CN112348660B - 生成风险警示信息的方法、装置及电子设备 - Google Patents
生成风险警示信息的方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112348660B CN112348660B CN202011132004.7A CN202011132004A CN112348660B CN 112348660 B CN112348660 B CN 112348660B CN 202011132004 A CN202011132004 A CN 202011132004A CN 112348660 B CN112348660 B CN 112348660B
- Authority
- CN
- China
- Prior art keywords
- user
- word vector
- model
- risk
- hidden layer
- 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
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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种基于用户行为数据生成风险警示信息的方法、装置、电子设备及计算机可读介质。该方法包括:通过预先埋点的方式获取用户的行为数据,所述行为数据包括预设行为和其对应的时间;将所述行为数据输入词向量模型中生成用户词向量;将所述用户词向量输入用户风险模型中生成用户风险评分,其中,所述用户风险模型是通过双向递归神经网络训练生成;在所述用户风险评分小于阈值时,生成风险警示信息。本公开涉及的基于用户行为数据生成风险警示信息的方法、装置、电子设备及计算机可读介质,不依赖用户账户的历史信息,能够仅根据用户行为数据对用户的未来的风险行为进行识别,进而进行提前预警,减小企业资源损失。
Description
技术领域
本公开涉及计算机信息处理领域,具体而言,涉及一种基于用户行为数据生成风险警示信息的方法、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。
在实际风控分析中,过去常常是通过人工信审的方式进行用户风险分析,可通过用户的工作、收入来源、办理渠道等基本信息,再结合业务审核标准判断是否对此类人进行金融服务,这种方式存在人工标准不统一、审查效率低及收集信息不真实等问题。目前普遍通用的方式是通过系统信审的方式,在取得客户授权后对客户历史征信记录进行调取,根据客户已有账户的资源占用表现,判断是否批准对此类人进行金融服务,这种方式解决了人工信审的所有问题,但对未有历史账户的客户无法正确评估以及产生滞后性的新问题。
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,需要一种新的基于用户行为数据生成风险警示信息的方法、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,本公开提供一种基于用户行为数据生成风险警示信息的方法、装置、电子设备及计算机可读介质,不依赖用户账户的历史信息,能够仅根据用户行为数据对用户的未来的风险行为进行识别,进而进行提前预警,减小企业资源损失。
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,提出一种基于用户行为数据生成风险警示信息的方法,该方法包括:通过预先埋点的方式获取用户的行为数据,所述行为数据包括预设行为和其对应的时间;将所述行为数据输入词向量模型中生成用户词向量;将所述用户词向量输入用户风险模型中生成用户风险评分,其中,所述用户风险模型是通过双向递归神经网络训练生成;在所述用户风险评分小于阈值时,生成风险警示信息。
可选地,还包括:历史用户数据输入词向量模型中生成历史用户词向量;通过带有标签的历史用户词向量对双向递归神经网络进行训练,所述双向递归神经网络包含两个隐藏层;在双向递归神经网络的损失函数收敛时,生成所述用户风险模型。
可选地,还包括:在预设时间范围内对历史用户数据进行跟踪监督,生成监督数据;基于所述监督数据对所述用户风险模型的效果进行评估。
可选地,通过带有标签的历史用户词向量对双向递归神经网络进行训练,包括:将所述带有标签的历史用户数据输入双向递归神经网络中;基于双向递归神经网络中的第一隐藏层和第二隐藏层的节点的连接权重生成历史用户词向量之间的相关性;基于双向递归神经网络中的第一隐藏层和第二隐藏层的节点的连接权重的差异值生成历史用户词向量之间的相异性。
可选地,在双向递归神经网络的损失函数收敛时,生成所述用户风险模型,包括:在双向递归神经网络中通过反向传播的优化算法计算第一隐藏层和第二隐藏层之间的偏导方向;在双向递归神经网络中通过反向传播的优化算法计算第一隐藏层和第二隐藏层之间激活函数的交叉损失熵;基于所述偏导方向和所述交叉损失熵确定所述损失函数的收敛性。
可选地,通过预先埋点的方式获取用户的行为数据,包括:在用户端的应用中的预设页面设置数据采集代码;通过SDK采集工具和所述数据采集代码获取用户的行为数据。
可选地,将所述行为数据输入词向量模型中生成用户词向量,包括:将所述行为数据输入词向量模型中,所述词向量模型为通过Skip-Gram或CBOW模型;所述词向量模型将所述行为数据按照其对应的时间进行加工,生成多个序列向量;将所述多个序列向量转化为所述用户的用户词向量。
可选地,将所述多个序列向量转化为所述用户的用户词向量,包括:将所述多个序列向量进行维度转化以生成所述用户的用户词向量。
可选地,将所述用户词向量输入用户风险模型中生成用户风险评分,包括:将所述用户词向量输入用户风险模型中;用户风险模型中的第一隐藏层和第二隐藏层对所述用户词向量进行计算进而确定所述用户风险评分。
可选地,用户风险模型中的第一隐藏层和第二隐藏层对所述用户词向量进行计算进而确定所述用户风险评分,包括:用户风险模型中的第一隐藏层和第二隐藏层对所述用户词向量进行计算;基于所述计算结果确定所述用户风险模型的正向传播结果为所述用户风险评分。
根据本公开的一方面,提出一种基于用户行为数据生成风险警示信息的装置,该装置包括:行为模块,用于通过预先埋点的方式获取用户的行为数据,所述行为数据包括预设行为和其对应的时间;向量模块,用于将所述行为数据输入词向量模型中生成用户词向量;评分模块,用于将所述用户词向量输入用户风险模型中生成用户风险评分,其中,所述用户风险模型是通过双向递归神经网络训练生成;警示模块,用于在所述用户风险评分小于阈值时,生成风险警示信息。
可选地,还包括:训练模块,包括:历史单元,用于历史用户数据输入词向量模型中生成历史用户词向量;训练单元,用于通过带有标签的历史用户词向量对双向递归神经网络进行训练,所述双向递归神经网络包含两个隐藏层;函数单元,用于在双向递归神经网络的损失函数收敛时,生成所述用户风险模型。
可选地,所述训练模块,还包括:评估单元,用于在预设时间范围内对历史用户数据进行跟踪监督,生成监督数据;基于所述监督数据对所述用户风险模型的效果进行评估。
可选地,所述训练单元,还用于将所述带有标签的历史用户数据输入双向递归神经网络中;基于双向递归神经网络中的第一隐藏层和第二隐藏层的节点的连接权重生成历史用户词向量之间的相关性;基于双向递归神经网络中的第一隐藏层和第二隐藏层的节点的连接权重的差异值生成历史用户词向量之间的相异性。
可选地,所述函数单元,还用于在双向递归神经网络中通过反向传播的优化算法计算第一隐藏层和第二隐藏层之间的偏导方向;在双向递归神经网络中通过反向传播的优化算法计算第一隐藏层和第二隐藏层之间激活函数的交叉损失熵;基于所述偏导方向和所述交叉损失熵确定所述损失函数的收敛性。
可选地,所述行为模块,包括:埋点单元,用于在用户端的应用中的预设页面设置数据采集代码;采集单元,用于通过SDK采集工具和所述数据采集代码获取用户的行为数据。
可选地,所述向量模块,包括:模型单元,用于将所述行为数据输入词向量模型中,所述词向量模型为通过Skip-Gram或CBOW模型;序列单元,用于所述词向量模型将所述行为数据按照其对应的时间进行加工,生成多个序列向量;转化单元,用于将所述多个序列向量转化为所述用户的用户词向量。
可选地,所述转化单元,还用于将所述多个序列向量进行维度转化以生成所述用户的用户词向量。
可选地,所述评分模块,包括:输入单元,用于将所述用户词向量输入用户风险模型中;计算单元,用于用户风险模型中的第一隐藏层和第二隐藏层对所述用户词向量进行计算进而确定所述用户风险评分。
可选地,所述计算单元,还用于用户风险模型中的第一隐藏层和第二隐藏层对所述用户词向量进行计算;基于所述计算结果确定所述用户风险模型的正向传播结果为所述用户风险评分。
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。
根据本公开的基于用户行为数据生成风险警示信息的方法、装置、电子设备及计算机可读介质,通过预先埋点的方式获取用户的行为数据,所述行为数据包括预设行为和其对应的时间;将所述行为数据输入词向量模型中生成用户词向量;将所述用户词向量输入用户风险模型中生成用户风险评分,其中,所述用户风险模型是通过双向递归神经网络训练生成;在所述用户风险评分小于阈值时,生成风险警示信息的方式,不依赖用户账户的历史信息,能够仅根据用户行为数据对用户的未来的风险行为进行识别,进而进行提前预警,减小企业资源损失。
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基于用户行为数据生成风险警示信息的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基于用户行为数据生成风险警示信息的方法的流程图。
图3是根据另一示例性实施例示出的一种基于用户行为数据生成风险警示信息的方法的流程图。
图4是根据另一示例性实施例示出的一种基于用户行为数据生成风险警示信息的方法的流程图。
图5是根据一示例性实施例示出的一种基于用户行为数据生成风险警示信息的装置的框图。
图6是根据另一示例性实施例示出的一种基于用户行为数据生成风险警示信息的装置的框图。
图7是根据一示例性实施例示出的一种电子设备的框图。
图8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。
自然语言处理(NLP)是人工智能和语言学的一个分支。该领域探讨如何处理和使用自然语言;自然语言认知是指让计算机“理解”人类语言。深度学习(也称为深度结构学习或分层学习)是基于学习数据表示形式的更广泛的机器学习方法家族的一部分,与特定于任务的算法不同。学习可以进行监督,半监督或无监督。
本公开的发明人在本公开的基于用户行为数据生成风险警示信息的方法中,借鉴自然语言处理(NLP)中BERT算法的思路,将训练任务拆解成预训练(pre-training)任务与微调(fine-tunning)两个阶段:在预训练阶段先用大量未标注的文本训练通用模型,在微调阶段通过标注的文本更新通用模型的参数,使之适用于具体应用场景。本公开的发明人对BERT(Pre-training of Deep Bidirectional Transformers for LanguageUnderstanding)、LSTM(Long Short-Term Memory)等NLP任务中的深度学习模型的改造,将模型重构后基于最新业务数据的预测结果进行分类及数据统计,根据统计结果发现,通过本公开的基于用户行为数据进行风险识别的方式,能在客户建立账户体系之后授信动支之前就采集可供模型判断的有效数据,能够大大提前了风险预测的时间点,做到了风控前置。
下面借助于具体的实施例对本公开的内容进行详细描述。
图1是根据一示例性实施例示出的一种基于用户行为数据生成风险警示信息的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(例如风险警示信息)反馈给金融服务网站的管理员。
服务器105可例如通过预先埋点的方式获取用户的行为数据,所述行为数据包括预设行为和其对应的时间;服务器105可例如将所述行为数据输入词向量模型中生成用户词向量;服务器105可例如将所述用户词向量输入用户风险模型中生成用户风险评分,其中,所述用户风险模型是通过双向递归神经网络训练生成;服务器105可例如在所述用户风险评分小于阈值时,生成风险警示信息。
服务器105还可例如将历史用户数据输入词向量模型中生成历史用户词向量;服务器105还可例如通过带有标签的历史用户词向量对双向递归神经网络进行训练,所述双向递归神经网络包含两个隐藏层;服务器105还可例如在双向递归神经网络的损失函数收敛时,生成所述用户风险模型。
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,服务器105中的一部分可例如作为本公开中的风险警示系统,用于在所述用户风险评分小于阈值时,生成风险警示信息;以及服务器105中的一部分还可例如作为本公开中的模型训练系统,用于对历史数据进行训练生成所述用户风险模型。
需要说明的是,本公开实施例所提供的基于用户行为数据生成风险警示信息的方法可以由服务器105执行,相应地,基于用户行为数据生成风险警示信息的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基于用户行为数据生成风险警示信息的方法的流程图。基于用户行为数据生成风险警示信息的方法20至少包括步骤S202至S208。
如图2所示,在S202中,通过预先埋点的方式获取用户的行为数据,所述行为数据包括预设行为和其对应的时间。包括:在用户端的应用中的预设页面设置数据采集代码;通过SDK采集工具和所述数据采集代码获取用户的行为数据。
作为数据采集的一种方式,数据埋点的直接目标是通过埋点实现对用户行为全方位的持续追踪,理清用户行为轨迹、抓住用户特征、解析关键路径,为数据分析提供精准的数据,为产品优化和精细化运营提供方向。在本公开实施例中,可通代码埋点的方式获取用户的行为数据,代码埋点是通过调用埋点SDK函数,在需要埋点的业务逻辑功能位置调用接口,上报埋点数据。例如,在对页面中的某个按钮埋点后,当这个按钮被点击时,可以在这个按钮对应的OnCl ick函数里面调用SDK提供的数据发送接口,来发送用户的行为数据,值得一提的是,在发送用户行为数据的时候,还需要附带上该行为发生的时间。
在S204中,将所述行为数据输入词向量模型中生成用户词向量。包括:将所述行为数据输入词向量模型中,所述词向量模型为通过Skip-Gram或CBOW模型;所述词向量模型将所述行为数据按照其对应的时间进行加工,生成多个序列向量;将所述多个序列向量转化为所述用户的用户词向量。
可通过用神经网络DNN来训练词向量进而处理词与词之间的关系了。在本公开实施例中词向量模可以是一个三层的神经网络结构,具体可分为输入层,隐藏层和输出层(softmax层),更具体的,可为Skip-Gram或CBOW模型。其中,CBOW模型的训练输入是某一个特征词的上下文相关的词对应的词向量,而输出就是这特定的一个词的词向量。Skip-Gram模型和CBOW的思路是相反的,即输入是特定的一个词的词向量,而输出是特定词对应的上下文词向量。在本公开中,可通过Skip-Gram或CBOW模型将行为数据转化为用户词向量,本公开不以此为限。
在一个实施例中,将所述多个序列向量转化为所述用户的用户词向量,包括:将所述多个序列向量进行维度转化以生成所述用户的用户词向量。可通过Embedding的方式进行维度转化。Embedding能够用低维向量对物体进行编码还能保留其含义的特点非常适合深度学习。
在S206中,将所述用户词向量输入用户风险模型中生成用户风险评分,其中,所述用户风险模型是通过双向递归神经网络训练生成。包括:将所述用户词向量输入用户风险模型中;用户风险模型中的第一隐藏层和第二隐藏层对所述用户词向量进行计算进而确定所述用户风险评分。
在一个实施例中,用户风险模型中的第一隐藏层和第二隐藏层对所述用户词向量进行计算进而确定所述用户风险评分,包括:用户风险模型中的第一隐藏层和第二隐藏层对所述用户词向量进行计算;基于所述计算结果确定所述用户风险模型的正向传播结果为所述用户风险评分。
可以将用户的具体行为操作,比如打开APP、登录、发送短信码输入加入类在用户风险模型中,便可以对已标注的样本进行分类。模型判断识别出同样一段时间内,不同标记行为序列间的特征差异,从而完成对下一次同一类型行为序列的目标预测。
在S208中,在所述用户风险评分小于阈值时,生成风险警示信息。
根据本公开的基于用户行为数据生成风险警示信息的方法,通过预先埋点的方式获取用户的行为数据,所述行为数据包括预设行为和其对应的时间;将所述行为数据输入词向量模型中生成用户词向量;将所述用户词向量输入用户风险模型中生成用户风险评分,其中,所述用户风险模型是通过双向递归神经网络训练生成;在所述用户风险评分小于阈值时,生成风险警示信息的方式,不依赖用户账户的历史信息,能够仅根据用户行为数据对用户的未来的风险行为进行识别,进而进行提前预警,减小企业资源损失。
本公开的基于用户行为数据生成风险警示信息的方法,通过对用户行为转化成机器能够理解的编码形式,将行为发生的先后顺序转化成模型输入的embedding向量形式,再采用NLP任务中BERT、LSTM等深度学习模型的改造,将模型的参数微调成适用于欺诈行为模式识别的有效场景。这样的将采集的本身非结构化的数据进行结构化数据的转化方式,及特定业务场景欺诈行为模式的分析过程,能够提前预知用户风险,保证金融服务公司金融资源的安全。
本公开的基于用户行为数据生成风险警示信息的方法,通过授权采集用户在放款APP中的操作行为轨迹,结合NLP技术对异常行为进行识别,不依赖于客户历史账户的表现,所以对欺诈风险的判断更具有前瞻预测性。
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3是根据另一示例性实施例示出的一种基于用户行为数据生成风险警示信息的方法的流程图。图3所示的流程30是对“通过双向递归神经网络训练生成用户风险模型”的详细描述。
如图3所示,在S302中,将历史用户数据输入词向量模型中生成历史用户词向量。
在S304中,通过带有标签的历史用户词向量对双向递归神经网络进行训练,所述双向递归神经网络包含两个隐藏层。包括:将所述带有标签的历史用户数据输入双向递归神经网络中;基于双向递归神经网络中的第一隐藏层和第二隐藏层的节点的连接权重生成历史用户词向量之间的相关性;基于双向递归神经网络中的第一隐藏层和第二隐藏层的节点的连接权重的差异值生成历史用户词向量之间的相异性。
在S306中,在双向递归神经网络的损失函数收敛时,生成所述用户风险模型。包括:在双向递归神经网络中通过反向传播的优化算法计算第一隐藏层和第二隐藏层之间的偏导方向;在双向递归神经网络中通过反向传播的优化算法计算第一隐藏层和第二隐藏层之间激活函数的交叉损失熵;基于所述偏导方向和所述交叉损失熵确定所述损失函数的收敛性。
在S308中,基于所述监督数据对所述用户风险模型的效果进行评估。更具体的,可在预设时间范围内对历史用户数据进行跟踪监督,生成监督数据;基于所述监督数据对所述用户风险模型的效果进行评估。更进一步的,在通过实时的监督数据对风险模型评估的结果较差时(可例如准确率小于80%),则可选用实时监督数据对用户风险模型进行参数更新。
图4是根据另一示例性实施例示出的一种基于用户行为数据生成风险警示信息的方法的流程图。图4所示的流程40是对用户风险模型在实际应用场景中过程的描述。
如图4所示,在S402中,通过SDK买点采集应用上的用户行为数据。可例如实现在APP端埋入SDK,技术端确认对应事件的采集实现方式与数据保存方式,确认对应不同行为对应的编码规则,如1:打开APP 2:登录3:发送短信码4:查看额度5:点击借款6:输入借款密码等,并保存对应事件发生时间。
在S404中,进入预训练过程,将行为数据转化成用户词向量。建立预训练模型,通过Skip-Gram与CBOW对大批量已经采集的用户行为进行时序操作,将各个行为如打开APP、登录、发送短信码、查看额度、点击借款、输入借款密码等操作按时间发生的先后顺序加工成序列向量,通过embedding的方式将序列向量转化成词向量。
在S406中,进入微调过程,构建LSTM模型网状结构,训练样本。建立微调模型,将词向量作为输入,输入到2层hidden-layer的双向LSTM模型中,在模型中每一个hidden节点表示一个时间段内变量的状态值,通过对同一层不同hidden节点连接权重的更新发现不同时间段内的行为间的相关性,通过对多个hidden层间连接权重的更新发现与整个时间序列不同行为组成序列的相异性。
在S408中,判断是否收敛。
在S410中,调整网状结构,更新模型参数。在训练过程中采用反向传播的优化算法,基于不同层激活函数求导公式确定交叉熵损失函数的基于每层间参数权重的偏导方向,通过步长决定每次迭代参数更新的范围,观察模型在多少次迭代后损失函数能够显著收敛。
在S412中,预估模型结果。上述步骤最终确定能使网络收敛的参数,以此网络参数正向传播预测最终为欺诈行为的概率,对预测与实际结果的准确度进行分析,完成对模型效果的评估;对历史上通过的行为,但经过模型预测为欺诈的行为进行业务分析,对这部分坏账损失进行评估,如果提前阻止这些交易,作为收益完成对业务效果的评估。
本公开中的基于用户行为数据生成风险警示信息的方法,通过对BERT、LSTM等NLP任务中的深度学习模型的改造,将模型重构后基于最新业务数据的预测结果进行分类及数据统计。
根据统计结果,发现可将模型预测概率高的客群分为两大类,一、特定时间周期借款、还款行为增多呈现一定规律的,此类为借新还旧客户,此类客户前期风险未暴发时可经营,后续不可长期经营;二、同一设备在行为操作上存在固定的养号行为的规律,如定期打开APP增加活跃度、定期查看额度但未借款,增加提额概率等操作,最后长期未动支突然借款的行为,此类为中介或中介代办客户,此类客户团伙欺诈概率大,合作获得借款后还款意愿较低,不可经营。通过对上述欺诈行为模式的有效识别,帮助金融机构极大程度降低了坏账损失。
现有技术中,识别欺诈风险方式有较大的滞后性,通过本公开的方法能在客户建立账户体系之后授信动支之前就采集可供模型判断的有效数据,这样大大提前了风险预测的时间点,做到了风控前置。
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5是根据一示例性实施例示出的一种基于用户行为数据生成风险警示信息的装置的框图。如图5所示,基于用户行为数据生成风险警示信息的装置50包括:行为模块502,向量模块504,评分模块506,警示模块508,训练模块510。
行为模块502用于通过预先埋点的方式获取用户的行为数据,所述行为数据包括预设行为和其对应的时间;所述行为模块502包括:埋点单元用于在用户端的应用中的预设页面设置数据采集代码;采集单元,用于通过SDK采集工具和所述数据采集代码获取用户的行为数据。
向量模块504用于将所述行为数据输入词向量模型中生成用户词向量;所述向量模块504包括:模型单元,用于将所述行为数据输入词向量模型中,所述词向量模型为通过Skip-Gram或CBOW模型;序列单元,用于所述词向量模型将所述行为数据按照其对应的时间进行加工,生成多个序列向量;转化单元,用于将所述多个序列向量转化为所述用户的用户词向量。所述转化单元,还用于将所述多个序列向量进行维度转化以生成所述用户的用户词向量。
评分模块506用于将所述用户词向量输入用户风险模型中生成用户风险评分,所述评分模块506包括:输入单元,用于将所述用户词向量输入用户风险模型中;计算单元,用于用户风险模型中的第一隐藏层和第二隐藏层对所述用户词向量进行计算进而确定所述用户风险评分。所述计算单元,还用于用户风险模型中的第一隐藏层和第二隐藏层对所述用户词向量进行计算;基于所述计算结果确定所述用户风险模型的正向传播结果为所述用户风险评分。
警示模块508用于在所述用户风险评分小于阈值时,生成风险警示信息。
训练模块510用于通过双向递归神经网络训练生成所述用户风险模型。
图6是根据另一示例性实施例示出的一种基于用户行为数据生成风险警示信息的装置的框图。如图6所示,训练模块510还包括:历史单元5102,训练单元5104,函数单元5106,评估单元5108。
历史单元5102用于将历史用户数据输入词向量模型中生成历史用户词向量;
训练单元5104用于通过带有标签的历史用户词向量对双向递归神经网络进行训练,所述双向递归神经网络包含两个隐藏层;所述训练单元5104还用于
将所述带有标签的历史用户数据输入双向递归神经网络中;基于双向递归神经网络中的第一隐藏层和第二隐藏层的节点的连接权重生成历史用户词向量之间的相关性;基于双向递归神经网络中的第一隐藏层和第二隐藏层的节点的连接权重的差异值生成历史用户词向量之间的相异性。
函数单元5106用于在双向递归神经网络的损失函数收敛时,生成所述用户风险模型。所述函数单元5106还用于在双向递归神经网络中通过反向传播的优化算法计算第一隐藏层和第二隐藏层之间的偏导方向;在双向递归神经网络中通过反向传播的优化算法计算第一隐藏层和第二隐藏层之间激活函数的交叉损失熵;基于所述偏导方向和所述交叉损失熵确定所述损失函数的收敛性。
评估单元5108用于在预设时间范围内对历史用户数据进行跟踪监督,生成监督数据;基于所述监督数据对所述用户风险模型的效果进行评估。
根据本公开的基于用户行为数据生成风险警示信息的装置,通过预先埋点的方式获取用户的行为数据,所述行为数据包括预设行为和其对应的时间;将所述行为数据输入词向量模型中生成用户词向量;将所述用户词向量输入用户风险模型中生成用户风险评分,其中,所述用户风险模型是通过双向递归神经网络训练生成;在所述用户风险评分小于阈值时,生成风险警示信息的方式,不依赖用户账户的历史信息,能够仅根据用户行为数据对用户的未来的风险行为进行识别,进而进行提前预警,减小企业资源损失。
图7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7来描述根据本公开的这种实施方式的电子设备700。图7显示的电子设备700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7所示,电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于:至少一个处理单元710、至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730、显示单元740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710执行,使得所述处理单元710执行本说明书上述电子处方流转处理方法部分中描述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710可以执行如图2,图3,图4中所示的步骤。
所述存储单元720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)7201和/或高速缓存存储单元7202,还可以进一步包括只读存储单元(ROM)7203。
所述存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204,这样的程序模块7205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730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700也可以与一个或多个外部设备700’(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700交互的设备通信,和/或与使得该电子设备700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750进行。并且,电子设备700还可以通过网络适配器760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760可以通过总线730与电子设备700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700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8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:通过预先埋点的方式获取用户的行为数据,所述行为数据包括预设行为和其对应的时间;将所述行为数据输入词向量模型中生成用户词向量;将所述用户词向量输入用户风险模型中生成用户风险评分,其中,所述用户风险模型是通过双向递归神经网络训练生成;在所述用户风险评分小于阈值时,生成风险警示信息。
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 (10)
1.一种基于用户行为数据生成风险警示信息的方法,其特征在于,包括:
将历史用户数据输入词向量模型中生成历史用户词向量;
将带有标签的历史用户数据输入双向递归神经网络中;
基于双向递归神经网络中的第一隐藏层和第二隐藏层的节点的连接权重生成历史用户词向量之间的相关性;
基于双向递归神经网络中的第一隐藏层和第二隐藏层的节点的连接权重的差异值生成历史用户词向量之间的相异性;
在双向递归神经网络的损失函数收敛时,生成用户风险模型;包括:在双向递归神经网络中通过反向传播的优化算法计算第一隐藏层和第二隐藏层之间的偏导方向;在双向递归神经网络中通过反向传播的优化算法计算第一隐藏层和第二隐藏层之间激活函数的交叉损失熵;基于所述偏导方向和所述交叉损失熵确定所述损失函数的收敛性;
通过预先埋点的方式获取用户的行为数据,所述行为数据包括预设行为和其对应的时间;
将所述行为数据输入词向量模型中生成用户词向量;包括:将所述行为数据输入词向量模型中,所述词向量模型为通过Skip-Gram或CBOW模型;所述词向量模型将所述行为数据按照其对应的时间进行加工,生成多个序列向量;将所述多个序列向量转化为所述用户的用户词向量;
将所述用户词向量输入用户风险模型中;
用户风险模型中的第一隐藏层和第二隐藏层对所述用户词向量进行计算;
基于计算结果确定所述用户风险模型的正向传播结果为所述用户风险评分;
在所述用户风险评分小于阈值时,生成风险警示信息。
2.如权利要求1所述的方法,其特征在于,还包括:
在预设时间范围内对历史用户数据进行跟踪监督,生成监督数据;
基于所述监督数据对所述用户风险模型的效果进行评估。
3.如权利要求1所述的方法,其特征在于,通过预先埋点的方式获取用户的行为数据,包括:
在用户端的应用中的预设页面设置数据采集代码;
通过SDK采集工具和所述数据采集代码获取用户的行为数据。
4.如权利要求1所述的方法,其特征在于,将所述多个序列向量转化为所述用户的用户词向量,包括:
将所述多个序列向量进行维度转化以生成所述用户的用户词向量。
5.一种基于用户行为数据生成风险警示信息的装置,其特征在于,包括:
训练模块,包括:
历史单元,用于将历史用户数据输入词向量模型中生成历史用户词向量;
训练单元,用于将带有标签的历史用户数据输入双向递归神经网络中;基于双向递归神经网络中的第一隐藏层和第二隐藏层的节点的连接权重生成历史用户词向量之间的相关性;基于双向递归神经网络中的第一隐藏层和第二隐藏层的节点的连接权重的差异值生成历史用户词向量之间的相异性
函数单元,用于在双向递归神经网络的损失函数收敛时,生成用户风险模型;包括:在双向递归神经网络中通过反向传播的优化算法计算第一隐藏层和第二隐藏层之间的偏导方向;在双向递归神经网络中通过反向传播的优化算法计算第一隐藏层和第二隐藏层之间激活函数的交叉损失熵;基于所述偏导方向和所述交叉损失熵确定所述损失函数的收敛性;
行为模块,用于通过预先埋点的方式获取用户的行为数据,所述行为数据包括预设行为和其对应的时间;
向量模块,用于将所述行为数据输入词向量模型中生成用户词向量;
所述向量模块,包括:
模型单元,用于将所述行为数据输入词向量模型中,所述词向量模型为通过Skip-Gram或CBOW模型;
序列单元,用于所述词向量模型将所述行为数据按照其对应的时间进行加工,生成多个序列向量;
转化单元,用于将所述多个序列向量转化为所述用户的用户词向量
评分模块,包括:
输入单元,用于将所述用户词向量输入用户风险模型中;
计算单元,用于用户风险模型中的第一隐藏层和第二隐藏层对所述用户词向量进行计算;基于计算结果确定所述用户风险模型的正向传播结果为所述用户风险评分;
警示模块,用于在所述用户风险评分小于阈值时,生成风险警示信息。
6.如权利要求5所述的装置,其特征在于,所述训练模块,还包括:
评估单元,用于在预设时间范围内对历史用户数据进行跟踪监督,生成监督数据;基于所述监督数据对所述用户风险模型的效果进行评估。
7.如权利要求5所述的装置,其特征在于,所述行为模块,包括:
埋点单元,用于在用户端的应用中的预设页面设置数据采集代码;
采集单元,用于通过SDK采集工具和所述数据采集代码获取用户的行为数据。
8.如权利要求5所述的装置,其特征在于,所述转化单元,还用于
将所述多个序列向量进行维度转化以生成所述用户的用户词向量。
9.一种电子设备,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1-4中任一所述的方法。
10.一种计算机可读介质,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1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011132004.7A CN112348660B (zh) | 2020-10-21 | 2020-10-21 | 生成风险警示信息的方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011132004.7A CN112348660B (zh) | 2020-10-21 | 2020-10-21 | 生成风险警示信息的方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112348660A CN112348660A (zh) | 2021-02-09 |
CN112348660B true CN112348660B (zh) | 2023-09-26 |
Family
ID=74359527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011132004.7A Active CN112348660B (zh) | 2020-10-21 | 2020-10-21 | 生成风险警示信息的方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348660B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109936525B (zh) * | 2017-12-15 | 2020-07-31 | 阿里巴巴集团控股有限公司 | 一种基于图结构模型的异常账号防控方法、装置以及设备 |
CN112966918A (zh) * | 2021-03-01 | 2021-06-15 | 北京明略软件系统有限公司 | 用于确定风险影响范围的方法及装置、设备 |
CN113554281A (zh) * | 2021-07-02 | 2021-10-26 | 北京淇瑀信息科技有限公司 | 基于网格的用户业务风险的分析方法、装置和电子设备 |
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 |
CN113965349B (zh) * | 2021-09-14 | 2023-07-18 | 上海纽盾科技股份有限公司 | 具有安全检测功能的网络安全防护系统及方法 |
CN113988507A (zh) * | 2021-09-16 | 2022-01-28 | 国网浙江嵊州市供电有限公司 | 一种输变电运行设备预警方法及装置 |
CN114092097B (zh) * | 2021-11-23 | 2024-05-24 | 支付宝(杭州)信息技术有限公司 | 风险识别模型的训练方法、交易风险确定方法及装置 |
CN115277121B (zh) * | 2022-07-12 | 2023-12-29 | 山西西电信息技术研究院有限公司 | 一种基于互联网的社交网络安全监测系统及方法 |
CN116109394A (zh) * | 2023-03-23 | 2023-05-12 | 北京芯盾时代科技有限公司 | 团伙挖掘方法、装置、电子设备及计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101493913A (zh) * | 2008-01-23 | 2009-07-29 | 阿里巴巴集团控股有限公司 | 一种评估网上用户信用的方法及系统 |
CN110348208A (zh) * | 2019-06-29 | 2019-10-18 | 上海淇馥信息技术有限公司 | 一种基于用户行为和神经网络的风险控制方法、装置和电子设备 |
CN111178687A (zh) * | 2019-12-11 | 2020-05-19 | 北京淇瑀信息科技有限公司 | 金融风险分类方法、装置及电子设备 |
CN111191893A (zh) * | 2019-12-20 | 2020-05-22 | 北京淇瑀信息科技有限公司 | 风控文本处理方法、装置及电子设备 |
CN111210335A (zh) * | 2019-12-16 | 2020-05-29 | 北京淇瑀信息科技有限公司 | 用户风险识别方法、装置及电子设备 |
-
2020
- 2020-10-21 CN CN202011132004.7A patent/CN112348660B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101493913A (zh) * | 2008-01-23 | 2009-07-29 | 阿里巴巴集团控股有限公司 | 一种评估网上用户信用的方法及系统 |
CN110348208A (zh) * | 2019-06-29 | 2019-10-18 | 上海淇馥信息技术有限公司 | 一种基于用户行为和神经网络的风险控制方法、装置和电子设备 |
CN111178687A (zh) * | 2019-12-11 | 2020-05-19 | 北京淇瑀信息科技有限公司 | 金融风险分类方法、装置及电子设备 |
CN111210335A (zh) * | 2019-12-16 | 2020-05-29 | 北京淇瑀信息科技有限公司 | 用户风险识别方法、装置及电子设备 |
CN111191893A (zh) * | 2019-12-20 | 2020-05-22 | 北京淇瑀信息科技有限公司 | 风控文本处理方法、装置及电子设备 |
Non-Patent Citations (1)
Title |
---|
基于双向递归神经网络的单通道脑电图睡眠分期研究;杨鑫 等;《微型电脑应用》;20171231;第33卷(第1期);正文第1-2部分 * |
Also Published As
Publication number | Publication date |
---|---|
CN112348660A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112348660B (zh) | 生成风险警示信息的方法、装置及电子设备 | |
US9053436B2 (en) | Methods and system for providing simultaneous multi-task ensemble learning | |
CN111210335B (zh) | 用户风险识别方法、装置及电子设备 | |
CN110111139A (zh) | 行为预估模型生成方法、装置、电子设备及可读介质 | |
CN110110012A (zh) | 用户预期价值评估方法、装置、电子设备及可读介质 | |
Sriram et al. | Multi-network vulnerability causal model for infrastructure co-resilience | |
CN112507628B (zh) | 基于深度双向语言模型的风险预测方法、装置和电子设备 | |
CN111583018A (zh) | 一种基于用户金融表现分析的授信策略管理方法、装置和电子设备 | |
Zheng et al. | Hybrid model for predicting anomalous large passenger flow in urban metros | |
US20220414689A1 (en) | Method and apparatus for training path representation model | |
CN111191677B (zh) | 用户特征数据生成方法、装置及电子设备 | |
CN111178687B (zh) | 金融风险分类方法、装置及电子设备 | |
CN115759748A (zh) | 风险检测模型生成方法和装置、风险个体识别方法和装置 | |
CN111191893A (zh) | 风控文本处理方法、装置及电子设备 | |
CN111210332A (zh) | 贷后管理策略生成方法、装置及电子设备 | |
CN110348999A (zh) | 金融风险敏感用户识别方法、装置及电子设备 | |
CN113610625A (zh) | 逾期风险警示方法、装置及电子设备 | |
CN110335143A (zh) | 基于多重时间验证的金融风险分析方法、装置及电子设备 | |
CN111199454B (zh) | 实时用户转化评估方法、装置及电子设备 | |
CN113570207B (zh) | 用户策略分配方法、装置及电子设备 | |
CN114637850A (zh) | 异常行为识别及模型训练方法、装置、设备及存储介质 | |
Meng et al. | Classification of customer service tickets in power system based on character and word level semantic understanding | |
CN117237009A (zh) | 权益推送风险预警方法、装置、计算机设备及存储介质 | |
CN117196697A (zh) | 估算用户有效转化率的方法和装置 | |
CN114820070A (zh) | 目标用户的识别方法、装置、电子设备及计算机可读介质 |
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 |