CN111047220A - 一种风控阈值条件确定方法、装置、设备和可读介质 - Google Patents

一种风控阈值条件确定方法、装置、设备和可读介质 Download PDF

Info

Publication number
CN111047220A
CN111047220A CN201911387300.9A CN201911387300A CN111047220A CN 111047220 A CN111047220 A CN 111047220A CN 201911387300 A CN201911387300 A CN 201911387300A CN 111047220 A CN111047220 A CN 111047220A
Authority
CN
China
Prior art keywords
threshold condition
service
wind control
combination
combinations
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
Application number
CN201911387300.9A
Other languages
English (en)
Inventor
陈镪
彭际群
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.)
Alipay Hangzhou Information Technology Co Ltd
Original Assignee
Alipay Hangzhou Information Technology 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 Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Priority to CN201911387300.9A priority Critical patent/CN111047220A/zh
Publication of CN111047220A publication Critical patent/CN111047220A/zh
Pending legal-status Critical Current

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
    • 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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
    • G06Q20/401—Transaction verification
    • G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing

Abstract

本说明书实施例公开了风控阈值条件确定方法、装置、设备和计算机可读介质。方案包括：获取预设的业务目标条件和配置信息，所述配置信息包括风控变量集以及与所述风控变量集中的每个风控变量对应的备选阈值条件集；基于所述预设的业务目标条件，确定可用阈值条件组合的集合，其中，所述可用阈值条件组合的集合中的任一可用阈值条件组合由所述风控变量集中的每个风控变量对应的一个备选阈值条件组成，并且，基于所述可用阈值条件组合的集合中的可用阈值条件组合所确定的风控阈值条件满足所述预设的业务目标条件；基于所述可用阈值条件组合的集合，确定风控阈值条件，其中，所述风控阈值条件是所述集合中的一个可用阈值条件组合或多个可用阈值条件组合。

Description

一种风控阈值条件确定方法、装置、设备和可读介质
技术领域
本申请涉及计算机技术领域，具体涉及风险控制领域，尤其涉及一种风控阈值条件确定方法、装置、设备和计算机可读介质。
背景技术
在诸多行业中，风险控制(简称风控)工作的重要性不言而喻。例如，电子支付平台的风控工作，可以通过使用风控模型，识别出存在不良倾向的高风险用户或交易，进而通过阻止该用户或交易来达到风险控制的目的，其中，设置风控模型的一个重点是设置模型中各个风控变量的阈值。
在传统的风控业务场景下，为了实现好的风险防控效果，需要反复调整风控模型的变量阀值，并基于调整后的各个变量的阀值条件组合，来线上验证风控模型的风控效果。在这样的风控模型的调整过程中，需要耗费大量的时间并占用大量的计算资源，来不断调整、验证得到业务场景下适用的风控阈值条件。由此，在真实的业务场景中，每次风控模型阈值的调整都需要较长周期的开发时间，风控模型迭代的效率较低。
发明内容
有鉴于此，本申请实施例提供了一种风控阈值条件确定方法、装置、设备及计算机可读介质，用于提高风控阈值条件确定的效率，节省计算资源。
为解决上述技术问题，本说明书实施例是这样实现的：
本说明书实施例提供的一种风控阈值条件确定的方法，包括：
获取预设的业务目标条件和配置信息，所述配置信息包括风控变量集以及与所述风控变量集中的每个风控变量对应的备选阈值条件集；
基于所述预设的业务目标条件，确定可用阈值条件组合的集合，其中，所述可用阈值条件组合的集合中的任一可用阈值条件组合由所述风控变量集中的每个风控变量对应的一个备选阈值条件组成，并且，基于所述可用阈值条件组合的集合中的可用阈值条件组合所确定的风控阈值条件满足所述预设的业务目标条件；
基于所述可用阈值条件组合的集合，确定风控阈值条件，其中，所述风控阈值条件是所述集合中的一个可用阈值条件组合或多个可用阈值条件组合。
本说明书实施例提供的一种风控阈值条件确定装置，包括：
获取模块，用于获取预设的业务目标条件和配置信息，所述配置信息包括风控变量集以及与所述风控变量集中的每个风控变量对应的备选阈值条件集；
可用阈值条件组合确定模块，用于基于所述预设的业务目标条件，确定可用阈值条件组合的集合，其中，所述可用阈值条件组合的集合中的任一可用阈值条件组合由所述风控变量集中的每个风控变量对应的一个备选阈值条件组成，其中，基于所述可用阈值条件组合的集合中的可用阈值条件组合所确定的风控阈值条件满足所述预设的业务目标条件；
风控阈值条件确定模块，基于所述可用阈值条件组合的集合，确定风控阈值条件，其中，所述风控阈值条件是所述集合中的一个可用阈值条件组合或多个可用阈值条件组合。
本说明书实施例提供的一种风控阈值条件确定设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取预设的业务目标条件和配置信息，所述配置信息包括风控变量集以及与所述风控变量集中的每个风控变量对应的备选阈值条件集；
基于所述预设的业务目标条件，确定可用阈值条件组合的集合，其中，所述可用阈值条件组合的集合中的任一可用阈值条件组合由所述风控变量集中的每个风控变量对应的一个备选阈值条件组成，其中，基于所述可用阈值条件组合的集合中的可用阈值条件组合确定的风控阈值条件满足所述预设的业务目标条件；
基于所述可用阈值条件组合的集合，确定风控阈值条件，其中，所述风控阈值条件是所述集合中的一个可用阈值条件组合或多个可用阈值条件组合。
本说明书实施例提供的一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以前述任一实施例所述的风控阈值条件确定方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
在实施例公开的风控阈值条件确定方法中，首先获取预设的业务目标条件和备选的配置信息，然后基于所述预设的业务目标条件，从所述备选的配置信息中选择可用阈值条件组合，进而得到满足预设业务目标条件的风控阈值条件。该方案不是通过将所有调整后的风控阈值条件应用于线上测评来得到业务结果后，再根据业务结果的反馈来判断所调整的风控阈值条件是否合适，而是预先设定业务场景下的业务目标条件，并基于该预设的业务目标条件来快速确定出符合业务预期的阈值条件组合，减少了确定风控阈值条件的时间成本并节省计算资源。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书实施例提供的风控阈值条件确定方法的应用场景的示意图；
图2为本说明书实施例提供的一种风控阈值条件确定方法的流程示意图；
图3示出了基于预设的业务目标来确定可用阈值条件组合的集合的流程图；
图4示出了本说明书实施例提供的采用粒子群算法的流程示意图；
图5为本说明书实施例提供的一种风控阈值条件确定装置的结构示意图；
图6为本说明书实施例提供的一种风控阈值条件确定设备的结构示意图。
具体实施方式
目前，服务平台为了保证风控模型的可靠性或者为了得到更好的风控结果，需要对风控模型不断进行更新，其中包括对风控变量的风控阈值条件的更新。常用的做法是，通过反复调整风控模型的各个变量的阀值，并基于调整后的模型的阀值条件组合，来线上验证风控模型的风控效果。在真实的业务场景中，风控模型中通常包含大量的变量，其中每个变量又对应大量的备选阈值条件，每次模型调整的复杂度较高。在风控模型参数的调整过程中，需要耗费大量的时间和计算资源来验证出当前业务需求下应当配置的风控阀值条件，通常，风控模型的更新效率较低。
为了有效地解决上述问题，在本申请的实施例中，提供了一种确定风控阈值条件的方法，在本申请的实施例中确定的风控阈值条件即更新的风控模型，可以直接用于进行风险控制。在本申请实施例中，首先获取预先设置的业务目标条件，然后根据预设的业务目标条件，在配置信息中选择出符合该预设业务目标条件的至少一个可用阈值条件组合，由可用阈值条件组合确定风控阈值条件。与传统的由调整的阈值条件组合出发进行线上验证得到风控结果，再根据风控结果的反馈来选择合适的阈值条件组合不同，采用本申请实施例的方案，是预先设置业务目标条件，并基于该预设的业务目标条件来快速确定出符合业务预期的阈值条件组合，减少了确定风控阈值条件的时间成本并节省计算资源。
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
图1为本说明书实施例中风控阈值条件确定方法的应用场景的示意图。如图1所示，整体框架包括用户端和服务端，所述服务端包括风控系统和风控模型生成系统。其中，风控系统和风控模型生成系统可以位于同一服务器上，或者位于不同的服务器上，在此不作限定。
风控系统中保存有由风控模型生成系统生成的对应于不同的业务场景的风控模型，并根据用户端的实际需求，调用相应的风控模型进行风控操作。风控模型可以是针对业务场景的风险控制策略，而针对用户端的每个业务场景，随着时间的推移和业务的发展，需要更新迭代风控模型的版本，以满足当前场景下的不断更新的业务需求，因此，针对一个业务场景，风控模型是版本化的。每个版本的风控模型都是一套规则集(或称为一套风控阈值条件)，规则集中包括至少一个风控变量，其中，每个风控变量可以对应多个备选的阈值条件。在实际的应用时，一个风控模型中的每个风控变量对应于一个阈值条件，所有风控变量及其对应的阈值条件构成一套风控阈值条件。在本申请的实施例中，生成更新的风控模型可以是基于更新的业务目标条件，生成符合更新的业务目标条件的风控阈值条件。
在本申请实施例的应用场景可以包括，通过使用风控模型来控制参与当前业务的准入人群，以实现满足业务需求的业务指标。其中，所述业务指标可以指当前业务场景下能够实现业务正常运营的指标。风险控制可以包括控制当前业务场景下发生业务异常(即，不能实现业务正常运营)的风险。其中，业务场景可以是发生交易业务的任何场景，包括但不限于线上场景、线下场景或线上-线下场景。业务场景的具体示例可以包括信用租赁场景、再生资源回收场景、真实商品或虚拟商品交易场景、借贷场景等等，但是不限于此。
图2为本说明书实施例提供的一种风控阈值条件确定方法的流程示意图。从程序角度而言，流程的执行主体可以为搭载于应用服务器的程序或应用客户端。
如图2所示，该流程可以包括以下步骤：
S110：获取预设的业务目标条件和配置信息，所述配置信息包括风控变量集以及与所述风控变量集中的每个风控变量对应的备选阈值条件集。
S110中，预设的业务目标条件可以是使得在当前业务场景下能够实现业务正常运营的条件。在获取业务场景的预设的业务目标条件之前，需要确定预设的业务目标条件，所述确定过程可以由程序执行的，也可以是通过人工计算得到的。在一个可选的实施例中，预设的业务目标条件可以是根据历史业务数据计算得到的，具体地，可以是根据当前业务场景下的历史业务数据计算得到的。
根据实施例，确定预设的业务目标条件的过程可以包括：基于业务场景，确定用于评价所述业务场景中业务健康度的业务指标；根据所述业务场景的历史业务数据，计算与所述业务指标对应的指标参数，其中，当所述业务指标满足所述指标参数时，所述业务场景中的业务健康度满足预定阈值；基于所述业务指标和与所述业务指标对应的指标参数，得到所述预设的业务目标条件。
根据实施例，在例如信用租赁的业务场景下，可以根据该业务场景下的历史业务数据计算得到，该信用租赁业务的正常运转所需的健康度应达到的预定阈值(例如，资损数额不大于一定阈值)。根据该业务场景下的历史业务数据统计分析可知，可以以准入率和不良率作为评判其健康度的业务指标，并且可以计算得到当该业务场景下的用户准入率不小于80％、用户不良率小于0.05％的情况下，可以实现健康度满足预定阈值。由此，可以将业务目标条件设置为：准入率≥80％且不良率<0.05％。在此仅作为示例来说明，业务目标条件中的参数的数量、参数的类型、参数的指标等均根据具体的业务需要来设定，在此不做具体限定。
S110中，所述获取预设的业务目标条件和配置信息，具体可以是获取业务场景的预设的业务目标条件和针对所述业务场景的配置信息。其中，配置信息可以包括多个风控变量，并且包括与每个风控变量相对应的多个备选的阈值条件。
根据实施例，风控变量可以是用于刻画用户特征或交易特征的变量，具体地，可以包括诸如信用评价分、信用额度值、所在行业风险指数等用户特征变量，可以包括诸如交易频次、交易金额、换绑银行卡的频次、预定时间段内的交易违约率、预定时间段内主动查询金融机构数量等用户行为特征变量，也可以包括关联账户不良交易次数等用户社群特征变量，但是风控变量的类型和内容可以根据具体业务场景中需要防控的具体的风险来具体设定。根据实施例，风控变量对应的每个备选的阈值条件可以包含风控变量、判断规则和分箱阈值部分，判断规则可以包括大于、小于、大于或等于、小于或等于等，但是不限于此；分箱阈值可以包括用于评价该变量的离散阈值。
为了更清楚地说明，举例如下，S110中获取的配置信息中的风控变量集包括风控变量X、Y、Z，风控变量集中的每个风控变量对应的备选阈值条件集分别为，变量X对应的备选阈值条件集包含例如X>x1、X>x2、X>x3三个备选阈值条件，变量Y对应的备选阈值条件集包含例如Y>y1和Y>y2两个备选阈值条件，变量Z对应的备选阈值条件集包含例如Z<z1和Z<z2两个备选阈值条件。作为示例，假设风控变量包括用户信用分，则其对应的备选阈值条件可以是用户信用分≥700分、用户信用分≥750分、用户信用分≥800分等。又例如，假设以用户换绑卡的频次作为风控变量，其对应的备选阈值条件可以是换绑卡的频次<5次/月、换绑卡的频次<10次/月、换绑卡的频次<15次/月等。
S120：基于所述预设的业务目标条件，确定可用阈值条件组合的集合，其中，所述可用阈值条件组合的集合中的任一可用阈值条件组合由所述风控变量集中的每个风控变量对应的一个备选阈值条件组成，并且，基于所述可用阈值条件组合的集合中的可用阈值条件组合所确定的风控阈值条件满足所述预设的业务目标条件。
具体地，基于步骤S110中获取的配置信息，实际上可以得到配置的所有阈值条件组合，其中，每个阈值条件组合包括与所有变量对应的一条规则，每条规则包括一个变量以及与该变量对应的备选阈值条件集中的一个阈值条件。假设，已经配置了风控阈值条件中包含100个风控变量，且每个风控变量对应8个阈值条件，那么这100个风控变量中有8^100种备选的阈值条件组合，即对应8^100种备选的风控阈值条件，其中各个备选的风控阈值条件的参数彼此不完全相同。
例如，沿用前述风控模型中包含风控变量X、Y、Z及其对应的备选阈值条件的例子，那么实际上所有的阈值条件组合有以下12种：{X>x1,Y>y1,Z<z1}、{X>x1,Y>y1,Z<z2}、{X>x1,Y>y2,Z<z1}、{X>x1,Y>y2,Z<z2}、{X>x2,Y>y1,Z<z1}、{X>x2,Y>y1,Z<z2}、{X>x2,Y>y2,Z<z1}、{X>x2,Y>y2,Z<z2}、{X>x3,Y>y1,Z<z1}、{X>x3,Y>y1,Z<z2}、{X>x3,Y>y2,Z<z1}、{X>x3,Y>y2,Z<z2}。换句话说，在设置了S110中的所有配置信息之后，相当于配置了前述所有的备选阈值条件组合。
根据实施例，预设的业务目标条件可以包括至少一个具体业务指标条件，例如，准入率、不良率等业务指标相对应的指标条件。其中，准入率是参与风控评判的用户中被判断为准入的用户所占的比例，具体地，当使用风控模型对用户进行评判时，得到的判断结果包括准入和不准入。由此，可以根据用户样本中的准入量和不准入量来计算得到准入率，具体为，准入率＝准入量/(不准入量+准入量)。其中，不良率是根据历史业务数据统计的在一个用户群中具有历史不良业务记录的用户的占比，具体地，在由风控模型被判断为准入的用户，可以发生实际的业务行为，而基于用户的实际业务行为，可以将准入的用户划分为不良用户和正常用户，例如，不良用户可以指发生大于设定数量的不良业务行为的用户。由此，可以基于不良用户量和正常用户量来计算不良率，具体地，不良率＝不良用户量/(不良用户量+正常用户量)。此处的准入率、不良率对应的指标条件仅是作为预设的业务目标条件中可能包含的指标条件的示例，本申请的实施例不限于此，指标条件还可以是与支用率、误拦截率等对应的指标条件，可以根据需要来进行设定。
在本申请的实施例中，确定阈值条件组合的过程可以是基于预设的业务目标条件，从所有备选的阈值条件组合中选择至少一个符合预设的业务目标条件的阈值条件组合，即，确定至少一个可用的阈值条件组合。
S130：基于所述可用阈值条件组合的集合，确定风控阈值条件，其中，所述风控阈值条件是所述集合中的一个可用阈值条件组合或多个可用阈值条件组合。
在本申请的实施例中，当业务场景不变、业务场景中存在的待风控风险不变的情况下，风控变量不变，那么，确定风控阈值条件可以是确定相应的阈值条件组合。具体地，S120中确定了备选的阈值条件组合的集合，S130则基于S120所确定的集合来最终确定风控阈值条件，最终确定的风控阈值条件可以包含所述集合中的一个或更多个可用阈值条件组合。
根据实施例，每套风控阈值条件实际上就是一个风控模型，风控模型中的规则就是各个变量的对应的阈值条件，上例中的例如X>x1即为一条规则，
{X>x1,Y>y1,Z<z1}即为一个规则规则集。那么，一个风控模型是基于规则集的一套预定义的业务决策逻辑，具体地，根据规则集中的规则，判断当前输入信息是否满足条件，从而执行预定义的动作，所述动作可以包括准入和不准入(或者称为通过和不通过)。
在本申请的上述实施例中，提供了一种基于预设的业务目标条件，来在配置的所有备选的阈值条件中选择符合条件的可用阈值条件组合的方法，通过提前确定业务目标条件，然后基于预设的业务目标条件为目标来确定风控阈值条件的方法，无需在线验证业务场景下每个调整后的变量阈值条件组合对应的业务结果，可以快速得到出符合业务预期的阈值条件组合，得到风控阈值条件，通过该方法可以压缩时间成本并节约计算资源。
本说明书实施例还提供了风控阈值条件确定方法的一些具体实施方案，下面进行说明。
在可选的实施例中，风控变量可以是基于业务场景来确定的，例如可以具体包括：获取业务场景下的历史不良业务数据；基于所述历史不良业务数据，统计所述历史不良业务数据对应用户的用户特征；基于所述用户特征，聚类分析得到所述业务场景下的风控变量。在可选的实施例中，可以是先基于业务场景确定该业务场景下存在的待防控的风险，然后刻画与所述待防控的风险对应的风控变量。其中，待防控的风险可以是一个或更多个。
在实际应用中，例如，在售卖演唱会门票的业务场景中，存在黄牛风险等业务风险，基于该业务场景下的该业务风险，可以刻画出用来进行风险控制的风控变量为例如X、Y、Z；另外，若售票场景为先得到票后付款的场景，还存在用户逾期不付款的风险，基于该风险，可以刻画出用来进行风险控制的风控变量为例如Y、P。那么，当确定用于售卖演唱会门票的业务场景的风险控制的风控阈值条件时，可以将风控变量配置为X、Y、Z、P四个变量。
在可选的实施例中，与每个风控变量对应的备选的阈值条件可以是根据相应业务场景下的历史业务数据统计得到的。阈值条件中的分箱阈值通过数据分箱方法得到，数据分箱(也称为离散分箱或分段)方法是一种数据预处理技术，是一种将多个连续值分组为较少数量的“分箱”的方法。例如，对用户信用分进行分箱后的分箱阀值可以为560、570、580、590、600、610、620、650，具体设定分箱阈值的方法可以使用现有技术中任何适用的方法，本申请对此不作限定。分箱的数据不一定必须是数字，也可以是任何类型的值，如风险等级“A”，“B”，“C”等。根据实施例，可以将非数值型的分箱阈值进行数值化，以便于后续的分析，例如，将风险等级A、B、C可以量化为90、80、70等，但是量化的对应关系不限于此，可以根据需要进行设定。数据分箱的实现可以采用任何现有的数据分箱方法来针对变量连续值进行离散化，例如，可以采用自动分箱，一种动态规划的算法，尽可能使得分箱结果中的各个分箱的WOE(Weight ofEvidence，证据权重)值保持单调，但是本申请的实施例不限于此。
对于S120，下面提供了具体的实施例进行详细说明。
图3示出了基于预设的业务目标来确定可用阈值条件组合的集合的流程图。详细介绍如下。
根据可选的实施例，在S120中，所述基于所述预设的业务目标条件，确定可用阈值条件组合的集合，具体可以包括：
S121：随机选取阈值条件组合；
S122：基于用户样本，计算所选取的阈值条件组合对应的业务指标；
S123：判断所述业务指标是否满足预设的业务目标条件；
S124：若满足，将所选取的阈值条件组合确定为可用阈值条件组合的集合中的元素；
S125：若不满足，则根据预设规则选取另外的阈值条件组合。然后再执行S122、S123。
在S120中，当将选择的阈值组合确定为所述可用阈值条件组合的集合中的元素之后，还可以包括：
S126：判断是否满足结束条件，若满足，则停止选择可用阈值条件组合的过程；若不满足，则执行S125，即，继续根据预设规则选取另外的阈值条件组合。
根据实施例，结束条件可以包括以下两类情况或者它们的结合：
情况1：有阈值条件组合达到了预设的业务目标条件。在这种情况下，利用实施例的方案得到了一个符合预设业务目标条件的可用的阈值条件组合，就停止，不再继续寻找。由此，最终得到的可用阈值条件组合的集合中仅有一个元素。这种方式使得在计算资源有限的情况下，避免占用较多的计算资源。
情况2：达到了预设的最大迭代次数。在这种情况下，即使已经得到了一个符合预设业务目标条件的可用的阈值条件组合，迭代也不会停止，会继续寻找其他的符合业务目标条件的可用的阈值条件组合。由此，最终得到的可用阈值条件组合的集合通常包含不止一个元素，这种方式可以为用户推荐更多符合预设条件的风控策略以供用户选择。例如，可供用户根据附加的业务目标条件来进一步选择，假设基于预设的准入率和不良率作为业务目标条件得到的可用风控阈值条件有多套，那么，可以再根据诸如误判率的附加的业务目标条件，来从可用风控阈值条件中择优选择选择。再例如，另一方面，可供用户根据核心风控变量来进一步选择，其中核心风控变量可以是配置的所有风控变量中的最重要的风控变量，那么，可以再根据核心风控变量来对所有可用风控阈值条件进行打分或排序，从中择优选择。
根据可选的实施例，在S120中，所述基于所述预设的业务目标条件，确定可用阈值条件组合的集合，可以包括以下步骤：
S1201：基于用户样本，计算全部阈值条件组合的集合中的一个阈值条件组合对应的业务指标，其中，所述全部阈值条件组合的集合中的任一阈值条件组合由所述风控变量集中的每个风控变量对应的一个备选阈值条件组成。其中，S1201具体可以包括：从全部阈值条件组合的集合中随机选取阈值条件组合，得到初始阈值条件组合；获取用户样本；基于所述用户样本，计算所述初始阈值条件组合对应的业务指标。
S1202：判断所述一个阈值条件组合对应的业务指标是否符合所述业务目标条件，得到第一判断结果。
S1203：若所述第一判断结果为是，则将所述一个阈值条件组合确定为所述可用阈值条件组合的集合中的元素。
S1204：若所述第一判断结果为否，则根据预设规则选取另一阈值条件组合；
S1205：基于所述用户样本，计算所述另一阈值条件组合对应的业务指标；
S1206：判断所述另一阈值条件组合对应的业务指标是否符合所述业务目标条件，得到第二判断结果；
S1207：若所述第二判断结果为是，则将所述另一阈值条件组合确定为所述可用阈值条件组合的集合中的元素。
根据实施例，在S1201中，所述基于用户样本计算全部阈值条件组合的集合中的一个阈值条件组合对应的业务指标，具体可以包括：基于用户样本，计算全部阈值条件组合的集合中的一个阈值条件组合对应的第一类型业务指标；基于所述第一类型业务指标，从所述用户样本中确定出与所述第一类型业务指标对应的用户子样本；获取所述用户子样本的历史业务信息；基于所述历史业务信息，计算所述一个阈值条件组合对应的第二类型指标。
可选地，所述第一类型业务指标可以是准入率(或称通过率)，所述第二类型业务指标可以是不良率。作为示例，S1201可以包括：基于用户样本，计算全部阈值条件组合的集合中的一个阈值条件组合对应的准入率，其中，所述准入率表示所述用户样本中基于所述一个阈值条件组合被判定为准入的用户的比例；基于所述准入率，从所述用户样本中确定出满足所述准入率的用户子样本；获取所述用户子样本的历史业务信息；基于所述历史业务信息，计算所述一个阈值条件组合对应的不良率，其中，所述不良率用于表示所述用户子样本中具有不良业务行为记录的用户的比例。
其中，在每个历史业务数据中，包含实际业务结果信息，所述实际业务结果信息是能够反映业务实际是否存在风险的信息。例如，以交易业务为例，实际业务结果信息可以是表示业务是否存在实际逾期记录的信息。实际业务结果信息可以由风控人员从交易记录报文等处获得，但是实际业务结果信息的获取方式不限于此。
其中，所述历史业务数据可以是与当前业务场景相关的业务场景下的历史业务数据。假设，实施例中待确定的风控模型将用于在进行演唱会售票场景下的风险控制，其可以获取电影票售票场景下的历史业务数据。假设，实施例中待确定的风控模型将用于在进行汽车租赁场景下的风险控制，其可以获取自行车租赁场景下的历史业务数据。上面举出的例子仅是为了说明的目的，实际应用中的相关业务场景不限于此。
其中，所述历史业务数据可以是设定时间段内的历史业务数据。例如，如果待确定的风控模型将用于进行今天的业务风控，可以选择使用例如此前1周、此前1个月内的历史业务数据作为样本数据。又例如，如果待生成的风控模型将用于进行某节日(例如，中秋节)的业务风控，可以选择使用例如去年同期的历史业务数据，或者使用去年同期以及此前其他节日的历史业务数据，共同作为样本数据。以上示例仅为了说明的目的，设定时间段根据需要来选择，不限于以上示例。
根据可选的实施例，在S1202中，所述判断所述一个阈值条件组合对应的业务指标是否符合所述业务目标条件，具体可以包括：基于所述一个阈值条件组合对应的所述业务指标和所述业务目标条件，计算所述一个阈值条件组合的适应度，所述适应度用于表示所述一个阈值条件组合的所述业务指标与所述业务目标条件的接近程度；判断所述一个阈值条件组合的适应度是否大于或等于预设阈值。
更具体地，根据可选的实施例，所述预设的业务目标条件包括准入率目标条件和不良率目标条件，所述计算所述一个阈值条件组合的适应度，具体可以包括：若所述一个阈值条件组合对应的准入率大于或等于所述准入率目标条件，则使用下式计算所述一个阈值条件组合的适应度：适应度＝1-不良率；若所述一个阈值条件组合对应的准入率小于所述准入率目标条件，则使用下式计算所述一个阈值条件组合的适应度：适应度＝通过率-1。计算适应度的公式如下所示：
Figure BDA0002340761780000141
具体地，在一些实施例中，需要考虑在通过率达到目标值的情况下，得到不良率最低的方案。因此，当通过率不能满足准入率目标条件的情况下，通过使用“通过率-1”计算得到的适应度为负数，无法达到预设阈值，且通过率与目标值相差越大，适应度越低；当通过率满足准入率目标条件的情况下，通过使用“1-不良率”来计算适应度，使得不良率越低，得到的适应度越高。这样的计算适应度的方法，可以通过计算适应度来找到，在满足通过率的前提条件下，实现最低的不良率的阈值条件组合。当然，上述公式仅是作为示例，应用本申请的方案计算适应度的公式不限于此。
根据实施例，在S1204中，所述若所述第一判断结果为否，根据预设规则选取另一阈值条件组合，具体可以包括：若所述一个阈值条件组合的适应度小于预设阈值，则在全部阈值条件组合的集合中选择除所述一个阈值条件组合之外第二阈值条件组合，其中，所述第二阈值条件组合的适应度大于所述一个阈值条件组合的适应度。
在上述实施例中，通过基于用户样本来计算一组阈值条件组合的业务指标，并判断该业务指标是否符合预设的业务目标条件，当该业务指标符合的情况下将该阈值条件组合确定为可用的阈值条件组合；若该业务指标不符合，可选择下一组阈值条件组合再次进行计算和判断。
对于S120，下面提供了另一具体的实施例进行详细说明。
根据本申请的实施例，基于所述预设的业务目标条件，确定可用阈值条件组合的集合，具体可以包括：
定义多个虚拟粒子，其中，虚拟粒子的数量小于备选阈值条件组合的集合中备选阈值条件组合的数量；
初始化所述多个虚拟粒子中的各个虚拟粒子的当前位置，其中，虚拟粒子的位置是根据从所有备选阈值条件组合的集合中随机选取的初始阈值条件组合对应的参数值确定的，其中，所述备选阈值条件组合的集合中的任一备选阈值条件组合由所述风控变量集中的每个风控变量对应的一个备选阈值条件组成；
计算各个虚拟粒子与当前位置对应的适应度；
将所述多个虚拟粒子的适应度分别设置为各个虚拟粒子的个体最优适应度；
基于各个虚拟粒子的个体最优适应度，得到所述多个虚拟粒子的群体最优适应度；
基于各个虚拟粒子的当前位置、各个虚拟粒子的个体最优适应度以及所述多个虚拟粒子的群体最优适应度，得到各个虚拟粒子的更新的位置。
根据本申请的实施例，所述得到各个虚拟粒子的更新的位置之后，还可以包括：
计算各个虚拟粒子的与更新的位置对应的更新的适应度；
对比各个粒子的所述更新的适应度与所述个体最优适应度，得到第一对比结果；
若所述第一对比结果表示所述更新的适应度较优，则将相应粒子的个体最优适应度的值更新为所述更新的适应度的值；
若所述第一对比结果表示所述个体最优适应度较优，则不更新所述个体最优适应度的值；
对比各个粒子的所述更新的适应度与群体最优适应度，得到第二对比结果；
若所述第二对比结果表示所述更新的适应度较优，则将群体最优适应度的值更新为所述更新的适应度的值；
若所述第一对比结果表示所述群体最优适应度较优，则不更新所述群体最优适应度的值。
根据本申请的实施例，上述步骤之后，还可以包括：
判断是否达到迭代停止条件，得到判断结果；
若判断结果为是，则停止；
若判断结果为否，则基于各个虚拟粒子更新后的位置、各个虚拟粒子的个体最优适应度以及所述多个虚拟粒子的群体最优适应度，得到各个虚拟粒子的再次更新的位置。
根据可选的实施例，所述判断是否达到迭代停止条件，具体包括：判断群体最优适应度是否进行更新，若更新了，则继续迭代，若未更新，则停止；或者，判断是否达到了最大迭代次数，若未达到，则继续迭代，若达到了，则停止。
在一个可选的实施例中，当根据S120来确定可用阈值条件组合的集合时，具体可以采用粒子群算法。粒子群算法也称为粒子群优化算法或鸟群觅食算法，属于进化算法的一种，从随机解出发，通过迭代来寻找最优解。粒子群优化算法的基本思想是通过群体中个体之间的协作和信息共享来寻找最优解。粒子群算法具有实现容易、精度高、收敛快等优点。另外，粒子群算法是一种并行算法。
粒子群算法中的定义了没有质量和体积的粒子，粒子延伸到D维空间，粒子i在D维空间的位置表示为矢量Xi＝(xi1，xi2，…，xiD)，飞行速度表示为矢量Vi＝(vi1，vi2，…，viD)。每个粒子都有一个由目标函数决定的适应值(fitness value)，每个粒子已知到目前为止的自己经历的最优位置(pij)和自己的当前位置xij，即，粒子的自我认知部分。并且，每个粒子还知道到目前为止整个群体中所有粒子经历的最优位置(plj，plj是各个粒子的pij中的最优值)，即，粒子的社会认知部分。每个粒子就是基于自我认知部分和社会认知部分来决定下一次的迭代运动。粒子群算法中，随机初始化多个粒子(随机解)，然后通过迭代找到最优解。在每次的迭代中，粒子通过跟踪两个极值(pij和plj)来更新自己的速度和位置。具体地，通过下面两个公式来更新：
vij(t)＝vij(t-1)+c1r1(pij-xij(t-1))+c2r2(plj-xij(t-1)) 式(1)
xij(t)＝xij(t-1)+vij(t) 式(2)
其中，式(1)为粒子速度更新公式；式(2)为粒子位置更新公式。
其中，c1和c2为常数，r1和r2为随机数。t表示迭代的轮次。
其中，i＝1,2,3,……,N，N是初始化的粒子群中的粒子总数。
其中，j＝1,2,3,……,N，D是空间的维度，在本申请的实施例中，D可以表示风控变量的个数，第j维则表示第j个风控变量。
其中，xij(t)表示第i只粒子第t次迭代的在j维上的位置；vij(t)表示第i只粒子第t次迭代的在j维上的速度。
其中，在式(1)中，粒子的速度更新基于三部分：vij(t-1)表示前次迭代中粒子自身的速度；c1r1(pij-xij(t-1))表示粒子的自我认知部分，其中的pij表示粒子i经历过的最佳位置；c2r2(plj-xij(t-1))表示粒子的社会认知部分，其中的plj表示群体中所有粒子经历过的最佳位置。
在实际应用中，所述基于各个虚拟粒子的当前位置、各个虚拟粒子的个体最优适应度以及所述多个虚拟粒子的群体最优适应度，得到各个虚拟粒子的更新的位置，可以是根据上文中所述的公式(1)和公式(2)来得到各个虚拟粒子的更新的位置。
图4示出了本说明书实施例提供的采用粒子群算法的流程示意图。
在一个可选的实施例中，基于预设的业务目标条件来，通过粒子群优化算法来得到可用的阈值条件组合的计算过程，可以分为初始化和迭代优化两个阶段。
具体地，在初始化阶段，(a)在可行区域内(即每个变量的取值范围内)随机初始化n个粒子的位置和速度，其中，n的值根据需要进行设定；(b)每个粒子计算当前位置(即，一组变量阈值组合)的由目标函数决定的适应度，然后将每个粒子的个体历史最优适应度初始化为当前适应度、个体历史最优位置初始化为当前位置；(c)根据每个粒子的最优适应度和最优位置，记录粒子群全局的最优适应度和历史最优位置。
在迭代优化阶段，(d)每个粒子根据惯性、个体历史最优位置、粒子群历史最优位置来更新其位置(变量的取值)和速度(变量取值调整的强弱)；(e)每个粒子计算当前位置(即，一组变量阈值组合)下的适应度；(f)每个粒子比较当前位置适应度和个体历史最优适应度，如更优，则更新个体最优适应度和位置；(g)每个粒子比较当前位置适应度和粒子群历史最优适应度，如更优，则更新粒子群最优适应度和位置；(h)如果未达到迭代停止条件，重复(d)、(e)、(f)、(g)步骤，否则停止计算。其中，迭代停止条件可以是迭代次数、迭代时间，或者可以是粒子群最优适应度达到预设阈值、粒子群最优适应度不再更新等，不限于此。
在可选的实施例中，上述两个阶段中，每个粒子的当前位置(即，一组变量阈值组合)的适应度，是通过计算该粒子在当前位置下的业务指标(例如，通过率和不良率)来计算的，更具体地，可以基于当前位置下的业务指标与预设的业务目标条件来计算。其中，适应度的评价函数可以使用现有的任何适用的方法，可以根据需要来设定，本方案不对此进行具体限制。
在本申请的前述实施例中，提供了一种通过预设业务目标条件，且基于诸如粒子群算法的优化算法，从而实现快速确定风控模型中的风控阈值条件的方法，提高效率且减少计算资源浪费。具体地，先针对每个业务场景，根据业务需求预设业务目标条件(例如：准入率＝57％，不良率＝0.13％)；并根据业务需求，确定需要防控的风险范围，配置对应的风控变量集；再根据配置的风控变量集，进一步配置与每个风控变量对应的变量阀值；再根据业务需求，获取相应的用户样本，此处获取的用户样本可以包括用户在一定时间范围内的业务数据；根据预设的业务目标条件，利用变量阈值组合开始计算，通过计算各变量阈值条件组合的业务指标(例如，各阈值条件组合对应的准入率和不良率)，来优化得到符合条件的阈值条件组合的集合。
在传统的风控业务场景下，需要通过反复调整变量阀值条件，并根据所有的变量阀值条件组合，通过批量计算来验证每个变量阀值条件对应的风控模型的风控效果。在真实的业务场景中，例如，假设一个风控模型包含100个风控变量，每个风控变量有8个对应的阈值，那么变量的阀值条件组合有8^100种，即，阀值条件组合的总数非常庞大，这使得每次风控阈值条件的调整都需要一周以上的开发时间，模型更新的效率非常低。通过本申请实施例的方法，可以避免解决策略迭代时需要计算大量的(所有可能的)阀值条件组合的情况，通过预设业务目标条件并使用优化算法，可以快速搜索符合预设业务目标条件的可用阈值条件组合，快速得到风控阈值条件，压缩时间成本(例如可以将时间压缩到几个小时)、减少计算资源的占用。
为了更清楚地说明本发明的目的，下面结合一个实际应用中的示例对本申请的风控阈值条件确定方法进行具体说明。
在假设电子产品回收的业务场景下，电子产品回收方为风控模型的使用者。在该业务场景下，通常是电子产品回收方先将资金转入电子产品提供方的账号，然后电子产品提供方收到付款后寄出待回收的电子产品。在这一过程中，存在电子产品提供方收到货款后不寄出电子产品，导致电子产品回收方产生资金损失的情况。为了防控该业务场景下的该种风险，需要确定该业务场景下的风控模型对应的风控阈值条件，可以采用下述方法：
获取预设的业务目标条件，假设，根据业务场景下的历史业务数据，可以获得预设的业务目标条件，例如为：通过率57％，不良率0.13％。
获取预设的配置信息，参见表1，配置信息中包含多个变量以及与每个变量对应的多个备选的阈值条件。其中，阈值条件相当于下表格中的变量规则+变量阈值。具体地，可以先基于业务场景得出要防控的风险，然后基于风险得到需要进行风控的变量，再对每个变量的值设定分箱阈值得到与每个变量对应的变量阈值集。
表1
Figure BDA0002340761780000201
Figure BDA0002340761780000211
获取样本数据，然后以预设的业务目标条件为优化目标，通过使用例如使用粒子群算法的优化算法，来迭代计算变量阈值组合的准入率和不良率以及相应的适应度，并根据适应度选择符合条件的可用的阈值条件组合。
假设在迭代后获得的可用阈值条件组合的集合中，包含不止一组符合条件的阈值条件组合，如表2所示。此时，可以根据除作为预设业务目标条件之外的其他业务目标条件，来择优选取最终使用的阈值条件组合。
表2
阈值条件组合 适应度 通过率 不良率 误拦截率
00001 0.576 0.576 0.0013 0.6423
00002 0.576 0.576 0.0013 0.6423
00003 0.576 0.576 0.0013 0.6423
00005 0.576 0.576 0.0013 0.6423
对于表2中示出的任一阈值条件组合，可以查看该阈值条件组合中的具体的风控变量及其对应的阈值条件，如表3所示。可选地，也可以根据某项风控变量作为核心风控变量，例如，对比各个不同的可用阈值条件组合中的用户信用分值这一核心风控变量，将核心风控变量的对应分值最高的可用阈值条件组合作为最终选择的阈值条件组合。
Figure BDA0002340761780000212
Figure BDA0002340761780000221
基于同样的思路，本说明书实施例还提供了上述方法对应的装置。图5为本说明书实施例提供的一种风控阈值条件确定装置的结构示意图。
如图5所示，该装置可以包括：
获取模块510，用于获取预设的业务目标条件和配置信息，所述配置信息包括风控变量集以及与所述风控变量集中的每个风控变量对应的备选阈值条件集；
可用阈值条件组合确定模块520，用于基于所述预设的业务目标条件，确定可用阈值条件组合的集合，其中，所述可用阈值条件组合的集合中的任一可用阈值条件组合由所述风控变量集中的每个风控变量对应的一个备选阈值条件组成，其中，基于所述可用阈值条件组合的集合中的可用阈值条件组合所确定的风控阈值条件满足所述预设的业务目标条件；
风控阈值条件确定模块530，基于所述可用阈值条件组合的集合，确定风控阈值条件，其中，所述风控阈值条件是所述集合中的一个可用阈值条件组合或多个可用阈值条件组合。
根据实施例，所述可用阈值条件组合确定模块520具体包括：计算单元，用于基于用户样本，计算全部阈值条件组合的集合中的一个阈值条件组合对应的业务指标，其中，所述全部阈值条件组合的集合中的任一阈值条件组合由所述风控变量集中的每个风控变量对应的一个备选阈值条件组成；判断单元，用于判断所述一个阈值条件组合对应的业务指标是否符合所述业务目标条件，得到第一判断结果；确定单元，用于若判断单元的所述第一判断结果为是，则将所述一个阈值条件组合确定为所述可用阈值条件组合的集合中的元素。
根据实施例，所述计算单元具体用于：从全部阈值条件组合的集合中随机选取阈值条件组合，得到初始阈值条件组合；获取用户样本；基于所述用户样本，计算所述初始阈值条件组合对应的业务指标。
根据实施例，所述计算单元，具体包括：计算子单元，用于基于用户样本，计算全部阈值条件组合的集合中的一个阈值条件组合对应的第一类型业务指标；确定子单元，用于基于所述第一类型业务指标，从所述用户样本中确定出与所述第一类型业务指标对应的用户子样本；获取子单元，用于获取所述用户子样本的历史业务信息；所述计算子单元，还用于基于所述历史业务信息，计算所述一个阈值条件组合对应的第二类型指标。
根据实施例，所述计算单元，具体包括：计算子单元，用于基于用户样本，计算全部阈值条件组合的集合中的一个阈值条件组合对应的准入率，其中，所述准入率表示所述用户样本中基于所述一个阈值条件组合被判定为准入的用户的比例；确定子单元，用于基于所述准入率，从所述用户样本中确定出满足所述准入率的用户子样本；获取子单元，用于获取所述用户子样本的历史业务信息；所述计算子单元，还用于基于所述历史业务信息，计算所述一个阈值条件组合对应的不良率，其中，所述不良率用于表示所述用户子样本中具有不良业务行为记录的用户的比例。
根据实施例，所述判断单元，具体用于，基于所述一个阈值条件组合对应的所述业务指标和所述业务目标条件，计算所述一个阈值条件组合的适应度，所述适应度用于表示所述一个阈值条件组合的所述业务指标与所述业务目标条件的接近程度；判断所述一个阈值条件组合的适应度是否大于或等于预设阈值。
根据实施例，所述装置还包括：选取单元，用于若判断单元的所述第一判断结果为否，则根据预设规则选取另一阈值条件组合；所述计算单元还用于，基于所述用户样本，计算所述另一阈值条件组合对应的业务指标；所述判断单元还用于，判断所述另一阈值条件组合对应的业务指标是否符合所述业务目标条件，得到第二判断结果；所述确定单元还用于，若所述第二判断结果为是，则将所述另一阈值条件组合确定为所述可用阈值条件组合的集合中的元素。
根据实施例，所述确定单元，具体用于：若所述一个阈值条件组合的适应度小于预设阈值，则在全部阈值条件组合的集合中选择除所述一个阈值条件组合之外第二阈值条件组合，其中，所述第二阈值条件组合的适应度大于所述一个阈值条件组合的适应度。
可以理解，上述的各模块是指计算机程序或者程序段，用于执行某一项或多项特定的功能。此外，上述各模块的区分并不代表实际的程序代码也必须是分开的。
基于同样的思路，本说明书实施例还提供了上述方法对应的设备。
图6为本说明书实施例提供的一种风控阈值条件确定设备的结构示意图。如图6所示，设备600可以包括：
至少一个处理器610；以及，
与所述至少一个处理器通信连接的存储器630；其中，
所述存储器630存储有可被所述至少一个处理器610执行的指令620，所述指令被所述至少一个处理器610执行，以使所述至少一个处理器610能够：
获取预设的业务目标条件和配置信息，所述配置信息包括风控变量集以及与所述风控变量集中的每个风控变量对应的备选阈值条件集；
基于所述预设的业务目标条件，确定可用阈值条件组合的集合，其中，所述可用阈值条件组合的集合中的任一可用阈值条件组合由所述风控变量集中的每个风控变量对应的一个备选阈值条件组成，其中，基于所述可用阈值条件组合的集合中的可用阈值条件组合确定的风控阈值条件满足所述预设的业务目标条件；
基于所述可用阈值条件组合的集合，确定风控阈值条件，其中，所述风控阈值条件是所述集合中的一个可用阈值条件组合或多个可用阈值条件组合。
基于同样的思路，本说明书实施例还提供了上述方法对应的一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现上面任一实施例中所述的风控阈值条件确定方法。
上述对本说明书特定实施例进行了描述，在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、设备与方法是对应的，因此，装置、设备也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、设备的有益技术效果。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (15)

1.一种风控阈值条件确定方法，包括：
获取预设的业务目标条件和配置信息，所述配置信息包括风控变量集以及与所述风控变量集中的每个风控变量对应的备选阈值条件集；
基于所述预设的业务目标条件，确定可用阈值条件组合的集合，其中，所述可用阈值条件组合的集合中的任一可用阈值条件组合由所述风控变量集中的每个风控变量对应的一个备选阈值条件组成，并且，基于所述可用阈值条件组合的集合中的可用阈值条件组合所确定的风控阈值条件满足所述预设的业务目标条件；
基于所述可用阈值条件组合的集合，确定风控阈值条件，其中，所述风控阈值条件是所述集合中的一个可用阈值条件组合或多个可用阈值条件组合。
2.根据权利要求1所述的方法，所述基于所述预设的业务目标条件，确定可用阈值条件组合的集合，具体包括：
基于用户样本，计算全部阈值条件组合的集合中的一个阈值条件组合对应的业务指标，其中，所述全部阈值条件组合的集合中的任一阈值条件组合由所述风控变量集中的每个风控变量对应的一个备选阈值条件组成；
判断所述一个阈值条件组合对应的业务指标是否符合所述业务目标条件，得到第一判断结果；
若所述第一判断结果为是，则将所述一个阈值条件组合确定为所述可用阈值条件组合的集合中的元素。
3.根据权利要求2所述的方法，所述基于用户样本，计算所述全部阈值条件组合中的一个阈值条件组合对应的业务指标，具体包括：
从全部阈值条件组合的集合中随机选取阈值条件组合，得到初始阈值条件组合；
获取用户样本；
基于所述用户样本，计算所述初始阈值条件组合对应的业务指标。
4.根据权利要求2所述的方法，所述基于用户样本，计算全部阈值条件组合的集合中的一个阈值条件组合对应的业务指标，具体包括：
基于用户样本，计算全部阈值条件组合的集合中的一个阈值条件组合对应的第一类型业务指标；
基于所述第一类型业务指标，从所述用户样本中确定出与所述第一类型业务指标对应的用户子样本；
获取所述用户子样本的历史业务信息；
基于所述历史业务信息，计算所述一个阈值条件组合对应的第二类型指标。
5.根据权利要求4所述的方法，所述基于用户样本，计算全部阈值条件组合的集合中的一个阈值条件组合对应的业务指标，具体包括：
基于用户样本，计算全部阈值条件组合的集合中的一个阈值条件组合对应的准入率，其中，所述准入率表示所述用户样本中基于所述一个阈值条件组合被判定为准入的用户的比例；
基于所述准入率，从所述用户样本中确定出满足所述准入率的用户子样本；
获取所述用户子样本的历史业务信息；
基于所述历史业务信息，计算所述一个阈值条件组合对应的不良率，其中，所述不良率用于表示所述用户子样本中具有不良业务行为记录的用户的比例。
6.根据权利要求5所述的方法，所述判断所述一个阈值条件组合对应的业务指标是否符合所述业务目标条件，具体包括：
基于所述一个阈值条件组合对应的所述业务指标和所述业务目标条件，计算所述一个阈值条件组合的适应度，所述适应度用于表示所述一个阈值条件组合的所述业务指标与所述业务目标条件的接近程度；
判断所述一个阈值条件组合的适应度是否大于或等于预设阈值。
7.根据权利要求6所述的方法，所述预设的业务目标条件包括准入率目标条件和不良率目标条件，
所述计算所述一个阈值条件组合的适应度，具体包括：
若所述一个阈值条件组合对应的准入率大于或等于所述准入率目标条件，则使用下式计算所述一个阈值条件组合的适应度：适应度＝1-不良率；
若所述一个阈值条件组合对应的准入率小于所述准入率目标条件，则使用下式计算所述一个阈值条件组合的适应度：适应度＝通过率-1。
8.根据权利要求6所述的方法，所述判断所述一个阈值条件组合对应的业务指标是否符合所述业务目标条件，得到第一判断结果之后，还包括：
若所述第一判断结果为否，则根据预设规则选取另一阈值条件组合；
基于所述用户样本，计算所述另一阈值条件组合对应的业务指标；
判断所述另一阈值条件组合对应的业务指标是否符合所述业务目标条件，得到第二判断结果；
若所述第二判断结果为是，则将所述另一阈值条件组合确定为所述可用阈值条件组合的集合中的元素。
9.根据权利要求8所述的方法，所述若所述第一判断结果为否，则根据预设规则选取另一阈值条件组合，具体包括：
若所述一个阈值条件组合的适应度小于预设阈值，则在全部阈值条件组合的集合中选择除所述一个阈值条件组合之外第二阈值条件组合，其中，所述第二阈值条件组合的适应度大于所述一个阈值条件组合的适应度。
10.一种风控阈值条件确定装置，包括：
获取模块，用于获取预设的业务目标条件和配置信息，所述配置信息包括风控变量集以及与所述风控变量集中的每个风控变量对应的备选阈值条件集；
可用阈值条件组合确定模块，用于基于所述预设的业务目标条件，确定可用阈值条件组合的集合，其中，所述可用阈值条件组合的集合中的任一可用阈值条件组合由所述风控变量集中的每个风控变量对应的一个备选阈值条件组成，其中，基于所述可用阈值条件组合的集合中的可用阈值条件组合所确定的风控阈值条件满足所述预设的业务目标条件；
风控阈值条件确定模块，基于所述可用阈值条件组合的集合，确定风控阈值条件，其中，所述风控阈值条件是所述集合中的一个可用阈值条件组合或多个可用阈值条件组合。
11.根据权利要求10所述的装置，其中，所述可用阈值条件组合确定模块具体包括：
计算单元，用于基于用户样本，计算全部阈值条件组合的集合中的一个阈值条件组合对应的业务指标，其中，所述全部阈值条件组合的集合中的任一阈值条件组合由所述风控变量集中的每个风控变量对应的一个备选阈值条件组成；
判断单元，用于判断所述一个阈值条件组合对应的业务指标是否符合所述业务目标条件，得到第一判断结果；
确定单元，用于若判断单元的所述第一判断结果为是，则将所述一个阈值条件组合确定为所述可用阈值条件组合的集合中的元素。
12.根据权利要求11所述的装置，其中，所述计算单元，具体包括：
计算子单元，用于基于用户样本，计算全部阈值条件组合的集合中的一个阈值条件组合对应的第一类型业务指标；
确定子单元，用于基于所述第一类型业务指标，从所述用户样本中确定出与所述第一类型业务指标对应的用户子样本；
获取子单元，用于获取所述用户子样本的历史业务信息；
所述计算子单元，还用于基于所述历史业务信息，计算所述一个阈值条件组合对应的第二类型指标。
13.根据权利要求11所述的装置，所述装置还包括：
选取单元，用于若判断单元的所述第一判断结果为否，则根据预设规则选取另一阈值条件组合；
所述计算单元还用于，基于所述用户样本，计算所述另一阈值条件组合对应的业务指标；
所述判断单元还用于，判断所述另一阈值条件组合对应的业务指标是否符合所述业务目标条件，得到第二判断结果；
所述确定单元还用于，若所述第二判断结果为是，则将所述另一阈值条件组合确定为所述可用阈值条件组合的集合中的元素。
14.一种风控阈值条件确定设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取预设的业务目标条件和配置信息，所述配置信息包括风控变量集以及与所述风控变量集中的每个风控变量对应的备选阈值条件集；
基于所述预设的业务目标条件，确定可用阈值条件组合的集合，其中，所述可用阈值条件组合的集合中的任一可用阈值条件组合由所述风控变量集中的每个风控变量对应的一个备选阈值条件组成，其中，基于所述可用阈值条件组合的集合中的可用阈值条件组合确定的风控阈值条件满足所述预设的业务目标条件；
基于所述可用阈值条件组合的集合，确定风控阈值条件，其中，所述风控阈值条件是所述集合中的一个可用阈值条件组合或多个可用阈值条件组合。
15.一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现权利要求1至8中任一项所述的风控阈值条件确定方法。
CN201911387300.9A 2019-12-27 2019-12-27 一种风控阈值条件确定方法、装置、设备和可读介质 Pending CN111047220A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911387300.9A CN111047220A (zh) 2019-12-27 2019-12-27 一种风控阈值条件确定方法、装置、设备和可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911387300.9A CN111047220A (zh) 2019-12-27 2019-12-27 一种风控阈值条件确定方法、装置、设备和可读介质

Publications (1)

Publication Number Publication Date
CN111047220A true CN111047220A (zh) 2020-04-21

Family

ID=70241250

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911387300.9A Pending CN111047220A (zh) 2019-12-27 2019-12-27 一种风控阈值条件确定方法、装置、设备和可读介质

Country Status (1)

Country Link
CN (1) CN111047220A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113344695A (zh) * 2021-06-21 2021-09-03 支付宝(杭州)信息技术有限公司 一种弹性风控方法、装置、设备和可读介质
CN113626090A (zh) * 2021-08-06 2021-11-09 济南浪潮数据技术有限公司 一种服务器固件配置方法、装置、设备及可读介质
CN113807635A (zh) * 2021-04-01 2021-12-17 京东科技控股股份有限公司 业务运行数据监测方法、装置、电子设备和存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160055434A1 (en) * 2014-08-21 2016-02-25 Lenovo Enterprise Solutions (Singapore) Pte. Ltd. Dynamic risk assessment based product sampling
US20180108016A1 (en) * 2015-06-19 2018-04-19 Alibaba Group Holding Limited Electronic payment risk processing
CN108399477A (zh) * 2017-02-07 2018-08-14 阿里巴巴集团控股有限公司 一种风险阈值确定的方法及装置
CN108460523A (zh) * 2018-02-12 2018-08-28 阿里巴巴集团控股有限公司 一种风控规则生成方法和装置
CN109063952A (zh) * 2018-06-15 2018-12-21 阿里巴巴集团控股有限公司 策略生成及风险控制方法和装置
CN109255486A (zh) * 2018-09-14 2019-01-22 阿里巴巴集团控股有限公司 一种策略配置的优化方法及装置
CN109255517A (zh) * 2018-07-27 2019-01-22 阿里巴巴集团控股有限公司 风控策略的生成方法、装置、服务器及可读存储介质
US20190279217A1 (en) * 2017-01-23 2019-09-12 Alibaba Group Holding Limited Method for adjusting risk parameter, and method and device for risk identification

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160055434A1 (en) * 2014-08-21 2016-02-25 Lenovo Enterprise Solutions (Singapore) Pte. Ltd. Dynamic risk assessment based product sampling
US20180108016A1 (en) * 2015-06-19 2018-04-19 Alibaba Group Holding Limited Electronic payment risk processing
US20190279217A1 (en) * 2017-01-23 2019-09-12 Alibaba Group Holding Limited Method for adjusting risk parameter, and method and device for risk identification
CN108399477A (zh) * 2017-02-07 2018-08-14 阿里巴巴集团控股有限公司 一种风险阈值确定的方法及装置
CN108460523A (zh) * 2018-02-12 2018-08-28 阿里巴巴集团控股有限公司 一种风控规则生成方法和装置
CN109063952A (zh) * 2018-06-15 2018-12-21 阿里巴巴集团控股有限公司 策略生成及风险控制方法和装置
CN109255517A (zh) * 2018-07-27 2019-01-22 阿里巴巴集团控股有限公司 风控策略的生成方法、装置、服务器及可读存储介质
CN109255486A (zh) * 2018-09-14 2019-01-22 阿里巴巴集团控股有限公司 一种策略配置的优化方法及装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113807635A (zh) * 2021-04-01 2021-12-17 京东科技控股股份有限公司 业务运行数据监测方法、装置、电子设备和存储介质
CN113807635B (zh) * 2021-04-01 2024-04-09 京东科技控股股份有限公司 业务运行数据监测方法、装置、电子设备和存储介质
CN113344695A (zh) * 2021-06-21 2021-09-03 支付宝(杭州)信息技术有限公司 一种弹性风控方法、装置、设备和可读介质
CN113626090A (zh) * 2021-08-06 2021-11-09 济南浪潮数据技术有限公司 一种服务器固件配置方法、装置、设备及可读介质
CN113626090B (zh) * 2021-08-06 2023-12-29 济南浪潮数据技术有限公司 一种服务器固件配置方法、装置、设备及可读介质

Similar Documents

Publication Publication Date Title
US10943186B2 (en) Machine learning model training method and device, and electronic device
TWI818999B (zh) 針對新場景的預測模型訓練方法及裝置
CN108460681B (zh) 一种风险管控方法及装置
CN110245935B (zh) 支付渠道推荐方法、装置及设备
US20200211106A1 (en) Method, apparatus, and device for training risk management models
TWI696124B (zh) 模型整合方法及裝置
CN111080304B (zh) 一种可信关系识别方法、装置及设备
CN111047220A (zh) 一种风控阈值条件确定方法、装置、设备和可读介质
CN109146638B (zh) 异常金融交易群体的识别方法及装置
CN111639687B (zh) 一种模型训练以及异常账号识别方法及装置
CN111738628A (zh) 一种风险群组识别方法及装置
CN111080225A (zh) 项目加速的自动评估
CN110633989A (zh) 一种风险行为生成模型的确定方法及装置
CN110740194B (zh) 基于云边融合的微服务组合方法及应用
CN111539811B (zh) 风险账户的识别方法及装置
CN110008991B (zh) 风险事件的识别、风险识别模型的生成方法、装置、设备及介质
CN111260368A (zh) 一种账户交易风险判断方法、装置及电子设备
CN110674188A (zh) 一种特征提取方法、装置及设备
CN111325248A (zh) 降低贷前业务风险的方法及系统
CN114187112A (zh) 账户风险模型的训练方法和风险用户群体的确定方法
CN111401766A (zh) 模型、业务处理方法、装置及设备
CN110134860B (zh) 用户画像生成方法、装置和设备
CN110033092B (zh) 数据标签生成、模型训练、事件识别方法和装置
US20220207420A1 (en) Utilizing machine learning models to characterize a relationship between a user and an entity
CN116308738B (zh) 一种模型训练的方法、业务风控的方法及装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200421

RJ01 Rejection of invention patent application after publication