用户风险评估方法及装置、电子设备、存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111080123A(43)申请公布日2020.04.28(21)申请号201911287616.0(22)申请日2019.12.14(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)发明人陈岑(74)专利代理机构北京博思佳知识产权代理有限公司11415代理人李威(51)Int.Cl.G06Q10/06(2012.01)G06K9/62(2006.01)G06N20/00(2019.01)权利要求书3页说明书14页附图5页(54)发明名称用户风险评估方法及装置、电子设备、存储介质(57)摘要本说明书提供一种用户风险评估方法，该方法包括：将目标合作方的用户的行为信息输入对应于该目标合作方的学生风控模型；该学生风控模型通过基于该目标合作方的目标样本数据的软标签值和该目标样本数据原本被标注的被作为硬标签值的风险标签值，对该目标样本数据进行知识蒸馏得到，该软标签值通过对多个教师风控模型针对该目标样本数据的预测结果进行集成得到，各个教师风控模型通过对相应的其他合作方的样本数据进行训练得到；其中，任一样本数据包含被标注有风险标签值的行为信息；根据该学生风控模型的输出结果确定该用户的风险评分。该方法可在保证各个合作方隐私的情况下，使得各个合作方协同训练学生风控模型，以用于进行风险评估。CN111080123ACN111080123A权利要求书1/3页1.一种用户风险评估方法，包括：将目标合作方的用户的行为信息输入对应于所述目标合作方的学生风控模型；所述学生风控模型通过基于所述目标合作方的目标样本数据的软标签值和所述目标样本数据原本被标注的被作为硬标签值的风险标签值，对所述目标样本数据进行知识蒸馏得到，所述软标签值通过对多个教师风控模型针对所述目标样本数据的预测结果进行集成得到，各个教师风控模型通过对相应的其他合作方的样本数据进行训练得到；其中，任一样本数据包含被标注有风险标签值的行为信息；根据所述学生风控模型的输出结果确定所述用户的风险评分。2.根据权利要求1所述的方法，各个教师风控模型通过相应的其他合作方对自身的样本数据进行训练得到。3.一种基于机器学习模型的知识迁移方法，包括：获取多个教师网络针对来自于目标领域的目标样本数据的预测结果，各个教师网络通过对各自源领域的样本数据进行训练得到；对获取到的多个预测结果进行集成，得到对应于所述目标样本数据的软标签值；基于所述软标签值和所述目标样本数据原本被标注的硬标签值，对所述目标样本数据进行知识蒸馏以得到所述目标领域的学生网络。4.根据权利要求3所述的方法，各个教师网络通过各自源领域的数据提供方将自身的隐私数据作为样本数据进行训练得到。5.根据权利要求3所述的方法，所述目标样本数据和各个源领域的样本数据的数据类型包含以下至少之一：图像、文本、语音。6.一种基于机器学习模型的知识迁移方法，包括：将接收到的来自于目标领域的目标样本数据输入教师网络，所述教师网络通过自身对所属源领域的样本数据进行训练得到；向所述目标样本数据的提供方返回所述教师网络输出的预测结果，以使得所述提供方对所述预测结果和其他教师网络针对所述目标样本数据的预测结果进行集成得到对应于所述目标样本数据的软标签值，以及基于所述软标签值和所述目标样本数据原本被标注的硬标签值对所述目标样本数据进行知识蒸馏以得到所述目标领域的学生网络。7.根据权利要求6所述的方法，所述向所述目标样本数据的提供方返回所述教师网络输出的预测结果，包括：对所述教师网络输出的预测结果进行差分隐私处理；向所述提供方返回被进行差分隐私处理的预测结果。8.根据权利要求7所述的方法，通过以下公式对所述教师网络输出的预测结果进行差分隐私处理：f(i)+Lap(1/ε)；其中，f(i)表示第i个样本数据的概率预测数值；Lap(1/ε)表示以0为中心并按1/ε缩放的拉普拉斯概率分布，ε表示用于控制隐私保护程度的参数。9.根据权利要求6所述的方法，还包括：获取自身所属源领域的隐私数据；2CN111080123A权利要求书2/3页将所述隐私数据作为样本数据进行训练以得到所述教师网络。10.根据权利要求6所述的方法，所述目标样本数据和各个源领域的样本数据的数据类型包含以下至少之一：图像、文本、语音。11.一种用户风险评估装置，包括：信息输入单元，将目标合作方的用户的行为信息输入对应于所述目标合作方的学生风控模型；所述学生风控模型通过基于所述目标合作方的目标样本数据的软标签值和所述目标样本数据原本被标注的被作为硬标签值的风险标签值，对所述目标样本数据进行知识蒸馏得到，所述软标签值通过对多个教师风控模型针对所述目标样本数据的预测结果进行集成得到