CN108830454A - 业务的决策方法、装置及电子设备 - Google Patents

业务的决策方法、装置及电子设备 Download PDF

Info

Publication number
CN108830454A
CN108830454A CN201810432262.3A CN201810432262A CN108830454A CN 108830454 A CN108830454 A CN 108830454A CN 201810432262 A CN201810432262 A CN 201810432262A CN 108830454 A CN108830454 A CN 108830454A
Authority
CN
China
Prior art keywords
function
decision
value
sample data
determined
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
CN201810432262.3A
Other languages
English (en)
Other versions
CN108830454B (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 CN201810432262.3A priority Critical patent/CN108830454B/zh
Publication of CN108830454A publication Critical patent/CN108830454A/zh
Application granted granted Critical
Publication of CN108830454B publication Critical patent/CN108830454B/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
    • G06Q10/0637—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
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例公开了一种业务的决策方法、装置和电子设备，应用于网络金融业务风险控制，该方法包括：确定业务对应的决策函数，所述决策函数用于表征决策策略，且所述决策函数的图像形状的形状参数是未知量；将所述决策函数转化为凸函数；基于样本数据和预设损失函数，确定所述凸函数的最优形状参数；将所述最优形状参数对应的决策函数确定为目标决策函数；基于所述目标决策函数对所述业务进行决策处理。

Description

业务的决策方法、装置及电子设备
技术领域
本申请涉及计算机技术领域，尤其涉及一种业务的决策方法、装置及电子设备。
背景技术
为了保证用户资金的安全，网络金融服务商常常会通过风控系统对网络金融业务潜在的风险进行识别，并推荐合适的决策策略给业务方，使业务方根据所推荐的决策策略决定是否放行相应的业务。
目前，风控系统常在金额、风险值等维度上求满足打扰率、覆盖率和召回率等多个业务目标的最优解，并将满足多个业务目标的金额和风险值的阈值作为决策策略推荐给业务方。即在一个多维平面上找到满足多个业务目标的一个点作为决策策略推荐给业务方。
然而，单个的阈值容易被黑产尝试并发现，从而带来业务风险和资金损失。
发明内容
本申请实施例提供了一种业务的决策方法、装置和电子设备，以避免业务风险和资金损失。
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，提出了一种业务的决策方法，包括：
选择业务对应的决策函数，所述决策函数用于表征决策策略，且所述决策函数的图像形状的形状参数是未知量；
将所述决策函数转化为凸函数；
基于样本数据和预设损失函数，确定所述凸函数的最优形状参数；
将所述最优形状参数对应的决策函数确定为目标决策函数；
基于所述目标决策函数对所述业务进行决策处理。
第二方面，提出了一种业务的决策装置，包括：
选择模块，用于选择业务对应的决策函数，所述决策函数用于表征决策策略，且所述决策函数的图像形状的形状参数是未知量；
转化模块，用于将所述决策函数转化为凸函数；
第一确定模块，用于基于样本数据和预设损失函数，确定所述凸函数的最优形状参数；
第二确定模块，用于将所述最优形状参数对应的决策函数确定为目标决策函数；
决策模块，用于基于所述目标决策函数对所述业务进行决策处理。
第三方面，提出了一种电子设备，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所述处理器执行以下操作：
选择业务对应的决策函数，所述决策函数用于表征决策策略，且所述决策函数的图像形状的形状参数是未知量；
将所述决策函数转化为凸函数；
基于样本数据和预设损失函数，确定所述凸函数的最优形状参数；
将所述最优形状参数对应的决策函数确定为目标决策函数；
基于所述目标决策函数对所述业务进行决策处理。
第四方面，提出了一种计算机可读存储介质，所述计算机可读存储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：
选择业务对应的决策函数，所述决策函数用于表征决策策略，且所述决策函数的图像形状的形状参数是未知量；
将所述决策函数转化为凸函数；
基于样本数据和预设损失函数，确定所述凸函数的最优形状参数；
将所述最优形状参数对应的决策函数确定为目标决策函数；
基于所述目标决策函数对所述业务进行决策处理。
由以上本申请实施例提供的技术方案可见，本申请实施例提供的方案至少具备如下一种技术效果：
一方面，由于是以业务对应的决策函数表征决策策略，而不是以单一的阈值表征，因此不易被黑产尝试并发现，进而可以避免业务风险和资金损失。另一方面，由于将原来的多目标优化问题，通过转化变成了凸函数对应的凸优化问题，因此能找到全局最优解，也即得到凸函数的全局最优形状参数，使得最终确定出的目标决策函数也是全局最优的决策函数，提高了业务方决策的正确率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是本说明书的一个实施例提供的业务的决策方法的实现流程示意图。
图2是本说明的一个实施例提供的决策函数的形状示意图；
图3是本发明的另一个实施例提供的决策函数的形状示意图；
图4是对图3所示的决策函数进行转化得到的函数的形状示意图；
图5是本说明书图1所示实施例提供的方法中的步骤106的一种详细实现流程示意图。
图6是本说明书的一个实施例提供的一种电子设备的结构示意图。
图7是本说明书的一个实施例提供的业务的决策装置的结构示意图。
图8是本说明书图7所示实施例提供的装置中的单元703的一种详细结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例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，都属于本申请保护的范围。
为避免业务风险和资金损失，本说明书实施例提供一种业务的决策方法，应用于网络金融业务风险控制。本说明书实施例提供的业务的决策方法的执行主体包括但不限于服务器、个人电脑等能够被配置为执行本发明实施例提供的该方法的终端中的至少一种。
图1是本说明书的一个实施例提供的业务的决策方法的流程图。
如图1所示，在步骤102处，选择业务对应的决策函数，所述决策函数用于表征决策策略，且所述决策函数的图像形状的形状参数是未知量。
决策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，一个形状参数确定的决策函数用于表征一种决策策略。决策函数是风险控制平台预先根据不同的业务构建出的函数，且一个风险控制平台预先构建的决策函数的数量可能有多个，在面对一个具体业务时，需要从中选择一个或多个与该具体业务匹配的决策函数。
其中，所述业务包括但不限于网络金融业务，例如，用户通过网络进行支付、转账等业务；业务常由业务方提供，业务方可以是网上银行、第三方支付平台等能够提供网络金融服务的服务商。
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，本说明书对深度学习模型不作限定。
函数的形状参数可以理解为是函数表达式中决定绘制出的函数的形状图像的参数，形状参数通常不包括函数的自变量和因变量。例如，对于函数f(x)＝c/(a*exp(-b*(20-x)))，其中，x为表示风险评分的自变量，f(x)为表示交易金额的因变量，a、b、c即为该函数的形状参数，能够确定决策函数的具体图像形状。
图2示出了3个形状参数已知的决策函数的曲线形状。在图2中，曲线21为决策函数f(x)＝40/(1.42*exp(-0.32*(20-x)))的曲线形状，曲线22为决策函数f(x)＝10/(1.42*exp(-0.32*(20-x)))的曲线形状，曲线23为决策函数f(x)＝2/(1.42*exp(-0.32*(20-x)))的曲线形状。
图3示出了决策函数f(x)＝5/(1.42*exp(-0.32*(20-x)))的图像形状。
在本说明书实施例中，决策函数既可以是只有一个自变量的二维函数，其对应的图像形状为平面上的二维曲线；决策函数还可以是具有两个或两个以上自变量的高维函数，其对应的图像形状可以是多维空间中的曲线；当然，决策函数还可以是具有其他形状的函数，等等。
由于在本说明书实施例中，是以业务对应的决策函数表征决策策略，而不是以单一的阈值表征，因此不易被黑产尝试并发现，进而可以避免业务风险和资金损失。
且在步骤102中，决策函数的图像形状的形状参数是未知量，需要基于下述的步骤104、步骤106以及步骤108进行确定。
在步骤104处，将所述决策函数转化为凸函数。
可以理解，如果不进行转化，为了确定出决策函数的最优形状，需要求得满足打扰率、召回率等多目标的形状参数，这是一个多目标优化问题，很难找到全局最优解。而将决策函数转化成凸函数之后，确定凸函数的最优形状的问题变成了一个凸优化问题，并能找到凸函数的全局最优形状参数。找到凸函数的全局最优形状参数之后，再将该最优形状参数对应的凸函数还原成决策函数，则可以得到具有最优形状参数的目标决策函数。
在实际应用中，可以通过求倒数和求反函数等方式将决策函数转化为一个凸函数，具体的转化方式需要根据具体的决策函数确定，本发明实施例对此不做限定。
下面通过一个具体的例子来对步骤104进行说明。
假设业务对应的决策函数为：f(x)＝c/(a*exp(-b*(20-x)))，该决策函数对应的曲线形状如图2和图3所示，将该决策函数转化为凸函数的过程如下：
首先，对f(x)＝c/(a*exp(-b*(20-x)))求倒数，并简化为：F(x)＝a*exp(-b*(20-x))，F(x)的图像形状如图4所示。
进一步地，对指数函数F(x)＝a*exp(-b*(20-x))求反函数可得：
其中，符号表示相当于，k＝b，m＝lna-20*b，求F(x)的反函数时，真数“F(x)+d”中的d大于0，d用于保证真数“F(x)+d”恒大于0，例如，d可以取0.1。
最后，ln(F(x)+d)＝k*x+m可以进一步表示为：g(x)＝k*x+m，也即，将非凸决策函数“f(x)＝c/(a*exp(-b*(20-x)))”转化为凸函数“g(x)＝k*x+m”。
这样，求解出凸函数“g(x)＝k*x+m”的最优形状参数k和m之后，代入“k＝b”以及“m＝lna-20*b”即可求得决策函数“f(x)＝c/(a*exp(-b*(20-x)))”的最优形状参数。
在步骤106处，基于样本数据和预设损失函数，确定所述凸函数的最优形状参数。
损失函数是用于衡量模型预测能力优劣的函数。通常情况下，基于模型预测出的值与样本数据中的值越接近(损失值越小)，说明模型的预测能力越强。在本说明书实施例中，预设损失函数用于衡量确定出的最优形状参数对应的凸函数的预测能力。上述预设损失函数可以是Hinge Loss损失函数。
样本数据包括黑样本数据和白样本数据，其中，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。
在一个例子中，若白样本数据的数据量和所述黑样本数据的数据量相当，则上述步骤106具体可以包括：基于所述白样本数据、所述黑样本数据和预设损失函数，确定所述凸函数的最优形状参数。也即可以基于同一损失函数，确定白样本数据对应的损失值和黑样本数据对应的损失值，从而确定出凸函数的最优形状参数。
在另一个例子中，白样本数据的数据量和所述黑样本数据的数据量不同，一般情况下，黑样本数据的数据量远小于白样本数据的数据量。则，相应的，步骤106具体可以包括：基于所述白样本数据和第一损失函数，以及所述黑样本数据和第二损失函数，确定所述凸函数的最优形状参数。
其中，所述第一损失函数用于确定所述白样本数据对应的损失值，所述第二损失函数用于确定所述黑样本数据对应的损失值，所述第二损失函数为加有权重的所述第一损失函数，所述权重用于调整所述黑样本数据对应的损失值。
沿用步骤104中所举的例子，假设转化的凸函数为：g(x)＝k*x+m，那么确定该凸函数的最优形状参数的问题转化为：
g(x)＝k*x+m-n*y，
且该问题受约束于：a<＝-1，n>＝1
其中，y为样本中的金额，引入参数n是为了让该凸函数的自由度更高，使该凸函数能灵活地表达曲线形状，“a<＝-1，n>＝1”的约束条件是预先根据业务的含义人为设定的，在业务的含义不同时，该约束条件可能不同。
由于期望黑样本数据分布在凸函数的曲线上方，以取得理想的黑样本召回率，白样本数据在凸函数的曲线上或曲线下方，以取得理想的白样本打扰率，因此，对于黑样本数据来说，期望“k*x+m-n*y”小于0(为负数)；对于白样本数据来说，期望“k*x+m-n*y”大于或等于0(为正数)。进而定义黑样本数据的目标值为负1，白样本数据的目标值为正1。
选择第一损失函数为Hinge Loss损失函数：
L(y)＝max(0,1-t*y)
其中，L(y)表示损失值，t为白样本数据对应的目标值，y为白样本数据中的金额。
从上述第一损失函数中可以看出，当预测值与目标值同号时，损失值最小，当预测值与目标值不同号时，损失值最大。
此外，由于白样本数据的数据量大，黑样本数据的数据量小，第一损失函数无法反映黑样本数据对应的真实损失值，因此，本说明书实施例通过对第一损失函数进行改进得到第二损失函数来计算黑样本对应的损失值，从而提高黑样本的召回率的可信度。
具体的，第二损失函数为加权版的Hinge Loss损失函数：
L(y)＝max(0,weight*(1-t*y))
其中，L(y)表示损失值，t为黑样本数据对应的目标值，y为黑样本数据中的金额，weight为权重。
weight具体可以为数组，对所有的黑样本数据对应的损失值进行加权，可以提高少召回一个黑样本的损失。第二损失函数中的权重的大小可以通过求解损失函数来确定，下文会结合具体的实施例对该权重的确定过程进行说明。
在此基础上，步骤106中确定所述凸函数的最优形状参数的问题，最终演变为如下的问题：
g(x)＝k*x+m-n*y，
受约束于：a<＝-1，n>＝1，
并且，Min[Σmax(0，weight*(1-t*y))]。
也即，将步骤106具体可以包括：基于样本数据和所述凸函数，确定所述预设损失函数的损失值的和；将所述和最小时所述凸函数的形状参数，确定为所述凸函数的最优形状参数。
需要说明的是，步骤106中确定出的所述凸函数的最优形状参数可以是逼近凸函数真实的最优形状参数的数值，并不一定是真实的最优形状参数。
还需要说明的是，除了Hinge Loss损失函数外，还可以根据实际情况选择其他损失函数，本说明书对此不做限定。
在步骤108处，将所述最优形状参数对应的决策函数确定为目标决策函数。
具体而言，在步骤108中，对形状参数为所述最优形状参数的凸函数进行还原，得到目标决策函数。
沿用步骤104中所举的例子，由于是对决策函数进行了求倒数和求对数的两次变换，因此，对变换之后的凸函数，再依次求指数和倒数，即可还原得到目标决策函数。
具体的，将凸函数g(x)＝k*x+m进行还原得到目标决策函数的过程如下：
其中，d＝0.1，F(x)的曲线形状如图4所示。
在步骤110处，基于所述目标决策函数对所述业务进行决策处理。
具体而言，在步骤110可以包括：基于预设风险评估模型、所述业务对应的业务参数，以及所述目标决策函数，对所述业务进行决策处理；其中决策处理的方式包括：放行或拦截。
更为具体的，在步骤110中，首先基于预设风险评估模型确定所述业务对应的实际风险评估值；然后确定所述业务对应的业务参数和所述实际风险评估值对应的坐标位置与所述目标决策函数的曲线的关系，如果该坐标位置位于该曲线上或该曲线下方，则放行所述业务；如果该坐标位置位于该曲线的上方，则拦截所述业务。
本说明书提供的一种业务的决策方法，一方面，由于是以业务对应的决策函数表征决策策略，而不是以单一的阈值表征，因此不易被黑产尝试并发现，进而可以避免业务风险和资金损失。另一方面，由于将原来的多目标优化问题，通过转化变成了凸函数对应的凸优化问题，因此能找到全局最优解，也即得到凸函数的全局最优形状参数，使得最终确定出的目标决策函数也是全局最优的决策函数，进而可以提高业务方决策的正确率。
此外，在本说明书提供的实施例中，通过将Hinge Loss损失函数进行加权变换，调整黑样本数据的数据量和白样本数据的数据量的比例，解决了风控场景下黑样本数据很少时，黑样本数据在损失函数中的损失被白样本数据淹没的情况，使得最终确定出的目标决策函数更接近理想程度。
可选地，在图1所示的实施例的基础上，如图5所示，在一个实施例中，上述步骤106具体可以包括：
步骤502、确定所述第二损失函数中权重的取值范围。
该取值范围可以是预先人为设定的也可以是通过一定的方式确定的。
在一个例子中，当该取值范围≤1时，步骤502具体可以包括：将所述第二损失函数中权重的取值范围的最小值确定为第二预设值(例如1)，并循环执行第二指定步骤，直至所述凸函数的当前候选最优形状参数对应的决策函数的决策策略评估值小于或等于所述第一预设值(也即退出循环)，所述第二预设值≤1。
其中，所述第二指定步骤包括：
步骤a、基于所述白样本数据和第一损失函数，以及所述黑样本数据和权重为所述取值范围的当前最小值的第二损失函数，确定所述凸函数的当前候选最优形状参数；
步骤c、基于所述样本数据，确定所述当前候选最优形状参数对应的决策函数的决策策略评估值；
步骤e、在确定出的决策策略评估值大于所述第一预设值时，将所述取值范围的最大值确定为所述当前最小值，将所述取值范围的最小值更新为所述当前最小值的二分之一。
在另一个例子中，当该取值范围＞1时，步骤502具体可以包括：将所述第二损失函数中权重的取值范围的最大值确定为第三预设值(例如1000)，并循环执行第三指定步骤直至所述凸函数的当前候选最优形状参数对应的决策函数的决策策略评估值大于或等于所述第一预设值(也即退出循环)，所述第三预设值＞1。
其中，所述第三指定步骤包括：
步骤g、基于所述白样本数据和第一损失函数，以及所述黑样本数据和权重为所述取值范围的当前最大值的第二损失函数，确定所述凸函数的当前候选最优形状参数；
步骤i、基于所述样本数据，确定所述当前候选最优形状参数对应的决策函数的决策策略评估值；
步骤k、在确定出的决策策略评估值小于所述第一预设值时，将所述取值范围的最大值更新为所述当前最小值的二倍，将所述取值范围的最小值确定为所述当前最大值。
在上述两个例子中，决策函数的决策策略评估值可以包括但不限于打扰率和召回率。当决策策略评估值为打扰率时，所述第一预设值为设定的目标打扰率值；当决策策略评估值为召回率时，所述第一预设值为设定的目标召回率值。
打扰率＝(在决策函数的曲线上的白样本数据的数量+在决策函数的曲线上方的白样本数据的数量)/白样本数据的总数；
召回率＝在决策函数的曲线上方的黑样本数据的数量/黑样本数据的总数。
上述确定所述取值范围的两个例子，可以理解为是一种融合了二分查找算法的确定方法，可以理解，二分查找算法可以提高确定所述取值范围的效率。
步骤504、从所述取值范围中确定出目标权重。
在所述目标权重下，所述最优形状参数对应的决策函数的决策策略评估值与第一预设值的差值满足第一预设条件。
所述第一预设条件为：所述差值的绝对值小于或等于第四预设值。通常情况下，所述差值的绝对值越小(决策策略评估值与目标决策策略评估值越接近)，所述最优形状参数对应的决策函数的预测能力越好。
在一个例子中，可以通过遍历的方式从所述取值范围中确定出目标权重。
在另一个例子中，可以采用二分查找算法从所述取值范围中确定出目标权重。可以理解，二分查找算法可以提高确定目标权重的效率。
具体而言，采用二分查找算法从所述取值范围中确定出目标权重，可以包括：循环执行第一指定步骤直到满足第二预设条件，也即在满足第二预设条件时退出循环。
其中，所述第二预设条件包括下列要求中的至少一种：所述凸函数的当前候选最优形状参数对应的决策函数的决策策略评估值与第一预设值的差值满足第一预设条件，以及循环执行所述第一指定步骤的次数大于或等于预设次数(例如最大循环次数)。
所述第一指定步骤包括：
步骤o、将所述取值范围中最大值和最小值的平均值作为当前权重；
基于所述白样本数据和第一损失函数，以及所述黑样本数据和权重为所述当前权重的第二损失函数，确定所述凸函数的当前候选最优形状参数；
步骤q、基于所述样本数据，确定所述当前候选最优形状参数对应的决策函数的决策策略评估值；
步骤s、在确定出的决策策略评估值小于所述第一预设值时，将所述取值范围的最小值更新为所述当前权重；在确定出的决策策略评估值大于所述第一预设值时，将所述取值范围的最大值更新为所述当前权重。
其中，满足所述第一预设条件时的当前权重即为目标权重。
同步骤504，此处，所述第一预设条件也可以为所述差值的绝对值小于或等于第四预设值。
步骤506、基于所述白样本数据和第一损失函数，以及所述黑样本数据和权重为所述目标权重的第二损失函数，确定所述凸函数的最优形状参数。
若第一预设值为目标打扰率，则根据图5所示的实施例，最终可以求得在业务设定的打扰率下，召回率也满足要求的凸函数的最优形状参数可以确定出逼近凸函数的真实最优形状参数的最优形状参数k、m和n，由于凸函数“g(x)＝k*x+m”中没有参数n，因此可以将k/n和m/n作为凸函数“g(x)＝k*x+m”的形状参数，又由于“k＝b，m＝lna-20*b”，因此，可以求得决策函数“F(x)＝a*exp(-b*(20-x))”中的a和b，进而得到目标决策函数。
本实施例中，由于在确定第二损失函数中的权重的取值范围，以及在确定目标权重(凸函数的最优形状参数对应的权重)时，融合了二分查找算法，因此，可以提高确定凸函数的最优形状参数的效率。
图6是本说明书的一个实施例提供的电子设备的结构示意图。请参考图6，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、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ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)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6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，在逻辑层面上形成业务的决策装置。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：
选择业务对应的决策函数，所述决策函数用于表征决策策略，且所述决策函数的图像形状的形状参数是未知量；
将所述决策函数转化为凸函数；
基于样本数据和预设损失函数，确定所述凸函数的最优形状参数；
将所述最优形状参数对应的决策函数确定为目标决策函数；
基于所述目标决策函数对所述业务进行决策处理。
上述如本说明书图1所示实施例揭示的业务的决策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(Central Processing 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 Integrated Circuit，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说明书一个或多个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。结合本说明书一个或多个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。
该电子设备还可执行图1的业务的决策方法，本说明书在此不再赘述。
当然，除了软件实现方式之外，本说明书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。
本说明书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便携式电子设备执行时，能够使该便携式电子设备执行图1所示实施例的方法，并具体用于执行以下操作：
选择业务对应的决策函数，所述决策函数用于表征决策策略，且所述决策函数的图像形状的形状参数是未知量；
将所述决策函数转化为凸函数；
基于样本数据和预设损失函数，确定所述凸函数的最优形状参数；
将所述最优形状参数对应的决策函数确定为目标决策函数；
基于所述目标决策函数对所述业务进行决策处理。
图7是本说明书提供的业务的决策装置700的结构示意图，应用于网络金融业务风险控制。请参考图7，在一种软件实施方式中，业务的决策装置700可包括：选择模块701、转化模块702、第一确定模块703、第二确定模块704和决策模块705。
选择模块701，用于确定业务对应的决策函数，所述决策函数用于表征决策策略，且所述决策函数的图像形状的形状参数是未知量。
转化模块702，用于将所述决策函数转化为凸函数。
第一确定模块703，用于基于样本数据和预设损失函数，确定所述凸函数的最优形状参数。
可选地，所述样本数据包括黑样本数据和白样本数据，所述白样本数据的数据量和所述黑样本数据的数据量不同，以及，所述第一确定模块703，具体可以用于：基于所述白样本数据和第一损失函数，以及所述黑样本数据和第二损失函数，确定所述凸函数的最优形状参数。
其中，所述第一损失函数用于确定所述白样本数据对应的损失值，所述第二损失函数用于确定所述黑样本数据对应的损失值，所述第二损失函数为加有权重的所述第一损失函数，所述权重用于调整所述黑样本数据对应的损失值。
可选地，所述第一确定模块703，具体可以用于：
基于样本数据和所述凸函数，确定所述预设损失函数的损失值的和；
将所述和最小时所述凸函数的形状参数，确定为所述凸函数的最优形状参数。
第二确定模块704，用于将所述最优形状参数对应的决策函数确定为目标决策函数。
可选地，所述第二确定模块704，具体可以用于：对形状参数为所述最优形状参数的凸函数进行还原，得到目标决策函数。
可选地，所述预设损失函数可以为Hinge Loss损失函数。
可选地，决策函数的决策策略评估值包括打扰率和召回率。
决策模块705，用于基于所述目标决策函数对所述业务进行决策处理。
本说明书提供的业务的决策装置700，一方面，由于是以业务对应的决策函数表征决策策略，而不是以单一的阈值表征，因此不易被黑产尝试并发现，进而可以避免业务风险和资金损失。另一方面，由于将原来的多目标优化问题，通过转化变成了凸函数对应的凸优化问题，因此能找到全局最优解，也即得到凸函数的全局最优形状参数，使得最终确定出的目标决策函数也是全局最优的决策函数，进而可以提高业务方决策的正确率。
此外，在本说明书提供的装置700的一个实施例中，通过将Hinge Loss损失函数进行加权变换，调整黑样本数据的数据量和白样本数据的数据量的比例，解决了风控场景下黑样本数据很少时，黑样本数据在损失函数中的损失被白样本数据淹没的情况，使得最终确定出的目标决策函数更接近理想程度。
可选地，如图8所示，所述第一确定模块703包括：第一确定子模块801、第二确定子模块802和第三确定子模块803。
第一确定子模块801，用于确定所述第二损失函数中权重的取值范围。
第二确定子模块802，用于从所述取值范围中确定出目标权重。
第三确定子模块803，用于基于所述白样本数据和第一损失函数，以及所述黑样本数据和权重为所述目标权重的第二损失函数，确定所述凸函数的最优形状参数。
其中，在所述目标权重下，所述最优形状参数对应的决策函数的决策策略评估值与第一预设值的差值满足第一预设条件。
可选地，所述第一预设条件为所述差值的绝对值小于或等于第四预设值。
可选地，所述第二确定子模块802，具体可以用于：采用二分查找算法从所述取值范围中确定出目标权重。
进一步地，所述第二确定子模块802，具体可以用于：循环执行第一指定步骤直到满足第二预设条件。
其中，所述第二预设条件包括下列要求中的至少一种：所述凸函数的当前候选最优形状参数对应的决策函数的决策策略评估值与第一预设值的差值满足第一预设条件，以及循环执行所述第一指定步骤的次数大于或等于预设次数。
其中，所述第一指定步骤包括：
将所述取值范围中最大值和最小值的平均值作为当前权重；
基于所述白样本数据和第一损失函数，以及所述黑样本数据和权重为所述当前权重的第二损失函数，确定所述凸函数的当前候选最优形状参数；
基于所述样本数据，确定所述当前候选最优形状参数对应的决策函数的决策策略评估值；
在确定出的决策策略评估值小于所述第一预设值时，将所述取值范围的最小值更新为所述当前权重；在确定出的决策策略评估值大于所述第一预设值时，将所述取值范围的最大值更新为所述当前权重；
其中，满足所述第一预设条件时的当前权重为目标权重。
可选地，所述第一预设条件为所述差值的绝对值小于或等于第四预设值。
可选地，所述第一确定子模块801，具体用于：将所述第二损失函数中权重的取值范围的最小值确定为第二预设值，并循环执行第二指定步骤，直至所述凸函数的当前候选最优形状参数对应的决策函数的决策策略评估值小于或等于所述第一预设值，所述第二预设值≤1。
其中，所述第二指定步骤包括：
基于所述白样本数据和第一损失函数，以及所述黑样本数据和权重为所述取值范围的当前最小值的第二损失函数，确定所述凸函数的当前候选最优形状参数；
基于所述样本数据，确定所述当前候选最优形状参数对应的决策函数的决策策略评估值；
在确定出的决策策略评估值大于所述第一预设值时，将所述取值范围的最大值确定为所述当前最小值，将所述取值范围的最小值更新为所述当前最小值的二分之一。
可选地，所述第一确定子模块801，具体用于：将所述第二损失函数中权重的取值范围的最大值确定为第三预设值，并循环执行第三指定步骤直至所述凸函数的当前候选最优形状参数对应的决策函数的决策策略评估值大于或等于所述第一预设值，所述第三预设值＞1；
其中，所述第三指定步骤包括：
基于所述白样本数据和第一损失函数，以及所述黑样本数据和权重为所述取值范围的当前最大值的第二损失函数，确定所述凸函数的当前候选最优形状参数；
基于所述样本数据，确定所述当前候选最优形状参数对应的决策函数的决策策略评估值；
在确定出的决策策略评估值小于所述第一预设值时，将所述取值范围的最大值更新为所述当前最小值的二倍，将所述取值范围的最小值确定为所述当前最大值。
本实施例中，由于在确定第二损失函数中的权重的取值范围，以及在确定目标权重(凸函数的最优形状参数对应的权重)时，融合了二分查找算法，因此，可以提高确定凸函数的最优形状参数的效率。
业务的决策装置700能够实现图1的方法实施例的方法，具体可参考图1所示实施例的业务的决策方法，不再赘述。
总之，以上所述仅为本说明书的较佳实施例而已，并非用于限定本说明书的保护范围。凡在本说明书一个或多个实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例的保护范围之内。
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。在没有更多限制时，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 (15)

1.一种业务的决策方法，应用于网络金融业务风险控制，所述方法包括：
选择业务对应的决策函数，所述决策函数用于表征决策策略，且所述决策函数的图像形状的形状参数是未知量；
将所述决策函数转化为凸函数；
基于样本数据和预设损失函数，确定所述凸函数的最优形状参数；
将所述最优形状参数对应的决策函数确定为目标决策函数；
基于所述目标决策函数对所述业务进行决策处理。
2.根据权利要求1所述的方法，所述样本数据包括黑样本数据和白样本数据，所述白样本数据的数据量和所述黑样本数据的数据量不同，以及
所述基于样本数据和预设损失函数，确定所述凸函数的最优形状参数，具体包括：
基于所述白样本数据和第一损失函数，以及所述黑样本数据和第二损失函数，确定所述凸函数的最优形状参数；
其中，所述第一损失函数用于确定所述白样本数据对应的损失值，所述第二损失函数用于确定所述黑样本数据对应的损失值，所述第二损失函数为加有权重的所述第一损失函数，所述权重用于调整所述黑样本数据对应的损失值。
3.根据权利要求2所述的方法，所述基于所述白样本数据和第一损失函数，以及所述黑样本数据和第二损失函数，确定所述凸函数的最优形状参数，具体包括：
确定所述第二损失函数中权重的取值范围；
从所述取值范围中确定出目标权重；
基于所述白样本数据和第一损失函数，以及所述黑样本数据和权重为所述目标权重的第二损失函数，确定所述凸函数的最优形状参数；
其中，在所述目标权重下，所述最优形状参数对应的决策函数的决策策略评估值与第一预设值的差值满足第一预设条件。
4.根据权利要求3所述的方法，所述从所述取值范围中确定出目标权重，具体包括：
采用二分查找算法从所述取值范围中确定出目标权重。
5.根据权利要求4所述的方法，
所述采用二分查找算法从所述取值范围中确定出目标权重，包括：
循环执行第一指定步骤直到满足第二预设条件；
其中，所述第二预设条件包括下列要求中的至少一种：所述凸函数的当前候选最优形状参数对应的决策函数的决策策略评估值与第一预设值的差值满足第一预设条件，以及循环执行所述第一指定步骤的次数大于或等于预设次数；
所述第一指定步骤包括：
将所述取值范围中最大值和最小值的平均值作为当前权重；
基于所述白样本数据和第一损失函数，以及所述黑样本数据和权重为所述当前权重的第二损失函数，确定所述凸函数的当前候选最优形状参数；
基于所述样本数据，确定所述当前候选最优形状参数对应的决策函数的决策策略评估值；
在确定出的决策策略评估值小于所述第一预设值时，将所述取值范围的最小值更新为所述当前权重；在确定出的决策策略评估值大于所述第一预设值时，将所述取值范围的最大值更新为所述当前权重；
其中，满足所述第一预设条件时的当前权重为目标权重。
6.根据权利要求5所述的方法，所述第一预设条件为所述差值的绝对值小于或等于第四预设值。
7.根据权利要求3所述的方法，
所述确定所述第二损失函数中权重的取值范围，具体包括：将所述第二损失函数中权重的取值范围的最小值确定为第二预设值，并循环执行第二指定步骤，直至所述凸函数的当前候选最优形状参数对应的决策函数的决策策略评估值小于或等于所述第一预设值，所述第二预设值≤1；
其中，所述第二指定步骤包括：
基于所述白样本数据和第一损失函数，以及所述黑样本数据和权重为所述取值范围的当前最小值的第二损失函数，确定所述凸函数的当前候选最优形状参数；
基于所述样本数据，确定所述当前候选最优形状参数对应的决策函数的决策策略评估值；
在确定出的决策策略评估值大于所述第一预设值时，将所述取值范围的最大值确定为所述当前最小值，将所述取值范围的最小值更新为所述当前最小值的二分之一。
8.根据权利要求3所述的方法，
所述确定所述第二损失函数中权重的取值范围，具体包括：将所述第二损失函数中权重的取值范围的最大值确定为第三预设值，并循环执行第三指定步骤直至所述凸函数的当前候选最优形状参数对应的决策函数的决策策略评估值大于或等于所述第一预设值，所述第三预设值＞1；
其中，所述第三指定步骤包括：
基于所述白样本数据和第一损失函数，以及所述黑样本数据和权重为所述取值范围的当前最大值的第二损失函数，确定所述凸函数的当前候选最优形状参数；
基于所述样本数据，确定所述当前候选最优形状参数对应的决策函数的决策策略评估值；
在确定出的决策策略评估值小于所述第一预设值时，将所述取值范围的最大值更新为所述当前最小值的二倍，将所述取值范围的最小值确定为所述当前最大值。
9.根据权利要求1所述的方法，所述基于样本数据和预设损失函数，确定所述凸函数的最优形状参数，具体包括：
基于样本数据和所述凸函数，确定所述预设损失函数的损失值的和；
将所述和最小时所述凸函数的形状参数，确定为所述凸函数的最优形状参数。
10.根据权利要求1所述的方法，所述将所述最优形状参数对应的决策函数确定为目标决策函数，具体包括：
对形状参数为所述最优形状参数的凸函数进行还原，得到目标决策函数。
11.根据权利要求1-10任一项所述的方法，
所述预设损失函数为Hinge Loss损失函数。
12.根据权利要求3-10任一项所述的方法，
决策函数的决策策略评估值包括打扰率和召回率。
13.一种业务的决策装置，应用于网络金融业务风险控制，所述装置包括：
选择模块，用于选择业务对应的决策函数，所述决策函数用于表征决策策略，且所述决策函数的图像形状的形状参数是未知量；
转化模块，用于将所述决策函数转化为凸函数；
第一确定模块，用于基于样本数据和预设损失函数，确定所述凸函数的最优形状参数；
第二确定模块，用于将所述最优形状参数对应的决策函数确定为目标决策函数；
决策模块，用于基于所述目标决策函数对所述业务进行决策处理。
14.一种电子设备，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所述处理器执行以下操作：
选择业务对应的决策函数，所述决策函数用于表征决策策略，且所述决策函数的图像形状的形状参数是未知量；
将所述决策函数转化为凸函数；
基于样本数据和预设损失函数，确定所述凸函数的最优形状参数；
将所述最优形状参数对应的决策函数确定为目标决策函数；
基于所述目标决策函数对所述业务进行决策处理。
15.一种计算机可读存储介质，所述计算机可读存储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：
选择业务对应的决策函数，所述决策函数用于表征决策策略，且所述决策函数的图像形状的形状参数是未知量；
将所述决策函数转化为凸函数；
基于样本数据和预设损失函数，确定所述凸函数的最优形状参数；
将所述最优形状参数对应的决策函数确定为目标决策函数；基于所述目标决策函数对所述业务进行决策处理。
CN201810432262.3A 2018-05-08 2018-05-08 业务的决策方法、装置及电子设备 Active CN108830454B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810432262.3A CN108830454B (zh) 2018-05-08 2018-05-08 业务的决策方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810432262.3A CN108830454B (zh) 2018-05-08 2018-05-08 业务的决策方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN108830454A true CN108830454A (zh) 2018-11-16
CN108830454B CN108830454B (zh) 2021-12-28

Family

ID=64148383

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810432262.3A Active CN108830454B (zh) 2018-05-08 2018-05-08 业务的决策方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN108830454B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150317576A1 (en) * 2014-05-02 2015-11-05 OpenLink Financial LLC Framework for assessing the sensitivity of productivity measures to exogenous factors and operational decisions and for the computer generated proposal of optimal operating plans
CN107025509A (zh) * 2016-02-01 2017-08-08 腾讯科技（深圳）有限公司 基于业务模型的决策系统和方法
CN107038511A (zh) * 2016-02-01 2017-08-11 腾讯科技（深圳）有限公司 一种确定风险评估参数的方法及装置
CN107169534A (zh) * 2017-07-04 2017-09-15 北京京东尚科信息技术有限公司 模型训练方法及装置、存储介质、电子设备
CN107818328A (zh) * 2016-09-14 2018-03-20 南京航空航天大学 结合局部信息的不完整数据相似性刻画方法
CN107886198A (zh) * 2017-11-13 2018-04-06 阿里巴巴集团控股有限公司 一种风控决策临界值的确定方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150317576A1 (en) * 2014-05-02 2015-11-05 OpenLink Financial LLC Framework for assessing the sensitivity of productivity measures to exogenous factors and operational decisions and for the computer generated proposal of optimal operating plans
CN107025509A (zh) * 2016-02-01 2017-08-08 腾讯科技（深圳）有限公司 基于业务模型的决策系统和方法
CN107038511A (zh) * 2016-02-01 2017-08-11 腾讯科技（深圳）有限公司 一种确定风险评估参数的方法及装置
CN107818328A (zh) * 2016-09-14 2018-03-20 南京航空航天大学 结合局部信息的不完整数据相似性刻画方法
CN107169534A (zh) * 2017-07-04 2017-09-15 北京京东尚科信息技术有限公司 模型训练方法及装置、存储介质、电子设备
CN107886198A (zh) * 2017-11-13 2018-04-06 阿里巴巴集团控股有限公司 一种风控决策临界值的确定方法及装置

Also Published As

Publication number Publication date
CN108830454B (zh) 2021-12-28

Similar Documents

Publication Publication Date Title
TWI818999B (zh) 針對新場景的預測模型訓練方法及裝置
KR101868829B1 (ko) 머신 러닝에서의 가중치의 생성
CN111079780B (zh) 空间图卷积网络的训练方法、电子设备及存储介质
TW201947510A (zh) 保險業務風險預測的處理方法、裝置及處理設備
CN110119860B (zh) 一种垃圾账号检测方法、装置以及设备
Cho et al. Application of instance-based entropy fuzzy support vector machine in peer-to-peer lending investment decision
CN104965844A (zh) 信息处理方法及装置
WO2019149059A1 (zh) 确定业务对应的决策策略的方法、装置和电子设备
EP3690767A1 (en) Method and apparatus for determining risk management decision-making critical values
CN108460681A (zh) 一种风险管控方法及装置
Ahmad A comparative analysis of local meshless formulation for multi-asset option models
CN109308616B (zh) 一种交易记录的风险判定方法及装置
WO2021143370A1 (zh) 资源数据的处理方法及装置
CN111553488A (zh) 一种针对用户行为的风险识别模型训练方法及系统
CN112966189B (zh) 一种基金产品推荐系统
CN109636181A (zh) 一种用户信用分计算方法及系统
CN109615171A (zh) 特征阈值确定方法及装置、问题对象确定方法及装置
WO2020155831A1 (zh) 数据标签生成、模型训练、事件识别方法和装置
CN113743678B (zh) 一种用户信用评分预测方法及相关设备
CN108932525A (zh) 一种行为预测方法及装置
CN108830454A (zh) 业务的决策方法、装置及电子设备
CN111798263A (zh) 一种交易趋势的预测方法和装置
CN112561569B (zh) 基于双模型的到店预测方法、系统、电子设备及存储介质
CN110705654B (zh) 用于监控资产的方法、装置、电子设备及介质
CN109460778A (zh) 活动评估方法、装置、电子设备及存储介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20200921

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

Applicant after: Innovative advanced technology Co.,Ltd.

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

Applicant before: Advanced innovation technology Co.,Ltd.

Effective date of registration: 20200921

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

Applicant after: Advanced innovation technology Co.,Ltd.

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

Applicant before: Alibaba Group Holding Ltd.

GR01 Patent grant
GR01 Patent grant