CN112348659B - 用户识别策略的分配方法、装置及电子设备 - Google Patents
用户识别策略的分配方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112348659B CN112348659B CN202011132002.8A CN202011132002A CN112348659B CN 112348659 B CN112348659 B CN 112348659B CN 202011132002 A CN202011132002 A CN 202011132002A CN 112348659 B CN112348659 B CN 112348659B
- Authority
- CN
- China
- Prior art keywords
- user
- users
- community
- risk
- communities
- 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
- 230000003993 interaction Effects 0.000 claims abstract description 15
- 230000002776 aggregation Effects 0.000 claims description 19
- 238000004220 aggregation Methods 0.000 claims description 19
- 238000003066 decision tree Methods 0.000 claims description 15
- 238000013468 resource allocation Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 14
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 9
- 238000007726 management method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000011835 investigation Methods 0.000 description 5
- 230000002452 interceptive effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012502 risk assessment Methods 0.000 description 4
- 238000012550 audit Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
Abstract
本公开涉及一种用户风险识别策略的分配方法、装置、电子设备及计算机可读介质。该方法包括：获取多个用户的用户信息，所述用户信息中包括基础数据和互动数据；基于社区发现算法确定所述多个用户中每一个用户所在社区的编号；基于所述多个用户中每一个用户所在社区的编号和用户信息将所述多个用户分为多个用户群，并确定所述多个用户群的标签；基于所述用户群的标签为所述多个用户群分别分配用户风险识别策略。本公开涉及的用户风险识别策略的分配方法、装置，能够将用户划分为不同的风险客群，进而根据不同的风险客群结合不同处理方式，在控制合理的人力成本情况下，将更多的团案风险客户管控起来，避免与降低团队欺诈带来的损失。
Description
技术领域
本公开涉及计算机信息处理领域，具体而言，涉及一种用户风险识别策略的分配方法、装置、电子设备及计算机可读介质。
背景技术
金融风险防范是指金融市场主体在对相关分析的基础上运用一定的方法合规性地防范风险发生或规避风险以实现预期目标的行为。在当前的环境中，随着个人信贷需求的增加，涌现了越来越多的提供给个人用户的金融服务的公司，对于这些金融类的服务公司而言，提前预防用户个人的金融风险，是一个热门技术领域。
传统金融机构对于用户的金融风险评估主要依据两种方式：一种是人为评估，主要依靠人类的历史经验进行评估，这种人工评判的方式一方面增加了人工成本和处理时间，而且具有滞后性；另一种是依据个人信用评分系统，现有技术中用户金融风险评估系统在进行用户金融风险评估时依赖于一些基础数据，得到用户的画像，进而为用户提供有针对性的服务。
随着金融服务平台的普及，越来越多的欺诈行为开始显现，金融服务平台面临着很多欺诈风险，包括借新还旧、中介、中介代办等具体分类，这类人伪装成用户后，往往会将用户信息伪装的很完美，仅仅从用户信息上是很难将这些人识别出来的，这种欺诈用户会导致金融机构在后续放款后造成巨大的坏账损失。
因此，需要一种新的用户风险识别策略的分配方法、装置、电子设备及计算机可读介质。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此，本公开提供一种用户风险识别策略的分配方法、装置、电子设备及计算机可读介质，能够将用户划分为不同的风险客群，进而根据不同的风险客群结合直接管控、黑名单与人工审核排查的处理方式，在控制合理的人力成本情况下，将更多的团案风险客户管控起来，避免与降低团队欺诈带来的损失。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一方面，提出一种用户风险识别策略的分配方法，该方法包括：获取多个用户的用户信息，所述用户信息中包括基础数据和互动数据；基于社区发现算法确定所述多个用户中每一个用户所在社区的编号；基于所述多个用户中每一个用户所在社区的编号和用户信息将所述多个用户分为多个用户群，并确定所述多个用户群的标签；基于所述用户群的标签为所述多个用户群分别分配用户风险识别策略。
可选地，还包括：基于所述风险识别策略依次确定所述多个用户群中每一个用户的用户标签；基于所述用户的标签为所述每一个用户进行资源分配。
可选地，基于社区发现算法确定所述多个用户中每一个用户所在社区的编号，包括：基于所述互动数据构建社交关系网络，所述关系网络为有向关系网络；基于所述社交关系网络通过社区发现算法将所述多个用户分为多个社区；为所述多个社区和其对应的用户分配社区的编号。
可选地，基于社区发现算法确定所述多个用户中每一个用户所在社区的编号，还包括：基于所述多个社区和网页排名算法确定社区中每一个用户的影响力因子。
可选地，基于所述多个用户中每一个用户所在社区的编号和用户信息将所述多个用户分为多个用户群，并确定所述多个用户群的标签，包括：基于所述多个用户中每一个用户所在社区的编号和用户信息确定客户聚集性指标；基于所述客户聚集性指标和决策树算法将所述多个用户分为多个用户群，并确定所述多个用户群的标签。
可选地，基于所述多个用户中每一个用户所在社区的编号和用户信息确定客户聚集性指标，包括：基于所述社区的编号将多个用户分为多个用户组；基于用户组的用户数量和用户组中用户的用户信息确定客户聚集性指标。
可选地，基于所述客户聚集性指标和决策树算法将所述多个用户分为多个用户群，并确定所述多个用户群的标签，包括：将所述客户聚集性指标划分为多个判别范围；为多个判别范围分别确定用户群的标签；基于所述多个判别范围和决策树算法将所述多个用户分为多个用户群并分配用户群的标签。
可选地，基于所述用户群的标签为所述多个用户群分别分配用户风险识别策略，还包括：在用户群的用户风险识别策略为高风险策略时，获取所述用户群中多个用户的影响力因子；在所述影响力因子高于阈值时，将所述影响力因子对应的用户进行人工审核。
可选地，基于所述风险识别策略依次确定所述多个用户群中每一个用户的用户标签，包括：基于所述风险识别策略确定用户群对应的风险识别模型；将用户的用户信息输入其用户群对应的所述风险识别模型中，得到用户风险值；基于所述用户风险值确定用户的用户标签。
可选地，还包括：在用户群的用户风险识别策略为高风险策略时，获取所述用户群中多个用户的用户信息；基于所述多个用户的用户信息进行综合审核，以确定是否存在团队欺诈风险。
根据本公开的一方面，提出一种用户风险识别策略的分配装置，该装置包括：信息模块，用于获取多个用户的用户信息，所述用户信息中包括基础数据和互动数据；社区模块，用于基于社区发现算法确定所述多个用户中每一个用户所在社区的编号；用户群模块，用于基于所述多个用户中每一个用户所在社区的编号和用户信息将所述多个用户分为多个用户群，并确定所述多个用户群的标签；风险策略模块，用于基于所述用户群的标签为所述多个用户群分别分配用户风险识别策略。
可选地，还包括：标签模块，用于基于所述风险识别策略依次确定所述多个用户群中每一个用户的用户标签；资源模块，用于基于所述用户的标签为所述每一个用户进行资源分配。
可选地，所述社区模块，包括：网络单元，用于基于所述互动数据构建社交关系网络，所述关系网络为有向关系网络；社区单元，用于基于所述社交关系网络通过社区发现算法将所述多个用户分为多个社区；编号单元，用于为所述多个社区和其对应的用户分配社区的编号。
可选地，所述社区模块，还包括：因子单元，用于基于所述多个社区和网页排名算法确定社区中每一个用户的影响力因子。
可选地，所述用户群模块，包括：指标单元，用于基于所述多个用户中每一个用户所在社区的编号和用户信息确定客户聚集性指标；用户群单元，用于基于所述客户聚集性指标和决策树算法将所述多个用户分为多个用户群，并确定所述多个用户群的标签。
可选地，所述指标单元，还用于基于所述社区的编号将多个用户分为多个用户组；基于用户组的用户数量和用户组中用户的用户信息确定客户聚集性指标。
可选地，所述用户群单元，还用于将所述客户聚集性指标划分为多个判别范围；为多个判别范围分别确定用户群的标签；基于所述多个判别范围和决策树算法将所述多个用户分为多个用户群并分配用户群的标签。
可选地，所述风险策略模块，还包括：审核单元，用于在用户群的用户风险识别策略为高风险策略时，获取所述用户群中多个用户的影响力因子；在所述影响力因子高于阈值时，将所述影响力因子对应的用户进行人工审核。
可选地，所述标签模块，包括：模型单元，用于基于所述风险识别策略确定用户群对应的风险识别模型；计算单元，用于将用户的用户信息输入其用户群对应的所述风险识别模型中，得到用户风险值；确定单元，用于基于所述用户风险值确定用户的用户标签。
可选地，还包括：团队风险模块，用于在用户群的用户风险识别策略为高风险策略时，获取所述用户群中多个用户的用户信息；基于所述多个用户的用户信息进行综合审核，以确定是否存在团队欺诈风险。
根据本公开的一方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上文的方法。
根据本公开的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中的方法。
根据本公开的用户风险识别策略的分配方法、装置、电子设备及计算机可读介质，获取多个用户的用户信息，所述用户信息中包括基础数据和互动数据；基于社区发现算法确定所述多个用户中每一个用户所在社区的编号；基于所述多个用户中每一个用户所在社区的编号和用户信息将所述多个用户分为多个用户群，并确定所述多个用户群的标签；基于所述用户群的标签为所述多个用户群分别分配用户风险识别策略的方式，能够将用户划分为不同的风险客群，进而根据不同的风险客群结合直接管控、黑名单与人工审核排查的处理方式，在控制合理的人力成本情况下，将更多的团案风险客户管控起来，避免与降低团队欺诈带来的损失。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
通过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的一种用户风险识别策略的分配方法及装置的系统框图。
图2是根据一示例性实施例示出的一种用户风险识别策略的分配方法的流程图。
图3是根据另一示例性实施例示出的一种用户风险识别策略的分配方法的示意图。
图4是根据另一示例性实施例示出的一种用户风险识别策略的分配方法的流程图。
图5是根据另一示例性实施例示出的一种用户风险识别策略的分配方法的示意图。
图6是根据一示例性实施例示出的一种用户风险识别策略的分配装置的框图。
图7是根据另一示例性实施例示出的一种用户风险识别策略的分配装置的框图。
图8是根据一示例性实施例示出的一种电子设备的框图。
图9是根据一示例性实施例示出的一种计算机可读介质的框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本公开所必须的，因此不能用于限制本公开的保护范围。
本发明中，资源是指任何可被利用的物质、信息、时间，信息资源包括计算资源和各种类型的数据资源。数据资源包括各个领域中的各种专用数据。本发明的创新之处在于如何使用服务器和客户端之间的信息交互技术来使资源分配的过程更加自动化、高效和减小人力成本。由此，从本质上来说，本发明可以应用于各类资源的分配，包括实体的货物、水、电，以及有意义的资料等。但是，为了方便起见，本发明中以金融数据资源为例进行说明资源分配的实施，但本领域技术人员应当理解，本发明亦可以用于其他资源的分配。
图1是根据一示例性实施例示出的一种用户风险识别策略的分配方法及装置的系统框图。
如图1所示，系统架构10可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如金融服务类应用、购物类应用、网页浏览器应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的金融服务类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的用户数据进行分析等处理，并将处理结果(例如用户风险策略或资源配额)反馈给金融服务网站的管理员和/或终端设备101、102、103。
服务器105可例如获取多个用户的用户信息，所述用户信息中包括基础数据和互动数据；服务器105可例如基于社区发现算法确定所述多个用户中每一个用户所在社区的编号；服务器105可例如基于所述多个用户中每一个用户所在社区的编号和用户信息将所述多个用户分为多个用户群，并确定所述多个用户群的标签；服务器105可例如基于所述用户群的标签为所述多个用户群分别分配用户风险识别策略。
服务器105还可例如基于所述风险识别策略依次确定所述多个用户群中每一个用户的用户标签；服务器105还可例如基于所述用户的标签为所述每一个用户进行资源分配。
服务器105可以是一个实体的服务器，还可例如为多个服务器组成，需要说明的是，本公开实施例所提供的用户风险识别策略的分配方法可以由服务器105执行，相应地，用户风险识别策略的分配装置可以设置于服务器105中。而提供给用户进行金融服务平台浏览的网页端一般位于终端设备101、102、103中。
图2是根据一示例性实施例示出的一种用户风险识别策略的分配方法的流程图。用户风险识别策略的分配方法20至少包括步骤S202至S208。
如图2所示，在S202中，获取多个用户的用户信息，所述用户信息中包括基础数据和互动数据。其中，基础数据可包括用户的性别、年龄、职业、住址等等，互动数据可包括用户在本网络平台上或者其他第三方网络平台上和其他用户的互动数据，还可包括用户和其他用户之间的语音通讯数据等等。
在S204中，基于社区发现算法确定所述多个用户中每一个用户所在社区的编号。可例如，可基于所述互动数据构建社交关系网络，所述关系网络为有向关系网络；基于所述社交关系网络通过社区发现算法将所述多个用户分为多个社区；为所述多个社区和其对应的用户分配社区的编号。
其中，社区发现算法(Louvain)是基于模块度(Modularity)的社区发现算法，通过模块度来衡量一个社区的紧密程度。如果一个节点加入到某一社区中会使得该社区的模块度有最大程度的增加，则该节点就应当属于该社区。如果加入其它社区后没有使其模块度增加，则留在自己当前社区中。
其中，基于社区发现算法确定所述多个用户中每一个用户所在社区的编号，还包括：基于所述多个社区和网页排名算法(PageRank)确定社区中每一个用户的影响力因子。PageRank，又称网页级别，它是根据页面之间的超链接计算的技术，作为网页排名的要素之一。它通过网络浩瀚的超链接关系来确定一个页面的等级。把从A页面到B页面的链接解释为A页面给B页面投票，根据投票的来源(甚至来源的来源，即链接到A页面的页面)和投票目标的等级来决定新的等级。简单地说，一个高等级的页面可以使其他低等级页面的等级提升。PageRank可理解为中心性算法，PageRank可由社区中的大量用户中确定每个用户对该社区的影响因子，影响因子越大的用户其中心性越强。
在S206中，基于所述多个用户中每一个用户所在社区的编号和用户信息将所述多个用户分为多个用户群，并确定所述多个用户群的标签。更具体的，可如上文所述，通过客户的社交关系构建有向关系网，利用Louvain算法计算出客户所在社区编号，用PageRank算法计算出客户的影响力因子(值越大，表明客户在社区中的影响力越大)。如图3所示，社区编号相同的客户组成一个社区，每个客户拥有自己的影响力因子。
利用此种方式，可以将客户划分为不同的社区，并标注客户影响力大小。便于发现高影响力的团案头目，以及坏客户集中的社区。
在S208中，基于所述用户群的标签为所述多个用户群分别分配用户风险识别策略。用户群的标签可包括高风险，中等风险和低风险。更具体的，可为高风险用户群分配安全级别较高的风险识别策略，具体可包括应用多个风险模型对高风险的用户群中的用户进行综合计算，还可结合人工审核的方式对高风险的用户群中的用户进行综合审核。对于中等风险和低风险的用户群中的用户，可分别分配不同的安全等级的风险识别策略，以对用户群中的用户进行风险分析。
在一个实施例中，还包括：在用户群的用户风险识别策略为高风险策略时，获取所述用户群中多个用户的影响力因子；在所述影响力因子高于阈值时，将所述影响力因子对应的用户进行人工审核。
在一个实施例中，还包括：基于所述风险识别策略依次确定所述多个用户群中每一个用户的用户标签；基于所述用户的标签为所述每一个用户进行资源分配。更具体的，可根据不同的安全等级为用户分配不同额度的资源。
其中，基于所述风险识别策略依次确定所述多个用户群中每一个用户的用户标签，包括：基于所述风险识别策略确定用户群对应的风险识别模型；将用户的用户信息输入其用户群对应的所述风险识别模型中，得到用户风险值；基于所述用户风险值确定用户的用户标签。
在一个实施例中，还包括：在用户群的用户风险识别策略为高风险策略时，获取所述用户群中多个用户的用户信息；基于所述多个用户的用户信息进行综合审核，以确定是否存在团队欺诈风险。
在一个具体的实施例中，可例如，若用户A满足高风险条件时，用户A被打上‘高风险’标签，对该用户管制、限制交易并加入黑名单处理。若用户B满足中风险条件时，用户B被打上‘中风险’标签，对该用户进行人工审核，排查团案风险点，若确认有团案风险，则该用户管制、限制交易并加入黑名单处理。若无团案风险，则视为正常客户，不做处理。若用户C满足低风险条件时，用户C被打上‘低风险’标签，视为正常客户，不作处理。
根据本公开的用户风险识别策略的分配方法，基于社区发现算法确定多个用户中每一个用户所在社区的编号；基于所述多个用户中每一个用户所在社区的编号和用户信息将所述多个用户分为多个用户群，并确定所述多个用户群的标签；基于所述用户群的标签为所述多个用户群分别分配用户风险识别策略的方式，能够将用户划分为不同的风险客群，进而根据不同的风险客群结合直接管控、黑名单与人工审核排查的处理方式，在控制合理的人力成本情况下，将更多的团案风险客户管控起来，避免与降低团队欺诈带来的损失。
应清楚地理解，本公开描述了如何形成和使用特定示例，但本公开的原理不限于这些示例的任何细节。相反，基于本公开公开的内容的教导，这些原理能够应用于许多其它实施例。
图4是根据另一示例性实施例示出的一种用户风险识别策略的分配方法的流程图。图4所示的流程40是对图2所示的流程中S206“基于所述多个用户中每一个用户所在社区的编号和用户信息将所述多个用户分为多个用户群，并确定所述多个用户群的标签”的详细描述。
如图4所示，在S402中，基于所述社区的编号将多个用户分为多个用户组。
在S404中，基于用户组的用户数量和用户组中用户的用户信息确定客户聚集性指标。通过客户的社区编号、客户本人是否在贷款业务中拒件、逾期、存在欺诈风险等，生成客户聚集性指标。客户聚集性指标可由所在社区人数、所在社区拒件率、所在社区逾期率、所在社区风险率等结合历史经验值确定。
在S406中，将所述客户聚集性指标划分为多个判别范围。
在S408中，为多个判别范围分别确定用户群的标签。每个客群有相应的判断条件，如中高风险用户的判定条件为：所在社区风险率>0.01，且该用户所在社区人数>300。
在S410中，基于所述多个判别范围和决策树算法将所述多个用户分为多个用户群并分配用户群的标签。根据上述指标，通过决策树算法，将客户划分为高风险、中风险、低风险客群。
如图5所示，分类的指标可包括：社区中的样本数量在总用户的比重，社区的总风险率、拒件率、社区人数、影响力因子等等更多个方面，还可在实际的应该过程中，根据具体的问题选择不同的分类指标进行用户分类，本公开不以此为限。
其中，决策树算法是一种逼近离散函数值的方法。它是一种典型的分类方法，首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。本质上决策树是通过一系列规则对数据进行分类的过程。
本公开的用户风险识别策略的分配方法，针对信贷业务场景，为了降低恶意欺诈团伙对公司造成的损失，维护公司品牌形象。根据体内客户关系网信息，识别分析相关客户的团案风险，并对不同风险程度的客户进一步采取管控措施，以达到减少团案损失的效果。
根据体内所有客户的关系网信息，利用Louvain、PageRank算法，判断客户所属社区与影响力；结合社区属性通过决策树模型将客户划分为高风险、中风险、低风险客群。并对高风险客户实施管控，对其关联客户的授信、交易行为进行严格审核；对中风险客户进行深入调查挖掘确定或排除风险。从而有效识别欺诈关联团伙，减少公司损失，提高用户的使用体验。
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时，执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。
此外，需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
图6是根据另一示例性实施例示出的一种用户风险识别策略的分配装置的框图。如图6所示，用户风险识别策略的分配装置60包括：信息模块602，社区模块604，用户群模块606，风险策略模块608。
信息模块602用于获取多个用户的用户信息，所述用户信息中包括基础数据和互动数据；
社区模块604用于基于社区发现算法确定所述多个用户中每一个用户所在社区的编号；所述社区模块604包括：网络单元，用于基于所述互动数据构建社交关系网络，所述关系网络为有向关系网络；社区单元，用于基于所述社交关系网络通过社区发现算法将所述多个用户分为多个社区；编号单元，用于为所述多个社区和其对应的用户分配社区的编号；因子单元，用于基于所述多个社区和网页排名算法确定社区中每一个用户的影响力因子。
用户群模块606用于基于所述多个用户中每一个用户所在社区的编号和用户信息将所述多个用户分为多个用户群，并确定所述多个用户群的标签；所述用户群模块606包括：指标单元，用于基于所述多个用户中每一个用户所在社区的编号和用户信息确定客户聚集性指标；所述指标单元，还用于基于所述社区的编号将多个用户分为多个用户组；基于用户组的用户数量和用户组中用户的用户信息确定客户聚集性指标；用户群单元，用于基于所述客户聚集性指标和决策树算法将所述多个用户分为多个用户群，并确定所述多个用户群的标签。所述用户群单元，还用于将所述客户聚集性指标划分为多个判别范围；为多个判别范围分别确定用户群的标签；基于所述多个判别范围和决策树算法将所述多个用户分为多个用户群并分配用户群的标签。
风险策略模块608用于基于所述用户群的标签为所述多个用户群分别分配用户风险识别策略。所述风险策略模块608还包括：审核单元，用于在用户群的用户风险识别策略为高风险策略时，获取所述用户群中多个用户的影响力因子；在所述影响力因子高于阈值时，将所述影响力因子对应的用户进行人工审核。
图7是根据一示例性实施例示出的一种用户风险识别策略的分配装置的框图。如图7所示，用户风险识别策略的分配装置70包括：标签模块702，资源模块704，团队风险模块706。
标签模块702用于基于所述风险识别策略依次确定所述多个用户群中每一个用户的用户标签；所述标签模块702包括：模型单元，用于基于所述风险识别策略确定用户群对应的风险识别模型；计算单元，用于将用户的用户信息输入其用户群对应的所述风险识别模型中，得到用户风险值；确定单元，用于基于所述用户风险值确定用户的用户标签。
资源模块704用于基于所述用户的标签为所述每一个用户进行资源分配。
团队风险模块706用于在用户群的用户风险识别策略为高风险策略时，获取所述用户群中多个用户的用户信息；基于所述多个用户的用户信息进行综合审核，以确定是否存在团队欺诈风险。
根据本公开的用户风险识别策略的分配装置，基于社区发现算法确定多个用户中每一个用户所在社区的编号；基于所述多个用户中每一个用户所在社区的编号和用户信息将所述多个用户分为多个用户群，并确定所述多个用户群的标签；基于所述用户群的标签为所述多个用户群分别分配用户风险识别策略的方式，能够将用户划分为不同的风险客群，进而根据不同的风险客群结合直接管控、黑名单与人工审核排查的处理方式，在控制合理的人力成本情况下，将更多的团案风险客户管控起来，避免与降低团队欺诈带来的损失。
图8是根据一示例性实施例示出的一种电子设备的框图。
下面参照图8来描述根据本公开的这种实施方式的电子设备800。图8显示的电子设备800仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示，电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于：至少一个处理单元810、至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830、显示单元840等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元810执行，使得所述处理单元810执行本说明书中的根据本公开各种示例性实施方式的步骤。例如，所述处理单元810可以执行如图2，图4中所示的步骤。
所述存储单元820可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)8201和/或高速缓存存储单元8202，还可以进一步包括只读存储单元(ROM)8203。
所述存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204，这样的程序模块8205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线830可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备800也可以与一个或多个外部设备800’(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备800交互的设备通信，和/或与使得该电子设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口850进行。并且，电子设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器860可以通过总线830与电子设备800的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备800使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，如图9所示，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述方法。
所述软件产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如下功能：获取多个用户的用户信息，所述用户信息中包括基础数据和互动数据；基于社区发现算法确定所述多个用户中每一个用户所在社区的编号；基于所述多个用户中每一个用户所在社区的编号和用户信息将所述多个用户分为多个用户群，并确定所述多个用户群的标签；基于所述用户群的标签为所述多个用户群分别分配用户风险识别策略。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施例的方法。
以上具体地示出和描述了本公开的示例性实施例。应可理解的是，本公开不限于这里描述的详细结构、设置方式或实现方法；相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
Claims (5)
1.一种用户识别策略的分配方法，其特征在于，包括：
获取多个用户的用户信息，所述用户信息中包括基础数据和在本网络平台和/或第三方网络平台上的和其他用户的互动数据；
基于所述互动数据构建社交关系网络，所述关系网络为有向关系网络；
基于所述社交关系网络通过社区发现算法将所述多个用户分为多个社区；
为所述多个社区和其对应的用户分配社区的编号；
基于所述多个社区和网页排名算法确定社区中每一个用户的影响力因子；
基于所述社区的编号将多个用户分为多个用户组；
基于用户组的用户数量和用户组中用户的用户信息确定客户聚集性指标；
将所述客户聚集性指标划分为多个判别范围；
为多个判别范围分别确定用户群的标签；
根据社区中的样本数量在总用户的比重，社区的总风险率、拒件率、社区人数、影响力因子与其对应的判别范围和决策树算法将所述多个用户分为多个用户群并分配用户群的标签；
基于所述用户群的标签为所述多个用户群分别分配用户识别策略。
2.如权利要求1所述的分配方法，其特征在于，还包括：
基于所述用户识别策略依次确定所述多个用户群中每一个用户的用户标签；
基于所述用户的标签为所述每一个用户进行资源分配。
3.一种用户识别策略的分配装置，其特征在于，包括：
信息模块，用于获取多个用户的用户信息，所述用户信息中包括基础数据和在本网络平台和/或第三方网络平台上的和其他用户的互动数据；
社区模块，用于基于所述互动数据构建社交关系网络，所述关系网络为有向关系网络；基于所述社交关系网络通过社区发现算法将所述多个用户分为多个社区；为所述多个社区和其对应的用户分配社区的编号；基于所述多个社区和网页排名算法确定社区中每一个用户的影响力因子；
用户群模块，用于基于所述社区的编号将多个用户分为多个用户组；基于用户组的用户数量和用户组中用户的用户信息确定客户聚集性指标；将所述客户聚集性指标划分为多个判别范围；为多个判别范围分别确定用户群的标签；根据社区中的样本数量在总用户的比重，社区的总风险率、拒件率、社区人数、影响力因子与其对应的判别范围和决策树算法将所述多个用户分为多个用户群并分配用户群的标签；
风险策略模块，用于基于所述用户群的标签为所述多个用户群分别分配用户识别策略。
4.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-2中任一所述的方法。
5.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-2中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011132002.8A CN112348659B (zh) | 2020-10-21 | 2020-10-21 | 用户识别策略的分配方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011132002.8A CN112348659B (zh) | 2020-10-21 | 2020-10-21 | 用户识别策略的分配方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112348659A CN112348659A (zh) | 2021-02-09 |
| CN112348659B true CN112348659B (zh) | 2024-03-19 |
Family
ID=74359513
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011132002.8A Active CN112348659B (zh) | 2020-10-21 | 2020-10-21 | 用户识别策略的分配方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112348659B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112926990B (zh) * | 2021-03-25 | 2022-08-30 | 支付宝(杭州)信息技术有限公司 | 欺诈识别的方法和装置 |
| CN113254510B (zh) * | 2021-07-06 | 2021-09-28 | 平安科技（深圳）有限公司 | 业务风险客群的识别方法、装置、设备及存储介质 |
| WO2024047668A1 (en) * | 2022-08-30 | 2024-03-07 | 1 Finance Private Limited | Comprehensive resource allocation |
| CN115860904A (zh) * | 2022-11-14 | 2023-03-28 | 中科聚信信息技术（北京）有限公司 | 信贷异常群体挖掘方法及装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107194623A (zh) * | 2017-07-20 | 2017-09-22 | 深圳市分期乐网络科技有限公司 | 一种团伙欺诈的发现方法及装置 |
| CN108009915A (zh) * | 2017-12-21 | 2018-05-08 | 连连银通电子支付有限公司 | 一种欺诈用户社区的标记方法及相关装置 |
| CN109978538A (zh) * | 2017-12-28 | 2019-07-05 | 阿里巴巴集团控股有限公司 | 确定欺诈用户、训练模型、识别欺诈风险的方法及装置 |
| CN110009216A (zh) * | 2019-03-28 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 信用风险用户识别方法及装置 |
| CN110135978A (zh) * | 2019-04-25 | 2019-08-16 | 北京淇瑀信息科技有限公司 | 用户金融风险评估方法、装置、电子设备和可读介质 |
| CN110297912A (zh) * | 2019-05-20 | 2019-10-01 | 平安科技（深圳）有限公司 | 欺诈识别方法、装置、设备及计算机可读存储介质 |
| CN110348725A (zh) * | 2019-07-02 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 基于区域社会环境信息的风险策略调整方法、装置和电子设备 |
| CN110992169A (zh) * | 2019-11-29 | 2020-04-10 | 深圳乐信软件技术有限公司 | 一种风险评估方法、装置、服务器及存储介质 |
| CN111126476A (zh) * | 2019-12-19 | 2020-05-08 | 支付宝(杭州)信息技术有限公司 | 一种同质风险单位特征集合生成方法、装置、设备及介质 |
| CN111309822A (zh) * | 2020-02-11 | 2020-06-19 | 深圳众赢维融科技有限公司 | 用户身份识别方法及装置 |
-
2020
- 2020-10-21 CN CN202011132002.8A patent/CN112348659B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107194623A (zh) * | 2017-07-20 | 2017-09-22 | 深圳市分期乐网络科技有限公司 | 一种团伙欺诈的发现方法及装置 |
| CN108009915A (zh) * | 2017-12-21 | 2018-05-08 | 连连银通电子支付有限公司 | 一种欺诈用户社区的标记方法及相关装置 |
| CN109978538A (zh) * | 2017-12-28 | 2019-07-05 | 阿里巴巴集团控股有限公司 | 确定欺诈用户、训练模型、识别欺诈风险的方法及装置 |
| CN110009216A (zh) * | 2019-03-28 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 信用风险用户识别方法及装置 |
| CN110135978A (zh) * | 2019-04-25 | 2019-08-16 | 北京淇瑀信息科技有限公司 | 用户金融风险评估方法、装置、电子设备和可读介质 |
| CN110297912A (zh) * | 2019-05-20 | 2019-10-01 | 平安科技（深圳）有限公司 | 欺诈识别方法、装置、设备及计算机可读存储介质 |
| CN110348725A (zh) * | 2019-07-02 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 基于区域社会环境信息的风险策略调整方法、装置和电子设备 |
| CN110992169A (zh) * | 2019-11-29 | 2020-04-10 | 深圳乐信软件技术有限公司 | 一种风险评估方法、装置、服务器及存储介质 |
| CN111126476A (zh) * | 2019-12-19 | 2020-05-08 | 支付宝(杭州)信息技术有限公司 | 一种同质风险单位特征集合生成方法、装置、设备及介质 |
| CN111309822A (zh) * | 2020-02-11 | 2020-06-19 | 深圳众赢维融科技有限公司 | 用户身份识别方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112348659A (zh) | 2021-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112348659B (zh) | 用户识别策略的分配方法、装置及电子设备 | |
| CN112508694B (zh) | 服务器处理资源额度申请的方法、装置及电子设备 | |
| CN111210335B (zh) | 用户风险识别方法、装置及电子设备 | |
| CN112529702B (zh) | 用户授信策略分配方法、装置及电子设备 | |
| CN110135978B (zh) | 用户金融风险评估方法、装置、电子设备和可读介质 | |
| CN112016796B (zh) | 综合风险评分请求处理方法、装置及电子设备 | |
| CN110148053B (zh) | 用户信贷额度评估方法、装置、电子设备和可读介质 | |
| CN112017023A (zh) | 小微企业资源额度确定方法、装置及电子设备 | |
| CN112015562A (zh) | 基于迁移学习的资源分配方法、装置及电子设备 | |
| CN111179051A (zh) | 金融目标客户确定方法、装置及电子设备 | |
| CN112017060A (zh) | 为目标用户进行资源分配的方法、装置及电子设备 | |
| CN111967543A (zh) | 用户资源配额确定方法、装置及电子设备 | |
| CN111598360A (zh) | 服务策略确定方法、装置及电子设备 | |
| CN111582314A (zh) | 目标用户确定方法、装置及电子设备 | |
| CN111191677B (zh) | 用户特征数据生成方法、装置及电子设备 | |
| CN112016793A (zh) | 基于目标用户群的资源分配方法、装置及电子设备 | |
| CN112016792A (zh) | 用户资源配额确定方法、装置及电子设备 | |
| CN112017062A (zh) | 基于客群细分的资源额度分配方法、装置及电子设备 | |
| CN112348661B (zh) | 基于用户行为轨迹的服务策略分配方法、装置及电子设备 | |
| CN112016791B (zh) | 资源分配方法、装置及电子设备 | |
| CN112016790B (zh) | 用户策略分配方法、装置及电子设备 | |
| CN112017063B (zh) | 基于综合风险评分的资源分配方法、装置及电子设备 | |
| CN113570207B (zh) | 用户策略分配方法、装置及电子设备 | |
| Koo et al. | Decision making for the adoption of cloud computing for sensor data: From the viewpoint of industrial security | |
| CN114091815A (zh) | 资源请求处理方法、装置、系统及电子设备 |
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 |