[發(fā)明專利]基于RNN的反洗錢模型的訓練方法、裝置、設備及介質

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（設計）人: 蘭沖;郭天佑;汪亞男;肖和兵;李元;夏爾科
• 申請（專利權）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)權代理事務所 44287
• 代理人: 晏波

本發(fā)明涉及金融科技技術領域，公開了一種基于RNN的反洗錢模型的訓練方法、裝置、設備及介質。該方法包括：獲取訓練樣本集，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；將第一交易特征序列數(shù)據(jù)輸入至預設反洗錢模型的循環(huán)神經(jīng)網(wǎng)絡層中，得到第一特征表達；將第一客戶屬性特征數(shù)據(jù)輸入至預設反洗錢模型的全連接神經(jīng)網(wǎng)絡層中，得到第二特征表達；對第一特征表達與第二特征表達進行拼接，得到拼接特征數(shù)據(jù)；通過拼接特征數(shù)據(jù)、標注標簽和預設損失函數(shù)對預設反洗錢模型進行迭代訓練，得到訓練好的初始反洗錢模型。本發(fā)明能夠解決現(xiàn)有反洗錢模型訓練的準確性較差的問題。

技術領域

本發(fā)明涉及金融科技(Fintech)技術領域，尤其涉及一種基于RNN的反洗錢模型的訓練方法、裝置、設備及介質。

背景技術

隨著計算機技術的發(fā)展，越來越多的技術應用在金融領域，傳統(tǒng)金融業(yè)正在逐步向金融科技(Fintech)轉變，但由于金融行業(yè)的安全性、實時性要求，也對技術提出了更高的要求。

反洗錢主要是指預防通過各種方式隱瞞、掩飾犯罪所得和收益來源或收益性質的洗錢行為。隨著金融市場逐漸成熟，國家對反洗錢監(jiān)管愈加重視，現(xiàn)有的金融機構均建立反洗錢機制來識別金融交易過程中的反洗錢風險。目前采取的方式通常為：在金融監(jiān)控系統(tǒng)上設置大量的反洗錢模型來識別每筆交易數(shù)據(jù)是否存在一定的洗錢風險，如果存在則進行風險提醒。現(xiàn)有的反洗錢模型的訓練過程，往往依賴于人工整理的特征，并且在整理特征時，只是采用常規(guī)的特征選擇方法如IV(Information Value，信息價值)值篩選方法，以篩選得到用于模型訓練的特征，進而輸入至預設類型的模型中進行訓練。然而，由于金融交易的復雜性，各個特征之間實際上是存在關聯(lián)的，而上述方式無法考慮到各特征之間的聯(lián)系，從而導致模型訓練的準確性較差，進而影響后續(xù)反洗錢客戶檢測結果的準確性。

發(fā)明內容

本發(fā)明的主要目的在于提供一種基于RNN的反洗錢模型的訓練方法、裝置、設備及介質，旨在解決現(xiàn)有反洗錢模型訓練的準確性較差的問題。

為實現(xiàn)上述目的，本發(fā)明提供一種基于RNN的反洗錢模型的訓練方法，所述基于循環(huán)神經(jīng)網(wǎng)絡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)輸入至預設反洗錢模型的循環(huán)神經(jīng)網(wǎng)絡層中，得到第一特征表達；

將所述第一客戶屬性特征數(shù)據(jù)輸入至所述預設反洗錢模型的全連接神經(jīng)網(wǎng)絡層中，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損失函數(shù)對所述預設反洗錢模型進行迭代訓練，得到訓練好的初始反洗錢模型。

可選地，所述將所述第一交易特征序列數(shù)據(jù)輸入至預設反洗錢模型的循環(huán)神經(jīng)網(wǎng)絡層中，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)大于預設次數(shù)的樣本客戶；

若存在，則根據(jù)檢測結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)輸入至預設反洗錢模型的循環(huán)神經(jīng)網(wǎng)絡層中，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)輸入至預設反洗錢模型的循環(huán)神經(jīng)網(wǎng)絡層中，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)輸入至所述預設反洗錢模型的全連接神經(jīng)網(wǎng)絡層中，得到第二特征表達的步驟包括：