风险评估方法、电子设备、可读存储介质及产品与流程

本申请涉及人工智能领域，尤其涉及一种风险评估方法、电子设备、可读存储介质及产品。

背景技术：

1、随着a i技术的发展，机器学习、人工智能、ai模型被应用在越来越多的领域。目前，针对一个应用场景，在传统ai模型的技术方案中，会为对应的ai模型设置一个训练数据集和一个拟合目标，并使用训练数据集对a i模型进行训练以完成拟合目标。但这样做的缺点在于训练数据集的代表性较弱，对应的，也将导致模型的适用性或泛化性较低。

技术实现思路

1、本申请的主要目的在于提供了一种风险评估方法、电子设备、可读存储介质及产品，旨在解决在传统ai模型的技术方案中模型的适用性或泛化性较低的技术问题。

2、为实现上述目的，本申请提供一种风险评估方法，应用于第一参与方，所述第一参与方与各第二参与方通信连接，所述第一参与方部署目标风险评估模型，各所述第二参与方部署预训练关联风险评估模型，所述目标风险评估模型的评估目标与各所述预训练关联风险评估模型的评估目标均相关；

3、所述风险评估方法包括：

4、接收各所述第二参与方分别发送的关联评估结果，其中，所述关联评估结果，由第二参与方将用户个人信息输入至预训练关联风险评估模型得到；

5、将用户个人信息输入和各所述关联评估结果输入至所述目标风险评估模型，得到用户风险评估结果。

6、可选地，所述目标风险评估模型通过第一训练样本集训练，所述方法还包括：

7、对于所述第一训练样本集中的任意一个第一训练样本，接收各所述第二参与方分别基于所述第一训练样本生成的关联训练评估结果，其中，所述关联训练评估结果，由第二参与方将第一训练样本的样本特征输入至预训练关联风险评估模型得到；

8、基于各所述关联训练评估结果以及所述第一训练样本的样本特征生成中间样本特征集；

9、对于所述中间样本特征集中的任意一个中间样本特征，将所述中间样本特征输入至所述目标风险评估模型，得到训练用户风险评估结果；

10、基于所述第一训练样本的样本标签与所述训练用户风险评估结果之间的差异，对所述目标风险评估模型的模型参数进行更新。

11、可选地，所述基于各所述关联训练评估结果以及所述第一训练样本的样本特征生成中间样本特征集的步骤包括：

12、基于由各所述关联训练评估结果组成的训练评估结果集，生成至少一个衍生评估结果集；

13、将所述第一训练样本的样本特征与所述训练评估结果集或所述衍生评估结果集组合，得到中间样本特征，并通过中间样本特征构建所述中间样本特征集。

14、可选地，所述基于由各所述关联训练评估结果组成的训练评估结果集，生成至少一个衍生评估结果集的步骤包括：

15、对所述训练评估结果集进行至少一次衍生处理，以生成一个衍生训练评估结果集，其中，所述衍生处理的方式包括剔除所述训练评估结果集中的关联训练评估结果和替换所述训练评估结果集中的关联训练评估结果。

16、为实现上述目的，本申请还提供一种风险评估方法，应用于第二参与方，所述第二参与方与第一参与方通信连接，所述第二参与方部署预训练关联风险评估模型，所述第一参与方部署目标风险评估模型，所述预训练关联风险评估模型的评估目标与所述目标风险评估模型的评估目标相关；

17、所述风险评估方法包括：

18、将用户个人信息输入至所述预训练关联风险评估模型，得到关联评估结果；

19、将所述关联评估结果发送至所述第一参与方，以供所述第一参与方将所述用户个人信息输入和所述关联评估结果输入至所述目标风险评估模型，得到用户风险评估结果。

20、可选地，所述目标风险评估模型通过第一训练样本集训练，所述方法还包括：

21、对于所述第一训练样本集中的任意一个第一训练样本，将所述第一训练样本的样本特征输入至所述预训练关联风险评估模型，得到关联训练评估结果；

22、将所述关联训练评估结果发送至所述第一参与方。

23、可选地，所述预训练关联风险评估模型通过第二训练样本集训练，所述方法还包括：

24、对于所述第二训练样本集中的任意一个第二训练样本，将所述第二训练样本的样本特征输入至所述预训练关联风险评估模型，得到预训练评估结果；

25、基于所述预训练评估结果与所述第二训练样本的样本标签之间的差异，对所述预训练关联风险评估模型的模型参数进行更新。

26、此外，为实现上述目的，本申请还提供一种电子设备，所述电子设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上述的风险评估方法。

27、此外，为实现上述目的，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质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如上述的风险评估方法。

28、本申请实施例提供一种风险评估方法、电子设备、可读存储介质及产品，本申请实施例中，第一参与方部署有目标风险评估模型，第二参与方中部署有预训练关联风险评估模型,用于风险评估的用户个人信息首先会被输入至预训练关联风险评估模得到关联评估结果，而由于目标风险评估模型的评估目标与各预训练关联风险评估模型的评估目标均相关，因此，目标风险评估模可以在关联评估结果集的基础上结合用户个人信息，完成用户最终的风险评估。可以理解的是，由于在本申请中，目标风险评估模型会结合预训练关联风险评估模型的关联评估结果，完成风险评估。相当于，在应用目标风险评估模型时，会用到不同预训练关联风险评估模型，从而扩充了不同预训练关联风险评估模型的应用场景，从实现各预训练关联风险评估模型适用性或泛化性的提升。

技术特征：

1.一种风险评估方法，其特征在于，应用于第一参与方，所述第一参与方与各第二参与方通信连接，所述第一参与方部署目标风险评估模型，各所述第二参与方部署预训练关联风险评估模型，所述目标风险评估模型的评估目标与各所述预训练关联风险评估模型的评估目标均相关；

2.如权利要求1所述的风险评估方法，其特征在于，所述目标风险评估模型通过第一训练样本集训练，所述方法还包括：

3.如权利要求2所述的风险评估方法，其特征在于，所述基于各所述关联训练评估结果以及所述第一训练样本的样本特征生成中间样本特征集的步骤包括：

4.如权利要求3所述的风险评估方法，其特征在于，所述基于由各所述关联训练评估结果组成的训练评估结果集，生成至少一个衍生评估结果集的步骤包括：

5.一种风险评估方法，其特征在于，应用于第二参与方，所述第二参与方与第一参与方通信连接，所述第二参与方部署预训练关联风险评估模型，所述第一参与方部署目标风险评估模型，所述预训练关联风险评估模型的评估目标与所述目标风险评估模型的评估目标相关；

6.如权利要求5所述的风险评估方法，其特征在于，所述目标风险评估模型通过第一训练样本集训练，所述方法还包括：

7.如权利要求5所述的风险评估方法，其特征在于，所述预训练关联风险评估模型通过第二训练样本集训练，所述方法还包括：

8.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的风险评估方法。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质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如权利要求1至7中任一项所述的风险评估方法。

10.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的风险评估方法的步骤。

技术总结
本申请公开了一种风险评估方法、电子设备、可读存储介质及产品，方法应用于第一参与方，包括：接收各第二参与方分别发送的关联评估结果，其中，关联评估结果，由第二参与方将用户个人信息输入至预训练关联风险评估模型得到；将用户个人信息输入和各所述关联评估结果输入至目标风险评估模型，得到用户风险评估结果。即目标风险评估模型会结合预训练关联风险评估模型的关联评估结果，完成风险评估。相当于，在应用目标风险评估模型时，会用到不同预训练关联风险评估模型，从而扩充了不同预训练关联风险评估模型的应用场景，从实现各预训练关联风险评估模型适用性或泛化性的提升。

技术研发人员：黄勇卫,陈婷,吴毅彪,庄伟亮,许逸翰,王永兴,陈荣光
受保护的技术使用者：深圳前海微众银行股份有限公司
技术研发日：
技术公布日：2024/10/31