CN111489168A - 一种目标对象的风险识别方法、装置和处理设备 - Google Patents
一种目标对象的风险识别方法、装置和处理设备 Download PDFInfo
- Publication number
- CN111489168A CN111489168A CN202010306216.6A CN202010306216A CN111489168A CN 111489168 A CN111489168 A CN 111489168A CN 202010306216 A CN202010306216 A CN 202010306216A CN 111489168 A CN111489168 A CN 111489168A
- Authority
- CN
- China
- Prior art keywords
- data
- target object
- risk identification
- model
- risk
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Animal Behavior & Ethology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Computer Security & Cryptography (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书提供一种目标对象的风险识别方法、装置和处理设备。一个方法实施例中,可以按照一定的更新频率获取模型的训练数据中的相对固定的数据,再结合实时的特征数据一同输入模型进行模型的局部更新,进而可以实现模型的实时更新。利用本说明书实施例的风险识别模型,可以提高训练效率和模型的更新速度,提升模型的预测效率和预测效果。
Description
技术领域
本说明书实施例属于计算机数据处理领域,尤其涉及一种目标对象的风险识别方法、装置和处理设备。
背景技术
随着计算机网络的快速发展,大数据金融、第三方支付、区块链金融等网络金融企业也迅猛发展。出于利益诱惑,越来越多的不法分子利用企业账户进行套现、诈骗等犯罪行为,欺诈风险不断出现。为此,现有中常常采用一些现有的机器学习算法进行风险识别,预警网络欺诈风险。
目前现有方案采用的机器学习算法主要是获取企业的一些特征数据,然后进行离线模型的训练,训练完后的模型投入到线上使用,在终端设备中输出预测结果。
发明内容
本说明书目的在于提供一种目标对象的风险识别方法、装置和处理设备,可以及时更新模型得到训练数据和模型本身,提高模型预测的时效性和输出的预测结果的准确性。
本说明书实施例提供的一种目标对象的风险识别方法、装置和处理设备是通过包括以下方式实现的:
一种目标对象的风险识别方法,包括:
以预先构建的目标对象的知识图谱中的实体为节点、实体之间的关系数据为边,利用选取的图神经网络算法对所述知识图谱进行分类处理,获取节点的图向量数据;
获取目标对象最新的风险特征数据;
将所述风险特征数据与所述图向量数据作为选取的风险识别模型的输入数据进行训练,得到更新后风险识别模型;其中,所述图向量数据按照预设频率更新;
基于更新后风险识别模型识别目标对象中存在风险的节点。
一种目标对象的风险识别装置,包括:
固定特征模块,用于以预先构建的目标对象的知识图谱中的实体为节点、实体之间的关系数据为边,利用选取的图神经网络算法对所述知识图谱进行分类处理,获取节点的图向量数据;
变化特征模块,用于获取目标对象最新的风险特征数据;
更新模块,用于将所述风险特征数据与所述图向量数据作为选取的风险识别模型的输入数据进行训练,得到更新后风险识别模型;其中,所述图向量数据按照预设频率更新;
风险识别模块,用于基于更新后风险识别模型识别目标对象中存在风险的节点。
一种处理设备分片处理设备,包括:至少一个处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现本说明书中任一实施例所述的方法。
本说明书实施例提供的一种目标对象的风险识别方法、装置和处理设备,可以按照一定的更新频率获取模型的训练数据中的相对固定的数据,再结合实时的特征数据一同输入模型进行模型的局部更新,进而可以实现模型的实时更新。利用本说明书实施例的风险识别模型,实现了目标对象数据特征的实时性和模型更新的实时性,提高了训练效率和模型的更新速度,提升了模型的预测效率和预测效果。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1是本说明书提供的一个目标对象的风险识别方法的流程示意图;
图2是本说明书提供的另一个目标对象的风险识别方法的流程示意图;
图3是应用本发明实施例的一个目标对象的风险识别方法的处理设备的硬件结构框图;
图4是本说明书提供的一个目标对象的风险识别装置的模块结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都应当属于本说明书保护的范围。
目前一些终端设备上采用的实时的企业风险识别算法,算法的实时性主要表现在使用的目标对象的特征数据的实时性上。例如通过kafka、flink等流式计算平台获得实时特征数据,将其输入训练好的模型中得到预测结果。但是,虽然现有的一些模型中使用了实时特征数据,但普遍采用的基于深度学习的离线模型的训练效率往往是低下的,离线模型的训练时间通常较长,难以满足线上实时模型的时效性。另外,模型的训练效果也是会不断衰减的,一般来说,模型训练时间和服务时间相距越长,模型预测的效果通常也会越差。模型若不能实时更新,往往会导致输出的预测结果时效性变差,导致对于风险的识别不够及,可能会造成风险的遗漏。因此需要一种实效性更高、效果好的实时模型来更及时地识别目标对象的风险。
需要说明的是,本说明书中所描述的实时/实时性可以指获取或使用的数据/模型是最新的数据/模型。本领域技术人员可以理解的是,若获取或使用的数据/模型经过预设的预处理或持久化存储后仍然可以被认为属于实时的数据/模型,或仍具有实时性。
基于上述存在的问题,本说明书实施例提供了一种目标对象的风险识别方法,可以基于提前构建的企业风险知识图谱,利用图神经网络等Graph Embedding(图嵌入)方法得到企业的Embedding(嵌入层Embedding可以用在网络中将输入转换成向量,可以称为图向量数据)。由于Graph Embeding的方法训练效率较低,且Embedding一般变化不会特别频繁,该部分特征可以作为风险识别模型中的Freezing Features(固定特征)。可以将流式计算平台返回的实时特征作为Changing Features(变化特征),与Freezing Features进行合并喂入LR(Logistic Regression,LR,逻辑回归,是传统机器学习中的一种分类模型)等训练速度相对较快的复杂程度相对简单的模型。这样,本说明书实施例中风险识别模型使用的特征数据(Changing Features,变化特征是最新的风险特征数据)是实时的,模型本身也是局部实时更新(Freezing Features,固定特征是按照预设更新频率更新,例如按照一天的频率更新固定特征,进行训练模型),提高了训练效率和模型的更新速度,提高了模型预测结果的准确性。
下面以一个具体的企业中洗钱风险识别的实施场景对本说明书实施方案进行说明。具体的,图1是本说明书提供的一种目标对象的风险识别方法的流程示意图。虽然本说明书提供了如下述实施例或附图所示的方法操作步骤或装置、***结构,但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中,这些步骤的执行顺序或装置的模块结构不限于本说明书实施例或附图所示的执行顺序或结构。所述的方法或***结构的在实际中的装置、服务器、***或终端产品应用时,可以按照实施例或者附图所示的方法或模块结构进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境、甚至包括分布式处理、服务器集群的实施环境)。
当然,下述实施例的描述并不对基于本说明书的其它可扩展到的技术方案构成限制。
具体的,本说明书提供的所述方法的一种实施例如图1所示,可以包括:
S10:以预先构建的目标对象的知识图谱中的实体为节点、实体之间的关系数据为边,利用选取的图神经网络算法对所述知识图谱进行分类处理,获取节点的图向量数据。
可以预先构建目标对象的知识图谱,所述知识图谱可以包括构建的目标对象的实体以及所述实体之间得到关系数据。
所述的目标对象在本实施例场景中可以为企业。当然,在其他的实施例应用场景中所述的目标对象可以有相应的风险识别的目标对象,例如所述的目标对象也可以是第三方支付平台、社团等。所述的知识图谱可以为预先构建企业风险知识图谱。在计算机科学领域中,GNN使用的图谱数据中的图,通常指的是包括节点(vertices,也称为顶点)和边(edges)的一种数据结构。一个图可以用它所包含的节点和边的集合来描述。边可以是有向的或无向的,通常取决于节点之间是否存在方向依赖关系。在本实施例应用场景中,可以构建目标对象的多个实体,以构建的实体作为风险识别的节点,以实体之间的关系作为图的边。具体的,本说明书提供的一个实施例中,所述目标对象可以为企业,构建的目标的对象的实体可以包括:企业、自然人、案件、域名;所述实体之间的关系数据采用头节点、关系、尾节点的三元组数据结构。
本实施例中构建了企业、自然人、案件、域名一共4种实体类型。其中的案件可以指的是社会事件或刑事案件,域名可以指的是网站的ICP(网络内容服务商)。图上的信息内容一般可以包括实体和实体上的一些特征(比如企业ID可以标识这个实体,企业注册城市则是该实体的特征),其他的实施方式中也可以构建其他类型的实体。实体之间可以确定出各种关系,生成关系数据。比如企业(法人)自然人、企业(母公司)企业、企业(同注册地址)企业、自然人(支付宝好友)自然人等等。以企业-自然人的关系举例,如果是法人关系,可以指的是某个自然人U1是或者不是某企业P1的法人,其他关系的也是类似。本实施例中的知识图谱里可以采用三元组的方式展示数据(s,p,o),以法人关系为例,分别表示指头节点(企业)、关系(法人关系)、尾节点(自然人)。
知识图谱中的数据可以实时或者按照一定的频率更,例如企业更换法人,企业为某一刑事案件的关联方等。基于这些知识图谱中的数据生成是图向量数据也可以实时或者按照一定频率更新。具体的更新频率可以根据场景需求进行设定,例如可以满足模型实时更新的要求,例如可以以天的频率训练风险识别模型,在一天内固定图向量数据,用LR模型(逻辑回归(Logistic Regression,LR,是机器学习中的一种分类模型)快速捕捉数据整体的变化。
本实施例反洗钱的应用场景中,通常企业、自然人进行非法操作的风险较大。因此,本说明书提供的另一个实施例中,可以更加关注企业、自然人这两个实体的关系数据,突出存在风险较大节点的特征,以便模型可以更加准确的识别风险。具体的,本说明书提供的所述方法的另一个实施例中,所述实体之间的关系数据可以包括:
S101:自然人是否为企业的法人、企业是否为另一个企业的母公司、企业是否为同一个注册地、自然人与自然人在指定社交平台中是否为好友。
例如一个应用场景中,自然人是某企业的法人得到关系中,法人利用自己在企业中的职务优势进行非法活动的风险比普通员工要大,或者相同注册地的企业由于地理位置的优势进行非法合作导致不正当竞争等。利用本说明书实施例中提供的几种企业实体以及实体之间的关系,将其处理成计算机处理的数据,可以在处理处理中更加突出这些存在较大风险的节点的特性,使模型风险识别更加准确。
进一步的,可以以所述知识图谱中的实体为节点、关系数据为边,利用选取的图神经网络算法对所述知识图谱进行分类处理,获取节点的图向量数据。
基于构建的知识图谱,可以利用GNN(Graph Neural Networks)等方法进行GraphEmbedding(网络表示学习,也可以称为图嵌入或向量化)。如前所述,GNN中所述的图,通常指的是包括节点(vertices,也称为顶点)和边(edges)的一种数据结构。一个图可以用它所包含的节点和边的集合来描述。在本实施例中,可以以目标对象的实体作为图的节点,以实体之间的关系数据作为图的边,构建生成知识图谱。然后可以利用Structure2vec、GeniePath等方式对这些节点进行二分类。当然,其他的实施例中,除上述Structure2vec、GeniePath方法外,也可以使用其他graph Embedding算法进行分类处理,例如DeepWalk、LINE。这些方法有的是基于近邻相似的假设,例如Node2Vec通过随机游走在图中采样顶点序列来构造顶点的近邻集合,有的是从空间结构相似性的角度定义顶点相似度的,例如Structure2vec。
在图神经网络算法中,Embedding是一个将离散变量转为连续向量表示的一个方式。Embedding可以用一个低维的向量表示一个物体,可以是一个词,或是一个商品,或是一个电影等。这个Embedding向量的性质是能使距离相近的向量对应的物体有相近的含义,比如Embedding(复仇者联盟)和Embedding(钢铁侠)之间的距离就会很接近,但Embedding(复仇者联盟)和Embedding(乱世佳人)的距离就会远一些。在本实施例中,基于知识图谱,利用图神经网络算法进行分类处理的目的之一是,在训练过程中获得节点的Embedding(图向量数据),作为后续模型的输入。利用图神经网络算法得到企业的Embedding,由于GraphEmbeding的方法训练效率较低,且Embedding一般变化不会特别频繁,因此本实施例中可以将该部分特征作为风险识别模型的Freezing Features(冻结特征)。
除此之外,Embedding还可以具有数学运算的关系。本实施例中将使用GNN得到的目标对象的图向量数据作为后续模型的输入,将目标对象的节点以及节点间的关系编码为低维稠密向量再喂给后续的风险识别模型,还可以大大提高风险识别模型的数据处理效率。
S12:获取目标对象最新的风险特征数据。
上述图神经网络的处理步骤可以获取风险识别模型的固定特征部分。本实施例中输入风险识别模型的数据可以包括至少两种数据,一种可以是上述的固定特征(FreezingFeatures),另一种可以是变化特征(Changing Features)。所述的变化特征可以理解为包括目标对象的实施特征,具体的数据形态可以体现为目标对象最新的风险特征数据。这些风险特征数据可以包括服务器采用某种方式计算获得,也可以包括从其他服务器或平台获取得到,也可以包括用户输入的实时特征数据。
一些实施例中,可以采用流式计算获取目标对象最新的风险特征数据。例如可以通过storm、spark steaming、flink等流处理平台获得的特征数据,将其作为本实施例中的实时特征,即变化特征(最新的风险特征数据)。
本说明书提供的所述方法的另一个实施例中,所述最新的风险特征数据包括企业交易额、企业非可信登录设备的个数。在本说明书的一些实施例场景中,可以选取企业所涉及的非法活动关联性较大的特征进行风险监控识别。本实施例中,将企业交易额、企业非可信登录设备的个数作为实时特征,可以及时的捕捉关于这些实时特征的变化信息,获取这些风险相关的特征最新的数据信息进行风险识别,可以有效提高风险识别的准确性。
S14:将所述风险特征数据与所述图向量数据作为选取的风险识别模型的输入数据进行训练,得到更新后风险识别模型;其中,所述图向量数据按照预设频率更新。
风险识别模型可以包括两部分输入,一部分是上述产生的固定特征,即图向量数据,另一部分是实时特征,即上述所述的最新的风险特征数据。当然,还可以包括其他的数据特征信息。这些数据信息可以进行一些预处理,如聚合或融合等,然后作为风险识别模型的输入,可以进行模型训练,同时也可以进行实时的风险识别、预测。
所述的图向量按照预设频率更新,可以如上述所述,可以根据场景需求进行设定。例如可以满足模型实时更新的要求,例如可以以天的频率训练风险识别模型,在一天内固定使用同一组图向量数据。第二天再获取新的图向量数据。当然,不同周期获取得到的图向量数据可能与之前的相同,也可能不相同。本说明书实施例采用将固定特征按照预设频率更新的目的之一是保障模型的及时更新,同时是局部的固定特定的数据信息更新,提高了模型的更新效率。
S16:基于更新后风险识别模型识别目标对象中存在风险的节点。
可以将上述得到固定特征和变化特征聚合起来,输入选取的风险识别模型中。风险识别模型使用这些固定特征数据和变化特征数据进行训练和风险识别,一方面可以保障模型使用实时特征(变化特征数据)进行风险识别,另一方面基于图神经网络得到的固定特征局部更新又可以保障了模型的实施更新,提高了训练效率和模型的更新速度,提高了模型预测结果的准确性。
本说明书的一些实施例中,可以选择模型相对简单的风险识别模型进行风险识别。风险识别模型在线上实时更新的同时获取实时特征数据进行实时预测,因此,本实施例中选择简单分类模型可以提高训练速度,提高模型的更新速度。具体的,本说明书提供的所述方法的另一个实施中:
S160:所述选取的风险识别模型包括简单分类模型,所述简单分类模型满足训练参数个数少于第一阈值、训练时间小于第二阈值。
所述定义的简单分类模型,通常是指参数相对较少、训练速度较快的分类模型。具体的选择上可以设置模型选择的条件,例如训练参数少于第一阈值,训练时间小于第二阈值等。具体的第一阈值、第二阈值的选择可以根据模型设计需求进行设置。
本说明书提供的所述方法的另一个实施例中,所述选取的风险识别模型为逻辑回归模型。
LR(Logistic Regression,LR)模型属于一种在线学习算法,可以利用新的数据对各个特征的权重进行更新,可以不需要重新利用历史数据训练。逻辑回归是传统机器学习中的一种分类模型,具有简单、高效、易于并行且在线学习(动态扩展)的特点。本实施例中采用LR模型作为目标对象的风险识别模型,不仅模型训练速度快,而且模型更新速度也快,可以大大提高模型训练和风险识别效果。
当然,本说明书其他的实施例中也可以选择其他风险识别模型,例如决策树。
图2是本说明书所述方法的一个处理过程示意图。本说明书实施例提供的一个或多个目标对象的风险识别方法,可以基于提前构建的企业风险知识图谱,利用图神经网络方法得到目标对象的向图量数据。该图向量数据可以作为风险识别模型中固定特征。可以将流式计算平台返回的实时特征作为变化特征,与固定特征进行合并输入简单分类模型,如LR。这样,本说明书实施例中风险识别模型使用的特征数据是实时的,模型本身也是局部实时更新,提高了训练效率和模型的更新速度,保障了模型使用的特征的实时性和模型自身更新的实时性,提高了模型预测结果的准确性。
本说明书中上述方法的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其它实施例的不同之处。相关之处参见方法实施例的部分说明即可。
本说明书实施例所提供的方法实施例可以在计算机终端、服务器、服务器集群、移动终端、区块链***、分布式网络或者类似的运算装置中执行。所述的装置可以包括使用了本说明书实施例的***(包括分布式***)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。以运行在服务器上的处理设备为例,图3是应用本发明实施例的一种目标对象的风险识别方法的硬件结构框图。如图3所示,服务器10可以包括一个或多个(图中仅示出一个)处理器100(处理器100可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器200、以及用于通信功能的传输模块300。本邻域普通技术人员可以理解,图3所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,服务器10还可包括比图3中所示更多或者更少的组件,例如还可以包括其它的处理硬件,如数据库或多级缓存、显示器,或者具有与图3所示不同的配置。
存储器200可用于存储应用软件的软件程序以及模块,处理器100通过运行存储在存储器200内的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器200可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其它非易失性固态存储器。在一些实例中,存储器200可进一步包括相对于处理器100远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输模块300用于经由一个网络接收或者发送数据。上述的网络具体实例可包括服务器10的区块链专用网络或者万维网或者通信供应商提供的网络。在一个实例中,传输模块300包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其它网络设备相连从而可与互联网进行通讯。在一个实例中,传输模块300可以为射频(RadioFrequency,RF)模块,其用于通过无线方式与互联网进行通讯。
基于上述所述的目标对象的风险识别方法实施例的描述,本说明书一个或多个实施例还提供一种目标对象的风险识别装置。所述的装置可以包括使用了本说明书实施例所述方法的***(包括分布式***)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思,本说明书实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似,因此本说明书实施例具体的装置的实施可以参见前述方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
具体地,图4是本说明书提供的一个目标对象的风险识别装置实施例的模块结构示意图,如图4所示,所述装置可以包括:
固定特征模块40,可以用于以预先构建的目标对象的知识图谱中的实体为节点、实体之间的关系数据为边,利用选取的图神经网络算法对所述知识图谱进行分类处理,获取节点的图向量数据;
变化特征模块42,可以用于获取目标对象最新的风险特征数据;
更新模块44,可以用于将所述风险特征数据与所述图向量数据作为选取的风险识别模型的输入数据进行训练,得到更新后风险识别模型;其中,所述图向量数据按照预设频率更新;
风险识别模块46,可以用于基于更新后风险识别模型识别目标对象中存在风险的节点。
基于前述方法实施例描述,本说明书提供所述装置的另一个实施例中,所述变化特征模块42,可以采用流式计算获取目标对象最新的风险特征数据。
基于前述方法实施例描述,本说明书提供所述装置的另一个实施例中,所述选取的风险识别模型包括简单分类模型,所述简单分类模型满足训练参数个数少于第一阈值、训练时间小于第二阈值。
基于前述方法实施例描述,本说明书提供所述装置的另一个实施例中,所述选取的风险识别模型为逻辑回归模型。
基于前述方法实施例描述,本说明书提供所述装置的另一个实施例中,所述目标对象为企业,构建的目标的对象的实体包括:企业、自然人、案件、域名;所述实体之间的关系数据采用头节点、关系、尾节点的三元组数据结构。
基于前述方法实施例描述,本说明书提供所述装置的另一个实施例中,所述实体之间的关系数据包括:自然人是否为企业的法人、企业是否为另一个企业的母公司、企业是否为同一个注册地、自然人与自然人在指定社交平台中是否为好友。
基于前述方法实施例描述,本说明书提供所述装置的另一个实施例中,所述变化特征模块42获取的最新的风险特征数据可以包括企业交易额、企业非可信登录设备的个数。
需要说明的,上述所述的装置根据方法实施例的描述还可以包括其它的实施方式,具体的实现方式可以参照相关方法或***实施例的描述,在此不作一一赘述。
本说明书中上述装置的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见或参照对应的方法实施例描述即可,每个实施例重点说明的都是与其它实施例的不同之处。相关之处参见方法实施例的部分说明即可。具体的可以根据前述方法实施例的描述的可以得到,且都应属于本申请所保护的实施范围之内,在此不做逐个实施例实现方案得到赘述。
本说明书实施例提供的上述目标对象的风险识别方法或装置可以在计算机中由处理器执行相应的程序指令来实现,如使用Windows操作***的C++语言在PC端实现、基于Linux***实现,或其它例如使用Android、iOS***程序设计语言在智能终端实现,或者服务器集群、云处理/云计算,以及基于量子计算机的处理逻辑实现等。本说明书实施例还提供实现上述方法或装置的一种处理设备,包括:至少一个处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现本说明书任意一个方法实施例所述的实施步骤。
本说明书还提供一种处理设备,所述的处理设备可以为包括使用了本说明书的一个或多个方法或装置或***实施例的服务器或服务器集群,或***中的节点、软件(应用)、或者包括量子计算机处理设备等并结合必要的实施硬件的服务器。所述处理设备包括:至少一个处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现本说明书任意一个方法实施例所述的实施步骤。
本说明书提供的上述实施例所述的方法或装置或节点可以通过计算机程序实现业务逻辑并记录在存储介质上,所述的存储介质可以计算机读取并执行,实现本说明书实施例所描述方案的效果。
上述中所述存储器的存储介质可以包括用于存储信息的物理装置,通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括:利用电能方式存储信息的装置如,各式存储器,如RAM、ROM等;利用磁能方式存储信息的装置如,硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘;利用光学方式存储信息的装置如,CD或DVD。当然,还有其它方式的可读存储介质,例如量子存储器、石墨烯存储器等等。
上述对本说明书特定实施例进行了描述。基于上述实施例描述的可扩展的实施例仍在本说明书提供的实施范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
如前所述,设备或节点实施例根据相关方法实施例的描述还可以包括其它的实施方式,具体的实现方式可以参照对应方法实施例的描述,在此不作一一赘述。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其它实施例的不同之处。尤其,对于硬件+程序类实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书实施例并不局限于必须是图神经网络模型/算法标准、LR模型、行业通信标准、标准程序语言和数据存储规则或本说明书一个或多个实施例所描述的情况。某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、存储、判断、处理方式等获取的实施例,仍然可以属于本说明书实施例的可选实施方案范围之内。
本说明书实施例提供的一种目标对象的风险识别方法、装置和处理设备,可以按照一定的更新频率获取模型的训练数据中的相对固定的数据,再结合实时的特征数据一同输入模型进行模型的局部更新,进而可以实现模型的实时更新。利用本说明书实施例得到的风险识别模型,实现了目标对象数据特征的实时性和模型更新的实时性,可以选择训练相对简单的线上预测模型,提高了训练效率和模型的更新速度,提升了模型的预测效率和预测效果。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为服务器***。当然,本申请不排除随着未来计算机技术的发展,实现上述实施例功能的计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
虽然本说明书一个或多个实施例提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或终端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。例如若使用到第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
本发明是参照根据本发明实施例的方法、装置(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其它可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其它可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其它可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其它可编程数据处理设备上,使得在计算机或其它可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其它可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其它数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其它类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其它内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其它光学存储、磁盒式磁带,磁带磁磁盘存储、石墨烯存储或其它磁性存储设备或任何其它非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本领域技术人员应明白,本说明书一个或多个实施例可提供为方法、***或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本本说明书一个或多个实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其它实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书一个或多个实施例的实施例而已,并不用于限制本本说明书一个或多个实施例。对于本领域技术人员来说,本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在权利要求范围之内。
Claims (15)
1.一种目标对象的风险识别方法,包括:
以预先构建的目标对象的知识图谱中的实体为节点、实体之间的关系数据为边,利用选取的图神经网络算法对所述知识图谱进行分类处理,获取节点的图向量数据;
获取目标对象最新的风险特征数据;
将所述风险特征数据与所述图向量数据作为选取的风险识别模型的输入数据进行训练,得到更新后风险识别模型;其中,所述图向量数据按照预设频率更新;
基于更新后风险识别模型识别目标对象中存在风险的节点。
2.如权利要求1所述的方法,采用流式计算获取目标对象最新的风险特征数据。
3.如权利要求1所述的方法,所述选取的风险识别模型包括简单分类模型,所述简单分类模型满足训练参数个数少于第一阈值、训练时间小于第二阈值。
4.如权利要求3所述的方法,所述选取的风险识别模型为逻辑回归模型。
5.如权利要求1所述的方法,所述目标对象为企业,构建的目标的对象的实体包括:企业、自然人、案件、域名;所述实体之间的关系数据采用头节点、关系、尾节点的三元组数据结构。
6.如权利要求5所述的方法,所述实体之间的关系数据包括:自然人是否为企业的法人、企业是否为另一个企业的母公司、企业是否为同一个注册地、自然人与自然人在指定社交平台中是否为好友。
7.如权利要求5所述的方法,所述最新的风险特征数据包括企业交易额、企业非可信登录设备的个数。
8.一种目标对象的风险识别装置,包括:
固定特征模块,用于以预先构建的目标对象的知识图谱中的实体为节点、实体之间的关系数据为边,利用选取的图神经网络算法对所述知识图谱进行分类处理,获取节点的图向量数据;
变化特征模块,用于获取目标对象最新的风险特征数据;
更新模块,用于将所述风险特征数据与所述图向量数据作为选取的风险识别模型的输入数据进行训练,得到更新后风险识别模型;其中,所述图向量数据按照预设频率更新;
风险识别模块,用于基于更新后风险识别模型识别目标对象中存在风险的节点。
9.如权利要求8所述的装置,所述变化特征模块采用流式计算获取目标对象最新的风险特征数据。
10.如权利要求8所述的装置,所述选取的风险识别模型包括简单分类模型,所述简单分类模型满足训练参数个数少于第一阈值、训练时间小于第二阈值。
11.如权利要求10所述的装置,所述选取的风险识别模型为逻辑回归模型。
12.如权利要求8所述的装置,所述目标对象为企业,构建的目标的对象的实体包括:企业、自然人、案件、域名;所述实体之间的关系数据采用头节点、关系、尾节点的三元组数据结构。
13.如权利要求12所述的装置,所述实体之间的关系数据包括:自然人是否为企业的法人、企业是否为另一个企业的母公司、企业是否为同一个注册地、自然人与自然人在指定社交平台中是否为好友。
14.如权利要求12所述的装置,所述变化特征模块获取的最新的风险特征数据可以包括企业交易额、企业非可信登录设备的个数。
15.一种处理设备分片处理设备,包括:至少一个处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010306216.6A CN111489168A (zh) | 2020-04-17 | 2020-04-17 | 一种目标对象的风险识别方法、装置和处理设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010306216.6A CN111489168A (zh) | 2020-04-17 | 2020-04-17 | 一种目标对象的风险识别方法、装置和处理设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111489168A true CN111489168A (zh) | 2020-08-04 |
Family
ID=71797939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010306216.6A Pending CN111489168A (zh) | 2020-04-17 | 2020-04-17 | 一种目标对象的风险识别方法、装置和处理设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111489168A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111951079A (zh) * | 2020-08-14 | 2020-11-17 | 国网电子商务有限公司 | 一种基于知识图谱的信用评级方法、装置及电子设备 |
CN111967761A (zh) * | 2020-08-14 | 2020-11-20 | 国网电子商务有限公司 | 一种基于知识图谱的监控预警方法、装置及电子设备 |
CN112487489A (zh) * | 2021-02-05 | 2021-03-12 | 支付宝(杭州)信息技术有限公司 | 保护隐私的联合数据处理方法及装置 |
CN113361279A (zh) * | 2021-06-25 | 2021-09-07 | 扬州大学 | 一种基于双邻域图神经网络的医疗实体对齐方法及*** |
CN113516480A (zh) * | 2021-08-19 | 2021-10-19 | 支付宝(杭州)信息技术有限公司 | 一种支付风险识别方法、装置及设备 |
CN113724073A (zh) * | 2021-09-09 | 2021-11-30 | 支付宝(杭州)信息技术有限公司 | 一种风险识别和控制方法及装置 |
CN113934453A (zh) * | 2021-12-15 | 2022-01-14 | 深圳竹云科技有限公司 | 风险检测方法、装置及存储介质 |
CN114819614A (zh) * | 2022-04-22 | 2022-07-29 | 支付宝(杭州)信息技术有限公司 | 数据处理方法、装置、***及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110310206A (zh) * | 2019-07-01 | 2019-10-08 | 阿里巴巴集团控股有限公司 | 用于更新风险控制模型的方法和*** |
CN110321422A (zh) * | 2018-03-28 | 2019-10-11 | 腾讯科技(深圳)有限公司 | 在线训练模型的方法、推送方法、装置以及设备 |
CN110363449A (zh) * | 2019-07-25 | 2019-10-22 | 中国工商银行股份有限公司 | 一种风险识别方法、装置及*** |
CN110413707A (zh) * | 2019-07-22 | 2019-11-05 | 百融云创科技股份有限公司 | 互联网中欺诈团伙关系的挖掘与排查方法及其*** |
CN110570111A (zh) * | 2019-08-30 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 企业风险预测方法、模型训练方法、装置及设备 |
-
2020
- 2020-04-17 CN CN202010306216.6A patent/CN111489168A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110321422A (zh) * | 2018-03-28 | 2019-10-11 | 腾讯科技(深圳)有限公司 | 在线训练模型的方法、推送方法、装置以及设备 |
CN110310206A (zh) * | 2019-07-01 | 2019-10-08 | 阿里巴巴集团控股有限公司 | 用于更新风险控制模型的方法和*** |
CN110413707A (zh) * | 2019-07-22 | 2019-11-05 | 百融云创科技股份有限公司 | 互联网中欺诈团伙关系的挖掘与排查方法及其*** |
CN110363449A (zh) * | 2019-07-25 | 2019-10-22 | 中国工商银行股份有限公司 | 一种风险识别方法、装置及*** |
CN110570111A (zh) * | 2019-08-30 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 企业风险预测方法、模型训练方法、装置及设备 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111951079A (zh) * | 2020-08-14 | 2020-11-17 | 国网电子商务有限公司 | 一种基于知识图谱的信用评级方法、装置及电子设备 |
CN111967761A (zh) * | 2020-08-14 | 2020-11-20 | 国网电子商务有限公司 | 一种基于知识图谱的监控预警方法、装置及电子设备 |
CN111951079B (zh) * | 2020-08-14 | 2024-04-02 | 国网数字科技控股有限公司 | 一种基于知识图谱的信用评级方法、装置及电子设备 |
CN111967761B (zh) * | 2020-08-14 | 2024-04-02 | 国网数字科技控股有限公司 | 一种基于知识图谱的监控预警方法、装置及电子设备 |
CN112487489A (zh) * | 2021-02-05 | 2021-03-12 | 支付宝(杭州)信息技术有限公司 | 保护隐私的联合数据处理方法及装置 |
CN113361279B (zh) * | 2021-06-25 | 2023-07-25 | 扬州大学 | 一种基于双邻域图神经网络的医疗实体对齐方法及*** |
CN113361279A (zh) * | 2021-06-25 | 2021-09-07 | 扬州大学 | 一种基于双邻域图神经网络的医疗实体对齐方法及*** |
CN113516480A (zh) * | 2021-08-19 | 2021-10-19 | 支付宝(杭州)信息技术有限公司 | 一种支付风险识别方法、装置及设备 |
CN113516480B (zh) * | 2021-08-19 | 2024-04-26 | 支付宝(杭州)信息技术有限公司 | 一种支付风险识别方法、装置及设备 |
CN113724073A (zh) * | 2021-09-09 | 2021-11-30 | 支付宝(杭州)信息技术有限公司 | 一种风险识别和控制方法及装置 |
CN113934453A (zh) * | 2021-12-15 | 2022-01-14 | 深圳竹云科技有限公司 | 风险检测方法、装置及存储介质 |
CN113934453B (zh) * | 2021-12-15 | 2022-03-22 | 深圳竹云科技有限公司 | 风险检测方法、装置及存储介质 |
CN114819614A (zh) * | 2022-04-22 | 2022-07-29 | 支付宝(杭州)信息技术有限公司 | 数据处理方法、装置、***及设备 |
WO2023202496A1 (zh) * | 2022-04-22 | 2023-10-26 | 支付宝(杭州)信息技术有限公司 | 数据处理方法、装置、***及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111489168A (zh) | 一种目标对象的风险识别方法、装置和处理设备 | |
CN110363449B (zh) | 一种风险识别方法、装置及*** | |
TWI707281B (zh) | 保險詐欺識別的資料處理方法、裝置、設備及伺服器 | |
TWI690191B (zh) | 圖結構模型訓練、垃圾帳戶識別方法、裝置以及設備 | |
CN107358247B (zh) | 一种确定流失用户的方法及装置 | |
US11048564B2 (en) | API evolution and adaptation based on cognitive selection and unsupervised feature learning | |
Yang et al. | A time‐series water level forecasting model based on imputation and variable selection method | |
Higa et al. | Domain knowledge integration into deep learning for typhoon intensity classification | |
CN116821750A (zh) | 一种基于人工智能的数据安全风险监测追溯*** | |
Demertzis et al. | Geo-AI to aid disaster response by memory-augmented deep reservoir computing | |
US11783221B2 (en) | Data exposure for transparency in artificial intelligence | |
JP2023016742A (ja) | 気象発生予測を生成するためのコンピュータ実装の方法、コンピュータプログラム、コンピュータサーバ(気象シナリオのシミュレーションおよび極端な気象の予測) | |
Ferreira et al. | A novel machine learning approach to analyzing geospatial vessel patterns using AIS data | |
Cai et al. | Stereo attention cross-decoupling fusion-guided federated neural learning for hyperspectral image classification | |
Xiao et al. | A point selection method in map generalization using graph convolutional network model | |
CN111259975B (zh) | 分类器的生成方法及装置、文本的分类方法及装置 | |
CN112598526A (zh) | 资产数据的处理方法及装置 | |
Iskandaryan et al. | Comparison of nitrogen dioxide predictions during a pandemic and non-pandemic scenario in the city of Madrid using a convolutional LSTM network | |
US10832393B2 (en) | Automated trend detection by self-learning models through image generation and recognition | |
Boroumand et al. | FLCSS: A fuzzy‐based longest common subsequence method for uncertainty management in trajectory similarity measures | |
Zang | Construction of Mobile Internet Financial Risk Cautioning Framework Based on BP Neural Network | |
US11762896B2 (en) | Relationship discovery and quantification | |
CN111339446B (zh) | 一种兴趣点挖掘方法、装置、电子设备和存储介质 | |
Bouzidi et al. | A survey on deep learning in big data and its applications | |
Arputhamary et al. | Performance Improved Holt-Winter’s (PIHW) Prediction Algorithm for Big Data Environment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200804 |
|
RJ01 | Rejection of invention patent application after publication |