CN110197295A - 预测金融产品购入中的风险的方法和相关装置 - Google Patents

Abstract

本公开提供了一种预测金融产品购入中的风险的方法和相关装置。本公开涉及智能决策中的机器学习。该方法包括：对用户的面部拍摄视频；从用户的面部的视频中，提取预定数目个静态帧；从提取的静态帧中每个静态帧中识别关键点的位置；根据所述预定数目个静态帧中相邻两帧间关键点的位置的变化，得到用户的冲动购买概率；确定历史上购买所述金融产品的所有用户中，卖出价格低于买入价格的用户占比；根据所述用户的属性与所述金融产品的属性，得到基于属性匹配的错误购买概率；基于所述用户的冲动购买概率、卖出价格低于买入价格的用户占比、基于属性匹配的错误购买概率，预测金融产品购入中的风险。本公开能为用户智能预测其购买该金融产品的风险。

Description

预测金融产品购入中的风险的方法和相关装置

技术领域

本发明涉及智能决策中的机器学习，特别涉及一种预测金融产品购入中的风险的方法和装置、计算机可读程序介质、和电子装置。

背景技术

在用户购买金融产品时，很多情况下是冲动性购买。经常发生购入金融产品后金融产品价值下跌，导致用户利益受损的情况。现有技术中缺少一种在用户购买金融产品前，根据用户的表现和金融产品历史上表现出的特点，为用户智能预测其购买该金融产品的风险的数据处理方法。

发明内容

本公开旨在提供一种预测金融产品购入中的风险的方法和装置、计算机可读程序介质、和电子装置，其能够从数据处理方面，根据用户的表现、和金融产品历史上表现出的特点，为用户智能预测其购买该金融产品的风险。

根据本公开的一方面，提供了一种预测金融产品购入中的风险的方法，包括：

响应于接收到用户对金融产品的购买请求，对用户的面部拍摄视频；

从用户的面部的视频中，提取预定数目个静态帧，所述预定数目个静态帧中相邻两帧的拍摄时间间隔相等；

从所述预定数目个静态帧中每个静态帧中识别关键点的位置；

将所述预定数目个静态帧中相邻两帧间关键点的位置的变化输入第一机器学习模型，由第一机器学习模型输出用户的冲动购买概率；

确定历史上购买所述金融产品的所有用户中，卖出价格低于买入价格的用户占比；

将所述用户的属性与所述金融产品的属性输入第二机器学习模型，由第二机器学习模型输出基于属性匹配的错误购买概率；

基于所述用户的冲动购买概率、卖出价格低于买入价格的用户占比、基于属性匹配的错误购买概率，预测金融产品购入中的风险。

在一个实施例中，所述第一机器学习模型通过以下方式预先训练而成：

获取面部视频样本集合，所述面部视频样本集合包括对已知为冲动购买金融产品的用户的面部采集的面部样本视频构成的第一子集、和对已知为非冲动购买金融产品的用户的面部采集的面部样本视频构成的第二子集；

从所述面部样本视频集合中每个面部样本视频中，提取预定数目个静态帧，所述预定数目个静态帧中相邻两帧的拍摄时间间隔相等；

从所述预定数目个静态帧中每个静态帧中识别关键点的位置；

将所述预定数目个静态帧中相邻两帧间关键点的位置的变化输入第一机器学习模型，由第一机器学习模型输出该用户冲动购买的概率，当概率超过0.5时，判定为冲动购买，将判定结果与已知的该用户是否为冲动购买进行比较，如不一致，则调整第一机器学习模型，使判定结果与已知的该用户是否为冲动购买一致。

在一个实施例中，所述第二机器学习模型通过以下方式预先训练而成：

获得金融产品的买卖记录样本集合，所述买卖记录样本集合包括卖出价格低于买入价格的买卖记录样本组成的第三子集、和卖出价格不低于买入价格的买卖记录样本组成的第四子集，所述买卖记录样本集合的每个买卖记录样本包括进行买卖的用户的属性和所买卖的金融产品的属性；

将所述买卖记录样本集合中每个买卖记录样本中的用户的属性和金融产品的属性输入第二机器学习模型，由第二机器学习模型输出错误购买的概率，当所述概率大于0.5时，将该买卖记录样本，判定为卖出价格低于买入价格的买卖记录样本，将判定结果与已知的该买卖记录样本卖出价格是否低于买入价格进行比对，如不一致，则调整第二机器学习模型，使判定结果与已知的该买卖记录样本卖出价格是否低于买入价格一致。

在一个实施例中，所述基于所述用户的冲动购买概率、卖出价格低于买入价格的用户占比、基于属性匹配的错误购买概率，预测金融产品购入中的风险，包括：

按照所述用户的冲动购买概率，确定第一分数；

按照所述卖出价格低于买入价格的用户占比，确定第二分数；

按照所述基于属性匹配的错误购买概率，确定第三分数；

基于第一分数、第二分数、第三分数，确定金融产品购入中的风险分数。

在一个实施例中，所述基于第一分数、第二分数、第三分数，确定金融产品购入中的风险分数，包括：

将所述第一分数、第二分数、第三分数的加权和，确定为金融产品购入中的风险分数。

在一个实施例中，在基于第一分数、第二分数、第三分数，确定金融产品购入中的风险分数之后，所述方法还包括：

如果所述风险分数大于第一风险分数阈值，拒绝所述购买请求。

在一个实施例中，在基于第一分数、第二分数、第三分数，确定金融产品购入中的风险分数之后，所述方法还包括：

如果所述风险分数不大于第一风险分数阈值，但大于第二风险分数阈值，向所述用户发送风险提示。

根据本公开的一方面，提供了一种预测金融产品购入中的风险的装置，包括：

面部视频拍摄模块，用于响应于接收到用户对金融产品的购买请求，对用户的面部拍摄视频；

静态帧提取模块，用于从用户的面部的视频中，提取预定数目个静态帧，所述预定数目个静态帧中相邻两帧的拍摄时间间隔相等；

关键点位置识别模块，用于从所述预定数目个静态帧中每个静态帧中识别关键点的位置；

冲动购买概率获得模块，用于将所述预定数目个静态帧中相邻两帧间关键点的位置的变化输入第一机器学习模型，由第一机器学习模型输出用户的冲动购买概率；

用户占比获得模块，用于确定历史上所述金融产品的所有用户中，卖出价格低于买入价格的用户占比；

基于属性匹配的错误购买概率获得模块，用于将所述用户的属性与所述金融产品的属性输入第二机器学习模型，由第二机器学习模型输出基于属性匹配的错误购买概率；

预测模块，用于基于所述用户的冲动购买概率、卖出价格低于买入价格的用户占比、基于属性匹配的错误购买概率，预测金融产品购入中的风险。

根据本公开的一方面，提供了一种计算机可读程序介质，其存储有计算机程序指令，当所述计算机程序指令被计算机执行时，使计算机执行根据第一方面所述的方法。

根据本公开的一方面，提供了一种电子装置，包括：

处理器；存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如权利要求第一方面所述的方法。

本发明的实施例提供的技术方案可以包括以下有益效果：

本公开实施例考虑到，用户购买金融产品的风险，可能与三个方面的因素有关：第一方面，如果用户购买时考虑得不周全，属于冲动购买，其将来利益受损的概率比较大；第二方面，如果该金融产品本身风险比较大，历史购买过它的用户多半以利益受损告终，那么用户购买该金融产品，风险就比较大；第三方面，发明人发现，不同职业、年龄、性别、爱好的用户在面临具有某些特点的金融产品时可能有不够了解，容易错买，造成日后亏损，但在面临其它的金融产品时可能购买后升值的概念比较大。例如，一位年龄比较大、退休的老人可能对于科技股没有分辨力，容易错买，但对于保本型理财产品，其往往经常对比多种产品、谨慎购买后，其选择正确程度比年轻人强。因此，用户购买金融产品的风险还与用户的属性(如职业、年龄、性别等)和金融产品属性(如金融产品类型、上市时间、成熟度等)的匹配度有关。因此，本公开实施例在用户购买金融产品时，对用户的面部拍摄视频。从用户的面部的视频中，提取若干静态帧，在这些帧中识别关键点的位置。在不同的静态帧中这些关键点位置的变化反映了用户表情的变化。将这些位置的变化输入第一机器学习模型后，由第一机器学习模型输出用户的冲动购买概率，该冲动购买概率实际上反映了用户表情的变化。这样，通过对用户表情的判断，得到了用户的冲动购买概率。本公开实施例还确定历史上所述金融产品的所有用户中，卖出价格低于买入价格的用户占比，该占比反映了该金融产品本身的风险大小。此外，本公开实施例还将所述用户的属性与所述金融产品的属性输入第二机器学习模型，由第二机器学习模型输出基于属性匹配的错误购买概率。然后，基于所述用户的冲动购买概率、卖出价格低于买入价格的用户占比、基于属性匹配的错误购买概率这三个因素，来预测金融产品购入中的风险，大大提高了金融产品购买风险预测的准确度。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的一种预测金融产品购入中的风险的方法的流程图。

图2是根据一示例性实施例示出的基于所述用户的冲动购买概率、卖出价格低于买入价格的用户占比、基于属性匹配的错误购买概率，预测金融产品购入中的风险的详细流程图。

图3是根据一示例性实施例示出的一种预测金融产品购入中的风险的装置的框图。

图4是根据一示例性实施例示出的一种电子装置的硬件图。

图5是根据一示例性实施例示出的一种用于实现上述预测金融产品购入中的风险的方法的计算机可读存储介质。

具体实施方式

这里将详细地对示例性实施例执行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。附图所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。

根据本公开的一个实施例，提供了预测金融产品购入中的风险的方法。该金融产品是指金融领域中可用来流通的股票、基金、债券等的产品。金融产品购入中的风险是指购买金融产品后用户亏损的危险性，其可以体现出购买金融产品后用户亏损的概率。亏损是指金融产品卖出价格低于买入价格。

如图1所示，该方法包括：

步骤110、响应于接收到用户对金融产品的购买请求，对用户的面部拍摄视频；

步骤120、从用户的面部的视频中，提取预定数目个静态帧，所述预定数目个静态帧中相邻两帧的拍摄时间间隔相等；

步骤130、从所述预定数目个静态帧中每个静态帧中识别关键点的位置；

步骤140、将所述预定数目个静态帧中相邻两帧间关键点的位置的变化输入第一机器学习模型，由第一机器学习模型输出用户的冲动购买概率；

步骤150、确定历史上所述金融产品的所有用户中，卖出价格低于买入价格的用户占比；

步骤160、将所述用户的属性与所述金融产品的属性输入第二机器学习模型，由第二机器学习模型输出基于属性匹配的错误购买概率；

步骤170、基于所述用户的冲动购买概率、卖出价格低于买入价格的用户占比、基于属性匹配的错误购买概率，预测金融产品购入中的风险。

下面对这些步骤进行详细描述。

在步骤110中，响应于接收到用户对金融产品的购买请求，对用户的面部拍摄视频。

本公开实施例可以用于理财通等金融产品交易的应用，也可以用于金融产品交易的网站。当用户在应用或网站的网页上输入购买的金融产品和数量，认为接收到了用户对金融产品的购买请求，该购买请求中包含购买的金融产品和数量。此时，打开用户终端上安装的摄像头，拍摄用户在购买时的面部视频。

在步骤120中，从用户的面部的视频中，提取预定数目个静态帧，所述预定数目个静态帧中相邻两帧的拍摄时间间隔相等；

视频是由一连串连续的静态帧构成的。当静态帧连续变化，由于人眼的视觉暂留现象，产生了连续画面。在每个静态帧中标注了静态帧的拍摄时间。摘要，就可以从用户的面部的视频中，提取预定数目个静态帧(例如规定5个)，所述预定数目个静态帧中相邻两帧的拍摄时间间隔相等，即提取的两个相邻静态帧在原视频中间隔了相等数量的帧，或者说，在视频中等距离选取预定数目个静态帧。

在步骤130中，从所述预定数目个静态帧中每个静态帧中识别关键点的位置。

关键点是指预先规定的、在人脸中在人有表情时对于识别该表情来说关键的点，例如人在微笑是嘴角上扬，左右嘴角都是关键点，另外眉角、眉心、眉毛距离眉角1/3处，可能都被认为是关键点。关键点的位置可以用坐标来表示。例如，规定以识别出的鼻尖为坐标原点建立平面直角坐标系，可以获得每个关键点的坐标。

在步骤140中，将所述预定数目个静态帧中相邻两帧间关键点的位置的变化输入第一机器学习模型，由第一机器学习模型输出用户的冲动购买概率。

关键点的位置的变化可以指关键点的位置坐标之间的距离和变化方向。例如，右眉角由(3,4)变成了(4,3)的位置，变化的距离为1.41，变化的方向是向右下方向45°。由于这些关键点位置的变化反映了用户购买时的表情，而用户购买时的表情反映了用户购买时的冲动程度，因此，可以将该变化输入第一机器学习模型，由第一机器学习模型输出用户的冲动购买概率。

在一个实施例中，所述第一机器学习模型通过以下方式预先训练而成：

获取面部视频样本集合，所述面部视频样本集合包括对已知为冲动购买金融产品的用户的面部采集的面部样本视频构成的第一子集、和对已知为非冲动购买金融产品的用户的面部采集的面部样本视频构成的第二子集；

从所述面部样本视频集合中每个面部样本视频中，提取预定数目个静态帧，所述预定数目个静态帧中相邻两帧的拍摄时间间隔相等；

从所述预定数目个静态帧中每个静态帧中识别关键点的位置；

将所述预定数目个静态帧中相邻两帧间关键点的位置的变化输入第一机器学习模型，由第一机器学习模型输出该用户冲动购买的概率，当概率超过0.5时，判定为冲动购买，将判定结果与已知的该用户是否为冲动购买进行比较，如不一致，则调整第一机器学习模型，使判定结果与已知的该用户是否为冲动购买一致。

面部视频样本是作为样本训练第一机器学习模型所用的视频。面部视频样本集是由大量面部视频样本组成的集合。该集合中，必须有为冲动购买金融产品的用户的面部采集的面部样本视频，即正样本，也必须有对已知为非冲动购买金融产品的用户的面部采集的面部样本视频，即负样本。正样本组成第一子集。负样本组成第二子集。正样本和负样本都存在，训练出的第一机器学习模型才具有对正样本和负样本的区分能力。

然后，从所述面部样本视频集合中每个面部样本视频(包括正样本和负样本)中，提取预定数目个静态帧，所述预定数目个静态帧中相邻两帧的拍摄时间间隔相等；从所述预定数目个静态帧中每个静态帧中识别关键点的位置；将所述预定数目个静态帧中相邻两帧间关键点的位置的变化输入第一机器学习模型，这与步骤120-140的过程类似，只不过在步骤120-140针对的是实际的用户面部视频，上述过程针对的是面部样本视频。

将所述预定数目个静态帧中相邻两帧间关键点的位置的变化输入第一机器学习模型，由第一机器学习模型输出该用户冲动购买的概率。当概率超过0.5时，判定为冲动购买(正样本)，当概率不超过0.5时为非冲动购买(负样本)。由于面部视频样本到底是正样本还是负样本是已知的，当将正样本判断为负样本，或将负样本判断为正样本时，对机器学习模型的系数进行调整，使判定结果与已知的该用户是否为冲动购买一致。经过大量的样本训练，这样的第一机器学习模型就能根据输入的实际关键点位置变化，得到用户的冲动购买概率。

在步骤150中，确定历史上购买所述金融产品的所有用户中，卖出价格低于买入价格的用户占比。

卖出价格低于买入价格的用户，即亏损用户。用历史上购买该金融产品亏损用户的数量除以历史购买过该金融产品的用户数量，得到所述用户占比。由于服务器存储着所有用户购买所有金融产品的买入记录和卖出记录，在买入记录中包含有买入价格，在卖出记录中包含有卖出价格，因此，从服务器记录的买入记录和卖出记录中，可以判定买入或卖出的用户是否为亏损用户。

如上所述，该用户占比实际反映的是该金融产品本身的风险。

在步骤160中，将所述用户的属性与所述金融产品的属性输入第二机器学习模型，由第二机器学习模型输出基于属性匹配的错误购买概率。

用户的属性即用户的某种性质，如年龄段、职业、性别。金融产品的属性即金融产品的某种性质，例如类型(股票、债券还是基金等)、发行时间、发行的证券商等。如上所述，不同职业、年龄、性别、爱好的用户在面临具有某些特点的金融产品时可能不够了解，容易错买，造成日后亏损，但在面临其它的金融产品时可能购买后升值的概念比较大。例如，一位年龄比较大、退休的老人可能对于科技股没有分辨力，容易错买，但对于保本型理财产品，其往往经常对比多种产品、谨慎购买后，其选择正确程度比年轻人强。因此，还要根据所述用户的属性与所述金融产品的属性的匹配程度，得出基于属性匹配的错误购买概率。它对于预测金融产品购入中的风险也是一个重要因素。

在一个实施例中，所述第二机器学习模型通过以下方式预先训练而成：

获得金融产品的买卖记录样本集合，所述买卖记录样本集合包括卖出价格低于买入价格的买卖记录样本组成的第三子集、和卖出价格不低于买入价格的买卖记录样本组成的第四子集，所述买卖记录样本集合的每个买卖记录样本包括进行买卖的用户的属性和所买卖的金融产品的属性；

将所述买卖记录样本集合中每个买卖记录样本中的用户的属性和金融产品的属性输入第二机器学习模型，由第二机器学习模型输出错误购买的概率，当所述概率大于0.5时，将该买卖记录样本，判定为卖出价格低于买入价格的买卖记录样本，将判定结果与已知的该买卖记录样本卖出价格是否低于买入价格进行比对，如不一致，则调整第二机器学习模型，使判定结果与已知的该买卖记录样本卖出价格是否低于买入价格一致。

买卖记录样本是作为样本的、记载着用户购入某一金融产品和卖出该金融产品时的信息的记录。购入该金融产品的记录包括买入价格。卖出该金融产品的记录包括卖出价格。买卖记录样本集合必须包含有卖出价格低于买入价格的记录，即正样本，也必须有卖出价格不低于买入价格的买卖记录样本，即负样本。正样本组成第三子集，负样本组成第四子集。只有正样本或只有负样本都会造成训练出的第二机器学习模型对买卖记录样本没有区分力。

将所述买卖记录样本集合中每个买卖记录样本中的用户的属性和金融产品的属性输入第二机器学习模型后，由第二机器学习模型输出错误购买的概率。当所述概率大于0.5时，将该买卖记录样本判断为正样本。当所述概率不大于0.5时，将该买卖记录样本判断为负样本。如果将正样本判定为负样本，或者将负样本判定为正样本，都要调整第二机器学习模型的系数，使判定结果与已知的该买卖记录样本卖出价格是否低于买入价格一致。经过该集合中大量买卖记录样本的训练，将实际交易中所述用户的属性与所述金融产品的属性输入第二机器学习模型，由第二机器学习模型就能输出实际中基于属性匹配的错误购买概率。

在步骤170中，基于所述用户的冲动购买概率、卖出价格低于买入价格的用户占比、基于属性匹配的错误购买概率，预测金融产品购入中的风险。

在一个实施例中，如图2所示，步骤170可以包括：

步骤1701、按照所述用户的冲动购买概率，确定第一分数；

步骤1702、按照所述卖出价格低于买入价格的用户占比，确定第二分数；

步骤1703、按照所述基于属性匹配的错误购买概率，确定第三分数；

步骤1704、基于第一分数、第二分数、第三分数，确定金融产品购入中的风险分数。

在步骤1701中，由于冲动购买概率越大，该金融产品购入越有风险，因此，可以用以下公式计算第一分数：

S1＝a1·R1 公式1

其中，S1为第一分数，R1为所述用户的冲动购买概率，a1是固定系数。

在步骤1702中，卖出价格低于买入价格的用户占比越大，说明该金融产品本身的风险越大，该金融产品购入越有风险，因此，可以用以下公式计算第二分数：

S2＝a2·R2 公式2

其中，S2为第二分数，R2为卖出价格低于买入价格的用户占比，a2是固定系数。

在步骤1703中，基于属性匹配的错误购买概率越大，该金融产品购入越有风险，因此，可以用以下公式计算第三分数：

S3＝a3·R3 公式3

其中，S3为第三分数，R3为于属性匹配的错误购买概率，a3是固定系数。

在步骤1704中，有了第一分数、第二分数、第三分数之后，可以综合根据这三个分数，确定金融产品购入中的风险分数。

在一个实施例中，可以将所述第一分数、第二分数、第三分数的加权和，确定为金融产品购入中的风险分数，即：

S＝b1·S1+b2·S2+b3·S3 公式4

其中，S为所述风险分数，b1、b2、b3分别是为第一分数、第二分数、第三分数分配的权重，b1+b2+b3＝1。

该实施例的优点是，充分考虑到用户购买金融产品时的冲动程度、该金融产品本身的风险程度、用户属性与金融产品属性的匹配度，对于购买金融产品的决策的不同影响，提高确定金融产品购入风险的准确度。

在一个实施例中，在基于第一分数、第二分数、第三分数，确定金融产品购入中的风险分数之后，所述方法还包括：

如果所述风险分数大于第一风险分数阈值，拒绝所述购买请求。

该实施例中，如果所述风险分数大于第一风险分数阈值，认为此时购买该金融产品风险过大，本着对用户负责的原则，拒绝用户购买请求，从而达到为用户避免损失，提高用户安全性的效果。

在一个实施例中，在基于第一分数、第二分数、第三分数，确定金融产品购入中的风险分数之后，所述方法还包括：

如果所述风险分数不大于第一风险分数阈值，但大于第二风险分数阈值，向所述用户发送风险提示，其中第二风险分数阈值大于第二风险分数阈值。

该实施例中，如果所述风险分数不大于第一风险分数阈值，但大于第二风险分数阈值，不是直接拒绝用户购买请求，而是给用户进行提示。如果用户坚持购买，仍然可以购买，只不过自己承担风险。该实施例即充分尊重了用户的意见，又为用户规避风险，实现了安全性和灵活性兼顾。

如图3所示，根据本公开的一个实施例，提供了一种预测金融产品购入中的风险的装置，包括：

面部视频拍摄模块210，用于响应于接收到用户对金融产品的购买请求，对用户的面部拍摄视频；

静态帧提取模块220，用于从用户的面部的视频中，提取预定数目个静态帧，所述预定数目个静态帧中相邻两帧的拍摄时间间隔相等；

关键点位置识别模块230，用于从所述预定数目个静态帧中每个静态帧中识别关键点的位置；

冲动购买概率获得模块240，用于将所述预定数目个静态帧中相邻两帧间关键点的位置的变化输入第一机器学习模型，由第一机器学习模型输出用户的冲动购买概率；

用户占比获得模块250，用于确定历史上所述金融产品的所有用户中，卖出价格低于买入价格的用户占比；

基于属性匹配的错误购买概率获得模块260，用于将所述用户的属性与所述金融产品的属性输入第二机器学习模型，由第二机器学习模型输出基于属性匹配的错误购买概率；

预测模块270，用于基于所述用户的冲动购买概率、卖出价格低于买入价格的用户占比、基于属性匹配的错误购买概率，预测金融产品购入中的风险。

在一个实施例中，所述第一机器学习模型通过以下方式预先训练而成：

获取面部视频样本集合，所述面部视频样本集合包括对已知为冲动购买金融产品的用户的面部采集的面部样本视频构成的第一子集、和对已知为非冲动购买金融产品的用户的面部采集的面部样本视频构成的第二子集；

从所述面部样本视频集合中每个面部样本视频中，提取预定数目个静态帧，所述预定数目个静态帧中相邻两帧的拍摄时间间隔相等；

从所述预定数目个静态帧中每个静态帧中识别关键点的位置；

将所述预定数目个静态帧中相邻两帧间关键点的位置的变化输入第一机器学习模型，由第一机器学习模型输出该用户冲动购买的概率，当概率超过0.5时，判定为冲动购买，将判定结果与已知的该用户是否为冲动购买进行比较，如不一致，则调整第一机器学习模型，使判定结果与已知的该用户是否为冲动购买一致。

在一个实施例中，所述第二机器学习模型通过以下方式预先训练而成：

获得金融产品的买卖记录样本集合，所述买卖记录样本集合包括卖出价格低于买入价格的买卖记录样本组成的第三子集、和卖出价格不低于买入价格的买卖记录样本组成的第四子集，所述买卖记录样本集合的每个买卖记录样本包括进行买卖的用户的属性和所买卖的金融产品的属性；

将所述买卖记录样本集合中每个买卖记录样本中的用户的属性和金融产品的属性输入第二机器学习模型，由第二机器学习模型输出错误购买的概率，当所述概率大于0.5时，将该买卖记录样本，判定为卖出价格低于买入价格的买卖记录样本，将判定结果与已知的该买卖记录样本卖出价格是否低于买入价格进行比对，如不一致，则调整第二机器学习模型，使判定结果与已知的该买卖记录样本卖出价格是否低于买入价格一致。

在一个实施例中，所述预测模块270进一步用于：

按照所述用户的冲动购买概率，确定第一分数；

按照所述卖出价格低于买入价格的用户占比，确定第二分数；

按照所述基于属性匹配的错误购买概率，确定第三分数；

基于第一分数、第二分数、第三分数，确定金融产品购入中的风险分数。

在一个实施例中，所述基于第一分数、第二分数、第三分数，确定金融产品购入中的风险分数，包括：

将所述第一分数、第二分数、第三分数的加权和，确定为金融产品购入中的风险分数。

在一个实施例中，所述装置还包括：

拒绝模块，用于在基于第一分数、第二分数、第三分数，确定金融产品购入中的风险分数之后，如果所述风险分数大于第一风险分数阈值，拒绝所述购买请求。

在一个实施例中，所述装置还包括：

风险提示发送模块，用于在基于第一分数、第二分数、第三分数，确定金融产品购入中的风险分数之后，如果所述风险分数不大于第一风险分数阈值，但大于第二风险分数阈值，向所述用户发送风险提示。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图4来描述根据本发明的这种实施方式的电子设备40。图4显示的电子设备40仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图4所示，电子设备40以通用计算设备的形式表现。电子设备40的组件可以包括但不限于：上述至少一个处理单元41、上述至少一个存储单元42、连接不同系统组件(包括存储单元42和处理单元41)的总线43。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元41执行，使得所述处理单元41执行本说明书上述“实施例方法”部分中描述的根据本发明各种示例性实施方式的步骤。

存储单元42可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)421和/或高速缓存存储单元422，还可以进一步包括只读存储单元(ROM)423。

存储单元42还可以包括具有一组(至少一个)程序模块425的程序/实用工具424，这样的程序模块425包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线43可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备40也可以与一个或多个外部设备(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备40交互的设备通信，和/或与使得该电子设备40能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口45进行。并且，电子设备40还可以通过网络适配器46与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器46通过总线43与电子设备40的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备40使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

根据本公开一个实施例，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。

参考图5所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品50，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (10)

1.一种预测金融产品购入中的风险的方法，其特征在于，包括：

响应于接收到用户对金融产品的购买请求，对用户的面部拍摄视频；

从用户的面部的视频中，提取预定数目个静态帧，所述预定数目个静态帧中相邻两帧的拍摄时间间隔相等；

从所述预定数目个静态帧中每个静态帧中识别关键点的位置；

将所述预定数目个静态帧中相邻两帧间关键点的位置的变化输入第一机器学习模型，由第一机器学习模型输出用户的冲动购买概率；

确定历史上购买所述金融产品的所有用户中，卖出价格低于买入价格的用户占比；

将所述用户的属性与所述金融产品的属性输入第二机器学习模型，由第二机器学习模型输出基于属性匹配的错误购买概率；

基于所述用户的冲动购买概率、卖出价格低于买入价格的用户占比、基于属性匹配的错误购买概率，预测金融产品购入中的风险。

2.根据权利要求1所述的方法，其特征在于，所述第一机器学习模型通过以下方式预先训练而成：

获取面部视频样本集合，所述面部视频样本集合包括对已知为冲动购买金融产品的用户的面部采集的面部样本视频构成的第一子集、和对已知为非冲动购买金融产品的用户的面部采集的面部样本视频构成的第二子集；

从所述面部样本视频集合中每个面部样本视频中，提取预定数目个静态帧，所述预定数目个静态帧中相邻两帧的拍摄时间间隔相等；

从所述预定数目个静态帧中每个静态帧中识别关键点的位置；

将所述预定数目个静态帧中相邻两帧间关键点的位置的变化输入第一机器学习模型，由第一机器学习模型输出该用户冲动购买的概率，当概率超过0.5时，判定为冲动购买，将判定结果与已知的该用户是否为冲动购买进行比较，如不一致，则调整第一机器学习模型，使判定结果与已知的该用户是否为冲动购买一致。

3.根据权利要求1所述的方法，其特征在于，所述第二机器学习模型通过以下方式预先训练而成：

获得金融产品的买卖记录样本集合，所述买卖记录样本集合包括卖出价格低于买入价格的买卖记录样本组成的第三子集、和卖出价格不低于买入价格的买卖记录样本组成的第四子集，所述买卖记录样本集合的每个买卖记录样本包括进行买卖的用户的属性和所买卖的金融产品的属性；

将所述买卖记录样本集合中每个买卖记录样本中的用户的属性和金融产品的属性输入第二机器学习模型，由第二机器学习模型输出错误购买的概率，当所述概率大于0.5时，将该买卖记录样本，判定为卖出价格低于买入价格的买卖记录样本，将判定结果与已知的该买卖记录样本卖出价格是否低于买入价格进行比对，如不一致，则调整第二机器学习模型，使判定结果与已知的该买卖记录样本卖出价格是否低于买入价格一致。

4.根据权利要求1所述的方法，其特征在于，所述基于所述用户的冲动购买概率、卖出价格低于买入价格的用户占比、基于属性匹配的错误购买概率，预测金融产品购入中的风险，包括：

按照所述用户的冲动购买概率，确定第一分数；

按照所述卖出价格低于买入价格的用户占比，确定第二分数；

按照所述基于属性匹配的错误购买概率，确定第三分数；

基于第一分数、第二分数、第三分数，确定金融产品购入中的风险分数。

5.根据权利要求4所述的方法，其特征在于，所述基于第一分数、第二分数、第三分数，确定金融产品购入中的风险分数，包括：

将所述第一分数、第二分数、第三分数的加权和，确定为金融产品购入中的风险分数。

6.根据权利要求4所述的方法，其特征在于，在基于第一分数、第二分数、第三分数，确定金融产品购入中的风险分数之后，所述方法还包括：

如果所述风险分数大于第一风险分数阈值，拒绝所述购买请求。

7.根据权利要求4所述的方法，其特征在于，在基于第一分数、第二分数、第三分数，确定金融产品购入中的风险分数之后，所述方法还包括：

如果所述风险分数不大于第一风险分数阈值，但大于第二风险分数阈值，向所述用户发送风险提示。

8.一种预测金融产品购入中的风险的装置，其特征在于，包括：

面部视频拍摄模块，用于响应于接收到用户对金融产品的购买请求，对用户的面部拍摄视频；

静态帧提取模块，用于从用户的面部的视频中，提取预定数目个静态帧，所述预定数目个静态帧中相邻两帧的拍摄时间间隔相等；

关键点位置识别模块，用于从所述预定数目个静态帧中每个静态帧中识别关键点的位置；

冲动购买概率获得模块，用于将所述预定数目个静态帧中相邻两帧间关键点的位置的变化输入第一机器学习模型，由第一机器学习模型输出用户的冲动购买概率；

用户占比获得模块，用于确定历史上所述金融产品的所有用户中，卖出价格低于买入价格的用户占比；

基于属性匹配的错误购买概率获得模块，用于将所述用户的属性与所述金融产品的属性输入第二机器学习模型，由第二机器学习模型输出基于属性匹配的错误购买概率；

预测模块，用于基于所述用户的冲动购买概率、卖出价格低于买入价格的用户占比、基于属性匹配的错误购买概率，预测金融产品购入中的风险。

9.一种计算机可读程序介质，其特征在于，其存储有计算机程序指令，当所述计算机程序指令被计算机执行时，使计算机执行根据权利要求1至7中任一项所述的方法。

10.一种电子装置，其特征在于，包括：

处理器；

存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如权利要求1至7任一项所述的方法。