风险识别系统的更新方法及装置、风险识别方法及装置

    公开(公告)号:CN112785157B

    公开(公告)日:2022-07-22

    申请号:CN202110093517.X

    申请日:2021-01-22

    Abstract: 本说明书实施例提供一种风险识别方法。该方法包括:获取待识别的第一事件样本;将该第一事件样本输入针对多个风险域的风险识别系统中;该风险识别系统包括第一表征层,第二表征层和输出层;该第二表征层包括共享表征子层,以及对应该多个风险域的多个特定表征子层;该输出层包括对应该多个风险域的多个输出子层;其中,该第一表征层基于该第一事件样本的事件特征,确定该第一事件样本的第一表征向量;该第二表征层中的各个表征子层各自基于该第一表征向量,确定该第一事件样本的表征子向量;该输出层中的各个输出子层,各自基于所对应风险域的表征子向量和该共享表征子层确定出的表征子向量,确定风险预测结果。

    基于用户操作判断业务风险的方法和装置

    公开(公告)号:CN113409050B

    公开(公告)日:2022-05-17

    申请号:CN202110492178.2

    申请日:2021-05-06

    Abstract: 本说明书实施例提供一种基于用户操作判断业务风险的方法和装置,方法包括:客户端接收针对目标业务的第一操作,目标业务是多种服务业务之一,第一操作是向服务端提交目标业务的业务请求之前的预定操作;响应于第一操作,在第一执行链路中,获取用户通过客户端执行的历史操作序列,将历史操作序列对应的特征序列输入预先训练的风险预测模型,得到目标业务的风险分数,将风险分数发送给服务端;在与第一执行链路并行执行的第二执行链路中,对目标业务进行继续处理,直至向服务端提交目标业务的业务请求;以使服务端根据业务请求和风险分数,判断目标业务是否具有预设类别的风险。能够确保高准确率、低耗时。

    一种模型的训练方法、装置及设备

    公开(公告)号:CN114429222A

    公开(公告)日:2022-05-03

    申请号:CN202210061986.8

    申请日:2022-01-19

    Abstract: 本说明书实施例公开了一种模型的训练方法、装置及设备,该方法包括:获取待训练的目标模型对应的模型参数和目标模型的训练样本,并将模型参数划分为多个不同的模型子参数,然后,可以基于训练样本和每个模型子参数对应的损失函数,对目标模型进行模型训练,确定每个模型子参数对应的初始梯度信息,基于每个模型子参数对应的截断信息对相应的模型子参数对应的初始梯度信息进行梯度截断,得到每个模型子参数对应的梯度信息,最终,可以向每个模型子参数对应的梯度信息中加入相应的噪声信息,得到每个模型子参数对应的目标梯度信息,并基于每个模型子参数对应的目标梯度信息对模型参数进行更新,得到训练后的目标模型。

    一种支付风险识别方法、装置及设备

    公开(公告)号:CN113516480A

    公开(公告)日:2021-10-19

    申请号:CN202110953376.4

    申请日:2021-08-19

    Abstract: 本说明书一个或多个实施例提供了一种支付风险识别方法、装置及设备,该方法包括:若针对目标用户的本次支付交易事件执行到支付处理链路中的第一预设处理节点,则利用深度兴趣网络模型,基于目标用户的历史支付交易数据和当前支付环境数据,确定目标用户的预测支付行为数据;利用预设风险识别模型并基于上述预测支付行为数据,对本次支付交易事件进行风险识别,得到相应的预测支付风险识别结果;在本次支付交易事件执行到第二预设处理节点时,获取在本次支付交易事件执行过程中所产生的目标用户的真实支付行为数据;基于上述预测支付行为数据、真实支付行为数据和预测支付风险识别结果,确定本次支付交易事件对应的目标支付风险识别结果。

    基于联邦学习的模型参数更新方法、装置及设备

    公开(公告)号:CN113297396A

    公开(公告)日:2021-08-24

    申请号:CN202110824981.1

    申请日:2021-07-21

    Abstract: 本说明书实施例提供了一种基于联邦学习的模型参数更新方法、装置及设备,其中,该方法包括:接收联邦学习服务端下发的针对目标图神经网络模型的模型参数更新指令,所述模型参数更新指令携带有第一共享参数,所述目标图神经网络模型为多个所述联邦学习客户端的共有模型;基于所述第一共享参数、本地存储的第一独立参数,以及由本地用户私有数据构建的图谱数据,对所述目标图神经网络模型进行训练,得到训练后的所述目标图神经网络模型的模型参数;将所述第二共享参数发送给所述联邦学习服务端,以使所述联邦学习服务端基于多个联邦学习客户端发送的第二共享参数,对所述目标图神经网络模型的第一共享参数进行更新处理。

    基于风险识别的模型训练方法、装置和电子设备

    公开(公告)号:CN111932041B

    公开(公告)日:2021-01-05

    申请号:CN202011069728.1

    申请日:2020-10-09

    Abstract: 本说明书实施例公开了一种基于风险识别的模型训练方法、装置及电子设备,具体方案包括:获取无样本标签的第一数据集,第一数据集包含预期具有第一类样本标签的样本数据,在该预期具有第一类样本标签的样本数据中掺杂有具有第二类样本标签的样本数据;对第一数据集预配置第一类样本标签,利用该第一数据集运行配置有第一模型参数的目标模型,生成预测值。利用损失函数判断预测值相比于第一数据集所反映的目标值的损失量,估算损失量对应的第一数据集的统计中心估值,将统计中心估值转换成统计中心期望值,利用损失量和损失量对应的统计中心期望值调整第一模型参数,直到损失量达到预设条件。

    一种可信子图的挖掘方法、装置以及设备

    公开(公告)号:CN111522866B

    公开(公告)日:2020-11-03

    申请号:CN202010631573.X

    申请日:2020-07-03

    Abstract: 本说明书实施例公开了一种可信子图的挖掘方法、装置以及设备。所述方法包括:基于目标点的业务行为和/或业务关系构边,获得待处理的图数据对应的子图;基于元可信召回策略遍历所述子图,获得备择子图;基于第一模型,对所述备择子图进行分类,获得所述备择子图的表征向量、所述备择子图的整体表征及所述备择子图的第一分值,其中,所述第一分值用于对所述备择子图进行子图分类,以表示所述备择子图是否可信;基于所述备择子图的表征向量、所述备择子图的整体表征,采用第二模型获得所述备择子图的第二分值,其中,所述第二分值表示所述备择子图的风险概率;基于所述第一分值和所述第二分值,对所述备择子图进行子图沉淀,获得可信子图。

    一种可信子图的挖掘方法、装置以及设备

    公开(公告)号:CN111522866A

    公开(公告)日:2020-08-11

    申请号:CN202010631573.X

    申请日:2020-07-03

    Abstract: 本说明书实施例公开了一种可信子图的挖掘方法、装置以及设备。所述方法包括:基于目标点的业务行为和/或业务关系构边,获得待处理的图数据对应的子图;基于元可信召回策略遍历所述子图,获得备择子图;基于第一模型,对所述备择子图进行分类,获得所述备择子图的表征向量、所述备择子图的整体表征及所述备择子图的第一分值,其中,所述第一分值用于对所述备择子图进行子图分类,以表示所述备择子图是否可信;基于所述备择子图的表征向量、所述备择子图的整体表征,采用第二模型获得所述备择子图的第二分值,其中,所述第二分值表示所述备择子图的风险概率;基于所述第一分值和所述第二分值,对所述备择子图进行子图沉淀,获得可信子图。

Patent Agency Ranking