CN112529429A - 客户信息校验方法、装置、计算机设备及存储介质 - Google Patents
客户信息校验方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112529429A CN112529429A CN202011486655.6A CN202011486655A CN112529429A CN 112529429 A CN112529429 A CN 112529429A CN 202011486655 A CN202011486655 A CN 202011486655A CN 112529429 A CN112529429 A CN 112529429A
- Authority
- CN
- China
- Prior art keywords
- information
- verification
- risk
- sample
- client
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012795 verification Methods 0.000 claims abstract description 292
- 238000013139 quantization Methods 0.000 claims description 93
- 238000004364 calculation method Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 description 74
- 238000007726 management method Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了客户信息校验方法、装置、计算机设备及存储介质。方法包括:从历史客户信息表中随机抽取样本客户信息,根据风险校验规则对样本客户信息进行风险校验得到样本校验结果,对样本客户信息进行量化得到样本客户量化信息,根据样本校验结果及样本客户量化信息对风险校验模型进行迭代更新,并使用更新后的风险校验模型对客户端实时发出的新增客户信息进行风险校验得到新增客户风险校验结果。本发明基于人工智能技术,属于机器学习领域,本发明还涉及区块链技术,可将风险校验结果上传至区块链进行存储,管理员只需输入风险校验规则,即可及时对风险校验模型进行更新,基于更新后的风险校验模型即可对客户信息实时高效地进行风险校验。
Description
技术领域
本发明涉及人工智能技术领域,属于智慧城市中对客户信息进行智能风险校验的应用场景,尤其涉及一种客户信息校验方法、装置、计算机设备及存储介质。
背景技术
企业在进行校验业务办理过程中会获取客户信息并进行校验,以通过校验过程降低企业进行业务办理的风险,若客户信息满足相应办理条件则进行业务办理,否则表示客户信息中存在问题,企业需根据客户信息中问题的严重程度进行对应处理。传统技术方法均是采用判断方式对客户信息进行判断校验,以得到客户信息的校验结果,然而客户信息中包含关联、互斥等关系的信息,对于金融企业而言对客户信息进行判断的逻辑更是十分复杂,导致采用判断语句对客户信息进行判断耗时较长,因此传统技术方法难以对海量并发的客户信息实时高效地进行校验,客户办理业务的过程中需等待较长时间以完成客户信息的校验,影响了企业基于客户信息进行后续业务办理的时效性。因此,现有技术方法存在无法对客户信息实时高效地进行校验的问题。
发明内容
本发明实施例提供了一种客户信息校验方法、装置、计算机设备及存储介质,旨在解决现有技术方法所存在的无法对客户信息实时高效地进行校验的问题。
第一方面,本发明实施例提供了一种客户信息校验方法,其包括:
若接收到管理员所输入的风险校验规则,从预存的历史客户信息表中随机抽取样本客户信息;
根据所述风险校验规则对所述样本客户信息进行风险校验得到每一所述样本客户信息的样本校验结果;
根据预置的信息量化规则对所述样本客户信息进行量化得到对应的样本客户量化信息;
根据预存的模型更新规则、所述样本客户量化信息及所述样本校验结果对预置的风险校验模型进行迭代更新,得到更新后的风险校验模型;
根据所述信息量化规则及所述更新后的风险校验模型对所述客户端实时发出的新增客户信息进行风险校验,得到新增客户风险校验结果并反馈至所述客户端。
第二方面,本发明实施例提供了一种客户信息校验装置,其包括:
样本客户信息获取单元,用于若接收到管理员所输入的风险校验规则,从预存的历史客户信息表中随机抽取样本客户信息;
样本校验结果获取单元,用于根据所述风险校验规则对所述样本客户信息进行风险校验得到每一所述样本客户信息的样本校验结果;
样本客户量化信息获取单元,用于根据预置的信息量化规则对所述样本客户信息进行量化得到对应的样本客户量化信息;
风险校验模型更新单元,用于根据预存的模型更新规则、所述样本客户量化信息及所述样本校验结果对预置的风险校验模型进行迭代更新,得到更新后的风险校验模型;
风险校验单元,用于根据所述信息量化规则及所述更新后的风险校验模型对所述客户端实时发出的新增客户信息进行风险校验,得到新增客户风险校验结果并反馈至所述客户端。
第三方面,本发明实施例又提供了一种计算机设备,其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的客户信息校验方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其中所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的客户信息校验方法。
本发明实施例提供了一种客户信息校验方法、装置、计算机设备及存储介质。从历史客户信息表中随机抽取样本客户信息,根据风险校验规则对样本客户信息进行风险校验得到样本校验结果,对样本客户信息进行量化得到样本客户量化信息,根据样本校验结果及样本客户量化信息对风险校验模型进行迭代更新,并使用更新后的风险校验模型对客户端实时发出的新增客户信息进行风险校验得到新增客户风险校验结果。通过上述方法,管理员只需输入风险校验规则,即可及时对风险校验模型进行更新,基于更新后的风险校验模型即可对客户信息实时高效地进行风险校验。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例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客户信息校验方法的流程示意图;
图2为本发明实施例提供的客户信息校验方法的应用场景示意图;
图3为本发明实施例提供的客户信息校验方法的子流程示意图;
图4为本发明实施例提供的客户信息校验方法的另一子流程示意图;
图5为本发明实施例提供的客户信息校验方法的另一子流程示意图;
图6为本发明实施例提供的客户信息校验方法的另一子流程示意图;
图7为本发明实施例提供的客户信息校验方法的另一子流程示意图;
图8为本发明实施例提供的客户信息校验方法的另一流程示意图;
图9为本发明实施例提供的客户信息校验装置的示意性框图;
图10为本发明实施例提供的计算机设备的示意性框图。
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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1及图2,图1是本发明实施例提供的客户信息校验方法的流程示意图,图2为本发明实施例提供的客户信息校验方法的应用场景示意图,该客户信息校验方法应用于管理服务器10中,该方法通过安装于管理服务器10中的应用软件进行执行,管理服务器10与至少一台客户端20进行网络连接以实现数据信息的传输,管理服务器10即是用于执行客户信息校验方法以实现对客户信息进行智能风险校验的服务器端,管理服务器10可以是企业内所设立的服务器,管理服务器10的使用者即为企业的管理员;客户端20即是与管理服务器10建立网络连接以进行数据信息传输的终端设备,例如台式电脑、笔记本电脑、平板电脑或手机等,客户端20的使用者即为客户。如图1所示,该方法包括步骤S110~S150。
S110、若接收到管理员所输入的风险校验规则,从预存的历史客户信息表中随机抽取样本客户信息。
若接收到管理员所输入的风险校验规则,从预存的历史客户信息表中随机抽取样本客户信息。管理员可配置风险校验规则至管理服务器,其中,所输入的风险校验规则可以是全新配置得到的规则,也可以是对旧的风险校验规则进行修改后得到的规则,风险校验规则即为对客户信息进行风险校验的规则信息,风险校验规则中包含多个规则具体可采用逻辑运算符进行表示,可基于风险校验规则中的逻辑运算符对客户信息进行校验。若接收到输入的风险校验规则,则从历史客户信息表中随机抽取部分客户信息作为样本客户信息。历史客户信息表即为管理服务器中所配置的用于对历史客户信息进行存储的信息表,客户办理业务时均会通过客户端发送客户信息至管理服务器,管理服务器可将所接受到的客户信息存储至历史客户信息表中,客户信息可包含客户姓名、年龄、性别、身份证号、手机号、职业、收入、兴趣爱好、住房信息、私家车信息、住址、婚姻状态、生育信息及征信违约信息等与客户相关的信息。具体的,可根据预置的比例值从预存的历史客户信息表中随机抽取与所述比例值相匹配的样本客户信息;历史客户信息表中存储有大量客户信息,若客户信息数量较多,则可按预置的比例值从中随机抽取部分客户信息作为样本客户信息。
例如,历史客户信息表中包含一万条客户信息,预置比例值为0.1,则对应从历史客户信息表中抽取1000条客户信息作为样本客户信息。
S120、根据所述风险校验规则对所述样本客户信息进行风险校验得到每一所述样本客户信息的样本校验结果。
根据所述风险校验规则对所述样本客户信息进行风险校验得到每一所述样本客户信息的样本校验结果。可根据风险校验规则对样本客户信息进行风险校验得到相应样本校验结果,样本校验结果可以是校验通过或校验不通过,其中,所述风险校验规则包括格式校验规则、关联校验规则及匹配校验规则。
具体的,在一实施例中,如图3所示,所述步骤S120包括子步骤:S121、S122、S123、S124和S125。
S121、根据所述格式校验规则对每一所述样本客户信息中每一项信息进行格式校验得到每一所述样本客户信息的格式校验结果。
可根据格式校验规则对样本客户信息中包含的多项信息进行格式校验,具体的,格式校验规则包含对每一项信息的字符长度、字符类型进行校验的具体规则,格式校验规则中包含与多项信息对应的校验格式,若样本客户信息中某一项信息的字符长度或字符类型不满足该项信息对应的校验格式,则该样本客户信息的格式校验结果为不通过;若样本客户信息中每一项信息的字符长度及字符类型均满足该项信息对应的校验格式,则格式校验结果为通过。
例如,身份证号这一项信息的校验格式中包括:字符长度为18个字符,前17位字符的字符类型必须是数字,最后一位字符的字符类型为数字或字母,则可根据身份证的校验格式对每一样本客户信息中与身份证相对应的一项信息进行校验。
S122、若所述格式校验结果为通过,根据所述关联校验规则对所述样本客户信息中多项信息之间的关联关系进行校验得到关联校验结果。
可根据关联校验规则对样本客户信息中多项信息之间的关联关系进行校验,具体的,关联校验规则中包括对客户信息中的多个关联信息对进行关联校验的具体规则,每一关联信息对中包含两项信息,可根据关联校验规则获取一个关联信息对所对应的两项信息的关联特征,并判断关联特征是否一致,若两项信息的关联特征一致,则表明关联信息对的两项信息存在相应关联,否则表明关联信息对的两项信息之间不存在关联。若某一样本客户信息与某一关联信息对对应的两项信息不存在关联,则该样本客户信息的关联校验结果为不通过;若某一样本客户信息与每一关联信息对对应的两项信息均存在关联,则关联校验结果为通过。
例如,某一样本客户信息中与一个关联信息对所对应的两项信息分别为“手机号:138XXXXXXXX”、“住址:A省B市C区D街道E小区”,获取到“手机号:138XXXXXXXX”的关联特征为:归属地A省B市,住址的关联特征为:所属城市A省B市,两项信息的关联特征一致,则两项信息存在关联。
S123、若所述关联校验结果为通过,根据所述匹配校验规则对所述样本客户信息中每一项信息是否与所述匹配校验规则中的预设范围相匹配进行校验得到匹配校验结果。
可根据匹配校验规则对样本客户信息中的每一项信息是否与预设范围相匹配进行校验,具体的,匹配校验规则中包含与每一项信息对应的预设范围,一项信息对应的预设范围可以是对该项信息所属范围进行限定的集合,可根据匹配校验规则判断样本客户信息中的每一项信息是否与预设范围相匹配,若某一样本客户信息中存在一项信息不与预设范围相匹配,则该样本信息的匹配校验结果为不通过;若某一样本客户信息中每一项信息均与预设范围相匹配,则匹配校验结果为通过。
例如,某一样本客户信息中的征信违约信息为违约5次,匹配校验规则中与征信违约信息对应的预设范围为[0,3],则该样本客户信息的征信违约次数与相应的预设范围不相匹配,该样本客户信息的匹配校验结果为不通过。
S124、若所述匹配校验结果为通过,判定所述样本客户信息的样本校验结果为通过;S125、若所述格式校验结果、所述关联校验结果或所述匹配校验结果为不通过,判定所述样本客户信息的样本校验结果为不通过。
若匹配校验结果为通过,则得到样本客户信息的样本校验结果为通过,若格式校验结果、关联校验结果及匹配校验结果中任意一个为不通过,则得到样本客户信息的样本校验结果为不通过。
S130、根据预置的信息量化规则对所述样本客户信息进行量化得到对应的样本客户量化信息。
根据预置的信息量化规则对所述样本客户信息进行量化得到对应的样本客户量化信息。信息量化规则即为对每一样本客户信息进行量化的具体规则,可根据信息量化规则对每一样本客户信息中包含的每一项信息进行量化处理,得到相应的样本客户量化信息,样本客户量化信息即可用于对每一样本客户信息进行量化表示,信息量化规则中包含多个量化项目,每一量化项目可将样本客户信息的一项信息转换为对应量化值,一个样本客户信息的多个量化值即组成为该样本客户信息的样本客户量化信息。
具体的,在一实施例中,如图4所示,步骤S130包括子步骤S131和S132。
S131、根据所述信息量化规则包含的量化项目获取每一所述样本客户信息对应的项目属性信息。
信息量化规则中可包含多个量化项目,可根据多个量化项目依次获取每一样本客户信息与每一量化项目对应的项目属性信息。
S132、根据每一所述量化项目的项目规则对每一所述样本客户信息对应的项目属性信息进行量化处理,得到每一样本客户信息的样本客户量化信息。
项目规则可对与量化项目相匹配的项目属性信息进行量化处理,具体的,每一量化项目的项目规则可将一个项目属性信息转换为一个量化值进行表示,一条样本客户量化信息可表示为一个多维的特征向量,也即是每一条项目属性信息对应样本客户量化信息中的一个维度的特征向量,对每一量化项目对应的项目属性信息进行量化所得到量化值的范围均为[0,1]。具体的,可对项目属性信息是否属于预置的特征属性进行判断,若属于特征属性则直接将该项目属性信息转换为相应特征属性值,特征属性包括身份证号、手机号等;若项目属性信息不属于特征属性,则可对项目属性信息是否为数值进行判断,若项目属性信息为数值则与该项目属性信息相匹配的项目规则为激活函数及对应的一个中间值,可通过激活函数计算得到该项目属性信息的量化值;若项目属性信息不为数值,则与该项目属性信息相匹配的项目规则包含多个关键字及与每一关键字对应的数值,获取项目规则中与项目属性信息相匹配的一个关键字对应的数值作为该项目属性信息的量化值。
例如,若项目属性信息为特征属性,则将项目属性信息转换为对应小数进行表示。如某一样本客户信息中的身份证号为210101XXXXXXXXXXXX,则对应得到特征属性值为0.210101XXXXXXXXXXXX。
对于与量化项目对应的项目属性信息以数值方式表示的情况,对应的项目规则为一个激活函数及一个中间值,根据激活函数对中间值及该量化项目所对应的项目属性信息进行计算,即可得到对应的量化值。
例如,某一量化项目的项目规则中激活函数可表示为:其中,x为与量化项目对应的一个项目属性信息,v为项目规则包含的中间值。与收入这一量化项目对应的中间值为v=7000,某一样本客户信息的中收入为x=5800,则根据上述激活函数计算得到对应的量化值为0.7021。信息量化规则的婚姻状态这一量化项目对应的项目规则中包含“已婚”、“离异”、“未婚”三个关键字,与“已婚”对应的数值为“1”、与“离异”对应的数值为“0.3”,与“未婚”对应的数值为“0”,某一样本客户信息的婚姻状态为未婚,则对应的量化值为“0”。
S140、根据预存的模型更新规则、所述样本客户量化信息及所述样本校验结果对预置的风险校验模型进行迭代更新,得到更新后的风险校验模型。
根据预存的模型更新规则、所述样本客户量化信息及所述样本校验结果对预置的风险校验模型进行迭代更新,得到更新后的风险校验模型。模型更新规则即为对风险校验模型中参数值进行训练更新的规则,模型更新规则包括损失值计算公式及梯度计算公式。具体的,风险校验模型是基于神经网络所构建的智能校验模型,风险校验模型由一个输入层、多个中间层及一个输出层组成,输入层与中间层之间、中间层与前后相邻的其他中间层之间、中间层与输出层之间均通过关联公式进行关联,例如某一关联公式可表示为y=p×x+q,p和q即为该关联公式中的参数值。输入层中包含的输入节点的数量与样本客户量化信息的维度数相等,则样本客户量化信息中的每一个量化值均与一个输入节点相对应,将多个样本客户量化信息依次输入风险校验模型进行智能校验,即可从其输出层获取输出结果,根据模型更新规则对输出结果及该样本客户量化信息对应的样本校验结果进行计算得到损失值,并根据损失值计算得到风险校验模型中每一参数值的更新值,即可对风险校验模型进行迭代更新。其中,输出结果即为输出节点的输出节点值,每一量化输入信息对应两个输出节点值,输出节点值即为样本客户量化信息与相应输出节点之间的匹配度,第一个输出节点值为校验通过的匹配度,第二个输出节点值为校验不通过的匹配度,输出节点值可采用一个小数进行表示,取值范围为[0,1]。
具体的,在一实施例中,如图5所示,步骤S140包括子步骤S141、S142、S143、S144、S145和S146。
S141、根据所述风险校验模型获取一条所述样本客户量化信息的输出结果。
根据风险校验模型获取与一条样本客户量化信息对应的输出节点值作为相应输出结果,则输出结果中包含风险校验模型两个输出节点分别对应的输出节点值。
S142、根据所述损失值计算公式获取所述样本客户量化信息的样本校验结果与所述输出结果之间的损失值。
可通过损失值计算公式对样本校验结果及输出结果进行计算,得到与该样本客户量化信息对应的损失值,损失值可用于对输出结果与样本校验结果之间的差异进行量化表示。
例如,损失函数可表示为其中,R为样本校验结果对应的结果量化值,样本校验结果为通过对应的结果量化值为“1”,样本校验结果为不通过对应的结果量化值为“0”,r1为校验通过对应的输出节点的输出节点值,r1为校验不通过对应的输出节点的输出节点值,f(r)即为所计算得到的损失值。
S143、根据所述梯度计算公式、所述损失值及所述风险校验模型中每一参数对所述样本客户量化信息进行计算的计算值获取每一所述参数的更新值以更新所述风险校验模型。
可根据梯度计算公式计算得到风险校验模型中每一参数的更新值以对参数原始的参数值进行更新,具体的,将风险校验模型中一个参数对一个样本客户量化信息进行计算所得到的计算值输入梯度计算公式,并结合上述损失值,即可计算得到与该参数对应的更新值,这一计算过程也即为梯度下降计算。
具体的,梯度计算公式可表示为:
S144、判断每一所述样本客户量化信息是否均已对所述风险校验模型进行迭代更新;S145、若每一所述样本客户量化信息均已对所述风险校验模型进行迭代更新,将所述风险校验模型确定为更新后的风险校验模型;S146、若每一所述样本客户量化信息未均对所述风险校验模型进行迭代更新,获取下一所述样本客户量化信息并返回执行所述根据所述风险校验模型获取一条所述样本客户量化信息的输出结果的步骤。
根据一条样本客户量化信息及对应的样本校验结果即可对风险校验模型中所有参数的参数值进行一次更新,也即是完成对风险校验模型的一次训练更新;可获取吓一条样本客户量化信息并重复上述更新过程以实现对风险校验模型进行迭代更新,直至全部样本客户量化信息均用于对风险校验模型进行迭代更新。
S150、根据所述信息量化规则及所述更新后的风险校验模型对所述客户端实时发出的新增客户信息进行风险校验,得到新增客户风险校验结果并反馈至所述客户端。
根据所述信息量化规则及所述更新后的风险校验模型对所述客户端实时发出的新增客户信息进行风险校验,得到新增客户风险校验结果并反馈至所述客户端。管理服务器可接收客户端实时发出的新增客户信息,并通过信息量化规则获取新增客户信息的新增客户量化信息,通过更新后的风险校验模型获取新增客户量化信息的输出结果,并进一步获取新增客户风险校验结果。若再次接收到管理员所输入的风险校验规则,则返回执行步骤S110中的方法。
具体的,在一实施例中,如图6所示,步骤S150包括子步骤S151、S152和S153。
S151、根据所述信息量化规则对所述新增客户信息进行量化得到对应的新增客户量化信息。
可根据信息量化规则对新增客户信息进行量化,进行量化处理的具体方式与对样本客户量化信息进行量化处理的具体方式相同,在此不作赘述。
S152、根据所述风险校验模型获取所述新增客户量化信息的输出结果。
将新增客户量化信息输入风险校验模型以获取相应输出结果,则输出结果中包含风险校验模型两个输出节点分别对应的输出节点值。
S153、根据预置的风险等级匹配规则获取与所述输出结果相匹配的风险等级作为所述新增客户风险校验结果。
根据风险等级匹配规则获取与输出结果相匹配的风险等级,得到新增客户风险校验结果。风险等级匹配规则即是用于获取与输出结果相匹配的风险等级的具体规则,风险等级越高则表示新增客户信息存在的业务风险越大。具体的,风险等级匹配规则包括归一化函数及风险等级区间。
在一实施例中,如图7所示,步骤S153包括子步骤S1531和S1532。
S1531、根据所述归一化函数及所述输出结果中两个输出节点值计算得到校验得分;S1532、获取所述风险等级区间中与所述校验得分相匹配的一个等级作为与所述输出结果相匹配的风险等级。
具体的,归一化函数可表示为:其中,r1为校验通过对应的输出节点的输出节点值,r1为校验不通过对应的输出节点的输出节点值,D为计算得到的校验得分。风险等级区间中包含多个等级一级每一等级对应的得分区间,获取风险等级区间中与校验得分相匹配的一个得分区间,并将该得分区间的等级作为与输出结果相匹配的风险等级。管理服务器可对新增客户风险校验结果为无风险的新增客户信息进行后续业务办理。
若新增客户风险校验结果不为无风险,则管理服务器还可在不同风险等级的新增客户信息中添加与风险等级相匹配的风险标签,并将添加风险标签的新增客户信息反馈至客户端进行修改,若新增客户风险校验结果为高风险,还可发送相应提示信息至企业员工终端以提醒企业相应员工注意风险防控。
例如,某一输出结果对应的校验得分为80.99,该校验得分与[75,90]这一得分区间相匹配,获取该得分区间的等级“低风险”作为与该输出结果相匹配的风险等级。
在一实施例中,如图8所示,步骤S150之后还包括步骤S160。
S160、将所述新增客户风险校验结果上传至区块链进行存储。
将所述新增客户风险校验结果上传至区块链进行存储,基于新增客户风险校验结果得到对应的摘要信息,具体来说,摘要信息由新增客户风险校验结果进行散列处理得到,比如利用sha256s算法处理得到。将摘要信息上传至区块链可保证其安全性和对用户的公正透明性。用户设备可以从区块链中下载得该摘要信息,以便查证新增客户风险校验结果是否被篡改。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
在一实施例中,步骤S150之后还包括步骤:将所述新增客户信息添加至所述历史客户信息表中进行存储。
可将新增客户信息添加至历史客户信息表中,则添加至历史客户信息表中的新增客户信息可作为再次对风险校验模型进行更新的样本客户信息进行使用。
本申请中的技术方法可应用于智慧政务/智慧城管/智慧社区/智慧安防/智慧物流/智慧医疗/智慧教育/智慧环保/智慧交通等包含对客户信息进行智能风险校验的应用场景中,从而推动智慧城市的建设。
在本发明实施例所提供的客户信息校验方法中,从历史客户信息表中随机抽取样本客户信息,根据风险校验规则对样本客户信息进行风险校验得到样本校验结果,对样本客户信息进行量化得到样本客户量化信息,根据样本校验结果及样本客户量化信息对风险校验模型进行迭代更新,并使用更新后的风险校验模型对客户端实时发出的新增客户信息进行风险校验得到新增客户风险校验结果。通过上述方法,管理员只需输入风险校验规则,即可及时对风险校验模型进行更新,基于更新后的风险校验模型即可对客户信息实时高效地进行风险校验。
本发明实施例还提供一种客户信息校验装置,该客户信息校验装置用于执行前述客户信息校验方法的任一实施例。具体地,请参阅图9,图9是本发明实施例提供的客户信息校验装置的示意性框图。该客户信息校验装置可以配置于管理服务器10中。
如图9所示,客户信息校验装置100包括样本客户信息获取单元110、样本校验结果获取单元120、样本客户量化信息获取单元130、风险校验模型更新单元140和风险校验单元150。
样本客户信息获取单元110,用于样本客户信息获取单元,用于若接收到管理员所输入的风险校验规则,从预存的历史客户信息表中随机抽取样本客户信息。
样本校验结果获取单元120,用于根据所述风险校验规则对所述样本客户信息进行风险校验得到每一所述样本客户信息的样本校验结果.
在一实施例中,所述样本校验结果获取单元120包括子单元:格式校验单元、关联校验单元、匹配校验单元、第一判断单元及第二判定单元。
格式校验单元,用于根据所述格式校验规则对每一所述样本客户信息中每一项信息进行格式校验得到每一所述样本客户信息的格式校验结果;关联校验单元,用于若所述格式校验结果为通过,根据所述关联校验规则对所述样本客户信息中多项信息之间的关联关系进行校验得到关联校验结果;匹配校验单元,用于若所述关联校验结果为通过,根据所述匹配校验规则对所述样本客户信息中每一项信息是否与所述匹配校验规则中的预设范围相匹配进行校验得到匹配校验结果;第一判断单元,用于若所述匹配校验结果为通过,判定所述样本客户信息的样本校验结果为通过;第二判定单元,用于若所述格式校验结果、所述关联校验结果或所述匹配校验结果为不通过,判定所述样本客户信息的样本校验结果为不通过。
样本客户量化信息获取单元130,用于根据预置的信息量化规则对所述样本客户信息进行量化得到对应的样本客户量化信息。
在一实施例中,所述样本客户量化信息获取单元130包括子单元:项目属性信息获取单元及项目属性信息量化单元。
项目属性信息获取单元,用于根据所述信息量化规则包含的量化项目获取每一所述样本客户信息对应的项目属性信息;项目属性信息量化单元,用于根据每一所述量化项目的项目规则对每一所述样本客户信息对应的项目属性信息进行量化处理,得到每一样本客户信息的样本客户量化信息。
风险校验模型更新单元140,用于根据预存的模型更新规则、所述样本客户量化信息及所述样本校验结果对预置的风险校验模型进行迭代更新,得到更新后的风险校验模型。
在一实施例中,所述风险校验模型更新单元140包括子单元:输出结果获取单元、损失值计算单元、参数更新单元、判断单元、确定单元及返回执行单元。
输出结果获取单元,用于根据所述风险校验模型获取一条所述样本客户量化信息的输出结果;损失值计算单元,用于根据所述损失值计算公式获取所述样本客户量化信息的样本校验结果与所述输出结果之间的损失值;参数更新单元,用于根据所述梯度计算公式、所述损失值及所述风险校验模型中每一参数对所述样本客户量化信息进行计算的计算值获取每一所述参数的更新值以更新所述风险校验模型;判断单元,用于判断每一所述样本客户量化信息是否均已对所述风险校验模型进行迭代更新;确定单元,用于若每一所述样本客户量化信息均已对所述风险校验模型进行迭代更新,将所述风险校验模型确定为更新后的风险校验模型;返回执行单元,用于若每一所述样本客户量化信息未均对所述风险校验模型进行迭代更新,获取下一所述样本客户量化信息并返回执行所述根据所述风险校验模型获取一条所述样本客户量化信息的输出结果的步骤。
风险校验单元150,用于根据所述信息量化规则及所述更新后的风险校验模型对所述客户端实时发出的新增客户信息进行风险校验,得到新增客户风险校验结果并反馈至所述客户端。
在一实施例中,所述风险校验单元150包括子单元:新增客户量化信息获取单元、模型输出结果获取单元及风险等级匹配单元。
新增客户量化信息获取单元,用于根据所述信息量化规则对所述新增客户信息进行量化得到对应的新增客户量化信息;模型输出结果获取单元,用于根据所述风险校验模型获取所述新增客户量化信息的输出结果;风险等级匹配单元,用于根据预置的风险等级匹配规则获取与所述输出结果相匹配的风险等级作为所述新增客户风险校验结果。
在一实施例中,所述风险等级匹配单元包括子单元:校验得分计算单元及风险等级确定单元。
校验得分计算单元,用于根据所述归一化函数及所述输出结果中两个输出节点值计算得到校验得分;风险等级确定单元,用于获取所述风险等级区间中与所述校验得分相匹配的一个等级作为与所述输出结果相匹配的风险等级。
在一实施例中,所述客户信息校验装置100还包括子单元:存储单元。
存储单元,用于将所述新增客户风险校验结果上传至区块链进行存储。
在本发明实施例所提供的客户信息校验装置应用上述客户信息校验方法,从历史客户信息表中随机抽取样本客户信息,根据风险校验规则对样本客户信息进行风险校验得到样本校验结果,对样本客户信息进行量化得到样本客户量化信息,根据样本校验结果及样本客户量化信息对风险校验模型进行迭代更新,并使用更新后的风险校验模型对客户端实时发出的新增客户信息进行风险校验得到新增客户风险校验结果。通过上述方法,管理员只需输入风险校验规则,即可及时对风险校验模型进行更新,基于更新后的风险校验模型即可对客户信息实时高效地进行风险校验。
上述客户信息校验装置可以实现为计算机程序的形式,该计算机程序可以在如图10所示的计算机设备上运行。
请参阅图10,图10是本发明实施例提供的计算机设备的示意性框图。该计算机设备可以是用于执行客户信息校验方法以对客户信息进行智能风险校验的管理服务器。
参阅图10,该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时,可使得处理器502执行客户信息校验方法。
该处理器502用于提供计算和控制能力,支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行客户信息校验方法。
该网络接口505用于进行网络通信,如提供数据信息的传输等。本领域技术人员可以理解,图10中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现上述的客户信息校验方法中对应的功能。
本领域技术人员可以理解,图10中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定,在其他实施例中,计算机设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。例如,在一些实施例中,计算机设备可以仅包括存储器及处理器,在这样的实施例中,存储器及处理器的结构及功能与图10所示实施例一致,在此不再赘述。
应当理解,在本发明实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序,其中计算机程序被处理器执行时实现上述的客户信息校验方法中所包含的步骤。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为逻辑功能划分,实际实现时可以有另外的划分方式,也可以将具有相同功能的单元集合成一个单元,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。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,或者该技术方案的全部或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计算机可读存储介质中,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。而前述的计算机可读存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种客户信息校验方法,应用于管理服务器中,所述管理服务器与至少一台客户端进行网络连接,其特征在于,所述方法包括:
若接收到管理员所输入的风险校验规则,从预存的历史客户信息表中随机抽取样本客户信息;
根据所述风险校验规则对所述样本客户信息进行风险校验得到每一所述样本客户信息的样本校验结果;
根据预置的信息量化规则对所述样本客户信息进行量化得到对应的样本客户量化信息;
根据预存的模型更新规则、所述样本客户量化信息及所述样本校验结果对预置的风险校验模型进行迭代更新,得到更新后的风险校验模型;
根据所述信息量化规则及所述更新后的风险校验模型对所述客户端实时发出的新增客户信息进行风险校验,得到新增客户风险校验结果并反馈至所述客户端。
2.根据权利要求1所述的客户信息校验方法,其特征在于,所述风险校验规则包括格式校验规则、关联校验规则及匹配校验规则,所述根据所述风险校验规则对所述样本客户信息进行风险校验得到每一所述样本客户信息的样本校验结果,包括:
根据所述格式校验规则对每一所述样本客户信息中每一项信息进行格式校验得到每一所述样本客户信息的格式校验结果;
若所述格式校验结果为通过,根据所述关联校验规则对所述样本客户信息中多项信息之间的关联关系进行校验得到关联校验结果;
若所述关联校验结果为通过,根据所述匹配校验规则对所述样本客户信息中每一项信息是否与所述匹配校验规则中的预设范围相匹配进行校验得到匹配校验结果;
若所述匹配校验结果为通过,判定所述样本客户信息的样本校验结果为通过;
若所述格式校验结果、所述关联校验结果或所述匹配校验结果为不通过,判定所述样本客户信息的样本校验结果为不通过。
3.根据权利要求1所述的客户信息校验方法,其特征在于,所述根据预置的信息量化规则对所述样本客户信息进行量化得到对应的样本客户量化信息,包括:
根据所述信息量化规则包含的量化项目获取每一所述样本客户信息对应的项目属性信息;
根据每一所述量化项目的项目规则对每一所述样本客户信息对应的项目属性信息进行量化处理,得到每一样本客户信息的样本客户量化信息。
4.根据权利要求1所述的客户信息校验方法,其特征在于,所述模型更新规则包括损失值计算公式及梯度计算公式,所述根据预存的模型更新规则、所述样本客户量化信息及所述样本校验结果对预置的风险校验模型进行迭代更新,得到更新后的风险校验模型,包括:
根据所述风险校验模型获取一条所述样本客户量化信息的输出结果;
根据所述损失值计算公式获取所述样本客户量化信息的样本校验结果与所述输出结果之间的损失值;
根据所述梯度计算公式、所述损失值及所述风险校验模型中每一参数对所述样本客户量化信息进行计算的计算值获取每一所述参数的更新值以更新所述风险校验模型;
判断每一所述样本客户量化信息是否均已对所述风险校验模型进行迭代更新;
若每一所述样本客户量化信息均已对所述风险校验模型进行迭代更新,将所述风险校验模型确定为更新后的风险校验模型;
若每一所述样本客户量化信息未均对所述风险校验模型进行迭代更新,获取下一所述样本客户量化信息并返回执行所述根据所述风险校验模型获取一条所述样本客户量化信息的输出结果的步骤。
5.根据权利要求1所述的客户信息校验方法,其特征在于,所述根据所述信息量化规则及所述更新后的风险校验模型对所述客户端实时发出的新增客户信息进行风险校验,得到新增客户风险校验结果并反馈至所述客户端,包括:
根据所述信息量化规则对所述新增客户信息进行量化得到对应的新增客户量化信息;
根据所述风险校验模型获取所述新增客户量化信息的输出结果;
根据预置的风险等级匹配规则获取与所述输出结果相匹配的风险等级作为所述新增客户风险校验结果。
6.根据权利要求5所述的客户信息校验方法,其特征在于,所述风险等级匹配规则包括归一化函数及风险等级区间,所述根据预置的风险等级匹配规则获取与所述输出结果相匹配的风险等级作为所述新增客户风险校验结果,包括:
根据所述归一化函数及所述输出结果中两个输出节点值计算得到校验得分;
获取所述风险等级区间中与所述校验得分相匹配的一个等级作为与所述输出结果相匹配的风险等级。
7.根据权利要求1所述的客户信息校验方法,其特征在于,所述根据所述信息量化规则及所述更新后的风险校验模型对所述客户端实时发出的新增客户信息进行风险校验,得到新增客户风险校验结果并反馈至所述客户端之后,还包括:
将所述新增客户风险校验结果上传至区块链进行存储。
8.一种客户信息校验装置,其特征在于,包括:
样本客户信息获取单元,用于若接收到管理员所输入的风险校验规则,从预存的历史客户信息表中随机抽取样本客户信息;
样本校验结果获取单元,用于根据所述风险校验规则对所述样本客户信息进行风险校验得到每一所述样本客户信息的样本校验结果;
样本客户量化信息获取单元,用于根据预置的信息量化规则对所述样本客户信息进行量化得到对应的样本客户量化信息;
风险校验模型更新单元,用于根据预存的模型更新规则、所述样本客户量化信息及所述样本校验结果对预置的风险校验模型进行迭代更新,得到更新后的风险校验模型;
风险校验单元,用于根据所述信息量化规则及所述更新后的风险校验模型对所述客户端实时发出的新增客户信息进行风险校验,得到新增客户风险校验结果并反馈至所述客户端。
9.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的客户信息校验方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至7任一项所述的客户信息校验方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011486655.6A CN112529429B (zh) | 2020-12-16 | 2020-12-16 | 客户信息校验方法、装置、计算机设备及存储介质 |
PCT/CN2021/090587 WO2022126975A1 (zh) | 2020-12-16 | 2021-04-28 | 客户信息校验方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011486655.6A CN112529429B (zh) | 2020-12-16 | 2020-12-16 | 客户信息校验方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112529429A true CN112529429A (zh) | 2021-03-19 |
CN112529429B CN112529429B (zh) | 2024-05-14 |
Family
ID=75000818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011486655.6A Active CN112529429B (zh) | 2020-12-16 | 2020-12-16 | 客户信息校验方法、装置、计算机设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112529429B (zh) |
WO (1) | WO2022126975A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113724094A (zh) * | 2021-08-31 | 2021-11-30 | 平安养老保险股份有限公司 | 风险信息校验方法、装置、设备及介质 |
CN113836904A (zh) * | 2021-09-18 | 2021-12-24 | 唯品会(广州)软件有限公司 | 商品信息校验方法 |
WO2022126975A1 (zh) * | 2020-12-16 | 2022-06-23 | 平安科技(深圳)有限公司 | 客户信息校验方法、装置、计算机设备及存储介质 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115048430B (zh) * | 2022-06-28 | 2024-04-16 | 北京龙智数科科技服务有限公司 | 数据核验方法、系统、装置及存储介质 |
CN117252703B (zh) * | 2023-11-20 | 2024-02-09 | 杭州联海网络科技有限公司 | 一种面向金融客户的营销规则生成方法和系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7668776B1 (en) * | 2002-01-07 | 2010-02-23 | First Data Corporation | Systems and methods for selective use of risk models to predict financial risk |
CN107392451A (zh) * | 2017-07-11 | 2017-11-24 | 重庆卡西匚匚科技有限公司 | 一种风险控制系统 |
CN108510396A (zh) * | 2017-06-23 | 2018-09-07 | 平安科技(深圳)有限公司 | 投保校验的方法、装置、计算机设备及存储介质 |
WO2019061628A1 (zh) * | 2017-09-26 | 2019-04-04 | 武汉斗鱼网络科技有限公司 | 一种数据校验方法及服务器 |
CN109785117A (zh) * | 2018-12-14 | 2019-05-21 | 平安科技(深圳)有限公司 | 基于神经网络的风控方法、计算机可读存储介质及服务器 |
WO2020007153A1 (zh) * | 2018-07-03 | 2020-01-09 | 阿里巴巴集团控股有限公司 | 识别二次放号账户盗用的风控模型训练、风控方法、装置以及设备 |
WO2020082579A1 (zh) * | 2018-10-25 | 2020-04-30 | 深圳壹账通智能科技有限公司 | 一种风险审批方法、装置、存储介质和服务器 |
CN111861732A (zh) * | 2020-07-31 | 2020-10-30 | 重庆富民银行股份有限公司 | 一种风险评估系统及方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8489499B2 (en) * | 2010-01-13 | 2013-07-16 | Corelogic Solutions, Llc | System and method of detecting and assessing multiple types of risks related to mortgage lending |
CN109345374B (zh) * | 2018-09-17 | 2023-04-18 | 平安科技(深圳)有限公司 | 风险控制方法、装置、计算机设备和存储介质 |
US11599939B2 (en) * | 2019-02-20 | 2023-03-07 | Hsip Corporate Nevada Trust | System, method and computer program for underwriting and processing of loans using machine learning |
CN111950889A (zh) * | 2020-08-10 | 2020-11-17 | 中国平安人寿保险股份有限公司 | 一种客户风险评估方法、装置、可读存储介质及终端设备 |
CN112529429B (zh) * | 2020-12-16 | 2024-05-14 | 平安科技(深圳)有限公司 | 客户信息校验方法、装置、计算机设备及存储介质 |
-
2020
- 2020-12-16 CN CN202011486655.6A patent/CN112529429B/zh active Active
-
2021
- 2021-04-28 WO PCT/CN2021/090587 patent/WO2022126975A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7668776B1 (en) * | 2002-01-07 | 2010-02-23 | First Data Corporation | Systems and methods for selective use of risk models to predict financial risk |
CN108510396A (zh) * | 2017-06-23 | 2018-09-07 | 平安科技(深圳)有限公司 | 投保校验的方法、装置、计算机设备及存储介质 |
CN107392451A (zh) * | 2017-07-11 | 2017-11-24 | 重庆卡西匚匚科技有限公司 | 一种风险控制系统 |
WO2019061628A1 (zh) * | 2017-09-26 | 2019-04-04 | 武汉斗鱼网络科技有限公司 | 一种数据校验方法及服务器 |
WO2020007153A1 (zh) * | 2018-07-03 | 2020-01-09 | 阿里巴巴集团控股有限公司 | 识别二次放号账户盗用的风控模型训练、风控方法、装置以及设备 |
WO2020082579A1 (zh) * | 2018-10-25 | 2020-04-30 | 深圳壹账通智能科技有限公司 | 一种风险审批方法、装置、存储介质和服务器 |
CN109785117A (zh) * | 2018-12-14 | 2019-05-21 | 平安科技(深圳)有限公司 | 基于神经网络的风控方法、计算机可读存储介质及服务器 |
CN111861732A (zh) * | 2020-07-31 | 2020-10-30 | 重庆富民银行股份有限公司 | 一种风险评估系统及方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022126975A1 (zh) * | 2020-12-16 | 2022-06-23 | 平安科技(深圳)有限公司 | 客户信息校验方法、装置、计算机设备及存储介质 |
CN113724094A (zh) * | 2021-08-31 | 2021-11-30 | 平安养老保险股份有限公司 | 风险信息校验方法、装置、设备及介质 |
CN113836904A (zh) * | 2021-09-18 | 2021-12-24 | 唯品会(广州)软件有限公司 | 商品信息校验方法 |
CN113836904B (zh) * | 2021-09-18 | 2023-11-17 | 唯品会(广州)软件有限公司 | 商品信息校验方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2022126975A1 (zh) | 2022-06-23 |
CN112529429B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112529429B (zh) | 客户信息校验方法、装置、计算机设备及存储介质 | |
CN111367965B (zh) | 目标对象确定方法、装置、电子设备及存储介质 | |
US11681817B2 (en) | System and method for implementing attribute classification for PII data | |
CN105894028B (zh) | 用户识别方法和装置 | |
CN113722611A (zh) | 政务服务的推荐方法、装置、设备及计算机可读存储介质 | |
CN111724084A (zh) | 数据资产的价值显示方法、装置、设备及存储介质 | |
CN113657993A (zh) | 信用风险识别方法、装置、设备及存储介质 | |
CN112116436A (zh) | 一种智能推荐方法、装置、计算机设备及可读存储介质 | |
CN111639690A (zh) | 基于关系图谱学习的欺诈分析方法、系统、介质及设备 | |
CN112507212A (zh) | 智能回访方法、装置、电子设备及可读存储介质 | |
CN112052891A (zh) | 机器行为识别方法、装置、设备及计算机可读存储介质 | |
CN111582932A (zh) | 场景间信息推送方法、装置、计算机设备及存储介质 | |
CN114693192A (zh) | 风控决策方法、装置、计算机设备和存储介质 | |
CN115698977A (zh) | 上下文驱动的数据剖析 | |
CN112508119B (zh) | 特征挖掘组合方法、装置、设备及计算机可读存储介质 | |
CN111245815B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN112148880A (zh) | 一种客服对话语料聚类方法、系统、设备及存储介质 | |
CN116629423A (zh) | 用户行为预测方法、装置、设备及存储介质 | |
US20220164374A1 (en) | Method of scoring and valuing data for exchange | |
CN115713248A (zh) | 对用于交易所的数据打分和评价的方法 | |
CN112330411B (zh) | 团体产品推荐方法、装置、计算机设备及存储介质 | |
CN113869996A (zh) | 阶梯式额度分析测算方法、装置、设备及介质 | |
CN114971642A (zh) | 基于知识图谱的异常识别方法、装置、设备及存储介质 | |
CN113688206A (zh) | 基于文本识别的趋势分析方法、装置、设备及介质 | |
CN113706294A (zh) | 授信额度分析方法、装置、设备及介质 |
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 |