CN112767123B - 信用卡发卡风险识别方法及装置 - Google Patents
信用卡发卡风险识别方法及装置 Download PDFInfo
- Publication number
- CN112767123B CN112767123B CN202110052927.XA CN202110052927A CN112767123B CN 112767123 B CN112767123 B CN 112767123B CN 202110052927 A CN202110052927 A CN 202110052927A CN 112767123 B CN112767123 B CN 112767123B
- Authority
- CN
- China
- Prior art keywords
- risk
- data
- card issuing
- credit card
- target user
- 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 29
- 238000012417 linear regression Methods 0.000 claims abstract description 38
- 238000010801 machine learning Methods 0.000 claims abstract description 33
- 230000006870 function Effects 0.000 claims description 60
- 238000012549 training Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 230000001960 triggered effect Effects 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 5
- 239000000872 buffer Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013106 supervised machine learning method Methods 0.000 description 4
- 238000013058 risk prediction model Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Technology Law (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供一种信用卡发卡风险识别方法及装置，方法包括：获取目标用户的外呼数据；外呼数据为根据预设的问题库对目标用户进行外呼问答获取的数据；根据目标用户的外呼数据和预先建立的发卡风险识别模型确定目标用户的信用卡发卡风险数据；发卡风险识别模型为预先根据历史外呼数据进行机器学习得到的；根据信用卡发卡风险数据和预设的风险阈值生成信用卡发卡风险识别结果。本发明根据目标用户的外呼数据和预先建立的发卡风险识别模型确定目标用户的信用卡发卡风险数据，对外呼数据，根据实际情况赋予权重，采用多元线性回归的方法，得出高风险用户的识别模型，从而进行高风险用户的识别，提高风险识别粒度更细，精度更准，更加符合业务效果。
Description
技术领域
本发明涉及数据处理技术，具体的讲是一种信用卡发卡风险识别方法及装置。
背景技术
信用卡申请需要对客户进行问卷调查，问卷通过才能对客户进行发卡。目前，随着智能外呼的引入，越来越多的问卷调查由智能机器人来承担，机器人与客户进行交互，记录客户回答内容，并与客户之前申请信用卡填写的信息进行比对，得出是否发卡的结论。
现有技术中一般都是通过客户回答的答案与申请表中的答案进行比较，根据正确率来识别高风险用户的。这种识别高风险用户的方法识别能力有限，边界不够清晰，误差较高。
发明内容
为至少克服现有技术中的一缺陷，提高发卡风险用户的识别效率，本发明提供了一种信用卡发卡风险识别方法，包括：
获取目标用户的外呼数据；所述外呼数据为根据预设的问题库对目标用户进行外呼问答获取的数据；
根据所述的目标用户的外呼数据和预先建立的发卡风险识别模型确定目标用户的信用卡发卡风险数据；其中，所述的发卡风险识别模型为预先根据历史外呼数据进行机器学习得到的；
根据所述信用卡发卡风险数据和预设的风险阈值生成信用卡发卡风险识别结果。
本发明实施例中，所述的预设的问题库的问题信息包括：身份信息，单位地址，单位名称，单位电话，住宅地址，手机，联系信息，婚姻状况，学历信息，已持卡客户信息，申请渠道信息及办卡目的信息。
本发明实施例中，所述的获取目标用户的外呼数据之前包括：
获取信用卡发卡核实后的外呼数据作为所述历史外呼数据；
利用所述历史外呼数据对建立的多元线性回归模型进行机器学习确定所述发卡风险识别模型；其中，所述多元线性回归模型的变量包括：组卷风险率、欺诈风险率及风险触发率；
所述的组卷风险率为根据预设的组卷风险函数确定的外呼问答中的问题的组卷风险函数值；
所述的欺诈风险率为根据预设的欺诈风险函数确定的外呼问答中的问题的欺诈风险函数值；
所述的风险触发率为根据预设的风险触发函数确定的外呼问答中的问题的风险触发函数值。
本发明实施例中，所述的利用所述历史外呼数据对建立的多元线性回归模型进行机器学习确定所述发卡风险识别模型包括：
确定所述历史外呼数据的组卷风险率、欺诈风险率及风险触发率；
利用确定的历史外呼数据的组卷风险率、欺诈风险率及风险触发率对所述多元线性回归模型进行机器学习训练确定多元线性回归模型的参数，以确定所述发卡风险识别模型。
本发明实施例中，所述的根据所述信用卡发卡风险数据和预设的风险阈值生成信用卡发卡风险识别结果包括：
确定所述信用卡发卡风险数据小于预设的第一阈值，则确定目标用户为低风险用户予以发卡；
确定所述信用卡发卡风险数据大于预设的第一阈值且小于预设的第二阈值，则确定目标用户为待人工核实用户；
确定所述信用卡发卡风险数据大于预设的第二阈值，则确定目标用户为高风险用户拒绝发卡。
同时，本发明还提供一种信用卡发卡风险识别装置，包括：
数据获取模块，用于获取目标用户的外呼数据；所述外呼数据为根据预设的问题库对目标用户进行外呼问答获取的数据；
风险数据确定模块，根据所述的目标用户的外呼数据和预先建立的发卡风险识别模型确定目标用户的信用卡发卡风险数据；其中，所述的发卡风险识别模型为预先根据历史外呼数据进行机器学习得到的；
识别模块，用于根据所述信用卡发卡风险数据和预设的风险阈值生成信用卡发卡风险识别结果。
本发明实施例中，所述的装置还包括：模型确定模块，用于预先建立的发卡风险识别模型；其包括：
历史数据获取单元，用于获取信用卡发卡核实后的外呼数据作为所述历史外呼数据；
训练单元，用于利用所述历史外呼数据对建立的多元线性回归模型进行机器学习确定所述发卡风险识别模型；其中，所述多元线性回归模型的变量包括：组卷风险率、欺诈风险率及风险触发率；
所述的组卷风险率为根据预设的组卷风险函数确定的外呼问答中的问题的组卷风险函数值；
所述的欺诈风险率为根据预设的欺诈风险函数确定的外呼问答中的问题的欺诈风险函数值；
所述的风险触发率为根据预设的风险触发函数确定的外呼问答中的问题的风险触发函数值。
本发明实施例中，所述的训练单元包括：
历史数据处理单元，用于确定所述历史外呼数据的组卷风险率、欺诈风险率及风险触发率；
机器学习训练单元，用于利用确定的历史外呼数据的组卷风险率、欺诈风险率及风险触发率对所述多元线性回归模型进行机器学习训练确定多元线性回归模型的参数，以确定所述发卡风险识别模型。
同时，本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法。
同时，本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有执行上述方法的计算机程序。
本发明根据目标用户的外呼数据和预先建立的发卡风险识别模型确定目标用户的信用卡发卡风险数据，基于多元线性回归的信用卡发卡高风险用户识别主要利用机器学习的方法，通过训练已有的外呼的问卷的问答数据，根据实际情况赋予权重，采用多元线性回归的方法，得出高风险用户的识别模型，从而进行高风险用户的识别。从而解决现有技术中，信用卡智能外呼领域基本都是通过正确率来判断是否发卡，判断粒度较粗，本发明通过外呼数据各个维度抽取的特征向量，结合有监督的机器学习方法，得出风险预测模型，风险识别粒度更细，精度更准，更加符合业务效果。
为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供信用卡发卡风险识别方法的流程图；
图2为信用卡发卡风险识别装置的框图；
图3为本发明实施例中提供的信用卡发卡风险识别装置的框图；
图4为本发明实施例中提供的电子设备实施例的示意图。
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，所描述的实施例仅仅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。
如图1所示，为本发明提供了一种信用卡发卡风险识别方法，其包括：
步骤S101，获取目标用户的外呼数据；所述外呼数据为根据预设的问题库对目标用户进行外呼问答获取的数据；
步骤S102，根据所述的目标用户的外呼数据和预先建立的发卡风险识别模型确定目标用户的信用卡发卡风险数据；其中，所述的发卡风险识别模型为预先根据历史外呼数据进行机器学习得到的；
步骤S103，根据所述信用卡发卡风险数据和预设的风险阈值生成信用卡发卡风险识别结果。
本发明提供的信用卡发卡风险识别方法通过利用目标用户的外呼数据和先根据历史外呼数据进行机器学习得到的发卡风险识别模型确定信用卡发卡风险数据，生成信用卡发卡风险识别结果，进行高风险用户的识别，克服现有技中，通过客户回答的答案与信用卡申请表中的答案进行比较，根据正确率来识别信用卡发卡的高风险用户，本发明提供的信用卡发卡风险识别技术提供识别高风险用户的方法识别能力。
本发明实施例中，所述的预设的问题库的问题信息包括：身份信息，单位地址，单位名称，单位电话，住宅地址，手机，联系信息，婚姻状况，学历信息，已持卡客户信息，申请渠道信息及办卡目的信息。
本发明实施例中，所述的获取目标用户的外呼数据之前包括：
获取信用卡发卡核实后的外呼数据作为所述历史外呼数据；
利用所述历史外呼数据对建立的多元线性回归模型进行机器学习确定所述发卡风险识别模型；其中，所述多元线性回归模型的变量包括：组卷风险率、欺诈风险率及风险触发率；
所述的组卷风险率为根据预设的组卷风险函数确定的外呼问答中的问题的组卷风险函数值；
所述的欺诈风险率为根据预设的欺诈风险函数确定的外呼问答中的问题的欺诈风险函数值；
所述的风险触发率为根据预设的风险触发函数确定的外呼问答中的问题的风险触发函数值。
本发明，通过组卷风险函数、欺诈风险函数及风险触发函数，将问题库中的问题信息涉及或触发的问题类型，风险标签，触发规则等属性进行量化，通过抽取出特征向量，进行权重赋值，对外呼数据信息的量化，结合有监督的机器学习方法，得出风险预测模型，从而实现对高风险客户的风险识别粒度更细，精度更准，更加符合业务效果。
具体的，本发明一实施例中，组卷风险函数为：
其中，∑W为组好的问卷中各个类型问题的权重和，n为问卷中问题的个数；
W为某问题类型对应的权重值，
a为用户提供的问卷中某类问题的数量，∑a为某类问题的所有的问题数；
可见，确定的组卷风险的值越高，该客户成为高风险客户的可能性越大。
即本发明实施例中，组卷风险为预设的组好的问卷中各个问题的权重和与问卷中问题的个数的比值，以实现对问卷中设计的问题类型进行量化。
本发明一实施例中，欺诈风险函数：
Pq＝ln(∑∑Fn)
其中，Fn为一风险标签对应的其中一个欺诈规则的权重值；
∑Fn为该风险标签对应的所有的欺诈规则权重的和，∑∑Fn为该客户所触发的所有风险标签对应的欺诈规则的权重的和。
其中，欺诈风险越高，该客户成为高风险客户的可能性越大。
本发明实施例中，一个客户可能触发多个风险标签，一个风险标签对应多个欺诈规则。
本实施例中，一具体的问题会触发预设的反欺诈规则，预设的反欺诈规则会对应一个风险标签，其中，风险标签对应的是一类问题。
例如：问题“请说出您的配偶姓名”会触碰预设的反欺诈规则“GNB015”，该反欺诈规则预设的风险标签是“LX002”，本发明实施例中，该风险标签对应的问题类型是联系信息类问题。
本实施例中，风险触发函数函数为：
其中，Q为该客户触发的问题数，∑Q为问题库中总问题数，Qm为客户回答错的问题数，Qs为该客户调查问卷抽出来的总问题数。
客户在申请信用卡时提供的资料越全面，可触发的问题越多，信用卡发卡的风险越小。风险触发率越高，该客户成为高风险客户的可能性越大。
本发明实施例中风险触发率触发条件，即每一个问题都带有触发条件的，最基本的触发条件就是该问题对应的申请表的信息不为空，一个问题可能带有多个触发条件。
例如：问题“请问您的最高学历是？”，本发明一实施例中触发条件为：
1.客户填写的申请表学历信息不为空；
2.第三方学历层次与申请表不一致。
本发明实施例中，所述的利用所述历史外呼数据对建立的多元线性回归模型进行机器学习确定所述发卡风险识别模型包括：
确定所述历史外呼数据的组卷风险率、欺诈风险率及风险触发率；
利用确定的历史外呼数据的组卷风险率、欺诈风险率及风险触发率对所述多元线性回归模型进行机器学习训练确定多元线性回归模型的参数，以确定所述发卡风险识别模型。
本发明实施例中，通过外呼数据涉及或触发的问题类型，风险标签，触发规则等属性进行量化，通过抽取出特征向量，进行权重赋值，实现对外呼数据的量化处理，利用量化后的数据确定所述历史外呼数据的组卷风险率、欺诈风险率及风险触发率，根据确定的外呼数据的组卷风险率、欺诈风险率及风险触发率对所述多元线性回归模型进行机器学习训练确定多元线性回归模型的参数，以确定发卡风险识别模型的参数，从而实现发卡风险识别。
本发明一实施例中，以一年的信用卡发卡核实的外呼数据为训练数据，采取有监督的机器学习的方法，并从业务维度制定出高风险用户触发的条件，得出一个转人工阈值和拒绝发卡阈值。训练这批外呼数据，以多元线性回归的方法，得到多元线性回归的方程，本发明一实施例中，多元线性回归方程为：
f＝aQz+bPq+cRf
其中，α和β为人工设定的阈值，a、b、c是通过机器学习模型训练确定的值。f的值根据训练的模型的确定。
本发明实施例中，所述的根据所述信用卡发卡风险数据和预设的风险阈值生成信用卡发卡风险识别结果包括：
确定所述信用卡发卡风险数据小于预设的第一阈值，则确定目标用户为低风险用户予以发卡；
确定所述信用卡发卡风险数据大于预设的第一阈值且小于预设的第二阈值，则确定目标用户为待人工核实用户；
确定所述信用卡发卡风险数据大于预设的第二阈值，则确定目标用户为高风险用户拒绝发卡。
本发明实施例中，当有新的发卡业务发生时，对目标用户先进行智能外呼，结束后，将问答结果数据输入机器学习训练后的模型进行高风险用户识别；
如果f>β,则该用户为高风险用户拒绝发卡，如果α<f<β,该用户为中风险用户转人工继续核实，如果f<α,则该用户为低风险用户，可以发卡。
本发明实施例提供一种基于多元线性回归的信用卡发卡高风险用户识别的方法，主要利用机器学习识别信用卡发卡高风险用户的方法，本发明主要通过训练已有的外呼的问卷的问答数据，根据实际情况赋予权重，采用多元线性回归的方法，得出高风险用户的识别模型，从而进行高风险用户的识别。
现有技术中，由于智能外呼不仅需要智能机器人技术的储备还需要ASR(自动语音识别技术)和TTS(文语转换技术)的支撑，因此市面上对智能外呼领域的风险识别研究较少。本发明进行模型训练时，利用智能外呼的外呼数据抽取的特征向量为真实生产环境中经过业务分析并参考同类型的风险识别方法分析得出。克服现有技术中，智能外呼领域基本都是通过正确率来判断是否发卡，判断粒度较粗的问题，本发明通过各个维度抽取的特征向量，结合有监督的机器学习方法，得出风险预测模型，风险识别粒度更细，精度更准，更加符合业务效果。
本发明还提供一种信用卡发卡风险识别装置，如图2所示，其包括：
数据获取模块201，用于获取目标用户的外呼数据；所述外呼数据为根据预设的问题库对目标用户进行外呼问答获取的数据；
风险数据确定模块202，根据所述的目标用户的外呼数据和预先建立的发卡风险识别模型确定目标用户的信用卡发卡风险数据；其中，所述的发卡风险识别模型为预先根据历史外呼数据进行机器学习得到的；
识别模块203，用于根据所述信用卡发卡风险数据和预设的风险阈值生成信用卡发卡风险识别结果。
本发明实施例中，如图3所示，信用卡发卡风险识别装置还包括：
模型确定模块204，用于预先建立的发卡风险识别模型；其包括：
历史数据获取单元，用于获取信用卡发卡核实后的外呼数据作为所述历史外呼数据；
训练单元，用于利用所述历史外呼数据对建立的多元线性回归模型进行机器学习确定所述发卡风险识别模型；其中，所述多元线性回归模型的变量包括：组卷风险率、欺诈风险率及风险触发率；
所述的组卷风险率为根据预设的组卷风险函数确定的外呼问答中的问题的组卷风险函数值；
所述的欺诈风险率为根据预设的欺诈风险函数确定的外呼问答中的问题的欺诈风险函数值；
所述的风险触发率为根据预设的风险触发函数确定的外呼问答中的问题的风险触发函数值。
本发明实施例中，所述的训练单元包括：
历史数据处理单元，用于确定所述历史外呼数据的组卷风险率、欺诈风险率及风险触发率；
机器学习训练单元，用于利用确定的历史外呼数据的组卷风险率、欺诈风险率及风险触发率对所述多元线性回归模型进行机器学习训练确定多元线性回归模型的参数，以确定所述发卡风险识别模型。
本发明根据目标用户的外呼数据和预先建立的发卡风险识别模型确定目标用户的信用卡发卡风险数据，基于多元线性回归的信用卡发卡高风险用户识别主要利用机器学习的方法，通过训练已有的外呼的问卷的问答数据，根据实际情况赋予权重，采用多元线性回归的方法，得出高风险用户的识别模型，从而进行高风险用户的识别。
对本领域技术人员而言，通过前述实施例的内容的描述，可清楚获知本发明信用卡发卡风险识别装置的实现方式，在此不再赘述。
需要说明的是，本发明属于人工智能技术领域，可用于金融领域或其他领域，本发明可用于金融领域的信用卡发卡风险识别，也可用于除金融领域之外的任意领域信用卡发卡风险识别，本公开信用卡发卡风险识别的方法和装置的应用领域不做限定。
本实施例还提供一种电子设备，该电子设备可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该电子设备可以参照前述方法及装置的实施例，其内容被合并于此，重复之处不再赘述。
图4为本发明实施例的电子设备600的系统构成的示意框图。如图4所示，该电子设备600可以包括中央处理器100和存储器140；存储器140耦合到中央处理器100。值得注意的是，该图是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
一实施例中，信用卡发卡风险识别功能可以被集成到中央处理器100中。其中，中央处理器100可以被配置为进行如下控制：
获取目标用户的外呼数据；所述外呼数据为根据预设的问题库对目标用户进行外呼问答获取的数据；
根据所述的目标用户的外呼数据和预先建立的发卡风险识别模型确定目标用户的信用卡发卡风险数据；其中，所述的发卡风险识别模型为预先根据历史外呼数据进行机器学习得到的；
根据所述信用卡发卡风险数据和预设的风险阈值生成信用卡发卡风险识别结果。
如图4所示，该电子设备600还可以包括：通信模块110、输入单元120、音频处理单元130、显示器160、电源170。值得注意的是，电子设备600也并不是必须要包括图4中所示的所有部件；此外，电子设备600还可以包括图4中没有示出的部件，可以参考现有技术。
如图4所示，中央处理器100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器100接收输入并控制电子设备600的各个部件的操作。
其中，存储器140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器100可执行该存储器140存储的该程序，以实现信息存储或处理等。
输入单元120向中央处理器100提供输入。该输入单元120例如为按键或触摸输入装置。电源170用于向电子设备600提供电力。显示器160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。
该存储器140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器140还可以是某种其它类型的装置。存储器140包括缓冲存储器141(有时被称为缓冲器)。存储器140可以包括应用/功能存储部142，该应用/功能存储部142用于存储应用程序和功能程序或用于通过中央处理器100执行电子设备600的操作的流程。
存储器140还可以包括数据存储部143，该数据存储部143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器140的驱动程序存储部144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块110即为经由天线111发送和接收信号的发送机/接收机110。通信模块(发送机/接收机)110耦合到中央处理器100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)110还经由音频处理器130耦合到扬声器131和麦克风132，以经由扬声器131提供音频输出，并接收来自麦克风132的音频输入，从而实现通常的电信功能。音频处理器130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器130还耦合到中央处理器100，从而使得可以通过麦克风132能够在本机上录音，且使得可以通过扬声器131来播放本机上存储的声音。
本发明实施例还提供一种计算机可读程序，其中当在电子设备中执行所述程序时，所述程序使得计算机在所述电子设备中执行如上面实施例所述的信用卡发卡风险识别方法。
本发明实施例还提供一种存储有计算机可读程序的存储介质，其中所述计算机可读程序使得计算机在电子设备中执行上面实施例所述的信用卡发卡风险识别。
以上参照附图描述了本发明的优选实施方式。这些实施方式的许多特征和优点根据该详细的说明书是清楚的，因此所附权利要求旨在覆盖这些实施方式的落入其真实精神和范围内的所有这些特征和优点。此外，由于本领域的技术人员容易想到很多修改和改变，因此不是要将本发明的实施方式限于所例示和描述的精确结构和操作，而是可以涵盖落入其范围内的所有合适修改和等同物。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种信用卡发卡风险识别方法，其特征在于，所述的方法包括：
获取目标用户的外呼数据；所述外呼数据为根据预设的问题库对目标用户进行外呼问答获取的数据；
根据所述的目标用户的外呼数据和预先建立的发卡风险识别模型确定目标用户的信用卡发卡风险数据；其中，所述的发卡风险识别模型为预先根据历史外呼数据进行机器学习得到的；
根据所述信用卡发卡风险数据和预设的风险阈值生成信用卡发卡风险识别结果；
所述的预设的问题库包括：身份信息，单位地址，单位名称，单位电话，住宅地址，手机，联系信息，婚姻状况，学历信息，已持卡客户信息，申请渠道信息及办卡目的信息；
在所述的获取目标用户的外呼数据之前包括：预先建立发卡风险识别模型；其包括：
获取信用卡发卡核实后的外呼数据作为所述历史外呼数据；
利用所述历史外呼数据对建立的多元线性回归模型进行机器学习确定所述发卡风险识别模型；其中，所述多元线性回归模型的变量包括：组卷风险率、欺诈风险率及风险触发率；
所述的组卷风险率为根据预设的组卷风险函数确定的外呼问答中的问题的组卷风险函数值；
所述的欺诈风险率为根据预设的欺诈风险函数确定的外呼问答中的问题的欺诈风险函数值；
所述的风险触发率为根据预设的风险触发函数确定的外呼问答中的问题的风险触发函数值；
其中，所述组卷风险函数为：
其中，∑W为组好的问卷中各个类型问题的权重和，n为问卷中问题的个数；
W为某问题类型对应的权重值，
a为用户提供的问卷中某类问题的数量，∑a为某类问题的所有的问题数；
所述欺诈风险函数为：
Pq＝ln(∑∑Fn)
其中，Fn为一风险标签对应的其中一个欺诈规则的权重值；
∑Fn为该风险标签对应的所有的欺诈规则权重的和，∑∑Fn为该目标用户所触发的所有风险标签对应的欺诈规则的权重的和；
所述风险触发函数为：
其中，Q为该目标用户触发的问题数，∑Q为问题库中总问题数，Qm为所述目标用户回答错的问题数，Qs为该目标用户调查问卷抽出来的总问题数。
2.如权利要求1所述的信用卡发卡风险识别方法，其特征在于，所述的利用所述历史外呼数据对建立的多元线性回归模型进行机器学习确定所述发卡风险识别模型包括：
确定所述历史外呼数据的组卷风险率、欺诈风险率及风险触发率；
利用确定的历史外呼数据的组卷风险率、欺诈风险率及风险触发率对所述多元线性回归模型进行机器学习训练确定多元线性回归模型的参数，以确定所述发卡风险识别模型。
3.如权利要求1所述的信用卡发卡风险识别方法，其特征在于，所述的根据所述信用卡发卡风险数据和预设的风险阈值生成信用卡发卡风险识别结果包括：
确定所述信用卡发卡风险数据小于预设的第一阈值，则确定目标用户为低风险用户予以发卡；
确定所述信用卡发卡风险数据大于预设的第一阈值且小于预设的第二阈值，则确定目标用户为待人工核实用户；
确定所述信用卡发卡风险数据大于预设的第二阈值，则确定目标用户为高风险用户拒绝发卡。
4.一种信用卡发卡风险识别装置，其特征在于，所述的装置包括：
数据获取模块，用于获取目标用户的外呼数据；所述外呼数据为根据预设的问题库对目标用户进行外呼问答获取的数据；
风险数据确定模块，根据所述的目标用户的外呼数据和预先建立的发卡风险识别模型确定目标用户的信用卡发卡风险数据；其中，所述的发卡风险识别模型为预先根据历史外呼数据进行机器学习得到的；
识别模块，用于根据所述信用卡发卡风险数据和预设的风险阈值生成信用卡发卡风险识别结果；
所述的装置还包括：模型确定模块，用于预先建立的发卡风险识别模型；其包括：
历史数据获取单元，用于获取信用卡发卡核实后的外呼数据作为所述历史外呼数据；
训练单元，用于利用所述历史外呼数据对建立的多元线性回归模型进行机器学习确定所述发卡风险识别模型；其中，所述多元线性回归模型的变量包括：组卷风险率、欺诈风险率及风险触发率；
所述的组卷风险率为根据预设的组卷风险函数确定的外呼问答中的问题的组卷风险函数值；
所述的欺诈风险率为根据预设的欺诈风险函数确定的外呼问答中的问题的欺诈风险函数值；
所述的风险触发率为根据预设的风险触发函数确定的外呼问答中的问题的风险触发函数值；
其中，所述组卷风险函数为：
其中，∑W为组好的问卷中各个类型问题的权重和，n为问卷中问题的个数；
W为某问题类型对应的权重值，
a为用户提供的问卷中某类问题的数量，∑a为某类问题的所有的问题数；
所述欺诈风险函数为：
Pq＝ln(∑∑Fn)
其中，Fn为一风险标签对应的其中一个欺诈规则的权重值；
∑Fn为该风险标签对应的所有的欺诈规则权重的和，∑∑Fn为该目标用户所触发的所有风险标签对应的欺诈规则的权重的和；
所述风险触发函数为：
其中，Q为该目标用户触发的问题数，∑Q为问题库中总问题数，Qm为所述目标用户回答错的问题数，Qs为该目标用户调查问卷抽出来的总问题数。
5.如权利要求4所述的信用卡发卡风险识别装置，其特征在于，所述的训练单元包括：
历史数据处理单元，用于确定所述历史外呼数据的组卷风险率、欺诈风险率及风险触发率；
机器学习训练单元，用于利用确定的历史外呼数据的组卷风险率、欺诈风险率及风险触发率对所述多元线性回归模型进行机器学习训练确定多元线性回归模型的参数，以确定所述发卡风险识别模型。
6.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至3任一项所述方法。
7.一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执行权利要求1至3任一项所述方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110052927.XA CN112767123B (zh) | 2021-01-15 | 2021-01-15 | 信用卡发卡风险识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110052927.XA CN112767123B (zh) | 2021-01-15 | 2021-01-15 | 信用卡发卡风险识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112767123A CN112767123A (zh) | 2021-05-07 |
| CN112767123B true CN112767123B (zh) | 2024-02-02 |
Family
ID=75700817
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110052927.XA Active CN112767123B (zh) | 2021-01-15 | 2021-01-15 | 信用卡发卡风险识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112767123B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109360104A (zh) * | 2018-08-27 | 2019-02-19 | 平安科技（深圳）有限公司 | 用户类型划分方法、系统、计算机设备和存储介质 |
| CN110245475A (zh) * | 2019-05-30 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 身份验证方法和装置 |
| CN111275546A (zh) * | 2020-02-24 | 2020-06-12 | 中国工商银行股份有限公司 | 金融客户欺诈风险识别方法及装置 |
| CN112102070A (zh) * | 2020-09-22 | 2020-12-18 | 支付宝(杭州)信息技术有限公司 | 风险测评方法及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009048402A (ja) * | 2007-08-20 | 2009-03-05 | Fujitsu Ltd | 申請手続不正リスク評価装置 |
| US20150332313A1 (en) * | 2014-05-16 | 2015-11-19 | Facebook. Inc. | Objective Prediction of an Ad Creative Based on Feature Scores |
-
2021
- 2021-01-15 CN CN202110052927.XA patent/CN112767123B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109360104A (zh) * | 2018-08-27 | 2019-02-19 | 平安科技（深圳）有限公司 | 用户类型划分方法、系统、计算机设备和存储介质 |
| CN110245475A (zh) * | 2019-05-30 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 身份验证方法和装置 |
| CN111275546A (zh) * | 2020-02-24 | 2020-06-12 | 中国工商银行股份有限公司 | 金融客户欺诈风险识别方法及装置 |
| CN112102070A (zh) * | 2020-09-22 | 2020-12-18 | 支付宝(杭州)信息技术有限公司 | 风险测评方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112767123A (zh) | 2021-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111524526A (zh) | 声纹识别方法及装置 | |
| CN107071193A (zh) | 互动应答系统接入用户的方法和装置 | |
| CN111932267A (zh) | 企业金融服务风险预测方法及装置 | |
| EP4131083A2 (en) | Method and apparatus for generating federated learning model | |
| CN112235470B (zh) | 基于语音识别的来电客户跟进方法、装置及设备 | |
| CN112767167B (zh) | 一种基于集成学习的投资交易风险趋势预测方法及装置 | |
| CN113240444A (zh) | 银行客服坐席推荐方法及装置 | |
| CN112966568A (zh) | 一种视频客服服务质量分析方法及装置 | |
| CN112766825A (zh) | 企业金融服务风险预测方法及装置 | |
| CN111736940A (zh) | 智能柜台的业务界面展示方法及装置 | |
| CN112579773A (zh) | 风险事件分级方法及装置 | |
| CN113159923A (zh) | 风险筛查方法及装置 | |
| CN109992654B (zh) | 一种信息处理方法和计算机可读存储介质 | |
| CN115630943A (zh) | 智能排班方法及装置 | |
| CN112734565B (zh) | 流动性覆盖率预测方法及装置 | |
| CN111048115A (zh) | 语音识别方法及装置 | |
| CN112887371B (zh) | 边缘计算方法、装置、计算机设备及存储介质 | |
| CN110008318A (zh) | 问题派发方法及装置 | |
| CN112767123B (zh) | 信用卡发卡风险识别方法及装置 | |
| CN111931852B (zh) | 目标物的定价方法及装置 | |
| CN116049411B (zh) | 一种信息匹配方法、装置、设备和可读存储介质 | |
| CN116681513A (zh) | 企业资产数据处理方法及装置 | |
| CN115965456A (zh) | 数据变动分析方法及装置 | |
| CN112308570B (zh) | 业务规则输出值的生成方法及装置 | |
| CN114662452A (zh) | 去隐私化的文本标签分析方法及装置 |
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 |