金融风险事件识别方法及装置制造方法及图纸

本发明专利技术公开了一种金融风险事件识别方法及装置，其中该方法包括：将目标金融事件的交易数据，输入至预设置的多层自注意力机制模型，得到目标金融事件的交易数据的目标特征向量；将所述交易数据的特征向量输入至预设的金融风险事件识别模型，得到对所述目标金融事件是否为金融风险事件的识别结果；所述金融风险事件识别模型按如下方式预设：对不同历史金融事件的交易数据的历史特征向量，进行高斯噪音视图构建、掩码视图构建和dropout视图构建，并对不同历史特征向量进行对比训练；生成数据集；以所述数据集对全连接神经网络模型进行训练和验证，得到金融风险事件识别模型。本发明专利技术用以提升金融风险事件识别的准确率和识别效率。率。率。

【技术实现步骤摘要】
金融风险事件识别方法及装置


[0001]本专利技术涉及深度学习
，尤其涉及金融风险事件识别方法及装置。

技术介绍

[0002]本部分旨在为权利要求书中陈述的本专利技术实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
[0003]近年来，存在金融交易风险的案件频发，造成了巨大的经济损失，不仅会导致银行业的不良资产和坏账损失增加，还容易造成金融市场准入混乱、金融机构的信誉危机以及金融机构之间的无序竞争。
[0004]因此，如何有效的遏制以上金融风险案件的发生是一个亟待解决的问题。
[0005]业界常用的金融风险事件的识别方法一般采用基于规则的方法和基于深度学习技术的方法。
[0006]但其一、基于规则的方法安全性较低，容易被通过“规则刺探”方法攻破。其实施者通过先发起一批试探性的交易，测算基于规则的方法设定的阈值，之后，通过小心配置交易的额度、交易的时间，就可以绕开基于规则的金融风险识别模型，转移非正常渠道所得。
[0007]其二、现有基于深度学习的金融风险事件的识别方法识别准确率低。金融风险事件的识别，如金融风险事件的类型庞杂，彼此之间的特征差异很大，例如，金融风险事件可能表现为支付交易在短时间内频繁发生、支付交易的收付款方地区频繁变更、支付交易中的收付款金额总是人为干预的整数或者吉利数等多种形式。现有的基于深度学习的金融风险事件识别方法容易过拟合训练数据，只能识别训练中出现过的金融风险事件类型，导致模型识别的准确率偏低。

技术实现思路
/>[0008]本专利技术实施例提供一种金融风险事件识别方法，用以提升金融风险事件识别的准确率和识别效率，该方法包括：
[0009]将目标金融事件的交易数据，输入至预设置的多层自注意力机制模型，得到目标金融事件的交易数据的目标特征向量；所述多层自注意力机制模型用于以多层的多头自注意力层进行键值对点积操作，对交易数据的不同特征进行融合，得到交易数据的特征向量；
[0010]将所述交易数据的特征向量输入至预设的金融风险事件识别模型，得到对所述目标金融事件是否为金融风险事件的识别结果；
[0011]所述金融风险事件识别模型按如下方式预设：
[0012]对不同历史金融事件的交易数据的历史特征向量，进行高斯噪音视图构建、掩码视图构建和dropout视图构建，得到不同历史特征向量的多维度视图；
[0013]以所述多维度视图，对不同历史特征向量进行对比训练；
[0014]以对比训练后的不同历史特征向量、和不同历史特征向量对应的金融事件是否为金融风险事件的识别结果，生成数据集；以所述数据集对全连接神经网络模型进行训练和
验证，得到金融风险事件识别模型。
[0015]本专利技术实施例还提供一种金融风险事件识别装置，用以提升金融风险事件识别的准确率和识别效率，该装置包括：
[0016]特征向量确定模块，用于将目标金融事件的交易数据，输入至预设置的多层自注意力机制模型，得到目标金融事件的交易数据的目标特征向量；所述多层自注意力机制模型用于以多层的多头自注意力层进行键值对点积操作，对交易数据的不同特征进行融合，得到交易数据的特征向量；
[0017]识别结果确定模块，用于将所述交易数据的特征向量输入至预设的金融风险事件识别模型，得到对所述目标金融事件是否为金融风险事件的识别结果；
[0018]所述金融风险事件识别模型按如下方式预设：
[0019]对不同历史金融事件的交易数据的历史特征向量，进行高斯噪音视图构建、掩码视图构建和dropout视图构建，得到不同历史特征向量的多维度视图；
[0020]以所述多维度视图，对不同历史特征向量进行对比训练；
[0021]以对比训练后的不同历史特征向量、和不同历史特征向量对应的金融事件是否为金融风险事件的识别结果，生成数据集；以所述数据集对全连接神经网络模型进行训练和验证，得到金融风险事件识别模型。
[0022]本专利技术实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述金融风险事件识别方法。
[0023]本专利技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述金融风险事件识别方法。
[0024]本专利技术实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述金融风险事件识别方法。
[0025]本专利技术实施例中，将目标金融事件的交易数据，输入至预设置的多层自注意力机制模型，得到目标金融事件的交易数据的目标特征向量；所述多层自注意力机制模型用于以多层的多头自注意力层进行键值对点积操作，对交易数据的不同特征进行融合，得到交易数据的特征向量；将所述交易数据的特征向量输入至预设的金融风险事件识别模型，得到对所述目标金融事件是否为金融风险事件的识别结果；所述金融风险事件识别模型按如下方式预设：对不同历史金融事件的交易数据的历史特征向量，进行高斯噪音视图构建、掩码视图构建和dropout视图构建，得到不同历史特征向量的多维度视图；以所述多维度视图，对不同历史特征向量进行对比训练；以对比训练后的不同历史特征向量、和不同历史特征向量对应的金融事件是否为金融风险事件的识别结果，生成数据集；以所述数据集对全连接神经网络模型进行训练和验证，得到金融风险事件识别模型，与现有技术中以基于规则方法和基于深度学习技术进行金融风险事件识别的技术方案相比，经过多维度视图的对比学习的预训练，可使得建立的金融风险事件识别模型会让同类交易的向量表示更加接近，不同类交易的向量表示更加远离，能够有效防止微调时模型过拟合的问题，从而提升金融风险事件识别方法的识别准确性，有助于加强金融监管部门的监察力度，提高非正常渠道所得资金的转移成本。
附图说明
[0026]为了更清楚地说明本专利技术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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
[0027]图1为本专利技术实施例中一种金融风险事件的流程示意图；
[0028]图2为本专利技术实施例中一种金融风险事件的具体示例图；
[0029]图3为本专利技术实施例中一种金融风险事件识别模型的结构示例图；
[0030]图4为本专利技术实施例中一种金融风险事件识别装置的结构示例图；
[0031]图5为本专利技术实施例中一种金融风险事件识别装置的具体示例图；
[0032]图6为本专利技术实施例中提供的一种计算机设备的示意图。
具体实施方式
[0033]为使本专利技术实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本专利技术实施例做进一步详细说明。在此，本专利技术的示意性实施例及其说明用于解释本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种金融风险事件识别方法，其特征在于，包括：将目标金融事件的交易数据，输入至预设置的多层自注意力机制模型，得到目标金融事件的交易数据的目标特征向量；所述多层自注意力机制模型用于以多层的多头自注意力层进行键值对点积操作，对交易数据的不同特征进行融合，得到交易数据的特征向量；将所述交易数据的特征向量输入至预设的金融风险事件识别模型，得到对所述目标金融事件是否为金融风险事件的识别结果；所述金融风险事件识别模型按如下方式预设：对不同历史金融事件的交易数据的历史特征向量，进行高斯噪音视图构建、掩码视图构建和dropout视图构建，得到不同历史特征向量的多维度视图；以所述多维度视图，对不同历史特征向量进行对比学习的预训练；以对比训练后的不同历史特征向量、和不同历史特征向量对应的金融事件是否为金融风险事件的识别结果，生成数据集；以所述数据集对全连接神经网络模型进行训练和验证，得到金融风险事件识别模型。2.如权利要求1所述的方法，其特征在于，还包括：基于向量词典技术，根据目标金融事件的交易数据，建立对应目标金融事件的交易数据的每一特征的初始向量；将目标金融事件的交易数据，输入至预设置的多层自注意力机制模型，得到目标金融事件的交易数据的目标特征向量，包括：将对应目标金融事件的交易数据的每一特征的初始向量，输入至预设置的多层自注意力机制模型，得到目标金融事件的交易数据的目标特征向量。3.如权利要求1所述的方法，其特征在于，对不同历史金融事件的交易数据的历史特征向量，进行高斯噪音视图构建、掩码视图构建和dropout视图构建，得到不同历史特征向量的多维度视图，包括：通过对所述历史特征向量添加随机扰动的高斯噪音，进行高斯噪音视图的构建；通过对所述历史特征向量进行语义段切分，并随机选择语义段替换为白噪音，进行掩码视图构建；通过随机停用深度学习网络中神经元的输出结果，进行dropout视图的构建。4.如权利要求1所述的方法，其特征在于，按如下对比学习预训练的训练损失函数，以所述多维度视图，对不同历史特征向量进行对比训练：其中，h
i
表示第i个历史金融事件的交易数据的特征向量；v
i
是h
i
的视图(v
i
∈{v
i1
,v
i2
,v
i3
}，v
i1
为高斯噪音视图；v
i2
为掩码视图；v
i3
为dropout视图)；h
k
是第k个历史金融事件的交易数据的特征向量，k≠i；θ0为全连接神经网络模型的模型参数；h为交易数据的特征向量；N为所述数据集中历史金融事件的个数，K＝N
‑
1；L0(h,θ0)为对比学习预训练的训练损失函数。5.如权利要求1所述的方法，其特征在于，所述预设的金融风险事件...

【专利技术属性】
技术研发人员：仝美涵，王明媚，
申请(专利权)人：银清科技有限公司，
类型：发明
国别省市：