电子金融活动的风险评估方法和装置制造方法及图纸

本说明书实施例提供了电子金融活动的风险评估方法和装置。根据实施例的方法，首先通过获取与待关注用户相关的历史风险行为事件和基础信息，并对该历史风险行为事件和基础信息进行特征处理。然后将特征处理后的风险行为特征和用户基础特征进行融合得到用户表征向量，进而利用该用户表征向量对该待关注用户的电子金融活动进行风险评估。如此通过历史行为模式建模的方式，能够改善利用人工经验或关联信息进行风险评估时的弊端，从而提高对电子金融活动进行风险评估的准确性。融活动进行风险评估的准确性。融活动进行风险评估的准确性。

【技术实现步骤摘要】
电子金融活动的风险评估方法和装置


[0001]本说明书一个或多个实施例涉及电子金融
，尤其涉及电子金融活动的风险评估方法和装置。

技术介绍

[0002]随着网络技术的迅猛发展，作为以网络技术为支撑的电子金融技术已经成为了一种重要的金融活动模式。
[0003]然而，有些不法分子会通过电子金融进行一些非法的金融活动，比如通过电子金融进行洗钱以及涉赌交易等。
[0004]因此，需要提供一种电子金融活动的风险评估方案。

技术实现思路

[0005]本说明书一个或多个实施例描述了电子金融活动的风险评估方法和装置，能够提高对电子金融活动进行风险评估的准确性，从而进一步达到降低电子金融活动风险的目的。
[0006]根据第一方面，提供了电子金融活动的风险评估方法，包括：
[0007]获取与待关注用户相关的历史风险行为事件；
[0008]对所述历史风险行为事件进行特征处理，得到风险行为特征；
[0009]获取与所述待关注用户相关的基础信息；
[0010]对所述基础信息进行特征处理，得到用户基础特征；
[0011]将所述风险行为特征和所述用户基础特征进行融合，得到用户表征向量；
[0012]利用所述用户表征向量对所述待关注用户的电子金融活动进行风险评估。
[0013]在一个实施例中，其中，所述对所述历史风险行为事件进行特征处理得到风险行为特征，包括：
[0014]对所述历史风险行为事件进行特征提取，得到至少一个初级行为特征；/>[0015]利用特征交叉算法对所述至少一个初级行为特征进行处理，分别得到相应的次级行为特征；其中，每一个所述次级行为特征的特征向量的稠密程度大于与该次级行为特征所对应的初级行为特征的特征向量的稠密程度；
[0016]将各个所述次级行为特征进行融合，得到所述风险行为特征。
[0017]在一个实施例中，其中，所述对所述历史风险行为事件进行特征提取，包括：
[0018]利用循环神经网络和Transformer模型中的至少一个，对所述历史风险行为事件进行特征提取；
[0019]和/或，
[0020]所述将各个所述次级行为特征进行融合，包括：
[0021]利用卷积神经网络、注意力机制和长短时记忆网络中的至少一个将各个所述次级行为特征进行融合。
[0022]在一个实施例中，所述基础信息包括：用户基础信息和人工统计信息；
[0023]所述对所述基础信息进行特征处理得到用户基础特征，包括：将所述用户基础信息和所述人工统计信息输入第一多层感知机，得到所述用户基础特征。
[0024]在一个实施例中，其中，所述将所述风险行为特征和所述用户基础特征进行融合得到用户表征向量，包括：
[0025]将所述风险行为特征所对应的特征向量和所述用户基础特征所对应的向量进行拼接，得到初级融合向量；
[0026]利用第二多层感知机和回归分类器中的至少一种将所述初级融合向量进行融合，得到所述用户表征向量。
[0027]在一个实施例中，其中，所述对所述待关注用户的电子金融活动进行风险评估，包括：
[0028]将所述用户表征向量输入第三多层感知机、分类器和回归模型中的至少一个，得到所述目标用户未来进行具有风险的电子金融活动的概率。
[0029]在一个实施例中，其中，所述对所述待关注用户的电子金融活动进行风险评估，包括：
[0030]获取所述待关注用户的当前行为事件；
[0031]对所述当前行为事件进行特征提取，得到至少一个当前初级行为特征；
[0032]对所述至少一个当前初级行为特征进行处理，得到至少一个当前次级行为特征；
[0033]将所述用户表征向量和所述至少一个当前次级行为特征所对应的向量进行合并，得到事件风险评估特征；
[0034]将所述事件风险评估特征输入第四多层感知机，得到所述当前行为事件具有风险的概率。
[0035]在一个实施例中，其中，所述对所述至少一个当前初级行为特征进行处理，包括：
[0036]利用特征交叉算法对所述当前初级行为特征中用于表征事件类型的特征进行处理；
[0037]和/或，
[0038]利用时间编码算法对所述当前初级行为特征中用于表征时间信息的特征进行处理；
[0039]和/或，
[0040]利用文本编码算法对所述当前初级行为特征中用于表征文本类信息的特征进行处理。
[0041]在一个实施例中，其中，在得到所述当前行为事件具有风险的概率之后，进一步包括：
[0042]根据所述当前行为事件确定管控方案；
[0043]将所述管控方案进行特征提取；以及，
[0044]利用特征交叉算法进行处理，得到风险管控特征；
[0045]将所述用户表征向量和所述管控特征所对应的向量进行融合，得到风险管控融合特征；
[0046]将所述风险管控融合特征输入第五多层感知机，得到所述管控方案对风险行为事
件有效性的概率。
[0047]根据第二方面，提供了电子金融活动的风险评估装置，包括：
[0048]获取模块，配置为获取与待关注用户相关的历史风险行为事件；获取与所述待关注用户相关的基础信息；
[0049]特征处理模块，配置为对所述获取模块获取到的所述历史风险行为事件进行特征处理，得到风险行为特征；对所述获取模块获取到的所述基础信息进行特征处理，得到用户基础特征；
[0050]特征融合模块，配置为将所述特征处理模块得到的所述风险行为特征和所述用户基础特征进行融合，得到用户表征向量；
[0051]风险评估模块，配置为利用所述特征融合模块得到的所述用户表征向量对所述待关注用户的电子金融活动进行风险评估。
[0052]根据第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第一方面中任一项所述的方法。
[0053]根据第四方面，提供了一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一方面中任一项所述的方法。
[0054]根据本说明书实施例提供的方法和装置，在对电子金融活动的风险进行评估时，首先通过收集与待关注用户相关的历史风险行为事件，以及获取这些待关注用户的基础信息。然后分别对历史风险行为事件和基础信息进行特征处理得到风险行为特征和用户基础特征，进一步通过将得到的风险行为特征和用户基础特征进行融合得到用户表征向量，最后即可通过该用户表征向量对待关注用户的电子金融活动进行风险评估。由此可见，本说明书实施例提供的方案通过对用户的历史行为模式进行时序建模，从而实现对用户的电子金融活动进行风险评估，进一步可以根据风险评估结果采取相应的措施，以达到降低电子金融活动的风险的目的。此外，由于本说明书实施例采用的是历史行为模式建模，因此能够改善在利用人工经验和关联信息进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.电子金融活动的风险评估方法，包括：获取与待关注用户相关的历史风险行为事件；对所述历史风险行为事件进行特征处理，得到风险行为特征；获取与所述待关注用户相关的基础信息；对所述基础信息进行特征处理，得到用户基础特征；将所述风险行为特征和所述用户基础特征进行融合，得到用户表征向量；利用所述用户表征向量对所述待关注用户的电子金融活动进行风险评估。2.根据权利要求1所述的方法，其中，所述对所述历史风险行为事件进行特征处理得到风险行为特征，包括：对所述历史风险行为事件进行特征提取，得到至少一个初级行为特征；利用特征交叉算法对所述至少一个初级行为特征进行处理，分别得到相应的次级行为特征；其中，每一个所述次级行为特征的特征向量的稠密程度大于与该次级行为特征所对应的初级行为特征的特征向量的稠密程度；将各个所述次级行为特征进行融合，得到所述风险行为特征。3.根据权利要求2所述的方法，其中，所述对所述历史风险行为事件进行特征提取，包括：利用循环神经网络和Transformer模型中的至少一个，对所述历史风险行为事件进行特征提取；和/或，所述将各个所述次级行为特征进行融合，包括：利用卷积神经网络、注意力机制和长短时记忆网络中的至少一个将各个所述次级行为特征进行融合。4.根据权利要求1所述的方法，其中，所述基础信息包括：用户基础信息和人工统计信息；所述对所述基础信息进行特征处理得到用户基础特征，包括：将所述用户基础信息和所述人工统计信息输入第一多层感知机，得到所述用户基础特征。5.根据权利要求1所述的方法，其中，所述将所述风险行为特征和所述用户基础特征进行融合得到用户表征向量，包括：将所述风险行为特征所对应的特征向量和所述用户基础特征所对应的向量进行拼接，得到初级融合向量；利用第二多层感知机和回归分类器中的至少一种将所述初级融合向量进行融合，得到所述用户表征向量。6.根据权利要求1所述的方法，其中，所述对所述待关注用户的电子金融活动进行风险评估，包括：将所述用户表征向量输入第三多层感知机、分类器和回归模型中的至少一个，得到所述目标用户未来进行具有风险的电子金融活动的概率。7.根据权利要求1所述的方法，其中，所述对所述待关注用户的电子金融活动进行风险评估，包括：获取所述待...

【专利技术属性】
技术研发人员：李佳霓，
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：