CN109816513A - 用户信用评级方法及装置、可读存储介质 - Google Patents
用户信用评级方法及装置、可读存储介质 Download PDFInfo
- Publication number
- CN109816513A CN109816513A CN201811570701.3A CN201811570701A CN109816513A CN 109816513 A CN109816513 A CN 109816513A CN 201811570701 A CN201811570701 A CN 201811570701A CN 109816513 A CN109816513 A CN 109816513A
- Authority
- CN
- China
- Prior art keywords
- user
- variable
- information
- credit
- association
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
一种用户信用评级方法及装置、可读存储介质，所述用户信用评级方法包括：获取目标用户的个人信息和扩展信息；对所述目标用户的所述个人信息和所述扩展信息进行变量提取，得到用户关联变量；将所述用户关联变量和预设应变量输入预设的异构复杂网络，根据所述异构复杂网络的输出结果确定所述目标用户的信用评级。采用上述方案，可以可靠有效地对用户信用进行评级。
Description
技术领域
本发明属于互联网技术领域，特别涉及一种用户信用评级方法及装置、可读存储介质。
背景技术
在金融领域中，对于逾期用户的侦测是各企业的核心技术，而对用户的信用评级可以有效地预警用户的逾期行为。
传统的信用评级模型往往仅采用用户个人维度的多种变量，几乎不评估关联关系对风险的影响。因此，逾期用户在早期极难被发觉，导致逾期用户非常容易通过信息的伪装、更替和仿冒来绕过信用审核，进而成功借款。同时，由于用户关联网络结构的复杂性，一般在关联关系上发掘逾期信息十分困难。现有技术中，往往依靠人工大量提取用户个人维度的变量，或者采用无监督的方法来抽取用户信息。上述方法的信息利用程度低下、工程量巨大，无法可靠有效地对用户信用进行评级。
发明内容
本发明实施例解决的是如何可靠有效地对用户信用进行评级。
为解决上述技术问题，本发明实施例提供一种用户信用评级方法，用户信用评级方法包括：获取目标用户的个人信息和扩展信息；对所述目标用户的所述个人信息和所述扩展信息进行变量提取，得到用户关联变量；所述变量提取包括以下至少一种变量提取方法：专家变量提取以及神经网络嵌入提取；将所述用户关联变量和预设应变量输入预设的异构复杂网络，根据所述异构复杂网络的输出结果确定所述目标用户的信用评级。
可选的，所述对所述目标用户的所述个人信息和所述扩展信息进行变量提取，得到用户关联变量，包括：对所述关联变量进行数据处理，得到处理后的关联变量。
可选的，所述对所述关联变量进行数据处理，包括以下至少一种数据处理方法：排列组合及衍生、标准化、最大值、最小值、加和、均值、缺失值处理和样本不均衡处理。
可选的，所述将所述用户关联变量和预设应变量输入预设的异构复杂网络，确定所述目标用户的信用评级，包括：对所述用户关联变量进行评级，得到用户关联变量评级；将所述用户关联变量和所述用户关联变量评级合并，作为更新的用户关联变量。
可选的，当确定所述目标用户的信用评级后，还包括：当所述目标用户与所述目标用户关联的其他用户的信用评级均低于预设阈值，获取所述其他用户的数量；当所述其他用户的数量超过预设数量阈值，判定所述目标用户及其他用户为可疑团伙。
可选的，所述用户个人信息包括以下至少一种信息：姓名、性别、年龄、身份证和手机号。
可选的，所述账户信息包括以下至少一种信息：银行卡号、IMEI、IMSI、FLASH、QQ、微信、账号注册渠道，账号密码、设备密码、手机号码归属地、账号填写资料、关联时间附近修改信息情况；所述设备信息包括以下至少一种信息：设备型号，装载软件、通讯录、短信、通话记录。
可选的，所述对所述目标用户的所述个人信息和所述扩展信息进行变量提取，还包括以下至少一种变量提取方法：孤独森林异常值检测以及模型自动学习变量提取。
为解决上述技术问题，本发明实施例还公开了一种用户信用评级装置，用户信用评级装置包括：获取单元，用于获取目标用户的个人信息和扩展信息；所述扩展信息包括以下至少一种：账户信息、设备信息；提取单元，用于对所述目标用户的所述个人信息和所述扩展信息进行变量提取，得到用户关联变量；所述变量提取包括以下至少一种变量提取方法：专家变量提取以及神经网络嵌入提取；确定单元，用于将所述用户关联变量和预设应变量输入预设的异构复杂网络，根据所述异构复杂网络的输出结果确定所述目标用户的信用评级。
可选的，所述提取单元，用于对所述关联变量进行数据处理，得到处理后的关联变量。
可选的，所述提取单元，用于对所述关联变量进行数据处理，包括以下至少一种数据处理方法：排列组合及衍生、标准化、最大值、最小值、加和、均值、缺失值处理和样本不均衡处理。
可选的，所述确定单元，用于对所述用户关联变量进行评级，得到用户关联变量评级；将所述用户关联变量和所述用户关联变量评级合并，作为更新的用户关联变量。
可选的，所述确定单元，还用于：当所述目标用户与所述目标用户关联的其他用户的信用评级均低于预设阈值，获取所述其他用户的数量；当所述其他用户的数量超过预设数量阈值，判定所述目标用户及其他用户为可疑团伙。
可选的，所述用户个人信息包括以下至少一种信息：姓名、性别、年龄、身份证和手机号。
可选的，所述账户信息包括以下至少一种信息：银行卡号、IMEI、IMSI、FLASH、QQ、微信、账号注册渠道，账号密码、设备密码、手机号码归属地、账号填写资料、关联时间附近修改信息情况；所述设备信息包括以下至少一种信息：设备型号，装载软件、通讯录、短信、通话记录。
可选的，所述提取单元，用于对所述目标用户的所述个人信息和所述扩展信息进行变量提取，还包括以下至少一种变量提取方法：孤独森林异常值检测以及模型自动学习变量提取。
本发明实施例还公开了一种可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述任一种所述的欺诈用户的识别方法的步骤。
本发明实施例还提供了一种欺诈用户的识别装置，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行上述任一种所述的欺诈用户的识别方法的步骤。
与现有技术相比，本发明实施例的技术方案具有以下有益效果：
对所述目标用户的所述个人信息和所述扩展信息进行变量提取，得到用户关联变量；所述变量提取包括以下至少一种变量提取方法：专家变量提取以及神经网络嵌入提取；将所述用户关联变量和预设应变量输入预设的异构复杂网络，确定所述目标用户的信用评级，以有监督学习的模式，自动有效抽取用户关联网络中所包含的信息，提高信息利用度，可靠有效地对用户信用进行评级。
进一步，当所述目标用户与所述目标用户关联的其他用户的信用评级均低于预设阈值，获取所述其他用户的数量；当所述其他用户的数量超过预设数量阈值，判定所述目标用户及其他用户为可疑团伙，可以有效地识别出可疑团伙。
附图说明
图1是本发明实施例一种用户信用评级方法的流程图；
图2是本发明实施例一种用户信用评级装置的结构示意图。
具体实施方式
传统的信用评级模型往往仅采用用户个人维度的多种变量，几乎不评估关联关系对风险的影响。因此，逾期用户在早期极难被发觉，导致逾期用户非常容易通过信息的伪装、更替和仿冒来绕过信用审核，进而成功借款。同时，由于用户关联网络结构的复杂性，一般在关联关系上发掘逾期信息十分困难。现有技术中，往往依靠人工大量提取用户个人维度的变量，或者采用无监督的方法来抽取用户信息。上述方法的信息利用程度低下、工程量巨大，无法可靠有效地对用户信用进行评级。
本发明实施例中，对所述目标用户的所述个人信息和所述扩展信息进行变量提取，得到用户关联变量；所述变量提取包括以下至少一种变量提取方法：专家变量提取以及神经网络嵌入提取；将所述用户关联变量和预设应变量输入预设的异构复杂网络，确定所述目标用户的信用评级，以有监督学习的模式，自动有效抽取用户关联网络中所包含的信息，提高信息利用度，可靠有效地对用户信用进行评级。
为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
本发明实施例提供了一种用户信用评级方法，参照图1，以下通过具体步骤进行详细说明。
步骤S101，获取目标用户的个人信息和扩展信息。
在具体实施中，所述扩展信息包括以下至少一种：账户信息、设备信息。
在具体实施中，所述用户个人信息可以包括以下至少一种信息：姓名、性别、年龄、身份证和手机号。
在具体实施中，所述账户信息可以包括以下至少一种信息：银行卡号、IMEI、IMSI、FLASH、QQ、微信、账号注册渠道，账号密码、设备密码、手机号码归属地、账号填写资料、关联时间附近修改信息情况；所述设备信息可以包括以下至少一种信息：设备型号，装载软件、通讯录、短信、通话记录。
可以理解的是，所述目标用户的个人信息和扩展信息为用户信用评级系统所能获得的目标用户的所有个人信息和扩展信息。根据不同用户的不同需求、不同获取途径，可以采用现有的所有的目标用户的个人信息和扩展信息，本发明在此不做赘述。
步骤S102，对所述目标用户的所述个人信息和所述扩展信息进行变量提取，得到用户关联变量。
在本发明实施例中，采用所述目标用户的扩展信息，即根据目标用户与其他用户的账户信息、设备信息的关联关系，以及目标用户的账户、设备与其他用户的关联关系，进行变量提取，得到用户关联变量。相对于现有技术中，采用目标用户的个人信息，即人到人的关系，来判断用户关联关系，本方法根据更丰富的关联信息，不仅将多维度海量大数据具化为关联关系网络，更深度地挖掘了用户关系。同时，通过判断归属到人的设备信息和账号信息的人到物，物到人的关系，有效节省了计算量。
在具体实施中，采用以下至少一种变量提取方法：专家变量提取以及神经网络嵌入提取，对所述目标用户的所述个人信息和所述扩展信息进行变量提取，采用用户各类信息载体作为媒介，配合神经网络处理网络中节点传递的信息，极大地简化了计算用户间关联程度并抽取有用信息的复杂程度。
在具体实施中，对所述目标用户的所述个人信息和所述扩展信息进行变量提取，还可以包括以下至少一种变量提取方法：孤独森林异常值检测以及模型自动学习变量提取。
例如，在对目标用户的公司号码进行变量提取时，进行多个维度的信息提取，比如长度、前缀、后缀等等，提取目标用户及关联用户的最大相同号段、相同号段人数等，不同的变量提取方法有不同的提取特征，例如采用自动编码器和孤独森林相结合的方法来进行变量提取，可以对连续性、异常性的变量进行有效识别，但用户也可以根据自身需求，选择不同的变量提取方法，本发明在此不作赘述。
在具体实施中，可以对所述关联变量进行数据处理，以得到处理后的关联变量。
在具体实施中，可以对所述关联变量进行数据处理，包括以下至少一种数据处理方法：排列组合及衍生、标准化、最大值、最小值、加和、均值、缺失值处理和样本不均衡处理。相较于现有技术中使用单一的统计性变量(加和、计数等)，本方法可以更深度地挖掘网络信息。
步骤S103，将所述用户关联变量和预设应变量输入预设的异构复杂网络，根据所述异构复杂网络的输出结果确定所述目标用户的信用评级。
在具体实施中，可以对所述用户关联变量进行评级，得到用户关联变量评级；将所述用户关联变量和所述用户关联变量评级合并，作为更新的用户关联变量。上述过程可以将变量信息压缩，通过与评级合并的方式，将异构复杂网络的输入动态化，保证用户信息和用户间的关联关系不重复不遗漏地纳入到网络中分析；同时，可以将每一次的更新的关联变量作为分层评级，输出并应用到用户的其他评级场景。
在本发明实施例中，异构复杂网络中，采用神经网络中节点传递信息的处理特征，配合神经网络模型处理用户信用评级，同时，根据所述用户关联变量和预设应变量，得到更新的关联变量，实现了动态可缩放的输入，可输入不同类型不同关联的信息，更精确地输出用户信用评级结果。
在具体实施中，当所述目标用户与所述目标用户关联的其他用户的信用评级均低于预设阈值，可以获取所述其他用户的数量；当所述其他用户的数量超过预设数量阈值，判定所述目标用户及其他用户为可疑团伙，可以有效地识别出可疑团伙。采用所述目标用户的扩展信息，即根据目标用户与其他用户的账户信息、设备信息的关联关系，判断目标用户是否与其他用户关联。相对于现有技术中，采用目标用户的个人信息，即人到人的关系，来判断用户关联关系，本方法根据更丰富的关联信息，不仅将多维度海量大数据具化为关联关系网络，更深度地挖掘了用户关系。同时，通过判断归属到人的设备信息和账号信息的人到物，物到人的关系，有效节省了计算量。
综上所述，通过对所述目标用户的所述个人信息和所述扩展信息进行变量提取，得到用户关联变量；所述变量提取包括以下至少一种变量提取方法：专家变量提取以及神经网络嵌入提取；将所述用户关联变量和预设应变量输入预设的异构复杂网络，确定所述目标用户的信用评级，以有监督学习的模式，自动有效抽取用户关联网络中所包含的信息，提高信息利用度，可靠有效地对用户信用进行评级。
参照图2，本发明实施例还提供了一种用户信用评级装置20，包括：获取单元201、提取单元202和确定单元203；
其中，所述获取单元201，用于获取目标用户的个人信息和扩展信息；
所述提取单元202，用于对所述目标用户的所述个人信息和所述扩展信息进行变量提取，得到用户关联变量；所述变量提取包括以下至少一种变量提取方法：专家变量提取以及神经网络嵌入提取；
所述确定单元203，用于所述用户关联变量和预设应变量输入预设的异构复杂网络，根据所述异构复杂网络的输出结果确定所述目标用户的信用评级。
在具体实施中，所述扩展信息可以包括以下至少一种：账户信息、设备信息。
在具体实施中，所述提取单元202，可以用于：对所述关联变量进行数据处理，得到处理后的关联变量。
在具体实施中，所述提取单元202，可以用于：对所述关联变量进行数据处理，包括以下至少一种数据处理方法：排列组合及衍生、标准化、最大值、最小值、加和、均值、缺失值处理和样本不均衡处理。
在具体实施中，所述确定单元203，可以用于：对所述用户关联变量进行评级，得到用户关联变量评级；将所述用户关联变量和所述用户关联变量评级合并，作为更新的用户关联变量。
在具体实施中，所述确定单元203，还可以用于：当所述目标用户与所述目标用户关联的其他用户的信用评级均低于预设阈值，获取所述其他用户的数量；当所述其他用户的数量超过预设数量阈值，判定所述目标用户及其他用户为可疑团伙。
在具体实施中，所述用户个人信息可以包括以下至少一种信息：姓名、性别、年龄、身份证和手机号。
在具体实施中，所述账户信息可以包括以下至少一种信息：银行卡号、IMEI、IMSI、FLASH、QQ、微信、账号注册渠道，账号密码、设备密码、手机号码归属地、账号填写资料、关联时间附近修改信息情况；所述设备信息可以包括以下至少一种信息：设备型号，装载软件、通讯录、短信、通话记录。
在具体实施中，所述提取单元202，可以用于：对所述目标用户的所述个人信息和所述扩展信息进行变量提取，还包括以下至少一种变量提取方法：孤独森林异常值检测以及模型自动学习变量提取。
本发明实施例还提供了一种可读存储介质，计算机可读存储介质为非易失性存储介质或非瞬态存储介质，其上存储有计算机指令，所述计算机指令运行时执行本发明上述实施例中提供的任一项所述的用户信用评级方法的步骤。
本发明实施例还提供了一种用户信用评级装置，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所示计算机指令时，执行本发明上述实施例中提供的所述的任一项所述的用户信用评级方法的步骤。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于任一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (18)
1.一种用户信用评级方法，其特征在于，包括：
获取目标用户的个人信息和扩展信息；所述扩展信息包括以下至少一种：账户信息、设备信息；
对所述目标用户的所述个人信息和所述扩展信息进行变量提取，得到用户关联变量；所述变量提取包括以下至少一种变量提取方法：专家变量提取以及神经网络嵌入提取；
将所述用户关联变量和预设应变量输入预设的异构复杂网络，根据所述异构复杂网络的输出结果确定所述目标用户的信用评级。
2.如权利要求1所述的用户信用评级方法，其特征在于，所述对所述目标用户的所述个人信息和所述扩展信息进行变量提取，得到用户关联变量，包括：对所述关联变量进行数据处理，得到处理后的关联变量。
3.如权利要求2所述的用户信用评级方法，其特征在于，所述对所述关联变量进行数据处理，包括以下至少一种数据处理方法：排列组合及衍生、标准化、最大值、最小值、加和、均值、缺失值处理和样本不均衡处理。
4.如权利要求1所述的用户信用评级方法，其特征在于，所述将所述用户关联变量和预设应变量输入预设的异构复杂网络，确定所述目标用户的信用评级，包括：
对所述用户关联变量进行评级，得到用户关联变量评级；
将所述用户关联变量和所述用户关联变量评级合并，作为更新的用户关联变量。
5.如权利要求1所述的用户信用评级方法，其特征在于，当确定所述目标用户的信用评级后，还包括：
当所述目标用户与所述目标用户关联的其他用户的信用评级均低于预设阈值，获取所述其他用户的数量；
当所述其他用户的数量超过预设数量阈值，判定所述目标用户及其他用户为可疑团伙。
6.如权利要求1所述的用户信用评级方法，其特征在于，所述用户个人信息包括以下至少一种信息：姓名、性别、年龄、身份证和手机号。
7.如权利要求1所述的用户信用评级方法，其特征在于，所述账户信息包括以下至少一种信息：银行卡号、IMEI、IMSI、FLASH、QQ、微信、账号注册渠道，账号密码、设备密码、手机号码归属地、账号填写资料、关联时间附近修改信息情况；所述设备信息包括以下至少一种信息：设备型号，装载软件、通讯录、短信、通话记录。
8.如权利要求1所述的用户信用评级方法，其特征在于，所述对所述目标用户的所述个人信息和所述扩展信息进行变量提取，还包括以下至少一种变量提取方法：孤独森林异常值检测以及模型自动学习变量提取。
9.一种用户信用评级装置，其特征在于，包括：
获取单元，用于获取目标用户的个人信息和扩展信息；所述扩展信息包括以下至少一种：账户信息、设备信息；
提取单元，用于对所述目标用户的所述个人信息和所述扩展信息进行变量提取，得到用户关联变量；所述变量提取包括以下至少一种变量提取方法：专家变量提取以及神经网络嵌入提取；
确定单元，用于将所述用户关联变量和预设应变量输入预设的异构复杂网络，根据所述异构复杂网络的输出结果确定所述目标用户的信用评级。
10.如权利要求9所述的用户信用评级装置，其特征在于，所述提取单元，用于对所述关联变量进行数据处理，得到处理后的关联变量。
11.如权利要求10所述的用户信用评级装置，其特征在于，所述提取单元，用于对所述关联变量进行数据处理，包括以下至少一种数据处理方法：排列组合及衍生、标准化、最大值、最小值、加和、均值、缺失值处理和样本不均衡处理。
12.如权利要求9所述的用户信用评级装置，其特征在于，所述确定单元，用于对所述用户关联变量进行评级，得到用户关联变量评级；将所述用户关联变量和所述用户关联变量评级合并，作为更新的用户关联变量。
13.如权利要求9所述的用户信用评级装置，其特征在于，所述确定单元，还用于：当所述目标用户与所述目标用户关联的其他用户的信用评级均低于预设阈值，获取所述其他用户的数量；当所述其他用户的数量超过预设数量阈值，判定所述目标用户及其他用户为可疑团伙。
14.如权利要求9所述的用户信用评级装置，其特征在于，所述用户个人信息包括以下至少一种信息：姓名、性别、年龄、身份证和手机号。
15.如权利要求9所述的用户信用评级装置，其特征在于，所述账户信息包括以下至少一种信息：银行卡号、IMEI、IMSI、FLASH、QQ、微信、账号注册渠道，账号密码、设备密码、手机号码归属地、账号填写资料、关联时间附近修改信息情况；所述设备信息包括以下至少一种信息：设备型号，装载软件、通讯录、短信、通话记录。
16.如权利要求9所述的用户信用评级装置，其特征在于，所述提取单元，用于对所述目标用户的所述个人信息和所述扩展信息进行变量提取，还包括以下至少一种变量提取方法：孤独森林异常值检测以及模型自动学习变量提取。
17.一种可读存储介质，计算机可读存储介质为非易失性存储介质或非瞬态存储介质，其上存储有计算机指令，其特征在于，所述计算机指令运行时执行权利要求1至8中任一项所述的用户信用评级方法的步骤。
18.一种用户信用评级装置，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，其特征在于，所述处理器运行所述计算机指令时执行权利要求1至8任一项所述的用户信用评级方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811570701.3A CN109816513A (zh) | 2018-12-21 | 2018-12-21 | 用户信用评级方法及装置、可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811570701.3A CN109816513A (zh) | 2018-12-21 | 2018-12-21 | 用户信用评级方法及装置、可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109816513A true CN109816513A (zh) | 2019-05-28 |
Family
ID=66602207
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811570701.3A Pending CN109816513A (zh) | 2018-12-21 | 2018-12-21 | 用户信用评级方法及装置、可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109816513A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111369346A (zh) * | 2020-03-17 | 2020-07-03 | 深圳市随手金服信息科技有限公司 | 用户信用的评估方法、装置、服务器和存储介质 |
| CN111798312A (zh) * | 2019-08-02 | 2020-10-20 | 深圳索信达数据技术有限公司 | 一种基于孤立森林算法的金融交易系统异常识别方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105046559A (zh) * | 2015-09-10 | 2015-11-11 | 河海大学 | 一种基于贝叶斯网络和互信息的客户信用评分方法 |
| CN105303447A (zh) * | 2015-08-17 | 2016-02-03 | 北京阿甘敦行信息科技有限公司 | 利用网络信息进行信用评级的方法和系统 |
| CN105931116A (zh) * | 2016-04-20 | 2016-09-07 | 帮帮智信（北京）教育投资有限公司 | 基于深度学习机制的自动化信用评分系统及方法 |
| CN106204246A (zh) * | 2016-08-18 | 2016-12-07 | 易联众信息技术股份有限公司 | 一种基于主成分分析法的bp神经网络信用评估方法 |
| CN106845830A (zh) * | 2017-01-20 | 2017-06-13 | 武汉哒呤科技有限公司 | 一种对用户信用进行评定的方法和装置 |
| CN106897918A (zh) * | 2017-02-24 | 2017-06-27 | 上海易贷网金融信息服务有限公司 | 一种混合式机器学习信用评分模型构建方法 |
| CN107679980A (zh) * | 2017-09-05 | 2018-02-09 | 阿里巴巴集团控股有限公司 | 用户信用的确定方法和装置 |
| CN108038778A (zh) * | 2017-12-05 | 2018-05-15 | 深圳信用宝金融服务有限公司 | 互联网金融小微贷款的团伙欺诈识别方法及装置 |
| CN108090830A (zh) * | 2017-12-29 | 2018-05-29 | 上海勃池信息技术有限公司 | 一种基于面部画像的信贷风险评级方法和装置 |
| CN108399453A (zh) * | 2018-01-24 | 2018-08-14 | 国家电网公司 | 一种电力客户信用等级评价方法和装置 |
| CN108921686A (zh) * | 2018-06-19 | 2018-11-30 | 阿里巴巴集团控股有限公司 | 一种个人用户的信用评分方法和装置 |
-
2018
- 2018-12-21 CN CN201811570701.3A patent/CN109816513A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105303447A (zh) * | 2015-08-17 | 2016-02-03 | 北京阿甘敦行信息科技有限公司 | 利用网络信息进行信用评级的方法和系统 |
| CN105046559A (zh) * | 2015-09-10 | 2015-11-11 | 河海大学 | 一种基于贝叶斯网络和互信息的客户信用评分方法 |
| CN105931116A (zh) * | 2016-04-20 | 2016-09-07 | 帮帮智信（北京）教育投资有限公司 | 基于深度学习机制的自动化信用评分系统及方法 |
| CN106204246A (zh) * | 2016-08-18 | 2016-12-07 | 易联众信息技术股份有限公司 | 一种基于主成分分析法的bp神经网络信用评估方法 |
| CN106845830A (zh) * | 2017-01-20 | 2017-06-13 | 武汉哒呤科技有限公司 | 一种对用户信用进行评定的方法和装置 |
| CN106897918A (zh) * | 2017-02-24 | 2017-06-27 | 上海易贷网金融信息服务有限公司 | 一种混合式机器学习信用评分模型构建方法 |
| CN107679980A (zh) * | 2017-09-05 | 2018-02-09 | 阿里巴巴集团控股有限公司 | 用户信用的确定方法和装置 |
| CN108038778A (zh) * | 2017-12-05 | 2018-05-15 | 深圳信用宝金融服务有限公司 | 互联网金融小微贷款的团伙欺诈识别方法及装置 |
| CN108090830A (zh) * | 2017-12-29 | 2018-05-29 | 上海勃池信息技术有限公司 | 一种基于面部画像的信贷风险评级方法和装置 |
| CN108399453A (zh) * | 2018-01-24 | 2018-08-14 | 国家电网公司 | 一种电力客户信用等级评价方法和装置 |
| CN108921686A (zh) * | 2018-06-19 | 2018-11-30 | 阿里巴巴集团控股有限公司 | 一种个人用户的信用评分方法和装置 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111798312A (zh) * | 2019-08-02 | 2020-10-20 | 深圳索信达数据技术有限公司 | 一种基于孤立森林算法的金融交易系统异常识别方法 |
| CN111798312B (zh) * | 2019-08-02 | 2024-03-01 | 深圳索信达数据技术有限公司 | 一种基于孤立森林算法的金融交易系统异常识别方法 |
| CN111369346A (zh) * | 2020-03-17 | 2020-07-03 | 深圳市随手金服信息科技有限公司 | 用户信用的评估方法、装置、服务器和存储介质 |
| CN111369346B (zh) * | 2020-03-17 | 2024-05-03 | 深圳市铭数信息有限公司 | 用户信用的评估方法、装置、服务器和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106548343B (zh) | 一种非法交易检测方法及装置 | |
| CN109767327A (zh) | 基于反洗钱的客户信息采集及其使用方法 | |
| CN109615116A (zh) | 一种电信诈骗事件检测方法和检测系统 | |
| CN105337928B (zh) | 用户身份识别方法、安全保护问题生成方法及装置 | |
| CN103106365B (zh) | 一种移动终端上的恶意应用软件的检测方法 | |
| CN109840778A (zh) | 欺诈用户的识别方法及装置、可读存储介质 | |
| CN109615524B (zh) | 洗钱犯罪团伙的识别方法、装置、计算机设备及存储介质 | |
| CN112036890B (zh) | 客户身份认证方法及装置 | |
| CN107196844A (zh) | 异常邮件识别方法及装置 | |
| CN105303442A (zh) | 网上银行开户账号检测方法和装置 | |
| CN109063433B (zh) | 虚假用户的识别方法、装置及可读存储介质 | |
| CN113657896A (zh) | 一种基于图神经网络的区块链交易拓扑图分析方法和装置 | |
| CN110717189A (zh) | 数据泄露识别方法、装置及设备 | |
| CN110675252A (zh) | 风险评估方法、装置、电子设备及存储介质 | |
| CN105405221A (zh) | 一种自动化测试的方法及装置 | |
| CN109377347B (zh) | 基于特征选择的网络信用预警方法、系统及电子设备 | |
| CN109816513A (zh) | 用户信用评级方法及装置、可读存储介质 | |
| CN107944866B (zh) | 交易记录排重方法及计算机可读存储介质 | |
| CN107256231A (zh) | 一种团队成员识别设备、方法及系统 | |
| CN112750038B (zh) | 交易风险的确定方法、装置和服务器 | |
| CN117252429A (zh) | 风险用户的识别方法、装置、存储介质及电子设备 | |
| CN112581271A (zh) | 一种商户交易风险监测方法、装置、设备及存储介质 | |
| CN111738824A (zh) | 一种账务数据处理方式筛选方法、装置及系统 | |
| CN114841705B (zh) | 一种基于场景识别的反欺诈监测方法 | |
| CN111126503B (zh) | 一种训练样本的生成方法和装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190528 |
|
| RJ01 | Rejection of invention patent application after publication |