CN109034660A - 基于预测模型的风险控制策略的确定方法及相关装置 - Google Patents
基于预测模型的风险控制策略的确定方法及相关装置 Download PDFInfo
- Publication number
- CN109034660A CN109034660A CN201810963590.6A CN201810963590A CN109034660A CN 109034660 A CN109034660 A CN 109034660A CN 201810963590 A CN201810963590 A CN 201810963590A CN 109034660 A CN109034660 A CN 109034660A
- Authority
- CN
- China
- Prior art keywords
- risk
- rule
- decision
- data
- face
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Abstract
本申请实施例公开了一种基于预测模型的风险控制策略的确定方法及装置，该方法包括：获取第一用户数据，确定第一用户数据所关联的目标业务；根据目标业务的目标业务类型确定出目标业务所关联的目标风险决策规则模型；基于目标风险决策规则模型确定出第一用户数据对应的目标风险决策规则，目标风险决策规则模型基于样本用户数据训练得到，样本用户数据中包括第一风险决策规则对应的第一样本用户数据和第二风险决策规则对应的第二样本用户数据；根据目标风险决策规则确定出对目标业务进行风险控制的目标风险控制策略。采用本申请实施例，可增强基于机器学习确定的风险控制策略与用户业务数据的关联密切性，提高风险控制策略的可靠性，适用性更强。
Description
技术领域
本申请涉及通信技术领域，尤其涉及一种基于预测模型的风险控制策略的确定方法及相关装置。
背景技术
风险控制是风险管理者采用各种措施和/或方法来消灭或者减少风险事件发生的可能性，或者风险管理者采用各种措施和/或方法来减少风险事件发生时造成的损失。风险控制也可称为风控，风险控制过程中所采用的措施和/或方法也可称为风险控制策略。风险决策是指在多种不定因素的作用下，对两种或者两种以上的风险控制策略进行选择的过程。由于有不定因素存在，风险控制策略的实施所带来的损益值是无法预先确定的，因此需要一定的规则作为风险决策过程中选择风险控制策略的依据。在面对多种不定因素的情况下基于该规则从多种风险控制策略中选择相应的风险控制策略用于风险控制，风险决策所依据的规则称为风险决策规则。
现有技术中，风险控制类的风险决策系统主要是基于专家制定的风险决策规则进行风险控制策略的选择，风险决策规则的制定完全依赖于专家的主观经验判断并制定，风采决策规则单一并且缺少理论支持和数据依据，随意性较强。同时，风险决策规则基于专家制定的随意性也使得基于风险决策规则确定的风险控制策略的可靠性差，适用范围小。
发明内容
本申请实施例提供一种基于预测模型的风险控制策略的确定方法及相关装置，可增强风险控制策略的确定方式的灵活性，提高风险控制策略的可靠性，适用性更高。
第一方面，本申请实施例提供了一种基于预测模型的风险控制策略的确定方法，包括：
获取第一用户数据，确定上述第一用户数据所关联的目标业务；
根据上述目标业务的目标业务类型确定出上述目标业务所关联的目标风险决策规则生成模型；
基于上述目标风险决策规则生成模型生成上述第一用户数据对应的目标风险决策规则，上述目标风险决策规则生成模型基于上述目标业务类型对应的样本数据训练得到，上述样本数据中至少包括第一规则样本数据和第二规则样本数据，上述第一规则样本数据中包括第一风险决策规则及其对应的第一样本用户数据，上述第二规则样本数据中包括第二风险决策规则及其对应的第二样本用户数据；
根据上述第一用户数据和上述目标风险决策规则确定出对上述目标业务进行风险控制的目标风险控制策略。
在本申请实施例中，基于第一用户数据所关联的目标业务可确定出目标风险决策规则生成模型，基于目标风险决策规则生成模型可生成第一用户数据对应的目标风险决策规则。目标风险决策规则生成模型基于目标业务对应的样本数据训练得到，使得基于目标风险决策规则生成模型生成风险决策规则的可靠性更强，同时基于目标风险决策规则生成模型所生成的目标风险决策规则有着第一用户数据的数据支持，进一步提高了目标风险决策规则的适用性。此外，在本申请实施例中，基于目标风险决策规则可确定出对目标业务进行风险控制的目标风险控制策略，风险控制策略的确定方式更灵活性，同时目标风险决策规则的可靠性可增强以目标风险决策规则生成的目标风险控制策略的可靠性，从而可提高目标业务的风险控制有效性，适用性更高。
结合第一方面，在一种可能的实施方式中，上述根据上述目标业务的目标业务类型确定出上述目标业务所关联的目标风险决策规则生成模型包括：
将上述目标业务的目标业务类型与风险决策规则模型集合中包括的各风险决策规则模型所关联的业务类型进行匹配，从上述风险决策规则模型集合中确定出上述目标业务类型对应的目标风险决策规则生成模型；
其中，上述风险决策规则模型集合中还包括上述目标业务类型之外的其他业务类型所关联的其他风险决策规则模型，上述其他风险决策规则模型由上述其他业务类型对应的样本用户数据训练得到。
在本申请实施例中，基于各个业务类型对应的样本数据训练得到多个适用于生成具体业务类型对应的风险决策规则的模型，可增加生成风险决策规则的数据支持，增强各业务类型对应的风险决策规则的生成灵活性，提高风险决策规则的可靠性，适用性更强。
结合第一方面，在一种可能的实施方式中，上述方法还包括：
获取用于构建上述目标风险决策规则生成模型的至少两种风险决策规则对应的样本数据，上述至少两种风险决策规则至少包括上述第一风险决策规则和上述第二风险决策规则，上述样本数据中至少包括上述第一规则样本数据和上述第二规则样本数据；
根据上述至少两种风险决策规则对应的上述样本数据构建至少一个样本用户特征对，根据上述至少一个样本用户特征对构建目标风险决策规则生成模型。
结合第一方面，在一种可能的实施方式中，上述获取用于构建上述目标风险决策规则生成模型的至少两种风险决策规则对应的样本数据包括：
从上述目标业务的用户数据库中获取上述目标业务的历史风险控制记录，从上述历史风险控制记录中确定出针对上述目标业务所采取的至少两种风险决策规则；
从上述用户数据库中获取上述至少两种风险决策规则中各风险决策规则对应的样本用户数据，并将各风险决策规则及其对应的样本用户数据确定为上述目标业务类型对应的样本数据。
结合第一方面，在一种可能的实施方式中，上述获取用于构建上述目标风险决策规则生成模型的至少两种风险决策规则对应的样本数据包括：
基于大数据分析从其他业务的用户群数据库中获取各业务的历史风险控制记录，从上述各业务的历史风险控制记录中确定出针对上述各业务所采取的至少两种风险决策规则，上述其他业务包括与上述目标业务为相同类型业务的一个或者多个业务；
从上述各业务的用户数据库中获取上述至少两种风险决策规则中各风险决策规则对应的样本用户数据，并将各风险决策规则及其对应的样本用户数据确定为上述目标业务类型对应的样本数据。
在本申请实施例中，模型训练的样本数据的采集方式多样，可增强样本数据的有效性，从而可提高训练得到的模型生成风险控制规则的准确率，增强基于风险决策规则生成模型生成风险决策规则的可靠性，适用性更强。
结合第一方面，在一种可能的实施方式中，上述第一用户数据和/或上述目标业务类型对应的样本数据中任一样本用户数据中所包含的数据类型包括：用户的业务账号信息、用户的页面操作数据、用户的业务访问时长、用户的业务访问频率、用户的终端设备标识信息以及用户所处地域信息中的一种或者多种；
其中，上述用户的业务账号信息和/或上述用户的页面操作数据用于确定业务和/或业务类型。
结合第一方面，在一种可能的实施方式中，上述目标风险决策规则为包括上述第一风险决策规则和/或上述第二风险决策规则在内的一个或者多个规则的组合，上述一个或者多个规则包括：
规则1：当用户的终端设备标识信息中所包含的设备标识大于或者等于设备标识阈值时，采用第一风险控制策略进行业务的风险控制，当上述用户的终端设备标识信息中所包含的设备标识小于上述设备标识阈值时，采用第二风险控制策略进行业务的风险控制；
规则2：当用户的业务访问时长大于或者等于访问时长阈值时，采用第三风险控制策略进行业务的风险控制，当上述用户的业务访问时长小于上述访问时长阈值时，采用第四风险控制策略进行业务的风险控制；
规则3：当用户的业务访问频率大于或者等于访问频率阈值时，采用第五风险控制策略进行业务的风险控制，当上述用户的业务访问频率小于上述访问时长阈值时，采用第六风险控制策略进行业务的风险控制。
在本申请实施例中，各业务对应的风险决策规则可由一个或者多个规则组成，从而可增强风险决策规则的多样性，同时可提高基于风险决策规则确定风险决策策略的准确率，可靠性更强。
第二方面，本申请实施例提供了一种基于预测模型的风险控制策略的确定装置，该确定装置包括：
获取单元，用于获取第一用户数据，确定上述第一用户数据所关联的目标业务；
模型确定单元，用于根据上述获取单元获取的上述目标业务的目标业务类型确定出上述目标业务所关联的目标风险决策规则生成模型；
规则生成单元，用于基于上述模型确定单元确定的上述目标风险决策规则生成模型生成上述获取单元获取的上述第一用户数据对应的目标风险决策规则，上述目标风险决策规则生成模型基于上述目标业务类型对应的样本数据训练得到，上述样本数据中至少包括第一规则样本数据和第二规则样本数据，上述第一规则样本数据中包括第一风险决策规则及其对应的第一样本用户数据，上述第二规则样本数据中包括第二风险决策规则及其对应的第二样本用户数据；
策略确定单元，用于根据上述获取单元获取的上述第一用户数据和上述规则生成单元确定的上述目标风险决策规则确定出对上述目标业务进行风险控制的目标风险控制策略。
结合第二方面，在一种可能的实施方式中，上述模型确定单元用于：
将上述目标业务的目标业务类型与风险决策规则模型集合中包括的各风险决策规则模型所关联的业务类型进行匹配，从上述风险决策规则模型集合中确定出上述目标业务类型对应的目标风险决策规则生成模型；
其中，上述风险决策规则模型集合中还包括上述目标业务类型之外的其他业务类型所关联的其他风险决策规则模型，上述其他风险决策规则模型由上述其他业务类型对应的样本用户数据训练得到。
结合第二方面，在一种可能的实施方式中，上述确认装置还包括：
模型构建单元，用于获取用于构建上述目标风险决策规则生成模型的至少两种风险决策规则对应的样本数据，上述至少两种风险决策规则至少包括上述第一风险决策规则和上述第二风险决策规则，上述样本数据中至少包括上述第一规则样本数据和上述第二规则样本数据；
上述模型构建单元，还用于根据上述至少两种风险决策规则对应的上述样本数据构建至少一个样本用户特征对，根据上述至少一个样本用户特征对构建目标风险决策规则生成模型。
结合第二方面，在一种可能的实施方式中，上述模型构建单元用于：
从上述目标业务的用户数据库中获取上述目标业务的历史风险控制记录，从上述历史风险控制记录中确定出针对上述目标业务所采取的至少两种风险决策规则；
从上述用户数据库中获取上述至少两种风险决策规则中各风险决策规则对应的样本用户数据，并将各风险决策规则及其对应的样本用户数据确定为上述目标业务类型对应的样本数据。
结合第二方面，在一种可能的实施方式中，上述模型构建单元用于：
基于大数据分析从其他业务的用户群数据库中获取各业务的历史风险控制记录，从上述各业务的历史风险控制记录中确定出针对上述各业务所采取的至少两种风险决策规则，上述其他业务包括与上述目标业务为相同类型业务的一个或者多个业务；
从上述各业务的用户数据库中获取上述至少两种风险决策规则中各风险决策规则对应的样本用户数据，并将各风险决策规则及其对应的样本用户数据确定为上述目标业务类型对应的样本数据。
结合第二方面，在一种可能的实施方式中，上述第一用户数据和/或上述目标业务类型对应的样本数据中任一样本用户数据中所包含的数据类型包括：用户的业务账号信息、用户的页面操作数据、用户的业务访问时长、用户的业务访问频率、用户的终端设备标识信息以及用户所处地域信息中的一种或者多种；
其中，上述用户的业务账号信息和/或上述用户的页面操作数据用于确定业务和/或业务类型。
结合第二方面，在一种可能的实施方式中，上述目标风险决策规则为包括上述第一风险决策规则和/或上述第二风险决策规则在内的一个或者多个规则的组合，上述一个或者多个规则包括：
规则1：当用户的终端设备标识信息中所包含的设备标识大于或者等于设备标识阈值时，采用第一风险控制策略进行业务的风险控制，当上述用户的终端设备标识信息中所包含的设备标识小于上述设备标识阈值时，采用第二风险控制策略进行业务的风险控制；
规则2：当用户的业务访问时长大于或者等于访问时长阈值时，采用第三风险控制策略进行业务的风险控制，当上述用户的业务访问时长小于上述访问时长阈值时，采用第四风险控制策略进行业务的风险控制；
规则3：当用户的业务访问频率大于或者等于访问频率阈值时，采用第五风险控制策略进行业务的风险控制，当上述用户的业务访问频率小于上述访问时长阈值时，采用第六风险控制策略进行业务的风险控制。
第三方面，本申请实施例提供了一种终端设备，该终端设备包括处理器和存储器，该处理器和存储器相互连接。该存储器用于存储支持该终端设备执行上述第一方面和/或第一方面任一种可能的实现方式提供的方法的计算机程序，该计算机程序包括程序指令，该处理器被配置用于调用上述程序指令，执行上述第一方面和/或第一方面任一种可能的实施方式所提供的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，该计算机存储介质存储有计算机程序，该计算机程序包括程序指令，该程序指令当被处理器执行时使该处理器执行上述第一方面和/或第一方面任一种可能的实施方式所提供的方法。
在本申请实施例中，基于第一用户数据所关联的目标业务可确定出目标风险决策规则生成模型，基于目标风险决策规则生成模型可生成第一用户数据对应的目标风险决策规则。目标风险决策规则生成模型基于目标业务对应的样本数据训练得到，使得基于目标风险决策规则生成模型生成风险决策规则的可靠性更强，同时基于目标风险决策规则生成模型所生成的目标风险决策规则有着第一用户数据的数据支持，进一步提高了目标风险决策规则的适用性。此外，在本申请实施例中，基于目标风险决策规则可确定出对目标业务进行风险控制的目标风险控制策略，风险控制策略的确定方式更灵活性，同时目标风险决策规则的可靠性可增强以目标风险决策规则生成的风险控制策略的可靠性，从而可提高目标业务的风险控制有效性，适用性更高。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的基于预测模型的风险控制策略的确定方法的一流程示意图；
图2是本申请实施例提供的风险决策规则生成模型的构建方法的流程示意图；
图3是本申请实施例提供的基于预测模型的风险控制策略的确定方法的另一流程示意图；
图4是本申请实施例提供的基于预测模型的风险控制策略的确定装置的结构示意图；
图5是本申请实施例提供的终端设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请实施例，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。
本申请实施例提供的基于预测模型的风险控制策略的确定方法(为方便描述，可简称本申请实施例提供的方法)可适用于投资、银行、保险、证券以及电商等多个应用领域中的任一应用领域。在各个应用领域中，所涉及的应用场景可包括但不限于登录、注册、贷前、贷中、贷后、节假日活动或者促销活动等。本申请实施例提供的方法可适用于上述任一应用场景的任一业务类型的风险决策规则的生成。这里，上述风险决策规则为风险决策过程中，具体选择哪一种风险控制策略所依据的规则。为方便描述，下面将以风险决策规则为例进行描述。针对不同应用场景、不同业务所关联的用户数据等，可构建不同的风险决策规则生成模型。不同的风险决策规则生成模型可适用于不同的应用场景，以及各种应用场景下的多种业务的风险决策规则的生成，灵活性高。基于风险决策规则生成模型可根据具体应用场景下的具体业务的实时用户数据输出针对该业务进行风险控制所依据的风险决策规则，从而可提高用于风险决策规则与业务的关联密切性，适用性强。同时风险决策规则基于用户数据生成，可靠性强，增强基于该风险决策规则确定的风险控制策略进行的风险决策的准确性，适用性更强。这里，上述业务具体可为投资、银行、保险、证券以及电商等多个应用领域中，向用户提供的各种业务，例如，投保以及贷款等。对应的，以投保为例，在该业务下对应的应用场景可包括但不限于账户注册、账户登录、投保申请、投保审批、保单生成以及维持等。其中，上述应用场景仅是举例，而非穷举，具体可根据实际应用场景确定，在此不做限制。
在本申请实施例中，为了提高风险控制策略的确定准确率，本申请实施例提供的方法可基于从多种数据获取路径获取得到各个业务类型的样本数据构建各业务类型对应的风险决策规则生成模型，基于风险决策规则生成模型生成的风险决策规则确定风险控制策略。在本申请实施例中，基于不同业务类型所关联的样本数据可构建得到适用于生成各业务类型对应的风险决策规则的风险决策规则生成模型，换句话说，针对多种业务类型所关联的样本数据可训练得到一个风险决策规则生成模型。或者，可选的，基于不同业务类型所关联的样本数据可构建得到一个风险决策规则生成模型中的多组网络套数，其中，该风险决策规则生成模型的一组网络参数可适用于生成一种业务类型所关联的风险决策规则。为方便描述，本申请实施例将以目标业务为例进行说明，上述风险决策规则生成模型可以目标业务所关联的风险决策规则生成模型为例进行说明，在此不做限制。
本申请实施例提供的方法可基于具体应用场景中目标业务的历史风险控制记录中相关的样本数据构建风险决策规则生成模型。基于目标业务的用户数据库中存储的目标业务的历史风险控制记录，可从历史风险控制记录中确定出针对目标业务所采取的至少两种风险决策规则。从用户数据库中获取至少两种风险决策规则中各风险决策规则对应的样本用户数据，并将各风险决策规则及其对应的样本用户数据确定为目标业务类型对应的样本数据以构建目标业务对应的风险决策规则生成模型。可选的，基于大数据分析可从其他业务的用户群数据库中获取各业务的历史风险控制记录，从各业务的历史风险控制记录中确定出针对各业务所采取的至少两种风险决策规则，其他业务包括与目标业务为相同类型业务的一个或者多个业务。从各业务的用户数据库中获取至少两种风险决策规则中各风险决策规则对应的样本用户数据，该样本用户数据也可用于构建风险决策规则生成模型，具体可根据实际应用场景确定，在此不做限制。其中，上述样本用户数据包括但不限于用户的业务账号信息、用户的页面操作数据、用户的业务访问时长、用户的业务访问频率、用户的终端设备标识信息以及用户所处地域信息，具体可根据实际应用场景确定，在此不做限制。
在本申请实施例中，风险决策规则既可表示与用户数据关联的一种规则，也可表示与用户数据关联的多种规则中各规则组成的组合规则。为方便描述，上述一个规则和/或多种规则组成的组合规则也可称为关联规则，具体可根据实际应用场景确定，在此不做限制。对应的，上述风险决策关规则生成模型可以称为关联规则模型，在此不做限制。下面将对任一业务对应的风险决策规则生成模型的构建，以及基于构建的该风险决策规则生成模型输出该业务对应的风险决策规则的实现方式为例，对本申请实施例提供的实现方式进行描述。为方便描述，这里的任一业务可以目标业务为例进行说明。对应的，目标业务对应的风险决策规则生成模型可以目标风险决策规则生成模型为例进行说明。
下面将结合图1至图5分别对本申请实施例提供的方法及装置进行说明。本申请实施例提供的方法中可包括用于目标风险决策规则生成模型的构建、基于目标风险决策规则生成模型的风险决策规则的生成以及基于风险决策规则确定风险决策策略等数据处理阶段。其中，上述各个数据处理阶段的实现方式可参见如下图1至图3所示的实现方式。
参见图1，图1是本申请实施例提供的基于预测模型的风险控制策略的确定方法的一流程示意图。为方便描述，下面以目标业务对应的目标风险决策规则生成模型为例进行说明，下面不再赘述。本申请实施例提供的方法可包括如下步骤S1至S3：
S1、构建目标业务所关联的目标风险决策规则生成模型。
在一些可行的实施方式中，目标风险决策规则生成模型的构建可包括目标风险决策规则生成模型的建模数据(即样本数据)采集，目标风险决策规则生成模型的训练，以及目标风险决策规则生成模型的测试等数据处理阶段。请一并参见图2，图2是本申请实施例提供的风险决策规则生成模型的构建方法的流程示意图。本申请实施例提供的风险决策规则生成模型的构建可通过如下步骤S11至S13提供的实现方式进行说明。
S11、目标风险决策规则生成模型的建模数据采集。
在一些可行的实施方式中，目标风险决策规则生成模型的建模数据可来源与目标业务的用户数据库中存储的用户数据，也可来源于大数据分析得到与目标业务关联的用户数据，具体可根据实际应用场景确定，在此不做限制。基于目标业务的用户数据库中存储的目标业务的历史风险控制记录，可从历史风险控制记录中确定出针对目标业务所采取的至少两种风险决策规则。从用户数据库中获取至少两种风险决策规则中各风险决策规则对应的样本用户数据，并将各风险决策规则及其对应的样本用户数据确定为目标业务类型对应的建模数据(即样本数据)以构建目标业务对应的目标风险决策规则生成模型。可选的，基于大数据分析可从其他业务的用户群数据库中获取各业务的历史风险控制记录，从各业务的历史风险控制记录中确定出针对各业务所采取的至少两种风险决策规则，其他业务包括与目标业务为相同类型业务的一个或者多个业务。从各业务的用户数据库中获取至少两种风险决策规则中各风险决策规则对应的样本用户数据，该样本用户数据也可用于构建目标风险决策规则生成模型，具体可根据实际应用场景确定，在此不做限制。
在一些可行的实施方式中，，上述用于构建目标业务的目标风险决策规则生成模型的建模数据可采集某一个时间段内目标业务的风险决策规则所对应的样本用户数据，包括但不限于目标业务的样本用户行为数据以及跟这些样本用户行为数据所关联的终端设备标识信息等，在此不做限制。其中，上述目标风险决策规则生成模型的建模数据的采集时间段可由预定义的该目标业务的风险决策规则的有效时长，或者政策变化(地方政策的变化)等因素确定，在此不做限制。例如，若基于目标风险决策规则生成模型生成的风险决策规则的有效时长为一天，则目标风险决策规则生成模型的建模数据的采集时段可为当前时间的前一天所记录的样本用户数据。若基于目标风险决策规则生成模型生成的目标风险决策规则的有效时长为一周，则目标风险决策规则生成模型的建模数据的采集时段可为当前时间的前一周的时间内所记录的样本用户数据。这里，通过预定义关联规则的有效时长，在当前使用的风险决策规则失效时则可基于目标风险决策规则生成模型重新生成下一个有效时长周期所适用的风险决策规则，从而可实现风险决策规则的定期更新，从而可保证风险决策规则的时效性，增强基于风险决策规则进行风险控制策略的选择等风险决策的可靠性。面对目标业务的突发风险事项，或者政策变化等特殊情况，则可通过实时更新的样本用户数据生成相应的风险决策规则，从而可适用于应急机制，进一步保障基于目标风险决策规则生成模型生成的风险决策规则进行风险决策的可靠性，适用性更强。
在一些可行的实施方式中，上述建模数据的采集过程中所采集的样本用户数据包括但不限于用户的业务账号信息、用户的页面操作数据、用户的业务访问时长、用户的业务访问频率、用户的终端设备标识信息以及用户所处地域信息，在此不做限制。其中，上述用户的页面操作数据、用户的业务访问时长以及用户的业务访问频率等数据也可称为样本用户行为数据，在此不做限制。其中，上述用户的终端设备标识信息可为上述各种表现形式的样本用户行为数据所关联的终端设备信息，换句话说，上述用户设备的终端设备标识信息可以为用户访问目标业务时所使用的终端设备的设备信息等，在此不做限制。例如，上述终端设备信息可以是用户登录办理目标业务的页面或者注册目标业务的业务账号时所使用的终端设备的设备信息等，在此不做限制。其中，上述终端设备的设备信息可包括终端设备的媒体访问控制(medium access control，MAC)地址、国际移动设备标识(internationalmobile equipment identity,IMEI)、互联网协议(internet protocol，IP)地址、直接内向拨号(direct inward dialling,DID)、用户所使用终端设备的显示屏分辨率、以及终端设备所绑定的用户联系方式(手机号等)等，在此不做限制。上述用户所处地域信息可以是用户登录办理目标业务的页面或者注册目标业务的业务账号时所处的地理位置，对应的也可以是用户登录办理目标业务的页面或者注册目标业务的业务账号时所使用的终端设备的定位地理位置等等，具体可根据实际应用场景确定，在此不做限制。
在一些可行的实施方式中，上述建模数据中包括至少两个风险决策规则对应的样本用户数据，其中，至少包括第一规则样本数据和第二规则样本数据。其中，上述第一规则样本数据中包括第一风险决策规则及其对应的第一样本用户数据，上述第二规则样本数据中包括第二风险决策规则及其对应的第二样本用户数据，具体可根据实际应用场景确定，在此不做限制。为方便描述下面可以以第一风险决策规则对应的第一样本用户数据和第二规则对应的第二样本用户数据为例进行说明。获取得到上述建模数据之后，则可对采集到的上述建模数据进行数据清洗、特征筛选，最终生成用于构建风险决策规则生成模型所需的特征数据。由于上述建模数据为目标业务的样本数据，是针对目标业务进行风险控制所采用的历史风险策略规则所对应的样本用户数据，换句话说，针对目标业务的样本用户数据所采用的风险决策规则是已知参数，比如第一风险决策规则和/或第二风险决策规则。因此，对于目标业务的样本用户数据可为已有标注数据，也可为可自定义标注数据。其中，已有标注或自定义标注均可用于标记样本用户数据对应的风险决策规则，可以理解为风险决策规则的标签。因此，对于样本用户数据，其所对应的风险决策规则也为已知数据。在风险决策规则生成模型的训练阶段，目标业务的样本用户数据对应的特征数据，以及这部分样本用户数据的标注(即风险决策规则的标签)均为风险决策规则生成模型训练的建模数据。
在一些可行的实施方式中，在目标风险决策规则生成模型的训练过程中，不同数据类型和/或数据内容的建模数据可对应训练得到适用于输出风险决策规则的目标风险决策规则生成模型。换句话说，就是建模数据中包括目标业务对应的某一风险决策规则对应的样本用户数据，则可通过这部分的建模数据训练得到一套网络参数，使得具备这样一套网络参数的目标风险决策规则生成模型可根据输入的用户数据对应输出风险决策规则的能力。其中，上述建模数据中包括的风险决策规则可通过标签或者阈值的方式存在。基于建模数据中不同风险决策规则可采用不同取值的标签来标记。例如，假设风险决策规则在建模数据中存在的形式是标签，则可通过标签的取值0、1、2或者3分别标记风险决策规则1、风险决策规则2、风险决策规则3以及风险决策规则4，从而可实现通过包含多种风险决策规则的建模数据训练得到多套网络参数，从而可使得目标风险决策规则生成模型可对输入的目标业务的用户数据预测得到目标风险决策规则。
在一些可行的实施方式中，上述目标风险决策规则生成模型的建模数据中除了风险决策规则之外的数据可称为用户数据。例如，对于风险决策规则为第一风险决策规则的样本用户数据，其中除了包括第一风险决策规则之外，还有针对目标业务采用第一风险决策规则进行风险控制的用户数据(为方便描述可以第一样本用户数据为例进行说明)。同理，对于风险决策规则为第二风险决策规则的样本用户数据，其中除了包括第二风险决策规则之外，还有针对目标业务采用第二风险决策规则进行风险控制的用户数据(为方便描述可以第二样本用户数据为例进行说明)，下面不再赘述。上述目标风险决策规则生成模型的建模数据中包括第一样本用户数据和第二样本用户数据在内的任一风险决策规则对应的样本用户数据包括但不限于用户的业务账号信息、用户的页面操作数据、用户的业务访问时长、用户的业务访问频率、用户的终端设备标识信息以及用户所处地域信息。
在一些可行的实施方式中，基于上述各风险决策规则对应的样本用户数据所组成的建模数据，可构建样本用户特征对。在样本用户特征的构建过程中，各个风险决策规则可以标签的形式标记，并基于该标签生成该风险决策规则对应的样本用户特征。例如，第一风险决策规则可基于标签1标记，第二风险决策规则可基于标签2标记，进而可基于标签1生成第一风险决策规则对应的特征(例如一个字符“0”表示的特征)，基于标签2生成第二风险决策规则对应的特征(例如一个字符“1”表示的特征)，在此不做限制。再比如，一个样本用户特征对中包括第一风险决策规则对应的第一样本用户特征和第二风险决策规则对应的第二样本用户特征。其中，上述第一风险决策规则对应的第一样本用户特征可由第一风险决策规则对应的第一样本用户数据构建。对应的，上述第二风险决策规则对应的第二样本用户特征可由上述第二风险决策规则对应的第二样本用户数据构建。换句话说，可以理解，上述第一风险决策规则对应的第一样本用户特征可作为样本用户特征对中的正样本特征，上述第二风险决策规则对应的第二样本用户特征可作为样本用户特征对中的负样本特征(反之也可)，进而可基于一正一负的样本特征训练风险决策规则预测的初始网络模型以得到具备预测风险决策规则为第一风险决策规则或者第二风险决策规则的能力的目标风险决策规则生成模型。其中，上述基于目标风险决策规则生成模型预测输出风险决策规则为第一风险决策规则或者第二风险决策规则仅是示例，包括但不限于第一风险决策规则和第二风险决策规则，具体可根据实际应用场景确定，在此不做限制。
在一些可行的实施方式中，基于任一风险决策规则对应的样本用户数据，按照预设的用户数据抽象规则可得到各风险决策规则对应的样本用户数据的抽象特征表示，进而可根据该各风险决策规则对应的样本用户数据的抽象特征组成得到该风险决策规则对应的样本用户特征。例如，对于第一样本用户特征可采用一个多字符的特征向量表示，该特征向量中可由六个部分特征组成。其中，上述六个部分特征可包括第一样本用户数据中的用户的业务账号信息、用户的页面操作数据、用户的业务访问时长、用户的业务访问频率、用户的终端设备标识信息以及用户所处地域信息的六部分的用户数据抽象得到。其中，上述六个部分特征中任一部分特征均可由一个或者多个字符、一组或者多组字符，和/或一个或者多个维度的字符等字符组成，在此不做限制。例如，假设上述用户的业务账号信息包括业务账号、业务账号所绑定的联系人、业务账号所绑定的联系方式以及业务账号所属业务地域信息的4个维度的信息，则可采用4个字符(或者4组字符或者4个维度的字符等，在此不做限制)用于表示用户的业务账号信息所抽象出来的特征。其中，上述4个字符中每个字符可表示一个维度的信息。其中，每个维度的信息可分别进行分类，并采用不同的标识(例如0或1)标记不同的类别的信息，进而可得到各个维度的信息对应的标识，从而可将各个维度的信息对应的标识组合得到包含4个字符的业务账号特征。例如，假设业务账号所绑定的联系人有某一个人则可采用一个标识进行标记，若业务账号所绑定的联系人为空，则可采用另外一个标识进行标记，进而可在上述业务账号所绑定的联系人对应的字符的特征。以此类推，可确定上述4个字符的业务账号特征中各个字符的特征，从而可得到4个字符的业务账号特征。这里，对于上述4个维度的信息中缺省信息的维度，该维度所对应的字符可填充为空等以构建该维度对应的特征，在此不做限制。
同理，假设用户的页面操作数据中包括页面操作区域(可按照页面划分区域，并针对每个区域采用一个标识进行分类标识等)、页面操作时长(可按照时长分段进行分类标识等)以及页面操作轨迹(可按照轨迹类型进行分类标识等)的3个维度的信息，则可采用3个字符(或者3组字符或者3个维度的字符等，在此不做限制)表示用户的页面操作数据所抽象出来的特征，为方便描述可简称为用户的页面操作特征等，在此不做限制。其中，上述用户的页面操作特征由上述用户的页面操作数据抽象得到的实现过程可参见上述用户的业务账号特征对应的实现方式，在此不做限制。上述用户的业务访问时长可按照时长进行分类标识，因此可采用1个字符(或者1组字符或者1个维度的字符等，在此不做限制)表示用户的业务访问时长所抽象出来的特征，为方便描述可简称为用户的业务访问时长特征等，在此不做限制。同理，上述用户的业务访问频率(可按照频率分段进行分类标识等)、用户的终端设备标识信息(可按照终端设备标识信息的数量进行分类标识等)以及用户所处地域信息(可按照地域进行分类标识等)等用户数据，可采用一个或者多个字符表示其所抽象出来的特征，为方便描述可分别以用户的业务访问频率特征、用户的终端设备标识特征以及用户所处地域特征为例进行说明。其中，上述各个用户数据所抽象得到相应的特征的实现过程可参见上述用户的业务账号特征对应的实现方式，在此不做限制。
S12，目标风险决策规则生成模型的训练。
基于上述步骤S21获取得到目标风险决策规则生成模型的建模数据所构建的样本用户特征对之后，则可将上述样本用户特征对输入目标风险决策规则生成模型的初始网络模型中，通过上述初始网络模型对输入的样本用户特征对中包括的样本用户数据特征及其对应的风险决策规则的标签特征进行学习，得到具备输出任一用户数据特征对应的风险决策规则的能力的目标风险决策规则生成模型。这里，上述目标风险决策规则生成模型的初始网络模型可采用反向传播(back propagation，BP)神经网络模型，或者其他更多类型的神经网络模型，在此不做限制。其中，上述目标风险决策规则生成模型的激活函数可为sigmoid函数等，具体可根据实际应用场景确定，在此不做限制。可选的，在一些可行的实施方式中，上述目标风险决策规则生成模型的输出是各风险决策规则对应的标签或者阈值，进而可基于各风险决策规则对应的标签或者阈值确定具体的风险决策规则，具体可根据实际应用场景确定，在此不做限制。
S13，目标风险决策规则生成模型的测试。
在一些可行的实施方式中，目标风险决策规则生成模型构建完成之后，可在上述目标风险决策规则生成模型的建模数据的采集所选择的时间段之后，选择距离当前时间最近的一段时间内针对目标业务进行风险控制对应的用户数据作为风险决策规则生成的测试数据。这里，上述风险决策规则生成的测试数据中至少包括一种风险决策规则的测试数据，进而可基于上述至少一种风险决策规则的测试数据构建至少一个样本用户特征。通过上述风险决策规则生成的测试数据构建样本用户测试特征，进而可基于构建的样本用户测试特征对目标风险决策规则生成模型的风险决策规则预测精度进行测试。其中，上述风险决策规则生成的测试数据中所包括的样本用户数据所包括的数据类型(或称数据维度)可与目标风险决策规则生成模型的建模数据中所包括的数据类型(或称数据维度)相同，在此不做限制，可保证目标风险决策规则生成模型的测试有效性，提高目标风险决策规则生成模型的测试结果的准确性，增强目标风险决策规则生成模型的适用性。
在一些可行的实施方式中，基于上述目标风险决策规则生成模型可对上述生成风险决策规则的测试数据所构建的样本用户测试特征进行学习并输出对应的风险决策规则。进而可根据上述目标风险决策规则生成模型生成的风险决策规则，结合上述测试数据对应已知的风险决策规则，计算目标风险决策规则生成模型的输出的损失值(例如风险决策规则对应的标签和/或阈值的差值等，在此不做限制)。上述目标风险决策规则生成模型的输出的损失值可反馈至目标风险决策规则生成模型中，基于上述损失值对上述目标风险决策规则生成模型的网络参数进行修正等优化处理，可提高目标风险决策规则生成模型的预测精度，适用性更强。
在本申请实施例中，目标风险决策规则生成模型的训练过程中，训练样本来自于多种风险决策规则对应的样本用户数据，基于多种风险决策规则对应的样本用户数据可构建用于模型训练的样本用户特征对，用于训练目标风险决策规则生成模型使得模型具备针对任一用户数据对应的用户特征对应输出各风险决策规则的能力，从而可基于目标风险决策规则生成模型预测任一用户数据对应的风险决策规则，实现了风险决策规则的有效预测，可增强基于目标风险决策规则生成模型生成风险决策规则的可靠性更强，同时基于目标风险决策规则生成模型所生成的风险决策规则有着用户数据的数据支持，进一步提高了目标风险决策规则的适用性。
S2、基于目标风险决策规则生成模型的目标风险决策规则的生成。
在一些可行的实施方式中，基于目标风险决策规则生成模型生成目标风险决策规则的过程中，可包括用户数据的获取、目标风险决策规则生成模型的确定，以及目标风险决策规则的生成等数据处理阶段。进一步的，基于目标风险决策规则可确定出对目标业务进行风险控制的目标风险控制策略。请一并参见图3，图3是本申请实施例提供的基于预测模型的风险控制策略的确定方法的另一流程示意图。本申请实施例提供的风险策略的确定方法可包括如下步骤S21至S24。
S21、获取第一用户数据，确定上述第一用户数据所关联的目标业务。
在一些可行的实施方式中，在用户需要在目标业务对应的浏览器和/或客户端的业务操作页面上办理目标业务时，可基于上述浏览器和/或客户端的业务操作页面上的用户操作获取用户数据(为方便描述可以第一用户数据为例进行说明)，并可根据上述第一用户数据确定目标业务。其中，上述第一用户数据中所包括的数据类型包括但不限于：用户的业务账号信息、用户的页面操作数据、用户的终端设备标识信息以及用户所处地域信息，在此不做限制。可选的，上述第一用户数据中所包括的页面操作数据可包括页面启动位置、页面链接输入、页面连接路径、页面操作时长以及页面操作频率等，在此不做限制。此外，基于上述页面操作数据还可计算用户的业务访问时长以及用户的业务访问频率等衍生数据，从而可将衍生数据确定为第一用户数据的一部分，具体可根据实际应用场景确定，在此不做限制。
在一些可行的实施方式中，基于上述第一用户数据中的用户的业务账号信息、页面启动位置、页面链接输入以及页面连接路径等信息可确定上述第一用户数据所关联的目标业务。例如，当用户需要登陆某一个业务的业务账号或者注册某一个业务的业务账号时，可通过鼠标或者手指等途径点击用于办理该业务的浏览器和/或客户端的图标，从而可打开浏览器和/或客户端的业务操作页面。在上述业务操作页面上输入已有的业务账号信息，或者填写待注册的业务账号信息。其中，当用户在业务操作页面上输入已有的业务账号信息，或者填写待注册的业务账号信息时，可采集上述用户在业务操作界面上操作的用户数据，包括用户的业务账号信息以及页面操作数据等等。基于上述用户的业务账号信息和/或页面操作数据可确定出第一用户数据所关联的业务，即目标业务，从而可基于目标业务对应的目标风险决策规则生成模型确定出针对目标业务进行风险决策规则。
可选的，在一些可行的实施方式中，在用户在业务操作界面上述操作的过程中，可实时监控用户的业务访问时长，还可结合用户访问的历史记录确定用户的业务访问频率，具体可根据实际应用场景确定，在此不做限制。此外，基于用户在业务操作界面上的操作可实时采集用户所使用的终端设备的标识信息以及用户所处地域信息等等，具体可根据实际应用场景确定，在此不做限制。其中，上述第一用户数据的数据类型和/或数据内容可参见上述步骤S11至S13中各个步骤所提供的实现方式中样本用户数据中任一样本用户数据包括的数据类型和/或数据内容，在此不再赘述。
S22、根据上述目标业务的目标业务类型确定出上述目标业务所关联的目标风险决策规则生成模型。
在一些可行的实施方式中，基于上述第一用户数据可确定出目标业务，将目标业务的业务类型(即目标业务类型)与风险决策规则生成模型集合中包括的各风险决策规则生成模型所关联的业务类型进行匹配，从上述风险决策规则生成模型集合中确定出目标业务类型对应的风险决策规则生成模型。可以理解，这里风险决策规则生成模型集合中还可包括目标业务类型之外的其业务类型所关联的其他风险决策规则生成模型，如上述步骤S11至S13所提供的实现方式可知，上述其他风险决策规则生成模型由其他业务类型关联的样本数据训练得到。基于目标业务类型从上述风险决策规则生成模型集合中匹配得到目标业务所关联的风险决策规则生成模型，进而可基于该风险决策规则生成模型对实时采集到的用户数据(即第一用户数据)进行学习以生成上述第一用户数据对应的目标风险决策规则。可选的，终端设备也可基于目标业务类型从上述风险决策规则生成模型集合中匹配得到目标业务类型所关联的网络参数的风险决策规则生成模型，进而可基于具备该网络参数的该风险决策规则生成模型对实时采集到的第一用户数据进行学习以生成上述第一用户数据对应的目标风险决策规则。具体可根据实际应用场景确定，在此不做限制。
S23、基于上述目标风险决策规则生成模型生成所述第一用户数据对应的目标风险决策规则。
在一些可行的实施方式中，上述基于目标业务的第一用户数据可构建第一用户特征的实现方式可与上述目标风险决策规则生成模型的建模数据中样本用户特征的构建方式相同，具体可参见上述步骤S21所提供的实现方式，在此不再赘述。基于上述第一用户数据构建得到第一用户特征之后，则可将上述第一用户特征输入目标风险决策规则生成模型，基于上述目标风险决策规则生成模型对上述第一用户特征进行学习，生成上述第一用户数据对应的目标风险决策规则。可选的，目标风险决策规则生成模型对第一用户特征进行学习之后可对应输出第一用户数据对应的目标风险决策规则的标签或者阈值，进而可基于上述目标风险决策规则的标签或者阈值确定出目标风险决策规则。例如，当目标风险决策规则生成模型对第一用户特征进行学习之后可对应输出的风险决策规则标签为标签1或者风险决策规则阈值为阈值1，则可确定针对第一用户数据生成的目标风险决策规则为是第一风险决策规则。或者当目标风险决策规则生成模型对第一用户特征进行学习之后可对应输出的风险决策规则标签为标签2或者风险决策规则阈值为阈值2，则可确定针对第一用户数据生成的目标风险决策规则是第二风险决策规则。由此类推，可基于目标风险决策规则生成模型输出的风险决策规则标签确定第一用户数据对应的目标风险决策规则。
在本申请实施例中，基于第一用户数据筛选得到并输入目标风险决策规则生成模型的第一用户特征对应的数据类型和/或数据内容，可与目标风险决策规则生成模型的训练和/或测试阶段所输入的建模数据和/或测试数据构建的用户特征对应的数据类型和/或数据内容相同。在目标风险决策规则生成模型的训练阶段、测试阶段以及使用阶段所采集以及筛选的数据类型和/或数据内容相同，从而可更好地利用该目标风险决策规则生成模型对输入的用户特征进行学习并输出相应的风险决策规则，可增加目标风险决策规则生成模型生成风险决策规则的准确率和可靠性，适用性更强。
在一些可行的实施方式中，上述目标风险决策规则为包括上述第一风险决策规则和/或上述第二风险决策规则在内的一个或者多个规则的组合，上述一个或者多个规则包括：
规则1：当用户的终端设备标识信息中所包含的设备标识大于或者等于设备标识阈值时，采用第一风险控制策略进行业务的风险控制。当用户的终端设备标识信息中所包含的设备标识小于设备标识阈值时，采用第二风险控制策略进行业务的风险控制。
例如，上述规则1的判断条件可为：IP个数大于IP个数阈值。
上述规则1表示：若上述第一用户数据中同一用户所使用的IP个数大于IP个数阈值，则基于规则1进行风险决策时可选择第一风险控制策略(例如风险控制策略1)，对该用户数据对应的目标业务进行风险控制。若用户数据中同一用户所使用的IP个数小于或者等于IP个数阈值，则基于规则1进行风险决策时可选择第二风险控制策略(例如风险控制策略2)，对该用户数据对应的用户行为进行风险控制。其中，上述第一风险控制策略和/或第二风险控制策略仅是举例，在此不做限制。
可选的，上述规则1的判断条件也可为：MAC个数大于MAC个数阈值。
这里，上述规则1可表示：若上述第一用户数据中同一用户所使用终端设备的MAC个数大于MAC个数阈值，则基于规则1进行风险决策时可选择第一风险控制策略，对该用户数据对应的目标业务进行风险控制。若用户数据中同一用户所使用终端设备的MAC小于或者等于MAC个数阈值，则基于规则1进行风险决策时可选择第二风险控制策略，对该用户数据对应的目标业务进行风险控制。
可选的，上述规则1的判断条件中的阈值(包括IP个数阈值和/或MAC个数阈值)可由目标风险决策规则生成模型对样本用户数据进行学习之后生成，从而可增加基于目标风险决策规则生成模型生成目标风险决策规则的适用性。同理，下面规则2、规则3和规则4等规则的判断条件中的阈值也可有目标风险决策规则生成模型生成，下面不再赘述。
规则2：当用户的业务访问时长大于或者等于访问时长阈值时，采用第三风险控制策略进行业务的风险控制。当用户的业务访问时长小于访问时长阈值时，采用第四风险控制策略进行业务的风险控制。
例如，上述规则2的判断条件可为：单位时间的用户访问量大于用户访问量阈值。
上述规则2可表示：若基于上述第一用户数据确定单位时间内同一用户或者多个用户对目标业务的用户访问量大于用户访问量阈值，则基于规则2进行风险决策时可选择第三风险控制策略(例如风险控制策略3等)，对第一用户数据对应的目标业务进行风险控制。若基于上述第一用户数据确定单位时间内同一用户或者多个用户对目标业务的用户访问量小于或者等于用户访问量阈值，则基于规则2进行风险决策时可选择第四风险控制方式(例如风险决策策略4)，对该第一用户数据对应的目标业务进行风险控制。其中，上述第三风险控制策略和第四风险控制策略仅是举例，在此不做限制。
规则3：当用户的业务访问频率大于或者等于访问频率阈值时，采用第五风险控制策略进行业务的风险控制。当用户的业务访问频率小于访问时长阈值时，采用第六风险控制策略进行业务的风险控制。
例如，上述规则3的判断条件可为：单位时间的业务访问频率大于业务访问频率阈值。
上述规则3可表示：若基于上述第一用户数据确定单位时间内同一用户或者多个用户对目标业务的业务访问频率大于业务访问频率阈值，则基于规则3进行风险决策时可选择第五风险控制策略(例如风险控制策略5等)，对第一用户数据对应的目标业务进行风险控制。若基于上述第一用户数据确定单位时间内同一用户或者多个用户对目标业务的业务访问频率小于或者等于业务访问频率阈值，则基于规则3进行风险决策时可选择第六风险控制方式(例如风险决策策略6)，对该第一用户数据对应的目标业务进行风险控制。其中，上述第五风险控制策略和第六风险控制策略仅是举例，在此不做限制。
可选的，上述目标风险决策规则也可为规则1、规则2以及规则3中的一个或者多个组合，为方便描述可以规则4为例进行说明。
规则4：当用户的终端设备标识信息中所包含的设备标识大于或者等于设备标识阈值，且用户的业务访问时长大于或者等于访问时长阈值时，采用第一风险控制策略进行业务的风险控制，否则采用第二风险控制策略进行业务的风险控制。
例如，规则4的判断条件可为：IP个数>IP个数阈值||MAC个数>MAC个数阈值||单位时间的用户访问量>用户访问量阈值。
这里，规则4可表示关联规则为上述规则1和规则2的组合，只有在上述规则1和规则2的条件判断同时成立时，基于规则4进行风险决策时可选择第一风险控制策略，对第一用户数据对应的目标业务进行风险控制，否则基于规则4进行风险决策时可选择第二风险控制策略，对第一用户数据对应的目标业务进行风险控制，在此不做限制。
S24、根据上述第一用户数据和上述目标风险决策规则确定出对上述目标业务进行风险控制的目标风险控制策略。
在一些可行的实施方式中，基于上述目标风险决策规则生成模型对第一用户数据进行学习并生成目标风险决策规则之后，可将第一用户数据中所包括的各项参数与目标风险决策规则中所包括的判断条件进行比对，从而可确定出对目标业务进行风险控制的目标风险控制策略。例如，若基于上述目标风险决策规则生成模型对第一用户数据进行学习并生成目标风险决策规则为规则1，基于上述第一用户数据中确定得到第一用户数据中所包括的IP个数大于目标风险决策规则生成模型所生成的IP个数阈值，则可确定目标风险控制策略为第一风险控制策略。同理，若目标风险决策规则为规则1之外的任意一个或者多个规则的组合，则可基于各个规则中所包括的判断条件，结合第一用户数据中所包括的数据类型确定出目标风险控制策略，具体可根据实际应用场景确定，在此不做限制。
S3、基于风险决策规则确定风险控制策略。
在一些可行的实施方式中，上述基于风险决策规则确定风险控制策略的实现方式可以基于目标风险决策规则确定目标风险控制策略为例，具体实现方式可参见上述步骤S24中，基于目标风险决策规则确定目标风险控制策略的实现方式，在此不再赘述。
在本申请实施例中，基于第一用户数据所关联的目标业务可确定出目标风险决策规则生成模型，基于目标风险决策规则生成模型可生成第一用户数据对应的目标风险决策规则。目标风险决策规则生成模型基于目标业务对应的样本数据训练得到，使得基于目标风险决策规则生成模型生成风险决策规则的可靠性更强，同时基于目标风险决策规则生成模型所生成的目标风险决策规则有着第一用户数据的数据支持，进一步提高了目标风险决策规则的适用性。此外，在本申请实施例中，基于目标风险决策规则可确定出对目标业务进行风险控制的目标风险控制策略，风险控制策略的确定方式更灵活性，同时目标风险决策规则的可靠性可增强以目标风险决策规则生成的风险控制策略的可靠性，从而可提高目标业务的风险控制有效性，适用性更高。
参见图4，图4是本申请实施例提供的基于预测模型的风险控制策略的确定装置的结构示意图。本申请实施例提供的基于预测模型的风险控制策略的确定装置包括：
获取单元41，用于获取第一用户数据，确定上述第一用户数据所关联的目标业务。
模型确定单元42，用于根据上述获取单元41获取的上述目标业务的目标业务类型确定出上述目标业务所关联的目标风险决策规则生成模型。
规则生成单元43，用于基于上述模型确定单元42确定的上述目标风险决策规则生成模型生成上述获取单元41获取的上述第一用户数据对应的目标风险决策规则，上述目标风险决策规则生成模型基于上述目标业务类型对应的样本数据训练得到，上述样本数据中至少包括第一规则样本数据和第二规则样本数据，上述第一规则样本数据中包括第一风险决策规则及其对应的第一样本用户数据，上述第二规则样本数据中包括第二风险决策规则及其对应的第二样本用户数据。
策略确定单元44，用于根据上述获取单元获取的上述第一用户数据和上述规则生成单元确定的上述目标风险决策规则确定出对上述目标业务进行风险控制的目标风险控制策略。
在一些可行的实施方式中，上述模型确定单元42用于：
将上述目标业务的目标业务类型与风险决策规则模型集合中包括的各风险决策规则模型所关联的业务类型进行匹配，从上述风险决策规则模型集合中确定出上述目标业务类型对应的目标风险决策规则生成模型；
其中，上述风险决策规则模型集合中还包括上述目标业务类型之外的其他业务类型所关联的其他风险决策规则模型，上述其他风险决策规则模型由上述其他业务类型对应的样本用户数据训练得到。
在一些可行的实施方式中，上述确认装置还包括：
模型构建单元45，用于获取用于构建上述目标风险决策规则生成模型的至少两种风险决策规则对应的样本数据，上述至少两种风险决策规则至少包括上述第一风险决策规则和上述第二风险决策规则，上述样本数据中至少包括上述第一规则样本数据和上述第二规则样本数据；
上述模型构建单元45，还用于根据上述至少两种风险决策规则对应的上述样本数据构建至少一个样本用户特征对，根据上述至少一个样本用户特征对构建目标风险决策规则生成模型。
在一些可行的实施方式中，上述模型构建单元45用于：
从上述目标业务的用户数据库中获取上述目标业务的历史风险控制记录，从上述历史风险控制记录中确定出针对上述目标业务所采取的至少两种风险决策规则；
从上述用户数据库中获取上述至少两种风险决策规则中各风险决策规则对应的样本用户数据，并将各风险决策规则及其对应的样本用户数据确定为上述目标业务类型对应的样本数据。
在一些可行的实施方式中，上述模型构建单元45用于：
基于大数据分析从其他业务的用户群数据库中获取各业务的历史风险控制记录，从上述各业务的历史风险控制记录中确定出针对上述各业务所采取的至少两种风险决策规则，上述其他业务包括与上述目标业务为相同类型业务的一个或者多个业务；
从上述各业务的用户数据库中获取上述至少两种风险决策规则中各风险决策规则对应的样本用户数据，并将各风险决策规则及其对应的样本用户数据确定为上述目标业务类型对应的样本数据。
在一些可行的实施方式中，上述第一用户数据和/或上述目标业务类型对应的样本数据中任一样本用户数据中所包含的数据类型包括：用户的业务账号信息、用户的页面操作数据、用户的业务访问时长、用户的业务访问频率、用户的终端设备标识信息以及用户所处地域信息中的一种或者多种；
其中，上述用户的业务账号信息和/或上述用户的页面操作数据用于确定业务和/或业务类型。
在一些可行的实施方式中，上述目标风险决策规则为包括上述第一风险决策规则和/或上述第二风险决策规则在内的一个或者多个规则的组合，上述一个或者多个规则包括：
规则1：当用户的终端设备标识信息中所包含的设备标识大于或者等于设备标识阈值时，采用第一风险控制策略进行业务的风险控制，当上述用户的终端设备标识信息中所包含的设备标识小于上述设备标识阈值时，采用第二风险控制策略进行业务的风险控制；
规则2：当用户的业务访问时长大于或者等于访问时长阈值时，采用第三风险控制策略进行业务的风险控制，当上述用户的业务访问时长小于上述访问时长阈值时，采用第四风险控制策略进行业务的风险控制；
规则3：当用户的业务访问频率大于或者等于访问频率阈值时，采用第五风险控制策略进行业务的风险控制，当上述用户的业务访问频率小于上述访问时长阈值时，采用第六风险控制策略进行业务的风险控制。
具体实现中，上述基于预测模型的风险控制策略的确定装置可通过其内置的各个功能模块执行如上述图1至图3中各个步骤所提供的实现方式。例如，上述获取单元41可用于执行上述各个步骤中第一用户数据和/或样本用户数据的获取等操作，具体可参见上述各个步骤所提供的实现方式，在此不再赘述。上述模型确定单元42可用于执行上述各个步骤中基于业务类型确定风险决策规则生成模型的实现方式，上述规则生成模块43可用于执行上述各个步骤中基于风险决策规则生成模型生成风险决策规则的实现方式，上述策略确定单元44可用于执行上述各个步骤中基于风险决策规则和用户数据确定风险控制策略的实现方式，上述模型构建单元45可用于执行上述各个步骤中目标风险决策规则生成模型的构建中相关步骤所描述的实现方式，具体可参见上述各个步骤所提供的实现方式，在此不再赘述。
在本申请实施例中，基于第一用户数据所关联的目标业务可确定出目标风险决策规则生成模型，基于目标风险决策规则生成模型可生成第一用户数据对应的目标风险决策规则。目标风险决策规则生成模型基于目标业务对应的样本数据训练得到，使得基于目标风险决策规则生成模型生成风险决策规则的可靠性更强，同时基于目标风险决策规则生成模型所生成的目标风险决策规则有着第一用户数据的数据支持，进一步提高了目标风险决策规则的适用性。此外，在本申请实施例中，基于目标风险决策规则可确定出对目标业务进行风险控制的目标风险控制策略，风险控制策略的确定方式更灵活性，同时目标风险决策规则的可靠性可增强以目标风险决策规则生成的风险控制策略的可靠性，从而可提高目标业务的风险控制有效性，适用性更高。
参见图5，图5是本申请实施例提供的终端设备的结构示意图。如图5所示，本实施例中的终端设备可以包括：一个或多个处理器501和存储器502。上述处理器501和存储器502通过总线503连接。存储器502用于存储计算机程序，该计算机程序包括程序指令，处理器501用于调用存储器502存储的程序指令，执行如下操作：
获取第一用户数据，确定上述第一用户数据所关联的目标业务；
根据上述目标业务的目标业务类型确定出上述目标业务所关联的目标风险决策规则生成模型；
基于上述目标风险决策规则生成模型生成上述第一用户数据对应的目标风险决策规则，上述目标风险决策规则生成模型基于上述目标业务类型对应的样本数据训练得到，上述样本数据中至少包括第一规则样本数据和第二规则样本数据，上述第一规则样本数据中包括第一风险决策规则及其对应的第一样本用户数据，上述第二规则样本数据中包括第二风险决策规则及其对应的第二样本用户数据；
根据上述第一用户数据和上述目标风险决策规则确定出对上述目标业务进行风险控制的目标风险控制策略。
在一些可行的实施方式中，上述处理器501用于：
将上述目标业务的目标业务类型与风险决策规则模型集合中包括的各风险决策规则模型所关联的业务类型进行匹配，从上述风险决策规则模型集合中确定出上述目标业务类型对应的目标风险决策规则生成模型；
其中，上述风险决策规则模型集合中还包括上述目标业务类型之外的其他业务类型所关联的其他风险决策规则模型，上述其他风险决策规则模型由上述其他业务类型对应的样本用户数据训练得到。
在一些可行的实施方式中，上述处理器501还用于：
获取用于构建上述目标风险决策规则生成模型的至少两种风险决策规则对应的样本数据，上述至少两种风险决策规则至少包括上述第一风险决策规则和上述第二风险决策规则，上述样本数据中至少包括上述第一规则样本数据和上述第二规则样本数据；
根据上述至少两种风险决策规则对应的上述样本数据构建至少一个样本用户特征对，根据上述至少一个样本用户特征对构建目标风险决策规则生成模型。
在一些可行的实施方式中，上述处理器501用于：
从上述目标业务的用户数据库中获取上述目标业务的历史风险控制记录，从上述历史风险控制记录中确定出针对上述目标业务所采取的至少两种风险决策规则；
从上述用户数据库中获取上述至少两种风险决策规则中各风险决策规则对应的样本用户数据，并将各风险决策规则及其对应的样本用户数据确定为上述目标业务类型对应的样本数据。
在一些可行的实施方式中，上述处理器501用于：
基于大数据分析从其他业务的用户群数据库中获取各业务的历史风险控制记录，从上述各业务的历史风险控制记录中确定出针对上述各业务所采取的至少两种风险决策规则，上述其他业务包括与上述目标业务为相同类型业务的一个或者多个业务；
从上述各业务的用户数据库中获取上述至少两种风险决策规则中各风险决策规则对应的样本用户数据，并将各风险决策规则及其对应的样本用户数据确定为上述目标业务类型对应的样本数据。
在一些可行的实施方式中，上述第一用户数据和/或上述目标业务类型对应的样本数据中任一样本用户数据中所包含的数据类型包括：用户的业务账号信息、用户的页面操作数据、用户的业务访问时长、用户的业务访问频率、用户的终端设备标识信息以及用户所处地域信息中的一种或者多种；
其中，上述用户的业务账号信息和/或上述用户的页面操作数据用于确定业务和/或业务类型。
在一些可行的实施方式中，上述目标风险决策规则为包括上述第一风险决策规则和/或上述第二风险决策规则在内的一个或者多个规则的组合，上述一个或者多个规则包括：
规则1：当用户的终端设备标识信息中所包含的设备标识大于或者等于设备标识阈值时，采用第一风险控制策略进行业务的风险控制，当上述用户的终端设备标识信息中所包含的设备标识小于上述设备标识阈值时，采用第二风险控制策略进行业务的风险控制；
规则2：当用户的业务访问时长大于或者等于访问时长阈值时，采用第三风险控制策略进行业务的风险控制，当上述用户的业务访问时长小于上述访问时长阈值时，采用第四风险控制策略进行业务的风险控制；
规则3：当用户的业务访问频率大于或者等于访问频率阈值时，采用第五风险控制策略进行业务的风险控制，当上述用户的业务访问频率小于上述访问时长阈值时，采用第六风险控制策略进行业务的风险控制。
应当理解，在一些可行的实施方式中，上述处理器501可以是中央处理单元(central processing unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，DSP)、专用集成电路(application specific integratedcircuit，ASIC)、现成可编程门阵列(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、分立硬件组件等。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。该存储器502可以包括只读存储器和随机存取存储器，并向处理器501提供指令和数据。存储器502的一部分还可以包括非易失性随机存取存储器。例如，存储器502还可以存储设备类型的信息。
具体实现中，上述终端设备可通过其内置的各个功能模块执行如上述图1至图3中各个步骤所提供的实现方式，具体可参见上述各个步骤所提供的实现方式，在此不再赘述。
在本申请实施例中，基于第一用户数据所关联的目标业务可确定出目标风险决策规则生成模型，基于目标风险决策规则生成模型可生成第一用户数据对应的目标风险决策规则。目标风险决策规则生成模型基于目标业务对应的样本数据训练得到，使得基于目标风险决策规则生成模型生成风险决策规则的可靠性更强，同时基于目标风险决策规则生成模型所生成的目标风险决策规则有着第一用户数据的数据支持，进一步提高了目标风险决策规则的适用性。此外，在本申请实施例中，基于目标风险决策规则可确定出对目标业务进行风险控制的目标风险控制策略，风险控制策略的确定方式更灵活性，同时目标风险决策规则的可靠性可增强以目标风险决策规则生成的风险控制策略的可靠性，从而可提高目标业务的风险控制有效性，适用性更高。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序包括程序指令，该程序指令被处理器执行时实现图1至图3中各个步骤所提供的基于预测模型的风险控制策略的确定方法，具体可参见上述各个步骤所提供的实现方式，在此不再赘述。
上述计算机可读存储介质可以是前述任一实施例提供的基于预测模型的风险控制策略的确定装置或者上述终端设备的内部存储单元，例如电子设备的硬盘或内存。该计算机可读存储介质也可以是该电子设备的外部存储设备，例如该电子设备上配备的插接式硬盘，智能存储卡(smart media card,SMC)，安全数字(secure digital,SD)卡，闪存卡(flash card)等。进一步地，该计算机可读存储介质还可以既包括该电子设备的内部存储单元也包括外部存储设备。该计算机可读存储介质用于存储该计算机程序以及该电子设备所需的其他程序和数据。该计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本申请的权利要求书和说明书及附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置展示该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本申请实施例提供的方法及相关装置是参照本申请实施例提供的方法流程图和/或结构示意图来描述的，具体可由计算机程序指令实现方法流程图和/或结构示意图的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。这些计算机程序指令可提供到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或结构示意一个方框或多个方框中指定的功能的步骤。
Claims (10)
1.一种基于预测模型的风险控制策略的确定方法，其特征在于，所述方法包括：
获取第一用户数据，确定所述第一用户数据所关联的目标业务；
根据所述目标业务的目标业务类型确定出所述目标业务所关联的目标风险决策规则生成模型；
基于所述目标风险决策规则生成模型生成所述第一用户数据对应的目标风险决策规则，所述目标风险决策规则生成模型基于所述目标业务类型对应的样本数据训练得到，所述样本数据中至少包括第一规则样本数据和第二规则样本数据，所述第一规则样本数据中包括第一风险决策规则及其对应的第一样本用户数据，所述第二规则样本数据中包括第二风险决策规则及其对应的第二样本用户数据；
根据所述第一用户数据和所述目标风险决策规则确定出对所述目标业务进行风险控制的目标风险控制策略。
2.根据权利要求1所述的方法，其特征在于，所述根据所述目标业务的目标业务类型确定出所述目标业务所关联的目标风险决策规则生成模型包括：
将所述目标业务的目标业务类型与风险决策规则模型集合中包括的各风险决策规则模型所关联的业务类型进行匹配，从所述风险决策规则模型集合中确定出所述目标业务类型对应的目标风险决策规则生成模型；
其中，所述风险决策规则模型集合中还包括所述目标业务类型之外的其他业务类型所关联的其他风险决策规则模型，所述其他风险决策规则模型由所述其他业务类型对应的样本用户数据训练得到。
3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
获取用于构建所述目标风险决策规则生成模型的至少两种风险决策规则对应的样本数据，所述至少两种风险决策规则至少包括所述第一风险决策规则和所述第二风险决策规则，所述样本数据中至少包括所述第一规则样本数据和所述第二规则样本数据；
根据所述至少两种风险决策规则对应的所述样本数据构建至少一个样本用户特征对，根据所述至少一个样本用户特征对构建目标风险决策规则生成模型。
4.根据权利要求3所述的方法，其特征在于，所述获取用于构建所述目标风险决策规则生成模型的至少两种风险决策规则对应的样本数据包括：
从所述目标业务的用户数据库中获取所述目标业务的历史风险控制记录，从所述历史风险控制记录中确定出针对所述目标业务所采取的至少两种风险决策规则；
从所述用户数据库中获取所述至少两种风险决策规则中各风险决策规则对应的样本用户数据，并将各风险决策规则及其对应的样本用户数据确定为所述目标业务类型对应的样本数据。
5.根据权利要求3所述的方法，其特征在于，所述获取用于构建所述目标风险决策规则生成模型的至少两种风险决策规则对应的样本数据包括：
基于大数据分析从其他业务的用户群数据库中获取各业务的历史风险控制记录，从所述各业务的历史风险控制记录中确定出针对所述各业务所采取的至少两种风险决策规则，所述其他业务包括与所述目标业务为相同类型业务的一个或者多个业务；
从所述各业务的用户数据库中获取所述至少两种风险决策规则中各风险决策规则对应的样本用户数据，并将各风险决策规则及其对应的样本用户数据确定为所述目标业务类型对应的样本数据。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述第一用户数据和/或所述目标业务类型对应的样本数据中任一样本用户数据中所包含的数据类型包括：用户的业务账号信息、用户的页面操作数据、用户的业务访问时长、用户的业务访问频率、用户的终端设备标识信息以及用户所处地域信息中的一种或者多种。
7.根据权利要求6所述的方法，其特征在于，所述目标风险决策规则为包括所述第一风险决策规则和/或所述第二风险决策规则在内的一个或者多个规则的组合，所述一个或者多个规则包括：
规则1：当用户的终端设备标识信息中所包含的设备标识大于或者等于设备标识阈值时，采用第一风险控制策略进行业务的风险控制，当所述用户的终端设备标识信息中所包含的设备标识小于所述设备标识阈值时，采用第二风险控制策略进行业务的风险控制；
规则2：当用户的业务访问时长大于或者等于访问时长阈值时，采用第三风险控制策略进行业务的风险控制，当所述用户的业务访问时长小于所述访问时长阈值时，采用第四风险控制策略进行业务的风险控制；
规则3：当用户的业务访问频率大于或者等于访问频率阈值时，采用第五风险控制策略进行业务的风险控制，当所述用户的业务访问频率小于所述访问时长阈值时，采用第六风险控制策略进行业务的风险控制。
8.一种基于预测模型的风险控制策略的确定装置，其特征在于，所述确定装置包括：
获取单元，用于获取第一用户数据，确定所述第一用户数据所关联的目标业务；
模型确定单元，用于根据所述获取单元获取的所述目标业务的目标业务类型确定出所述目标业务所关联的目标风险决策规则生成模型；
规则生成单元，用于基于所述模型确定单元确定的所述目标风险决策规则生成模型生成所述获取单元获取的所述第一用户数据对应的目标风险决策规则，所述目标风险决策规则生成模型基于所述目标业务类型对应的样本数据训练得到，所述样本数据中至少包括第一规则样本数据和第二规则样本数据，所述第一规则样本数据中包括第一风险决策规则及其对应的第一样本用户数据，所述第二规则样本数据中包括第二风险决策规则及其对应的第二样本用户数据；
策略确定单元，用于根据所述获取单元获取的所述第一用户数据和所述规则生成单元确定的所述目标风险决策规则确定出对所述目标业务进行风险控制的目标风险控制策略。
9.一种终端设备，其特征在于，包括处理器和存储器，所述处理器和存储器相互连接；
所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-7任一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810963590.6A CN109034660B (zh) | 2018-08-22 | 2018-08-22 | 基于预测模型的风险控制策略的确定方法及相关装置 |
| PCT/CN2018/123513 WO2020037918A1 (zh) | 2018-08-22 | 2018-12-25 | 基于预测模型的风险控制策略的确定方法及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810963590.6A CN109034660B (zh) | 2018-08-22 | 2018-08-22 | 基于预测模型的风险控制策略的确定方法及相关装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109034660A true CN109034660A (zh) | 2018-12-18 |
| CN109034660B CN109034660B (zh) | 2023-07-14 |
Family
ID=64628077
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810963590.6A Active CN109034660B (zh) | 2018-08-22 | 2018-08-22 | 基于预测模型的风险控制策略的确定方法及相关装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN109034660B (zh) |
| WO (1) | WO2020037918A1 (zh) |
Cited By (30)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109767110A (zh) * | 2019-01-04 | 2019-05-17 | 中国银行股份有限公司 | 一种风险控制系统优化方法、装置、设备及存储介质 |
| CN110111903A (zh) * | 2019-04-28 | 2019-08-09 | 中国疾病预防控制中心 | 一种突发公共卫生事件预测的方法及设备 |
| CN110188940A (zh) * | 2019-05-24 | 2019-08-30 | 深圳市腾讯计算机系统有限公司 | 业务处理方法及装置 |
| CN110264037A (zh) * | 2019-05-14 | 2019-09-20 | 阿里巴巴集团控股有限公司 | 一种用户数据的处理方法和装置 |
| CN110348999A (zh) * | 2019-06-29 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 金融风险敏感用户识别方法、装置及电子设备 |
| CN110348672A (zh) * | 2019-05-24 | 2019-10-18 | 深圳壹账通智能科技有限公司 | 业务决策方法、装置、计算设备和计算机可读存储介质 |
| CN110378780A (zh) * | 2019-06-17 | 2019-10-25 | 深圳壹账通智能科技有限公司 | 风控策略调整方法、装置、计算机设备和存储介质 |
| CN110598996A (zh) * | 2019-08-15 | 2019-12-20 | 平安普惠企业管理有限公司 | 一种风险处理方法、装置、电子设备及存储介质 |
| CN110796557A (zh) * | 2019-11-04 | 2020-02-14 | 泰康保险集团股份有限公司 | 数据处理方法及装置、电子设备和计算机可读存储介质 |
| WO2020037918A1 (zh) * | 2018-08-22 | 2020-02-27 | 平安科技（深圳）有限公司 | 基于预测模型的风险控制策略的确定方法及相关装置 |
| CN111209930A (zh) * | 2019-12-20 | 2020-05-29 | 上海淇玥信息技术有限公司 | 一种生成授信策略的方法、装置和电子设备 |
| CN111724069A (zh) * | 2020-06-22 | 2020-09-29 | 百度在线网络技术（北京）有限公司 | 用于处理数据的方法、装置、设备及存储介质 |
| CN111786824A (zh) * | 2020-06-23 | 2020-10-16 | 中国电力科学研究院有限公司 | 数据中心能效比优化方法、系统、设备及可读存储介质 |
| CN111861521A (zh) * | 2019-04-26 | 2020-10-30 | 财付通支付科技有限公司 | 数据处理方法、装置、计算机可读介质及电子设备 |
| CN111861703A (zh) * | 2020-07-10 | 2020-10-30 | 深圳无域科技技术有限公司 | 数据驱动的风控策略规则生成方法及系统、风险控制方法及系统 |
| CN112016788A (zh) * | 2020-07-14 | 2020-12-01 | 北京淇瑀信息科技有限公司 | 风险控制策略生成及风险控制方法、装置和电子设备 |
| CN112184304A (zh) * | 2020-09-25 | 2021-01-05 | 中国建设银行股份有限公司 | 一种辅助决策的方法、系统、服务器和存储介质 |
| CN112184143A (zh) * | 2020-09-07 | 2021-01-05 | 支付宝(杭州)信息技术有限公司 | 一种合规审核规则中的模型训练方法、装置和设备 |
| CN112348661A (zh) * | 2020-10-21 | 2021-02-09 | 上海淇玥信息技术有限公司 | 基于用户行为轨迹的服务策略分配方法、装置及电子设备 |
| CN112465632A (zh) * | 2020-12-17 | 2021-03-09 | 深圳微米信息服务有限公司 | 一种新金融ai智能风控决策方法和系统 |
| CN112508631A (zh) * | 2021-02-07 | 2021-03-16 | 北京淇瑀信息科技有限公司 | 用户策略分配方法、装置及电子设备 |
| CN112508698A (zh) * | 2021-02-07 | 2021-03-16 | 北京淇瑀信息科技有限公司 | 用户策略触发方法、装置及电子设备 |
| CN112633619A (zh) * | 2019-10-08 | 2021-04-09 | 阿里巴巴集团控股有限公司 | 风险评估方法及装置 |
| CN112700329A (zh) * | 2021-01-27 | 2021-04-23 | 永辉云金科技有限公司 | 一种风控规则引擎的响应方法和风控规则引擎 |
| CN112950221A (zh) * | 2021-03-26 | 2021-06-11 | 支付宝(杭州)信息技术有限公司 | 建立风控模型的方法和装置以及风险控制方法和装置 |
| CN113179266A (zh) * | 2021-04-26 | 2021-07-27 | 口碑(上海)信息技术有限公司 | 业务请求处理方法及装置、电子设备、存储介质 |
| CN113409050A (zh) * | 2021-05-06 | 2021-09-17 | 支付宝(杭州)信息技术有限公司 | 基于用户操作判断业务风险的方法和装置 |
| CN113986843A (zh) * | 2021-11-02 | 2022-01-28 | 青岛海尔工业智能研究院有限公司 | 数据风险预警处理方法、装置及电子设备 |
| CN111861703B (zh) * | 2020-07-10 | 2024-05-10 | 深圳无域科技技术有限公司 | 数据驱动的风控策略规则生成方法及系统、风险控制方法及系统 |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112767133B (zh) * | 2021-01-26 | 2024-02-27 | 北京水滴科技集团有限公司 | 业务决策方法及装置、存储介质、计算机设备 |
| CN112950352A (zh) * | 2021-02-08 | 2021-06-11 | 北京淇瑀信息科技有限公司 | 用户筛选策略生成方法、装置及电子设备 |
| CN113673844B (zh) * | 2021-08-04 | 2024-02-23 | 支付宝(杭州)信息技术有限公司 | 一种信息反馈方法、装置及设备 |
| CN113657779B (zh) * | 2021-08-20 | 2024-01-09 | 杭州时趣信息技术有限公司 | 一种动态配置化的风控决策方法、系统、设备和存储介质 |
| CN113781239A (zh) * | 2021-09-10 | 2021-12-10 | 未鲲(上海)科技服务有限公司 | 一种策略确定方法、装置、电子设备以及存储介质 |
| CN116823437A (zh) * | 2023-06-14 | 2023-09-29 | 广东企企通科技有限公司 | 基于配置化风控策略的准入方法、装置、设备及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104144166A (zh) * | 2014-08-18 | 2014-11-12 | 中国人民解放军信息工程大学 | 面向可重构服务承载网的安全管控模型建立方法 |
| CN104376397A (zh) * | 2014-10-15 | 2015-02-25 | 中国农业银行股份有限公司 | 一种数据实时分析方法及装置 |
| 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 |
| CN107230008A (zh) * | 2016-03-25 | 2017-10-03 | 阿里巴巴集团控股有限公司 | 一种风险信息输出、风险信息构建方法及装置 |
| CN107424069A (zh) * | 2017-08-17 | 2017-12-01 | 阿里巴巴集团控股有限公司 | 一种风控特征的生成方法、风险监控方法及设备 |
| CN108364132A (zh) * | 2018-02-11 | 2018-08-03 | 深圳市快付通金融网络科技服务有限公司 | 一种风控方法、装置、计算机装置及计算机可读存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106656932B (zh) * | 2015-11-02 | 2020-03-20 | 阿里巴巴集团控股有限公司 | 一种业务处理方法及装置 |
| CN109034660B (zh) * | 2018-08-22 | 2023-07-14 | 平安科技（深圳）有限公司 | 基于预测模型的风险控制策略的确定方法及相关装置 |
-
2018
- 2018-08-22 CN CN201810963590.6A patent/CN109034660B/zh active Active
- 2018-12-25 WO PCT/CN2018/123513 patent/WO2020037918A1/zh active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104144166A (zh) * | 2014-08-18 | 2014-11-12 | 中国人民解放军信息工程大学 | 面向可重构服务承载网的安全管控模型建立方法 |
| CN104376397A (zh) * | 2014-10-15 | 2015-02-25 | 中国农业银行股份有限公司 | 一种数据实时分析方法及装置 |
| 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 |
| CN107230008A (zh) * | 2016-03-25 | 2017-10-03 | 阿里巴巴集团控股有限公司 | 一种风险信息输出、风险信息构建方法及装置 |
| CN107424069A (zh) * | 2017-08-17 | 2017-12-01 | 阿里巴巴集团控股有限公司 | 一种风控特征的生成方法、风险监控方法及设备 |
| CN108364132A (zh) * | 2018-02-11 | 2018-08-03 | 深圳市快付通金融网络科技服务有限公司 | 一种风控方法、装置、计算机装置及计算机可读存储介质 |
Cited By (39)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020037918A1 (zh) * | 2018-08-22 | 2020-02-27 | 平安科技（深圳）有限公司 | 基于预测模型的风险控制策略的确定方法及相关装置 |
| 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 |
| CN109767110A (zh) * | 2019-01-04 | 2019-05-17 | 中国银行股份有限公司 | 一种风险控制系统优化方法、装置、设备及存储介质 |
| CN111861521A (zh) * | 2019-04-26 | 2020-10-30 | 财付通支付科技有限公司 | 数据处理方法、装置、计算机可读介质及电子设备 |
| CN110111903A (zh) * | 2019-04-28 | 2019-08-09 | 中国疾病预防控制中心 | 一种突发公共卫生事件预测的方法及设备 |
| CN110264037B (zh) * | 2019-05-14 | 2023-10-27 | 创新先进技术有限公司 | 一种用户数据的处理方法和装置 |
| CN110264037A (zh) * | 2019-05-14 | 2019-09-20 | 阿里巴巴集团控股有限公司 | 一种用户数据的处理方法和装置 |
| CN110348672A (zh) * | 2019-05-24 | 2019-10-18 | 深圳壹账通智能科技有限公司 | 业务决策方法、装置、计算设备和计算机可读存储介质 |
| CN110188940B (zh) * | 2019-05-24 | 2023-09-05 | 深圳市腾讯计算机系统有限公司 | 业务处理方法及装置 |
| CN110188940A (zh) * | 2019-05-24 | 2019-08-30 | 深圳市腾讯计算机系统有限公司 | 业务处理方法及装置 |
| CN110378780A (zh) * | 2019-06-17 | 2019-10-25 | 深圳壹账通智能科技有限公司 | 风控策略调整方法、装置、计算机设备和存储介质 |
| CN110348999A (zh) * | 2019-06-29 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 金融风险敏感用户识别方法、装置及电子设备 |
| CN110348999B (zh) * | 2019-06-29 | 2023-12-22 | 北京淇瑀信息科技有限公司 | 金融风险敏感用户识别方法、装置及电子设备 |
| CN110598996A (zh) * | 2019-08-15 | 2019-12-20 | 平安普惠企业管理有限公司 | 一种风险处理方法、装置、电子设备及存储介质 |
| CN112633619A (zh) * | 2019-10-08 | 2021-04-09 | 阿里巴巴集团控股有限公司 | 风险评估方法及装置 |
| CN110796557A (zh) * | 2019-11-04 | 2020-02-14 | 泰康保险集团股份有限公司 | 数据处理方法及装置、电子设备和计算机可读存储介质 |
| CN111209930A (zh) * | 2019-12-20 | 2020-05-29 | 上海淇玥信息技术有限公司 | 一种生成授信策略的方法、装置和电子设备 |
| CN111209930B (zh) * | 2019-12-20 | 2023-08-11 | 上海淇玥信息技术有限公司 | 一种生成授信策略的方法、装置和电子设备 |
| CN111724069A (zh) * | 2020-06-22 | 2020-09-29 | 百度在线网络技术（北京）有限公司 | 用于处理数据的方法、装置、设备及存储介质 |
| CN111786824A (zh) * | 2020-06-23 | 2020-10-16 | 中国电力科学研究院有限公司 | 数据中心能效比优化方法、系统、设备及可读存储介质 |
| CN111861703B (zh) * | 2020-07-10 | 2024-05-10 | 深圳无域科技技术有限公司 | 数据驱动的风控策略规则生成方法及系统、风险控制方法及系统 |
| CN111861703A (zh) * | 2020-07-10 | 2020-10-30 | 深圳无域科技技术有限公司 | 数据驱动的风控策略规则生成方法及系统、风险控制方法及系统 |
| CN112016788A (zh) * | 2020-07-14 | 2020-12-01 | 北京淇瑀信息科技有限公司 | 风险控制策略生成及风险控制方法、装置和电子设备 |
| CN112184143A (zh) * | 2020-09-07 | 2021-01-05 | 支付宝(杭州)信息技术有限公司 | 一种合规审核规则中的模型训练方法、装置和设备 |
| CN112184143B (zh) * | 2020-09-07 | 2022-04-29 | 支付宝(杭州)信息技术有限公司 | 一种合规审核规则中的模型训练方法、装置和设备 |
| CN112184304A (zh) * | 2020-09-25 | 2021-01-05 | 中国建设银行股份有限公司 | 一种辅助决策的方法、系统、服务器和存储介质 |
| CN112348661B (zh) * | 2020-10-21 | 2024-04-23 | 上海淇玥信息技术有限公司 | 基于用户行为轨迹的服务策略分配方法、装置及电子设备 |
| CN112348661A (zh) * | 2020-10-21 | 2021-02-09 | 上海淇玥信息技术有限公司 | 基于用户行为轨迹的服务策略分配方法、装置及电子设备 |
| CN112465632A (zh) * | 2020-12-17 | 2021-03-09 | 深圳微米信息服务有限公司 | 一种新金融ai智能风控决策方法和系统 |
| CN112700329A (zh) * | 2021-01-27 | 2021-04-23 | 永辉云金科技有限公司 | 一种风控规则引擎的响应方法和风控规则引擎 |
| CN112508698A (zh) * | 2021-02-07 | 2021-03-16 | 北京淇瑀信息科技有限公司 | 用户策略触发方法、装置及电子设备 |
| CN112508631A (zh) * | 2021-02-07 | 2021-03-16 | 北京淇瑀信息科技有限公司 | 用户策略分配方法、装置及电子设备 |
| CN112508698B (zh) * | 2021-02-07 | 2024-04-26 | 北京淇瑀信息科技有限公司 | 用户策略触发方法、装置及电子设备 |
| CN112950221A (zh) * | 2021-03-26 | 2021-06-11 | 支付宝(杭州)信息技术有限公司 | 建立风控模型的方法和装置以及风险控制方法和装置 |
| CN113179266A (zh) * | 2021-04-26 | 2021-07-27 | 口碑(上海)信息技术有限公司 | 业务请求处理方法及装置、电子设备、存储介质 |
| CN113409050B (zh) * | 2021-05-06 | 2022-05-17 | 支付宝(杭州)信息技术有限公司 | 基于用户操作判断业务风险的方法和装置 |
| CN113409050A (zh) * | 2021-05-06 | 2021-09-17 | 支付宝(杭州)信息技术有限公司 | 基于用户操作判断业务风险的方法和装置 |
| CN113986843A (zh) * | 2021-11-02 | 2022-01-28 | 青岛海尔工业智能研究院有限公司 | 数据风险预警处理方法、装置及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020037918A1 (zh) | 2020-02-27 |
| CN109034660B (zh) | 2023-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109034660A (zh) | 基于预测模型的风险控制策略的确定方法及相关装置 | |
| CN109241711A (zh) | 基于预测模型的用户行为识别方法及装置 | |
| CN107978311A (zh) | 一种语音数据处理方法、装置以及语音交互设备 | |
| CN110246044A (zh) | 基于区块链的项目审核系统、方法、计算设备及存储介质 | |
| CN107909330A (zh) | 工作流数据处理方法、装置、存储介质和计算机设备 | |
| CN109241709A (zh) | 基于滑块验证码验证的用户行为识别方法及装置 | |
| CN109191136A (zh) | 一种电子银行反欺诈方法及装置 | |
| CN109657038A (zh) | 一种问答对数据的挖掘方法、装置及电子设备 | |
| CN110363407A (zh) | 基于用户行为轨迹的欺诈风险评估方法及装置 | |
| CN109784959A (zh) | 一种目标用户预测方法、装置、后台服务器及存储介质 | |
| CN109165691A (zh) | 用于识别作弊用户的模型的训练方法、装置及电子设备 | |
| CN108320045A (zh) | 学生成绩预测方法和装置 | |
| CN108830443A (zh) | 一种合同审阅方法及装置 | |
| CN109509087A (zh) | 智能化的贷款审核方法、装置、设备及介质 | |
| CN109409952A (zh) | 一种基于区块链的营销数据获取系统及方法 | |
| CN110097170A (zh) | 信息推送对象预测模型获取方法、终端及存储介质 | |
| CN107733883A (zh) | 一种检测批量注册账号的方法及装置 | |
| CN110135850A (zh) | 一种信息处理方法和相关装置 | |
| CN109948882A (zh) | 基于区块数据结构的任务处理方法及相关设备 | |
| CN108182282A (zh) | 地址真实性验证方法、装置及电子设备 | |
| CN110427998A (zh) | 模型训练、目标检测方法及装置、电子设备、存储介质 | |
| CN110347593A (zh) | 流程测试方法及装置 | |
| CN104239471B (zh) | 以行为模拟方式进行数据查询/交换的装置及其方法 | |
| CN107402878A (zh) | 测试方法和装置 | |
| CN108846292A (zh) | 脱敏处理方法及装置 |
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 |