训练风险识别模型的方法、风险识别方法及对应装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115935265A(43)申请公布日2023.04.07(21)申请号202310224138.9(22)申请日2023.03.03(71)申请人支付宝（杭州）信息技术有限公司地址310000浙江省杭州市西湖区西溪路556号8层B段801-11(72)发明人刘芳卿(74)专利代理机构济南信达专利事务所有限公司37100专利代理师李世喆(51)Int.Cl.G06F18/241(2023.01)G06F18/214(2023.01)G06N3/08(2023.01)G06Q20/40(2012.01)G06Q40/00(2023.01)权利要求书4页说明书15页附图8页(54)发明名称训练风险识别模型的方法、风险识别方法及对应装置(57)摘要本说明书实施例提供了一种训练风险识别模型的方法、风险识别方法及对应装置，涉及人工智能技术领域。本申请采用元学习的方式训练包含编码模块和第一预测模块的第一风险识别模型，基于第一事件样本的特征向量、第一训练样本的安全支持集以及各风险域的风险支持集中各事件的特征向量确定第一事件样本分别与安全支持集、各风险域的风险支持集的相关度，依据第一事件样本分别与安全支持集、各风险域的风险支持集的相关度预测第一事件样本的风险信息。通过这种方式将对多个风险域的学习统一到一个风险识别模型中，相比较针对不同风险域分别训练独立的风险识别模型的方式，减轻了对存储性能和计算性能所带来的压力。CN115935265ACN115935265A权利要求书1/4页1.一种训练风险识别模型的方法，其特征在于，所述方法包括：获取包括多个第一训练样本的第一训练数据，所述第一训练样本包括第一事件样本以及该第一事件样本的风险信息标签；以及获取各第一训练样本的安全支持集和N个风险域的风险支持集，所述N为预设的正整数；利用所述第一训练数据训练包括编码模块和第一预测模块的第一风险识别模型；所述编码模块对所述第一训练样本中的第一事件样本、所述第一训练样本的安全支持集和N个风险域的风险支持集中的各事件进行编码，得到第一事件样本的特征向量、所述第一训练样本的安全支持集和N个风险域的风险支持集中各事件的特征向量；所述第一预测模块利用所述第一事件样本的特征向量和所述第一训练样本的安全支持集中各事件的特征向量，确定所述第一事件样本与安全数据集的相关度，利用所述第一事件样本的特征向量以及各风险域的风险支持集中各事件的特征向量分别确定所述第一事件样本与各风险域的风险支持集的相关度，依据所述第一事件样本分别与所述安全支持集、各风险域的风险支持集的相关度预测所述第一事件样本的风险信息；所述训练的目标包括：最小化所述第一预测模块预测得到的所述第一事件样本的风险信息与该第一事件样本的风险信息标签之间的差异。2.根据权利要求1所述的方法，其特征在于，所述获取各第一训练样本的安全支持集和N个风险域的风险支持集包括：获取所述第一训练样本中第一事件样本的发起用户对应的历史安全事件，将该历史安全事件所构成的序列作为该第一训练样本的安全支持集；分别获取N个风险域的风险事件，将各风险域的风险事件所构成的序列分别作为各风险域的风险支持集，各风险域的风险支持集由各第一训练样本共享。3.根据权利要求1所述的方法，其特征在于，利用所述第一事件样本的特征向量和所述第一训练样本的安全支持集中各事件的特征向量，确定所述第一事件样本与所述安全数据集的相关度包括：确定所述第一事件样本的特征向量与所述安全支持集的表征中心之间的距离作为所述第一事件样本与所述安全支持集的相关度，其中所述安全支持集的表征中心由所述安全支持集中各事件的特征向量进行求平均后得到；利用所述第一事件样本的特征向量以及各风险域的风险支持集中各事件的特征向量分别确定所述第一事件样本与各风险域的风险支持集的相关度包括：针对各风险域，分别确定所述第一事件样本的特征向量与风险域的风险支持集的表征中心之间的距离作为所述第一事件样本与该风险域的风险支持集的相关度，其中所述风险域的风险支持集的表征中心由该风险域的风险支持集中各事件的特征向量进行求平均后得到。4.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取包括多个第二训练样本的第二训练数据，所述第二训练样本包括第二事件样本以及该第二事件样本的风险信息标签；所述第一风险识别模型训练结束后，利用训练得到的编码模块和第二预测模块构建第二风险识别模型；利用所述第二训练数据训练所述第二风险识别模型；其中所述编码模块对所述第二训练样本中的第二事件样本进行编码，得到所述第二事件样本的特征向量；所述第二预测模块利用所述第二事件样本的特征向量预测所述第二事件样本的风险信息；2CN115935265A权利要求书2/4页所述第二风险识别模型的