本发明涉及计算机，尤其是一种预估模型训练方法、数据处理方法、装置及电子设备。
背景技术：
1、随着计算机技术和互联网技术的发展，通过网络交易平台进行电子交易逐渐成为商家和个人的常规选择。在电子交易过程中，为了提高交易安全性，通常会采用多种风险控制措施对交易中涉及的相关交易主体和交易内容进行风险控制检测。但是，由于互联网金融和电子商务的复杂性，在交易风险控制的全面性和准确性方面仍然存在较大问题，因此会造成较多正常交易主体或交易内容被错封，对交易主体的使用体验造成严重影响。
2、相关技术在对被错封主体或内容进行优化解封时，通常采用人工规则评估的方法进行识别判断，效率低且成本高。另外，相关技术一般采用对交易双方中的交易接收方建立交易白名单、信用评分表单等方式，来放过对相关交易的拦截操作，这种方式无法对交易发送方的拦截进行优化，因此对于拦截操作的优化准确性不高，无法改善交易发送方的使用体验。
技术实现思路
1、有鉴于此，本发明实施例提供一种高效且低成本的预估模型训练方法、数据处理方法、装置及电子设备，以对风险控制策略进行优化，提高风险控制的准确性，降低交易主体或交易内容被错封的概率。
2、一方面，本发明实施例提供了一种预估模型训练方法，包括但不限于以下步骤：
3、获取目标时间段内发生的交易行为样本，其中，所述交易行为样本包括对交易发起方的拦截行为数据；所述拦截行为数据用于表征交易发起方的被拦截信息以及对拦截行为的投诉信息；
4、根据所述拦截行为数据构建分箱区间，进而将所述交易发起方的拦截行为数据映射到对应的分箱区间，得到拦截行为序列；
5、对所述拦截行为序列进行局部特征提取，得到第一时序特征，并对所述拦截行为序列进行全局特征提取，得到第二时序特征；
6、根据所述第一时序特征、所述第二时序特征以及所述交易行为样本，构建训练特征；
7、根据所述交易发起方的身份信息以及所述交易发起方对于拦截行为的投诉信息，确定所述训练特征的训练标签，进而根据所述训练特征和所述训练标签完成所述预估模型的构建。
8、另一方面，本发明实施例还提供了一种数据处理方法，包括但不限于以下步骤：
9、获取目标对象的交易行为数据；
10、根据目标预估模型对所述交易行为数据进行拦截概率的预估，进而根据所述拦截概率确定对所述目标对象的交易行为的拦截操作；
11、其中，所述目标预估模型根据上述的预估模型训练方法确定。
12、另一方面，本发明实施例还提供了一种预估模型训练装置，包括：
13、第一模块，用于获取目标时间段内发生的交易行为样本，其中，所述交易行为样本包括对交易发起方的拦截行为数据；所述拦截行为数据用于表征交易发起方的被拦截信息以及对拦截行为的投诉信息；
14、第二模块，用于根据所述拦截行为数据构建分箱区间，进而将所述交易发起方的拦截行为数据映射到对应的分箱区间，得到拦截行为序列；
15、第三模块，用于对所述拦截行为序列进行局部特征提取，得到第一时序特征，并对所述拦截行为序列进行全局特征提取，得到第二时序特征；
16、第四模块，用于根据所述第一时序特征、所述第二时序特征以及所述交易行为样本，构建训练特征；
17、第五模块，用于根据所述交易发起方的身份信息以及所述交易发起方对于拦截行为的投诉信息，确定所述训练特征的训练标签，进而根据所述训练特征和所述训练标签完成所述预估模型的构建。
18、可选地，本发明实施例中的预估模型训练装置，第二模块包括：
19、第一单元，用于根据所述拦截行为数据，从所述拦截行为数据中提取每个交易发起方的被拦截次数和被拦截资金；
20、第二单元，用于配置分箱字典，所述分箱字典用于确定特征与箱值之间的对应关系；
21、第三单元，用于根据所述分箱字典和所述被拦截次数，将每次拦截行为的所述被拦截资金映射到对应的分箱区间，得到拦截行为序列。
22、可选地，本发明实施例中的预估模型训练装置，第三单元包括：
23、第一子单元，用于根据每个交易发起方的所述拦截次数，将每个交易发起方的身份标识与对应的被拦截资金构建为一个第一特征对；
24、第二子单元，用于根据所述分箱字典，将每个所述第一特征对中的被拦截资金映射为对应的箱值，进而将所述第一特征对更新为所述身份标识与所述箱值组成的第二特征对；
25、第三子单元，用于将多个所述第二特征对组合得到所述拦截行为序列。
26、可选地，本发明实施例中的预估模型训练装置，第三模块包括：
27、第四单元，用于从所述拦截行为序列中提取第一窗口规模的第一序列，对所述第一序列进行局部特征提取，得到所述第一时序特征；
28、第五单元，用于从所述拦截行为序列中提取第二窗口规模的第二序列，对所述第二序列进行全局特征提取，得到第二时序特征；
29、其中，所述第一窗口规模小于所述第二窗口规模。
30、可选地，本发明实施例中的预估模型训练装置，第四单元包括：
31、第四子单元，用于从提取到的各个所述第一序列中确定中心单词，获取所述中心单词的编码向量；
32、第五子单元，用于根据初始化的第一权重矩阵，将所述中心单词的编码向量与所述初始权重矩阵相乘，确定所述中心单词对应的词向量；
33、第六子单元，用于根据初始化的第二权重矩阵，将所述中心单词对应的词向量与所述第二权重矩阵相乘，确定所述中心单词与上下文单词之间的内积相似度，得到相似度矩阵；
34、第七子单元，用于通过归一化指数函数对所述相似度矩阵进行归一化处理，得到相似度结果；
35、第八子单元，用于根据各个相似度结果对所述第一权重矩阵进行优化，得到目标权重矩阵；
36、第九子单元，用于将所述第一序列中的各个特征词与所述目标权重矩阵相乘，得到所述第一时序特征。
37、可选地，本发明实施例中的预估模型训练装置，第五单元包括：
38、第十子单元，用于从提取到的各个所述第二序列中确定目标单词，并将所述目标单词转化为嵌入向量；
39、第十一子单元，用于根据所述嵌入向量构建请求向量、键向量和值向量，并计算所述请求向量、所述键向量和所述值向量的相似度评分；
40、第十二子单元，用于通过激活函数对所述相似度评分进行激活处理，进而根据激活处理的结果和所述值向量确定每个所述嵌入向量的评分；
41、第十三子单元，用于根据所述嵌入向量的评分，确定第二时序特征。
42、可选地，本发明实施例中的预估模型训练装置，第四模块包括：
43、第六单元，用于将所述第一时序特征和所述第二时序特征进行向量映射，得到对应的局部信息词向量和全局信息词向量；
44、第七单元，用于根据预设的取值规则对所述局部信息词向量和所述全局信息词向量进行取值，得到所述交易发起方的行为序列表示；其中，所述取值规则包括取平均值、取最大值或取最小值；
45、第八单元，用于从所述交易行为样本中提取交易发起方的资金流特征，根据所述资金流特征和所述行为序列表示构建得到所述训练特征。
46、可选地，本发明实施例中的预估模型训练装置，第一模块包括：
47、第九单元，用于根据业务场景需求构建特征需求表；
48、第十单元，用于根据所述特征需求表，获取目标时间段内对交易发起方的拦截行为数据以及交易信息；其中，所述交易信息包括资金流信息；
49、第十一单元，用于根据所述拦截行为数据和所述交易信息，构建时序特征序列作为所述交易行为样本，所述时序特征序列用于表征交易发起方在各个时序下的被拦截信息；所述被拦截信息包括被拦截次数和被拦截资金。
50、可选地，本发明实施例中的预估模型训练装置，还包括：
51、第八模块，用于获取所述预估模型的预估精度，进而根据所述预估精度，对所述特征需求表进行动态更新。
52、另一方面，本发明实施例还提供了一种数据处理装置，包括：
53、第六模块，用于获取目标对象的交易行为数据；
54、第七模块，用于根据目标预估模型对所述交易行为数据进行拦截概率的预估，进而根据所述拦截概率确定对所述目标对象的交易行为的拦截操作；
55、其中，所述目标预估模型根据上述的预估模型训练装置确定。
56、另一方面，本发明实施例还提供了一种电子设备，包括处理器以及存储器；
57、所述存储器用于存储程序；
58、所述处理器执行所述程序实现前面的预估模型训练方法或数据处理方法。
59、另一方面，本发明实施例还提供了一种计算机可读存储介质，存储介质存储有程序，程序被处理器执行实现如前面的预估模型训练方法或数据处理方法。
60、另一方面，本发明实施例还提供了一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现如前面的预估模型训练方法或数据处理方法。
61、本发明的实施例首先获取能够表征交易发起方的被拦截信息以及对拦截行为的投诉信息的交易行为样本，本发明实施例获取历史时间内交易过程中交易发起方的相关数据作为原始数据，通过对交易发送方的建模来判定交易拦截策略对交易发送方的体验影响和用户投诉概率，不同于相关技术针对接收方的判定方案，本发明能够准确追溯到受影响的交易发起方，进而在后续步骤对交易发起方的拦截进行优化放过，降低交易发起方被错封的概率，进而提升用户体验；接着，本发明实施例根据拦截行为数据构建分箱区间，进而将交易发起方的拦截行为数据映射到对应的分箱区间，得到拦截行为序列，本发明实施例采用分箱映射的操作，保证预测数据可以有效映射到分箱区间中，避免过拟合问题，进而提高预估模型的准确性；然后，对拦截行为序列进行局部特征提取，得到第一时序特征，并对拦截行为序列进行全局特征提取，得到第二时序特征；从而根据第一时序特征、第二时序特征以及交易行为样本，构建训练特征；最后，本发明实施例根据交易发起方的身份信息以及交易发起方对于拦截行为的投诉信息，确定训练特征的训练标签，进而根据训练特征和训练标签完成预估模型的构建，本发明实施例利用多种时序特征提取的方案获取训练样本，提高信息提取维度和特征提取效果，提高了预估模型的准确性，基于预估模型来对风险控制策略进行优化，相较于人工优化，提高了优化效率且降低了成本。
1.一种预估模型训练方法，其特征在于，包括：
2.根据权利要求1所述的一种预估模型训练方法，其特征在于，所述根据所述拦截行为数据构建分箱区间，进而将所述交易发起方的拦截行为数据映射到对应的分箱区间，得到拦截行为序列，包括：
3.根据权利要求2所述的一种预估模型训练方法，其特征在于，所述根据所述分箱字典和所述被拦截次数，将每次拦截行为的所述被拦截资金映射到对应的分箱区间，得到拦截行为序列，包括：
4.根据权利要求1所述的一种预估模型训练方法，其特征在于，所对所述拦截行为序列进行局部特征提取，得到第一时序特征，并对所述拦截行为序列进行全局特征提取，得到第二时序特征，包括：
5.根据权利要求4所述的一种预估模型训练方法，其特征在于，所述从所述拦截行为序列中提取第一窗口规模的第一序列，对所述第一序列进行局部特征提取，得到所述第一时序特征，包括：
6.根据权利要求4所述的一种预估模型训练方法，其特征在于，所述从所述拦截行为序列中提取第二窗口规模的第二序列，对所述第二序列进行全局特征提取，得到第二时序特征，包括：
7.根据权利要求1所述的一种预估模型训练方法，其特征在于，所述根据所述第一时序特征、所述第二时序特征以及所述交易行为样本，构建训练特征，包括：
8.根据权利要求1所述的一种预估模型训练方法，其特征在于，所述获取目标时间段内发生的交易行为样本，包括：
9.根据权利要求8所述的一种预估模型训练方法，其特征在于，所述方法还包括：
10.一种数据处理方法，其特征在于，包括：
11.一种预估模型训练装置，其特征在于，包括：
12.一种数据处理装置，其特征在于，包括：
13.一种电子设备，其特征在于，包括处理器以及存储器；
14.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至9中任一项所述的方法。
15.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至9中任一项所述的方法。
