CN111652627A - 风险评估方法及装置 - Google Patents
风险评估方法及装置 Download PDFInfo
- Publication number
- CN111652627A CN111652627A CN202010646201.4A CN202010646201A CN111652627A CN 111652627 A CN111652627 A CN 111652627A CN 202010646201 A CN202010646201 A CN 202010646201A CN 111652627 A CN111652627 A CN 111652627A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- network model
- convolutional neural
- behavior
- 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.)
- Granted
Links
- 238000012502 risk assessment Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 78
- 239000011159 matrix material Substances 0.000 claims abstract description 58
- 238000011156 evaluation Methods 0.000 claims abstract description 27
- 230000006399 behavior Effects 0.000 claims description 131
- 239000013598 vector Substances 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000011176 pooling Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Technology Law (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种风险评估方法及装置,其中,该方法包括:获得用户数据,其中,用户数据包括属性数据和多种具备时序特征的行为数据;将多种具备时序特征的行为数据基于预设的矩阵格式,转换为多个具备时序特征的行为矩阵;其中,预设的矩阵格式是根据多种行为数据的时序特征确定的,预设的矩阵格式包括:矩阵的行时间尺度和列时间尺度;将属性数据,以及多个具备时序特征的行为矩阵输入卷积神经网络模型,输出风险评估结果。本发明根据行为数据的时序特征设置矩阵的格式,基于卷积神经网络模型进行风险评估,充分保留了行为数据的时序特征,提高了风险评估的准确性。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及风险评估方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
银行风险评估模型的建立主要依赖于用户数据,用户数据主要包括:个人属性数据、金融属性数据和行为数据,其中个人属性数据如学历、性别等数据的变化较少,金融属性数据如客户开户行、客户等级、持卡等级、张数等数据的变化也较少,而行为数据,例如信用卡、借记卡刷卡等行为的变化较多,并且存在时序特征。
但是现有的银行风险评估模型对具有不同时序特征的行为数据进行相同的处理,例如,将用户A在1月1日18点的消费数据以及用户B在1月1日凌晨3点的消费数据,以天为单位进行统计,这样得到的用户A和用户B在1月1日的行为数据是相同的,但实际上用户A和用户B的行为模式不相同,这样使得输入的行为数据与用户实际行为偏差较大,导致风险评估的准确性较低。
针对上述问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供一种风险评估方法,用以提高风险评估的准确性,该方法包括:
获得用户数据,其中,用户数据包括属性数据和多种具备时序特征的行为数据;
将多种具备时序特征的行为数据基于预设的矩阵格式,转换为多个具备时序特征的行为矩阵;其中,预设的矩阵格式是根据多种行为数据的时序特征确定的,预设的矩阵格式包括:矩阵的行时间尺度和列时间尺度;
将属性数据,以及多个具备时序特征的行为矩阵输入卷积神经网络模型,输出风险评估结果。
本发明实施例还提供一种风险评估装置,用以提高风险评估的准确性,该装置包括:
数据获得模块,用于获得用户数据,其中,用户数据包括属性数据和多种具备时序特征的行为数据;
矩阵确定模块,用于将多种具备时序特征的行为数据基于预设的矩阵格式,转换为多个具备时序特征的行为矩阵;其中,预设的矩阵格式是根据多种行为数据的时序特征确定的,预设的矩阵格式包括:矩阵的行时间尺度和列时间尺度;
风险评估模块,用于将属性数据,以及多个具备时序特征的行为矩阵输入卷积神经网络模型,输出风险评估结果。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述风险评估方法。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质存储有执行上述风险评估方法的计算机程序。
本发明实施例通过:获得用户数据,其中,用户数据包括属性数据和多种具备时序特征的行为数据;将多种具备时序特征的行为数据基于预设的矩阵格式,转换为多个具备时序特征的行为矩阵;其中,预设的矩阵格式是根据多种行为数据的时序特征确定的,预设的矩阵格式包括:矩阵的行时间尺度和列时间尺度,将属性数据,以及多个具备时序特征的行为矩阵输入卷积神经网络模型,输出风险评估结果。本发明根据行为数据的时序特征设置矩阵的格式,基于卷积神经网络模型进行风险评估,充分保留了行为数据的时序特征,提高了风险评估的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本发明的一些实施例,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。在附图中:
图1为本发明实施例中风险评估方法流程的示意图;
图2为本发明实施例中训练卷积神经网络模型流程的示意图;
图3为本发明实施例中风险评估装置结构的示意图;
图4为本发明实施例中风险评估装置另一结构的示意图;
图5为本发明实施例中具体实施例的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本领域技术技术人员知道,本发明的实施方式可以实现为一种系统、装置、方法或计算机程序产品。因此,本发明公开可以具体实现为以下形式,即:完全的硬件、完全的软件(包括固件、驻留软件、微代码等),或者硬件和软件结合的形式。
为了解决现有技术对具有不同时序特征的行为数据进行相同的处理,导致风险评估的准确性较低的技术问题,本发明实施例提供一种风险评估方法,用于提高风险评估的准确性,图1为本发明实施例中风险评估方法流程的示意图,如图1所示,该方法包括:
步骤101:获得用户数据,其中,用户数据包括属性数据和多种具备时序特征的行为数据;
步骤102:将多种具备时序特征的行为数据基于预设的矩阵格式,转换为多个具备时序特征的行为矩阵;其中,预设的矩阵格式是根据多种行为数据的时序特征确定的,预设的矩阵格式包括:矩阵的行时间尺度和列时间尺度;
步骤103:将属性数据,以及多个具备时序特征的行为矩阵输入卷积神经网络模型,输出风险评估结果。
如图1所示,本发明实施例通过:获得用户数据,其中,用户数据包括属性数据和多种具备时序特征的行为数据;将多种具备时序特征的行为数据基于预设的矩阵格式,转换为多个具备时序特征的行为矩阵;其中,预设的矩阵格式是根据多种行为数据的时序特征确定的,预设的矩阵格式包括:矩阵的行时间尺度和列时间尺度,将属性数据,以及多个具备时序特征的行为矩阵输入卷积神经网络模型,输出风险评估结果。本发明根据行为数据的时序特征设置矩阵的格式,基于卷积神经网络模型进行风险评估,充分保留了行为数据的时序特征,提高了风险评估的准确性。
具体实施时,步骤101中,可以从数据库中获取用户数据,用户数据可以包括属性数据和多种具备时序特征的行为数据,其中,属性数据可以包括个人属性数据和金融属性数据,例如可以是:学历、性别、开户行、客户等级等用户的固有属性,多种具备时序特征的行为数据例如可以是:用户的理财行为、借记卡刷卡行为、信用卡刷卡行为、支付宝支付行为、微信支付行为、还款行为和贷款余额变动等多种行为对应的交易数据,时序特征可以是行为数据产生的具体时刻,例如:用户的信用卡A在1月1日18点产生交易数据。
具体实施时,步骤102中,可以根据多种行为数据的时序特征确定矩阵的格式参数,包括矩阵的行时间尺度和列时间尺度,行时间尺度可以是时间周期,例如:d表示每天为一行,w表示每周为一行,m表示每月为一行,s表示每季度为一行,y表示每年为一行,c1表示按照日历形式4×3个月,c2表示按照日历形式3×4个月等,还考虑节假日、周末、特殊月份等情况,列时间尺度可以是细粒度的每一行的一个数字时间维度,例如:h表示每小时为一列、m表示每分钟为一列、s表示每秒为一列等,此外,还可以包括数据的统计方式,例如:s表示求和,m表示取平均值,c表示统计次数,统计方式可以包括一种或多种,本发明不以此为限定。矩阵的格式参数,例如可以是:[d,h,mc],表示每天为一行,每小时为一列,对交易金额取平均值并统计次数。
可以将多种具备时序特征的行为数据基于前述矩阵的格式参数,转换为多个具备时序特征的行为矩阵,例如:获得p个客户q天的交易数据,其中某一个客户有x行×3列的交易数据,x行表示共有x笔交易,3列分别为客户ID、交易时间戳和交易金额,根据p个客户q天的交易数据的时间戳确定矩阵的行时间尺度为d,即每天为一行,根据时间戳的最细粒度确定矩阵的列时间尺度为h,即每小时为一列,根据最晚的时间戳和最早的时间戳确定矩阵的行数为q,则将每个客户的行为数据转换为q行×24列×3通道的三维矩阵,其中,3通道表示不同的统计方式,多通道的统计方式类似于图片的RGB三通道,当只有一个通道的时候,计算的准确率较低,多通道可以保证在时间特征的一致的前提下,充分发挥行为数据的作用,让后续的卷积神经网络模型获得更多的有效的数据。
这样对于p个客户,一共生成q行×24列×3通道×p个客户的多维矩阵,由于各个客户的交易数据不相同,对于在某一时刻不存在交易数据的客户,可以进行0值填充,对于账户余额字段,在某一时刻没有变动的话,可以填充前一时刻的账户余额值。此外,对于属性数据,可以根据多种属性数据生成1×N的数组,其中N为属性数据的个数,如果用户数据中不包括属性数据,可以跳过属性数据相关的处理流程。
如果用户数据包括多种行为数据,可以根据行为数据的种类扩展矩阵维度,例如:行为数据包括信用卡流水和借记卡流水,那么获取的数据为x行×4列的交易数据中,4列分别为客户ID、交易时间戳、信用卡交易金额和借记卡交易金额,可以将每个客户的行为数据转换为q行×24列×6通道的多维矩阵,即每种行为数据包括3中统计方式,对于其他类型的行为数据,依此类推扩展矩阵维度,此处不再赘述。
在一个实施例中,在步骤103将属性数据,以及多个具备时序特征的行为矩阵输入卷积神经网络模型之前,还包括:
通过如下步骤训练得到卷积神经网络模型:
获得样本数据,其中,样本数据为已知风险评估结果的样本属性数据和多个具备时序特征的样本行为矩阵;
根据样本数据,通过深度学习训练得到卷积神经网络模型。
图2为本发明实施例中训练卷积神经网络模型流程的示意图,如图2所示,在一个实施例中,上述根据样本数据,通过深度学习训练得到卷积神经网络模型,包括:
步骤201:将多个具备时序特征的样本行为矩阵输入卷积神经网络模型的卷积层,输出行为的特征向量;
步骤202:将样本属性数据输入卷积神经网络模型的全连接层,输出属性的特征向量;
步骤203:将行为的特征向量及属性的特征向量进行融合,将融合后的特征向量输入卷积神经网络模型的剩余网络层,输出预测风险评估结果;
步骤204:根据预测风险评估结果与已知风险评估结果确定误差参数,根据误差参数调整卷积神经网络模型的模型参数;
步骤205:循环执行上述操作,直至误差参数小于预设阈值为止,得到训练好的卷积神经网络模型。
具体实施时,可以从历史数据库中获得多组已知风险评估结果的样本属性数据和多个具备时序特征的样本行为矩阵,其中,样本行为矩阵为q行×m列×n通道×p个客户的多维矩阵,样本行为矩阵的生成方法与步骤102中生成多个具备时序特征的行为矩阵的方法相同,此处不再赘述,样本属性数据为1×N的数组,因此,卷积神经网络模型的输入层设计了两部分,一部分用于输入样本行为矩阵,另一部分用于输入样本属性数据,可以通过维度将二者进行区分,将多维的样本行为矩阵输入卷积神经网络模型的卷积层,其中,卷积层可以包括一层或多层,还可以包括池化层,多通道对应卷积层的多维度卷积核,输出1×A维的行为的特征向量,将样本属性数据输入卷积神经网络模型的全连接层,全连接层可以包括一层或多层,输出1×B维的属性的特征向量,接着,将1×A维的行为的特征向量和1×B维的属性的特征向量输入另一全连接层进行concat拼接操作,输出1×(A+B)维的特征向量,后续接入卷积神经网络模型的剩余网络层,剩余网络层可以包括:一层或多层全连接层和输出层,本发明不以此为限定,卷积神经网络模型的各个网络层可以通过参数指定如resnet、VGGnet等,也可以自定义,对整体流程进行解耦,但整体网络是连贯、前后对应的。
将样本数据通过各个网络层前向传播,计算各个神经元的激活值,根据风险评估结果构造网络损失函数计算误差,然后将误差反向传播并对各层权值求梯度,循环执行上述操作,不断调整各个权值参数,使得网络结构输出误差最小,即风险评估误差最小,得到训练好的卷积神经网络模型。卷积神经网络模型基于卷积参数共享、池化等特征,可以从属性数据以及多个具备时序特征的行为矩阵中提取用户特征,进行风险评估,提高了风险评估的准确度。
在一个实施例中,在步骤103将属性数据,以及多个具备时序特征的行为矩阵输入卷积神经网络模型之前,还包括:
根据属性数据的包含的数据个数,以及各个行为矩阵的行数和列数,调整卷积神经网络模型的输入层结构。
具体实施时,可以获取待输入的属性数据的包含的数据个数,以及各个行为矩阵的行数和列数,将上述数据个数、行数和列数输入卷积神经网络模型的输入层,自动调整输入层的Input维度,进行网络结构的初始化,而无需每次计算时手动调整输入层维度,提高了计算效率。
具体实施时,步骤103中,在调整了输入层的Input维度之后,将属性数据,以及多个具备时序特征的行为矩阵输入前述训练好的卷积神经网络模型,输出风险评估结果,可以提高风险评估的准确性。
应当注意,尽管在附图中以特定顺序描述了本发明方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
基于同一发明构思,本发明实施例中还提供了一种风险评估装置,如下面的实施例。由于风险评估装置解决问题的原理与风险评估方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本发明实施例还提供一种风险评估装置,用以提高风险评估的准确性,图3为本发明实施例中风险评估装置结构的示意图,如图3所示,该装置包括:
数据获得模01,用于获得用户数据,其中,用户数据包括属性数据和多种具备时序特征的行为数据;
矩阵确定模块02,用于将多种具备时序特征的行为数据基于预设的矩阵格式,转换为多个具备时序特征的行为矩阵;其中,预设的矩阵格式是根据多种行为数据的时序特征确定的,预设的矩阵格式包括:矩阵的行时间尺度和列时间尺度;
风险评估模块03,用于将属性数据,以及多个具备时序特征的行为矩阵输入卷积神经网络模型,输出风险评估结果。
图4为本发明实施例中风险评估装置另一结构的示意图,如图4所示,在一个实施例中,该装置还包括:输入层调整模块04,用于:
在将属性数据,以及多个具备时序特征的行为矩阵输入卷积神经网络模型之前,根据属性数据的包含的数据个数,以及各个行为矩阵的行数和列数,调整卷积神经网络模型的输入层结构。
如图4所示,在一个实施例中,该装置还包括:卷积神经网络模型训练模块05,用于:在将属性数据,以及多个具备时序特征的行为矩阵输入卷积神经网络模型之前,通过如下方式训练得到卷积神经网络模型:
获得样本数据,其中,样本数据为已知风险评估结果的样本属性数据和多个具备时序特征的样本行为矩阵;
根据样本数据,通过深度学习训练得到卷积神经网络模型。
在一个实施例中,卷积神经网络模型训练模块05具体用于:
将多个具备时序特征的样本行为矩阵输入卷积神经网络模型的卷积层,输出行为的特征向量;
将样本属性数据输入卷积神经网络模型的全连接层,输出属性的特征向量;
将行为的特征向量及属性的特征向量进行融合,将融合后的特征向量输入卷积神经网络模型的剩余网络层,输出预测风险评估结果;
根据预测风险评估结果与已知风险评估结果确定误差参数,根据误差参数调整卷积神经网络模型的模型参数;
循环执行上述操作,直至误差参数小于预设阈值为止,得到训练好的卷积神经网络模型。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述风险评估方法。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质存储有执行上述风险评估方法的计算机程序。
下面举一个具体的例子,以便于理解本发明如何实施。
图5为本发明实施例中具体实施例的示意图,如图5所示,包括:
训练卷积神经网络模型,从历史数据库中获得多组已知风险评估结果的样本属性数据和多个具备时序特征的样本行为矩阵,将多维的样本行为矩阵输入卷积神经网络模型的卷积层,输出1×A维的行为的特征向量,将样本属性数据输入卷积神经网络模型的全连接层,输出1×B维的属性的特征向量,接着,将1×A维的行为的特征向量和1×B维的属性的特征向量输入另一全连接层进行concat拼接操作,输出1×(A+B)维的特征向量,后续接入卷积神经网络模型的剩余网络层,将样本数据通过各个网络层前向传播,计算各个神经元的激活值,构造网络损失函数计算误差,然后将误差反向传播并对各层权值求梯度,循环执行上述操作,不断调整各个权值参数,使得风险评估误差最小,得到训练好的卷积神经网络模型;
根据多种行为数据的时序特征确定矩阵的格式参数,包括:矩阵的行时间尺度和列时间尺度以及多种统计方式,根据上述矩阵的格式参数将多种行为数据转换为q行×m列×n通道×p个客户的多维矩阵,对于属性数据,根据多种属性数据生成1×N的数组;
根据待输入的属性数据的包含的数据个数,以及各个行为矩阵的行数和列数,自动调整卷积神经网络模型的输入层的Input维度,进行网络结构的初始化;
在调整了输入层的Input维度之后,将属性数据,以及多个具备时序特征的行为矩阵输入前述训练好的卷积神经网络模型,输出风险评估结果。
综上所述,本发明实施例提供的风险评估方法及装置具有如下效果:
1)根据多种行为数据的时序特征确定矩阵格式,包括:矩阵的行时间尺度和列时间尺度以及多种统计方式,根据矩阵格式将多种行为数据转换为多个具备时序特征的行为矩阵,可以根据行为数据的时序特征设置矩阵的格式,充分的保留多种行为数据的时序特征,基于多通道的数据统计方式可以充分发挥行为数据的作用,让后续的卷积神经网络模型获得更多的有效的数据;
2)将卷积神经网络模型的输入层划分为两部分,一部分用于输入样本行为矩阵,另一部分用于输入样本属性数据,提高了卷积神经网络模型的输入层的灵活性;
3)根据待输入的属性数据的包含的数据个数,以及各个行为矩阵的行数和列数,自动调整卷积神经网络模型的输入层的Input维度,无需每次计算时手动调整输入层维度,提高了计算效率;
4)卷积神经网络模型基于卷积参数共享、池化等特征,可以从属性数据以及多个具备时序特征的行为矩阵中提取用户特征,进行风险评估,提高了风险评估的准确度。
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。
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,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,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 (10)
1.一种风险评估方法,其特征在于,包括:
获得用户数据,其中,所述用户数据包括属性数据和多种具备时序特征的行为数据;
将多种具备时序特征的行为数据基于预设的矩阵格式,转换为多个具备时序特征的行为矩阵;其中,所述预设的矩阵格式是根据多种行为数据的时序特征确定的,所述预设的矩阵格式包括:矩阵的行时间尺度和列时间尺度;
将所述属性数据,以及所述多个具备时序特征的行为矩阵输入卷积神经网络模型,输出风险评估结果。
2.如权利要求1所述的方法,其特征在于,在将所述属性数据,以及所述多个具备时序特征的行为矩阵输入卷积神经网络模型之前,还包括:
根据所述属性数据的包含的数据个数,以及各个行为矩阵的行数和列数,调整卷积神经网络模型的输入层结构。
3.如权利要求1所述的方法,其特征在于,在将所述属性数据,以及所述多个具备时序特征的行为矩阵输入卷积神经网络模型之前,还包括:
通过如下方式训练得到所述卷积神经网络模型:
获得样本数据,其中,所述样本数据为已知风险评估结果的样本属性数据和多个具备时序特征的样本行为矩阵;
根据所述样本数据,通过深度学习训练得到所述卷积神经网络模型。
4.如权利要求3所述的方法,其特征在于,根据所述样本数据,通过深度学习训练得到所述卷积神经网络模型,包括:
将多个具备时序特征的样本行为矩阵输入卷积神经网络模型的卷积层,输出行为的特征向量;
将样本属性数据输入卷积神经网络模型的全连接层,输出属性的特征向量;
将所述行为的特征向量及所述属性的特征向量进行融合,将融合后的特征向量输入卷积神经网络模型的剩余网络层,输出预测风险评估结果;
根据预测风险评估结果与已知风险评估结果确定误差参数,根据误差参数调整卷积神经网络模型的模型参数;
循环执行上述操作,直至误差参数小于预设阈值为止,得到训练好的卷积神经网络模型。
5.一种风险评估装置,其特征在于,包括:
数据获得模块,用于获得用户数据,其中,所述用户数据包括属性数据和多种具备时序特征的行为数据;
矩阵确定模块,用于将多种具备时序特征的行为数据基于预设的矩阵格式,转换为多个具备时序特征的行为矩阵;其中,所述预设的矩阵格式是根据多种行为数据的时序特征确定的,所述预设的矩阵格式包括:矩阵的行时间尺度和列时间尺度;
风险评估模块,用于将所述属性数据,以及所述多个具备时序特征的行为矩阵输入卷积神经网络模型,输出风险评估结果。
6.如权利要求5所述的装置,其特征在于,还包括:输入层调整模块,用于:
在将所述属性数据,以及所述多个具备时序特征的行为矩阵输入卷积神经网络模型之前,根据所述属性数据的包含的数据个数,以及各个行为矩阵的行数和列数,调整卷积神经网络模型的输入层结构。
7.如权利要求5所述的装置,其特征在于,还包括:卷积神经网络模型训练模块,用于:在将所述属性数据,以及所述多个具备时序特征的行为矩阵输入卷积神经网络模型之前,通过如下方式训练得到所述卷积神经网络模型:
获得样本数据,其中,所述样本数据为已知风险评估结果的样本属性数据和多个具备时序特征的样本行为矩阵;
根据所述样本数据,通过深度学习训练得到所述卷积神经网络模型。
8.如权利要求7所述的装置,其特征在于,根据所述样本数据,通过深度学习训练得到所述卷积神经网络模型,包括:
将多个具备时序特征的样本行为矩阵输入卷积神经网络模型的卷积层,输出行为的特征向量;
将样本属性数据输入卷积神经网络模型的全连接层,输出属性的特征向量;
将所述行为的特征向量及所述属性的特征向量进行融合,将融合后的特征向量输入卷积神经网络模型的剩余网络层,输出预测风险评估结果;
根据预测风险评估结果与已知风险评估结果确定误差参数,根据误差参数调整卷积神经网络模型的模型参数;
循环执行上述操作,直至误差参数小于预设阈值为止,得到训练好的卷积神经网络模型。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在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权利要求1至4任一所述方法。
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执行权利要求1至4任一所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010646201.4A CN111652627B (zh) | 2020-07-07 | 2020-07-07 | 风险评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010646201.4A CN111652627B (zh) | 2020-07-07 | 2020-07-07 | 风险评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111652627A true CN111652627A (zh) | 2020-09-11 |
CN111652627B CN111652627B (zh) | 2024-04-23 |
Family
ID=72346229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010646201.4A Active CN111652627B (zh) | 2020-07-07 | 2020-07-07 | 风险评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652627B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669142A (zh) * | 2021-01-05 | 2021-04-16 | 深圳前海微众银行股份有限公司 | 高维行为数据的建模方法、装置、设备及可读存储介质 |
CN112686498A (zh) * | 2020-12-11 | 2021-04-20 | 天津中科智能识别产业技术研究院有限公司 | 一种基于深度卷积网络的企业信用评级方法 |
CN112907096A (zh) * | 2021-03-08 | 2021-06-04 | 江苏维诗环境科技有限公司 | 一种重金属污染风险评估系统 |
CN112950354A (zh) * | 2021-02-26 | 2021-06-11 | 中国光大银行股份有限公司 | 账户的信用评分方法、装置和存储介质及电子装置 |
CN112990789A (zh) * | 2021-05-10 | 2021-06-18 | 明品云(北京)数据科技有限公司 | 一种用户风险分析方法、系统、电子设备及介质 |
CN113222414A (zh) * | 2021-05-14 | 2021-08-06 | 北京百度网讯科技有限公司 | 模型稳定性的评估方法、装置、电子设备和存储介质 |
WO2021159735A1 (zh) * | 2020-09-18 | 2021-08-19 | 平安科技(深圳)有限公司 | 信贷风险评估方法、装置、计算机设备及存储介质 |
CN113505369A (zh) * | 2021-09-08 | 2021-10-15 | 浙江大学 | 一种时空感知的用户风险识别模型训练的方法及装置 |
CN113793165A (zh) * | 2021-01-15 | 2021-12-14 | 北京京东拓先科技有限公司 | 接单响应时长的输出方法、装置、电子设备及计算机介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017067153A1 (zh) * | 2015-10-22 | 2017-04-27 | 腾讯科技(深圳)有限公司 | 基于文本分析的信用风险评估方法及装置、存储介质 |
CN109409504A (zh) * | 2018-10-10 | 2019-03-01 | 深圳乐信软件技术有限公司 | 一种数据处理方法、装置、计算机及存储介质 |
CN110147940A (zh) * | 2019-04-26 | 2019-08-20 | 阿里巴巴集团控股有限公司 | 一种风险控制处理方法、设备、介质以及装置 |
CN110191113A (zh) * | 2019-05-24 | 2019-08-30 | 新华三信息安全技术有限公司 | 一种用户行为风险评估方法及装置 |
CN110490424A (zh) * | 2019-07-23 | 2019-11-22 | 阿里巴巴集团控股有限公司 | 一种基于卷积神经网络的进行风险评估的方法和装置 |
-
2020
- 2020-07-07 CN CN202010646201.4A patent/CN111652627B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017067153A1 (zh) * | 2015-10-22 | 2017-04-27 | 腾讯科技(深圳)有限公司 | 基于文本分析的信用风险评估方法及装置、存储介质 |
CN109409504A (zh) * | 2018-10-10 | 2019-03-01 | 深圳乐信软件技术有限公司 | 一种数据处理方法、装置、计算机及存储介质 |
CN110147940A (zh) * | 2019-04-26 | 2019-08-20 | 阿里巴巴集团控股有限公司 | 一种风险控制处理方法、设备、介质以及装置 |
CN110191113A (zh) * | 2019-05-24 | 2019-08-30 | 新华三信息安全技术有限公司 | 一种用户行为风险评估方法及装置 |
CN110490424A (zh) * | 2019-07-23 | 2019-11-22 | 阿里巴巴集团控股有限公司 | 一种基于卷积神经网络的进行风险评估的方法和装置 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021159735A1 (zh) * | 2020-09-18 | 2021-08-19 | 平安科技(深圳)有限公司 | 信贷风险评估方法、装置、计算机设备及存储介质 |
CN112686498A (zh) * | 2020-12-11 | 2021-04-20 | 天津中科智能识别产业技术研究院有限公司 | 一种基于深度卷积网络的企业信用评级方法 |
CN112669142A (zh) * | 2021-01-05 | 2021-04-16 | 深圳前海微众银行股份有限公司 | 高维行为数据的建模方法、装置、设备及可读存储介质 |
CN112669142B (zh) * | 2021-01-05 | 2024-02-20 | 深圳前海微众银行股份有限公司 | 高维行为数据的建模方法、装置、设备及可读存储介质 |
CN113793165A (zh) * | 2021-01-15 | 2021-12-14 | 北京京东拓先科技有限公司 | 接单响应时长的输出方法、装置、电子设备及计算机介质 |
CN112950354A (zh) * | 2021-02-26 | 2021-06-11 | 中国光大银行股份有限公司 | 账户的信用评分方法、装置和存储介质及电子装置 |
CN112907096A (zh) * | 2021-03-08 | 2021-06-04 | 江苏维诗环境科技有限公司 | 一种重金属污染风险评估系统 |
CN112990789A (zh) * | 2021-05-10 | 2021-06-18 | 明品云(北京)数据科技有限公司 | 一种用户风险分析方法、系统、电子设备及介质 |
CN113222414A (zh) * | 2021-05-14 | 2021-08-06 | 北京百度网讯科技有限公司 | 模型稳定性的评估方法、装置、电子设备和存储介质 |
CN113222414B (zh) * | 2021-05-14 | 2023-09-29 | 北京百度网讯科技有限公司 | 模型稳定性的评估方法、装置、电子设备和存储介质 |
CN113505369A (zh) * | 2021-09-08 | 2021-10-15 | 浙江大学 | 一种时空感知的用户风险识别模型训练的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111652627B (zh) | 2024-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111652627A (zh) | 风险评估方法及装置 | |
US7552076B1 (en) | System for evaluating price risk of financial product or its financial derivative, dealing system and recorded medium | |
Koopman et al. | Statistical algorithms for models in state space using SsfPack 2.2 | |
CN108475393A (zh) | 通过合成特征和梯度提升决策树进行预测的系统和方法 | |
TWI714113B (zh) | 外匯交易量預測方法和裝置 | |
CN111125535A (zh) | 理财产品推荐方法及装置 | |
WO2020024718A1 (zh) | 外汇交易量预测方法和装置 | |
Ghalanos et al. | Package ‘rugarch’ | |
Thompson | Optimal economic dispatch and risk management of thermal power plants in deregulated markets | |
Kohli et al. | Construction and analysis of a global GDP growth model for 185 countries through 2050 | |
CN112116245A (zh) | 信贷风险评估方法、装置、计算机设备及存储介质 | |
Belomestny et al. | Semitractability of optimal stopping problems via a weighted stochastic mesh algorithm | |
US20030229558A1 (en) | Business evaluating system and business evaluating apparatus | |
CN116703568A (zh) | 信用卡异常交易识别方法及装置 | |
CN110135695A (zh) | 资产分配风险评估方法、装置、计算机设备和存储介质 | |
US20220138552A1 (en) | Adapting ai models from one domain to another | |
JP5650290B1 (ja) | オペレーショナルリスクの計量方法及び装置 | |
Siregar et al. | Classification data for direct marketing using deep learning | |
JP2003108753A (ja) | 金融機関のリスク管理システム及びそれを用いた処理方法 | |
CN112418833A (zh) | 数字货币价格变化趋势的预测方法及装置 | |
CN113094589B (zh) | 智能服务推荐方法及装置 | |
CN110795232A (zh) | 数据处理方法、装置、计算机可读存储介质和计算机设备 | |
Jiang | Stochastic and Numerical Analysis for Optimization Problems | |
CN111563760A (zh) | 一种成交总额的预测方法、介质、装置和计算设备 | |
CN117635307A (zh) | 放贷额度管理方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |