CN108876600B - 预警信息推送方法、装置、计算机设备和介质 - Google Patents

Abstract

本申请涉及一种基于大数据分析的预警信息推送方法、装置、计算机设备和存储介质。所述方法包括：获取目标客户的风险数据；对所述风险数据进行量化处理，得到多个风险指标；将所述风险指标输入预设的风险预测模型，得到第一风险评分；获取多种规则表达式，利用所述规则表达式对所述风险数据进行风险预测，得到第二风险评分；比较所述第一风险评分和所述第二风险评分，得到高评分值；根据所述高评分值生成预警提示，将所述预警提示推送至监控终端。采用本方法能够提高预警信息可靠性，降低风险漏报率。

Description

预警信息推送方法、装置、计算机设备和介质

技术领域

本申请涉及计算机技术领域，特别是涉及一种预警信息推送方法、装置、计算机设备和介质。

背景技术

为了规避风险，涉及贷款业务的金融机构需要在贷后对客户进行客户风险预警。客户风险预警是指通过现场检查或非现场检查等贷后检查运用定量和定性分析相结合的方法尽早发现贷款风险，并根据发现的贷款风险向业务人员推送预警信息。传统方式中，预警信息主要是由风险控制人员对客户进行风险跟踪，并基于跟踪过程了解到的客户相关信息以及既定判断规则对客户的信用风险状况判断得出。然而，不同客户具有不同的属性特征，针对全部客户统一采用既定规则进行风险判断，使得预警信息可靠性差，常出现风险漏报的现象。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高预警信息可靠性，降低风险漏报率的预警信息推送方法、装置、计算机设备和介质。

一种预警信息推送方法，所述方法包括：获取目标客户的风险数据；对所述风险数据进行量化处理，得到多个风险指标；将所述风险指标输入预设的风险预测模型，得到第一风险评分；获取多种规则表达式，利用所述规则表达式对所述风险数据进行风险预测，得到第二风险评分；比较所述第一风险评分和所述第二风险评分，得到高评分值；根据所述高评分值生成预警提示，将所述预警提示推送至监控终端。

在其中一个实施例中，所述将风险指标输入预设的风险预测模型之前，还包括：获取多个样本客户的样本风险数据；所述样本风险数据包括数据源类别；对所述样本风险数据进行预处理，得到多种目标风险指标；获取不同所述数据源类别分别对应的初始模型；对每种所述数据源类别对应的目标风险指标进行组合，得到每种数据源类别对应的多种指标集合；基于不同指标集合对所述初始模型进行训练，得到每种所述指标集合对应的中间模型，计算多种所述中间模型的预测准确率；将预测准确率最高的中间模型标记为相应数据源类别对应的目标模型；基于多个目标模型建立所述风险预测模型。

在其中一个实施例中，所述风险预测模型包括第一模型、第二模型或第三模型；所述将风险指标输入预测的风险预测模型，包括：通过所述第一模型将多个风险指标进行转换，得到稠密特征矩阵；计算所述稠密特征矩阵的数据缺失率，比较所述数据缺失率是否达到阈值；若是，通过所述第二模型基于所述稠密特征矩阵进行风险测算；否则，通过所述第三模型基于所述稠密特征矩阵进行风险测算。

在其中一个实施例中，所述规则表达式包括多种预警条件及每种预警条件对应的风险描述；所述利用所述规则表达式对所述风险数据进行风险预测，得到第二风险评分，包括：基于所述规则表达式在所述风险数据中提取关键数据；将所述关键数据与多种风险描述分别进行比对，判断所述风险数据是否满足预警条件；所述规则表达式还包括每种预警条件对应的单项评分；若是，则根据所述风险数据满足的多个预警条件分别对应的单项评分，计算所述风险数据对应的第二风险评分。

在其中一个实施例中，所述风险预测模型包括多种数据源类别对应的目标模型；所述根据所述高评分值生成预警提示，包括：当所述第一风险评分高于所述第二风险评分时，获取多个所述目标模型的输出分值，根据所述输出分值最高的目标模型对应的数据源类别确定所述客户标识对应的风险类型；当所述第二风险评分高于所述第一风险评分时，根据所述风险数据满足的规则表达式确定所述客户标识对应的风险类型；根据所述高评分值，确定对应的风险等级；根据所述风险类型及所述风险等级，获取对应的风控策略；基于所述风险类型、风险等级及所述风控策略生成所述预警提示。

在其中一个实施例中，所述基于所述风险类型、风险等级及所述风控策略生成所述预警提示，包括：根据所述风险类型及所述风险等级，获取对应的信息推送方案；获取与所述信息推送方案所对应的信息推送模板；将所述风险类型、风险等级及所述风控策略填充至所述信息推送模板，得到所述预警提示。

一种预警信息推送装置，所述装置包括：数据采集模块，用于获取目标客户的风险数据；风险预测模块，用于对所述风险数据进行量化处理，得到多个风险指标；将所述风险指标输入预设的风险预测模型，得到第一风险评分；获取多种规则表达式，利用所述规则表达式对所述风险数据进行风险预测，得到第二风险评分；风险预警模块，用于比较所述第一风险评分和所述第二风险评分，得到高评分值；根据所述高评分值生成预警提示，将所述预警提示推送至监控终端。

在其中一个实施例中，所述风险预测模型包括多种数据源类别对应的目标模型；所述风险预警模块还用于当所述第一风险评分高于所述第二风险评分时，获取多个所述目标模型的输出分值，根据所述输出分值最高的目标模型对应的数据源类别确定所述客户标识对应的风险类型；当所述第二风险评分高于所述第一风险评分时，根据所述风险数据满足的规则表达式确定所述客户标识对应的风险类型；根据所述高评分值，确定对应的风险等级；根据所述风险类型及所述风险等级，获取对应的风控策略；基于所述风险类型、风险等级及所述风控策略生成所述预警提示。

一种计算机设备，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本申请任意一个实施例中提供的预警信息推送方法的步骤。

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本申请任意一个实施例中提供的预警信息推送方法的步骤。

上述预警信息推送方法、装置、计算机设备和存储介质，根据目标客户的风险数据，可以采用两种方式进行风险预警；一种方式对所述风险数据进行量化处理，并将量化得到的多个风险指标输入预设的风险预测模型，可以得到第一风险评分；另一种方式利用预设的多种规则表达式对所述风险数据进行风险预测，可以得到第二风险评分；比较所述第一风险评分和所述第二风险评分，可以得到高评分值；根据所述高评分值，可以生成预警提示，进而将所述预警提示推送至监控终端。由于基于风险数据对目标客户从量化数值和业务规则两个层面分别进行风险预测，并将预测分值作为风险预警基准，可以减少风险事件漏报率，提高风险预警准确性。

附图说明

图1为一个实施例中预警信息推送方法的应用场景图；

图2为一个实施例中预警信息推送方法的流程示意图；

图3为一个实施例中预警提示生成步骤的流程示意图；

图4为一个实施例中预警信息推送装置的结构框图；

图5为一个实施例中计算机设备的内部结构图。

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。

本申请提供的预警信息推送方法，可以应用于如图1所示的应用环境中。其中，终端102与服务器104通过网络进行通信。其中，终端102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。当需要对目标客户进行风险预测时，用户可以通过终端102向服务器104发送风险预测请求。服务器104响应风险预测请求或者按照预设时间频率获取目标客户的风险数据，并对风险数据进行量化处理，得到多个风险指标。服务器104预设了两套预警推送体系进行风险预警。其中一种预警推送体系为风险预测模型，服务器104通过将大数据量化进行风险预测，得到第一风险评分。另外一种预警推送体系为无需对大数据量化的规则表达式。规则表达式包括多个风险关注点。规则表达式只需要根据风险关注点，从大量的风险数据中提取需要的部分数据，将提取的数据与相应规则进行对比，即可得到第二风险评分。服务器104从两套预警推送体系的输出中取高者进行推送，即基于第一风险评分和第二风险评分中的高分值生成预警提示，并将预警提示推送至监控终端。上述预警信息推送过程，采用两套预警推送体系对目标客户分别进行定量和定性分析，充分考虑不同客户的不同属性特征，避免采用不适用的单一预警推送体系造成风险漏报的概率，进而提高风险预警精度。

在一个实施例中，如图2所示，提供了一种预警信息推送方法，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，获取目标客户的风险数据。

目标客户财务指标的恶化、负面舆情的显著增加、欠税被处罚等，往往反映了其内部较为严重的问题，如管理上的欠缺、经营能力的不足等，在风险不断积聚之后，会导致其走向违约，因此需要对其风险数据及时监控。目标客户可以是企业，也可以是个人；可以是已有客户，也可以是潜在客户。风险数据是指能够表征目标客户发生违约行为可能性的数据，如信用记录、财务数据等。风险数据的数据类型包括但不限于图像、音频、文本和数字。

风险数据包括基础风险数据，如客户标识、信用数据、财务数据及银监数据等。基础风险数据属于行内数据，可以从指定的数据库直接拉取。例如，信用数据可以从中国人名银行征信中心对应的数据库中拉取；财务数据可以在财经网站对应的数据库中拉取；银监数据可以从银监会监管数据库中拉取。

除了基础风险数据，服务器还对目标客户的关联风险数据深入挖掘，如法律数据、工商数据、房地产数据、行业区域数据、海关数据等。具体的，服务器从目标客户在金融机构留存的身份信息中提取基础标识字段。基础标识字段可以是目标客户，以及目标客户的亲属或朋友(以下称“关联对象”)的身份识别字段。身份识别字段包括姓名、身份证号、手机号、邮箱账号、金融交易账号等。

不同互联网服务器上运行了不同互联网平台。目标客户在使用各类设备访问机构内外的互联网平台时，将在相应互联网服务器中留下访问数据。访问数据可以以日志或文件等的形式存储。互联网服务器可以是通讯运营商、互联网理财服务商(如银行)、资本市场行情提供商(如Wind，金融数据和分析工具服务商)、房产服务器提供商、海关服务提供商等用于业务处理的服务器。服务器根据目标客户的基础标识字段，生成数据提取请求，将数据提取请求发送至互联网服务器。

互联网服务器查找包含基础标识字段的访问文件，将查找到的访问文件返回至服务器。访问文件记录了目标客户的关联访问数据。服务器对访问文件进行解析，得到关联访问数据。关联访问数据是指目标客户基于移动终端、汽车、智能机器人、智能穿戴设备等发生的互联网访问行为(如注册行为、登录行为、浏览行为、查询行为等)的行为数据。关联访问数据包括静态访问数据和动态访问数据。其中，静态访问数据是指发生互联网访问行为时录入或用到的数据，如手机号、Mac地址、IP地址、设备指纹、身份信息、交易账号、登录信息、检索信息等。动态访问数据是指发生互联网访问行为时产生的数据，如资产管理理财记录、证券投资记录、资本市场行情交易记录、房产投资记录、海关运输记录、法律诉讼记录等。从不同渠道获取的风险数据具有不同的数据源类别，如财务数据对应的数据源类别可以是“财务”，法律数据对应的数据源类别可以是“法律”等。

步骤204，对风险数据进行量化处理，得到多个风险指标；将风险指标输入预设的风险预测模型，得到第一风险评分。

服务器预设了两套预警推送体系进行风险预警。其中一种预警推送体系为风险预测模型。服务器对风险数据清洗、提炼、量化或标准化等处理，得到多个风险指标，如资产增长率同步下降、毛利率同比下降等、目标客户近一年已结清不良贷款借据金额等。风险指标可以是指数指标、也可以是分数指标，还可以是衍生指标。其中，衍生指标可以是通过已知风险指标的逻辑运算得到，如与违约客户相似度，与违约客户距离等。

风险预测模型是基于多个样本客户的样本风险数据构建的机器学习模型。风险预测模型可以是逻辑回归模型，也可以是神经网络模型。风险预测模型包括基于样本风险数据筛选得到的预测能力强、相关性小的多个风险因子。风险预测模型用于根据目标客户的风险数据对目标客户的违约风险进行打分。违约风险是指目标客户发生延期还款、在贷款还款日之前失去还款能力等违约行为的可能性。

服务器基于风险预测模型从量化数值层面对目标客户进行风险预测分析。服务器根据风险预测模型中的风险因子，对提取得到的风险指标进行筛选，即从提取到大量风险指标中选取风险预测需要的那部分风险指标。服务器将筛选得到的风险指标输入风险预测模型，输出目标客户在未来指定时段内发生违约行为的概率值，并将概率值转换为第一风险评分。其中，概率值到第一风险评分的转化方式可以有多种，如预置多种概率值区间和风险评分的对应关系，或预置概率值到风险评分的转换因子等，对此不作限制。

步骤206，获取多种规则表达式，利用规则表达式对风险数据进行风险预测，得到第二风险评分。

在一个实施例中，规则表达式包括多种预警条件及每种预警条件对应的风险描述；利用规则表达式对风险数据进行风险预测，得到第二风险评分，包括：基于规则表达式在风险数据中提取关键数据；将关键数据与多种风险描述分别进行比对，判断风险数据是否满足预警条件；规则表达式还包括每种预警条件对应的单项评分；若是，则根据风险数据满足的多个预警条件分别对应的单项评分，计算风险数据对应的第二风险评分。

规则表达式包括多种预警条件及每种预警条件对应的风险描述。每个预警条件即为一个风险关注点。风险关注点可以是基于业务规定和要求确定，从而规则表达式是从业务规则层面对目标客户进行风险预测分析。服务器无需对风险数据量化，只需根据规则表达式中记录的风险描述从风险数据中提取相应的关键数据，将提取出的关键数据与相应预警条件对比，判断该关键数据是否达到预警条件。若某项关键数据达到预警条件，则服务器根据规则表达式中记录的单项评分获取该预警条件对应的单项评分。服务器对满足预警条件的多个关键数据分别对应的单项评分进行求和，得到第二风险评分。

步骤208，比较第一风险评分和第二风险评分，得到高评分值。

步骤210，根据高评分值生成预警提示，将预警提示推送至监控终端。

服务器比较高评分值是否达到阈值，若是，则生成预警提示，将预警提示推送至监控终端，以使监控终端及时对目标客户进行风险控制。

本实施例中，根据目标客户的风险数据，可以采用两种方式进行风险预警；一种方式对风险数据进行量化处理，并将量化得到的多个风险指标输入预设的风险预测模型，可以得到第一风险评分；另一种方式利用预设的多种规则表达式对风险数据进行风险预测，可以得到第二风险评分；比较第一风险评分和第二风险评分，可以得到高评分值；根据高评分值，可以生成预警提示，进而将预警提示推送至监控终端。由于基于风险数据对目标客户从量化数值和业务规则两个层面分别进行风险预测，并将预测分值高作为风险预警基准，可以减少风险事件漏报率，提高风险预警准确性。

在一个实施例中，将风险指标输入预设的风险预测模型之前，还包括：获取多个样本客户的样本风险数据；样本风险数据包括数据源类别；对样本风险数据进行预处理，得到多种目标风险指标；获取不同数据源类别分别对应的初始模型；对每种数据源类别对应的目标风险指标进行组合，得到每种数据源类别对应的多种指标集合；基于不同指标集合对初始模型进行训练，得到每种指标集合对应的中间模型，计算多种中间模型的预测准确率；将预测准确率最高的中间模型标记为相应数据源类别对应的目标模型；基于多个目标模型建立风险预测模型。

服务器按照上述方式从不同数据源获取多个样本客户的样本风险数据，并根据样本风险数据对每个样本客户进行类别标注，即确定样本客户对应的风险评分。服务器按照上述方式对样本风险数据进行预处理，得到每个样本客户对应的多个样本风险指标。从不同渠道获取的样本风险数据具有不同的数据源类别，如财务数据对应的数据源类别可以是“财务”，法律数据对应的数据源类别可以是“法律”等。根据相应样本风险数据对应的数据源，每个样本风险指标具有对应的数据源类别。

服务器获取多个样本客户对应的风险评分，根据风险评分统计分析得到每种样本风险指标的预测力参数。服务器计算多种样本风险指标之间的相关性参数。服务器根据预测力参数和相关性参数对多种样本风险指标进行筛选，得到每个行业标识对应的行业风险指标。

服务器构建每个行业标识对应的风险预测模型。每个风险预测模型包括多个数据源类别分别对应的目标模型。具体的，服务器获取不同数据源类别分别对应的初始模型，将同一行业标识相同数据源类别对应的多个行业风险指标逐一添加至相应数据源类别对应的初始模型。每新加入一个行业风险指标，服务器计算加入新的行业风险指标后的初始模型的预测准确率。预测准确率的计算方式可以是通过生成初始模型的ROC曲线(receiveroperating characteristic curve，受试者工作特征曲线)或混淆矩阵等，得到能够表征初始模型准确率的参数值，如AUC(Area Under Curve，ROC曲线下的面积)值、精确率率等。服务器比较预测准确率是否大于或等于阈值。若是，则保留新加入的行业风险指标；反之，剔除新加入的行业风险指标；如此重复，直至对应行业标识及数据源类别的全部行业风险指标均被识别是否保留。服务器根据保留的行业风险指标建立相应行业标识及数据源类别对应的目标模型。

在另一个实施例中，服务器对每种数据源类别对应的行业风险指标进行组合，得到每种数据源类别对应的多种指标集合；基于不同指标集合对初始模型进行训练，得到每种指标集合对应的中间模型，计算多种中间模型的预测准确率；将预测准确率最高的中间模型标记为相应数据源类别对应的目标模型；基于多个目标模型建立风险预测模型。指标集合中行业风险指标的数量不限，可以是一个，也可以是多个。不同指标集合中行业风险指标的数量可以不相同。服务器基于不同指标集合对初始模型进行训练。具体的，服务器获取多个数据源类别分别对应的初始模型。初始模型可以是线性回归模型。以其中一个数据源类别为例，服务器将对应的多种指标集合分别加入初始模型，得到每个初始模型对应的中间模型。服务器按照上述方式计算中间模型的预测准确率等。服务器筛选预测准确率最高的中间模型作为该数据源类别对应的目标模型。

服务器针对不同行业标识对应的多种数据源类别分别预设对应的预设权重。换言之，同一行业标识对应的不同数据源类别的目标模型分别具有不同的预设权重；不同行业标识对应的同一数据源类别的目标模型具有不同的预设权重。例如，行业M对应的“征信”目标模型A1、“财务”目标模型B1、“法律”目标模型C1、“工商”目标模型D1、“房地产”目标模型E1、“海关”目标模型F1的预设权重可以依次为0.2、0.2、0.1、0.1、0.3、0.1；行业N对应的“征信”目标模型A2、“财务”目标模型B2、“法律”目标模型C2、“工商”目标模型D2、“房地产”目标模型E2、“海关”目标模型F2的预设权重可以依次为0.2、0.1、0.4、0.1、0.1、0.1。以其中一个行业为例，服务器基于逻辑回归算法，利用该行业标识对应的多种数据源类别的目标模型和预设权重，构建相应的风险预测模型。

本实施例中，基于目标客户多种数据源的样本风险数据构建风险预测模型，使得风险预测模型可以综合衡量多个风险因素，提高风险预警准确性；充分考虑不同行业客户的不同属性特征，对客户行业进行区分，基于不同行业设置不同的风险预测模型，进一步提高风险预警精确性。

在一个实施例中，在多个样本风险指标中筛选每个行业标识对应的行业风险指标，包括：获取多个样本客户对应的风险评分；根据风险评分，统计分析得到每种样本风险指标的预测力参数；计算多种样本风险指标之间的相关性参数；根据预测力参数、相关性参数及数据源类别，对多种样本风险指标进行筛选，得到目标风险指标；在多个目标风险指标中筛选每个行业标识对应的行业风险指标。

服务器基于风险评分将样本客户区分为“好样本”和“坏样本”。服务器将每种样本风险指标对应的多种样本风险值划定不同的样本风险区间，针对每种样本风险指标进行单一变量分析，统计不同样本风险指标区间对应的好样本概率和坏样本概率。容易理解，同一样本风险指标区间对应的好样本概率与坏样本概率的和值为1。通过将好样本概率与坏样本概率进行差值运算及对数运算，并将差值运算结果与对数运算结果进行乘积运算，得到相应风险指标区间的预测力子参数。服务器将样本风险指标对应多个样本风险指标区间的预测力子参数进行求和运算，即可得到该样本风险指标对应的预测力参数。服务器计算任意两个样本风险指标之间的相关性参数。相关性参数可以是皮尔逊相关系数，距离相关性系数等。

若两个样本风险指标的相关性参数超过阈值，服务器将两个样本风险指标分别标记为目标风险指标进行保留。若两个样本风险指标的相关性参数超过阈值，服务器识别预测力参数低的样本风险指标对应的数据源类别是否有其他样本风险指标被保留。若是，服务器保留两个样本风险指标中预测力参数高的样本风险指标，即将预测力参数高的样本风险指标标记为目标风险指标。否则，服务器将两个样本风险指标均保留，以涉及尽可能多的数据源类别。

服务器从多个目标风险指标中分别筛选每个行业标识对应的风险指标，记作行业风险指标。不同行业的客户具有不同属性特征，采用不同的目标风险指标构建适用于不同行业的风险预测模型，从而可以对不同行业的客户进行风险预测时侧重考虑不同的风险因素。本实施例中，对多种样本风险指标进行筛选，采用预测力强、相关性弱、且涉及多种数据源类别的样本风险指标构建风险预测模型，可以提高风险预测精度。

在一个实施例中，风险预测模型包括第一模型、第二模型或第三模型；将风险指标输入预测的风险预测模型，包括：通过第一模型将多个风险指标进行转换，得到稠密特征矩阵；计算稠密特征矩阵的数据缺失率，比较数据缺失率是否达到阈值；若是，通过第二模型基于稠密特征矩阵进行风险测算；否则，通过第三模型基于稠密特征矩阵进行风险测算。

风险预测模型包括第一模型、第二模型和第三模型。第一模型包括卷积层、池化层和全连接层。服务器获取目标客户在多个时间节点的风险数据。服务器将多个时间节点及每个时间节点对应的风险指标输入卷积层，得到第一特征矩阵。第一特征矩阵包括多个向量。服务器将第一特征矩阵输入池化层，池化层用于将第一特征矩阵中每个向量中最大的权重进行投影得到第二特征矩阵。服务器将第二特征矩阵输入全连接层，得到稠密特征矩阵。稠密特征矩阵为包括多个风险指标对应向量值的多维向量矩阵。

稠密特征矩阵包括多个风险指标。服务器统计稠密特征矩阵中具有对应风险指标值的风险指标的数量，记作样本数量。服务器统计风险指标的数量，记作总体数量。服务器获取预设公式，将样本数量和总体数量输入预设公式计算得到稠密特征矩阵的数据缺失率。预设公式可以是：数据缺失率＝(总体数量-样本数量)/总体数量。

不同模型对数据完整度要求不同，本实施例根据数据缺失率从第二模型和第三模型动态选择一种模型进行风险预测，可以提高风险预测精度。具体的，服务器比较数据缺失率是否达到阈值；若是，通过第二模型基于稠密特征矩阵进行风险测算；否则，通过第三模型基于稠密特征矩阵进行风险测算。

第二模型采用循环神经网络模型训练得到，包括输入层、输出层以及连接在输入层和输出层之间的多个隐层。每一层包括多个神经元节点。当通过第二模型基于稠密特征矩阵进行风险测算时，服务器根据稠密特征矩阵得到输入层节点序列；对输入层节点序列进行投影，得到第一隐层对应的隐层节点序列，将第一隐层作为当前处理隐层；获取当前处理隐层对应各个神经元节点的权重和上一时刻当前处理隐层的输出；根据当前处理隐层对应的各个神经元节点的权重和上一时刻当前处理隐层的输出，采用非线性映射得到下一隐层的隐层节点序列；将下一隐层作为当前处理隐层进行迭代，直至输出层；获取输出层输出的目标客户对应的风险评分。

第三模型采用深度神经网络模型训练得到，包括输入层、输出层以及连接在输入层和输出层之间的多个隐层。每一层包括多个神经元节点。当通过第三模型基于稠密特征矩阵进行风险测算时，服务器根据稠密特征矩阵得到输入层节点序列；对输入层节点序列进行投影，得到第一隐层对应的隐层节点序列，将第一隐层作为当前处理隐层；获取当前处理隐层对应各个神经元节点的权重和偏差；根据当前处理隐层对应的各个神经元节点的权重和偏差，采用非线性映射得到下一隐层的隐层节点序列；将下一隐层作为当前处理隐层进行迭代，直至输出层；获取输出层输出的目标客户对应的风险评分。

本实施例中，自动采集并处理风险数据，可以提高风险预测效率；基于第一模型、第二模型或第三模型对风险数据隐藏的潜在价值信息进行挖掘，可以综合考虑多种风险因素，并从而能够风险预警效率及准确率。

在一个实施例中，风险预测模型包括多种数据源类别对应的目标模型。如图3所示，根据高评分值生成预警提示，即预警提示生成的步骤，包括：

步骤302，当第一风险评分高于第二风险评分时，获取多个目标模型的输出分值，根据输出分值最高的目标模型对应的数据源类别确定客户标识对应的风险类型。

步骤304，当第二风险评分高于第一风险评分时，根据风险数据满足的规则表达式确定客户标识对应的风险类型。

步骤306，根据高评分值，确定对应的风险等级。

步骤308，根据风险类型及风险等级，获取对应的风控策略。

步骤310，基于风险类型、风险等级及风控策略生成预警提示。

服务器根据两套风险预警体系得到的风险评分，确定目标客户对应的风险类型。风险类型可以是财务风险、信用风险、诉讼风险等。容易理解，风险类型可以基于风险最大的数据源类别确定。当第一风险评分高于第二风险评分时，服务器基于风险预测模型确定目标客户对应的风险类型。具体的，风险预测模型包括多个数据源类别对应的目标模型。服务器将风险指标输入风险预测模型后，每个目标模型具有对应的输出分值。服务器根据输出分值最高的目标模型对应的数据源类别，确定目标客户的风险类型。当第二风险评分高于第一风险评分时，服务器基于规则表达式确定目标客户对应的风险类型。具体的，每种规则表达式关联有对应的风险类型。服务器根据风险数据满足的每种规则表达式对应风险类型，将出现次数最多的风险类型确定为目标客户对应的风险类型。

服务器预设了多种风险评分区间与风险等级的对应关系，基于这种对应关系，服务器将第一风险评分与第二风险评分中的高评分值转化为风险等级。服务器预设了风险类型和风险等级的多种风险组合，以及每种风险组合对应的风控策略。服务器根据目标客户的风险类型和风险等级，获取对应的风控策略，并基于风险类型、风险等级及风控策略生成预警提示。

本实施例中，基于风险类型、风险等级及风控策略多个维度信息生成预警提示，使得监控终端不仅及时了解风险的紧急程度，还可以及时获取应对策略，进而快速且有针对性的对目标客户展开风险控制，提高风险控制效率。

在一个实施例中，基于风险类型、风险等级及风控策略生成预警提示，包括：根据风险类型及风险等级，获取对应的信息推送方案；获取与信息推送方案所对应的信息推送模板；将风险类型、风险等级及风控策略填充至信息推送模板，得到预警提示。

不同风险类型及风险等级的预警提示，采用不同的信息推送方案。信息推送方案用于指定信息推送方式和信息接收方等。其中，信息推送方式可以是邮件、短信、音频广播等，信息接收方可以包括与目标客户相关的业务员和/或业务经理等。每种信息推送方案具有对应的信息推送模板。

本实施例中，不同风险类型及风险等级的预警提示，采用不同的信息推送方案，可以提高预警信息推送及时性和成功率。

应该理解的是，虽然图2和图3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和图3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4所示，提供了一种预警信息推送装置，包括：数据采集模块402、风险预测模块404和风险预警模块406，其中：

数据采集模块402，用于获取目标客户的风险数据；

风险预测模块404，用于对风险数据进行量化处理，得到多个风险指标；将风险指标输入预设的风险预测模型，得到第一风险评分；获取多种规则表达式，利用规则表达式对风险数据进行风险预测，得到第二风险评分。

风险预警模块406，用于比较第一风险评分和第二风险评分，得到高评分值；根据高评分值生成预警提示，将预警提示推送至监控终端。

在一个实施例中，风险预测模块404还用于获取多个样本客户的样本风险数据；样本风险数据包括数据源类别；对样本风险数据进行预处理，得到多种目标风险指标；获取不同数据源类别分别对应的初始模型；对每种数据源类别对应的目标风险指标进行组合，得到每种数据源类别对应的多种指标集合；基于不同指标集合对初始模型进行训练，得到每种指标集合对应的中间模型，计算多种中间模型的预测准确率；将预测准确率最高的中间模型标记为相应数据源类别对应的目标模型；基于多个目标模型建立风险预测模型。

在一个实施例中，风险预测模型包括第一模型、第二模型或第三模型；风险预测模块404还用于通过第一模型将多个风险指标进行转换，得到稠密特征矩阵；计算稠密特征矩阵的数据缺失率，比较数据缺失率是否达到阈值；若是，通过第二模型基于稠密特征矩阵进行风险测算；否则，通过第三模型基于稠密特征矩阵进行风险测算。

在一个实施例中，规则表达式包括多种预警条件及每种预警条件对应的风险描述；风险预测模块404还用于基于规则表达式在风险数据中提取关键数据；将关键数据与多种风险描述分别进行比对，判断风险数据是否满足预警条件；规则表达式还包括每种预警条件对应的单项评分；若是，则根据风险数据满足的多个预警条件分别对应的单项评分，计算风险数据对应的第二风险评分。

在一个实施例中，风险预测模型包括多种数据源类别对应的目标模型；风险预警模块406还用于当第一风险评分高于第二风险评分时，获取多个目标模型的输出分值，根据输出分值最高的目标模型对应的数据源类别确定客户标识对应的风险类型；当第二风险评分高于第一风险评分时，根据风险数据满足的规则表达式确定客户标识对应的风险类型；根据高评分值，确定对应的风险等级；根据风险类型及风险等级，获取对应的风控策略；基于风险类型、风险等级及风控策略生成预警提示。

在一个实施例中，风险预警模块406还用于根据风险类型及风险等级，获取对应的信息推送方案；获取与信息推送方案所对应的信息推送模板；将风险类型、风险等级及风控策略填充至信息推送模板，得到预警提示。

关于预警信息推送装置的具体限定可以参见上文中对于预警信息推送方法的限定，在此不再赘述。上述预警信息推送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，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5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风险数据、风险预测模型和规则表达式等。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预警信息推送方法。

本领域技术人员可以理解，图5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。

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本申请任意一个实施例中提供的预警信息推送方法的步骤。

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，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)

1.一种预警信息推送方法，所述方法包括：

获取多个样本客户的样本风险数据；所述样本风险数据包括数据源类别；

对所述样本风险数据进行预处理，得到多种目标风险指标；

获取不同所述数据源类别分别对应的初始模型；

对每种所述数据源类别对应的目标风险指标进行组合，得到每种数据源类别对应的多种指标集合；

基于不同指标集合对所述初始模型进行训练，得到每种所述指标集合对应的中间模型，计算多种所述中间模型的预测准确率；

将预测准确率最高的中间模型标记为相应数据源类别对应的目标模型；

基于多个目标模型建立风险预测模型；所述风险预测模型包括第一模型、第二模型和第三模型；所述第二模型采用循环神经网络模型训练得到；所述第三模型采用深度神经网络模型训练得到；

获取目标客户的风险数据；所述风险数据包括基础风险数据；所述基础风险数据包括客户标识、信用数据、财务数据及银监数据中至少一种；

对所述风险数据进行量化处理，得到多个风险指标；

通过所述第一模型将多个风险指标进行转换，得到稠密特征矩阵；

计算所述稠密特征矩阵的数据缺失率，比较所述数据缺失率是否达到阈值；

若是，通过所述第二模型基于所述稠密特征矩阵进行风险测算，得到第一风险评分；

若否，通过所述第三模型基于所述稠密特征矩阵进行风险测算，得到第一风险评分；

获取多种规则表达式，利用所述规则表达式对所述风险数据进行风险预测，得到第二风险评分；

比较所述第一风险评分和所述第二风险评分，得到高评分值；

根据所述高评分值生成预警提示，将所述预警提示推送至监控终端。

2.根据权利要求1所述的方法，其特征在于，所述风险数据还包括关联风险数据。

3.根据权利要求1所述的方法，其特征在于，所述规则表达式包括多种预警条件及每种预警条件对应的风险描述。

4.根据权利要求1所述的方法，其特征在于，所述规则表达式包括多种预警条件及每种预警条件对应的风险描述；所述利用所述规则表达式对所述风险数据进行风险预测，得到第二风险评分，包括：

基于所述规则表达式在所述风险数据中提取关键数据；

将所述关键数据与多种风险描述分别进行比对，判断所述风险数据是否满足预警条件；所述规则表达式还包括每种预警条件对应的单项评分；

若是，则根据所述风险数据满足的多个预警条件分别对应的单项评分，计算所述风险数据对应的第二风险评分。

5.根据权利要求1所述的方法，其特征在于，所述风险预测模型包括多种数据源类别对应的目标模型；所述根据所述高评分值生成预警提示，包括：

当所述第一风险评分高于所述第二风险评分时，获取多个所述目标模型的输出分值，根据所述输出分值最高的目标模型对应的数据源类别确定所述客户标识对应的风险类型；

当所述第二风险评分高于所述第一风险评分时，根据所述风险数据满足的规则表达式确定所述客户标识对应的风险类型；

根据所述高评分值，确定对应的风险等级；

根据所述风险类型及所述风险等级，获取对应的风控策略；

基于所述风险类型、风险等级及所述风控策略生成所述预警提示。

6.根据权利要求5所述的方法，其特征在于，所述基于所述风险类型、风险等级及所述风控策略生成所述预警提示，包括：

根据所述风险类型及所述风险等级，获取对应的信息推送方案；

获取与所述信息推送方案所对应的信息推送模板；

将所述风险类型、风险等级及所述风控策略填充至所述信息推送模板，得到所述预警提示。

7.一种预警信息推送装置，其特征在于，所述装置包括：

风险预测模块，用于获取多个样本客户的样本风险数据；所述样本风险数据包括数据源类别；对所述样本风险数据进行预处理，得到多种目标风险指标；获取不同所述数据源类别分别对应的初始模型；对每种所述数据源类别对应的目标风险指标进行组合，得到每种数据源类别对应的多种指标集合；基于不同指标集合对所述初始模型进行训练，得到每种所述指标集合对应的中间模型，计算多种所述中间模型的预测准确率；将预测准确率最高的中间模型标记为相应数据源类别对应的目标模型；基于多个目标模型建立风险预测模型；所述风险预测模型包括第一模型、第二模型和第三模型；所述第二模型采用循环神经网络模型训练得到；所述第三模型采用深度神经网络模型训练得到；

数据采集模块，用于获取目标客户的风险数据；所述风险数据包括基础风险数据；所述基础风险数据包括客户标识、信用数据、财务数据及银监数据中至少一种；

风险预测模块还用于对所述风险数据进行量化处理，得到多个风险指标；通过所述第一模型将多个风险指标进行转换，得到稠密特征矩阵；计算所述稠密特征矩阵的数据缺失率，比较所述数据缺失率是否达到阈值；若是，通过所述第二模型基于所述稠密特征矩阵进行风险测算，得到第一风险评分；若否，通过所述第三模型基于所述稠密特征矩阵进行风险测算，得到第一风险评分；获取多种规则表达式，利用所述规则表达式对所述风险数据进行风险预测，得到第二风险评分；

风险预警模块，用于比较所述第一风险评分和所述第二风险评分，得到高评分值；根据所述高评分值生成预警提示，将所述预警提示推送至监控终端。

8.根据权利要求7所述的装置，其特征在于，所述风险预测模型包括多种数据源类别对应的目标模型；所述风险预警模块还用于当所述第一风险评分高于所述第二风险评分时，获取多个所述目标模型的输出分值，根据所述输出分值最高的目标模型对应的数据源类别确定所述客户标识对应的风险类型；当所述第二风险评分高于所述第一风险评分时，根据所述风险数据满足的规则表达式确定所述客户标识对应的风险类型；根据所述高评分值，确定对应的风险等级；根据所述风险类型及所述风险等级，获取对应的风控策略；基于所述风险类型、风险等级及所述风控策略生成所述预警提示。

9.一种计算机设备，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。