神经网络的建立方法及系统和神经网络的应用方法及系统的制作方法
【技术领域】
[0001] 本申请涉及风险防控领域，尤其涉及一种神经网络的建立方法及系统和神经网络 的应用方法及系统。
【背景技术】
[0002] 目前，针对风险防控、案件预测问题，常常使用模型进行风险防控和案件预测。现 有模型产出的处于中等区间离散值的那部分事件的准确性会加剧下降，将处于中等区间离 散值的那部分事件称为灰色区域事件，灰色区域指的是模型预测有风险，但风险度不是最 高的那一部分事件。由于处于中等区间离散值的灰色区域事件的准确性加剧下降，所以需 要提高这部分灰色区域事件的预测准确性。
[0003] 现有技术中对于灰色区域事件，不进行处理，或者进行人工审理。人工将灰色区域 事件分流至高风险区域或者低风险区域。但是人工审理灰色区域事件风险度需要大量的人 力物力，且审理灰色区域事件风险度的准确率也受限于审理人员的审理能力，不准确。
【发明内容】
[0004] 本申请的目的是提出了一种神经网络的建立方法及系统和神经网络的应用方法 及系统，解决审理灰色区域事件风险度不准确，且需要大量的人力物力的问题。
[0005] 为实现上述目的，本申请第一方面提供了一种神经网络的建立方法，所述方法包 括：将账户的历史操作事件按照时间顺序分为第一训练事件和第一测试事件；获取所述第 一训练事件的参数；根据所述参数将所述第一训练事件初始化为第一向量；利用所述第一 向量建立神经网络，所述神经网络包括所述参数和结构；将所述第一测试事件的第二向量， 输入至所述神经网络中，计算所述第一测试事件的第二离散值、衍生变量和第一指标，所述 第二离散值为风险度评估值；当所述第一指标达到阈值时，存储所述神经网络。
[0006] 本申请第二方面提供了一种利用神经网络预测风险度的方法，所述方法包括：获 取处于灰色区域的事件在原始模块输出的第一离散值，所述第一离散值为风险度评估值； 调用系统中与所述处于灰色区域事件对应账户的神经网络，所述神经网络是利用历史操作 事件训练得到的，通过所述神经网络中的参数计算第二离散值和衍生变量；根据第二离散 值、衍生变量和第一离散值，通过第一模型将灰色区域事件分流至高风险区域或低风险区 域。
[0007] 本申请第三方面提供了一种神经网络的建立系统，所述系统包括：划分模块，用于 将账户的历史操作事件按照时间顺序分为第一训练事件和第一测试事件；获取模块，用于 获取所述第一训练事件的参数；处理模块，用于根据所述参数将所述第一训练事件初始化 为第一向量；建立模块，用于利用所述第一向量建立神经网络，所述神经网络包括所述参数 和结构；计算模块，用于将所述第一测试事件的第二向量，输入至所述神经网络中，计算所 述第一测试事件的第二离散值、衍生变量和第一指标，所述第二离散值为风险度评估值；存 储模块，用于当所述第一指标达到阈值时，存储所述神经网络。
[0008] 本申请第四方面提供了一种利用神经网络预测风险度的系统，所述系统包括：获 取模块，用于获取处于灰色区域的事件在原始模块输出的第一离散值，所述第一离散值为 风险度评估值；调用模块，用于调用系统中与所述处于灰色区域事件对应账户的神经网络， 所述神经网络是利用历史操作事件训练得到的，通过所述神经网络中的参数计算第二离散 值和衍生变量；分流模块，用于根据第二离散值、衍生变量和第一离散值，通过第一模型将 灰色区域事件分流至高风险区域或低风险区域。
[0009] 本申请提供的神经网络的建立方法，将账户的历史操作事件按照时间顺序分为第 一训练事件和第一测试事件；获取所述第一训练事件的参数；根据所述参数将所述第一训 练事件初始化为第一向量；利用所述第一向量建立神经网络，通过神经网络计算第一测试 事件的第二离散值、衍生变量和第一指标，当所述第一指标达到阈值时，存储所述神经网 络。有效提高了预测灰色区域的风险度的效率，并使得对灰色区域事件的处理变得灵活、可 控。
【附图说明】
[0010] 图1为本申请实施例提供的神经网络的建立方法的流程图；
[0011] 图2为本申请实施例提供的利用神经网络预测风险度的方法的流程图；
[0012] 图3为本申请实施例提供的神经网络的建立系统示意图；
[0013] 图4为本申请实施例提供的利用神经网络预测风险度的系统示意图。
【具体实施方式】
[0014] 下面通过附图和实施例，对本申请的技术方案做进一步的详细描述。
[0015] 自组织（Self Organized Mapping, S0M)神经网络是自组织特征的映射网络，网 络结构分为输入层和映射层，两层之间实现全连接。处于网络空间中不同区域的神经元有 着不同的分工，当一个神经网络接受外界输入模式时，将会分为不同的反映域，各区域对于 输入模式具有不同的相应特征。它可以实现数据分类，当你输入数据集的时候，经过学习训 练，得到了以一个最终获胜的权值向量为中心周围分布着与相关的数据，这样不断进行下 去之后，本身有联系的数据就会聚集到一起，形成具有自己独特特点的数据集。
[0016] 本申请实施例首先提供了 一种神经网络的建立方法，预测账户在线操作时，准确 地预测处于灰色区域事件的风险度。本申请实施例的应用场景，应用于具有风险度的所有 操作事件中，例如，在线支付，登录电子邮件账号，登录QQ账号等，准确地预测这些操作事 件的风险度。
[0017] 实施例一
[0018] 参见图1，图1为神经网络的建立方法的流程图。本申请实施例一提供了一种神经 网络的建立方法，在本申请实施例一中的实施主体为神经网络的建立系统，该方法可以包 括如下步骤：
[0019] 步骤S101，将账户的历史操作事件按照时间顺序分为第一训练事件和第一测试事 件。
[0020] 例如：按照时间顺序，将账户的历史交易事件分为第一训练事件和第一测试事件， 为了保证训练出来的S0M网络的精度，每个账户的历史交易事件的第一训练事件的个数不 小于50个。
[0021] 每个账户的历史交易事件中，先排除盗用操作时的交易事件，以确保训练出的SOM 网络能够体现该账户的特性。
[0022] 例如，将账户在前两个月内的所有历史交易事件，按照时间顺序，将前50笔的历 史交易事件分为第一训练事件，其余30笔历史交易事件分为第一测试事件。
[0023] 步骤S102,获取所述第一训练事件的参数。
[0024] 例如，获取第一训练事件的参数为：交易金额、交易时间和交易地点。参数的个数 可以根据具体情况自行设定。
[0025] 步骤S103,根据所述参数将所述第一训练事件初始化为第一向量。
[0026] 根据参数交易金额、交易时间和交易地点，将第一训练事件中的50笔交易事件初 始化为向量。例如：第一笔交易事件中交易金额1〇〇〇元，交易时间上午8点，交易地点北京。 第一向量是S0M神经网络训练时的输入神经元，比如向量XI = (1000元，8 :00am，北京）。 一般情况下，若元素是非数值型的（如时间型变量以及地点型变量），则需要进行数值化处 理，可以利用第一训练事件进行证据权重（Weight of Evidence, W0E)变换。
[0027] 步骤S104,利用所述第一向量建立神经网络，所述神经网络包括所述参数和结构。
[0028] 所述神经网络的参数包括：输入神经元、输出神经元、