CN110008220B - 黑名单传导图谱衰减系数获取方法、装置和计算机设备 - Google Patents
黑名单传导图谱衰减系数获取方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN110008220B CN110008220B CN201910068430.XA CN201910068430A CN110008220B CN 110008220 B CN110008220 B CN 110008220B CN 201910068430 A CN201910068430 A CN 201910068430A CN 110008220 B CN110008220 B CN 110008220B
- Authority
- CN
- China
- Prior art keywords
- factor
- relation
- node
- map
- factors
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000001228 spectrum Methods 0.000 title claims description 29
- 238000003062 neural network model Methods 0.000 claims abstract description 45
- 238000004590 computer program Methods 0.000 claims description 26
- 238000013507 mapping Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 abstract description 4
- 238000012954 risk control Methods 0.000 abstract 1
- 230000007246 mechanism Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种黑名单传导图谱衰减系数获取方法、装置、计算机设备和存储介质。所述方法涉及业务安全的风险控制技术,包括:获取衰减系数获取请求,衰减系数获取请求包括待获取衰减系数的关系因子和关系因子对应的图谱名称;根据图谱名称查询对应的黑名单传导图谱,并确定黑名单传导图谱的业务类型;根据关系因子和黑名单传导图谱,获取在黑名单传导图谱中关系因子对应的节点因子;将业务类型、关系因子和节点因子输入预设的衰减系数神经网络模型中,得到关系因子的衰减系数。采用本方法在衰减系数的确定过程中无需专门人员直接参与,避免了人为因素的影响,提高了黑名单传导图谱衰减系数的可信度。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种黑名单传导图谱衰减系数获取方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的发展,越来越多的业务场景通过互联网技术在线上提供服务,如购物、银行金融服务、保险服务等等,极大提高了人们生活的便利。而出于互联网上数据造假成本低的原因,各业务系统均会配置对应的黑名单机制,通过黑名单机制来进行来风险控制,避免欺诈舞弊行为,如银行通过失信黑名单进行欺诈行为预测。
然而,目前各场景内的黑名单机制中相关参数,如传导过程中的衰减系数,都是由专门人员基于业务系统的特点,出于业务经验进行人工设计设置,其中人员的个人因素对黑名单机制的影响很大,黑名单机制传导过程中的衰减系数可信度有限。
发明内容
基于此,有必要针对上述技术问题,提供一种能够避免在确定衰减系数时,因人为因素影响而导致衰减系数的可信度低的黑名单传导图谱衰减系数获取方法、装置、计算机设备和存储介质。
一种黑名单传导图谱衰减系数获取方法,所述方法包括:
获取衰减系数获取请求,衰减系数获取请求包括待获取衰减系数的关系因子和关系因子对应的图谱名称;
根据图谱名称查询对应的黑名单传导图谱,并确定黑名单传导图谱的业务类型;
根据关系因子和黑名单传导图谱,获取在黑名单传导图谱中关系因子对应的节点因子;
将业务类型、关系因子和节点因子输入预设的衰减系数神经网络模型中,得到关系因子的衰减系数。
在其中一个实施例中,根据关系因子和黑名单传导图谱,获取在黑名单传导图谱中关系因子对应的节点因子的步骤包括:
查询黑名单传导图谱对应的图谱因子库;
根据关系因子从图谱因子库中查询关系因子对应的节点因子。
在其中一个实施例中,节点因子包括第一节点因子和第二节点因子,第一节点因子和第二节点因子通过关系因子连接,将业务类型、关系因子和节点因子输入预设的衰减系数神经网络模型中,得到关系因子的衰减系数的步骤包括:
获取衰减系数神经网络模型;
将业务类型、第一节点因子、关系因子和第二节点因子进行组合,得到输入向量;
将输入向量输入衰减系数神经网络模型中,得到关系因子的衰减系数。
在其中一个实施例中,在获取衰减系数获取请求的步骤之前,还包括:
获取业务源数据;
按照业务源数据的数据类型,根据业务源数据建立关系因子及关系因子对应的节点因子;
将节点因子和关系因子按照相互对应关系进行组合连接,得到黑名单传导图谱。
在其中一个实施例中,在根据业务源数据建立关系因子及关系因子对应的节点因子的步骤之后,还包括:
建立关系因子及对应的节点因子之间的映射关系,得到图谱因子库。
在其中一个实施例中,在得到黑名单传导图谱的步骤之后,还包括:
当监测到业务源数据更新时,获取更新后的业务源数据;
根据更新后的业务源数据更新黑名单传导图谱。
在其中一个实施例中,在得到关系因子的衰减系数的步骤之后,还包括:
根据关系因子的衰减系数,对黑名单传导图谱中的关系因子进行更新,得到更新后的黑名单传导图谱。
一种黑名单传导图谱衰减系数获取装置,所述装置包括:
获取请求模块,用于获取衰减系数获取请求,衰减系数获取请求包括待获取衰减系数的关系因子和关系因子对应的图谱名称;
图谱查询模块,用于根据图谱名称查询对应的黑名单传导图谱,并确定黑名单传导图谱的业务类型;
节点因子获取模块,用于根据关系因子和黑名单传导图谱,获取在黑名单传导图谱中关系因子对应的节点因子;
衰减系数获取模块,用于将业务类型、关系因子和节点因子输入预设的衰减系数神经网络模型中,得到关系因子的衰减系数。
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:
获取衰减系数获取请求,衰减系数获取请求包括待获取衰减系数的关系因子和关系因子对应的图谱名称;
根据图谱名称查询对应的黑名单传导图谱,并确定黑名单传导图谱的业务类型;
根据关系因子和黑名单传导图谱,获取在黑名单传导图谱中关系因子对应的节点因子;
将业务类型、关系因子和节点因子输入预设的衰减系数神经网络模型中,得到关系因子的衰减系数。
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:
获取衰减系数获取请求,衰减系数获取请求包括待获取衰减系数的关系因子和关系因子对应的图谱名称;
根据图谱名称查询对应的黑名单传导图谱,并确定黑名单传导图谱的业务类型;
根据关系因子和黑名单传导图谱,获取在黑名单传导图谱中关系因子对应的节点因子;
将业务类型、关系因子和节点因子输入预设的衰减系数神经网络模型中,得到关系因子的衰减系数。
上述黑名单传导图谱衰减系数获取方法、装置、计算机设备和存储介质,根据衰减系数获取请求中的图谱名称查询对应黑名单传导图谱,并确定黑名单传导图谱的业务类型,再根据衰减系数获取请求中的关系因子获取在黑名单传导图谱对应的节点因子,最后将业务类型、关系因子和节点因子输入至预设的衰减系数神经网络模型中,得到衰减系数。衰减系数的确定过程中无需专门人员直接参与,避免了人为因素的影响,提高了黑名单传导图谱衰减系数的可信度。
附图说明
图1为一个实施例中黑名单传导图谱衰减系数获取方法的应用场景图;
图2为一个实施例中黑名单传导图谱衰减系数获取方法的流程示意图;
图3为一个实施例中构建黑名单传导图谱的步骤的流程示意图;
图4为另一个实施例中黑名单传导图谱衰减系数获取方法的流程示意图;
图5为一个实施例中黑名单传导图谱衰减系数获取装置的结构框图;
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。
本申请提供的黑名单传导图谱衰减系数获取方法,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。服务器104通过网络从终端102获得衰减系数获取请求,并根据衰减系数获取请求中的图谱名称查询对应黑名单传导图谱,进一步确定黑名单传导图谱的业务类型,再根据衰减系数获取请求中的关系因子获取在黑名单传导图谱对应的节点因子,最后将业务类型、关系因子和节点因子输入至预设的衰减系数神经网络模型中,得到衰减系数。服务器104还可以将得到的衰减系数通过网络发送至终端102。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,提供了一种黑名单传导图谱衰减系数获取方法,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S201:获取衰减系数获取请求,衰减系数获取请求包括待获取衰减系数的关系因子和关系因子对应的图谱名称。
其中,黑名单传导图谱为各业务场景中业务系统针对性构建的黑名单机制,一般地,不同业务系统设有独立的适用于该业务系统的黑名单传导图谱。例如,银行借贷系统对应的借贷黑名单传导图谱、人寿保险系统对应的寿险黑名单传导图谱等。在具体实现时,黑名单传导图谱可以由节点因子和关系因子构建,其可以基于图形数据库技术进行实现,其中,节点因子对应于图形数据库的节点,关系因子对应于图形数据库的边,各节点因子通过关系因子进行连接。
衰减系数反映了黑名单传导图谱中,通过某关系因子描述的关系在黑名单传导时对黑名单可能性的变化程度,一般地,不同关系之间黑名单传导时变化程度并不同。例如,对于父母、子女等亲属关系与共用IP地址关系,具有亲属关系的节点因子之间联系更为紧密,二者在进行黑名单传导时,亲属关系之间黑名单传导的变化程度更小。在具体应用中,可以为节点因子配置可疑系数属性,以反映该节点的失信概率,如对于黑名单节点因子,其可疑系数可以设为100%,而衰减系数可以用于反映关系因子连接的节点因子之间可疑系数的变化程度,通过衰减系数可以计算得到其他节点因子的可疑系数,以实现黑名单传导。
本实施例中,服务器104通过网络从终端102获取衰减系数获取请求,该衰减系数获取请求包括待获取衰减系数的关系因子和关系因子对应的图谱名称。其中,关系因子对应的图谱名称可以为关系因子所属黑名单传导图谱的图谱名称。
步骤S203:根据图谱名称查询对应的黑名单传导图谱,并确定黑名单传导图谱的业务类型。
获得衰减系数获取请求后,根据衰减系数获取请求中包括的图谱名称查询对应的黑名单传导图谱,该黑名单传导图谱为根据一业务系统对应构建得到的。一般地,对于不同应用场景的业务系统,其构建有不同的黑名单机制,并配置有不同的黑名单传导规则,即各业务系统的黑名单传导图谱配置有不同的衰减系数设置逻辑,如配置有不同的衰减系数神经网络模型。本实施例中,在根据衰减系数获取请求查询到对应的黑名单传导图谱后,进一步确定该黑名单传导图谱的业务类型。例如,移动支付业务类型、保险理赔业务类型等。
步骤S205:根据关系因子和黑名单传导图谱,获取在黑名单传导图谱中关系因子对应的节点因子。
本实施例中,黑名单传导图谱中的关系因子对应于业务系统中描述对象关系的数据,例如描述亲属关系、支付交易关系、从属关系的数据等。而业务系统中描述对象概念的数据,如描述人的姓名、年龄、所处地域,及描述物的名称、标识、数据类型等,对应于黑名单传导图谱中的关系因子。其中,关系因子所描述的即为对应节点因子间的关系,以表征各节点因子之间的联系,通过关系因子可以将节点因子建立连接。例如,“用户A姓名”、“身份证”和“手机号码”为3个节点因子,而“身份证使用”和“手机使用”为2个关系因子,其中,“身份证使用”关系因子用于连接“用户A姓名”和“身份证”2个节点因子,“手机使用”关系因子用于连接“用户A姓名”和“手机号码”2个节点因子,以分别表征用户A姓名对应的用户使用身份证情况,及其使用手机号码情况。黑名单传导图谱中各节点因子通过对应的关系因子实现连接,以存储各种关系型用户数据。
本实施例中,根据衰减系数获取请求中包括的关系因子,在获得的黑名单传导图谱中,查询该关系因子对应的节点因子。例如,对于“身份证使用”关系因子,在健康险系统的黑名单传导图谱中查询对应的“用户A姓名”和“身份证”2个节点因子。在具体实现时,可以预先建立黑名单传导图谱中各节点因子和关系因子的图谱因子映射表,进行衰减系数获取时,可以根据衰减系数获取请求中包括的关系因子查询对应的图谱因子映射表,从而获得对应的节点因子。
步骤S207:将业务类型、关系因子和节点因子输入预设的衰减系数神经网络模型中,得到关系因子的衰减系数。
得到黑名单传导图谱的业务类型、关系因子及对应的节点因子后,将业务类型、关系因子和节点因子作为预设的衰减系数神经网络模型的输入,并由衰减系数神经网络模型直接输出得到关系因子的衰减系数。
其中,衰减系数神经网络模型可以预先根据各业务系统的特点进行构建训练,如卷积神经网络、循环神经网络和深度神经网络等。具体地,可以将黑名单传导图谱的业务类型、关系因子及对应的节点因子作为输入层,将关系因子对应的衰减系数作为输出层,根据输入层和输出层构建激活函数的中间层,最后根据输入层、中间层和输出层构建得到衰减系数神经网络模型。在对构建得到的衰减系数神经网络模型进行训练时,可以从实际应用中各业务系统中获取应用数据,从中随机划分出样本集和测试集,通过样本集进行有监督的神经网络模型训练,通过测试集进行测试,当测试集的测试结果误差小于预设误差范围时,完成训练,得到训练后的衰减系数神经网络模型,作为预设的衰减系数神经网络模型。
上述黑名单传导图谱衰减系数获取方法中,根据衰减系数获取请求中的图谱名称查询对应黑名单传导图谱,并确定黑名单传导图谱的业务类型,再根据衰减系数获取请求中的关系因子获取在黑名单传导图谱对应的节点因子,最后将业务类型、关系因子和节点因子输入至预设的衰减系数神经网络模型中,得到衰减系数。衰减系数的确定过程中无需专门人员直接参与,避免了人为因素的影响,提高了黑名单传导图谱衰减系数的可信度。
在一个实施例中,根据关系因子和黑名单传导图谱,获取在黑名单传导图谱中关系因子对应的节点因子的步骤包括:查询黑名单传导图谱对应的图谱因子库;根据关系因子从图谱因子库中查询关系因子对应的节点因子。
其中,图谱因子库储存了构建黑名单传导图谱的各种图谱因子,包括各种节点因子和对应的关系因子。在具体应用中,图谱因子库还记录各节点因子和对应的关系因子的映射关系。一般地,不同业务系统配置有不同的黑名单传导图谱,是由不同的图谱因子库构建得到的。本实施例中,根据黑名单传导图谱查询对应的图谱因子库,再根据衰减系数获取请求中的关系因子查询对应的节点因子。
在一个实施例中,节点因子包括第一节点因子和第二节点因子,第一节点因子和第二节点因子通过关系因子连接,将业务类型、关系因子和节点因子输入预设的衰减系数神经网络模型中,得到关系因子的衰减系数的步骤包括:获取衰减系数神经网络模型;将业务类型、第一节点因子、关系因子和第二节点因子进行组合,得到输入向量;将输入向量输入衰减系数神经网络模型中,得到关系因子的衰减系数。
其中,第一节点因子可以为关系因子连接的在前节点因子,第二节点因子对应为该关系因子连接的在后节点因子,即第一节点因子和第二节点因子通过关系因子进行连接。例如,对于“用户A姓名”、“身份证”节点因子和“身份证使用”关系因子,第一节点因子为“用户A姓名”、关系因子为“身份证使用”关系因子,第二节点因子为“身份证”,反映了用户A使用了该身份证。在具体应用中,可以基于图形数据库技术进行实现,第一节点因子和第二节点因子对应于图形数据库中的节点,关系因子对应于图形数据库中的边,第一节点因子和第二节点因子通过关系因子连接,即将图形数据库中的各节点通过边进行连接。
本实施例中,从对应的业务系统中,获取预设的衰减系数神经网络模型,并将获得的业务类型、第一节点因子、关系因子和第二节点因子进行组合,得到输入向量。具体地,可以按照预设的组合规则将业务类型、第一节点因子、关系因子和第二节点因子进行组合,如按照业务类型-第一节点因子-关系因子-第二节点因子的顺序进行组合,得到输入向量。然后将组合得到的输入向量,输入获取的衰减系数神经网络模型中,由该衰减系数神经网络模型直接输出关系因子的衰减系数,从而得到所需的衰减系数。
在一个实施例中,如图3所示,在获取衰减系数获取请求的步骤之前,还可以包括构建黑名单传导图谱的步骤,具体包括:
步骤S301:获取业务源数据。
业务源数据指业务系统的数据库中存储的用户数据,反映了各业务场景的业务系统下各用户的个人信息及对应的业务服务数据,如姓名、年龄、出生日期等基本信息,亲属关系,组织关系,联系方式,业务项目、内容,历史订单等用户数据。业务源数据可以直接向各业务系统发送请求,从业务系统的数据库中获取.gbd格式的数据库文件,也可以从第三方服务平台获取,例如,可以从第三方企业链接系统中获取该业务源数据。在具体应用中,可以根据待构建的黑名单传导图谱的应用场景进行动态调整获取业务源数据的类别。
步骤S303:按照业务源数据的数据类型,根据业务源数据建立关系因子及关系因子对应的节点因子。
获得的业务源数据中,包括描述对象概念的数据,如描述人的姓名、年龄、所处地域,及描述物的名称、标识、数据类型等,该类型业务源数据对应于人或物等对象概念,具体可以为诸如用户、证件等实体对象,也可以为交易名称的非实体对象;业务源数据还包括描述对象关系的数据,例如描述亲属关系、支付交易关系、从属关系的数据等。
在得到业务源数据后,根据业务源数据的数据类型,如对象描述类型或关系描述类型,建立对应的节点因子或关系因子。具体地,可以基于图形数据库技术,根据对象描述类型的业务源数据建立节点因子,对应于图形数据库的节点;根据关系描述类型的业务源数据建立关系因子,对应于图形数据库的边。其中,各节点因子通过关系因子进行连接,关系因子反映了连接的节点因子之间的关系。
步骤S305:将节点因子和关系因子按照相互对应关系进行组合连接,得到黑名单传导图谱。
关系因子连接节点因子,其表征了所连接的节点因子之间的联系,在根据业务源数据建立一一建立节点因子及对应的关系因子后,按照节点因子和关系因子相互对应关系,进行组合连接。例如,“用户A姓名”、“身份证”和“手机号码”为3个节点因子,而“身份证使用”和“手机使用”为2个关系因子,通过将“用户A姓名”-“身份证使用”-“身份证”、以及将“用户A姓名”-“手机使用”-“手机号码”进行组合连接,从而将“用户A姓名”、“身份证”和“手机号码”3个节点因子通过“身份证使用”和“手机使用”2个关系因子进行对应连接,实现了将分散独立的节点因子进行连接,得到完整的存在连接联系的黑名单传导图谱。该黑名单传导图谱中的节点因子通过对应的关系因子进行连接,反映了在业务系统中各用户数据之间的联系。
在一个实施例中,在根据业务源数据建立关系因子及关系因子对应的节点因子的步骤之后,还包括:建立关系因子及对应的节点因子之间的映射关系,得到图谱因子库。
其中,图谱因子库储存了构建黑名单传导图谱的各种图谱因子,包括各种节点因子和对应的关系因子。在具体应用中,可以在根据业务源数据建立得到关系因子和对应的节点因子后,进一步建立关系因子及对应的节点因子之间的映射关系,得到图谱因子库。该图谱因子库可用于衰减系数获取时,根据关系因子快速查询对应的节点因子,提高衰减系数的获取效率。
在一个实施例中,在得到黑名单传导图谱的步骤之后,还包括:当监测到业务源数据更新时,获取更新后的业务源数据;根据更新后的业务源数据更新黑名单传导图谱。
本实施例中,可以添加数据监控任务,用于监控业务源数据。当监测到业务源数据发生更新时,根据更新后的业务源数据及时更新黑名单传导图谱,以提高黑名单传导图谱的时效性。具体地,可以周期性监测业务源数据是否发生更新,也可以监测数据修改指令,即当监测到执行过数据修改指令时,根据数据修改指令对应的业务源数据进行黑名单传导图谱更新。
在一个实施例中,在得到关系因子的衰减系数的步骤之后,还包括:根据关系因子的衰减系数,对黑名单传导图谱中的关系因子进行更新,得到更新后的黑名单传导图谱。
在得到关系因子的衰减系数后,可以根据该衰减系数对黑名单传导图谱进行更新,如可以将该衰减系数配置到对应的黑名单传导图谱中的关系因子的属性中,以便后续黑名单传导使用。具体地,在得到黑名单传导图谱后,根据得到的关系因子对应的衰减系数,将其添加到关系因子的属性中,实现对黑名单传导图谱的更新,最终得到关系因子配置了衰减系数属性的黑名单传导图谱。通过该黑名单传导图谱,可以根据节点因子的可疑系数及关系因子的衰减系数进行可疑系数的传导,从而实现黑名单传导扩充。
在一个实施例中,如图4所示,提供了一种黑名单传导图谱衰减系数获取方法,包括以下步骤:
步骤S401:构建黑名单传导图谱。
本实施例中,构建黑名单传导图谱的具体可以包括:获取业务源数据;按照业务源数据的数据类型,根据业务源数据建立关系因子及关系因子对应的节点因子;将节点因子和关系因子按照相互对应关系进行组合连接,得到黑名单传导图谱。
其中,业务源数据一方面从业务系统的数据库中获取.gbd格式的数据库文件,另一方面从第三方服务平台获取,如微信企看看、个金会等。基于图形数据库技术,按照业务源数据的数据类型,分别创建节点因子和关系因子,其中,节点因子对应于图形数据库中的节点,关系因子对应于图形数据库中的边,节点因子通过关系因子进行连接,从而将业务源数据中的各节点因子和关系因子组合得到黑名单传导图谱,该黑名单传导图谱中的节点因子通过对应的关系因子进行连接,反映了在业务系统中各用户数据之间的联系。
步骤S402:获取衰减系数获取请求,衰减系数获取请求包括待获取衰减系数的关系因子和关系因子对应的图谱名称;
步骤S403:根据图谱名称查询对应的黑名单传导图谱,并确定黑名单传导图谱的业务类型;
步骤S404:查询黑名单传导图谱对应的图谱因子库;
步骤S405:根据关系因子从图谱因子库中查询关系因子对应的节点因子;
步骤S406:节点因子包括第一节点因子和第二节点因子,第一节点因子和第二节点因子通过关系因子连接;
步骤S407:获取衰减系数神经网络模型;
步骤S408:将业务类型、第一节点因子、关系因子和第二节点因子进行组合,得到输入向量;
步骤S409:将输入向量输入衰减系数神经网络模型中,得到关系因子的衰减系数。
本实施例应用于图1所示应用场景中的服务器104时,由服务器104获取衰减系数获取请求,并根据衰减系数获取请求中的图谱名称查询对应黑名单传导图谱,并确定黑名单传导图谱的业务类型,再根据衰减系数获取请求中的关系因子获取在黑名单传导图谱对应的节点因子,最后将业务类型、关系因子和节点因子输入至预设的衰减系数神经网络模型中,得到衰减系数。最后,由服务器104将得到的衰减系数通过网络发送至终端102。
步骤S410:根据关系因子的衰减系数,对黑名单传导图谱中的关系因子进行更新,得到更新后的黑名单传导图谱。
本实施例中,在得到关系因子的衰减系数后,将该衰减系数配置到对应的黑名单传导图谱中的关系因子的属性中,以便后续黑名单传导使用。
步骤S411:当业务源数据更新时,对应更新黑名单传导图谱。
本实施例中,步骤S411具体可以包括:当监测到业务源数据更新时,获取更新后的业务源数据;根据更新后的业务源数据更新黑名单传导图谱。
具体地,添加数据监控任务,用于周期性监测业务源数据是否发生更新,当监测到业务源数据发生更新时,根据更新后的业务源数据及时更新黑名单传导图谱,以提高黑名单传导图谱的时效性。
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,提供了一种黑名单传导图谱衰减系数获取装置,包括:获取请求模块501、图谱查询模块503、节点因子获取模块505和衰减系数获取模块507,其中:
获取请求模块501,用于获取衰减系数获取请求,衰减系数获取请求包括待获取衰减系数的关系因子和关系因子对应的图谱名称;
图谱查询模块503,用于根据图谱名称查询对应的黑名单传导图谱,并确定黑名单传导图谱的业务类型;
节点因子获取模块505,用于根据关系因子和黑名单传导图谱,获取在黑名单传导图谱中关系因子对应的节点因子;
衰减系数获取模块507,用于将业务类型、关系因子和节点因子输入预设的衰减系数神经网络模型中,得到关系因子的衰减系数。
上述黑名单传导图谱衰减系数获取装置中,通过获取请求模块获取衰减系数获取请求,通过图谱查询模块根据衰减系数获取请求中的图谱名称查询对应黑名单传导图谱,并确定黑名单传导图谱的业务类型,再通过节点因子获取模块根据衰减系数获取请求中的关系因子获取在黑名单传导图谱对应的节点因子,最后通过衰减系数获取模块将业务类型、关系因子和节点因子输入至预设的衰减系数神经网络模型中,得到衰减系数。衰减系数的确定过程中无需专门人员直接参与,避免了人为因素的影响,提高了黑名单传导图谱衰减系数的可信度。
在一个实施例中,节点因子获取模块505包括图谱因子查询单元和节点因子获取单元,其中:图谱因子查询单元,用于查询黑名单传导图谱对应的图谱因子库;节点因子获取单元,用于根据关系因子从图谱因子库中查询关系因子对应的节点因子。
在一个实施例中,节点因子包括第一节点因子和第二节点因子,第一节点因子和第二节点因子通过关系因子连接,衰减系数获取模块507包括模型获取单元、输入向量获取单元和衰减系数获取单元,其中:模型获取单元,用于获取衰减系数神经网络模型;输入向量获取单元,用于将业务类型、第一节点因子、关系因子和第二节点因子进行组合,得到输入向量;衰减系数获取单元,用于将输入向量输入衰减系数神经网络模型中,得到关系因子的衰减系数。
在一个实施例中,还包括业务源数据获取模块、图谱因子建立模块和传导图谱构建模块,其中:业务源数据获取模块,用于获取业务源数据;图谱因子建立模块,用于按照业务源数据的数据类型,根据业务源数据建立关系因子及关系因子对应的节点因子;传导图谱构建模块,用于将节点因子和关系因子按照相互对应关系进行组合连接,得到黑名单传导图谱。
在一个实施例中,还包括传导图谱配置模块,用于根据关系因子的衰减系数,对黑名单传导图谱中的关系因子进行更新,得到更新后的黑名单传导图谱。
在一个实施例中,还包括图谱因子库模块,用于建立关系因子及对应的节点因子之间的映射关系,得到图谱因子库。
在一个实施例中,还包括更新数据获取模块和传导图谱更新模块,其中:更新数据获取模块,用于当监测到业务源数据更新时,获取更新后的业务源数据;传导图谱更新模块,用于根据更新后的业务源数据更新黑名单传导图谱。
关于黑名单传导图谱衰减系数获取装置的具体限定可以参见上文中对于黑名单传导图谱衰减系数获取方法的限定,在此不再赘述。上述黑名单传导图谱衰减系数获取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黑名单传导图谱衰减系数获取方法。
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:
获取衰减系数获取请求,衰减系数获取请求包括待获取衰减系数的关系因子和关系因子对应的图谱名称;
根据图谱名称查询对应的黑名单传导图谱,并确定黑名单传导图谱的业务类型;
根据关系因子和黑名单传导图谱,获取在黑名单传导图谱中关系因子对应的节点因子;
将业务类型、关系因子和节点因子输入预设的衰减系数神经网络模型中,得到关系因子的衰减系数。
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:查询黑名单传导图谱对应的图谱因子库;根据关系因子从图谱因子库中查询关系因子对应的节点因子。
在一个实施例中,节点因子包括第一节点因子和第二节点因子,第一节点因子和第二节点因子通过关系因子连接,处理器执行计算机程序时还实现以下步骤:获取衰减系数神经网络模型;将业务类型、第一节点因子、关系因子和第二节点因子进行组合,得到输入向量;将输入向量输入衰减系数神经网络模型中,得到关系因子的衰减系数。
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:获取业务源数据;按照业务源数据的数据类型,根据业务源数据建立关系因子及关系因子对应的节点因子;将节点因子和关系因子按照相互对应关系进行组合连接,得到黑名单传导图谱。
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:根据关系因子的衰减系数,对黑名单传导图谱中的关系因子进行更新,得到更新后的黑名单传导图谱。
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:建立关系因子及对应的节点因子之间的映射关系,得到图谱因子库。
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:当监测到业务源数据更新时,获取更新后的业务源数据;根据更新后的业务源数据更新黑名单传导图谱。
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:
获取衰减系数获取请求,衰减系数获取请求包括待获取衰减系数的关系因子和关系因子对应的图谱名称;
根据图谱名称查询对应的黑名单传导图谱,并确定黑名单传导图谱的业务类型;
根据关系因子和黑名单传导图谱,获取在黑名单传导图谱中关系因子对应的节点因子;
将业务类型、关系因子和节点因子输入预设的衰减系数神经网络模型中,得到关系因子的衰减系数。
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:查询黑名单传导图谱对应的图谱因子库;根据关系因子从图谱因子库中查询关系因子对应的节点因子。
在一个实施例中,节点因子包括第一节点因子和第二节点因子,第一节点因子和第二节点因子通过关系因子连接,计算机程序被处理器执行时还实现以下步骤:获取衰减系数神经网络模型;将业务类型、第一节点因子、关系因子和第二节点因子进行组合,得到输入向量;将输入向量输入衰减系数神经网络模型中,得到关系因子的衰减系数。
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:获取业务源数据;按照业务源数据的数据类型,根据业务源数据建立关系因子及关系因子对应的节点因子;将节点因子和关系因子按照相互对应关系进行组合连接,得到黑名单传导图谱。
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:根据关系因子的衰减系数,对黑名单传导图谱中的关系因子进行更新,得到更新后的黑名单传导图谱。
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:建立关系因子及对应的节点因子之间的映射关系,得到图谱因子库。
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:当监测到业务源数据更新时,获取更新后的业务源数据;根据更新后的业务源数据更新黑名单传导图谱。
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 (7)
1.一种黑名单传导图谱衰减系数获取方法,其特征在于,所述方法包括:
获取业务源数据;
按照所述业务源数据的数据类型,根据所述业务源数据建立关系因子及所建立关系因子对应的节点因子;
建立所述所建立关系因子及所述对应的节点因子之间的映射关系,得到图谱因子库;
将所述所建立关系因子和所述对应的节点因子按照相互对应关系进行组合连接,得到黑名单传导图谱;
获取衰减系数获取请求,所述衰减系数获取请求包括待获取衰减系数的关系因子和所述关系因子对应的图谱名称;
根据所述图谱名称查询对应的所述黑名单传导图谱,并确定所述黑名单传导图谱的业务类型;所述黑名单传导图谱中包括多个节点因子以及连接各个节点因子的关系因子;所述节点因子是根据所述业务类型对应业务系统中图形数据库的节点构建的,所述关系因子是根据所述图形数据库中的边构建的;
查询所述黑名单传导图谱对应的所述图谱因子库;
根据所述关系因子从所述图谱因子库中查询所述关系因子对应的节点因子;所述节点因子在所述黑名单传导图谱中由所述关系因子进行连接;
按照预设的组合规则,将所述业务类型、所述关系因子和所述节点因子进行组合后输入预设的衰减系数神经网络模型中,得到所述关系因子的衰减系数;所述衰减系数用于确定表征所述节点因子对应失信概率的可疑系数。
2.根据权利要求1所述的方法,其特征在于,所述节点因子包括第一节点因子和第二节点因子,所述第一节点因子和所述第二节点因子通过所述关系因子连接,所述按照预设的组合规则,将所述业务类型、所述关系因子和所述节点因子进行组合后输入预设的衰减系数神经网络模型中,得到所述关系因子的衰减系数的步骤包括:
获取所述衰减系数神经网络模型;
按照预设的组合规则,将所述业务类型、所述第一节点因子、所述关系因子和所述第二节点因子进行组合,得到输入向量;
将所述输入向量输入所述衰减系数神经网络模型中,得到所述关系因子的衰减系数。
3.根据权利要求1所述的方法,其特征在于,在所述得到黑名单传导图谱的步骤之后,还包括:
当监测到所述业务源数据更新时,获取更新后的所述业务源数据;
根据所述更新后的所述业务源数据更新所述黑名单传导图谱。
4.根据权利要求1所述的方法,其特征在于,在所述得到所述关系因子的衰减系数的步骤之后,还包括:
根据所述关系因子的衰减系数,对所述黑名单传导图谱中的所述关系因子进行更新,得到更新后的所述黑名单传导图谱。
5.一种黑名单传导图谱衰减系数获取装置,其特征在于,所述装置包括:
业务源数据获取模块,用于获取业务源数据;
图谱因子建立模块,用于按照所述业务源数据的数据类型,根据所述业务源数据建立关系因子及所建立关系因子对应的节点因子;
图谱因子库模块,用于建立所述所建立关系因子及所述对应的节点因子之间的映射关系,得到图谱因子库;
传导图谱构建模块,用于将所述所建立关系因子和所述对应的节点因子按照相互对应关系进行组合连接,得到黑名单传导图谱;
获取请求模块,用于获取衰减系数获取请求,所述衰减系数获取请求包括待获取衰减系数的关系因子和所述关系因子对应的图谱名称;
图谱查询模块,用于根据所述图谱名称查询对应的所述黑名单传导图谱,并确定所述黑名单传导图谱的业务类型;所述黑名单传导图谱中包括多个节点因子以及连接各个节点因子的关系因子;所述节点因子是根据所述业务类型对应业务系统中图形数据库的节点构建的,所述关系因子是根据所述图形数据库中的边构建的;
节点因子获取模块,所述节点因子获取模块包括图谱因子查询单元和节点因子获取单元;所述图谱因子查询单元,用于查询所述黑名单传导图谱对应的所述图谱因子库;所述节点因子获取单元,用于根据所述关系因子从所述图谱因子库中查询所述关系因子对应的节点因子;所述节点因子在所述黑名单传导图谱中由所述关系因子进行连接;
衰减系数获取模块,用于按照预设的组合规则,将所述业务类型、所述关系因子和所述节点因子进行组合后输入预设的衰减系数神经网络模型中,得到所述关系因子的衰减系数;所述衰减系数用于确定表征所述节点因子对应失信概率的可疑系数。
6.一种计算机设备,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4中任一项所述方法的步骤。
7.一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4中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910068430.XA CN110008220B (zh) | 2019-01-24 | 2019-01-24 | 黑名单传导图谱衰减系数获取方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910068430.XA CN110008220B (zh) | 2019-01-24 | 2019-01-24 | 黑名单传导图谱衰减系数获取方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110008220A CN110008220A (zh) | 2019-07-12 |
CN110008220B true CN110008220B (zh) | 2024-03-15 |
Family
ID=67165503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910068430.XA Active CN110008220B (zh) | 2019-01-24 | 2019-01-24 | 黑名单传导图谱衰减系数获取方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110008220B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021463A (zh) * | 2016-05-17 | 2016-10-12 | 北京百度网讯科技有限公司 | 基于人工智能提供智能服务的方法、智能服务系统及智能终端 |
CN107403326A (zh) * | 2017-08-14 | 2017-11-28 | 云数信息科技(深圳)有限公司 | 一种基于电信数据的保险欺诈识别方法及装置 |
CN108664582A (zh) * | 2018-05-04 | 2018-10-16 | 苏州朗动网络科技有限公司 | 企业关系的查询方法、装置、计算机设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9386078B2 (en) * | 2014-05-30 | 2016-07-05 | Ca, Inc. | Controlling application programming interface transactions based on content of earlier transactions |
-
2019
- 2019-01-24 CN CN201910068430.XA patent/CN110008220B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021463A (zh) * | 2016-05-17 | 2016-10-12 | 北京百度网讯科技有限公司 | 基于人工智能提供智能服务的方法、智能服务系统及智能终端 |
CN107403326A (zh) * | 2017-08-14 | 2017-11-28 | 云数信息科技(深圳)有限公司 | 一种基于电信数据的保险欺诈识别方法及装置 |
CN108664582A (zh) * | 2018-05-04 | 2018-10-16 | 苏州朗动网络科技有限公司 | 企业关系的查询方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110008220A (zh) | 2019-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020211491A1 (zh) | 基于区块链的项目审核系统、方法、计算设备及存储介质 | |
CN108829781A (zh) | 客户信息查询方法、装置、计算机设备和存储介质 | |
CN111046237B (zh) | 用户行为数据处理方法、装置、电子设备及可读介质 | |
CN111580874B (zh) | 数据申请的系统安全控制方法、系统和计算机设备 | |
CN111078507A (zh) | 数据监控方法、系统、计算机设备和存储介质 | |
CN112017024A (zh) | 信贷风险评估方法、系统、计算机设备及存储介质 | |
CN110647676B (zh) | 基于大数据的兴趣属性挖掘方法、装置和计算机设备 | |
CN110008220B (zh) | 黑名单传导图谱衰减系数获取方法、装置和计算机设备 | |
CN110008346B (zh) | 黑名单传导图谱构建方法、装置、计算机设备和存储介质 | |
CN112989216A (zh) | 同事的推荐方法、装置、计算机设备及存储介质 | |
CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN114496312A (zh) | 基于在线问诊的数据处理方法、装置和计算机设备 | |
CN110008347B (zh) | 黑名单传导扩充方法、装置、计算机设备和存储介质 | |
CN110969430B (zh) | 可疑用户的识别方法、装置、计算机设备和存储介质 | |
US9210147B1 (en) | Method, apparatus and computer program product for assessing risk associated with authentication requests | |
CN116415237B (zh) | 风险设备识别方法、装置、计算机设备和存储介质 | |
CN116881505A (zh) | 基于图数据库的对象实时属性分析方法和装置 | |
CN114186961A (zh) | 业务审批流程配置方法、装置、计算机设备和存储介质 | |
CN116566720A (zh) | 防火墙策略平移方法、装置、计算机设备和存储介质 | |
CN116342242A (zh) | 异常检测方法、装置、计算机设备和存储介质 | |
CN117391490A (zh) | 金融业务的评价信息处理方法、装置和计算机设备 | |
CN116055186A (zh) | 访问的认证方法、装置、计算机设备和存储介质 | |
CN111914065A (zh) | 短信内容验证方法、装置、计算机系统和计算机可读介质 | |
CN117453511A (zh) | 服务信息处理方法、装置、计算机设备和存储介质 | |
CN117040855A (zh) | 风险因子集生成和风险行为监测方法、装置、介质及设备 |
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 |