风控模型训练方法、装置、设备及存储介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114781870A(43)申请公布日2022.07.22(21)申请号202210429327.5(22)申请日2022.04.22(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)发明人武多才(74)专利代理机构北京国昊天诚知识产权代理有限公司11315专利代理师朱文杰(51)Int.Cl.G06Q10/06(2012.01)G06K9/62(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书3页说明书15页附图3页(54)发明名称风控模型训练方法、装置、设备及存储介质(57)摘要本说明书一实施例提供了一种风控模型训练方法、装置、设备及存储介质，该方法包括：获取第一模型应用周期中应用的第一风控模型，利用第一模型应用周期中产生的风控案例数据，对第一风控模型进行增量训练，得到第二风控模型，通过基于元学习技术预先训练的参数融合模型，对第一风控模型的第一模型参数和第二风控模型的第二模型参数进行融合，得到第三模型参数，参数融合模型用于指导第三模型参数对第一模型应用周期之前的历史模型应用周期中产生的风控案例数据的风控能力，和，对第一模型应用周期之后的后续模型应用周期中产生的风控案例数据的风控能力，根据第三模型参数，生成应用在第一模型应用周期之后的后续模型应用周期中的第三风控模型。CN114781870ACN114781870A权利要求书1/3页1.一种风控模型训练方法，包括：获取第一模型应用周期中应用的第一风控模型，利用所述第一模型应用周期中产生的风控案例数据，对所述第一风控模型进行增量训练，得到第二风控模型；通过基于元学习技术预先训练的参数融合模型，对所述第一风控模型的第一模型参数和所述第二风控模型的第二模型参数进行融合，得到第三模型参数；其中，所述参数融合模型，用于指导所述第三模型参数对所述第一模型应用周期之前的历史模型应用周期中产生的风控案例数据的风控能力，和，对所述第一模型应用周期之后的后续模型应用周期中产生的风控案例数据的风控能力；根据所述第三模型参数，生成第三风控模型；所述第三风控模型应用在所述第一模型应用周期之后的后续模型应用周期中。2.根据权利要求1所述的方法，通过基于元学习技术预先训练的参数融合模型，对所述第一风控模型的第一模型参数和所述第二风控模型的第二模型参数进行融合，得到第三模型参数，包括：将所述第一模型参数和所述第二模型参数输入至所述参数融合模型进行处理；获取所述参数融合模型输出的处理结果，将所述处理结果作为第三模型参数。3.根据权利要求1或2所述的方法，所述参数融合模型通过以下方式训练得到：获取第一模型应用周期之前的目标历史模型应用周期中应用的目标历史风控模型和所述目标历史模型应用周期产生的目标风控案例数据；根据所述目标历史风控模型和所述目标风控案例数据，训练预先构建的可反向传播梯度的神经网络结构，将训练好的神经网络结构，作为所述参数融合模型。4.根据权利要求3所述的方法，根据所述目标历史风控模型和所述目标风控案例数据，训练预先构建的可反向传播梯度的神经网络结构，包括：利用所述目标风控案例数据，对所述目标历史风控模型进行增量训练，得到更新风控模型；根据所述目标历史风控模型的模型参数和所述更新风控模型的模型参数，训练预先构建的可反向传播梯度的神经网络结构。5.根据权利要求4所述的方法，根据所述目标历史风控模型的模型参数和所述更新风控模型的模型参数，训练预先构建的可反向传播梯度的神经网络结构，包括：将所述目标历史风控模型的模型参数和所述更新风控模型的模型参数输入至预先构建的可反向传播梯度的神经网络结构中进行处理，得到处理结果；将处理结果作为风控模型结构的参数，得到初始化风控模型，根据所述初始化风控模型对相对应的验证样本数据的验证结果，反向调节所述神经网络结构的参数直至收敛。6.根据权利要求5所述的方法，根据所述初始化风控模型对相对应的验证样本数据的验证结果，反向调节所述神经网络结构的参数直至收敛，包括：利用所述初始化风控模型对所述验证样本数据进行验证，得到验证结果，并获取所述验证样本数据的数据标签；基于所述验证结果、所述数据标签和预先建立的损失函数，反向调节所述神经网络结构的参数直至收敛。7.根据权利要求6所述的方法，所述初始化风控模型对应的验证样本数据和所述验证2CN114781870A权利要求书2/3页样本数据的数据标签，来自于第一指定模型应用周期中产生的风控案例数据；所述第一指定模型应用周期时间顺序上位于所述目标历史模型应用周期之后。8.根据权利要求7所述的方法，所述初始化风控模型相对应的验证样本数据和所述验证样本数据的数据标签，