[发明专利]反洗钱风险监控方法和模型训练方法、装置、设备及介质

权利要求书

1.一种反洗钱风险监控方法，包括：

获取至少一个第一客户交易数据；

利用洗钱风险预测模型基于每个所述第一客户交易数据，预测所述第一客户交易数据对应的交易的洗钱风险信息，所述洗钱风险信息用于指示所述第一客户交易数据对应的交易是否存在风险；

其中，

在训练所述洗钱风险预测模型时，以进行洗钱交易的每个客户交易数据作为一个正样本，以正常交易的每个客户交易数据作为一个负样本，其中，参与训练的所述正样本的个数为P，参与训练的所述负样本的个数为N，其中，其中，P、N分别为正整数，且P与N的比值小于样本均衡阈值，其中，所述洗钱风险预测模型通过如下方式进行训练：

在所述洗钱风险预测模型的每一轮训练中，根据上一轮训练的训练结果对上一轮训练中N个所述负样本对应的前次聚类结果进行调整，得到本轮负样本聚类结果；

从所述本轮负样本聚类结果的每个类中降采样，得到参与本轮训练的负样本；以及

使用所述参与本轮训练的负样本和P个所述正样本对所述洗钱风险预测模型进行本轮训练。

2.根据权利要求1所述的方法，其中，所述根据上一轮训练的训练结果对上一轮训练中N个所述负样本对应的前次聚类结果进行调整包括：

基于与所述前次聚类结果使用的聚类参数不同的聚类参数，对N个所述负样本全量聚类；或者

对所述前次聚类结果进行局部调整，包括：对所述前次聚类结果中的至少一个类进行拆分，和/或将所述前次聚类结果中的至少两个类合并为新的类。

3.根据权利要求2所述的方法，其中，所述根据上一轮训练的训练结果对上一轮训练中N个所述负样本对应的前次聚类结果进行调整包括：

当上一轮训练的训练轮数为a的整数倍时，在本轮训练中对N个所述负样本全量聚类，其中，a为大于或等于2的整数；或者

当对所述前次聚类结果的类数大于或等于阈值b时，对N个所述负样本全量聚类，其中，b为大于或等于2的整数。

4.根据权利要求2或3所述的方法，其中，所述对N个所述负样本全量聚类包括：

从对N个所述负样本按照预定规则划分得到的C个分组的每个分组中随机选择一个初始聚类中心点，以得到C个初始聚类中心点，其中，C为大于1且小于等于N/2；以及

以C个所述初始聚类中心点分别作为聚类中心点，对N个所述负样本进行k-means聚类。

5.根据权利要求4所述的方法，其中，所述按照预定规则划分得到的C个分组包括，基于N个所述负样本中每个所述负样本与P个所述正样本的距离，划分得到的C个分组。

6.根据权利要求5所述的方法，其中，所述洗钱风险预测模型的训练过程还包括：

计算N个所述负样本中每个所述负样本与P个所述正样本的距离；

对每个所述负样本计算其与最近的Pi个正样本的平均距离，其中，Pi为整数，且0＜Pi≤P；

按照每个所述负样本对应的所述平均距离对N个所述负样本排序；以及

按照排序顺序将N个所述负样本等频划分为C个分组。

7.根据权利要求2所述的方法，其中，所述根据上一轮训练的训练结果对上一轮训练中N个所述负样本对应的前次聚类结果进行调整包括：

基于所述前次聚类结果中每个类内参与上一轮训练的所有负样本的预测误差，得到每个类对应的类内预测误差；以及

当所述类内预测误差满足局部调整条件时，对所述前次聚类结果进行局部调整。

8.根据权利要求7所述的方法，其中，所述当所述类内预测误差满足局部调整条件时，对所述前次聚类结果进行局部调整包括：

当所述类内预测误差大于预定的类内误差阈值时，将所述类内预测误差对应的类再次聚类为多个类；或者

当所述类内预测误差为所述前次聚类结果中每个类内参与上一轮训练的所有负样本的预测误差的平均值，且基于所述类内预测误差而得到的变异系数大于预设的最大变异系数时，将所述类内预测误差对应的类再次聚类为多个类。