[发明专利]一种交易风险的检测方法、装置及设备

权利要求书

1.一种交易风险的检测方法，所述方法包括：

获取待分析的交易数据；

对所述交易数据进行特征提取，获取所述交易数据对应的低阶特征和高阶特征；

将所述交易数据对应的低阶特征和高阶特征输入到风险分析模型中进行数据风险分析，确定所述交易数据对应的交易是否为存在预定风险，所述风险分析模型是采用元学习通过预定的低阶特征样本和高阶特征样本进行训练得到的模型；

所述方法还包括：

获取预设第一数量的低阶特征样本和预设第二数量的高阶特征样本；

基于所述风险分析模型的架构，分别设置一个或多个风险分析子模型，且每个所述风险分析子模型的架构与所述风险分析模型的架构相同；

将所述第一数量的低阶特征样本和所述第二数量的高阶特征样本，分别输入到每个所述风险分析子模型中进行计算，得到每个所述风险分析子模型对应的第一损失函数；

基于得到的每个所述风险分析子模型对应的第一损失函数，确定所述风险分析模型对应的第二损失函数；

基于所述风险分析模型对应的第二损失函数，通过梯度下降算法，以及所述第一数量的低阶特征样本和所述第二数量的高阶特征样本，确定所述风险分析模型。

2.根据权利要求1所述的方法，所述基于得到的每个所述风险分析子模型对应的第一损失函数，确定所述风险分析模型对应的第二损失函数，包括：

基于得到的每个所述风险分析子模型对应的第一损失函数，对每个所述风险分析子模型对应的模型参数进行更新，得到更新后的每个所述风险分析子模型对应的模型参数；

基于更新后的每个所述风险分析子模型对应的模型参数，确定每个所述风险分析子模型对应的损失值；

对每个所述风险分析子模型对应的损失值进行求和计算，得到所述风险分析模型对应的第二损失函数。

3.根据权利要求1所述的方法，所述基于所述风险分析模型对应的第二损失函数，通过梯度下降算法，以及所述第一数量的低阶特征样本和所述第二数量的高阶特征样本，确定所述风险分析模型，包括：

基于所述风险分析模型对应的第二损失函数，通过梯度下降算法，以及所述第一数量的低阶特征样本和所述第二数量的高阶特征样本，确定待选风险分析模型；

获取第三数量的特征样本，对所述待选风险分析模型进行验证；

如果对所述待选风险分析模型验证通过，则将所述待选风险分析模型作为所述风险分析模型。

4. 根据权利要求1-3中任一项所述的方法，所述风险分析模型为Wide and Deep模型或DeepFM模型。

5.根据权利要求4所述的方法，所述低阶特征包括用户信息对应的特征，所述高阶特征包括积累型特征。

6.根据权利要求5所述的方法，所述预定风险为洗钱风险或反洗钱风险。

7.一种交易风险的检测装置，所述装置包括：

交易数据获取模块，获取待分析的交易数据；

特征提取模块，对所述交易数据进行特征提取，获取所述交易数据对应的低阶特征和高阶特征；

风险分析模块，将所述交易数据对应的低阶特征和高阶特征输入到风险分析模型中进行数据风险分析，确定所述交易数据对应的交易是否为存在预定风险，所述风险分析模型是采用元学习通过预定的低阶特征样本和高阶特征样本进行训练得到的模型；

所述装置还包括：

样本获取模块，获取预设第一数量的低阶特征样本和预设第二数量的高阶特征样本；

子模型设置模块，基于所述风险分析模型的架构，分别设置一个或多个风险分析子模型，且每个所述风险分析子模型的架构与所述风险分析模型的架构相同；

第一处理模块，将所述第一数量的低阶特征样本和所述第二数量的高阶特征样本，分别输入到每个所述风险分析子模型中进行计算，得到每个所述风险分析子模型对应的第一损失函数；

第二处理模块，基于得到的每个所述风险分析子模型对应的第一损失函数，确定所述风险分析模型对应的第二损失函数；

模型确定模块，基于所述风险分析模型对应的第二损失函数，通过梯度下降算法，以及所述第一数量的低阶特征样本和所述第二数量的高阶特征样本，确定所述风险分析模型。