[發明專利]訓練事件預測模型的方法及裝置

有效

• 申請號: 202010888440.0
• 申請日: 2020-08-28
• 公開（公告）號: CN111814977B
• 公開（公告）日: 2020-12-18
• 發明（設計）人: 宋博文;顧曦;陳帥
• 申請（專利權）人: 支付寶（杭州）信息技術有限公司
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N20/00;G06K9/62
• 代理公司: 北京億騰知識產權代理事務所(普通合伙) 11309
• 代理人: 陳婧玥;周良玉

本說明書實施例提供一種訓練事件預測模型的方法，該方法可以應用于遷移學習的場景，通過設置中立的服務器，實現源域參與方和目標域參與方的數據隔離和隱私安全保護。其中源域參與方部署源域特征提取器，目標域參與方部署目標域特征器，中立的服務器中部署事件預測模型中的模型共用部分，具體包括共享特征提取器、圖神經網絡和分類網絡。對于任一的參與方，其利用本域的特征提取器對本域中的樣本進行特征提取，得到本域特征表示，再利用從服務器獲取的模型共用部分的當前參數，對該本域特征表示進行處理，得到對應的事件分類結果，進而基于事件分類結果和本域樣本進行模型更新，并將模型共用部分的更新結果上傳至服務器，以使服務器進行集中更新。

技術領域

本說明書一個或多個實施例涉及機器學習領域，尤其涉及利用機器學習訓練事件預測模型的方法和裝置。

背景技術

在許多場景下，需要對用戶操作行為或操作事件進行分析和處理。例如，為了識別出有可能威脅網絡安全或用戶信息安全的高風險操作行為，例如盜取賬戶、流量攻擊、欺詐交易等等，可以評估用戶操作行為的風險程度，以便進行風險防控。

為了評估某項操作行為的風險度，可以基于該項操作行為本身的特征進行分析。進一步地，還可以更全面地考慮用戶的行為序列。行為序列是用戶在日常操作使用中產生的一系列點擊、訪問、購買等事件的發生過程，可表示為事件集合的時間序列，它蘊含了用戶的細粒度習慣偏好等特點，便于更全面地分析用戶的操作歷史和操作模式。

隨著機器學習的興起，利用機器學習對操作行為或操作事件進行評估，已成為當下研究的熱點。然而，目前的評估方式較為單一，導致評估準確度十分有限。因此，希望能有改進的方案，更為準確有效地對操作事件進行分析處理，以便于進行風險防控。

發明內容

本說明書一個或多個實施例描述了訓練事件預測模型的方法及裝置，其中通過構建基于用戶事件序列的關系網絡圖，并利用高階的、具有豐富表征含義的特征表示對關系網絡圖中的節點進行節點向量初始化，進而對關系網絡進行更加有效的圖嵌入處理，從而實現對事件的準確表征和分類預測。

根據第一方面，提供一種訓練事件預測模型的方法，所述方法包括：

獲取多個訓練樣本，其中各個樣本中包括用戶的多個操作事件構成的事件序列，以及對應的分類標簽；獲取針對該多個訓練樣本對應的多個用戶而構建的關系網絡圖，其中包括對應該多個用戶的多個節點，以及節點之間存在關聯關系而形成的連接邊；將所述各個樣本作為當前樣本，輸入事件預測模型，該事件預測模型包括特征提取器、圖神經網絡和分類網絡，其中，利用所述特征提取器對所述當前樣本進行特征提取，所述特征提取器包括編碼層、第一嵌入層和第二嵌入層；其中編碼層用于，針對當前樣本所對應當前事件序列中的每個事件，將該事件的多項屬性信息編碼為對應的多個編碼向量；第一嵌入層用于，對所述每個事件的多個編碼向量進行第一組合，得到各個事件對應的各個事件向量；第二嵌入層用于，對所述各個事件向量進行第二組合，得到所述當前事件序列對應的特征表示；利用所述圖神經網絡，基于所述特征表示，對所述關系網絡圖進行圖嵌入處理，得到所述當前事件序列的圖嵌入向量；利用所述分類網絡，基于所述圖嵌入向量，預測所述當前樣本的事件類別，得到預測結果；基于各個樣本的預測結果和對應的分類標簽，訓練所述事件預測模型。

根據第二方面，提供一種訓練事件預測模型的方法，所述方法包括：