CN111178701B - 一种基于特征衍生技术的风险控制方法方法、装置和电子设备 - Google Patents

Abstract

本发明公开了一种基于特征衍生技术的风险控制方法方法、装置和电子设备，包括：构建特征数据衍生规则；获取历史用户原始数据，利用特征数据衍生规则获取历史用户的组合特征数据；将历史用户原始数据及组合特征数据作为训练样本，采用机器学习的方法构建用户风险预测模型；获取当前用户数据，利用特征数据衍生规则获取当前用户的组合特征数据；将当前用户原始数据及当前用户组合特征数据输入至用户风险预测模型以判断当前用户的风险值；基于当前用户风险值做进一步风险控制处理。本发明通过现有特征衍生出更多维度的特征数据，简化数据挖掘步骤，体现最小量运算，提升模型精度，提高风险控制能力，优化风险控制策略，降低风险发生几率，最终实现整体收益的提升。

Description

一种基于特征衍生技术的风险控制方法方法、装置和电子 设备

技术领域

本发明涉及计算机信息处理领域，具体而言，涉及一种基于特征衍生技术的风险控制方法方法、装置、电子设备及计算机可读介质。

背景技术

随着互联网、大数据、人工智能等新兴技术的应用及快速发展，互联网金融的金融服务模式也随之兴起。据统计，当下我国互联网金融行业规模已经超过17.8万亿元。新技术的使用，使金融服务更为简单快捷和高效。金融业务的核心-风险控制能力也随着大数据和人工智能技术的应用而更加强大。

现有技术中，大多数互联网金融服务的风险控制策略是基于评分卡方式与机器学习模型相结合而制定的，这就需要尽量多的获取分析变量的维度，尽可能多的收集用户的行为信息，将其加入评分模型来提高模型精度，获取更为准确的风险评分。随着用户对个人信息分享的日益谨慎，用户行为信息获取也愈发困难。基于已有或合法公开的用户特征经最小化计算量的衍生获取新的特征用于风控策略，就成为解决信息获取困难的一个较好的解决方案。

发明内容

本发明的目的在于，提供一种于特征衍生技术的风险控制方法方法、装置和电子设备，通过现有特征衍生出更多维度的特征数据，用于训练风险控制模型，简化数据挖掘步骤，体现最小量运算，提升模型精度，提高风险控制能力，优化风险控制策略，降低风险发生几率，最终实现整体收益的提升。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

为实现上述目的，本发明一方面提供一种基于特征衍生技术的风险控制方法，包括：

构建特征数据衍生规则；

获取历史用户原始数据，所述历史用户原始数据包括属性数据、行为数据、金融数据及所述历史用户的风险数据；

利用所述特征数据衍生规则获取所述历史用户的组合特征数据；

将所述历史用户原始数据及组合特征数据作为训练样本，采用机器学习的方法构建用户风险预测模型；

获取当前用户数据，所述当前用户数据包括属性特征数据、行为数据、金融数据，利用所述特征数据衍生规则获取所述当前用户的组合特征数据；

将所述当前用户原始数据及所述当前用户组合特征数据输入至所述用户风险预测模型以判断所述当前用户的风险值；

基于所述当前用户风险值做进一步风险控制处理。

根据本发明的一个优选实施方式，所述构建特征数据衍生规则步骤进一步包括对原始数据进行分类分析及节点特征提取以获取节点特征，其中，同类所述原始数据对应于唯一的节点特征；获取特征组合规则；利用所述特征组合规则将所述节点特征进行组合以生成组合节点特征，并按照所述特征组合规则对所述节点特征唯一对应的原始数据进行组合运算，以形成所述组合节点特征唯一对应的组合特征数据。

根据本发明的一个优选实施方式，所述节点特征的类别包括过滤条件类、统计指标类及统计逻辑类。

根据本发明的一个优选实施方式，所述获取特征组合规则进一步包括：选择至少一个过滤条件类节点特征、唯一个统计指标类节点特征及唯一一个统计逻辑类节点特征组合形成特征组合。

根据本发明的一个优选实施方式，所述对原始数据进行分类分析及节点特征提取以获取节点特征步骤进一步包括基于语义分析确定所述原始数据的初始节点；归类同类所述初始节点，提炼形成所述同类初始节点的节点特征。

根据本发明的一个优选实施方式，所述原始数据为结构化或半结构化数据。

根据本发明的一个优选实施方式，对所述原始数据进行清洗后进行下一步操作。

本发明的第二方面提供了一种基于特征衍生技术的风险控制装置，

其特征在于，包括：

规则构建模块，用于创建特征数据衍生规则；

历史数据获取模块，用于获取历史用户原始数据，所述历史用户原始数据包括属性数据、行为数据、金融数据及所述历史用户的风险数据；

组合特征数据生成模块，用于利用所述规则构建模块构建的特征数据衍生规则生成所述历史用户的组合特征数据；

模型构建模块，用于基于所述历史用户原始数据及组合特征数据采用机器学习的方法构建用户风险预测模型；

当前数据获取模块，用于获取当前用户数据，所述当前用户数据包括属性特征数据、行为数据、金融数据，并利用所述特征数据衍生规则获取所述当前用户的组合特征数据；

模型使用模块，将所述当前用户原始数据及所述当前用户组合特征数据输入至所述模型构建模块构建的所述用户风险预测模型以判断所述当前用户的风险值；

风险处理模块，用于基于所述当前用户风险值做进一步风险控制处理。

根据本发明的一种优选实施方式，所述规则构建模块进一步包括，节点特征提取单元，用于对原始数据进行分类分析及节点特征提取以获取节点特征，其中，同类所述原始数据对应于唯一的节点特征；组合规则输入单元，用于输入并形成特征组合规则；组合节点特征生成单元，用于利用所述特征组合规则将不同类别所述节点特征进行组合以生成组合节点特征；组合特征数据生成单元，用于按照所述特征组合规则对所述节点特征唯一对应的原始数据进行组合运算，以形成所述组合节点特征唯一对应的组合特征数据。

根据本发明的一种优选实施方式，所述节点特征的类别包括过滤条件类、统计指标类及统计逻辑类。

根据本发明的一种优选实施方式，所述特征组合规则进一步包括选择至少一个过滤条件类节点特征、唯一个统计指标类节点特征及唯一一个统计逻辑类节点特征组合形成特征组合。

根据本发明的一种优选实施方式，所述节点特征提取单元进一步包括初始节点确定组件，用于基于语义分析确定所述原始数据的初始节点；分类提炼组件，用于归类同类所述初始节点，提炼形成所述同类初始节点的节点特征。

根据本发明的一种优选实施方式，所述原始数据为结构化或半结构化数据。

根据本发明的一种优选实施方式，进一步包括数据清洗模块，用于对所述原始数据进行清洗后供其他模块处理。

本发明的第三方面提供一种电子设备，其中，该电子设备包括：

处理器；以及，

存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如上所述的基于特征衍生技术的风险控制方法。

本发明的第四方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现上述的基于特征衍生技术的风险控制方法。

附图说明

为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚，下面将参照附图详细描述本发明的具体实施例。但需声明的是，下面描述的附图仅仅是本发明本发明示例性实施例的附图，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他实施例的附图。

图1是根据一示例性实施例示出的一种基于基于特征衍生技术的风险控制方法的主要流程示意图。

图2是根据一示例性实施例示出的构建特征数据衍生规则的方法的主要流程示意图。

图3是根据一示例性实施例示出的一种基于基于特征衍生技术的风险控制装置的框图。

图4是根据一示例性实施例示出的规则构建模块的框图。

图5是根据一示例性实施例示出的节点特征提取单元的框图

图6是根据本发明的一种电子设备的示例性实施例的结构框图。

图7是根据一示例性实施例示出的一种计算机可读介质的框图。

具体实施方式

现在将参考附图更全面地描述本发明的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例能够使得本发明更加全面和完整，更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分，因而将省略对它们的重复描述。

在符合本发明的技术构思的前提下，在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。

在对于具体实施例的描述中，本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但这不应受这些定语限制。这些定语乃是用以区分一者与另一者。例如，第一器件亦可称为第二器件而不偏离本发明实质的技术方案。

术语“和/或”或者“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。

图1是根据一示例性实施例示出的一种基于特征衍生技术的风险控制方法的主要流程示意图。基于特征衍生技术的风险控制方法至少包括7个步骤。

在步骤S101中，构建特征数据衍生规则。

如图2所述，所述构建特征数据衍生规则具体可包括S201-S207,共7个步骤。

在步骤S201中，获取样本原始数据。所述样本原始数据为用户的信息数据，具体可包括用户的属性数据、行为数据、金融数据等。通过对所述样本数据的分析提炼以形成特征数据衍生规则。

在步骤S202中，对获取的样本原始数据进行预处理。所述的预处理包括两个方面：一是结构化处理，将所述样本原始数据统一规范为结构化或半结构化数据，以方便归类的特征提取；二是对结构化或半结构化后的数据进行必要清洗，包括但不限于单列数据类型统一、单列空值填充、单列枚举值处理等。

在步骤S203中，确定初始节点。基于步骤S202生成的数据确定初始节点，所述初始节点为衍生的特征数据抽象为具体的可分类的一组描述对象。

在步骤S204中，提炼节点特征。将由S203步骤确定的初始节点经语义识别，提取为节点特征，每一个节点特征对应唯一一种原始数据，并基于所述节点特征对应的原始数据种类将所述节点特征归类。具体来说，可以分为三类：过滤条件类、统计指标类及统计逻辑类。

过滤条件类节点特征中包含用来限定性行为或属性的条件类数据的节点特征；

统计指标类节点特征包含统计分析中结论性数据的节点特征；

统计逻辑类节点特征包括对结论性数据的逻辑处理的节点特征。

在步骤S205中，基于操作获取节点特征组合规则。所述操作生成的节点特征组合规则进一步包括：选择至少一个过滤条件类节点特征、唯一个统计指标类节点特征及唯一一个统计逻辑类节点特征组合形成特征组合。

在步骤S206中，基于步骤S205获取的组合方式，对节点特征进行组合，而形成用于进行批量数据处理的组合节点特征。

在步骤207中，按照所述特征组合规则对所述节点特征唯一对应的原始数据进行组合运算，以形成所述组合节点特征唯一对应的组合特征数据。

如图1所示，在步骤S102中，获取历史用户原始数据，所述历史用户原始数据包括属性数据、行为数据及所述历史用户的风险数据。

其中，所述用户原始数据均为通过常规合法手段获取的、用于风控的一般类数据，所述历史用户的风险数据具体可包括用户欺诈情况、逾期数据等。

在步骤S103中，根据需要配置或自动生成如步骤S101所述的特征数据衍生规则，基于所述特征衍生规则及原始数据，生成所述历史用户的组合特征数据。

在步骤S104中，将所述历史用户原始数据及组合特征数据作为训练样本，采用机器学习的方法构建用户风险预测模型。

更具体的，本步骤所使用的的机器学习方法为本领域中常用的有监督或无监督学习的机器学习方法，在此不一一赘述。

在步骤S105中，获取当前用户数据。

获取当前用户数据，所述当前用户数据包括属性特征数据、行为数据、金融数据以及利用步骤S101生成的所述特征数据衍生规则获取所述当前用户的组合特征数据。

在步骤S106中，使用模型，获取风险值。

将步骤S105中获取的用户数据代入由步骤S104构建的用户风险预测模型，根据模型的运算可得当前用户的风险值。

在步骤S107中，进行风控处理。基于步骤S105获取的当前用户的风险值，判断当前用户的风险类别，已通知后续程序进行相应的风险控制处理，所述风险控制处理包括但不限于拒绝用户请求、进入后续程序、人工核实等。

示例：

已数据源为运营商原始数据的用户数据进行特征衍生，进行风控处理为例，详细解释本发明的技术方案。

获取用户原始数据，所述用户原始数据中包括用户通过通信运营商的通话记录数据，所述数据的具体内容可包括通话号码、通话对象号码、通话方式、通话时间、通话时长及通话地理位置。

根据对原始数据的分析，初步会衍生数据形如：近1个月通话的次数总和、近2个月呼出号码中不同通话对象的人数总和、近3个月通话在凌晨0时-6时通话次数占比、近3个月呼入距申请间隔天数最大值、近6个月呼入号码中座机号码次数总和等。

基于上述分析，可使用语义提取获取初始节点包括：

时间切片：近1个月、近2个月、近3个月、近6个月；

通话方式：呼入、呼出；

通话时间段：0时-6时；

通话对象标签：座机；

统计指标：次数、人数、间隔天数；

统计逻辑：总和、占比、最大值；

提取初始节点特征并归类，可以得到如下表。

可以看出

近1个月通话的次数总和可由A3+B1+C1+D2+E1组合得出；

近2个月呼出号码中不同通话对象的人数总和可由A4+B3+C1+D3+E11组合得出；

则排列组合ABCDE列，可循环得出Na*Nb*Nc*Nd*Ne个衍生特征。

基于所述衍生特征，对位置数据效果的数据源进行数据挖掘，一方面可以大大扩充特征数据，另一方面也可以使数据挖掘的效果得到极大提升。

基于上述数据处理方法，获取历史用户的原始数据，并衍生可得组合特征数据，将其均作为训练模型使用的训练数据，获取用户风险预测模型。

获取当前用户原始数据，同样基于上述处理方法，得到当前用户的组合特征数据，代入用户风险预测模型，对当前用户的风险值进行预测。基于预测结果，对当前进行风险处理。

使用本发明所述的基于特征衍生技术的风险控制方法，通过现有特征衍生出更多维度的特征数据，用于训练风险控制模型，简化数据挖掘步骤，体现最小量运算，提升模型精度，提高风险控制能力，优化风险控制策略，降低风险发生几率，最终实现整体收益的提升。

本领域技术人员可以理解，实现上述实施例的全部或部分步骤被实现为由计算机数据处理设备执行的程序(计算机程序)。在该计算机程序被执行时，可以实现本发明提供的上述方法。而且，所述的计算机程序可以存储于计算机可读存储介质中，该存储介质可以是磁盘、光盘、ROM、RAM等可读存储介质，也可以是多个存储介质组成的存储阵列，例如磁盘或磁带存储阵列。所述的存储介质不限于集中式存储，其也可以是分布式存储，例如基于云计算的云存储。

下面描述本发明的装置实施例，该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节，应视为对于上述方法实施例的补充；对于在本发明装置实施例中未披露的细节，可以参照上述方法实施例来实现。

图3是根据一示例性实施例示出的一种基于特征衍生技术的风险控制装置。

如图3所示，所述基于特征衍生技术的风险控制装置300具体可包括规则构建模块301、历史数据获取模块302、组合特征数据生成模块303、模型构建模块304、当前数据获取模块305、模型使用模块306、风险处理模块307。

如图4所示，规则构建模块301用于创建特征数据衍生规则，具体可包括节点特征提取单元401、组合规则输入单元402、组合结点特征生成单元403及组合特征数据生成单元404。

节点特征提取单元401用于对原始数据进行分类分析及节点特征提取以获取节点特征，其中，同类所述原始数据对应于唯一的节点特征。更具体的，如图5所示，所述节点特征提取单元401包括初始节点确定组件501和分类提炼组件502。初始节点确定组件501，用于基于语义分析确定所述原始数据的初始节点，所述初始节点为衍生的特征数据抽象为具体的可分类的一组描述对象。分类提炼组件502用于将初始节点确定组件501确定的初始节点经语义识别，提取为节点特征，每一个节点特征对应唯一一种原始数据，并基于所述节点特征对应的原始数据种类将所述节点特征归类。具体来说，可以分为三类：过滤条件类、统计指标类及统计逻辑类。

过滤条件类节点特征中包含用来限定性行为或属性的条件类数据的节点特征；

统计指标类节点特征包含统计分析中结论性数据的节点特征；

统计逻辑类节点特征包括对结论性数据的逻辑处理的节点特征。

组合规则输入单元402用于输入并形成特征组合规则。所述节点特征组合规则进一步包括：选择至少一个过滤条件类节点特征、唯一个统计指标类节点特征及唯一一个统计逻辑类节点特征组合形成特征组合。

组合节点特征生成单元403，用于利用所述特征组合规则将不同类别所述节点特征进行组合以生成组合节点特征。

组合特征数据生成单元404用于按照所述特征组合规则对所述节点特征唯一对应的原始数据进行组合运算，以形成所述组合节点特征唯一对应的组合特征数据。

历史数据获取模块302，用于获取历史用户原始数据，所述历史用户原始数据包括属性数据、行为数据、金融数据及所述历史用户的风险数据

组合特征数据生成模块303，用于利用所述规则构建模块构建的特征数据衍生规则生成所述历史用户的组合特征数据。

模型构建模块304用于基于所述历史用户原始数据及组合特征数据采用机器学习的方法构建用户风险预测模型。

当前数据获取模块305，用于获取当前用户数据，所述当前用户数据包括属性特征数据、行为数据、金融数据，并利用所述特征数据衍生规则获取所述当前用户的组合特征数据。

模型使用模块306，将所述当前用户原始数据及所述当前用户组合特征数据输入至所述模型构建模块构建的所述用户风险预测模型以判断所述当前用户的风险值；

风险处理模块307，用于基于所述当前用户风险值做进一步风险控制处理。

本领域技术人员可以理解，上述装置实施例中的各模块可以按照描述分布于装置中，也可以进行相应变化，分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。

图6是本发明的基于模拟服务端响应的客户端测试的电子设备结构框架示意图。下面参照图6来描述根据本发明该实施例的的电子设备600。图6显示的电子设备600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6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图3所示的步骤。

所述存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。

所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205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。

总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、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650进行。并且，电子设备600还可以通过网络适配器660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。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600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。

通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法。

所述计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。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。

所述计算机可读存储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，其中承载了可读程序代码。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。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。可读存储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、有线、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的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

综上所述，本发明可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (12)

1.一种基于特征衍生技术的风险控制方法，其特征在于，包括：

构建特征数据衍生规则，包括：

对获取的样本原始数据进行预处理后基于语义分析所述原始数据以确定初始节点，其中，初始节点为衍生的特征数据抽象为具体的可分类的一组描述对象；

归类同类所述初始节点，提炼形成同类初始节点的节点特征，包括：对初始节点经过语义识别后提取节点特征，其中，同类所述原始数据对应于唯一的节点特征，以及，基于所述节点特征对应的原始数据的种类将所述节点特征进行归类；所述节点特征归类后包括三种类别：过滤条件类、统计指标类及统计逻辑类；

基于操作获取节点特征组合规则；

利用所述节点特征组合规则，对所述节点特征进行组合以生成用于批量数据处理的组合节点特征；并且，

按照所述节点特征组合规则，对所述节点特征唯一对应的原始数据进行组合运算而形成所述组合节点特征唯一对应的组合特征数据，以获得衍生出的更多维度的特征数据；

获取历史用户的原始数据，所述历史用户的原始数据包括属性数据、行为数据、金融数据及所述历史用户的风险数据；

利用所述特征数据衍生规则和历史用户的原始数据，获取所述历史用户的组合特征数据；

将所述历史用户的原始数据及组合特征数据作为训练样本，采用机器学习的方法构建用户风险预测模型；

获取当前用户的原始数据，所述当前用户的原始数据包括属性特征数据、行为数据、金融数据，利用所述特征数据衍生规则获取所述当前用户的组合特征数据；

将所述当前用户的原始数据及所述当前用户的组合特征数据输入至所述用户风险预测模型以判断所述当前用户的风险值；

基于所述当前用户的风险值判断当前用户的风险类别做后续程序相应的风险控制处理。

2.根据权利要求1所述的方法，其特征在于，所述过滤条件类节点特征中包含用来限定性行为或属性的条件类数据的节点特征，统计指标类节点特征种包含统计分析中结论性数据的节点特征，统计逻辑类节点特征包含对结论性数据的逻辑处理的节点特征。

3.根据权利要求2所述的方法，其特征在于，所述基于操作获取节点特征组合规则进一步包括：选择至少一个过滤条件类节点特征、唯一个统计指标类节点特征及唯一一个统计逻辑类节点特征组合形成特征组合。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述预处理包括：将样本原始数据统一规范为结构化或半结构化数据。

5.根据权利要求4所述的方法，其特征在于，所述预处理还包括：对所述结构化或半结构化数据进行清洗。

6.一种基于特征衍生技术的风险控制装置，其特征在于，包括：

规则构建模块，用于创建特征数据衍生规则，包括：

节点特征提取单元，包括：

初始节点确定组件，对获取的样本原始数据进行预处理后基于语义分析所述原始数据以确定初始节点，其中，初始节点为衍生的特征数据抽象为具体的可分类的一组描述对象；以及，

分类提炼组件，归类同类所述初始节点，提炼形成所述同类初始节点的节点特征，包括：对初始节点经过语义识别后提取节点特征，其中，同类所述原始数据对应于唯一的节点特征，以及，基于所述节点特征对应的原始数据的种类将所述节点特征进行归类；所述节点特征归类后包括三种类别：过滤条件类、统计指标类及统计逻辑类；

组合规则输入单元，用于基于操作获取节点特征组合规则；

组合节点特征生成单元，用于利用所述节点特征组合规则，对所述节点特征进行组合以生成用于批量数据处理的组合节点特征；并且，

组合特征数据生成单元，用于按照所述节点特征组合规则，对所述节点特征唯一对应的原始数据进行组合运算而形成所述组合节点特征唯一对应的组合特征数据，以获得衍生出的更多维度的特征数据；

历史数据获取模块，用于获取历史用户的原始数据，所述历史用户的原始数据包括属性数据、行为数据、金融数据及所述历史用户的风险数据；

组合特征数据生成模块，用于利用所述特征数据衍生规则和历史用户的原始数据，生成所述历史用户的组合特征数据；

模型构建模块，用于基于所述历史用户的原始数据及组合特征数据采用机器学习的方法构建用户风险预测模型；

当前数据获取模块，用于获取当前用户的原始数据，所述当前用户的原始数据包括属性特征数据、行为数据、金融数据，并利用所述特征数据衍生规则获取所述当前用户的组合特征数据；

模型使用模块，将所述当前用户的原始数据及所述当前用户的组合特征数据输入至所述用户风险预测模型以判断所述当前用户的风险值；

风险处理模块，用于基于所述当前用户的风险值判断当前用户的风险类别做做后续程序相应的风险控制处理。

7.根据权利要求6所述的装置，其特征在于，所述过滤条件类节点特征中包含用来限定性行为或属性的条件类数据的节点特征，统计指标类节点特征种包含统计分析中结论性数据的节点特征，统计逻辑类节点特征包含对结论性数据的逻辑处理的节点特征。

8.根据权利要求7所述的装置，其特征在于，所述基于操作获取节点特征组合规则包括：选择至少一个过滤条件类节点特征、唯一个统计指标类节点特征及唯一一个统计逻辑类节点特征组合形成特征组合。

9.根据权利要求6-8任一项所述的装置，其特征在于，所述预处理包括：将样本原始数据统一规范为结构化或半结构化数据。

10.根据权利要求9所述的装置，其特征在于，所述预处理还包括对所述结构化或半结构化数据进行清洗。

11.一种电子设备，其中，该电子设备包括：

处理器；以及，

存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行根据权利要求1-5中任一项所述的方法。

12.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现权利要求1-5中任一项所述的方法。