CN110348998A - 基于黄页数据的用户欺诈风险预测的方法及装置 - Google Patents
基于黄页数据的用户欺诈风险预测的方法及装置 Download PDFInfo
- Publication number
- CN110348998A CN110348998A CN201910580958.5A CN201910580958A CN110348998A CN 110348998 A CN110348998 A CN 110348998A CN 201910580958 A CN201910580958 A CN 201910580958A CN 110348998 A CN110348998 A CN 110348998A
- Authority
- CN
- China
- Prior art keywords
- user
- risk
- fraud
- telephone number
- prediction
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
-
- 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
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明公开了一种基于黄页数据的用户欺诈风险预测的方法及装置,包括:建立电话黄页数据库,并根据电话黄页数据库建立预测用户欺诈风险的模型;提取预测用户欺诈风险的模型的特征输入项;预测用户欺诈风险的模型根据特征输入项对用户进行评分,并对用户划分等级;通过用户评分来判断该用户是否可以进入后续审核流程,若不进入后续审核流程,则拒绝用户后续行为。本发明通过建立用户电话黄页数据库,同时基于电话黄页数据,建立预测用户欺诈风险的预测模型,输出用户的评分,从而提高了风险识别能力,能够更为精准地进行风险管理,以及绘制用户画像,并可以将结果用作其他分析。
Description
技术领域
本发明涉及计算机领域,尤其涉及一种基于黄页数据的用户欺诈风险预测的方法及装置。
背景技术
欺诈风险是互联网金融行业面临的主要风险之一,是信贷风险管理的重要环节。目前,大部分金融机构都已使用借款申请人的信用或其他三方资信,在风控过程中,基于申请数据本身做了大量深入的统计分析比对工作,并把相当多的变量放进了自己的授信评分卡里,但是仍然有逾期和坏账数据频发。此时,申请人意识到对于用户的电话黄页信息一直研究甚少,主要原因在于无法获得较为全面的而又准确的号码黄页数据、标记数据、金融风险相关的号码标签。
因此,需要设计一种基于黄页数据的用户欺诈风险预测的方法及装置。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
鉴于上述问题,提出了本说明书以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于黄页数据的用户欺诈风险预测的方法及装置。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
第一方面,本发明提供一种基于黄页数据的用户欺诈风险预测的方法,包括:
建立电话黄页数据库,并根据电话黄页数据库建立预测用户欺诈风险的模型;
提取预测用户欺诈风险的模型的特征输入项;
预测用户欺诈风险的模型根据特征输入项对用户进行评分,并对用户划分等级;
通过用户评分来判断该用户是否可以进入后续审核流程,若不进入后续审核流程,则拒绝用户后续行为。
在本公开的一种示例性实施例中,所述预测用户欺诈风险的模型具体为:
对模型的各个特征输入项进行权重判定,最终输出用户的欺诈风险评分。
在本公开的一种示例性实施例中,所述预测用户欺诈风险的模型的特征输入项包括:
电话号码黄页信息,包括电话号码对应的电话号码权属人;
电话号码黄页标签,包括电话号码的类型标记。
在本公开的一种示例性实施例中,所述电话号码的类型标记包括以下方式的一种或多种组合:
对涉及金融行业的电话号码权属人所属电话号码标记的金融标签,
对涉及违法行业的电话号码权属人所属电话号码标记的涉险标签,
以及对其他行业的电话号码权属人所属电话号码标记其他标签。
在本公开的一种示例性实施例中,所述提取预测用户欺诈风险的模型的特征输入项具体为:
将用户注册时自行输入和授权查询的个人信息接入征审系统,并与电话黄页数据库进行比对,从而提取到预测用户欺诈风险的模型的特征输入项。
在本公开的一种示例性实施例中,所述对用户划分等级具体包括:
计算用户为优质客户的概率;
通过计算得到的概率划分用户等级。
在本公开的一种示例性实施例中,所述优质客户的概率计算公式为P=1/(1+exp(-Y)),其中P为优质客户的概率,Y为用户评分。
在本公开的一种示例性实施例中,所述通过用户评分来判断该用户是否可以进入后续审核流程具体为:
设置阈值,将用户评分与阈值进行比较,若用户评分小于阈值,则不进入后续审核流程,则拒绝用户后续行为;若用户评分大于或等于阈值,则进入后续审核流程。
第二方面,本发明提供基于黄页数据的用户欺诈风险预测的包括装置,包括:
电话黄页数据库模块,用于建立电话黄页数据库;
用户欺诈风险预测模块,用于建立用户欺诈风险评价模型,作为判断该用户是否可以进入后续审核流程的计算模型。
在本公开的一种示例性实施例中,所述电话黄页数据库模块包括:
电话号码黄页信息设置模块,用于设置电话号码黄页信息;所述设置电话号码黄页
信息包括匹配电话号码对应的电话号码权属人;
电话号码黄页标签模块,用于设置电话号码黄页标签;
所述电话号码黄页标签模块包括类型标记单元,用于根据电话号码权属人的类型对电话号码进行类型标记。
在本公开的一种示例性实施例中,所述电话号码黄页标签模块的类型标记单元包括:
金融标签标记单元,用于对涉及金融行业的电话号码权属人所属电话号码标记金融标签;
涉险标签标记单元,用于对涉及违法行业的电话号码权属人所属电话号码标记涉险标签;
其他标签标记单元,用于对其他行业的电话号码权属人所属电话号码标记其他标签。
在本公开的一种示例性实施例中,所述用户欺诈风险预测模块包括:
输入项设置单元,用于设置用户评分模型输入项,所述用户评分模型输入项包括用户电话号码;
评分标准设置单元,用于设置用户评分模型评分标准;
评级标准设置单元,用于设置用户评分模型用户评级标准;
输出项设置单元,用于设置用户评分模型输出项,所述用户评分模型输出项包括根据用户评分模型评分标准确定的用户评分和根据用户评分模型用户评级标准确定的用户等级。
阈值设置单元,用于设置阈值;
比较单元,用于将用户评分与阈值进行比较。
在本公开的一种示例性实施例中,所述用户评分模型模块的评级标准设置单元包括:
概率计算单元,用于计算用户为优质客户的概率;
等级划分单元,用于通过计算得到的概率划分用户等级。
第三方面,本说明书提供一种服务器,包括处理器和存储器:所述存储器用于存储上述任一项所述方法的程序;所述处理器被配置为用于执行所述存储器中存储的程序实现上述任一项所述方法的步骤。
第四方面,本说明书实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一项所述方法的步骤。
根据本发明的基于黄页数据的用户欺诈风险预测的方法、装置、电子设备及计算机可读介质,通过建立包含号码黄页信息、标记信息、金融标签信息等的用户电话黄页数据库,同时基于电话黄页数据,建立预测用户欺诈风险的预测模型,输出用户的评分,从而提高了风险识别能力,能够获得更精细化的风险管理和客户画像。
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,并不能限制本公开。
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单地介绍,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,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的一种基于黄页数据的用户欺诈风险预测方法的流程图。
图2是根据另一示例性实施例示出的一种基于黄页数据的用户欺诈风险预测装置的框图。
图3是根据一示例性实施例示出的一种服务器的框图。
具体实施方式
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
然而,下述的示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本公开将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应理解,虽然本文中可能使用术语第一、第二、第三等来描述各种组件,但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此,下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用,术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解,附图只是示例实施例的示意图,附图中的模块或流程并不一定是实施本公开所必须的,因此不能用于限制本公开的保护范围。
本发明提供了一种基于黄页数据的用户欺诈风险预测的方法,用于解决现有技术中对用户欺诈风险预测不够准确的问题,为了解决上述问题,本发明的总体思路如下:
一种基于黄页数据的用户欺诈风险预测的方法,包括:
建立电话黄页数据库,并根据电话黄页数据库建立预测用户欺诈风险的模型;
提取预测用户欺诈风险的模型的特征输入项;
预测用户欺诈风险的模型根据特征输入项对用户进行评分,并对用户划分等级;
通过用户评分来判断该用户是否可以进入后续审核流程,若不进入后续审核流程,则拒绝用户后续行为。
通过建立用户电话黄页数据库,同时基于电话黄页数据,建立预测用户欺诈风险的预测模型,输出用户的评分,从而提高了风险识别能力,针对对用户的风险评分,判断该用户是否可以进入后续审核流程,若不进入后续审核流程,则拒绝用户后续行为,能够更为精准地进行风险管理,以及绘制用户画像,并可以将结果用作其他分析。
因此本发明通过分析申请客户关联的黄页信息来预防新的风险和已有风险的方法,做到自助感知风险,提前防范风险,做好相应的风险布控,从而减少新的风险对于整体所带来的不良影响。
首先需要说明书的是,在本发明各个实施例中,所涉及的术语为:
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
下面,通过几个具体的实施例对本发明的技术方案进行详细介绍和说明。
见图1,一种基于黄页数据的用户欺诈风险预测的方法,包括:
S101:建立电话黄页数据库,并根据电话黄页数据库建立预测用户欺诈风险的模型。
所述预测用户欺诈风险的模型具体为:对模型的各个特征输入项进行权重判定,最终输出用户的欺诈风险评分。
所述预测用户欺诈风险的模型的特征输入项包括:
电话号码黄页信息,包括电话号码对应的电话号码权属人;
电话号码黄页标签,包括电话号码的类型标记。
所述电话号码的类型标记包括以下方式的一种或多种组合:
对涉及金融行业的电话号码权属人所属电话号码标记的金融标签,
对涉及违法行业的电话号码权属人所属电话号码标记的涉险标签,
以及对其他行业的电话号码权属人所属电话号码标记其他标签。
具体来说,服务器端建立电话黄页数据库,电话黄页数据库主要来自于多年积累的电话号码黄页数据,然后对这些黄页数据进行黄页信息和黄页标签的处理,将各电话号码对应电话号码权属人,同时对各电话号码进行标记,比如银行、贷款等机构标记金融标签,赌博、传销等机构标记涉险标记,其他如中介、催收等机构标记其他标签。
然后根据电话黄页数据库建立预测用户欺诈风险的模型,这个模型的输入就是用户在用户端进行注册时填写的信息以及授权查询的个人信息,比如填写真实用户名、真实联系电话,以及授权查询的通讯录通信情况、个人诚信度等。
S102:提取预测用户欺诈风险的模型的特征输入项;
所述提取预测用户欺诈风险的模型的特征输入项具体为:
将用户注册时自行输入和授权查询的个人信息接入征审系统,并与电话黄页数据库进行比对,从而提取到预测用户欺诈风险的模型的特征输入项。
将用户输入数据和授权查询的数据与黄页标签后的信息进行匹配,就可以获得该注册用户的通话记录中关联中介、贷款、赌博或是快递类等的个数,由此就可以判断用户的社交轨迹,对用户进行更精准的画像,比如根据某用户注册时填写的电话,授权查询该号码的通讯记录,输入预测用户欺诈风险的模型后,发现该号码与被打上涉险标签(如赌博机构)的通信往来密切,则可推测该用户欺诈风险较大。
S103:预测用户欺诈风险的模型根据特征输入项对用户进行评分,并对用户划分等级;
所述对用户划分等级具体包括:
计算用户为优质客户的概率;
通过计算得到的概率划分用户等级。
所述优质客户的概率计算公式为P=1/(1+exp(-Y)),其中P为优质客户的概率,Y为用户评分。
本步骤输出的评分是用户社交行为评分,是用于欺诈风险模型以分值形式的输出机构,是对用户基于黄页信息的综合概述。
具体来说,采用逻辑回归算法构建优质客户等级判断模型。应用逻辑回归算法得到用户为优质客户的概率P及综合评分Y,其中概率P=1/(1+exp(-Y))是关于用户评分Y一个非线性函数。在本方法中,用户评分Y是一个连续变量,通过设置不同的评分区间,为进一步细分客户优质等级提供数值依据。将全部优质客户通过逻辑回归模型进行综合评分,评分值Y按照从高到低进行排序形成客户评分趋势图,确定优质客户评分区间,形成优质客户评级标准。以逻辑回归模型计算存量优质客户的Y值,按其Y值判定该客户优质等级。
S104:通过用户评分来判断该用户是否可以进入后续审核流程,若不进入后续审核流程,则拒绝用户后续行为。
所述通过用户评分来判断该用户是否可以进入后续审核流程具体为:
设置阈值,将用户评分与阈值进行比较,若用户评分小于阈值,则不进入后续审核流程,则拒绝用户后续行为;若用户评分大于或等于阈值,则进入后续审核流程。
比如阈值设置为70分,低于阈值,就判断该用户欺诈风险大,不接受该用户的后续行为。
具体举例,当用户A注册申请时,在提交相关信息后,进入用户欺诈风险预测模型进行计算时,比对用户信息与用户黄页数据库,根据设定的阈值M,如果客户综合评分小于M,则不进入后续审核流程,直接拒件。如果客户综合评分大于等于M,则该阶段不进行拦截处理,并进入后续审核流程。
本方法能够根据用户关联的黄页信息评估申请人的风险,代替人工分析,体察已有风险,并对已有风险进行精准判断,同时直接接入审核系统,做到批量自动化审理,完成零人工干预进行智能风险感知的目的。
基于与前述实施例中一种基于黄页数据的用户欺诈风险预测的方法同样的发明构思,本发明还提供一种基于黄页数据的用户欺诈风险预测的装置,其上存储有计算机程序,该程序被处理器执行时实现前文所述一种信息处理方法的任一方法的步骤。
下述为本公开装置实施例,可以用于执行本发明方法实施例。对于本实施例的装置实施例中未披露的细节,请参照本公开方法实施例。
如图2,基于黄页数据的用户欺诈风险预测的装置,包括:
电话黄页数据库模块201,用于建立电话黄页数据库;
用户欺诈风险预测模块202,用于建立用户欺诈风险评价模型,作为判断该用户是否可以进入后续审核流程的计算模型。
具体的,在本实施例中,此基于黄页数据的用户欺诈风险预测的装置通常设置在服务器中,也可以设置在服务器集群中,还可以设置在终端设备,如手机、ipad、平板电脑、笔记本电脑等设备,还可以是台式电脑等设备,当然还可以是其它电子设备,在此,本说明书不做限制。基于黄页数据的用户欺诈风险预测的方法已在前述第一实施例中进行详细阐述,在此,本实施例不再赘述。
进一步的,所述电话黄页数据库模块包括:
电话号码黄页信息设置模块,用于设置电话号码黄页信息;所述设置电话号码黄页信息包括匹配电话号码对应的电话号码权属人;
电话号码黄页标签模块,用于设置电话号码黄页标签;
所述电话号码黄页标签模块包括类型标记单元,用于根据电话号码权属人的类型对电话号码进行类型标记。
所述电话号码黄页标签模块的类型标记单元包括:
金融标签标记单元,用于对涉及金融行业的电话号码权属人所属电话号码标记金融标签;
涉险标签标记单元,用于对涉及违法行业的电话号码权属人所属电话号码标记涉险标签;
其他标签标记单元,用于对其他行业的电话号码权属人所属电话号码标记其他标签。
具体来说,服务器端建立电话黄页数据库,电话黄页数据库主要来自于多年积累的电话号码黄页数据,然后对这些黄页数据进行黄页信息和黄页标签的处理,将各电话号码对应电话号码权属人,同时对各电话号码进行标记,比如银行、贷款等机构标记金融标签,赌博、传销等机构标记涉险标记,其他如中介、催收等机构标记其他标签。
然后根据电话黄页数据库建立预测用户欺诈风险的模型,这个模型的输入就是用户在用户端进行注册时填写的信息以及授权查询的个人信息,比如填写真实用户名、真实联系电话,以及授权查询的通讯录通信情况、个人诚信度等。
所述用户欺诈风险预测模块包括:
输入项设置单元,用于设置用户评分模型输入项,所述用户评分模型输入项包括用户电话号码;
评分标准设置单元,用于设置用户评分模型评分标准;
评级标准设置单元,用于设置用户评分模型用户评级标准;
输出项设置单元,用于设置用户评分模型输出项,所述用户评分模型输出项包括根据用户评分模型评分标准确定的用户评分和根据用户评分模型用户评级标准确定的用户等级。
用户欺诈风险预测模块将用户注册时自行输入和授权查询的个人信息接入征审系统,并与电话黄页数据库进行比对,从而提取到预测用户欺诈风险的模型的特征输入项。
将用户输入数据和授权查询的数据与黄页标签后的信息进行匹配,就可以获得该注册用户的通话记录中关联中介、贷款、赌博或是快递类等的个数,由此就可以判断用户的社交轨迹,对用户进行更精准的画像,比如根据某用户注册时填写的电话,授权查询该号码的通讯记录,输入预测用户欺诈风险的模型后,发现该号码与被打上涉险标签(如赌博机构)的通信往来密切,则可推测该用户欺诈风险较大。
所述用户评分模型模块的评级标准设置单元包括:
概率计算单元,用于计算用户为优质客户的概率;
等级划分单元,用于通过计算得到的概率划分用户等级。
所述优质客户的概率计算公式为P=1/(1+exp(-Y)),其中P为优质客户的概率,Y为用户评分。
本装置单元输出的评分是用户社交行为评分,是用于欺诈风险模型以分值形式的输出机构,是对用户基于黄页信息的综合概述。
具体来说,采用逻辑回归算法构建优质客户等级判断模型。应用逻辑回归算法得到用户为优质客户的概率P及综合评分Y,其中概率P=1/(1+exp(-Y))是关于用户评分Y一个非线性函数。在本方法中,用户评分Y是一个连续变量,通过设置不同的评分区间,为进一步细分客户优质等级提供数值依据。将全部优质客户通过逻辑回归模型进行综合评分,评分值Y按照从高到低进行排序形成客户评分趋势图,确定优质客户评分区间,形成优质客户评级标准。以逻辑回归模型计算存量优质客户的Y值,按其Y值判定该客户优质等级。
通过用户评分来判断该用户是否可以进入后续审核流程这一动作通过下述装置实现:
阈值设置单元,用于设置阈值;
比较单元,用于将用户评分与阈值进行比较。
将用户评分与阈值进行比较,若用户评分小于阈值,则不进入后续审核流程,则拒绝用户后续行为;若用户评分大于或等于阈值,则进入后续审核流程。
比如阈值设置为70分,低于阈值,就判断该用户欺诈风险大,不接受该用户的后续行为。
具体举例,当用户A注册申请时,在提交相关信息后,进入用户欺诈风险预测模型进行计算时,比对用户信息与用户黄页数据库,根据设定的阈值M,如果客户综合评分小于M,则不进入后续审核流程,直接拒件。如果客户综合评分大于等于M,则该阶段不进行拦截处理,并进入后续审核流程。
图3是根据一示例性实施例示出的一种服务器的框图。
下面参照图3来描述根据本公开的这种实施方式的服务器300。图3显示的服务器300仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图3所示,服务器300以通用计算设备的形式表现。服务器300的组件可以包括但不限于:至少一个处理单元310、至少一个存储单元320、连接不同系统组件(包括存储单元320和处理单元310)的总线330、显示单元340等。
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310执行,使得所述处理单元310执行本说明书上述电子处方流转处理方法部分中描述的根据本公开各种示例性实施方式的步骤。例如,所述处理单元310可以执行如图1中所示的步骤。
所述存储单元320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)3201和/或高速缓存存储单元3202,还可以进一步包括只读存储单元(ROM)3203。
所述存储单元320还可以包括具有一组(至少一个)程序模块3205的程序/实用工具3204,这样的程序模块3205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330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。
服务器300也可以与一个或多个外部设备400(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服务器300交互的设备通信,和/或与使得该服务器300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350进行。并且,服务器300还可以通过网络适配器360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。网络适配器360可以通过总线330与服务器300的其它模块通信。应当明白,尽管图中未示出,可以结合服务器300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计算机可读存储介质(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、或者网络设备等)执行根据本公开实施方式的上述方法。
所述计算机可读存储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。可读存储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。可读存储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公开操作的程序代码,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)。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该计算机可读介质实现如下功能:建立电话黄页数据库,并根据电话黄页数据库建立预测用户欺诈风险的模型;提取预测用户欺诈风险的模型的特征输入项;预测用户欺诈风险的模型根据特征输入项对用户进行评分,并对用户划分等级;通过用户评分来判断该用户是否可以进入后续审核流程,若不进入后续审核流程,则拒绝用户后续行为。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中,也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施例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、移动终端、或者网络设备等)执行根据本公开实施例的方法。
以上具体地示出和描述了本公开的示例性实施例。应可理解的是,本公开不限于这里描述的详细结构、设置方式或实现方法;相反,本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
此外,本说明书说明书附图所示出的结构、比例、大小等,均仅用以配合说明书所公开的内容,以供本领域技术人员了解与阅读,并非用以限定本公开可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本公开所能产生的技术效果及所能实现的目的下,均应仍落在本公开所公开的技术内容得能涵盖的范围内。同时,本说明书中所引用的如“上”、“第一”、“第二”及“一”等的用语,也仅为便于叙述的明了,而非用以限定本公开可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当也视为本公开可实施的范畴。
Claims (10)
1.一种基于黄页数据的用户欺诈风险预测的方法,包括:
建立电话黄页数据库,并根据电话黄页数据库建立预测用户欺诈风险的模型;
提取预测用户欺诈风险的模型的特征输入项;
预测用户欺诈风险的模型根据特征输入项对用户进行评分,并对用户划分等级;
通过用户评分来判断该用户是否可以进入后续审核流程,若不进入后续审核流程,则拒绝用户后续行为。
2.根据权利要求1所述的基于黄页数据的用户欺诈风险预测的方法,包括:
所述预测用户欺诈风险的模型具体为:
对模型的各个特征输入项进行权重判定,最终输出用户的欺诈风险评分。
3.根据权利要求1至2任一项所述的基于黄页数据的用户欺诈风险预测的方法,包括:
所述预测用户欺诈风险的模型的特征输入项包括:
电话号码黄页信息,包括电话号码对应的电话号码权属人;
电话号码黄页标签,包括电话号码的类型标记。
4.根据权利要求1至3任一项所述的基于黄页数据的用户欺诈风险预测的方法,包括:
所述电话号码的类型标记包括以下方式的一种或多种组合:
对涉及金融行业的电话号码权属人所属电话号码标记的金融标签,
对涉及违法行业的电话号码权属人所属电话号码标记的涉险标签,
以及对其他行业的电话号码权属人所属电话号码标记其他标签。
5.根据权利要求1至4任一项所述的基于黄页数据的用户欺诈风险预测的方法,包括:
所述提取预测用户欺诈风险的模型的特征输入项具体为:
将用户注册时自行输入和授权查询的个人信息接入征审系统,并与电话黄页数据库进行比对,从而提取到预测用户欺诈风险的模型的特征输入项。
6.根据权利要求1至5任一项所述的基于黄页数据的用户欺诈风险预测的方法,包括:
所述对用户划分等级具体包括:
计算用户为优质客户的概率;
通过计算得到的概率划分用户等级。
7.根据权利要求1至6任一项所述的基于黄页数据的用户欺诈风险预测的方法,包括:
所述优质客户的概率计算公式为P=1/(1+exp(-Y)),其中P为优质客户的概率,Y为用户评分。
8.基于黄页数据的用户欺诈风险预测的包括装置,包括:
电话黄页数据库模块,用于建立电话黄页数据库;
用户欺诈风险预测模块,用于建立用户欺诈风险评价模型,作为判断该用户是否可以进入后续审核流程的计算模型。
9.一种服务器,包括处理器和存储器:
所述存储器用于存储执行权利要求1至7任一项所述方法的程序;
所述处理器被配置为用于执行所述存储器中存储的程序。
10.一种计算机可读存储介质,其存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910580958.5A CN110348998A (zh) | 2019-06-27 | 2019-06-27 | 基于黄页数据的用户欺诈风险预测的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910580958.5A CN110348998A (zh) | 2019-06-27 | 2019-06-27 | 基于黄页数据的用户欺诈风险预测的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110348998A true CN110348998A (zh) | 2019-10-18 |
Family
ID=68177216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910580958.5A Pending CN110348998A (zh) | 2019-06-27 | 2019-06-27 | 基于黄页数据的用户欺诈风险预测的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110348998A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111641594A (zh) * | 2020-05-09 | 2020-09-08 | 同济大学 | 基于页面行为的欺诈用户检测方法、系统、介质及设备 |
CN111786994A (zh) * | 2020-06-30 | 2020-10-16 | 腾讯科技(深圳)有限公司 | 一种基于区块链的数据处理方法及相关设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202033796U (zh) * | 2011-03-28 | 2011-11-09 | 中国建设银行股份有限公司 | 信用卡征信协查系统 |
CN104199851A (zh) * | 2014-08-11 | 2014-12-10 | 北京奇虎科技有限公司 | 通过黄页信息提取电话号码的方法及云端服务器 |
CN109636574A (zh) * | 2018-10-25 | 2019-04-16 | 平安科技(深圳)有限公司 | 信贷信息的风险检测方法、装置、设备及存储介质 |
CN109636568A (zh) * | 2018-10-25 | 2019-04-16 | 深圳壹账通智能科技有限公司 | 电话号码的风险检测方法、装置、设备及存储介质 |
CN109657900A (zh) * | 2018-10-25 | 2019-04-19 | 平安科技(深圳)有限公司 | 工作单位信息的风险检测方法、装置、设备及存储介质 |
CN109688275A (zh) * | 2018-12-27 | 2019-04-26 | 中国联合网络通信集团有限公司 | 骚扰电话识别方法、装置及存储介质 |
-
2019
- 2019-06-27 CN CN201910580958.5A patent/CN110348998A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202033796U (zh) * | 2011-03-28 | 2011-11-09 | 中国建设银行股份有限公司 | 信用卡征信协查系统 |
CN104199851A (zh) * | 2014-08-11 | 2014-12-10 | 北京奇虎科技有限公司 | 通过黄页信息提取电话号码的方法及云端服务器 |
CN109636574A (zh) * | 2018-10-25 | 2019-04-16 | 平安科技(深圳)有限公司 | 信贷信息的风险检测方法、装置、设备及存储介质 |
CN109636568A (zh) * | 2018-10-25 | 2019-04-16 | 深圳壹账通智能科技有限公司 | 电话号码的风险检测方法、装置、设备及存储介质 |
CN109657900A (zh) * | 2018-10-25 | 2019-04-19 | 平安科技(深圳)有限公司 | 工作单位信息的风险检测方法、装置、设备及存储介质 |
CN109688275A (zh) * | 2018-12-27 | 2019-04-26 | 中国联合网络通信集团有限公司 | 骚扰电话识别方法、装置及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111641594A (zh) * | 2020-05-09 | 2020-09-08 | 同济大学 | 基于页面行为的欺诈用户检测方法、系统、介质及设备 |
CN111786994A (zh) * | 2020-06-30 | 2020-10-16 | 腾讯科技(深圳)有限公司 | 一种基于区块链的数据处理方法及相关设备 |
CN111786994B (zh) * | 2020-06-30 | 2021-09-14 | 腾讯科技(深圳)有限公司 | 一种基于区块链的数据处理方法及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20120221357A1 (en) | Systems and methods for intelligent underwriting based on community or social network data | |
US20210103838A1 (en) | Explainability framework and method of a machine learning-based decision-making system | |
CN108492001A (zh) | 一种用于担保贷款网络风险管理的方法 | |
CN112463923B (zh) | 用户欺诈行为检测方法、装置、设备及存储介质 | |
EP4085332A1 (en) | Creating predictor variables for prediction models from unstructured data using natural language processing | |
CN111583018A (zh) | 一种基于用户金融表现分析的授信策略管理方法、装置和电子设备 | |
CN110348998A (zh) | 基于黄页数据的用户欺诈风险预测的方法及装置 | |
Mirza et al. | Adoption of internet banking by Iranian consumers: An empirical investigation | |
CN113010798A (zh) | 信息推荐方法、信息推荐装置、电子设备及可读存储介质 | |
Bonsón et al. | Disclosures about algorithmic decision making in the corporate reports of Western European companies | |
Siering | Explainability and fairness of RegTech for regulatory enforcement: Automated monitoring of consumer complaints | |
JP2017116975A (ja) | 問題解決支援システム | |
Pinto et al. | Literature review: Anomaly detection approaches on digital business financial systems | |
Gupta | Applied analytics through case studies using Sas and R: implementing predictive models and machine learning techniques | |
CN115204881A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN110335145A (zh) | 一种影响因素动态展示方法、装置、电子设备及存储介质 | |
CN110111196A (zh) | 信息验证方法及相关产品 | |
Islam et al. | Application of artificial intelligence (artificial neural network) to assess credit risk: a predictive model for credit card scoring | |
US20230113118A1 (en) | Data compression techniques for machine learning models | |
Abdullah et al. | Mapping crowdfunding research on the web of science database: A bibliometric analysis approach | |
Muzammil et al. | Determinants for the Adoption of Regulatory Technology (RegTech) Services by the Companies in United Arab Emirates: An MCDM Approach. | |
JP2021136033A (ja) | 情報処理装置、情報処理方法及びプログラム | |
CN110362981A (zh) | 基于可信设备指纹判断异常行为的方法及系统 | |
KR20210030839A (ko) | 맞춤형 대출 중개 서비스의 제공 방법 | |
TWI714213B (zh) | 用戶型態預測系統及其方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191018 |