CN110503296B - 测试方法、装置、计算机设备和存储介质 - Google Patents

测试方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN110503296B
CN110503296B CN201910608758.6A CN201910608758A CN110503296B CN 110503296 B CN110503296 B CN 110503296B CN 201910608758 A CN201910608758 A CN 201910608758A CN 110503296 B CN110503296 B CN 110503296B
Authority
CN
China
Prior art keywords
user
tested
information
numerical value
network
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.)
Active
Application number
CN201910608758.6A
Other languages
English (en)
Other versions
CN110503296A (zh
Inventor
尹川学
黄鹰翔
蔡炼
张鹏
姜良雷
王耀南
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhaolian Consumer Finance Co ltd
Original Assignee
Merchants Union Consumer Finance Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Merchants Union Consumer Finance Co Ltd filed Critical Merchants Union Consumer Finance Co Ltd
Priority to CN201910608758.6A priority Critical patent/CN110503296B/zh
Publication of CN110503296A publication Critical patent/CN110503296A/zh
Application granted granted Critical
Publication of CN110503296B publication Critical patent/CN110503296B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Optimization (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种测试方法、装置、计算机设备和存储介质。所述方法包括：获取待测试用户的各个信息；根据所述待测试用户的各个信息构建所述待测试用户的第一关联网络；将所述待测试用户的第一关联网络输入空间马尔科夫链模型进行测试，确定所述待测试用户的数值，所述数值用于表征所述待测试用户的风险水平；其中，所述空间马尔科夫链模型是根据关联网络训练得到的。上述测试方法、装置、计算机设备和存储介质能够提高测试的准确性。

Description

测试方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算机技术技术领域，特别是涉及一种测试方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的发展，出现了各种测试用户的风险水平的技术，通过测试用户的风险水平，可以用于企业对用户的风险水平进行评估，从而根据评估结果进行处理。传统的对用户的风险水平进行测试的方法，通常是对用户的历史数据进行评估，从而测试得到用户的风险。
然而，传统的对用户的风险水平进行测试的方法，存在测试的准确性较低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高准确性的测试方法、装置、计算机设备和存储介质。
一种测试方法，所述方法包括：
获取待测试用户的各个信息；
根据所述待测试用户的各个信息构建所述待测试用户的第一关联网络；
将所述待测试用户的第一关联网络输入空间马尔科夫链模型进行测试，确定所述待测试用户的数值，所述数值用于表征所述待测试用户的风险水平；其中，所述空间马尔科夫链模型是根据用户数据及关联网络训练得到的。
在其中的一个实施例中，所述待测试用户的各个信息中包含关联用户信息；
所述根据所述待测试用户的各个信息构建所述待测试用户的第一关联网络，包括：
根据所述关联用户信息生成对应的关联变量；
从所述待测试用户的各个信息中获取各个关联变量的关联设备标识；
将所述待测试用户的标识、各个所述关联变量和关联设备标识进行连接，得到所述待测试用户的第一关联网络。
在其中的一个实施例中，所述方法还包括：
根据所述关联变量和所述关联设备标识生成衍生变量；
将所述待测试用户的标识、各个所述关联变量、关联设备和衍生变量进行连接，得到所述待测试用户的第二关联网络；
所述将所述待测试用户的第一关联网络输入空间马尔科夫链模型进行测试，确定所述待测试用户的数值，包括：
将所述待测试用户的第二关联网络输入空间马尔科夫链模型进行测试，确定所述待测试用户的数值。
在其中的一个实施例中，所述根据所述关联变量和所述关联设备标识生成衍生变量，包括：
统计各个所述关联设备标识在预设级别范围内的路径的数量，并将所述关联设备标识在预设级别范围内的路径的数量作为路径衍生变量；
统计各个所述关联设备标识所连接的关联变量的数量，并将所述关联设备标识所连接的关联变量的数量作为关联衍生变量；
获取所述关联设备标识所连接的关联变量对应的数值；
当所述关联变量对应的数值达到预设数值，将所述关联变量作为风险关联变量；
统计各个所述关联设备标识所连接的风险关联变量的数量，并将所述关联设备标识所连接的风险关联变量的数量作为风险衍生变量。
在其中的一个实施例中，所述待测试用户的各个信息中包含关联用户信息；
所述将所述待测试用户的第一关联网络输入空间马尔科夫链模型进行测试，确定所述待测试用户的数值，包括：
将所述待测试用户的第一关联网络输入空间马尔科夫链模型中，通过所述空间马尔科夫链模型根据所述第一关联网络中的各个关联用户信息获取对应的各个关联用户的数值；
根据各个关联用户的数值确定所述待测试用户的数值。
在其中的一个实施例中，所述方法还包括：
根据各个所述关联用户的数值确定所述关联用户在所述第一关联网络中的第一权重因子和所述关联用户对所述待测试用户的第二权重因子；
根据各个所述关联用户的数值、对应的第一权重因子和第二权重因子确定所述待测试用户的数值。
在其中的一个实施例中，所述方法还包括：
获取所述关联用户信息的最近一次的更新时刻，并根据所述最近一次的更新时刻确定所述关联用户信息的时长；
当所述时长大于或等于预设时长时，获取所述关联用户的各个信息；
根据所述关联用户的各个信息构建所述关联用户的第三关联网络；
将所述关联用户的第三关联网络输入空间马尔科夫链模型进行测试，确定所述关联用户的数值，并更新所述关联用户的数值。
一种测试装置，所述装置包括：
信息获取模块，用于获取待测试用户的各个信息；
关联网络构建模块，用于根据所述待测试用户的各个信息构建所述待测试用户的第一关联网络；
测试模块，用于将所述待测试用户的第一关联网络输入空间马尔科夫链模型进行测试，确定所述待测试用户的数值，所述数值用于表征所述待测试用户的风险水平；其中，所述空间马尔科夫链模型是根据关联网络训练得到的。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
上述测试方法、装置、计算机设备和存储介质，获取待测试用户的各个信息，将待测试用户的各个相关的信息构建待测试用户的第一关联网络，可以更加准确地得到待测试用户与各个信息的关联性以及各个信息之间的关联性，将待测试用户的第一关联网络输入空间马尔科夫链模型进行测试，确定待测试用户的数值，其中的空间马尔科夫链模型可以对待测试用户的多维度的第一关联网络进行测试，可以确定待测试用户更加准确的数值，从而得到待测试用户更加准确的风险水平。
附图说明
图1为一个实施例中测试方法的应用环境图；
图2为一个实施例中测试方法的流程示意图；
图3为一个实施例中生成衍生变量步骤的流程示意图；
图4为一个实施例中确定待测试用户数值步骤的流程示意图；
图5为一个实施例中待测试用户的关联网络的示意图；
图6为一个实施例中测试装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的测试方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。服务器104获取终端102发送的待测试用户的各个信息；根据待测试用户的各个信息构建待测试用户的第一关联网络；将待测试用户的第一关联网络输入空间马尔科夫链模型进行测试，确定待测试用户的数值，数值用于表征待测试用户的风险水平；其中，空间马尔科夫链模型是根据关联网络训练得到的。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种测试方法，包括以下步骤：
步骤202，获取待测试用户的各个信息。
待测试用户的各个信息可以是待测试用户使用的设备标识，如电脑标识、固定电话号码、计算机设备的IMEI（International Mobile Equipment Identity，国际移动设备识别码）号码等，可以是待测试用户的个人账户的标识，如手机号码、社交软件账号等，可以是计算机的MAC（Media Access Control，介质访问控制）地址，可以是待测试用户所连接的WiFi标识，还可以是待测试用户的联系人的信息等，不限于此。
待测试用户的各个信息中，存在强风险属性的信息和弱风险属性的信息。其中，强风险属性的信息指的是该信息与待测试用户的关联性较强，通过该强风险属性的信息，可以较大地影响待测试用户的风险水平；弱风险属性的信息指的是该信息与待测试用户的关联性较弱，通过该弱风险属性的信息，可以较小地影响待测试用户的风险水平。
例如，强风险属性的信息可以是手机号码、电脑标识、计算机设备的IMEI号码、计算机设备的MAC地址等，弱风险属性的信息可以是公共场所的WiFi标识，待测试用户提供的联系人信息等。
可以理解的是，公共场所的WiFi标识一般用于公众接入，而待测试用户与接入同一公共场所的WiFi的其他公众的关联性较弱，因此，待测试用户所接入的公共场所的WiFi标识为弱风险属性的信息。待测试用户提供的联系人信息可能存在错误或者虚假的情况，因此，待测试用户提供的联系人信息也为弱风险属性的信息。
步骤204，根据待测试用户的各个信息构建待测试用户的第一关联网络。
关联网络指的是将各个相关的信息进行关联得到的网络。例如，A与B存在联系，则将A与B进行连接；B与C和D存在联系，则将B分别与C、D连接。
第一关联网络指的是将待测试用户的各个信息进行关联，得到的关联网络。例如，待测试用户的手机号码与另一个手机号码存在联系，则在第一关联网络中构建一个路径，将另一个手机号码与待测试用户进行连接；待测试用户电子设备与另一台电子设备接入同一个WiFi，则在第一关联网络中构建一个路径，将另一台电子设备与待测试用户进行连接。
步骤206，将待测试用户的第一关联网络输入空间马尔科夫链模型进行测试，确定待测试用户的数值，数值用于表征待测试用户的风险水平；其中，空间马尔科夫链模型是根据关联网络训练得到的。
马尔科夫链指的是一个系统的状态转换过程中第n次转换获得的状态取决于前一次（第（n-1）次）的结果。例如，待测试用户的过去状态为风险水平低，现在状态为风险水平高，则未来的下一次状态仅取决于现在状态，而与过去状态无关。
传统的马尔科夫链中的各个状态是按照时间先后顺序进行的，而空间马尔科夫链是从空间上进行的。空间马尔科夫链指的是根据多维度的空间上获取状态的马尔科夫链。例如，可以从使用的设备的维度、接入的网络的维度、关联用户的风险水平的维度、风险水平较高的关联用户的数量的维度等维度得到待测试用户的状态。
将待测试用户的第一关联网络输入空间马尔科夫链模型中，从而可以确定待测试用户的数值。在将待测试用户的第一关联网络输入空间马尔科夫链模型之前，可以对空间马尔科夫链模型进行训练。训练使用的训练数据可以是存储在数据库中的各个用户的关联网络，关联网络中包含了各个用户的各个信息。可以使用机器学习对空间马尔科夫链模型进行训练，如遗传算法、增强学习算法、神经网络算法、监督学习算法等等，不限于此。
上述测试方法，获取待测试用户的各个信息，将待测试用户的各个相关的信息构建待测试用户的第一关联网络，可以更加准确地得到待测试用户与各个信息的关联性以及各个信息之间的关联性，将待测试用户的第一关联网络输入空间马尔科夫链模型进行测试，确定待测试用户的数值，其中的空间马尔科夫链模型可以对待测试用户的多维度的第一关联网络进行测试，可以确定待测试用户更加准确的数值，从而得到待测试用户更加准确的风险水平。
在一个实施例中，获取待测试用户的各个信息，可以对待测试用户的各个信息进行预处理，如去除待测试用户中的错误信息、无效信息等，对待测试用户的各个信息进行格式转换，便于导入进数据库中。当需要获取待测试用户的各个信息时，从数据库中获取待测试用户的各个信息，各个信息中包含了关联用户的各个信息，根据待测试用户的各个信息构建第一关联网络，并将第一关联网络输入空间马尔科夫链模型中，得到待测试用户的数值，从而得到待测试用户的风险水平。
在一个实施例中，待测试用户的各个信息中包含关联用户信息；根据待测试用户的各个信息构建待测试用户的第一关联网络，包括：根据关联用户信息生成对应的关联变量；从待测试用户的各个信息中获取各个关联变量的关联设备标识；将待测试用户的标识、各个关联变量和关联设备标识进行连接，得到待测试用户的第一关联网络。
关联用户信息指的是与待测试用户存在联系的用户的信息，如待测试用户为A，与待测试用户存在联系的用户为B，则用户B为待测试用户A的关联用户，关联用户信息可以是B使用的手机号码、接入的WiFi标识、使用的设备标识等，不限于此。
关联变量是关联用户对应的变量，可以用于表示关联用户的风险水平。在待测试用户的各个信息中，还包括关联设备标识，如待测试用户与关联用户共同使用的计算机设备标识、待测试用户与关联用户进行通话的通讯设备标识等，不限于此。
将各个关联变量和关联设备标识进行连接，得到待测试用户的第一关联网络。
上述测试方法，根据关联用户信息生成对应的关联变量，并获取各个关联变量的关联设备标识，将待测试用户的标识、各个关联变量和关联设备的标识进行连接，可以得到待测试用户的第一关联网络，构建的第一关联网络可以将待测试用户与各个信息之间的关系，以及各个信息之间的关系表示出来，从而可以更加准确地测试待测试用户的风险水平。
在一个实施例中，上述测试方法还包括：根据关联变量和关联设备标识生成衍生变量；将待测试用户的标识、各个关联变量、关联设备和衍生变量进行连接，得到待测试用户的第二关联网络。将待测试用户的第一关联网络输入空间马尔科夫链模型进行测试，确定待测试用户的数值，包括：将待测试用户的第二关联网络输入空间马尔科夫链模型进行测试，确定待测试用户的数值。
衍生变量指的是根据关联变量和关联设备衍生出来的变量。例如，关联设备A所连接的关联变量的数量，可以作为一个衍生变量；关联设备在三级范围内的路径数量，可以作为一个衍生变量，不限于此。
可以理解的是，待测试用户的各个信息存在各种联系，该各种联系可能对待测试用户的风险水平影响较大，则将该联系衍生为一个衍生变量，并根据待测试用户的标识、各个关联变量、关联设备和衍生变量进行连接，可以构建更加准确的待测试用户的第二关联网络，从而更加准确地测试出待测试用户的风险水平。
例如，待测试用户的关联设备为通讯设备，与该通讯设备进行通讯的关联用户为10个，且10个关联用户中风险水平较高的关联用户的数量为8个，则可以将风险水平较高的关联用户的数量与该通讯设备的全部关联用户的数量的比例，作为衍生变量。
上述测试方法，根据关联变量和关联设备标识生成衍生变量，将待测试用户的标识、各个关联变量、关联设备和衍生变量进行连接，可以得到更加准确的待测试用户的第二关联网络，从而更加准确地测试出待测试用户的风险水平。
在一个实施例中，如图3所示，根据关联变量和关联设备标识生成衍生变量，包括：
步骤302，统计各个关联设备标识在预设级别范围内的路径的数量，并将关联设备标识在预设级别范围内的路径的数量作为路径衍生变量。
将与关联设备标识直接连接的路径作为一级路径，通过一级路径与关联设备标识间接连接的路径作为二级路径，以此类推，可以得到三级路径、四级路径等。例如，关联设备标识为A，则在一个关联网络E-F-A-B-C中，一级路径为F-A和A-B，二级路径为E-F和B-C。可以理解的是，路径的级别越低，表示该路径与关联设备的联系更相关。在预设级别范围内的路径的数量，可以较大地表示关联设备对待测试用户的风险水平的影响。
统计各个关联设备标识在预设级别范围内的路径的数量，并将关联设备标识在预设级别内的路径的数量作为路径衍生变量。例如，预设级别范围为3级范围，关联设备标识为A，则在一个关联网络G-D-E-F-A-B-C中，A-B和F-A为一级路径，B-C和E-F为二级路径，D-E为三级路径，衍生变量即关联设备标识A在3级范围内的路径的数量为5。
步骤304，统计各个关联设备标识所连接的关联变量的数量，并将关联设备标识所连接的关联变量的数量作为关联衍生变量。
关联设备标识可以连接其他的关联设备标识，也可以连接关联用户对应的关联变量。例如，关联设备为交换机，则该交换机可以连接路由器，也可以直接连接关联用户。因此，关联设备标识为交换机的标识，可以连接路径器的标识，也可以连接关联用户对应的关联变量。
统计各个关联设备标识所连接的关联变量的数量，并将关联设备标识所连接的关联变量的数量作为关联衍生变量。关联设备标识所连接的关联变量的数量，也可以较大地表示关联设备和关联变量对待测试用户的风险水平的影响。
步骤306，获取关联设备标识所连接的关联变量对应的数值。
关联变量对应的数值用于表征关联变量对应的关联用户的风险水平。关联变量对应的数值越高，表示关联变量对应的关联用户的风险越高。
步骤308，当关联变量对应的数值达到预设数值，将关联变量作为风险关联变量。
当关联变量对应的数值达到预设数值时，表示关联变量对应的关联用户的风险水平较高，则将该关联变量作为风险关联变量。
步骤310，统计各个关联设备标识所连接的风险关联变量的数量，并将关联设备标识所连接的风险关联变量的数量作为风险衍生变量。
统计各个关联设备标识所连接的风险关联变量的数量，即与关联设备所连接的关联用户的风险水平较高的数量，并将该数量作为风险衍生变量。
可以理解的是，一个设备所连接的高风险用户的数量较多，则与该设备连接的待测试用户的风险水平也越高。因此，风险衍生变量可以较大地影响待测试用户的风险水平。
上述测试方法，将关联设备标识在预设级别范围内的路径的数量作为路径衍生变量，将关联设备标识所连接的关联变量的数量作为关联衍生变量，将关联设备标识所连接的风险关联变量的数量作为风险衍生变量，可以更准确地得到衍生变量。
在一个实施例中，待测试用户的各个信息中包含关联用户信息；将待测试用户的第一关联网络输入空间马尔科夫链模型进行测试，确定待测试用户的数值，包括：将待测试用户的第一关联网络输入空间马尔科夫链模型中，通过空间马尔科夫链模型根据第一关联网络中的各个关联用户信息获取对应的各个关联用户的数值；根据各个关联用户的数值确定待测试用户的数值。
空间马尔科夫链模型获取输入的第一关联网络后，获取第一关联网络中的各个关联用户的数值，即各个关联用户的风险水平，根据各个关联用户的数值确定待测试用户的数值。
进一步地，获取各个关联用户的关联级别；根据各个关联用户的数值和关联级别确定待测试用户的数值。
关联级别指的是关联用户与待测试用户关联的级别。例如，关联用户直接与待测试用户进行连接，则该关联用户的关联级别为一级；关联用户通过关联级别为一级的关联用户间接与待测试用户进行连接，则该关联用户的关联级别为二级；以此类推。可以理解的是，关联用户的关联级别越小，则该关联用户与待测试用户的联系越大。
上述测试方法，通过空间马尔科夫链模型根据第一关联网络中的各个关联用户信息获取各个关联用户的数值，从而可以确定更加准确的待测试用户的数值。
在一个实施例中，还可以获取关联用户的标签，根据各个关联用户的数值和关联用户的标签确定待测试用户的数值。
关联用户的标签可以是高风险、低风险、信用极好、信用差、逾期用户、欺诈用户、注册时长较长、注册时长较短等，不限于此。其中，注册时长指的是关联用户注册的时长。增加了关联用户的标签维度，可以更加准确地确定待测试用户的数值。
在一个实施例中，还可以获取待测试用户的历史数据，根据各个关联用户的数值和待测试用户的历史数据确定待测试用户的数值。
待测试用户的历史数据表征待测试用户过去的风险水平，根据待测试用户过去的历史数据和各个关联用户的数值，可以更加准确地确定待测试用户的数值。
在一个实施例中，如图4所示，上述方法还包括：
步骤402，根据各个关联用户的数值确定关联用户在第一关联网络中的第一权重因子和关联用户对待测试用户的第二权重因子。
第一权重因子指的是关联用户在第一关联网络中的权重系数。第二权重因子指的是关联用户对待测试用户的权重系数。第一权重因子越大，表示第一权重因子对应的关联用户在第一关联网络中所占的权重越大。第二权重因子越大，表示第二权重因子对应的关联用户对待测试用户的权重越大。
步骤404，根据各个关联用户的数值、对应的第一权重因子和第二权重因子确定待测试用户的数值。
在一个实施例中，待测试用户的关联用户A的数值为80，第一权重因子为0.5，第二权重因子为1；待测试用户的关联用户B的数值为50，第一权重因子为0.2，第二权重因子为0.2；待测试用户的关联用户C的数值为10，第一权重因子为0.3，第二权重因子为0.1；则待测试用户的数值可以是80*0.5*1+50*0.2*0.2+10*0.3*0.1=40+1+0.3=41.3，表示待测试用户的风险水平为中等水平。
上述测试方法，根据各个关联用户的数值确定关联用户在第一关联网络中的第一权重因子和关联用户对待测试用户的第二权重一致，根据各个关联用户的数值、对应的第一权重因子和第二权重因子，可以更加准确地确定待测试用户的数值。
在一个实施例中，如图5所示，待测试用户为A，B、C、D、E、F、G分别为待测试用户A的关联用户，502、504、506、508、510分别为关联设备，联系人H和联系人I分别为待测试用户提供的联系人。获取关联用户B、C、D、E、F、G的数值分别为a1、a2、a3、a4、a5、a6，关联用户B、C、D、E、F、G对应的第一权重因子分别为P（B）、P（C）、P（D）、P（E）、P（F）、P（G），关联用户B、C、D、E、F、G对应的第二权重因子分别为P（A|B）、P（A|C）、P（A|D）、P（A|E）、P（A|F）、P（A|G）。则待测试用户A的数值为a1∗P(B)∗P(A|B)+ a2∗P(C)∗P(A|C)+a3∗P(D)∗P(A|D)+a4∗P(E)∗P(A|E)+a5∗P(F)∗P(A|F)+ a6∗P(G)∗P(A|G)。
在一个实施例中，上述方法还包括：获取关联用户信息的最近一次的更新时刻，并根据最近一次的更新时刻确定关联用户信息的时长；当时长大于或等于预设时长时，获取关联用户的各个信息；根据关联用户的各个信息构建关联用户的第三关联网络；将关联用户的第三关联网络输入空间马尔科夫链模型进行测试，确定关联用户的数值，并更新关联用户的数值。
可以理解的是，待测试用户的关联用户信息可能发生改变，为保证关联用户信息的有效性，需要对关联用户信息进行验证。例如，关联用户由于外界因素，如账号被盗导致关联用户的数值较高，即风险水平较高。但是经过关联用户处理之后，关联用户的风险水平降低。因此，需要对关联用户的信息进行更新，获取关联用户正确的信息，从而根据关联用户正确的信息确定待测试用户更加准确的数值。
获取关联用户信息的最近一次的更新时刻，并根据最近一次的更新时刻确定关联用户信息的时长。其中，关联用户信息的时长指的是最近一次的更新时刻至现在的时长。当时长大于或等于预设时长时，表示关联用户信息失效，重新获取关联用户的各个信息。根据关联用户的各个信息构建关联用户的第三关联网络，将第三关联网络输入空间马尔科夫链模型进行测试，确定关联用户的数值，并更新关联用户的数值。
上述测试方法，对关联用户信息进行更新，可以获取关联用户正确的信息，从而根据关联用户正确的信息确定待测试用户更加准确的数值。
在一个实施例中，上述方法还包括：当待测试用户的数值大于或等于风险阈值时，将待测试用户的状态为第一风险状态；当待测试用户的数值小于风险阈值时，将待测试用户的状态为第二风险状态。
当待测试用户的数值大于或等于风险阈值时，表示待测试用户的风险水平较高，则将待测试用户的状态作为第一风险状态，即高风险状态。当待测试用户的数值小于风险阈值时，表示待测试用户的风险水平较低，则将待测试用户的状态作为第二风险状态，即低风险状态。
应该理解的是，虽然图2至图4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2至图4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种测试装置600，包括：信息获取模块602、关联网络构建模块604和测试模块606，其中：
信息获取模块602，用于获取待测试用户的各个信息。
关联网络构建模块604，用于根据待测试用户的各个信息构建待测试用户的第一关联网络。
测试模块606，用于将待测试用户的第一关联网络输入空间马尔科夫链模型进行测试，确定待测试用户的数值，数值用于表征待测试用户的风险水平；其中，空间马尔科夫链模型是根据关联网络训练得到的。
上述测试装置，获取待测试用户的各个信息，将待测试用户的各个相关的信息构建待测试用户的第一关联网络，可以更加准确地得到待测试用户与各个信息的关联性以及各个信息之间的关联性，将待测试用户的第一关联网络输入空间马尔科夫链模型进行测试，确定待测试用户的数值，其中的空间马尔科夫链模型可以对待测试用户的多维度的第一关联网络进行测试，可以确定待测试用户更加准确的数值，从而得到待测试用户更加准确的风险水平。
在一个实施例中，上述关联网络构建模块604还用于根据关联用户信息生成对应的关联变量；从待测试用户的各个信息中获取各个关联变量的关联设备标识；将待测试用户的标识、各个关联变量和关联设备标识进行连接，得到待测试用户的第一关联网络。
在一个实施例中，上述关联网络构建模块604还用于根据关联变量和关联设备标识生成衍生变量；将待测试用户的标识、各个关联变量、关联设备和衍生变量进行连接，得到待测试用户的第二关联网络。将待测试用户的第一关联网络输入空间马尔科夫链模型进行测试，确定待测试用户的数值，包括：将待测试用户的第二关联网络输入空间马尔科夫链模型进行测试，确定待测试用户的数值。
在一个实施例中，上述关联网络构建模块604还用于统计各个关联设备标识在预设级别范围内的路径的数量，并将关联设备标识在预设级别范围内的路径的数量作为路径衍生变量；统计各个关联设备标识所连接的关联变量的数量，并将关联设备标识所连接的关联变量的数量作为关联衍生变量；获取关联设备标识所连接的关联变量对应的数值；当关联变量对应的数值达到预设数值，将关联变量作为风险关联变量；统计各个关联设备标识所连接的风险关联变量的数量，并将关联设备标识所连接的风险关联变量的数量作为风险衍生变量。
在一个实施例中，上述测试模块606还用于将待测试用户的第一关联网络输入空间马尔科夫链模型中，通过空间马尔科夫链模型根据第一关联网络中的各个关联用户信息获取对应的各个关联用户的数值；根据各个关联用户的数值确定待测试用户的数值。
在一个实施例中，上述测试模块606还用于根据各个关联用户的数值确定关联用户在第一关联网络中的第一权重因子和关联用户对待测试用户的第二权重因子；根据各个关联用户的数值、对应的第一权重因子和第二权重因子确定待测试用户的数值。
在一个实施例中，上述测试装置还包括更新模块，用于获取关联用户信息的最近一次的更新时刻，并根据最近一次的更新时刻确定关联用户信息的时长；当时长大于或等于预设时长时，获取关联用户的各个信息；根据关联用户的各个信息构建关联用户的第三关联网络；将关联用户的第三关联网络输入空间马尔科夫链模型进行测试，确定关联用户的数值，并更新关联用户的数值。
在一个实施例中，上述测试装置还包括风险状态获取模块，用于当待测试用户的数值大于或等于风险阈值时，将待测试用户的状态作为第一风险状态；当待测试用户的数值小于风险阈值时，将待测试用户的状态作为第二风险状态。
关于测试装置的具体限定可以参见上文中对于测试方法的限定，在此不再赘述。上述测试装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种测试方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述测试方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述测试方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种测试方法，所述方法包括：
获取待测试用户的各个信息；所述待测试用户的各个信息中包含关联用户信息；
根据所述关联用户信息生成对应的关联变量；
从所述待测试用户的各个信息中获取各个关联变量的关联设备标识；
统计各个所述关联设备标识在预设级别范围内的路径的数量，并将所述关联设备标识在预设级别范围内的路径的数量作为路径衍生变量；其中，按照路径和关联设备标识的直接连接或间接连接的层次数量关系，将路径分级；路径的级别越低，表示所述路径与关联设备的联系更相关，在所述预设级别范围内的路径的数量，表示关联设备对所述待测试用户的风险水平的影响；
统计各个所述关联设备标识所连接的关联变量的数量，并将所述关联设备标识所连接的关联变量的数量作为关联衍生变量；
获取所述关联设备标识所连接的关联变量对应的数值；当所述关联变量对应的数值达到预设数值，将所述关联变量作为风险关联变量；
统计各个所述关联设备标识所连接的风险关联变量的数量，并将所述关联设备标识所连接的风险关联变量的数量作为风险衍生变量；所述路径衍生变量、所述关联衍生变量、所述风险关联变量和所述风险衍生变量均属于衍生变量；
将所述待测试用户的标识、各个所述关联变量、关联设备和衍生变量进行连接，得到所述待测试用户的第二关联网络；
将所述待测试用户的第二关联网络输入空间马尔科夫链模型进行测试，确定所述待测试用户的数值，所述数值用于表征所述待测试用户的风险水平；其中，所述空间马尔科夫链模型是根据关联网络训练得到的。
2.根据权利要求1所述的方法，其特征在于，所述将所述待测试用户的第二关联网络输入空间马尔科夫链模型进行测试，确定所述待测试用户的数值，包括：
将所述待测试用户的第二关联网络输入空间马尔科夫链模型中，通过所述空间马尔科夫链模型根据所述第二关联网络中的各个关联用户信息获取对应的各个关联用户的数值；
根据各个关联用户的数值确定所述待测试用户的数值。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
根据各个所述关联用户的数值确定所述关联用户在所述第二关联网络中的第一权重因子和所述关联用户对所述待测试用户的第二权重因子；
根据各个所述关联用户的数值、对应的第一权重因子和第二权重因子确定所述待测试用户的数值。
4.根据权利要求2所述的方法，其特征在于，所述方法还包括：
获取所述关联用户信息的最近一次的更新时刻，并根据所述最近一次的更新时刻确定所述关联用户信息的时长；
当所述时长大于或等于预设时长时，获取所述关联用户的各个信息；
根据所述关联用户的各个信息构建所述关联用户的第三关联网络；
将所述关联用户的第三关联网络输入空间马尔科夫链模型进行测试，确定所述关联用户的数值，并更新所述关联用户的数值。
5.一种测试装置，其特征在于，所述装置包括：
信息获取模块，用于获取待测试用户的各个信息；所述待测试用户的各个信息中包含关联用户信息；
关联网络构建模块，用于根据所述关联用户信息生成对应的关联变量；从所述待测试用户的各个信息中获取各个关联变量的关联设备标识；统计各个所述关联设备标识在预设级别范围内的路径的数量，并将所述关联设备标识在预设级别范围内的路径的数量作为路径衍生变量；其中，按照路径和关联设备标识的直接连接或间接连接的层次数量关系，将路径分级；路径的级别越低，表示所述路径与关联设备的联系更相关，在所述预设级别范围内的路径的数量，表示关联设备对所述待测试用户的风险水平的影响；统计各个所述关联设备标识所连接的关联变量的数量，并将所述关联设备标识所连接的关联变量的数量作为关联衍生变量；获取所述关联设备标识所连接的关联变量对应的数值；当所述关联变量对应的数值达到预设数值，将所述关联变量作为风险关联变量；统计各个所述关联设备标识所连接的风险关联变量的数量，并将所述关联设备标识所连接的风险关联变量的数量作为风险衍生变量；所述路径衍生变量、所述关联衍生变量、所述风险关联变量和所述风险衍生变量均属于衍生变量；将所述待测试用户的标识、各个所述关联变量、关联设备和衍生变量进行连接，得到所述待测试用户的第二关联网络；
测试模块，用于将所述待测试用户的第二关联网络输入空间马尔科夫链模型进行测试，确定所述待测试用户的数值，所述数值用于表征所述待测试用户的风险水平；其中，所述空间马尔科夫链模型是根据关联网络训练得到的。
6.根据权利要求5所述的装置，其特征在于，所述测试模块还用于将所述待测试用户的第二关联网络输入空间马尔科夫链模型中，通过所述空间马尔科夫链模型根据所述第二关联网络中的各个关联用户信息获取对应的各个关联用户的数值；根据各个关联用户的数值确定所述待测试用户的数值。
7.根据权利要求6所述的装置，其特征在于，所述测试模块还用于根据各个所述关联用户的数值确定所述关联用户在所述第二关联网络中的第一权重因子和所述关联用户对所述待测试用户的第二权重因子；根据各个所述关联用户的数值、对应的第一权重因子和第二权重因子确定所述待测试用户的数值。
8.根据权利要求6所述的装置，其特征在于，所述装置还包括更新模块；所述更新模块用于获取所述关联用户信息的最近一次的更新时刻，并根据所述最近一次的更新时刻确定所述关联用户信息的时长；当所述时长大于或等于预设时长时，获取所述关联用户的各个信息；根据所述关联用户的各个信息构建所述关联用户的第三关联网络；将所述关联用户的第三关联网络输入空间马尔科夫链模型进行测试，确定所述关联用户的数值，并更新所述关联用户的数值。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
CN201910608758.6A 2019-07-08 2019-07-08 测试方法、装置、计算机设备和存储介质 Active CN110503296B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910608758.6A CN110503296B (zh) 2019-07-08 2019-07-08 测试方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910608758.6A CN110503296B (zh) 2019-07-08 2019-07-08 测试方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN110503296A CN110503296A (zh) 2019-11-26
CN110503296B true CN110503296B (zh) 2022-05-06

Family

ID=68585525

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910608758.6A Active CN110503296B (zh) 2019-07-08 2019-07-08 测试方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN110503296B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461892B (zh) * 2020-03-31 2021-07-06 支付宝(杭州)信息技术有限公司 用于风险识别模型的衍生变量选择方法和装置
CN113628032B (zh) * 2021-08-12 2024-02-09 上海上湖信息技术有限公司 一种确定用户关系的方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106104512A (zh) * 2013-09-19 2016-11-09 西斯摩斯公司 用于主动获取社交数据的系统和方法
CN108320040A (zh) * 2017-01-17 2018-07-24 国网重庆市电力公司 基于贝叶斯网络优化算法的采集终端故障预测方法及系统
CN108932978A (zh) * 2018-07-10 2018-12-04 南京大学 基于过程模拟及不确定性分析的污染物健康风险评价方法
CN109117641A (zh) * 2018-08-15 2019-01-01 北京理工大学 一种基于i-hmm的网络安全风险评估方法
CN109461043A (zh) * 2018-09-18 2019-03-12 深圳壹账通智能科技有限公司 产品推送方法、装置、计算机设备和存储介质
CN109657837A (zh) * 2018-11-19 2019-04-19 平安科技（深圳）有限公司 违约概率预测方法、装置、计算机设备和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106104512A (zh) * 2013-09-19 2016-11-09 西斯摩斯公司 用于主动获取社交数据的系统和方法
CN108320040A (zh) * 2017-01-17 2018-07-24 国网重庆市电力公司 基于贝叶斯网络优化算法的采集终端故障预测方法及系统
CN108932978A (zh) * 2018-07-10 2018-12-04 南京大学 基于过程模拟及不确定性分析的污染物健康风险评价方法
CN109117641A (zh) * 2018-08-15 2019-01-01 北京理工大学 一种基于i-hmm的网络安全风险评估方法
CN109461043A (zh) * 2018-09-18 2019-03-12 深圳壹账通智能科技有限公司 产品推送方法、装置、计算机设备和存储介质
CN109657837A (zh) * 2018-11-19 2019-04-19 平安科技（深圳）有限公司 违约概率预测方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN110503296A (zh) 2019-11-26

Similar Documents

Publication Publication Date Title
CN109474578B (zh) 报文消息校验方法、装置、计算机设备和存储介质
CN109522400B (zh) 核保方法、装置、计算机设备和存储介质
CN110503296B (zh) 测试方法、装置、计算机设备和存储介质
CN112529100B (zh) 多分类模型的训练方法、装置、电子设备及存储介质
CN112637008B (zh) 链路模拟测试方法、装置、系统、计算机设备和存储介质
CN110162939B (zh) 人机识别方法、设备和介质
CN112417315A (zh) 基于网站注册的用户画像生成方法、装置、设备和介质
CN113987182A (zh) 基于安全情报的欺诈实体识别方法、装置及相关设备
CN111124898A (zh) 问答系统测试方法、装置、计算机设备和存储介质
CN105162931B (zh) 一种通信号码的分类方法及装置
CN111898035B (zh) 基于物联网的数据处理策略配置方法、装置和计算机设备
CN113360300A (zh) 接口调用链路生成方法、装置、设备及可读存储介质
CN114549849A (zh) 图像识别方法、装置、计算机设备和存储介质
CN111679953A (zh) 基于人工智能的故障节点识别方法、装置、设备和介质
CN115758271A (zh) 数据处理方法、装置、计算机设备和存储介质
CN110598124A (zh) 数值属性挖掘方法、装置、计算机设备和存储介质
CN114491093B (zh) 多媒体资源推荐、对象表征网络的生成方法及装置
CN112199434B (zh) 数据处理方法、装置、电子设备及存储介质
CN111694969B (zh) 一种用户身份识别方法及装置
CN111835561B (zh) 基于用户行为数据的异常用户群体检测方法、装置、设备
CN116150341B (zh) 理赔事件检测方法、计算机设备和存储介质
CN110008220B (zh) 黑名单传导图谱衰减系数获取方法、装置和计算机设备
CN115269402A (zh) 测试数据匹配方法、装置、计算机设备及存储介质
CN115065585A (zh) 业务异常监测方法、装置、电子设备及存储介质
CN111835561A (zh) 基于用户行为数据的异常用户群体检测方法、装置、设备

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
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.)

Patentee after: Zhaolian Consumer Finance Co.,Ltd.

Country or region after: China

Address before: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.)

Patentee before: MERCHANTS UNION CONSUMER FINANCE Co.,Ltd.

Country or region before: China