(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 202210376473.6 (22)申请日 2022.04.11 (71)申请人 中国工商银行股份有限公司 地址 100140 北京市西城区复兴门内大街 55号 (72)发明人 宋瑞　梁杰　丁琪　 (74)专利代理 机构 中科专利商标代理有限责任 公司 11021 专利代理师 张琛 (51)Int.Cl. G06Q 40/02(2012.01) G06N 20/20(2019.01) (54)发明名称 风险管理方法、 风险模 型训练方法、 装置、 设 备和介质 (57)摘要 本公开提供了一种风险管 理方法， 可以应用 于人工智能技术领域、 大数据技术领域或金融领 域。 该方法包括： 获取信贷请求数据， 其中， 所述 信贷请求数据包含用户标识； 基于所述用户标识 获取对应的用户特征数据； 将所述用户特征数据 输入预训练得到的第一风险联邦模 型， 获取风险 评估结果； 以及基于所述风险评估 结果生成信贷 请求反馈数据以及信贷白名单， 其中， 所述第一 风险联邦模 型基于联邦学习算法训练得到， 所述 训练由银行服务器和大数据局服务器联合执行， 其中， 用于训练的数据包含押品样本数据， 所述 押品样本数据获取自大数据局服务器。 本公开还 提供了一种风险管理装置、 风险模 型训练方法及 装置、 设备、 介质和程序 产品。 权利要求书3页 说明书15页 附图8页 CN 114971841 A 2022.08.30 CN 114971841 A 1.一种风险管理方法， 应用于银 行服务器， 其特 征在于， 包括： 获取信贷请求数据， 其中， 所述信贷请求数据包 含用户标识； 基于所述用户标识获取对应的用户特 征数据； 将所述用户特 征数据输入预训练得到的第一 风险联邦模型， 获取风险评估结果； 以及 基于所述 风险评估结果 生成信贷请求反馈数据以及信贷白名单， 其中， 所述第一风险联邦模型基于联邦学习算法训练得到， 所述训练由银行服务器和 大数据局服务器联合执行， 其中， 用于训练的数据包含押品样本数据， 所述押品样本数据获 取自大数据局服 务器。 2.根据权利要求1所述的方法， 其中， 所述用户特征数据包含用户 属性信息， 用户资产 信息， 以及产品属性信息 。 3.根据权利要求1所述的方法， 其中， 所述预训练得到的第 一风险联邦模型基于预设的 时间周期自动更新。 4.根据权利要求1所述的方法， 其中， 在生成所述信贷白名单后， 所述方法还 包括： 将所述信贷白名单进行存 储， 并将所述信贷白名单发送至大 数据局服 务器。 5.一种基于联邦学习的风险模型训练方法， 其特 征在于， 包括： 基于非对称加密算法获取第 一用户标识数据和第 二用户标识数据的交集标识数据， 其 中， 所述第一用户标识数据获取自银行服务器， 所述第二用户标识数据获取自大数据局 服 务器； 初始化部署于所述银行服务器的第 一联邦模型参数， 以及部署于大数据局服务器的第 二联邦模型参数； 基于同态加密算法对所述第 一联邦模型参数和第 二联邦模型参数进行训练更新， 直至 达到预设的训练截止条件， 其中， 第一联邦模型和第二联邦模型基于第一特征数据和第二 特征数据联合训练， 所述第一特征数据和所述第二特征数据分别由所述银行服务器和所述 大数据局 服务器基于所述交集标识数据获取， 所述第一特征数据包含用户信用样本数据， 所述用户信用样本数据包含用户特征样本数据和用户信用标签， 所述第二特征数据包括押 品样本数据； 以及 获取第一风险联邦模型和第二风险联邦模型， 其中， 第一风险联邦模型为包含训练截 止时第一联邦模型参数的第一联邦模型， 第二风险联邦模型为包含训练截止时第二联邦模 型参数的第二联邦模型。 6.根据权利要求5所述的方法， 其中， 所述基于同态加密算法对所述第 一联邦模型参数 和第二联邦模型参数进行 更新， 直至 达到预设的训练截止条件 包括： 所述银行服务器和所述大数据局服务器分别基于第一特征数据和第二特征数据对第 一联邦模型和第二联邦模型进行训练， 计算得到第一传递数据和第二传递数据； 所述银行服务器和所述大数据局服务器分别对所述第一传递数据和所述第二传递数 据进行同态加密， 将同态加密后的第一加密传递数据和 第二加密传递数据交互传递， 其中， 所述同态加密中使用的公钥获取自第三方服 务器； 所述银行服务器基于第 二加密传递数据训练所述第 一联邦模型， 得到第 一加密梯度信 息和第一加密损失信息， 所述大数据局服务器基于第一加密传递数据训练所述第二联邦模 型， 得到第二加密 梯度信息；权　利　要　求　书 1/3 页 2 CN 114971841 A 2所述银行服务器和所述大数据局服务器分别将所述第 一加密梯度信 息、 第一加密损失 信息， 第二加密 梯度信息发送至第三方服 务器； 所述第三方服务器基于持有的私钥对所述第一加密梯度信息、 所述第一加密损失信 息， 所述第二加密梯度信息进行解密， 获取并向银行服务器发送第一解密梯度信息和第一 解密损失信息， 获取并向大 数据局服 务器发送第二 解密梯度信息； 以及 所述银行服务器基于所述第一解密梯度信息和第一解密损失信息更新第一联邦模型 参数， 所述大 数据局服 务器基于所述第二 解密梯度信息更新第二联邦模型参数。 7.根据权利要求5所述的方法， 其中， 在获取交集标识数据前， 所述方法还包括用户筛 选的步骤， 包括： 获取训练集用户和验证集用户， 其中， 所述训练集用户包含正样本用户和负样本用户， 所述正样本用户包括第一预设时间周期内申请押品贷款 获得通过且按时还款的用户， 所述 负样本用户包括第一预设时间周期内申请押品贷款， 押品审批未获通过， 或申请押品贷款 获得通过但未按时还款的用户， 所述正样本用户数与负样本用户数基于预设比例设定， 所 述验证集用户包括第二预设时间周期内申请押品贷款的用户。 8.根据权利要求5所述的方法， 其中， 所述第一风险模型和所述第二风险模型基于 XGBoost算法构建。 9.根据权利要求5所述的方法， 其中， 所述押品样本数据包含动产押品数据， 不动产押 品数据， 无 形资产押品数据中的至少一种。 10.一种风险管理装置， 部署于银 行服务器， 其特 征在于， 包括： 第一获取模块， 配置为获取信贷请求数据， 其中， 所述信贷请求数据包 含用户标识； 第二获取模块， 配置为基于所述用户标识获取对应的用户特 征数据； 计算模块， 配置为将所述用户特征数据输入预训练得到的第一风险联邦模型， 获取风 险评估结果， 其中， 所述第一风险联邦模型基于联邦学习算法训练得到， 所述训练由银行服 务器和大数据局服务器联合执行， 其中， 用于训练的数据包含押品样 本数据， 所述押品样本 数据获取自大 数据局服 务器； 以及 生成模块， 配置为基于所述 风险评估结果 生成信贷请求反馈数据以及信贷白名单。 11.一种风险模型训练系统， 包括： 对齐装置， 配置为基于非对称加密算法获取第 一用户标识数据和第 二用户标识数据的 交集标识数据， 其中， 所述第一用户标识数据获取自银行服务器， 所述第二用户标识数据获 取自大数据局服 务器； 初始化装置， 配置为初始化部署于所述银行服务器的第一联邦模型参数， 以及部署于 大数据局服 务器的第二联邦模型参数； 计算装置， 配置为基于同态加密算法对所述第 一联邦模型参数和第 二联邦模型参数进 行训练更新， 直至达到预设的训练截止条件， 其中， 第一联邦模型和第二联邦模 型基于第一 特征数据和第二特征数据联合训练， 所述第一特征数据和所述第二特征数据分别由所述银 行服务器和所述大数据局服务器基于所述交集标识数据获取， 所述第一特征数据包含用户 信用样本数据， 所述用户信用样本数据包含用户特征样本数据和用户信用标签， 所述第二 特征数据包括押品样本数据； 以及 生成装置， 配置为获取第 一风险联邦模型和第 二风险联邦模型， 其中， 第 一联邦风险模权　利　要　求　书 2/3 页 3 CN 114971841 A 3