[发明专利]基于自编码神经网络的电子业务风险识别方法和装置

权利要求书

1.一种基于自编码神经网络的电子业务风险识别方法，其特征在于，所述方法包括：

提取目标电子业务的原始特征信息，并确定所述原始特征信息的原始特征值；

将所述原始特征值作为入参输入已训练的自编码神经网络模型，经过所述自编码神经网络模型输出评估特征值；

根据所述评估特征值和所述原始特征值之间的误差确定所述电子业务的风险。

2.根据权利要求1所述的方法，其特征在于，所述自编码神经网络模型的训练过程包括：

在历史电子业务中确定训练样本和验证样本；

根据所述训练样本对原始自编码神经网络模型进行训练，其中，所述原始自编码神经网络模型的权重为预设的原始权重；

根据所述验证样本验证训练后的原始自编码神经网络模型是否收敛；

若所述训练后的原始自编码神经网络模型收敛，则将所述训练后的原始自编码神经网络模型确定为所述已训练的自编码神经网络模型。

3.根据权利要求2所述的方法，其特征在于，所述根据所述训练样本对原始自编码神经网络模型进行训练，包括：

将训练样本的训练特征值从输入层输入所述原始自编码神经网络模型，经过所述原始自编码神经网络模型输出训练评估值；

计算所述训练评估值和所述训练特征值的误差，作为训练误差；

将所述训练误差作为入参反向从输出层输入所述原始自编码神经网络模型，以更新所述原始自编码神经网络模型的权重。

4.根据权利要求2所述的方法，其特征在于，所述根据所述验证样本验证训练后的原始自编码神经网络模型是否收敛，包括：

将验证样本的验证特征值从输入层输入所述训练后的原始自编码神经网络模型，经过所述训练后的原始自编码神经网络模型输出验证评估值；

当所述验证评估值与所述验证特征值之间的误差稳定时，确定所述训练后的原始自编码神经网络模型收敛。

5.根据权利要求1所述的方法，其特征在于，所述根据所述评估特征值和所述原始特征值之间的误差确定所述电子业务的风险，包括：

根据公式计算所述评估特征值和所述原始特征值之间的误差，N表示特征数量，X_i是目标电子业务的第i个原始特征值，是第i个评估特征值，i为不大于N的自然数；

当所述评估特征值和所述原始特征值之间的误差大于预设阈值时，确定所述目标电子业务存在风险。

6.根据权利要求1所述的方法，其特征在于，

所述电子业务是电子支付业务。

7.一种基于自编码神经网络的电子业务风险识别装置，其特征在于，所述装置包括：

特征提取单元，提取目标电子业务的原始特征信息，并确定所述原始特征信息的原始特征值；

特征输入单元，将所述原始特征值作为入参输入已训练的自编码神经网络模型，经过所述自编码神经网络模型输出评估特征值；

风险确定单元，根据所述评估特征值和所述原始特征值之间的误差确定所述电子业务的风险。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：

样本确定单元，在历史电子业务中确定训练样本和验证样本；

模型训练单元，根据所述训练样本对原始自编码神经网络模型进行训练，其中，所述原始自编码神经网络模型的权重为预设的原始权重；

模型验证单元，根据所述验证样本验证训练后的原始自编码神经网络模型是否收敛；

模型确定单元，若所述训练后的原始自编码神经网络模型收敛，则将所述训练后的原始自编码神经网络模型确定为所述已训练的自编码神经网络模型。

9.根据权利要求8所述的装置，其特征在于，

所述模型训练单元，将训练样本的训练特征值从输入层输入所述原始自编码神经网络模型，经过所述原始自编码神经网络模型输出训练评估值；计算所述训练评估值和所述训练特征值的误差，作为训练误差；将所述训练误差作为入参反向从输出层输入所述原始自编码神经网络模型，以更新所述原始自编码神经网络模型的权重。