风险控制方法、装置、服务器及可读存储介质制造方法及图纸

本说明书实施例提供了一种风险控制方法，基于所述风险特征，输入至预置的宽线性‑深度神经网络模型进行风险预测，得到所述交易数据的风险分值。本发明专利技术实施例采用的宽线性‑深度神经网络模型结合了宽线性模型和深度神经网络模型的优点，可对风险交易进行有效识别。

Risk control method, device, server and readable storage medium

The embodiment of this specification provides a risk control method that, based on the risk characteristics, inputs a preset Wide Linear Depth Neural Network model for risk prediction and obtains the risk score of the transaction data. The wide linear depth neural network model adopted in the embodiment of the invention combines the advantages of the wide linear model and the depth neural network model, and can effectively identify the risk transaction.

【技术实现步骤摘要】
风险控制方法、装置、服务器及可读存储介质
本说明书实施例涉及互联网
，尤其涉及一种风险控制方法、装置、服务器及可读存储介质。
技术介绍
随着互联网的快速发展，各种形式的业务不断涌现，如在线银行、在线支付、在线购物等基于互联网的服务业务。人们已经越来越习惯在网上进行各种生活或商务活动。由于互联网是一个开放的网络，任何人在任何地方都可以很方便地连接到互联网上。互联网在给人们生活提供便利的同时，也带来了风险。尤其是随着电子商务平台和第三方交易平台的发展，网络金融犯罪以及网上诈骗、信用卡盗刷等不断出现。因此，互联网风险控制越来越重要。
技术实现思路
本说明书实施例提供及一种风险控制方法、装置、服务器及可读存储介质。第一方面，本说明书实施例提供一种风险控制方法，包括：获取交易数据；从所述交易数据中提取出风险特征；基于所述风险特征，输入至预置的宽线性-深度神经网络模型进行风险预测，得到所述交易数据的风险分值；基于所述风险分值对所述交易数据进行控制。第二方面，本说明书实施例提供一种风险控制装置，包括：数据获取单元，用于获取交易数据；特征提取单元，用于从所述交易数据中提取出风险特征；风险预测单元，用于基于所述风险特征，输入至预置的宽线性-深度神经网络模型进行风险预测，得到所述交易数据的风险分值；风险控制单元，用于基于所述风险分值对所述交易数据进行控制。第三方面，本说明书实施例提供一种服务器，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所述方法的步骤。第四方面，本说明书实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述方法的步骤。本说明书实施例有益效果如下：本专利技术实施例中，通过预先建立的wide&deep模型可对风险特征进行有效识别。特别的，当当前wide&deep模型无法对风险特征进行识别时，在一种可选方式中，支持根据策略端识别结果对wide&deep模型进行更新。附图说明图1为本说明书实施例风险控制应用场景示意图；图2为本说明书实施例第一方面提供的风险控制方法流程图；图3为本说明书实施例中风险控制系统实例示意图；图4为本说明书实施例第二方面提供的风险控制装置结构示意图；图5为本说明书实施例第三方面提供的风险控制服务器结构示意图。具体实施方式为了更好的理解上述技术方案，下面通过附图以及具体实施例对本说明书实施例的技术方案做详细的说明，应当理解本说明书实施例以及实施例中的具体特征是对本说明书实施例技术方案的详细的说明，而不是对本说明书技术方案的限定，在不冲突的情况下，本说明书实施例以及实施例中的技术特征可以相互组合。请参见图1，为本说明书实施例的风险控制的场景示意图。终端100位于用户侧，与网络侧的服务器200通信。终端100中的交易处理客户端101可以是基于互联网实现业务的APP或网站，为用户提供交易的界面并将交易数据提供给网络侧进行处理；服务器200中的风险控制系统201用于对交易处理客户端101中涉及的交易进行风险控制。第一方面，本说明书实施例提供一种风险控制方法，请参考图2，包括：S201：获取交易数据。S202：从交易数据中提取出风险特征。风险特征是指根据风控系统预先确定的可能预测出该交易是否为风险交易的特征。例如，对于一笔交易，如果其用户是已登记为黑名单的用户，则该交易的用户信息可以作为一项风险特征；再比如，可根据交易涉及的额度及频繁程度判断一笔交易是否为风险交易，因此可提取交易数据中的交易额度及时间等信息作为风险特征。S203：基于风险特征，输入至预置的宽线性-深度神经网络模型进行风险预测，得到交易数据的风险分值。宽线性-深度神经网络(以下称为：wide&deep)模型，是将宽线性模型(WideModel)和深度神经网络模型(DeepModel)结合，汲取各自优势形成了Wide&Deep模型。wide模型主要目的是“记忆”，采用的是逻辑回归模型，优点是简单、容易规模化和可解释性强，能够很好地记住已经出现过的样本，但是对于没有见过的样本，泛化能力弱。deep模型主要目的是“归纳”，采用的是深度神经网络，优点是泛化能力强，即能够通过学习特征低维embedding来泛化之前从未或者很少出现的特征组合。Deep模型的局限性在于可解释性弱，且容易过度泛化。通过联合学习的方式构建wide&deep模型。Deep&wide模型的两个部分是联合学习的，即对于新来一部分样本，两部分的权重同时进行调整，从而得到一个统一的wide&deep模型下的风险权重。为了不失灵活性，训练时wide和deep部分支持采用不同的优化算法，例如，wide部分可采用Followtheregularizedleader(FTRL)+L1正则，deep部分可采用AdaGrad等。在一种可选方式中，通过以下步骤建立wide&deep模型：(1)获取训练样本，并从训练样本中提取出样本特征；(2)基于训练样本的样本特征，联合学习wide模型和deep模型，计算出样本特征的风险权重，从而得到wide&deep模型。风险权重代表各个样本特征(节点)的风险程度。通过对训练样本的训练，目的是使得目标与训练结果的误差(一般采用均方误差)小到一个给定的阈值，从而得到各个样本特征的权重。本专利技术实施例中，通过预先建立的wide&deep模型可对风险特征进行有效识别。特别的，当当前wide&deep模型无法对风险特征进行识别时，在一种可选方式中，支持根据策略端识别结果对wide&deep模型进行更新。具体的，根据本专利技术实施例的方法，如果预置的宽线性-深度神经网络模型无法识别出风险特征，上述方法还包括如下步骤：(1)通过自动化分析或人工分析的方式识别风险特征；(2)将识别出的新增风险特征融合到wide&deep模型中。由于通过自动化分析或人工分析的方式所识别出的风险特征，一般认为是风险较大的特征，对于这类特征，可采取直接自定义风险权重(一般将风险权重设置为较高值)继而直接添加到wide&deep模型所支持的特征变量中的方式，将该新增特征融合到原有wide&deep模型中。这种方式无需重新训练wide&deep模型，效率较高。当然，除了上述自定义新增风险特征的风险权重之外，也可以采取重新训练wide&deep模型的方式。具体的，根据新增风险特征以及原有wide&deep模型的样本特征训练新的wide&deep模型。这种方式更为适合所识别出的风险特征的风险程度不确定的场景。这种方式更为精准。通过将自动化分析或人工分析而识别的风险特征融合到wide&deep模型中，可扩充wide&deep模型所能识别的风险特征，这种将风控系统中策略和模型的结果通过端到端的训练方法相结合的方式，使得wide&deep模型应用的方式更加智能化。此外，为了及时根据最新动态捕捉风险变化形势，可定期(例如每天)获取离线样本数据对wide&deep模型进行refit(调整)。因此在一种可选方式中，还可执行如下步骤：(1)本文档来自技高网...

【技术保护点】
1.一种风险控制方法，包括：获取交易数据；从所述交易数据中提取出风险特征；基于所述风险特征，输入至预置的宽线性‑深度神经网络模型进行风险预测，得到所述交易数据的风险分值；基于所述风险分值对所述交易数据进行控制。

【技术特征摘要】
1.一种风险控制方法，包括：获取交易数据；从所述交易数据中提取出风险特征；基于所述风险特征，输入至预置的宽线性-深度神经网络模型进行风险预测，得到所述交易数据的风险分值；基于所述风险分值对所述交易数据进行控制。2.根据权利要求1所述的方法，还包括：通过以下步骤建立所述宽线性-深度神经网络模型：获取训练样本，并从训练样本中提取出样本特征；基于所述训练样本的样本特征，联合学习宽线性模型和深度神经网络模型，计算出各个样本特征的风险权重，从而得到所述宽线性-深度神经网络模型。3.根据权利要求1或2所述的方法，如果所述预置的宽线性-深度神经网络模型无法识别出所述风险特征，所述方法还包括：通过自动化分析或人工分析的方式识别所述风险特征；将识别出的新增风险特征融合到所述宽线性-深度神经网络模型中。4.根据权利要求3所述的方法，所述将识别出的新增风险特征融合到所述宽线性-深度神经网络模型中，包括：对于所述新增风险特征，自定义风险权重，从而将所述新增风险特征添加到所述宽线性-深度神经网络模型所支持的特征变量中；或者，基于所述新增风险特征以及所述宽线性-深度神经网络模型的样本特征，重新训练宽线性-深度神经网络。5.根据权利要求1或2所述的方法，还包括：定期获取预置时间段内的黑白样本数据；根据所述黑白样本数据，基于增量学习算法，定期对所述宽线性-深度神经网络模型进行重新调整。6.根据权利要求5所述的方法，所述根据所述黑白样本数据，基于增量学习算法，定期对所述宽线性-深度神经网络模型进行重新调整，包括：基于增量学习算法，确定所述黑白样本数据与原有宽线性-深度神经网络模型的训练样本的相似度；对于相似度在相似度阈值之内的黑白样本，提取出黑白样本特征并确定黑白样本特征的风险权重，从而将黑白样本特征插入到原有宽线性-深度神经网络中。7.根据所述权利要求6所述的方法，所述增量学习算法包括自组织增量学习神经网络算法或者情景记忆马尔可夫决策算法。8.一种风险控制装置，包括：数据获取单元，用于获取交易数据；特征提取单元，用于从所述交易数据中提取出风险特征；风险预测单元，用于基于所述风险特征，输入至预置...

【专利技术属性】
技术研发人员：傅欣艺，程羽，陈弢，
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