一种模型的处理方法、装置及设备与流程

1.本文件涉及计算机技术领域，尤其涉及一种模型的处理方法、装置及设备。


背景技术：

2.用户采用在线支付工具进行支付的过程中，往往需要对当笔交易事件进行风险分析，在实际业务中，一笔交易往往对应着不同的业务场景，业务场景背后的业务逻辑和数据分布有较大差别，内部的业务场景涵盖转账类交易、商户类交易等，两者在金融风险维度表现出差异，针对外部的业务场景，由于目标用户的业务存在多样化的特点，以及目标用户对自己隐私数据的重视，数据分布不尽相同、且事前往往无法感知对应的数据。
3.在风控领域中，冷启动阶段的输入数据可能仅能得到用户名等信息，而对其在目标场景的具体数据分布(即键值所对应的特征值)无法感知。此外，不同的业务场景之间可能存在数量级的差异。为此，需要提供一种能够考虑各种可能的概率分布并能够实现绿色风控，且在多个不同的业务场景上具备一定的域泛化能力的风险识别技术方案。


技术实现要素：

4.本说明书实施例的目的是提供一种能够考虑各种可能的概率分布并能够实现绿色风控，且在多个不同的业务场景上具备一定的域泛化能力的风险识别技术方案。
5.为了实现上述技术方案，本说明书实施例是这样实现的：
6.本说明书实施例提供的一种模型的处理方法，所述方法包括：获取应用于元学习的样本数据，所述样本数据中包括对应事件的特征、样本标签信息、对应事件所属的业务场景和支撑集，所述支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据。基于所述样本数据、所述支撑集中不同事件类别的支撑样本数据对应的注意力权重和所述支撑集中不同事件类别包含的支撑样本数据的数量，确定所述支撑集中不同事件类别对应的类别中心。基于所述支撑集中不同事件类别对应的类别中心、所述样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，所述优化目标函数基于经验风险最小化学习策略和所述样本数据对应的概率分布的分布鲁棒优化策略构建。
7.本说明书实施例提供的一种模型的处理方法，所述方法包括：获取用于训练目标交易业务的风险识别模型的样本数据，所述样本数据包括多个不同场景的样本数据。基于所述样本数据和预设的优化目标函数对所述风险识别模型进行模型训练，得到训练后的风险识别模型，所述优化目标函数基于经验风险最小化学习策略和所述样本数据对应的概率分布的分布鲁棒优化策略构建。
8.本说明书实施例提供的一种模型的处理方法，所述方法包括：接收服务器发送的训练后的风险识别模型，并确定训练后的风险识别模型对应的不同事件类别的类别中心，训练后的风险识别模型是基于应用于元学习的样本数据、样本数据中的支撑集中不同事件类别的支撑样本数据对应的注意力权重和支撑集中不同事件类别包含的支撑样本数据的
数量，确定支撑集中不同事件类别对应的类别中心，基于支撑集中不同事件类别对应的类别中心、样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，该优化目标函数基于经验风险最小化学习策略和该样本数据对应的概率分布的分布鲁棒优化策略构建，该样本数据中包括对应事件的特征、样本标签信息、对应事件所属的业务场景和支撑集，支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据。获取第一用户在执行目标交易业务所产生的交易数据。获取上述交易数据对应事件的特征，并对交易数据对应事件的特征进行编码处理，得到目标编码特征，基于目标编码特征，以及训练后的风险识别模型对应的不同事件类别的类别中心，确定该交易数据对应的事件类别。基于确定的事件类别，对第一用户执行的目标交易业务进行风险防控处理。
9.本说明书实施例提供的一种模型的处理装置，所述装置包括：样本获取模块，获取应用于元学习的样本数据，所述样本数据中包括对应事件的特征、样本标签信息、对应事件所属的业务场景和支撑集，所述支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据。类别中心确定模块，基于所述样本数据、所述支撑集中不同事件类别的支撑样本数据对应的注意力权重和所述支撑集中不同事件类别包含的支撑样本数据的数量，确定所述支撑集中不同事件类别对应的类别中心。训练模块，基于所述支撑集中不同事件类别对应的类别中心、所述样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，所述优化目标函数基于经验风险最小化学习策略和所述样本数据对应的概率分布的分布鲁棒优化策略构建。
10.本说明书实施例提供的一种模型的处理装置，所述装置包括：样本获取模块，获取用于训练目标交易业务的风险识别模型的样本数据，所述样本数据包括多个不同场景的样本数据。模型训练模块，基于所述样本数据和预设的优化目标函数对所述风险识别模型进行模型训练，得到训练后的风险识别模型，所述优化目标函数基于经验风险最小化学习策略和所述样本数据对应的概率分布的分布鲁棒优化策略构建。
11.本说明书实施例提供的一种模型的处理装置，所述装置包括：模型部署模块，接收服务器发送的训练后的风险识别模型，并确定训练后的风险识别模型对应的不同事件类别的类别中心，训练后的风险识别模型是基于应用于元学习的样本数据、样本数据中的支撑集中不同事件类别的支撑样本数据对应的注意力权重和支撑集中不同事件类别包含的支撑样本数据的数量，确定支撑集中不同事件类别对应的类别中心，基于支撑集中不同事件类别对应的类别中心、样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，该优化目标函数基于经验风险最小化学习策略和该样本数据对应的概率分布的分布鲁棒优化策略构建，该样本数据中包括对应事件的特征、样本标签信息、对应事件所属的业务场景和支撑集，支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据。数据获取模块，获取第一用户在执行目标交易业务所产生的交易数据。类别确定模块，获取上述交易数据对应事件的特征，并对交易数据对应事件的特征进行编码处理，得到目标编码特征，基于目标编码特征，以及训练后的风险识别模型对应的不同事件类别的类别中心，确定该交易数据对应的事件类别。风险防控模块，基于确定的事件类别，对第一用户执行的目标交易业务进行风险防控处理。
12.本说明书实施例提供的一种模型的处理设备，所述模型的处理设备包括：处理器；
以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：获取应用于元学习的样本数据，所述样本数据中包括对应事件的特征、样本标签信息、对应事件所属的业务场景和支撑集，所述支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据。基于所述样本数据、所述支撑集中不同事件类别的支撑样本数据对应的注意力权重和所述支撑集中不同事件类别包含的支撑样本数据的数量，确定所述支撑集中不同事件类别对应的类别中心。基于所述支撑集中不同事件类别对应的类别中心、所述样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，所述优化目标函数基于经验风险最小化学习策略和所述样本数据对应的概率分布的分布鲁棒优化策略构建。
13.本说明书实施例提供的一种模型的处理设备，所述模型的处理设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：获取用于训练目标交易业务的风险识别模型的样本数据，所述样本数据包括多个不同场景的样本数据。基于所述样本数据和预设的优化目标函数对所述风险识别模型进行模型训练，得到训练后的风险识别模型，所述优化目标函数基于经验风险最小化学习策略和所述样本数据对应的概率分布的分布鲁棒优化策略构建。
14.本说明书实施例提供的一种模型的处理设备，所述模型的处理设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：接收服务器发送的训练后的风险识别模型，并确定训练后的风险识别模型对应的不同事件类别的类别中心，训练后的风险识别模型是基于应用于元学习的样本数据、样本数据中的支撑集中不同事件类别的支撑样本数据对应的注意力权重和支撑集中不同事件类别包含的支撑样本数据的数量，确定支撑集中不同事件类别对应的类别中心，基于支撑集中不同事件类别对应的类别中心、样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，该优化目标函数基于经验风险最小化学习策略和该样本数据对应的概率分布的分布鲁棒优化策略构建，该样本数据中包括对应事件的特征、样本标签信息、对应事件所属的业务场景和支撑集，支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据。获取第一用户在执行目标交易业务所产生的交易数据。获取上述交易数据对应事件的特征，并对交易数据对应事件的特征进行编码处理，得到目标编码特征，基于目标编码特征，以及训练后的风险识别模型对应的不同事件类别的类别中心，确定该交易数据对应的事件类别。基于确定的事件类别，对第一用户执行的目标交易业务进行风险防控处理。
15.本说明书实施例还提供了一种存储介质，所述存储介质用于存储计算机可执行指令，所述可执行指令在被处理器执行时实现以下流程：获取应用于元学习的样本数据，所述样本数据中包括对应事件的特征、样本标签信息、对应事件所属的业务场景和支撑集，所述支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据。基于所述样本数据、所述支撑集中不同事件类别的支撑样本数据对应的注意力权重和所述支撑集中不同事件类别包含的支撑样本数据的数量，确定所述支撑集中不同事件类别对应的类别中心。基于所述支撑集中不同事件类别对应的类别中心、所述样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，所述优化目标函数基于经验风险最小化学习策略和所述样本数据对应的概率分布的分布鲁棒优化策略构建。
16.本说明书实施例还提供了一种存储介质，所述存储介质用于存储计算机可执行指令，所述可执行指令在被处理器执行时实现以下流程：获取用于训练目标交易业务的风险识别模型的样本数据，所述样本数据包括多个不同场景的样本数据。基于所述样本数据和预设的优化目标函数对所述风险识别模型进行模型训练，得到训练后的风险识别模型，所述优化目标函数基于经验风险最小化学习策略和所述样本数据对应的概率分布的分布鲁棒优化策略构建。
17.本说明书实施例还提供了一种存储介质，所述存储介质用于存储计算机可执行指令，所述可执行指令在被处理器执行时实现以下流程：接收服务器发送的训练后的风险识别模型，并确定训练后的风险识别模型对应的不同事件类别的类别中心，训练后的风险识别模型是基于应用于元学习的样本数据、样本数据中的支撑集中不同事件类别的支撑样本数据对应的注意力权重和支撑集中不同事件类别包含的支撑样本数据的数量，确定支撑集中不同事件类别对应的类别中心，基于支撑集中不同事件类别对应的类别中心、样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，该优化目标函数基于经验风险最小化学习策略和该样本数据对应的概率分布的分布鲁棒优化策略构建，该样本数据中包括对应事件的特征、样本标签信息、对应事件所属的业务场景和支撑集，支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据。获取第一用户在执行目标交易业务所产生的交易数据。获取上述交易数据对应事件的特征，并对交易数据对应事件的特征进行编码处理，得到目标编码特征，基于目标编码特征，以及训练后的风险识别模型对应的不同事件类别的类别中心，确定该交易数据对应的事件类别。基于确定的事件类别，对第一用户执行的目标交易业务进行风险防控处理。
附图说明
18.为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图；
19.图1为本说明书一种模型的处理方法实施例；
20.图2为本说明书另一种模型的处理方法实施例；
21.图3为本说明书一种模型结构的示意图；
22.图4a为本说明书一种风险防控的处理方法实施例；
23.图4b为本说明书一种风险防控的处理过程的示意图；
24.图4c为本说明书一种风险防控的处理系统的结构示意图；
25.图5为本说明书另一种风险防控的处理过程的示意图；
26.图6为本说明书又一种模型的处理方法实施例；
27.图7为本说明书又一种模型的处理方法实施例；
28.图8为本说明书一种模型的处理装置实施例；
29.图9为本说明书另一种模型的处理装置实施例；
30.图10为本说明书一种风险防控的处理装置实施例；
31.图11为本说明书一种模型的处理设备实施例。
具体实施方式
32.本说明书实施例提供一种模型的处理方法、装置及设备。
33.为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
34.实施例一
35.如图1所示，本说明书实施例提供一种模型的处理方法，该方法的执行主体可以为终端设备或服务器等，其中的终端设备可以如手机、平板电脑等移动终端设备，还可以如笔记本电脑或台式电脑等计算机设备，或者，也可以为iot设备(具体如智能手表、车载设备等)等，其中的服务器可以是独立的一个服务器，还可以是由多个服务器构成的服务器集群等，该服务器可以是如金融业务或网络购物业务等的后台服务器，也可以是某应用程序的后台服务器等。本实施例中以执行主体为服务器为例进行详细说明，对于执行主体为终端设备的情况，可以参见下述服务器的情况处理，在此不再赘述。该方法具体可以包括以下步骤：
36.在步骤s102中，获取应用于元学习的样本数据，该样本数据中包括对应事件的特征、样本标签信息、对应事件所属的业务场景和支撑集，该支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据。
37.其中，样本数据可以是用于训练指定模型的样本数据，样本数据可以是从指定业务中获取的相关数据，其中的指定业务可以是任意业务，例如，指定业务可以为支付业务、转账业务或即时通讯业务等，具体可以根据实际情况设定，本说明书实施例对此不做限定。样本数据可以是一个，也可以是多个，样本数据可以是正样本数据，或者，也可以是负样本数据。上述相关数据可以是与指定业务相关的业务数据，具体可以根据指定业务确定，例如，指定业务为支付业务，则样本数据可以包括支付时间、地点、支付金额、支付方的账户信息、接收方的账户信息等，此外，样本数据除了可以包括如上所述的文本类数据外，还可以包括图像、音频数据等，例如进行生物识别的图像，具体如面部图像、指纹图像、掌纹图像、虹膜图像等，具体可以根据实际情况设定，本说明书实施例对此不做限定。该样本数据对应事件的特征可以如该样本数据属于欺诈事件对应的特征，或者，可以如该样本数据属于可信事件对应的特征等，具体可以根据实际情况设定，本说明书实施例对此不做限定。样本标签信息可以通过事件类别进行表征，例如，事件类别包括欺诈类，则某样本数据的样本标签信息可以为欺诈，再例如，事件类别包括可信类，则某样本数据的样本标签信息可以为可信等。业务场景可以包括多种，例如，业务场景可以是账户到银行卡之间的转账，或者，业务场景可以是账户到账户之间的转账，或者，业务场景可以是线下交易，或者，业务场景可以是线上交易，或者，站外即时到账，或者，o2o交易，或者，网商转账到银行卡等，具体可以根据实际情况设定，本说明书实施例对此不做限定。支撑集可以为support set，其中可以包括多个不同的事件类别，例如可信类、盗用类和欺诈类等，其中每个事件类别对应的支撑样本数据可以通过数据特征的形式表示，例如可信类，则对应的支撑样本数据可以为[[0,1,0,...],[1,0,1],
…
]，盗用类，则对应的支撑样本数据可以为[[1,1,2,
…
],[2,3,4…
],
…
]，欺诈类，则对应的支撑样本数据可以为[[2,1,4,
…
],[2,4,1
…
],
…
]等，具体可以根据实际情况设定。元学习的目标是在接触到没见过的任务或者迁移到新环境中时，可以根据之前的经验和少量的样本数据快速学习如何应对的方式。
[0038]
在实施中，在esg(environmental，social and governance)的背景下，绿色风控的目的是防止资源浪费，促进经济、社会和环境的可持续发展。esg是一种对企业进行综合评估的方式，旨在衡量企业在环境、社会和组织治理方面的表现，从而提供有关其可持续性和风险的信息。
[0039]
用户采用在线支付工具进行支付的过程中，往往需要对当笔交易事件进行风险分析，通常情况下，一笔交易事件包含的风险可能包括盗用、欺诈、非法金融活动等。在实际业务中，一笔交易往往对应着不同的业务场景，业务场景背后的业务逻辑和数据分布有较大差别。通常，数据建模方式是对不同的场景建立不同的模型，并分别进行布控，而esg所倡导的绿色风控提供了一个不一样的思路：能否建立一个通用的模型(例如主体维度的通用风险识别模型)，在各个业务域均有效，这样，用一个较为通用化的模型，取代原本需要在各个子场景分别建模的方式，能够防止资源浪费，达到绿色风控的目标。
[0040]
通常，需要应用的子场景可以包含内部的业务场景和外部的业务场景。内部的业务场景涵盖转账类交易、商户类交易等，两者在金融风险维度表现出差异，针对外部的业务场景，由于目标用户的业务存在多样化的特点，数据分布不尽相同、且事前往往无法感知对应的数据。
[0041]
域泛化研究的问题是从若干个具有不同数据分布的数据集领域中学习一个泛化能力强的模型，以便在未知的测试集上取得较好的效果，与迁移学习、域适应问题的区别在于域泛化解决的是测试场景数据分布未知的情况，例如，当前有场景a、场景b、场景c、场景d、场景e的数据，并以此作为训练集，模型优化的目标不仅包括在上述5个业务场景能取得较优的结果，还需要满足足够的泛化性，训练后的模型能够在新出现的业务场景的数据分布下也能够适配。
[0042]
通常，解决域泛化问题的方式可以包括以下三种：基于表征学习的方式，如dann通过生成式对抗网络中生成器和判别器，产出跨域不变的表征；基于数据操作类方式，如基于mixup进行数据增强，并将其应用于域泛化问题上；基于正则化的方式，如rsc引入自我挑战表达算法，rsc迭代地丢弃在训练数据上激活的主要特征，并强制网络激活与标签相关的剩余特征。然而，上述方式往往是针对计算机视觉领域的问题，对于风控领域的风险识别适配性有限，在计算机视觉领域的问题中，特征的输入及类别是同质的，而在风控领域中，用户历史的可信交易、可疑交易行为事件有些是日常的、有些是偶发的，不应该作等权处理，且可能存在不止一个的类别中心。此外，常用的数据增强方式并不能得出表征跨域不变的性质。基于mixup进行数据增强产出的表征忽略了跨域不变的性质，所产出的表征可能受域间表层信息的牵引，而忽视了本质信息的挖掘，从而增强后的数据对原问题的解决起反向作用。基于上述内容，上述方式往往针对计算机视觉领域而设计，对于风控领域的风险识别适配性有限。差异点在于视觉领域新的输入数据是可以完全获知的，因为图像数据在像素点中就可数字化体现，而在风控领域等新的业务域使用时，冷启动阶段的输入数据可能仅能得到用户名等信息，而对其在目标场景的具体数据分布(即键值所对应的特征值)无法感知。此外，在可以被训练的场景、不可被训练但可被评估的场景、不可被训练且当前无法被
评估的场景等三类场景之间可能存在数量级的差异，如可以被训练的场景a、场景b、场景c、场景d、场景e，小的场景样本量可能为千或万级别，大的场景样本量可能是亿或十亿级别，通常的优化方式如经验风险最小化(erm，empirical risk minimization)只关注训练集整体的风险平均损失最小，而可能会在小的场景上产生较差的结果。为此，需要提供一种能够考虑各种可能的概率分布并能够实现绿色风控，且在多个不同的业务场景上具备一定的域泛化能力的风险识别技术方案。本说明书实施例提供一种可实现的技术方案，具体可以包括以下内容。
[0043]
在对某模型进行模型训练的过程中，可以从指定业务中预先记录的相关数据(或者从指定的历史数据库)中获取一定数量的数据作为应用于元学习的样本数据，由于采用元学习的方式进行建模，因此，样本数据的形式可以概括为查询集query set和支撑集support set，对于单个样本数据，可以表示为[event_id,feature,label,scene]，其中的event_id为当前样本数据对应的事件标识，feature表示样本数据对应事件的特征(可以包括多个维度的特征)，label表示样本标签信息(如可信、盗用、欺诈或非法金融活动等)，scene表示样本数据对应事件所属的业务场景(如线上交易等)。query set可以是元学习中的query set，类比于上述单个样本数据的组织形式，可以作为驱动事件表。support set可以是元学习中的support set，对于每个用户，可以维护一个局部白support set(即可信类)和多个全局黑support set(包括盗用类、欺诈类、非法金融活动类等)。局部白support set由用户自身过往的正常交易中采样一定数量(如100或200等)的交易数据作为样本数据，每个样本数据如上所述为同样的多维特征，全局黑support set由全局黑样本数据中在query set当笔事件发生的时间之前采样。其中的局部和全局的区别在于是否与query set当笔事件主动方用户关联。对于白support set而言为局部，含义为用户自身过往低风险、日常反复的的交易行为模式；对于黑support set而言为全局，含义为高风险的交易事件。
[0044]
基于上述内容，样本数据的最终形式可以为[event_id,label,feature,scene,support_set]，具体如，某样本数据可以如下
[0045][0046]
即当笔query set中的事件的类别为盗用，该样本数据对应的事件的特征是[1,0,0,
…
]，维度可以为d；其对应的support set中类别的维度可以为100
×
d，其含义是支撑集中每个类别维护100个支撑样本数据。记类别的个数为k，则每个样本数据中support set的维度为k
×
100
×
d，则最终模型训练的目标是让当笔事件特征表征化后距离支撑集里盗用类近，而距离其他类别远。需要注意的是，数据准备阶段，对于每一条驱动事件而言，其维护的support set中事件所发生的时间均需早于自身事件发生的时间。
[0047]
在步骤s104中，基于上述样本数据、支撑集中不同事件类别的支撑样本数据对应的注意力权重和支撑集中不同事件类别包含的支撑样本数据的数量，确定该支撑集中不同事件类别对应的类别中心。
robust optimization)策略是一种旨在概率分布未知或难以确定的情况下的模型优化策略，与一般的优化策略依赖于确定性模型假设不同，分布鲁棒优化策略考虑各种可能的概率分布，并寻找一个较优的决策方案，使得其在所有可能的概率分布下都表现出较好的鲁棒性。分布鲁棒优化策略的主要思想是在优化问题中引入一个参数化的概率分布集合，并将优化问题重新表述为一个最大化最小值的问题，即在所有可能的概率分布中，最小化某个目标函数的最大值，在上述过程中，分布鲁棒优化策略会考虑各种可能的概率分布，从而可以找到一个鲁棒性更好的状态。
[0057]
在实施中，基于上述内容，假设现在需要用一个模型获取对于每个用户在盗用、欺诈、非法金融活动等事件类别上的评分，通过在训练阶段可以获知的业务场景包括场景a、场景b、场景c、场景d、场景e。而实际中，除了上述5个业务场景外，还有场景f、场景g、场景h需要进行应用，且该3个业务场景的数据分布与标签信息不可知，能感知的仅有3个业务场景的主键值(如账户名等)，除此之外，后续预期会有更多新的业务场景接入，在训练阶段，新的场景的数据分布与标签信息、甚至于主键值均不可知，基于此，我们希望其他的新增场景加入后，模型在不更新迭代的前提下仍能对新场景发挥作用。
[0058]
基于上述原因，风险识别模型涉及更好的优化目标函数，从而使得其他的新增场景加入后，模型在不更新迭代的前提下仍能对新场景发挥作用，同时，可以考虑各种可能的概率分布，提高风险识别模型的鲁棒性，本实施例中，该优化目标函数可以基于经验风险最小化学习策略和该样本数据对应的概率分布的分布鲁棒优化策略构建，具体地，对于经验风险最小化学习策略，其损失函数或错误函数是模型预测与真实输出之间的差异或距离，例如均方误差(mse)或交叉熵损失(cross-entropy loss)函数等，其期望损失函数可以如下：
[0059]
r(θ)＝e
z～p
[l(θ；z)]
[0060]
其中，θ表示模型参数，r表示期望损失函数，l表示损失函数，p表示样本数据的概率分布，z表示样本数据中支撑集中的支撑样本数据，可能来自于k个潜在的业务场景，即
[0061][0062]
其中，α表示参数，此处的k个潜在的业务场景与实际的业务场景并非一一对应，而是为了增加泛化性抽象出的一种表述。实际业务中，特别是在经验风险最小化假设下，模型参数的求解过程是
[0063][0064]
其中，θ表示模型参数的取值范围，i表示第i个样本数据。
[0065]
对于该样本数据对应的概率分布的分布鲁棒优化策略，其思路是让最差分组的损失r
max
(θ)也在一个可控的范围内，为此，可以对上述期望损失函数进行求解，在实际应用中，上述求解方式可以包括多种，如参数搜索算法、基于随机参数的概率分布机制的求解方法等，具体可以根据实际情况设定。可以将该求解结果与上述求解得到的模型参数相结合，得到相应的优化目标函数。
[0066]
本说明书实施例采用基于注意力机制生成的类别中心作为查询集query set驱动
事件分类的依据。对于每一个事件类别而言，有一个注意力加权生成的类别中心，则k个事件类别共计k个类别中心，对于查询集query set中驱动事件而言，其最终属于哪个类别由其与上述k个类别中心的距离远近决定，即分别计算样本数据对应的特征到支撑集中不同事件类别对应的类别中心之间的距离，可以基于上述计算的距离和上述优化目标函数对风险识别模型进行优化训练，最终，可以得到训练后的风险识别模型。风险识别模型训练完成后，可以对待打分数据集合进行打分，对于形如[event_id,label,feature,scene，support_set]的数据，计算其与各类别中心之间的距离，得到最终归属于各个事件类别的概率。风险识别模型打分完成后，可以将其沉淀为数据资产，数据资产对于通过在训练阶段可以获知的业务场景、对于数据的概率分布与标签信息不可知的业务场景，训练阶段数据的概率分布与标签信息、甚至于主键值均不可知的新业务场景上均保有泛化性。
[0067]
本说明书实施例提供一种模型的处理方法，通过获取应用于元学习的样本数据，样本数据中包括对应事件的特征、样本标签信息、对应事件所属的业务场景和支撑集，支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据，基于样本数据、支撑集中不同事件类别的支撑样本数据对应的注意力权重和支撑集中不同事件类别包含的支撑样本数据的数量，确定支撑集中不同事件类别对应的类别中心，基于支撑集中不同事件类别对应的类别中心、样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，该优化目标函数基于经验风险最小化学习策略和该样本数据对应的概率分布的分布鲁棒优化策略构建，这样，针对风控领域的资金风险识别，采用了prototypical networks结构进行优化，并引入了注意力机制确定相应的类别中心，不仅能够更贴近资金风险识别的实际数据分布，而且能够适配资金风险识别的特性，从而能够更好的适配风控领域中的资金风险识别，提高风险识别的准确率，此外，通过经验风险最小化学习策略和该样本数据对应的概率分布的分布鲁棒优化策略构建优化目标函数，可以充分考虑各种可能的概率分布，并寻找一个较优的决策方案，从而提高资金风险识别过程中的域泛化能力，而且，针对于支付风控场景，涵盖盗用、欺诈、非法金融交易在内的资金风险而言，给出了上述模型的定义与准备流程，在上述框架下产出的多任务模型，可以提高跨域复用时的泛化性domain generalization，对各风险任务均有效果上的提升。
[0068]
实施例二
[0069]
如图2所示，本说明书实施例提供一种模型的处理方法，该方法的执行主体可以为终端设备或服务器等，其中的终端设备可以如手机、平板电脑等移动终端设备，还可以如笔记本电脑或台式电脑等计算机设备，或者，也可以为iot设备(具体如智能手表、车载设备等)等，其中的服务器可以是独立的一个服务器，还可以是由多个服务器构成的服务器集群等，该服务器可以是如金融业务或网络购物业务等的后台服务器，也可以是某应用程序的后台服务器等。本实施例中以执行主体为服务器为例进行详细说明，对于执行主体为终端设备的情况，可以参见下述服务器的情况处理，在此不再赘述。该方法具体可以包括以下步骤：
[0070]
在步骤s202中，获取应用于元学习的样本数据，该样本数据中包括对应事件的特征、样本标签信息、对应事件所属的业务场景和支撑集，该支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据。
[0071]
其中，事件类别可以包括可信类、盗用类、欺诈类、非法金融活动类中的一种或多
种。
[0072]
在步骤s204中，对上述样本数据中的支撑集中的每个事件类别对应的支撑样本数据进行编码处理，得到每个支撑样本数据对应的编码特征。
[0073]
在实施中，可以根据实际情况预先设定编码机制，该编码机制可以包括多种，例如，可以根据实际情况预先设置不同字符对应的矩阵或向量，从而构建相应的对照表，当需要对支撑样本数据进行处理时，可以对支撑样本数据中包含的字符进行分析，可以根据支撑样本数据中包含的字符，在上述对照表中查找相应的矩阵或向量，对上述样本数据中的支撑集中的每个事件类别对应的支撑样本数据进行编码处理，可以将查找到的矩阵或向量作为每个支撑样本数据对应的编码特征。可以将支撑集划分为多个不同的子支撑集，即子支撑集1、子支撑集2、子支撑集3
…
，可以使用上述编码机制对每个子支撑集中的每个支撑样本数据进行编码处理，得到相应的编码特征，此外，在某些场景下，还可以对上述编码特征进行降维处理，例如，可以通过平均池化的方式对上述编码特征进行处理，得到池化后的编码特征，具体可以根据实际情况设定，本说明书实施例对此不做限定。
[0074]
需要说明的是，上述是通过构建对照表的方式对支撑样本数据进行编码处理，在实际应用中，除了可以通过上述方式外，还可以通过其它多种不同的方式对支撑样本数据进行编码处理，例如，可以通过神经网络模型构建上述编码机制，可以使用神经网络模型构建的编码机制对支撑样本数据进行编码处理，具体可以根据实际情况设定，本说明书实施例对此不做限定。
[0075]
上述步骤s204的具体处理可以多种多样，以下提供一种可选的处理方式，具体可以包括以下内容：通过预设的编码器对样本数据中的支撑集中的每个事件类别对应的支撑样本数据进行编码处理，得到每个支撑样本数据对应的编码特征，编码器是基于transformer模型中的encoder构建。
[0076]
其中，transformer模型中的encoder可以由multi-head attention层、add&norm层、feed forward层和add&norm层组成，multi-head attention层可以为多头注意力机制的网络层，add&norm层由add和norm两部分组成，上述两部分分别的计算公式如下：
[0077]
layernorm(x+multiheadattention(x))
[0078]
layernorm(x+feedforward(x))
[0079]
feed forward层是两个全连接层，第一个全连接层的激活函数为relu，第二个全连接层不使用激活函数，对应的公式可以如下
[0080]
max(0，xw1+b1)w2+b2[0081]
其中，x表示变量，w1、b1、w2和b2分别表示参数。
[0082]
在实施中，可以将上述样本数据中的支撑集中的每个事件类别对应的支撑样本数据输入到上述编码器中，通过该编码器中的transformer模型中的encoder对支撑样本数据的处理，可以得到每个支撑样本数据对应的编码特征。
[0083]
在步骤s206中，基于每个支撑样本数据对应的编码特征、支撑集中不同事件类别的支撑样本数据对应的预设注意力权重和支撑集中不同事件类别包含的支撑样本数据的数量，确定支撑集中不同事件类别对应的类别中心。
[0084]
其中，注意力权重可以是基于上述样本数据、支撑集中不同事件类别对应的特征的均值，并通过前馈神经网络和预设的激活函数，以及支撑集中不同事件类别包含的支撑
样本数据的数量确定的权重。
[0085]
在实施中，可以基于粗类别中心与支撑集中不同事件类别的支撑样本数据的自注意力机制，自注意力机制即self-attention机制可以是一种只需要根据输入判断目标模型应该注重哪些特征的算法，self-attention机制的计算过程可以包括：将输入数据转换为嵌入向量；对每个嵌入向量创建query向量、key向量、value向量，上述创建的向量是输入数据的嵌入向量和三个转换矩阵(w_q、w_k、w_v)相乘得到，上述三个矩阵是在训练的过中学习得到的；为每个嵌入向量计算相应的分值score，score＝query向量点乘key向量；将上述分值score除以(key向量维度的开方)，这样，可以使得得到的梯度更加稳定，然后，可以通过softmax函数归一化分值使加和为1；将softmax函数得到的分数与对应的value向量相乘，从而可以保留注重的特征的value值，削弱非相关特征的value值；累加所有加权后的value向量，即可以得到某位置的self-attention算法的输出结果。
[0086]
本实施例中涉及的模型结构可以如图3所示。可以对类别中心的构建模式做以下改进
[0087][0088]
其中，表示第k个事件类别中的第i个支撑样本数据，表示支撑样本数据经过编码器进行编码处理后的编码特征，nk为第k个事件类别的支撑样本数据的数量，ck为第k个事件类别对应的类别中心(即prototype)，α
ki
表示分配给第k个事件类别中的第i个支撑样本数据的注意力权重。其中的α
ki
可以如下：
[0089][0090][0091][0092][0093]
是基于上述样本数据确定的支撑集中不同事件类别对应的特征的均值(即为原始prototypical networks中所涉及的类别中心)。ffn()表示前馈神经网络，σ()为预设的激活函数，具体可以是tanh等。
[0094]
对每一个事件类别的每一个支撑样本数据的分值e
ki
在对应的事件类别中进行softmax处理，分配最终的注意力权重为α
ki
，由此，最终产出第k个事件类别对应的类别中心ck。
[0095]
在步骤s208中，基于支撑集中不同事件类别对应的类别中心、样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型。
[0096]
其中，优化目标函数可以是由经验风险最小化下风险识别模型的模型参数对应的第一子函数和分布鲁棒优化策略对应的分布鲁棒优化所要求的损失函数的上界之和构建的函数。
[0097]
在实施中，为了使得最差分组的损失r
max
(θ)也在一个可控的范围内，一个可行的解法是记概率分布p和概率分布q之间的距离为即两个概率分布之间的chi-square散度为
[0098][0099]
记b(p,r)为满足以下条件的概率分布
[0100][0101]
进而，可以通过计算b(p,r)范围内的分组的损失的最大值，可以得出一个满足分布鲁棒优化所要求的损失函数的上界
[0102][0103]
基于此，可以将经验风险最小化下风险识别模型的模型参数对应的第一子函数和分布鲁棒优化策略对应的分布鲁棒优化所要求的损失函数的上界之和作为优化目标函数，即优化目标函数为
[0104][0105]
可以基于步骤s202中所述的样本数据的格式、支撑集中不同事件类别对应的类别中心与上述的模型结构，基于指定时间段的样本数据对风险识别模型进行模型训练，得到训练后的风险识别模型，并在模型训练的过程中，通过上述优化目标函数对风险识别模型进行优化，最终，可以得到训练后的风险识别模型。训练所得到的风险识别模型应当具有如下功能：基于当笔事件的样本数据进行编码处理后，所得的编码特征应当与自身支撑集中与其同一个事件类别的类别中心尽可能接近，而与其他事件类别的类别中心尽可能远。
[0106]
通过上述方式训练相应的模型后，可以部署和应用该模型，该模型可以部署于服务器侧，也可以部署于终端设备侧，对于部署在服务器侧的情况，具体可以参见下述步骤s210～步骤s216的处理。
[0107]
在步骤s210中，获取第一用户执行目标交易业务所产生的交易数据。
[0108]
其中，第一用户可以是任意用户，本实施例中，第一用户可以是执行目标交易业务的用户。目标交易业务可以是任意交易业务，具体如支付业务、转账业务等，具体可以根据实际情况设定。交易数据可以是与目标交易业务相关的数据，具体可以根据目标交易业务确定，例如，目标交易业务为支付业务，则交易数据可以包括支付时间、地点、支付金额、支付方的账户信息、接收方的账户信息等，具体可以根据实际情况设定，本说明书实施例对此不做限定。
[0109]
在实施中，通过上述方式训练得到风险识别模型后，以将风险识别模型部署于服务器中，当第一用户通过其终端设备触发目标交易业务执行时，终端设备通过与服务器之间的信息交互以执行目标交易业务，然后，该终端设备可以获取第一用户执行目标交易业务的过程中产生的交易数据，可以将该交易数据发送给服务器，服务器可以获取到第一用户执行目标交易业务所产生的交易数据。
[0110]
在步骤s212中，获取上述交易数据对应事件的特征，并对该交易数据对应事件的
特征进行编码处理，得到目标编码特征。
[0111]
在实施中，可以对上述交易数据进行特征提取，得到该交易数据对应事件的特征。然后，可以将交易数据对应事件的特征输入到例如由transformer模型中的encoder构建的编码器中，通过该编码器对交易数据对应事件的特征进行编码处理，得到目标编码特征。
[0112]
在步骤s214中，基于目标编码特征，以及训练后的风险识别模型对应的不同事件类别的类别中心，确定上述交易数据对应的事件类别。
[0113]
在实施中，可以分别计算目标编码特征与训练后的风险识别模型对应的不同事件类别的类别中心之间的距离，并分别计算目标编码特征与训练后的风险识别模型对应的不同事件类别的类别中心之间的距离，基于计算的距离确定交易数据对应的事件类别，具体如，可以获取计算的距离的最小值，可以获取该最小值对应的类别中心，并可以获取该类别中心对应的事件类别，可以将获取的事件类别作为交易数据对应的事件类别，具体如，该最小值对应的事件类别为欺诈类，则交易数据对应的事件类别即为欺诈类，或者，该最小值对应的事件类别为可信类，则交易数据对应的事件类别即为可信类等，具体可以根据实际情况设定，本说明书实施例对此不做限定。
[0114]
在实际应用中，上述类别中心可以是由第一用户的终端设备经过计算后得到的，并将其发送给服务器的信息，具体可以参见下述内容：接收第一用户的终端设备发送的训练后的风险识别模型对应的不同事件类别的类别中心。
[0115]
在实施中，服务器可以将训练后的风险识别模型部署至第一用户的终端设备中，并可以定期或不定期的更新训练后的风险识别模型对应的支撑集support set，终端设备可以基于更新后的支撑集support set通过上述方式分别计算得到训练后的风险识别模型对应的不同事件类别的类别中心，具体可以参见前述相关内容，在此不再赘述。
[0116]
在步骤s216中，基于确定的事件类别，对第一用户执行的目标交易业务进行风险防控处理。
[0117]
在实施中，如果确定的事件类别为欺诈类，则可以通过预设的风险防控机制对第一用户执行的目标交易业务进行风险防控处理，具体如，可以拒绝第一用户继续执行目标交易业务等。如果确定的事件类别为可信类，则可以放行第一用户执行目标交易业务等，具体可以根据实际情况设定，本说明书实施例对此不做限定。
[0118]
此外，服务器也可以将训练后的风险识别模型部署于指定的终端设备中，以便终端设备应用该风险识别模型，具体可以参见下述步骤a2～步骤a6的处理。
[0119]
在步骤a2中，将训练后的风险识别模型部署于第二用户的终端设备中。
[0120]
其中，第二用户可以是任意用户，本实施例中，第二用户可以是需要部署训练后的风险识别模型的用户，终端设备可以如手机、平板电脑等移动终端设备，还可以如笔记本电脑或台式电脑等计算机设备，或者，也可以为iot设备(具体如智能手表、车载设备等)等。
[0121]
在步骤a4中，当到达预设的更新周期时，获取训练后的风险识别模型对应的更新支撑集，更新支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据。
[0122]
其中，更新周期可以包括多种，例如，更新周期可以为24小时或7天等，具体可以根据实际情况设定，本说明书实施例对此不做限定。
[0123]
在步骤a6中，将更新支撑集提供给终端设备，更新支撑集用于触发终端设备更新训练后的风险识别模型对应的支撑集。
[0124]
在实施中，当出现新的事件类别或某事件类别的特征发生变化时，可以获取新的事件类别和新的事件类别对应的更新支撑集，或者，获取特征发生变化的事件类别和该事件类别对应的更新支撑集，可以将更新支撑集提供给终端设备，终端设备可以使用更新支撑集更新训练后的风险识别模型当前的支撑集，此外，终端设备还可以通过上述计算方式重新计算类别中心，并可以使用重新计算的类别中心进行风险防控处理。
[0125]
本说明书实施例提供一种模型的处理方法，通过获取应用于元学习的样本数据，样本数据中包括对应事件的特征、样本标签信息、对应事件所属的业务场景和支撑集，支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据，基于样本数据、支撑集中不同事件类别的支撑样本数据对应的注意力权重和支撑集中不同事件类别包含的支撑样本数据的数量，确定支撑集中不同事件类别对应的类别中心，基于支撑集中不同事件类别对应的类别中心、样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，该优化目标函数基于经验风险最小化学习策略和该样本数据对应的概率分布的分布鲁棒优化策略构建，这样，针对风控领域的资金风险识别，采用了prototypical networks结构进行优化，并引入了注意力机制确定相应的类别中心，不仅能够更贴近资金风险识别的实际数据分布，而且能够适配资金风险识别的特性，从而能够更好的适配风控领域中的资金风险识别，提高风险识别的准确率，此外，通过经验风险最小化学习策略和该样本数据对应的概率分布的分布鲁棒优化策略构建优化目标函数，可以充分考虑各种可能的概率分布，并寻找一个较优的决策方案，从而提高资金风险识别过程中的域泛化能力，而且，针对于支付风控场景，涵盖盗用、欺诈、非法金融交易在内的资金风险而言，给出了上述模型的定义与准备流程，在上述框架下产出的多任务模型，可以提高跨域复用时的泛化性domain generalization，对各风险任务均有效果上的提升。
[0126]
实施例三
[0127]
如图4a和图4b所示，本说明书实施例提供一种风险防控的处理方法，该方法的执行主体可以为终端设备，其中的终端设备可以如手机、平板电脑等移动终端设备，还可以如笔记本电脑或台式电脑等计算机设备，或者，也可以为iot设备(具体如智能手表、车载设备等)等。相应的系统架构图可以如图4c所示。该方法具体可以包括以下步骤：
[0128]
在步骤s402中，接收服务器发送的训练后的风险识别模型，并确定训练后的风险识别模型对应的不同事件类别的类别中心，训练后的风险识别模型是基于应用于元学习的样本数据、样本数据中的支撑集中不同事件类别的支撑样本数据对应的注意力权重和支撑集中不同事件类别包含的支撑样本数据的数量，确定支撑集中不同事件类别对应的类别中心，基于支撑集中不同事件类别对应的类别中心、样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，该优化目标函数基于经验风险最小化学习策略和该样本数据对应的概率分布的分布鲁棒优化策略构建，该样本数据中包括对应事件的特征、样本标签信息、对应事件所属的业务场景和支撑集，支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据。
[0129]
其中，确定训练后的风险识别模型对应的不同事件类别的类别中心的具体处理可以通过上述公式进行计算得到，其它相关处理可以参见上述相关内容，在此不再赘述。
[0130]
在步骤s404中，获取第一用户在执行目标交易业务所产生的交易数据。
[0131]
在步骤s406中，获取上述交易数据对应事件的特征，并对交易数据对应事件的特
征进行编码处理，得到目标编码特征，基于目标编码特征，以及训练后的风险识别模型对应的不同事件类别的类别中心，确定该交易数据对应的事件类别。
[0132]
在步骤s408中，基于确定的事件类别，对第一用户执行的目标交易业务进行风险防控处理。
[0133]
上述步骤s404～步骤s408的具体处理可以参见前述相关内容，在此不再赘述。
[0134]
本说明书实施例提供一种风险防控的处理方法，通过接收服务器发送的训练后的风险识别模型，并确定训练后的风险识别模型对应的不同事件类别的类别中心，训练后的风险识别模型是基于应用于元学习的样本数据、样本数据中的支撑集中不同事件类别的支撑样本数据对应的注意力权重和支撑集中不同事件类别包含的支撑样本数据的数量，确定支撑集中不同事件类别对应的类别中心，基于支撑集中不同事件类别对应的类别中心、样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，该优化目标函数基于经验风险最小化学习策略和该样本数据对应的概率分布的分布鲁棒优化策略构建，该样本数据中包括对应事件的特征、样本标签信息、对应事件所属的业务场景和支撑集，支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据，获取第一用户在执行目标交易业务所产生的交易数据，获取上述交易数据对应事件的特征，并对交易数据对应事件的特征进行编码处理，得到目标编码特征，基于目标编码特征，以及训练后的风险识别模型对应的不同事件类别的类别中心，确定该交易数据对应的事件类别，基于确定的事件类别，对第一用户执行的目标交易业务进行风险防控处理，这样，针对风控领域的资金风险识别，采用了prototypical networks结构进行优化，并引入了注意力机制确定相应的类别中心，不仅能够更贴近资金风险识别的实际数据分布，而且能够适配资金风险识别的特性，从而能够更好的适配风控领域中的资金风险识别，提高风险识别的准确率，此外，通过经验风险最小化学习策略和该样本数据对应的概率分布的分布鲁棒优化策略构建优化目标函数，可以充分考虑各种可能的概率分布，并寻找一个较优的决策方案，从而提高资金风险识别过程中的域泛化能力，而且，针对于支付风控场景，涵盖盗用、欺诈、非法金融交易在内的资金风险而言，给出了上述模型的定义与准备流程，在上述框架下产出的多任务模型，可以提高跨域复用时的泛化性domain generalization，对各风险任务均有效果上的提升。
[0135]
实施例四
[0136]
如图5所示，本说明书实施例提供一种风险防控的处理方法，该方法的执行主体可以为终端设备，其中的终端设备可以如手机、平板电脑等移动终端设备，还可以如笔记本电脑或台式电脑等计算机设备，或者，也可以为iot设备(具体如智能手表、车载设备等)等。该方法具体可以包括以下步骤：
[0137]
在步骤s502中，接收服务器发送的训练后的风险识别模型，并确定训练后的风险识别模型对应的不同事件类别的类别中心，训练后的风险识别模型是基于应用于元学习的样本数据、样本数据中的支撑集中不同事件类别的支撑样本数据对应的注意力权重和支撑集中不同事件类别包含的支撑样本数据的数量，确定支撑集中不同事件类别对应的类别中心，基于支撑集中不同事件类别对应的类别中心、样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，该优化目标函数基于经验风险最小化学习策略和该样本数据对应的概率分布的分布鲁棒优化策略构建，该样本数据中包括对
应事件的特征、样本标签信息、对应事件所属的业务场景和支撑集，支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据。
[0138]
其中，确定训练后的风险识别模型对应的不同事件类别的类别中心的具体处理可以通过上述公式进行计算得到，其它相关处理可以参见上述相关内容，在此不再赘述。
[0139]
在步骤s504中，获取在执行目标交易业务所产生的交易数据。
[0140]
在步骤s506中，获取上述交易数据对应事件的特征，并对交易数据对应事件的特征进行编码处理，得到目标编码特征，基于目标编码特征，以及训练后的风险识别模型对应的不同事件类别的类别中心，确定该交易数据对应的事件类别。
[0141]
在步骤s508中，基于确定的事件类别，对第一用户执行的目标交易业务进行风险防控处理。
[0142]
上述步骤s504～步骤s508的具体处理可以参见前述相关内容，在此不再赘述。
[0143]
在步骤s510中，当到达预设的更新周期时，从服务器获取训练后的风险识别模型对应的更新支撑集，更新支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据。
[0144]
在步骤s512中，基于更新支撑集更新训练后的风险识别模型对应的支撑集。
[0145]
在实施中，终端设备可以使用更新支撑集更新训练后的风险识别模型当前的支撑集，此外，终端设备还可以通过上述计算方式重新计算类别中心，并可以使用重新计算的类别中心进行风险防控处理，即执行步骤s504～步骤s508的处理。
[0146]
本说明书实施例提供一种风险防控的处理方法，通过接收服务器发送的训练后的风险识别模型，并确定训练后的风险识别模型对应的不同事件类别的类别中心，训练后的风险识别模型是基于应用于元学习的样本数据、样本数据中的支撑集中不同事件类别的支撑样本数据对应的注意力权重和支撑集中不同事件类别包含的支撑样本数据的数量，确定支撑集中不同事件类别对应的类别中心，基于支撑集中不同事件类别对应的类别中心、样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，该优化目标函数基于经验风险最小化学习策略和该样本数据对应的概率分布的分布鲁棒优化策略构建，该样本数据中包括对应事件的特征、样本标签信息、对应事件所属的业务场景和支撑集，支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据，获取第一用户在执行目标交易业务所产生的交易数据，获取上述交易数据对应事件的特征，并对交易数据对应事件的特征进行编码处理，得到目标编码特征，基于目标编码特征，以及训练后的风险识别模型对应的不同事件类别的类别中心，确定该交易数据对应的事件类别，基于确定的事件类别，对第一用户执行的目标交易业务进行风险防控处理，这样，针对风控领域的资金风险识别，采用了prototypical networks结构进行优化，并引入了注意力机制确定相应的类别中心，不仅能够更贴近资金风险识别的实际数据分布，而且能够适配资金风险识别的特性，从而能够更好的适配风控领域中的资金风险识别，提高风险识别的准确率，此外，通过经验风险最小化学习策略和该样本数据对应的概率分布的分布鲁棒优化策略构建优化目标函数，可以充分考虑各种可能的概率分布，并寻找一个较优的决策方案，从而提高资金风险识别过程中的域泛化能力，而且，针对于支付风控场景，涵盖盗用、欺诈、非法金融交易在内的资金风险而言，给出了上述模型的定义与准备流程，在上述框架下产出的多任务模型，可以提高跨域复用时的泛化性domain generalization，对
各风险任务均有效果上的提升。
[0147]
实施例五
[0148]
如图6所示，本说明书实施例提供一种模型的处理方法，该方法的执行主体可以为终端设备或服务器等，其中的终端设备可以如手机、平板电脑等移动终端设备，还可以如笔记本电脑或台式电脑等计算机设备，或者，也可以为iot设备(具体如智能手表、车载设备等)等，其中的服务器可以是独立的一个服务器，还可以是由多个服务器构成的服务器集群等，该服务器可以是如金融业务或网络购物业务等的后台服务器，也可以是某应用程序的后台服务器等。本实施例中以执行主体为服务器为例进行详细说明，对于执行主体为终端设备的情况，可以参见下述服务器的情况处理，在此不再赘述。该方法具体可以包括以下步骤：
[0149]
在步骤s602中，获取用于训练目标交易业务的风险识别模型的样本数据，该样本数据包括多个不同场景的样本数据。
[0150]
其中，本说明书实施例中的风险识别模型可以通过多种不同的方式构建，例如，可以通过神经网络模型构建，或者，可以通过指定的分类算法构建等，具体可以根据实际情况设定，本说明书实施例对此不做限定。
[0151]
在步骤s604中，基于上述样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，该优化目标函数基于经验风险最小化学习策略和该样本数据对应的概率分布的分布鲁棒优化策略构建。
[0152]
上述步骤s604的具体处理过程可以参见前述相关内容，在此不再赘述。
[0153]
本说明书实施例提供一种模型的处理方法，通过获取用于训练目标交易业务的风险识别模型的样本数据，基于上述样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，该优化目标函数基于经验风险最小化学习策略和该样本数据对应的概率分布的分布鲁棒优化策略构建，该样本数据包括多个不同场景的样本数据，这样，通过经验风险最小化学习策略和该样本数据对应的概率分布的分布鲁棒优化策略构建优化目标函数，可以充分考虑各种可能的概率分布，并寻找一个较优的决策方案，从而提高资金风险识别过程中的域泛化能力，而且，针对于支付风控场景，涵盖盗用、欺诈、非法金融交易在内的资金风险而言，给出了上述模型的定义与准备流程，在上述框架下产出的多任务模型，可以提高跨域复用时的泛化性domain generalization，对各风险任务均有效果上的提升。
[0154]
实施例六
[0155]
如图7所示，本说明书实施例提供一种模型的处理方法，该方法的执行主体可以为终端设备或服务器等，其中的终端设备可以如手机、平板电脑等移动终端设备，还可以如笔记本电脑或台式电脑等计算机设备，或者，也可以为iot设备(具体如智能手表、车载设备等)等，其中的服务器可以是独立的一个服务器，还可以是由多个服务器构成的服务器集群等，该服务器可以是如金融业务或网络购物业务等的后台服务器，也可以是某应用程序的后台服务器等。本实施例中以执行主体为服务器为例进行详细说明，对于执行主体为终端设备的情况，可以参见下述服务器的情况处理，在此不再赘述。该方法具体可以包括以下步骤：
[0156]
在步骤s702中，获取用于训练目标交易业务的风险识别模型的样本数据，该样本
数据包括多个不同场景的样本数据。
[0157]
其中，本说明书实施例中的风险识别模型可以通过多种不同的方式构建，例如，可以通过神经网络模型构建，或者，可以通过指定的分类算法构建等，具体可以根据实际情况设定，本说明书实施例对此不做限定。样本数据对应的事件类别可以包括一种或多种，该事件类别包括可信类、盗用类、欺诈类、非法金融活动类中的一种或多种。
[0158]
在步骤s704中，基于上述样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，该优化目标函数是由经验风险最小化下所述风险识别模型的模型参数对应的第一子函数和所述分布鲁棒优化策略对应的分布鲁棒优化所要求的损失函数的上界之和构建的函数。
[0159]
上述步骤s704的具体处理过程可以参见前述相关内容，在此不再赘述。
[0160]
通过上述方式训练相应的模型后，可以部署和应用该模型，该模型可以部署于服务器侧，也可以部署于终端设备侧，对于部署在服务器侧的情况，具体可以参见下述步骤s706～步骤s712的处理。
[0161]
在步骤s706中，获取第一用户执行目标交易业务所产生的交易数据。
[0162]
在步骤s708中，获取上述交易数据对应事件的特征，并对该交易数据对应事件的特征进行编码处理，得到目标编码特征。
[0163]
在步骤s710中，基于目标编码特征，以及训练后的风险识别模型对应的不同事件类别的类别中心，确定上述交易数据对应的事件类别。
[0164]
在实际应用中，上述类别中心可以是由第一用户的终端设备经过计算后得到的，并将其发送给服务器的信息，具体可以参见下述内容：接收第一用户的终端设备发送的训练后的风险识别模型对应的不同事件类别的类别中心。
[0165]
在步骤s712中，基于确定的事件类别，对第一用户执行的目标交易业务进行风险防控处理。
[0166]
上述步骤s706～步骤s712的具体处理过程可以参见前述相关内容，在此不再赘述。
[0167]
此外，服务器也可以将训练后的风险识别模型部署于指定的终端设备中，以便终端设备应用该风险识别模型，具体可以参见下述步骤b2～步骤b6的处理。
[0168]
在步骤b2中，将训练后的风险识别模型部署于第二用户的终端设备中。
[0169]
在步骤b4中，当到达预设的更新周期时，获取训练后的风险识别模型对应的更新支撑集，更新支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据。
[0170]
在步骤b6中，将更新支撑集提供给终端设备，更新支撑集用于触发终端设备更新训练后的风险识别模型对应的支撑集。
[0171]
上述各步骤的具体处理过程可以参见前述相关内容，在此不再赘述。
[0172]
需要说明的是，上述步骤s706～步骤s712的具体处理也可以在终端设备侧执行，即终端设备接收服务器发送的上述训练后的风险识别模型，然后，终端设备可以执行如上述实施例中步骤s404～步骤s408或步骤s504～步骤s512的处理，在此不再赘述。
[0173]
本说明书实施例提供一种模型的处理方法，通过获取用于训练目标交易业务的风险识别模型的样本数据，基于上述样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，该优化目标函数基于经验风险最小化学习策略和该
样本数据对应的概率分布的分布鲁棒优化策略构建，该样本数据包括多个不同场景的样本数据，这样，通过经验风险最小化学习策略和该样本数据对应的概率分布的分布鲁棒优化策略构建优化目标函数，可以充分考虑各种可能的概率分布，并寻找一个较优的决策方案，从而提高资金风险识别过程中的域泛化能力，而且，针对于支付风控场景，涵盖盗用、欺诈、非法金融交易在内的资金风险而言，给出了上述模型的定义与准备流程，在上述框架下产出的多任务模型，可以提高跨域复用时的泛化性domain generalization，对各风险任务均有效果上的提升。
[0174]
实施例七
[0175]
以上为本说明书实施例提供的模型的处理方法，基于同样的思路，本说明书实施例还提供一种模型的处理装置，如图8所示。
[0176]
该模型的处理装置包括：样本获取模块801、类别中心确定模块802和训练模块803，其中：
[0177]
样本获取模块801，获取应用于元学习的样本数据，所述样本数据中包括对应事件的特征、样本标签信息、对应事件所属的业务场景和支撑集，所述支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据；
[0178]
类别中心确定模块802，基于所述样本数据、所述支撑集中不同事件类别的支撑样本数据对应的注意力权重和所述支撑集中不同事件类别包含的支撑样本数据的数量，确定所述支撑集中不同事件类别对应的类别中心；
[0179]
训练模块803，基于所述支撑集中不同事件类别对应的类别中心、所述样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，所述优化目标函数基于经验风险最小化学习策略和所述样本数据对应的概率分布的分布鲁棒优化策略构建。
[0180]
本说明书实施例中，所述优化目标函数是由经验风险最小化下所述风险识别模型的模型参数对应的第一子函数和所述分布鲁棒优化策略对应的分布鲁棒优化所要求的损失函数的上界之和构建的函数。
[0181]
本说明书实施例中，所述类别中心确定模块802，包括：
[0182]
编码单元，对所述样本数据中的所述支撑集中的每个事件类别对应的支撑样本数据进行编码处理，得到每个支撑样本数据对应的编码特征；
[0183]
类别中心确定单元，基于每个支撑样本数据对应的编码特征、所述支撑集中不同事件类别的支撑样本数据对应的预设注意力权重和所述支撑集中不同事件类别包含的支撑样本数据的数量，确定所述支撑集中不同事件类别对应的类别中心。
[0184]
本说明书实施例中，所述注意力权重是基于所述样本数据、所述支撑集中不同事件类别对应的特征的均值，并通过前馈神经网络和预设的激活函数，以及所述支撑集中不同事件类别包含的支撑样本数据的数量确定的权重。
[0185]
本说明书实施例中，所述事件类别包括可信类、盗用类、欺诈类、非法金融活动类中的一种或多种。
[0186]
本说明书实施例中，所述装置还包括：
[0187]
交易数据获取模块，获取第一用户执行目标交易业务所产生的交易数据；
[0188]
编码模块，获取所述交易数据对应事件的特征，并对所述交易数据对应事件的特
征进行编码处理，得到目标编码特征；
[0189]
类别确定模块，基于所述目标编码特征，以及所述训练后的风险识别模型对应的不同事件类别的类别中心，确定所述交易数据对应的事件类别；
[0190]
风险防控模块，基于确定的事件类别，对所述第一用户执行的目标交易业务进行风险防控处理。
[0191]
本说明书实施例中，所述装置还包括：
[0192]
类别中心接收模块，接收所述第一用户的终端设备发送的所述训练后的风险识别模型对应的不同事件类别的类别中心。
[0193]
本说明书实施例中，所述装置还包括：
[0194]
部署模块，将所述训练后的风险识别模型部署于第二用户的终端设备中；
[0195]
数据获取模块，当到达预设的更新周期时，获取所述训练后的风险识别模型对应的更新支撑集，所述更新支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据；
[0196]
更新模块，将所述更新支撑集提供给所述终端设备，所述更新支撑集用于触发所述终端设备更新所述训练后的风险识别模型对应的支撑集。
[0197]
本说明书实施例提供一种模型的处理装置，通过获取应用于元学习的样本数据，样本数据中包括对应事件的特征、样本标签信息、对应事件所属的业务场景和支撑集，支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据，基于样本数据、支撑集中不同事件类别的支撑样本数据对应的注意力权重和支撑集中不同事件类别包含的支撑样本数据的数量，确定支撑集中不同事件类别对应的类别中心，基于支撑集中不同事件类别对应的类别中心、样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，该优化目标函数基于经验风险最小化学习策略和该样本数据对应的概率分布的分布鲁棒优化策略构建，这样，针对风控领域的资金风险识别，采用了prototypical networks结构进行优化，并引入了注意力机制确定相应的类别中心，不仅能够更贴近资金风险识别的实际数据分布，而且能够适配资金风险识别的特性，从而能够更好的适配风控领域中的资金风险识别，提高风险识别的准确率，此外，通过经验风险最小化学习策略和该样本数据对应的概率分布的分布鲁棒优化策略构建优化目标函数，可以充分考虑各种可能的概率分布，并寻找一个较优的决策方案，从而提高资金风险识别过程中的域泛化能力，而且，针对于支付风控场景，涵盖盗用、欺诈、非法金融交易在内的资金风险而言，给出了上述模型的定义与准备流程，在上述框架下产出的多任务模型，可以提高跨域复用时的泛化性domain generalization，对各风险任务均有效果上的提升。
[0198]
实施例八
[0199]
基于同样的思路，本说明书实施例还提供一种模型的处理装置，如图9所示。
[0200]
该模型的处理装置包括：样本获取模块901和模型训练模块902，其中：
[0201]
样本获取模块901，获取用于训练目标交易业务的风险识别模型的样本数据，所述样本数据包括多个不同场景的样本数据；
[0202]
模型训练模块902，基于所述样本数据和预设的优化目标函数对所述风险识别模型进行模型训练，得到训练后的风险识别模型，所述优化目标函数基于经验风险最小化学习策略和所述样本数据对应的概率分布的分布鲁棒优化策略构建。
[0203]
本说明书实施例中，所述优化目标函数是由经验风险最小化下所述风险识别模型的模型参数对应的第一子函数和所述分布鲁棒优化策略对应的分布鲁棒优化所要求的损失函数的上界之和构建的函数。
[0204]
本说明书实施例中，所述样本数据对应的事件类别包括一种或多种，所述事件类别包括可信类、盗用类、欺诈类、非法金融活动类中的一种或多种。
[0205]
本说明书实施例中，所述装置还包括：
[0206]
交易数据获取模块，获取第一用户执行目标交易业务所产生的交易数据；
[0207]
编码模块，获取所述交易数据对应事件的特征，并对所述交易数据对应事件的特征进行编码处理，得到目标编码特征；
[0208]
类别确定模块，基于所述目标编码特征，以及所述训练后的风险识别模型对应的不同事件类别的类别中心，确定所述交易数据对应的事件类别；
[0209]
风险防控模块，基于确定的事件类别，对所述第一用户执行的目标交易业务进行风险防控处理。
[0210]
本说明书实施例中，所述装置还包括：
[0211]
类别中心接收模块，接收所述第一用户的终端设备发送的所述训练后的风险识别模型对应的不同事件类别的类别中心。
[0212]
本说明书实施例中，所述装置还包括：
[0213]
部署模块，将所述训练后的风险识别模型部署于第二用户的终端设备中；
[0214]
数据获取模块，当到达预设的更新周期时，获取所述训练后的风险识别模型对应的更新支撑集，所述更新支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据；
[0215]
更新模块，将所述更新支撑集提供给所述终端设备，所述更新支撑集用于触发所述终端设备更新所述训练后的风险识别模型对应的支撑集。
[0216]
本说明书实施例提供一种模型的处理装置，通过获取用于训练目标交易业务的风险识别模型的样本数据，基于上述样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，该优化目标函数基于经验风险最小化学习策略和该样本数据对应的概率分布的分布鲁棒优化策略构建，该样本数据包括多个不同场景的样本数据，这样，通过经验风险最小化学习策略和该样本数据对应的概率分布的分布鲁棒优化策略构建优化目标函数，可以充分考虑各种可能的概率分布，并寻找一个较优的决策方案，从而提高资金风险识别过程中的域泛化能力，而且，针对于支付风控场景，涵盖盗用、欺诈、非法金融交易在内的资金风险而言，给出了上述模型的定义与准备流程，在上述框架下产出的多任务模型，可以提高跨域复用时的泛化性domain generalization，对各风险任务均有效果上的提升。
[0217]
实施例九
[0218]
基于同样的思路，本说明书实施例还提供一种风险防控的处理装置，如图10所示。
[0219]
该风险防控的处理装置包括：模型部署模块1001、数据获取模块1002、类别确定模块1003和风险防控模块1004，其中：
[0220]
模型部署模块1001，接收服务器发送的训练后的风险识别模型，并确定训练后的风险识别模型对应的不同事件类别的类别中心，训练后的风险识别模型是基于应用于元学
习的样本数据、样本数据中的支撑集中不同事件类别的支撑样本数据对应的注意力权重和支撑集中不同事件类别包含的支撑样本数据的数量，确定支撑集中不同事件类别对应的类别中心，基于支撑集中不同事件类别对应的类别中心、样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，该优化目标函数基于经验风险最小化学习策略和该样本数据对应的概率分布的分布鲁棒优化策略构建，该样本数据中包括对应事件的特征、样本标签信息、对应事件所属的业务场景和支撑集，支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据；
[0221]
数据获取模块1002，获取第一用户在执行目标交易业务所产生的交易数据；
[0222]
类别确定模块1003，获取上述交易数据对应事件的特征，并对交易数据对应事件的特征进行编码处理，得到目标编码特征，基于目标编码特征，以及训练后的风险识别模型对应的不同事件类别的类别中心，确定该交易数据对应的事件类别；
[0223]
风险防控模块1004，基于确定的事件类别，对第一用户执行的目标交易业务进行风险防控处理。
[0224]
本说明书实施例中，所述装置还包括：
[0225]
更新集获取模块，当到达预设的更新周期时，从所述服务器获取所述训练后的风险识别模型对应的更新支撑集，所述更新支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据；
[0226]
更新模块，基于所述更新支撑集更新所述训练后的风险识别模型对应的支撑集。
[0227]
本说明书实施例提供一种风险防控的处理装置，通过接收服务器发送的训练后的风险识别模型，并确定训练后的风险识别模型对应的不同事件类别的类别中心，训练后的风险识别模型是基于应用于元学习的样本数据、样本数据中的支撑集中不同事件类别的支撑样本数据对应的注意力权重和支撑集中不同事件类别包含的支撑样本数据的数量，确定支撑集中不同事件类别对应的类别中心，基于支撑集中不同事件类别对应的类别中心、样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，该优化目标函数基于经验风险最小化学习策略和该样本数据对应的概率分布的分布鲁棒优化策略构建，该样本数据中包括对应事件的特征、样本标签信息、对应事件所属的业务场景和支撑集，支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据，获取第一用户在执行目标交易业务所产生的交易数据，获取上述交易数据对应事件的特征，并对交易数据对应事件的特征进行编码处理，得到目标编码特征，基于目标编码特征，以及训练后的风险识别模型对应的不同事件类别的类别中心，确定该交易数据对应的事件类别，基于确定的事件类别，对第一用户执行的目标交易业务进行风险防控处理，这样，针对风控领域的资金风险识别，采用了prototypical networks结构进行优化，并引入了注意力机制确定相应的类别中心，不仅能够更贴近资金风险识别的实际数据分布，而且能够适配资金风险识别的特性，从而能够更好的适配风控领域中的资金风险识别，提高风险识别的准确率，此外，通过经验风险最小化学习策略和该样本数据对应的概率分布的分布鲁棒优化策略构建优化目标函数，可以充分考虑各种可能的概率分布，并寻找一个较优的决策方案，从而提高资金风险识别过程中的域泛化能力，而且，针对于支付风控场景，涵盖盗用、欺诈、非法金融交易在内的资金风险而言，给出了上述模型的定义与准备流程，在上述框架下产出的多任务模型，可以提高跨域复用时的泛化性domain generalization，对
各风险任务均有效果上的提升。
[0228]
实施例十
[0229]
以上为本说明书实施例提供的风险防控的处理装置，基于同样的思路，本说明书实施例还提供一种模型的处理设备，如图11所示。
[0230]
所述模型的处理设备可以为上述实施例提供终端设备或服务器等。
[0231]
模型的处理设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器1101和存储器1102，存储器1102中可以存储有一个或一个以上存储应用程序或数据。其中，存储器1102可以是短暂存储或持久存储。存储在存储器1102的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对模型的处理设备中的一系列计算机可执行指令。更进一步地，处理器1101可以设置为与存储器1102通信，在模型的处理设备上执行存储器1102中的一系列计算机可执行指令。模型的处理设备还可以包括一个或一个以上电源1103，一个或一个以上有线或无线网络接口1104，一个或一个以上输入输出接口1105，一个或一个以上键盘1106。
[0232]
具体在本实施例中，模型的处理设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对模型的处理设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：
[0233]
获取应用于元学习的样本数据，所述样本数据中包括对应事件的特征、样本标签信息、对应事件所属的业务场景和支撑集，所述支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据；
[0234]
基于所述样本数据、所述支撑集中不同事件类别的支撑样本数据对应的注意力权重和所述支撑集中不同事件类别包含的支撑样本数据的数量，确定所述支撑集中不同事件类别对应的类别中心；
[0235]
基于所述支撑集中不同事件类别对应的类别中心、所述样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，所述优化目标函数基于经验风险最小化学习策略和所述样本数据对应的概率分布的分布鲁棒优化策略构建。
[0236]
此外，具体在本实施例中，模型的处理设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对模型的处理设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：
[0237]
获取用于训练目标交易业务的风险识别模型的样本数据，所述样本数据包括多个不同场景的样本数据；
[0238]
基于所述样本数据和预设的优化目标函数对所述风险识别模型进行模型训练，得到训练后的风险识别模型，所述优化目标函数基于经验风险最小化学习策略和所述样本数据对应的概率分布的分布鲁棒优化策略构建。
[0239]
此外，具体在本实施例中，模型的处理设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一
个或一个以上模块，且每个模块可以包括对模型的处理设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：
[0240]
接收服务器发送的训练后的风险识别模型，并确定训练后的风险识别模型对应的不同事件类别的类别中心，训练后的风险识别模型是基于应用于元学习的样本数据、样本数据中的支撑集中不同事件类别的支撑样本数据对应的注意力权重和支撑集中不同事件类别包含的支撑样本数据的数量，确定支撑集中不同事件类别对应的类别中心，基于支撑集中不同事件类别对应的类别中心、样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，该优化目标函数基于经验风险最小化学习策略和该样本数据对应的概率分布的分布鲁棒优化策略构建，该样本数据中包括对应事件的特征、样本标签信息、对应事件所属的业务场景和支撑集，支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据；
[0241]
获取第一用户在执行目标交易业务所产生的交易数据；
[0242]
获取上述交易数据对应事件的特征，并对交易数据对应事件的特征进行编码处理，得到目标编码特征，基于目标编码特征，以及训练后的风险识别模型对应的不同事件类别的类别中心，确定该交易数据对应的事件类别；
[0243]
基于确定的事件类别，对第一用户执行的目标交易业务进行风险防控处理。
[0244]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于模型的处理设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0245]
本说明书实施例提供一种模型的处理设备，通过获取应用于元学习的样本数据，样本数据中包括对应事件的特征、样本标签信息、对应事件所属的业务场景和支撑集，支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据，基于样本数据、支撑集中不同事件类别的支撑样本数据对应的注意力权重和支撑集中不同事件类别包含的支撑样本数据的数量，确定支撑集中不同事件类别对应的类别中心，基于支撑集中不同事件类别对应的类别中心、样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，该优化目标函数基于经验风险最小化学习策略和该样本数据对应的概率分布的分布鲁棒优化策略构建，这样，针对风控领域的资金风险识别，采用了prototypical networks结构进行优化，并引入了注意力机制确定相应的类别中心，不仅能够更贴近资金风险识别的实际数据分布，而且能够适配资金风险识别的特性，从而能够更好的适配风控领域中的资金风险识别，提高风险识别的准确率，此外，通过经验风险最小化学习策略和该样本数据对应的概率分布的分布鲁棒优化策略构建优化目标函数，可以充分考虑各种可能的概率分布，并寻找一个较优的决策方案，从而提高资金风险识别过程中的域泛化能力，而且，针对于支付风控场景，涵盖盗用、欺诈、非法金融交易在内的资金风险而言，给出了上述模型的定义与准备流程，在上述框架下产出的多任务模型，可以提高跨域复用时的泛化性domain generalization，对各风险任务均有效果上的提升。
[0246]
实施例十一
[0247]
进一步地，基于上述图1到图7所示的方法，本说明书一个或多个实施例还提供了
一种存储介质，用于存储计算机可执行指令信息，一种具体的实施例中，该存储介质可以为u盘、光盘、硬盘等，该存储介质存储的计算机可执行指令信息在被处理器执行时，能实现以下流程：
[0248]
获取应用于元学习的样本数据，所述样本数据中包括对应事件的特征、样本标签信息、对应事件所属的业务场景和支撑集，所述支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据；
[0249]
基于所述样本数据、所述支撑集中不同事件类别的支撑样本数据对应的注意力权重和所述支撑集中不同事件类别包含的支撑样本数据的数量，确定所述支撑集中不同事件类别对应的类别中心；
[0250]
基于所述支撑集中不同事件类别对应的类别中心、所述样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，所述优化目标函数基于经验风险最小化学习策略和所述样本数据对应的概率分布的分布鲁棒优化策略构建。
[0251]
此外，在另一种具体的实施例中，该存储介质可以为u盘、光盘、硬盘等，该存储介质存储的计算机可执行指令信息在被处理器执行时，能实现以下流程：
[0252]
获取用于训练目标交易业务的风险识别模型的样本数据，所述样本数据包括多个不同场景的样本数据；
[0253]
基于所述样本数据和预设的优化目标函数对所述风险识别模型进行模型训练，得到训练后的风险识别模型，所述优化目标函数基于经验风险最小化学习策略和所述样本数据对应的概率分布的分布鲁棒优化策略构建。
[0254]
此外，在另一种具体的实施例中，该存储介质可以为u盘、光盘、硬盘等，该存储介质存储的计算机可执行指令信息在被处理器执行时，能实现以下流程：
[0255]
接收服务器发送的训练后的风险识别模型，并确定训练后的风险识别模型对应的不同事件类别的类别中心，训练后的风险识别模型是基于应用于元学习的样本数据、样本数据中的支撑集中不同事件类别的支撑样本数据对应的注意力权重和支撑集中不同事件类别包含的支撑样本数据的数量，确定支撑集中不同事件类别对应的类别中心，基于支撑集中不同事件类别对应的类别中心、样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，该优化目标函数基于经验风险最小化学习策略和该样本数据对应的概率分布的分布鲁棒优化策略构建，该样本数据中包括对应事件的特征、样本标签信息、对应事件所属的业务场景和支撑集，支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据；
[0256]
获取第一用户在执行目标交易业务所产生的交易数据；
[0257]
获取上述交易数据对应事件的特征，并对交易数据对应事件的特征进行编码处理，得到目标编码特征，基于目标编码特征，以及训练后的风险识别模型对应的不同事件类别的类别中心，确定该交易数据对应的事件类别；
[0258]
基于确定的事件类别，对第一用户执行的目标交易业务进行风险防控处理。
[0259]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于上述一种存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0260]
本说明书实施例提供一种存储介质，通过获取应用于元学习的样本数据，样本数据中包括对应事件的特征、样本标签信息、对应事件所属的业务场景和支撑集，支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据，基于样本数据、支撑集中不同事件类别的支撑样本数据对应的注意力权重和支撑集中不同事件类别包含的支撑样本数据的数量，确定支撑集中不同事件类别对应的类别中心，基于支撑集中不同事件类别对应的类别中心、样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，该优化目标函数基于经验风险最小化学习策略和该样本数据对应的概率分布的分布鲁棒优化策略构建，这样，针对风控领域的资金风险识别，采用了prototypical networks结构进行优化，并引入了注意力机制确定相应的类别中心，不仅能够更贴近资金风险识别的实际数据分布，而且能够适配资金风险识别的特性，从而能够更好的适配风控领域中的资金风险识别，提高风险识别的准确率，此外，通过经验风险最小化学习策略和该样本数据对应的概率分布的分布鲁棒优化策略构建优化目标函数，可以充分考虑各种可能的概率分布，并寻找一个较优的决策方案，从而提高资金风险识别过程中的域泛化能力，而且，针对于支付风控场景，涵盖盗用、欺诈、非法金融交易在内的资金风险而言，给出了上述模型的定义与准备流程，在上述框架下产出的多任务模型，可以提高跨域复用时的泛化性domain generalization，对各风险任务均有效果上的提升。
[0261]
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0262]
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(programmable logic device，pld)(例如现场可编程门阵列(field programmable gate array，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardware description language，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advanced boolean expression language)、ahdl(altera hardware description language)、confluence、cupl(cornell university programming language)、hdcal、jhdl(java hardware description language)、lava、lola、myhdl、palasm、rhdl(ruby hardware description language)等，目前最普遍使用的是vhdl(very-high-speed integrated circuit hardware description language)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，
就可以很容易得到实现该逻辑方法流程的硬件电路。
[0263]
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(application specific integrated circuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc 625d、atmel at91sam、microchip pic18f26k20以及silicone labs c8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
[0264]
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
[0265]
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
[0266]
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书一个或多个实施例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，本说明书一个或多个实施例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。
[0267]
本说明书的实施例是参照根据本说明书实施例的方法、设备(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欺诈案例的串并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欺诈案例的串并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。
[0268]
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欺诈案例的串并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。
[0269]
这些计算机程序指令也可装载到计算机或其他可编程欺诈案例的串并设备上，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。
[0270]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0271]
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
[0272]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0273]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0274]
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例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，本说明书一个或多个实施例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。
[0275]
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
[0276]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0277]
以上所述仅为本说明书的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

技术特征：
1.一种模型的处理方法，所述方法包括：获取应用于元学习的样本数据，所述样本数据中包括对应事件的特征、样本标签信息、对应事件所属的业务场景和支撑集，所述支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据；基于所述样本数据、所述支撑集中不同事件类别的支撑样本数据对应的注意力权重和所述支撑集中不同事件类别包含的支撑样本数据的数量，确定所述支撑集中不同事件类别对应的类别中心；基于所述支撑集中不同事件类别对应的类别中心、所述样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，所述优化目标函数基于经验风险最小化学习策略和所述样本数据对应的概率分布的分布鲁棒优化策略构建。2.根据权利要求1所述的方法，所述优化目标函数是由经验风险最小化下所述风险识别模型的模型参数对应的第一子函数和所述分布鲁棒优化策略对应的分布鲁棒优化所要求的损失函数的上界之和构建的函数。3.根据权利要求2所述的方法，所述基于所述样本数据、所述支撑集中不同事件类别的支撑样本数据对应的注意力权重和所述支撑集中不同事件类别包含的支撑样本数据的数量，确定所述支撑集中不同事件类别对应的类别中心，包括：对所述样本数据中的所述支撑集中的每个事件类别对应的支撑样本数据进行编码处理，得到每个支撑样本数据对应的编码特征；基于每个支撑样本数据对应的编码特征、所述支撑集中不同事件类别的支撑样本数据对应的预设注意力权重和所述支撑集中不同事件类别包含的支撑样本数据的数量，确定所述支撑集中不同事件类别对应的类别中心。4.根据权利要求3所述的方法，所述注意力权重是基于所述样本数据、所述支撑集中不同事件类别对应的特征的均值，并通过前馈神经网络和预设的激活函数，以及所述支撑集中不同事件类别包含的支撑样本数据的数量确定的权重。5.根据权利要求1-4中任一项所述的方法，所述事件类别包括可信类、盗用类、欺诈类、非法金融活动类中的一种或多种。6.根据权利要求5所述的方法，所述方法还包括：获取第一用户执行目标交易业务所产生的交易数据；获取所述交易数据对应事件的特征，并对所述交易数据对应事件的特征进行编码处理，得到目标编码特征；基于所述目标编码特征，以及所述训练后的风险识别模型对应的不同事件类别的类别中心，确定所述交易数据对应的事件类别；基于确定的事件类别，对所述第一用户执行的目标交易业务进行风险防控处理。7.根据权利要求6所述的方法，所述方法还包括：接收所述第一用户的终端设备发送的所述训练后的风险识别模型对应的不同事件类别的类别中心。8.根据权利要求1所述的方法，所述方法还包括：将所述训练后的风险识别模型部署于第二用户的终端设备中；当到达预设的更新周期时，获取所述训练后的风险识别模型对应的更新支撑集，所述
更新支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据；将所述更新支撑集提供给所述终端设备，所述更新支撑集用于触发所述终端设备更新所述训练后的风险识别模型对应的支撑集。9.一种模型的处理方法，所述方法包括：获取用于训练目标交易业务的风险识别模型的样本数据，所述样本数据包括多个不同场景的样本数据；基于所述样本数据和预设的优化目标函数对所述风险识别模型进行模型训练，得到训练后的风险识别模型，所述优化目标函数基于经验风险最小化学习策略和所述样本数据对应的概率分布的分布鲁棒优化策略构建。10.根据权利要求9所述的方法，所述优化目标函数是由经验风险最小化下所述风险识别模型的模型参数对应的第一子函数和所述分布鲁棒优化策略对应的分布鲁棒优化所要求的损失函数的上界之和构建的函数。11.根据权利要求9或10所述的方法，所述样本数据对应的事件类别包括一种或多种，所述事件类别包括可信类、盗用类、欺诈类、非法金融活动类中的一种或多种。12.一种模型的处理装置，所述装置包括：样本获取模块，获取应用于元学习的样本数据，所述样本数据中包括对应事件的特征、样本标签信息、对应事件所属的业务场景和支撑集，所述支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据；类别中心确定模块，基于所述样本数据、所述支撑集中不同事件类别的支撑样本数据对应的注意力权重和所述支撑集中不同事件类别包含的支撑样本数据的数量，确定所述支撑集中不同事件类别对应的类别中心；训练模块，基于所述支撑集中不同事件类别对应的类别中心、所述样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，所述优化目标函数基于经验风险最小化学习策略和所述样本数据对应的概率分布的分布鲁棒优化策略构建。13.一种模型的处理装置，所述装置包括：样本获取模块，获取用于训练目标交易业务的风险识别模型的样本数据，所述样本数据包括多个不同场景的样本数据；模型训练模块，基于所述样本数据和预设的优化目标函数对所述风险识别模型进行模型训练，得到训练后的风险识别模型，所述优化目标函数基于经验风险最小化学习策略和所述样本数据对应的概率分布的分布鲁棒优化策略构建。14.一种模型的处理设备，所述模型的处理设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：获取应用于元学习的样本数据，所述样本数据中包括对应事件的特征、样本标签信息、对应事件所属的业务场景和支撑集，所述支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据；基于所述样本数据、所述支撑集中不同事件类别的支撑样本数据对应的注意力权重和
所述支撑集中不同事件类别包含的支撑样本数据的数量，确定所述支撑集中不同事件类别对应的类别中心；基于所述支撑集中不同事件类别对应的类别中心、所述样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，所述优化目标函数基于经验风险最小化学习策略和所述样本数据对应的概率分布的分布鲁棒优化策略构建。15.一种模型的处理设备，所述模型的处理设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：获取用于训练目标交易业务的风险识别模型的样本数据，所述样本数据包括多个不同场景的样本数据；基于所述样本数据和预设的优化目标函数对所述风险识别模型进行模型训练，得到训练后的风险识别模型，所述优化目标函数基于经验风险最小化学习策略和所述样本数据对应的概率分布的分布鲁棒优化策略构建。

技术总结
本说明书实施例公开了一种模型的处理方法、装置及设备，该方法包括：获取应用于元学习的样本数据，该样本数据中包括对应事件的特征、样本标签信息、对应事件所属的业务场景和支撑集，支撑集中包括多个不同的事件类别，以及每个事件类别对应的支撑样本数据，然后，基于样本数据、支撑集中不同事件类别的支撑样本数据对应的注意力权重和不同事件类别包含的支撑样本数据的数量，确定不同事件类别对应的类别中心，最终，基于不同事件类别对应的类别中心、样本数据和预设的优化目标函数对风险识别模型进行模型训练，得到训练后的风险识别模型，优化目标函数基于经验风险最小化学习策略和样本数据对应的概率分布的分布鲁棒优化策略构建。略构建。略构建。


技术研发人员：周璟 刘京 金宏 王维强
受保护的技术使用者：支付宝（杭州）信息技术有限公司
技术研发日：2023.05.22
技术公布日：2023/8/13