[发明专利]风控方法、电子装置及计算机可读存储介质

权利要求书

1.一种基于自适应网络的风控方法，应用于电子装置，其特征在于，所述方法包括：

收集预设类型的业务数据，并收集与所述预设类型的业务数据相似的相似业务数据；

将所述相似业务数据输入至预先构建的神经网络模型，根据分类损失函数及所述相似业务数据的标签计算所述相似业务数据的分类损失值；

将所述预设类型的业务数据及所述相似业务数据输入至所述神经网络模型，利用自适应损失函数计算所述预设类型的业务数据及所述相似业务数据在所述神经网络模型每一隐藏层的自适应损失值；

将所述分类损失函数及所述多层自适应损失函数之和作为所述神经网络模型的目标损失函数，并将所述分类损失值及所有隐藏层的自适应损失值之和作为所述神经网络模型的总损失值，根据所述目标损失函数及总损失值训练所述神经网络模型，更新所述神经网络模型的参数值，直至训练完成确定所述神经网络模型每一层的参数，得到优化的神经网络模型；

将所述预设类型的无标签待预测业务数据输入到所述优化的神经网络模型，输出所述待预测业务数据的标签，根据所述标签得到所述待预测业务数据的风险预测值。

2.如权利要求1所述的风控方法，其特征在于，所述分类损失值的计算公式为：

其中，n为所述相似业务数据的样本数，i表示第i个样本，X_S为输入样本，θ为所述神经网络中的所有参数，y_S为样本标签，J为损失函数。

3.如权利要求1所述的风控方法，其特征在于，所述自适应损失值的计算公式为：

其中，是所述相似业务数据与所述预设类型的业务数据在网络l层表示的MMD值，λ是反映对MMD值的惩罚程度的超参数。

4.如权利要求1所述的风控方法，其特征在于，所述风控方法还包括：

将带标签的所述预设类型的业务数据输入至所述神经网络模型进行训练，以调整所述神经网络模型每一层的参数。

5.如权利要求1所述的风控方法，其特征在于，所述风控方法还包括：

在所述预设类型的无标签待预测业务数据输入到所述优化的神经网络模型之前对所述预设类型的无标签待预测业务数据通过降噪自编码器进行降噪处理。

6.一种电子装置，其特征在于，该电子装置包括：存储器、处理器，所述存储器上存种储有可在所述处理器上运行的风控程序，所述风控程序被所述处理器执行时实现如下步骤：

样本收集步骤：收集预设类型的业务数据，并收集与所述预设类型的业务数据相似的相似业务数据；

第一计算步骤：将所述相似业务数据输入至预先构建的神经网络模型，根据分类损失函数及所述相似业务数据的标签计算所述相似业务数据的分类损失值；

第二计算步骤：将所述预设类型的业务数据及所述相似业务数据输入至所述神经网络模型，利用自适应损失函数计算所述预设类型的业务数据及所述相似业务数据在所述神经网络模型每一隐藏层的自适应损失值；

训练步骤：将所述分类损失函数及所述多层自适应损失函数之和作为所述神经网络模型的目标损失函数，并将所述分类损失值及所有隐藏层的自适应损失值之和作为所述神经网络模型的总损失值，根据所述目标损失函数及总损失值训练所述神经网络模型，更新所述神经网络模型的参数值，直至训练完成确定所述神经网络模型每一层的参数，得到优化的神经网络模型；

预测步骤：将所述预设类型的无标签待预测业务数据输入到所述优化的神经网络模型，输出所述待预测业务数据的标签，根据所述标签得到所述待预测业务数据的风险预测值。

7.如权利要求6所述的电子装置，其特征在于，所述分类损失值的计算公式为：

其中，n为所述相似业务数据的样本数，i表示第i个样本，X_S为输入样本，θ为所述神经网络中的所有参数，y_S为样本标签，J为损失函数。