[发明专利]基于迁移学习的电子商务欺诈检测方法、装置及存储介质

权利要求书

1.一种基于迁移学习的电子商务欺诈检测方法，应用于电子装置，其特征在于，所述方法包括：

获取训练样本数据，并基于所述训练样本数据预训练初级风控模型；

获取待检测的目标样本数据，并基于所述目标样本数据微调所述预训练得到的初级风控模型，形成对应的目标风控模型；

将所述目标样本数据输入所述目标风控模型进行检测，获取所述目标样本数据的欺诈概率。

2.根据权利要求1所述的基于迁移学习的电子商务欺诈检测方法，其特征在于，所述基于所述目标样本数据微调所述初级风控模型，形成对应的目标风控模型的步骤包括：

通过枚举确定所述预训练得到的初级风控模型的神经网络模型最后一层的学习率，并基于所述最后一层的学习率确定所述神经网络模型各层的学习率；

根据所述初级风控模型的各层的学习率确定所述初级风控模型的梯度下降参数；

根据所述梯度下降参数获取所述初级风控模型的神经网络各层与层之间连接的权重参数，以形成所述目标风控模型。

3.根据权利要求2所述的基于迁移学习的电子商务欺诈检测方法，其特征在于，所述通过枚举确定所述初级风控模型的神经网络模型最后一层的学习率，并基于所述最后一层的学习率确定所述神经网络模型各层的学习率的步骤包括：

将所述神经网络模型的参数θ拆分为{θ¹，…θ^l…，θ^L}，其中θ^l表示所述神经网络模型第l层的参数，L表示所述神经网络模型的总层数；

用{η¹，…η^l…，η^L}分别表示所述神经网络模型的各层参数的学习率；

通过枚举确定神经网络模型最后一层参数的学习率η^L，进而根据η^L确定{η¹，…η^l…，η^L}的各值；其中，

所述神经网络各层参数的学习率之间的关系满足η^l-1＝η^l/5.2。

4.根据权利要求2所述的基于迁移学习的电子商务欺诈检测方法，其特征在于，所述根据所述初级风控模型的各层的学习率确定所述初级风控模型的梯度下降参数的步骤包括：

所述初级风控模型的梯度下降参数的获取公式为：

其中，θ表示所述神经网络模型的参数，l为所述神经网络模型的当前层数，t为当前迭代次数，θ^l表示所述神经网络模型第l层的参数，η表示学习率，表示所述神经网络模型的目标函数的梯度。

5.根据权利要求2所述的基于迁移学习的电子商务欺诈检测方法，其特征在于，

所述神经网络模型最后一层的学习率呈正弦或斜三角分布；

当所述学习率呈斜三角分布时，采用斜三角算法调整所述神经网络模型最后一层的学习率；

所述斜三角算法公式如下：

其中，T表示迭代总次数，t表示当前迭代次数，η_t是迭代次数为t时的学习率，η_max为最大学习率。

6.一种电子装置，其特征在于，该电子装置包括：存器及处理器，所述存储器中包括基于迁移学习的电子商务欺诈检测程序，所述基于迁移学习的电子商务欺诈检测程序被所述处理器执行时实现如下步骤：

获取训练样本数据，并基于所述训练样本数据预训练初级风控模型；

获取待检测的目标样本数据，并基于所述目标样本数据微调所述预训练得到的初级风控模型，形成对应的目标风控模型；

将所述目标样本数据输入所述目标风控模型进行检测，获取所述目标样本数据的欺诈概率。