[發(fā)明專利]基于RNN的反洗錢模型的訓練方法、裝置、設(shè)備及介質(zhì)

在審

• 申請?zhí)枺?/td>: 202010794245.1
• 申請日: 2020-08-07
• 公開（公告）號: CN111915437A
• 公開（公告）日: 2020-11-10
• 發(fā)明（設(shè)計）人: 蘭沖;郭天佑;汪亞男;肖和兵;李元;夏爾科
• 申請（專利權(quán)）人: 深圳前海微眾銀行股份有限公司;香港科技大學
• 主分類號: G06Q40/04
• 分類號: G06Q40/04;G06N3/04;G06N3/08
• 代理公司: 深圳市世紀恒程知識產(chǎn)權(quán)代理事務(wù)所 44287
• 代理人: 晏波

1.一種基于RNN的反洗錢模型的訓練方法，其特征在于，所述基于循環(huán)神經(jīng)網(wǎng)絡(luò)RNN的反洗錢模型的訓練方法包括：

獲取訓練樣本集，所述訓練樣本集包括樣本客戶的第一交易特征序列數(shù)據(jù)、第一客戶屬性特征數(shù)據(jù)和標注標簽；

將所述第一交易特征序列數(shù)據(jù)輸入至預設(shè)反洗錢模型的循環(huán)神經(jīng)網(wǎng)絡(luò)層中，得到第一特征表達；

將所述第一客戶屬性特征數(shù)據(jù)輸入至所述預設(shè)反洗錢模型的全連接神經(jīng)網(wǎng)絡(luò)層中，得到第二特征表達；

對所述第一特征表達與所述第二特征表達進行拼接，得到拼接特征數(shù)據(jù)；

通過所述拼接特征數(shù)據(jù)、所述標注標簽和預設(shè)損失函數(shù)對所述預設(shè)反洗錢模型進行迭代訓練，得到訓練好的初始反洗錢模型。

2.如權(quán)利要求1所述的基于RNN的反洗錢模型的訓練方法，其特征在于，所述將所述第一交易特征序列數(shù)據(jù)輸入至預設(shè)反洗錢模型的循環(huán)神經(jīng)網(wǎng)絡(luò)層中，得到第一特征表達的步驟之前，還包括：

根據(jù)所述第一交易特征序列數(shù)據(jù)獲取各樣本客戶的交易次數(shù)；

根據(jù)所述各樣本客戶的交易次數(shù)檢測是否存在交易次數(shù)大于預設(shè)次數(shù)的樣本客戶；

若存在，則根據(jù)檢測結(jié)果對所述第一交易特征序列數(shù)據(jù)和所述第一客戶屬性特征數(shù)據(jù)進行數(shù)據(jù)增強處理；

所述將所述第一交易特征序列數(shù)據(jù)輸入至預設(shè)反洗錢模型的循環(huán)神經(jīng)網(wǎng)絡(luò)層中，得到第一特征表達的步驟包括：

將經(jīng)數(shù)據(jù)增強處理的第一交易特征序列數(shù)據(jù)輸入至預設(shè)反洗錢模型的循環(huán)神經(jīng)網(wǎng)絡(luò)層中，得到第一特征表達；

所述將所述第一客戶屬性特征數(shù)據(jù)輸入至所述預設(shè)反洗錢模型的全連接神經(jīng)網(wǎng)絡(luò)層中，得到第二特征表達的步驟包括：

將經(jīng)數(shù)據(jù)增強處理的第一客戶屬性特征數(shù)據(jù)輸入至所述預設(shè)反洗錢模型的全連接神經(jīng)網(wǎng)絡(luò)層中，得到第二特征表達。

3.如權(quán)利要求2所述的基于RNN的反洗錢模型的訓練方法，其特征在于，所述根據(jù)檢測結(jié)果對所述第一交易特征序列數(shù)據(jù)和所述第一客戶屬性特征數(shù)據(jù)進行數(shù)據(jù)增強處理的步驟包括：

根據(jù)檢測結(jié)果獲取目標正例樣本客戶和目標負例樣本客戶，并獲取所述目標正例樣本客戶的第二交易特征序列數(shù)據(jù)和第二客戶屬性特征數(shù)據(jù)、及所述目標負例樣本客戶的第三交易特征序列數(shù)據(jù)和第三客戶屬性特征數(shù)據(jù)；

根據(jù)預設(shè)采樣次數(shù)公式和第一預設(shè)平衡參數(shù)確定所述目標正例樣本客戶的第一采樣次數(shù)，并根據(jù)所述預設(shè)采樣次數(shù)公式和第二預設(shè)平衡參數(shù)確定所述目標負例樣本客戶的第二采樣次數(shù)；

根據(jù)所述第一采樣次數(shù)對所述第二交易特征序列數(shù)據(jù)進行采樣，根據(jù)第一采樣結(jié)果對所述第二交易特征序列數(shù)據(jù)進行擴充，得到第四交易特征序列數(shù)據(jù)，并根據(jù)所述第一采樣結(jié)果對所述第二客戶屬性特征數(shù)據(jù)進行擴充，得到第四客戶屬性特征數(shù)據(jù)；

根據(jù)所述第二采樣次數(shù)對所述第三交易特征序列數(shù)據(jù)進行采樣，根據(jù)第二采樣結(jié)果對所述第三交易特征序列數(shù)據(jù)進行擴充，得到第五交易特征序列數(shù)據(jù)，并根據(jù)所述第二采樣結(jié)果對所述第三客戶屬性特征數(shù)據(jù)進行擴充，得到第五客戶屬性特征數(shù)據(jù)；

根據(jù)所述第四交易特征序列數(shù)據(jù)和所述第五交易特征序列數(shù)據(jù)確定最大交易次數(shù)；

根據(jù)所述最大交易次數(shù)對所述第四交易特征序列數(shù)據(jù)、所述第五交易特征序列數(shù)據(jù)、及除所述目標正例樣本客戶和所述目標負例樣本客戶之外的樣本客戶的交易特征序列數(shù)據(jù)進行填充處理，并根據(jù)填充處理結(jié)果得到經(jīng)數(shù)據(jù)增強處理的第一交易特征序列數(shù)據(jù)；

根據(jù)所述第四客戶屬性特征數(shù)據(jù)、所述第五客戶屬性特征數(shù)據(jù)和所述第一客戶屬性特征數(shù)據(jù)，得到經(jīng)數(shù)據(jù)增強處理的第一客戶屬性特征數(shù)據(jù)。

4.如權(quán)利要求2所述的基于RNN的反洗錢模型的訓練方法，其特征在于，所述基于RNN的反洗錢模型的訓練方法還包括：

在經(jīng)過數(shù)據(jù)增強處理后，獲取當前訓練樣本集中正例樣本客戶的比例；

根據(jù)所述比例調(diào)整所述預設(shè)損失函數(shù)的權(quán)重系數(shù)；

所述通過所述拼接特征數(shù)據(jù)、所述標注標簽和預設(shè)損失函數(shù)對所述預設(shè)反洗錢模型進行迭代訓練，得到訓練好的初始反洗錢模型的步驟包括：

通過所述拼接特征數(shù)據(jù)、所述標注標簽和調(diào)整權(quán)重系數(shù)后的預設(shè)損失函數(shù)對所述預設(shè)反洗錢模型進行迭代訓練，得到訓練好的初始反洗錢模型。