CN113408893A - 风险预警方法及装置 - Google Patents
风险预警方法及装置 Download PDFInfo
- Publication number
- CN113408893A CN113408893A CN202110676899.9A CN202110676899A CN113408893A CN 113408893 A CN113408893 A CN 113408893A CN 202110676899 A CN202110676899 A CN 202110676899A CN 113408893 A CN113408893 A CN 113408893A
- Authority
- CN
- China
- Prior art keywords
- early warning
- risk early
- risk
- warning model
- entity
- 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 60
- 230000006399 behavior Effects 0.000 claims description 63
- 230000014509 gene expression Effects 0.000 claims description 55
- 230000009471 action Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000012546 transfer Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000003999 initiator Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001356 surgical procedure 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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Animal Behavior & Ethology (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请实施例提供一种风险预警方法及装置,该方法包括:接收业务服务器发送的风险预警请求,风险预警请求中包含有目标业务的交易数据;将交易数据输入风险预警模型,并获取风险预警模型输出的风险预警结果,风险预警模型是以结构化语言描述的,由场景、分隔符和行为三个逻辑实体组成的预警模型;将风险预警结果发送给业务服务器。通过该方式,由于风险预警模型是以结构化语言描述的,从而避免了以自然语言进行描述时产生的不确定性和二义性,提高了风险预警的准确性。
Description
技术领域
本发明涉及信息技术技术领域,尤其涉及一种风险预警方法及装置。
背景技术
近年来,随着信息技术的飞速发展,在银行、保险、通信、交通运输等行业中,在联机业务进行中实时进行风险检查,并对发现有潜在风险的隐患业务进行预警和管控的需求越发突出。
相关技术中,通常采用风险预警模型进行风险检查和预警处置,风险预警模型既要解析联机业务的报文中的关键数据项,也需要对用户历史行为进行挖掘,最终判断每个场景下系统应该采取的动作行为。
然而,现有的风险预警模型通常使用自然语言作为报文的主要描述工具,由于自然语言在描述逻辑性和关联性较为复杂的场景时,经常出现过于冗余繁复或产生语义上的二义性,从而降低了风险预警的准确性。
发明内容
本申请实施例提供一种风险预警方法及装置,以解决现有技术中风险预警的准确性不高的技术问题。
第一方面,本申请实施例提供一种风险预警方法,所述方法包括:
接收业务服务器发送的风险预警请求,所述风险预警请求中包含有目标业务的交易数据;
将所述交易数据输入风险预警模型,并获取所述风险预警模型输出的风险预警结果,所述风险预警模型是以结构化语言描述的,由场景、分隔符和行为三个逻辑实体组成的预警模型;
将所述风险预警结果发送给所述业务服务器。
一种可选的实施方式中,在所述接收业务服务器发送的风险预警请求之前,所述方法还包括:
根据以自然语言描述的风险预警规范,建立所述风险预警模型。
一种可选的实施方式中,所述建立所述风险预警模型,包括:
根据所述风险预警规范的类型,确定所述风险预警模型的规则项;
根据所述风险预警模型的规则项的表达式,确定所述风险预警模型的场景实体;
根据所述风险预警规范的类型,确定所述风险预警模型的场景实体对应的行为实体;
将所述场景实体和所述场景实体对应的行为实体组合所述风险预警模型。
一种可选的实施方式中,所述确定所述风险预警模型的场景实体,包括:
从所述风险预警规范中确定出所述规则项的表达式之间的逻辑运算符;
将所述规则项的表达式和所述规则项的表达式之间的逻辑运算符组合成所述风险预警模型的场景实体。
一种可选的实施方式中,所述确定所述风险预警模型的场景实体对应的行为实体,包括:
从所述风险预警规范中提取出所述风险预警模型的场景实体对应的预警类型、风险预警动作和提示信息;
将所述预警类型、所述风险预警动作和所述提示信息组合成所述风险预警模型的场景实体对应的行为实体。
一种可选的实施方式中,所述规则项的表达式包括规则项标识、运算符、常量、内置函数。
第二方面,本申请实施例提供一种风险预警装置,所述装置包括:
接收模块,用于接收业务服务器发送的风险预警请求,所述风险预警请求中包含有目标业务的交易数据;
处理模块,用于将所述交易数据输入风险预警模型,并获取所述风险预警模型输出的风险预警结果,所述风险预警模型是以结构化语言描述的,由场景、分隔符和行为三个逻辑实体组成的预警模型;
发送模块,用于将所述风险预警结果发送给所述业务服务器。
一种可选的实施方式中,所述处理模块,还用于根据以自然语言描述的风险预警规范,建立所述风险预警模型。
一种可选的实施方式中,所述处理模块,具体用于根据所述风险预警规范的类型,确定所述风险预警模型的规则项;根据所述风险预警模型的规则项的表达式,确定所述风险预警模型的场景实体;根据所述风险预警规范的类型,确定所述风险预警模型的场景实体对应的行为实体;将所述场景实体和所述场景实体对应的行为实体组合所述风险预警模型。
一种可选的实施方式中,所述处理模块,具体用于从所述风险预警规范中确定出所述规则项的表达式之间的逻辑运算符;将所述规则项的表达式和所述规则项的表达式之间的逻辑运算符组合成所述风险预警模型的场景实体。
一种可选的实施方式中,所述处理模块,具体用于从所述风险预警规范中提取出所述风险预警模型的场景实体对应的预警类型、风险预警动作和提示信息;将所述预警类型、所述风险预警动作和所述提示信息组合成所述风险预警模型的场景实体对应的行为实体。
一种可选的实施方式中,所述规则项的表达式包括规则项标识、运算符、常量、内置函数。
第三方面,本申请还提供一种电子设备,包括:
处理器;以及
存储器,用于存储所述处理器的计算机程序;
其中,所述处理器被配置为通过执行所述计算机程序来实现第一方面中任意一种可能的方法。
第四方面,本申请还提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现第一方面任意一项所述的方法。
第五方面,本发明还提供一种存储有计算机指令的非瞬时计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面中任意一种可能的方法。
本申请实施例提供的风险预警方法及装置,首先接收业务服务器发送的风险预警请求,该风险预警请求中包含有目标业务的交易数据。随后,将交易数据输入风险预警模型,并获取风险预警模型输出的风险预警结果,该风险预警模型是以结构化语言描述的,由场景、分隔符和行为三个逻辑实体组成的预警模型。最后,将风险预警结果发送给业务服务器。通过该方式,由于风险预警模型是以结构化语言描述的,从而避免了以自然语言进行描述时产生的不确定性和二义性,提高了风险预警的准确性。
附图说明
为了更清楚地说明本发明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一简单地介绍,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性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种风险预警的场景示意图;
图2为本申请实施例提供的一种风险预警方法的流程示意图;
图3为本申请实施例提供的另一种风险预警方法的流程示意图;
图4为本申请实施例提供的再一种风险预警方法的流程示意图;
图5为本申请实施例提供的一种风险预警装置的结构示意图;
图6为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
近年来,随着信息技术的飞速发展,在银行、保险、通信、交通运输等行业中,在联机业务进行中实时进行风险检查,并对发现有潜在风险的隐患业务进行预警和管控的需求越发突出。
相关技术中,通常采用风险预警模型进行风险检查和预警处置,风险预警模型既要解析联机业务的报文中的关键数据项,也需要对用户历史行为进行挖掘,最终判断每个场景下系统应该采取的动作行为。
然而,现有的风险预警模型通常使用自然语言作为报文的主要描述工具,由于自然语言在描述逻辑性和关联性较为复杂的场景时,经常出现过于冗余繁复或产生语义上的二义性,从而降低了风险预警的准确性。
为解决上述问题,本申请实施例提供一种风险预警方法及装置,通过将风险预警模型以结构化语言描述而非以自然语言描述,从而免了以自然语言进行描述时产生的不确定性和二义性,提高了风险预警的准确性。
下面首先对本申请实施例涉及的名称进行解释。
规则项:用于对业务场景进行定义,也可以称为条件项。
场景:由一条或多条规则项描述的业务场景。
行为:是指在某个场景下,系统所采取的风险预警动作。
下面对本申请实施例涉及的应用场景进行说明。
图1为本申请实施例提供的一种风险预警的场景示意图。如图1所示,联机业务系统将联机报文送给风险预警系统,风险预警系统接收到联机报文后,可以使用预先保存的风险预警模型,从联机报文中获取相应交易数据,从而使风险预警系统可以根据交易数据进行第一轮风险预警筛查,与此同时,风险预警系统还可以基于风险预警模型和交易数据,从用户历史行为存档库中检索用户的历史行为,并获取检索结果。随后,风险预警系统根据用户的历史行为和风险预警模型,进行第二轮风险预警筛查。经过两轮风险预警筛查,风险预警系统可以确定预警行为,并将预警行为发送给联机系统。
应理解,在图1所示的应用中,涉及了联机系统、风险预警系统和客户历史行为存档三个参与主体。其中,联机系统是发起方,用于将联机报文发送给风险预警系统,从而使得风险预警根据风险预警模型,从联机报文中获取交易数据,并根据交易数据进行第一轮的风险预警筛查。若风险预警模型还需要分析用户的历史行为,则从联机报文中获取历史行为所需关键信息,并根据历史行为所需关键信息和配置信息,从历史行为存档库进行检索分析。最后,风险预警系统根据模型设置和风险预警筛查结果,确定预警行为,并将预警行为发送给联机系统。
需要说明的是,上述联机系统、风险预警系统和客户历史行为存档可以承载于不同的终端设备或服务器中。其中,服务器可以是但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算的由大量计算机或网络服务器构成的云。终端设备可以为手机(mobile phone)、平板电脑(pad)、带无线收发功能的电脑、虚拟现实(virtual reality,VR)终端设备、增强现实(augmented reality,AR)终端设备、无人驾驶(self driving)中的无线终端、远程手术(remote medical surgery)中的无线终端、智能电网(smart grid)中的无线终端、智慧家庭(smart home)中的无线终端等。本申请实施例中,用于实现终端的功能的装置可以是终端,也可以是能够支持终端实现该功能的装置,例如芯片系统,该装置可以被安装在终端中。本申请实施例中,芯片系统可以由芯片构成,也可以包括芯片和其他分立器件。
应理解,本申请技术方案的应用场景可以是图1中的风险预警场景,但不限于此,还可以应用于其他需要进行风险预警的场景中。
可以理解,本申请实施例提供的风险预警方法可以通过本申请实施例提供的风险预警装置实现,风险预警装置可以是某个设备的部分或全部,例如服务器。
下面以集成或安装有相关执行代码的风险预警服务器为例,以具体地实施例对本申请实施例的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图2为本申请实施例提供的一种风险预警方法的流程示意图,本实施例涉及的是如何进行风险预警筛查的过程,本申请实施例的执行主体为风险预警服务器。如图2所示,该方法包括:
S201、接收业务服务器发送的风险预警请求,风险预警请求中包含有目标业务的交易数据。
在本申请实施例中,当联机业务系统产生交易行为时,联机业务系统的服务器可以向风险预警服务器发送风险预警请求,该风险预警请求中包含有目标业务的交易数据。
需要说明的是,本申请实施例对于目标业务的交易数据的内容不做限制,可以根据实际情况具体设置,在一些实施例中,目标业务的交易数据承载于联机报文中。
S202、将交易数据输入风险预警模型,并获取风险预警模型输出的风险预警结果,风险预警模型是以结构化语言描述的,由场景、分隔符和行为三个逻辑实体组成的预警模型。
在本步骤中,当风险预警服务器接收到风险预警请求中,可以将风险预警请求中的交易数据输入风险预警模型,以便风险预警模型对交易数据进行风险预警筛查。在完成风险预警筛查后,风险预警模型可以输出风险预警结果。
应理解,本申请实施例对于风险预警结果的内容不做限制,在一些实施例中,风险预警结果中可以指示目标业务的交易数据是否具有风险,在另一些实施例中,若目标业务的交易数据具有风险,风险预警结果中也可以包含具体的预警行为。
应理解,本申请实施例对于风险预警模型如何对目标业务的交易数据进行风险预警筛查也不做限制,在一些实施例中,风险预警模可以先根据目标业务的交易数据进行第一轮风险预警筛查,再从用户历史行为存档库中检索用户的历史行为,并根据用户的历史行为信息和预警模型,进行第二轮风险预警筛查,以便确定更精确的风险预警结果。
需要说明的是,本申请实施例提供的风险预警模型是以结构化语言描述的,而非以自然语言描述的。
应理解,自然语言是人们在长期生活交流形成并逐渐发展起来的一种交流工具,自然语言自身存在诸如二义性、语气、比喻等属性,在对逻辑性、严谨性要求较强场合运用时,有时需要通过大量的重复、反证、冗余来解决二义性的问题。在要求更高场景中,则通常使用多种自然语言来记录同一份决议,从而防止对同一句话的不同解读。结构化语言可以理解为一种简易化的形式语言,其在描述第二报文的过程中每个环节都定义相应的规范。
相比于自然语言描述,采用结构化语言可以避免了不确定性和二义性,提高了风险预警的准确性。
下面对于如何建立风险预警模型进行说明。
在本申请中,在进行风险预警前,风险预警服务器可以将以自然语言描述的风险预警规范进行转换,从而建立以结构化语言描述的风险预警模型。
需要说明的是,本申请实施例对于如何建立以结构化语言描述的风险预警模型不做限制,在一些实施例中,风险预警服务器可以先根据风险预警规范的类型,确定风险预警模型的规则项。其次,风险预警服务器再根据风险预警模型的规则项的表达式,确定风险预警模型的场景实体。再次,风险预警服务器根据风险预警规范的类型,确定风险预警模型的场景实体对应的行为实体。最后,风险预警服务器将场景实体和场景实体对应的行为实体组合风险预警模型。
示例性的,若风险预警规范为“从联机报文中获取客户号”,则风险预警服务器可以将其转换为风险预警模型中的结构化描述“交易.客户号”;示例性的,若风险预警规范为“检查联机报文中的客户号是否为12345,如果是,则记录该笔交易信息到登记簿,并提示联机系统:‘重点关注客户’”,则风险预警服务器可以将其转换为风险预警模型中的结构化描述“交易.客户号=“12345”;预警,记入登记簿,重点关注客户”。
本申请实施例对于风险预警服务器如何确定风险预警模型的场景实体也不做限制,在一些实施例中,风险预警服务器可以从风险预警规范中确定出规则项的表达式之间的逻辑运算符,随后,再将规则项的表达式和规则项的表达式之间的逻辑运算符组合成风险预警模型的场景实体。
本申请实施例对于风险预警服务器如何确定风险预警模型的场景实体对应的行为实体也不做限制,在一些实施例中,风险预警服务器可以从风险预警规范中提取出风险预警模型的场景实体对应的预警类型、风险预警动作和提示信息,随后,再将预警类型、风险预警动作和提示信息组合成风险预警模型的场景实体对应的行为实体。
其中,规则项的表达式包括规则项标识、运算符、常量、内置函数。
S203、将风险预警结果发送给业务服务器。
本申请实施例提供的风险预警方法,首先接收业务服务器发送的风险预警请求,该风险预警请求中包含有目标业务的交易数据。随后,将交易数据输入风险预警模型,并获取风险预警模型输出的风险预警结果,该风险预警模型是以结构化语言描述的,由场景、分隔符和行为三个逻辑实体组成的预警模型。最后,将风险预警结果发送给业务服务器。通过该方式,由于风险预警模型是以结构化语言描述的,从而避免了以自然语言进行描述时产生的不确定性和二义性,提高了风险预警的准确性。
在上述实施例的基础上,下面对于如何建立风险预警模型的过程进行说明。图3为本申请实施例提供的另一种风险预警方法的流程示意图,如图3所示,该方法包括:
S301、根据风险预警规范的类型,确定风险预警模型的规则项。
在一些实施例中,根据风险预警规范的来源和用途,风险预警规范可以分为不同的类型,进而其对应的风险预警模型的规则项可以进一步细分为不同的类型。
需要说明的是,本申请实施例中,风险预警规范中可以确定一个规则项,也可以确定多个规则项,本申请实施例对此不做限制。
示例性的,表1为本申请实施例提供的一种规则项的分类表。规则项可以进一步细分为交易类规则项、统计类规则项和配置类规则项。
表1
S302、根据风险预警模型的规则项的表达式,确定风险预警模型的场景实体。
在本步骤,当风险预警服务器确定规则项后,可以确定每个规则项的表达式,进而将规则项的表达式组合为风险预警模型的场景实体。
其中,规则项的表达式可以规则项标识、运算符、常量、内置函数,规则项的表达式的结构与一般代数符号规则一致。
示例性的,规则项的表达式可以为“配置.系统风险检查级别=‘中’”、“交易.账号=‘1234567890’”。
需要说明的是,为了提高规则项的表达式的复用度,可以对规则项的表达式进行命名,在后续场景描述时,可以直接使用规则项的表达式的名称进行引用。示例性的,规则项的表达式的名称使用【】进行标识。
应理解,本申请实施例对于如何将规则项的表达式组合为风险预警模型的场景实体不做限制,在一些实施例中,风险预警服务器可以从风险预警规范中确定出规则项的表达式之间的逻辑运算符。随后,再将规则项的表达式和规则项的表达式之间的逻辑运算符组合成风险预警模型的场景实体。
其中,表达式之间的逻辑运算符可以包括:和(AND)、或(OR)、否(NOT)。服务器可以通过识别风险预警规范中的自然语言的语义进行确定。
应理解,风险预警模型的场景实体可以通过规则项的表达式和规则项的表达式之间的逻辑运算符组成,在一些实施例中,还可以添加相应的括号进行连接。风险预警模型的场景实体的结构与一般逻辑表达式的规则一致,其可以只包含一条规则项表达式,也可以包含多条规则项表达式。
示例性的,风险预警模型的场景实体可以为“交易.账号=‘1234567890’”,也可以为“统计.挂失日期[账号,交易.账号]-Now()<3AND(交易.交易类型=“销户”OR(交易.交易类型=“转账”AND交易.交易金额>100万))”。
需要说明的是,为了提升场景实体的复用度,可以对场景实体进行命名。在后续场景描述时,可以直接使用场景实体的名称进行引用。场景实体的名称同样也使用【】进行标识。相应的,风险预警模型的场景实体还可以为“【三日内账号挂失】AND(交易.交易类型=“销户”OR(交易.交易类型=“转账”AND交易.交易金额>100万))”。
需要说明的是,本申请实施例中,在规则项表达式编写过程中,会遇到一些类似获取当前日期等需求。为简化表达式的编写,可以采用内置函数。示例性的,可以采用内置函数Now(format),获取系统的当前日期或时间。
S303、根据风险预警规范的类型,确定风险预警模型的场景实体对应的行为实体。
在本步骤中,风险预警服务器可在确定风险预警模型的场景实体后,还可以根据风险预警规范的类型,确定风险预警模型的场景实体对应的行为实体。
应理解,本申请实施例对于如何确定风险预警模型的场景实体对应的行为实体不做限制,在一些实施例中,风险预警服务器可以先从风险预警规范中提取出风险预警模型的场景实体对应的预警类型、风险预警动作和提示信息。随后,再将预警类型、风险预警动作和提示信息组合成风险预警模型的场景实体对应的行为实体。
其中,行为实体是指场景实体满足相应规则项后,应采取的风险预警动作,一般可以包括预警类型、风险预警动作和提示信息。其中,预警类型和提示信息可以为空,预警类型的取值可以包括:放行、预警、阻止。
示例性的,行为实体可以为“放行”,也可以为“预警,记入登记簿,‘客户身份信息需要核查’”。
S304、将场景实体和场景实体对应的行为实体组合风险预警模型。
在本步骤中,风险预警服务器在确定场景实体和场景实体对应的行为实体后,可以将场景实体和场景实体对应的行为实体组合风险预警模型。
本申请实施例对于如何将场景实体和场景实体对应的行为实体组合风险预警模型不做限制,在一些实施例中,可以在场景实体和行为实体之间设置分隔符。
示例性的,分隔符使用连续两个分号表示。例如:“统计.当日交易累计金额(账号,交易.账号)>500万;;预警,记入登记簿,‘客户当日交易累计金额大于500万’”。
S301-S304的技术名词、技术效果、技术特征,以及可选实施方式,可参照图2所示的S201-S203理解,对于重复的内容,在此不再累述。
在上述实施例的基础上,下面提供一种完整的建立风险预警模型的过程的流程。图4为本申请实施例提供的再一种风险预警方法的流程示意图,如图4所示,该方法包括:
S401、根据风险预警规范的类型,确定风险预警模型的规则项。
S402、从风险预警规范中确定出规则项的表达式之间的逻辑运算符。
S403、将规则项的表达式和规则项的表达式之间的逻辑运算符组合成风险预警模型的场景实体。
S404、从风险预警规范中提取出风险预警模型的场景实体对应的预警类型、风险预警动作和提示信息。
S405、将预警类型、风险预警动作和提示信息组合成风险预警模型的场景实体对应的行为实体。
S406、将场景实体和场景实体对应的行为实体组合风险预警模型。
S401-S406的技术名词、技术效果、技术特征,以及可选实施方式,可参照图2所示的S201-S203理解,对于重复的内容,在此不再累述。
下面提供几种根据风险预警规范生成风险预警模型的示例。
示例性的,风险预警规范为:从交易报文中取出账号和交易类型,在历史库中检查该账户是否在最近3天内进行过挂失,如果进行了挂失,则检查本笔交易是否是销户交易,或者是否是大额转账,转账金额大于100万。如果满足上述条件,则进行风险预警,提示柜员“该客户在账户挂失后短期内转出资金或销户”。
相应的,生成的风险预警模型可以为:统计.挂失日期[账号,交易.账号]-Now(YYYYMMDD)<3AND(交易.交易类型=“销户”OR(交易.交易类型=“转账”AND交易.交易金额>100万));;预警,“该客户在账户挂失后短期内转出资金或销户”。
示例性的,风险预警规范为:检查联机交易报文中客户身份信息,如果该客户在过去5天内累计购票超过10张,在过去30天内累计购票超过50张,则记入登记簿,留待进一步分析。
相应的,生成的风险预警模型可以为:统计.购票数(客户,交易.客户号|开始日期,Now()-5|结束日期,Now())>10张AND统计.购票数(客户,交易.客户号|开始日期,Now()-30|结束日期,Now())>50张;;放行,记入登记薄。
本申请实施例提供的风险预警模型,扩展性高、适用面广,扩展性高、适用面广。同时,由于场景实体和规则项的命名支持和复用支持,可很大程度上简化了场景描述篇幅,特别是对复杂场景的引用,使场景描述层次感更强,可读性更高。
本申请实施例提供的风险预警方法,首先接收风险预警请求,风险预警请求中包含有以自然语言描述的第一报文。随后,将第一报文转化为以结构化语言描述的第二报文,第二报文由场景信息和行为信息组成。最后,根据第二报文,进行风险预警筛查。通过该方式,可以将以自然语言描述的第一报文转换为以结构化语言描述的第二报文,从而避免了以自然语言进行描述时产生的不确定性和二义性,提高了风险预警的准确性。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
图5为本申请实施例提供的一种风险预警装置的结构示意图。该风险预警装置可以通过软件、硬件或者两者的结合实现,可例如上述实施例中的服务器,以执行上述实施例中的风险预警方法。如图5所示,该风险预警装置500包括:
接收模块501,用于接收业务服务器发送的风险预警请求,风险预警请求中包含有目标业务的交易数据;
处理模块502,用于将交易数据输入风险预警模型,并获取风险预警模型输出的风险预警结果,风险预警模型是以结构化语言描述的,由场景、分隔符和行为三个逻辑实体组成的预警模型;
发送模块503,用于将风险预警结果发送给业务服务器。
一种可选的实施方式中,处理模块502,还用于根据以自然语言描述的风险预警规范,建立风险预警模型。
一种可选的实施方式中,处理模块502,具体用于根据风险预警规范的类型,确定风险预警模型的规则项;根据风险预警模型的规则项的表达式,确定风险预警模型的场景实体;根据风险预警规范的类型,确定风险预警模型的场景实体对应的行为实体;将场景实体和场景实体对应的行为实体组合风险预警模型。
一种可选的实施方式中,处理模块502,具体用于从风险预警规范中确定出规则项的表达式之间的逻辑运算符;将规则项的表达式和规则项的表达式之间的逻辑运算符组合成风险预警模型的场景实体。
一种可选的实施方式中,处理模块502,具体用于从风险预警规范中提取出风险预警模型的场景实体对应的预警类型、风险预警动作和提示信息;将预警类型、风险预警动作和提示信息组合成风险预警模型的场景实体对应的行为实体。
一种可选的实施方式中,规则项的表达式包括规则项标识、运算符、常量、内置函数。
需要说明的,图5所示实施例提供的风险预警装置,可用于执行上述任意实施例所提供的方法,具体实现方式和技术效果类似,这里不再进行赘述。
图6为本申请实施例提供的一种电子设备的结构示意图。如图6所示,该电子设备可以包括:至少一个处理器601和存储器602。图6示出的是以一个处理器为例的电子设备。
存储器602,用于存放程序。具体地,程序可以包括程序代码,程序代码包括计算机操作指令。
存储器602可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
处理器601用于执行存储器602存储的计算机执行指令,以实现上述风险预警方法;
其中,处理器601可能是一个中央处理器(Central Processing Unit,简称为CPU),或者是特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路。
可选的,在具体实现上,如果通信接口、存储器602和处理器601独立实现,则通信接口、存储器602和处理器601可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture,简称为ISA)总线、外部设备互连(Peripheral Component,简称为PCI)总线或扩展工业标准体系结构(Extended IndustryStandard Architecture,简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果通信接口、存储器602和处理器601集成在一块芯片上实现,则通信接口、存储器602和处理器601可以通过内部接口完成通信。
本申请实施例还提供了一种芯片,包括处理器和接口。其中接口用于输入输出处理器所处理的数据或指令。处理器用于执行以上方法实施例中提供的方法。该芯片可以应用于风险预警装置中。
本申请还提供了一种计算机可读存储介质,该计算机可读存储介质可以包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、磁盘或者光盘等各种可以存储程序代码的介质,具体的,该计算机可读存储介质中存储有程序信息,程序信息用于上述风险预警方法。
本申请实施例还提供一种程序,该程序在被处理器执行时用于执行以上方法实施例提供的风险预警方法。
本申请实施例还提供一种程序产品,例如计算机可读存储介质,该程序产品中存储有指令,当其在计算机上运行时,使得计算机执行上述方法实施例提供的风险预警方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本发明实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (15)
1.一种风险预警方法,其特征在于,所述方法包括:
接收业务服务器发送的风险预警请求,所述风险预警请求中包含有目标业务的交易数据;
将所述交易数据输入风险预警模型,并获取所述风险预警模型输出的风险预警结果,所述风险预警模型是以结构化语言描述的,由场景、分隔符和行为三个逻辑实体组成的预警模型;
将所述风险预警结果发送给所述业务服务器。
2.根据权利要求1所述的方法,其特征在于,在所述接收业务服务器发送的风险预警请求之前,所述方法还包括:
根据以自然语言描述的风险预警规范,建立所述风险预警模型。
3.根据权利要求2所述的方法,其特征在于,所述建立所述风险预警模型,包括:
根据所述风险预警规范的类型,确定所述风险预警模型的规则项;
根据所述风险预警模型的规则项的表达式,确定所述风险预警模型的场景实体;
根据所述风险预警规范的类型,确定所述风险预警模型的场景实体对应的行为实体;
将所述场景实体和所述场景实体对应的行为实体组合所述风险预警模型。
4.根据权利要求3所述的方法,其特征在于,所述确定所述风险预警模型的场景实体,包括:
从所述风险预警规范中确定出所述规则项的表达式之间的逻辑运算符;
将所述规则项的表达式和所述规则项的表达式之间的逻辑运算符组合成所述风险预警模型的场景实体。
5.根据权利要求3所述的方法,其特征在于,所述确定所述风险预警模型的场景实体对应的行为实体,包括:
从所述风险预警规范中提取出所述风险预警模型的场景实体对应的预警类型、风险预警动作和提示信息;
将所述预警类型、所述风险预警动作和所述提示信息组合成所述风险预警模型的场景实体对应的行为实体。
6.根据权利要求3-5任一项所述的方法,其特征在于,所述规则项的表达式包括规则项标识、运算符、常量、内置函数。
7.一种风险预警装置,其特征在于,所述装置包括:
接收模块,用于接收业务服务器发送的风险预警请求,所述风险预警请求中包含有目标业务的交易数据;
处理模块,用于将所述交易数据输入风险预警模型,并获取所述风险预警模型输出的风险预警结果,所述风险预警模型是以结构化语言描述的,由场景、分隔符和行为三个逻辑实体组成的预警模型;
发送模块,用于将所述风险预警结果发送给所述业务服务器。
8.根据权利要求7所述的装置,其特征在于,所述处理模块,还用于根据以自然语言描述的风险预警规范,建立所述风险预警模型。
9.根据权利要求8所述的装置,其特征在于,所述处理模块,具体用于根据所述风险预警规范的类型,确定所述风险预警模型的规则项;根据所述风险预警模型的规则项的表达式,确定所述风险预警模型的场景实体;根据所述风险预警规范的类型,确定所述风险预警模型的场景实体对应的行为实体;将所述场景实体和所述场景实体对应的行为实体组合所述风险预警模型。
10.根据权利要求9所述的装置,其特征在于,所述处理模块,具体用于从所述风险预警规范中确定出所述规则项的表达式之间的逻辑运算符;将所述规则项的表达式和所述规则项的表达式之间的逻辑运算符组合成所述风险预警模型的场景实体。
11.根据权利要求9所述的装置,其特征在于,所述处理模块,具体用于从所述风险预警规范中提取出所述风险预警模型的场景实体对应的预警类型、风险预警动作和提示信息;将所述预警类型、所述风险预警动作和所述提示信息组合成所述风险预警模型的场景实体对应的行为实体。
12.根据权利要求9-11任一项所述的装置,其特征在于,所述规则项的表达式包括规则项标识、运算符、常量、内置函数。
13.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-6任意一项所述的方法。
14.一种计算机存储介质,其特征在于,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行如权利要求1-6任意一项的方法步骤。
15.一种电子设备,其特征在于,包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行如权利要求1-6任意一项的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110676899.9A CN113408893A (zh) | 2021-06-18 | 2021-06-18 | 风险预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110676899.9A CN113408893A (zh) | 2021-06-18 | 2021-06-18 | 风险预警方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113408893A true CN113408893A (zh) | 2021-09-17 |
Family
ID=77681373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110676899.9A Pending CN113408893A (zh) | 2021-06-18 | 2021-06-18 | 风险预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113408893A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138575A (zh) * | 2015-07-29 | 2015-12-09 | 百度在线网络技术(北京)有限公司 | 语音文本串的解析方法和装置 |
US20180052824A1 (en) * | 2016-08-19 | 2018-02-22 | Microsoft Technology Licensing, Llc | Task identification and completion based on natural language query |
CN109684180A (zh) * | 2018-12-20 | 2019-04-26 | 北京百度网讯科技有限公司 | 用于输出信息的方法和装置 |
CN111026749A (zh) * | 2019-11-11 | 2020-04-17 | 支付宝(杭州)信息技术有限公司 | 业务告警方法及装置 |
CN111915154A (zh) * | 2020-07-13 | 2020-11-10 | 上海冰鉴信息科技有限公司 | 企业综合风险预警级别确定方法及装置 |
CN112615742A (zh) * | 2020-12-18 | 2021-04-06 | 北京百度网讯科技有限公司 | 用于预警的方法、装置、设备以及存储介质 |
CN112786205A (zh) * | 2020-12-31 | 2021-05-11 | 医渡云(北京)技术有限公司 | 基于数据模型的症候群预警方法、装置、介质及设备 |
-
2021
- 2021-06-18 CN CN202110676899.9A patent/CN113408893A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138575A (zh) * | 2015-07-29 | 2015-12-09 | 百度在线网络技术(北京)有限公司 | 语音文本串的解析方法和装置 |
US20180052824A1 (en) * | 2016-08-19 | 2018-02-22 | Microsoft Technology Licensing, Llc | Task identification and completion based on natural language query |
CN109684180A (zh) * | 2018-12-20 | 2019-04-26 | 北京百度网讯科技有限公司 | 用于输出信息的方法和装置 |
CN111026749A (zh) * | 2019-11-11 | 2020-04-17 | 支付宝(杭州)信息技术有限公司 | 业务告警方法及装置 |
CN111915154A (zh) * | 2020-07-13 | 2020-11-10 | 上海冰鉴信息科技有限公司 | 企业综合风险预警级别确定方法及装置 |
CN112615742A (zh) * | 2020-12-18 | 2021-04-06 | 北京百度网讯科技有限公司 | 用于预警的方法、装置、设备以及存储介质 |
CN112786205A (zh) * | 2020-12-31 | 2021-05-11 | 医渡云(北京)技术有限公司 | 基于数据模型的症候群预警方法、装置、介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110795697A (zh) | 逻辑表达式的获取方法、装置、存储介质以及电子装置 | |
CN107025145B (zh) | 错误码解析方法及装置 | |
CN111104556A (zh) | 一种业务处理方法和装置 | |
CN114491220A (zh) | 对象处理方法、装置、设备及介质 | |
CN113609020A (zh) | 一种测试用例推荐方法及装置 | |
CN113360043A (zh) | 业务处理方法及设备 | |
CN112637222A (zh) | 一种请求的处理方法及装置 | |
CN112561690A (zh) | 信用卡分期业务接口的测试方法、系统、设备及存储介质 | |
CN110070383B (zh) | 基于大数据分析的异常用户识别方法及装置 | |
CN113408893A (zh) | 风险预警方法及装置 | |
CN115712917A (zh) | 敏感数据的脱敏方法及装置、电子设备、存储介质 | |
CN110266610B (zh) | 流量识别方法、装置、电子设备 | |
CN113961632A (zh) | 消息数据处理方法、装置及电子设备 | |
CN113449506A (zh) | 一种数据检测方法、装置、设备及可读存储介质 | |
CN108510071B (zh) | 数据的特征提取方法、装置及计算机可读存储介质 | |
CN113469732A (zh) | 基于内容理解的审核方法、装置及电子设备 | |
CN111625458A (zh) | 业务系统测试方法、装置及设备 | |
CN108509478B (zh) | 规则引擎文件的拆分调用方法、电子装置及存储介质 | |
CN113673890B (zh) | 云手机资源订单处理方法、相关装置及计算机程序产品 | |
CN111652747B (zh) | 电子保单处理方法、装置、设备及计算机可读存储介质 | |
CN112035613B (zh) | 基于多轮对话的信息推送方法及装置、存储介质、电子装置 | |
CN111291644B (zh) | 用于处理信息的方法和装置 | |
CN109447386B (zh) | 工作考核方法及终端设备 | |
CN113450153A (zh) | 数据处理方法及装置 | |
CN115525676A (zh) | 业务数据的对账方法及装置 |
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 |