CN110020746A - 一种风险防控方法、装置、处理设备及系统 - Google Patents

一种风险防控方法、装置、处理设备及系统 Download PDF

Info

Publication number
CN110020746A
CN110020746A CN201910125566.XA CN201910125566A CN110020746A CN 110020746 A CN110020746 A CN 110020746A CN 201910125566 A CN201910125566 A CN 201910125566A CN 110020746 A CN110020746 A CN 110020746A
Authority
CN
China
Prior art keywords
data
sample data
risk
model
sample
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
Application number
CN201910125566.XA
Other languages
English (en)
Inventor
曾利彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Advanced New Technologies Co Ltd
Advantageous New Technologies Co Ltd
Original Assignee
Alibaba Group Holding Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201910125566.XA priority Critical patent/CN110020746A/zh
Publication of CN110020746A publication Critical patent/CN110020746A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Educational Administration (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书提供一种风险防控方法、装置、处理设备及系统，基于嵌入向量转换模型和合成少数类别样本算法对黑样本数据进行过采样，再进行模型训练构建风险预测模型。采用嵌入向量转换模型可以实现将样本数据转换为嵌入向量，使得样本数据的格式统一，方便计算样本点之间的欧氏距离，避免了因为风控领域的样本特征多为类比特征，格式不统一，无法实现样本点欧氏距离的计算，导致无法进行黑样本数据的过采样问题。实现了黑样本数据和白样本数据之间比例的平衡，可以利用更多的白样本信息，同时合理的扩展了黑样本数据的比例，减少了模型过拟合问题，增强模型的泛化能力，提高了模型预测结果的准确性。

Description

一种风险防控方法、装置、处理设备及系统
技术领域
本说明书属于计算机技术领域，尤其涉及一种风险防控方法、装置、处理设备及系统。
背景技术
在风险防控技术领域，通常可以通过机器学习模型进行风险防控，实现风险防控。机器学习模型的建立需要使用样本数据训练获得，但是对于风险防控领域，样本数据往往是不平衡的，黑样本(一般可以表示存在问题的样本)的数量一般远小于白样本(一般可以表示正常样本)的数量，使得建立出的模型容易出现欠拟合的问题，导致模型的预测结果不准确。
发明内容
本说明书目的在于提供一种风险防控方法、装置、处理设备及系统，提高了风险预测中模型建立的准确性，进一步提高了风险防控的准确性。
一方面本说明书实施例提供了一种风险防控方法，包括：
获取待预测数据；
将所述待预测数据输入到建立的风险预测模型中，获得风险预测结果，其中，所述风险防控模型基于嵌入向量转换模型和合成少数类别样本算法对黑样本数据进行过采样后的样本数据训练获得；
根据所述风险预测结果进行风险防控。
另一方面，本说明书提供了一种风险防控装置，包括：
预测数据获取模块，用于获取待预测数据；
风险预测模块，用于将所述待预测数据输入到建立的风险预测模型中，获得风险预测结果，其中，所述风险防控模型基于嵌入向量转换模型和合成少数类别样本算法对黑样本数据进行过采样后的样本数据训练获得；
风险防控模块，用于根据所述风险预测结果进行风险防控。
还一方面，本说明书提供了风险防控处理设备，包括：至少一个处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现本说明书实施例中的风险防控方法。
再一方面，本说明书提供了一种风险防控系统，包括至少一个处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现本说明书实施例中的风险防控方法。
本说明书提供的风险防控方法、装置、处理设备、系统，基于嵌入向量转换模型和合成少数类别样本算法对黑样本数据进行过采样，再进行模型训练构建风险预测模型。采用嵌入向量转换模型可以实现将样本数据转换为嵌入向量，使得样本数据的格式统一，方便计算样本点之间的欧氏距离，避免了因为风控领域的样本特征多为类比特征，格式不统一，无法实现样本点欧氏距离的计算，导致无法进行黑样本数据的过采样问题。实现了黑样本数据和白样本数据之间比例的平衡，可以利用更多的白样本信息，同时合理的扩展了黑样本数据的比例，减少了模型过拟合问题，增强模型的泛化能力，提高了模型预测结果的准确性。
附图说明
为了更清楚地说明本说明书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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本说明书一个实施例中风险防控方法的流程示意图；
图2是本说明书又一实施例中风险防控方法的流程示意图；
图3是本说明书提供的风险防控装置一个实施例的模块结构示意图；
图4是本说明书又一个实施例中风险防控装置的结构示意图；
图5是本说明书实施例中风险防控服务器的硬件结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
随着计算机和互联网技术的发展，风险防控领域，采用机器学习模型进行风险预测、风险防控的场景越来越多。在建立模型时，需要使用样本数据，而对于风控领域，黑样本数据即存在风险的样本数据，往往比白样本数据即正常数据少很多，导致样本不平衡。针对样本不平衡，可以采用减少白样本数据的比例或提升黑样本数据比例的方式来解决，但是减少白样本数据的比例会导致损失白样本的信息，导致模型建立的不准确。
本说明书实施例中提供了一种风险防控方法，利用嵌入向量转换模型和合成少数类别样本算法对黑样本数据进行过采样，提升黑样本数据的比例，建立风险预测模型。建立的风险预测模型解决了风控领域样本不平衡的问题，并且进行嵌入向量的转换，使得风控领域类的样本数据均可以使用合成少数类别样本算法计算出样本数据之间的欧氏距离，适用于风控领域等样本特征格式不一致的业务场景，提升了风控领域模型建立的准确性。基于建立风险预测模型，进行风险防控，可以提高风险防控的准确率。
本说明书中风险防控方法可以应用在客户端或服务器中，客户端可以是智能手机、平板电脑、智能可穿戴设备(智能手表、虚拟现实眼镜、虚拟现实头盔等)、智能车载设备等电子设备。
具体的，图1是本说明书一个实施例中风险防控方法的流程示意图，如图1所示，本说明书一个实施例中提供的风险防控方法的整体过程可以包括：
步骤102、获取待预测数据。
本说明书实施例中的风险防控方法可以用于商品交易业务场景的风险防控，待预测数据可以表示需要进行风险防控的数据，可以是用户的交易数据、转账数据等。如需要对某用户当前的交易进行风险防控，可以获取与当前交易相关的数据，如：交易双方的账户信息、交易双方之前预设时间内的交易记录信息、交易商品类别、交易金额等，作为待预测数据。待预测数据可以通过设备监控的方式获得，如需要对某交易平台上的交易进行风险防控，则可以通过对交易平台进行设备监控，当交易平台上有交易请求时，则获取对应的数据作为待预测数据。
步骤104、将所述待预测数据输入到建立的风险预测模型中，获得风险预测结果，其中，所述风险防控模型基于嵌入向量转换模型和合成少数类别样本算法对黑样本数据进行过采样后的样本数据训练获得。
在具体的实施过程中，可以先建立风险预测模型，风险预测模型的建立可以采用嵌入向量转换模型即Embedding(嵌入)模型，将样本数据转换成Embedding向量(Embedding向量可以理解为具有固定大小的向量)，再利用合成少数类别样本算法(SMOTE，SyntheticMinority Oversampling Technique)对Embedding后的黑样本数据进行过采样，获得最终训练模型的训练样本数据，利用训练样本数据训练风险预测模型。SMOTE算法是一种对少数类别样本进行上采样的算法，可以用于合成新的少数类别的样本数据。再利用训练好的风险预测模型进行风险预测，获得待预测数据对应的风险预测结果。风险预测结果可以是评分值、风险概率值、风险等级等可以反映存在风险的可能性的数据，具体可以根据实际需要进行设置，本说明书实施例不作具体限定。
步骤106、根据所述风险预测结果进行风险防控。
获得风险预测结果后，可以根据风险预测结果进行风险防控，如：若风险预测结果大于预设的风险阈值，则认为当前的待预测数据存在风险，可以对待预测数据进行风险预警如：失败该笔交易或向对应的用户终端发送风险提醒或直接向相关的部门发送交易存在风险的信息以提醒相关部门进行核实处理等。若预测结果小于预设的风险阈值，则可以不进行风险防控操作，按照正常的流程进行下一步的操作。
本说明书一个实施例中，所述根据所述风险预测结果进行风险防控，可以包括：
判断所述风险预测结果是否满足预设要求，若不满足，则对所述待预测数据对应的用户进行身份校验，判断所述待预测数据对应的用户是否合法，若不合法，则进行风险防控。
在具体的实施过程中，在获得风险预测结果后，可以判断获得的风险预测结果是否满足预设要求，如：若风险预测结果为风险分值，则可以将预设要求设置为预设风险阈值，当风险分值大于预设风险阈值时，可以认为不满足预设要求，若风险分值小于预设风险阈值时，则可以认为满足预设要求。若风险预测结果满足预设要求，则可以认为当前的待预测数据存在风险的概率较低，可以不进行风险防控处理。若风险预测结果不满足预设要求，则可以认为当前的待预测数据存在风险的概率较高，可以获取待预测数据对应的用户标识、设备标识等，对用户身份进行合法性校验，确认用户身份是否合法如：是否被他人盗用等，若经过校验，用户身份合法，则可以认为当前的待预测数据虽然风险值比较高，但是用户本人的操作，存在风险的概率比较低，可以不进行风险防控处理。若经过校验，用户身份不合法，则可以认为当前的待预测数据存在风险的概率比较高，需要进行风险防控预警如：失败当前交易、向有关部门发送风险信息等。
本说明书实施例提供的风险防控方法，基于嵌入向量转换模型和合成少数类别样本算法对黑样本数据进行过采样，再进行模型训练构建风险预测模型。采用嵌入向量转换模型可以实现将样本数据转换为嵌入向量，使得样本数据的格式统一，方便计算样本点之间的欧氏距离，避免了因为风控领域的样本特征多为类别特征，格式不统一，无法实现样本点欧氏距离的计算，导致无法进行黑样本数据的过采样问题。实现了黑样本数据和白样本数据之间比例的平衡，可以利用更多的白样本信息，同时合理的扩展了黑样本数据的比例，减少了模型过拟合问题，增强模型的泛化能力，提高了模型预测结果的准确性。
在上述实施例的基础上，本说明书一个实施例中，所述风险防控模型基于嵌入向量转换模型和合成少数类别样本算法对黑样本数据进行过采样后的样本数据训练获得，包括：
将获得的样本数据输入到嵌入向量转换模型中，将所述样本数据转换为嵌入向量；
利用合成少数类别样本算法对所述样本数据中黑样本数据对应的嵌入向量进行过采样，获得所述黑样本数据的新增黑样本数据；
根据所述样本数据和所述新增黑样本数据对所述风险预测模型进行训练，构建所述风险预测模型。
在具体的实施过程中，可以预先训练构建嵌入向量转换模型即Embedding模型，可以将样本数据转换为嵌入向量即Embedding向量。Embedding可以看作是数学上的一个空间映射，可以通过模型训练的方式，构建出映射函数或映射词典等，即构建出嵌入向量转换模型，实现将样本点包含的特征转换为一个高维向量，实现样本数据之间的格式统一。风控领域的样本特征通常都是类别相关特征，如：省份、信用卡类型、商品类型等，不同的类别特征格式可能不一致，通过对样本数据进行Embedding将样本数据转换成Embedding向量后，各样本数据可以统一为相同格式的高维向量，方便后续黑样本上采样。
再利用SMOTE算法对进行Embedding转换后的黑样本数据的Embedding向量进行过采样，即根据转换后的黑样本数据，人工合成新增黑样本数据，实现黑样本数据的扩增。SMOTE算法可以通过计算少数类样本数据的样本点之间的欧氏距离，获得样本点的若干邻近点，并从邻近点中选择出样本点的新增样本点，实现少数类样本数据的比例增加。再利用原始的样本数据和新增黑样本数据，进行模型训练，构建出风险预测模型，用于后续的风险预测。
本说明书实施例提供的风险防控方法，利用嵌入向量转换模型将样本数据转换成统一格式的嵌入向量，再利用SMOTE算法对转换后的样本数据中黑样本数据进行上采样，以根据黑样本数据合成生成新增黑样本数据，提升黑样本数据的比例，平衡模型训练的样本数据。通过平衡后的样本数据进行模型训练，提高了模型建立的准确性，进一步为后续风险防控奠定的准确的数据基础。
在上述实施例的基础上，本说明书一个实施例中，所述嵌入向量转换模型采用树模型；
相应地，所述将所述样本数据转换为嵌入向量，包括：
将所述嵌入向量转换模型的节点进行排序，获得节点排序向量；
将所述样本数据输入到所述嵌入向量转换模型中，获取所述样本数据对应所述嵌入向量转换模型的落入节点；
将所述节点排序向量中所述落入节点对应的位置设置为第一向量值，其他节点的位置设置为第二向量值，获得所述样本数据的嵌入向量。
在具体的实施过程中，本说明书一些实施例中的嵌入向量转换模型可以采用随机森林、决策树等树模型，树模型可以理解为基于树的学习算法，进行模型训练构建的模型，其结构与树类似，具有很多节点。本说明书实施例中，可以选择树模型作为嵌入向量转换模型，利用训练数据进行模型训练，模型训练时可以将模型中的节点进行排序，获得节点排序向量，当训练数据输入嵌入向量转换模型中，不同的节点可以获取不同的训练数据，即不同的训练数据可能落入不同的节点中。获取训练数据落入到哪个节点，则将落入节点对应的位置设置为第一向量值如：1，将其他节点对应的位置设置为第二向量值如：0，获得了样本数据对应的嵌入向量。
例如：本说明书一个实施例中，嵌入向量转换模型中的节点数量为5个，对5个节点进行排序后，获得节点排序向量A＝[a1，a2，a3，a4，a5]。某样本数据F1输入嵌入向量转换模型后，落入到第2个节点a2处，则样本数据F1对应的嵌入向量可以表示为：[0，1，0，0，0]。其他样本数据可以采用相同的方式进行Embedding处理，嵌入向量转换模型也可以采用上述过程进行训练，训练完成后，样本数据输入到嵌入向量转换模型中，模型可以自动输出样本数据对应的Embedding向量。
其中，嵌入向量转换模型的训练构建，也可以使用构建风险预测模型的样本数据，具体可以根据实际需要进行选择，本说明书实施例不作具体限定。
本说明书实施例基于树模型对样本数据进行Embedding处理，实现了样本数据的快速转变，将各样本数据转换成高维向量。并且转换后的向量格式统一，仅由第一向量值如1、第二向量值如0组成，可以快速的计算样本点之间的欧氏距离，为后续黑样本数据的上采样提供了准确的数据基础，进一步提高了风险预测模型建立的准确性，提高了风险防控的准确性。
在上述实施例的基础上，本说明书一个实施例中，所述样本数据的获取方法包括：
获取所述待预测数据的历史预测数据和所述历史预测数据对应的标签数据；
根据所述历史预测数据和预先设置的特征变量，生成训练特征变量；
利用所述标签数据对所述训练特征变量进行特征筛选，获得所述样本数据。
在具体的实施过程中，可以根据需要进行风险预测的业务场景或待预测数据，获取同类别的历史预测数据，并对历史预测数据进行标签处理，获得历史预测数据对应的标签数据，标签数据可以表示该历史预测数据是黑样本数据还是白样本数据。基于进行风险预测的业务场景，设置特征变量，如：若要进行交易风险预测，特征变量可以设置为：指定时间段对应的交易次数、交易金额、交易商品类型、交易对象等。根据设置的特征变量以及历史预测数据，生成对应的训练特征变量，如：若要进行交易风险预测，获取到若干个用户的历史预测数据，历史预测数据可以包括用户的历史交易记录数据。若其中一个特征变量为指定时间段对应的交易次数，则可以根据历史预测数据统计出对应的交易次数，作为训练特征变量。
获得训练特征变量后，再根据各历史预测数据对应的标签数据，对生成的训练特征变量进行特征筛选，获得最终作为训练模型使用的样本数据。如：可以根据标签数据计算各个训练特征变量对应的IV(information value，信息价值)值和/或WOE(weight ofevidence，证据权重)值。IV值越高可以表示黑样本和白样本在该特征变量上的分布差异越大，可以用于衡量特征变量对黑白样本的区分能力，WOE值越高可以表示该特征变量对应的用户是黑样本的风险越低。基于各个训练特征变量对应的IV值和WOE值可以对训练特征变量进行筛选，选择出合适的特征组合，生成样本数据。
本说明书实施例，通过根据历史预测数据进行特征变量的转换，再基于历史预测数据对应的标签数据进行特征筛选，已筛选出较优的特征组合，为后续风险预测模型的建立提供了准确的数据基础，提高了模型建立的样本数据质量，进一步提高了模型建立的准确性和风险预测结果的准确性。
图2是本说明书又一实施例中风险防控方法的流程示意图，下面结合图2具体介绍本说明书实施例中提供的风险防控方法的流程：
1、获取历史数据，并在历史数据上打标签，获得标签数据。历史数据即上述实施例中所述的历史预测数据，可以根据需要进行风险防控的业务场景进行选择，此处不作具体限定。
2、设置特征变量，基于历史数据和标签数据，进行训练特征变量的生成和筛选，获得样本数据。
3、基于样本数据构建随机森林模型，并基于随机森林模型，获得样本数据的Embedding向量。Embedding的含义可以参考上述实施例的记载，此处不再赘述。
4、根据样本数据的Embedding向量，利用SMOTE算法对黑样本进行过采样。SMOTE的含义可以参考上述实施例的记载，此处不再赘述。
5、利用过采样后的样本数据训练风险预测模型。
6、使用风险预测模型对目标区域内的交易进行打分，根据模型输出的分数进行风险防控操作。若分数低于预设阈值，则交易通过，若分数高于预设阈值，则执行步骤7。
7、对相应的用户进行身份校验，判断用户身份是否合法，如：是否本人交易等。若身份校验通过，则交易通过，若身份交易未通过，则交易失败。
本说明书实施例，首先对于样本数据基于随机森林等树模型进行Embedding，然后使用SMOTE方法对样本数据进行过采样。在进行Embedding之后，每一个样本点所包含的特征都转换为了一个高维向量，并且该向量仅由0和1组成，可以计算样本点之间的欧式距离，进而可以使用SMOTE方法进行过采样。相较于随机降采样的方式，可以利用更多的白样本的信息，相较于随机过采样的方式，可以减少模型过拟合，增强模型泛化能力，提高了模型风险预测结果的准确性。
本说明书中上述方法的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参加即可，每个实施例重点说明的都是与其他实施例的不同之处。相关之处参加方法实施例的部分说明即可。
基于上述所述的风险防控方法，本说明书一个或多个实施例还提供一种风险防控装置。所述的装置可以包括使用了本说明书实施例所述方法的系统(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思，本说明书实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似，因此本说明书实施例具体的装置的实施可以参加前述方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
具体地，图3是本说明书提供的风险防控装置一个实施例的模块结构示意图，如图3所示，本说明书中提供的风险防控装置包括：预测数据获取模块31、风险预测模块32、风险防控模块33，其中：
预测数据获取模块31，可以用于获取待预测数据；
风险预测模块32，可以用于将所述待预测数据输入到建立的风险预测模型中，获得风险预测结果，其中，所述风险防控模型基于嵌入向量转换模型和合成少数类别样本算法对黑样本数据进行过采样后的样本数据训练获得；
风险防控模块33，可以用于根据所述风险预测结果进行风险防控。
本说明书实施例提供的风险防控装置，基于嵌入向量转换模型和合成少数类别样本算法对黑样本数据进行过采样，再进行模型训练构建风险预测模型。采用嵌入向量转换模型可以实现将样本数据转换为嵌入向量，使得样本数据的格式统一，方便计算样本点之间的欧氏距离，避免了因为风控领域的样本特征多为类比特征，格式不统一，无法实现样本点欧氏距离的计算，导致无法进行黑样本数据的过采样问题。实现了黑样本数据和白样本数据之间比例的平衡，可以利用更多的白样本信息，同时合理的扩展了黑样本数据的比例，减少了模型过拟合问题，增强模型的泛化能力，提高了模型预测结果的准确性。
图4是本说明书又一个实施例中风险防控装置的结构示意图，如图4所示，在上述实施例的基础上，所述装置还包括风险预测模型建立模块41，包括：
嵌入向量转换单元411，可以用于将获得的样本数据输入到嵌入向量转换模型中，将所述样本数据转换为嵌入向量；
黑样本过采样单元412，可以用于利用合成少数类别样本算法对所述样本数据中黑样本数据对应的嵌入向量进行过采样，获得所述黑样本数据的新增黑样本数据；
模型训练单元413，可以用于根据所述样本数据和所述新增黑样本数据对所述风险预测模型进行训练，构建所述风险预测模型。
本说明书实施例提供的风险防控装置，利用嵌入向量转换模型将样本数据转换成统一格式的嵌入向量，再利用SMOTE算法对转换后的样本数据中黑样本数据进行上采样，以根据黑样本数据合成生成新增黑样本数据，提升黑样本数据的比例，以平衡模型训练的样本数据。通过平衡后的样本数据进行模型训练，提高了模型建立的准确性，进一步为后续风险防控奠定的准确的数据基础。
在上述实施例的基础上，所述嵌入向量转换模型采用树模型；
相应地，所述嵌入向量转换单元具体用于：
将所述嵌入向量转换模型的节点进行排序，获得节点排序向量；
将所述样本数据输入到所述嵌入向量转换模型中，获取所述样本数据对应所述嵌入向量转换模型的落入节点；
将所述节点排序向量中所述落入节点对应的位置设置为第一向量值，其他节点的位置设置为第二向量值，获得所述样本数据的嵌入向量。
本说明书实施例，基于树模型对样本数据进行Embedding处理，实现了样本数据的快速转变，将各样本数据转换成高维向量。并且转换后的向量格式统一，仅由第一向量值如1，第二向量值如0组成，可以快速的计算样本点之间的欧氏距离，为后续黑样本数据的上采样提供了准确的数据基础，进一步提高了风险预测模型建立的准确性，提高了风险防控的准确性。
在上述实施例的基础上，所述风险预测模型建立模块还包括样本数据获取单元，用于：
获取所述待预测数据的历史预测数据和所述历史预测数据对应的标签数据；
根据所述历史预测数据和预先设置的特征变量，生成训练特征变量；
利用所述标签数据对所述训练特征变量进行特征筛选，获得所述样本数据。
本说明书实施例，通过根据历史预测数据进行特征变量的转换，再基于历史预测数据对应的标签数据进行特征筛选，已筛选出较优的特征组合，为后续风险预测模型的建立提供了准确的数据基础，提高了模型建立的样本数据质量，进一步提高了模型建立的准确性和风险预测结果的准确性。
在上述实施例的基础上，所述风险防控模块，具体用于：
判断所述风险预测结果是否满足预设要求，若不满足，则对所述待预测数据对应的用户进行身份校验，判断所述待预测数据对应的用户是否合法，若不合法，则进行风险防控。
本说明书实施例，基于风险预测结果是否满足预设要求，进行风险防控的初步判断，在不满足预设要求时，再对用户进行身份校验，进一步判断当前的数据是否存在风险，提高了风险防控的准确性。
需要说明的，上述所述的装置根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。
本说明书实施例还提供一种风险防控处理设备，包括：至少一个处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现上述实施例的风险防控方法，如：
获取待预测数据；
将所述待预测数据输入到建立的风险预测模型中，获得风险预测结果，其中，所述风险防控模型基于嵌入向量转换模型和合成少数类别样本算法对黑样本数据进行过采样后的样本数据训练获得；
根据所述风险预测结果进行风险防控。
所述存储介质可以包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括：利用电能方式存储信息的装置如，各式存储器，如RAM、ROM等；利用磁能方式存储信息的装置如，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘；利用光学方式存储信息的装置如，CD或DVD。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。
需要说明的，上述所述的处理设备根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。
本说明书提供的风险防控系统可以为单独的风险防控系统，也可以应用在多种数据分析处理系统中。所述系统可以包括上述实施例中任意一个风险防控装置。所述的系统可以为单独的服务器，也可以包括使用了本说明书的一个或多个所述方法或一个或多个实施例装置的服务器集群、系统(包括分布式系统)、软件(应用)、实际操作装置、逻辑门电路装置、量子计算机等并结合必要的实施硬件的终端装置。所述核对差异数据的检测系统可以包括至少一个处理器以及存储计算机可执行指令的存储器，所述处理器执行所述指令时实现上述任意一个或者多个实施例中所述方法的步骤。
本说明书实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例，图5是本说明书实施例中风险防控服务器的硬件结构框图。如图5所示，服务器10可以包括一个或多个(图中仅示出一个)处理器100(处理器100可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器200、以及用于通信功能的传输模块300。本邻域普通技术人员可以理解，图5所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，服务器10还可包括比图5中所示更多或者更少的组件，例如还可以包括其他的处理硬件，如数据库或多级缓存、GPU，或者具有与图5所示不同的配置。
存储器200可用于存储应用软件的软件程序以及模块，如本说明书实施例中的风险防控方法对应的程序指令/模块，处理器100通过运行存储在存储器200内的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器200可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器200可进一步包括相对于处理器100远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输模块300用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输模块300包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输模块300可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书提供的上述实施例所述的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上，所述的存储介质可以计算机读取并执行，实现本说明书实施例所描述方案的效果。
本说明书实施例提供的上述风险防控方法或装置可以在计算机中由处理器执行相应的程序指令来实现，如使用windows操作系统的c++语言在PC端实现、linux系统实现，或其他例如使用android、iOS系统程序设计语言在智能终端实现，以及基于量子计算机的处理逻辑实现等。
需要说明的是说明书上述所述的装置、计算机存储介质、系统根据相关方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照对应方法实施例的描述，在此不作一一赘述。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参加即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参加方法实施例的部分说明即可。
本说明书实施例并不局限于必须是符合行业通信标准、标准计算机数据处理和数据存储规则或本说明书一个或多个实施例所描述的情况。某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、存储、判断、处理方式等获取的实施例，仍然可以属于本说明书实施例的可选实施方案范围之内。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
虽然本说明书一个或多个实施例提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
本发明是参照根据本发明实施例的方法、装置(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储、石墨烯存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
本领域技术人员应明白，本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本本说明书一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参加即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参加方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书一个或多个实施例的实施例而已，并不用于限制本说明书一个或多个实施例。对于本领域技术人员来说，本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在权利要求范围之内。

Claims (12)

1.一种风险防控方法，包括：
获取待预测数据；
将所述待预测数据输入到建立的风险预测模型中，获得风险预测结果，其中，所述风险防控模型基于嵌入向量转换模型和合成少数类别样本算法对黑样本数据进行过采样后的样本数据训练获得；
根据所述风险预测结果进行风险防控。
2.如权利要求1所述的方法，所述风险防控模型基于嵌入向量转换模型和合成少数类别样本算法对黑样本数据进行过采样后的样本数据训练获得，包括：
将获得的样本数据输入到嵌入向量转换模型中，将所述样本数据转换为嵌入向量；
利用合成少数类别样本算法对所述样本数据中黑样本数据对应的嵌入向量进行过采样，获得所述黑样本数据的新增黑样本数据；
根据所述样本数据和所述新增黑样本数据对所述风险预测模型进行训练，构建所述风险预测模型。
3.如权利要求2所述的方法，所述嵌入向量转换模型采用树模型；
相应地，所述将所述样本数据转换为嵌入向量，包括：
将所述嵌入向量转换模型的节点进行排序，获得节点排序向量；
将所述样本数据输入到所述嵌入向量转换模型中，获取所述样本数据对应所述嵌入向量转换模型的落入节点；
将所述节点排序向量中所述落入节点对应的位置设置为第一向量值，其他节点的位置设置为第二向量值，获得所述样本数据的嵌入向量。
4.如权利要求2所述的方法，所述样本数据的获取方法包括：
获取所述待预测数据的历史预测数据和所述历史预测数据对应的标签数据；
根据所述历史预测数据和预先设置的特征变量，生成训练特征变量；
利用所述标签数据对所述训练特征变量进行特征筛选，获得所述样本数据。
5.如权利要求1所述的方法，所述根据所述风险预测结果进行风险防控，包括：
判断所述风险预测结果是否满足预设要求，若不满足，则对所述待预测数据对应的用户进行身份校验，判断所述待预测数据对应的用户是否合法，若不合法，则进行风险防控。
6.一种风险防控装置，包括：
预测数据获取模块，用于获取待预测数据；
风险预测模块，用于将所述待预测数据输入到建立的风险预测模型中，获得风险预测结果，其中，所述风险防控模型基于嵌入向量转换模型和合成少数类别样本算法对黑样本数据进行过采样后的样本数据训练获得；
风险防控模块，用于根据所述风险预测结果进行风险防控。
7.如权利要求6所述的装置，所述装置还包括风险预测模型建立模块，包括：
嵌入向量转换单元，用于将获得的样本数据输入到嵌入向量转换模型中，将所述样本数据转换为嵌入向量；
黑样本过采样单元，用于利用合成少数类别样本算法对所述样本数据中黑样本数据对应的嵌入向量进行过采样，获得所述黑样本数据的新增黑样本数据；
模型训练单元，用于根据所述样本数据和所述新增黑样本数据对所述风险预测模型进行训练，构建所述风险预测模型。
8.如权利要求7所述的装置，所述嵌入向量转换模型采用树模型；
相应地，所述嵌入向量转换单元具体用于：
将所述嵌入向量转换模型的节点进行排序，获得节点排序向量；
将所述样本数据输入到所述嵌入向量转换模型中，获取所述样本数据对应所述嵌入向量转换模型的落入节点；
将所述节点排序向量中所述落入节点对应的位置设置为第一向量值，其他节点的位置设置为第二向量值，获得所述样本数据的嵌入向量。
9.如权利要求7所述的装置，所述风险预测模型建立模块还包括样本数据获取单元，用于：
获取所述待预测数据的历史预测数据和所述历史预测数据对应的标签数据；
根据所述历史预测数据和预先设置的特征变量，生成训练特征变量；
利用所述标签数据对所述训练特征变量进行特征筛选，获得所述样本数据。
10.如权利要求6所述的装置，所述风险防控模块，具体用于：
判断所述风险预测结果是否满足预设要求，若不满足，则对所述待预测数据对应的用户进行身份校验，判断所述待预测数据对应的用户是否合法，若不合法，则进行风险防控。
11.一种风险防控处理设备，包括：至少一个处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现权利要求1-5任一项所述的方法。
12.一种风险防控系统，包括至少一个处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现权利要求1-5任一项所述的方法。
CN201910125566.XA 2019-02-20 2019-02-20 一种风险防控方法、装置、处理设备及系统 Pending CN110020746A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910125566.XA CN110020746A (zh) 2019-02-20 2019-02-20 一种风险防控方法、装置、处理设备及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910125566.XA CN110020746A (zh) 2019-02-20 2019-02-20 一种风险防控方法、装置、处理设备及系统

Publications (1)

Publication Number Publication Date
CN110020746A true CN110020746A (zh) 2019-07-16

Family

ID=67189024

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910125566.XA Pending CN110020746A (zh) 2019-02-20 2019-02-20 一种风险防控方法、装置、处理设备及系统

Country Status (1)

Country Link
CN (1) CN110020746A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110992043A (zh) * 2019-11-05 2020-04-10 支付宝(杭州)信息技术有限公司 一种风险实体挖掘的方法和装置
CN114978616A (zh) * 2022-05-06 2022-08-30 支付宝(杭州)信息技术有限公司 风险评估系统的构建方法及装置、风险评估方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108805416A (zh) * 2018-05-22 2018-11-13 阿里巴巴集团控股有限公司 一种风险防控处理方法、装置及设备
CN108985583A (zh) * 2018-06-27 2018-12-11 中国银行股份有限公司 基于人工智能的金融数据风险控制方法及装置
CN109102393A (zh) * 2018-08-15 2018-12-28 阿里巴巴集团控股有限公司 训练和使用关系网络嵌入模型的方法及装置
CN109242633A (zh) * 2018-09-20 2019-01-18 阿里巴巴集团控股有限公司 一种基于二部图网络的商品推送方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108805416A (zh) * 2018-05-22 2018-11-13 阿里巴巴集团控股有限公司 一种风险防控处理方法、装置及设备
CN108985583A (zh) * 2018-06-27 2018-12-11 中国银行股份有限公司 基于人工智能的金融数据风险控制方法及装置
CN109102393A (zh) * 2018-08-15 2018-12-28 阿里巴巴集团控股有限公司 训练和使用关系网络嵌入模型的方法及装置
CN109242633A (zh) * 2018-09-20 2019-01-18 阿里巴巴集团控股有限公司 一种基于二部图网络的商品推送方法和装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110992043A (zh) * 2019-11-05 2020-04-10 支付宝(杭州)信息技术有限公司 一种风险实体挖掘的方法和装置
CN110992043B (zh) * 2019-11-05 2022-08-05 支付宝(杭州)信息技术有限公司 一种风险实体挖掘的方法和装置
CN114978616A (zh) * 2022-05-06 2022-08-30 支付宝(杭州)信息技术有限公司 风险评估系统的构建方法及装置、风险评估方法及装置
CN114978616B (zh) * 2022-05-06 2024-01-09 支付宝(杭州)信息技术有限公司 风险评估系统的构建方法及装置、风险评估方法及装置

Similar Documents

Publication Publication Date Title
CN108734479A (zh) 保险欺诈识别的数据处理方法、装置、设备及服务器
CN110363449A (zh) 一种风险识别方法、装置及系统
CN108334647A (zh) 保险欺诈识别的数据处理方法、装置、设备及服务器
CN109887272B (zh) 一种交通人流量的预测方法及装置
CN105446988B (zh) 预测类别的方法和装置
CN108492104A (zh) 一种资源转移监测方法及装置
CN108694673A (zh) 一种保险业务风险预测的处理方法、装置及处理设备
CN108229341A (zh) 分类方法和装置、电子设备、计算机存储介质、程序
CN104737523A (zh) 通过指派用于数据群集的情境标签来管理移动装置中的情境模型
CN108537568A (zh) 一种信息推荐方法和装置
CN110033156A (zh) 一种业务活动效果的确定方法及装置
CN106681996A (zh) 确定地理范围内兴趣区域、兴趣点的方法和装置
CN110046633A (zh) 一种数据质量检测方法及装置
CN109074368A (zh) 使用异构社交网络的图形框架
CN109240848A (zh) 一种数据对象标识生成方法及装置
CN109947426A (zh) 应用程序的生成方法、装置及电子设备
CN110009379A (zh) 一种选址模型构建和选址方法、装置及设备
CN109543909A (zh) 车辆案件数量的预测方法、装置和计算机设备
CN109003091A (zh) 一种风险防控处理方法、装置及设备
CN109949063A (zh) 一种地址确定方法、装置、电子设备及可读存储介质
CN108665158A (zh) 一种训练风控模型的方法、装置及设备
CN110400012A (zh) 一种确定配送路径的方法及装置
CN110020746A (zh) 一种风险防控方法、装置、处理设备及系统
CN108961267A (zh) 图片处理方法、图片处理装置及终端设备
CN109461067A (zh) 一种外汇报价异常数据的检测方法、装置及系统

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: 20200924

Address after: Cayman Enterprise Centre, 27 Georgetown Hospital Road, Grand Cayman Islands

Applicant after: Innovative advanced technology Co.,Ltd.

Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant before: Advanced innovation technology Co.,Ltd.

Effective date of registration: 20200924

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Advanced innovation technology Co.,Ltd.

Address before: Greater Cayman, British Cayman Islands

Applicant before: Alibaba Group Holding Ltd.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190716