模型训练、异常交易检测方法、装置、电子设备及介质制造方法及图纸

本公开提供了一种模型训练方法、异常交易检测装置、电子设备及介质，可以应用于人工智能技术领域和金融科技领域。该方法包括：根据模型性能评估信息，从多个异常交易检测模型中确定待优化模型；利用待优化模型处理第一交易信息和与第一交易信息对应的注释信息，得到与待优化模型对应的第一异常交易检测信息，其中，第一交易信息包括与至少一个交易维度各自对应的交易维度信息，注释信息包括与至少一个注释维度各自对应的注释维度信息，注释维度表征对象对第一交易信息的异常交易检测情况进行描述的维度；以及根据第一异常交易检测信息，调整待优化模型的模型参数，得到目标异常交易检测模型。交易检测模型。交易检测模型。

【技术实现步骤摘要】
模型训练、异常交易检测方法、装置、电子设备及介质


[0001]本公开涉及人工智能
和金融科技领域，尤其涉及一种模型训练、异常交易检测方法、装置、电子设备及介质。

技术介绍

[0002]可以利用异常交易检测模型处理交易信息，得到异常交易检测信息。
[0003]在实现本公开专利技术构思的过程中，专利技术人发现，异常交易检测模型的模型性能差，并且，对异常交易检测模型进行优化，存在资源消耗多的状况。

技术实现思路

[0004]鉴于上述问题，本公开提供了一种模型训练、异常交易检测方法、装置、电子设备及介质。
[0005]本公开的第一个方面，提供了一种模型训练方法，包括：根据模型性能评估信息，从多个异常交易检测模型中确定待优化模型；利用待优化模型处理第一交易信息和与第一交易信息对应的注释信息，得到与待优化模型对应的第一异常交易检测信息，其中，第一交易信息包括与至少一个交易维度各自对应的交易维度信息，注释信息包括与至少一个注释维度各自对应的注释维度信息，注释维度表征对象对第一交易信息的异常交易检测情况进行描述的维度；以及根据第一异常交易检测信息，调整待优化模型的模型参数，得到目标异常交易检测模型。
[0006]根据本公开的实施例，利用待优化模型处理第一交易信息和与第一交易信息对应的注释信息，得到与待优化模型对应的第一异常交易检测信息，包括：对第一交易信息进行特征提取，得到交易特征信息；对注释信息进行特征提取，得到注释特征信息；以及对注释特征信息和交易特征信息进行处理，得到与待优化模型对应的第一异常交易检测信息。
[0007]根据本公开的实施例，对第一交易信息进行特征提取，得到交易特征信息，包括：对第一交易信息进行特征提取，得到初始交易特征信息；对初始交易特征信息进行降维处理，得到降维交易特征信息；对降维交易特征信息进行编码处理，得到编码交易特征信息；以及对编码交易特征信息进行池化处理，得到交易特征信息。
[0008]根据本公开的实施例，上述模型训练方法，还包括：利用异常交易检测模型处理第二交易信息集，得到与异常交易检测模型对应的第二异常交易检测信息集；以及根据第二异常交易检测信息集和与第二交易信息集对应的第一标签信息集，确定与异常交易检测模型对应的模型性能评估信息。
[0009]根据本公开的实施例，根据第二异常交易检测信息集和与第二交易信息集对应的第一标签信息集，确定与异常交易检测模型对应的模型性能评估信息，包括：确定与第二异常交易检测信息集对应的信息分布率；以及根据信息分布率、第二异常交易检测信息集和第一标签信息集，得到模型性能评估信息。
[0010]根据本公开的实施例，第二交易信息集包括第一交易信息子集和第二交易信息子
集，第一交易信息子集具有风险属性，第二交易信息子集具有与风险属性对应的非风险属性，第二异常交易检测信息集包括第一异常交易检测信息子集和第二异常交易检测信息子集，第一异常交易检测信息子集与第一交易信息子集对应，第二异常交易检测信息子集与第二交易信息子集对应；确定与第二异常交易检测信息集对应的信息分布率，包括：确定与第一异常交易检测信息子集对应的第一信息分布率；以及确定与第二异常交易检测信息子集对应的第二信息分布率。
[0011]根据本公开的实施例，确定与第一异常交易检测信息子集对应的第一信息分布率，包括：确定与第一异常交易检测信息子集对应的概率密度；以及对概率密度进行积分处理，得到与第一异常交易检测信息子集对应的第一信息分布率。
[0012]根据本公开的实施例，第一标签信息集包括第一标签信息子集和第二标签信息子集，第一标签信息子集与第一交易信息子集对应，第二标签信息子集与第二交易信息子集对应；根据信息分布率、第二异常交易检测信息集和第一标签信息集，得到模型性能评估信息，包括：在第一信息分布率与第二信息分布率之间的差异信息分布率满足第一预定条件的情况下，包括以下之一：根据第一异常交易检测信息子集和第一标签信息子集，确定模型性能评估信息；以及根据第二异常交易检测信息子集和第二标签信息子集，确定模型性能评估信息。
[0013]根据本公开的实施例，第一标签信息子集包括正常标签信息子集和异常标签信息子集；根据第一异常交易检测信息子集和第一标签信息集，确定模型性能评估信息，包括：根据第一异常交易检测信息子集和异常标签信息子集，确定与异常交易检测模型对应的召回率；根据第一异常交易检测信息子集和正常标签信息子集，确定与异常交易检测模型对应的错误率；以及根据召回率和错误率，确定模型性能评估信息。
[0014]根据本公开的实施例，第一标签信息集包括第一标签信息子集和第二标签信息子集，第一标签信息子集与第一交易信息子集对应，第二标签信息子集与第二交易信息子集对应；根据信息分布率、第二异常交易检测信息集和第一标签信息集，得到模型性能评估信息，包括：在第一信息分布率与第二信息分布率之间的差异信息分布率满足第二预定条件的情况下：根据第一异常交易检测信息子集和第一标签信息子集，确定第一模型性能评估信息；根据第二异常交易检测信息子集和第二标签信息子集，确定第二模型性能评估信息；以及根据第一模型性能评估信息和第二模型性能评估信息，得到模型性能评估信息。
[0015]根据本公开的实施例，根据第一异常交易检测信息，调整待优化模型的模型参数，得到目标异常交易检测模型，包括：基于损失函数，根据第一异常交易检测信息和与第一交易信息对应的第二标签信息，得到损失函数值；以及根据损失函数值，调整待优化模型的模型参数，得到目标异常交易检测模型。
[0016]根据本公开的实施例，至少一个注释维度包括遗漏注释维度和错误注释维度中的至少之一，遗漏注释维度表征对象对第一交易信息的遗漏异常交易检测情况进行描述的维度，错误注释维度表征对象对第一交易信息的错误异常交易检测情况进行描述的维度。
[0017]本公开的第二个方面，提供了一种异常交易检测方法，包括：利用目标异常交易模型处理待检测交易信息，得到与待检测交易信息对应的异常交易检测信息；其中，目标异常交易检测模型是利用根据上述方法训练得到的。
[0018]本公开的第三方面提供了一种模型训练装置，包括：第一确定模块，用于根据模型
性能评估信息，从多个异常交易检测模型中确定待优化模型；第一处理模块，用于利用待优化模型处理第一交易信息和与第一交易信息对应的注释信息，得到与待优化模型对应的第一异常交易检测信息，其中，第一交易信息包括与至少一个交易维度各自对应的交易维度信息，注释信息包括与至少一个注释维度各自对应的注释维度信息，注释维度表征对象对第一交易信息的异常交易检测情况进行描述的维度；以及调整模块，用于根据第一异常交易检测信息，调整待优化模型的模型参数，得到目标异常交易检测模型。
[0019]本公开的第四方面提供了一种异常交易检测装置，包括：第二处理模块，用于利用目标异常交易模型处理待检测交易信息，得到与待检测交易信息对应的异常交易检测信息；其中，目标异常交易检测模型是利用根据上述的方法训练得到的。...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，包括：根据模型性能评估信息，从多个异常交易检测模型中确定待优化模型；利用所述待优化模型处理第一交易信息和与所述第一交易信息对应的注释信息，得到与所述待优化模型对应的第一异常交易检测信息，其中，所述第一交易信息包括与至少一个交易维度各自对应的交易维度信息，所述注释信息包括与至少一个注释维度各自对应的注释维度信息，所述注释维度表征对象对所述第一交易信息的异常交易检测情况进行描述的维度；以及根据所述第一异常交易检测信息，调整所述待优化模型的模型参数，得到目标异常交易检测模型。2.根据权利要求1所述的方法，其中，所述利用所述待优化模型处理第一交易信息和与所述第一交易信息对应的注释信息，得到与所述待优化模型对应的第一异常交易检测信息，包括：对所述第一交易信息进行特征提取，得到交易特征信息；对所述注释信息进行特征提取，得到注释特征信息；以及对所述注释特征信息和所述交易特征信息进行处理，得到与所述待优化模型对应的第一异常交易检测信息。3.根据权利要求2所述的方法，其中，所述对所述第一交易信息进行特征提取，得到交易特征信息，包括：对所述第一交易信息进行特征提取，得到初始交易特征信息；对初始交易特征信息进行降维处理，得到降维交易特征信息；对所述降维交易特征信息进行编码处理，得到编码交易特征信息；以及对所述编码交易特征信息进行池化处理，得到所述交易特征信息。4.根据权利要求1～3中任一项所述的方法，还包括：利用所述异常交易检测模型处理第二交易信息集，得到与所述异常交易检测模型对应的第二异常交易检测信息集；以及根据所述第二异常交易检测信息集和与所述第二交易信息集对应的第一标签信息集，确定与所述异常交易检测模型对应的模型性能评估信息。5.根据权利要求4所述的方法，其中，所述根据所述第二异常交易检测信息集和与所述第二交易信息集对应的第一标签信息集，确定与所述异常交易检测模型对应的模型性能评估信息，包括：确定与所述第二异常交易检测信息集对应的信息分布率；以及根据所述信息分布率、所述第二异常交易检测信息集和所述第一标签信息集，得到所述模型性能评估信息。6.根据权利要求5所述的方法，其中，所述第二交易信息集包括第一交易信息子集和第二交易信息子集，所述第一交易信息子集具有风险属性，所述第二交易信息子集具有与所述风险属性对应的非风险属性，所述第二异常交易检测信息集包括第一异常交易检测信息子集和第二异常交易检测信息子集，所述第一异常交易检测信息子集与所述第一交易信息子集对应，所述第二异常交易检测信息子集与所述第二交易信息子集对应；所述确定与所述第二异常交易检测信息集对应的信息分布率，包括：
确定与所述第一异常交易检测信息子集对应的第一信息分布率；以及确定与所述第二异常交易检测信息子集对应的第二信息分布率。7.根据权利要求6所述的方法，其中，所述确定与所述第一异常交易检测信息子集对应的第一信息分布率，包括：确定与所述第一异常交易检测信息子集对应的概率密度；以及对所述概率密度进行积分处理，得到与所述第一异常交易检测信息子集对应的第一信息分布率。8.根据权利要求5所述的方法，其中，所述第一标签信息集包括第一标签信息子集和第二标签信息子集，所述第一标签信息子集与所述第一交易信息子集对应，所述第二标签信息子集与所述第二交易信息子集对应；所述根据所述信息分布率、所述第二异常交易检测信息集和所述第一标签信息集，得到所述模型性能评估信息，包括：在所述第一信息分布率与所述第二信息分布率之间的差异信息分布率满足第一预定条件的情况下，包括以下之一：根据所述第一异常交易检测信息子集和所述第一标签信息子集，确定所述模型性能评估信息；以及根据所述第二异常交易检测信息子集和所述第二标签信息子集，确定所述模型性能评估信息...

【专利技术属性】
技术研发人员：郭芷秀，袁玥，周思华，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：