CN109636607A - 基于模型部署的业务数据处理方法、装置和计算机设备 - Google Patents
基于模型部署的业务数据处理方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN109636607A CN109636607A CN201811546828.1A CN201811546828A CN109636607A CN 109636607 A CN109636607 A CN 109636607A CN 201811546828 A CN201811546828 A CN 201811546828A CN 109636607 A CN109636607 A CN 109636607A
- Authority
- CN
- China
- Prior art keywords
- service
- business datum
- type
- air control
- rule template
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 78
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims description 54
- 230000003542 behavioural effect Effects 0.000 claims description 53
- 241001269238 Data Species 0.000 claims description 37
- 238000004590 computer program Methods 0.000 claims description 27
- 230000006399 behavior Effects 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000000903 blocking effect Effects 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000012502 risk assessment Methods 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 6
- 235000013399 edible fruits Nutrition 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000000151 deposition Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
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
本申请涉及一种基于模型部署的业务数据处理方法、装置和计算机设备。所述方法包括:接收用户终端发送的业务请求,业务请求携带了业务数据,业务数据包括业务类型;根据业务类型获取对应的规则模板;根据获取的规则模板按照预设方式生成对应的风控模型;通过风控模型对所述业务数据进行分析,得到分析结果;当分析结果中存在风险标签时,对业务请求进行拦截,并向对应的监控终端发送预警提示信息。采用本方法能够有效地构建评估准确率较高的风控模型,以提高对业务请求进行风险评估的准确率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及基于模型部署的一种基于模型部署的业务数据处理方法、装置和计算机设备。
背景技术
随着计算机技术的不断发展,互联网金融产业也随之迅速发展。目前互联网金融产业已经渗透到衣食住行等各个领域,出现了一些包括支付、理财、保险、出行、消费等功能的各类互联网金融产品和平台。然而互联网金融存在一定的风险,因此需要建立良好的风险管理体系,以对互联网金融交易中的风险进行管控。
传统的方式大多是通过预设的风控模型对用户的历史交易数据进行分析和监控,但这种方式通常是通过开发人员预先建立风控模型,针对不同的业务则需要开发人员重新构建对应的风控规则或模型,开发工作量较大,模型构建的效率较低。且传统的方式中多个类型的业务都是使用同一个风控模型进行评估,评估结果的准确率并不高。因此,如何有效地构建评估准确率较高的风控模型成为目前需要解决的技术问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够有效地构建评估准确率较高的风控模型的基于模型部署的业务数据处理方法、装置和计算机设备。
一种基于模型部署的业务数据处理方法,包括:
接收用户终端发送的业务请求,所述业务请求携带了业务数据,所述业务数据包括业务类型;
根据所述业务类型获取对应的规则模板;
根据获取的规则模板按照预设方式生成对应的风控模型;
通过所述风控模型对所述业务数据进行分析,得到分析结果;
当所述分析结果中存在风险标签时,对所述业务请求进行拦截,并向对应的监控终端发送预警提示信息。
在其中一个实施例中,所述业务数据包括用户标识,所述通过所述风控模型对所述业务数据进行分析,包括:根据所述用户标识获取对应的用户历史行为数据;提取所述用户历史行为数据和所述业务数据的特征变量;将提取的特征变量输入至所述风控模型中,通过所述风控模型输出分析结果。
在其中一个实施例中,所述根据所述业务类型获取对应的规则模板之前,还包括:获取多个用户历史行为数据和业务数据;对多个用户历史行为数据和业务数据进行聚类分析,得到分析结果;根据所述分析结果和业务类型进行特征选择,得到多个业务类型对应的特征变量;根据业务类型和对应的特征变量构建业务类型对应的规则模板。
在其中一个实施例中,所述方法还包括:获取多个测试数据;利用多个测试数据对构建的规则模板进行测试,得到测试值;当所述测试值达到预设阈值时,则测试通过,对所述规则模板进行发布。
在其中一个实施例中,所述方法还包括:根据预设频率获取多个用户的历史行为数据和业务数据;对多个用户历史行为数据和业务数据进行聚类分析,得到分析结果;根据所述分析结果和业务类型进行特征选择,得到多个业务类型对应的特征变量;计算多个特征变量的权重;根据多个特征变量的权重对规则模板进行优化调整。
在其中一个实施例中,所述方法还包括:当所述分析结果中不存在风险标签时,获取预设的评分模型;通过所述评分模型对所述业务数据进行评分,得到所述业务请求的评分结果;当所述评分结果低于预设评分时,对所述业务请求进行拦截,并向对应的监控终端发送预警提示信息。
一种基于模型部署的业务数据处理装置,包括:
请求接收模块,用于接收用户终端发送的业务请求,所述业务请求携带了业务数据,所述业务数据包括业务类型;
规则模板获取模块,用于根据所述业务类型获取对应的规则模板;
风控模型生成模块,用于根据获取的规则模板按照预设方式生成对应的风控模型;
数据分析模块,用于通过所述风控模型对所述业务数据进行分析,得到分析结果;
请求拦截模块,用于当所述分析结果中存在风险标签时,对所述业务请求进行拦截,并向对应的监控终端发送预警提示信息。
在其中一个实施例中,所述装置还包括规则模板构建模块,用于获取多个用户历史行为数据和业务数据;对多个用户历史行为数据和业务数据进行聚类分析,得到分析结果;根据所述分析结果和业务类型进行特征选择,得到多个业务类型对应的特征变量;根据业务类型和对应的特征变量构建业务类型的规则模板。
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:
接收用户终端发送的业务请求,所述业务请求携带了业务数据,所述业务数据包括业务类型;
根据所述业务类型获取对应的规则模板;
根据获取的规则模板按照预设方式生成对应的风控模型;
通过所述风控模型对所述业务数据进行分析,得到分析结果;
当所述分析结果中存在风险标签时,对所述业务请求进行拦截,并向对应的监控终端发送预警提示信息。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
接收用户终端发送的业务请求,所述业务请求携带了业务数据,所述业务数据包括业务类型;
根据所述业务类型获取对应的规则模板;
根据获取的规则模板按照预设方式生成对应的风控模型;
通过所述风控模型对所述业务数据进行分析,得到分析结果;
当所述分析结果中存在风险标签时,对所述业务请求进行拦截,并向对应的监控终端发送预警提示信息。
上述基于模型部署的业务数据处理方法、装置和计算机设备,接收用户终端发送的业务请求,业务请求携带了业务数据,业务数据包括业务类型。进而根据业务类型获取对应的规则模板,根据获取的规则模板按照预设方式生成对应的风控模型。通过风控模型对业务数据进行分析,得到分析结果,由此能够快速有效地构建与业务类型相匹配的风控模型,进而能够有效地通过风控模型对业务请求进行风险评估。当分析结果中存在风险标签时,对业务请求进行拦截,并向对应的监控终端发送预警提示信息。通过根据业务请求的业务类型快速有效地构建对应的风控模型,有效地构建评估准确率较高的风控模型。通过风控模型对业务请求的风险评估进行评估,进而能够准确有效地对业务请求中存在的风险隐患进行预警,有效地保障了业务请求的安全性。
附图说明
图1为一个实施例中基于模型部署的业务数据处理方法的应用场景图;
图2为一个实施例中基于模型部署的业务数据处理方法的流程示意图;
图3为一个实施例中根据业务类型获取对应的规则模板步骤的流程示意图;
图4为一个实施例中对业务请求进行评分步骤的流程示意图;
图5为一个实施例中基于模型部署的业务数据处理装置的结构框图;
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。
本申请提供的基于模型部署的业务数据处理方法,可以应用于如图1所示的应用环境中。其中,用户终端102通过网络与服务器104进行通信,监控终端106通过网络与服务器104进行通信。其中,用户终端102和监控终端106可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。服务器104接收用户终端102发送的业务请求,业务请求携带了业务数据,业务数据包括业务类型。服务器102进而根据业务类型获取对应的规则模板,根据获取的规则模板按照预设方式生成对应的风控模型。服务器102通过风控模型对业务数据进行分析,得到分析结果,由此能够快速有效地构建与业务类型相匹配的风控模型,进而能够有效地通过风控模型对业务请求进行风险评估。当分析结果中存在风险标签时,对业务请求进行拦截,并向对应的监控终端106发送预警提示信息。通过根据业务请求的业务类型快速有效地构建对应的风控模型,有效地构建评估准确率较高的风控模型。通过风控模型对业务请求的风险评估进行评估,进而能够准确有效地对业务请求中存在的风险隐患进行预警。
在一个实施例中,如图2所示,提供了一种基于模型部署的业务数据处理方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤202,接收用户终端发送的业务请求,业务请求携带了业务数据,业务数据包括业务类型。
服务器中部署了业务系统,业务系统中包括多个子业务系统,每个业务系统中可以包括多个业务类型对应的业务。用户则可以通过对应的终端向服务器发送业务请求,以通过对应的业务系统对业务请求进行处理。例如业务请求可以为投保请求、贷款请求、交易请求等。业务请求中携带了业务数据,业务数据中包括用户信息和业务请求对应的业务类型。
步骤204,根据业务类型获取对应的规则模板。
步骤206,根据获取的规则模板按照预设方式生成对应的风控模型。
服务器中预先部署了风控模型的配置规则,根据不同的类型对应有预先设置的规则模板。具体地,服务器可以预先多个用户历史行为数据和业务数据,对多个用户历史行为数据和业务数据进行聚类分析,得到分析结果。服务器根据分析结果和业务类型进行特征选择,得到多个业务类型对应的特征变量。服务器则根据业务类型和对应的特征变量构建业务类型对应的规则模板,由此能够准确有效地构建出每种规则对应的规则模板。
服务器接收到用户终端发送的业务请求后,根据业务数据的业务类型获取对应的规则模板,例如规则模板可以包括数量模板、金额模板、关联统计模板、通用统计模板、占比模板、单一判断模板、比较模板、名单模板、时间差模板、四则运算模板、通用判断模板、复杂比较模板等多个模板。每个模板包括对应的条件规则、规则代码和应用场景等。服务器可以根据不同的业务类型获取对应所需的多个规则模板。服务器则利用获取的规则模板按照预设方式快速生成对应的风控模型,由此能够快速有效地构建与业务类型相匹配的风控模型。
步骤208,通过风控模型对业务数据进行分析,得到分析结果。
服务器根据规则模板构建对应的风控模型后,将业务数据输入至风控模型中,通过风控模型对业务数据进行分析,由此可以有效地得到对应的分析结果,以分析该业务请求是否存在风险。
步骤210,当分析结果中存在风险标签时,对业务请求进行拦截,并向对应的监控终端发送预警提示信息。
通过风控模型对业务数据进行分析后,得到的分析结果中可以包括多个结果标签和对应的结果信息。当分析结果中存在风险标签时,对当前的业务请求进行拦截,并向该业务类型对应的监控终端发送预警提示信息,以提示当前业务请求和对应的用户存在风险。服务器还可以向用户终端返回提示信息,以提示用户该业务请求所存在的风险。
上述基于模型部署的业务数据处理方法中,服务器接收用户终端发送的业务请求,业务请求携带了业务数据,业务数据包括业务类型。服务器进而根据业务类型获取对应的规则模板,根据获取的规则模板按照预设方式生成对应的风控模型。服务器通过风控模型对业务数据进行分析,得到分析结果,由此能够快速有效地构建与业务类型相匹配的风控模型,进而能够有效地通过风控模型对业务请求进行风险评估。当分析结果中存在风险标签时,对业务请求进行拦截,并向对应的监控终端发送预警提示信息。通过根据业务请求的业务类型快速有效地构建对应的风控模型,有效地构建评估准确率较高的风控模型。通过风控模型对业务请求的风险评估进行评估,进而能够准确有效地对业务请求中存在的风险隐患进行预警,有效地保障了业务请求的安全性。
在一个实施例中,业务数据包括用户标识,通过风控模型对业务数据进行分析的步骤包括:根据用户标识获取对应的用户历史行为数据;提取用户历史行为数据和业务数据的特征变量;将提取的特征变量输入至风控模型中,通过风控模型输出分析结果。
用户需要处理业务时,可以通过对应的用户终端向服务器发送业务请求,业务请求中携带了业务数据,业务数据包括用户标识和业务类型。服务器接收到用户终端发送的业务请求后,根据业务类型获取对应的规则模板,并根据规则模板按照预设的方式生成对应的风控模型。
服务器生成该业务请求对应的风控模型后,进一步根据用户标识获取该用户的用户历史行为数据。其中,用户历史行为数据可以包括用户的交易数据、消费行为数据、征信数据等。服务器进而根据预设方式对用户历史行为数据和业务数据进行特征提取,提取出用户历史行为数据和业务数据对应的特征变量。服务器则将提取的特征变量输入至风控模型中,通过风控模型对用户历史行为数据和业务数据进行风险分析,并输出对应的分析结果。服务器通过根据业务类型对应的规则模板按照预设方式构建对应的风控模型,由此能够快速有效地构建与业务类型相匹配的风控模型。通过风控模型对业务请求对应的业务数据进行风险分析,进而能够准确有效地通过风控模型对业务请求进行风险评估。
在一个实施例中,如图3所示,根据业务类型获取对应的规则模板的步骤之前,还包括构建规则模板的步骤,该步骤具体包括以下内容:
步骤302,获取多个用户历史行为数据和业务数据。
步骤304,对多个用户历史行为数据和业务数据进行聚类分析,得到分析结果。
步骤306,根据分析结果和业务类型进行特征选择,得到多个业务类型对应的特征变量。
步骤308,根据业务类型和对应的特征变量构建业务类型对应的规则模板。
服务器中部署了业务系统,业务系统中包括多个子业务系统,每个业务系统中可以包括多个业务类型对应的业务。用户终端向服务器发送业务请求之前,服务器可以预先构建多个业务类型对应的规则模板。
服务器可以从本地数据库或第三方数据库中获取大量的用户历史行为数据和业务数据,服务器进一步对获取的大量的用户历史行为数据和业务数据进行聚类分析。具体地,服务器对大量的用户历史行为数据和业务数据进行特征提取,提取出对应的特征变量。服务器提取出大量的用户历史行为数据和业务数据的特征变量后,采用预设的聚类算法特征变量进行聚类分析。例如,可以采用k-means(k-均值算法)聚类的方法。服务器通过对特征变量进行多次聚类后得到多个聚类结果。
服务器进一步对多个聚类结果内的特征变量分别进行组合,得到多个组合特征变量。获取目标变量,利用目标变量对多个组合特征变量进行相关性检验。检验通过时,对组合特征变量添加交互标签。利用添加交互标签后的组合特征变量解析对应的特征变量。添加交互标签后的组合特征变量可以为达到预设阈值的特征变量,服务器则提取出达到预设阈值特征变量。
服务器进一步根据业务类型和提取出的特征变量构建业务类型对应的规则模板。具体地,服务器可以通过预设的风控算法利用提取出的特征变量构建业务类型对应的规则模板。其中,每个业务类型可以包括多个规则模板。例如,规则模板可以包括数量模板、金额模板、关联统计模板、通用统计模板、占比模板、单一判断模板、比较模板、名单模板、时间差模板、四则运算模板、通用判断模板、复杂比较模板等多个模板。每个模板包括对应的条件规则、规则代码和应用场景等。服务器可以根据不同的业务类型获取对应所需的多个规则模板,进而利用获取的规则模板按照预设的方式建立对应的风控模型。由此能够快速有效地根据不同的业务场景构建对应的风控模型,从而能够有效地提高风控模型的评估准确率。
在一个实施例中,该方法还包括:获取多个测试数据;利用多个测试数据对构建的规则模板进行测试,得到测试值;当测试值达到预设阈值时,则测试通过,对规则模板进行发布。
服务器在接收用户终端发送的业务请求之前,通过获取多个用户历史行为数据和业务数据,对多个用户历史行为数据和业务数据进行聚类分析,得到分析结果,根据分析结果和业务类型进行特征选择,得到多个业务类型对应的特征变量。服务器进而根据业务类型和对应的特征变量构建业务类型对应的规则模板。
服务器构建出多个业务类型对应的多个规则模板后,进一步对规则模板进行测试校验。具体地,服务器获取多个测试数据,测试数据中可以包括多个用户的用户历史数据和业务数据。服务器进而利用测试数据中的用户历史数据和业务数据对构建的规则模板进行测试。其中,规则模板可以是算法模型。
服务器提取出测试数据中的用户历史数据和业务数据的特征变量,通过每个规则模板选择对应的特征变量,将选择的特征变量输入至规则模板中进行测试,得到对应的测试结果,即测试值。将测试值与预设阈值进行比较,当测试值达到预设阈值时,则测试通过。例如,每个规则模板进行测试后,可以生成对应的多个测试值,当多个测试值中满足要求的测试值达到预设的比例时,则测试通过。当规则模板测试通过后,服务器则对多个规则模板进行发布。通过对构建的风控模型进行测试后再发布,能够有效地保证建立的风控模型进行评估的准确度。
在一个实施例中,该方法还包括:根据预设频率获取多个用户的历史行为数据和业务数据;对多个用户历史行为数据和业务数据进行聚类分析,得到分析结果;根据分析结果和业务类型进行特征选择,得到多个业务类型对应的特征变量;计算多个特征变量的权重;根据多个特征变量的权重对规则模板进行优化调整。
服务器在接收用户终端发送的业务请求之前,通过获取多个用户历史行为数据和业务数据,对多个用户历史行为数据和业务数据进行聚类分析,得到分析结果,根据分析结果和业务类型进行特征选择,得到多个业务类型对应的特征变量。服务器进而根据业务类型和对应的特征变量构建业务类型对应的规则模板。
服务器构建出多个业务类型对应的多个规则模板后,进一步获取多个测试数据,测试数据中可以包括多个用户的用户历史数据和业务数据。服务器则利用多个测试数据对构建的规则模板进行测试,得到测试值。当测试值达到预设阈值时,则测试通过,服务器进而对规则模板进行发布。
服务器构建多个规则模板,并对多个规则模板进行测试并发布后,还可以根据预设的频率对规则模板进行优化调整。具体地,服务器可以根据预设频率获取多个用户的历史行为数据和业务数据,对获取的用户历史行为数据和业务数据进行聚类分析,得到对应的分析结果,其中分析结果可以是多个聚类结果。服务器进一步根据分析结果和业务类型对多个聚类结果进行特征选择,得到多个业务类型对应的特征变量,并通过预设算法计算多个特征变量对应的权重。服务器进而根据多个特征变量的权重对规则模板中对应的特征变量进行调整,从而对规则模板进行优化调整。服务器通过按照一定的频率通过对风控模型进行优化,由此能够有效提高风控模型评估的准确度。
在一个实施例中,如图4所示,该方法还包括对业务请求进行评分的步骤,该步骤具体包括以下内容:
步骤402,当分析结果中不存在风险标签时,获取预设的评分模型。
步骤404,通过评分模型对业务数据进行评分,得到业务请求的评分结果。
步骤406,当评分结果低于预设评分时,对业务请求进行拦截,并向对应的监控终端发送预警提示信息。
用户可以通过对应的用户终端向服务器发送业务请求,业务请求中携带了业务数据,业务数据包括用户标识和业务类型。服务器接收到用户终端发送的业务请求后,根据业务类型获取对应的规则模板,并根据规则模板按照预设的方式生成对应的风控模型。
服务器生成该业务请求对应的风控模型后,进一步根据用户标识获取该用户的用户历史行为数据。服务器进而根据预设方式对用户历史行为数据和业务数据进行特征提取,提取出用户历史行为数据和业务数据对应的特征变量。服务器则将提取的特征变量输入至风控模型中,通过风控模型对用户历史行为数据和业务数据进行风险分析,并输出对应的分析结果。得到的分析结果中可以包括多个结果标签和对应的结果信息。
当分析结果中不存在风险标签时,服务器则获取预设的评分模型。通过预设的评分模型对该业务请求进行评分。具体地,服务器用户历史行为数据和业务数据对应的特征变量输入至评分模型中,通过评分模型对用户历史行为数据和业务数据进行分析后,输出对应的评分结果,由此得到该业务请求的评分结果。当评分结果低于预设评分时,对当前业务请求进行拦截,并向对应的监控终端发送预警提示信息。通过对用户的业务请求进行风险评估,能够有效地评估该用户或该业务请求是否存在风险,进而能够有效地保障业务处理或交易过程中的安全性。
应该理解的是,虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种基于模型部署的业务数据处理装置,包括:请求接收模块502、规则模板获取模块504、风控模型生成模块506、数据分析模块508和请求拦截模块510,其中:
请求接收模块502,用于接收用户终端发送的业务请求,业务请求携带了业务数据,业务数据包括业务类型;
规则模板获取模块504,用于根据业务类型获取对应的规则模板;
风控模型生成模块506,用于根据获取的规则模板按照预设方式生成对应的风控模型;
数据分析模块508,用于通过风控模型对业务数据进行分析,得到分析结果;
请求拦截模块510,用于当分析结果中存在风险标签时,对业务请求进行拦截,并向对应的监控终端发送预警提示信息。
在其中一个实施例中,业务数据包括用户标识,数据分析模块508还用于根据用户标识获取对应的用户历史行为数据;提取用户历史行为数据和业务数据的特征变量;将提取的特征变量输入至风控模型中,通过风控模型输出分析结果。
在其中一个实施例中,该装置还包括规则模板构建模块,用于获取多个用户历史行为数据和业务数据;对多个用户历史行为数据和业务数据进行聚类分析,得到分析结果;根据分析结果和业务类型进行特征选择,得到多个业务类型对应的特征变量;根据业务类型和对应的特征变量构建业务类型对应的规则模板。
在其中一个实施例中,该装置还包括规则模板测试模块,用于获取多个测试数据;利用多个测试数据对构建的规则模板进行测试,得到测试值;当测试值达到预设阈值时,则测试通过,对规则模板进行发布。
在其中一个实施例中,该装置还包括规则模板调整模块,用于根据预设频率获取多个用户的历史行为数据和业务数据;对多个用户历史行为数据和业务数据进行聚类分析,得到分析结果;根据分析结果和业务类型进行特征选择,得到多个业务类型对应的特征变量;计算多个特征变量的权重;根据多个特征变量的权重对规则模板进行优化调整。
在其中一个实施例中,该装置还包括业务请求评分模块,用于当分析结果中不存在风险标签时,获取预设的评分模型;通过评分模型对业务数据进行评分,得到业务请求的评分结果;当评分结果低于预设评分时,对业务请求进行拦截,并向对应的监控终端发送预警提示信息。
关于基于模型部署的业务数据处理装置的具体限定可以参见上文中对于基于模型部署的业务数据处理方法的限定,在此不再赘述。上述基于模型部署的业务数据处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,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、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储业务数据、用户历史行为数据和用户信息等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于模型部署的业务数据处理方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,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:
接收用户终端发送的业务请求,业务请求携带了业务数据,业务数据包括业务类型;
根据业务类型获取对应的规则模板;
根据获取的规则模板按照预设方式生成对应的风控模型;
通过风控模型对所述业务数据进行分析,得到分析结果;
当分析结果中存在风险标签时,对业务请求进行拦截,并向对应的监控终端发送预警提示信息。
在一个实施例中,业务数据包括用户标识,处理器执行计算机程序时还实现以下步骤:根据用户标识获取对应的用户历史行为数据;提取用户历史行为数据和业务数据的特征变量;将提取的特征变量输入至风控模型中,通过风控模型输出分析结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取多个用户历史行为数据和业务数据;对多个用户历史行为数据和业务数据进行聚类分析,得到分析结果;根据分析结果和业务类型进行特征选择,得到多个业务类型对应的特征变量;根据业务类型和对应的特征变量构建业务类型对应的规则模板。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取多个测试数据;利用多个测试数据对构建的规则模板进行测试,得到测试值;当测试值达到预设阈值时,则测试通过,对规则模板进行发布。
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:根据预设频率获取多个用户的历史行为数据和业务数据;对多个用户历史行为数据和业务数据进行聚类分析,得到分析结果;根据分析结果和业务类型进行特征选择,得到多个业务类型对应的特征变量;计算多个特征变量的权重;根据多个特征变量的权重对规则模板进行优化调整。
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:当分析结果中不存在风险标签时,获取预设的评分模型;通过评分模型对业务数据进行评分,得到业务请求的评分结果;当评分结果低于预设评分时,对业务请求进行拦截,并向对应的监控终端发送预警提示信息。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
接收用户终端发送的业务请求,业务请求携带了业务数据,业务数据包括业务类型;
根据业务类型获取对应的规则模板;
根据获取的规则模板按照预设方式生成对应的风控模型;
通过风控模型对所述业务数据进行分析,得到分析结果;
当分析结果中存在风险标签时,对业务请求进行拦截,并向对应的监控终端发送预警提示信息。
在一个实施例中,业务数据包括用户标识,计算机程序被处理器执行时还实现以下步骤:根据用户标识获取对应的用户历史行为数据;提取用户历史行为数据和业务数据的特征变量;将提取的特征变量输入至风控模型中,通过风控模型输出分析结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取多个用户历史行为数据和业务数据;对多个用户历史行为数据和业务数据进行聚类分析,得到分析结果;根据分析结果和业务类型进行特征选择,得到多个业务类型对应的特征变量;根据业务类型和对应的特征变量构建业务类型对应的规则模板。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取多个测试数据;利用多个测试数据对构建的规则模板进行测试,得到测试值;当测试值达到预设阈值时,则测试通过,对规则模板进行发布。
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:根据预设频率获取多个用户的历史行为数据和业务数据;对多个用户历史行为数据和业务数据进行聚类分析,得到分析结果;根据分析结果和业务类型进行特征选择,得到多个业务类型对应的特征变量;计算多个特征变量的权重;根据多个特征变量的权重对规则模板进行优化调整。
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:当分析结果中不存在风险标签时,获取预设的评分模型;通过评分模型对业务数据进行评分,得到业务请求的评分结果;当评分结果低于预设评分时,对业务请求进行拦截,并向对应的监控终端发送预警提示信息。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于模型部署的业务数据处理方法,包括:
接收用户终端发送的业务请求,所述业务请求携带了业务数据,所述业务数据包括业务类型;
根据所述业务类型获取对应的规则模板;
根据获取的规则模板按照预设方式生成对应的风控模型;
通过所述风控模型对所述业务数据进行分析,得到分析结果;
当所述分析结果中存在风险标签时,对所述业务请求进行拦截,并向对应的监控终端发送预警提示信息。
2.根据权利要求1所述的方法,其特征在于,所述业务数据包括用户标识,所述通过所述风控模型对所述业务数据进行分析,包括:
根据所述用户标识获取对应的用户历史行为数据;
提取所述用户历史行为数据和所述业务数据的特征变量;
将提取的特征变量输入至所述风控模型中,通过所述风控模型输出分析结果。
3.根据权利要求1所述的方法,其特征在于,所述根据所述业务类型获取对应的规则模板之前,还包括:
获取多个用户历史行为数据和业务数据;
对多个用户历史行为数据和业务数据进行聚类分析,得到分析结果;
根据所述分析结果和业务类型进行特征选择,得到多个业务类型对应的特征变量;
根据业务类型和对应的特征变量构建业务类型对应的规则模板。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
获取多个测试数据;
利用多个测试数据对构建的规则模板进行测试,得到测试值;
当所述测试值达到预设阈值时,则测试通过,对所述规则模板进行发布。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
根据预设频率获取多个用户的历史行为数据和业务数据;
对多个用户历史行为数据和业务数据进行聚类分析,得到分析结果;
根据所述分析结果和业务类型进行特征选择,得到多个业务类型对应的特征变量;
计算多个特征变量的权重;
根据多个特征变量的权重对规则模板进行优化调整。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当所述分析结果中不存在风险标签时,获取预设的评分模型;
通过所述评分模型对所述业务数据进行评分,得到所述业务请求的评分结果;
当所述评分结果低于预设评分时,对所述业务请求进行拦截,并向对应的监控终端发送预警提示信息。
7.一种基于模型部署的业务数据处理装置,包括:
请求接收模块,用于接收用户终端发送的业务请求,所述业务请求携带了业务数据,所述业务数据包括业务类型;
规则模板获取模块,用于根据所述业务类型获取对应的规则模板;
风控模型生成模块,用于根据获取的规则模板按照预设方式生成对应的风控模型;
数据分析模块,用于通过所述风控模型对所述业务数据进行分析,得到分析结果;
请求拦截模块,用于当所述分析结果中存在风险标签时,对所述业务请求进行拦截,并向对应的监控终端发送预警提示信息。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括规则模板构建模块,用于获取多个用户历史行为数据和业务数据;对多个用户历史行为数据和业务数据进行聚类分析,得到分析结果;根据所述分析结果和业务类型进行特征选择,得到多个业务类型对应的特征变量;根据业务类型和对应的特征变量构建业务类型的规则模板。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811546828.1A CN109636607B (zh) | 2018-12-18 | 2018-12-18 | 基于模型部署的业务数据处理方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811546828.1A CN109636607B (zh) | 2018-12-18 | 2018-12-18 | 基于模型部署的业务数据处理方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109636607A true CN109636607A (zh) | 2019-04-16 |
CN109636607B CN109636607B (zh) | 2024-03-15 |
Family
ID=66074842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811546828.1A Active CN109636607B (zh) | 2018-12-18 | 2018-12-18 | 基于模型部署的业务数据处理方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109636607B (zh) |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110147934A (zh) * | 2019-04-17 | 2019-08-20 | 深圳壹账通智能科技有限公司 | 业务请求处理方法、装置、计算机设备和存储介质 |
CN110221974A (zh) * | 2019-05-22 | 2019-09-10 | 深圳壹账通智能科技有限公司 | 服务平台系统自检方法、装置、计算机设备以及存储介质 |
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 |
CN110348711A (zh) * | 2019-06-27 | 2019-10-18 | 上海淇馥信息技术有限公司 | 一种基于差错预判的案件质检方法、装置和电子设备 |
CN110390465A (zh) * | 2019-06-18 | 2019-10-29 | 深圳壹账通智能科技有限公司 | 业务数据的风控分析处理方法、装置和计算机设备 |
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 |
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 |
CN110659800A (zh) * | 2019-08-15 | 2020-01-07 | 平安科技(深圳)有限公司 | 风险监控处理方法、装置、计算机设备和存储介质 |
CN110851428A (zh) * | 2019-11-19 | 2020-02-28 | 厦门市美亚柏科信息股份有限公司 | 基于规则算子动态编排的数据库分析方法、装置及介质 |
CN110956269A (zh) * | 2019-10-12 | 2020-04-03 | 平安科技(深圳)有限公司 | 数据模型的生成方法、装置、设备以及计算机存储介质 |
CN110991813A (zh) * | 2019-11-07 | 2020-04-10 | 上海数禾信息科技有限公司 | 用于风控业务的数据处理方法及装置 |
CN110991862A (zh) * | 2019-11-29 | 2020-04-10 | 安徽兆尹信息科技股份有限公司 | 一种用于企业风控分析的网络管理系统及其控制方法 |
CN111061678A (zh) * | 2019-12-10 | 2020-04-24 | 深圳奇迹智慧网络有限公司 | 业务数据处理方法、装置、计算机设备和存储介质 |
CN111080441A (zh) * | 2019-12-20 | 2020-04-28 | 四川新网银行股份有限公司 | 银行用户贷后负面信息的判断方法 |
CN111126797A (zh) * | 2019-12-09 | 2020-05-08 | 支付宝(杭州)信息技术有限公司 | 私有数据保护的业务风险控制方法、装置、平台及系统 |
CN111338693A (zh) * | 2020-02-22 | 2020-06-26 | 深圳市魔数智擎人工智能有限公司 | 基于模型构建的目标文件生成方法、服务器及存储介质 |
CN112379872A (zh) * | 2020-11-05 | 2021-02-19 | 上海汇付数据服务有限公司 | 一种规则引擎系统 |
CN112417441A (zh) * | 2020-11-09 | 2021-02-26 | 深圳依时货拉拉科技有限公司 | 一种数据处理的方法、装置、计算机设备及计算机可读存储介质 |
CN112418259A (zh) * | 2019-08-22 | 2021-02-26 | 上海哔哩哔哩科技有限公司 | 一种基于直播过程中用户行为的实时规则的配置方法、计算机设备及可读存储介质 |
CN112491930A (zh) * | 2020-12-16 | 2021-03-12 | 平安养老保险股份有限公司 | 系统风险动态监控方法、系统、计算机设备及存储介质 |
CN113344453A (zh) * | 2021-07-05 | 2021-09-03 | 湖南快乐阳光互动娱乐传媒有限公司 | 一种风险监控方法、装置、系统、存储介质和设备 |
CN113361838A (zh) * | 2020-03-04 | 2021-09-07 | 北京沃东天骏信息技术有限公司 | 业务风控方法、装置、电子设备和存储介质 |
CN114168565A (zh) * | 2021-12-10 | 2022-03-11 | 北京宇信科技集团股份有限公司 | 业务规则模型的回溯测试方法、装置、系统及决策引擎 |
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 |
CN114969178A (zh) * | 2022-04-22 | 2022-08-30 | 广州大师明信息服务有限公司 | 一种分布式数据处理方法及装置 |
CN115473735A (zh) * | 2022-09-13 | 2022-12-13 | 企查查科技有限公司 | 数据请求的风险评估方法和装置 |
CN117555586A (zh) * | 2024-01-11 | 2024-02-13 | 之江实验室 | 一种算法应用发布、管理及评分方法 |
CN117635353A (zh) * | 2023-11-06 | 2024-03-01 | 深圳高灯云科技有限公司 | 业务场景风控方法、装置、计算机设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529804A (zh) * | 2016-11-09 | 2017-03-22 | 国网江苏省电力公司南京供电公司 | 基于文本挖掘技术的客户投诉预警监测分析方法 |
CN106530127A (zh) * | 2016-11-09 | 2017-03-22 | 国网江苏省电力公司南京供电公司 | 基于文本挖掘技术的客户投诉预警监测分析系统 |
CN106952162A (zh) * | 2016-01-07 | 2017-07-14 | 平安科技(深圳)有限公司 | 洗钱风险等级计算方法及系统 |
CN107679686A (zh) * | 2017-08-28 | 2018-02-09 | 阿里巴巴集团控股有限公司 | 一种业务执行方法及装置 |
WO2018090839A1 (zh) * | 2016-11-16 | 2018-05-24 | 阿里巴巴集团控股有限公司 | 身份认证系统、方法、装置及账号认证方法 |
CN108876133A (zh) * | 2018-06-07 | 2018-11-23 | 中国平安人寿保险股份有限公司 | 基于业务信息的风险评估处理方法、装置、服务器和介质 |
CN109034660A (zh) * | 2018-08-22 | 2018-12-18 | 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
- 2018-12-18 CN CN201811546828.1A patent/CN109636607B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952162A (zh) * | 2016-01-07 | 2017-07-14 | 平安科技(深圳)有限公司 | 洗钱风险等级计算方法及系统 |
CN106529804A (zh) * | 2016-11-09 | 2017-03-22 | 国网江苏省电力公司南京供电公司 | 基于文本挖掘技术的客户投诉预警监测分析方法 |
CN106530127A (zh) * | 2016-11-09 | 2017-03-22 | 国网江苏省电力公司南京供电公司 | 基于文本挖掘技术的客户投诉预警监测分析系统 |
WO2018090839A1 (zh) * | 2016-11-16 | 2018-05-24 | 阿里巴巴集团控股有限公司 | 身份认证系统、方法、装置及账号认证方法 |
CN107679686A (zh) * | 2017-08-28 | 2018-02-09 | 阿里巴巴集团控股有限公司 | 一种业务执行方法及装置 |
CN108876133A (zh) * | 2018-06-07 | 2018-11-23 | 中国平安人寿保险股份有限公司 | 基于业务信息的风险评估处理方法、装置、服务器和介质 |
CN109034660A (zh) * | 2018-08-22 | 2018-12-18 | 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 |
Cited By (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110147934A (zh) * | 2019-04-17 | 2019-08-20 | 深圳壹账通智能科技有限公司 | 业务请求处理方法、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 |
CN110221974A (zh) * | 2019-05-22 | 2019-09-10 | 深圳壹账通智能科技有限公司 | 服务平台系统自检方法、装置、计算机设备以及存储介质 |
WO2020253358A1 (zh) * | 2019-06-18 | 2020-12-24 | 深圳壹账通智能科技有限公司 | 业务数据的风控分析处理方法、装置和计算机设备 |
CN110390465A (zh) * | 2019-06-18 | 2019-10-29 | 深圳壹账通智能科技有限公司 | 业务数据的风控分析处理方法、装置和计算机设备 |
CN110348711A (zh) * | 2019-06-27 | 2019-10-18 | 上海淇馥信息技术有限公司 | 一种基于差错预判的案件质检方法、装置和电子设备 |
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 |
CN110659800A (zh) * | 2019-08-15 | 2020-01-07 | 平安科技(深圳)有限公司 | 风险监控处理方法、装置、计算机设备和存储介质 |
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 |
CN112418259A (zh) * | 2019-08-22 | 2021-02-26 | 上海哔哩哔哩科技有限公司 | 一种基于直播过程中用户行为的实时规则的配置方法、计算机设备及可读存储介质 |
CN110956269B (zh) * | 2019-10-12 | 2024-05-10 | 平安科技(深圳)有限公司 | 数据模型的生成方法、装置、设备以及计算机存储介质 |
CN110956269A (zh) * | 2019-10-12 | 2020-04-03 | 平安科技(深圳)有限公司 | 数据模型的生成方法、装置、设备以及计算机存储介质 |
CN110991813A (zh) * | 2019-11-07 | 2020-04-10 | 上海数禾信息科技有限公司 | 用于风控业务的数据处理方法及装置 |
CN110851428A (zh) * | 2019-11-19 | 2020-02-28 | 厦门市美亚柏科信息股份有限公司 | 基于规则算子动态编排的数据库分析方法、装置及介质 |
CN110851428B (zh) * | 2019-11-19 | 2022-05-20 | 厦门市美亚柏科信息股份有限公司 | 基于规则算子动态编排的数据库分析方法、装置及介质 |
CN110991862B (zh) * | 2019-11-29 | 2022-06-10 | 安徽兆尹信息科技股份有限公司 | 一种用于企业风控分析的网络管理系统及其控制方法 |
CN110991862A (zh) * | 2019-11-29 | 2020-04-10 | 安徽兆尹信息科技股份有限公司 | 一种用于企业风控分析的网络管理系统及其控制方法 |
CN111126797A (zh) * | 2019-12-09 | 2020-05-08 | 支付宝(杭州)信息技术有限公司 | 私有数据保护的业务风险控制方法、装置、平台及系统 |
CN111126797B (zh) * | 2019-12-09 | 2021-11-30 | 支付宝(杭州)信息技术有限公司 | 私有数据保护的业务风险控制方法、装置、平台及系统 |
CN111061678A (zh) * | 2019-12-10 | 2020-04-24 | 深圳奇迹智慧网络有限公司 | 业务数据处理方法、装置、计算机设备和存储介质 |
CN111061678B (zh) * | 2019-12-10 | 2023-05-23 | 深圳奇迹智慧网络有限公司 | 业务数据处理方法、装置、计算机设备和存储介质 |
CN111080441A (zh) * | 2019-12-20 | 2020-04-28 | 四川新网银行股份有限公司 | 银行用户贷后负面信息的判断方法 |
CN111080441B (zh) * | 2019-12-20 | 2023-04-18 | 四川新网银行股份有限公司 | 银行用户贷后负面信息的判断方法 |
CN111338693B (zh) * | 2020-02-22 | 2023-07-14 | 深圳市魔数智擎人工智能有限公司 | 基于模型构建的目标文件生成方法、服务器及存储介质 |
CN111338693A (zh) * | 2020-02-22 | 2020-06-26 | 深圳市魔数智擎人工智能有限公司 | 基于模型构建的目标文件生成方法、服务器及存储介质 |
CN113361838A (zh) * | 2020-03-04 | 2021-09-07 | 北京沃东天骏信息技术有限公司 | 业务风控方法、装置、电子设备和存储介质 |
CN112379872A (zh) * | 2020-11-05 | 2021-02-19 | 上海汇付数据服务有限公司 | 一种规则引擎系统 |
CN112417441A (zh) * | 2020-11-09 | 2021-02-26 | 深圳依时货拉拉科技有限公司 | 一种数据处理的方法、装置、计算机设备及计算机可读存储介质 |
CN112491930A (zh) * | 2020-12-16 | 2021-03-12 | 平安养老保险股份有限公司 | 系统风险动态监控方法、系统、计算机设备及存储介质 |
CN113344453A (zh) * | 2021-07-05 | 2021-09-03 | 湖南快乐阳光互动娱乐传媒有限公司 | 一种风险监控方法、装置、系统、存储介质和设备 |
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 |
CN114240097B (zh) * | 2021-12-02 | 2024-07-12 | 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 |
CN114168565A (zh) * | 2021-12-10 | 2022-03-11 | 北京宇信科技集团股份有限公司 | 业务规则模型的回溯测试方法、装置、系统及决策引擎 |
CN114969178A (zh) * | 2022-04-22 | 2022-08-30 | 广州大师明信息服务有限公司 | 一种分布式数据处理方法及装置 |
CN115473735A (zh) * | 2022-09-13 | 2022-12-13 | 企查查科技有限公司 | 数据请求的风险评估方法和装置 |
CN117635353A (zh) * | 2023-11-06 | 2024-03-01 | 深圳高灯云科技有限公司 | 业务场景风控方法、装置、计算机设备和存储介质 |
CN117555586A (zh) * | 2024-01-11 | 2024-02-13 | 之江实验室 | 一种算法应用发布、管理及评分方法 |
CN117555586B (zh) * | 2024-01-11 | 2024-03-22 | 之江实验室 | 一种算法应用发布、管理及评分方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109636607B (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
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 | |
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 | |
AU2021273576B2 (en) | Model integration tool | |
CN110390465A (zh) | 业务数据的风控分析处理方法、装置和计算机设备 | |
CN108876600A (zh) | 预警信息推送方法、装置、计算机设备和介质 | |
CN109345374A (zh) | 风险控制方法、装置、计算机设备和存储介质 | |
CN110009225A (zh) | 风险评估系统构建方法、装置、计算机设备和存储介质 | |
CN109409641A (zh) | 风险评价方法、装置、计算机设备和存储介质 | |
CN109543096A (zh) | 数据查询方法、装置、计算机设备和存储介质 | |
CN109829629A (zh) | 风险分析报告的生成方法、装置、计算机设备和存储介质 | |
CN109816503A (zh) | 财务明细数据生成方法、装置、计算机设备和存储介质 | |
CN109857373A (zh) | 业务数据处理方法、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 | |
CN109523117A (zh) | 风险预测方法、装置、计算机设备和存储介质 | |
CN109359866A (zh) | 基于租赁设备的风险隐患监控方法、装置和计算机设备 | |
CN109871445A (zh) | 欺诈用户识别方法、装置、计算机设备和存储介质 | |
CN110474871A (zh) | 一种异常账号检测方法、装置、计算机设备及存储介质 | |
CN109767326A (zh) | 可疑交易报告生成方法、装置、计算机设备和存储介质 | |
CN110084606A (zh) | 风险控制方法、装置、计算机设备和存储介质 | |
CN109214904A (zh) | 财务造假线索的获取方法、装置、计算机设备和存储介质 | |
CN110413507A (zh) | 系统测试方法、装置、计算机设备和存储介质 | |
CN111861729A (zh) | 基于lstm的行为评分系统及方法 | |
CN109523124A (zh) | 资产数据处理方法、装置、计算机设备和存储介质 | |
CN110135943A (zh) | 产品推荐方法、装置、计算机设备和存储介质 |
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 |