CN110009225A - 风险评估系统构建方法、装置、计算机设备和存储介质 - Google Patents
风险评估系统构建方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110009225A CN110009225A CN201910264534.8A CN201910264534A CN110009225A CN 110009225 A CN110009225 A CN 110009225A CN 201910264534 A CN201910264534 A CN 201910264534A CN 110009225 A CN110009225 A CN 110009225A
- Authority
- CN
- China
- Prior art keywords
- application scenarios
- index feature
- risk
- data
- historical
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 26
- 238000012502 risk assessment Methods 0.000 claims abstract description 231
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000012216 screening Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims description 62
- 238000004590 computer program Methods 0.000 claims description 29
- 238000011156 evaluation Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 241001269238 Data Species 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect 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
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (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
本申请涉及数据分析技术领域,提供了一种风险评估系统构建方法、装置、计算机设备和存储介质。所述方法包括:获取应用场景集合以及历史风险评估数据集合,根据历史风险评估数据集合中各历史风险评估数据携带的风险评估标识以及应用场景集合,确定与各应用场景对应的历史风险评估数据,对与各应用场景对应的历史风险评估数据进行指标特征筛选,确定各应用场景的指标特征集合,根据各应用场景的指标特征集合和预设的评分卡模型,构建各应用场景的评分卡模型,根据各应用场景的评分卡模型,生成风险评估系统。采用本方法能够构建一个可兼容不同应用场景对用户账户进行风险评估的风险评估系统,提高风险评估效率。
Description
技术领域
本申请涉及数据分析技术领域,特别是涉及一种风险评估系统构建方法、装置、计算机设备和存储介质。
背景技术
随着互联网金融技术的发展,基于互联网平台的风险评估也进一步发展,基于互联网平台的风险评估包括对用户账户进行风险评估。传统的对用户账户进行风险评估的方式为:获取用户账户信息,根据风险评估请求确定对应的应用场景,根据对应的应用场景对接评估系统,查找与风险评估请求对应的应用场景的评分模型,根据对应的应用场景的评分模型对用户账户信息进行筛选,筛选出所需的评分指标信息,根据应用场景的评分模型以及用户账户信息中的评分指标信息进行风险评估。
然而,针对不同的应用场景,评分模型的指标不尽相同,传统的风险评估系统存在通用性差的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种通用性高的风险评估系统构建方法、装置、计算机设备和存储介质。
一种风险评估系统构建方法,所述方法包括:
获取应用场景集合以及历史风险评估数据集合;
根据历史风险评估数据集合中各历史风险评估数据携带的风险评估标识以及应用场景集合,确定与各应用场景对应的历史风险评估数据;
对与各应用场景对应的历史风险评估数据进行指标特征筛选,确定各应用场景的指标特征集合;
根据各应用场景的指标特征集合和预设的评分卡模型,构建各应用场景的评分卡模型;
根据各应用场景的评分卡模型,生成风险评估系统。
在其中一个实施例中,根据历史风险评估数据集合中各历史风险评估数据携带的风险评估标识以及应用场景集合,确定与各应用场景对应的历史风险评估数据包括:
获取历史风险评估数据集合中各历史风险评估数据携带的风险评估标识;
获取应用场景集合中各应用场景的场景标识;
根据各历史风险评估数据携带的风险评估标识,匹配各应用场景的场景标识;
根据匹配结果,确定与各应用场景对应的历史风险评估数据。
在其中一个实施例中,对与各应用场景对应的历史风险评估数据进行指标特征筛选,确定各应用场景的指标特征集合包括:
根据预设的指标特征库中的各指标特征词,遍历与各应用场景对应的历史风险评估数据;
根据遍历结果确定与各应用场景对应的历史风险评估数据的指标特征集合;
根据与各应用场景对应的历史风险评估数据的指标特征集合,确定各应用场景的指标特征集合。
在其中一个实施例中,根据各应用场景的指标特征集合和预设的评分卡模型,构建各应用场景的评分卡模型包括:
根据各应用场景的指标特征集合中各指标特征,对与各应用场景对应的历史风险评估数据进行分类,确定与各指标特征对应的指标特征数据;
根据预设的分组算法,对与各指标特征对应的指标特征数据进行分组处理,将对应的指标特征数据分为多组指标特征数据;
根据各指标特征的多组指标特征数据和预设的评分卡模型,构建各应用场景的评分卡模型。
在其中一个实施例中,根据各指标特征的多组指标特征数据和预设的评分卡模型,构建各应用场景的评分卡模型包括:
根据证据权重转换公式,确定各指标特征的每组指标特征数据的证据权重值;
根据各证据权重值,确定各指标特征的信息量值;
根据各指标特征的信息量值,确定各指标特征的权重系数;
根据各指标特征的权重系数、各指标特征的每组指标特征数据的证据权重值以及预设的评分卡模型,构建各应用场景的评分卡模型。
在其中一个实施例中,根据各应用场景的评分卡模型,生成风险评估系统包括:
确定各应用场景与各应用场景的评分卡的关联关系;
根据关联关系生成评估配置表;
根据评估配置表,生成风险评估系统。
在其中一个实施例中,根据各应用场景的评分卡模型,生成风险评估系统之后,包括:
获取各应用场景的测试数据以及测试数据的风险评估结果;
将各应用场景的测试数据输入风险评估系统中各应用场景的评分卡模型,输出与测试数据对应的测试结果;
通过比较测试结果和测试数据的风险评估结果,验证风险评估系统中各应用场景的评分卡模型。
一种风险评估系统构建装置,所述装置包括:
获取模块,用于获取应用场景集合以及历史风险评估数据集合;
匹配模块,用于根据历史风险评估数据集合中各历史风险评估数据携带的风险评估标识以及应用场景集合,确定与各应用场景对应的历史风险评估数据;
筛选模块,用于对与各应用场景对应的历史风险评估数据进行指标特征筛选,确定各应用场景的指标特征集合;
模型构建模块,用于根据各应用场景的指标特征集合和预设的评分卡模型,构建各应用场景的评分卡模型;
处理模块,用于根据各应用场景的评分卡模型,生成风险评估系统。
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:
获取应用场景集合以及历史风险评估数据集合;
根据历史风险评估数据集合中各历史风险评估数据携带的风险评估标识以及应用场景集合,确定与各应用场景对应的历史风险评估数据;
对与各应用场景对应的历史风险评估数据进行指标特征筛选,确定各应用场景的指标特征集合;
根据各应用场景的指标特征集合和预设的评分卡模型,构建各应用场景的评分卡模型;
根据各应用场景的评分卡模型,生成风险评估系统。
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:
获取应用场景集合以及历史风险评估数据集合;
根据历史风险评估数据集合中各历史风险评估数据携带的风险评估标识以及应用场景集合,确定与各应用场景对应的历史风险评估数据;
对与各应用场景对应的历史风险评估数据进行指标特征筛选,确定各应用场景的指标特征集合;
根据各应用场景的指标特征集合和预设的评分卡模型,构建各应用场景的评分卡模型;
根据各应用场景的评分卡模型,生成风险评估系统。
上述风险评估系统构建方法、装置、计算机设备和存储介质,获取应用场景集合以及历史风险评估数据集合,根据历史风险评估数据集合中各历史风险评估数据携带的风险评估标识以及应用场景集合,确定与各应用场景对应的历史风险评估数据,对与各应用场景对应的历史风险评估数据进行指标特征筛选,确定各应用场景的指标特征集合,根据各应用场景的指标特征集合和预设的评分卡模型,构建各应用场景的评分卡模型,根据各应用场景的评分卡模型,生成风险评估系统。通过这种方式,构建一个可兼容不同应用场景对用户账户进行风险评估的风险评估系统,提高风险评估效率。
附图说明
图1为一个实施例中风险评估系统构建方法的流程示意图;
图2为一个实施例中图1中步骤S104的子流程示意图;
图3为一个实施例中图1中步骤S106的子流程示意图;
图4为一个实施例中图1中步骤S108的子流程示意图;
图5为一个实施例中图4中步骤S406的子流程示意图;
图6为一个实施例中图1中步骤S110的子流程示意图;
图7为一个实施例中图1中步骤S110之后的子流程示意图;
图8为一个实施例中风险评估系统构建装置的结构框图;
图9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。
在一个实施例中,如图1所示,提供了一种风险评估系统构建方法,包括以下步骤:
S102:获取应用场景集合以及历史风险评估数据集合。
应用场景集合中包括各种用于风险评估的业务场景,包括购买保险、购买理财产品以及贷款等。历史风险评估数据集合中包括已经完成风险评估的用户数据集合。
S104:根据历史风险评估数据集合中各历史风险评估数据携带的风险评估标识以及应用场景集合,确定与各应用场景对应的历史风险评估数据。
各历史风险评估数据携带的风险评估标识指的是风险评估的业务场景标识,可用于确定风险评估的业务场景,应用场景集合中各应用场景携带场景标识,场景标识也可用于确定风险评估的业务场景,服务器获取风险评估的业务场景标识,根据业务场景标识匹配应用场景集合中各应用场景的场景标识,即可确定与各应用场景对应的历史风险评估数据。
S106:对与各应用场景对应的历史风险评估数据进行指标特征筛选,确定各应用场景的指标特征集合。
指标特征指的是用于进行风险评估的指标,不同的应用场景有不同的指标,每个应用场景都包括多个指标,组成应用场景的指标特征集合,常见的指标包括社保、理财、贷款以及收入等。服务器对与各应用场景对应的历史风险评估数据进行指标特征筛选,就是要确定与各应用场景对应的历史风险评估数据评估时所参考的各指标特征,从而根据历史风险评估数据评估时所参考的各指标特征,确定对应的应用场景的指标特征集合。
S108:根据各应用场景的指标特征集合和预设的评分卡模型,构建各应用场景的评分卡模型。
评分卡是以分数的形式来衡量风险几率的一种手段,是对未来一段时间内风险概率的预测,有一个明确的区间,通常分数越高越安全。评分卡模型中包括评分卡表格,评分卡表格中包括各指标特征的各区间的分数。评分卡模型通过计算用户的基础分和附加分之和,来确定用户的风险评估分数。其中,在同一个应用场景下计算风险评估分数时,基础分相同,附加分由评分卡模型中各指标特征的分数确定。基础分可通过应用场景的各指标特征的指标特征数据确定,在计算附加分时,只需参照对应的各指标特征的各区间的分数,即可确定用户在该指标特征的分数,叠加用户在各指标特征的分数,即可确定用户的附加分。所以,在确定应用场景的指标特征集合后,将各指标特征的指标特征数据按照预设的分组算法进行分组,在分组完成后,确定每组指标特征数据对应的分值,即可根据每组指标特征数据对应的分值,构建各应用场景的评分卡模型。
S110:根据各应用场景的评分卡模型,生成风险评估系统。
在确定各应用场景的评分卡模型之后,服务器会确定各应用场景与各应用场景的评分卡的关联关系,根据各应用场景与各应用场景的评分卡的关联关系生成评估配置表,评估配置表可用于在风险评估时,根据应用场景查找到对应的应用场景的评分卡模型,根据评估配置表,可生成风险评估系统,风险评估系统中包括各应用场景的评分卡模型以及评估配置表。当需要对用户账户数据进行风险评估时,将确定好应用场景的用户账户数据输入风险评估系统,即可通过评估配置表查找到对应的评分卡,从而通过风险评估系统输出评估分数以及评估结果。
上述风险评估系统构建方法,获取应用场景集合以及历史风险评估数据集合,根据历史风险评估数据集合中各历史风险评估数据携带的风险评估标识以及应用场景集合,确定与各应用场景对应的历史风险评估数据,对与各应用场景对应的历史风险评估数据进行指标特征筛选,确定各应用场景的指标特征集合,根据各应用场景的指标特征集合和预设的评分卡模型,构建各应用场景的评分卡模型,根据各应用场景的评分卡模型,生成风险评估系统。通过这种方式,构建一个可兼容不同应用场景对用户账户进行风险评估的风险评估系统,提高风险评估效率。
在其中一个实施例中,如图2所示,S104包括:
S202:获取历史风险评估数据集合中各历史风险评估数据携带的风险评估标识;
S204:获取应用场景集合中各应用场景的场景标识;
S206:根据各历史风险评估数据携带的风险评估标识,匹配各应用场景的场景标识;
S208:根据匹配结果,确定与各应用场景对应的历史风险评估数据。
各历史风险评估数据携带的风险评估标识指的是风险评估的业务场景标识,可用于确定风险评估的业务场景,服务器获取历史风险评估数据集合中各历史风险评估数据携带的风险评估标识,获取应用场景集合中各应用场景的场景标识,根据各历史风险评估数据携带的风险评估标识,匹配各应用场景的场景标识,根据匹配结果,可确定与各应用场景对应的历史风险评估数据。其中,当历史风险评估数据携带的风险评估标识,与应用场景的场景标识相同时,可确定其为与应用场景对应的历史风险评估数据。历史风险评估数据携带的风险评估标识是在进行风险评估时标记的,各应用场景的场景标识是在确定应用场景后标记的。风险评估标识和场景标识可以为英文字母组合、英文字母与数字的组合等。
上述实施例,获取历史风险评估数据集合中各历史风险评估数据携带的风险评估标识,获取应用场景集合中各应用场景的场景标识,根据各历史风险评估数据携带的风险评估标识,匹配各应用场景的场景标识,根据匹配结果,确定与各应用场景对应的历史风险评估数据,实现了对与各应用场景对应的历史风险评估数据的确定。
在其中一个实施例中,如图3所示,S106包括:
S302:根据预设的指标特征库中的各指标特征词,遍历与各应用场景对应的历史风险评估数据;
S304:根据遍历结果确定与各应用场景对应的历史风险评估数据的指标特征集合;
S306:根据与各应用场景对应的历史风险评估数据的指标特征集合,确定各应用场景的指标特征集合。
指标特征词指的是与历史风险评估数据的业务场景对应的代表指标特征的词语,包括社保、理财、贷款以及收入等。根据预设的指标特征库中的各指标特征词,遍历与各应用场景对应的历史风险评估数据,确定与各应用场景对应的历史风险评估数据的指标特征集合,进而根据与各应用场景对应的历史风险评估数据的指标特征集合,可确定各应用场景的指标特征集合。其中,不同的历史风险评估数据的指标特征集合不完全相同。
上述实施例,根据预设的指标特征库中的各指标特征词,遍历与各应用场景对应的历史风险评估数据,根据遍历结果确定与各应用场景对应的历史风险评估数据的指标特征集合,根据与各应用场景对应的历史风险评估数据的指标特征集合,确定各应用场景的指标特征集合,实现了对各应用场景的指标特征集合的确定。
在其中一个实施例中,如图4所示,S108包括:
S402:根据各应用场景的指标特征集合中各指标特征,对与各应用场景对应的历史风险评估数据进行分类,确定与各指标特征对应的指标特征数据;
S404:根据预设的分组算法,对与各指标特征对应的指标特征数据进行分组处理,将对应的指标特征数据分为多组指标特征数据;
S406:根据各指标特征的多组指标特征数据和预设的评分卡模型,构建各应用场景的评分卡模型。
服务器首先根据各应用场景的指标特征集合中各指标特征,对与各应用场景对应的历史风险评估数据进行分类,确定与各指标特征对应的指标特征数据,然后根据预设的分组算法,对与各指标特征对应的指标特征数据进行分组处理,将对应的指标特征数据分为多组指标特征数据,最后根据各指标特征的多组指标特征数据和预设的评分卡模型,构建各应用场景的评分卡模型。其中,根据预设的分组算法,对与各指标特征对应的指标特征数据进行分组处理包括:可按照等距分段、等深分段、最优分段等原则对指标特征数据进行分组,计算分组后的指标特征的信息量值,当指标特征的信息量值大于或者等于预设的阈值时,可认为指标特征的预测强度好,分组完成,若小于预设的阈值时,则重新将指标特征数据分组,重新计算指标特征的信息量值,直到信息量值大于预设的阈值为止,预设的阈值可按照需要自行设置。
其中,计算分组后的指标特征的信息量值包括:计算分组后的指标特征中每组指标特征数据的证据权重值、每组的好客户数量占该指标特征的好客户数量的比例与每组的坏客户数量占该指标特征的坏客户数量的比例之差,累加每组指标特征数据的证据权重值与占比之差的乘积,累加结果即为分组后的指标特征的信息量值。证据权重值的计算公式为:A为每组的好客户数量占该指标特征的好客户数量的比例,B为每组的坏客户数量占该指标特征的坏客户数量的比例。好客户指的是指标特征数据中通过风险评估的客户,坏指标指的是指标特征数据中未通过风险评估的客户。
上述实施例,根据各应用场景的指标特征集合中各指标特征,对与各应用场景对应的历史风险评估数据进行分类,确定与各指标特征对应的指标特征数据,根据预设的分组算法,对与各指标特征对应的指标特征数据进行分组处理,将对应的指标特征数据分为多组指标特征数据,根据各指标特征的多组指标特征数据和预设的评分卡模型,构建各应用场景的评分卡模型,实现了对各应用场景的评分卡模型的构建。
在其中一个实施例中,如图5所示,S406包括:
S502:根据证据权重转换公式,确定各指标特征的每组指标特征数据的证据权重值;
S504:根据各证据权重值,确定各指标特征的信息量值;
S506:根据各指标特征的信息量值,确定各指标特征的权重系数;
S508:根据各指标特征的权重系数、各指标特征的每组指标特征数据的证据权重值以及预设的评分卡模型,构建各应用场景的评分卡模型。
服务器根据证据权重转换公式,确定各指标特征的每组指标特征数据的证据权重值,根据各指标特征的每组指标特征数据的证据权重值,确定各指标特征的信息量值,根据各指标特征的信息量值,确定各指标特征的权重系数,根据各指标特征的权重系数、各指标特征的每组指标特征数据的证据权重值以及预设的评分卡模型,构建各应用场景的评分卡模型。其中,证据权重转换公式为:A为每组的好客户数量占该指标特征的好客户数量的比例,B为每组的坏客户数量占该指标特征的坏客户数量的比例。根据各指标特征的每组指标特征数据的证据权重值,确定各指标特征的信息量值包括:计算每组的好客户数量占该指标特征的好客户数量的比例与每组的坏客户数量占该指标特征的坏客户数量的比例之差,累加每组指标特征数据的证据权重值与占比之差的乘积,累加结果即为该指标特征的信息量值。根据各指标特征的信息量值,可以确定各指标特征对风险评估的预测强度,进而可根据各指标特征对风险评估的预测强度为各指标特征分配分值,并根据每组指标特征数据的证据权重值确定每组指标特征的权重系数,根据各指标特征分配的分值、每组指标特征的权重系数以及预设的评分卡模型,构建各应用场景的评分卡模型。预设的评分卡模型可以为线性回归模型。
上述实施例,根据证据权重转换公式,确定各指标特征的每组指标特征数据的证据权重值,根据各指标特征的每组指标特征数据的证据权重值,确定各指标特征的信息量值,根据各指标特征的信息量值,确定各指标特征的权重系数,根据各指标特征的权重系数、各指标特征的每组指标特征数据的证据权重值以及预设的评分卡模型,构建各应用场景的评分卡模型,实现了对各应用场景的评分卡模型的构建。
在其中一个实施例中,如图6所示,S110包括:
S602:确定各应用场景与各应用场景的评分卡的关联关系;
S604:根据关联关系生成评估配置表;
S606:根据评估配置表,生成风险评估系统。
服务器确定各应用场景与各应用场景的评分卡的关联关系,根据关联关系生成评估配置表,根据评估配置表,生成风险评估系统。当需要对用户账户数据进行风险评估时,将确定好应用场景的用户账户数据输入风险评估系统,即可通过评估配置表查找到对应的评分卡,从而通过风险评估系统输出评估分数以及评估结果。
上述实施例,确定各应用场景与各应用场景的评分卡的关联关系,根据关联关系生成评估配置表,根据评估配置表,生成风险评估系统,实现了对风险评估系统的确定。
在其中一个实施例中,如图7所示,S110之后,包括:
S702:获取各应用场景的测试数据以及测试数据的风险评估结果;
S704:将各应用场景的测试数据输入风险评估系统中各应用场景的评分卡模型,输出与测试数据对应的测试结果;
S706:通过比较测试结果和测试数据的风险评估结果,验证风险评估系统中各应用场景的评分卡模型。
测试数据指的是预先划分的未用于构建风险评估系统的历史风险评估数据,可用于对风险评估系统中各应用场景的评分卡模型进行验证。服务器获取各应用场景的测试数据以及测试数据的风险评估结果,将各应用场景的测试数据输入风险评估系统中对应的应用场景的评分卡模型,输出与测试数据对应的测试结果,通过比较测试结果和测试数据的风险评估结果,验证风险评估系统中各应用场景的评分卡模型。其中,若针对某一应用场景,存在多个测试结果与测试数据的风险评估结果不相同时,对该应用场景的评分卡模型进行微调,完善该应用场景的评分卡模型。
上述实施例,获取各应用场景的测试数据以及测试数据的风险评估结果,将各应用场景的测试数据输入风险评估系统中各应用场景的评分卡模型,输出与测试数据对应的测试结果,通过比较测试结果和测试数据的风险评估结果,验证风险评估系统中各应用场景的评分卡模型,实现了对风险评估系统中各应用场景的评分卡模型的验证。
应该理解的是,虽然图1-7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1-7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8所示,提供了一种风险评估系统构建装置,包括:获取模块802、匹配模块804、筛选模块806、模型构建模块808和处理模块810,其中:
获取模块802,用于获取应用场景集合以及历史风险评估数据集合;
匹配模块804,用于根据历史风险评估数据集合中各历史风险评估数据携带的风险评估标识以及应用场景集合,确定与各应用场景对应的历史风险评估数据;
筛选模块806,用于对与各应用场景对应的历史风险评估数据进行指标特征筛选,确定各应用场景的指标特征集合;
模型构建模块808,用于根据各应用场景的指标特征集合和预设的评分卡模型,构建各应用场景的评分卡模型;
处理模块810,用于根据各应用场景的评分卡模型,生成风险评估系统。
上述风险评估系统构建装置,获取应用场景集合以及历史风险评估数据集合,根据历史风险评估数据集合中各历史风险评估数据携带的风险评估标识以及应用场景集合,确定与各应用场景对应的历史风险评估数据,对与各应用场景对应的历史风险评估数据进行指标特征筛选,确定各应用场景的指标特征集合,根据各应用场景的指标特征集合和预设的评分卡模型,构建各应用场景的评分卡模型,根据各应用场景的评分卡模型,生成风险评估系统。通过这种方式,构建一个可兼容不同应用场景对用户账户进行风险评估的风险评估系统,提高风险评估效率。
在其中一个实施例中,匹配模块还用于获取历史风险评估数据集合中各历史风险评估数据携带的风险评估标识,获取应用场景集合中各应用场景的场景标识,根据各历史风险评估数据携带的风险评估标识,匹配各应用场景的场景标识,根据匹配结果,确定与各应用场景对应的历史风险评估数据。
在其中一个实施例中,筛选模块还用于根据预设的指标特征库中的各指标特征词,遍历与各应用场景对应的历史风险评估数据,根据遍历结果确定与各应用场景对应的历史风险评估数据的指标特征集合,根据与各应用场景对应的历史风险评估数据的指标特征集合,确定各应用场景的指标特征集合。
在其中一个实施例中,模型构建模块还用于根据各应用场景的指标特征集合中各指标特征,对与各应用场景对应的历史风险评估数据进行分类,确定与各指标特征对应的指标特征数据,根据预设的分组算法,对与各指标特征对应的指标特征数据进行分组处理,将对应的指标特征数据分为多组指标特征数据,根据各指标特征的多组指标特征数据和预设的评分卡模型,构建各应用场景的评分卡模型。
在其中一个实施例中,模型构建模块还用于根据证据权重转换公式,确定各指标特征的每组指标特征数据的证据权重值,根据各证据权重值,确定各指标特征的信息量值,根据各指标特征的信息量值,确定各指标特征的权重系数,根据各指标特征的权重系数、各指标特征的每组指标特征数据的证据权重值以及预设的评分卡模型,构建各应用场景的评分卡模型。
在其中一个实施例中,处理模块还用于确定各应用场景与各应用场景的评分卡的关联关系,根据关联关系生成评估配置表,根据评估配置表,生成风险评估系统。
在其中一个实施例中,风险评估系统构建装置还包括测试模块,测试模块用于获取各应用场景的测试数据以及测试数据的风险评估结果,将各应用场景的测试数据输入风险评估系统中各应用场景的评分卡模型,输出与测试数据对应的测试结果,通过比较测试结果和测试数据的风险评估结果,验证风险评估系统中各应用场景的评分卡模型。
关于风险评估系统构建装置的具体限定可以参见上文中对于风险评估系统构建方法的限定,在此不再赘述。上述风险评估系统构建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9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应用场景集合数据、历史风险评估数据、指标特征库数据以及各应用场景的测试数据。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风险评估系统构建方法。
本领域技术人员可以理解,图9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:
获取应用场景集合以及历史风险评估数据集合;
根据历史风险评估数据集合中各历史风险评估数据携带的风险评估标识以及应用场景集合,确定与各应用场景对应的历史风险评估数据;
对与各应用场景对应的历史风险评估数据进行指标特征筛选,确定各应用场景的指标特征集合;
根据各应用场景的指标特征集合和预设的评分卡模型,构建各应用场景的评分卡模型;
根据各应用场景的评分卡模型,生成风险评估系统。
上述风险评估系统构建计算机设备,获取应用场景集合以及历史风险评估数据集合,根据历史风险评估数据集合中各历史风险评估数据携带的风险评估标识以及应用场景集合,确定与各应用场景对应的历史风险评估数据,对与各应用场景对应的历史风险评估数据进行指标特征筛选,确定各应用场景的指标特征集合,根据各应用场景的指标特征集合和预设的评分卡模型,构建各应用场景的评分卡模型,根据各应用场景的评分卡模型,生成风险评估系统。通过这种方式,构建一个可兼容不同应用场景对用户账户进行风险评估的风险评估系统,提高风险评估效率。
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:
获取历史风险评估数据集合中各历史风险评估数据携带的风险评估标识;
获取应用场景集合中各应用场景的场景标识;
根据各历史风险评估数据携带的风险评估标识,匹配各应用场景的场景标识;
根据匹配结果,确定与各应用场景对应的历史风险评估数据。
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:
根据预设的指标特征库中的各指标特征词,遍历与各应用场景对应的历史风险评估数据;
根据遍历结果确定与各应用场景对应的历史风险评估数据的指标特征集合;
根据与各应用场景对应的历史风险评估数据的指标特征集合,确定各应用场景的指标特征集合。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:
根据各应用场景的指标特征集合中各指标特征,对与各应用场景对应的历史风险评估数据进行分类,确定与各指标特征对应的指标特征数据;
根据预设的分组算法,对与各指标特征对应的指标特征数据进行分组处理,将对应的指标特征数据分为多组指标特征数据;
根据各指标特征的多组指标特征数据和预设的评分卡模型,构建各应用场景的评分卡模型。
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:
根据证据权重转换公式,确定各指标特征的每组指标特征数据的证据权重值;
根据各证据权重值,确定各指标特征的信息量值;
根据各指标特征的信息量值,确定各指标特征的权重系数;
根据各指标特征的权重系数、各指标特征的每组指标特征数据的证据权重值以及预设的评分卡模型,构建各应用场景的评分卡模型。
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:
确定各应用场景与各应用场景的评分卡的关联关系;
根据关联关系生成评估配置表;
根据评估配置表,生成风险评估系统。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:
获取各应用场景的测试数据以及测试数据的风险评估结果;
将各应用场景的测试数据输入风险评估系统中各应用场景的评分卡模型,输出与测试数据对应的测试结果;
通过比较测试结果和测试数据的风险评估结果,验证风险评估系统中各应用场景的评分卡模型。
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:
获取应用场景集合以及历史风险评估数据集合;
根据历史风险评估数据集合中各历史风险评估数据携带的风险评估标识以及应用场景集合,确定与各应用场景对应的历史风险评估数据;
对与各应用场景对应的历史风险评估数据进行指标特征筛选,确定各应用场景的指标特征集合;
根据各应用场景的指标特征集合和预设的评分卡模型,构建各应用场景的评分卡模型;
根据各应用场景的评分卡模型,生成风险评估系统。
上述风险评估系统构建存储介质,获取应用场景集合以及历史风险评估数据集合,根据历史风险评估数据集合中各历史风险评估数据携带的风险评估标识以及应用场景集合,确定与各应用场景对应的历史风险评估数据,对与各应用场景对应的历史风险评估数据进行指标特征筛选,确定各应用场景的指标特征集合,根据各应用场景的指标特征集合和预设的评分卡模型,构建各应用场景的评分卡模型,根据各应用场景的评分卡模型,生成风险评估系统。通过这种方式,构建一个可兼容不同应用场景对用户账户进行风险评估的风险评估系统,提高风险评估效率。
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:
获取历史风险评估数据集合中各历史风险评估数据携带的风险评估标识;
获取应用场景集合中各应用场景的场景标识;
根据各历史风险评估数据携带的风险评估标识,匹配各应用场景的场景标识;
根据匹配结果,确定与各应用场景对应的历史风险评估数据。
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:
根据预设的指标特征库中的各指标特征词,遍历与各应用场景对应的历史风险评估数据;
根据遍历结果确定与各应用场景对应的历史风险评估数据的指标特征集合;
根据与各应用场景对应的历史风险评估数据的指标特征集合,确定各应用场景的指标特征集合。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:
根据各应用场景的指标特征集合中各指标特征,对与各应用场景对应的历史风险评估数据进行分类,确定与各指标特征对应的指标特征数据;
根据预设的分组算法,对与各指标特征对应的指标特征数据进行分组处理,将对应的指标特征数据分为多组指标特征数据;
根据各指标特征的多组指标特征数据和预设的评分卡模型,构建各应用场景的评分卡模型。
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:
根据证据权重转换公式,确定各指标特征的每组指标特征数据的证据权重值;
根据各证据权重值,确定各指标特征的信息量值;
根据各指标特征的信息量值,确定各指标特征的权重系数;
根据各指标特征的权重系数、各指标特征的每组指标特征数据的证据权重值以及预设的评分卡模型,构建各应用场景的评分卡模型。
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:
确定各应用场景与各应用场景的评分卡的关联关系;
根据关联关系生成评估配置表;
根据评估配置表,生成风险评估系统。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:
获取各应用场景的测试数据以及测试数据的风险评估结果;
将各应用场景的测试数据输入风险评估系统中各应用场景的评分卡模型,输出与测试数据对应的测试结果;
通过比较测试结果和测试数据的风险评估结果,验证风险评估系统中各应用场景的评分卡模型。
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)
1.一种风险评估系统构建方法,所述方法包括:
获取应用场景集合以及历史风险评估数据集合;
根据所述历史风险评估数据集合中各历史风险评估数据携带的风险评估标识以及所述应用场景集合,确定与各应用场景对应的历史风险评估数据;
对所述与各应用场景对应的历史风险评估数据进行指标特征筛选,确定各应用场景的指标特征集合;
根据各所述应用场景的指标特征集合和预设的评分卡模型,构建各应用场景的评分卡模型;
根据各所述应用场景的评分卡模型,生成风险评估系统。
2.根据权利要求1所述的方法,其特征在于,所述根据所述历史风险评估数据集合中各历史风险评估数据携带的风险评估标识以及所述应用场景集合,确定与各应用场景对应的历史风险评估数据包括:
获取所述历史风险评估数据集合中各历史风险评估数据携带的风险评估标识;
获取所述应用场景集合中各应用场景的场景标识;
根据各所述历史风险评估数据携带的风险评估标识,匹配各所述应用场景的场景标识;
根据匹配结果,确定与各应用场景对应的历史风险评估数据。
3.根据权利要求1所述的方法,其特征在于,所述对所述与各应用场景对应的历史风险评估数据进行指标特征筛选,确定各应用场景的指标特征集合包括:
根据预设的指标特征库中的各指标特征词,遍历所述与各应用场景对应的历史风险评估数据;
根据遍历结果确定所述与各应用场景对应的历史风险评估数据的指标特征集合;
根据与各应用场景对应的历史风险评估数据的指标特征集合,确定各应用场景的指标特征集合。
4.根据权利要求1所述的方法,其特征在于,所述根据各所述应用场景的指标特征集合和预设的评分卡模型,构建各应用场景的评分卡模型包括:
根据各所述应用场景的指标特征集合中各指标特征,对与各所述应用场景对应的历史风险评估数据进行分类,确定与各指标特征对应的指标特征数据;
根据预设的分组算法,对所述与各所述指标特征对应的指标特征数据进行分组处理,将所述对应的指标特征数据分为多组指标特征数据;
根据各所述指标特征的多组指标特征数据和预设的评分卡模型,构建各应用场景的评分卡模型。
5.根据权利要求4所述的方法,其特征在于,所述根据各所述指标特征的多组指标特征数据和预设的评分卡模型,构建各应用场景的评分卡模型包括:
根据证据权重转换公式,确定各所述指标特征的每组指标特征数据的证据权重值;
根据各所述证据权重值,确定各指标特征的信息量值;
根据各所述指标特征的信息量值,确定各指标特征的权重系数;
根据各所述指标特征的权重系数、各所述指标特征的每组指标特征数据的证据权重值以及预设的评分卡模型,构建各应用场景的评分卡模型。
6.根据权利要求1所述的方法,其特征在于,所述根据各所述应用场景的评分卡模型,生成风险评估系统包括:
确定各应用场景与各应用场景的评分卡的关联关系;
根据所述关联关系生成评估配置表;
根据所述评估配置表,生成风险评估系统。
7.根据权利要求1所述的方法,其特征在于,所述根据各应用场景的评分卡模型,生成风险评估系统之后,包括:
获取各应用场景的测试数据以及测试数据的风险评估结果;
将各应用场景的测试数据输入风险评估系统中各应用场景的评分卡模型,输出与测试数据对应的测试结果;
通过比较所述测试结果和测试数据的风险评估结果,验证风险评估系统中各应用场景的评分卡模型。
8.一种风险评估系统构建装置,其特征在于,所述装置包括:
获取模块,用于获取应用场景集合以及历史风险评估数据集合;
匹配模块,用于根据所述历史风险评估数据集合中各历史风险评估数据携带的风险评估标识以及所述应用场景集合,确定与各应用场景对应的历史风险评估数据;
筛选模块,用于对所述与各应用场景对应的历史风险评估数据进行指标特征筛选,确定各应用场景的指标特征集合;
模型构建模块,用于根据各所述应用场景的指标特征集合和预设的评分卡模型,构建各应用场景的评分卡模型;
处理模块,用于根据各所述应用场景的评分卡模型,生成风险评估系统。
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7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7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910264534.8A CN110009225B (zh) | 2019-04-03 | 2019-04-03 | 风险评估系统构建方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910264534.8A CN110009225B (zh) | 2019-04-03 | 2019-04-03 | 风险评估系统构建方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110009225A true CN110009225A (zh) | 2019-07-12 |
CN110009225B CN110009225B (zh) | 2023-10-31 |
Family
ID=67169595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910264534.8A Active CN110009225B (zh) | 2019-04-03 | 2019-04-03 | 风险评估系统构建方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110009225B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110659618A (zh) * | 2019-09-26 | 2020-01-07 | 腾讯科技(深圳)有限公司 | 视频发布方法及装置 |
CN110942259A (zh) * | 2019-12-10 | 2020-03-31 | 北方工业大学 | 社区燃气设备风险评估方法及装置 |
CN111047423A (zh) * | 2019-11-01 | 2020-04-21 | 支付宝(杭州)信息技术有限公司 | 一种风险确定方法、装置及电子设备 |
CN111178704A (zh) * | 2019-12-17 | 2020-05-19 | 东方微银科技(北京)有限公司 | 一种风险目标识别方法及设备 |
CN111240975A (zh) * | 2020-01-07 | 2020-06-05 | 平安科技(深圳)有限公司 | 人工智能系统风险检测方法、装置、计算机设备与介质 |
CN111612290A (zh) * | 2020-03-31 | 2020-09-01 | 深圳奇迹智慧网络有限公司 | 安保方案生成方法、装置、计算机设备和存储介质 |
CN112070603A (zh) * | 2020-09-11 | 2020-12-11 | 重庆誉存大数据科技有限公司 | 评分卡模型及其配置系统、进行评分处理的方法 |
CN112288279A (zh) * | 2020-10-30 | 2021-01-29 | 平安医疗健康管理股份有限公司 | 基于自然语言处理和线性回归的业务风险评估方法和装置 |
CN113065947A (zh) * | 2021-03-18 | 2021-07-02 | 平安普惠企业管理有限公司 | 数据处理方法、装置、设备及存储介质 |
CN113673870A (zh) * | 2021-08-23 | 2021-11-19 | 杭州安恒信息技术股份有限公司 | 一种企业数据分析方法及相关组件 |
CN113743692A (zh) * | 2020-05-28 | 2021-12-03 | 顺丰恒通支付有限公司 | 业务风险评估方法、装置、计算机设备和存储介质 |
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 |
CN114330950A (zh) * | 2020-11-04 | 2022-04-12 | 中科聚信信息技术(北京)有限公司 | 用户评分模型创建方法、装置和电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408423A (zh) * | 2016-11-25 | 2017-02-15 | 泰康保险集团股份有限公司 | 用于风险评估的方法、系统及构建风险评估系统的方法 |
CN106447522A (zh) * | 2016-06-30 | 2017-02-22 | 国网福建省电力有限公司电力科学研究院 | 一种全电压序列一体化电网的可靠性与风险评估方法 |
CN108665143A (zh) * | 2018-04-11 | 2018-10-16 | 阿里巴巴集团控股有限公司 | 风控模型的评估方法及装置 |
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 |
CN109410036A (zh) * | 2018-10-09 | 2019-03-01 | 北京芯盾时代科技有限公司 | 一种欺诈检测模型训练方法和装置及欺诈检测方法和装置 |
CN109492945A (zh) * | 2018-12-14 | 2019-03-19 | 深圳壹账通智能科技有限公司 | 企业风险识别监控方法、装置、设备及存储介质 |
-
2019
- 2019-04-03 CN CN201910264534.8A patent/CN110009225B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106447522A (zh) * | 2016-06-30 | 2017-02-22 | 国网福建省电力有限公司电力科学研究院 | 一种全电压序列一体化电网的可靠性与风险评估方法 |
CN106408423A (zh) * | 2016-11-25 | 2017-02-15 | 泰康保险集团股份有限公司 | 用于风险评估的方法、系统及构建风险评估系统的方法 |
CN108665143A (zh) * | 2018-04-11 | 2018-10-16 | 阿里巴巴集团控股有限公司 | 风控模型的评估方法及装置 |
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 |
CN109410036A (zh) * | 2018-10-09 | 2019-03-01 | 北京芯盾时代科技有限公司 | 一种欺诈检测模型训练方法和装置及欺诈检测方法和装置 |
CN109492945A (zh) * | 2018-12-14 | 2019-03-19 | 深圳壹账通智能科技有限公司 | 企业风险识别监控方法、装置、设备及存储介质 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110659618A (zh) * | 2019-09-26 | 2020-01-07 | 腾讯科技(深圳)有限公司 | 视频发布方法及装置 |
CN111047423A (zh) * | 2019-11-01 | 2020-04-21 | 支付宝(杭州)信息技术有限公司 | 一种风险确定方法、装置及电子设备 |
CN110942259A (zh) * | 2019-12-10 | 2020-03-31 | 北方工业大学 | 社区燃气设备风险评估方法及装置 |
CN111178704A (zh) * | 2019-12-17 | 2020-05-19 | 东方微银科技(北京)有限公司 | 一种风险目标识别方法及设备 |
CN111240975A (zh) * | 2020-01-07 | 2020-06-05 | 平安科技(深圳)有限公司 | 人工智能系统风险检测方法、装置、计算机设备与介质 |
CN111612290A (zh) * | 2020-03-31 | 2020-09-01 | 深圳奇迹智慧网络有限公司 | 安保方案生成方法、装置、计算机设备和存储介质 |
CN111612290B (zh) * | 2020-03-31 | 2023-04-07 | 深圳奇迹智慧网络有限公司 | 安保方案生成方法、装置、计算机设备和存储介质 |
CN113743692B (zh) * | 2020-05-28 | 2024-05-24 | 顺丰恒通支付有限公司 | 业务风险评估方法、装置、计算机设备和存储介质 |
CN113743692A (zh) * | 2020-05-28 | 2021-12-03 | 顺丰恒通支付有限公司 | 业务风险评估方法、装置、计算机设备和存储介质 |
CN112070603A (zh) * | 2020-09-11 | 2020-12-11 | 重庆誉存大数据科技有限公司 | 评分卡模型及其配置系统、进行评分处理的方法 |
CN112288279A (zh) * | 2020-10-30 | 2021-01-29 | 平安医疗健康管理股份有限公司 | 基于自然语言处理和线性回归的业务风险评估方法和装置 |
CN114330950A (zh) * | 2020-11-04 | 2022-04-12 | 中科聚信信息技术(北京)有限公司 | 用户评分模型创建方法、装置和电子设备 |
CN113065947A (zh) * | 2021-03-18 | 2021-07-02 | 平安普惠企业管理有限公司 | 数据处理方法、装置、设备及存储介质 |
CN113673870A (zh) * | 2021-08-23 | 2021-11-19 | 杭州安恒信息技术股份有限公司 | 一种企业数据分析方法及相关组件 |
CN113673870B (zh) * | 2021-08-23 | 2024-04-30 | 杭州安恒信息技术股份有限公司 | 一种企业数据分析方法及相关组件 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN110009225B (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009225A (zh) | 风险评估系统构建方法、装置、计算机设备和存储介质 | |
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 | |
CN109598095B (zh) | 评分卡模型的建立方法、装置、计算机设备和存储介质 | |
WO2019218699A1 (zh) | 欺诈交易判断方法、装置、计算机设备和存储介质 | |
CN109508903B (zh) | 风险评估方法、装置、计算机设备和存储介质 | |
CN109829776A (zh) | 商户风险评估方法、装置、计算机设备和存储介质 | |
CN109949154B (zh) | 客户信息分类方法、装置、计算机设备和存储介质 | |
CN110929879A (zh) | 基于决策引擎和模型平台的业务决策逻辑更新方法 | |
CN109740869A (zh) | 数据审核方法、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 | |
CN109376381A (zh) | 医保报销异常检测方法、装置、计算机设备和存储介质 | |
CN112307472A (zh) | 基于智能决策的异常用户识别方法、装置及计算机设备 | |
CN109523117A (zh) | 风险预测方法、装置、计算机设备和存储介质 | |
CN111639690A (zh) | 基于关系图谱学习的欺诈分析方法、系统、介质及设备 | |
CN109583682A (zh) | 企业财务造假风险的识别方法、装置以及计算机设备 | |
CN109460995A (zh) | 财务制证方法、装置、计算机设备和存储介质 | |
CN114693192A (zh) | 风控决策方法、装置、计算机设备和存储介质 | |
CN111815169A (zh) | 业务审批参数配置方法及装置 | |
CN112948274A (zh) | 测试用例评分模型训练方法和测试用例选择方法 | |
CN111524015A (zh) | 训练预测模型的方法、装置、计算机设备及可读存储介质 | |
CN112990583A (zh) | 一种数据预测模型的入模特征确定方法及设备 | |
CN111310931A (zh) | 参数生成方法、装置、计算机设备及存储介质 | |
CN114139931A (zh) | 企业数据评估方法、装置、计算机设备及存储介质 | |
CN110515974A (zh) | 数据抽取方法、装置、计算机设备和存储介质 | |
CN114372867A (zh) | 用户信用度的验证评估方法、装置和计算机设备 |
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 |