[發(fā)明專利]用于進行風險評估的神經網絡系統、方法及裝置

有效

• 申請?zhí)枺?/td>: 202011147771.5
• 申請日: 2020-10-23
• 公開（公告）號: CN111967565B
• 公開（公告）日: 2021-04-27
• 發(fā)明（設計）人: 宋博文;陳帥;張?zhí)煲?/a>
• 申請（專利權）人: 支付寶（杭州）信息技術有限公司
• 主分類號: G06N3/02
• 分類號: G06N3/02
• 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: 陳霽;周良玉

本說明書實施例提供一種適用于在多方隱私保護下進行風險評估的神經網絡系統，包括：適用于多方分布式部署的第一神經網絡模型和第二神經網絡模型；其中第一神經網絡模型包括對應于第一用戶的N個屬性字段的N個子模型，用于獲取對應的屬性字段在T個操作事件的T個字段值，對其分別進行編碼，得到T個特征向量，再對該T個特征向量進行第一向量組合，得到該屬性字段對應的屬性嵌入向量，其中第一向量組合包括涉及K個特征向量相乘的K階向量間組合運算，K＞=2；第二神經網絡模型用于，對該N個子模型輸出的N個屬性嵌入向量進行第二向量組合，得到該第一事件序列對應的第一嵌入向量，進而基于該第一嵌入向量確定與該第一用戶相關的風險評估結果。

技術領域

本說明書一個或多個實施例涉及人工智能和機器學習領域，尤其涉及利用神經網絡系統進行風險評估的方法和裝置。

背景技術

隨著計算機網絡的快速發(fā)展，網絡安全問題日益突出。存在多種高風險操作行為，例如盜取賬戶、流量攻擊、欺詐交易等等，有可能威脅網絡安全或用戶信息安全。出于網絡安全和風險防控的考慮，在許多場景下，需要對用戶風險類型、用戶操作行為或操作事件等進行分析和處理，評估與用戶相關的風險程度，以便進行風險防控。

為了評估與用戶相關的風險度，可以基于與用戶相關的某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(fā)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。然而，不管是操作事件還是行為序列數據，目前在進行特征刻畫時往往是基于對交易的屬性沖突、變異等行為特征進行刻畫。但這種方式在一定程度上容易造成風險的漏放，比如惡意使用者如果有意的避開行為的聚集，使得累計變量的聚集性描述作用降低，那么風險識別能力將大打折扣。

此外，雖然可以從不同的風險模塊來刻畫不同種類風險，但是這些風險刻畫標簽往往依賴于在案件分析時發(fā)現的屬性聚集，而這一部分往往比較偏人工分析。然而，可以理解，在人工分析階段嚴重依賴于人工的業(yè)務經驗和效率。當業(yè)務經驗不夠完善的時候，人工選取的特征很可能不夠全面或不夠具有代表性，使得基于特征的事件分析準確性不夠高。并且，人工分析存在安全性泄露的風險。一旦選取特征的方式被泄露，惡意使用者就會采取相應的規(guī)避策略，有意避開選取的特征進行其他方式的攻擊。

因此，希望能有改進的方案，更為準確有效地對與用戶相關的風險進行風險度分析，以便于進行風險防控。

發(fā)明內容

本說明書一個或多個實施例描述了用于進行風險評估的神經網絡系統、方法及裝置，可以感知不同時刻屬性字段的變化，從屬性字段的變化中預測風險，從而更準確地確定與用戶相關的風險評估結果。

根據第一方面，提供了一種用于進行風險評估的神經網絡系統，包括：輸入層，用于獲取第一事件序列，所述第一事件序列包括按照時間順序依次排列的第一用戶的T個操作事件，每個操作事件對應N個屬性字段；編碼層，用于針對所述N個屬性字段中的各個屬性字段，對該屬性字段對應所述T個操作事件的T個字段值分別進行編碼，得到T個特征向量；第一組合層，用于對所述T個特征向量進行第一向量組合，得到該屬性字段對應的屬性嵌入向量，其中第一向量組合包括涉及K個特征向量相乘的K階向量間組合運算，其中K＞=2；第一嵌入層，用于對所述N個屬性字段對應的N個屬性嵌入向量進行第二向量組合，得到所述第一事件序列對應的第一嵌入向量；全連接處理層，用于對所述第一嵌入向量進行處理，得到處理向量；輸出層，用于根據所述處理向量，確定與所述第一用戶相關的風險評估結果。