CN110503563B - 风险控制方法及系统 - Google Patents
风险控制方法及系统 Download PDFInfo
- Publication number
- CN110503563B CN110503563B CN201910605224.8A CN201910605224A CN110503563B CN 110503563 B CN110503563 B CN 110503563B CN 201910605224 A CN201910605224 A CN 201910605224A CN 110503563 B CN110503563 B CN 110503563B
- Authority
- CN
- China
- Prior art keywords
- information
- verification
- client
- distance
- risk
- 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
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
- G06Q40/08—Insurance
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种风险控制方法,包括:利用APP埋点数据,获取客户登录所述APP时目标位置的第一GPS坐标信息;获取所述客户预设位置的预设地址信息;通过调取应用程序接口,将所述预设地址信息转化成第二GPS坐标信息;将所述第一GPS坐标信息及所述第二GPS坐标信息按照预设计算公式计算所述目标位置与所述预设位置之间的距离;将所述距离输入至预先训练的分类模型中以对所述距离进行分类,并根据分类结果判断所述目标位置的风险等级;及根据所述风险等级,设置对应的验证规则对所述客户进行身份验证,以对风险进行控制。通过本发明实施例,提高了风险管控水平,同时显著提升了分类模型的精度和准确度。
Description
技术领域
本发明实施例涉及大数据领域,尤其涉及一种风险控制方法、系统、计算机设备及可读存储介质。
背景技术
目前的应用程序金管家APP已经拥有3亿多的注册用户,由于金管家APP存在各种埋点数据,其中GPS就是重要的埋点数据。金管家APP每天需要花费大量的内存对GPS数据进行存储,若是不加以利用,只会造成严重的资源浪费。故,本发明实施例旨在如何利用GPS数据对保全、核保及理赔进行风险控制,以提高风险控制的准确度及效率。
发明内容
有鉴于此,有必要提供一种风险控制方法、系统、计算机设备及可读存储介质,能够对业务的风险进行管控,提高风险管控水平,同时显著提升分类模型的精度和准确度。
为实现上述目的,本发明实施例提供了一种风险控制方法,所述方法包括:
利用APP埋点数据,获取客户登录所述APP时目标位置的第一GPS坐标信息,其中,所述第一GPS坐标信息包括第一纬度信息X1及第一经度信息Y1;
获取所述客户预设位置的预设地址信息,其中,所述预设地址信息包括家庭地址信息、学习地址信息及工作地址信息;
通过调取应用程序接口,将所述预设地址信息转化成第二GPS坐标信息,其中,所述第二GPS坐标信息包括第二纬度信息X2及第二经度信息Y2;
将所述第一GPS坐标信息及所述第二GPS坐标信息按照预设计算公式计算所述目标位置与所述预设位置之间的距离;
将所述距离输入至预先训练的分类模型中以对所述距离进行分类,并根据分类结果判断所述目标位置的风险等级;及
根据所述风险等级,设置对应的验证规则对所述客户进行身份验证,以对风险进行控制,其中,所述预设校验规则包括身份证号校验、短信验证码校验、人脸识别校验和/或邮箱验证码校验中的一种或多种的组合。
优选地,所述利用APP埋点数据,获取客户登录所述APP时目标位置的第一GPS坐标信息的步骤之前,还包括步骤:
监控所述客户是否登录所述APP;及
当监控到所述客户登录所述APP时,对所述客户登录所述APP的目标位置信息进行埋点。
优选地,所述预设计算公式为:
x1=2πX1/360;
y1=2πY1/360;
x2=2πX2/360;
y2=2πY2/360;
D=R*arccos(sin(x1)*sin(x2)+cos(x1)*cos(x2)*cos(y1-y2));
其中,X1为所述第一纬度信息,Y1为所述第一经度信息,X2为所述第二纬度信息,Y2为所述第二经度信息,x1为所述第一纬度信息的弧度单位,y1为所述第一经度信息的弧度单位,x2为所述第二纬度信息的弧度单位,y2为所述第二经度信息的弧度单位,D为所述距离,R为地球半径,数值为6378137m。
优选地,所述将所述距离输入至预先训练的分类模型中的步骤之前,还包括步骤:
从大数据中获取历史目标位置与历史预设位置之间的历史距离及与所述历史距离对应验证结果标签信息;及
根据所述历史距离及所述验证结果标签信息训练所述分类模型。
优选地,数据库中预先存储有通过率风险等级表,其中所述通过率风险登记表中保存有预设验证通过率及与所述验证通过率对应的风险等级,所述根据所述历史距离及所述验证结果标签信息训练所述分类模型的步骤,还包括步骤:
根据所述标签信息,统计所述历史距离的总数量及验证结果为验证通过的通过数量;
根据所述总数量及所述通过数量,计算所述历史距离的通过率;及
将所述通过率与所述通过率风险等级表中的预设验证通过率进行匹配,以获取所述历史距离的风险等级信息。
优选地,所述根据所述风险等级,设置对应的验证规则对所述客户进行身份验证的步骤之后,还包括步骤:
根据所述校验规则获取所述客户的输入信息,以对所述客户进行身份验证并获取验证结果;
当所述验证结果为验证通过时,授予所述客户操作权限,以使所述客户办理所述APP中的相应业务,其中所述相应业务包括:保全办理、保单核保、理赔;及
当所述验证结果为不通过时,不授予所述客户操作权限,以禁止所述客户办理所述相应业务。
优选地,所述当所述验证结果为验证通过时,授予所述客户操作权限的步骤之后,还包括步骤:
获取所述验证结果;
将所述距离及所述验证结果输入至所述分类模型中;及
根据所述距离及所述验证结果调整所述分类模型中距离风险等级的对应关系,并更新所述对应关系,以完善所述分类模型。
为实现上述目的,本发明实施例还提供了一种风险控制系统,包括:
获取模块,用于利用APP埋点数据,获取客户登录所述APP时目标位置的第一GPS坐标信息及所述客户预设位置的预设地址信息,其中,所述第一GPS坐标信息包括第一纬度信息X1及第一经度信息Y1,所述预设地址信息包括家庭地址信息、学习地址信息及工作地址信息;
转化模块,用于通过调取应用程序接口,将所述预设地址信息转化成第二GPS坐标信息,其中,所述第二GPS坐标信息包括第二纬度信息X2及第二经度信息Y2;
计算模块,用于将所述第一GPS坐标信息及所述第二GPS坐标信息按照预设计算公式计算所述目标位置与所述预设位置之间的距离;
判断模块,用于将所述距离输入至预先训练的分类模型中以对所述距离进行分类,并根据分类结果判断所述目标位置的风险等级;及
设置模块,用于根据所述风险等级,设置对应的验证规则对所述客户进行身份验证,以对风险进行控制,其中,所述预设校验规则包括身份证号校验、短信验证码校验、人脸识别校验和/或邮箱验证码校验中的一种或多种的组合。
为实现上述目的,本发明实施例还提供了一种计算机设备,所述计算机设备存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被处理器执行时实现如上所述的风险控制方法的步骤。
为实现上述目的,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序可被至少一个处理器所执行,以使所述至少一个处理器执行如上所述的风险控制方法的步骤。
本发明实施例提供的风险控制方法、系统、计算机设备及可读存储介质,通过提供一种利用GPS信息控制风险的方法,通过利用APP埋点数据,获取客户登录所述APP时目标位置的第一GPS坐标信息及所述客户预设位置的预设地址信息,其中所述预设地址信息包括家庭地址信息、学习地址信息及工作地址信息,通过调取API将所述预设地址信息转化成第二GPS坐标信息,将所述第一GPS坐标信息及所述第二GPS坐标信息按照预设算法计算所述目标位置与所述预设位置之间的距离,将所述距离输入至预先训练的分类模型中,以判断所述目标位置的风险等级,并根据所述风险等级设置对应的验证规则,以对风险进行控制。本发明实施例通过利用APP中的GPS埋点数据,对业务的风险进行管控,提高了风险管控水平,同时显著提升分类模型的精度和准确度。
附图说明
图1为本发明实施例一之风险控制方法的步骤流程图。
图2为本发明实施例二之风险控制方法的步骤流程图。
图3为本发明实施例三之计算机设备的硬件架构示意图。
图4为本发明实施例四之风险控制系统的程序模块示意图。
附图标记:
计算机设备 | 2 |
存储器 | 21 |
处理器 | 22 |
网络接口 | 23 |
风险控制系统 | 20 |
获取模块 | 201 |
转化模块 | 202 |
计算模块 | 203 |
判断模块 | 204 |
设置模块 | 205 |
埋点模块 | 206 |
训练模块 | 207 |
处理模块 | 208 |
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。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他实施例,都属于本发明保护的范围。
需要说明的是,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
实施例一
参阅图1,示出了本发明实施例一之风险控制方法的步骤流程图。可以理解,本方法实施例中的流程图不用于对执行步骤的顺序进行限定。需要说明是,本实施例以计算机设备2为执行主体进行示例性描述。具体如下:
步骤S100,利用APP埋点数据,获取客户登录所述APP时目标位置的第一GPS坐标信息,其中,所述第一GPS坐标信息包括第一纬度信息X1及第一经度信息Y1。
在一较佳实施例中,若客户A在湖北登录APP(例如:金管家APP),则所述计算机设备2利用所述APP埋点数据获取该客户A登录所述APP时的GPS坐标信息。
具体实施例中,在利用APP埋点数据,获取客户登录所述APP时目标位置的第一GPS坐标信息之前,所述计算机设备2监控所述客户是否登录所述APP,当监控到所述客户登录所述APP时,对所述客户登录所述APP的目标位置信息进行埋点。例如,当监控到客户登录金管家APP的位置为广东省深圳市时,则将广东省深圳市进行埋点,以记录所述客户登录所述金管家APP的位置信息。
步骤S102,获取所述客户预设位置的预设地址信息,其中,所述预设地址信息包括家庭地址信息、学习地址信息及工作地址信息。
在一较佳实施例中,所述计算机设备2预设有所述客户设置的家庭地址信息、学校地址信息及工作地址信息。在另一较佳实施例中,通过获取客户的上网记录,统计并保存所述客户上网的常用端口(例如家、公司或学校)。
步骤S104,通过调取应用程序接口,将所述预设地址信息转化成第二GPS坐标信息,其中,所述第二GPS坐标信息包括第二纬度信息X2及第二经度信息Y2。
在一较佳实施例中,将所述预设地址信息映射于百度地图上,利用所述百度地图的API获取与所述预设地址信息对应的GPS坐标信息(也即第二GPS坐标信息)。
在另一较佳实施例中,根据客户上网的常用端口,调取百度API以从所述百度API获取所述客户的常用GPS坐标信息(也即第二GPS坐标信息)。
步骤S106,将所述第一GPS坐标信息及所述第二GPS坐标信息按照预设计算公式计算所述目标位置与所述预设位置之间的距离。其中,所述计算公式为:
x1=2πX1/360;
y1=2πY1/360;
x2=2πX2/360;
y2=2πY2/360;
D=R*arccos(sin(x1)*sin(x2)+cos(x1)*cos(x2)*cos(y1-y2));
其中,X1为所述第一纬度信息,Y1为所述第一经度信息,X2为所述第二纬度信息,Y2为所述第二经度信息,x1为所述第一纬度信息的弧度单位,y1为所述第一经度信息的弧度单位,x2为所述第二纬度信息的弧度单位,y2为所述第二经度信息的弧度单位,D为所述距离,R为地球半径,数值为6378137m。
步骤S108,将所述距离输入至预先训练的分类模型中以对所述距离进行分类,并根据分类结果判断所述目标位置的风险等级。
在一较佳实施例中,预先训练的分类模型中,当输入的距离为500米时,输出的风险等级为低;当输入的距离为3千米时,输出的风险等级为中;当输入的距离为20千米时,输出的风险等级为高。
在一较佳实施例中,将所述距离输入至预先训练的分类模型中之前,所述计算机设备2从大数据中获取历史目标位置与历史预设位置之间的历史距离及与所述历史距离对应验证结果标签信息,并根据所述历史距离及所述验证结果标签信息训练所述分类模型。
示例性地,由于距离的宽泛性,当历史距离为一数值时,数据库中保存的数据庞大,为了方便存储,本发明实施例中的历史距离为一个数据段,例如:50米以内,50~100米。为了方便,本发明实施例中的距离均用数值表示,可以理解的是该距离指的是位于包括该数值的数据段。
在另一较佳实施例中,所述计算机设备2预设有通过率风险等级表,其中所述通过率风险等级表中保存有预设验证通过率及与所述验证通过率对应的风险等级,根据所述历史距离及所述验证结果标签信息训练所述分类模型时,还根据所述标签信息,统计所述历史距离的总数量及验证结果为验证通过的通过数量,然后,根据所述总数量及所述通过数量,计算所述历史距离的通过率,最后,将所述通过率与所述通过率风险等级表中的预设验证通过率进行匹配,以获取所述历史距离的风险等级信息。
示例性地,若统计出距离为20千米的数量为5000个,验证通过的数量为2000个,通过计算验证通过率为40%,经过查找所述通过率风险等级表,与所述验证通过率40%对应的风险等级为高,将所述风险等级为高输出。
步骤S110,根据所述风险等级,设置对应的验证规则对所述客户进行身份验证,以对风险进行控制,其中,所述预设校验规则包括身份证号校验、短信验证码校验、人脸识别校验和/或邮箱验证码验证中的一种或多种的组合。
示例性地,当风险等级为低时,设置短信验证码校验对所述客户进行身份验证;当风险等级为中时,设置身份证号校验对所述客户进行身份验证;当风险等级为高时,设置人脸识别校验对所述客户进行身份验证。
实施例二
请参阅图2,示出了本发明实施例二之风险控制方法的步骤流程图。步骤S110之后,还包括步骤S200~S204:
步骤S200,根据所述校验规则获取所述客户的输入信息,以对所述客户进行身份验证并获取验证结果。
示例性地,若计算出的客户登录金管家APP时的位置为湖北省,而该客户的家庭地址在广东深圳,工作也在深圳,预设距离为20千米,显然湖北到深圳的距离远大于20千米,则所述计算机设备2按照预设校验规则发送需校验的信息至所述客户的金管家APP,并从所述金管家APP获取所述客户的输入信息,以校验该客户的输入信息与所述计算机设备2中保存的该客户的信息是否一致,并获取验证结果。例如:所述计算机设备2发送身份证验证的提示信息至该客户的金管家APP,并从所述金管家APP获取该客户输入的身份证信息,将所述获取到的身份证信息与所述计算机设备2中存储的该客户的身份证信息进行比较,并获取比较结果。
步骤S202,当所述验证结果为验证通过时,授予所述客户操作权限,以使所述客户办理所述APP中的相应业务,其中所述相应业务包括:保全办理、保单核保、理赔。
举例说明,若从所述金管家APP获取的客户A的身份证信息与所述计算机设备2中存储的客户A的身份证信息一致,则验证结果为通过,此时所述计算机设备2授予客户A操作权限,以使客户A办理所述金管家APP中的相应业务。
在一较佳实施例中,当所述验证结果为验证通过时,授予所述客户操作权限之后,先获取所述验证结果,然后,将所述距离及所述验证结果输入至所述分类模型中,最后根据所述距离及所述验证结果调整所述分类模型中距离风险等级的对应关系,并更新所述对应关系,以完善所述分类模型。
示例性地,所述分类模型至少包括:逻辑回归(Logistic Regression,LR)模型、LR+梯度提升决策树(Gradient Boosted Decision Tree,GBDT)模型、GBDT+因式分解机(Factorization Machine,FM)模型及GBDT+深度神经网络(Deep Neural Networks,DNN)模型。例如,输入至所述分类模型的距离为200千米,输出的结果为风险等级高,获取的验证结果为验证通过时,将所述距离及所述验证结果输入至所述分类模型中,以使所述分类模型根据所述距离及所述验证结果调整所述距离风险等级的对应关系,进而提高所述分类模型的精准度。
请参阅表1及表2,若输入至所述LR模型的距离为20千米,输出结果为风险等级低,获取的验证结果为验证不通过时,将所述距离为20千米及验证不通过的信息输入至所述LR模型中,重新计算所述距离为20千米的通过率,并将所述通过率与所述通过率风险等级表中的预设验证通过率进行匹配,匹配结果为风险等级为中,则获取所述距离为20千米的风险等级信息,并根据所述风险等级信息调整所述距离为20千米的距离风险等级的对应关系。
表1完善前距离风险等级表
距离D(千米) | 风险等级 |
D≦20 | 低 |
20<D<200 | 中 |
D≧200 | 高 |
表2完善后距离风险等级表
距离D(千米) | 风险等级 |
D<20 | 低 |
20≦D<200 | 中 |
D≧200 | 高 |
当然,距离的远近与风险等级的高低并无必然的联系。示例性地,在一较远的距离区间,风险等级低,在一较近的距离区间则风险等级高,需根据训练样本及其对应的验证结果决定。例如,0~20千米范围内风险等级为低,20~50千米范围内风险等级为中,50~80千米范围内风险等级也为低。此种情况,可能为用户经常出差或拜访熟人等。
步骤S204,当所述验证结果为验证不通过时,不授予所述客户操作权限,以禁止所述客户办理所述APP中的相应业务。
通过本发明实施例,能够对业务的风险进行管控,提高了风险管控水平,同事显著提升了分类模型的精度和准确度。
实施例三
请参阅图3,示出了本发明实施例三之计算机设备的硬件架构示意图。计算机设备2包括,但不仅限于,可通过系统总线相互通信连接存储器21、处理22以及网络接口23,图2仅示出了具有组件21-23的计算机设备2,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
所述存储器21至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器21可以是所述计算机设备2的内部存储单元,例如该计算机设备2的硬盘或内存。在另一些实施例中,所述存储器也可以是所述计算机设备2的外部存储设备,例如该计算机设备2上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器21还可以既包括所述计算机设备2的内部存储单元也包括其外部存储设备。本实施例中,所述存储器21通常用于存储安装于所述计算机设备2的操作系统和各类应用软件,例如风险控制系统20的程序代码等。此外,所述存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器22在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制所述计算机设备2的总体操作。本实施例中,所述处理器22用于运行所述存储器21中存储的程序代码或者处理数据,例如运行所述风险控制系统20等。
所述网络接口23可包括无线网络接口或有线网络接口,该网络接口23通常用于在所述计算机设备2与其他电子设备之间建立通信连接。例如,所述网络接口23用于通过网络将所述计算机设备2与外部终端相连,在所述计算机设备2与外部终端之间的建立数据传输通道和通信连接等。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System of Mobile communication,GSM)、宽带码分多址(WidebandCode Division Multiple Access,WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
实施例四
请参阅图4,示出了本发明实施例四之风险控制系统的程序模块示意图。在本实施例中,风险控制系统20可以包括或被分割成一个或多个程序模块,一个或者多个程序模块被存储于存储介质中,并由一个或多个处理器所执行,以完成本发明,并可实现上述风险控制方法。本发明实施例所称的程序模块是指能够完成特定功能的一系列计算机程序指令段,比程序本身更适合于描述风险控制系统20在存储介质中的执行过程。以下描述将具体介绍本实施例各程序模块的功能:
获取模块201,用于利用APP埋点数据,获取客户登录所述APP时目标位置的第一GPS坐标信息,其中,所述第一GPS坐标信息包括第一纬度信息X1及第一经度信息Y1。
在一较佳实施例中,若客户A在湖北登录APP(例如:金管家APP),则所述获取模块201利用所述APP埋点数据获取该客户A登录所述APP时的GPS坐标信息。
具体实施例中,所述风险控制系统20还包括埋点模块206,用于监控所述客户是否登录所述APP,当监控到所述客户登录所述APP时,对所述客户登录所述APP的目标位置信息进行埋点。例如,当监控到客户登录金管家APP的位置为广东省深圳市时,则将广东省深圳市进行埋点,以记录所述客户登录所述金管家APP的位置信息。
所述获取模块201,还用于获取所述客户预设位置的预设地址信息,其中,所述预设地址信息包括家庭地址信息、学习地址信息及工作地址信息。
在一较佳实施例中,所述计算机设备2预设有所述客户设置的家庭地址信息、学校地址信息及工作地址信息。在另一较佳实施例中,通过获取客户的上网记录,统计并保存所述客户上网的常用端口(例如家、公司或学校)。
转化模块202,用于通过调取应用程序接口,将所述预设地址信息转化成第二GPS坐标信息,其中,所述第二GPS坐标信息包括第二纬度信息X2及第二经度信息Y2。
在一较佳实施例中,将所述预设地址信息映射于百度地图上,所述转化模块202利用所述百度地图的API获取与所述预设地址信息对应的GPS坐标信息(也即第二GPS坐标信息)。
在另一较佳实施例中,所述获取模块201根据客户上网的常用端口,调取百度API以从所述百度API获取所述客户的常用GPS坐标信息(也即第二GPS坐标信息)。
计算模块203,用于将所述第一GPS坐标信息及所述第二GPS坐标信息按照预设计算公式计算所述目标位置与所述预设位置之间的距离。其中,所述计算公式为:
x1=2πX1/360;
y1=2πY1/360;
x2=2πX2/360;
y2=2πY2/360;
D=R*arccos(sin(x1)*sin(x2)+cos(x1)*cos(x2)*cos(y1-y2));
其中,X1为所述第一纬度信息,Y1为所述第一经度信息,X2为所述第二纬度信息,Y2为所述第二经度信息,x1为所述第一纬度信息的弧度单位,y1为所述第一经度信息的弧度单位,x2为所述第二纬度信息的弧度单位,y2为所述第二经度信息的弧度单位,D为所述距离,R为地球半径,数值为6378137m。
判断模块204,用于将所述距离输入至预先训练的分类模型中以对所述距离进行分类,并根据分类结果判断所述目标位置的风险等级。
在一较佳实施例中,预先训练的分类模型中,当输入的距离为500米时,输出的风险等级为低;当输入的距离为3千米时,输出的风险等级为中;当输入的距离为20千米时,输出的风险等级为高。
在一较佳实施例中,所述计算机设备2还包括训练模块207,用于从大数据中获取历史目标位置与历史预设位置之间的历史距离及与所述历史距离对应验证结果标签信息,并根据所述历史距离及所述验证结果标签信息训练所述分类模型。
示例性地,由于距离的宽泛性,当历史距离为一数值时,数据库中保存的数据庞大,为了方便存储,本发明实施例中的历史距离为一个数据段,例如:50米以内,50~100米。为了方便,本发明实施例中的距离均用数值表示,可以理解的是该距离指的是位于包括该数值的数据段。
在另一较佳实施例中,所述计算机设备2预设有通过率风险等级表,其中所述通过率风险等级表中保存有预设验证通过率及与所述验证通过率对应的风险等级,根据所述历史距离及所述验证结果标签信息训练所述分类模型时,还根据所述标签信息,统计所述历史距离的总数量及验证结果为验证通过的通过数量,然后,根据所述总数量及所述通过数量,计算所述历史距离的通过率,最后,将所述通过率与所述通过率风险等级表中的预设验证通过率进行匹配,以获取所述历史距离的风险等级信息。
示例性地,若统计出距离为20千米的数量为5000个,验证通过的数量为2000个,所述计算模块203通过计算验证通过率为40%,经过查找所述通过率风险等级表,与所述验证通过率40%对应的风险等级为高,则所述训练模块207将所述风险等级为高输出。
设置模块205,用于根据所述风险等级,设置对应的验证规则对所述客户进行身份验证,以对风险进行控制,其中,所述预设校验规则包括身份证号校验、短信验证码校验、人脸识别校验和/或邮箱验证码验证中的一种或多种的组合。
示例性地,当风险等级为低时,所述设置模块205设置短信验证码校验对所述客户进行身份验证;当风险等级为中时,所述设置模块205设置身份证号校验对所述客户进行身份验证;当风险等级为高时,所述设置模块205设置人脸识别校验对所述客户进行身份验证。
在一较佳实施例中,所述计算机设备2还包括处理模块208,用于根据所述校验规则获取所述客户的输入信息,以对所述客户进行身份验证并获取验证结果。
示例性地,若计算出的客户登录金管家APP时的位置为湖北省,而该客户的家庭地址在广东深圳,工作也在深圳,预设距离为20千米,显然湖北到深圳的距离远大于20千米,则所述处理模块208按照预设校验规则发送需校验的信息至所述客户的金管家APP,并从所述金管家APP获取所述客户的输入信息,以校验该客户的输入信息与所述计算机设备2中保存的该客户的信息是否一致,并获取验证结果。例如:所述处理模块208发送身份证验证的提示信息至该客户的金管家APP,并从所述金管家APP获取该客户输入的身份证信息,将所述获取到的身份证信息与所述计算机设备2中存储的该客户的身份证信息进行比较,并获取比较结果。
所述处理模块208,还用于当所述验证结果为验证通过时,授予所述客户操作权限,以使所述客户办理所述APP中的相应业务,其中所述相应业务包括:保全办理、保单核保、理赔。
举例说明,若从所述金管家APP获取的客户A的身份证信息与所述计算机设备2中存储的客户A的身份证信息一致,则验证结果为通过,此时所述处理模块208授予客户A操作权限,以使客户A办理所述金管家APP中的相应业务。
在一较佳实施例中,当所述验证结果为验证通过时,所述处理模块208授予所述客户操作权限之后,获取所述验证结果,然后,将所述距离及所述验证结果输入至所述分类模型中,最后根据所述距离及所述验证结果调整所述分类模型中距离风险等级的对应关系,并更新所述对应关系,以完善所述分类模型。
示例性地,所述分类模型至少包括:逻辑回归(Logistic Regression,LR)模型、LR+梯度提升决策树(Gradient Boosted Decision Tree,GBDT)模型、GBDT+因式分解机(Factorization Machine,FM)模型及GBDT+深度神经网络(Deep Neural Networks,DNN)模型。例如,输入至所述分类模型的距离为200千米,输出的结果为风险等级高,获取的验证结果为验证通过时,将所述距离及所述验证结果输入至所述分类模型中,以使所述分类模型根据所述距离及所述验证结果调整所述距离风险等级的对应关系,进而提高所述分类模型的精准度。
请参阅表1及表2,若输入至所述LR模型的距离为20千米,输出结果为风险等级低,获取的验证结果为验证不通过时,将所述距离为20千米及验证不通过的信息输入至所述LR模型中,重新计算所述距离为20千米的通过率,并将所述通过率与所述通过率风险等级表中的预设验证通过率进行匹配,匹配结果为风险等级为中,则获取所述距离为20千米的风险等级信息,并根据所述风险等级信息调整所述距离为20千米的距离风险等级的对应关系。
表1完善前距离风险等级表
距离D(千米) | 风险等级 |
D≦20 | 低 |
20<D<200 | 中 |
D≧200 | 高 |
表2完善后距离风险等级表
距离D(千米) | 风险等级 |
D<20 | 低 |
20≦D<200 | 中 |
D≧200 | 高 |
当然,距离的远近与风险等级的高低并无必然的联系。示例性地,在一较远的距离区间,风险等级低,在一较近的距离区间则风险等级高,需根据训练样本及其对应的验证结果决定。例如,0~20千米范围内风险等级为低,20~50千米范围内风险等级为中,50~80千米范围内风险等级也为低。此种情况,可能为用户经常出差或拜访熟人等。
所述处理模块208,还用于当所述验证结果为验证不通过时,不授予所述客户操作权限,以禁止所述客户办理所述APP中的相应业务。
通过本发明实施例,能够对业务的风险进行管控,提高了风险管控水平,同事显著提升了分类模型的精度和准确度。
本发明还提供一种计算机设备,如可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器,或者多个服务器所组成的服务器集群)等。本实施例的计算机设备至少包括但不限于:可通过系统总线相互通信连接的存储器、处理器等。
本实施例还提供一种计算机可读存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等,其上存储有计算机程序,程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储风险控制系统20,被处理器执行时实现实施例一、二的风险控制方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种风险控制方法,其特征在于,包括步骤:
利用APP埋点数据,获取客户登录所述APP时目标位置的第一GPS坐标信息,其中,所述第一GPS坐标信息包括第一纬度信息X1及第一经度信息Y1;
获取所述客户预设位置的预设地址信息,其中,所述预设地址信息包括家庭地址信息、学习地址信息及工作地址信息;
通过调取应用程序接口,将所述预设地址信息转化成第二GPS坐标信息,其中,所述第二GPS坐标信息包括第二纬度信息X2及第二经度信息Y2;
将所述第一GPS坐标信息及所述第二GPS坐标信息按照预设计算公式计算所述目标位置与所述预设位置之间的距离;
将所述距离输入至预先训练的分类模型中以对所述距离进行分类,并根据分类结果判断所述目标位置的风险等级;及
根据所述风险等级,设置对应的验证规则对所述客户进行身份验证,以对风险进行控制,其中,所述验证规则包括身份证号校验、短信验证码校验、人脸识别校验和/或邮箱验证码校验中的一种或多种的组合;
其中,所述预设计算公式为:
x1=2πX1/360;
y1=2πY1/360;
x2=2πX2/360;
y2=2πY2/360;
D=R*arccos(sin(x1)*sin(x2)+cos(x1)*cos(x2)*cos(y1-y2));
其中,X1为所述第一纬度信息,Y1为所述第一经度信息,X2为所述第二纬度信息,Y2为所述第二经度信息,x1为所述第一纬度信息的弧度单位,y1为所述第一经度信息的弧度单位,x2为所述第二纬度信息的弧度单位,y2为所述第二经度信息的弧度单位,D为所述距离,R为地球半径,数值为6378137m;
其中,所述根据所述风险等级,设置对应的验证规则对所述客户进行身份验证,以对风险进行控制,包括:
根据所述验证规则获取所述客户的输入信息,以对所述客户进行身份验证并获取验证结果;
当所述验证结果为验证通过时,授予所述客户操作权限,以使所述客户办理所述APP中的相应业务,其中所述相应业务包括:保全办理、保单核保、理赔;及
当所述验证结果为不通过时,不授予所述客户操作权限,以禁止所述客户办理所述相应业务。
2. 如权利要求1所述的风险控制方法,其特征在于,所述利用APP埋点数据,获取客户登录所述APP时目标位置的第一GPS坐标信息的步骤之前,还包括步骤:
监控所述客户是否登录所述APP;及
当监控到所述客户登录所述APP时,对所述客户登录所述APP的目标位置信息进行埋点。
3. 如权利要求1所述的风险控制方法,其特征在于,所述将所述距离输入至预先训练的分类模型中的步骤之前,还包括步骤:
从大数据中获取历史目标位置与历史预设位置之间的历史距离及与所述历史距离对应验证结果标签信息;及
根据所述历史距离及所述验证结果标签信息训练所述分类模型。
4.如权利要求3所述的风险控制方法,其特征在于,数据库中预先存储有通过率风险等级表,其中所述通过率风险登记表中保存有预设验证通过率及与所述验证通过率对应的风险等级,所述根据所述历史距离及所述验证结果标签信息训练所述分类模型的步骤,还包括步骤:
根据所述标签信息,统计所述历史距离的总数量及验证结果为验证通过的通过数量;
根据所述总数量及所述通过数量,计算所述历史距离的通过率;及
将所述通过率与所述通过率风险等级表中的预设验证通过率进行匹配,以获取所述历史距离的风险等级信息。
5.如权利要求4所述的风险控制方法,其特征在于,所述当所述验证结果为验证通过时,授予所述客户操作权限的步骤之后,还包括步骤:
获取所述验证结果;
将所述距离及所述验证结果输入至所述分类模型中;及
根据所述距离及所述验证结果调整所述分类模型中距离风险等级的对应关系,并更新所述对应关系,以完善所述分类模型。
6.一种风险控制系统,其特征在于,包括:
获取模块,用于利用APP埋点数据,获取客户登录所述APP时目标位置的第一GPS坐标信息及所述客户预设位置的预设地址信息,其中,所述第一GPS坐标信息包括第一纬度信息X1及第一经度信息Y1,所述预设地址信息包括家庭地址信息、学习地址信息及工作地址信息;
转化模块,用于通过调取应用程序接口,将所述预设地址信息转化成第二GPS坐标信息,其中,所述第二GPS坐标信息包括第二纬度信息X2及第二经度信息Y2;
计算模块,用于将所述第一GPS坐标信息及所述第二GPS坐标信息按照预设计算公式计算所述目标位置与所述预设位置之间的距离;
判断模块,用于将所述距离输入至预先训练的分类模型中以对所述距离进行分类,并根据分类结果判断所述目标位置的风险等级;及
设置模块,用于根据所述风险等级,设置对应的验证规则对所述客户进行身份验证,以对风险进行控制,其中,所述验证规则包括身份证号校验、短信验证码校验、人脸识别校验和/或邮箱验证码验证中的一种或多种的组合;
所述计算模块,还用于:
其中,所述预设计算公式为:
x1=2πX1/360;
y1=2πY1/360;
x2=2πX2/360;
y2=2πY2/360;
D=R*arccos(sin(x1)*sin(x2)+cos(x1)*cos(x2)*cos(y1-y2));
其中,X1为所述第一纬度信息,Y1为所述第一经度信息,X2为所述第二纬度信息,Y2为所述第二经度信息,x1为所述第一纬度信息的弧度单位,y1为所述第一经度信息的弧度单位,x2为所述第二纬度信息的弧度单位,y2为所述第二经度信息的弧度单位,D为所述距离,R为地球半径,数值为6378137m;
所述设置模块,还用于:
根据所述验证规则获取所述客户的输入信息,以对所述客户进行身份验证并获取验证结果;
当所述验证结果为验证通过时,授予所述客户操作权限,以使所述客户办理所述APP中的相应业务,其中所述相应业务包括:保全办理、保单核保、理赔;及
当所述验证结果为不通过时,不授予所述客户操作权限,以禁止所述客户办理所述相应业务。
7.一种计算机设备,其特征在于,所述计算机设备存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述的风险控制方法的步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序可被至少一个处理器所执行,以使所述至少一个处理器执行如权利要求1-5中任一项所述的风险控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910605224.8A CN110503563B (zh) | 2019-07-05 | 2019-07-05 | 风险控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910605224.8A CN110503563B (zh) | 2019-07-05 | 2019-07-05 | 风险控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110503563A CN110503563A (zh) | 2019-11-26 |
CN110503563B true CN110503563B (zh) | 2023-07-21 |
Family
ID=68585445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910605224.8A Active CN110503563B (zh) | 2019-07-05 | 2019-07-05 | 风险控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110503563B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113643042B (zh) * | 2021-08-20 | 2024-04-05 | 武汉极意网络科技有限公司 | 一种基于线上业务安全的安全验证系统 |
CN114357420A (zh) * | 2022-01-14 | 2022-04-15 | 平安消费金融有限公司 | 风险等级的登录处理方法、系统、计算机设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002097563A2 (en) * | 2001-05-30 | 2002-12-05 | Cybersource Corporation | Method and apparatus for evaluating fraud risk in an electronic commerce transaction |
CN107180070A (zh) * | 2017-03-29 | 2017-09-19 | 暨南大学 | 一种风险信息自动分类、识别与预警方法及系统 |
CN107578331A (zh) * | 2017-09-19 | 2018-01-12 | 马上消费金融股份有限公司 | 一种贷后风险监控的方法和系统 |
CN108734570A (zh) * | 2018-05-22 | 2018-11-02 | 深圳壹账通智能科技有限公司 | 一种风险预测方法、存储介质和服务器 |
CN109409902A (zh) * | 2018-09-04 | 2019-03-01 | 平安普惠企业管理有限公司 | 风险用户识别方法、装置、计算机设备及存储介质 |
CN109918891A (zh) * | 2019-01-24 | 2019-06-21 | 平安科技(深圳)有限公司 | 用户验证方法、装置、计算机设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7987103B2 (en) * | 2004-10-29 | 2011-07-26 | Milemeter, Inc. | System and method for the assessment, pricing, and provisioning of distance-based vehicle insurance |
-
2019
- 2019-07-05 CN CN201910605224.8A patent/CN110503563B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002097563A2 (en) * | 2001-05-30 | 2002-12-05 | Cybersource Corporation | Method and apparatus for evaluating fraud risk in an electronic commerce transaction |
CN107180070A (zh) * | 2017-03-29 | 2017-09-19 | 暨南大学 | 一种风险信息自动分类、识别与预警方法及系统 |
CN107578331A (zh) * | 2017-09-19 | 2018-01-12 | 马上消费金融股份有限公司 | 一种贷后风险监控的方法和系统 |
CN108734570A (zh) * | 2018-05-22 | 2018-11-02 | 深圳壹账通智能科技有限公司 | 一种风险预测方法、存储介质和服务器 |
CN109409902A (zh) * | 2018-09-04 | 2019-03-01 | 平安普惠企业管理有限公司 | 风险用户识别方法、装置、计算机设备及存储介质 |
CN109918891A (zh) * | 2019-01-24 | 2019-06-21 | 平安科技(深圳)有限公司 | 用户验证方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110503563A (zh) | 2019-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348239B (zh) | 脱敏规则配置方法以及数据脱敏方法、系统、计算机设备 | |
CN108416485B (zh) | 用户身份识别方法、电子装置及计算机可读存储介质 | |
CN109783249B (zh) | 平台接入方法及装置、终端和计算机可读存储介质 | |
CN109344154B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN110619206B (zh) | 运维风险控制方法、系统、设备及计算机可读存储介质 | |
CN106295349A (zh) | 账号被盗的风险识别方法、识别装置及防控系统 | |
CN110610431B (zh) | 基于大数据的智能理赔方法及智能理赔系统 | |
CN113326991B (zh) | 自动授权方法、装置、计算机设备及存储介质 | |
CN110503563B (zh) | 风险控制方法及系统 | |
CN111444226B (zh) | 业务预约网点数据的推送方法和系统 | |
CN109639724B (zh) | 密码找回方法、密码找回装置、计算机设备及存储介质 | |
CN105978717A (zh) | 网络账号识别方法和装置 | |
CN110807547A (zh) | 家庭人口结构的预测方法及系统 | |
CN112039861B (zh) | 风险识别方法、装置、电子设备和计算机可读存储介质 | |
CN110191097B (zh) | 登录页面安全性的检测方法、系统、设备及存储介质 | |
CN111291234A (zh) | 一种账号风险概率评估方法、装置、系统及存储介质 | |
CN107679053A (zh) | 地点推荐方法、装置、计算机设备及存储介质 | |
CN110795466A (zh) | 基于大数据处理的反欺诈方法、服务器及计算机可读存储介质 | |
CN105988998B (zh) | 关系网络构建方法及装置 | |
US20150140957A1 (en) | Prepaid phone card charging | |
CN109857748B (zh) | 一种合同数据处理方法、装置及电子设备 | |
CN112085588A (zh) | 规则模型的安全性的确定方法、装置和数据处理方法 | |
CN110852893A (zh) | 基于海量数据的风险识别方法、系统、设备及存储介质 | |
CN114429408B (zh) | 智能变电站配置文件的校核方法、装置、设备和系统 | |
CN113836428A (zh) | 业务推送方法、装置、计算机设备和存储介质 |
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 |