[发明专利]风险交易识别模型的训练方法、风险交易识别方法和装置

说明书

本说明书实施例描述了风险交易识别模型的训练方法、风险交易识别方法和装置。根据实施例的方法，在对风险交易识别模型进行训练时，获取到的黑数据样本和白数据样本的分类标签是已知的。通过利用当前训练的风险交易识别模型对各数据样本进行识别能够得到各自的识别结果，进而可以确定出损失函数，并利用该损失函数继续进行模型训练。由于确定的损失函数是能够提高黑数据样本的学习权重的，从而当用于模型学习的黑数据样本少于白数据样本时，能够减弱学习任务向白数据样本的分类标签倾斜的问题，进而提高模型对风险交易进行识别的准确性。

技术领域

本说明书一个或多个实施例涉及人工智能领域，尤其涉及风险交易识别模型的训练方法、风险交易识别方法和装置。

背景技术

在风险防控领域中，通过深度学习网络对黑样本和白样本进行学习训练，从而能够利用训练得到的模型对账户进行风险识别。

然而，风险防控领域中的黑白样本的比例通常差异是较大的。比如，黑样本和白样本的比例可能为1:1000或者1:10000，甚至白样本的比例更高。而对于风险防控通常更需要关注的是黑样本，基于这样的黑白样本比例学习得到的模型更多关注到的是白样本的信息，从而可能弱化甚至遗漏掉黑样本的信息，导致得到的识别模型在进行风险识别时准确率经常比较低。

发明内容

本说明书一个或多个实施例描述了风险交易识别模型的训练方法、风险交易识别方法和装置，能够提高风险交易识别的准确性。

根据第一方面，提供了风险交易识别模型的训练方法，包括：

获取黑数据样本和白数据样本；其中，所述黑数据样本的分类标签为风险交易，所述白数据样本的分类标签为非风险交易；

将所述黑数据样本和所述白数据样本输入当前训练的风险交易识别模型，得到各黑数据样本和白数据样本的识别结果；

根据各黑数据样本和白数据样本的识别结果，确定损失函数；其中，所述损失函数能够提高对所述黑数据样本的学习权重；

利用所述损失函数，继续训练所述风险交易识别模型。

在一种可能的实现方式中，所述识别结果包括：数据样本的标签为风险交易的概率值；

所述根据各黑数据样本和白数据样本的识别结果确定损失函数，包括：

确定所述白数据样本的第一学习权重；以及，

确定所述黑数据样本的第二学习权重；其中，所述第二学习权重大于所述第一学习权重，且所述第二学习权重满足：对所述风险交易识别模型得到的各个风险交易的概率值进行从高到低的排序，获取排在前N个概率值所对应的N个数据样本，该N个数据样本中所包含的分类标签为风险交易的黑数据样本的数量与输入所述风险交易识别模型的所有黑数据样本的数量的比值大于第一预设阈值；

根据所述第一学习权重和所述第二学习权重确定所述损失函数。

在一种可能的实现方式中，所述确定所述白数据样本的第一学习权重，包括：

获取当前训练的风险识别模型输出的分类标签为风险交易的概率值；

根据所述风险交易的概率值，确定所述第一学习权重。

在一种可能的实现方式中，所述根据所述第一学习权重和所述第二学习权重确定所述损失函数，包括：

以所述第一学习权重作为训练所述黑数据样本的权重值，得到黑样本损失项；

以所述第二学习权重作为训练所述白数据样本的权重值，得到白样本损失项；

计算所述黑样本损失项与所述白样本损失项的和，得到所述损失函数。