模型计算方法和装置实用新型专利

专利名称：模型计算方法和装置

专利类型：实用新型专利

专利申请号：CN202111327329.5

专利申请（专利权）人：支付宝(杭州)信息技术有限公司
权利人地址：浙江省杭州市西湖区西溪路556号8层B段801-11

专利发明（设计）人：张长浩,傅欣艺,王维强

专利摘要：本说明书实施例提供了模型计算方法和装置。该方法中，从终端设备上获取用于模型计算的第一特征数据；从服务器上获取用于模型计算的特征计算结果；其中，特征计算结果是所述服务器根据该服务器获取的用于模型计算的第二特征数据计算得到的；利用所述第一特征数据以及所述特征计算结果进行所述模型的计算。本说明书能够更好地进行模型计算，更好地满足业务需求。

主权利要求：
1.模型计算方法，其中，该方法应用于终端设备；包括：
从终端设备上获取用于模型计算的第一特征数据；其中，所述第一特征数据包括：使用该终端设备的用户的大量刷屏操作的特征；
从服务器上获取用于模型计算的特征计算结果；其中，特征计算结果是所述服务器在监测到第一风控事件后，根据该服务器获取的用于模型计算的第二特征数据计算得到的；
该第二特征数据包括使用所述终端设备的用户的特征，但不包括该用户的大量刷屏操作的特征；
在监测到第二风控事件后，利用所述第一特征数据以及所述特征计算结果进行所述模型的计算，以得到使用该终端设备的用户是否为欺诈用户的结果；
其中，
所述第二风控事件是相对于所述第一风控事件的细粒度事件，并且，所述第一风控事件包括：登录或者转账操作；所述第二风控事件包括：终端设备监测到使用该终端设备的用户在短时间内的大量刷屏操作。
2.根据权利要求1所述的方法，其中，
所述第一特征数据包括如下中的至少一项：在所述服务器上无法获取到的特征数据；
用户隐私数据；根据用户在所述终端设备上进行的一系列操作生成的行为序列数据；所述终端设备上的传感器采集的传感器数据；所述终端设备接收到的用户的手势数据；以及，所述终端设备的设备信息；
和/或，
所述第二特征数据包括如下中的至少一项：在所述终端设备上无法获取到的特征数据；登录的用户作为主动方时的被动方数据；服务器对获取的至少两种类型的特征数据进行组合后得到的组合特征数据；服务器对获取的至少两个特征数据进行统计后得到的统计数据；参与所述模型计算中指定算法的特征数据。
3.根据权利要求1所述的方法，其中，所述从终端设备上获取用于模型计算的第一特征数据，包括：从终端设备上实时获取用于模型计算的第一特征数据；
所述从服务器上获取用于模型计算的特征计算结果，包括：接收服务器每隔设定时间周期发来的用于模型计算的特征计算结果。
4.根据权利要求1所述的方法，其中，所述利用所述第一特征数据以及所述特征计算结果进行所述模型的计算，包括：利用所述第一特征数据以及所述特征计算结果，采用增量计算的方法进行所述模型的计算。
5.模型计算方法，其中，该方法应用于服务器；包括：
从服务器上获取用于模型计算的第二特征数据；其中，所述第二特征数据包括使用终端设备的用户的特征，但不包括该用户的大量刷屏操作的特征；
在监测到第一风控事件后，根据该第二特征数据计算得到特征计算结果；
将所述特征计算结果下发到所述终端设备，以便所述终端设备在监测到第二风控事件后，利用第一特征数据以及所述特征计算结果进行所述模型的计算，从而得到使用所述终端设备的用户是否为欺诈用户的结果；其中，所述第一特征数据包括：使用该终端设备的用户的大量刷屏操作的特征；
其中，
所述第二风控事件是相对于所述第一风控事件的细粒度事件，并且，所述第一风控事件包括：登录或者转账操作；所述第二风控事件包括：终端设备监测到使用该终端设备的用户在短时间内的大量刷屏操作。
6.根据权利要求5所述的方法，其中，所述第二特征数据包括如下中的至少一项：在所述终端设备上登录的用户作为主动方时的被动方数据；
服务器对获取的至少两种类型的特征数据进行组合后得到的组合特征数据；
服务器对获取的至少两个特征数据进行统计后得到的统计数据；
参与所述模型计算中指定算法的特征数据。
7.根据权利要求5所述的方法，其中，
每隔设定时间周期，执行所述下发的步骤。
8.模型计算装置，其中，该模型计算装置应用于终端设备；包括：第一特征获取模块，配置为从终端设备上获取用于模型计算的第一特征数据；其中，所述第一特征数据包括：使用该终端设备的用户的大量刷屏操作的特征；
特征计算结果获取模块，配置为从服务器上获取用于模型计算的特征计算结果；其中，特征计算结果是所述服务器在监测到第一风控事件后，根据该服务器获取的用于模型计算的第二特征数据计算得到的；该第二特征数据包括使用所述终端设备的用户的特征，但不包括该用户的大量刷屏操作的特征；
第一计算模块，配置为在监测到第二风控事件后，利用所述第一特征数据以及所述特征计算结果进行所述模型的计算，以得到使用该终端设备的用户是否为欺诈用户的结果；
其中，
所述第二风控事件是相对于所述第一风控事件的细粒度事件，并且，所述第一风控事件包括：登录或者转账操作；所述第二风控事件包括：终端设备监测到使用该终端设备的用户在短时间内的大量刷屏操作。
9.模型计算装置，其中，该模型计算装置应用于服务器；包括：第二特征获取模块，配置为从服务器上获取用于模型计算的第二特征数据；其中，所述第二特征数据包括使用终端设备的用户的特征，但不包括该用户的大量刷屏操作的特征；
第二计算模块，配置为在监测到第一风控事件后，根据该第二特征数据计算得到特征计算结果；
下发模块，配置为将所述特征计算结果下发到所述终端设备，以便所述终端设备在监测到第二风控事件后，利用第一特征数据以及所述特征计算结果进行所述模型的计算，从而得到使用所述终端设备的用户是否为欺诈用户的结果；其中，所述第一特征数据包括：使用该终端设备的用户的大量刷屏操作的特征；
其中，
所述第二风控事件是相对于所述第一风控事件的细粒度事件，并且，所述第一风控事件包括：登录或者转账操作；所述第二风控事件包括：终端设备监测到使用该终端设备的用户在短时间内的大量刷屏操作。
10.一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1‑7中任一项所述的方法。 说明书 : 模型计算方法和装置技术领域[0001] 本说明书一个或多个实施例涉及网络通信技术，尤其涉及模型计算方法和装置。背景技术[0002] 在人工智能(ArtificialIntelligence，AI)及机器学习等技术中，会建立大量的模型，并利用模型来完成一系列的计算处理。比如，建立一个风控模型，利用用户的网上交易行为等各种特征数据进行计算，以便判断该用户是否存在欺诈行为等。[0003] 目前，模型主要是建立在云端的服务器上，并在该服务器上进行模型计算。但是，在服务器上进行模型计算，已经越来越无法满足业务的需求，因此亟需一种能够更好地满足业务需求的模型计算方法。发明内容[0004] 本说明书一个或多个实施例描述了模型的计算方法和装置，能够更好地进行模型计算，从而更好地满足业务需求。[0005] 根据第一方面，提供了一种模型计算方法，其中，包括：[0006] 从终端设备上获取用于模型计算的第一特征数据；[0007] 从服务器上获取用于模型计算的特征计算结果；其中，特征计算结果是所述服务器根据该服务器获取的用于模型计算的第二特征数据计算得到的；[0008] 利用所述第一特征数据以及所述特征计算结果进行所述模型的计算。[0009] 其中，[0010] 所述第一特征数据包括如下中的至少一项：在所述服务器上无法获取到的特征数据；用户隐私数据；根据用户在所述终端设备上进行的一系列操作生成的行为序列数据；所述终端设备上的传感器采集的传感器数据；所述终端设备接收到的用户的手势数据；以及，所述终端设备的设备信息；[0011] 和/或，[0012] 所述第二特征数据包括如下中的至少一项：在所述终端设备上无法获取到的特征数据；登录的用户作为主动方时的被动方数据；服务器对获取的至少两种类型的特征数据进行组合后得到的组合特征数据；服务器对获取的至少两个特征数据进行统计后得到的统计数据；参与所述模型计算中指定算法的特征数据。[0013] 其中，所述从终端设备上获取用于模型计算的第一特征数据，包括：从终端设备上实时获取用于模型计算的第一特征数据；[0014] 所述从服务器上获取用于模型计算的特征计算结果，包括：接收服务器每隔设定时间周期发来的用于模型计算的特征计算结果。[0015] 其中，所述特征计算结果是所述服务器在监测到第一风控事件后计算的；[0016] 在监测到第二风控事件后，执行所述利用所述第一特征数据以及所述特征计算结果进行所述模型的计算的步骤；[0017] 其中，所述第二风控事件是相对于所述第一风控事件的细粒度事件。[0018] 其中，所述利用所述第一特征数据以及所述特征计算结果进行所述模型的计算，包括：[0019] 利用所述第一特征数据以及所述特征计算结果，采用增量计算的方法进行所述模型的计算。[0020] 根据第二方面，提供了一种模型计算方法，其中，包括：[0021] 从服务器上获取用于模型计算的第二特征数据；[0022] 根据该第二特征数据计算得到特征计算结果；[0023] 将所述特征计算结果下发到终端设备。[0024] 其中，所述第二特征数据包括如下中的至少一项：[0025] 在所述终端设备上登录的用户作为主动方时的被动方数据；[0026] 服务器对获取的至少两种类型的特征数据进行组合后得到的组合特征数据；[0027] 服务器对获取的至少两个特征数据进行统计后得到的统计数据；[0028] 参与所述模型计算中指定算法的特征数据。[0029] 其中，[0030] 在监控到预先设置的第一风控事件之后，执行所述计算的步骤；[0031] 和/或，[0032] 每隔设定时间周期，执行所述下发的步骤。[0033] 根据第三方面，提供了一种模型计算装置，其中，包括：[0034] 第一特征获取模块，配置为从终端设备上获取用于模型计算的第一特征数据；[0035] 特征计算结果获取模块，配置为从服务器上获取用于模型计算的特征计算结果；其中，特征计算结果是所述服务器根据该服务器获取的用于模型计算的第二特征数据计算得到的；[0036] 第一计算模块，配置为利用所述第一特征数据以及所述特征计算结果进行所述模型的计算。[0037] 根据第四方面，提供了一种模型计算装置，其中，包括：[0038] 第二特征获取模块，配置为从服务器上获取用于模型计算的第二特征数据；[0039] 第二计算模块，配置为根据该第二特征数据计算得到特征计算结果；[0040] 下发模块，配置为将所述特征计算结果下发到终端设备。[0041] 根据第五方面，提供了一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现本说明书任一实施例所述的方法。[0042] 在本说明书实施例提供的模型计算方法和装置中，服务器与终端设备相互配合，终端设备会获取一部分特征数据即第一特征数据，服务器也会获取一部分特征数据即第二特征数据，服务器会根据自己获取的第二特征数据进行计算，计算出用于模型计算的特征计算结果，并将该特征计算结果发给终端设备，终端设备再根据自己获取的第一特征数据以及该特征计算结果来进行模型计算，可见，服务器和终端设备都参与了模型的计算，这样就能同时结合模型在服务器上进行计算的优势以及模型在终端设备上进行计算的优势，从而能够更好地满足业务的要求。附图说明[0043] 为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本说明书的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。[0044] 图1是本说明书一个实施例所应用的系统架构的示意图。[0045] 图2是本说明书一个实施例中在终端设备侧进行模型计算的方法的流程图。[0046] 图3是本说明书一个实施例中在服务器侧进行模型计算的方法的流程图。[0047] 图4是本说明书一个实施例中模型计算装置的一种结构示意图。[0048] 图5是本说明书一个实施例中模型计算装置的另一种结构示意图。具体实施方式[0049] 如前所述，现有技术中模型计算主要是在云端的服务器上完成的，比如，一个风控模型被部署在服务器上，由服务器获取风控模型计算所需的特征数据，并完成风控模型的所有计算。但是，在服务器上运行模型，已经越来越无法满足业务的需求。[0050] 下面结合附图，对本说明书提供的方案进行描述。[0051] 为了方便对本说明书的理解，首先对本说明书所应用的系统架构进行描述。如图1中所示，该系统架构主要包括云端的服务器及终端设备。其中，终端设备可以是任意一种位于用户侧的设备，比如手机、电脑以及物联网终端设备。其中，物联网终端设备比如可以是基于物联网的室外广告投放机或基于物联网的自动售卖设备等。服务器及终端设备通过网络交互。其中，网络可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等。[0052] 参见图1，本说明书实施例提供的模型计算方法的核心思想是：端云联动，也就是说，模型计算既不是只在云端的服务器中完成，也不是只在终端设备中完成，而是由服务器与终端设备相互配合共同完成计算。[0053] 下面用不同的实施例对服务器侧的处理以及终端设备侧的处理分别进行说明。[0054] 首先针对终端设备侧的处理提供实施例。[0055] 图2是本说明书一个实施例中在终端设备侧进行模型计算的方法的流程图。该方法的执行主体为模型计算装置。该装置可以位于终端设备中。可以理解，该方法也可以通过任何具有计算、处理能力的装置、设备、平台、设备集群来执行。参见图2，该方法包括：[0056] 步骤201：从终端设备上获取用于模型计算的第一特征数据。[0057] 步骤203：从服务器上获取用于模型计算的特征计算结果；其中，特征计算结果是所述服务器根据该服务器获取的用于模型计算的第二特征数据计算得到的。[0058] 步骤205：利用所述第一特征数据以及所述特征计算结果进行所述模型的计算。[0059] 根据上述图2所示的流程可以看出，服务器与终端设备相互配合，终端设备会获取一部分特征数据即第一特征数据，服务器也会获取一部分特征数据即第二特征数据，服务器会根据自己获取的第二特征数据进行计算，计算出用于模型计算的特征计算结果，并将该特征计算结果发给终端设备，终端设备再根据自己获取的第一特征数据以及该特征计算结果来进行模型计算，可见，服务器和终端设备都参与了模型的计算，这样就能同时结合模型在服务器上进行计算的优势以及模型在终端设备上进行计算的优势，比如，终端设备直接获取并处理海量的细粒度数据的优势以及服务器获取粗粒度数据/专家经验的优势等，从而能够更好地满足业务的要求。[0060] 一方面，模型的计算如果只在服务器上进行，而不在终端设备上进行，那么至少会存在如下的问题：[0061] 11、对于很多适用于模型计算的特征数据，服务器是无法获取到的，只有终端设备才能获取到。比如，用户在终端设备上每隔2秒的大量刷屏操作，服务器很难在用户的实时交易行为中获取到。[0062] 针对该问题11，则可以对应地设置终端设备去获取这些在服务器上无法获取到的特征数据，作为图2所示流程中的一种第一特征数据。[0063] 12、当用户隐私数据参与模型计算时，如果需要从终端设备传给服务器，那么，则会增加用户隐私数据泄露的风险。[0064] 针对该问题12，则可以对应地设置终端设备去获取这些用户隐私数据，并直接在终端设备上利用该用户隐私数据进行模型计算，从而无需传给服务器。这样，用户隐私数据就是图2所示流程中的一种第一特征数据。[0065] 13、当用户的行为序列数据参与模型计算时，因为行为序列数据是一种细粒度的海量数据(比如欺诈用户在一小时之内的几千个时间点上进行刷屏操作形成的序列数据)，如果每一个终端设备得到的行为序列数据都需要传给服务器处理，一方面会大大增加服务器的业务负荷量，一方面服务器也无法及时地进行模型计算。[0066] 针对该问题13，则可以对应地设置终端设备去获取这些用户的行为序列数据，并直接在终端设备上利用该行为序列数据进行模型计算，从而无需传给服务器。这样，用户在终端设备上进行的一系列操作生成的行为序列数据可以作为图2所示流程中的一种第一特征数据。[0067] 14、当传感器采集的传感器数据参与模型计算时，因为传感器数据是一种实时性很强的数据，如果每一个终端设备得到的传感器数据都需要传给服务器处理，一方面会大大增加服务器的业务负荷量，一方面服务器也无法及时地进行模型计算。[0068] 针对该问题14，则可以对应地设置终端设备去获取这些传感器数据，并直接在终端设备上利用该传感器数据进行模型计算，从而无需传给服务器。这样，终端设备上传感器采集的传感器数据就是图2所示流程中的一种第一特征数据。[0069] 15、当终端设备接收到的用户的手势数据参与模型计算时，因为用户的手势数据是一种实时性很强的数据，如果每一个终端设备得到的用户的手势数据都需要传给服务器处理，一方面会大大增加服务器的业务负荷量，一方面服务器也无法及时地进行模型计算。[0070] 针对该问题15，则可以对应地设置终端设备去获取这些用户的手势数据，并直接在终端设备上利用该用户的手势数据进行模型计算，从而无需传给服务器。这样，终端设备接收到的用户的手势数据就是图2所示流程中的一种第一特征数据。[0071] 16、当终端设备的设备信息参与模型计算时，因为终端设备是直接拥有该设备信息的一方，如果传输给服务器去计算，则会无谓地消耗传输资源，增加服务器的业务负荷量。[0072] 针对该问题16，则可以对应地设置终端设备去获取这些终端设备的设备信息，并直接在终端设备上利用该设备信息进行模型计算，从而无需传给服务器。这样，终端设备的设备信息就是图2所示流程中的一种第一特征数据[0073] 上面只是根据服务器及终端设备的处理特点得出的更适合于在终端设备上直接参与模型计算的第一特征数据。[0074] 可以理解，在本说明书的其他实施例中，根据模型计算的要求，可以将上述针对问题11至问题16提出的各种第一特征数据任意组合使用，或者将其他适合于在终端设备上获取的数据作为上述的第一特征数据。[0075] 另一方面，模型的计算如果只在终端设备上进行，而不在服务器上进行，那么至少会存在如下的问题：[0076] 21、对于很多适用于模型计算的特征数据，终端设备是无法获取到的，只有服务器才能获取到。比如，用户1第一天使用终端设备1比如手机登陆了一个购物网站，产生了交易行为的特征数据1，用户1第二天使用终端设备2比如笔记本电脑登陆了同一个购物网站，产生了交易行为的特征数据2。对于终端设备1比如手机而言，是无法获取到用户1登陆该购物网站产生的特征数据2，从而无法根据该特征数据2进行针对用户1的风控模型的计算。但是，实际上，该特征数据2也适用于参与针对用户1的风控模型的计算。因此，该手机只利用特征数据1进行针对用户1的风控模型的计算，则无法得到更为准确的计算结果。[0077] 针对该问题21，则可以对应地设置服务器去获取这些在所述终端设备上无法获取到的特征数据，即图2所示流程中的一种第二特征数据。[0078] 22、在终端设备上登录的用户作为主动方时，终端设备无法获取到对端被动方数据。比如，用户1使用手机上的电商网站比如淘宝给一个商户A付款，用户1是付款行为的主动方，商户A是付款行为的被动方，但是用户1及其使用的手机都无法获取到被动方商户A的具体账户信息，比如商户A的账户号码、名称及历史交易行为等，这样，用户1的手机则无法利用被动方商户A的具体账户信息进行针对本次交易行为的风控模型的计算。但是，可以理解，商户A的账户信息关系到上述付款行为是否存在风险，应该参与风控模型的计算。但是，终端设备无法获取到对端被动方数据，无法得到更为准确的模型计算结果。[0079] 针对该问题22，则可以对应地设置服务器去获取登录的用户作为主动方时的被动方数据，作为图2所示流程中的一种第二特征数据。[0080] 23、由于无法获取到某些特征数据或者由于计算能力等原因，终端设备无法对多种不同类型的特征数据进行组合。比如，在进行风控模型的计算时，需要获取用户1在设定时间段内在某设定省份A利用某设定网络连接方式A的登录频率(与使用的终端设备无关)，在该设定时间段内，用户1可能使用不同的终端设备登录，一个终端设备无法完成该特征数据的组合，并且对于某些复杂计算，一个终端设备有可能无法完成计算。[0081] 针对该问题23，则可以对应地设置服务器获取用于模型计算的、至少两种类型的特征数据，并进行组合后得到组合特征数据，该组合特征数据可以作为图2所示流程中的一种第二特征数据。[0082] 24、终端设备由于信息不全或者计算能力不足，不适合做统计。[0083] 针对该问题24，则可以对应地设置服务器对获取的至少两个特征数据(可以是同一种类型的至少两个特征数据，也可以是不同类型的至少两个特征数据)进行统计，得到统计数据，该统计数据可以作为图2所示流程中的一种第二特征数据。[0084] 25、终端设备的计算能力远低于服务器，因此，如果模型中涉及到相对于终端设备能力而言的复杂计算，则终端设备无法完成。[0085] 针对该问题25，则可以对应地设置服务器获取需要参与模型计算中指定算法(比如相对复杂的算法)的特征数据，该参与模型计算中指定算法的特征数据可以作为图2所示流程中的一种第二特征数据。[0086] 下面，结合具体实施例对图2中的每一个步骤分别进行说明。[0087] 首先对于步骤201从终端设备上获取用于模型计算的第一特征数据。[0088] 终端设备因为只需要处理本端获取的第一特征数据，因此，终端设备可以实时获取用于模型计算的第一特征数据，比如，实时获取用户的行为数据(如在某个时间点进行的刷屏操作)，并将当前获取的用户的行为数据加入对应的行为数据序列中。[0089] 在服务器侧，服务器也会根据预先的设置，获取用于模型计算的第二特征数据，并利用该第二特征数据进行模型计算中的一部分计算，比如算子1的计算，得到特征计算结果。服务器可以是在监测到预先设置的第一风控事件后进行计算的。对于一个模型的计算，可以预先设置适合于服务器的第一风控事件，比如对于支付风控模型，可以设置用户登录事件，或者用户点击付款按键的事件作为第一风控事件，服务器监测到这些事件之后，就会利用第二特征数据进行计算。[0090] 服务器在得到特征计算结果后，可以每隔设定时间周期比如采用T+1或者H+1的方式将该特征计算结果下发到终端设备上。其中，T+1是指隔天下发，比如，服务器根据当天24：00之前获得的所有第二特征数据进行一次算子1的计算，然后在该当天24：00之后，比如1:00将该特征计算结果下发到终端设备。其中，H+1是指隔小时下发。[0091] 相应地，接下来在步骤203中从服务器上获取用于模型计算的特征计算结果。[0092] 如前所述，本步骤203中，可以由终端设备接收服务器每隔设定时间周期发来的用于模型计算的特征计算结果。[0093] 接下来在步骤205中，利用所述第一特征数据以及所述特征计算结果进行所述模型的计算。[0094] 比如一个模型的计算涉及3个算子，服务器利用第二特征进行了其中算子1的计算，终端设备利用第一特征数据及特征计算结果进行算子2及算子3的计算。[0095] 对于一个模型的计算，可以预先设置适合于终端设备的第二风控事件，比如对于支付风控模型，可以设置用户在1分钟之内的10次以上的刷屏操作事件、发红包操作或者扫一扫等操作作为第二风控事件，在本步骤205中，终端设备监测到第二风控事件之后，就会利用第一特征数据以及服务器预先发来的特征计算结果进行模型的计算。[0096] 可见，在服务器上设置的第一风控事件可以是相对粗粒度的事件，比如登录或者转账操作，而在终端设备上设置的第二风控事件可以是相对细粒度的事件，比如一段时间内的刷屏操作、用户在一段时间之内连续点头的次数等。通过粗粒度的第一风控事件以及细粒度的第二风控事件可以使服务器及终端设备更好地配合完成模型的计算。[0097] 在本步骤205中，考虑到终端设备获取的第一特征数据通常包括细粒度的海量数据，比如用户行为序列中包括用户在该终端设备上的所有历史刷屏操作的信息，传感器数据中包括用户在几百秒的时间之内的海量刷脸数据等，因此，如果每一次计算都采用数量如此众多的第一特征数据进行模型计算，则会大大增加计算的复杂度，浪费终端设备有限的计算资源。因此，在本说明书的一个实施例中，在本步骤205中，终端设备利用第一特征数据以及特征计算结果，采用增量计算的方法进行模型的计算。比如，一个用户行为序列中已经包括100个行为数据，终端设备针对该100个行为数据已经得到了一个计算结果1，那么，当该用户行为序列中新增第101个行为数据时，终端设备无需用这所有的101个行为数据重新计算一次，而是在上述计算结果1的基础上只针对该新增的第101个行为数据进行聚合及计算，即增量计算，从而大大减少了计算量。[0098] 终端设备会将自己利用第一特征数据实时计算的计算结果与服务器离线方式发来的特征计算结果进行聚合，从而得到最终的模型计算结果。[0099] 举例说明本说明书实施例中模型计算方法的效果。比如，对于一个用户A是否为欺骗钱财的欺诈方做判断的业务场景，欺诈方在欺诈用户B的钱财时，一个典型的操作是在用户B转账之后，第一时间将钱财转走，因此用户A会在短时间内通过其终端设备A不断进行刷屏操作，以便第一时间确定钱款是否到账，从而第一时间将钱款转走。但是对于此种短时间之内的大量刷屏操作，服务器是很难实时获取到并进行处理的，因此，如果利用现有技术的做法，只在云端的服务器进行模型计算，则无法利用此种刷屏操作，第一时间得出用户A涉嫌欺诈的结论。而如果利用现有技术的做法，只在终端设备中进行模型的计算，又很可能因为用户A的终端设备A缺少用户A的其他特征，无法仅仅根据短时间内的大量刷屏操作做出准确的判断，或者因为终端设备A对某一个算子的计算能力不足，无法得出准确的模型计算结果。而采用本说明书中提出的模型计算的方法，服务器会获取用户A的一部分特征数据，并利用专家经验及强大的计算能力得到用户A的一个特征计算结果，终端设备A监测到用户A短时间内的大量刷屏操作之后，就可以结合该大量刷屏操作的特征以及服务器针对用户A的特征计算结果，更为及时地、更为准确地得到模型计算结果，也即用户A是否为欺诈用户的结果，从而可以进行后续相应的处理，比如在屏幕上弹窗告知用户A停止交易行为等。[0100] 下面，说明在服务器侧进行模型计算的方法。[0101] 图3是本说明书一个实施例中在服务器侧进行模型计算的方法的流程图。该方法的执行主体为一种模型计算装置。该装置可以位于服务器中。可以理解，该方法也可以通过任何具有计算、处理能力的装置、设备、平台、设备集群来执行。参见图3，该方法包括：[0102] 步骤301：从服务器上获取用于模型计算的第二特征数据。[0103] 步骤303：根据该第二特征数据计算得到特征计算结果。[0104] 步骤305：将所述特征计算结果下发到终端设备。[0105] 参考上文中对问题21至问题25的说明，上述图3所示流程中的第二特征数据包括如下中的至少一项：[0106] 在所述终端设备上登录的用户作为主动方时的被动方数据；[0107] 服务器对获取的至少两种类型的特征数据进行组合后得到的组合特征数据；[0108] 服务器对获取的至少两个特征数据进行统计后得到的统计数据；[0109] 参与所述模型计算中指定算法的特征数据。[0110] 参见上文中对步骤201的说明，服务器可以是在监测到预先设置的第一风控事件后执行步骤303中的计算。[0111] 参见上文中对步骤201的说明，服务器可以每隔设定时间周期比如采用T+1或者H+1的方式执行步骤305中将特征计算结果下发到终端设备。[0112] 在本说明书的一个实施例中，提供了一种模型计算装置，可以被设置在终端设备中。参见图4，该装置400包括：[0113] 第一特征获取模块401，配置为从终端设备上获取用于模型计算的第一特征数据；[0114] 特征计算结果获取模块402，配置为从服务器上获取用于模型计算的特征计算结果；其中，特征计算结果是所述服务器根据该服务器获取的用于模型计算的第二特征数据计算得到的；[0115] 第一计算模块403，配置为利用所述第一特征数据以及所述特征计算结果进行所述模型的计算。[0116] 在本说明书装置的一个实施例中，第一特征获取模块401被配置为获取包括如下中的至少一项：在所述服务器上无法获取到的特征数据；用户隐私数据；根据用户在所述终端设备上进行的一系列操作生成的行为序列数据；所述终端设备上的传感器采集的传感器数据；所述终端设备接收到的用户的手势数据；以及，所述终端设备的设备信息。[0117] 在本说明书装置的一个实施例中，第一特征获取模块401被配置为从终端设备上实时获取用于模型计算的第一特征数据；[0118] 相应地，特征计算结果获取模块402被配置为接收服务器每隔设定时间周期发来的用于模型计算的特征计算结果。[0119] 在本说明书装置的一个实施例中，特征计算结果是服务器在监测到第一风控事件后计算的；[0120] 第一计算模块403被配置为执行：在监测到第二风控事件后，执行所述利用所述第一特征数据以及所述特征计算结果进行所述模型的计算的步骤；[0121] 其中，所述第二风控事件是相对于所述第一风控事件的细粒度事件。[0122] 在本说明书装置的一个实施例中，第一计算模块403被配置为执行：利用所述第一特征数据以及所述特征计算结果，采用增量计算的方法进行所述模型的计算。[0123] 在本说明书的一个实施例中，提供了一种模型计算装置，可以被设置在服务器中。参见图5，该装置500包括：[0124] 第二特征获取模块501，配置为从服务器上获取用于模型计算的第二特征数据；[0125] 第二计算模块502，配置为根据该第二特征数据计算得到特征计算结果；[0126] 下发模块503，配置为将所述特征计算结果下发到终端设备。[0127] 在本说明书装置的一个实施例中，第二特征获取模块501被配置为获取包括如下中的至少一项：在所述终端设备上无法获取到的特征数据；登录的用户作为主动方时的被动方数据；服务器对获取的至少两种类型的特征数据进行组合后得到的组合特征数据；服务器对获取的至少两个特征数据进行统计后得到的统计数据；参与所述模型计算中指定算法的特征数据。[0128] 在本说明书装置的一个实施例中，第二计算模块502被配置为执行：在监控到预先设置的第一风控事件之后，根据该第二特征数据计算得到特征计算结果。[0129] 在本说明书装置的一个实施例中，下发模块503被配置为执行：每隔设定时间周期，将特征计算结果下发到终端设备。[0130] 本说明书一个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行说明书中任一个实施例中的方法。[0131] 本说明书一个实施例提供了一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现执行说明书中任一个实施例中的方法。[0132] 可以理解的是，本说明书实施例示意的结构并不构成对本说明书实施例的装置的具体限定。在说明书的另一些实施例中，上述装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。[0133] 上述装置、系统内的各模块之间的信息交互、执行过程等内容，由于与本说明书方法实施例基于同一构思，具体内容可参见本说明书方法实施例中的叙述，此处不再赘述。[0134] 本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。[0135] 本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、挂件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。[0136] 以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

专利地区：浙江

专利申请日期：2021-11-10

专利公开日期：2024-06-18

专利公告号：CN114090243B