CN113570222A - 一种用户设备鉴别方法、装置和计算机设备 - Google Patents
一种用户设备鉴别方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN113570222A CN113570222A CN202110799803.8A CN202110799803A CN113570222A CN 113570222 A CN113570222 A CN 113570222A CN 202110799803 A CN202110799803 A CN 202110799803A CN 113570222 A CN113570222 A CN 113570222A
- Authority
- CN
- China
- Prior art keywords
- category
- feature
- risk
- features
- user equipment
- 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 78
- 238000012545 processing Methods 0.000 claims abstract description 66
- 238000012216 screening Methods 0.000 claims abstract description 35
- 230000008569 process Effects 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000003066 decision tree Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 description 28
- 238000004590 computer program Methods 0.000 description 17
- 238000003860 storage Methods 0.000 description 17
- 238000007726 management method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 239000013598 vector Substances 0.000 description 10
- 230000006399 behavior Effects 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000004069 differentiation Effects 0.000 description 5
- 238000013468 resource allocation Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000012954 risk control Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种用户设备鉴别方法、装置和计算机设备。该方法包括:获取互联网服务的历史用户设备的设备数据和所述历史用户设备关联人的资源使用表现数据,计算各特征的特征重要度,进行特征筛选处理;根据筛选出的风险特征和/或类别区分特征,确定与所述风险特征和/或所述类别区分特征相对应的初始类别层级;对所述初始类别层级进行合并处理,得到最终类别层级;根据所述最终类别层级,对新接入用户设备进行鉴别处理。本发明通过计算各特征的特征重要度,进行特征筛选处理,能筛选出风险区分度高且可解释性强的特征;根据筛选出的风险特征和/或类别区分特征,确定与风险特征或类别区分特征相对应的最终类别层级,能更有效识别出风险设备。
Description
技术领域
本发明涉及计算机信息处理领域,具体而言,涉及一种用户设备鉴别方法、装置和计算机设备。
背景技术
风险控制(简称为风控)是指风险管理者采取各种措施和方法,消灭或减少风险案件发生的各种可能性,或风险控制者减少风险案件发生时造成的损失。风险控制一般应用于金融行业,如对公司的交易、商家的交易或个人交易等进行风险控制。
在现有技术中,设备风险预测主要的目的是如何区分出好客户和坏客户,评估用户的风险情况,以降低信用风险,并实现利润最大化。在通常情况下,有些设备可能是无风险设备,但一旦存在市场风险时,无风险设备会跟随所关联用户从优质用户转变为风险用户而转变为风险设备,在这种情况下,会给资源管理平台造成一定资源损失。此外,在特定用户群或用户关联设备的风险预测、模型参数估计、模型计算精度、数据更新方面仍存在很大改进空间。
因此,有必要提供一种改进了的用户设备鉴别方法。
发明内容
为了解决如下问题:更精确地筛选特征,精确量化用户关联设备的风险大小,同时对新接入设备进行风险鉴别,可靠保证资源管理平台的收支平衡,以及减少资源管理平台的损失等。
本发明的第一方面提供了一种用户设备鉴别方法,包括:获取互联网服务的历史用户设备的设备数据和所述历史用户设备关联人的资源使用表现数据,计算各特征的特征重要度,进行特征筛选处理;根据筛选出的风险特征和/或类别区分特征,确定与所述风险特征和/或所述类别区分特征相对应的初始类别层级;对所述初始类别层级进行合并处理,得到最终类别层级;根据所述最终类别层级,对新接入用户设备进行鉴别处理。
根据本发明的可选实施方式,所述进行特征筛选处理包括:根据决策树算法,计算各特征的特征重要度,并根据所述特征重要度从高到低进行排序,选取特定数量的特征。
根据本发明的可选实施方式,所述进行特征筛选处理包括:根据决策树算法,计算各特征的特征区分度,并根据所述特征区分度从高到低进行排序,选取特定数量的特征。
根据本发明的可选实施方式,所述确定与所述风险特征和/或所述类别区分特征相对应的初始类别层级包括:确定与各风险特征和/或各类别区分特征相对应的类别节点及其风险标签,以确定包含多层类别节点的初始类别层级。
根据本发明的可选实施方式,所述对所述初始类别层级进行合并处理包括:计算位于同一类别层级的风险特征和类别区分特征中任意两个特征之间的相似度,将所计算的相似度大于设定阈值的两个特征所对应的类别节点进行合并处理。
根据本发明的可选实施方式,所述对所述初始类别层级进行合并处理包括:根据预设合并规则,将位于不同类别层级的风险特征和类别区分特征中任意两个特征所对应的类别节点进行合并处理。
根据本发明的可选实施方式,还包括:根据各特征的特征重要度和/或风险区分度,筛选以下至少三个特征:历史用户设备的关机、换号或暂停使用、卸载APP和客服电话拒接,当前申请时间距上一次申请时间的时长,所述历史用户设备关联人的历史资源使用申请次数或申请频率、历史资源归还行为特征、资源额度使用率、资源额度使用率是否小于设定值、特定时间内资源使用额度、单次资源使用额度、有无逾期记录、以及是否有结清记录。
根据本发明的可选实施方式,所述根据所述最终类别层级,对新接入用户设备进行鉴别处理包括:根据所述最终类别层级,建立用户设备数据库;当新接入用户设备向资源管理平台进行资源使用申请时,获取所述新接入用户设备的设备数据,并与所述用户设备数据库进行对比匹配,对所述新接入用户设备进行风险鉴别处理,以确定所述新接入用户设备是否为风险设备。
此外,本发明的第二方面提供了一种用户设备鉴别装置,包括:数据获取模块,用于获取互联网服务的历史用户设备的设备数据和所述历史用户设备关联人的资源使用表现数据,计算各特征的特征重要度,进行特征筛选处理;确定模块,根据筛选出的风险特征和/或类别区分特征,确定与所述风险特征和/或所述类别区分特征相对应的初始类别层级,该初始类别层级包括多层类别节点,每个类别节点具有相应风险标签;合并处理模块,用于对所述初始类别层级进行合并处理,得到最终类别层级;鉴别处理模块,根据所述最终类别层级,对新接入用户设备进行鉴别处理。
根据本发明的可选实施方式,所述用户设备鉴别装置还包括计算模块,所述计算模块用于计算位于同一类别层级的风险特征和类别区分特征中任意两个特征之间的相似度,将所计算的相似度大于设定阈值的两个特征所对应的类别节点进行合并处理,其中,所述合并处理包括:将位于同一类别层级的风险特征和类别区分特征中任意两个特征所对应的类别节点进行合并处理;和/或将位于不同类别层级的风险特征和类别区分特征中任意两个特征所对应的类别节点进行合并处理。
此外,本发明的第三方面提供了一种计算机设备,包括处理器和存储器,所述存储器用于存储计算机可执行程序,当所述计算机程序被所述处理器执行时,所述处理器执行如本发明的第一方面所述的用户设备鉴别方法。
此外,本发明的第四方面提供了一种计算机程序产品,存储有计算机可执行程序,所述计算机可执行程序被执行时,实现如本发明的第一方面所述的用户设备鉴别方法。
有益效果
与现有技术相比,本发明通过计算各特征的特征重要度,进行特征筛选处理,能够筛选出风险区分度高且可解释性强的特征;根据筛选出的风险特征和/或类别区分特征,能够确定与风险特征和/或类别区分特征相对应的初始类别层级;通过对所述初始类别层级进行合并处理,得到最终类别层级,以对新接入用户设备进行鉴别处理,能够更有效识别出风险设备。
进一步地,通过计算各特征的特征重要度和/或特征区分度,进行特征筛选处理,能够更精确且更有效筛选出风险特征和类别区分特征;通过最终类别层级建立用户设备数据库,并使用该用户设备数据库对新接入设备的鉴别处理,能够更精确地识别出风险设备,以有效保证资源管理平台的收支平衡;通过优化所述风险识别模型的模型参数,能够提高模型精确度;通过对所获取的相关数据进行预处理,能够得到更规范且更易于处理的数据,提高后续数据处理的处理速度。
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本发明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是本发明的实施例1的用户设备鉴别方法的一示例的流程图。
图2是应用本发明的实施例1的用户设备鉴别方法的初始类别层级的一示例的示意图。
图3是对图2中的初始类别层级进行合并处理之后的一示例的示意图。
图4是本发明的实施例1的用户设备鉴别方法的另一示例的流程图。
图5是本发明的实施例1的用户设备鉴别方法的又一示例的流程图
图6是本发明的实施例2的用户设备鉴别装置的一示例的示意图。
图7是本发明的实施例2的用户设备鉴别装置的另一示例的示意图。
图8是本发明的实施例2的用户设备鉴别装置的又一示例的示意图。
图9是根据本发明的计算机设备的示例性实施例的结构框图。
图10是根据本发明的计算机程序产品的示例性实施例的结构框图。
具体实施方式
现在将参考附图更全面地描述本发明的示例性实施例。然而,示例性实施例能够以多种形式实施,且不应被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能够使得本发明更加全面和完整,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,因而将省略对它们的重复描述。
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特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
在对于具体实施例的描述中,本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是,并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
附图中所示的方框图仅仅是功能实体,不一定必须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/或处理器装置和/或微控制器装置中实现这些功能实体。
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,但这不应受这些定语限制。这些定语乃是用以区分一者与另一者。例如,第一器件亦可称为第二器件而不偏离本发明实质的技术方案。
术语“和/或”或者“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
鉴于上述问题,本发明通过计算各特征的特征重要度,进行特征筛选处理,能够筛选出风险区分度高且可解释性强的特征;根据筛选出的风险特征和/或类别区分特征,能够确定与风险特征和/或类别区分特征相对应的初始类别层级;通过对所述初始类别层级进行合并处理,得到最终类别层级,以对新接入用户设备进行鉴别处理,能够更有效识别出风险设备。
需要说明的是,本发明中,本发明的创新之处在于如何根据用户设备与互联网服务平台之间的交互(即物与物之间的信息交互),使用户设备的风险鉴别过程更加自动化、高效和减小人力成本。但是,为了方便起见,本发明中以互联网服务为例说明新接入用户设备鉴别的实施,但是不能理解成对本发明的限制。以下将详细描述新接入用户设备鉴别方法的具体过程。
实施例1
下面,将参照图1至图5描述本发明的用户设备鉴别方法的实施例。
图1为本发明的用户设备鉴别方法的一示例的流程图。如图1所示,该方法包括如下步骤。
步骤S101,获取互联网服务的历史用户设备的设备数据和所述历史用户设备关联人的资源使用表现数据,计算各特征的特征重要度,进行特征筛选处理。
步骤S102,根据筛选出的风险特征和/或类别区分特征,确定与所述风险特征和/或所述类别区分特征相对应的初始类别层级。
步骤S103,对所述初始类别层级进行合并处理,得到最终类别层级。
步骤S104,根据所述最终类别层级,对新接入用户设备进行鉴别处理。
为了精确地对新接入用户设备风险鉴别,并对历史用户设备进行细分类(即将用户设备的风险细分类),对互联网服务期间的用户设备关联人的表现数据进行特征筛选,根据所筛选的特征(例如风险特征、类别区分特征、可解释性特征等)对用户设备进行细分类,以精确确定新接入用户设备所属类别,并采取应对策略对该新接入设备进行处理,能够降低用户误拒的问题,同时能够对新接入设备进行风险鉴别,以有效拒绝风险设备接入,能够提升用户体验,还能够减少资源管理平台的损失。
需要说明的是,在本发明中,所述互联网服务包括由用户关联设备向互联网服务平台的申请而提供例如购物、乘车、地图、外卖、共享单车等的互联网服务资源。例如,资源分配服务、资源使用服务、资源保障服务或互助服务、拼团购买以及乘车服务等等。其中,资源是指任何可被利用的物质、信息、时间,信息资源包括计算资源和各种类型的数据资源。数据资源包括各个领域中的各种专用数据。用户设备是指在互联网服务平台上申请服务时注册用户所关联的设备,通常使用设备ID代表。
下面将以互联网资源使用服务为示例说明本发明方法的具体过程。
首先,在步骤S101中,获取互联网服务的历史用户设备的设备数据和所述历史用户设备关联人的资源使用表现数据,计算各特征的特征重要度,进行特征筛选处理。
具体地,获取与互联资源分配服务相对应的历史用户设备的设备数据,该设备数据包括设备ID、设备标识码、设备名称,在资源使用期间的关机、换号或暂停使用,卸载APP以及客服电话拒接等数据。
进一步地,获取历史用户设备关联人的资源使用表现数据,该资源使用表现数据包括至少两个如下特征:历史资源使用申请次数或申请频率、历史资源归还行为特征、历史资源未归还行为特征、资源额度使用率、资源额度使用率是否小于设定值、特定时间内资源使用额度、单次资源使用额度、上一次资源使用申请时间距当前资源使用申请时间、有无逾期记录、固定时间段内逾期次数或违约次数、以及是否有结清记录。
需要说明的是,在本发明中,用户设备关联人均为已被提供互联网服务资源额且在互联网服务资源使用期间的用户。通常情况下,一个用户关联人与一个用户设备相关联。在有些情况下,一个用户关联人也可与多个用户设备相关联,换言之,每一个用户设备也可关联一个或多个用户关联人。上述仅作为示例进行说明,不能理解成对本发明的限制。
为了能够筛选出风险区分度高且可解释性强的特征,本发明采用对各特征的特征重要度和/或特征区分度进行计算,根据计算结果进行特征筛选。
优选地,使用决策树算法,计算各特征的特征重要度和特征区分度。例如使用C4.5,CART等算法进行计算。
在第一实施方式中,使用决策树算法,建立用户设备类别识别模型。根据上述所获取的数据中特征组(该特征组包括至少一个特征),配置风险标签,将历史用户设备进行分组,并基于各风险标签建立多个训练数据集和多个测试数据集。例如,训练数据集包括具有第一风险标签(资源额度使用率是否小于设定值)的历史用户设备的设备数据。例如,训练数据集包括具有第二风险标签(有无结清记录的违约概率或逾期概率是否大于设定值)的历史用户设备的设备数据。
具体地,对于每个特征组和相应的训练数据集,均执行如下步骤:
1)根据各特征组对相应的训练数据集中样本数据进行分割,以使各训练数据集实现用户设备分类(即用户设备分组)的过程,即生成包含类别节点的多层类别树;2)计算各特征组的模型分类精确度,在所计算的模型分类精确度大于指定值(例如为82%~90%)时,筛选出相应特征组,计算所筛选出的所有特征的信息增益值IV以作为特征重要度,依次按特征重要度从高到低,分别对各特征组和各特征进行排序;3)从所述排序中选取特定数量的特征,以完成了特征筛选。例如选取排序排名为前10名的特征。
需要说明的是,当特征组的总信息增益值IV总、以及单个特征的信息增益值IV单均位于排序为前10名时,则筛选出该单个特征。
更具体地,使用如下公式计算各特征的信息增益值IV(Information Value,在本示例中,包括IV单和IV总),以作为各特征的特征重要度。
其中,IV单是指单个特征的信息增益值;是指该单个特征对应的训练数据集中正样本数量占所有正样本数量的比例;是指该单个特征对应的训练数据集中负样本数量占所有负样本数量的比例;WOEi是指根据该单个特征进行用户设备的分组后,第i组的WOE(Weight of Evidence)值,
其中,IV总是指一个特征组(包含至少两个特征)中所有特征的信息增益值之和;是指所述一个特征组中单个特征组对应的训练数据集中正样本数量占所有正样本数量的比例;是指所述一个特征组中单个特征组对应的训练数据集中负样本数量占所有负样本数量的比例;WOEi是指根据该单个特征进行用户设备的分组后,第i组的WOE(Weight of Evidence)值,
具体地,在确定特征组的总信息增益值IV总、以及该特征组中单个特征的信息增益值IV单均位于排序为前10名时,则筛选出该单个特征。
需要说明的是,上述仅作为示例进行说明,不能理解成对本发明的限制。在其他示例中,还可以例如使用特征的信息增益值IV和特征之间的相关系数CORR的加权求和值或求方差值等作为特征重要度。
因此,通过计算各特征的特征重要度,进行特征筛选处理,能够精确且有效筛选出风险特征和/或类别区分特征。
在第二实施方式种,根据决策树算法,计算各特征的特征区分度,并根据所述特征区分度从高到低进行排序,选取特定数量的特征。
第二实施方式与第一实施方式的区别在于,对于每个特征组和相应的测试数据集,均执行如下步骤:
1)根据各特征组对相应的训练数据集中样本数据进行分割,以使各训练数据集实现用户设备分类(即用户设备分组)的过程,即生成包含类别节点的多层类别树;2)使用测试数据中具有风险标签值的样本数据,计算各特征组的模型类别区别度的准确率,在所计算的准确率大于指定值(例如80%~85%)时,筛选出相应特征组,计算所筛选出的所有特征的WOE(Weight of Evidence)值以作为特征区分度,依次按特征区分度从高到低,分别对各特征组和各特征进行排序;3)从所述排序中选取特定数量的特征,以完成了特征筛选。例如选取排序排名为前10名的特征。例如选取排序排名为前10名的特征。
具体地,使用如下公式计算各特征的WOE(Weight of Evidence)值,在本示例中,包括WOE单和WOE总,以作为各特征的特征区分度。
其中,WOE单是指根据该单个特征进行用户设备的分组后,第i组的WOE(Weight ofEvidence)值;#good(i)/#good(T)是指该单个特征组对应的训练数据集中正样本数量占所有正样本数量的比例;#bad(i)/#bad(T)是指该单个特征组对应的训练数据集中负样本数量占所有负样本数量的比例。
其中,WOE总是指一个特征组(包含至少两个特征)中所有特征的重要度之和;由于#good(i)/#good(T),#bad(i)/#bad(T)与公式(3)中#good(i)/#good(T),#bad(i)/#bad(T)所表示的物理意义相同,因此省略了对这些参数的说明。
具体地,在确定特征组的总重要度WOE总、以及该特征组中单个特征的重要度WOE单均位于排序为前10名时,则筛选出该单个特征。
需要说明的是,上述仅作为示例进行说明,不能理解成对本发明的限制。在其他示例中,还可以例如使用特征的特征重要度WOE和特征之间的相关系数CORR的加权求和值或求方差值等作为特征区分度。
因此,通过计算各特征的特征区分度,进行特征筛选处理,能够更精确且更有效筛选出风险特征和/或类别区分特征。
在第三实施方式中,与第一实施方式和第二实施方式地区别在于,根据各特征的特征重要度和风险区分度,进行特征筛选。
需要说明的是,由于第三实施方式中计算各特征的特征重要度的方法与第一实施方式中计算各特征的特征重要度的方法相同,且第三实施方式中计算各特征的特征区分度的方法与第二实施方式中计算各特征的特征区分度的方法相同,因此省略了对该部分的说明。
作为一具体实施方式,根据上述多个实施方式的计算结果,筛选出排序排名为10的特征,将这十个特征重新执行一遍步骤S101,得到以下至少三个特征:历史用户设备的关机、换号或暂停使用、卸载APP和客服电话拒接,当前申请时间距上一次申请时间的时长,所述历史用户设备关联人的历史资源使用申请次数或申请频率、历史资源归还行为特征、资源额度使用率、资源额度使用率是否小于设定值、特定时间内资源使用额度、单次资源使用额度、有无逾期记录、以及是否有结清记录。进一步将所筛选出的特征作为风险特征和/或类别区分特征
例如,在互联服务资源使用的示例中,筛选出如下特征:所述历史用户设备关联人的历史资源使用申请次数或申请频率,资源额度使用率是否小于设定值,特定时间内资源使用额度,有无逾期记录,以及是否有结清记录。
因此,通过计算各特征的特征重要度和/或特征区分度,进行特征筛选处理,能够更精确且更有效筛选出风险特征和/或类别区分特征。
需要说明的是,上述仅作为示例进行说明,不能理解成对本发明的限制。
在步骤S102中,根据筛选出的风险特征和/或类别区分特征,确定与所述风险特征和/或所述类别区分特征相对应的初始类别层级。
具体地,根据步骤S101所筛选出的风险风险特征或类别区分特征,确定与各风险特征或各类别区分特征相对应的类别节点及其风险标签,以确定包含多层类别节点的初始类别层级。
在一实施方式中,根据所筛选出的风险风险特征或类别区分特征,重新配置风险标签,例如使用将历史用户设备进行分组,以使各训练数据集实现用户设备分类(即用户设备分组)的过程,即生成包含类别节点的多层类别树,由此,完成了确定初始类别层级。
需要说明的是,上述近作为示例进行说明,不能理解成对本发明的限制,在其他示例中,还可以根据所筛选出的风险特征和类别区分特征,对初始类别层级进行确定。
例如,如图2所示,在图2所示的示例中,生成六层级类别节点的树状结构,除第一层级外,其余每层级至少两个类别节点,每一个类别节点均具有一个风险标签或类别区分度标签,例如,该树状结构包括六层级,第一层级为包含一个类别节点,第二层级包含三个类别节点,第三层级包含六个类别节点,第四层级包含八个类别节点,第五层级包含四个类别节点,第六层级包括两个类别节点,其中,所述类别节点如图2或图3所示的黑色圆点。
因此,通过根据筛选出的风险特征和/或类别区分特征,确定与所述风险特征和/或所述类别区分特征相对应的初始类别层级,能够更精确地确定出初始类别层级。
下面将具体说明对所述初始类别层级的合并处理。
在步骤S103中,对所述初始类别层级进行合并处理,得到最终类别层级。
在一实施方式中,对所述初始类别层级进行合并处理,计算位于同一类别层级的风险特征和类别区分特征中任意两个特征之间的相似度。
例如,使用所有风险特征和类别区分特征,构建特征空间,计算风险特征和类别区分特征的向量,并计算风险特征和类别区分特征中任意两个特征向量之间的相似度。
具体地,使用欧式距离进行相似度计算。但是不限于此,在其他示例中,还可以使用马氏距离、曼哈顿距离等方法进行相似度计算。
进一步地,将所计算的相似度大于设定阈值的两个特征所对应的类别节点进行合并处理。例如,将在所计算的欧式距离(例如风险特征1的特征向量与风险特征2的特征向量之间的欧式距d1)大于特定阈值d阈时,判断位于同一类别层级的风险特征1与风险特征2为相似特征,将风险特征1对应的类别节点与风险特征2对应的类别节点合并为一个类别节点。
在另一实施方式中,计算位于同一类别层级的风险特征与类别区分特征之间的相似度,例如,使用欧式距离进行相似度计算,并将所计算的欧式距离(例如风险特征3的特征向量与类别区别特征3的特征向量之间的欧式距d1)大于特定阈值d阈时,判断位于同一类别层级的风险特征3与类别区别特征3为相似特征,将风险特征3对应的类别节点与类别区分特征3对应的类别节点合并为一个类别节点。
在又一实施方式中,计算位于同一类别层级的类别区别特征4与类别区别特征5之间的相似度。由于计算相似度的方法与判断方式与前述的实施方式相同,因此,省略了对该部分的说明。
进一步地,对所述初始类别层级进行合并处理包括:根据预设合并规则,将位于不同类别层级的风险特征和类别区分特征中任意两个特征所对应的类别节点进行合并处理,得到最终类别层级。
具体地,配置预设合并规则,所述预设合并规则包括每个节点的深度小于深度设定值,最后一层级的类别节点数量小于指定数量以及最后一层级的层数小于特定层数。
需要说明的是,所述深度设定值、指定数量和特征层数,均由相关业务人员根据互联网服务类型、样本数量、历史数据所计算的统计平均值以及业务需求等参数来确定的。上述仅作为示例进行说明,不能理解成对本发明的限制。
例如,根据每个节点的深度小于深度设定值(小于3),最后一层级的类别节点数量小于指定数量(小于8),则将图2所示的示例中初始类别层级,合并为图3所示的四层级的树形结构,例如具体将第二层级中位于中间位置的一个类别节点与该类别节点在第三层级中作为分支节点的类别节点合并为一个类别节点,并将第五层级和第六层级的类别节点删除。
接下来,在步骤S104中,根据所述最终类别层级,对新接入用户设备进行鉴别处理。
优选地,根据所述最终类别层级,建立用户设备数据库,该用户设备数据库包括使用用户设备ID(或设备标识码)作为索引进行类别层级建立,所述用户设备数据库包括具有风险标签的黑名单列表,其中,每一个用户设备ID关联有用户设备关联人的资源使用表现特征、风险类别等特征数据;该黑名单包括第一级风险设备、第二级风险设备和第三级风险设备,第一级风险设备的风险大于第二级风险设备,并且第二级风险设备大于第三级风险设备。
作为优选实施方式,使用所述用户设备数据库,对新接入用户设备进行鉴别处理。具体地,当新接入用户设备向资源管理平台进行资源使用申请时,获取所述新接入用户设备的设备数据和用户设备关联人的资源使用表现数据。
更具体地,识别所获取的设备数据中设备ID或设备标识码,将所识别的设备ID或设备标识码与所述用户设备数据库中的黑名单列表进行对比匹配,对所述新接入用户设备进行风险鉴别处理,以确定所述新接入用户设备是否为黑白名单列表中的风险设备,并判断当前时间段是否为资源收紧状态。
需要说明的是,在本发明中,所述资源收紧状态为资源服务平台的收入与支出的比例小于指定比率时,此时,需要减少对资源量的支出,以确保资源服务平台的收入与支出的比例大于等于指定比率,由此保证资源服务平台的收支平衡。
在一实施方式中,在判断当前时间段为资源收紧状态的时间段时,在确定新接入设备为属于黑名单列表中第一级风险设备,则判断拒绝向该新接入设备提供例如互联网资源使用服务、资源分配服务或者资源保障服务。
在另一实施方式中,在判断当前时间段为非资源收紧状态的时间段时,在确定新接入设备为属于黑名单列表中第一级风险设备,则判断拒绝向该新接入设备提供例如互联网资源使用服务、资源分配服务或者资源保障服务。
在又一实施方式中,在判断当前时间段为非资源收紧状态的时间段时,在确定新接入设备为属于黑名单列表中第三级风险设备,则判断向该新接入设备提供例如互联网资源使用服务、资源分配服务或者资源保障服务。
因此,通过最终类别层级建立用户设备数据库,并使用该用户设备数据库对新接入设备的鉴别处理,能够更精确地识别出风险设备,以有效保证资源管理平台的收支平衡。
在另一示例中,识别所获取的设备数据中设备ID或设备标识码,将所识别的设备ID或设备标识码与所述用户设备数据库中的黑名单列表进行对比匹配,所述新接入用户设备不在所述黑名单列表中时,对所述新接入设备的用户设备关联人的资源使用数据进行风险评估计算。
优选地,使用步骤S101所筛选的风险特征和/或类别区分特征建立训练数据集,例如随机森林算法、逻辑回归算法或深度神经网络建立风险识别模型,并使用训练数据集训练所述风险识别模型,所述训练数据集包括标注有风险标签(例如欺诈概率或违约概率)的历史用户设备的设备数据(例如设备ID、设备标识码),其中,所述欺诈概率由如下数据量化后表征:用户造假行为数据、盗刷数据、黑名单用户欺诈行为数据、虚假信息的资源请求数据、重复申请行为数据等。
具体地,使用训练好的风险识别模型计算所述新接入设备的用户设备关联人的评估值,在所计算的评估值大于等于第一设定值时,判断所述新接入设备为第一级风险设备;在所计算评估值大于第二设定值小于第一设定值时,判断所述新接入设备为第二级风险设备;在所计算评估值小于等于第二设定值时,判断所述新接入设备为第三级风险设备。
可选地,对于使用深度神经网络构建风险识别模型时,对所述风险识别模型的模型参数进行优化,所述模型参数包括深度神经网络的各层之间的权重参数和偏置参数。
需要说明的是,上述仅作为示例进行说明,不能理解成对本发明的限制。在其他示例中,模型参数还包括深度神经网络的层数、迭代次数和学习率。
具体地,例如设定模型参数的先验概率服从标准正态分布,使用MCMC方法对所述权重参数和偏置参数的分布进行多次采样,得到参数组合集,具体地,在使用所述参数组合集进行测试时,对所输入的同一用户特征数据进行多次前向传播,计算各模型参数的平均数和统计方差值,以优化各模型参数,最后输出参数优化后的神经网络。由此,能够优化所述风险识别模型的模型参数,能够提高模型精确度。
在另一示例中,如图4所示,所述用户设备鉴别方法还包括对所获取的相关数据进行预处理的步骤S201。
具体地,对所获取的互联网服务的历史用户设备的设备数据和所述历史用户设备关联人的资源使用表现数据进行预处理。
更具体地,所述预处理包括例如通过数据变换得到更规范、软件模型更易于处理的数据、去除源数据集中的噪声数据和无关数据、处理遗漏数据和清洗脏数据、去除空白数据域和知识背景上的白噪声等。此外,还包括考虑时间顺序和数据变化等。
因此,通过对所获取的相关数据进行预处理,能够得到更规范且更易于处理的数据,提高后续数据处理的处理速度。
需要说明的是,上述仅作为示例进行说明,不能理解成对本发明的限制。
上述用户设备鉴别方法的过程仅用于对本发明的说明,其中,步骤的顺序和数量没有特别的限制。此外,上述方法中的步骤还可以拆分成两个(例如将步骤S104拆分成步骤S301和步骤S104,具体参见图5)、三个,或者有些步骤也可以合并成一个步骤,根据实际示例进行调整。
本领域技术人员可以理解,实现上述实施例的全部或部分步骤被实现为由计算机数据处理设备执行的程序(计算机程序)。在该计算机程序被执行时,可以实现本发明提供的上述方法。而且,所述的计算机程序可以存储于计算机可读存储介质中,该存储介质可以是磁盘、光盘、ROM、RAM等可读存储介质,也可以是多个存储介质组成的存储阵列,例如磁盘或磁带存储阵列。所述的存储介质不限于集中式存储,其也可以是分布式存储,例如基于云计算的云存储。
与现有技术相比,本发明通过计算各特征的特征重要度,进行特征筛选处理,能够筛选出风险区分度高且可解释性强的特征;根据筛选出的风险特征和/或类别区分特征,能够确定与风险特征和/或类别区分特征相对应的初始类别层级;通过对所述初始类别层级进行合并处理,得到最终类别层级,以对新接入用户设备进行鉴别处理,能够更有效识别出风险设备。
进一步地,通过计算各特征的特征重要度和/或特征区分度,进行特征筛选处理,能够更精确且更有效筛选出风险特征和类别区分特征;通过最终类别层级建立用户设备数据库,并使用该用户设备数据库对新接入设备的鉴别处理,能够更精确地识别出风险设备,以有效保证资源管理平台的收支平衡;通过优化所述风险识别模型的模型参数,能够提高模型精确度;通过对所获取的相关数据进行预处理,能够得到更规范且更易于处理的数据,提高后续数据处理的处理速度。
实施例2
下面描述本发明的装置实施例,该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节,应视为对于上述方法实施例的补充;对于在本发明装置实施例中未披露的细节,可以参照上述方法实施例来实现。
参照图6、图7和图8,本发明还提供了一种用户设备鉴别装置400,所述用户设备鉴别装置400包括:数据获取模块401,用于获取互联网服务的历史用户设备的设备数据和所述历史用户设备关联人的资源使用表现数据,计算各特征的特征重要度,进行特征筛选处理;确定模块402,根据筛选出的风险特征和/或类别区分特征,确定与所述风险特征和/或所述类别区分特征相对应的初始类别层级,该初始类别层级包括多层类别节点,每个类别节点具有相应风险标签;合并处理模块403,用于对所述初始类别层级进行合并处理,得到最终类别层级;鉴别处理模块404,根据所述最终类别层级,对新接入用户设备进行鉴别处理。
为了能够筛选出风险区分度高且可解释性强的特征,本发明采用对各特征的特征重要度和/或特征区分度进行计算,根据计算结果进行特征筛选。
对于计算各特征的特征重要度和特征区分度。例如使用C4.5,CART等算法进行计算。
在第一实施方式中,使用决策树算法,建立用户设备类别识别模型。根据上述所获取的数据中特征组(该特征组包括至少一个特征),配置风险标签,将历史用户设备进行分组,并基于各风险标签建立多个训练数据集和多个测试数据集。例如,训练数据集包括具有第一风险标签(资源额度使用率是否小于设定值)的历史用户设备的设备数据。例如,训练数据集包括具有第二风险标签(有无结清记录的违约概率或逾期概率是否大于设定值)的历史用户设备的设备数据。
具体地,对于每个特征组和相应的训练数据集,均执行如下步骤:
1)根据各特征组对相应的训练数据集中样本数据进行分割,以使各训练数据集实现用户设备分类(即用户设备分组)的过程,即生成包含类别节点的多层类别树;2)计算各特征组的模型分类精确度,在所计算的模型分类精确度大于指定值(例如为82%~90%)时,筛选出相应特征组,计算所筛选出的所有特征的信息增益值IV以作为特征重要度,依次按特征重要度从高到低,分别对各特征组和各特征进行排序;3)从所述排序中选取特定数量的特征,以完成了特征筛选。例如选取排序排名为前10名的特征。
需要说明的是,当特征组的总信息增益值IV总、以及单个特征的信息增益值IV单均位于排序为前10名时,则筛选出该单个特征。
更具体地,使用如下公式计算各特征的信息增益值IV(Information Value,在本示例中,包括IV单和IV总),以作为各特征的特征重要度。
其中,II单是指单个特征的信息增益值;是指该单个特征对应的训练数据集中正样本数量占所有正样本数量的比例;是指该单个特征对应的训练数据集中负样本数量占所有负样本数量的比例;WOEi是指根据该单个特征进行用户设备的分组后,第i组的WOE(Weight of Evidence)值,
其中,IV总是指一个特征组(包含至少两个特征)中所有特征的信息增益值之和;是指所述一个特征组中单个特征组对应的训练数据集中正样本数量占所有正样本数量的比例;是指所述一个特征组中单个特征组对应的训练数据集中负样本数量占所有负样本数量的比例;WOEi是指根据该单个特征进行用户设备的分组后,第i组的WOE(Weight of Evidence)值,
需要说明的是,上述仅作为示例进行说明,不能理解成对本发明的限制。在其他示例中,还可以例如使用特征的信息增益值IV和特征之间的相关系数CORR的加权求和值或求方差值等作为特征重要度。
因此,通过计算各特征的特征重要度,进行特征筛选处理,能够精确且有效筛选出风险特征和类别区分特征。
需要说明的是,在该实施例2中计算各特征的特征区分度的方法与实施例1中计算各特征的特征区分度的方法相同,因此,省略了对该部分的说明。
作为一具体实施方式,如图7所示,所述用户设备鉴别装置400还包括计算模块501,即将图6中的合并处理模块403拆分成计算模块501和合并处理模块403,所述计算模块501用于计算位于同一类别层级的风险特征和类别区分特征中任意两个特征之间的相似度,将所计算的相似度大于设定阈值的两个特征所对应的类别节点进行合并处理。
具体地,所述合并处理包括:将位于同一类别层级的风险特征和类别区分特征中任意两个特征所对应的类别节点进行合并处理;和/或将位于不同类别层级的风险特征和类别区分特征中任意两个特征所对应的类别节点进行合并处理。
更具体地,使用所有风险特征和类别区分特征,构建特征空间,计算每一个风险特征和每一个类别区分特征的特征向量,并依次计算任意两个特征向量之间的相似度。
例如,使用欧式距离进行相似度计算。但是不限于此,在其他示例中,还可以使用马氏距离、曼哈顿距离等方法进行相似度计算,并将所计算的欧式距离(例如风险特征3的特征向量与类别区别特征3的特征向量之间的欧式距d1)大于特定阈值d阈时,判断位于同一类别层级的风险特征3与类别区别特征3为相似特征,将风险特征3对应的类别节点与类别区分特征3对应的类别节点合并为一个类别节点。
进一步地,对所述初始类别层级进行合并处理包括:根据预设合并规则,将位于不同类别层级的风险特征和类别区分特征中任意两个特征所对应的类别节点进行合并处理,得到最终类别层级。
具体地,配置预设合并规则,所述预设合并规则包括每个节点的深度小于深度设定值,最后一层级的类别节点数量小于指定数量以及最后一层级的层数小于特定层数。由此,完成对初始类别层级的合并处理,以得到得到最终类别层级。
在另一实施方式中,如图8所示,所述用户设备鉴别装置400还包括建立模块601,即将图6中的鉴别处理模块404拆分成建立模块601和鉴别处理模块404。所述建立模块601根据所述最终类别层级,建立用户设备数据库,该用户设备数据库包括使用用户设备ID(或设备标识码)作为索引进行类别层级建立,所述用户设备数据库包括具有风险标签的黑名单列表,其中,每一个用户设备ID关联有用户设备关联人的资源使用表现特征、风险类别等特征数据;该黑名单包括第一级风险设备、第二级风险设备和第三级风险设备,第一级风险设备的风险大于第二级风险设备,并且第二级风险设备大于第三级风险设备。
作为优选实施方式,当新接入用户设备向资源管理平台进行资源使用申请时,获取所述新接入用户设备的设备数据和用户设备关联人的资源使用表现数据。
具体地,识别所获取的设备数据中设备ID或设备标识码,将所识别的设备ID或设备标识码与所述用户设备数据库中的黑名单列表进行对比匹配,对所述新接入用户设备进行风险鉴别处理。由于在该实施例1中具体风险鉴别处理的过程与实施例1中具体风险鉴别处理的过程相同,因此省略对该部分的说明。
需要说明的是,在实施例2中,省略了与实施例1相同的部分的说明。
本领域技术人员可以理解,上述装置实施例中的各模块可以按照描述分布于装置中,也可以进行相应变化,分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
与现有技术相比,本发明通过计算各特征的特征重要度,进行特征筛选处理,能够筛选出风险区分度高且可解释性强的特征;根据筛选出的风险特征和/或类别区分特征,能够确定与风险特征和/或类别区分特征相对应的初始类别层级;通过对所述初始类别层级进行合并处理,得到最终类别层级,以对新接入用户设备进行鉴别处理,能够更有效识别出风险设备。
进一步地,通过计算各特征的特征重要度和/或特征区分度,进行特征筛选处理,能够更精确且更有效筛选出风险特征和类别区分特征;通过最终类别层级建立用户设备数据库,并使用该用户设备数据库对新接入设备的鉴别处理,能够更精确地识别出风险设备,以有效保证资源管理平台的收支平衡;通过优化所述风险识别模型的模型参数,能够提高模型精确度;通过对所获取的相关数据进行预处理,能够得到更规范且更易于处理的数据,提高后续数据处理的处理速度。
实施例3
下面描述本发明的计算机设备实施例,该计算机设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明计算机设备实施例中描述的细节,应视为对于上述方法或装置实施例的补充;对于在本发明计算机设备实施例中未披露的细节,可以参照上述方法或装置实施例来实现。
图9是根据本发明的计算机设备的示例性实施例的结构框图。下面参照图9来描述根据本发明该实施例的的计算机设备200。图9显示的计算机设备200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。
如图9所示,计算机设备200以通用计算设备的形式表现。计算机设备200的组件可以包括但不限于:至少一个处理单元210、至少一个存储单元220、连接不同装置组件(包括存储单元220和处理单元210)的总线230、显示单元240等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元210执行,使得所述处理单元210执行本说明书上述计算机设备的处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元210可以执行如图1所示的步骤。
所述存储单元220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)2201和/或高速缓存存储单元2202,还可以进一步包括只读存储单元(ROM)2203。
所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204,这样的程序模块2205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230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。
计算机设备200也可以与一个或多个外部设备300(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该计算机设备200交互的设备通信,和/或与使得该计算机设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、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250进行。并且,计算机设备200还可以通过网络适配器260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。网络适配器260可以通过总线230与计算机设备200的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备200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。
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计算设备(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。当所述计算机程序被一个数据处理设备执行时,使得该计算机程序产品能够实现本发明的上述方法。
图10是根据本发明的计算机程序产品的示例性实施例的结构框图。
如图10所示,所述计算机程序可以存储于一个或多个计算机程序产品上。计算机程序产品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。计算机程序产品的更具体的例子(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、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机程序产品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。计算机程序产品可以发送、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。计算机程序产品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,本发明可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机程序产品上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
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、虚拟装置或者计算机设备固有相关,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 (10)
1.一种用户设备鉴别方法,其特征在于,包括:
获取互联网服务的历史用户设备的设备数据和所述历史用户设备关联人的资源使用表现数据,计算各特征的特征重要度,进行特征筛选处理;
根据筛选出的风险特征和/或类别区分特征,确定与所述风险特征和/或所述类别区分特征相对应的初始类别层级;
对所述初始类别层级进行合并处理,得到最终类别层级;
根据所述最终类别层级,对新接入用户设备进行鉴别处理。
2.根据权利要求1所述的用户设备鉴别方法,其特征在于,所述进行特征筛选处理包括:
根据决策树算法,计算各特征的特征重要度,并根据所述特征重要度从高到低进行排序,选取特定数量的特征。
3.根据权利要求1所述的用户设备鉴别方法,其特征在于,所述进行特征筛选处理包括:
根据决策树算法,计算各特征的特征区分度,并根据所述特征区分度从高到低进行排序,选取特定数量的特征。
4.根据权利要求2或3所述的用户设备鉴别方法,其特征在于,所述确定与所述风险特征和/或所述类别区分特征相对应的初始类别层级包括:
确定与各风险特征和/或各类别区分特征相对应的类别节点及其风险标签,以确定包含多层类别节点的初始类别层级。
5.根据权利要求4所述的用户设备鉴别方法,其特征在于,所述对所述初始类别层级进行合并处理包括:
计算位于同一类别层级的风险特征和类别区分特征中任意两个特征之间的相似度,将所计算的相似度大于设定阈值的两个特征所对应的类别节点进行合并处理。
6.根据权利要求5所述的用户设备鉴别方法,其特征在于,所述对所述初始类别层级进行合并处理包括:
根据预设合并规则,将位于不同类别层级的风险特征和类别区分特征中任意两个特征所对应的类别节点进行合并处理。
7.根据权利要求1所述的用户设备鉴别方法,其特征在于,还包括:
根据各特征的特征重要度和/或风险区分度,筛选以下至少三个特征:历史用户设备的关机、换号或暂停使用、卸载APP和客服电话拒接,当前申请时间距上一次申请时间的时长,所述历史用户设备关联人的历史资源使用申请次数或申请频率、历史资源归还行为特征、资源额度使用率、资源额度使用率是否小于设定值、特定时间内资源使用额度、单次资源使用额度、有无逾期记录、以及是否有结清记录。
8.根据权利要求1所述的用户设备鉴别方法,其特征在于,所述根据所述最终类别层级,对新接入用户设备进行鉴别处理包括:
根据所述最终类别层级,建立用户设备数据库;
当新接入用户设备向资源管理平台进行资源使用申请时,获取所述新接入用户设备的设备数据,并与所述用户设备数据库进行对比匹配,对所述新接入用户设备进行风险鉴别处理,以确定所述新接入用户设备是否为风险设备。
9.一种用户设备鉴别装置,其特征在于,包括:
数据获取模块,用于获取互联网服务的历史用户设备的设备数据和所述历史用户设备关联人的资源使用表现数据,计算各特征的特征重要度,进行特征筛选处理;
确定模块,根据筛选出的风险特征和/或类别区分特征,确定与所述风险特征和/或所述类别区分特征相对应的初始类别层级,该初始类别层级包括多层类别节点,每个类别节点具有相应风险标签;
合并处理模块,用于对所述初始类别层级进行合并处理,得到最终类别层级;
鉴别处理模块,根据所述最终类别层级,对新接入用户设备进行鉴别处理。
10.根据权利要求9所述的用户设备鉴别装置,其特征在于,所述用户设备鉴别装置还包括计算模块,所述计算模块用于计算位于同一类别层级的风险特征和类别区分特征中任意两个特征之间的相似度,将所计算的相似度大于设定阈值的两个特征所对应的类别节点进行合并处理,其中,
所述合并处理包括:将位于同一类别层级的风险特征和类别区分特征中任意两个特征所对应的类别节点进行合并处理;和/或将位于不同类别层级的风险特征和类别区分特征中任意两个特征所对应的类别节点进行合并处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110799803.8A CN113570222A (zh) | 2021-07-15 | 2021-07-15 | 一种用户设备鉴别方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110799803.8A CN113570222A (zh) | 2021-07-15 | 2021-07-15 | 一种用户设备鉴别方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113570222A true CN113570222A (zh) | 2021-10-29 |
Family
ID=78165004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110799803.8A Pending CN113570222A (zh) | 2021-07-15 | 2021-07-15 | 一种用户设备鉴别方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113570222A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114092132A (zh) * | 2021-11-01 | 2022-02-25 | 常州工学院 | 一种面向用户的共享单车预测方法 |
CN114511022A (zh) * | 2022-01-24 | 2022-05-17 | 百度在线网络技术(北京)有限公司 | 特征筛选、行为识别模型训练、异常行为识别方法及装置 |
CN116596324A (zh) * | 2023-07-18 | 2023-08-15 | 中通信息服务有限公司 | 一种通信施工风险监测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108074024A (zh) * | 2016-11-10 | 2018-05-25 | 阿里巴巴集团控股有限公司 | 风险识别方法、装置及系统 |
CN110009174A (zh) * | 2018-12-13 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 风险识别模型训练方法、装置及服务器 |
CN111598678A (zh) * | 2020-07-27 | 2020-08-28 | 北京淇瑀信息科技有限公司 | 基于增量学习的用户金融风险识别方法、装置及电子设备 |
CN111932269A (zh) * | 2020-08-11 | 2020-11-13 | 中国工商银行股份有限公司 | 设备信息处理方法及装置 |
CN112016635A (zh) * | 2020-10-16 | 2020-12-01 | 腾讯科技(深圳)有限公司 | 设备类型的识别方法、装置、计算机设备和存储介质 |
-
2021
- 2021-07-15 CN CN202110799803.8A patent/CN113570222A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108074024A (zh) * | 2016-11-10 | 2018-05-25 | 阿里巴巴集团控股有限公司 | 风险识别方法、装置及系统 |
CN110009174A (zh) * | 2018-12-13 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 风险识别模型训练方法、装置及服务器 |
CN111598678A (zh) * | 2020-07-27 | 2020-08-28 | 北京淇瑀信息科技有限公司 | 基于增量学习的用户金融风险识别方法、装置及电子设备 |
CN111932269A (zh) * | 2020-08-11 | 2020-11-13 | 中国工商银行股份有限公司 | 设备信息处理方法及装置 |
CN112016635A (zh) * | 2020-10-16 | 2020-12-01 | 腾讯科技(深圳)有限公司 | 设备类型的识别方法、装置、计算机设备和存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114092132A (zh) * | 2021-11-01 | 2022-02-25 | 常州工学院 | 一种面向用户的共享单车预测方法 |
CN114511022A (zh) * | 2022-01-24 | 2022-05-17 | 百度在线网络技术(北京)有限公司 | 特征筛选、行为识别模型训练、异常行为识别方法及装置 |
CN114511022B (zh) * | 2022-01-24 | 2022-12-27 | 百度在线网络技术(北京)有限公司 | 特征筛选、行为识别模型训练、异常行为识别方法及装置 |
CN116596324A (zh) * | 2023-07-18 | 2023-08-15 | 中通信息服务有限公司 | 一种通信施工风险监测方法及系统 |
CN116596324B (zh) * | 2023-07-18 | 2024-04-16 | 中通信息服务有限公司 | 一种通信施工风险监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112348519A (zh) | 一种欺诈用户识别方法、装置和电子设备 | |
CN113570222A (zh) | 一种用户设备鉴别方法、装置和计算机设备 | |
CN112270545A (zh) | 基于迁移样本筛选的金融风险预测方法、装置和电子设备 | |
CN110796542A (zh) | 金融风险控制方法、金融风险控制装置和电子设备 | |
CN112508580A (zh) | 基于拒绝推断方法的模型构建方法、装置和电子设备 | |
CN113011889B (zh) | 账号异常识别方法、系统、装置、设备及介质 | |
CN111145009A (zh) | 用户贷后风险评估方法、装置及电子设备 | |
CN111199469A (zh) | 用户还款模型生成方法、装置及电子设备 | |
CN111597343B (zh) | 一种基于app的智能化用户职业判断方法、装置和电子设备 | |
CN112348321A (zh) | 风险用户的识别方法、装置及电子设备 | |
CN111192133A (zh) | 用户贷后风险模型生成方法、装置及电子设备 | |
CN111582645B (zh) | 基于因子分解机的app风险评估方法、装置和电子设备 | |
CN112819024B (zh) | 模型处理方法、用户数据处理方法及装置、计算机设备 | |
CN112561685A (zh) | 客户的分类方法和装置 | |
CN111191825A (zh) | 用户违约预测方法、装置及电子设备 | |
CN113537960A (zh) | 一种异常资源转移链路的确定方法、装置和设备 | |
CN111178701B (zh) | 一种基于特征衍生技术的风险控制方法方法、装置和电子设备 | |
CN111179055A (zh) | 授信额度调整方法、装置和电子设备 | |
CN113379124A (zh) | 基于预测模型的人员稳定性预测方法及装置 | |
CN117437020A (zh) | 商户风险判定方法、装置、电子设备和介质 | |
CN111966798A (zh) | 一种基于多轮K-means算法的意图识别方法、装置和电子设备 | |
CN114897607A (zh) | 产品资源的数据处理方法及装置、电子设备、存储介质 | |
CN113610132A (zh) | 一种用户设备鉴别方法、装置和计算机设备 | |
CN113570114A (zh) | 一种资源服务智能匹配方法、系统和计算机设备 | |
CN113592160A (zh) | 基于融合处理的用户设备的失联风险预测方法、系统和计算机设备 |
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 |