CN111798047A - 风控预测方法、装置、电子设备及存储介质 - Google Patents
风控预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111798047A CN111798047A CN202010624355.3A CN202010624355A CN111798047A CN 111798047 A CN111798047 A CN 111798047A CN 202010624355 A CN202010624355 A CN 202010624355A CN 111798047 A CN111798047 A CN 111798047A
- Authority
- CN
- China
- Prior art keywords
- wind control
- target
- log data
- data
- model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000000605 extraction Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 28
- 239000002245 particle Substances 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 17
- 238000003066 decision tree Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 238000007637 random forest analysis Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 6
- 238000011835 investigation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 230000002547 anomalous effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 238000013100 final test Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Feedback Control In General (AREA)
Abstract
一种风控预测方法,所述方法包括:当接收到针对目标风控场景的风控预测指令时,获取目标日志数据;确定所述目标日志数据的数据种类;根据所述数据种类,对所述目标日志数据进行特征提取,获得目标特征;将所述目标特征输入至与所述目标风控场景对应的风控模型中,获得风控结果,其中,所述风控模型基于风控日志数据进行训练获得;输出所述风控结果。本发明还提供一种风控预测装置、电子设备及存储介质。本发明能提高风控预测的准确度。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种风控预测方法、装置、电子设备及存储介质。
背景技术
目前,可以使用风控模型来进行风控预测,但在实践中发现,风控模型的建立需要进行大量数据的采集、取样等工作,若数据的实时性不高,模型的准确率也会降低。
因此,如何提高风控预测的准确度是一个亟需解决的技术问题。
发明内容
鉴于以上内容,有必要提供一种风控预测方法、装置、电子设备及存储介质,能够提高风控预测的准确度。
本发明的第一方面提供一种风控预测方法,所述方法包括:
当接收到针对目标风控场景的风控预测指令时,获取目标日志数据;
确定所述目标日志数据的数据种类;
根据所述数据种类,对所述目标日志数据进行特征提取,获得目标特征;
将所述目标特征输入至与所述目标风控场景对应的风控模型中,获得风控结果,其中,所述风控模型基于风控日志数据进行训练获得;
输出所述风控结果。
在一种可能的实现方式中,所述风控模型包括均值聚类模型、随机深林模型以及卷积神经网络模型,所述均值聚类模型用于对风控数据进行风控等级划分,所述随机深林模型用于根据风控数据得出风控结论,所述卷积神经网络模型检测用于检测是否存在欺诈现象。
在一种可能的实现方式中,所述当接收到针对目标风控场景的风控预测指令时,获取目标日志数据之前,所述方法还包括:
获取风控日志数据;
对所述风控日志数据进行特征提取,获得风控特征;
将所述风控特征进行向量化,获得特征向量;
根据预设风控结果,对所述风控日志数据进行初始化,获得多个起始质点;
根据所述多个起始质点以及所述特征向量,确定多个簇;
针对每个簇,更新所述簇的平均值,获得完成训练的均值聚类模型。
在一种可能的实现方式中,所述对所述风控日志数据进行特征提取,获得风控特征之后,所述方法还包括:
根据所述风控特征,创建决策树;
使用预设样本测试所述决策树,获得测试结果;
根据所述测试结果,确定准确度;
若所述准确度大于预设准确度,确定获得完成训练的随机森林模型。
在一种可能的实现方式中,所述对所述风控日志数据进行特征提取,获得风控特征之后,所述方法还包括:
将所述风控特征映射为二维数组;
使用所述二维数组对卷积神经网络进行训练,获得反馈值;
根据所述反馈值以及预设结果调整所述卷积神经网络的参数,获得完成训练的卷积神经网络模型。
在一种可能的实现方式中,所述风控场景包括风控评级场景、风控决策场景以及反欺诈场景。
在一种可能的实现方式中,所述目标日志数据由分布式发布订阅消息系统获取。
本发明的第二方面提供一种风控预测装置,所述装置包括:
获取模块,用于当接收到针对目标风控场景的风控预测指令时,获取目标日志数据;
确定模块,用于确定所述目标日志数据的数据种类;
提取模块,用于根据所述数据种类,对所述目标日志数据进行特征提取,获得目标特征;
输入模块,用于将所述目标特征输入至与所述目标风控场景对应的风控模型中,获得风控结果,其中,所述风控模型基于风控日志数据进行训练获得;
输出模块,用于输出所述风控结果。
本发明的第三方面提供一种电子设备,所述电子设备包括处理器和存储器,所述处理器用于执行所述存储器中存储的计算机程序时实现所述的风控预测方法。
本发明的第四方面提供一种计算机可读存储介质,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所述的风控预测方法。
由以上技术方案,本发明中,可以通过不同种类的日志数据进行不同的特征提取,获得不同的数据特征,能够提高风控预测的准确性,而且日志数据比较准确,且实时性高,进一步提高风控预测的准确性,通过基于日志数据训练出来的模型来获取风控结果,不同的风控场景对应不同的风控模型,提高了风控预测的准确性。
附图说明
图1是本发明公开的一种风控预测方法的较佳实施例的流程图。
图2是本发明公开的一种风控预测装置的较佳实施例的功能模块图。
图3是本发明实现风控预测方法的较佳实施例的电子设备的结构示意图。
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
本发明实施例的风控预测方法应用在电子设备中,也可以应用在电子设备和通过网络与所述电子设备进行连接的服务器所构成的硬件环境中,由服务器和电子设备共同执行。网络包括但不限于:广域网、城域网或局域网。
其中,服务器可以是指能对网络中其它设备(如电子设备)提供服务的计算机系统。如果一个个人电脑能够对外提供文件传输协议(File Transfer Protocol,简称FTP)服务,也可以叫服务器。从狭义范围上讲,服务器专指某些高性能计算机,能通过网络,对外提供服务,其相对于普通的个人电脑来说,稳定性、安全性、性能等方面都要求更高,因此在CPU、芯片组、内存、磁盘系统、网络等硬件和普通的个人电脑有所不同。
所述电子设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字处理器(DSP)、嵌入式设备等。所述电子设备还可包括网络设备和/或用户设备。其中,所述网络设备包括但不限于单个网络设备、多个网络设备组成的服务器组或基于云计算(Cloud Computing)的由大量主机或网络设备构成的云,其中,云计算是分布式计算的一种,由一群松散耦合的计算机集组成的一个超级虚拟计算机。所述用户设备包括但不限于任何一种可与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理PDA等。
请参见图1,图1是本发明公开的一种风控预测方法的较佳实施例的流程图。其中,根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。其中,所述风控预测方法的执行主体可以为电子设备。
S11、当接收到针对目标风控场景的风控预测指令时,获取目标日志数据。
其中,所述风控场景包括风控评级场景、风控决策场景以及反欺诈场景。
其中,所述风控评级场景可以是进行评分评级的场景,可以给出一个风控分数或者风控等级表示风险大小。所述风控决策场景可以是需要获取一个风控结论,即通过或者不通过的场景。所述反欺诈场景可以是判断客户是否欺诈的场景,比如当前检测当前交易是否为欺诈交易。
其中,所述目标日志数据可以包括但不限于:征信报告,黑名单,设备指纹,联系人,第三方机构信息等。
其中,所述目标日志数据由分布式发布订阅消息系统获取。
本发明实施例中,可以通过分布式发布订阅消息系统获取所述目标日志数据。所述分布式发布订阅消息系统可以是Apache Kafka,可以通过分布式系统的并行加载机制来统一线上和离线的消息处理。通过分布式发布订阅消息系统,不仅可以快速获取所述目标日志数据,还可以解除所述目标日志数据与程序之间的耦合,提高系统的性能。
S12、确定所述目标日志数据的数据种类。
其中,所述数据种类可以包括但不限于:征信数据、黑名单数据以及指纹数据等。
S13、根据所述数据种类,对所述目标日志数据进行特征提取,获得目标特征。
本发明实施例中,可以对不同数据种类的所述目标日志数据进行不同的特征提取,如征信数据提取贷款,负债,收入,逾期等特征,需要对这些数据进行求和,求平均,过滤等操作;黑名单数据,提取客户是否在黑名单中,进行过滤操作;设备指纹,提取联系人特征,进行过滤,加权等操作。
S14、将所述目标特征输入至与所述目标风控场景对应的风控模型中,获得风控结果,其中,所述风控模型基于风控日志数据进行训练获得。
其中,所述风控模型包括均值聚类模型、随机深林模型以及卷积神经网络模型,所述均值聚类模型用于对风控数据进行风控等级划分,所述随机深林模型用于根据风控数据得出风控结论,所述卷积神经网络模型检测用于检测是否存在欺诈现象。
本发明实施例中,所述风控评级场景对应所述均值聚类模型;所述风控决策场景对应所述随机森林模型;所述反欺诈场景对应所述卷积神经网络模型。针对不同的场景,使用不同的风控模型,可以提高风控预测的准确性。比如,需要进行风控评级时,将目标客户的风控数据的特征输入至所述均值聚类模型中,所述均值聚类模型能够计算所述风控数据的特征与各个聚类中心的距离,并把所述风控数据的特征分配给最近的聚类中心,获得所述目标客户的风控等级(不同的聚类中心对应不同的风控等级);所述随机森林模型用于对所述目标特征进行分类,即输入所述目标特征,所述随机森林模型中的多个分类树对所述目标特征进行分类(通过或不通过),最终,输出数量最多分类结果作为风控决策;所述卷积神经网络模型可以用来检测风控数据是否为异常数据(欺诈现象,比如当前交易为欺诈交易)。
作为一种可选的实施方式,所述步骤S11之前,所述方法还包括:
获取风控日志数据;
对所述风控日志数据进行特征提取,获得风控特征;
将所述风控特征进行向量化,获得特征向量;
根据预设风控结果,对所述风控日志数据进行初始化,获得多个起始质点;
根据所述多个起始质点以及所述特征向量,确定多个簇;
针对每个簇,更新所述簇的平均值,获得完成训练的均值聚类模型。
在该可选的实施方式中,所述均值聚类模型可以是K-均值聚类模型,是一种用无监督学习算法,以空间中随机的K个点为起始质点,每个起始质点对应一种风险结果,比如客户等级,将特征向量中的特征数据分配到距离其最近的起始质点对应的簇,然后更新每个簇的质点为该簇所有数据点的平均值,获得训练的均值聚类模型后,可以将新的特征数据输入至所述均值聚类模型中,通过计算距离质点的距离,确定不同的结果,比如客户等级或者分数。
作为一种可选的实施方式,所述对所述风控日志数据进行特征提取,获得风控特征之后,所述方法还包括:
根据所述风控特征,创建决策树;
使用预设样本测试所述决策树,获得测试结果;
根据所述测试结果,确定准确度;
若所述准确度大于预设准确度,确定获得完成训练的随机森林模型。
在该可选的实施方式中,预先设置风控结论,然后创建多个决策树,每个决策树由多个风控特征创建,每个决策树不同的分支对应不同的风控结论,在决策树创建完毕后,可以使用预设样本来进行测试,将占大比例的测试值或者将平均值作为最终测试结果,然后和真实结果比较,来确定准确度。
作为一种可选的实施方式,所述对所述风控日志数据进行特征提取,获得风控特征之后,所述方法还包括:
将所述风控特征映射为二维数组;
使用所述二维数组对卷积神经网络进行训练,获得反馈值;
根据所述反馈值以及预设结果调整所述卷积神经网络的参数,获得完成训练的卷积神经网络模型。
在该可选的实施方式中,可以将所述风控特征作为二维数据输入训练,即所述卷积神经网络是一个二维的网络。在网络中对所述风控特征进行卷积、池化、全连接、归一化指数(softmax)分类后,获得输出值(即所述反馈值),然后将所述反馈值与预设结果的值的误差传回网络来调整参数,直到所述误差小于预设值为止,获得完成训练的卷积神经网络模型。
S15、输出所述风控结果。
在图1所描述的方法流程中,可以通过不同种类的日志数据进行不同的特征提取,获得不同的数据特征,能够提高风控预测的准确性,而且日志数据比较准确,且实时性高,进一步提高风控预测的准确性,通过基于日志数据训练出来的模型来获取风控结果,不同的风控场景对应不同的风控模型,提高了风控预测的准确性。
图2是本发明公开的一种风控预测装置的较佳实施例的功能模块图。
请参见图2,所述风控预测装置20可运行于电子设备中。所述风控预测装置20可以包括多个由程序代码段所组成的功能模块。所述风控预测装置20中的各个程序段的程序代码可以存储于存储器中,并由至少一个处理器所执行,以执行图1所描述的风控预测方法中的部分或全部步骤。
本实施例中,所述风控预测装置20根据其所执行的功能,可以被划分为多个功能模块。所述功能模块可以包括:获取模块201、确定模块202、提取模块203、输入模块204及输出模块205。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段,其存储在存储器中。
获取模块201,用于当接收到针对目标风控场景的风控预测指令时,获取目标日志数据。
其中,所述风控场景包括风控评级场景、风控决策场景以及反欺诈场景。
其中,所述风控评级场景可以是进行评分评级的场景,可以给出一个风控分数或者风控等级表示风险大小。所述风控决策场景可以是需要获取一个风控结论,即通过或者不通过的场景。所述反欺诈场景可以是判断客户是否欺诈的场景,比如当前检测当前交易是否为欺诈交易。
其中,所述目标日志数据可以包括但不限于:征信报告,黑名单,设备指纹,联系人,第三方机构信息等。
其中,所述目标日志数据由分布式发布订阅消息系统获取。
本发明实施例中,可以通过分布式发布订阅消息系统获取所述目标日志数据。所述分布式发布订阅消息系统可以是Apache Kafka,可以通过分布式系统的并行加载机制来统一线上和离线的消息处理。通过分布式发布订阅消息系统,不仅可以快速获取所述目标日志数据,还可以解除所述目标日志数据与程序之间的耦合,提高系统的性能。
确定模块202,用于确定所述目标日志数据的数据种类。
其中,所述数据种类可以包括但不限于:征信数据、黑名单数据以及指纹数据等。
提取模块203,用于根据所述数据种类,对所述目标日志数据进行特征提取,获得目标特征。
本发明实施例中,可以对不同数据种类的所述目标日志数据进行不同的特征提取,如征信数据提取贷款,负债,收入,逾期等特征,需要对这些数据进行求和,求平均,过滤等操作;黑名单数据,提取客户是否在黑名单中,进行过滤操作;设备指纹,提取联系人特征,进行过滤,加权等操作。
输入模块204,用于将所述目标特征输入至与所述目标风控场景对应的风控模型中,获得风控结果,其中,所述风控模型基于风控日志数据进行训练获得。
其中,所述风控模型包括均值聚类模型、随机深林模型以及卷积神经网络模型,所述均值聚类模型用于对风控数据进行风控等级划分,所述随机深林模型用于根据风控数据得出风控结论,所述卷积神经网络模型检测用于检测是否存在欺诈现象。
本发明实施例中,所述风控评级场景对应所述均值聚类模型;所述风控决策场景对应所述随机森林模型;所述反欺诈场景对应所述卷积神经网络模型。针对不同的场景,使用不同的风控模型,可以提高风控预测的准确性。比如,需要进行风控评级时,将目标客户的风控数据的特征输入至所述均值聚类模型中,所述均值聚类模型能够计算所述风控数据的特征与各个聚类中心的距离,并把所述风控数据的特征分配给最近的聚类中心,获得所述目标客户的风控等级(不同的聚类中心对应不同的风控等级);所述随机森林模型用于对所述目标特征进行分类,即输入所述目标特征,所述随机森林模型中的多个分类树对所述目标特征进行分类(通过或不通过),最终,输出数量最多分类结果作为风控决策;所述卷积神经网络模型可以用来检测风控数据是否为异常数据(欺诈现象,比如当前交易为欺诈交易)。
输出模块205,用于输出所述风控结果。
作为一种可选的实施方式,所述获取模块201,还用于获取风控日志数据;
所述提取模块203,还用于对所述风控日志数据进行特征提取,获得风控特征;
所述风控预测装置20还可以包括:
向量化模块,用于将所述风控特征进行向量化,获得特征向量;
初始化模块,用于根据预设风控结果,对所述风控日志数据进行初始化,获得多个起始质点;
所述确定模块202,还用于根据所述多个起始质点以及所述特征向量,确定多个簇;
更新模块,用于针对每个簇,更新所述簇的平均值,获得完成训练的均值聚类模型。
在该可选的实施方式中,所述均值聚类模型可以是K-均值聚类模型,是一种用无监督学习算法,以空间中随机的K个点为起始质点,每个起始质点对应一种风险结果,比如客户等级,将特征向量中的特征数据分配到距离其最近的起始质点对应的簇,然后更新每个簇的质点为该簇所有数据点的平均值,获得训练的均值聚类模型后,可以将新的特征数据输入至所述均值聚类模型中,通过计算距离质点的距离,确定不同的结果,比如客户等级或者分数。
作为一种可选的实施方式,所述风控预测装置20还可以包括:
创建模块,用于所述提取模块203对所述风控日志数据进行特征提取,获得风控特征之后,根据所述风控特征,创建决策树;
测试模块,用于使用预设样本测试所述决策树,获得测试结果;
所述确定模块202,还用于根据所述测试结果,确定准确度;
所述确定模块202,还用于若所述准确度大于预设准确度,确定获得完成训练的随机森林模型。
在该可选的实施方式中,预先设置风控结论,然后创建多个决策树,每个决策树由多个风控特征创建,每个决策树不同的分支对应不同的风控结论,在决策树创建完毕后,可以使用预设样本来进行测试,将占大比例的测试值或者将平均值作为最终测试结果,然后和真实结果比较,来确定准确度。
作为一种可选的实施方式,所述风控预测装置20还可以包括:
映射模块,用于所述提取模块203对所述风控日志数据进行特征提取,获得风控特征之后,将所述风控特征映射为二维数组;
训练模块,用于使用所述二维数组对卷积神经网络进行训练,获得反馈值;
调整模块,用于根据所述反馈值以及预设结果调整所述卷积神经网络的参数,获得完成训练的卷积神经网络模型。
在该可选的实施方式中,可以将所述风控特征作为二维数据输入训练,即所述卷积神经网络是一个二维的网络。在网络中对所述风控特征进行卷积、池化、全连接、归一化指数(softmax)分类后,获得输出值(即所述反馈值),然后将所述反馈值与预设结果的值的误差传回网络来调整参数,直到所述误差小于预设值为止,获得完成训练的卷积神经网络模型。
在图2所描述的风控预测装置20中,可以通过不同种类的日志数据进行不同的特征提取,获得不同的数据特征,能够提高风控预测的准确性,而且日志数据比较准确,且实时性高,进一步提高风控预测的准确性,通过基于日志数据训练出来的模型来获取风控结果,不同的风控场景对应不同的风控模型,提高了风控预测的准确性。
如图3所示,图3是本发明实现风控预测方法的较佳实施例的电子设备的结构示意图。所述电子设备3包括存储器31、至少一个处理器32、存储在所述存储器31中并可在所述至少一个处理器32上运行的计算机程序33及至少一条通讯总线34。
本领域技术人员可以理解,图3所示的示意图仅仅是所述电子设备3的示例,并不构成对所述电子设备3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,例如所述电子设备3还可以包括输入输出设备、网络接入设备等。
所述电子设备3还包括但不限于任何一种可与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(InternetProtocol Television,IPTV)、智能式穿戴式设备等。所述电子设备3所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
所述至少一个处理器32可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、晶体管逻辑器件、分立硬件组件等。该处理器32可以是微处理器或者该处理器32也可以是任何常规的处理器等,所述处理器32是所述电子设备3的控制中心,利用各种接口和线路连接整个电子设备3的各个部分。
所述存储器31可用于存储所述计算机程序33和/或模块/单元,所述处理器32通过运行或执行存储在所述存储器31内的计算机程序和/或模块/单元,以及调用存储在存储器31内的数据,实现所述电子设备3的各种功能。所述存储器31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电子设备3的使用所创建的数据(比如音频数据等)等。此外,存储器31可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件等。
结合图1,所述电子设备3中的所述存储器31存储多个指令以实现一种风控预测方法,所述处理器32可执行所述多个指令从而实现:
当接收到针对目标风控场景的风控预测指令时,获取目标日志数据;
确定所述目标日志数据的数据种类;
根据所述数据种类,对所述目标日志数据进行特征提取,获得目标特征;
将所述目标特征输入至与所述目标风控场景对应的风控模型中,获得风控结果,其中,所述风控模型基于风控日志数据进行训练获得;
输出所述风控结果。
具体地,所述处理器32对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在图3所描述的电子设备3中,可以通过不同种类的日志数据进行不同的特征提取,获得不同的数据特征,能够提高风控预测的准确性,而且日志数据比较准确,且实时性高,进一步提高风控预测的准确性,通过基于日志数据训练出来的模型来获取风控结果,不同的风控场景对应不同的风控模型,提高了风控预测的准确性。
所述电子设备3集成的模块/单元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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,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,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块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模块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。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种风控预测方法,其特征在于,所述风控预测方法包括:
当接收到针对目标风控场景的风控预测指令时,获取目标日志数据;
确定所述目标日志数据的数据种类;
根据所述数据种类,对所述目标日志数据进行特征提取,获得目标特征;
将所述目标特征输入至与所述目标风控场景对应的风控模型中,获得风控结果,其中,所述风控模型基于风控日志数据进行训练获得;
输出所述风控结果。
2.根据权利要求1所述的风控预测方法,其特征在于,所述风控模型包括均值聚类模型、随机深林模型以及卷积神经网络模型,所述均值聚类模型用于对风控数据进行风控等级划分,所述随机深林模型用于根据风控数据得出风控结论,所述卷积神经网络模型检测用于检测是否存在欺诈现象。
3.根据权利要求2所述的风控预测方法,其特征在于,所述当接收到针对目标风控场景的风控预测指令时,获取目标日志数据之前,所述风控预测方法还包括:
获取风控日志数据;
对所述风控日志数据进行特征提取,获得风控特征;
将所述风控特征进行向量化,获得特征向量;
根据预设风控结果,对所述风控日志数据进行初始化,获得多个起始质点;
根据所述多个起始质点以及所述特征向量,确定多个簇;
针对每个簇,更新所述簇的平均值,获得完成训练的均值聚类模型。
4.根据权利要求3所述的风控预测方法,其特征在于,所述对所述风控日志数据进行特征提取,获得风控特征之后,所述风控预测方法还包括:
根据所述风控特征,创建决策树;
使用预设样本测试所述决策树,获得测试结果;
根据所述测试结果,确定准确度;
若所述准确度大于预设准确度,确定获得完成训练的随机森林模型。
5.根据权利要求3所述的风控预测方法,其特征在于,所述对所述风控日志数据进行特征提取,获得风控特征之后,所述风控预测方法还包括:
将所述风控特征映射为二维数组;
使用所述二维数组对卷积神经网络进行训练,获得反馈值;
根据所述反馈值以及预设结果调整所述卷积神经网络的参数,获得完成训练的卷积神经网络模型。
6.根据权利要求1至5中任一项所述的风控预测方法,其特征在于,所述风控场景包括风控评级场景、风控决策场景以及反欺诈场景。
7.根据权利要求1至5中任一项所述的风控预测方法,其特征在于,所述目标日志数据由分布式发布订阅消息系统获取。
8.一种风控预测装置,其特征在于,所述风控预测装置包括:
获取模块,用于当接收到针对目标风控场景的风控预测指令时,获取目标日志数据;
确定模块,用于确定所述目标日志数据的数据种类;
提取模块,用于根据所述数据种类,对所述目标日志数据进行特征提取,获得目标特征;
输入模块,用于将所述目标特征输入至与所述目标风控场景对应的风控模型中,获得风控结果,其中,所述风控模型基于风控日志数据进行训练获得;
输出模块,用于输出所述风控结果。
9.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1至7中任意一项所述的风控预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有至少一个指令,所述至少一个指令被处理器执行时实现如权利要求1至7中任意一项所述的风控预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010624355.3A CN111798047A (zh) | 2020-06-30 | 2020-06-30 | 风控预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010624355.3A CN111798047A (zh) | 2020-06-30 | 2020-06-30 | 风控预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111798047A true CN111798047A (zh) | 2020-10-20 |
Family
ID=72810029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010624355.3A Pending CN111798047A (zh) | 2020-06-30 | 2020-06-30 | 风控预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111798047A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364163A (zh) * | 2020-11-10 | 2021-02-12 | 平安普惠企业管理有限公司 | 日志的缓存方法、装置以及计算机设备 |
CN113159487A (zh) * | 2021-01-21 | 2021-07-23 | 全球能源互联网研究院有限公司 | 一种电力数据管理方法、装置、电子设备及存储介质 |
CN113191137A (zh) * | 2021-05-27 | 2021-07-30 | 中国工商银行股份有限公司 | 一种操作风险获取方法、系统、电子设备及存储介质 |
WO2022156159A1 (zh) * | 2021-01-22 | 2022-07-28 | 百度在线网络技术(北京)有限公司 | 模型参数调整的方法、设备、存储介质及程序产品 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090006489A (ko) * | 2007-07-11 | 2009-01-15 | 고려대학교 산학협력단 | 신용 위험 모형 구축용 툴 킷, 신용 위험 모형 구축을 통한신용 위험 관리 방법 및 이를 기록한 기록매체 |
CN108510194A (zh) * | 2018-03-30 | 2018-09-07 | 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 |
CN108875388A (zh) * | 2018-05-31 | 2018-11-23 | 康键信息技术(深圳)有限公司 | 实时风险控制方法、装置及计算机可读存储介质 |
CN108985583A (zh) * | 2018-06-27 | 2018-12-11 | 中国银行股份有限公司 | 基于人工智能的金融数据风险控制方法及装置 |
CN109685635A (zh) * | 2018-09-11 | 2019-04-26 | 深圳平安财富宝投资咨询有限公司 | 金融业务的风险评估方法、风控服务端及存储介质 |
CN111062444A (zh) * | 2019-12-21 | 2020-04-24 | 湖南大学 | 信用风险预测方法、系统、终端及存储介质 |
-
2020
- 2020-06-30 CN CN202010624355.3A patent/CN111798047A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090006489A (ko) * | 2007-07-11 | 2009-01-15 | 고려대학교 산학협력단 | 신용 위험 모형 구축용 툴 킷, 신용 위험 모형 구축을 통한신용 위험 관리 방법 및 이를 기록한 기록매체 |
CN108510194A (zh) * | 2018-03-30 | 2018-09-07 | 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 |
CN108875388A (zh) * | 2018-05-31 | 2018-11-23 | 康键信息技术(深圳)有限公司 | 实时风险控制方法、装置及计算机可读存储介质 |
CN108985583A (zh) * | 2018-06-27 | 2018-12-11 | 中国银行股份有限公司 | 基于人工智能的金融数据风险控制方法及装置 |
CN109685635A (zh) * | 2018-09-11 | 2019-04-26 | 深圳平安财富宝投资咨询有限公司 | 金融业务的风险评估方法、风控服务端及存储介质 |
CN111062444A (zh) * | 2019-12-21 | 2020-04-24 | 湖南大学 | 信用风险预测方法、系统、终端及存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364163A (zh) * | 2020-11-10 | 2021-02-12 | 平安普惠企业管理有限公司 | 日志的缓存方法、装置以及计算机设备 |
CN113159487A (zh) * | 2021-01-21 | 2021-07-23 | 全球能源互联网研究院有限公司 | 一种电力数据管理方法、装置、电子设备及存储介质 |
WO2022156159A1 (zh) * | 2021-01-22 | 2022-07-28 | 百度在线网络技术(北京)有限公司 | 模型参数调整的方法、设备、存储介质及程序产品 |
CN113191137A (zh) * | 2021-05-27 | 2021-07-30 | 中国工商银行股份有限公司 | 一种操作风险获取方法、系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111798047A (zh) | 风控预测方法、装置、电子设备及存储介质 | |
WO2018014786A1 (zh) | 评价模型的建模方法及装置 | |
CN109035003A (zh) | 基于机器学习的反欺诈模型建模方法和反欺诈监控方法 | |
CN110147823B (zh) | 一种风控模型训练方法、装置及设备 | |
CN109409677A (zh) | 企业信用风险评估方法、装置、设备及存储介质 | |
CN111080442A (zh) | 信用评分模型的构建方法、装置、设备及存储介质 | |
CN111507470A (zh) | 一种异常账户的识别方法及装置 | |
CN114186626A (zh) | 一种异常检测方法、装置、电子设备及计算机可读介质 | |
CN111681091A (zh) | 基于时间域信息的金融风险预测方法、装置及存储介质 | |
CN111666346A (zh) | 信息归并方法、交易查询方法、装置、计算机及存储介质 | |
WO2022037299A1 (zh) | 异常行为检测方法、装置、电子设备及计算机可读存储介质 | |
CN111428217A (zh) | 欺诈团伙识别方法、装置、电子设备及计算机可读存储介质 | |
CN111522724A (zh) | 异常账号的确定方法、装置、服务器及存储介质 | |
CN110929525A (zh) | 一种网贷风险行为分析检测方法、装置、设备和存储介质 | |
CN113807940B (zh) | 信息处理和欺诈行为识别方法、装置、设备及存储介质 | |
CN112184059A (zh) | 评分分析方法、装置、电子设备及存储介质 | |
CN114723652A (zh) | 细胞密度确定方法、装置、电子设备及存储介质 | |
CN113763057A (zh) | 用户身份画像的数据处理方法和装置 | |
CN110717817A (zh) | 贷前审核方法及装置、电子设备和计算机可读存储介质 | |
CN114697127B (zh) | 一种基于云计算的业务会话风险处理方法及服务器 | |
CN114722941A (zh) | 信贷违约识别方法、装置、设备和介质 | |
CN112529303A (zh) | 基于模糊决策的风险预测方法、装置、设备和存储介质 | |
CN110688371B (zh) | 数据调整方法、装置、电子设备及存储介质 | |
CN117350461B (zh) | 企业异常行为预警方法、系统、计算机设备及存储介质 | |
KR100686466B1 (ko) | 자산 평가 제공 방법 및 시스템과, 수익성에 대한 안정성 분석 제공 시스템 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201020 |
|
RJ01 | Rejection of invention patent application after publication |