CN108537671A - 一种交易风险评估方法及系统 - Google Patents
一种交易风险评估方法及系统 Download PDFInfo
- Publication number
- CN108537671A CN108537671A CN201810394757.1A CN201810394757A CN108537671A CN 108537671 A CN108537671 A CN 108537671A CN 201810394757 A CN201810394757 A CN 201810394757A CN 108537671 A CN108537671 A CN 108537671A
- Authority
- CN
- China
- Prior art keywords
- risk
- transaction
- transaction information
- preset
- data sample
- 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.)
- Pending
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Educational Administration (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明实施例公开了一种交易风险评估方法及系统，解决了传统的风险评估方法会导致由于粒度过大，导致误判为欺诈的交易很多，从而产生很多误杀了实际上是非欺诈的交易，以及由于策略模型的规则粒度较粗，导致匹配出来的可疑风险交易很多，导致人工审核的成本很大的技术问题。
Description
技术领域
本发明涉及金融交易技术领域，尤其涉一种交易风险评估方法及系统。
背景技术
对于在线交易的风控，一般有两种反欺诈方式并分别应用于如下两种业务场景：
1、单纯通过规则引擎实现的策略模型去匹配可疑交易，并拒绝交易，主要业务场景：如手机充值，游戏币充值等实时的虚拟商品消费。
2、通过规则引擎实现的策略模型匹配可疑交易，判为待审核级别的交易，然后通过人工审核的方式，在消费事后找出欺诈交易，然后做物流拦截，主要应用场景：需物流派送的实体商品消费。
传统的策略模型完全是通过强规则库+弱规则库结合的方式，通过与交易的多个属性进行匹配，并得到相应的风险级别，此方式需要一个灵活配置的规则引擎支持，以及大量的人工操作，策略模型的规则配置粒度一般都很大，导致匹配出来的可疑风险交易的范围过大，在上面的业务场景1中应用，会导致由于粒度过大，导致误判为欺诈的交易很多，从而产生很多误杀了实际上是非欺诈的交易的技术问题，而对于场景2中，则由于策略模型的规则粒度较粗，导致匹配出来的可疑风险交易很多，导致人工审核的成本很大的技术问题。
因此，需要本领域技术人员提出一种交易风险评估方法及系统以解决传统的风险评估方法会导致由于粒度过大，导致误判为欺诈的交易很多，从而产生很多误杀了实际上是非欺诈的交易，以及由于策略模型的规则粒度较粗，导致匹配出来的可疑风险交易很多，导致人工审核的成本很大的技术问题。
发明内容
本发明提供了一种交易风险评估方法及系统，解决了传统的风险评估方法会导致由于粒度过大，导致误判为欺诈的交易很多，从而产生很多误杀了实际上是非欺诈的交易，以及由于策略模型的规则粒度较粗，导致匹配出来的可疑风险交易很多，导致人工审核的成本很大的技术问题。
本发明提供了一种交易风险评估方法，包括：
S1、当用户触发交易指令时，获取用户的交易信息；
S2、根据交易信息，在预先存储的规则引擎中进行规则匹配；
S3、根据规则匹配的结果得到交易信息的第一风险等级；
S4、判断第一风险等级是否为高风险、低风险或无风险，若为高风险，则终止用户的交易指令，若为低风险，则执行步骤S5，若为无风险，则通过用户的交易指令；
S5、利用风险预测模块中预置GBDT模型对交易信息进行风险预测，得到交易信息的第二风险等级；
S6、判断第二风险等级是否为高风险或低风险，若为高风险，则执行步骤S7，若为无风险，则通过用户的交易指令；
S7、将交易信息发送至人工审核模块，以获取对交易信息的人工审核结果。
可选地，步骤S1之前还包括：
S01、获取已知结果的数据样本；
S02、将已知结果的数据样本转换为标准格式的数据样本；
S03、提取标准格式的数据样本中的第一特征字段及其对应的第一特征值，并构成特征矩阵数据；
S04、将特征矩阵数据作为GBDT模型训练的输入，对GBDT模型进行训练，将训练后的GBDT模型作为预置GBDT模型并储存至风险预测模块中。
可选地，步骤S01具体为：
以预置数据样本时间窗口和预置采样频率对已知结果的数据样本进行滑动窗口采样。
可选地，步骤S03具体包括：
提取标准格式的数据样本中的第一特征字段及其对应的第一特征值；
对第一特征字段进行离散化处理，得到第二特征字段及其对应的第二特征值；
对第二特征字段及其对应的第二特征值进行空值填充处理；
对第二特征字段进行区间缩放处理，使得第二特征字段对应的第二特征值缩放至0至1之间；
将第二特征字段及其对应的第二特征值构成特征矩阵数据。
可选地，步骤S7之后还包括：
将人工审核结果及其对应的数据作为数据样本对预置GBDT模型进行更新训练，并将更新后的GBDT模型作为预置GBDT模型储存至风险预测模块中。
本发明提供了一种交易风险评估系统，包括：
第一获取单元，用于当用户触发交易指令时，获取用户的交易信息；
规则匹配单元，用于根据交易信息，在预先存储的规则引擎中进行规则匹配；
确定单元，用于根据规则匹配的结果得到交易信息的第一风险等级；
第一判断单元，用于判断第一风险等级是否为高风险、低风险或无风险，若为高风险，则终止用户的交易指令，若为低风险，则跳转至预测单元，若为无风险，则通过用户的交易指令；
预测单元，用于利用风险预测模块中预置GBDT模型对交易信息进行风险预测，得到交易信息的第二风险等级；
第二判断单元，用于判断第二风险等级是否为高风险或低风险，若为高风险，则跳转至发送单元，若为无风险，则通过用户的交易指令；
发送单元，用于将交易信息发送至人工审核模块，以获取对交易信息的人工审核结果。
可选地，本发明提供的交易风险评估系统还包括：
第二获取单元，用于获取已知结果的数据样本；
转换单元，用于将已知结果的数据样本转换为标准格式的数据样本；
矩阵构成单元，用于提取标准格式的数据样本中的第一特征字段及其对应的第一特征值，并构成特征矩阵数据；
训练单元，用于将特征矩阵数据作为GBDT模型训练的输入，对GBDT 模型进行训练，将训练后的GBDT模型作为预置GBDT模型并储存至风险预测模块中。
可选地，第二获取单元还用于以预置数据样本时间窗口和预置采样频率对已知结果的数据样本进行滑动窗口采样。
可选地，矩阵构成单元具体包括：
提取子单元，用于提取标准格式的数据样本中的第一特征字段及其对应的第一特征值；
离散子单元，用于对第一特征字段进行离散化处理，得到第二特征字段及其对应的第二特征值；
空值填充子单元，用于对第二特征字段及其对应的第二特征值进行空值填充处理；
区间缩放子单元，用于对第二特征字段进行区间缩放处理，使得第二特征字段对应的第二特征值缩放至0至1之间；
矩阵构成子单元，用于将第二特征字段及其对应的第二特征值构成特征矩阵数据。
可选地，本发明提供的交易风险评估系统还包括：
更新单元，用于将人工审核结果及其对应的数据作为数据样本对预置 GBDT模型进行更新训练，并将更新后的GBDT模型作为预置GBDT模型储存至风险预测模块中。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明提供了一种交易风险评估方法，包括：S1、当用户触发交易指令时，获取用户的交易信息；S2、根据交易信息，在预先存储的规则引擎中进行规则匹配；S3、根据规则匹配的结果得到交易信息的第一风险等级；S4、判断第一风险等级是否为高风险、低风险或无风险，若为高风险，则终止用户的交易指令，若为低风险，则执行步骤S5，若为无风险，则通过用户的交易指令；S5、利用风险预测模块中预置GBDT模型对交易信息进行风险预测，得到交易信息的第二风险等级；S6、判断第二风险等级是否为高风险或低风险，若为高风险，则执行步骤S7，若为无风险，则通过用户的交易指令；S7、将交易信息发送至人工审核模块，以获取对交易信息的人工审核结果。
本发明通过在预先存储在规则引擎中的各种规则，筛选出用户的交易信息的第一风险等级，并在存在高风险的情况下直接终止用户的交易指令，在存在低风险的情况下将用户的交易信息发送至预置GBDT模型进行风险预测，预置GBDT模型稳定可靠，相比于需要人通过学习历史风控经验再配置规则库而言，更加的客观和准确，预置GBDT模型能够输出交易信息的第二风险等级，即判断用户的交易信息为高风险或低风险，而只有当第二风险等级为高风险时，才需要进行人工审核，减少了大量人工审核的工作量，解决了传统的风险评估方法会导致由于粒度过大，导致误判为欺诈的交易很多，从而产生很多误杀了实际上是非欺诈的交易，以及由于策略模型的规则粒度较粗，导致匹配出来的可疑风险交易很多，导致人工审核的成本很大的技术问题。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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它的附图。
图1为本发明提供的一种交易风险评估方法的第一个实施例的流程示意图；
图2为本发明提供的一种交易风险评估方法的第二个实施例的流程示意图；
图3为本发明中数据预处理的一个实施例的流程示意图；
图4为本发明提供的一种交易风险评估方法的第三个实施例的流程示意图；
图5为本发明提供的一种交易风险评估系统的第一个实施例的结构示意图；
图6为本发明提供的一种交易风险评估系统的第二个实施例的结构示意图；
图7为本发明中矩阵构成单元的结构示意图；
图8为本发明提供的一种交易风险评估系统的第三个实施例的结构示意图。
具体实施方式
本发明实施例提供了一种交易风险评估方法及系统，解决了传统的风险评估方法会导致由于粒度过大，导致误判为欺诈的交易很多，从而产生很多误杀了实际上是非欺诈的交易，以及由于策略模型的规则粒度较粗，导致匹配出来的可疑风险交易很多，导致人工审核的成本很大的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，本发明提供了一种交易风险评估方法的一个实施例，包括：
101、当用户触发交易指令时，获取用户的交易信息；
本实施例中，当用户触发了交易指令时，获取用户的交易信息，包括：当前和历史支付信息，当前和历史订单信息，授信信息，历史登录信息和用户基本信息。
102、根据交易信息，在预先存储的规则引擎中进行规则匹配；
需要说明的是，在获取了用户的交易信息后，在预先存储的规则引擎中进行规则匹配，在本实施例中，规则引擎之中分为强规则集和弱规则集，强规则集之中包括但不限于：黑名单类规则，如手机黑名单、卡号黑名单和账户黑名单等；白名单类规则，如账户白名单等；额度限制类规则，如单账户每日交易限额等；次数限制类规则，如单账户每日交易笔数限制等。而弱规则集之中包括但不限于：注册时间与交易时间差，注册ip与支付ip归属地是否相同，注册手机号与收货手机号归属地是否相同等。
103、根据规则匹配的结果得到交易信息的第一风险等级；
需要说明的是，本实施例中，在规则引擎中进行规则匹配，当满足强规则集之中的白名单类规则或在规则引擎中没有匹配到相应规则时，即得到交易信息的第一风险等级为无风险，当满足强规则集之中除白名单类规则以外的其他规则时，即得到交易信息的第一风险等级为高风险，当满足弱规则集之中的一条规则时，即得到交易信息的第一风险等级为低风险。
104、判断第一风险等级是否为高风险、低风险或无风险，若为高风险，则终止用户的交易指令，若为低风险，则执行步骤105，若为无风险，则通过用户的交易指令；
需要说明的是，判断第一风险等级是否为高风险、低风险或无风险，若为高风险，则终止用户的交易指令，若为低风险，则执行步骤105，若为无风险，则通过用户的交易指令。
105、利用风险预测模块中预置GBDT模型对交易信息进行风险预测，得到交易信息的第二风险等级；
需要说明的是，利用风险预测模块中预置GBDT模型对判断为低风险的交易信息进行风险预测，即将交易信息经过处理后，作为预置GBDT模型的输入，由预置GBDT模型输出交易信息的第二风险等级。
106、判断第二风险等级是否为高风险或低风险，若为高风险，则执行步骤107，若为无风险，则通过用户的交易指令；
需要说明的是，判断第二风险等级是否为高风险或低风险，若为高风险，则执行步骤107，若为无风险，则通过用户的交易指令。
107、将交易信息发送至人工审核模块，以获取对交易信息的人工审核结果；
需要说明的是，将第一风险等级为低风险且第二风险等级为高风险的交易信息发送至人工审核模块，由人工进行审核，以获取对交易信息的人工审核结果，可以看出，经过二次高效的筛选，需要进行人工审核的情况越来越少，减少了人工审核的成本。
本发明具备的优点：
1、相比于人工审核存在的低效率的问题，通过预置GBDT模型能够更加高效；
2、相比于需要人的学习历史风控经验再配置维护的规则库而言，预置 GBDT模型更加客观、准确和稳定；
3、开发与维护成本低，大部分工作在前期数据处理，后期的开发维护效率会更高；
4、具备较好的临时应急能力，如某大促期间突然发生了一种较新的欺诈手段，风控人员能够及时的把作案方式配置成规则，弥补预置GBDT模型无法识别的漏洞，避免损失扩大。
本发明实施例通过在预先存储在规则引擎中的各种规则，筛选出用户的交易信息的第一风险等级，并在存在高风险的情况下直接终止用户的交易指令，在存在低风险的情况下将用户的交易信息发送至预置GBDT模型进行风险预测，预置GBDT模型稳定可靠，相比于需要人通过学习历史风控经验再配置规则库而言，更加的客观和准确，预置GBDT模型能够输出交易信息的第二风险等级，即判断用户的交易信息为高风险或低风险，而只有当第二风险等级为高风险时，才需要进行人工审核，减少了大量人工审核的工作量，解决了传统的风险评估方法会导致由于粒度过大，导致误判为欺诈的交易很多，从而产生很多误杀了实际上是非欺诈的交易，以及由于策略模型的规则粒度较粗，导致匹配出来的可疑风险交易很多，导致人工审核的成本很大的技术问题。
以上是对本发明提供的一种交易风险评估方法的第一个实施例进行的说明，以下将对本发明提供的一种交易风险评估方法的第二个实施例进行说明。
请参阅图2，本发明提供了一种交易风险评估方法的第二个实施例，包括：
201、获取已知结果的数据样本；
需要说明的是，首先获取已知结果的数据样本，即包括用户的交易信息及其对应的人工审核结果，具体为：以预置数据样本时间窗口和预置采样频率对已知结果的数据样本进行滑动窗口采样，例如，本实施例中，预置数据样本时间窗口是30天，也就是说在定时采集任务执行的当天为滑动窗口结束时间，而30天前的时间作为滑动窗口的开始时间，把开始时间到结束时间段内的数据进行采集；
由于采集的数据样本量特别大，在传统的单机处理的情况下，要把几百万甚至上千万的数据进行数据处理，几乎是不可能的，第一，计算量太大，耗时必然非常漫长，第二，加载如此大批量的数据到内存几乎是不可能的事情，所以，在数据预处理阶段，我们采样分片的策略对大规模数据样本进行并行处理，提高数据处理效率。
202、将已知结果的数据样本转换为标准格式的数据样本；
需要说明的是，将已知结果的数据样本转换为标准格式的数据样本，如各个字段以逗号分隔的行列式，以便于对数据样本进行读取解析。
203、提取标准格式的数据样本中的第一特征字段及其对应的第一特征值，并构成特征矩阵数据；
需要说明的是，提取标准格式的数据样本中的第一特征字段及其对应的第一特征值，并构成符合GBDT模型输入要求的特征矩阵数据，本实施例中，第一特征字段包括金额字段，客户端类型字段等。
204、将特征矩阵数据作为GBDT模型训练的输入，对GBDT模型进行训练，将训练后的GBDT模型作为预置GBDT模型并储存至风险预测模块中；
需要说明的是，将特征矩阵数据作为GBDT模型训练的输入，对GBDT 模型进行训练，将训练后的GBDT模型作为预置GBDT模型并储存至风险预测模块中；
对GBDT模型的训练，主要原理是通过多个弱分类器，串行地对同一份训练数据集进行训练学习，每一轮都是基于上一轮的残差进行拟合，直到最终残差为零或者迭代完所有树。
205、当用户触发交易指令时，获取用户的交易信息；
本实施例中，当用户触发了交易指令时，获取用户的交易信息，包括：当前和历史支付信息，当前和历史订单信息，授信信息，历史登录信息和用户基本信息。
206、根据交易信息，在预先存储的规则引擎中进行规则匹配；
需要说明的是，在获取了用户的交易信息后，在预先存储的规则引擎中进行规则匹配，在本实施例中，规则引擎之中分为强规则集和弱规则集，强规则集之中包括但不限于：黑名单类规则，如手机黑名单、卡号黑名单和账户黑名单等；白名单类规则，如账户白名单等；额度限制类规则，如单账户每日交易限额等；次数限制类规则，如单账户每日交易笔数限制等。而弱规则集之中包括但不限于：注册时间与交易时间差，注册ip与支付ip归属地是否相同，注册手机号与收货手机号归属地是否相同等。
207、根据规则匹配的结果得到交易信息的第一风险等级；
需要说明的是，本实施例中，在规则引擎中进行规则匹配，当满足强规则集之中的白名单类规则或在规则引擎中没有匹配到相应规则时，即得到交易信息的第一风险等级为无风险，当满足强规则集之中除白名单类规则以外的其他规则时，即得到交易信息的第一风险等级为高风险，当满足弱规则集之中的一条规则时，即得到交易信息的第一风险等级为低风险。
208、判断第一风险等级是否为高风险、低风险或无风险，若为高风险，则终止用户的交易指令，若为低风险，则执行步骤209，若为无风险，则通过用户的交易指令；
需要说明的是，判断第一风险等级是否为高风险、低风险或无风险，若为高风险，则终止用户的交易指令，若为低风险，则执行步骤209，若为无风险，则通过用户的交易指令。
209、利用风险预测模块中预置GBDT模型对交易信息进行风险预测，得到交易信息的第二风险等级；
需要说明的是，利用风险预测模块中预置GBDT模型对判断为低风险的交易信息进行风险预测，即将交易信息经过处理后，作为预置GBDT模型的输入，由预置GBDT模型输出交易信息的第二风险等级。
210、判断第二风险等级是否为高风险或低风险，若为高风险，则执行步骤211，若为无风险，则通过用户的交易指令；
需要说明的是，判断第二风险等级是否为高风险或低风险，若为高风险，则执行步骤211，若为无风险，则通过用户的交易指令。
211、将交易信息发送至人工审核模块，以获取对交易信息的人工审核结果；
需要说明的是，将第一风险等级为低风险且第二风险等级为高风险的交易信息发送至人工审核模块，由人工进行审核，以获取对交易信息的人工审核结果，可以看出，经过二次高效的筛选，需要进行人工审核的情况越来越少，减少了人工审核的成本。
请参阅图3，图3为对本发明中数据预处理的实施例，包括：
301、提取标准格式的数据样本中的第一特征字段及其对应的第一特征值；
需要说明的是，提取标准格式的数据样本中的第一特征字段及其对应的第一特征值，本实施例中，第一特征字段包括金额字段，客户端类型字段等。
302、对第一特征字段进行离散化处理，得到第二特征字段及其对应的第二特征值；
需要说明的是，对第一特征字段进行离散化处理，得到第二特征字段及其对应的第二特征值，例如，金额字段，按区间划分：0-200，201-300，301-500；又如客户端类型的离散化：是否是app端，是否是pc端，是否是h5端等；通过离散化处理，会产生许多新的第二特征字段。
303、对第二特征字段及其对应的第二特征值进行空值填充处理；
需要说明的是，经过步骤301和步骤302的处理，会观察到数据样本之中，许多第二特征值存在空值的情况，因此需要对第二特征字段及其对应的第二特征值进行空值填充处理。
304、对第二特征字段进行区间缩放处理，使得第二特征字段对应的第二特征值缩放至0至1之间；
需要说明的是，经过空值填充处理后，可以观察到一些第二特征字段对应的第二特征值过大，从而导致方差过大，导致各个第二特征字段的影响程度差别过大，因此，需要对第二特征字段进行区间缩放处理，使得第二特征字段对应的第二特征值缩放至0至1之间。
305、将第二特征字段及其对应的第二特征值构成特征矩阵数据。
需要说明的是，最终将第二特征字段及其对应的第二特征值构成符合 GBDT模型输入要求的特征矩阵数据。
以上是对本发明提供的一种交易风险评估方法的第二个实施例进行的说明，以下将对本发明提供的一种交易风险评估方法的第三个实施例进行说明。
请参阅图4，本发明提供了一种交易风险评估方法的第三个实施例，包括：
401、当用户触发交易指令时，获取用户的交易信息；
本实施例中，当用户触发了交易指令时，获取用户的交易信息，包括：当前和历史支付信息，当前和历史订单信息，授信信息，历史登录信息和用户基本信息。
402、根据交易信息，在预先存储的规则引擎中进行规则匹配；
需要说明的是，在获取了用户的交易信息后，在预先存储的规则引擎中进行规则匹配，在本实施例中，规则引擎之中分为强规则集和弱规则集，强规则集之中包括但不限于：黑名单类规则，如手机黑名单、卡号黑名单和账户黑名单等；白名单类规则，如账户白名单等；额度限制类规则，如单账户每日交易限额等；次数限制类规则，如单账户每日交易笔数限制等。而弱规则集之中包括但不限于：注册时间与交易时间差，注册ip与支付ip归属地是否相同，注册手机号与收货手机号归属地是否相同等。
403、根据规则匹配的结果得到交易信息的第一风险等级；
需要说明的是，本实施例中，在规则引擎中进行规则匹配，当满足强规则集之中的白名单类规则或在规则引擎中没有匹配到相应规则时，即得到交易信息的第一风险等级为无风险，当满足强规则集之中除白名单类规则以外的其他规则时，即得到交易信息的第一风险等级为高风险，当满足弱规则集之中的一条规则时，即得到交易信息的第一风险等级为低风险。
404、判断第一风险等级是否为高风险、低风险或无风险，若为高风险，则终止用户的交易指令，若为低风险，则执行步骤405，若为无风险，则通过用户的交易指令；
需要说明的是，判断第一风险等级是否为高风险、低风险或无风险，若为高风险，则终止用户的交易指令，若为低风险，则执行步骤405，若为无风险，则通过用户的交易指令。
405、利用风险预测模块中预置GBDT模型对交易信息进行风险预测，得到交易信息的第二风险等级；
需要说明的是，利用风险预测模块中预置GBDT模型对判断为低风险的交易信息进行风险预测，即将交易信息经过处理后，作为预置GBDT模型的输入，由预置GBDT模型输出交易信息的第二风险等级。
406、判断第二风险等级是否为高风险或低风险，若为高风险，则执行步骤407，若为无风险，则通过用户的交易指令；
需要说明的是，判断第二风险等级是否为高风险或低风险，若为高风险，则执行步骤407，若为无风险，则通过用户的交易指令。
407、将交易信息发送至人工审核模块，以获取对交易信息的人工审核结果；
需要说明的是，将第一风险等级为低风险且第二风险等级为高风险的交易信息发送至人工审核模块，由人工进行审核，以获取对交易信息的人工审核结果，可以看出，经过二次高效的筛选，需要进行人工审核的情况越来越少，减少了人工审核的成本。
408、将人工审核结果及其对应的数据作为数据样本对预置GBDT模型进行更新训练，并将更新后的GBDT模型作为预置GBDT模型储存至风险预测模块中；
需要说明的是，将人工审核结果及其对应的数据作为数据样本对预置 GBDT模型进行更新训练，将人工审核结果及其对应的数据作为数据样本对预置GBDT模型进行更新训练，并将更新后的GBDT模型作为预置GBDT模型储存至风险预测模块中。
本发明通过在预先存储在规则引擎中的各种规则，筛选出用户的交易信息的第一风险等级，并在存在高风险的情况下直接终止用户的交易指令，在存在低风险的情况下将用户的交易信息发送至预置GBDT模型进行风险预测，预置GBDT模型稳定可靠，相比于需要人通过学习历史风控经验再配置规则库而言，更加的客观和准确，预置GBDT模型能够输出交易信息的第二风险等级，即判断用户的交易信息为高风险或低风险，而只有当第二风险等级为高风险时，才需要进行人工审核，减少了大量人工审核的工作量，解决了传统的风险评估方法会导致由于粒度过大，导致误判为欺诈的交易很多，从而产生很多误杀了实际上是非欺诈的交易，以及由于策略模型的规则粒度较粗，导致匹配出来的可疑风险交易很多，导致人工审核的成本很大的技术问题，进一步地，通过风控专家人工审核后纠正错误的预测结果，对预置GBDT 模型不断地进行更新，从新的数据样本之中学习到被纠正的经验，从而不断地学习并适应新变化，避免错误重复的出现。
以上是对本发明提供的一种交易风险评估方法的第三个实施例进行的说明，以下将对本发明提供的一种交易风险评估系统的第一个实施例进行说明。
请参阅图5，本发明提供了一种交易风险评估系统的第一个实施例，包括：
第一获取单元501，用于当用户触发交易指令时，获取用户的交易信息；
规则匹配单元502，用于根据交易信息，在预先存储的规则引擎中进行规则匹配；
确定单元503，用于根据规则匹配的结果得到交易信息的第一风险等级；
第一判断单元504，用于判断第一风险等级是否为高风险、低风险或无风险，若为高风险，则终止用户的交易指令，若为低风险，则跳转至预测单元 505，若为无风险，则通过用户的交易指令；
预测单元505，用于利用风险预测模块中预置GBDT模型对交易信息进行风险预测，得到交易信息的第二风险等级；
第二判断单元506，用于判断第二风险等级是否为高风险或低风险，若为高风险，则跳转至发送单元507，若为无风险，则通过用户的交易指令；
发送单元507，用于将交易信息发送至人工审核模块，以获取对交易信息的人工审核结果。
以上是对本发明提供的一种交易风险评估系统的第一个实施例进行的说明，以下将对本发明提供的一种交易风险评估系统的第二个实施例进行说明。
请参阅图6，本发明提供了一种交易风险评估系统的第二个实施例，包括：
第二获取单元601，用于获取已知结果的数据样本；
转换单元602，用于将已知结果的数据样本转换为标准格式的数据样本；
矩阵构成单元603，用于提取标准格式的数据样本中的第一特征字段及其对应的第一特征值，并构成特征矩阵数据；
训练单元604，用于将特征矩阵数据作为GBDT模型训练的输入，对 GBDT模型进行训练，将训练后的GBDT模型作为预置GBDT模型并储存至风险预测模块中；
第一获取单元605，用于当用户触发交易指令时，获取用户的交易信息；
规则匹配单元606，用于根据交易信息，在预先存储的规则引擎中进行规则匹配；
确定单元607，用于根据规则匹配的结果得到交易信息的第一风险等级；
第一判断单元608，用于判断第一风险等级是否为高风险、低风险或无风险，若为高风险，则终止用户的交易指令，若为低风险，则跳转至预测单元 609，若为无风险，则通过用户的交易指令；
预测单元609，用于利用风险预测模块中预置GBDT模型对交易信息进行风险预测，得到交易信息的第二风险等级；
第二判断单元610，用于判断第二风险等级是否为高风险或低风险，若为高风险，则跳转至发送单元，若为无风险，则通过用户的交易指令；
发送单元611，用于将交易信息发送至人工审核模块，以获取对交易信息的人工审核结果；
进一步地，第二获取单元604还用于以预置数据样本时间窗口和预置采样频率对已知结果的数据样本进行滑动窗口采样。
进一步地，请参阅图7，矩阵构成单元603具体包括：
提取子单元6031，用于提取标准格式的数据样本中的第一特征字段及其对应的第一特征值；
离散子单元6032，用于对第一特征字段进行离散化处理，得到第二特征字段及其对应的第二特征值；
空值填充子单元6033，用于对第二特征字段及其对应的第二特征值进行空值填充处理；
区间缩放子单元6034，用于对第二特征字段进行区间缩放处理，使得第二特征字段对应的第二特征值缩放至0至1之间；
矩阵构成子单元6035，用于将第二特征字段及其对应的第二特征值构成特征矩阵数据。
以上是对本发明提供的一种交易风险评估系统的第二个实施例进行的说明，以下将对本发明提供的一种交易风险评估系统的第三个实施例进行说明。
请参阅图8，本发明提供了一种交易风险评估系统的第三个实施例，包括：
第一获取单元801，用于当用户触发交易指令时，获取用户的交易信息；
规则匹配单元802，用于根据交易信息，在预先存储的规则引擎中进行规则匹配；
确定单元803，用于根据规则匹配的结果得到交易信息的第一风险等级；
第一判断单元804，用于判断第一风险等级是否为高风险、低风险或无风险，若为高风险，则终止用户的交易指令，若为低风险，则跳转至预测单元 805，若为无风险，则通过用户的交易指令；
预测单元805，用于利用风险预测模块中预置GBDT模型对交易信息进行风险预测，得到交易信息的第二风险等级；
第二判断单元806，用于判断第二风险等级是否为高风险或低风险，若为高风险，则跳转至发送单元807，若为无风险，则通过用户的交易指令；
发送单元807，用于将交易信息发送至人工审核模块，以获取对交易信息的人工审核结果；
更新单元808，用于将人工审核结果及其对应的数据作为数据样本对预置 GBDT模型进行更新训练，并将更新后的GBDT模型作为预置GBDT模型储存至风险预测模块中。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种交易风险评估方法，其特征在于，包括：
S1、当用户触发交易指令时，获取用户的交易信息；
S2、根据交易信息，在预先存储的规则引擎中进行规则匹配；
S3、根据规则匹配的结果得到交易信息的第一风险等级；
S4、判断第一风险等级是否为高风险、低风险或无风险，若为高风险，则终止用户的交易指令，若为低风险，则执行步骤S5，若为无风险，则通过用户的交易指令；
S5、利用风险预测模块中预置GBDT模型对交易信息进行风险预测，得到交易信息的第二风险等级；
S6、判断第二风险等级是否为高风险或低风险，若为高风险，则执行步骤S7，若为无风险，则通过用户的交易指令；
S7、将交易信息发送至人工审核模块，以获取对交易信息的人工审核结果。
2.根据权利要求1所述的交易风险评估方法，其特征在于，步骤S1之前还包括：
S01、获取已知结果的数据样本；
S02、将已知结果的数据样本转换为标准格式的数据样本；
S03、提取标准格式的数据样本中的第一特征字段及其对应的第一特征值，并构成特征矩阵数据；
S04、将特征矩阵数据作为GBDT模型训练的输入，对GBDT模型进行训练，将训练后的GBDT模型作为预置GBDT模型并储存至风险预测模块中。
3.根据权利要求2所述的交易风险评估方法，其特征在于，步骤S01具体为：
以预置数据样本时间窗口和预置采样频率对已知结果的数据样本进行滑动窗口采样。
4.根据权利要求3所述的交易风险评估方法，其特征在于，步骤S03具体包括：
提取标准格式的数据样本中的第一特征字段及其对应的第一特征值；
对第一特征字段进行离散化处理，得到第二特征字段及其对应的第二特征值；
对第二特征字段及其对应的第二特征值进行空值填充处理；
对第二特征字段进行区间缩放处理，使得第二特征字段对应的第二特征值缩放至0至1之间；
将第二特征字段及其对应的第二特征值构成特征矩阵数据。
5.根据权利要求1所述的交易风险评估方法，其特征在于，步骤S7之后还包括：
将人工审核结果及其对应的数据作为数据样本对预置GBDT模型进行更新训练，并将更新后的GBDT模型作为预置GBDT模型储存至风险预测模块中。
6.一种交易风险评估系统，其特征在于，包括：
第一获取单元，用于当用户触发交易指令时，获取用户的交易信息；
规则匹配单元，用于根据交易信息，在预先存储的规则引擎中进行规则匹配；
确定单元，用于根据规则匹配的结果得到交易信息的第一风险等级；
第一判断单元，用于判断第一风险等级是否为高风险、低风险或无风险，若为高风险，则终止用户的交易指令，若为低风险，则跳转至预测单元，若为无风险，则通过用户的交易指令；
预测单元，用于利用风险预测模块中预置GBDT模型对交易信息进行风险预测，得到交易信息的第二风险等级；
第二判断单元，用于判断第二风险等级是否为高风险或低风险，若为高风险，则跳转至发送单元，若为无风险，则通过用户的交易指令；
发送单元，用于将交易信息发送至人工审核模块，以获取对交易信息的人工审核结果。
7.根据权利要求6所述的交易风险评估系统，其特征在于，还包括：
第二获取单元，用于获取已知结果的数据样本；
转换单元，用于将已知结果的数据样本转换为标准格式的数据样本；
矩阵构成单元，用于提取标准格式的数据样本中的第一特征字段及其对应的第一特征值，并构成特征矩阵数据；
训练单元，用于将特征矩阵数据作为GBDT模型训练的输入，对GBDT模型进行训练，将训练后的GBDT模型作为预置GBDT模型并储存至风险预测模块中。
8.根据权利要求7所述的交易风险评估系统，其特征在于，第二获取单元还用于以预置数据样本时间窗口和预置采样频率对已知结果的数据样本进行滑动窗口采样。
9.根据权利要求8所述的交易风险评估系统，其特征在于，矩阵构成单元具体包括：
提取子单元，用于提取标准格式的数据样本中的第一特征字段及其对应的第一特征值；
离散子单元，用于对第一特征字段进行离散化处理，得到第二特征字段及其对应的第二特征值；
空值填充子单元，用于对第二特征字段及其对应的第二特征值进行空值填充处理；
区间缩放子单元，用于对第二特征字段进行区间缩放处理，使得第二特征字段对应的第二特征值缩放至0至1之间；
矩阵构成子单元，用于将第二特征字段及其对应的第二特征值构成特征矩阵数据。
10.根据权利要求6所述的交易风险评估系统，其特征在于，还包括：
更新单元，用于将人工审核结果及其对应的数据作为数据样本对预置GBDT模型进行更新训练，并将更新后的GBDT模型作为预置GBDT模型储存至风险预测模块中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810394757.1A CN108537671A (zh) | 2018-04-27 | 2018-04-27 | 一种交易风险评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810394757.1A CN108537671A (zh) | 2018-04-27 | 2018-04-27 | 一种交易风险评估方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108537671A true CN108537671A (zh) | 2018-09-14 |
Family
ID=63479600
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810394757.1A Pending CN108537671A (zh) | 2018-04-27 | 2018-04-27 | 一种交易风险评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108537671A (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109508864A (zh) * | 2018-10-19 | 2019-03-22 | 南京理工大学 | 一种基于xgboost的企业违约风险模型的建立方法 |
| CN109769218A (zh) * | 2018-12-26 | 2019-05-17 | 中国银联股份有限公司 | 一种交易通知方法、装置、终端设备和介质 |
| CN109784897A (zh) * | 2018-12-28 | 2019-05-21 | 易票联支付有限公司 | 一种跨境结算系统及方法 |
| CN109816390A (zh) * | 2019-01-03 | 2019-05-28 | 深圳壹账通智能科技有限公司 | 基于交易数据的反欺诈分析处理方法、装置和计算机设备 |
| CN109979601A (zh) * | 2018-10-12 | 2019-07-05 | 王龙 | 一种具有自动学习功能的流感预测摄像机 |
| CN110390526A (zh) * | 2018-04-18 | 2019-10-29 | 苏宁易购集团股份有限公司 | 一种网络交易分析方法及系统 |
| CN110400227A (zh) * | 2019-07-31 | 2019-11-01 | 中国工商银行股份有限公司 | 交易报文数据的处理方法、装置、系统 |
| CN110458570A (zh) * | 2019-07-02 | 2019-11-15 | 阿里巴巴集团控股有限公司 | 风险交易管控和配置方法及其系统 |
| CN110533536A (zh) * | 2019-08-30 | 2019-12-03 | 中国工商银行股份有限公司 | 交易风险评估方法、装置和计算机系统 |
| CN110826621A (zh) * | 2019-11-01 | 2020-02-21 | 北京芯盾时代科技有限公司 | 一种风险事件处理方法及装置 |
| CN110930102A (zh) * | 2018-09-19 | 2020-03-27 | 优信拍（北京）信息科技有限公司 | 一种支付方法、装置及系统 |
| CN111369006A (zh) * | 2020-02-28 | 2020-07-03 | 上海蓝书信息科技有限公司 | 召回模型的生成方法及装置 |
| CN112053220A (zh) * | 2020-08-09 | 2020-12-08 | 中信银行股份有限公司 | 一种风险用户确定方法、装置及存储介质 |
| CN112749973A (zh) * | 2021-01-12 | 2021-05-04 | 腾讯科技（深圳）有限公司 | 一种权限管理方法、装置和计算机可读存储介质 |
| CN113327111A (zh) * | 2021-05-31 | 2021-08-31 | 中国工商银行股份有限公司 | 一种网络金融交易风险的评估方法及系统 |
| CN114202432A (zh) * | 2022-02-18 | 2022-03-18 | 深圳市金斧子网络科技有限公司 | 一种私募基金风险评级方法、装置及存储介质 |
| CN114930368A (zh) * | 2020-11-17 | 2022-08-19 | 维萨国际服务协会 | 用于确定欺诈的系统、方法和计算机程序产品 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103236005A (zh) * | 2013-03-29 | 2013-08-07 | 深圳市网商网科技有限公司 | 一种电子商务风险支付的检测评估阻止方法 |
| CN103279883A (zh) * | 2013-05-02 | 2013-09-04 | 携程计算机技术（上海）有限公司 | 电子支付交易风险控制方法及系统 |
| CN106815754A (zh) * | 2015-12-02 | 2017-06-09 | 阿里巴巴集团控股有限公司 | 一种风险控制系统的计费方法和风控系统服务器 |
| 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 |
| CN107481019A (zh) * | 2017-07-28 | 2017-12-15 | 上海携程商务有限公司 | 订单欺诈识别方法、系统、存储介质和电子设备 |
-
2018
- 2018-04-27 CN CN201810394757.1A patent/CN108537671A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103236005A (zh) * | 2013-03-29 | 2013-08-07 | 深圳市网商网科技有限公司 | 一种电子商务风险支付的检测评估阻止方法 |
| CN103279883A (zh) * | 2013-05-02 | 2013-09-04 | 携程计算机技术（上海）有限公司 | 电子支付交易风险控制方法及系统 |
| CN106815754A (zh) * | 2015-12-02 | 2017-06-09 | 阿里巴巴集团控股有限公司 | 一种风险控制系统的计费方法和风控系统服务器 |
| 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 |
| CN107481019A (zh) * | 2017-07-28 | 2017-12-15 | 上海携程商务有限公司 | 订单欺诈识别方法、系统、存储介质和电子设备 |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110390526A (zh) * | 2018-04-18 | 2019-10-29 | 苏宁易购集团股份有限公司 | 一种网络交易分析方法及系统 |
| CN110930102A (zh) * | 2018-09-19 | 2020-03-27 | 优信拍（北京）信息科技有限公司 | 一种支付方法、装置及系统 |
| CN110930102B (zh) * | 2018-09-19 | 2023-05-23 | 优信拍（北京）信息科技有限公司 | 一种支付方法、装置及系统 |
| CN109979601B (zh) * | 2018-10-12 | 2020-10-02 | 东阳市菊苏科技有限公司 | 一种具有自动学习功能的流感预测摄像机 |
| CN109979601A (zh) * | 2018-10-12 | 2019-07-05 | 王龙 | 一种具有自动学习功能的流感预测摄像机 |
| CN109508864A (zh) * | 2018-10-19 | 2019-03-22 | 南京理工大学 | 一种基于xgboost的企业违约风险模型的建立方法 |
| CN109508864B (zh) * | 2018-10-19 | 2022-08-05 | 南京理工大学 | 一种基于xgboost的企业违约风险模型的建立方法 |
| CN109769218A (zh) * | 2018-12-26 | 2019-05-17 | 中国银联股份有限公司 | 一种交易通知方法、装置、终端设备和介质 |
| CN109784897A (zh) * | 2018-12-28 | 2019-05-21 | 易票联支付有限公司 | 一种跨境结算系统及方法 |
| CN109816390A (zh) * | 2019-01-03 | 2019-05-28 | 深圳壹账通智能科技有限公司 | 基于交易数据的反欺诈分析处理方法、装置和计算机设备 |
| CN110458570A (zh) * | 2019-07-02 | 2019-11-15 | 阿里巴巴集团控股有限公司 | 风险交易管控和配置方法及其系统 |
| CN110458570B (zh) * | 2019-07-02 | 2023-08-08 | 创新先进技术有限公司 | 风险交易管控和配置方法及其系统 |
| CN110400227A (zh) * | 2019-07-31 | 2019-11-01 | 中国工商银行股份有限公司 | 交易报文数据的处理方法、装置、系统 |
| CN110533536A (zh) * | 2019-08-30 | 2019-12-03 | 中国工商银行股份有限公司 | 交易风险评估方法、装置和计算机系统 |
| CN110826621A (zh) * | 2019-11-01 | 2020-02-21 | 北京芯盾时代科技有限公司 | 一种风险事件处理方法及装置 |
| CN111369006B (zh) * | 2020-02-28 | 2023-07-04 | 上海蓝书信息科技有限公司 | 召回模型的生成方法及装置 |
| CN111369006A (zh) * | 2020-02-28 | 2020-07-03 | 上海蓝书信息科技有限公司 | 召回模型的生成方法及装置 |
| CN112053220A (zh) * | 2020-08-09 | 2020-12-08 | 中信银行股份有限公司 | 一种风险用户确定方法、装置及存储介质 |
| CN114930368A (zh) * | 2020-11-17 | 2022-08-19 | 维萨国际服务协会 | 用于确定欺诈的系统、方法和计算机程序产品 |
| US11922422B2 (en) | 2020-11-17 | 2024-03-05 | Visa International Service Association | System, method, and computer program product for determining fraud |
| CN112749973A (zh) * | 2021-01-12 | 2021-05-04 | 腾讯科技（深圳）有限公司 | 一种权限管理方法、装置和计算机可读存储介质 |
| CN113327111A (zh) * | 2021-05-31 | 2021-08-31 | 中国工商银行股份有限公司 | 一种网络金融交易风险的评估方法及系统 |
| CN114202432A (zh) * | 2022-02-18 | 2022-03-18 | 深圳市金斧子网络科技有限公司 | 一种私募基金风险评级方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108537671A (zh) | 一种交易风险评估方法及系统 | |
| CN108734338A (zh) | 基于lstm模型的信用风险预测方法及装置 | |
| WO2021174966A1 (zh) | 训练风险识别模型的方法及装置 | |
| CN109376766B (zh) | 一种画像预测分类方法、装置及设备 | |
| CN107316198A (zh) | 账户风险识别方法及装置 | |
| CN108898476A (zh) | 一种贷款客户信用评分方法和装置 | |
| CN107609978A (zh) | 一种投资理财产品的体验系统及其体验方法 | |
| CN109242107B (zh) | 基于迁移学习的反欺诈模型训练方法、系统和反欺诈方法 | |
| US20190392295A1 (en) | Information processing device, method, and program that use deep learning | |
| CN110084468A (zh) | 一种风险识别方法及装置 | |
| CN110503564A (zh) | 基于大数据的保全案件处理方法、系统、设备及存储介质 | |
| CN109166032A (zh) | 一种电子银行线上反欺诈方法及系统 | |
| CN110688478A (zh) | 一种答案排序方法、装置及存储介质 | |
| CN112330328A (zh) | 一种基于特征提取的信用卡欺诈检测方法 | |
| CN116128627A (zh) | 风险预测方法、装置、电子设备及存储介质 | |
| CN109919608A (zh) | 一种高危交易主体的识别方法、装置及服务器 | |
| CN109522919A (zh) | 一种数据评估方法及装置 | |
| CN112069249A (zh) | 知识图谱关系挖掘方法、装置、计算机设备及存储介质 | |
| CN110288465A (zh) | 对象确定方法及装置、存储介质、电子装置 | |
| CN112541579B (zh) | 模型训练方法、贫困程度信息识别方法、装置和存储介质 | |
| CN109726315A (zh) | 数据查询方法、装置、计算设备及存储介质 | |
| CN113011966A (zh) | 基于深度学习的信用评分方法及装置 | |
| CN117094764A (zh) | 银行积分处理方法及装置 | |
| CN110009159A (zh) | 基于网络大数据的金融借贷需求预测方法及系统 | |
| CN115660814A (zh) | 风险预测方法、装置、计算机可读存储介质及电子设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180914 |
|
| RJ01 | Rejection of invention patent application after publication |