CN111709834B - 黑名单的设置方法及装置、电子设备、计算机存储介质 - Google Patents
黑名单的设置方法及装置、电子设备、计算机存储介质 Download PDFInfo
- Publication number
- CN111709834B CN111709834B CN202010548036.9A CN202010548036A CN111709834B CN 111709834 B CN111709834 B CN 111709834B CN 202010548036 A CN202010548036 A CN 202010548036A CN 111709834 B CN111709834 B CN 111709834B
- Authority
- CN
- China
- Prior art keywords
- target user
- blacklist
- information
- sample
- evaluated
- 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.)
- Active
Links
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
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Accounting & Taxation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Finance (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Control Of Vending Devices And Auxiliary Devices For Vending Devices (AREA)
- Collating Specific Patterns (AREA)
Abstract
本申请提供一种黑名单的设置方法及装置、电子设备、计算机存储介质,所述方法包括:获取目标用户的待评估信息;其中,所述待评估信息包括所述目标用户的银行账户信息以及ETC卡的使用状况信息;对所述目标用户的所述银行账户信息以及所述使用状况信息进行特征处理,得到所述目标用户的待评估信息对应的特征向量;将所述目标用户的待评估信息对应的特征向量输入预先训练好的逻辑斯蒂回归模型中进行计算,得到所述目标用户属于黑名单的概率值;其中,所述逻辑斯蒂回归模型通过多个黑名单样本用户和多个白名单样本用户的待评估信息对应的特征向量训练得到;若判断出所述目标用户属于黑名单的概率值大于预设概率值,则将所述目标用户纳入黑名单中。
Description
技术领域
本申请涉及用户评估技术领域,特别涉及一种黑名单的设置方法及装置、电子设备、计算机存储介质。
背景技术
电子不停车收费系统(Electronic Toll Collection,ETC)是用于高速公路自动收费的一种系统。记账收费模式具有先通行后扣费的优点,所以目前大多数用户使用,即ETC记账卡与用户的一张银行卡进行绑定,用户使用ETC记账卡通过收费站后,后续再根据通行记录从绑定的银行卡中扣除通行费。但是,由于用户所绑定的银行卡可能没有充足的资金支付通行费,会出现欠费的情况,并且会出现因个人资产状况不佳等情况而长期欠费不还的用户,因此银行等金融机构会设立黑名单来限制这类用户继续通行。
现有技术中,主要根据用户ETC记账卡的欠费的次数或者欠费的金额来评判是否将用户纳入黑名单中。例如,当用户当前未还款的ETC记账卡欠费次数累计达到预设次数时,该用户将被纳入黑名单中。然而,部分用户可能在短期内会产生多次的通行费用,所以造成欠费次数或者欠费金额较大,但是其具有较高的资产和信用,并不会长期欠费,所以ETC记账卡的欠费次数或者欠费金额实际上不能够准确反映出用户是否会长期不偿还通行费用,导致高速通行黑名单的设置标准与用户实际的资产情况并不匹配。
发明内容
基于上述现有技术的不足,本申请提供了一种黑名单的设置方法及装置、电子设备、计算机存储介质,以解决高速通行黑名单的设置方法与用户实际的资产情况并不匹配的问题。
为了实现上述目的,本申请提供了以下技术方案:
本申请第一方面提供了一种黑名单的设置方法,包括:
获取目标用户的待评估信息;其中,所述待评估信息包括所述目标用户的银行账户信息以及所述目标用户的ETC卡的使用状况信息;
对所述目标用户的所述银行账户信息以及所述使用状况信息进行特征处理,得到所述目标用户的待评估信息对应的特征向量;
将所述目标用户的待评估信息对应的特征向量输入预先训练好的逻辑斯蒂回归模型中进行计算,得到所述目标用户属于黑名单的概率值;其中,所述逻辑斯蒂回归模型通过多个黑名单样本用户和多个白名单样本用户的待评估信息对应的特征向量训练得到;
判断所述目标用户属于黑名单的概率值是否大于预设概率值;
若判断出所述目标用户属于黑名单的概率值大于预设概率值,则将所述目标用户纳入黑名单中。
可选地,在上述的黑名单的设置方法中,所述获取目标用户的待评估信息之前,还包括:
从所述目标用户的电子不停车收费系统ETC卡绑定的银行账户中扣除所述目标用户产生的通行费用;
若从所述目标用户的电子不停车收费系统ETC卡绑定的银行账户中扣款失败,则判断所述目标用户是否已被纳入所述黑名单中;
若判断出所述目标用户未被纳入所述黑名单中,则执行所述获取目标用户的待评估信息。
可选地,在上述的黑名单的设置方法中,所述逻辑斯蒂回归模型的训练方法,包括:
获取多个样本用户的银行账户信息以及ETC卡的使用状况信息;其中,所述多个样本用户包括多个黑名单样本用户和多个白名单样本用户;
针对每个所述样本用户,分别对每个所述样本用户的银行账户信息以及ETC卡的使用状况信息进行特征处理,得到所述样本用户对应的特征向量,并将所述样本用户对应的特征向量以及名单类型标识值组合,得到所述样本用户对应的训练样本;其中,所述黑名单样本用户的名单类型标识值为1,所述白名单样本用户的名单类型标识值为0;
将所述各个所述样本用户对应的训练样本作为所述逻辑斯蒂回归模型的训练样本集;
结合极大似然法以及梯度上升法,通过迭代计算得到所述逻辑斯蒂回归模型的最优参数;
将计算到的所述最优参数代入所述逻辑斯蒂回归模型中,得到训练好的所述逻辑斯蒂回归模型。
可选地,在上述的黑名单的设置方法中,还包括:
若判断出所述目标用户属于黑名单的概率值小于预设概率值,则判断所述目标用户是否已被纳入所述黑名单中;
若判断出所述目标用户已被纳入所述黑名单中,则将所述目标用户从所述黑名单中移除。
本申请第二方面提供了一种黑名单的设置装置,包括:
获取单元,用于获取目标用户的待评估信息;其中,所述待评估信息包括所述目标用户的银行账户信息以及所述目标用户的ETC卡的使用状况信息;
特征处理单元,用于对所述目标用户的所述银行账户信息以及所述使用状况信息进行特征处理,得到所述目标用户的待评估信息对应的特征向量;
计算单元,用于将所述目标用户的待评估信息对应的特征向量输入预先训练好的逻辑斯蒂回归模型中进行计算,得到所述目标用户属于黑名单的概率值;其中,所述逻辑斯蒂回归模型通过多个黑名单样本用户和多个白名单样本用户的待评估信息对应的特征向量训练得到;
第一判断单元,用于判断所述目标用户属于黑名单的概率值是否大于预设概率值;
添加单元,用于在所述第一判断单元判断出所述目标用户属于黑名单的概率值大于预设概率值时,将所述目标用户纳入黑名单中。
可选地,在上述的黑名单的设置装置中,还包括:
扣款单元,用于从所述目标用户的电子不停车收费系统ETC卡绑定的银行账户中扣除所述目标用户产生的通行费用;
第二判断单元,用于所述扣款单元从所述目标用户的电子不停车收费系统ETC卡绑定的银行账户中扣款失败时,判断所述目标用户是否已被纳入所述黑名单中;其中,若所述第二判断单元判断出所述目标用户未被纳入所述黑名单中,则所述获取单元执行所述获取目标用户的待评估信息。
可选地,在上述的黑名单的设置装置中,还包括训练单元,所述训练单元,包括:
信息获取单元,用于获取多个样本用户的银行账户信息以及ETC卡的使用状况信息;其中,所述多个样本用户包括多个黑名单样本用户和多个白名单样本用户;
信息处理单元,用于针对每个所述样本用户,分别对每个所述样本用户的银行账户信息以及ETC卡的使用状况信息进行特征处理,得到所述样本用户对应的特征向量,并将所述样本用户对应的特征向量以及名单类型标识值组合,得到所述样本用户对应的训练样本;其中,所述黑名单样本用户的名单类型标识值为1,所述白名单样本用户的名单类型标识值为0;
确定单元,用于将所述各个所述样本用户对应的训练样本作为所述逻辑斯蒂回归模型的训练样本集;
训练子单元,用于结合极大似然法以及梯度上升法,通过迭代计算得到所述逻辑斯蒂回归模型的最优参数;
代入单元,用于将计算到的所述最优参数代入所述逻辑斯蒂回归模型中,得到训练好的所述逻辑斯蒂回归模型。
可选地,在上述的黑名单的设置装置中,还包括:
第三判断单元,用于在所述第一判断单元判断出所述目标用户属于黑名单的概率值小于预设概率值时,判断所述目标用户是否已被纳入所述黑名单中;
移除单元,用于在所述第三判断单元判断出所述目标用户已被纳入所述黑名单中时,将所述目标用户从所述黑名单中移除。
本申请第三方面提供了一种电子设备,包括:
一个或多个处理器;
存储器,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述任意一项所述的黑名单的设置方法。
本申请第四方面提供了一种计算机存储介质,其特征在于,用于存储程序,所述程序被执行时,用于实现如上述任意一项所述的黑名单的设置方法。
本申请提供的黑名单的设置方法中,获取目标用户的待评估信息,来评判是否将目标用户纳入黑名单中。其中,待评估信息包括目标用户的银行账户信息以及目标用户的ETC卡的使用状况信息,而银行账户信息以及使用状况信息能够充分反映出用户的实际资产情况。具体通过对目标用户的银行账户信息以及使用状况信息进行特征处理,得到目标用户的待评估信息对应的特征向量,然后将目标用户的待评估信息对应的特征向量输入预先训练好的逻辑斯蒂回归模型中进行计算,得到目标用户属于黑名单的概率值;其中,逻辑斯蒂回归模型通过多个黑名单样本用户和多个白名单样本的待评估信息对应的特征向量训练得到;并在判断出目标用户属于黑名单的概率值大于预设概率值时,则将目标用户纳入黑名单中,从而通过逻辑斯蒂回归模型,来实现利用用户的银行账户信息以及ETC卡的使用状况信息对用户进行评估,从而使得评判结果能够充分反映出用户的实际资产。
附图说明
为了更清楚地说明本申请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申请的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种黑名单的设置方法的流程示意图;
图2为本申请实施例提供的一种逻辑斯蒂回归模型的训练方法的流程示意图;
图3为本申请另一实施例提供的另一种黑名单的设置方法的流程示意图;
图4为本申请另一实施例提供的一种黑名单的设置装置的结构示意图;
图5为本申请另一实施例提供的一种训练单元的结构示意图;
图6为本申请另一实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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。
在本申请中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且术语“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、物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、物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、物品或者设备中还存在另外的相同要素。
本申请实施例提供了一种黑名单的设置方法,如图1所示,具体包括如下步骤:
S101、获取目标用户的待评估信息,待评估信息包括目标用户的银行账户信息以及目标用户的ETC卡的使用状况信息。
其中,用户的待评估信息指的是可用于评估用户的资产和/或信用的用户个人信息。所以,目标用户的银行账户信息指的是可用于评估目标用户的资产或信用的银行信息,例如账户余额、银行用户等级、账户关联车辆个数、账户每日平均流水、账户每日平均余额、账户下银行卡数量、账户状态等信息。同样,目标用户的ETC卡的使用状况信息为可用于评估目标用户的资产或信用的历史通信信息,例如可以包括ETC卡历史欠费金额、ETC卡历史欠费必输、ETC卡平均每日通信笔数、ETC卡平均每日通信金额等。
S102、对目标用户的银行账户信息以及使用状况信息进行特征处理,得到目标用户的待评估信息对应的特征向量。
需要说明的是,由于所获取的不同的待评估信息的格式存在不同,例如存在整数型、字符串、文本等格式,并且模型也无法对这些格式的数据进行计算。所以,需要将目标用户的银行账户信息以及使用状况信息处理为统一的,可被模型进行计算的格式的数据。
具体的,通过相同的特征处理方式,分别对获取到的目标用户的银行账户信息以及使用状况信息进行特征处理,得到目标用户的待评估信息对应的特征向量。
S103、将目标用户的待评估信息对应的特征向量输入预先训练好的逻辑斯蒂回归模型中进行计算,得到目标用户属于黑名单的概率值。
其中,逻辑斯蒂回归模型通过多个黑名单样本用户和多个白名单样本用户的待评估信息对应的特征向量训练得到。黑名单样本指的是已被明确会被纳入黑名单中的用户,而白名单样本则指的是不会被纳入黑名单中的用户。
相应地,本申请实施例提供的一种用于实现本申请的逻辑斯蒂回归模型的训练方法,具体如图2所示,包括:
S201、获取多个样本用户的银行账户信息以及ETC卡的使用状况信息,多个样本用户包括多个黑名单样本用户和多个白名单样本用户。
可选地,黑名单样本用户可以是在预设周期没有补齐所有欠款的用户,相应的,白名单样本用户则可以是在预设周期内补齐所有欠款的用户。当然,也可以从其他方面确定黑名单样本用户和白名单样本用户。
需要说明的是,在训练时所获取的每个样本用户的银行账户信息以及ETC卡的使用状况信息的类型与步骤S101所获取的目标用户的银行账户信息以及ETC卡的使用状况信息的类型相同。
S202、针对每个样本用户,分别对每个样本用户的银行账户信息以及ETC卡的使用状况信息进行特征处理,得到样本用户对应的特征向量,并将样本用户对应的特征向量以及名单类型标识值组合,得到样本用户对应的训练样本。
其中,黑名单样本用户的名单类型标识值为1,白名单样本用户的名单类型标识值为0。
也就是说,对于每个样本用户其所对应的训练样本为(x,y),其中,x为将该用户的银行账户信息以及ETC卡的使用状况信息进行统一特征处理后,所得到的该样本用户对应的特征向量。并且,当样本用户属于黑名单样本用户时,y为1;当样本用户属于白名单样本用户时,y为0。当然,也可以是当样本用户属于黑名单样本用户时,y为0;当样本用户属于白名单样本用户时,y为1,两种方式所达到的训练效果是一致的。
S203、将各个样本用户对应的训练样本作为逻辑斯蒂回归模型的训练样本集。
具体的,每个样本用户对应的训练样本可以表示为(x,y),则逻辑斯蒂回归模型的训练样本集为T={(x1,y1),(x2,y2),...,(xn,yn)}。
需要说明的是,逻辑斯蒂回归模型符合的概率分布为:其中,x为输入的特征向量,w为和b为模型的参数,w为权值向量参数,b则为偏置参数。
可选地,在本申请实施例采用逻辑斯蒂回归模型的中,Y=1表示为用户属于黑名单,Y=0标识为用户属于白名单,当然也可以是Y=1表示为用户属于白名单,Y=0表示为用户属于黑名单名单。因此,第一个表达式表示对于输入x,其发生某件事件的概率,即输出为1的概率,即用户属于黑名单的概率,而第二个则是与第一个相互对应的,其表示对于输入x不发生该事件的概率,即用户属于白名单的概率。
对逻辑斯蒂回归模型进行训练,就是通过训练样本集,确定出逻辑斯蒂回归模型中的w和b的最优值,使得模型能根据输入的用户的特征向量,准确判断用户是否属于黑名单或者是否属于白名单。通常,为了方便计算,会对w和x进行扩充,扩充后的w=(w(1),w(2),...,w(n),b)T,x=(x(1),x(2),...x(n),1)T;其中n为向量的维度。因此,逻辑斯蒂回归模型的表达式变为:即(w·x)相当于原先的(w·x+b)。此时,对逻辑斯蒂回归模型进行训练,就是确定出w的最优解。
S204、结合极大似然法以及梯度上升法,通过迭代计算得到逻辑斯蒂回归模型的最优参数。
具体的,根据逻辑斯蒂回归模型的表达式,确定出相应的似然函数,然后对其取对数,得到对数似然函数。针对对数似然函数,对其求偏导并以步骤S203得到的训练样本集合作为对数似然函数的求偏导的函数的输入,通过梯度上升法进行迭代计算,从而求得逻辑斯蒂回归模型的最优参数,即求得最优的w。
S205、将计算到的最优参数代入逻辑斯蒂回归模型中,得到训练好的逻辑斯蒂回归模型。
还需要说明的是,具体可以将目标用户的待评估信息对应的特征向量输入预先训练好的逻辑斯蒂回归模型的中进行计算,直接得到目标用户属于黑名单的概率值,也可以是将目标用户的待评估信息对应的特征向量输入预先训练好的逻辑斯蒂回归模型的/>中进行计算,输出目标用户属于白名单的概率值,再将1减去目标用户属于白名单的概率值,得到目标用户属于黑名单的概率值。
S104、判断目标用户属于黑名单的概率值是否大于预设概率值。
其中,若判断出目标用户属于黑名单的概率值大于预设概率值,则执行步骤S105。
可选地,通常预设概率值设置为0.5,所以当目标用户属于黑名单的概率值大于0.5时,执行步骤S105。当然,也可以根据需求调整预设概率值,例如预设概率值设置为低于0.5,从而提高了对目标用户的评定标准,降低了用户被纳入黑名单的门槛,又或者是预设概率值设置为高于0.5。
可选地,本申请另一实施例中,若步骤S104判断出目标用户属于黑名单的概率值小于预设概率值,则进一步判断目标用户是否已被纳入黑名单中。
其中,若判断出目标用户已被纳入所述黑名单中,则将目标用户从黑名单中移除。
需要说明的是,由于用户的资产以及通行行为是不断变化的,所以目标用户可能由于先前具有较低的资产以及不良的通行行为,从而被纳入了的黑名单,但后期目标用户偿还欠款,并且具有较好的通行行为和/或较高的资产,所以需要及时的将用户从黑名单中移除,解除对目标用户的高速通行限制,避免影响用户的正常出行。
S105、将目标用户纳入黑名单中。
具体的,可以将用户的个人信息记录到黑名单中,例如身份证号、ETC卡号等。
可选地,在将目标用户纳入黑名单中后,可以将黑名单中的信息,实时推送给高速发行方等相关第三方的系统,以让第三方系统及时更新系统中的黑名单,进而及时地限制黑名单中的目标用户的通行,避免造成更大的损失。同时,也可以先目标用户发行消息,告知目标用户自己已被纳入黑名单中,并且以被限制在高速上通行,以能让目标用户注意自己的账户余额,并及时补缴所欠通行费。
本申请实施例提供的黑名单的设置方法中,获取目标用户的待评估信息,来评判是否将目标用户纳入黑名单中。其中,待评估信息包括目标用户的银行账户信息以及目标用户的ETC卡的使用状况信息,而银行账户信息以及使用状况信息能够充分反映出用户的实际资产情况。具体通过对目标用户的银行账户信息以及使用状况信息进行特征处理,得到目标用户的待评估信息对应的特征向量,然后将目标用户的待评估信息对应的特征向量输入预先训练好的逻辑斯蒂回归模型中进行计算,得到目标用户属于黑名单的概率值;其中,逻辑斯蒂回归模型通过多个黑名单样本用户和多个白名单样本的待评估信息对应的特征向量训练得到,并在判断出目标用户属于黑名单的概率值大于预设概率值时,则将目标用户纳入黑名单中,从而通过逻辑斯蒂回归模型,来实现利用用户的银行账户信息以及ETC卡的使用状况信息对用户进行评估,从而使得评判结果能够充分反映出用户的实际资产。
本申请另一实施例提供了另一中黑名单的设置方法,如图3所示,具体包括:
S301、从目标用户的电子不停车收费系统ETC卡绑定的银行账户中扣除目标用户产生的通行费用。
具体的,当目标用户在高速上通行时,高速公路收费公司的系统中会产生相应的通行费数据。金融机构获取高速公路收费公司的系统发送的目标用户的通行费数据,并根据通行费数据从目标用户的电子不停车收费系统ETC卡绑定的银行账户中扣除目标用户产生的通行费用。
S302、判断若从目标用户的电子不停车收费系统ETC卡绑定的银行账户中扣款是否成功。
其中,若从目标用户的电子不停车收费系统ETC卡绑定的银行账户中扣款失败,则执行步骤S303。也就是说,在本申请实施例中,当从目标用户的电子不停车收费系统ETC卡绑定的银行账户中扣款失败时,再判定目标用户是否进入黑名单中。
需要说明的是,通常当目标用户的电子不停车收费系统ETC卡绑定的银行账户中的余额不足以扣除本次产生的通行费用时或者银行账户异常时,反馈扣款失败。
S303、判断目标用户是否已被纳入黑名单中。
具体的,可以是获取目标用户的个人信息,遍历黑名单中的个人信息,判断是否存在与目标用户的个人信息相一致的信息,从而判断判断目标用户是否已被纳入黑名单中。
其中,若判断出目标用户未被纳入黑名单中,则执行步骤S304,即若目标用户先期已纳入黑名单中,则不需要再对其进行评定,从而能极大的减少不必要的计算。
可选地,本申请实施例中,由于当确定目标用户已被纳入黑名单中,则不会进行后续判断,所以可以是再用户在预设时间内补足所有欠款后,将目标用户从黑名单中移除。
S304、获取目标用户的待评估信息,待评估信息包括目标用户的银行账户信息以及所述目标用户的ETC卡的使用状况信息。
需要说明的是,步骤S304的具体工作过程可相应地参考上述方法实施例中的步骤S101,此处不再赘述。
S305、对目标用户的银行账户信息以及使用状况信息进行特征处理,得到目标用户的待评估信息对应的特征向量。
需要说明的是,步骤S305的具体工作过程可相应地参考上述方法实施例中的步骤S102,此处不再赘述。
S306、将目标用户的待评估信息对应的特征向量输入预先训练好的逻辑斯蒂回归模型中进行计算,得到目标用户属于黑名单的概率值。
其中,逻辑斯蒂回归模型通过多个黑名单样本用户和多个白名单样本用户的待评估信息对应的特征向量训练得到。需要说明的是,本申请实施例中的逻辑斯蒂回归模型的训练方法,与图1所对应的方法实施例中的逻辑斯蒂回归模型的训练方法相同,所以可相应地参考图2所示的逻辑斯蒂回归模型的训练方法。
还需要说明的是,步骤S306的具体工作过程可相应地参考上述方法实施例中的步骤S103,此处不再赘述。
S307、判断目标用户属于黑名单的概率值是否大于预设概率值。
其中,若判断出目标用户属于黑名单的概率值大于预设概率值,则执行步骤S308。
需要说明的是,步骤S307的具体工作过程可相应地参考上述方法实施例中的步骤S104,此处不再赘述。
S308、将目标用户纳入黑名单中。
需要说明的是,步骤S308的具体工作过程可相应地参考上述方法实施例中的步骤S105,此处不再赘述。
本申请实施例提供的黑名单的设置方法中,在从目标用户的ETC卡所绑定的银行账户扣款失败时,确定目标用户是否已被纳入黑名单中,若目标用户未被纳入黑名单中,则获取并对目标用户的银行账户信息以及使用状况信息进行特征处理,得到目标用户的待评估信息对应的特征向量,然后将目标用户的待评估信息对应的特征向量输入预先训练好的逻辑斯蒂回归模型中进行计算,得到目标用户属于黑名单的概率值,并当目标用户属于黑名单的概率值大于预设概率值时,则将目标用户纳入黑名单中。由于,逻辑斯蒂回归模型通过多个黑名单样本用户和多个白名单样本的待评估信息对应的特征向量训练得到,而银行账户信息以及使用状况信息能够充分反映出用户的实际资产情况,从而实现了利用用户的银行账户信息以及ETC卡的使用状况信息对用户进行评估,从而使得评判结果能够充分反映出用户的实际资产。
本申请另一实施例提供了一种黑名单的设置装置,如图4所示,包括:
获取单元401,用于获取目标用户的待评估信息。
其中,待评估信息包括目标用户的银行账户信息以及目标用户的ETC卡的使用状况信息。
特征处理单元402,用于对目标用户的银行账户信息以及使用状况信息进行特征处理,得到目标用户的待评估信息对应的特征向量。
计算单元403,用于将目标用户的待评估信息对应的特征向量输入预先训练好的逻辑斯蒂回归模型中进行计算,得到目标用户属于黑名单的概率值。
其中,逻辑斯蒂回归模型通过多个黑名单样本用户和多个白名单样本用户的待评估信息对应的特征向量训练得到。
第一判断单元404,用于判断目标用户属于黑名单的概率值是否大于预设概率值。
添加单元405,用于在第一判断单元判断出目标用户属于黑名单的概率值大于预设概率值时,将目标用户纳入黑名单中。
可选地,在本申请另一实施提供的黑名单的设置装置中,还可以包括:
扣款单元,用于从目标用户的电子不停车收费系统ETC卡绑定的银行账户中扣除目标用户产生的通行费用。
第二判断单元,用于扣款单元从目标用户的电子不停车收费系统ETC卡绑定的银行账户中扣款失败时,判断目标用户是否已被纳入黑名单中。其中,若第二判断单元判断出目标用户未被纳入黑名单中,则获取单元401获取目标用户的待评估信息。
可选地,在本申请另一实施例提供的黑名单的设置装置中,还包括训练单元。其中,如图5所示,训练单元,包括:
信息获取单元501,用于获取多个样本用户的银行账户信息以及ETC卡的使用状况信息。
其中,多个样本用户包括多个黑名单样本用户和多个白名单样本用户。
信息处理单元502,用于针对每个样本用户,分别对每个样本用户的银行账户信息以及ETC卡的使用状况信息进行特征处理,得到样本用户对应的特征向量,并将样本用户对应的特征向量以及名单类型标识值组合,得到样本用户对应的训练样本。
其中,黑名单样本用户的名单类型标识值为1,白名单样本用户的名单类型标识值为0。
确定单元503,用于将各个样本用户对应的训练样本作为逻辑斯蒂回归模型的训练样本集。
训练子单元504,用于结合极大似然法以及梯度上升法,通过迭代计算得到逻辑斯蒂回归模型的最优参数。
代入单元505,用于将计算到的最优参数代入逻辑斯蒂回归模型中,得到训练好的逻辑斯蒂回归模型。
可选地,在本申请另一实施例提供的黑名单的设置装置中,还包括:
第三判断单元,用于在第一判断单元404判断出目标用户属于黑名单的概率值小于预设概率值时,判断目标用户是否已被纳入黑名单中。
移除单元,用于在第三判断单元判断出目标用户已被纳入黑名单中时,将目标用户从黑名单中移除。
需要说明的是,本申请实施例提供的黑名单的设置装置的上述各个单元的具体工作过程,可相应地参考上述方法实施例中的相应步骤,此处不再赘述。
本申请另一实施例提供了一种电子设备,如图6所示,包括:
一个或多个处理器601以及存储器602。
其中,存储器602上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现如上述任意一个方法实施例所公开的黑名单的设置方法。
本申请另一实施例提供了一种计算机存储介质,用于存储程序,程序被执行时,用于实现如上述任意一个方法实施例所公开的黑名单的设置方法。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种黑名单的设置方法,其特征在于,包括:
获取目标用户的待评估信息;其中,所述待评估信息包括所述目标用户的银行账户信息以及所述目标用户的ETC卡的使用状况信息;
对所述目标用户的所述银行账户信息以及所述使用状况信息进行特征处理,得到所述目标用户的待评估信息对应的特征向量;
将所述目标用户的待评估信息对应的特征向量输入预先训练好的逻辑斯蒂回归模型中进行计算,得到所述目标用户属于黑名单的概率值;其中,所述逻辑斯蒂回归模型通过多个黑名单样本用户和多个白名单样本用户的待评估信息对应的特征向量训练得到;
判断所述目标用户属于黑名单的概率值是否大于预设概率值;
若判断出所述目标用户属于黑名单的概率值大于预设概率值,则将所述目标用户纳入黑名单中;
其中,所述逻辑斯蒂回归模型的训练方法,包括:
获取多个样本用户的银行账户信息以及ETC卡的使用状况信息;其中,所述多个样本用户包括多个黑名单样本用户和多个白名单样本用户;
针对每个所述样本用户,分别对每个所述样本用户的银行账户信息以及ETC卡的使用状况信息进行特征处理,得到所述样本用户对应的特征向量,并将所述样本用户对应的特征向量以及名单类型标识值组合,得到所述样本用户对应的训练样本;
将所述各个所述样本用户对应的训练样本作为所述逻辑斯蒂回归模型的训练样本集;
结合极大似然法以及梯度上升法,通过迭代计算得到所述逻辑斯蒂回归模型的最优参数;
将计算到的所述最优参数代入所述逻辑斯蒂回归模型中,得到训练好的所述逻辑斯蒂回归模型。
2.根据权利要求1所述的方法,其特征在于,所述获取目标用户的待评估信息之前,还包括:
从所述目标用户的电子不停车收费系统ETC卡绑定的银行账户中扣除所述目标用户产生的通行费用;
若从所述目标用户的电子不停车收费系统ETC卡绑定的银行账户中扣款失败,则判断所述目标用户是否已被纳入所述黑名单中;
若判断出所述目标用户未被纳入所述黑名单中,则执行所述获取目标用户的待评估信息。
3.根据权利要求1所述的方法,其特征在于,还包括:
若判断出所述目标用户属于黑名单的概率值小于预设概率值,则判断所述目标用户是否已被纳入所述黑名单中;
若判断出所述目标用户已被纳入所述黑名单中,则将所述目标用户从所述黑名单中移除。
4.一种黑名单的设置装置,其特征在于,包括:
获取单元,用于获取目标用户的待评估信息;其中,所述待评估信息包括所述目标用户的银行账户信息以及所述目标用户的ETC卡的使用状况信息;
特征处理单元,用于对所述目标用户的所述银行账户信息以及所述使用状况信息进行特征处理,得到所述目标用户的待评估信息对应的特征向量;
计算单元,用于将所述目标用户的待评估信息对应的特征向量输入预先训练好的逻辑斯蒂回归模型中进行计算,得到所述目标用户属于黑名单的概率值;其中,所述逻辑斯蒂回归模型通过多个黑名单样本用户和多个白名单样本用户的待评估信息对应的特征向量训练得到;
第一判断单元,用于判断所述目标用户属于黑名单的概率值是否大于预设概率值;
添加单元,用于在所述第一判断单元判断出所述目标用户属于黑名单的概率值大于预设概率值时,将所述目标用户纳入黑名单中;
训练单元,用于训练逻辑斯蒂回归模型;其中,所述训练单元,包括:信息获取单元、信息处理单元、确定单元、训练子单元和代入单元;
所述信息获取单元,用于获取多个样本用户的银行账户信息以及ETC卡的使用状况信息;其中,所述多个样本用户包括多个黑名单样本用户和多个白名单样本用户;
所述信息处理单元,用于针对每个所述样本用户,分别对每个所述样本用户的银行账户信息以及ETC卡的使用状况信息进行特征处理,得到所述样本用户对应的特征向量,并将所述样本用户对应的特征向量以及名单类型标识值组合,得到所述样本用户对应的训练样本;
所述确定单元,用于将所述各个所述样本用户对应的训练样本作为所述逻辑斯蒂回归模型的训练样本集;
所述训练子单元,用于结合极大似然法以及梯度上升法,通过迭代计算得到所述逻辑斯蒂回归模型的最优参数;
所述代入单元,用于将计算到的所述最优参数代入所述逻辑斯蒂回归模型中,得到训练好的所述逻辑斯蒂回归模型。
5.根据权利要求4所述的装置,其特征在于,还包括:
扣款单元,用于从所述目标用户的电子不停车收费系统ETC卡绑定的银行账户中扣除所述目标用户产生的通行费用;
第二判断单元,用于所述扣款单元从所述目标用户的电子不停车收费系统ETC卡绑定的银行账户中扣款失败时,判断所述目标用户是否已被纳入所述黑名单中;其中,若所述第二判断单元判断出所述目标用户未被纳入所述黑名单中,则所述获取单元执行所述获取目标用户的待评估信息。
6.根据权利要求4所述的装置,其特征在于,还包括:
第三判断单元,用于在所述第一判断单元判断出所述目标用户属于黑名单的概率值小于预设概率值时,判断所述目标用户是否已被纳入所述黑名单中;
移除单元,用于在所述第三判断单元判断出所述目标用户已被纳入所述黑名单中时,将所述目标用户从所述黑名单中移除。
7.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至3任意一项所述的黑名单的设置方法。
8.一种计算机存储介质,其特征在于,用于存储程序,所述程序被执行时,用于实现如权利要求1至3任意一项所述的黑名单的设置方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010548036.9A CN111709834B (zh) | 2020-06-16 | 2020-06-16 | 黑名单的设置方法及装置、电子设备、计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010548036.9A CN111709834B (zh) | 2020-06-16 | 2020-06-16 | 黑名单的设置方法及装置、电子设备、计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111709834A CN111709834A (zh) | 2020-09-25 |
CN111709834B true CN111709834B (zh) | 2023-07-28 |
Family
ID=72540511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010548036.9A Active CN111709834B (zh) | 2020-06-16 | 2020-06-16 | 黑名单的设置方法及装置、电子设备、计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709834B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112634020A (zh) * | 2020-12-24 | 2021-04-09 | 中国建设银行股份有限公司 | Etc黑白名单业务处理系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651574A (zh) * | 2016-12-30 | 2017-05-10 | 苏州大学 | 一种个人信用评估方法及装置 |
WO2019062417A1 (zh) * | 2017-09-30 | 2019-04-04 | Oppo广东移动通信有限公司 | 应用清理方法、装置、存储介质及电子设备 |
CN110335144A (zh) * | 2019-07-10 | 2019-10-15 | 中国工商银行股份有限公司 | 个人电子银行账户安全检测方法及装置 |
-
2020
- 2020-06-16 CN CN202010548036.9A patent/CN111709834B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651574A (zh) * | 2016-12-30 | 2017-05-10 | 苏州大学 | 一种个人信用评估方法及装置 |
WO2019062417A1 (zh) * | 2017-09-30 | 2019-04-04 | Oppo广东移动通信有限公司 | 应用清理方法、装置、存储介质及电子设备 |
CN110335144A (zh) * | 2019-07-10 | 2019-10-15 | 中国工商银行股份有限公司 | 个人电子银行账户安全检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111709834A (zh) | 2020-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109146440B (zh) | 交易结算方法、装置、服务器以及存储介质 | |
CN109598281B (zh) | 一种业务风险防控方法、装置及设备 | |
CN111539711A (zh) | 一种安全业务交易方法、装置及电子设备 | |
CN111046184B (zh) | 文本的风险识别方法、装置、服务器和存储介质 | |
CN108932585A (zh) | 一种商户运营管理方法及其设备、存储介质、电子设备 | |
CN106296389A (zh) | 一种用户信用度的评估方法及装置 | |
RU2005128908A (ru) | Способ, система и компьютерная программа для обработки краткосрочных кредитов по требованию и для защиты от превышения кредита | |
CN111681102B (zh) | 信贷预测方法、装置、设备和存储介质 | |
CN112037049B (zh) | 银行卡收费方法及装置 | |
CN111709834B (zh) | 黑名单的设置方法及装置、电子设备、计算机存储介质 | |
CN111160695A (zh) | 计算机运行的风险账户的识别方法、系统、装置及存储介质 | |
CN111709832B (zh) | 黑名单设置方法、装置、可读介质以及设备 | |
CN111258750B (zh) | 数据量处理方法以及系统、额度分配方法以及系统 | |
CN110706111B (zh) | 可疑交易账户的识别方法、装置、存储介质和服务器 | |
CN111709831B (zh) | 黑名单的分析方法及装置 | |
CN116091258A (zh) | 用于对账管理的数据处理方法和装置 | |
CN111695908B (zh) | 一种票据业务风险的预测方法及装置 | |
CN114298822A (zh) | 还款实时提额方法及装置 | |
CN113807943A (zh) | 一种不良资产的多因子估值方法及系统、介质、设备 | |
CN111709833B (zh) | 用户信用的评估方法及装置 | |
JP6766023B2 (ja) | 情報処理装置及びプログラム | |
JP6706584B2 (ja) | 情報処理装置及び情報処理方法 | |
CN116151670B (zh) | 一种投行业务上市项目质量的智能评估方法、系统及介质 | |
CN104951976A (zh) | 单据核销中获取汇兑损益的方法和系统 | |
CN113808291B (zh) | 一种高速通行费支付优化方法、装置、存储介质和设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |