CN111062642A - 对象的行业风险程度识别方法、装置以及电子设备 - Google Patents
对象的行业风险程度识别方法、装置以及电子设备 Download PDFInfo
- Publication number
- CN111062642A CN111062642A CN201911386198.0A CN201911386198A CN111062642A CN 111062642 A CN111062642 A CN 111062642A CN 201911386198 A CN201911386198 A CN 201911386198A CN 111062642 A CN111062642 A CN 111062642A
- Authority
- CN
- China
- Prior art keywords
- industry
- information
- cluster
- risk degree
- object cluster
- 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
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Abstract
本申请提供了一种对象的行业风险程度识别方法、装置以及电子设备,涉及数据处理技术领域,解决了对象风险程度的识别结果准确度较低的技术问题。该方法包括:基于多个样本对象的行业信息构建行业图谱;利用社群发现算法和标签传播算法,对所述行业图谱进行解析,得到至少一个对象集群;每个所述对象集群对应有行业风险程度数据;获取待识别对象的行业信息,并将所述待识别对象的行业信息与所述行业图谱中的对象集群进行关联,以确定所述待识别对象的行业风险程度。
Description
技术领域
本申请涉及数据处理技术领域,尤其是涉及一种对象的行业风险程度识别方法、装置以及电子设备。
背景技术
目前,在需要识别某个对象的风险程度的场景中,识别风险程度的过程需要考虑很多方面。例如,借助个人历史借贷表现、基本收入开支情况及人口统计信息等,来计算贷款个人的欺诈风险程度。
但是,现有的对某个对象的风险程度进行识别的过程效率较低,有些真正风险程度较高的对象难以被识别出,导致对象风险程度的识别结果准确度较低。
发明内容
本发明的目的在于提供一种对象的行业风险程度识别方法、装置以及电子设备,以解决对象风险程度的识别结果准确度较低的技术问题。
第一方面,本申请实施例提供了一种对象的行业风险程度识别方法,所述方法包括:
基于多个样本对象的行业信息构建行业图谱;
利用社群发现算法和标签传播算法,对所述行业图谱进行解析,得到至少一个对象集群;每个所述对象集群对应有行业风险程度数据;
获取待识别对象的行业信息,并将所述待识别对象的行业信息与所述行业图谱中的对象集群进行关联,以确定所述待识别对象的行业风险程度。
在一个可能的实现中,基于多个样本对象的行业信息构建行业图谱的步骤,包括:
基于多个样本对象的行业信息,构建行业分类库和行业标签库;
基于所述行业分类库和所述行业标签库中的信息生成所述样本对象的行业画像;
将行业数据和所述样本对象的行业画像进行关联,得到行业图谱。
在一个可能的实现中,所述行业图谱包括下述任意一项或多项:
所述样本对象的行业行为信息、行业标的物信息、行业关联对象信息以及行业事件信息。
在一个可能的实现中,利用社群发现算法和标签传播算法,对所述行业图谱进行解析,得到至少一个对象集群的步骤之后,还包括:
针对每个所述对象集群,基于所述对象集群的属性数据确定所述对象集群的行业风险程度,得到所述对象集群对应的行业风险程度数据。
在一个可能的实现中,所述属性数据包括下述任意一项或多项:
所述对象集群中每个对象的对象风险值、行为风险值以及重要程度。
在一个可能的实现中,基于所述对象集群的属性数据确定所述对象集群的行业风险程度,得到所述对象集群对应的行业风险程度数据的步骤,包括:
基于所述对象集群的属性数据计算所述对象集群的行业风险值,将所述行业风险值作为所述对象集群对应的行业风险程度数据。
第二方面,提供了一种对象风险程度识别装置,包括:
构建模块,用于基于多个样本对象的行业信息构建行业图谱;
解析模块,用于利用社群发现算法和标签传播算法,对所述行业图谱进行解析,得到至少一个对象集群;每个所述对象集群对应有行业风险程度数据;
关联模块,用于获取待识别对象的行业信息,并将所述待识别对象的行业信息与所述行业图谱中的对象集群进行关联,以确定所述待识别对象的行业风险程度。
在一个可能的实现中,还包括:
确定模块,用于针对每个所述对象集群,基于所述对象集群的属性数据确定所述对象集群的行业风险程度,得到所述对象集群对应的行业风险程度数据。
第三方面,本申请实施例又提供了一种电子设备,包括存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的第一方面所述方法。
第四方面,本申请实施例又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存储有机器可运行指令,所述计算机可运行指令在被处理器调用和运行时,所述计算机可运行指令促使所述处理器运行上述的第一方面所述方法。
本申请实施例带来了以下有益效果:
本申请实施例提供的一种对象的行业风险程度识别方法、装置以及电子设备,能够基于多个样本对象的行业信息构建行业图谱,然后,利用社群发现算法和标签传播算法来对行业图谱进行解析从而得到至少一个对象集群,其中,每个对象集群对应有行业风险程度数据,在获取待识别对象的行业信息时,便可以将待识别对象的行业信息与行业图谱中的对象集群进行关联,以确定待识别对象的行业风险程度,通过标签传播算法和社群发现算法能够准确的挖掘出潜在的行业风险程度较高的对象集群,再通过将待识别对象的行业信息与行业图谱中的对象集群进行关联,能够准确的识别出待识别对象的行业风险程度,以提高对象行业风险程度识别结果的准确性,从而解决对象风险程度的识别结果准确度较低的技术问题。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的对象的行业风险程度识别方法的流程示意图的流程图示意图;
图2为本申请实施例提供的对象的行业风险程度识别方法中,信息关联结构的一个示例;
图3为本申请实施例提供的对象的行业风险程度识别方法的另一流程示意图的流程图示意图;
图4为本申请实施例提供的一种对象风险程度识别装置的结构示意图;
图5为示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合附图对本申请的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
本申请实施例中所提到的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括其他没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
目前,借助个人历史借贷表现、基本收入开支情况及人口统计信息等,通过传统建模方法从还款能力、还款意愿、稳定性等角度来计算贷款个人的欺诈风险程度。
现有的个人行业风险识别过程的不足之处包括:仅从单一个体角度衡量欺诈风险,无法利用关联个体间的风险传播来识别潜在高危借贷行为,当遇到资料包装类贷款人时,现有技术无法进行有效风险识别;无法核验多数据源之间的不一致问题,当贷款人提供的各类信息之间存在矛盾时,因无法识别而低估其欺诈风险;在贷后监控中,不能通过贷款人的短期行为变化来发现异常点,无法采取及时的资金资产保护措施。
因此,现有的对某个对象的风险程度进行识别的过程效率较低,有些真正风险程度较高的对象难以被识别出,导致对象风险程度的识别结果准确度较低。
基于此,本申请实施例提供了一种对象的行业风险程度识别方法、装置以及电子设备。通过该方法可以解决对象风险程度的识别结果准确度较低的技术问题。
下面结合附图对本发明实施例进行进一步地介绍。
图1为本申请实施例提供的一种对象的行业风险程度识别方法的流程示意图。如图1所示,该方法包括:
S110,基于多个样本对象的行业信息构建行业图谱。
其中,多个样本对象可以为多个人。行业信息可以包括:车辆行业、贷款行业、保险行业等等多种需要识别风险的行业。
S120,利用社群发现算法和标签传播算法,对行业图谱进行解析,得到至少一个对象集群。
其中,每个对象集群对应有行业风险程度数据。本步骤中,借助行业知识图谱的社群划分及社群风险值计算。
需要说明的是,标签传播算法是基于标签的一种算法,是所有基于标签的算法的基础。标签传播算法最大的特色是简单、高效。
社区反映的是网络中的个体行为的局部性特征以及其相互之间的关联关系,研究网络中的社区对理解整个网络的结构和功能起到至关重要的作用,并且可帮助我们分析及预测整个网络各元素间的交互关系。
S130,获取待识别对象的行业信息,并将待识别对象的行业信息与行业图谱中的对象集群进行关联,以确定待识别对象的行业风险程度。
示例性的,当实时贷款用户数据录入团伙反欺诈系统时,依据该用户在现有知识图谱中的关联行为,从团伙欺诈的角度来衡量该贷款人的欺诈风险。
通过标签传播算法和社群发现算法能够准确的挖掘出潜在的行业风险程度较高的对象集群,再通过将待识别对象的行业信息与行业图谱中的对象集群进行关联,能够准确的识别出待识别对象的行业风险程度,以提高对象行业风险程度识别结果的准确性。
本申请实施例提供的对象的行业风险程度识别方法可以作为一种基于行业知识图谱的团伙反欺诈识别方法,例如,利用该方法识别欺诈团伙,识别资料包装客户,能够过滤高危社群,降低车贷中团伙欺诈带来的巨大资金资产损失。
下面对上述步骤进行详细介绍。
在一些实施例中,上述步骤S110可以包括如下步骤:
基于多个样本对象的行业信息,构建行业分类库和行业标签库;
基于行业分类库和行业标签库中的信息生成样本对象的行业画像;
将行业数据和样本对象的行业画像进行关联,得到行业图谱。
示例性的,借助汽车行业应用软件中用户产生的数据,构建自由行业分类库及行业标签库,从行业多角度刻画用户画像,并结合行业关联数据,构建庞大的车贷行业知识图谱,如图2所示,其中的画像可以是依据行业用户生成数据构建用户的行业多维度画像。
因此,生成的行业图谱中的数据更加全面、丰富,而且关联性较强。
在一些实施例中,行业图谱包括下述任意一项或多项:
样本对象的行业行为信息、行业标的物信息、行业关联对象信息以及行业事件信息。
例如,如图3所示,行业图谱涵盖车辆、车贷申请人等,关系覆盖放款事件、借款人与常用联系人关联行为、车辆历史轨迹等。
通过对涵盖较多较为广泛内容的推理,能够识别申请资料造假和建立潜在关联,帮助全面且精准地衡量行业对个人的借贷风险。
在一些实施例中,在步骤S120之后,该方法还可以包括以下步骤:
步骤S122,针对每个对象集群,基于对象集群的属性数据确定对象集群的行业风险程度,得到对象集群对应的行业风险程度数据。
如图3所示,通过对象集群的行业风险程度分析能够快速发现异常行为和异常点,帮助在资产监控中及时预测行业借款人的高风险行为。
在一些实施例中,属性数据包括下述任意一项或多项:
对象集群中每个对象的对象风险值、行为风险值以及重要程度。
因此,确定对象集群的行业风险程度过程中,考虑到的因素较为全面,以使确定出的行业风险程度更为准确。
基于上述步骤S122,该步骤S122可以包括如下步骤:
基于对象集群的属性数据计算对象集群的行业风险值,将行业风险值作为对象集群对应的行业风险程度数据。
针对每个社群,如图3所示,可以结合社群内各节点风险值以及节点重要程度计算社群欺诈风险分值,以使最终的得到的行业风险程度数据更加准确。
图4提供了一种对象风险程度识别装置的结构示意图。如图4所示,对象风险程度识别装置400包括:
构建模块401,用于基于多个样本对象的行业信息构建行业图谱;
解析模块402,用于利用社群发现算法和标签传播算法,对行业图谱进行解析,得到至少一个对象集群;每个对象集群对应有行业风险程度数据;
关联模块403,用于获取待识别对象的行业信息,并将待识别对象的行业信息与行业图谱中的对象集群进行关联,以确定待识别对象的行业风险程度。
在一些实施例中,构建模块401具体用于:
基于多个样本对象的行业信息,构建行业分类库和行业标签库;
基于行业分类库和行业标签库中的信息生成样本对象的行业画像;
将行业数据和样本对象的行业画像进行关联,得到行业图谱。
在一些实施例中,行业图谱包括下述任意一项或多项:
样本对象的行业行为信息、行业标的物信息、行业关联对象信息以及行业事件信息。
在一些实施例中,该装置还包括:
确定模块,用于针对每个对象集群,基于对象集群的属性数据确定对象集群的行业风险程度,得到对象集群对应的行业风险程度数据。
在一些实施例中,属性数据包括下述任意一项或多项:
对象集群中每个对象的对象风险值、行为风险值以及重要程度。
在一些实施例中,确定模块还用于:
基于对象集群的属性数据计算对象集群的行业风险值,将行业风险值作为对象集群对应的行业风险程度数据。
本申请实施例提供的对象风险程度识别装置,与上述实施例提供的对象的行业风险程度识别方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
本申请实施例提供的一种电子设备,如图5所示,电子设备500包括存储器501、处理器502,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述实施例提供的方法的步骤。
参见图5,电子设备还包括:总线503和通信接口504,处理器502、通信接口504和存储器501通过总线503连接;处理器502用于执行存储器501中存储的可执行模块,例如计算机程序。
其中,存储器501可能包含高速随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口504(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线503可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器501用于存储程序,所述处理器502在接收到执行指令后,执行所述程序,前述本申请任一实施例揭示的过程定义的装置所执行的方法可以应用于处理器502中,或者由处理器502实现。
处理器502可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器502中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器502可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processing,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器501,处理器502读取存储器501中的信息,结合其硬件完成上述方法的步骤。
对应于上述对象的行业风险程度识别方法,本申请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存储有机器可运行指令,所述计算机可运行指令在被处理器调用和运行时,所述计算机可运行指令促使所述处理器运行上述对象的行业风险程度识别方法的步骤。
本申请实施例所提供的对象风险程度识别装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,前述描述的系统、装置和单元的具体工作过程,均可以参考上述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述对象的行业风险程度识别方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的范围。都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种对象的行业风险程度识别方法,其特征在于,所述方法包括:
基于多个样本对象的行业信息构建行业图谱;
利用社群发现算法和标签传播算法,对所述行业图谱进行解析,得到至少一个对象集群;每个所述对象集群对应有行业风险程度数据;
获取待识别对象的行业信息,并将所述待识别对象的行业信息与所述行业图谱中的对象集群进行关联,以确定所述待识别对象的行业风险程度。
2.根据权利要求1所述的方法,其特征在于,基于多个样本对象的行业信息构建行业图谱的步骤,包括:
基于多个样本对象的行业信息,构建行业分类库和行业标签库;
基于所述行业分类库和所述行业标签库中的信息生成所述样本对象的行业画像;
将行业数据和所述样本对象的行业画像进行关联,得到行业图谱。
3.根据权利要求1所述的方法,其特征在于,所述行业图谱包括下述任意一项或多项:
所述样本对象的行业行为信息、行业标的物信息、行业关联对象信息以及行业事件信息。
4.根据权利要求1所述的方法,其特征在于,利用社群发现算法和标签传播算法,对所述行业图谱进行解析,得到至少一个对象集群的步骤之后,还包括:
针对每个所述对象集群,基于所述对象集群的属性数据确定所述对象集群的行业风险程度,得到所述对象集群对应的行业风险程度数据。
5.根据权利要求4所述的方法,其特征在于,所述属性数据包括下述任意一项或多项:
所述对象集群中每个对象的对象风险值、行为风险值以及重要程度。
6.根据权利要求4所述的方法,其特征在于,基于所述对象集群的属性数据确定所述对象集群的行业风险程度,得到所述对象集群对应的行业风险程度数据的步骤,包括:
基于所述对象集群的属性数据计算所述对象集群的行业风险值,将所述行业风险值作为所述对象集群对应的行业风险程度数据。
7.一种对象风险程度识别装置,其特征在于,包括:
构建模块,用于基于多个样本对象的行业信息构建行业图谱;
解析模块,用于利用社群发现算法和标签传播算法,对所述行业图谱进行解析,得到至少一个对象集群;每个所述对象集群对应有行业风险程度数据;
关联模块,用于获取待识别对象的行业信息,并将所述待识别对象的行业信息与所述行业图谱中的对象集群进行关联,以确定所述待识别对象的行业风险程度。
8.根据权利要求7所述的装置,其特征在于,还包括:
确定模块,用于针对每个所述对象集群,基于所述对象集群的属性数据确定所述对象集群的行业风险程度,得到所述对象集群对应的行业风险程度数据。
9.一种电子设备,包括存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至6任一项所述的方法的步骤。
10.一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存储有机器可运行指令,所述计算机可运行指令在被处理器调用和运行时,所述计算机可运行指令促使所述处理器运行所述权利要求1至6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911386198.0A CN111062642A (zh) | 2019-12-27 | 2019-12-27 | 对象的行业风险程度识别方法、装置以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911386198.0A CN111062642A (zh) | 2019-12-27 | 2019-12-27 | 对象的行业风险程度识别方法、装置以及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111062642A true CN111062642A (zh) | 2020-04-24 |
Family
ID=70303040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911386198.0A Pending CN111062642A (zh) | 2019-12-27 | 2019-12-27 | 对象的行业风险程度识别方法、装置以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062642A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915430A (zh) * | 2020-08-19 | 2020-11-10 | 南京三百云信息科技有限公司 | 基于车架号的车贷风险识别方法及装置 |
CN111984798A (zh) * | 2020-09-27 | 2020-11-24 | 拉卡拉支付股份有限公司 | 图谱数据预处理方法及装置 |
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 |
CN113763057A (zh) * | 2020-05-28 | 2021-12-07 | 北京金山云网络技术有限公司 | 用户身份画像的数据处理方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734479A (zh) * | 2018-04-12 | 2018-11-02 | 阿里巴巴集团控股有限公司 | 保险欺诈识别的数据处理方法、装置、设备及服务器 |
CN110009216A (zh) * | 2019-03-28 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 信用风险用户识别方法及装置 |
CN110188357A (zh) * | 2019-05-31 | 2019-08-30 | 阿里巴巴集团控股有限公司 | 对象的行业识别方法及装置 |
CN110297912A (zh) * | 2019-05-20 | 2019-10-01 | 平安科技(深圳)有限公司 | 欺诈识别方法、装置、设备及计算机可读存储介质 |
CN110413707A (zh) * | 2019-07-22 | 2019-11-05 | 百融云创科技股份有限公司 | 互联网中欺诈团伙关系的挖掘与排查方法及其系统 |
-
2019
- 2019-12-27 CN CN201911386198.0A patent/CN111062642A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734479A (zh) * | 2018-04-12 | 2018-11-02 | 阿里巴巴集团控股有限公司 | 保险欺诈识别的数据处理方法、装置、设备及服务器 |
CN110009216A (zh) * | 2019-03-28 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 信用风险用户识别方法及装置 |
CN110297912A (zh) * | 2019-05-20 | 2019-10-01 | 平安科技(深圳)有限公司 | 欺诈识别方法、装置、设备及计算机可读存储介质 |
CN110188357A (zh) * | 2019-05-31 | 2019-08-30 | 阿里巴巴集团控股有限公司 | 对象的行业识别方法及装置 |
CN110413707A (zh) * | 2019-07-22 | 2019-11-05 | 百融云创科技股份有限公司 | 互联网中欺诈团伙关系的挖掘与排查方法及其系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763057A (zh) * | 2020-05-28 | 2021-12-07 | 北京金山云网络技术有限公司 | 用户身份画像的数据处理方法和装置 |
CN111915430A (zh) * | 2020-08-19 | 2020-11-10 | 南京三百云信息科技有限公司 | 基于车架号的车贷风险识别方法及装置 |
CN111984798A (zh) * | 2020-09-27 | 2020-11-24 | 拉卡拉支付股份有限公司 | 图谱数据预处理方法及装置 |
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 |
---|---|---|
CN111062642A (zh) | 对象的行业风险程度识别方法、装置以及电子设备 | |
JP6716297B2 (ja) | 予測信頼性マイニングのためのシステム及び方法 | |
CN111178760B (zh) | 风险监测方法、装置、终端设备及计算机可读存储介质 | |
CN108182515B (zh) | 智能规则引擎规则输出方法、设备及计算机可读存储介质 | |
CN112307057A (zh) | 数据的处理方法及装置、电子设备、计算机存储介质 | |
CN114598504B (zh) | 一种风险评估方法、装置、电子设备及可读存储介质 | |
CN111090807A (zh) | 一种基于知识图谱的用户识别方法及装置 | |
CN106033574B (zh) | 一种作弊行为的识别方法及装置 | |
CN111091287A (zh) | 风险对象识别方法、装置以及计算机设备 | |
WO2018122890A1 (ja) | ログ分析方法、システムおよびプログラム | |
CN110399268A (zh) | 一种异常数据检测的方法、装置及设备 | |
Zhou et al. | The risk management using limit theory of statistics on extremes on the big data era | |
CN111897706A (zh) | 服务器性能预测方法、装置、计算机系统和介质 | |
CN112526905B (zh) | 一种针对指标异常的处理方法及系统 | |
CN114445088A (zh) | 一种欺诈行为的判定方法、装置、电子设备和存储介质 | |
CN113569965A (zh) | 一种基于物联网的用户行为分析方法及系统 | |
CN111126788A (zh) | 风险识别方法及装置和电子设备 | |
CN112769615A (zh) | 一种异常分析方法及装置 | |
CN112328802A (zh) | 数据处理方法、装置和服务器 | |
JP2007164346A (ja) | 決定木変更方法、異常性判定方法およびプログラム | |
CN108429632B (zh) | 一种业务监控方法和装置 | |
CN111639195B (zh) | 一种知识图谱的显示方法、显示装置及可读存储介质 | |
CN114240654A (zh) | 基于交易链路的性能能力透视方法、系统、设备及可读存储介质 | |
CN113568952A (zh) | 一种物联网资源数据分析方法 | |
CN113326064A (zh) | 划分业务逻辑模块的方法、电子设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200424 |