一种针对面部识别的风险判断模型的训练方法和装置制造方法及图纸

本说明书实施例提供了一种针对面部识别的风险判断模型的训练方法和装置，该方法包括：获取第一样本，该样本包括第一用户的标识、第一设备的标识和表示识别正误的第一标签值；通过第一图卷积网络，对用户相似关系图进行图卷积运算，获取第一用户的第一用户向量；通过第二图卷积网络，对用户与设备关系图进行图卷积运算，获取第一用户的第二用户向量、第一设备的第一设备向量；通过第三图卷积网络，对设备关系图进行图卷积运算，获取第一设备的第二设备向量；分别结合第一和第二用户向量、第一和第二设备向量，获取第三用户向量和第三设备向量；以第三用户向量与第三设备向量的点积值趋向于第一标签值为目的，更新第一、第二和第三图卷积网络。三图卷积网络。三图卷积网络。

【技术实现步骤摘要】
一种针对面部识别的风险判断模型的训练方法和装置


[0001]本说明书一个或多个实施例涉及图像识别和风险预测领域，尤其涉及一种针对面部识别的风险判断模型的训练方法和装置。

技术介绍

[0002]目前，随着面部识别技术在不同行业、不同运用场景下的广泛应用，用于面部识别的设备，已经快速从主要用于线上面部识别场景的个人终端设备，向主要用于线下面部识别场景的公共识别设备发展。由于公共识别设备面对的用户数量，相对于个人终端设备，呈现巨大数量级的增加，增加了进行面部识别的难度，使得在公共识别设备上的面部识别的风险显著增加。
[0003]因此，需要一种新的针对公共设备上的面部识别的风险判断方法。

技术实现思路

[0004]本说明书中的实施例旨在提供一种针对面部识别的风险判断模型的训练方法和装置，通过该方法训练出的风险判断模型，可以快速确定在公共设备上进行的面部识别的风险程度，进而可以根据该风险程度，提高公共识别设备上的面部识别的成功率，解决现有技术中的不足。
[0005]根据第一方面,提供了一种针对面部识别的风险判断模型的训练方法，所述风险判断模型至少包括第一、第二和第三图卷积网络，所述方法包括：
[0006]获取第一样本，所述第一样本包括第一用户的标识、第一设备的标识，以及第一标签值，所述第一用户的标识为由所述第一设备进行面部识别所输出的第一识别结果，所述第一标签值用于指示所述第一识别结果是否为错误识别结果；
[0007]通过所述第一图卷积网络，对于预先构建的用户相似关系图进行图卷积运算，获取所述第一用户对应的第一用户向量；所述用户相似关系图根据多个用户之间的第一相似度构建，所述第一相似度基于所述多个用户的面部图像确定，所述多个用户中包括所述第一用户；
[0008]通过所述第二图卷积网络，对于预先构建的用户与设备关系图进行图卷积运算，获取所述第一用户对应的第二用户向量、以及所述第一设备对应的第一设备向量；所述用户与设备关系图根据所述多个用户与多个公共面部识别设备之间的历史关联信息构建，所述多个公共面部识别设备中包括所述第一设备；
[0009]通过所述第三图卷积网络，对于预先构建的设备关系图进行图卷积运算，获取所述第一设备对应的第二设备向量；所述设备关系图基于所述多个公共面部识别设备的地理位置构建；
[0010]结合所述第一用户向量和第二用户向量，获取所述第一用户对应的第三用户向量；结合所述第一设备向量和第二设备向量，获取所述第一设备对应的第三设备向量；
[0011]以第三用户向量与第三设备向量之间的点积值趋向于所述第一标签值为目的，更
新所述第一、第二和第三图卷积网络的网络参数。
[0012]在一种可能的实施方式中，所述结合所述第一用户向量和第二用户向量，获取所述第一用户对应的第三用户向量，包括：
[0013]根据所述第一用户向量和第二用户向量各个维度上的值的叠加值/平均值，获得所述第三用户向量各个维度上的值。
[0014]在一种可能的实施方式中，所述第一用户向量和第二用户向量各个维度上的值的叠加值，包括，所述第一用户向量和第二用户向量各个维度上的值的加权叠加值。
[0015]在一种可能的实施方式中，所述风险判断模型还包括第一注意力网络；
[0016]所述第一用户向量和第二用户向量各个维度上的值在所述加权叠加值中的加权权重，基于所述第一注意力网络确定；
[0017]所述以第三用户向量与第三设备向量之间的点积值趋向于所述第一标签值为目的，更新所述第一、第二和第三图卷积网络的网络参数，包括：
[0018]以第三用户向量与第三设备向量之间的点积值趋向于所述第一标签值为目的，更新所述第一、第二、第三图卷积网络和第一注意力网络的网络参数。
[0019]在一种可能的实施方式中，所述结合所述第一设备向量和第二设备向量，获取所述第一设备对应的第三设备向量，包括：
[0020]根据所述第一设备向量和第二设备向量各个维度上的值的叠加值/平均值，获得所述第三设备向量各个维度上的值。
[0021]在一种可能的实施方式中，所述第一设备向量和第二设备向量各个维度上的值的叠加值，包括，所述第一设备向量和第二设备向量各个维度上的值的加权叠加值。
[0022]在一种可能的实施方式中，所述风险判断模型还包括第二注意力网络；
[0023]所述第一设备向量和第二设备向量各个维度上的值在所述加权叠加值中的加权权重，基于所述第二注意力网络确定；
[0024]所述以第三用户向量与第三设备向量之间的点积值趋向于所述第一标签值为目的，更新所述第一、第二和第三图卷积网络的网络参数，包括：
[0025]以第三用户向量与第三设备向量之间的点积值趋向于所述第一标签值为目的，更新所述第一、第二、第三图卷积网络和第二注意力网络的网络参数。
[0026]在一种可能的实施方式中，所述用户相似关系图包括多个用户节点、以及所述用户节点之间的边，所述多个用户节点分别对应于所述多个用户，所述边对应于所述用户之间的第一相似度。
[0027]在一种可能的实施方式中，所述用户与设备关系图包括多个用户节点、多个设备节点，以及所述用户节点和设备节点之间的边，所述多个用户节点分别对应于多个用户，所述多个设备节点分别对应于所述多个公共面部识别设备，所述边对应于所述用户和公共面部识别设备之间的历史关联信息。
[0028]在一种可能的实施方式中，所述设备关系图包括多个设备节点、以及多个所述设备节点之间的边，所述多个设备节点分别对应于所述多个公共面部识别设备，所述边对应于所述公共面部识别设备之间存在的第一位置关系。
[0029]在一种可能的实施方式中，所述第一位置关系用于指示所述公共面部识别设备之间的距离小于第一阈值。
[0030]在一种可能的实施方式中，所述用户和公共面部识别设备之间的历史关联信息，包括：所述用户通过所述公共面部识别设备进行的刷脸/认证/支付行为中的一种或多种。
[0031]在一种可能的实施方式中，根据预先获取的多个用户之间的第一相似度，构建用户相似关系图，包括：根据预先获取的多个用户之间的第一相似度和第二相似度，构建用户相似关系图，所述第二相似度根据所述多个用户的年龄，和/或，使用相同网络的次数确定。
[0032]在一种可能的实施方式中，所述多个用户中还包括第二用户，所述多个公共面部识别设备中还包括第二设备，所述方法还包括：
[0033]通过由所述更新的第一图卷积网络对所述用户相似关系图进行图卷积运算获得第二用户的第四用户向量；
[0034]通过由所述更新的第二图卷积网络对所述用户与设备关系图进行图卷积运算获得第二用户的第五用户向量；
[0035]结合所述第四用户向量和第五用户向量，得到所述第二用户对应的第六用户向量。
[0036]在一种可能的实施方式中，所述方法还包括：
[0037]通过由所述更新的第二图卷积网络对所述用户与设备关系图进行图卷本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对面部识别的风险判断模型的训练方法，所述风险判断模型至少包括第一、第二和第三图卷积网络，所述方法包括：获取第一样本，所述第一样本包括第一用户的标识、第一设备的标识，以及第一标签值，所述第一用户的标识为由所述第一设备进行面部识别所输出的第一识别结果，所述第一标签值用于指示所述第一识别结果是否为错误识别结果；通过所述第一图卷积网络，对于预先构建的用户相似关系图进行图卷积运算，获取所述第一用户对应的第一用户向量；所述用户相似关系图根据多个用户之间的第一相似度构建，所述第一相似度基于所述多个用户的面部图像确定，所述多个用户中包括所述第一用户；通过所述第二图卷积网络，对于预先构建的用户与设备关系图进行图卷积运算，获取所述第一用户对应的第二用户向量、以及所述第一设备对应的第一设备向量；所述用户与设备关系图根据所述多个用户与多个公共面部识别设备之间的历史关联信息构建，所述多个公共面部识别设备中包括所述第一设备；通过所述第三图卷积网络，对于预先构建的设备关系图进行图卷积运算，获取所述第一设备对应的第二设备向量；所述设备关系图基于所述多个公共面部识别设备的地理位置构建；结合所述第一用户向量和第二用户向量，获取所述第一用户对应的第三用户向量；结合所述第一设备向量和第二设备向量，获取所述第一设备对应的第三设备向量；以第三用户向量与第三设备向量之间的点积值趋向于所述第一标签值为目的，更新所述第一、第二和第三图卷积网络的网络参数。2.根据权利要求1所述的方法，其中，所述结合所述第一用户向量和第二用户向量，获取所述第一用户对应的第三用户向量，包括：根据所述第一用户向量和第二用户向量各个维度上的值的叠加值/平均值，获得所述第三用户向量各个维度上的值。3.根据权利要求2所述的方法，其中，所述第一用户向量和第二用户向量各个维度上的值的叠加值，包括，所述第一用户向量和第二用户向量各个维度上的值的加权叠加值。4.根据权利要求3所述的方法，其中，所述风险判断模型还包括第一注意力网络；所述第一用户向量和第二用户向量各个维度上的值在所述加权叠加值中的加权权重，基于所述第一注意力网络确定；所述以第三用户向量与第三设备向量之间的点积值趋向于所述第一标签值为目的，更新所述第一、第二和第三图卷积网络的网络参数，包括：以第三用户向量与第三设备向量之间的点积值趋向于所述第一标签值为目的，更新所述第一、第二、第三图卷积网络和第一注意力网络的网络参数。5.根据权利要求1所述的方法，其中，所述结合所述第一设备向量和第二设备向量，获取所述第一设备对应的第三设备向量，包括：根据所述第一设备向量和第二设备向量各个维度上的值的叠加值/平均值，获得所述第三设备向量各个维度上的值。6.根据权利要求5所述的方法，其中，所述第一设备向量和第二设备向量各个维度上的值的叠加值，包括，所述第一设备向量和第二设备向量各个维度上的值的加权叠加值。
7.根据权利要求6所述的方法，其中，所述风险判断模型还包括第二注意力网络；所述第一设备向量和第二设备向量各个维度上的值在所述加权叠加值中的加权权重，基于所述第二注意力网络确定；所述以第三用户向量与第三设备向量之间的点积值趋向于所述第一标签值为目的，更新所述第一、第二和第三图卷积网络的网络参数，包括：以第三用户向量与第三设备向量之间的点积值趋向于所述第一标签值为目的，更新所述第一、第二、第三图卷积网络和第二注意力网络的网络参数。8.根据权利要求1所述的方法，其中，所述用户相似关系图包括多个用户节点、以及所述用户节点之间的边，所述多个用户节点分别对应于所述多个用户，所述边对应于所述用户之间的第一相似度。9.根据权利要求1所述的方法，其中，所述用户与设备关系图包括多个用户节点、多个设备节点，以及所述用户节点和设备节点之间的边，所述多个用户节点分别对应于多个用户，所述多个设备节点分别对应于所述多个公共面部识别设备，所述边对应于所述用户和公共面部识别设备之间的历史关联信息。10.根据权利要求1所述的方法，其中，所述设备关系图包括多个设备节点、以...

【专利技术属性】
技术研发人员：刘贺，王岱鑫，魏建平，杨智翔，
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：