[发明专利]交易风控网络的训练方法及装置、交易风险检测方法

说明书

本公开涉及机器学习领域，具体提供了一种交易风控网络的训练方法及装置、交易风险检测方法。交易风控网络包括第一风险预测网络和第二风险预测网络，第一风险预测网络为决策树网络，训练方法包括：获取第二时间段内采集到的最新的交易数据集；将最新的交易数据集输入已训练的第一风险预测网络，得到第一风险预测网络预测输出的各交易样本对应的第一训练特征和第二训练特征；将第一训练特征和第二训练特征输入已训练的第二风险预测网络，根据第二风险预测网络预测输出的交易风险分值和标签信息的损失，对第二风险预测网络中第一训练特征对应的网络参数进行调整，得到调整后的第二风险预测网络。本公开方法可有效解决风控网络的概念漂移。

技术领域

本公开涉及机器学习领域，具体涉及一种交易风控网络的训练方法及装置、交易风险检测方法。

背景技术

机器学习算法是人工智能领域的核心，在使用机器学习算法构建深度学习网络时有一个重要假设，即训练时的数据分布和应用时的数据分布基本一致，从而通过样本训练实现准确预测。然而在一些场景下，学习网络随着时间的推移，往往会出现新的数据分布与已有数据分布不一致的情况，这种新数据分布与旧有数据分布存在不一致的现象称为概念漂移(Concept Drift)，处理应对概念漂移的方法称为模型自适应。

以风控领域为例，交易风控网络在应用中，随着时间推移，一方面由于网络本身对用户行为进行干预，进而会影响了后续的数据。另一方面，非法交易的作案者也会想办法绕过风控模型的稽核系统，行为也不会稳定。因此导致交易风控网络在上线一段时间后性能会逐渐下降，造成风险案件疏漏。因此，如何应对模型的概念漂移问题成为风控领域的重要问题。

发明内容

为解决交易风控网络的概念漂移问题，本公开提供了一种交易风控网络的训练方法及装置。

同时，为解决交易风控网络由于概念漂移导致对风险案件疏漏的技术问题，本公开提供了一种交易风险检测方法。

第一方面，本公开提供了一种交易风控网络的训练方法，所述交易风控网络包括第一风险预测网络和第二风险预测网络，所述第一风险预测网络为决策树网络，所述方法包括：

获取第二时间段内采集到的最新的交易数据集，所述交易数据集包括各交易样本的特征信息和标签信息，所述标签信息表征各交易样本的交易风险；

将最新的交易数据集输入已训练的所述第一风险预测网络，得到所述第一风险预测网络预测输出的各交易样本对应的第一训练特征和第二训练特征，所述第一训练特征为各交易样本对应的第一风险预测网络中的叶子节点标识，所述第二训练特征表示各交易样本对应的交易风险分值；

将所述第一训练特征和所述第二训练特征输入已训练的第二风险预测网络，根据所述第二风险预测网络预测输出的交易风险分值和所述标签信息的损失，对所述第二风险预测网络中第一训练特征对应的网络参数进行调整，得到调整后的第二风险预测网络。

在一些实施方式中，在所述获取第二时间段内采集到的最新的交易数据集之前，还包括：

获取第一时间段内采集到的历史交易数据集，所述历史交易数据集包括各交易样本的所述特征信息和所述标签信息；

基于所述历史交易数据集的特征信息，训练得到所述第一风险预测网络；

将所述历史交易数据集输入已训练的所述第一风险预测网络，得到所述第一风险预测网络预测输出的各交易样本对应的所述第一训练特征和所述第二训练特征；

将所述第一训练特征和所述第二训练特征输入待训练的第二风险预测网络，根据所述第二风险预测网络输出的交易风险分值和所述标签信息的损失，对所述第二风险预测网络中第一训练特征对应的网络参数进行调整，得到所述已训练的第二风险预测网络。

在一些实施方式中，所述根据所述第二风险预测网络输出的交易风险分值和所述标签信息的损失，对所述第二风险预测网络中第一训练特征对应的网络参数进行调整，包括：