CN113177700A - 一种风险评估方法、系统、电子设备及存储介质 - Google Patents
一种风险评估方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113177700A CN113177700A CN202110406435.6A CN202110406435A CN113177700A CN 113177700 A CN113177700 A CN 113177700A CN 202110406435 A CN202110406435 A CN 202110406435A CN 113177700 A CN113177700 A CN 113177700A
- Authority
- CN
- China
- Prior art keywords
- data
- risk assessment
- assessment
- evaluation
- preset
- 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
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
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明实施例提供了一种风险评估方法,包括:获取第一业务数据,并根据预设的第一风险评估模型,对第一业务数据进行风险评估,获得第一评估数据;通过预设的神经网络算法进行模型训练,更新第一评估数据参数;根据第一评估数据参数,通过网络爬虫算法,获得第二业务数据;根据预设的第二风险评估模型和历史评估数据,对第二业务数据进行风险评估。通过对用户所提交的申请文件资料进行处理,根据第一业务数据进行风险评估,并根据第一业务数据获取与用户关联的第二业务数据,使用包含随机森林算法的风险评估模型对第二业务数据进行评估,通过本方法提高了对用户信用评估的精准度和评估效率。
Description
技术领域
本发明涉及金融保险风险控制技术领域,特别是涉及一种风险评估方法、系统、电子设备及存储介质。
背景技术
传统的风险评估严重依赖人工审核,银行等出借方耗费大量人力物力对用户信用进行资料调查,层层审核等,得到评估结果的成本极高,另一方面,作为借贷方的用户获取到出借方的评估结果所需时间较长,体验极差。
现如今,人工智能的风控系统通过凝聚用户的多维度数据,可快速高效的对用户信用做出较为综合全面的评估结果,大大的提高了出借方的业务效率,降低了出借方的运营成本,同时提高了用户的借贷体验。
目前,风险评估针对用户申请时填报的资料信息进行分析评估,不能根据资料进一步挖掘分析,因而风险评估的准确性相对较低,需要进一步的改进。
发明内容
鉴于上述问题,提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种风险评估方法和相应的一种风险评估系统。
为了解决上述问题,本发明实施例公开了一种风险评估方法,包括:
获取第一业务数据,并根据预设的第一风险评估模型,对所述第一业务数据进行风险评估,获得第一评估数据;
根据第一评估数据,通过预设的神经网络算法进行模型训练,更新第一评估数据参数;
根据所述第一评估数据参数,通过预设的网络爬虫算法,获得与所述第一业务数据关联的第二业务数据;
根据预设的第二风险评估模型和历史评估数据,对所述第二业务数据进行风险评估,获得第二评估数据;
根据第二评估数据,更新所述历史评估数据,并输出第二评估数据。
进一步的,所述获取第一业务数据,并根据预设的第一风险评估模型,对所述第一业务数据进行风险评估,获得第一评估数据,包括:
获取包含多维度参数特征数据的所述第一业务数据;
根据每个维度参数特征数据,并通过包含决策树算法的第一风险评估模型,对包含多维度参数的所述第一业务数据进行风险评估,获得与当前用户对应的第一评估数据。
进一步的,所述多维度参数特征包括:
用户征信数据、用户行业领域信息数据、用户家庭成员信息数据、用户职业信息数据以及用户历史业务数据。
进一步的,所述根据预设的第二风险评估模型和历史评估数据,对所述第二业务数据进行风险评估,获得第二评估数据之前,还包括:
通过预设的分布式数据库,查询第一业务数据的用户相关联的历史评估数据。
进一步的,所述根据预设的第二风险评估模型和历史评估数据,对所述第二业务数据进行风险评估,获得第二评估数据,包括:
提取与当前用户相关联的第二业务数据和历史评估数据,生成数据集合;
根据预设的第二风险评估模型,对所述数据集合进行风险评估,获得第二评估数据。
进一步的,所述预设的第二风险评估模型,为包含随机森林算法的风险评估模型。
进一步的,所述根据第二评估数据,更新所述历史评估数据,并输出第二评估数据,包括:
更新所述历史评估数据,并通过所述预设的分布式数据库进行分布式存储。
本发明实施例还公开了一种风险评估系统,包括:
第一评估模块,用于获取第一业务数据,并根据预设的第一风险评估模型,对所述第一业务数据进行风险评估,获得第一评估数据;
模型训练模块,用于根据第一评估数据,通过预设的神经网络算法进行模型训练,更新第一评估数据参数;
数据扩展模块,用于根据所述第一评估数据参数,通过预设的网络爬虫算法,获得与所述第一业务数据关联的第二业务数据;
第二评估模块,用于根据预设的第二风险评估模型和历史评估数据,对所述第二业务数据进行风险评估,获得第二评估数据;
更新输出模块,用于根据第二评估数据,更新所述历史评估数据,并输出第二评估数据。
本发明实施例还公开了一种电子设备,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现所述的风险评估方法的步骤。
本发明实施例还公开了一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现所述的风险评估方法的步骤。
本发明实施例包括以下优点:
本发明通过对用户所提交的申请文件资料进行处理,对获取的第一业务数据进行风险评估,并根据第一业务数据获取与用户关联的第二业务数据,使用包含随机森林算法的风险评估模型对第二业务数据进行评估,通过本方法提高了对用户信用评估的精准度和评估效率。
附图说明
图1是本发明的风险评估方法实施例的步骤流程图;
图2是本发明的一种风险评估系统的结构框图;
图3是本发明的一种风险评估的计算机设备的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明实施例的核心构思之一在于,本发明通过对用户所提交的申请文件资料进行处理,对获取的第一业务数据进行风险评估,并根据第一业务数据获取与用户关联的第二业务数据,使用包含随机森林算法的风险评估模型对第二业务数据进行评估,通过本方法提高了对用户信用评估的精准度和评估效率。
参照图1,示出了本发明的一种风险评估方法实施例的步骤流程图,具体可以包括如下步骤:
步骤S100、获取第一业务数据,并根据预设的第一风险评估模型,对所述第一业务数据进行风险评估,获得第一评估数据;
进一步,所述获取第一业务数据,并根据预设的第一风险评估模型,对所述第一业务数据进行风险评估,获得第一评估数据,包括:
获取包含多维度参数特征数据的所述第一业务数据;
根据每个维度参数特征数据,并通过包含决策树算法的第一风险评估模型,对包含多维度参数的所述第一业务数据进行风险评估,获得与当前用户对应的第一评估数据。
进一步,所述多维度参数特征包括:用户征信数据、用户行业领域信息数据、用户家庭成员信息数据、用户职业信息数据以及用户历史业务数据。
步骤S200、根据第一评估数据,通过预设的神经网络算法进行模型训练,更新第一评估数据参数;
步骤S300、根据所述第一评估数据参数,通过预设的网络爬虫算法,获得与所述第一业务数据关联的第二业务数据;
步骤S400、根据预设的第二风险评估模型和历史评估数据,对所述第二业务数据进行风险评估,获得第二评估数据;
进一步,在上述步骤S400、根据预设的第二风险评估模型和历史评估数据,对所述第二业务数据进行风险评估,获得第二评估数据之前,还包括:通过预设的分布式数据库,查询第一业务数据的用户相关联的历史评估数据。
进一步,所述根据预设的第二风险评估模型和历史评估数据,对所述第二业务数据进行风险评估,获得第二评估数据,包括:提取与当前用户相关联的第二业务数据和历史评估数据,生成数据集合;
根据预设的第二风险评估模型,对所述数据集合进行风险评估,获得第二评估数据。
进一步,所述预设的第二风险评估模型,为包含随机森林算法的风险评估模型。
步骤S500、根据第二评估数据,更新所述历史评估数据,并输出第二评估数据。
进一步,更新所述历史评估数据,并通过所述预设的分布式数据库进行分布式存储。
在上述步骤S100中,决策树模型可以包括但不限于梯度提升决策树(GradientBoostingDecisionTree,GBDT)模型、adaboost决策树模型以及XGBoost决策树模型;其中,上述步骤S100中,获取第一业务数据,根据第一业务数据对应的用户参数作为初始训练集,并表示为:D1={A(i),B(i)}N,其中N为参数项的个数,即用户对应的用于风险评估的参数项数。A(i)为第i个参数项样本,例如,可以为n维向量,即x=(x1,x2,…,xn),其中每个xi表征该用户的一个参数项特征,B(i)为第i个参数项样本的风险标签的总风险评分。然后,通过第一棵决策树对N个参数项样本进行分割。在决策树的每个父节点设定分裂特征和特征阈值(如,基于特征分裂的信息增益总和最大的原则,从用户的项数项样本的多个特征中选择目标特征和特征值作为父节点的分裂特征和特征阈值),通过在父节点处将用户的参数项样本的对应特征与特征阈值比较而将用户的参数项样本分割到相应的子节点中。通过这样的过程,最后将N个参数项样本分割到各个叶子节点中。其中,各个叶子节点的分值为该叶子节点中各个用户样本的总风险评分的均值。
在上述步骤S300中,通过预设的网络爬虫算法,获得与所述第一业务数据关联的第二业务数据,包括当前用户的各参数项对应的多种风险类型;上述多种风险类型可以包括但不限于违规违禁类型、反作弊类型、投资理财类型以及欺诈类型等。
在上述步骤S400中,根据已有的决策树模型,构建随机森林对获取的第二业务数据参数项进行风险评估;第二业务数据参数项可以包括不限于用户属性、历史高危稽查记录、历史行为记录以及每天策略处罚结果中的若干种。对于上述用户属性,其可以包括但不限于用户年龄、账户余额以及使用年限等。对于上述历史高危稽查记录,其可以是指用户在过去是否被稽查为高危用户。对于上述每天策略处罚结果,其可以是在当天基于相应的风险策略对用户的评估结果。这里的风险策略可以包括但不限于欺诈策略、违规违禁策略等。对于上述历史行为记录,其可以是指用户的浏览记录以及交易记录等。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
本发明的实施例中,参照图2,示出了本发明的一种风险评估系统实施例的结构框图,具体可以包括如下模块:
第一评估模块100,用于获取第一业务数据,并根据预设的第一风险评估模型,对所述第一业务数据进行风险评估,获得第一评估数据;
模型训练模块200,用于根据第一评估数据,通过预设的神经网络算法进行模型训练,更新第一评估数据参数;
数据扩展模块300,用于根据所述第一评估数据参数,通过预设的网络爬虫算法,获得与所述第一业务数据关联的第二业务数据;
第二评估模块400,用于根据预设的第二风险评估模型和历史评估数据,对所述第二业务数据进行风险评估,获得第二评估数据;
更新输出模块500,用于根据第二评估数据,更新所述历史评估数据,并输出第二评估数据。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
参照图3,在本发明实施例中,本发明还提供一种计算机设备,上述计算机设备12以通用计算设备的形式表现,计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线18结构中的一种或多种,包括存储器总线18或者存储器控制器,外围总线18,图形加速端口,处理器或者使用多种总线18结构中的任意总线18结构的局域总线18。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线18,微通道体系结构(MAC)总线18,增强型ISA总线18、音视频电子标准协会(VESA)局域总线18以及外围组件互连(PCI)总线18。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)31和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。尽管图3中未示出,可以提供用于对可移动非易失性磁盘(如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其他光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块42,这些程序模块42被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具41,可以存储在例如存储器中,这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其他程序模块42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。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24、摄像头等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,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22进行。并且,计算机设备12还可以通过网络适配器20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。如图所示,网络适配器21通过总线18与计算机设备12的其他模块通信。应当明白,尽管图中未示出,可以结合计算机设备12使用其他硬件和/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16、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34等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的风险评估方法。
即上述处理单元16执行上述程序时实现:获取第一业务数据,并根据预设的第一风险评估模型,对所述第一业务数据进行风险评估,获得第一评估数据;根据第一评估数据,通过预设的神经网络算法进行模型训练,更新第一评估数据参数;根据所述第一评估数据参数,通过预设的网络爬虫算法,获得与所述第一业务数据关联的第二业务数据;根据预设的第二风险评估模型和历史评估数据,对所述第二业务数据进行风险评估,获得第二评估数据;根据第二评估数据,更新所述历史评估数据,并输出第二评估数据。
在本发明实施例中,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请所有实施例提供的风险评估方法。
也即,给程序被处理器执行时实现:获取第一业务数据,并根据预设的第一风险评估模型,对所述第一业务数据进行风险评估,获得第一评估数据;根据第一评估数据,通过预设的神经网络算法进行模型训练,更新第一评估数据参数;根据所述第一评估数据参数,通过预设的网络爬虫算法,获得与所述第一业务数据关联的第二业务数据;根据预设的第二风险评估模型和历史评估数据,对所述第二业务数据进行风险评估,获得第二评估数据;根据第二评估数据,更新所述历史评估数据,并输出第二评估数据。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——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。计算机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、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号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,其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、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。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言——诸如Java、Smalltalk、C++、Python,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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行或者完全在远程计算机或者服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例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,本发明实施例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。
本发明实施例是参照根据本发明实施例的方法、终端设备(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终端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终端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终端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终端设备上,使得在计算机或其他可编程终端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终端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。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种风险评估方法和一种风险评估系统,进行了详细介绍,本文中应用了具体个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 (10)
1.一种风险评估方法,其特征在于,包括:
获取第一业务数据,并根据预设的第一风险评估模型,对所述第一业务数据进行风险评估,获得第一评估数据;
根据第一评估数据,通过预设的神经网络算法进行模型训练,更新第一评估数据参数;
根据所述第一评估数据参数,通过预设的网络爬虫算法,获得与所述第一业务数据关联的第二业务数据;
根据预设的第二风险评估模型和历史评估数据,对所述第二业务数据进行风险评估,获得第二评估数据;
根据第二评估数据,更新所述历史评估数据,并输出第二评估数据。
2.根据权利要求1所述的方法,其特征在于,所述获取第一业务数据,并根据预设的第一风险评估模型,对所述第一业务数据进行风险评估,获得第一评估数据,包括:
获取包含多维度参数特征数据的所述第一业务数据;
根据每个维度参数特征数据,并通过包含决策树算法的第一风险评估模型,对包含多维度参数的所述第一业务数据进行风险评估,获得与当前用户对应的第一评估数据。
3.根据权利要求2所述的方法,其特征在于,所述多维度参数特征包括:
用户征信数据、用户行业领域信息数据、用户家庭成员信息数据、用户职业信息数据以及用户历史业务数据。
4.根据权利要求1所述的方法,其特征在于,所述根据预设的第二风险评估模型和历史评估数据,对所述第二业务数据进行风险评估,获得第二评估数据之前,还包括:
通过预设的分布式数据库,查询第一业务数据的用户相关联的历史评估数据。
5.根据权利要求1所述的方法,其特征在于,所述根据预设的第二风险评估模型和历史评估数据,对所述第二业务数据进行风险评估,获得第二评估数据,包括:
提取与当前用户相关联的第二业务数据和历史评估数据,生成数据集合;
根据预设的第二风险评估模型,对所述数据集合进行风险评估,获得第二评估数据。
6.根据权利要求5所述的方法,其特征在于,所述预设的第二风险评估模型,为包含随机森林算法的风险评估模型。
7.根据权利要求1所述的方法,其特征在于,所述根据第二评估数据,更新所述历史评估数据,并输出第二评估数据,包括:
更新所述历史评估数据,并通过所述预设的分布式数据库进行分布式存储。
8.一种风险评估系统,其特征在于,包括:
第一评估模块,用于获取第一业务数据,并根据预设的第一风险评估模型,对所述第一业务数据进行风险评估,获得第一评估数据;
模型训练模块,用于根据第一评估数据,通过预设的神经网络算法进行模型训练,更新第一评估数据参数;
数据扩展模块,用于根据所述第一评估数据参数,通过预设的网络爬虫算法,获得与所述第一业务数据关联的第二业务数据;
第二评估模块,用于根据预设的第二风险评估模型和历史评估数据,对所述第二业务数据进行风险评估,获得第二评估数据;
更新输出模块,用于根据第二评估数据,更新所述历史评估数据,并输出第二评估数据。
9.电子设备,其特征在于,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的风险评估方法的步骤。
10.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上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的风险评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110406435.6A CN113177700B (zh) | 2021-04-15 | 2021-04-15 | 一种风险评估方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110406435.6A CN113177700B (zh) | 2021-04-15 | 2021-04-15 | 一种风险评估方法、系统、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113177700A true CN113177700A (zh) | 2021-07-27 |
CN113177700B CN113177700B (zh) | 2022-09-13 |
Family
ID=76924411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110406435.6A Active CN113177700B (zh) | 2021-04-15 | 2021-04-15 | 一种风险评估方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113177700B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642260A (zh) * | 2021-10-14 | 2021-11-12 | 江苏永佳电子材料有限公司 | 一种热封盖带的性能评估方法及系统 |
CN115907971A (zh) * | 2023-01-30 | 2023-04-04 | 江苏安则达信用信息服务有限公司 | 适用于个人信用评估系统的数据处理方法及装置 |
CN116629639A (zh) * | 2023-06-08 | 2023-08-22 | 北京京东乾石科技有限公司 | 评估信息确定方法、装置、介质与电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780005A (zh) * | 2016-11-21 | 2017-05-31 | 深圳中兴网信科技有限公司 | 企业信用评估方法和企业信用评估装置 |
US20180288073A1 (en) * | 2017-03-31 | 2018-10-04 | Ca, Inc. | Enhanced authentication with dark web analytics |
CN109118118A (zh) * | 2018-09-06 | 2019-01-01 | 平安科技(深圳)有限公司 | 企业业务的风险评估方法、存储介质和服务器 |
CN109300040A (zh) * | 2018-08-29 | 2019-02-01 | 中国科学院自动化研究所 | 基于全媒体大数据技术的海外投资风险评估方法及系统 |
CN110689438A (zh) * | 2019-08-26 | 2020-01-14 | 深圳壹账通智能科技有限公司 | 企业类金融风险评分方法、装置、计算机设备及存储介质 |
CN111783038A (zh) * | 2020-06-30 | 2020-10-16 | 北京百度网讯科技有限公司 | 基于智能学习的风险评估方法、装置、设备、系统和介质 |
CN112270547A (zh) * | 2020-10-27 | 2021-01-26 | 上海淇馥信息技术有限公司 | 基于特征构造的金融风险评估方法、装置和电子设备 |
-
2021
- 2021-04-15 CN CN202110406435.6A patent/CN113177700B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780005A (zh) * | 2016-11-21 | 2017-05-31 | 深圳中兴网信科技有限公司 | 企业信用评估方法和企业信用评估装置 |
US20180288073A1 (en) * | 2017-03-31 | 2018-10-04 | Ca, Inc. | Enhanced authentication with dark web analytics |
CN109300040A (zh) * | 2018-08-29 | 2019-02-01 | 中国科学院自动化研究所 | 基于全媒体大数据技术的海外投资风险评估方法及系统 |
CN109118118A (zh) * | 2018-09-06 | 2019-01-01 | 平安科技(深圳)有限公司 | 企业业务的风险评估方法、存储介质和服务器 |
CN110689438A (zh) * | 2019-08-26 | 2020-01-14 | 深圳壹账通智能科技有限公司 | 企业类金融风险评分方法、装置、计算机设备及存储介质 |
CN111783038A (zh) * | 2020-06-30 | 2020-10-16 | 北京百度网讯科技有限公司 | 基于智能学习的风险评估方法、装置、设备、系统和介质 |
CN112270547A (zh) * | 2020-10-27 | 2021-01-26 | 上海淇馥信息技术有限公司 | 基于特征构造的金融风险评估方法、装置和电子设备 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642260A (zh) * | 2021-10-14 | 2021-11-12 | 江苏永佳电子材料有限公司 | 一种热封盖带的性能评估方法及系统 |
CN115907971A (zh) * | 2023-01-30 | 2023-04-04 | 江苏安则达信用信息服务有限公司 | 适用于个人信用评估系统的数据处理方法及装置 |
CN116629639A (zh) * | 2023-06-08 | 2023-08-22 | 北京京东乾石科技有限公司 | 评估信息确定方法、装置、介质与电子设备 |
CN116629639B (zh) * | 2023-06-08 | 2023-12-05 | 北京京东乾石科技有限公司 | 评估信息确定方法、装置、介质与电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113177700B (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107945024B (zh) | 识别互联网金融借贷企业经营异常的方法、终端设备及存储介质 | |
CN113177700B (zh) | 一种风险评估方法、系统、电子设备及存储介质 | |
US20070255646A1 (en) | Methods and Systems for Multi-Credit Reporting Agency Data Modeling | |
CN112270547A (zh) | 基于特征构造的金融风险评估方法、装置和电子设备 | |
CN114265967A (zh) | 一种敏感数据安全等级标注方法及装置 | |
CN111199469A (zh) | 用户还款模型生成方法、装置及电子设备 | |
CN111260189A (zh) | 一种风险控制方法、装置、计算机系统及可读存储介质 | |
CN112182250A (zh) | 勾稽关系知识图谱的构建方法、财务报表核查方法及装置 | |
CN111582314A (zh) | 目标用户确定方法、装置及电子设备 | |
CN111179051A (zh) | 金融目标客户确定方法、装置及电子设备 | |
CN111179055B (zh) | 授信额度调整方法、装置和电子设备 | |
CN112434884A (zh) | 一种供应商分类画像的建立方法及装置 | |
CN112288279A (zh) | 基于自然语言处理和线性回归的业务风险评估方法和装置 | |
CN111210332A (zh) | 贷后管理策略生成方法、装置及电子设备 | |
CN113962800A (zh) | 模型训练及逾期风险预测方法、装置、设备和介质 | |
CN113177701A (zh) | 一种用户信用评估方法和装置 | |
CN112950347A (zh) | 资源数据处理的优化方法及装置、存储介质、终端 | |
CN112348658A (zh) | 资源分配方法、装置及电子设备 | |
CN114493853A (zh) | 信用等级评价方法、装置、电子设备及存储介质 | |
CN114693428A (zh) | 数据确定方法、装置、计算机可读存储介质及电子设备 | |
GB2602382A (en) | Relationship discovery and quantification | |
CN114170000A (zh) | 信用卡用户风险类别识别方法、装置、计算机设备和介质 | |
CN112307334A (zh) | 信息推荐方法、信息推荐装置、存储介质与电子设备 | |
CN116028880B (zh) | 训练行为意图识别模型的方法、行为意图识别方法及装置 | |
MUN et al. | A customer credit Prediction Researched to Improve Credit Stability based on Artificial Intelligence |
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 |