CN110399818A - 一种风险预测的方法和设备 - Google Patents

Abstract

本发明涉及人工智能技术领域，特别涉及一种风险预测的方法和设备，用以解决现有网络平台无法对注册用户进行风险预测的问题。本发明实施例将采集到的待评估对象的面部图像中的特征点输入到风险控制模型中，该风险控制模型能够根据待评估对象的面部图像中的特征点对待评估对象进行风险预测，并根据风险控制模型输出的风险预测值判断待评估对象是否存在风险，从而实现了通过风险控制模型根据用户的面部图像的特征点对该用户进行风险预测。

Description

一种风险预测的方法和设备

技术领域

本发明涉及人工智能技术领域，特别涉及一种风险预测的方法和设备。

背景技术

目前，随着科技的发展，各种网络平台推出的产品层出不穷，遍及生活的方方面面，比如，网络购物、网贷以及最近几年某些网络平台推出的非常火热的共享产品。

以共享产品为例，比如，共享单车、共享汽车、共享雨伞等。用户若要使用这些网络平台的共享产品，只需通过手机等终端在对应的网络平台完成在线注册即可，一般的在线注册的流程是获取用户的基本信息以及通过活体检测采集用户的面部图像，完成在线认证等操作。

共享产品的初衷是对于具有有效身份，即通过在线注册的用户实现物品共享，以缓解资源和环境的压力，方便人们的生活。然而现实生活中仍存在大量的共享产品私有化、暴力使用、乱停乱放等违规使用的情况，增加了共享产品的维护成本，同时对社会造成极大的负面影响。

然后，由于线上和线下的限制，目前，这些网络平台对于信用较差的用户并没有十分有效的管理方法。且网络平台仅具备用户的一些基本信息，无法对用户进行信用预测，以规避风险和损失。

综上所述，现有网络平台无法对注册用户进行风险预测。

发明内容

本发明提供一种风险预测的方法和设备，用以解决现有网络平台无法对注册用户进行风险预测的问题。

第一方面，本发明实施例提供的一种风险预测的方法，包括：

采集待评估对象的面部图像；

将所述待评估对象的面部图像中的特征点输入到风险控制模型中；

根据所述风险控制模型输出的风险预测值判断所述待评估对象是否具有风险。

上述方法，将采集到的待评估对象的面部图像中的特征点输入到风险控制模型中，该风险控制模型能够根据待评估对象的面部图像中的特征点对待评估对象进行风险预测，并根据风险控制模型输出的风险预测值判断待评估对象是否存在风险，从而实现了通过风险控制模型根据用户的面部图像的特征点对该用户进行风险预测。

在一种可选的实施方式中，所述待评估对象的面部图像中的特征点包括所述待评估对象的面部特征点和/或采集的所述待评估对象的面部图像中的背景特征点。

在一种可选的实施方式中，所述风险控制模型是利用所述用户的面部图像中的特征点和所述用户的信用数据对机器学习算法进行训练得到的；或

所述风险控制模型是利用所述用户的面部图像在的特征点、所述用户的个人数据和所述用户的信用数据对机器学习算法进行训练得到的。

在一种可选的实施方式中，若所述风险控制模型是利用机器学习算法训练所述用户的面部图像在的特征点、所述用户的个人数据和所述用户的信用数据得到的，则所述将所述待评估对象的面部图像中的特征点输入到风险控制模型中，还包括：

将所述待评估对象的个人数据输入到风险控制模型中；其中，所述待评估对象的个人数据包括所述待评估对象的个人信息和/或所述待评估对象的行为信息。

在一种可选的实施方式中，根据所述风险控制模型输出的风险预测值判断所述待评估对象是否具有风险，包括：

若所述风险控制模型输出的风险预测值为表示所述待评估用户的风险概率的值，则判断所述待评估对象的风险预测值是否超过预设阈值，若超过，则确定所述待评估对象具有风险；否则，确定所述待评估对象不具有风险；或

若所述风险控制模型输出的风险预测值为表示用户类别的值，则根据风险预测值与用户类别的对应关系，判断所述待评估对象的风险预测值对应的用户类别是否为具有风险的用户类别，如果是，则确定所述待评估对象具有风险；否则，确定所述待评估对象不具有风险。

第二方面，本发明实施例还提供了一种风险预测的设备，该设备包括：处理器以及存储器，其中，所述存储器存储有程序代码，当所述存储器存储的一个或多个计算机程序被所述处理器执行时，使得所述终端执行下列过程：

采集待评估对象的面部图像；

将所述待评估对象的面部图像中的特征点输入到风险控制模型中；

根据所述风险控制模型输出的风险预测值判断所述待评估对象是否具有风险。

在一种可能的实现方式中，所述待评估对象的面部图像中的特征点包括所述待评估对象的面部特征点和/或采集的所述待评估对象的面部图像中的背景特征点。

在一种可能的实现方式中，所述风险控制模型是利用所述用户的面部图像中的特征点和所述用户的信用数据对机器学习算法进行训练得到的；或

所述风险控制模型是利用所述用户的面部图像在的特征点、所述用户的个人数据和所述用户的信用数据对机器学习算法进行训练得到的。

在一种可能的实现方式中，所述处理器还用于：

若所述风险控制模型是利用机器学习算法训练所述用户的面部图像在的特征点、所述用户的个人数据和所述用户的信用数据得到的，则将所述待评估对象的个人数据输入到风险控制模型中；其中，所述待评估对象的个人数据包括所述待评估对象的个人信息和/或所述待评估对象的行为信息。

在一种可能的实现方式中，所述处理器具体用于：

若所述风险控制模型输出的风险预测值为表示所述待评估用户的风险概率的值，则判断所述待评估对象的风险预测值是否超过预设阈值，若超过，则确定所述待评估对象具有风险；否则，确定所述待评估对象不具有风险；或

若所述风险控制模型输出的风险预测值为表示用户类别的值，则根据风险预测值与用户类别的对应关系，判断所述待评估对象的风险预测值对应的用户类别是否为具有风险的用户类别，如果是，则确定所述待评估对象具有风险；否则，确定所述待评估对象不具有风险。

第三方面，本发明实施例还提供一种风险预测的设备，该设备包括：

采集模块：用于采集待评估对象的面部图像；

信息输入模块：用于将所述待评估对象的面部图像中的特征点输入到风险控制模型中；

处理模块：用于根据所述风险控制模型输出的风险预测值判断所述待评估对象是否具有风险。

第四方面，本申请还提供一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述方法的步骤。

另外，第二方面至第四方面中任一一种实现方式所带来的技术效果可参见第一方面中不同实现方式所带来的技术效果，此处不再赘述。

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活体检测人脸的场景示意图；

图2为本发明实施例提供的一种风险预测的方法流程示意图；

图3为本发明实施例提供的一种通过活体检测抓取的面部图像示意图；

图4为本发明实施例提供的一种检测面部图像中特征点的示意图；

图5为本发明实施例提供的一种神经网络模型的示意图；

图6为本发明实施例提供的另一种神经网络模型的示意图；

图7位本发明实施例提供的一种风险预测的设备的结构示意图；

图8位本发明实施例提供的另一种风险预测的设备的结构示意图。

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。

下面对文中出现的一些词语进行解释：

1、本发明实施例中术语“和/或”，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。字符“/”一般表示前后关联对象是一种“或”的关系。

2、本申请实施例中术语“多个”是指两个或两个以上，其它量词与之类似。

本发明实施例描述的应用场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着新应用场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。其中，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

本发明实施例可以应用到网购、共享产品、贷款等场景中。

以网购场景为例，目前，用户在网购前需要在网购平台进行在线注册，如图1所示，为某网购平台对发起注册的用户进行活体检测的过程，该网购平台根据活体检测采集到的用户的面部图像与该用户的身份证照片进行比对，以此对该用户的身份信息进行验证。然而通过照片比对的方式仅能够验证用户的身份是否合法，并不能很好的评估用户在网购方面的信用情况，因此在网购过程中，可能会出现大量的恶意退换货、差评等操作。

因此，本发明实施例提供了一种风险预测模型，该模型是通过活体检测时采集到的该用户的图像信息和该用户的信用数据进行训练得到的。其中，信用数据在不同的场景中具有不同的含义，比如：在网购场景中，信用数据可以是用户的退货率、换货率、差评率、投诉率等数据；在共享产品场景中，信用数据可以是用户的违规使用记录、私有化记录和恶意破坏记录等数据；在贷款场景中，信用数据可以是逾期还款时间、逾期还款次数、逾期还款金额等数据。

在使用风险预测模型时，该风险预测模型能够根据用户的面部特征预测该用户的风险值，以根据风险值判断该用户是否具有风险。进一步的，若判断出该用户具有风险，则可以对该用户采取一些使用限制，以规避风险和损失。

下面结合说明书附图对本发明实施例做进一步详细描述。

如图2所示，本发明实施例提供的是一种风险预测的方法，具体包括以下步骤：

步骤200：采集待评估对象的面部图像；

步骤201：将所述待评估对象的面部图像中的特征点输入到风险控制模型中；

步骤202：根据所述风险控制模型输出的风险预测值判断所述待评估对象是否具有风险。

通过上述方案，将采集到的待评估对象的面部图像中的特征点输入到风险控制模型中，该风险控制模型能够根据待评估对象的面部图像中的特征点对待评估对象进行风险预测，并根据风险控制模型输出的风险预测值判断待评估对象是否存在风险，从而实现了通过风险控制模型根据用户的面部图像的特征点对该用户进行风险预测。

本发明实施例通过活体检测，采集待评估对象的面部图像，检测该面部图像中的特征点，如图3所示为通过活体检测采集到的用户的面部图像，如图4所示的面部图像中的特征点，包括：用户面部特征点和背景特征点。将检测到的该用户的面部图像中的用户面部特征点和/或背景特征点输入到风险控制模型中，该风险控制模型根据输入的特征点信息对该待评估对象进行信用评分。

可以说本发明实施是基于风险控制模型进行风险预测，下面通过建立风险控制模型、训练风险控制模型和使用风险控制模型，这三方面对风险控制模型进行介绍说明：

第一方面：风险控制模型的建立过程；

本发明实施例中的机器学习算法可以是逻辑回归、神经网络、深度学习或决策树等。下面对基于神经网络的风险控制模型为例，对该模型的建立过程进行说明：

如图5所示，为本发明实施例提供的3层神经网络构成的风险控制模型的示意图。其中，input为输入层，hidden为隐含层，output为输出层，w为神经元各个突触(连接线)的权重，b为偏置；其中，输入层的神经元个数为该模型的输入数据的特征数；隐含层的神经元个数为超参数，需要预先设定；输出层的神经元个数则取决于目标变量的个数。

1、输入层的构建流程：

例如：如下表1所示，为检测到甲、乙、丙、丁、戊五名用户的面部图像的特征点，分别为五官上检测到的特征点，该特征点能够确定三庭五眼的形状或距离，比如：鼻子、嘴唇、下巴、眼睛、耳朵和额头上等描绘五官的特征点，或者是该面部图像中的背景特征点，比如：房子、车、建筑物、家具等。

用户	头像特征点坐标	x1	x2	…	xn
						甲	[(1,2),(1.4,4),(3,5),……(4,8)]	1	2	…	8
乙	[(1,2.5),(1,4),(3,5.4，……(4.4,8.4)]	1	2.5	…	8.4
						丙	[(1,2),(1,4.5),(3.4,5),……(4,7)]	1	2	…	7
丁	[(1.1,2.5),(1,4),(3.4,5),……(4,7.5)]	1.1	2.5	…	7.5
						戊	[(1.5,2),(1,4),(3.4,5),……(4,5)]	1.5	2	…	5

表1

特征点检测完成后，将面部特征点和/或背景特征点作为神经网络模型的输入变量，其中，输入变量对应神经网络模型中输入层的神经元的个数。其构建输入变量的方式有多种，下面举例说明：

构建方式一：输入变量为一维数据；

针对一个用户，将该用户的任一个特征点的X坐标作为一个输入变量，将特征点的Y坐标作为另一个输入变量；

比如，结合表1，以甲为例，将甲的第一个特征点(1,2)的X坐标(1)作为输入变量X1；将甲的第一个特征点(1,2)的Y坐标(2)作为输入变量X2；将甲的第二个特征点(1.4,4)的X坐标(1.4)作为输入变量X3；将甲的第二个特征点(1.4,4)的Y坐标(4)作为输入变量X4；以此类推。

对应的，该神经网络模型的输入变量的个数等于Xn的个数。

构建方式二：输入变量为二维数据；

针对一个用户，将该用户的任一个特征点的二维坐标作为一个输入变量；

比如，结合表1，以甲为例，将甲的第一个特征点(1,2)作为输入变量X1，其中X1为(1,2)；将甲的第二个特征点(1.4,4)作为输入变量X2，其中X2为(1.4,4)；将甲的第三个特征点(3,5)作为输入变量X3，其中X3为(3,5)；以此类推。

可以理解的是，甲、乙、丙、丁、戊五名用户的特征点是通过相同的规则排序的，因为根据甲的特征点构建的神经网络模型，同样适用于其他乙、丙、丁、戊四名用户，对于这四名用户的输入变量的定义方式可以参见对甲用户的具体操作，此处不再赘述。

需要说明的是，上述方式仅为举例，一方面对于输入变量的内容，其输入变量可以是面部图像信息，比如：单独的面部特征点、单独的背景特征点或者结合面部特征点和背景特征点；也可以是面部图像信息和用户的个人数据，其中，个人数据可以为用户的个人信息、用户的行为信息和用户的第三方数据；其中，用户的个人信息包括该用户的基本信息，比如：该用户的身高、体重、年龄、性别、住址、籍贯、月收入等信息；用户的行为信息包括用户的日常生产活动所产生的行动，比如：生活习惯、品行、购物记录等；第三方数据为其他平台对于该用户的信息记录，比如：征信报告等；

另一方面对于输入变量的形式，输入变量可以是一个特征点的一维坐标、或二维坐标还可以是任意N个特征点的子集，任何表示特征点的组合或拆分形式都适用于本发明实施例。

2、输出层的构建流程：

上述为对输入层的构建过程的说明，而输出层神经元的个数则取决于目标变量的个数，下面对输出层的构建过程进行介绍说明：

例1：对于输出层，以贷款场景为例，假设将用户分为两类，比如将用户分为有逾期风险的用户类别和没有逾期风险的用户类别，那么输出层就有2个神经元，假设神经元y0表示有逾期风险的用户类别，神经元y1表示没有逾期风险的用户类别，输出数值y0和y1表示该用户被分到这个小组的概率，则将概率最高的数值对应的用户类别作为该用户的用户类别；

例2：假设不对用户进行分类，仅判断用户是否具有逾期风险，那么输出层可以只构建1个神经元y0，根据该神经元y0的输出数值表示该用户的逾期概率，并根据该用户的逾期概率是否超过预设阈值来判断该用户是否具有逾期风险。比如，预设阈值为0.5，若该模型的输出数值为0.7，则确定该用户具有逾期风险。

需要说明的是，该神经网络使用不同的激活函数对应有不同的数值输出，比如使用tanh函数，则输出数值为一个映射到(-1,1)区间内的一个数值，通过该数值可以对用户进行分组，比如对于例2，输出层只包含1个神经元的情况下，输出数值y0在(-1,0)区间时，表示该用户对应有逾期风险的用户类别，若输出数值y0在(0,1)区间时，表示该用户对应没有逾期风险的用户类别；其中，输出数值y0除用于确定用户类别外，还可以作为划分为该用户类别的概率。若使用sigmoid函数，则输出数值为一个映射到(0,1)区间内的一个数值，该数值可以表示概率，可以参见上述例2，此处不再赘述。

3、对于隐含层的介绍：

一般的，隐含层的神经元个数为[Xn^0.5，10+2*Xn^0.5]，如图6所示为本发明实施例提供的一种神经网络模型，该神经网络模型的输入层的神经元个数为3，输出层的神经元个数为1，隐含层为1层，隐含层的神经元个数为3，w为神经元各个突触(连接线)的权重，b为偏置。

由于偏置可以通过给每层加入一个常数的输入来消除掉，因此有偏置的神经网络模型可以等价转换成没有偏置的神经网络模型，假设本发明实施例中的神经网络模型没有偏置项，参阅图6，假设输入变量为二维向量，比如X1＝[x1,y1]T，输出y0为一个数值。

则可以将输入层的多个标量值转换为一个向量值，定义如下：

输入层隐含层的输出输入层到隐含层的权重

f1、f2和f3为激活函数，其中，f1、f2和f3可以全部使用相同的激活函数也可以使用不同的激活函数，根据激活函数，得到下列方程：

假设，隐含层的第一个神经元的输出O1对应的权重为w1，隐含层的第二个神经元的输出O2对应的权重为w2，隐含层的第三个神经元的输出O3对应的权重为w3，则输出y0＝w1*O1+w2*O2+w3*O3。

第二方面：风险控制模型的训练过程；

取部分用户，根据这部分用户的信用数据，比如在当前的网贷场景下，信用数据可以体现为贷后数据，比如，是否逾期还款、逾期还款的时间信息、逾期还款的次数等，将用户的面部图像信息中的面部特征点和/或背景特征点与该用户的贷后数据相关联作为一个样本数据，将选取的这部分用户对应的所有样本数据输入到该神经网络模型中进行训练，确定每个连接线对应的权重的值。

比如：结合图5所示的神经网络模型，以用户的逾期时间信息作为筛选依据，将逾期时间超过15天的用户定义为逾期用户，对应的输出y0以1表示逾期用户；将逾期时间不超过15天的用户定义为未逾期用户，对应的输出y0以0表示。

需要说明的是，上述对逾期用户的定义仅为举例，任何逾期表现和逾期程度都可以作为逾期用户的定义，本发明实施例中的定义并不限定于任何数值大小和数值形式。

假设采集了1000名用户的贷后数据，其中，包含上述表1中的甲、乙、丙、丁、戊等五名等用户，其中，甲、丁两名用户为逾期超过15天的用户，乙、丙、戊三名用户为逾期未超过15天的用户，也可以是逾期0天的用户，即按时还款用户；并根据这1000名用户的贷后数据对应建立1000个样本数据，其中，样本数据统计如下表2所示。

用户	x1	x2	…	xn	贷后数据(y0)
						甲	1	2	…	8	1
乙	1	2.5	…	8.4	0
						丙	1	2	…	7	0
丁	1.1	2.5	…	7.5	1
						戊	1.5	2	…	5	0
…	…	…	…	…	…

表2

具体的训练方式有多种，比如可以采用经典的BP算法进行训练，由于这部分为成熟的技术，此处不再赘述。

需要说明的是，在对该神经网络模型进行训练的过程中，逾期用户的样本数应占样本总数的20％及以上，并且在训练的过程中，不仅对权重以及偏置进行训练，同样会对构建的特征(即输入变量)进行挑选。比如，构建的神经网络模型具有100个输入变量，训练完成得到的神经网络模型仅包含10个输入变量。

第三方面：风险控制模型的使用过程；

当有新用户申请贷款时，使用训练好的神经网络模型对该用户进行风险预测，此时该用户也可以称为待评估用户，该神经网络模型也就是本发明中的风险控制模型，即使用风险控制模型对待评估用户进行风险预测。

首先，如下表3所示，采集待评估用户的信息，至少包含用户的面部图像信息和用户的贷后数据(信用数据)：

用户	图像保存路径	贷后数据(Y＝1表示逾期，Y＝0表示无逾期)
			A	D:\imgdir\1.jpg	1
B	D:\imgdir\2.jpg	0
			C	D:\imgdir\3.jpg	0
D	D:\imgdir\4.jpg	1
			E	D:\imgdir\5.jpg	0

表3

如上述第一方面中的流程，提取用户的面部图像中的特征点，将特征点输入到已训练好的神经网络模型中。该神经网络模型根据输入的特征点对该用户进行信用评分，根据该神经网络模型输出的信用评分确定该用户的逾期概率或对该用户进行分类，以判断该用户是否具有风险(在此场景中为逾期风险)，若确定该用户具有逾期风险，则拒绝对该用户的贷款申请。

本发明实施例中的贷款场景有多种类型，比如网贷、信用卡和银行贷款等场景，以网贷为例，用户通过网贷平台进行在线注册，申请贷款。网贷平台对发起注册的用户进行活体检测，将通过活体检测采集的用户的面部图像中的特征点输入到风险控制模型中，根据风险控制模型输出的风险值判断该用户是否具有逾期风险，如果确定该用户具有逾期风险，则拒绝该用户的贷款申请。以此实现了对于风险的预测和控制。

基于相同的发明构思，本发明实施例中还提供了一种风险预测的设备，由于该设备即是本发明实施例中的方法中的设备，并且该设备解决问题的原理与该方法相似，因此该设备的实施可以参见方法的实施，重复之处不再赘述。

如图7所示，本发明实施例还提供一种风险预测的设备，该设备包括：至少一个处理单元700、以及至少一个存储单元701，其中，所述存储单元701存储有程序代码，当所述程序代码被所述处理单元700执行时，使得设备执行下列过程：

采集待评估对象的面部图像；

将所述待评估对象的面部图像中的特征点输入到风险控制模型中；

根据所述风险控制模型输出的风险预测值判断所述待评估对象是否具有风险。

可选的，所述待评估对象的面部图像中的特征点包括所述待评估对象的面部特征点和/或采集的所述待评估对象的面部图像中的背景特征点。

可选的，所述风险控制模型是利用所述用户的面部图像中的特征点和所述用户的信用数据对机器学习算法进行训练得到的；或

所述风险控制模型是利用所述用户的面部图像在的特征点、所述用户的个人数据和所述用户的信用数据对机器学习算法进行训练得到的。

可选的，所述处理单元700还用于：

若所述风险控制模型是利用机器学习算法训练所述用户的面部图像在的特征点、所述用户的个人数据和所述用户的信用数据得到的，则将所述待评估对象的个人数据输入到风险控制模型中；其中，所述待评估对象的个人数据包括所述待评估对象的个人信息和/或所述待评估对象的行为信息。

可选的，所述处理单元700具体用于：

若所述风险控制模型输出的风险预测值为表示所述待评估用户的风险概率的值，则判断所述待评估对象的风险预测值是否超过预设阈值，若超过，则确定所述待评估对象具有风险；否则，确定所述待评估对象不具有风险；或

若所述风险控制模型输出的风险预测值为表示用户类型的值，则根据风险预测值与用户类型的对应关系，判断所述待评估对象的风险预测值对应的用户类型是否为具有风险的用户类型，如果是，则确定所述待评估对象具有风险；否则，确定所述待评估对象不具有风险。

基于相同的发明构思，本发明实施例中还提供了另一种风险预测的设备，由于该设备即是本发明实施例中的方法中的设备，并且该设备解决问题的原理与该方法相似，因此该设备的实施可以参见方法的实施，重复之处不再赘述。

如图8所示，本发明实施例还提供了另一种风险预测的设备，该设备包括：

采集模块800：用于采集待评估对象的面部图像；

信息输入模块801：用于将所述待评估对象的面部图像中的特征点输入到风险控制模型中；

处理模块802：用于根据所述风险控制模型输出的风险预测值判断所述待评估对象是否具有风险。

可选的，所述待评估对象的面部图像中的特征点包括所述待评估对象的面部特征点和/或采集的所述待评估对象的面部图像中的背景特征点。

可选的，所述风险控制模型是利用所述用户的面部图像中的特征点和所述用户的信用数据对机器学习算法进行训练得到的；或

所述风险控制模型是利用所述用户的面部图像在的特征点、所述用户的个人数据和所述用户的信用数据对机器学习算法进行训练得到的。

可选的，所述信息输入模块801还用于：

若所述风险控制模型是利用机器学习算法训练所述用户的面部图像在的特征点、所述用户的个人数据和所述用户的信用数据得到的，则将所述待评估对象的个人数据输入到风险控制模型中；其中，所述待评估对象的个人数据包括所述待评估对象的个人信息和/或所述待评估对象的行为信息。

可选的，所述处理模块802具体用于：

若所述风险控制模型输出的风险预测值为表示所述待评估用户的风险概率的值，则判断所述待评估对象的风险预测值是否超过预设阈值，若超过，则确定所述待评估对象具有风险；否则，确定所述待评估对象不具有风险；或

若所述风险控制模型输出的风险预测值为表示用户类型的值，则根据风险预测值与用户类型的对应关系，判断所述待评估对象的风险预测值对应的用户类型是否为具有风险的用户类型，如果是，则确定所述待评估对象具有风险；否则，确定所述待评估对象不具有风险。

本发明实施例还提供一种计算机可读非易失性存储介质，包括程序代码，当所述程序代码在计算终端上运行时，所述程序代码用于使所述计算终端执行上述本发明实施例任务分配的方法的步骤。

以上参照示出根据本申请实施例的方法、装置(系统)和/或计算机程序产品的框图和/或流程图描述本申请。应理解，可以通过计算机程序指令来实现框图和/或流程图示图的一个块以及框图和/或流程图示图的块的组合。可以将这些计算机程序指令提供给通用计算机、专用计算机的处理器和/或其它可编程数据处理装置，以产生机器，使得经由计算机处理器和/或其它可编程数据处理装置执行的指令创建用于实现框图和/或流程图块中所指定的功能/动作的方法。

相应地，还可以用硬件和/或软件(包括固件、驻留软件、微码等)来实施本申请。更进一步地，本申请可以采取计算机可使用或计算机可读存储介质上的计算机程序产品的形式，其具有在介质中实现的计算机可使用或计算机可读程序代码，以由指令执行系统来使用或结合指令执行系统而使用。在本申请上下文中，计算机可使用或计算机可读介质可以是任意介质，其可以包含、存储、通信、传输、或传送程序，以由指令执行系统、装置或设备使用，或结合指令执行系统、装置或设备使用。

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，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种风险预测的方法，其特征在于，该方法包括：

采集待评估对象的面部图像；

将所述待评估对象的面部图像中的特征点输入到风险控制模型中；

根据所述风险控制模型输出的风险预测值判断所述待评估对象是否具有风险。

2.如权利要求1所述的方法，其特征在于，所述待评估对象的面部图像中的特征点包括所述待评估对象的面部特征点和/或采集的所述待评估对象的面部图像中的背景特征点。

3.如权利要求1所述的方法，其特征在于，所述风险控制模型是利用所述用户的面部图像中的特征点和所述用户的信用数据对机器学习算法进行训练得到的；或

所述风险控制模型是利用所述用户的面部图像在的特征点、所述用户的个人数据和所述用户的信用数据对机器学习算法进行训练得到的。

4.如权利要求3所述的方法，其特征在于，若所述风险控制模型是利用机器学习算法训练所述用户的面部图像在的特征点、所述用户的个人数据和所述用户的信用数据得到的，则所述将所述待评估对象的面部图像中的特征点输入到风险控制模型中，还包括：

将所述待评估对象的个人数据输入到风险控制模型中；其中，所述待评估对象的个人数据包括所述待评估对象的个人信息和/或所述待评估对象的行为信息。

5.如权利要求1所述的方法，其特征在于，根据所述风险控制模型输出的风险预测值判断所述待评估对象是否具有风险，包括：

若所述风险控制模型输出的风险预测值为表示所述待评估用户的风险概率的值，则判断所述待评估对象的风险预测值是否超过预设阈值，若超过，则确定所述待评估对象具有风险；否则，确定所述待评估对象不具有风险；或

若所述风险控制模型输出的风险预测值为表示用户类别的值，则根据风险预测值与用户类别的对应关系，判断所述待评估对象的风险预测值对应的用户类别是否为具有风险的用户类别，如果是，则确定所述待评估对象具有风险；否则，确定所述待评估对象不具有风险。

6.一种风险预测的设备，其特征在于，该设备包括：至少一个处理单元以及至少一个存储单元，其中，所述存储单元存储有程序代码，当所述程序代码被所述处理单元执行时，使得所述处理单元执行下列过程：

采集待评估对象的面部图像；

将所述待评估对象的面部图像中的特征点输入到风险控制模型中；

根据所述风险控制模型输出的风险预测值判断所述待评估对象是否具有风险。

7.如权利要求6所述的设备，其特征在于，所述待评估对象的面部图像中的特征点包括所述待评估对象的面部特征点和/或采集的所述待评估对象的面部图像中的背景特征点。

8.如权利要求6所述的设备，其特征在于，所述风险控制模型是利用所述用户的面部图像中的特征点和所述用户的信用数据对机器学习算法进行训练得到的；或

所述风险控制模型是利用所述用户的面部图像在的特征点、所述用户的个人数据和所述用户的信用数据对机器学习算法进行训练得到的。

9.如权利要求6所述的设备，其特征在于，所述处理单元还用于：

若所述风险控制模型是利用机器学习算法训练所述用户的面部图像在的特征点、所述用户的个人数据和所述用户的信用数据得到的，则将所述待评估对象的个人数据输入到风险控制模型中；其中，所述待评估对象的个人数据包括所述待评估对象的个人信息和/或所述待评估对象的行为信息。

10.如权利要求9所述的设备，其特征在于，所述处理单元具体用于：

若所述风险控制模型输出的风险预测值为表示所述待评估用户的风险概率的值，则判断所述待评估对象的风险预测值是否超过预设阈值，若超过，则确定所述待评估对象具有风险；否则，确定所述待评估对象不具有风险；或

若所述风险控制模型输出的风险预测值为表示用户类别的值，则根据风险预测值与用户类别的对应关系，判断所述待评估对象的风险预测值对应的用户类别是否为具有风险的用户类别，如果是，则确定所述待评估对象具有风险；否则，确定所述待评估对象不具有风险。