CN113362069A - 风控模型的动态调整方法、装置、设备及可读存储介质 - Google Patents
风控模型的动态调整方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN113362069A CN113362069A CN202110617734.4A CN202110617734A CN113362069A CN 113362069 A CN113362069 A CN 113362069A CN 202110617734 A CN202110617734 A CN 202110617734A CN 113362069 A CN113362069 A CN 113362069A
- Authority
- CN
- China
- Prior art keywords
- wind control
- control model
- event
- fraud
- behavior data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 96
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000000694 effects Effects 0.000 claims abstract description 11
- 230000006399 behavior Effects 0.000 claims description 86
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
-
- 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
- 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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Technology Law (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及金融科技(Fintech)技术领域，公开了一种风控模型的动态调整方法、装置、设备及可读存储介质，该方法包括：获取离线的信用行为数据，并将所述离线的信用行为数据作为离线训练样本；根据所述离线训练样本对预设模型进行训练，得到训练完成所述预设模型后对应的风控模型；实时持续获取海量的在线的信用行为数据，并对所述在线的信用行为数据执行分布式处理操作，得到在线训练样本；根据所述在线训练样本和所述离线训练样本，对所述风控模型进行训练，得到新的风控模型。本发明的风控模型具有自迭代能力，能够随着时间的推移进行自迭代更新，提升了风控模型的模型性能以及预警效果。
Description
技术领域
本发明涉及金融科技(Fintech)领域，尤其涉及一种风控模型的动态调整方法、装置、设备及可读存储介质。
背景技术
随着计算机技术的发展，越来越多的技术(大数据、分布式、人工智能等)应用在金融领域，传统金融业正在逐步向金融科技(Fintech)转变，但由于金融行业的安全性、通用性要求，也对风险预警技术提出了更高的要求。
现有技术为在事先发生不符合预期的欺诈损失之后，再根据客户的历史数据(包括欺诈数据和正常数据)，利用离线分析建模的手段(如循环神经网络RNN、文本分析技术)，进行构建风控模型，再根据风控模型进行风险预警。但是，实际上，由于欺诈手段层出不穷，有些手段针刻意逃避原有的风控系统，不同的欺诈手段对于风控系统的攻击程度不同，由于风控模型不具有自迭代功能，长此以往导致风控模型无法动态调整，导致风控模型的预警效果差的技术问题。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种风控模型的动态调整方法、装置、设备及可读存储介质，旨在解决风控模型的预警效果差的技术问题。
为实现上述目的，本发明提供一种风控模型的动态调整方法，所述风控模型的动态调整方法包括以下步骤：
获取离线的信用行为数据，并将所述离线的信用行为数据作为离线训练样本；
根据所述离线训练样本对预设模型进行训练，得到训练完成所述预设模型后对应的风控模型；
实时持续获取海量的在线的信用行为数据，并对所述在线的信用行为数据执行分布式处理操作，得到在线训练样本；
根据所述在线训练样本和所述离线训练样本，对所述风控模型进行训练，得到新的风控模型。
可选地，所述根据所述在线训练样本和所述离线训练样本，对所述风控模型进行训练，得到新的风控模型的步骤之后，还包括：
获取待检测事件，并根据所述新的风控模型，确定所述待检测事件是否属于欺诈事件；
若所述待检测事件属于欺诈事件，则对所述欺诈事件执行风险预警操作。
可选地，所述根据所述新的风控模型，确定所述待检测事件是否属于欺诈事件的步骤包括：
根据所述新的风控模型，确定所述新的风控模型对应的目标反欺诈阈值；
根据所述新的风控模型，确定所述待检测事件对应的欺诈值；
基于所述欺诈值和所述目标反欺诈阈值，确定所述待检测事件是否属于欺诈事件。
可选地，所述基于所述欺诈值和所述目标反欺诈阈值，确定所述待检测事件是否属于欺诈事件的步骤包括：
若所述欺诈值大于或等于所述目标反欺诈阈值，则将所述待检测事件作为欺诈事件；
若所述欺诈值小于所述目标反欺诈阈值，则将所述待检测事件作为正常事件。
可选地，所述实时持续获取海量的在线的信用行为数据的步骤之后，还包括：
提取所述在线的信用行为数据的业务特征；
基于所述在线的信用行为数据的业务特征，构建业务数据库；
从所述业务数据库中获取重点情报信息，并将所述重点情报信息推送至业务端，以供所述业务端将所述重点情报信息输出至显示设备。
可选地，所述将所述重点情报信息推送至业务端的步骤包括：
获取预设的邮件模板，并根据所述重点情报信息和所述邮件模板，确定情报邮件；
将所述情报邮件推送至业务端。
可选地，所述离线的信用行为数据包括从本地数据库和/或从第三方数据库中获取的历史的信用行为数据。
此外，为实现上述目的，本发明还提供一种风控模型的动态调整装置，所述风控模型的动态调整装置包括：
数据采集模块，用于获取离线的信用行为数据，并将所述离线的信用行为数据作为离线训练样本；
模型训练模块，用于根据所述离线训练样本对预设模型进行训练，得到训练完成所述预设模型后对应的风控模型；
分布式处理模块，用于实时持续获取海量的在线的信用行为数据，并对所述在线的信用行为数据执行分布式处理操作，得到在线训练样本；
动态调整模块，用于根据所述在线训练样本和所述离线训练样本，对所述风控模型进行训练，得到新的风控模型。
此外，为实现上述目的，本发明还提供一种风控模型的动态调整设备，所述风控模型的动态调整设备包括：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风控模型的动态调整程序，所述风控模型的动态调整程序被所述处理器执行时实现如上述的风控模型的动态调整方法的步骤。
此外，为实现上述目的，本发明还提供一种可读存储介质，所述可读存储介质上存储有风控模型的动态调整程序，所述风控模型的动态调整程序被处理器执行时实现如上述的风控模型的动态调整方法的步骤。
本发明通过获取离线的信用行为数据，并将所述离线的信用行为数据作为离线训练样本；根据所述离线训练样本对预设模型进行训练，得到训练完成所述预设模型后对应的风控模型；实时持续获取海量的在线的信用行为数据，并对所述在线的信用行为数据执行分布式处理操作，得到在线训练样本；根据所述在线训练样本和所述离线训练样本，对所述风控模型进行训练，得到新的风控模型。本实施例中，在根据离线的信用行为数据构建风控模型后，实时采集在线的信用行为数据，并根据实时采集的在线的信用行为数据来训练风控模型，以持续地对风控模型进动态调整，使风控模型具有自迭代能力，能够随着时间的推移进行自迭代更新，提升了风控模型的模型性能以及预警效果。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的风控模型的动态调整设备结构示意图；
图2为本发明风控模型的动态调整方法第一实施例的流程示意图；
图3为本发明风控模型的动态调整方法第二实施例的流程示意图；
图4为本发明风控模型的动态调整装置一实施例的系统结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的风控模型的动态调整设备结构示意图。
本发明实施例风控模型的动态调整设备可以是PC，也可以是智能手机、平板电脑、电子书阅读器、MP3(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)播放器、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、便携计算机等具有显示功能的可移动式终端设备。
如图1所示，该风控模型的动态调整设备可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地，风控模型的动态调整设备还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。
本领域技术人员可以理解，图1中示出的风控模型的动态调整设备结构并不构成对风控模型的动态调整设备的限定，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。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及风控模型的动态调整程序。
在图1所示的风控模型的动态调整设备中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的风控模型的动态调整程序。
在本实施例中，风控模型的动态调整设备包括：存储器1005、处理器1001及存储在所述存储器1005上并可在所述处理器1001上运行的风控模型的动态调整程序，其中，处理器1001调用存储器1005中存储的风控模型的动态调整程序时，并执行以下操作：
获取离线的信用行为数据，并将所述离线的信用行为数据作为离线训练样本；
根据所述离线训练样本对预设模型进行训练，得到训练完成所述预设模型后对应的风控模型；
实时持续获取海量的在线的信用行为数据，并对所述在线的信用行为数据执行分布式处理操作，得到在线训练样本；
根据所述在线训练样本和所述离线训练样本，对所述风控模型进行训练，得到新的风控模型。
进一步地，处理器1001可以调用存储器1005中存储的风控模型的动态调整程序，还执行以下操作：
获取待检测事件，并根据所述新的风控模型，确定所述待检测事件是否属于欺诈事件；
若所述待检测事件属于欺诈事件，则对所述欺诈事件执行风险预警操作。
进一步地，处理器1001可以调用存储器1005中存储的风控模型的动态调整程序，还执行以下操作：
根据所述新的风控模型，确定所述新的风控模型对应的目标反欺诈阈值；
根据所述新的风控模型，确定所述待检测事件对应的欺诈值；
基于所述欺诈值和所述目标反欺诈阈值，确定所述待检测事件是否属于欺诈事件。
进一步地，处理器1001可以调用存储器1005中存储的风控模型的动态调整程序，还执行以下操作：
若所述欺诈值大于或等于所述目标反欺诈阈值，则将所述待检测事件作为欺诈事件；
若所述欺诈值小于所述目标反欺诈阈值，则将所述待检测事件作为正常事件。
进一步地，处理器1001可以调用存储器1005中存储的风控模型的动态调整程序，还执行以下操作：
提取所述在线的信用行为数据的业务特征；
基于所述在线的信用行为数据的业务特征，构建业务数据库；
从所述业务数据库中获取重点情报信息，并将所述重点情报信息推送至业务端，以供所述业务端将所述重点情报信息输出至显示设备。
进一步地，处理器1001可以调用存储器1005中存储的风控模型的动态调整程序，还执行以下操作：
获取预设的邮件模板，并根据所述重点情报信息和所述邮件模板，确定情报邮件；
将所述情报邮件推送至业务端。
本发明还提供一种风控模型的动态调整方法，参照图2，图2为本发明风控模型的动态调整方法第一实施例的流程示意图。
在本实施例中，该风控模型的动态调整方法包括以下步骤：
步骤S10，获取离线的信用行为数据，并将所述离线的信用行为数据作为离线训练样本；
本发明提出的风控模型的动态调整方法应用于一种风险预警框架，该风险预警框架包括数据采集层、数据分布式处理层、业务调整层和数据应用层。其中，数据采集层用于采集用于离线训练风控模型的离线训练数据以及采集用于动态调整风控模型的在线训练数据，包括在本地数据库中或从第三方数据库中采集客户的历史的信用行为数据，以及在本地数据库中或从第三方数据库中实时采集客户的在线的信用行为数据。数据分布式处理层用于对采集到的海量的在线的信用行为数据进行分布式处理，包括对在线的信用行为数据进行数据清洗以及数据分析，以提升对在线数据的数据处理效率。业务调整层用于根据采集到的在线的信用行为数据对风控模型进行动态调整，以提升风控模型的模型预测能力以及预警能力。数据应用层用于根据采集到的在线的信用行为数据的不同数据特征，构建业务数据库，以根据业务数据为其他业务提供数据服务，拓展其他业务的可能性。
在本实施例中，离线的信用行为数据包括从本地数据库和/或从第三方数据库中获取的历史的信用行为数据。在构建风控模型之前，从本地数据库和/或从第三方数据库中采集客户的历史的信用行为数据，所采集得到的客户的历史的信用行为数据即为离线的信用行为数据，并将所采集到的离线的信用行为数据作为离线训练样本，以根据客户的历史的信用行为数据来构建风控模型。
步骤S20，根据所述离线训练样本对预设模型进行训练，得到训练完成所述预设模型后对应的风控模型；
在本实施例中，在构建风控模型之前，获取预设模型，其中，预设模型用以构建风控模型，预设模型为初始的模型，需要经过训练后才能得到实现需求的模型；预设模型可以是循环神经网络模型、分类模型或联邦学习模型等等。之后，根据离线训练样本
步骤S30，实时持续获取海量的在线的信用行为数据，并对所述在线的信用行为数据执行分布式处理操作，得到在线训练样本；
在本实施例中，对本地数据库和/或第三方数据库实时并持续地进行监控，以持续地获取海量的在线的信用行为数据；在得到在线的信用行为数据后，对信用行为数据执行分布式处理操作，以根据预设的调度算法，将海量的在线的信用行为数据分配至计算机集群的各个目标处理节点中进行处理，以对海量的在线的信用行为数据进行分布式处理，提升海量数据处理的效率。其中，在将在线的信用行为数据分配至各个目标处理节点后，计算机集群的各个目标处理节点对所分配到的在线的信用行为数据执行数据预处理操作，数据预处理操作可以包括数据清洗操作以及数据分析操作。
步骤S40，根据所述在线训练样本和所述离线训练样本，对所述风控模型进行训练，得到新的风控模型。
在本实施例中，在采集得到离线训练样本之后，再获取离线训练样本，并根据离线训练样本和离线训练样本，对之前根据离线训练样本所训练的风控模型进行训练，以调整该风控模型以及该风控模型对应的反欺诈阈值，得到新的风控模型以及新的风控模型对应的目标反欺诈阈值。其中，反欺诈阈值用于判断信用行为事件是否属于欺诈事件，反欺诈阈值为信用行为事件属于正常事件的最高阈值。
进一步地，若在线训练样本达到预设数量，则根据在线训练样本和离线训练样本，对风控模型进行训练，得到新的风控模型，即，在所采集到的在线的信用行为数据达到一定的量后，再根据在线训练样本进行调整风控模型。在调整完成风控模型后，将在线训练样本添加至离线训练样本，并继续执行所述实时持续获取海量的在线的信用行为数据，并对所述在线的信用行为数据执行分布式处理操作，得到在线训练样本的步骤。
本实施例提出的风控模型的动态调整方法，通过获取离线的信用行为数据，并将所述离线的信用行为数据作为离线训练样本；根据所述离线训练样本对预设模型进行训练，得到训练完成所述预设模型后对应的风控模型；实时持续获取海量的在线的信用行为数据，并对所述在线的信用行为数据执行分布式处理操作，得到在线训练样本；根据所述在线训练样本和所述离线训练样本，对所述风控模型进行训练，得到新的风控模型。本实施例中，在根据离线的信用行为数据构建风控模型后，实时采集在线的信用行为数据，并根据实时采集的在线的信用行为数据来训练风控模型，以持续地对风控模型进动态调整，使风控模型具有自迭代能力，能够随着时间的推移进行自迭代更新，提升了风控模型的模型性能以及预警效果。
基于第一实施例，提出本发明风控模型的动态调整方法的第二实施例，参照图3，在本实施例中，步骤S40之后，还包括：
步骤S50，获取待检测事件，并根据所述新的风控模型，确定所述待检测事件是否属于欺诈事件；
步骤S60，若所述待检测事件属于欺诈事件，则对所述欺诈事件执行风险预警操作。
在本实施例中，在对风控模型进行调整后得到新的风控模型，若当前新的风控模型无需调整，则可以根据新的风控模型对信用行为事件进行风险判定。具体地，获取待检测事件，并根据新的风控模型对待检测事件进行检测，以确定待检测事件是否属于欺诈事件；若待检测事件属于欺诈事件，则对该欺诈事件执行风险预警操作。其中，风险预警操作可以是向监控管理平台输出待检测事件的相关信息以及该待检测事件属于欺诈事件的提示信息，以供监控管理平台的管理员可以对欺诈事件对应的涉嫌欺诈用户进行监控以及追责。
进一步地，所述根据所述新的风控模型，确定所述待检测事件是否属于欺诈事件的步骤包括：
步骤S501，根据所述新的风控模型，确定所述新的风控模型对应的目标反欺诈阈值；
步骤S502，根据所述新的风控模型，确定所述待检测事件对应的欺诈值；
步骤S503，基于所述欺诈值和所述目标反欺诈阈值，确定所述待检测事件是否属于欺诈事件。
在本实施例中，根据新的风控模型对待检测事件进行检测，以确定待检测事件是否属于欺诈事件具体为：在训练得到新的风控模型之后，确定风控模型对应的目标反欺诈阈值；将待检测事件的相关信用行为数据输入至新的风控模型中，以使该风控模型对该待检测事件进行预测欺诈值，得到待检测事件对应的欺诈值。之后，根据欺诈值和目标反欺诈阈值，确定待检测事件是否属于欺诈事件。进一步地，若所述欺诈值大于或等于所述目标反欺诈阈值，则将所述待检测事件作为欺诈事件；若所述欺诈值小于所述目标反欺诈阈值，则将所述待检测事件作为正常事件。
进一步地，所述实时持续获取海量的在线的信用行为数据的步骤之后，还包括：
步骤S70，提取所述在线的信用行为数据的业务特征；
步骤S80，基于所述在线的信用行为数据的业务特征，构建业务数据库；
步骤S90，从所述业务数据库中获取重点情报信息，并将所述重点情报信息推送至业务端，以供所述业务端将所述重点情报信息输出至显示设备。
在本实施例中，在采集到在线的信用行为数据之后，对在线的信用行为数据进行分析，以提取在线的信用行为数据的业务特征；在线的信用行为数据的不同数据特征，对在线的信用行为数据进行业务分类，并将分类后的在线的信用行为数据存储于数据库中，以构建得到数据按照业务类型进行分类的业务数据库。在构建完成业务数据库后，可以根据关键词，从业务数据库中查询重点情报信息，并将重点情报信息推送至业务端，以供业务端将重点情报信息输出至显示设备。本实施例中业务数据库能够为其他业务提供数据服务，拓展其他业务的可能性。
进一步地，所述将所述重点情报信息推送至业务端的步骤包括：
步骤S91，获取预设的邮件模板，并根据所述重点情报信息和所述邮件模板，确定情报邮件；
步骤S92，将所述情报邮件推送至业务端。
在本实施例中，将重点情报信息推送至业务端可以通过情报邮件来推送给业务端。具体地，获取预设的邮件模板，并根据重点情报信息和邮件模板，将重点情报信息写入至邮件模板中，得到情报邮件；之后，将情报邮件通过数据通道传输至业务端。
本实施例提出的风控模型的动态调整方法，通过获取待检测事件，并根据所述新的风控模型，确定所述待检测事件是否属于欺诈事件；若所述待检测事件属于欺诈事件，则对所述欺诈事件执行风险预警操作。本实施例中，若待检测事件属于欺诈事件，则对该欺诈事件执行风险预警操作，以便于管理员可以对欺诈事件对应的涉嫌欺诈用户进行监控以及追责。
此外，本发明实施例还提出一种风控模型的动态调整装置，参考图4，所述风控模型的动态调整装置包括：
数据采集模块100，用于获取离线的信用行为数据，并将所述离线的信用行为数据作为离线训练样本；
模型训练模块200，用于根据所述离线训练样本对预设模型进行训练，得到训练完成所述预设模型后对应的风控模型；
分布式处理模块300，用于实时持续获取海量的在线的信用行为数据，并对所述在线的信用行为数据执行分布式处理操作，得到在线训练样本；
动态调整模块400，用于根据所述在线训练样本和所述离线训练样本，对所述风控模型进行训练，得到新的风控模型。
进一步地，所述风控模型的动态调整装置还包括：
欺诈事件检测模块，用于获取待检测事件，并根据所述新的风控模型，确定所述待检测事件是否属于欺诈事件；
预警模块，用于若所述待检测事件属于欺诈事件，则对所述欺诈事件执行风险预警操作。
进一步地，所述欺诈事件检测模块，还用于：
根据所述新的风控模型，确定所述新的风控模型对应的目标反欺诈阈值；
根据所述新的风控模型，确定所述待检测事件对应的欺诈值；
基于所述欺诈值和所述目标反欺诈阈值，确定所述待检测事件是否属于欺诈事件。
进一步地，所述欺诈事件检测模块，还用于：
若所述欺诈值大于或等于所述目标反欺诈阈值，则将所述待检测事件作为欺诈事件；
若所述欺诈值小于所述目标反欺诈阈值，则将所述待检测事件作为正常事件。
进一步地，所述风控模型的动态调整装置还包括：
业务特征提取模块，用于提取所述在线的信用行为数据的业务特征；
业务数据库构建模块，用于基于所述在线的信用行为数据的业务特征，构建业务数据库；
重点情报信息推送模块，用于从所述业务数据库中获取重点情报信息，并将所述重点情报信息推送至业务端，以供所述业务端将所述重点情报信息输出至显示设备。
进一步地，所述重点情报信息推送模块，还用于：
获取预设的邮件模板，并根据所述重点情报信息和所述邮件模板，确定情报邮件；
将所述情报邮件推送至业务端。
进一步地，所述离线的信用行为数据包括从本地数据库和/或从第三方数据库中获取的历史的信用行为数据。
此外，本发明实施例还提出一种可读存储介质，所述可读存储介质上存储有风控模型的动态调整程序，所述风控模型的动态调整程序被处理器执行时实现如上述中任一项所述的风控模型的动态调整方法的步骤。
本发明可读存储介质具体实施例与上述风控模型的动态调整方法的各实施例基本相同，在此不再详细赘述。
需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种风控模型的动态调整方法，其特征在于，所述风控模型的动态调整方法包括以下步骤：
获取离线的信用行为数据，并将所述离线的信用行为数据作为离线训练样本；
根据所述离线训练样本对预设模型进行训练，得到训练完成所述预设模型后对应的风控模型；
实时持续获取海量的在线的信用行为数据，并对所述在线的信用行为数据执行分布式处理操作，得到在线训练样本；
根据所述在线训练样本和所述离线训练样本，对所述风控模型进行训练，得到新的风控模型。
2.如权利要求1所述的风控模型的动态调整方法，其特征在于，所述根据所述在线训练样本和所述离线训练样本，对所述风控模型进行训练，得到新的风控模型的步骤之后，还包括：
获取待检测事件，并根据所述新的风控模型，确定所述待检测事件是否属于欺诈事件；
若所述待检测事件属于欺诈事件，则对所述欺诈事件执行风险预警操作。
3.如权利要求2所述的风控模型的动态调整方法，其特征在于，所述根据所述新的风控模型，确定所述待检测事件是否属于欺诈事件的步骤包括：
根据所述新的风控模型，确定所述新的风控模型对应的目标反欺诈阈值；
根据所述新的风控模型，确定所述待检测事件对应的欺诈值；
基于所述欺诈值和所述目标反欺诈阈值，确定所述待检测事件是否属于欺诈事件。
4.如权利要求3所述的风控模型的动态调整方法，其特征在于，所述基于所述欺诈值和所述目标反欺诈阈值，确定所述待检测事件是否属于欺诈事件的步骤包括：
若所述欺诈值大于或等于所述目标反欺诈阈值，则将所述待检测事件作为欺诈事件；
若所述欺诈值小于所述目标反欺诈阈值，则将所述待检测事件作为正常事件。
5.如权利要求1所述的风控模型的动态调整方法，其特征在于，所述实时持续获取海量的在线的信用行为数据的步骤之后，还包括：
提取所述在线的信用行为数据的业务特征；
基于所述在线的信用行为数据的业务特征，构建业务数据库；
从所述业务数据库中获取重点情报信息，并将所述重点情报信息推送至业务端，以供所述业务端将所述重点情报信息输出至显示设备。
6.如权利要求5所述的风控模型的动态调整方法，其特征在于，所述将所述重点情报信息推送至业务端的步骤包括：
获取预设的邮件模板，并根据所述重点情报信息和所述邮件模板，确定情报邮件；
将所述情报邮件推送至业务端。
7.如权利要求1至6任一项所述的风控模型的动态调整方法，其特征在于，所述离线的信用行为数据包括从本地数据库和/或从第三方数据库中获取的历史的信用行为数据。
8.一种风控模型的动态调整装置，其特征在于，所述风控模型的动态调整装置包括：
数据采集模块，用于获取离线的信用行为数据，并将所述离线的信用行为数据作为离线训练样本；
模型训练模块，用于根据所述离线训练样本对预设模型进行训练，得到训练完成所述预设模型后对应的风控模型；
分布式处理模块，用于实时持续获取海量的在线的信用行为数据，并对所述在线的信用行为数据执行分布式处理操作，得到在线训练样本；
动态调整模块，用于根据所述在线训练样本和所述离线训练样本，对所述风控模型进行训练，得到新的风控模型。
9.一种风控模型的动态调整设备，其特征在于，所述风控模型的动态调整设备包括：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风控模型的动态调整程序，所述风控模型的动态调整程序被所述处理器执行时实现如权利要求1至7中任一项所述的风控模型的动态调整方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有风控模型的动态调整程序，所述风控模型的动态调整程序被处理器执行时实现如权利要求1至7中任一项所述的风控模型的动态调整方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110617734.4A CN113362069A (zh) | 2021-06-01 | 2021-06-01 | 风控模型的动态调整方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110617734.4A CN113362069A (zh) | 2021-06-01 | 2021-06-01 | 风控模型的动态调整方法、装置、设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113362069A true CN113362069A (zh) | 2021-09-07 |
Family
ID=77531507
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110617734.4A Pending CN113362069A (zh) | 2021-06-01 | 2021-06-01 | 风控模型的动态调整方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113362069A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114238269A (zh) * | 2021-12-03 | 2022-03-25 | 中兴通讯股份有限公司 | 数据库参数调整方法、装置、电子设备和存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106529773A (zh) * | 2016-10-31 | 2017-03-22 | 宜人恒业科技发展（北京）有限公司 | 一种基于验证码式问答的在线信用和欺诈风险评估方法 |
| CN109345260A (zh) * | 2018-10-09 | 2019-02-15 | 北京芯盾时代科技有限公司 | 一种欺诈检测模型训练方法和装置及欺诈检测方法和装置 |
| CN109410036A (zh) * | 2018-10-09 | 2019-03-01 | 北京芯盾时代科技有限公司 | 一种欺诈检测模型训练方法和装置及欺诈检测方法和装置 |
| CN110148001A (zh) * | 2019-04-29 | 2019-08-20 | 上海欣方智能系统有限公司 | 一种实现欺诈交易智能预警的系统及方法 |
| CN110956547A (zh) * | 2019-11-28 | 2020-04-03 | 广州及包子信息技术咨询服务有限公司 | 一种基于搜索引擎的实时识别欺诈团伙的方法及系统 |
| CN111143175A (zh) * | 2019-11-29 | 2020-05-12 | 北京浪潮数据技术有限公司 | 一种风险行为检测方法、装置、设备以及计算机存储介质 |
-
2021
- 2021-06-01 CN CN202110617734.4A patent/CN113362069A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106529773A (zh) * | 2016-10-31 | 2017-03-22 | 宜人恒业科技发展（北京）有限公司 | 一种基于验证码式问答的在线信用和欺诈风险评估方法 |
| CN109345260A (zh) * | 2018-10-09 | 2019-02-15 | 北京芯盾时代科技有限公司 | 一种欺诈检测模型训练方法和装置及欺诈检测方法和装置 |
| CN109410036A (zh) * | 2018-10-09 | 2019-03-01 | 北京芯盾时代科技有限公司 | 一种欺诈检测模型训练方法和装置及欺诈检测方法和装置 |
| CN110148001A (zh) * | 2019-04-29 | 2019-08-20 | 上海欣方智能系统有限公司 | 一种实现欺诈交易智能预警的系统及方法 |
| CN110956547A (zh) * | 2019-11-28 | 2020-04-03 | 广州及包子信息技术咨询服务有限公司 | 一种基于搜索引擎的实时识别欺诈团伙的方法及系统 |
| CN111143175A (zh) * | 2019-11-29 | 2020-05-12 | 北京浪潮数据技术有限公司 | 一种风险行为检测方法、装置、设备以及计算机存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114238269A (zh) * | 2021-12-03 | 2022-03-25 | 中兴通讯股份有限公司 | 数据库参数调整方法、装置、电子设备和存储介质 |
| WO2023098796A1 (zh) * | 2021-12-03 | 2023-06-08 | 中兴通讯股份有限公司 | 数据库参数调整方法、装置、电子设备和存储介质 |
| CN114238269B (zh) * | 2021-12-03 | 2024-01-23 | 中兴通讯股份有限公司 | 数据库参数调整方法、装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110245213B (zh) | 调查问卷生成方法、装置、设备和存储介质 | |
| CN111614690B (zh) | 一种异常行为检测方法及装置 | |
| CN107315810B (zh) | 一种物联网设备行为画像方法 | |
| CN110442712B (zh) | 风险的确定方法、装置、服务器和文本审理系统 | |
| CN109120429B (zh) | 一种风险识别方法及系统 | |
| CN111611519B (zh) | 一种个人异常行为检测方法及装置 | |
| CN110287316A (zh) | 一种告警分类方法、装置、电子设备及存储介质 | |
| CN111582757B (zh) | 欺诈风险的分析方法、装置、设备及计算机可读存储介质 | |
| CN112995414B (zh) | 基于语音通话的行为质检方法、装置、设备及存储介质 | |
| CN111818198A (zh) | 域名检测方法、域名检测装置和设备以及介质 | |
| CN115941322B (zh) | 基于人工智能的攻击检测方法、装置、设备及存储介质 | |
| CN111754241A (zh) | 一种用户行为感知方法、装置、设备及介质 | |
| CN112307464A (zh) | 诈骗识别方法、装置及电子设备 | |
| CN117520907A (zh) | 一种异常数据的检测方法、装置以及存储介质 | |
| CN113568934B (zh) | 一种数据查询方法、装置、电子设备和存储介质 | |
| CN113282920B (zh) | 日志异常检测方法、装置、计算机设备和存储介质 | |
| CN113918949A (zh) | 基于多模态融合的诈骗app的识别方法 | |
| CN110795980A (zh) | 基于网络视频的逃犯识别方法、设备、存储介质及装置 | |
| CN112732693B (zh) | 智能化物联网数据采集方法、装置、设备及存储介质 | |
| CN113362069A (zh) | 风控模型的动态调整方法、装置、设备及可读存储介质 | |
| CN110704614B (zh) | 对应用中的用户群类型进行预测的信息处理方法及装置 | |
| CN111651657B (zh) | 情报监控方法、装置、设备及计算机可读存储介质 | |
| CN111416744B (zh) | 互联网线上监控报警的方法及装置 | |
| CN113691525A (zh) | 一种流量数据处理方法、装置、设备及存储介质 | |
| CN114189585A (zh) | 骚扰电话异常检测方法、装置及计算设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210907 |