模型训练方法、预测交易风险的方法、装置、设备及介质与流程

1.本公开涉及人工智能领域，具体涉及模型训练方法、预测交易风险的方法、装置、设备、介质和程序产品。


背景技术：

2.随着社会和科技的发展，信息共通，资源共享是时代发展的要求。互联网交易作为社会发展的重要组成部分，扮演着至关重要的角色。随着互联网的发展，交易渠道不断地增加，交易情况日益复杂繁琐。各个行业交易的业务范围越来越广，各个环节都存在着被欺诈行为的可能性，需要对交易风险进行管控。
3.然而，在实施本公开的过程中，发现通过获取样本数据训练模型时，存在样本数据的不平衡问题，导致不能较为精准地预测交易风险。


技术实现要素：

4.鉴于上述问题，本公开提供了模型训练方法、预测交易风险的方法、装置、设备、介质和程序产品。
5.根据本公开的第一个方面，提供了一种模型训练方法，包括：获取在预设时间区间内产生的第一目标历史交易数据集，其中，第一目标历史交易数据集包括正常交易数据集和异常交易数据集，正常交易数据集和异常交易数据集带有交易标签；
6.对第一目标历史交易数据集中的正常交易数据集进行聚类，得到多个簇；
7.从多个簇中确定第二目标历史交易数据集；
8.利用分类模型，更新第二目标历史交易数据集和异常交易数据集带有的交易标签，得到训练数据集；以及
9.基于训练数据集，训练待训练模型，获得用于预测交易风险的模型。
10.根据本公开的实施例，利用分类模型，更新第二目标历史交易数据集和异常交易数据集带有的交易标签，得到训练数据集包括：
11.将第二目标历史交易数据集和异常交易数据集，输入分类模型，获得分类结果；
12.利用分类结果与交易标签，确定分类模型的错误率；
13.根据错误率计算分类模型的投票权重；
14.基于投票权重，更新交易标签，得到训练数据集。
15.根据本公开的实施例，从多个簇中确定第二目标历史交易数据集包括：
16.分别对每个簇中的数据进行筛选，得到第二目标历史交易数据集其中，筛选包括以每个簇为中心筛选。
17.根据本公开的实施例，获取在预设时间区间内产生的第一目标历史交易数据集包括：
18.获取在预设时间区间内产生的正常交易数据集和异常交易数据集，得到初始历史数据；
19.对初始历史数据进行预处理，得到第一目标历史交易数据集。
20.根据本公开的实施例，正常交易数据集和所述异常交易数据集还包括：交易基本信息和交易账户信息。
21.根据本公开的实施例，基于训练数据集，训练待训练模型，获得用于预测交易风险的模型包括：
22.将训练数据集输入待训练模型，输出训练结果；
23.基于训练结果和更新后的交易标签，对待训练模型进行调参，得到训练好的用于预测交易风险的模型。
24.根据本公开的实施例，在获取在预设时间区间内产生的第一目标历史交易数据集之前还包括：
25.获取用户对第一目标历史交易数据集的授权；
26.在得到授权后获取第一目标历史交易数据集。
27.本公开的第二方面提供了一种预测交易风险的方法，包括：
28.获取与待预测时间区间内关联的目标预测数据；
29.将目标预测数据输入用于预测交易风险的模型；以及
30.输出预测结果；
31.其中，用于预测交易风险的模型根据上述模型训练方法训练得到。
32.本公开的第三方面提供了一种模型训练装置，包括：
33.第一获取模块，用于获取在预设时间区间内产生的第一目标历史交易数据集，其中，第一目标历史交易数据集包括正常交易数据集和异常交易数据集，正常交易数据集和异常交易数据集带有交易标签；
34.确定模块，利用预设方法从第一目标历史交易数据集中的正常交易数据集中确定第二目标历史交易数据集；
35.更新模块，用于利用分类模型，更新第二目标历史交易数据集和异常交易数据集带有的交易标签，得到训练数据集；以及
36.训练模块，用于基于训练数据集，训练待训练模型，获得用于预测交易风险的模型。
37.本公开的第四方面提供了一种预测交易风险的装置，包括：
38.第二获取模块，用于获取与待预测时间区间内关联的目标预测数据；
39.输入模块，用于将目标预测数据输入用于预测交易风险的模型；以及
40.输出模块，用于输出预测结果；
41.其中，用于预测交易风险的模型根据上述模型训练方法训练得到。
42.本公开的第五方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述模型训练方法和预测交易风险的方法。
43.本公开的第六方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述模型训练方法和预测交易风险的方法。
44.本公开的第七方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述模型训练方法和预测交易风险的方法。
应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。
59.在本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
60.在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。
61.在反欺诈场景中可以使用机器学习和深度学习技术进行建模，以对交易中存在的欺诈风险进行管控。在建模过程中，遇到的最多的技术问题之一，就是样本的不平衡问题。可以理解为，在通过交易业务获取的数据集中，绝大部分的样本都应该是正常样本，即非欺诈样本，只有非常少数的样本是负样本，即欺诈样本。
62.解决样本不平衡的问题的方法有过采样和欠采样两种。这两种方法各自都存在弊端，过采样本质上就是重复使用数据集中的少数样本，这样必然会导致训练出的模型过拟合，影响最终应用时的泛化能力。而欠采样实际是随机丢弃一些正常样本，但是这样往往会导致损失一些有用信息，从而导致训练的模型准确度不高。所以本公开实施例提供了一种新的处理样本不平衡的方法来避免上面所描述的问题。
63.本公开的实施例提供了一种模型训练方法，包括：获取在预设时间区间内产生的第一目标历史交易数据集，其中，第一目标历史交易数据集包括正常交易数据集和异常交易数据集，正常交易数据集和异常交易数据集带有交易标签；对第一目标历史交易数据集中的正常交易数据集进行聚类，得到多个簇；从多个簇中确定第二目标历史交易数据集；利用分类模型，更新第二目标历史交易数据集和异常交易数据集带有的交易标签，得到训练数据集；以及基于训练数据集，训练待训练模型，获得用于预测交易风险的模型。
64.图1示意性示出了根据本公开实施例的模型训练方法、预测交易风险的方法、装置、设备、介质和程序产品的应用场景图。
65.如图1所示，根据该实施例的应用场景100可以包括终端设备101、102、103、网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
66.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如金融产品类应用、购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
67.终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
68.服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
69.需要说明的是，本公开实施例所提供的模型训练方法和预测交易风险的方法一般可以由服务器105执行。相应地，本公开实施例所提供的模型训练装置和预测交易风险的装
置一般可以设置于服务器105中。本公开实施例所提供的模型训练方法和预测交易风险的方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的模型训练装置和预测交易风险的装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
70.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
71.以下将基于图1描述的场景，通过图2～图5对公开实施例的模型训练方法进行详细描述。
72.图2示意性示出了根据本公开实施例的模型训练方法的流程图。
73.如图2所示，该实施例的模型训练方法200包括操作s201～操作s204。
74.在操作s201，获取在预设时间区间内产生的第一目标历史交易数据集，其中，第一目标历史交易数据集包括正常交易数据集和异常交易数据集，正常交易数据集和异常交易数据集带有交易标签。
75.根据本公开的实施例，预设时间区间可以为根据实际预测需要选择的过去一段时间。正常交易数据集和异常交易数据集均包括交易基本信息和交易账户信息。交易标签可以为正标签和负标签。例如，预设时间区间可以为但不限于：过去两个月、过去四个月、过去半年、过去一年等，例如2019年3月1日到2019年7月31日。交易基本信息例如可以为但不限于：交易的时间、交易频率、交易金额等。交易账户信息例如可以为交易双方各自的账户信息等。正常交易数据可以带有正标签，异常交易数据可以带有负标签。
76.需要说明的是，在操作s201之前，还包括：获取用户对第一目标历史交易数据集的授权；在得到授权后获取第一目标历史交易数据集。
77.在操作s202，对第一目标历史交易数据集中的正常交易数据集进行聚类，得到多个簇。
78.根据本公开的实施例，聚类方法例如可以包括k-medoids聚类方法。该聚类方法代替常用的k-means算法是由于k-means算法存在缺点，即算法产生的每个类别的大小差别不是很大，对于异常数据非常敏感。因此使用k-medoids聚类方法对正常交易数据集进行分类以后，产生的簇更接近现实中交易类别的分类。
79.图3示意性示出了根据本公开实施例的对第一目标历史交易数据集中的正常交易数据集进行聚类，得到多个簇的方法示意图。
80.如图3所示，通过对第一目标历史交易数据集中的正常交易数据集进行聚类，得到多个簇。
81.在操作s203，从多个簇中确定第二目标历史交易数据集。
82.根据本公开的实施例，从多个簇中确定第二目标历史交易数据集可以包括：分别从每个簇中选取预定数量的数据，组成第二目标历史交易数据集。预定数量可以根据实际训练模型的精度选取，例如可以为1％。如图3所示，黑色点代表第二目标历史交易数据，灰色点代表除第二目标历史交易数据之外的正常交易数据。可以是从多个簇中选择黑色点代表的第二目标历史交易数据，组成第二目标历史交易数据集。
83.在操作s204，利用分类模型，更新第二目标历史交易数据集和异常交易数据集带
有的交易标签，得到训练数据集。
84.根据本公开实施例，可以是将第二目标历史交易数据集和异常交易数据集输入分类模型，通过该分类模型输出的分类结果，重新确定第二目标历史交易数据集和异常交易数据集带有的交易标签。分类模型可以采用c4.5决策树算法进行分类。
85.在操作s205，基于训练数据集，训练待训练模型，获得用于预测交易风险的模型。
86.根据本公开实施例，可以将训练数据集输入待训练模型，输出训练结果。根据输出的训练结果与训练数据集带有的交易标签，确定待训练模型的模型参数。也可以根据迭代次数确定训练模型的模型参数。
87.例如，输出的训练结果可以包括训练的分类结果，例如正常交易数据和异常交易数据，根据训练数据集带有的交易标签，可以确定模型的准确率，如果准确率高，例如95％以上，则此时的模型参数作为用于预测交易风险的模型的参数；否则重新调整模型参数，再次进行训练。
88.根据本公开实施例，通过聚类方法将训练样本的正常交易数据分成多个簇，然后从多个簇中确定新的正常交易数据集；得到的新的正常交易数据集和异常交易数据集通过分类模型重新调整标签增强数据后得到重构的数据集；利用重构的数据集再训练得到用于预测交易风险的模型。有效缓解了模型训练中的样本不平衡问题，使样本中正常交易数据和异常交易数据的比例差距缩小，同时还尽可能的保留了正常交易数据集中样本的分布特征，使训练的模型的效果能不受样本数量变化的影响。而且训练得到的用于预测交易风险的模型预测得到的结果，在精确率、召回率和综合测评价值上更能更精准地预测交易中存在的欺诈风险。
89.图4示意性示出了根据本公开实施例的利用分类模型，更新第二目标历史交易数据集和异常交易数据集带有的交易标签，得到训练数据集的方法流程图。
90.如图4所示，该实施例的利用分类模型，更新第二目标历史交易数据集和异常交易数据集带有的交易标签，得到训练数据集的方法400包括操作s401～操作s404。
91.在操作s401，将第二目标历史交易数据集和异常交易数据集，输入分类模型，获得分类结果。
92.根据本公开实施例，分类模型可以采用c4.5决策树算法进行分类，可以得到一颗决策树mi。
93.根据本公开实施例，将第一目标历史交易数据集中的正常交易数据集中的每个数据样本赋予初始权重1/d，其中，d代表第一目标历史交易数据集中的正常交易数据集中的每个数据样本的个数。然后开始预设迭代次数的迭代。在每次迭代的开始，使用聚类方法。其中，预设迭代次数根据第二目标历史交易数据集和异常交易数据集的分类而确定。
94.在操作s402，利用分类结果与交易标签，确定分类模型的错误率。
95.根据本公开实施例，得到的分类结果可以通过公式(1)计算得到mi的错误率error(mi)：
[0096][0097]
wi是指分配给每个第二目标历史交易数据集和异常交易数据集中数据样本xi的权重。err(xi)用来表示每个xi是否分类正确。如果一个数据样本xi被决策树mi分类错误，则
err(xi)等于1,如果一个数据样本xi被决策树mi分类正确，则err(xi)等于0。
[0098]
根据计算得到的error(mi)与预设阈值的比较，确定迭代次数。
[0099]
例如，预设阈值为0.5时，如果error(mi)小于等于0.5，可以返回执行上述操作s202，开始下一轮迭代。如果error(mi)大于0.5，需要把每个被正确分类的数据样本的系数乘上error(mi)/(1-error(mi))，最后把所有的系数标准化(标准化也即归一化)，结束迭代。
[0100]
在操作s403，根据错误率计算分类模型的投票权重。
[0101]
根据本公开实施例，根据上述操作s402，确定的错误率error(mi)，根据公式(2)计算分类模型的投票权重vi：
[0102][0103]
在操作s404，基于投票权重，更新交易标签，得到训练数据集。
[0104]
根据本公开实施例，将根据上述操作s403得到的投票权重加到每个第二目标历史交易数据集和异常交易数据集的被上述决策树所分到的类别上。等预设迭代次数的决策树全部分完类以后，将每个第二目标历史交易数据集和异常交易数据集中权重值最高的类别作为这个数据样本最终被分到的类别，实现了更新交易标签。可以将带有新的交易标签的第二目标历史交易数据集和异常交易数据集作为训练数据集。
[0105]
根据本公开实施例，通过分类模型，更新第二目标历史交易数据集和异常交易数据集带有的交易标签，作为了训练数据集，训练得到的模型预测结果比用未进行处理的数据训练得到的模型在精确率、召回率和综合测评价值上更能精准地预测交易中存在的欺诈风险。
[0106]
根据本公开的实施例，从多个簇中确定第二目标历史交易数据集包括：
[0107]
分别对每个簇中的数据进行筛选，得到第二目标历史交易数据集。
[0108]
根据本公开的实施例，可以分别从每个簇中筛选预定数量的数据，然后组成第二目标历史交易数据集。预定数量可以根据实际训练模型的精度选取，例如可以为1％。尽可能的保留了正常交易数据集中样本的分布特征。其中，筛选包括以每个簇为中心筛选。作为可选的实施例，筛选还可以包括从每个簇的空间密集处筛选，空间密集处可以理解为该处的正常交易数据之间的距离相距较小。
[0109]
根据本公开的实施例，获取在预设时间区间内产生的第一目标历史交易数据集包括：
[0110]
获取在预设时间区间内产生的正常交易数据集和异常交易数据集，得到初始历史数据；
[0111]
对初始历史数据进行预处理，得到第一目标历史交易数据集。
[0112]
根据本公开的实施例，预设时间区间可以为过去一段时间，例如可以为过去6个月、12个月等。正常交易数据集和异常交易数据集可以包括交易基本信息和交易账户信息。预处理可以包括缺失值的填充。
[0113]
例如，可以根据交易基本信息和交易账户信息的类别确定2021年1月1日到2021年9月30日的初始历史数据所涉及的数据表。然后观察不同表中涉及交易基本信息和交易双方账户信息的数据列。数据列包括交易频率的相关比例、交易金额的相关比例、交易账号数量的相关比例以及其他数据列。将不同表中的相关的数据列按照交易id拼接，组成原始特
征。对于有缺失值列，按一定规则补全，一定规则可以为：除了交易频率的相关比例，交易金额的相关比例和交易账号数量的相关比例这三类数据列的数据的空值使用最大值填充，其他数据列都使用0值填充空值。
[0114]
根据本公开的实施例，基于训练数据集，训练待训练模型，获得用于预测交易风险的模型包括：
[0115]
将训练数据集输入待训练模型，输出训练结果；
[0116]
基于训练结果和更新后的交易标签，对待训练模型进行调参，得到训练好的用于预测交易风险的模型。
[0117]
根据本公开实施例，训练结果可以为将每个训练数据集中的数据分为正常交易数据和异常交易数据。可以根据训练结果和更新后的交易标签确定训练模型的准确率。如果准确率低于预期准确率，可以对训练模型重新调参后再次训练；如果准确率达到预期准确率，可以得到训练好的用于预测交易风险的模型；其中预期准确率可以根据实际需要训练模型达到的准确率而确定。
[0118]
根据本公开的实施例，在获取在预设时间区间内产生的第一目标历史交易数据集之前还包括：
[0119]
获取用户对第一目标历史交易数据集的授权；
[0120]
在得到授权后获取第一目标历史交易数据集。
[0121]
基于上述模型训练方法，本公开还提供了一种预测交易风险的方法，以下将对该方法进行详细描述。
[0122]
图5示意性示出了根据本公开实施例的预测交易风险的方法的流程图
[0123]
如图5所示，该预测交易风险的方法500包括操作s501～s503。
[0124]
在操作s501，获取与待预测时间区间内关联的目标预测数据。
[0125]
根据本公开实施例，待预测时间区间可以为交易未发生的一段时间。目标预测数据可以为将要进行交易的数据，例如交易双方的账户数据、交易金额等。
[0126]
在操作s502，将目标预测数据输入用于预测交易风险的模型。
[0127]
根据本公开实施例，可以把将要进行交易的数据输入用于预测交易风险的模型。
[0128]
在操作s503，输出预测结果。
[0129]
根据本公开实施例，可以输出交易正常或者交易异常的预测结果。
[0130]
根据本公开实施例，可以根据预测结果对交易作出相应的处理，避免欺诈交易的发生，减少了欺诈交易给交易用户造成的损失。
[0131]
基于上述模型训练方法，本公开还提供了一种模型训练装置。以下将结合图6对该装置进行详细描述。
[0132]
图6示意性示出了根据本公开实施例的模型训练装置的结构框图。
[0133]
如图6所示，该实施例的模型训练装置600包括第一获取模块610、聚类模块620、确定模块630、更新模块640和训练模块650。
[0134]
第一获取模块610用于用于获取在预设时间区间内产生的第一目标历史交易数据集，其中，第一目标历史交易数据集包括正常交易数据集和异常交易数据集，正常交易数据集和异常交易数据集带有交易标签。在一实施例中，第一获取模块610可以用于执行前文描述的操作s201，在此不再赘述。
[0135]
聚类模块620用于对所述第一目标历史交易数据集中的所述正常交易数据集进行聚类，得到多个簇。在一实施例中，聚类模块620可以用于执行前文描述的操作s202，在此不再赘述。
[0136]
确定模块630用于从所述多个簇中确定第二目标历史交易数据集。在一实施例中，确定模块630可以用于执行前文描述的操作s203，在此不再赘述。
[0137]
更新模块640用于利用分类模型，更新第二目标历史交易数据集和异常交易数据集带有的交易标签，得到训练数据集。在一实施例中，更新模块640可以用于执行前文描述的操作s204，在此不再赘述。
[0138]
训练模块650用于基于训练数据集，训练待训练模型，获得用于预测交易风险的模型。在一实施例中，训练模块650可以用于执行前文描述的操作s205，在此不再赘述。
[0139]
根据本公开的实施例，第一获取模块610包括获取子单元和处理单元。
[0140]
获取子单元用于获取在预设时间区间内产生的正常交易数据集和异常交易数据集，得到初始历史数据。
[0141]
处理单元用于对初始历史数据进行预处理，得到第一目标历史交易数据集。
[0142]
根据本公开的实施例，更新模块640包括分类单元、确定第一子单元、计算单元、和确定第二子单元。
[0143]
分类单元用于将第二目标历史交易数据集和异常交易数据集，输入分类模型，获得分类结果。
[0144]
确定第一子单元用于利用分类结果与交易标签，确定分类模型的错误率。
[0145]
计算单元用于根据错误率计算分类模型的投票权重。
[0146]
确定第二子单元用于基于投票权重，更新交易标签，得到训练数据集。
[0147]
根据本公开的实施例，第一获取模块610、聚类模块620、确定模块630、更新模块640和训练模块650中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，第一获取模块610、聚类模块620、确定模块630、更新模块640和训练模块650中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一获取模块610、聚类模块620、确定模块630、更新模块640和训练模块650中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
[0148]
基于上述模型预测方法，本公开还提供了一种预测交易风险的装置。以下将结合图7对该装置进行详细描述。
[0149]
图7示意性示出了根据本公开实施例的预测交易风险的装置的结构框图。
[0150]
如图7所示，该实施例的预测交易风险的装置700包括第二获取模块710、输入模块720和输出模块730。
[0151]
第二获取模块710用于获取与待预测时间区间内关联的目标预测数据。在一实施例中，第二获取模块710可以用于执行前文描述的操作s1，在此不再赘述。
[0152]
输入模块720用于将目标预测数据输入用于预测交易风险的模型。在一实施例中，输入模块720可以用于执行前文描述的操作s2，在此不再赘述。
[0153]
输出模块730用于输出预测结果。在一实施例中，输出模块730可以用于执行前文描述的操作s3，在此不再赘述。
[0154]
根据本公开的实施例，第三获取模块710、输入模块720和输出模块730中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，第三获取模块710、输入模块720和输出模块730中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第三获取模块710、输入模块720和输出模块730中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
[0155]
图8示意性示出了根据本公开实施例的适于实现模型训练方法和模型预测方法的电子设备的方框图。
[0156]
如图8所示，根据本公开实施例的电子设备800包括处理器801，其可以根据存储在只读存储器(rom)802中的程序或者从存储部分908加载到随机访问存储器(ram)803中的程序而执行各种适当的动作和处理。处理器801例如可以包括通用微处理器(例如cpu)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(asic))等等。处理器801还可以包括用于缓存用途的板载存储器。处理器801可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
[0157]
在ram 803中，存储有电子设备800操作所需的各种程序和数据。处理器801、rom 802以及ram 803通过总线804彼此相连。处理器801通过执行rom 802和/或ram 803中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除rom 802和ram 803以外的一个或多个存储器中。处理器801也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
[0158]
根据本公开的实施例，电子设备800还可以包括输入/输出(i/o)接口805，输入/输出(i/o)接口805也连接至总线804。电子设备800还可以包括连接至i/o接口805的以下部件中的一项或多项：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至i/o接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，于从其上读出的计算机程序根据需要被安装入存储部分808。
[0159]
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
[0160]
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的rom 802和/或ram 803和/或rom 802和ram 803以外的一个或多个存储器。
[0161]
本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的模型训练方法和预测交易风险的方法。
[0162]
在该计算机程序被处理器801执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
[0163]
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分809被下载和安装，和/或从可拆卸介质811被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
[0164]
在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被处理器801执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
[0165]
根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如java，c++，python，“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0166]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组
合来实现。
[0167]
本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
[0168]
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。