一种模型的处理方法、装置及设备制造方法及图纸

本说明书实施例公开了一种模型的处理方法、装置及设备，该方法包括：获取应用于元学习的样本数据，该样本数据中包括对应事件的特征、样本标签信息、对应事件所属的业务场景和支撑集，支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据，然后，基于样本数据、支撑集中不同事件类别的支撑样本数据对应的注意力权重和不同事件类别包含的支撑样本数据的数量，确定不同事件类别对应的类别中心，最终，基于不同事件类别对应的类别中心、样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，优化目标函数基于经验风险最小化学习策略和样本数据对应的概率分布的分布鲁棒优化策略构建。略构建。略构建。

【技术实现步骤摘要】
一种模型的处理方法、装置及设备


[0001]本文件涉及计算机
，尤其涉及一种模型的处理方法、装置及设备。

技术介绍

[0002]用户采用在线支付工具进行支付的过程中，往往需要对当笔交易事件进行风险分析，在实际业务中，一笔交易往往对应着不同的业务场景，业务场景背后的业务逻辑和数据分布有较大差别，内部的业务场景涵盖转账类交易、商户类交易等，两者在金融风险维度表现出差异，针对外部的业务场景，由于目标用户的业务存在多样化的特点，以及目标用户对自己隐私数据的重视，数据分布不尽相同、且事前往往无法感知对应的数据。
[0003]在风控领域中，冷启动阶段的输入数据可能仅能得到用户名等信息，而对其在目标场景的具体数据分布(即键值所对应的特征值)无法感知。此外，不同的业务场景之间可能存在数量级的差异。为此，需要提供一种能够考虑各种可能的概率分布并能够实现绿色风控，且在多个不同的业务场景上具备一定的域泛化能力的风险识别技术方案。

技术实现思路

[0004]本说明书实施例的目的是提供一种能够考虑各种可能的概率分布并能够实现绿色风控，且在多个不同的业务场景上具备一定的域泛化能力的风险识别技术方案。
[0005]为了实现上述技术方案，本说明书实施例是这样实现的：
[0006]本说明书实施例提供的一种模型的处理方法，所述方法包括：获取应用于元学习的样本数据，所述样本数据中包括对应事件的特征、样本标签信息、对应事件所属的业务场景和支撑集，所述支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据。基于所述样本数据、所述支撑集中不同事件类别的支撑样本数据对应的注意力权重和所述支撑集中不同事件类别包含的支撑样本数据的数量，确定所述支撑集中不同事件类别对应的类别中心。基于所述支撑集中不同事件类别对应的类别中心、所述样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，所述优化目标函数基于经验风险最小化学习策略和所述样本数据对应的概率分布的分布鲁棒优化策略构建。
[0007]本说明书实施例提供的一种模型的处理方法，所述方法包括：获取用于训练目标交易业务的风险识别模型的样本数据，所述样本数据包括多个不同场景的样本数据。基于所述样本数据和预设的优化目标函数对所述风险识别模型进行模型训练，得到训练后的风险识别模型，所述优化目标函数基于经验风险最小化学习策略和所述样本数据对应的概率分布的分布鲁棒优化策略构建。
[0008]本说明书实施例提供的一种模型的处理方法，所述方法包括：接收服务器发送的训练后的风险识别模型，并确定训练后的风险识别模型对应的不同事件类别的类别中心，训练后的风险识别模型是基于应用于元学习的样本数据、样本数据中的支撑集中不同事件类别的支撑样本数据对应的注意力权重和支撑集中不同事件类别包含的支撑样本数据的
数量，确定支撑集中不同事件类别对应的类别中心，基于支撑集中不同事件类别对应的类别中心、样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，该优化目标函数基于经验风险最小化学习策略和该样本数据对应的概率分布的分布鲁棒优化策略构建，该样本数据中包括对应事件的特征、样本标签信息、对应事件所属的业务场景和支撑集，支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据。获取第一用户在执行目标交易业务所产生的交易数据。获取上述交易数据对应事件的特征，并对交易数据对应事件的特征进行编码处理，得到目标编码特征，基于目标编码特征，以及训练后的风险识别模型对应的不同事件类别的类别中心，确定该交易数据对应的事件类别。基于确定的事件类别，对第一用户执行的目标交易业务进行风险防控处理。
[0009]本说明书实施例提供的一种模型的处理装置，所述装置包括：样本获取模块，获取应用于元学习的样本数据，所述样本数据中包括对应事件的特征、样本标签信息、对应事件所属的业务场景和支撑集，所述支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据。类别中心确定模块，基于所述样本数据、所述支撑集中不同事件类别的支撑样本数据对应的注意力权重和所述支撑集中不同事件类别包含的支撑样本数据的数量，确定所述支撑集中不同事件类别对应的类别中心。训练模块，基于所述支撑集中不同事件类别对应的类别中心、所述样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，所述优化目标函数基于经验风险最小化学习策略和所述样本数据对应的概率分布的分布鲁棒优化策略构建。
[0010]本说明书实施例提供的一种模型的处理装置，所述装置包括：样本获取模块，获取用于训练目标交易业务的风险识别模型的样本数据，所述样本数据包括多个不同场景的样本数据。模型训练模块，基于所述样本数据和预设的优化目标函数对所述风险识别模型进行模型训练，得到训练后的风险识别模型，所述优化目标函数基于经验风险最小化学习策略和所述样本数据对应的概率分布的分布鲁棒优化策略构建。
[0011]本说明书实施例提供的一种模型的处理装置，所述装置包括：模型部署模块，接收服务器发送的训练后的风险识别模型，并确定训练后的风险识别模型对应的不同事件类别的类别中心，训练后的风险识别模型是基于应用于元学习的样本数据、样本数据中的支撑集中不同事件类别的支撑样本数据对应的注意力权重和支撑集中不同事件类别包含的支撑样本数据的数量，确定支撑集中不同事件类别对应的类别中心，基于支撑集中不同事件类别对应的类别中心、样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，该优化目标函数基于经验风险最小化学习策略和该样本数据对应的概率分布的分布鲁棒优化策略构建，该样本数据中包括对应事件的特征、样本标签信息、对应事件所属的业务场景和支撑集，支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据。数据获取模块，获取第一用户在执行目标交易业务所产生的交易数据。类别确定模块，获取上述交易数据对应事件的特征，并对交易数据对应事件的特征进行编码处理，得到目标编码特征，基于目标编码特征，以及训练后的风险识别模型对应的不同事件类别的类别中心，确定该交易数据对应的事件类别。风险防控模块，基于确定的事件类别，对第一用户执行的目标交易业务进行风险防控处理。
[0012]本说明书实施例提供的一种模型的处理设备，所述模型的处理设备包括：处理器；
以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：获取应用于元学习的样本数据，所述样本数据中包括对应事件的特征、样本标签信息、对应事件所属的业务场景和支撑集，所述支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据。基于所述样本数据、所述支撑集中不同事件类别的支撑样本数据对应的注意力权重和所述支撑集中不同事件类别包含的支撑样本数据的数量，确定所述支撑集中不同事件类别对应的类别中心。基于所述支撑集中不同事件类别对应的类别中心、所述样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型的处理方法，所述方法包括：获取应用于元学习的样本数据，所述样本数据中包括对应事件的特征、样本标签信息、对应事件所属的业务场景和支撑集，所述支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据；基于所述样本数据、所述支撑集中不同事件类别的支撑样本数据对应的注意力权重和所述支撑集中不同事件类别包含的支撑样本数据的数量，确定所述支撑集中不同事件类别对应的类别中心；基于所述支撑集中不同事件类别对应的类别中心、所述样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，所述优化目标函数基于经验风险最小化学习策略和所述样本数据对应的概率分布的分布鲁棒优化策略构建。2.根据权利要求1所述的方法，所述优化目标函数是由经验风险最小化下所述风险识别模型的模型参数对应的第一子函数和所述分布鲁棒优化策略对应的分布鲁棒优化所要求的损失函数的上界之和构建的函数。3.根据权利要求2所述的方法，所述基于所述样本数据、所述支撑集中不同事件类别的支撑样本数据对应的注意力权重和所述支撑集中不同事件类别包含的支撑样本数据的数量，确定所述支撑集中不同事件类别对应的类别中心，包括：对所述样本数据中的所述支撑集中的每个事件类别对应的支撑样本数据进行编码处理，得到每个支撑样本数据对应的编码特征；基于每个支撑样本数据对应的编码特征、所述支撑集中不同事件类别的支撑样本数据对应的预设注意力权重和所述支撑集中不同事件类别包含的支撑样本数据的数量，确定所述支撑集中不同事件类别对应的类别中心。4.根据权利要求3所述的方法，所述注意力权重是基于所述样本数据、所述支撑集中不同事件类别对应的特征的均值，并通过前馈神经网络和预设的激活函数，以及所述支撑集中不同事件类别包含的支撑样本数据的数量确定的权重。5.根据权利要求1
‑
4中任一项所述的方法，所述事件类别包括可信类、盗用类、欺诈类、非法金融活动类中的一种或多种。6.根据权利要求5所述的方法，所述方法还包括：获取第一用户执行目标交易业务所产生的交易数据；获取所述交易数据对应事件的特征，并对所述交易数据对应事件的特征进行编码处理，得到目标编码特征；基于所述目标编码特征，以及所述训练后的风险识别模型对应的不同事件类别的类别中心，确定所述交易数据对应的事件类别；基于确定的事件类别，对所述第一用户执行的目标交易业务进行风险防控处理。7.根据权利要求6所述的方法，所述方法还包括：接收所述第一用户的终端设备发送的所述训练后的风险识别模型对应的不同事件类别的类别中心。8.根据权利要求1所述的方法，所述方法还包括：将所述训练后的风险识别模型部署于第二用户的终端设备中；当到达预设的更新周期时，获取所述训练后的风险识别模型对应的更新支撑集，所述
更新支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据；将所述更新支撑集提供给所述终端设备，所述更新支撑集用于触发所述终端设备更新所述训练后的风险识别模型对应的支撑集。9.一种模型的处理方法，所述方法包括：获取用于训练目标交易业务的风险识别模型的样本数据，所述样本数据包括多个不同场景的样本数据；基于所述样本数...

【专利技术属性】
技术研发人员：周璟，刘京，金宏，王维强，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：