风险识别模型的训练方法、风险识别方法及装置与流程

所属的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施例、完全的软件实施例(包括固件、微代码等)，或硬件和软件方面结合的实施例，这里可以统称为“电路”、“模块”或“系统”。下面参照图17来描述根据本公开的这种实施例的电子设备1700。图17显示的电子设备1700仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。如图17所示，电子设备1700以通用计算设备的形式表现。电子设备1700的组件可以包括但不限于：上述至少一个处理单元1710、上述至少一个存储单元1720、连接不同系统组件(包括存储单元1720和处理单元1710)的总线1730、显示单元1740。其中，存储单元存储有程序代码，程序代码可以被处理单元1710 执行，使得处理单元1710执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。例如，处理单元1710可以执行如图2中所示的步骤s210，获取异常行为对应的用户事件信息集，将用户事件信息集转化为第一用户信息矩阵，对第一用户信息矩阵融入用户先验知识得到第二用户信息矩阵，根据第一用户信息矩阵与第二用户信息矩阵得到第一差异矩阵；步骤s220，获取异常行为对应的商家事件信息集，将商家事件信息集转化为第一商家信息矩阵，对第一商家信息矩阵融入商家先验知识得到第二商家信息矩阵，根据第一商家信息矩阵与第二商家信息矩阵得到第二差异矩阵；步骤s230，将第一差异矩阵与第二差异矩阵融合为第一联合信息矩阵，对第一联合信息矩阵融入联合先验知识得到第二联合信息矩阵，根据第一联合信息矩阵与第二联合信息矩阵得到联合差异矩阵；步骤s240，根据联合差异矩阵确定异常行为对应的预测风险类型，根据预测风险类型以及异常行为对应的真实风险类型进行迭代训练，以训练风险识别模型。或者，处理单元1710可以执行如图9中所示的步骤s910，获取异常行为对应的用户事件信息集以及异常行为对应的商家事件信息集，将用户事件信息集以及商家事件信息集输入风险识别模型中；步骤 s920，根据风险识别模型确定异常行为对应的风险类型。又如，电子设备可以实现如图2或图9所示的各个步骤。存储单元1720可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)1721和/或高速缓存存储单元1722，还可以进一步包括只读存储单元(rom)1723。存储单元1720还可以包括具有一组(至少一个)程序模块1725的程序/实用工具1724，这样的程序模块1725包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。总线1730可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。电子设备1700也可以与一个或多个外部设备1770(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1700交互的设备通信，和/或与使得该电子设备1700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口1750进行。并且，电子设备1700还可以通过网络适配器1760与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器1760通过总线1730与电子设备1700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd- rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。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操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如 java、c++等，还包括常规的过程式程序设计语言—诸如“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、作为一个独立的软件包执行、部分在用户计算设备上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)。此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限定。

背景技术：

1、随着互联网的快速发展，网络购物逐渐成为人们生活中不可或缺的一部分。在网络购物的场景中，用户或者商家都有可能存在一些风险行为，导致用户或者商家的体验较差。举例而言，商家可能会存在延迟发货的行为。

2、在现有技术的方案中，在发现用户或者商家的风险行为之后，可以对用户或者商家进行举报，客服人员在接受到举报之后，可以对确认存在风险行为的用户或者商家进行标注，以进行相应的管控。或者，网络购物平台可以设定交易规则，并通过交易规则对用户或者商家进行标注。举例而言，当发现商家短时间内频繁退货时，可以对该商家给予较低的评分，从而限制该商家。

3、然而，现有技术中的方案，比较依赖人工标注，物力人力成本较高，并且容易受到标注人员主观情绪因素的影响，对于交易规则的方案，需要提前建立交易规则，且交易规则的建立难度较大，容易出现漏洞。此外，由于现有技术中的方案较为依赖历史数据，在遇到突发性风险行为时，无法适用当前方案，其机动性较差，且由于现有技术中的方案，需要风险行为发生之后才能被检测到，其通常已经造成了严重后果。

4、需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本公开的目的在于提供一种风险识别模型的训练方法、风险识别方法、风险识别模型的训练装置、风险识别装置、计算机可读存储介质及电子设备，可以解决现有技术中进行风险预测时延迟性较高的问题。

2、本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

3、根据本公开的第一方面，提供了一种风险识别模型的训练方法，包括：获取异常行为对应的用户事件信息集，将所述用户事件信息集转化为第一用户信息矩阵，对所述第一用户信息矩阵融入用户先验知识得到第二用户信息矩阵，根据所述第一用户信息矩阵与所述第二用户信息矩阵得到第一差异矩阵；获取所述异常行为对应的商家事件信息集，将所述商家事件信息集转化为第一商家信息矩阵，对所述第一商家信息矩阵融入商家先验知识得到第二商家信息矩阵，根据所述第一商家信息矩阵与所述第二商家信息矩阵得到第二差异矩阵；将所述第一差异矩阵与所述第二差异矩阵融合为第一联合信息矩阵，对所述第一联合信息矩阵融入联合先验知识得到第二联合信息矩阵，根据所述第一联合信息矩阵与所述第二联合信息矩阵得到联合差异矩阵；根据所述联合差异矩阵确定所述异常行为对应的预测风险类型，根据所述预测风险类型以及所述异常行为对应的真实风险类型进行迭代训练，以训练所述风险识别模型。

4、在本公开的一种示例性实施例中，基于前述方案，所述根据所述第一用户信息矩阵与所述第二用户信息矩阵得到第一差异矩阵，包括：根据所述第一用户信息矩阵与第一用户权重参数确定第一用户预测矩阵，根据所述第二用户信息矩阵与第二用户权重参数确定第二用户预测矩阵；根据所述第一用户预测矩阵与所述第二用户预测矩阵确定第一差异矩阵。

5、在本公开的一种示例性实施例中，基于前述方案，所述根据所述第一商家信息矩阵与所述第二商家信息矩阵得到第二差异矩阵，包括：根据所述第一商家信息矩阵与第一商家权重参数确定第一商家预测矩阵，根据所述第二商家信息矩阵与第二商家权重参数确定第二商家预测矩阵；根据所述第一商家预测矩阵与所述第二商家预测矩阵确定第二差异矩阵。

6、在本公开的一种示例性实施例中，基于前述方案，所述根据所述第一联合信息矩阵与所述第二联合信息矩阵得到联合差异矩阵，包括：根据所述第一联合信息矩阵与第一联合权重参数确定第一联合预测矩阵，根据所述第二联合信息矩阵与第二联合权重参数确定第二联合预测矩阵；根据所述第一联合预测矩阵与所述第二联合预测矩阵确定联合差异矩阵。

7、在本公开的一种示例性实施例中，基于前述方案，所述根据所述联合差异矩阵确定所述异常行为对应的预测风险类型，包括：根据所述联合差异矩阵判断所述异常行为是否具有风险；在判断所述异常行为具有风险时，根据所述联合差异矩阵确定所述异常行为对应的预测风险类型。

8、在本公开的一种示例性实施例中，基于前述方案，所述在判断所述异常行为具有风险时，根据所述联合差异矩阵确定所述异常行为对应的预测风险类型，包括：根据所述联合差异矩阵确定所述异常行为对应的至少一个候选预测风险类型以及所述候选预测风险类型对应的概率；根据所述候选预测风险类型对应的概率确定所述异常行为对应的预测风险类型。

9、在本公开的一种示例性实施例中，基于前述方案，所述根据所述候选预测风险类型对应的概率确定所述异常行为对应的预测风险类型，包括：将所述概率最大的候选预测风险类型确定为所述异常行为对应的预测风险类型。

10、在本公开的一种示例性实施例中，基于前述方案，所述根据所述预测风险类型以及所述异常行为对应的真实风险类型进行迭代训练，包括：根据所述预测风险类型与所述真实风险类型确定预测误差；根据所述预测误差调整所述第一用户权重参数、所述第二用户权重参数、所述第一商家权重参数、所述第二商家权重参数、所述第一联合权重参数和所述第二联合权重参数。

11、在本公开的一种示例性实施例中，基于前述方案，所述根据所述预测误差调整所述第一用户权重参数、所述第二用户权重参数、所述第一商家权重参数、所述第二商家权重参数、所述第一联合权重参数和所述第二联合权重参数，包括：通过反向传播算法调整所述第一用户权重参数、所述第二用户权重参数、所述第一商家权重参数、所述第二商家权重参数、所述第一联合权重参数和所述第二联合权重参数。

12、在本公开的一种示例性实施例中，基于前述方案，所述训练方法还包括：根据所述联合差异矩阵确定所述预测风险类型对应的风险对象；其中，所述风险对象包括用户风险对象、商家风险对象、联合风险对象。

13、根据本公开的第二方面，提供了一种风险识别方法，包括：获取异常行为对应的用户事件信息集以及所述异常行为对应的商家事件信息集，将所述用户事件信息集以及所述商家事件信息集输入所述风险识别模型中；其中，所述风险识别模型是通过如上述风险识别模型的训练方法得到的；根据所述风险识别模型确定所述异常行为对应的风险类型。

14、在本公开的一种示例性实施例中，基于前述方案，所述获取获取异常行为对应的用户事件信息集以及所述异常行为对应的商家事件信息集，包括：监听用户行为以及与所述用户行为相关联的商家行为，并根据所述用户行为以及所述商家行为确定异常行为；根据所述异常行为确定所述异常行为对应的用户事件信息集以及所述异常行为对应的商家事件信息集。

15、在本公开的一种示例性实施例中，基于前述方案，所述根据所述异常行为确定所述异常行为对应的用户事件信息集以及所述异常行为对应的商家事件信息集，包括：根据所述异常行为获取多个用户关联行为以及多个商家关联行为；根据所述用户关联行为以及所述用户关联行为对应的关联行为时间确定所述异常行为对应的用户事件信息集；根据所述商家关联行为以及所述商家关联行为对应的关联行为时间确定所述异常行为对应的商家事件信息集。

16、在本公开的一种示例性实施例中，基于前述方案，所述根据所述用户行为以及所述商家行为确定异常行为，包括：获取用户行为标准以及商家行为标准；当监听到不满足用户行为标准的用户行为时，将所述用户行为确定为用户异常行为；当监听到不满足商家行为标准的商家行为时，将所述商家行为确定为商家异常行为；其中，所述商家行为与所述用户行为相关联。

17、在本公开的一种示例性实施例中，基于前述方案，在所述根据所述风险识别模型确定所述异常行为对应的风险类型之后，所述方法还包括：在所述风险类型对应的概率大于预设阈值时，进行风险报警。

18、根据本公开的第三方面，提供了一种风险识别模型的训练装置，所述训练装置包括：用户事件信息集获取模块，用于获取异常行为对应的用户事件信息集，将所述用户事件信息集转化为第一用户信息矩阵，对所述第一用户信息矩阵融入用户先验知识得到第二用户信息矩阵，根据所述第一用户信息矩阵与所述第二用户信息矩阵得到第一差异矩阵；商家事件信息集获取模块，用于获取所述异常行为对应的商家事件信息集，将所述商家事件信息集转化为第一商家信息矩阵，对所述第一商家信息矩阵融入商家先验知识得到第二商家信息矩阵，根据所述第一商家信息矩阵与所述第二商家信息矩阵得到第二差异矩阵；差异矩阵融合模块，用于将所述第一差异矩阵与所述第二差异矩阵融合为第一联合信息矩阵，对所述第一联合信息矩阵融入联合先验知识得到第二联合信息矩阵，根据所述第一联合信息矩阵与所述第二联合信息矩阵得到联合差异矩阵；模型训练模块，用于根据所述联合差异矩阵确定所述异常行为对应的预测风险类型，根据所述预测风险类型以及所述异常行为对应的真实风险类型进行迭代训练，以训练所述风险识别模型。

19、根据本公开的第四方面，提供了一种风险识别装置，所述装置包括：信息集输入模块，用于获取异常行为对应的用户事件信息集以及所述异常行为对应的商家事件信息集，将所述用户事件信息集以及所述商家事件信息集输入所述风险识别模型中；其中，所述风险识别模型是通过如上述风险识别模型的训练方法得到的；风险类型确定模块，用于根据所述风险识别模型确定所述异常行为对应的风险类型。

20、根据本公开的第五方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述第一方面所述的风险识别模型的训练方法或如上述第二方面所述的风险识别方法。

21、根据本公开的第五方面，提供了一种电子设备，包括：

22、一个或多个处理器；以及

23、存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器如上述第一方面所述的风险识别模型的训练方法或如上述第二方面所述的风险识别方法。

24、本公开实施例提供的技术方案可以包括以下有益效果：

25、本公开的一种实施例提供的风险识别模型的训练方法中，可以通过对用户行为以及商家行为的联合学习确定风险类型。一方面，不依赖人工标注，不容易受到标注人员主观情绪因素的影响，降低了标注过程中的人力物力成本，且避免了创建交易规则时出现漏洞的问题；另一方面，在遇到突发性风险行为时，可以及时确定风险类型，降低了风险控制成本，提升了风险控制的机动性；再一方面，可以根据具有关联性的用户行为或者商家行为确定风险类型，并在风险结果没有发生之前确定风险类型，降低了风险控制的延迟性。

26、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。