CN108629680A - 一种风险识别方法及系统 - Google Patents
一种风险识别方法及系统 Download PDFInfo
- Publication number
- CN108629680A CN108629680A CN201810289816.9A CN201810289816A CN108629680A CN 108629680 A CN108629680 A CN 108629680A CN 201810289816 A CN201810289816 A CN 201810289816A CN 108629680 A CN108629680 A CN 108629680A
- Authority
- CN
- China
- Prior art keywords
- data
- risk
- client
- analogue
- intersection
- 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
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种风险识别方法及系统,包括:根据客户真实数据生成模拟数据,并将所述真实数据与所述模拟数据集合,得到合集数据;对所述合集数据进行判断,得到初步判别参数;根据所述初步判别参数和所述客户真实数据进行迭代生成目标集合数据,直至对所述目标集合数据进行判断得到的目标判别参数满足迭代终止条件,确定所述目标判别参数;对比所述目标判别参数,生成客户风险等级结果。通过本发明实现了通过少量数据来更快速准确地完成客户风险等级识别的目的。
Description
技术领域
本发明涉及金融技术领域,特别是涉及一种风险识别方法及系统。
背景技术
随着大数据相关技术的发展,用户的消费行为也发生了改变,金融业态也将发生变迁。在互联网金融浪潮下,各个银行在客户欺诈检测、客户信用评价等方面做了多方面的研究工作。其中,最常用的方式是通过近期学习方法训练客户数据,来识别出风险客户。但是,在利用机器学习训练客户数据时,数据规模的选取一直是影响识别结果的制约条件,若选取大规模的数据作为训练数据会影响检测效率,若数据量过少也会导致检测结果较差。目前,如何通过少量数据来更准确的判断客户风险等级,已成为各个银行研究的重点。
发明内容
针对于上述问题,本发明提供一种风险识别方法及系统,实现了通过少量数据来更快速准确地完成客户风险等级识别的目的。
为了实现上述目的,本发明提供了如下技术方案:
一种风险识别方法,该方法包括:
根据客户真实数据生成模拟数据,并将所述真实数据与所述模拟数据集合,得到合集数据;
对所述合集数据进行判断,得到初步判别参数;
根据所述初步判别参数和所述客户真实数据进行迭代生成目标集合数据,直至对所述目标集合数据进行判断得到的目标判别参数满足迭代终止条件,确定所述目标判别参数;
对比所述目标判别参数,生成客户风险等级结果。
可选地,还包括:
对所述客户真实数据进行分类训练,得到预设分类数据,其中,所述预设分类包括高风险客户、低风险客户和正常客户。
可选地,所述根据客户真实数据生成模拟数据,并将所述真实数据与所述模拟数据集合,得到合集数据,包括:
根据所述客户真实数据的预设分类数据获得高风险客户数据和低风险客户数据;
对所述高风险客户数据进行模拟,得到高风险模拟数据;
对所述低风险客户数据进行模拟,得到低风险模拟数据;
将所述高风险客户数据与所述高风险模拟数据进行集合,得到第一合集数据;
将所述低风险客户数据与所述低风险模拟数据进行集合,得到第二合集数据。
可选地,所述对所述合集数据进行判断,得到初步判别参数,包括:
对所述合集数据预处理,得到预处理后的合集数据;
对所述预处理后的合集数据进行判断,得到初步判别参数;
其中,所述预处理包括排除所述合集数据中的干扰数据。
可选地,还包括:
根据所述客户风险等级结果筛选得到目标客户;
对所述目标客户进行营销管理。
一种风险识别系统,该系统包括:
生成模块,用于根据客户真实数据生成模拟数据,并将所述真实数据与所述模拟数据集合,得到合集数据;
判别模块,用于对所述合集数据进行判断,得到初步判别参数;
迭代确定模块,用于根据所述初步判别参数和所述客户真实数据进行迭代生成目标集合数据,直至对所述目标集合数据进行判断得到的目标判别参数满足迭代终止条件,确定所述目标判别参数;
结果生成模块,用于对比所述目标判别参数,生成客户风险等级结果。
可选地,还包括:
训练模块,用于对所述客户真实数据进行分类训练,得到预设分类数据,其中,所述预设分类包括高风险客户、低风险客户和正常客户。
可选地,所述生成模块包括:
分类单元,用于根据所述客户真实数据的预设分类数据获得高风险客户数据和低风险客户数据;
第一模拟单元,用于对所述高风险客户数据进行模拟,得到高风险模拟数据;
第二模拟单元,用于对所述低风险客户数据进行模拟,得到低风险模拟数据;
第一集合单元,用于将所述高风险客户数据与所述高风险模拟数据进行集合,得到第一合集数据;
第二集合单元,用于将所述低风险客户数据与所述低风险模拟数据进行集合,得到第二合集数据。
可选地,所述判别模块包括:
预处理单元,用于对所述合集数据预处理,得到预处理后的合集数据;
判断单元,用于对所述预处理后的合集数据进行判断,得到初步判别参数;
其中,所述预处理包括排除所述合集数据中的干扰数据。
可选地,还包括:
筛选模块,用于根据所述客户风险等级结果筛选得到目标客户;
管理模块,用于对所述目标客户进行营销管理。
相较于现有技术,本发明提供了一种风险识别方法及系统,根据客户真实数据生成了模拟数据,然后对真实数据和模拟数据进行了风险判别,并且在判别过程中是根据判别参数实时调整生成模拟数据的,由于该过程是一个迭代过程,使得最终生成的客户风险等级结果更加准确。并且,模拟数据模拟了真实数据减少了数据样本的数量,实现了通过少量的样本数据快速精准进行风险识别的目的。
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实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种风险识别方法的流程示意图;
图2为本发明实施例提供的一种风险识别系统的结构示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”和“第二”等是用于区别不同的对象,而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有设定于已列出的步骤或单元,而是可包括没有列出的步骤或单元。
本发明实施例提供了一种风险识别方法,参见图1,该方法可以包括以下步骤:
S11、根据客户真实数据生成模拟数据,并将所述真实数据与所述模拟数据集合,得到合集数据;
在依据客户真实数据生成模拟数据的过程中,采用了反馈网络,也就是对客户真实数据进行机器学习得到了客户真实数据的规律,然后采用不同的模型,生成模拟数据,该模拟数据用于制造干扰的数据。该模拟训练过程可以采用同步梯度下降算法(SGD)完成。
比如识别信用卡欺诈用户,先将真实数据给机器识别系统,系统根据这些真实数据找到其中的规律,生成模拟欺诈用户数据。
在本发明实施例中还可以根据真实数据的分类,生成模拟数据,即对客户真实数据进行分类训练,得到预设分类数据,该预设分类包括高风险客户、低风险客户和正常客户,然后根据分类数据生成模拟数据,可以包括:
根据所述客户真实数据的预设分类数据获得高风险客户数据和低风险客户数据;
对所述高风险客户数据进行模拟,得到高风险模拟数据;
对所述低风险客户数据进行模拟,得到低风险模拟数据;
将所述高风险客户数据与所述高风险模拟数据进行集合,得到第一合集数据;
将所述低风险客户数据与所述低风险模拟数据进行集合,得到第二合集数据。
在对客户真实数据进行正常的分类训练,可以标注为高风险客户、低风险客户和正常客户。同时,还可以对数据进行动态和静态分类,因为动态和静态数据特点不同,有利于更准确的描述客户,比如静态数据中的客户年龄很少变化,而动态数据经常变化,比如交易金额、地点等。
客户静态数据可以包括:个人客户的姓名、年龄、地址,企业客户的名称、行业分类、注册地址等开户时提供的数据。
客户动态数据包括:转账等金融性交易流水、信用评级、担保信息等动态属性数据。
为了更好的体现真实数据的规律,可以根据真实数据的分类生成模拟数据,例如,生成高风险模拟数据和低风险模拟数据。
S12、对所述合集数据进行判断,得到初步判别参数;
在对合集数据进行判断时,在排除干扰的情况下,进行判别得到初步判别参数。
也就是需要对合集数据进行预处理,例如,对高风险合集数据也就是第一合集数据进行预处理时,需要检测该第一合集中是否有低风险数据,若有则剔除掉,然后再进行判别。
举例说明,初步判别参数包括高风险客户判别结果参数和低风险客户判别结果参数。当判别结果参数接近0时,证明此数据有更大的概率是伪造数据;当判别结果参数接近1时,证明此数据有更大的概率是真实数据。
对第一合集数据进行判断时,也就是高风险客户合集数据,当判别结果接近0时,此客户的风险程度更低,当判别结果接近1时,此客户的风险程度更高。
对于第二合集数据进行判别时,也就是低风险客户合集数据,当判别结果接近0时,此客户的风险程度更高,当判别结果接近1时,此客户的风险程度更低。
S13、根据所述初步判别参数和所述客户真实数据进行迭代生成目标集合数据,直至对所述目标集合数据进行判断得到的目标判别参数满足迭代终止条件,确定所述目标判别参数;
在本发明实施例中采用生成对抗网络的方法来优化模拟数据。对抗网络是一种结构性的概率模型,任何生成模型的训练目标都是要生成得到的数据尽量接近真实数据。通过对抗网络也就是将模拟数据生成的过程和数据级别判断别的过程进行迭代循环。根据得到的判别参数通过反向传播算法使得最终的目的是判别误差逐渐减小,训练生成模拟数据的生成器时最大化判别无擦,最终判别和迭代确定目标判别参数,此时满足了迭代循环终止条件。
举例说明,若生成模拟数据的模块为生成器,对合集数据进行判断的是判别器,在基于深度学习中的生成对抗网络的方法,在金融交易数据的基础上,通过生成器和判别器之间的博弈,即判别器尽量找到数据中的风险客户,生成器尽力制造干扰,隐藏风险客户的特点,以达到不断优化风险识别的效果。
S14、对比所述目标判别参数,生成客户风险等级结果。
根据对比目标判别参数,得到客户风险等级结果,可以分为高风险、低风险和正常三类。
基于该结果,在本发明的另一实施例中还包括:
根据所述客户风险等级结果筛选得到目标客户;
对所述目标客户进行营销管理。
通过客户风险等级结果筛选得到所需的目标客户,根据实际需求,将低风险客户归类为高质量客户,用于客户营销;将高风险客户识别出来,用于欺诈或信用风险等级检测。例如,可以实现信用卡欺诈客户检测和贵宾客户检测。
通过本发明实施例提供的风险识别方法,根据客户真实数据生成了模拟数据,然后对真实数据和模拟数据进行了风险判别,并且在判别过程中是根据判别参数实时调整生成模拟数据的,由于该过程是一个迭代过程,使得最终生成的客户风险等级结果更加准确。并且,模拟数据模拟了真实数据减少了数据样本的数量,实现了通过少量的样本数据快速精准进行风险识别的目的。
在本发明的实施例中还提供了一种风险识别系统,参见图2,包括:
生成模块10,用于根据客户真实数据生成模拟数据,并将所述真实数据与所述模拟数据集合,得到合集数据;
判别模块20,用于对所述合集数据进行判断,得到初步判别参数;
迭代确定模块30,用于根据所述初步判别参数和所述客户真实数据进行迭代生成目标集合数据,直至对所述目标集合数据进行判断得到的目标判别参数满足迭代终止条件,确定所述目标判别参数;
结果生成模块40,用于对比所述目标判别参数,生成客户风险等级结果。
可选地,还包括:
训练模块,用于对所述客户真实数据进行分类训练,得到预设分类数据,其中,所述预设分类包括高风险客户、低风险客户和正常客户。
可选地,所述生成模块包括:
分类单元,用于根据所述客户真实数据的预设分类数据获得高风险客户数据和低风险客户数据;
第一模拟单元,用于对所述高风险客户数据进行模拟,得到高风险模拟数据;
第二模拟单元,用于对所述低风险客户数据进行模拟,得到低风险模拟数据;
第一集合单元,用于将所述高风险客户数据与所述高风险模拟数据进行集合,得到第一合集数据;
第二集合单元,用于将所述低风险客户数据与所述低风险模拟数据进行集合,得到第二合集数据。
可选地,所述判别模块包括:
预处理单元,用于对所述合集数据预处理,得到预处理后的合集数据;
判断单元,用于对所述预处理后的合集数据进行判断,得到初步判别参数;
其中,所述预处理包括排除所述合集数据中的干扰数据。
可选地,还包括:
筛选模块,用于根据所述客户风险等级结果筛选得到目标客户;
管理模块,用于对所述目标客户进行营销管理。
在本发明提供了一种风险识别系统,根据客户真实数据生成了模拟数据,然后对真实数据和模拟数据进行了风险判别,并且在判别过程中是根据判别参数实时调整生成模拟数据的,由于该过程是一个迭代过程,使得最终生成的客户风险等级结果更加准确。并且,模拟数据模拟了真实数据减少了数据样本的数量,实现了通过少量的样本数据快速精准进行风险识别的目的。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种风险识别方法,其特征在于,该方法包括:
根据客户真实数据生成模拟数据,并将所述真实数据与所述模拟数据集合,得到合集数据;
对所述合集数据进行判断,得到初步判别参数;
根据所述初步判别参数和所述客户真实数据进行迭代生成目标集合数据,直至对所述目标集合数据进行判断得到的目标判别参数满足迭代终止条件,确定所述目标判别参数;
对比所述目标判别参数,生成客户风险等级结果。
2.根据权利要求1所述的方法,其特征在于,还包括:
对所述客户真实数据进行分类训练,得到预设分类数据,其中,所述预设分类包括高风险客户、低风险客户和正常客户。
3.根据权利要求2所述的方法,其特征在于,所述根据客户真实数据生成模拟数据,并将所述真实数据与所述模拟数据集合,得到合集数据,包括:
根据所述客户真实数据的预设分类数据获得高风险客户数据和低风险客户数据;
对所述高风险客户数据进行模拟,得到高风险模拟数据;
对所述低风险客户数据进行模拟,得到低风险模拟数据;
将所述高风险客户数据与所述高风险模拟数据进行集合,得到第一合集数据;
将所述低风险客户数据与所述低风险模拟数据进行集合,得到第二合集数据。
4.根据权利要求1所述的方法,其特征在于,所述对所述合集数据进行判断,得到初步判别参数,包括:
对所述合集数据预处理,得到预处理后的合集数据;
对所述预处理后的合集数据进行判断,得到初步判别参数;
其中,所述预处理包括排除所述合集数据中的干扰数据。
5.根据权利要求1所述的方法,其特征在于,还包括:
根据所述客户风险等级结果筛选得到目标客户;
对所述目标客户进行营销管理。
6.一种风险识别系统,其特征在于,该系统包括:
生成模块,用于根据客户真实数据生成模拟数据,并将所述真实数据与所述模拟数据集合,得到合集数据;
判别模块,用于对所述合集数据进行判断,得到初步判别参数;
迭代确定模块,用于根据所述初步判别参数和所述客户真实数据进行迭代生成目标集合数据,直至对所述目标集合数据进行判断得到的目标判别参数满足迭代终止条件,确定所述目标判别参数;
结果生成模块,用于对比所述目标判别参数,生成客户风险等级结果。
7.根据权利要求6所述的系统,其特征在于,还包括:
训练模块,用于对所述客户真实数据进行分类训练,得到预设分类数据,其中,所述预设分类包括高风险客户、低风险客户和正常客户。
8.根据权利要求7所述的系统,其特征在于,所述生成模块包括:
分类单元,用于根据所述客户真实数据的预设分类数据获得高风险客户数据和低风险客户数据;
第一模拟单元,用于对所述高风险客户数据进行模拟,得到高风险模拟数据;
第二模拟单元,用于对所述低风险客户数据进行模拟,得到低风险模拟数据;
第一集合单元,用于将所述高风险客户数据与所述高风险模拟数据进行集合,得到第一合集数据;
第二集合单元,用于将所述低风险客户数据与所述低风险模拟数据进行集合,得到第二合集数据。
9.根据权利要求8所述的系统,其特征在于,所述判别模块包括:
预处理单元,用于对所述合集数据预处理,得到预处理后的合集数据;
判断单元,用于对所述预处理后的合集数据进行判断,得到初步判别参数;
其中,所述预处理包括排除所述合集数据中的干扰数据。
10.根据权利要求9所述的方法,其特征在于,还包括:
筛选模块,用于根据所述客户风险等级结果筛选得到目标客户;
管理模块,用于对所述目标客户进行营销管理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810289816.9A CN108629680A (zh) | 2018-04-03 | 2018-04-03 | 一种风险识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810289816.9A CN108629680A (zh) | 2018-04-03 | 2018-04-03 | 一种风险识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108629680A true CN108629680A (zh) | 2018-10-09 |
Family
ID=63696678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810289816.9A Pending CN108629680A (zh) | 2018-04-03 | 2018-04-03 | 一种风险识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108629680A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009171A (zh) * | 2018-11-27 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 用户行为模拟方法、装置、设备及计算机可读存储介质 |
CN110633989A (zh) * | 2019-08-16 | 2019-12-31 | 阿里巴巴集团控股有限公司 | 一种风险行为生成模型的确定方法及装置 |
CN113435987A (zh) * | 2021-06-24 | 2021-09-24 | 中国工商银行股份有限公司 | 一种金融领域的高风险用户动态识别方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881783A (zh) * | 2015-05-14 | 2015-09-02 | 中国科学院信息工程研究所 | 电子银行账户欺诈行为及风险检测方法与系统 |
CN105590156A (zh) * | 2014-11-25 | 2016-05-18 | 中国银联股份有限公司 | 高风险银行卡的检测方法以及数据处理装置 |
CN106803082A (zh) * | 2017-01-23 | 2017-06-06 | 重庆邮电大学 | 一种基于条件式生成对抗网络的在线笔迹识别方法 |
CN106845147A (zh) * | 2017-04-13 | 2017-06-13 | 北京大数医达科技有限公司 | 医学经验总结模型的建立方法、装置及数据评估方法 |
CN106897918A (zh) * | 2017-02-24 | 2017-06-27 | 上海易贷网金融信息服务有限公司 | 一种混合式机器学习信用评分模型构建方法 |
CN107368752A (zh) * | 2017-07-25 | 2017-11-21 | 北京工商大学 | 一种基于生成式对抗网络的深度差分隐私保护方法 |
CN107392255A (zh) * | 2017-07-31 | 2017-11-24 | 深圳先进技术研究院 | 少数类图片样本的生成方法、装置、计算设备及存储介质 |
CN107563355A (zh) * | 2017-09-28 | 2018-01-09 | 哈尔滨工程大学 | 基于生成对抗网络的高光谱异常检测方法 |
-
2018
- 2018-04-03 CN CN201810289816.9A patent/CN108629680A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105590156A (zh) * | 2014-11-25 | 2016-05-18 | 中国银联股份有限公司 | 高风险银行卡的检测方法以及数据处理装置 |
CN104881783A (zh) * | 2015-05-14 | 2015-09-02 | 中国科学院信息工程研究所 | 电子银行账户欺诈行为及风险检测方法与系统 |
CN106803082A (zh) * | 2017-01-23 | 2017-06-06 | 重庆邮电大学 | 一种基于条件式生成对抗网络的在线笔迹识别方法 |
CN106897918A (zh) * | 2017-02-24 | 2017-06-27 | 上海易贷网金融信息服务有限公司 | 一种混合式机器学习信用评分模型构建方法 |
CN106845147A (zh) * | 2017-04-13 | 2017-06-13 | 北京大数医达科技有限公司 | 医学经验总结模型的建立方法、装置及数据评估方法 |
CN107368752A (zh) * | 2017-07-25 | 2017-11-21 | 北京工商大学 | 一种基于生成式对抗网络的深度差分隐私保护方法 |
CN107392255A (zh) * | 2017-07-31 | 2017-11-24 | 深圳先进技术研究院 | 少数类图片样本的生成方法、装置、计算设备及存储介质 |
CN107563355A (zh) * | 2017-09-28 | 2018-01-09 | 哈尔滨工程大学 | 基于生成对抗网络的高光谱异常检测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009171A (zh) * | 2018-11-27 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 用户行为模拟方法、装置、设备及计算机可读存储介质 |
CN110633989A (zh) * | 2019-08-16 | 2019-12-31 | 阿里巴巴集团控股有限公司 | 一种风险行为生成模型的确定方法及装置 |
CN110633989B (zh) * | 2019-08-16 | 2023-08-29 | 创新先进技术有限公司 | 一种风险行为生成模型的确定方法及装置 |
CN113435987A (zh) * | 2021-06-24 | 2021-09-24 | 中国工商银行股份有限公司 | 一种金融领域的高风险用户动态识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7102344B2 (ja) | 機械学習モデルのモデリング方法及びデバイス | |
CN110009171B (zh) | 用户行为模拟方法、装置、设备及计算机可读存储介质 | |
CN111914929B (zh) | 零样本学习方法 | |
CN111080442A (zh) | 信用评分模型的构建方法、装置、设备及存储介质 | |
CN110998608B (zh) | 用于各种计算机应用程序的机器学习系统 | |
CN106709800A (zh) | 一种基于特征匹配网络的社团划分方法和装置 | |
CN109739844B (zh) | 基于衰减权重的数据分类方法 | |
CN109583966A (zh) | 一种高价值客户识别方法、系统、设备及存储介质 | |
CN108629680A (zh) | 一种风险识别方法及系统 | |
CN106326913A (zh) | 一种洗钱账户的确定方法及装置 | |
CN109903053B (zh) | 一种基于传感器数据进行行为识别的反欺诈方法 | |
CN109491914A (zh) | 基于不平衡学习策略高影响缺陷报告预测方法 | |
AU2018101523A4 (en) | A personal credit scoring model based on machine learning method | |
CN114707571A (zh) | 基于增强隔离森林的信用数据异常检测方法 | |
Jonnalagadda et al. | Credit card fraud detection using Random Forest Algorithm | |
CN114638688A (zh) | 一种用于信贷反欺诈的拦截策略衍生方法、系统 | |
CN109102396A (zh) | 一种用户信用评级方法、计算机设备及可读介质 | |
Rofik et al. | The Optimization of Credit Scoring Model Using Stacking Ensemble Learning and Oversampling Techniques | |
CN113988459A (zh) | 一种基于电力营销数据的中小企业成长性评估方法及系统 | |
CN114064459A (zh) | 基于生成对抗网络和集成学习的软件缺陷预测方法 | |
CN112508684B (zh) | 一种基于联合卷积神经网络的催收风险评级方法及系统 | |
Uyyala | Credit Card Transactions Data Adversarial Augmentation in the Frequency Domain | |
CN116611911A (zh) | 基于支持向量机的信用风险预测方法及装置 | |
CN107274043A (zh) | 预测模型的质量评价方法、装置及电子设备 | |
CN109816028A (zh) | 一种部分特征迁移的非平衡数据集分类模型融合方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181009 |