CN113706292B - 基于虚拟数据的信用卡测试方法、装置、设备及介质 - Google Patents
基于虚拟数据的信用卡测试方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113706292B CN113706292B CN202111011019.2A CN202111011019A CN113706292B CN 113706292 B CN113706292 B CN 113706292B CN 202111011019 A CN202111011019 A CN 202111011019A CN 113706292 B CN113706292 B CN 113706292B
- Authority
- CN
- China
- Prior art keywords
- credit card
- data
- application
- user
- behavior
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 65
- 238000012795 verification Methods 0.000 claims abstract description 144
- 230000006399 behavior Effects 0.000 claims abstract description 125
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 41
- 230000008569 process Effects 0.000 claims abstract description 25
- 238000010276 construction Methods 0.000 claims description 31
- 238000013145 classification model Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 8
- 238000004806 packaging method and process Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 230000003542 behavioural effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000012545 processing Methods 0.000 abstract description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 13
- 238000004590 computer program Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000010998 test method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011981 development test Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
- 230000000391 smoking effect Effects 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- 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
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明涉及人工智能及数据处理领域,提供一种基于虚拟数据的信用卡测试方法、装置、设备及介质,能够利用虚拟服务器模拟信用卡申请数据,解决了人为填写数据的耗时及采用excel构造数据的高学习成本问题,对于申请流程通过验证的目标信用卡,有针对性地进行后续的验证,不仅节约了验证时间,且与用户的使用场景更加接近,测试结果更加可靠,利用虚拟服务器模拟每个目标类型所对应的用户的预测行为,根据对申请流程的第一验证结果及对用户行为的第二验证结果生成信用卡测试结果,进而结合人工智能手段进行信用卡数据的自动化测试,提升了测试效率。此外,本发明还涉及区块链技术,训练得到的模型可存储于区块链节点中。
Description
技术领域
本发明涉及人工智能及数据处理技术领域,尤其涉及一种基于虚拟数据的信用卡测试方法、装置、设备及介质。
背景技术
信用卡是各大银行的核心业务,在信用卡内部各系统质量保障体系中,如何基于业务场景构建统一的智能发卡系统是高效、高质量保障各信用卡内部核心系统质量的关键。因此,需要对信用卡进行相关的业务验收测试、开发测试、冒烟测试、系统测试、回归测试等测试,以确保信用卡发卡正常。
但是,在现有的信用卡测试方案中,当采用excel自动分层构造信用卡数据时,由于未打通全链路流程,使得构造出来的信用卡数据有缺失,且构造的数据缺乏与用户的关联,影响测试效果。
发明内容
鉴于以上内容,有必要提供一种基于虚拟数据的信用卡测试方法、装置、设备及介质,旨在解决信用卡申请测试的问题。
一种基于虚拟数据的信用卡测试方法,基于虚拟数据的信用卡测试包括:
构建虚拟服务器,并利用所述虚拟服务器模拟信用卡申请数据;
调用预先训练的分类模型对所述信用卡申请数据进行分类,得到信用卡类型;
确定每个信用卡类型的申请路径;
根据所述申请路径验证所述信用卡申请数据中每张信用卡的申请流程,得到第一验证结果;
对于所述第一验证结果为申请流程通过验证的目标信用卡,确定所述目标信用卡的信用卡类型,得到目标类型;
利用所述虚拟服务器模拟具有所述目标类型的信用卡的用户的使用行为作为预测行为;
经过配置时长后,按所述目标类型将所述信用卡申请数据输入至预先训练的行为预测模型,得到每个目标类型所对应的用户的用户行为;
将每个用户的预测行为与用户行为进行行为一致性对比,得到第二验证结果;
根据所述第一验证结果及所述第二验证结果生成信用卡测试结果。
根据本发明优选实施例,所述构建虚拟服务器包括:
获取与信用卡申请相关联的参数作为待生成参数,及获取每个待生成参数对应的构造方法;
封装每个待生成参数对应的构造方法,得到每个待生成参数对应的数据构造接口;
搭建配置类型的服务器;
将所述数据构造接口对接于搭建的服务器,得到所述虚拟服务器。
根据本发明优选实施例,在调用预先训练的分类模型对所述信用卡申请数据进行分类前,所述方法还包括:
获取预设的卷积神经网络,其中,所述卷积神经网络包括将XGBoost网络作为分类层的初始网络;
获取训练样本,并利用所述训练样本训练所述初始网络;
在训练过程中,利用所述卷积神经网络中的卷积层提取所述训练样本的特征向量,利用所述卷积神经网络中的池化层对提取的特征向量进行最大池化处理,并拼接所述池化层的输出特征,将拼接后得到的特征输入至所述XGBoost网络,直至所述初始网络的损失达到收敛,停止训练,得到所述分类模型。
根据本发明优选实施例,所述根据所述申请路径验证所述信用卡申请数据中每张信用卡的申请流程,得到第一验证结果包括:
检测每张信用卡的申请流程是否中断;
将所述申请流程中断的信用卡确定为第一信用卡,并确定所述第一信用卡的所述第一验证结果为申请流程未通过验证;
将所述申请流程未中断的信用卡确定为第二信用卡,并对比所述第二信用卡的申请流程与对应的申请路径是否一致;
当所述申请流程与对应的申请路径一致时,确定所述第二信用卡的所述第一验证结果为申请流程通过验证,或者当所述申请流程与对应的申请路径不一致时,确定所述第二信用卡的所述第一验证结果为申请流程未通过验证。
根据本发明优选实施例,在按所述目标类型将所述信用卡申请数据输入至预先训练的行为预测模型前,所述方法还包括:
获取初始数据集;
采用随机森林算法计算所述初始数据集中数据的重要度,并从所述初始数据集中删除所述重要度小于或者等于配置重要度的数据,得到中间数据集;
计算所述中间数据集中每两个数据间的相关度,将所述相关度小于或者等于配置相关度的数据随机划分成组,得到至少一个子数据集;
利用所述至少一个子数据集训练至少一个子模型;
拼接所述至少一个子模型,并初始化所述至少一个子模型中每个子模型的权重;
基于AUC算法优化每个子模型的权重,并按照加权和的方式拼接更新后的每个子模型,得到所述预测模型。
根据本发明优选实施例,所述基于AUC算法优化每个子模型的权重,并按照加权和的方式拼接更新后的每个子模型,得到所述预测模型包括:
在训练过程中,每隔预设时间间隔计算AUC的取值;
将所述AUC的取值按照由高到低的顺序进行排序;
获取排在首位的AUC的取值作为目标AUC;
将所述目标AUC所对应的每个子模型的权重确定为目标权重序列;
将所述目标权重序列更新至每个子模型,并按照加权和的方式拼接更新后的每个子模型,得到所述预测模型。
根据本发明优选实施例,所述将每个用户的预测行为与用户行为进行行为一致性对比,得到第二验证结果包括:
当有用户的预测行为与所述用户的用户行为相同时,确定所述用户的所述第二验证结果为用户行为通过验证;或者
当有用户的预测行为与所述用户的用户行为不相同时,确定所述用户的所述第二验证结果为用户行为未通过验证。
一种基于虚拟数据的信用卡测试装置,所述基于虚拟数据的信用卡测试装置包括:
模拟单元,用于构建虚拟服务器,并利用所述虚拟服务器模拟信用卡申请数据;
分类单元,用于调用预先训练的分类模型对所述信用卡申请数据进行分类,得到信用卡类型;
确定单元,用于确定每个信用卡类型的申请路径;
验证单元,用于根据所述申请路径验证所述信用卡申请数据中每张信用卡的申请流程,得到第一验证结果;
所述确定单元,还用于对于所述第一验证结果为申请流程通过验证的目标信用卡,确定所述目标信用卡的信用卡类型,得到目标类型;
所述模拟单元,还用于利用所述虚拟服务器模拟具有所述目标类型的信用卡的用户的使用行为作为预测行为;
预测单元,用于经过配置时长后,按所述目标类型将所述信用卡申请数据输入至预先训练的行为预测模型,得到每个目标类型所对应的用户的用户行为;
对比单元,用于将每个用户的预测行为与用户行为进行行为一致性对比,得到第二验证结果;
生成单元,用于根据所述第一验证结果及所述第二验证结果生成信用卡测试结果。
一种计算机设备,所述计算机设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现所述基于虚拟数据的信用卡测试方法。
一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被计算机设备中的处理器执行以实现所述基于虚拟数据的信用卡测试方法。
由以上技术方案可以看出,本发明能够构建虚拟服务器,并利用所述虚拟服务器模拟信用卡申请数据,解决了人为填写数据的耗时问题,同时解决了采用excel构造数据的高学习成本问题,调用预先训练的分类模型对所述信用卡申请数据进行分类,得到信用卡类型,确定每个信用卡类型的申请路径,根据所述申请路径验证所述信用卡申请数据中每张信用卡的申请流程,得到第一验证结果,对于所述第一验证结果为申请流程通过验证的目标信用卡,确定所述目标信用卡的信用卡类型,得到目标类型,有针对性地进行后续的验证,不仅节约了验证时间,且与用户的使用场景更加接近,测试结果更加可靠,利用所述虚拟服务器模拟具有所述目标类型的信用卡的用户的使用行为作为预测行为,经过配置时长后,按所述目标类型将所述信用卡申请数据输入至预先训练的行为预测模型,得到每个目标类型所对应的用户的用户行为,将每个用户的预测行为与用户行为进行行为一致性对比,得到第二验证结果,根据所述第一验证结果及所述第二验证结果生成信用卡测试结果,进而结合人工智能手段实现对信用卡数据的自动化测试。
附图说明
图1是本发明基于虚拟数据的信用卡测试方法的较佳实施例的流程图。
图2是本发明基于虚拟数据的信用卡测试装置的较佳实施例的功能模块图。
图3是本发明实现基于虚拟数据的信用卡测试方法的较佳实施例的计算机设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1所示,是本发明基于虚拟数据的信用卡测试方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
所述基于虚拟数据的信用卡测试方法应用于一个或者多个计算机设备中,所述计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific IntegratedCircuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能式穿戴式设备等。
所述计算机设备还可以包括网络设备和/或用户设备。其中,所述网络设备包括,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(CloudComputing)的由大量主机或网络服务器构成的云。
所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
所述计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
S10,构建虚拟服务器,并利用所述虚拟服务器模拟信用卡申请数据。
在本实施例中,所述信用卡申请数据是指信用卡申请过程中每张信用卡需要填写的申请信息,如用户名等。
在本发明的至少一个实施例中,所述构建虚拟服务器包括:
获取与信用卡申请相关联的参数作为待生成参数,及获取每个待生成参数对应的构造方法;
封装每个待生成参数对应的构造方法,得到每个待生成参数对应的数据构造接口;
搭建配置类型的服务器;
将所述数据构造接口对接于搭建的服务器,得到所述虚拟服务器。
其中,所述配置类型可以为Web类型,本发明对所述虚拟服务器的类型不限制。
其中,所述待生成参数可以包括,但不限于以下一种或者多种数据的组合:
用户名、证件号、用户联系方式(如手机号码、邮箱地址等)、工作单位名称、个人绩效。
可以理解的是,每种数据都有对应的构造方式,本实施方式封装不同数据的构造逻辑为数据构造接口,以便后续通过调用数据构造接口自动生成需要的数据进行测试,解决了人为填写数据的耗时问题,同时解决了采用excel构造数据的高学习成本问题。
在本发明的至少一个实施例中,所述利用所述虚拟服务器模拟信用卡申请数据包括:
连接至所述数据构造接口,并调用所述数据构造接口构造数据,得到所述信用卡申请数据。
当然,在其他实施方式中,还可以配置可视化界面,便于用户选择自定义填写的数据,其他数据则可以直接通过调用接口自动生成,将手动填写与机器自动生成的方案相结合,以便更加符合实际使用场景对于数据的需求,提高用户使用的友好性。
S11,调用预先训练的分类模型对所述信用卡申请数据进行分类,得到信用卡类型。
在本发明的至少一个实施例中,在调用预先训练的分类模型对所述信用卡申请数据进行分类前,所述方法还包括:
获取预设的卷积神经网络,其中,所述卷积神经网络包括将XGBoost网络作为分类层的初始网络;
获取训练样本,并利用所述训练样本训练所述初始网络;
在训练过程中,利用所述卷积神经网络中的卷积层提取所述训练样本的特征向量,利用所述卷积神经网络中的池化层对提取的特征向量进行最大池化处理,并拼接所述池化层的输出特征,将拼接后得到的特征输入至所述XGBoost网络,直至所述初始网络的损失达到收敛,停止训练,得到所述分类模型。举例而言,在本实施例中,在所述预设的卷积神经网络中,可以包括特征转化层、具有多种不同尺寸的卷积核的卷积层、池化层及分类层。
其中,所述具有多种不同尺寸的卷积核的卷积层可以为3*3卷积层或者1*1卷积层等。
其中,所述分类层可以为softmax函数层。
在本实施例中,所述训练样本可以是采集到的历史数据,所述训练样本标记了所属的卡的类型。
在本实施例中,所述信用卡类型可以包括,但不限于以下一种或者多种的组合:个人信用卡账户、应用程序账户卡、公务卡账户、虚拟卡、实体卡、附属卡、单币卡、双币卡、外币卡。
在上述实施方式中,对传统的卷积神经网络的结构进行了改进,以XGBoost网络替换所述卷积神经网络中原有的分类层进行分类,由于XGBoost网络的损失函数能够利用正则项寻求最优解,有效避免了训练过程中的过拟合现象,进而提升了分类的准确率。
S12,确定每个信用卡类型的申请路径。
在本实施例中,所述信用卡申请测试指令可以由相关工作人员触发,如测试人员、开发人员等。
在本发明的至少一个实施例中,所述确定每个信用卡类型的申请路径包括:
获取预先配置的路径字典,所述路径字典中存储着信用卡类型与申请路径的对应关系;
根据每个信用卡类型在所述路径字典中进行查询;
将查询到的与每个信用卡类型相对应的路径确定为每个信用卡类型的申请路径。
在本实施例中,所述路径字典可以存储在任意数据库中,以方便调用。
通过配置所述路径字典,方便在使用时的调用及查询,同时,由于所述路径字典中存储的对应关系明确,能够有效避免出现数据错误。
当然,在其他实施例中,还可以建立存储有信用卡类型与申请路径的对应关系的表格,本发明不限制。
S13,根据所述申请路径验证所述信用卡申请数据中每张信用卡的申请流程,得到第一验证结果。
在本发明的至少一个实施例中,所述根据所述申请路径验证所述信用卡申请数据中每张信用卡的申请流程,得到第一验证结果包括:
检测每张信用卡的申请流程是否中断;
将所述申请流程中断的信用卡确定为第一信用卡,并确定所述第一信用卡的所述第一验证结果为申请流程未通过验证;
将所述申请流程未中断的信用卡确定为第二信用卡,并对比所述第二信用卡的申请流程与对应的申请路径是否一致;
当所述申请流程与对应的申请路径一致时,确定所述第二信用卡的所述第一验证结果为申请流程通过验证,或者当所述申请流程与对应的申请路径不一致时,确定所述第二信用卡的所述第一验证结果为申请流程未通过验证。
具体地,所述检测每张信用卡的申请流程是否中断包括:
当有申请流程中断时,可以配置生成中断信息,进一步地,当检测到所述中断信息时,即可确定有信用卡的流程中断。
或者计算每张信用卡的申请流程中子流程的数量,并与正常申请的子流程的总数量进行对比,当有信用卡的申请流程中子流程的数量小于所述总数量时,则确定对应的信用卡的申请流程中断。
当然,在其他实施例中,还可以通过其他方式检测是否中断,本发明不限制。
在上述实施方式中,验证了每张信用卡的申请流程是否异常,在验证过程中,首先自动检测申请流程是否中断,并剔除申请流程中断的信用卡,在进一步检测其余信用卡的申请流程是否异常时,只需要对筛选后的信用卡进行检测,降低了计算量,进而降低了对系统运行的干扰,以提升验证效率。
S14,对于所述第一验证结果为申请流程通过验证的目标信用卡,确定所述目标信用卡的信用卡类型,得到目标类型。
可以理解的是,在信用卡的申请流程正常执行后,信用卡才能申请成功,也才可能产生后续的用户行为。
而为了更加符合实际场景,本实施例进一步筛选出所述申请流程通过验证的信用卡作为目标信用卡,以便进一步有针对性地进行后续的验证,不仅节约了验证时间,且与用户的使用场景更加接近,测试结果更加可靠。
S15,利用所述虚拟服务器模拟具有所述目标类型的信用卡的用户的使用行为作为预测行为。
具体地,可以调用所述虚拟服务器中的相应接口,并从调用的接口中获取模拟的每个目标类型所对应的用户的预测行为。
S16,经过配置时长后,按所述目标类型将所述信用卡申请数据输入至预先训练的行为预测模型,得到每个目标类型所对应的用户的用户行为。
在本实施例中,所述配置时长可以进行自定义配置,如30天。
通过所述配置时长,相当于提前设置了定时任务,以启动信用卡对应的用户行为验证的前期验证任务,即前文对信用卡申请流程验证过程中的一系列操作,减少了验证时的等待时间。
在本实施例中,所述用户行为可以包括是否购买任意产品、是否点开推送链接等。
在本发明的至少一个实施例中,在按所述目标类型将所述信用卡申请数据输入至预先训练的行为预测模型前,所述方法还包括:
获取初始数据集;
采用随机森林算法计算所述初始数据集中数据的重要度,并从所述初始数据集中删除所述重要度小于或者等于配置重要度的数据,得到中间数据集;
计算所述中间数据集中每两个数据间的相关度,将所述相关度小于或者等于配置相关度的数据随机划分成组,得到至少一个子数据集;
利用所述至少一个子数据集训练至少一个子模型;
拼接所述至少一个子模型,并初始化所述至少一个子模型中每个子模型的权重;
基于AUC(Area Under Curve)算法优化每个子模型的权重,并按照加权和的方式拼接更新后的每个子模型,得到所述预测模型。
例如:所述初始数据集中包括10个数据,在采用随机森林算法计算重要度后,确定其中有8个数据的重要度大于或者等于所述配置重要度85%,则由这8个数据组成所述中间数据集。
进一步地,计算这8个数据中每两个数据间的相关度,并根据相关度划分子数据集,得到的子数据集中任意两个数据间的相关度小于或者等于所述配置相关度50%,得到子数据集A、子数据集B及子数据集C。
进一步地,分别利用子数据集A、子数据集B及子数据集C进行训练,得到子模型X、子模型Y及子模型Z。
在优化后,得到所述子模型X的权重为m,子模型Y的权重为n,子模型Z的权重为q,则得到的所述预测模型的输出的形式为:m*子模型X+n*子模型Y+q*子模型Z。
其中,所述至少一个子模型的可以为任意预测模型,本发明不限制。
可以理解的是,当用户训练的数据间的关联性较强时,将导致数据间的差异性较低,进而造成所训练的模型间差异性也较低,影响预测的准确度。并且,在训练每个子模型时,由于数据间的强关联性,也会导致部分特征对于最终预测结果的影响力丢失,进一步影响了用户行为预测的准确度。
在上述实施方式中,将相关度较小的数据划分为一组训练多个子模型,再融合多个子模型进行预测,由于不同子模型间的差异化共同作用,能够有效提升用户行为预测的准确性。
具体地,所述基于AUC算法优化每个子模型的权重,并按照加权和的方式拼接更新后的每个子模型,得到所述预测模型包括:
在训练过程中,每隔预设时间间隔计算AUC的取值;
将所述AUC的取值按照由高到低的顺序进行排序;
获取排在首位的AUC的取值作为目标AUC;
将所述目标AUC所对应的每个子模型的权重确定为目标权重序列;
将所述目标权重序列更新至每个子模型,并按照加权和的方式拼接更新后的每个子模型,得到所述预测模型。
通过上述实施方式,能够实现对所述预测模型中各个子模型的权重的优化。
S17,将每个用户的预测行为与用户行为进行行为一致性对比,得到第二验证结果。
在本发明的至少一个实施例中,所述将每个用户的预测行为与用户行为进行行为一致性对比,得到第二验证结果包括:
当有用户的预测行为与所述用户的用户行为相同时,确定所述用户的所述第二验证结果为用户行为通过验证;或者
当有用户的预测行为与所述用户的用户行为不相同时,确定所述用户的所述第二验证结果为用户行为未通过验证。
在上述实施方式中,将预测行为与用户行为进行对比,能够进一步确定所述虚拟服务器模拟的待测试的预测行为是否与用户实际行为特征相匹配。
S18,根据所述第一验证结果及所述第二验证结果生成信用卡测试结果。
具体地,打包所述第一验证结果及所述第二验证结果,并将生成的数据包作为所述信用卡测试结果。
进一步地,可以将所述信用卡测试结果发送至指定联系人(如测试人员或者开发人员)的终端设备,以利于相关人员及时了解测试结果,便于及时跟进测试进程,并对异常进行及时响应。
需要说明的是,为了进一步提高数据的安全性,避免数据被恶意篡改,训练得到的模型可存储于区块链节点中。
由以上技术方案可以看出,本发明能够构建虚拟服务器,并利用所述虚拟服务器模拟信用卡申请数据,解决了人为填写数据的耗时问题,同时解决了采用excel构造数据的高学习成本问题,调用预先训练的分类模型对所述信用卡申请数据进行分类,得到信用卡类型,确定每个信用卡类型的申请路径,根据所述申请路径验证所述信用卡申请数据中每张信用卡的申请流程,得到第一验证结果,对于所述第一验证结果为申请流程通过验证的目标信用卡,确定所述目标信用卡的信用卡类型,得到目标类型,有针对性地进行后续的验证,不仅节约了验证时间,且与用户的使用场景更加接近,测试结果更加可靠,利用所述虚拟服务器模拟具有所述目标类型的信用卡的用户的使用行为作为预测行为,经过配置时长后,按所述目标类型将所述信用卡申请数据输入至预先训练的行为预测模型,得到每个目标类型所对应的用户的用户行为,将每个用户的预测行为与用户行为进行行为一致性对比,得到第二验证结果,根据所述第一验证结果及所述第二验证结果生成信用卡测试结果,进而结合人工智能手段进行信用卡数据的自动化测试,提升了测试效率。
如图2所示,是本发明基于虚拟数据的信用卡测试装置的较佳实施例的功能模块图。所述基于虚拟数据的信用卡测试装置11包括模拟单元110、分类单元111、确定单元112、验证单元113、预测单元114、对比单元115、生成单元116。本发明所称的模块/单元是指一种能够被处理器13所执行,并且能够完成固定功能的一系列计算机程序段,其存储在存储器12中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
模拟单元110构建虚拟服务器,并利用所述虚拟服务器模拟信用卡申请数据。
在本实施例中,所述信用卡申请数据是指信用卡申请过程中每张信用卡需要填写的申请信息,如用户名等。
在本发明的至少一个实施例中,所述模拟单元110构建虚拟服务器包括:
获取与信用卡申请相关联的参数作为待生成参数,及获取每个待生成参数对应的构造方法;
封装每个待生成参数对应的构造方法,得到每个待生成参数对应的数据构造接口;
搭建配置类型的服务器;
将所述数据构造接口对接于搭建的服务器,得到所述虚拟服务器。
其中,所述配置类型可以为Web类型,本发明对所述虚拟服务器的类型不限制。
其中,所述待生成参数可以包括,但不限于以下一种或者多种数据的组合:
用户名、证件号、用户联系方式(如手机号码、邮箱地址等)、工作单位名称、个人绩效。
可以理解的是,每种数据都有对应的构造方式,本实施方式封装不同数据的构造逻辑为数据构造接口,以便后续通过调用数据构造接口自动生成需要的数据进行测试,解决了人为填写数据的耗时问题,同时解决了采用excel构造数据的高学习成本问题。
在本发明的至少一个实施例中,所述模拟单元110利用所述虚拟服务器模拟信用卡申请数据包括:
连接至所述数据构造接口,并调用所述数据构造接口构造数据,得到所述信用卡申请数据。
当然,在其他实施方式中,还可以配置可视化界面,便于用户选择自定义填写的数据,其他数据则可以直接通过调用接口自动生成,将手动填写与机器自动生成的方案相结合,以便更加符合实际使用场景对于数据的需求,提高用户使用的友好性。
分类单元111调用预先训练的分类模型对所述信用卡申请数据进行分类,得到信用卡类型。
在本发明的至少一个实施例中,在调用预先训练的分类模型对所述信用卡申请数据进行分类前,获取预设的卷积神经网络,其中,所述卷积神经网络包括将XGBoost网络作为分类层的初始网络;
获取训练样本,并利用所述训练样本训练所述初始网络;
在训练过程中,利用所述卷积神经网络中的卷积层提取所述训练样本的特征向量,利用所述卷积神经网络中的池化层对提取的特征向量进行最大池化处理,并拼接所述池化层的输出特征,将拼接后得到的特征输入至所述XGBoost网络,直至所述初始网络的损失达到收敛,停止训练,得到所述分类模型。
举例而言,在本实施例中,在所述预设的卷积神经网络中,可以包括特征转化层、具有多种不同尺寸的卷积核的卷积层、池化层及分类层。
其中,所述具有多种不同尺寸的卷积核的卷积层可以为3*3卷积层或者1*1卷积层等。
其中,所述分类层可以为softmax函数层。
在本实施例中,所述训练样本可以是采集到的历史数据,所述训练样本标记了所属的卡的类型。
在本实施例中,所述信用卡类型可以包括,但不限于以下一种或者多种的组合:个人信用卡账户、应用程序账户卡、公务卡账户、虚拟卡、实体卡、附属卡、单币卡、双币卡、外币卡。
在上述实施方式中,对传统的卷积神经网络的结构进行了改进,以XGBoost网络替换所述卷积神经网络中原有的分类层进行分类,由于XGBoost网络的损失函数能够利用正则项寻求最优解,有效避免了训练过程中的过拟合现象,进而提升了分类的准确率。
确定单元112确定每个信用卡类型的申请路径。
在本实施例中,所述信用卡申请测试指令可以由相关工作人员触发,如测试人员、开发人员等。
在本发明的至少一个实施例中,所述确定单元112确定每个信用卡类型的申请路径包括:
获取预先配置的路径字典,所述路径字典中存储着信用卡类型与申请路径的对应关系;
根据每个信用卡类型在所述路径字典中进行查询;
将查询到的与每个信用卡类型相对应的路径确定为每个信用卡类型的申请路径。
在本实施例中,所述路径字典可以存储在任意数据库中,以方便调用。
通过配置所述路径字典,方便在使用时的调用及查询,同时,由于所述路径字典中存储的对应关系明确,能够有效避免出现数据错误。
当然,在其他实施例中,还可以建立存储有信用卡类型与申请路径的对应关系的表格,本发明不限制。
验证单元113根据所述申请路径验证所述信用卡申请数据中每张信用卡的申请流程,得到第一验证结果。
在本发明的至少一个实施例中,所述验证单元113根据所述申请路径验证所述信用卡申请数据中每张信用卡的申请流程,得到第一验证结果包括:
检测每张信用卡的申请流程是否中断;
将所述申请流程中断的信用卡确定为第一信用卡,并确定所述第一信用卡的所述第一验证结果为申请流程未通过验证;
将所述申请流程未中断的信用卡确定为第二信用卡,并对比所述第二信用卡的申请流程与对应的申请路径是否一致;
当所述申请流程与对应的申请路径一致时,确定所述第二信用卡的所述第一验证结果为申请流程通过验证,或者当所述申请流程与对应的申请路径不一致时,确定所述第二信用卡的所述第一验证结果为申请流程未通过验证。
具体地,所述检测每张信用卡的申请流程是否中断包括:
当有申请流程中断时,可以配置生成中断信息,进一步地,当检测到所述中断信息时,即可确定有信用卡的流程中断。
或者计算每张信用卡的申请流程中子流程的数量,并与正常申请的子流程的总数量进行对比,当有信用卡的申请流程中子流程的数量小于所述总数量时,则确定对应的信用卡的申请流程中断。
当然,在其他实施例中,还可以通过其他方式检测是否中断,本发明不限制。
在上述实施方式中,验证了每张信用卡的申请流程是否异常,在验证过程中,首先自动检测申请流程是否中断,并剔除申请流程中断的信用卡,在进一步检测其余信用卡的申请流程是否异常时,只需要对筛选后的信用卡进行检测,降低了计算量,进而降低了对系统运行的干扰,以提升验证效率。
对于所述第一验证结果为申请流程通过验证的目标信用卡,所述确定单元112确定所述目标信用卡的信用卡类型,得到目标类型。
可以理解的是,在信用卡的申请流程正常执行后,信用卡才能申请成功,也才可能产生后续的用户行为。
而为了更加符合实际场景,本实施例进一步筛选出所述申请流程通过验证的信用卡作为目标信用卡,以便进一步有针对性地进行后续的验证,不仅节约了验证时间,且与用户的使用场景更加接近,测试结果更加可靠。
所述模拟单元110利用所述虚拟服务器模拟具有所述目标类型的信用卡的用户的使用行为作为预测行为。
具体地,可以调用所述虚拟服务器中的相应接口,并从调用的接口中获取模拟的每个目标类型所对应的用户的预测行为。
经过配置时长后,预测单元114按所述目标类型将所述信用卡申请数据输入至预先训练的行为预测模型,得到每个目标类型所对应的用户的用户行为。
在本实施例中,所述配置时长可以进行自定义配置,如30天。
通过所述配置时长,相当于提前设置了定时任务,以启动信用卡对应的用户行为验证的前期验证任务,即前文对信用卡申请流程验证过程中的一系列操作,减少了验证时的等待时间。
在本实施例中,所述用户行为可以包括是否购买任意产品、是否点开推送链接等。
在本发明的至少一个实施例中,在按所述目标类型将所述信用卡申请数据输入至预先训练的行为预测模型前,获取初始数据集;
采用随机森林算法计算所述初始数据集中数据的重要度,并从所述初始数据集中删除所述重要度小于或者等于配置重要度的数据,得到中间数据集;
计算所述中间数据集中每两个数据间的相关度,将所述相关度小于或者等于配置相关度的数据随机划分成组,得到至少一个子数据集;
利用所述至少一个子数据集训练至少一个子模型;
拼接所述至少一个子模型,并初始化所述至少一个子模型中每个子模型的权重;
基于AUC(Area Under Curve)算法优化每个子模型的权重,并按照加权和的方式拼接更新后的每个子模型,得到所述预测模型。
例如:所述初始数据集中包括10个数据,在采用随机森林算法计算重要度后,确定其中有8个数据的重要度大于或者等于所述配置重要度85%,则由这8个数据组成所述中间数据集。
进一步地,计算这8个数据中每两个数据间的相关度,并根据相关度划分子数据集,得到的子数据集中任意两个数据间的相关度小于或者等于所述配置相关度50%,得到子数据集A、子数据集B及子数据集C。
进一步地,分别利用子数据集A、子数据集B及子数据集C进行训练,得到子模型X、子模型Y及子模型Z。
在优化后,得到所述子模型X的权重为m,子模型Y的权重为n,子模型Z的权重为q,则得到的所述预测模型的输出的形式为:m*子模型X+n*子模型Y+q*子模型Z。
其中,所述至少一个子模型的可以为任意预测模型,本发明不限制。
可以理解的是,当用户训练的数据间的关联性较强时,将导致数据间的差异性较低,进而造成所训练的模型间差异性也较低,影响预测的准确度。并且,在训练每个子模型时,由于数据间的强关联性,也会导致部分特征对于最终预测结果的影响力丢失,进一步影响了用户行为预测的准确度。
在上述实施方式中,将相关度较小的数据划分为一组训练多个子模型,再融合多个子模型进行预测,由于不同子模型间的差异化共同作用,能够有效提升用户行为预测的准确性。
具体地,所述基于AUC算法优化每个子模型的权重,并按照加权和的方式拼接更新后的每个子模型,得到所述预测模型包括:
在训练过程中,每隔预设时间间隔计算AUC的取值;
将所述AUC的取值按照由高到低的顺序进行排序;
获取排在首位的AUC的取值作为目标AUC;
将所述目标AUC所对应的每个子模型的权重确定为目标权重序列;
将所述目标权重序列更新至每个子模型,并按照加权和的方式拼接更新后的每个子模型,得到所述预测模型。
通过上述实施方式,能够实现对所述预测模型中各个子模型的权重的优化。
对比单元115将每个用户的预测行为与用户行为进行行为一致性对比,得到第二验证结果。
在本发明的至少一个实施例中,所述对比单元115将每个用户的预测行为与用户行为进行行为一致性对比,得到第二验证结果包括:
当有用户的预测行为与所述用户的用户行为相同时,确定所述用户的所述第二验证结果为用户行为通过验证;或者
当有用户的预测行为与所述用户的用户行为不相同时,确定所述用户的所述第二验证结果为用户行为未通过验证。
在上述实施方式中,将预测行为与用户行为进行对比,能够进一步确定所述虚拟服务器模拟的待测试的预测行为是否与用户实际行为特征相匹配。
生成单元116根据所述第一验证结果及所述第二验证结果生成信用卡测试结果。
具体地,打包所述第一验证结果及所述第二验证结果,并将生成的数据包作为所述信用卡测试结果。
进一步地,可以将所述信用卡测试结果发送至指定联系人(如测试人员或者开发人员)的终端设备,以利于相关人员及时了解测试结果,便于及时跟进测试进程,并对异常进行及时响应。
需要说明的是,为了进一步提高数据的安全性,避免数据被恶意篡改,训练得到的模型可存储于区块链节点中。
由以上技术方案可以看出,本发明能够构建虚拟服务器,并利用所述虚拟服务器模拟信用卡申请数据,解决了人为填写数据的耗时问题,同时解决了采用excel构造数据的高学习成本问题,调用预先训练的分类模型对所述信用卡申请数据进行分类,得到信用卡类型,确定每个信用卡类型的申请路径,根据所述申请路径验证所述信用卡申请数据中每张信用卡的申请流程,得到第一验证结果,对于所述第一验证结果为申请流程通过验证的目标信用卡,确定所述目标信用卡的信用卡类型,得到目标类型,有针对性地进行后续的验证,不仅节约了验证时间,且与用户的使用场景更加接近,测试结果更加可靠,利用所述虚拟服务器模拟具有所述目标类型的信用卡的用户的使用行为作为预测行为,经过配置时长后,按所述目标类型将所述信用卡申请数据输入至预先训练的行为预测模型,得到每个目标类型所对应的用户的用户行为,将每个用户的预测行为与用户行为进行行为一致性对比,得到第二验证结果,根据所述第一验证结果及所述第二验证结果生成信用卡测试结果,进而结合人工智能手段进行信用卡数据的自动化测试,提升了测试效率。
如图3所示,是本发明实现基于虚拟数据的信用卡测试方法的较佳实施例的计算机设备的结构示意图。
所述计算机设备1可以包括存储器12、处理器13和总线,还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序,例如基于虚拟数据的信用卡测试程序。
本领域技术人员可以理解,所述示意图仅仅是计算机设备1的示例,并不构成对计算机设备1的限定,所述计算机设备1既可以是总线型结构,也可以是星形结构,所述计算机设备1还可以包括比图示更多或更少的其他硬件或者软件,或者不同的部件布置,例如所述计算机设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是,所述计算机设备1仅为举例,其他现有的或今后可能出现的电子产品如可适应于本发明,也应包含在本发明的保护范围以内,并以引用方式包含于此。
其中,存储器12至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是计算机设备1的内部存储单元,例如该计算机设备1的移动硬盘。存储器12在另一些实施例中也可以是计算机设备1的外部存储设备,例如计算机设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,存储器12还可以既包括计算机设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于计算机设备1的应用软件及各类数据,例如基于虚拟数据的信用卡测试程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是所述计算机设备1的控制核心(Control Unit),利用各种接口和线路连接整个计算机设备1的各个部件,通过运行或执行存储在所述存储器12内的程序或者模块(例如执行基于虚拟数据的信用卡测试程序等),以及调用存储在所述存储器12内的数据,以执行计算机设备1的各种功能和处理数据。
所述处理器13执行所述计算机设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个基于虚拟数据的信用卡测试方法实施例中的步骤,例如图1所示的步骤。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器12中,并由所述处理器13执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段,该指令段用于描述所述计算机程序在所述计算机设备1中的执行过程。例如,所述计算机程序可以被分割成模拟单元110、分类单元111、确定单元112、验证单元113、预测单元114、对比单元115、生成单元116。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备,或者网络设备等)或处理器(processor)执行本发明各个实施例所述基于虚拟数据的信用卡测试方法的部分。
所述计算机设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指示相关的硬件设备来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。
其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器等。
进一步地,计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,在图3中仅用一根直线表示,但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
尽管未示出,所述计算机设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器13逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述计算机设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述计算机设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该计算机设备1与其他计算机设备之间建立通信连接。
可选地,该计算机设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在计算机设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
图3仅示出了具有组件12-13的计算机设备1,本领域技术人员可以理解的是,图3示出的结构并不构成对所述计算机设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
结合图1,所述计算机设备1中的所述存储器12存储多个指令以实现一种基于虚拟数据的信用卡测试方法,所述处理器13可执行所述多个指令从而实现:
构建虚拟服务器,并利用所述虚拟服务器模拟信用卡申请数据;
调用预先训练的分类模型对所述信用卡申请数据进行分类,得到信用卡类型;
确定每个信用卡类型的申请路径;
根据所述申请路径验证所述信用卡申请数据中每张信用卡的申请流程,得到第一验证结果;
对于所述第一验证结果为申请流程通过验证的目标信用卡,确定所述目标信用卡的信用卡类型,得到目标类型;
利用所述虚拟服务器模拟具有所述目标类型的信用卡的用户的使用行为作为预测行为;
经过配置时长后,按所述目标类型将所述信用卡申请数据输入至预先训练的行为预测模型,得到每个目标类型所对应的用户的用户行为;
将每个用户的预测行为与用户行为进行行为一致性对比,得到第二验证结果;
根据所述第一验证结果及所述第二验证结果生成信用卡测试结果。
具体地,所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
本发明可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。本发明中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于虚拟数据的信用卡测试方法,其特征在于,包括:
构建虚拟服务器,并利用所述虚拟服务器模拟信用卡申请数据;
调用预先训练的分类模型对所述信用卡申请数据进行分类,得到信用卡类型;
确定每个信用卡类型的申请路径;
根据所述申请路径验证所述信用卡申请数据中每张信用卡的申请流程,得到第一验证结果;
对于所述第一验证结果为申请流程通过验证的目标信用卡,确定所述目标信用卡的信用卡类型,得到目标类型;
利用所述虚拟服务器模拟具有所述目标类型的信用卡的用户的使用行为,作为预测行为;
经过配置时长后,按所述目标类型将所述信用卡申请数据输入至预先训练的行为预测模型,得到每个目标类型所对应的用户的用户行为;
将每个用户的预测行为与用户行为进行行为一致性对比,得到第二验证结果;
根据所述第一验证结果及所述第二验证结果生成信用卡测试结果。
2.如权利要求1所述的基于虚拟数据的信用卡测试方法,其特征在于,所述构建虚拟服务器包括:
获取与信用卡申请相关联的参数作为待生成参数,及获取每个待生成参数对应的构造方法;
封装每个待生成参数对应的构造方法,得到每个待生成参数对应的数据构造接口;
搭建配置类型的服务器;
将所述数据构造接口对接于搭建的服务器,得到所述虚拟服务器。
3.如权利要求1所述的基于虚拟数据的信用卡测试方法,其特征在于,在调用预先训练的分类模型对所述信用卡申请数据进行分类前,所述方法还包括:
获取预设的卷积神经网络,其中,所述卷积神经网络包括将XGBoost网络作为分类层的初始网络;
获取训练样本,并利用所述训练样本训练所述初始网络;
在训练过程中,利用所述卷积神经网络中的卷积层提取所述训练样本的特征向量,利用所述卷积神经网络中的池化层对提取的特征向量进行最大池化处理,并拼接所述池化层的输出特征,将拼接后得到的特征输入至所述XGBoost网络,直至所述初始网络的损失达到收敛,停止训练,得到所述分类模型。
4.如权利要求1所述的基于虚拟数据的信用卡测试方法,其特征在于,所述根据所述申请路径验证所述信用卡申请数据中每张信用卡的申请流程,得到第一验证结果包括:
检测每张信用卡的申请流程是否中断;
将所述申请流程中断的信用卡确定为第一信用卡,并确定所述第一信用卡的所述第一验证结果为申请流程未通过验证;
将所述申请流程未中断的信用卡确定为第二信用卡,并对比所述第二信用卡的申请流程与对应的申请路径是否一致;
当所述申请流程与对应的申请路径一致时,确定所述第二信用卡的所述第一验证结果为申请流程通过验证,或者当所述申请流程与对应的申请路径不一致时,确定所述第二信用卡的所述第一验证结果为申请流程未通过验证。
5.如权利要求1所述的基于虚拟数据的信用卡测试方法,其特征在于,在按所述目标类型将所述信用卡申请数据输入至预先训练的行为预测模型前,所述方法还包括:
获取初始数据集;
采用随机森林算法计算所述初始数据集中数据的重要度,并从所述初始数据集中删除所述重要度小于或者等于配置重要度的数据,得到中间数据集;
计算所述中间数据集中每两个数据间的相关度,将所述相关度小于或者等于配置相关度的数据随机划分成组,得到至少一个子数据集;
利用所述至少一个子数据集训练至少一个子模型;
拼接所述至少一个子模型,并初始化所述至少一个子模型中每个子模型的权重;
基于AUC算法优化每个子模型的权重,并按照加权和的方式拼接更新后的每个子模型,得到所述预测模型。
6.如权利要求5所述的基于虚拟数据的信用卡测试方法,其特征在于,所述基于AUC算法优化每个子模型的权重,并按照加权和的方式拼接更新后的每个子模型,得到所述预测模型包括:
在训练过程中,每隔预设时间间隔计算AUC的取值;
将所述AUC的取值按照由高到低的顺序进行排序;
获取排在首位的AUC的取值作为目标AUC;
将所述目标AUC所对应的每个子模型的权重确定为目标权重序列;
将所述目标权重序列更新至每个子模型,并按照加权和的方式拼接更新后的每个子模型,得到所述预测模型。
7.如权利要求1所述的基于虚拟数据的信用卡测试方法,其特征在于,所述将每个用户的预测行为与用户行为进行行为一致性对比,得到第二验证结果包括:
当有用户的预测行为与所述用户的用户行为相同时,确定所述用户的所述第二验证结果为用户行为通过验证;或者
当有用户的预测行为与所述用户的用户行为不相同时,确定所述用户的所述第二验证结果为用户行为未通过验证。
8.一种基于虚拟数据的信用卡测试装置,其特征在于,所述基于虚拟数据的信用卡测试装置包括:
模拟单元,用于构建虚拟服务器,并利用所述虚拟服务器模拟信用卡申请数据;
分类单元,用于调用预先训练的分类模型对所述信用卡申请数据进行分类,得到信用卡类型;
确定单元,用于确定每个信用卡类型的申请路径;
验证单元,用于根据所述申请路径验证所述信用卡申请数据中每张信用卡的申请流程,得到第一验证结果;
所述确定单元,还用于对于所述第一验证结果为申请流程通过验证的目标信用卡,确定所述目标信用卡的信用卡类型,得到目标类型;
所述模拟单元,还用于利用所述虚拟服务器模拟具有所述目标类型的信用卡的用户的使用行为作为预测行为;
预测单元,用于经过配置时长后,按所述目标类型将所述信用卡申请数据输入至预先训练的行为预测模型,得到每个目标类型所对应的用户的用户行为;
对比单元,用于将每个用户的预测行为与用户行为进行行为一致性对比,得到第二验证结果;
生成单元,用于根据所述第一验证结果及所述第二验证结果生成信用卡测试结果。
9.一种计算机设备,其特征在于,所述计算机设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现如权利要求1至7中任意一项所述的基于虚拟数据的信用卡测试方法。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被计算机设备中的处理器执行以实现如权利要求1至7中任意一项所述的基于虚拟数据的信用卡测试方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111011019.2A CN113706292B (zh) | 2021-08-31 | 2021-08-31 | 基于虚拟数据的信用卡测试方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111011019.2A CN113706292B (zh) | 2021-08-31 | 2021-08-31 | 基于虚拟数据的信用卡测试方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113706292A CN113706292A (zh) | 2021-11-26 |
CN113706292B true CN113706292B (zh) | 2024-02-09 |
Family
ID=78657866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111011019.2A Active CN113706292B (zh) | 2021-08-31 | 2021-08-31 | 基于虚拟数据的信用卡测试方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113706292B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583493A (zh) * | 2018-11-27 | 2019-04-05 | 上海交通大学 | 一种基于深度学习的信用卡检测和数字识别方法 |
CN110471834A (zh) * | 2019-06-28 | 2019-11-19 | 平安银行股份有限公司 | 多交易渠道下的信用卡模拟测试方法及相关设备 |
CN111353879A (zh) * | 2020-03-31 | 2020-06-30 | 中国建设银行股份有限公司 | 借记卡管理方法及管理装置 |
-
2021
- 2021-08-31 CN CN202111011019.2A patent/CN113706292B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583493A (zh) * | 2018-11-27 | 2019-04-05 | 上海交通大学 | 一种基于深度学习的信用卡检测和数字识别方法 |
CN110471834A (zh) * | 2019-06-28 | 2019-11-19 | 平安银行股份有限公司 | 多交易渠道下的信用卡模拟测试方法及相关设备 |
CN111353879A (zh) * | 2020-03-31 | 2020-06-30 | 中国建设银行股份有限公司 | 借记卡管理方法及管理装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113706292A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021115186A1 (zh) | 基于ann的程序检测方法和检测系统及应用 | |
CN113806434B (zh) | 大数据处理方法、装置、设备及介质 | |
CN111798123A (zh) | 基于人工智能的合规性评价方法、装置、设备及介质 | |
CN111339072B (zh) | 基于用户行为的变化值分析方法、装置、电子设备及介质 | |
CN112948275A (zh) | 测试数据生成方法、装置、设备及存储介质 | |
CN115237802A (zh) | 基于人工智能的模拟测试方法及相关设备 | |
WO2022095519A1 (zh) | 通关检验方法、装置、电子设备及计算机可读存储介质 | |
CN113627160B (zh) | 文本纠错方法、装置、电子设备及存储介质 | |
CN111950707B (zh) | 基于行为共现网络的行为预测方法、装置、设备及介质 | |
CN113256181A (zh) | 风险因子预测方法、装置、设备及介质 | |
CN113628043A (zh) | 基于数据分类的投诉有效性判断方法、装置、设备及介质 | |
CN113742069A (zh) | 基于人工智能的容量预测方法、装置及存储介质 | |
CN111652282B (zh) | 基于大数据的用户偏好分析方法、装置及电子设备 | |
CN112269875A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN113706292B (zh) | 基于虚拟数据的信用卡测试方法、装置、设备及介质 | |
CN116823437A (zh) | 基于配置化风控策略的准入方法、装置、设备及介质 | |
CN116401602A (zh) | 事件检测方法、装置、设备及计算机可读介质 | |
CN114968816A (zh) | 基于数据模拟的策略测试方法、装置、设备及存储介质 | |
CN113313211B (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN113419951B (zh) | 人工智能模型优化方法、装置、电子设备及存储介质 | |
CN111859985B (zh) | Ai客服模型测试方法、装置、电子设备及存储介质 | |
CN112396547B (zh) | 基于无监督学习的课程推荐方法、装置、设备及介质 | |
CN111651652B (zh) | 基于人工智能的情感倾向识别方法、装置、设备及介质 | |
CN113806540A (zh) | 文本打标签方法、装置、电子设备及存储介质 | |
CN116414699B (zh) | 运营运维测试方法、装置、设备及介质 |
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 |