CN111753520A - 一种风险预测方法、装置、电子设备及存储介质 - Google Patents

一种风险预测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111753520A
CN111753520A CN202010491171.4A CN202010491171A CN111753520A CN 111753520 A CN111753520 A CN 111753520A CN 202010491171 A CN202010491171 A CN 202010491171A CN 111753520 A CN111753520 A CN 111753520A
Authority
CN
China
Prior art keywords
user portrait
user
target text
feature
acquiring
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
Application number
CN202010491171.4A
Other languages
English (en)
Other versions
CN111753520B (zh
Inventor
郑智献
史忠伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuba Co Ltd
Original Assignee
Wuba Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuba Co Ltd filed Critical Wuba Co Ltd
Priority to CN202010491171.4A priority Critical patent/CN111753520B/zh
Publication of CN111753520A publication Critical patent/CN111753520A/zh
Application granted granted Critical
Publication of CN111753520B publication Critical patent/CN111753520B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • 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
    • 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
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Educational Administration (AREA)
  • Databases & Information Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Bioinformatics & Cheminformatics (AREA)

Abstract

本发明提供了一种风险预测方法、装置、电子设备及存储介质。所述方法，包括：获取待预测的目标文本，以及所述目标文本的主维度信息，其中所述主维度信息表征所述目标文本的发布方身份；根据所述主维度信息，获取所述目标文本的用户画像特征；根据所述目标文本中包含的文本内容，获取所述目标文本的风险值特征；根据所述用户画像特征和所述风险值特征，通过预设的风险预测模型，获取所述目标文本的预测风险值；其中，所述风险预测模型由已标记真实风险值的多个训练文本训练得到。从而取得了提高预测结果准确性的有益效果。

Description

一种风险预测方法、装置、电子设备及存储介质
技术领域
本发明涉及计算机技术领域，尤其涉及一种风险预测方法、装置、电子设备及存储介质。
背景技术
随着网络技术的发展，互联网上的内容各种各样。由于互联网具有开放性，一个用户在互联网上发布的内容，可能被多个用户看到。同时，一些违法、违规活动也可以通过互联网进行。因此，对用户发布文本的风险监控有着重要意义。例如对于舆情控制、反欺诈、跨境禁限售、反洗钱、文本垃圾等等场景，识别文本的风险性至关重要。
常规技术中，一般基于规则引擎拦截风险帖，不同的风险类型有不同的人工审核规则。但是，规则引擎中的策略无法识别语义上的风险帖，召回率有限；而且规则引擎的策略无法基于用户行为序列模式沉淀黑用户或白用户，无法在审核效率上有持续提升；另外，规则引擎的策略采取关键字正则匹配文本内容，容易造成误召，降低准确率。
发明内容
本发明实施例提供一种风险预测方法、装置、电子设备及存储介质，以解决现有的预测结果准确性不高的问题。
为了解决上述技术问题，本发明是这样实现的：
第一方面，本发明实施例提供了一种风险预测方法，包括：
获取待预测的目标文本，以及所述目标文本的主维度信息，其中所述主维度信息表征所述目标文本的发布方身份；
根据所述主维度信息，获取所述目标文本的用户画像特征；
根据所述目标文本中包含的文本内容，获取所述目标文本的风险值特征；
根据所述用户画像特征和所述风险值特征，通过预设的风险预测模型，获取所述目标文本的预测风险值；
其中，所述风险预测模型由已标记真实风险值的多个训练文本训练得到。
可选地，所述根据所述主维度信息，获取所述目标文本的用户画像特征的步骤，包括：
根据所述目标文本所属的目标业务，从所述目标业务下的用户画像特征中获取与所述主维度信息匹配的第一用户画像特征，并从其他业务下的用户画像特征中获取与所述主维度信息匹配的第二用户画像特征；
根据所述第一用户画像特征和所述第二用户画像特征，生成所述目标文本的用户画像特征；
其中，所述其他业务为除所述目标业务之外的至少一个业务，在所述目标文本的用户画像特征中所述第一用户画像特征和所述第二用户画像特征的比值满足预设比例。
可选地，所述根据所述主维度信息，获取所述目标文本的用户画像特征的步骤，包括：
根据所述目标文本所属的目标业务，从所述目标业务下的用户画像特征中获取与所述主维度信息匹配的用户画像特征，作为所述目标文本的用户画像特征。
可选地，在所述根据所述主维度信息，获取所述目标文本的用户画像特征的步骤之前，还包括：
针对任意一个业务，获取所述业务下每个用户的用户画像数据，所述用户画像数据包括历史行为数据、用户属性信息中的至少一种；
根据所述用户画像数据，获取所述业务下每个用户的用户画像特征，所述用户画像特征包括历史行为特征、用户属性特征中的至少一种。
可选地，所述根据所述主维度信息，获取所述目标文本的用户画像特征的步骤，包括：
获取与所述主维度信息关联的用户标识，并获取每个所述用户标识对应的用户画像特征，作为所述目标文本的用户画像特征。
第二方面，本发明实施例提供了一种风险预测装置，包括：
信息获取模块，用于获取待预测的目标文本，以及所述目标文本的主维度信息，其中所述主维度信息表征所述目标文本的发布方身份；
第一特征获取模块，用于根据所述主维度信息，获取所述目标文本的用户画像特征；
第二特征获取模块，用于根据所述目标文本中包含的文本内容，获取所述目标文本的风险值特征；
风险值预测模块，用于根据所述用户画像特征和所述风险值特征，通过预设的风险预测模型，获取所述目标文本的预测风险值；
其中，所述风险预测模型由已标记真实风险值的多个训练文本训练得到。
可选地，所述第一特征获取模块，包括：
特征分类子模块，用于根据所述目标文本所属的目标业务，从所述目标业务下的用户画像特征中获取与所述主维度信息匹配的第一用户画像特征，并从其他业务下的用户画像特征中获取与所述主维度信息匹配的第二用户画像特征；
第一画像特征获取子模块，用于根据所述第一用户画像特征和所述第二用户画像特征，生成所述目标文本的用户画像特征；
其中，所述其他业务为除所述目标业务之外的至少一个业务，在所述目标文本的用户画像特征中所述第一用户画像特征和所述第二用户画像特征的比值满足预设比例。
可选地，所述第一特征获取模块，包括：
第二画像特征获取子模块，用于根据所述目标文本所属的目标业务，从所述目标业务下的用户画像特征中获取与所述主维度信息匹配的用户画像特征，作为所述目标文本的用户画像特征。
可选地，所述装置还包括：
用户画像数据获取模块，用于针对任意一个业务，获取所述业务下每个用户的用户画像数据，所述用户画像数据包括历史行为数据、用户属性信息中的至少一种；
用户画像特征构建模块，用于根据所述用户画像数据，获取所述业务下每个用户的用户画像特征，所述用户画像特征包括历史行为特征、用户属性特征中的至少一种。
可选地，所述第一特征获取模块，还用于获取与所述主维度信息关联的用户标识，并获取每个所述用户标识对应的用户画像特征，作为所述目标文本的用户画像特征。
第三方面，本发明实施例另外提供了一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如第一方面所述的风险预测方法的步骤。
第四方面，本发明实施例另外提供了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上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的风险预测方法的步骤。
在本发明实施例中，通过将用户画像特征与文本自身的风险值特征做了有效的结合，既能从用户行为识别发帖频率的异常也能从文本识别发帖内容的异常。能有效地提高预测结果的准确率。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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。
图1是本发明实施例中的一种风险预测方法的步骤流程图；
图2是本发明实施例中的另一种风险预测方法的步骤流程图；
图3是本发明实施例中的一种风险预测装置的结构示意图；
图4是本发明实施例中的另一种风险预测装置的结构示意图；
图5是本发明实施例中的一种电子设备的硬件结构示意图。
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作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。
参照图1，示出了本发明实施例中一种风险预测方法的步骤流程图。
步骤110，获取待预测的目标文本，以及所述目标文本的主维度信息，其中所述主维度信息表征所述目标文本的发布方身份。
在本发明实施例中，为了提高预测结果的准确性，以有效拦截高风险帖，弥补人审标准的不统一，减少审核人力，可以综合文本挖掘和用户画像进行风险预测模型。那么，为了获取目标文本对应的用户画像，则可以进一步获取目标文本的主维度信息。
其中，主维度信息可以表征所述目标文本的发布方身份，例如可以为发布方用户的用户标识、发布方所在电子设备的IP(Internet Protocol，网络之间互连的协议)地址、等等。由于主维度信息可以表征目标文本的发布方身份，因此主维度信息可以用以获取目标文本的用户画像特征。在本发明实施例中，可以通过任何可用方式获取目标文本的主维度信息，对此本发明实施例不加以限定。
用户画像特征可以为根据用户画像数据获取得到特征数据，例如可以包括用户性别、用户年龄、用户兴趣爱好、用户所在省份、用户居住地等静态的用户属性特征，以当前时间回溯预设周期，计算预设周期内用户的历史行为特征，等等。在本发明实施例中，可以通过任何可用方法生成用户画像特征，对此本发明实施例不加以限定。
另外，目标文本可以为帖子、评论等等形式的文本数据，在本发明实施例中，可以根据需求选定目标文本，对此本发明实施例不加以限定。
步骤120，根据所述主维度信息，获取所述目标文本的用户画像特征。
如上述，在本发明实施例中，在获取目标文本的主维度信息之后，则可以基于相应的主维度信息，获取目标文本的用户画像特征。在本发明实施例中，可以在获取主维度信息之后，实时根据主维度信息获取与之对应的用户画像数据，进而实时生成目标文本对应的用户画像特征；也可以预先基于每个用户的用户画像数据，相应生成每个用户的用户画像特征，那么此时则可以直接根据主维度信息从已生成的用户画像特征中获取与主维度信息匹配的用户画像特征，作为目标文本的用户画像特征，此时相对于第一种方式可以明显提高目标文本的用户画像特征的获取效率，进而提高风险预测效率。
其中，用于生成用户画像特征的用户画像数据可以包括任何可用获取得到的与用户画像相关的数据，例如用户性别、用户年龄、用户兴趣爱好、用户所在省份、用户居住地等静态的用户属性信息，以当前时间回溯预设周期，计算预设周期内用户的历史行为数据，等等。而且，历史行为数据则可以包括但不限于以当前时间回溯预设周期内的用户每天发布的帖子数量、回复的帖子数量、用户每组相邻两次登陆日时间间隔的聚合、用户在某圈子/话题下发布帖子的数量、用户每天浏览帖子数量、用户关注/点赞/分享数、用户所发布的帖子被点赞/被分享数的的聚合，等等。当然，在本发明实施例中，在其他应用场景中，用户画像数据具体包含的内容则可以根据具体应用场景进行自定义设置，对此本发明实施例不加以限定。
步骤130，根据所述目标文本中包含的文本内容，获取所述目标文本的风险值特征。
如前述，在本发明实施例中，结合用户画像特征和原始的风险值特征重新确定目标文本最终的预测风险值。那么，则可以根据相应目标文本中包含的文本内容，获取目标文本自身的风险值特征。具体地，可以根据所述目标文本中包含的文本内容，获取目标文本自身的风险概率值，作为其风险值特征。而且，在本发明实施例中，可以通过任何可用方式获取目标文本自身的风险概率值，对此本发明实施例不加以限定。
例如，可以根据目标文本中包含的文本内容，利用TextCNN技术、Bert(Bidirectional Encoder Representation from Transformers)技术等，对目标文本进行二分类，获取其自身的风险概率值。其中，TextCNN是利用卷积神经网络对文本进行分类的算法。
另外，在实际应用中，对于帖子等文本而言可能存在着多种风险类型，包括刷钻兼职、吸粉引流、涉黄、涉政、低俗等。而且对于不同风险类型，具体的处理方式也可以有所不同。因此，在本发明实施例中，为了便于针不同风险类型下的文本进行相应合适的处理，可以针对同一目标文本预测其在至少一个风险类型下的预测风险值。那么相应地，在获取目标文本自身的风险值特征时，则可以相应地其自身在相应的每个风险类型下风险值特征。例如，分别获取其自身在上述的刷钻兼职、吸粉引流、涉黄、涉政、低俗等风险类型下的风险值特征。
相应地，在本发明实施例中，也可以通过任何可用方式获取目标文本自身在各个风险类型下的风险值特征，对此本发明实施例不加以限定。
例如，可以根据目标文本中包含的文本内容，利用上述的TextCNN技术、Bert(Bidirectional Encoder Representation from Transformers)技术等，对目标文本进行多分类，获取其自身在每个风险类型下的风险概率值。
具体需要预测的风险类型可以根据具体的应用场景进行自定义设置，对此本发明实施例不加以限定。
步骤140，根据所述用户画像特征和所述风险值特征，通过预设的风险预测模型，获取所述目标文本的预测风险值；其中，所述风险预测模型由已标记真实风险值的多个训练文本训练得到。
在获取得到目标文本的用户画像特征和风险值特征之后，则可以进一步综合用户画像特征和风险值特征，获取目标文本最终的预测风险值。具体地，可以根据所述用户画像特征和所述风险值特征，通过预设的风险预测模型，获取所述目标文本的预测风险值；其中，所述风险预测模型由已标记真实风险值的多个训练文本训练得到。
而且，在基于训练文本训练风险预测模型时，可以参照上述的步骤110-130分别获取每个训练文本的用户画像特征和风险值特征，并结合每个训练文本已标记的真实风险值，训练相应地风险预测模型，对此本发明实施例不加以限定。
参照图2，在本发明实施例中，所述步骤120进一步可以包括：
步骤121，根据所述目标文本所属的目标业务，从所述目标业务下的用户画像特征中获取与所述主维度信息匹配的第一用户画像特征，并从其他业务下的用户画像特征中获取与所述主维度信息匹配的第二用户画像特征。
步骤122，根据所述第一用户画像特征和所述第二用户画像特征，生成所述目标文本的用户画像特征；其中，所述其他业务为除所述目标业务之外的至少一个业务，在所述目标文本的用户画像特征中所述第一用户画像特征和所述第二用户画像特征的比值满足预设比例。
在实际应用中，不同业务所涉及的内容可能有所不同，相应地用户在不同业务下的行为，针对不同业务下的用户属性信息等都可能存在差别。因此，在获取用户画像数据时，可以获取同一目标文本的主维度信息对应在不同业务下的历史行为数据、用户属性信息等用户画像数据。
而且，在实际应用中，用户在发布文本时，为了避免文本被拦截，往往会故意调整文本内容，降低其风险，从而容易影响对文本的过滤效果；或者，在某一业务下用户误输入导致文本风险增高，但是在其他业务中该用户并不具有风险，那么此时如果仅仅考虑文本所属业务下的用户画像特征，都容易影响最终得到的预测结果的准确性。
因此，在本发明实施例中，为了避免上述问题，可以综合考虑各个业务下的用户画像特征。但是，为了避免其他业务下的用户画像特征相对于目标文本所属业务下的用户画像特征，对预测结果的影响过大，则可以控制目标文本的用户画像特征中其他业务下的用户画像特征相对于目标文本所属业务下的用户画像特征的占比。
那么，首先需要对用户画像特征按照业务进行划分。具体地，可以根据所述目标文本所属的目标业务，从所述目标业务下的用户画像特征中获取与所述主维度信息匹配的第一用户画像特征，并从其他业务下的用户画像特征中获取与所述主维度信息匹配的第二用户画像特征。进而则可以根据第一用户画像特征和所述第二用户画像特征，生成所述目标文本的用户画像特征；其中，所述其他业务为除所述目标业务之外的至少一个业务，在所述目标文本的用户画像特征中所述第一用户画像特征和所述第二用户画像特征的比值满足预设比例。
其中的预设比例可以根据需求进行预先设置，对此本发明实施例不加以限定。而且也可以根据预设比例中设置目标文本的用户画像特征中所述第一用户画像特征和所述第二用户画像特征的具体数据数量。例如，假设预设比例为45:9，也即此时在目标文本的用户画像特征可以包括45条第一用户画像特征和9条第二用户画像特征，那么则可以随机或者是按照预设的特征筛选策略分别从第一用户画像特征中抽取45条用户画像特征，从第二用户画像特征中抽取9条用户画像特征，组合得到目标文本的用户画像特征。
当然，在本发明实施例中，可以设置预设比例仅仅控制目标文本的用户画像特征中所述第一用户画像特征和所述第二用户画像特征的比值，但不能调整目标文本的用户画像特征中所述第一用户画像特征和所述第二用户画像特征的具体数量。那么此时仅需保证目标文本的用户画像特征中所述第一用户画像特征和所述第二用户画像特征的比值满足预设比例即可，具体的数量则可以随机或者通过其他方式进行自定义设置。
例如，可以设置目标文本的用户画像特征中包括全部的第一用户画像特征，那么此时则可以根据具体的第一用户画像特征的数量，以及预设比例，相应地确定用户画像特征中包括的第二用户画像特征的数量，对此本发明实施例不加以限定。
另外，用户画像特征可以包括上述的用户属性特征、历史行为特征，等等。而且，一般而言，用户属性特征是与用户本身相关的特征，针对同一用户，其在不同业务下的用户属性特征的差别一般不大，也即在不同业务下的用户属性特征的差别对用户画像特征的影响较小，而历史行为特征的差别则可能存在较大差别。因此，在考虑不用业务下的用户画像特征时，可以重点考虑其中的历史行为特征，综合得到目标文本的用户画像特征。
那么此时，可以根据所述目标文本所属的目标业务，从所述目标业务下的用户画像特征中获取与所述主维度信息匹配的第一历史行为特征和第一用户属性特征，并从其他业务下的用户画像特征中获取与所述主维度信息匹配的第二历史行为特征。进而根据所述第一用户属性特征、第一历史行为特征和所述第二历史行为特征，生成所述目标文本的用户画像特征；其中，所述其他业务为除所述目标业务之外的至少一个业务，在所述目标文本的用户画像特征中所述第一历史行为特征和所述第二历史行为特征的比值满足预设比例。
可选地，在本发明实施例中，所述步骤120进一步可以包括：步骤123，根据所述目标文本所属的目标业务，从所述目标业务下的用户画像特征中获取与所述主维度信息匹配的用户画像特征，作为所述目标文本的用户画像特征。
当然，在本发明实施例中，考虑到各个业务之间的独立性，也可以仅仅基于目标文本所属的目标业务下的与目标文本的主维度信息匹配的用户画像特征，也即根据所述目标文本所属的目标业务，从所述目标业务下的用户画像特征中获取与所述主维度信息匹配的用户画像特征，作为所述目标文本的用户画像特征。此时则可以有效避免其他业务下的用户画像特征对目标文本的影响，在业务独立性较强的情况下可以避免不同业务之间的影响。
参照图2，在本发明实施例中，在步骤120之前，还包括：
步骤150，针对任意一个业务，获取所述业务下每个用户的用户画像数据，所述用户画像数据包括历史行为数据、用户属性信息中的至少一种；
步骤160，根据所述用户画像数据，获取所述业务下每个用户的用户画像特征，所述用户画像特征包括历史行为特征、用户属性特征中的至少一种。
在本发明实施例中，为了提高在实际预测过程中各个目标文本的用户画像特征的获取效率，进而提高预测效率，则可以预先针对任意一个业务，获取相应业务下的每个用户的用户画像数据，以根据每个用户的用户画像数据，获取相应业务下相应每个用户的用户画像特征。
其中，用户画像特征可以包括但不限于历史行为特征、用户属性特征中的至少一种，那么相应地用户画像数据可以包括但不限于历史行为数据、用户属性信息中的至少一种。其中，历史行为数据可以用于生成历史行为特征，用户属性信息可以用于生成用户属性特征，当然，根据需求历史行为数据也可以用于生成用户属性特征，用户属性信息可以用于生成历史行为特征，对此本发明实施例不加以限定。
例如，可以周期性地获取并更新每个业务下每个用户的用户画像特征。具体的，在每次生成用户画像特征时，可以当前时间开始回溯预设时间段内相应用户的历史行为数据和用户属性数据，进而基于回溯得到的历史行为数据获取其历史行为特征，同时基于回溯得到的用户属性数据获取其用户属性特征。当然，回溯历史行为数据和用户属性数据的预设时间段可以相同，也可以不同，具体的可以根据需求进行自定义设置，而且由于用户属性数据相对比较稳定，因此在首次获取到的相应用户的用户属性数据并生成其用户属性特征之后，也可以不再周期性更新相应用户的用户属性特征，仅周期性地更新其历史行为特征，对此本发明实施例均不加以限定。
而且，历史行为特征、用户属性特征，以及历史行为数据、用户属性信息各自具体包含的内容都可以根据具体的应用场景进行自定义设置，对此本发明实施例不加以限定。
例如，可以根据不同业务的用户行为抽象出具有代表性的较长周期的特征，定义为用户画像特征。其中，用户属性特征可以包括但不限于性别特征、年龄特征、兴趣爱好特征、省份特征、居住地特征，等等。那么在获取得到相应用户的用户属性信息之后，则可以基于各个用户属性特征的格式要求以及相应用户属性特征对应的用户属性信息，生成用户属性特征。例如，对于其中包含的性别信息生成其性别特征，可以按照性别特征的格式条件(例如男性为1，女性为0)对性别信息进行转换，从而得到相应的性别特征；等等。历史行为特征则可以包含与用户历史行为相关的特征，例如发帖数量特征、关注数量特征、活跃程度特征、分享数量特征，等等，那么相应地也可以根据历史行为数据中与每个历史行为特征相关的数据生产相应的历史行为特征。
其中，用户属性特征、历史行为特征与用户画像数据之间的对应关系均可以根据需求进行自定义设置，对此本发明实施例不加以限定。例如，可以用户标识为主维度的对同一历史行为特征相关的历史行为数据进行聚合，得到相应的历史行为特征。其中的聚合方式则可以根据需求进行自定义设置，对此本发明实施例不加以限定。
例如，历史行为特征可以包括但不限于以下内容：
(1)用户近n1天的发布帖子数，和/或回复帖子数；
(2)用户近n2天相邻活跃日，和/或登陆日的时间间隔的均值/最大/最小/方差；
(3)用户近n3天在某圈子和/或话题下每天的发布帖子数，和/或回复帖子数；
(4)用户近n4天的浏览帖子数；
(5)用户近n5天的关注数、和/或点赞数、和/或分享数；
(6)用户所发布的帖子近n6天被点赞、和/或被分享数的均值/最大/最小/方差。
其中n1-n6的具体取值均可以根据需求进行自定义设置，对此本发明实施例不加以限定。由此可见对于不同维度的历史行为特征，其对应的预设时间段可以有所不同，另外针对不同维度的历史行为特征，历史行为数据的聚合方式也可以有所不同。例如，对应上述的历史行为特征(2)、(6)，聚合方式可以为取均值、取最大值、取最小值、取方差，等等；而对于其他维度的历史行为特征，由于其对应的历史行为数据本身即为一种数值，因此则可以不进行聚合。当然，在本发明实施例中也可以采用其他任何可用方式进行聚合，可以根据具体的应用场景进行自定义设置，对此本发明实施例不加以限定。
其次，为了方便在离线训练以及实时预测过程中快速获查找训练文本或者是目标文本的用户画像特征，可以构建一全量用户画像特征库，用于存储每个业务下每个用户的用户画像特征，那么则可以基于目标文本、训练文本的主维度信息，从全量用户画像特征库中匹配查找每次所需的用户画像特征。
可选地，在本发明实施例中，所述步骤120进一步可以包括：获取与所述主维度信息关联的用户标识，并获取每个所述用户标识对应的用户画像特征，作为所述目标文本的用户画像特征。
如上述，在实际应用中，用户画像特征一般是与用户标识互相对应，一个用户标识即对应于自身用户的用户画像特征，而且在上述的全量用户画像特征库中，用户画像特征可以与用户标识一一对应。
但是主维度信息可以为表征目标文本的发布方身份的任何形式的信息。例如，可以为用户标识，也可以为发布方终端的IP地址，发布方所在位置、发布方活跃程度、发布方性别，等等。而且，在实际应用中，同一终端可能登录多个用户，也即一个主维度信息可能关联有多个用户标识。那么此时则可以获取与所述主维度信息关联的用户标识，进而获取与所述主维度信息关联的每个所述用户标识对应的用户画像特征，作为所述目标文本的用户画像特征。
其中，可以通过任何可用方式获取与主维度信息关联的用户标识，对此本发明实施例不加以限定。
当然，在本发明实施例中，也可以在全量用户画像特征库中，将用户画像特征按照主维度信息进行划分，那么此时则可以直接获取与所述主维度信息关联的用户画像特征，作为所述目标文本的用户画像特征。
另外，在获取与所述主维度信息关联的用户标识，并获取每个所述用户标识对应的用户画像特征，作为所述目标文本的用户画像特征的过程中，也可以结合上述的步骤121-122，或者是步骤123，基于目标文本所属业务，最终确定目标文本的用户画像特征，对此本发明实施例也不加以限定。
在本发明实施例中，数据源主要分为包含历史行为数据在内的用户画像数据和文本内容数据两大部分，以此为基础构建用户画像特征和文本的风险值特征来作为预测的特征源。在离线训练阶段，将人工审核的标签样本，也即已标记真实风险值的训练文本与全量用户画像特征库以主维度信息进行匹配获取，得到每个训练文本的多业务线的特征，丰富了之前单业务线的数据源和特征源。在实时预测阶段，将流式用户样本，也即待预测的各个目标文本以主维度信息在全量用户画像特征库中进行匹配，可以毫秒级别获取预计算的目标文本的用户画像特征，结合风险值特征最终给出目标文本的预测风险值。
将用户画像特征与文本自身的风险值特征做了有效的结合，既能从用户行为识别发帖频率的异常也能从文本识别发帖内容的异常。此外还实现了跨业务线的特征融合和调度，提高了建模上线流程。相比于规则引擎，能有效地提高准确率和召回率，各风险类型的准确率均有很大提升。此外消除了不同业务线获取数据的困难，丰富了特征维度，为以后的建模上线流程做了质的提升。
参照图3，示出了本发明实施例中一种风险预测装置的结构示意图。
本发明实施例的风险预测装置包括：信息获取模块210、第一特征获取模块220、第二特征获取模块230和风险值预测模块240。
下面分别详细介绍各模块的功能以及各模块之间的交互关系。
信息获取模块210，用于获取待预测的目标文本，以及所述目标文本的主维度信息，其中所述主维度信息表征所述目标文本的发布方身份；
第一特征获取模块220，用于根据所述主维度信息，获取所述目标文本的用户画像特征；
第二特征获取模块230，用于根据所述目标文本中包含的文本内容，获取所述目标文本的风险值特征；
风险值预测模块240，用于根据所述用户画像特征和所述风险值特征，通过预设的风险预测模型，获取所述目标文本的预测风险值；其中，所述风险预测模型由已标记真实风险值的多个训练文本训练得到。
参照图4，在本发明实施例中，所述所述第一特征获取模块220，进一步可以包括：
特征分类子模块221，用于根据所述目标文本所属的目标业务，从所述目标业务下的用户画像特征中获取与所述主维度信息匹配的第一用户画像特征，并从其他业务下的用户画像特征中获取与所述主维度信息匹配的第二用户画像特征；
第一画像特征获取子模块222，用于根据所述第一用户画像特征和所述第二用户画像特征，生成所述目标文本的用户画像特征；
其中，所述其他业务为除所述目标业务之外的至少一个业务，在所述目标文本的用户画像特征中所述第一用户画像特征和所述第二用户画像特征的比值满足预设比例。
可选地，所述第一特征获取模块，进一步可以包括：
第二画像特征获取子模块，用于根据所述目标文本所属的目标业务，从所述目标业务下的用户画像特征中获取与所述主维度信息匹配的用户画像特征，作为所述目标文本的用户画像特征。
参照图4，在本发明实施例中，所述装置进一步还可以包括：
用户画像数据获取模块250，用于针对任意一个业务，获取所述业务下每个用户的用户画像数据，所述用户画像数据包括历史行为数据、用户属性信息中的至少一种；
用户画像特征构建模块260，用于根据所述用户画像数据，获取所述业务下每个用户的用户画像特征，所述用户画像特征包括历史行为特征、用户属性特征中的至少一种。
相应地，所述所述第一特征获取模块，还用于获取与所述主维度信息关联的用户标识，并获取每个所述用户标识对应的用户画像特征，作为所述目标文本的用户画像特征。
本发明实施例提供的风险预测装置能够实现图1至图2的方法实施例中实现的各个过程，为避免重复，这里不再赘述。
优选的，本发明实施例还提供了一种电子设备，包括：处理器，存储器，存储在存储器上并可在处理器上运行的计算机程序，该计算机程序被处理器执行时实现上述风险预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述风险预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。
图5为实现本发明各个实施例的一种电子设备的硬件结构示意图。
该电子设备500包括但不限于：射频单元501、网络模块502、音频输出单元503、输入单元504、传感器505、显示单元506、用户输入单元507、接口单元508、存储器509、处理器510、以及电源511等部件。本领域技术人员可以理解，图5中示出的电子设备结构并不构成对电子设备的限定，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。在本发明实施例中，电子设备包括但不限于手机、平板电脑、笔记本电脑、掌上电脑、车载终端、可穿戴设备、以及计步器等。
应理解的是，本发明实施例中，射频单元501可用于收发信息或通话过程中，信号的接收和发送，具体的，将来自基站的下行数据接收后，给处理器510处理；另外，将上行的数据发送给基站。通常，射频单元501包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外，射频单元501还可以通过无线通信系统与网络和其他设备通信。
电子设备通过网络模块502为用户提供了无线的宽带互联网访问，如帮助用户收发电子邮件、浏览网页和访问流式媒体等。
音频输出单元503可以将射频单元501或网络模块502接收的或者在存储器509中存储的音频数据转换成音频信号并且输出为声音。而且，音频输出单元503还可以提供与电子设备500执行的特定功能相关的音频输出(例如，呼叫信号接收声音、消息接收声音等等)。音频输出单元503包括扬声器、蜂鸣器以及受话器等。
输入单元504用于接收音频或视频信号。输入单元504可以包括图形处理器(Graphics Processing Unit，GPU)5041和麦克风5042，图形处理器5041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元506上。经图形处理器5041处理后的图像帧可以存储在存储器509(或其它存储介质)中或者经由射频单元501或网络模块502进行发送。麦克风5042可以接收声音，并且能够将这样的声音处理为音频数据。处理后的音频数据可以在电话通话模式的情况下转换为可经由射频单元501发送到移动通信基站的格式输出。
电子设备500还包括至少一种传感器505，比如光传感器、运动传感器以及其他传感器。具体地，光传感器包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板5061的亮度，接近传感器可在电子设备500移动到耳边时，关闭显示面板5061和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别电子设备姿态(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；传感器505还可以包括指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等，在此不再赘述。
显示单元506用于显示由用户输入的信息或提供给用户的信息。显示单元506可包括显示面板5061，可以采用液晶显示器(Liquid Crystal Display，LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板5061。
用户输入单元507可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。具体地，用户输入单元507包括触控面板5071以及其他输入设备5072。触控面板5071，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板5071上或在触控面板5071附近的操作)。触控面板5071可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器510，接收处理器510发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板5071。除了触控面板5071，用户输入单元507还可以包括其他输入设备5072。具体地，其他输入设备5072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。
进一步的，触控面板5071可覆盖在显示面板5061上，当触控面板5071检测到在其上或附近的触摸操作后，传送给处理器510以确定触摸事件的类型，随后处理器510根据触摸事件的类型在显示面板5061上提供相应的视觉输出。虽然在图5中，触控面板5071与显示面板5061是作为两个独立的部件来实现电子设备的输入和输出功能，但是在某些实施例中，可以将触控面板5071与显示面板5061集成而实现电子设备的输入和输出功能，具体此处不做限定。
接口单元508为外部装置与电子设备500连接的接口。例如，外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元508可以用于接收来自外部装置的输入(例如，数据信息、电力等等)并且将接收到的输入传输到电子设备500内的一个或多个元件或者可以用于在电子设备500和外部装置之间传输数据。
存储器509可用于存储软件程序以及各种数据。存储器509可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器509可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器510是电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器509内的软件程序和/或模块，以及调用存储在存储器509内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。处理器510可包括一个或多个处理单元；优选的，处理器510可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器510中。
电子设备500还可以包括给各个部件供电的电源511(比如电池)，优选的，电源511可以通过电源管理系统与处理器510逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
另外，电子设备500包括一些未示出的功能模块，在此不再赘述。
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。
本领域普通技术人员可以意识到，结合本发明实施例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、或者计算机软件和电子硬件的结合来实现。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发明的范围。
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，上述描述的系统、装置和单元的具体工作过程，可以参考前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，所揭露的装置和方法，可以通过其它的方式实现。例如，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，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。
另外，在本发明各个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，本发明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)执行本发明各个实施例所述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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (12)

1.一种风险预测方法，其特征在于，包括：
获取待预测的目标文本，以及所述目标文本的主维度信息，其中所述主维度信息表征所述目标文本的发布方身份；
根据所述主维度信息，获取所述目标文本的用户画像特征；
根据所述目标文本中包含的文本内容，获取所述目标文本的风险值特征；
根据所述用户画像特征和所述风险值特征，通过预设的风险预测模型，获取所述目标文本的预测风险值；
其中，所述风险预测模型由已标记真实风险值的多个训练文本训练得到。
2.根据权利要求1所述的方法，其特征在于，所述根据所述主维度信息，获取所述目标文本的用户画像特征的步骤，包括：
根据所述目标文本所属的目标业务，从所述目标业务下的用户画像特征中获取与所述主维度信息匹配的第一用户画像特征，并从其他业务下的用户画像特征中获取与所述主维度信息匹配的第二用户画像特征；
根据所述第一用户画像特征和所述第二用户画像特征，生成所述目标文本的用户画像特征；
其中，所述其他业务为除所述目标业务之外的至少一个业务，在所述目标文本的用户画像特征中所述第一用户画像特征和所述第二用户画像特征的比值满足预设比例。
3.根据权利要求1所述的方法，其特征在于，所述根据所述主维度信息，获取所述目标文本的用户画像特征的步骤，包括：
根据所述目标文本所属的目标业务，从所述目标业务下的用户画像特征中获取与所述主维度信息匹配的用户画像特征，作为所述目标文本的用户画像特征。
4.根据权利要求1-3中任一项所述的方法，其特征在于，在所述根据所述主维度信息，获取所述目标文本的用户画像特征的步骤之前，还包括：
针对任意一个业务，获取所述业务下每个用户的用户画像数据，所述用户画像数据包括历史行为数据、用户属性信息中的至少一种；
根据所述用户画像数据，获取所述业务下每个用户的用户画像特征，所述用户画像特征包括历史行为特征、用户属性特征中的至少一种。
5.根据权利要求4所述的方法，其特征在于，所述根据所述主维度信息，获取所述目标文本的用户画像特征的步骤，包括：
获取与所述主维度信息关联的用户标识，并获取每个所述用户标识对应的用户画像特征，作为所述目标文本的用户画像特征。
6.一种风险预测装置，其特征在于，包括：
信息获取模块，用于获取待预测的目标文本，以及所述目标文本的主维度信息，其中所述主维度信息表征所述目标文本的发布方身份；
第一特征获取模块，用于根据所述主维度信息，获取所述目标文本的用户画像特征；
第二特征获取模块，用于根据所述目标文本中包含的文本内容，获取所述目标文本的风险值特征；
风险值预测模块，用于根据所述用户画像特征和所述风险值特征，通过预设的风险预测模型，获取所述目标文本的预测风险值；
其中，所述风险预测模型由已标记真实风险值的多个训练文本训练得到。
7.根据权利要求6所述的装置，其特征在于，所述第一特征获取模块，包括：
特征分类子模块，用于根据所述目标文本所属的目标业务，从所述目标业务下的用户画像特征中获取与所述主维度信息匹配的第一用户画像特征，并从其他业务下的用户画像特征中获取与所述主维度信息匹配的第二用户画像特征；
第一画像特征获取子模块，用于根据所述第一用户画像特征和所述第二用户画像特征，生成所述目标文本的用户画像特征；
其中，所述其他业务为除所述目标业务之外的至少一个业务，在所述目标文本的用户画像特征中所述第一用户画像特征和所述第二用户画像特征的比值满足预设比例。
8.根据权利要求6所述的装置，其特征在于，所述第一特征获取模块，包括：
第二画像特征获取子模块，用于根据所述目标文本所属的目标业务，从所述目标业务下的用户画像特征中获取与所述主维度信息匹配的用户画像特征，作为所述目标文本的用户画像特征。
9.根据权利要求6-8中任一项所述的装置，其特征在于，所述装置还包括：
用户画像数据获取模块，用于针对任意一个业务，获取所述业务下每个用户的用户画像数据，所述用户画像数据包括历史行为数据、用户属性信息中的至少一种；
用户画像特征构建模块，用于根据所述用户画像数据，获取所述业务下每个用户的用户画像特征，所述用户画像特征包括历史行为特征、用户属性特征中的至少一种。
10.根据权利要求9所述的装置，其特征在于，所述第一特征获取模块，还用于获取与所述主维度信息关联的用户标识，并获取每个所述用户标识对应的用户画像特征，作为所述目标文本的用户画像特征。
11.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的风险预测方法的步骤。
12.一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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的风险预测方法的步骤。
CN202010491171.4A 2020-06-02 2020-06-02 一种风险预测方法、装置、电子设备及存储介质 Active CN111753520B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010491171.4A CN111753520B (zh) 2020-06-02 2020-06-02 一种风险预测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010491171.4A CN111753520B (zh) 2020-06-02 2020-06-02 一种风险预测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111753520A true CN111753520A (zh) 2020-10-09
CN111753520B CN111753520B (zh) 2023-04-18

Family

ID=72674385

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010491171.4A Active CN111753520B (zh) 2020-06-02 2020-06-02 一种风险预测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111753520B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113766256A (zh) * 2021-02-09 2021-12-07 北京沃东天骏信息技术有限公司 一种直播风控方法和装置
CN113992429A (zh) * 2021-12-22 2022-01-28 支付宝(杭州)信息技术有限公司 一种事件的处理方法、装置及设备
CN114997897A (zh) * 2022-04-07 2022-09-02 重庆邮电大学 一种基于移动数据的易受诈人群画像构建方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107229638A (zh) * 2016-03-24 2017-10-03 北京搜狗科技发展有限公司 一种文本信息处理方法及装置
CN107256257A (zh) * 2017-06-12 2017-10-17 上海携程商务有限公司 基于业务数据的异常用户生成内容识别方法及系统
CN110855703A (zh) * 2019-11-22 2020-02-28 秒针信息技术有限公司 智能风险识别系统、方法和电子设备
CN110866832A (zh) * 2019-09-30 2020-03-06 北京健康之家科技有限公司 一种风险控制方法、系统、存储介质及计算设备
CN111046184A (zh) * 2019-12-12 2020-04-21 深圳市随手金服信息科技有限公司 文本的风险识别方法、装置、服务器和存储介质
CN112073374A (zh) * 2020-08-05 2020-12-11 长沙市到家悠享网络科技有限公司 信息拦截方法、装置及设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107229638A (zh) * 2016-03-24 2017-10-03 北京搜狗科技发展有限公司 一种文本信息处理方法及装置
CN107256257A (zh) * 2017-06-12 2017-10-17 上海携程商务有限公司 基于业务数据的异常用户生成内容识别方法及系统
CN110866832A (zh) * 2019-09-30 2020-03-06 北京健康之家科技有限公司 一种风险控制方法、系统、存储介质及计算设备
CN110855703A (zh) * 2019-11-22 2020-02-28 秒针信息技术有限公司 智能风险识别系统、方法和电子设备
CN111046184A (zh) * 2019-12-12 2020-04-21 深圳市随手金服信息科技有限公司 文本的风险识别方法、装置、服务器和存储介质
CN112073374A (zh) * 2020-08-05 2020-12-11 长沙市到家悠享网络科技有限公司 信息拦截方法、装置及设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113766256A (zh) * 2021-02-09 2021-12-07 北京沃东天骏信息技术有限公司 一种直播风控方法和装置
CN113992429A (zh) * 2021-12-22 2022-01-28 支付宝(杭州)信息技术有限公司 一种事件的处理方法、装置及设备
CN114997897A (zh) * 2022-04-07 2022-09-02 重庆邮电大学 一种基于移动数据的易受诈人群画像构建方法

Also Published As

Publication number Publication date
CN111753520B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN107846352B (zh) 一种信息显示方法、移动终端
CN111753520B (zh) 一种风险预测方法、装置、电子设备及存储介质
CN108616448B (zh) 一种信息分享的路径推荐方法及移动终端
CN111343081A (zh) 信息显示方法及电子设备
CN108494665B (zh) 一种群消息显示方法及移动终端
CN112689201B (zh) 弹幕信息识别方法、显示方法、服务器及电子设备
CN111444425B (zh) 一种信息推送方法、电子设备及介质
CN108376096B (zh) 一种消息显示方法及移动终端
CN108833661B (zh) 一种信息的显示方法及移动终端
CN111614544B (zh) 消息处理方法及电子设备
CN111142724A (zh) 一种显示控制方法及电子设备
CN109495638B (zh) 一种信息显示方法及终端
CN116070114A (zh) 数据集的构建方法、装置、电子设备及存储介质
CN110796552A (zh) 一种风险提示方法及装置
CN107895108B (zh) 一种操作管理方法和移动终端
CN111314206B (zh) 一种信息处理方法及电子设备
CN109670105B (zh) 搜索方法及移动终端
CN112256748A (zh) 一种异常检测方法、装置、电子设备及存储介质
CN111444314A (zh) 一种信息处理方法及电子设备
CN108848240B (zh) 一种信息安全防护方法、终端及计算机可读存储介质
CN111080305A (zh) 一种风险识别方法、装置及电子设备
CN116450963A (zh) 内容的显示处理方法、装置、电子设备及存储介质
CN116307394A (zh) 产品用户体验评分方法、装置、介质及设备
CN111353422B (zh) 信息提取方法、装置及电子设备
CN109348066B (zh) 一种来电意图识别方法、终端及计算机可读存储介质

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
GR01 Patent grant
GR01 Patent grant