CN114255125A - 交易风险判断方法、装置、存储介质以及电子装置 - Google Patents
交易风险判断方法、装置、存储介质以及电子装置 Download PDFInfo
- Publication number
- CN114255125A CN114255125A CN202111526123.5A CN202111526123A CN114255125A CN 114255125 A CN114255125 A CN 114255125A CN 202111526123 A CN202111526123 A CN 202111526123A CN 114255125 A CN114255125 A CN 114255125A
- Authority
- CN
- China
- Prior art keywords
- attribute
- values
- transaction
- risk
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开了一种交易风险判断方法、装置、存储介质以及电子装置,涉及金融科技领域和人工智能领域。该方法包括:获取目标交易操作的交易数据,并确定交易数据的属性信息和属性值;将交易数据的属性信息和属性值输入目标模型,得到交易数据的多个维度的风险判断结果;根据多个维度的风险判断结果生成目标交易操作的风险判断结果。通过本申请,解决了相关技术中无法快速准确的判断交易操作是否存在风险的问题。
Description
技术领域
本申请涉及金融科技领域,具体而言,涉及一种交易风险判断方法、装置、存储介质以及电子装置。
背景技术
在互联网时代,电信诈骗和非法交易变得越来越多,于是在进行交易操作时,需要实时对交易内容进行监控,并及时发现高风险和非法交易,保障人民的财产安全。
当前,对交易操作的风险判断方式主要为人工经验判断,并给出风险预警等级。但是,人工经验判断通常存在主观性与时滞性,会由于主观性造成错误判定,导致发出的无效预警信息数量过多,难以甄别真实违规交易情况,同时,随着时间发展,部分人工经验不再适用新型的交易操作,对风险交易的甄别和预警的效果再次降低。
针对相关技术中无法快速准确的判断交易操作是否存在风险的问题,目前尚未提出有效的解决方案。
发明内容
本申请提供一种交易风险判断方法、装置、存储介质以及电子装置,以解决相关技术中无法快速准确的判断交易操作是否存在风险的问题。
根据本申请的一个方面,提供了一种交易风险判断方法。该方法包括:获取目标交易操作的交易数据,并确定交易数据的属性信息和属性值;将交易数据的属性信息和属性值输入目标模型,得到交易数据的多个维度的风险判断结果,其中,目标模型中包含多个子模型,每个子模型由至少一组属性指标和指标阈值生成,每个属性指标分别用于匹配属性信息,对应的指标阈值用于对匹配到的属性信息的属性值进行判断,得到判断结果,由子模型对应的至少一个判断结果生成交易数据的一个维度的风险判断结果;根据多个维度的风险判断结果生成目标交易操作的风险判断结果。
可选地,在将交易数据的属性信息和属性值输入目标模型,得到交易数据的多个维度的风险判断结果之前,方法还包括:获取多个样本交易数据,并确定每个样本交易数据的样本属性信息、样本属性值和标识信息,其中,标识信息用于表征样本交易数据的交易风险类型;将多个样本交易数据的样本属性值按样本属性信息进行分类,得到多组样本属性值,并分别根据每组样本属性值的样本属性值个数确定对应的一组划分点,得到多组划分点;分别计算每组划分点中的各个划分点对应的信息增益值,得到多组信息增益值,并分别从每组信息增益值中确定目标增益值,得到多个目标增益值;将目标增益值对应的样本属性信息确定为属性指标,并将目标增益值对应的划分点的数值确定为指标阈值,得到多组属性指标和指标阈值;通过多组属性指标和指标阈值生成多个子模型,并由多个子模型组合成目标模型,其中,每个子模型由至少一组属性指标和指标阈值生成。
可选地,分别计算每组划分点中的各个划分点对应的信息增益值,得到多组信息增益值,并分别从每组信息增益值中确定目标增益值,得到多个目标增益值方法还包括:根据每组样本属性值对应的样本属性值和每个样本属性值对应的标识信息计算同组中的各个划分点对应的信息增益值;对一组划分点对应的信息增益值按照从大到小的顺序进行排序,得到对应的排序结果;将排序结果中序列号排在前列的一个或多个信息增益值确定为目标增益值。
可选地,在将目标增益值对应的划分点的数值确定为指标阈值,得到多组属性指标和指标阈值之前,该方法还包括:获取目标增益值对应的划分点,得到目标划分点;获取目标划分点相邻的预设数量的样本属性值,并根据预设数量的样本属性值计算目标划分点的数值。
可选地,分别根据每组样本属性值的样本属性值个数确定对应的一组划分点,得到多组划分点包括:对每组样本属性值中的样本属性值按照大小进行排列,得到对应的排序结果;在排序结果中的相邻两个样本属性值之间确定划分点,得到一组样本属性值对应的多个划分点。
可选地,通过多组属性指标和指标阈值生成多个子模型包括:将多个属性指标根据风险类型进行分类,得到多个属性指标集合;分别根据每个属性指标集合生成决策树模型,得到多个决策树模型,并将每个决策树模型确定为一个子模型。
可选地,分别根据每个属性指标集合生成决策树模型包括:获取属性指标集合中的每个属性指标对应的属性增益值,得到多个属性增益值,其中,属性增益值为属性指标对应的一组样本属性值包含的信息增益值中最大的信息增益值;将多个属性增益值按照从大到小的顺序进行排序,得到排序结果,根据排序结果将对应属性指标和属性指标对应的指标阈值进行连接,生成一个决策树模型。
可选地,在根据多个维度的风险判断结果生成目标交易操作的风险判断结果之后,该方法还包括:获取风险判断结果中的风险信息,并判断风险信息的判断结果是否正确;在风险信息的判断结果错误的情况下,调整风险信息的判断结果,得到更新后的风险判断结果。
根据本申请的另一方面,提供了一种交易风险判断装置。该装置包括:第一获取单元,用于获取目标交易操作的交易数据,并确定交易数据的属性信息和属性值;第一输入单元,用于将交易数据的属性信息和属性值输入目标模型,得到交易数据的多个维度的风险判断结果,其中,目标模型中包含多个子模型,每个子模型由至少一组属性指标和指标阈值生成,每个属性指标分别用于匹配属性信息,对应的指标阈值用于对匹配到的属性信息的属性值进行判断,得到判断结果,由子模型对应的至少一个判断结果生成交易数据的一个维度的风险判断结果;第一生成单元,用于根据多个维度的风险判断结果生成目标交易操作的风险判断结果。
根据本发明实施例的另一方面,还提供了一种非易失性存储介质,非易失性存储介质包括存储的程序,其中,程序运行时控制非易失性存储介质所在的设备执行一种交易风险判断方法。
根据本发明实施例的另一方面,还提供了一种电子设备,包含一个或多个处理器和存储器;存储器中存储有计算机可读指令,处理器用于运行计算机可读指令,其中,计算机可读指令运行时执行一种交易风险判断方法。
通过本申请,采用以下步骤:获取目标交易操作的交易数据,并确定交易数据的属性信息和属性值;将交易数据的属性信息和属性值输入目标模型,得到交易数据的多个维度的风险判断结果,其中,目标模型中包含多个子模型,每个子模型由至少一组属性指标和指标阈值生成,每个属性指标分别用于匹配属性信息,对应的指标阈值用于对匹配到的属性信息的属性值进行判断,得到判断结果,由子模型对应的至少一个判断结果生成交易数据的一个维度的风险判断结果;根据多个维度的风险判断结果生成目标交易操作的风险判断结果。解决了相关技术中无法快速准确的判断交易操作是否存在风险的问题。通过使用风险判断模型对交易操作进行判断,进而达到了快速准确的确认交易操作是否存在风险的效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例提供的交易风险判断方法的流程图;
图2是根据本申请实施例提供的一种交易风险判断子模型的示意图;
图3是根据本申请实施例提供的一种可选的交易数据风险判断流程图;
图4是根据本申请实施例提供的交易风险判断装置的示意图;
图5为根据本申请实施例提供的一种电子设备的示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
需要说明的是,本公开所确定的交易风险判断方法、装置、存储介质以及电子装置可用于金融领域,也可用于除金融领域之外的任意领域,本公开所确定的交易风险判断方法、装置、存储介质以及电子装置的应用领域不做限定。
根据本申请的实施例,提供了一种交易风险判断方法。
图1是根据本申请实施例提供的交易风险判断方法的流程图。如图1所示,该方法包括以下步骤:
步骤S101,获取目标交易操作的交易数据,并确定交易数据的属性信息和属性值。
具体的,确定待检测的交易操作,得到目标交易操作,并获取目标交易操作的过程中产生的交易数据,其中,每个交易数据中包含一个或多个属性信息和属性值,表1为一种可选的交易数据的示意表,如表1所示:
表1
交易金额(万) | 交易时间(天) | 交易笔数(笔) | |
A交易 | 20000 | 6 | 2 |
其中,交易金额、交易时间、交易笔数为A交易的属性信息,每个属性信息对应的数值为属性值,其中,交易时间为第一笔交易和最后一笔交易的间隔时间。
步骤S102,将交易数据的属性信息和属性值输入目标模型,得到交易数据的多个维度的风险判断结果,其中,目标模型中包含多个子模型,每个子模型由至少一组属性指标和指标阈值生成,每个属性指标分别用于匹配属性信息,对应的指标阈值用于对匹配到的属性信息的属性值进行判断,得到判断结果,由子模型对应的至少一个判断结果生成交易数据的一个维度的风险判断结果。
具体的,目标模型为风险判断模型,在一种可选的实施例中,将交易金额、交易时间、交易笔数及其对应的数值输入风险判断模型中,得到交易数据的多个维度的风险判断结果。
需要说明的是,每个目标模型中包含多个子模型,每个子模型用于对于一个维度进行风险判断,在判断的时候需要将子模型中的属性指标与交易数据中的属性信息进行匹配,在子模型中的全部属性指标全部成功匹配后则可以确定该交易可以使用该子模型进行风险判断,将该属性信息对应的属性值与该属性指标对应的指标阈值进行对比,得到对比结果,并根据对比结果确定该子模型对应的交易风险判断结果。
例如,目标模型中包含A子模型和B子模型,A子模型用于判断交易金额是否有风险,金额风险值为两万元,将交易金额大于一万的交易判断为风险交易,B子模型用于判断10天内的交易金额是否有风险,将10天内交易金额大于十万的交易判断为风险交易,在将A交易输入模型的时候,A、B子模型可以同时获取A交易的属性信息,将交易金额和子模型内的属性指标进行对应,此时A子模型判断全部对应成功,此时使用A子模型对A交易进行判断,由于两万大于一万,所以判断为金额风险交易;此时B子模型继续判断,在交易时间与B子模型的属性指标相匹配的时候,此时B子模型判断属性指标全部对应成功,此时使用B子模型对A交易进行判断,由于A交易在10天内的交易金额为2万,所以B子模型判断A交易为正常交易。
步骤S103,根据多个维度的风险判断结果生成目标交易操作的风险判断结果。
具体的,在获得多个维度的风险判断结果后,可以由所有的风险判断结果生成风险判断表,则风险判断表即为目标交易操作的风险判断结果,通过表中的内容可以对目标交易操作的风险进行确定。
例如,根据A子模型的交易金额的风险判断结果、B子模型的预设交易时间内的交易金额的风险判断结果生成风险判断表,得到A交易的风险判断结果为交易金额有风险。
本申请实施例提供的交易风险判断方法,通过获取目标交易操作的交易数据,并确定交易数据的属性信息和属性值;将交易数据的属性信息和属性值输入目标模型,得到交易数据的多个维度的风险判断结果,其中,目标模型中包含多个子模型,每个子模型由至少一组属性指标和指标阈值生成,每个属性指标分别用于匹配属性信息,对应的指标阈值用于对匹配到的属性信息的属性值进行判断,得到判断结果,由子模型对应的至少一个判断结果生成交易数据的一个维度的风险判断结果;根据多个维度的风险判断结果生成目标交易操作的风险判断结果。解决了相关技术中无法快速准确的判断交易操作是否存在风险的问题。通过使用风险判断模型对交易操作进行判断,进而达到了快速准确的确认交易操作是否存在风险的效果。
可选地,在本申请实施例提供的交易风险判断方法中,在将交易数据的属性信息和属性值输入目标模型,得到交易数据的多个维度的风险判断结果之前,该方法还包括:获取多个样本交易数据,并确定每个样本交易数据的样本属性信息、样本属性值和标识信息,其中,标识信息用于表征样本交易数据的交易风险类型;将多个样本交易数据的样本属性值按样本属性信息进行分类,得到多组样本属性值,并分别根据每组样本属性值的样本属性值个数确定对应的一组划分点,得到多组划分点;分别计算每组划分点中的各个划分点对应的信息增益值,得到多组信息增益值,并分别从每组信息增益值中确定目标增益值,得到多个目标增益值;将目标增益值对应的样本属性信息确定为属性指标,并将目标增益值对应的划分点的数值确定为指标阈值,得到多组属性指标和指标阈值;通过多组属性指标和指标阈值生成多个子模型,并由多个子模型组合成目标模型,其中,每个子模型由至少一组属性指标和指标阈值生成。
具体的,在使用风险判断模型之前,需要进行风险判断模型的生成。首先需要获取样本交易数据,其中,每个样本交易数据中包含一个或多个样本属性信息、样本属性值和标识信息。其中,标识信息用于确定每个样本数据的风险等级,例如,标识为0表征样本数据为无风险,标识为1表征样本数据为有风险,或,标识为0表征样本数据为无风险,标识为1表征样本数据为低风险,标识为2表征样本数据为高风险。
进一步,将全部样本交数据中的样本属性值按照属性信息进行分类,得到多组属性值,之后在每组属性值中设置多个划分点,例如,每两个属性值之间设置一个划分点,由n个属性值得到n-1个划分点,之后计算每个划分点的信息增益值,并从每个属性信息对应的多个划分点中获取到增益值最大的目标增益值,其中,信息增益值用于表征划分点的重要性和数据划分度。
最后,计算出目标增益值对应的划分点的数值,并将该数值作为该属性信息对应的属性指标对应的指标阈值,例如,求目标增益值对应的划分点的前后两个数值的平均值,并将该平均值作为划分点的数值,由此得到一组属性指标和指标阈值,并通过多组属性值得到多组属性指标和指标阈值。进一步,根据每个子模型的维度从多组属性指标和指标阈值中挑选部分或全部进行子模型的生成,例如,挑选交易金额、交易时间、交易笔数,及三个属性指标对应的三个指标阈值,生成一个子交易模型。图2是根据本申请实施例提供的一种交易风险判断子模型的示意图,如图2所示,将交易金额、交易时间、交易笔数这三个属性指标和对应的三个指标阈值进行组合,得到一个决策树模型,通过该决策树模型可以进行交易数据的风险判断。通过本实施例,生成风险判断模型,并通过风险判断模型判断交易数据风险,可以更快速准确的得到风险判断结果。
可选地,在本申请实施例提供的交易风险判断方法中,分别计算每组划分点中的各个划分点对应的信息增益值,得到多组信息增益值,并分别从每组信息增益值中确定目标增益值,得到多个目标增益值方法还包括:根据每组样本属性值对应的样本属性值和每个样本属性值对应的标识信息计算同组中的各个划分点对应的信息增益值;对一组划分点对应的信息增益值按照从大到小的顺序进行排序,得到对应的排序结果;将排序结果中序列号排在前列的一个或多个信息增益值确定为目标增益值。
具体的,在设置划分点之前,需要将每组样本属性值进行从大到小的排序,之后在每两个样本属性值之间设置一个划分点,例如,由n个样本属性值得到n-1个划分点,并计算每个划分点之前的样本属性值数量与划分点之后的样本属性值数量的比值,之后计算每个划分点之前的样本属性值的标识信息与划分点之后的标识信息的种类和个数,由上述多个通过信息增益公式计算计算信息增益率,也即信息增益值,例如,属性信息为金额的一组样本属性值中计算得到Gain(D,金额,t1)=g1;Gain(D,笔数,t2)=g2;Gain(D,时间,t3)=g3……Gain(D,时间,tn)=gn。
需要说明的是,在得到多个信息增益值后,将g1~gn从小到大进行排序,并将最大的或较大的几个信息增益值设置为该样本属性组的一个或多个目标增益值。本实施例通过计算得到目标增益值,为生成风险判断子模型打下了基础。
可选地,在本申请实施例提供的交易风险判断方法中,在将目标增益值对应的划分点的数值确定为指标阈值,得到多组属性指标和指标阈值之前,方法还包括:获取目标增益值对应的划分点,得到目标划分点;获取目标划分点相邻的预设数量的样本属性值,并根据预设数量的样本属性值计算目标划分点的数值。
具体的,在获取到每个样本属性组的一个或多个目标增益值之后,需要计算每个目标增益值对应的目标划分点的数值,可以通过计算每个目标划分点前后各一个样本属性值的平均值,并将一个或多个平均值设置为一个或多个划分点对应的数值。得到的数值即为该样本属性信息对应的属性指标对应的指标阈值。
例如,C样本属性信息对应的样本属性值组中有两个目标划分值,为a1和a2,此时,计算a1前后各一个样本属性值,得到a1为5,计算a2前后各一个样本属性值,得到a2为10,则C样本属性信息对应的样本属性指标对应的指标阈值可以为5<C<10,即在小于5的时候为无风险,在5-10之间为低风险,在10以上为高风险。本实施例通过计算得到指标阈值,达到了更加准确的设置指标阈值,从而使风险判断更加准确,减少了误判发生的效果。
可选地,在本申请实施例提供的交易风险判断方法中,分别根据每组样本属性值的样本属性值个数确定对应的一组划分点,得到多组划分点包括:对每组样本属性值中的样本属性值按照大小进行排列,得到对应的排序结果;在排序结果中的相邻两个样本属性值之间确定划分点,得到一组样本属性值对应的多个划分点。
具体的,在设置划分点的时候,可以先将每组中的全部样本属性值从大到小进行排序,并在样本属性值队列的每两个样本属性值之间设置一个划分点。
例如,假定样本属性值D,D的样本属性信息为a,a在D上出现了n个不同的样本属性值,将这些样本属性值从大到小排序,记为{an,……a2,a1},基于划分点t可以将D分为子集Dt-和Dt+,其中Dt-包含那在些属性a上取值不大于t对应的取值的样本属性值,而Dt+则包含那些在属性a上取值大于t对应的取值的样本属性值。显然,对相邻的属性取值ai和ai+1来说,t在区间[ai,ai+1)中任意值所产生的划分结果相同。因此,对连续属性a,我们可考察包含n-1个元素的候选划分点集合本实施例通过设置划分点,按照离散属性值的计算方式计算这些划分点对应的信息增益值,从而根据信息增益值确定指标阈值,提高了确定指标阈值的效率。
可选地,在本申请实施例提供的交易风险判断方法中,通过多组属性指标和指标阈值生成多个子模型包括:将多个属性指标根据风险类型进行分类,得到多个属性指标集合;分别根据每个属性指标集合生成决策树模型,得到多个决策树模型,并将每个决策树模型确定为一个子模型。
具体的,在得到多组属性指标和指标阈值后,需要根据风险判断需要进行属性指标的选择,从全部属性指标中挑选出需要使用的一组或多组属性指标,并将一组或多组属性指标进行组合,得到决策树模型,从而根据不同的风险判断需要得到多个决策树模型,并将每个决策树模型确定为一个子模型。例如,如图2所示,从多组属性指标中挑选出本子模型需要使用的交易金额、交易时间、交易笔数三个属性指标,并将属性指标进行排布,得到一个决策树模型。本实施例通过根据风险判断需要进行属性指标的选择,得到多个决策树模型,提高了对不同类型的交易风险进行更加的判断的准确度。
可选地,在本申请实施例提供的交易风险判断方法中,分别根据每个属性指标集合生成决策树模型包括:获取属性指标集合中的每个属性指标对应的属性增益值,得到多个属性增益值,其中,属性增益值为属性指标对应的一组样本属性值包含的信息增益值中最大的信息增益值;将多个属性增益值按照从大到小的顺序进行排序,得到排序结果,根据排序结果将对应属性指标和属性指标对应的指标阈值进行连接,生成一个决策树模型。
具体的,在选出每个子模型需要使用的多个属性指标后,需要根据每个属性指标对应的指标阈值对应的目标划分点对应的目标增益值进行决策树模型中根节点的选择,首先,需要在每个属性指标对应的多个目标增益值中选择值最大的目标增益值,作为属性增益值,得到每个子模型中的多个属性指标对应的多个属性增益值,并根据所述多个属性增益值的大小进行排序,从而决定决策树模型中的根节点和其余节点的设置顺序。
例如,如图2所示,可以将交易金额、交易时间、交易笔数三个属性指标对应的三个属性增益值设置为Gain(D,金额)=G1;Gain(D,笔数)=G2;Gain(D,时间)=G3,在G1>G2>G3的情况下,将交易金额设置为决策树的根节点,将交易笔数设置为交易金额的子节点,将交易时间设置为交易笔数的子节点,从而生成决策树模型,得到图2中的决策树模型。通过设置属性指标判断的先后顺序,可以将更加重要的属性指标放在最开始进行判断,在通过最重要的交易金额指标已经判断某交易为风险交易的时候,则无需向后继续判断,直接输出风险判断结果。本实施例达到了提高风险判断效率的效果。
可选地,在本申请实施例提供的交易风险判断方法中,在根据多个维度的风险判断结果生成目标交易操作的风险判断结果之后,方法还包括:获取风险判断结果中的风险信息,并判断风险信息的判断结果是否正确;在风险信息的判断结果错误的情况下,调整风险信息的判断结果,得到更新后的风险判断结果。
具体的,在得到待检测交易数据对应的风险判断结果后,可以由检测人员判断风险判断模型输出的结果是否正确,并在模型判断错误的时候及时进行修正,并将修正后的交易数据作为样本交易数据对模型进行后续训练。本实施例使用新增样本数据对模型进行性能优化,提高了模型预测的准确度。
图3是根据本申请实施例提供的一种可选的交易数据风险判断流程图,如图3所示,先根据已经由人工判断交易风险的交易数据得到样本交易数据,根据多个样本交易数据对风险判断模型进行训练,风险判断模型在训练的时候对每个子模型对应的参数进行调整,得到调优后的风险判断模型,并确定属性指标和指标阈值。
进一步地,由调优后的风险判断模型获取新发生的待检测交易数据,判断交易数据是否为风险交易,并将判断结果发送至监控系统中。通过运维人员对风险判断结果进行确认,判断待检测交易数据的风险等级是否正确,将判断错误的交易数据进行修改,并将判断结果修改后交易数据的与判断正确的交易数据进行存储,生成新的样本交易数据,用于对风险判断模型的进一步训练。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例还提供了一种交易风险判断装置,需要说明的是,本申请实施例的交易风险判断装置可以用于执行本申请实施例所提供的用于交易风险判断方法。以下对本申请实施例提供的交易风险判断装置进行介绍。
图4是根据本申请实施例的交易风险判断装置的示意图。如图4所示,该装置包括:第一获取单元10,第一输入单元20,第一生成单元30。
具体的,第一获取单元10,用于获取目标交易操作的交易数据,并确定交易数据的属性信息和属性值;
第一输入单元20,用于将交易数据的属性信息和属性值输入目标模型,得到交易数据的多个维度的风险判断结果,其中,目标模型中包含多个子模型,每个子模型由至少一组属性指标和指标阈值生成,每个属性指标分别用于匹配属性信息,对应的指标阈值用于对匹配到的属性信息的属性值进行判断,得到判断结果,由子模型对应的至少一个判断结果生成交易数据的一个维度的风险判断结果;
第一生成单元30,用于根据多个维度的风险判断结果生成目标交易操作的风险判断结果。
本申请实施例提供的交易风险判断装置,通过第一获取单元10获取目标交易操作的交易数据,并确定交易数据的属性信息和属性值;第一输入单元20将交易数据的属性信息和属性值输入目标模型,得到交易数据的多个维度的风险判断结果,其中,目标模型中包含多个子模型,每个子模型由至少一组属性指标和指标阈值生成,每个属性指标分别用于匹配属性信息,对应的指标阈值用于对匹配到的属性信息的属性值进行判断,得到判断结果,由子模型对应的至少一个判断结果生成交易数据的一个维度的风险判断结果;第一生成单元30根据多个维度的风险判断结果生成目标交易操作的风险判断结果。解决了相关技术中无法快速准确的判断交易操作是否存在风险的问题,通过使用风险判断模型对交易操作进行判断,进而达到了快速准确的确认交易操作是否存在风险的效果。
可选地,在本申请实施例提供的交易风险判断装置中,该装置还包括:第二获取单元,用于获取多个样本交易数据,并确定每个样本交易数据的样本属性信息、样本属性值和标识信息,其中,标识信息用于表征样本交易数据的交易风险类型;第一分类单元,用于将多个样本交易数据的样本属性值按样本属性信息进行分类,得到多组样本属性值,并分别根据每组样本属性值的样本属性值个数确定对应的一组划分点,得到多组划分点;第一计算单元,用于分别计算每组划分点中的各个划分点对应的信息增益值,得到多组信息增益值,并分别从每组信息增益值中确定目标增益值,得到多个目标增益值;第一确定单元,用于将目标增益值对应的样本属性信息确定为属性指标,并将目标增益值对应的划分点的数值确定为指标阈值,得到多组属性指标和指标阈值;第二生成单元,用于通过多组属性指标和指标阈值生成多个子模型,并由多个子模型组合成目标模型,其中,每个子模型由至少一组属性指标和指标阈值生成。
可选地,在本申请实施例提供的交易风险判断装置中,第一计算单元包括:第一计算模块,用于根据每组样本属性值对应的样本属性值和每个样本属性值对应的标识信息计算同组中的各个划分点对应的信息增益值;第一排序模块,用于对一组划分点对应的信息增益值按照从大到小的顺序进行排序,得到对应的排序结果;第一确定模块,用于将排序结果中序列号排在前列的一个或多个信息增益值确定为目标增益值。
可选地,在本申请实施例提供的交易风险判断装置中,该装置还包括:第三获取单元,用于获取目标增益值对应的划分点,得到目标划分点;第四获取单元,用于获取目标划分点相邻的预设数量的样本属性值,并根据预设数量的样本属性值计算目标划分点的数值。
可选地,在本申请实施例提供的交易风险判断装置中,第一分类单元包括:第二排序模块,用于对每组样本属性值中的样本属性值按照大小进行排列,得到对应的排序结果;第二确定模块在排序结果中的相邻两个样本属性值之间确定划分点,得到一组样本属性值对应的多个划分点。
可选地,在本申请实施例提供的交易风险判断装置中,第二生成单元包括:第一分类模块,用于将多个属性指标根据风险类型进行分类,得到多个属性指标集合;第一生成模块,用于分别根据每个属性指标集合生成决策树模型,得到多个决策树模型,并将每个决策树模型确定为一个子模型。
可选地,在本申请实施例提供的交易风险判断装置中,第一生成模块包括:第一获取子模块,用于获取属性指标集合中的每个属性指标对应的属性增益值,得到多个属性增益值,其中,属性增益值为属性指标对应的一组样本属性值包含的信息增益值中最大的信息增益值;第一排序子模块,用于将多个属性增益值按照从大到小的顺序进行排序,得到排序结果,根据排序结果将对应属性指标和属性指标对应的指标阈值进行连接,生成一个决策树模型。
可选地,在本申请实施例提供的交易风险判断装置中,该装置还包括:第一判断单元,用于获取风险判断结果中的风险信息,并判断风险信息的判断结果是否正确;第一调整单元,用于在风险信息的判断结果错误的情况下,调整风险信息的判断结果,得到更新后的风险判断结果。
上述交易风险判断装置包括处理器和存储器,上述第一获取单元10,第一输入单元20,第一生成单元30等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来相关技术中无法快速准确的判断交易操作是否存在风险的问题。
存储器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),存储器包括至少一个存储芯片。
本申请实施例还提供了一种非易失性存储介质,非易失性存储介质包括存储的程序,其中,程序运行时控制非易失性存储介质所在的设备执行一种交易风险判断方法。
本申请实施例还提供了一种电子装置,包含处理器和存储器;存储器中存储有计算机可读指令,处理器用于运行计算机可读指令,其中,计算机可读指令运行时执行一种交易风险判断方法。本文中的电子装置可以是服务器、PC、PAD、手机等。
如图5所示,本发明实施例提供了一种电子设备,电子设备40包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:获取目标交易操作的交易数据,并确定交易数据的属性信息和属性值;将交易数据的属性信息和属性值输入目标模型,得到交易数据的多个维度的风险判断结果,其中,目标模型中包含多个子模型,每个子模型由至少一组属性指标和指标阈值生成,每个属性指标分别用于匹配属性信息,对应的指标阈值用于对匹配到的属性信息的属性值进行判断,得到判断结果,由子模型对应的至少一个判断结果生成交易数据的一个维度的风险判断结果;根据多个维度的风险判断结果生成目标交易操作的风险判断结果。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:获取目标交易操作的交易数据,并确定交易数据的属性信息和属性值;将交易数据的属性信息和属性值输入目标模型,得到交易数据的多个维度的风险判断结果,其中,目标模型中包含多个子模型,每个子模型由至少一组属性指标和指标阈值生成,每个属性指标分别用于匹配属性信息,对应的指标阈值用于对匹配到的属性信息的属性值进行判断,得到判断结果,由子模型对应的至少一个判断结果生成交易数据的一个维度的风险判断结果;根据多个维度的风险判断结果生成目标交易操作的风险判断结果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、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数据处理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数据处理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数据处理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数据处理设备上,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。
存储器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)。存储器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,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (11)
1.一种交易风险判断方法,其特征在于,包括:
获取目标交易操作的交易数据,并确定所述交易数据的属性信息和属性值;
将所述交易数据的属性信息和属性值输入目标模型,得到所述交易数据的多个维度的风险判断结果,其中,所述目标模型中包含多个子模型,每个所述子模型由至少一组属性指标和指标阈值生成,每个所述属性指标分别用于匹配属性信息,对应的所述指标阈值用于对匹配到的所述属性信息的属性值进行判断,得到判断结果,由所述子模型对应的至少一个判断结果生成所述交易数据的一个维度的风险判断结果;
根据所述多个维度的风险判断结果生成所述目标交易操作的风险判断结果。
2.根据权利要求1所述的方法,其特征在于,在将所述交易数据的属性信息和属性值输入目标模型,得到所述交易数据的多个维度的风险判断结果之前,所述方法还包括:
获取多个样本交易数据,并确定每个所述样本交易数据的样本属性信息、样本属性值和标识信息,其中,所述标识信息用于表征所述样本交易数据的交易风险类型;
将所述多个样本交易数据的样本属性值按样本属性信息进行分类,得到多组样本属性值,并分别根据每组所述样本属性值的样本属性值个数确定对应的一组划分点,得到多组划分点;
分别计算每组划分点中的各个划分点对应的信息增益值,得到多组信息增益值,并分别从每组信息增益值中确定目标增益值,得到多个目标增益值;
将所述目标增益值对应的样本属性信息确定为属性指标,并将所述目标增益值对应的划分点的数值确定为指标阈值,得到多组属性指标和指标阈值;
通过多组所述属性指标和所述指标阈值生成多个所述子模型,并由多个所述子模型组合成所述目标模型,其中,每个所述子模型由至少一组所述属性指标和所述指标阈值生成。
3.根据权利要求2所述的方法,其特征在于,分别计算每组划分点中的各个划分点对应的信息增益值,得到多组信息增益值,并分别从每组信息增益值中确定目标增益值,得到多个目标增益值方法还包括:
根据每组所述样本属性值对应的样本属性值和每个所述样本属性值对应的标识信息计算同组中的各个所述划分点对应的信息增益值;
对一组所述划分点对应的所述信息增益值按照从大到小的顺序进行排序,得到对应的排序结果;
将所述排序结果中序列号排在前列的一个或多个信息增益值确定为所述目标增益值。
4.根据权利要求2所述的方法,其特征在于,在将所述目标增益值对应的划分点的数值确定为指标阈值,得到多组属性指标和指标阈值之前,所述方法还包括:
获取所述目标增益值对应的所述划分点,得到目标划分点;
获取所述目标划分点相邻的预设数量的样本属性值,并根据所述预设数量的样本属性值计算所述目标划分点的数值。
5.根据权利要求2所述的方法,其特征在于,分别根据每组所述样本属性值的样本属性值个数确定对应的一组划分点,得到多组划分点包括:
对每组所述样本属性值中的样本属性值按照大小进行排列,得到对应的排序结果;
在所述排序结果中的相邻两个样本属性值之间确定所述划分点,得到一组所述样本属性值对应的多个所述划分点。
6.根据权利要求2所述的方法,其特征在于,通过多组所述属性指标和所述指标阈值生成多个所述子模型包括:
将多个所述属性指标根据风险类型进行分类,得到多个属性指标集合;
分别根据每个所述属性指标集合生成决策树模型,得到多个决策树模型,并将每个所述决策树模型确定为一个所述子模型。
7.根据权利要求6所述的方法,其特征在于,分别根据每个所述属性指标集合生成决策树模型包括:
获取所述属性指标集合中的每个所述属性指标对应的属性增益值,得到多个所述属性增益值,其中,所述属性增益值为所述属性指标对应的一组所述样本属性值包含的所述信息增益值中最大的信息增益值;
将多个所述属性增益值按照从大到小的顺序进行排序,得到排序结果,根据所述排序结果将对应所述属性指标和所述属性指标对应的指标阈值进行连接,生成一个所述决策树模型。
8.根据权利要求1所述的方法,其特征在于,在根据所述多个维度的风险判断结果生成所述目标交易操作的风险判断结果之后,所述方法还包括:
获取所述风险判断结果中的风险信息,并判断所述风险信息的判断结果是否正确;
在所述风险信息的判断结果错误的情况下,调整所述风险信息的判断结果,得到更新后的风险判断结果。
9.一种交易风险判断装置,其特征在于,包括:
第一获取单元,用于获取目标交易操作的交易数据,并确定所述交易数据的属性信息和属性值;
第一输入单元,用于将所述交易数据的属性信息和属性值输入目标模型,得到所述交易数据的多个维度的风险判断结果,其中,所述目标模型中包含多个子模型,每个所述子模型由至少一组属性指标和指标阈值生成,每个所述属性指标分别用于匹配属性信息,对应的所述指标阈值用于对匹配到的所述属性信息的属性值进行判断,得到判断结果,由所述子模型对应的至少一个判断结果生成所述交易数据的一个维度的风险判断结果;
第一生成单元,用于根据所述多个维度的风险判断结果生成所述目标交易操作的风险判断结果。
10.一种非易失性存储介质,其特征在于,所非易失性存储介质包括存储的程序,其中,所述程序运行时控制所述非易失性存储介质所在的设备执行权利要求1至8中任意一项所述的交易风险判断方法。
11.一种电子设备,其特征在于,包括一个或多个处理器和存储器,所述存储器用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1至8中任意一项所述的交易风险判断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111526123.5A CN114255125A (zh) | 2021-12-14 | 2021-12-14 | 交易风险判断方法、装置、存储介质以及电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111526123.5A CN114255125A (zh) | 2021-12-14 | 2021-12-14 | 交易风险判断方法、装置、存储介质以及电子装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114255125A true CN114255125A (zh) | 2022-03-29 |
Family
ID=80792196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111526123.5A Pending CN114255125A (zh) | 2021-12-14 | 2021-12-14 | 交易风险判断方法、装置、存储介质以及电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114255125A (zh) |
-
2021
- 2021-12-14 CN CN202111526123.5A patent/CN114255125A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109598095B (zh) | 评分卡模型的建立方法、装置、计算机设备和存储介质 | |
CN105718490A (zh) | 一种用于更新分类模型的方法及装置 | |
CN110991474A (zh) | 一种机器学习建模平台 | |
CN110111113B (zh) | 一种异常交易节点的检测方法及装置 | |
CN107679856B (zh) | 基于交易的业务控制方法和装置 | |
CN110457175B (zh) | 业务数据处理方法、装置、电子设备及介质 | |
CN109816043B (zh) | 用户识别模型的确定方法、装置、电子设备及存储介质 | |
CN111143578A (zh) | 基于神经网络抽取事件关系的方法、装置和处理器 | |
WO2020125477A1 (zh) | 一种提升爬虫识别召回率的方法、装置、介质及设备 | |
CN111178533B (zh) | 实现自动半监督机器学习的方法及装置 | |
CN111143685A (zh) | 一种推荐系统的构建方法及装置 | |
CN112884569A (zh) | 一种信用评估模型的训练方法、装置及设备 | |
CN106897282B (zh) | 一种用户群的分类方法和设备 | |
CN112836750A (zh) | 一种系统资源分配方法、装置及设备 | |
CN114139636B (zh) | 异常作业处理方法及装置 | |
CN115439928A (zh) | 一种操作行为识别方法及装置 | |
CN112783747B (zh) | 一种应用程序的执行时间预测方法及装置 | |
CN106874286B (zh) | 一种筛选用户特征的方法及装置 | |
CN112905987B (zh) | 账号识别方法、装置、服务器及存储介质 | |
CN112579847A (zh) | 生产数据的处理方法和装置、存储介质及电子设备 | |
CN115600818A (zh) | 多维评分方法、装置、电子设备和存储介质 | |
CN111753992A (zh) | 筛选方法和筛选系统 | |
CN114255125A (zh) | 交易风险判断方法、装置、存储介质以及电子装置 | |
CN113344696B (zh) | 一种头寸预报评估方法、装置、设备及存储介质 | |
CN112463964B (zh) | 文本分类及模型训练方法、装置、设备及存储介质 |
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 |