CN113992429A - 一种事件的处理方法、装置及设备 - Google Patents
一种事件的处理方法、装置及设备 Download PDFInfo
- Publication number
- CN113992429A CN113992429A CN202111580928.8A CN202111580928A CN113992429A CN 113992429 A CN113992429 A CN 113992429A CN 202111580928 A CN202111580928 A CN 202111580928A CN 113992429 A CN113992429 A CN 113992429A
- Authority
- CN
- China
- Prior art keywords
- event
- risk
- target
- information
- event information
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
- H04L63/1416—Event detection, e.g. attack signature detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/10—Network architectures or network communication protocols for network security for controlling access to devices or network resources
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
Abstract
本说明书实施例公开了一种事件的处理方法、装置及设备,该方法包括:获取目标事件的事件处理请求,其中,该事件处理请求中包括目标事件的事件信息,如果该事件信息满足预设的第一条件,则从预设的知识库中获取目标事件对应的风险防控规则,并将该事件信息分别与获取的目标事件对应的风险防控规则进行匹配,得到与该事件信息相匹配的第一规则,然后,可以基于与该事件信息相匹配的第一规则,确定该事件信息对应的预测风险信息,将该事件信息对应的预测风险信息和该事件信息输入到目标事件对应的风险防控模型中,得到该事件信息对应的风险信息,最终,可以基于该事件信息对应的风险信息对目标事件进行处理。
Description
技术领域
本文件涉及计算机技术领域,尤其涉及一种事件的处理方法、装置及设备。
背景技术
随着网络技术和终端技术的不断发展,网络风险和网络风险的类型越来越多,这样就给各个业务提出了更高的风险防控要求,为此,业务方针对出现的各种网络风险,不断提升业务中的风险防控能力。随着风控能力的持续增强,风控业务已经到了深水区,小样本(即样本数量较少)问题已经成为风控系统提升的一个重要瓶颈,为此,需要提供一种既能利用模型的全局优化能力,也能充分利用人工先验知识来提升风险防控模型性能的技术方案。
发明内容
本说明书实施例的目的是提供一种既能利用模型的全局优化能力,也能充分利用人工先验知识来提升风险防控模型性能的技术方案。
为了实现上述技术方案,本说明书实施例是这样实现的:
本说明书实施例提供的一种事件的处理方法,所述方法包括:获取目标事件的事件处理请求,所述事件处理请求中包括所述目标事件的事件信息。如果所述事件信息满足预设的第一条件,则从预设的知识库中获取所述目标事件对应的风险防控规则,并将所述事件信息分别与获取的所述目标事件对应的风险防控规则进行匹配,得到与所述事件信息相匹配的第一规则。基于与所述事件信息相匹配的第一规则,确定所述事件信息对应的预测风险信息,将所述事件信息对应的预测风险信息和所述事件信息输入到所述目标事件对应的风险防控模型中,得到所述事件信息对应的风险信息。基于所述事件信息对应的风险信息对所述目标事件进行处理。
本说明书实施例提供的一种事件的处理方法,应用于区块链系统,所述方法包括:获取目标事件的事件处理规则信息,采用所述目标事件的事件处理规则信息生成相应的第一智能合约,并将所述第一智能合约部署到所述区块链系统中。当获取到所述目标事件的事件处理请求时,调用所述第一智能合约,如果通过所述第一智能合约确定所述事件处理请求中包含的所述目标事件的事件信息满足预设的第一条件,则从预设的知识库中获取所述目标事件对应的风险防控规则,并将所述事件信息分别与获取的所述目标事件对应的风险防控规则进行匹配,得到与所述事件信息相匹配的第一规则。基于所述第一智能合约,采用与所述事件信息相匹配的第一规则,确定所述事件信息对应的预测风险信息,将所述事件信息对应的预测风险信息和所述事件信息输入到所述目标事件对应的风险防控模型中,得到所述事件信息对应的风险信息。基于所述第一智能合约和所述事件信息对应的风险信息对所述目标事件进行处理。
本说明书实施例提供的一种事件的处理装置,所述装置包括:请求模块,获取目标事件的事件处理请求,所述事件处理请求中包括所述目标事件的事件信息。第一风险防控模块,如果所述事件信息满足预设的第一条件,则从预设的知识库中获取所述目标事件对应的风险防控规则,并将所述事件信息分别与获取的所述目标事件对应的风险防控规则进行匹配,得到与所述事件信息相匹配的第一规则。第二风险防控模块,基于与所述事件信息相匹配的第一规则,确定所述事件信息对应的预测风险信息,将所述事件信息对应的预测风险信息和所述事件信息输入到所述目标事件对应的风险防控模型中,得到所述事件信息对应的风险信息。第一事件处理模块,基于所述事件信息对应的风险信息对所述目标事件进行处理。
本说明书实施例提供的一种事件的处理装置,所述装置为区块链系统中的装置,所述装置包括:合约部署模块,获取目标事件的事件处理规则信息,采用所述目标事件的事件处理规则信息生成相应的第一智能合约,并将所述第一智能合约部署到所述区块链系统中。第一风险防控模块,当获取到所述目标事件的事件处理请求时,调用所述第一智能合约,如果通过所述第一智能合约确定所述事件处理请求中包含的所述目标事件的事件信息满足预设的第一条件,则从预设的知识库中获取所述目标事件对应的风险防控规则,并将所述事件信息分别与获取的所述目标事件对应的风险防控规则进行匹配,得到与所述事件信息相匹配的第一规则。第二风险防控模块,基于所述第一智能合约,采用与所述事件信息相匹配的第一规则,确定所述事件信息对应的预测风险信息,将所述事件信息对应的预测风险信息和所述事件信息输入到所述目标事件对应的风险防控模型中,得到所述事件信息对应的风险信息。第一事件处理模块,基于所述第一智能合约和所述事件信息对应的风险信息对所述目标事件进行处理。
本说明书实施例提供的一种事件的处理设备,包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:获取目标事件的事件处理请求,所述事件处理请求中包括所述目标事件的事件信息。如果所述事件信息满足预设的第一条件,则从预设的知识库中获取所述目标事件对应的风险防控规则,并将所述事件信息分别与获取的所述目标事件对应的风险防控规则进行匹配,得到与所述事件信息相匹配的第一规则。基于与所述事件信息相匹配的第一规则,确定所述事件信息对应的预测风险信息,将所述事件信息对应的预测风险信息和所述事件信息输入到所述目标事件对应的风险防控模型中,得到所述事件信息对应的风险信息。基于所述事件信息对应的风险信息对所述目标事件进行处理。
本说明书实施例提供的一种事件的处理设备,所述设备为区块链系统中的设备,所述事件的处理设备包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:获取目标事件的事件处理规则信息,采用所述目标事件的事件处理规则信息生成相应的第一智能合约,并将所述第一智能合约部署到所述区块链系统中。当获取到所述目标事件的事件处理请求时,调用所述第一智能合约,如果通过所述第一智能合约确定所述事件处理请求中包含的所述目标事件的事件信息满足预设的第一条件,则从预设的知识库中获取所述目标事件对应的风险防控规则,并将所述事件信息分别与获取的所述目标事件对应的风险防控规则进行匹配,得到与所述事件信息相匹配的第一规则。基于所述第一智能合约,采用与所述事件信息相匹配的第一规则,确定所述事件信息对应的预测风险信息,将所述事件信息对应的预测风险信息和所述事件信息输入到所述目标事件对应的风险防控模型中,得到所述事件信息对应的风险信息。基于所述第一智能合约和所述事件信息对应的风险信息对所述目标事件进行处理。
本说明书实施例还提供了一种存储介质,其中,所述存储介质用于存储计算机可执行指令,所述可执行指令在被执行时实现以下流程:获取目标事件的事件处理请求,所述事件处理请求中包括所述目标事件的事件信息。如果所述事件信息满足预设的第一条件,则从预设的知识库中获取所述目标事件对应的风险防控规则,并将所述事件信息分别与获取的所述目标事件对应的风险防控规则进行匹配,得到与所述事件信息相匹配的第一规则。基于与所述事件信息相匹配的第一规则,确定所述事件信息对应的预测风险信息,将所述事件信息对应的预测风险信息和所述事件信息输入到所述目标事件对应的风险防控模型中,得到所述事件信息对应的风险信息。基于所述事件信息对应的风险信息对所述目标事件进行处理。
本说明书实施例还提供了一种存储介质,其中,所述存储介质用于存储计算机可执行指令,所述可执行指令在被执行时实现以下流程:获取目标事件的事件处理规则信息,采用所述目标事件的事件处理规则信息生成相应的第一智能合约,并将所述第一智能合约部署到区块链系统中。当获取到所述目标事件的事件处理请求时,调用所述第一智能合约,如果通过所述第一智能合约确定所述事件处理请求中包含的所述目标事件的事件信息满足预设的第一条件,则从预设的知识库中获取所述目标事件对应的风险防控规则,并将所述事件信息分别与获取的所述目标事件对应的风险防控规则进行匹配,得到与所述事件信息相匹配的第一规则。基于所述第一智能合约,采用与所述事件信息相匹配的第一规则,确定所述事件信息对应的预测风险信息,将所述事件信息对应的预测风险信息和所述事件信息输入到所述目标事件对应的风险防控模型中,得到所述事件信息对应的风险信息。基于所述第一智能合约和所述事件信息对应的风险信息对所述目标事件进行处理。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图:
图1为本说明书一种事件的处理方法实施例;
图2为本说明书一种事件的处理系统的结构示意图;
图3为本说明书一种事件的处理相关界面的结构示意图;
图4为本说明书一种事件的处理过程示意图;
图5A为本说明书又一种事件的处理方法实施例;
图5B为本说明书另一种事件的处理过程示意图;
图6为本说明书一种事件的处理装置实施例;
图7为本说明书另一种事件的处理装置实施例;
图8为本说明书一种事件的处理设备实施例。
具体实施方式
本说明书实施例提供一种事件的处理方法、装置及设备。
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
实施例一
如图1所示,本说明书实施例提供一种事件的处理方法,该方法的执行主体可以为终端设备或服务器,其中,该终端设备可以如手机、平板电脑等移动终端设备,也可以是个人计算机等设备,该服务器可以是独立的一个服务器,还可以是由多个服务器构成的服务器集群等,该服务器可以是如金融业务或网络购物业务等的后台服务器,也可以是某应用程序的后台服务器等。该方法可以应用于指定事件处理等的相关场景中,本实施例中以服务器为执行主体进行详细说明,对于终端设备的情况,可以参见下述相关内容,在此不再赘述。该方法具体可以包括以下步骤:
在步骤S102中,获取目标事件的事件处理请求,该事件处理请求中包括目标事件的事件信息。
其中,目标事件可以是可能会存在某种或多种风险的任意事件或预先指定的事件,例如支付事件或转账事件等,具体可以根据实际情况设定,本说明书实施例对此不做限定。事件信息可以包括与目标事件相关的信息,例如目标事件的标识、目标事件涉及的相关信息,具体如,目标事件为支付事件,事件信息可以包括该支付事件对应的支付单标识、支付方的账户信息、接收方的账户信息、支付的资源数量(如支付金额等)、支付时间、支付地点、支付方使用的设备的标识、接收方使用的设备的标识等,具体可以根据实际情况设定,本说明书实施例对此不做限定。
在实施中,随着网络技术和终端技术的不断发展,网络风险和网络风险的类型越来越多,这样就给各个业务提出了更高的风险防控要求,为此,业务方针对出现的各种网络风险,不断提升业务中的风险防控能力。随着风控能力的持续增强,风控业务已经到了深水区,小样本(即样本数量较少)问题已经成为风控系统提升的一个重要瓶颈,为此,需要提供一种既能利用模型的自动学习和全局优化能力,也能充分利用人工先验知识来提升风险防控模型性能的技术方案。本说明书实施例提供一种可实现的技术方案,具体可以包括以下内容:
本实施例的系统架构可以参见图2所示,可以通过多种不同的方式获取目标事件的事件处理请求,例如,可以预先设置有触发目标事件执行的应用程序,当用户需要触发目标事件执行时,可以启动上述应用程序,该应用程序可以向相应的应用程序服务器获取该应用程序的页面数据,并可以显示该页面数据,该页面数据对应的页面中可以包括目标事件的触发机制,例如,目标事件为转账事件,则上述页面中可以设置有“转账”按键或“转账”的超链接等。如图3所示,用户可以触发该触发机制,此时,该应用程序可以获取目标事件的相关数据(例如转账页面的数据等),然后,用户可以基于目标事件的相关数据,在上述页面中输入相应的补充数据(如转账页面中的接收人的账户信息、转账金额等数据),输入完成后,可以点击该页面中的确定按键,此时,用户的终端设备可以获取用户输入的补充数据,并可以基于该页面中的数据生成目标事件的事件处理请求,其中,该事件处理请求中包括目标事件的事件信息。用户的终端设备可以将该事件处理请求直接发送给服务器,或者,用户的终端设备可以将该事件处理请求发送给应用程序服务器,在此过程中,服务器可以拦截该事件处理请求等,通过上述多种方式,服务器可以获取到目标事件的事件处理请求。
在步骤S104中,如果上述事件信息满足预设的第一条件,则从预设的知识库中获取目标事件对应的风险防控规则,并将该事件信息分别与获取的目标事件对应的风险防控规则进行匹配,得到与该事件信息相匹配的第一规则。
其中,第一条件可以根据实际情况设定,例如第一条件可以根据事件所属的事件类型确定,具体如,如果事件类型为金融类,则通过知识库和相应的模型共同决策该事件存在的风险,否则,通过相应的模型决策该事件存在的风险,再例如第一条件可以根据事件内容确定,具体如,如果某事件的事件内容中包括指定的关键词(如身份证件号码、密码等),则通过知识库和相应的模型共同决策该事件存在的风险,否则,通过相应的模型决策该事件存在的风险等。知识库可以是预先构建的数据库,可以用于存储风险防控规则的数据。风险防控规则可以是基于专家经验,通过指定的历史数据或指定的事件而设定的一种规则,其中,指定的历史数据可以是在一定时间段内数量小于预设数量阈值(如5或3等)的存在某种风险(如新出现的风险或采用新的手段而形成的某种风险等)的数据,风险防控规则可以包括多种,具体可以根据实际情况设定,本说明书实施例对此不做限定。
在实施中,通过上述方式获取到事件处理请求后,可以从事件处理请求中提取目标事件的事件信息,可以对事件信息进行分析,基于分析结果判断该事件信息是否满足第一条件,如果该事件信息满足第一条件,则读取知识库中存储的风险防控规则,并可以查询知识库存储的风险防控规则中与目标事件相对应的风险防控规则,由于目标事件相对应的风险防控规则可能有多个,每个风险防控规则所针对的情况可能不同,因此,可以基于目标事件的事件信息与目标事件对应的风险防控规则进行匹配,从而可以确定目标事件对应的风险防控规则中与该事件信息匹配的风险防控规则,可以将上述确定的风险防控规则作为与该事件信息相匹配的第一规则。
在步骤S106中,基于与上述事件信息相匹配的第一规则,确定该事件信息对应的预测风险信息,将该事件信息对应的预测风险信息和该事件信息输入到目标事件对应的风险防控模型中,得到该事件信息对应的风险信息。
其中,风险防控模型可以是用于判断某事件是否存在风险的模型,风险防控模型可以通过多种不同的方式和算法构建,例如,风险防控模型可以通过卷积神经网络算法构建,风险防控模型中可以包括多个卷积神经网络层等,再例如,风险防控模型也可以通过分类算法(如随机森林算法等)构建等,具体可以根据实际情况设定,本说明书实施例对此不做限定。
在实施中,通过上述方式从知识库中获取与该事件信息相匹配的第一规则后,可以基于第一规则,预测目标事件的事件信息是否存在风险,进而可以得到相应的风险信息,可以将上述得到的风险信息作为该事件信息对应的预测风险信息。然后,可以将预测风险信息作为风险防控模型的辅助信息,可以将目标事件的事件信息对应的预测风险信息和该事件信息输入到目标事件对应的风险防控模型中,风险防控模型通过对该事件信息进行分析和处理,可以得到风险防控模型的输出结果,可以将该输出结果与上述预测风险信息进行比对分析,确定该事件信息对应的风险信息,例如,上述输出结果为不存在风险,预测风险信息为存在风险,且为A风险,则可以确定该事件信息对应的风险信息为存在风险,且为A风险等,具体可以根据实际情况设定该事件信息的风险选取策略,本说明书实施例对此不做限定。通过知识库中的风险防控规则的辅助,可以帮助风险防控模型在一些稀疏风险事件上取得更好的输出结果。
需要说明的是,风险防控模型可以是预先基于历史数据训练后得到的模型,具体地,可以根据实际情况获取针对目标事件的一定时间段的历史数据(可以通过购买的方式获取,也可以通过优先体验某种目标事件对应的功能的方式请求用户提供相关数据等,具体可以根据实际情况设定),可以通过该历史数据对风险防控模型进行训练,得到训练后的风险防控模型。然后,可以基于训练后的风险防控模型执行上述相关处理。
在步骤S108中,基于上述事件信息对应的风险信息对目标事件进行处理。
在实施中,通过上述方式确定目标事件的事件信息是否存在风险,如果确定该事件信息对应的风险信息为不存在风险,则可以对该事件处理请求进行响应,即服务器可以对目标事件进行处理,具体如,目标事件为转账事件,事件信息包括支付方的账户信息为账户A、接收方的账户信息为账户B、支付的支付金额为500元等,则在确定该事件信息对应的风险信息为不存在风险时,服务器可以将账户A中的500元转账至账户B中,或者,服务器可以通知执行目标事件的业务服务器对目标事件进行处理等。如果确定该事件信息对应的风险信息为存在风险,则可以拒绝对该事件处理请求进行响应,并停止对目标事件进行处理。
本说明书实施例提供一种事件的处理方法,获取目标事件的事件处理请求,其中,该事件处理请求中包括目标事件的事件信息,如果该事件信息满足预设的第一条件,则从预设的知识库中获取目标事件对应的风险防控规则,并将该事件信息分别与获取的目标事件对应的风险防控规则进行匹配,得到与该事件信息相匹配的第一规则,然后,可以基于与该事件信息相匹配的第一规则,确定该事件信息对应的预测风险信息,将该事件信息对应的预测风险信息和该事件信息输入到目标事件对应的风险防控模型中,得到该事件信息对应的风险信息,最终,可以基于该事件信息对应的风险信息对目标事件进行处理,这样,通过将知识库嵌入到风险防控模型的风险检测中,使得风险防控模型可以利用到知识库中的风险防控规则确定的预测风险信息对目标事件存在的风险进行综合检测,从而不仅能够利用风险防控模型的全局优化能力,也能充分利用知识库中的先验知识(即风险防控规则)来提升风险防控模型的性能,使得目标事件的风险检测结果更加准确,此外,增加了通过第一条件唤醒知识库的机制,将知识库嵌入到风险防控模型的风险检测中,进而也可以不需要唤醒知识库,从而节约知识库的调用,实现整个风控系统的高性能和高效果。
实施例二
如图4所示,本说明书实施例提供一种事件的处理方法,该方法的执行主体可以为终端设备或服务器,其中,该终端设备可以如手机、平板电脑等移动终端设备,也可以是个人计算机等设备,该服务器可以是独立的一个服务器,还可以是由多个服务器构成的服务器集群等,该服务器可以是如金融业务或网络购物业务等的后台服务器,也可以是某应用程序的后台服务器等。该方法可以应用于指定事件处理等的相关场景中,本实施例中以服务器为执行主体进行详细说明,对于终端设备的情况,可以参见下述相关内容,在此不再赘述。该方法具体可以包括以下步骤:
在步骤S402中,获取目标事件的事件处理请求,该事件处理请求中包括目标事件的事件信息。
在步骤S404中,如果上述事件信息满足预设的第一条件,则从预设的知识库中获取目标事件对应的风险防控规则,并将该事件信息分别与获取的目标事件对应的风险防控规则进行匹配,得到与该事件信息相匹配的第一规则。
其中,第一条件基于事件所属的事件类型和/或事件的事件信息确定。事件类型可以包括多种,例如支付类、转账类、隐私数据查询类等,具体看可以根据实际情况设定,本说明书实施例对此不做限定。此外,第一条件也可以基于事件信息中预先指定的关键字或字段设置,具体可以根据实际情况设定。
在步骤S406中,基于与上述事件信息相匹配的第一规则,确定该事件信息对应的预测风险信息,将该事件信息对应的预测风险信息和该事件信息输入到目标事件对应的风险防控模型中,得到该事件信息对应的风险信息。
在步骤S408中,基于上述事件信息对应的风险信息对目标事件进行处理。
上述步骤S404~步骤S408的处理是在目标事件的事件信息满足第一条件的情况下执行的相应处理,如果目标事件的事件信息不满足第一条件,则可以通过下述步骤S410和步骤S412的处理。
在步骤S410中,如果上述事件信息不满足预设的第一条件,则将该事件信息输入到目标事件对应的风险防控模型中,得到该事件信息对应的风险信息。
在实施中,如果上述事件信息不满足预设的第一条件,则表明本次目标事件是一个相对较简单的事件,或者,本次目标事件不存在复杂的处理规则或处理逻辑,或者,目标事件对应的所有风险类型均包含于风险防控模型中(即风险防控模型能够判断目标事件中出现的所有可能的风险类型的风险)等,此时,可以将该事件信息输入到目标事件对应的风险防控模型中,得到该事件信息对应的风险信息。
在步骤S412中,基于上述事件信息对应的风险信息对目标事件进行处理。
在实际应用中,服务器还可以对风险防控模型进行更新,尤其是在出现新的风险类型或出现新的处理手段时,需要对风险防控模型进行更新,具体可以参见下述步骤S414和步骤S416的处理。
在步骤S414中,当检测到目标风险类型的目标事件的数量达到预设数量阈值时,从目标事件对应的历史事件信息中,获取与目标风险类型对应的事件信息之间的相似度大于预设相似度阈值的历史事件信息,目标风险类型为风险防控模型对应的风险类型之外的风险类型。
其中,目标风险类型可以为风险防控模型能够检测出的风险类型之外的风险类型,例如,风险防控模型能够检测出的风险类型包括风险类型1、风险类型2、风险类型3,当前出现了新的风险类型,即风险类型4,则风险类型4即可以为目标风险类型。预设数量阈值可以根据实际情况设定,例如5或10等。
在实施中,服务器可以定时或不定时的检测近期出现的风险类型,当检测到某新出现的风险类型(即目标风险类型)的目标事件的数量达到预设数量阈值时,可以获取目标事件对应的事件信息,并对目标事件对应的事件信息进行分析,然后,可以对目标事件对应的事件信息进行向量化处理或矩阵化处理等,得到目标事件对应的事件信息的表征向量或表征矩阵。服务器可以获取目标事件对应的历史事件信息,并可以对历史事件信息进行向量化处理或矩阵化处理等,得到历史事件信息的表征向量或表征矩阵,然后,可以根据预先设定的相似度算法(如余弦相似度算法或欧式距离等),计算历史事件信息与目标事件对应的事件信息之间的相似度,可以选取相似度大于预设相似度阈值的历史事件信息作为辅助的训练样本。
在步骤S416中,基于目标风险类型对应的事件信息和获取的历史事件信息对风险防控模型进行训练,得到训练后的风险防控模型。
上述步骤S416的具体处理方式可以多种多样,以下提供一种可选的处理方式,具体可以包括以下步骤A2和步骤A4的处理。
在步骤A2中,分别对目标风险类型对应的事件信息和获取的历史事件信息进行数据增强处理,得到相应的第一增强数据。
在实施中,考虑到目标风险类型为新出现的风险类型,相应的训练样本的数量可能会比较少,为了提高风险防控模型的性能和输出的结果的准确度,可以对现有的样本数据进行数据增强处理,具体的,可以对目标事件对应的事件信息进行数据增强处理,如可以通过翻转、裁剪等多种数据增强方式对目标事件对应的事件信息进行数据增强处理,得到相应的增强数据,同时,也可以对获取的历史事件信息进行数据增强处理,如可以通过翻转、裁剪等多种数据增强方式对获取的历史事件信息进行数据增强处理,得到相应的增强数据。通过上述数据增强处理,可以得到两部分增强数据,即相应的第一增强数据。
在步骤A4中,基于第一增强数据对风险防控模型进行训练,得到训练后的风险防控模型。
在实际应用中,服务器还可以对知识库进行更新或进行数据补充,尤其是在出现新的风险类型或出现新的处理手段时,需要对知识库进行更新或进行数据补充,具体可以参见下述步骤S418的处理。
在步骤S418中,当检测到目标风险类型的目标事件的数量达到预设数量阈值时,基于目标风险类型对应的事件信息生成与目标风险类型对应的风险防控规则,并将该风险防控规则存储于知识库中,目标风险类型为知识库对应的风险类型之外的风险类型。
在实施中,当检测到目标风险类型的目标事件的数量达到预设数量阈值时,服务器可以对目标事件对应的事件信息进行分析,通过分析结果,可以对目标风险类型对应的事件信息进行特征提取,得到目标风险类型对应的特征,可以基于目标风险类型对应的特征生成对应的风险防控规则,可以将该风险防控规则存储于知识库中。
在实际应用中,除了可以通过上述方式对知识库进行更新或进行数据补充外,还可以通过多种不同的方式实现,例如,可以将目标风险类型对应的事件信息提供给技术人员,技术人员可以凭借专家经验,进行逻辑推理等处理后,可以设定相应的风险防控规则,然后,可以将设定的风险防控规则作为目标风险类型对应的风险防控规则存储于知识库中。
在实际应用中,服务器还可以对知识库进行更新或进行数据补充,并可以对风险防控模型进行更新,尤其是在出现新的风险类型或出现新的处理手段时,具体可以参见下述步骤S420~步骤S424的处理。
在步骤S420中,当检测到目标风险类型的目标事件的数量达到预设数量阈值时,基于目标风险类型对应的事件信息生成与目标风险类型对应的风险防控规则,并将该风险防控规则存储于知识库中,目标风险类型为知识库对应的风险类型和风险防控模型对应的风险类型之外的风险类型。
在步骤S422中,从目标事件对应的历史事件信息中,获取与目标风险类型对应的事件信息之间的相似度大于预设相似度阈值的历史事件信息。
在步骤S424中,基于目标风险类型对应的事件信息和目标风险类型对应的风险防控规则对风险防控模型进行训练,得到训练后的风险防控模型。
上述步骤S420~步骤S424的具体处理过程可以参见上述相关内容,在此不再赘述。
本说明书实施例提供一种事件的处理方法,获取目标事件的事件处理请求,其中,该事件处理请求中包括目标事件的事件信息,如果该事件信息满足预设的第一条件,则从预设的知识库中获取目标事件对应的风险防控规则,并将该事件信息分别与获取的目标事件对应的风险防控规则进行匹配,得到与该事件信息相匹配的第一规则,然后,可以基于与该事件信息相匹配的第一规则,确定该事件信息对应的预测风险信息,将该事件信息对应的预测风险信息和该事件信息输入到目标事件对应的风险防控模型中,得到该事件信息对应的风险信息,最终,可以基于该事件信息对应的风险信息对目标事件进行处理,这样,通过将知识库嵌入到风险防控模型的风险检测中,使得风险防控模型可以利用到知识库中的风险防控规则确定的预测风险信息对目标事件存在的风险进行综合检测,从而不仅能够利用风险防控模型的全局优化能力,也能充分利用知识库中的先验知识(即风险防控规则)来提升风险防控模型的性能,使得目标事件的风险检测结果更加准确,此外,增加了通过第一条件唤醒知识库的机制,将知识库嵌入到风险防控模型的风险检测中,进而也可以不需要唤醒知识库,从而节约知识库的调用,实现整个风控系统的高性能和高效果。
实施例三
如图5A和图5B所示,本说明书实施例提供一种事件的处理方法,该方法的执行主体可以为区块链系统,该区块链系统可以由终端设备和/或服务器等组成,其中,该终端设备可以如手机、平板电脑等移动终端设备,也可以是个人计算机等设备,该服务器可以是独立的一个服务器,还可以是由多个服务器构成的服务器集群等,该服务器可以是如金融业务或网络购物业务等的后台服务器,也可以是某应用程序的后台服务器等。该方法可以应用于指定事件处理等的相关场景中,该方法具体可以包括以下步骤:
在步骤S502中,获取目标事件的事件处理规则信息,采用目标事件的事件处理规则信息生成相应的第一智能合约,并将第一智能合约部署到区块链系统中。
其中,第一智能合约可以是一种旨在以信息化方式传播、验证或执行合同的计算机协议,第一智能合约允许在没有第三方的情况下进行可信交互,进行的上述交互过程可追踪且不可逆转,第一智能合约中包括合约参与方可以在上面执行合约参与方同意的权利和义务的协议。
在实施中,为了使得基于目标事件的事件处理过程的可追溯性更好,可以创建或加入指定的区块链系统,这样,可以基于区块链系统对目标事件进行处理,具体地,区块链节点中可以安装有相应的应用程序,该应用程序中可以设置有目标事件的事件处理规则信息的输入框和/或选择框等,可以在上述输入框和/或选择框中设置相应的信息。然后,区块链系统可以接收目标事件的事件处理规则信息。区块链系统可以通过目标事件的事件处理规则信息生成相应的第一智能合约,并可以向该区块链系统中部署该第一智能合约,这样,区块链系统中存储了目标事件的事件处理规则信息和相应的第一智能合约,其他用户无法篡改目标事件的事件处理规则信息和相应的第一智能合约,而且,区块链系统通过第一智能合约对目标事件进行处理。
在步骤S504中,当获取到目标事件的事件处理请求时,调用第一智能合约,如果通过第一智能合约确定该事件处理请求中包含的目标事件的事件信息满足预设的第一条件,则从预设的知识库中获取目标事件对应的风险防控规则,并将该事件信息分别与获取的目标事件对应的风险防控规则进行匹配,得到与该事件信息相匹配的第一规则。
其中,第一条件基于事件所属的事件类型和/或事件的事件信息确定。
在实施中,第一智能合约中可以设置有判断目标事件的事件信息是否满足预设的第一条件,以及从预设的知识库中获取目标事件对应的风险防控规则,并将该事件信息分别与获取的目标事件对应的风险防控规则进行匹配的相关规则信息,这样,基于第一智能合约中的上述规则信息可以实现上述相应的处理,具体可以参见上述相关内容,在此不再赘述。
在步骤S506中,基于第一智能合约,采用与上述事件信息相匹配的第一规则,确定该事件信息对应的预测风险信息,将该事件信息对应的预测风险信息和该事件信息输入到目标事件对应的风险防控模型中,得到该事件信息对应的风险信息。
在实施中,第一智能合约中可以设置有采用与上述事件信息相匹配的第一规则,确定该事件信息对应的预测风险信息,将该事件信息对应的预测风险信息和该事件信息输入到目标事件对应的风险防控模型中的相关规则信息,这样,基于第一智能合约中的上述规则信息可以实现上述相应的处理,具体可以参见上述相关内容,在此不再赘述。
在步骤S508中,基于第一智能合约和上述事件信息对应的风险信息对目标事件进行处理。
在实施中,第一智能合约中可以设置有通过上述事件信息对应的风险信息对目标事件进行处理的相关规则信息,这样,基于第一智能合约中的上述规则信息可以实现上述相应的处理,具体可以参见上述相关内容,在此不再赘述。
上述步骤S504~步骤S508的处理是在目标事件的事件信息满足第一条件的情况下执行的相应处理,如果目标事件的事件信息不满足第一条件,则可以通过下述步骤B2和步骤B4的处理。
在步骤B2中,如果通过第一智能合约确定上述事件信息不满足预设的第一条件,则将该事件信息输入到目标事件对应的风险防控模型中,得到该事件信息对应的风险信息。
在实施中,第一智能合约中可以设置有如果上述事件信息不满足预设的第一条件,则将该事件信息输入到目标事件对应的风险防控模型中的相关规则信息,这样,基于第一智能合约中的上述规则信息可以实现上述相应的处理,具体可以参见上述相关内容,在此不再赘述。
在步骤B4中,基于第一智能合约和上述事件信息对应的风险信息对目标事件进行处理。
在实际应用中,区块链系统还可以对风险防控模型进行更新,尤其是在出现新的风险类型或出现新的处理手段时,需要对风险防控模型进行更新,具体可以参见下述步骤C2和步骤C4的处理。
步骤C2中,当基于预先部署于区块链系统中的第二智能合约检测到目标风险类型的目标事件的数量达到预设数量阈值时,从目标事件对应的历史事件信息中,获取与目标风险类型对应的事件信息之间的相似度大于预设相似度阈值的历史事件信息,目标风险类型为风险防控模型对应的风险类型之外的风险类型。
在实施中,为了使得对风险防控模型进行更新的处理过程的可追溯性更好,该应用程序中可以设置有对风险防控模型进行更新的规则信息的输入框和/或选择框等,可以在上述输入框和/或选择框中设置相应的信息。然后,区块链系统可以接收对风险防控模型进行更新的规则信息。区块链系统可以通过对风险防控模型进行更新的规则信息生成相应的第二智能合约,并可以向该区块链系统中部署该第二智能合约,这样,区块链系统中存储了对风险防控模型进行更新的规则信息和相应的第二智能合约,其他用户无法篡改对风险防控模型进行更新的规则信息和相应的第二智能合约,而且,区块链系统通过第二智能合约对风险防控模型进行更新。
第二智能合约中可以设置有检测目标风险类型的目标事件的数量是否达到预设数量阈值,以及从目标事件对应的历史事件信息中,获取与目标风险类型对应的事件信息之间的相似度大于预设相似度阈值的历史事件信息的相关规则信息,这样,基于第二智能合约中的上述规则信息可以实现上述相应的处理,具体可以参见上述相关内容,在此不再赘述。
步骤C4中,基于第二智能合约、目标风险类型对应的事件信息和获取的历史事件信息对风险防控模型进行训练,得到训练后的风险防控模型。
上述步骤C4的具体处理方式可以多种多样,以下提供一种可选的处理方式,具体可以包括以下步骤C42和步骤C44的处理。
在步骤C42中,基于第二智能合约,分别对目标风险类型对应的事件信息和获取的历史事件信息进行数据增强处理,得到相应的第一增强数据。
在实施中,第二智能合约中可以设置有分别对目标风险类型对应的事件信息和获取的历史事件信息进行数据增强处理的相关规则信息,这样,基于第二智能合约中的上述规则信息可以实现上述相应的处理,具体可以参见上述相关内容,在此不再赘述。
在步骤C44中,基于第二智能合约、第一增强数据对风险防控模型进行训练,得到训练后的风险防控模型。
在实施中,第二智能合约中可以设置有基于第一增强数据对风险防控模型进行训练,得到训练后的风险防控模型的相关规则信息,这样,基于第二智能合约中的上述规则信息可以实现上述相应的处理,具体可以参见上述相关内容,在此不再赘述。
在实际应用中,区块链系统还可以对知识库进行更新或进行数据补充,尤其是在出现新的风险类型或出现新的处理手段时,需要对知识库进行更新或进行数据补充,具体可以参见下述处理:当基于预先部署于区块链系统中的第三智能合约检测到目标风险类型的目标事件的数量达到预设数量阈值时,基于目标风险类型对应的事件信息生成与目标风险类型对应的风险防控规则,并将风险防控规则存储于知识库中,目标风险类型为知识库对应的风险类型之外的风险类型。
在实施中,为了使得对知识库进行更新的处理过程的可追溯性更好,该应用程序中可以设置有对知识库进行更新的规则信息的输入框和/或选择框等,可以在上述输入框和/或选择框中设置相应的信息。然后,区块链系统可以接收对知识库进行更新的规则信息。区块链系统可以通过对知识库进行更新的规则信息生成相应的第三智能合约,并可以向该区块链系统中部署该第三智能合约,这样,区块链系统中存储了对知识库进行更新的规则信息和相应的第三智能合约,其他用户无法篡改对知识库进行更新的规则信息和相应的第三智能合约,而且,区块链系统通过第三智能合约对知识库进行更新。
第三智能合约中可以设置有检测目标风险类型的目标事件的数量是否达到预设数量阈值,以及基于目标风险类型对应的事件信息生成与目标风险类型对应的风险防控规则,并将风险防控规则存储于知识库中的相关规则信息,这样,基于第三智能合约中的上述规则信息可以实现上述相应的处理,具体可以参见上述相关内容,在此不再赘述。
在实际应用中,区块链系统还可以对知识库进行更新或进行数据补充,并可以对风险防控模型进行更新,尤其是在出现新的风险类型或出现新的处理手段时,具体可以参见下述步骤D2~步骤D6的处理。
在步骤D2中,当基于预先部署于区块链系统中的第四智能合约检测到目标风险类型的目标事件的数量达到预设数量阈值时,基于目标风险类型对应的事件信息生成与目标风险类型对应的风险防控规则,并将风险防控规则存储于知识库中,目标风险类型为知识库对应的风险类型和风险防控模型对应的风险类型之外的风险类型。
在实施中,为了使得对知识库和风险防控模型进行更新的处理过程的可追溯性更好,该应用程序中可以设置有对知识库和风险防控模型进行更新的规则信息的输入框和/或选择框等,可以在上述输入框和/或选择框中设置相应的信息。然后,区块链系统可以接收对知识库和风险防控模型进行更新的规则信息。区块链系统可以通过对知识库和风险防控模型进行更新的规则信息生成相应的第四智能合约,并可以向该区块链系统中部署该第四智能合约,这样,区块链系统中存储了对知识库和风险防控模型进行更新的规则信息和相应的第四智能合约,其他用户无法篡改对知识库和风险防控模型进行更新的规则信息和相应的第四智能合约,而且,区块链系统通过第四智能合约对知识库和风险防控模型进行更新。
第四智能合约中可以设置有检测目标风险类型的目标事件的数量是否达到预设数量阈值,以及基于目标风险类型对应的事件信息生成与目标风险类型对应的风险防控规则,并将风险防控规则存储于知识库中的相关规则信息,这样,基于第四智能合约中的上述规则信息可以实现上述相应的处理,具体可以参见上述相关内容,在此不再赘述。
在步骤D4中,基于第四智能合约,从目标事件对应的历史事件信息中,获取与目标风险类型对应的事件信息之间的相似度大于预设相似度阈值的历史事件信息。
在实施中,第四智能合约中可以设置有从目标事件对应的历史事件信息中,获取与目标风险类型对应的事件信息之间的相似度大于预设相似度阈值的历史事件信息的相关规则信息,这样,基于第四智能合约中的上述规则信息可以实现上述相应的处理,具体可以参见上述相关内容,在此不再赘述。
在步骤D6中,基于第四智能合约、目标风险类型对应的事件信息和目标风险类型对应的风险防控规则对所述风险防控模型进行训练,得到训练后的风险防控模型。
在实施中,第四智能合约中可以设置基于目标风险类型对应的事件信息和目标风险类型对应的风险防控规则对所述风险防控模型进行训练的相关规则信息,这样,基于第四智能合约中的上述规则信息可以实现上述相应的处理,具体可以参见上述相关内容,在此不再赘述。
上述步骤S504~步骤S508的具体处理,可以参见上述实施例一~实施例二中的相关内容,即可以通过相应的第一智能合约,实现如上述实施例一~实施例二中的涉及的各种处理。
本说明书实施例提供一种事件的处理方法,应用于区块链系统,获取目标事件的事件处理请求,其中,该事件处理请求中包括目标事件的事件信息,如果该事件信息满足预设的第一条件,则从预设的知识库中获取目标事件对应的风险防控规则,并将该事件信息分别与获取的目标事件对应的风险防控规则进行匹配,得到与该事件信息相匹配的第一规则,然后,可以基于与该事件信息相匹配的第一规则,确定该事件信息对应的预测风险信息,将该事件信息对应的预测风险信息和该事件信息输入到目标事件对应的风险防控模型中,得到该事件信息对应的风险信息,最终,可以基于该事件信息对应的风险信息对目标事件进行处理,这样,通过将知识库嵌入到风险防控模型的风险检测中,使得风险防控模型可以利用到知识库中的风险防控规则确定的预测风险信息对目标事件存在的风险进行综合检测,从而不仅能够利用风险防控模型的全局优化能力,也能充分利用知识库中的先验知识(即风险防控规则)来提升风险防控模型的性能,使得目标事件的风险检测结果更加准确,此外,增加了通过第一条件唤醒知识库的机制,将知识库嵌入到风险防控模型的风险检测中,进而也可以不需要唤醒知识库,从而节约知识库的调用,实现整个风控系统的高性能和高效果。
实施例四
以上为本说明书实施例提供的事件的处理方法,基于同样的思路,本说明书实施例还提供一种事件的处理装置,如图6所示。
该事件的处理装置包括:请求模块601、第一风险防控模块602、第二风险防控模块603和第一事件处理模块604,其中:
请求模块601,获取目标事件的事件处理请求,所述事件处理请求中包括所述目标事件的事件信息;
第一风险防控模块602,如果所述事件信息满足预设的第一条件,则从预设的知识库中获取所述目标事件对应的风险防控规则,并将所述事件信息分别与获取的所述目标事件对应的风险防控规则进行匹配,得到与所述事件信息相匹配的第一规则;
第二风险防控模块603,基于与所述事件信息相匹配的第一规则,确定所述事件信息对应的预测风险信息,将所述事件信息对应的预测风险信息和所述事件信息输入到所述目标事件对应的风险防控模型中,得到所述事件信息对应的风险信息;
第一事件处理模块604,基于所述事件信息对应的风险信息对所述目标事件进行处理。
本说明书实施例中,所述装置还包括:
第三风险防控模块,如果所述事件信息不满足预设的第一条件,则将所述事件信息输入到所述目标事件对应的风险防控模型中,得到所述事件信息对应的风险信息;
第二事件处理模块,基于所述事件信息对应的风险信息对所述目标事件进行处理。
本说明书实施例中,所述第一条件基于事件所属的事件类型和/或事件的事件信息确定。
本说明书实施例中,所述装置还包括:
第一信息获取模块,当检测到目标风险类型的目标事件的数量达到预设数量阈值时,从所述目标事件对应的历史事件信息中,获取与所述目标风险类型对应的事件信息之间的相似度大于预设相似度阈值的历史事件信息,所述目标风险类型为所述风险防控模型对应的风险类型之外的风险类型;
第一训练模块,基于所述目标风险类型对应的事件信息和获取的历史事件信息对所述风险防控模型进行训练,得到训练后的风险防控模型。
本说明书实施例中,所述第一训练模块,包括:
数据增强单元,分别对所述目标风险类型对应的事件信息和获取的历史事件信息进行数据增强处理,得到相应的第一增强数据;
训练单元,基于所述第一增强数据对所述风险防控模型进行训练,得到训练后的风险防控模型。
本说明书实施例中,所述装置还包括:
第一知识库更新模块,当检测到目标风险类型的目标事件的数量达到预设数量阈值时,基于所述目标风险类型对应的事件信息生成与所述目标风险类型对应的风险防控规则,并将所述风险防控规则存储于所述知识库中,所述目标风险类型为所述知识库对应的风险类型之外的风险类型。
本说明书实施例中,所述装置还包括:
第二知识库更新模块,当检测到目标风险类型的目标事件的数量达到预设数量阈值时,基于所述目标风险类型对应的事件信息生成与所述目标风险类型对应的风险防控规则,并将所述风险防控规则存储于所述知识库中,所述目标风险类型为所述知识库对应的风险类型和所述风险防控模型对应的风险类型之外的风险类型;
第二信息获取模块,从所述目标事件对应的历史事件信息中,获取与所述目标风险类型对应的事件信息之间的相似度大于预设相似度阈值的历史事件信息;
第二训练模块,基于所述目标风险类型对应的事件信息和所述目标风险类型对应的风险防控规则对所述风险防控模型进行训练,得到训练后的风险防控模型。
本说明书实施例提供一种事件的处理装置,获取目标事件的事件处理请求,其中,该事件处理请求中包括目标事件的事件信息,如果该事件信息满足预设的第一条件,则从预设的知识库中获取目标事件对应的风险防控规则,并将该事件信息分别与获取的目标事件对应的风险防控规则进行匹配,得到与该事件信息相匹配的第一规则,然后,可以基于与该事件信息相匹配的第一规则,确定该事件信息对应的预测风险信息,将该事件信息对应的预测风险信息和该事件信息输入到目标事件对应的风险防控模型中,得到该事件信息对应的风险信息,最终,可以基于该事件信息对应的风险信息对目标事件进行处理,这样,通过将知识库嵌入到风险防控模型的风险检测中,使得风险防控模型可以利用到知识库中的风险防控规则确定的预测风险信息对目标事件存在的风险进行综合检测,从而不仅能够利用风险防控模型的全局优化能力,也能充分利用知识库中的先验知识(即风险防控规则)来提升风险防控模型的性能,使得目标事件的风险检测结果更加准确,此外,增加了通过第一条件唤醒知识库的机制,将知识库嵌入到风险防控模型的风险检测中,进而也可以不需要唤醒知识库,从而节约知识库的调用,实现整个风控系统的高性能和高效果。
实施例五
基于同样的思路,本说明书实施例还提供一种事件的处理装置,该装置为区块链系统中的装置,如图7所示。
该事件的处理装置包括:合约部署模块701、第一风险防控模块702、第二风险防控模块703和第一事件处理模块704,其中:
合约部署模块701,获取目标事件的事件处理规则信息,采用所述目标事件的事件处理规则信息生成相应的第一智能合约,并将所述第一智能合约部署到所述区块链系统中;
第一风险防控模块702,当获取到所述目标事件的事件处理请求时,调用所述第一智能合约,如果通过所述第一智能合约确定所述事件处理请求中包含的所述目标事件的事件信息满足预设的第一条件,则从预设的知识库中获取所述目标事件对应的风险防控规则,并将所述事件信息分别与获取的所述目标事件对应的风险防控规则进行匹配,得到与所述事件信息相匹配的第一规则;
第二风险防控模块703,基于所述第一智能合约,采用与所述事件信息相匹配的第一规则,确定所述事件信息对应的预测风险信息,将所述事件信息对应的预测风险信息和所述事件信息输入到所述目标事件对应的风险防控模型中,得到所述事件信息对应的风险信息;
第一事件处理模块704,基于所述第一智能合约和所述事件信息对应的风险信息对所述目标事件进行处理。
本说明书实施例中,所述装置还包括:
第三风险防控模块,如果通过所述第一智能合约确定所述事件信息不满足预设的第一条件,则将所述事件信息输入到所述目标事件对应的风险防控模型中,得到所述事件信息对应的风险信息;
第二事件处理模块,基于所述第一智能合约和所述事件信息对应的风险信息对所述目标事件进行处理。
本说明书实施例中,所述装置还包括:
第一信息获取模块,当基于预先部署于所述区块链系统中的第二智能合约检测到目标风险类型的目标事件的数量达到预设数量阈值时,从所述目标事件对应的历史事件信息中,获取与所述目标风险类型对应的事件信息之间的相似度大于预设相似度阈值的历史事件信息,所述目标风险类型为所述风险防控模型对应的风险类型之外的风险类型;
第一训练模块,基于所述第二智能合约、所述目标风险类型对应的事件信息和获取的历史事件信息对所述风险防控模型进行训练,得到训练后的风险防控模型。
本说明书实施例中,所述装置还包括:
第一知识库更新模块,当基于预先部署于所述区块链系统中的第三智能合约检测到目标风险类型的目标事件的数量达到预设数量阈值时,基于所述目标风险类型对应的事件信息生成与所述目标风险类型对应的风险防控规则,并将所述风险防控规则存储于所述知识库中,所述目标风险类型为所述知识库对应的风险类型之外的风险类型。
本说明书实施例中,所述装置还包括:
第二知识库更新模块,当基于预先部署于所述区块链系统中的第四智能合约检测到目标风险类型的目标事件的数量达到预设数量阈值时,基于所述目标风险类型对应的事件信息生成与所述目标风险类型对应的风险防控规则,并将所述风险防控规则存储于所述知识库中,所述目标风险类型为所述知识库对应的风险类型和所述风险防控模型对应的风险类型之外的风险类型;
第二信息获取模块,基于所述第四智能合约,从所述目标事件对应的历史事件信息中,获取与所述目标风险类型对应的事件信息之间的相似度大于预设相似度阈值的历史事件信息;
第二训练模块,基于所述第四智能合约、所述目标风险类型对应的事件信息和所述目标风险类型对应的风险防控规则对所述风险防控模型进行训练,得到训练后的风险防控模型。
本说明书实施例提供一种事件的处理装置,获取目标事件的事件处理请求,其中,该事件处理请求中包括目标事件的事件信息,如果该事件信息满足预设的第一条件,则从预设的知识库中获取目标事件对应的风险防控规则,并将该事件信息分别与获取的目标事件对应的风险防控规则进行匹配,得到与该事件信息相匹配的第一规则,然后,可以基于与该事件信息相匹配的第一规则,确定该事件信息对应的预测风险信息,将该事件信息对应的预测风险信息和该事件信息输入到目标事件对应的风险防控模型中,得到该事件信息对应的风险信息,最终,可以基于该事件信息对应的风险信息对目标事件进行处理,这样,通过将知识库嵌入到风险防控模型的风险检测中,使得风险防控模型可以利用到知识库中的风险防控规则确定的预测风险信息对目标事件存在的风险进行综合检测,从而不仅能够利用风险防控模型的全局优化能力,也能充分利用知识库中的先验知识(即风险防控规则)来提升风险防控模型的性能,使得目标事件的风险检测结果更加准确,此外,增加了通过第一条件唤醒知识库的机制,将知识库嵌入到风险防控模型的风险检测中,进而也可以不需要唤醒知识库,从而节约知识库的调用,实现整个风控系统的高性能和高效果。
实施例六
以上为本说明书实施例提供的事件的处理装置,基于同样的思路,本说明书实施例还提供一种事件的处理设备,如图8所示。
所述事件的处理设备可以为上述实施例提供终端设备、服务器或区块链系统中的设备等。
事件的处理设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上的处理器801和存储器802,存储器802中可以存储有一个或一个以上存储应用程序或数据。其中,存储器802可以是短暂存储或持久存储。存储在存储器802的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括对事件的处理设备中的一系列计算机可执行指令。更进一步地,处理器801可以设置为与存储器802通信,在事件的处理设备上执行存储器802中的一系列计算机可执行指令。事件的处理设备还可以包括一个或一个以上电源803,一个或一个以上有线或无线网络接口804,一个或一个以上输入输出接口805,一个或一个以上键盘806。
具体在本实施例中,事件的处理设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对事件的处理设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
获取目标事件的事件处理请求,所述事件处理请求中包括所述目标事件的事件信息;
如果所述事件信息满足预设的第一条件,则从预设的知识库中获取所述目标事件对应的风险防控规则,并将所述事件信息分别与获取的所述目标事件对应的风险防控规则进行匹配,得到与所述事件信息相匹配的第一规则;
基于与所述事件信息相匹配的第一规则,确定所述事件信息对应的预测风险信息,将所述事件信息对应的预测风险信息和所述事件信息输入到所述目标事件对应的风险防控模型中,得到所述事件信息对应的风险信息;
基于所述事件信息对应的风险信息对所述目标事件进行处理。
本说明书实施例中,还包括:
如果所述事件信息不满足预设的第一条件,则将所述事件信息输入到所述目标事件对应的风险防控模型中,得到所述事件信息对应的风险信息;
基于所述事件信息对应的风险信息对所述目标事件进行处理。
本说明书实施例中,所述第一条件基于事件所属的事件类型和/或事件的事件信息确定。
本说明书实施例中,还包括:
当检测到目标风险类型的目标事件的数量达到预设数量阈值时,从所述目标事件对应的历史事件信息中,获取与所述目标风险类型对应的事件信息之间的相似度大于预设相似度阈值的历史事件信息,所述目标风险类型为所述风险防控模型对应的风险类型之外的风险类型;
基于所述目标风险类型对应的事件信息和获取的历史事件信息对所述风险防控模型进行训练,得到训练后的风险防控模型。
本说明书实施例中,所述基于所述目标风险类型对应的事件信息和获取的历史事件信息对所述风险防控模型进行训练,得到训练后的风险防控模型,包括:
分别对所述目标风险类型对应的事件信息和获取的历史事件信息进行数据增强处理,得到相应的第一增强数据;
基于所述第一增强数据对所述风险防控模型进行训练,得到训练后的风险防控模型。
本说明书实施例中,还包括:
当检测到目标风险类型的目标事件的数量达到预设数量阈值时,基于所述目标风险类型对应的事件信息生成与所述目标风险类型对应的风险防控规则,并将所述风险防控规则存储于所述知识库中,所述目标风险类型为所述知识库对应的风险类型之外的风险类型。
本说明书实施例中,还包括:
当检测到目标风险类型的目标事件的数量达到预设数量阈值时,基于所述目标风险类型对应的事件信息生成与所述目标风险类型对应的风险防控规则,并将所述风险防控规则存储于所述知识库中,所述目标风险类型为所述知识库对应的风险类型和所述风险防控模型对应的风险类型之外的风险类型;
从所述目标事件对应的历史事件信息中,获取与所述目标风险类型对应的事件信息之间的相似度大于预设相似度阈值的历史事件信息;
基于所述目标风险类型对应的事件信息和所述目标风险类型对应的风险防控规则对所述风险防控模型进行训练,得到训练后的风险防控模型。
此外,具体在本实施例中,事件的处理设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对事件的处理设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
获取目标事件的事件处理规则信息,采用所述目标事件的事件处理规则信息生成相应的第一智能合约,并将所述第一智能合约部署到所述区块链系统中;
当获取到所述目标事件的事件处理请求时,调用所述第一智能合约,如果通过所述第一智能合约确定所述事件处理请求中包含的所述目标事件的事件信息满足预设的第一条件,则从预设的知识库中获取所述目标事件对应的风险防控规则,并将所述事件信息分别与获取的所述目标事件对应的风险防控规则进行匹配,得到与所述事件信息相匹配的第一规则;
基于所述第一智能合约,采用与所述事件信息相匹配的第一规则,确定所述事件信息对应的预测风险信息,将所述事件信息对应的预测风险信息和所述事件信息输入到所述目标事件对应的风险防控模型中,得到所述事件信息对应的风险信息;
基于所述第一智能合约和所述事件信息对应的风险信息对所述目标事件进行处理。
本说明书实施例中,还包括:
如果通过所述第一智能合约确定所述事件信息不满足预设的第一条件,则将所述事件信息输入到所述目标事件对应的风险防控模型中,得到所述事件信息对应的风险信息;
基于所述第一智能合约和所述事件信息对应的风险信息对所述目标事件进行处理。
本说明书实施例中,还包括:
当基于预先部署于所述区块链系统中的第二智能合约检测到目标风险类型的目标事件的数量达到预设数量阈值时,从所述目标事件对应的历史事件信息中,获取与所述目标风险类型对应的事件信息之间的相似度大于预设相似度阈值的历史事件信息,所述目标风险类型为所述风险防控模型对应的风险类型之外的风险类型;
基于所述第二智能合约、所述目标风险类型对应的事件信息和获取的历史事件信息对所述风险防控模型进行训练,得到训练后的风险防控模型。
本说明书实施例中,还包括:
当基于预先部署于所述区块链系统中的第三智能合约检测到目标风险类型的目标事件的数量达到预设数量阈值时,基于所述目标风险类型对应的事件信息生成与所述目标风险类型对应的风险防控规则,并将所述风险防控规则存储于所述知识库中,所述目标风险类型为所述知识库对应的风险类型之外的风险类型。
本说明书实施例中,还包括:
当基于预先部署于所述区块链系统中的第四智能合约检测到目标风险类型的目标事件的数量达到预设数量阈值时,基于所述目标风险类型对应的事件信息生成与所述目标风险类型对应的风险防控规则,并将所述风险防控规则存储于所述知识库中,所述目标风险类型为所述知识库对应的风险类型和所述风险防控模型对应的风险类型之外的风险类型;
基于所述第四智能合约,从所述目标事件对应的历史事件信息中,获取与所述目标风险类型对应的事件信息之间的相似度大于预设相似度阈值的历史事件信息;
基于所述第四智能合约、所述目标风险类型对应的事件信息和所述目标风险类型对应的风险防控规则对所述风险防控模型进行训练,得到训练后的风险防控模型。
本说明书实施例提供一种事件的处理设备,获取目标事件的事件处理请求,其中,该事件处理请求中包括目标事件的事件信息,如果该事件信息满足预设的第一条件,则从预设的知识库中获取目标事件对应的风险防控规则,并将该事件信息分别与获取的目标事件对应的风险防控规则进行匹配,得到与该事件信息相匹配的第一规则,然后,可以基于与该事件信息相匹配的第一规则,确定该事件信息对应的预测风险信息,将该事件信息对应的预测风险信息和该事件信息输入到目标事件对应的风险防控模型中,得到该事件信息对应的风险信息,最终,可以基于该事件信息对应的风险信息对目标事件进行处理,这样,通过将知识库嵌入到风险防控模型的风险检测中,使得风险防控模型可以利用到知识库中的风险防控规则确定的预测风险信息对目标事件存在的风险进行综合检测,从而不仅能够利用风险防控模型的全局优化能力,也能充分利用知识库中的先验知识(即风险防控规则)来提升风险防控模型的性能,使得目标事件的风险检测结果更加准确,此外,增加了通过第一条件唤醒知识库的机制,将知识库嵌入到风险防控模型的风险检测中,进而也可以不需要唤醒知识库,从而节约知识库的调用,实现整个风控系统的高性能和高效果。
实施例七
进一步地,基于上述图1到图5B所示的方法,本说明书一个或多个实施例还提供了一种存储介质,用于存储计算机可执行指令信息,一种具体的实施例中,该存储介质可以为U盘、光盘、硬盘等,该存储介质存储的计算机可执行指令信息在被处理器执行时,能实现以下流程:
获取目标事件的事件处理请求,所述事件处理请求中包括所述目标事件的事件信息;
如果所述事件信息满足预设的第一条件,则从预设的知识库中获取所述目标事件对应的风险防控规则,并将所述事件信息分别与获取的所述目标事件对应的风险防控规则进行匹配,得到与所述事件信息相匹配的第一规则;
基于与所述事件信息相匹配的第一规则,确定所述事件信息对应的预测风险信息,将所述事件信息对应的预测风险信息和所述事件信息输入到所述目标事件对应的风险防控模型中,得到所述事件信息对应的风险信息;
基于所述事件信息对应的风险信息对所述目标事件进行处理。
本说明书实施例中,还包括:
如果所述事件信息不满足预设的第一条件,则将所述事件信息输入到所述目标事件对应的风险防控模型中,得到所述事件信息对应的风险信息;
基于所述事件信息对应的风险信息对所述目标事件进行处理。
本说明书实施例中,所述第一条件基于事件所属的事件类型和/或事件的事件信息确定。
本说明书实施例中,还包括:
当检测到目标风险类型的目标事件的数量达到预设数量阈值时,从所述目标事件对应的历史事件信息中,获取与所述目标风险类型对应的事件信息之间的相似度大于预设相似度阈值的历史事件信息,所述目标风险类型为所述风险防控模型对应的风险类型之外的风险类型;
基于所述目标风险类型对应的事件信息和获取的历史事件信息对所述风险防控模型进行训练,得到训练后的风险防控模型。
本说明书实施例中,所述基于所述目标风险类型对应的事件信息和获取的历史事件信息对所述风险防控模型进行训练,得到训练后的风险防控模型,包括:
分别对所述目标风险类型对应的事件信息和获取的历史事件信息进行数据增强处理,得到相应的第一增强数据;
基于所述第一增强数据对所述风险防控模型进行训练,得到训练后的风险防控模型。
本说明书实施例中,还包括:
当检测到目标风险类型的目标事件的数量达到预设数量阈值时,基于所述目标风险类型对应的事件信息生成与所述目标风险类型对应的风险防控规则,并将所述风险防控规则存储于所述知识库中,所述目标风险类型为所述知识库对应的风险类型之外的风险类型。
本说明书实施例中,还包括:
当检测到目标风险类型的目标事件的数量达到预设数量阈值时,基于所述目标风险类型对应的事件信息生成与所述目标风险类型对应的风险防控规则,并将所述风险防控规则存储于所述知识库中,所述目标风险类型为所述知识库对应的风险类型和所述风险防控模型对应的风险类型之外的风险类型;
从所述目标事件对应的历史事件信息中,获取与所述目标风险类型对应的事件信息之间的相似度大于预设相似度阈值的历史事件信息;
基于所述目标风险类型对应的事件信息和所述目标风险类型对应的风险防控规则对所述风险防控模型进行训练,得到训练后的风险防控模型。
此外,在另一种具体的实施例中,该存储介质可以为U盘、光盘、硬盘等,该存储介质存储的计算机可执行指令信息在被处理器执行时,能实现以下流程:
获取目标事件的事件处理规则信息,采用所述目标事件的事件处理规则信息生成相应的第一智能合约,并将所述第一智能合约部署到所述区块链系统中;
当获取到所述目标事件的事件处理请求时,调用所述第一智能合约,如果通过所述第一智能合约确定所述事件处理请求中包含的所述目标事件的事件信息满足预设的第一条件,则从预设的知识库中获取所述目标事件对应的风险防控规则,并将所述事件信息分别与获取的所述目标事件对应的风险防控规则进行匹配,得到与所述事件信息相匹配的第一规则;
基于所述第一智能合约,采用与所述事件信息相匹配的第一规则,确定所述事件信息对应的预测风险信息,将所述事件信息对应的预测风险信息和所述事件信息输入到所述目标事件对应的风险防控模型中,得到所述事件信息对应的风险信息;
基于所述第一智能合约和所述事件信息对应的风险信息对所述目标事件进行处理。
本说明书实施例中,还包括:
如果通过所述第一智能合约确定所述事件信息不满足预设的第一条件,则将所述事件信息输入到所述目标事件对应的风险防控模型中,得到所述事件信息对应的风险信息;
基于所述第一智能合约和所述事件信息对应的风险信息对所述目标事件进行处理。
本说明书实施例中,还包括:
当基于预先部署于所述区块链系统中的第二智能合约检测到目标风险类型的目标事件的数量达到预设数量阈值时,从所述目标事件对应的历史事件信息中,获取与所述目标风险类型对应的事件信息之间的相似度大于预设相似度阈值的历史事件信息,所述目标风险类型为所述风险防控模型对应的风险类型之外的风险类型;
基于所述第二智能合约、所述目标风险类型对应的事件信息和获取的历史事件信息对所述风险防控模型进行训练,得到训练后的风险防控模型。
本说明书实施例中,还包括:
当基于预先部署于所述区块链系统中的第三智能合约检测到目标风险类型的目标事件的数量达到预设数量阈值时,基于所述目标风险类型对应的事件信息生成与所述目标风险类型对应的风险防控规则,并将所述风险防控规则存储于所述知识库中,所述目标风险类型为所述知识库对应的风险类型之外的风险类型。
本说明书实施例中,还包括:
当基于预先部署于所述区块链系统中的第四智能合约检测到目标风险类型的目标事件的数量达到预设数量阈值时,基于所述目标风险类型对应的事件信息生成与所述目标风险类型对应的风险防控规则,并将所述风险防控规则存储于所述知识库中,所述目标风险类型为所述知识库对应的风险类型和所述风险防控模型对应的风险类型之外的风险类型;
基于所述第四智能合约,从所述目标事件对应的历史事件信息中,获取与所述目标风险类型对应的事件信息之间的相似度大于预设相似度阈值的历史事件信息;
基于所述第四智能合约、所述目标风险类型对应的事件信息和所述目标风险类型对应的风险防控规则对所述风险防控模型进行训练,得到训练后的风险防控模型。
本说明书实施例提供一种存储介质,获取目标事件的事件处理请求,其中,该事件处理请求中包括目标事件的事件信息,如果该事件信息满足预设的第一条件,则从预设的知识库中获取目标事件对应的风险防控规则,并将该事件信息分别与获取的目标事件对应的风险防控规则进行匹配,得到与该事件信息相匹配的第一规则,然后,可以基于与该事件信息相匹配的第一规则,确定该事件信息对应的预测风险信息,将该事件信息对应的预测风险信息和该事件信息输入到目标事件对应的风险防控模型中,得到该事件信息对应的风险信息,最终,可以基于该事件信息对应的风险信息对目标事件进行处理,这样,通过将知识库嵌入到风险防控模型的风险检测中,使得风险防控模型可以利用到知识库中的风险防控规则确定的预测风险信息对目标事件存在的风险进行综合检测,从而不仅能够利用风险防控模型的全局优化能力,也能充分利用知识库中的先验知识(即风险防控规则)来提升风险防控模型的性能,使得目标事件的风险检测结果更加准确,此外,增加了通过第一条件唤醒知识库的机制,将知识库嵌入到风险防控模型的风险检测中,进而也可以不需要唤醒知识库,从而节约知识库的调用,实现整个风控系统的高性能和高效果。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书的实施例是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程欺诈案例的串并设备的处理器以产生一个机器,使得通过计算机或其他可编程欺诈案例的串并设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程欺诈案例的串并设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程欺诈案例的串并设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个实施例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说明书一个或多个实施例,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。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (18)
1.一种事件的处理方法,所述方法包括:
获取目标事件的事件处理请求,所述事件处理请求中包括所述目标事件的事件信息;
如果所述事件信息满足预设的第一条件,则从预设的知识库中获取所述目标事件对应的风险防控规则,并将所述事件信息分别与获取的所述目标事件对应的风险防控规则进行匹配,得到与所述事件信息相匹配的第一规则;
基于与所述事件信息相匹配的第一规则,确定所述事件信息对应的预测风险信息,将所述事件信息对应的预测风险信息和所述事件信息输入到所述目标事件对应的风险防控模型中,得到所述事件信息对应的风险信息;
基于所述事件信息对应的风险信息对所述目标事件进行处理。
2.根据权利要求1所述的方法,所述方法还包括:
如果所述事件信息不满足预设的第一条件,则将所述事件信息输入到所述目标事件对应的风险防控模型中,得到所述事件信息对应的风险信息;
基于所述事件信息对应的风险信息对所述目标事件进行处理。
3.根据权利要求2所述的方法,所述第一条件基于事件所属的事件类型和/或事件的事件信息确定。
4.根据权利要求1所述的方法,所述方法还包括:
当检测到目标风险类型的目标事件的数量达到预设数量阈值时,从所述目标事件对应的历史事件信息中,获取与所述目标风险类型对应的事件信息之间的相似度大于预设相似度阈值的历史事件信息,所述目标风险类型为所述风险防控模型对应的风险类型之外的风险类型;
基于所述目标风险类型对应的事件信息和获取的历史事件信息对所述风险防控模型进行训练,得到训练后的风险防控模型。
5.根据权利要求4所述的方法,所述基于所述目标风险类型对应的事件信息和获取的历史事件信息对所述风险防控模型进行训练,得到训练后的风险防控模型,包括:
分别对所述目标风险类型对应的事件信息和获取的历史事件信息进行数据增强处理,得到相应的第一增强数据;
基于所述第一增强数据对所述风险防控模型进行训练,得到训练后的风险防控模型。
6.根据权利要求1所述的方法,所述方法还包括:
当检测到目标风险类型的目标事件的数量达到预设数量阈值时,基于所述目标风险类型对应的事件信息生成与所述目标风险类型对应的风险防控规则,并将所述风险防控规则存储于所述知识库中,所述目标风险类型为所述知识库对应的风险类型之外的风险类型。
7.根据权利要求1所述的方法,所述方法还包括:
当检测到目标风险类型的目标事件的数量达到预设数量阈值时,基于所述目标风险类型对应的事件信息生成与所述目标风险类型对应的风险防控规则,并将所述风险防控规则存储于所述知识库中,所述目标风险类型为所述知识库对应的风险类型和所述风险防控模型对应的风险类型之外的风险类型;
从所述目标事件对应的历史事件信息中,获取与所述目标风险类型对应的事件信息之间的相似度大于预设相似度阈值的历史事件信息;
基于所述目标风险类型对应的事件信息和所述目标风险类型对应的风险防控规则对所述风险防控模型进行训练,得到训练后的风险防控模型。
8.一种事件的处理方法,应用于区块链系统,所述方法包括:
获取目标事件的事件处理规则信息,采用所述目标事件的事件处理规则信息生成相应的第一智能合约,并将所述第一智能合约部署到所述区块链系统中;
当获取到所述目标事件的事件处理请求时,调用所述第一智能合约,如果通过所述第一智能合约确定所述事件处理请求中包含的所述目标事件的事件信息满足预设的第一条件,则从预设的知识库中获取所述目标事件对应的风险防控规则,并将所述事件信息分别与获取的所述目标事件对应的风险防控规则进行匹配,得到与所述事件信息相匹配的第一规则;
基于所述第一智能合约,采用与所述事件信息相匹配的第一规则,确定所述事件信息对应的预测风险信息,将所述事件信息对应的预测风险信息和所述事件信息输入到所述目标事件对应的风险防控模型中,得到所述事件信息对应的风险信息;
基于所述第一智能合约和所述事件信息对应的风险信息对所述目标事件进行处理。
9.根据权利要求8所述的方法,所述方法还包括:
如果通过所述第一智能合约确定所述事件信息不满足预设的第一条件,则将所述事件信息输入到所述目标事件对应的风险防控模型中,得到所述事件信息对应的风险信息;
基于所述第一智能合约和所述事件信息对应的风险信息对所述目标事件进行处理。
10.根据权利要求8所述的方法,所述方法还包括:
当基于预先部署于所述区块链系统中的第二智能合约检测到目标风险类型的目标事件的数量达到预设数量阈值时,从所述目标事件对应的历史事件信息中,获取与所述目标风险类型对应的事件信息之间的相似度大于预设相似度阈值的历史事件信息,所述目标风险类型为所述风险防控模型对应的风险类型之外的风险类型;
基于所述第二智能合约、所述目标风险类型对应的事件信息和获取的历史事件信息对所述风险防控模型进行训练,得到训练后的风险防控模型。
11.根据权利要求8所述的方法,所述方法还包括:
当基于预先部署于所述区块链系统中的第三智能合约检测到目标风险类型的目标事件的数量达到预设数量阈值时,基于所述目标风险类型对应的事件信息生成与所述目标风险类型对应的风险防控规则,并将所述风险防控规则存储于所述知识库中,所述目标风险类型为所述知识库对应的风险类型之外的风险类型。
12.根据权利要求8所述的方法,所述方法还包括:
当基于预先部署于所述区块链系统中的第四智能合约检测到目标风险类型的目标事件的数量达到预设数量阈值时,基于所述目标风险类型对应的事件信息生成与所述目标风险类型对应的风险防控规则,并将所述风险防控规则存储于所述知识库中,所述目标风险类型为所述知识库对应的风险类型和所述风险防控模型对应的风险类型之外的风险类型;
基于所述第四智能合约,从所述目标事件对应的历史事件信息中,获取与所述目标风险类型对应的事件信息之间的相似度大于预设相似度阈值的历史事件信息;
基于所述第四智能合约、所述目标风险类型对应的事件信息和所述目标风险类型对应的风险防控规则对所述风险防控模型进行训练,得到训练后的风险防控模型。
13.一种事件的处理装置,所述装置包括:
请求模块,获取目标事件的事件处理请求,所述事件处理请求中包括所述目标事件的事件信息;
第一风险防控模块,如果所述事件信息满足预设的第一条件,则从预设的知识库中获取所述目标事件对应的风险防控规则,并将所述事件信息分别与获取的所述目标事件对应的风险防控规则进行匹配,得到与所述事件信息相匹配的第一规则;
第二风险防控模块,基于与所述事件信息相匹配的第一规则,确定所述事件信息对应的预测风险信息,将所述事件信息对应的预测风险信息和所述事件信息输入到所述目标事件对应的风险防控模型中,得到所述事件信息对应的风险信息;
第一事件处理模块,基于所述事件信息对应的风险信息对所述目标事件进行处理。
14.一种事件的处理装置,应用于区块链系统,所述装置包括:
合约部署模块,获取目标事件的事件处理规则信息,采用所述目标事件的事件处理规则信息生成相应的第一智能合约,并将所述第一智能合约部署到所述区块链系统中;
第一风险防控模块,当获取到所述目标事件的事件处理请求时,调用所述第一智能合约,如果通过所述第一智能合约确定所述事件处理请求中包含的所述目标事件的事件信息满足预设的第一条件,则从预设的知识库中获取所述目标事件对应的风险防控规则,并将所述事件信息分别与获取的所述目标事件对应的风险防控规则进行匹配,得到与所述事件信息相匹配的第一规则;
第二风险防控模块,基于所述第一智能合约,采用与所述事件信息相匹配的第一规则,确定所述事件信息对应的预测风险信息,将所述事件信息对应的预测风险信息和所述事件信息输入到所述目标事件对应的风险防控模型中,得到所述事件信息对应的风险信息;
第一事件处理模块,基于所述第一智能合约和所述事件信息对应的风险信息对所述目标事件进行处理。
15.一种事件的处理设备,所述事件的处理设备包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
获取目标事件的事件处理请求,所述事件处理请求中包括所述目标事件的事件信息;
如果所述事件信息满足预设的第一条件,则从预设的知识库中获取所述目标事件对应的风险防控规则,并将所述事件信息分别与获取的所述目标事件对应的风险防控规则进行匹配,得到与所述事件信息相匹配的第一规则;
基于与所述事件信息相匹配的第一规则,确定所述事件信息对应的预测风险信息,将所述事件信息对应的预测风险信息和所述事件信息输入到所述目标事件对应的风险防控模型中,得到所述事件信息对应的风险信息;
基于所述事件信息对应的风险信息对所述目标事件进行处理。
16.一种事件的处理设备,所述设备为区块链系统中的设备,所述事件的处理设备包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
获取目标事件的事件处理规则信息,采用所述目标事件的事件处理规则信息生成相应的第一智能合约,并将所述第一智能合约部署到所述区块链系统中;
当获取到所述目标事件的事件处理请求时,调用所述第一智能合约,如果通过所述第一智能合约确定所述事件处理请求中包含的所述目标事件的事件信息满足预设的第一条件,则从预设的知识库中获取所述目标事件对应的风险防控规则,并将所述事件信息分别与获取的所述目标事件对应的风险防控规则进行匹配,得到与所述事件信息相匹配的第一规则;
基于所述第一智能合约,采用与所述事件信息相匹配的第一规则,确定所述事件信息对应的预测风险信息,将所述事件信息对应的预测风险信息和所述事件信息输入到所述目标事件对应的风险防控模型中,得到所述事件信息对应的风险信息;
基于所述第一智能合约和所述事件信息对应的风险信息对所述目标事件进行处理。
17.一种存储介质,所述存储介质用于存储计算机可执行指令,所述可执行指令在被处理器执行时实现以下流程:
获取目标事件的事件处理请求,所述事件处理请求中包括所述目标事件的事件信息;
如果所述事件信息满足预设的第一条件,则从预设的知识库中获取所述目标事件对应的风险防控规则,并将所述事件信息分别与获取的所述目标事件对应的风险防控规则进行匹配,得到与所述事件信息相匹配的第一规则;
基于与所述事件信息相匹配的第一规则,确定所述事件信息对应的预测风险信息,将所述事件信息对应的预测风险信息和所述事件信息输入到所述目标事件对应的风险防控模型中,得到所述事件信息对应的风险信息;
基于所述事件信息对应的风险信息对所述目标事件进行处理。
18.一种存储介质,所述存储介质用于存储计算机可执行指令,所述可执行指令在被处理器执行时实现以下流程:
获取目标事件的事件处理规则信息,采用所述目标事件的事件处理规则信息生成相应的第一智能合约,并将所述第一智能合约部署到区块链系统中;
当获取到所述目标事件的事件处理请求时,调用所述第一智能合约,如果通过所述第一智能合约确定所述事件处理请求中包含的所述目标事件的事件信息满足预设的第一条件,则从预设的知识库中获取所述目标事件对应的风险防控规则,并将所述事件信息分别与获取的所述目标事件对应的风险防控规则进行匹配,得到与所述事件信息相匹配的第一规则;
基于所述第一智能合约,采用与所述事件信息相匹配的第一规则,确定所述事件信息对应的预测风险信息,将所述事件信息对应的预测风险信息和所述事件信息输入到所述目标事件对应的风险防控模型中,得到所述事件信息对应的风险信息;
基于所述第一智能合约和所述事件信息对应的风险信息对所述目标事件进行处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111580928.8A CN113992429B (zh) | 2021-12-22 | 2021-12-22 | 一种事件的处理方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111580928.8A CN113992429B (zh) | 2021-12-22 | 2021-12-22 | 一种事件的处理方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113992429A true CN113992429A (zh) | 2022-01-28 |
CN113992429B CN113992429B (zh) | 2022-04-29 |
Family
ID=79734025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111580928.8A Active CN113992429B (zh) | 2021-12-22 | 2021-12-22 | 一种事件的处理方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113992429B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114723269A (zh) * | 2022-03-31 | 2022-07-08 | 支付宝(杭州)信息技术有限公司 | 一种事件的风险防控方法、装置及设备 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060282660A1 (en) * | 2005-04-29 | 2006-12-14 | Varghese Thomas E | System and method for fraud monitoring, detection, and tiered user authentication |
US20130249688A1 (en) * | 2012-03-26 | 2013-09-26 | Andy Nguyen | Hands-free home automation application |
US20140070945A1 (en) * | 2012-09-13 | 2014-03-13 | Apple Inc. | Reminder Creation for Tasks Associated with a User Event |
CN108062629A (zh) * | 2017-12-26 | 2018-05-22 | 平安科技(深圳)有限公司 | 交易事件的处理方法、终端设备及介质 |
CN110008349A (zh) * | 2019-02-01 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 计算机执行的事件风险评估的方法及装置 |
CN110147967A (zh) * | 2019-05-28 | 2019-08-20 | 阿里巴巴集团控股有限公司 | 风险防控方法及装置 |
CN110335115A (zh) * | 2019-07-01 | 2019-10-15 | 阿里巴巴集团控股有限公司 | 一种业务订单处理方法及装置 |
CN111343161A (zh) * | 2020-02-14 | 2020-06-26 | 平安科技(深圳)有限公司 | 异常信息处理节点分析方法、装置、介质及电子设备 |
CN111753520A (zh) * | 2020-06-02 | 2020-10-09 | 五八有限公司 | 一种风险预测方法、装置、电子设备及存储介质 |
CN112966113A (zh) * | 2021-03-31 | 2021-06-15 | 支付宝(杭州)信息技术有限公司 | 一种数据的风险防控方法、装置及设备 |
CN113312667A (zh) * | 2021-06-07 | 2021-08-27 | 支付宝(杭州)信息技术有限公司 | 一种风险防控方法、装置及设备 |
CN113344453A (zh) * | 2021-07-05 | 2021-09-03 | 湖南快乐阳光互动娱乐传媒有限公司 | 一种风险监控方法、装置、系统、存储介质和设备 |
CN113436006A (zh) * | 2021-07-07 | 2021-09-24 | 中国银行股份有限公司 | 基于区块链的贷款风险预测方法及装置 |
CN113516480A (zh) * | 2021-08-19 | 2021-10-19 | 支付宝(杭州)信息技术有限公司 | 一种支付风险识别方法、装置及设备 |
CN113822494A (zh) * | 2021-10-19 | 2021-12-21 | 平安科技(深圳)有限公司 | 风险预测方法、装置、设备及存储介质 |
-
2021
- 2021-12-22 CN CN202111580928.8A patent/CN113992429B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060282660A1 (en) * | 2005-04-29 | 2006-12-14 | Varghese Thomas E | System and method for fraud monitoring, detection, and tiered user authentication |
US20130249688A1 (en) * | 2012-03-26 | 2013-09-26 | Andy Nguyen | Hands-free home automation application |
US20140070945A1 (en) * | 2012-09-13 | 2014-03-13 | Apple Inc. | Reminder Creation for Tasks Associated with a User Event |
CN108062629A (zh) * | 2017-12-26 | 2018-05-22 | 平安科技(深圳)有限公司 | 交易事件的处理方法、终端设备及介质 |
CN110008349A (zh) * | 2019-02-01 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 计算机执行的事件风险评估的方法及装置 |
CN110147967A (zh) * | 2019-05-28 | 2019-08-20 | 阿里巴巴集团控股有限公司 | 风险防控方法及装置 |
CN110335115A (zh) * | 2019-07-01 | 2019-10-15 | 阿里巴巴集团控股有限公司 | 一种业务订单处理方法及装置 |
CN111343161A (zh) * | 2020-02-14 | 2020-06-26 | 平安科技(深圳)有限公司 | 异常信息处理节点分析方法、装置、介质及电子设备 |
CN111753520A (zh) * | 2020-06-02 | 2020-10-09 | 五八有限公司 | 一种风险预测方法、装置、电子设备及存储介质 |
CN112966113A (zh) * | 2021-03-31 | 2021-06-15 | 支付宝(杭州)信息技术有限公司 | 一种数据的风险防控方法、装置及设备 |
CN113312667A (zh) * | 2021-06-07 | 2021-08-27 | 支付宝(杭州)信息技术有限公司 | 一种风险防控方法、装置及设备 |
CN113344453A (zh) * | 2021-07-05 | 2021-09-03 | 湖南快乐阳光互动娱乐传媒有限公司 | 一种风险监控方法、装置、系统、存储介质和设备 |
CN113436006A (zh) * | 2021-07-07 | 2021-09-24 | 中国银行股份有限公司 | 基于区块链的贷款风险预测方法及装置 |
CN113516480A (zh) * | 2021-08-19 | 2021-10-19 | 支付宝(杭州)信息技术有限公司 | 一种支付风险识别方法、装置及设备 |
CN113822494A (zh) * | 2021-10-19 | 2021-12-21 | 平安科技(深圳)有限公司 | 风险预测方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
张珊珊: "基于深度自编码的恐怖袭击风险预测研究", 《科技经济导刊》 * |
杜栋栋等: "一种基于One-Class SVM和GP安全事件关联规则生成方法研究", 《电子学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114723269A (zh) * | 2022-03-31 | 2022-07-08 | 支付宝(杭州)信息技术有限公司 | 一种事件的风险防控方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113992429B (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108664812B (zh) | 信息脱敏方法、装置及系统 | |
CN113312667B (zh) | 一种风险防控方法、装置及设备 | |
CN113313575B (zh) | 一种风险识别模型的确定方法及装置 | |
CN110020427B (zh) | 策略确定方法和装置 | |
WO2023138419A1 (zh) | 模型的训练 | |
CN108536569B (zh) | 一种业务行为跟踪方法、装置及设备 | |
CN113516480A (zh) | 一种支付风险识别方法、装置及设备 | |
CN114819614A (zh) | 数据处理方法、装置、系统及设备 | |
CN114417411A (zh) | 一种端云开发系统、模型的处理方法、装置及设备 | |
CN116049761A (zh) | 数据处理方法、装置及设备 | |
CN113992429B (zh) | 一种事件的处理方法、装置及设备 | |
CN114638005A (zh) | 基于区块链的数据处理方法、装置及系统、存储介质 | |
CN115238250B (zh) | 一种模型的处理方法、装置及设备 | |
CN115147227B (zh) | 一种交易风险的检测方法、装置及设备 | |
CN110008252B (zh) | 数据核对方法及装置 | |
CN116757187A (zh) | 一种实体的检测方法、装置及设备 | |
CN113569873B (zh) | 一种图像的处理方法、装置及设备 | |
CN112967044B (zh) | 一种支付业务的处理方法及装置 | |
CN115204395A (zh) | 数据的处理方法、装置及设备 | |
CN113988718A (zh) | 一种风险识别方法、装置及设备 | |
CN113989043A (zh) | 一种事件的风险识别方法、装置及设备 | |
CN112491816A (zh) | 业务数据处理方法及装置 | |
CN113672741A (zh) | 一种信息的处理方法、装置及设备 | |
CN117036033A (zh) | 事件预测模型的训练方法及装置 | |
CN111275445A (zh) | 一种数据的处理方法、装置及设备 |
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 |