[發(fā)明專利]基于自編碼神經(jīng)網(wǎng)絡(luò)的電子業(yè)務(wù)風(fēng)險(xiǎn)識(shí)別方法和裝置

在審

• 申請?zhí)枺?/td>: 201710005554.4
• 申請日: 2017-01-04
• 公開（公告）號: CN108268993A
• 公開（公告）日: 2018-07-10
• 發(fā)明（設(shè)計(jì)）人: 陳明星;陳弢
• 申請（專利權(quán)）人: 阿里巴巴集團(tuán)控股有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06N3/08
• 代理公司: 北京博思佳知識(shí)產(chǎn)權(quán)代理有限公司 11415
• 代理人: 林祥;王劍

1.一種基于自編碼神經(jīng)網(wǎng)絡(luò)的電子業(yè)務(wù)風(fēng)險(xiǎn)識(shí)別方法，其特征在于，所述方法包括：

提取目標(biāo)電子業(yè)務(wù)的原始特征信息，并確定所述原始特征信息的原始特征值；

將所述原始特征值作為入?yún)⑤斎胍延?xùn)練的自編碼神經(jīng)網(wǎng)絡(luò)模型，經(jīng)過所述自編碼神經(jīng)網(wǎng)絡(luò)模型輸出評估特征值；

根據(jù)所述評估特征值和所述原始特征值之間的誤差確定所述電子業(yè)務(wù)的風(fēng)險(xiǎn)。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述自編碼神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程包括：

在歷史電子業(yè)務(wù)中確定訓(xùn)練樣本和驗(yàn)證樣本；

根據(jù)所述訓(xùn)練樣本對原始自編碼神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，其中，所述原始自編碼神經(jīng)網(wǎng)絡(luò)模型的權(quán)重為預(yù)設(shè)的原始權(quán)重；

根據(jù)所述驗(yàn)證樣本驗(yàn)證訓(xùn)練后的原始自編碼神經(jīng)網(wǎng)絡(luò)模型是否收斂；

若所述訓(xùn)練后的原始自編碼神經(jīng)網(wǎng)絡(luò)模型收斂，則將所述訓(xùn)練后的原始自編碼神經(jīng)網(wǎng)絡(luò)模型確定為所述已訓(xùn)練的自編碼神經(jīng)網(wǎng)絡(luò)模型。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述根據(jù)所述訓(xùn)練樣本對原始自編碼神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，包括：

將訓(xùn)練樣本的訓(xùn)練特征值從輸入層輸入所述原始自編碼神經(jīng)網(wǎng)絡(luò)模型，經(jīng)過所述原始自編碼神經(jīng)網(wǎng)絡(luò)模型輸出訓(xùn)練評估值；

計(jì)算所述訓(xùn)練評估值和所述訓(xùn)練特征值的誤差，作為訓(xùn)練誤差；

將所述訓(xùn)練誤差作為入?yún)⒎聪驈妮敵鰧虞斎胨鲈甲跃幋a神經(jīng)網(wǎng)絡(luò)模型，以更新所述原始自編碼神經(jīng)網(wǎng)絡(luò)模型的權(quán)重。

4.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述根據(jù)所述驗(yàn)證樣本驗(yàn)證訓(xùn)練后的原始自編碼神經(jīng)網(wǎng)絡(luò)模型是否收斂，包括：

將驗(yàn)證樣本的驗(yàn)證特征值從輸入層輸入所述訓(xùn)練后的原始自編碼神經(jīng)網(wǎng)絡(luò)模型，經(jīng)過所述訓(xùn)練后的原始自編碼神經(jīng)網(wǎng)絡(luò)模型輸出驗(yàn)證評估值；

當(dāng)所述驗(yàn)證評估值與所述驗(yàn)證特征值之間的誤差穩(wěn)定時(shí)，確定所述訓(xùn)練后的原始自編碼神經(jīng)網(wǎng)絡(luò)模型收斂。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述評估特征值和所述原始特征值之間的誤差確定所述電子業(yè)務(wù)的風(fēng)險(xiǎn)，包括：

根據(jù)公式計(jì)算所述評估特征值和所述原始特征值之間的誤差，N表示特征數(shù)量，X_i是目標(biāo)電子業(yè)務(wù)的第i個(gè)原始特征值，是第i個(gè)評估特征值，i為不大于N的自然數(shù)；

當(dāng)所述評估特征值和所述原始特征值之間的誤差大于預(yù)設(shè)閾值時(shí)，確定所述目標(biāo)電子業(yè)務(wù)存在風(fēng)險(xiǎn)。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，

所述電子業(yè)務(wù)是電子支付業(yè)務(wù)。

7.一種基于自編碼神經(jīng)網(wǎng)絡(luò)的電子業(yè)務(wù)風(fēng)險(xiǎn)識(shí)別裝置，其特征在于，所述裝置包括：

特征提取單元，提取目標(biāo)電子業(yè)務(wù)的原始特征信息，并確定所述原始特征信息的原始特征值；

特征輸入單元，將所述原始特征值作為入?yún)⑤斎胍延?xùn)練的自編碼神經(jīng)網(wǎng)絡(luò)模型，經(jīng)過所述自編碼神經(jīng)網(wǎng)絡(luò)模型輸出評估特征值；

風(fēng)險(xiǎn)確定單元，根據(jù)所述評估特征值和所述原始特征值之間的誤差確定所述電子業(yè)務(wù)的風(fēng)險(xiǎn)。

8.根據(jù)權(quán)利要求7所述的裝置，其特征在于，所述裝置還包括：

樣本確定單元，在歷史電子業(yè)務(wù)中確定訓(xùn)練樣本和驗(yàn)證樣本；

模型訓(xùn)練單元，根據(jù)所述訓(xùn)練樣本對原始自編碼神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，其中，所述原始自編碼神經(jīng)網(wǎng)絡(luò)模型的權(quán)重為預(yù)設(shè)的原始權(quán)重；

模型驗(yàn)證單元，根據(jù)所述驗(yàn)證樣本驗(yàn)證訓(xùn)練后的原始自編碼神經(jīng)網(wǎng)絡(luò)模型是否收斂；

模型確定單元，若所述訓(xùn)練后的原始自編碼神經(jīng)網(wǎng)絡(luò)模型收斂，則將所述訓(xùn)練后的原始自編碼神經(jīng)網(wǎng)絡(luò)模型確定為所述已訓(xùn)練的自編碼神經(jīng)網(wǎng)絡(luò)模型。

9.根據(jù)權(quán)利要求8所述的裝置，其特征在于，

所述模型訓(xùn)練單元，將訓(xùn)練樣本的訓(xùn)練特征值從輸入層輸入所述原始自編碼神經(jīng)網(wǎng)絡(luò)模型，經(jīng)過所述原始自編碼神經(jīng)網(wǎng)絡(luò)模型輸出訓(xùn)練評估值；計(jì)算所述訓(xùn)練評估值和所述訓(xùn)練特征值的誤差，作為訓(xùn)練誤差；將所述訓(xùn)練誤差作為入?yún)⒎聪驈妮敵鰧虞斎胨鲈甲跃幋a神經(jīng)網(wǎng)絡(luò)模型，以更新所述原始自編碼神經(jīng)網(wǎng)絡(luò)模型的權(quán)重。