一种风险的识别方法、装置及设备制造方法及图纸

本说明书实施例公开了一种风险的识别方法、装置及设备，该方法包括：获取用户执行目标业务的过程中产生的业务数据；将业务数据分别输入到针对目标业务的多个风险识别模块中，获取每个风险识别模块返回的子风险识别结果，目标业务对应的风险识别模型是由多个风险识别模块中包含的风险识别子模型通过集成学习的方式构建；基于每个风险识别模块返回的子风险识别结果的情况，确定多个风险识别模块中每个风险识别模块的可用性；如果多个风险识别模块中超过第一预设数量的风险识别模块的可用性为可用，则对可用的风险识别模块返回的子风险识别结果进行集成处理，得到业务数据对应的风险识别结果。险识别结果。险识别结果。

【技术实现步骤摘要】
一种风险的识别方法、装置及设备


[0001]本文件涉及计算机
，尤其涉及一种风险的识别方法、装置及设备。

技术介绍

[0002]在风控场景，风险防控越来越智能化，即可以通过机器学习的方式自动学习防控风险的模型，从而减少大量而繁琐的人工防控策略的设计工作。
[0003]随着模型越来越复杂，就会很容易出现超时且超时后风险识别模型不可用。在毫秒级的计算过程中，除了特征本身复杂度外，一些微小的扰动(如网络不稳定、数据流量激增导致计算排队等)都会导致计算超时，这样就导致模型超时概率会随着特征超时概率而指数级增长，从而严重限制了风险识别模型可使用特征的数量。在风控场景下，通常可以沉淀数千个风险特征，但是模型对于其使用程度有限，从而也限制了模型的能力，为此，需要提供一种能够提升模型能力的技术方案。

技术实现思路

[0004]本说明书实施例的目的是提供一种能够提升模型能力的技术方案。
[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风险的识别方法，所述方法包括：获取用户执行目标业务的过程中产生的业务数据。将所述业务数据分别输入到针对所述目标业务的多个风险识别模块中，以基于每个所述风险识别模块中包含的风险识别子模型对所述业务数据进行风险识别处理，获取每个所述风险识别模块返回的子风险识别结果，所述目标业务对应的风险识别模型是由所述多个风险识别模块中包含的所述风险识别子模型通过集成学习的方式构建。基于每个所述风险识别模块返回的子风险识别结果的情况，确定多个风险识别模块中每个所述风险识别模块的可用性。如果多个风险识别模块中超过第一预设数量的风险识别模块的可用性为可用，则对可用性为可用的风险识别模块返回的子风险识别结果进行集成处理，得到所述业务数据对应的风险识别结果。
[0007]本说明书实施例提供的一种风险的识别装置，所述装置包括：业务数据获取模块，获取用户执行目标业务的过程中产生的业务数据。子识别结果确定模块，将所述业务数据分别输入到针对所述目标业务的多个风险识别模块中，以基于每个所述风险识别模块中包含的风险识别子模型对所述业务数据进行风险识别处理，获取每个所述风险识别模块返回的子风险识别结果，所述目标业务对应的风险识别模型是由所述多个风险识别模块中包含的所述风险识别子模型通过集成学习的方式构建。可用性确定模块，基于每个所述风险识别模块返回的子风险识别结果的情况，确定多个风险识别模块中每个所述风险识别模块的可用性。第一风险识别模块，如果多个风险识别模块中超过第一预设数量的风险识别模块的可用性为可用，则对可用性为可用的风险识别模块返回的子风险识别结果进行集成处理，得到所述业务数据对应的风险识别结果。
[0008]本说明书实施例提供的一种风险的识别设备，所述风险的识别设备包括：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：获取用户执行目标业务的过程中产生的业务数据。将所述业务数据分别输入到针对所述目标业务的多个风险识别模块中，以基于每个所述风险识别模块中包含的风险识别子模型对所述业务数据进行风险识别处理，获取每个所述风险识别模块返回的子风险识别结果，所述目标业务对应的风险识别模型是由所述多个风险识别模块中包含的所述风险识别子模型通过集成学习的方式构建。基于每个所述风险识别模块返回的子风险识别结果的情况，确定多个风险识别模块中每个所述风险识别模块的可用性。如果多个风险识别模块中超过第一预设数量的风险识别模块的可用性为可用，则对可用性为可用的风险识别模块返回的子风险识别结果进行集成处理，得到所述业务数据对应的风险识别结果。
[0009]本说明书实施例还提供了一种存储介质，所述存储介质用于存储计算机可执行指令，所述可执行指令在被处理器执行时实现以下流程：获取用户执行目标业务的过程中产生的业务数据。将所述业务数据分别输入到针对所述目标业务的多个风险识别模块中，以基于每个所述风险识别模块中包含的风险识别子模型对所述业务数据进行风险识别处理，获取每个所述风险识别模块返回的子风险识别结果，所述目标业务对应的风险识别模型是由所述多个风险识别模块中包含的所述风险识别子模型通过集成学习的方式构建。基于每个所述风险识别模块返回的子风险识别结果的情况，确定多个风险识别模块中每个所述风险识别模块的可用性。如果多个风险识别模块中超过第一预设数量的风险识别模块的可用性为可用，则对可用性为可用的风险识别模块返回的子风险识别结果进行集成处理，得到所述业务数据对应的风险识别结果。
附图说明
[0010]为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图；
[0011]图1为本说明书一种风险的识别系统的结构示意图；
[0012]图2为本说明书一种风险的识别方法实施例；
[0013]图3为本说明书另一种风险的识别方法实施例；
[0014]图4为本说明书一种风险的识别装置实施例；
[0015]图5为本说明书一种风险的识别设备实施例。
具体实施方式
[0016]本说明书实施例提供一种风险的识别方法、装置及设备。
[0017]为了使本
的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
[0018]本说明书实施例提供一种风险的识别机制，假设特征超时概率是0.001，则一个具
有n个特征的模型的超时概率就是1
‑
(1
‑
0.001)^n，100个特征的超时概率即为10％，500个特征的超时概率即为40％，这样就严重限制了风险识别模型可使用特征的数量，在风控场景下，通常可以沉淀数千个风险特征，但是模型对于其使用程度有限，从而也限制了模型的能力，为此，设计了一种鲁棒的高效的模块化的模型系统方案，如图1所示，可以将一个复杂的模型拆分到多个独立工作的模块中，每个模块可以只能使用有限个数的特征，最后多个模块通过一定的组合机制给出模型最终的决策结果。使用该种模型系统，可以将一个只有一定(如60％等)可用率的复杂模型提升为可以保持较好性能(甚至其性能几乎不会失效)模块化模型系统。具体处理可以参见下述实施例中的具体内容。
[0019]实施例一
[0020]如图2所示，本说明书实施例提供一种风险的识别方法，该方法的执行主体可以为终端设备或服务器等，其中的终端设备可以如手机、平板电脑等移动终端设备，还可以如笔记本电脑或台式电脑等计算机设备，或者，也可本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风险的识别方法，所述方法包括：获取用户执行目标业务的过程中产生的业务数据；将所述业务数据分别输入到针对所述目标业务的多个风险识别模块中，以基于每个所述风险识别模块中包含的风险识别子模型对所述业务数据进行风险识别处理，获取每个所述风险识别模块返回的子风险识别结果，所述目标业务对应的风险识别模型是由所述多个风险识别模块中包含的所述风险识别子模型通过集成学习的方式构建；基于每个所述风险识别模块返回的子风险识别结果的情况，确定多个风险识别模块中每个所述风险识别模块的可用性；如果多个风险识别模块中超过第一预设数量的风险识别模块的可用性为可用，则对可用性为可用的风险识别模块返回的子风险识别结果进行集成处理，得到所述业务数据对应的风险识别结果。2.根据权利要求1所述的方法，所述方法还包括：如果多个风险识别模块中未超过预设数量的风险识别模块的可用性为可用，则基于预设的风险识别策略对所述业务数据进行风险识别处理，得到所述业务数据对应的风险识别结果。3.根据权利要求2所述的方法，所述第一预设数量为所述多个风险识别模块的总数量的60％。4.根据权利要求3所述的方法，所述风险识别子模型是由随机森林算法构建的子模型，或者，所述风险识别子模型是由预设的神经网络算法构建的子模型，所述风险识别子模型是通过对所述风险识别子模型进行知识蒸馏处理后的子模型。5.根据权利要求1
‑
4中任一项所述的方法，所述基于每个所述风险识别模块返回的子风险识别结果的情况，确定多个风险识别模块中每个所述风险识别模块的可用性，包括：如果在预设时长内未获取到所述风险识别模块返回的子风险识别结果，则确定所述风险识别模块的可用性为不可用；或者，如果检测到所述业务数据对应的特征中存在第二预设数量的异常的特征，则确定所述风险识别模块的可用性为不可用。6.根据权利要求5所述的方法，所述方法还包括：基于所述业务数据，确定所述业务数据对应的特征中用于当前的所述风险识别模块的目标特征；将所述目标特征输入到预先训练的异常识别子模型中，得到所述目标特征中是否存在异常的特征的输出结果，所述异常的特征包括特征缺失、特征中包含的字段缺失、特征中包含扰动信息中的一项或多项；如果所述输出结果指示所述目标特征中存在异常的特征，则确定当前的所述风险识别模块的可用性为不可用。7.根据权利要求6所述的方法，所述方法还包括：获取不同用户执行所述目标业务的过程中产生的历史业务数据；将所述历史业务数据分别输入到针对所述目标业务的多个风险识别模块中，以基于每个所述风险识别模...

【专利技术属性】
技术研发人员：武多才，谭潇，
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：