CN113487225B - 一种风险控制方法、系统、设备及介质 - Google Patents
一种风险控制方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN113487225B CN113487225B CN202110841290.2A CN202110841290A CN113487225B CN 113487225 B CN113487225 B CN 113487225B CN 202110841290 A CN202110841290 A CN 202110841290A CN 113487225 B CN113487225 B CN 113487225B
- Authority
- CN
- China
- Prior art keywords
- sample
- target
- risk control
- sample area
- area
- 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
- 238000012954 risk control Methods 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012216 screening Methods 0.000 claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims description 97
- 230000008569 process Effects 0.000 claims description 21
- 238000001914 filtration Methods 0.000 claims description 8
- 238000013461 design Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 12
- 241000565357 Fraxinus nigra Species 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 230000003993 interaction Effects 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 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
- 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种风险控制方法、系统、设备及介质,包括:获取样本数据集;按照预设比例计算样本数据集中每个样本的目标分位数;根据目标分位数筛选出目标样本区域,目标样本区域包含一个或多个样本;根据筛选出的目标样本区域确定风险控制规则,并利用风险控制规则对一个或多个目标对象进行风险控制。本发明设计了一套基于区域浓度的风控/反欺诈规则的方案,可以从高纬特征空间中提取风险控制规则,从而保持额定的通过率,同时可以根据数据自身的特点和特定区域的好坏样本浓度寻找最优的分割点,再进行多轮的迭代后,得到最终的风险控制规则。本发明摆脱了主观偏向,可以达到理想的通过率,可以最大化发挥数据本身的特点。
Description
技术领域
本发明涉及数据处理技术领域,特别是涉及一种风险控制方法、系统、设备及介质。
背景技术
在反欺诈/金融风控等场景下的策略迭代过程中,通常需要一些规则条件快速的针对冷启动问题或者在具体纬度对不符合规定的客户进行拦截,并且在拦截过程中还要保持一定的通过率,不能将用户全都拦截。而目前的拦截方式多是单纯地依靠枚举、画格子、CART等传统决策树的常规手段,导致很难高效的达到拦截目的。因此,需要设计一种合适的拦截规则或拦截方案。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种风险控制方法、系统、设备及介质,用于解决现有技术中存在的问题。
为实现上述目的及其他相关目的,本发明提供一种风险控制方法,包括以下步骤:
获取样本数据集;
按照预设比例计算所述样本数据集中每个样本的目标分位数;
根据所述目标分位数筛选出目标样本区域,所述目标样本区域包含一个或多个所述样本;
根据筛选出的目标样本区域确定风险控制规则,并利用所述风险控制规则对一个或多个目标对象进行风险控制。
可选地,按照预设比例计算所述样本数据集中每个样本的目标分位数的过程包括:
获取每次过滤异常样本的比例;
根据所获取的比例计算每个样本的异常样本分位数和正常样本分位数;
或者,获取每次过滤正常样本的比例;
根据所获取的比例计算每个样本的异常样本分位数和正常样本分位数。
可选地,根据所述目标分位数筛选出目标样本区域的过程包括:
根据所述目标分位数将所述样本数据集分割为多个样本区域;
计算每个样本区域的异常样本浓度;
剔除最低异常样本浓度所对应的样本区域,并筛选出剩余的样本区域作为目标样本区域。
可选地,根据筛选出的目标样本区域确定风险控制规则的过程包括:
判断所述目标样本区域中的样本数量是否小于等于第一预设阈值;
若小于等于所述第一预设阈值,则根据所述目标样本区域确定风险控制规则;
若大于所述第一预设阈值,则根据剩余样本的目标分位数将所述目标样本区域分割为多个样本区域,以及剔除最低异常样本浓度所对应的样本区域,并将剩余的样本区域作为新的目标样本区域后,重新判断新的目标样本区域中的样本数量是否小于等于第一预设阈值。
可选地,根据筛选出的目标样本区域确定风险控制规则的过程包括:
判断所述目标样本区域的异常样本浓度是否大于等于第二预设阈值;
若大于等于所述第二预设阈值,则根据所述目标样本区域确定风险控制规则;
若小于所述第二预设阈值,则根据剩余样本的目标分位数将所述目标样本区域分割为多个样本区域,以及剔除最低异常样本浓度所对应的样本区域,并将剩余的样本区域作为新的目标样本区域后,重新判断新的目标样本区域的异常样本浓度是否大于等于第二预设阈值。
本发明还提供一种风险控制系统,包括有:
采集模块,用于获取样本数据集;
分位数模块,用于按照预设比例计算所述样本数据集中每个样本的目标分位数;
样本区域模块,用于根据所述目标分位数筛选出目标样本区域,所述目标样本区域包含一个或多个所述样本;
风险控制模块,用于根据筛选出的目标样本区域确定风险控制规则,并利用所述风险控制规则对一个或多个目标对象进行风险控制。
可选地,所述分位数模块按照预设比例计算所述样本数据集中每个样本的目标分位数的过程包括:
获取每次过滤异常样本的比例;
根据所获取的比例计算每个样本的异常样本分位数和正常样本分位数;
或者,获取每次过滤正常样本的比例;
根据所获取的比例计算每个样本的异常样本分位数和正常样本分位数。
可选地,所述样本区域模块根据所述目标分位数筛选出目标样本区域的过程包括:
根据所述目标分位数将所述样本数据集分割为多个样本区域;
计算每个样本区域的异常样本浓度;
剔除最低异常样本浓度所对应的样本区域,并筛选出剩余的样本区域作为目标样本区域。
可选地,所述风险控制模块根据筛选出的目标样本区域确定风险控制规则的过程包括:
判断所述目标样本区域中的样本数量是否小于等于第一预设阈值;
若小于等于所述第一预设阈值,则根据所述目标样本区域确定风险控制规则;
若大于所述第一预设阈值,则根据剩余样本的目标分位数将所述目标样本区域分割为多个样本区域,以及剔除最低异常样本浓度所对应的样本区域,并将剩余的样本区域作为新的目标样本区域后,重新判断新的目标样本区域中的样本数量是否小于等于第一预设阈值。
可选地,所述风险控制模块根据筛选出的目标样本区域确定风险控制规则的过程包括:
判断所述目标样本区域的异常样本浓度是否大于等于第二预设阈值;
若大于等于所述第二预设阈值,则根据所述目标样本区域确定风险控制规则;
若小于所述第二预设阈值,则根据剩余样本的目标分位数将所述目标样本区域分割为多个样本区域,以及剔除最低异常样本浓度所对应的样本区域,并将剩余的样本区域作为新的目标样本区域后,重新判断新的目标样本区域的异常样本浓度是否大于等于第二预设阈值。
本发明还提供一种风险控制设备,包括:
一个或多个处理器;和
存储有指令的计算机可读介质,当所述一个或多个处理器执行所述指令时,使得所述设备执行如上述中任意一项所述的方法。
本发明还提供一种计算机可读介质,其上存储有指令,当由一个或多个处理器执行所述指令时,使得设备执行如上述中任意一项所述的方法。
如上所述,本发明提供一种风险控制方法、系统、设备及介质,具有以下有益效果:
本发明针对目前存在的问题,设计了一套基于区域浓度的风控/反欺诈规则的方案,可以从高纬特征空间中提取风险控制规则,从而保持额定的通过率,同时可以根据数据自身的特点和特定区域的好坏样本浓度寻找最优的分割点,再进行多轮的迭代后,得到最终的风险控制规则。本发明能够从高纬变量、大量数据中找到最优的规则组合,然后运用最优的规则组合对黑/灰用户进行拦截。同时,本发明根据样本数据自身的特点和设定的通过率超参数寻找最优的分割点,将正常样本用户和黑灰用户等异常样本用户分离,再进行多轮的迭代后,能够达到更好的效果。和传统方式相比,本发明摆脱了主观偏向,避免一些想当然的规则,而且可以达到理想的通过率,可以最大化发挥数据本身的特点。此外,本发明还可以手动设置通过率,实现人机交互,满足多样性需求;且本发明的可解释性较强,方便人为的进行理解和验证;同时本发明中的风险控制系统轻量化,能够占用较低的内存,也易于部署;并且本发明中的风险控制系统的鲁棒性和健壮性高。
附图说明
图1为一实施例提供的风险控制方法的流程示意图;
图2为另一实施例提供的风险控制方法的流程示意图;
图3为一实施例提供的风险控制系统的硬件结构示意图;
图4为一实施例提供的终端设备的硬件结构示意图;
图5为另一实施例提供的终端设备的硬件结构示意图。
元件标号说明
M10 采集模块
M20 分位数模块
M30 样本区域模块
M40 风险控制模块
1100 输入设备
1101 第一处理器
1102 输出设备
1103 第一存储器
1104 通信总线
1200 处理组件
1201 第二处理器
1202 第二存储器
1203 通信组件
1204 电源组件
1205 多媒体组件
1206 音频组件
1207 输入/输出接口
1208 传感器组件
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
请参阅图1所示,本发明提供一种风险控制方法,包括以下步骤:
S10,获取样本数据集;
S20,按照预设比例计算所述样本数据集中每个样本的目标分位数;
S30,根据所述目标分位数筛选出目标样本区域,所述目标样本区域包含一个或多个所述样本;
S40,根据筛选出的目标样本区域确定风险控制规则,并利用所述风险控制规则对一个或多个目标对象进行风险控制。
若将本方法应用在反欺诈或金融风控等场景下,则本实施例中的样本数据集由多个用户组成,每个样本以及每个目标对象均代表一个用户。本实施例针对目前存在的问题,设计了一套基于区域浓度的风控/反欺诈规则的方案,可以从高纬特征空间中提取风险控制规则,从而保持额定的通过率,同时可以根据数据自身的特点和特定区域的好坏样本浓度寻找最优的分割点,再进行多轮的迭代后,得到最终的风险控制规则。本实施例能够从高纬变量、大量数据中找到最优的规则组合,然后运用最优的规则组合对黑/灰用户进行拦截。同时,本实施例根据样本数据自身的特点和设定的通过率超参数寻找最优的分割点,将正常样本用户和黑灰用户等异常样本用户分离,再进行多轮的迭代后,能够达到更好的效果。和传统方式相比,本实施例摆脱了主观偏向,避免一些想当然的规则,而且可以达到理想的通过率,可以最大化发挥数据本身的特点。
根据上述记载,在一示例性实施例中,按照预设比例计算所述样本数据集中每个样本的目标分位数的过程包括:获取每次过滤异常样本的比例,根据所获取的比例计算每个样本的异常样本分位数和正常样本分位数。或者,获取每次过滤正常样本的比例,根据所获取的比例计算每个样本的异常样本分位数和正常样本分位数。作为示例,例如设定每次剔除异常样本的比例为alpha,则样本X所对应的分位数包括:异常样本分位数X(alpha)和正常样本分位数X(1-alpha)。具体地,剔除坏样本比例alpha可以设定为0.1~0.25。在日常情况中,由于高斯分布随处可见,所以本实施例根据高斯分布的特点,利用分位数来设置分割点,保证两端的样本数量更少,也更容易出现异常样本。
根据上述记载,在一示例性实施例中,根据所述目标分位数筛选出目标样本区域的过程包括:根据所述目标分位数将所述样本数据集分割为多个样本区域;计算每个样本区域的异常样本浓度;剔除最低异常样本浓度所对应的样本区域,并筛选出剩余的样本区域作为目标样本区域。在本实施例中,异常样本区域浓度=该样本区域内的异常样本数量/该样本区域内的样本数量。作为示例,本实施例将全体样本构成的样本数据集作为初始样本区域B1,根据每个样本数据的分位数将初始样本区域B1分割为多个样本区域B,再计算每个样本区域的异常样本浓度,然后剔除异常样本浓度最低的样本区域b,筛选出剩余的样本区域(B-b),并将筛选出的剩余样本区域作为目标样本区域,即目标样本区域为B-b。
根据上述记载,在一示例性实施例中,根据筛选出的目标样本区域确定风险控制规则的过程包括:判断目标样本区域中的样本数量是否小于等于第一预设阈值;若小于等于第一预设阈值,则根据目标样本区域确定风险控制规则;若大于第一预设阈值,则根据剩余样本的目标分位数将目标样本区域分割为多个样本区域,以及剔除最低异常样本浓度所对应的样本区域,并将剩余的样本区域作为新的目标样本区域后,重新判断新的目标样本区域中的样本数量是否小于等于第一预设阈值。作为示例,本实施例通过判断目标样本区域中的样本数量来确定是否需要导出风险控制规则,如果目标样本区域中的样本数量小于等于第一预设阈值 M,则说明剔除掉的样本数量满足总体样本的规定比例,同时也从侧面说明当前时刻下目标样本区域内的大部分样本为异常样本,或者全部为异常样本。如果目标样本区域中的样本数量大于第一预设阈值M,则说明剔除掉的样本数量不满足总体样本的规定比例,还需要再进行迭代筛选。
根据上述记载,在另一示例性实施例中,根据筛选出的目标样本区域确定风险控制规则的过程还可以包括:判断目标样本区域的异常样本浓度是否大于等于第二预设阈值;若大于等于第二预设阈值,则根据目标样本区域确定风险控制规则;若小于第二预设阈值,则根据剩余样本的目标分位数将目标样本区域分割为多个样本区域,以及剔除最低异常样本浓度所对应的样本区域,并将剩余的样本区域作为新的目标样本区域后,重新判断新的目标样本区域的异常样本浓度是否大于等于第二预设阈值。作为示例,本实施例通过判定目标样本区域中异常样本浓度的数值来确定是否需要导出风险控制规则,如果目标样本区域内的异常样本浓度的数值大于等于第二预设阈值beta,则说明当前时刻下目标样本区域内的大部分样本为异常样本,或者全部为异常样本,此时可以导出对应的筛选规则作为风险控制规则,然后再利用导出的风险控制规则来对后续的一个或多个用户进行风险控制,拦截其中的黑灰用户。如果目标样本区域内的异常样本浓度的数值小于第二预设阈值beta,则说明当前时刻下目标样本区域内的异常样本占比较少,还需要再进行迭代,剔除其中的正常样本。
在一具体实施例中,如图2所示,提供一种风险控制方法,包括以下步骤:
步骤S101,数据预处理;先对所有数据进行数据清洗工作,去除无效数据以及脏数据。同时,针对具体的场景选取缺失值填充策略填充缺失的数据。
步骤S102,参数设定;对参数进行初始化,以及设定初始区域B1,剔除坏样本比例alpha,目标人群占比beta。
步骤S103,分位计算;对所有的样本变量求其对应的分位数X(alpha)和X(1-alpha)。
步骤S104,区域剔除;根据每个样本数据的分位数将初始样本区域B1分割为多个样本区域B,选择坏人浓度最低的一块样本区域b进行剔除,使得剩余样本区域的坏人浓度最高。其中,坏人浓度=区域内坏样本数量/区域内样本数量。
步骤S105,区域更新;筛选出剔除样本区域的样本区域,得到剩余的样本区域B2=B-b。
步骤S106,区域判别;将筛选出的剩余样本区域B2记为目标样本区域,判断目标样本区域内的异常用户占比是否小于阈值beta,如果不是,则返回S103;如果是,则返回步骤S107。其中,目标样本区域的异常用户占比反应出预先规定的通过率,即目标样本区域要将总体样本的百分之多少包含进来,且这些样本大部分都是坏样本,坏人浓度很高。本步骤中的目标样本区域的范围就是将来排除黑灰用户的规则集合。
步骤S107,规则集合;根据目标样本区域得到最终规则集合,并导出最终的规则集合,作为风险控制规则。
综上所述,本发明提供一种风险控制方法,本方法针对目前存在的问题,设计了一套基于区域浓度的风控/反欺诈规则的方案,可以从高纬特征空间中提取风险控制规则,从而保持额定的通过率,同时本方法可以根据数据自身的特点和特定区域的好坏样本浓度寻找最优的分割点,再进行多轮的迭代后,得到最终的风险控制规则。本方法能够从高纬变量、大量数据中找到最优的规则组合,然后运用最优的规则组合对黑/灰用户进行拦截。同时,本方法根据样本数据自身的特点和设定的通过率超参数寻找最优的分割点,将正常样本用户和黑灰用户等异常样本用户分离,再进行多轮的迭代后,能够达到更好的效果。和传统方式相比,本方法摆脱了主观偏向,避免一些想当然的规则,而且可以达到理想的通过率,可以最大化发挥数据本身的特点。此外,本方法还可以手动设置通过率,实现人机交互,满足多样性需求;且本方法的可解释性较强,方便人为的进行理解和验证;同时本方法中的风险控制系统轻量化,能够占用较低的内存,也易于部署;并且本方法中的风险控制系统的鲁棒性和健壮性高。其中,本方法中的最优规则组合可以是根据目标样本区域中的样本数量得到的风险控制规则和根据目标样本区域的异常样本浓度得到的风险控制规则的组合。
如图3所示,本发明还提供一种风险控制系统,包括有:
采集模块M10,用于获取样本数据集;
分位数模块M20,用于按照预设比例计算所述样本数据集中每个样本的目标分位数;
样本区域模块M30,用于根据所述目标分位数筛选出目标样本区域,所述目标样本区域包含一个或多个所述样本;
风险控制模块M40,用于根据筛选出的目标样本区域确定风险控制规则,并利用所述风险控制规则对一个或多个目标对象进行风险控制。
若将本系统应用在反欺诈或金融风控等场景下,则本实施例中的样本数据集由多个用户组成,每个样本以及每个目标对象均代表一个用户。本实施例针对目前存在的问题,设计了一套基于区域浓度的风控/反欺诈规则的方案,可以从高纬特征空间中提取风险控制规则,从而保持额定的通过率,同时可以根据数据自身的特点和特定区域的好坏样本浓度寻找最优的分割点,再进行多轮的迭代后,得到最终的风险控制规则。本实施例能够从高纬变量、大量数据中找到最优的规则组合,然后运用最优的规则组合对黑/灰用户进行拦截。同时,本实施例根据样本数据自身的特点和设定的通过率超参数寻找最优的分割点,将正常样本用户和黑灰用户等异常样本用户分离,再进行多轮的迭代后,能够达到更好的效果。和传统方式相比,本实施例摆脱了主观偏向,避免一些想当然的规则,而且可以达到理想的通过率,可以最大化发挥数据本身的特点。
根据上述记载,在一示例性实施例中,分位数模块M20按照预设比例计算所述样本数据集中每个样本的目标分位数的过程包括:获取每次过滤异常样本的比例,根据所获取的比例计算每个样本的异常样本分位数和正常样本分位数。或者,获取每次过滤正常样本的比例,根据所获取的比例计算每个样本的异常样本分位数和正常样本分位数。作为示例,例如设定每次剔除异常样本的比例为alpha,则样本X所对应的分位数包括:异常样本分位数X(alpha) 和正常样本分位数X(1-alpha)。具体地,剔除坏样本比例alpha可以设定为0.1~0.25。在日常情况中,由于高斯分布随处可见,所以本实施例根据高斯分布的特点,利用分位数来设置分割点,保证两端的样本数量更少,也更容易出现异常样本。
根据上述记载,在一示例性实施例中,样本区域模块M30根据所述目标分位数筛选出目标样本区域的过程包括:根据所述目标分位数将所述样本数据集分割为多个样本区域;计算每个样本区域的异常样本浓度;剔除最低异常样本浓度所对应的样本区域,并筛选出剩余的样本区域作为目标样本区域。在本实施例中,异常样本区域浓度=该样本区域内的异常样本数量/该样本区域内的样本数量。作为示例,本实施例将全体样本构成的样本数据集作为初始样本区域B1,根据每个样本数据的分位数将初始样本区域B1分割为多个样本区域B,再计算每个样本区域的异常样本浓度,然后剔除异常样本浓度最低的样本区域b,筛选出剩余的样本区域(B-b),并将筛选出的剩余样本区域作为目标样本区域,即目标样本区域为B-b。
根据上述记载,在一示例性实施例中,风险控制模块M40根据筛选出的目标样本区域确定风险控制规则的过程包括:判断目标样本区域中的样本数量是否小于等于第一预设阈值;若小于等于第一预设阈值,则根据目标样本区域确定风险控制规则;若大于第一预设阈值,则根据剩余样本的目标分位数将目标样本区域分割为多个样本区域,以及剔除最低异常样本浓度所对应的样本区域,并将剩余的样本区域作为新的目标样本区域后,重新判断新的目标样本区域中的样本数量是否小于等于第一预设阈值。作为示例,本实施例通过判断目标样本区域中的样本数量来确定是否需要导出风险控制规则,如果目标样本区域中的样本数量小于等于第一预设阈值M,则说明剔除掉的样本数量满足总体样本的规定比例,同时也从侧面说明当前时刻下目标样本区域内的大部分样本为异常样本,或者全部为异常样本。如果目标样本区域中的样本数量大于第一预设阈值M,则说明剔除掉的样本数量不满足总体样本的规定比例,还需要再进行迭代筛选。
根据上述记载,在另一示例性实施例中,风险控制模块M40根据筛选出的目标样本区域确定风险控制规则的过程还可以包括:判断目标样本区域的异常样本浓度是否大于等于第二预设阈值;若大于等于第二预设阈值,则根据目标样本区域确定风险控制规则;若小于第二预设阈值,则根据剩余样本的目标分位数将目标样本区域分割为多个样本区域,以及剔除最低异常样本浓度所对应的样本区域,并将剩余的样本区域作为新的目标样本区域后,重新判断新的目标样本区域的异常样本浓度是否大于等于第二预设阈值。作为示例,本实施例通过判定目标样本区域中异常样本浓度的数值来确定是否需要导出风险控制规则,如果目标样本区域内的异常样本浓度的数值大于等于第二预设阈值beta,则说明当前时刻下目标样本区域内的大部分样本为异常样本,或者全部为异常样本,此时可以导出对应的筛选规则作为风险控制规则,然后再利用导出的风险控制规则来对后续的一个或多个用户进行风险控制,拦截其中的黑灰用户。如果目标样本区域内的异常样本浓度的数值小于第二预设阈值beta,则说明当前时刻下目标样本区域内的异常样本占比较少,还需要再进行迭代,剔除其中的正常样本。
在一具体实施例中,本发明提供一种风险控制系统,包括以下步骤:
步骤S201,数据预处理;先对所有数据进行数据清洗工作,去除无效数据以及脏数据。同时,针对具体的场景选取缺失值填充策略填充缺失的数据。
步骤S202,参数设定;对参数进行初始化,以及设定初始区域B1,剔除坏样本比例alpha,目标人群占比beta。
步骤S203,分位计算;对所有的样本变量求其对应的分位数X(alpha)和X(1-alpha)。
步骤S204,区域剔除;根据每个样本数据的分位数将初始样本区域B1分割为多个样本区域B,选择坏人浓度最低的一块样本区域b进行剔除,使得剩余样本区域的坏人浓度最高。其中,坏人浓度=区域内坏样本数量/区域内样本数量。
步骤S205,区域更新;筛选出剔除样本区域的样本区域,得到剩余的样本区域B2=B-b。
步骤S206,区域判别;将筛选出的剩余样本区域B2记为目标样本区域,判断目标样本区域内的异常用户占比是否小于阈值beta,如果不是,则返回S203;如果是,则返回步骤S207。其中,目标样本区域的异常用户占比反应出预先规定的通过率,即目标样本区域要将总体样本的百分之多少包含进来,且这些样本大部分都是坏样本,坏人浓度很高。本步骤中的目标样本区域的范围就是将来排除黑灰用户的规则集合。
步骤S207,规则集合;根据目标样本区域得到最终规则集合,并导出最终的规则集合,作为风险控制规则。
综上所述,本发明提供一种风险控制系统,本系统针对目前存在的问题,设计了一套基于区域浓度的风控/反欺诈规则的方案,可以从高纬特征空间中提取风险控制规则,从而保持额定的通过率,同时本系统可以根据数据自身的特点和特定区域的好坏样本浓度寻找最优的分割点,再进行多轮的迭代后,得到最终的风险控制规则。本系统能够从高纬变量、大量数据中找到最优的规则组合,然后运用最优的规则组合对黑/灰用户进行拦截。同时,本系统根据样本数据自身的特点和设定的通过率超参数寻找最优的分割点,将正常样本用户和黑灰用户等异常样本用户分离,再进行多轮的迭代后,能够达到更好的效果。和传统方式相比,本系统摆脱了主观偏向,避免一些想当然的规则,而且可以达到理想的通过率,可以最大化发挥数据本身的特点。此外,本系统还可以手动设置通过率,实现人机交互,满足多样性需求;且本系统的可解释性较强,方便人为的进行理解和验证;同时本系统中的风险控制系统轻量化,能够占用较低的内存,也易于部署;并且本系统中的风险控制系统的鲁棒性和健壮性高。其中,本系统中的最优规则组合可以是根据目标样本区域中的样本数量得到的风险控制规则和根据目标样本区域的异常样本浓度得到的风险控制规则的组合。
本申请实施例还提供了一种计算机设备,该设备可以包括:一个或多个处理器;和其上存储有指令的一个或多个机器可读介质,当由所述一个或多个处理器执行时,使得所述设备执行图1所述的方法。在实际应用中,该设备可以作为终端设备,也可以作为服务器,终端设备的例子可以包括:智能手机、平板电脑、电子书阅读器、MP3(动态影像专家压缩标准语音层面3,Moving Picture Experts Group Audio Layer III)播放器、MP4(动态影像专家压缩标准语音层面4,Moving Picture Experts Group Audio Layer IV)播放器、膝上型便携计算机、车载电脑、台式计算机、机顶盒、智能电视机、可穿戴设备等等,本申请实施例对于具体的设备不加以限制。
本申请实施例还提供了一种非易失性可读存储介质,该存储介质中存储有一个或多个模块(programs),该一个或多个模块被应用在设备时,可以使得该设备执行本申请实施例的图 1中数据处理方法所包含步骤的指令(instructions)。
图4为本申请一实施例提供的终端设备的硬件结构示意图。如图所示,该终端设备可以包括:输入设备1100、第一处理器1101、输出设备1102、第一存储器1103和至少一个通信总线1104。通信总线1104用于实现元件之间的通信连接。第一存储器1103可能包含高速RAM 存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,第一存储器1103中可以存储各种程序,用于完成各种处理功能以及实现本实施例的方法步骤。
可选的,上述第一处理器1101例如可以为中央处理器(Central ProcessingUnit,简称CPU)、应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,该处理器1101通过有线或无线连接耦合到上述输入设备1100和输出设备1102。
可选的,上述输入设备1100可以包括多种输入设备,例如可以包括面向用户的用户接口、面向设备的设备接口、软件的可编程接口、摄像头、传感器中至少一种。可选的,该面向设备的设备接口可以是用于设备与设备之间进行数据传输的有线接口、还可以是用于设备与设备之间进行数据传输的硬件插入接口(例如USB接口、串口等);可选的,该面向用户的用户接口例如可以是面向用户的控制按键、用于接收语音输入的语音输入设备以及用户接收用户触摸输入的触摸感知设备(例如具有触摸感应功能的触摸屏、触控板等);可选的,上述软件的可编程接口例如可以是供用户编辑或者修改程序的入口,例如芯片的输入引脚接口或者输入接口等;输出设备1102可以包括显示器、音响等输出设备。
在本实施例中,该终端设备的处理器包括用于执行各设备中语音识别装置各模块的功能,具体功能和技术效果参照上述实施例即可,此处不再赘述。
图5为本申请的另一个实施例提供的终端设备的硬件结构示意图。图5是对图4在实现过程中的一个具体的实施例。如图所示,本实施例的终端设备可以包括第二处理器1201以及第二存储器1202。
第二处理器1201执行第二存储器1202所存放的计算机程序代码,实现上述实施例中图 1所述方法。
第二存储器1202被配置为存储各种类型的数据以支持在终端设备的操作。这些数据的示例包括用于在终端设备上操作的任何应用程序或方法的指令,例如消息,图片,视频等。第二存储器1202可能包含随机存取存储器(random access memory,简称RAM),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。
可选地,第二处理器1201设置在处理组件1200中。该终端设备还可以包括:通信组件 1203,电源组件1204,多媒体组件1205,音频组件1206,输入/输出接口1207和/或传感器组件1208。终端设备具体所包含的组件等依据实际需求设定,本实施例对此不作限定。
处理组件1200通常控制终端设备的整体操作。处理组件1200可以包括一个或多个第二处理器1201来执行指令,以完成上述图1所示方法的全部或部分步骤。此外,处理组件1200 可以包括一个或多个模块,便于处理组件1200和其他组件之间的交互。例如,处理组件1200 可以包括多媒体模块,以方便多媒体组件1205和处理组件1200之间的交互。
电源组件1204为终端设备的各种组件提供电力。电源组件1204可以包括电源管理系统,一个或多个电源,及其他与为终端设备生成、管理和分配电力相关联的组件。
多媒体组件1205包括在终端设备和用户之间的提供一个输出接口的显示屏。在一些实施例中,显示屏可以包括液晶显示器(LCD)和触摸面板(TP)。如果显示屏包括触摸面板,显示屏可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。
音频组件1206被配置为输出和/或输入语音信号。例如,音频组件1206包括一个麦克风(MIC),当终端设备处于操作模式,如语音识别模式时,麦克风被配置为接收外部语音信号。所接收的语音信号可以被进一步存储在第二存储器1202或经由通信组件1203发送。在一些实施例中,音频组件1206还包括一个扬声器,用于输出语音信号。
输入/输出接口1207为处理组件1200和外围接口模块之间提供接口,上述外围接口模块可以是点击轮,按钮等。这些按钮可包括但不限于:音量按钮、启动按钮和锁定按钮。
传感器组件1208包括一个或多个传感器,用于为终端设备提供各个方面的状态评估。例如,传感器组件1208可以检测到终端设备的打开/关闭状态,组件的相对定位,用户与终端设备接触的存在或不存在。传感器组件1208可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在,包括检测用户与终端设备间的距离。在一些实施例中,该传感器组件1208还可以包括摄像头等。
通信组件1203被配置为便于终端设备和其他设备之间有线或无线方式的通信。终端设备可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个实施例中,该终端设备中可以包括SIM卡插槽,该SIM卡插槽用于插入SIM卡,使得终端设备可以登录GPRS网络,通过互联网与服务器建立通信。
由上可知,在图5实施例中所涉及的通信组件1203、音频组件1206以及输入/输出接口 1207、传感器组件1208均可以作为图4实施例中的输入设备的实现方式。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
应当理解的是,尽管在本发明实施例中可能采用术语第一、第二、第三等来描述预设范围等,但这些预设范围不应限于这些术语。这些术语仅用来将预设范围彼此区分开。例如,在不脱离本发明实施例范围的情况下,第一预设范围也可以被称为第二预设范围,类似地,第二预设范围也可以被称为第一预设范围。
Claims (4)
1.一种风险控制方法,其特征在于,包括以下步骤:
获取样本数据集;
按照预设比例计算所述样本数据集中每个样本的目标分位数;包括:获取每次过滤异常样本的比例;根据所获取的比例计算每个样本的异常样本分位数和正常样本分位数;或者,获取每次过滤正常样本的比例;根据所获取的比例计算每个样本的异常样本分位数和正常样本分位数;
根据所述目标分位数筛选出目标样本区域,所述目标样本区域包含一个或多个所述样本;根据所述目标分位数筛选出目标样本区域的过程包括:根据所述目标分位数将所述样本数据集分割为多个样本区域;计算每个样本区域的异常样本浓度;剔除最低异常样本浓度所对应的样本区域,并筛选出剩余的样本区域作为目标样本区域;
根据筛选出的目标样本区域确定风险控制规则,并利用所述风险控制规则对一个或多个目标对象进行风险控制;
其中,根据筛选出的目标样本区域确定风险控制规则的过程包括:
判断所述目标样本区域中的样本数量是否小于等于第一预设阈值;若小于等于所述第一预设阈值,则根据所述目标样本区域确定风险控制规则;若大于所述第一预设阈值,则根据剩余样本的目标分位数将所述目标样本区域分割为多个样本区域,以及剔除最低异常样本浓度所对应的样本区域,并将剩余的样本区域作为新的目标样本区域后,重新判断新的目标样本区域中的样本数量是否小于等于第一预设阈值;
和/或,判断所述目标样本区域的异常样本浓度是否大于等于第二预设阈值;若大于等于所述第二预设阈值,则根据所述目标样本区域确定风险控制规则;若小于所述第二预设阈值,则根据剩余样本的目标分位数将所述目标样本区域分割为多个样本区域,以及剔除最低异常样本浓度所对应的样本区域,并将剩余的样本区域作为新的目标样本区域后,重新判断新的目标样本区域的异常样本浓度是否大于等于第二预设阈值。
2.一种风险控制系统,其特征在于,包括有:
采集模块,用于获取样本数据集;
分位数模块,用于按照预设比例计算所述样本数据集中每个样本的目标分位数;包括:获取每次过滤异常样本的比例;根据所获取的比例计算每个样本的异常样本分位数和正常样本分位数;或者,获取每次过滤正常样本的比例;根据所获取的比例计算每个样本的异常样本分位数和正常样本分位数;
样本区域模块,用于根据所述目标分位数筛选出目标样本区域,所述目标样本区域包含一个或多个所述样本;根据所述目标分位数筛选出目标样本区域的过程包括:根据所述目标分位数将所述样本数据集分割为多个样本区域;计算每个样本区域的异常样本浓度;剔除最低异常样本浓度所对应的样本区域,并筛选出剩余的样本区域作为目标样本区域;
风险控制模块,用于根据筛选出的目标样本区域确定风险控制规则,并利用所述风险控制规则对一个或多个目标对象进行风险控制;
其中,根据筛选出的目标样本区域确定风险控制规则的过程包括:
判断所述目标样本区域中的样本数量是否小于等于第一预设阈值;若小于等于所述第一预设阈值,则根据所述目标样本区域确定风险控制规则;若大于所述第一预设阈值,则根据剩余样本的目标分位数将所述目标样本区域分割为多个样本区域,以及剔除最低异常样本浓度所对应的样本区域,并将剩余的样本区域作为新的目标样本区域后,重新判断新的目标样本区域中的样本数量是否小于等于第一预设阈值;
和/或,判断所述目标样本区域的异常样本浓度是否大于等于第二预设阈值;若大于等于所述第二预设阈值,则根据所述目标样本区域确定风险控制规则;若小于所述第二预设阈值,则根据剩余样本的目标分位数将所述目标样本区域分割为多个样本区域,以及剔除最低异常样本浓度所对应的样本区域,并将剩余的样本区域作为新的目标样本区域后,重新判断新的目标样本区域的异常样本浓度是否大于等于第二预设阈值。
3.一种风险控制设备,其特征在于,包括:
一个或多个处理器;和
存储有指令的计算机可读介质,当所述一个或多个处理器执行所述指令时,使得所述设备执行如权利要求1所述的方法。
4.一种计算机可读介质,其特征在于,其上存储有指令,当由一个或多个处理器执行所述指令时,使得设备执行如权利要求1所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110841290.2A CN113487225B (zh) | 2021-07-23 | 2021-07-23 | 一种风险控制方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110841290.2A CN113487225B (zh) | 2021-07-23 | 2021-07-23 | 一种风险控制方法、系统、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113487225A CN113487225A (zh) | 2021-10-08 |
CN113487225B true CN113487225B (zh) | 2024-05-24 |
Family
ID=77943441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110841290.2A Active CN113487225B (zh) | 2021-07-23 | 2021-07-23 | 一种风险控制方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113487225B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2816656A1 (en) * | 2012-05-15 | 2013-11-15 | Technical Standards And Safety Authority | +system and method for inspecting and assessing risk of mechanical equipment and facilities |
CN107390160A (zh) * | 2017-08-04 | 2017-11-24 | 国网浙江省电力公司 | 一种基于电量波动异常的换表接线差错判断方法 |
CN107944708A (zh) * | 2017-11-28 | 2018-04-20 | 深圳市牛鼎丰科技有限公司 | 借贷风险控制的模型筛选方法、装置和存储介质 |
CN108092975A (zh) * | 2017-12-07 | 2018-05-29 | 上海携程商务有限公司 | 异常登录的识别方法、系统、存储介质和电子设备 |
CN108512768A (zh) * | 2017-02-23 | 2018-09-07 | 苏宁云商集团股份有限公司 | 一种访问量的控制方法及装置 |
CN108694212A (zh) * | 2017-04-11 | 2018-10-23 | 腾讯科技(深圳)有限公司 | 一种样本对象的处理方法及装置 |
CN110598090A (zh) * | 2019-07-23 | 2019-12-20 | 平安科技(深圳)有限公司 | 兴趣标签的生成方法、装置、计算机设备和存储介质 |
WO2020211388A1 (zh) * | 2019-04-16 | 2020-10-22 | 深圳壹账通智能科技有限公司 | 基于预测模型的行为预测方法、装置、设备及存储介质 |
CN112163642A (zh) * | 2020-10-30 | 2021-01-01 | 北京云从科技有限公司 | 一种风控规则获取方法、装置、介质及设备 |
CN112270545A (zh) * | 2020-10-27 | 2021-01-26 | 上海淇馥信息技术有限公司 | 基于迁移样本筛选的金融风险预测方法、装置和电子设备 |
CN112560921A (zh) * | 2020-12-10 | 2021-03-26 | 百维金科(上海)信息科技有限公司 | 一种基于模糊c-均值的互联网金融平台申请欺诈行为检测方法 |
CN112581261A (zh) * | 2020-12-22 | 2021-03-30 | 北京三快在线科技有限公司 | 一种风控规则确定方法及装置 |
-
2021
- 2021-07-23 CN CN202110841290.2A patent/CN113487225B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2816656A1 (en) * | 2012-05-15 | 2013-11-15 | Technical Standards And Safety Authority | +system and method for inspecting and assessing risk of mechanical equipment and facilities |
CN108512768A (zh) * | 2017-02-23 | 2018-09-07 | 苏宁云商集团股份有限公司 | 一种访问量的控制方法及装置 |
CN108694212A (zh) * | 2017-04-11 | 2018-10-23 | 腾讯科技(深圳)有限公司 | 一种样本对象的处理方法及装置 |
CN107390160A (zh) * | 2017-08-04 | 2017-11-24 | 国网浙江省电力公司 | 一种基于电量波动异常的换表接线差错判断方法 |
CN107944708A (zh) * | 2017-11-28 | 2018-04-20 | 深圳市牛鼎丰科技有限公司 | 借贷风险控制的模型筛选方法、装置和存储介质 |
CN108092975A (zh) * | 2017-12-07 | 2018-05-29 | 上海携程商务有限公司 | 异常登录的识别方法、系统、存储介质和电子设备 |
WO2020211388A1 (zh) * | 2019-04-16 | 2020-10-22 | 深圳壹账通智能科技有限公司 | 基于预测模型的行为预测方法、装置、设备及存储介质 |
CN110598090A (zh) * | 2019-07-23 | 2019-12-20 | 平安科技(深圳)有限公司 | 兴趣标签的生成方法、装置、计算机设备和存储介质 |
CN112270545A (zh) * | 2020-10-27 | 2021-01-26 | 上海淇馥信息技术有限公司 | 基于迁移样本筛选的金融风险预测方法、装置和电子设备 |
CN112163642A (zh) * | 2020-10-30 | 2021-01-01 | 北京云从科技有限公司 | 一种风控规则获取方法、装置、介质及设备 |
CN112560921A (zh) * | 2020-12-10 | 2021-03-26 | 百维金科(上海)信息科技有限公司 | 一种基于模糊c-均值的互联网金融平台申请欺诈行为检测方法 |
CN112581261A (zh) * | 2020-12-22 | 2021-03-30 | 北京三快在线科技有限公司 | 一种风控规则确定方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于相似度加权投票组合的私募股权投资风险预测;姜爱克,等;科研管理;20170720;第38卷(第07期);128-136 * |
Also Published As
Publication number | Publication date |
---|---|
CN113487225A (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108961267B (zh) | 图片处理方法、图片处理装置及终端设备 | |
KR101970816B1 (ko) | 신원 인증을 위한 방법 및 디바이스 | |
CN110741387B (zh) | 人脸识别方法、装置、存储介质及电子设备 | |
US10126940B2 (en) | Touch zones on a soft keyboard | |
CN108898549A (zh) | 图片处理方法、图片处理装置及终端设备 | |
CN112163642A (zh) | 一种风控规则获取方法、装置、介质及设备 | |
CN111062854A (zh) | 检测水印的方法、装置、终端及存储介质 | |
CN112949172B (zh) | 一种数据处理方法、装置、机器可读介质及设备 | |
CN107291238B (zh) | 一种数据处理方法与装置 | |
CN111143590A (zh) | 图像过滤方法、系统、设备及机器可读介质 | |
CN113487225B (zh) | 一种风险控制方法、系统、设备及介质 | |
CN116614453A (zh) | 一种基于云端互联的图像传输带宽选择方法及装置 | |
CN115293985B (zh) | 一种用于图像优化的超分降噪方法及装置 | |
CN110263741A (zh) | 视频帧提取方法、装置及终端设备 | |
CN113900620B (zh) | 交互方法、装置、电子设备以及存储介质 | |
CN112051270B (zh) | 一种输电线缺陷检测方法、系统、设备及介质 | |
CN111008842B (zh) | 一种茶叶检测方法、系统、电子设备及机器可读介质 | |
CN111091152A (zh) | 图像聚类方法、系统、设备及机器可读介质 | |
Khoo et al. | Image texture classification using combined grey level co-occurrence probabilities and support vector machines | |
CN116723419B (zh) | 一种用于十亿级高精度相机的采集速度优化方法及装置 | |
CN116228593B (zh) | 一种基于分级抗锯齿的图像完善方法及装置 | |
CN115546053B (zh) | 一种用于复杂地形雪地的图形漫反射消除方法及装置 | |
CN115984333B (zh) | 一种飞机目标平滑跟踪方法及装置 | |
CN111224936B (zh) | 用户异常请求检测方法、系统、设备以及机器可读介质 | |
CN116630134A (zh) | 一种光场相机图像数据多线程处理方法及装置 |
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 |