风险识别方法、装置、电子设备、介质及程序产品制造方法及图纸

本公开实施例公开了一种风险识别方法、装置、电子设备、介质及程序产品，该方法包括：获取用户的短期下单行为序列、长期账户行为序列和静态数据，其中，所述短期下单行为序列包括预设的第一历史时间段内与用户下单行为相关的特征；所述长期账户行为序列包括预设的第二历史时间段内与用户账户相关的行为特征；所述静态数据包括与所述用户的当前订单有关的订单特征和所述用户的历史订单统计特征，所述历史时间段的时长大于所述第一历史时间段的时长；将所述用户的短期下单行为序列、长期账户行为序列和静态数据输入预设的风险识别模型，执行所述风险识别模型，得到所述风险识别模型输出的风险识别结果。输出的风险识别结果。输出的风险识别结果。

【技术实现步骤摘要】
风险识别方法、装置、电子设备、介质及程序产品


[0001]本公开涉及信息处理
，具体涉及一种风险识别方法、装置、电子设备、介质及程序产品。

技术介绍

[0002]随着互联网服务的发展，基于网络为用户提供的服务越来越多，比如，用户通过网络购物付款、打车付款等等。在为用户提供服务时，会有一些恶意用户会针对平台漏洞进行一些作弊行为如骗取平台垫付、恶意不支付等，这些作弊行可以分布在服务的各个涉及资金的环节，一旦被黑灰产团伙抓住漏洞进行作弊将会造成大量资损，损害平台利益。所以在为用户提供服务时，需要进行风险识别来防范黑灰产的攻击。目前的风险识别方法都是基于大量的人工策略或者基于用户统计类特征的机器学习模型来进行风险识别。基于人工策略的方式，需要大量的人工经验和案例分析，总结出规律设置风险识别策略，适合快速弥补风险漏洞，但其依赖人力成本较高，缺少泛化性。而基于用户统计类特征的机器学习模型，一方面由于新用户没有历史完成的服务订单，机器学习模型对新用户的适用性有限，另一方面当黑灰产尝试某种行为绕过机器学习模型时，该机器学习模型将不再能自适应的去重新识别他，会造成很大的风险。

技术实现思路

[0003]为了解决相关技术中的问题，本公开实施例提供一种风险识别方法、装置、电子设备、介质及程序产品。
[0004]第一方面，本公开实施例中提供了一种风险识别方法。
[0005]具体地，所述风险识别方法，包括：
[0006]获取用户的短期下单行为序列、长期账户行为序列和静态数据，其中，所述短期下单行为序列包括预设的第一历史时间段内与用户下单行为相关的特征；所述长期账户行为序列包括预设的第二历史时间段内与用户账户相关的行为特征；所述静态数据包括与所述用户的当前订单有关的订单特征和所述用户的历史订单统计特征，所述历史时间段的时长大于所述第一历史时间段的时长；
[0007]将所述用户的短期下单行为序列、长期账户行为序列和静态数据输入预设的风险识别模型，执行所述风险识别模型，得到所述风险识别模型输出的风险识别结果。
[0008]结合第一方面，本公开在第一方面的第一种实现方式中，所述风险识别结果包括风险分值，所述方法还包括：
[0009]所述将所述用户的短期下单行为序列、长期账户行为序列和静态数据输入预设的风险识别模型，执行所述风险识别模型，得到所述风险识别模型输出的风险识别结果，包括：
[0010]将所述用户的短期下单行为序列输入第一子模型，执行所述第一子模型，得到短期序列特征；
[0011]将所述长期账户行为序列输入第二子模型，执行所述第二子模型，得到长期序列特征；
[0012]将所述静态数据输入至第一多层感知机MLP，执行所述第一MLP，得到静态特征；
[0013]将所述短期序列特征、长期序列特征和静态特征输入至第二MLP，执行所述第二MLP，得到所述风险识别结果。
[0014]结合第一方面的第一种实现方式，本公开在第一方面的第二种实现方式中，所述风险识别结果包括风险特征向量，所述方法还包括：
[0015]所述第一子模型和所述第二子模型包括以下任意一种模型：设置有注意力机制的长短期记忆LSTM模型、深度自注意力变换网络transformer模型、文本分类卷积神经网络textCNN模型。
[0016]结合第一方面的上述各种实现方式，本公开在第一方面的第三种实现方式中，所述获取用户的短期下单行为序列、长期账户行为序列，包括：
[0017]获取用户的初始短期下单行为序列数据和初始长期账户行为序列数据；
[0018]将所述用户的初始短期下单行为序列数据和初始长期账户行为序列数据进行预处理，得到用户的短期下单行为序列、长期账户行为序列。
[0019]结合第一方面的上述各种实现方式，本公开在第一方面的第四种实现方式中，所述将所述用户的初始短期下单行为序列数据和初始长期账户行为序列数据进行预处理，得到用户的短期下单行为序列、长期账户行为序列，包括：
[0020]将所述用户的初始短期下单行为序列数据和初始长期账户行为序列数据进行数字化转换，得到数字化的短期下单行为序列和长期账户行为序列；
[0021]将数字化的短期下单行为序列进行序列补全或序列删除操作，得到第一预设长度的短期下单行为序列；
[0022]将数字化的用户的长期账户行为序列进行序列补全或序列删除操作，得到第二预设长度的长期账户行为序列。
[0023]结合第一方面的上述各种实现方式，本公开在第一方面的第五种实现方式中，所述将所述用户的初始短期下单行为序列数据和初始长期账户行为序列数据进行预处理，得到用户的短期下单行为序列、长期账户行为序列，还包括：
[0024]对所述将所述用户的初始短期下单行为序列数据和初始长期账户行为序列数据进行嵌入embedding映射，得到用户的短期下单行为序列、长期账户行为序列。
[0025]结合第一方面的上述各种实现方式，本公开在第一方面的第六种实现方式中，所述方法还包括：
[0026]获取样本数据，所述样本数据包括各历史样本订单对应的短期下单行为序列、长期账户行为序列和静态数据，以及各历史样本订单对应的真实风险结果；
[0027]使用所述样本数据训练得到所述风险识别模型。
[0028]结合第一方面的上述各种实现方式，本公开在第一方面的第七种实现方式中，所述方法还包括：
[0029]获取待迁移应用中的应用样本数据，所述应用样本数据包括待迁移应用中各历史样本订单对应的短期下单行为序列、长期账户行为序列和静态数据，以及各历史样本订单对应的真实风险结果；
[0030]使用所述应用样本数据对所述风险识别模型进行微调fine
‑
tuning，得到供所述待迁移应用使用的风险识别模型。
[0031]结合第一方面的上述各种实现方式，本公开在第一方面的第八种实现方式中，所述风险识别结果包括风险特征向量，所述方法还包括：
[0032]基于所述风险特征向量进行风险分析。
[0033]第二方面，本公开实施例中提供了一种风险识别装置。
[0034]具体地，所述风险识别装置，包括：
[0035]第一获取模块，被配置为获取用户的短期下单行为序列、长期账户行为序列和静态数据，其中，所述短期下单行为序列包括预设的第一历史时间段内与用户下单行为相关的特征；所述长期账户行为序列包括预设的第二历史时间段内与用户账户相关的行为特征；所述静态数据包括与所述用户的当前订单有关的订单特征和所述用户的历史订单统计特征，所述历史时间段的时长大于所述第一历史时间段的时长；
[0036]识别模块，被配置为将所述用户的短期下单行为序列、长期账户行为序列和静态数据输入预设的风险识别模型，执行所述风险识别模型，得到所述风险识别模型输出的风险识别结果。
[0037]结合第二方面，本公开在第二方面的第一种实现方式中，所述识别模块被配置为:
[0038]将所述用户本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风险识别方法，包括：获取用户的短期下单行为序列、长期账户行为序列和静态数据，其中，所述短期下单行为序列包括预设的第一历史时间段内与用户下单行为相关的特征；所述长期账户行为序列包括预设的第二历史时间段内与用户账户相关的行为特征；所述静态数据包括与所述用户的当前订单有关的订单特征和所述用户的历史订单统计特征，所述历史时间段的时长大于所述第一历史时间段的时长；将所述用户的短期下单行为序列、长期账户行为序列和静态数据输入预设的风险识别模型，执行所述风险识别模型，得到所述风险识别模型输出的风险识别结果。2.根据权利要求1所述的方法，其中，所述将所述用户的短期下单行为序列、长期账户行为序列和静态数据输入预设的风险识别模型，执行所述风险识别模型，得到所述风险识别模型输出的风险识别结果，包括：将所述用户的短期下单行为序列输入第一子模型，执行所述第一子模型，得到短期序列特征；将所述长期账户行为序列输入第二子模型，执行所述第二子模型，得到长期序列特征；将所述静态数据输入至第一多层感知机MLP，执行所述第一MLP，得到静态特征；将所述短期序列特征、长期序列特征和静态特征输入至第二MLP，执行所述第二MLP，得到所述风险识别结果。3.根据权利要求2所述的方法，其中，所述第一子模型和所述第二子模型包括以下任意一种模型：设置有注意力机制的长短期记忆LSTM模型、深度自注意力变换网络transformer模型、文本分类卷积神经网络textCNN模型。4.根据权利要求1所述的方法，其中，所述获取用户的短期下单行为序列、长期账户行为序列，包括：获取用户的初始短期下单行为序列数据和初始长期账户行为序列数据；将所述用户的初始短期下单行为序列数据和初始长期账户行为序列数据进行预处理，得到用户的短期下单行为序列、长期账户行为序列。5.根据权利要求4所述的方法，其中，所述将所述用户的初始短期下单行为序列数据和初始长期账户行为序列数据进行预处理，得到用户的短期下单行为序列、长期账户行为序列，包括：将所述用户的初始短期下单行为序列数据和初始长期账户行为序列数据进行数字化转换，得到数字化的短期下单行为序列和长期账户行为序列；将数字化的短期下单行为序列进行序列补全或序列删除操作，得到第一预设长度的短期下单行为序列；将数字化的用户的长期账户行为序列进行序列补全或序列删除操作，得到第二预设长度的长期账户行为序...

【专利技术属性】
技术研发人员：孔聪聪，邸红叶，冀晨光，
申请(专利权)人：阿里巴巴中国有限公司，
类型：发明
国别省市：