(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111640205.2 (22)申请日 2021.12.2 9 (71)申请人 中国银联股份有限公司 地址 201203 上海市浦东 新区含笑路36号 (72)发明人 骆浩楠　龚妙岚　李嘉　周凯　 章文康　 (74)专利代理 机构 北京市中伦律师事务所 11410 代理人 操寒 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 40/04(2012.01) (54)发明名称 反欺诈风险评估方法、 训练方法、 装置及可 读存储介质 (57)摘要 本发明提供了反欺诈风险评估 方法、 训练方 法、 装置及可读存储介质， 该训练方法包括： 获取 训练样本集， 训练样本包括多维特征及其欺诈标 签， 多维特征包括： 用户静态特征、 用户行为特征 以及设备风险APP特征； 将训练样本集输入待训 练的反欺诈风险评估模型进行迭代训练； 其中， 在每轮迭代中， 反欺诈风险评估模 型对输入的多 维特征执行嵌入处理以得到输入向量， 将输入向 量输入基于自注意力机制构建的特征学习网络 以获得加权融合后的编码向量， 将编码向量输入 深度网络以得到风险预测结果， 以及， 利用风险 预测结果和欺诈标签构建的损失函数更新风险 评估模型的参数。 利用上述方法， 能够获得更好 的反欺诈风险评估效果。 权利要求书3页 说明书10页 附图4页 CN 114298417 A 2022.04.08 CN 114298417 A 1.一种反欺诈风险评估 模型的训练方法， 其特 征在于， 包括： 获取训练样本集， 所述训练样本包括多维特征及其欺诈标签， 所述多维特征包括： 用户 静态特征、 用户行为特 征以及设备风险AP P特征； 将所述训练样本集输入待训练的反欺诈风险评估 模型进行迭代训练； 其中， 在每轮迭代中， 所述反欺诈风险评估模型对输入的所述多维特征执行嵌入处理 以得到输入向量， 将所述输入向量输入基于自注 意力机制构建的特征学习网络以获得加权 融合后的编码向量， 将所述编码向量输入深度网络以得到风险预测结果， 以及， 利用所述风 险预测结果和所述欺诈标签构建的损失函数 更新所述 风险评估 模型的参数。 2.根据权利要求1所述的方法， 其特征在于， 采用Transformer编码器作为所述特征学 习网络， 所述Tr ansformer编码器包括自注意力层、 残差及归一化层、 前馈网络层和求和及 归一化层。 3.根据权利要求2所述的方法， 其特 征在于， 还 包括： 获取所述设备风险APP的使用时序信息， 基于所述使用时序获取用户设备使用的每个 风险APP和当前资金类AP P的使用相关性； 利用所述Transformer编码器的位置编码机制对所述使用时序信息进行时序编码， 得 到时序向量， 将所述时序向量结合每 个风险AP P对应的所述使用相关性得到时序强度向量； 将所述时序强度向量和所述设备风险APP特征对应的所述输入向量结合， 并输入所述 自注意力层。 4.根据权利要求3所述的方法， 其特征在于， 利用所述Transformer编码器的位置编码 机制对所述使用时序信息进行时序编码， 还 包括： 其中， 利用如下公式定义时序编码规则： 其中， TE(t,2i)为时序t的时序编码向量 的第2i维， TE(t,2i+1)为时序t的时序编码向 量的第2i+1 维， dmodel是时序编码向量的维度。 5.根据权利要求1所述的方法， 其特 征在于， 所述方法还 包括： 获取全局风险APP， 并利用每个所述风险APP的属性信息获取关联和/或相似的其他APP 以扩充所述全局风险AP P； 所述属性信息包括以下中的一种或多种： 开发者信息、 名称信息、 AP P介绍信息 。 6.根据权利要求1所述的方法， 其特 征在于， 获取训练数据集， 还 包括： 通过埋点方式收集所述用户交易行为信 息， 所述用户交易行为数据包括： 交易地点IP、 交易对手方信息； 周期性收集用户设备的APP使用信息， 根据全局风险APP确定所述用户设备使用的风险 APP， 得到所述设备风险AP P特征。 7.根据权利要求1所述的方法， 其特征在于， 所述多维特征还包括： 文本特征， 所述文本 特征包括交易留言信息 。权　利　要　求　书 1/3 页 2 CN 114298417 A 28.根据权利要求1所述的方法， 其特征在于， 所述深度网络采用机器学习中的随机森林 或XGB。 9.根据权利要求1所述的方法， 其特 征在于， 所述损失函数中设有交易金额权 重因子。 10.一种反欺诈风险评估方法， 其特 征在于， 包括： 获取实时交易信 息， 所述实时交易信 息包括： 用户静态特征、 用户行为特征以及 设备风 险APP特征中的一种或多种； 将所述实时交易信 息输入反欺诈风险评估模型， 所述反欺诈风险评估模型对输入的所 述实时交易信息执行嵌入处理以得到输入向量， 将所述输入向量输入基于注意力机制构建 的特征学习网络以获得编码向量， 将所述编码向量输入深度网络以得到风险预测结果； 其中， 所述反欺诈风险评估 模型利用如权利要求1 ‑9中任一项所述的方法训练得到 。 11.根据权利要求10所述的方法， 其特 征在于， 还 包括： 如所述风险预测结果符合预设条件， 则基于所述实时交易信息进行对应的干扰处理 和/或告警处 理。 12.根据权利要求10所述的方法， 其特 征在于， 还 包括： 基于所述 风险预测结果和所述实时交易信息更新训练样本集； 基于实时更新的所述训练样本集构建用户关系图， 所述用户交易关系图以用户为节 点， 以用户之间的交易关系为 边； 通过聚类算法和/或图注意力算法从所述用户交易关系图中挖掘出团伙节点和/或团 伙交易； 基于所述团伙节点和/或所述团伙交易从所述训练样本集中识别隐藏欺诈样本； 基于反馈的所述隐藏欺诈样本对所述 风险评估预测模型进行 更新训练。 13.一种反欺诈风险评估 模型的训练装置， 其特 征在于， 包括： 获取模块， 用于获取训练样本集， 所述训练样本包括多维特征及其欺诈标签， 所述多维 特征包括： 用户静态特 征、 用户行为特 征以及设备风险AP P特征； 训练模块， 用于将所述训练样本集输入待训练的反欺诈风险评估 模型进行迭代训练； 其中， 在每轮迭代中， 所述反欺诈风险评估模型对输入的所述多维特征执行嵌入处理 以得到输入向量， 将所述输入向量输入基于自注 意力机制构建的特征学习网络以获得加权 融合后的编码向量， 将所述编码向量输入深度网络以得到风险预测结果， 以及， 利用所述风 险预测结果和所述欺诈标签构建的损失函数 更新所述 风险评估 模型的参数。 14.一种反欺诈风险评估 装置， 其特 征在于， 包括： 获取模块， 用于获取实时交易信息， 所述实时交易信息包括： 用户静态特征、 用户行为 特征以及设备风险AP P特征； 评估模块， 用于将所述实时交易信息输入反欺诈风险评估模型， 所述反欺诈风险评估 模型对输入的所述实时交易信息执行嵌入处理以得到输入向量， 将所述输入向量输入基于 注意力机制构建的特征学习网络以获得编 码向量， 将所述编码向量输入深度网络以得到风 险预测结果； 其中， 所述反欺诈 风险评估模型利用如权利要求 1‑9中任一项 所述的方法训练 得到。 15.一种反欺诈风险评估 模型的训练装置， 其特 征在于， 包括： 至少一个处理器； 以及， 与至少一个处理器通信连接的存储器； 其中， 存储器存储有可权　利　要　求　书 2/3 页 3 CN 114298417 A 3