[發(fā)明專利]用于進(jìn)行風(fēng)險(xiǎn)評(píng)估的神經(jīng)網(wǎng)絡(luò)系統(tǒng)、方法及裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 202011147771.5
• 申請(qǐng)日: 2020-10-23
• 公開(kāi)（公告）號(hào): CN111967565B
• 公開(kāi)（公告）日: 2021-04-27
• 發(fā)明（設(shè)計(jì)）人: 宋博文;陳帥;張?zhí)煲?/a>
• 申請(qǐng)（專利權(quán)）人: 支付寶（杭州）信息技術(shù)有限公司
• 主分類號(hào): G06N3/02
• 分類號(hào): G06N3/02
• 代理公司: 北京億騰知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11309
• 代理人: 陳霽;周良玉

1.一種適用于在多方隱私保護(hù)下進(jìn)行風(fēng)險(xiǎn)評(píng)估的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，包括：適用于多方分布式部署的第一神經(jīng)網(wǎng)絡(luò)模型和第二神經(jīng)網(wǎng)絡(luò)模型；

所述第一神經(jīng)網(wǎng)絡(luò)模型包括對(duì)應(yīng)于第一用戶的N個(gè)屬性字段的N個(gè)子模型，N個(gè)子模型用于，獲取對(duì)應(yīng)的屬性字段在T個(gè)操作事件的T個(gè)字段值，對(duì)其分別進(jìn)行編碼，得到T個(gè)特征向量，再對(duì)該T個(gè)特征向量進(jìn)行第一向量組合，得到該屬性字段對(duì)應(yīng)的屬性嵌入向量；其中第一向量組合包括涉及K個(gè)特征向量相乘的K階向量間組合運(yùn)算，其中K＞=2；

所述第二神經(jīng)網(wǎng)絡(luò)模型用于，對(duì)所述N個(gè)子模型輸出的N個(gè)屬性嵌入向量進(jìn)行第二向量組合，得到第一事件序列對(duì)應(yīng)的第一嵌入向量，進(jìn)而基于該第一嵌入向量確定與所述第一用戶相關(guān)的風(fēng)險(xiǎn)評(píng)估結(jié)果；所述第一事件序列包括按照時(shí)間順序依次排列的所述T個(gè)操作事件；

其中，所述N個(gè)子模型部署在N個(gè)不同的獨(dú)立計(jì)算平臺(tái)；第二神經(jīng)網(wǎng)絡(luò)模型部署在共享服務(wù)平臺(tái)。

2.根據(jù)權(quán)利要求1所述的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，其中，所述N個(gè)屬性字段包括以下中的多個(gè)：IP地址，設(shè)備類型，地理位置，支付渠道，支付卡號(hào)，支付卡的發(fā)卡行。

3.根據(jù)權(quán)利要求1所述的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，其中，對(duì)該T個(gè)特征向量進(jìn)行第一向量組合，得到該屬性字段對(duì)應(yīng)的屬性嵌入向量，包括：

對(duì)所述T個(gè)特征向量進(jìn)行線性組合運(yùn)算，以及進(jìn)行K階以內(nèi)的向量間組合運(yùn)算；

將各組合運(yùn)算的結(jié)果求和，基于求和結(jié)果得到所述屬性嵌入向量。

4.根據(jù)權(quán)利要求1所述的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，其中，對(duì)所述N個(gè)子模型輸出的N個(gè)屬性嵌入向量進(jìn)行第二向量組合，得到所述第一事件序列對(duì)應(yīng)的第一嵌入向量，包括：

對(duì)所述N個(gè)屬性嵌入向量進(jìn)行線性組合運(yùn)算，以及進(jìn)行M階以內(nèi)的向量間組合運(yùn)算，基于各組合運(yùn)算的求和，得到所述第一嵌入向量，其中M＞=2。

5.根據(jù)權(quán)利要求1 所述的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，其中，對(duì)所述N個(gè)子模型輸出的N個(gè)屬性嵌入向量進(jìn)行第二向量組合，得到所述第一事件序列對(duì)應(yīng)的第一嵌入向量，包括：

基于注意力機(jī)制，對(duì)所述N個(gè)屬性嵌入向量進(jìn)行融合，得到所述第一嵌入向量。

6.根據(jù)權(quán)利要求5所述的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，其中，基于注意力機(jī)制，對(duì)所述N個(gè)屬性嵌入向量進(jìn)行融合，得到所述第一嵌入向量，具體包括：

利用權(quán)重分配因子，對(duì)所述N個(gè)屬性嵌入向量進(jìn)行加權(quán)組合，得到所述第一嵌入向量。

7.根據(jù)權(quán)利要求1所述的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，其中，所述T個(gè)操作事件包括有待評(píng)估的當(dāng)前操作事件，以及T-1個(gè)歷史操作事件。

8.根據(jù)權(quán)利要求7所述的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，其中，所述T-1歷史操作事件是從當(dāng)前操作事件向前回溯預(yù)定范圍的歷史操作事件，所述預(yù)定范圍包括預(yù)定時(shí)間范圍和/或預(yù)定事件數(shù)量。

9.根據(jù)權(quán)利要求7所述的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，其中，所述N個(gè)屬性字段中包括事件操作結(jié)果，所述當(dāng)前操作事件對(duì)應(yīng)該事件操作結(jié)果的字段值為缺省值。

10.一種在多方隱私保護(hù)下通過(guò)神經(jīng)網(wǎng)絡(luò)系統(tǒng)進(jìn)行風(fēng)險(xiǎn)評(píng)估的方法，其中，所述神經(jīng)網(wǎng)絡(luò)系統(tǒng)包括適用于多方分布式部署的第一神經(jīng)網(wǎng)絡(luò)模型和第二神經(jīng)網(wǎng)絡(luò)模型，所述第一神經(jīng)網(wǎng)絡(luò)模型包括對(duì)應(yīng)于第一用戶的N個(gè)屬性字段的N個(gè)子模型；所述方法包括：

利用所述N個(gè)子模型，獲取對(duì)應(yīng)的屬性字段在T個(gè)操作事件的T個(gè)字段值，對(duì)其分別進(jìn)行編碼，得到T個(gè)特征向量，再對(duì)該T個(gè)特征向量進(jìn)行第一向量組合，得到該屬性字段對(duì)應(yīng)的屬性嵌入向量；其中第一向量組合包括涉及K個(gè)特征向量相乘的K階向量間組合運(yùn)算，其中K＞=2；

利用所述第二神經(jīng)網(wǎng)絡(luò)對(duì)所述N個(gè)子模型輸出的N個(gè)屬性嵌入向量進(jìn)行第二向量組合，得到第一事件序列對(duì)應(yīng)的第一嵌入向量，進(jìn)而基于該第一嵌入向量確定與所述第一用戶相關(guān)的風(fēng)險(xiǎn)評(píng)估結(jié)果；所述第一事件序列包括按照時(shí)間順序依次排列的所述T個(gè)操作事件；

其中，所述N個(gè)子模型部署在N個(gè)不同的獨(dú)立計(jì)算平臺(tái)；第二神經(jīng)網(wǎng)絡(luò)模型部署在共享服務(wù)平臺(tái)。