一种模型的处理、风险防控的处理方法、装置及设备制造方法及图纸

本说明书实施例公开了一种模型的处理、风险防控的处理方法、装置及设备，该模型的处理方法包括：获取应用于元学习的样本数据，该样本数据中包括对应事件的特征、样本标签信息和支撑集，支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据；基于样本数据、支撑集中不同事件类别的支撑样本数据对应的注意力权重和支撑集中不同事件类别包含的支撑样本数据的数量，确定支撑集中不同事件类别对应的第一类别中心，并基于样本数据，确定支撑集中不同事件类别对应的特征的均值作为不同事件类别对应的第二类别中心；基于第一类别中心、第二类别中心和样本数据对应用于可信场景中的目标模型进行模型训练，得到训练后的目标模型。的目标模型。的目标模型。

【技术实现步骤摘要】
一种模型的处理、风险防控的处理方法、装置及设备


[0001]本文件涉及计算机
，尤其涉及一种模型的处理、风险防控的处理方法、装置及设备。

技术介绍

[0002]用户采用在线支付工具进行支付的过程中，往往需要对当笔交易事件进行风险分析，通常情况下，一笔交易事件包含的风险可能包括盗用、欺诈、非法金融活动等。可信环境中的模型的目标是找出无风险的数据进行快速放行，一方面可以降低对用户的打扰，另一方面也可以节省系统的计算资源。
[0003]由于支付风险形势的瞬息万变，如何保证在风控系统最前端、负责大部分数据流量放行的可信环境中的模型保持高效和稳定显得尤为重要。一方面，风险触发手法的更新要求：模型进行定期重训更新，以满足对新增黑样本数据的覆盖要求，对应着时效性的要求；另一方面，线上可信环境中的模型当前稳定运行的现状不应被打破，即不同种类的新风险、同种风险下新的触发手法引导的模型更新过程中应当保持模型识别能力的鲁棒性，不会被黑产轻易攻破，再者，可信环境中的模型输出的结果应当是可解释的，最后，可信环境中的模型的放行过程应当对用户的隐私予以充分的保护。为此，需要提供一种能够刻画用户日常的交易行为模式，以达到可信放行“近白、远黑”的效果，此外，面对不同种类的新风险、同种风险下新的触发手法等新增风险，如何在无需回溯过往全量特征的情况下保证时效性的技术方案。

技术实现思路

[0004]本说明书实施例的目的是提供一种能够刻画用户日常的交易行为模式，以达到可信放行“近白、远黑”的效果，此外，面对不同种类的新风险、同种风险下新的触发手法等新增风险，如何在无需回溯过往全量特征的情况下保证时效性的技术方案。
[0005]为了实现上述技术方案，本说明书实施例是这样实现的：
[0006]本说明书实施例提供的一种模型的处理方法，所述方法包括：获取应用于元学习的样本数据，所述样本数据中包括对应事件的特征、样本标签信息和支撑集，所述支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据。基于所述样本数据、所述支撑集中不同事件类别的支撑样本数据对应的注意力权重和所述支撑集中不同事件类别包含的支撑样本数据的数量，确定所述支撑集中不同事件类别对应的第一类别中心，并基于所述样本数据，确定所述支撑集中不同事件类别对应的特征的均值，将确定的均值作为所述支撑集中不同事件类别对应的第二类别中心。基于所述支撑集中不同事件类别对应的第一类别中心、所述支撑集中不同事件类别对应的第二类别中心和所述样本数据对应用于可信场景中的目标模型进行模型训练，得到训练后的目标模型。
[0007]本说明书实施例提供的一种风险防控的处理方法，所述方法包括：接收服务器发送的训练后的目标模型，并确定所述训练后的目标模型对应的不同事件类别的第一类别中
心和第二类别中心，所述训练后的目标模型是基于应用于元学习的样本数据、所述样本数据中的支撑集中不同事件类别的支撑样本数据对应的注意力权重和所述支撑集中不同事件类别包含的支撑样本数据的数量，确定所述支撑集中不同事件类别对应的第一类别中心，并基于所述样本数据，确定所述支撑集中不同事件类别对应的特征的均值，将确定的均值作为所述支撑集中不同事件类别对应的第二类别中心，基于所述支撑集中不同事件类别对应的第一类别中心、所述支撑集中不同事件类别对应的第二类别中心和所述样本数据对应用于可信场景中的目标模型进行模型训练后得到的模型，所述样本数据中包括对应事件的特征、样本标签信息和支撑集，所述支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据。获取在所述可信场景下执行目标业务所产生的业务数据。获取所述业务数据对应事件的特征，并对所述业务数据对应事件的特征进行编码处理，得到目标编码特征，基于所述目标编码特征，以及所述训练后的目标模型对应的不同事件类别的第一类别中心和第二类别中心，确定所述业务数据对应的事件类别。基于确定的事件类别，对所述第一用户执行的目标业务进行风险防控处理。
[0008]本说明书实施例提供的一种模型的处理装置，所述装置包括：样本获取模块，获取应用于元学习的样本数据，所述样本数据中包括对应事件的特征、样本标签信息和支撑集，所述支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据。类别中心确定模块，基于所述样本数据、所述支撑集中不同事件类别的支撑样本数据对应的注意力权重和所述支撑集中不同事件类别包含的支撑样本数据的数量，确定所述支撑集中不同事件类别对应的第一类别中心，并基于所述样本数据，确定所述支撑集中不同事件类别对应的特征的均值，将确定的均值作为所述支撑集中不同事件类别对应的第二类别中心。训练模块，基于所述支撑集中不同事件类别对应的第一类别中心、所述支撑集中不同事件类别对应的第二类别中心和所述样本数据对应用于可信场景中的目标模型进行模型训练，得到训练后的目标模型。
[0009]本说明书实施例提供的一种风险防控的处理装置，所述装置包括：风险防控的处理装置，所述装置包括：模型部署模块，接收服务器发送的训练后的目标模型，并确定所述训练后的目标模型对应的不同事件类别的第一类别中心和第二类别中心，所述训练后的目标模型是基于应用于元学习的样本数据、所述样本数据中的支撑集中不同事件类别的支撑样本数据对应的注意力权重和所述支撑集中不同事件类别包含的支撑样本数据的数量，确定所述支撑集中不同事件类别对应的第一类别中心，并基于所述样本数据，确定所述支撑集中不同事件类别对应的特征的均值，将确定的均值作为所述支撑集中不同事件类别对应的第二类别中心，基于所述支撑集中不同事件类别对应的第一类别中心、所述支撑集中不同事件类别对应的第二类别中心和所述样本数据对应用于可信场景中的目标模型进行模型训练后得到的模型，所述样本数据中包括对应事件的特征、样本标签信息和支撑集，所述支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据。业务数据获取模块，获取在所述可信场景下执行目标业务所产生的业务数据。类别确定模块，获取所述业务数据对应事件的特征，并对所述业务数据对应事件的特征进行编码处理，得到目标编码特征，基于所述目标编码特征，以及所述训练后的目标模型对应的不同事件类别的第一类别中心和第二类别中心，确定所述业务数据对应的事件类别。风险防控模块，基于确定的事件类别，对所述第一用户执行的目标业务进行风险防控处理。
[0010]本说明书实施例提供的一种模型的处理设备，所述模型的处理设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：获取应用于元学习的样本数据，所述样本数据中包括对应事件的特征、样本标签信息和支撑集，所述支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据。基于所述样本数据、所述支撑集中不同事件类别的支撑样本数据对应的注意力权重和所述支撑集中不同事件类别包含的支撑样本数据的数量，确定所述支撑集中不同事件类别对应的第一类别中心，并基于所述样本数据，确定所述支撑集中不同事件类别对应的特征的均值，将确定的均值作为所述支撑集中不同事件类别对应的第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型的处理方法，所述方法包括：获取应用于元学习的样本数据，所述样本数据中包括对应事件的特征、样本标签信息和支撑集，所述支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据；基于所述样本数据、所述支撑集中不同事件类别的支撑样本数据对应的注意力权重和所述支撑集中不同事件类别包含的支撑样本数据的数量，确定所述支撑集中不同事件类别对应的第一类别中心，并基于所述样本数据，确定所述支撑集中不同事件类别对应的特征的均值，将确定的均值作为所述支撑集中不同事件类别对应的第二类别中心；基于所述支撑集中不同事件类别对应的第一类别中心、所述支撑集中不同事件类别对应的第二类别中心和所述样本数据对应用于可信场景中的目标模型进行模型训练，得到训练后的目标模型。2.根据权利要求1所述的方法，所述基于所述样本数据、所述支撑集中不同事件类别的支撑样本数据对应的预设注意力权重和所述支撑集中不同事件类别包含的支撑样本数据的数量，确定所述支撑集中不同事件类别对应的第一类别中心，包括：对所述样本数据中的所述支撑集中的每个事件类别对应的支撑样本数据进行编码处理，得到每个支撑样本数据对应的编码特征；基于每个支撑样本数据对应的编码特征、所述支撑集中不同事件类别的支撑样本数据对应的预设注意力权重和所述支撑集中不同事件类别包含的支撑样本数据的数量，确定所述支撑集中不同事件类别对应的第一类别中心。3.根据权利要求2所述的方法，所述对所述样本数据中的所述支撑集中的每个事件类别对应的支撑样本数据进行编码处理，得到每个支撑样本数据对应的编码特征，包括：通过预设的编码器对所述样本数据中的所述支撑集中的每个事件类别对应的支撑样本数据进行编码处理，得到每个支撑样本数据对应的编码特征，所述编码器是基于Transformer模型中的Encoder构建。4.根据权利要求2所述的方法，所述注意力权重是基于所述样本数据、所述支撑集中不同事件类别对应的特征的均值，并通过前馈神经网络和预设的激活函数，以及所述支撑集中不同事件类别包含的支撑样本数据的数量确定的权重。5.根据权利要求1所述的方法，所述基于所述支撑集中不同事件类别对应的第一类别中心、所述支撑集中不同事件类别对应的第二类别中心和所述样本数据对应用于可信场景中的目标模型进行模型训练，得到训练后的目标模型，包括：分别计算所述样本数据与所述支撑集中不同事件类别对应的第一类别中心之间的距离，并分别计算所述样本数据与所述支撑集中不同事件类别对应的第二类别中心之间的距离，基于计算的距离对应用于可信场景中的目标模型进行模型训练，得到训练后的目标模型。6.根据权利要求1所述的方法，所述事件类别包括可信类、盗用类、欺诈类、非法金融活动类中的一种或多种。7.根据权利要求1所述的方法，所述方法还包括：获取第一用户在所述可信场景下执行目标业务所产生的业务数据；获取所述业务数据对应事件的特征，并对所述业务数据对应事件的特征进行编码处
理，得到目标编码特征；基于所述目标编码特征，以及所述训练后的目标模型对应的不同事件类别的第一类别中心和第二类别中心，确定所述业务数据对应的事件类别；基于确定的事件类别，对所述第一用户执行的目标业务进行风险防控处理。8.根据权利要求7所述的方法，所述方法还包括：接收所述第一用户的终端设备发送的所述训练后的目标模型对应的不同事件类别的第一类别中心和第二类别中心。9.根据权利要求1所述的方法，所述方法还包括：将所述训练后的目标模型部署于第二用户的终端设备中；当到达预设的更新周期时，获取所述训练后的目标模型对应的更新支撑集，所述更新支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据；将所述更新支撑集提供给所述终端设备，所述更新支撑集用于触发所述终端设备更新所述训练后的目标模型对应的支撑集。10.一种风险防控的处理方法，所述方法包括：接收服务器发送的训练后的目标模型，并确定所述训练后的目标模型对应的不同事件类别的第一类别中心和第二类别中心，所述训练后的目标模型是基于应用于元学习的样本数据、所述样本数据中的支撑集中不同事件类别的支撑样本数据对应的注意力权重和所述支撑集中不同事件类别包含的支撑样本数据的数量，确定所述支撑集中不同事件类别对应的第一类别中心，并基于所述样本数据，确定所述支撑集中不同事件类别对应的特征的均值，将确定的均值作为所述支撑集中不同事件类别对应的第二类别中心，基于所述支撑集中不同事件类别对应的第一类别中心、所述支撑集中不同事件类别对应的第二类别中心和所述样本数据对应用于可信场景中的目标模型进行模型训练后得到的模型，所述样本数据中包括对应事件的特征、样本标签信息和支撑集，所述支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据；获取在所述可信场景下执行目标业务所产生的业务数据；获取所述业务数据对应事件的特征，并对所述业务数据对应事件的特征进行编码处理，得到目标编码特征，基于所述目标编码特征，以及所述训练后的目标模型对应的不同事件类别的第一类别中心和第二类别中心，确定所述业务数据对应的事件类别；基于确定的事件类别，对所述第一用户执行的目标业务进行风险防控处理。11.根据权利要求10所述的方法，所述方法还包括：当到达预设的更新周期时，从所述服务器获取所述训练后的目标模型对应的更新支撑集，所述更新支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据；基于所述更新支撑集更新所述训练后的目标模型对应的支撑集。12.一种模型的处理装置，所述装置包括：样本获取模块，获取应用于元学习的样本数据，所述样本数据中包括对应事件的特征、样本标签信息和支撑集，所述支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据；类别中心确定模块，基于所述样本数据、所述支撑集中不同事件类别的支撑样本数据对应的注意力权重和所述支撑集中不同事件类别包含的支撑样本数据的数量，确定所述支
撑集中不同事件类别对应的第一类别中心，并基于所述样本数据，确定所述支撑集中不同事件类别对应的特征的均值，将确定的均值作为所述支撑集中不同事件类别对应的第二类别中心；训练模块，基于所述支撑集中不同事件类别对应的第一类别中心、所述支撑集中不同事件类别对应的...

【专利技术属性】
技术研发人员：周璟，吕乐，杨信，傅幸，王宁涛，王维强，
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：