CN112101721A - 一种风险评估方法及装置 - Google Patents
一种风险评估方法及装置 Download PDFInfo
- Publication number
- CN112101721A CN112101721A CN202010797444.8A CN202010797444A CN112101721A CN 112101721 A CN112101721 A CN 112101721A CN 202010797444 A CN202010797444 A CN 202010797444A CN 112101721 A CN112101721 A CN 112101721A
- Authority
- CN
- China
- Prior art keywords
- risk
- target user
- user
- target
- preset
- 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
Links
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
- G06Q10/06—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
- G06Q10/02—Reservations, e.g. for tickets, services or events
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种风险评估方法及装置,涉及网络约车技术领域。所述风险评估方法包括:获取目标用户的目标参数信息;将所述目标参数信息作为输入数据输入至预设的异常用户识别模型中,得到所述异常用户识别模型的输出结果;根据所述输出结果,确定所述目标用户对应的风险等级。本发明实施例提供的技术方案,能够在一定程度上解决现有技术中,由于黑灰产业为司机刷单,导致浪费车辆运力以及影响正常乘客打车的问题。
Description
技术领域
本发明涉及网络约车技术领域,尤其涉及一种风险评估方法及装置。
背景技术
随着互联网技术的发展,网络约车逐步融入人们的日常生活。网络约车服务不仅能够大大提高乘客的打车效率,其多元化服务模式也能够有效提升乘客的出行体验。
但现有技术中存在很多黑灰产业链,有些司机为了获得更多好评,可能会雇佣黑灰产业人员为其刷单,以获得好评。刷单过程中,若预约到的车辆不是目标司机的车辆,则会取消订单。这样在浪费车辆运力的同时,也会影响正常用户打车的效率。
发明内容
本发明实施例提供了一种风险评估方法及装置,以在一定程度上解决现有技术中,由于黑灰产业为司机刷单,导致浪费车辆运力以及影响正常乘客打车的问题。
为了解决上述技术问题,本发明实施例提供了以下技术方案:
第一方面,本发明实施例提供了一种风险评估方法,应用于服务器,所述风险评估方法包括:
获取目标用户的目标参数信息;其中,所述目标参数信息包括:历史打车消费信息以及用户设备中安装的应用程序信息;所述目标用户为注册有目标网络约车应用程序账号的用户;所述历史打车消费信息为通过所述目标网络约车应用程序打车的历史消费信息;
将所述目标参数信息作为输入数据输入至预设的异常用户识别模型中,得到所述异常用户识别模型的输出结果;其中,所述输出结果为所述目标用户为异常用户的概率值;
根据所述输出结果,确定所述目标用户对应的风险等级。
可选地,所述历史打车消费信息包括:所述目标用户最近一次打车消费距当前时刻的时间间隔、所述目标用户距当前时刻的第一预设时长内的打车消费次数以及所述目标用户距当前时刻的第二预设时长内的实际打车消费金额。
可选地,所述用户设备中安装的应用程序信息包括:恶意应用程序的数量。
可选地,所述风险等级包括:低风险、中风险和高风险;
所述根据所述输出结果,确定所述目标用户对应的风险等级,包括:
在所述异常用户识别模型输出的概率值属于第一预设概率范围的情况下,确定所述目标用户对应的风险等级为低风险;
在所述异常用户识别模型输出的概率值属于第二预设概率范围的情况下,确定所述目标用户对应的风险等级为中风险;
在所述异常用户识别模型输出的概率值属于第三预设概率范围的情况下,确定所述目标用户对应的风险等级为高风险;
其中,所述第一预设概率范围中的最大值小于所述第二预设概率范围中的最小值,所述第二预设概率范围的最大值小于所述第三预设概率范围中的最大值。
可选地,在所述根据所述输出结果,确定所述目标用户对应的风险等级之后,所述风险评估方法还包括:
在所述目标用户对应的风险等级为中风险的情况下,降低对所述目标用户派车的概率;
在所述目标用户对应的风险等级为高风险的情况下,对所述目标用户执行禁止网络约车策略。
第二方面,本发明实施例提供了一种风险评估装置,应用于服务器,所述风险评估装置包括:
获取模块,用于获取目标用户的目标参数信息;其中,所述目标参数信息包括:历史打车消费信息以及用户设备中安装的应用程序信息;所述目标用户为注册有目标网络约车应用程序账号的用户;所述历史打车消费信息为通过所述目标网络约车应用程序打车的历史消费信息;
预测模块,用于将所述目标参数信息作为输入数据输入至预设的异常用户识别模型中,得到所述异常用户识别模型的输出结果;其中,所述输出结果为所述目标用户为异常用户的概率值;
确定模块,用于根据所述输出结果,确定所述目标用户对应的风险等级。
可选地,所述历史打车消费信息包括:所述目标用户最近一次打车消费距当前时刻的时间间隔、所述目标用户距当前时刻的第一预设时长内的打车消费次数以及所述目标用户距当前时刻的第二预设时长内的实际打车消费金额。
可选地,所述用户设备中安装的应用程序信息包括:恶意应用程序的数量。
可选地,所述风险等级包括:低风险、中风险和高风险;
所述确定模块包括:
第一确定单元,用于在所述异常用户识别模型输出的概率值属于第一预设概率范围的情况下,确定所述目标用户对应的风险等级为低风险;
第二确定单元,用于在所述异常用户识别模型输出的概率值属于第二预设概率范围的情况下,确定所述目标用户对应的风险等级为中风险;
第三确定单元,用于在所述异常用户识别模型输出的概率值属于第三预设概率范围的情况下,确定所述目标用户对应的风险等级为高风险;
其中,所述第一预设概率范围中的最大值小于所述第二预设概率范围中的最小值,所述第二预设概率范围的最大值小于所述第三预设概率范围中的最大值。
可选地,所述风险评估装置还包括:
第一处理模块,用于在所述目标用户对应的风险等级为中风险的情况下,降低对所述目标用户派车的概率;
第二处理模块,用于在所述目标用户对应的风险等级为高风险的情况下,对所述目标用户执行禁止网络约车策略。
第三方面,本发明实施例提供了一种电子设备,所述电子设备包括:存储器、处理器及存储在存储器上并可在处理器上运行的程序或指令,所述处理器执行所述程序或指令时实现如上第一方面所述的风险评估方法中的步骤。
第四方面,本发明实施例提供了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程序或指令,所述程序或指令被处理器执行时实现如上第一方面所述的风险评估方法中的步骤。
本发明实施例中,基于历史打车消费信息以及用户设备中安装的应用程序信息,通过预设的异常用户识别模型,预测目标用户为异常用户的概率,然后根据该概率确定目标用户对应的风险等级。在得到目标用户对应的风险等级后,则可以根据风险等级执行相应的风险规避策略,从而降低异常用户的刷单行为对车辆运力以及正常用户打车的影响。
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为本发明实施例提供的应用于服务器的风险评估方法的流程示意图;
图2为本发明实施例提供的示例的流程示意图;
图3为本发明实施例提供的风险评估装置的框图;
图4为本发明实施例提供的电子设备的框图。
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,均属于本发明保护的范围。
依据本发明实施例的一个方面,提供了一种风险评估方法,应用于服务器。
如图1所示,该风险评估方法可以包括:
步骤101:获取目标用户的目标参数信息。
其中,目标参数信息包括:历史打车消费信息以及用户设备中安装的应用程序信息。
这里所述的目标用户为注册有目标网络约车应用程序账号的用户。这里所述的历史打车消费信息是指通过目标网络约车应用程序打车的历史消费信息。
步骤102:将目标参数信息作为输入数据输入至预设的异常用户识别模型中,得到该异常用户识别模型的输出结果。
这里所述的异常用户识别模型为预先训练好的模型。该模型训练时,同样是将用户的历史打车消费信息以及用户设备中安装的应用程序信息作为样本数据进行训练,因此,可以将目标用户的历史打车消费信息以及用户设备中安装的应用程序信息,作为输入数据输入至该模型中。其中,该模型的输出结果为一概率值,该概率值为目标用户为异常用户的概率值。
步骤103:根据该异常用户识别模型的输出结果,确定目标用户对应的风险等级。
在预测得到目标用户为异常用户的概率之后,可以根据概率值与风险等级之间的预设对应关系,确定目标用户对应的风险等级。
在得到目标用户对应的风险等级后,若风险等级达到需要风险规避的程度时,则可以针对目标用户执行相应的风险规避策略。例如,风险等级为高风险时,可以禁止目标用户下单,从而降低异常用户的刷单行为对车辆运力以及正常用户打车的影响。
可选地,前文提到,目标参数信息包括:历史打车消费信息。其中,该历史打车消费信息可以包括:目标用户最近一次打车消费距当前时刻的时间间隔、目标用户距当前时刻的第一预设时长内的打车消费次数以及目标用户距当前时刻的第二预设时长内的实际打车消费金额。这里所述的第一预设时长与第二预设时长可以是相同时长,也可以是不同时长。
其中,历史打车消费信息包括的前述三项信息分别对应RMF特征。其中,RFM中的R(即Recency)表示距今最近一次消费的时间间隔,对应上述“目标用户最近一次打车消费距当前时刻的时间间隔”;RFM中F(即Frequency)表示消费频率,对应上述“目标用户距当前时刻的第一预设时长内的打车消费次数”;RFM中M(即Monetary)表示消费金额,对应上述“目标用户距当前时刻的第二预设时长内的实际打车消费金额”。
基于用户的RMF特征,可以在一定程序上分析出用户是倾向于正常用户,还是倾向于异常用户。
例如,若某一用户短时间内打车消费的频率较高,但实际消费金额很小,则该用户可能存在刷单行为,也就是说该用户为异常用户的概率会大一些。
可选地,前文提到,目标参数信息包括:用户设备中安装的应用程序信息。其中,该用户设备中安装的应用程序信息可以包括:恶意应用程序的数量。
一般,用户设备中安装的恶意应用程序的数量越多,该用户设备对应的目标用户为异常用户的概率越大,因此,可以将用户设备中安装的恶意应用程序的数量,作为评估目标用户是否为异常用户的参数。
其中,本发明实施例中,可以预先将一些应用程序标记为恶意应用程序,在确定用户设备中安装的恶意应用程序的数量时,可以先判断用户设备中是否安装有预先被标记为恶意应用程序的应用程序,然后再统计安装的恶意应用程序的数量。
可选地,本发明实施例中,针对用户可以进行风险等级的划分,例如,可以将风险等级划分为:低风险、中风险和高风险。当然,风险等级的划分并不仅限于此,还可以划分为:极低风险、低风险、中风险、高风险、极高风险等更多等级,具体情况可以根据实际需求进行划分。
下面以“风险等级划分为:低风险、中风险和高风险”为例,说明如何根据异常用户识别模型的输出结果,确定目标用户对应的风险等级。
在异常用户识别模型输出的概率值属于第一预设概率范围的情况下,确定目标用户对应的风险等级为低风险;在异常用户识别模型输出的概率值属于第二预设概率范围的情况下,确定目标用户对应的风险等级为中风险;在异常用户识别模型输出的概率值属于第三预设概率范围的情况下,确定目标用户对应的风险等级为高风险。
其中,第一预设概率范围中的最大值小于第二预设概率范围中的最小值,第二预设概率范围的最大值小于第三预设概率范围中的最大值。
本发明实施例中,可以根据风险等级与概率范围的预设对应关系,确定目标用户为异常用户的概率值对应的风险等级。
可选地,在步骤103:根据异常用户识别模型的输出结果,确定目标用户对应的风险等级之后,该风险评估方法还可以包括:根据目标用户对应的风险等级,确定并执行对应的风险规避策略。
例如,在目标用户对应的风险等级为低风险的情况下,允许目标用户正常网络约车,即没有对应的风险规避策略。
再例如,在目标用户对应的风险等级为中风险的情况下,可以对目标用户执行预付款策略(即需要用户预付预设金额的车费),和/或,降低对目标用户派车的概率。可选地,在对目标用户执行预付款策略的情况下,若目标用户取消订单,则可以延长退款时间。可选地,对于降低对目标用户派车的概率的情况,可以通过如下方式实现:目前乘客与车辆之间的匹配是根据人车之间的距离确定的,因此,为了降低派车给目标用户的概率,可以在人车距离的基础上,乘以大于1的风险系数,从而增加人车距离,使目标用户更不容易被接单。
又例如,在目标用户对应的风险等级为高风险的情况下,可以对目标用户执行禁止网络约车策略(即禁止目标用户下单)或对目标用户执行禁止派单策略(即不对目标用户的订单分配车辆),从而避免异常用户的刷单行为。可选地,在执行风险规避策略前,还可以通过人工校验的方式对目标用户进行校验,判断目标用户是否为虚拟用户。由于通过黑灰产刷单时,通常是由机器进行刷单,即目标用户并非真实存在,而此时预留的手机号码一般也为虚拟号码,若拨打该手机号码提示为空号或号码不存在等时,则可以认为目标用户为虚拟用户,存在刷单行为,则执行对应的风险规避策略。
本申请实施例中,可以预测目标用户为异常用户的概率,因此可以定量评估用户的风险等级,并针对不同风险等级,配置不同约车策略,在保证正常用户网络约车的情况下,可以限制异常用户的网络约车,从而降低异常用户的刷单行为对车辆运力以及正常用户网络约车产生的影响。
可选地,本申请实施例中,可以批量进行用户风险评估,例如,每隔预设时间(如每天凌晨12点),批量对注册有目标网络约车应用程序账号的用户进行风险评估。这种情况下,可以在检测到目标用户进行网络约车的情况下,获取预先得到风险评估结果(即目标用户对应的风险等级),并依据风险评估结果确定并执行对应的约车策略。这样,由于风险评估结果已预先得到,因此可以在用户进行网络约车的情况下,更加快速地依据风险评估结果确定并执行约车策略,从而及时拦截异常用户,减少损失。
此外,本申请实施例中,也可以在检测到目标用户进行网络约车的情况下,对目标用户进行风险评估,然后依据风险评估结果确定并执行对应的约车策略。这样得到风险评估结果更加具有即时性,准确性更高。
可选地,在步骤101:获取目标用户的目标参数信息之前,该风险评估方法还可以包括:训练该异常用户识别模型。
其中,如图2所示,对于该异常用户识别模型的训练,可以包括如下过程:
步骤201:对作为模型训练样本的用户标注标签。
在模型训练前,可以人工给一部分用户标注标签,将这部分用户作为模型训练样本(即样本用户)。该标签可以是异常用户标签,也可以是正常用户标签。例如,有100个作为模型训练样本的用户,其中,50人被标记为异常用户,另外50人被标记为正常用户。
步骤202:获取用于模型训练的样本数据。
在模型训练前,需要获取用于模型训练的样本数据,该样本数据为样本用户的目标参数信息,例如历史打车消费信息(如与RFM特征对应的消费信息)以及用户设备中安装的应用程序信息(如恶意应用程序的数量、网络约车应用程序的数量等)。
在获得目标参数信息后,可以对信息进行处理,将其转换为模型可以识别的数据。例如,将信息数值化,并将数值化的信息进行编码,得到模型可以识别的数据。
步骤203:将获得的样本数据输入至模型中,对模型进行训练。
在得到样本数据后,则可以将样本数据输入至模型中,利用样本数据以及预先标注的标签,对模型进行训练。
步骤204:在模型的输出结果未达到期望结果的情况下,或训练迭代次数未达到预设次数的请下,对模型参数进行调整。
例如,预先标注的标签为异常用户,但模型输出的概率值为0.1,且该概率值为用户为异常用户的概率值,显然,预测结果与实际情况不符,说明模型的预测精度还未达到期望精度,则需要对模型参数进行调整。
步骤205:继续利用样本数据对模型进行训练,直至模型的输出结果达到期望结果,或训练迭代次数达到预设次数为止。
在调整模型参数后,继续利用样本数据对模型进行训练,如此重复,直至模型的输出结果达到期望结果,或训练迭代次数达到预设次数为止,并保存此时的模型参数。
综上所述,基于历史打车消费信息以及用户设备中安装的应用程序信息,通过预设的异常用户识别模型,预测目标用户为异常用户的概率,然后根据该概率确定目标用户对应的风险等级。在得到目标用户对应的风险等级后,则可以根据风险等级执行相应的风险规避策略,从而降低异常用户的刷单行为对车辆运力以及正常用户打车的影响。
上面针对本发明实施例提供的风险评估方法进行了详细描述,下面继续对本发明实施例提供的风险评估装置进行描述。
依据本发明实施例的另一方面,提供了一种风险评估装置,应用于服务器。该风险评估装置能实现上述应用于服务器的风险评估方法实施例中的具体细节,并能达到相同的技术效果。
如图3所示,所述风险评估装置包括:
获取模块301,用于获取目标用户的目标参数信息。
其中,所述目标参数信息包括:历史打车消费信息以及用户设备中安装的应用程序信息;所述目标用户为注册有目标网络约车应用程序账号的用户;所述历史打车消费信息为通过所述目标网络约车应用程序打车的历史消费信息。
预测模块302,用于将所述目标参数信息作为输入数据输入至预设的异常用户识别模型中,得到所述异常用户识别模型的输出结果。
其中,所述输出结果为所述目标用户为异常用户的概率值。
确定模块303,用于根据所述输出结果,确定所述目标用户对应的风险等级。
可选地,所述历史打车消费信息包括:所述目标用户最近一次打车消费距当前时刻的时间间隔、所述目标用户距当前时刻的第一预设时长内的打车消费次数以及所述目标用户距当前时刻的第二预设时长内的实际打车消费金额。
可选地,所述用户设备中安装的应用程序信息包括:恶意应用程序的数量。
可选地,所述风险等级包括:低风险、中风险和高风险。
所述确定模块包括:
第一确定单元,用于在所述异常用户识别模型输出的概率值属于第一预设概率范围的情况下,确定所述目标用户对应的风险等级为低风险。
第二确定单元,用于在所述异常用户识别模型输出的概率值属于第二预设概率范围的情况下,确定所述目标用户对应的风险等级为中风险。
第三确定单元,用于在所述异常用户识别模型输出的概率值属于第三预设概率范围的情况下,确定所述目标用户对应的风险等级为高风险。
其中,所述第一预设概率范围中的最大值小于所述第二预设概率范围中的最小值,所述第二预设概率范围的最大值小于所述第三预设概率范围中的最大值。
可选地,所述风险评估装置还包括:
第一处理模块,用于在所述目标用户对应的风险等级为中风险的情况下,降低对所述目标用户派车的概率。
第二处理模块,用于在所述目标用户对应的风险等级为高风险的情况下,对所述目标用户执行禁止网络约车策略。
本发明实施例中,基于历史打车消费信息以及用户设备中安装的应用程序信息,通过预设的异常用户识别模型,预测目标用户为异常用户的概率,然后根据该概率确定目标用户对应的风险等级。在得到目标用户对应的风险等级后,则可以根据风险等级执行相应的风险规避策略,从而降低异常用户的刷单行为对车辆运力以及正常用户打车的影响。
对于上述风险评估装置实施例而言,由于其与应用于服务器的风险评估方法实施例基本相似,相关之处参见方法实施例的部分说明即可,为避免重复,这里便不再进行赘述。
依据本发明实施例的又一方面,提供了一种电子设备,该电子设备包括:存储器、处理器及存储在存储器上并可在处理器上运行的程序或指令,所述处理器执行所述程序或指令时实现上述风险评估方法中的步骤。
举个例子如下,图4示出了一种电子设备的实体结构示意图。
如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410、通信接口420以及存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行如下方法:
获取目标用户的目标参数信息;将所述目标参数信息作为输入数据输入至预设的异常用户识别模型中,得到所述异常用户识别模型的输出结果;根据所述输出结果,确定所述目标用户对应的风险等级。
其中,所述目标参数信息包括:历史打车消费信息以及用户设备中安装的应用程序信息;所述目标用户为注册有目标网络约车应用程序账号的用户;所述历史打车消费信息为通过所述目标网络约车应用程序打车的历史消费信息;所述输出结果为所述目标用户为异常用户的概率值。
此外,上述的存储器430中的逻辑指令可以通过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、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
依据本发明实施例的再一方面,提供了一种计算机可读存储介质,其上存储有程序或指令。
该程序或指令被处理器执行时可以执行上述应用于服务器的风险评估方法中的步骤,例如:
获取目标用户的目标参数信息;将所述目标参数信息作为输入数据输入至预设的异常用户识别模型中,得到所述异常用户识别模型的输出结果;根据所述输出结果,确定所述目标用户对应的风险等级。
其中,所述目标参数信息包括:历史打车消费信息以及用户设备中安装的应用程序信息;所述目标用户为注册有目标网络约车应用程序账号的用户;所述历史打车消费信息为通过所述目标网络约车应用程序打车的历史消费信息;所述输出结果为所述目标用户为异常用户的概率值。
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,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (12)
1.一种风险评估方法,应用于服务器,其特征在于,所述风险评估方法包括:
获取目标用户的目标参数信息;其中,所述目标参数信息包括:历史打车消费信息以及用户设备中安装的应用程序信息;所述目标用户为注册有目标网络约车应用程序账号的用户;所述历史打车消费信息为通过所述目标网络约车应用程序打车的历史消费信息;
将所述目标参数信息作为输入数据输入至预设的异常用户识别模型中,得到所述异常用户识别模型的输出结果;其中,所述输出结果为所述目标用户为异常用户的概率值;
根据所述输出结果,确定所述目标用户对应的风险等级。
2.根据权利要求1所述的风险评估方法,其特征在于,所述历史打车消费信息包括:所述目标用户最近一次打车消费距当前时刻的时间间隔、所述目标用户距当前时刻的第一预设时长内的打车消费次数以及所述目标用户距当前时刻的第二预设时长内的实际打车消费金额。
3.根据权利要求1所述的风险评估方法,其特征在于,所述用户设备中安装的应用程序信息包括:恶意应用程序的数量。
4.根据权利要求1所述的风险评估方法,其特征在于,所述风险等级包括:低风险、中风险和高风险;
所述根据所述输出结果,确定所述目标用户对应的风险等级,包括:
在所述异常用户识别模型输出的概率值属于第一预设概率范围的情况下,确定所述目标用户对应的风险等级为低风险;
在所述异常用户识别模型输出的概率值属于第二预设概率范围的情况下,确定所述目标用户对应的风险等级为中风险;
在所述异常用户识别模型输出的概率值属于第三预设概率范围的情况下,确定所述目标用户对应的风险等级为高风险;
其中,所述第一预设概率范围中的最大值小于所述第二预设概率范围中的最小值,所述第二预设概率范围的最大值小于所述第三预设概率范围中的最大值。
5.根据权利要求4所述的风险评估方法,其特征在于,在所述根据所述输出结果,确定所述目标用户对应的风险等级之后,所述风险评估方法还包括:
在所述目标用户对应的风险等级为中风险的情况下,降低对所述目标用户派车的概率;
在所述目标用户对应的风险等级为高风险的情况下,对所述目标用户执行禁止网络约车策略。
6.一种风险评估装置,应用于服务器,其特征在于,所述风险评估装置包括:
获取模块,用于获取目标用户的目标参数信息;其中,所述目标参数信息包括:历史打车消费信息以及用户设备中安装的应用程序信息;所述目标用户为注册有目标网络约车应用程序账号的用户;所述历史打车消费信息为通过所述目标网络约车应用程序打车的历史消费信息;
预测模块,用于将所述目标参数信息作为输入数据输入至预设的异常用户识别模型中,得到所述异常用户识别模型的输出结果;其中,所述输出结果为所述目标用户为异常用户的概率值;
确定模块,用于根据所述输出结果,确定所述目标用户对应的风险等级。
7.根据权利要求6所述的风险评估装置,其特征在于,所述历史打车消费信息包括:所述目标用户最近一次打车消费距当前时刻的时间间隔、所述目标用户距当前时刻的第一预设时长内的打车消费次数以及所述目标用户距当前时刻的第二预设时长内的实际打车消费金额。
8.根据权利要求6所述的风险评估装置,其特征在于,所述用户设备中安装的应用程序信息包括:恶意应用程序的数量。
9.根据权利要求6所述的风险评估装置,其特征在于,所述风险等级包括:低风险、中风险和高风险;
所述确定模块包括:
第一确定单元,用于在所述异常用户识别模型输出的概率值属于第一预设概率范围的情况下,确定所述目标用户对应的风险等级为低风险;
第二确定单元,用于在所述异常用户识别模型输出的概率值属于第二预设概率范围的情况下,确定所述目标用户对应的风险等级为中风险;
第三确定单元,用于在所述异常用户识别模型输出的概率值属于第三预设概率范围的情况下,确定所述目标用户对应的风险等级为高风险;
其中,所述第一预设概率范围中的最大值小于所述第二预设概率范围中的最小值,所述第二预设概率范围的最大值小于所述第三预设概率范围中的最大值。
10.根据权利要求9所述的风险评估装置,其特征在于,所述风险评估装置还包括:
第一处理模块,用于在所述目标用户对应的风险等级为中风险的情况下,降低对所述目标用户派车的概率;
第二处理模块,用于在所述目标用户对应的风险等级为高风险的情况下,对所述目标用户执行禁止网络约车策略。
11.一种电子设备,包括:处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,其特征在于,所述程序或指令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评估方法中的步骤。
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程序或指令,所述程序或指令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评估方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010797444.8A CN112101721B (zh) | 2020-08-10 | 2020-08-10 | 一种风险评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010797444.8A CN112101721B (zh) | 2020-08-10 | 2020-08-10 | 一种风险评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112101721A true CN112101721A (zh) | 2020-12-18 |
CN112101721B CN112101721B (zh) | 2022-05-20 |
Family
ID=73752803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010797444.8A Active CN112101721B (zh) | 2020-08-10 | 2020-08-10 | 一种风险评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101721B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819476A (zh) * | 2021-02-25 | 2021-05-18 | 北京互金新融科技有限公司 | 风险识别方法、装置、非易失性存储介质和处理器 |
CN115022097A (zh) * | 2022-08-09 | 2022-09-06 | 南通荣合计算机科技有限公司 | 一种公共信息安全监测的方法和系统 |
CN115591742A (zh) * | 2022-09-30 | 2023-01-13 | 深圳芯光智能技术有限公司(Cn) | 一种点胶质量识别的点胶机自动控制方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740840A (zh) * | 2018-11-23 | 2019-05-10 | 深圳市大东车慧科技股份有限公司 | 一种基于人、车、路和环境的多元分析驾驶风险评估系统 |
CN110222964A (zh) * | 2019-05-28 | 2019-09-10 | 阿里巴巴集团控股有限公司 | 一种用户账户风险防控方法、系统及电子设备 |
US20190279219A1 (en) * | 2016-11-15 | 2019-09-12 | China Unionpay Co., Ltd. | Method and device for vehicle-borne payment |
CN111340574A (zh) * | 2020-05-15 | 2020-06-26 | 支付宝(杭州)信息技术有限公司 | 风险用户的识别方法、装置和电子设备 |
-
2020
- 2020-08-10 CN CN202010797444.8A patent/CN112101721B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190279219A1 (en) * | 2016-11-15 | 2019-09-12 | China Unionpay Co., Ltd. | Method and device for vehicle-borne payment |
CN109740840A (zh) * | 2018-11-23 | 2019-05-10 | 深圳市大东车慧科技股份有限公司 | 一种基于人、车、路和环境的多元分析驾驶风险评估系统 |
CN110222964A (zh) * | 2019-05-28 | 2019-09-10 | 阿里巴巴集团控股有限公司 | 一种用户账户风险防控方法、系统及电子设备 |
CN111340574A (zh) * | 2020-05-15 | 2020-06-26 | 支付宝(杭州)信息技术有限公司 | 风险用户的识别方法、装置和电子设备 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819476A (zh) * | 2021-02-25 | 2021-05-18 | 北京互金新融科技有限公司 | 风险识别方法、装置、非易失性存储介质和处理器 |
CN115022097A (zh) * | 2022-08-09 | 2022-09-06 | 南通荣合计算机科技有限公司 | 一种公共信息安全监测的方法和系统 |
CN115022097B (zh) * | 2022-08-09 | 2022-10-25 | 南通荣合计算机科技有限公司 | 一种公共信息安全监测的方法和系统 |
CN115591742A (zh) * | 2022-09-30 | 2023-01-13 | 深圳芯光智能技术有限公司(Cn) | 一种点胶质量识别的点胶机自动控制方法及系统 |
CN115591742B (zh) * | 2022-09-30 | 2023-09-12 | 深圳芯光智能技术有限公司 | 一种点胶质量识别的点胶机自动控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112101721B (zh) | 2022-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112101721B (zh) | 一种风险评估方法及装置 | |
CN109118779B (zh) | 交通违章信息识别方法、设备及可读存储介质 | |
CN111784088A (zh) | 派单匹配方法、派单匹配装置、服务器和存储介质 | |
CN107766998A (zh) | 一种接单奖励处理方法及服务器 | |
CN108596632A (zh) | 一种基于订单属性和用户行为的反作弊识别方法及系统 | |
US20220188935A1 (en) | Insurance management system | |
CN109784586B (zh) | 车险的出险情况的预测方法及系统 | |
CN111091401A (zh) | 一种网约车定价方法、系统、存储介质及设备 | |
CN111754261B (zh) | 一种车辆出租意愿的评估方法、装置及终端设备 | |
CN111327661A (zh) | 推送方法、推送装置、服务器和计算机可读存储介质 | |
CN112208336A (zh) | 车辆用途识别方法及装置 | |
CN109993328B (zh) | 网络约车订单分配方法和装置 | |
CN111598275B (zh) | 一种电动汽车信用分评测方法、装置、设备和介质 | |
CN109472640A (zh) | 客户识别方法、装置、设备以及存储介质 | |
CN110956297A (zh) | 一种流失概率的预测处理方法及装置 | |
CN112801750B (zh) | 一种订单分配方法及装置 | |
CN111341153B (zh) | 行程驾驶的预警方法、装置、服务器和介质 | |
CN113723970B (zh) | 订单列表推送方法、装置、存储介质和计算机设备 | |
CN113408923B (zh) | 保费催收方法、装置、计算机设备和存储介质 | |
CN115169432A (zh) | 司机类型的确定方法和装置、数据处理方法 | |
CN113762621A (zh) | 网约车司机离职预测方法及系统 | |
Huang et al. | Study of Piecewise UBI Pricing Strategy based on the Risk Probability | |
CN113537554A (zh) | 一种乘客支付意愿预测方法、装置及存储介质 | |
CN117115963A (zh) | 无人公交自助刷银行卡公交卡一体终端机 | |
CN116883005A (zh) | 一种网络货运运费垫付异常预警管控的方法 |
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 |