风险事件的识别、风险识别模型的生成方法及装置与流程

本申请涉及互联网
技术领域：
，尤其涉及一种风险事件的识别、风险识别模型的生成方法及装置。
背景技术：
：随着信息技术和互联网技术的快速发展，在线业务得到了快速的发展和广泛的应用，而如何提高在线业务的安全性，得到了越来越多的关注和重视。一般的，为了提高在线业务的安全性，可以采用风险防控策略对在线业务进行风险识别。但是，对于同一类型下的各项业务，也可能会存在各业务所独有的业务场景，例如，针对转账类业务，所对应的业务场景可能有转账到账户、转账到银行卡等；针对支付类业务，所对应的业务场景可能有线下扫码支付、在线支付等。而如何对存在有多种业务场景的业务进行风险识别，成为当前亟需解决的技术问题。技术实现要素：本说明书实施例的目的是提供一种风险事件的识别、风险识别模型的生成方法及装置，在对目标事件进行风险识别时，分别根据目标事件与其他事件场景下的事件所共有的共有特征数据和风险识别模型中基于各事件场景下的事件的共性所训练得到的第一风险识别模块对目标事件进行风险识别，得到第一风险识别结果，以及，根据目标事件所特有的特有特征数据和与目标事件所属事件场景对应的第二风险识别模块对目标事件进行风险识别，得到第二风险识别结果，最后，对第一风险识别结果和第二风险识别结果进行融合处理，以确定对目标事件进行风险识别的风险识别结果；本说明书实施例中，在对目标事件进行风险识别时，分别根据目标事件所对应的共有特征数据和特有特征数据通过不同的风险识别模型对目标事件进行风险识别，再对不同特征所对应的风险识别结果进行融合，从而确定目标事件的风险，这样使得风险识别能力更优，可以提高风险识别的准确性；另外，由于各个事件场景下的事件均可以输入上述风险识别模型进行风险识别，因此，可以避免在各个事件场景下部署该事件场景对应的风险识别模型，从而可以减少运维成本。为解决上述技术问题，本说明书实施例是这样实现的：本说明书实施例提供了一种风险事件的识别方法，包括：确定目标事件的事件特征数据；其中，所述事件特征数据包括所述目标事件与其他事件场景下的事件所共有的共有特征数据和所述目标事件所特有的特有特征数据；根据所述共有特征数据和训练的风险识别模型中的第一风险识别模块对所述目标事件进行风险识别，得到第一风险识别结果，以及，根据所述特有特征数据和所述风险识别模型中与所述目标事件所属的事件场景相对应的第二风险识别模块对所述目标事件进行风险识别，得到第二风险识别结果；其中，所述风险识别模型包括第一风险识别模块和多个第二风险识别模块，每个所述第二风险识别模块对应一种事件场景；所述第一风险识别模块基于各事件场景下的事件的共有特征数据所训练得到；所述第二风险识别模块基于每种事件场景下的事件的特有特征数据所训练得到；将所述第一风险识别结果和所述第二风险识别结果进行融合处理，以确定所述目标事件的风险识别结果。本说明书实施例还提供了一种风险识别模型的生成方法，包括：确定各事件场景下的样本事件所对应的事件特征数据和事件标签数据；其中，所述事件标签数据用于表征所述样本事件是否为风险样本事件；根据所述各事件场景下的样本事件的事件特征数据，确定目标样本事件所对应的共有特征数据和目标事件标签数据；其中，所述目标样本事件为从各事件场景下的样本事件中筛选出的满足设定规则的样本事件；根据所述目标样本事件所对应的共有特征数据和所述目标事件标签数据，训练所述风险识别模型的第一风险识别模块；以及，分别根据各个事件场景所对应的事件特征数据中的特有特征数据和所述事件标签数据，训练所述风险识别模型中各个事件场景所对应的第二风险识别模块。本说明书实施例还提供了一种风险事件的识别装置，包括：第一确定模块，用于确定目标事件的事件特征数据；其中，所述事件特征数据包括所述目标事件与其他事件场景下的事件所共有的共有特征数据和所述目标事件所特有的特有特征数据；风险识别模块，用于根据所述共有特征数据和训练的风险识别模型中的第一风险识别模块对所述目标事件进行风险识别，得到第一风险识别结果，以及，根据所述特有特征数据和所述风险识别模型中与所述目标事件所属的事件场景相对应的第二风险识别模块对所述目标事件进行风险识别，得到第二风险识别结果；其中，所述风险识别模型包括第一风险识别模块和多个第二风险识别模块，每个所述第二风险识别模块对应一种事件场景；所述第一风险识别模块基于各事件场景下的事件的共有特征数据所训练得到；所述第二风险识别模块基于每种事件场景下的事件的特有特征数据所训练得到；第二确定模块，用于将所述第一风险识别结果和所述第二风险识别结果进行融合处理，以确定所述目标事件的风险识别结果。本说明书实施例还提供了一种风险识别模型的生成装置，包括：第一确定模块，用于确定各事件场景下的样本事件所对应的事件特征数据和事件标签数据；其中，所述事件标签数据用于表征所述样本事件是否为风险样本事件；第二确定模块，用于根据所述各事件场景下的样本事件的事件特征数据，确定目标样本事件所对应的共有特征数据和目标事件标签数据；其中，所述目标样本事件为从各事件场景下的样本事件中筛选出的满足设定规则的样本事件；训练模块，用于根据所述目标样本事件所对应的共有特征数据和所述目标事件标签数据，训练所述风险识别模型的第一风险识别模块；以及，分别根据各个事件场景所对应的事件特征数据中的特有特征数据和所述事件标签数据，训练所述风险识别模型中各个事件场景所对应的第二风险识别模块。本说明书实施例还提供了一种风险事件的识别设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：确定目标事件的事件特征数据；其中，所述事件特征数据包括所述目标事件与其他事件场景下的事件所共有的共有特征数据和所述目标事件所特有的特有特征数据；根据所述共有特征数据和训练的风险识别模型中的第一风险识别模块对所述目标事件进行风险识别，得到第一风险识别结果，以及，根据所述特有特征数据和所述风险识别模型中与所述目标事件所属的事件场景相对应的第二风险识别模块对所述目标事件进行风险识别，得到第二风险识别结果；其中，所述风险识别模型包括第一风险识别模块和多个第二风险识别模块，每个所述第二风险识别模块对应一种事件场景；所述第一风险识别模块基于各事件场景下的事件的共有特征数据所训练得到；所述第二风险识别模块基于每种事件场景下的事件的特有特征数据所训练得到；将所述第一风险识别结果和所述第二风险识别结果进行融合处理，以确定所述目标事件的风险识别结果。本说明书实施例还提供了一种风险识别模型的生成设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：确定各事件场景下的样本事件所对应的事件特征数据和事件标签数据；其中，所述事件标签数据用于表征所述样本事件是否为风险样本事件；根据所述各事件场景下的样本事件的事件特征数据，确定目标样本事件所对应的共有特征数据和目标事件标签数据；其中，所述目标样本事件为从各事件场景下的样本事件中筛选出的满足设定规则的样本事件；根据所述目标样本事件所对应的共有特征数据和所述目标事件标签数据，训练所述风险识别模型的第一风险识别模块；以及，分别根据各个事件场景所对应的事件特征数据中的特有特征数据和所述事件标签数据，训练所述风险识别模型中各个事件场景所对应的第二风险识别模块。本说明书实施例还提供了一种存储介质，用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：确定目标事件的事件特征数据；其中，所述事件特征数据包括所述目标事件与其他事件场景下的事件所共有的共有特征数据和所述目标事件所特有的特有特征数据；根据所述共有特征数据和训练的风险识别模型中的第一风险识别模块对所述目标事件进行风险识别，得到第一风险识别结果，以及，根据所述特有特征数据和所述风险识别模型中与所述目标事件所属的事件场景相对应的第二风险识别模块对所述目标事件进行风险识别，得到第二风险识别结果；其中，所述风险识别模型包括第一风险识别模块和多个第二风险识别模块，每个所述第二风险识别模块对应一种事件场景；所述第一风险识别模块基于各事件场景下的事件的共有特征数据所训练得到；所述第二风险识别模块基于每种事件场景下的事件的特有特征数据所训练得到；将所述第一风险识别结果和所述第二风险识别结果进行融合处理，以确定所述目标事件的风险识别结果。本说明书实施例还提供了一种存储介质，用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：确定各事件场景下的样本事件所对应的事件特征数据和事件标签数据；其中，所述事件标签数据用于表征所述样本事件是否为风险样本事件；根据所述各事件场景下的样本事件的事件特征数据，确定目标样本事件所对应的共有特征数据和目标事件标签数据；其中，所述目标样本事件为从各事件场景下的样本事件中筛选出的满足设定规则的样本事件；根据所述目标样本事件所对应的共有特征数据和所述目标事件标签数据，训练所述风险识别模型的第一风险识别模块；以及，分别根据各个事件场景所对应的事件特征数据中的特有特征数据和所述事件标签数据，训练所述风险识别模型中各个事件场景所对应的第二风险识别模块。本实施例中的技术方案，在对目标事件进行风险识别时，分别根据目标事件与其他事件场景下的事件所共有的共有特征数据和风险识别模型中基于各事件场景下的事件的共性所训练得到的第一风险识别模块对目标事件进行风险识别，得到第一风险识别结果，以及，根据目标事件所特有的特有特征数据和与目标事件所属事件场景对应的第二风险识别模块对目标事件进行风险识别，得到第二风险识别结果，最后，对第一风险识别结果和第二风险识别结果进行融合处理，以确定对目标事件进行风险识别的风险识别结果；本说明书实施例中，在对目标事件进行风险识别时，分别根据目标事件所对应的共有特征数据和特有特征数据通过不同的风险识别模型对目标事件进行风险识别，再对不同特征所对应的风险识别结果进行融合，从而确定目标事件的风险，这样使得风险识别能力更优，可以提高风险识别的准确性；另外，由于各个事件场景下的事件均可以输入上述风险识别模型进行风险识别，因此，可以避免在各个事件场景下部署该事件场景对应的风险识别模型，从而可以减少运维成本。附图说明为了更清楚地说明本说明书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申请中记载的一些实施例，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。图1为本说明书实施例提供的风险事件的识别方法的方法流程图之一；图2为本说明书实施例提供的风险事件的识别方法中，第一风险识别模块的模型示意图；图3为本说明书实施例提供的风险事件的识别方法的方法流程图之二；图4为本说明书实施例提供的风险识别模型的生成方法的方法流程图之一；图5为本说明书实施例提供的风险识别模型的生成方法的流程示意图；图6为本说明书实施例提供的风险识别模型的生成方法的方法流程图之二；图7为本说明书实施例提供的风险事件的识别装置的模块组成示意图；图8为本说明书实施例提供的风险识别模型的生成装置的模块组成示意图；图9为本说明书实施例提供的风险事件的识别设备的结构示意图。具体实施方式为了使本
技术领域：
的人员更好地理解本申请中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。本说明书实施例的思想在于，在对目标事件进行风险识别时，分别使用不同的风险识别模型基于目标事件的共性特征数据和特有特征数据对目标事件进行识别，并对两个识别结果进行融合处理，得到目标事件的风险识别结果，即通过两种风险识别模块相结合的方式，这样使得风险识别能力更优，可以提高风险识别的准确性。基于此，本说明书实施例提供了一种风险事件的识别、风险识别模型的生成方法及装置。下述将一一详细进行介绍。图1为本说明书实施例提供的风险事件的识别方法的方法流程图之一，该方法可以应用于服务器侧，即该方法的执行主体可以为服务器，具体的，可以为安装在服务器上的风险事件的识别装置。其中，图1所示的方法，至少包括如下步骤：步骤102，确定目标事件的事件特征数据；其中，上述事件特征数据包括目标事件与其他事件场景下的事件所共有的共有特征数据和目标事件所特有的特有特征数据。其中，上述目标事件可以为交易事件；具体的，可以为转账交易事件、支付交易事件等。而对于不同的交易事件，又可以对应不同的场景，例如，对于转账交易事件，所对应的事件场景可以包括转账到银行卡、转账到账户等。在本说明书实施例中，上述事件特征数据则为表征该目标事件的特征，例如，可以包括目标事件发生的时间、地点、具体事件内容等。例如，针对转账到账户的事件，则所对应的事件特征数据可以包括转账金额、转账时间、转出方、转入方等特征数据；针对线下扫码支付事件，所对应的事件特征数据可以包括支付地点、支付事件、支付方、收款方、支付金额等特征数据。针对不同事件场景下的事件会存在一些相同的特征数据，例如，事件发生的时间、交易事件的对象、年龄、性别等，当然，也会存在各事件场景所特有的特征数据，例如，针对线下交易可能会存在交易地点这一特有特征。步骤104，根据上述共有特征数据和训练的风险识别模型中的第一风险识别模块对目标事件进行风险识别，得到第一风险识别结果，以及，根据上述特有特征数据和风险识别模型中与目标事件所属的事件场景相对应的第二风险识别模块对目标事件进行风险识别，得到第二风险识别结果。其中，上述风险识别模型包括第一风险识别模块和多个第二风险识别模块，每个第二风险识别模块对应一种事件场景；第一风险识别模块基于各事件场景下的事件的共有特征数据所训练得到；第二风险识别模块基于每种事件场景下的事件的特有特征数据所训练得到。本说明书实施例所采用的风险识别模型包括第一风险识别模块和第二风险识别模块，且在风险识别模型中包括多个第二风险识别模块，每种事件场景对应一个第二风险识别模块，这样，在采用风险识别模型对目标事件进行风险识别时，可以根据目标事件所对应的事件场景选择相应的第二风险识别模块。而风险识别模型中的第一风险识别模块则是基于各事件场景下所对应的事件的共性训练得到的。例如，针对支付交易事件，各个事件均包含的事件特征包括：支出方的年龄、性别、支出金额、支付方式等特征，只不过针对不同事件场景下的支付事件，可能有的支付事件会包括支付地点等独有特征；而第二风险识别模块则是基于各事件场景下的事件所特有的特有事件特征所训练得到的。具体的，在本说明书实施例中，在对目标事件进行风险识别时，分别基于目标事件的事件特征数据中的共有特征数据和特有特征数据对目标事件进行风险识别。在具体实施时，则是采用第一风险识别模块基于目标事件的共有特征数据对目标事件进行风险识别，采用第二风险识别模块基于目标事件的特有特征数据对目标事件进行风险识别。即将第一风险识别模块和第二风险识别模块相结合分别基于目标事件的不同的特征数据、从不同的角度对目标事件进行风险识别，从而使得风险识别能力更优，可以提高风险识别的准确性。其中，本说明书实施例所提及到的事件场景可以理解为该事件的具体发生场景，例如，对于支付交易事件而言，线下扫码交易属于一种事件场景，在线支付交易属于一种事件场景；对于转账交易事件而言，转账到银行卡属于一种事件场景、转账到账户属于一种事件场景。步骤106，将第一风险识别结果和第二风险识别结果进行融合处理，以确定上述目标事件的风险识别结果。在本说明书实施例中，第一风险识别结果和第二风险识别结果为依据目标事件的不同特征数据、采用不同的风险识别模块对目标事件进行风险识别的结果，因此，为了得到最终对目标事件的风险识别结果，还需要将第一风险识别结果和第二风险识别结果进行融合处理。需要说明的是，在具体实施时，上述第一风险识别结果和第二风险识别结果可以为风险识别分值，相应的，对第一风险识别结果和第二风险识别结果进行融合处理所确定出的目标事件的风险识别结果也可以为风险识别分值；或者，上述步骤106中，还可以在确定出目标事件最终的风险分值后，直接输出基于目标事件最终的风险分值所确定的目标事件是否为风险事件；还或者，在上述步骤106中，还可以在确定出目标事件最终的风险分值后，输出基于目标事件最终的风险分值所确定出的目标事件的风险等级。为便于理解本说明书实施例提供的风险事件的识别方法，下述将详细介绍上述步骤104和步骤106的具体实现过程。在上述步骤104中，根据共有特征数据和训练的风险识别模型中的第一风险识别模块对目标事件进行风险识别，得到第一风险识别结果，具体包括：根据上述共有特征数据和第一风险识别模块，对上述目标事件的风险程度进行打分，得到目标事件所对应的第一分值，作为第一风险识别结果；相应的，上述步骤104中，根据特有特征数据和风险识别模型中与目标事件所属的事件场景相对应的第二风险识别模块对目标事件进行风险识别，得到第二风险识别结果，包括：根据上述特有特征数据和第二风险识别模块，对目标事件的风险程度进行打分，得到目标事件所对应的第二分值，作为第二风险识别结果。在本说明书实施例中，第一风险识别模块和第二风险识别模块可以为梯度提升决策树(gradientboostingdecisiontree，gbdt)模型；当然，还可以为线性逻辑回归模型。当然，除此之外，上述第一风险识别模块和第二风险识别模块还可以为其它模型，本说明书实施例并不对此进行限定。以及，在具体实施时，第一风险识别模块和第二风险识别模块可以采用相同的模块，也可以采用不同的模型。为了便于理解本说明书实施例中，通过第一风险识别模块和第二风险识别模块对目标事件的风险程度进行打分的具体过程，下述将以第一风险识别模块为gbdt模型为例，介绍通过第一风险识别模块对目标事件的风险程度进行打分的具体过程。图2为本说明书实施例中第一风险识别模块的部分模型示意图，在采用图2所示的第一风险识别模块对目标事件进行打分时，首先根据目标事件中收款方的注册时长和付款方的注册时长确定目标事件所对应的第一节点，例如，若是收款方的注册时长大于30小时，且付款方的注册时长大于60小时，则进入图2所示的模型对目标事件进行打分。若是，付款方年龄大于25，则针对该节点得到的得分为0.35，若是此次交易的金额大于3000，则针对该节点得到的分值为-0.19，若是付款方性别大于零(可以预先定义性别男，取值0，性别女，取值1，性别未知，取值-1)，则针对该节点得到的得分为0.15，若是交易金额大于30，则针对该节点得到的得分为-0.43；在基于上述各个事件特征得到对应的得分后，将各个得分进行求和，即0.35+(-0.19)+0.15+(-0.43)＝-0.12，即图2所示的第一风险识别模块对目标事件进行打分的分值为-0.12。当然，图2只是画出了第一风险识别模块的其中部分模型。另外，上述只是以第一风险识别模块为gbdt模型为例进行举例说明，若是第一风险识别模块和第二风险识别模块为其它模型，则应该采用与该模型相应的方法对目标事件进行打分，本说明书实施例不再一一举例说明。在具体实施时，由于上述步骤104中，需要使用与目标事件的事件场景对应的第二风险识别模块对目标事件进行风险识别，因此，在本说明书实施例中，上述步骤104，还包括如下步骤：确定目标事件所属的事件场景；根据目标事件所属的事件场景，从上述风险识别模型所包含的多个第二风险识别模块中确定用于对目标事件进行风险识别的第二风险识别模块。在具体实施时，可以在风险识别模型中，存储有多种事件场景及其对应的第二风险识别模块的映射关系，一种可能的存储形式如表1所示。表1事件场景第二风险识别模块转账到银行卡第二风险识别模块1线上支付第二风险识别模块2线下扫码支付第二风险识别模块3其中，在上述表1中，则是以事件场景为转账到银行卡、线上支付、线下扫描支付为例举例进行说明，并不构成对本说明书实施例的限定。在上述步骤106中，将第一风险识别结果和第二风险识别结果进行融合处理，以确定目标事件的风险识别结果，具体包括如下步骤(1)和步骤(2)；步骤(1)、计算第一分值和第二分值的融合分值；步骤(2)、将上述融合分值确定为目标事件的风险识别结果。在一种具体实施方式中，通过本说明书实施例可以直接输出对目标事件进行风险识别的风险分值，这样，相关人员可以根据所输出的风险分值判断该目标时间是否为风险事件；或者，还可以将该风险分值输出至其他模型进行进一步的判断，从而从其它模型直接输出目标事件是否为风险事件或者直接输出目标事件的风险等级；或者，还可以将上述风险分值输出至其他系统进行使用。本说明书实施例并不对上述风险分值的后续处理进行限定。具体的，在本说明书实施例中，可以通过如下公式计算第一分值和第二分值的融合分值；其中，在上述公示中，x1表示第一分值，x2表示第二分值，x所述融合分值。当然，在上述所示融合方式中，第一分值和第二分值所对应的满分为1分制。除此之外，若是第一分值和第二分值采用十分值或者百分制，则可以对上述公式进行调整，以便计算第一分值和第二分值的融合分值。图3为本说明书实施例提供的风险事件的识别方法的方法流程图之二，图3所示的方法，至少包括如下步骤：步骤302，确定目标事件的事件特征数据；其中，该事件特征数据包括共有特征数据和特有特征数据。其中，所谓共有特征数据则为目标事件与其他事件场景下的事件所共有的特征，特有特征数据则为目标事件所特有的特征。步骤304，根据上述共有特征数据和预先训练的风险识别模型的第一风险识别模块，对目标事件的风险程度进行打分，得到目标事件所对应的第一分值。步骤306，确定目标事件所属的事件场景。步骤308，根据目标事件所属的事件场景，从风险识别模型所包含的多个第二风险识别模块中确定用于对目标事件进行风险识别的第二风险识别模块。步骤310，根据上述特有特征数据和所确定的第二风险识别模块，对目标事件的风险程度进行打分，得到目标事件所对应的第二分值。步骤312，计算第一分值和第二分值的融合分值，将该融合分值作为目标事件的风险识别结果。当然，在图3所示流程图中，则是先通过第一风险识别模块对目标事件的风险程度进行打分，再通过第二风险识别模块对目标事件的风险程度进行打分；而在具体实施时，还可以先通过第二风险识别模块对目标事件的风险程度进行打分，再通过第一风险识别模块对目标事件的风险程度进行打分；或者，在确定出目标事件的事件特征数据后，通过第一风险识别模块和第二风险识别模块同时对目标事件的风险程度进行打分。其中，图3所示实施例中各个步骤的具体实现过程可参考图1、图2所对应实施例，此处不再赘述。本说明书实施例提供的风险事件的识别方法，在对目标事件进行风险识别时，分别根据目标事件与其他事件场景下的事件所共有的共有特征数据和风险识别模型中基于各事件场景下的事件的共性所训练得到的第一风险识别模块对目标事件进行风险识别，得到第一风险识别结果，以及，根据目标事件所特有的特有特征数据和与目标事件所属事件场景对应的第二风险识别模块对目标事件进行风险识别，得到第二风险识别结果，最后，再第一风险识别结果和第二风险识别结果进行融合处理，以确定对目标事件进行风险识别的风险识别结果；本说明书实施例中，在对目标事件进行风险识别时，分别根据目标事件所对应的共有特征数据和特有特征数据通过不同的风险识别模型对目标事件进行风险识别，在对不同特征所对应的风险识别结果进行融合，从而确定目标事件的风险，这样使得风险识别能力更优，可以提高风险识别的准确性；另外，由于各个事件场景下的事件均可以输入上述风险识别模型进行风险识别，因此，可以避免在各个事件场景下部署该事件场景对应的风险识别模型，从而可以减少运维成本。对应于本说明书实施例提供的风险事件的识别方法，基于相同的思路，本说明书实施例还提供了一种风险识别模型的生成方法，用于生成风险事件的识别方法中所使用的风险识别模型，图4为本说明书实施例提供的风险识别模型的生成方法的方法流程图之一，图4所示的方法，至少包括如下步骤：步骤402，确定各事件场景下的样本事件所对应的事件特征数据和事件标签数据；其中，该事件标签数据用于表征样本事件是否为风险样本事件。其中，上述事件可以为交易事件，例如，可以为转账事件、支付事件等，而针对不同的事件，所对应的事件特征数据可能会存在区别。在本说明书实施例中，上述事件标签数据用于表征样本事件是否为风险样本事件，例如，若是风险样本事件，其所对应的事件标签数据可以记为0，若是非风险样本事件，其所对应的事件标签数据可以记为1。步骤404，根据各事件场景下的样本事件的事件特征数据，确定目标样本事件所对应的共有特征数据和目标事件标签数据；其中，目标样本事件为从各事件场景下的样本事件中筛选出的满足设定规则的样本事件。由于不同事件场景下的事件所对应的事件特征中，可能存在有相同的特征，每个事件也会存在其自身所独有的特征。例如，针对支付类事件，支付金额、支付方式、支出方的年龄、性别等在各场景下的支付类事件中都会存在，因此，这些特征可以作为支付类事件的共有特征。具体的，在上述步骤404中，需要从所有的样本事件中筛选出满足设定规则的部分样本事件作为目标样本事件，然后，在基于各目标样本事件所对应的事件特征数据确定出目标样本事件所对应的共有特征数据。在一种具体实施方式中，上述设定规则包括：风险样本事件和非风险样本事件的比例满足设定比值。即所选取的目标样本事件中风险样本事件和非风险样本事件的事件数量的比例满足设定比值。例如，目标样本事件中，风险样本事件的数量与非风险样本事件的数量可以为1:2。当然，此处只是示例性说明，并不构成对本说明书实施例的限定。在具体实施时，可以将筛选出的目标样本事件中的风险样本聚合到一起，将非风险样本聚合在一起，用于风险识别模型的训练。步骤406，根据目标样本事件所对应的共有特征数据和目标事件标签数据，训练风险识别模型的第一风险识别模块；以及，分别根据各个事件场景所对应的事件特征数据中的特有特征数据和事件标签数据，训练风险识别模型中各个事件场景所对应的第二风险识别模块。其中，在上述步骤406中，在训练风险识别模型时，需要训练第一风险识别模块和第二风险识别模块，且第一风险识别模块基于各事件场景下的样本事件所共有的特征数据训练得到，第二风险识别模块则是基于各个事件场景下的样本事件的特有特征数据训练得到，其中，在训练第二风险识别模块时所使用到的各个事件场景则为样本事件所对应的各事件场景，也可以为目标样本事件所对应的各事件场景，具体可以根据实际应用场景进行选择，本说明书实施例并不对此进行限定。当然，在本说明书实施例中，上述第一风险识别模块和第二风险识别模块可以为gbdt模型。在该种情况下，可以按照现有技术中gbdt模型的常规训练方法对第一风险识别模块和第二风险识别模块进行训练，由于本说明书实施例并未对模型的具体训练过程做出改进，因此，此处不再赘述其训练过程。需要说明的是，在本说明书实施例中，若是第一风险识别模块和第二风险识别模块采用gbdt模型，为了防止模型过拟合，控制模型的复杂度，在进行模型训练时，可以加入正则项。另外，为了防止第一风险识别模块在训练时，被某个事件场景的样本事件所主导，在每轮迭代开始计算残差时，可以考虑每个事件场景对残差的贡献，如果某个事件场景的样本事件对残差的贡献占比超出设定阈值(可以根据实际应用场景进行设置，例如，可以设置为0.8等数值)，可以提前终止迭代。另外，在本说明书实施例中，上述第一风险识别模块和第二风险识别模块可以采用线性逻辑回归模型，若是采用线性逻辑回归模型，则可以按照线性逻辑回归模型的训练方法对第一风险识别模块和第二风险识别模块进行训练，此处不再赘述其具体训练过程。在具体实施时，上述步骤406中，分别根据各个事件场景所对应的事件特征数据中的特有特征数据和事件标签数据，训练风险识别模型中各个事件场景所对应的第二风险识别模块，具体可以通过如下方式实现：分别根据各个事件场景所对应的特有特征数据和事件标签数据，对所述第一风险识别模块进行优化，得到各个事件场景所对应的第二风险识别模块。即在具体实施时，可以在所训练得到的第一风险识别模块的基础上，基于各个事件场景下所对应样本事件的特有特征数据继续训练，从而得到各个第二风险识别模块，从而得到训练的风险识别模型。为便于理解本说明书实施例所提供的样本训练方法，下述将以基于事件场景1和事件场景2下的样本事件为例，介绍本说明书实施例提供的样本训练方法。图5为本说明书实施例提供的样本训练方法的流程示意图，图6为对应于图5的方法流程图，针对图5所示的流程示意图，图6所示的方法流程图，至少包括如下步骤：步骤602，分别确定事件场景1、事件场景2下的样本事件的事件特征数据和样本事件标签数据，分别得到事件场景1所对应的样本数据1、事件场景2所对应的样本数据2。其中，上述样本数据需要包括该事件场景下各样本事件所对应的事件特征数据以及标签数据。步骤604，抽取样本数据1和样本数据2中的目标样本事件，以及目标样本事件所对应的共有特征数据。步骤606，基于共有特征数据和目标样本事件，训练风险识别模型的第一风险识别模块。步骤608，根据样本数据1、样本数据2和第一风险识别模块，分别训练风险识别模型的各第二风险识别模块。其中，事件场景1对应一个第二风险识别模块，事件场景2对应一个第二风险识别模块。本说明书实施例提供的风险识别模型的生成方法，基于各事件场景下样本事件的共有特征数据训练风险识别模型的第一风险识别模块，以及基于各事件场景下样本事件所对应的事件特征数据中的特有特征数据训练风险识别模型的第二风险识别模块，从而所得到的风险识别模块包括第一风险识别模块和多个第二风险识别模块；这样使得，后续在对目标事件进行风险识别时，分别根据目标事件与其他事件场景下的事件所共有的共有特征数据和风险识别模型中基于各事件场景下的事件的共性所训练得到的第一风险识别模块对目标事件进行风险识别，得到第一风险识别结果，以及，根据目标事件所特有的特有特征数据和与目标事件所属事件场景对应的第二风险识别模块对目标事件进行风险识别，得到第二风险识别结果，最后，对第一风险识别结果和第二风险识别结果进行融合处理，以确定对目标事件进行风险识别的风险识别结果；本说明书实施例中，在对目标事件进行风险识别时，分别根据目标事件所对应的共有特征数据和特有特征数据通过不同的风险识别模型对目标事件进行风险识别，在对不同特征所对应的风险识别结果进行融合，从而确定目标事件的风险，这样使得风险识别能力更优，可以提高风险识别的准确性；另外，由于各个事件场景下的事件均可以输入上述风险识别模型进行风险识别，因此，可以避免在各个事件场景下部署该事件场景对应的风险识别模型，从而可以减少运维成本。对应于本说明书实施例提供的风险事件的识别方法，基于相同的思路，本说明书实施例还提供了一种风险事件的识别装置，用于执行本说明书实施例提供的风险事件的识别方法，图7为本说明书实施例提供的风险事件的识别装置的模块组成示意图，图7所示的装置，包括：第一确定模块702，用于确定目标事件的事件特征数据；其中，上述事件特征数据包括目标事件与其他事件场景下的事件所共有的共有特征数据和目标事件所特有的特有特征数据；风险识别模块704，用于根据共有特征数据和训练的风险识别模型中的第一风险识别模块对目标事件进行风险识别，得到第一风险识别结果，以及，根据上述特有特征数据和风险识别模型中与目标事件所属的事件场景相对应的第二风险识别模块对目标事件进行风险识别，得到第二风险识别结果；其中，风险识别模型包括第一风险识别模块和多个第二风险识别模块，每个第二风险识别模块对应一种事件场景；第一风险识别模块基于各事件场景下的事件的共有特征数据所训练得到；第二风险识别模块基于每种事件场景下的事件的特有特征数据所训练得到；第二确定模块706，用于将第一风险识别结果和第二风险识别结果进行融合处理，以确定目标事件的风险识别结果。可选的，上述风险识别模块704，包括：第一打分单元，用于根据上述共有特征数据和第一风险识别模块，对目标事件的风险程度进行打分，得到目标事件所对应的第一分值，作为第一风险识别结果；第二打分单元，用于根据上述特有特征数据和第二风险识别模块，对目标事件的风险程度进行打分，得到目标事件所对应的第二分值，作为第二风险识别结果。可选的，上述风险识别模块704，还包括：第二确定单元，用于确定目标事件所属的事件场景；第三确定单元，用于根据目标事件所属的事件场景，从风险识别模型所包含的多个第二风险识别模块中确定用于对目标事件进行风险识别的第二风险识别模块。可选的，上述第二确定模块706，包括：计算单元，用于计算第一分值和第二分值的融合分值；第一确定单元，用于将融合分值确定为目标事件的风险识别结果。可选的，上述计算单元，具体用于：通过如下公式计算第一分值和第二分值的融合分值：其中，在上述公式中，x1表示第一分值，x2表示第二分值，x表示融合分值。本说明书实施例的风险事件的识别装置还可执行图1-图3中风险事件的识别装置执行的方法，并实现风险事件的识别装置在图1-图3所示实施例的功能，在此不再赘述。本说明书实施例提供的风险事件的识别装置，在对目标事件进行风险识别时，分别根据目标事件与其他事件场景下的事件所共有的共有特征数据和风险识别模型中基于各事件场景下的事件的共性所训练得到的第一风险识别模块对目标事件进行风险识别，得到第一风险识别结果，以及，根据目标事件所特有的特有特征数据和与目标事件所属事件场景对应的第二风险识别模块对目标事件进行风险识别，得到第二风险识别结果，最后，对第一风险识别结果和第二风险识别结果进行融合处理，以确定对目标事件进行风险识别的风险识别结果；本说明书实施例中，在对目标事件进行风险识别时，分别根据目标事件所对应的共有特征数据和特有特征数据通过不同的风险识别模型对目标事件进行风险识别，在对不同特征所对应的风险识别结果进行融合，从而确定目标事件的风险，这样使得风险识别能力更优，可以提高风险识别的准确性；另外，由于各个事件场景下的事件均可以输入上述风险识别模型进行风险识别，因此，可以避免在各个事件场景下部署该事件场景对应的风险识别模型，从而可以减少运维成本。对应于本说明书实施例提供的风险识别模型的生成方法，基于相同的思路，本说明书实施例还提供了一种风险识别模型的生成装置，用于执行本说明书实施例提供的风险识别模型的生成方法，图8为本说明书实施例提供的风险识别模型的生成装置的模块组成示意图，图8所示的装置，包括：第一确定模块802，用于确定各事件场景下的样本事件所对应的事件特征数据和事件标签数据；其中，所述事件标签数据用于表征所述样本事件是否为风险样本事件；第二确定模块804，用于根据所述各事件场景下的样本事件的事件特征数据，确定目标样本事件所对应的共有特征数据和目标事件标签数据；其中，所述目标样本事件为从各事件场景下的样本事件中筛选出的满足设定规则的样本事件；训练模块806，用于根据目标样本事件所对应的共有特征数据和所述目标事件标签数据，训练所述风险识别模型的第一风险识别模块；以及，分别根据各个事件场景所对应的事件特征数据中的特有特征数据和事件标签数据，训练所述风险识别模型中各个事件场景所对应的第二风险识别模块。可选的，所述设定规则包括：所述风险样本事件和非风险样本事件的比例满足设定比值。可选的，上述训练模块806，具体用于：分别根据各个事件场景所对应的特有特征数据和事件标签数据，对所述第一风险识别模块进行优化，得到各个事件场景所对应的第二风险识别模块。本说明书实施例提供的风险识别模型的生成装置，基于各事件场景下样本事件的共有特征数据训练风险识别模型的第一风险识别模块，以及基于各事件场景下样本事件所对应的事件特征数据中的特有特征数据训练风险识别模型的第二风险识别模块，从而所得到的风险识别模块包括第一风险识别模块和多个第二风险识别模块；这样使得，后续在对目标事件进行风险识别时，分别根据目标事件与其他事件场景下的事件所共有的共有特征数据和风险识别模型中基于各事件场景下的事件的共性所训练得到的第一风险识别模块对目标事件进行风险识别，得到第一风险识别结果，以及，根据目标事件所特有的特有特征数据和与目标事件所属事件场景对应的第二风险识别模块对目标事件进行风险识别，得到第二风险识别结果，最后，对第一风险识别结果和第二风险识别结果进行融合处理，以确定对目标事件进行风险识别的风险识别结果；本说明书实施例中，在对目标事件进行风险识别时，分别根据目标事件所对应的共有特征数据和特有特征数据通过不同的风险识别模型对目标事件进行风险识别，在对不同特征所对应的风险识别结果进行融合，从而确定目标事件的风险，这样使得风险识别能力更优，可以提高风险识别的准确性；另外，由于各个事件场景下的事件均可以输入上述风险识别模型进行风险识别，因此，可以避免在各个事件场景下部署该事件场景对应的风险识别模型，从而可以减少运维成本。进一步地，基于上述图1至图3所示的方法，本说明书实施例还提供了一种风险事件的识别设备，如图9所示。风险事件的识别设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器901和存储器902，存储器902中可以存储有一个或一个以上存储应用程序或数据。其中，存储器902可以是短暂存储或持久存储。存储在存储器902的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对风险事件的识别设备中的一系列计算机可执行指令信息。更进一步地，处理器901可以设置为与存储器902通信，在风险事件的识别设备上执行存储器902中的一系列计算机可执行指令信息。风险事件的识别设备还可以包括一个或一个以上电源903，一个或一个以上有线或无线网络接口904，一个或一个以上输入输出接口905，一个或一个以上键盘906等。在一个具体的实施例中，风险事件的识别设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对风险事件的识别设备中的一系列计算机可执行指令信息，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令信息：确定目标事件的事件特征数据；其中，该事件特征数据包括目标事件与其他事件场景下的事件所共有的共有特征数据和目标事件所特有的特有特征数据；根据共有特征数据和训练的风险识别模型中的第一风险识别模块对目标事件进行风险识别，得到第一风险识别结果，以及，根据上述特有特征数据和风险识别模型中与目标事件所属的事件场景相对应的第二风险识别模块对目标事件进行风险识别，得到第二风险识别结果；其中，风险识别模型包括第一风险识别模块和多个第二风险识别模块，每个第二风险识别模块对应一种事件场景；第一风险识别模块基于各事件场景下的事件的共有特征数据所训练得到；第二风险识别模块基于每种事件场景下的事件的特有特征数据所训练得到；将第一风险识别结果和第二风险识别结果进行融合处理，以确定目标事件的风险识别结果。可选的，计算机可执行指令信息在被执行时，根据共有特征数据和训练的风险识别模型中的第一风险识别模块目标事件进行风险识别，得到第一风险识别结果，包括：根据共有特征数据和第一风险识别模块，对目标事件的风险程度进行打分，得到目标事件所对应的第一分值，作为第一风险识别结果；根据特有特征数据和风险识别模型中与目标事件所属的事件场景相对应的第二风险识别模块对目标事件进行风险识别，得到第二风险识别结果，包括：根据特有特征数据和第二风险识别模块，对目标事件的风险程度进行打分，得到目标事件所对应的第二分值，作为第二风险识别结果。可选的，计算机可执行指令信息在被执行时，根据特有特征数据和风险识别模型中与目标事件所属的事件场景相对应的第二风险识别模块对目标事件进行风险识别，得到第二风险识别结果，还包括：确定目标事件所属的事件场景；根据目标事件所属的事件场景，从风险识别模型所包含的多个第二风险识别模块中确定用于对目标事件进行风险识别的第二风险识别模块。可选的，计算机可执行指令信息在被执行时，将第一风险识别结果和第二风险识别结果进行融合处理，以确定目标事件的风险识别结果，包括：计算第一分值和第二分值的融合分值；将融合分值确定为目标事件的风险识别结果。可选的，计算机可执行指令信息在被执行时，通过如下公式计算第一分值和第二分值的融合分值：其中，在上述公式中，x1表示第一分值，x2表示第二分值，x表示融合分值。本说明书实施例提供的风险事件的识别设备，在对目标事件进行风险识别时，分别根据目标事件与其他事件场景下的事件所共有的共有特征数据和风险识别模型中基于各事件场景下的事件的共性所训练得到的第一风险识别模块对目标事件进行风险识别，得到第一风险识别结果，以及，根据目标事件所特有的特有特征数据和与目标事件所属事件场景对应的第二风险识别模块对目标事件进行风险识别，得到第二风险识别结果，最后，对第一风险识别结果和第二风险识别结果进行融合处理，以确定对目标事件进行风险识别的风险识别结果；本说明书实施例中，在对目标事件进行风险识别时，分别根据目标事件所对应的共有特征数据和特有特征数据通过不同的风险识别模型对目标事件进行风险识别，在对不同特征所对应的风险识别结果进行融合，从而确定目标事件的风险，这样使得风险识别能力更优，可以提高风险识别的准确性；另外，由于各个事件场景下的事件均可以输入上述风险识别模型进行风险识别，因此，可以避免在各个事件场景下部署该事件场景对应的风险识别模型，从而可以减少运维成本。进一步地，基于上述图4至图6所示的方法，本说明书实施例还提供了一种风险识别模型的生成设备，风险识别模型的具体结构与风险事件的识别设备相同，可参考图9所示。在一个具体的实施例中，风险识别模型的生成设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对风险事件的识别设备中的一系列计算机可执行指令信息，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令信息：确定各事件场景下的样本事件所对应的事件特征数据和事件标签数据；其中，所述事件标签数据用于表征所述样本事件是否为风险样本事件；根据所述各事件场景下的样本事件的事件特征数据，确定目标样本事件所对应的共有特征数据和目标事件标签数据；其中，所述目标样本事件为从各事件场景下的样本事件中筛选出的满足设定规则的样本事件；根据所述目标样本事件所对应的共有特征数据和所述目标事件标签数据，训练所述风险识别模型的第一风险识别模块；以及，分别根据各个事件场景所对应的事件特征数据中的特有特征数据和事件标签数据，训练所述风险识别模型中各个事件场景所对应的第二风险识别模块。可选的，计算机可执行指令信息在被执行时，所述设定规则包括：所述风险样本事件和非风险样本事件的比例满足设定比值。可选的，计算机可执行指令信息在被执行时，所述分别根据各个事件场景所对应的事件特征数据中的特有特征数据和事件标签数据，训练所述风险识别模型中各个事件场景所对应的第二风险识别模块，包括：分别根据各个事件场景所对应的特有特征数据和事件标签数据，对所述第一风险识别模块进行优化，得到各个事件场景所对应的第二风险识别模块。本说明书实施例提供的风险识别模型的生成设备，基于各事件场景下样本事件的共有特征数据训练风险识别模型的第一风险识别模块，以及基于各事件场景下样本事件所对应的事件特征数据训练风险识别模型的第二风险识别模块，从而所得到的风险识别模块包括第一风险识别模块和多个第二风险识别模块；这样使得，后续在对目标事件进行风险识别时，分别根据目标事件与其他事件场景下的事件所共有的共有特征数据和风险识别模型中基于各事件场景下的事件的共性所训练得到的第一风险识别模块对目标事件进行风险识别，得到第一风险识别结果，以及，根据目标事件所特有的特有特征数据和与目标事件所属事件场景对应的第二风险识别模块对目标事件进行风险识别，得到第二风险识别结果，最后，对第一风险识别结果和第二风险识别结果进行融合处理，确定对目标事件进行风险识别的风险识别结果；本说明书实施例中，在对目标事件进行风险识别时，分别根据目标事件所对应的共有特征数据和特有特征数据通过不同的风险识别模型对目标事件进行风险识别，在对不同特征所对应的风险识别结果进行融合，从而确定目标事件的风险，这样使得风险识别能力更优，可以提高风险识别的准确性；另外，由于各个事件场景下的事件均可以输入上述风险识别模型进行风险识别，因此，可以避免在各个事件场景下部署该事件场景对应的风险识别模型，从而可以减少运维成本。进一步地，基于上述图1至图3所示的方法，本说明书实施例还提供了一种存储介质，用于存储计算机可执行指令信息，一种具体的实施例中，该存储介质可以为u盘、光盘、硬盘等，该存储介质存储的计算机可执行指令信息在被处理器执行时，能实现以下流程：确定目标事件的事件特征数据；其中，该事件特征数据包括目标事件与其他事件场景下的事件所共有的共有特征数据和目标事件所特有的特有特征数据；根据共有特征数据和训练的风险识别模型中的第一风险识别模块对目标事件进行风险识别，得到第一风险识别结果，以及，根据上述特有特征数据和风险识别模型中与目标事件所属的事件场景相对应的第二风险识别模块对目标事件进行风险识别，得到第二风险识别结果；其中，风险识别模型包括第一风险识别模块和多个第二风险识别模块，每个第二风险识别模块对应一种事件场景；第一风险识别模块基于各事件场景下的事件的共有特征数据所训练得到；第二风险识别模块基于每种事件场景下的事件的特有特征数据所训练得到；将第一风险识别结果和第二风险识别结果进行融合处理，以确定目标事件的风险识别结果。可选的，该存储介质存储的计算机可执行指令信息在被处理器执行时，根据共有特征数据和训练的风险识别模型中的第一风险识别模块对目标事件进行风险识别，得到第一风险识别结果，包括：根据共有特征数据和第一风险识别模块，对目标事件的风险程度进行打分，得到目标事件所对应的第一分值，作为第一风险识别结果；根据特有特征数据和风险识别模型中与目标事件所属的事件场景相对应的第二风险识别模块对目标事件进行风险识别，得到第二风险识别结果，包括：根据特有特征数据和第二风险识别模块，对目标事件的风险程度进行打分，得到目标事件所对应的第二分值，作为第二风险识别结果。可选的，该存储介质存储的计算机可执行指令信息在被处理器执行时，根据特有特征数据和风险识别模型中与目标事件所属的事件场景相对应的第二风险识别模块对目标事件进行风险识别，得到第二风险识别结果，还包括：确定目标事件所属的事件场景；根据目标事件所属的事件场景，从风险识别模型所包含的多个第二风险识别模块中确定用于对目标事件进行风险识别的第二风险识别模块。可选的，该存储介质存储的计算机可执行指令信息在被处理器执行时，将第一风险识别结果和第二风险识别结果进行融合处理，以确定目标事件的风险识别结果，包括：计算第一分值和第二分值的融合分值；将融合分值确定为目标事件的风险识别结果。可选的，该存储介质存储的计算机可执行指令信息在被处理器执行时，通过如下公式计算第一分值和第二分值的融合分值：其中，在上述公式中，x1表示第一分值，x2表示第二分值，x表示融合分值。本说明书实施例提供的该存储介质存储的计算机可执行指令信息在被处理器执行时，在对目标事件进行风险识别时，分别根据目标事件与其他事件场景下的事件所共有的共有特征数据和风险识别模型中基于各事件场景下的事件的共性所训练得到的第一风险识别模块对目标事件进行风险识别，得到第一风险识别结果，以及，根据目标事件所特有的特有特征数据和与目标事件所属事件场景对应的第二风险识别模块对目标事件进行风险识别，得到第二风险识别结果，最后，对第一风险识别结果和第二风险识别结果进行融合处理，确定对目标事件进行风险识别的风险识别结果；本说明书实施例中，在对目标事件进行风险识别时，分别根据目标事件所对应的共有特征数据和特有特征数据通过不同的风险识别模型对目标事件进行风险识别，在对不同特征所对应的风险识别结果进行融合，从而确定目标事件的风险，这样使得风险识别能力更优，可以提高风险识别的准确性；另外，由于各个事件场景下的事件均可以输入上述风险识别模型进行风险识别，因此，可以避免在各个事件场景下部署该事件场景对应的风险识别模型，从而可以减少运维成本。进一步地，基于上述图4至图6所示的方法，本说明书实施例还提供了一种存储介质，用于存储计算机可执行指令信息，一种具体的实施例中，该存储介质可以为u盘、光盘、硬盘等，该存储介质存储的计算机可执行指令信息在被处理器执行时，能实现以下流程：确定各事件场景下的样本事件所对应的事件特征数据和事件标签数据；其中，所述事件标签数据用于表征所述样本事件是否为风险样本事件；根据所述各事件场景下的样本事件的事件特征数据，确定目标样本事件所对应的共有特征数据和目标事件标签数据；其中，所述目标样本事件为从各事件场景下的样本事件中筛选出的满足设定规则的样本事件；根据所述目标样本事件所对应的共有特征数据和所述目标事件标签数据，训练所述风险识别模型的第一风险识别模块；以及，分别根据各个事件场景所对应的事件特征数据中的特有特征数据和事件标签数据，训练所述风险识别模型中各个事件场景所对应的第二风险识别模块。可选的，该存储介质存储的计算机可执行指令信息在被处理器执行时，所述设定规则包括：所述风险样本事件和非风险样本事件的比例满足设定比值。可选的，该存储介质存储的计算机可执行指令信息在被处理器执行时，所述分别根据各个事件场景所对应的事件特征数据中的特有特征数据和事件标签数据，训练所述风险识别模型中各个事件场景所对应的第二风险识别模块，包括：分别根据各个事件场景所对应的特有特征数据和事件标签数据，对所述第一风险识别模块进行优化，得到各个事件场景所对应的第二风险识别模块。本说明书实施例提供的存储介质存储的计算机可执行指令信息在被处理器执行时，基于各事件场景下样本事件的共有特征数据训练风险识别模型的第一风险识别模块，以及基于各事件场景下样本事件所对应的事件特征数据训练风险识别模型的第二风险识别模块，从而所得到的风险识别模块包括第一风险识别模块和多个第二风险识别模块；这样使得，后续在对目标事件进行风险识别时，分别根据目标事件与其他事件场景下的事件所共有的共有特征数据和风险识别模型中基于各事件场景下的事件的共性所训练得到的第一风险识别模块对目标事件进行风险识别，得到第一风险识别结果，以及，根据目标事件所特有的特有特征数据和与目标事件所属事件场景对应的第二风险识别模块对目标事件进行风险识别，得到第二风险识别结果，最后，对第一风险识别结果和第二风险识别结果进行融合处理，确定对目标事件进行风险识别的风险识别结果；本说明书实施例中，在对目标事件进行风险识别时，分别根据目标事件所对应的共有特征数据和特有特征数据通过不同的风险识别模型对目标事件进行风险识别，在对不同特征所对应的风险识别结果进行融合，从而确定目标事件的风险，这样使得风险识别能力更优，可以提高风险识别的准确性；另外，由于各个事件场景下的事件均可以输入上述风险识别模型进行风险识别，因此，可以避免在各个事件场景下部署该事件场景对应的风险识别模型，从而可以减少运维成本。在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(programmablelogicdevice，pld)(例如现场可编程门阵列(fieldprogrammablegatearray，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logiccompiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardwaredescriptionlanguage，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advancedbooleanexpressionlanguage)、ahdl(alterahardwaredescriptionlanguage)、confluence、cupl(cornelluniversityprogramminglanguage)、hdcal、jhdl(javahardwaredescriptionlanguage)、lava、lola、myhdl、palasm、rhdl(rubyhardwaredescriptionlanguage)等，目前最普遍使用的是vhdl(very-high-speedintegratedcircuithardwaredescriptionlanguage)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(applicationspecificintegratedcircuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc625d、atmelat91sam、microchippic18f26k20以及siliconelabsc8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令信息实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令信息到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令信息产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令信息也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令信息产生包括指令信息装置的制造品，该指令信息装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令信息也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令信息提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令信息、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。本申请可以在由计算机执行的计算机可执行指令信息的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。当前第1页12