模型训练方法、风险识别方法、装置、电子设备及介质与流程

本技术实施例涉及机器学习，尤其涉及一种模型训练方法、风险识别方法、装置、电子设备及介质。

背景技术：

1、随着计算机、大数据等技术的不断发展，金融领域也越来越多使用大规模的数据集和算法对金融系统中存在风险的行为进行预测和识别，例如使用反洗钱模型对洗钱风险进行识别、利用反欺诈模型对欺诈风险进行识别等。

2、相关技术中，为了进行金融风险识别，各机构通常会使用自身持有的主体数据在本地训练风险识别模型，训练好模型之后，获取主体日常金融活动产生的数据并输入风险识别模型，通过风险识别模型对特定主体的金融风险进行判别。

3、但是，不同主体可能在不同金融机构均开设有账户，导致主体的数据分散在不同金融机构，各个金融机构难以使用足量的主体数据进行模型训练和使用，导致相关技术中进行金融风险预测的准确性较差。

技术实现思路

1、本技术实施例提供一种模型训练方法、风险识别方法、装置、电子设备及介质，以解决相关技术中金融风险预测的准确性较差的问题。

2、第一方面，本技术实施例提供了一种模型训练方法，应用于第一参与方，所述方法包括：

3、获取各个第二参与方持有的金融主体的聚合样本特征；其中，所述金融主体的聚合样本特征由多个所述第二参与方对所述金融主体的样本特征进行聚合得到；

4、从所述金融主体中确定各个所述第二参与方均持有的交集金融主体；

5、基于所述交集金融主体的聚合样本特征训练第一机器学习模型，得到第一模型更新信息；其中，所述第一模型更新信息包括第一模型参数信息和/或第一模型梯度信息；

6、基于所述第一模型更新信息，以及从所述第二参与方获取的第二模型更新信息，更新所述第一机器学习模型的模型参数，得到风险识别模型；其中，所述第二模型更新信息由所述第二参与方基于所述交集金融主体的样本特征对自身持有的第二机器学习模型进行训练得到。

7、第二方面，本技术实施例提供了一种风险识别方法，应用于第一参与方，所述方法包括：

8、获取待识别金融主体的聚合特征；

9、将所述聚合特征输入风险识别模型，得到所述风险识别模型输出的第一风险识别结果；其中，所述风险识别模型基于第一方面所述的模型训练方法训练得到。

10、第三方面，本技术实施例提供了一种模型训练方法，应用于第二参与方，所述方法包括：

11、对自身持有的金融主体的样本特征，与其他参与方持有的所述金融主体的样本特征进行聚合，得到所述金融主体的聚合样本特征；

12、将所述聚合样本特征共享至第一参与方，以使所述第一参与方从所述金融主体中确定各个第二参与方均持有的交集金融主体，并基于所述交集金融主体的聚合样本特征训练第一机器学习模型，得到第一模型更新信息；其中，所述第一模型更新信息包括第一模型参数信息和/或第一模型梯度信息；

13、基于所述交集金融主体的样本特征训练第二机器学习模型，得到所述第二机器学习模型的第二模型更新信息；

14、基于所述第二模型更新信息以及所述第一模型更新信息，更新所述第二机器学习模型的模型参数，得到风险识别模型。

15、第四方面，本技术实施例提供了一种风险识别方法，应用于第二参与方，所述方法包括：

16、获取待识别金融主体的第一特征；

17、将所述第一特征输入风险识别模型，得到所述风险识别模型输出的第二风险识别结果；其中，所述风险识别模型基于第三方面所述的模型训练方法训练得到。

18、第五方面，本技术实施例提供了一种模型训练装置，应用于第一参与方，所述装置包括：

19、聚合样本特征获取模块，用于获取各个第二参与方持有的金融主体的聚合样本特征；其中，所述金融主体的聚合样本特征由多个所述第二参与方对所述金融主体的样本特征进行聚合得到；

20、交集确定模块，用于从所述金融主体中确定各个所述第二参与方均持有的交集金融主体；

21、第一更新信息模块，用于基于所述交集金融主体的聚合样本特征训练第一机器学习模型，得到第一模型更新信息；其中，所述第一模型更新信息包括第一模型参数信息和/或第一模型梯度信息；

22、第一训练模块，用于基于所述第一模型更新信息，以及从所述第二参与方获取的第二模型更新信息，更新所述第一机器学习模型的模型参数，得到风险识别模型；其中，所述第二模型更新信息由所述第二参与方基于所述交集金融主体的样本特征对自身持有的第二机器学习模型进行训练得到。

23、第六方面，本技术实施例提供了一种风险识别装置，应用于第一参与方，所述装置包括：

24、聚合特征获取模块，用于获取待识别金融主体的聚合特征；

25、第一风险识别模块，用于将所述聚合特征输入风险识别模型，得到所述风险识别模型输出的第一风险识别结果；其中，所述风险识别模型基于第一方面所述的模型训练方法训练得到。

26、第七方面，本技术实施例提供了一种模型训练装置，应用于第二参与方，所述装置包括：

27、样本特征聚合模块，用于对自身持有的金融主体的样本特征，与其他参与方持有的所述金融主体的样本特征进行聚合，得到所述金融主体的聚合样本特征；

28、特征共享模块，用于将所述聚合样本特征共享至第一参与方，以使所述第一参与方从所述金融主体中确定各个第二参与方均持有的交集金融主体，并基于所述交集金融主体的聚合样本特征训练第一机器学习模型，得到第一模型更新信息；其中，所述第一模型更新信息包括第一模型参数信息和/或第一模型梯度信息；

29、第二更新信息模块，用于基于所述交集金融主体的样本特征训练第二机器学习模型，得到所述第二机器学习模型的第二模型更新信息；

30、第二训练模块，用于基于所述第二模型更新信息以及所述第一模型更新信息，更新所述第二机器学习模型的模型参数，得到风险识别模型。

31、第八方面，本技术实施例提供了一种风险识别装置，应用于第二参与方，所述装置包括：

32、第一特征获取模块，用于获取待识别金融主体的第一特征；

33、第二风险识别模块，用于将所述第一特征输入风险识别模型，得到所述风险识别模型输出的第二风险识别结果；其中，所述风险识别模型基于第三方面所述的模型训练方法训练得到。

34、第九方面，本技术实施例还提供了一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现所述的模型训练方法或风险识别方法。

35、第十方面，本技术实施例还提供了一种计算机可读存储介质，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行所述的模型训练方法或风险识别方法。

36、在本技术实施例中，包括：获取各个第二参与方持有的金融主体的聚合样本特征；其中，金融主体的聚合样本特征由多个第二参与方对金融主体的样本特征进行聚合得到；从金融主体中确定各个第二参与方均持有的交集金融主体；基于交集金融主体的聚合样本特征训练第一机器学习模型，得到第一模型更新信息；其中，第一模型更新信息包括第一模型参数信息和/或第一模型梯度信息；基于第一模型更新信息，以及从第二参与方获取的第二模型更新信息，更新第一机器学习模型的模型参数，得到风险识别模型；其中，第二模型更新信息由第二参与方基于交集金融主体的样本特征对自身持有的第二机器学习模型进行训练得到。可以通过多个参与方持有的样本特征形成聚合特征，并根据聚合特征和样本特征共同对风险识别模型进行训练，使多个参与方的特征在训练过程中相互补充，有助于提高风险识别模型的训练精度，从而提高风险识别模型的风险识别能力。

37、上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。