CN111768286B - 风险预测方法、装置、设备及存储介质 - Google Patents
风险预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111768286B CN111768286B CN202010408301.3A CN202010408301A CN111768286B CN 111768286 B CN111768286 B CN 111768286B CN 202010408301 A CN202010408301 A CN 202010408301A CN 111768286 B CN111768286 B CN 111768286B
- Authority
- CN
- China
- Prior art keywords
- user
- sample
- execution probability
- face image
- execution
- 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
- 230000000007 visual effect Effects 0.000 claims abstract description 76
- 230000006399 behavior Effects 0.000 claims description 129
- 238000012549 training Methods 0.000 claims description 56
- 230000010354 integration Effects 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 description 17
- 238000012795 verification Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 230000009471 action Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012512 characterization method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000011521 glass Substances 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003370 grooming effect Effects 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 230000037308 hair color Effects 0.000 description 1
- 239000000118 hair dye Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
Abstract
本申请实施例涉及一种风险预测方法、装置、设备及存储介质,旨在提高风险预测的准确度。其中,所述风险预测方法包括:获得用户的人脸图像;基于所述人脸图像预测所述用户的第一执行概率,所述第一执行概率表征所述用户执行目标行为的概率;提取所述人脸图像的视觉特征,并基于所述视觉特征预测所述用户的第二执行概率,所述第二执行概率表征所述用户执行所述目标行为的概率;根据所述第一执行概率和所述第二执行概率,获得所述用户执行所述目标行为的风险预测结果。本申请中,从全局人脸图像和视觉特征这两个角度对用户行为进行风险预测,有利于提高风险预测的准确度。
Description
技术领域
本申请实施例涉及图像处理技术领域,具体而言,涉及一种风险预测方法、装置、设备及存储介质。
背景技术
近年来,随着互联网、大数据和云计算等技术的发展,以及线上、线下活动的日益丰富,考虑到大部分活动的各个参与方之间通常存在利益关系,因此在活动正式开展之前进行风险预测越来越成为一种为保障活动各方权益的重要技术手段。以金融行业为例,传统金融与互联网、移动互联网、大数据和云计算等技术的结合,互联网金融应运而生并得以发展。互联网金融是一个广义的概念,其包括但不限于:投资业务、借贷业务、电子支付业务、保险业务等。
在线上或线下开展互联网金融业务期间,通常需要执行签约、身份验证等流程。为便于理解,以线上借贷业务为例。在线上借贷时,为了验证借贷者的身份,借贷平台要求借贷者上传身份证信息并拍摄人脸图像,在拍摄的人脸图像与身份证信息对应的身份证照片共同指向同一人的情况下,确定借贷者身份验证通过。此外,借贷平台还需要向用户提供预先拟定的约定事项,例如还款日期、借贷利息等约定事项,供借贷者进行签约。
其中,互联网金融企业和平台在客户签约时,通常会尝试对客户是否能履行合同进行预测(或者对用户是否会违约的风险进行预测),但是目前的风险预测方法的技术手段简单,或者所依赖的用户数据难以搜集,导致风险预测准确度偏低,对业务开展造成影响。
发明内容
本申请实施例提供一种风险预测方法、装置、设备及存储介质,旨在提高风险预测的准确度。
本申请实施例第一方面提供一种风险预测方法,所述方法包括:
获得用户的人脸图像;
基于所述人脸图像预测所述用户的第一执行概率,所述第一执行概率表征所述用户执行目标行为的概率;
提取所述人脸图像的视觉特征,并基于所述视觉特征预测所述用户的第二执行概率,所述第二执行概率表征所述用户执行所述目标行为的概率;
根据所述第一执行概率和所述第二执行概率,获得所述用户执行所述目标行为的风险预测结果。
本申请实施例第二方面提供一种风险预测装置,所述装置包括:
人脸图像获得模块,用于获得用户的人脸图像;
第一预测模块,用于基于所述人脸图像预测所述用户的第一执行概率,所述第一执行概率表征所述用户执行目标行为的概率;
第二预测模块,用于提取所述人脸图像的视觉特征,并基于所述视觉特征预测所述用户的第二执行概率,所述第二执行概率表征所述用户执行所述目标行为的概率;
综合预测模块,用于根据所述第一执行概率和所述第二执行概率,获得所述用户执行所述目标行为的风险预测结果。
本申请实施例第三方面提供一种可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,实现如本申请实施例第一方面所述的风险预测方法中的步骤。
本申请实施例第四方面提供一种电子设备,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,所述处理器执行所述计算机程序时,实现本申请第一方面所述的风险预测方法的步骤。
本申请提供的风险预测方法基于图片数据对用户能否执行目标行为进行风险预测。具体地,一方面根据整个人脸图像,从全局人脸图像的角度预测用户的第一执行概率,即用户执行目标行为的第一概率。另一方面根据从人脸图像中提取的视觉特征,从视觉特征的角度预测用户的第二执行概率,即用户执行目标行为的第二概率。最后通过整合第一执行概率和第二执行概率,以获得用户执行目标行为的风险预测结果。本申请中,由于用户的人脸图像易于获取,为风险预测提供了充分的数据支持,因此有利于提高风险预测的准确度。并且本申请从全局人脸图像和视觉特征这两个角度对用户能否执行目标行为进行风险预测,实现了风险的多维度预测,因此也有利于提高风险预测的准确度。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实施例提出的风险预测方法的流程图;
图2是本申请一实施例提出的风险预测方法的示意图;
图3是本申请一实施例提出的第一预测模型的训练方式示意图;
图4是本申请一实施例提出的第二预测模型的训练方式示意图;
图5是本申请一实施例提出的预测结果整合模型的训练方式示意图;
图6是本申请一实施例提出的风险预测装置的示意图。
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。
随着线上、线下活动的日益丰富,考虑到大部分活动的各个参与方之间通常存在利益关系,因此在活动正式开展之前进行风险预测越来越成为一种为保障活动各方权益的重要技术手段。以互联网金融行业为例,互联网金融企业和平台在客户签约时,通常会尝试对客户是否能履行合同进行预测(或者对用户是否会违约的风险进行预测),但是目前的风险预测方法的技术手段简单,或者所依赖的用户数据难以搜集,导致风险预测准确度偏低,对业务开展造成影响。
有鉴于此,本申请通过一个或多个实施例提出风险预测方法、装置、设备及存储介质,旨在提高风险预测的准确度。参考图1,图1是本申请一实施例提出的风险预测方法的流程图。如图1所示,该方法包括以下步骤:
步骤S11:获得用户的人脸图像。
其中,用户的人脸图像是指包括用户人脸的图像。示例地,用户肩部以上图像、上半身图像、全身图像等均可视为用户的人脸图像。
本申请在具体实现时,可以获取用户在约定执行目标行为期间所拍摄的人脸图像。以金融行业的签约过程为例,金融行业的签约过程即是一种约定执行目标行为的过程。其中,所述目标行为即是:在合同中承诺履行的行为,例如按期还款行为、抵押行为等等。示例地,在用户到店办理业务和签约期间,金融企业可借助门店的摄像装置拍摄用户的人脸图像,从而获得用户的人脸图像。或者示例地,在用户利用移动终端在线办理业务和签约期间,移动终端拍摄用户的人脸图像,并将拍摄的人脸图像发送给金融企业或金融平台,金融企业或金融平台即获得用户的人脸图像。
本申请中,通过获取用户在约定执行目标行为期间所拍摄的人脸图像,由于该人脸图像是截止签约时刻,该用户的最新人脸图像。相比于历史人脸图像,该人脸图像具有更高的时效性,该人脸图像更能反映该用户的最新人物特征。因此利用在签约期间的拍摄的人脸图像进行风险预测(即下述步骤S12至步骤S14),可以进一步提高预测准确度。
需要说明的是,本申请在具体实现时,也可以获得用户在签约之前的历史人脸图像,然后基于该历史人脸图像进行风险预测(即下述步骤S12至步骤S14)。
考虑到获得的人脸图像可能存在一些不规范的特点,例如图像中的人脸存在倾斜、图像中的人脸不是完全的正脸、图像存在黑边等。为了进一步提高风险预测的准确度,在一些实施例中,可以对人脸图像进行预处理。例如对人脸图像中的人脸进行转正处理,和/或,对人脸图像中的黑边进行剪裁处理,从而进一步提高预测准确度。
步骤S12:基于所述人脸图像预测所述用户的第一执行概率,所述第一执行概率表征所述用户执行目标行为的概率。
需要说明的是,本申请中,执行目标行为和不执行目标行为是两个互斥事件(也称对立事件),用户执行目标行为的概率与用户不执行目标行为的概率的加和等于1。因此本申请中预测用户执行目标行为的概率,可简单替换为,预测用户不执行目标行为的概率。进而可知,预测用户不执行目标行为的概率也因落入本申请的保护范围。上述陈述针对下文中内容也适用,为避免重复,下文中不再赘述。
在本申请的一些实施例中,第一执行概率可以是介于0到1之间的数值,第一执行概率的数值越接近于1,表征用户将来越可能执行目标行为,第一执行概率的数值越接近于0,表征用户将来越不可能执行目标行为。在本申请的另一些实施例中,第一执行概率也可以是0或者1,如果第一执行概率的数值等于0,则预测该用户将来不会执行目标行为,如果第一执行概率的数值等于1,则预测该用户将来会执行目标行为。可见本申请中,第一执行概率是一种广义的概念。
参考图2,图2是本申请一实施例提出的风险预测方法的示意图。如图2所示,本申请在具体实现时,可以利用第一预测模型预测用户的第一执行概率,该第一预测模型是以样本用户的样本人脸图像以及样本用户的执行标签为训练数据,对第一预设模型进行训练后得到的模型。其中,样本用户的执行标签表征:样本用户是否执行了目标行为。如此,第一预测模型具有以下能力:基于用户人脸图像,输出概率值,该概率值表征该用户执行目标行为的概率。
如图2所示,在获得用户的人脸图像并对人脸图像进行预处理后,可以将人脸图像输入第一预测模型,以预测用户的第一执行概率。具体地,将用户的人脸图像输入第一预测模型,得到第一预测模型输出的概率值,将第一预测模型输出的概率值作为用户的第一执行概率。
需要说明的是,实施本申请的企业或平台可以自行对第一预设模型进行训练,从而获得第一预测模型。也可以借用其他企业向其提供的第一预测模型,而不必自行对第一预设模型进行训练以获得第一预测模型。本申请将通过后续实施例介绍第一预测模型的训练方式,本申请在此暂不对其赘述。
步骤S13:提取所述人脸图像的视觉特征,并基于所述视觉特征预测所述用户的第二执行概率,所述第二执行概率表征所述用户执行所述目标行为的概率。
在本申请的一些实施例中,第二执行概率可以是介于0到1之间的数值,第二执行概率的数值越接近于1,表征用户将来越可能执行目标行为,第二执行概率的数值越接近于0,表征用户将来越不可能执行目标行为。在本申请的另一些实施例中,第二执行概率也可以是0或者1,如果第二执行概率的数值等于0,则预测该用户将来不会执行目标行为,如果第二执行概率的数值等于1,则预测该用户将来会执行目标行为。可见本申请中,第二执行概率是一种广义的概念。
其中,视觉特征包括以下至少一者:相貌特征、装扮特征、衣着特征。示例地,相貌特征包括但不限于以下几者中的一种或多种:年龄、性别、头发长短、是否染发、是否纹身、微笑程度等。示例地,装扮特征包括但不限于以下几者中的一种或多种:是否戴眼镜、是否戴帽子、是否戴项链、是否戴耳环等。示例地,衣着特征包括但不限于以下几者中的一种或多种:衣领长度、衣着花纹复杂程度、袖口长度、是否裸露肚脐等。
本申请具体实现时,可以采用已有的多个视觉特征提取模型,例如微笑程度识别模型、纹身检测模型等,对人脸图像中的视觉特征进行提取。示例地,利用已有的微笑程度识别模型提取人脸图片中的微笑程度值,利用已有的纹身检测模型识别人脸图片中是否包含纹身。此外,也可以预先训练获得视觉特征提取模型,然后利用训练获得的视觉特征提取模型,对人脸图像中的视觉特征进行提取。
或者本申请具体实现时,也可以人工地对视觉特征进行提取,例如通过观察用户的人脸图像,确定用户年龄、性别、头发长短、是否染发、是否纹身、微笑程度、是否戴眼镜、是否戴帽子、是否戴项链、是否戴耳环、衣领长度、衣着花纹复杂程度、袖口长度、是否裸露肚脐等。
需要说明的是,本申请对提取视觉特征的具体方式不做限定。
本申请中,从用户人脸图像中提取的视觉特征可以以向量的形式表示。为便于理解,示例地,针对每一位执行签约流程的用户,需要从该用户的人脸图像中依次提取:年龄、性别、头发长短、是否染发、是否纹身、微笑程度、是否戴眼镜、是否戴帽子、是否戴项链、是否戴耳环、衣领长度、衣着花纹复杂程度、袖口长度、是否裸露肚脐等视觉特征。
假设从某一用户的人脸图像中提取的视觉特征向量表示如下[35,1,0,0,0,1,1,0,0,0,0,0,1,0],其中第一个向量值35表征该用户的年龄大约为35岁,第二个向量值1表征该用户的性别为男性,第三个向量值0表征该用户的头发为短发,第四个向量值0表征该用户没有染发,第五个向量值0表征该用户没有纹身,第六个向量值1表征该用户面带微笑,第七个向量值1表征该用户佩戴眼镜,第八个向量值0表征该用户没有带帽,第九个向量值0表征该用户没有戴项链,第十个向量值0表征该用户没有戴耳环,第十一个向量值0表征该用户的衣领长度偏短,第十二个向量值0表征该用户的衣着花纹简单,第十三个向量值1表征该用户的袖口偏长,第十四个向量值0表征该用户没有裸露肚脐。
如图2所示,本申请在具体实现时,可以利用第二预测模型预测用户的第二执行概率,该第二预测模型是以样本用户的样本人脸图像中的视觉特征以及样本用户的执行标签为训练数据,对第二预设模型进行训练后得到的模型。其中,样本用户的执行标签表征:样本用户是否执行了目标行为。如此,第二预测模型具有以下能力:基于用户人脸图像的视觉特征,输出概率值,该概率值表征该用户执行目标行为的概率。
如图2所示,在获得用户的人脸图像,并从该人脸图像中提取出视觉特征之后,将该视觉特征输入第二预测模型,以预测该用户的第二执行概率。具体地,将从用户人脸图像中提取的视觉特征输入第二预测模型,得到第二预测模型输出的概率值,将第二预测模型输出的概率值作为用户的第二执行概率。
需要说明的是,实施本申请的企业或平台可以自行对第二预设模型进行训练,从而获得第二预测模型。也可以借用其他企业向其提供的第二预测模型,而不必自行对第二预设模型进行训练以获得第二预测模型。本申请将通过后续实施例介绍第二预测模型的训练方式,本申请在此暂不对其赘述。
步骤S14:根据所述第一执行概率和所述第二执行概率,获得所述用户执行所述目标行为的风险预测结果。
本申请通过整合用户的第一执行概率和第二执行概率,最终获得用户执行目标行为的风险预测结果。其中,风险预测结果可以是表征可能性的数值,例如风险预测结果可以是介于0到1之间的小数,风险预测结果越接近于1,表示用户将来越可能执行目标行为,风险预测结果越接近于0,表示用户将来越不可能执行目标行为。或者,风险预测结果也可以是二分类结果,例如风险预测结果可以是0或1这样的整数,如果风险预测结果等于1,则表示用户将来会执行目标行为,如果风险预测结果等于0,表示用户将来不会执行目标行为。
本申请在具体实现时,可以根据所述第一执行概率、所述第二执行概率以及两者各自的预设权重,确定所述用户执行所述目标行为的风险预测结果。具体地,可以将根据第一执行概率、第二执行概率以及两者各自的预设权重,计算第一执行概率和第二执行概率的加权平均值,最终将计算出的加权平均值确定为用户执行目标行为的风险预测结果。为便于理解,假设第一执行概率的预设权重等于0.3,第二执行概率的预设权重等于0.7。如果某一用户的第一执行概率为0.72,该用户的第二执行概率为0.56,则该用户执行目标行为的风险预测结果等于0.3×0.72+0.7×0.56,即0.61。
其中,第一执行概率和第二执行概率各自的预设权重可以通过人工确定。示例地,可以针对多个样本用户中的每个样本用户,首先预测该样本用户的第一执行概率和第二执行概率,然后根据该样本用户实际是否执行目标行为的情况,确定第一执行概率和第二执行概率两种中谁更准确。例如该样本用户的第一执行概率等于0.62,第二执行概率等于0.88,如果该样本用户实际执行目标行为了,则确定第二执行概率更准确。通过对多个样本用户执行上述过程,最终可以综合确定第一执行概率和第二执行概率中谁更准确。如此,针对更准确的一者设置偏大的权重,针对另一者设置偏小的权重。
如图2所示,本申请在具体实现时,也可以利用预测结果整合模型预测用户执行目标行为的风险预测结果,该预测结果整合模型是以样本用户的第一执行概率和第二执行概率以及样本用户的执行标签为训练数据,对第三预设模型进行训练后得到的模型。其中,所述样本用户的第一执行概率是:基于样本用户的样本人脸图像而预测的样本用户执行所述目标行为的概率,所述样本用户的第二执行概率是:基于样本用户的样本人脸图像中的视觉特征而预测的样本用户执行所述目标行为的概率,所述样本用户的执行标签表征:样本用户是否执行了所述目标行为。如此,预测结果整合模型具有以下能力:基于用户的第一执行概率和第二执行概率,输出用户执行目标行为的风险预测结果。
如图2所示,在预测出用户的第一执行概率和第二执行概率后,可以将所述第一执行概率和所述第二执行概率输入预测结果整合模型,以预测所述用户执行目标行为的风险预测结果。具体地,将用户的第一执行概率和第二执行概率输入预测结果整合模型,得到预测结果整合模型输出的数值,将预测结果整合模型输出的数值作为用户执行目标行为的风险预测结果。
本申请将通过后续实施例介绍预测结果整合模型的训练方式,本申请在此暂不对其赘述。
通过执行上述包含步骤S11至步骤S14的风险预测方法,基于图片数据对用户能否执行目标行为进行风险预测。具体地,一方面根据整个人脸图像,从全局人脸图像的角度预测用户的第一执行概率,即用户执行目标行为的第一概率。另一方面根据从人脸图像中提取的视觉特征,从视觉特征的角度预测用户的第二执行概率,即用户执行目标行为的第二概率。最后通过整合第一执行概率和第二执行概率,以获得用户执行目标行为的风险预测结果。本申请中,由于用户的人脸图像易于获取,为风险预测提供了充分的数据支持,因此有利于提高风险预测的准确度。并且本申请从全局人脸图像和视觉特征这两个角度对用户能否执行目标行为进行风险预测,实现了风险的多维度预测,因此也有利于提高风险预测的准确度。
参考图3,图3是本申请一实施例提出的第一预测模型的训练方式示意图。如图3所示,第一预测模型的训练方式包括以下步骤:
步骤S31:获得样本用户在约定执行所述目标行为时拍摄的历史人脸图像,并将该历史人脸图像作为样本人脸图像。
其中,样本用户在约定执行所述目标行为时拍摄的历史人脸图像可以是:样本用户在签约时拍摄的用于比对身份证照片的人脸验证图像。如本申请背景技术部分所述内容,在金融领域,在为用户办理金融业务期间,通常会拍摄用户的人脸图像,作为人脸验证图像。然后将人脸验证图像会与身份证照片比对,从而对用户进行身份验证。如果将本申请应用至金融领域,则上述步骤S31中样本用户的历史人脸图像,即可以是样本用户在办理金融业务期间被拍摄的人脸验证图像。换言之,将样本用户在办理金融业务期间被拍摄的人脸验证图像作为样本用户的样本人脸图像。
在本申请的一些实施例中,样本用户可能先后办理过多次金融业务,样本用户先后被拍摄了多张人脸验证图像,在执行上述步骤S31时,可以从该样本用户的多张人脸验证图像中,获取最新的人脸验证图像,作为该样本用户的样本人脸图像。
步骤S32:获得预先为所述样本人脸图像标记的执行标签,所述执行标签表征所述样本人脸图像对应的样本用户实际是否执行了所述目标行为。
其中,该执行标签具体是表征:样本人脸图像对应的样本用户,针对拍摄该样本人脸图像期间所约定的目标行为,实际是否执行了该目标行为。为便于理解,假设在上述步骤S31中,获得了样本用户在2019年12月20日办理借贷业务时拍摄的人脸图像,作为样本人脸图像。则在上述步骤S32中获得的执行标签,用于表征样本用户针对2019年12月20日签订的借贷约定是否执行了按期还款的行为。
步骤S33:基于携带执行标签的样本人脸图像,对第一预设模型进行训练。
其中,第一预设模型可选用深度学习模型,例如MobileNet(一种针对手机等嵌入式设备提出的一种轻量级的深层神经网络)、VGG-Net、ResNet(Residual Network;残差网络)等。需要说明的是,本申请对深度学习模型的具体网络结构不做限定。
在训练第一预设模型时,示例地,将样本人脸图像输入第一预设模型,第一预设模型针对该样本人脸图像输出执行概率,根据该执行概率和执行标签确定损失值,然后根据该损失值更新第一预设模型的模型参数。其中在确定损失值时,执行概率与执行标签之间的差距越大,损失值越大。示例地,具体实现时,可以将执行概率与执行标签之间的差距值作为损失值。为便于理解,假设第一预设模型针对样本人脸图像输出的执行概率等于0.75,而该样本人脸图像的执行标签为0(即该样本人脸图像对应的样本用户实际没有执行目标行为),则损失值等于0.75-0,即0.75。
步骤S34:将经过多次训练的第一预设模型确定为所述第一预测模型。
具体实现时,通过多次执上述步骤S31至步骤S33,在执行次数达到预设次数,或者第一预设模型的预测准确率达到预设要求时,停止执行步骤S31至步骤S33,将此时的第一预设模型确定为第一预测模型。
参考图4,图4是本申请一实施例提出的第二预测模型的训练方式示意图。如图4所示,第二预测模型的训练方式包括以下步骤:
步骤S41:获得样本用户在约定执行所述目标行为时拍摄的历史人脸图像,并将该历史人脸图像作为样本人脸图像,以及提取所述样本人脸图像的视觉特征,作为样本视觉特征。
其中,样本用户在约定执行所述目标行为时拍摄的历史人脸图像可以是:样本用户在签约时拍摄的用于比对身份证照片的人脸验证图像。如本申请背景技术部分所述内容,在金融领域,在为用户办理金融业务期间,通常会拍摄用户的人脸图像,作为人脸验证图像。然后将人脸验证图像会与身份证照片比对,从而对用户进行身份验证。如果将本申请应用至金融领域,则上述步骤S41中样本用户的历史人脸图像,即可以是样本用户在办理金融业务期间被拍摄的人脸验证图像。换言之,将样本用户在办理金融业务期间被拍摄的人脸验证图像作为样本用户的样本人脸图像。
其中,视觉特征包括但不限于相貌特征、装扮特征、衣着特征。针对相貌特征、装扮特征、衣着特征等的解释和示例,以及针对视觉特征的提取方式,可参考上文,此处不做赘述。
步骤S42:获得预先为所述样本视觉特征标记的执行标签,所述执行标签表征所述样本人脸图像对应的样本用户实际是否执行了所述目标行为。
其中,该执行标签具体是表征:样本人脸图像对应的样本用户,针对拍摄该样本人脸图像期间所约定的目标行为,实际是否执行了该目标行为。为便于理解,假设在上述步骤S41中,获得了样本用户在2019年12月20日办理借贷业务时拍摄的人脸图像,作为样本人脸图像。则在上述步骤S42中获得的执行标签,用于表征样本用户针对2019年12月20日签订的借贷约定是否执行了按期还款的行为。
步骤S43:基于携带执行标签的样本视觉特征,对第二预设模型进行训练。
其中,第二预设模型可选用机器学习模型,例如随机森林模型、梯度提升决策树模型、XGBoost(一套提升树可扩展的机器学习系统)、开源模型LightGBM。需要说明的是,本申请对机器学习模型的具体网络结构不做限定。
在训练第二预设模型时,示例地,将样本人脸图像的样本视觉特征输入第二预设模型,第二预设模型针对该样本视觉特征输出执行概率,根据该执行概率和执行标签确定损失值,然后根据该损失值更新第二预设模型的模型参数。其中在确定损失值时,执行概率与执行标签之间的差距越大,损失值越大。示例地,具体实现时,可以将执行概率与执行标签之间的差距值作为损失值。为便于理解,假设第二预设模型针对样本人脸图像输出的执行概率等于0.21,而该样本视觉特征的执行标签为0(即样本人脸图像对应的样本用户实际没有执行目标行为),则损失值等于0.21-0,即0.21。
步骤S44:将经过多次训练的第二预设模型确定为所述第二预测模型。
具体实现时,通过多次执上述步骤S41至步骤S43,在执行次数达到预设次数,或者第二预设模型的预测准确率达到预设要求时,停止执行步骤S41至步骤S43,将此时的第二预设模型确定为第二预测模型。
参考图5,图5是本申请一实施例提出的预测结果整合模型的训练方式示意图。如图5所示,预测结果整合模型的训练方式包括以下步骤:
步骤S51:获得样本用户在约定执行所述目标行为时拍摄的历史人脸图像,并将该历史人脸图像作为样本人脸图像,以及将所述样本人脸图像输入预先训练的第一预测模型,得到所述第一预测模型输出的第一执行概率。
其中,第一预测模型可以是通过图3所示方式所训练得到的模型。为便于理解,示例地,在执行步骤S51时,获得了样本用户在2020年1月15日办理借贷业务时拍摄的历史人脸图像,作为样本人脸图像。将该样本人脸图像输入第一预测模型,得到第一预测模型输出的第一执行概率。其中,第一执行概率表征:该样本用户履行了上述借贷业务的借贷合同的可能性。
步骤S52:提取所述样本人脸图像的视觉特征,作为样本视觉特征,并将所述样本视觉特征输入预先训练的第二预测模型,得到所述第二预测模型输出的第二执行概率。
其中,第二预测模型可以是通过图4所示方式所训练得到的模型。在执行上述步骤S52时,沿用上述示例,从步骤S51所获取的样本人脸图像中提取视觉特征,作为样本视觉特征。并将提取的样本视觉特征输入预先训练的第二预测模型,得到第二预测模型输出的第二执行概率。其中,第二执行概率表征:样本用户履行了上述借贷业务的借贷合同的可能性。
步骤S53:将所述第一执行概率、所述第二执行概率以及所述样本用户的执行标签作为训练数据,对第三预设模型进行训练。
其中,该执行标签具体是表征:样本人脸图像对应的样本用户,针对拍摄该样本人脸图像期间所约定的目标行为,实际是否执行该目标行为。为便于理解,沿用上述示例,步骤S53中的执行标签是样本用户针对上述借贷业务中的借贷合同实际是否履行的情况。
其中,第三预测模型可以选用逻辑回归模型,需要说明的是,本申请对第三预测模型的具体网络结构不做限定。
在训练第三预设模型时,示例地,将第一执行概率和第二执行概率输入第三预设模型,第三预设模型针对该第一执行概率和第二执行概率输出样本用户执行目标行为的风险预测结果,根据该风险预测结果和执行标签确定损失值,然后根据该损失值更新第三预设模型的模型参数。其中在确定损失值时,风险预测结果与执行标签之间的差距越大,损失值越大。具体实现时,可以将风险预测结果与执行标签之间的差距值作为损失值。为便于理解,假设第三预设模型针对第一执行概率和第二执行概率输出的风险预测结果等于0.18,而该样本用户的执行标签为0,则损失值等于0.18-0,即0.18。
步骤S54:将经过多次训练的第三预设模型确定为所述预测结果整合模型。
具体实现时,通过多次执上述步骤S51至步骤S53,在执行次数达到预设次数,或者第三预设模型的预测准确率达到预设要求时,停止执行步骤S51至步骤S53,将此时的第三预设模型确定为预测结果整合模型。
申请人进一步考虑到,相关技术在根据用户的历史行为信息预测用户的执行风险时,由于用户的各条历史行为信息之间的相关性较强,仅利用历史行为信息进行执行风险预测时,用于预测的信息维度偏低,也容易导致预测准确度偏低。
为此,在本申请的一些实施例中,在根据第一执行概率和第二执行概率,获得用户执行目标行为的风险预测结果之前(即执行上述步骤S14之前),还可以获得用户的基础信息和/或历史行为信息,并基于所述基础信息和/或历史行为信息,预测所述用户的第三执行概率。
示例地,用户基础信息包括但不限于以下几者中的一种或多种:用户学历、用户工作类别、用户居住地、用户户口所在地等。用户历史行为信息包括但不限于以下几者中的一种或多种:用户开展互联网金融业务的历史记录、用户历史违约记录等。
本申请在具体实现时,可以通过现有的任一方式,基于基础信息和/或历史行为信息,预测所述用户的第三执行概率。需要说明的是,本申请对第三执行概率的具体计算方式不做限定。示例地,可以将基础信息和/或历史行为信息转换为词向量,然后将该词向量输入预先训练的第三预测模型。其中,第三预测模型是以样本用户的样本基础信息和/或样本历史行为信息、以及样本用户的执行标签为训练数据,对预设模型进行训练后得到的模型。
在获得第一执行概率、第二执行概率以及第三执行概率之后,在执行上述步骤S14时,具体地,可以根据所述第一执行概率、所述第二执行概率以及所述第三执行概率,获得所述用户执行所述目标行为的风险预测结果。
本申请在具体实现时,为了根据第一执行概率、第二执行概率以及第三执行概率获得风险预测结果,具体可以根据第一执行概率、第二执行概率、第三执行概率以及三者各自的预设权重,计算风险预测结果。
或者,本申请在具体实现时,为了根据第一执行概率、第二执行概率以及第三执行概率获得风险预测结果,具体可以将第一执行概率、第二执行概率以及第三执行概率输入预测结果整合模型,以获得风险预测结果。
其中,预测结果整合模型是以样本用户的第一执行概率、第二执行概率、第三执行概率以及样本用户的执行标签为训练数据,对预设模型进行训练后得到的模型。所述样本用户的第一执行概率是:基于样本用户的样本人脸图像而预测的样本用户执行目标行为的概率,所述样本用户的第二执行概率是:基于样本用户的样本人脸图像中的视觉特征而预测的样本用户执行目标行为的概率,所述样本用户的第三执行概率是:基于样本用户的基础信息和/或历史行为信息而预测的样本用户执行目标行为的概率。
基于同一发明构思,本申请一实施例提供一种风险预测装置。参考图6,图6是本申请一实施例提出的风险预测装置的示意图。如图6所示,该装置包括:
人脸图像获得模块61,用于获得用户的人脸图像;
第一预测模块62,用于基于所述人脸图像预测所述用户的第一执行概率,所述第一执行概率表征所述用户执行目标行为的概率;
第二预测模块63,用于提取所述人脸图像的视觉特征,并基于所述视觉特征预测所述用户的第二执行概率,所述第二执行概率表征所述用户执行所述目标行为的概率;
综合预测模块64,用于根据所述第一执行概率和所述第二执行概率,获得所述用户执行所述目标行为的风险预测结果。
可选地,所述综合预测模块64具体用于:根据所述第一执行概率、所述第二执行概率以及两者各自的预设权重,确定所述用户执行所述目标行为的风险预测结果。
或者可选地,所述综合预测模块64具体用于:将所述第一执行概率和所述第二执行概率输入预测结果整合模型,以预测所述用户执行所述目标行为的风险预测结果;
其中,所述预测结果整合模型是以样本用户的第一执行概率和第二执行概率以及样本用户的执行标签为训练数据,对第三预设模型进行训练后得到的模型,所述样本用户的第一执行概率是:基于样本用户的样本人脸图像而预测的样本用户执行所述目标行为的概率,所述样本用户的第二执行概率是:基于样本用户的样本人脸图像中的视觉特征而预测的样本用户执行所述目标行为的概率,所述样本用户的执行标签表征:样本用户是否执行了所述目标行为。
可选地,所述第一预测模块62具体用于:将所述人脸图像输入第一预测模型,以预测所述用户的第一执行概率;
其中,所述第一预测模型是以样本用户的样本人脸图像以及样本用户的执行标签为训练数据,对第一预设模型进行训练后得到的模型。
可选地,所述装置还包括:
第一训练模块,用于获得样本用户在约定执行所述目标行为时拍摄的历史人脸图像,并将该历史人脸图像作为样本人脸图像;获得预先为所述样本人脸图像标记的执行标签,所述执行标签表征所述样本人脸图像对应的样本用户实际是否执行了所述目标行为;基于携带执行标签的样本人脸图像,对第一预设模型进行训练;将经过多次训练的第一预设模型确定为所述第一预测模型。
可选地,所述第二预测模块63具体用于:将所述视觉特征输入第二预测模型,以预测所述用户的第二执行概率;
其中,所述第二预测模型是以样本用户的样本人脸图像中的视觉特征以及样本用户的执行标签为训练数据,对第二预设模型进行训练后得到的模型。
可选地,所述装置还包括:
第二训练模块,用于获得样本用户在约定执行所述目标行为时拍摄的历史人脸图像,并将该历史人脸图像作为样本人脸图像,以及提取所述样本人脸图像的视觉特征,作为样本视觉特征;获得预先为所述样本视觉特征标记的执行标签,所述执行标签表征所述样本人脸图像对应的样本用户实际是否执行了所述目标行为;基于携带执行标签的样本视觉特征,对第二预设模型进行训练;将经过多次训练的第二预设模型确定为所述第二预测模型。
可选地,所述装置还包括:
第三训练模块,用于获得样本用户在约定执行所述目标行为时拍摄的历史人脸图像,并将该历史人脸图像作为样本人脸图像,以及将所述样本人脸图像输入预先训练的第一预测模型,得到所述第一预测模型输出的第一执行概率;提取所述样本人脸图像的视觉特征,作为样本视觉特征,并将所述样本视觉特征输入预先训练的第二预测模型,得到所述第二预测模型输出的第二执行概率;将所述第一执行概率、所述第二执行概率以及所述样本用户的执行标签作为训练数据,对第三预设模型进行训练;将经过多次训练的第三预设模型确定为所述预测结果整合模型。
可选地,所述视觉特征包括以下至少一者:相貌特征、装扮特征、衣着特征。
可选地,所述装置还包括:
第三预测模块,用于获得用户的基础信息和/或历史行为信息,并基于所述基础信息和/或历史行为信息,预测所述用户的第三执行概率;
所述综合预测模块64具体用于:根据所述第一执行概率、所述第二执行概率以及所述第三执行概率,获得所述用户执行所述目标行为的风险预测结果。
基于同一发明构思,本申请另一实施例提供一种可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请上述任一实施例所述的风险预测方法中的步骤。
基于同一发明构思,本申请另一实施例提供一种电子设备,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,所述处理器执行时实现本申请上述任一实施例所述的风险预测方法中的步骤。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本申请实施例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,本申请实施例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。
本申请实施例是参照根据本申请实施例的方法、终端设备(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终端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终端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终端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终端设备上,使得在计算机或其他可编程终端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终端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。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种风险预测方法、装置、设备及存储介质,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (11)
1.一种风险预测方法,其特征在于,所述方法包括:
获得用户的人脸图像;
将所述人脸图像输入第一预测模型,得到所述用户的第一执行概率,所述第一执行概率表征所述用户执行目标行为的概率;
提取所述人脸图像的视觉特征,并将所述视觉特征输入第二预测模型,得到所述用户的第二执行概率,所述第二执行概率表征所述用户执行所述目标行为的概率;其中,所述视觉特征包括以下至少一者:相貌特征、装扮特征、衣着特征;
根据所述第一执行概率和所述第二执行概率,获得所述用户执行所述目标行为的风险预测结果;
所述根据所述第一执行概率和所述第二执行概率,获得所述用户执行所述目标行为的风险预测结果的步骤,包括:
将所述第一执行概率和所述第二执行概率输入预测结果整合模型,将所述预测结果整合模型输出的数值作为所述用户执行所述目标行为的风险预测结果;其中,所述预测结果整合模型是以样本用户的第一执行概率和第二执行概率以及样本用户的执行标签为训练数据,对第三预设模型进行训练后得到的模型,所述样本用户的第一执行概率是:基于样本用户的样本人脸图像而预测的样本用户执行所述目标行为的概率,所述样本用户的第二执行概率是:基于样本用户的样本人脸图像中的视觉特征而预测的样本用户执行所述目标行为的概率,所述样本用户的执行标签表征:样本用户是否执行了所述目标行为。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一执行概率和所述第二执行概率,获得所述用户执行所述目标行为的风险预测结果的步骤,包括:
根据所述第一执行概率、所述第二执行概率以及两者各自的预设权重,确定所述用户执行所述目标行为的风险预测结果。
3.根据权利要求1所述的方法,其特征在于,所述第一预测模型是以样本用户的样本人脸图像以及样本用户的执行标签为训练数据,对第一预设模型进行训练后得到的模型。
4.根据权利要求3所述的方法,其特征在于,所述第一预测模型是通过以下步骤得到的:
获得样本用户在约定执行所述目标行为时拍摄的历史人脸图像,并将该历史人脸图像作为样本人脸图像;
获得预先为所述样本人脸图像标记的执行标签,所述执行标签表征所述样本人脸图像对应的样本用户实际是否执行了所述目标行为;
基于携带执行标签的样本人脸图像,对第一预设模型进行训练;
将经过多次训练的第一预设模型确定为所述第一预测模型。
5.根据权利要求1所述的方法,其特征在于,所述第二预测模型是以样本用户的样本人脸图像中的视觉特征以及样本用户的执行标签为训练数据,对第二预设模型进行训练后得到的模型。
6.根据权利要求5所述的方法,其特征在于,所述第二预测模型是通过以下步骤得到的:
获得样本用户在约定执行所述目标行为时拍摄的历史人脸图像,并将该历史人脸图像作为样本人脸图像,以及提取所述样本人脸图像的视觉特征,作为样本视觉特征;
获得预先为所述样本视觉特征标记的执行标签,所述执行标签表征所述样本人脸图像对应的样本用户实际是否执行了所述目标行为;
基于携带执行标签的样本视觉特征,对第二预设模型进行训练;
将经过多次训练的第二预设模型确定为所述第二预测模型。
7.根据权利要求1所述的方法,其特征在于,所述预测结果整合模型是通过以下步骤得到的:
获得样本用户在约定执行所述目标行为时拍摄的历史人脸图像,并将该历史人脸图像作为样本人脸图像,以及将所述样本人脸图像输入预先训练的第一预测模型,得到所述第一预测模型输出的第一执行概率;
提取所述样本人脸图像的视觉特征,作为样本视觉特征,并将所述样本视觉特征输入预先训练的第二预测模型,得到所述第二预测模型输出的第二执行概率;
将所述第一执行概率、所述第二执行概率以及所述样本用户的执行标签作为训练数据,对第三预设模型进行训练;
将经过多次训练的第三预设模型确定为所述预测结果整合模型。
8.根据权利要求1至7任一所述的方法,其特征在于,所述方法还包括:
获得用户的基础信息和/或历史行为信息,并基于所述基础信息和/或历史行为信息,预测所述用户的第三执行概率;
所述根据所述第一执行概率和所述第二执行概率,获得所述用户执行所述目标行为的风险预测结果的步骤,包括:
根据所述第一执行概率、所述第二执行概率以及所述第三执行概率,获得所述用户执行所述目标行为的风险预测结果。
9.一种风险预测装置,其特征在于,所述装置包括:
人脸图像获得模块,用于获得用户的人脸图像;
第一预测模块,用于将所述人脸图像输入第一预测模型,得到第一执行概率,所述第一执行概率表征所述用户执行目标行为的概率;
第二预测模块,用于提取所述人脸图像的视觉特征,并将所述视觉特征输入第二预测模型,得到第二执行概率,所述第二执行概率表征所述用户执行所述目标行为的概率;其中,所述视觉特征包括以下至少一者:相貌特征、装扮特征、衣着特征;
综合预测模块,用于根据所述第一执行概率和所述第二执行概率,获得所述用户执行所述目标行为的风险预测结果;
所述综合预测模块具体用于:将所述第一执行概率和所述第二执行概率输入预测结果整合模型,将所述预测结果整合模型输出的数值作为所述用户执行所述目标行为的风险预测结果;其中,所述预测结果整合模型是以样本用户的第一执行概率和第二执行概率以及样本用户的执行标签为训练数据,对第三预设模型进行训练后得到的模型,所述样本用户的第一执行概率是:基于样本用户的样本人脸图像而预测的样本用户执行所述目标行为的概率,所述样本用户的第二执行概率是:基于样本用户的样本人脸图像中的视觉特征而预测的样本用户执行所述目标行为的概率,所述样本用户的执行标签表征:样本用户是否执行了所述目标行为。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时,实现如权利要求1至8任一所述的方法中的步骤。
11.一种电子设备,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,实现如权利要求1至8任一所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010408301.3A CN111768286B (zh) | 2020-05-14 | 2020-05-14 | 风险预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010408301.3A CN111768286B (zh) | 2020-05-14 | 2020-05-14 | 风险预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111768286A CN111768286A (zh) | 2020-10-13 |
CN111768286B true CN111768286B (zh) | 2024-02-20 |
Family
ID=72719096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010408301.3A Active CN111768286B (zh) | 2020-05-14 | 2020-05-14 | 风险预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111768286B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657724A (zh) * | 2021-07-29 | 2021-11-16 | 上海淇玥信息技术有限公司 | 基于多源异构数据的资源分配方法、装置和电子设备 |
CN117292174B (zh) * | 2023-09-06 | 2024-04-19 | 中化现代农业有限公司 | 苹果病害识别方法、装置、电子设备和存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107180234A (zh) * | 2017-06-01 | 2017-09-19 | 四川新网银行股份有限公司 | 基于人脸表情识别和人脸特征提取的信用风险预测方法 |
CN108734570A (zh) * | 2018-05-22 | 2018-11-02 | 深圳壹账通智能科技有限公司 | 一种风险预测方法、存储介质和服务器 |
CN109711297A (zh) * | 2018-12-14 | 2019-05-03 | 深圳壹账通智能科技有限公司 | 基于面部图片的风险识别方法、装置、计算机设备及存储介质 |
CN110222554A (zh) * | 2019-04-16 | 2019-09-10 | 深圳壹账通智能科技有限公司 | 欺诈识别方法、装置、电子设备及存储介质 |
WO2019184124A1 (zh) * | 2018-03-30 | 2019-10-03 | 平安科技(深圳)有限公司 | 风控模型训练方法、风险识别方法、装置、设备及介质 |
CN110399818A (zh) * | 2019-07-15 | 2019-11-01 | 联动优势科技有限公司 | 一种风险预测的方法和设备 |
WO2019228317A1 (zh) * | 2018-05-28 | 2019-12-05 | 华为技术有限公司 | 人脸识别方法、装置及计算机可读介质 |
CN110705392A (zh) * | 2019-09-17 | 2020-01-17 | Oppo广东移动通信有限公司 | 一种人脸图像检测方法及装置、存储介质 |
CN110991249A (zh) * | 2019-11-04 | 2020-04-10 | 支付宝(杭州)信息技术有限公司 | 人脸检测方法、装置、电子设备及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095124B (zh) * | 2017-06-07 | 2024-02-06 | 创新先进技术有限公司 | 一种人脸活体检测方法、装置以及电子设备 |
CN107590430A (zh) * | 2017-07-26 | 2018-01-16 | 百度在线网络技术(北京)有限公司 | 活体检测方法、装置、设备及存储介质 |
-
2020
- 2020-05-14 CN CN202010408301.3A patent/CN111768286B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107180234A (zh) * | 2017-06-01 | 2017-09-19 | 四川新网银行股份有限公司 | 基于人脸表情识别和人脸特征提取的信用风险预测方法 |
WO2019184124A1 (zh) * | 2018-03-30 | 2019-10-03 | 平安科技(深圳)有限公司 | 风控模型训练方法、风险识别方法、装置、设备及介质 |
CN108734570A (zh) * | 2018-05-22 | 2018-11-02 | 深圳壹账通智能科技有限公司 | 一种风险预测方法、存储介质和服务器 |
WO2019228317A1 (zh) * | 2018-05-28 | 2019-12-05 | 华为技术有限公司 | 人脸识别方法、装置及计算机可读介质 |
CN109711297A (zh) * | 2018-12-14 | 2019-05-03 | 深圳壹账通智能科技有限公司 | 基于面部图片的风险识别方法、装置、计算机设备及存储介质 |
CN110222554A (zh) * | 2019-04-16 | 2019-09-10 | 深圳壹账通智能科技有限公司 | 欺诈识别方法、装置、电子设备及存储介质 |
CN110399818A (zh) * | 2019-07-15 | 2019-11-01 | 联动优势科技有限公司 | 一种风险预测的方法和设备 |
CN110705392A (zh) * | 2019-09-17 | 2020-01-17 | Oppo广东移动通信有限公司 | 一种人脸图像检测方法及装置、存储介质 |
CN110991249A (zh) * | 2019-11-04 | 2020-04-10 | 支付宝(杭州)信息技术有限公司 | 人脸检测方法、装置、电子设备及介质 |
Non-Patent Citations (7)
Title |
---|
Face Recognition:Demystification of Multifarious Aspect in Evaluation Metric;Mala Sundaram等;《Face Recognition》;20160706;全文 * |
基于多任务卷积神经网络的人脸识别技术研究;祝永志等;通信技术(第03期);全文 * |
基于客户画像与机器学习算法的电费回收风险预测模型及应用;赵洪等;《微型电脑应用》;20200220(第02期);全文 * |
基于客户画像与机器学习算法的电费回收风险预测模型及应用;赵洪等;微型电脑应用(第02期);全文 * |
基于有序logistic模型的互联网金融客户违约风险研究;熊正德等;系统工程(第08期);全文 * |
视频侦查中人像智能分析应用及算法优化;张蕾华等;《信息网络安全》(第05期);第93页左栏第1段 * |
违约概率测度研究:方法与模型综述;孙月静;《东北财经大学学报》;20070315(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111768286A (zh) | 2020-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9836726B2 (en) | Internet payment system using credit card imaging | |
CN111340498B (zh) | 线下交易的实现方法和装置 | |
CN108985929B (zh) | 训练方法、业务数据分类处理方法及装置、电子设备 | |
CN109118053B (zh) | 一种盗卡风险交易的识别方法和装置 | |
CN109345375B (zh) | 一种可疑洗钱行为识别方法及装置 | |
CN111768286B (zh) | 风险预测方法、装置、设备及存储介质 | |
CN110992167A (zh) | 银行客户业务意图识别方法及装置 | |
CN109919754A (zh) | 一种数据获取方法、装置、终端及存储介质 | |
US10565432B2 (en) | Establishing personal identity based on multiple sub-optimal images | |
CN111639584A (zh) | 基于多分类器的风险识别方法、装置及计算机设备 | |
CN109377347B (zh) | 基于特征选择的网络信用预警方法、系统及电子设备 | |
CN104346883A (zh) | 一种识别顾客的pos装置 | |
CN110472050A (zh) | 一种团伙聚类方法和装置 | |
CN111178130A (zh) | 一种基于深度学习的人脸识别方法、系统和可读存储介质 | |
CN115034886A (zh) | 一种违约风险预测方法及装置 | |
CN114565448A (zh) | 基于视频识别的贷款风险信息挖掘方法 | |
Al Qudah et al. | Using Artificial Intelligence Applications For E-Government Services As Iris Recognition | |
US20220277311A1 (en) | A transaction processing system and a transaction method based on facial recognition | |
CN116311400A (zh) | 掌纹图像的处理方法、电子设备及存储介质 | |
Mishra et al. | A Face Recognition Method Using Deep Learning to Identify Mask and Unmask Objects | |
CN110570301B (zh) | 风险识别方法、装置、设备及介质 | |
CN110955879B (zh) | 设备控制方法、装置、计算机设备和存储介质 | |
Habbe et al. | Machine Learning Pose Detection Kit Implementation in Taspen Android Application | |
CN114359993A (zh) | 模型训练方法、人脸识别方法、装置、设备、介质及产品 | |
Singh et al. | Fingerprint identification using modified capsule network |
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 |