[發(fā)明專利]風(fēng)險(xiǎn)控制方法、裝置、服務(wù)器及可讀存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 201810361737.4
• 申請(qǐng)日: 2018-04-20
• 公開（公告）號(hào): CN108564376A
• 公開（公告）日: 2018-09-21
• 發(fā)明（設(shè)計(jì)）人: 傅欣藝;程羽;陳弢
• 申請(qǐng)（專利權(quán)）人: 阿里巴巴集團(tuán)控股有限公司
• 主分類號(hào): G06Q20/40
• 分類號(hào): G06Q20/40;G06Q40/08
• 代理公司: 北京眾達(dá)德權(quán)知識(shí)產(chǎn)權(quán)代理有限公司 11570
• 代理人: 劉杰

1.一種風(fēng)險(xiǎn)控制方法，包括：

獲取交易數(shù)據(jù)；

從所述交易數(shù)據(jù)中提取出風(fēng)險(xiǎn)特征；

基于所述風(fēng)險(xiǎn)特征，輸入至預(yù)置的寬線性-深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行風(fēng)險(xiǎn)預(yù)測(cè)，得到所述交易數(shù)據(jù)的風(fēng)險(xiǎn)分值；

基于所述風(fēng)險(xiǎn)分值對(duì)所述交易數(shù)據(jù)進(jìn)行控制。

2.根據(jù)權(quán)利要求1所述的方法，還包括：通過以下步驟建立所述寬線性-深度神經(jīng)網(wǎng)絡(luò)模型：

獲取訓(xùn)練樣本，并從訓(xùn)練樣本中提取出樣本特征；

基于所述訓(xùn)練樣本的樣本特征，聯(lián)合學(xué)習(xí)寬線性模型和深度神經(jīng)網(wǎng)絡(luò)模型，計(jì)算出各個(gè)樣本特征的風(fēng)險(xiǎn)權(quán)重，從而得到所述寬線性-深度神經(jīng)網(wǎng)絡(luò)模型。

3.根據(jù)權(quán)利要求1或2所述的方法，如果所述預(yù)置的寬線性-深度神經(jīng)網(wǎng)絡(luò)模型無法識(shí)別出所述風(fēng)險(xiǎn)特征，所述方法還包括：

通過自動(dòng)化分析或人工分析的方式識(shí)別所述風(fēng)險(xiǎn)特征；

將識(shí)別出的新增風(fēng)險(xiǎn)特征融合到所述寬線性-深度神經(jīng)網(wǎng)絡(luò)模型中。

4.根據(jù)權(quán)利要求3所述的方法，所述將識(shí)別出的新增風(fēng)險(xiǎn)特征融合到所述寬線性-深度神經(jīng)網(wǎng)絡(luò)模型中，包括：

對(duì)于所述新增風(fēng)險(xiǎn)特征，自定義風(fēng)險(xiǎn)權(quán)重，從而將所述新增風(fēng)險(xiǎn)特征添加到所述寬線性-深度神經(jīng)網(wǎng)絡(luò)模型所支持的特征變量中；或者，

基于所述新增風(fēng)險(xiǎn)特征以及所述寬線性-深度神經(jīng)網(wǎng)絡(luò)模型的樣本特征，重新訓(xùn)練寬線性-深度神經(jīng)網(wǎng)絡(luò)。

5.根據(jù)權(quán)利要求1或2所述的方法，還包括：

定期獲取預(yù)置時(shí)間段內(nèi)的黑白樣本數(shù)據(jù)；

根據(jù)所述黑白樣本數(shù)據(jù)，基于增量學(xué)習(xí)算法，定期對(duì)所述寬線性-深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行重新調(diào)整。

6.根據(jù)權(quán)利要求5所述的方法，所述根據(jù)所述黑白樣本數(shù)據(jù)，基于增量學(xué)習(xí)算法，定期對(duì)所述寬線性-深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行重新調(diào)整，包括：

基于增量學(xué)習(xí)算法，確定所述黑白樣本數(shù)據(jù)與原有寬線性-深度神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本的相似度；

對(duì)于相似度在相似度閾值之內(nèi)的黑白樣本，提取出黑白樣本特征并確定黑白樣本特征的風(fēng)險(xiǎn)權(quán)重，從而將黑白樣本特征插入到原有寬線性-深度神經(jīng)網(wǎng)絡(luò)中。

7.根據(jù)所述權(quán)利要求6所述的方法，所述增量學(xué)習(xí)算法包括自組織增量學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)算法或者情景記憶馬爾可夫決策算法。

8.一種風(fēng)險(xiǎn)控制裝置，包括：

數(shù)據(jù)獲取單元，用于獲取交易數(shù)據(jù)；

特征提取單元，用于從所述交易數(shù)據(jù)中提取出風(fēng)險(xiǎn)特征；

風(fēng)險(xiǎn)預(yù)測(cè)單元，用于基于所述風(fēng)險(xiǎn)特征，輸入至預(yù)置的寬線性-深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行風(fēng)險(xiǎn)預(yù)測(cè)，得到所述交易數(shù)據(jù)的風(fēng)險(xiǎn)分值；

風(fēng)險(xiǎn)控制單元，用于基于所述風(fēng)險(xiǎn)分值對(duì)所述交易數(shù)據(jù)進(jìn)行控制。

9.根據(jù)權(quán)利要求8所述的裝置，還包括：

模型建立單元，用于建立所述寬線性-深度神經(jīng)網(wǎng)絡(luò)模型；

所述模型建立單元包括：

樣本獲取及處理子單元，用于獲取訓(xùn)練樣本，并從訓(xùn)練樣本中提取出樣本特征；

模型學(xué)習(xí)子單元，用于基于所述訓(xùn)練樣本的樣本特征，聯(lián)合學(xué)習(xí)寬線性模型和深度神經(jīng)網(wǎng)絡(luò)模型，計(jì)算出各個(gè)樣本特征的風(fēng)險(xiǎn)權(quán)重，從而得到所述寬線性-深度神經(jīng)網(wǎng)絡(luò)模型。

10.根據(jù)權(quán)利要求8或9所述的裝置，還包括：

特征識(shí)別單元，用于通過自動(dòng)化分析或人工分析的方式識(shí)別所述風(fēng)險(xiǎn)特征；

特征融合單元，用于將識(shí)別出的新增風(fēng)險(xiǎn)特征融合到所述寬線性-深度神經(jīng)網(wǎng)絡(luò)模型中。

11.根據(jù)權(quán)利要求10所述的裝置，所述特征融合單元具體用于：

對(duì)于所述新增風(fēng)險(xiǎn)特征，自定義風(fēng)險(xiǎn)權(quán)重，從而將所述新增風(fēng)險(xiǎn)特征添加到所述寬線性-深度神經(jīng)網(wǎng)絡(luò)模型所支持的特征變量中；或者，

基于所述新增風(fēng)險(xiǎn)特征以及所述寬線性-深度神經(jīng)網(wǎng)絡(luò)模型的樣本特征，重新訓(xùn)練寬線性-深度神經(jīng)網(wǎng)絡(luò)。