CN108305158B - 一种训练风控模型和风控的方法、装置及设备 - Google Patents

一种训练风控模型和风控的方法、装置及设备 Download PDF

Info

Publication number
CN108305158B
CN108305158B CN201711440835.9A CN201711440835A CN108305158B CN 108305158 B CN108305158 B CN 108305158B CN 201711440835 A CN201711440835 A CN 201711440835A CN 108305158 B CN108305158 B CN 108305158B
Authority
CN
China
Prior art keywords
time period
sub
historical data
feature
wind control
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201711440835.9A
Other languages
English (en)
Other versions
CN108305158A (zh
Inventor
潘健民
张鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Advanced New Technologies Co Ltd
Advantageous New Technologies Co Ltd
Original Assignee
Alibaba Group Holding Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201711440835.9A priority Critical patent/CN108305158B/zh
Publication of CN108305158A publication Critical patent/CN108305158A/zh
Priority to TW107136508A priority patent/TW201928841A/zh
Priority to PCT/CN2018/116088 priority patent/WO2019128526A1/zh
Priority to EP18896594.1A priority patent/EP3648044A4/en
Priority to SG11202001040TA priority patent/SG11202001040TA/en
Priority to US16/812,025 priority patent/US20200211106A1/en
Application granted granted Critical
Publication of CN108305158B publication Critical patent/CN108305158B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
    • G06Q20/401—Transaction verification
    • G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/12—Accounting

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Technology Law (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Security & Cryptography (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书实施例公开了一种训练风控模型和风控的方法、装置及设备。在训练风控模型的阶段，可以获取指定时间段内的历史数据，并将指定时间段划分为若干子时间段，然后确定每个子时间段内所述历史数据的特征，按照指定的各子时间段的排序规则，对各子时间段内所述历史数据的特征进行排序，得到的特征序列可作为样本，用于训练风控模型。

Description

一种训练风控模型和风控的方法、装置及设备
技术领域
本说明书涉及信息技术领域，尤其涉及一种训练风控模型和风控的方法、装置及设备。
背景技术
在诸多行业，风险控制(简称风控)工作的重要性不言而喻。例如，在金融行业，银行的风控工作可以是从受理的交易中识别出涉嫌洗钱的交易。
具体而言，可以首先收集若干历史数据(已经被确认为合法或非法的业务数据)。风控人员可以通过分析各历史数据，总结出若干用于识别业务数据是否合法的风控规则。
风控人员也可以设计若干特征类型(如近90天入账金额、近30天入账金额占近90天入账金额的比例)，然后针对每个历史数据，根据该历史数据，确定该历史数据对应于每个特征类型的特征值，最后将每个历史数据的各业务特征的特征值作为样本，训练得到用于识别业务数据是否合法的风控模型。
基于现有技术，需要一种更为准确的风控方法。
发明内容
本说明书实施例提供一种训练风控模型和风控的方法、装置及设备，以解决现有的风控方法准确性较差的问题。
为解决上述技术问题，本说明书实施例是这样实现的：
本说明书实施例提供的一种训练风控模型的方法，包括：
获取指定时间段内的历史数据，并将所述指定时间段划分为若干子时间段；
针对每个子时间段，根据所述历史数据，确定该子时间段内所述历史数据的特征；
按照指定的各子时间段的排序规则，对各子时间段内所述历史数据的特征进行排序，得到特征序列；
以所述特征序列为样本训练风控模型。
本说明书实施例提供的一种风控方法，包括：
获取指定时间段内的业务数据，并将所述指定时间段划分为若干子时间段；
针对每个子时间段，根据所述业务数据，确定该子时间段内所述业务数据的特征；
按照指定的各子时间段的排序规则，将各子时间段内所述业务数据的特征进行排序，得到特征序列；
将所述特征序列输入到根据上述训练风控模型的方法训练得到的风控模型，以对所述业务数据是否合法进行识别。
本说明书实施例提供的一种训练风控模型的装置，包括：
获取模块，获取指定时间段内的历史数据，并将所述指定时间段划分为若干子时间段；
确定模块，针对每个子时间段，根据所述历史数据，确定该子时间段内所述历史数据的特征；
排序模块，按照指定的各子时间段的排序规则，对各子时间段内所述历史数据的特征进行排序，得到特征序列；
训练模块，以所述特征序列为样本训练风控模型。
本说明书实施例提供的一种风控装置，包括：
获取模块，获取指定时间段内的业务数据，并将所述指定时间段划分为若干子时间段；
确定模块，针对每个子时间段，根据所述业务数据，确定该子时间段内所述业务数据的特征；
排序模块，按照指定的各子时间段的排序规则，将各子时间段内所述业务数据的特征进行排序，得到特征序列；
识别模块，将所述特征序列输入到根据上述训练风控模型的方法训练得到的风控模型，以对所述业务数据是否合法进行识别。
本说明书实施例提供的一种训练风控模型的设备，包括一个或多个处理器及存储器，所述存储器存储有程序，并且被配置成由所述一个或多个处理器执行以下步骤：
获取指定时间段内的历史数据，并将所述指定时间段划分为若干子时间段；
针对每个子时间段，根据所述历史数据，确定该子时间段内所述历史数据的特征；
按照指定的各子时间段的排序规则，对各子时间段内所述历史数据的特征进行排序，得到特征序列；
以所述特征序列为样本训练风控模型。
本说明书实施例提供的一种风控设备，包括一个或多个处理器及存储器，所述存储器存储有程序，并且被配置成由所述一个或多个处理器执行以下步骤：
获取指定时间段内的业务数据，并将所述指定时间段划分为若干子时间段；
针对每个子时间段，根据所述业务数据，确定该子时间段内所述业务数据的特征；
按照指定的各子时间段的排序规则，将各子时间段内所述业务数据的特征进行排序，得到特征序列；
将所述特征序列输入到根据上述训练风控模型的方法训练得到的风控模型，以对所述业务数据是否合法进行识别。
由以上本说明书实施例提供的技术方案可见，在本说明书实施例中，在训练风控模型的阶段，可以获取指定时间段内的历史数据，并将指定时间段划分为若干子时间段，然后确定每个子时间段内所述历史数据的特征，按照指定的各子时间段的排序规则，对各子时间段内所述历史数据的特征进行排序，得到的特征序列可作为样本，用于训练风控模型。由于按时间排序的特征序列相比于现有技术中单一的特征值可更为全面和准确得表征历史数据的变化过程，因此，以历史数据对应的特征序列为样本训练得到的风控模型可以更加准确地识别业务数据是否合法。
附图说明
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，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本说明书实施例提供的一种训练风控模型的方法流程图；
图2是本说明书实施例提供的一种风控方法流程图；
图3是本说明书实施例提供的一种训练风控模型的装置示意图；
图4是本说明书实施例提供的一种风控装置示意图；
图5是本说明书实施例提供的一种训练风控模型的设备示意图；
图6是本说明书实施例提供的一种风控设备示意图。
具体实施方式
在现有的识别业务数据的方法中，不论是风控人员总结的风控规则，还是风控人员设计的特征类型，都是风控人员根据历史数据分析得到的单一的特征值，其无法全面和准确得表征历史数据的变化过程。例如，在洗钱场景下，近90天出账金额这一人工设计的特征类型只是单一的特征值，而无法表征近90天中每一天的出账金额的变化过程。
而本发明的核心思想在于，为了使得用于训练风控模型的样本尽可能表征历史数据的变化过程，可以根据历史数据在时间上的特征分布来确定样本，用于训练风控模型。
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。通过本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1是本说明书实施例提供的训练风控模型的方法流程图，包括以下步骤：
S100：获取指定时间段内的历史数据，并将所述指定时间段划分为若干子时间段。
本方法的执行主体可以是用于训练风控模型和/或执行风控工作的设备(简称风控设备)。
在本说明书实施例中，可以获取指定时间段内的历史数据。其中，所述历史数据是已经被确认为合法或非法的业务数据。例如，在反洗钱场景下，所述历史数据可以是1000个用户的账户记录。
此处值得强调的是，获取的历史数据中，合法数据的数量与非法数据的数量之间的比值通常应介于第一指定值和第二指定值之间，第二指定值大于第一指定值。例如，第一指定值可以是10，第二指定值可以是100。
所述指定时间段可以根据需要指定。例如，当需要训练风控模型时(假设此时为2017年6月1日)，可以获取近3个月内的历史数据，也就是获取2017年3月1日至2017年5月31日的历史数据，2017年3月1日至2017年5月31日就是所述指定时间段。
结合上述两个例子，获取的指定时间段内的历史数据可以是1000个用户于2017年3月1日0点至2017年5月31日24点之间的账户记录。
在本说明书实施例中，可将所述指定时间段划分为若干子时间段。继续沿用上例，可以将指定时间段2017年3月1日至2017年5月31日划分为92个子时间段，如下：2017年3月1日0点至24点(即2017年3月1日全天)、2017年3月2日全天、……2017年5月31日全天。
S102：针对每个子时间段，根据所述历史数据，确定该子时间段内所述历史数据的特征。
在本步骤中，风控设备具体可以针对预设的每个特征类型，确定该子时间段内所述历史数据对应于该特征类型的特征。例如，所述特征类型可以是出账金额、入账金额、账户操作次数等。
表1是本说明书实施例提供的每个子时间段内用户A的账户记录的特征。如表1所示，举例来说，针对子时间段2017年3月1日全天，用户A的账户的三个特征依次是：出账金额为2万，入账金额为8万，账户操作次数为5。
2017.3.1 2017.3.2 …… 2017.5.31
出账金额 2万 5万 8万
入账金额 8万 9万 20万
账户操作次数 5 6 8
表1
S104：按照指定的各子时间段的排序规则，对各子时间段内所述历史数据的特征进行排序，得到特征序列。
风控设备在确定各子时间段内所述历史数据的特征之后，可以按照指定的各子时间段的排序规则，对各子时间段内所述历史数据的特征进行排序，得到特征序列。其中，所述排序规则可以是各时间段的时间先后顺序。
具体而言，风控设备可以针对每个特征类型，对各子时间段内所述历史数据对应于该特征类型的特征进行排序，得到该特征类型对应的特征序列。
还是以表1为例，风控设备得到的特征序列可以如下：
出账金额对应的特征序列{20000，50000，…，80000}；
入账金额对应的特征序列{80000，90000，…，200000}；
账户操作次数对应的特征序列{5，6，…，8}。
需要说明的是，此处得到每个特征类型对应的特征序列的方式还可以是：对各子时间段内所述历史数据对应于该特征类型的特征进行归一化处理；对处理后的各特征进行排序，得到该特征类型对应的特征序列。
之所以要对对应于每个特征类型的特征进行归一化处理，是因为：历史数据对应于不同特征类型的特征的数量级可能不同，例如，表1中的出账金额的各特征的数量级为10000，而账户操作次数的各特征的数量级为1。如果不对不同特征类型的特征做归一化处理，就会导致某些数量级较大的特征类型对模型训练效果起主导作用，进而导致训练得到的风控模型准确性不高。
具体地，可以针对每个特征类型，对各子时间段内所述历史数据对应于该特征类型的各特征求和；针对所述历史数据对应于该特征类型的每个特征，计算该特征与求得的和的比值；将该特征对应的比值作为处理后的该特征。
以表一为例，可以针对出账金额这一特征类型，处理该特征类型在各子时间段内的特征的值。具体地，可以将20000处理成20000/(20000+50000+…+80000)，对50000、……、80000的处理也类似。
进一步地，有时，哪怕对各特征类型对应的特征做了如上所述归一化处理后，得到的处理后的该特征还可能存在如下问题：比如，3个子时间段内，用户A的账户记录对应于某个特征类型的各特征依次为“0，10000，0”，用户B的账户记录对应于该特征类型的各特征依次为“0，10，0”，采用上述归一化方式对这两组特征进行处理后，得到的结果都是“0，1，0”，但是显然，这两组特征表征的风险信息并不等同。
因此，可以对上述归一化方式做进一步修正，即：
针对每个特征类型，预设各子时间段内所述历史数据对应于该特征类型的各特征分别对应的权重值，对各子时间段内所述历史数据对应于该特征类型的各特征求和；针对所述历史数据对应于该特征类型的每个特征，计算该特征与求得的和的比值，并将该特征对应的比值乘以该特征对应的权重值，得到该特征对应的计算结果，将该特征对应的计算结果作为处理后的该特征。
例如，假设上例中的第一组特征依次为“0，10000，0”对应的权重值为“0，5，0”，第二组特征依次为“0，10，0”对应的权重值为“0，2，0”。可采用修正后的归一化方式对这两组特征进行处理，得到处理后的第一组特征依次为“0，5，0”，处理后的第二组特征依次为“0，2，0”。这样，就将这两组特征区分开来。
S106：以所述特征序列为样本训练风控模型。
在本说明书实施例中，只要是能够以特征序列为输入来训练模型的算法，都可以用于训练本文所述的风控模型。
具体地，可以以各特征类型分别对应的特征序列为样本，采用卷积神经网络算法训练风控模型。
例如，可以针对每个用户的账户记录，将该账户记录的3个特征类型分别对应的特征序列为样本。假设用户A对应的样本是：
出账金额对应的特征序列{2，5，…，8}；
入账金额对应的特征序列{8，9，…，2}；
账户操作次数对应的特征序列{5，6，…，8}。
显然，由于各特征序列中特征的个数相同(即子时间段的个数)，可以将这三个特征序列组合成用户A对应的n*m特征矩阵如下：
Figure BDA0001526636310000081
其中n是特征类型的数量，m是子时间段的个数。
这样，可以得到1000个用户分别对应的1000个特征矩阵，将这1000个特征矩阵输入到卷积神经网络模型。
下文对训练过程做简要说明。
以反洗钱场景为例，假设通过步骤S100～S104，得到1000个用户分别对应的1000个特征矩阵作为样本。
可以采用小批量随机梯度下降法(mini batch SGD)训练卷积神经网络模型，步骤如下：
1、从1000个样本(n*m特征矩阵)中随机抽取100个样本输入到神经网络的输入层。
2、输入层将每个样本(n*m特征矩阵)输入给卷积层进行卷积。针对每个样本而言，卷积核的个数和大小可以按需要指定，卷积核的数量可以为s个。由于各特征类型之间并不具有连续性，因此卷积核不需要在各特征类型的分布方向上做扫描，卷积核的行数和/或列数可以为预设的特征类型的数量。例如，每个卷积核的大小可以为n*j，j为小于m的正整数。这样，由于卷积核的行数与特征矩阵的行数相同，因此，卷积核仅需要在水平方向上做平移(步长可以根据需要指定，例如步长为1)计算卷积即可。使用s个卷积核针对该样本计算卷积后，可以得到s个特征图(也是矩阵形式)。由于向卷积层输入了100个样本，因此卷积层可以输出100s个特征图。
3、使用激活函数(可以选择RELU函数)对得到的100s个特征图进行处理后，将处理后的特征图传输给池化层进行池化(如，可采用maxpooling方法进行池化)。其中，进行池化时，池化矩阵的大小和平移的步长都可以根据需要指定。
4、上述步骤2～3可以重复执行多次，经过卷积层、激活函数、池化层这一组合多次处理后可得到若干“小特征图”(数量通常大于s)，将得到的若干小特征图输入给全连接层，在全连接层中，各小特征图被以行为单位拼接成一个长向量，随后，该长向量被全连接层输出给softmax进行分类处理，得到一个二维向量，表征该样本合法的概率和非法的概率，如(0.2，0.8)。
5、根据该二维向量和损失函数(如cross entropy)计算得到表征本次训练效果的训练效果表征值，若训练效果表征值满足指定条件(如效果表征值收敛)，则训练结束，若训练效果表征值不满足指定条件，则根据所述训练效果表征值调整神经网络的参数(如卷积层中的卷积核)，然后重新开始执行步骤1，即开始下一次迭代训练，直至得到的训练效果表征值满足指定条件。
图2是本说明书实施例提供的一种风控方法，包括以下步骤：
S200：获取指定时间段内的业务数据，并将所述指定时间段划分为若干子时间段。
S202：针对每个子时间段，根据所述业务数据，确定该子时间段内所述业务数据的特征。
S204：按照指定的各子时间段的排序规则，将各子时间段内所述业务数据的特征进行排序，得到特征序列。
S206：将所述特征序列输入到风控模型，以对所述业务数据是否合法进行识别。
在图2所示的方法中，采用根据图1所示的方法训练得到的风控模型识别业务数据是否合法。需要说明的是：
其一，图2所示的流程中的“指定时间段”和图1所示的流程中的“指定时间段”通常不是同一时间段，并且，图1所示的指定时间段早于图2所示的指定时间段。
其二，在图2所示的流程中，类似于图1所示的流程，也需要确定所述业务数据对应的特征序列作为风控模型的输入，具体方式可参照前文，不再赘述。
通过图1所示的训练风控模型的方法和图2所示的风控方法，在训练风控模型的阶段，可以获取指定时间段内的历史数据，并将指定时间段划分为若干子时间段，然后确定每个子时间段内所述历史数据的特征，按照指定的各子时间段的排序规则，对各子时间段内所述历史数据的特征进行排序，得到的特征序列可作为样本，用于训练风控模型。由于按时间排序的特征序列相比于现有技术中单一的特征值可更为全面和准确得表征历史数据的变化过程，因此，以历史数据对应的特征序列为样本训练得到的风控模型可以更加准确地识别业务数据是否合法。
基于图1所示的训练风控模型的方法，本说明书实施例还对应提供了一种训练风控模型的装置，如图3所示，包括：
获取模块301，获取指定时间段内的历史数据，并将所述指定时间段划分为若干子时间段；
确定模块302，针对每个子时间段，根据所述历史数据，确定该子时间段内所述历史数据的特征；
排序模块303，按照指定的各子时间段的排序规则，对各子时间段内所述历史数据的特征进行排序，得到特征序列；
训练模块304，以所述特征序列为样本训练风控模型。
所述确定模块302，根据所述历史数据，确定该子时间段内所述历史数据的不止一个特征类型的特征。
所述排序模块303，针对每个特征类型，按照指定的各子时间段的排序规则，对各子时间段内所述历史数据的该特征类型的特征进行排序，得到该特征类型对应的特征序列；
所述风控模型为卷积神经网络模型。
所述卷积神经网络模型中卷积层的卷积核的行数和/或列数为预设的特征类型的数量。
基于图2所示的风控方法，本说明实施例还对应提供了一种风控装置，如图4所示，包括：
获取模块401，获取指定时间段内的业务数据，并将所述指定时间段划分为若干子时间段；
确定模块402，针对每个子时间段，根据所述业务数据，确定该子时间段内所述业务数据的特征；
排序模块403，按照指定的各子时间段的排序规则，将各子时间段内所述业务数据的特征进行排序，得到特征序列；
识别模块404，将所述特征序列输入到风控模型，以对所述业务数据是否合法进行识别；所述风控模型是根据图1所示的方法训练得到的。
基于图1所示的训练风控模型的方法，本说明书实施例还对应提供了一种训练风控模型的设备，如图5所示，该设备包括一个或多个处理器及存储器，所述存储器存储有程序，并且被配置成由所述一个或多个处理器执行以下步骤：
获取指定时间段内的历史数据，并将所述指定时间段划分为若干子时间段；
针对每个子时间段，根据所述历史数据，确定该子时间段内所述历史数据的特征；
按照指定的各子时间段的排序规则，对各子时间段内所述历史数据的特征进行排序，得到特征序列；
以所述特征序列为样本训练风控模型。
基于图2所示的风控方法，本说明书实施例还对应提供了一种风控设备，如图6所示，该设备包括一个或多个处理器及存储器，所述存储器存储有程序，并且被配置成由所述一个或多个处理器执行以下步骤：
获取指定时间段内的业务数据，并将所述指定时间段划分为若干子时间段；
针对每个子时间段，根据所述业务数据，确定该子时间段内所述业务数据的特征；
按照指定的各子时间段的排序规则，将各子时间段内所述业务数据的特征进行排序，得到特征序列；
将所述特征序列输入到风控模型，以对所述业务数据是否合法进行识别；所述风控模型是根据图1所示的方法训练得到的。
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，对于图5和图6所示的设备而言，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。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(ProgrammableLogic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字符系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字符助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字符多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (12)

1.一种训练风控模型的方法，包括：
获取指定时间段内的历史数据，并将所述指定时间段划分为若干子时间段；
针对每个子时间段，根据所述历史数据，确定该子时间段内所述历史数据的特征；具体地，针对预设的每个特征类型，确定该子时间段内所述历史数据对应于该特征类型的特征；
按照指定的各子时间段的排序规则，对各子时间段内所述历史数据的特征进行排序，得到特征序列；具体地，针对每个特征类型，对各子时间段内所述历史数据对应于该特征类型的特征进行排序，得到该特征类型对应的特征序列；其中，所述排序规则是各子时间段的时间先后顺序；
以所述特征序列为样本训练风控模型；具体地，以各特征类型分别对应的特征序列为样本训练风控模型。
2.根据权利要求1所述的方法，对各子时间段内所述历史数据对应于该特征类型的特征进行排序，得到该特征类型对应的特征序列，具体包括：
对各子时间段内所述历史数据对应于该特征类型的特征进行归一化处理；
对处理后的各特征进行排序，得到该特征类型对应的特征序列。
3.根据权利要求1所述的方法，所述风控模型为卷积神经网络模型。
4.根据权利要求3所述的方法，所述卷积神经网络模型中卷积层的卷积核的行数和/或列数为预设的特征类型的数量。
5.一种风控方法，包括：
获取指定时间段内的业务数据，并将所述指定时间段划分为若干子时间段；
针对每个子时间段，根据所述业务数据，确定该子时间段内所述业务数据的特征；
按照指定的各子时间段的排序规则，将各子时间段内所述业务数据的特征进行排序，得到特征序列；
将所述特征序列输入到根据权利要求1～4任一项所述的方法训练得到的风控模型，以对所述业务数据是否合法进行识别。
6.一种训练风控模型的装置，包括：
获取模块，获取指定时间段内的历史数据，并将所述指定时间段划分为若干子时间段；
确定模块，针对每个子时间段，根据所述历史数据，确定该子时间段内所述历史数据的特征；具体地，针对预设的每个特征类型，确定该子时间段内所述历史数据对应于该特征类型的特征；
排序模块，按照指定的各子时间段的排序规则，对各子时间段内所述历史数据的特征进行排序，得到特征序列；具体地，针对每个特征类型，对各子时间段内所述历史数据对应于该特征类型的特征进行排序，得到该特征类型对应的特征序列；其中，所述排序规则是各子时间段的时间先后顺序；
训练模块，以所述特征序列为样本训练风控模型；具体地，以各特征类型分别对应的特征序列为样本训练风控模型。
7.根据权利要求6所述的装置，所述排序模块，对各子时间段内所述历史数据对应于该特征类型的特征进行归一化处理；对处理后的各特征进行排序，得到该特征类型对应的特征序列。
8.根据权利要求6所述的装置，所述风控模型为卷积神经网络模型。
9.根据权利要求8所述的装置，所述卷积神经网络模型中卷积层的卷积核的行数和/或列数为预设的特征类型的数量。
10.一种风控装置，包括：
获取模块，获取指定时间段内的业务数据，并将所述指定时间段划分为若干子时间段；
确定模块，针对每个子时间段，根据所述业务数据，确定该子时间段内所述业务数据的特征；
排序模块，按照指定的各子时间段的排序规则，将各子时间段内所述业务数据的特征进行排序，得到特征序列；
识别模块，将所述特征序列输入到根据权利要求1～4任一项所述的方法训练得到的风控模型，以对所述业务数据是否合法进行识别。
11.一种训练风控模型的设备，包括一个或多个处理器及存储器，所述存储器存储有程序，并且被配置成由所述一个或多个处理器执行以下步骤：
获取指定时间段内的历史数据，并将所述指定时间段划分为若干子时间段；
针对每个子时间段，根据所述历史数据，确定该子时间段内所述历史数据的特征；具体地，针对预设的每个特征类型，确定该子时间段内所述历史数据对应于该特征类型的特征；
按照指定的各子时间段的排序规则，对各子时间段内所述历史数据的特征进行排序，得到特征序列；具体地，针对每个特征类型，对各子时间段内所述历史数据对应于该特征类型的特征进行排序，得到该特征类型对应的特征序列；其中，所述排序规则是各子时间段的时间先后顺序；
以所述特征序列为样本训练风控模型；具体地，以各特征类型分别对应的特征序列为样本训练风控模型。
12.一种风控设备，包括一个或多个处理器及存储器，所述存储器存储有程序，并且被配置成由所述一个或多个处理器执行以下步骤：
获取指定时间段内的业务数据，并将所述指定时间段划分为若干子时间段；
针对每个子时间段，根据所述业务数据，确定该子时间段内所述业务数据的特征；
按照指定的各子时间段的排序规则，将各子时间段内所述业务数据的特征进行排序，得到特征序列；
将所述特征序列输入到根据权利要求1～4任一项所述的方法训练得到的风控模型，以对所述业务数据是否合法进行识别。
CN201711440835.9A 2017-12-27 2017-12-27 一种训练风控模型和风控的方法、装置及设备 Active CN108305158B (zh)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN201711440835.9A CN108305158B (zh) 2017-12-27 2017-12-27 一种训练风控模型和风控的方法、装置及设备
TW107136508A TW201928841A (zh) 2017-12-27 2018-10-17 訓練風控模型和風控的方法、裝置及設備
PCT/CN2018/116088 WO2019128526A1 (zh) 2017-12-27 2018-11-19 一种训练风控模型和风控的方法、装置及设备
EP18896594.1A EP3648044A4 (en) 2017-12-27 2018-11-19 METHOD, APPARATUS AND DEVICE FOR FORMING RISK MANAGEMENT MODEL AND RISK MANAGEMENT
SG11202001040TA SG11202001040TA (en) 2017-12-27 2018-11-19 Method, apparatus, and device for training risk control model and risk control
US16/812,025 US20200211106A1 (en) 2017-12-27 2020-03-06 Method, apparatus, and device for training risk management models

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711440835.9A CN108305158B (zh) 2017-12-27 2017-12-27 一种训练风控模型和风控的方法、装置及设备

Publications (2)

Publication Number Publication Date
CN108305158A CN108305158A (zh) 2018-07-20
CN108305158B true CN108305158B (zh) 2020-06-09

Family

ID=62867548

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711440835.9A Active CN108305158B (zh) 2017-12-27 2017-12-27 一种训练风控模型和风控的方法、装置及设备

Country Status (6)

Country Link
US (1) US20200211106A1 (zh)
EP (1) EP3648044A4 (zh)
CN (1) CN108305158B (zh)
SG (1) SG11202001040TA (zh)
TW (1) TW201928841A (zh)
WO (1) WO2019128526A1 (zh)

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108305158B (zh) * 2017-12-27 2020-06-09 阿里巴巴集团控股有限公司 一种训练风控模型和风控的方法、装置及设备
US11763170B2 (en) * 2018-02-05 2023-09-19 Sony Group Corporation Method and system for predicting discrete sequences using deep context tree weighting
CN110874601B (zh) * 2018-08-29 2023-05-26 阿里巴巴集团控股有限公司 识别设备运行状态的方法、状态识别模型训练方法及装置
US11443229B2 (en) 2018-08-31 2022-09-13 Sony Group Corporation Method and system for continual learning in an intelligent artificial agent
CN110147940A (zh) * 2019-04-26 2019-08-20 阿里巴巴集团控股有限公司 一种风险控制处理方法、设备、介质以及装置
CN112836827B (zh) * 2019-11-25 2024-04-26 上海哔哩哔哩科技有限公司 模型训练方法、装置以及计算机设备
CN111160797A (zh) * 2019-12-31 2020-05-15 深圳市分期乐网络科技有限公司 风控模型的构建方法、装置、存储介质及终端
CN111951011B (zh) * 2020-07-30 2023-09-29 中国工商银行股份有限公司 监控系统阈值确定方法及装置
CN111680107B (zh) * 2020-08-11 2020-12-08 上海竞动科技有限公司 一种基于人工智能和区块链的金融预测系统
CN112580965A (zh) * 2020-12-15 2021-03-30 中国建设银行股份有限公司 一种风险强度识别方法、装置及设备
CN113780614A (zh) * 2021-01-04 2021-12-10 北京沃东天骏信息技术有限公司 一种风险识别方法和装置
CN113793165B (zh) * 2021-01-15 2024-07-19 北京京东拓先科技有限公司 接单响应时长的输出方法、装置、电子设备及计算机介质
CN112784420B (zh) * 2021-01-26 2022-09-02 支付宝(杭州)信息技术有限公司 一种风控策略的仿真评估方法、装置及设备
CN113077336B (zh) * 2021-04-15 2024-05-24 北京同邦卓益科技有限公司 风控信息配置方法、装置、电子设备和计算机可读介质
CN113296836B (zh) * 2021-06-08 2022-07-22 北京百度网讯科技有限公司 训练模型的方法、测试方法、装置、电子设备及存储介质
CN114048320B (zh) * 2022-01-12 2022-03-29 成都信息工程大学 一种基于课程学习的多标签国际疾病分类训练方法
US11941002B1 (en) * 2022-03-31 2024-03-26 Amazon Technologies, Inc. Dynamically sort data
CN114943307B (zh) * 2022-06-28 2024-09-06 支付宝(杭州)信息技术有限公司 一种模型训练的方法、装置、存储介质以及电子设备
CN115841335B (zh) * 2023-02-07 2023-05-16 支付宝(杭州)信息技术有限公司 数据处理方法、装置及设备
CN116661574B (zh) * 2023-07-13 2023-12-12 之江实验室 一种计算设备散热的方法、装置、存储介质及电子设备
CN117786417B (zh) * 2024-02-28 2024-05-10 之江实验室 一种模型训练方法、瞬变源的识别方法、装置及电子设备

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7089592B2 (en) * 2001-03-15 2006-08-08 Brighterion, Inc. Systems and methods for dynamic detection and prevention of electronic fraud
CN101393643B (zh) * 2007-09-21 2012-01-18 华东师范大学 计算机笔划变形系统和方法
US9380065B2 (en) * 2014-03-12 2016-06-28 Facebook, Inc. Systems and methods for identifying illegitimate activities based on historical data
US20150324715A1 (en) * 2014-05-12 2015-11-12 Jerald Scott Nelson Logistics settlement risk scoring system
CN106033574B (zh) * 2015-03-10 2021-07-30 创新先进技术有限公司 一种作弊行为的识别方法及装置
CN105760932B (zh) * 2016-02-17 2018-04-06 第四范式（北京）技术有限公司 数据交换方法、数据交换装置及计算装置
CN107301577A (zh) * 2016-04-15 2017-10-27 阿里巴巴集团控股有限公司 信用评估模型的训练方法、信用评估方法以及装置
CN111784348B (zh) * 2016-04-26 2024-06-11 创新先进技术有限公司 账户风险识别方法及装置
CN107092982A (zh) * 2017-04-11 2017-08-25 北京国网富达科技发展有限责任公司 一种电网覆冰预报方法及装置
CN107358247B (zh) * 2017-04-18 2020-08-04 阿里巴巴集团控股有限公司 一种确定流失用户的方法及装置
CN107273930A (zh) * 2017-06-14 2017-10-20 成都四方伟业软件股份有限公司 一种动态流式数据的聚类方法
CN108305158B (zh) * 2017-12-27 2020-06-09 阿里巴巴集团控股有限公司 一种训练风控模型和风控的方法、装置及设备

Also Published As

Publication number Publication date
TW201928841A (zh) 2019-07-16
EP3648044A4 (en) 2020-07-01
WO2019128526A1 (zh) 2019-07-04
SG11202001040TA (en) 2020-03-30
CN108305158A (zh) 2018-07-20
EP3648044A1 (en) 2020-05-06
US20200211106A1 (en) 2020-07-02

Similar Documents

Publication Publication Date Title
CN108305158B (zh) 一种训练风控模型和风控的方法、装置及设备
CN108629687B (zh) 一种反洗钱方法、装置及设备
CN108845936B (zh) 一种基于海量用户的ab测试方法及系统
CN110263821B (zh) 交易特征生成模型的训练、交易特征的生成方法和装置
CN109190007B (zh) 数据分析方法及装置
CN108764915B (zh) 模型训练方法、数据类型识别方法和计算机设备
CN110020427B (zh) 策略确定方法和装置
CN110633989A (zh) 一种风险行为生成模型的确定方法及装置
CN108346098B (zh) 一种风控规则挖掘的方法及装置
CN113780404A (zh) 资源数据的处理方法及装置
CN114240101A (zh) 一种风险识别模型的验证方法、装置以及设备
CN112581261A (zh) 一种风控规则确定方法及装置
CN109615171A (zh) 特征阈值确定方法及装置、问题对象确定方法及装置
CN118013428B (zh) 基于人工智能的地质灾害风险评估方法及系统
CN107066518A (zh) 数据处理方法及系统
CN115601066A (zh) 一种用户挖掘方法、装置以及电子设备
CN110033092B (zh) 数据标签生成、模型训练、事件识别方法和装置
CN109582834B (zh) 数据风险预测方法及装置
CN114490786A (zh) 数据排序方法及装置
CN107368281B (zh) 一种数据处理方法及装置
CN113010562B (zh) 一种信息推荐的方法以及装置
CN113379528A (zh) 风控模型建立方法、装置和风险控制方法
CN110516918B (zh) 一种风险识别方法和装置
CN110008252B (zh) 数据核对方法及装置
CN109146395B (zh) 一种数据处理的方法、装置及设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 1256787

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20200918

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Patentee after: Innovative advanced technology Co.,Ltd.

Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Patentee before: Advanced innovation technology Co.,Ltd.

Effective date of registration: 20200918

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Patentee after: Advanced innovation technology Co.,Ltd.

Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands

Patentee before: Alibaba Group Holding Ltd.

TR01 Transfer of patent right