一种模型训练的方法、业务风控的方法及装置与流程

技术特征：
1.一种模型训练的方法，包括：确定目标用户在预先构建的业务关系图中对应的节点，作为目标节点，以及确定与所述目标节点相连的节点，作为关联节点，在所述业务关系图中，一个节点对应一个用户，具有业务关联的用户对应的节点由边相连；获取所述目标用户对应的业务序列数据，以及获取所述关联节点对应用户的业务序列数据，业务序列数据用于表示按照时间顺序进行排序的各业务数据；将所述目标用户的业务序列数据以及所述关联节点对应用户的业务序列数据输入到待训练的预测模型中，以通过所述预测模型中的特征提取层，从所述目标用户对应的业务序列数据中提取特征，得到第一序列特征，以及从所述关联节点对应用户的业务序列数据中提取特征，得到第二序列特征；通过所述预测模型中的注意力层，确定所述第一序列特征与所述第二序列特征之间的注意力权重，并根据所述注意力权重、所述第一序列特征以及所述第二序列特征，确定所述目标节点与所述关联节点之间的边的边特征；将确定出的所述目标节点对应的节点特征以及所述边特征输入到所述预测模型中的决策层中，得到风险预测结果；以最小化所述风险预测结果与所述目标用户对应的标签之间的偏差为优化目标，对所述预测模型进行训练。2.如权利要求1所述的方法，通过所述预测模型中的注意力层，确定所述第一序列特征与所述第二序列特征之间的注意力权重，具体包括：通过所述预测模型中的注意力层，针对所述第一序列特征中包含的每个时刻的业务特征，确定该时刻的业务特征与所述第二序列特征中的各时刻的业务特征之间的权重，作为所述第一序列特征中包含的该时刻的业务特征对应的权重；针对所述第二序列特征中包含的每个时刻的业务数据，确定该时刻的业务特征与所述第一序列特征中的各时刻的业务特征之间的权重，作为所述第二序列特征中包含的该时刻的业务特征对应的权重；根据所述第一序列特征中包含的各时刻的业务特征对应的权重以及所述第二序列特征中包含的各时刻的业务特征对应的权重，确定所述第一序列特征与所述第二序列特征之间的注意力权重。3.如权利要求1所述的方法，根据所述注意力权重、所述第一序列特征以及所述第二序列特征，确定所述目标节点与所述关联节点之间的边的边特征，具体包括：通过所述注意力权重对所述第一序列特征加权，得到加权后第一序列特征，以及，通过所述注意力权重对所述第二序列特征加权，得到加权后第二序列特征；根据所述加权后第一序列特征以及所述加权后第二序列特征，确定所述目标节点与所述关联节点之间的边的边特征。4.如权利要求3所述的方法，根据所述加权后第一序列特征以及所述加权后第二序列特征，确定所述目标节点与所述关联节点之间的边的边特征，具体包括：针对所述加权后第一序列特征中包含的每个时刻的加权后特征，根据该时刻的加权后特征中包含的各维度的子特征之间的权重，对该时刻的加权后特征进行特征压缩，得到所述加权后第一序列特征中包含的该时刻的压缩后特征；
针对所述加权后第二序列特征中包含的每个时刻的加权后特征，根据该时刻的加权后特征中包含的各维度的子特征之间的权重，对该时刻的加权后特征进行特征压缩，得到所述加权后第二序列特征中包含的该时刻的压缩后特征；根据所述加权后第一序列特征中包含的各时刻的压缩后特征以及所述加权后第二序列特征中包含的各时刻的压缩后特征，确定所述目标节点与所述关联节点之间的边的边特征。5.如权利要求1所述的方法，根据所述注意力权重、所述第一序列特征以及所述第二序列特征，确定所述目标节点与所述关联节点之间的边的边特征，具体包括：根据输入到所述预测模型中的业务序列数据，确定所述目标用户与所述关联节点对应用户在历史上分别针对同一业务对象所执行的业务数据，作为目标数据；根据所述注意力权重、所述第一序列特征、所述第二序列特征以及所述目标数据，确定所述目标节点与所述关联节点之间的边的边特征。6.如权利要求1所述的方法，根据所述注意力权重、所述第一序列特征以及所述第二序列特征，确定所述目标节点与所述关联节点之间的边的边特征，具体包括：根据输入到所述预测模型中的业务序列数据，确定所述目标用户在历史上执行的各业务所对应的商户，并确定所述目标用户在每个商户中执行业务的比例，作为第一比例，以及确定所述关联节点对应用户在每个商户中执行业务的比例，作为第二比例；根据所述注意力权重、所述第一序列特征、所述第二序列特征、所述第一比例以及所述第二比例，确定所述目标节点与所述关联节点之间的边的边特征。7.如权利要求1所述的方法，所述业务关系图还包括：商户节点；确定所述目标节点对应的节点特征，具体包括：根据所述目标用户的业务序列数据，确定所述目标节点对应的初始节点特征；根据所述关联节点对应用户的业务序列数据，确定所述关联节点对应的节点特征；从所述业务关系图中确定与所述目标节点通过边相连的商户节点，作为关联商户节点；根据所述关联商户节点对应商户的业务数据，确定所述关联商户节点对应的节点特征；根据所述目标节点对应的初始节点特征、所述关联节点对应的节点特征以及所述关联商户节点对应的节点特征，确定所述目标节点对应的节点特征。8.一种业务风控的方法，包括：获取用户执行业务时的业务序列数据；将所述业务序列数据输入到预先训练的预测模型中，以确定目标用户执行业务时的风险预测结果，所述预测模型是通过上述权利要求1～7任一项所述的方法训练得到的；根据所述风险预测结果，对所述用户进行业务风控。9.一种模型训练的装置，包括：确定模块，用于确定目标用户在预先构建的业务关系图中对应的节点，作为目标节点，以及确定与所述目标节点相连的节点，作为关联节点，在所述业务关系图中，一个节点对应一个用户，具有业务关联的用户对应的节点由边相连；获取模块，用于获取所述目标用户对应的业务序列数据，以及获取所述关联节点对应
用户的业务序列数据，业务序列数据用于表示按照时间顺序进行排序的各业务数据；提取模块，用于将所述目标用户的业务序列数据以及所述关联节点对应用户的业务序列数据输入到待训练的预测模型中，以通过所述预测模型中的特征提取层，从所述目标用户对应的业务序列数据中提取特征，得到第一序列特征，以及从所述关联节点对应用户的业务序列数据中提取特征，得到第二序列特征；权重模块，用于通过所述预测模型中的注意力层，确定所述第一序列特征与所述第二序列特征之间的注意力权重，并根据所述注意力权重、所述第一序列特征以及所述第二序列特征，确定所述目标节点与所述关联节点之间的边的边特征；输入模块，用于将确定出的所述目标节点对应的节点特征以及所述边特征输入到所述预测模型中的决策层中，得到风险预测结果；训练模块，用于以最小化所述风险预测结果与所述目标用户对应的标签之间的偏差为优化目标，对所述预测模型进行训练。10.一种业务风控的装置，包括：获取模块，用于获取目标用户执行业务时的业务序列数据；输入模块，用于将所述业务序列数据输入到预先训练的预测模型中，以确定目标用户执行业务时的风险预测结果，所述预测模型是通过上述权利要求1～7任一项所述的方法训练得到的；风控模块，用于根据所述风险预测结果，对所述用户进行业务风控。11.一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1-8任一项所述的方法。12.一种电子设备，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1-8任一项所述的方法。

技术总结
本说明书公开了一种模型训练的方法、业务风控的方法及装置。首先，确定预先构建的业务关系图。其次，获取业务序列数据。而后，将业务序列数据输入到待训练的预测模型中，以通过特征提取层，得到目标节点的第一序列特征，以及关联节点的第二序列特征。然后，通过注意力层，确定第一序列特征与第二序列特征之间的注意力权重，并根据注意力权重、第一序列特征以及第二序列特征，确定目标节点与关联节点之间的边的边特征。接着，将确定出的目标节点对应的节点特征以及边特征输入到决策层中，得到风险预测结果。最后，以最小化风险预测结果与标签之间的偏差为优化目标，对预测模型进行训练。本方法可以在用户执行业务过程中进行有效地业务风控。业务风控。业务风控。


技术研发人员：但家旺 朱亮 田胜 孟昌华
受保护的技术使用者：支付宝（杭州）信息技术有限公司
技术研发日：2022.10.28
技术公布日：2023/1/31