风控模型的训练方法和装置、风险识别方法及装置与流程

1.本说明书一个或多个实施例涉及人工智能技术，尤其涉及风控模型的训练方法和装置、风险识别方法及装置。


背景技术：

2.随着互联网的不断发展，在互联网中出现了各种各样的风险。比如，通过互联网可以进行网上购物或者转账，攻击者往往会仿冒合法用户来进行购物或者转账。为了应对互联网中的各种风险，基于人工神经网络，出现了各种能够识别风险的机器模型，称为风控模型。比如，互联网中的一笔交易的特征输入训练好的风控模型之后，该风控模型就可以识别出该笔交易是否具有风险，比如属于无风险，或者属于有风险。
3.因此，一个优良的风控模型至关重要。而随着互联网的不断发展，各种新的风险类别也在不断的出现。训练出的风控模型只能识别出经过训练的风险类别，而无法识别新出现的风险类别。比如，可以识别的风险类别包括：类别a及类别为b。那么，该风控模型则无法识别出新出现的一种类型的风险，比如类别c。
4.在现有技术中，必须基于新出现的类别c的样本数据来重新训练一个能够识别出类别c的新的风控模型。也就是说，每次出现新的风险类别，都需要新训练一个风控模型，此种方式效率低下。


技术实现要素：

5.本说明书一个或多个实施例描述了风控模型的训练方法和装置以及风险识别方法和装置，能够更为有效地训练风控模型以及更为准确地识别风险类别。
6.根据第一方面，提供了一种风控模型的训练方法，其中，该方法包括：
7.得到一个预训练模型，该预训练模型包括各种第一参数；
8.在该预训练模型的基础上使用对应原有风险类别的训练样本继续训练，得到风控初始模型，该风控初始模型包括各种第一参数以及对应原有风险类别的第二参数；
9.当出现新增风险类别时，得到新增风险类别的训练样本；
10.使用新增风险类别的训练样本继续训练所述风控初始模型，并且在训练风控初始模型的过程中保持第一参数以及第二参数不变，从而训练出风控模型；该风控模型包括各种第一参数、对应原有风险类别的第二参数以及对应新增风险类别的第三参数；且，该风控模型由第一子网络以及第二子网络组成，其中，第一子网络用于利用第一参数及第二参数对原有风险类别进行识别，第二子网络用于利用第一参数及第三参数对新增风险类别进行识别。
11.所述得到一个预训练模型，包括：使用对比式预训练或者生成式预训练，学习一个通用的基础特征表征，从而得到所述预训练模型；
12.和/或，
13.所述预训练模型的模型结构为：特征提取模型结构。
14.其中，在该预训练模型的基础上使用对应原有风险类别的训练样本继续训练，包括：
15.在使用对应原有风险类别的训练样本继续训练该预训练模型的过程中，对所述第一参数进行正则化处理。
16.其中，所述对所述第一参数进行正则化处理，包括：
17.在该预训练模型的基础上使用对应原有风险类别的训练样本继续训练的过程中，设置风控初始模型的损失函数的表达式为：
18.min||θo(θb)-y||2+α||θb||2；其中，θb表征所述第一参数，θo表征所述第二参数，y表征原有风险类别的训练样本的标签；α为预设的、所述第一参数在训练所述风控初始模型过程中的权重值。
19.根据第二方面，提供了风险识别方法，其中，该方法包括：
20.得到待识别的数据；
21.将该待识别的数据输入风控模型中；其中，所述风控模型是利用本说明书实施例中的风控模型的训练方法训练得到的；
22.获得该风控模型输出的待识别的数据是否属于原有风险类别的识别结果以及获得该风控模型输出的待识别的数据是否属于新增风险类别的识别结果。
23.根据第三方面，提供了风控模型的训练装置，该装置包括：
24.预训练处理模块，配置为得到一个预训练模型，该预训练模型包括各种第一参数；
25.原有风险类别处理模块，配置为在该预训练模型的基础上使用对应原有风险类别的训练样本继续训练，得到风控初始模型，该风控初始模型包括各种第一参数以及对应原有风险类别的第二参数；
26.新增风险类别处理模块，配置为当出现新增风险类别时，得到新增风险类别的训练样本；使用新增风险类别的训练样本继续训练所述风控初始模型，并且在训练风控初始模型的过程中保持第一参数以及第二参数不变，从而训练出风控模型；该风控模型包括各种第一参数、对应原有风险类别的第二参数以及对应新增风险类别的第三参数；且，该风控模型由第一子网络以及第二子网络组成，其中，第一子网络用于利用第一参数及第二参数对原有风险类别进行识别，第二子网络用于利用第一参数及第三参数对新增风险类别进行识别。
27.根据第四方面，提供了风险识别装置，其中，该装置包括：
28.数据获取模块，配置为得到待识别的数据；
29.数据输入模块，配置为将该待识别的数据输入风控模型中；其中，所述风控模型是利用本说明书实施例中的风控模型的训练装置得到的；
30.风险类别获取模块，配置为获得该风控模型输出的待识别的数据是否属于原有风险类别的识别结果以及获得该风控模型输出的待识别的数据是否属于新增风险类别的识别结果。
31.根据第五方面，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，令计算机执行本说明书任一实施例所述的方法。
32.根据第六方面，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。
33.本说明书各个实施例提供的风控模型的训练方法和装置以及风险识别方法和装置，单独或者组合后至少具有如下的有益效果：
34.1、本说明书实施例的风控模型的训练方法实际上是一种基于预训练的两阶段的类增量学习方法，在每次出现新的风险类别时，无需重新训练一个风控模型，而是将新增风险类别叠加在原有模型中，所以不需要新增一个模型，因此，大大提高了效率，能够快速实现对新增风险类别的学习。
35.2、为了提高风控模型的通用性，也就是说，使得风控模型既能够对原有风险类别进行识别，也能对新增风险类别进行识别，而不会偏重于其中一方，比如避免出现只能准确识别原有风险类别而不能准确识别新增风险类别的问题，在本说明书实施例中，会预训练一个预训练模型，后续的增量学习都是在预训练模型的基础上进行，因此，尽可能地保证了风控模型的通用性。
36.3、为了进一步提高风控模型的通用性，也就是说，使得风控模型既能够对原有风险类别进行识别，也能对新增风险类别进行识别，而不会偏重于其中一方，比如避免出现只能准确识别原有风险类别而不能准确识别新增风险类别的问题，在本说明书实施例中，在使用对应原有风险类别的训练样本继续训练预训练模型的过程中，可以对预训练模型的参数记为第一参数θb进行正则化处理，让预训练模型的参数θb尽可能做到在风险类别不可知的情况下，做到更好的模型性能，即要求模型参数的决策边界尽可能平滑，从而保证了模型基于参数θb的通用特征提取能力。
37.4、在本说明书实施例中，每当出现新的风险类别时，只需要使用新增风险类别的训练样本来继续训练模型，因此，无需保存原有风险类别的大量训练样本，节约了存储资源。
38.5、在本说明书实施例中，在利用新增风险类别的训练样本来训练模型时，会保持预训练过程训练得到的第一参数以及利用原有风险类别的训练样本来训练模型时得到的第二参数不变，只是新增模型的第三参数，因此，不会影响风控模型对于原有风险类别的识别性能。
附图说明
39.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。
40.图1是本说明书一个实施例中风控模型的训练方法的流程图。
41.图2是本说明书一个实施例中风控模型的训练方法的示意图。
42.图3是本说明书一个实施例中风险识别方法的流程图。
43.图4是本说明书一个实施例中风控模型的训练装置的结构示意图。
44.图5是本说明书一个实施例中风险识别装置的结构示意图。
具体实施方式
45.下面结合附图，对本说明书提供的方案进行描述。
46.首先需要说明的是，在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
47.应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
48.图1是本说明书一个实施例中风控模型的训练方法的流程图。该方法的执行主体为风控模型的训练装置。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1，该方法包括：
49.步骤101：得到一个预训练模型，该预训练模型包括各种第一参数。
50.步骤103：在该预训练模型的基础上使用对应原有风险类别的训练样本继续训练，得到风控初始模型，该风控初始模型包括各种第一参数以及对应原有风险类别的第二参数。
51.步骤105：每当出现新增风险类别时，得到新增风险类别的训练样本。
52.步骤107：使用新增风险类别的训练样本继续训练所述风控初始模型，并且在训练风控初始模型的过程中保持第一参数以及第二参数不变，从而训练出风控模型；该风控模型包括各种第一参数、对应原有风险类别的第二参数以及对应新增风险类别的第三参数；且，该风控模型由第一子网络以及第二子网络组成，其中，第一子网络用于利用第一参数及第二参数对原有风险类别进行识别，第二子网络用于利用第一参数及第三参数对新增风险类别进行识别。
53.根据上述图1所示的过程可以看出，本说明书实施例的风控模型的训练方法实际上是一种基于预训练的两阶段的类增量学习方法，能够快速实现对新增风险类别的学习。具体来说，在本说明书实施例中，分为两个阶段的训练过程，在第一阶段中进行预训练，让预训练模型具有好的特征提取能力，实现通用的基础特征表征。预训练模型具备通用的能力，既不偏重于原有风险类别，也不会偏重于新增风险类别，从而使得后续训练出的整个风控模型的风险识别能力更可靠。在第二阶段中进行类增量学习，首先，基于原有风险类别的样本继续训练预训练模型，使得训练出的风控初始模型具备对原有风险类别的识别能力，其次，基于新增风险类别的样本继续训练风控初始模型，并且在该训练过程中保持第一参数及第二参数不变，即采用了增量学习的思想，从过去的任务当中积累知识，并用这些知识帮助未来的学习。在这样的过程中，学习者的知识越来越丰富，学习效率也越来越高。模型在知识学习过程中能够自适应地增加新的风险类别，同时对原有的风险类别的识别能力没有遗忘。这意味着，可以在模型不影响原来旧风险类别的学习效果下，对新增风险类别也能有不错的识别结果。可见，本说明书实施例能够更为有效地训练风控模型。
54.参见图1，每次出现新的风险类别，无需重新训练一个风控模型，而是利用图1所示的方法，执行步骤105及步骤107的处理即可，也就是说新增风险类别叠加在原有模型中，所以不需要新增一个模型，因此，大大提高了效率。
55.下面对图1所示的过程进行说明。
56.首先对于步骤101：得到一个预训练模型，该预训练模型包括各种第一参数。
57.本步骤101是第一阶段的训练过程。
58.在本步骤101中，可以将大量低成本收集的训练数据放在一起，经过某种预训方法去学习其中的共性，比如使用对比式预训练或者生成式预训练，学习一个通用的基础特征表征，从而得到与具体任务无关的预训练模型。
59.在本说明书一个实施例中，预训练模型的模型结构为：特征提取模型结构。也就是说，在模型结构层面，我们选用了feature extraction模型的架构，预训练模型致力于学习通用的表征，从而可被轻易地迁移到多个下游应用场景。参数层面，我们借鉴参数正则的思想，学习保留更加重要的模型参数。
60.参见图2，比如，通过预训练过程，得到预训练模型的参数，记为第一参数，比如使用θb表示第一参数。
61.接下来的步骤103至步骤107是基于预训练后的特征作为基础特征表示，进行后续的类增量学习过程。也就是，将预训练中的共性“移植”到特定任务的模型中，再使用相关特定领域比如风控领域的原有风险类别的少量标注数据以及新增风险类别的少量标注数据进行“微调”，这样的话，模型只需要从”共性“出发，去“学习”该特定任务的“特殊”部分即可。
62.对于步骤103：在该预训练模型的基础上使用对应原有风险类别的训练样本继续训练，得到风控初始模型，该风控初始模型包括各种第一参数以及对应原有风险类别的第二参数。
63.本步骤103是第二阶段训练中的第一步。通过类增量学习的方法训练模型具备对原有风险类别比如欺诈等的识别能力。
64.在本步骤103中，在使用原有风险类别的样本数据基于预训练模型进行训练时，需要考虑让预训练模型的参数θb尽可能做到在风险类别不可知的情况下，做到更好的模型性能，即要求模型参数的决策边界尽可能平滑。因此，在使用对应原有风险类别的训练样本继续训练该预训练模型的过程中，可以对θb进行正则化处理，从而保证模型基于参数θb的通用特征提取能力。
65.在本说明书一个实施例中，对θb进行正则化处理的过程包括：在预训练模型的基础上使用对应原有风险类别的训练样本继续训练的过程中，设置风控初始模型的损失函数的表达式如下，并基于该损失函数进行训练：
66.min||θo(θb)-y||2+α||θb||2；其中，θb表征上述第一参数，θo表征上述第二参数，y表征原有风险类别的训练样本的标签；α为预设的、所述第一参数在训练所述风控初始模型过程中的权重值。
67.基于上述表达式可知，在步骤103的训练过程中，会基于预训练模型的参数θb以及对应原有风险类别的模型参数θo进行训练，根据当前训练的模型对原有风险类别的识别结果与原有风险类别的训练样本的标签之间的差值来调整模型参数，根据上述表达式来判断当前训练的模型的损失函数是否收敛。在上述表达式中，加号前面的第一部分就是神经网络的正常损失函数，在步骤103的训练过程中让这个损失函数尽可能小。本说明书实施例中，新增了加号后面的部分，从而在步骤103的训练过程中，即类增量学习的过程中，损失函数要考虑θb。在上述表达式中，α可以是人工设置的或者是模型自己学习的，表示θb在第二阶段第一步训练过程中的权重。
68.步骤105～步骤107：每当出现新增风险类别时，得到新增风险类别的训练样本；使
用新增风险类别的训练样本继续训练所述风控初始模型，并且在训练风控初始模型的过程中保持第一参数以及第二参数不变，从而训练出风控模型；该风控模型包括各种第一参数、对应原有风险类别的第二参数以及对应新增风险类别的第三参数；且，该风控模型由第一子网络以及第二子网络组成，其中，第一子网络用于利用第一参数及第二参数对原有风险类别进行识别，第二子网络用于利用第一参数及第三参数对新增风险类别进行识别。
69.步骤107是第二阶段的第二步。在步骤107的训练过程中，保持第一阶段训练的参数θb和第二阶段第一步训练的参数θo不变，该操作能保证模型效果在原有风险类别的识别能力不变。同时，因为在大规模数据上进行了预训练，得到了θb，θb同时具有强大的通用特征表示能力以及基于原有风险类别的训练样本训练出的未知任务的表征能力，因此，作为基础，可以添加极少训练参数θn的情况下，让风控模型达到优秀的性能。
70.参见图2，训练出的风控模型可以看作由第一子网络以及第二子网络组成，其中，第一子网络用于利用第一参数及第二参数对原有风险类别进行识别，第二子网络用于利用第一参数及第三参数对新增风险类别进行识别。
71.至此，即使出现了新增风险类别，也能及时得到能够有效识别的风控模型。
72.在训练出能够实时针对新增风险类别进行识别训练的风控模型之后，就可以利用该风控模型在业务中进行风险识别。参见图3，在本说明书一个实施例中，风险识别方法包括：
73.步骤301：得到待识别的数据。
74.步骤303：将该待识别的数据输入风控模型中；其中，所述风控模型是利用本说明书任一实施例中风控模型的训练方法得到的；
75.步骤305：获得该风控模型输出的待识别的数据是否属于原有风险类别的识别结果，以及获得该风控模型输出的待识别的数据是否属于新增风险类别的识别结果。
76.在本说明书实施例中，提出了一种风控模型的训练装置。参见图4，该装置包括：
77.预训练处理模块401，配置为得到一个预训练模型，该预训练模型包括各种第一参数；
78.原有风险类别处理模块402，配置为在该预训练模型的基础上使用对应原有风险类别的训练样本继续训练，得到风控初始模型，该风控初始模型包括各种第一参数以及对应原有风险类别的第二参数；
79.新增风险类别处理模块403，配置为当出现新增风险类别时，得到新增风险类别的训练样本；使用新增风险类别的训练样本继续训练所述风控初始模型，并且在训练风控初始模型的过程中保持第一参数以及第二参数不变，从而训练出风控模型；该风控模型包括各种第一参数、对应原有风险类别的第二参数以及对应新增风险类别的第三参数；且，该风控模型由第一子网络以及第二子网络组成，其中，第一子网络用于利用第一参数及第二参数对原有风险类别进行识别，第二子网络用于利用第一参数及第三参数对新增风险类别进行识别。
80.在本说明书一个实施例中，预训练处理模块401被配置为执行：使用对比式预训练或者生成式预训练，学习一个通用的基础特征表征，从而得到所述预训练模型。
81.在本说明书一个实施例中，所述预训练模型的模型结构为：特征提取模型结构。
82.在本说明书一个实施例中，原有风险类别处理模块402被配置为执行：在使用对应
原有风险类别的训练样本继续训练该预训练模型的过程中，对所述第一参数进行正则化处理。
83.在本说明书一个实施例中，原有风险类别处理模块402被配置为执行：在该预训练模型的基础上使用对应原有风险类别的训练样本继续训练的过程中，设置风控初始模型的损失函数的表达式为：
84.min||θo(θb)-y||2+α||θb||2；其中，θb表征所述第一参数，θo表征所述第二参数，y表征原有风险类别的训练样本的标签；α为预设的、所述第一参数在训练所述风控初始模型过程中的权重值。
85.在本说明书实施例中，还提出了一种风险识别装置，参见图5，该装置包括：
86.数据获取模块501，配置为得到待识别的数据；
87.数据输入模块502，配置为将该待识别的数据输入风控模型中；其中，所述风控模型是利用图4所示的风控模型的训练装置得到的；
88.风险类别获取模块503，配置为获得该风控模型输出的待识别的数据是否属于原有风险类别的识别结果以及获得该风控模型输出的待识别的数据是否属于新增风险类别的识别结果。
89.需要说明的是，上述各装置通常实现于服务器端，可以分别设置于独立的服务器，也可以其中部分或全部装置的组合设置于同一服务器。该服务器可以是单个的服务器，也可以是由多个服务器组成的服务器集群，服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品。上述各装置还可以实现于具有较强计算能力的计算机终端。
90.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。
91.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。
92.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。
93.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。
94.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。
95.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。

技术特征：
1.风控模型的训练方法，其中，该方法包括：得到一个预训练模型，该预训练模型包括各种第一参数；在该预训练模型的基础上使用对应原有风险类别的训练样本继续训练，得到风控初始模型，该风控初始模型包括各种第一参数以及对应原有风险类别的第二参数；当出现新增风险类别时，得到新增风险类别的训练样本；使用新增风险类别的训练样本继续训练所述风控初始模型，并且在训练风控初始模型的过程中保持第一参数以及第二参数不变，从而训练出风控模型；该风控模型包括各种第一参数、对应原有风险类别的第二参数以及对应新增风险类别的第三参数；且，该风控模型由第一子网络以及第二子网络组成，其中，第一子网络用于利用第一参数及第二参数对原有风险类别进行识别，第二子网络用于利用第一参数及第三参数对新增风险类别进行识别。2.根据权利要求1所述的方法，其中，所述得到一个预训练模型，包括：使用对比式预训练或者生成式预训练，学习一个通用的基础特征表征，从而得到所述预训练模型；和/或，所述预训练模型的模型结构为：特征提取模型结构。3.根据权利要求1所述的方法，其中，在该预训练模型的基础上使用对应原有风险类别的训练样本继续训练，包括：在使用对应原有风险类别的训练样本继续训练该预训练模型的过程中，对所述第一参数进行正则化处理。4.根据权利要求3所述的方法，其中，所述对所述第一参数进行正则化处理，包括：设置风控初始模型的损失函数的表达式为：min||θ
o
(θ
b
)-y||2+α||θ
b
||2；其中，θ
b
表征所述第一参数，θ
o
表征所述第二参数，y表征原有风险类别的训练样本的标签；α为预设的、所述第一参数在训练所述风控初始模型过程中的权重值。5.风险识别方法，其中，该方法包括：得到待识别的数据；将该待识别的数据输入风控模型中；其中，所述风控模型是利用权利要求1至4中任一所述的方法得到的；获得该风控模型输出的待识别的数据是否属于原有风险类别的识别结果以及获得该风控模型输出的待识别的数据是否属于新增风险类别的识别结果。6.风控模型的训练装置，该装置包括：预训练处理模块，配置为得到一个预训练模型，该预训练模型包括各种第一参数；原有风险类别处理模块，配置为在该预训练模型的基础上使用对应原有风险类别的训练样本继续训练，得到风控初始模型，该风控初始模型包括各种第一参数以及对应原有风险类别的第二参数；新增风险类别处理模块，配置为当出现新增风险类别时，得到新增风险类别的训练样本；使用新增风险类别的训练样本继续训练所述风控初始模型，并且在训练风控初始模型的过程中保持第一参数以及第二参数不变，从而训练出风控模型；该风控模型包括各种第一参数、对应原有风险类别的第二参数以及对应新增风险类别的第三参数；且，该风控模型
由第一子网络以及第二子网络组成，其中，第一子网络用于利用第一参数及第二参数对原有风险类别进行识别，第二子网络用于利用第一参数及第三参数对新增风险类别进行识别。7.根据权利要求6所述的装置，其中，所述原有风险类别处理模块被配置为执行：在使用对应原有风险类别的训练样本继续训练该预训练模型的过程中，对所述第一参数进行正则化处理。8.风险识别装置，其中，该装置包括：数据获取模块，配置为得到待识别的数据；数据输入模块，配置为将该待识别的数据输入风控模型中；其中，所述风控模型是利用权利要求7所述的风控模型的训练装置得到的；风险类别获取模块，配置为获得该风控模型输出的待识别的数据是否属于原有风险类别的识别结果以及获得该风控模型输出的待识别的数据是否属于新增风险类别的识别结果。9.一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，令计算机执行权利要求1-5中任一项所述的方法。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1-5中任一项所述的方法。

技术总结
本说明书实施例提供了一种风控模型的训练方法和装置以及风险识别方法和装置。该训练方法包括：得到一个预训练模型包括各种第一参数；在该预训练模型的基础上使用对应原有风险类别的训练样本继续训练，得到风控初始模型，该风控初始模型包括各种第一参数以及对应原有风险类别的第二参数；使用新增风险类别的训练样本继续训练所述风控初始模型，并且在训练过程中保持第一参数以及第二参数不变，从而训练出风控模型；该风控模型由第一子网络以及第二子网络组成，其中，第一子网络用于利用第一参数及第二参数对原有风险类别进行识别，第二子网络用于利用第一参数及第三参数对新增风险类别进行识别。本说明书实施例能够更为有效地训练风控模型以及更为准确地识别风险类别。地训练风控模型以及更为准确地识别风险类别。地训练风控模型以及更为准确地识别风险类别。


技术研发人员：苗书宇 郑霖 金宏
受保护的技术使用者：支付宝（杭州）信息技术有限公司
技术研发日：2023.07.13
技术公布日：2023/10/8