[發明專利]一種特征衍生方法、裝置及電子設備

在審

• 申請號: 201811310629.0
• 申請日: 2018-11-06
• 公開（公告）號: CN109635953A
• 公開（公告）日: 2019-04-16
• 發明（設計）人: 張天翼;郭龍;宋博文
• 申請（專利權）人: 阿里巴巴集團控股有限公司
• 主分類號: G06N20/00
• 分類號: G06N20/00;G06Q10/06
• 代理公司: 北京國昊天誠知識產權代理有限公司 11315
• 代理人: 許振新;朱文杰

本發明公開了一種特征衍生方法、裝置及電子設備，所述方法可以基于原始數據確定初始特征，所述初始特征為包含多個參數的累積型變量，所述原始數據中包含用于累積確定所述多個參數的值的事件明細數據；對所述初始特征的多個參數中的至少一個參數進行變換處理，衍生得到備選特征；將所述備選特征的元特征輸入特征評分模型，得到所述備選特征的評分；如果所述備選特征的評分大于或等于第一預設值，則將所述備選特征確定為衍生出的目標特征。

技術領域

本申請涉及計算機技術領域，尤其涉及一種特征衍生方法、裝置及電子設 備。

背景技術

隨著人工智能技術的發展，依據現有數據中的特征進行機器學習建立相關 模型已非常常見。例如，在第三方支付平臺或網絡購物平臺的風險防控領域， 常依據現有的包含風險特征(例如，交易事件數據中的交易金額、交易頻率等 特征)的數據進行機器學習得到風控模型。

針對各種風控模型，不法分子會不斷的改進作案手段以避開風險防控，使 得風險形式不斷發生變化，例如，非法組織者往往會根據第三方支付平臺的風 控模型不停地嘗試新的手段繞過監管。這就需要不斷地對風控模型進行改進， 以對未來可能出現的新風險做出有效的防控。然而，現有數據中的風險特征無 法代表未來的情況，未來的包含新風險特征的數據還沒有產生，因此，需要對 現有數據中的風險特征進行學習，衍生得到能夠反映未來風險的新風險特征， 以對風控模型進行改進。其中，對現有特征進行學習衍生得到新特征的過程叫 特征衍生。

目前，要么依據人工經驗進行特征衍生，要么利用窮舉的方式進行特征衍 生。前者依賴于領域內的專家經驗，耗時長、衍生過程慢；后者需要花費大量 的計算資源進行計算，耗時也較長、衍生過程也慢。

發明內容

本申請實施例提供了一種特征衍生方法、裝置及電子設備，以解決現有的 特征衍生方案耗時長、衍生過程慢的問題。

為解決上述技術問題，本申請實施例是這樣實現的：

第一方面，提出了一種特征衍生方法，所述方法包括：

基于原始數據確定初始特征，所述初始特征為包含多個參數的累積型變 量，所述原始數據中包含用于累積確定所述多個參數的值的事件明細數據；

對所述初始特征的多個參數中的至少一個參數進行變換處理，衍生得到備 選特征；

將所述備選特征的元特征輸入特征評分模型，得到所述備選特征的評分， 所述特征評分模型是基于包含多個備選特征的元特征的樣本數據和樣本數據 對應的第一標簽訓練得到的，第一標簽為備選特征的評分；

如果所述備選特征的評分大于或等于第一預設值，則將所述備選特征確定 為衍生出的目標特征。

第二方面，提出了一種特征衍生裝置，所述裝置包括：

初始特征確定模塊，用于基于原始數據確定初始特征，所述初始特征為包 含多個參數的累積型變量，所述原始數據中包含用于累積確定所述多個參數的 值的事件明細數據；

備選特征衍生模塊，用于對所述初始特征的多個參數中的至少一個參數進 行變換處理，衍生得到備選特征；

評分模塊，用于將所述備選特征的元特征輸入特征評分模型，得到所述備 選特征的評分，所述特征評分模型是基于包含多個備選特征的元特征的樣本數 據和樣本數據對應的第一標簽訓練得到的，第一標簽為備選特征的評分；

目標特征確定模塊，用于如果所述備選特征的評分大于或等于第一預設 值，則將所述備選特征確定為衍生出的目標特征。

第三方面，提出了一種電子設備，包括：

處理器；以及

被安排成存儲計算機可執行指令的存儲器，所述可執行指令在被執行時使 所述處理器執行以下操作：