基于联邦学习的交易识别方法及其装置制造方法及图纸

本发明专利技术公开了一种基于联邦学习的交易识别方法及其装置

【技术实现步骤摘要】
基于联邦学习的交易识别方法及其装置、电子设备


[0001]本专利技术涉及大数据领域，具体而言，涉及一种基于联邦学习的交易识别方法及其装置
、
电子设备
。

技术介绍

[0002]当前，随着信用卡的不断普及以及用卡生态体系的逐渐完善，越来越多的人开始接纳以及使用信用卡，虽然信用卡可以满足人们日益增长的消费需求以及促进社会信用体系的建设，但是由于信用卡可以允许客户在一定的信用额度内进行透支消费，因此如果缺少对信用卡风险行为
(
例如，套取资金
、
盗刷以及欺诈等
)
的有效防控，则会同时对发卡机构以及客户造成极大的金融损失，阻碍信用卡的推广以及发展
。
[0003]此外，由于目前很多用卡交易都可以通过在移动终端应用中绑定信用卡后，直接在移动终端上直接完成交易，整个交易流程非常隐私和快捷，使得用卡风险进一步提升，很难对已造成的金融损失进行追溯和挽回
。
因此，如何在用卡交易过程中及时识别出风险交易并进行有效地拦截，是信用卡风险控制中的一项重要任务
。
[0004]随着机器学习的兴起以及在一些风险控制场景下的成功应用，机器学习算法也逐渐开始被引入到交易风控场景下，用于识别风险交易行为，保障客户的用卡安全
。
相关技术中，对信用卡交易进行拦截的方案往往是将持卡客户或者用卡交易的一些基本特征，输入到某个特定的机器学习模型中，然后利用模型学习出持卡人交易行为模式，最后在客户进行交易时，将这些信息输入到模型中，即可获取模型的输出结果，作为风险交易行为的判断依据
。
[0005]然而，相关技术中使用的风险控制模型存在如下问题：
(1)
只能基于客户的一些基本行为特征，并在学习客户信用卡交易的行为模式时，假设客户彼此之间的特征以及行为是相互独立的
。
而实际情况下，由于人与人之间存在着复杂的联系，其所在的群体会对个体行为产生一定的影响效应
。
因此，忽略了这种群体效应并仅根据客户个体的行为特征，会给这些风险控制模型对行为模式的学习带来一定的偏差，无法精确地识别出风险交易；
(2)
相关技术中的模型的训练过程往往需要依赖全量的客户交易数据
。
而实际情况下，人们已经越来越重视自己的社交以及交易隐私，这使得这些数据只能存在于客户的私人终端中，因此，这些模型是无法直接访问到全量的客户交易数据的，进而导致模型无法准确地完成训练，最终的模型具有很大的偏差性，同样也无法胜任风险交易识别这一任务
。
[0006]针对上述的问题，目前尚未提出有效的解决方案
。

技术实现思路

[0007]本专利技术实施例提供了一种基于联邦学习的交易识别方法及其装置
、
电子设备，以至少解决相关技术中对风险交易进行识别的准确性较低的技术问题
。
[0008]根据本专利技术实施例的一个方面，提供了一种基于联邦学习的交易识别方法，包括：确定客户端上当前交易的交易客户以及交易商户；将所述交易客户的客户数据处理为客户
特征向量，并将所述交易商户的商户数据处理为商户特征向量；将所述客户特征向量以及所述商户特征向量输入至预设判别模型，输出所述交易客户的客户输出值以及所述交易商户的商户输出值，其中，所述预设判别模型是基于联邦学习构建的模型；在所述客户输出值或者所述商户输出值大于预设输出阈值的情况下，确定所述当前交易为风险交易
。
[0009]可选地，所述交易识别方法还包括：为每个所述客户端构造局部属性网络，其中，所述客户端是客户进行交易的应用终端，所述客户端预先存储有客户属性数据以及客户交易数据；基于所述局部属性网络，为所述客户端构建局部判别模型，并在训练所述局部判别模型的过程中，确定局部梯度信息；将每个所述客户端的所述局部梯度信息发送至预设服务器，其中，所述预设服务器基于所有所述局部梯度信息，确定全局梯度信息，并将所述全局梯度信息返回至每个所述客户端；采用所述全局梯度信息更新所述客户端的所述局部判别模型，得到所述预设判别模型
。
[0010]可选地，在为每个所述客户端构造局部属性网络之前，还包括：获取所述客户端存储的所述客户属性数据以及所述客户交易数据；基于所述客户属性数据，确定所述客户端上的所述客户以及客户之间的社会关系；基于所述客户交易数据，确定所述客户端上与所述客户具有交易关系的商户
。
[0011]可选地，为每个所述客户端构造局部属性网络的步骤，包括：将所述客户表征为客户节点，并将所述商户表征为商户节点；在具有所述社会关系的两个所述客户节点之间构建一条连边，并在具有所述交易关系的所述客户节点与所述商户节点之间构建一条所述连边；基于所述客户节点
、
所述商户节点以及所述连边，构造所述客户端的所述局部属性网络，其中，所述局部属性网络中每个所述客户节点以及每个所述商户节点都对应有特征向量
。
[0012]可选地，基于所述局部属性网络，为所述客户端构建局部判别模型的步骤，包括：构建所述局部判别模型的网络结构，其中，所述局部判别模型的所述网络结构包括：输入层
、
多层隐藏层
、
输出层；采用所述局部属性网络，训练所述网络结构，并在每次训练完成后得到输出值；基于所述输出值以及标签值，采用损失函数确定所述网络结构是否训练完成，其中，所述标签值是预先为每个节点标注的值
。
[0013]可选地，采用所述局部属性网络，训练所述网络结构的步骤，包括：采用所述输入层接收输入的所述局部属性网络，得到每个节点的特征向量，其中，所述节点包括：客户节点
、
商户节点；采用当前隐藏层对上一层隐藏层输入的所有邻居节点的上一层隐特征向量进行聚合操作，得到所述节点在所述当前隐藏层的聚合向量，其中，所述邻居节点是与所述节点具有连边的节点；基于所述节点在所述上一层隐藏层的所述上一层隐特征向量以及所述聚合向量，采用所述当前隐藏层进行池化操作，得到所述节点在所述当前隐藏层的当前层初始隐特征向量，并对所述当前层初始隐特征向量进行正则化操作，得到当前层隐特征向量；基于最后一层隐特征向量，采用所述输出层输出所述节点的输出值
。
[0014]可选地，采用所述全局梯度信息更新所述客户端的所述局部判别模型，得到预设判别模型的步骤，包括：基于所述全局梯度信息，调整所述局部判别模型的模型参数；在所述模型参数调整完成的情况下，采用所述局部判别模型确定新的所述输出值；基于新的所述输出值以及所述标签值，采用损失函数确定损失值；在预设次数内确定的所述损失值都相等的情况下，确定对所述局部判别模型训练完成，得到所述预设判别模型
。
[0015]根据本专利技术实施例的另一方面，还提供了一种基于联邦学习的交易识别装置，包括：第一确定单元，用于确定客户端上当前交易的交易客户以及交易商户；处理单元，用于将所述交易客户的客户数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于联邦学习的交易识别方法，其特征在于，包括：确定客户端上当前交易的交易客户以及交易商户；将所述交易客户的客户数据处理为客户特征向量，并将所述交易商户的商户数据处理为商户特征向量；将所述客户特征向量以及所述商户特征向量输入至预设判别模型，输出所述交易客户的客户输出值以及所述交易商户的商户输出值，其中，所述预设判别模型是基于联邦学习构建的模型；在所述客户输出值或者所述商户输出值大于预设输出阈值的情况下，确定所述当前交易为风险交易
。2.
根据权利要求1所述的识别方法，其特征在于，所述交易识别方法还包括：为每个所述客户端构造局部属性网络，其中，所述客户端是客户进行交易的应用终端，所述客户端预先存储有客户属性数据以及客户交易数据；基于所述局部属性网络，为所述客户端构建局部判别模型，并在训练所述局部判别模型的过程中，确定局部梯度信息；将每个所述客户端的所述局部梯度信息发送至预设服务器，其中，所述预设服务器基于所有所述局部梯度信息，确定全局梯度信息，并将所述全局梯度信息返回至每个所述客户端；采用所述全局梯度信息更新所述客户端的所述局部判别模型，得到所述预设判别模型
。3.
根据权利要求2所述的识别方法，其特征在于，在为每个所述客户端构造局部属性网络之前，还包括：获取所述客户端存储的所述客户属性数据以及所述客户交易数据；基于所述客户属性数据，确定所述客户端上的所述客户以及客户之间的社会关系；基于所述客户交易数据，确定所述客户端上与所述客户具有交易关系的商户
。4.
根据权利要求3所述的识别方法，其特征在于，为每个所述客户端构造局部属性网络的步骤，包括：将所述客户表征为客户节点，并将所述商户表征为商户节点；在具有所述社会关系的两个所述客户节点之间构建一条连边，并在具有所述交易关系的所述客户节点与所述商户节点之间构建一条所述连边；基于所述客户节点
、
所述商户节点以及所述连边，构造所述客户端的所述局部属性网络，其中，所述局部属性网络中每个所述客户节点以及每个所述商户节点都对应有特征向量
。5.
根据权利要求2所述的识别方法，其特征在于，基于所述局部属性网络，为所述客户端构建局部判别模型的步骤，包括：构建所述局部判别模型的网络结构，其中，所述局部判别模型的所述网络结构包括：输入层
、
多层隐藏层
、
输出层；采用所述局部属性网络，训练所述网络结构，并在每次训练完成后得到输出值；基于所述输出值以及标签值，采用损失函数确定所述网络结构是否训练完成，其中...

【专利技术属性】
技术研发人员：王世超，
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：