CN109902747A - 一种身份识别方法、装置、设备及计算机可读存储介质 - Google Patents

Abstract

本申请公开了一种身份识别方法，包括当接收到识别指令时，根据所述识别指令确定待识别身份的数据信息；根据所述数据信息确定所述待识别身份的来源信息；根据所述来源信息调取对应的预设识别模型；通过所述预设识别模型对所述数据信息进行识别，确定所述待识别身份的身份类别；该身份识别方法在业务交互过程中有效地提高了客户身份识别的准确率，同时也提高了识别效率。本申请还公开了一种身份识别装置、设备及计算机可读存储介质，均具有上述有益效果。

Description

一种身份识别方法、装置、设备及计算机可读存储介质

技术领域

本申请涉及互联网技术领域，特别涉及一种身份识别方法，还涉及一种身份识别装置、设备以及计算机可读存储介质。

背景技术

目前，各大企业的发展离不开多方合作企业的交互协作以及大量客户的业务交易，在各类业务交互过程中，为有效避免由于与合作企业或客户之间的业务交易类型混乱不一所带来的可能性风险，保证企业的正常发展，需要对各个相关客户或企业进行身份识别，以实现风险判定。例如，对于银行客户而言，为避免违法乱纪行为的发生，银行需要对各个客户的交易数据进行合法监控和评估，以有效判定客户身份，实现对应交易行为的识别。

然而，在已有技术中，相关客户或企业的身份识别主要依赖于工作人员的业务经验，从业务层面对其进行判定评估，视角单一，且受主观影响较重，难以全面覆盖对应客户或企业的所有相关数据信息，导致识别结果的不准确性；此外，人工识别的方法在很大程度上造成了人力浪费、时间浪费，效率极为低下。

因此，如何在提高业务交互过程中客户身份识别准确率的同时，有效提高识别效率是本领域技术人员亟待解决的问题。

发明内容

本申请的目的是提供一种身份识别方法，该身份识别方法在业务交互过程中有效地提高了客户身份识别的准确率，同时也提高了识别效率；本申请的另一目的是提供一种身份识别装置、设备以及计算机可读存储介质，也具有上述有益效果。

为解决上述技术问题，本申请提供了一种身份识别方法，所述身份识别方法包括：

当接收到识别指令时，根据所述识别指令确定待识别身份的数据信息；

根据所述数据信息确定所述待识别身份的来源信息；

根据所述来源信息调取对应的预设识别模型；

通过所述预设识别模型对所述数据信息进行识别，确定所述待识别身份的身份类别。

优选的，所述预设识别模型的构建过程包括：

获取第一预定数量个样本身份的样本数据信息；

根据所述样本数据信息确定所述样本身份的样本来源信息；

根据各所述样本来源信息对所述样本数据信息进行分类，获得各身份来源集合；

按照预设身份类别名单分别对各所述身份来源集合中的样本数据信息进行关键字匹配，获得对应的预设识别模型。

优选的，所述获取第一预定数量个样本身份的样本数据信息，包括：

获取所述第一预定数量个样本身份的采集数据信息；

确定所述采集数据信息的数据类型，并通过所述数据类型对应的处理规则对所述采集数据信息进行预处理，获得所述样本数据信息。

优选的，所述根据各所述样本来源信息对所述样本数据信息进行分类，获得各身份来源集合之前，还包括：

对所有所述样本数据信息进行ETL整合，获得标准化后的样本数据信息。

优选的，所述身份识别方法还包括：

当确定第二预定数量个所述待识别身份的身份类别后，根据各所述身份类别对相应的预设识别模型进行修正处理，获得优化后识别模型。

优选的，所述身份识别方法还包括：

将所述待识别身份的身份类别与预设风险等级表进行比对，确定所述待识别身份的风险等级。

优选的，所述身份识别方法还包括：

当所述待识别身份的风险等级超出标准等级时，关闭所述待识别身份对应的交易业务，并发起告警指令。

为解决上述技术问题，本申请还提供了一种身份识别装置，所述身份识别装置包括：

数据信息确定模块，用于当接收到识别指令时，根据所述识别指令确定待识别身份的数据信息；

来源信息确定模块，用于根据所述数据信息确定所述待识别身份的来源信息；

模型调取模块，用于根据所述来源信息调取对应的预设识别模型；

身份识别模块，用于通过所述预设识别模型对所述数据信息进行识别，确定所述待识别身份的身份类别。

为解决上述技术问题，本申请还提供了一种身份识别设备，所述身份识别设备包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现上述任意一种身份识别方法的步骤。

为解决上述技术问题，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质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上述任意一种身份识别方法的步骤。

本申请所提供的一种身份识别方法，包括当接收到识别指令时，根据所述识别指令确定待识别身份的数据信息；根据所述数据信息确定所述待识别身份的来源信息；根据所述来源信息调取对应的预设识别模型；通过所述预设识别模型对所述数据信息进行识别，确定所述待识别身份的身份类别。

可见，本申请所提供的身份识别方法，通过预设的身份识别模型实现了对各类客户身份所属类别的自动化识别，有效降低了人力资源以及时间成本的浪费，极大的提高了识别效率；同时，基于识别模型的身份识别方法，不仅可有效覆盖所有涉及客户的全部相关数据信息，也可最大程度的减少识别结果对主观经验的依赖，此外，针对各类数据信息来源的不同，其对应的身份识别模型也做出了适应性调整，更加适用于多类数据信息的识别处理，大大提高了身份识别结果的准确率。

本申请所提供的一种身份识别装置、设备以及计算机可读存储介质，均具有上述有益效果，在此不再赘述。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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申请的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本申请所提供的一种身份识别方法的流程示意图；

图2为本申请所提供的一种预设识别模型构建方法的流程示意图；

图3为本申请所提供的一种样本数据预处理和标准化处理方法的架构图；

图4为本申请所提供的一种预设识别模型构建方法的架构图；

图5为本申请所提供的一种批量客户身份识别方法的架构图；

图6为本申请所提供的一种客户身份实时识别方法的架构图；

图7为本申请所提供的一种身份识别装置的结构示意图；

图8为本申请所提供的一种身份识别设备的结构示意图。

具体实施方式

本申请的核心是提供一种身份识别方法，该身份识别方法在业务交互过程中有效地提高了客户身份识别的准确率，同时也提高了识别效率；本申请的另一核心是提供一种身份识别装置、设备以及计算机可读存储介质，也具有上述有益效果。

为使本申请实施例的目的、技术方案和优点更加清楚，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。基于本申请中的实施例，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它实施例，都属于本申请保护的范围。

请参考图1，图1为本申请所提供的一种身份识别方法的流程示意图，该身份识别方法可以包括：

S101：当接收到识别指令时，根据识别指令确定待识别身份的数据信息；

本步骤旨在实现对待识别身份相关数据信息的确认。具体的，当接收到针对某一待识别身份的识别指令时，可基于该识别指令确定对应待识别身份的数据信息，进而根据该数据信息进行后续待识别身份的识别流程。

其中，对于上述识别指令的获取方式，本申请不做具体限定，例如，可以由相关技术人员基于客户端进行识别指令的发送，由此，即可实现批量客户的身份识别；也可以在某一项交易业务开启时，自动响应识别指令，由此，即可实现对特定客户身份的实时识别。当然，以上两种识别指令的获取方式也可实现同时支持，因此，对于识别指令的获取方式，可由技术人员根据实际需求进行差异性设置。

进一步，对于上述数据信息，可以为客户在业务过程中产生的各类相关数据信息，当进行批量客户身份识别时，该数据信息可以为对应客户在预设时间段内，如3年内进行业务交易产生的所有信息；当需要进行实时识别时，该数据信息可以为对应特定客户在当前业务交易过程中所产生的信息。

S102：根据数据信息确定待识别身份的来源信息；

S103：根据来源信息调取对应的预设识别模型；

由于待识别客户进行业务交易的类型各有差异，其交易过程中所产生的数据信息的类型也各有不同，即各待识别身份数据信息的来源各不相同。例如，在银行业务中，不同银行有不同的交易渠道，如银行柜台、手机网银、ATM机等，而不同的交易渠道又有各自系统化的交易业务，如大小额系统、超级网银、银联等。因此，针对数据信息来源的不同，预先设定了各自对应的身份识别模型，即上述预设识别模型，由预设识别模型对其对应的数据信息进行处理。

当然，各个预设识别模型均是预先构建的，在实际应用过程中直接在相应的存储介质中调用即可，无需进行多次构建。另外，对于其构建方法，可参照已有技术中的任意一种，并不影响本技术方案的实施。

具体而言，在基于识别指令确定待识别身份的数据信息之后，即可根据该数据信息确定其来源信息，即确定该待识别身份的数据信息是基于哪一交易渠道获得的；进一步，由于来源信息与预设识别模型一一对应，基于上述举例，在银行业务中，银行柜台、手机网银、ATM机等不同的交易渠道对应不同的预设识别模型，由此，即可根据上述来源信息调取其对应的预设识别类型，并由预设识别模型对数据信息进行后续处理。

S104：通过预设识别模型对数据信息进行识别，确定待识别身份的身份类别。

具体的，本步骤旨在基于调取的预设识别模型实现对数据信息的识别，从而确定待识别身份所属的身份类别。同样对于上述银行业务，其对应的身份类别可以通过黑名单和白名单作为区分，其中，黑名单中所涉及的身份类别为存在违法行为的客户，可包括金融制裁类、贸易制裁类、涉罪名单类等，白名单中所涉及的身份类别为不存在违法行为的客户，可不做具体类别区分。因此，对于上述身份类别的具体分类，由技术人员根据实际情况预先进行设置即可，本申请对此不做限定。

作为一种优选实施例，该身份识别方法还可以包括：将待识别身份的身份类别与预设风险等级表进行比对，确定待识别身份的风险等级。

本步骤旨在在识别确定待识别身份的身份类别之后，进一步对其进行风险等级评定，具体可通过预设风险等级表实现，将待识别身份的身份类别与预设风险等级表进行比对，即可简单快速的确定待识别身份的风险等级。其中，上述预设风险等级表可由专业人员预先进行设定，不影响本技术方案的实施。

作为一种优选实施例，该身份识别方法还可以包括：当待识别身份的风险等级超出标准等级时，关闭待识别身份对应的交易业务，并发起告警指令。

具体的，在确定待识别身份对应的风险等级后，还可进一步确定其是否超出标准等级，若已超出标准等级，则说明该客户的业务交易存在违法行为的可能性较大，此时，可立即关闭待识别身份对应的交易业务，同时发起告警指令，以提醒相关预警部门及时对其进行督查。其中，对于预设风险等级表中的标准等级，同样可由专业人员进行设定，本申请对此不做限定。

本申请所提供的身份识别方法，通过预设的身份识别模型实现了对各类客户身份所属类别的自动化识别，有效降低了人力资源以及时间成本的浪费，极大的提高了识别效率；同时，基于识别模型的身份识别方法，不仅可有效覆盖所有涉及客户的全部相关数据信息，也可最大程度的减少识别结果对主观经验的依赖，此外，针对各类数据信息来源的不同，其对应的身份识别模型也做出了适应性调整，更加适用于多类数据信息的识别处理，大大提高了身份识别结果的准确率。

在上述实施例的基础上，作为一种优选实施例，本申请提供了一种预设识别模型的构建方法，请参考图2，图2为本申请所提供的一种预设识别模型的构建方法的流程示意图，该构建方法可包括：

S201：获取第一预定数量个样本身份的样本数据信息；

S202：根据样本数据信息确定样本身份的样本来源信息；

S203：根据各样本来源信息对样本数据信息进行分类，获得各身份来源集合；

S204：按照预设身份类别名单分别对各身份来源集合中的样本数据信息进行关键字匹配，获得对应的预设识别模型。

具体的，预设识别模型的构建可通过对大量样本进行训练获得，首先，获取第一预定数量个样本的数据信息，即上述样本数据信息，并按照其对应的样本来源信息进行分类，获得各类身份来源集合，其中，样本来源信息可根据对应的样本数据信息确定；另外，各集合中所有样本数据信息的来源是相同的，即身份来源集合与来源渠道一一对应。进一步，即可按照预设身份类别名单对各集合中的样本数据信息进行关键字匹配，从而获得对应的预设识别模型，其中，预设身份类别名单即为各类身份类别的名单汇总。由此，即可通过不同的预设识别模型对不同来源的待识别身份的数量信息进行识别，确定其身份类别。

其中，对于上述样本数据信息的数量，即上述第一预定数量的具体取值，由技术人员自定义设置即可，本申请对此不做限定。

优选的，上述获取第一预定数量个样本身份的样本数据信息，可以包括：获取第一预定数量个样本身份的采集数据信息；确定采集数据信息的数据类型，并通过数据类型对应的处理规则对采集数据信息进行预处理，获得样本数据信息。

在进行模型构建之前，可先对采集获得的样本身份的数据信息，即上述采集数据信息进行预处理，具体而言，在获得第一预定数量个采集数据信息之后，确定其对应的数据类型，并通过该数据类型对应的处理规则对采集数据信息进行预处理，也就是说，不同类型的采集数据信息对应于不同的预处理方法，以达到对所有采集数据信息更为精准的预处理，从而获得更为精确的样本数据信息，进一步获得准确度较高的预设识别模型。其中，对于上述处理规则，根据采集数据信息的数据类型进行适应性设置即可。

优选的，上述根据各样本来源信息对样本数据信息进行分类，获得各身份来源集合之前，还可以包括：对所有样本数据信息进行ETL整合，获得标准化后的样本数据信息。

本步骤旨在实现对样本数据信息的标准化处理，该过程具体可通过ETL(Extraction-Transformation-Loading，数据抽取-转换-加载)整合实现。ETL可将分布的、异构数据源中的数据，如关系数据、平面数据文件等抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础。因此，可通过ETL对样本数据信息进行整合，获得标准化后的样本数据信息。

优选的，该身份识别方法还可以包括：当确定第二预定数量个待识别身份的身份类别后，根据各身份类别对相应的预设识别模型进行修正处理，获得优化后识别模型。

本步骤旨在实现对预设识别模型的修正处理，以获得准确度更高的优化后识别模型，从而基于该预设识别模型获得更为准确的识别结果。具体而言，在完成一定数量的待识别身份的识别后，即确定第二预定数量个待识别身份的身份类别后，可根据该识别结果对相应的预设识别模型进行修正处理，获得上述优化后识别模型。需要说明的是，上述待识别身份的身份类别为已经准确确定的身份类别，也就是说，该身份类别为经过专业部门对识别结果进行督查后确定的身份类别。

本申请实施例提供了一种预设识别模型的构建方法，有效保证了预设识别模型的准确度，进一步提高了对应识别结果的准确率。

在上述各实施例的基础上，本申请提供了一种更为具体的身份识别方法，该方法以银行业务为例，通过预设身份识别模型实现了对银行内各类客户的身份识别。

1、预设识别模型的构建

(1)样本数据的获取与整合

首先，通过权威机构获取大量的制裁名单数据(样本数据)，其主要包括外部名单类数据和行内基础业务数据，外部名单类数据可包括国际、国内有权机构、公司搜集发布的各类名单信息，行内基础业务数据包括但不限于客户、机构、账户、流水、用户等信息。

进一步，对上述样本数据进行整合处理，具体请参考图3，图3为本申请所提供的一种样本数据预处理和标准化处理方法的架构图，首先，可根据样本数据类型的不同采用不同的处理规则对其进行预处理，样本数据的数据类型多种多样，如图3所示的核心、信贷、国结、三方公司类数据等权威机构发布的数据以及业务人员自主收集的数据等，其中，在获取到权威机构发布的样本数据时，可将其暂存于文件缓存区，在确定所有数据获取完毕后对其进行文件装载和ETL整合处理，获得标准化的样本数据；对于业务人员自主搜集的数据，可通过不同的导入模板进行处理，如批量导入、单条导入等，进而获得标准化的样本数据。由此，即可获得应用于预设识别模型构建的标准化的样本数据，为后续应用提供基础。

本申请所提供的技术方案统筹兼顾了整个数据预处理和标准化处理架构的可移植性、可扩展性、易维护性、易二次开发性、整体容错性以及处理效率等方面，有效保证了系统稳定、高效的运行。

首先，从可移植性角度来说，从外部数据接入到数据ETL的整个模块相对独立，一方面受原系统、外部数据的差异性影响较小，在简单开发配置后即可接入不同的样本数据源；另一方面，在上层数据应用模块，对数据进行ETL整合实现数据的标准化处理，其中可包括客户、账户、交易等多维度的数据整合，更加适应上层不同业务场景的应用需求。

进一步，从可扩展性角度来说，其主要体现在对业务源数据的接入模式上，对样本数据的准入、准出可自由配置。

进一步，从易维护性来说，对数据处理的整个过程均以任务列表的形式体现在web端的“运维监控”模块，维护人员可以很方便的了解到各环节的处理状态，一旦出错，将显示主要报错日志，从而快速定位问题原因和问题的影响范围。

进一步，从易于二次开发性来说，对数据处理的整个过程全部细分为单个节点任务，即不同类型的样本数据对应不同的处理方法，由此，每个不相关的节点任务间没有依赖或只有弱耦合性，可在最大程度上减小单点功能优化开发对全模块的影响性，同时也极大的减少了回归测试工作量。

进一步，从整体容错性角度来说，当单个节点出错时，不会影响整体的数据处理，比如某个节点的样本数据未按时到达，与之不相关的节点的样本数据仍然可以继续执行。

进一步，从处理效率角度来说，此类灵活的任务并行处理模式设计，使得所有任务均严格按照依赖关系执行，某个节点任务只要满足前置依赖关系，就可以开始运算，而不需要考虑与之不相关的其他任务的执行情况，以及被谁依赖情况；同时，任务可多线程协调并发，对个别执行时间特别长的节点任务起到了很好的屏蔽作用。

(2)预设识别模型的构建

首先，由于不同银行有不同的交易渠道，不同交易渠道又有不同的交易业务，为了满足识别模型的整体通用性，其构建架构可以以交易渠道为单位，为不同的交易渠道定制专属的识别模型。

进一步，进行输出结果的定义，可设置输出结果包括总述和证据两部分，总述即为某一交易渠道对应检索结果的概述，一般可表述为“某客户疑似某类型的名单客户”，证据即为与该客户相关的具体交易以及相关信息，如交易流水信息、账户信息、名单信息等。

最后，进行识别模型的具体设计，请参考图4，图4为本申请所提供的一种预设识别模型构建方法的架构图，其设计过程包括SQL代码编程、参数配置、证据配置、模型校验、模型发布等。其中，图4所示“规则”即为上述“预设识别模型”。当然，该设计过程同样可配置界面化操作，具体可由专业技术人员在WEB前端完成设计。

2、客户身份识别

(1)批量客户身份识别

客户身份的批量识别主要针对风险级别低的渠道，在日终阶段对相关客户身份信息进行统一检索，并形成预警结果，属事后行为。请参考图5，图5为本申请所提供的一种批量客户身份识别方法的架构图，图5中“预警模型”即为上述“预设识别模型”，具体而言，先将批量客户的数据信息发送至预设识别模型，以识别各客户的数据信息与对应的名单库是否匹配，从而确定客户是否在黑名单之列。然而，不管是外部名单数据还是业务人员自主搜集的名单数据，基本上很难与行内客户身份进行100％的匹配，因此，可增加人工审核和确认流程，在确认过程中进行严格审批，对不确定身份的情况进行协助查询，从而有效提高识别结果的准确性。

(2)客户身份实时识别

对于银行的某些重要业务，可以对客户身份进行实时鉴别，实时识别规则与批量识别规则类似，但实时识别是通过Socket通讯报文进行及时反馈的过程。请参考图6，图6为本申请所提供的一种客户身份实时识别方法的架构图，在业务交易发生过程中，将对应客户的相关信息身份信息发送至相应交易渠道对应的预设识别模型进行识别，并将识别结果反馈至业务前台进行人工判断后，再决定是否允许客户继续进行交易，并做相关登记和上报。

本申请实施例所提供的身份识别方法，通过预设的身份识别模型实现了对各类客户身份所属类别的自动化识别，有效降低了人力资源以及时间成本的浪费，极大的提高了识别效率；同时，基于识别模型的身份识别方法，不仅可有效覆盖所有涉及客户的全部相关数据信息，也可最大程度的减少识别结果对主观经验的依赖，此外，针对各类数据信息来源的不同，其对应的身份识别模型也做出了适应性调整，更加适用于多类数据信息的识别处理，大大提高了身份识别结果的准确率。

为解决上述问题，请参考图7，图7为本申请所提供的一种身份识别装置的结构示意图，该身份识别装置可包括：

数据信息确定模块10，用于当接收到识别指令时，根据识别指令确定待识别身份的数据信息；

来源信息确定模块20，用于根据数据信息确定待识别身份的来源信息；

模型调取模块30，用于根据来源信息调取对应的预设识别模型；

身份识别模块40，用于通过预设识别模型对数据信息进行识别，确定待识别身份的身份类别。

作为一种优选实施例，该身份识别装置还可包括：

模型构建模块，用于获取第一预定数量个样本身份的样本数据信息；根据样本数据信息确定样本身份的样本来源信息；根据各样本来源信息对样本数据信息进行分类，获得各身份来源集合；按照预设身份类别名单分别对各身份来源集合中的样本数据信息进行关键字匹配，获得对应的预设识别模型。

作为一种优选实施例，该身份识别装置还可包括：

模型优化模块，用于当确定第二预定数量个待识别身份的身份类别后，根据各身份类别对相应的预设识别模型进行修正处理，获得优化后识别模型。

作为一种优选实施例，该身份识别装置还可包括：

风险等级确定模块，用于将待识别身份的身份类别与预设风险等级表进行比对，确定待识别身份的风险等级。

作为一种优选实施例，该身份识别装置还可包括：

风险预警模块，用于当待识别身份的风险等级超出标准等级时，关闭待识别身份对应的交易业务，并发起告警指令。

对于本申请提供的装置的介绍请参照上述方法实施例，本申请在此不做赘述。

为解决上述问题，请参考图8，图8为本申请所提供的一种身份识别设备的结构示意图，该身份识别设备可包括：

存储器1，用于存储计算机程序；

处理器2，用于执行计算机程序时实现如下步骤：

当接收到识别指令时，根据识别指令确定待识别身份的数据信息；根据数据信息确定待识别身份的来源信息；根据来源信息调取对应的预设识别模型；通过预设识别模型对数据信息进行识别，确定待识别身份的身份类别。

对于本申请提供的设备的介绍请参照上述方法实施例，本申请在此不做赘述。

为解决上述问题，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时可实现如下步骤：

当接收到识别指令时，根据识别指令确定待识别身份的数据信息；根据数据信息确定待识别身份的来源信息；根据来源信息调取对应的预设识别模型；通过预设识别模型对数据信息进行识别，确定待识别身份的身份类别。

该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

对于本申请提供的计算机可读存储介质的介绍请参照上述方法实施例，本申请在此不做赘述。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，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。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上对本申请所提供的身份识别方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围要素。

Claims (10)

1.一种身份识别方法，其特征在于，包括：

当接收到识别指令时，根据所述识别指令确定待识别身份的数据信息；

根据所述数据信息确定所述待识别身份的来源信息；

根据所述来源信息调取对应的预设识别模型；

通过所述预设识别模型对所述数据信息进行识别，确定所述待识别身份的身份类别。

2.如权利要求1所述的身份识别方法，其特征在于，所述预设识别模型的构建过程包括：

获取第一预定数量个样本身份的样本数据信息；

根据所述样本数据信息确定所述样本身份的样本来源信息；

根据各所述样本来源信息对所述样本数据信息进行分类，获得各身份来源集合；

按照预设身份类别名单分别对各所述身份来源集合中的样本数据信息进行关键字匹配，获得对应的预设识别模型。

3.如权利要求2所述的身份识别方法，其特征在于，所述获取第一预定数量个样本身份的样本数据信息，包括：

获取所述第一预定数量个样本身份的采集数据信息；

确定所述采集数据信息的数据类型，并通过所述数据类型对应的处理规则对所述采集数据信息进行预处理，获得所述样本数据信息。

4.如权利要求2所述的身份识别方法，其特征在于，所述根据各所述样本来源信息对所述样本数据信息进行分类，获得各身份来源集合之前，还包括：

对所有所述样本数据信息进行ETL整合，获得标准化后的样本数据信息。

5.如权利要求2所述的身份识别方法，其特征在于，还包括：

当确定第二预定数量个所述待识别身份的身份类别后，根据各所述身份类别对相应的预设识别模型进行修正处理，获得优化后识别模型。

6.如权利要求1至5任意一项所述的身份识别方法，其特征在于，还包括：

将所述待识别身份的身份类别与预设风险等级表进行比对，确定所述待识别身份的风险等级。

7.如权利要求6所述的身份识别方法，其特征在于，还包括：

当所述待识别身份的风险等级超出标准等级时，关闭所述待识别身份对应的交易业务，并发起告警指令。

8.一种身份识别装置，其特征在于，包括：

数据信息确定模块，用于当接收到识别指令时，根据所述识别指令确定待识别身份的数据信息；

来源信息确定模块，用于根据所述数据信息确定所述待识别身份的来源信息；

模型调取模块，用于根据所述来源信息调取对应的预设识别模型；

身份识别模块，用于通过所述预设识别模型对所述数据信息进行识别，确定所述待识别身份的身份类别。

9.一种身份识别设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至7任意一项所述的身份识别方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质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如权利要求1至7任意一项所述的身份识别方法的步骤。