CN110349006A - 基于活跃度来度量交易风险的方法、装置和电子设备 - Google Patents
基于活跃度来度量交易风险的方法、装置和电子设备 Download PDFInfo
- Publication number
- CN110349006A CN110349006A CN201910587756.3A CN201910587756A CN110349006A CN 110349006 A CN110349006 A CN 110349006A CN 201910587756 A CN201910587756 A CN 201910587756A CN 110349006 A CN110349006 A CN 110349006A
- Authority
- CN
- China
- Prior art keywords
- transaction
- users
- sample
- transaction risk
- attributive character
- 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
- 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
Abstract
本发明公开了一种基于活跃度来度量交易风险的方法、装置和电子设备。获取多个样本用户在预设时段内的交易信息,从所述交易信息中提取所述样本用户的交易活跃度属性特征,结合所述样本用户的自身属性特征和所述交易活跃度属性特征构建用户交易风险模型,根据所述用户交易风险模型度量目标用户的交易风险。通过结合所述样本用户的自身属性特征和所述交易活跃度属性特征构建用户交易风险模型,使得可以从用户交易活跃度的角度来对用户进行评估,这种方式评估与用户的活跃度用关的风险时准确率高。
Description
技术领域
本发明涉及计算机信息处理领域,具体而言,涉及一种度量用户交易风险的方法、装置、电子设备。
背景技术
金融平台在对用户进行评估时,往往是根据用户信息直接评估用户的资质或者信用,然而,这种单一角度的评估方式难以全面体现用户的资信特征。
发明内容
本说明书实施例提供一种度量用户交易风险的方法、装置、电子设备,用以解决现有技术中资信逾期风险监控准确率实时性差的问题。
本说明书实施例提供一种度量用户交易风险的方法,包括:
获取多个样本用户在预设时段内的交易信息;
从所述交易信息中提取所述样本用户的交易活跃度属性特征;
结合所述样本用户的自身属性特征和所述交易活跃度属性特征构建用户交易风险模型;
根据所述用户交易风险模型度量目标用户的交易风险。
在其中的一种实施例中,所述结合所述样本用户的自身属性特征和所述交易活跃度属性特征构建用户交易风险模型,包括:
根据所述样本用户的自身属性特征和所述交易活跃度属性特征进行重要性构建所述用户交易风险模型。
在其中的一种实施例中,所述利用对所述样本用户的自身属性特征和所述交易活跃度属性特征进行重要性排序的方式构建所述用户交易风险模型,包括:
以所述样本用户的自身属性特征和所述交易活跃度属性特征为输入样本,利用监督学习算法构建用户交易风险模型。
在其中的一种实施例中,所述结合所述样本用户的自身属性特征和所述交易活跃度属性特征构建用户交易风险模型,包括:
根据所述样本用户的自身属性特征和所述交易活跃度属性特征的关联性筛选出重要性高于阈值的自身属性特征,作为目标自身属性特征;
构建以所述目标自身属性特征和所述交易活跃度属性特征输出交易风险的模型,作为所述用户交易风险模型。
在其中的一种实施例中,所述交易信息包括:所述交易信息包括:目标用户的信息、交易的对方用户的信息、交易次数、交易金额、交易类型中的至少一项。
在其中的一种实施例中,还包括:
根据所述目标用户的交易风险评估所述目标用户的逾期风险。
在其中的一种实施例中,所述获取多个样本用户在预设时段内的交易信息,包括:
根据当前时刻获取样本用户在当前时刻前预设时段内产生交易行为的交易信息。
在其中的一种实施例中,所述根据所述用户交易风险模型度量目标用户的交易风险,包括:
根据所述用户交易风险模型在预设时刻度量目标用户的交易风险。
在其中的一种实施例中,所述根据所述用户交易风险模型在预设时刻度量目标用户的交易风险,包括:
根据所述用户交易风险模型在目标用户发生交易行为时度量所述目标用户的交易风险。
本说明书实施例还提供一种度量用户交易风险的装置,包括:
信息获取模块,用于获取多个样本用户在预设时段内的交易信息;
特征提取模块,用于从所述交易信息中提取所述样本用户的交易活跃度属性特征;
建模模块,用于结合所述样本用户的自身属性特征和所述交易活跃度属性特征构建用户交易风险模型;
度量模块,用于根据所述用户交易风险模型度量目标用户的交易风险。
在其中的一种实施例中,所述结合所述样本用户的自身属性特征和所述交易活跃度属性特征构建用户交易风险模型,包括:
根据所述样本用户的自身属性特征和所述交易活跃度属性特征进行重要性构建所述用户交易风险模型。
在其中的一种实施例中,所述利用对所述样本用户的自身属性特征和所述交易活跃度属性特征进行重要性排序的方式构建所述用户交易风险模型,包括:
以所述样本用户的自身属性特征和所述交易活跃度属性特征为输入样本,利用监督学习算法构建用户交易风险模型。
在其中的一种实施例中,所述结合所述样本用户的自身属性特征和所述交易活跃度属性特征构建用户交易风险模型,包括:
根据所述样本用户的自身属性特征和所述交易活跃度属性特征的关联性筛选出重要性高于阈值的自身属性特征,作为目标自身属性特征;
构建以所述目标自身属性特征和所述交易活跃度属性特征输出交易风险的模型,作为所述用户交易风险模型。
在其中的一种实施例中,所述交易信息包括:所述交易信息包括:目标用户的信息、交易的对方用户的信息、交易次数、交易金额、交易类型中的至少一项。
在其中的一种实施例中,所述度量模块,还用于:
根据所述目标用户的交易风险评估所述目标用户的逾期风险。
在其中的一种实施例中,所述获取多个样本用户在预设时段内的交易信息,包括:
根据当前时刻获取样本用户在当前时刻前预设时段内产生交易行为的交易信息。
在其中的一种实施例中,所述度量模块,用于根据所述用户交易风险模型度量目标用户的交易风险,包括:
根据所述用户交易风险模型在预设时刻度量目标用户的交易风险。
在其中的一种实施例中,所述度量模块,根据所述用户交易风险模型在预设时刻度量目标用户的交易风险,包括:
根据所述用户交易风险模型在目标用户发生交易行为时度量所述目标用户的交易风险。
本说明书实施例还提供一种电子设备,其中,该电子设备包括:
处理器;以及,
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本说明书任一实施例所述的方法。
本说明书实施例还提供一种计算机可读存储介质,其中,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处理器执行时,实现本说明书任一实施例所述的方法。
本说明书记载的各种实施例通过结合所述样本用户的自身属性特征和所述交易活跃度属性特征构建用户交易风险模型,使得可以从用户交易活跃度的角度来对用户进行评估,这种方式评估与用户的活跃度用关的风险时准确率高。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚,下面将参照附图详细描述本发明的具体实施例。但需声明的是,下面描述的附图仅仅是本发明本发明示例性实施例的附图,对于本领域的技术人员来讲,在不付出创造性劳动的前提下,可以根据这些附图获得其他实施例的附图。
图1为本说明书实施例提供的一种度量用户交易风险的方法的原理示意图;
图2为本说明书实施例提供的一种度量用户交易风险的装置的结构示意图;
图3为本说明书实施例提供的一种电子设备的结构示意图;
图4为本说明书实施例提供的一种计算机可读介质的原理示意图。
具体实施方式
对现有技术进行分析发现,在很多种风险评估场景,用户的活跃度往往也可以一定程度上反映风险的大小,因此,需要一种以用户交易活跃度度的角度对用户的风险信息进行分析的方法。
本说明书实施例提供一种资信逾期风险监控方法,获取多个样本用户在预设时段内的交易信息,从所述交易信息中提取所述样本用户的交易活跃度属性特征,结合所述样本用户的自身属性特征和所述交易活跃度属性特征构建用户交易风险模型,根据所述用户交易风险模型度量目标用户的交易风险。
通过结合所述样本用户的自身属性特征和所述交易活跃度属性特征构建用户交易风险模型,使得可以从用户交易活跃度的角度来对用户进行评估,这种方式评估与用户的活跃度用关的风险时准确率高。
通过根据所述目标用户在预设时段内的交易活跃度评估所述目标用户的逾期风险,可以使逾期风险评估的准确率和实时性提高。
现在将参考附图更全面地描述本发明的示例性实施例。然而,示例性实施例能够以多种形式实施,且不应被理解为本发明仅限于在此阐述的实施例。相反,提供这些示例性实施例能够使得本发明更加全面和完整,更加便于将发明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元件、组件或部分,因而将省略对它们的重复描述。
在符合本发明的技术构思的前提下,在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
在对于具体实施例的描述中,本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是,并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
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。
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。
应理解,虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分,但这不应受这些定语限制。这些定语乃是用以区分一者与另一者。例如,第一器件亦可称为第二器件而不偏离本发明实质的技术方案。
术语“和/或”或者“及/或”包括相关联的列出项目中的任一个或多者的所有组合。
图1为本说明书实施例提供的一种度量用户交易风险的方法的原理示意图,该方法可以包括:
S101:获取多个样本用户在预设时段内的交易信息。
S102:从所述交易信息中提取所述样本用户的交易活跃度属性特征。
S103:结合所述样本用户的自身属性特征和所述交易活跃度属性特征构建用户交易风险模型;
S104:根据所述用户交易风险模型度量目标用户的交易风险。
考虑到一种应用场景:在评估用户信用之前,通常会对用户进行资信评估,以降低借贷平台运营风险,如果用户资信符合标准,便授予用户信用(比如贷款信用、授予信用卡额度)。这种方式可以一定程度上降低风险,但是,即使是资信评估通过的用户,往往也存在逾期还款的情况,因此,平台通常会在评估是否可以授予用户信用时,同时评估用户逾期的风险,进而对资金的运营策略进行调整。
这种常规方法在评估逾期风险时,往往是在评估用户的资信时一同评估,然而现实情况中,用户实际是否逾期往往还有很多因素,申请人发现,用户在还款日前的状态很大程度上影响了还款情况,因此,如果能定量地描述用户在还款日前的状态,将提高资信逾期风险监控的实时性,进一步提高了监控的准确率。
因此,在本说明书实施例中,可以用S101-S103中的方法来确定逾期风险。
在其中的一种实施例中,所述结合所述样本用户的自身属性特征和所述交易活跃度属性特征构建用户交易风险模型,包括:
根据所述样本用户的自身属性特征和所述交易活跃度属性特征进行重要性构建所述用户交易风险模型。
在一个具体实施例中,模型样本是这样产生的:在预留6个月表现期的基础上,我们先采集了最近两个月内发生的所有借款,以每笔借款作为起始时间点顺延6个月,按照上面的逻辑统计该客户在这段时间内的有效动支的次数,超过9次(包含9)的,定义为高活跃客户并打上标签。把这两个月的所有样本按月分为训练集和测试集,第一个月用来训练模型,第二个月来测试模型。
通过这种方式构建所述用户交易风险模型,使得构建的模型可以根据重要性筛选对用户的交易活跃度影响大的交易信息和自身属性特征
在其中的一种实施例中,所述利用对所述样本用户的自身属性特征和所述交易活跃度属性特征进行重要性排序的方式构建所述用户交易风险模型,包括:
以所述样本用户的自身属性特征和所述交易活跃度属性特征为输入样本,利用监督学习算法构建用户交易风险模型。
利用监督学习的方法构建用户交易风险模型,实质上是调整各种特征的权重,这也可以看做是对特征进行排序的一种方式,通过监督学习用户交易风险模型的方式,使模型可以学习到与用户交易活跃度相关性大的样本用户的自身属性特征和所述交易活跃度属性特征,准确率高。
在其中的一种实施例中,所述结合所述样本用户的自身属性特征和所述交易活跃度属性特征构建用户交易风险模型,包括:
根据所述样本用户的自身属性特征和所述交易活跃度属性特征的关联性筛选出重要性高于阈值的自身属性特征,作为目标自身属性特征;
构建以所述目标自身属性特征和所述交易活跃度属性特征输出交易风险的模型,作为所述用户交易风险模型。
在其中的一种实施例中,所述交易信息包括:所述交易信息包括:目标用户的信息、交易的对方用户的信息、交易次数、交易金额、交易类型中的至少一项。
在其中的一种实施例中,还包括:
根据所述目标用户的交易风险评估所述目标用户的逾期风险。
在其中的一种实施例中,所述获取多个样本用户在预设时段内的交易信息,包括:
根据当前时刻获取样本用户在当前时刻前预设时段内产生交易行为的交易信息。
在其中的一种实施例中,所述根据所述用户交易活跃度模型度量目标用户的交易风险,包括:
根据所述用户交易风险模型在预设时刻度量目标用户的交易风险。
在其中的一种实施例中,所述根据所述用户交易风险模型在预设时刻度量目标用户的交易风险,包括:
根据所述用户交易风险模型在目标用户发生交易行为时度量所述目标用户的交易风险。
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计算机数据处理设备执行的程序(计算机程序)。在该计算机程序被执行时,可以实现本发明提供的上述方法。而且,所述的计算机程序可以存储于计算机可读存储介质中,该存储介质可以是磁盘、光盘、ROM、RAM等可读存储介质,也可以是多个存储介质组成的存储阵列,例如磁盘或磁带存储阵列。所述的存储介质不限于集中式存储,其也可以是分布式存储,例如基于云计算的云存储。
基于同一发明构思,本说明书实施例还提供一种度量用户交易风险的装置。
下面描述本发明的装置实施例,该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节,应视为对于上述方法实施例的补充;对于在本发明装置实施例中未披露的细节,可以参照上述方法实施例来实现。
图2为本说明书实施例提供的一种度量用户交易风险的装置的结构示意图,该装置可以包括:
信息获取模块201,用于获取多个样本用户在预设时段内的交易信息;
特征提取模块202,用于从所述交易信息中提取所述样本用户的交易活跃度属性特征;
建模模块203,用于结合所述样本用户的自身属性特征和所述交易活跃度属性特征构建用户交易风险模型;
度量模块204,用于根据所述用户交易风险模型度量目标用户的交易风险。
通过结合所述样本用户的自身属性特征和所述交易活跃度属性特征构建用户交易风险模型,使得可以从用户交易活跃度的角度来对用户进行评估,这种方式评估与用户的活跃度用关的风险时准确率高。
在其中的一种实施例中,所述结合所述样本用户的自身属性特征和所述交易活跃度属性特征构建用户交易风险模型,包括:
根据所述样本用户的自身属性特征和所述交易活跃度属性特征进行重要性构建所述用户交易风险模型。
在其中的一种实施例中,所述利用对所述样本用户的自身属性特征和所述交易活跃度属性特征进行重要性排序的方式构建所述用户交易风险模型,包括:
以所述样本用户的自身属性特征和所述交易活跃度属性特征为输入样本,利用监督学习算法构建用户交易风险模型。
在其中的一种实施例中,所述结合所述样本用户的自身属性特征和所述交易活跃度属性特征构建用户交易风险模型,包括:
根据所述样本用户的自身属性特征和所述交易活跃度属性特征的关联性筛选出重要性高于阈值的自身属性特征,作为目标自身属性特征;
构建以所述目标自身属性特征和所述交易活跃度属性特征输出交易风险的模型,作为所述用户交易风险模型。
在其中的一种实施例中,所述交易信息包括:所述交易信息包括:目标用户的信息、交易的对方用户的信息、交易次数、交易金额、交易类型中的至少一项。
在其中的一种实施例中,所述度量模块,还用于:
根据所述目标用户的交易风险评估所述目标用户的逾期风险。
在其中的一种实施例中,所述获取多个样本用户在预设时段内的交易信息,包括:
根据当前时刻获取样本用户在当前时刻前预设时段内产生交易行为的交易信息。
在其中的一种实施例中,所述度量模块,用于根据所述用户交易风险模型度量目标用户的交易风险,包括:
根据所述用户交易风险模型在预设时刻度量目标用户的交易风险。
在其中的一种实施例中,所述度量模块,根据所述用户交易风险模型在预设时刻度量目标用户的交易风险,包括:
根据所述用户交易风险模型在目标用户发生交易行为时度量所述目标用户的交易风险。
本领域技术人员可以理解,上述装置实施例中的各模块可以按照描述分布于装置中,也可以进行相应变化,分布于不同于上述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。
基于同一发明构思,本说明书实施例还提供一种电子设备。
下面描述本发明的电子设备实施例,该电子设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明电子设备实施例中描述的细节,应视为对于上述方法或装置实施例的补充;对于在本发明电子设备实施例中未披露的细节,可以参照上述方法或装置实施例来实现。
图3为本说明书实施例提供的一种电子设备的结构示意图。下面参照图3来描述根据本发明该实施例的电子设备300。图3显示的电子设备300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3所示,电子设备300以通用计算设备的形式表现。电子设备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发明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。
电子设备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电子设备300交互的设备通信,和/或与使得该电子设备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,电子设备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与电子设备300的其它模块通信。应当明白,尽管图3中未示出,可以结合电子设备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,本发明描述的示例性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,根据本发明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的存储介质(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)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时,使得该计算机可读介质能够实现本发明的上述方法,即:如图1所示的方法。
图4为本说明书实施例提供的一种计算机可读介质的原理示意图。
所述计算机程序可以存储于一个或多个计算机可读介质上。计算机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)。
综上所述,本发明可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,本发明不与任何特定计算机、虚拟装置或者电子设备固有相关,各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于活跃度来度量交易风险的方法,包括:
获取多个样本用户在预设时段内的交易信息;
从所述交易信息中提取所述样本用户的交易活跃度属性特征;
结合所述样本用户的自身属性特征和所述交易活跃度属性特征构建用户交易风险模型;
根据目标用户的自身属性特征和所述用户交易风险模型度量该目标用户的交易风险。
2.根据权利要求1所述的方法,所述结合所述样本用户的自身属性特征和所述交易活跃度属性特征构建用户交易风险模型,包括:
根据所述样本用户的自身属性特征和所述交易活跃度属性特征进行重要性构建所述用户交易风险模型。
3.根据权利要求1-2中任一项所述的方法,所述利用对所述样本用户的自身属性特征和所述交易活跃度属性特征进行重要性排序的方式构建所述用户交易风险模型,包括:
以所述样本用户的自身属性特征和所述交易活跃度属性特征为输入样本,利用监督学习算法构建用户交易风险模型。
4.根据权利要求1-3中任一项所述的方法,所述结合所述样本用户的自身属性特征和所述交易活跃度属性特征构建用户交易风险模型,包括:
根据所述样本用户的自身属性特征和所述交易活跃度属性特征的关联性筛选出重要性高于阈值的自身属性特征,作为目标自身属性特征;
构建以所述目标自身属性特征和所述交易活跃度属性特征输出交易风险的模型,作为所述用户交易风险模型。
5.根据权利要求1-4中任一项所述的方法,所述交易信息包括:所述交易信息包括:目标用户的信息、交易的对方用户的信息、交易次数、交易金额、交易类型中的至少一项。
6.根据权利要求1-5中任一项所述的方法,还包括:
根据所述目标用户的交易风险评估所述目标用户的逾期风险。
7.根据权利要求1-6中任一项所述的方法,所述获取多个样本用户在预设时段内的交易信息,包括:
根据当前时刻获取样本用户在当前时刻前预设时段内产生交易行为的交易信息。
8.一种基于活跃度来度量交易风险的装置,包括:
信息获取模块,用于获取多个样本用户在预设时段内的交易信息;
特征提取模块,用于从所述交易信息中提取所述样本用户的交易活跃度属性特征;
建模模块,用于结合所述样本用户的自身属性特征和所述交易活跃度属性特征构建用户交易风险模型;
度量模块,用于根据目标用户的自身属性特征和所述用户交易风险模型度量该目标用户的交易风险。
9.一种电子设备,其中,该电子设备包括:
处理器;以及,
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根据权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其中,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处理器执行时,实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910587756.3A CN110349006A (zh) | 2019-07-02 | 2019-07-02 | 基于活跃度来度量交易风险的方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910587756.3A CN110349006A (zh) | 2019-07-02 | 2019-07-02 | 基于活跃度来度量交易风险的方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110349006A true CN110349006A (zh) | 2019-10-18 |
Family
ID=68177908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910587756.3A Pending CN110349006A (zh) | 2019-07-02 | 2019-07-02 | 基于活跃度来度量交易风险的方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110349006A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220414763A1 (en) * | 2021-06-23 | 2022-12-29 | Affirm, Inc. | System, Method and Apparatus for Modeling Loan Transitions |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150262184A1 (en) * | 2014-03-12 | 2015-09-17 | Microsoft Corporation | Two stage risk model building and evaluation |
CN108280762A (zh) * | 2018-01-19 | 2018-07-13 | 平安科技(深圳)有限公司 | 客户风险评级方法、服务器及计算机可读存储介质 |
CN108564386A (zh) * | 2018-04-28 | 2018-09-21 | 腾讯科技(深圳)有限公司 | 商户识别方法及装置、计算机设备及存储介质 |
CN108665366A (zh) * | 2018-04-27 | 2018-10-16 | 平安科技(深圳)有限公司 | 确定用户风险等级的方法、终端设备及计算机可读存储介质 |
CN109003089A (zh) * | 2018-06-28 | 2018-12-14 | 中国工商银行股份有限公司 | 风险识别方法及装置 |
CN109636081A (zh) * | 2018-09-29 | 2019-04-16 | 阿里巴巴集团控股有限公司 | 一种用户安全意识检测方法和装置 |
-
2019
- 2019-07-02 CN CN201910587756.3A patent/CN110349006A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150262184A1 (en) * | 2014-03-12 | 2015-09-17 | Microsoft Corporation | Two stage risk model building and evaluation |
CN108280762A (zh) * | 2018-01-19 | 2018-07-13 | 平安科技(深圳)有限公司 | 客户风险评级方法、服务器及计算机可读存储介质 |
CN108665366A (zh) * | 2018-04-27 | 2018-10-16 | 平安科技(深圳)有限公司 | 确定用户风险等级的方法、终端设备及计算机可读存储介质 |
CN108564386A (zh) * | 2018-04-28 | 2018-09-21 | 腾讯科技(深圳)有限公司 | 商户识别方法及装置、计算机设备及存储介质 |
CN109003089A (zh) * | 2018-06-28 | 2018-12-14 | 中国工商银行股份有限公司 | 风险识别方法及装置 |
CN109636081A (zh) * | 2018-09-29 | 2019-04-16 | 阿里巴巴集团控股有限公司 | 一种用户安全意识检测方法和装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220414763A1 (en) * | 2021-06-23 | 2022-12-29 | Affirm, Inc. | System, Method and Apparatus for Modeling Loan Transitions |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348727A (zh) | 一种基于用户风险等级和用户动支意愿的营销策略制定方法、装置和电子设备 | |
CN110335138A (zh) | 一种预测客群资质变化的风险预警方法、装置和电子设备 | |
CN110349000A (zh) | 基于用户分群的提额策略确定方法、装置和电子设备 | |
CN110348991A (zh) | 评估用户授信额度上限的方法、装置和电子设备 | |
CN110111139A (zh) | 行为预估模型生成方法、装置、电子设备及可读介质 | |
CN108257033A (zh) | 一种保单分析方法、装置、终端设备及存储介质 | |
CN107479882A (zh) | 投保页面的生成方法、生成装置、介质及电子设备 | |
CN109255486A (zh) | 一种策略配置的优化方法及装置 | |
CN110348208A (zh) | 一种基于用户行为和神经网络的风险控制方法、装置和电子设备 | |
CN110348852A (zh) | 一种资信评估模型修正方法、装置、电子设备 | |
CN110009365B (zh) | 非正常转移电子资产的用户群体检测方法、装置和设备 | |
CN109242280A (zh) | 用户行为数据处理方法、装置、电子设备及可读介质 | |
CN110348726A (zh) | 一种基于社交关系网络的用户额度调整方法、装置和电子设备 | |
CN110363654A (zh) | 一种优惠信息推送方法、装置和电子设备 | |
CN110363652A (zh) | 一种基于价格敏感模型的金融产品定价方法、装置和电子设备 | |
CN110335140A (zh) | 基于社交关系预测贷款黑中介的方法、装置、电子设备 | |
CN110362825A (zh) | 一种基于文本的金融数据抽取方法、装置和电子设备 | |
CN110348719A (zh) | 一种基于用户信息知识图谱的风险控制方法、装置和电子设备 | |
CN110415103A (zh) | 基于变量影响度指标进行用户分群提额的方法、装置和电子设备 | |
CN110363575A (zh) | 一种授信用户动支意愿预测方法、装置和设备 | |
CN110349007A (zh) | 基于变量区分度指标进行用户分群提额的方法、装置和电子设备 | |
CN110349008A (zh) | 一种基于自然语言的决策支持方法、装置和电子设备 | |
CN109711849B (zh) | 以太坊地址画像生成方法、装置、电子设备及存储介质 | |
CN110348892A (zh) | 基于用户特征的定制信息生成方法、装置及电子设备 | |
US10459834B2 (en) | Run time and historical workload report scores for customer profiling visualization |
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 |