CN110992169B - 一种风险评估方法、装置、服务器及存储介质 - Google Patents

Abstract

本发明公开了一种风险评估方法、装置、服务器及存储介质，该方法包括：获取目标用户的基本信息，以及构建与所述目标用户相对应的数据网络信息；基于所述数据网络信息，确定与所述目标用户相关联的关联特征信息；其中，所述关联特征信息中包括社会属性特征，以及设备属性特征；将所述基本信息，以及所述关联特征信息，输入至预先训练好的风险评估树枝模型中，得到与所述目标用户相对应的风险评估报告。本发明实施例的技术方案，实现了构建网络信息，确定各个用户所属的社区，以及确定与各个设备对应的设备属性特征，进而基于社区属性和设备属性确定各个用户是否为风险用户，提高了确定风险用户便捷性、以及准确性的技术效果。

Description

一种风险评估方法、装置、服务器及存储介质

技术领域

本发明实施例涉及风险评估技术领域，尤其涉及一种风险评估方法、装置、服务器及存储介质。

背景技术

目前，移动互联网、物联网的快速发展为客户带来了移动支付,电子银行,网络贷款等更加便捷的网络金融服务,与之相伴的是层出不穷的网络欺诈,如匿名欺诈,电信诈骗,中介诈骗等等。同时这些网络金融欺诈具有诈骗手段复杂化,多样化,蔓延迅速且影响面广等特点。在巨额利益的诱惑下，欺诈者不断扩充队伍，升级技术，变化攻击方式，给个人和企业带来了巨大威胁。网络金融欺诈检测与防范工作已经成为金融行业重要的任务之一。常用的反欺诈技术手段有：黑白名单、规则引擎、有监督学习和无监督学习。

然而，上述方法都存在一定的局限性。如，通过黑名单来防诈骗时，由于黑名单用户数量有限，导致确定诈骗用户的覆盖率较低，同时若为新用户，则无法判断用户是否为黑名单用户的问题。规则引擎通过加入人为制定的规则，来对欺诈进行限制，通常规则引擎和黑名单结合使用，但此方法很容易漏过欺诈用户的技术问题。

发明内容

本发明提供一种风险评估方法、装置、服务器及存储介质，以实现提高了确定风险用户便捷性、以及准确性的技术效果。第一方面，本发明实施例提供了一种风险评估方法，该方法包括：

获取目标用户的基本信息，以及构建与所述目标用户相对应的数据网络信息；

基于所述数据网络信息，确定与所述目标用户相关联的关联特征信息；其中，所述关联特征信息中包括社区属性特征，以及设备属性特征；

将所述基本信息，以及所述关联特征信息，输入至预先训练好的风险评估树枝模型中，得到与所述目标用户相对应的风险评估报告。

第二方面，本发明实施例还提供了一种风险评估装置，该装置包括：

网络信息构建模块，用于获取目标用户的基本信息，以及构建与所述目标用户相对应的数据网络信息；

关联特征信息提取模块，用于基于所述数据网络信息，确定与所述目标用户相关联的关联特征信息；其中，所述关联特征信息中包括社区属性特征，以及设备属性特征；

评分评估报告确定模块，用于将所述基本信息，以及所述关联特征信息，输入至预先训练好的风险评估树枝模型中，得到与所述目标用户相对应的风险评估报告。

第三方面，本发明实施例还提供了一种服务器，所述服务器包括：

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实施例任一所述的风险评估方法。

第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本发明实施例任一所述的风险评估方法。

本发明实施例的技术方案，通过获取目标用户的基本信息，以及构建与目标用户相对应的数据网络信息；基于数据网络信息，确定与目标用户相关联的关联特征信息；其中，关联特征信息中包括社区属性特征，以及设备属性特征，将基本信息，以及关联特征信息，输入至预先训练好的风险评估树枝模型中，得到与目标用户相对应的风险评估报告，解决了现有技术中通过人工标记黑名单用户存在一定的局限性，并且无法确定存在潜在风险的用户，即黑名单用户的覆盖率较低，导致被诈骗风险较高的技术问题，实现了构建网络信息，确定各个用户所属的社区，以及确定与各个设备对应的设备属性特征，进而基于社区属性和设备属性确定各个用户是否为风险用户，提高了确定风险用户便捷性、以及准确性的技术效果。

附图说明

为了更加清楚地说明本发明示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本发明所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。

图1为本发明实施例一所提供的一种风险评估方法流程示意图；

图2为本发明实施例一所提供的与用户关联的各个设备示意图；

图3为本发明实施例二所提供的一种风险评估方法另一流程示意图；

图4为本发明实施例三所提供的一种风险评估装置结构示意图；

图5为本发明实施例四所提供的一种服务器结构示意图。

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。

实施例一

图1为本发明实施例一所提供的一种风险评估方法流程示意图，本实施例可适用于确定用户是否为风险用户的情况，该方法可以由风险评估装置来执行，该装置可以通过软件和/或硬件的形式实现，该硬件可以是电子设备，可选的，移动终端、PC端。

如图1，本实施例的方法包括：

S110、获取目标用户的基本信息，以及构建与目标用户相对应的数据网络信息。

为了清楚的了解本实施例技术方案，可以以确定数据库中各个用户的风险评估报告，即各个用户是否为风险用户为例来介绍本方案。

其中，目标用户可以是数据库中的每一个用户。目标用户的基本信息姓名、年龄、职业、性别等信息。数据网络信息中可以包括数据库中与各个用户关联的设备、以及关联的用户等。关联的设备可以是WIFI、机器码，即智能终端、手机号码等。

具体的，获取数据库中各个用户的基本信息，并确定数据库中存储的各个设备之间的关联信息。

示例性的，获取数据库中存储的各个用户，以及与每个用户关联的移动终端、机器码、手机号码等信息。

需要说明的是，数据网络信息中还包括与各个设备相对应的权重值。可选的，基于每一个设备的使用时间，以及使用频率，即使用习惯制定个性化权重，以便在基于数据网络信息，确定与目标用户的关联特征信息。

具体的，确定有效时间内，可选的，两个月时间内各个设备的使用时间，以及使用频率，基于公式weight＝α×weight_time+β×weight_behavior，确定与每个设备相对应的权重值。α表示与使用时间对应的系数，β表示与使用频率对应的系数。

例如某用户2018年使用设备A两次,2019年使用设备B两次和设备C三次。那么考虑时间权重weight_{time_B}＝weight_{time_C}>weight_{time_A}，考虑使用频率权重weight_{time_A}＝weight_{time_B}<weight_{time_C}。综上，weight_C>weight_B>weight_A。

也就是说，数据网络信息中包括数据库各个设备的权重值。

S120、基于数据网络信息，确定与目标用户相关联的关联特征信息。

其中，关联特征信息中包括社区属性特征，以及设备属性特征。

可选的，基于网络分组算法，确定目标用户所属的网络社区，以及与目标用户相关联的关联用户以及网络设备；基于关联用户以及网络设备，确定与目标用户对应的社区属性特征。

其中，网络分组算法可以是louvain算法。网络社区可以理解为与基于网络分组算法，处于同一个区域中的用户和设备。社区属性特征为网络社区中的共有属性。网络设备也就是上述所提及的设备，机器码、WiFi、以及手机号码。若将数据库中的其中一个用户作为目标用户，那么可以将其它用户作为关联用户。

具体的，将各个设备的权重值、设备、以及用户作为louvain算法的输入参数，即采用louvain算法对设备权重、设备以及用户进行处理，确定属于同一个区域内的用户和设备，即属于同一个社区的用户和设备。在确定同一个社区内用户和设备的同时，还可以确定同一社区内与目标用户关联的关联用户和网路设备，如图2所示，可以看到处于同一个圆圈内的用户和设备作为处于同一社区的用户和网络设备。基于同一个社区内的关联用户和网路设备，可以确定该社区的社区属性特征，即该社区的公有特征。例如社区中关联人数最多的设备、平均逾期天数等等。

在确定目标用户所属社区的社区属性特征的过程中，还需要确定与目标用户对应的设备属性特征。可以在确定与目标用户相对应的设备属性特征之前，还需要基于标签传播算法，确定与不同用户关联的各个设备的分数。

可选的，基于标签传播算法，对预先获取的多个种子集进行处理，得到数据库中存储的与各个用户相关联的关联设备属性，以基于关联设备属性确定与目标用户相关联的关联特征信息；其中，种子集包括黑名单用户；关联设备属性包括与数据库中存储的各个用户相关联的关联设备特征值。

其中，种子集可以是从数据库中选取的黑名单用户。可以通过人工标记来确定哪些用户是黑名单用户，可选的，当一个手机号码被多次标记的诈骗电话，可以将该电话以及对应的用户作为黑名单用户，即黑名单用户。关联设备特征值可以是基于种子集确定数据库中各个设备的分数。标签传播算法是在确定与黑名单用户关联的设备时，确定与每个黑名单用户对应的矩阵，基于矩阵迭代，确定数据库中每个设备的分数。

具体的，基于人工标记确定数据库中存储的黑名单用户，并获取部分黑名单用户，基于与每个黑名单用户对应的矩阵，向各个层级进行迭代，得到数据库中与各个设备对应分数。也就是说，关联设备特征值可以是基于种子集确定数据库中各个设备的分数。

可选的，基于预先确定与各个用户相关联的关联设备属性，确定与目标用户关联的关联设备属性；将关联设备属性，以及与目标用户关联的各个设备作为标签传播算法的输入参数，以确定与目标用户对应的设备属性特征。

其中，关联设备属性可以理解为预先确定与各个设备对应的分数。与目标用户对应的设备属性特征可以理解为与目标用户相对应的黑名单分数。

具体的，采用标签传播算法对与目标用户相关联的关联设备以及用户进行处理，可以确定与目标用户对应的黑名单分数。

在本实施例中，可以基于数据网络信息中与各个设备对应的权重值，采用网络分组算法，确定属于同一社区的用户和设备，并确定同一社区的社区属性特征；同时，基于预先确定的与各个设备相对应的设备属性特征值，采用标签传播算法，确定与目标用户对应的黑名单风险分数。即，确定与目标用户关联的社区属性特征和设备属性特征。

S130、将基本信息，以及关联特征信息，输入至预先训练好的风险评估树枝模型中，得到与目标用户相对应的风险评估报告。

其中，风险评估树枝模型为预先训练好的，用于根据输入的参数信息，确定与用户对应的风险评估报告。风险评估报告可以是与用户相对应的风险评估表。

具体的，将与目标用户的基本信息、社区属性特征，以及设备属性特征，可以输入至预先训练好的树脂模型中，得到与目标用户相对应的风险评估报告。

本发明实施例的技术方案，通过获取目标用户的基本信息，以及构建与目标用户相对应的数据网络信息；基于数据网络信息，确定与目标用户相关联的关联特征信息；其中，关联特征信息中包括社区属性特征，以及设备属性特征，将基本信息，以及关联特征信息，输入至预先训练好的风险评估树枝模型中，得到与目标用户相对应的风险评估报告，解决了现有技术中通过人工标记黑名单用户存在一定的局限性，并且无法确定存在潜在风险的用户，即黑名单用户的覆盖率较低，导致被诈骗风险较高的技术问题，实现了构建网络信息，确定各个用户所属的社区，以及确定与各个设备对应的设备属性特征，进而基于社区属性和设备属性确定各个用户是否为风险用户，提高了确定风险用户便捷性、以及准确性的技术效果。

在上述技术方案的基础上，还需要训练风险评估树枝模型。可选的，获取多个训练样本数据，输入至树枝模型中进行训练，得到待处理风险评估树枝模型；获取多个测试样本数据，并输入至待处理风险评估树枝模型中，当风险评估树枝模型输出的准确率在预设范围之内，则将待处理风险评估树枝模型作为风险评估树枝模型；其中，风险评估树枝模型用于确定与用户相对应的风险评估报告。

其中，多个训练样本数据用于训练风险评估树枝模型。为了提高风险评估树枝模型的准确性，训练样本数据应尽可能多，可选的，5000个训练样本数据。测试样本数据用于测试待处理风险评估树枝模型的准确性。

具体的，获取多个训练样本数据，采用XGBoost算法对训练样本数据进行训练，得到待处理风险评估树枝模型。获取多个测试样本数据，并将测试样本数据输入至待处理风险评估树枝模型中。当待处理风险评估树枝模型输出结果的准确率在预设范围之内，可选的，百分之九十，可以将待处理风险评估树枝模型作为最终使用的风险评估树枝模型。当待处理风险评估树枝模型输出的准确率在预设范围之外，则可以获取尽可能多的训练样本数据，继续训练待处理风险评估树枝模型，直至待处理风险评估树枝模型输出的准确率在预设范围之内。

在上述技术方案的基础上，在确定与目标用户相对应的风险评估报告之后，还包括：根据风险评估报告中的排查建议，并按照排查建议指数从高往低对排查建议进行排序，以根据排序结果对目标用户进行排查。

具体的，风险评估报告中包括与目标用户相对应的风险评估指标，服务器可以根据风评估指标确定排查建议，并且按照建议的重要程度从高往低依次对排查建议进行排序，以便工作人员可以根据排查建议优先级，确定目标用户是否为风险用户。

实施例二

作为上述实施例的一优选实施例，图3为本发明实施例二所提供的一种风险评估方法另一流程示意图。如图3所示，所述方法包括：

S301、提取用户特征。

本实施例可以以确定数据库其中一个用户的风险评估表为例来介绍。

具体的，获取该用户的基本信息，可选的，用户的姓名、年龄、性别等信息。

S302、构建网络信息。

其中，网络构建可以理解为确定数据库中相关联的设备和用户。基于各个设备的使用时间，以及使用习惯制定个性权重，可选的，基于公式weight＝α×weight_time+β×weight_behavior，确定与每个设备对应的权重值。其中，α表示与用户使用时间相关联的系数，β表示与使用习惯相关联的系数，可选的，α、β均为0.5。也就是说，每个设备的权重值与设备的使用时间，以及使用习惯存在直接的关联。

具体的，构建网络信息可以理解为确定与各个设备对应的权重值，以及确定与各个用户关联的用户和设备。

S303、基于标签传播算法，确定与各个设备对应的分数。

其中，标签传播算法可以理解为矩阵迭代。

确定与各个设备对应的分数，需要获取一定数量的种子集，即从数据库中选区部分黑名单用户，将此黑名单用户作为确定各个设备分数的初始节点。基于标签传播算法，即通过对与黑名单用户对应的矩阵进行迭代，确定与和名单用户直接关联或者间接关联的各设备分数。其中，距离初始节点较近的设备分数较高，距离初始节点较远的设备分数较低。

示例性的，数据库中有10000个设备，黑名单用户的数量可以是500个，构建N*1的矩阵(N＝10500)，获取与黑名单用户对应的矩阵，采用标签传播算法，即通过矩阵迭代，可以确定与10000个设备对应的分数。

S304、基于分组算法，进行社区划分。

其中，分组算法可以是louvain算法。

具体的，在确定与各个用户相对应的设备权重值后，可以将用户、设备以及权重值作为louvain算法的输入参数，对数据库中存储的所有设备和用户进行区域划分。

示例性的，采用louvain算法对用户、设备以及与设备对应的权重值进行计算，确定将哪些设备和用户划分到一个社区中，即一个区域中，如图2所示将处于同一个圆圈中的用户和设备作为一个社区。

需要说明的是，由于标签传播算法和分组算法是基于独立的模块完成的，因此在采用标签传播算法对数据处理的过程中，也可以采用分组算法对数据进行处理。

S305、提取社区特征。

具体的，可以提取社区属性特征中的共性特征。

S306、将用户特征、社区特征以及特征值输入至预先训练的树枝模型中，得到风险评估。

将用户的基本信息，社区特征，以及黑名单分数输入至预先训练好的树枝模型中，即预先训练好的风险评估树枝模型中，可以得到与目标用户对应风险评估表。

S307、获取风险评估报告中的排查建议。

风险评估表中可以包括用户是否为黑名单用户，以及是黑名单用户的具体原因，还可以包括进一步排查建议，以便工作人员根据排查建议来排查。

在本实施例中，通过社区划分、聚类分析、挖掘用户的社区特征，并通过标签传播确定，确定与各个设备对应的分数，进而确定与目标用户对应分数，即被黑名单影响的用户。在分组和标签传播过程中，加入个性化权重，使得最终得到的结果更加准确的技术效果。

本发明实施例的技术方案，通过构建数据网络信息，确定与各个设备对应的权重值使得最终区域划分，和最终得到的与每个设备对应的分数更加合理，并将对应的信息输入到风险评估树枝模型中，提高了输出结果准确性的技术效果。

实施例三

图4为本发明实施例三提供的一种风险评估装置结构示意图，该装置包括：网络信息构建模块410、关联特征信息提取模块420和评分评估报告确定模块430。

其中，网络信息构建模块410，用于获取目标用户的基本信息，以及构建与所述目标用户相对应的数据网络信息；关联特征信息提取模块420，用于基于所述数据网络信息，确定与所述目标用户相关联的关联特征信息；其中，所述关联特征信息中包括社区属性特征，以及设备属性特征；评分评估报告确定模块430，用于将所述基本信息，以及所述关联特征信息，输入至预先训练好的风险评估树枝模型中，得到与所述目标用户相对应的风险评估报告。

本发明实施例的技术方案，通过获取目标用户的基本信息，以及构建与目标用户相对应的数据网络信息；基于数据网络信息，确定与目标用户相关联的关联特征信息；其中，关联特征信息中包括社区属性特征，以及设备属性特征，将基本信息，以及关联特征信息，输入至预先训练好的风险评估树枝模型中，得到与目标用户相对应的风险评估报告，解决了现有技术中通过人工标记黑名单用户存在一定的局限性，并且无法确定存在潜在风险的用户，即黑名单用户的覆盖率较低，导致被诈骗风险较高的技术问题，实现了构建网络信息，确定各个用户所属的社区，以及确定与各个设备对应的设备属性特征，进而基于社区属性和设备属性确定各个用户是否为风险用户，提高了确定风险用户便捷性、以及准确性的技术效果。

在上述各技术方案的基础上，所述装置包括：关联特征信息确定模块，用于：

基于标签传播算法，对预先获取的多个种子集进行处理，得到数据库中存储的与各个用户相关联的关联设备属性，以基于所述关联设备属性确定与所述目标用户相关联的关联特征信息；其中，所述种子集包括黑名单用户；关联设备属性包括与数据库中存储的各个用户相关联的关联设备权重值。

在上述各技术方案基础上，所述装置还包括：网络分组模块，还用于：

基于网络分组算法，确定所述目标用户所属的网络社区，以及与所述目标用户相关联的关联用户以及网络设备；基于所述关联用户以及所述网络设备，确定与所述目标用户对应的社区属性特征。

在上述各技术方案的基础上，所述关联特征信息提取模块，还用于：

基于预先确定与各个用户相关联的关联设备属性，确定与所述目标用户关联的关联设备属性；将所述关联设备属性，以及与所述目标用户关联的各个设备作为标签传播算法的输入参数，以确定与所述目标用户对应的设备属性特征。

在上述各技术方案的基础上，所述评分评估报告确定模块，还用于：

将所述社区属性特征、所述设备属性特征、以及所述基本信息输入至预先训练好的风险评估树枝模型中，得到与目标用户相相对应的风险评估报告。

在上述各技术方案的基础上，所述装置还包括：预先训练所述风险评估树枝模型；

其中，训练所述风险评估树枝模型，包括：获取多个训练样本数据，输入至树枝模型中进行训练，得到待处理风险评估树枝模型；获取多个测试样本数据，并输入至所述待处理风险评估树枝模型中，当所述风险评估树枝模型输出的准确率在预设范围之内，则将所述待处理风险评估树枝模型作为所述风险评估树枝模型；其中，所述风险评估树枝模型用于确定与用户相对应的风险评估报告。

在上述各技术方案的基础上，所述装置还包括：排查建议确定模块，用于：

获取所述风险评估报告中的排查建议，并按照排查建议指数从高往低对所述排查建议进行排序，以根据排序结果对所述目标用户进行排查。

本发明实施例所提供的风险评估装置可执行本发明任意实施例所提供的风险评估方法，具备执行方法相应的功能模块和有益效果。

值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明实施例的保护范围。

实施例四

图5为本发明实施例四提供的一种服务器的结构示意图。图5示出了适于用来实现本发明实施例实施方式的示例性服务器50的框图。图5显示的服务器50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5所示，服务器50以通用计算设备的形式表现。服务器50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501，系统存储器502，连接不同系统组件(包括系统存储器502和处理单元501)的总线503。

总线503表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，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。

服务器50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服务器50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。

系统存储器502可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)504和/或高速缓存存储器505。服务器50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506可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5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503相连。存储器502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507的程序/实用工具508，可以存储在例如存储器502中，这样的程序模块507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507通常执行本发明所描述的实施例中的功能和/或方法。

服务器50也可以与一个或多个外部设备509(例如键盘、指向设备、显示器510等)通信，还可与一个或者多个使得用户能与该服务器50交互的设备通信，和/或与使得该服务器50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511进行。并且，服务器50还可以通过网络适配器512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512通过总线503与服务器50的其它模块通信。应当明白，尽管图5中未示出，可以结合服务器50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501通过运行存储在系统存储器502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风险评估方法。

实施例五

本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行风险评估方法。

该方法包括：

获取目标用户的基本信息，以及构建与所述目标用户相对应的数据网络信息；

基于所述数据网络信息，确定与所述目标用户相关联的关联特征信息；其中，所述关联特征信息中包括社区属性特征，以及设备属性特征；

将所述基本信息，以及所述关联特征信息，输入至预先训练好的风险评估树枝模型中，得到与所述目标用户相对应的风险评估报告。

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实施例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 (9)

1.一种风险评估方法，其特征在于，包括：

获取目标用户的基本信息，以及构建与所述目标用户相对应的数据网络信息；

基于所述数据网络信息，确定与所述目标用户相关联的关联特征信息；其中，所述关联特征信息中包括社区属性特征，以及设备属性特征；

基于标签传播算法，对预先获取的多个种子集进行处理，得到数据库中存储的与各个用户相关联的关联设备属性，以基于所述关联设备属性确定与所述目标用户相关联的关联特征信息；

将所述基本信息，以及所述关联特征信息，输入至预先训练好的风险评估树枝模型中，得到与所述目标用户相对应的风险评估报告；

所述基于所述数据网络信息，确定与所述目标用户相关联的关联特征信息，包括：

基于网络分组算法，确定所述目标用户所属的网络社区，以及在所述网络社区内与所述目标用户关联的关联用户以及网络设备；

基于所述关联用户以及所述网络设备，确定与所述目标用户对应的社区属性特征。

2.根据权利要求1所述的方法，其特征在于，所述种子集包括黑名单用户；所述关联设备属性包括与各个设备对应的关联设备特征值。

3.根据权利要求2所述的方法，其特征在于，所述基于所述数据网络信息，确定与所述目标用户相关联的关联特征信息，还包括：

基于预先确定与各个用户相关联的关联设备属性，确定与所述目标用户关联的关联设备属性；

将所述关联设备属性，以及与所述目标用户关联的各个设备作为标签传播算法的输入参数，以确定与所述目标用户对应的设备属性特征。

4.根据权利要求1所述的方法，其特征在于，所述将所述基本信息，以及所述关联特征信息，输入至预先训练好的风险评估树枝模型中，得到与所述目标用户相对应的风险评估报告，包括：

将所述社区属性特征、所述设备属性特征、以及所述基本信息输入至预先训练好的风险评估树枝模型中，得到与目标用户相相对应的风险评估报告。

5.根据权利要求1所述的方法，其特征在于，还包括：预先训练所述风险评估树枝模型；

其中，训练所述风险评估树枝模型，包括：

获取多个训练样本数据，输入至树枝模型中进行训练，得到待处理风险评估树枝模型；

获取多个测试样本数据，并输入至所述待处理风险评估树枝模型中，当所述风险评估树枝模型输出的准确率在预设范围之内，则将所述待处理风险评估树枝模型作为所述风险评估树枝模型；

其中，所述风险评估树枝模型用于确定与用户相对应的风险评估报告。

6.根据权利要求1所述的方法，其特征在于，还包括：

获取所述风险评估报告中的排查建议，并按照排查建议指数从高往低对所述排查建议进行排序，以根据排序结果对所述目标用户进行排查。

7.一种风险评估装置，其特征在于，包括：

网络信息构建模块，用于获取目标用户的基本信息，以及构建与所述目标用户相对应的数据网络信息；

关联特征信息提取模块，用于基于所述数据网络信息，确定与所述目标用户相关联的关联特征信息；其中，所述关联特征信息中包括社区属性特征，以及设备属性特征；

网络分组模块，用于：

基于网络分组算法，确定所述目标用户所属的网络社区，以及与所述目标用户相关联的关联用户以及网络设备；基于所述关联用户以及所述网络设备，确定与所述目标用户对应的社区属性特征；

关联特征信息提取模块，用于：

基于标签传播算法，对预先获取的多个种子集进行处理，得到数据库中存储的与各个用户相关联的关联设备属性，以基于所述关联设备属性确定与所述目标用户相关联的关联特征信息；

评分评估报告确定模块，用于将所述基本信息，以及所述关联特征信息，输入至预先训练好的风险评估树枝模型中，得到与所述目标用户相对应的风险评估报告。

8.一种服务器，其特征在于，所述服务器包括：

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中任一所述的风险评估方法。

9.一种存储有计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-6中任一所述的风险评估方法。

Images