[发明专利]黑名单的数据更新方法、装置以及计算机设备

权利要求书

1.一种黑名单的数据更新方法，其特征在于，包括：

获取访问者的唯一标识性信息，所述唯一标识性信息至少包括身份信息、IP地址、电话中的一种或多种；

根据所述唯一标识性信息判断所述访问者是否在预设的黑名单数据库内；

若不在预设的黑名单数据库内，则检测所述访问者的行为信息；

将所述访问者的行为信息输入至预训练的风险行为模型中，得到所述访问者的行为信息对应的风险系数；

根据所述风险系数判断是否将所述访问者加入所述预设的黑名单数据库内。

2.如权利要求1所述的黑名单的数据更新方法，其特征在于，所述将所述访问者的行为信息输入至预训练的风险行为模型中，得到所述访问者的行为信息对应的风险系数的步骤之前，还包括：

获取所述黑名单数据库中各黑名人员的行为信息以及对应的风险系数；

按照预设的维度将所述行为信息转化为多维向量；其中，所述多维向量为X_j＝(x_1j，x_2j…x_ij…x_nj)，X_j表示第j个黑名人员的多维向量，x_ij表示第j个黑名人员的第i维向量；

将各所述多维向量以及对应的所述风险系数输入至风险行为初始模型中进行训练，得到所述预训练的风险行为模型；其中所述初始模型为h_w(x)＝w₀+w₁x₁+w₂x₂+w_ix_i…+w_nx_n，其中，h_w(x)为所述风险系数，w₀，w₁，…，w_n均为待训练的参数值，x_i表示所述多维向量中的第i维向量。

3.如权利要求2所述的黑名单的数据更新方法，其特征在于，所述将各所述多维向量以及对应的所述黑名单时间输入至风险行为初始模型中进行训练，得到所述预训练的风险行为模型的步骤，包括：

获取各黑名人员的实际风险系数和所述预训练的风险行为模型的预测风险系数；

根据损失函数公式计算所述预训练的风险行为模型的损失值；其中所述损失函数公式为：

y_j表示第j个黑名人员的实际风险系数，h_w(x_ij)表示第j个黑名人员根据其所述行为信息得到的预测风险系数，n表示所述多维向量的维度，表示预设的参数值，表示所述预训练的风险行为模型的损失值；

判断所述损失值是否超过了预设损失值；

若超过了所述预设损失值，则继续训练所述预训练的风险行为模型。

4.如权利要求1所述的黑名单的数据更新方法，其特征在于，所述根据所述风险系数判断是否将所述访问者加入所述预设的黑名单数据库内的步骤之后，还包括：

检测所述黑名单数据库中各所述黑名单数据的时间标签是否达到了黑名单失效时间；

若达到了所述黑名单失效时间，则将对应的黑名单数据移出所述黑名单数据库。

5.如权利要求1所述的黑名单的数据更新方法，其特征在于，根据所述唯一标识性信息判断所述访问者是否在预设的黑名单数据库内的步骤之前，还包括：

通过sqoop脚本获取各平台数据的黑名单中历史访问者的黑名信息，其中，所述黑名信息包括对应访问者的所述唯一标志性信息、黑名原因、以及对应的获取平台；

根据所述黑名信息计算对应所述历史访问者的风险系数，并建立访问者与风险系数的对应关系；

根据各所述历史访问者以及相应的对应关系构建所述黑名单数据库。