CN110060188B - 核身方式推荐方法、装置及电子设备 - Google Patents
核身方式推荐方法、装置及电子设备 Download PDFInfo
- Publication number
- CN110060188B CN110060188B CN201910169019.1A CN201910169019A CN110060188B CN 110060188 B CN110060188 B CN 110060188B CN 201910169019 A CN201910169019 A CN 201910169019A CN 110060188 B CN110060188 B CN 110060188B
- Authority
- CN
- China
- Prior art keywords
- target
- current
- rate
- core body
- state
- 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 60
- 230000005284 excitation Effects 0.000 claims description 87
- 230000000875 corresponding effect Effects 0.000 claims description 83
- 230000008901 benefit Effects 0.000 claims description 43
- 108010047956 Nucleosomes Proteins 0.000 claims description 14
- 210000001623 nucleosome Anatomy 0.000 claims description 14
- 230000002596 correlated effect Effects 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 11
- 238000013459 approach Methods 0.000 claims description 9
- 230000002787 reinforcement Effects 0.000 description 22
- 230000009471 action Effects 0.000 description 17
- 230000006870 function Effects 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种核身方式推荐方法、装置和电子设备，该方法包括：基于当前核身方式对应的核身结果数据，确定目标对象的当前状态；基于所述当前状态与目标状态的差异，调整目标推荐策略，所述目标推荐策略用于指示多个指定概率，所述多个指定概率是在所述目标状态下推荐多种预设核身方式分别作为所述目标对象的下一核身方式的概率，所述目标对象在采用调整后的所述目标推荐策略推荐下一核身方式后的状态，与所述目标状态的差异满足第一预设条件；基于调整后的所述目标推荐策略，将所述多种预设核身方式中指定概率满足第二预设条件的核身方式作为下一核身方式推荐给所述目标对象。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种核身方式推荐方法、装置及电子设备。
背景技术
为了保障合法用户的权益，服务提供平台(例如第三方支付平台)会对一些业务环节进行风险防控。例如，为了降低账户被盗用的风险，服务提供平台会在某些业务场景下输出特定核身方式，以对用户身份的合法性进行核实，其中，特定核身方式是基于预设推荐策略确定的。
目前，当基于预设推荐策略确定出的核身方式进行核身时，如果出现风险漏识别的现象，由人工对预设推荐策略进行调整，并经人工审核评估后上线发布，以避免该现象再次出现。显然，这种由人工调整预设推荐策略并推荐的方式，深度依赖人工经验，既费时又费力，导致风险识别效率低下。
发明内容
本申请实施例提供了一种核身方式推荐方法、装置及电子设备，以提高风险识别效率。
为解决上述技术问题，本申请实施例是这样实现的：
第一方面，提出了一种核身方式推荐方法，包括：
基于当前核身方式对应的核身结果数据，确定目标对象的当前状态；
基于所述当前状态与目标状态的差异，调整目标推荐策略，所述目标推荐策略用于指示多个指定概率，所述多个指定概率是在所述目标状态下推荐多种预设核身方式分别作为所述目标对象的下一核身方式的概率，所述目标对象在采用调整后的所述目标推荐策略推荐下一核身方式后的状态，与所述目标状态的差异满足第一预设条件；
基于调整后的所述目标推荐策略，将所述多种预设核身方式中指定概率满足第二预设条件的核身方式作为下一核身方式推荐给所述目标对象。
第二方面，提出了一种核身方式推荐装置，包括：
状态确定模块，用于基于当前核身方式对应的核身结果数据，确定目标对象的当前状态；
调整模块，用于基于所述当前状态与目标状态的差异，调整目标推荐策略，所述目标推荐策略用于指示多个指定概率，所述多个指定概率是在所述目标状态下推荐多种预设核身方式分别作为所述目标对象的下一核身方式的概率，所述目标对象在采用调整后的所述目标推荐策略推荐下一核身方式后的状态，与所述目标状态的差异满足第一预设条件；
推荐模块，用于基于调整后的目标推荐策略，将所述多种预设核身方式中指定概率满足第二预设条件的核身方式作为下一核身方式推荐给所述目标对象。
第三方面，提出了一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
基于当前核身方式对应的核身结果数据，确定目标对象的当前状态；
基于所述当前状态与目标状态的差异，调整目标推荐策略，所述目标推荐策略用于指示多个指定概率，所述多个指定概率是在所述目标状态下推荐多种预设核身方式分别作为所述目标对象的下一核身方式的概率，所述目标对象在采用调整后的所述目标推荐策略推荐下一核身方式后的状态，与所述目标状态的差异满足第一预设条件；
基于调整后的所述目标推荐策略，将所述多种预设核身方式中指定概率满足第二预设条件的核身方式作为下一核身方式推荐给所述目标对象。
第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：
基于当前核身方式对应的核身结果数据，确定目标对象的当前状态；
基于所述当前状态与目标状态的差异，调整目标推荐策略，所述目标推荐策略用于指示多个指定概率，所述多个指定概率是在所述目标状态下推荐多种预设核身方式分别作为所述目标对象的下一核身方式的概率，所述目标对象在采用调整后的所述目标推荐策略推荐下一核身方式后的状态，与所述目标状态的差异满足第一预设条件；
基于调整后的所述目标推荐策略，将所述多种预设核身方式中指定概率满足第二预设条件的核身方式作为下一核身方式推荐给所述目标对象。
由以上本申请实施例提供的技术方案可见，本申请实施例提供的方案至少具备如下一种技术效果：由于可以基于当前状态与目标状态的差异自动对目标推荐策略不断进行调整，并自动依据调整后的目标推荐策略推荐下一核身方式，而不需要人工干预，也不依赖人工经验，因此，可以提高目标推荐策略的调整效率，最终提高风险识别效率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是强化学习的原理示意图。
图2是本说明书实施例提供的核身方式推荐方法的一种流程示意图。
图3是本说明书实施例提供的强化学习模型的结构示意图。
图4是本说明书实施例提供的一种电子设备的结构示意图。
图5是本说明书实施例提供的核身方式推荐装置的一种结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅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他实施例，都属于本申请保护的范围。
为了解决相关技术中由人工调整推荐策略并推荐核身方式的方式，深度依赖人工经验，既费时又费力，导致风险识别效率低下的问题，本说明书实施例提供一种核身方式推荐方法及装置。本说明书实施例提供的核身方式推荐方法的执行主体包括但不限于服务器、个人电脑等能够被配置为执行本发明实施例提供的该方法的终端中的至少一种。
在本说明书提供的核身方式推荐方法及装置中，基于目标对象的当前状态与目标状态的差异，调整目标推荐策略并推荐下一核身方式的方案，是一种基于强化学习原理调整目标推荐策略并推荐下一核身方式的方案，为了更清楚地理解本说明书提供的技术方案，下面先结合附图1对强化学习的过程进行简要地介绍。
如图1所示，强化学习，是指智能体21可以感知环境(environment)22的状态和反馈的激励权益(reward)，并基于感知到的状态和激励权益进行学习和决策的过程。也就是说，智能体具备学习和决策的双重功能。具体而言，智能体21的决策功能，是指智能体21可以根据策略(policy)和外界环境的状态(state)做出不同的动作(action)；而智能体21的学习功能，是指智能体21可以感知外界环境22的状态和反馈的激励权益，并基于感知到的状态和激励权益对策略进行学习改进。其中，环境是指智能体外部的部分或所有事物，并受智能体做出的动作的影响会改变其状态，同时会给智能体反馈相应的激励权益。
强化学习一般包括状态(用s表示)、动作(用a表示)、策略(π(a|s))、状态转移概率(p(s′|s,a))和激励权益(用r表示)等要素。其中，状态s是对环境的描述，可以是离散的也可以是连续的，其状态空间为S；动作a是对智能体行为的描述，可以是离散的也可以是连续的，其动作空间为A；策略π(a|s)用于智能体根据环境状态s决定下一步的动作a；状态转移概率p(s′|s,a)，是智能体根据当前状态s做出下一个动作之后，环境在下一个时刻转变为状态s′的概率；激励权益r，常通过一个标量函数r(s,a,s′)来计算，表示智能体根据当前状态s做出动作a之后，环境会反馈给智能体一个激励权益，这个激励权益也常和下一个时刻的状态s′有关；策略是指智能体根据当前状态确定下一步的动作的依据，策略常被分为确定性策略(deterministic policy)和随机性策略(stochastic policy)。
强化学习体现的是智能体与环境不断交互的过程，状态、动作和激励权益这三要素是强化学习的关键。
在本说明书提供的技术方案中，可以将核身方式推荐方法及装置的执行主体看作是强化学习中的智能体，将下文中述及的案件率和通过率看作是强化学习中的状态，将目标推荐策略看作是强化学习中的策略，将核身方式推荐方法及装置推荐核身方式的行为看作是强化学习中的动作。
下面结合图2对本说明书实施例提供的一种核身方式推荐方法进行说明。
如图2所示，本说明书实施例提供的一种核身方式推荐方法，可以包括：
步骤202、基于当前核身方式对应的核身结果数据，确定目标对象的当前状态。
目标对象，可以是需要进行核身的一个特定的业务场景或一个特定的用户等，也可以是需要进行核身的一类业务场景或用户群体等。在实施本说明书实施例提供的核身方式推荐方法之前，可以先对业务场景和用户进行分类，确定出目标对象。
当前核身方式可以是目标对象在当前时段(T)所采用的核身方式，当前时段可以是刚刚过去的包含当前时刻在内的一个时段，例如刚刚过去的包含当前时刻在内的8小时、一天或一周，等等。
当前核身方式对应的核身结果数据可以当前时段内产生的全部或部分核身结果数据。在一个例子中，该核身结果数据具体可以包括当前时段内每一次核身是否通过、该次核身是否属于一个案件等数据。
目标对象的当前状态可以包括但不限于当前案件率和当前通过率，可以理解，通过对当前时段(T)内的核身结果数据进行统计，就可以得到当前案件率和当前通过率。
步骤204、基于所述当前状态与目标状态的差异，调整目标推荐策略，所述目标推荐策略用于指示多个指定概率，所述多个指定概率是在所述目标状态下推荐多种预设核身方式分别作为所述目标对象的下一核身方式的概率，所述目标对象在采用调整后的所述目标推荐策略推荐下一核身方式后的状态，与所述目标状态的差异满足第一预设条件。
基于强化学习的原理，步骤204具体可以包括：基于所述当前状态与目标状态的差异，确定所述当前核身方式对应的激励权益；基于所述激励权益调整所述目标推荐策略。
如果当前状态包括当前案件率和当前通过率，目标状态包括目标案件率和目标通过率，则基于所述当前状态与目标状态的差异，确定所述当前核身方式对应的激励权益，可以包括：基于所述当前案件率与所述目标案件率的差异，确定所述当前核身方式对应的第一激励权益；基于所述当前通过率与所述目标通过率的差异，确定所述当前核身方式对应的第二激励权益。
作为一个例子，所述基于所述当前案件率与所述目标案件率的差异，确定所述当前核身方式对应的第一激励权益，可以包括：在所述当前案件率小于所述目标案件率时，增大所述当前核身方式对应的第一激励权益；在所述当前案件率大于所述目标案件率时，减小所述当前核身方式对应的第一激励权益。
更为具体的，在所述当前案件率小于所述目标案件率时，所述第一激励权益的增大程度与第一差值正相关，所述第一差值为所述目标案件率和所述当前案件率的差值，也即在所述当前案件率小于所述目标案件率时，第一激励权益随第一差值的增大而增大。在所述当前案件率大于所述目标案件率时，所述第一激励权益的减小程度与第二差值正相关，所述第二差值为所述当前案件率和所述目标案件率的差值，也即在所述当前案件率大于所述目标案件率时，第一激励权益随第二差值的增大而减小。
可以理解，在当前案件率小于目标案件率时，说明基于目标推荐策略推荐的当前核身方式较理想，使得当前案件率较低，需要给予较高的激励权益。在当前案件率大于目标案件率时，说明基于目标推荐策略推荐的当前核身方式不理想，导致当前案件率较高，需要给予较低的激励权益甚至是惩罚(激励权益为负)。
进一步地，可以使第一正相关程度小于或等于第二正相关程度；其中，所述第一正相关程度是所述增大程度与所述第一差值的正相关程度，所述第二正相关程度是所述减小程度与所述第二差值的正相关程度。
下面通过举例进行说明。
例如，在当前案件率小于目标案件率时，可以通过如下激励权益计算函数来计算当前核身方式对应的第一激励权益：
ai＝ai-1+10(C-Ci)
其中，ai表示当前核身方式对应的第一激励权益，ai-1表示距当前时刻最近的历史时段(T-1)内采用的历史核身方式对应的第一激励权益，C表示目标案件率，Ci表示当前案件率，C-Ci即为上述第一差值。不难看出，相比于所述历史核身方式对应的第一激励权益，在当前案件率小于目标案件率时，当前核身方式对应的第一激励权益的增大程度是第一差值的10倍。
例如，在当前案件率大于目标案件率时，可以通过如下激励权益计算函数来计算当前核身方式对应的第一激励权益：
ai＝ai-1-15(Ci-C)
其中，ai表示当前核身方式对应的第一激励权益，ai-1表示距当前时刻最近的历史时段(T-1)内采用的历史核身方式对应的第一激励权益，C表示目标案件率，Ci表示当前案件率，Ci-C即为上述第二差值。不难看出，相比于所述历史核身方式对应的第一激励权益，在当前案件率大于目标案件率时，当前核身方式对应的第二激励权益的减小程度是第二差值的15倍。
并且相比较之后可以发现，第一正相关程度(10倍)小于第二正相关程度为(15倍)。这样做的目的在于，最终学习得到能够推荐案件率更低的下一核身方式的目标推荐策略。
应理解，计算当前核身方式对应的第一激励权益的计算函数可以有很多种，并不仅仅现定于上文所举的例子中的计算方式。
作为另一个例子，所述基于所述当前通过率与所述目标通过率的差异，确定所述当前核身方式对应的第二激励权益，包括：在所述当前通过率小于所述目标通过率时，减小所述当前核身方式对应的第二激励权益；在所述当前通过率大于所述目标通过率时，增大所述当前核身方式对应的第二激励权益。
更为具体的，在所述当前通过率小于所述目标通过率时，所述第二激励权益的减小程度与第三差值正相关，所述第三差值为所述目标通过率和所述当前通过率的差值，也即在所述当前通过率小于所述目标通过率时，第二激励权益随第三差值的增大而减小。在所述当前通过率大于所述目标通过率时，所述第二激励权益的增大程度与第四差值正相关，所述第四差值为所述当前通过率和所述目标通过率的差值，也即在所述当前通过率大于所述目标通过率时，第二激励权益随第四差值的增大而增大。
可以理解，在当前通过率小于目标通过率时，说明基于目标推荐策略推荐的当前核身方式不够理想，使得当前通过率较低，需要给予较低的激励权益甚至是惩罚(激励权益为负)。在当前通过率大于目标通过率时，说明基于目标推荐策略推荐的当前核身方式较为理想，当前通过率较高，需要给予较高的激励权益。
进一步地，可以使第三正相关程度大于或等于第四正相关程度；其中，所述第三正相关程度是所述减小程度与所述第三差值的正相关程度；所述第四正相关程度是所述增大程度与所述第四差值的正相关程度。
下面通过举例进行说明。
例如，在当前通过率小于目标通过率时，可以通过如下激励权益计算函数来计算当前核身方式对应的第二激励权益：
bi＝bi-1-15(D-Di)
其中，bi表示当前核身方式对应的第二激励权益，bi-1表示距当前时刻最近的历史时段(T-1)内采用的历史核身方式对应的第二激励权益，D表示目标通过率，Di表示当前通过率，D-Di即为上述第三差值。不难看出，相比于所述历史核身方式对应的第一激励权益，在当前通过率小于目标通过率时，当前核身方式对应的第二激励权益的减小程度是第三差值的15倍。
例如，在当前通过率大于目标通过率时，可以通过如下激励权益计算函数来计算当前核身方式对应的第二激励权益：
bi＝bi-1+10(Di-D)
其中，bi表示当前核身方式对应的第二激励权益，bi-1表示距当前时刻最近的历史时段(T-1)内采用的历史核身方式对应的第二激励权益，D表示目标通过率，Di表示当前通过率，Di-D即为上述第四差值。不难看出，相比于所述历史核身方式对应的第二激励权益，在当前通过率大于目标通过率时，当前核身方式对应的第二激励权益的增大程度是第四差值的10倍。
并且相比较之后可以发现，第三正相关程度(15倍)大于第四正相关程度为(10倍)。这样做的目的在于，最终学习得到能够推荐通过率更高的下一核身方式的目标推荐策略。
应理解，计算当前核身方式对应的第二激励权益的计算函数也可以有很多种，并不仅仅现定于上文所举的例子中的计算方式。
还应理解，由于核身方式的推荐，是一个多目标优化问题，即在多维度上求满足低案件率和高通过率的多目标的最优解。一种核身方式的推荐，既要考虑如果当前用户是坏人，该核身方式是否会被突破，又要假定如果当前用户是好人，是否可以通过当前核身，保证业务的正常进行。也即既要低案件率，也要高通过率。因此，本说明书实施例，在当前案件率大于目标案件率时，减小当前核身方式对应的第一激励权益，在当前案件率小于目标案件率时，增大当前核身方式对应的第一激励权益，在当前通过率大于目标通过率时，增大当前核身方式对应的第二激励权益，在当前通过率小于目标通过率时，减小当前核身方式对应的第二激励权益，以期学习得到能够推荐低案件率、高通过率的核身方式的目标推荐策略。
可以理解，如果当前核身方式对应的激励权益包括第一激励权益和第二激励权益，则步骤206可以包括：基于所述第一激励权益和所述第二激励权益对所述目标推荐策略进行调整，以使目标对象在采用调整后的所述目标推荐策略推荐下一核身方式后的状态，与所述目标状态的差异满足第一预设条件。
其中，目标推荐策略可用于指示多个指定概率，具体如下表1所示，这多个指定概率可以是多种状态下推荐多种预设核身方式分别作为目标对象的下一核身方式的概率，这多种状态包括当前状态。指定概率可以用百分数、百分数的分子或者与概率具有同等效果的价值指标(如价值分数，指定概率较高时，采用较高的价值分数，指定概率较低时，采用较低的价值分数)来表示，例如在表1中，指定概率用0-100的价值分数来表示。
调整目标推荐策略的目的在于，使目标推荐策略不断优化(例如使表1收敛)，从而使目标对象在采用调整后的目标推荐策略推荐的下一核身方式后的状态(可以称为目标对象的下一状态，也即目标对象在T+1时段的状态)，与目标状态的差异满足第一预设条件。作为一个例子，当目标状态包括目标案件率和目标通过率时，第一预设条件可以包括：下一案件率(目标对象在T+1时段的案件率)小于目标案件率，以及下一通过率(目标对象在T+1时段的通过率)大于目标通过率，也即取得低案件率和高通过率的最优解。
表1
更为具体的，在基于所述第一激励权益和所述第二激励权益对所述目标推荐策略进行调整时，当所述第一激励权益和所述第二激励权益中的至少一个减小时，调整后的目标推荐策略推荐所述当前核身方式作为下一核身方式的概率降低；在所述第一激励权益和所述第二激励权益均增大时，调整后的目标推荐策略推荐所述当前核身方式作为下一核身方式的概率升高。
在本说明书实施例中，基于强化学习调整目标推荐策略的算法可以是相关技术中的任一强化学习算法，本说明书对此不做限定。下面结合图3，以深层确定性政策梯度(DeepDeterministic Policy Gradients，DDPG)为例，对本说明书实施例采用的强化学习算法结构进行说明。
在本说明书实施例的一个例子中，分别采用两层感知器(Multi-LayerPerceptron，MLP)对动作和动作(action)对应的价值(Q-Value)进行训练。具体的，如图3所示，附图标记32为训练动作的算法结构示意图，附图标记35为训练动作对应的价值的算法结构示意图。在训练动作33时，将当前状态31输入第一层感知器321，经第一层感知器321处理后输入第二层感知器323，且第一层感知器321与第二层感知器323通过激活函数(ReLUctant，ReLU)322连接，并输出动作33；在训练动作对应的价值时，将当前状态31和动作33输入第一层感知器351，经第一层感知器351处理后输入第二层感知器353，且第一层感知器351与第二层感知器353通过激活函数(ReLUctant，ReLU)352连接，最后输出动作33对应的价值36。
通过图3所示的强化学习算法，最终得到如上表1所示的价值分数表。在训练得到表1之后，智能体就可以基于输入的当前状态和表1，推荐下一核身方式。并且可以基于下一核身方式对应的激励权益，对表1进行更新，也即再次对目标推荐策略进行调整，如此不断循环，直到表1收敛(如直到表1中的价值分数趋于稳定，不再变化)。
步骤206、基于调整后的所述目标推荐策略，将所述多种预设核身方式中指定概率满足第二预设条件的核身方式作为下一核身方式推荐给所述目标对象。
其中，第二预设条件可以是指定概率最大或者指定概率大于预设阈值。
例如，假如当前状态为状态2，查表1可知，在状态2下，核身方式0至核身方式5对应的价值分数分别为0、0、0、64、0和100，由于其中核身方式5对应的价值分数最高(100)，因此可以将核身方式5作为下一核身方式推荐给目标对象。
本说明书实施例提供的一种核身方式推荐方法，由于可以基于当前状态与目标状态的差异自动对目标推荐策略不断进行调整，并自动依据调整后的目标推荐策略推荐下一核身方式，而不需要人工干预，也不依赖人工经验，因此，可以提高目标推荐策略的调整效率，最终提高风险识别效率。此外，由于巧妙地将案件率和通过率等多目标优化问题转化成了强化学习中的问题，因此可以取得更好的核身方式推荐效果，例如取得低案件率、高通过率的良好效果。
以上是对本说明书实施例提供的一种核身方式推荐方法的说明，下面结合图4对本说明书实施例提供的一种电子设备进行介绍。
图4是本说明书的一个实施例提供的电子设备的结构示意图。请参考图4，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成核身方式推荐装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：
基于当前核身方式对应的核身结果数据，确定目标对象的当前状态；
基于所述当前状态与目标状态的差异，调整目标推荐策略，所述目标推荐策略用于指示多个指定概率，所述多个指定概率是在所述目标状态下推荐多种预设核身方式分别作为所述目标对象的下一核身方式的概率，所述目标对象在采用调整后的所述目标推荐策略推荐下一核身方式后的状态，与所述目标状态的差异满足第一预设条件；
基于调整后的所述目标推荐策略，将所述多种预设核身方式中指定概率满足第二预设条件的核身方式作为下一核身方式推荐给所述目标对象。
上述如本说明书图2所示实施例揭示的核身方式推荐方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书一个或多个实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书一个或多个实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
该电子设备还可执行图2的核身方式推荐方法，本说明书在此不再赘述。
当然，除了软件实现方式之外，本说明书的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
本说明书实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的便携式电子设备执行时，能够使该便携式电子设备执行图2所示实施例的方法，并具体用于执行以下操作：
基于当前核身方式对应的核身结果数据，确定目标对象的当前状态；
基于所述当前状态与目标状态的差异，调整目标推荐策略，所述目标推荐策略用于指示多个指定概率，所述多个指定概率是在所述目标状态下推荐多种预设核身方式分别作为所述目标对象的下一核身方式的概率，所述目标对象在采用调整后的所述目标推荐策略推荐下一核身方式后的状态，与所述目标状态的差异满足第一预设条件；
基于调整后的所述目标推荐策略，将所述多种预设核身方式中指定概率满足第二预设条件的核身方式作为下一核身方式推荐给所述目标对象。
下面对本说明书实施例提供的一种核身方式推荐装置进行说明。
图5是本说明书提供的核身方式推荐装置500的结构示意图。如图5所示，在一种软件实施方式中，核身方式推荐装置500可包括：状态确定模块501、调整模块502和推荐模块503。
状态确定模块501，用于基于当前核身方式对应的核身结果数据，确定目标对象的当前状态。
目标对象，可以是需要进行核身的一个特定的业务场景或一个特定的用户等，也可以是需要进行核身的一类业务场景或用户群体等。在实施本说明书实施例提供的核身方式推荐方法之前，可以先对业务场景和用户进行分类，确定出目标对象。
当前核身方式可以是目标对象在当前时段(T)所采用的核身方式，当前核身方式对应的核身结果数据可以当前时段内产生的全部或部分核身结果数据。
目标对象的当前状态可以包括但不限于当前案件率和当前通过率。
调整模块502，用于基于所述当前状态与目标状态的差异，调整目标推荐策略，所述目标推荐策略用于指示多个指定概率，所述多个指定概率是在所述目标状态下推荐多种预设核身方式分别作为所述目标对象的下一核身方式的概率，所述目标对象在采用调整后的所述目标推荐策略推荐下一核身方式后的状态，与所述目标状态的差异满足第一预设条件。
基于强化学习的原理，调整模块502具体可用于：基于所述当前状态与目标状态的差异，确定所述当前核身方式对应的激励权益；基于所述激励权益调整所述目标推荐策略。
如果当前状态包括当前案件率和当前通过率，目标状态包括目标案件率和目标通过率，则调整模块502可用于：基于所述当前案件率与所述目标案件率的差异，确定所述当前核身方式对应的第一激励权益；基于所述当前通过率与所述目标通过率的差异，确定所述当前核身方式对应的第二激励权益。
作为一个例子，调整模块502具体可用于：在所述当前案件率小于所述目标案件率时，增大所述当前核身方式对应的第一激励权益；在所述当前案件率大于所述目标案件率时，减小所述当前核身方式对应的第一激励权益。
更为具体的，在所述当前案件率小于所述目标案件率时，所述第一激励权益的增大程度与第一差值正相关，所述第一差值为所述目标案件率和所述当前案件率的差值，也即在所述当前案件率小于所述目标案件率时，第一激励权益随第一差值的增大而增大。在所述当前案件率大于所述目标案件率时，所述第一激励权益的减小程度与第二差值正相关，所述第二差值为所述当前案件率和所述目标案件率的差值，也即在所述当前案件率大于所述目标案件率时，第一激励权益随第二差值的增大而减小。
可以理解，在当前案件率小于目标案件率时，说明基于目标推荐策略推荐的当前核身方式较理想，使得当前案件率较低，需要给予较高的激励权益。在当前案件率大于目标案件率时，说明基于目标推荐策略推荐的当前核身方式不理想，导致当前案件率较高，需要给予较低的激励权益甚至是惩罚(激励权益为负)。
进一步地，可以使第一正相关程度小于或等于第二正相关程度；其中，所述第一正相关程度是所述增大程度与所述第一差值的正相关程度，所述第二正相关程度是所述减小程度与所述第二差值的正相关程度。
作为另一个例子，调整模块502具体可用于：在所述当前通过率小于所述目标通过率时，减小所述当前核身方式对应的第二激励权益；在所述当前通过率大于所述目标通过率时，增大所述当前核身方式对应的第二激励权益。
更为具体的，在所述当前通过率小于所述目标通过率时，所述第二激励权益的减小程度与第三差值正相关，所述第三差值为所述目标通过率和所述当前通过率的差值，也即在所述当前通过率小于所述目标通过率时，第二激励权益随第三差值的增大而减小。在所述当前通过率大于所述目标通过率时，所述第二激励权益的增大程度与第四差值正相关，所述第四差值为所述当前通过率和所述目标通过率的差值，也即在所述当前通过率大于所述目标通过率时，第二激励权益随第四差值的增大而增大。
可以理解，在当前通过率小于目标通过率时，说明基于目标推荐策略推荐的当前核身方式不够理想，使得当前通过率较低，需要给予较低的激励权益甚至是惩罚(激励权益为负)。在当前通过率大于目标通过率时，说明基于目标推荐策略推荐的当前核身方式较为理想，当前通过率较高，需要给予较高的激励权益。
进一步地，可以使第三正相关程度大于或等于第四正相关程度；其中，所述第三正相关程度是所述减小程度与所述第三差值的正相关程度；所述第四正相关程度是所述增大程度与所述第四差值的正相关程度。
应理解，由于核身方式的推荐，是一个多目标优化问题，即在多维度上求满足低案件率和高通过率的多目标的最优解。一种核身方式的推荐，既要考虑如果当前用户是坏人，该核身方式是否会被突破，又要假定如果当前用户是好人，是否可以通过当前核身，保证业务的正常进行。也即既要低案件率，也要高通过率。因此，本说明书实施例，在当前案件率大于目标案件率时，减小当前核身方式对应的第一激励权益，在当前案件率小于目标案件率时，增大当前核身方式对应的第一激励权益，在当前通过率大于目标通过率时，增大当前核身方式对应的第二激励权益，在当前通过率小于目标通过率时，减小当前核身方式对应的第二激励权益，以期调整模块502可以学习得到能够推荐低案件率、高通过率的核身方式的目标推荐策略。
可以理解，如果当前核身方式对应的激励权益包括第一激励权益和第二激励权益时，调整模块502可用于：基于所述第一激励权益和所述第二激励权益对所述目标推荐策略进行调整，以使目标对象在采用调整后的所述目标推荐策略推荐下一核身方式后的状态，与所述目标状态的差异满足第一预设条件。
作为一个例子，当目标状态包括目标案件率和目标通过率时，第一预设条件可以包括：下一案件率(目标对象在T+1时段的案件率)小于目标案件率，以及下一通过率(目标对象在T+1时段的通过率)大于目标通过率，也即取得低案件率和高通过率的最优解。
作为一个例子，当目标状态包括目标案件率和目标通过率时，第一预设条件可以包括：下一案件率(目标对象在T+1时段的案件率)小于目标案件率，以及下一通过率(目标对象在T+1时段的通过率)大于目标通过率，也即取得低案件率和高通过率的最优解。
更为具体的，在基于所述第一激励权益和所述第二激励权益对所述目标推荐策略进行调整时，当所述第一激励权益和所述第二激励权益中的至少一个减小时，调整后的目标推荐策略推荐所述当前核身方式的概率降低；在所述第一激励权益和所述第二激励权益均增大时，调整后的目标推荐策略推荐所述当前核身方式的概率升高。
在本说明书实施例中，基于强化学习调整目标推荐策略的算法可以是相关技术中的任一强化学习算法，本说明书对此不做限定。
推荐模块503，用于基于调整后的所述目标推荐策略，将所述多种预设核身方式中指定概率满足第二预设条件的核身方式作为下一核身方式推荐给所述目标对象。
其中，第二预设条件可以是指定概率最大或者指定概率大于预设阈值。
图5所示的核身方式推荐装置，由于可以基于当前状态与目标状态的差异自动对目标推荐策略不断进行调整，并自动依据调整后的目标推荐策略推荐下一核身方式，而不需要人工干预，也不依赖人工经验，因此，可以提高目标推荐策略的调整效率，最终提高风险识别效率。此外，由于巧妙地将案件率和通过率等多目标优化问题转化成了强化学习中的问题，因此可以取得更好的核身方式推荐效果，例如取得低案件率、高通过率的良好效果。
核身方式推荐装置500能够实现图2的方法实施例的方法，具体可参考图1所示实施例的核身方式推荐方法，不再赘述。
总之，以上所述仅为本说明书的较佳实施例而已，并非用于限定本说明书的保护范围。凡在本说明书一个或多个实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例的保护范围之内。
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、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。
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。
还需要说明的是，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、商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、商品或者设备所固有的要素。在没有更多限制时，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
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见即可，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，相关之处参见方法实施例的部分说明即可。
Claims (13)
1.一种核身方式推荐方法，包括：
通过对当前时段内的当前核身方式对应的核身结果数据进行统计，确定目标对象的当前状态，所述核身结果数据包括所述当前时段内所述当前核身方式的每一次核身是否通过、该次核身是否属于一个案件，所述当前状态包括当前案件率和当前通过率，案件率越小表示所述当前核身方式越理想，通过率越大表示所述当前核身方式越理想；
基于所述当前状态与目标状态的差异，调整目标推荐策略，所述目标状态包括目标案件率和目标通过率，所述目标推荐策略用于指示多个指定概率，所述多个指定概率是在所述目标状态下推荐多种预设核身方式分别作为所述目标对象的下一核身方式的概率，所述目标对象在采用调整后的所述目标推荐策略推荐下一核身方式后的状态，与所述目标状态的差异满足第一预设条件；
基于调整后的所述目标推荐策略，将所述多种预设核身方式中指定概率满足第二预设条件的核身方式作为下一核身方式推荐给所述目标对象。
2.根据权利要求1所述的方法，其中，基于所述当前状态与目标状态的差异，调整目标推荐策略，包括：
基于所述当前状态与目标状态的差异，确定所述当前核身方式对应的激励权益；
基于所述激励权益调整所述目标推荐策略。
3.根据权利要求2所述的方法，其中，基于所述当前状态与目标状态的差异，确定所述当前核身方式对应的激励权益，包括：
基于所述当前案件率与所述目标案件率的差异，确定所述当前核身方式对应的第一激励权益；
基于所述当前通过率与所述目标通过率的差异，确定所述当前核身方式对应的第二激励权益。
4.根据权利要求3所述的方法，
其中，所述基于所述当前案件率与所述目标案件率的差异，确定所述当前核身方式对应的第一激励权益，包括：
在所述当前案件率小于所述目标案件率时，增大所述当前核身方式对应的第一激励权益；
在所述当前案件率大于所述目标案件率时，减小所述当前核身方式对应的激励权益。
5.根据权利要求4所述的方法，
在所述当前案件率小于所述目标案件率时，所述第一激励权益的增大程度与第一差值正相关，所述第一差值为所述目标案件率和所述当前案件率的差值；
在所述当前案件率大于所述目标案件率时，所述第一激励权益的减小程度与第二差值正相关，所述第二差值为所述当前案件率和所述目标案件率的差值。
6.根据权利要求5所述的方法，
第一正相关程度小于或等于第二正相关程度；
其中，所述第一正相关程度是所述增大程度与所述第一差值的正相关程度，所述第二正相关程度是所述减小程度与所述第二差值的正相关程度。
7.根据权利要求3-6任一项所述的方法，
其中，所述基于所述当前通过率与所述目标通过率的差异，确定所述当前核身方式对应的第二激励权益，包括：
在所述当前通过率小于所述目标通过率时，减小所述当前核身方式对应的第二激励权益；
在所述当前通过率大于所述目标通过率时，增大所述当前核身方式对应的第二激励权益。
8.根据权利要求7所述的方法，
在所述当前通过率小于所述目标通过率时，所述第二激励权益的减小程度与第三差值正相关，所述第三差值为所述目标通过率和所述当前通过率的差值；
在所述当前通过率大于所述目标通过率时，所述第二激励权益的增大程度与第四差值正相关，所述第四差值为所述当前通过率和所述目标通过率的差值。
9.根据权利要求8所述的方法，
第三正相关程度大于或等于第四正相关程度；
其中，所述第三正相关程度是所述减小程度与所述第三差值的正相关程度；所述第四正相关程度是所述增大程度与所述第四差值的正相关程度。
10.根据权利要求3-6、8、9任一项所述的方法，
其中，基于所述激励权益调整所述目标推荐策略，包括：
基于所述第一激励权益和所述第二激励权益对所述目标推荐策略进行调整；
其中，在所述第一激励权益和所述第二激励权益中的至少一个减小时，调整后的目标推荐策略推荐所述当前核身方式作为下一核身方式的概率降低；在所述第一激励权益和所述第二激励权益均增大时，调整后的目标推荐策略推荐所述当前核身方式作为下一核身方式的概率升高。
11.一种核身方式推荐装置，包括：
状态确定模块，用于通过对当前时段内的当前核身方式对应的核身结果数据进行统计，确定目标对象的当前状态，所述核身结果数据包括所述当前时段内所述当前核身方式的每一次核身是否通过、该次核身是否属于一个案件，所述当前状态包括当前案件率和当前通过率，案件率越小表示所述当前核身方式越理想，通过率越大表示所述当前核身方式越理想；
调整模块，用于基于所述当前状态与目标状态的差异，调整目标推荐策略，所述目标状态包括目标案件率和目标通过率，所述目标推荐策略用于指示多个指定概率，所述多个指定概率是在所述目标状态下推荐多种预设核身方式分别作为所述目标对象的下一核身方式的概率，所述目标对象在采用调整后的所述目标推荐策略推荐下一核身方式后的状态，与所述目标状态的差异满足第一预设条件；
推荐模块，用于基于调整后的目标推荐策略，将所述多种预设核身方式中指定概率满足第二预设条件的核身方式作为下一核身方式推荐给所述目标对象。
12.一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
通过对当前时段内的当前核身方式对应的核身结果数据进行统计，确定目标对象的当前状态，所述核身结果数据包括所述当前时段内所述当前核身方式的每一次核身是否通过、该次核身是否属于一个案件，所述当前状态包括当前案件率和当前通过率，案件率越小表示所述当前核身方式越理想，通过率越大表示所述当前核身方式越理想；
基于所述当前状态与目标状态的差异，调整目标推荐策略，所述目标状态包括目标案件率和目标通过率，所述目标推荐策略用于指示多个指定概率，所述多个指定概率是在所述目标状态下推荐多种预设核身方式分别作为所述目标对象的下一核身方式的概率，所述目标对象在采用调整后的所述目标推荐策略推荐下一核身方式后的状态，与所述目标状态的差异满足第一预设条件；
基于调整后的所述目标推荐策略，将所述多种预设核身方式中指定概率满足第二预设条件的核身方式作为下一核身方式推荐给所述目标对象。
13.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：
通过对当前时段内的当前核身方式对应的核身结果数据进行统计，确定目标对象的当前状态，所述核身结果数据包括所述当前时段内所述当前核身方式的每一次核身是否通过、该次核身是否属于一个案件，所述当前状态包括当前案件率和当前通过率，案件率越小表示所述当前核身方式越理想，通过率越大表示所述当前核身方式越理想；
基于所述当前状态与目标状态的差异，调整目标推荐策略，所述目标状态包括目标案件率和目标通过率，所述目标推荐策略用于指示多个指定概率，所述多个指定概率是在所述目标状态下推荐多种预设核身方式分别作为所述目标对象的下一核身方式的概率，所述目标对象在采用调整后的所述目标推荐策略推荐下一核身方式后的状态，与所述目标状态的差异满足第一预设条件；
基于调整后的所述目标推荐策略，将所述多种预设核身方式中指定概率满足第二预设条件的核身方式作为下一核身方式推荐给所述目标对象。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910169019.1A CN110060188B (zh) | 2019-03-06 | 2019-03-06 | 核身方式推荐方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910169019.1A CN110060188B (zh) | 2019-03-06 | 2019-03-06 | 核身方式推荐方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110060188A CN110060188A (zh) | 2019-07-26 |
| CN110060188B true CN110060188B (zh) | 2023-08-01 |
Family
ID=67316659
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910169019.1A Active CN110060188B (zh) | 2019-03-06 | 2019-03-06 | 核身方式推荐方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110060188B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110879865B (zh) * | 2019-10-31 | 2022-08-12 | 支付宝(杭州)信息技术有限公司 | 核身产品的推荐方法和装置 |
| CN111325444B (zh) * | 2020-01-21 | 2022-09-23 | 支付宝(杭州)信息技术有限公司 | 一种风险防控决策方法、装置、系统及设备 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108763251B (zh) * | 2018-04-02 | 2021-06-01 | 创新先进技术有限公司 | 核身产品的个性化推荐方法及装置和电子设备 |
| CN108875327A (zh) * | 2018-05-28 | 2018-11-23 | 阿里巴巴集团控股有限公司 | 一种核身方法和装置 |
| CN109064217B (zh) * | 2018-07-16 | 2021-11-05 | 创新先进技术有限公司 | 基于用户等级的核身策略确定方法、装置及电子设备 |
-
2019
- 2019-03-06 CN CN201910169019.1A patent/CN110060188B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110060188A (zh) | 2019-07-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102066773B1 (ko) | 콘텐츠 추천 방법, 장치 및 시스템 | |
| TWI761642B (zh) | 確定業務對應的決策策略的方法、裝置和電子設備 | |
| CN111639687B (zh) | 一种模型训练以及异常账号识别方法及装置 | |
| CN109598542B (zh) | 一种营销权益的投放方法、装置及电子设备 | |
| CN111353850B (zh) | 一种风险识别策略的更新、风险商户的识别方法和装置 | |
| CN112232510A (zh) | 多目标推荐模型的训练及信息推荐方法以及装置 | |
| CN107451854B (zh) | 确定用户类型的方法及装置、电子设备 | |
| CN110061930B (zh) | 一种数据流量的限制、限流值的确定方法和装置 | |
| CN110060188B (zh) | 核身方式推荐方法、装置及电子设备 | |
| US10956976B2 (en) | Recommending shared products | |
| CN115146731A (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
| CN111611390B (zh) | 一种数据处理方法及装置 | |
| CN111105268B (zh) | 广告投放成本调节方法、装置及存储介质、电子设备 | |
| CN109063967B (zh) | 一种风控场景特征张量的处理方法、装置及电子设备 | |
| CN109598478B (zh) | 一种风测结果描述文案的生成方法、装置及电子设备 | |
| CN107958415B (zh) | 证券信息播报方法及装置 | |
| CN107392408B (zh) | 一种信用分数的提示信息输出方法及装置 | |
| CN110443746B (zh) | 基于生成对抗网络的图片处理方法、装置及电子设备 | |
| CN111461892B (zh) | 用于风险识别模型的衍生变量选择方法和装置 | |
| CN114860967A (zh) | 一种模型训练的方法、信息推荐的方法以及装置 | |
| CN111311372A (zh) | 一种用户识别方法和装置 | |
| CN112182502A (zh) | 合规审核方法、装置和设备 | |
| CN110942192A (zh) | 犯罪概率的确定方法及装置 | |
| CN110990522B (zh) | 一种法律文书的确定方法和系统 | |
| CN111831825B (zh) | 账号检测方法、装置、网络设备及存储介质 |
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: 20200922 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands Applicant after: Advanced innovation technology Co.,Ltd. Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands Applicant before: Alibaba Group Holding Ltd. Effective date of registration: 20200922 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands Applicant after: Innovative advanced technology Co.,Ltd. Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands Applicant before: Advanced innovation technology Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |