CN108898308A - 风险评估方法、装置、服务器及可读存储介质 - Google Patents

风险评估方法、装置、服务器及可读存储介质 Download PDF

Info

Publication number
CN108898308A
CN108898308A CN201810682207.XA CN201810682207A CN108898308A CN 108898308 A CN108898308 A CN 108898308A CN 201810682207 A CN201810682207 A CN 201810682207A CN 108898308 A CN108898308 A CN 108898308A
Authority
CN
China
Prior art keywords
risk
risk factor
score
vector
target user
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
Application number
CN201810682207.XA
Other languages
English (en)
Inventor
杨利民
赵志松
朱敬根
王赟
宋亦非
王瑞
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.)
China Construction Bank Corp
Original Assignee
China Construction Bank Corp
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 China Construction Bank Corp filed Critical China Construction Bank Corp
Priority to CN201810682207.XA priority Critical patent/CN108898308A/zh
Publication of CN108898308A publication Critical patent/CN108898308A/zh
Pending legal-status Critical Current

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)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明实施例提出了一种风险评估方法、装置、服务器及可读存储介质，涉及网络金融防控技术领域，该方法包括：确定出目标用户的多个风险因子，以获得目标用户的风险因子向量，其中，风险因子向量由多个风险因子组成；计算风险因子向量对应的第一风险评分，其中，第一风险评分表征风险因子向量中多个风险因子按照各自的权重值计算出的评分；计算风险因子向量对应的第二风险评分，其中，第二风险评分表征风险因子向量中多个风险因子按照各自的支持度值计算出的评分；以第一风险评分和第二风险评分之和作为目标用户的目标风险评分。本发明实施例所提供的一种风险评估方法、装置、服务器及可读存储介质，能够提升未知风险的识别率。

Description

风险评估方法、装置、服务器及可读存储介质
技术领域
本发明涉及网络金融防控技术领域，具体而言，涉及一种风险评估方法、装置、服务器及可读存储介质。
背景技术
当前网络科技迅猛发展，网络欺诈风险也随之愈演愈烈，给国家和人民带来了巨大损失。许多银行及机构为应对日益猖獗的电信诈骗、网络欺诈等风险，建立了专门防范欺诈风险的侦测引擎，对交易风险进行识别及控制。该种风险侦测引擎主要是根据已知的风险案例，分析其交易特征并部署针对性的监控规则，从而识别该类风险交易，并拦截其后续发生。
然而，传统风险防控方法主要基于已知风险的识别及管控后续交易。
发明内容
本发明的目的在于提供一种风险评估方法、装置、服务器及可读存储介质，能够提升未知风险的识别率。
为了实现上述目的，本发明实施例采用的技术方案如下：
第一方面，本发明实施例提供了一种风险评估方法，所述方法包括：确定出目标用户的多个风险因子，以获得所述目标用户的风险因子向量，其中，所述风险因子向量由所述多个风险因子组成；计算所述风险因子向量对应的第一风险评分，其中，所述第一风险评分表征所述风险因子向量中多个风险因子按照各自的权重值计算出的评分；计算所述风险因子向量对应的第二风险评分，其中，所述第二风险评分表征所述风险因子向量中多个风险因子按照各自的支持度值计算出的评分；以所述第一风险评分和所述第二风险评分之和作为所述目标用户的目标风险评分。
第二方面，本发明实施例提供了一种风险评估装置，所述装置包括：风险因子向量生成模块，用于确定出目标用户的多个风险因子，以获得所述目标用户的风险因子向量，其中，所述风险因子向量由所述多个风险因子组成；第一风险评分计算模块，用于计算所述风险因子向量对应的第一风险评分，其中，所述第一风险评分表征所述风险因子向量中多个风险因子按照各自的权重值计算出的评分；第二风险评分计算模块，用于计算所述风险因子向量对应的第二风险评分，其中，所述第二风险评分表征所述风险因子向量中多个风险因子按照各自的支持度值计算出的评分；目标风险评分生成模块，用于以所述第一风险评分和所述第二风险评分之和作为所述目标用户的目标风险评分。
第三方面，本发明实施例提供了一种服务器，所述服务器包括存储器，用于存储一个或多个程序；处理器。当所述一个或多个程序被所述处理器执行时，实现上述的风险评估方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的风险评估方法。
相对于现有技术，本发明实施例所提供的一种风险评估方法、装置、服务器及可读存储介质，通过依据目标用户的多个风险因子，在计算得到第一风险评分和第二风险评分后，以第一风险评分和第二风险评分之和作为该目标用户的目标风险评分，相较于现有技术，能够在没有预定义特定风险类型监控规则的情况下，评估当前目标用户的风险行为，进而提升未知风险的识别率。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其它相关的附图。
图1示出了本发明实施例所提供的一种风险评估方法的一种示意性应用场景图；
图2示出了本发明实施例所提供的一种服务器的一种示意性结构图；
图3示出了本发明实施例所提供的一种风险评估方法的一种示意性流程图；
图4示出了一种风险因子认定示意图；
图5为图3中步骤S100的子步骤的一种示意性流程图；
图6为图3中步骤S200的子步骤的一种示意性流程图；
图7为图3中步骤S300的子步骤的一种示意性流程图；
图8为图7中子步骤S310的子步骤的一种示意性流程图；
图9示出了本发明实施例所提供的一种风险评估装置的一种示意性结构图；
图10示出了本发明实施例所提供的一种风险评估装置的风险因子向量生成模块的一种示意性结构图；
图11示出了本发明实施例所提供的一种风险评估装置的第一风险评分计算模块的一种示意性结构图；
图12示出了本发明实施例所提供的一种风险评估装置的第二风险评分计算模块的一种示意性结构图；
图13示出了本发明实施例所提供的一种风险评估装置的支持度向量确定单元的一种示意性结构图。
图中：10-服务器；20-风险评估装置；30-用户终端；110-存储器；120-通信接口；130-处理器；200-风险因子向量生成模块；210-风险因子统计单元；220-风险因子向量生成单元；230-历史风险因子向量统计单元；240-风险因子向量更新单元；300-第一风险评分计算模块；310-风险因子权重向量确定单元；320-第一风险评分生成单元；400-第二风险评分计算模块；410-支持度集确定单元；411-频繁项集确定子单元；412-支持度集确定子单元；420-下级评分生成单元；430-第二风险评分生成单元；500-目标风险评分生成模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物品或者设备所固有的要素。在没有更多限制的情况下，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、物品或者设备中还存在另外的相同要素。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
下面结合附图，对本发明的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
现有技术所提供的风险监控规则，都是采用预定义的方式进行监控，往往只能够监控特定类型的风险行为，然而只要该风险行为中某一环节稍微发生变化，该风险行为便不能被识别。例如风险行为A与B，各自包含风险因子A1、A2、A3和B1、B2、B3，通过配置相应的风险监控规则可分别识别出风险类型A与B，然而当出现新风险C时，其所包含的风险因子为A1、A2及B3，那么预定义的监控规则便不能主动识别出风险C。
基于上述现有技术中的缺陷，发明人于本发明实施例中提出的一种解决方式为：据目标用户的多个风险因子，在计算得到第一风险评分和第二风险评分后，以第一风险评分和第二风险评分之和作为该目标用户的目标风险评分。
请参阅图1，图1示出了本发明实施例所提供的一种风险评估方法的一种示意性应用场景图，在本发明实施例中，用户终端30、服务器10位于无线网络或有线网络中，通过该无线网络或有线网络，用户终端30与服务器10进行数据交互。
在本发明实施例中，用户终端30可以是智能手机、个人电脑、平板电脑、ATM(Automated Teller Machine，自动取款机)、CRS(Cash Recycling System，自动存取款机)等设备，也可以是POS机(point of sales terminal，销售点情报管理系统)、柜员电脑等设备。
本发明实施例中提供的一种风险评估方法，该风险评估方法可适用于服务器10。在本发明实施例中，该服务器10安装有应用程序，与用户终端30相对应，为用户提供服务，该风险评估方法可通过该服务器10中安装的应用程序实现。
具体地，请参阅图2，图2示出了本发明实施例所提供的一种服务器10的一种示意性结构图，在本发明实施例中，所述服务器10可以是，但不限于个人电脑(personalcomputer，PC)、平板电脑、膝上型便携计算机、车载电脑、个人数字助理(personal digitalassistant，PDA)等等。所述服务器10包括风险评估装置20、存储器110、通信接口120及处理器130。
所述存储器110、通信接口120及处理器130各元件相互之间可以直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述风险评估装置20包括至少一个可以以软件或固件(firmware)的形式存储于所述存储器110中或固化在所述服务器10的操作系统(operating system，OS)中的软件功能模块。所述处理器130可以用于执行所述存储器110中存储的一个或多个程序，例如所述风险评估装置20包括的软件功能模块或计算机程序，以实现本发明实施例所提供的风险评估方法。
其中，所述存储器110可以是，但不限于，随机存取存储器(Random AccessMemory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(ProgrammableRead-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM)等。其中，所述存储器110可以用于存储一个或多个程序，所述处理器130可以在接收到执行指令后，执行所述一个或多个程序，以实现本发明实施例所提供的一种风险评估方法。本发明任一实施例揭示的流程定义的服务器10所执行的方法可以应用于处理器130中，或者由处理器130实现。
所述通信接口120可以用于将该服务器10与其他节点或设备进行信令或数据通讯。
处理器130可以是一种集成电路芯片，具有信号处理能力。上述的处理器130可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)、语音处理器以及视频处理器等；还可以是数字信号处理器、专用集成电路、现场可编程门阵列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发明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130也可以是任何常规的处理器等。
具体地，请参阅图3，图3示出了本发明实施例所提供的一种风险评估方法的一种示意性流程图，在本发明实施例中，该风险评估方法包括以下步骤：
步骤S100，确定出目标用户的多个风险因子，以获得目标用户的风险因子向量。
在例如上述现有技术的风险监控规则中，可以理解，每个风险行为包括多个风险因子，当目标用户在用户终端30进行操作时，对该目标用户的具体的行为进行风险评估时，先确定出目标用户的多个风险因子，以获得目标用户的风险因子向量，其中，该风险因子向量即由多个风险因子组成。
其中，每个风险因子包括场景要素和风险要素，一个确定的场景要素与一个确定的风险要素即构成一个确定的风险因子。例如，请参阅图4，图4示出了一种风险因子认定示意图，假定当前目标用户的场景要素和风险要素分别为“跨行加急”和“连续多笔”，那么此时“跨行加急”和“连续多笔”即构成一个确定的风险因子F1；另外，场景要素“跨行加急”与风险要素“接近限额”又构成另一个确定的风险因子F2。而此时，风险因子F1与风险因子F2即构成风险因子向量F。
风险因子能够反映特定场景下的细小的风险要素，比如风险要素为高风险IP，场景要素为网银登陆时，则该风险因子为高风险IP登陆网上银行。
具体地，作为一种实施方式，请参阅图5，图5为图3中步骤S100的子步骤的一种示意性流程图，在本发明实施例中，步骤S100包括以下子步骤：
子步骤S110，依据目标用户的至少一个场景要素和多个风险要素，在预设的数据库中确定出目标用户的多个风险因子。
场景要素为目标用户使用银行的业务所涉及的具体动作，而在一个确定的场景要素下，可能会涉及到多个风险要素与该场景用户所对应。例如在如图4所示的风险因子认定示意图中，在一个确定的场景要素“网银支付”中，可能会涉及到多个风险要素与该场景要素，例如“信用卡账户”、“接近限额”“短时间两笔登陆地异地”等。也就是说，虽然目标用户仅仅是在一个场景要素下作了一个操作“网银支付”，但是由于其所使用的账户、支付金额以及登陆地址等的差异，在一个场景要素下也就可能对应有多个风险要素。而且预设的数据库中，预定义有风险因子的认证组合，当场景要素与相应的风险要素的组合存在于该预设的数据库中，其组合即可被认证为风险因子。例如上述的“网银支付”与“接近限额”的组合存在于该预设的数据库中，则“网银支付”和“接近限额”即可被认证为风险因子；而若是“网银支付”和“信用卡账户”的组合不存在于该预设的数据库中，则“网银支付”和“信用卡账户”的组合不被认证为风险因子。
同时，由于场景要素也可能为多个，例如，在如图4所示的风险因子认证示意图中，上述的“网银支付”还可以是在“跨行加急”的场景要素下产生的。因此，在目标用户的一个具体的行为中，其至少包括有一个场景要素。而在该至少一个场景要素下，对应有多个风险要素，依据该至少一个场景要素和多个风险要素，即可在预设的数据库中确定出目标用户的多个风险因子。
子步骤S120，以多个风险因子，生成风险因子向量。
在确定出目标用户的多个风险因子后，即根据所确定出的多个风险因子，生成相应的风险因子向量。
当目标用户在单个场景要素下，相应的风险要素可能没有明显的体现或者说相应的风险要素很少，此时所能确定出的风险因子的数量相应的也较少，此时对于该目标用户的风险评估即可能不够精确。例如对于同一个目标用户，可能其仅仅是换了一台ATM机进行操作，此时其风险因子的数量就会比较少。因此，作为一种实施方式，请继续参阅图5，在本发明实施例中，步骤S100还可以包括以下子步骤：
子步骤S130，在预设的数据库中，确定出目标用户所对应的历史风险因子向量。
基于上述在单个场景要素下对目标用户的风险评估不够精确的缺陷，在本发明实施例中，服务器10还在预设的数据库中，确定出该目标用户所对应的历史风险因子向量，其中，该历史风险因子向量为服务器10在该预设的数据库中存储的之前对于该目标用户进行风险评估时所使用的风险因子向量。
并且，作为一种实施方式，由于单个目标用户可能存在多个历史风险因子向量，因此服务器10在确定该目标用户所对应的历史风险因子向量时，可以选择以就近的时间节点为标准，选择预设时间所存储的历史风险因子向量，例如，选择最近的一周内的历史风险因子向量或者说选择最近的一个月内的历史风险因子向量。还可以通过设置场景因素之间的关联度，选择与当前的风险因子向量的场景因素最相关联的历史风险因子向量来作为服务器10所确定出的历史风险因子向量。
子步骤S140，以历史风险因子向量更新风险因子向量。
在根据子步骤S130确定出该目标用户所对应的历史风险因子向量后，即以该历史风险因子向量，更新上述的风险因子向量。
其中，作为一种实施方式，可以采用将该历史风险因子向量与上述的风险因子向量之和作为新的风险因子向量，以更新上述的风险因子向量。作为另一种实施方式，还可以采用以历史风险因子向量中各个风险要素出现的次数，确定出上述的风险因子向量的权值参数，并以该权值参数更新上述的风险因子向量，其中，该权值参数大于或等于1。
并且，作为一种实施方式，当以历史风险因子向量更新风险因子向量后，将更新后的风险因子向量存储到预设的数据库中。
值得说明的是，子步骤S110、子步骤S120及子步骤S130之间的先后执行关系可以是先执行子步骤S110和子步骤S120后再执行子步骤S130，也可以是先执行子步骤S130后再依次执行子步骤S110和子步骤S120，还可以是先执行子步骤S110后，再依次执行子步骤S130和子步骤S120。
基于上述设计，本发明实施例所提供的一种风险评估方法，通过在预设的数据库中确定出与目标用户所对应的历史风险因子向量，来更新当前的风险因子向量，使更新后的风险因子向量能够全面的反映目标用户的风险情况。
步骤S200，计算风险因子向量对应的第一风险评分。
在获得该目标用户的风险因子向量后，服务器10即根据所获得的该目标用户的风险因子向量，获得该目标用户的目标风险评分，进而以该目标风险评分来对该目标用户进行风险评估。目标风险评分包括第一风险评分和第二风险评分，其中，第一风险评分表征风险因子向量中多个风险因子按照各自的权重值计算出的评分。
具体地，请参阅图6，图6为图3中步骤S200的子步骤的一种示意性流程图，在本发明实施例中，步骤S200包括以下子步骤：
子步骤S210，在预设的数据库中，确定出目标用户所对应的风险因子权重向量，其中，风险因子权重向量为目标用户全部风险因子各自的权重值所构成的向量。
在预设的数据库中，存储有多个用户各自所对应的风险因子权重向量，因此，在计算风险因子向量对应的第一风险评分时，先在预设的数据库中，确定出该目标用户所对应的风险因子权重向量，其中，该风险因子权重向量为目标用户全部风险因子各自的权重值所构成的向量，每个风险因子权重向量表征的是相应的风险因子向量中各风险因子在该风险因子向量所包含的所有风险因子中所占的权重值，权重值越大的风险因子表征对第一风险评分的影响越大。
其中，风险因子权重向量可以采用线性算法或非线性算法获得。例如，当采用线性算法来获得风险因子权重向量时，可以采用多元线性回归模型，将多个风险因子向量中的每个风险因子作为因变量，通过多个训练历史数据的训练来获得回归系数B＝<β0，β1，...，βn，>以达到线性预测的目的，例如，可以将15万笔数据作为训练历史数据，来进行训练；相应地，当采用非线性算法来获得风险因子权重向量时，可以采用BP神经网络模型，将风险因子向量中的每个风险因子作为该BP神经网络模型的输入特征向量，设定3层网络模型，通过多个训练风险因子向量获得不同特征向量的权重B＝<β0，β1，...，βn，>。
子步骤S220，以风险因子权重向量处理风险因子向量，生成第一风险评分。
在根据子步骤S220该目标用户所对应的风险因子权重向量后，即以该确定出的风险因子权重向量，与风险因子权重向量做点乘，以处理风险因子向量，生成第一风险评分。
步骤S300，计算风险因子向量对应的第二风险评分。
如上述步骤S200所说，在获得该目标用户的风险因子向量后，服务器10即根据所获得的该目标用户的风险因子向量，获得该目标用户的目标风险评分，进而以该目标风险评分来对该目标用户进行风险评估。目标风险评分包括第一风险评分和第二风险评分，其中，第二风险评分表征风险因子向量中多个风险因子按照各自的支持度值计算出的评分。
具体地，请参阅图7，图7为图3中步骤S300的子步骤的一种示意性流程图，在本发明实施例中，步骤S300包括以下子步骤：
子步骤S310，在预设的数据库中，依据风险因子向量包含的所有风险因子，确定出风险因子向量对应的第一支持度集和第二支持度集。
在计算风险因子向量对应的第二风险评分时，首先在预设的数据库中，依据该风险因子向量包含的所有风险因子，确定出该风险因子向量对应的第一支持度集和第二支持度集。
其中，在预设的数据库中，存储有多个第一风险因子频繁项和多个第二风险因子频繁项，每个第一风险因子频繁项及每个第二风险因子频繁项均是由风险因子间的组合构成。根据该风险因子向量所包含的所有风险因子的组合，可在预设的数据库中确定出多个第一风险因子频繁项，每个第一风险因子频繁项均表征一个具有较高风险的事件，而所确定出的多个第一风险因子频繁项则共同组成第一风险因子频繁项集，该第一风险因子频繁项集即表征该风险因子向量所包含的多个高风险事件的集合；相应地，根据该风险因子向量所包含的所有风险因子的组合，还可以在预设的数据库中确定出多个第二风险因子频繁项，每个第二风险因子频繁项均表征一个具有较低风险的事件，而所确定出的多个第二风险因子频繁项则共同组成第二风险因子频繁项集，该第二风险因子频繁项集即表征该风险因子向量所包含的多个低风险时间的集合。
并且，在预设的数据库中，还存储有每个第一风险因子频繁项和每个第二风险因子频繁项各自的支持度值。依据该风险因子向量包含的所有风险因子而确定出的第一风险因子频繁项集所包含的所有第一风险因子频繁项各自所对应的支持度值的集合即为第一支持度集；相应地，第二风险因子频繁项集所包含的所有第二风险因子频繁项各自所对应的支持度值的集合即为第二支持度集。
具体地，请参阅图8，图8为图7中子步骤S310的子步骤的一种示意性流程图，在本发明实施例中，子步骤S310包括以下子步骤：
子步骤S311，在预设的数据库中，依据风险因子向量包含的所有风险因子，确定出风险因子向量对应的第一风险因子频繁项集和第二风险因子频繁项集。
在计算风险因子向量对应的第二风险评分时，首先在预设的数据库中，依据风险因子向量包含的所有风险因子，确定出该目标用户所对应的第一风险因子频繁项集和第二风险频繁项集。其中，该预设的数据库中存储有多个第一风险因子频繁项和多个第二风险因子频繁项，每个第一风险因子频繁项和每个第二风险因子频繁项均是由风险因子间的组合构成。根据该风险因子向量包含的所有风险因子，将所有的可能的组合在预设的数据库中进行匹配，所有匹配到的第一风险因子频繁项即组合成第一风险因子频繁项集，所有匹配到的第二风险因子频繁项即组合成第二风险因子频繁项集。
其中，该第一风险因子频繁项集包含的第一风险因子频繁项均是由多个第一类风险训练历史数据在FP-growth模型中处理后获得，并存储在预设的数据库中，该多个第一类风险训练历史数据为多个已发生的欺诈事件的历史数据；相应地，第二风险因子频繁项集包含的第二风险因子频繁项则均是由多个第二类风险训练历史数据在FP-growth模型中处理后获得，并存储在预设的数据库中，该多个第二类风险训练历史数据为多个没有发生过欺诈事件的历史数据。
并且，每个第一风险因子频繁项和每个第二风险因子频繁项在生成的过程中，生成有相应的支持度值。对于第一风险因子频繁项来说，支持度值越大，表征该风险因子频繁项对应的事件造成的风险程度越高；对于第二风险因子频繁项来说，支持度值越大，表征该风险因子频繁项对应的事件越安全。
每个第一风险因子频繁项所对应的支持度值可以由多个第一类风险训练历史数据在FP-growth模型中处理后获得，每个第二风险因子频繁项所对应的支持度值可以由多个第二类风险训练历史数据在FP-growth模型中处理后获得。具体地，以第一风险因子频繁项对应的支持度值为例，在FP-growth模型中，首先计算出多个第一类风险训练历史数据中各个用户各自的风险因子向量视图；然后构造项头表和原始FPTree，将每个风险事件中包含的风险因子作为节点，按照支持度排序后插入到以Null为根节点的FPTree中，如果该风险因子在树中已存在节点，则直接将该节点的支持度加1，否则创建支持度为1的节点，并将该节点链接到项头表中；然后调用递归算法，从叶子节点开始，找出以叶子结点结尾的路径，计算支持度，删除支持度值小于或等于第一预设值的第一风险因子频繁项，从而确定出以叶子节点结尾的支持度值大于第一预设值的全部第一风险因子频繁项，再计算前缀路径和条件FP树，重复此过程，直至根节点，从而确定出第一风险因子频繁项集。
相应地，第二风险因子频繁项集可以参照第一风险因子频繁项集的方式生成。
子步骤S312，以第一风险因子频繁项集所包含的所有第一风险因子频繁项各自对应的支持度值作为第一支持度集，且以第二风险因子频繁项集所包含的所有第二风险因子频繁项各自对应的支持度作为第二支持度集。
如前述子步骤S311生成第一风险因子频繁项集和第二风险因子频繁项集的过程，由于每个第一风险因子频繁项集每个第二风险因子频繁项均对应有一个确定的支持度值，相应地，在生成第一风险因子频繁项集和第二风险因子频繁项集的过程中，即集合第一风险因子频繁项集所包含的所有第一风险因子频繁项各自对应的支持度值，将集合到的所有支持度值作为第一支持度集；相应地，集合第二风险因子频繁项集所包含的所有第二风险因子频繁项各自对应的支持度值，将集合到的所有支持度值作为第二支持度集。
子步骤S320，分别以第一支持度向量和第二支持度向量处理风险因子向量，并生成各自所对应的第一评分和第二评分。
在根据子步骤S310获得第一支持度向量和第二支持度向量后，即以第一支持度向量和第二支持度向量分别处理风险因子向量，并生成各自所对应的第一评分和第二评分。具体地，采用第一支持度向量以点乘的方式处理风险因子向量，并将点乘后得到的结果作为第一评分；采用第二支持度向量以点乘的方式处理风险因子向量，并将点乘后得到的结果作为第二评分。
子步骤S330，依据第一评分和第二评分，生成第二风险评分。
在获得第一评分和第二评分后，即依据第一评分和第二评分，生成第二风险评分。由于第一评分和第二评分分别为第一支持度向量和第二支持度向量处理风险因子向量后得到的结果，而第一支持度向量所包含的值均大于第一预设值，第二支持度向量所包含的值均小于或等于第一预设值，也就是说，第一评分实际上表征的是该风险事件为风险程度较高的风险评分，而第二评分实际上表征的是该风险事件为风险程度较低的风险评分，因此，作为一种实施方式，生成第二风险评分的方式可以采用第一评分与第二评分相减得到的差值作为第二评分。
作为另一种实施方式，在第一评分与第二评分相减之前，还可以分别给第一评分和第二评分乘以第一比例系数和第二比例系数。
值得说明的是，步骤S200与步骤S300之间的执行顺序可以是先执行步骤S200再执行步骤S300，也可以是先执行步骤S300再执行步骤S200。
基于上述设计，本发明实施例所提供的一种风险评估方法，通过关联各场景要素下的风险要素，使服务器10在计算目标用户的风险评分时参照各个风险因子之间的关联关系，能够提升对特定风险类别的识别命中率。
步骤S400，以第一风险评分和第二风险评分之和作为目标用户的目标风险评分。
在根据步骤S200和步骤S300分别获得第一风险评分和第二风险评分后，即计算第一风险评分与第二风险评分的和，并以第一风险评分和第二风险评分之和作为目标用户的目标风险评分。
基于上述设计，本发明实施例所提供的一种风险评估方法，通过依据目标用户的多个风险因子，在计算得到第一风险评分和第二风险评分后，以第一风险评分和第二风险评分之和作为该目标用户的目标风险评分，相较于现有技术，能够在没有预定义特定风险类型监控规则的情况下，评估当前目标用户的风险行为，进而提升未知风险的识别率。
具体地，请参阅图9，图9示出了本发明实施例所提供的一种风险评估装置20的一种示意性结构图，在本发明实施例中，该风险评估装置20包括风险因子向量生成模块200、第一风险评分计算模块300、第二风险评分计算模块400及目标风险评分生成模块500。其中，
风险因子向量生成模块200用于确定出目标用户的多个风险因子，以获得所述目标用户的风险因子向量，其中，所述风险因子向量由所述多个风险因子组成。
每个所述风险因子包括场景要素和风险要素，具体地，请参阅图10，图10示出了本发明实施例所提供的一种风险评估装置20的风险因子向量生成模块200的一种示意性结构图，在本发明实施例中，该风险因子向量生成模块200包括风险因子统计单元210和风险因子向量生成单元220。其中，
风险因子统计单元210用于依据目标用户的至少一个场景要素和多个风险要素，在预设的数据库中确定出所述目标用户的多个风险因子。
风险因子向量生成单元220用于以所述多个风险因子，生成所述风险因子向量。
作为一种实施方式，该风险因子向量生成模块200还包括历史风险因子向量统计单元230和风险因子向量更新单元240。其中，
历史风险因子向量统计单元230用于在所述预设的数据库中，确定出所述目标用户所对应的历史风险因子向量。
风险因子向量更新单元240用于以所述历史风险因子向量更新所述风险因子向量。
请继续参阅图9，在本发明实施例中，第一风险评分计算模块300用于计算所述风险因子向量对应的第一风险评分，其中，所述第一风险评分表征所述风险因子向量中多个风险因子按照各自的权重值计算出的评分。
具体地，请参阅图11，图11示出了本发明实施例所提供的一种风险评估装置20的第一风险评分计算模块300的一种示意性结构图，在本发明实施例中，该第一风险评分计算模块300包括风险因子权重向量确定单元310和第一风险评分生成单元320。其中，
风险因子权重向量确定单元310用于在预设的数据库中，确定出所述目标用户所对应的风险因子权重向量，其中，所述风险因子权重向量为所述目标用户全部风险因子各自的权重值所构成的向量。
第一风险评分生成单元320用于以所述风险因子权重向量处理所述风险因子向量，生成所述第一风险评分。
请继续参阅图9，在本发明实施例中，第二风险评分计算模块400用于计算所述风险因子向量对应的第二风险评分，其中，所述第二风险评分表征所述风险因子向量中多个风险因子按照各自的支持度值计算出的评分。
具体地，请参阅图12，图12示出了本发明实施例所提供的一种风险评估装置20的第二风险评分计算模块400的一种示意性结构图，在本发明实施例中，该第二风险评分计算模块400包括支持度集确定单元410、下级评分生成单元420和第二风险评分生成单元430。其中，
支持度集确定单元410用于在预设的数据库中，依据所述风险因子向量包含的所有风险因子，确定出所述风险因子向量对应的第一支持度集和第二支持度集，其中，所述第一支持度集由所述风险因子向量确定出的第一风险因子频繁项集中所包含的所有第一风险因子频繁项各自所对应的支持度值组成，所述第二支持度集由所述风险因子向量确定出的第二风险因子频繁项集中所包含的所有第二风险因子频繁项各自所对应的支持度值组成。
具体地，请参阅图13，图13示出了本发明实施例所提供的一种风险评估装置20的支持度集确定单元410的一种示意性结构图，在本发明实施例中，该支持度集确定单元410包括频繁项集确定子单元411和支持度集确定子单元412。其中，
频繁项集确定子单元411用于在预设的数据库中，依据所述风险因子向量包含的所有风险因子，确定出所述风险因子向量对应的第一风险因子频繁项集和第二风险因子频繁项集，其中，所述第一风险因子频繁项集包含的第一风险因子频繁项由多个第一类风险训练历史数据在FP-growth模型中处理后获得，所述第二风险因子频繁项集包含的第二风险因子频繁项由多个第二类风险训练历史数据在FP-growth模型中处理后获得。
支持度集确定子单元412用于以所述第一风险因子频繁项集所包含的所有第一风险因子频繁项各自对应的支持度值作为第一支持度集，且以所述第二风险因子频繁项集所包含的所有第二风险因子频繁项各自对应的支持度作为第二支持度集。
请继续参阅图12，在本发明实施例中，下级评分生成单元420用于分别计算所述第一支持度集和所述第二支持度集各自所包含的所有支持度值之和，生成各自所对应的第一评分和第二评分。
第二风险评分生成单元430用于依据所述第一评分和所述第二评分，生成所述第二风险评分。
请继续参阅图9，在本发明实施例中，目标风险评分生成模块500用于以所述第一风险评分和所述第二风险评分之和作为所述目标用户的目标风险评分。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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-Only Memory)、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。
综上所述，本发明实施例所提供的一种风险评估方法、装置、服务器及可读存储介质，通过依据目标用户的多个风险因子，在计算得到第一风险评分和第二风险评分后，以第一风险评分和第二风险评分之和作为该目标用户的目标风险评分，相较于现有技术，能够在没有预定义特定风险类型监控规则的情况下，评估当前目标用户的风险行为，进而提升未知风险的识别率；还通过在预设的数据库中确定出与目标用户所对应的历史风险因子向量，来更新当前的风险因子向量，使更新后的风险因子向量能够全面的反映目标用户的风险情况；还通过关联各场景要素下的风险要素，使服务器10在计算目标用户的风险评分时参照各个风险因子之间的关联关系，能够提升对特定风险类别的识别命中率。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其它的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (10)

1.一种风险评估方法，其特征在于，所述方法包括：
确定出目标用户的多个风险因子，以获得所述目标用户的风险因子向量，其中，所述风险因子向量由所述多个风险因子组成；
计算所述风险因子向量对应的第一风险评分，其中，所述第一风险评分表征所述风险因子向量中多个风险因子按照各自的权重值计算出的评分；
计算所述风险因子向量对应的第二风险评分，其中，所述第二风险评分表征所述风险因子向量中多个风险因子按照各自的支持度值计算出的评分；
以所述第一风险评分和所述第二风险评分之和作为所述目标用户的目标风险评分。
2.如权利要求1所述的方法，其特征在于，每个所述风险因子包括场景要素和风险要素，所述确定出目标用户的多个风险因子，以获得所述目标用户的风险因子向量的步骤，包括：
依据目标用户的至少一个场景要素和多个风险要素，在预设的数据库中确定出所述目标用户的多个风险因子；
以所述多个风险因子，生成所述风险因子向量。
3.如权利要求2所述的方法，其特征在于，所述确定出目标用户的多个风险因子，以获得所述目标用户的风险因子向量的步骤，还包括：
在所述预设的数据库中，确定出所述目标用户所对应的历史风险因子向量；
以所述历史风险因子向量更新所述风险因子向量。
4.如权利要求1所述的方法，其特征在于，所述计算所述风险因子向量对应的第一风险评分的步骤，包括：
在预设的数据库中，确定出所述目标用户所对应的风险因子权重向量，其中，所述风险因子权重向量为所述目标用户全部风险因子各自的权重值所构成的向量；
以所述风险因子权重向量处理所述风险因子向量，生成所述第一风险评分。
5.如权利要求4所述的方法，其特征在于，所述风险因子权重向量为多个训练历史数据在多元线性回归模型中计算获得；
或由多个训练风险因子向量在BP神经网络模型中计算获得。
6.如权利要求1所述的方法，其特征在于，所述计算所述风险因子向量对应的第二风险评分的步骤，包括：
在预设的数据库中，依据所述风险因子向量包含的所有风险因子，确定出所述风险因子向量对应的第一支持度集和第二支持度集，其中，所述第一支持度集由所述风险因子向量确定出的第一风险因子频繁项集中所包含的所有第一风险因子频繁项各自所对应的支持度值组成，所述第二支持度集由所述风险因子向量确定出的第二风险因子频繁项集中所包含的所有第二风险因子频繁项各自所对应的支持度值组成；
分别计算所述第一支持度集和所述第二支持度集各自所包含的所有支持度值之和，生成各自所对应的第一评分和第二评分；
依据所述第一评分和所述第二评分，生成所述第二风险评分。
7.如权利要求6所述的方法，其特征在于，所述在预设的数据库中，依据所述风险因子向量包含的所有风险因子，确定出所述风险因子向量对应的第一支持度集和第二支持度集的步骤，包括：
在预设的数据库中，依据所述风险因子向量包含的所有风险因子，确定出所述风险因子向量对应的第一风险因子频繁项集和第二风险因子频繁项集，其中，所述第一风险因子频繁项集包含的第一风险因子频繁项由多个第一类风险训练历史数据在FP-growth模型中处理后获得，所述第二风险因子频繁项集包含的第二风险因子频繁项由多个第二类风险训练历史数据在FP-growth模型中处理后获得；
以所述第一风险因子频繁项集所包含的所有第一风险因子频繁项各自对应的支持度值作为第一支持度集，且以所述第二风险因子频繁项集所包含的所有第二风险因子频繁项各自对应的支持度作为第二支持度集。
8.一种风险评估装置，其特征在于，所述装置包括：
风险因子向量生成模块，用于确定出目标用户的多个风险因子，以获得所述目标用户的风险因子向量，其中，所述风险因子向量由所述多个风险因子组成；
第一风险评分计算模块，用于计算所述风险因子向量对应的第一风险评分，其中，所述第一风险评分表征所述风险因子向量中多个风险因子按照各自的权重值计算出的评分；
第二风险评分计算模块，用于计算所述风险因子向量对应的第二风险评分，其中，所述第二风险评分表征所述风险因子向量中多个风险因子按照各自的权重值计算出的评分；
目标风险评分生成模块，用于以所述第一风险评分和所述第二风险评分之和作为所述目标用户的目标风险评分。
9.一种服务器，其特征在于，包括：
存储器，用于存储一个或多个程序；
处理器；
当所述一个或多个程序被所述处理器执行时，实现如权利要求1-7中任一项所述的方法。
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，该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
CN201810682207.XA 2018-06-27 2018-06-27 风险评估方法、装置、服务器及可读存储介质 Pending CN108898308A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810682207.XA CN108898308A (zh) 2018-06-27 2018-06-27 风险评估方法、装置、服务器及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810682207.XA CN108898308A (zh) 2018-06-27 2018-06-27 风险评估方法、装置、服务器及可读存储介质

Publications (1)

Publication Number Publication Date
CN108898308A true CN108898308A (zh) 2018-11-27

Family

ID=64346238

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810682207.XA Pending CN108898308A (zh) 2018-06-27 2018-06-27 风险评估方法、装置、服务器及可读存储介质

Country Status (1)

Country Link
CN (1) CN108898308A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490749A (zh) * 2019-07-23 2019-11-22 平安科技（深圳）有限公司 一种产品定价方法及装置
CN110827033A (zh) * 2019-10-11 2020-02-21 支付宝(杭州)信息技术有限公司 信息处理方法、装置及电子设备
CN112734555A (zh) * 2020-12-31 2021-04-30 南京视察者智能科技有限公司 一种基于大数据的个人信用风险评估模型的设计方法
CN113435195A (zh) * 2021-07-01 2021-09-24 贵州电网有限责任公司 一种基于主变负载特性的缺陷智能诊断模型构建方法
CN114092102A (zh) * 2021-11-30 2022-02-25 平安付科技服务有限公司 交易支付确认方法、装置、计算机设备及存储介质

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490749A (zh) * 2019-07-23 2019-11-22 平安科技（深圳）有限公司 一种产品定价方法及装置
CN110827033A (zh) * 2019-10-11 2020-02-21 支付宝(杭州)信息技术有限公司 信息处理方法、装置及电子设备
CN112734555A (zh) * 2020-12-31 2021-04-30 南京视察者智能科技有限公司 一种基于大数据的个人信用风险评估模型的设计方法
CN113435195A (zh) * 2021-07-01 2021-09-24 贵州电网有限责任公司 一种基于主变负载特性的缺陷智能诊断模型构建方法
CN113435195B (zh) * 2021-07-01 2023-10-03 贵州电网有限责任公司 一种基于主变负载特性的缺陷智能诊断模型构建方法
CN114092102A (zh) * 2021-11-30 2022-02-25 平安付科技服务有限公司 交易支付确认方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
US20210166140A1 (en) Method and apparatus for training risk identification model and server
US20240086930A1 (en) Blockchain transaction safety
US11507645B1 (en) Behavioral profiling method and system to authenticate a user
CN108898308A (zh) 风险评估方法、装置、服务器及可读存储介质
US20210019657A1 (en) Fraud detection and risk assessment method, system, device, and storage medium
US9563921B2 (en) System and method for detecting merchant points of compromise using network analysis and modeling
US20150161611A1 (en) Systems and Methods for Self-Similarity Measure
US20070124236A1 (en) Credit risk profiling method and system
US20240104574A1 (en) Systems and methods for improved fraud detection
CN114187112A (zh) 账户风险模型的训练方法和风险用户群体的确定方法
US12072895B2 (en) Contact graph scoring system
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
CN112819611A (zh) 欺诈识别方法、装置、电子设备和计算机可读存储介质
CN111179089A (zh) 洗钱交易识别方法、装置和设备
EP4075363A1 (en) Self learning machine learning scores adjustment via normalization thereof
US11947643B2 (en) Fraud detection system, fraud detection method, and program
CN112116358A (zh) 一种交易欺诈行为的预测方法、装置及电子设备
US20220309359A1 (en) Adverse features neutralization in machine learning
CN110570301B (zh) 风险识别方法、装置、设备及介质
Prakash et al. ATM Card Fraud Detection System Using Machine Learning Techniques
WO2022020070A9 (en) Self learning machine learning pipeline for enabling binary decision making
CN112446505A (zh) 一种元学习建模方法及装置、电子设备、存储介质
EP4310755A1 (en) Self learning machine learning transaction scores adjustment via normalization thereof
CN113450124B (zh) 基于用户行为的外呼方法、装置、电子设备及介质
US20240273536A1 (en) Systems and methods for advanced user authentication in accessing a computer network

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: 20181127