CN117593004A - 数据处理方法、装置及设备 - Google Patents

数据处理方法、装置及设备 Download PDF

Info

Publication number
CN117593004A
CN117593004A CN202311632407.1A CN202311632407A CN117593004A CN 117593004 A CN117593004 A CN 117593004A CN 202311632407 A CN202311632407 A CN 202311632407A CN 117593004 A CN117593004 A CN 117593004A
Authority
CN
China
Prior art keywords
processing
feature
management
data
control strategy
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
Application number
CN202311632407.1A
Other languages
English (en)
Inventor
许丽丹
刘京
刘腾飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alipay Hangzhou Information Technology Co Ltd
Original Assignee
Alipay Hangzhou Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Priority to CN202311632407.1A priority Critical patent/CN117593004A/zh
Publication of CN117593004A publication Critical patent/CN117593004A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Accounting & Taxation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Computer Security & Cryptography (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本说明书实施例提供了一种数据处理方法、装置及设备，其中，方法包括：通过预先训练的风险检测模型，对目标数据进行风险检测处理，得到第一预测管控策略、策略更新信息以及第二预测管控策略，风险检测模型为通过预设多任务学习算法构建的模型，第一处理网络用于基于特征挖掘层的输出结果生成第一预测管控策略，第二处理网络用于基于特征挖掘层的输出结果生成策略更新信息，所述第三处理网络用于基于所述第一处理网络提取出的特征表示和所述第二处理网络提取出的特征表示之间的关联关系，生成所述第二预测管控策略；基于所述第一预测管控策略、策略更新信息以及第二预测管控策略，对所述目标用户触发执行所述目标交易进行风险管控处理。

Description

数据处理方法、装置及设备
技术领域
本文件涉及数据处理技术领域，尤其涉及一种数据处理方法、装置及设备。
背景技术
随着互联网行业的迅速发展，网络服务的数量和类型越来越多，网络风险也随之增多，随着人们对自己的数据的隐私程度越来越重视，如何为用户提供更加安全的网络环境，成为网络服务商关注的焦点。
在风控场景下，可以通过人工设计风险判断逻辑对资源交易等交易业务是否存在风险进行判断，如，可以基于资源转移数量是否大于人工设定的风险阈值，确定对应的资源交易是否存在风险，但是，由于业务数据的数据量较大，因此，人工设计风险判断逻辑的方式会使得风险管控压力大，这就可能导致无法及时准确的确定执行某交易业务是否存在风险，因此，需要一种在风控场景下，能及时准确的确定执行某交易业务是否存在风险的解决方案。
发明内容
本说明书实施例的目的是提供一种在风控场景下，能及时准确的确定执行某交易业务是否存在风险的解决方案。
为了实现上述技术方案，本说明书实施例是这样实现的：
第一方面，本说明书实施例提供的一种数据处理方法，包括：在检测到目标用户触发目标交易的情况下，获取与所述目标用户触发所述目标交易相关的目标数据；通过预先训练的风险检测模型，对所述目标数据进行风险检测处理，得到第一预测管控策略、策略更新信息以及第二预测管控策略，所述风险检测模型为通过预设多任务学习算法构建的包括特征挖掘层、第一处理网络、第二处理网络和第三处理网络的模型，所述特征挖掘层用于对所述目标数据进行特征挖掘处理，所述第一处理网络用于基于所述特征挖掘层的输出结果生成所述第一预测管控策略，所述第二处理网络用于基于所述特征挖掘层的输出结果生成所述策略更新信息，所述第三处理网络用于基于所述第一处理网络提取出的特征表示和所述第二处理网络提取出的特征表示之间的关联关系，生成所述第二预测管控策略；基于所述第一预测管控策略、所述策略更新信息以及所述第二预测管控策略，对所述目标用户触发执行所述目标交易进行风险管控处理。
第二方面，本说明书实施例提供了一种数据处理装置，所述装置包括：数据获取模块，用于在检测到目标用户触发目标交易的情况下，获取与所述目标用户触发所述目标交易相关的目标数据；策略生成模块，用于通过预先训练的风险检测模型，对所述目标数据进行风险检测处理，得到第一预测管控策略、策略更新信息以及第二预测管控策略，所述风险检测模型为通过预设多任务学习算法构建的包括特征挖掘层、第一处理网络、第二处理网络和第三处理网络的模型，所述特征挖掘层用于对所述目标数据进行特征挖掘处理，所述第一处理网络用于基于所述特征挖掘层的输出结果生成所述第一预测管控策略，所述第二处理网络用于基于所述特征挖掘层的输出结果生成所述策略更新信息，所述第三处理网络用于基于所述第一处理网络提取出的特征表示和所述第二处理网络提取出的特征表示之间的关联关系，生成所述第二预测管控策略；风险管控模块，用于基于所述第一预测管控策略、所述策略更新信息以及所述第二预测管控策略，对所述目标用户触发执行所述目标交易进行风险管控处理。
第三方面，本说明书实施例提供了一种数据处理设备，所述数据处理设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：在检测到目标用户触发目标交易的情况下，获取与所述目标用户触发所述目标交易相关的目标数据；通过预先训练的风险检测模型，对所述目标数据进行风险检测处理，得到第一预测管控策略、策略更新信息以及第二预测管控策略，所述风险检测模型为通过预设多任务学习算法构建的包括特征挖掘层、第一处理网络、第二处理网络和第三处理网络的模型，所述特征挖掘层用于对所述目标数据进行特征挖掘处理，所述第一处理网络用于基于所述特征挖掘层的输出结果生成所述第一预测管控策略，所述第二处理网络用于基于所述特征挖掘层的输出结果生成所述策略更新信息，所述第三处理网络用于基于所述第一处理网络提取出的特征表示和所述第二处理网络提取出的特征表示之间的关联关系，生成所述第二预测管控策略；基于所述第一预测管控策略、所述策略更新信息以及所述第二预测管控策略，对所述目标用户触发执行所述目标交易进行风险管控处理。
第四方面，本说明书实施例提供一种存储介质，所述存储介质用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：在检测到目标用户触发目标交易的情况下，获取与所述目标用户触发所述目标交易相关的目标数据；通过预先训练的风险检测模型，对所述目标数据进行风险检测处理，得到第一预测管控策略、策略更新信息以及第二预测管控策略，所述风险检测模型为通过预设多任务学习算法构建的包括特征挖掘层、第一处理网络、第二处理网络和第三处理网络的模型，所述特征挖掘层用于对所述目标数据进行特征挖掘处理，所述第一处理网络用于基于所述特征挖掘层的输出结果生成所述第一预测管控策略，所述第二处理网络用于基于所述特征挖掘层的输出结果生成所述策略更新信息，所述第三处理网络用于基于所述第一处理网络提取出的特征表示和所述第二处理网络提取出的特征表示之间的关联关系，生成所述第二预测管控策略；基于所述第一预测管控策略、所述策略更新信息以及所述第二预测管控策略，对所述目标用户触发执行所述目标交易进行风险管控处理。
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他的附图。
图1为本说明书一种数据处理***的示意图；
图2A为本说明书一种数据处理方法实施例的流程图；
图2B为本说明书一种数据处理方法的处理过程示意图；
图3为本说明书一种风险检测模型的结构示意图；
图4为本说明书又一种数据处理方法的处理过程示意图；
图5为本说明书又一种风险检测模型的结构示意图；
图6为本说明书一种模型训练过程的示意图；
图7为本说明书一种数据处理装置实施例的结构示意图；
图8为本说明书一种数据处理设备的结构示意图。
具体实施方式
本说明书实施例提供一种数据处理方法、装置及设备。
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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
本说明书的技术方案，可以应用于数据处理***中，如图1所示，该数据处理***中可以有终端设备和服务器，其中，服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群，终端设备可以如个人计算机等设备，也可以如手机、平板电脑等移动终端设备。
其中，数据处理***中可以包括n个终端设备和m个服务器，n和m为大于等于1的正整数，用户可以基于各自的交易账户，通过终端设备或服务器触发执行资源交易。
当用户通过终端设备(或服务器)触发执行资源交易时，终端设备可以获取与该用户触发资源交易相关的数据，并将获取到的数据发送给数据处理***中的服务器，该服务器可以通过预先训练的风险检测模型对获取到的数据进行风险管控处理。
另外，数据处理***中还可以预先设置中心服务器，以通过中心服务器对风险检测模型进行训练，得到训练后的风险检测模型，中心服务器可以将训练后的风险检测模型的模型参数发送给数据处理***中的其他服务器，以使数据处理***中的服务器可以基于接收到的模型参数对本地的风险检测模型进行更新处理，得到训练后的风险检测模型。这样，就可以在不影响数据处理***中的服务器对交易进行风险管控处理的情况下，对服务器的风险检测模型进行更新处理。
由于风险检测模型是通过预设多任务学习算法构建的模型，因此，可以通过风险检测模型将单一的风险检测任务扩展为多个的风险检测任务，即可以通过第一处理网络以及第二处理网络分别捕捉数据的特有特征，以分别得到第一预测管控策略和策略更新信息，又可以通过第三处理网络实现信息共享以挖掘数据之间的关联特征，以得到第二预测管控策略。这样，不仅可以提高风险检测模型的模型泛化能力，又可以通过得到第一预测管控策略、策略更新信息以及第二预测管控策略，及时准确的确定执行资源交易是否存在风险。
基于上述数据处理***结构可以实现下述实施例中的数据处理方法。
实施例一
如图2A和图2B所示，本说明书实施例提供一种数据处理方法，该方法的执行主体可以为服务器，其中，服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群。该方法具体可以包括以下步骤：
在S202中，在检测到目标用户触发目标交易的情况下，获取与目标用户触发目标交易相关的目标数据。
其中，目标交易可以为任意可能存在恶意窃取用户资源情况的交易，目标数据可以是执行目标交易所需的数据，例如，目标数据可以包括资源转移数量、资源转移时间、资源转移对象以及资源转移方式等。
在实施中，随着互联网行业的迅速发展，网络服务的数量和类型越来越多，网络风险也随之增多，随着人们对自己的数据的隐私程度越来越重视，如何为用户提供更加安全的网络环境，成为网络服务商关注的焦点。在风控场景下，可以通过人工设计风险判断逻辑对资源交易等交易业务是否存在风险进行判断，如，可以基于资源转移数量是否大于人工设定的风险阈值，确定对应的资源交易是否存在风险，但是，由于业务数据的数据量较大，因此，人工设计风险判断逻辑的方式会使得风险管控压力大，这就可能导致无法及时准确的确定执行某交易业务是否存在风险，因此，需要一种在风控场景下，能及时准确的确定执行某交易业务是否存在风险的解决方案。为此，本说明书实施例提供一种可以解决上述问题的技术方案，具体可以参见下述内容。
目标用户可以通过终端设备中安装的资源转移应用程序，触发启动资源转移业务，即终端设备在检测到目标用户通过某资源转移应用程序触发启动资源转移业务的情况下，终端设备可以采集与该目标用户触发该资源转移业务(即目标交易)相关的数据，例如，终端设备可以采集目标用户输入的资源转移数量、对应的资源转移时间以及目标用户输入的资源转移对象等。
终端设备可以将采集到的数据以及目标用户针对该目标交易的触发指令发送给服务器，即服务器可以接收目标用户针对目标交易的触发指令，并接收对应的数据，服务器可以对接收到的数据进行预处理操作，并将预处理得到的数据确定为目标用户触发目交易相关的目标数据。
此外，目标数据还可以包括与目标用户相关的风险数据，即服务器还可以获取目标用户的风险标签、资源转移对象的风险标签等风险数据，并将获取到的风险数据确定为目标数据。
上述目标数据的获取方法是一种可选地、可实现的获取方法，在实际应用场景中，还可以有多种不同的获取方法，可以根据实际应用场景的不同而有所不同，本说明书实施例对此不作具体限定。
在S204中，通过预先训练的风险检测模型，对目标数据进行风险检测处理，得到第一预测管控策略、策略更新信息以及第二预测管控策略。
其中，风险检测模型可以为通过预设多任务学习(Multi-Task Learning，MTL)算法(多任务学习算法是一种采用归纳迁移机制的机器学习方法，主要目标是利用隐含在多个相关任务的训练信号中的特定领域信息来提高模型的泛化能力，多任务学习算法可以通过使用共享特征表示并行的训练多个任务来完成目标)构建的包括特征挖掘层、第一处理网络、第二处理网络和第三处理网络的模型，例如，风险检测模型可以为基于MMOE(Multi-gate Mixture-of-Experts)算法、ESMM(Entire Space Multi-Task Model)算法(ESMM可以有效解决数据稀疏以及样本选择偏差问题)等构建的模型，特征挖掘层可以用于对目标数据进行特征挖掘处理，第一处理网络可以用于基于特征挖掘层的输出结果生成第一预测管控策略，第二处理网络可以用于基于特征挖掘层的输出结果生成策略更新信息，第三处理网络可以用于基于第一处理网络提取出的特征表示和第二处理网络提取出的特征表示之间的关联关系，生成第二预测管控策略，管控策略(即第一预测管控策略和第二预测管控策略)可以为能够对交易进行风险管控的策略，例如，管控策略可以包括交易失败策略、交易执行策略、交易暂停策略等。
在实施中，服务器可以通过历史交易数据，以及与历史交易数据对应的第一管控策略、历史策略更新信息以及第二管控策略，其中，第二管控策略可以基于第一管控策略和历史策略更新信息确定，即可以通过历史策略更新信息对第一管控策略进行更新处理，得到第二管控策略。这样，服务器就可以通过获取到的历史交易数据，以及与历史交易数据对应的第一管控策略、历史策略更新信息以及第二管控策略对风险检测模型进行训练，以使风险检测模型不仅可以通第一处理网络挖掘第一管控策略的特征表示，通过第二处理网络挖掘历史策略更新信息的特征表示，还可以通过第三处理网络对第一管控策略和历史策略更新信息之间的关联关系进行挖掘处理，以得到训练后的风险检测模型。
这样，如图3所示，服务器就可以将目标数据输入预先训练的风险检测模型，以通过底层的特征挖掘层对目标数据进行特征挖掘处理，进而将特征挖掘层得到的特征表示输入第一处理网络进行挖掘处理得到第一预测管控策略，将特征挖掘层得到的特征表示输入第二处理网络进行挖掘处理得到策略更新信息，最后，可以将第一处理网络得到的特征表示和第二处理网络得到的特征表示输入第三处理网络，以得到第二预测管控策略。
在S206中，基于第一预测管控策略、策略更新信息以及第二预测管控策略，对目标用户触发执行目标交易进行风险管控处理。
在实施中，服务器可以通过策略更新信息对第一预测管控策略进行更新处理，并基于更新后的预测管控策略和第二预测管控策略，对目标用户触发执行目标交易进行风险管控处理，例如，服务器可以将更新后的预测管控策略和第二预测管控策略发送给预设工作人员进行策略选择，并基于得到的选择后的策略，对目标用户触发执行目标交易进行风险管控处理，或者，服务器还可以根据更新后的预测管控策略的策略优先级、第二预测管控策略的策略优先级以及目标交易的重要性程度，确定用于进行风险管控处理的策略以进行风险管控处理，具体如，服务器可以基于目标交易对应的资源转移数量，确定该目标交易的重要性程度，进而通过重要性程度和策略优先级的预设对应关系，确定与该目标交易对应的策略优先级，最后，服务器可以基于更新后的预测管控策略的策略优先级和第二预测管控策略的策略优先级，确定与目标交易对应的策略优先级对应的预测管控策略，进而通过确定的预测管控策略对目标用户触发目标交易进行风险管控处理。
此外，上述风险管控处理的确定方法是一种可选地、可实现的确定方法，在实际应用场景中，还可以有多种不同的确定方法，可以根据实际应用场景的不同而有所不同，本说明书实施例对此不做具体限定。
本说明书实施例提供一种数据处理方法，服务器在检测到目标用户触发目标交易的情况下，获取与目标用户触发目标交易相关的目标数据，通过预先训练的风险检测模型，对目标数据进行风险检测处理，得到第一预测管控策略、策略更新信息以及第二预测管控策略，风险检测模型为可以通过预设多任务学习算法构建的包括特征挖掘层、第一处理网络、第二处理网络和第三处理网络的模型，特征挖掘层可以用于对目标数据进行特征挖掘处理，第一处理网络可以用于基于特征挖掘层的输出结果生成第一预测管控策略，第二处理网络可以用于基于特征挖掘层的输出结果生成策略更新信息，第三处理网络可以用于基于第一处理网络提取出的特征表示和第二处理网络提取出的特征表示之间的关联关系，生成第二预测管控策略，基于第一预测管控策略、策略更新信息以及第二预测管控策略，对目标用户触发执行目标交易进行风险管控处理。由于风险检测模型是通过预设多任务学习算法构建的模型，因此，可以通过风险检测模型将单一的风险检测任务扩展为多个的风险检测任务，即可以通过第一处理网络以及第二处理网络分别捕捉数据的特有特征，以分别得到第一预测管控策略和策略更新信息，又可以通过第三处理网络实现信息共享以挖掘数据之间的关联特征，以得到第二预测管控策略。这样，不仅可以提高风险检测模型的模型泛化能力，又可以通过得到第一预测管控策略、策略更新信息以及第二预测管控策略，及时准确的确定执行资源交易是否存在风险。
实施例二
如图4所示，本说明书实施例提供一种数据处理方法，该方法的执行主体可以是服务器，其中，服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群。该方法具体可以包括以下步骤：
在S402中，获取用于训练风险检测模型的历史交易数据、历史交易数据对应的第一管控策略、历史策略更新信息以及第二管控策略。
其中，第二管控策略可以基于第一管控策略和历史策略更新信息确定，例如，假设第一管控策略为策略1，策略1的级别为1，历史策略更新信息为升级，且级别数为1，那么，第二管控策略可以为级别为2的策略2。
在实施中，服务器可以在到达模型训练周期的情况下，从数据处理***中的终端设备和其他服务器等获取用于训练风险检测模型的历史交易数据、历史交易数据对应的第一管控策略、历史策略更新信息以及第二管控策略。
其中，历史交易数据可以包括历史交易的交易特征数据、历史用户的历史交易数据以及历史用户对应的设备风险信息，交易特征数据可以包括资源转移数量、资源转移时间等特征数据，历史交易数据可以包括近30天的平均资源转移数量等特征数据，设备风险信息可以为历史用户所使用的设备的风险标签(该风险标签可以基于该设备是否安装过风险标签为高风险的应用程序确定)。
在S404中，通过风险检测模型的特征挖掘层对历史交易数据进行特征挖掘处理，得到第一特征向量。
在实施中，在实际应用中，上述S404的处理方式可以多种多样，以下提供一种可选的实现方式，具体可以参见下述步骤一～步骤四处理：
步骤一，对历史交易数据进行离散化处理，得到历史交易数据对应的第一子特征。
在实施中，服务器可以对获取到的历史交易数据进行数据预处理操作，如服务器可以对历史交易数据进行数据清洗、数据分bin、数据标准化等预处理操作，然后，服务器可以对历史交易数据进行分箱处理，得到历史交易数据对应的第一子特征。
步骤二，对历史交易数据进行异常点检测处理，得到历史交易数据对应的第二子特征。
在实施中，服务器可以基于预设分位点，对历史交易数据进行等频划分处理，得到历史交易数据对应的第二子特征。
其中，分位点(Quantile)，又称分位数，指可以将一个随机变量的概率分布范围分为几个等份的数值点，如中位数(即二分位数)、四分位数等。
服务器可以对历史交易数据进行排序处理，得到排序后的历史交易数据，在基于预设分位点和排序后的历史交易数据，将历史交易数据划分为与预设分位点对应的等频数据，并基于等频数据，生成历史交易数据对应的第二子特征。
例如，以预设分位点为32分位点为例，服务器可以将预处理后的历史交易数据按照从小到大的顺序进行排列，然后计算其32分位点，以分位点为分箱的临界值将预处理后的历史交易数据划分成32份的等频数据，服务器可以将每份数据根据其分箱结果进行映射，以得到变换后的特征值，即历史交易数据对应的第二子特征。
步骤三，通过特征挖掘层的第一子处理层，对第一子特征进行处理，得到第一子向量，并通过特征挖掘层的第二子处理层，对第二子特征进行处理，得到第二子向量。
其中，第一子处理层可以包括多个嵌入层(Multi Embedding Layer)，第二子处理层可以包括深度神经网络(Deep Neural Networks，DNN)和预设激活函数(如Tanh函数)。
在实施中，如图5所示，服务器可以将第一子特征数据输入第一处理层的多个嵌入层得进行处理，得到第一子向量，并将第二自特征输入第二处理层的深度神经网络1以及预设激活函数，得到第二子向量。
步骤四，对第一子向量和第二子向量进行特征融合处理，得到融合特征向量，并通过特征挖掘层的第三子处理层，对融合特征向量进行处理，得到第一特征向量。
在实施中，服务器可以对第一子向量和第二子向量进行点乘处理，以得到融合特征向量，进而通过特征挖掘层的第三子处理层，对融合特征向量进行底层的共享特征的挖掘处理，以得到第一特征向量。
在S406中，通过风险检测模型的第一处理网络，对第一特征向量进行策略预测处理，得到第二特征向量，并基于第二特征向量确定第三预测管控策略。
在S408中，通过风险检测模型的第二处理网络，对第一特征向量进行策略更新信息预测处理，得到第三特征向量，并基于第三特征向量确定策略更新预测信息。
在实施中，服务器可以通过第一处理网络的深度神经网络2和第二处理网络的深度神经网络3分别进行各自的特征表示的挖掘处理，在通过各自的归一化(softmax)层得到第三预测管控策略和策略更新预测信息。
在S410中，基于第二特征向量和第三特征向量，生成第四特征向量。
在实施中，服务器可以通过concat、multiply、attention等算子，对第二特征向量和第三特征向量进行特征融合处理，以得到第四特征向量。
在S412中，通过风险检测模型的第三处理网络，对第四特征向量进行策略预测处理，得到第五特征向量，并基于第五特征向量确定第四预测管控策略。
在实施中，服务器可以通过第三处理网络，基于融合后的特征表示(即第四特征向量)确定第四预测管控策略。
在S414中，基于第一管控策略、历史策略更新信息、第二管控策略、第三预测管控策略、策略更新预测信息和第四预测管控策略，确定风险检测模型是否收敛，在风险检测模型未收敛的情况下，基于历史交易数据对应的第一管控策略、历史策略更新信息以及第二管控策略继续对风险检测模型进行训练，直到风险检测模型收敛，得到训练后的风险检测模型。
在实施中，服务器可以基于损失函数1、第一管控策略和第三预测管控策略，确定损失值1，基于损失函数2、历史策略更新信息和第三预测管控处理，确定损失值2，基于第二管控策略和第四预测管控策略，确定损失值3，最后，服务器可以通过损失值1、损失值2和损失值3，确定目标损失值，进而通过目标损失值确定风险检测模型是否收敛。
此外，上述风险检测模型是否收敛是一种可选地、可实现的确定方法，在实际应用场景中，还可以有多种不同的确定方法，可以根据实际应用场景的不同而有所不同，本说明书实施例对此不做具体限定。
服务器可以获取表格形式的历史交易数据，以得到表格类特征数据，例如，如图6所示，服务器可以通过表格形式的历史交易的交易特征数据得到表格类交易特征，通过表格形式的历史用户的历史交易数据得到表格类主体特征，通过历史用户对应的设备风险信息得到表格类识别风险特征。
服务器可以对得到的表格类特征数据进行预处理，在通过上述S404～S414对风险检测模型进行监督训练，以得到训练后的风险检测模型。
在S202中，在检测到目标用户触发目标交易的情况下，获取与目标用户触发目标交易相关的目标数据。
其中，目标数据可以包括目标交易的交易特征数据、目标用户的历史交易数据以及目标用户对应的设备风险信息。
在实施中，服务器可以也可以通过对历史交易数据的预处理方法，对目标数据进行预处理。
在S204中，通过预先训练的风险检测模型，对目标数据进行风险检测处理，得到第一预测管控策略、策略更新信息以及第二预测管控策略。
其中，风险检测模型可以为通过预设多任务学习算法构建的包括特征挖掘层、第一处理网络、第二处理网络和第三处理网络的模型，特征挖掘层可以用于对目标数据进行特征挖掘处理，第一处理网络可以用于基于特征挖掘层的输出结果生成第一管控策略，第二处理网络可以用于基于特征挖掘层的输出结果生成策略更新信息，第三处理网络可以用于基于第一处理网络提取出的特征表示和第二处理网络提取出的特征表示之间的关联关系，生成第二预测管控策略。
在S416中，基于第一预测管控策略和策略更新信息，确定第五预测管控策略。
在S418中，在第五预测管控策略和第二预测管控策略匹配的情况下，基于第二预测管控策略，对目标用户触发执行目标交易进行风险管控处理。
在实施中，由于通过人工设计风险判断逻辑对资源交易等交易业务是否存在风险进行判断主要依赖以专家经验为单一驱动的管控输出体系，需要人工不断提炼出高价值风险相关特征和合理严密的管控逻辑，这个过程会占用大量且专业的人力资源。而通过预先训练的风险检测模型进行风险管控处理可以在稳定风险水位的情况下降低人力投入，实现合理管控策略推荐。
本说明书实施例提供一种数据处理方法，服务器在检测到目标用户触发目标交易的情况下，获取与目标用户触发目标交易相关的目标数据，通过预先训练的风险检测模型，对目标数据进行风险检测处理，得到第一预测管控策略、策略更新信息以及第二预测管控策略，风险检测模型为可以通过预设多任务学习算法构建的包括特征挖掘层、第一处理网络、第二处理网络和第三处理网络的模型，特征挖掘层可以用于对目标数据进行特征挖掘处理，第一处理网络可以用于基于特征挖掘层的输出结果生成第一预测管控策略，第二处理网络可以用于基于特征挖掘层的输出结果生成策略更新信息，第三处理网络可以用于基于第一处理网络提取出的特征表示和第二处理网络提取出的特征表示之间的关联关系，生成第二预测管控策略，基于第一预测管控策略、策略更新信息以及第二预测管控策略，对目标用户触发执行目标交易进行风险管控处理。由于风险检测模型是通过预设多任务学习算法构建的模型，因此，可以通过风险检测模型将单一的风险检测任务扩展为多个的风险检测任务，即可以通过第一处理网络以及第二处理网络分别捕捉数据的特有特征，以分别得到第一预测管控策略和策略更新信息，又可以通过第三处理网络实现信息共享以挖掘数据之间的关联特征，以得到第二预测管控策略。这样，不仅可以提高风险检测模型的模型泛化能力，又可以通过得到第一预测管控策略、策略更新信息以及第二预测管控策略，及时准确的确定执行资源交易是否存在风险。
实施例三
以上为本说明书实施例提供的数据处理方法，基于同样的思路，本说明书实施例还提供一种数据处理装置，如图7所示。
该数据处理装置包括：数据获取模块701、策略生成模块702和风险管控模块703，其中：
数据获取模块701，用于在检测到目标用户触发目标交易的情况下，获取与所述目标用户触发所述目标交易相关的目标数据；
策略生成模块702，用于通过预先训练的风险检测模型，对所述目标数据进行风险检测处理，得到第一预测管控策略、所述策略更新信息以及所述第二预测管控策略，所述风险检测模型为通过预设多任务学习算法构建的包括特征挖掘层、第一处理网络、第二处理网络和第三处理网络的模型，所述特征挖掘层用于对所述目标数据进行特征挖掘处理，所述第一处理网络用于基于所述特征挖掘层的输出结果生成所述第一预测管控策略，所述第二处理网络用于基于所述特征挖掘层的输出结果生成所述策略更新信息，所述第三处理网络用于基于所述第一处理网络提取出的特征表示和所述第二处理网络提取出的特征表示之间的关联关系，生成所述第二预测管控策略；
风险管控模块703，用于基于所述第一预测管控策略、所述策略更新信息以及所述第二预测管控策略，对所述目标用户触发执行所述目标交易进行风险管控处理。
本说明书实施例中，所述装置还包括：
样本获取模块，用于获取用于训练所述风险检测模型的历史交易数据、所述历史交易数据对应的第一管控策略、历史策略更新信息以及第二管控策略，所述第二管控策略基于所述第一管控策略和所述历史策略更新信息确定；
第一处理模块，用于通过所述风险检测模型的特征挖掘层对所述历史交易数据进行特征挖掘处理，得到第一特征向量；
第二处理模块，用于通过所述风险检测模型的第一处理网络，对所述第一特征向量进行策略预测处理，得到第二特征向量，并基于所述第二特征向量确定第三预测管控策略；
第三处理模块，用于通过所述风险检测模型的第二处理网络，对所述第一特征向量进行策略更新信息预测处理，得到第三特征向量，并基于所述第三特征向量确定策略更新预测信息；
向量生成模块，用于基于所述第二特征向量和所述第三特征向量，生成第四特征向量；
第四处理模块，用于通过所述风险检测模型的第三处理网络，对所述第四特征向量进行策略预测处理，得到第五特征向量，并基于所述第五特征向量确定第四预测管控策略；
模型训练模块，用于基于所述第一管控策略、所述历史策略更新信息、所述第二管控策略、所述第三预测管控策略、所述策略更新预测信息和所述第四预测管控策略，确定所述风险检测模型是否收敛，在所述风险检测模型未收敛的情况下，基于所述历史交易数据对应的第一管控策略、所述历史策略更新信息以及所述第二管控策略继续对所述风险检测模型进行训练，直到所述风险检测模型收敛，得到训练后的风险检测模型。
本说明书实施例中，所述第一处理模块，用于：
对所述历史交易数据进行离散化处理，得到所述历史交易数据对应的第一子特征；
对所述历史交易数据进行异常点检测处理，得到所述历史交易数据对应的第二子特征；
通过所述特征挖掘层的第一子处理层，对所述第一子特征进行处理，得到第一子向量，并通过所述特征挖掘层的第二子处理层，对所述第二子特征进行处理，得到第二子向量，所述第一子处理层包括多个嵌入层，所述第二子处理层包括深度神经网络和预设激活函数；
对所述第一子向量和所述第二子向量进行特征融合处理，得到融合特征向量，并通过所述特征挖掘层的第三子处理层，对所述融合特征向量进行处理，得到所述第一特征向量。
本说明书实施例中，所述第一处理模块，用于：
对所述历史交易数据进行分箱处理，得到所述历史交易数据对应的第一子特征。
本说明书实施例中，所述第一处理模块，用于：
基于预设分位点，对所述历史交易数据进行等频划分处理，得到所述历史交易数据对应的第二子特征。
本说明书实施例中，所述第一处理模块，用于：
对所述历史交易数据进行排序处理，得到排序后的历史交易数据；
基于所述预设分位点和所述排序后的历史交易数据，将所述历史交易数据划分为与所述预设分位点对应的等频数据，并基于所述等频数据，生成所述历史交易数据对应的第二子特征。
本说明书实施例中，所述目标数据包括所述目标交易的交易特征数据、所述目标用户的历史交易数据以及所述目标用户对应的设备风险信息。
本说明书实施例中，所述风险管控模块703，用于：
基于所述第一预测管控策略和所述策略更新信息，确定第五预测管控策略；
在所述第五预测管控策略和所述第二预测管控策略匹配的情况下，基于所述第二预测管控策略，对所述目标用户触发执行所述目标交易进行风险管控处理。
本说明书实施例提供一种数据处理装置，服务器在检测到目标用户触发目标交易的情况下，获取与目标用户触发目标交易相关的目标数据，通过预先训练的风险检测模型，对目标数据进行风险检测处理，得到第一预测管控策略、策略更新信息以及第二预测管控策略，风险检测模型为可以通过预设多任务学习算法构建的包括特征挖掘层、第一处理网络、第二处理网络和第三处理网络的模型，特征挖掘层可以用于对目标数据进行特征挖掘处理，第一处理网络可以用于基于特征挖掘层的输出结果生成第一预测管控策略，第二处理网络可以用于基于特征挖掘层的输出结果生成策略更新信息，第三处理网络可以用于基于第一处理网络提取出的特征表示和第二处理网络提取出的特征表示之间的关联关系，生成第二预测管控策略，基于第一预测管控策略、策略更新信息以及第二预测管控策略，对目标用户触发执行目标交易进行风险管控处理。由于风险检测模型是通过预设多任务学习算法构建的模型，因此，可以通过风险检测模型将单一的风险检测任务扩展为多个的风险检测任务，即可以通过第一处理网络以及第二处理网络分别捕捉数据的特有特征，以分别得到第一预测管控策略和策略更新信息，又可以通过第三处理网络实现信息共享以挖掘数据之间的关联特征，以得到第二预测管控策略。这样，不仅可以提高风险检测模型的模型泛化能力，又可以通过得到第一预测管控策略、策略更新信息以及第二预测管控策略，及时准确的确定执行资源交易是否存在风险。
实施例四
基于同样的思路，本说明书实施例还提供一种数据处理设备，如图8所示。
数据处理设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器801和存储器802，存储器802中可以存储有一个或一个以上存储应用程序或数据。其中，存储器802可以是短暂存储或持久存储。存储在存储器802的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对数据处理设备中的一系列计算机可执行指令。更进一步地，处理器801可以设置为与存储器802通信，在数据处理设备上执行存储器802中的一系列计算机可执行指令。数据处理设备还可以包括一个或一个以上电源803，一个或一个以上有线或无线网络接口804，一个或一个以上输入输出接口805，一个或一个以上键盘806。
具体在本实施例中，数据处理设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对数据处理设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：
在检测到目标用户触发目标交易的情况下，获取与所述目标用户触发所述目标交易相关的目标数据；
通过预先训练的风险检测模型，对所述目标数据进行风险检测处理，得到第一预测管控策略、所述策略更新信息以及所述第二预测管控策略，所述风险检测模型为通过预设多任务学习算法构建的包括特征挖掘层、第一处理网络、第二处理网络和第三处理网络的模型，所述特征挖掘层用于对所述目标数据进行特征挖掘处理，所述第一处理网络用于基于所述特征挖掘层的输出结果生成所述第一预测管控策略，所述第二处理网络用于基于所述特征挖掘层的输出结果生成所述策略更新信息，所述第三处理网络用于基于所述第一处理网络提取出的特征表示和所述第二处理网络提取出的特征表示之间的关联关系，生成所述第二预测管控策略；
基于所述第一预测管控策略、所述策略更新信息以及所述第二预测管控策略，对所述目标用户触发执行所述目标交易进行风险管控处理。
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他实施例的不同之处。尤其，对于数据处理设备实施例而言，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。
本说明书实施例提供一种数据处理设备，服务器在检测到目标用户触发目标交易的情况下，获取与目标用户触发目标交易相关的目标数据，通过预先训练的风险检测模型，对目标数据进行风险检测处理，得到第一预测管控策略、策略更新信息以及第二预测管控策略，风险检测模型为可以通过预设多任务学习算法构建的包括特征挖掘层、第一处理网络、第二处理网络和第三处理网络的模型，特征挖掘层可以用于对目标数据进行特征挖掘处理，第一处理网络可以用于基于特征挖掘层的输出结果生成第一预测管控策略，第二处理网络可以用于基于特征挖掘层的输出结果生成策略更新信息，第三处理网络可以用于基于第一处理网络提取出的特征表示和第二处理网络提取出的特征表示之间的关联关系，生成第二预测管控策略，基于第一预测管控策略、策略更新信息以及第二预测管控策略，对目标用户触发执行目标交易进行风险管控处理。由于风险检测模型是通过预设多任务学习算法构建的模型，因此，可以通过风险检测模型将单一的风险检测任务扩展为多个的风险检测任务，即可以通过第一处理网络以及第二处理网络分别捕捉数据的特有特征，以分别得到第一预测管控策略和策略更新信息，又可以通过第三处理网络实现信息共享以挖掘数据之间的关联特征，以得到第二预测管控策略。这样，不仅可以提高风险检测模型的模型泛化能力，又可以通过得到第一预测管控策略、策略更新信息以及第二预测管控策略，及时准确的确定执行资源交易是否存在风险。
实施例五
本说明书实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述数据处理方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。
本说明书实施例提供一种计算机可读存储介质，服务器在检测到目标用户触发目标交易的情况下，获取与目标用户触发目标交易相关的目标数据，通过预先训练的风险检测模型，对目标数据进行风险检测处理，得到第一预测管控策略、策略更新信息以及第二预测管控策略，风险检测模型为可以通过预设多任务学习算法构建的包括特征挖掘层、第一处理网络、第二处理网络和第三处理网络的模型，特征挖掘层可以用于对目标数据进行特征挖掘处理，第一处理网络可以用于基于特征挖掘层的输出结果生成第一预测管控策略，第二处理网络可以用于基于特征挖掘层的输出结果生成策略更新信息，第三处理网络可以用于基于第一处理网络提取出的特征表示和第二处理网络提取出的特征表示之间的关联关系，生成第二预测管控策略，基于第一预测管控策略、策略更新信息以及第二预测管控策略，对目标用户触发执行目标交易进行风险管控处理。由于风险检测模型是通过预设多任务学习算法构建的模型，因此，可以通过风险检测模型将单一的风险检测任务扩展为多个的风险检测任务，即可以通过第一处理网络以及第二处理网络分别捕捉数据的特有特征，以分别得到第一预测管控策略和策略更新信息，又可以通过第三处理网络实现信息共享以挖掘数据之间的关联特征，以得到第二预测管控策略。这样，不仅可以提高风险检测模型的模型泛化能力，又可以通过得到第一预测管控策略、策略更新信息以及第二预测管控策略，及时准确的确定执行资源交易是否存在风险。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。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。
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计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、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。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的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。
本说明书的实施例是参照根据本说明书实施例的方法、设备(***)、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、嵌入式处理机或其他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他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他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他可编程数据处理设备上，使得在计算机或其他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，从而在计算机或其他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、程序的模块或其他数据。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)、其他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)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，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。
还需要说明的是，术语“包括”、“包含”或者其任何其他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、商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他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的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他实施例的不同之处。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。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书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，均应包含在本说明书的权利要求范围之内。

Claims (10)

1.一种数据处理方法，包括：
在检测到目标用户触发目标交易的情况下，获取与所述目标用户触发所述目标交易相关的目标数据；
通过预先训练的风险检测模型，对所述目标数据进行风险检测处理，得到第一预测管控策略、策略更新信息以及第二预测管控策略，所述风险检测模型为通过预设多任务学习算法构建的包括特征挖掘层、第一处理网络、第二处理网络和第三处理网络的模型，所述特征挖掘层用于对所述目标数据进行特征挖掘处理，所述第一处理网络用于基于所述特征挖掘层的输出结果生成所述第一预测管控策略，所述第二处理网络用于基于所述特征挖掘层的输出结果生成所述策略更新信息，所述第三处理网络用于基于所述第一处理网络提取出的特征表示和所述第二处理网络提取出的特征表示之间的关联关系，生成所述第二预测管控策略；
基于所述第一预测管控策略、所述策略更新信息以及所述第二预测管控策略，对所述目标用户触发执行所述目标交易进行风险管控处理。
2.根据权利要求1所述的方法，在所述通过预先训练的风险检测模型，对所述目标数据进行风险检测处理，得到第一预测管控策略、所述策略更新信息以及所述第二预测管控策略之前，还包括：
获取用于训练所述风险检测模型的历史交易数据、所述历史交易数据对应的第一管控策略、历史策略更新信息以及第二管控策略，所述第二管控策略基于所述第一管控策略和所述历史策略更新信息确定；
通过所述风险检测模型的特征挖掘层对所述历史交易数据进行特征挖掘处理，得到第一特征向量；
通过所述风险检测模型的第一处理网络，对所述第一特征向量进行策略预测处理，得到第二特征向量，并基于所述第二特征向量确定第三预测管控策略；
通过所述风险检测模型的第二处理网络，对所述第一特征向量进行策略更新信息预测处理，得到第三特征向量，并基于所述第三特征向量确定策略更新预测信息；
基于所述第二特征向量和所述第三特征向量，生成第四特征向量；
通过所述风险检测模型的第三处理网络，对所述第四特征向量进行策略预测处理，得到第五特征向量，并基于所述第五特征向量确定第四预测管控策略；
基于所述第一管控策略、所述历史策略更新信息、所述第二管控策略、所述第三预测管控策略、所述策略更新预测信息和所述第四预测管控策略，确定所述风险检测模型是否收敛，在所述风险检测模型未收敛的情况下，基于所述历史交易数据对应的第一管控策略、所述历史策略更新信息以及所述第二管控策略继续对所述风险检测模型进行训练，直到所述风险检测模型收敛，得到训练后的风险检测模型。
3.根据权利要求2所述的方法，所述通过所述风险检测模型的特征挖掘层对所述历史交易数据进行特征挖掘处理，得到第一特征向量，包括：
对所述历史交易数据进行离散化处理，得到所述历史交易数据对应的第一子特征；
对所述历史交易数据进行异常点检测处理，得到所述历史交易数据对应的第二子特征；
通过所述特征挖掘层的第一子处理层，对所述第一子特征进行处理，得到第一子向量，并通过所述特征挖掘层的第二子处理层，对所述第二子特征进行处理，得到第二子向量，所述第一子处理层包括多个嵌入层，所述第二子处理层包括深度神经网络和预设激活函数；
对所述第一子向量和所述第二子向量进行特征融合处理，得到融合特征向量，并通过所述特征挖掘层的第三子处理层，对所述融合特征向量进行处理，得到所述第一特征向量。
4.根据权利要求3所述的方法，所述对所述历史交易数据进行离散化处理，得到所述历史交易数据对应的第一子特征，包括：
对所述历史交易数据进行分箱处理，得到所述历史交易数据对应的第一子特征。
5.根据权利要求3所述的方法，所述对所述历史交易数据进行异常点检测处理，得到所述历史交易数据对应的第二子特征，包括：
基于预设分位点，对所述历史交易数据进行等频划分处理，得到所述历史交易数据对应的第二子特征。
6.根据权利要求5所述的方法，所述基于预设分位点，对所述历史交易数据进行等频划分处理，得到所述历史交易数据对应的第二子特征，包括：
对所述历史交易数据进行排序处理，得到排序后的历史交易数据；
基于所述预设分位点和所述排序后的历史交易数据，将所述历史交易数据划分为与所述预设分位点对应的等频数据，并基于所述等频数据，生成所述历史交易数据对应的第二子特征。
7.根据权利要求1所述的方法，所述目标数据包括所述目标交易的交易特征数据、所述目标用户的历史交易数据以及所述目标用户对应的设备风险信息。
8.根据权利要求1所述的方法，所述基于所述第一预测管控策略、所述策略更新信息以及所述第二预测管控策略，对所述目标用户触发执行所述目标交易进行风险管控处理，包括：
基于所述第一预测管控策略和所述策略更新信息，确定第五预测管控策略；
在所述第五预测管控策略和所述第二预测管控策略匹配的情况下，基于所述第二预测管控策略，对所述目标用户触发执行所述目标交易进行风险管控处理。
9.一种数据处理装置，包括：
数据获取模块，用于在检测到目标用户触发目标交易的情况下，获取与所述目标用户触发所述目标交易相关的目标数据；
策略生成模块，用于通过预先训练的风险检测模型，对所述目标数据进行风险检测处理，得到第一预测管控策略、所述策略更新信息以及所述第二预测管控策略，所述风险检测模型为通过预设多任务学习算法构建的包括特征挖掘层、第一处理网络、第二处理网络和第三处理网络的模型，所述特征挖掘层用于对所述目标数据进行特征挖掘处理，所述第一处理网络用于基于所述特征挖掘层的输出结果生成所述第一预测管控策略，所述第二处理网络用于基于所述特征挖掘层的输出结果生成所述策略更新信息，所述第三处理网络用于基于所述第一处理网络提取出的特征表示和所述第二处理网络提取出的特征表示之间的关联关系，生成所述第二预测管控策略；
风险管控模块，用于基于所述第一预测管控策略、所述策略更新信息以及所述第二预测管控策略，对所述目标用户触发执行所述目标交易进行风险管控处理。
10.一种数据处理设备，所述数据处理设备包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
在检测到目标用户触发目标交易的情况下，获取与所述目标用户触发所述目标交易相关的目标数据；
通过预先训练的风险检测模型，对所述目标数据进行风险检测处理，得到第一预测管控策略、所述策略更新信息以及所述第二预测管控策略，所述风险检测模型为通过预设多任务学习算法构建的包括特征挖掘层、第一处理网络、第二处理网络和第三处理网络的模型，所述特征挖掘层用于对所述目标数据进行特征挖掘处理，所述第一处理网络用于基于所述特征挖掘层的输出结果生成所述第一预测管控策略，所述第二处理网络用于基于所述特征挖掘层的输出结果生成所述策略更新信息，所述第三处理网络用于基于所述第一处理网络提取出的特征表示和所述第二处理网络提取出的特征表示之间的关联关系，生成所述第二预测管控策略；
基于所述第一预测管控策略、所述策略更新信息以及所述第二预测管控策略，对所述目标用户触发执行所述目标交易进行风险管控处理。
CN202311632407.1A 2023-11-30 2023-11-30 数据处理方法、装置及设备 Pending CN117593004A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311632407.1A CN117593004A (zh) 2023-11-30 2023-11-30 数据处理方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311632407.1A CN117593004A (zh) 2023-11-30 2023-11-30 数据处理方法、装置及设备

Publications (1)

Publication Number Publication Date
CN117593004A true CN117593004A (zh) 2024-02-23

Family

ID=89919819

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311632407.1A Pending CN117593004A (zh) 2023-11-30 2023-11-30 数据处理方法、装置及设备

Country Status (1)

Country Link
CN (1) CN117593004A (zh)

Similar Documents

Publication Publication Date Title
CN110262937B (zh) 一种指标异常原因的识别方法及装置
CN115841335B (zh) 数据处理方法、装置及设备
CN115981870B (zh) 一种数据处理的方法、装置、存储介质及电子设备
CN116167461B (zh) 一种模型训练的方法、装置、存储介质及电子设备
CN111783018B (zh) 一种页面处理方法、装置及设备
CN116049761A (zh) 数据处理方法、装置及设备
CN117370536B (zh) 一种任务执行方法、装置、存储介质及电子设备
CN117194992B (zh) 一种模型训练、任务执行方法、装置、存储介质及设备
CN111443997B (zh) 一种数据异常识别方法及装置
CN116308375A (zh) 数据处理方法、装置及设备
CN117593004A (zh) 数据处理方法、装置及设备
CN115204395A (zh) 数据的处理方法、装置及设备
CN117009729B (zh) 基于softmax的数据处理方法及装置
CN116070916B (zh) 数据处理方法、装置及设备
CN116109008B (zh) 一种业务执行的方法、装置、存储介质及电子设备
CN117348999B (zh) 一种业务执行***及业务执行方法
CN117201334B (zh) 一种多模态网络流量预测方法及装置
CN118261420A (zh) 数据处理方法、装置及设备
CN115994252A (zh) 数据处理方法、装置及设备
CN117313025A (zh) 任务处理方法及装置
CN117592102A (zh) 一种业务执行方法、装置、设备及存储介质
CN117744155A (zh) 一种执行风控业务的方法、装置及存储介质
CN118196530A (zh) 数据处理方法、装置及设备
CN116957587A (zh) 一种风险识别的方法、装置、存储介质以及电子设备
CN117992829A (zh) 数据处理方法、装置及设备

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