CN108446817A - 确定业务对应的决策策略的方法、装置和电子设备 - Google Patents

确定业务对应的决策策略的方法、装置和电子设备 Download PDF

Info

Publication number
CN108446817A
CN108446817A CN201810102192.5A CN201810102192A CN108446817A CN 108446817 A CN108446817 A CN 108446817A CN 201810102192 A CN201810102192 A CN 201810102192A CN 108446817 A CN108446817 A CN 108446817A
Authority
CN
China
Prior art keywords
function
business
fitness
decision strategy
value
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.)
Granted
Application number
CN201810102192.5A
Other languages
English (en)
Other versions
CN108446817B (zh
Inventor
付大鹏
赵闻飙
金宏
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 CN201810102192.5A priority Critical patent/CN108446817B/zh
Publication of CN108446817A publication Critical patent/CN108446817A/zh
Priority to TW107145576A priority patent/TWI761642B/zh
Priority to SG11202007134TA priority patent/SG11202007134TA/en
Priority to PCT/CN2019/071700 priority patent/WO2019149059A1/zh
Priority to EP19748321.7A priority patent/EP3748557A4/en
Priority to US16/945,277 priority patent/US11978000B2/en
Application granted granted Critical
Publication of CN108446817B publication Critical patent/CN108446817B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
    • G06F18/2185—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor the supervisor being an automated module, e.g. intelligent oracle
    • 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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • User Interface Of Digital Computer (AREA)
  • Accounting & Taxation (AREA)
  • Computer Security & Cryptography (AREA)
  • Finance (AREA)
  • Stored Programmes (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例公开一种确定业务对应的决策策略的方法、装置和电子设备，该方法包括：确定业务对应的多个函数，所述多个函数用于描述所述业务的业务参数和所述业务的风险评估值之间的关系，一个函数用于表征一种决策策略；确定所述多个函数的适应度，函数的适应度用于表征基于样本数据和函数确定的决策策略评估值与预设决策策略评估值之间的相似度，所述样本数据包括业务参数和风险评估值；基于所述多个函数的适应度，确定所述业务对应的函数，所述业务对应的函数用于表征所述业务对应的决策策略。

Description

确定业务对应的决策策略的方法、装置和电子设备
技术领域
本申请涉及计算机技术领域，更具体地涉及确定业务对应的决策策略的方法、装置和电子设备。
背景技术
风控系统通常需要确定风险识别策略识别出的风险确定合适的决策策略，并将确定的决策策略推荐给业务方，以满足业务设定的多个目标(例如，打扰率、覆盖率)，从而实现更科学的管控和更好的用户体验。
目前风控系统确定决策策略的方法通常是在金额、风险分等维度上求满足打扰率和覆盖率等多目标的最优解，从而将满足打扰率和覆盖率等多目标的金额和风险分的阈值作为决策策略推荐给业务方，即将在一个多维平面上找到满足业务的多个目标的一个点作为决策策略推荐给业务方。但这种方法容易被黑产尝试并发现防控阈值，从而带来风险和资产损失。
因此，需求一种确决业务对应的策策略的方法，来克服上述技术问题。
发明内容
本申请的目的在于提供一种确定业务对应的决策策略的方法、装置和电子设备，能够降低业务风险和资产损失。
为解决上述技术问题，本申请实施例是这样实现的：
第一方面，提供了一种确定业务对应的决策策略的方法，包括：
确定业务对应的多个函数，所述多个函数用于描述所述业务的业务参数和所述业务的风险评估值之间的关系，一个函数用于表征一种决策策略；
确定所述多个函数的适应度，函数的适应度用于表征基于样本数据和函数确定的决策策略评估值与预设决策策略评估值之间的相似度，所述样本数据包括业务参数和风险评估值；
基于所述多个函数的适应度，确定所述业务对应的函数，所述业务对应的函数用于表征所述业务对应的决策策略。
第二方面，提供一种确定业务对应的决策策略的装置，包括：
第一确定单元，确定业务对应的多个函数，所述多个函数用于描述所述业务的业务参数和所述业务的风险评估值之间的关系，一个函数用于表征一种决策策略；
第二确定单元，确定所述多个函数的适应度，函数的适应度用于表征基于样本数据和函数确定的决策策略评估值与预设决策策略评估值之间的相似度，所述样本数据包括业务参数和风险评估值；
第三确定单元，基于所述多个函数的适应度，确定所述业务对应的函数，所述业务对应的函数用于表征所述业务对应的决策策略。
第三方面，提供一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使用所述处理器执行以下操作：
确定业务对应的多个函数，所述多个函数用于描述所述业务的业务参数和所述业务的风险评估值之间的关系，一个函数用于表征一种决策策略；
确定所述多个函数的适应度，函数的适应度用于表征基于样本数据和函数确定的决策策略评估值与预设决策策略评估值之间的相似度，所述样本数据包括业务参数和风险评估值；
基于所述多个函数的适应度，确定所述业务对应的函数，所述业务对应的函数用于表征所述业务对应的决策策略。
第四方面，提供一种计算机可读介质，所述计算机可读介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：
确定业务对应的多个函数，所述多个函数用于描述所述业务的业务参数和所述业务的风险评估值之间的关系，一个函数用于表征一种决策策略；
确定所述多个函数的适应度，函数的适应度用于表征基于样本数据和函数确定的决策策略评估值与预设决策策略评估值之间的相似度，所述样本数据包括业务参数和风险评估值；
基于所述多个函数的适应度，确定所述业务对应的函数，所述业务对应的函数用于表征所述业务对应的决策策略。
由以上本申请实施例提供的技术方案可见，本申请实施例确定用于描述业务的业务参数和风险评估值之间的关系的多个函数后，根据多个函数的适应度，确定业务对应的函数，业务对应的函数即为业务对应的决策策略，由此本申请实施例向业务方推荐的决策策略是一个描述业务参数和风险评估值之间的关系的函数(或者理解为一条曲线)，而不是一个阈值点，能够降低由于黑产发现防控阈值带来的业务风险和资产损失。
附图说明
为了更清楚地说明本申请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申请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是根据本申请的一个实施例的确定业务对应的决策策略的方法的示意性流程图。
图2是根本申请的一个具体实施例的确定业务对应的决策策略的方法的示意性流程图。
图3是根据本申请实施例的电子设备的结构框图。
图4是根据本申请实施例的确定决策策略的装置的结构示意图。
图5是根据本申请一个实施例的风控系统的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
图1是根据本申请的一个实施例的确定业务对应的决策策略的方法的流程图。图1的方法由确定业务对应的决策策略的装置执行。
如图1所示出的，在S102处，确定业务对应的多个函数，所述多个函数用于描述所述业务的业务参数和所述业务的风险评估值之间的关系，一个函数用于表征一种决策策略。
可选地，作为一个例子，业务的业务参数包括业务涉及的交易金额，业务的风险评估值包括风险评分或风险评估等级，这里的风险评分或风险评估等级可以是通过风险评估模型对业务进行分析得出的评分或等级，风险评估模型可以是基于训练数据对深度学习模型进行训练得到的，本申请对深度学习模型不作限定。
可选地，作为一个例子，多个函数为多个曲线函数。由此，业务对应的决策策略为一个曲线函数或者说业务对应的决策策略为一条曲线，由于曲线更加平滑，相对于业务对应的决策策略是一个阈值点的方法在业务上更容易理解和接受。
可选地，在一些实施例中，确定业务对应的多个函数包括：确定业务对应的基础函数，其中，用于决定基础函数的图像形状的形状参数为未知量；确定用于决定所述基础函数的图像形状的形状参数的多个取值；基于所述用于决定所述基础函数的图像形状的形状参数的多个取值和所述基础函数，生成所述多个函数。
在本申请实施例中，基础函数可以是在确定业务对应的决策策略的装置中内置的函数。或者基础函数可以是风控专家自定义并传入到确定业务对应的决策策略的装置中的函数，可以更好的将风控专家的经验纳入到系统决策中。或者基础函数可以是用户自定义的函数，例如，用户可以根据业务的场景选择或自定义基础函数(或者理解为选择基础函数的图像形状)，由此可以灵活的满足风控业务下的各种场景(例如，低风险分高金额场景、高风险分低金额场景)。
举例来说，业务的基础函数为：y＝a/(1.42*math.exp(-b*(20-x))，y表示交易金额，x表示风险评分，a和b为用于决定基础函数的图像形状的形状参数。可以确定a和b的多个取值，将确定出的a和b的多个取值带入到基础函数中，将会得到多个具体的函数(可以理解为S102中的多个函数)。例如，确定a和b的4个取值，分别为(a1，b1)、(a2，b2)、(a3，b3)和(a4，b4)，将这个4个取值带入到基础函数将会得到4个具体的函数。
具体地，在一些实施例中，在确定用于决定基础函数图像形状的形状参数时，可以基于预设取值范围和/或预设取值个数，确定用于决定基础函数的图像形状的形状参数的多个取值。在上述的例子中，确定出的(a，b)值可以描述为形状参数的解的初始种群。
在S104处，确定所述多个函数的适应度，函数的适应度用于表征基于样本数据和函数确定的决策策略评估值与预设决策策略评估值之间的相似度，所述样本数据包括业务参数和风险评估值。
可以理解的是，样本数据中包括黑样本数据和白样本数据。黑样本数据可以理解为坏人作案产生的数据，白样本数据可以理解为正常业务产生的数据。
可选地，作为一个例子，预设决策策略评估值包括预设打扰率和预设覆盖率。在这种情况下，函数的适应度用于表征基于样本数据和函数确定的打扰率与预设打扰率的相似度，以及基于样本数据和函数确定的覆盖率与预设覆盖率的相似度。可以理解的是，这里的相似度可以理解为接近程度。
具体地，在一些实施例中，在确定多个函数的适应度时，基于样本数据计算多个函数下的打扰率和覆盖率，基于多个函数下的打扰率和覆盖率在目标坐标系中的坐标点与预设打扰率和预设覆盖率在目标坐标系中的坐标点之间的距离，确定多个函数的适应度，目标坐标系的坐标轴分别表示打扰率和覆盖率。可以理解的是，目标坐标系的横坐标表示打扰率，纵坐标表示覆盖率，或者目标坐标系的横坐标表示覆盖率，纵坐标表示打扰率。并且可以认为坐标点之间的距离越近，函数的适应度越高。
举例来说，基于样本数据和函数确定打扰率和覆盖率时，可以根据以下计算公式计算：
打扰率＝(在函数的曲线上的白样本数据的数量+在函数的曲线上方的白样本数据的数量)/白样本数据的总数；
覆盖率＝(在函数的曲线上的黑样本数据的数量+在函数的曲线上方的黑样本数据的数量)/黑样本数据的总数。
在S106处，基于所述多个函数的适应度，确定所述业务对应的函数，所述业务对应的函数用于表征所述业务对应的决策策略。
需要说明的是，业务对应的决策策略也可以理解为业务的风险相关的决策策略。
可选地，在一些实施例中，在基于多个函数的适应度确定业务对应的函数时，在多个函数中存在至少一个目标函数时，将至少一个目标函数中的一个目标函数确定为业务对应的函数；其中，所述至少一个目标函数的适应度满足预设适应度要求，且基于所述样本数据和所述至少一个目标函数确定的决策策略评估值与所述预设决策策略评估值之间的差值满足预设差值要求。或者可以理解为，预设决策策略评估值实际是业务对应的决策策略需要满足的业务目标，至少一个目标函数为满足适应度要求且满足业务目标的函数。
进一步地，在将至少一个目标函数中的一个目标函数确定为所述业务对应的函数时，将至少一个目标函数中的第一目标函数确定为所述业务对应的函数；其中，所述第一目标函数的适应度高于所述至少一个目标函数中的其他函数的适应度。换言之，可以将至少一个目标函数中最能满足业务目标要求的函数确定为业务对应的函数(业务对应的决策策略)。
可选地，作为一个例子，预设差值要求包括基于样本数据和函数计算出的打扰率减去预设打扰率的值小于或等于0，即基于样本数据和函数计算出的打扰率要小于或等于预设打扰率。以及基于样本数据和函数计算出的覆盖率减去预设覆盖率大于或等于0，即基于样本数据和函数计算出的覆盖率要大于或等于预设覆盖率。
可选地，在另一些实施例中，图1所示的方法100还包括：在多个函数中不存在至少一个目标函数时，更新所述多个函数中用于确定多个函数的图像形状的形状参数的取值，得到多个更新函数；确定所述多个更新函数的适应度，更新函数的适应度用于表征基于所述样本数据和更新函数确定的决策策略评估值与预设决策策略评估值之间的相似度；基于所述多个更新函数的适应度，确定业务对应的函数。或者可以理解为，如果多个函数中不存在适应度满足适应度要求的函数，或者多个函数中存在适应度满足适应度要求的函数，但基于样本数据和这些函数计算出的决策策略评估值与预设决策策略评估值之间的差值不满足预设差值要求，则需要更新多个函数，得到多个更新函数，并基于更新函数的适应度，确定业务对应的函数。
相类似地，在基于所述多个更新函数的适应度，确定业务对应的函数时，如果在所述多个更新函数中存在至少一个目标更新函数，则将所述至少一个目标更新函数中的一个目标更新函数确定为所述业务对应的函数；其中，所述至少一个目标更新函数的适应度满足所述预设适应度要求，且基于所述样本数据和所述至少一个目标更新函数确定的决策策略评估值与所述预设决策策略评估值之间的差值满足所述预设差值要求。
进一步地，在将至少一个目标更新函数中的一个目标更新函数确定为所述业务对应的函数时，将至少一个目标更新函数中的第一目标更新函数确定为所述业务对应的函数；其中，所述第一目标更新函数的适应度高于所述至少一个目标更新函数中的其他更新函数的适应度。换言之，可以将至少一个目标更新函数中最能满足业务目标要求的更新函数确定为业务对应的函数(业务对应的决策策略)。
在本申请实施例中，可选地，如果在所述多个更新函数中不存在至少一个目标更新函数，且更新多个函数中用于确定多个函数的图像形状的形状参数为最后一次执行更新形状参数的操作时，将所述多个更新函数中的第二目标更新函数确定为业务对应的函数；其中，第二目标更新函数的适应度高于多个更新函数中其他更新函数的适应度。换言之，如果最后一次对函数进行更新之后得到的更新函数中不存在满足预设适应度要求的更新函数，或者多个函数中存在适应度满足适应度要求的更新函数，但基于样本数据和这些更新函数计算出的决策策略评估值与预设决策策略评估值之间的差值不满足预设差值要求，则将更新函数中适应度最高的更新函数确定为业务对应的函数。
或者，在所述多个更新函数中不存在所述至少一个目标更新函数，且所述更新所述多个函数中用于确定所述多个函数的图像形状的形状参数不是最后一次执行更新形状参数的操作时，更新所述多个更新函数中用于确定所述多个更新函数的图像形状的形状参数的取值，得到多个再次更新函数；确定所述多个再次更新函数的适应度，再次更新函数的适应度用于表征基于所述样本数据和再次更新函数确定的决策策略评估值与预设决策策略评估值之间的相似度；基于所述多个再次更新函数的适应度，确定所述业务对应的函数。换言之，如果对函数进行更新之后得到的更新函数中不存在满足预设适应度要求的更新函数，或者多个函数中存在适应度满足适应度要求的更新函数，但基于样本数据和这些更新函数计算出的决策策略评估值与预设决策策略评估值之间的差值不满足预设差值要求，且对函数进行的更新不是最后一次执行更新操作，则可以对更新后函数进行更新得到再次更新函数，并基于再次更新函数的适应度，确定业务对应的函数。
在本申请实施例中，可选地，在更新函数中用于确定函数的图像形状的行传参数时，可以将用于确定不同函数的图像形状的形状参数进行杂交处理，得到用于确定多个函数的图像形状的形状参数的更新值。例如，执行更新操作前用于确定函数的图像形状的形状参数a和b的取值包括(a1，b1)、(a2，b2)、(a3，b3)和(a4，b4)，杂交处理后得到a和b的更新值包括(a1+a2，b1+b2)、(a2-a1，b2-b1)、(a3+a4，b3+b4)和(a4-a3，b4-b3)。或者进一步地，可以将只(a1，b1)、(a2，b2)、(a3，b3)和(a4，b4)对应的4个具体函数中适应度高的函数对应的a和b的值进行杂交，例如，只将(a1，b1)和(a2，b2)进行杂交，得到a和b的更新值包括(a1+a2，b1+b2)和(a1-a2，b1-b2)。
在本申请实施例中，可选地，在更新函数中用于确定函数的图像形状的形状参数时，可以将用于确定不同函数的图像形状的形状参数进行变异处理，得到用于确定多个函数的图像形状的形状参数的更新值。例如，执行更新操作前用于确定函数的图像形状的形状参数a和b的取值包括(a1，b1)、(a2，b2)、(a3，b3)和(a4，b4)，变异处理后得到a和b的更新值包括(a1+0.1，b1+0.1)、(a2-0.1，b2-0.1)、(a3+0.2，b3+0.2)和(a4-0.2，b4-0.2)。或者进一步地，可以将只(a1，b1)、(a2，b2)、(a3，b3)和(a4，b4)对应的4个具体函数中适应度高的函数对应的a和b的值进行杂交，例如，只将(a1，b1)和(a2，b2)进行杂交，得到a和b的更新值包括(a1+0.2，b1+0.2)和(a2-0.1，b2-0.2)。
在本申请实施例中，可选地，在更新函数中用于确定函数的图像形状的形状参数时，可以先将用于确定不同函数的图像形状的形状参数进行杂交处理，得到形状参数杂交处理后的更新值，之后将杂交处理后的更新值进行变异处理，得到变异处理后的更新值，通过将用于确定函数的图像形状的形状参数进行杂交和变异处理实现函数的更新。
需要说明的是，上述图1所示的方法在描述时以多个函数由一个基础函数生成进行描述。在实际使用时，可以选择多个基础函数，这多个基础函数的大致形状不同，然后基于每个基础函数生成多个函数，针对一个基础函数生成的多个函数执行图1所示的方法，针对不同基础函数生成的多个函数执行图1所示的方法是并行执行的，进而针对一个基础函数确定业务对应的一种决策策略，针对多个基础函数可以确定业务对应的多种决策策略，并将这多种决策策略推荐给业务方。
下面将结合图2详细描述根据本申请一具体实施例的确定业务对应的决策策略的方法。图2所示的方法由确定业务对应的决策策略的装置执行。
如图2所示出的，在S202处，假定曲线函数。
需要说明的是，在S202中假定的曲线函数中用于确定曲线函数的具体形状的参数是未知量。
可选地，可以根据业务的场景来进行曲线函数的假定。
在S204处，产生曲线参数初始种群。
可以理解的是，在S204处的曲线参数为用于确定曲线函数的具体形状的参数，产生曲线参数初始种群实际是产生多个用于确定曲线函数的具体形状的参数的值，具体可参考图1所示的方法。
在S206处，计算曲线函数的适应度。
需要说明的是，在S206处适应度的含义与图1所示的方法中的适应度的含义相同，且计算适应度的方法可参考图1所示的方法中确定适应度的方法，在此不再赘述。
在S208处，确定是否存在满足预设目标的曲线函数或是否是最后一次执行函数更新。
可选地，在S208处，预设目标可以包括预设适应度要求以及预设打扰率和预设覆盖率。在这种情况下，可以先判断曲线函数是否满足预设适应度要求，如果满足预设适应度要求则进一步判断基于曲线函数和样本数据计算的打扰率是否低于或等于预设打扰率，以及判断基于曲线函数和样本数据计算的覆盖率是否高于或等于预设覆盖率。
在S210处，如果存在满足预设目标的曲线函数或是最后一次执行函数更新，则输出最优曲线函数。
可以理解的是，在S210中输出的最优曲线函数即为适应度最高的函数曲线，也即将适应度最高的曲线函数确定为业务对应的决策策略。如果存在满足预设目标的曲线函数，输出的最优曲线函数是最能满足预设目标的曲线函数，但如果是最后一次执行函数更新，则说明最后一次执行函数更新后得到的曲线函数中不存在满足预设目标的曲线函数，则输出最优曲线函数可以理解为输出当前曲线函数中的适应度最高的曲线函数。
在S212处，如果不存在满足预设目标的曲线函数且不是最后一次执行函数更新，则对曲线参数进行杂交处理，得到杂交处理后的曲线参数。
具体的杂交处理过程可以参照图1所示的方法，在此不再赘述。
在S214处，对杂交处理后的曲线参数进行变异处理得到变异处理后的曲线参数，根据变异后的曲线参数更新曲线函数，并执行S206及其后续步骤。
可以理解的是，产生初始种群后将初始种群带入到曲线函数可以得到多个具体的曲线函数，在S206处将会计算这多个具体的曲线函数的适应度。经过S214对曲线函数进行更新后，在S206处将会计算这多个更新后的曲线函数的适应度。
还可以理解的是，图2所示的方法中，可以只执行对曲线参数进行杂交处理，得到杂交处理后的曲线参数，并根据杂交处理后的曲线参数更新曲线函数，并执行S206及其后续步骤。或者可以只执行对曲线参数进行变异处理，得到变异处理后的曲线参数，并根据变异处理后的曲线参数更新曲线函数，并执行S206及其后续步骤。并且在需要执行杂交处理和变异处理时，执行杂交处理和变异处理的先后顺序可以是图2所示的先执行杂交处理再执行变异处理，也可以是限制性变异处理再执行杂交处理，本申请实施例对此不作限定。
以上结合图1和图2详细描述了根据本申请实施例的确定业务对应的决策策略的方法。下面将结合图3详细描述根据本申请实施例的电子设备。参考图3，在硬件层面，电子设备包括处理器，可选地，包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外设部件互连标准(Peripheral Component Interconnect，PCI)总线或扩展工业标准结构(ExtendedIndustry Standard Architecture，EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成确定业务对应的决策策略的装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：
确定业务对应的多个函数，所述多个函数用于描述所述业务的业务参数和所述业务的风险评估值之间的关系，一个函数用于表征一种决策策略；
确定所述多个函数的适应度，函数的适应度用于表征基于样本数据和函数确定的决策策略评估值与预设决策策略评估值之间的相似度，所述样本数据包括业务参数和风险评估值；
基于所述多个函数的适应度，确定所述业务对应的函数，所述业务对应的函数用于表征所述业务对应的决策策略。
上述如本申请图1和图2所示实施例揭示的确定业务对应的决策策略的装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(CentralProcessing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
当然，除了软件实现方式之外，本申请的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行图1和图2所示实施例的方法，并具体用于执行以下方法：
确定业务对应的多个函数，所述多个函数用于描述所述业务的业务参数和所述业务的风险评估值之间的关系，一个函数用于表征一种决策策略；
确定所述多个函数的适应度，函数的适应度用于表征基于样本数据和函数确定的决策策略评估值与预设决策策略评估值之间的相似度，所述样本数据包括业务参数和风险评估值；
基于所述多个函数的适应度，确定所述业务对应的函数，所述业务对应的函数用于表征所述业务对应的决策策略。
图4是本申请的一个实施例的确定业务对应的决策策略的装置的结构示意图。请参考图4，在一种软件实施方式中，确定业务对应的决策策略的装置400可包括：第一确定单元401、第二确定单元402和第三确定单元403，其中，
第一确定单元401，确定业务对应的多个函数，所述多个函数用于描述所述业务的业务参数和所述业务的风险评估值之间的关系，一个函数用于表征一种决策策略；
第二确定单元402，确定所述多个函数的适应度，函数的适应度用于表征基于样本数据和函数确定的决策策略评估值与预设决策策略评估值之间的相似度，所述样本数据包括业务参数和风险评估值；
第三确定单元403，基于所述多个函数的适应度，确定所述业务对应的函数，所述业务对应的函数用于表征所述业务对应的决策策略。
本申请实施例的确定业务对应的决策策略的装置，确定用于描述业务的业务参数和风险评估值之间的关系的多个函数后，根据多个函数的适应度，确定业务对应的函数，业务对应的函数即为业务对应的决策策略，由此本申请实施例向业务方推荐的决策策略是一个描述业务参数和风险评估值之间的关系的函数(或者理解为一条曲线)，而不是一个阈值点，能够降低由于黑产发现防控阈值带来的业务风险和资产损失。
可选地，作为一个实施例，所述第三确定单元403：
在所述多个函数中存在至少一个目标函数时，将所述至少一个目标函数中的一个目标函数确定为所述业务对应的函数；
其中，所述至少一个目标函数的适应度满足预设适应度要求，且基于所述样本数据和所述至少一个目标函数确定的决策策略评估值与所述预设决策策略评估值之间的差值满足预设差值要求。
可选地，作为一个实施例，所述第三确定单元403：
将所述至少一个目标函数中的第一目标函数确定为所述业务对应的函数；
其中，所述第一目标函数的适应度高于所述至少一个目标函数中的其他目标函数的适应度。
可选地，作为一个实施例，如图4所示出的，确定业务对应的决策策略的装置400还包括更新单元404；
所述更新单元404，在所述多个函数中不存在所述至少一个目标函数时，更新所述多个函数中用于确定所述多个函数的图像形状的形状参数的取值，得到多个更新函数；
所述第二确定单元402，确定所述多个更新函数的适应度，更新函数的适应度用于表征基于所述样本数据和更新函数确定的决策策略评估值与所述预设决策策略评估值之间的相似度；
所述第三确定单元403，基于所述多个更新函数的适应度，确定所述业务对应的函数。
可选地，作为一个实施例，所述第三确定单元403：
在所述多个更新函数中存在至少一个目标更新函数时，将所述至少一个目标更新函数中的一个目标更新函数确定为所述业务对应的函数；
其中，所述至少一个目标更新函数的适应度满足所述预设适应度要求，且基于所述样本数据和所述至少一个目标更新函数确定的决策策略评估值与所述预设决策策略评估值之间的差值满足所述预设差值要求。
可选地，作为一个实施例，所述第三确定单元403：
在所述多个更新函数中不存在所述至少一个目标更新函数，且所述更新所述多个函数中用于确定所述多个函数的图像形状的形状参数为最后一次执行更新形状参数的操作时，将所述多个更新函数中的第二目标更新函数确定为所述业务对应的函数；
其中，所述第二目标更新函数的适应度高于所述多个更新函数中其他更新函数的适应度。
可选地，作为一个实施例，所述更新单元404，在所述多个更新函数中不存在所述至少一个目标更新函数，且所述更新所述多个函数中用于确定所述多个函数的图像形状的形状参数不是最后一次执行更新形状参数的操作时，更新所述多个更新函数中用于确定所述多个更新函数的图像形状的形状参数的取值，得到多个再次更新函数；
所述第二确定单元402，确定所述多个再次更新函数的适应度，再次更新函数的适应度用于表征基于所述样本数据和再次更新函数确定的决策策略评估值与预设决策策略评估值之间的相似度；
所述第三确定单元403，基于所述多个再次更新函数的适应度，确定所述业务对应的函数。
可选地，作为一个实施例，所述更新单元404：
将用于确定不同函数的图像形状的形状参数进行杂交处理，得到用于确定所述多个函数的图像形状的形状参数的更新值。
可选地，作为一个实施例，所述更新单元404：
将用于确定不同函数的图像形状的形状参数进行变异处理，得到用于确定所述多个函数的图像形状的形状参数的更新值。
可选地，作为一个实施例，所述第一确定单元401：
确定所述业务对应的基础函数，其中，用于决定所述基础函数的图像形状的形状参数为未知量；
确定用于决定所述基础函数的图像形状的形状参数的多个取值；
基于所述用于决定所述基础函数的图像形状的形状参数的多个取值和所述基础函数，生成所述多个函数。
可选地，作为一个实施例，所述第一确定单元401：
基于预设取值范围和/或预设取值个数，确定所述用于决定所述基础函数的图像形状的形状参数的多个取值。
可选地，作为一个实施例，所述预设决策策略评估值包括预设打扰率和预设覆盖率；
其中，所述第二确定单元402：
基于所述样本数据，确定所述多个函数下的打扰率和覆盖率；
基于所述多个函数下的打扰率和覆盖率在目标坐标系中的坐标点与所述预设打扰率和预设覆盖率在所述目标坐标系中的坐标点之间的距离，确定所述多个函数的适应度，所述目标坐标系的坐标轴分别表示打扰率和覆盖率。
可选地，作为一个实施例，所述多个函数为多个曲线函数。
确定业务对应的决策策略的装置400还可执行图1和图2所示实施例的方法，并实现确定业务对应的决策策略的装置在图1和图2所示实施例的功能，本申请实施例在此不再赘述。
图5是根据本申请一个实施例的风控系统的示意图。图1和图2所示的方法能够应用于图5所示的风控系统中。如图5所示，风控系统包括感知中心、智能中心和进化中心三个模块。其中，感知中心用于基于大数据，通过模型智能分析和人工经验沉淀，对风险进行监控、感知、告警以及分析。智能中心包括AutoDetect模块和AutoPilot两个模块，AutoDetect模块通过智能推荐新的识别策略、新变量提升风控系统的风险识别能力，AutoPilot模块在识别能力一定的情况下，通过智能调整管控策略达到更科学的管控结果以及更好的客户体验，AutoPilot模块可以执行图1和图2所示的确定业务对应的决策策略的方法，向业务方推荐满足业务目标的决策策略。进化中心是为智能中心提供模型自学习、输入新变量和验证效能的模块。
总之，以上所述仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
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。
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，对于系统实施例而言，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。

Claims (16)

1.一种确定业务对应的决策策略的方法，包括：
确定业务对应的多个函数，所述多个函数用于描述所述业务的业务参数和所述业务的风险评估值之间的关系，一个函数用于表征一种决策策略；
确定所述多个函数的适应度，函数的适应度用于表征基于样本数据和函数确定的决策策略评估值与预设决策策略评估值之间的相似度，所述样本数据包括业务参数和风险评估值；
基于所述多个函数的适应度，确定所述业务对应的函数，所述业务对应的函数用于表征所述业务对应的决策策略。
2.根据权利要求1所述的方法，所述基于所述多个函数的适应度，确定所述业务对应的函数，包括：
在所述多个函数中存在至少一个目标函数时，将所述至少一个目标函数中的一个目标函数确定为所述业务对应的函数；
其中，所述至少一个目标函数的适应度满足预设适应度要求，且基于所述样本数据和所述至少一个目标函数确定的决策策略评估值与所述预设决策策略评估值之间的差值满足预设差值要求。
3.根据权利要求2所述的方法，所述将所述至少一个目标函数中的一个目标函数确定为所述业务对应的函数，包括：
将所述至少一个目标函数中的第一目标函数确定为所述业务对应的函数；
其中，所述第一目标函数的适应度高于所述至少一个目标函数中的其他目标函数的适应度。
4.根据权利要求2所述的方法，还包括：
在所述多个函数中不存在所述至少一个目标函数时，更新所述多个函数中用于确定所述多个函数的图像形状的形状参数的取值，得到多个更新函数；
确定所述多个更新函数的适应度，更新函数的适应度用于表征基于所述样本数据和更新函数确定的决策策略评估值与所述预设决策策略评估值之间的相似度；
基于所述多个更新函数的适应度，确定所述业务对应的函数。
5.根据权利要求4所述的方法，所述基于所述多个更新函数的适应度，确定所述业务对应的函数，包括：
在所述多个更新函数中存在至少一个目标更新函数时，将所述至少一个目标更新函数中的一个目标更新函数确定为所述业务对应的函数；
其中，所述至少一个目标更新函数的适应度满足所述预设适应度要求，且基于所述样本数据和所述至少一个目标更新函数确定的决策策略评估值与所述预设决策策略评估值之间的差值满足所述预设差值要求。
6.根据权利要求4所述的方法，还包括：
在所述多个更新函数中不存在所述至少一个目标更新函数，且所述更新所述多个函数中用于确定所述多个函数的图像形状的形状参数为最后一次执行更新形状参数的操作时，将所述多个更新函数中的第二目标更新函数确定为所述业务对应的函数；
其中，所述第二目标更新函数的适应度高于所述多个更新函数中其他更新函数的适应度。
7.根据权利要求4所述的方法，还包括：
在所述多个更新函数中不存在所述至少一个目标更新函数，且所述更新所述多个函数中用于确定所述多个函数的图像形状的形状参数不是最后一次执行更新形状参数的操作时，更新所述多个更新函数中用于确定所述多个更新函数的图像形状的形状参数的取值，得到多个再次更新函数；
确定所述多个再次更新函数的适应度，再次更新函数的适应度用于表征基于所述样本数据和再次更新函数确定的决策策略评估值与预设决策策略评估值之间的相似度；
基于所述多个再次更新函数的适应度，确定所述业务对应的函数。
8.根据权利要求4所述的方法，所述更新所述多个函数中用于确定所述多个函数的图像形状的形状参数，包括：
将用于确定不同函数的图像形状的形状参数进行杂交处理，得到用于确定所述多个函数的图像形状的形状参数的更新值。
9.根据权利要求4或8所述的方法，所述更新所述多个函数中用于确定所述多个函数的图像形状的形状参数，包括：
将用于确定不同函数的图像形状的形状参数进行变异处理，得到用于确定所述多个函数的图像形状的形状参数的更新值。
10.根据权利要求1至8中任一项所述的方法，所述确定业务对应的多个函数，包括：
确定所述业务对应的基础函数，其中，用于决定所述基础函数的图像形状的形状参数为未知量；
确定用于决定所述基础函数的图像形状的形状参数的多个取值；
基于所述用于决定所述基础函数的图像形状的形状参数的多个取值和所述基础函数，生成所述多个函数。
11.根据权利要求10所述的方法，所述确定用于决定所述基础函数的图像形状的形状参数的多个取值，包括：
基于预设取值范围和/或预设取值个数，确定所述用于决定所述基础函数的图像形状的形状参数的多个取值。
12.根据权利要求1至8中任一项所述的方法，所述预设决策策略评估值包括预设打扰率和预设覆盖率；
其中，所述确定所述多个函数的适应度，包括：
基于所述样本数据，确定所述多个函数下的打扰率和覆盖率；
基于所述多个函数下的打扰率和覆盖率在目标坐标系中的坐标点与所述预设打扰率和预设覆盖率在所述目标坐标系中的坐标点之间的距离，确定所述多个函数的适应度，所述目标坐标系的坐标轴分别表示打扰率和覆盖率。
13.根据权利要求1至8中任一项所述的方法，所述多个函数为多个曲线函数。
14.一种确定业务对应的决策策略的装置，包括：
第一确定单元，确定业务对应的多个函数，所述多个函数用于描述所述业务的业务参数和所述业务的风险评估值之间的关系，一个函数用于表征一种决策策略；
第二确定单元，确定所述多个函数的适应度，函数的适应度用于表征基于样本数据和函数确定的决策策略评估值与预设决策策略评估值之间的相似度，所述样本数据包括业务参数和风险评估值；
第三确定单元，基于所述多个函数的适应度，确定所述业务对应的函数，所述业务对应的函数用于表征所述业务对应的决策策略。
15.一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使用所述处理器执行以下操作：
确定业务对应的多个函数，所述多个函数用于描述所述业务的业务参数和所述业务的风险评估值之间的关系，一个函数用于表征一种决策策略；
确定所述多个函数的适应度，函数的适应度用于表征基于样本数据和函数确定的决策策略评估值与预设决策策略评估值之间的相似度，所述样本数据包括业务参数和风险评估值；
基于所述多个函数的适应度，确定所述业务对应的函数，所述业务对应的函数用于表征所述业务对应的决策策略。
16.一种计算机可读介质，所述计算机可读介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：
确定业务对应的多个函数，所述多个函数用于描述所述业务的业务参数和所述业务的风险评估值之间的关系，一个函数用于表征一种决策策略；
确定所述多个函数的适应度，函数的适应度用于表征基于样本数据和函数确定的决策策略评估值与预设决策策略评估值之间的相似度，所述样本数据包括业务参数和风险评估值；
基于所述多个函数的适应度，确定所述业务对应的函数，所述业务对应的函数用于表征所述业务对应的决策策略。
CN201810102192.5A 2018-02-01 2018-02-01 确定业务对应的决策策略的方法、装置和电子设备 Active CN108446817B (zh)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN201810102192.5A CN108446817B (zh) 2018-02-01 2018-02-01 确定业务对应的决策策略的方法、装置和电子设备
TW107145576A TWI761642B (zh) 2018-02-01 2018-12-18 確定業務對應的決策策略的方法、裝置和電子設備
SG11202007134TA SG11202007134TA (en) 2018-02-01 2019-01-15 Method, device and electronic apparatus for determining decision-making strategy corresponding to services
PCT/CN2019/071700 WO2019149059A1 (zh) 2018-02-01 2019-01-15 确定业务对应的决策策略的方法、装置和电子设备
EP19748321.7A EP3748557A4 (en) 2018-02-01 2019-01-15 PROCEDURE AND DEVICE FOR DETERMINING THE DECISION STRATEGY IN ACCORDANCE WITH THE SERVICE AND ELECTRONIC DEVICE
US16/945,277 US11978000B2 (en) 2018-02-01 2020-07-31 System and method for determining a decision-making strategy

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810102192.5A CN108446817B (zh) 2018-02-01 2018-02-01 确定业务对应的决策策略的方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN108446817A true CN108446817A (zh) 2018-08-24
CN108446817B CN108446817B (zh) 2020-10-02

Family

ID=63191679

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810102192.5A Active CN108446817B (zh) 2018-02-01 2018-02-01 确定业务对应的决策策略的方法、装置和电子设备

Country Status (6)

Country Link
US (1) US11978000B2 (zh)
EP (1) EP3748557A4 (zh)
CN (1) CN108446817B (zh)
SG (1) SG11202007134TA (zh)
TW (1) TWI761642B (zh)
WO (1) WO2019149059A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109308573A (zh) * 2018-08-31 2019-02-05 阿里巴巴集团控股有限公司 一种基于风险点的业务风险控制方法、装置及电子设备
CN109523342A (zh) * 2018-10-12 2019-03-26 平安科技（深圳）有限公司 服务策略生成方法及装置、电子设备、存储介质
WO2019149059A1 (zh) * 2018-02-01 2019-08-08 阿里巴巴集团控股有限公司 确定业务对应的决策策略的方法、装置和电子设备
CN110334013A (zh) * 2019-06-04 2019-10-15 阿里巴巴集团控股有限公司 决策引擎的测试方法、装置及电子设备
CN111475144A (zh) * 2020-04-13 2020-07-31 深圳前海微众银行股份有限公司 风控决策方法、装置、设备及计算机可读存储介质
CN111724009A (zh) * 2019-03-18 2020-09-29 阿里巴巴集团控股有限公司 风险评估方法、风控系统及风险评估设备

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110827032B (zh) * 2019-09-26 2021-08-03 支付宝(杭州)信息技术有限公司 智能风控决策方法及系统、业务处理方法及系统
CN112785005B (zh) * 2021-01-22 2023-02-03 中国平安人寿保险股份有限公司 多目标任务的辅助决策方法、装置、计算机设备及介质
CN114418772A (zh) * 2022-03-30 2022-04-29 支付宝(杭州)信息技术有限公司 策略组合的优化方法及装置
CN118035798B (zh) * 2024-04-11 2024-09-24 克拉玛依市富城油砂矿资源开发有限责任公司 用于油砂矿生产的智能监测系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070129930A1 (en) * 2005-12-07 2007-06-07 Utah State University Robustness optimization system
CN103310282A (zh) * 2013-04-25 2013-09-18 汪沙地 安全控制模型选择系统及方法以及安全控制系统
CN107368936A (zh) * 2016-05-12 2017-11-21 阿里巴巴集团控股有限公司 风控模型训练方法和装置
CN107392406A (zh) * 2017-05-09 2017-11-24 阿里巴巴集团控股有限公司 一种用于风险决策的风险决策因子筛选方法及装置

Family Cites Families (72)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7031901B2 (en) 1998-05-13 2006-04-18 Abu El Ata Nabil A System and method for improving predictive modeling of an information system
US6397334B1 (en) 1998-12-17 2002-05-28 International Business Machines Corporation Method and system for authenticating objects and object data
US6644973B2 (en) 2000-05-16 2003-11-11 William Oster System for improving reading and speaking
US7093129B1 (en) 2000-06-19 2006-08-15 International Business Machines Corporation Secured encrypted communications in a voice browser
JP3846851B2 (ja) 2001-02-01 2006-11-15 松下電器産業株式会社 画像のマッチング処理方法及びその装置
CN1596420A (zh) * 2001-10-11 2005-03-16 爱科赛亚有限责任公司 用于学习模式分类和判定值估计的方法和装置
US7565537B2 (en) 2002-06-10 2009-07-21 Microsoft Corporation Secure key exchange with mutual authentication
US20040196363A1 (en) 2003-04-01 2004-10-07 Gary Diamond Video identification verification system
US7466824B2 (en) 2003-10-09 2008-12-16 Nortel Networks Limited Method and system for encryption of streamed data
US7401012B1 (en) 2005-04-20 2008-07-15 Sun Microsystems, Inc. Method and apparatus for characterizing computer system workloads
US8448226B2 (en) 2005-05-13 2013-05-21 Sarangan Narasimhan Coordinate based computer authentication system and methods
US7536304B2 (en) 2005-05-27 2009-05-19 Porticus, Inc. Method and system for bio-metric voice print authentication
CN101622858B (zh) 2007-03-06 2012-09-26 住友电气工业株式会社 图像加工方法及图像检查方法
US7872584B2 (en) 2007-04-09 2011-01-18 Honeywell International Inc. Analyzing smoke or other emissions with pattern recognition
US8280106B2 (en) 2007-09-29 2012-10-02 Samsung Electronics Co., Ltd. Shadow and highlight detection system and method of the same in surveillance camera and recording medium thereof
US9298979B2 (en) 2008-01-18 2016-03-29 Mitek Systems, Inc. Systems and methods for mobile image capture and content processing of driver's licenses
US8180629B2 (en) 2008-07-10 2012-05-15 Trigent Softward Ltd. Automatic pattern generation in natural language processing
DE102008046254A1 (de) 2008-09-08 2010-03-11 Giesecke & Devrient Gmbh Wertdokumentbearbeitungsvorrichtung und ein Verfahren zur Reduktion von Staub in der Wertdokumentbearbeitungsvorrichtung
KR101556654B1 (ko) 2008-11-28 2015-10-02 삼성전자주식회사 영상 통화 수행 방법 및 장치
US10453142B2 (en) * 2009-02-11 2019-10-22 Johnathan Mun System and method for modeling and quantifying regulatory capital, key risk indicators, probability of default, exposure at default, loss given default, liquidity ratios, and value at risk, within the areas of asset liability management, credit risk, market risk, operational risk, and liquidity risk for banks
US20100205108A1 (en) * 2009-02-11 2010-08-12 Mun Johnathan C Credit and market risk evaluation method
US8121400B2 (en) 2009-09-24 2012-02-21 Huper Laboratories Co., Ltd. Method of comparing similarity of 3D visual objects
US9253167B2 (en) 2011-04-19 2016-02-02 Apriva, Llc Device and system for facilitating communication and networking within a secure mobile environment
US9082235B2 (en) 2011-07-12 2015-07-14 Microsoft Technology Licensing, Llc Using facial data for device authentication or subject identification
US8966613B2 (en) 2011-09-30 2015-02-24 Microsoft Technology Licensing, Llc Multi-frame depth image information identification
US9165188B2 (en) 2012-01-12 2015-10-20 Kofax, Inc. Systems and methods for mobile image capture and processing
US9066125B2 (en) 2012-02-10 2015-06-23 Advanced Biometric Controls, Llc Secure display
JP6052657B2 (ja) 2012-03-13 2016-12-27 パナソニックＩｐマネジメント株式会社 対象物検証装置、対象物検証プログラム、及び対象物検証方法
US20140309878A1 (en) 2013-04-15 2014-10-16 Flextronics Ap, Llc Providing gesture control of associated vehicle functions across vehicle zones
US8705836B2 (en) 2012-08-06 2014-04-22 A2iA S.A. Systems and methods for recognizing information in objects using a mobile device
US9582843B2 (en) 2012-08-20 2017-02-28 Tautachrome, Inc. Authentication and validation of smartphone imagery
US9036943B1 (en) 2013-03-14 2015-05-19 Amazon Technologies, Inc. Cloud-based image improvement
US10475014B1 (en) 2013-03-15 2019-11-12 Amazon Technologies, Inc. Payment device security
US9147127B2 (en) 2013-03-15 2015-09-29 Facebook, Inc. Verification of user photo IDs
US9723251B2 (en) 2013-04-23 2017-08-01 Jaacob I. SLOTKY Technique for image acquisition and management
US10319035B2 (en) 2013-10-11 2019-06-11 Ccc Information Services Image capturing and automatic labeling system
US9202119B2 (en) 2013-10-18 2015-12-01 Daon Holdings Limited Methods and systems for determining user liveness
JP6287047B2 (ja) 2013-10-22 2018-03-07 富士通株式会社 画像処理装置、画像処理方法および画像処理プログラム
US9607138B1 (en) 2013-12-18 2017-03-28 Amazon Technologies, Inc. User authentication and verification through video analysis
US10320807B2 (en) 2014-02-25 2019-06-11 Sal Khan Systems and methods relating to the authenticity and verification of photographic identity documents
US9646227B2 (en) 2014-07-29 2017-05-09 Microsoft Technology Licensing, Llc Computerized machine learning of interesting video sections
US9258303B1 (en) 2014-08-08 2016-02-09 Cellcrypt Group Limited Method of providing real-time secure communication between end points in a network
CA2902093C (en) 2014-08-28 2023-03-07 Kevin Alan Tussy Facial recognition authentication system including path parameters
US9619696B2 (en) 2015-04-15 2017-04-11 Cisco Technology, Inc. Duplicate reduction for face detection
US9794260B2 (en) 2015-08-10 2017-10-17 Yoti Ltd Liveness detection
US20170060867A1 (en) 2015-08-31 2017-03-02 Adfamilies Publicidade, SA Video and image match searching
US10065441B2 (en) 2015-09-01 2018-09-04 Digimarc Corporation Counterfeiting detection using machine readable indicia
JP6451861B2 (ja) 2015-09-09 2019-01-16 日本電気株式会社 顔認証装置、顔認証方法およびプログラム
GB201517462D0 (en) 2015-10-02 2015-11-18 Tractable Ltd Semi-automatic labelling of datasets
WO2017059576A1 (en) * 2015-10-09 2017-04-13 Beijing Sensetime Technology Development Co., Ltd Apparatus and method for pedestrian detection
US20170148101A1 (en) 2015-11-23 2017-05-25 CSI Holdings I LLC Damage assessment and repair based on objective surface data
CN105719188B (zh) 2016-01-22 2017-12-26 平安科技（深圳）有限公司 基于多张图片一致性实现保险理赔反欺诈的方法及服务器
US10692050B2 (en) 2016-04-06 2020-06-23 American International Group, Inc. Automatic assessment of damage and repair costs in vehicles
US11144889B2 (en) 2016-04-06 2021-10-12 American International Group, Inc. Automatic assessment of damage and repair costs in vehicles
US10210518B2 (en) * 2016-04-13 2019-02-19 Abdullah Abdulaziz I. Alnajem Risk-link authentication for optimizing decisions of multi-factor authentications
US10346782B2 (en) * 2016-06-21 2019-07-09 Accenture Global Solutions Limited Adaptive augmented decision engine
US10055882B2 (en) 2016-08-15 2018-08-21 Aquifi, Inc. System and method for three-dimensional scanning and for capturing a bidirectional reflectance distribution function
GB2554361B8 (en) 2016-09-21 2022-07-06 Emergent Network Intelligence Ltd Automatic image based object damage assessment
CN106548210B (zh) * 2016-10-31 2021-02-05 腾讯科技（深圳）有限公司 基于机器学习模型训练的信贷用户分类方法及装置
WO2018120013A1 (en) 2016-12-30 2018-07-05 Nokia Technologies Oy Artificial neural network
WO2018165753A1 (en) 2017-03-14 2018-09-20 University Of Manitoba Structure defect detection using machine learning algorithms
KR102334575B1 (ko) 2017-07-31 2021-12-03 삼성디스플레이 주식회사 무라 검출 장치 및 무라 검출 장치의 검출 방법
US11087292B2 (en) 2017-09-01 2021-08-10 Allstate Insurance Company Analyzing images and videos of damaged vehicles to determine damaged vehicle parts and vehicle asymmetries
US11586875B2 (en) 2017-11-22 2023-02-21 Massachusetts Institute Of Technology Systems and methods for optimization of a data model network architecture for target deployment
CN109919308B (zh) 2017-12-13 2022-11-11 腾讯科技（深圳）有限公司 一种神经网络模型部署方法、预测方法及相关设备
CN108446817B (zh) * 2018-02-01 2020-10-02 阿里巴巴集团控股有限公司 确定业务对应的决策策略的方法、装置和电子设备
US10942767B2 (en) 2018-02-27 2021-03-09 Microsoft Technology Licensing, Llc Deep neural network workload scheduling
US10554738B1 (en) 2018-03-02 2020-02-04 Syncsort Incorporated Methods and apparatus for load balance optimization based on machine learning
US10997413B2 (en) 2018-03-23 2021-05-04 NthGen Software Inc. Method and system for obtaining vehicle target views from a video stream
GB2573809B (en) 2018-05-18 2020-11-04 Emotech Ltd Speaker Recognition
US10832065B1 (en) 2018-06-15 2020-11-10 State Farm Mutual Automobile Insurance Company Methods and systems for automatically predicting the repair costs of a damaged vehicle from images
WO2020033111A1 (en) 2018-08-09 2020-02-13 Exxonmobil Upstream Research Company ( Subterranean drill bit management system

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070129930A1 (en) * 2005-12-07 2007-06-07 Utah State University Robustness optimization system
CN103310282A (zh) * 2013-04-25 2013-09-18 汪沙地 安全控制模型选择系统及方法以及安全控制系统
CN107368936A (zh) * 2016-05-12 2017-11-21 阿里巴巴集团控股有限公司 风控模型训练方法和装置
CN107392406A (zh) * 2017-05-09 2017-11-24 阿里巴巴集团控股有限公司 一种用于风险决策的风险决策因子筛选方法及装置

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019149059A1 (zh) * 2018-02-01 2019-08-08 阿里巴巴集团控股有限公司 确定业务对应的决策策略的方法、装置和电子设备
CN109308573A (zh) * 2018-08-31 2019-02-05 阿里巴巴集团控股有限公司 一种基于风险点的业务风险控制方法、装置及电子设备
CN109523342A (zh) * 2018-10-12 2019-03-26 平安科技（深圳）有限公司 服务策略生成方法及装置、电子设备、存储介质
CN111724009A (zh) * 2019-03-18 2020-09-29 阿里巴巴集团控股有限公司 风险评估方法、风控系统及风险评估设备
CN110334013A (zh) * 2019-06-04 2019-10-15 阿里巴巴集团控股有限公司 决策引擎的测试方法、装置及电子设备
CN110334013B (zh) * 2019-06-04 2023-06-20 创新先进技术有限公司 决策引擎的测试方法、装置及电子设备
CN111475144A (zh) * 2020-04-13 2020-07-31 深圳前海微众银行股份有限公司 风控决策方法、装置、设备及计算机可读存储介质
CN111475144B (zh) * 2020-04-13 2023-04-18 深圳前海微众银行股份有限公司 风控决策方法、装置、设备及计算机可读存储介质

Also Published As

Publication number Publication date
US20200364719A1 (en) 2020-11-19
US11978000B2 (en) 2024-05-07
CN108446817B (zh) 2020-10-02
EP3748557A1 (en) 2020-12-09
TW201935334A (zh) 2019-09-01
WO2019149059A1 (zh) 2019-08-08
SG11202007134TA (en) 2020-08-28
EP3748557A4 (en) 2021-06-16
TWI761642B (zh) 2022-04-21

Similar Documents

Publication Publication Date Title
CN108446817A (zh) 确定业务对应的决策策略的方法、装置和电子设备
CN108665366A (zh) 确定用户风险等级的方法、终端设备及计算机可读存储介质
CN108734570A (zh) 一种风险预测方法、存储介质和服务器
CN108875327A (zh) 一种核身方法和装置
CN111126623B (zh) 一种模型更新方法、装置及设备
CN111353850B (zh) 一种风险识别策略的更新、风险商户的识别方法和装置
CN109003075A (zh) 一种风险识别方法及装置
EP3690767A1 (en) Method and apparatus for determining risk management decision-making critical values
CN107818301A (zh) 更新生物特征模板的方法、装置和电子设备
CN110245475A (zh) 身份验证方法和装置
CN109816509A (zh) 评分卡模型的生成方法、终端设备及介质
CN111753987A (zh) 机器学习模型的生成方法和装置
CN109636181A (zh) 一种用户信用分计算方法及系统
CN109635953A (zh) 一种特征衍生方法、装置及电子设备
CN113255617A (zh) 图像识别方法、装置、电子设备和计算机可读存储介质
CN110414990A (zh) 交易风险预警、防控方法、装置、设备及防控系统
CN109544150A (zh) 一种分类模型生成方法及装置、计算设备及存储介质
CN111401766A (zh) 模型、业务处理方法、装置及设备
CN117523218A (zh) 标签生成、图像分类模型的训练、图像分类方法及装置
CN114612011A (zh) 一种风险防控决策方法及装置
CN114359211A (zh) 能见度值检测方法、装置、设备及存储介质
CN113298264A (zh) 基于浅层自学习算法拒绝推断的设备认证方法及系统、电子设备
CN112052900B (zh) 机器学习样本权重调整方法和装置、存储介质
CN107729708A (zh) 一种流量策略推荐方法及装置
CN112967044B (zh) 一种支付业务的处理方法及装置

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20200923

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

Patentee after: Innovative advanced technology Co.,Ltd.

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

Patentee before: Advanced innovation technology Co.,Ltd.

Effective date of registration: 20200923

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