[發明專利]一種基于遷移深度學習的風險識別方法以及系統

有效

• 申請號: 201710584326.7
• 申請日: 2017-07-18
• 公開（公告）號: CN107679859B
• 公開（公告）日: 2020-08-25
• 發明（設計）人: 李旭瑞;邱雪濤;趙金濤;胡奕
• 申請（專利權）人: 中國銀聯股份有限公司
• 主分類號: G06Q20/40
• 分類號: G06Q20/40;G06N3/08
• 代理公司: 中國專利代理(香港)有限公司 72001
• 代理人: 臧霽晨;付曼

1.一種基于遷移深度學習的交易風險識別方法，其特征在于，具備下述步驟：

RBM構建步驟，對所有可能特征經過規定預處理，每一筆交易就會被映射成為一個向量，將向量集作為第一RBM的可見層輸入而由此建立一層RBM，其中，每一個RBM具有一個可見層和一個隱藏層；

BP調優步驟，利用已知欺詐樣本進行遷移學習對所述RBM構建步驟建立的RBM層進行遷移加權BP調優；以及

第一判斷步驟，根據上述BP調優步驟的結果判斷是否滿足規定條件，若判斷結果為滿足規定條件則不需要增加RBM層并繼續下述第二判斷步驟，若判斷結果為不滿足規定條件，則重復進行上述RBM構建步驟和BP調優步驟直到滿足上述規定條件為止，

其中，在所述BP調優步驟中，訓練一層RBM就進行一次BP調優，每次BP調優僅對最近一層隱藏層以及次近隱藏層和最近隱藏層之間的參數調優，其中，在所述第一判斷步驟之后還具備：

第二判斷步驟，判斷是否隱藏層層數為奇數，若隱藏層層數為奇數，則停止構建RBM層并生成最終模型，若隱藏層層數為偶數則刪除當前隱藏層并重復進行上述RBM構建步驟和BP調優步驟直到滿足上述規定條件為止。

2.如權利要求1所述的基于遷移深度學習的交易風險識別方法，其特征在于，

在所述RBM構建步驟中利用對比散度算法對新增的RBM層進行訓練。

3.如權利要求1所述的基于遷移深度學習的交易風險識別方法，其特征在于，

所述BP調優步驟包括下述子步驟：

利用已知欺詐樣本進行遷移學習；

每當訓練完一層RBM之后，對當前誤差進行BP調優以此來優化網絡參數。

4.如權利要求1所述的基于遷移深度學習的交易風險識別方法，其特征在于，

在所述第一判斷步驟中，當判斷RBM的重構誤差e_Rξ的情況下則不需要增加RBM層并繼續所述第二判斷步驟，若判斷結果為重構誤差e_Rξ的情況下則重復進行上述RBM構建步驟和上述BP調優步驟直到滿足斷RBM的重構誤差e_Rξ為止，其中，ξ為重構誤差閾值。

5.一種基于遷移深度學習的交易風險識別系統，其特征在于，具備：

RBM構建模塊，對所有可能特征經過規定預處理，每一筆交易就會被映射成為一個向量，將向量集作為第一RBM的可見層輸入而由此建立一層RBM，其中，每一個RBM具有一個可見層和一個隱藏層；

BP調優模塊，利用已知欺詐樣本進行遷移學習對所述RBM構建步驟建立的RBM層進行BP調優；以及

第一判斷模塊，根據上述BP調優模塊的結果判斷是否滿足規定條件，若判斷結果為滿足規定條件則不需要增加RBM層并繼續下述第二判斷模塊執行的動作，若判斷結果為不滿足規定條件，則重復進行由上述RBM構建模塊和上述BP調優模塊執行的動作，直到滿足上述規定條件為止，

所述BP調優模塊訓練一層RBM就進行一次BP調優，每次BP調優僅對最近一層隱藏層以及次近隱藏層和最近隱藏層之間的參數調優，其中，還具備：

第二判斷模塊，判斷是否隱藏層層數為奇數，若隱藏層層數為奇數，則停止構建RBM層并生成最終模型，若隱藏層層數為偶數則刪除當前隱藏層并重復進行上述RBM構建模塊和BP調優模塊執行的動作，直到滿足上述規定條件為止。

6.如權利要求5所述的基于遷移深度學習的交易風險識別系統，其特征在于，

所述RBM構建模塊利用對比散度算法對新增的RBM層進行訓練。

7.如權利要求5所述的基于遷移深度學習的交易風險識別系統，其特征在于，

所述BP調優模塊利用已知欺詐樣本進行遷移學習，并且，每當訓練完一層RBM之后，對當前誤差進行BP調優以此來優化網絡參數。