交易风险预测模型的训练方法和交易风险预测方法与流程

本公开涉及计算机、人工智能、金融科技和大数据，尤其涉及一种交易风险预测模型的训练方法和交易风险预测方法、装置、设备、介质和程序产品。

背景技术：

1、随着科技的进步以及经济的发展，金融机构的交易业务频繁，对交易风险提前预测并进行精准评级，有助于银行系统提前感知交易行为是否存在风险，从而采取相应手段对转账交易进行干预，减少风险交易的发生。相关技术中，金融机构通过建立规则引擎或利用传统机器学习模型方案对交易行为是否存在风险进行判断。

2、在实现本公开构思的过程中，发明人发现相关技术中至少存在如下问题：基于规则引擎的交易风险预测方案，难以适用复杂交易情况。而基于传统机器学习模型的交易风险预测方案，虽然可以更加适应复杂的转账风险预测场景，但模型训练时间长，效率低。并且基于规则引擎的交易风险预测方案和基于传统机器学习模型的交易风险预测方案对交易风险预测的准确性较低。

技术实现思路

1、鉴于上述问题，本公开提供了交易风险预测模型的训练方法和交易风险预测方法、装置、设备、介质和程序产品。

2、根据本公开的第一个方面，提供了一种交易风险预测模型的训练方法，包括：

3、利用预设规则和交易风险样本数据对交易风险样本进行预测，得到与上述交易风险样本对应的初始风险类型；

4、根据与初始支持向量机模型对应的第k樽海鞘群，得到上述初始支持向量机模型的第k初始模型参数，其中，上述樽海鞘群包括n个用于生成上述初始模型参数的樽海鞘位置，其中，n和k均为大于等于1的整数；

5、根据上述初始风险类型和与上述交易风险样本对应的样本数据特征，基于上述第k初始模型参数的初始支持向量机模型输出第k预测风险类型；

6、根据上述第k预测风险类型和上述第k樽海鞘群，得到第k+1樽海鞘群，其中，上述第k+1樽海鞘群适用于生成上述初始支持向量机模型的第k+1初始模型参数；

7、在上述初始支持向量机模型输出的预测风险类型的准确率满足预设条件的情况下，将当前训练得到的上述初始支持向量机模型作为目标支持向量机模型。

8、根据本公开的实施例，每个上述交易风险样本数据包括以下之一：转账金额、转账时刻、转账账户和入账账户之间的关联关系、转账地点偏离范围、转账犹豫时长和入账账户的历史风险入账次数。

9、根据本公开的实施例，每个上述交易风险样本数据包括多个子数据项目，上述利用预设规则和交易风险样本数据对交易风险样本进行预测，得到与上述交易风险样本对应的初始风险类型包括：

10、针对上述多个子数据项目中的每个子数据项目，

11、确定上述子数据项目的类型信息；

12、基于上述子数据项目的类型信息，确定上述子数据项目的权重；

13、基于与每个上述子数据项目各自对应的筛选条件，确定与每个上述子数据项目对应的预定分析值；

14、基于多个上述子数据项目各自的权重和预定分析值，确定上述交易风险样本数据的分析值；

15、基于上述交易风险样本数据的分析值，得到上述初始风险类型。

16、根据本公开的实施例，上述根据上述第k预测风险类型和上述第k樽海鞘群，得到第k+1樽海鞘群包括：

17、根据上述第k预测风险类型，得到与上述第k樽海鞘群包括的每个上述樽海鞘位置对应的适应度，得到n个适应度；

18、根据上述n个适应度对第k樽海鞘群包括的n个樽海鞘位置进行降序排序；

19、将排在首位的樽海鞘位置，确定为食物位置；

20、针对除上述排在首位的樽海鞘位置以外的n-1个樽海鞘位置，按照上述n-1个樽海鞘位置的排序，将排在前一半的樽海鞘位置确定为领导者位置，将排在后一半的樽海鞘位置确定为追随者位置；

21、根据第q个领导者位置和上述第q个领导者位置之前的全部位置信息，得到更新后的第q个领导者位置，其中，q为大于等于1小于(n+1)/2的整数；

22、根据第p个追随者位置和与上述第p个追随者位置相邻的上一个位置信息，得到更新后的第p个追随者位置，其中，p为大于等于1小于n/2的整数；

23、根据上述食物位置、上述更新后的第q个领导者位置和上述更新后的第p个追随者位置，生成第k+1樽海鞘群。

24、根据本公开的实施例，上述根据第q个领导者位置和上述第q个领导者位置之前的全部位置信息，得到更新后的第q个领导者位置包括：

25、计算上述食物位置和各个上述领导者位置分别与上述食物位置之间的距离，得到多个距离；

26、对上述多个距离进行归一化，得到多个归一化距离；

27、根据上述多个归一化距离和预设衰减因子，利用指数函数得到与每个上述领导者位置对应的第一权重和与上述食物位置对应的第二权重；

28、对第二权重和与各个上述领导者位置各自对应的第一权重进行归一化，得到多个归一化权重；

29、根据第q领导者位置、上述第q个领导者位置之前的全部位置信息，与上述第q领导者位置对应的归一化权重和与上述第q个领导者位置之前的全部位置信息分别对应的归一化权重，得到更新后的第q个领导者位置。

30、根据本公开的实施例，在上述根据与上述初始支持向量机模型对应的第k樽海鞘群，得到上述初始支持向量机模型的第k初始模型参数之前，还包括：

31、对上述交易风险样本数据中的非数值字段进行数值量化处理，得到第一样本数据；

32、对上述第一样本数据进行归一化处理，得到上述样本数据特征。

33、本公开的第二方面提供了一种一种交易风险预测方法，包括：

34、获取交易数据特征；

35、将上述交易数据特征输入目标支持向量机模型中，输出预测风险类型，其中，上述目标支持向量机模型是根据上述训练方法得到的。

36、本公开的第三方面提供了一种交易风险预测模型的训练装置，包括：

37、第一得到模块，用于利用预设规则和交易风险样本数据对交易风险样本进行预测，得到与上述交易风险样本对应的初始风险类型；

38、第二得到模块，用于根据与初始支持向量机模型对应的第k樽海鞘群，得到上述初始支持向量机模型的第k初始模型参数，其中，上述樽海鞘群包括n个用于生成上述初始模型参数的樽海鞘位置，其中，n和k均为大于等于1的整数；

39、第一输出模块，用于根据上述初始风险类型和与上述交易风险样本对应的样本数据特征，基于上述第k初始模型参数的初始支持向量机模型输出第k预测风险类型；

40、第三得到模块，用于根据上述第k预测风险类型和上述第k樽海鞘群，得到第k+1樽海鞘群，其中，上述第k+1樽海鞘群适用于生成上述初始支持向量机模型的第k+1初始模型参数；

41、目标支持向量机模型得到模块，用于在上述初始支持向量机模型输出的预测风险类型的准确率满足预设条件的情况下，将当前训练得到的上述初始支持向量机模型作为目标支持向量机模型。

42、本公开的第四方面提供了一种交易风险预测装置，包括：

43、获取模块，用于获取交易数据特征；

44、第二输出模块，用于将上述交易数据特征输入目标支持向量机模型中，输出预测风险类型，其中，上述目标支持向量机模型是根据上述训练方法得到的。

45、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，当上述一个或多个程序被上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交易风险预测模型的训练方法和交易风险预测方法。

46、本公开的第四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交易风险预测模型的训练方法和交易风险预测方法。

47、本公开的第五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交易风险预测模型的训练方法和交易风险预测方法。

48、根据本公开的实施例，本公开实施例提供的交易风险预测模型的训练方法，利用初始风险类型和样本数据特征对初始支持向量机模型进行训练，使得初始支持向量机模型能够学习与每个风险类型对应的共有特征，使得训练好的目标支持向量机模型能够应对复杂场景，得到预测准确率较高的目标支持向量机模型。通过根据与初始支持向量机模型对应的第k樽海鞘群，得到初始支持向量机模型的第k初始模型参数，根据初始风险类型和与交易风险样本对应的样本数据特征，基于第k初始模型参数的初始支持向量机模型输出第k预测风险类型，根据第k预测风险类型和第k樽海鞘群，得到第k+1樽海鞘群，实现利用樽海鞘算法对初始支持向量机模型的模型参数进行更新，可以快速得到初始支持向量机模型的最优参数，快速得到目标支持向量机模型，缩短模型训练时间，提高训练效率，并且目标支持向量机模型是在准确率满足预设条件下得到的，因此利用本公开实施例的目标支持向量机模型进行交易风险预测的准确率较高，提升了对交易风险预测的准确性。