[发明专利]交易检测方法、模型的训练方法、装置及计算机可读存储介质

说明书

本发明提供了交易检测方法、模型的训练方法、装置及计算机可读存储介质，该交易检测模型的训练方法包括：获取交易样本集，交易样本集包括携带样本标签的多个交易样本；根据交易样本集构造人工特征以及提取深度特征，得到交易样本集的人工特征和深度特征，形成训练样本集；构建待训练模型，待训练模型至少包含待训练的特征重建网络和分类网络，基于训练样本集对待训练模型迭代地执行端到端的训练，以得到交易检测模型。利用上述方法，能够优化人工特征和深度特征的特征融合过程，从人工特征以及深度特征中自动提取利于下游的分类网络质量提升的特征，实现更好的交易检测效果。

技术领域

本发明属于机器学习领域，具体涉及交易检测方法、模型的训练方法、装置及计算机可读存储介质。

背景技术

本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

在大数据和人工智能时代，数据驱动的金融风险防控模型构建是金融风控领域的热点研究之一。在实际的金融风控业务场景中，特征工程作为风控建模中处理和分析数据的关键步骤，直接影响后续的模型构建效果。

在交易场景中，通过大量账号之间的交易关系可以构成一张大规模的复杂交易网络。为了有效利用数据构建鲁棒性的高精度模型，通常会基于业务经验构造人工特征，以及采用机器学习方法自动化地抽取深度特征，并将这两类特征简单拼接融合作为下游任务模型的输入。然而这样会导致下游任务模型的检测效果不佳，并会造成一定程度的特征冗余。

因此，在交易检测过程中，如何有效且快速地进行特征融合是一个亟待解决的问题。

发明内容

针对上述现有技术中存在的问题，提出了交易检测模型的训练方法、交易检测方法、装置及计算机可读存储介质，利用这种方法、装置及计算机可读存储介质，能够解决上述问题。

本发明提供了以下方案。

第一方面，提供一种交易检测模型的训练方法，包括：获取交易样本集，交易样本集包括携带样本标签的多个交易样本，样本标签用于指示交易样本的异常情况；根据交易样本集构造人工特征以及提取深度特征，得到交易样本集的人工特征和深度特征，形成训练样本集；构建待训练模型，待训练模型至少包含待训练的特征重建网络和分类网络，基于训练样本集对待训练模型迭代地执行端到端的训练，以得到交易检测模型。

在一种可能的实施方式中，构建待训练模型，还包括：基于自编码器构建特征重建网络，其中，自编码器包括用于执行特征编码的编码器和用于执行特征重建的解码器,以及，根据编码器的输出数据而确定分类网络的输入数据。

在一种可能的实施方式中，构建待训练模型，还包括：基于多层感知机MLP构建分类器网络，其中，多层感知机MLP的最后一层是softmax层。

在一种可能的实施方式中，基于训练样本集对待训练模型迭代地执行端到端的训练，包括：将交易样本的人工特征和深度特征输入待训练的特征重建网络，其中，特征重建网络至少包括待训练的第一自编码器和第二自编码器，特征重建网络将人工特征和深度特征融合为综合特征，并将综合特征和人工特征输入第一自编码器，将综合特征和深度特征输入第二自编码器，第一自编码器根据综合特征和人工特征依次生成第一编码特征和第一重建特征，第二自编码器根据综合特征和深度特征依次生成第二编码特征和第二重建特征，特征重建网络根据第一编码特征和第二编码特征生成交易样本的综合编码特征。

在一种可能的实施方式中，基于训练样本集对待训练模型迭代地执行端到端的训练，还包括：将特征重建网络生成的交易样本的综合编码特征输入待训练的分类网络，得到交易样本的样本检测结果；根据第一重建特征和人工特征之间的差异程度、第二重建特征和深度特征之间的差异程度以及样本检测结果和样本标签之间的差异程度，调整待训练模型的各个参数，直至达到预设收敛条件。