一种风险识别方法及装置技术领域
本申请涉及数据处理技术领域，尤其涉及一种风险识别方法及装置。
背景技术
在风险识别中，服务器通常需要基于历史处理记录训练出机器分类模型，
将待识别账户的各种特征参数的特征值输入训练出的机器分类模型，基于模型
输出的结果进行风险识别。这些特征参数有反映账户的累计行为特征的参数，
比如该账户一个月内更换发起业务请求的互联网协议(Internet Protocol，IP)
地址的次数等，还有反映非累计行为特征的参数，比如账户类型等。
目前，通常是将所有可能影响风险识别结果的特征参数都直接作为机器分
类模型的考虑因素。但是，反映非累计行为特征的参数通常会出现噪音数据，
即异常数据，这些噪音数据会对模型精度和稳定性产生影响，从而严重影响风
险识别结果的准确性。
为了减少噪音数据的影响，有些处理方式中将这种反映非累计行为特征的
参数进行筛除处理，但这种方式往往会遗漏很多有用信息，进而导致进行风险
识别的准确性也较低。
发明内容
本申请实施例提供一种风险识别方法及装置，用以解决现有技术中进行风
险识别的准确性较低的问题。
本申请实施例提供一种风险识别方法，包括：
服务器接收用户终端发送的针对待识别账户的业务处理请求；
将所述待识别账户的多种第一特征参数的特征值输入训练出的第一机器
分类模型，得到第一风险评估值；所述第一特征参数为反映所述账户对应的非
累计行为特征的参数；
将所述第一风险评估值，和所述待识别账户的至少一种第二特征参数的特
征值输入训练出的第二机器分类模型，得到第二风险评估值；所述第二特征参
数为反映所述账户对应的累计行为特征的参数；
基于得到的第二风险评估值，对所述业务处理请求进行风险识别。
可选地，根据以下步骤训练出所述第一机器分类模型：
获取多个已知账户类型的样本账户的特征参数信息；其中，每个样本账户
的特征参数信息包括多种第一特征参数的特征值；所述账户类型包括安全账户
和风险账户；
基于所述多个样本账户中每个样本账户的多种第一特征参数的特征值，以
及每个样本账户的账户类型，训练出所述第一机器分类模型。
可选地，基于所述多个样本账户中每个样本账户的多种第一特征参数的特
征值，以及每个样本账户的账户类型，训练出所述第一机器分类模型，包括：
针对所述多个样本账户中的每个样本账户，以该样本账户的多种第一特征
参数的特征值作为所述第一机器分类模型的输入值，以该样本账户的账户类型
对应的风险评估值作为所述第一机器分类模型的目标输出值，训练出所述第一
机器分类模型。
可选地，每个样本账户的特征参数信息还包括至少一种第二特征参数的特
征值；根据以下步骤训练出所述第二机器分类模型：
将每个样本账户的各种第一特征参数的特征值输入训练出的所述第一机
器分类模型，得到第一风险评估值；
基于所述多个样本账户中，每个样本账户分别对应的各种第二特征参数的
特征值、所述第一风险评估值、以及账户类型，训练出所述第二机器分类模型。
可选地，基于所述多个样本账户中，每个样本账户分别对应的各种第二特
征参数的特征值、所述第一风险评估值、以及账户类型，训练出所述第二机器
分类模型，包括：
针对所述多个样本账户中的每个样本账户，以该样本账户的各种第二特征
参数的特征值和第一风险评估值作为所述第二机器分类模型的输入值，以该样
本账户的账户类型对应的风险评估值作为所述第二机器分类模型的目标输出
值，训练出所述第二机器分类模型。
本申请实施例提供一种风险识别装置，包括：
接收模块，用于接收用户终端发送的针对待识别账户的业务处理请求；
第一处理模块，用于将所述待识别账户的多种第一特征参数的特征值输入
训练出的第一机器分类模型，得到第一风险评估值；所述第一特征参数为反映
所述账户对应的非累计行为特征的参数；
第二处理模块，用于将所述第一风险评估值，和所述待识别账户的至少一
种第二特征参数的特征值输入训练出的第二机器分类模型，得到第二风险评估
值；所述第二特征参数为反映所述账户对应的累计行为特征的参数；
风险识别模块，用于基于得到的第二风险评估值，对所述业务处理请求进
行风险识别。
本申请实施例并不是将账户的所有特征参数都直接输入训练的机器分类
模型得到风险评估值，而是首先将各种反映非累计行为特征的第一特征参数的
特征值输入训练出的第一机器分类模型，再将第一机器分类模型输出的第一风
险评估值作为一种新的特征参数的特征值输入第二机器分类模型，由于第一风
险评估值是基于多种第一特征参数得到的综合评估值，从而可以弱化噪音数据
的影响，提高风险识别的准确性。
附图说明
图1为本申请实施例一提供的风险识别方法流程图；
图2为本申请实施例二提供的风险识别方法流程图；
图3为本申请实施例提供的风险识别装置结构示意图。
具体实施方式
本申请实施例中，服务器在接收到用户终端发送的针对待识别账户的业务
处理请求后，首先将该账户的多种第一特征参数(反映账户对应的非累计行为
特征的参数)的特征值输入训练出的第一机器分类模型，得到第一风险评估值；
然后，将得到的第一风险评估值，与该账户的至少一种第二特征参数(反映账
户对应的累计行为特征的参数)的特征值输入训练出的第二机器分类模型，得
到第二风险评估值；基于得到的第二风险评估值，对用户终端的业务处理请求
进行风险识别。
可见，本申请实施例并不是将账户的所有特征参数都直接输入训练的机器
分类模型得到风险评估值，而是首先将各种第一特征参数的特征值输入训练出
的第一机器分类模型，再将第一机器分类模型输出的第一风险评估值作为一种
新的特征参数的特征值输入第二机器分类模型，由于第一风险评估值是基于多
种第一特征参数得到的综合评估值，从而可以弱化噪音数据的影响，提高风险
识别的准确性。
下面结合说明书附图对本申请实施例作进一步详细描述。
实施例一
如图1所示，为本申请实施例一提供的风险识别方法流程图，包括以下步
骤：
S101：服务器接收用户终端发送的针对待识别账户的业务处理请求。
这里的业务处理请求可以是信息获取请求、交易请求等。这里的账户可以
是指用户终端在服务器注册的账户(比如注册的会员账户)，也可以是指服务
器为用户终端进行业务处理所需要的临时账户(比如银行卡号)。
S102：将所述待识别账户的多种第一特征参数的特征值输入训练出的第一
机器分类模型，得到第一风险评估值；所述第一特征参数为反映所述账户对应
的非累计行为特征的参数。
这里，第一机器分类模型具体可以是逻辑回归模型，当然，也可以根据训
练结果的需要选择其它机器分类模型。这里的第一特征参数为反映账户对应的
非累计行为特征的参数，可以包括冲突类参数和原始参数，冲突类参数是指反
映不同信息之间是否存在冲突的参数，比如发卡国与账单地址国是否冲突，用
户终端的IP地址与账单地址国是否冲突等，原始参数为账户本身的特征参数，
比如发卡行、卡类型(如白金卡、金卡、普通卡)等。特征值为将特征参数信
息进行数值化处理后的值，取值范围可以为[0，1]。
与上述第一机器分类模型的使用相对应，在训练第一机器分类模型时，需
要获取多个样本账户中每个样本账户(这里的样本账户为已知账户类型的账
户)的多个第一特征参数的特征值，结合每个样本账户的账户类型，训练出第
一机器分类模型。比如，若一个样本账户为安全账户，则可以将安全账户对应
的特征值(比如0)作为第一机器分类模型的目标输出值，将该样本账户的每
个第一特征参数的特征值作为第一机器分类模型的输入值，进行模型训练。详
见实施例二的描述。
S103：将所述第一风险评估值，和所述待识别账户的至少一种第二特征参
数的特征值输入训练出的第二机器分类模型，得到第二风险评估值；所述第二
特征参数为反映所述账户对应的累计行为特征的参数。
该步骤中，将S102得到的第一风险评估值作为一种反映累计行为特征的
参数的特征值，与账户本身对应的至少一种(一般为多种)反映累计行为特征
的参数(比如一个月内更换发起业务处理请求所使用的IP地址的次数、预设
时间长度内发起业务处理请求的次数等)的特征值一起，输入第二机器分类模
型，得到第二风险评估值。第二机器分类模型具体可以是决策树模型、随机森
林模型或其它模型。
与上述第二机器分类模型的使用相对应，在训练第二机器分类模型时，需
要确定多个样本账户中每个样本账户对应的第一风险评估值，并结合每个样本
账户的账户类型，训练出第二机器分类模型。详见实施例二的描述。
S104：基于得到的第二风险评估值，对所述业务处理请求进行风险识别。
在具体实施中，第二风险评估值越大，可以表示用户终端的本次业务处理
请求为风险请求的可能性越大，可以设置一个风险阈值，若第二风险评估值小
于该风险阈值，则为所述待识别账户执行业务处理，若第二风险评估值大于或
等于该风险阈值，则拒绝为所述待识别账户执行业务处理。
实施例二
如图2所示，为本申请实施例二提供的风险识别方法流程图，包括以下步
骤：
S201：服务器获取多个已知账户类型的样本账户的特征参数信息；其中，
每个样本账户的特征参数信息包括多种第一特征参数的特征值和至少一种第
二特征参数的特征值；所述账户类型包括安全账户和风险账户，第一特征参数
为反映账户对应的非累计行为特征的参数，第二特征参数为反映账户对应的累
计行为特征的参数。
在具体实施过程中，服务器可以通过用户的投诉建议、服务调查等确认请
求过业务处理的账户的账户类型，将信用度良好，没有收到过相关投诉建议的
账户归为安全账户，将信用度很差，收到过相关投诉建议的账户归为风险账户。
针对每种账户类型，可以分别获取多个样本账户的特征参数信息，其中可以包
括如发卡行、卡类型、发卡国与账单地址国是否冲突等第一特征参数，还包括
如一个月内更换发起业务处理请求所使用的IP地址的次数、预设时间长度内
发起业务处理请求的次数等第二特征参数。
S202：基于所述多个样本账户中每个样本账户的多种第一特征参数的特征
值，以及每个样本账户的账户类型，训练出第一机器分类模型。
在具体实施过程中，可以训练第一机器分类模型，使第一机器分类模型在
以每个样本账户的多种设定的第一特征参数的特征值作为输入值的情况下，输
出值尽量匹配每个样本账户的账户类型所对应的风险评估值。
具体地，针对所述多个样本账户中的每个样本账户，以该样本账户的多种
第一特征参数的特征值作为所述第一机器分类模型的输入值，以该样本账户的
账户类型对应的风险评估值作为所述第一机器分类模型的目标输出值，训练出
所述第一机器分类模型。
在具体实施过程中，第一机器分类模型可以采用逻辑回归模型，如：
![]()
其中，S表示逻辑回归模型的输出值，θi为逻辑回归系数(即为S202需要
训练的系数)，fi为在第i种第一特征参数下的特征值，f0＝1，n为第一特征参
数的种数。
在具体实施中，为了进一步降低逻辑回归模型的复杂度，避免出现过拟合，
可以加入正则项λΩ(θi)(λ为惩罚系数)，该正则项是模型复杂度的单调递增
函数，模型越复杂，正则项就越大。正则项可以取不同的形式，比如可以取平
方损失，就是参数的L2范数，也可以取L1范数。
需要说明的是，将样本账户的账户类型对应的风险评估值作为第一机器分
类模型的目标输出值进行模型训练，在训练出第一机器分类模型后，将每个样
本账户的各种第一特征参数的特征值输入训练出的第一机器分类模型所得到
的第一风险评估值并不一定等于进行模型训练时该样本账户的账户类型对应
的风险评估值(即目标输出值)。
S203：将每个样本账户的各种第一特征参数的特征值输入训练出的所述第
一机器分类模型，得到第一风险评估值；基于所述多个样本账户中，每个样本
账户分别对应的各种第二特征参数的特征值、所述第一风险评估值、以及账户
类型，训练出第二机器分类模型。
在具体实施过程中，可以训练第二机器分类模型，使第二机器分类模型在
以每个样本账户的第一风险评估值，以及多种设定的第二特征参数的特征值作
为输入值的情况下，输出值尽量匹配每个样本账户的账户类型所对应的风险评
估值。
具体地，针对所述多个样本账户中的每个样本账户，以该样本账户的各种
第二特征参数的特征值和第一风险评估值作为所述第二机器分类模型的输入
值，以该样本账户的账户类型对应的风险评估值(比如安全类型的账户对应的
风险评估值为0，风险类型的账户对应的风险评估值为1)作为所述第二机器
分类模型的目标输出值，训练出所述第二机器分类模型。
这里，第二机器分类模型可以是决策树模型、随机森林模型等模型样式。
S204：服务器在接收到用户终端发送的针对待识别账户的业务处理请求
后，将所述待识别账户的多种第一特征参数的特征值输入训练出的第一机器分
类模型，得到第一风险评估值。
这里，待识别账户的多种第一特征参数，是与训练第一机器分类模型时样
本账户的多种第一特征参数相同的特征参数。这里的第一风险评估值相当于对
各种第一特征参数的特征值进行综合提炼后的值。
S205：将所述第一风险评估值，和所述待识别账户的至少一种第二特征参
数的特征值输入训练出的第二机器分类模型，得到第二风险评估值。
这里，待识别账户的至少一种第二特征参数，是与训练第二机器分类模型
时样本账户的至少一种第二特征参数相同的特征参数。
S206：基于得到的第二风险评估值，对所述业务处理请求进行风险识别。
在具体实施中，若第二风险评估值小于设定的风险阈值，则可以响应用户
中的业务处理请求，为待识别账户执行业务处理，若第二风险评估值大于或等
于设定的风险阈值，则可以拒绝为所述待识别账户执行业务处理。
基于同一发明构思，本申请实施例中还提供了一种与风险识别方法对应的
风险识别装置，由于该装置解决问题的原理与本申请实施例风险识别方法相
似，因此该装置的实施可以参见方法的实施，重复之处不再赘述。
如图3所示，为本申请实施例提供的风险识别装置结构示意图，包括：
接收模块31，用于接收用户终端发送的针对待识别账户的业务处理请求；
第一处理模块32，用于将所述待识别账户的多种第一特征参数的特征值输
入训练出的第一机器分类模型，得到第一风险评估值；所述第一特征参数为反
映所述账户对应的非累计行为特征的参数；
第二处理模块33，用于将所述第一风险评估值，和所述待识别账户的至少
一种第二特征参数的特征值输入训练出的第二机器分类模型，得到第二风险评
估值；所述第二特征参数为反映所述账户对应的累计行为特征的参数；
风险识别模块34，用于基于得到的第二风险评估值，对所述业务处理请求
进行风险识别。
可选地，所述装置还包括：
模型训练模块35，用于获取多个已知账户类型的样本账户的特征参数信
息；其中，每个样本账户的特征参数信息包括多种第一特征参数的特征值；所
述账户类型包括安全账户和风险账户；基于所述多个样本账户中每个样本账户
的多种第一特征参数的特征值，以及每个样本账户的账户类型，训练出所述第
一机器分类模型。
可选地，所述模型训练模块35具体用于：
针对所述多个样本账户中的每个样本账户，以该样本账户的多种第一特征
参数的特征值作为所述第一机器分类模型的输入值，以该样本账户的账户类型
对应的风险评估值作为所述第一机器分类模型的目标输出值，训练出所述第一
机器分类模型。
可选地，每个样本账户的特征参数信息还包括至少一种第二特征参数的特
征值；所述模型训练模块35还用于：
将每个样本账户的各种第一特征参数的特征值输入训练出的所述第一机
器分类模型，得到第一风险评估值；基于所述多个样本账户中，每个样本账户
分别对应的各种第二特征参数的特征值、所述第一风险评估值、以及账户类型，
训练出所述第二机器分类模型。
可选地，所述模型训练模块35具体用于：
针对所述多个样本账户中的每个样本账户，以该样本账户的各种第二特征
参数的特征值和第一风险评估值作为所述第二机器分类模型的输入值，以该样
本账户的账户类型对应的风险评估值作为所述第二机器分类模型的目标输出
值，训练出所述第二机器分类模型。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计
算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结
合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包
含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、
CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、装置(系统)、和计算机程序产
品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和
/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/
或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入
式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算
机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一
个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设
备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中
的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个
流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使
得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处
理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个
流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基
本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要
求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申
请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及
其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。