用户风险的确定方法、装置和服务器与流程

本说明书属于人工智能，尤其涉及用户风险的确定方法、装置和服务器。

背景技术：

1、在金融业务场景中，金融机构常常需要对用户进行风险检测，以便后续能够根据用户的风险检测情况，准确地为该用户提供相匹配的业务服务。

2、但是，基于现有方法在对用户进行风险检测时，风险检测误差相对较大，往往很难精准地确定出用户真实的风险情况。

3、针对上述问题，目前尚未提出有效的解决方案。

技术实现思路

1、本说明书提供了一种用户风险的确定方法、装置和服务器，能够精准地确定出目标用户的风险检测结果，减少风险检测误差。

2、本说明书提供了一种用户风险的确定方法，包括：

3、获取目标用户的属性数据和行为数据；

4、通过利用多通道自注意力模型处理所述目标用户的行为数据，提取得到目标用户的动态时序特征；根据目标用户的属性数据，提取得到目标用户的静态属性特征；其中，所述多通道自注意力模型至少包括并联的多个时序特征处理通道，以及与多个时序特征处理通道相连的拼接层；所述多个时序特征处理通道为不同结构的时序特征处理通道；

5、组合目标用户的动态时序特征和目标用户的静态属性特征，得到目标用户的联合特征；

6、根据目标用户的联合特征，确定目标用户的风险检测结果。

7、在一个实施例中，所述多个时序特征处理通道包括：第一时序特征处理通道、第二时序特征处理通道、第三时序特征处理通道和第四时序特征处理通道；

8、其中，

9、所述第一时序特征处理通道用于处理输入的目标用户的行为数据，并输出对应的第一时序特征；

10、所述第二时序特征处理通道用于处理输入的目标用户的行为数据，并输出对应的第二时序特征；

11、所述第三时序特征处理通道用于处理输入的目标用户的行为数据，并输出对应的第三时序特征；

12、所述第四时序特征处理通道用于处理输入的目标用户的行为数据，并输出对应的第四时序特征；

13、所述拼接层用于根据预设的拼接规则，拼接所述第一时序特征、第二时序特征、第三时序特征和第四时序特征，得到并输出目标用户的动态时序特征。

14、在一个实施例中，所述第一时序特征处理通道至少包括按序连接的时间感知长短期记忆网络层、第一全连接层、激活层、残差层、第二全连接层，以及过拟合层；其中，第一全连接层还与第二全连接层相连。

15、在一个实施例中，所述第二时序特征处理通道至少包括按序连接的时间感知长短期记忆网络层、第一全连接层、第一激活层、残差层、第二全连接层，以及第二激活层；其中，第一全连接层还与第二全连接层相连。

16、在一个实施例中，所述第三时序特征处理通道至少包括按序连接的时间感知长短期记忆网络层、第一全连接层、第一过拟合层、残差层、第二全连接层，以及第二过拟合层；其中，第一全连接层还与第二全连接层相连。

17、在一个实施例中，所述第四时序特征处理通道至少包括按序连接的时间感知长短期记忆网络层、第一全连接层、残差层、激活层、第二全连接层，以及过拟合层；其中，第一全连接层还与激活层相连。

18、在一个实施例中，所述残差层包括改造后的残差层；

19、相应的，基于所述改造后的残差层，按照以下算式处理输入数据，得到对应的输出数据：

20、y＝βf(x)+x，f(x)＝n(utσ(w1vi))

21、其中，y为残差层的输出数据，x为残差层的输入数据，β为调整参数，f(x)为对输入数据进行预设的自注意力变换后得到自注意力变换结果，ut为第一转换向量矩阵，w1为第二转换向量矩阵，v1为重视度向量，σ表示非线性激活函数，n表示对f(x)进行正态分布。

22、在一个实施例中，基于所述时间感知长短期记忆网络层，按照以下算式处理输入的行为数据，得到并输出对应的行为特征向量：

23、out’＝tanh(wc[α*ht-1,xt]+bc)

24、其中，out’为输出的行为特征向量，ht-1为上一时刻的隐层输出，wc为调节矩阵，bc为偏移量，α为比例调节参数，xt为输入的行为数据。

25、在一个实施例中，在所述时间感知长短期记忆网络层之前还连接有预处理层；其中，所述预处理层至少用于对输入的行为数据进行归一化处理。

26、在一个实施例中，根据目标用户的联合特征，确定目标用户的风险检测结果，包括：

27、利用预设的风险预测模型处理目标用户的联合特征，得到相应的多个中间特征的风险预测值；

28、根据多个中间特征的风险预测值，确定出对应的风险等级，作为目标用户的风险检测结果。

29、在一个实施例中，在根据目标用户的联合特征，确定目标用户的风险检测结果之后，所述方法还包括：

30、根据目标用户的风险检测结果，从预设的业务处理规则集中确定出相匹配的目标业务处理规则；

31、根据目标业务处理规则，处理目标用户发起的业务数据处理请求。

32、在一个实施例中，所述方法还包括：

33、构建初始的多通道自注意力模型；其中，所述初始的多通道自注意力模型至少包括并联的多个初始的时序特征处理通道，以及与多个初始的时序特征处理通道相连的初始的拼接层；所述多个初始的时序特征处理通道为不同结构的初始的时序特征处理通道；

34、获取样本用户的行为数据，作为样本数据；

35、利用所述样本数据训练所述初始的多通道自注意力模型，以得到符合要求的多通道自注意力模型。

36、本说明书还提供了一种用户风险的确定装置，包括：

37、获取模块，用于获取目标用户的属性数据和行为数据；

38、特征处理模块，用于通过利用多通道自注意力模型处理所述目标用户的行为数据，提取得到目标用户的动态时序特征；根据目标用户的属性数据，提取得到目标用户的静态属性特征；其中，所述多通道自注意力模型至少包括并联的多个时序特征处理通道，以及与多个时序特征处理通道相连的拼接层；所述多个时序特征处理通道为结构不同的时序特征处理通道；

39、特征组合模块，用于组合目标用户的动态时序特征和目标用户的静态属性特征，得到目标用户的联合特征；

40、确定模块，用于根据目标用户的联合特征，确定目标用户的风险检测结果。

41、本说明书还提供了一种服务器，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现所述用户风险的确定方法的相关步骤。

42、本说明书还提供了一种计算机可读存储介质，其上存储有计算机指令，所述指令被处理器执行时实现所述用户风险的确定方法的步骤。

43、基于本说明书提供的用户风险的确定方法、装置和服务器，具体实施前，可以预先训练得到基于改进结构的多通道自注意力模型，其中，该多通道自注意力模型至少包括并联的多个时序特征处理通道，以及与多个时序特征处理通道相连的拼接层；多个时序特征处理通道为不同结构的时序特征处理通道，各自分别在运行提取时序特征时具有不同的优势特性。具体实施时，在得到目标用户的属性数据和行为数据后，可以利用多通道自注意力模型处理目标用户的行为数据，充分利用不同时序特征处理通道的优势特性，提取得到目标用户的动态时序特征；同时，可以根据目标用户的属性数据，提取得到目标用户的静态属性特征；再组合目标用户的动态时序特征和静态属性特征，得到目标用户的联合特征；并根据目标用户的联合特征，确定出目标用户的风险检测结果。从而通过构建并利用改进的多通道自注意力模型处理目标用户的行为数据，较为全面、有效地提取得到精度较高、效果较好的动态时序特征；再通过联合使用目标用户的动态时序特征和静态属性特征，能够精准地确定出目标用户的风险检测结果，减少风险检测误差。