CN110766547A - 一种可信度等级的确定方法、装置、设备和存储介质 - Google Patents
一种可信度等级的确定方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN110766547A CN110766547A CN201911039579.1A CN201911039579A CN110766547A CN 110766547 A CN110766547 A CN 110766547A CN 201911039579 A CN201911039579 A CN 201911039579A CN 110766547 A CN110766547 A CN 110766547A
- Authority
- CN
- China
- Prior art keywords
- analysis object
- determining
- grade
- analysis
- reference object
- 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
Images
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
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Educational Administration (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种可信度等级的确定方法、装置、设备和存储介质,包括:获取未知可信度等级的分析对象和已知可信度等级的参考对象;布置分析对象和参考对象到关联图谱中,并依据预设关联规则,构建分析对象和参考对象之间的关联桥段;根据关联图谱中分析对象和参考对象之间的关联桥段,确定关联图谱中分析对象的可信度等级。本发明实施例基于构建未知可信度等级的分析对象和已知可信度等级的参考对象关联桥段,根据图谱中目标分析对象与参考对象之间的关联关系确定目标分析对象的可信度等级。由于在确定可信度等级的过程中考虑了已知可信度等级的参考对象与分析对象之间的关系,所以提高了分析对象可信度等级确定结果的准确性。
Description
技术领域
本发明实施例涉及信息处理技术领域,尤其涉及一种可信度等级的确定方法、装置、设备和存储介质。
背景技术
随着现在社会加强对企业的金融服务工作,完善反欺诈系统、降低信贷欺诈风险作为现阶段急需完成的重点工作。
现有的欺诈识别方法大多通过传统的黑名单、专家规则或是有监督的机器学习算法模型来实现的。传统的黑名单即是通过人工审核认证为欺诈企业之后,将企业加入到欺诈企业黑名单中;专家规则即是通过专家制定一些规则,当企业的信息违反相关规则时则认定为欺诈企业;有监督的机器学习算法模型则是将企业的数据特征输入到预先训练得到的预测模型,根据输出结果来确定是否为欺诈企业。
然而,通过传统的黑名单可以确定的企业数量极少,对于未人工审核的企业无法进行判断;对于通过专家规则进行判断的局限性太大,并且会带来很大的人为误差;有监督的机器学习算法模型是通过对已有企业的欺诈标签进行训练得到的预测模型,但是由于欺诈标签的标注不同于其他领域的标注行为,欺诈标签的获取是需要付出极大代价和成本的,造成欺诈样本数据量少、预测结果不准确。
发明内容
本发明实施例提供一种可信度等级的确定方法、装置、设备和存储介质,以根据分析对象和参考对象之间的关联关系确定分析对象的可信度等级,提高可信度等级确定的准确性。
第一方面,本发明实施例提供了一种可信度等级的确定方法,包括:
获取未知可信度等级的分析对象和已知可信度等级的参考对象;
布置分析对象和参考对象到关联图谱中,并依据预设关联规则,构建分析对象和参考对象之间的关联桥段;
根据关联图谱中分析对象和参考对象之间的关联桥段,确定关联图谱中分析对象的可信度等级。
第二方面,本发明实施例还提供了一种可信度等级的确定装置,包括:
对象获取模块,用于获取未知可信度等级的分析对象和已知可信度等级的参考对象;
关联图谱布置模块,用于布置分析对象和参考对象到关联图谱中,并依据预设关联规则,构建分析对象和参考对象之间的关联桥段;
可信度等级确定模块,用于根据关联图谱中分析对象和参考对象之间的关联桥段,确定关联图谱中分析对象的可信度等级。
第三方面,本发明实施例还提供了一种计算机设备,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本发明任一实施例所述的可信度等级的确定方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任一实施例所述的可信度等级的确定方法。
本发明实施例基于构建未知可信度等级的分析对象和已知可信度等级的参考对象关联桥段,布置关联图谱,根据图谱中目标分析对象与参考对象之间的关联关系确定目标分析对象的可信度等级。由于在确定可信度等级的过程中考虑了已知可信度等级的参考对象与分析对象之间的关系,所以提高了分析对象可信度等级确定结果的准确性。
附图说明
图1是本发明实施例一中的可信度等级的确定方法的流程图;
图2是本发明实施例二中的可信度等级的确定方法的流程图;
图3是本发明实施例三中的可信度等级的确定装置的结构示意图;
图4是本发明实施例四中的计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
图1是本发明实施例一中的可信度等级的确定方法的流程图,本实施例可适用于确定未知可信度等级的可信度等级的情况。该方法可以由可信度等级的确定装置来执行,该装置可以采用软件和/或硬件的方式实现,并可配置在计算机设备中,例如计算机设备可以是后台服务器等具有通信和计算能力的设备。如图1所示,该方法具体包括:
步骤101、获取未知可信度等级的分析对象和已知可信度等级的参考对象。
其中,可信度等级是指根据对象的行为判断的可以评价对象的可信程度。示例性的,可信度等级可以包括两个方面:可信和不可信,例如对企业的可信度等级可以分为欺诈企业和非欺诈企业;可信度等级也可以根据需求设置不同的等级,例如对企业的可信度等级可以分为严重欺诈企业、疑似欺诈企业和非欺诈企业等。
未知可信度等级的分析对象是指根据对象的历史行为无法确认可信程度的对象,本方案用于对其可信度等级进行确认。例如通过对象的已有数据无法确认是否会存在欺诈行为的企业。已知可信度等级的参考对象是指根据对象的历史行为可以判断可信度等级的对象,用于对分析对象的可信度等级的确定提供参考依据。例如根据某企业的历史欺诈行为判断其为欺诈企业。已知可信度等级的参考对象可以根据官方体系进行确认,保证参考对象可信度等级的可信度。如包括根据银行的各个部门形成的黑名单数据进行确认,也包括从其他官方体系如公安部门获取的违法犯罪、失信行为进行确认。
具体的,当分析对象和参考对象为企业时,通过采集银行各个业务系统涉及到的内部欺诈名单以及外部官方的欺诈黑名单体系,对参考对象进行统计。并且根据银行的业务往来确认待确认的分析对象。可选的,将银行各个业务系统组件已经形成的黑名单数据进行筛选,去除与欺诈行为无关的黑名单数据,整理出适合企业可信度等级确认的名单。同理对外部官方获取的欺诈黑名单体系也可以进行初步筛选去除与企业可信度等级确认无关的名单。通过整合筛选后的所有名单数据,作为企业可信度等级确认的参考对象。通过筛选行为可以排除掉与需求无关的黑名单数据,保证后续对分析对象可信度等级确认的准确性。
步骤102、布置分析对象和参考对象到关联图谱中,并依据预设关联规则,构建分析对象和参考对象之间的关联桥段。
其中,预设关联规则是指预先设置的可以连接不同对象之间的关联关系,例如当对象为企业时,预设关联规则可以是与企业信息相关的实体、实体间关系和实体属性,实体包括关联人、关联企业、电话、地址等,实体间关系包括企业与实控人间的关系、企业与法人间关系、企业与投资关系等,实体属性包括企业名称、实控人名称、企业注册地址等。
关联桥段是指根据预设关联规则,将分析对象和参考对象构成的对象集合连接起来,若两个对象之间通过预设关联规则中任一种可以构成联系,则二者之间构建成关联桥段。示例性的,当对象为企业时,若两个企业的企业名称相似,则两个企业之间构成关联桥段;若一个企业的法人是另一个企业的实控人,则这两个企业之间构成关联桥段等。
关联图谱是指根据分析对象和参考对象的关联桥段将所有分析对象和参考对象整合起来的图谱,关联图谱中包括对参考对象的可信的等级的标注。可选的,将构建的关联图谱存储在图数据库中,根据图谱中数据量、性能要求等,选取合适的图数据库,比如:neo4j,tiger graph等数据库。
具体的,通过对银行内部数据以及外部数据的整合和筛选,抽取与企业信息相关的数据,根据数据构建分析对象和参考对象之间的关联桥段,将所有关联桥段进行汇总,构成关联图谱。
步骤103、根据关联图谱中分析对象和参考对象之间的关联桥段,确定关联图谱中分析对象的可信度等级。
其中,根据分析对象和参考对象之间的关联桥段是指根据已经确定可信度等级的对象为分析对象可信度等级的确定提供参考依据。示例性的,可以根据关联图谱中分析对象周边的参考对象与其的距离判断分析对象的可信度等级;或者可以根据关联图谱中分析对象周边的参考对象的数量进行可信度等级的确定。
可选的,可以为不同类型的关联桥段预置不同的权重,在根据分析对象和参考对象之间的关联关系确定可信度等级时,考虑到分析对象与参考对象的关联桥段的权重,以便于更好的根据关联桥段对可信度等级进行确认,提高可信度等级确认结果的准确性。
可选的,根据关联图谱中分析对象和参考对象之间的关联桥段,确定关联图谱中分析对象的可信度等级,包括:
确定关联图谱中目标分析对象和参考对象之间的风险距离;其中,所述风险距离为所述目标分析对象和参考对象构成连接的最短关联桥段的数量;
确定与目标分析对象连接的风险距离小于预设距离的参考对象为临近参考对象,并获取临近参考对象的风险个数;
根据所述风险个数,以及各临近参考对象与目标分析对象之间的风险距离,确定关联图谱中目标分析对象的可信度等级。
其中,目标分析对象是指在未知可信度等级的分析对象中确定的需要进行可信度等级确认的目标。
具体的,当需要确认可信度等级的对象为企业时,确认某个未知可信度等级的企业作为目标分析企业,首先确认关联图谱中所有与目标分析对象可以构成连接关系的目标参考对象,求得目标分析对象与目标参考对象之间最短关联桥段的数量,所求得的数量分别为目标分析对象与目标参考对象的风险距离。示例性的,企业对象的风险距离可以通过如下公式求得:
Lab=Min(Dist(a,b)),其中a∈A,b∈B;
其中,A表示已知的可信度等级的企业集合,B表示未知可信度等级的企业集合,选取B中一个企业作为目标分析企业,即b,a表示可以与目标分析企业构成连接关系的A中的某个目标参考企业对象。Dist()表示两个企业间通过多少关联桥段可以连接,Min()表示取最小值。Lab表示风险距离,即表示企业a与企业b在关联图谱中构成连接关系的关联桥段的最小数量。
预先设置预设距离,在目标参考对象中确定与目标分析对象间的风险距离小于预设距离的临近参考对象,并求符合要求的临近参考对象的个数,即为风险个数。根据对临近参考对象的确定可以求得与目标分析对象之间关系最紧密的参考对象,以便于根据这些参考对象确认目标分析对象的可信度等级,去除关系较远的参考对象对目标分析对象可信度等级判断的影响,提高可信度等级确认的准确性。示例性的,风险个数可以通过如下公式求得:
Nb=Counta∈A(Lab<4),其中a∈A,b∈B;
其中,b表示所要求可信度等级的目标分析企业对象,Lab表示风险距离,Count表示计数,代表所求得符合条件的集合个数,数字4表示预设距离,即Nb风险个数表示风险距离小于4的临近参考对象的数量。
确认获取的风险个数以及符合条件的临近参考对象与目标分析对象之间的风险距离之后,根据二者对目标分析对象的可信度等级的影响,确认目标分析对象的可信度等级。
可选的,根据所述风险个数,以及各临近参考对象与目标分析对象之间的风险距离,确定关联图谱中目标分析对象的可信度等级,包括:
根据所述风险个数的平方,与所述所有临近参考对象与目标分析对象之间的风险距离之和的比值,确定关联图谱中目标分析对象的可信度等级值。可选的,可以设置预设可信度等级阈值,当目标分析对象的可信度等级值大于预设可信度等级阈值时,则判定该企业为欺诈企业;可选的,预设可信度等级阈值可以根据实际可信度等级的数量进行设置。预设可信度等级阈值可以根据实际业务经验进行调整。
示例性的,可以根据如下公式确认目标分析对象的可信度等级:
其中,Lb表示所求目标分析企业对象的可信度等级值,Nb风险个数表示风险距离小于4的临近参考对象的数量,Lab表示临近参考企业对象集合中的企业a与企业b在关联图谱中构成连接关系的关联桥段的最小数量。例如对于某企业,从关联图谱中可知,风险距离小于4的企业有3个,则风险个数Nb为3,这三个企业分别于该企业的风险距离为2、3和3,则公式中的Lab分别为2、3和3,则最终的Lb=(3*3)/(2+3+3)=1.125。
本发明实施例基于构建未知可信度等级的分析对象和已知可信度等级的参考对象关联桥段,布置关联图谱,根据图谱中目标分析对象与参考对象之间的关联关系确定目标分析对象的可信度等级。由于在确定可信度等级的过程中考虑了已知可信度等级的参考对象与分析对象之间的关系,即考虑了风险距离和风险个数对目标分析对象的影响,所以提高了分析对象可信度等级确定结果的准确性。
实施例二
图2是本发明实施例二中的可信度等级的确定方法的流程图,本实施例二在实施例一的基础上进行进一步地优化。如图2所示,所述方法包括:
步骤201、获取未知可信度等级的分析对象和已知可信度等级的参考对象。
步骤202、获取未知可信度等级的分析对象和已知可信度等级的参考对象的基础特征数据。
其中,基础特征数据是指对象的属性数据,可以表征对象的特征。例如,当对象是企业时,则企业的基础特征数据包括企业月收入、企业贷款金额、企业注册资金等可以表征企业运营状态的特征数据。
具体的,在确定分析企业对象集合和参考企业对象集合后,从银行和其他官方体系获取集合中企业的相关数据,并针对获取到的数据进行预处理,包括对异常值、缺失值进行处理等,可选的,还包括对无关数据的筛选,最终获取企业的基础特征数据。
步骤203、布置分析对象和参考对象到关联图谱中,并依据预设关联规则,构建分析对象和参考对象之间的关联桥段。
步骤204、根据关联图谱中分析对象和参考对象之间的关联桥段,确定关联图谱中分析对象的可信度等级。
步骤205、采用可信度等级分析模型确定分析对象的参照可信度等级;其中,所述可信度等级分析模型是根据分析对象的基础特征数据训练得到的。
其中,可信度等级分析模型是指基于机器学习算法对获取到的分析对象的基础特征数据进行训练得到的模型,模型输出为可信度等级值,根据可信度等级值确认分析对象的可信度等级。可选的,可以采用XGBOOST、逻辑回归、lightGBM等机器学习算法进行训练得到可信度等级分析模型。参照可信度等级是指根据其他方法确认的分析对象的可信度等级,例如利用可信度等级分析模型确认的可信度等级。
具体的,制定所要确认的对象可信度等级相关的算法特征数据,包括企业及其干系人等信息计算得到的特征数据,使用机器学习算法进行训练得到可信度等级分析模型。根据制定好的算法特征数据,获取分析对象的相关联的特征数据,将得到的特征数据输入可信度等级分析模型中,求得可信度等级值,进而获取可信度等级。示例性的,可预先设置阈值,当可信度等级值大于阈值时,判定企业对象的可信度等级。
可选的,参照可信度等级可以通过其他可靠方式进行获取。
可选的,获取分析对象的基础特征数据,并根据所述参考对象的基础特征数据以及分析对象的基础特征数据,确定分析对象的参照可信度等级。
具体的,通过对已知可信度等级的参考对象的基础特征数据进行分析,得到其共有特征,根据得到的共有特征对分析对象的基础特征数据进行判断,得到参考可信度等级。
示例性的,根据银行等对企业的业务经验,制定相关的可信度等级确认规则,即根据欺诈企业的特征数据制定相关符合欺诈企业的规则。规则包括不符合常规企业的实际情况,例如信息真实性异常、经营信用信息异常、关联关系异常、物理设备异常、资金流向异常等。根据规则对分析企业对象的基础数据进行判断,得到最终的参考可信度等级。
步骤206、根据关联图谱中确定的分析对象的可信度等级和所述参照可信度等级,确定分析对象的最终可信度等级。
其中,最终可信度等级是指对分析对象的最终确认的可信度等级。具体的,若根据关联图谱中确定的分析对象的可信度等级与参考可信度等级一致,则最终可信度等级确认;若根据关联图谱中确定的分析对象的可信度等级与参考可信度等级不一致,可采用其他方式进行判断,例如采用人工审核的方式对其可信度等级进行确认。
可选的,可以将关联图谱中确定的分析对象的可信度等级和所述参照可信度等级中属于欺诈企业的名单进行汇总,构成最终欺诈企业名单,最后由人工对名单中的企业进行审核。因为将企业判定为欺诈企业带来的后果很严重,如银行拒绝欺诈企业的贷款,因此对欺诈企业的最终认定需要严谨。
可选的,将确认了最终参考可信度等级对象的可信度等级标注在关联图谱中,以通过不断的反馈提高关联图谱的完整性,增加关联图谱中已知可信度等级的对象数量,提高分析对象的可信度等级确认的准确性。
本发明实施例通过增加了对分析对象参考可信度等级的确认,其中包括通过可信度等级分析模型和根据已知可信度等级的参考对象基础特征数据制定规则对参考可信度等级进行确认。参考可信度等级中考虑了已知可信度等级的对象的基础特征数据对可信度等级的影响,提高了对可信度等级确认结果的准确性。
实施例三
图3是本发明实施例三中的可信度等级的确定装置的结构示意图,本实施例可适用于对未知可信度等级进行确定的情况。如图3所示,该装置包括:
对象获取模块310,用于获取未知可信度等级的分析对象和已知可信度等级的参考对象;
关联图谱布置模块320,用于布置分析对象和参考对象到关联图谱中,并依据预设关联规则,构建分析对象和参考对象之间的关联桥段;
可信度等级确定模块330,用于根据关联图谱中分析对象和参考对象之间的关联桥段,确定关联图谱中分析对象的可信度等级。
本发明实施例基于构建未知可信度等级的分析对象和已知可信度等级的参考对象关联桥段,布置关联图谱,根据图谱中目标分析对象与参考对象之间的关联关系确定目标分析对象的可信度等级。由于在确定可信度等级的过程中考虑了已知可信度等级的参考对象与分析对象之间的关系,所以提高了分析对象可信度等级确定结果的准确性。
可选的,所述可信度等级确定模块330,包括:
风险距离确定单元,用于确定关联图谱中目标分析对象和参考对象之间的风险距离;其中,所述风险距离为所述目标分析对象和参考对象构成连接的最短关联桥段的数量;
临近参考对象确定单元,用于确定与目标分析对象连接的风险距离小于预设距离的参考对象为临近参考对象,并获取临近参考对象的风险个数;
可信度等级确定单元,用于根据所述风险个数,以及各临近参考对象与目标分析对象之间的风险距离,确定关联图谱中目标分析对象的可信度等级。
可选的,所述可信度等级确定单元,具体用于:
根据所述风险个数的平方,与所述所有临近参考对象与目标分析对象之间的风险距离之和的比值,确定关联图谱中目标分析对象的可信度等级。
可选的,所述装置还包括:
基础特征数据模块,用于获取未知可信度等级的分析对象和已知可信度等级的参考对象的基础特征数据。
可选的,所述装置还包括:
采用可信度等级分析模型确定分析对象的参照可信度等级;其中,所述可信度等级分析模型是根据分析对象的基础特征数据训练得到的;
获取分析对象的基础特征数据,并根据所述参考对象的基础特征数据以及分析对象的基础特征数据,确定分析对象的参照可信度等级。
可选的,所述装置还包括:
根据关联图谱中确定的分析对象的可信度等级和所述参照可信度等级,确定分析对象的最终可信度等级。
本发明实施例所提供的可信度等级的确定装置可执行本发明任意实施例所提供的可信度等级的确定方法,具备执行可信度等级的确定方法相应的功能模块和有益效果。
实施例四
图4是本发明实施例四提供的一种计算机设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图4显示的计算机设备12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4所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储装置28,连接不同系统组件(包括系统存储装置28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储装置总线或者存储装置控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储装置28可以包括易失性存储装置形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储装置28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储装置28中,这样的程序模块42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。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,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22进行。并且,计算机设备12还可以通过网络适配器20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。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备12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。
处理单元16通过运行存储在系统存储装置28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的可信度等级的确定方法,包括:
获取未知可信度等级的分析对象和已知可信度等级的参考对象;
布置分析对象和参考对象到关联图谱中,并依据预设关联规则,构建分析对象和参考对象之间的关联桥段;
根据关联图谱中分析对象和参考对象之间的关联桥段,确定关联图谱中分析对象的可信度等级。
实施例五
本发明实施例五还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例所提供的可信度等级的确定方法,包括:
获取未知可信度等级的分析对象和已知可信度等级的参考对象;
布置分析对象和参考对象到关联图谱中,并依据预设关联规则,构建分析对象和参考对象之间的关联桥段;
根据关联图谱中分析对象和参考对象之间的关联桥段,确定关联图谱中分析对象的可信度等级。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——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。计算机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、便携式计算机磁盘、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、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号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,其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、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。
计算机可读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、电线、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或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种可信度等级的确定方法,其特征在于,包括:
获取未知可信度等级的分析对象和已知可信度等级的参考对象;
布置分析对象和参考对象到关联图谱中,并依据预设关联规则,构建分析对象和参考对象之间的关联桥段;
根据关联图谱中分析对象和参考对象之间的关联桥段,确定关联图谱中分析对象的可信度等级。
2.根据权利要求1所述的方法,其特征在于,根据关联图谱中分析对象和参考对象之间的关联桥段,确定关联图谱中分析对象的可信度等级,包括:
确定关联图谱中目标分析对象和参考对象之间的风险距离;其中,所述风险距离为所述目标分析对象和参考对象构成连接的最短关联桥段的数量;
确定与目标分析对象连接的风险距离小于预设距离的参考对象为临近参考对象,并获取临近参考对象的风险个数;
根据所述风险个数,以及各临近参考对象与目标分析对象之间的风险距离,确定关联图谱中目标分析对象的可信度等级。
3.根据权利要求2所述的方法,其特征在于,根据所述风险个数,以及各临近参考对象与目标分析对象之间的风险距离,确定关联图谱中目标分析对象的可信度等级,包括:
根据所述风险个数的平方,与所述所有临近参考对象与目标分析对象之间的风险距离之和的比值,确定关联图谱中目标分析对象的可信度等级。
4.根据权利要求1所述的方法,其特征在于,在获取未知可信度等级的分析对象和已知可信度等级的参考对象之后,所述方法还包括:
获取未知可信度等级的分析对象和已知可信度等级的参考对象的基础特征数据。
5.根据权利要求4所述的方法,其特征在于,在获取未知可信度等级的分析对象和已知可信度等级的参考对象的基础特征数据之后,所述方法还包括:
采用可信度等级分析模型确定分析对象的参照可信度等级;其中,所述可信度等级分析模型是根据分析对象的基础特征数据训练得到的;
获取分析对象的基础特征数据并根据所述参考对象的基础特征数据以及分析对象的基础特征数据,确定分析对象的参照可信度等级。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
根据关联图谱中确定的分析对象的可信度等级和所述参照可信度等级,确定分析对象的最终可信度等级。
7.一种可信度等级的确定装置,其特征在于,包括:
对象获取模块,用于获取未知可信度等级的分析对象和已知可信度等级的参考对象;
关联图谱布置模块,用于布置分析对象和参考对象到关联图谱中,并依据预设关联规则,构建分析对象和参考对象之间的关联桥段;
可信度等级确定模块,用于根据关联图谱中分析对象和参考对象之间的关联桥段,确定关联图谱中分析对象的可信度等级。
8.根据权利要求7所述的装置,其特征在于,所述可信度等级确定模块,包括:
风险距离确定单元,用于确定关联图谱中目标分析对象和参考对象之间的风险距离;其中,所述风险距离为所述目标分析对象和参考对象构成连接的最短关联桥段的数量;
临近参考对象确定单元,用于确定与目标分析对象连接的风险距离小于预设距离的参考对象为临近参考对象,并获取临近参考对象的风险个数;
可信度等级确定单元,用于根据所述风险个数,以及各临近参考对象与目标分析对象之间的风险距离,确定关联图谱中目标分析对象的可信度等级。
9.一种计算机设备,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1-6中任一所述的可信度等级的确定方法。
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,该程序被处理器执行时实现如权利要求1-6中任一所述的可信度等级的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911039579.1A CN110766547A (zh) | 2019-10-29 | 2019-10-29 | 一种可信度等级的确定方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911039579.1A CN110766547A (zh) | 2019-10-29 | 2019-10-29 | 一种可信度等级的确定方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110766547A true CN110766547A (zh) | 2020-02-07 |
Family
ID=69334804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911039579.1A Pending CN110766547A (zh) | 2019-10-29 | 2019-10-29 | 一种可信度等级的确定方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110766547A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111833182A (zh) * | 2020-07-27 | 2020-10-27 | 中国工商银行股份有限公司 | 识别风险对象的方法和装置 |
CN112785320A (zh) * | 2021-02-01 | 2021-05-11 | 北京互金新融科技有限公司 | 信用风险的确定方法及装置、存储介质和电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446988A (zh) * | 2017-08-21 | 2018-08-24 | 深圳萨摩耶互联网金融服务有限公司 | 基于关系网络的用户识别方法和系统 |
CN108492173A (zh) * | 2018-03-23 | 2018-09-04 | 上海氪信信息技术有限公司 | 一种基于双模网络图挖掘算法的信用卡反欺诈预测方法 |
-
2019
- 2019-10-29 CN CN201911039579.1A patent/CN110766547A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446988A (zh) * | 2017-08-21 | 2018-08-24 | 深圳萨摩耶互联网金融服务有限公司 | 基于关系网络的用户识别方法和系统 |
CN108492173A (zh) * | 2018-03-23 | 2018-09-04 | 上海氪信信息技术有限公司 | 一种基于双模网络图挖掘算法的信用卡反欺诈预测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111833182A (zh) * | 2020-07-27 | 2020-10-27 | 中国工商银行股份有限公司 | 识别风险对象的方法和装置 |
CN111833182B (zh) * | 2020-07-27 | 2024-03-08 | 中国工商银行股份有限公司 | 识别风险对象的方法和装置 |
CN112785320A (zh) * | 2021-02-01 | 2021-05-11 | 北京互金新融科技有限公司 | 信用风险的确定方法及装置、存储介质和电子设备 |
CN112785320B (zh) * | 2021-02-01 | 2023-09-19 | 北京互金新融科技有限公司 | 信用风险的确定方法及装置、存储介质和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8290836B2 (en) | Identification and risk evaluation | |
CN110852878B (zh) | 一种可信度确定方法、装置、设备和存储介质 | |
US20130036038A1 (en) | Financial activity monitoring system | |
US20080021801A1 (en) | Dynamic multidimensional risk-weighted suspicious activities detector | |
JP2012504289A (ja) | オンラインビジネストランザクションデータを使用するローンアクセスの評価 | |
US20130290167A1 (en) | System and method for credit risk management for educational institutions | |
US8429050B2 (en) | Method for detecting ineligibility of a beneficiary and system | |
CN111144697A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN111709826A (zh) | 目标信息确定方法和装置 | |
US20230252560A1 (en) | Intelligent data matching and validation system | |
US20220156861A1 (en) | Systems and methods for blockchain-based data-driven property management | |
CN113034046A (zh) | 一种数据风险计量方法、装置、电子设备及存储介质 | |
CN110766547A (zh) | 一种可信度等级的确定方法、装置、设备和存储介质 | |
CN112669039A (zh) | 基于知识图谱的客户风险管控系统及方法 | |
CN111861715A (zh) | 一种信贷数据的处理方法、装置、设备和存储介质 | |
Lehenchuk et al. | Financial statement fraud detection of Ukrainian corporations on the basis of Beneish model | |
US8566204B2 (en) | Method for detecting ineligibility of a beneficiary and system | |
CN111191889A (zh) | 一种基于逻辑回归与投票式模型集成的评分卡开发方法 | |
Tatineni et al. | Enhancing Financial Security: Data Science's Role in Risk Management and Fraud Detection | |
CN117934154A (zh) | 交易风险预测方法、模型训练方法、装置、设备、介质和程序产品 | |
US10783578B1 (en) | Computerized systems and methods for detecting, risk scoring and automatically assigning follow-on action codes to resolve violations of representation and warranties found in loan servicing contracts, loan purchase and sale contracts, and loan financing contracts | |
CN111915425A (zh) | 一种贷款审批方法、装置、设备及存储介质 | |
CN117575595A (zh) | 支付风险识别方法、装置、计算机设备及存储介质 | |
CN111242779A (zh) | 金融数据特征选择和预测方法、装置、设备及存储介质 | |
US11715120B1 (en) | Predictive machine learning models |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220921 Address after: 25 Financial Street, Xicheng District, Beijing 100033 Applicant after: CHINA CONSTRUCTION BANK Corp. Address before: 25 Financial Street, Xicheng District, Beijing 100033 Applicant before: CHINA CONSTRUCTION BANK Corp. Applicant before: Jianxin Financial Science and Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200207 |
|
RJ01 | Rejection of invention patent application after publication |