[发明专利]风险挖掘方法及对应装置

说明书

本说明书实施例提供了一种风险挖掘方法及对应装置，涉及机器学习技术领域。其中方法包括：获取待检测对象的N个网络行为特征的取值，所述N为大于1的正整数；将所述待检测对象的N个网络行为特征的取值输入自编码模型，获取所述自编码模型输出的所述N个网络行为特征的预测值，其中所述自编码模型利用风险等级低于预设阈值的对象的所述N个网络行为特征预先训练得到；利用所述N个网络行为特征的取值和预测值的差异程度，确定所述待检测对象的异常分值；利用所述待检测对象的异常分值，得到所述待检测对象的风险信息。通过本申请能够提高风险挖掘的准确率。

技术领域

本说明书一个或多个实施例涉及机器学习技术领域，尤其涉及一种风险挖掘方法及对应装置。

背景技术

随着网络技术的快速发展，越来越多的业务在互联网上进行，给人们的生产和生活带来了极大便利。与此同时也带来了很多的风险，例如网络交易风险、网络赌博风险、网络洗钱风险、病毒勒索风险等等。随着业务的发展，风险也在不断变化，风险挖掘能够帮助发现新的风险，完善风险策略，成为风控场景中一个非常重要的环节。然而目前常用的风险挖掘方法的准确率仍有待提高。

发明内容

有鉴于此，本说明书一个或多个实施例公开了一种风险挖掘方法及对应装置，用以提高风险挖掘的准确率。

根据第一方面，本公开提供了一种风险挖掘方法，该方法包括：

获取待检测对象的N个网络行为特征的取值，所述N为大于1的正整数；

将所述待检测对象的N个网络行为特征的取值输入自编码模型，获取所述自编码模型输出的所述N个网络行为特征的预测值，其中所述自编码模型利用风险等级低于预设阈值的对象的所述N个网络行为特征预先训练得到；

利用所述N个网络行为特征的取值和预测值的差异程度，确定所述待检测对象的异常分值；

利用所述待检测对象的异常分值，得到所述待检测对象的风险信息。

根据本申请实施例中一可实现的方式，所述自编码模型采用如下方式预先训练得到：

获取包含多个训练样本的训练数据，所述训练样本包括风险等级低于预设阈值的对象的N个网络行为特征的取值；

利用所述训练样本训练所述自编码模型；其中将训练样本中对象的N个网络行为特征的取值输入自编码模型，获取所述自编码模型输出的N个网络行为特征的预测值，训练目标为：最小化同一对象的N个网络行为特征的取值和预测值的差异程度。

根据本申请实施例中一可实现的方式，所述N个网络行为特征的取值和预测值的差异程度包括：所述N个网络行为特征的取值和预测值的均方根误差、均方误差或平均绝对误差。

根据本申请实施例中一可实现的方式，利用所述待检测对象的异常分值，得到所述待检测对象的风险信息包括：

依据所述待检测对象的异常分值，确定所述待检测对象的风险等级；和/或，

若所述待检测对象的异常分值大于或等于预设异常分阈值，则依据所述待检测对象的各网络行为特征的取值和预测值的差异程度，将差异程度满足预设差异度条件的网络行为特征确定为所述待检测对象的异常特征，输出所述待检测对象的异常特征的信息。

根据本申请实施例中一可实现的方式，所述待检测对象为M个，所述M为大于1的正整数；

利用所述待检测对象的异常分值，得到所述待检测对象的风险信息包括：

确定所述M个待检测对象中异常分值满足预设条件的P个对象，所述P为大于1的正整数；

基于所述P个对象的网络行为特征的取值，对所述P个对象进行聚类，得到K个类簇，所述K为大于或等于1的正整数；

分别从所述K个类簇中选择预设数量的对象作为典型异常对象。