(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211231679.6 (22)申请日 2022.10.08 (71)申请人 中国建设银行股份有限公司 地址 100033 北京市西城区金融大街25号 申请人 建信金融科技有限责任公司 (72)发明人 佘宇航　傅宇　 (74)专利代理 机构 北京品源专利代理有限公司 11332 专利代理师 马迪 (51)Int.Cl. G06Q 40/02(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 5/00(2006.01)G06N 20/20(2019.01) (54)发明名称 风险检测方法、 装置、 设备、 存 储介质及产品 (57)摘要 本发明公开了风险检测方法、 装置、 设备、 存 储介质及产品， 本发明涉及人工智能技术领域。 该方法包括： 获取目标检测对象对应的往期特征 和当期采集数据， 往期特征包括基于第一预设决 策树模型对目标检测对象对应的往期采集数据 进行处理后得到的特征， 基于第二预设决策树模 型对当期采集数据进行处理， 得到当期特征， 对 往期特征和当期特征进行加权处理， 并根据加权 处理结果确定待输入特征， 将待输入 特征输入至 预设风险检测模 型， 根据预设风险检测模型的输 出数据确定目标检测对象对应的风险检测结果， 其中， 预设风险检测模型包括基于神经网络模型 训练得到的模型。 通过采用上述技术方案， 可 以 提高风险检测的准确度。 权利要求书3页 说明书13页 附图4页 CN 115409616 A 2022.11.29 CN 115409616 A 1.一种风险检测方法， 其特 征在于， 包括： 获取目标检测对象对应的往期特征和当期采集数据， 其中， 采集数据包括针对所述目 标检测对象从预设数据系统获取的关联数据， 所述往期特征包括基于第一预设决策树模型 对所述目标检测对象对应的往期采集数据进行处 理后得到的特 征； 基于第二预设决策树模型对所述当期采集数据进行处 理， 得到当期特 征； 对所述往期特征和所述当期特征进行加权处理， 并根据加权处理结果确定待输入特 征； 将所述待输入特征输入至预设风险检测模型， 根据 所述预设风险检测模型的输出数据 确定所述 目标检测对 象对应的风险检测结果， 其中， 所述预设风险检测模型包括基于神经 网络模型训练得到的用于进行风险检测的模型。 2.根据权利要求1所述的方法， 其特征在于， 所述对所述往期特征和所述当期特征进行 加权处理， 包括： 基于注意力加权方式， 对所述往期特 征和所述当期特 征进行加权处 理。 3.根据权利要求2所述的方法， 其特征在于， 所述基于注意力加权方式， 对所述往期特 征和所述当期特 征进行加权处 理， 包括： 基于如下表达式， 对所述往期特 征和所述当期特 征进行加权处 理： 其中， Yu表示注意力加权后的特征表达， f()表示注意力加权处理函数， Xi表示往期特 征， Xa为表示当期特 征， g表示线性权 重矩阵， i表示往期序号， N表示往期 期数。 4.根据权利要求1所述的方法， 其特征在于， 所述加权处理结果的表现形式为高维稀疏 矩阵， 所述 根据加权处 理结果确定待输入特 征， 包括： 对所述加权处 理结果进行嵌入处 理， 得到表现形式为低维稠密矩阵的待输入特 征。 5.根据权利要求1所述的方法， 其特征在于， 所述预设决策树模型和所述预设风险检测 模型通过以下 方式训练得到： 获取样本检测对象对应的往期样本采集数据和当期样本采集数据， 其中， 所述样本采 集数据包括针对所述样 本检测对象从所述预设数据系统获取的关联数据， 所述往期样本采 集数据关联有往期风险标签， 所述当期样本采集数据关联有当期风险标签； 将所述往期样本采集数据输入至第一决策树模型， 得到第一样本输出结果， 并提取第 一中间处 理结果作为样本往期特 征； 将所述当期样本采集数据输入至第二决策树模型， 得到第二样本输出结果， 并提取第 二中间处 理结果作为样本当期特 征； 对所述样本往期特征和所述当期特征进行加权处理， 并根据加权处理结果确定样本待 输入特征； 将所述样本待输入特 征输入至神经网络模型， 得到第三样本 输出结果； 利用所述第 一样本输出结果、 所述第 二样本输出结果、 所述往期风险标签、 所述当期风 险标签、 以及所述第三样本输出结果， 对所述第一决策树模型、 第二决策树模型和所述神经 网络模型进行训练， 并根据训练结果确定所述第一预设决策树模型、 第二预设决策树模型权　利　要　求　书 1/3 页 2 CN 115409616 A 2和所述预设风险检测模型。 6.根据权利要求5所述的方法， 其特征在于， 所述利用所述第一样本输出结果、 所述第 二样本输出结果、 所述往期风险标签、 所述当期风险标签、 以及所述第三样本输出结果， 对 所述第一决策树模型、 第二决策树模型和所述神经网络模型进行训练， 并根据训练结果确 定所述第一预设决策树模型、 第二预设决策树模型和所述预设风险检测模型， 包括： 根据所述第一样本 输出结果和所述往期风险标签 计算第一损失关系； 根据所述第二样本 输出结果和所述当期风险标签 计算第二损失关系； 根据所述第三样本 输出结果和所述当期风险标签 计算第三损失关系； 根据所述第一损失关系 、 所述第二损失关系和所述第三损失关系确定目标损失关系； 利用所述目标损失关系 对所述第 一决策树模型、 第 二决策树模型和所述神经网络模型 进行调整， 并根据调整结果确定所述第一预设决策树模型、 第二预设决策树模型和所述预 设风险检测模型。 7.根据权利要求5所述的方法， 其特征在于， 所述往期样本采集数据关联的往期风险标 签通过以下 方式确定： 获取所述往期样本采集数据对应的初始往期风险标签， 其中， 所述初始往期风险标签 根据由预设数量的目标用户基于所述往期样本采集数据确定的风险值的平均值确定； 根据所述往期样本采集数据对应的当期样本采集数据， 对所述初始往期风险标签进行 调整， 得到所述往期样本采集数据关联的往期风险标签。 8.根据权利要求7所述的方法， 其特征在于， 所述根据所述往期样本采集数据对应的当 期样本采集数据， 对所述初始往期风险标签进行调整， 得到所述往期样本采集数据关联 的 往期风险标签， 包括： 在所述往期样本采集数据对应的当期样本采集数据中， 进行预设风险指标数据的查 询； 根据查询到的目标 预设风险指标 数据， 确定对应的目标调整值； 根据所述初始往期风险标签和所述目标调整值的和， 确定所述往期样本采集数据关联 的往期风险标签。 9.根据权利要求1 ‑8任一所述的方法， 其特征在于， 预设决策树模型包括轻量梯度提升 机LightGBM模型， 所述神经网络模型包括包 含三个隐藏层的深度神经网络DN N。 10.根据权利要求1所述的方法， 其特征在于， 所述检测对象包括担保公司， 所述关联数 据包括担保公司的征信信息、 担 保公司与被担保对象 的关系信息、 被担保对象的征信信息、 以及存在风险检测需求的主体的业 务处理能力信息。 11.根据权利要求10所述的方法， 其特 征在于， 还 包括： 利用广度优先搜索算法， 对所述当期采集数据中包含的目标检测对象与被担保对象的 关系信息进行检索， 生成以目标检测对象为核心的关系图谱； 对所述风险检测结果和所述关系图谱进行关联展示。 12.一种风险检测装置， 其特 征在于， 包括： 数据获取模块， 用于获取目标检测对象对应的往期特征和当期采集数据， 其中， 所述采 集数据包括针对所述目标检测对象从预设数据系统获取的关联数据， 所述往期特征包括基 于第一预设决策树模型对所述目标检测对象对应的往期采集数据进行处 理后得到的特 征；权　利　要　求　书 2/3 页 3 CN 115409616 A 3