交易风险的评估方法、装置、计算机设备和存储介质与流程

1.本技术涉及大数据技术领域，特别是涉及一种交易风险的评估方法、装置、计算机设备和存储介质。


背景技术：

2.随着大数据技术的发展，出现了交易风险评估技术，交易风险评估技术可以根据用户的交易数据，对用户的交易风险进行评估，得到风险评估得分。那么，用户可以通过这个风险评估得分，获知交易风险的大小，避免进行风险过高的交易。
3.传统的交易风险评估技术中，是先由目标用户填写问卷，然后再把该问卷的数据输入至预设的风险评估算法，从而计算得到风险评估得分。
4.然而，上述方案中需要目标用户先填写问卷，才能进行风险评估，导致风险评估的效率较低。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能够提高风险评估的准确性的交易风险的评估方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
6.第一方面，本技术提供了一种交易风险的评估方法。所述方法包括：
7.针对每个预设的交易特征，获取目标用户在多个历史时段中每个所述历史时段对应的所述交易特征的特征数据集；
8.针对每个所述特征数据集，对所述交易特征的特征数据集中的各特征数据进行融合处理，得到所述特征数据集对应的融合交易特征数据；
9.将各所述融合交易特征数据输入至预先训练的降维模型，得到目标降维数据；
10.将所述目标降维数据输入至预先训练的目标风险评估模型，得到目标风险评估得分。
11.在其中一个实施例中，所述交易特征包括第一类型交易特征、以及第二类型交易特征；所述针对每个预设的交易特征，获取目标用户在多个历史时段中每个所述历史时段对应的所述交易特征的特征数据集，包括：
12.针对每个预设的所述第一类型交易特征，获取所述目标用户在多个所述历史时段中每个所述历史时段对应的所述第一类型交易特征的特征数据集；
13.针对每个预设的所述第二类型交易特征，获取所述目标用户在多个所述历史时段中每个所述历史时段对应的所述第二类型交易特征的初始特征数据集，并根据所述初始特征数据集、以及所述第二类型交易特征对应的特征转换算法，确定每个所述历史时段对应的所述第二类型交易特征的特征数据集。
14.在其中一个实施例中，所述根据所述初始特征数据集、以及所述第二类型交易特征对应的特征转换算法，确定每个所述历史时段对应的所述第二类型交易特征的特征数据集包括：
15.获取所述预设的第二类型交易特征对应的特征转换算法；
16.针对每个所述预设的第二类型交易特征，根据所述预设的第二类型交易特征对应的特征转换算法，对各所述历史时段对应的所述第二类型交易特征的初始特征数据集中的每个初始特征数据都进行特征转换处理，得到所述初始特征数据对应的所述第二类型交易特征的特征数据。
17.在其中一个实施例中，所述方法还包括：
18.获取所述目标用户的用户年龄；
19.根据预先训练的风险评估模型和用户年龄的对应关系，确定所述目标用户的用户年龄对应的目标风险评估模型。
20.在其中一个实施例中，所述方法还包括：
21.针对每个所述预设的交易特征，获取样本用户在多个样本历史时段中每个所述样本历史时段对应的所述交易特征的样本特征数据集；
22.针对每个所述预设的交易特征，对所述交易特征的样本特征数据集中的样本特征数据进行融合处理，得到所述交易特征的样本特征数据集对应的样本融合交易特征数据；
23.将各所述样本融合交易特征数据输入至降维模型，得到所述降维模型对应的样本降维数据；
24.将所述样本降维数据输入至风险评估模型，得到所述样本降维数据对应的预测风险评估得分；
25.根据所述样本用户的真实风险评估得分、以及所述预测风险评估得分，确定风险评估的精度，并根据所述风险评估的精度对所述降维模型的参数、以及所述风险评估模型的参数进行调整，直到调整后的风险评估的精度达到预设的精度条件，得到所述预先训练的降维模型、以及所述预先训练的目标风险评估模型。
26.在其中一个实施例中，所述将各所述样本融合交易特征数据输入至降维模型，得到所述降维模型对应的样本降维数据之前，还包括：
27.将各所述样本融合交易特征数据输入至每个初始降维模型，得到初始降维数据；其中，各所述初始降维模型对应的超参数不同；
28.针对每个所述初始降维模型，将所述初始降维数据输入至所述风险评估模型，得到初始风险评估得分，并根据所述初始风险评估得分、以及所述样本用户的真实风险评估得分，确定所述初始降维模型对应的所述初始风险评估的精度；
29.比较各所述初始降维模型对应的所述初始风险评估的精度，将所述初始风险评估的精度的极大值所对应的所述初始降维模型作为所述降维模型。
30.第二方面，本技术还提供了一种交易风险的评估装置。所述装置包括：
31.第一获取模块，用于针对每个预设的交易特征，获取目标用户在多个历史时段中每个所述历史时段对应的所述交易特征的特征数据集；
32.融合模块，用于针对每个所述特征数据集，对所述交易特征的特征数据集中的特征数据进行融合处理，得到所述交易特征的特征数据集对应的融合交易特征数据；
33.降维模块，用于将各所述融合交易特征数据输入至预先训练的降维模型，得到目标降维数据；
34.评估模块，用于将所述目标降维数据输入至预先训练的目标风险评估模型，得到
目标风险评估得分。
35.在其中一个实施例中，所述交易特征包括第一类型交易特征、以及第二类型交易特征；所述第一获取模块具体用于：
36.针对每个预设的所述第一类型交易特征，获取所述目标用户在多个所述历史时段中每个所述历史时段对应的所述第一类型交易特征的特征数据集；
37.针对每个预设的所述第二类型交易特征，获取所述目标用户在多个所述历史时段中每个所述历史时段对应的所述第二类型交易特征的初始特征数据集，并根据所述初始特征数据集、以及所述第二类型交易特征对应的特征转换算法，确定每个所述历史时段对应的所述第二类型交易特征的特征数据集。
38.在其中一个实施例中，所述第一获取模块具体用于：
39.获取所述预设的第二类型交易特征对应的特征转换算法；
40.针对每个所述预设的第二类型交易特征，根据所述预设的第二类型交易特征对应的特征转换算法，对各所述历史时段对应的所述第二类型交易特征的初始特征数据集中的每个初始特征数据都进行特征转换处理，得到所述初始特征数据对应的所述第二类型交易特征的特征数据。
41.在其中一个实施例中，所述交易风险的评估装置还包括：
42.第二获取模块，用于获取所述目标用户的用户年龄；
43.确定模块，用于根据预先训练的风险评估模型和用户年龄的对应关系，确定所述目标用户的用户年龄对应的目标风险评估模型。
44.在其中一个实施例中，所述交易风险的评估装置还包括：
45.针对每个所述预设的交易特征，获取样本用户在多个样本历史时段中每个所述样本历史时段对应的所述交易特征的样本特征数据集；
46.针对每个所述预设的交易特征，对所述交易特征的样本特征数据集中的样本特征数据进行融合处理，得到所述交易特征的样本特征数据集对应的样本融合交易特征数据；
47.将各所述样本融合交易特征数据输入至降维模型，得到所述降维模型对应的样本降维数据；
48.将所述样本降维数据输入至风险评估模型，得到所述样本降维数据对应的预测风险评估得分；
49.根据所述样本用户的真实风险评估得分、以及所述预测风险评估得分，确定风险评估的精度，并根据所述风险评估的精度对所述降维模型的参数、以及所述风险评估模型的参数进行调整，直到调整后的风险评估的精度达到预设的精度条件，得到所述预先训练的降维模型、以及所述预先训练的目标风险评估模型。
50.在其中一个实施例中，所述交易风险的评估装置还包括：
51.第一输入模块，用于将各所述样本融合交易特征数据输入至每个初始降维模型，得到初始降维数据；其中，各所述初始降维模型对应的超参数不同；
52.第二输入模块，用于针对每个所述初始降维模型，将所述初始降维数据输入至所述风险评估模型，得到初始风险评估得分，并根据所述初始风险评估得分、以及所述样本用户的真实风险评估得分，确定所述初始降维模型对应的所述初始风险评估的精度；
53.比较模块，用于比较各所述初始降维模型对应的所述初始风险评估的精度，将所
述初始风险评估的精度的极大值所对应的所述初始降维模型作为所述降维模型。
54.第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以第一方面所述的步骤。
55.第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以第一方面所述的步骤。
56.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以第一方面所述的步骤。
57.上述交易风险评估方法、装置、计算机设备、存储介质和计算机程序产品，通过针对每个预设的交易特征，获取目标用户在多个历史时段中每个历史时段对应的交易特征的特征数据集；针对每个特征数据集，对每个交易特征的特征数据集中的各特征数据进行融合处理，得到交易特征的特征数据集对应的融合交易特征数据；将各融合交易特征数据输入至预先训练的降维模型，得到目标降维数据；将目标降维数据输入至预先训练的目标风险评估模型，得到目标风险评估得分。上述方案中，基于历史时段对应的交易特征的特征数据集得到目标降维数据，然后利用目标降维数据、以及目标风险评估模型，得到目标风险评估得分来进行风险评估。本方案中，通过针对每个预设的交易特征，获取目标用户在每个历史时段对应的交易特征的特征数据集，进而通过特征数据集和目标风险评估模型进行风险评估，而特征数据集中的特征数据是目标用户在历史时段进行交易所产生的数据，无需让目标用户填写问卷，从而提高了风险评估的效率。另外，对交易特征的特征数据集中的数据进行融合，以及将融合得到的融合交易特征数据输入降维模型，都是对数据进行降维，那么将两次降维后得到的目标降维数据作为预先训练的目标风险评估模型的输入数据，可以提高预先训练的目标风险评估模型处理数据的效率，进而提高了交易风险的评估效率。
附图说明
58.图1为一个实施例中交易风险的评估方法的流程示意图；
59.图2为一个实施例中交易特征的特征数据集的获取方法的流程示意图；
60.图3为一个实施例中降维模型的获取方法的流程示意图；
61.图4为一个实施例中交易风险的评估方法装置的结构框图；
62.图5为一个实施例中计算机设备的内部结构图。
具体实施方式
63.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
64.在一个实施例中，如图1所示，提供了一种交易风险的评估方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
65.步骤102，针对每个预设的交易特征，获取目标用户在多个历史时段中每个所述历
史时段对应的交易特征的特征数据集。
66.本技术实施例中，针对每个预设的交易特征，终端获取目标用户在多个历史时段对应的交易特征的特征数据。针对每个预设的交易特征，终端将同一个历史时段对应的交易特征的特征数据存储在一个交易特征的特征数据集中。其中，交易特征包括用户年龄、资产数额、单笔投资金额、以及总投资金额。历史时段的时间长度可以是n小时，其中，n是整数且n大于0。在一个实施例中，n为24。历史时段的个数为m个，其中，m是整数且大于0。在一个实施例中，m为7。不同交易特征的特征数据集中的特征数据数量可以相同，也可以不同，交易特征的特征数据集中的特征数据的数量与目标用户在进行交易时实际产生的特征数据有关，所以交易特征的特征数据集中的特征数据的数量为整数且大于或者等于0。可以理解，一个预设的交易特征对应m个交易特征的特征数据集，每个交易特征的特征数据集对应一个历史时段。
67.假设预设的交易特征有交易特征a、以及交易特征b两种，历史时段的个数为m且历史时段的长度为n小时。针对交易特征a，以终端获取目标用户在第m个历史时段对应的交易特征的特征数据为示例，终端获取目标用户在其他历史时段对应的交易特征的特征数据的过程与之类似，不再赘述。针对交易特征a，终端获取目标用户在第m个历史时段对应的交易特征的特征数据[a
m1
，a
m2
，...，a
mi
]，得到第m个历史时段对应的交易特征的特征数据集{a
m1
，a
m2
，...，a
mi
}。其中，a表示交易特征a的特征数据，m表示第m个历史时段，i表示第i个特征数据，a
mi
表示交易特征a在第m个历史时段的第i个特征数据。可以理解，即使针对同一个交易特征，各特征数据集中的特征数据的数量也不一定相同。针对交易特征b，以终端获取目标用户在第m个历史时段对应的交易特征的特征数据为示例，终端获取目标用户在其他历史时段对应的交易特征的特征数据的过程与之类似，不再赘述。针对交易特征b，终端获取目标用户在第m个历史时段对应的交易特征的特征数据[b
m1
，b
m2
，...，b
mj
]，得到第m个历史时段对应的交易特征的特征数据集{b
m1
，b
m2
，...，b
mj
}。其中，b表示交易特征b的特征数据，m表示第m个历史时段，j表示第j个特征数据，b
mj
表示交易特征b在第m个历史时段的第j个特征数据。i也表示交易特征a的第m个历史时段对应的交易特征的特征数据集中特征数据的数量，j也表示交易特征b的第m个历史时段对应的交易特征的特征数据集中特征数据的数量，i、j都是整数且都大于或者等于0，i与j可以相等，也可以不相等。特征数据的数量与目标用户在进行交易时实际产生的特征数据有关。
[0068]
步骤104，针对每个特征数据集，对交易特征的特征数据集中的各特征数据进行融合处理，得到特征数据集对应的融合交易特征数据。
[0069]
本技术实施例中，针对每个特征数据集，终端对交易特征的特征数据中的各特征数据进行融合处理，得到特征数据集对应的融合交易特征数据。在一个实施例中，融合处理可以是求均值。具体的，针对每个特征数据集，终端计算该特征数据集中特征数据的均值，得到融合交易特征数据。以交易特征a的第m个历史时段对应的交易特征的特征数据集{a
m1
，a
m2
，...，a
mz
}为示例，终端计算a
m1
、a
m2
、...、以及a
mi
的均值，即将作为交易特征a的交易特征a的第m个历史时段对应的交易特征的特征数据集对应的融合交易特征数据。可以理解，一个交易特征有m个特征数据集，那么，一个
交易特征对应得到m个融合交易特征数据。如果有k个交易特征，因为每个交易特征有m个融合交易特征数据，那么，k个交易特征对应得到(k
×
m)个融合交易特征数据。
[0070]
步骤106，将各融合交易特征数据输入至预先训练的降维模型，得到目标降维数据。
[0071]
本技术实施例中，终端将各融合交易特征数据输入至预先训练的降维模型，输出得到目标降维数据。其中，可以通过人为预先设置降维模型的超参数来控制降维模型输出结果的维度。可选的，降维模型可以是残差层，也可以是残差网络。在一个实施例中，针对每个历史时段，终端按照预设的交易特征排序顺序，将在该历史时段的各预设的交易特征对应的融合交易特征数据进行存储，得到目标用户对应的融合交易特征数据向量。终端按照融合交易特征数据向量对应的历史时段发生的先后顺序，将各融合交易特征数据向量进行存储，得到融合交易特征数据向量序列。终端将该融合交易特征数据向量序列输入至预先训练的降维模型，输出得到目标降维数据。
[0072]
以预设的交易特征有交易特征a、以及交易特征b两种为示例，假设交易特征a对应的融合交易特征数据为a
′
，交易特征b对应的融合交易特征数据为b
′
。那么，交易特征a对应的融合交易特征数据有a
′1、a
′2、...、a
′m，交易特征b对应的融合交易特征数据有b
′1、b
′2、...、b
′m。其中，m表示第m个并且m越小代表该融合交易特征数据对应的历史时段越早，a
′m表示交易特征λ对应的第m个融合交易特征数据，b
′m表示交易特征b对应的第m个融合交易特征数据。针对第m个历史时段，按照预设的交易特征排序顺序，将在第m个历史时段的各预设的交易特征对应的融合交易特征数据进行存储，得到目标用户对应的融合交易特征数据向量。假设预设的交易特征排序为(a，b)，那么终端终端按照预设的交易特征排序顺序，将在第m个历史时段的交易特征a对应的融合交易特征数据a
′m、以及在第m个历史时段的交易特征b对应的融合交易特征数据b
′m进行存储，得到目标用户在第m个历史时段对应的融合交易特征数据向量[a
′m，b
′m]。其他历史时段对应的融合交易特征数据向量的获取方式参考在第m个历史时段对应的融合交易特征数据向量的获取方式，不再赘述。于是，在终端得到的所有融合交易特征数据向量分别为[a
′1，b
′1]、[a
′2，b
′2]、...、[a
′m，b
′m]。终端按照融合交易特征数据向量对应的历史时段发生的先后顺序，将各融合交易特征数据向量进行存储，得到融合交易特征数据向量序列([a
′1，b
′1]，[a
′2，b
′2]，...，[a
′m，b
′m])。终端将融合交易特征数据向量序列([a
′1，b
′1]，[a
′2，b
′2]，...，[a
′m，b
′m])输入至预先训练的降维模型，输出得到目标降维数据。
[0073]
步骤108，将目标降维数据输入至预先训练的目标风险评估模型，得到目标风险评估得分。
[0074]
本技术实施例中，终端将目标用户对应的目标降维数据输入至预先训练的目标风险评估模型，输出得到目标风险评估得分。在一个实施例中，风险评估模型包括长短期记忆人工神经网络(long short-term memory，lstm)、以及全连接层。在一个实施例中，长短期记忆人工神经网络的输入层的神经元的个数等于历史时段的个数。具体的，终端将目标用户对应的目标降维数据输入至预先训练的目标长短期记忆人工神经网络，得到对应的输出结果，并将该输出结果输入至全连接层，输出得到目标风险评估得分。在一个实施例中，可以将风险评估得分分为10个档，每个档为10分。也就是说，风险评估得分可以为10、20、
…
、100，风险评估得分越高对应的目标用户的交易风险越大。本技术不对风险评估得分的形式
做限制，风险评估得分可以是分数、也可以是风险等级。
[0075]
上述交易风险的评估方法中，基于历史时段对应的交易特征的特征数据集得到目标降维数据，然后利用目标降维数据、以及预先训练的目标风险评估模型，得到预先训练的目标风险评估得分来进行风险评估。本方案的特征数据集中的特征数据是目标用户在历史时段进行交易所产生的数据，无需让目标用户填写问卷，从而提高了风险评估的效率。另外，对交易特征的特征数据集中的数据进行融合，以及将融合得到的融合交易特征数据输入降维模型，都是对数据进行降维，那么将两次降维后得到的目标降维数据作为预先训练的目标风险评估模型的输入数据，可以提高预先训练的目标风险评估模型处理数据的效率，进而提高了交易风险的评估效率。
[0076]
在一个实施例中，如图2所示，步骤102包括：
[0077]
步骤202，针对每个预设的第一类型交易特征，获取目标用户在多个历史时段中每个历史时段对应的第一类型交易特征的特征数据集。
[0078]
其中，交易特征包括第一类型交易特征、以及第二类型交易特征。第一类型交易特征是不需要终端进行转换计算的特征数据所对应的交易特征。第二类型交易特征是需要终端进行转换计算的特征数据所对应的交易特征。
[0079]
本技术实施例中，针对每个预设的第一类型交易特征，终端获取目标用户多个历史时段对应的第一类型交易特征的特征数据。针对每个预设的第一类型交易特征，终端将同一个历史时段对应的第一类型交易特征的特征数据存储在一个第一类型交易特征的特征数据集中。第一类型交易特征包括用户年龄、以及资产数额。第一类型交易特征对应的特征数据本身对风险评估就具有参考意义。
[0080]
步骤204，针对每个预设的第二类型交易特征，获取目标用户在多个历史时段中每个历史时段对应的第二类型交易特征的初始特征数据集，并根据初始特征数据集、以及第二类型交易特征对应的特征转换算法，确定每个历史时段对应的第二类型交易特征的特征数据集。
[0081]
本技术实施例中，本技术实施例中，针对每个预设的第二类型交易特征，终端获取目标用户多个历史时段对应的第二类型交易特征的特征数据。其中，第二类型交易特征的特征数据是一个向量，向量中的元素类型是预先设置，并与第二类型交易特征对应的特征转换算法有关。针对每个预设的第二类型交易特征，终端将同一个历史时段对应的第二类型交易特征的特征数据存储在一个第二类型交易特征的初始特征数据集中。第二类型交易特征包括单笔投资金额、以及总投资金额。第二类型交易特征对应的特征数据需要进行转换计算，计算得到的结果对风险评估更有参考意义。针对每个预设的第二类型交易特征，终端根据初始特征数据集、以及该第二类型交易特征对应的特征转换算法，计算得到每个历史时段对应的第二类型交易特征的特征数据集。例如，针对单笔投资金额，单笔投资金额对应的特征转换算法是，目标用户平均每单位投资金额的交易时间＝单笔投资金额
÷
相邻两笔投资的时间差；针对总投资金额，总投资金额对应的特征转换算法是，投资相对偏好程度＝投资资产金额
÷
总资产金额。
[0082]
以第二类型交易特征是单笔投资金额为示例，其他第二类型交易特征的处理过程与之类似，不再赘述。针对单笔投资金额，终端获取目标用户多个历史时段对应的单笔投资金额的特征数据。针对单笔投资金额，终端将同一个历史时段对应的单笔投资金额的特征
数据存储在一个单笔投资金额的初始特征数据集中。其中，初始特征数据集中的每个初始特征数据是一个向量，而向量中的元素类型是单笔投资金额、该笔投资金额的投资时间、以及前一笔投资金额的投资时间。针对单笔投资金额，终端根据单笔投资金额对应的初始特征数据集、以及单笔投资金额对应的特征转换算法，计算得到每个历史时段对应的单笔投资金额的特征数据集。其中，特征数据集中的每个特征数据是目标用户平均每单位投资金额的交易时间。可以理解，特征数据集中的特征数据是初始特征数据经过转换计算的计算结果。
[0083]
本实施例中，终端根据不同类型的交易特征来获取该类型交易特征对应的特征数据。其中，第二类型交易特征对应的初始特征数据需要经过转换计算，得到更具有风险评估参考价值的计算结果，然后把该计算结果作为第二类型交易特征对应的特征数据。通过上述方案，终端获取的特征数据都是对风险评估更具有参考价值的，提高风险评估的准确性。
[0084]
在一个实施例中，根据初始特征数据集、以及第二类型交易特征对应的特征转换算法，确定每个历史时段对应的第二类型交易特征的特征数据集包括：
[0085]
获取预设的第二类型交易特征对应的特征转换算法；针对每个预设的第二类型交易特征，根据预设的第二类型交易特征对应的特征转换算法，对各历史时段对应的第二类型交易特征的初始特征数据集中的每个初始特征数据都进行特征转换处理，得到初始特征数据对应的第二类型交易特征的特征数据。
[0086]
其中，第二类型交易特征的特征数据集由在同一历史时段中的第二类型交易特征的特征数据构成。
[0087]
本技术实施例中，针对每个预设的第二类型交易特征，终端获取该预设的第二类型交易特征对应的特征转换算法。例如，单笔投资金额对应的特征转换算法是目标用户平均每单位投资金额的交易时间＝单笔投资金额
÷
相邻两笔投资的时间差；总投资金额对应的特征转换算法是，投资相对偏好程度＝投资资产金额
÷
总资产金额。针对每个预设的第二类型交易特征，终端根据预设的第二类型交易特征对应的特征转换算法，对各历史时段对应的第二类型交易特征的初始特征数据集中的每个初始特征数据都进行特征转换处理，计算得到初始特征数据对应的第二类型交易特征的特征数据。例如，针对单笔投资金额，终端获取每个初始特征数据中的单笔投资金额、该笔投资金额的投资时间、以及前一笔投资金额的投资时间；终端计算该笔投资金额的投资时间与前一笔投资金额的投资时间的差(为了方便区分，称为相邻两笔投资的时间差)，并计算单笔投资金额与相邻两笔投资的时间差的商，计算得到单笔投资金额对应的特征数据即目标用户平均每单位投资金额的交易时间。
[0088]
本实施例中，第二类型交易特征对应的初始特征数据经过转换计算，得到具有风险评估参考价值的计算结果，然后把该计算结果作为第二类型交易特征对应的特征数据。通过上述方案，终端获取的特征数据对风险评估具有较高的参考价值，进而提高风险评估的准确性。
[0089]
在一个实施例中，交易风险的评估方法还包括：
[0090]
获取目标用户的用户年龄；根据预先训练的风险评估模型和用户年龄的对应关系，确定目标用户的用户年龄对应的目标风险评估模型。
[0091]
本技术实施例中，终端获取目标用户的用户年龄，并根据预先训练的风险评估模
型和用户年龄的对应关系，确定目标用户的用户年龄对应的预先训练的风险评估模型，并将该风险评估模型作为目标用户的用户年龄对应的目标风险评估模型。其中，预先训练的风险评估模型有至少一个。预先训练的风险评估模型和用户年龄的对应关系是用户年龄段与预先训练的风险评估模型的对应关系，也就是说，用户年龄在[a，a+x]的目标用户对应的预先训练的风险评估模型是预先训练的风险评估模型a。其中，a是整数且大于或者等于0，x是大于0。不同预先训练的风险评估模型对应的用户年龄段的区间长度可以相等、也可以不等，本技术不做限制。在一个实施例中，各预先训练的风险评估模型对应的年龄段的区间长度相等，并且区间长度为10年。也就是说，20岁到29岁对应一个预先训练的风险评估模型，30岁到39岁对应另一个预先训练的风险评估模型。
[0092]
本实施例中，终端可以通过获取目标用户的用户年龄，来选取该用户年龄对应的预先训练的目标风险评估模型。这样，可以更精细化地进行风险评估，提高风险评估的准确性。
[0093]
在一个实施例中，交易风险的评估方法还包括：
[0094]
针对每个预设的交易特征，获取样本用户在多个样本历史时段中每个样本历史时段对应的交易特征的样本特征数据集；针对每个预设的交易特征，对交易特征的样本特征数据集中的样本特征数据进行融合处理，得到交易特征的样本特征数据集对应的样本融合交易特征数据；将各样本融合交易特征数据输入至降维模型，得到降维模型对应的样本降维数据；将样本降维数据输入至风险评估模型，得到样本降维数据对应的预测风险评估得分；根据样本用户的真实风险评估得分、以及预测风险评估得分，确定风险评估的精度，并根据风险评估的精度对降维模型的参数、以及风险评估模型的参数进行调整，直到调整后的风险评估的精度达到预设的精度条件，得到预先训练的降维模型、以及预先训练的目标风险评估模型。
[0095]
本技术实施例中，针对每个预设的交易特征，终端获取样本用户多个样本历史时段对应的交易特征的样本特征数据。针对每个预设的交易特征，终端将同一个样本历史时段对应的交易特征的样本特征数据存储在一个交易特征的样本特征数据集中。其中，交易特征包括用户年龄、资产数额、单笔投资金额、以及总投资金额。不同交易特征的样本特征数据集中的样本特征数据数量可以相同，也可以不同，交易特征的样本特征数据集中的样本特征数据数量与样本用户在进行交易时实际产生的样本特征数据有关，所以交易特征的样本特征数据集中的样本特征数据数量为整数且大于或者等于0。可以理解，一个预设的交易特征对应多个交易特征的样本特征数据集，每个交易特征的样本特征数据集对应一个样本历史时段。
[0096]
针对每个样本特征数据集，终端对交易特征的样本特征数据中的各样本特征数据进行融合处理，得到样本特征数据集对应的样本融合交易特征数据。在一个实施例中，融合处理可以是求均值。具体的，针对每个样本特征数据集，终端计算该样本特征数据集中样本特征数据的均值，得到样本融合交易特征数据。可以理解，一个交易特征有多个样本特征数据集，那么，一个交易特征对应得到多个样本融合交易特征数据。
[0097]
终端将各样本融合交易特征数据输入至降维模型，输出得到降维模型对应的样本降维数据。可选的，样本降维数据可以是残差块，也可以是残差网络。在一个实施例中，针对每个样本历史时段，终端按照预设的交易特征排序顺序，将在该样本历史时段的各预设的
交易特征对应的样本融合交易特征数据进行存储，得到样本用户对应的样本融合交易特征数据向量。终端按照样本融合交易特征数据向量对应的样本历史时段发生的先后顺序，将各样本融合交易特征数据向量进行存储，得到样本融合交易特征数据向量序列。终端将该样本融合交易特征数据向量序列输入至降维模型，输出得到样本降维数据。
[0098]
终端将样本用户对应的样本降维数据输入至风险评估模型，输出得到预测风险评估得分。在一个实施例中，风险评估模型包括长短期记忆人工神经网络(long short-term memory，lstm)、以及全连接层。具体的，终端将样本用户对应的样本降维数据输入至目标长短期记忆人工神经网络，得到对应的输出结果，并将该输出结果输入至全连接层，输出得到预测风险评估得分。在一个实施例中，可以将风险评估得分分为10个档，每个档为10分。也就是说，风险评估得分可以为10、20、
…
、100，风险评估得分越高对应的目标用户的交易风险越大。本技术不对风险评估得分的形式做限制，风险评估得分可以是分数、也可以是风险等级。
[0099]
终端根据样本用户的真实风险评估得分、预测风险评估得分、以及损失函数，计算得到风险评估的精度。终端根据风险评估的精度、以及梯度下降法来对降维模型的参数、以及风险评估模型的参数进行调整，直到调整后的风险评估的精度大于或者等于预设精度阈值，得到预先训练的降维模型、以及预先训练的目标风险评估模型。
[0100]
本实施例中，终端基于样本历史时段对应的交易特征的样本特征数据集得到样本降维数据，然后利用样本降维数据、以及风险评估模型，得到预测风险评估得分来进行风险评估。本方案中，对交易特征的特征数据集中的数据进行融合，以及将融合得到的融合交易特征数据输入降维模型，都是对数据进行降维，那么将两次降维后得到的目标降维数据作为预先训练的目标风险评估模型的输入数据，可以提高预先训练的目标风险评估模型处理数据的效率，进而提高了交易风险的评估效率。
[0101]
在一个实施例中，如图3所示，将各样本融合交易特征数据输入至降维模型，得到降维模型对应的样本降维数据之前，还包括：
[0102]
步骤302，将各样本融合交易特征数据输入至每个初始降维模型，得到初始降维数据。
[0103]
其中，各初始降维模型对应的超参数不同。超参数用于控制初始降维模型输出结果的维度。
[0104]
本技术实施例中，终端将各样本融合交易特征数据输入至每个初始降维模型中，输出得到初始降维数据。可选的，初始降维模型可以是残差块，也可以是残差网络。各初始降维模型只有超参数不同，每个初始降维模型的初始化权重是相同的。
[0105]
步骤304，针对每个初始降维模型，将初始降维数据输入至风险评估模型，得到初始风险评估得分，并根据初始风险评估得分、以及样本用户的真实风险评估得分，确定初始降维模型对应的初始风险评估的精度。
[0106]
本技术实施例中，针对每个初始降维模型，终端将该初始降维模型的输出结果即初始降维数据输入至风险评估模型中，输出得到初始风险评估得分。针对每个初始降维模型，终端根据该初始降维模型对应的初始风险评估得分、样本用户的真实风险评估得分、以及损失函数，计算得到该初始降维模型对应的初始风险评估的精度。
[0107]
步骤306，比较各初始降维模型对应的初始风险评估的精度，将初始风险评估的精
度的极大值所对应的初始降维模型作为降维模型。
[0108]
本技术实施例中，终端比较各初始降维模型对应的初始风险评估的精度，得到初始风险评估的精度的极大值所对应的初始降维模型(为了方便区分，将初始风险评估的精度的极大值所对应的初始降维模型称为极值降维模型)，并将极值降维模型作为降维模型。如果极值降维模型有多个，终端将超参数最小(即输出结果的维度最小)的极值降维模型作为降维模型。
[0109]
本实施例中，终端基于初始降维模型对应的初始风险评估的精度，来筛选得到降维模型。其中，降维模型是初始风险评估的精度的极大值所对应的初始降维模型。这样，可以保证高精度风险评估的同时，也可以实现最大限度地对风险评估模型的输入数据进行降维，提高风险评估的效率。
[0110]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0111]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的交易风险的评估方法的交易风险的评估装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个交易风险的评估装置实施例中的具体限定可以参见上文中对于交易风险的评估方法的限定，在此不再赘述。
[0112]
在一个实施例中，如图4所示，提供了一种交易风险的评估装置，包括：
[0113]
第一获取模块402，用于针对每个预设的交易特征，获取目标用户在多个历史时段中每个历史时段对应的交易特征的特征数据集；
[0114]
融合模块404，用于针对每个特征数据集，对交易特征的特征数据集中的特征数据进行融合处理，得到交易特征的特征数据集对应的融合交易特征数据；
[0115]
降维模块406，用于将各融合交易特征数据输入至预先训练的降维模型，得到目标降维数据；
[0116]
评估模块408，用于将目标降维数据输入至预先训练的目标风险评估模型，得到目标风险评估得分。
[0117]
在一个实施例中，交易特征包括第一类型交易特征、以及第二类型交易特征；第一获取模块402具体用于：
[0118]
针对每个预设的第一类型交易特征，获取目标用户在多个历史时段中每个历史时段对应的第一类型交易特征的特征数据集；
[0119]
针对每个预设的第二类型交易特征，获取目标用户在多个历史时段中每个历史时段对应的第二类型交易特征的初始特征数据集，并根据初始特征数据集、以及第二类型交易特征对应的特征转换算法，确定每个历史时段对应的第二类型交易特征的特征数据集。
[0120]
在一个实施例中，第一获取模块402具体用于：
[0121]
获取预设的第二类型交易特征对应的特征转换算法；
[0122]
针对每个预设的第二类型交易特征，根据预设的第二类型交易特征对应的特征转换算法，对各历史时段对应的第二类型交易特征的初始特征数据集中的每个初始特征数据都进行特征转换处理，得到初始特征数据对应的第二类型交易特征的特征数据。
[0123]
在一个实施例中，交易风险的评估装置还包括：
[0124]
第二获取模块，用于获取目标用户的用户年龄；
[0125]
确定模块，用于根据预先训练的风险评估模型和用户年龄的对应关系，确定目标用户的用户年龄对应的目标风险评估模型。
[0126]
在一个实施例中，交易风险的评估装置还包括：
[0127]
针对每个预设的交易特征，获取样本用户在多个样本历史时段中每个样本历史时段对应的交易特征的样本特征数据集；
[0128]
针对每个预设的交易特征，对交易特征的样本特征数据集中的样本特征数据进行融合处理，得到交易特征的样本特征数据集对应的样本融合交易特征数据；
[0129]
将各样本融合交易特征数据输入至降维模型，得到降维模型对应的样本降维数据；
[0130]
将样本降维数据输入至风险评估模型，得到样本降维数据对应的预测风险评估得分；
[0131]
根据样本用户的真实风险评估得分、以及预测风险评估得分，确定风险评估的精度，并根据风险评估的精度对降维模型的参数、以及风险评估模型的参数进行调整，直到调整后的风险评估的精度达到预设的精度条件，得到预先训练的降维模型、以及预先训练的目标风险评估模型。
[0132]
在一个实施例中，交易风险的评估装置还包括：
[0133]
第一输入模块，用于将各样本融合交易特征数据输入至每个初始降维模型，得到初始降维数据；其中，各初始降维模型对应的超参数不同；
[0134]
第二输入模块，用于针对每个初始降维模型，将初始降维数据输入至风险评估模型，得到初始风险评估得分，并根据初始风险评估得分、以及样本用户的真实风险评估得分，确定初始降维模型对应的初始风险评估的精度；
[0135]
比较模块，用于比较各初始降维模型对应的初始风险评估的精度，将初始风险评估的精度的极大值所对应的初始降维模型作为降维模型。
[0136]
上述交易风险的评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0137]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种交易风险的评估方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该
计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0138]
本领域技术人员可以理解，图5中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0139]
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
[0140]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0141]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0142]
需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
[0143]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0144]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0145]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。