[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

说明书

本公开提供了一种反洗钱风险监控方法、装置、设备、存储介质和程序产品，属于人工智能领域。该方法包括：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第一客户交易数据，预测第一客户交易数据对应的交易的洗钱风险信息；其中，在训练洗钱风险预测模型时，在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；然后通过从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。本公开还提供了一种洗钱风险预测模型的训练方法、装置、设备、存储介质和程序产品。

技术领域

本公开涉及人工智能领域，更具体地涉及一种反洗钱风险监控方法和洗钱风险预测模型的训练方法、以及相应的装置、设备、介质和程序产品。

背景技术

反洗钱风险的防控越来越受到银行等金融机构的重视。基于金融机构已经掌握的洗钱客户名单，以及银行存储的客户历史交易数据，利用机器学习技术可以将客户的交易行为根据其洗钱风险程度进行分类，来达到更好地反洗钱风险预测。然而，金融机构的交易数据量通常比较大，而且，其中从事洗钱的客户交易数据与从事正常交易的客户交易数据的数据量的比例悬殊，这导致训练机器学习模型时的训练样本极度不平衡，会严重影响模型学习洗钱交易的行为特征的效率和效果。

发明内容

鉴于上述问题，本公开实施例提供了一种可以提高预测模型训练效率和预测准确率的反洗钱风险监控方法、装置、设备、介质和程序产品，以及用于反洗钱风险监控的洗钱风险预测模型的训练方法、装置、设备、介质和程序。

本公开实施例的第一方面，提供了一种反洗钱风险监控方法。所述方法包括：获取至少一个第一客户交易数据；以及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；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。

根据本公开的实施例，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：基于与上一轮训练时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。

根据本公开的实施例，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进行所述局部调整后所得的聚类结果中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。

根据本公开的实施例，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。

根据本公开的实施例，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。