风险模型训练方法以及装置制造方法及图纸

本说明书实施例提供风险模型训练方法以及装置，其中所述风险模型训练方法包括：接收服务端下发风险标签库；根据所述风险标签库，对用户历史行为数据进行打标生成训练样本；通过所述训练样本对所述服务端下发的训练风险模型进行模型训练，获得所述训练风险模型的模型更新参数；将所述模型更新参数上传至所述服务端；接收所述服务端根据所述模型更新参数进行聚合确定的聚合风险模型。

Risk model training methods and devices

【技术实现步骤摘要】
风险模型训练方法以及装置
本说明书实施例涉及机器学习
，特别涉及两种风险模型训练方法。本说明书一个或者多个实施例同时涉及两种风险模型训练装置，两种计算设备，以及两种计算机可读存储介质。
技术介绍
随着互联网技术的发展，在互联网上开展的业务越来越多元化，然而这些业务在互联网上发展和广泛应用的过程中，产生了大量安全风险，比如盗用登录风险、虚假注册风险、恶意设备风险、盗用交易风险等。这些安全风险的存在不仅影响业务的稳定发展，也影响用户的参与体验，破坏用户的信任度，还有可能会导致用户隐私、经济、名誉等方面出现损失。然而欲避免这些安全风险造成的损害，需要具备对这些安全风险进行风险识别的能力，进而针对不同的安全风险施行相应的风险防控措施，实际应用中，通常通过目标风险模型对用户行为数据进行风险预测，以预测结果来表明用户行为数据的风险程度，因此目标风险模型的准确性至关重要，而目标风险模型的准确性很大程度上取决于模型训练时选取训练样本的细粒度，即用户历史行为数据的细粒度，但是越是细粒度的用户历史行为数据，传输到服务端的产生的传输压力，以及存储压力和本文档来自技高网...

【技术保护点】
1.一种风险模型训练方法，包括：/n接收服务端下发的风险标签库；/n根据所述风险标签库，对用户历史行为数据进行打标生成训练样本；/n通过所述训练样本对所述服务端下发的训练风险模型进行模型训练，获得所述训练风险模型的模型更新参数；/n将所述模型更新参数上传至所述服务端；/n接收所述服务端根据所述模型更新参数进行聚合确定的聚合风险模型。/n

【技术特征摘要】
1.一种风险模型训练方法，包括：
接收服务端下发的风险标签库；
根据所述风险标签库，对用户历史行为数据进行打标生成训练样本；
通过所述训练样本对所述服务端下发的训练风险模型进行模型训练，获得所述训练风险模型的模型更新参数；
将所述模型更新参数上传至所述服务端；
接收所述服务端根据所述模型更新参数进行聚合确定的聚合风险模型。


2.根据权利要求1所述的风险模型训练方法，所述接收所述服务端根据所述模型更新参数进行聚合确定的聚合风险模型步骤执行之后，还包括：
接收所述服务端下发的迭代风险标签；
根据所述风险标签库与所述迭代风险标签，对迭代用户历史行为数据以及所述用户历史行为数据进行打标生成迭代训练样本，将所述迭代风险标签更新至所述风险标签库中，将所述迭代用户历史行为数据更新至所述用户历史行为数据中；
通过所述迭代训练样本对前一次接收到的聚合风险模型进行模型训练，获得前一次接收到的聚合风险模型的模型迭代参数；
将所述模型迭代参数上传至所述服务端；
接收所述服务端根据所述模型迭代参数进行聚合确定的聚合风险模型；
判断是否存在所述服务端下发的聚合风险模型对应的收敛标签；
若否，返回执行接收所述服务端下发的迭代风险标签步骤。


3.根据权利要求2所述的风险模型训练方法，若所述判断是否存在所述服务端下发的聚合风险模型对应的收敛标签的判断结果为是，执行如下操作：
将所述聚合风险模型作为目标风险模型，并将采集到的用户行为数据输入所述目标风险模型进行风险预测；
将所述目标风险模型输出的预测结果上传至所述服务端。


4.根据权利要求1所述的风险模型训练方法，所述接收所述服务端根据所述模型更新参数进行聚合确定的聚合风险模型步骤执行之后，还包括：
判断是否存在所述服务端下发的聚合风险模型对应的收敛标签；
若是，将所述聚合风险模型作为目标风险模型，并将采集到的用户行为数据输入所述目标风险模型进行风险预测；
将所述目标风险模型输出的预测结果上传至所述服务端。


5.根据权利要求1所述的风险模型训练方法，所述根据所述风险标签库，对用户历史行为数据进行打标生成训练样本，包括：
将所述用户历史行为数据中的用户报案数据，按照所述风险标签库进行打标；
将所述用户历史行为数据中的非用户报案数据作为非风险数据进行打标，将打标后的非用户报案数据以及打标后的用户报案数据作为所述训练样本。


6.一种风险模型训练装置，包括：
接收标签库模块，被配置为接收服务端下发的风险标签库；
生成样本模块，被配置为根据所述风险标签库，对用户历史行为数据进行打标生成训练样本；
模型训练模块，被配置为通过所述训练样本对所述服务端下发的训练风险模型进行模型训练，获得所述训练风险模型的模型更新参数；
上传模型参数模块，被配置为将所述模型更新参数上传至所述服务端；
接收模型模块，被配置为接收所述服务端根据所述模型更新参数进行聚合确定的聚合风险模型。


7.一种风险模型训练方法，包括：
向多个针对训练风险模型进行模型训练的终端下发风险标签库；
接收各个终端针对所述训练风险模型进行模型训练后上传的模型更新参数；
将所述模型更新参数聚合为聚合模型参数，并根据所述聚合模型参数对所述训练风险模型进行更新，获得聚合风险模型；
将所述聚合风险模型下发至所述各个终端。


8.根据权利要求7所述的风险模型训练方法，所述将所述聚合风险模型下发至所述各个终端步骤执行之后，还包括：
向所述各个终端下发迭代风险标签；
接收所述各个终端针对前一次下发的聚合风险模型进行模型训练后上传的模型迭代参数；
将所述模型迭代参数聚合为聚合模型迭代参数，并根据所述聚合模型迭代参数对所述前一次下发的聚合风险模型进行更新；
判断对所述前一次下发的聚合风险模型进行更新后获得的聚合风险模型是否满足收敛条件；
若否，向所述各个终端下发对所述前一次下发的聚合风险模型进行更新后获得的聚合风险模型，并返回执行所述向所述各个终端下发迭代风险标签步骤。


9.根据权利要求8所述的风险模型...

【专利技术属性】
技术研发人员：傅欣艺，张天翼，
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：浙江;33