[發明專利]神經網絡模型訓練、交易行為風險識別方法及裝置

有效

• 申請號: 201710153115.8
• 申請日: 2017-03-15
• 公開（公告）號: CN108629413B
• 公開（公告）日: 2020-06-16
• 發明（設計）人: 李龍飛;周俊;李小龍
• 申請（專利權）人: 創新先進技術有限公司
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06K9/62
• 代理公司: 北京億騰知識產權代理事務所(普通合伙) 11309
• 代理人: 陳霽

1.一種交易風險識別場景中的神經網絡模型訓練方法，其特征在于，包括：

將預先收集的多個樣本數據中每個樣本數據對應于各預定特征的多個特征值輸入到預先訓練的梯度提升決策樹GBDT中，以確定每個樣本數據在所述GBDT中對應的多條路徑信息；其中的每條路徑信息包含該樣本數據所對應的多個特征值中的若干特征值，且每個樣本數據對應的路徑信息的個數少于該樣本數據對應的特征值的個數；所述每個樣本數據具有對應的樣本標簽；所述樣本數據是指用戶的交易行為數據；

根據所述每個樣本數據在所述GBDT中對應的多條路徑信息以及樣本標簽，對神經網絡模型進行訓練。

2.根據權利要求1所述的方法，其特征在于，所述GBDT由多棵決策樹組成，每棵決策樹包括多個節點，每個節點與一個預定特征相對應。

3.根據權利要求1或2所述的方法，其特征在于，所述樣本標簽包括：正樣本標簽和負樣本標簽；

在所述將預先收集的多個樣本數據中每個樣本數據對應于各預定特征的多個特征值輸入到梯度提升決策樹GBDT中之前，還包括：

對樣本標簽為正樣本標簽的樣本數據進行升采樣處理；和/或，

對樣本標簽為負樣本標簽的樣本數據進行降采樣處理。

4.根據權利要求2所述的方法，其特征在于，所述預定特征包括：

用戶的遠程過程調用RPC行為信息和/或用戶的統一資源定位器URL地址信息。

5.一種交易行為風險識別方法，其特征在于，包括：

獲取用戶的交易行為數據；

將所述交易行為數據對應于各預定特征的多個特征值輸入到梯度提升決策樹GBDT中，以確定所述交易行為數據在所述GBDT中對應的多條路徑信息；其中的每條路徑信息包含該交易行為數據所對應的多個特征值中的若干特征值；所述交易行為數據對應的路徑信息的個數少于該交易行為數據對應的特征值的個數；

將所述多條路徑信息輸入到神經網絡模型中；

輸出交易行為風險識別結果。

6.根據權利要求5所述的方法，其特征在于，所述GBDT由多棵決策樹組成，每棵決策樹包括多個節點，每個節點與一個預定特征相對應。

7.根據權利要求6所述的方法，其特征在于，所述預定特征包括：

用戶的遠程過程調用RPC行為信息和/或用戶的統一資源定位器URL地址信息。

8.一種交易風險識別場景中的神經網絡模型訓練裝置，其特征在于，包括：

確定單元，用于將預先收集的多個樣本數據中每個樣本數據對應于各預定特征的多個特征值輸入到預先訓練的梯度提升決策樹GBDT中，以確定每個樣本數據在所述GBDT中對應的多條路徑信息；其中的每條路徑信息包含該樣本數據所對應的多個特征值中的若干特征值，且每個樣本數據對應的路徑信息的個數少于該樣本數據對應的特征值的個數；所述每個樣本數據具有對應的樣本標簽；所述樣本數據是指用戶的交易行為數據；

訓練單元，用于根據所述確定單元確定的所述每個樣本數據在所述GBDT中對應的多條路徑信息以及樣本標簽，對神經網絡模型進行訓練。

9.根據權利要求8所述的裝置，其特征在于，所述GBDT由多棵決策樹組成，每棵決策樹包括多個節點，每個節點與一個預定特征相對應。

10.根據權利要求8或9所述的裝置，其特征在于，所述樣本標簽包括：正樣本標簽和負樣本標簽；所述裝置還包括：

處理單元，用于對樣本標簽為正樣本標簽的樣本數據進行升采樣處理；和/或，

對樣本標簽為負樣本標簽的樣本數據進行降采樣處理。

11.根據權利要求9所述的裝置，其特征在于，所述預定特征包括：

用戶的遠程過程調用RPC行為信息和/或用戶的統一資源定位器URL地址信息。