CN110349003A - 基于社交数据的关联风险评估方法、装置及电子设备 - Google Patents

Abstract

本公开涉及一种基于社交数据的关联风险评估方法、装置、电子设备及计算机可读介质。该方法包括：基于用户的社交数据获取多个关联用户；根据所述用户与所述关联用户的社交联络占比率确定目标关联用户；基于所述目标关联用户的用户数据确定所述目标关联用户的风险等级；以及根据所目标关联用户的风险等级确定所述用户的关联风险等级。本公开涉及的基于社交数据的关联风险评估方法、装置、电子设备及计算机可读介质，能够预测可能给会发生的贷中金融风险行为，并针对用户的贷中金融风险行为实时生成用户策略，降低金融类服务行业的安全风险。

Description

基于社交数据的关联风险评估方法、装置及电子设备

技术领域

本公开涉及计算机信息处理领域，具体而言，涉及一种基于社交数 据的关联风险评估方法、装置、电子设备及计算机可读介质。

背景技术

金融风险防范是指金融市场主体在对相关分析的基础上运用一定的 方法合规性地防范风险发生或规避风险以实现预期目标的行为。在当前的 环境中，随着个人信贷需求的增加，涌现了越来越多的提供给个人用户的 金融服务的公司，对于这些金融类的服务公司而言，提前预防用户个人的 金融风险，从而在用户的金融风险发生之前，制定合理的策略防范由用户 带来的金融风险，是一个热门技术领域。

用户的金融风险又分为多个方面，比如，目前有些金融服务公司通过 对用户个人信息进行大数据分析，从而对用户的金融风险进行预警；还有 些金融服务公司通过对用户的还贷情况进行跟踪分析，以确定用户的金融 风险情况；还有些金融服务公司通过实施监控用户的个人特征的变动情 况，以对用户的一段时间之后的金融风险进行分析等等。以上各种现有技 术均是在用户的个人信息更新、还贷行为逾期等等情况下进行的用户风险 分析，而对于用户未能及时更新用户信息、或者用户有意隐瞒个人信息变 更、或者用户还未到还贷时间的情况，现有技术中暂时没有切实有效的技 术手段进行分析。

因此，需要一种新的基于社交数据的关联风险评估方法、装置、电 子设备及计算机可读介质。

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

有鉴于此，本公开提供一种基于社交数据的关联风险评估方法、装 置、电子设备及计算机可读介质，能够预测可能给会发生的贷中金融风 险行为，并针对用户的贷中金融风险行为实时生成用户策略，降低金融 类服务行业的安全风险。

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。

根据本公开的一方面，提出一种基于社交数据的关联风险评估方 法，该方法包括：基于用户的社交数据获取多个关联用户；根据所述用 户与所述关联用户的社交联络占比率确定目标关联用户；基于所述目标 关联用户的用户数据确定所述目标关联用户的风险等级；以及根据所目 标关联用户的风险等级确定所述用户的关联风险等级。

可选地，还包括：在所述用户为高关联风险用户时，根据用户的行为 数据确定所述用户的金融风险等级。

可选地，还包括：在所述用户为高金融风险用户时，根据所述用户的 金融风险等级生成用户管理策略。

可选地，基于用户的社交数据获取多个关联用户包括：定时获取用户 的社交数据，所述社交数据包括短信数据，语音数据，以及社交软件数据； 基于所述社交数据获取与所述用户有直接通信联系的多个第一用户；基于 所述社交数据获取与所述用户有间接通信联系的多个第二用户；以及通过 所述多个第一用户和所述多个第二用户生成所述多个关联用户。

可选地，根据所述用户与所述关联用户的社交联络占比率确定目标关 联用户包括：根据所述社交数据确定所述多个第一用户的多个第一社交联 络占比率；根据所述社交数据确定所述多个第二用户的多个第二社交联络 占比率；通过高于阈值的第一社交联络占比率和/或第二社交联络占比率 对应的所述第一用户和/或所述第二用户生成所述目标关联用户。

可选地，基于所述目标关联用户的用户数据确定所述标关联用户的风 险等级包括：将目标关联用户的用户数据输入风控模型中，获取风险等级； 其中所述风控模型通过机器学习算法生成。

可选地，基于所述目标关联用户的用户数据确定所述目标关联用户的 风险等级包括：基于用户数据获取所述目标关联用户的职业与地址；将所 述职业与敏感职业列表中的预设职业进行对比，生成第一对比结果；将所 述地址与敏感地址列表中的预设地址进行对比，生成第二对比结果；以及 根据所述第一对比结果与所述第二对比结果确定所述目标关联用户的风 险等级。

可选地，根据用户的行为数据确定所述用户的金融风险等级包括：获 取所述用户在预定时间内的行为数据；以及在行为数据中包含预设风险行 为时，将所述用户确定为高金融风险等级用户。

可选地，根据用户的行为数据确定所述用户的金融风险等级包括： 将所述行为数据输入金融风险模型中获取所述金融风险等级；以及在所述 金融风险等级高于预设等级时，将所述用户确定为高金融风险等级用户。

可选地，所述用户管理策略包括：缩减所述用户的信贷权限，缩减所 述用户的信贷额度，禁止所述用户的提额申请。

根据本公开的一方面，提出一种基于社交数据的关联风险评估装置， 该装置包括：数据模块，用于基于用户的社交数据获取多个关联用户；用 户模块，用于根据所述用户与所述关联用户的社交联络占比率确定目标关 联用户；关联模块，用于基于所述目标关联用户的用户数据确定所述目标 关联用户的风险等级；以及等级模块，用于根据所目标关联用户的风险等 级确定所述用户的关联风险等级。

可选地，还包括：行为模块，用于在所述用户为高关联风险用户时， 根据用户的行为数据确定所述用户的金融风险等级。

可选地，还包括：策略模块，用于在所述用户为高金融风险用户时， 根据所述用户的金融风险等级生成用户管理策略。

可选地，所述数据模块包括：定时单元，用于定时获取用户的社交数 据，所述社交数据包括短信数据，语音数据，以及社交软件数据；直接单 元，用于基于所述社交数据获取与所述用户有直接通信联系的多个第一用 户；间接单元，用于基于所述社交数据获取与所述用户有间接通信联系的 多个第二用户；以及数据单元，用于通过所述多个第一用户和所述多个第 二用户生成所述多个关联用户。

可选地，所述用户模块包括：第一单元，用于根据所述社交数据确定 所述多个第一用户的多个第一社交联络占比率；第二单元，用于根据所述 社交数据确定所述多个第二用户的多个第二社交联络占比率；用户单元， 用于通过高于阈值的第一社交联络占比率和/或第二社交联络占比率对应 的所述第一用户和/或所述第二用户生成所述目标关联用户。

可选地，所述关联模块包括：风控单元，用于将目标关联用户的用户 数据输入风控模型中，获取风险等级；其中所述风控模型通过机器学习算 法生成。

可选地，所述关联模块包括：特征单元，用于基于用户数据获取所述 目标关联用户的职业与地址；职业单元，用于将所述职业与敏感职业列表 中的预设职业进行对比，生成第一对比结果；地址单元，用于将所述地址 与敏感地址列表中的预设地址进行对比，生成第二对比结果；以及关联单 元，用于根据所述第一对比结果与所述第二对比结果确定所述目标关联用 户的风险等级。

可选地，所述行为模块包括：行为单元，用于获取所述用户在预定时 间内的行为数据；以及在行为数据中包含预设风险行为时，将所述用户确 定为高金融风险等级用户。

可选地，所述行为模块包括：风险单元，用于将所述行为数据输入金 融风险模型中获取所述金融风险等级；以及在所述金融风险等级高于预设 等级时，将所述用户确定为高金融风险等级用户。

可选地，所述用户管理策略包括：缩减所述用户的信贷权限，缩减所 述用户的信贷额度，禁止所述用户的提额申请。

根据本公开的一方面，提出一种电子设备，该电子设备包括：一个 或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程 序被一个或多个处理器执行，使得一个或多个处理器实现如上文的方 法。

根据本公开的一方面，提出一种计算机可读介质，其上存储有计算 机程序，该程序被处理器执行时实现如上文中的方法。

根据本公开的基于社交数据的关联风险评估方法、装置、电子设备 及计算机可读介质，根据用户与关联用户的社交联络占比率确定目标关联 用户；基于所述目标关联用户的用户数据确定所述目标关联用户的风险 等级；以及根据所目标关联用户的风险等级确定所述用户的关联风险等 级的方式，能够预测可能给会发生的贷中金融风险行为，并针对用户的贷 中金融风险行为实时生成用户策略，降低金融类服务行业的安全风险。

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

通过参照附图详细描述其示例实施例，本公开的上述和其它目标、 特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些 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社交数据的关联风险评 估方法及装置的系统框图。

图2是根据一示例性实施例示出的一种基于社交数据的关联风险评 估方法的流程图。

图3是根据另一示例性实施例示出的一种基于社交数据的关联风险 评估方法的示意图。

图4是根据另一示例性实施例示出的一种基于社交数据的关联风险 评估方法的流程图。

图5是根据一示例性实施例示出的一种基于社交数据的关联风险评 估装置的框图。

图6是根据一示例性实施例示出的一种电子设备的框图。

图7是根据一示例性实施例示出的一种计算机可读介质的框图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，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。

图1是根据一示例性实施例示出的一种基于社交数据的关联风险评 估方法及装置的系统框图。

如图1所示，系统架构100可以包括终端设备101、102、103，网 络104和服务器105。网络104用以在终端设备101、102、103和服务 器105之间提供通信链路的介质。网络104可以包括各种连接类型，例 如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105 交互，以接收或发送消息等。终端设备101、102、103上可以安装有各 种通讯客户端应用，例如金融服务类平台、购物类应用、网页浏览器应用、 搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各 种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台 式计算机等等。

终端设备101、102、103可例如基于用户的社交数据获取多个关联 用户；终端设备101、102、103可例如根据所述用户与所述关联用户的 社交联络占比率确定目标关联用户；终端设备101、102、103可例如基 于所述目标关联用户的用户数据确定所述目标关联用户的风险等级；终端 设备101、102、103可例如根据所目标关联用户的风险等级确定所述用户的关联风险等级。

终端设备101、102、103还可例如在所述用户为高关联风险用户时， 根据用户的行为数据确定所述用户的金融风险等级。

终端设备101、102、103还可例如在所述用户为高金融风险用户时， 根据所述用户的金融风险等级生成用户管理策略。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备 101、102、103所浏览的购物类网站提供支持的后台管理服务器。后台 管理服务器可以对来自用户的相关信息进行分析等处理，并生成处理结 果，结果可包括：例如用户风险等级、用户管理策略等。

服务器105可例如基于用户的社交数据获取多个关联用户；服务器 105可例如根据所述用户与所述关联用户的社交联络占比率确定目标关 联用户；服务器105可例如基于所述目标关联用户的用户数据确定所述目 标关联用户的风险等级；服务器105可例如根据所目标关联用户的风险等 级确定所述用户的关联风险等级。

服务器105还可例如在所述用户为高关联风险用户时，根据用户的行 为数据确定所述用户的金融风险等级。

服务器105还可例如在所述用户为高金融风险用户时，根据所述用户 的金融风险等级生成用户管理策略。

服务器105可以是一个实体的服务器，还可例如为多个服务器组成， 需要说明的是，本公开实施例所提供的基于社交数据的关联风险评估方法 可以由服务器105执行，相应地，基于社交数据的关联风险评估装置可以 设置于服务器105中。而提供给用户进行金融平台浏览的网页端与提出金 融服务请求的请求端一般位于终端设备101、102、103中。

根据本公开的用户信贷额度评估方法及装置，基于用户关系网络中的 社交情况获取用户的管理用户，鸡儿通过关联用户的风险来对该用户的风 险等级进行预估的方式，能够快速准确的对用户的金融风险进行评估，减 低企业金融风险。

图2是根据一示例性实施例示出的一种基于社交数据的关联风险评 估方法的流程图。基于社交数据的关联风险评估方法20至少包括步骤S202至S208。

如图2所示，在S202中，基于用户的社交数据获取多个关联用户。 具体可包括：定时获取用户的社交数据，所述社交数据包括短信数据，语 音数据，以及社交软件数据；基于所述社交数据获取与所述用户有直接通 信联系的多个第一用户；基于所述社交数据获取与所述用户有间接通信联 系的多个第二用户；以及通过所述多个第一用户和所述多个第二用户生成 所述多个关联用户。可通过构建该用户的关联网络确定该用户的第一用户 和第二用户，具体网络结构将在图3对应的实施例中进行详细描述。

其中，可通过用户在金融网络平台上的注册资料获取用户的社交信 息，具体可包括用户手机号码，用户的通信录信息、用户的网络账号等等。 在一个实施例中，用户的社交数据可例如通过用户的注册信息获取，还可 例如通过用户的通信标识获取。

在一个实施例中，用户的社交数据可例如通过用户的手机号码和第三 方数据库获取。基于第三方数据库和用户的手机号码和通信录信息及用户 的社交网络账号可以获取用户的社交数据。值得一提的，为了避免用户欺 诈情况的方法，在用户进行金融网络平台注册的时候，会将用户提供的手 机号码进行校验，在校验通过后为用户进行注册。用户手机号码实名校验 的方式，不仅能在根本上避免用户手机号码欺诈行为的发生，还能够获取 准确的用户社交数据。

在一个实施例中，还可通过该用户的手机号码在其他社交上的注册信 息获取该手机号码在其他平台上的互动记录信息，可例如通过该用户的手 机号码在某通讯软件中进行检索，确定与该号码绑定的用户ID的有互动 信息传输的相关其他用户ID。

在S204中，根据所述用户与所述关联用户的社交联络占比率确定目 标关联用户。可包括：根据所述社交数据确定所述多个第一用户的多个第 一社交联络占比率；根据所述社交数据确定所述多个第二用户的多个第二 社交联络占比率；通过高于阈值的第一社交联络占比率和/或第二社交联 络占比率对应的所述第一用户和/或所述第二用户生成所述目标关联用 户。

可例如通过用户的语音连接数据确定社交联络占比率，具体可例如设 定阈值为50％，根据社交数据确定在一个时间范围内该用户与所有第一 用户的通信连接数量，根据所有第一用户的通信连接数据计算每个第一用 户的社交联络占比率。将占比率与阈值进行比较，大于阈值的第一用户为 目标关联用户。皆有同样的方法，可由多个第二用户中确定目标关联用户。

可例如A用户在一个月内与4个第一用户(分别为a，b，c，d)进 行了直接的电话连接，其中A用户与第一用户a的通信数量为2，与第一 用户b的通信数量为5，与第一用户c的通信数量为10，与第一用户d 的通信数量为3。

则第一用户a的社交联络占比率为10％，第一用户b的社交联络占 比率为25％，第一用户c的社交联络占比率为50％，第一用户d的社交 联络占比率为15％。在阈值为50％的情况下，第一用户c为该用户的目 标关联用户。

用同样的方法还可获取其他社交联络占比数据，在其他交互方式的社 交联络占比的计算可为短信互发数量，imessage或者社交软件上的通信 或邮件交互等等。

在S206中，基于所述目标关联用户的用户数据确定所述目标关联用 户的风险等级。包括：将目标关联用户的用户数据输入风控模型中，获取 风险等级；其中所述风控模型通过机器学习算法生成。

基于所述目标关联用户的用户数据确定所述目标关联用户的风险等 级包括：基于用户数据获取所述目标关联用户的职业与地址；将所述职业 与敏感职业列表中的预设职业进行对比，生成第一对比结果；将所述地址 与敏感地址列表中的预设地址进行对比，生成第二对比结果；以及根据所 述第一对比结果与所述第二对比结果确定所述目标关联用户的风险等级。

在S208中，根据所目标关联用户的风险等级确定所述用户的关联风 险等级。可包括：获取所述用户在预定时间内的行为数据；以及在行为数 据中包含预设风险行为时，将所述用户确定为高金融风险等级用户。

在一个实施例中，根据用户的行为数据确定所述用户的金融风险等级 包括：将所述行为数据输入金融风险模型中获取所述金融风险等级；以及 在所述金融风险等级高于预设等级时，将所述用户确定为高金融风险等级 用户。

其中，金融风险模型模型可通过机器学习算法建立。其中，机器学习 中使用的算法大体分为3类：监督学习、无监督学习和强化学习。监督 学习提供了反馈来表明预测正确与否，而无监督学习没有响应：算法仅尝 试根据数据的隐含结构对数据进行分类。强化学习类似于监督学习，因为 它会接收反馈，但反馈并不是对每个输入或状态都是必要的。

在本公开的实施例中可通过有监督的学习对已知的历史用户数据进 行数据训练生成金融风险模型。在监督学习中，数据集包含其多头用户的 特征，以便函数能够计算给定预测的误差。在做出预测并生成误差时，会 引入监督来调节函数并学习这一映射。

在一个实施例中，还包括：在所述用户为高关联风险用户时，根据用 户的行为数据确定所述用户的金融风险等级。

在一个实施例中，还包括：在所述用户为高金融风险用户时，根据所 述用户的金融风险等级生成用户管理策略。

根据本公开的基于社交数据的关联风险评估方法，根据用户与关联用 户的社交联络占比率确定目标关联用户；基于所述目标关联用户的用户 数据确定所述目标关联用户的风险等级；以及根据所目标关联用户的风 险等级确定所述用户的关联风险等级的方式，能够预测可能给会发生的贷 中金融风险行为，并针对用户的贷中金融风险行为实时生成用户策略， 降低金融类服务行业的安全风险。

根据本公开的基于社交数据的关联风险方法，能够在各种流程中的各 个时间段监控用户的金融风险，比如在贷中过程中，可定期获取用户的通 话占比，分析该用户相关的第一用户和第二用户的金融风险。

在一些情况下，如果与该用户有关联关系的目标用户，也就是通话占 比率比较高的客户。如果该用户的目标用户突然变坏(信用风险增高)， 或质量比较差的客户(多头客户，有逾期的客户)增加，再结合该用户有 一些贷中的具有风险的行为，可根据用户的行为数据确定所述用户的金融 风险等级。

在所述用户为高金融风险用户时，根据所述用户的金融风险等级生 成用户管理策略。具体可在用户的交易策略上会做调整。可例如通拒绝用 户的更进一步的金融服务请求。或者在用户进行后续的金融服务请求的时 候，将用户的信贷额度降低。还可例如限制用户的借款期数，即APP页 面上只能看到短时间期数(长期可能会逾期)，还可以在原利率基础上升 高利率等等用户策略。

应清楚地理解，本公开描述了如何形成和使用特定示例，但本公开 的原理不限于这些示例的任何细节。相反，基于本公开公开的内容的教 导，这些原理能够应用于许多其它实施例。

图3是根据另一示例性实施例示出的一种基于社交数据的关联风险 评估方法的示意图。

如图3所示，可将用户与第一用户第二用户之间的关联关系作为网络 的边；将用户和第一用户，第二用户分别作为网络的节点；以及基于所述 边与所述节点构建关系网络。基于关系网络计算用户的社交联络占比率。

贷中行为和客户风险息息相关，如果能够在贷中的金融危险行为发生 前就预测出风险的话，可以有效避免金融损失。客户关系网是一个庞大的 数据集，关系网的变化和偏移在一定程度上反映了该客户的还款能力变化 情况。通过关系网的相关变量预测可能给会发生的贷中行为，并给出策略 建议，降低风险。

图4是根据另一示例性实施例示出的一种基于社交数据的关联风险 评估方法的流程图。图4所示的流程是对图2所示的流程中S206“基于 所述目标关联用户的用户数据确定所述目标关联用户的风险等级”的详 细描述。

如图4所示，在S402中，将目标关联用户的用户数据输入风控模型 中，获取风险数据。

在S404中，将目标关联用户的职业与敏感职业列表中的预设职业进 行对比，生成第一对比结果。

在S406中，将目标关联用户的地址与敏感地址列表中的预设地址进 行对比，生成第二对比结果。

在S408中，基于风险数据、第一对比结果、第二对比结果确定所述 目标关联用户的风险等级。

具体可例如，某一段时间，某用户和低质量用户(比如高风险用户， 或风控模型给出的风险表现比较差的用户，或收入很低的用户，或信用比 较差的用户，或风险承担能力差的用户，或者一些金融/房产/保险中介) 的通话占比变多，与高质量用户之间的社交联系占比减少，或者低收入区 域lbs地址使用增加等等，则可判断出客户存在还款能力下降的可能性， 预测欠款行为的发生。

这种情况下则可以在用户的界面上只推荐短期小额的产品；或者识别 出该用户是否试图多次借款企图刷额度的行为，识别之后不给提额且不展 示提额界面；甚至客户关系网变化可能带来较大风险，及时进行管制，从 而减少甚至避免可能会发生的损失。

本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现 为由CPU执行的计算机程序。在该计算机程序被CPU执行时，执行本 公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计 算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。

此外，需要注意的是，上述附图仅是根据本公开示例性实施例的方 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。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于 本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图5是根据一示例性实施例示出的一种基于社交数据的关联风险评 估装置的框图。如图5所示，基于社交数据的关联风险评估装置50包括： 数据模块502，用户模块504，关联模块506，等级模块508，行为模块 510，以及策略模块512。

数据模块502用于基于用户的社交数据获取多个关联用户；所述数据 模块502可包括：定时单元，用于定时获取用户的社交数据，所述社交数 据包括短信数据，语音数据，以及社交软件数据；直接单元，用于基于所 述社交数据获取与所述用户有直接通信联系的多个第一用户；间接单元， 用于基于所述社交数据获取与所述用户有间接通信联系的多个第二用户； 以及数据单元，用于通过所述多个第一用户和所述多个第二用户生成所述 多个关联用户。

用户模块504用于根据所述用户与所述关联用户的社交联络占比率 确定目标关联用户；用户模块504包括：第一单元，用于根据所述社交数 据确定所述多个第一用户的多个第一社交联络占比率；第二单元，用于根 据所述社交数据确定所述多个第二用户的多个第二社交联络占比率；用户 单元，用于通过高于阈值的第一社交联络占比率和/或第二社交联络占比 率对应的所述第一用户和/或所述第二用户生成所述目标关联用户。

关联模块506用于基于所述目标关联用户的用户数据确定所述目标 关联用户的风险等级；所述关联模块506包括：风控单元，用于将目标关 联用户的用户数据输入风控模型中，获取风险等级；其中，所述风控模型 通过机器学习算法生成。

所述关联模块506包括：特征单元，用于基于用户数据获取所述目标 关联用户的职业与地址；职业单元，用于将所述职业与敏感职业列表中的 预设职业进行对比，生成第一对比结果；地址单元，用于将所述地址与敏 感地址列表中的预设地址进行对比，生成第二对比结果；以及关联单元， 用于根据所述第一对比结果与所述第二对比结果确定所述目标关联用户 的风险等级。

等级模块508用于根据所目标关联用户的风险等级确定所述用户的 关联风险等级。

行为模块510用于在所述用户为高关联风险用户时，根据用户的行 为数据确定所述用户的金融风险等级。所述行为模块510包括：行为单 元，用于获取所述用户在预定时间内的行为数据；以及在行为数据中包含 预设风险行为时，将所述用户确定为高金融风险等级用户。所述行为模块 510还包括：风险单元，用于将所述行为数据输入金融风险模型中获取所 述金融风险等级；以及在所述金融风险等级高于预设等级时，将所述用户 确定为高金融风险等级用户。

策略模块512用于在所述用户为高金融风险用户时，根据所述用户的 金融风险等级生成用户管理策略。所述用户管理策略包括：缩减所述用户 的信贷权限，缩减所述用户的信贷额度，禁止所述用户的提额申请。

根据本公开的基于社交数据的关联风险评估装置，根据用户与关联用 户的社交联络占比率确定目标关联用户；基于所述目标关联用户的用户 数据确定所述目标关联用户的风险等级；以及根据所目标关联用户的风 险等级确定所述用户的关联风险等级的方式，能够预测可能给会发生的贷 中金融风险行为，并针对用户的贷中金融风险行为实时生成用户策略， 降低金融类服务行业的安全风险。

图6是根据一示例性实施例示出的一种电子设备的框图。

下面参照图6来描述根据本公开的这种实施方式的电子设备600。图 6显示的电子设备600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6所示，电子设备600以通用计算设备的形式表现。电子设备 600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单 元620、连接不同系统组件(包括存储单元620和处理单元610)的总线 630、显示单元640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610执行，使得所述处理单元610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610可以执行如图2，图4中所示的步骤。

所述存储单元620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)6201和/或高速缓存存储单元6202，还可以进 一步包括只读存储单元(ROM)6203。

所述存储单元620还可以包括具有一组(至少一个)程序模块6205 的程序/实用工具6204，这样的程序模块6205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630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600也可以与一个或多个外部设备600’(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 600交互的设备通信，和/或与使得该电子设备600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650进行。并且，电子设备600还可以通过网络适配器660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660可以 通过总线630与电子设备200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600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，如图7所示，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、或者网络设备等)执行根据 本公开实施方式的上述方法。

所述软件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。

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：基于用 户的社交数据获取多个关联用户；根据所述用户与所述关联用户的社交 联络占比率确定目标关联用户；基于所述目标关联用户的用户数据确定 所述目标关联用户的风险等级；以及根据所目标关联用户的风险等级确 定所述用户的关联风险等级。

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。

Claims (10)

1.一种基于社交数据的关联风险评估方法，其特征在于，包括：

基于用户的社交数据获取多个关联用户；

根据所述用户与所述关联用户的社交联络占比率确定目标关联用户；

基于所述目标关联用户的用户数据确定所述目标关联用户的风险等级；以及

根据所目标关联用户的风险等级确定所述用户的关联风险等级。

2.如权利要求1所述的方法，其特征在于，还包括：

在所述用户为高关联风险用户时，根据用户的行为数据确定所述用户的金融风险等级。

3.如权利要求1-2中任一所述的方法，其特征在于，还包括：

在所述用户为高金融风险用户时，根据所述用户的金融风险等级生成用户管理策略。

4.如权利要求1-3中任一所述的方法，其特征在于，基于用户的社交数据获取多个关联用户包括：

定时获取用户的社交数据，所述社交数据包括短信数据，语音数据，以及社交软件数据；

基于所述社交数据获取与所述用户有直接通信联系的多个第一用户；

基于所述社交数据获取与所述用户有间接通信联系的多个第二用户；以及

通过所述多个第一用户和所述多个第二用户生成所述多个关联用户。

5.如权利要求1-4中任一所述的方法，其特征在于，根据所述用户与所述关联用户的社交联络占比率确定目标关联用户包括：

根据所述社交数据确定所述多个第一用户的多个第一社交联络占比率；

根据所述社交数据确定所述多个第二用户的多个第二社交联络占比率；

通过高于阈值的第一社交联络占比率和/或第二社交联络占比率对应的所述第一用户和/或所述第二用户生成所述目标关联用户。

6.如权利要求1-5中任一所述的方法，其特征在于，基于所述目标关联用户的用户数据确定所述标关联用户的风险等级包括：

将目标关联用户的用户数据输入风控模型中，获取风险等级；

其中所述风控模型通过机器学习算法生成。

7.如权利要求1-6中任一所述的方法，其特征在于，基于所述目标关联用户的用户数据确定所述目标关联用户的风险等级包括：

基于用户数据获取所述目标关联用户的职业与地址；

将所述职业与敏感职业列表中的预设职业进行对比，生成第一对比结果；

将所述地址与敏感地址列表中的预设地址进行对比，生成第二对比结果；以及

根据所述第一对比结果与所述第二对比结果确定所述目标关联用户的风险等级。

8.一种基于社交数据的关联风险评估装置，其特征在于，包括：

数据模块，用于基于用户的社交数据获取多个关联用户；

用户模块，用于根据所述用户与所述关联用户的社交联络占比率确定目标关联用户；

关联模块，用于基于所述目标关联用户的用户数据确定所述目标关联用户的风险等级；以及

等级模块，用于根据所目标关联用户的风险等级确定所述用户的关联风险等级。

9.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。