CN111754044B - 员工行为审计方法、装置、设备及可读存储介质 - Google Patents
员工行为审计方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN111754044B CN111754044B CN202010617544.8A CN202010617544A CN111754044B CN 111754044 B CN111754044 B CN 111754044B CN 202010617544 A CN202010617544 A CN 202010617544A CN 111754044 B CN111754044 B CN 111754044B
- Authority
- CN
- China
- Prior art keywords
- employee
- compliance risk
- staff
- preset
- compliance
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000011159 matrix material Substances 0.000 claims abstract description 64
- 238000012550 audit Methods 0.000 claims abstract description 28
- 230000006399 behavior Effects 0.000 claims description 229
- 238000012549 training Methods 0.000 claims description 68
- 238000013058 risk prediction model Methods 0.000 claims description 56
- 238000012545 processing Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 15
- 230000003542 behavioural effect Effects 0.000 claims description 4
- 238000012552 review Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 12
- 238000007477 logistic regression Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
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
- 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
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种员工行为审计方法、装置、设备及可读存储介质。所述方法包括以下步骤：获取待审计员工和待审计员工的关联员工分别对应的员工行为数据，基于预设权重矩阵，确定待审计员工和关联员工分别对应的合规风险影响权重，基于合规风险影响权重，对所述员工行为数据进行合并处理，对合并处理后的员工行为数据进行合规风险预测，得到待审计员工的合规风险预测结果。本发明采用了合并待审计员工及其关联员工的员工行为数据，再根据合并处理后的员工行数据进行合规风险预测，得到待审计员工的合规风险预测结果的技术手段，该技术手段克服了现有技术的人工审计速度慢，很难发现员工之间的行为影响，从而提升了员工行为审计的效率和全面性。
Description
技术领域
本发明涉及金融科技领域，尤其涉及一种员工行为审计方法、装置、设备及可读存储介质。
背景技术
为了加强公司的合规经营，减少公司内控风险，提升经营稳健性，公司对于员工的合规性要求越来越高，员工行为中的经济行为、信息安全行为、业务操作行为等一旦发生违规，都会给公司带来极大的损失，因此，公司审计部门需及时关注高风险员工，对可能造成较大损失的员工进行重点审计。
但是目前的员工行为的审计主要依赖审计人员人工翻阅凭证等方式对员工自身的行为进行排查，虽然能排查到一些重大违规行为，但是一个公司中员工行为数据体量非常庞大，而且员工之间的行为数据存在一定的关联性，仅仅依靠人工进行排查不但工作量大速度慢，而且很难发现员工之间的行为影响，导致审计效果差，对于潜在的违规行为很难发现。
发明内容
本发明的主要目的在于提供一种员工行为审计方法、装置、设备及可读存储介质，旨在解决现有员工行为的审计主要依赖审计人员人工翻阅凭证等方式对员工自身的行为进行排查，从而导致员工行为审计效率低的技术问题。
为实现上述目的，本发明提供一种员工行为审计方法，所述员工行为审计方法，应用于第一设备，包括：
获取待审计员工和所述待审计员工的关联员工分别对应的员工行为数据；
基于预设权重矩阵，确定所述待审计员工和所述关联员工分别对应的合规风险影响权重；
基于所述合规风险影响权重，对所述员工行为数据进行合并处理；
对合并处理后的员工行为数据进行合规风险预测，得到所述待审计员工的合规风险预测结果。
进一步地，所述预设权重矩阵包括不同员工总数分别对应的各个合规风险影响权重，所述基于预设权重矩阵，确定所述待审计员工和所述关联员工分别对应的合规风险影响权重，包括：
确定所述待审计员工和所述关联员工的数量总和；
从所述预设权重矩阵中选取所述数量总和下的各个合规风险影响权重；
按照关联强度对所述待审计员工和所述关联员工进行排序；
根据排序结果和选取的各个合规风险影响权重，确定所述待审计员工和所述关联员工分别对应的合规风险影响权重。
进一步地，所述预设合规风险影响权重矩阵是对样本训练集进行合规风险影响力学习得到的；或者所述预设合规风险影响权重矩阵是在训练预设合规风险预测模型时得的，所述方法还包括：
获取样本训练集，所述样本训练集包括样本员工和所述样本员工的关联员工分别对应的样本员工行为数据，其中，所述样本员工带有真实合规风险的标签；
根据初始权重矩阵，对所述样本员工行为数据进行合并处理，得到合并处理后的样本员工行为数据；
将所述合并处理后的样本员工行为数据输入到初始合规风险预测模型进行训练，得到所述样本员工的合规风险预测结果；
基于所述合规风险预测结果与所述真实合规风险之间的损失函数，分别更新所述初始权重矩阵和所述初始合规风险预测模型并进行迭代训练；
当迭代训练满足预设终止条件，获取所述预设权重矩阵和所述预设合规风险预测模型。
进一步地，所述对合并处理后的员工行为数据进行合规风险预测，得到所述待审计员工的合规风险预测结果的步骤包括：
将所述合并处理后的员工行为数据输入到预设合规风险预测模型进行合规风险预测，以确定所述待审计员工的合规风险预测结果。
进一步地，所述对合并处理后的员工行为数据进行合规风险预测，得到所述待审计员工的合规风险预测结果之后，所述方法还包括：
若所述合规风险预测结果表示所述待审计员工存在合规风险，则基于所述员工行为数据和预设员工合规风险损失预测模型，确定所述待审计员工的合规风险损失预测值；
若所述合规风险损失预测值大于或者等于预设阈值，则输出审计预警信息。
进一步地，所述员工行为数据包括多种类型的员工行为子数据，所述基于所述员工行为数据和预设员工合规风险预测模型，确定所述待审计员工的合规风险损失预测值，包括：
将各类型的员工行为子数据输入到预设员工合规风险损失预测模型，所述预设员工合规风险损失预测模型用于基于第二预设权重矩阵，确定所述各类型的员工行为子数据分别对应的损失影响权重，并基于所述损失影响权重和所述各类型的员工行为子数据的加权求和处理结果，确定所述待审计员工的合规风险损失预测值。
进一步地，所述待审计员工所在主体的各子主体分别记录各自的员工行为子数据，所述获取待审计员工和所述待审计员工的关联员工分别对应的员工行为数据，包括：
获取待审计员工和所述待审计员工的关联员工分别在子主体本地记录的员工子行为数据；
所述对合并处理后的员工行为数据进行合规风险预测，得到所述待审计员工的合规风险预测结果的步骤包括：
将子主体本地合并处理后的员工行为子数据输入到目标合规风险预测模型进行合规风险预测，以确定所述待审计员工在本地的第一合规风险预测结果，其中，所述目标合规风险预测模型是由所述各子主体分别基于各自对应的样本训练集和预设权重矩阵进行多方纵向联邦训练得到。
基于所述第一合规风险预测结果和其他子主体反馈的第二合规风险预测结果，确定所述待审计员工的联邦合规风险预测结果.
进一步地，所述员工行为审计装置包括：
获取模块，用于获取待审计员工和所述待审计员工的关联员工分别对应的员工行为数据；
确定模块，用于基于预设权重矩阵，确定所述待审计员工和所述关联员工分别对应的合规风险影响权重；
合并模块，用于基于所述合规风险影响权重，对所述员工行为数据进行合并处理；
预测模块，用于对合并处理后的员工行为数据进行合规风险预测，得到所述待审计员工的合规风险预测结果。
为实现上述目的，本发明还提供一种设备，所述设备包括：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员工行为审计程序，所述员工行为审计程序被所述处理器执行时实现如上所述的员工行为审计方法的步骤。
此外，为实现上述目的，本发明还提供一种可读存储介质，所述可读存储介质上存储有员工行为审计程序，所述员工行为审计程序被处理器执行时实现上述任一项所述员工行为审计方法的步骤。
本发明获取待审计员工和所述待审计员工的关联员工分别对应的员工行为数据，而后基于预设权重矩阵，确定所述待审计员工和所述关联员工分别对应的合规风险影响权重，接下来基于所述合规风险影响权重，对所述员工行为数据进行合并处理，最后对合并处理后的员工行为数据进行合规风险预测，得到所述待审计员工的合规风险预测结果。与现有技术的依赖审计人员人工翻阅凭证等方式对员工自身的行为进行合规风险判定相比，本发明采用了合并待审计员工及其关联员工的员工行为数据，再根据合并处理后的员工行数据进行合规风险预测，得到待审计员工的合规风险预测结果的技术手段，可以实现员工行为审计的自动化，可以根据自动确定员工之间的行为影响程度，可以提升员工行为审计速度，该技术手段克服了现有技术的人工审计速度慢，很难发现员工之间的行为影响，从而提升了员工行为审计的效率和全面性。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的结构示意图；
图2为本发明员工行为审计方法第一实施例的流程示意图；
图3为本发明员工行为审计方法一实施例中行为审计的流程示意图；
图4为本发明员工行为审计方法第二实施例的流程示意图；
图5为本发明员工行为审计装置实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境中设备的结构示意图。
如图1所示，该设备可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的设备结构并不构成对设备的限定，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。
如图1所示，作为一种可读存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及员工行为审计程序和员工行为审计程序。
在图1所示的设备中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接用户端，与用户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的员工行为审计程序和员工行为审计程序。
在本实施例中，设备包括：存储器1005、处理器1001及存储在所述存储器1005上并可在所述处理器1001上运行的员工行为审计程序，其中，处理器1001调用存储器1005中存储的员工行为审计程序和员工行为审计程序时，执行本申请各个实施例提供的员工行为审计方法的步骤。
本发明还提供一种员工行为审计方法，参照图2，图2为本发明员工行为审计方法第一实施例的流程示意图。
本发明实施例提供了员工行为审计方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本发明员工行为审计方法第一实施例，应用于第一设备，在本实施例中，员工行为审计方法包括：
步骤S10，获取待审计员工和所述待审计员工的关联员工分别对应的员工行为数据；
在本实施例中，由于员工的某些行为可能是受领导指示，或者同岗位，或者有业务交集同事的影响，因此对一个员工行为进行审计时，不但要获取该待审计员工的行为数据，如经济行为、信息安全行为、业务操作行为，同时需要获取该待审计员工关联员工的行为数据，将待审计员工和待审计员工的关联员工分别对应的员工行为数据，共同作为对员工审计的依据。
需要说明的是，待审计员工的关联员工包括但不限于与该待审计员工工作上有交集的员工，如待审计员工的领导、同岗位同事、有业务交集同事等，根据历史审计数据确定的与待审计员工行为数据上存在交集的员工，以及与待审计员有特殊关系的员工等。具体根据待审计员工的实际情况确定其所关联的员工，并获取待审计员工和待审计员工的关联员工分别对应的员工行为数据，用于员工行为审计。
步骤S20，基于预设权重矩阵，确定所述待审计员工和所述关联员工分别对应的合规风险影响权重；
在本实施例中，预设权重矩阵中的影响权重用于表示关联员工对待测员工的合规的影响程度，故根据预设权重矩阵，确定待审计员工与其关联员工分别对应的合规风险影响权重。
进一步地，所述预设权重矩阵是对样本训练集进行合规风险影响力学习得到的；或者所述预设权重矩阵是在训练预设合规风险预测模型时得的。具体训练过程可以为：设置初始的预设权重矩阵，根据初始的预设权重矩阵对员工行为数据和关联员工的员工行为数据进行合并处理，基于合并处理后的数据和员工的合规风险值，输入到初始的员工合规风险预测模型进行训练得到，预测员工合规结果，然后根据预测员工合规风险结果和标注的员工合规风险值之间的损失函数更新初始的预设权重矩阵和员工合规风险预测模型，直至满足训练终止条件，得到员工合规风险预测和预设权重矩阵。
具体地，步骤S20包括：
步骤S21，确定所述待审计员工和所述关联员工的数量总和；
步骤S22，从所述预设权重矩阵中选取所述数量总和下的各个合规风险影响权重；
在本实施例中，根据待审计员工和所述关联员工的数量总和以及待审计员工及其关联员工的关联强度，在预设权重矩阵中确定待审计员工和关联员工分别对应的合规风险影响权重。具体地，预设权重矩阵中根据待审计员工和关联员工的总数量不同，对应的合规风险影响权重也是不同的。举例说明，2个员工，一个是待审计员工，一个是待审计员工的关联员工，参考历史审计数据，依据经验值确定合规风险影响权重分别是0.7，0.3；例如3个员工，一个是待审计员工，两个是待审计员工的关联员工，参考历史审计数据，依据经验值确定合规风险影响权重分别是0.7，0.2，0.1，依次类推。需要说明的是，待审计员工的合规风险影响权重远远大于其关联员工的合规风险影响权重，如果待审计员工无关联员工，则只有待审计员工的合规风险影响权重，其值为1。接下来，在确定了待审计员工及其关联员工的数量总和之后，依据数量总和在预设权重矩阵中选取与数量总和对应的各个合规风险影响权重。如前面举例说明所述，当计算得到数量总和为3时，在预设权重矩阵中找到数量总和为3对应的合规风险影响权重组，即0.7，0.2，0.1。
步骤S23，按照关联强度对所述待审计员工和所述关联员工进行排序；
步骤S24，根据排序结果和选取的各个合规风险影响权重，确定所述待审计员工和所述关联员工分别对应的合规风险影响权重。
在本实施例中，进一步地，待审计员工所关联的员工一般是存在多个，故需要进一步对待审计员工的关联员工进行排序，以此排序结果在获取的合规风险影响权重组中匹配各个关联员工各自对应的合规风险影响权重，即按照预设关联强度对所述待审计员工和所述关联员工进行排序，根据排序结果和选取的各个合规风险影响权重，确定待审计员工和所述关联员工分别对应的合规风险影响权重。其中，预设关联强度根据历史审计数据确定，如待审计员工的领导、同岗位同事、有业务交集同事，对于待审计员工而言，关联强度依次降低。举例说明，当待审计员工的关联员工有2个分别为领导以及同岗位同事时，数量总和为3时，在预设权重矩阵中找到数量总和为3对应的合规风险影响权重组，即0.7，0.2，0.1，按照预设关联强度对待审计员工和关联员工进行排序，其顺序为：待审计员工、领导、同岗位同事，根据排序结果和合规风险影响权重组，确定待审计员工的合规风险影响权重为0.7，领导的合规风险影响权重为0.2、同岗位同事的合规风险影响权重为0.1。
需要说明的是，按照预设关联强度得到的待审计员及其关联员工的排序结果，必须与预设权重矩阵中的合规风险影响权重的排序趋势一致，要么都是升序，要么都是降序。
步骤S30，基于所述合规风险影响权重，对所述员工行为数据进行合并处理；
在本实施例中，确定待审计员工和其所关联员工分别对应的合规风险影响权重之后，对待审计员工和待审计员工的关联员工分别对应的员工行为数据进行合并处理，将合并处理后的员工行为数据作为合规风险预测的参考数据。员工的行为数据包括的种类较多，如经济行为、信息安全行为、业务操作行为等，在进行员工的行为数据合并时，需要按照不同种类分别进行数据合并。
步骤S40，对合并处理后的员工行为数据进行合规风险预测，得到所述待审计员工的合规风险预测结果。
在本实施例中，将对合并处理后的员工行为数据进行合规风险预测，得到待审计员工的合规风险预测结果，具体地，将合并处理后的员工行为数据输入到预设合规风险预测模型进行合规风险预测，以确定待审计员工的合规风险预测结果。其中，预设合规风险预测模型是对样本训练集进行模型训练得到的。
进一步地，在一实施例中，所述步骤S10之前，包括：
步骤S50，获取样本训练集，所述样本训练集包括样本员工和所述样本员工的关联员工分别对应的样本员工行为数据，其中，所述样本员工带有真实合规风险的标签；
在本实施例中，在历史员工行为数据中获取样本训练集，样本训练集包括样本员工和样本员工的关联员工分别对应的样本员工行为数据，其中，样本员工还带有真实合规风险的标签。样本员工与关联员工之间的关联强度根据历史审计结果即员工的合规情况预先设定，在模型训练过程中可以先根据关联强度对样本员工与关联员工进行排序，然后再进行模型训练。
步骤S60，根据初始权重矩阵，对所述样本员工行为数据进行合并处理，得到合并处理后的样本员工行为数据；
步骤S70，将所述合并处理后的样本员工行为数据输入到初始合规风险预测模型进行训练，得到所述样本员工的合规风险预测结果；
在本实施例中，根据预设关联强度对样本员工和样本员工的关联员工进行排序，然后在初始第一预设权重矩阵这种获取样本员工和样本员工的关联员工分别对应的合规风险影响权重，根据各个合规风险影响权对样本员工行为数据进行合并处理，得到合并处理后的样本员工行为数据。进一步地，将合并处理后的样本员工行为数据输入到初始预设合规风险预测模型进行训练，得到样本员工的合规风险预测结果。预设合规风险预测模型可以是二项逻辑回归模型或深度神经网络模型等，在本发明中不做限定。下面以二项逻辑回归模型为例，具体预设合规风险预测模型的训练过程可以如下：
对于输出Y，只取两个值，或Y＝1或0，分别对应有风险和没有风险。
二项逻辑回归模型满足以下的条件概率分布：
x是输入，即员工行为数据，Y是输出,即员工合规风险预测值，w是权值向量，即模型参数，w·x是w和x的內积。
w模型参数的求法如下：
对于给定的历史员工行为数据，作为训练集T：
T＝{(x1，y1)，(x2，y2)...(xN，yN)}
应用极大似然估计法估计模型参数，从而求得w权值向量，得到二项逻辑回归模型。
设：P(Y＝1|x)＝π(x)，P(Y＝0|x)＝1-π(x)
似然函数为：
对数化后，对数似然函数为
对L(w)求极大值，得到w的估计值，即完成模型参数的估计。
结果分类：对于给定的行为数据x，根据上述(1)和(2)公式可以求出P(Y＝1|x)和P(Y＝0|x)。二项逻辑回归模型比较P(Y＝1|x)和P(Y＝0|x)这两个条件概率值的大小，将给定的行为数据x分到概率值较大的那一类，即Y＝1或0。
步骤S80，基于所述合规风险预测结果与所述真实合规风险之间的损失函数，分别更新所述初始权重矩阵和所述初始合规风险预测模型并进行迭代训练；
步骤S90，当迭代训练满足预设终止条件，获取所述预设权重矩阵和所述预设合规风险预测模型。
在本实施例中，利用合规风险预测结果与真实合规风险得到的损失函数，并利用该损失函数分别更新初始第一预设权重矩阵和初始预设合规风险预测模型，对更新后的初始第一预设权重矩阵和初始预设合规风险预测模型进行迭代训练，直到损失函数小于预设值或达到一定的迭代训练次数，此时迭代训练满足预设终止条件，将当前的初始第一预设权重矩阵作为第一预设权重矩阵，以及将当前的初始预设合规风险预测模型作为预设合规风险预测模型。
其中，损失函数可以为：统计各个样本员工的合规风险预测结果与其对应的真实合规风险一致性的比例，该比例与100％之间的差值作为预设合规风险预测模型训练的损失函数。例如，有1000个样本员工，有30个样本员工的合规风险预测结果与其对应的真实合规风险不一致，其他970个样本员工是一致的，则本轮训练后得到的损失函数为3％，还可以设定判断模型收敛的预设值为0.1％，因此当损失函数下降为0.1％时，则模型收敛。还可以将迭代训练次数作为预设终止条件，如设置迭代训练次数为2000次。
所述步骤S40包括：将所述合并处理后的员工行为数据输入到预设合规风险预测模型进行合规风险预测，以确定所述待审计员工的合规风险预测结果。
在本实施例中，根据已训练好的预设合规风险预测模型，对待审计员工进行合规风险预测，将合并处理后的员工行为数据输入到预设合规风险预测模型，从而得到待审计员工的合规风险预测结果。
举例说明，如果预设合规风险预测模型二项逻辑回归模型时，对于合规风险预测结果Y，只取两个值，或Y＝1或0，分别对应有风险和没有风险。将合并处理后的员工行为数据输入到已训练好的二项逻辑回归模型中，可以分别求出条件概率P(Y＝1|x)的值和条件概率P(Y＝0|x)的值，然后比较P(Y＝1|x)和P(Y＝0|x)这两个条件概率值的大小，如果P(Y＝1|x)的值大，说明将员工行为数据分到Y＝1的可能性比较大，故即Y＝1，表示该待审计员工是存在风险的；同理，如果P(Y＝0|x)的值大，说明将员工行为数据分到Y＝0的可能性比较大，故即Y＝0，表示该待审计员工是无风险的。
本实施例提出本发明员工行为审计方法，获取待审计员工和所述待审计员工的关联员工分别对应的员工行为数据，而后基于预设权重矩阵，确定所述待审计员工和所述关联员工分别对应的合规风险影响权重，接下来基于所述合规风险影响权重，对所述员工行为数据进行合并处理，最后对合并处理后的员工行为数据进行合规风险预测，得到所述待审计员工的合规风险预测结果。与现有技术的依赖审计人员人工翻阅凭证等方式对员工自身的行为进行合规风险判定相比，本发明采用了合并待审计员工及其关联员工的员工行为数据，再根据合并处理后的员工行数据进行合规风险预测，得到待审计员工的合规风险预测结果的技术手段，可以实现员工行为审计的自动化，可以根据自动确定员工之间的行为影响程度，可以提升员工行为审计速度，该技术手段克服了现有技术的人工审计速度慢，很难发现员工之间的行为影响，从而提升了员工行为审计的效率和全面性。
基于第一实施例，参照图3，提出本发明员工行为审计方法的第二实施例，在本实施例中，步骤S40之后，包括：
步骤S100，若所述合规风险预测结果表示所述待审计员工存在合规风险，则基于所述员工行为数据和预设员工合规风险损失预测模型，确定所述待审计员工的合规风险损失预测值；
具体地，步骤S100包括：将各类型的员工行为子数据输入到预设员工合规风险损失预测模型，所述预设员工合规风险损失预测模型用于基于第二预设权重矩阵，确定所述各类型的员工行为子数据分别对应的损失影响权重，并基于所述损失影响权重和所述各类型的员工行为子数据的加权求和处理结果，确定所述待审计员工的合规风险损失预测值。
在本实施例中，通过合并待审计员工及其关联员工的员工行为数据，再根据合并处理后的员工行数据进行合规风险预测，得到待审计员工存在合规风险时，需要对该风险员工可能导致的风险损失做进一步预测，风险损失一般就是指经济损失。
具体地，员工行为数据包括多种类型的员工行为子数据，如经济行为、信息安全行为、业务操作行为等，将各类型的员工行为子数据输入到预设员工合规风险损失预测模型，进而确定所述待审计员工的合规风险损失预测值。其中，预设员工合规风险损失预测模型是基于训练集数据训练得到的，用于基于第二预设权重矩阵，确定各类型的员工行为子数据分别对应的损失影响权重，并基于损失影响权重和各类型的员工行为子数据的加权求和处理结果，确定所述待审计员工的合规风险损失预测值。
预设员工合规风险损失预测模型可以利用多元线性回归进行训练，具体过程为：
1、根据历史员工行为数据，获取员工的行为数据X(x1，x2，x3……xn)
2、根据历史员工行为数据，进一步获取关于员工因不合规造成的损失金额数据y(Y1，Y2，Y3……Ym)。
3、利用多元线性回归的方法，构建一个超定方程组(要求：未知数的个数小于方程的个数)
其中m代表有m个等式，n代表n个未知数β，m>n，将其量化后得到Xβ＝y。在本发明中，X＝[X1,……Xn]，β＝[β1，.....βn]T，y＝[Y1，.....Yn]T。
4、通过历史数据X，求解上述超定方程中每个因素变量的系数β。
5、将需要预测的员工行为数据X代入上述超定方程Xβ＝y，可预测员工合规风险可能造成的损失金额y。
步骤S110，若所述合规风险损失预测值大于或者等于预设阈值，则输出审计预警信息。
在本实施例中，当利用预设员工合规风险损失预测模型确定了存在风险的待审计员工对应的合规风险损失金额后，即合规风险损失预测值，将该合规风险损失预测值与预设阈值进行比较，当合规风险损失预测值大于或者等于预设阈值，需要输出审计预警信息，以提示审计人员重点对可能造成较高损失的该员工进行优先审计和关注，重点排查，降低合规风险及损失。
举例说明，根据公司的审计规定，将员工行为分为经济行为、信息安全行为、业务操作行为、岗位行为等，每个员工行为项下分为多个行为特征。如下表1所示的训练数据，经济行为项下有1、报销金额x1；2、出差次数x2；信息安全行为项下有1、打印文件次数x3；2、浏览内部文件次数x4；业务操作行为：1、审批业务权限x5；2、接触敏感业务x6；岗位行为：1、岗位类别x7。Y1表示员工合规风险预测值，Y＝1表示有风险，Y＝0表示没有风险，Y2表示员工合规风险损失金额预测值，单位万元。
参照图3，将历史的员工行为数据X及对应的Y1和Y2作为训练集，输入到逻辑回归模型和多元线性回归模型中进行训练，得到预设合规风险预测模型和预设员工合规风险损失预测模型。将待审计员工行为数据X输入到模型，得出该待审计员工合规风险预测值Y1和合规风险损失金额预测值Y2，当某位员工的合规风险预测值Y＝1或者损失金额预测值Y2较大时，提示审计人员重点对该员工进行审计，防范合规风险，减少损失。
表1
本实施例提出的员工行为审计方法，利用机器学习的方法建立员工合规风险损失预测模型，用于预测员工发生合规风险的可能以及带来的损失，提示审计人员重点关注相关员工的行为，有助于提高公司内控管理水平。
基于第一实施例，参照图4，提出本发明员工行为审计方法的第三实施例，在本实施例中，若所述待审计员工所在主体的各子主体分别记录各自的员工行为数据，步骤S10包括：
步骤S11，获取待审计员工和所述待审计员工的关联员工分别在子主体本地记录的员工子行为数据；
所述步骤S40包括：
步骤S41，将子主体本地合并处理后的员工行为子数据输入到目标合规风险预测模型进行合规风险预测，以确定所述待审计员工在本地的第一合规风险预测结果，其中，所述目标合规风险预测模型是由所述各子主体分别基于各自对应的样本训练集和预设权重矩阵进行多方纵向联邦训练得到；
步骤S42，基于所述第一合规风险预测结果和其他子主体反馈的第二合规风险预测结果，确定所述待审计员工的联邦合规风险预测结果。
在本实施例中，不同类型的员工行为数据在企业中归属于不同的部门系统，如经济行为数据记录在财务部门，信息行为数据记录在安全部门，业务操作行为数据记录在业务部门，岗位信息、考核评估信息等记录在人力部门等，则当待审计员工所在主体的各子主体分别记录各自的员工行为数据时，获取待审计员工及其关联员工分别在本地记录的员工行为数据并进行数据合并，将合并处理后的员工行为数据输入到目标合规风险预测模型进行合规风险预测，得到各个子主体对应的本地风险预测结果，然后将各个子主体对应的本地风险预测结果进行加权求和，得到待审计员工的合规风险预测结果。其中，待审计员工及其关联员工本地记录的员工行为数据进行合并的过程为：首先确定待审计员工和关联员工的数量总和，然后从预设权重矩阵中选取与数量总和对应的各个合规风险影响权重，再按照预设关联强度对待审计员工和关联员工进行排序，根据排序结果和选取的各个合规风险影响权重，确定待审计员工和所述关联员工分别对应的合规风险影响权重，最后根据各个员工对应的合规风险影响权重，对员工行为数据进行合并处理，得到合并处理后的员工行为数据。
进一步地，目标合规风险预测模型是由待审计员工所在主体的各子主体，分别基于各自对应的样本训练集和预设权重矩阵进行多方纵向联邦训练得到的。为了描述方便，将一个子主体作为第一子主体，其他子主体作为第二子主体，具体训练过程如下：
第一步，第一子主体与多个所述第二子主体进行加密样本对齐，以获取交集样本员工身份信息；
第二步，根据第一员工行为数据和第一本地模型，得到第一中间结果，其中，第一员工行为数据为第一子主体的交集样本员工身份信息对应的员工行为数据，第一本地模型为第一子主体的初始模型；
第三步，第一子主体基于预设可交换加密算法与多个第二子主体第一中间结果和多个第二中间结果进行加密梯度处理，得到多个第一加密梯度信息，且以供多个第二子主体得到第二加密梯度信息；第二子主体根据各自的第二加密梯度信息更新第二本地模型，其中，第二中间结果是多个第二子主体分别基于交集样本员工身份信息确定的第二员工行为数据和第二本地模型得到的，第二员工行为数据为第二子主体的交集样本员工身份信息对应的员工行为数据；
第四步，根据多个第一加密梯度信息更新第一本地模型，并基于更新后的第一本地模型和更新后的多个第二本地模型进行纵向联邦迭代训练；
第五步，当检测到迭代停止条件时纵向联邦训练结束，则第一子主体获得收敛的第一本地模型，并作为第一子主体的目标合规风险预测模型，多个第二子主体获得收敛的第二本地模型，并作为第一子主体的目标合规风险预测模型。
本实施例提出的员工行为审计方法，利用机器学习的方法建立员工合规风险损失预测模型，用于预测员工发生合规风险的可能以及带来的损失，提示审计人员重点关注相关员工的行为，有助于提高公司内控管理水平。
本发明进一步提供一种员工行为审计装置，参照图5，图5为本发明员工行为审计装置实施例的功能模块示意图。
获取模块10，用于获取待审计员工和所述待审计员工的关联员工分别对应的员工行为数据；
确定模块20，用于基于预设权重矩阵，确定所述待审计员工和所述关联员工分别对应的合规风险影响权重；
合并模块30，用于基于所述合规风险影响权重，对所述员工行为数据进行合并处理；
预测模块40，用于对合并处理后的员工行为数据进行合规风险预测，得到所述待审计员工的合规风险预测结果。
进一步地，所述确定模块20还用于：
确定所述待审计员工和所述关联员工的数量总和；
从所述预设权重矩阵中选取所述数量总和下的各个合规风险影响权重；
按照关联强度对所述待审计员工和所述关联员工进行排序；
根据排序结果和选取的各个合规风险影响权重，确定所述待审计员工和所述关联员工分别对应的合规风险影响权重。
进一步地，所述员工行为审计装置还包括：
第一采集模块，用于获取样本训练集，所述样本训练集包括样本员工和所述样本员工的关联员工分别对应的样本员工行为数据，其中，所述样本员工带有真实合规风险的标签；
合并处理模块，用于根据初始权重矩阵，对所述样本员工行为数据进行合并处理，得到合并处理后的样本员工行为数据；
训练模块，用于将所述合并处理后的样本员工行为数据输入到初始合规风险预测模型进行训练，得到所述样本员工的合规风险预测结果；
迭代模块，用于基于所述合规风险预测结果与所述真实合规风险之间的损失函数，分别更新所述初始权重矩阵和所述初始合规风险预测模型并进行迭代训练。
进一步地，预测模块40还用于：
将所述合并处理后的员工行为数据输入到预设合规风险预测模型进行合规风险预测，以确定所述待审计员工的合规风险预测结果。
进一步地，所述员工行为审计装置还包括：
损失值预测模块，用于若所述合规风险预测结果表示所述待审计员工存在合规风险，则基于所述员工行为数据和预设员工合规风险损失预测模型，确定所述待审计员工的合规风险损失预测值；
判断模块，用于所述合规风险损失预测值大于或者等于预设阈值，则输出审计预警信息。
进一步地，所述损失值预测模块还用于：
将各类型的员工行为子数据输入到预设员工合规风险损失预测模型，所述预设员工合规风险损失预测模型用于基于第二预设权重矩阵，确定所述各类型的员工行为子数据分别对应的损失影响权重，并基于所述损失影响权重和所述各类型的员工行为子数据的加权求和处理结果，确定所述待审计员工的合规风险损失预测值。
进一步地，所述获取模块10还用于：
第二采集模块，用于获取待审计员工和所述待审计员工的关联员工分别在子主体本地记录的员工子行为数据；
预测模块40还用于：
将子主体本地合并处理后的员工行为子数据输入到目标合规风险预测模型进行合规风险预测，以确定所述待审计员工在本地的第一合规风险预测结果，其中，所述目标合规风险预测模型是由所述各子主体分别基于各自对应的样本训练集和预设权重矩阵进行多方纵向联邦训练得到。
基于所述第一合规风险预测结果和其他子主体反馈的第二合规风险预测结果，确定所述待审计员工的联邦合规风险预测结果。
此外，本发明实施例还提出一种可读存储介质，所述可读存储介质上存储有员工行为审计程序和员工行为审计程序，所述员工行为审计程序和员工行为审计程序被处理器执行时实现上述各个实施例中员工行为审计方法的步骤。
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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。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、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台系统设备(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。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种员工行为审计方法，其特征在于，包括：
获取待审计员工和所述待审计员工的关联员工分别对应的员工行为数据；
基于预设权重矩阵，确定所述待审计员工和所述关联员工分别对应的合规风险影响权重，其中，所述预设权重矩阵是在训练预设合规风险预测模型时得到的，所述预设权重矩阵包括不同员工总数分别对应的各个合规风险影响权重；
基于所述合规风险影响权重，对所述员工行为数据进行合并处理；
将所述合并处理后的员工行为数据输入到预设合规风险预测模型进行合规风险预测，以确定所述待审计员工的合规风险预测结果，其中，所述预设合规风险预测模型是预先采用样本训练集进行模型训练得到的，
其中，所述方法还包括：
获取样本训练集，所述样本训练集包括样本员工和所述样本员工的关联员工分别对应的样本员工行为数据，其中，所述样本员工带有真实合规风险的标签；
根据初始权重矩阵，对所述样本员工行为数据进行合并处理，得到合并处理后的样本员工行为数据；
将所述合并处理后的样本员工行为数据输入到初始合规风险预测模型进行训练，得到所述样本员工的合规风险预测结果；
基于所述合规风险预测结果与所述真实合规风险之间的损失函数，分别更新所述初始权重矩阵和所述初始合规风险预测模型并进行迭代训练；
当迭代训练满足预设终止条件，获取所述预设权重矩阵和所述预设合规风险预测模型。
2.根据权利要求1所述的方法，其特征在于，所述基于预设权重矩阵，确定所述待审计员工和所述关联员工分别对应的合规风险影响权重，包括：
确定所述待审计员工和所述关联员工的数量总和；
从所述预设权重矩阵中选取所述数量总和下的各个合规风险影响权重；
按照关联强度对所述待审计员工和所述关联员工进行排序；
根据排序结果和选取的各个合规风险影响权重，确定所述待审计员工和所述关联员工分别对应的合规风险影响权重。
3.根据权利要求1所述的方法，其特征在于，所述将所述合并处理后的员工行为数据输入到预设合规风险预测模型进行合规风险预测，以确定所述待审计员工的合规风险预测结果之后，所述方法还包括：
若所述合规风险预测结果表示所述待审计员工存在合规风险，则基于所述员工行为数据和预设员工合规风险损失预测模型，确定所述待审计员工的合规风险损失预测值；
若所述合规风险损失预测值大于或者等于预设阈值，则输出审计预警信息。
4.根据权利要求3所述的方法，其特征在于，所述员工行为数据包括多种类型的员工行为子数据，所述基于所述员工行为数据和预设员工合规风险损失预测模型，确定所述待审计员工的合规风险损失预测值，包括：
将各类型的员工行为子数据输入到预设员工合规风险损失预测模型，所述预设员工合规风险损失预测模型用于基于第二预设权重矩阵，确定所述各类型的员工行为子数据分别对应的损失影响权重，并基于所述损失影响权重和所述各类型的员工行为子数据的加权求和处理结果，确定所述待审计员工的合规风险损失预测值。
5.根据权利要求1所述的方法，其特征在于，所述待审计员工所在主体的各子主体分别记录各自的员工行为子数据，所述获取待审计员工和所述待审计员工的关联员工分别对应的员工行为数据，包括：
获取待审计员工和所述待审计员工的关联员工分别在子主体本地记录的员工子行为数据；
所述将所述合并处理后的员工行为数据输入到预设合规风险预测模型进行合规风险预测，以确定所述待审计员工的合规风险预测结果的步骤包括：
将子主体本地合并处理后的员工行为子数据输入到目标合规风险预测模型进行合规风险预测，以确定所述待审计员工在本地的第一合规风险预测结果，其中，所述目标合规风险预测模型是由所述各子主体分别基于各自对应的样本训练集和预设权重矩阵进行多方纵向联邦训练得到；
基于所述第一合规风险预测结果和其他子主体反馈的第二合规风险预测结果，确定所述待审计员工的联邦合规风险预测结果。
6.一种员工行为审计装置，其特征在于，所述员工行为审计装置包括：
获取模块，用于获取待审计员工和所述待审计员工的关联员工分别对应的员工行为数据；
确定模块，用于基于预设权重矩阵，确定所述待审计员工和所述关联员工分别对应的合规风险影响权重，其中，所述预设权重矩阵是在训练预设合规风险预测模型时得到的，所述预设权重矩阵包括不同员工总数分别对应的各个合规风险影响权重；
合并模块，用于基于所述合规风险影响权重，对所述员工行为数据进行合并处理；
预测模块，用于将所述合并处理后的员工行为数据输入到预设合规风险预测模型进行合规风险预测，以确定所述待审计员工的合规风险预测结果，其中，所述预设合规风险预测模型是预先采用样本训练集进行模型训练得到的，
其中，所述员工行为审计装置还包括：
获取样本训练集，所述样本训练集包括样本员工和所述样本员工的关联员工分别对应的样本员工行为数据，其中，所述样本员工带有真实合规风险的标签；
根据初始权重矩阵，对所述样本员工行为数据进行合并处理，得到合并处理后的样本员工行为数据；
将所述合并处理后的样本员工行为数据输入到初始合规风险预测模型进行训练，得到所述样本员工的合规风险预测结果；
基于所述合规风险预测结果与所述真实合规风险之间的损失函数，分别更新所述初始权重矩阵和所述初始合规风险预测模型并进行迭代训练；
当迭代训练满足预设终止条件，获取所述预设权重矩阵和所述预设合规风险预测模型。
7.一种设备，其特征在于，其特征在于，所述设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的员工行为审计程序，所述员工行为审计程序被所述处理器执行时实现如权利要求1至5任一项中所述的员工行为审计方法的步骤。
8.一种可读存储介质，其特征在于，所述可读存储介质上存储有员工行为审计程序，所述员工行为审计程序被处理器执行时实现如权利要求1至5任一项所述的员工行为审计方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010617544.8A CN111754044B (zh) | 2020-06-30 | 2020-06-30 | 员工行为审计方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010617544.8A CN111754044B (zh) | 2020-06-30 | 2020-06-30 | 员工行为审计方法、装置、设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111754044A CN111754044A (zh) | 2020-10-09 |
| CN111754044B true CN111754044B (zh) | 2024-04-30 |
Family
ID=72678656
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010617544.8A Active CN111754044B (zh) | 2020-06-30 | 2020-06-30 | 员工行为审计方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111754044B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112668800A (zh) * | 2021-01-04 | 2021-04-16 | 荣联科技集团股份有限公司 | 信息处理方法、装置、介质和设备 |
| CN113535848A (zh) * | 2021-06-23 | 2021-10-22 | 国网河北省电力有限公司信息通信分公司 | 基于区块链的征信等级确定方法、装置、设备及存储介质 |
| CN113780804B (zh) * | 2021-09-09 | 2024-03-12 | 平安科技（深圳）有限公司 | 基于数据分析的员工行为风险预测方法、装置及存储介质 |
| CN113902533B (zh) * | 2021-10-11 | 2023-08-25 | 税安科技(杭州)有限公司 | 一种适用于财税领域指标自定义和自动化运行的应用方法 |
| CN114971318A (zh) * | 2022-05-31 | 2022-08-30 | 中国银行股份有限公司 | 用印风险预测方法及装置 |
| CN117251851B (zh) * | 2023-11-03 | 2024-05-14 | 广东齐思达信息科技有限公司 | 一种上网行为管理审计方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108460521A (zh) * | 2018-02-02 | 2018-08-28 | 广州供电局有限公司 | 审计对象的推荐方法和系统 |
| CN109344613A (zh) * | 2018-10-09 | 2019-02-15 | 北京北信源信息安全技术有限公司 | 应用系统操作人员行为审计预警方法及系统 |
| CN109615280A (zh) * | 2019-01-25 | 2019-04-12 | 平安科技（深圳）有限公司 | 员工数据处理方法、装置、计算机设备和存储介质 |
| CN109886554A (zh) * | 2019-01-24 | 2019-06-14 | 平安科技（深圳）有限公司 | 违规行为判别方法、装置、计算机设备和存储介质 |
| 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003532234A (ja) * | 2000-05-04 | 2003-10-28 | ゼネラル・エレクトリック・キャピタル・コーポレーション | コンプライアンスプログラムの査定方法とシステム |
-
2020
- 2020-06-30 CN CN202010617544.8A patent/CN111754044B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108460521A (zh) * | 2018-02-02 | 2018-08-28 | 广州供电局有限公司 | 审计对象的推荐方法和系统 |
| CN109344613A (zh) * | 2018-10-09 | 2019-02-15 | 北京北信源信息安全技术有限公司 | 应用系统操作人员行为审计预警方法及系统 |
| CN109886554A (zh) * | 2019-01-24 | 2019-06-14 | 平安科技（深圳）有限公司 | 违规行为判别方法、装置、计算机设备和存储介质 |
| CN109615280A (zh) * | 2019-01-25 | 2019-04-12 | 平安科技（深圳）有限公司 | 员工数据处理方法、装置、计算机设备和存储介质 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111754044A (zh) | 2020-10-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111754044B (zh) | 员工行为审计方法、装置、设备及可读存储介质 | |
| CN111383101B (zh) | 贷后风险监控方法、装置、设备及计算机可读存储介质 | |
| US10521748B2 (en) | Retention risk determiner | |
| JP2021504789A (ja) | Ｅｓｇ基盤の企業評価遂行装置及びその作動方法 | |
| CN112132233A (zh) | 一种基于有效影响因子的服刑人员危险行为预测方法及系统 | |
| CN112102073A (zh) | 信贷风险控制方法及系统、电子设备及可读存储介质 | |
| CN112633962B (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
| CN112561685B (zh) | 客户的分类方法和装置 | |
| CN110688536A (zh) | 一种标签预测方法、装置、设备和存储介质 | |
| CN114997607A (zh) | 一种基于工程检测数据的异常评估预警方法及系统 | |
| Conley et al. | Estimating dynamic local interactions models | |
| CN112948823A (zh) | 一种数据泄露风险评估方法 | |
| CN113656808A (zh) | 数据安全评估方法、装置、设备及存储介质 | |
| CN112990583A (zh) | 一种数据预测模型的入模特征确定方法及设备 | |
| CN105262719B (zh) | 一种Web环境下用户行为的信任评估方法 | |
| CN113807728A (zh) | 基于神经网络的绩效考核方法、装置、设备及存储介质 | |
| CN114548118A (zh) | 一种服务对话检测方法及系统 | |
| CN113095647A (zh) | 一种车辆审查系统 | |
| CN115099934A (zh) | 一种高潜客户识别方法、电子设备和存储介质 | |
| Tsai et al. | Simulation optimization in security screening systems subject to budget and waiting time constraints | |
| CN112712270B (zh) | 信息处理方法、装置、设备及存储介质 | |
| WO2021129368A1 (zh) | 一种客户类型的确定方法及装置 | |
| CN114418018A (zh) | 模型性能评估方法、装置、设备与存储介质 | |
| CN115293867A (zh) | 财务报销用户画像优化方法、装置、设备及存储介质 | |
| CN116957770A (zh) | 一种识别金融欺诈的方法及装置 |
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 |