风险识别方法、装置、存储介质及电子设备与流程

本发明涉及人工智能，具体而言，涉及一种风险识别方法、装置、存储介质及电子设备。

背景技术：

1、随着信息技术的迅猛发展，衍生出了各种各样与科技相伴相生的交易手段。在诸多的选择当中，用户往往会选择更加快捷的线上交易来满足自己的需求。而这一市场需求的扩大也为金融机构的数字化转型带来了前所未有的机遇。面对复杂多变的形势和线下交易的不便，线上交易就显得尤为重要。金融机构为抓住机遇，加快实施金融机构金融与科技的深度融合，运用数字化手段大力发展线上交易、支付、信贷等业务，对资金进行科学管理，为企业、个人提供更加方便及优质的服务。

2、与此同时，网络交易风险随之增加，网络交易损失事件也逐渐增长。而金融机构的交易安全性直接关系到企业、个人的财产，金融机构资金损失，不仅严重损害了用户的切身权益，金融安全存在重大隐患，金融交易风险识别工作在金融机构业的重要性日益凸显。因此，对金融交易进行风险识别，提高金融资产交易的安全性是金融机构数字化转型的重点。对于网络交易安全事故的频发，各大金融机构积极采取各种措施，从源头推进，对账户进行系统管理，采用综合治理的方式，在官方网站、手机app、社区开展宣传教育活动，使用科技手段识别风险特征、聚焦账户变更、完善反诈系统，构筑网络交易的防护墙。

3、相关技术中，最初的交易风险识别系统是基于规则建立的，对于已知的交易风险类型，系统能够很好的识别，但是对于新型的交易风险类型，系统无法进行匹配，检测能力低，使用效果差。之后，交易风险识别系统采用传统神经网络，经过训练，对未知交易风险类型的预测能力有了大幅度提高，但是也存在一定的缺陷，对于各类别样本数量不一致的数据，信息增益的结果会更加偏向于有更多数值的特征，且忽略其他目标，例如硬件条件的约束，在当前环境条件下准确率最优的模型不一定是最合适其他环境条件下的模型。

4、针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

1、本发明实施例提供了一种风险识别方法、装置、存储介质及电子设备，以至少解决相关技术中采用经过训练的传统的神经网络，对金融交易的进行风险识别，准确率低的技术问题。

2、根据本发明实施例的一个方面，提供了一种风险识别方法，包括：获取用户数据，其中，所述用户数据包括下述其中之一：与金融交易相关的声音数据、与所述金融交易相关的图像数据；将所述用户数据输入目标模型，输出所述金融交易的目标风险识别结果，其中，所述目标模型为基于n个目标条件，通过神经网络架构搜索方式确定的神经网络模型，n为正整数，n个所述目标条件用于对搜索到的神经网络架构进行优化。

3、进一步地，所述目标模型至少包括：第一模型、第二模型，所述第一模型的模型训练样本为声音样本，所述第二模型的模型训练样本为图像样本，将所述用户数据输入目标模型，输出所述金融交易的目标风险识别结果的步骤，包括：在所述用户数据为所述声音数据的情况下，将所述用户数据输入第一模型，输出第一风险识别结果；在所述用户数据为所述图像数据的情况下，将所述用户数据输入第二模型，输出第二风险识别结果；基于所述第一风险识别结果和所述第二风险识别结果，确定所述目标风险识别结果。

4、进一步地，所述目标模型通过以下方式得到：获取训练样本，其中，所述训练样本包括下述其中之一：历史时间段内与金融交易相关的图像样本、声音样本；基于所述训练样本，通过所述神经网络架构搜索方式中的搜索策略对搜索空间中的m个目标单元进行搜索，并基于搜索到的目标单元，确定s个第一神经网络架构，其中，所述搜索策略至少包括：贝叶斯优化策略，m个所述目标单元至少包括深度神经网络中的基本操作单元；基于n个所述目标条件，采用帕累托优化策略对s个所述第一神经网络架构进行优化，得到所述目标模型。

5、进一步地，基于n个所述目标条件，采用帕累托优化策略对s个所述第一神经网络架构进行优化，得到所述目标模型的步骤，包括：步骤1，基于n个所述目标条件，确定每个所述第一神经网络架构对应的目标集合，得到s个所述目标集合，其中，所述目标集合包括：每个目标条件对应的目标值；步骤2，基于所述目标集合中的所述目标值，对s个所述第一神经网络架构进行排序，得到排序结果；步骤3，基于所述排序结果，确定s个所述第一神经网络架构中的最优神经网络架构；步骤4，基于目标扩展方式，对所述最优神经网络架构进行扩展，得到s个第二神经网络架构；步骤5，将s个所述第二神经网络架构作为新的s个所述第一神经网络架构，基于a*搜索策略和模拟退火策略，重复执行步骤1至步骤5，直至得到所述目标模型。

6、进一步地，所述目标扩展方式包括下述其中之一：添加神经网络架构的层数、增加神经网络架构的宽度、添加神经网络架构中的跨层操作。

7、进一步地，基于所述训练样本，通过所述神经网络架构搜索方式中的搜索策略对搜索空间中的m个目标单元进行搜索，并基于搜索到的目标单元，确定s个第一神经网络架构的步骤，包括：获取初始神经网络架构；基于所述训练样本，通过所述贝叶斯优化策略对所述搜索空间中的m个目标单元进行搜索；判断每个搜索到的目标单元是否为预设操作单元，得到判断结果；在所述判断结果指示搜索到的目标单元为所述预设操作单元的情况下，将所述预设操作单元替换为目标模块，并将所述目标模块添加至所述初始神经网络架构中，得到s个所述第一神经网络架构，其中，所述目标模块包括：t个所述目标单元，t为正整数。

8、进一步地，n个所述目标条件包括下述其中之一：神经网络架构的准确率、神经网络架构的推理延迟、神经网络架构的功耗。

9、根据本发明实施例的另一方面，还提供了一种风险识别装置，包括：第一获取单元，用于获取用户数据，其中，所述用户数据包括下述其中之一：与金融交易相关的声音数据、与所述金融交易相关的图像数据；识别单元，用于将所述用户数据输入目标模型，输出所述金融交易的目标风险识别结果，其中，所述目标模型为基于n个目标条件，通过神经网络架构搜索方式确定的神经网络模型，n为正整数，n个所述目标条件用于对搜索到的神经网络架构进行优化。

10、进一步地，所述目标模型至少包括：第一模型、第二模型，所述第一模型的模型训练样本为声音样本，所述第二模型的模型训练样本为图像样本，识别单元包括：第一风险识别子单元，用于在所述用户数据为所述声音数据的情况下，将所述用户数据输入第一模型，输出第一风险识别结果；第二风险识别子单元，用于在所述用户数据为所述图像数据的情况下，将所述用户数据输入第二模型，输出第二风险识别结果；第一确定子单元，用于基于所述第一风险识别结果和所述第二风险识别结果，确定所述目标风险识别结果。

11、进一步地，所述目标模型通过以下单元得到：第二获取单元，用于获取训练样本，其中，所述训练样本包括下述其中之一：历史时间段内与金融交易相关的图像样本、声音样本；处理单元，用于基于所述训练样本，通过所述神经网络架构搜索方式中的搜索策略对搜索空间中的m个目标单元进行搜索，并基于搜索到的目标单元，确定s个第一神经网络架构，其中，所述搜索策略至少包括：贝叶斯优化策略，m个所述目标单元至少包括深度神经网络中的基本操作单元；优化单元，用于基于n个所述目标条件，采用帕累托优化策略对s个所述第一神经网络架构进行优化，得到所述目标模型。

12、进一步地，优化单元包括：第二确定子单元，用于步骤1，基于n个所述目标条件，确定每个所述第一神经网络架构对应的目标集合，得到s个所述目标集合，其中，所述目标集合包括：每个目标条件对应的目标值；排序子单元，用于步骤2，基于所述目标集合中的所述目标值，对s个所述第一神经网络架构进行排序，得到排序结果；第三确定子单元，用于步骤3，基于所述排序结果，确定s个所述第一神经网络架构中的最优神经网络架构；第四确定子单元，用于步骤4，基于目标扩展方式，对所述最优神经网络架构进行扩展，得到s个第二神经网络架构；第一处理子单元，用于步骤5，将s个所述第二神经网络架构作为新的s个所述第一神经网络架构，基于a*搜索策略和模拟退火策略，重复执行步骤1至步骤5，直至得到所述目标模型。

13、进一步地，所述目标扩展方式包括下述其中之一：添加神经网络架构的层数、增加神经网络架构的宽度、添加神经网络架构中的跨层操作。

14、进一步地，处理单元包括：获取子单元，用于获取初始神经网络架构；搜索子单元，用于基于所述训练样本，通过所述贝叶斯优化策略对所述搜索空间中的m个目标单元进行搜索；判断子单元，用于判断每个搜索到的目标单元是否为预设操作单元，得到判断结果；第二处理子单元，用于在所述判断结果指示搜索到的目标单元为所述预设操作单元的情况下，将所述预设操作单元替换为目标模块，并将所述目标模块添加至所述初始神经网络架构中，得到s个所述第一神经网络架构，其中，所述目标模块包括：t个所述目标单元，t为正整数。

15、进一步地，n个所述目标条件包括下述其中之一：神经网络架构的准确率、神经网络架构的推理延迟、神经网络架构的功耗。

16、根据本发明实施例的另一方面，还提供了一种电子设备，包括：处理器；以及存储器，用于存储处理器的可执行指令；其中，处理器配置为经由执行可执行指令来执行上述任意一项的风险识别方法。

17、根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行上述任意一项的风险识别方法。

18、在本发明中，获取用户数据，其中，用户数据包括下述其中之一：与金融交易相关的声音数据、与金融交易相关的图像数据；将用户数据输入目标模型，输出金融交易的目标风险识别结果，其中，目标模型为基于n个目标条件，通过神经网络架构搜索方式确定的神经网络模型，n为正整数，n个目标条件用于对搜索到的神经网络架构进行优化。进而解决了相关技术中采用经过训练的传统的神经网络，对金融交易的进行风险识别，准确率低的技术问题。在本发明中，基于多目标条件搜索到的最优神经网络架构，确定出目标模型，通过该目标模型进行交易风险识别，避免了传统训练方法得到的神经网络模型在一些环境条件下风险识别准确率低的情况，从而实现了提高交易风险识别的准确率的技术效果。