神经网络的建立方法及系统和神经网络的应用方法及系统技术方案

本申请涉及一种神经网络的建立方法及系统和神经网络的应用方法及系统，该方法包括：将账户的历史操作事件按照时间顺序分为第一训练事件和第一测试事件；获取第一训练事件的参数；根据参数将第一训练事件初始化为第一向量；利用第一向量建立神经网络，神经网络包括参数和结构；将第一测试事件的第二向量，输入至神经网络中，计算第一测试事件的第二离散值、衍生变量和第一指标，第二离散值为风险度评估值；当第一指标达到阈值时，存储神经网络。本申请提供的神经网络的建立方法及系统和神经网络的应用方法及系统，提高了预测灰色区域的风险度的效率，并使得对灰色区域事件的处理变得灵活、可控。

【技术实现步骤摘要】

本申请涉及风险防控领域，尤其涉及一种神经网络的建立方法及系统和神经网络的应用方法及系统。
技术介绍
目前，针对风险防控、案件预测问题，常常使用模型进行风险防控和案件预测。现有模型产出的处于中等区间离散值的那部分事件的准确性会加剧下降，将处于中等区间离散值的那部分事件称为灰色区域事件，灰色区域指的是模型预测有风险，但风险度不是最高的那一部分事件。由于处于中等区间离散值的灰色区域事件的准确性加剧下降，所以需要提高这部分灰色区域事件的预测准确性。现有技术中对于灰色区域事件，不进行处理，或者进行人工审理。人工将灰色区域事件分流至高风险区域或者低风险区域。但是人工审理灰色区域事件风险度需要大量的人力物力，且审理灰色区域事件风险度的准确率也受限于审理人员的审理能力，不准确。
技术实现思路
本申请的目的是提出了一种神经网络的建立方法及系统和神经网络的应用方法及系统，解决审理灰色区域事件风险度不准确，且需要大量的人力物力的问题。为实现上述目的，本申请第一方面提供了一种神经网络的建立方法，所述方法包括：将账户的历史操作事件按照时间顺序分为第一训练事件和第一测试事件；获取所述第一训练事件的参数；根据所述参数将所述第一训练事件初始化为第一向量；利用所述第一向量建立神经网络，所述神经网络包括所述参数和结构；将所述第一测试事件的第二向量，输入至所述神经网络中，计算所述第一测试事件的第二离散值、衍生变量和第一指标，所述第二离散值为风险度评估值；当所述第一指标达到阈值时，存储所述神经网络。本申请第二方面提供了一种利用神经网络预测风险度的方法，所述方法包括：获取处于灰色区域的事件在原始模块输出的第一离散值，所述第一离散值为风险度评估值；调用系统中与所述处于灰色区域事件对应账户的神经网络，所述神经网络是利用历史操作事件训练得到的，通过所述神经网络中的参数计算第二离散值和衍生变量；根据第二离散值、衍生变量和第一离散值，通过第一模型将灰色区域事件分流至高风险区域或低风险区域。本申请第三方面提供了一种神经网络的建立系统，所述系统包括：划分模块，用于将账户的历史操作事件按照时间顺序分为第一训练事件和第一测试事件；获取模块，用于获取所述第一训练事件的参数；处理模块，用于根据所述参数将所述第一训练事件初始化为第一向量；建立模块，用于利用所述第一向量建立神经网络，所述神经网络包括所述参数和结构；计算模块，用于将所述第一测试事件的第二向量，输入至所述神经网络中，计算所述第一测试事件的第二离散值、衍生变量和第一指标，所述第二离散值为风险度评估值；存储模块，用于当所述第一指标达到阈值时，存储所述神经网络。本申请第四方面提供了一种利用神经网络预测风险度的系统，所述系统包括：获取模块，用于获取处于灰色区域的事件在原始模块输出的第一离散值，所述第一离散值为风险度评估值；调用模块，用于调用系统中与所述处于灰色区域事件对应账户的神经网络，所述神经网络是利用历史操作事件训练得到的，通过所述神经网络中的参数计算第二离散值和衍生变量；分流模块，用于根据第二离散值、衍生变量和第一离散值，通过第一模型将灰色区域事件分流至高风险区域或低风险区域。本申请提供的神经网络的建立方法，将账户的历史操作事件按照时间顺序分为第一训练事件和第一测试事件；获取所述第一训练事件的参数；根据所述参数将所述第一训练事件初始化为第一向量；利用所述第一向量建立神经网络，通过神经网络计算第一测试事件的第二离散值、衍生变量和第一指标，当所述第一指标达到阈值时，存储所述神经网络。有效提高了预测灰色区域的风险度的效率，并使得对灰色区域事件的处理变得灵活、可控。附图说明图1为本申请实施例提供的神经网络的建立方法的流程图；图2为本申请实施例提供的利用神经网络预测风险度的方法的流程图；图3为本申请实施例提供的神经网络的建立系统示意图；图4为本申请实施例提供的利用神经网络预测风险度的系统示意图。具体实施方式下面通过附图和实施例，对本申请的技术方案做进一步的详细描述。自组织(SelfOrganizedMapping，SOM)神经网络是自组织特征的映射网络，网络结构分为输入层和映射层，两层之间实现全连接。处于网络空间中不同区域的神经元有着不同的分工，当一个神经网络接受外界输入模式时，将会分为不同的反映域，各区域对于输入模式具有不同的相应特征。它可以实现数据分类，当你输入数据集的时候，经过学习训练，得到了以一个最终获胜的权值向量为中心周围分布着与相关的数据，这样不断进行下去之后，本身有联系的数据就会聚集到一起，形成具有自己独特特点的数据集。本申请实施例首先提供了一种神经网络的建立方法，预测账户在线操作时，准确地预测处于灰色区域事件的风险度。本申请实施例的应用场景，应用于具有风险度的所有操作事件中，例如，在线支付，登录电子邮件账号，登录QQ账号等，准确地预测这些操作事件的风险度。实施例一参见图1，图1为神经网络的建立方法的流程图。本申请实施例一提供了一种神经网络的建立方法，在本申请实施例一中的实施主体为神经网络的建立系统，该方法可以包括如下步骤：步骤S101，将账户的历史操作事件按照时间顺序分为第一训练事件和第一测试事件。例如：按照时间顺序，将账户的历史交易事件分为第一训练事件和第一测试事件，为了保证训练出来的SOM网络的精度，每个账户的历史交易事件的第一训练事件的个数不小于50个。每个账户的历史交易事件中，先排除盗用操作时的交易事件，以确保训练出的SOM网络能够体现该账户的特性。例如，将账户在前两个月内的所有历史交易事件，按照时间顺序，将前50笔的历史交易事件分为第一训练事件，其余30笔历史交易事件分为第一测试事件。步骤S102，获取所述第一训练事件的参数。例如，获取第一训练事件的参数为：交易金额、交易时间和交易地点。参数的个数可以根据具体情况自行设定。步骤S103，根据所述参数将所述第一训练事件初始化为第一向量。根据参数交易金额、交易时间和交易地点，将第一训练事件中的50笔交易事件初始化为向量。例如：第一笔交易事件中交易金额1000元，交易时间上午8点，交易地点北京。第一向量是SOM神经网络训练时的输入神经元，比如向量X1＝(1000元，8：00am，北京)。一般情况下，若元素是非数值型的(如时间型变量以及地点型变量)，则需要进行数值化处理，可以利用第一训本文档来自技高网...

【技术保护点】
一种神经网络的建立方法，其特征在于，所述方法包括：将账户的历史操作事件按照时间顺序分为第一训练事件和第一测试事件；获取所述第一训练事件的参数；根据所述参数将所述第一训练事件初始化为第一向量；利用所述第一向量建立神经网络，所述神经网络包括所述参数和结构；将所述第一测试事件的第二向量，输入至所述神经网络中，计算所述第一测试事件的第二离散值、衍生变量和第一指标，所述第二离散值为风险度评估值；当所述第一指标达到阈值时，存储所述神经网络。

【技术特征摘要】
1.一种神经网络的建立方法，其特征在于，所述方法包括：
将账户的历史操作事件按照时间顺序分为第一训练事件和第一测试事
件；
获取所述第一训练事件的参数；
根据所述参数将所述第一训练事件初始化为第一向量；
利用所述第一向量建立神经网络，所述神经网络包括所述参数和结构；
将所述第一测试事件的第二向量，输入至所述神经网络中，计算所述第
一测试事件的第二离散值、衍生变量和第一指标，所述第二离散值为风险度
评估值；
当所述第一指标达到阈值时，存储所述神经网络。
2.根据权利要求1所述的方法，其特征在于，所述存储所述神经网络之
后所述方法还包括：
将在原始模块中处于灰色区域的事件的第三向量，输入至所述神经网络
中，建立第一模型；
获取所述在原始模块中处于灰色区域的事件在原始模块输出的第一离散
值，所述第一离散值为风险度评估值；
根据所述在原始模块中处于灰色区域的事件的第三离散值、衍生变量和
第一离散值，通过第一模型将灰色区域事件分流至高风险区域或低风险区域。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当所述第二离散值和所述第一指标未达到阈值时，调整所述参数和所述
结构。
4.根据权利要求1所述的方法，其特征在于，所述将所述第一测试事件
的第二向量，输入至所述神经网络中之前还包括：
根据所述参数将所述第一测试事件初始化为所述第二向量，所述第二向
量由所述第一测试事件中的元素组成。
5.根据权利要求2所述的方法，其特征在于，所述将在原始模块中处于
灰色区域的事件的第三向量，输入至所述神经网络中，建立第一模型具体包
括：
将所述在原始模块中处于灰色区域的事件按照时间顺序分为第二训练事
件和第二测试事件；
根据所述参数将所述第二训练事件初始化为所述第三向量，所述第三向
量由所述第二训练事件中的元素组成；
将所述第三向量输入至所述神经网络中，计算所述在原始模块中处于灰
色区域的事件的第二离散值和衍生变量；
利用第二训练事件的第二离散值、衍生变量和第一离散值，对第二训练
事件进行第一模型训练，确定第一模型的参数，得到第一模型；
将所述第二测试事件输入到第一模型中，利用第二测试事件的第二离散
值、衍生变量和第一离散值，将第二测试事件分流至高风险区域或低风险区
域，并计算第二测试事件的第二指标；
当所述第二指标达到阈值时，存储第一模型。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
当所...

【专利技术属性】
技术研发人员：陈露佳，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛;KY