CN113298360A - 一种用于资源分配的风险控制方法、装置和系统 - Google Patents
一种用于资源分配的风险控制方法、装置和系统 Download PDFInfo
- Publication number
- CN113298360A CN113298360A CN202110481334.5A CN202110481334A CN113298360A CN 113298360 A CN113298360 A CN 113298360A CN 202110481334 A CN202110481334 A CN 202110481334A CN 113298360 A CN113298360 A CN 113298360A
- Authority
- CN
- China
- Prior art keywords
- risk control
- control model
- users
- resource allocation
- 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.)
- 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
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (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
本发明公开了一种用于资源分配的风险控制方法、装置和系统,其中方法包括:设置第一评分阈值,选取第一规则变量,构建的第一风险控制模型;获取用户信息,将所述用户信息输入所述第一风险控制模型,计算用户的第一评分;设置第二评分阈值,选取第二规则变量,构建第二风险控制模型,将所述第一风控评分低于所述第一风控评分阈值的用户信息以及对应的第一评分输入所述第二风险控制模型,计算用户的第二评分;对所述第二评分高于第二评分阈值的用户发送资源。采用该技术方案,能够对被第一风险控制模型拒绝的用户进行再分析,通过第二风险控制模型筛选出资质符合的用户发送资源,提升了用户体验。
Description
技术领域
本发明涉及计算机信息处理领域,具体而言,涉及一种用于资源分配的风险控制方法、装置和系统。
背景技术
随着互联网技术发展,互联网企业能够给用户提供很多种资源,比如信息资源,媒体资源等等。
但随着用户数量的增多,用户的种类也变的多种多样,在对用户进行资源发送前,需要进行风险控制,判断用户的资质,避免有限的资源被别有用心的人员利用。
目前常用的风险控制是通过风控模型对用户进行判断,符合要求的用户通过,不符合要求的用户拒绝。但由于风控模型并不是十分完善,缺乏弹性,难免造成误伤,比如用户如果仅在一条规则超过阈值一点点,在其他规则上的表现非常优秀,依旧会被拒绝,给用户的体验不好。
发明内容
本发明旨在解决现有风险控制模型不完善,会将一些资质好的用户拒绝,用户体验不好的问题。
为了解决上述技术问题,本发明第一方面提出一种用于资源分配的风险控制方法,包括:
设置第一评分阈值,选取第一规则变量,构建的第一风险控制模型;
获取用户信息,将所述用户信息输入所述第一风险控制模型,计算用户的第一评分;
设置第二评分阈值,选取第二规则变量,构建第二风险控制模型,将所述第一风控评分低于所述第一风控评分阈值的用户信息以及对应的第一评分输入所述第二风险控制模型,计算用户的第二评分;
对所述第二评分高于第二评分阈值的用户发送资源。
根据本发明的一种优选实施方式,所述第一规则变量与所述第二规则变量相同。
根据本发明的一种优选实施方式,所述第一风险控制模型为基于深度学习的神经卷积网络模型。
根据本发明的一种优选实施方式,所述第二风险控制模型为逻辑回归模型。
根据本发明的一种优选实施方式,对所述第二评分高于第二评分阈值的用户发送资源进一步包括:
将所述第二评分高于所述第二评分阈值的用户分成对比组和测试组;
向所述测试组的用户发送资源,不向所述对比组的用户发送资源。
根据本发明的一种优选实施方式,收集所述测试组的用户与所述对比组的用户的资源使用情况,通过人工标引构成调整样本,使用所述调整样本调整所述第二风险控制模型。
本发明第二方面提出一种用于资源分配的风险控制装置,包括:
第一构建模块,用于设置第一评分阈值,选取第一规则变量,构建的第一风险控制模型;
第一评分模块,用于获取用户信息,将所述用户信息输入所述第一风险控制模型,计算用户的第一评分;
第二构建模块,用于设置第二评分阈值,选取第二规则变量,构建第二风险控制模型,将所述第一风控评分低于所述第一风控评分阈值的用户信息以及对应的第一评分输入所述第二风险控制模型,计算用户的第二评分;
资源发送模块,用于对所述第二评分高于第二评分阈值的用户发送资源。
本发明第三方面提出一种用于资源分配的风险控制系统,包括:
存储单元,用于存储计算机可执行程序;
处理单元,用于读取所述存储单元中的计算机可执行程序,以执行所述的用于资源分配的风险控制方法。
本发明第四方面提出一种计算机可读介质,用于存储计算机可读程序,所述计算机可读程序用于执行所述的用于资源分配的风险控制方法。
采用该技术方案,能够对被第一风险控制模型拒绝的用户进行再分析,通过第二风险控制模型筛选出资质符合的用户发送资源,提升了用户体验。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚,下面将参照附图详细描述本发明的具体实施例。但需声明的是,下面描述的附图仅仅是本发明的示例性实施例的附图,对于本领域的技术人员来讲,在不付出创造性劳动的前提下,可以根据这些附图获得其他实施例的附图。
图1是本发明实施例中用于资源分配的风险控制方法的流程示意图;
图2是本发明实施例中具体实施例流程示意图;
图3是本发明实施例中用于资源分配的风险控制装置的结构示意图;
图4是本发明实施例中用于资源分配的风险控制系统的结构框架示意图;
图5是本发明实施例中计算机可读存储介质的结构示意图。
具体实施方式
现在将参考附图来更加全面地描述本发明的示例性实施例,虽然各示例性实施例能够以多种具体的方式实施,但不应理解为本发明仅限于在此阐述的实施例。相反,提供这些示例性实施例是为了使本发明的内容更加完整,更加便于将发明构思全面地传达给本领域的技术人员。
在符合本发明的技术构思的前提下,在某个特定的实施例中描述的结构、性能、效果或者其他特征可以以任何合适的方式结合到一个或更多其他的实施例中。
在对于具体实施例的介绍过程中,对结构、性能、效果或者其他特征的细节描述是为了使本领域的技术人员对实施例能够充分理解。但是,并不排除本领域技术人员可以在特定情况下,以不含有上述结构、性能、效果或者其他特征的技术方案来实施本发明。
附图中的流程图仅是一种示例性的流程演示,不代表本发明的方案中必须包括流程图中的所有的内容、操作和步骤,也不代表必须按照图中所显示的的顺序执行。例如,流程图中有的操作/步骤可以分解,有的操作/步骤可以合并或部分合并,等等,在不脱离本发明的发明主旨的情况下,流程图中显示的执行顺序可以根据实际情况改变。
附图中的框图一般表示的是功能实体,并不一定必然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/或处理单元装置和/或微控制器装置中实现这些功能实体。
各附图中相同的附图标记表示相同或类似的元件、组件或部分,因而下文中可能省略了对相同或类似的元件、组件或部分的重复描述。还应理解,虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分,但是这些器件、元件、组件或部分不应受这些定语的限制。也就是说,这些定语仅是用来将一者与另一者区分。例如,第一器件亦可称为第二器件,但不偏离本发明实质的技术方案。此外,术语“和/或”、“及/或”是指包括所列出项目中的任一个或多个的所有组合。
图1是本发明一种用于资源分配的风险控制方法的流程示意图,如图1所示。本发明提供一种用于资源分配的风险控制方法,包括:
S1、设置第一评分阈值,选取第一规则变量,构建的第一风险控制模型。
在本实施方式中,设置有规则变量库,规则变量库中存储有构建第一风险控制模型需要用到的规则变量。针对不同的资源申请,不同的应用场景,选取不同的规则变量。规则变量的种类包括用户的性别,年龄,学历,职业,收入,婚姻状况等基础信息,还包括用户金融信息以及用户的社交信息等等。
在上述技术方案的基础上,进一步地,所述第一风险控制模型为基于深度学习的神经卷积网络模型。
在本实施方式中,第一风险控制模型由历史数据训练而成,通过人工标引的方式对历史数据进行标引,将标引好的历史数据分为训练数据和校验数据。使用训练数据训练第一风险控制模型,调整模型参数,直至模型收敛。然后使用校验数据对第一风险控制模型进行校验,如果通过校验说明训练完成,否则重新对第一风险控制模型进行训练。
S2、获取用户信息,将所述用户信息输入所述第一风险控制模型,计算用户的第一评分。
在本实施方式中,将用户信息输入第一风险控制模型后,第一风险控制模型会输出第一评分,第一评分越高表示用户资质越好,存在风险的可能性越低。
S3、设置第二评分阈值,选取第二规则变量,构建第二风险控制模型,将所述第一风控评分低于所述第一风控评分阈值的用户信息以及对应的第一评分输入所述第二风险控制模型,计算用户的第二评分。
在上述技术方案的基础上,进一步地,所述第一规则变量与所述第二规则变量相同。
在本实施方式中,为了保持风险控制的一致性,第一规则变量与第二规则变量保持一致。
在上述技术方案的基础上,进一步地,所述第二风险控制模型为逻辑回归模型。
在本实施方式中,逻辑回归可以理解成是将线性回归在上的结果,通过sigmoid函数映射到(0,1)之间,可以用于解决一些分类问题。在逻辑回归模型的作用下,可以将用户的特征信息综合起来并转化为一个概率值即第二评分,第二评分越高表明用户的资质越好。
在本实施方式中,通过构建第二风险控制模型规避了第一风险控制模型中不完善的地方,能够将第一风险控制模型误伤的资质好的用户挖掘出来。第二风险控制模型还可以是通过专家经验构建的。
S4、对所述第二评分高于第二评分阈值的用户发送资源。
在上述技术方案的基础上,进一步地,对所述第二评分高于第二评分阈值的用户发送资源进一步包括:
将所述第二评分高于所述第二评分阈值的用户分成对比组和测试组;
向所述测试组的用户发送资源,不向所述对比组的用户发送资源。
在本实施方式中,对比组和测试组是随机分配的,两个组的用户数量相同。进一步地,将第二评分高于第二评分阈值的用户按降序排列,通过间隔抽样划分为测试组和对比组,抽样间隔为1。
在上述技术方案的基础上,进一步地,收集所述测试组的用户与所述对比组的用户的资源使用情况,通过人工标引构成调整样本,使用所述调整样本调整所述第二风险控制模型。
在本实施方式中,通过设置测试组和对比组,定期收集两组用户的资源使用情况,根据用户的资源使用情况进行人工标引,汇总为调整样本。由于逻辑回归模型属于有监督学习模型,所以可以通过调整样本对第二风险控制模型进行训练调整,使得第二风险控制模型更加趋于完善。
下面通过具体的实施例对本发明进行解释,流程图如图2所示,具体包括步骤:
S201、开始;
S202、设置第一评分阈值,选取第一规则变量,构建第一风险控制模型;
S203、获取用户信息;
S204、将用户信息输入第一风险控制模型,输出第一评分,判断第一评分是否高于第一评分阈值,是则执行S207,否则执行S205;
S205、设置第二评分阈值,使用第一规则变量构建第二风险控制模型,将用户信息以及对应的第一评分输入第二风险控制模型计算第二评分;
S206、判断第二评分是否高于第二评分阈值,是则执行S207,否则执行S208;
S207、向用户发送资源;
S208、拒绝向用户发送资源;
S209、结束。
图3是本发明实施例中用于资源分配的风险控制装置的结构示意图,如图3所示,本发明提供一种用于资源分配的风险控制装置300,包括:
第一构建模块301,用于设置第一评分阈值,选取第一规则变量,构建的第一风险控制模型。
在本实施方式中,设置有规则变量库,规则变量库中存储有构建第一风险控制模型需要用到的规则变量。针对不同的资源申请,不同的应用场景,选取不同的规则变量。规则变量的种类包括用户的性别,年龄,学历,职业,收入,婚姻状况等基础信息,还包括用户金融信息以及用户的社交信息等等。
在上述技术方案的基础上,进一步地,所述第一风险控制模型为基于深度学习的神经卷积网络模型。
在本实施方式中,第一风险控制模型由历史数据训练而成,通过人工标引的方式对历史数据进行标引,将标引好的历史数据分为训练数据和校验数据。使用训练数据训练第一风险控制模型,调整模型参数,直至模型收敛。然后使用校验数据对第一风险控制模型进行校验,如果通过校验说明训练完成,否则重新对第一风险控制模型进行训练。
第一评分模块302,用于获取用户信息,将所述用户信息输入所述第一风险控制模型,计算用户的第一评分。
在本实施方式中,将用户信息输入第一风险控制模型后,第一风险控制模型会输出第一评分,第一评分越高表示用户资质越好,存在风险的可能性越低。
第二构建模块303,用于设置第二评分阈值,选取第二规则变量,构建第二风险控制模型,将所述第一风控评分低于所述第一风控评分阈值的用户信息以及对应的第一评分输入所述第二风险控制模型,计算用户的第二评分。
在上述技术方案的基础上,进一步地,所述第一规则变量与所述第二规则变量相同。
在本实施方式中,为了保持风险控制的一致性,第一规则变量与第二规则变量保持一致。
在上述技术方案的基础上,进一步地,所述第二风险控制模型为逻辑回归模型。
在本实施方式中,逻辑回归可以理解成是将线性回归在上的结果,通过sigmoid函数映射到(0,1)之间,可以用于解决一些分类问题。在逻辑回归模型的作用下,可以将用户的特征信息综合起来并转化为一个概率值即第二评分,第二评分越高表明用户的资质越好。
在本实施方式中,通过构建第二风险控制模型规避了第一风险控制模型中不完善的地方,能够将第一风险控制模型误伤的资质好的用户挖掘出来。第二风险控制模型还可以是通过专家经验构建的。
资源发送模块304,用于对所述第二评分高于第二评分阈值的用户发送资源。
在上述技术方案的基础上,进一步地,对所述第二评分高于第二评分阈值的用户发送资源进一步包括:
将所述第二评分高于所述第二评分阈值的用户分成对比组和测试组;
向所述测试组的用户发送资源,不向所述对比组的用户发送资源。
在本实施方式中,对比组和测试组是随机分配的,两个组的用户数量相同。进一步地,将第二评分高于第二评分阈值的用户按降序排列,通过间隔抽样划分为测试组和对比组,抽样间隔为1。
在上述技术方案的基础上,进一步地,收集所述测试组的用户与所述对比组的用户的资源使用情况,通过人工标引构成调整样本,使用所述调整样本调整所述第二风险控制模型。
在本实施方式中,通过设置测试组和对比组,定期收集两组用户的资源使用情况,根据用户的资源使用情况进行人工标引,汇总为调整样本。由于逻辑回归模型属于有监督学习模型,所以可以通过调整样本对第二风险控制模型进行训练调整,使得第二风险控制模型更加趋于完善。
如图4所示,本发明的一个实施例中还公开一种用于资源分配的风险控制系统,图4显示的用于资源分配的风险控制系统仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
用于资源分配的风险控制系统400,包括存储单元420,用于存储计算机可执行程序;处理单元410,用于读取所述存储单元中的计算机可执行程序,以执行本发明各种实施方式的步骤。
在本实施方式中用于资源分配的风险控制系统400还包括,连接不同系统组件(包括存储单元420和处理单元410)的总线430、显示单元440等。
其中,所述存储单元420存储有计算机可读程序,其可以是源程序或都只读程序的代码。所述程序可以被处理单元410执行,使得所述处理单元410执行本发明各种实施方式的步骤。例如,所述处理单元410可以执行如图1所示的步骤。
所述存储单元420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)4201和/或高速缓存存储单元4202,还可以进一步包括只读存储单元(ROM)4203。所述存储单元420还可以包括具有一组(至少一个)程序模块4205的程序/实用工具4204,这样的程序模块4205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430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。
用于资源分配的风险控制系统400也可以与一个或多个外部设备470(例如键盘、显示器、网络设备、蓝牙设备等)通信,使得用户能经由这些外部设备470通过输入/输出(I/O)接口450进行与处理单元410进行交互,还可以通过网络适配器460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)进行。网络适配器460可以通过总线430与用于资源分配的风险控制系统400的其它模块通信。应当明白,尽管图中未示出,用于资源分配的风险控制系统400中可使用其它硬件和/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。
图5是本发明的一个计算机可读介质实施例的示意图。如图5所示,所述计算机程序可以存储于一个或多个计算机可读介质上。计算机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、随机存取存储单元(RAM)、只读存储单元(ROM)、可擦式可编程只读存储单元(EPROM或闪存)、光纤、便携式紧凑盘只读存储单元(CD-ROM)、光存储单元件、磁存储单元件、或者上述的任意合适的组合。当所述计算机程序被一个或多个数据处理设备执行时,使得该计算机可读介质能够实现本发明的上述方法,即:
S1、设置第一评分阈值,选取第一规则变量,构建的第一风险控制模型;
S2、获取用户信息,将所述用户信息输入所述第一风险控制模型,计算用户的第一评分;
S3、设置第二评分阈值,选取第二规则变量,构建第二风险控制模型,将所述第一风控评分低于所述第一风控评分阈值的用户信息以及对应的第一评分输入所述第二风险控制模型,计算用户的第二评分;
S4、对所述第二评分高于第二评分阈值的用户发送资源。
通过以上的实施方式的描述,本领域的技术人员易于理解,本发明描述的示例性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,根据本发明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计算机可读的存储介质(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数据处理设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。
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发明操作的程序代码,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)。
综上所述,本发明可以执行计算机程序的方法、装置、电子设备或计算机可读介质来实现。可以在实践中使用微处理单元或者数字信号处理单元(DSP)等通用数据处理设备来实现本发明的一些或者全部功能。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,本发明不与任何特定计算机、虚拟装置或者电子设备固有相关,各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种用于资源分配的风险控制方法,其特征在于,方法包括:
设置第一评分阈值,选取第一规则变量,构建的第一风险控制模型;
获取用户信息,将所述用户信息输入所述第一风险控制模型,计算用户的第一评分;
设置第二评分阈值,选取第二规则变量,构建第二风险控制模型,将所述第一风控评分低于所述第一风控评分阈值的用户信息以及对应的第一评分输入所述第二风险控制模型,计算用户的第二评分;
对所述第二评分高于第二评分阈值的用户发送资源。
2.如权利要求1所述的用于资源分配的风险控制方法,其特征在于,所述第一规则变量与所述第二规则变量相同。
3.如权利要求2所述的用于资源分配的风险控制方法,其特征在于,所述第一风险控制模型为基于深度学习的神经卷积网络模型。
4.如权利要求2所述的用于资源分配的风险控制方法,其特征在于,所述第二风险控制模型为逻辑回归模型。
5.如权利要求3或4所述的用于资源分配的风险控制方法,其特征在于,对所述第二评分高于第二评分阈值的用户发送资源进一步包括:
将所述第二评分高于所述第二评分阈值的用户分成对比组和测试组;
向所述测试组的用户发送资源,不向所述对比组的用户发送资源。
6.如权利要求5所述的用于资源分配的风险控制方法,其特征在于,收集所述测试组的用户与所述对比组的用户的资源使用情况,通过人工标引构成调整样本,使用所述调整样本调整所述第二风险控制模型。
7.一种用于资源分配的风险控制装置,其特征在于,装置包括:
第一构建模块,用于设置第一评分阈值,选取第一规则变量,构建的第一风险控制模型;
第一评分模块,用于获取用户信息,将所述用户信息输入所述第一风险控制模型,计算用户的第一评分;
第二构建模块,用于设置第二评分阈值,选取第二规则变量,构建第二风险控制模型,将所述第一风控评分低于所述第一风控评分阈值的用户信息以及对应的第一评分输入所述第二风险控制模型,计算用户的第二评分;
资源发送模块,用于对所述第二评分高于第二评分阈值的用户发送资源。
8.一种用于资源分配的风险控制系统,其特征在于,包括:
存储单元,用于存储计算机可执行程序;
处理单元,用于读取所述存储单元中的计算机可执行程序,以执行权利要求1至6中任一项所述的用于资源分配的风险控制方法。
9.一种计算机可读介质,用于存储计算机可读程序,其特征在于,所述计算机可读程序用于执行权利要求1至6中任一项所述的用于资源分配的风险控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110481334.5A CN113298360B (zh) | 2021-04-30 | 2021-04-30 | 一种用于资源分配的风险控制方法、装置和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110481334.5A CN113298360B (zh) | 2021-04-30 | 2021-04-30 | 一种用于资源分配的风险控制方法、装置和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113298360A true CN113298360A (zh) | 2021-08-24 |
CN113298360B CN113298360B (zh) | 2023-01-06 |
Family
ID=77320939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110481334.5A Active CN113298360B (zh) | 2021-04-30 | 2021-04-30 | 一种用于资源分配的风险控制方法、装置和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113298360B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113902545A (zh) * | 2021-09-30 | 2022-01-07 | 北京淇瑀信息科技有限公司 | 资源额度分配方法、装置及电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949942A (zh) * | 2019-01-30 | 2019-06-28 | 深圳市橙月生物科技有限公司 | 基于铁代谢指标的结核病风险预测模型的构建方法和系统 |
CN110348991A (zh) * | 2019-06-21 | 2019-10-18 | 上海淇馥信息技术有限公司 | 评估用户授信额度上限的方法、装置和电子设备 |
CN110348852A (zh) * | 2019-06-28 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 一种资信评估模型修正方法、装置、电子设备 |
CN110659985A (zh) * | 2019-09-30 | 2020-01-07 | 上海淇玥信息技术有限公司 | 一种捞回误拒潜在用户的方法、装置和电子设备 |
CN110706096A (zh) * | 2019-09-30 | 2020-01-17 | 上海淇玥信息技术有限公司 | 基于捞回用户管理授信额度的方法、装置和电子设备 |
CN112017060A (zh) * | 2020-07-15 | 2020-12-01 | 北京淇瑀信息科技有限公司 | 为目标用户进行资源分配的方法、装置及电子设备 |
CN112508580A (zh) * | 2021-02-03 | 2021-03-16 | 北京淇瑀信息科技有限公司 | 基于拒绝推断方法的模型构建方法、装置和电子设备 |
CN112529481A (zh) * | 2021-02-08 | 2021-03-19 | 北京淇瑀信息科技有限公司 | 一种用户捞回方法、装置及电子设备 |
-
2021
- 2021-04-30 CN CN202110481334.5A patent/CN113298360B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949942A (zh) * | 2019-01-30 | 2019-06-28 | 深圳市橙月生物科技有限公司 | 基于铁代谢指标的结核病风险预测模型的构建方法和系统 |
CN110348991A (zh) * | 2019-06-21 | 2019-10-18 | 上海淇馥信息技术有限公司 | 评估用户授信额度上限的方法、装置和电子设备 |
CN110348852A (zh) * | 2019-06-28 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 一种资信评估模型修正方法、装置、电子设备 |
CN110659985A (zh) * | 2019-09-30 | 2020-01-07 | 上海淇玥信息技术有限公司 | 一种捞回误拒潜在用户的方法、装置和电子设备 |
CN110706096A (zh) * | 2019-09-30 | 2020-01-17 | 上海淇玥信息技术有限公司 | 基于捞回用户管理授信额度的方法、装置和电子设备 |
CN112017060A (zh) * | 2020-07-15 | 2020-12-01 | 北京淇瑀信息科技有限公司 | 为目标用户进行资源分配的方法、装置及电子设备 |
CN112508580A (zh) * | 2021-02-03 | 2021-03-16 | 北京淇瑀信息科技有限公司 | 基于拒绝推断方法的模型构建方法、装置和电子设备 |
CN112529481A (zh) * | 2021-02-08 | 2021-03-19 | 北京淇瑀信息科技有限公司 | 一种用户捞回方法、装置及电子设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113902545A (zh) * | 2021-09-30 | 2022-01-07 | 北京淇瑀信息科技有限公司 | 资源额度分配方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113298360B (zh) | 2023-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10789552B2 (en) | Question answering system-based generation of distractors using machine learning | |
US20190347571A1 (en) | Classifier training | |
US10970471B2 (en) | Phased collaborative editing | |
KR102285142B1 (ko) | 챗봇을 위한 학습 데이터 추천 장치 및 방법 | |
CN110245232B (zh) | 文本分类方法、装置、介质和计算设备 | |
WO2021068513A1 (zh) | 异常对象识别方法、装置、介质及电子设备 | |
US11074043B2 (en) | Automated script review utilizing crowdsourced inputs | |
CN111435362B (zh) | 用于生成相关响应的对抗性训练数据增强 | |
US20190295098A1 (en) | Performing Real-Time Analytics for Customer Care Interactions | |
CN111199469A (zh) | 用户还款模型生成方法、装置及电子设备 | |
CN113298360B (zh) | 一种用于资源分配的风险控制方法、装置和系统 | |
CN108027824B (zh) | 未来脚本生成装置和方法、以及计算机可读存储介质 | |
CN111191893A (zh) | 风控文本处理方法、装置及电子设备 | |
CN113609008A (zh) | 测试结果分析方法、装置和电子设备 | |
CN113610625A (zh) | 逾期风险警示方法、装置及电子设备 | |
CN109951859B (zh) | 无线网络连接推荐方法、装置、电子设备及可读介质 | |
US11222143B2 (en) | Certified information verification services | |
JP2023002475A (ja) | コンピュータシステム、コンピュータプログラムおよびコンピュータで実装される方法(因果関係知識の識別および抽出) | |
US20170331882A1 (en) | Distributed processing systems | |
CN111582649B (zh) | 基于用户app独热编码的风险评估方法、装置和电子设备 | |
US20220207384A1 (en) | Extracting Facts from Unstructured Text | |
CN113612777A (zh) | 训练方法、流量分级方法、装置、电子设备以及存储介质 | |
CN113590310A (zh) | 基于规则触碰率评分的资源分配方法、装置及电子设备 | |
CN113609833A (zh) | 文件的动态生成方法、装置、计算机设备及存储介质 | |
CN111210109A (zh) | 基于关联用户预测用户风险的方法、装置和电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |