者也可以称之为进行分组处理。
[0154]
进一步地，所述预设的权重计算公式为：
[0155][0156]
其中，woei为初始权重，yi为特征变量取值为“是”的个体数目，y为特征变量取值为“否”的个体数目。
[0157]
详细地，woe(weight of evidence)即证据权重，woe是对原始自变量的一种编码形式。
[0158]
步骤三、利用预设的风险识别模型对所述用户行为数据进行风险识别，得到所述用户行为数据的识别结果。
[0159]
本发明实施例中，可以利用随机森林算法构建风险识别模型、或者利用bert算法构建风险识别模型，同时也可以是卷积神经网络。
[0160]
具体地，所述利用预设的风险识别模型对所述用户行为数据进行风险识别，包括：
[0161]
将所述用户行为数据进行特征转换，得到用户特征矩阵；
[0162]
利用所述风险识别模型中的卷积层、池化层和全连接层依次对所述用户特征矩阵进行数据处理，得到识别数据；
[0163]
将所述识别数据输入至预设的激活函数中，得到所述识别数据对应的概率值，根据所述概率值的大小确定所述用户行为数据对应的风险等级；
[0164]
将所述用户行为数据对应的风险等级作为所述用户行为数据的识别结果。
[0165]
详细地，本方案中采用卷积神经网络作为风险识别模型，利用所述风险识别模型中的卷积层、池化层和全连接层依次对所述用户行为数据进行卷积处理、池化处理和全连接处理，得到识别数据。其中，所述卷积层一般是通过卷积核实现卷积处理，所述池化层通过最大池化方法对经过卷积处理的数据进行池化处理，可以实现对数据的降维处理，所述全连接层可以模拟非线性变换。将所述识别数据输入至预设的激活函数中，得到所述识别数据对应的概率值，其中，所述激活函数可以为softmax函数。根据得到的概率值的大小所属的概率值区间判定所述用户行为数据的风险等级。例如，计算得到的概率值为0.6，而概率值区间可以为(0.8，1.0]属于高风险，(0.5，0.8)属于中风险，[0，0.5]属于低风险。因此所述用户行为数据的风险等级为中风险。
[0166]
步骤四、利用所述初始权重构造损失函数，并根据所述损失函数计算所述识别结果对应的损失值，通过所述损失值和基于所述初始权重计算的风险参考值之间的大小对所述风险识别模型进行优化，得到标准风险识别模型。
[0167]
本发明实施例中，所述利用所述初始权重构造损失函数，包括：
[0168][0169]
其中，loss(x，class)为所述损失值，q为所述初始权重，x[class]为所述识别结果，j为所述识别结果中的数据总数。
[0170]
具体地，所述通过所述损失值和基于所述初始权重计算的风险参考值之间的大小对所述风险识别模型进行优化之前，还包括：
[0171]
根据多个所述初始权重和预设的预测指标值公式计算得到多个预测指标值；
[0172]
对所述多个预测指标值进行求和处理，得到所述用户特征参数对应的预测指标值；
[0173]
将所述初始权重和所述预测指标值作为预设的风险参考值计算公式的输入，得到风险参考值。
[0174]
详细地，所述预设的预测指标值公式为：
[0175][0176]
其中，ivi为多个预测指标值，yi为特征变量取值为“是”的个体数目，y为特征变量取值为“否”的个体数目，woei为初始权重。
[0177]
进一步地，利用预设的求和公式对所述多个预测指标值进行求和处理，得到所述用户特征参数对应的预测指标值，包括：
[0178]
所述预设的求和公式为：
[0179][0180]
其中，n为分组变量的个数。
[0181]
详细地，根据所述损失函数计算得到所述识别结果对应的损失值，判断所述损失值与所述风险参考值的大小，当所述损失值大于或者等于所述风险参考值时，对所述风险识别模型进行模型参数调整，并重新进行风险识别，得到新的识别结果，计算所述新的识别结果对应的损失值，直至所述损失值小于所述风险参考值时，将当前的风险识别模型输出为标准风险识别模型。
[0182]
步骤五、获取待识别用户的相关用户数据，将所述相关用户数据输入至所述标准风险识别模型中，得到所述相关用户数据对应的风险级别。
[0183]
本发明实施例中，将所述相关用户数据输入至所述标准风险识别模型中，所述标准风险识别模型可以识别出所述相关用户数据对应的风险级别，所述风险级别是后续进行风险策略的基础。可以根据所述相关用户数据对应的风险级别对待识别用户推送不同的风险策略，进行保证用户的安全性。
[0184]
本发明实施例通过对用户行为数据进行特征提取及降维处理，得到降维特征集，所述降维处理可以提取数据中的主要特征分量，同时保证用户特征参数集中用户特征的更
多原始特点，对所述降维特征集进行权重计算，得到每个降维特征对应的初始权重，并根据所述初始权重构造损失函数，进而对风险识别模型进行优化。利用所述初始权重构造的损失函数充分考虑了不同的用户特征参数对风险识别的影响。根据所述损失函数计算所述识别结果对应的损失值，通过所述损失值和基于所述初始权重计算的风险参考值之间的大小对所述风险识别模型进行优化，得到标准风险识别模型。所述标准风险识别模型具有更准确的识别功能，利用所述标准风险识别模型对待识别用户的相关用户数据进行风险识别，得到所述相关用户数据对应的风险级别。因此本发明提出的风险识别装置可以实现解决风险识别的效率不够高的问题。
[0185]
如图3所示，是本发明一实施例提供的实现风险识别方法的电子设备的结构示意图。
[0186]
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如风险识别程序。
[0187]
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行风险识别程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
[0188]
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如风险识别程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0189]
所述通信总线12可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
[0190]
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示
器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
[0191]
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0192]
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
[0193]
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
[0194]
所述电子设备1中的所述存储器11存储的风险识别程序是多个指令的组合，在所述处理器10中运行时，可以实现：
[0195]
获取用户行为数据，对所述用户行为数据进行特征提取，得到用户特征参数集；
[0196]
对所述用户特征参数集进行降维处理，得到降维特征集，计算所述降维特征集中每个降维特征对应的初始权重；
[0197]
利用预设的风险识别模型对所述用户行为数据进行风险识别，得到所述用户行为数据的识别结果；
[0198]
利用所述初始权重构造损失函数，并根据所述损失函数计算所述识别结果对应的损失值，通过所述损失值和基于所述初始权重计算的风险参考值之间的大小对所述风险识别模型进行优化，得到标准风险识别模型；
[0199]
获取待识别用户的相关用户数据，将所述相关用户数据输入至所述标准风险识别模型中，得到所述相关用户数据对应的风险级别。
[0200]
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
[0201]
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)。
[0202]
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
[0203]
获取用户行为数据，对所述用户行为数据进行特征提取，得到用户特征参数集；
[0204]
对所述用户特征参数集进行降维处理，得到降维特征集，计算所述降维特征集中每个降维特征对应的初始权重；
[0205]
利用预设的风险识别模型对所述用户行为数据进行风险识别，得到所述用户行为数据的识别结果；
[0206]
利用所述初始权重构造损失函数，并根据所述损失函数计算所述识别结果对应的
损失值，通过所述损失值和基于所述初始权重计算的风险参考值之间的大小对所述风险识别模型进行优化，得到标准风险识别模型；
[0207]
获取待识别用户的相关用户数据，将所述相关用户数据输入至所述标准风险识别模型中，得到所述相关用户数据对应的风险级别。
[0208]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0209]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0210]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0211]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0212]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0213]
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0214]
本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0215]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
[0216]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。