CN109840838B - 风控规则模型双引擎系统、控制方法及服务器 - Google Patents
风控规则模型双引擎系统、控制方法及服务器 Download PDFInfo
- Publication number
- CN109840838B CN109840838B CN201811601574.9A CN201811601574A CN109840838B CN 109840838 B CN109840838 B CN 109840838B CN 201811601574 A CN201811601574 A CN 201811601574A CN 109840838 B CN109840838 B CN 109840838B
- Authority
- CN
- China
- Prior art keywords
- rule
- online
- simulation
- wind control
- generating
- 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.)
- Active
Links
Images
Landscapes
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种风控规则模型双引擎系统、控制方法及服务器,所述风控规则模型双引擎系统包括:在线规则模型平台,用于控制在线规则;模拟规则模型引擎平台,用于根据风控特征数据生成模拟规则,并获取实时生产数据、根据所述实时生产数据对所述模拟规则进行训练优化,生成并更新符合生产需求的所述在线规则。本发明通过机器学习方式生成模拟规则,利用计算出的特征和关联关系等中间数据生产模拟规则,实现利用真实的生产数据,不断训练预上线的模拟规则,利用真实的生产数据达到预判和调整训练模拟规则,实时、自主的学习和优化现有规则的阈值,避免每次需要通过人工根据经验和一段时间运行效果人工调整对应的阀值,规则更精准、人性化。
Description
技术领域
本发明涉及互联网金融领域,特别是涉及第三方支付防控技术领域,具体为一种风控规则模型双引擎系统、控制方法及服务器。
背景技术
长久以来,互联网金融行业的服务痛点集中存在于反欺诈、反套利的时效性和自适应环境变化调整风控策略的风险管控。对于第三方支付公司而言,实时风险规则及规则自适应调整管控是一个行业性的挑战,存在着人工投入大、效率低、欺诈套利严重、经验迭代慢等问题。能否高效地识别普通操作和交易业务中的风险点、及时发现业务中的高风险行为是互联网金融风控引擎的重点关注领域。现在主流规则模型引擎架构都是单引擎结构,都是通过规则配置平台预先设计好规则后直接使用规则模型引擎进行实时、准实时的规则判断产生预警并对交易和业务行为进行阻断或其他风险评估。
现有的单规则引擎架构如图1所示,图1中所示的现有的单规则引擎架构存在的问题如下:
1)不能实时自主的学习和优化现有规则的阈值;
2)不能实时发现多重维度的风控特征数据;
3)不能实时的挖掘特征的关联性;
4)不能通过自学习的方式生成模拟规则;
5)不能训练预上线的模拟规则,不能利用真实的生产数据达到预判和调整模拟规则,并最终通过对比预设命中率和打扰率通过人工审核实现模拟规则上线至生产。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种风控规则模型双引擎系统、控制方法及服务器,用于解决现有技术中引擎系统不能实时、自主的学习和优化现有规则的阈值的问题。
为实现上述目的及其他相关目的,本发明提供一种风控规则模型双引擎系统,所述风控规则模型双引擎系统包括:在线规则模型平台,用于控制在线规则;模拟规则模型引擎平台,用于根据风控特征数据生成模拟规则,并获取实时生产数据、根据所述实时生产数据对所述模拟规则进行训练优化,生成并更新符合生产需求的所述在线规则。
于本发明的一实施例中,所述在线规则模型平台包括:规则编辑模块,用于编辑在线规则;规则增加模块,用于增加在线规则;规则删除模块,用于删除在线规则;规则检索模块,用于检索在线规则;规则发布模块,用于发布在线规则。
于本发明的一实施例中,所述模拟规则模型引擎平台包括:规则配置加载模块,用于从所述在线规则模型平台加载所述在线规则和风控特征数据;模拟规则生成模块,用于根据风控特征数据生成模拟规则;模拟规则训练优化模块,用于获取实时生产数据、根据所述实时生产数据对所述模拟规则的阈值进行训练优化,生成并更新符合生产需求的所述在线规则。
于本发明的一实施例中,所述模拟规则生成模块包括:数据检索单元,用于检索获取多重维度的风控特征数据;数据关联单元,用于分析所述风控特征数据的特征关联性,将散列的风控特征数据进行关联,生成关联关系;规则生成单元,用于根据所述风控特征数据和所述关联关系生成所述模拟规则。
于本发明的一实施例中,所述模拟规则训练优化模块通过对比判断所述模拟规则是否符合预设命中率和打扰率范围确定是否生成并更新符合生产需求的所述在线规则。
本发明的实施例还提供一种风控规则模型双引擎系统的控制方法,所述风控规则模型双引擎系统的控制方法包括:控制在线规则;根据风控特征数据生成模拟规则,并获取实时生产数据、根据所述实时生产数据对所述模拟规则进行训练优化,生成并更新符合生产需求的所述在线规则。
于本发明的一实施例中,所述根据风控特征数据生成模拟规则,并获取实时生产数据、根据所述实时生产数据对所述模拟规则进行训练优化,生成并更新符合生产需求的所述在线规则包括:从所述在线规则模型平台加载所述在线规则和风控特征数据;根据风控特征数据生成模拟规则;获取实时生产数据、根据所述实时生产数据对所述模拟规则的阈值进行训练优化,生成并更新符合生产需求的所述在线规则。
于本发明的一实施例中,所述根据风控特征数据生成模拟规则包括:检索获取多重维度的风控特征数据;分析所述风控特征数据的特征关联性,将散列的风控特征数据进行关联,生成关联关系;根据所述风控特征数据和所述关联关系生成所述模拟规则。
于本发明的一实施例中,通过对比判断所述模拟规则是否符合预设命中率和打扰率范围确定是否生成并更新符合生产需求的所述在线规则。
本发明的实施例还提供一种服务器,包括如上所述的风控规则模型双引擎系统。
如上所述,本发明的风控规则模型双引擎系统、控制方法及服务器具有以下有益效果:
1、本发明可以实时、自主的学习和优化现有规则的阈值,可以模拟风控模型平台通过自学习方式自动根据学习到的新业务场景和作案手段的变化调整在线规则的阈值,并立即生效,避免每次需要通过人工根据经验和一段时间运行效果人工调整对应的阀值,规则更精准、人性化,可大大缩减业务人员的正常在线流程时间,现有技术如果需要更新在线风控规则,需要业务人员修改规则阈值完成,或者是根据最新的业务需求及动态场景去配置新的规则并实现在线发版。
2、本发明通过计算学习的风控特征数据及关联关系,并结合自身判断的作案手段的变化和响应的业务场景生产一系列的规则因子,通过模型自有组合和训练,在利用真实的生产数据,训练出符合真实场景的规则集合,提供给业务人员参考判断是否可以在线部署,原来平均需要1~2个工作日的才能实现新规则发版流程,现在90%以上的规则可以通过实时的规则模拟引擎平台通过自学习的方式自动生成提供业务人员进行筛选判断。
3、本发明可减少编程人员的人力投入,能够有效提高业务人员的工作效率,实现新的规则更加适应不同业务场景变化及不法分子、羊毛党作案手法的变化。尽可能的降低对客户的打扰了,提数互联网金融公司的资损率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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,下面描述中的附图仅仅是本发明的一些实施例,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显示为本发明的风控规则模型双引擎系统的原理框图。
图2显示为本发明的风控规则模型双引擎系统中在线规则模型平台的原理框图。
图3显示为本发明的风控规则模型双引擎系统中模拟规则引擎平台的原理框图。
图4显示为本发明的风控规则模型双引擎系统中模拟规则生成模块的原理框图。
图5显示为本发明的风控规则模型双引擎系统的网络架构图。
图6显示为本发明的风控规则模型双引擎系统的具体实施示例图。
图7显示为本发明的风控规则模型双引擎系统的控制方法的流程示意图。
图8显示为本发明的风控规则模型双引擎系统的控制方法中模拟规则的整体控制流程图。
图9显示为本发明的风控规则模型双引擎系统的控制方法中模拟规则的生成流程示意图。
元件标号说明
100 风控规则模型双引擎系统
110 在线规则模型平台
111 规则编辑模块
112 规则增加模块
113 规则删除模块
114 规则检索模块
115 规则发布模块
120 模拟规则模型引擎平台
121 规则配置加载模块
122 模拟规则生成模块
1221 数据检索单元
1222 数据关联单元
1223 规则生成单元
123 模拟规则训练优化模块
S110~S120 步骤
S110~S120 步骤
S110~S120 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
请参阅图1至图9。须知,本说明书所附图式所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时,本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语,亦仅为便于叙述的明了,而非用以限定本发明可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴。
本实施例属于互联网金融信息技术和第三方支付防控技术领域,具体是指一种可配置、可自学习的互联网金融风控规则模型双引擎系统及控制方法。本实施例的目的在于提供一种风控规则模型双引擎系统、控制方法及服务器,用于解决现有技术中引擎系统不能实时、自主的学习和优化现有规则的阈值的问题。
以下将详细阐述本发明的风控规则模型双引擎系统、控制方法及服务器的原理及实施方式,使本领域技术人员不需要创造性劳动即可理解本发明的风控规则模型双引擎系统、控制方法及服务器。
具体地,如图1所示,本发明的实施例提供了本发明提供一种风控规则模型双引擎系统100,所述风控规则模型双引擎系统100包括:在线规则模型平台110和模拟规则模型引擎平台120。
以下对本实施例的所述风控规则模型双引擎系统100进行详细说明。
于本实施例中,所述在线规则模型平台110采用现有技术中的在线规则模型平台110,所述在线规则模型平台110用于控制在线规则。
具体地,如图2所示,于本实施例中,所述在线规则模型平台110包括:规则编辑模块111,规则增加模块112,规则删除模块113,规则检索模块114以及规则发布模块115。
所述规则编辑模块111用于编辑在线规则;所述规则增加模块112用于增加在线规则;所述规则删除模块113用于删除在线规则;所述规则检索模块114用于检索在线规则;所述规则发布模块115,用于发布在线规则。
例如,业务人员通过所述在线规则模型平台110的录入界面模块编辑、增加、删除风控在线规则等。
在此过程中,所述在线规则模型平台110通过模糊匹配,快速通过业务人员输入的关键字检查到规则因子、规则及规则及,每当更新一条规则后,所述在线规则模型平台110会通过开源工具dubbo进行实时地将规则语法检测通过规则文件进行广播发布到分布式的规则引擎节点,只有当所有的规则引擎系统都正常同步方法成功才会最终更改规则状态为发版成功。
于本实施例中,所述模拟规则模型引擎平台120用于根据风控特征数据生成模拟规则,并获取实时生产数据、根据所述实时生产数据对所述模拟规则进行训练优化,生成并更新符合生产需求的所述在线规则。
具体地,于本实施例中,如图3所示,所述模拟规则模型引擎平台120包括:规则配置加载模块121,模拟规则生成模块122以及模拟规则训练优化模块123。
于本实施例中,所述规则配置加载模块121用于从所述在线规则模型平台110加载所述在线规则和风控特征数据,为生成模拟规则提供数据基础。
于本实施例中,所述模拟规则生成模块122用于根据风控特征数据生成模拟规则。
具体地,于本实施例中,如图4所示,所述模拟规则生成模块122包括:数据检索单元1221,数据关联单元1222以及规则生成单元1223。
于本实施例中,所述数据检索单元1221用于检索获取多重维度的风控特征数据。
即模拟规则模型引擎平台120实时发现计算多重维度的风控特征数据,为模拟规则提供数据基础。
于本实施例中,所述数据关联单元1222用于分析所述风控特征数据的特征关联性,将散列的风控特征数据进行关联,生成关联关系。
即模拟规则模型引擎平台120实时的挖掘风控特征数据的关联性,完善风控特征数据,将散列的风控特征数据进行自动关联,深挖出基础数据的核心价值,进一步完善风控特征数据。
于本实施例中,所述规则生成单元1223用于根据所述风控特征数据和所述关联关系生成所述模拟规则。
本实施例中,通过机器学习方式生成模拟规则,利用计算出的风控特征数据和关联关系等中间数据生成模拟规则。
通过计算学习的风控特征数据及关联关系,并结合自身判断的作案手段的变化和响应的业务场景生产一系列的规则因子,通过模型自有组合和训练,在利用真实的生产数据,训练出符合真实场景的规则集合,提供给业务人员参考判断是否可以在线部署,原来平均需要1~2个工作日的才能实现新规则发版流程,现在90%以上的规则可以通过实时的规则模拟引擎平台通过自学习的方式自动生成提供业务人员进行筛选判断。
于本实施例中,所述模拟规则训练优化模块123用于获取实时生产数据、根据所述实时生产数据对所述模拟规则的阈值进行训练优化,生成并更新符合生产需求的所述在线规则。
所述模拟规则模型引擎平台120实时、自主的学习和优化现有在线规则的阈值,避免每次需要通过人工根据经验和一段时间运行效果人工调整对应的阀值,规则更精准、人性化。
于本实施例中,所述模拟规则训练优化模块123通过对比判断所述模拟规则是否符合预设命中率和打扰率范围确定是否生成并更新符合生产需求的所述在线规则。
即所述模拟规则模型引擎平台120实现利用真实的生产数据,不断训练预上线的模拟规则,利用真实的生产数据达到预判和调整训练模拟规则,对比判断是否符合预设命中率和打扰率范围,最终经过规则专家人工审核实现模拟规则上线至生产。
本实施例的风控规则模型双引擎系统100可大大缩减业务人员的正常在线流程时间,现有技术如果需要更新在线风控规则,需要业务人员修改规则阈值完成,或者是根据最新的业务需求及动态场景去配置新的规则并实现在线发版,现在可以模拟风控模型平台通过自学习方式自动根据学习到的新业务场景和作案手段的变化调整在线规则的阈值,并立即生效。
如图5和图6所示,所述模拟规则模型引擎平台120通过机器学习方式生成模拟规则,利用计算出的特征和关联关系等中间数据生产模拟规则,利用真实的生产数据,不断训练预上线的模拟规则,利用真实的生产数据达到预判和调整训练模拟规则,对比判断是否符合预设命中率和打扰率范围,最终经过规则专家人工审核实现模拟规则上线至生产。
规则引擎是处理复杂规则集合的引擎。通过输入一些基础事件,以推演或者归纳等方式,得到最终的执行结果。风控双规则引擎的核心作用在于将复杂、易变的规则从系统中抽离出来,由灵活可变的规则来描述业务需求,并实现机器学习自动调整优化规则自适应不同业务的监控需求。
模拟规则模型引擎平台120通过对多个简单事件特征进行组合分析、处理,利用事件特征值的关联关系,找出有意义的事件,从而得出精准规则结论。复杂的业务场景,通过双引擎系统的引擎处理,将线上模拟规则引擎机器学习得出的新的规则补充单一线上规则,进而提高线上规则的精准性和多样性,提高规则整体的自学习和自适应能力。可以看出,风控双规则引擎可以满足更复杂业务场景的具体需求,将其引入可以提高系统面对需求变化的灵活度和预警的精准度,降低误判率和用户打扰率。
而且,本实施例的风控规则模型双引擎系统100可减少编程人员的人力投入,能够有效提高业务人员的工作效率,实现新的规则更加适应不同业务场景变化及不法分子、羊毛党作案手法的变化。尽可能的降低对客户的打扰了,提数互联网金融公司的资损率。
如图7所示,本实施例还提供一种风控规则模型双引擎系统的控制方法,所述风控规则模型双引擎系统的控制方法包括:
步骤S110,控制在线规则;
步骤S120,根据风控特征数据生成模拟规则,并获取实时生产数据、根据所述实时生产数据对所述模拟规则进行训练优化,生成并更新符合生产需求的所述在线规则。
以下对本实施例的风控规则模型双引擎系统的控制方法进行详细说明。
步骤S110,控制在线规则。
于本实施例中,所述控制在线规则包括但不限于编辑、增加、删除、检索和发布在线规则。
例如,业务人员通过的录入界面模块编辑、增加、删除风控在线规则等。
在此过程中,通过模糊匹配,快速通过业务人员输入的关键字检查到规则因子、规则及规则及,每当更新一条规则后,通过开源工具dubbo进行实时地将规则语法检测通过规则文件进行广播发布到分布式的规则引擎节点,只有当所有的规则引擎系统都正常同步方法成功才会最终更改规则状态为发版成功。
步骤S120,根据风控特征数据生成模拟规则,并获取实时生产数据、根据所述实时生产数据对所述模拟规则进行训练优化,生成并更新符合生产需求的所述在线规则。
具体地,如图8所示,于本实施例中,所述根据风控特征数据生成模拟规则,并获取实时生产数据、根据所述实时生产数据对所述模拟规则进行训练优化,生成并更新符合生产需求的所述在线规则包括:
步骤S121,从在线规则模型平台加载所述在线规则和风控特征数据。
步骤S122,根据风控特征数据生成模拟规则。
具体地,如图9所示,于本实施例中,所述根据风控特征数据生成模拟规则包括:
步骤S1221,检索获取多重维度的风控特征数据。
即实时发现计算多重维度的风控特征数据,为模拟规则提供数据基础。
步骤S1222,分析所述风控特征数据的特征关联性,将散列的风控特征数据进行关联,生成关联关系。
即实时的挖掘风控特征数据的关联性,完善风控特征数据,将散列的风控特征数据进行自动关联,深挖出基础数据的核心价值,进一步完善风控特征数据。
步骤S1223,根据所述风控特征数据和所述关联关系生成所述模拟规则。
本实施例中,通过机器学习方式生成模拟规则,利用计算出的风控特征数据和关联关系等中间数据生成模拟规则。
通过计算学习的风控特征数据及关联关系,并结合自身判断的作案手段的变化和响应的业务场景生产一系列的规则因子,通过模型自有组合和训练,在利用真实的生产数据,训练出符合真实场景的规则集合,提供给业务人员参考判断是否可以在线部署,原来平均需要1~2个工作日的才能实现新规则发版流程,现在90%以上的规则可以通过实时的规则模拟引擎平台通过自学习的方式自动生成提供业务人员进行筛选判断。
步骤S123,获取实时生产数据、根据所述实时生产数据对所述模拟规则的阈值进行训练优化,生成并更新符合生产需求的所述在线规则。
实时、自主的学习和优化现有在线规则的阈值,避免每次需要通过人工根据经验和一段时间运行效果人工调整对应的阀值,规则更精准、人性化。
于本实施例中,通过对比判断所述模拟规则是否符合预设命中率和打扰率范围确定是否生成并更新符合生产需求的所述在线规则。
即利用真实的生产数据,不断训练预上线的模拟规则,利用真实的生产数据达到预判和调整训练模拟规则,对比判断是否符合预设命中率和打扰率范围,最终经过规则专家人工审核实现模拟规则上线至生产。
本实施例的风控规则模型双引擎系统的控制方法可大大缩减业务人员的正常在线流程时间,现有技术如果需要更新在线风控规则,需要业务人员修改规则阈值完成,或者是根据最新的业务需求及动态场景去配置新的规则并实现在线发版,现在可以模拟风控模型平台通过自学习方式自动根据学习到的新业务场景和作案手段的变化调整在线规则的阈值,并立即生效。
本发明的实施例还提供一种服务器,包括如上所述的风控规则模型双引擎系统100。
上述已经对风控规则模型双引擎系统100进行了详细说明,在此不再赘述。
综上所述,本发明可以实时、自主的学习和优化现有规则的阈值,可以模拟风控模型平台通过自学习方式自动根据学习到的新业务场景和作案手段的变化调整在线规则的阈值,并立即生效,避免每次需要通过人工根据经验和一段时间运行效果人工调整对应的阀值,规则更精准、人性化,可大大缩减业务人员的正常在线流程时间,现有技术如果需要更新在线风控规则,需要业务人员修改规则阈值完成,或者是根据最新的业务需求及动态场景去配置新的规则并实现在线发版;本发明通过计算学习的风控特征数据及关联关系,并结合自身判断的作案手段的变化和响应的业务场景生产一系列的规则因子,通过模型自有组合和训练,在利用真实的生产数据,训练出符合真实场景的规则集合,提供给业务人员参考判断是否可以在线部署,原来平均需要1~2个工作日的才能实现新规则发版流程,现在90%以上的规则可以通过实时的规则模拟引擎平台通过自学习的方式自动生成提供业务人员进行筛选判断;本发明可减少编程人员的人力投入,能够有效提高业务人员的工作效率,实现新的规则更加适应不同业务场景变化及不法分子、羊毛党作案手法的变化。尽可能的降低对客户的打扰了,提数互联网金融公司的资损率。
所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中包括通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (6)
1.一种风控规则模型双引擎系统,其特征在于,所述风控规则模型双引擎系统包括:
在线规则模型平台,用于控制在线规则;
模拟规则模型引擎平台,用于根据风控特征数据生成模拟规则,并获取实时生产数据、根据所述实时生产数据对所述模拟规则进行训练优化,生成并更新符合生产需求的所述在线规则;
所述模拟规则模型引擎平台包括:
规则配置加载模块,用于从所述在线规则模型平台加载所述在线规则和风控特征数据;
模拟规则生成模块,用于根据风控特征数据生成模拟规则;
模拟规则训练优化模块,用于获取实时生产数据、根据所述实时生产数据对所述模拟规则的阈值进行训练优化,生成并更新符合生产需求的所述在线规则;
所述模拟规则生成模块包括:
数据检索单元,用于检索获取多重维度的风控特征数据;
数据关联单元,用于分析所述风控特征数据的特征关联性,将散列的风控特征数据进行关联,生成关联关系;
规则生成单元,用于根据所述风控特征数据和所述关联关系生成所述模拟规则。
2.根据权利要求1所述的风控规则模型双引擎系统,其特征在于,所述在线规则模型平台包括:
规则编辑模块,用于编辑在线规则;
规则增加模块,用于增加在线规则;
规则删除模块,用于删除在线规则;
规则检索模块,用于检索在线规则;
规则发布模块,用于发布在线规则。
3.根据权利要求1所述的风控规则模型双引擎系统,其特征在于,所述模拟规则训练优化模块通过对比判断所述模拟规则是否符合预设命中率和打扰率范围确定是否生成并更新符合生产需求的所述在线规则。
4.一种风控规则模型双引擎系统的控制方法,其特征在于,所述风控规则模型双引擎系统的控制方法包括:
控制在线规则;
根据风控特征数据生成模拟规则,并获取实时生产数据、根据所述实时生产数据对所述模拟规则进行训练优化,生成并更新符合生产需求的所述在线规则;所述根据风控特征数据生成模拟规则,并获取实时生产数据、根据所述实时生产数据对所述模拟规则进行训练优化,生成并更新符合生产需求的所述在线规则包括:
从所述在线规则模型平台加载所述在线规则和风控特征数据;
根据风控特征数据生成模拟规则;
获取实时生产数据、根据所述实时生产数据对所述模拟规则的阈值进行训练优化,生成并更新符合生产需求的所述在线规则;所述根据风控特征数据生成模拟规则包括:
检索获取多重维度的风控特征数据;
分析所述风控特征数据的特征关联性,将散列的风控特征数据进行关联,生成关联关系;
根据所述风控特征数据和所述关联关系生成所述模拟规则。
5.根据权利要求4所述的风控规则模型双引擎系统的控制方法,其特征在于,通过对比判断所述模拟规则是否符合预设命中率和打扰率范围确定是否生成并更新符合生产需求的所述在线规则。
6.一种服务器,其特征在于,包括如权利要求1至权利要求3任一项所述的风控规则模型双引擎系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811601574.9A CN109840838B (zh) | 2018-12-26 | 2018-12-26 | 风控规则模型双引擎系统、控制方法及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811601574.9A CN109840838B (zh) | 2018-12-26 | 2018-12-26 | 风控规则模型双引擎系统、控制方法及服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109840838A CN109840838A (zh) | 2019-06-04 |
CN109840838B true CN109840838B (zh) | 2021-08-31 |
Family
ID=66883404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811601574.9A Active CN109840838B (zh) | 2018-12-26 | 2018-12-26 | 风控规则模型双引擎系统、控制方法及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109840838B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110349015A (zh) * | 2019-07-17 | 2019-10-18 | 民生科技有限责任公司 | 基于三路引擎的反欺诈系统调优投产上线方法及装置 |
CN110691084A (zh) * | 2019-09-27 | 2020-01-14 | 武汉极意网络科技有限公司 | 风控规则引擎的适配方法及装置 |
CN110827026B (zh) * | 2019-11-05 | 2023-09-08 | 武汉快马金云信息技术有限公司 | 一种聚合支付中基于规则链的热部署动态风控处理系统 |
CN111142743B (zh) * | 2019-12-04 | 2021-11-16 | 支付宝(杭州)信息技术有限公司 | 一种风控策略配置方法及装置 |
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 |
CN111507829A (zh) * | 2020-04-22 | 2020-08-07 | 广州东百信息科技有限公司 | 境外信用卡风控模型迭代方法、装置、设备以及存储介质 |
CN111598700A (zh) * | 2020-05-20 | 2020-08-28 | 嘉联支付有限公司 | 一种金融风控系统及方法 |
CN111858639B (zh) * | 2020-07-30 | 2023-06-09 | 重庆富民银行股份有限公司 | 用于风控管理的外部数据管理系统及方法 |
CN112799950A (zh) * | 2021-02-04 | 2021-05-14 | 北京中交兴路信息科技有限公司 | 后台服务的负载能力测试系统、方法、存储介质及电子设备 |
CN116308830B (zh) * | 2023-05-25 | 2023-08-18 | 凯泰铭科技(北京)有限公司 | 基于保险金融的规则管理及执行发布处理系统 |
CN116993176A (zh) * | 2023-07-06 | 2023-11-03 | 深圳传世智慧科技有限公司 | 变革管理方法、系统、介质及服务器 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105989441A (zh) * | 2015-02-11 | 2016-10-05 | 阿里巴巴集团控股有限公司 | 模型参数调整方法和装置 |
CN106600073A (zh) * | 2016-12-28 | 2017-04-26 | 携程旅游网络技术(上海)有限公司 | 互联网支付风控系统的优化方法及装置 |
CN108198081A (zh) * | 2017-12-29 | 2018-06-22 | 上海栈略数据技术有限公司 | 一种可配置的保险风控规则引擎系统及流程方法 |
CN108346098A (zh) * | 2018-01-19 | 2018-07-31 | 阿里巴巴集团控股有限公司 | 一种风控规则挖掘的方法及装置 |
CN108460523A (zh) * | 2018-02-12 | 2018-08-28 | 阿里巴巴集团控股有限公司 | 一种风控规则生成方法和装置 |
CN108665158A (zh) * | 2018-05-08 | 2018-10-16 | 阿里巴巴集团控股有限公司 | 一种训练风控模型的方法、装置及设备 |
-
2018
- 2018-12-26 CN CN201811601574.9A patent/CN109840838B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105989441A (zh) * | 2015-02-11 | 2016-10-05 | 阿里巴巴集团控股有限公司 | 模型参数调整方法和装置 |
CN106600073A (zh) * | 2016-12-28 | 2017-04-26 | 携程旅游网络技术(上海)有限公司 | 互联网支付风控系统的优化方法及装置 |
CN108198081A (zh) * | 2017-12-29 | 2018-06-22 | 上海栈略数据技术有限公司 | 一种可配置的保险风控规则引擎系统及流程方法 |
CN108346098A (zh) * | 2018-01-19 | 2018-07-31 | 阿里巴巴集团控股有限公司 | 一种风控规则挖掘的方法及装置 |
CN108460523A (zh) * | 2018-02-12 | 2018-08-28 | 阿里巴巴集团控股有限公司 | 一种风控规则生成方法和装置 |
CN108665158A (zh) * | 2018-05-08 | 2018-10-16 | 阿里巴巴集团控股有限公司 | 一种训练风控模型的方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109840838A (zh) | 2019-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109840838B (zh) | 风控规则模型双引擎系统、控制方法及服务器 | |
CN109447277A (zh) | 一种通用的机器学习超参黑盒优化方法及系统 | |
CN110493025B (zh) | 一种基于多层有向图的故障根因诊断的方法及装置 | |
CN106097043A (zh) | 一种信用数据的处理方法及服务器 | |
CN110334879A (zh) | 电网母线无功负荷预测方法及装置 | |
CN109767227B (zh) | 通过rds实现支付风险智能判断和控制的系统及方法 | |
CN110110095A (zh) | 一种基于长短期记忆循环神经网络的电力指令文本匹配方法 | |
CN111083662A (zh) | 基于云计算的水质监测物联网系统 | |
CN114546365B (zh) | 一种流程可视化的建模方法、服务器、计算机系统及介质 | |
CN115587543A (zh) | 基于联邦学习和lstm的刀具剩余寿命预测方法及系统 | |
CN106021308A (zh) | 一种面向时序大数据的查询事件识别与检测方法及系统 | |
CN106910075B (zh) | 移动通信客户投诉的智能处理系统和方法 | |
CN111598700A (zh) | 一种金融风控系统及方法 | |
CN111368060A (zh) | 对话机器人的自学习方法、装置、系统、电子设备及介质 | |
CN112132219A (zh) | 一种基于移动端的深度学习检测模型的通用部署方案 | |
CN116993240A (zh) | 一种物流系统控制方法、装置、设备及存储介质 | |
CN115081970A (zh) | 精装地产装修数据分析与评测系统及评测方法 | |
JPH08314892A (ja) | 計量経済モデルにニューラルネットを適用した金利予測システム | |
CN114139447A (zh) | 城市燃气管道爆炸的致因网络仿真及致因事件推演方法 | |
CN114065460A (zh) | 火电发电系统中模型处理方法、存储介质和电子装置 | |
CN113205409A (zh) | 贷款业务处理方法及装置 | |
CN111915327A (zh) | 一种基于事件特征的智能分发方法和装置 | |
CN111027817B (zh) | 基于调整结果的列车调度策略自适应选择方法 | |
CN115080968B (zh) | 一种带有智能安全防护的人工智能服务器 | |
Maurya et al. | Sound event detection using federated learning |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210804 Address after: Room 122, Hall B, No. 137, Xizhimenwai street, Xicheng District, Beijing 100044 Applicant after: Tianyi Shuzhi Technology (Beijing) Co.,Ltd. Address before: 102200 in the hospital of China Telecom Group, South District of future science and Technology City, Changping District, Beijing Applicant before: TIANYI ELECTRONIC COMMERCE Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |