[發明專利]風險監控方法、裝置、存儲介質及電子設備

有效

• 申請號: 201910351344.X
• 申請日: 2019-04-28
• 公開（公告）號: CN111860554B
• 公開（公告）日: 2023-06-30
• 發明（設計）人: 李國琪;姜偉浩;浦世亮;閆春
• 申請（專利權）人: 杭州海康威視數字技術股份有限公司
• 主分類號: G06F18/20
• 分類號: G06F18/20;G06F18/2321
• 代理公司: 北京博思佳知識產權代理有限公司 11415
• 代理人: 林祥

本申請提供一種風險監控方法、裝置、存儲介質及電子設備，用以提高有監督學習模型的風險區分能力，該風險監控方法包括：獲取樣本數據；所述樣本數據中各數據關聯同一類型事件；根據所述樣本數據執行以下操作：從所述樣本數據中提取已訓練的有監督學習模型所需要的數據特征；按照與所述有監督學習模型對應的聚類規則對所述樣本數據進行聚類學習并確定第一最終聚類結果；將所述樣本數據、所述數據特征和所述第一最終聚類結果提供給所述有監督學習模型，由所述有監督學習模型根據所述數據特征和所述第一最終聚類結果對所述樣本數據中各個數據對應的事件進行風險分析。

技術領域

本申請涉及數據處理技術領域，尤其涉及一種風險監控方法、裝置、存儲介質及電子設備。

背景技術

隨著電子技術和互聯網技術的發展，在線支付、自動轉賬、銀行卡消費、第三方支付平臺支付等支付方式越來越滲透到生活中的方方面面，例如線上電商、線下超市、打車等，由于不是現金交易，因此不可避免的會帶來支付風險。

目前為了對支付風險進行風險監控，在支付場景中引入了風險監控方法。傳統的風險監控方法一般先提取樣本數據的數據特征，然后采用有監督學習模型根據提取到的數據特征對樣本數據中各個數據進行風險分析，而采用該方法提取到的數據特征不夠完善，從而造成有監督學習模型的風險區分能力不是很高。

發明內容

有鑒于此，本申請提供一種風險監控方法、裝置、存儲介質及電子設備，用以提高有監督學習模型的風險區分能力。

第一方面，本申請實施例提供了一種風險監控方法，所述方法包括：

獲取樣本數據；所述樣本數據中各數據關聯同一類型事件；

根據所述樣本數據執行以下操作：

從所述樣本數據中提取已訓練的有監督學習模型所需要的數據特征；

按照與所述有監督學習模型對應的聚類規則對所述樣本數據進行聚類學習并確定第一最終聚類結果；

將所述樣本數據、所述數據特征和所述第一最終聚類結果提供給所述有監督學習模型，由所述有監督學習模型根據所述數據特征和所述第一最終聚類結果對所述樣本數據中各個數據對應的事件進行風險分析。

上述風險監控方法，在利用已訓練的有監督學習模型對樣本數據中各個數據對應的事件進行風險分析之前，加入了聚類學習，然后將聚類學習確定的第一最終聚類結果提供給已訓練的有監督學習模型，這樣第一最終聚類結果也可作為特征以幫助有監督學習模型對樣本數據中各個數據對應的事件進行風險分析，因此可以提高有監督學習模型的風險區分能力。

在一可能的實現方式中，所述按照與所述有監督學習模型對應的聚類規則對所述樣本數據進行聚類學習并確定第一最終聚類結果，包括：

至少按一種與所述有監督學習模型對應的設定尺寸的特征區間將所述樣本數據劃分為數據塊，不同尺寸的所述特征區間包含不同數量的特征；

對每一所述數據塊采用基于密度的聚類算法DBSCAN進行聚類學習并確定聚類結果；

根據每一所述數據塊的聚類結果確定第一最終聚類結果。

該方法中，基于特征將樣本數據劃分為數據塊，然后計算每一數據塊的聚類結果并作為特征提供給有監督學習模型，以此增加提供給有監督學習模型的特征，因此可以提高有監督學習模型的風險區分能力。

在一可能的實現方式中，所述根據每一所述數據塊的聚類結果確定第一最終聚類結果，包括：

將各種設定尺寸的特征區間對應的各個數據塊進行合并，并至少按一種與所述有監督學習模型對應的設定尺寸的數據塊區間將合并后的所有數據塊劃分為數據塊組，或者至少按一種與所述有監督學習模型對應的設定尺寸的數據塊區間分別將每一種設定尺寸的特征區間對應的所有數據塊劃分為數據塊組，不同尺寸的所述數據塊區間包含不同數量的數據塊；