CN111222981A - 可信度确定方法、装置、设备和存储介质 - Google Patents
可信度确定方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111222981A CN111222981A CN202010046908.1A CN202010046908A CN111222981A CN 111222981 A CN111222981 A CN 111222981A CN 202010046908 A CN202010046908 A CN 202010046908A CN 111222981 A CN111222981 A CN 111222981A
- Authority
- CN
- China
- Prior art keywords
- determining
- feature information
- information
- credit
- reliability
- 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
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Technology Law (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (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确定方法、装置、设备和存储介质。该可信度确定方法包括:获取待测对象的至少两种特征信息;对所述至少两种特征信息进行融合,以得到融合特征信息;根据所述融合特征信息,确定待测对象的特征表示;根据所述特征表示,确定待测对象的可信度。本发明实施例基于对获取到的多种特征信息进行融合,实现对特征信息的精简,提高特征交叉比对效率;对融合后特征进行特征表示,增强对用户行为特征的可视化效果;以此确定待测对象的可信度。通过对待测对象的多维度特征数据进行融合,实现对用户欺诈行为的准确挖掘,并且不需要已知欺诈标签进行监督训练,实现提高可信度确定的效率。
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确定方法、装置、设备和存储介质。
背景技术
当前,金融科技在大数据、人工智能、区块链等新兴前沿技术的驱动下,对传统金融行业的渗透已成为不可逆转的潮流。与此同时,金融欺诈的风险也不断扩大,反欺诈形势严峻。例如在对用户发放信用卡之前,需要对用户的信用程度进行审批,以挖掘信用卡欺诈的行为。
目前,常用的金融反欺诈手段为使用专家经验指导或者使用有监督的反欺诈模型进行确定。专家经验指导是基于预先确定的专家规则,对存在风险的行为数据进行评分,从而对存在风险的金融行为进行判断。使用有监督的反欺诈模型是根据预先确定的具有欺诈标签用户的行为进行有监督的训练得到的预测模型,从而使用模型对用户的金融行为进行预测。
专家经验是基于过往的欺诈案例进行总结获取的,而现在的欺诈者能迅速改变欺诈模式,新型欺诈往往由许多复杂事件和步骤完成,难以快速提取规则,因此使用经验进行欺诈判断难以适应不断演进的欺诈模式,适应性和灵活性较差。训练有监督的反欺诈模型需要大量的欺诈标签,而欺诈标签的难定义和难获取给反欺诈模型的训练带来一定的难度。
发明内容
本发明实施例提供一种可信度确定方法、装置、设备和存储介质,通过对待测对象的多维度的数据特征进行融合,实现对用户欺诈行为的准确挖掘,并且不需要已知欺诈标签进行监督训练,实现提高可信度确定的效率。
第一方面,本发明实施例提供了一种可信度确定方法,包括:
获取待测对象的至少两种特征信息;
对所述至少两种特征信息进行融合,以得到融合特征信息;
根据所述融合特征信息,确定待测对象的特征表示;
根据所述特征表示,确定待测对象的可信度。
第二方面,本发明实施例还提供了一种可信度确定装置,包括:
特征信息获取模块,用于获取待测对象的至少两种特征信息;
特征信息融合模块,用于对所述至少两种特征信息进行融合,以得到融合特征信息;
特征表示确定模块,用于根据所述融合特征信息,确定待测对象的特征表示;
可信度确定模块,用于根据所述特征表示,确定待测对象的可信度。
第三方面,本发明实施例还提供了一种设备,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确定方法。
本发明实施例基于对获取到的多种特征信息进行融合,实现对特征信息的精简,提高特征交叉比对效率;对融合后特征进行特征表示,增强对用户行为特征的可视化效果;以此确定待测对象的可信度。通过对待测对象的多维度特征数据进行融合,实现对用户欺诈行为的准确挖掘,并且不需要已知欺诈标签进行监督训练,实现提高可信度确定的效率。
附图说明
图1是本发明实施例一中的可信度确定方法的流程图;
图2是本发明实施例二中的可信度确定方法的流程图;
图3是本发明实施例三中的可信度确定装置的结构示意图;
图4是本发明实施例四中的设备的结构示意图。
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确定方法的流程图,本实施例可适用于通过对融合后的待测对象特征信息进行无监督学习确定可信度的情况。该方法可以由可信度确定装置来执行,该装置可以采用软件和/或硬件的方式实现,并可配置在设备中,例如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、获取待测对象的至少两种特征信息。
待测对象是指向银行提交信贷事件的用户或者用户提交到银行系统中的信贷事件。向银行提交信贷事件的用户的特征信息是指根据用户本身以及此次事件获取的原始特征数据。
在本实施例中,可选的,所述至少两种特征信息包括如下至少一类:信贷操作数据、信贷操作所使用的信贷设备数据和基本属性信息;
所述信贷操作数据包括信贷界面中的输入数据和/或信贷界面停留时间;
所述信贷设备数据包括设备的操作系统类型和/或网络类型;
所述基本属性信息包括如下至少一项:学历、籍贯、婚姻状态、银行流水、税务记录和公积金记录。
其中,信贷操作数据中的信贷界面中的输入数据是指用户在进行信贷操作时在访问网页界面上的输入内容以及点击网页内容,例如,用户点击了某信贷产品的产品类型数据,或者用户在搜索框中的输入内容;信贷界面停留时间是指用户在目标界面上的停留时间,反映了用户对该目标的感兴趣程度,例如用户在点击某信贷产品后,在该产品界面上的访问时间;获取用户的信贷操作数据可以对用户的信贷倾向进行了解。
信贷操作所使用的信贷设备是指用户在进行此次信贷操作所使用的设备,例如该用户使用个人手机进行信贷操作或者使用银行设备进行信贷操作;设备的操作系统类型是指该设备所使用的系统类型,例如Windows,macOS,Linux,iOS或Android等;网络类型是指该设备使用的数据所属营运商,例如移动、电信或联通等。获取信贷操作所使用的信贷设备数据可以对用户的操作环境进行了解,增加特征信息的丰富度。
基本属性信息包括待测对象作为一个自然人的基本属性以及其在银行内的留存数据。获取待测对象的基本属性可以对提交信贷事件的用户的人口统计学习信息进行了解,并且对于用户的资产进行初步了解,为其信贷事件的可信度提供参考数据。
具体的,确定提交信贷操作的用户身份后,从银行系统中获取相关特征信息,并从对应的官方系统中获取该用户的其他基本属性数据,将获取到初始数据作为待测对象的特征信息。由于获取到的特征信息中包括了该用户各个维度的特征数据,因此可以对该用户的行为的复杂性进行表示,便于后续根据用户的综合行为判断用户信贷操作的可信度。为了对用户复杂的行为进行更精准的描述,在获取用户的特征信息时应尽可能全面详尽的采集用户信贷行为的相关信息,丰富原始特征的特征维度,以提高特征信息的丰富性,进而提高对用户综合行为描述的准确性。
步骤102、对所述至少两种特征信息进行融合,以得到融合特征信息。
具体的,融合是指对获取到的所有特征信息进行合并操作,减少特征维度。示例性的,根据预先设置特征信息之间的关联关系,将有关联关系的特征信息按照预先设置的规则进行合并,例如取平均值、和以及差等规则。进行融合操作之后特征信息之间的相似度较低,以最少的特征信息反映待测对象的所有获取特征信息,提高可信度确定的效率。
在本实施例中,可选的,对所述至少两种特征信息进行融合,以得到融合特征信息,包括:
确定不同特征信息之间的相似度;
若任意一组特征信息之间的相似度大于相似度阈值,则对该组特征信息进行融合,以得到融合特征信息。
其中,相似度是指不同特征信息用于衡量待测对象的可信度上的具体贡献方向,例如对于提交信贷操作的用户的工资收入和公积金信息是具有一定关系的,其反映的信息在本质上是相同的。
具体的,确定不同特征信息之间的相似度可以根据特征信息之间的相关系数进行确定,或者根据方差分析确定不同特征信息对可信度确定的贡献程度。若确定任意一组特征信息之间的相似度较大,则将该组信息进行合并,例如将一组特征信息合并为一个综合特征信息,以减少特征信息的数量。
可选的,融合特征信息的数量小于初始特征信息的数量。其中,初始特征信息是指直接获取到待测对象的特征信息。经过融合后减少特征信息的数量,即对特征数据进行降维处理,高了行为特征交叉比对中的相似度计算及数据可视化的效率。在本实施例中,不对融合的具体操作进行限定,通过一定的手段对获取到特征信息进行一定的合并操作均在本发明的保护范围内。
步骤103、根据所述融合特征信息,确定待测对象的特征表示。
具体的,对初始特征信息进行融合后,减少了特征信息的数量,得到融合特征信息,将融合特征信息进行相关表示,便于后续的可信度确定操作。示例性的,将融合特征信息用特征向量进行表示,准确反映各个维度的融合特征信息。例如,将融合特征信息按照一定的映射关系,确定为待测对象的特征向量,特征向量的大小是预先设置。可以采用词嵌入的方式进行特征向量的确定。
根据融合特征信息确定特征表示,使得待测对象的特征表示可以更精准的描述用户的行为序列特征,由于对用户信贷行为的可信度的确定,相当于预测用户的行为,因此提高对用户行为描述的精准度可以提高对可信度确定的准确性。
步骤104、根据所述特征表示,确定待测对象的可信度。
具体的,根据特征表示中对待测对象行为的描述,确定待测对象的可信度。示例性的,预先确定可信度高的用户的行为特征表示,确定与待测对象的特征表示之间的相似度,若相似度大于预设阈值,则表示待测对象的可信度为可信;相反若相似度小于预设阈值,则表示待测对象的可信度为不可信。通过已知可信度高的用户确定其特征表示,反映了正常用户的行为特征,根据其确定待测对象的行为是否偏离正常用户的行为特征,若偏差较大,则表示待测对象的行为出现异常现象,可信度不高。通过对待测对象特征表示的分析,可以对待测对象的潜在行为特征进行挖掘,提高对可信度确定的准确性。
本发明实施例基于对获取到的多种特征信息进行融合,实现对特征信息的精简,提高特征交叉比对效率;对融合后特征进行特征表示,增强对用户行为特征的可视化效果;以此确定待测对象的可信度。通过对待测对象的多维度特征数据进行融合,实现对用户欺诈行为的准确挖掘,并且不需要已知欺诈标签进行监督训练,实现提高可信度确定的效率。
实施例二
图2是本发明实施例二中的可信度确定方法的流程图,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、获取待测对象的至少两种特征信息。
步骤202、对所述至少两种特征信息进行融合,以得到融合特征信息。
步骤203、根据所述融合特征信息,确定待测对象的特征表示。
具体的,通过对待测对象的特征信息进行嵌入学习,预训练确定待测对象的嵌入向量。通过嵌入学习得到的特征表示可以更精确的表达待测对象的行为及环境等特征。示例性的,利用词嵌入思想,通过自编码网络预训练用户的特征信息,生成行为嵌入模型,以此确定根据待测对象的特征信息得到的嵌入向量。
示例性的,通过自编码网络的编码部分,对待测对象的特征信息进行预训练,生成嵌入向量。通过深度学习输出更搞笑准确的待测对象的特征表达,同时对获取到的高维数据进行降维处理,提高了行为特征交叉比对中的相似度计算和数据可视化的效率。例如,嵌入向量预训练部分采用包含两个隐藏层的自编码网络训练行为嵌入模型,嵌入向量的生成采用编码网络部分,其中包含一个输入层和两个全连接隐藏层。
通过预训练生成的嵌入向量反映了该待测对象的行为画像,更高效的建立用户画像,深层挖掘用户行为、环境信息等特征,提高对可信度确定的准确性。
步骤204、基于异常检测模型,根据所述特征表示确定待预测对象的可信度概率。
其中,所述异常检测模型通过采用正样本对象,对神经网络结构进行无监督训练得到。
正样本对象是指确定的可信度高的用户,根据这些用户确定其特征信息生产的特征表示,利用正样本对象的特征表示进行训练。由于对用户存在欺诈标签的明确定义很难界定,且需要很长时间进行确定,因此对于可信度低的用户获取比较困难,本实施例只需要采用正样本对象进行训练,提高模型确定的效率。
具体的,异常检测模型是使用两层自编码网络对正样本对象的嵌入向量进行无监督训练,网络学习到正样本对象的行为特征,以此为依据判断待测对象的行为特征的偏差度。
自编码网络包含两个部分:编码识别网络及解码生成网络。编码部分将输入向量通过编码函数映射到隐藏空间,而解码部分将隐藏空间通过解码函数重构到输入空间,整体的优化目标为使得压缩及重构还原的均方误差尽量小。
编码部分采用标准神经网络的假设函数,即线性函数的非线性映射,有着对称结构的解码的假设函数也相类似。网络的优化目标为使得编码和解码后的输出尽可能接近原始输入空间。采用前向传递和后向反馈的方式不断迭代更新权重直至损失函数收敛。
自编码网络是一种多层前馈神经网络,它的输入和输出相同,无需数据标签,从而实现无监督训练的效果。其包括两部分:编码部分和解码部分。其中,编码部分也为认知网络,从输入数据逐层降维,相当于对原始数据的一个编码过程,形成原始数据的一个浓缩表示。解码部分也称为生成网络,到最低维度后开始逐层增加神经元,相当于一个解码过程,解码输出要和原始数据尽量接近,即在大幅度压缩原始特征空间的前提下,尽量减少压缩的损失。该网络的目的是更加清楚的认识数据,在这个优化目标的指导下,学习到的网络连接权重都是不同的嵌入向量,通过深度学习如何更好的表达数据的特征,自编码网络由于中间的隐藏层有维度缩减的效果,因而强制网络学习到数据内部的模式,起到高效的对训练数据的记忆作用。对称的网络结构也使得在编码和解码的训练中可以共享权重,大幅提高训练速度。
示例性的,通过正样本对象的嵌入向量训练生成异常检测模型后,将待测对象的嵌入向量输入到该异常检测模型中,模型可以检测到与网络学习到的行为特征偏差较大的离群点,输出可信度概率,实现对待测对象的异常检测。由于异常检测模型反映了正样本对象的正常行为特征,因此在一定程度上可以对新型欺诈行为和欺诈模式进行挖掘,提高对待测对象可信度确定的准确率,减少银行的损失。
步骤205、根据所述可信度概率确定待测对象的可信度。
具体的,根据预先确定的可信度概率与可信度之间的映射关系,确定待测对象的可信度。示例性的,当可信度概率大于0.8时,确定待测对象的可信度为可信,小于等于0.8时确定待测对象的可信度为不可信。也可以进行更近一步的细分,例如,当可信度概率大于0.8时,确定待测对象的可信度为可信,大于0.5小于等于0.8时,确定待测对象的可信度为不确定,小于等于0.5时,确定待测对象的可信度为不可信。
本发明实施例通过对待测对象的特征信息进行预训练生成用户行为画像,再通过多层自编码网络对用户行为画像中的嵌入向量进行无监督训练,进行可信度概率预测。通过对待测对象的多维度特征数据使用嵌入向量表示,实现对用户欺诈行为的准确挖掘,并且不需要已知欺诈标签进行监督训练,实现提高可信度确定的效率。并且通过预测出的可信度概率对待测对象的可信度进行确定,减少了后续核验审查的人工成本,同时也可以对待测对象的信用评分进行辅助验证,提高银行业务审查的效率。
实施例三
图3是本发明实施例三中的可信度确定装置的结构示意图,本实施例可适用于通过对融合后的待测对象特征信息进行无监督学习确定可信度的情况。如图3所示,该装置包括:
特征信息获取模块310,用于获取待测对象的至少两种特征信息;
特征信息融合模块320,用于对所述至少两种特征信息进行融合,以得到融合特征信息;
特征表示确定模块330,用于根据所述融合特征信息,确定待测对象的特征表示;
可信度确定模块340,用于根据所述特征表示,确定待测对象的可信度。
本发明实施例基于对获取到的多种特征信息进行融合,实现对特征信息的精简,提高特征交叉比对效率;对融合后特征进行特征表示,增强对用户行为特征的可视化效果;以此确定待测对象的可信度。通过对待测对象的多维度特征数据进行融合,实现对用户欺诈行为的准确挖掘,并且不需要已知欺诈标签进行监督训练,实现提高可信度确定的效率。
可选的,所述至少两种特征信息包括如下至少一类:信贷操作数据、信贷操作所使用的信贷设备数据和基本属性信息;
所述信贷操作数据包括信贷界面中的输入数据和/或信贷界面停留时间;
所述信贷设备数据包括设备的操作系统类型和/或网络类型;
所述基本属性信息包括如下至少一项:学历、籍贯、婚姻状态、银行流水、税务记录和公积金记录。
可选的,特征信息融合模块320,具体用于:
确定不同特征信息之间的相似度;
若任意一组特征信息之间的相似度大于相似度阈值,则对该组特征信息进行融合,以得到融合特征信息。
可选的,可信度确定模块340,具体用于:
基于异常检测模型,根据所述特征表示确定待预测对象的可信度概率;
根据所述可信度概率确定待测对象的可信度;
其中,所述异常检测模型通过采用正样本对象,对神经网络结构进行无监督训练得到。
本发明实施例所提供的可信度确定装置可执行本发明任意实施例所提供的可信度确定方法,具备执行可信度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设备12的框图。图4显示的设备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,设备12以通用计算设备的形式表现。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。
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,例如随机存取存储装置(RAM)30和/或高速缓存存储装置32。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。
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设备12交互的设备通信,和/或与使得该设备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,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确定方法,包括:
获取待测对象的至少两种特征信息;
对所述至少两种特征信息进行融合,以得到融合特征信息;
根据所述融合特征信息,确定待测对象的特征表示;
根据所述特征表示,确定待测对象的可信度。
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确定方法,包括:
获取待测对象的至少两种特征信息;
对所述至少两种特征信息进行融合,以得到融合特征信息;
根据所述融合特征信息,确定待测对象的特征表示;
根据所述特征表示,确定待测对象的可信度。
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)
1.一种可信度确定方法,其特征在于,包括:
获取待测对象的至少两种特征信息;
对所述至少两种特征信息进行融合,以得到融合特征信息;
根据所述融合特征信息,确定待测对象的特征表示;
根据所述特征表示,确定待测对象的可信度。
2.根据权利要求1所述的方法,其特征在于,所述至少两种特征信息包括如下至少一类:信贷操作数据、信贷操作所使用的信贷设备数据和基本属性信息;
所述信贷操作数据包括信贷界面中的输入数据和/或信贷界面停留时间;
所述信贷设备数据包括设备的操作系统类型和/或网络类型;
所述基本属性信息包括如下至少一项:学历、籍贯、婚姻状态、银行流水、税务记录和公积金记录。
3.根据权利要求1所述的方法,其特征在于,对所述至少两种特征信息进行融合,以得到融合特征信息,包括:
确定不同特征信息之间的相似度;
若任意一组特征信息之间的相似度大于相似度阈值,则对该组特征信息进行融合,以得到融合特征信息。
4.根据权利要求1所述的方法,其特征在于,根据所述特征表示,确定待测对象的可信度,包括:
基于异常检测模型,根据所述特征表示确定待预测对象的可信度概率;
根据所述可信度概率确定待测对象的可信度;
其中,所述异常检测模型通过采用正样本对象,对神经网络结构进行无监督训练得到。
5.一种可信度确定装置,其特征在于,包括:
特征信息获取模块,用于获取待测对象的至少两种特征信息;
特征信息融合模块,用于对所述至少两种特征信息进行融合,以得到融合特征信息;
特征表示确定模块,用于根据所述融合特征信息,确定待测对象的特征表示;
可信度确定模块,用于根据所述特征表示,确定待测对象的可信度。
6.根据权利要求5所述的装置,其特征在于,所述至少两种特征信息包括如下至少一类:信贷操作数据、信贷操作所使用的信贷设备数据和基本属性信息;
所述信贷操作数据包括信贷界面中的输入数据和/或信贷界面停留时间;
所述信贷设备数据包括设备的操作系统类型和/或网络类型;
所述基本属性信息包括如下至少一项:学历、籍贯、婚姻状态、银行流水、税务记录和公积金记录。
7.根据权利要求5所述的装置,其特征在于,特征信息融合模块,具体用于:
确定不同特征信息之间的相似度;
若任意一组特征信息之间的相似度大于相似度阈值,则对该组特征信息进行融合,以得到融合特征信息。
8.根据权利要求5所述的装置,其特征在于,可信度确定模块,具体用于:
基于异常检测模型,根据所述特征表示确定待预测对象的可信度概率;
根据所述可信度概率确定待测对象的可信度;
其中,所述异常检测模型通过采用正样本对象,对神经网络结构进行无监督训练得到。
9.一种设备,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1-4中任一所述的可信度确定方法。
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1-4中任一所述的可信度确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010046908.1A CN111222981A (zh) | 2020-01-16 | 2020-01-16 | 可信度确定方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010046908.1A CN111222981A (zh) | 2020-01-16 | 2020-01-16 | 可信度确定方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111222981A true CN111222981A (zh) | 2020-06-02 |
Family
ID=70829479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010046908.1A Pending CN111222981A (zh) | 2020-01-16 | 2020-01-16 | 可信度确定方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111222981A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111858973A (zh) * | 2020-07-30 | 2020-10-30 | 北京达佳互联信息技术有限公司 | 多媒体事件信息的检测方法、装置、服务器及存储介质 |
CN111966455A (zh) * | 2020-08-05 | 2020-11-20 | 中国建设银行股份有限公司 | 有状态应用实例运维组件的生成方法、装置、设备及介质 |
CN112052940A (zh) * | 2020-08-26 | 2020-12-08 | 西安电子科技大学 | 基于向量压缩与重构的社交网络特征动态提取方法 |
CN112184231A (zh) * | 2020-11-02 | 2021-01-05 | 支付宝(杭州)信息技术有限公司 | 一种可信业务确定方法及装置 |
CN113518201A (zh) * | 2020-07-14 | 2021-10-19 | 阿里巴巴集团控股有限公司 | 视频处理方法、装置及设备 |
CN113868438A (zh) * | 2021-11-30 | 2021-12-31 | 平安科技(深圳)有限公司 | 信息可信度的校准方法、装置、计算机设备及存储介质 |
CN117808577A (zh) * | 2024-03-01 | 2024-04-02 | 杭银消费金融股份有限公司 | 一种基于多因子动态调节的授信处理方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504138A (zh) * | 2014-12-31 | 2015-04-08 | 广州索答信息科技有限公司 | 一种基于人的信息聚合方法和装置 |
CN107392755A (zh) * | 2017-07-07 | 2017-11-24 | 南京甄视智能科技有限公司 | 贷款风险融合评估方法与系统 |
CN108564460A (zh) * | 2018-01-12 | 2018-09-21 | 阳光财产保险股份有限公司 | 互联网信贷场景下的实时欺诈检测方法及装置 |
CN109685647A (zh) * | 2018-12-27 | 2019-04-26 | 阳光财产保险股份有限公司 | 信贷欺诈检测方法及其模型的训练方法、装置和服务器 |
CN109871531A (zh) * | 2019-01-04 | 2019-06-11 | 平安科技(深圳)有限公司 | 隐含特征提取方法、装置、计算机设备及存储介质 |
CN109936561A (zh) * | 2019-01-08 | 2019-06-25 | 平安科技(深圳)有限公司 | 用户请求的检测方法、装置、计算机设备及存储介质 |
CN110490304A (zh) * | 2019-08-21 | 2019-11-22 | 上海哲锦信息科技有限公司 | 一种数据处理方法及设备 |
CN110688536A (zh) * | 2019-09-25 | 2020-01-14 | 中国建设银行股份有限公司 | 一种标签预测方法、装置、设备和存储介质 |
-
2020
- 2020-01-16 CN CN202010046908.1A patent/CN111222981A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504138A (zh) * | 2014-12-31 | 2015-04-08 | 广州索答信息科技有限公司 | 一种基于人的信息聚合方法和装置 |
CN107392755A (zh) * | 2017-07-07 | 2017-11-24 | 南京甄视智能科技有限公司 | 贷款风险融合评估方法与系统 |
CN108564460A (zh) * | 2018-01-12 | 2018-09-21 | 阳光财产保险股份有限公司 | 互联网信贷场景下的实时欺诈检测方法及装置 |
CN109685647A (zh) * | 2018-12-27 | 2019-04-26 | 阳光财产保险股份有限公司 | 信贷欺诈检测方法及其模型的训练方法、装置和服务器 |
CN109871531A (zh) * | 2019-01-04 | 2019-06-11 | 平安科技(深圳)有限公司 | 隐含特征提取方法、装置、计算机设备及存储介质 |
CN109936561A (zh) * | 2019-01-08 | 2019-06-25 | 平安科技(深圳)有限公司 | 用户请求的检测方法、装置、计算机设备及存储介质 |
CN110490304A (zh) * | 2019-08-21 | 2019-11-22 | 上海哲锦信息科技有限公司 | 一种数据处理方法及设备 |
CN110688536A (zh) * | 2019-09-25 | 2020-01-14 | 中国建设银行股份有限公司 | 一种标签预测方法、装置、设备和存储介质 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113518201A (zh) * | 2020-07-14 | 2021-10-19 | 阿里巴巴集团控股有限公司 | 视频处理方法、装置及设备 |
CN111858973A (zh) * | 2020-07-30 | 2020-10-30 | 北京达佳互联信息技术有限公司 | 多媒体事件信息的检测方法、装置、服务器及存储介质 |
CN111966455A (zh) * | 2020-08-05 | 2020-11-20 | 中国建设银行股份有限公司 | 有状态应用实例运维组件的生成方法、装置、设备及介质 |
CN112052940A (zh) * | 2020-08-26 | 2020-12-08 | 西安电子科技大学 | 基于向量压缩与重构的社交网络特征动态提取方法 |
CN112052940B (zh) * | 2020-08-26 | 2023-11-24 | 西安电子科技大学 | 基于向量压缩与重构的社交网络特征动态提取方法 |
CN112184231A (zh) * | 2020-11-02 | 2021-01-05 | 支付宝(杭州)信息技术有限公司 | 一种可信业务确定方法及装置 |
CN113868438A (zh) * | 2021-11-30 | 2021-12-31 | 平安科技(深圳)有限公司 | 信息可信度的校准方法、装置、计算机设备及存储介质 |
CN117808577A (zh) * | 2024-03-01 | 2024-04-02 | 杭银消费金融股份有限公司 | 一种基于多因子动态调节的授信处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111222981A (zh) | 可信度确定方法、装置、设备和存储介质 | |
CN114372477B (zh) | 文本识别模型的训练方法、文本识别方法及装置 | |
CN112633419A (zh) | 小样本学习方法、装置、电子设备和存储介质 | |
CN110633991A (zh) | 风险识别方法、装置和电子设备 | |
JP2018503206A (ja) | 大規模非構造化データフィールドにおけるテクニカルおよびセマンティックシグナル処理 | |
CN112990294B (zh) | 行为判别模型的训练方法、装置、电子设备及存储介质 | |
CN112883990A (zh) | 数据分类方法及装置、计算机存储介质、电子设备 | |
CN115983271A (zh) | 命名实体的识别方法和命名实体识别模型的训练方法 | |
CN111915218A (zh) | 基于lstm-cnn的财务造假识别方法及系统 | |
CN115544560A (zh) | 一种敏感信息的脱敏方法、装置、计算机设备及存储介质 | |
CN114299366A (zh) | 一种图像检测方法、装置、电子设备及存储介质 | |
CN114118526A (zh) | 一种企业风险预测方法、装置、设备及存储介质 | |
CN111738290B (zh) | 图像检测方法、模型构建和训练方法、装置、设备和介质 | |
CN111625555B (zh) | 一种订单匹配方法、装置、设备及存储介质 | |
CN117093477A (zh) | 一种软件质量评估方法、装置、计算机设备及存储介质 | |
CN116245630A (zh) | 一种反欺诈检测方法、装置、电子设备及介质 | |
CN113158682B (zh) | 产品名称识别方法、装置、电子设备和介质 | |
CN115328753A (zh) | 一种故障预测方法及装置、电子设备、存储介质 | |
CN115310606A (zh) | 基于数据集敏感属性重构的深度学习模型去偏方法及装置 | |
CN113822313A (zh) | 图节点异常检测方法及装置 | |
CN112487394A (zh) | 图形推理验证码识别方法、系统、设备及介质 | |
CN117478434B (zh) | 边缘节点网络流量数据处理方法、装置、设备及介质 | |
CN117172632B (zh) | 一种企业异常行为检测方法、装置、设备及存储介质 | |
CN117807482B (zh) | 海关报关单的分类方法、装置、设备及存储介质 | |
CN110795941B (zh) | 一种基于外部知识的命名实体识别方法、系统及电子设备 |
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: 20221008 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 |