【技术实现步骤摘要】
行为时序模型的分析方法及装置
[0001]本说明书涉及人工智能
,尤其涉及一种行为时序模型的分析方法及装置。
技术介绍
[0002]目前,线上支付应用已深入人们的生活和工作中。第三方支付平台为人们带来了极大方便,但与此同时,第三方支付平台上的相关支付产品被一些人恶意利用以进行不法活动,比如诈骗等,从而为线上支付带来极大风险,如何准确及时地识别风险并做出相应管控,是风险防控人员的主要工作内容。
[0003]随着计算机技术的发展,机器学习已经在工业界取得了长足的发展以及广泛的应用,其中,深度学习技术因为其特有的信息表达能力,近几年在语音、图像、文本等领域得到了广泛的应用,有着非常高的应用渗透率。在风险防控场景中,基于用户的行为时序也有一套相应的深度学习模型体系,该套模型体系已经在多个风险防控场景中获得应用,在风险识别效率以及建模效率的提升上发挥了重要的作用。然而,随着深度学习的广泛应用,模型结构中存在的黑盒属性给后续风险运营分析带来了不小的困难。因此,如何对深度行为时序模型进行分析,减弱黑盒属性所造成的影响,是当下深度学习研究中的一个非常关键的问题。
技术实现思路
[0004]一方面,本说明书一个或多个实施例提供一种行为时序模型的分析,包括:将第一行为时序数据集输入预训练的风险预测模型,得到所述第一行为时序数据集对应的预测结果,所述第一行为时序数据集包括样本用户依次执行的N个行为分别对应的行为特征,所述N为大于1的整数。针对N个行为特征中的各第一行为特征,将所述第一行为特征对应的第二行为时序 ...
【技术保护点】
【技术特征摘要】
1.一种行为时序模型的分析方法,包括:将第一行为时序数据集输入预训练的风险预测模型,得到所述第一行为时序数据集对应的预测结果;所述第一行为时序数据集包括样本用户依次执行的N个行为分别对应的行为特征;所述N为大于1的整数;针对N个行为特征中的各第一行为特征,将所述第一行为特征对应的第二行为时序数据集输入所述风险预测模型,得到所述第二行为时序数据集对应的预测结果;所述第二行为时序数据集中不包括所述第一行为特征;根据所述第一行为时序数据集对应的预测结果和所述第二行为时序数据集对应的预测结果,确定所述N个行为特征对于所述风险预测模型进行风险预测的贡献信息;所述贡献信息包括:各所述第一行为特征对应的特征贡献值、所述第一行为时序数据集中的关键行为特征与第二行为特征之间的特征交互所产生的交互贡献值、以及所述关键行为特征对应的时序敏感值;所述第二行为特征与所述关键行为特征之间时序相邻。2.根据权利要求1所述的方法,所述根据所述第一行为时序数据集对应的预测结果和所述第二行为时序数据集对应的预测结果,确定所述N个行为特征对于所述风险预测模型进行风险预测的贡献信息,包括:针对每个所述第一行为特征,根据所述第一行为时序数据集对应的预测结果和所述第二行为时序数据集对应的预测结果,计算所述第一行为特征对应的特征贡献值;根据各所述第一行为特征分别对应的所述特征贡献值,确定所述N个行为特征中的至少一个关键行为特征;计算所述关键行为特征对应的所述交互贡献值,以及,计算所述关键行为特征对应的所述时序敏感值。3.根据权利要求2所述的方法,所述第一行为特征对应多个所述第二行为时序数据集;所述第二行为时序数据集属于所述第一行为时序数据集;所述根据所述第一行为时序数据集对应的预测结果和所述第二行为时序数据集对应的预测结果,计算所述第一行为特征对应的特征贡献值,包括:针对每个所述第二行为时序数据集,计算所述第二行为时序数据集和所述第一行为特征的组合对应的预测结果以及所述第二行为时序数据集对应的预测结果之间的第一差值;根据所述第一差值、所述第二行为时序数据集中包括的行为特征数量以及所述第一行为时序数据集中包括的行为特征数量,计算所述第二行为时序数据集对应的子特征贡献值;对各所述第二行为时序数据集分别对应的所述子特征贡献值进行求和计算,得到所述第一行为特征对应的所述特征贡献值。4.根据权利要求2所述的方法,所述根据各所述第一行为特征分别对应的所述特征贡献值,确定所述N个行为特征中的至少一个关键行为特征,包括:判断所述特征贡献值是否大于或等于预设特征贡献阈值;若是,则确定所述特征贡献值对应的所述第一行为特征为所述关键行为特征。5.根据权利要求2所述的方法,所述第一行为特征对应多个所述第二行为时序数据集;所述第二行为时序数据集包括:属于所述第一行为时序数据集、且包括所述第二行为特征的第三行为时序数据集;以及,属于所述第一行为时序数据集、且不包括所述第二行为特征
的第四行为时序数据集;所述计算所述关键行为特征对应的所述交互贡献值,包括:计算所述第三行为时序数据集对应的第一交互贡献值;计算所述第四行为时序数据集对应的第二交互贡献值;根据所述第一交互贡献值和所述第二交互贡献值,确定所述关键行为特征对应的所述交互贡献值。6.根据权利要求5所述的方法,所述计算所述第三行为时序数据集对应的第一交互贡献值,包括:针对每个所述第三行为时序数据集,计算所述第三行为时序数据集和所述第一行为特征的组合对应的预测结果以及所述第三行为时序数据集对应的预测结果之间的第二差值;根据所述第二差值、所述第三行为时序数据集中包括的行为特征数量以及所述第一行为时序数据集中包括的行为特征数量,计算所述第三行为时序数据集对应的第一子交互贡献值;对各所述第三行为时序数据集对应的所述第一子交互贡献值进行求和计算,得到所述关键行为特征对应的第一交互贡献值。7.根据权利要求5所述的方法,所述计算所述第四行为时序数据集对应的第二交互贡献值,包括:针对每个所述第四行为时序数据集,计算所述第四行为时序数据集和所述第一行为特征的组合对应的预测结果以及所述第四行为时序数据集对应的预测结果之间的第三差值;根据所述第三差值、所述第四行为时序数据集中包括的行为特征数量以及所述第一行为时序数据集中包括的行为特征数量,计算所述第四行为时序数据集对应的第二子交互贡献值;对各所述第四行为时序数据集对应的所述第二子交互贡献值进行求和计算,得到所述关键行为特征对应的第二交互贡献值。8.根据权利要求2所述的方法,每个所述关键行为特征对应有多个所述第二行为特征;所述计算所述关键行为特征对应的所述时序敏感值,包括:针对每个所述关键行为特征,根据所述关键行为特征和各所述第二行为特征分别对应的时序信息,将所述关键行为特征和多个所述第二行为特征组合为第一关键行为序列;扰动所述第一关键行为序列中的各行为特征对应的时序信息,得到多个第二关键行为序列;利用各所述第二关键行为序列替换所述第一行为时序数据集中的对应行为特征,得到各所述第二关键行为序列对应的第五行为时序数据集,并将所述第五行为时序数据集输入所述风险预测模型,得到所述第五行为时序数据集对应的预测结果;根据所述第一行为时序数据集对应的预测结果,以及各所述第五行为时序数据集对应的预测结果,确定所述关键行为特征对应的所述时序敏感值。9.根据权利要求8所述的方法,所述根据所述第一行为时序数据集对应的预测结果,以及各所述第五行为时序数据集对应的预测结果,确定所述关键行为特征对应的所述时序敏感值,包括:针对每个所述第五行为时序数据集,根据所述第一行为时序数据集对应的预测结果和
所述第五行为时序数据集对应的预测结果,确定所述第五行为时序数据集对应的子时序敏感值;计算各所述第五行为时序数据集分别对应的子时序敏感值的均值,得到所述关键行为特征对应的所述时序敏感值。10.一种行为时序模型的分析方法,包括:将第一行为时序数据集输入预训练的行为时序模型,得到所述第一行为时序数据集对应的预测结果;所述第一行为时序数据集包括样本用户依次执行的N个行为分别对应的行为特征;所述N为大于1的整数;针对N个行为特征中的各第一行为特征,将所述第一行为特征对应的第二行为时序数据集输入所述行为时序模型,得到所述第二行为时序数据集对应的预测结果;所述第二行为时序数据集中不包括所述第一行为特征;根据所述第一行为时序数据集对应的预测结果和所述第二行为时序数据集对应的预测结果,确定所述N个行为特征对于所述行...
【专利技术属性】
技术研发人员:宋博文,张华杰,庄福振,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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。