CN110097451A - 一种银行业务的监控方法及装置 - Google Patents
一种银行业务的监控方法及装置 Download PDFInfo
- Publication number
- CN110097451A CN110097451A CN201910256040.5A CN201910256040A CN110097451A CN 110097451 A CN110097451 A CN 110097451A CN 201910256040 A CN201910256040 A CN 201910256040A CN 110097451 A CN110097451 A CN 110097451A
- Authority
- CN
- China
- Prior art keywords
- business
- monitored
- service
- value
- type
- 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
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Technology Law (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例涉及数据处理技术领域,尤其涉及一种银行业务的监控方法及装置,用以综合考虑业务的多维度属性,增加监控的准确性和说服力。本发明实施例包括:根据被监控业务的交易数据,确定被监控业务的业务标签,以及被监控业务的多个业务属性的值;针对被监控业务的多个业务属性中的任一业务属性,将业务属性作为一个像素点,生成被监控业务的业务画像;业务画像的一个像素点的值等于对应的业务属性的值;将被监控业务的业务画像输入卷积神经网络模型中,得到被监控业务属于不同业务种类的概率分布;卷积神经网络模型根据历史交易数据训练得到;将概率最大的业务种类与被监控业务的业务标签相比较,对被监控业务进行评判。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种银行业务的监控方法及装置。
背景技术
随着支付产业的不断发展和支付科技的持续创新,现有支付产品已从线下通过POS(销售终端,point of sale)进行刷卡/转帐、通过ATM(自动柜员机,Automatic TellerMachine)进行存款/取现等传统业务,向手机通过NFC(近场通信,near fieldcommunication)或二维码技术进行支付等移动支付业务拓展,其业务场景和业务属性也随之丰富,呈现出个性化、多维化的特性。
目前对业务产品进行监控时,依据的属性维度较为单一。如对于交易质量是监控返回码断定;而分析业务发展情况时,是通过笔数、金额等属性进行决策。但随着业务场景和业务属性的复杂化,这些判定方法的不够精确,且缺少足够的说服力。
发明内容
本申请提供一种银行业务的监控方法及装置,用以综合考虑业务的多维度属性,增加监控的准确性和说服力。
本发明实施例提供的一种银行业务的监控方法,包括:
根据被监控业务的交易数据,确定所述被监控业务的业务标签,以及所述被监控业务的多个业务属性的值;
针对所述被监控业务的多个业务属性中的任一业务属性,将所述业务属性作为一个像素点,生成所述被监控业务的业务画像;所述业务画像的一个像素点的值等于对应的业务属性的值;
将所述被监控业务的业务画像输入卷积神经网络模型中,得到所述业务画像属于不同业务种类的概率分布;所述卷积神经网络模型根据历史交易数据训练得到;
将概率最大的业务种类与所述被监控业务的业务标签相比较,对所述被监控业务进行评判。
一种可选的实施例中,所述根据被监控业务的交易数据,确定所述被监控业务的业务标签,以及所述被监控业务的多个业务属性的值,包括:
获取所述被监控业务在一个单位时间内的交易数据;
从所述单位时间内的交易数据中获取所述被监控业务的标识字段,根据所述标识字段确定所述被监控业务的业务标签;
根据所述单位时间内的交易数据,计算得到所述被监控业务在所述单位时间内的多个业务属性的值。
一种可选的实施例中,根据以下方式训练得到所述卷积神经网络模型:
根据训练业务的历史交易数据,确定所述训练业务的业务标签,以及所述训练业务的多个业务属性的值;
针对所述被训练业务的多个业务属性中的任一业务属性,将所述业务属性作为一个像素点,生成所述训练业务的业务画像;所述业务画像的一个像素点的值等于对应的业务属性的值;
根据所述训练业务的业务画像,以及所述训练业务的业务标签,训练得到所述卷积神经网络模型。
一种可选的实施例中,所述将概率最大的业务种类与所述被监控业务的业务标签相比较,对所述被监控业务进行评判,包括:
将所述概率最大的业务种类与所述被监控业务的业务标签相比较;
若所述概率最大的业务种类与所述被监控业务的业务标签不同,则表明所述被监控业务出现异常。
一种可选的实施例中,所述将所述概率最大的业务种类与所述被监控业务的业务标签相比较之后,还包括:
若所述概率最大的业务种类与所述被监控业务的业务标签相同,则将所述概率最大的业务种类的概率与拟合度阈值进行比较;所述拟合度阈值为训练所述卷积神经网络模型时确定的;
若所述概率最大的业务种类的概率低于所述拟合度阈值,则确定所述被监控业务出现异常。
本发明实施例还提供一种银行业务的监控装置,包括:
获取单元,用于根据被监控业务的交易数据,确定所述被监控业务的业务标签,以及所述被监控业务的多个业务属性的值;
画像单元,用于针对所述被监控业务的多个业务属性中的任一业务属性,将所述业务属性作为一个像素点,生成所述被监控业务的业务画像;所述业务画像的一个像素点的值等于对应的业务属性的值;
模型单元,用于将所述被监控业务的业务画像输入卷积神经网络模型中,得到所述被监控业务属于不同业务种类的概率分布;所述卷积神经网络模型根据历史交易数据训练得到;
评判单元,用于将概率最大的业务种类与所述被监控业务的业务标签相比较,对所述被监控业务进行评判。
一种可选的实施例中,所述获取单元,具体用于:
获取所述被监控业务在一个单位时间内的交易数据;
从所述单位时间内的交易数据中获取所述被监控业务的标识字段,根据所述标识字段确定所述被监控业务的业务标签;
根据所述单位时间内的交易数据,计算得到所述被监控业务在所述单位时间内的多个业务属性的值。
一种可选的实施例中,所述模型单元,还用于根据以下方式训练得到所述卷积神经网络模型:
根据训练业务的历史交易数据,确定所述训练业务的业务标签,以及所述训练业务的多个业务属性的值;
针对所述被训练业务的多个业务属性中的任一业务属性,将所述业务属性作为一个像素点,生成所述训练业务的业务画像;所述业务画像的一个像素点的值等于对应的业务属性的值;
根据所述训练业务的业务画像,以及所述训练业务的业务标签,训练得到所述卷积神经网络模型。
一种可选的实施例中,所述评判单元,具体用于:
将所述概率最大的业务种类与所述被监控业务的业务标签相比较;
若所述概率最大的业务种类与所述被监控业务的业务标签不同,则表明所述被监控业务出现异常。
一种可选的实施例中,所述评判单元,还用于:
若所述概率最大的业务种类与所述被监控业务的业务标签相同,则将所述概率最大的业务种类的概率与拟合度阈值进行比较;所述拟合度阈值为训练所述卷积神经网络模型时确定的;
若所述概率最大的业务种类的概率低于所述拟合度阈值,则确定所述被监控业务出现异常。
本发明实施例还提供一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的方法。
本发明实施例还提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行如上所述的方法。
本发明实施例中,根据被监控业务的交易数据,确定被监控业务的业务标签,以及多个业务属性的值。将被监控业务的一个业务属性作为一个像素点,生成被监控业务的业务画像,业务画像的一个像素点的值等于对应的业务属性的值。将被监控业务的业务画像输入卷积神经网络模型中,得到该被监控业务属于不同业务种类的概率分布。将经卷积神经网络模型计算得出的概率最大的业务种类与被监控业务的业务标签相对照,对被监控业务进行评判。本发明实施例中,将图像处理的卷积神经网络模型应用在监控银行业务中,将银行业务的业务属性像素化,生成业务画像,用于对银行业务进行监控和评估,综合考量了银行业务的多种业务属性,从多维度刻画银行业务,增加了监控评估银行业务的准确性和说服力。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,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为本发明实施例提供的一种银行业务的监控方法的流程示意图;
图2为本发明具体实施例提供的一种银行业务的监控方法的流程示意图;
图3为本发明实施例提供的一种银行业务的监控装置的结构示意图;
图4为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部份实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明实施例提供了一种银行业务的监控方法,如图1所示,本发明实施例提供的银行业务的监控方法包括以下步骤:
步骤101、根据被监控业务的交易数据,确定所述被监控业务的业务标签,以及所述被监控业务的多个业务属性的值。
步骤102、针对所述被监控业务的多个业务属性中的任一业务属性,将所述业务属性作为一个像素点,生成所述被监控业务的业务画像;所述业务画像的一个像素点的值等于对应的业务属性的值。
步骤103、将所述被监控业务的业务画像输入卷积神经网络模型中,得到所述被监控业务属于不同业务种类的概率分布;所述卷积神经网络模型根据历史交易数据训练得到。
步骤104、将概率最大的业务种类与所述被监控业务的业务标签相比较,对所述被监控业务进行评判。
本发明实施例中,根据被监控业务的交易数据,确定被监控业务的业务标签,以及多个业务属性的值。将被监控业务的一个业务属性作为一个像素点,生成被监控业务的业务画像,业务画像的一个像素点的值等于对应的业务属性的值。将被监控业务的业务画像输入卷积神经网络模型中,得到该被监控业务属于不同业务种类的概率分布。将经卷积神经网络模型计算得出的概率最大的业务种类与被监控业务的业务标签相对照,对被监控业务进行评判。本发明实施例中,将图像处理的卷积神经网络模型应用在监控银行业务中,将银行业务的业务属性像素化,生成业务画像,用于对银行业务进行监控和评估,综合考量了银行业务的多种业务属性,从多维度刻画银行业务,增加了监控评估银行业务的准确性和说服力。
本发明实施例中,在通过模型计算被监控业务属于不同业务种类的概率之前,利用银行业务的历史交易数据对卷积神经网络模型进行训练。
具体来说,本发明实施例根据以下方式训练得到所述卷积神经网络模型:
根据训练业务的历史交易数据,确定所述训练业务的业务标签,以及所述训练业务的多个业务属性的值;
针对所述被训练业务的多个业务属性中的任一业务属性,将所述业务属性作为一个像素点,生成所述训练业务的业务画像;所述业务画像的一个像素点的值等于对应的业务属性的值;
根据所述训练业务的业务画像,以及所述训练业务的业务标签,训练得到所述卷积神经网络模型。
具体实施过程中,选取历史时间段内训练业务的历史交易数据,首先对历史交易数据进行数据清洗,这里的历史时间段可以选取一分钟、一小时、一天、或者一个月等。由于交易数据中包含有表明该交易数据对应业务的字段,因此,可以根据历史交易数据,确定所述训练业务的业务标签,如POS、ATM、NFC、二维码等。同时,可以根据历史交易数据确定该训练业务的业务属性,例如交易笔数、交易金额、交易强度、交易成功率、交易频率、活动商户数、活动卡数等业务属性。将确定的业务属性的值形成一个矩阵,作为该训练业务的业务画像,其中,业务画像的一个像素点对应一个业务属性,一个像素点的值等于对应的业务属性的值。
举例来说,以线下POS交易为例,从交易明细库中获取该训练业务一天的交易数据,根据交易数据确定训练业务的业务属性分别为:交易笔数为108笔、交易金额为254元、交易终端数为75个以及活动卡数为152张。将上述业务属性形成一个2×2的矩阵,如表1所示。
表1
108 | 254 |
75 | 152 |
则训练交易的业务标签为POS交易,训练交易的业务画像如表1所示。
将训练交易的业务画像输入卷积神经网络模型中,可以得到该训练交易属于不同业务种类的概率分布情况,将概率最大的业务种类作为模型训练的结果,与训练交易的业务标签相比较,计算损失函数,反向传播调整卷积神经网络模型参数,实现模型的维度调优。如,将上述表1中的业务画像输入卷积神经网络模型中,得出该训练交易属于POS交易的概率为30%,属于ATM交易的概率为20%,属于NFC交易的概率为50%,则将业务种类NFC交易作为训练结果,与训练交易的业务标签POS交易相对照,反向调整卷积神经网络模型的参数。
训练得出卷积神经网络模型后,可以利用该模型对被监控业务进行监控分析等。
进一步地,所述根据被监控业务的交易数据,确定所述被监控业务的业务标签,以及所述被监控业务的多个业务属性的值,包括:
获取所述被监控业务在一个单位时间内的交易数据;
从所述单位时间内的交易数据中获取所述被监控业务的标识字段,根据所述标识字段确定所述被监控业务的业务标签;
根据所述单位时间内的交易数据,计算得到所述被监控业务在所述单位时间内的多个业务属性的值。
具体实施过程中,获取一个单位时间内被监控业务的交易数据,这里的单位时间与是上述历史时间段相对应,即训练模型中历史时间段选取为一分钟,则一个单位时间选取为一分钟;历史时间段选取为一小时,则一个单位时间选取为一小时。与训练模型类似的,从交易数据中获取被监控业务的标识字段,确定被监控业务的业务标签。同时,根据单位时间内的交易数据,计算被监控业务的多个业务属性的值。
这里,得到的被监控业务的业务属性与上述训练业务的业务属性相同。同时,根据被监控业务的业务属性得到的业务画像中,每个像素点对应的业务属性与训练业务的业务画像中每个像素点对应的业务属性相同。仍以表1中训练业务的业务画像为例,表1的2×2矩阵中的每个像素点对应的业务属性分别为:交易笔数、交易金额、交易终端数以及活动卡数,则根据被监控业务的交易数据计算得到的业务属性也为:交易笔数、交易金额、交易终端数以及活动卡数,同时,每个业务属性对应矩阵中像素点的位置相同。
将被监控业务的业务画像输入卷积神经网络模型中,输出被监控业务属于各个业务种类的概率分布。进一步,所述将概率最大的业务种类与所述被监控业务的业务标签相比较,对所述被监控业务进行评判,包括:
将所述概率最大的业务种类与所述被监控业务的业务标签相比较;
若所述概率最大的业务种类与所述被监控业务的业务标签不同,则表明所述被监控业务出现异常。
举例来说,将被监控业务的业务画像输入卷积神经网络模型中,得出该被监控业务属于POS交易的概率为40%,属于ATM交易的概率为30%,属于NFC交易的概率为30%,则将概率最大的POS交易作为被监控业务的业务种类。若根据被监控业务的交易数据得出的业务标签为NFC交易,则确定该被监控业务出现异常。本发明实施例中,选取不同时间单位的交易数据可以对被监控业务进行不同的处理,例如获取每分钟的交易数据可以用于对被监控业务进行实时监控,获取每月的交易数据可以用于对被监控业务进行业务的分析。
进一步地,所述将所述概率最大的业务种类与所述被监控业务的业务标签相比较之后,还包括:
若所述概率最大的业务种类与所述被监控业务的业务标签相同,则将所述概率最大的业务种类的概率与拟合度阈值进行比较;所述拟合度阈值为训练所述卷积神经网络模型时确定的;
若所述概率最大的业务种类的概率低于所述拟合度阈值,则确定所述被监控业务出现异常。
具体来说,可以预先设置拟合度阈值,若概率最大的业务种类与被监控业务的业务标签相同,则将概率最大的业务种类的概率与拟合度阈值比较。例如,上述被监控业务属于POS交易的概率为40%,即概率最大的业务种类的概率为40%,若被监控业务的业务标签也是POS,则将40%与拟合度阈值进行对比。若拟合度阈值为50%,则表明被监控业务出现异常。
为了更清楚地理解本发明,下面以具体实施例对上述流程进行详细描述,具体实施例的步骤如图2所示,包括:
步骤201:获取所述被监控业务在一天内的交易数据。
步骤202:对交易数据进行数据选取、清洗后,根据交易数据内的标识字段,确定被监控业务的业务标签为POS交易。
步骤203:根据交易数据,计算该被监控业务的交易笔数、交易金额、交易强度、交易成功率、交易频率、活动商户数、活动卡数等业务属性的值。
步骤204:根据业务属性的值,生成被监控业务的业务画像。具体为将业务属性作为业务画像的一个像素点,业务画像的一个像素点的值等于对应的业务属性的值,生成一个28×28的矩阵。
步骤205:将被监控业务的业务画像输入卷积神经网络模型,得到所述被监控业务属于不同业务种类的概率分布。
具体使用TensorFlow计算框架实现:
第一层卷积层:这一层的输入为被监控业务的业务画像,第一层的过滤器的尺寸为5×5,即核的尺寸为5×5,输出深度32,不使用全0填充,步长为1。因为没有使用全0填充,所以这一层的输出的尺寸为28-5+1=24;
第二层最大池化层:这一层的核为2×2;池化层可以非常有效地缩小矩阵的尺寸,防止过拟合;
第三层卷积层:与第二层是全连接,尺寸为5×5的卷积核64个;
第四层最大池化层:这一层的核为2×2;
第五层全连接层:经过两层卷积后,业务画像的大小为7×7,加入一个有1024个神经元的全连接层,所以权重W的尺寸为7×7×64=1024,全连接层将图像特征图中的特征进行整合,获取图像特征具有的高层含义,用于图像分类。
第六层softmax层:Softmax层主要用于分类问题,通过Softmax层,可以得到被监控业务属于不同业务种类的概率分布情况。
步骤206:将概率最大的业务种类作为计算结果进行输出。
步骤207:将概率最大的业务种类与业务标签进行对比,若概率最大的业务种类与业务标签相同,则执行步骤208;否则执行步骤210。
步骤208:将概率最大的业务种类的概率与拟合度阈值进行比较,判断概率最大的业务种类的概率是否大于拟合度阈值,若是,则执行步骤209;否则执行步骤。
步骤209:确定被监控业务正常。
步骤210:确定被监控业务出现异常。
本发明实施例还提供了一种银行业务的监控装置,如图3所示,包括:
获取单元301,用于根据被监控业务的交易数据,确定所述被监控业务的业务标签,以及所述被监控业务的多个业务属性的值;
画像单元302,用于针对所述被监控业务的多个业务属性中的任一业务属性,将所述业务属性作为一个像素点,生成所述被监控业务的业务画像;所述业务画像的一个像素点的值等于对应的业务属性的值;
模型单元303,用于将所述被监控业务的业务画像输入卷积神经网络模型中,得到所述被监控业务属于不同业务种类的概率分布;所述卷积神经网络模型根据历史交易数据训练得到;
评判单元304,用于将概率最大的业务种类与所述被监控业务的业务标签相比较,对所述被监控业务进行评判。
进一步地,所述获取单元301,具体用于:
获取所述被监控业务在一个单位时间内的交易数据;
从所述单位时间内的交易数据中获取所述被监控业务的标识字段,根据所述标识字段确定所述被监控业务的业务标签;
根据所述单位时间内的交易数据,计算得到所述被监控业务在所述单位时间内的多个业务属性的值。
进一步地,所述模型单元303,还用于根据以下方式训练得到所述卷积神经网络模型:
根据训练业务的历史交易数据,确定所述训练业务的业务标签,以及所述训练业务的多个业务属性的值;
针对所述被训练业务的多个业务属性中的任一业务属性,将所述业务属性作为一个像素点,生成所述训练业务的业务画像;所述业务画像的一个像素点的值等于对应的业务属性的值;
根据所述训练业务的业务画像,以及所述训练业务的业务标签,训练得到所述卷积神经网络模型。
进一步地,所述评判单元304,具体用于:
将所述概率最大的业务种类与所述被监控业务的业务标签相比较;
若所述概率最大的业务种类与所述被监控业务的业务标签不同,则表明所述被监控业务出现异常。
进一步地,所述评判单元304,还用于:
若所述概率最大的业务种类与所述被监控业务的业务标签相同,则将所述概率最大的业务种类的概率与拟合度阈值进行比较;所述拟合度阈值为训练所述卷积神经网络模型时确定的;
若所述概率最大的业务种类的概率低于所述拟合度阈值,则确定所述被监控业务出现异常。
基于相同的原理,本发明还提供一种电子设备,如图4所示,包括:
包括处理器401、存储器402、收发机403、总线接口404,其中处理器401、存储器402与收发机403之间通过总线接口404连接;
所述处理器401,用于读取所述存储器402中的程序,执行下列方法:
根据被监控业务的交易数据,确定所述被监控业务的业务标签,以及所述被监控业务的多个业务属性的值;
针对所述被监控业务的多个业务属性中的任一业务属性,将所述业务属性作为一个像素点,生成所述被监控业务的业务画像;所述业务画像的一个像素点的值等于对应的业务属性的值;
将所述被监控业务的业务画像输入卷积神经网络模型中,得到所述被监控业务属于不同业务种类的概率分布;所述卷积神经网络模型根据历史交易数据训练得到;
将概率最大的业务种类与所述被监控业务的业务标签相比较,对所述被监控业务进行评判。
进一步地,所述处理器401具体用于:
获取所述被监控业务在一个单位时间内的交易数据;
从所述单位时间内的交易数据中获取所述被监控业务的标识字段,根据所述标识字段确定所述被监控业务的业务标签;
根据所述单位时间内的交易数据,计算得到所述被监控业务在所述单位时间内的多个业务属性的值。
进一步地,所述处理器401具体用于:
根据以下方式训练得到所述卷积神经网络模型:
根据训练业务的历史交易数据,确定所述训练业务的业务标签,以及所述训练业务的多个业务属性的值;
针对所述被训练业务的多个业务属性中的任一业务属性,将所述业务属性作为一个像素点,生成所述训练业务的业务画像;所述业务画像的一个像素点的值等于对应的业务属性的值;
根据所述训练业务的业务画像,以及所述训练业务的业务标签,训练得到所述卷积神经网络模型。
进一步地,所述处理器401具体用于:
将所述概率最大的业务种类与所述被监控业务的业务标签相比较;
若所述概率最大的业务种类与所述被监控业务的业务标签不同,则表明所述被监控业务出现异常。
进一步地,所述处理器401还用于:
若所述概率最大的业务种类与所述被监控业务的业务标签相同,则将所述概率最大的业务种类的概率与拟合度阈值进行比较;所述拟合度阈值为训练所述卷积神经网络模型时确定的;
若所述概率最大的业务种类的概率低于所述拟合度阈值,则确定所述被监控业务出现异常。
本发明是参照根据本发明实施例的方法、设备(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。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
本发明是参照根据本发明实施例的方法、设备(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。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (12)
1.一种银行业务的监控方法,其特征在于,包括:
根据被监控业务的交易数据,确定所述被监控业务的业务标签,以及所述被监控业务的多个业务属性的值;
针对所述被监控业务的多个业务属性中的任一业务属性,将所述业务属性作为一个像素点,生成所述被监控业务的业务画像;所述业务画像的一个像素点的值等于对应的业务属性的值;
将所述被监控业务的业务画像输入卷积神经网络模型中,得到所述被监控业务属于不同业务种类的概率分布;所述卷积神经网络模型根据历史交易数据训练得到;
将概率最大的业务种类与所述被监控业务的业务标签相比较,对所述被监控业务进行评判。
2.如权利要求1所述的方法,其特征在于,所述根据被监控业务的交易数据,确定所述被监控业务的业务标签,以及所述被监控业务的多个业务属性的值,包括:
获取所述被监控业务在一个单位时间内的交易数据;
从所述单位时间内的交易数据中获取所述被监控业务的标识字段,根据所述标识字段确定所述被监控业务的业务标签;
根据所述单位时间内的交易数据,计算得到所述被监控业务在所述单位时间内的多个业务属性的值。
3.如权利要求1所述的方法,其特征在于,根据以下方式训练得到所述卷积神经网络模型:
根据训练业务的历史交易数据,确定所述训练业务的业务标签,以及所述训练业务的多个业务属性的值;
针对所述被训练业务的多个业务属性中的任一业务属性,将所述业务属性作为一个像素点,生成所述训练业务的业务画像;所述业务画像的一个像素点的值等于对应的业务属性的值;
根据所述训练业务的业务画像,以及所述训练业务的业务标签,训练得到所述卷积神经网络模型。
4.如权利要求1所述的方法,其特征在于,所述将概率最大的业务种类与所述被监控业务的业务标签相比较,对所述被监控业务进行评判,包括:
将所述概率最大的业务种类与所述被监控业务的业务标签相比较;
若所述概率最大的业务种类与所述被监控业务的业务标签不同,则表明所述被监控业务出现异常。
5.如权利要求4所述的方法,其特征在于,所述将所述概率最大的业务种类与所述被监控业务的业务标签相比较之后,还包括:
若所述概率最大的业务种类与所述被监控业务的业务标签相同,则将所述概率最大的业务种类的概率与拟合度阈值进行比较;所述拟合度阈值为训练所述卷积神经网络模型时确定的;
若所述概率最大的业务种类的概率低于所述拟合度阈值,则确定所述被监控业务出现异常。
6.一种银行业务的监控装置,其特征在于,包括:
获取单元,用于根据被监控业务的交易数据,确定所述被监控业务的业务标签,以及所述被监控业务的多个业务属性的值;
画像单元,用于针对所述被监控业务的多个业务属性中的任一业务属性,将所述业务属性作为一个像素点,生成所述被监控业务的业务画像;所述业务画像的一个像素点的值等于对应的业务属性的值;
模型单元,用于将所述被监控业务的业务画像输入卷积神经网络模型中,得到所述被监控业务属于不同业务种类的概率分布;所述卷积神经网络模型根据历史交易数据训练得到;
评判单元,用于将概率最大的业务种类与所述被监控业务的业务标签相比较,对所述被监控业务进行评判。
7.如权利要求6所述的装置,其特征在于,所述获取单元,具体用于:
获取所述被监控业务在一个单位时间内的交易数据;
从所述单位时间内的交易数据中获取所述被监控业务的标识字段,根据所述标识字段确定所述被监控业务的业务标签;
根据所述单位时间内的交易数据,计算得到所述被监控业务在所述单位时间内的多个业务属性的值。
8.如权利要求6所述的装置,其特征在于,所述模型单元,还用于根据以下方式训练得到所述卷积神经网络模型:
根据训练业务的历史交易数据,确定所述训练业务的业务标签,以及所述训练业务的多个业务属性的值;
针对所述被训练业务的多个业务属性中的任一业务属性,将所述业务属性作为一个像素点,生成所述训练业务的业务画像;所述业务画像的一个像素点的值等于对应的业务属性的值;
根据所述训练业务的业务画像,以及所述训练业务的业务标签,训练得到所述卷积神经网络模型。
9.如权利要求6所述的装置,其特征在于,所述评判单元,具体用于:
将所述概率最大的业务种类与所述被监控业务的业务标签相比较;
若所述概率最大的业务种类与所述被监控业务的业务标签不同,则表明所述被监控业务出现异常。
10.如权利要求9所述的装置,其特征在于,所述评判单元,还用于:
若所述概率最大的业务种类与所述被监控业务的业务标签相同,则将所述概率最大的业务种类的概率与拟合度阈值进行比较;所述拟合度阈值为训练所述卷积神经网络模型时确定的;
若所述概率最大的业务种类的概率低于所述拟合度阈值,则确定所述被监控业务出现异常。
11.一种电子设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5任一所述的方法。
12.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行权利要求1~5任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910256040.5A CN110097451B (zh) | 2019-04-01 | 2019-04-01 | 一种银行业务的监控方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910256040.5A CN110097451B (zh) | 2019-04-01 | 2019-04-01 | 一种银行业务的监控方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110097451A true CN110097451A (zh) | 2019-08-06 |
CN110097451B CN110097451B (zh) | 2023-10-03 |
Family
ID=67444124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910256040.5A Active CN110097451B (zh) | 2019-04-01 | 2019-04-01 | 一种银行业务的监控方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110097451B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110912757A (zh) * | 2019-12-24 | 2020-03-24 | 聚好看科技股份有限公司 | 业务的监控方法和服务器 |
CN111582878A (zh) * | 2020-05-11 | 2020-08-25 | 中国银行股份有限公司 | 一种交易风险预测方法、装置及系统 |
CN112232960A (zh) * | 2020-10-21 | 2021-01-15 | 中国银行股份有限公司 | 交易应用系统监控方法及装置 |
CN112241351A (zh) * | 2020-09-30 | 2021-01-19 | 中国银联股份有限公司 | 数据处理方法、装置、设备和介质 |
CN112613569A (zh) * | 2020-12-29 | 2021-04-06 | 北京百度网讯科技有限公司 | 图像识别方法、图像分类模型的训练方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915377A (zh) * | 2015-05-07 | 2015-09-16 | 亿赞普(北京)科技有限公司 | 一种外文业务对象类别标签的添加方法和装置 |
CN105931068A (zh) * | 2015-12-30 | 2016-09-07 | 中国银联股份有限公司 | 一种持卡人消费画像的生成方法及装置 |
US20170116599A1 (en) * | 2015-10-27 | 2017-04-27 | Mastercard International Incorporated | Method for predicting purchasing behaviour of digital wallet users for wallet-based transactions |
CN107403311A (zh) * | 2017-06-27 | 2017-11-28 | 阿里巴巴集团控股有限公司 | 账户用途的识别方法及装置 |
CN109003075A (zh) * | 2017-06-07 | 2018-12-14 | 阿里巴巴集团控股有限公司 | 一种风险识别方法及装置 |
CN109165940A (zh) * | 2018-06-28 | 2019-01-08 | 阿里巴巴集团控股有限公司 | 一种防盗方法、装置及电子设备 |
CN109191090A (zh) * | 2018-07-27 | 2019-01-11 | 阿里巴巴集团控股有限公司 | 支付工具推荐方法、装置、设备及计算机可读存储介质 |
CN109376759A (zh) * | 2018-09-10 | 2019-02-22 | 平安科技(深圳)有限公司 | 用户信息分类方法、装置、计算机设备和存储介质 |
-
2019
- 2019-04-01 CN CN201910256040.5A patent/CN110097451B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915377A (zh) * | 2015-05-07 | 2015-09-16 | 亿赞普(北京)科技有限公司 | 一种外文业务对象类别标签的添加方法和装置 |
US20170116599A1 (en) * | 2015-10-27 | 2017-04-27 | Mastercard International Incorporated | Method for predicting purchasing behaviour of digital wallet users for wallet-based transactions |
CN105931068A (zh) * | 2015-12-30 | 2016-09-07 | 中国银联股份有限公司 | 一种持卡人消费画像的生成方法及装置 |
CN109003075A (zh) * | 2017-06-07 | 2018-12-14 | 阿里巴巴集团控股有限公司 | 一种风险识别方法及装置 |
CN107403311A (zh) * | 2017-06-27 | 2017-11-28 | 阿里巴巴集团控股有限公司 | 账户用途的识别方法及装置 |
CN109165940A (zh) * | 2018-06-28 | 2019-01-08 | 阿里巴巴集团控股有限公司 | 一种防盗方法、装置及电子设备 |
CN109191090A (zh) * | 2018-07-27 | 2019-01-11 | 阿里巴巴集团控股有限公司 | 支付工具推荐方法、装置、设备及计算机可读存储介质 |
CN109376759A (zh) * | 2018-09-10 | 2019-02-22 | 平安科技(深圳)有限公司 | 用户信息分类方法、装置、计算机设备和存储介质 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110912757A (zh) * | 2019-12-24 | 2020-03-24 | 聚好看科技股份有限公司 | 业务的监控方法和服务器 |
CN111582878A (zh) * | 2020-05-11 | 2020-08-25 | 中国银行股份有限公司 | 一种交易风险预测方法、装置及系统 |
CN112241351A (zh) * | 2020-09-30 | 2021-01-19 | 中国银联股份有限公司 | 数据处理方法、装置、设备和介质 |
CN112241351B (zh) * | 2020-09-30 | 2023-12-22 | 中国银联股份有限公司 | 数据处理方法、装置、设备和介质 |
CN112232960A (zh) * | 2020-10-21 | 2021-01-15 | 中国银行股份有限公司 | 交易应用系统监控方法及装置 |
CN112232960B (zh) * | 2020-10-21 | 2023-09-19 | 中国银行股份有限公司 | 交易应用系统监控方法及装置 |
CN112613569A (zh) * | 2020-12-29 | 2021-04-06 | 北京百度网讯科技有限公司 | 图像识别方法、图像分类模型的训练方法及装置 |
CN112613569B (zh) * | 2020-12-29 | 2024-04-09 | 北京百度网讯科技有限公司 | 图像识别方法、图像分类模型的训练方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110097451B (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097451A (zh) | 一种银行业务的监控方法及装置 | |
US8131615B2 (en) | Incremental factorization-based smoothing of sparse multi-dimensional risk tables | |
KR102009309B1 (ko) | 금융상품 관리자동화 시스템 및 관리자동화 방법 | |
US8027947B2 (en) | Rapidly maturing expanded data transaction profiles | |
US20140229233A1 (en) | Consumer spending forecast system and method | |
CN110930038A (zh) | 一种贷款需求识别方法、装置、终端及存储介质 | |
CN107346515A (zh) | 一种信用卡账户分期预测方法及装置 | |
CN108614864A (zh) | 银行交易信息处理方法及装置 | |
CN108537460A (zh) | 用户风险预测方法及系统 | |
CN108564459A (zh) | 异常交易类型的判断方法、装置、设备及可读存储介质 | |
CN109102396A (zh) | 一种用户信用评级方法、计算机设备及可读介质 | |
EP4060590A1 (en) | Methods and systems for detecting frauds by utilizing spend patterns of payment instruments of user | |
CN109308615A (zh) | 基于统计序列特征的实时欺诈交易检测方法、系统、存储介质及电子终端 | |
CN109242165A (zh) | 一种模型训练及基于模型训练的预测方法及装置 | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
CN111932044A (zh) | 一种基于机器学习的钢铁产品价格预测系统和方法 | |
CN114782169A (zh) | 一种客户流失率预警方法及装置 | |
CN109658643A (zh) | 支付风险告警方法、服务器及智能pos | |
CN110910241B (zh) | 现金流评估方法、装置、服务器设备及存储介质 | |
CN111340622A (zh) | 一种异常交易集群的检测方法及装置 | |
CN115496205A (zh) | 检测模型训练、数据检测方法、装置、设备及存储介质 | |
CN112686448B (zh) | 基于属性数据的流失预警方法及系统 | |
CN112037049B (zh) | 银行卡收费方法及装置 | |
KR20110049226A (ko) | 대용량 처리 전용 데이터베이스를 이용한 신용위험도 산출 시스템 | |
CN104376342A (zh) | 一种支持发放多种介质的自助设备和方法 |
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 |