CN109345374A - 风险控制方法、装置、计算机设备和存储介质 - Google Patents
风险控制方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109345374A CN109345374A CN201811081570.2A CN201811081570A CN109345374A CN 109345374 A CN109345374 A CN 109345374A CN 201811081570 A CN201811081570 A CN 201811081570A CN 109345374 A CN109345374 A CN 109345374A
- Authority
- CN
- China
- Prior art keywords
- risk
- user
- evaluation model
- operation system
- risk evaluation
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- 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
- G06Q40/08—Insurance
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种风险控制方法、装置、计算机设备和存储介质。所述方法涉及机器学习,包括:从业务系统获取用户数据,并从用户数据中提取用户特征信息;查询与业务系统对应预设的风险评估模型和风险系数权重;将用户特征信息输入风险评估模型中,得到由风险评估模型输出的业务风险系数;根据业务风险系数和风险系数权重,计算得到业务系统对应的用户综合风险系数。采用本方法使在风险控制过程中,通过业务系统对应预设的风险评估模型得到业务风险系数获取,避免了人为因素的影响,并且结合业务系统对应的风险系数权重得到用户综合风险系数,加强了风险控制中业务系统的针对性,提高了风险控制的准确度。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种风险控制方法、装置、计算机设备和存储介质。
背景技术
随着社会和经济的发展,金融业务、保险业务等行业得到了快速发展,越来越多的人通过借贷方式进行资金管控、通过购买保险产品来进行风险规避。同时,银行机构、保险公司等服务商也需要进行风险控制,来消灭或减少风险事件发生的各种可能性,或者减少风险事件发生时造成的损失。
目前,各风险控制管理方通常是根据已有的客户信息,由专门人员基于工作经验进行客户风险评估,以实现风险控制,该方式受评估人员主观因素影响大,风险控制效果的准确度有限。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高风险控制准确度的风险控制方法、装置、计算机设备和存储介质。
一种风险控制方法,所述方法包括:
从业务系统获取用户数据,并从用户数据中提取用户特征信息;
查询与业务系统对应预设的风险评估模型和风险系数权重;
将用户特征信息输入风险评估模型中,得到由风险评估模型输出的业务风险系数;
根据业务风险系数和风险系数权重,计算得到业务系统对应的用户综合风险系数。
在其中一个实施例中,从业务系统获取用户数据的步骤包括:
接收用户终端发送的业务请求消息;
从业务请求消息中提取用户终端的用户标识;
根据用户标识从业务系统对应的业务数据库中获取用户数据。
在其中一个实施例中,查询与业务系统对应预设的风险系数权重的步骤包括:
确定业务系统的业务类型;
查询预设的业务类型权重表单,业务类型权重表单记录有各类型业务系统对应的风险系数权重;
按照业务系统的业务类型,从业务类型权重表单中获得业务系统对应预设的风险系数权重。
在其中一个实施例中,用户特征信息包括用户身份信息、用户业务信息和用户信用信息;在查询与业务系统对应预设的风险评估模型和风险系数权重的步骤之前,还包括:
根据用户标识信息、用户业务信息和用户信用信息构建输入向量,根据输入向量得到输入层;
根据业务风险系数构建输出向量,根据输出向量得到输出层;
获取预设的输入向量与输出向量之间的映射参数,根据映射参数得到中间层;
根据输入层、中间层和输出层构建得到待训练风险评估模型;
训练待训练风险评估模型,得到风险评估模型。
在其中一个实施例中,训练待训练风险评估模型,得到风险评估模型的步骤包括:
从业务系统获取黑名单用户数据;
将黑名单用户数据划分互斥的训练样本集和测试样本集;
将训练样本集输入待训练风险评估模型中,对待训练风险评估模型进行训练,得到训练后风险评估模型;
通过测试样本集对训练后风险评估模型进行评估测试,当测试结果满足预设评估阈值时,将训练后风险评估模型作为风险评估模型。
在其中一个实施例中,将训练样本集输入待训练风险评估模型中,对待训练风险评估模型进行训练,得到训练后风险评估模型的步骤包括:
将训练样本集输入待训练风险评估模型中,根据待训练风险评估模型的输出调整映射参数;
根据调整后的映射参数得到调整后的中间层;
根据输入层、调整后的中间层和输出层构建得到训练后风险评估模型。
在其中一个实施例中,在根据业务风险系数和风险系数权重,计算得到业务系统对应的用户综合风险系数的步骤之后,还包括:
将各业务系统对应的用户综合风险系数汇总,按照预设的风险报告模板,生成用户风险报告。
一种风险控制装置,所述装置包括:
特征信息获取模块,用于从业务系统获取用户数据,并从用户数据中提取用户特征信息;
评估模型查询模块,用于查询与业务系统对应预设的风险评估模型和风险系数权重;
业务风险获取模块,用于将用户特征信息输入风险评估模型中,得到由风险评估模型输出的业务风险系数;
综合风险获取模块,用于根据业务风险系数和风险系数权重,计算得到业务系统对应的用户综合风险系数。
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以下步骤:
从业务系统获取用户数据,并从用户数据中提取用户特征信息;
查询与业务系统对应预设的风险评估模型和风险系数权重;
将用户特征信息输入风险评估模型中,得到由风险评估模型输出的业务风险系数;
根据业务风险系数和风险系数权重,计算得到业务系统对应的用户综合风险系数。
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:
从业务系统获取用户数据,并从用户数据中提取用户特征信息;
查询与业务系统对应预设的风险评估模型和风险系数权重;
将用户特征信息输入风险评估模型中,得到由风险评估模型输出的业务风险系数;
根据业务风险系数和风险系数权重,计算得到业务系统对应的用户综合风险系数。
上述风险控制方法、装置、计算机设备和存储介质,从业务系统中获取的用户数据中提取用户特征信息,将该用户特征信息输入业务系统对应预设的风险评估模型中,得到业务风险系数,再结合业务系统对应的风险系数权重,计算得到该业务系统下的用户综合风险系数。在风险控制过程中,通过业务系统对应预设的风险评估模型得到业务风险系数获取,避免了人为因素的影响,并且结合业务系统对应的风险系数权重得到用户综合风险系数,加强了风险控制中业务系统的针对性,提高了风险控制的准确度。
附图说明
图1为一个实施例中风险控制方法的应用场景图;
图2为一个实施例中风险控制方法的流程示意图;
图3为一个实施例中风险评估模型构建的步骤的流程示意图;
图4为另一个实施例中风险控制方法的流程示意图;
图5为一个实施例中风险控制装置的结构框图;
图6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。
本申请提供的风险控制方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104通过网络进行通信。终端102向服务器104发出业务请求,触发服务器104进行风险控制,具体地,从业务系统中获取的用户数据中提取用户特征信息,将该用户特征信息输入业务系统对应预设的风险评估模型中,得到业务风险系数,再结合业务系统对应的风险系数权重,计算得到该业务系统下的用户综合风险系数,最后服务器104可以根据用户综合风险系数对终端102的业务请求进行响应。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。
在一个实施例中,如图2所示,提供了一种风险控制方法,以该方法应用于图1中的服务器104为例进行说明,包括以下步骤:
步骤S201:从业务系统获取用户数据,并从用户数据中提取用户特征信息。
其中,用户数据可以包括业务用户在业务系统中各个维度的信息数据,如业务数据、用户档案信息等,从用户数据中可以提取业务用户的用户身份信息,例如用户年龄、性别、地域等用户信息,以及用户业务信息和用户信用信息等业务数据。具体地,在触发进行风险控制时,如接收到终端102发送的业务请求消息时,从业务系统的业务数据库中获取用户数据,并从获得的用户数据中提取对应的用户特征信息。
步骤S203:查询与业务系统对应预设的风险评估模型和风险系数权重。
其中,风险评估模型用于对输入的用户特征信息进行评估处理,输出对应的风险评估结果,如可以为量化的业务风险系数,风险评估模型可以预先根据各业务系统中的用户数据构建得到。在具体应用时,可以根据业务系统中确定为黑名单用户的用户数据构建得到与该业务系统对应的风险评估模型,用于对该业务系统中其他用户数据的风险评估。
风险系数权重用于在对各业务系统对应的风险评估模型输出的风险评估结果进行综合处理时,为各业务系统不同的重要程度划分出不同的权重占比,以此得到加权后综合评估结果。例如,对于保险业务系统,在对业务用户进行综合风险控制时,对于各种保险系统的权重占比更高,而对于其他与保险业务相关性较低的业务系统,可以设置更低的风险系数权重,以突出各保险系统在综合风险控制时的重要性,最终得到符合保险业务系统综合风险控制需求的综合评估结果。风险系数权重可以根据综合风险控制的实际需求进行自定义,以满足不同的风险控制需求。
步骤S205:将用户特征信息输入风险评估模型中,得到由风险评估模型输出的业务风险系数。
查询得到业务系统对应的风险评估模型后,将从用户数据中提取得到的用户特征信息输入风险评估模型中,并由风险评估模型输出风险评估结果,如可以为业务风险系数。其中,业务风险系数用于表征输入风险评估模型的用户特征信息对应的业务用户,在该业务系统中的风险评估结果。业务风险系数的具体呈现可以根据实际需求进行设定,例如可以将业务风险系数划分为5档,分别为高、较高、普通、较低和低,还可以直接以数值形式进行呈现,如对于确定过的黑名单业务用户,其业务风险系数设为1,对于确定的绝对白名单业务用户,其业务风险系数设为0,通过量化的业务风险系数,可以直观地对各业务用户进行业务风险控制。
具体地,风险评估模型可以为但不限于机器学习模型,如NN模型(NeuralNetworks,神经网络模型)、线性分类器、SVM模型(Support Vector Machine,支持向量机模型)、朴素贝叶斯模型和K-近邻算法模型等常用学习模型。通过预设的风险评估模型进行风险控制,避免了人为因素的影响,加强了风险控制中业务系统的针对性,提高了风险控制的准确度。
步骤S207:根据业务风险系数和风险系数权重,计算得到业务系统对应的用户综合风险系数。
由风险评估模型输出得到业务风险系数后,根据该业务风险系数及查询的风险系数权重,计算得到业务系统进行综合风险控制时,对应业务用户的用户综合风险系数。综合风险系数反映了业务用户在各个业务系统中的综合风险评估结果,通过按照综合风险控制需求调整风险系数权重,可以得到满足不同风险控制需求的用户综合风险系数,通过该用户综合风险系数可以对对应的业务用户进行风险控制。例如,当用户综合风险系数高于预设的业务风险系数阈值时,不予提供相关业务服务,或者进一步基于高风险条件生成附加业务的责任条款等,以此进行风险规避,保障风险控制的效果。
上述风险控制方法中,从业务系统中获取的用户数据中提取用户特征信息,将该用户特征信息输入业务系统对应预设的风险评估模型中,得到业务风险系数,再结合业务系统对应的风险系数权重,计算得到该业务系统下的用户综合风险系数。在风险控制过程中,通过业务系统对应预设的风险评估模型得到业务风险系数获取,避免了人为因素的影响,并且结合业务系统对应的风险系数权重得到用户综合风险系数,加强了风险控制中业务系统的针对性,提高了风险控制的准确度。
在一个实施例中,从业务系统获取用户数据的步骤包括:接收用户终端发送的业务请求消息;从业务请求消息中提取用户终端的用户标识;根据用户标识从业务系统对应的业务数据库中获取用户数据。
在进行风险控制时,可以设置触发条件,如可以为接收到业务请求消息,即当业务用户想业务系统请求相关业务服务时,触发进行风险控制。本实施例中,接收用户终端发送的业务请求消息,并从业务请求消息中提取对应的用户标识,根据该用户标识从业务系统对应的业务数据库中获取用户数据。其中,业务请求消息可以包括用户终端的用户标识以及请求业务对象,用户标识可以但不限于包括业务用户账号、姓名、身份证号等标识信息。根据该请求业务对象可以确定当前请求的业务服务类型,进一步根据该业务服务类型能够确定对应的业务系统,并从业务系统的业务数据库中查询得到所需用户数据。
在一个实施例中,查询与业务系统对应预设的风险系数权重的步骤包括:确定业务系统的业务类型;查询预设的业务类型权重表单,业务类型权重表单记录有各类型业务系统对应的风险系数权重;按照业务系统的业务类型,从业务类型权重表单中获得业务系统对应预设的风险系数权重。
在进行风险控制时,可以基于业务用户在各个业务系统中业务数据进行综合风险控制,而基于业务用户所请求的业务服务的不同,即业务用户面对的业务系统不同时,对于各业务系统中的风险评估结果的参考程度并不相同,可以通过设置不同的权重占比以体现在综合风险控制时,对各业务系统的参考程度。
本实施例中,确定业务系统的业务类型,例如保险系统中的各种险种子系统、金融系统中借贷服务系统等。确定业务系统的业务类型后,查询预设的业务类型权重表单,并从中获取该业务系统对应的风险系数权重。其中,业务类型权重表单可以根据实际风险控制需求进行设定,例如,当业务用户请求业务服务为车险服务时,可以根据该业务用户在各个业务系统,包括保险系统下各种各种险种系统和金融借贷系统中的用户数据,对业务用户进行风险控制,具体地,可以根据各中业务类型的业务系统,设置业务类型权重表单,其中,车险系统的权重最高,而其他保险系统的权重其次,金融借贷系统等其他与保险服务相关性较低的业务系统的权重最低,以此在综合了业务用户在各系统中的用户数据进行风险控制的同时,又体现了各业务系统的重要层次,确保了对于车险服务进行风险控制时的针对性和准确性。
在一个实施例中,如图3所示,提供了风险评估模型构建的步骤,其中,用户特征信息包括用户身份信息、用户业务信息和用户信用信息;在查询与业务系统对应预设的风险评估模型和风险系数权重的步骤之前,风险评估模型构建的步骤具体可以包括:
步骤S301:根据用户身份信息、用户业务信息和用户信用信息构建输入向量,根据输入向量得到输入层。
风险评估模型可以根据不同的业务系统对应构建,以提高风险评估模型的针对性,确保风险控制的准确度。本实施例中,用户身份信息可以为与各业务用户对应的各维度的身份数据,例如年龄、性别、工作和地域等信息;用户业务信息可以为对应业务用户的历史业务服务数据;用户信用信息可以包括业务用户的信用评分信息、历史失信行为信息和历史履约信息等信用相关数据。根据用户特征信息构建输入向量,进一步得到输入层。具体地,可以将用户身份信息、用户业务信息和用户信用信息进行编码、排序,得到输入向量,并将根据该输入向量构建成风险评估模型的输入层。在一个具体应用中,风险评估模型可以为SVM模型,其本质为分类算法,原理为通过寻找分类平面将输入数据进行分类。
步骤S303:根据业务风险系数构建输出向量,根据输出向量得到输出层。
本实施例中中,风险评估模型的输出层根据业务风险系数构建的输出向量得到。业务风险系数可以以不同的形式进行呈现,如可以为不同颜色、或不同的数值等形式。
步骤S305:获取预设的输入向量与输出向量之间的映射参数,根据映射参数得到中间层。
确定输入向量和输出向量后,可以设置二者之间的映射参数,并根据该映射参数得到中间层。在机器学习模型中,中间层为隐藏层,其中隐藏输入向量和输出向量之间映射关系,如映射参数。其中映射参数可以为权重比例、或函数式等,具体映射参数可以根据风险评估模型的结构进行设置。在构架风险评估模型时,可以设置初始化映射参数,并根据初始化映射参数得到中间层。在具体的应用中,风险评估模型为SVM模型,其中间层的映射参数可以为RBF((Radial Basis Function,径向基函数)核函数、线性核函数、多项式核函数、Sigmoid核函数等。当采用RBF核函数时,通过调整RBF核函数中惩罚因子C和核参数γ,可以调整中间层,最终得到适合的风险评估模型。
步骤S307:根据输入层、中间层和输出层构建得到待训练风险评估模型。
得到输入层、中间层和输出层后,根据该输入层、中间层和输出层构建得到待训练风险评估模型。其中,待训练风险评估模型为初始化风险评估模型,需要对其进行训练后,才可对输入的数据进行风险评估。
步骤S309:训练待训练风险评估模型,得到风险评估模型。
得到待训练风险评估模型后,对其进行训练,使待训练风险评估模型学习已知的各种数据,通过不断调整中间层,找出输入层与输出层之间对应的关系,最终训练完成后得到所需的风险评估模型。对待训练风险评估模型进行训练时,可以为监督学习和非监督学习,对于SVM模型,可以采用监督学习,以提高模型训练效率。
在一个实施例中,训练待训练风险评估模型,得到风险评估模型的步骤包括:从业务系统获取黑名单用户数据;将黑名单用户数据划分互斥的训练样本集和测试样本集;将训练样本集输入待训练风险评估模型中,对待训练风险评估模型进行训练,得到训练后风险评估模型;通过测试样本集对训练后风险评估模型进行评估测试,当测试结果满足预设评估阈值时,将训练后风险评估模型作为风险评估模型。
构建得到待训练风险评估模型后,需要对其进行训练,使其找出输入层与输出层之间对应的关系,得到能够输出满足输出条件的模型输出。具体地,可以通过已知的黑名单用户数据对待训练风险评估模型进行训练。本实施例中,从业务系统获取黑名单用户数据,黑名单用户数据中包括黑名单用户对应的用户特征信息,通过该用户特征信息可以对待训练风险评估模型进行有效训练。在得到黑名单用户数据后,基于留出法将其划分为互斥的训练样本集和测试样本集,并通过训练样本集对待训练风险评估模型,再由测试样本集对训练后的风险评估模型进行评估测试,当测试结果满足预设评估阈值时,例如测试结果的成功率超过90%时,停止训练,将该训练后风险评估模型作为风险评估模型,从而完成了对待训练风险评估模型的训练。
在一个实施例中,将训练样本集输入待训练风险评估模型中,对待训练风险评估模型进行训练,得到训练后风险评估模型的步骤包括:将训练样本集输入待训练风险评估模型中,根据待训练风险评估模型的输出调整映射参数;根据调整后的映射参数得到调整后的中间层;根据输入层、调整后的中间层和输出层构建得到训练后风险评估模型。
训练时是基于初始化的待训练风险评估模型进行的,在训练过程中,根据训练样本集的处理,逐渐调整中间层,以使训练后风险评估模型能够输出满足条件的业务风险系数。本实施例中,将训练样本集输入待训练风险评估模型中,根据待训练风险评估模型的输出与训练样本集中的验证数据,调整映射参数,并根据调整后的映射参数得到调整后的中间层,最后根据输入层、调整后的中间层和输出层构建得到训练后风险评估模型。在具体应用时,如对于SVM模型,可以在训练过程中不断调整惩罚因子和核参数的组合(C,γ),最终得到满足需求的训练完成的SVM模型。
在一个实施例中,在根据业务风险系数和风险系数权重,计算得到业务系统对应的用户综合风险系数的步骤之后,还包括:将各业务系统对应的用户综合风险系数汇总,按照预设的风险报告模板,生成用户风险报告。
本实施例中,在得到用户综合风险系数之后,还可以将各业务系统中相同业务用户对应的用户综合风险系数进行聚合处理,以得到该业务用户的风险报告。具体地,获取预设的风险报告模板,该风险报告模板可以包括在各业务系统下业务用户的用户综合风险系数的聚合规则,以及各用户综合风险系数的编排规则等。按照该风险报告模板,根据汇总的各业务系统对应的用户综合风险系数生成得到用户风险报告,该用户风险报告反映了该业务用户对其各业务系统中的综合风险评估结果。
在一个实施例中,如图4所示,提供了一种风险控制方法,包括以下步骤:
步骤S401:接收用户终端发送的业务请求消息;
步骤S402:从业务请求消息中提取用户终端的用户标识;
步骤S403:根据用户标识从业务系统对应的业务数据库中获取用户数据;
步骤S404:从用户数据中提取用户特征信息。
本实施例中,接收到用户终端发送的业务请求消息时,触发风险控制处理,并从业务请求消息中提取用户终端的用户标识,用户标识包括业务用户账号、姓名、身份证号等标识信息,再根据用户标识从业务系统对应的业务数据库中获取用户数据,最后从获得的用户数据中提取用户特征信息,用户特征信息包括用户身份信息、用户业务信息和用户信用信息。
步骤S405:查询与业务系统对应预设的风险评估模型;
步骤S406:确定业务系统的业务类型;
步骤S407:查询预设的业务类型权重表单,业务类型权重表单记录有各类型业务系统对应的风险系数权重;
步骤S408:按照业务系统的业务类型,从业务类型权重表单中获得业务系统对应预设的风险系数权重。
触发风险控制处理后,一方面查询与业务系统对应预设的风险评估模型,风险评估模型用于对输入的用户特征信息进行评估处理,输出对应的量化的业务风险系数;另一方面,确定业务系统的业务类型,查询预设的业务类型权重表单,并从中获取该业务系统对应的风险系数权重,风险系数权重用于在对各业务系统对应的风险评估模型输出的风险评估结果进行综合处理时,为各业务系统不同的重要程度划分出不同的权重占比,以此得到加权后综合评估结果。
步骤S409:将用户特征信息输入风险评估模型中,得到由风险评估模型输出的业务风险系数;
步骤S410:根据业务风险系数和风险系数权重,计算得到业务系统对应的用户综合风险系数。
得到用户特征信息后,将其输入风险评估模型中,得到由风险评估模型输出的业务风险系数,并根据业务风险系数和风险系数权重,计算得到业务系统对应的用户综合风险系数。其中,综合风险系数反映了业务用户在各个业务系统中的综合风险评估结果,通过按照综合风险控制需求调整风险系数权重,可以得到满足不同风险控制需求的用户综合风险系数,通过该用户综合风险系数可以对对应的业务用户进行风险控制。
步骤S411:将各业务系统对应的用户综合风险系数汇总,按照预设的风险报告模板,生成用户风险报告。
本实施例中,在得到用户综合风险系数之后,还可以将各业务系统中相同业务用户对应的用户综合风险系数进行聚合处理,以得到该业务用户的风险报告,该用户风险报告反映了该业务用户对其各业务系统中的综合风险评估结果。
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,提供了一种风险控制装置,包括:特征信息获取模块501、评估模型查询模块503、业务风险获取模块505和综合风险获取模块507,其中:
特征信息获取模块501,用于从业务系统获取用户数据,并从用户数据中提取用户特征信息;
评估模型查询模块503,用于查询与业务系统对应预设的风险评估模型和风险系数权重;
业务风险获取模块505,用于将用户特征信息输入风险评估模型中,得到由风险评估模型输出的业务风险系数;
综合风险获取模块507,用于根据业务风险系数和风险系数权重,计算得到业务系统对应的用户综合风险系数。
上述风险控制装置,由特征信息获取模块从业务系统中获取的用户数据中提取用户特征信息,通过业务风险获取模块将该用户特征信息输入业务系统对应预设的风险评估模型中,得到业务风险系数,再由综合风险获取模块结合业务系统对应的风险系数权重,计算得到该业务系统下的用户综合风险系数。在风险控制过程中,通过业务系统对应预设的风险评估模型得到业务风险系数获取,避免了人为因素的影响,并且结合业务系统对应的风险系数权重得到用户综合风险系数,加强了风险控制中业务系统的针对性,提高了风险控制的准确度。
在一个实施例中,特征信息获取模块501包括请求消息单元、用户标识提取单元和用户数据获取单元,其中:请求消息单元,用于接收用户终端发送的业务请求消息;用户标识提取单元,用于从业务请求消息中提取用户终端的用户标识;用户数据获取单元,用于根据用户标识从业务系统对应的业务数据库中获取用户数据。
在一个实施例中,评估模型查询模块503包括业务类型确定单元、权重表单查询单元和系数权重查询单元,其中:业务类型确定单元,用于确定业务系统的业务类型;权重表单查询单元,用于查询预设的业务类型权重表单,业务类型权重表单记录有各类型业务系统对应的风险系数权重;系数权重查询单元,用于按照业务系统的业务类型,从业务类型权重表单中获得业务系统对应预设的风险系数权重。
在一个实施例中,用户特征信息包括用户身份信息、用户业务信息和用户信用信息;还包括输入层模块、输出层模块、中间层模块、模型构建模块和模型训练模块,其中:输入层模块,用于根据用户标识信息、用户业务信息和用户信用信息构建输入向量,根据输入向量得到输入层;输出层模块,用于根据业务风险系数构建输出向量,根据输出向量得到输出层;中间层模块,用于获取预设的输入向量与输出向量之间的映射参数,根据映射参数得到中间层;模型构建模块,用于根据输入层、中间层和输出层构建得到待训练风险评估模型;模型训练模块,用于训练待训练风险评估模型,得到风险评估模型。
在一个实施例中,模型训练模块包括黑名单数据获取单元、黑名单数据划分单元、模型训练单元和模型测试单元,其中:黑名单数据获取单元,用于从业务系统获取黑名单用户数据;黑名单数据划分单元,用于将黑名单用户数据划分互斥的训练样本集和测试样本集;模型训练单元,用于将训练样本集输入待训练风险评估模型中,对待训练风险评估模型进行训练,得到训练后风险评估模型;模型测试单元,用于通过测试样本集对训练后风险评估模型进行评估测试,当测试结果满足预设评估阈值时,将训练后风险评估模型作为风险评估模型。
在一个实施例中,模型训练单元包括映射参数子单元、中间层子单元和训练模型构建子单元,其中:映射参数子单元,用于将训练样本集输入待训练风险评估模型中,根据待训练风险评估模型的输出调整映射参数;中间层子单元,用于根据调整后的映射参数得到调整后的中间层;训练模型构建子单元,用于根据输入层、调整后的中间层和输出层构建得到训练后风险评估模型。
在一个实施例中,还包括风险报告模块,用于将各业务系统对应的用户综合风险系数汇总,按照预设的风险报告模板,生成用户风险报告。
关于风险控制装置的具体限定可以参见上文中对于风险控制方法的限定,在此不再赘述。上述风险控制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、存储器和网络接口。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风险控制方法。
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,提供了一种计算机设备,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:
从业务系统获取用户数据,并从用户数据中提取用户特征信息;
查询与业务系统对应预设的风险评估模型和风险系数权重;
将用户特征信息输入风险评估模型中,得到由风险评估模型输出的业务风险系数;
根据业务风险系数和风险系数权重,计算得到业务系统对应的用户综合风险系数。
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:接收用户终端发送的业务请求消息;从业务请求消息中提取用户终端的用户标识;根据用户标识从业务系统对应的业务数据库中获取用户数据。
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:确定业务系统的业务类型;查询预设的业务类型权重表单,业务类型权重表单记录有各类型业务系统对应的风险系数权重;按照业务系统的业务类型,从业务类型权重表单中获得业务系统对应预设的风险系数权重。
在一个实施例中,用户特征信息包括用户身份信息、用户业务信息和用户信用信息;处理器执行计算机程序时还实现以下步骤:根据用户标识信息、用户业务信息和用户信用信息构建输入向量,根据输入向量得到输入层;根据业务风险系数构建输出向量,根据输出向量得到输出层;获取预设的输入向量与输出向量之间的映射参数,根据映射参数得到中间层;根据输入层、中间层和输出层构建得到待训练风险评估模型;训练待训练风险评估模型,得到风险评估模型。
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:从业务系统获取黑名单用户数据;将黑名单用户数据划分互斥的训练样本集和测试样本集;将训练样本集输入待训练风险评估模型中,对待训练风险评估模型进行训练,得到训练后风险评估模型;通过测试样本集对训练后风险评估模型进行评估测试,当测试结果满足预设评估阈值时,将训练后风险评估模型作为风险评估模型。
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:将训练样本集输入待训练风险评估模型中,根据待训练风险评估模型的输出调整映射参数;根据调整后的映射参数得到调整后的中间层;根据输入层、调整后的中间层和输出层构建得到训练后风险评估模型。
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:将各业务系统对应的用户综合风险系数汇总,按照预设的风险报告模板,生成用户风险报告。
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:
从业务系统获取用户数据,并从用户数据中提取用户特征信息;
查询与业务系统对应预设的风险评估模型和风险系数权重;
将用户特征信息输入风险评估模型中,得到由风险评估模型输出的业务风险系数;
根据业务风险系数和风险系数权重,计算得到业务系统对应的用户综合风险系数。
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:接收用户终端发送的业务请求消息;从业务请求消息中提取用户终端的用户标识;根据用户标识从业务系统对应的业务数据库中获取用户数据。
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:确定业务系统的业务类型;查询预设的业务类型权重表单,业务类型权重表单记录有各类型业务系统对应的风险系数权重;按照业务系统的业务类型,从业务类型权重表单中获得业务系统对应预设的风险系数权重。
在一个实施例中,用户特征信息包括用户身份信息、用户业务信息和用户信用信息;计算机程序被处理器执行时还实现以下步骤:根据用户标识信息、用户业务信息和用户信用信息构建输入向量,根据输入向量得到输入层;根据业务风险系数构建输出向量,根据输出向量得到输出层;获取预设的输入向量与输出向量之间的映射参数,根据映射参数得到中间层;根据输入层、中间层和输出层构建得到待训练风险评估模型;训练待训练风险评估模型,得到风险评估模型。
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:从业务系统获取黑名单用户数据;将黑名单用户数据划分互斥的训练样本集和测试样本集;将训练样本集输入待训练风险评估模型中,对待训练风险评估模型进行训练,得到训练后风险评估模型;通过测试样本集对训练后风险评估模型进行评估测试,当测试结果满足预设评估阈值时,将训练后风险评估模型作为风险评估模型。
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:将训练样本集输入待训练风险评估模型中,根据待训练风险评估模型的输出调整映射参数;根据调整后的映射参数得到调整后的中间层;根据输入层、调整后的中间层和输出层构建得到训练后风险评估模型。
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:将各业务系统对应的用户综合风险系数汇总,按照预设的风险报告模板,生成用户风险报告。
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)
1.一种风险控制方法,所述方法包括:
从业务系统获取用户数据,并从所述用户数据中提取用户特征信息;
查询与所述业务系统对应预设的风险评估模型和风险系数权重;
将所述用户特征信息输入所述风险评估模型中,得到由所述风险评估模型输出的业务风险系数;
根据所述业务风险系数和所述风险系数权重,计算得到所述业务系统对应的用户综合风险系数。
2.根据权利要求1所述的方法,其特征在于,所述从业务系统获取用户数据的步骤包括:
接收用户终端发送的业务请求消息;
从所述业务请求消息中提取所述用户终端的用户标识;
根据所述用户标识从业务系统对应的业务数据库中获取用户数据。
3.根据权利要求1所述的方法,其特征在于,所述查询与所述业务系统对应预设的风险系数权重的步骤包括:
确定所述业务系统的业务类型;
查询预设的业务类型权重表单,所述业务类型权重表单记录有各类型业务系统对应的风险系数权重;
按照所述业务系统的业务类型,从所述业务类型权重表单中获得所述业务系统对应预设的风险系数权重。
4.根据权利要求1所述的方法,其特征在于,所述用户特征信息包括用户身份信息、用户业务信息和用户信用信息;在所述查询与所述业务系统对应预设的风险评估模型和风险系数权重的步骤之前,还包括:
根据所述用户标识信息、所述用户业务信息和所述用户信用信息构建输入向量,根据所述输入向量得到输入层;
根据所述业务风险系数构建输出向量,根据所述输出向量得到输出层;
获取预设的所述输入向量与所述输出向量之间的映射参数,根据所述映射参数得到中间层;
根据所述输入层、所述中间层和所述输出层构建得到待训练风险评估模型;
训练所述待训练风险评估模型,得到所述风险评估模型。
5.根据权利要求4所述的方法,其特征在于,所述训练所述待训练风险评估模型,得到所述风险评估模型的步骤包括:
从所述业务系统获取黑名单用户数据;
将所述黑名单用户数据划分互斥的训练样本集和测试样本集;
将所述训练样本集输入所述待训练风险评估模型中,对所述待训练风险评估模型进行训练,得到训练后风险评估模型;
通过所述测试样本集对所述训练后风险评估模型进行评估测试,当测试结果满足预设评估阈值时,将所述训练后风险评估模型作为所述风险评估模型。
6.根据权利要求5所述的方法,其特征在于,所述将所述训练样本集输入所述待训练风险评估模型中,对所述待训练风险评估模型进行训练,得到训练后风险评估模型的步骤包括:
将所述训练样本集输入所述待训练风险评估模型中,根据所述待训练风险评估模型的输出调整所述映射参数;
根据调整后的映射参数得到调整后的中间层;
根据所述输入层、所述调整后的中间层和所述输出层构建得到所述训练后风险评估模型。
7.根据权利要求4至6任意一项所述的方法,其特征在于,在所述根据所述业务风险系数和所述风险系数权重,计算得到所述业务系统对应的用户综合风险系数的步骤之后,还包括:
将各所述业务系统对应的所述用户综合风险系数汇总,按照预设的风险报告模板,生成用户风险报告。
8.一种风险控制装置,其特征在于,所述装置包括:
特征信息获取模块,用于从业务系统获取用户数据,并从所述用户数据中提取用户特征信息;
评估模型查询模块,用于查询与所述业务系统对应预设的风险评估模型和风险系数权重;
业务风险获取模块,用于将所述用户特征信息输入所述风险评估模型中,得到由所述风险评估模型输出的业务风险系数;
综合风险获取模块,用于根据所述业务风险系数和所述风险系数权重,计算得到所述业务系统对应的用户综合风险系数。
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7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7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811081570.2A CN109345374B (zh) | 2018-09-17 | 2018-09-17 | 风险控制方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811081570.2A CN109345374B (zh) | 2018-09-17 | 2018-09-17 | 风险控制方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109345374A true CN109345374A (zh) | 2019-02-15 |
CN109345374B CN109345374B (zh) | 2023-04-18 |
Family
ID=65305238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811081570.2A Active CN109345374B (zh) | 2018-09-17 | 2018-09-17 | 风险控制方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109345374B (zh) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110970A (zh) * | 2019-04-12 | 2019-08-09 | 平安信托有限责任公司 | 虚拟资源风险评级方法、系统、计算机设备和存储介质 |
CN110135694A (zh) * | 2019-04-12 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 产品风险评估方法、装置、计算机设备和存储介质 |
CN110232612A (zh) * | 2019-05-20 | 2019-09-13 | 深圳壹账通智能科技有限公司 | 产品推送方法、装置、计算机设备和存储介质 |
CN110334329A (zh) * | 2019-05-24 | 2019-10-15 | 中国平安人寿保险股份有限公司 | 基于风险管理系统的风险报告生成方法及系统 |
CN110363390A (zh) * | 2019-06-18 | 2019-10-22 | 中国平安人寿保险股份有限公司 | 基于大数据的风险预测方法、系统、设备及存储介质 |
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 |
CN110503564A (zh) * | 2019-07-05 | 2019-11-26 | 中国平安人寿保险股份有限公司 | 基于大数据的保全案件处理方法、系统、设备及存储介质 |
CN110543498A (zh) * | 2019-08-20 | 2019-12-06 | 武汉稀云科技有限公司 | 一种基于事件触发的多方数据关联查询方法和装置 |
CN110717819A (zh) * | 2019-09-02 | 2020-01-21 | 深圳壹账通智能科技有限公司 | 业务处理方法、系统、计算机设备及存储介质 |
CN110827144A (zh) * | 2019-11-13 | 2020-02-21 | 北京顶象技术有限公司 | 用户的申请风险评估方法、申请风险评估装置及电子设备 |
CN111047423A (zh) * | 2019-11-01 | 2020-04-21 | 支付宝(杭州)信息技术有限公司 | 一种风险确定方法、装置及电子设备 |
CN111240975A (zh) * | 2020-01-07 | 2020-06-05 | 平安科技(深圳)有限公司 | 人工智能系统风险检测方法、装置、计算机设备与介质 |
CN111311107A (zh) * | 2020-03-02 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 基于用户关系的风险评估方法、装置和计算机设备 |
CN111325557A (zh) * | 2020-02-25 | 2020-06-23 | 支付宝(杭州)信息技术有限公司 | 一种商户风险的检测方法、装置及设备 |
CN111861765A (zh) * | 2020-07-29 | 2020-10-30 | 贵州力创科技发展有限公司 | 一种车辆保险理赔智能反欺诈方法 |
CN112346995A (zh) * | 2020-12-04 | 2021-02-09 | 中信银行股份有限公司 | 一种基于银行业的测试风险预估模型的构建方法及装置 |
CN112579407A (zh) * | 2019-09-29 | 2021-03-30 | 北京国双科技有限公司 | 风险用户检测方法、装置、电子设备和计算机可读介质 |
CN112699353A (zh) * | 2021-03-25 | 2021-04-23 | 北京瑞莱智慧科技有限公司 | 一种金融信息传输方法以及金融信息传输系统 |
CN113065748A (zh) * | 2021-03-15 | 2021-07-02 | 中国平安财产保险股份有限公司 | 业务风险评估方法、装置、设备及存储介质 |
CN113177047A (zh) * | 2021-04-23 | 2021-07-27 | 上海晓途网络科技有限公司 | 数据的回溯方法、装置、电子设备及存储介质 |
CN113283982A (zh) * | 2021-06-09 | 2021-08-20 | 中国农业银行股份有限公司 | 信息处理方法、装置、设备、存储介质及程序产品 |
CN113393331A (zh) * | 2021-06-10 | 2021-09-14 | 罗忠明 | 基于大数据的数据库和算法的保险精准风控、管理、智慧客服及营销系统 |
CN114240097A (zh) * | 2021-12-02 | 2022-03-25 | 支付宝(杭州)信息技术有限公司 | 一种风险评估的方法及装置 |
WO2022126975A1 (zh) * | 2020-12-16 | 2022-06-23 | 平安科技(深圳)有限公司 | 客户信息校验方法、装置、计算机设备及存储介质 |
CN115907971A (zh) * | 2023-01-30 | 2023-04-04 | 江苏安则达信用信息服务有限公司 | 适用于个人信用评估系统的数据处理方法及装置 |
CN116308738A (zh) * | 2023-02-10 | 2023-06-23 | 之江实验室 | 一种模型训练的方法、业务风控的方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107203939A (zh) * | 2017-05-26 | 2017-09-26 | 阿里巴巴集团控股有限公司 | 确定用户风险等级的方法及装置、计算机设备 |
CN107330309A (zh) * | 2017-06-14 | 2017-11-07 | 广东网金控股股份有限公司 | 一种基于神经网络的安全保护方法及系统 |
CN107767259A (zh) * | 2017-09-30 | 2018-03-06 | 平安科技(深圳)有限公司 | 贷款风险控制方法、电子装置及可读存储介质 |
CN108009914A (zh) * | 2017-12-19 | 2018-05-08 | 马上消费金融股份有限公司 | 一种信用风险评估方法、系统、设备及计算机存储介质 |
US20180182029A1 (en) * | 2016-12-22 | 2018-06-28 | American Express Travel Related Services Company, Inc. | Systems and methods for custom ranking objectives for machine learning models applicable to fraud and credit risk assessments |
-
2018
- 2018-09-17 CN CN201811081570.2A patent/CN109345374B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180182029A1 (en) * | 2016-12-22 | 2018-06-28 | American Express Travel Related Services Company, Inc. | Systems and methods for custom ranking objectives for machine learning models applicable to fraud and credit risk assessments |
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 |
CN107203939A (zh) * | 2017-05-26 | 2017-09-26 | 阿里巴巴集团控股有限公司 | 确定用户风险等级的方法及装置、计算机设备 |
CN107330309A (zh) * | 2017-06-14 | 2017-11-07 | 广东网金控股股份有限公司 | 一种基于神经网络的安全保护方法及系统 |
CN107767259A (zh) * | 2017-09-30 | 2018-03-06 | 平安科技(深圳)有限公司 | 贷款风险控制方法、电子装置及可读存储介质 |
CN108009914A (zh) * | 2017-12-19 | 2018-05-08 | 马上消费金融股份有限公司 | 一种信用风险评估方法、系统、设备及计算机存储介质 |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110970A (zh) * | 2019-04-12 | 2019-08-09 | 平安信托有限责任公司 | 虚拟资源风险评级方法、系统、计算机设备和存储介质 |
CN110135694A (zh) * | 2019-04-12 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 产品风险评估方法、装置、计算机设备和存储介质 |
CN110232612A (zh) * | 2019-05-20 | 2019-09-13 | 深圳壹账通智能科技有限公司 | 产品推送方法、装置、计算机设备和存储介质 |
CN110334329A (zh) * | 2019-05-24 | 2019-10-15 | 中国平安人寿保险股份有限公司 | 基于风险管理系统的风险报告生成方法及系统 |
CN110334329B (zh) * | 2019-05-24 | 2023-07-25 | 中国平安人寿保险股份有限公司 | 基于风险管理系统的风险报告生成方法及系统 |
CN110363390A (zh) * | 2019-06-18 | 2019-10-22 | 中国平安人寿保险股份有限公司 | 基于大数据的风险预测方法、系统、设备及存储介质 |
CN110503564A (zh) * | 2019-07-05 | 2019-11-26 | 中国平安人寿保险股份有限公司 | 基于大数据的保全案件处理方法、系统、设备及存储介质 |
CN110503564B (zh) * | 2019-07-05 | 2024-04-02 | 中国平安人寿保险股份有限公司 | 基于大数据的保全案件处理方法、系统、设备及存储介质 |
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 |
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 |
CN110543498A (zh) * | 2019-08-20 | 2019-12-06 | 武汉稀云科技有限公司 | 一种基于事件触发的多方数据关联查询方法和装置 |
CN110543498B (zh) * | 2019-08-20 | 2022-02-18 | 武汉稀云科技有限公司 | 一种基于事件触发的多方数据关联查询方法和装置 |
CN110717819A (zh) * | 2019-09-02 | 2020-01-21 | 深圳壹账通智能科技有限公司 | 业务处理方法、系统、计算机设备及存储介质 |
CN112579407A (zh) * | 2019-09-29 | 2021-03-30 | 北京国双科技有限公司 | 风险用户检测方法、装置、电子设备和计算机可读介质 |
CN111047423A (zh) * | 2019-11-01 | 2020-04-21 | 支付宝(杭州)信息技术有限公司 | 一种风险确定方法、装置及电子设备 |
CN110827144A (zh) * | 2019-11-13 | 2020-02-21 | 北京顶象技术有限公司 | 用户的申请风险评估方法、申请风险评估装置及电子设备 |
CN111240975A (zh) * | 2020-01-07 | 2020-06-05 | 平安科技(深圳)有限公司 | 人工智能系统风险检测方法、装置、计算机设备与介质 |
CN111325557A (zh) * | 2020-02-25 | 2020-06-23 | 支付宝(杭州)信息技术有限公司 | 一种商户风险的检测方法、装置及设备 |
CN111311107B (zh) * | 2020-03-02 | 2023-05-09 | 腾讯科技(深圳)有限公司 | 基于用户关系的风险评估方法、装置和计算机设备 |
CN111311107A (zh) * | 2020-03-02 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 基于用户关系的风险评估方法、装置和计算机设备 |
CN111861765A (zh) * | 2020-07-29 | 2020-10-30 | 贵州力创科技发展有限公司 | 一种车辆保险理赔智能反欺诈方法 |
CN112346995A (zh) * | 2020-12-04 | 2021-02-09 | 中信银行股份有限公司 | 一种基于银行业的测试风险预估模型的构建方法及装置 |
CN112346995B (zh) * | 2020-12-04 | 2023-08-01 | 中信银行股份有限公司 | 一种基于银行业的测试风险预估模型的构建方法及装置 |
WO2022126975A1 (zh) * | 2020-12-16 | 2022-06-23 | 平安科技(深圳)有限公司 | 客户信息校验方法、装置、计算机设备及存储介质 |
CN113065748A (zh) * | 2021-03-15 | 2021-07-02 | 中国平安财产保险股份有限公司 | 业务风险评估方法、装置、设备及存储介质 |
CN112699353A (zh) * | 2021-03-25 | 2021-04-23 | 北京瑞莱智慧科技有限公司 | 一种金融信息传输方法以及金融信息传输系统 |
CN113177047A (zh) * | 2021-04-23 | 2021-07-27 | 上海晓途网络科技有限公司 | 数据的回溯方法、装置、电子设备及存储介质 |
CN113283982A (zh) * | 2021-06-09 | 2021-08-20 | 中国农业银行股份有限公司 | 信息处理方法、装置、设备、存储介质及程序产品 |
CN113393331A (zh) * | 2021-06-10 | 2021-09-14 | 罗忠明 | 基于大数据的数据库和算法的保险精准风控、管理、智慧客服及营销系统 |
CN114240097A (zh) * | 2021-12-02 | 2022-03-25 | 支付宝(杭州)信息技术有限公司 | 一种风险评估的方法及装置 |
CN115907971A (zh) * | 2023-01-30 | 2023-04-04 | 江苏安则达信用信息服务有限公司 | 适用于个人信用评估系统的数据处理方法及装置 |
CN116308738A (zh) * | 2023-02-10 | 2023-06-23 | 之江实验室 | 一种模型训练的方法、业务风控的方法及装置 |
CN116308738B (zh) * | 2023-02-10 | 2024-03-08 | 之江实验室 | 一种模型训练的方法、业务风控的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109345374B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109345374A (zh) | 风险控制方法、装置、计算机设备和存储介质 | |
CN108876133B (zh) | 基于业务信息的风险评估处理方法、装置、服务器和介质 | |
CN109858737B (zh) | 基于模型部署的评分模型调整方法、装置和计算机设备 | |
CN109829776A (zh) | 商户风险评估方法、装置、计算机设备和存储介质 | |
CN109815803B (zh) | 面审风险控制方法、装置、计算机设备和存储介质 | |
CN109636607A (zh) | 基于模型部署的业务数据处理方法、装置和计算机设备 | |
CN112633962B (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
CN112862298B (zh) | 一种针对用户画像的信用评估方法 | |
CN110009225A (zh) | 风险评估系统构建方法、装置、计算机设备和存储介质 | |
CN110929879A (zh) | 基于决策引擎和模型平台的业务决策逻辑更新方法 | |
US20240154969A1 (en) | Pre-authorization access request screening | |
CN110766275A (zh) | 数据验证方法、装置、计算机设备及存储介质 | |
CN109584045A (zh) | 授信额度配置方法、装置、计算机设备和存储介质 | |
CN110033365A (zh) | 一种个人信用贷款审批系统及方法 | |
CN109857373A (zh) | 业务数据处理方法、装置、计算机设备和存储介质 | |
CN110135943B (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN110363645A (zh) | 资产数据处理方法、装置、计算机设备和存储介质 | |
CN111260438A (zh) | 产品配置方法、装置、计算机设备和存储介质 | |
US20190362354A1 (en) | Real-time updating of predictive analytics engine | |
CN112308704A (zh) | 数据评估方法、装置、电子设备及存储介质 | |
CN113919664A (zh) | Api资产风险控制方法、装置、计算机设备和存储介质 | |
CN110110970A (zh) | 虚拟资源风险评级方法、系统、计算机设备和存储介质 | |
CN111340365A (zh) | 企业数据处理方法、装置、计算机设备和存储介质 | |
CN111401675A (zh) | 基于相似性的风险识别方法、装置、设备及存储介质 | |
CN114612220A (zh) | 风控策略调整方法、装置、电子设备以及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |