CN108876133A - 基于业务信息的风险评估处理方法、装置、服务器和介质 - Google Patents
基于业务信息的风险评估处理方法、装置、服务器和介质 Download PDFInfo
- Publication number
- CN108876133A CN108876133A CN201810580616.9A CN201810580616A CN108876133A CN 108876133 A CN108876133 A CN 108876133A CN 201810580616 A CN201810580616 A CN 201810580616A CN 108876133 A CN108876133 A CN 108876133A
- Authority
- CN
- China
- Prior art keywords
- risk
- assessment
- service request
- evaluation model
- information
- 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
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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请涉及一种基于业务信息的风险评估处理方法、装置、服务器和介质。所述方法包括:接收客户终端发送的业务请求,业务请求中携带了业务信息;根据业务请求调用风险评估模型;将业务信息输入至风险评估模型,通过风险评估模型输出多个风险维度对应的评估结果;当一个或多个风险维度对应的评估结果表示存在风险时,拦截业务请求;生成风险评估的提示信息,将提示信息发送至审核终端,提示信息用于审核终端对业务信息进行审核。采用本方法能够有效提高对业务信息进行风险评估的准确性,从而能够有效地保证业务请求的安全性。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种基于业务信息的风险评估方法方法、装置、服务器和介质。
背景技术
随着互联网技术的迅速发展,互联网金融的覆盖范围更加广泛,也使得各种交易更加便捷。但同时网络金融诈骗和网络金融犯罪不断出现,使得各种业务存在欺诈、洗钱等的交易风险,而往往这些风险不易被察觉。基于业务的交易安全性考虑,目前很多交易监控方式采取了通过对用户的业务信息以及用户的历史数据进行分析,以评估业务中存在的风险。
然而,现有风险评估方式只是根据一部分因素对用户的业务进行风险评估,对业务信息进行风险评估的结果并不全面,而且通常是在业务已经完成后才进行评估,导致评估结果的准确性并不高。因此,如何有效提高业务风险评估的准确性成为目前需要解决的技术问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够有效提高业务风险评估的准确性的基于业务信息的风险评估处理方法、装置、服务器和介质。
一种基于业务信息的风险评估处理方法,包括:
接收客户终端发送的业务请求,所述业务请求中携带了业务信息;
根据所述业务请求调用风险评估模型;
将所述业务信息输入至所述风险评估模型,通过所述风险评估模型输出多个风险维度对应的评估结果;
当一个或多个风险维度对应的评估结果表示存在风险时,拦截所述业务请求;
生成风险评估的提示信息,将所述提示信息发送至审核终端,所述提示信息用于所述审核终端对所述业务信息进行审核。
在其中一个实施例中,所述方法还包括:
获取多个数据库中的征信数据;
提取所述征信数据的特征变量,对所述特征变量进行特征选择,得到最优特征变量;利用所述最优特征变量建立征信评估函数;
获取多个数据库的黑名单数据,利用所述黑名单数据建立黑名匹配函数;
获取反洗钱文件,对所述反洗钱文件进行解析,得到多个反洗钱变量;利用多个反洗钱变量建立反洗钱评估函数;
利用所述征信评估函数、所述黑名单匹配函数和所述反洗钱评估函数构建风险评估模型。
在其中一个实施例中,所述风险评估模型包括:Y=y(f,g,h);
其中,Y为风险评估结果,y()为风险评估模型,f为征信评估函数,g为反洗钱匹配函数,h为黑名单评估函数。
在其中一个实施例中,所述业务请求中携带有客户标识,所述方法还包括:
获取预设时间段内与所述客户标识历史业务数据;所述历史业务数据包括多个特征变量;
对所述特征变量对应的历史业务数据进行聚类分析,得到多个特征变量对应的聚类结果;
利用所述聚类结果对所述风险评估模型进行优化。
在其中一个实施例中,所述风险维度包括征信评估、黑名单评估以及反洗钱评估,所述当一个或多个风险维度对应的评估结果表示存在风险时,拦截所述业务请求包括:
当所述征信评估、黑名单评估或反洗钱评估对应的评估结果中存在表示风险的评估结果时,对所述评估结果添加风险标签;
当检测到一个或多个风险维度对应的评估结果中存在风险标签时,对所述业务请求进行拦截。
在其中一个实施例中,所述方法还包括:
获取客户终端发送的人脸图像,对所述人脸图像进行人脸识别;
根据识别出的人脸特征生成对应的序列码;
根据所述序列码在数据库中进行查询,当存在相同序列码时,获取所述序列码对应的历史业务信息;
将所述历史业务信息输入至所述风险评估模型,通过所述风险评估模型输出多个风险维度对应的评估结果;
当一个或多个风险维度对应的评估结果表示存在风险时,将相应历史业务信息标记为风险业务。
一种基于业务信息的风险评估处理装置,包括:
接收模块,用于接收客户终端发送的业务请求,所述业务请求中携带了业务信息;
评估模块,用于根据所述业务请求调用风险评估模型;将所述业务信息输入至所述风险评估模型,通过所述风险评估模型输出多个风险维度对应的评估结果;
拦截模块,用于当一个或多个风险维度对应的评估结果表示存在风险时,拦截所述业务请求;
发送模块,用于生成风险评估的提示信息,将所述提示信息发送至审核终端,所述提示信息用于所述审核终端对所述业务信息进行审核。
在其中一个实施例中,所述装置还包括人脸识别模块,用于获取客户终端发送的人脸图像,对所述人脸图像进行人脸识别;根据识别出的人脸特征生成对应的序列码;
查询模块,用于根据所述序列码在数据库中进行查询,当存在相同序列码时,获取所述序列码对应的历史业务信息;
所述评估模块还用于将所述历史业务信息输入至所述风险评估模型,通过所述风险评估模型输出多个风险维度对应的评估结果;
标记模块,用于当一个或多个风险维度对应的评估结果表示存在风险时,将相应历史业务信息标记为风险业务。
一种服务器,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
接收客户终端发送的业务请求,所述业务请求中携带了业务信息;
根据所述业务请求调用风险评估模型;
将所述业务信息输入至所述风险评估模型,通过所述风险评估模型输出多个风险维度对应的评估结果;
当一个或多个风险维度对应的评估结果表示存在风险时,拦截所述业务请求;
生成风险评估的提示信息,将所述提示信息发送至审核终端,所述提示信息用于所述审核终端对所述业务信息进行审核。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
接收客户终端发送的业务请求,所述业务请求中携带了业务信息;
根据所述业务请求调用风险评估模型;
将所述业务信息输入至所述风险评估模型,通过所述风险评估模型输出多个风险维度对应的评估结果;
当一个或多个风险维度对应的评估结果表示存在风险时,拦截所述业务请求;
生成风险评估的提示信息,将所述提示信息发送至审核终端,所述提示信息用于所述审核终端对所述业务信息进行审核。
上述基于业务信息的风险评估处理方法、装置、服务器和介质,接收客户终端发送的业务请求,业务请求中携带了业务信息;根据业务请求调用风险评估模型。将业务信息输入至风险评估模型,通过风险评估模型输出多个风险维度对应的评估结果。通过利用风险评估模型对业务信息进行多维度的风险评估,可直接得到多个维度对应的评估结果,由此能够有效提高对业务信息进行风险评估的效率和准确性。当一个或多个风险维度对应的评估结果表示存在风险时,拦截业务请求;生成风险评估的提示信息,将提示信息发送至审核终端,提示信息用于审核终端对业务信息进行审核。进而当评估出存在风险时,服务器能够及时对业务请求进行拦截,从而有效地保证业务请求的安全性。
附图说明
图1为一个实施例中基于业务信息的风险评估处理方法的应用场景图;
图2为一个实施例中基于业务信息的风险评估处理方法的流程示意图;
图3为一个实施例中建立风险评估模型步骤的流程示意图;
图4为一个实施例中对风险评估模型进行优化步骤的流程示意图;
图5为一个实施例中基于业务信息的风险评估处理装置的结构框图;
图6为一个实施例中服务器的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的基于业务信息的风险评估处理方法,可以应用于如图1所示的应用环境中。其中,客户终端102通过网络与服务器104进行通信,服务器104通过网络与审核终端106进行通信。客户可以通过客户终端102办理各种业务,并向服务器104发送业务请求,业务请求中携带了业务信息。服务器104接收到客户终端102发送的业务请求后,根据业务请求调用风险评估模型。并将业务信息输入至风险评估模型中,由此可以通过风险评估模型输出多个风险维度对应的评估结果。当一个或多个风险维度对应的评估结果表示存在风险时,拦截该业务请求。同时生成风险评估的提示信息,并将提示信息发送至审核终端106,以使得审核终端106对该业务信息进行审核。其中,客户终端102和审核终端106可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种基于业务信息的风险评估处理方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤202,接收客户终端发送的业务请求,业务请求中携带了业务信息。
业务人员可以通过客户终端为客户办理各种业务,如投保业务、贷款业务等各种业务,并生成业务请求。业务请求中携带了业务信息,其中,业务信息中包括了客户的身份信息和业务数据等信息。客户终端将对应的业务请求发送至服务器,服务器接收客户终端发送的业务请求。
步骤204,根据业务请求调用风险评估模型。
对于客户办理的业务请求,可能会存在网络欺诈、黑名单嫌疑和洗钱嫌疑等风险。因此,服务器接收客户终端发送的业务请求后,根据业务请求调用风险评估模型。风险评估模型可以是服务器在接收业务请求之前预先建立好的风险评估模型。
风险评估模型中包括了征信评估、黑名单评估和反洗钱评估对应的风险维度,从而对业务请求进行征信评估、黑名单评估以及反洗钱评估这三个维度的评估。其中,征信评估可以表示为信用风险评估,指为采取各类客观或主观的方式选取和评估对象信用情况的有关信息,定量或定性地对其信用进行评估,然后根据评估得到的结论来判断该客户和对应的业务信息存在的风险程度,包括信用风险和违约风险等。评估的对象可以是个人,也可以是企业。
黑名单评估表示服务器获取各个平台数据库中的黑名单数据,对获取的黑名单数据进行汇总,并生成黑名单数据表。将该业务请求中的客户标识与黑名单数据表进行匹配,评估该客户标识是否存在黑名单数据表中。若存在则表示该客户为黑名单客户,存在一定的风险。
反洗钱评估是指服务器获取反洗钱文件后,通过对反洗钱文件进行解析,得到多个反洗钱变量。服务器进一步利用多个反洗钱变量建立反洗钱评估函数,并利用反洗钱评估函数对该业务请求进行评估,评估该业务是否存在反洗钱嫌疑。由此可以有效地评估出该业务请求的洗钱风险。
步骤206,将业务信息输入至风险评估模型,通过风险评估模型输出多个风险维度对应的评估结果。
进一步地,服务器将业务信息输入至风险评估模型,由此利用风险评估模型对输入的业务信息进行计算,并通过风险评估模型输出多个风险维度对应的评估结果。例如,风险维度可以包括征信评估、黑名单评估以及反洗钱评估。通过风险评估模型可以对该业务请求进行征信评估、黑名单评估和反洗钱评估多个维度地评估,直接可得到三个维度的评估结果,因此不需要调用多个模型对业务请求进行评估,从而有效地节省了评估的时间进而有效地提高了评估的效率。由此能够有效提高风险评估的准确度,从而能够有效地评估出该业务请求是否存在风险。
步骤208,当一个或多个风险维度对应的评估结果表示存在风险时,拦截该业务请求。
服务器利用风险评估模型对业务请求进行评估后,可以得到多个风险维度对应的评估结果。当一个或多个风险维度对应的评估结果表示存在风险时,表明该业务请求存在与其中一个或多个风险维度对应的风险,服务器则立即拦截该业务请求,由此可以准确地识别出业务请求中存在的风险,并有效地及时地拦截存在风险的业务请求。
步骤210,生成风险评估的提示信息,将提示信息发送至审核终端,提示信息用于审核终端对业务信息进行审核。
服务器利用风险评估模型评估出该业务请求存在风险,并对该业务请求进行拦截后,生成风险评估的提示信息,以提示该业务请求存在风险。进而服务器将提示消息发送至审核终端,以使得审核终端对该业务请求对应的业务信息进行审核。通过对评估出存在风险的业务请求进行拦截,并进行审核,由此能够有效地保证该业务请求的安全性。
上述基于业务信息的风险评估处理方法中,服务器接收客户终端发送的业务请求,业务请求中携带了业务信息;根据业务请求调用风险评估模型。将业务信息输入至风险评估模型,通过风险评估模型输出多个风险维度对应的评估结果,通过利用风险评估模型对业务信息的多个维度进行风险评估,可直接得到多个维度对应的评估结果,由此能够有效提高风险评估的效率和准确性。当一个或多个风险维度对应的评估结果表示存在风险时,拦截业务请求;生成风险评估的提示信息,将提示信息发送至审核终端,提示信息用于审核终端对业务信息进行审核。进而当评估出存在风险时,服务器能够及时对业务请求进行拦截,从而有效地保证了业务的安全性。
在一个实施例中,如图3所示,风险维度包括征信评估、黑名单匹配和反洗钱评估,建立风险评估模型的步骤包括:
步骤302,获取多个数据库中的征信数据;
步骤304,提取征信数据的特征变量,对特征变量进行特征选择,得到最优特征变量;利用最优特征变量建立征信评估函数;
征信评估可以表示为信用风险评估,指为采取各类客观或主观的方式选取和评估对象信用情况的有关信息,定量或定性地对其信用进行评估,然后根据评估得到的结论来判断该客户和对应的业务信息存在的风险程度,包括信用风险和违约风险等。评估的对象可以是个人,也可以是企业。
服务器在接收客户终端发送的业务请求之前,需要预先建立风险评估模型。建立风险评估模型需要获取大量的数据,具体地,服务器可以从多个平台的数据库中获取大量的征信数据,例如支付宝、京东、微信等平台的相关征信数据。这些征信数据中包括了用户的基础数据和行为数据,行为数据包括用户的消费数据、账单信息、信贷记录、逾期记录等数据。服务器获取这些征信数据后,对征信数据进行分析,得到征信数据对应的特征信息,提取出特征信息对应的特征变量。服务器通过对特征变量进行特征选择得到最优特征变量。
具体地,对获取到的征信数据的特征信息进行分析,去除重复的特征信息,得到分析后的特征信息。利用预设关键字提取征信数据中的特征信息,进而提取出特征信息对应的特征变量。提取特征信息对应的特征变量后,对提取出的特征变量进行聚类,得到多个聚类结果;对多个聚类结果内的特征变量分别进行组合,得到多个特征组合,特征组合包括多个组合特征变量;对多个组合特征变量进行相关性检验,检验通过时,对组合特征变量添加交互标签;将添加交互标签后的组合特征变量解析对应的特征变量,利用解析得到的特征变量生成最优特征变量。利用从特征变量中选择出的最优特征变量建立征信评估函数。通过征信评估函数可以有效地计算出用户对应的征信评估结果。
步骤306,获取多个数据库的黑名单数据,利用黑名单数据建立黑名匹配函数;
进一步地,服务器同时还可以获取多个平台的数据库中的黑名单数据。例如,服务器可以从各个银行、支付宝以及金融机构等多个平台的数据可中获取对应的黑名单数据。服务器获取黑名单数据后,对获取的黑名单数据进行汇总,并生成黑名单数据表。服务器则可以根据黑名单数据表建立黑名单匹配函数。服务器还可以进一步根据黑名单数据中的客户标识建立黑名单数据表的索引。由此服务器利用黑名单匹配函数对业务请求对应的客户进行匹配时,就可以快速地利用索引进行匹配,由此能够提高黑名单数据匹配的效率。
步骤308,获取反洗钱文件,对反洗钱文件进行解析,得到多个反洗钱变量;利用多个反洗钱变量建立反洗钱评估函数;
进一步地,服务器还可以获取反洗钱文件。反洗钱文件可以是从网络上获取的相关政府部门发布的反洗钱文件,也可以是预先设置并存储在本地的反洗钱文件。反洗钱文件中设置了多项反洗钱规则。服务器通过对反洗钱文件进行解析,得到多个反洗钱变量。例如,反洗钱变量可以包括交易类型、交易金额等变量。服务器进一步利用多个反洗钱变量建立反洗钱评估函数。
步骤310,利用征信评估函数、黑名单匹配函数和反洗钱评估函数构建风险评估模型。
服务器通过获取征信数据、黑名单数据以及反洗钱文件多个维度的数据信息,以建立对应的征信评估函数、黑名单匹配函数和反洗钱评估函数,并利用征信评估函数、黑名单匹配函数和反洗钱评估函数来构建风险评估模型,通过风险评估模型则可以直接得到多个维度的评估结果,不需要调用多个模型进行评估,由此有效地节省了评估时间,进而能够有效地提高风险评估的效率。通过多维度的数据来构建风险评估模型,有效地保证了风险评估模型的评估准确性,进而有效地提高了对业务请求进行风险评估的准确性。
在一个实施例中,风险评估模型包括:
Y=y(f,g,h);
其中,Y为风险评估结果,y()为风险评估模型,f为征信评估函数,g为反洗钱匹配函数,h为黑名单评估函数。
服务器通过获取征信数据、黑名单数据以及反洗钱文件,以建立对应的征信评估函数、黑名单匹配函数和反洗钱评估函数,并利用征信评估函数、黑名单匹配函数和反洗钱评估函数来构建风险评估模型。
具体地,风险评估模型的表达式可以为:Y=y(f,g,h);
其中,Y为风险评估结果,y()为风险评估模型,f为征信评估函数,g为反洗钱匹配函数,h为黑名单评估函数。
进一步地,服务器可以利用logistic回归模型建立征信评估函数。例如,征信评估函数的表达式可以为:
其中,xi(1≤i≤n)表示地i个指标,βi为第i个指标的系数,α为回归系数,f∈(0,1),为因变量。
进一步地,服务器还可以获取反洗钱文件。反洗钱文件可以是从网络上获取的相关政府部门发布的反洗钱文件,也可以是预先设置并存储在本地的反洗钱文件。反洗钱文件中设置了多项反洗钱规则。服务器通过对反洗钱文件进行解析,得到多个反洗钱变量。例如,反洗钱变量可以包括交易类型、交易金额等变量。服务器进一步利用多个反洗钱变量建立反洗钱评估函数。
例如,反洗钱评估函数的表达式可以如下:
g=g(j,k,t,z,w)
其中,g表示反洗钱评估结果,g()表示反洗钱评估函数模型,j为交易类型,k为交易金额,t为交易时间,z为资产规模增长率,w为所属行业。
进一步地,服务器同时还可以获取多个平台的数据库中的黑名单数据。例如,服务器可以从各个银行、支付宝以及金融机构等多个平台的数据可中获取对应的黑名单数据。服务器获取黑名单数据后,对获取的黑名单数据进行汇总,并生成黑名单数据表。服务器则可以根据黑名单数据表建立黑名单匹配函数。服务器还可以进一步根据黑名单数据中的客户标识建立黑名单数据表的索引。
例如,黑名单匹配函数的表达式可以如下所示:
其中,h为黑名单匹配的结果,m为身份标识变量,n为名称变量,c为性别变量,d为业务级别。由此服务器利用黑名单匹配函数对业务请求对应的客户标识进行匹配时,就可以快速地匹配出该客户标识是否存在黑名单数据表中,由此能够提高黑名单数据匹配的效率。
服务器利用征信评估函数、黑名单匹配函数和反洗钱评估函数来构建风险评估模型,通过风险评估模型则可以直接得到多个维度的评估结果,因此不需要调用多个模型进行评估,由此有效地节省了评估时间,进而能够有效地提高风险评估的效率。通过多维度的数据来构建风险评估模型,有效地保证了风险评估模型的评估准确性,进而有效地提高了对业务请求进行风险评估的准确性。
在一个实施例中,业务请求中携带有客户标识,如图4所示,对风险评估模型进行优化的步骤包括:
步骤402,获取预设时间段内与客户标识对应的历史业务数据;历史业务数据包括多个特征变量;
步骤404,对特征变量对应的历史业务数据进行聚类分析,得到多个特征变量对应的聚类结果;
步骤406,利用聚类结果对风险评估模型进行优化。
随着各种因素的变化,风险评估模型也需要随着各种因素的变化和时间的推移进行调整,以提高模型的稳定性。
具体地,服务器接收到客户终端发送的业务请求后,根据业务请求中携带的客户标识,从数据库中获取预设时间段内与该客户标识对应的历史业务数据。预设时间可以是一年,也可以是半年,一个季度或一个月等。历史业务数据可以是多个客户在预设时间段内办理过的历史业务数据。历史业务数据中包括多个特征变量,例如交易类型、交易金额、年龄区间、所在地区及性别等。服务器将每个客户标识对应的历史业务数据作为一个样本,将每个历史业务数据中的特征变量作为一个维度。服务器进一步对每个维度的样本进行聚类分析。服务器可以采用聚类分析算法,例如K-means算法,将每个特征变量作为数据对象依次对多个样本进行迭代计算,计算出每个维度对应的聚类结果。例如,服务器可以获取历史业务数据中的交易类型、交易金额和年龄区间这几个维度的特征变量,对多个样本进行聚类分析,由此可以得到相同年龄区间内,相同交易类型所对应的风险级别。服务器利用聚类结果对风险评估模型的参数进行优化更新。
服务器通过多维度的数据来构建风险评估模型,由此可以得到多个维度的评估结果,进而有效地提高了对业务请求进行风险评估的准确性。服务器进一步通过对历史业务数据进行聚类分析,以对风险评估模型进行优化,可以有效地保证风险评估模型的稳定新,进而能够有效提高利用风险评估模型对业务信息进行评估的准确性。
在一个实施例中,风险维度包括征信评估、黑名单评估以及反洗钱评估,当一个或多个风险维度对应的评估结果表示存在风险时,拦截业务请求包括:当征信评估、黑名单评估或反洗钱评估对应的评估结果中存在表示风险的评估结果时,对评估结果添加风险标签;当检测到一个或多个风险维度对应的评估结果中存在风险标签时,对业务请求进行拦截。
服务器接收到客户终端发送的业务请求后,根据业务请求中的业务信息调用风险评估模型,并将业务信息输入至风险评估模型中,通过风险评估模型就可以输出多个风险维度对应的评估结果。其中,风险维度包括征信评估、黑名单评估和反洗钱评估。通过风险评估模型可以对该业务请求进行征信评估、黑名单评估和反洗钱评估多个维度地评估,直接可得到对应的三个维度的评估结果,因此不需要调用多个模型对业务请求进行评估,从而有效地节省了评估的时间进而有效地提高了评估的效率。由此能够有效提高风险评估的准确度,从而能够有效地评估出该业务请求是否存在风险。
当其中有一个或多个风险维度对应的评估结果表示存在风险时,服务器则对对应的存在风险的评估结果添加风险标签。进一步地,服务器检测到一个或多个风险维度的评估结果中存在风险标签时,则立即拦截业务请求。通过对评估结果添加风险标签,可以使得服务器快速识别到每个风险维度的评估结果是否存在风险,由此可以有效提高对业务信息进行风险评估的效率。
在一个实施例中,该方法还包括:获取客户终端发送的人脸图像,对人脸图像进行人脸识别;根据识别出的人脸特征生成对应的序列码;根据序列码在数据库中进行查询,当存在相同序列码时,获取该序列码对应的历史业务信息;将历史业务信息输入至风险评估模型,通过风险评估模型输出多个风险维度对应的评估结果;当一个或多个风险维度对应的评估结果表示存在风险时,将相应历史业务信息标记为风险业务。
业务人员在利用客户终端为客户办理业务的过程中,客户终端可以获取客户的人脸图像,并将获取的人脸图像发送至服务器。服务器接收到客户终端发送的人脸图像后,对人脸图像进行识别。具体地,可以利用几何特征与局部特征算法对该人脸图像进行特征提取,提取出人脸图像中的眼部特征、鼻部特征以及嘴部特征等特征点,并根据每个特征点部分将人脸图像分为预设数量的像素,计算出每个像素的灰度值,根据人脸图像中像素或像素组的灰度值设定预设序列。根据像素对应的预设序列按照预设方式生成人脸图像对应的序列码。由此能够有效地得到与客户人脸图像唯一对应的序列码。
服务器生成与客户的人脸图像唯一对应的序列码后,根据序列码在数据库中查询是否存在相同的序列码。当查询出存在相同的序列码时,表示该客户为老客户。服务器进一步获取该序列码对应的客户标识和对应的历史业务信息,由此能够获取到该序列码对应的老客户曾办理过的历史业务信息。服务器将获取的历史业务信息输入至预先建立好的风险评估模型中,通过风险评估模型输出多个风险维度对应的评估结果。当一个或多个风险维度对应的评估结果表示存在风险时,服务器则将该序列码对应的历史业务信息标记为风险业务。服务器通过风险评估模型可以对该业务请求进行征信评估、黑名单评估和反洗钱评估多个维度地评估,直接可得到三个维度的评估结果,从而有效地提高了风险评估的效率和风险评估的准确度,从而能够有效地评估出该业务请求是否存在风险。
服务器通过获取客户的历史业务信息,并评估该客户的历史业务信息是否存在风险,由此能够有效地从客户的历史业务信息中提前评估出该客户是否存在风险。如果存在风险,就可以对该客户当前要办理的业务请求进行拦截并审核,由此能够有效地保证业务的安全性。
应该理解的是,虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种基于业务信息的风险评估处理装置,包括:接收模块502、评估模块504、拦截模块506和发送模块508,其中:
接收模块502,用于接收客户终端发送的业务请求,业务请求中携带了业务信息。
评估模块504,用于根据业务请求调用风险评估模型;将业务信息输入至风险评估模型,通过风险评估模型输出多个风险维度对应的评估结果。
拦截模块506,用于当一个或多个风险维度对应的评估结果表示存在风险时,拦截业务请求。
发送模块508,用于生成风险评估的提示信息,将提示信息发送至审核终端,提示信息用于审核终端对业务信息进行审核。
在其中一个实施例中,该装置还包括建模模块,用于获取多个数据库中的征信数据;提取征信数据的特征变量,对特征变量进行特征选择,得到最优特征变量;利用最优特征变量建立征信评估函数;获取多个数据库的黑名单数据,利用黑名单数据建立黑名匹配函数;获取反洗钱文件,对反洗钱文件进行解析,得到多个反洗钱变量;利用多个反洗钱变量建立反洗钱评估函数;利用征信评估函数、黑名单匹配函数和反洗钱评估函数构建风险评估模型。
在其中一个实施例中,风险评估模型包括:Y=y(f,g,h);其中,Y为风险评估结果,y()为风险评估模型,f为征信评估函数,g为反洗钱匹配函数,h为黑名单评估函数。
在其中一个实施例中,业务请求中携带有客户标识,该装置还包括模型优化模块,用于获取预设时间段内与客户标识对应的历史业务数据;历史业务数据包括多个特征变量;对特征变量对应的历史业务数据进行聚类分析,得到多个特征变量对应的聚类结果;利用聚类结果对风险评估模型进行优化。
在其中一个实施例中,风险维度包括征信评估、黑名单评估以及反洗钱评估,评估模块504还用于当征信评估、黑名单评估或反洗钱评估对应的评估结果中存在表示风险的评估结果时,对评估结果添加风险标签;拦截模块306还用于当检测到一个或多个风险维度对应的评估结果中存在风险标签时,对业务请求进行拦截。
在其中一个实施例中,该装置还包括人脸识别模块,用于获取客户终端发送的人脸图像,对人脸图像进行人脸识别;根据识别出的人脸特征生成对应的序列码;
查询模块,用于根据序列码在数据库中进行查询,当存在相同序列码时,获取序列码对应的历史业务信息;
评估模块504还用于将所述历史业务信息输入至风险评估模型,通过风险评估模型输出多个风险维度对应的评估结果;当一个或多个风险维度对应的评估结果表示存在风险时,将相应历史业务信息标记为风险业务。
关于基于业务信息的风险评估处理装置的具体限定可以参见上文中对于基于业务信息的风险评估处理方法的限定,在此不再赘述。上述基于业务信息的风险评估处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种服务器,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储征信数据、黑名单数据、反洗钱文件以及历史业务信息等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于业务信息的风险评估处理方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种服务器,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
接收客户终端发送的业务请求,业务请求中携带了业务信息;
根据业务请求调用风险评估模型;
将业务信息输入至风险评估模型,通过风险评估模型输出多个风险维度对应的评估结果;
当一个或多个风险维度对应的评估结果表示存在风险时,拦截业务请求;
生成风险评估的提示信息,将提示信息发送至审核终端,提示信息用于审核终端对业务信息进行审核。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取多个数据库中的征信数据;提取征信数据的特征变量,对特征变量进行特征选择,得到最优特征变量;利用最优特征变量建立征信评估函数;获取多个数据库的黑名单数据,利用黑名单数据建立黑名匹配函数;获取反洗钱文件,对反洗钱文件进行解析,得到多个反洗钱变量;利用多个反洗钱变量建立反洗钱评估函数;利用征信评估函数、黑名单匹配函数和反洗钱评估函数构建风险评估模型。
在一个实施例中,风险评估模型包括:Y=y(f,g,h);
其中,Y为风险评估结果,y()为风险评估模型,f为征信评估函数,g为反洗钱匹配函数,h为黑名单评估函数。
在一个实施例中,业务请求中携带有客户标识,处理器执行计算机程序时还实现以下步骤:获取预设时间段内与客户标识对应的历史业务数据;历史业务数据包括多个特征变量;对特征变量对应的历史业务数据进行聚类分析,得到多个特征变量对应的聚类结果;利用聚类结果对风险评估模型进行优化。
在一个实施例中,风险维度包括征信评估、黑名单评估以及反洗钱评估,处理器执行计算机程序时还实现以下步骤:当征信评估、黑名单评估或反洗钱评估对应的评估结果中存在表示风险的评估结果时,对评估结果添加风险标签;当检测到一个或多个风险维度对应的评估结果中存在风险标签时,对业务请求进行拦截。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取客户终端发送的人脸图像,对人脸图像进行人脸识别;根据识别出的人脸特征生成对应的序列码;根据序列码在数据库中进行查询,当存在相同序列码时,获取序列码对应的历史业务信息;将历史业务信息输入至风险评估模型,通过风险评估模型输出多个风险维度对应的评估结果;当一个或多个风险维度对应的评估结果表示存在风险时,将相应历史业务信息标记为风险业务。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
接收客户终端发送的业务请求,业务请求中携带了业务信息;
根据业务请求调用风险评估模型;
将业务信息输入至风险评估模型,通过风险评估模型输出多个风险维度对应的评估结果;
当一个或多个风险维度对应的评估结果表示存在风险时,拦截业务请求;
生成风险评估的提示信息,将提示信息发送至审核终端,提示信息用于审核终端对业务信息进行审核。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取多个数据库中的征信数据;提取征信数据的特征变量,对特征变量进行特征选择,得到最优特征变量;利用最优特征变量建立征信评估函数;获取多个数据库的黑名单数据,利用黑名单数据建立黑名匹配函数;获取反洗钱文件,对反洗钱文件进行解析,得到多个反洗钱变量;利用多个反洗钱变量建立反洗钱评估函数;利用征信评估函数、黑名单匹配函数和反洗钱评估函数构建风险评估模型。
在一个实施例中,风险评估模型包括:Y=y(f,g,h);
其中,Y为风险评估结果,y()为风险评估模型,f为征信评估函数,g为反洗钱匹配函数,h为黑名单评估函数。
在一个实施例中,业务请求中携带有客户标识,计算机程序被处理器执行时还实现以下步骤:获取预设时间段内与客户标识对应的历史业务数据;历史业务数据包括多个特征变量;对特征变量对应的历史业务数据进行聚类分析,得到多个特征变量对应的聚类结果;利用聚类结果对风险评估模型进行优化。
在一个实施例中,风险维度包括征信评估、黑名单评估以及反洗钱评估,计算机程序被处理器执行时还实现以下步骤:当征信评估、黑名单评估或反洗钱评估对应的评估结果中存在表示风险的评估结果时,对评估结果添加风险标签;当检测到一个或多个风险维度对应的评估结果中存在风险标签时,对业务请求进行拦截。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取客户终端发送的人脸图像,对人脸图像进行人脸识别;根据识别出的人脸特征生成对应的序列码;根据序列码在数据库中进行查询,当存在相同序列码时,获取序列码对应的历史业务信息;将历史业务信息输入至风险评估模型,通过风险评估模型输出多个风险维度对应的评估结果;当一个或多个风险维度对应的评估结果表示存在风险时,将相应历史业务信息标记为风险业务。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于业务信息的风险评估处理方法,包括:
接收客户终端发送的业务请求,所述业务请求中携带了业务信息;
根据所述业务请求调用风险评估模型;
将所述业务信息输入至所述风险评估模型,通过所述风险评估模型输出多个风险维度对应的评估结果;
当一个或多个风险维度对应的评估结果表示存在风险时,拦截所述业务请求;
生成风险评估的提示信息,将所述提示信息发送至审核终端,所述提示信息用于所述审核终端对所述业务信息进行审核。
2.根据权利要求1所述的方法,其特征在于,所述风险维度包括征信评估、黑名单匹配和反洗钱评估,所述方法还包括:
获取多个数据库中的征信数据;
提取所述征信数据的特征变量,对所述特征变量进行特征选择,得到最优特征变量;利用所述最优特征变量建立征信评估函数;
获取多个数据库的黑名单数据,利用所述黑名单数据建立黑名匹配函数;
获取反洗钱文件,对所述反洗钱文件进行解析,得到多个反洗钱变量;利用多个反洗钱变量建立反洗钱评估函数;
利用所述征信评估函数、所述黑名单匹配函数和所述反洗钱评估函数构建风险评估模型。
3.根据权利要求1所述的方法,其特征在于,所述风险评估模型包括:
Y=y(f,g,h);
其中,Y为风险评估结果,y()为风险评估模型,f为征信评估函数,g为反洗钱匹配函数,h为黑名单评估函数。
4.根据权利要求1所述的方法,其特征在于,所述业务请求中携带有客户标识,所述方法还包括:
获取预设时间段内与所述客户标识对应的历史业务数据;所述历史业务数据包括多个特征变量;
对所述特征变量对应的历史业务数据进行聚类分析,得到多个特征变量对应的聚类结果;
利用所述聚类结果对所述风险评估模型进行优化。
5.根据权利要求1所述的方法,其特征在于,所述风险维度包括征信评估、黑名单评估以及反洗钱评估,所述当一个或多个风险维度对应的评估结果表示存在风险时,拦截所述业务请求包括:
当所述征信评估、黑名单评估或反洗钱评估对应的评估结果中存在表示风险的评估结果时,对所述评估结果添加风险标签;
当检测到一个或多个风险维度对应的评估结果中存在风险标签时,对所述业务请求进行拦截。
6.根据权利要求1至5中任一项所述的方法,其特征在于,所述方法还包括:
获取客户终端发送的人脸图像,对所述人脸图像进行人脸识别;
根据识别出的人脸特征生成对应的序列码;
根据所述序列码在数据库中进行查询,当存在相同序列码时,获取所述序列码对应的历史业务信息;
将所述历史业务信息输入至所述风险评估模型,通过所述风险评估模型输出多个风险维度对应的评估结果;
当一个或多个风险维度对应的评估结果表示存在风险时,将相应历史业务信息标记为风险业务。
7.一种基于业务信息的风险评估处理装置,包括:
接收模块,用于接收客户终端发送的业务请求,所述业务请求中携带了业务信息;
评估模块,用于根据所述业务请求调用风险评估模型;将所述业务信息输入至所述风险评估模型,通过所述风险评估模型输出多个风险维度对应的评估结果;
拦截模块,用于当一个或多个风险维度对应的评估结果表示存在风险时,拦截所述业务请求;
发送模块,用于生成风险评估的提示信息,将所述提示信息发送至审核终端,所述提示信息用于所述审核终端对所述业务信息进行审核。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括人脸识别模块,用于获取客户终端发送的人脸图像,对所述人脸图像进行人脸识别;根据识别出的人脸特征生成对应的序列码;
查询模块,用于根据所述序列码在数据库中进行查询,当存在相同序列码时,获取所述序列码对应的历史业务信息;
所述评估模块还用于将所述历史业务信息输入至所述风险评估模型,通过所述风险评估模型输出多个风险维度对应的评估结果;
标记模块,用于当一个或多个风险维度对应的评估结果表示存在风险时,将相应历史业务信息标记为风险业务。
9.一种服务器,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810580616.9A CN108876133B (zh) | 2018-06-07 | 2018-06-07 | 基于业务信息的风险评估处理方法、装置、服务器和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810580616.9A CN108876133B (zh) | 2018-06-07 | 2018-06-07 | 基于业务信息的风险评估处理方法、装置、服务器和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108876133A true CN108876133A (zh) | 2018-11-23 |
CN108876133B CN108876133B (zh) | 2022-05-17 |
Family
ID=64337328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810580616.9A Active CN108876133B (zh) | 2018-06-07 | 2018-06-07 | 基于业务信息的风险评估处理方法、装置、服务器和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108876133B (zh) |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544163A (zh) * | 2018-11-30 | 2019-03-29 | 华青融天(北京)软件股份有限公司 | 一种用户支付行为的风险控制方法、装置、设备及介质 |
CN109615211A (zh) * | 2018-12-05 | 2019-04-12 | 南方电网科学研究院有限责任公司 | 一种项目风险评估系统、方法、及一种存储介质 |
CN109636237A (zh) * | 2018-12-27 | 2019-04-16 | 上海硕恩网络科技股份有限公司 | 一种金融风险评估方法及系统 |
CN109636607A (zh) * | 2018-12-18 | 2019-04-16 | 平安科技(深圳)有限公司 | 基于模型部署的业务数据处理方法、装置和计算机设备 |
CN109741065A (zh) * | 2019-01-28 | 2019-05-10 | 广州虎牙信息科技有限公司 | 一种支付风险识别方法、装置、设备及存储介质 |
CN109766772A (zh) * | 2018-12-18 | 2019-05-17 | 深圳壹账通智能科技有限公司 | 风险控制方法、装置、计算机设备和存储介质 |
CN109788031A (zh) * | 2018-12-17 | 2019-05-21 | 平安普惠企业管理有限公司 | 业务数据获取方法、装置、计算机设备和存储介质 |
CN109829628A (zh) * | 2019-01-07 | 2019-05-31 | 平安科技(深圳)有限公司 | 基于大数据的风险预警方法、装置和计算机设备 |
CN110009475A (zh) * | 2019-02-12 | 2019-07-12 | 平安科技(深圳)有限公司 | 风险稽核监察方法、装置、计算机设备及存储介质 |
CN110009225A (zh) * | 2019-04-03 | 2019-07-12 | 平安科技(深圳)有限公司 | 风险评估系统构建方法、装置、计算机设备和存储介质 |
CN110288457A (zh) * | 2019-04-09 | 2019-09-27 | 昆山古鳌电子机械有限公司 | 一种信用评价方法 |
CN110322349A (zh) * | 2019-06-25 | 2019-10-11 | 阿里巴巴集团控股有限公司 | 一种数据的处理方法、装置及设备 |
CN110400219A (zh) * | 2019-06-14 | 2019-11-01 | 阿里巴巴集团控股有限公司 | 业务处理方法及系统、交易监控方法及系统 |
CN110493190A (zh) * | 2019-07-15 | 2019-11-22 | 平安科技(深圳)有限公司 | 数据信息的处理方法、装置、计算机设备和存储介质 |
CN110502473A (zh) * | 2019-08-27 | 2019-11-26 | 许灵辉 | 一种征信文件自动化处理方法 |
CN110555759A (zh) * | 2019-07-31 | 2019-12-10 | 阿里巴巴集团控股有限公司 | 基于信用项目的风险防控方法以及装置 |
CN110659800A (zh) * | 2019-08-15 | 2020-01-07 | 平安科技(深圳)有限公司 | 风险监控处理方法、装置、计算机设备和存储介质 |
CN111488170A (zh) * | 2020-04-07 | 2020-08-04 | 支付宝(杭州)信息技术有限公司 | 业务处理模型的更新方法、装置及设备 |
CN111563679A (zh) * | 2020-04-30 | 2020-08-21 | 支付宝(杭州)信息技术有限公司 | 数据处理方法以及装置 |
CN111768305A (zh) * | 2020-06-24 | 2020-10-13 | 中国工商银行股份有限公司 | 反洗钱识别方法及装置 |
CN111835622A (zh) * | 2020-07-10 | 2020-10-27 | 腾讯科技(深圳)有限公司 | 信息拦截方法、装置、计算机设备和存储介质 |
CN111967767A (zh) * | 2020-08-18 | 2020-11-20 | 支付宝(杭州)信息技术有限公司 | 一种业务风险识别方法、装置、设备及介质 |
CN112105183A (zh) * | 2020-08-07 | 2020-12-18 | 致数信息科技(上海)有限公司 | 一种基于深度数据挖掘的电信客户融合信用评估系统 |
CN112163859A (zh) * | 2020-09-17 | 2021-01-01 | 中国建设银行股份有限公司 | 金融租赁业务的风险提示方法、装置、介质及电子设备 |
CN112288279A (zh) * | 2020-10-30 | 2021-01-29 | 平安医疗健康管理股份有限公司 | 基于自然语言处理和线性回归的业务风险评估方法和装置 |
CN112465461A (zh) * | 2020-12-04 | 2021-03-09 | 金蝶云科技有限公司 | 业务对象信息变更方法、系统、计算机设备和存储介质 |
CN113282625A (zh) * | 2021-05-31 | 2021-08-20 | 重庆富民银行股份有限公司 | 一种基于sql的api数据查询和处理系统及方法 |
CN113344716A (zh) * | 2021-05-31 | 2021-09-03 | 北京顶象技术有限公司 | 对企业受益所有人洗钱风险的实时风控系统和风控方法 |
CN113592623A (zh) * | 2021-07-20 | 2021-11-02 | 浙江惠瀜网络科技有限公司 | 车贷贷前风险评估体系的构建方法和风险评估方法 |
CN114240059A (zh) * | 2021-11-22 | 2022-03-25 | 中国建设银行股份有限公司 | 资源在线申请处理方法、装置、计算机设备和存储介质 |
CN115759733A (zh) * | 2022-10-18 | 2023-03-07 | 广州越秀融资租赁有限公司 | 基于业务事件的用户违约风险确定方法、装置、介质及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101662773A (zh) * | 2008-08-29 | 2010-03-03 | 国际商业机器公司 | 支持降低通信欺诈风险的计算机实现方法和设备 |
US20100174570A1 (en) * | 2006-03-28 | 2010-07-08 | Alibaba Group Holding Limited | Method and System for Risk Monitoring in Online Business |
US20170116308A1 (en) * | 2015-10-23 | 2017-04-27 | Oracle International Corporation | System and method for aggregating values through risk dimension hierarchies in a multidimensional database environment |
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 |
CN107067157A (zh) * | 2017-03-01 | 2017-08-18 | 北京奇艺世纪科技有限公司 | 业务风险评估方法、装置及风控系统 |
CN107274324A (zh) * | 2017-06-06 | 2017-10-20 | 张黎明 | 一种基于云服务进行突发事件风险评估的方法 |
CN107818513A (zh) * | 2017-11-24 | 2018-03-20 | 泰康保险集团股份有限公司 | 风险评估方法及装置、存储介质、电子设备 |
-
2018
- 2018-06-07 CN CN201810580616.9A patent/CN108876133B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100174570A1 (en) * | 2006-03-28 | 2010-07-08 | Alibaba Group Holding Limited | Method and System for Risk Monitoring in Online Business |
CN101662773A (zh) * | 2008-08-29 | 2010-03-03 | 国际商业机器公司 | 支持降低通信欺诈风险的计算机实现方法和设备 |
US20170116308A1 (en) * | 2015-10-23 | 2017-04-27 | Oracle International Corporation | System and method for aggregating values through risk dimension hierarchies in a multidimensional database environment |
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 |
CN107067157A (zh) * | 2017-03-01 | 2017-08-18 | 北京奇艺世纪科技有限公司 | 业务风险评估方法、装置及风控系统 |
CN107274324A (zh) * | 2017-06-06 | 2017-10-20 | 张黎明 | 一种基于云服务进行突发事件风险评估的方法 |
CN107818513A (zh) * | 2017-11-24 | 2018-03-20 | 泰康保险集团股份有限公司 | 风险评估方法及装置、存储介质、电子设备 |
Non-Patent Citations (2)
Title |
---|
姚国章等: ""互联网金融及其风险研究"", 《南京邮电大学学报(自然科学版)》 * |
姚奕等: ""小贷业务的量化风控及大数据应用"", 《金融电子化》 * |
Cited By (41)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544163A (zh) * | 2018-11-30 | 2019-03-29 | 华青融天(北京)软件股份有限公司 | 一种用户支付行为的风险控制方法、装置、设备及介质 |
CN109615211A (zh) * | 2018-12-05 | 2019-04-12 | 南方电网科学研究院有限责任公司 | 一种项目风险评估系统、方法、及一种存储介质 |
CN109788031A (zh) * | 2018-12-17 | 2019-05-21 | 平安普惠企业管理有限公司 | 业务数据获取方法、装置、计算机设备和存储介质 |
CN109788031B (zh) * | 2018-12-17 | 2022-10-11 | 平安普惠企业管理有限公司 | 业务数据获取方法、装置、计算机设备和存储介质 |
CN109636607B (zh) * | 2018-12-18 | 2024-03-15 | 平安科技(深圳)有限公司 | 基于模型部署的业务数据处理方法、装置和计算机设备 |
CN109636607A (zh) * | 2018-12-18 | 2019-04-16 | 平安科技(深圳)有限公司 | 基于模型部署的业务数据处理方法、装置和计算机设备 |
CN109766772A (zh) * | 2018-12-18 | 2019-05-17 | 深圳壹账通智能科技有限公司 | 风险控制方法、装置、计算机设备和存储介质 |
CN109636237A (zh) * | 2018-12-27 | 2019-04-16 | 上海硕恩网络科技股份有限公司 | 一种金融风险评估方法及系统 |
CN109829628A (zh) * | 2019-01-07 | 2019-05-31 | 平安科技(深圳)有限公司 | 基于大数据的风险预警方法、装置和计算机设备 |
CN109741065A (zh) * | 2019-01-28 | 2019-05-10 | 广州虎牙信息科技有限公司 | 一种支付风险识别方法、装置、设备及存储介质 |
CN110009475A (zh) * | 2019-02-12 | 2019-07-12 | 平安科技(深圳)有限公司 | 风险稽核监察方法、装置、计算机设备及存储介质 |
CN110009475B (zh) * | 2019-02-12 | 2023-11-03 | 平安科技(深圳)有限公司 | 风险稽核监察方法、装置、计算机设备及存储介质 |
CN110009225B (zh) * | 2019-04-03 | 2023-10-31 | 平安科技(深圳)有限公司 | 风险评估系统构建方法、装置、计算机设备和存储介质 |
CN110009225A (zh) * | 2019-04-03 | 2019-07-12 | 平安科技(深圳)有限公司 | 风险评估系统构建方法、装置、计算机设备和存储介质 |
CN110288457A (zh) * | 2019-04-09 | 2019-09-27 | 昆山古鳌电子机械有限公司 | 一种信用评价方法 |
CN110400219A (zh) * | 2019-06-14 | 2019-11-01 | 阿里巴巴集团控股有限公司 | 业务处理方法及系统、交易监控方法及系统 |
CN110400219B (zh) * | 2019-06-14 | 2024-05-17 | 创新先进技术有限公司 | 业务处理方法及系统、交易监控方法及系统 |
CN110322349A (zh) * | 2019-06-25 | 2019-10-11 | 阿里巴巴集团控股有限公司 | 一种数据的处理方法、装置及设备 |
CN110322349B (zh) * | 2019-06-25 | 2023-08-22 | 创新先进技术有限公司 | 一种数据的处理方法、装置及设备 |
CN110493190B (zh) * | 2019-07-15 | 2022-07-08 | 平安科技(深圳)有限公司 | 数据信息的处理方法、装置、计算机设备和存储介质 |
CN110493190A (zh) * | 2019-07-15 | 2019-11-22 | 平安科技(深圳)有限公司 | 数据信息的处理方法、装置、计算机设备和存储介质 |
CN110555759A (zh) * | 2019-07-31 | 2019-12-10 | 阿里巴巴集团控股有限公司 | 基于信用项目的风险防控方法以及装置 |
CN110659800A (zh) * | 2019-08-15 | 2020-01-07 | 平安科技(深圳)有限公司 | 风险监控处理方法、装置、计算机设备和存储介质 |
CN110502473A (zh) * | 2019-08-27 | 2019-11-26 | 许灵辉 | 一种征信文件自动化处理方法 |
CN111488170A (zh) * | 2020-04-07 | 2020-08-04 | 支付宝(杭州)信息技术有限公司 | 业务处理模型的更新方法、装置及设备 |
CN111563679A (zh) * | 2020-04-30 | 2020-08-21 | 支付宝(杭州)信息技术有限公司 | 数据处理方法以及装置 |
CN111768305A (zh) * | 2020-06-24 | 2020-10-13 | 中国工商银行股份有限公司 | 反洗钱识别方法及装置 |
CN111835622A (zh) * | 2020-07-10 | 2020-10-27 | 腾讯科技(深圳)有限公司 | 信息拦截方法、装置、计算机设备和存储介质 |
CN112105183B (zh) * | 2020-08-07 | 2022-12-13 | 致数信息科技(上海)有限公司 | 一种基于深度数据挖掘的电信客户融合信用评估系统 |
CN112105183A (zh) * | 2020-08-07 | 2020-12-18 | 致数信息科技(上海)有限公司 | 一种基于深度数据挖掘的电信客户融合信用评估系统 |
CN111967767A (zh) * | 2020-08-18 | 2020-11-20 | 支付宝(杭州)信息技术有限公司 | 一种业务风险识别方法、装置、设备及介质 |
CN112163859A (zh) * | 2020-09-17 | 2021-01-01 | 中国建设银行股份有限公司 | 金融租赁业务的风险提示方法、装置、介质及电子设备 |
CN112288279A (zh) * | 2020-10-30 | 2021-01-29 | 平安医疗健康管理股份有限公司 | 基于自然语言处理和线性回归的业务风险评估方法和装置 |
CN112465461A (zh) * | 2020-12-04 | 2021-03-09 | 金蝶云科技有限公司 | 业务对象信息变更方法、系统、计算机设备和存储介质 |
CN113282625B (zh) * | 2021-05-31 | 2022-10-04 | 重庆富民银行股份有限公司 | 一种基于sql的api数据查询和处理系统及方法 |
CN113282625A (zh) * | 2021-05-31 | 2021-08-20 | 重庆富民银行股份有限公司 | 一种基于sql的api数据查询和处理系统及方法 |
CN113344716A (zh) * | 2021-05-31 | 2021-09-03 | 北京顶象技术有限公司 | 对企业受益所有人洗钱风险的实时风控系统和风控方法 |
CN113592623A (zh) * | 2021-07-20 | 2021-11-02 | 浙江惠瀜网络科技有限公司 | 车贷贷前风险评估体系的构建方法和风险评估方法 |
CN114240059A (zh) * | 2021-11-22 | 2022-03-25 | 中国建设银行股份有限公司 | 资源在线申请处理方法、装置、计算机设备和存储介质 |
CN115759733A (zh) * | 2022-10-18 | 2023-03-07 | 广州越秀融资租赁有限公司 | 基于业务事件的用户违约风险确定方法、装置、介质及设备 |
CN115759733B (zh) * | 2022-10-18 | 2024-05-17 | 广州越秀融资租赁有限公司 | 基于业务事件的用户违约风险确定方法、装置、介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108876133B (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108876133A (zh) | 基于业务信息的风险评估处理方法、装置、服务器和介质 | |
CN109636607B (zh) | 基于模型部署的业务数据处理方法、装置和计算机设备 | |
CN108509485B (zh) | 数据的预处理方法、装置、计算机设备和存储介质 | |
CN109345374A (zh) | 风险控制方法、装置、计算机设备和存储介质 | |
BR112019025671A2 (pt) | sistema e método para conceder um empréstimo a um consumidor determinado como sendo um bom pagador | |
CN109087208B (zh) | 贷前数据处理方法、装置、计算机设备和存储介质 | |
CN108334625B (zh) | 用户信息的处理方法、装置、计算机设备和存储介质 | |
CN110619065A (zh) | 资源调度业务处理方法、装置、计算机设备和存储介质 | |
US20230093540A1 (en) | System and Method for Detecting Anomalous Activity Based on a Data Distribution | |
CN112288279A (zh) | 基于自然语言处理和线性回归的业务风险评估方法和装置 | |
Rajwani et al. | Regression analysis for ATM cash flow prediction | |
CN114186760A (zh) | 一种企业稳健运营的分析方法、系统及可读存储介质 | |
CN116385043A (zh) | 一种商机推荐方法、装置及电子设备 | |
US11601390B2 (en) | System and method for tagging data | |
CN112990989B (zh) | 价值预测模型输入数据生成方法、装置、设备和介质 | |
US11538116B2 (en) | Life event bank ledger | |
CN113919664A (zh) | Api资产风险控制方法、装置、计算机设备和存储介质 | |
US11694208B2 (en) | Self learning machine learning transaction scores adjustment via normalization thereof accounting for underlying transaction score bases relating to an occurrence of fraud in a transaction | |
US20220027916A1 (en) | Self Learning Machine Learning Pipeline for Enabling Binary Decision Making | |
CN114372862A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CA3131616A1 (en) | System and method for detecting anomalous activity based on a data distribution | |
Eneh et al. | ARTIFICIAL INTELLIGENCE AND FRAUD DETECTION OF DEPOSIT MONEY BANKS IN AWKA-SOUTH ANAMBRA STATE, NIGERIA | |
US11270230B1 (en) | Self learning machine learning transaction scores adjustment via normalization thereof | |
US20230376962A1 (en) | System and Method for Automated Feature Generation and Usage in Identity Decision Making | |
US20240127252A1 (en) | Risk insights utility for traditional finance and decentralized finance |
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 |