CN113591064B - 互联网服务的用户再认证方法、系统和计算机设备 - Google Patents
互联网服务的用户再认证方法、系统和计算机设备 Download PDFInfo
- Publication number
- CN113591064B CN113591064B CN202110790627.1A CN202110790627A CN113591064B CN 113591064 B CN113591064 B CN 113591064B CN 202110790627 A CN202110790627 A CN 202110790627A CN 113591064 B CN113591064 B CN 113591064B
- Authority
- CN
- China
- Prior art keywords
- user
- authentication
- rejected
- internet service
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000011156 evaluation Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 238000010276 construction Methods 0.000 claims description 9
- 238000013468 resource allocation Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 7
- 238000007477 logistic regression Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 22
- 238000004590 computer program Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 6
- 238000012821 model calculation Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/44—Program or device authentication
-
- 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
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/10—Protecting distributed programs or content, e.g. vending or licensing of copyrighted material ; Digital rights management [DRM]
- G06F21/107—License processing; Key processing
-
- 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Computer Security & Cryptography (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Multimedia (AREA)
- Technology Law (AREA)
- Mobile Radio Communication Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种互联网服务的用户再认证方法、系统和计算机设备。该方法包括:获取当前被拒绝用户的用户特征数据,所述当前被拒绝用户指在当前请求所述互联网服务时被拒绝认证的用户;构建用户再认证模型,使用所述互联网服务的历史被拒绝用户的用户特征数据和该历史被拒绝用户在被拒绝后在同类别互联网服务中的表现数据对所述用户再认证模型进行训练;将所述当前被拒绝用户的用户特征数据输入训练好的所述用户再认证模型以计算所述当前被拒绝用户的再认证评估值;根据所计算的再认证评估值,对该当前被拒绝用户进行再认证。本发明通过构建用户再认证模型,使用该用户再认证模型对已被拒绝用户进行二次认证,能够有效避免误拒绝用户的用户认证错误问题,并能够提高用户认证的精确度。
Description
技术领域
本发明涉及计算机信息处理领域,具体而言,涉及一种互联网服务的用户再认证方法、系统和计算机设备。
背景技术
风险认证是对风险的量化,是风险管理的关键性技术。目前一般通过建模的方式进行风险认证,在模型的建立过程中,主要有数据抽取、特征生成、特征选取、算法模型生成和合理性评估等步骤。
在现有技术中,互联网领域的风险认证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。此外,随着数据的来源渠道越来越丰富,可以作为风险特征变量的数据也越来越多。但是,在建立模型时,通常仅使用已通过用户(或者具有标签的用户数据)作为建模样本,而没有考虑那些被拒绝用户的好坏状态,由此导致所建的模型总是“使用部分样本数据去估计总体”,因而存在参数估计的偏差。此外,还存在误拒绝用户以及用户认证错误等问题,由此导致用户认证精确度底。事实上,在模型认证精度、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再认证方法。
发明内容
为了提高模型认证精度,有效避免误拒绝用户的用户认证错误问题,本发明的第一方面提供了一种互联网服务的用户再认证方法,用于对已被拒绝认证过的用户重新认证,以使被误拒绝认证的用户重新获得所述互联网服务,包括:获取当前被拒绝用户的用户特征数据,所述当前被拒绝用户指在当前请求所述互联网服务时被拒绝认证的用户;构建用户再认证模型,使用所述互联网服务的历史被拒绝用户的用户特征数据和该历史被拒绝用户在被拒绝后在同类别互联网服务中的表现数据对所述用户再认证模型进行训练;将所述当前被拒绝用户的用户特征数据输入训练好的所述用户再认证模型以计算所述当前被拒绝用户的再认证评估值;根据所计算的再认证评估值,对该当前被拒绝用户进行再认证。
根据本发明的可选实施方式,所述历史被拒绝用户在被拒绝后在同类别互联网服务中的表现数据包括:该历史被拒绝用户被拒绝提供所述互联网服务之时已认证但未结束的同类别互联网服务的用户行为表现数据;和/或该历史被拒绝用户被拒绝提供所述互联网服务之时已认证但未结束的同类别互联网服务的特定时间段内的用户行为表现数据。
根据本发明的可选实施方式,所述历史被拒绝用户在被拒绝后在同类别互联网服务中的表现数据是一个二值化标签数据。
根据本发明的可选实施方式,所述用户特征数据包括以下至少一项数据:已申请互联网服务次数、已有互联网服务额、已归还互联网服务额和未归还互联网服务额。
根据本发明的可选实施方式,所述根据所计算的再认证评估值,对该当前被拒绝用户进行再认证包括:当所计算的再认证评估值大于特定值时,判断所述当前被拒绝用户通过了所述再认证,确定所述当前被拒绝用户为被误拒绝认证的用户,所述被误拒绝认证的用户表征能重新获得所述互联网服务的用户;当所计算的再认证评估值小于等于特定值时,判断所述当前被拒绝用户未通过所述再认证,确定所述当前被拒绝用户不是被误拒绝认证的用户。
根据本发明的可选实施方式,还包括筛选被拒绝用户的步骤:获取待认证用户互联网服务申请,所述用户互联网服务申请包括用户特征数据和申请互联网服务额;使用风险模型,输入所述用户特征数据和申请互联网服务额,计算所述待认证用户的风险评分,以筛选被拒绝用户。
根据本发明的可选实施方式,还包括:在所计算的用户风险评分大于特定阈值时,判断该待认证用户为被拒绝用户,并筛选出所述待认证用户;在所计算的用户风险评分小于等于特定阈值时,判断该待认证用户为接受用户。
根据本发明的可选实施方式,使用以下至少一种算法,构建所述用户再认证模型:XGBoost算法、TextCNN算法、随机森林算法和逻辑回归算法。
本发明的第二方面提供了一种互联网服务的用户再认证系统,用于对已被拒绝认证过的用户重新认证,以使被误拒绝认证的用户重新获得所述互联网服务,包括:数据获取模块,用于获取当前被拒绝用户的用户特征数据,所述当前被拒绝用户指在当前请求所述互联网服务时被拒绝认证的用户;模型构建模块,用于构建用户再认证模型,使用所述互联网服务的历史被拒绝用户的用户特征数据和该历史被拒绝用户在被拒绝后在同类别互联网服务中的表现数据对所述用户再认证模型进行训练;计算模块,用于将所述当前被拒绝用户的用户特征数据输入训练好的所述用户再认证模型以计算所述当前被拒绝用户的再认证评估值;再认证模块,根据所计算的再认证评估值,对该当前被拒绝用户进行再认证。
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互联网服务的用户再认证方法。
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互联网服务的用户再认证方法。
有益效果
与现有技术相比,本发明通过使用历史被拒绝用户在被拒绝后(特定时间段内)在同类别互联网服务的用户行为表现数据,作为用户再认证标签以构建用户再认证模型,使用该用户再认证模型对已被拒绝用户进行二次认证,能够有效避免误拒绝用户的用户认证错误问题,并能够提高用户认证的精确度。
进一步地,通过调整所述用户再认证模型中的模型参数,能够优化模型参数,能够提高模型认证精度;通过对模型参数进行优化,使用优化了模型参数的用户再认证模型,对已被拒绝用户进行二次认证,能够有效避免误拒绝用户的用户认证错误问题,并能够进一步提高用户认证的精确度,还能够有效地重新捞回一部分被误拒绝认证的用户。
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的互联网服务的用户再认证方法的一示例的流程图。
图2是本发明的实施例1的互联网服务的用户再认证方法的另一示例的流程图。
图3是本发明的实施例1的互联网服务的用户再认证方法的又一示例的流程图。
图4是本发明的实施例2的互联网服务的用户再认证系统的一示例的示意图。
图5是本发明的实施例2的互联网服务的用户再认证系统的另一示例的示意图。
图6是本发明的实施例2的互联网服务的用户再认证系统的又一示例的示意图。
图7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8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,本发明提出了一种互联网服务的用户再认证方法。该用户再认证方法通过构建用户再认证模型,使用该用户再认证模型对已被拒绝用户进行二次认证,能够有效避免误拒绝用户的用户认证错误问题,并能够提高用户认证的精确度。以下将详细描述本发明方法的具体过程。
实施例1
下面,将参照图1至图3描述本发明的互联网服务的用户再认证方法方法的实施例。
图1为本发明的互联网服务的用户再认证方法的流程图。如图1所示,该方法包括如下步骤。
步骤S101,获取当前被拒绝用户的用户特征数据,所述当前被拒绝用户指在当前请求所述互联网服务时被拒绝认证的用户。
步骤S102,构建用户再认证模型,使用所述互联网服务的历史被拒绝用户的用户特征数据和该历史被拒绝用户在被拒绝后在同类别互联网服务中的表现数据对所述用户再认证模型进行训练。
步骤S103,将所述当前被拒绝用户的用户特征数据输入训练好的所述用户再认证模型以计算所述当前被拒绝用户的再认证评估值。
步骤S104,根据所计算的再认证评估值,对该当前被拒绝用户进行再认证。
需要说明的是,在本发明中,所述用户再认证方法用于对已被拒绝认证过的用户重新认证,以使被误拒绝认证的用户重新获得所述互联网服务。所述用户再认证方法应用广泛,特别适用于资源分配(资源使用)、购物、共享、乘车以及导航等多个领域,通过本发明的方法能够重新捞回一部分被误拒绝认证的用户。下面将结合具体互联网服务的具体示例进行说明。
首先,在步骤S101中,获取当前被拒绝用户的用户特征数据,所述当前被拒绝用户指在当前请求所述互联网服务时被拒绝认证的用户。
具体地,从历史用户数据中,获取特定时间内因申请互联网服务资源使用而被拒绝认证的用户的用户特征数据,其中,所述用户特征数据包括用户基本信息数据和用户行为表现数据。
在本示例中,所述用户特征数据包括以下至少一项数据:已申请互联网服务次数、已有互联网服务额、已归还互联网服务额和未归还互联网服务额。
可选地,所述用户特征数据还包括用户基本信息数据、社交行为数据等。例如用户年龄、性别、职业、月收入/年收入等。
具体地,用户行为表现数据包括对互联网服务所表现的相关行为数据,例如资源使用行为数据、资源归还行为数据、归还逾期或违约数据等数据。但是不限于此,在其他示例中,还可以包括同类资源使用行为数据、动支行为数据等等,上述仅作为示例进行说明,不能理解成对本发明的限制。
可选地,所述特定时间包括15天、30天、60天或90天等。
具体地,被拒绝用户指在请求所述互联网服务时被拒绝认证的用户。而当前被拒绝用户指在当前请求所述互联网服务时被拒绝认证的用户。
作为一具体实施方式,用户1向互联网资源服务平台发送资源使用请求,该资源使用请求例如为请求在一定时间段内(例如在半年内)使用特定资源额度(例如2万)的资源。但是,互联网资源管理平台获取用户1的用户数据并根据预定判断规则(例如收入稳定性是否大于设定值,或者归还风险值是否大于特定值)对用户1进行用户认证时,判断用户1是例如收入不稳定等的高风险用户,因此,互联网资源管理平台拒绝了对用户1提供资源使用服务,则用户1是被拒绝用户。
作为另一具体实施方式,用户2向资源筹集平台申请资源筹集项目的请求,例如由项目组织人例如在资源筹集平台等发起的由资源筹集人向资源持有人筹集资源的项目,例如该资源筹集项目为用于大病或重疾的资源筹集项目以向需要救治的病人提供医疗筹款等的互联网服务(即资源保障服务)。当资源筹集平台获取用户2的用户特征数据并对用户2进行用户认证时,例如根据过去三个月内同类资源保障产品或资源筹集项目中用户行为表现数据,计算用户2的欺诈概率,在欺诈概率大于设定值时,拒绝对用户2提供相应互联网服务,则用户2是被拒绝用户。
需要说明的是,在本示例中,所述资源保障服务用于大病或重疾的资源筹集项目以向需要救治的病人提供医疗筹款的互联网服务。但是不限于此,上述仅作为示例进行说明,在其他示例中,所述资源保障服务还可以为其他救助或互助的项目以及资源分配项目(例如理财服务项目)等提供互联网服务。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。
作为又一具体实施方式,用户3向乘车管理平台发送乘车服务注册请求,当乘车管理平台获取用户3的用户数据并对用户3进行用户认证时,例如根据过去三个月内同类乘车服务产品中乘车违约记录信息,判断用户3的乘车违约风险高,因此,乘车管理平台拒绝了对用户3提供资源使用服务,则用户3是被拒绝用户。
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。
为了能够提高用户认证的精确度,有效避免误拒绝用户的用户认证错误问题,本发明通过构建用户再认证模型,使用该用户再认证模型对已被拒绝用户进行二次认证,能够有效避免误拒绝用户的用户认证错误问题,并能够提高用户认证的精确度。下面将具体说明所述用户再认证模型的构建过程。
在步骤S102中,构建用户再认证模型,使用所述互联网服务的历史被拒绝用户的用户特征数据和该历史被拒绝用户在被拒绝后在同类别互联网服务中的表现数据对所述用户再认证模型进行训练。
对于用户再认证模型的构建,使用以下至少一种算法:构建所述用户再认证模型:XGBoost算法、TextCNN算法、随机森林算法、逻辑回归算法、RNN或LSTM网络算法。
本步骤中,作为一实施方式,使用RNN或逻辑回归算法,建立用户再认证模型,并使用训练数据集训练该用户再认证模型,所述训练数据集包括历史被拒绝用户的用户特征数据和该历史被拒绝用户在被拒绝后在同类别互联网服务中的表现数据,其中,使用用户行为表现标签是由该历史被拒绝用户在被拒绝后在同类别互联网服务中的表现数据来表征的标签,该用户行为标签为二值化标签数据,例如是一个0~1之间的数值。
具体地,历史被拒绝用户的用户特征数据为输入特征,所述输出特征为用户行为标签。
在一实施方式中,所述历史被拒绝用户在被拒绝后在同类别互联网服务中的表现数据包括:该历史被拒绝用户被拒绝提供所述互联网服务之时已认证但未结束的同类别互联网服务的用户行为表现数据。
例如,在历史被拒绝用户被拒绝提供资源保障服务之时已认证但未结束的同类别资源保障服务的用户欺诈行为数据、用户违约行为数据等。
在另一实施方式中,所述历史被拒绝用户在被拒绝后在同类别互联网服务中的表现数据包括:该历史被拒绝用户被拒绝提供所述互联网服务之时已认证但未结束的同类别互联网服务的特定时间段内的用户行为表现数据。
可选地,所述特定时间为15天~90天,例如为15天,20天,30天,60天或90天等。
例如,在历史被拒绝用户被拒绝提供资源保障服务之时已认证但未结束的同类别资源保障服务的60天内是否有用户欺诈行为数据、用户违约行为数据等。
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。
作为一实施方式中,模型构建还包括定义好、坏样本,作为一个具体的例子,可以使用“该历史被拒绝用户在被拒绝后特定时间段内在同类别互联网服务中是否有用户欺诈行为(即用户欺诈概率(或违约概率))”的标签值定义为0或1,1表示有用户欺诈行为,0表示没有用户欺诈行为。在实际模型计算中,对于各历史被拒绝用户,模型输出的预测值通常是一个0和1之间的数值。越接近0表示没有用户欺诈行为的可能性越大(即再认证通过的概率越大)。
作为另一实施方式,将“用户的其他资源分配申请在拒绝后特定时间段内(例如为14天,20天等)未发生逾期(或违约)的用户逾期概率(或用户违约概率)”的标签值定义为0或1,1表示发生了用户逾期行为,0表示未发生用户逾期行为。在实际模型计算中,对于各历史被拒绝用户,模型输出的预测值通常是一个0和1之间的数值。越接近1表示发生用户欺诈行为的可能性越大(即再认证通过的概率越小)。
由此,通过使用历史被拒绝用户在被拒绝后(特定时间段内)在同类别互联网服务的用户行为表现数据,作为用户再认证标签,以构建用户再认证模型,并使用该用户再认证模型对已被拒绝用户进行二次认证,能够有效避免误拒绝用户的用户认证错误问题,并能够提高用户认证的精确度。
对于模型构建中训练数据集的训练数据样本,还包括进行如下步骤:判断被拒绝用户的真实概率与预测概率是否一致的步骤。
具体地,计算真实概率和所输出的预测概率的相对偏差,其中,在所计算的相对偏差小于设定值时,判断真实概率和所述预测概率一致;而在所计算的相对偏差值大于等于设定值时,判断真实概率和所述预测概率一致。由此,能够更精确地判断真实概率和所述预测概率是否一致。
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,在其他实施方式中,也可以计算真实概率与所输出的预测概率的差值来判断真实概率和预测概率是否一致。在本示例中,所述设定值是由业务人员根据历史真实概率的统计值所确定的。但是不限于此,在其他示例中,还可通过其他方式进行确定。
作为一实施方式,在判断真实概率和所述预测概率是否一致的步骤之后,判断与所述真实概率一致的所述预测概率的数量在所有所述训练数据样本的数量的占比是否大于预设占比值。
若是,则用户再认证模型收敛,得到训练完成的用户再认证模型。
若否,则调整所述用户再认证模型中的模型参数,重新通过所述用户再认证模型预测所述历史被拒绝用户的预测概率,直至与所述真实概率一致的所述预测概率的数量在所有所述训练数据样本的数量的占比大于预设占比值。
需要说明的是,对于上述判断与所述真实概率一致的所述预测概率的数量在所有所述训练数据样本的数量的占比是否大于预设占比值的步骤等等,还可以更换构建模型所使用的机器学习方法,重新建立用户再认证模型,等等。上述仅作为示例进行说明,不能理解成对本发明的限制。
由此,通过调整所述用户再认证模型中的模型参数,能够优化模型参数,能够提高模型认证精度;对模型参数进行优化,通过优化了模型参数的用户再认证模型,对已被拒绝用户进行二次认证,能够有效避免误拒绝用户的用户认证错误问题,并能够进一步提高用户认证的精确度。
接下来,在步骤S103中,将所述当前被拒绝用户的用户特征数据输入训练好的所述用户再认证模型以计算所述当前被拒绝用户的再认证评估值。
在一实施方式中,获取当前被拒绝用户的用户特征数据。例如,该用户特征数据为对资源分配服务产品的已申请互联网服务次数、已有互联网服务额、已归还互联网服务额和未归还互联网服务额。
需要说明的是,由于本步骤中的用户特征数据与步骤S101中的用户特征数据所表示的物理意义相同,因此,省略了对所述用户特征数据的具体说明。
具体地,将所述当前被拒绝用户的用户特征数据输入训练好的所述用户再认证模型,以计算所述当前被拒绝用户的再认证评估值。
接下来,在步骤S104中,根据所计算的再认证评估值,对该当前被拒绝用户进行再认证。
在一具体实施方式中,当所计算的再认证评估值大于特定值时,判断所述当前被拒绝用户通过了所述再认证,确定所述当前被拒绝用户为被误拒绝认证的用户,所述被误拒绝认证的用户表征能重新获得所述互联网服务的用户。
例如,对于资源分配服务或资源保障服务的互联网服务的用户再认账过程中,当所计算的再认证评估值大于特定值时,判断所述当前被拒绝用户通过了用户再认证,确定该当前被拒绝用户能重新获得例如资源分配服务或者资源保障服务。
在另一具体实施方式中,当所计算的再认证评估值小于等于特定值时,判断所述当前被拒绝用户未通过所述再认证,确定所述当前被拒绝用户不是被误拒绝认证的用户。
例如,当所计算的再认证评估值小于等于特定值时,判断所述当前被拒绝用户未通过所述再认证,确定所述当前被拒绝用户不是被误拒绝认证的用户,例如在距该次再认证起两个月或三个月等时间段内不能再重新获得例如资源分配服务或者资源保障服务,并将该当前被拒绝用户的用户特征数据进行记录,以用于后续再认证或其他数据分析使用。
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。
因此,通过用户再认证模型,对当前被拒绝用户进行再认证,能够精确地确定出被误拒绝认证的用户,能够进一步提高用户认证的精确度。
图2是本发明的实施例1的互联网服务的用户再认证方法的另一示例的流程图。
如图2所示,还包括筛选被拒绝用户的步骤S201。
具体地,获取待认证用户互联网服务申请,所述用户互联网服务申请包括用户特征数据和申请互联网服务额。
进一步地,使用风险模型,输入所述用户特征数据和申请互联网服务额,计算所述待认证用户的风险评分,以筛选被拒绝用户。
例如,所述风险模型为例如使用深度神经网络建立的风险模型,并使用训练数据集训练该风险模型,所述训练数据集包括标注有用户欺诈概率或违约概率的历史用户及其用户特征数据。其中,输入特征为用户特征数据,输出特征为用户欺诈概率或违约概率。
可选地,对所述风险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,能够优化所述风险模型的模型参数,能够提高模型精确度。
在一实施方式中,使用优化模型参数的风险模型计算待认证用户的用户风险评分,在所计算的用户风险评分大于特定阈值时,判断该待认证用户为被拒绝用户,并筛选出所述待认证用户。
在另一实施方式中,在所计算的用户风险评分小于等于特定阈值时,判断该待认证用户为接受用户。
由此,通过计算所述待认证用户的风险评分的方法,能够精确地筛选出被拒绝用户。
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。
上述用户再认证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(具体参见图3,将步骤S102拆分成步骤S102和步骤S301)、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,本发明通过使用历史被拒绝用户在被拒绝后(特定时间段内)在同类别互联网服务的用户行为表现数据,作为用户再认证标签以构建用户再认证模型,使用该用户再认证模型对已被拒绝用户进行二次认证,能够有效避免误拒绝用户的用户认证错误问题,并能够提高用户认证的精确度。
进一步地,通过调整所述用户再认证模型中的模型参数,能够优化模型参数,能够提高模型认证精度;通过对模型参数进行优化,使用优化了模型参数的用户再认证模型,对已被拒绝用户进行二次认证,能够有效避免误拒绝用户的用户认证错误问题,并能够进一步提高用户认证的精确度,还能够有效地重新捞回一部分被误拒绝认证的用户。
实施例2
下面描述本发明的系统实施例,该系统可以用于执行本发明的方法实施例。对于本发明系统实施例中描述的细节,应视为对于上述方法实施例的补充;对于在本发明系统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4、图5和图6,本发明的第二方面提供了一种互联网服务的用户再认证系统400,用于对已被拒绝认证过的用户重新认证,以使被误拒绝认证的用户重新获得所述互联网服务,所述用户再认证系统400包括:数据获取模块401,用于获取当前被拒绝用户的用户特征数据,所述当前被拒绝用户指在当前请求所述互联网服务时被拒绝认证的用户;模型构建模块402,用于构建用户再认证模型,使用所述互联网服务的历史被拒绝用户的用户特征数据和该历史被拒绝用户在被拒绝后在同类别互联网服务中的表现数据对所述用户再认证模型进行训练;计算模块403,用于将所述当前被拒绝用户的用户特征数据输入训练好的所述用户再认证模型以计算所述当前被拒绝用户的再认证评估值;再认证模块404,根据所计算的再认证评估值,对该当前被拒绝用户进行再认证。
在一实施方式中,所述历史被拒绝用户在被拒绝后在同类别互联网服务中的表现数据包括:该历史被拒绝用户被拒绝提供所述互联网服务之时已认证但未结束的同类别互联网服务的用户行为表现数据。
在另一实施方式中,所述历史被拒绝用户在被拒绝后在同类别互联网服务中的表现数据包括:该历史被拒绝用户被拒绝提供所述互联网服务之时已认证但未结束的同类别互联网服务的特定时间段内的用户行为表现数据。
具体地,所述历史被拒绝用户在被拒绝后在同类别互联网服务中的表现数据是一个二值化标签数据。
具体地,所述用户特征数据包括以下至少一项数据:已申请互联网服务次数、已有互联网服务额、已归还互联网服务额和未归还互联网服务额。
对于用户再认证模型的构建,所述模型构建模块402使用以下至少一种算法,构建所述用户再认证模型:XGBoost算法、TextCNN算法、随机森林算法、逻辑回归算法、RNN或LSTM网络算法。
作为一实施方式,使用RNN或逻辑回归算法,建立用户再认证模型,并使用训练数据集训练该用户再认证模型,所述训练数据集包括历史被拒绝用户的用户特征数据和该历史被拒绝用户在被拒绝后在同类别互联网服务中的表现数据,其中,使用用户行为表现标签是由该历史被拒绝用户在被拒绝后在同类别互联网服务中的表现数据来表征用户行为的标签,该用户行为标签为二值化标签数据,例如是一个0~1之间的数值。
具体地,历史被拒绝用户的用户特征数据为输入特征,所述输出特征为用户行为标签。
在一实施方式中,所述历史被拒绝用户在被拒绝后在同类别互联网服务中的表现数据包括:该历史被拒绝用户被拒绝提供所述互联网服务之时已认证但未结束的同类别互联网服务的用户行为表现数据。
例如,在历史被拒绝用户被拒绝提供资源保障服务之时已认证但未结束的同类别资源保障服务的用户欺诈行为数据、用户违约行为数据等。
例如,在历史被拒绝用户被拒绝提供资源保障服务之时已认证但未结束的同类别资源保障服务的60天内是否有用户欺诈行为数据、用户违约行为数据等。
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。
作为一实施方式中,模型构建还包括定义好、坏样本,作为一个具体的例子,可以使用“该历史被拒绝用户在被拒绝后特定时间段内在同类别互联网服务中是否有用户欺诈行为(即用户欺诈概率(或违约概率))”的标签值定义为0或1,1表示有用户欺诈行为,0表示没有用户欺诈行为。在实际模型计算中,对于各历史被拒绝用户,模型输出的预测值通常是一个0和1之间的数值。越接近0表示没有用户欺诈行为的可能性越大(即再认证通过的概率越大)。
作为另一实施方式,将“用户的其他资源分配申请在拒绝后特定时间段内(例如为14天,20天等)未发生逾期(或违约)的用户逾期概率(或用户违约概率)”的标签值定义为0或1,1表示发生了用户逾期行为,0表示未发生用户逾期行为。在实际模型计算中,对于各历史被拒绝用户,模型输出的预测值通常是一个0和1之间的数值。越接近1表示发生用户欺诈行为的可能性越大(即再认证通过的概率越小)。
由此,通过使用历史被拒绝用户在被拒绝后(特定时间段内)在同类别互联网服务的用户行为表现数据,作为用户再认证标签,以构建用户再认证模型,并使用该用户再认证模型对已被拒绝用户进行二次认证,能够有效避免误拒绝用户的用户认证错误问题,并能够提高用户认证的精确度。
如图5所示,所述用户再认证系统400还包括确定模块501,即将再认证模块404拆分成再认证模块404和确定模块501。
具体地,所述确定模块501用于确定所述当前被拒绝用户是否是被误拒绝认证的用户。
当所计算的再认证评估值大于特定值时,判断所述当前被拒绝用户通过了所述再认证,所述确定模块501确定所述当前被拒绝用户为被误拒绝认证的用户,所述被误拒绝认证的用户表征能重新获得所述互联网服务的用户。
而当所计算的再认证评估值小于等于特定值时,判断所述当前被拒绝用户未通过所述再认证,确定模块501确定所述当前被拒绝用户不是被误拒绝认证的用户。
如图6所示,所述用户再认证系统400还包括筛选模块601,所述筛选模块601用于筛选被拒绝用户。
具体地,获取待认证用户互联网服务申请,所述用户互联网服务申请包括用户特征数据和申请互联网服务额。
例如,使用风险模型,输入所述用户特征数据和申请互联网服务额,计算所述待认证用户的风险评分,以筛选被拒绝用户。
具体地,所述风险模型为例如使用深度神经网络建立的风险模型,饼使用训练数据集训练该风险模型,所述训练数据集包括标注有用户欺诈概率或违约概率的历史用户及其用户特征数据。其中,输入特征为用户特征数据,输出特征为用户欺诈概率或违约概率。
可选地,对所述风险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,能够优化所述风险模型的模型参数,能够提高模型精确度。
在一实施方式中,使用优化模型参数的风险模型计算待认证用户的用户风险评分,在所计算的用户风险评分大于特定阈值时,判断该待认证用户为被拒绝用户,并筛选出所述待认证用户。
在另一实施方式中,在所计算的用户风险评分小于等于特定阈值时,判断该待认证用户为接受用户。
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,上述系统实施例中的各模块可以按照描述分布于系统中,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系统中。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,本发明通过使用历史被拒绝用户在被拒绝后(特定时间段内)在同类别互联网服务的用户行为表现数据,作为用户再认证标签以构建用户再认证模型,使用该用户再认证模型对已被拒绝用户进行二次认证,能够有效避免误拒绝用户的用户认证错误问题,并能够提高用户认证的精确度。
进一步地,通过调整所述用户再认证模型中的模型参数,能够优化模型参数,能够提高模型认证精度;通过对模型参数进行优化,使用优化了模型参数的用户再认证模型,对已被拒绝用户进行二次认证,能够有效避免误拒绝用户的用户认证错误问题,并能够进一步提高用户认证的精确度,还能够有效地重新捞回一部分被误拒绝认证的用户。
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系统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系统实施例的补充;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系统实施例来实现。
图7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7来描述根据本发明该实施例的的计算机设备200。图7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7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。
如图8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发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上所述,本发明可以以硬件实现,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、虚拟装置或者电子设备固有相关,各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种互联网服务的用户再认证方法,用于对已被拒绝认证过的用户重新认证,以使被误拒绝认证的用户重新获得所述互联网服务,其特征在于,包括:
获取当前被拒绝用户的用户特征数据,所述当前被拒绝用户指在当前请求所述互联网服务时被拒绝认证的用户;
构建用户再认证模型,使用所述互联网服务的历史被拒绝用户的用户特征数据和所述历史被拒绝用户在被拒绝后在同类别互联网服务中的表现数据对所述用户再认证模型进行训练;所述历史被拒绝用户在被拒绝后在同类别互联网服务中的表现数据包括:所述历史被拒绝用户被拒绝提供所述互联网服务之时已认证但未结束的同类别互联网服务的特定时间段内的用户行为表现数据;以及,对构建所述用户再认证模型进行训练的训练数据集中的训练样本,需要判断所述历史被拒绝用户的真实概率与预测概率是否一致,再判断与真实概率一致的预测概率的数量在训练样本数量的占比是否大于预设比值,若是则所述用户再认证模型收敛而训练完成,若否则调整所述用户再认证模型的模型参数重新预测或者更换所述用户再认证模型所使用的机器学习算法而重新构建模型;
将所述当前被拒绝用户的用户特征数据输入训练好的所述用户再认证模型以计算所述当前被拒绝用户的再认证评估值;
根据所计算的再认证评估值,对该当前被拒绝用户进行再认证,包括:当所计算的再认证评估值大于特定值时,判断所述当前被拒绝用户通过了所述再认证,确定所述当前被拒绝用户为被误拒绝认证的用户,所述被误拒绝认证的用户表征能重新获得所述互联网服务的用户;当所计算的再认证评估值小于等于特定值时,判断所述当前被拒绝用户未通过所述再认证,确定所述当前被拒绝用户不是被误拒绝认证的用户且将该当前被拒绝用户的用户特征数据进行记录以用于后续再认证或其他数据分析使用。
2.根据权利要求1所述的互联网服务的用户再认证方法,其特征在于,所述历史被拒绝用户在被拒绝后在同类别互联网服务中的表现数据,还包括:所述历史被拒绝用户被拒绝提供所述互联网服务之时已认证但未结束的同类别互联网服务的用户行为表现数据。
3.根据权利要求1所述的互联网服务的用户再认证方法,其特征在于,所述历史被拒绝用户在被拒绝后在同类别互联网服务中的表现数据是一个二值化标签数据。
4.根据权利要求1所述的互联网服务的用户再认证方法,其特征在于,所述用户特征数据包括以下至少一项数据:已申请互联网服务次数、已有互联网服务额、已归还互联网服务额和未归还互联网服务额。
5.根据权利要求1所述的互联网服务的用户再认证方法,其特征在于,所述根据所计算的再认证评估值,对该当前被拒绝用户进行再认证,还包括:对于资源分配服务或资源保障服务的互联网服务,当所计算的再认证评估值大于特定值时判断所述当前被拒绝用户通过了用户再认证并确定该当前被拒绝用户能重新获得例如资源分配服务或者资源保障服务,以及,当所计算的再认证评估值小于等于特定值时判断所述当前被拒绝用户未通过再认证并确定所述当前被拒绝用户不是被误拒绝认证的用户而在距该次再认证起的一个时间段内不能再重新获得资源分配服务或者资源保障服务且将该当前被拒绝用户的用户特征数据进行记录以用于后续再认证或其他数据分析使用。
6.根据权利要求1所述的互联网服务的用户再认证方法,其特征在于,还包括筛选被拒绝用户的步骤:
获取待认证用户互联网服务申请,所述用户互联网服务申请包括用户特征数据和申请互联网服务额;
使用风险模型,输入所述用户特征数据和申请互联网服务额,计算所述待认证用户的风险评分,以筛选被拒绝用户。
7.根据权利要求6所述的互联网服务的用户再认证方法,其特征在于,还包括:
在所计算的用户风险评分大于特定阈值时,判断该待认证用户为被拒绝用户,并筛选出所述待认证用户;
在所计算的用户风险评分小于等于特定阈值时,判断该待认证用户为接受用户。
8.根据权利要求1所述的互联网服务的用户再认证方法,其特征在于,还包括:
使用以下至少一种算法,构建所述用户再认证模型:
XGBoost算法、TextCNN算法、随机森林算法和逻辑回归算法。
9.一种互联网服务的用户再认证系统,用于对已被拒绝认证过的用户重新认证,以使被误拒绝认证的用户重新获得所述互联网服务,其特征在于,包括:
数据获取模块,用于获取当前被拒绝用户的用户特征数据,所述当前被拒绝用户指在当前请求所述互联网服务时被拒绝认证的用户;
模型构建模块,用于构建用户再认证模型,使用所述互联网服务的历史被拒绝用户的用户特征数据和所述历史被拒绝用户在被拒绝后在同类别互联网服务中的表现数据对所述用户再认证模型进行训练;所述历史被拒绝用户在被拒绝后在同类别互联网服务中的表现数据包括:所述历史被拒绝用户被拒绝提供所述互联网服务之时已认证但未结束的同类别互联网服务的特定时间段内的用户行为表现数据;以及,对构建所述用户再认证模型进行训练的训练数据集中的训练样本,需要判断所述历史被拒绝用户的真实概率与预测概率是否一致,再判断与真实概率一致的预测概率的数量在训练样本数量的占比是否大于预设比值,若是则所述用户再认证模型收敛而训练完成,若否则调整所述用户再认证模型的模型参数重新预测或者更换所述用户再认证模型所使用的机器学习算法而重新构建模型;
计算模块,用于将所述当前被拒绝用户的用户特征数据输入训练好的所述用户再认证模型以计算所述当前被拒绝用户的再认证评估值;
再认证模块,根据所计算的再认证评估值,对该当前被拒绝用户进行再认证,包括:当所计算的再认证评估值大于特定值时,判断所述当前被拒绝用户通过了所述再认证,确定所述当前被拒绝用户为被误拒绝认证的用户,所述被误拒绝认证的用户表征能重新获得所述互联网服务的用户;当所计算的再认证评估值小于等于特定值时,判断所述当前被拒绝用户未通过所述再认证,确定所述当前被拒绝用户不是被误拒绝认证的用户且将该当前被拒绝用户的用户特征数据进行记录以用于后续再认证或其他数据分析使用。
10.一种计算机设备,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,所述处理器执行如权利要求1-8中任一项所述的互联网服务的用户再认证方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110790627.1A CN113591064B (zh) | 2021-07-13 | 2021-07-13 | 互联网服务的用户再认证方法、系统和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110790627.1A CN113591064B (zh) | 2021-07-13 | 2021-07-13 | 互联网服务的用户再认证方法、系统和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113591064A CN113591064A (zh) | 2021-11-02 |
CN113591064B true CN113591064B (zh) | 2024-03-29 |
Family
ID=78247252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110790627.1A Active CN113591064B (zh) | 2021-07-13 | 2021-07-13 | 互联网服务的用户再认证方法、系统和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113591064B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102170639A (zh) * | 2011-05-11 | 2011-08-31 | 华南理工大学 | 一种分布式无线Ad Hoc网络认证方法 |
CN110245676A (zh) * | 2019-04-17 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 模型自适应调整方法、装置及服务器 |
CN110309636A (zh) * | 2019-07-04 | 2019-10-08 | 阿里巴巴集团控股有限公司 | 一种身份认证的方法和系统 |
CN110659985A (zh) * | 2019-09-30 | 2020-01-07 | 上海淇玥信息技术有限公司 | 一种捞回误拒潜在用户的方法、装置和电子设备 |
CN110706096A (zh) * | 2019-09-30 | 2020-01-17 | 上海淇玥信息技术有限公司 | 基于捞回用户管理授信额度的方法、装置和电子设备 |
CN111191894A (zh) * | 2019-12-20 | 2020-05-22 | 上海淇玥信息技术有限公司 | 基于用户分类进行资源需求处理的方法、装置和电子设备 |
CN111953663A (zh) * | 2020-07-27 | 2020-11-17 | 新华三技术有限公司 | 一种控制用户进行认证的方法及设备 |
CN112529481A (zh) * | 2021-02-08 | 2021-03-19 | 北京淇瑀信息科技有限公司 | 一种用户捞回方法、装置及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9298912B2 (en) * | 2012-04-24 | 2016-03-29 | Behaviometrics Ab | System and method for distinguishing human swipe input sequence behavior and using a confidence value on a score to detect fraudsters |
-
2021
- 2021-07-13 CN CN202110790627.1A patent/CN113591064B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102170639A (zh) * | 2011-05-11 | 2011-08-31 | 华南理工大学 | 一种分布式无线Ad Hoc网络认证方法 |
CN110245676A (zh) * | 2019-04-17 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 模型自适应调整方法、装置及服务器 |
CN110309636A (zh) * | 2019-07-04 | 2019-10-08 | 阿里巴巴集团控股有限公司 | 一种身份认证的方法和系统 |
CN110659985A (zh) * | 2019-09-30 | 2020-01-07 | 上海淇玥信息技术有限公司 | 一种捞回误拒潜在用户的方法、装置和电子设备 |
CN110706096A (zh) * | 2019-09-30 | 2020-01-17 | 上海淇玥信息技术有限公司 | 基于捞回用户管理授信额度的方法、装置和电子设备 |
CN111191894A (zh) * | 2019-12-20 | 2020-05-22 | 上海淇玥信息技术有限公司 | 基于用户分类进行资源需求处理的方法、装置和电子设备 |
CN111953663A (zh) * | 2020-07-27 | 2020-11-17 | 新华三技术有限公司 | 一种控制用户进行认证的方法及设备 |
CN112529481A (zh) * | 2021-02-08 | 2021-03-19 | 北京淇瑀信息科技有限公司 | 一种用户捞回方法、装置及电子设备 |
Non-Patent Citations (3)
Title |
---|
基于LSTM-BP神经网络的道路拥堵时间智能预测;武佳琪等;《数字技术与应用》;20200531;第38卷(第05期);第64-65页 * |
基于统计语言模型的跨语言信息检索;苏绥绥;《中国优秀硕士学位论文全文数据库》;20100731;信息科技辑 I138-1117 * |
稀疏扩展字典学习的代价敏感单样本人脸认证;胡正平;《仪器仪表学报》;20150415;第36卷(第04期);第729-735页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113591064A (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9722965B2 (en) | Smartphone indicator for conversation nonproductivity | |
US11533330B2 (en) | Determining risk metrics for access requests in network environments using multivariate modeling | |
US20100198762A1 (en) | Automated predictive modeling of business future events based on historical data | |
US11093354B2 (en) | Cognitively triggering recovery actions during a component disruption in a production environment | |
CN111583014A (zh) | 一种基于gbst的金融风险管理方法、装置和电子设备 | |
CN109753783A (zh) | 一种基于机器学习的单点登录方法、装置及计算机可读存储介质 | |
US20200234310A1 (en) | Identity proofing for online accounts | |
US11190421B1 (en) | Alerts reduction based on severity level using metric template matching and normalization rule | |
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 | |
CN111582645B (zh) | 基于因子分解机的app风险评估方法、装置和电子设备 | |
CN114219596B (zh) | 一种基于决策树模型的数据处理方法及相关设备 | |
US20210044591A1 (en) | Adaptive security system | |
CN111181757A (zh) | 信息安全风险预测方法、装置以及计算设备、存储介质 | |
CN114398465A (zh) | 互联网服务平台的异常处理方法、装置和计算机设备 | |
CN111145063A (zh) | 一种业务系统指引方法和装置 | |
US20190332964A1 (en) | Aggregating similarity metrics | |
CN111582649B (zh) | 基于用户app独热编码的风险评估方法、装置和电子设备 | |
CN112488865A (zh) | 基于金融时间节点的金融风险预测方法、装置和电子设备 | |
CN112508690A (zh) | 一种基于联合分布适配的风险评估方法、装置和电子设备 | |
CN113591064B (zh) | 互联网服务的用户再认证方法、系统和计算机设备 | |
US11212162B2 (en) | Bayesian-based event grouping | |
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 | |
CN112015978B (zh) | 一种定制信息发送方法、装置和电子设备 | |
US11182727B2 (en) | Automatically detecting inconsistencies between a business process model and a corresponding tutorial video | |
CN112819472A (zh) | 资源筹集项目的欺诈预测方法、装置和电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |