[發明專利]風險預測模型的訓練方法及裝置

在審

• 申請號: 202011248288.6
• 申請日: 2020-11-10
• 公開（公告）號: CN112330035A
• 公開（公告）日: 2021-02-05
• 發明（設計）人: 金璐
• 申請（專利權）人: 支付寶（杭州）信息技術有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;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: 陳霽;周良玉

1.一種風險預測模型的訓練方法，包括：

獲取歷史身份認證對應的歷史數據；

根據該歷史數據，確定訓練樣本的樣本特征，并確定該訓練樣本的風險標簽；其中，所述樣本特征包括：執行該歷史身份認證采用的身份特征、該歷史身份認證執行過程中所采用設備的設備特征、所使用賬號的賬號特征、以及該歷史身份認證執行過程中涉及行為的行為特征；

將所述樣本特征輸入風險預測模型，得到預測結果；根據所述預測結果和所述風險標簽，訓練所述風險預測模型。

2.根據權利要求1所述的方法，其中，所述風險預測模型包括，分別針對多個風險類型進行風險預測的多個子模型；所述多個風險類型包括：設備風險、賬號風險、行為風險以及身份風險；

將所述樣本特征輸入風險預測模型，得到預測結果，包括：

將所述樣本特征分別輸入所述多個子模型，得到對應于所述多個風險類型的多個子預測結果；

根據所述預測結果和所述風險標簽，訓練所述風險預測模型，包括：

根據各子預測結果與該訓練樣本的風險標簽，訓練所述風險預測模型。

3.根據權利要求2所述的方法，其中，所述設備特征包括以下中的至少一種：執行該歷史身份認證所采用的設備的型號、所述設備的參數、所述設備中安裝的各客戶端信息；所述多個子模型包括：用于預測設備風險的第一子模型；

將所述樣本特征分別輸入所述多個子模型，得到對應于所述多個風險類型的多個子預測結果，包括：

將所述設備特征輸入所述第一子模型，得到所述第一子模型輸出的第一子預測結果，所述第一子預測結果示出所述設備的機型為風險機型的概率、所述設備的參數是偽造參數的概率、所述設備中安裝有非法客戶端的概率中的至少一種。

4.根據權利要求2所述的方法，其中，所述賬號特征包括以下中的至少一種：所述賬號的屬性信息、所述賬號的歷史使用信息；所述多個子模型包括：用于預測賬號風險的第二子模型；

將所述樣本特征分別輸入所述多個子模型，得到對應于所述多個風險類型的多個子預測結果，包括：

將所述賬號特征輸入所述第二子模型，得到所述第二子模型輸出的第二子預測結果，所述第二子預測結果示出所述賬號是非法賬號的概率、所述賬號是沉睡賬號的概率中的至少一種。

5.根據權利要求2所述的方法，其中，所述行為特征包括以下中的至少一種：觸發所述歷史身份認證的用戶的行為信息、執行所述歷史身份認證的客戶端的行為信息；所述多個子模型包括：用于預測行為風險的第三子模型；

將所述樣本特征分別輸入所述多個子模型，得到對應于所述多個風險類型的多個子預測結果，包括：

將所述行為特征輸入所述第三子模型，得到所述第三子模型輸出的第三子預測結果，所述第三子預測結果示出所述用戶的行為是非法行為的概率、所述客戶端的行為是非法行為的概率中的至少一種。

6.根據權利要求2所述的方法，其中，所述身份特征包括以下中的至少一種：執行該歷史身份認證時采集的面部數據、聲紋數據、指紋數據、指靜脈數據、虹膜數據、文本數據；所述多個子模型包括：用于預測身份風險的第四子模型；

將所述樣本特征分別輸入所述多個子模型，得到對應于所述多個風險類型的多個子預測結果，包括：

將所述身份特征輸入所述第四子模型，得到所述第四子模型輸出的第四子預測結果，所述第四子預測結果示出所述身份特征包含的數據是非法數據的概率。

7.根據權利要求2至6任一所述的方法，其中，確定該訓練樣本的風險標簽，包括：

確定該訓練樣本針對所述多個風險類型的多個子標簽；

根據各子標簽，確定該訓練樣本的風險標簽；

根據所述預測結果和所述風險標簽，訓練所述風險預測模型，包括：

針對每個子模型，以該子模型輸出的子預測結果與該子預測結果對應的子標簽的差異最小化為訓練目標，訓練該子模型。