CN112348661B - 基于用户行为轨迹的服务策略分配方法、装置及电子设备 - Google Patents
基于用户行为轨迹的服务策略分配方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112348661B CN112348661B CN202011132006.6A CN202011132006A CN112348661B CN 112348661 B CN112348661 B CN 112348661B CN 202011132006 A CN202011132006 A CN 202011132006A CN 112348661 B CN112348661 B CN 112348661B
- Authority
- CN
- China
- Prior art keywords
- user
- data
- information
- users
- risk
- 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 54
- 238000009826 distribution Methods 0.000 title claims abstract description 14
- 230000006870 function Effects 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 19
- 238000003066 decision tree Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 abstract description 115
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012502 risk assessment Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000295 complement effect Effects 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
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 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
- 230000009467 reduction 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
- 238000012549 training Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Computer Security & Cryptography (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Bioethics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Technology Law (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Information Transfer Between Computers (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种基于用户行为轨迹的服务策略分配方法、装置、电子设备及计算机可读介质。该方法包括:获取用户的行为轨迹信息,所述行为轨迹信息包括基础数据、设备数据、操作时间、操作事件;将所述行为轨迹信息和用户库中的预存数据进行对比;在所述用户库中的预存数据中不包含所述行为轨迹信息中的内容时,基于所述行为轨迹信息获取与所述用户相关联的其他用户;将所述用户和所述其他用户的行为轨迹信息输入用户风险模型中,生成多个用户风险值;基于所述多个用户风险值为所述用户分配服务策略。本公开的方法,能够发现以往通过单一要素进行风控管理时,难以识别的篡改数据、间接关联等欺诈案件,从而增加对潜在的风险用户和风险行为的识别能力。
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轨迹的服务策略分配方法、装置、电子设备及计算机可读介质。
背景技术
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,另一方面通过人工方式生成的经验规则,通常是需要在一个危险行为已经发生一段时间之后,给企业带来了大量的经济损失之后才被建立,这种滞后的方式增加了企业的风险;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。
目前用户画像基本是通过大数据生成的,根据海量用户数据,提取出用户的特征,然后企业根据自己的需要对用户进行分类,制定不同的用户标签。但是,用户的基本特征中的某些部分是不变的,比如性别,年龄,有些基本特征是随着时间的流逝经常改变的,比如用户的喜好,用户的工作、用户的运动习惯等等。而且,由于用户画像的普及,现在已有很多不良机构,通过篡改或者隐瞒信息从而获得信用优良的用户画像。这种情况导致对这类用户的评估结果不够准确,带来金融风险。
因此,需要一种新的基于用户行为轨迹的服务策略分配方法、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,本公开提供一种基于用户行为轨迹的服务策略分配方法、装置、电子设备及计算机可读介质,能够发现以往通过单一要素进行风控管理时,难以识别的篡改数据、间接关联等欺诈案件,从而增加对潜在的风险用户和风险行为的识别能力。
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轨迹的服务策略分配方法,该方法包括:获取用户的行为轨迹信息,所述行为轨迹信息包括基础数据、设备数据、操作时间、操作事件;将所述行为轨迹信息和用户库中的预存数据进行对比;在所述用户库中的预存数据中不包含所述行为轨迹信息中的内容时,基于所述行为轨迹信息获取与所述用户相关联的其他用户;将所述用户和所述其他用户的行为轨迹信息输入用户风险模型中,生成多个用户风险值;基于所述多个用户风险值为所述用户分配服务策略。
可选地,还包括:在所述用户库中的预存数据中包含所述行为轨迹信息中的全部或部分内容时,通过所述用户库中预存数据为所述用户确定用户标签;基于所述用户标签为所述用户分配服务策略。
可选地,基于所述行为轨迹信息获取与所述用户相关联的其他用户,包括:提取所述行为轨迹信息中的设备数据;基于所述设备数据中的登陆信息获取第一用户数据;基于所述第一用户数据在内部数据库中获取关联设备数据;基于所述关联设备数据获取第二用户数据;基于所述第一用户数据和所述第二用户数据生成所述其他用户。
可选地,还包括:将所述设备数据、所述第一用户数据、所述关联设备数据、所述第二用户数据按照其关联关系进行整合,生成序列化信息集合。
可选地,将所述行为轨迹信息和用户库中的预存数据进行对比,包括:由所述用户库中的预存数据中提取多个序列化集合;将所述行为轨迹信息与所述多个序列化集合中的内容进行对比。
可选地,将所述用户和所述其他用户的行为轨迹信息输入用户风险模型中,生成多个用户风险值,包括:将所述用户和所述其他用户的基础信息依次输入用户风险模型中,所述用户风险模型通过极端梯度提升决策树模型生成;用户风险模型中的多个树函数分别对所述用户和所述其他用户的基础信息进行计算,生成多个叶子函数值;基于多个叶子函数值生成所述用户和所述其他用户的用户风险值。
可选地,基于所述多个用户风险值为所述用户分配服务策略,包括:基于所述多个用户风险值生成平均风险值;将所述平均风险值和阈值区间进行比较,以为所述用户分配用户标签;基于所述用户标签为所述用户确定服务策略。
可选地,基于所述多个用户风险值为所述用户分配服务策略,还包括:将所述序列化信息集合和其对应的用户标签存储在所述用户库中的预存数据中。
可选地,还包括:定时更新所述序列化信息集合中的数据以更新其对应的用户标签。
可选地,在所述用户库中的预存数据中包含所述行为轨迹信息中的全部或部分内容时,通过所述用户库中预存数据为所述用户确定用户标签,包括:在所述行为轨迹信息中的全部或部分内容命中所述用户库中的预存数据时;提取命中的预存数据中的序列化信息集合对应的至少一个用户标签;通过所述至少一个用户标签确定所述用户的用户标签。
根据本公开的一方面,提出一种基于用户行为轨迹的服务策略分配装置,该装置包括:轨迹模块,用于获取用户的行为轨迹信息,所述行为轨迹信息包括基础数据、设备数据、操作时间、操作事件;对比模块,用于将所述行为轨迹信息和用户库中的预存数据进行对比;用户模块,用于在所述用户库中的预存数据中不包含所述行为轨迹信息中的内容时,基于所述行为轨迹信息获取与所述用户相关联的其他用户;计算模块,用于将所述用户和所述其他用户的行为轨迹信息输入用户风险模型中,生成多个用户风险值;分配模块,用于基于所述多个用户风险值为所述用户分配服务策略。
可选地,还包括:标签模块,用于在所述用户库中的预存数据中包含所述行为轨迹信息中的全部或部分内容时,通过所述用户库中预存数据为所述用户确定用户标签;基于所述用户标签为所述用户分配服务策略。
可选地,所述用户模块,包括:设备单元,用于提取所述行为轨迹信息中的设备数据;数据单元,用于基于所述设备数据中的登陆信息获取第一用户数据;基于所述第一用户数据在内部数据库中获取关联设备数据;基于所述关联设备数据获取第二用户数据;用户单元,用于基于所述第一用户数据和所述第二用户数据生成所述其他用户。
可选地,还包括:序列模块,用于将所述设备数据、所述第一用户数据、所述关联设备数据、所述第二用户数据按照其关联关系进行整合,生成序列化信息集合。
可选地,对比模块,包括:提取单元,用于由所述用户库中的预存数据中提取多个序列化集合;对比单元,用于将所述行为轨迹信息与所述多个序列化集合中的内容进行对比。
可选地,计算模块,包括:模型单元,用于将所述用户和所述其他用户的基础信息依次输入用户风险模型中,所述用户风险模型通过极端梯度提升决策树模型生成;计算单元,也难怪有用户风险模型中的多个树函数分别对所述用户和所述其他用户的基础信息进行计算,生成多个叶子函数值;风险单元,用于基于多个叶子函数值生成所述用户和所述其他用户的用户风险值。
可选地,分配模块,包括:平均单元,用于基于所述多个用户风险值生成平均风险值;标签单元,用于将所述平均风险值和阈值区间进行比较,以为所述用户分配用户标签;策略单元,用于基于所述用户标签为所述用户确定服务策略。
可选地,所述序列模块,还包括:存储单元,用于将所述序列化信息集合和其对应的用户标签存储在所述用户库中的预存数据中。
可选地,所述序列模块,还包括:更新单元,用于定时更新所述序列化信息集合中的数据以更新其对应的用户标签。
可选地,所述标签模块,包括:命中单元,用于在所述行为轨迹信息中的全部或部分内容命中所述用户库中的预存数据时;确定单元,用于提取命中的预存数据中的序列化信息集合对应的至少一个用户标签;通过所述至少一个用户标签确定所述用户的用户标签。
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轨迹的服务策略分配方法、装置、电子设备及计算机可读介质,获取用户的行为轨迹信息,所述行为轨迹信息包括基础数据、设备数据、操作时间、操作事件;将所述行为轨迹信息和用户库中的预存数据进行对比;在所述用户库中的预存数据中不包含所述行为轨迹信息中的内容时,基于所述行为轨迹信息获取与所述用户相关联的其他用户;将所述用户和所述其他用户的行为轨迹信息输入用户风险模型中,生成多个用户风险值;基于所述多个用户风险值为所述用户分配服务策略的方式,能够发现以往通过单一要素进行风控管理时,难以识别的篡改数据、间接关联等欺诈案件,从而增加对潜在的风险用户和风险行为的识别能力。
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轨迹的服务策略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基于用户行为轨迹的服务策略分配方法的流程图。
图3是根据另一示例性实施例示出的一种基于用户行为轨迹的服务策略分配方法的流程图。
图4是根据另一示例性实施例示出的一种基于用户行为轨迹的服务策略分配方法的流程图。
图5是根据一示例性实施例示出的一种基于用户行为轨迹的服务策略分配装置的框图。
图6是根据一示例性实施例示出的一种电子设备的框图。
图7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基于用户行为轨迹的服务策略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可例如获取用户的行为轨迹信息,所述行为轨迹信息包括基础数据、设备数据、操作时间、操作事件;服务器105可例如将所述行为轨迹信息和用户库中的预存数据进行对比;服务器105可例如在所述用户库中的预存数据中不包含所述行为轨迹信息中的内容时,基于所述行为轨迹信息获取与所述用户相关联的其他用户;服务器105可例如将所述用户和所述其他用户的行为轨迹信息输入用户风险模型中,生成多个用户风险值;服务器105可例如基于所述多个用户风险值为所述用户分配服务策略。
服务器105还可例如在所述用户库中的预存数据中包含所述行为轨迹信息中的全部或部分内容时,通过所述用户库中预存数据为所述用户确定用户标签;服务器105还可例如基于所述用户标签为所述用户分配服务策略。
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基于用户行为轨迹的服务策略分配方法可以由服务器105执行,相应地,基于用户行为轨迹的服务策略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基于用户行为轨迹的服务策略分配方法的流程图。基于用户行为轨迹的服务策略分配方法20至少包括步骤S202至S210。
如图2所示,在S202中,获取用户的行为轨迹信息,其中,行为轨迹是用户在网络平台上操作行为路径,可包含时间、空间、事件等的组合。更具体的,所述行为轨迹信息包括基础数据、设备数据、操作时间、操作事件。其中,基础数据包括用户的基础信息,具体可为用户的年龄、职业、性别、住址等等。设备数据可为用户登陆的客户端设备的硬件标识。操作时间可为用户登陆该设备的时间和登陆金融服务类网站的时间。操作时间可包括用户在设备上的操作和在金融服务类网站上的操作。
在S204中,将所述行为轨迹信息和用户库中的预存数据进行对比。包括:由所述用户库中的预存数据中提取多个序列化集合;将所述行为轨迹信息与所述多个序列化集合中的内容进行对比。
其中,预测数据的相关内容将在图4对应的实施例中进行详细描述。在预测数据中包含序列化集合,序列化集合中包含历史用户的信息、历史用户登陆设备的相关信息。可将当前用户的行为轨迹信息和序列化集合中的设备信息、用户信息进行对比。
在S206中,在所述用户库中的预存数据中不包含所述行为轨迹信息中的内容时,基于所述行为轨迹信息获取与所述用户相关联的其他用户。
在一个实施例中,可例如,提取所述行为轨迹信息中的设备数据;基于所述设备数据中的登陆信息获取第一用户数据;基于所述第一用户数据在内部数据库中获取关联设备数据;基于所述关联设备数据获取第二用户数据;基于所述第一用户数据和所述第二用户数据生成所述其他用户。更具体的,比如获取用户a登录的设备A,该设备A上也登录过用户b、用户c,更进一步的,用户b是内部数据库中已经预存过的用户,用户b曾经使用过设备B、设备C,则将设备A、设备B、设备C的相关数据均提取出来,将用户b,用户c作为用户a的其他用户。
在一个实施例中个,还可通过用户b,用户c作为用户a,设备A,设备B,设备C生成序列化集合。
在S208中,将所述用户和所述其他用户的行为轨迹信息输入用户风险模型中,生成多个用户风险值。包括:将所述用户和所述其他用户的基础信息依次输入用户风险模型中,所述用户风险模型通过极端梯度提升决策树模型生成;用户风险模型中的多个树函数分别对所述用户和所述其他用户的基础信息进行计算,生成多个叶子函数值;基于多个叶子函数值生成所述用户和所述其他用户的用户风险值。
其中,XGBoost(极端梯度提升决策树模型)是在GBDT算法基础之上改进的,是通过构建多棵树融合的模型,属于Ensemble Method的一种。采用分布式加载数据、分布式训练数据,同时对损失函数做了二阶的泰勒展开,并在目标函数之外加入正则项整体求最优解,用以权衡目标函数的下降和模型复杂程度,避免过度拟合。
在S210中,基于所述多个用户风险值为所述用户分配服务策略。包括:基于所述多个用户风险值生成平均风险值;将所述平均风险值和阈值区间进行比较,以为所述用户分配用户标签;基于所述用户标签为所述用户确定服务策略。
更具体的,在用户a的风险较小时,可为用户a确定高等级的服务策略,同时还可将该标签作为用户a对应的序列集合中所有用户的用户标签,在该序列集合中其他用户登陆时,可直接通过序列集合的比较读取其对应的用户标签。
根据本公开的基于用户行为轨迹的服务策略分配方法,将用户的行为轨迹信息和用户库中的预存数据进行对比;在所述用户库中的预存数据中不包含所述行为轨迹信息中的内容时,基于所述行为轨迹信息获取与所述用户相关联的其他用户;将所述用户和所述其他用户的行为轨迹信息输入用户风险模型中,生成多个用户风险值;基于所述多个用户风险值为所述用户分配服务策略的方式,能够发现以往通过单一要素进行风控管理时,难以识别的篡改数据、间接关联等欺诈案件,从而增加对潜在的风险用户和风险行为的识别能力。
现有的技术主要以单一子维度判定用户风险,比如硬件设备是否出现聚集性等来判断是否存在欺诈,并无法防范篡改数据或者间接关联用户欺诈绕过风控系统的恶性欺诈案件,本公开的基于用户行为轨迹的服务策略分配方法,将综合用户进入平台后留下的所有关键“信息素”,对每个信息素的直接关联信息素进行提取,建立该信息素的序列,对该序列内直接相关的所有用户的欺诈指标进行计算,再使用XGBoost算法对该用户的欺诈度进行分数输出,超过目标阈值,将会拒绝该用户的申请,这种方式能够发现以往单一要素风控难以识别的篡改数据、间接关联的欺诈案件,增加潜在风险识别能力;而且,基于用户行为轨迹的服务策略分配方法,除了能够发现潜在风险识别能力,还能发现更多风险敞口,及早识别最新欺诈手段手法。
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轨迹的服务策略分配方法的流程图。图3所示的流程30是对图2所示的流程的补充描述。
如图3所示,在S302中,在所述行为轨迹信息中的全部或部分内容命中所述用户库中的预存数据时。可例如,将用户a的行为轨迹信息在用户库中进行检索,更具体的,可将用户a的用户标识和用户a登陆的设备标识在用户库中进行检索,当有用户库中有一致的数据时,可认为命中到了信息。
在S304中,提取命中的预存数据中的序列化信息集合对应的至少一个用户标签。在有命中到用户库中的信息时,可将命中信息所对应的序列化集合对应的用户标签提取出来,值得一提的时,由于用户的行为轨迹信息包括多个数据,这些数据对应的序列化集合可为同一个也可为不同的序列化集合,所以提取出的用户标签可为一个或多个。
在S306中,通过所述至少一个用户标签确定所述用户的用户标签。可首先确定每个用户标签所对应的风险等级,进而根据多个用户标签的平均风险等级确定用户a的用户标签。在一些应用场景中,为了确保资源的安全,还可根据多个用户标签中,风险等级最高的标签确定用户a的用户标签,本公开不以此为限。
在S308中,基于所述用户标签为所述用户分配服务策略。
图4是根据另一示例性实施例示出的一种基于用户行为轨迹的服务策略分配方法的流程图。图4所示的流程40是对图2所示的流程中S206“基于所述行为轨迹信息获取与所述用户相关联的其他用户”的补充描述。
如图4所示,在S402中,基于所述第一用户数据和所述第二用户数据生成所述其他用户。如上文所述,用户a登录的设备A,该设备A上也登录过用户b、用户c,更进一步的,用户b是内部数据库中已经预存过的用户,用户b曾经使用过设备B、设备C,则将设备A、设备B、设备C的相关数据均提取出来,将用户b,用户c作为用户a的其他用户。
在S404中,将所述设备数据、所述第一用户数据、所述关联设备数据、所述第二用户数据按照其关联关系进行整合,生成序列化信息集合。
在S406中,将所述序列化信息集合和其对应的用户标签存储在所述用户库中的预存数据中。可通过该序列话信息集合中的多个用户的用户风险值确定该序列化集合对应的用户标签。
更具体的,可计算序列化信息集合上所有用户的欺诈度指标,包括违约率、申请拒绝率、历史管制率等,综合生成用户标签。
在S408中,定时更新所述序列化信息集合中的数据以更新其对应的用户标签。定时对序列化信息集合中的用户基数数据进行更新。
本公开的基于用户行为轨迹的服务策略分配方法中,对用户进入金融服务平台后的行为轨迹中遗留的所有数据进行提取,比如用户的设备号,以该设备号为中心建立此设备直接相关的用户登录过的所有设备,将所有设备号建立设备序列,以该设备序列为计算单元,计算序列上的所有用户的欺诈风险、申请拒绝率、历史管制率等,以这些信息组合的序列为计算单元计算的所有关联用户的欺诈指标,这种方式能够发现由间接关联的行为轨迹要素风险,对一个用户进行更全面的风险判断,实现无监督学习的风险输出。
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轨迹的服务策略分配装置的框图。如图5所示,基于用户行为轨迹的服务策略分配装置50包括:轨迹模块502,对比模块504,用户模块506,计算模块508,分配模块510,标签模块512,序列模块514。
轨迹模块502用于获取用户的行为轨迹信息,所述行为轨迹信息包括基础数据、设备数据、操作时间、操作事件;
对比模块504用于将所述行为轨迹信息和用户库中的预存数据进行对比;对比模块504包括:提取单元,用于由所述用户库中的预存数据中提取多个序列化集合;对比单元,用于将所述行为轨迹信息与所述多个序列化集合中的内容进行对比。
用户模块506用于在所述用户库中的预存数据中不包含所述行为轨迹信息中的内容时,基于所述行为轨迹信息获取与所述用户相关联的其他用户;所述用户模块506包括:设备单元,用于提取所述行为轨迹信息中的设备数据;数据单元,用于基于所述设备数据中的登陆信息获取第一用户数据;基于所述第一用户数据在内部数据库中获取关联设备数据;基于所述关联设备数据获取第二用户数据;用户单元,用于基于所述第一用户数据和所述第二用户数据生成所述其他用户。
计算模块508用于将所述用户和所述其他用户的行为轨迹信息输入用户风险模型中,生成多个用户风险值;计算模块508包括:模型单元,用于将所述用户和所述其他用户的基础信息依次输入用户风险模型中,所述用户风险模型通过极端梯度提升决策树模型生成;计算单元,也难怪有用户风险模型中的多个树函数分别对所述用户和所述其他用户的基础信息进行计算,生成多个叶子函数值;风险单元,用于基于多个叶子函数值生成所述用户和所述其他用户的用户风险值。
分配模块510用于基于所述多个用户风险值为所述用户分配服务策略。分配模块510包括:平均单元,用于基于所述多个用户风险值生成平均风险值;标签单元,用于将所述平均风险值和阈值区间进行比较,以为所述用户分配用户标签;策略单元,用于基于所述用户标签为所述用户确定服务策略。
标签模块512用于在所述用户库中的预存数据中包含所述行为轨迹信息中的全部或部分内容时,通过所述用户库中预存数据为所述用户确定用户标签;基于所述用户标签为所述用户分配服务策略。所述标签模块512包括:命中单元,用于在所述行为轨迹信息中的全部或部分内容命中所述用户库中的预存数据时;确定单元,用于提取命中的预存数据中的序列化信息集合对应的至少一个用户标签;通过所述至少一个用户标签确定所述用户的用户标签。
序列模块514用于将所述设备数据、所述第一用户数据、所述关联设备数据、所述第二用户数据按照其关联关系进行整合,生成序列化信息集合。所述序列模块514还包括:存储单元,用于将所述序列化信息集合和其对应的用户标签存储在所述用户库中的预存数据中;更新单元,用于定时更新所述序列化信息集合中的数据以更新其对应的用户标签。
根据本公开的基于用户行为轨迹的服务策略分配装置,将用户的行为轨迹信息和用户库中的预存数据进行对比;在所述用户库中的预存数据中不包含所述行为轨迹信息中的内容时,基于所述行为轨迹信息获取与所述用户相关联的其他用户;将所述用户和所述其他用户的行为轨迹信息输入用户风险模型中,生成多个用户风险值;基于所述多个用户风险值为所述用户分配服务策略的方式,能够发现以往通过单一要素进行风控管理时,难以识别的篡改数据、间接关联等欺诈案件,从而增加对潜在的风险用户和风险行为的识别能力。
图6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6来描述根据本公开的这种实施方式的电子设备600。图6显示的电子设备600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6所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640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610执行,使得所述处理单元610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610可以执行如图2,图3,图4中所示的步骤。
所述存储单元620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)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205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630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600也可以与一个或多个外部设备600’(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600交互的设备通信,和/或与使得该电子设备600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650进行。并且,电子设备600还可以通过网络适配器660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660可以通过总线630与电子设备600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600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7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:获取用户的行为轨迹信息,所述行为轨迹信息包括基础数据、设备数据、操作时间、操作事件;将所述行为轨迹信息和用户库中的预存数据进行对比;在所述用户库中的预存数据中不包含所述行为轨迹信息中的内容时,基于所述行为轨迹信息获取与所述用户相关联的其他用户;将所述用户和所述其他用户的行为轨迹信息输入用户风险模型中,生成多个用户风险值;基于所述多个用户风险值为所述用户分配服务策略。
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 (12)
1.一种基于用户行为轨迹的服务策略分配方法,其特征在于,包括:
获取用户的行为轨迹信息,所述行为轨迹信息包括基础数据、设备数据、操作时间、操作事件的组合;
由用户库中的预存数据中提取多个序列化集合,所述序列化集合中包括用户数据、设备数据、关联设备数据;
将所述行为轨迹信息与所述多个序列化集合中的内容进行对比;
在所述用户库中的所述多个序列化集合中不包含所述行为轨迹信息中的内容时,提取所述行为轨迹信息中的设备数据;基于所述设备数据中的登陆信息获取第一用户数据;基于所述第一用户数据在内部数据库中获取关联设备数据;基于所述关联设备数据获取第二用户数据;基于所述第一用户数据和所述第二用户数据生成其他用户;
将所述用户和所述其他用户的行为轨迹信息输入用户风险模型中,生成多个用户风险值;
基于所述多个用户风险值生成平均风险值;将所述平均风险值和阈值区间进行比较,以为所述用户分配用户标签;基于所述用户标签为所述用户确定服务策略;
在所述用户库中的预存数据中包含所述行为轨迹信息中的全部或部分内容时,提取命中的预存数据中的序列化信息集合对应的至少一个用户标签;通过所述至少一个用户标签确定所述用户的用户标签;基于所述用户标签为所述用户确定服务策略。
2.如权利要求1所述的方法,其特征在于,还包括:
将所述设备数据、所述第一用户数据、所述关联设备数据、所述第二用户数据按照其关联关系进行整合,生成序列化信息集合。
3.如权利要求1所述的方法,其特征在于,将所述用户和所述其他用户的行为轨迹信息输入用户风险模型中,生成多个用户风险值,包括:
将所述用户和所述其他用户的基础信息依次输入用户风险模型中,所述用户风险模型通过极端梯度提升决策树模型生成;
用户风险模型中的多个树函数分别对所述用户和所述其他用户的基础信息进行计算,生成多个叶子函数值;
基于多个叶子函数值生成所述用户和所述其他用户的用户风险值。
4.如权利要求1所述的方法,其特征在于,基于所述多个用户风险值为所述用户分配服务策略,还包括:
将所述序列化信息集合和其对应的用户标签存储在所述用户库中的预存数据中。
5.如权利要求1所述的方法,其特征在于,还包括:
定时更新所述序列化信息集合中的数据以更新其对应的用户标签。
6.一种基于用户行为轨迹的服务策略分配装置,其特征在于,包括:
轨迹模块,用于获取用户的行为轨迹信息,所述行为轨迹信息包括基础数据、设备数据、操作时间、操作事件的组合;
对比模块,用于由用户库中的预存数据中提取多个序列化集合,所述序列化集合中包括用户数据、设备数据、关联设备数据;将所述行为轨迹信息与所述多个序列化集合中的内容进行对比;
用户模块,用于在所述用户库中的所述多个序列化集合中不包含所述行为轨迹信息中的内容时,提取所述行为轨迹信息中的设备数据;基于所述设备数据中的登陆信息获取第一用户数据;基于所述第一用户数据在内部数据库中获取关联设备数据;基于所述关联设备数据获取第二用户数据;基于所述第一用户数据和所述第二用户数据生成其他用户;
计算模块,用于将所述用户和所述其他用户的行为轨迹信息输入用户风险模型中,生成多个用户风险值;
分配模块,用于基于所述多个用户风险值生成平均风险值;将所述平均风险值和阈值区间进行比较,以为所述用户分配用户标签;基于所述用户标签为所述用户确定服务策略;
标签模块,用于在所述用户库中的预存数据中包含所述行为轨迹信息中的全部或部分内容时,提取命中的预存数据中的序列化信息集合对应的至少一个用户标签;通过所述至少一个用户标签确定所述用户的用户标签,基于所述用户标签为所述用户确定服务策略。
7.如权利要求6所述的装置,其特征在于,还包括:
序列模块,用于将所述设备数据、所述第一用户数据、所述关联设备数据、所述第二用户数据按照其关联关系进行整合,生成序列化信息集合。
8.如权利要求6所述的装置,其特征在于,计算模块,包括:
模型单元,用于将所述用户和所述其他用户的基础信息依次输入用户风险模型中,所述用户风险模型通过极端梯度提升决策树模型生成;
计算单元,也难怪有用户风险模型中的多个树函数分别对所述用户和所述其他用户的基础信息进行计算,生成多个叶子函数值;
风险单元,用于基于多个叶子函数值生成所述用户和所述其他用户的用户风险值。
9.如权利要求7所述的装置,其特征在于,所述序列模块,还包括:
存储单元,用于将所述序列化信息集合和其对应的用户标签存储在所述用户库中的预存数据中。
10.如权利要求7所述的装置,其特征在于,所述序列模块,还包括:
更新单元,用于定时更新所述序列化信息集合中的数据以更新其对应的用户标签。
11.一种电子设备,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1-5中任一所述的方法。
12.一种计算机可读介质,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1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011132006.6A CN112348661B (zh) | 2020-10-21 | 2020-10-21 | 基于用户行为轨迹的服务策略分配方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011132006.6A CN112348661B (zh) | 2020-10-21 | 2020-10-21 | 基于用户行为轨迹的服务策略分配方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112348661A CN112348661A (zh) | 2021-02-09 |
CN112348661B true CN112348661B (zh) | 2024-04-23 |
Family
ID=74359499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011132006.6A Active CN112348661B (zh) | 2020-10-21 | 2020-10-21 | 基于用户行为轨迹的服务策略分配方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348661B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113822524A (zh) * | 2021-07-13 | 2021-12-21 | 支付宝(杭州)信息技术有限公司 | 一种基于商品粒度的资源分配方法、装置以及设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034660A (zh) * | 2018-08-22 | 2018-12-18 | 平安科技(深圳)有限公司 | 基于预测模型的风险控制策略的确定方法及相关装置 |
CN110348726A (zh) * | 2019-07-02 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 一种基于社交关系网络的用户额度调整方法、装置和电子设备 |
CN110349003A (zh) * | 2019-07-02 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 基于社交数据的关联风险评估方法、装置及电子设备 |
CN110363407A (zh) * | 2019-06-27 | 2019-10-22 | 上海淇馥信息技术有限公司 | 基于用户行为轨迹的欺诈风险评估方法及装置 |
CN111311107A (zh) * | 2020-03-02 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 基于用户关系的风险评估方法、装置和计算机设备 |
CN111598360A (zh) * | 2020-07-24 | 2020-08-28 | 北京淇瑀信息科技有限公司 | 服务策略确定方法、装置及电子设备 |
CN111611322A (zh) * | 2019-02-25 | 2020-09-01 | 京东数字科技控股有限公司 | 一种用户信息关联的方法及系统 |
CN111737721A (zh) * | 2020-08-13 | 2020-10-02 | 支付宝(杭州)信息技术有限公司 | 终端设备id的生成方法及装置、电子设备 |
-
2020
- 2020-10-21 CN CN202011132006.6A patent/CN112348661B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034660A (zh) * | 2018-08-22 | 2018-12-18 | 平安科技(深圳)有限公司 | 基于预测模型的风险控制策略的确定方法及相关装置 |
CN111611322A (zh) * | 2019-02-25 | 2020-09-01 | 京东数字科技控股有限公司 | 一种用户信息关联的方法及系统 |
CN110363407A (zh) * | 2019-06-27 | 2019-10-22 | 上海淇馥信息技术有限公司 | 基于用户行为轨迹的欺诈风险评估方法及装置 |
CN110348726A (zh) * | 2019-07-02 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 一种基于社交关系网络的用户额度调整方法、装置和电子设备 |
CN110349003A (zh) * | 2019-07-02 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 基于社交数据的关联风险评估方法、装置及电子设备 |
CN111311107A (zh) * | 2020-03-02 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 基于用户关系的风险评估方法、装置和计算机设备 |
CN111598360A (zh) * | 2020-07-24 | 2020-08-28 | 北京淇瑀信息科技有限公司 | 服务策略确定方法、装置及电子设备 |
CN111737721A (zh) * | 2020-08-13 | 2020-10-02 | 支付宝(杭州)信息技术有限公司 | 终端设备id的生成方法及装置、电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112348661A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111210335B (zh) | 用户风险识别方法、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 | |
CN112529702B (zh) | 用户授信策略分配方法、装置及电子设备 | |
CN112348659B (zh) | 用户识别策略的分配方法、装置及电子设备 | |
CN109522751B (zh) | 访问权限控制方法、装置、电子设备及计算机可读介质 | |
CN112017060B (zh) | 为目标用户进行资源分配的方法、装置及电子设备 | |
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 | |
CN110148053B (zh) | 用户信贷额度评估方法、装置、电子设备和可读介质 | |
CN112348321A (zh) | 风险用户的识别方法、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 | |
CN111178687B (zh) | 金融风险分类方法、装置及电子设备 | |
CN111198967A (zh) | 基于关系图谱的用户分组方法、装置及电子设备 | |
CN111598360A (zh) | 服务策略确定方法、装置及电子设备 | |
CN113297287B (zh) | 用户策略自动部署方法、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 | |
CN113610366A (zh) | 风险警告生成方法、装置及电子设备 | |
CN110333866B (zh) | 承接页面生成方法、装置及电子设备 | |
CN110070383B (zh) | 基于大数据分析的异常用户识别方法及装置 | |
JP2021197089A (ja) | 出力装置、出力方法及び出力プログラム | |
Koo et al. | Decision making for the adoption of cloud computing for sensor data: From the viewpoint of industrial security | |
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 | |
CN112016791B (zh) | 资源分配方法、装置及电子设备 | |
CN114091815A (zh) | 资源请求处理方法、装置、系统及电子设备 | |
CN113902543A (zh) | 资源配额调整方法、装置及电子设备 |
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 | ||
CB02 | Change of applicant information |
Country or region after: China Address after: Room 1109, No. 4, Lane 800, Tongpu Road, Putuo District, Shanghai, 200062 Applicant after: Shanghai Qiyue Information Technology Co.,Ltd. Address before: Room a2-8914, 58 Fumin Branch Road, Hengsha Township, Chongming District, Shanghai, 201500 Applicant before: Shanghai Qiyue Information Technology Co.,Ltd. Country or region before: China |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |