CN114463138A - 风险监测方法、装置、设备及存储介质 - Google Patents
风险监测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114463138A CN114463138A CN202210137657.7A CN202210137657A CN114463138A CN 114463138 A CN114463138 A CN 114463138A CN 202210137657 A CN202210137657 A CN 202210137657A CN 114463138 A CN114463138 A CN 114463138A
- Authority
- CN
- China
- Prior art keywords
- risk
- target
- security product
- scene
- monitoring
- 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
- G06Q40/06—Asset management; Financial planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种风险监测方法、装置、设备及存储介质,涉及人工智能技术领域,包括:调用目标风险场景的风险监测模型对目标对象的资产信息以及目标证券产品的关联信息进行风险监测,得到目标证券产品在目标风险场景下的风险标签,对目标风险场景下的风险标签进行量化处理,得到目标风险场景下的风险值,并基于目标证券产品在目标风险场景下的风险阈值以及风险值,确定目标证券产品在目标风险场景下的风险监测结果。可以全面的进行风险监测,提升风险监测的准确性。本申请涉及区块链技术,如可将风险监测结果写入区块链。本申请还涉及数字医疗技术领域,如目标证券产品的关联信息包括医疗数据。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种风险监测方法、装置、设备及存储介质。
背景技术
近年来,互联网金融产品层出不穷,已经成了金融产业的重要组成部分。互联网金融产品涉及的业务模式和产品类型日渐丰富,给传统运营系统的风险监测带来不小的挑战。现有的风险监测方案大多是基于线下的传统风险管控技术,无法全面的进行风险监测,风险监测的准确性较低。因此,如何对互联网金融产品进行风险监测是一个亟需解决的问题。
发明内容
本申请实施例提供了一种风险监测方法、装置、设备及存储介质。可以调用目标风险场景的风险监测模型对目标对象的资产信息以及目标证券产品的关联信息进行风险监测,得到目标证券产品在目标风险场景下的风险标签,并基于风险标签确定风险监测结果。可以全面的进行风险监测,提升风险监测的准确性。
第一方面,本申请实施例提供了一种风险监测方法,该方法包括:
响应于对目标对象的目标证券产品进行风险监测的触发操作,获取目标对象的资产信息以及目标证券产品的关联信息;
调用目标风险场景的风险监测模型对目标对象的资产信息以及目标证券产品的关联信息进行风险监测,得到目标证券产品在目标风险场景下的风险标签;
对目标风险场景下的风险标签进行量化处理,得到目标风险场景下的风险值,并基于目标证券产品在目标风险场景下的风险阈值以及风险值,确定目标证券产品在目标风险场景下的风险监测结果。
第二方面,本申请实施例提供了一种风险监测装置,该装置包括:
获取单元,用于响应于对目标对象的目标证券产品进行风险监测的触发操作,获取目标对象的资产信息以及目标证券产品的关联信息;
风险监测单元,用于调用目标风险场景的风险监测模型对目标对象的资产信息以及目标证券产品的关联信息进行风险监测,得到目标证券产品在目标风险场景下的风险标签;
确定单元,用于对目标风险场景下的风险标签进行量化处理,得到目标风险场景下的风险值,并基于目标证券产品在目标风险场景下的风险阈值以及风险值,确定目标证券产品在目标风险场景下的风险监测结果。
第三方面,本申请实施例还提供了一种风险监测设备,包括输入接口、输出接口,该风险监测设备还包括:
处理器,适于实现一条或多条指令;以及,
计算机存储介质,该计算机存储介质存储有一条或多条指令,该一条或多条指令适于由处理器加载并执行第一方面所述的方法。
第四方面,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序指令,计算机程序指令被处理器执行时,用于执行第一方面所述的方法。
在本申请实施例中,风险监测设备调用目标风险场景的风险监测模型对目标对象的资产信息以及目标证券产品的关联信息进行风险监测,得到目标证券产品在目标风险场景下的风险标签。本申请针对不同风险场景设置不同的风险监测模型,风险监测设备可以更准确的得到目标证券产品在风险场景下的风险标签。并且,风险监测设备还可以利用MMOE模型得到包括N个基础特征的基础特征集合,调用目标风险场景下的风险监测模型分别对N个基础特征进行风险监测,得到风险场景下的风险标签,利用人工智能技术中的多个二分类任务,可以更准确的得到目标证券产品在风险场景下的风险标签。可以有效提升目标证券产品在风险场景下的风险标签,并且基于风险标签可以全面表征风险,使得基于风险标签可以更准确的得到目标证券产品在风险场景下的风险值,从而基于目标证券产品在风险场景下的风险值得到的风险监测结果更准确。
附图说明
为了更清楚地说明本申请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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种风险监测系统的架构示意图;
图2是本申请实施例提供的一种风险监测方法的流程示意图;
图3是本申请实施例提供的一种提取基础特征集合的过程示意图;
图4是本申请实施例提供的一种风险监测装置的结构示意图;
图5是本申请实施例提供的一种风险监测设备的结构示意图。
具体实施方式
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,都属于本申请保护的范围。
近年来,互联网金融产品层出不穷,已经成了金融产业的重要组成部分,互联网金融产品涉及的业务模式和产品类型日渐丰富,例如,针对固定收益业务,固定收益业务是目前国内证券公司的业务主体,固定收益业务可能涵盖发行承销、自营投资、资产管理、投资顾问等多个方面。给传统运营系统的风险监测带来不小的挑战。现有的风险监测方案大多是基于线下的传统风险管控技术,无法全面的进行风险监测,风险监测的准确性较低。
基于此,本申请实施例提供了一种风险监测方法、装置、设备及存储介质,在该方法中,响应于对目标对象的目标证券产品进行风险监测的触发操作,调用目标风险场景的风险监测模型对目标对象的资产信息以及目标证券产品的关联信息进行风险监测,得到目标证券产品在目标风险场景下的风险标签,对目标风险场景下的风险标签进行量化处理,得到目标风险场景下的风险值,并基于目标证券产品在目标风险场景下的风险阈值以及风险值,确定目标证券产品在目标风险场景下的风险监测结果。可以全面的进行风险监测,提升风险监测的准确性。
在一个实施例中,该风险监测方法可应用在如图1所示的风险监测系统中,如图1所示,该风险监测系统可至少包括:数据采集设备11以及风险监测设备12。其中,数据采集设备11是指具有数据采集功能的任意设备,数据采集设备11可以用于采集对象的资产信息以及证券产品的关联信息。其中,如图1所示,该数据采集设备11可以部署于服务器中,该服务器的数量可以是一个或多个,该服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、内容分发网络(Content Delivery Network,CDN)、中间件服务、域名服务、安全服务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,等等。该风险监测设备12可以是具有数据处理功能的任意设备,该风险监测设备12可以部署于服务器中,也可以部署于终端设备中,如图1所示,其中,该终端设备可以包括但不限于:智能手机、平板电脑、膝上计算机、可穿戴设备、台式计算机,等等。
下面详细阐述本申请实施例的风险监测方法。请参见图2,是本申请实施例提出的一种风险监测方法的流程示意图。如图2所示,该风险监测方法包括S201-S203:
S201:响应于对目标对象的目标证券产品进行风险监测的触发操作,获取目标对象的资产信息以及目标证券产品的关联信息。
其中,本申请所提及的对象可以是指证券产品的投资方。该对象可以为个人、企业或者机构。其中,本申请所提及的证券产品可以为各种类型,证券产品可以包括但不限于:股票,基金,债券,股票期货,期权,利率期货中的一种或多种类型。
其中,目标证券产品为目标对象投资的任意一个证券产品,当在目标对象的风险监测设备中检测到对目标证券产品进行风险监测的触发操作时,风险监测设备开启对目标证券产品的风险监测。一个实施例中,该触发操作可以是风险监测设备检测到在用户界面存在对目标证券产品进行监测的用户操作。具体实现中,目标对象登录到风险监测系统后,风险监测设备显示用户界面,该用户界面中可包括各个证券产品对应的监测控件,当目标对象对证券产品对应的监测控件输入了用户操作时,风险监测设备可以确定检测到对证券产品进行风险监测的触发操作。
其中,对象的资产信息可以包括但不限于:流动资产、固定资产、长期投资、无形资产、长期待摊费用中的一项或多项。其中,流动资产是指可以在一年内或超过一年的一个营业周期内变现或耗用的资产。固定资产是指使用年限在一年以上或超过一年的一个营业周期以上,非主要生产设备其使用年限在两年以上且单位价值在规定的标准以上,并在使用中保持原来实物形态的资产。长期投资是指不准备在一年内变现的投资。无形资产是指长期使用而没有实物形态的资产。包括专利权、非专利技术、商标权、著作权、土地使用权等。长期待摊费用是指不能全部计入当年损益,应当在以后年度内分期摊销的各种费用。包括固定资产大修理支出、租人固定资产改良支出等。
其中,证券产品的关联信息包括产品信息和网页关联信息。其中,证券产品的产品信息包括产品的名称或代码、产品的类型信息、产品的收益信息、产品的开放购买时间、产品的风险等级、产品的产品规模、产品的最大回撤以及产品的最低购买资金中的一项或多项。例如,以基金为例,产品类型包括股票型、指数型、混合型、债券型以及货币型等;产品的收益信息包括基金过去一个月的七日年回报、过去三个月的七日年回报等;产品的开放时间为基金产品开放购买的时间;产品的最低购买资金为每次购买基金的最少费用。可以理解,上述举例仅用作示例性说明,不能理解为具体限定。其中,证券产品的网页关联信息可以包括与证券产品相关的网页信息,例如,监管动态、舆情风向、国际形势等等。在一些其他可能的实施例中,证券产品的关联信息可能还涉及其他领域的信息,例如,该证券产品的关联信息可能涉及数字医疗技术领域的医疗数据,该医疗数据包括个人健康档案、处方、检查报告等。又例如,该证券产品的关联信息可能涉及保险领域的保险数据等等。本申请对此不做限定。
S202:调用目标风险场景的风险监测模型对目标对象的资产信息以及目标证券产品的关联信息进行风险监测,得到目标证券产品在目标风险场景下的风险标签。
其中,本申请实施例的风险场景可以包括但不限于资格审查、交易限额、信用评分评级、额度更新、交易所撤单限制、账户限制中的一项或多项。由于不同风险场景关注的风险点不同。所以,为了提高风险监测的准确性,可以针对不同的风险场景构建不同的风险监测模型。即,构建“资格审查”风险场景对应的风险监测模型,构建“交易限额”风险场景对应的风险监测模型,构建“信用评分评级”风险场景对应的风险监测模型,构建“额度更新”风险场景对应的风险监测模型,构建“交易所撤单限制”风险场景对应的风险监测模型,以及构建“账户限制”风险场景对应的风险监测模型。风险监测设备可以分别调用各个风险场景的风险监测模型对目标对象的资产信息以及目标证券产品的关联信息进行风险监测,得到目标证券产品在各个风险场景下的风险标签,以便基于目标证券产品在风险场景下的风险标签得到目标证券产品在各个风险场景下的风险监测结果。其中,为了方便描述,本申请实施例以目标风险场景进行示例性描述,该目标风险场景可以为上述各个风险场景中的任意一个。
一个实施例中,每个风险监测模型可以包括该风险场景下的至少一个风险监测策略,每个风险监测策略对应一个风险标签。针对目标风险场景来说,目标风险场景的风险监测模型包括目标风险场景下的至少一个风险监测策略,每个风险监测策略对应目标风险场景下的一个风险标签。具体的,风险监测设备可以获取目标风险场景下任意一个风险监测策略对应的关键词,将目标对象的资产信息以及目标证券产品的关联信息与任意一个风险监测策略对应的关键词进行匹配,若目标对象的资产信息以及目标证券产品的关联信息中存在任意一个风险监测策略对应的关键词,则确定目标证券产品在目标风险场景下存在任意一个风险监测策略对应的风险标签。例如,目标风险场景下的一个风险监测策略为“资金问题”,该风险监测策略对应的关键词包括“破产”和“资金重组”等,若目标对象的资产信息以及目标证券产品的关联信息中存在“破产”和/或“资金重组”时,可以确定目标证券产品在目标风险场景下存在“资金问题”这一风险标签。需要说明,风险监测模型中的风险监测策略可以根据业务需求和经验实时进行更新,本申请对此不做赘述。
另一个实施例中,为了提升风险监测的准确性,还可以结合人工智能技术构建风险监测模型。针对目标风险场景来说,目标风险场景下的风险监测模型可以包括N个二分类任务。具体的,风险监测设备可以对目标对象的资产信息以及目标证券产品的关联信息进行特征提取,得到基础特征集合,该基础特征集合包括N个基础特征;N为正整数。调用目标风险场景下的N个二分类任务分别对N个基础特征进行风险监测,得到目标证券产品在目标风险场景下的风险标签。
可选的,风险监测设备对目标对象的资产信息以及目标证券产品的关联信息进行特征提取,得到基础特征集合包括:根据目标对象的资产信息构造对象特征向量,以及根据目标证券产品的关联信息构造关联向量,根据对象特征向量以及关联向量确定中间向量,调用多专家网络模型(Multi-gate Mixture-of-Experts,MMOE)中的每个专家网络模型分别对中间向量进行特征提取,得到基础特征集合。
其中,风险监测设备可以采用编码方法对目标对象的资产信息进行编码处理得到对象特征向量。其中,该编码方法可以为独热编码(One-Hot编码)、嵌入编码、硬编码(LabelEncoding)和目标变量编码(Target Encoding)等等。需要说明的是,还可以通过编码模型对目标对象的资产信息进行编码处理得到对象特征向量。如BERT预训练模型。
其中,风险监测设备可以基于嵌入矩阵对目标证券产品的关联信息进行处理得到关联向量。具体的,风险监测设备可以利用嵌入查询从目标证券产品的嵌入矩阵查找到每个关联信息对应的关联子向量,然后将每个关联信息对应的关联子向量进行拼接得到关联向量。其中,该嵌入矩阵为稀疏特征的嵌入矩阵,用于将稀疏特征转化为稠密特征,即嵌入矩阵中的嵌入向量具有稠密特征。
上面详细描述了如何构造对象特征向量和关联向量,接下来将详细描述风险监测设备根据对象特征向量以及关联向量得到基础特征集合的过程。
请参考图3,图3示出了一种基于对象特征向量以及关联向量得到基础特征集合的过程示意图。如图3所示,在得到对象特征向量和关联向量之后,可以通过级联层将对象特征向量和关联向量进行拼接得到中间向量,然后再调用MMOE模型对中间向量进行特征提取,得到基础特征集合,该基础特征集合包括N个基础特征,每个基础特征对应一个二分类任务。
其中,MMOE模型为多专家网络模型,每个专家网络模型用于独立的任务,在多任务学习场景中取得了显著效果。在本申请实施例中,可以利用不同的专家网络模型提取不同二分类任务的基础特征。例如,如图4所示,MMOE中包括三个专家网络模型,分别为专家网络模型1,专家网络模型2和专家网络模型3。并且,在MMOE中为不同的专家网络模型设置了不同的Gate,可以利用共享的三个专家网络获得N个二分类任务对应的基础特征。如图3中所示,利用Gate1获得一个二分类任务对应的基础特征1,利用Gate2获得另一个二分类任务对应的基础特征2和利用Gate3获得再一个二分类任务对应的基础特征3,也就是说,可以利用N个Gate获得N个二分类任务对应的基础特征。
一个实施例中,在得到基础特征集合之后,风险监测设备可以调用目标风险场景下的N个二分类任务分别对N个基础特征进行风险监测,得到目标证券产品在目标风险场景下的风险标签。其中,由于风险标签的数量可能有多个,所以可以训练N个二分类任务分别对N个风险标签进行判断。具体的,针对N个基础特征中的任意一个基础特征,调用任意一个基础特征对应的二分类任务对任意一个基础特征进行分类处理,得到二分类任务的分类结果;当二分类任务的分类结果指示任意一个基础特征为风险特征的概率大于第一阈值时,确定目标证券产品在目标风险场景下存在二分类任务对应的风险标签。例如,承接上述的示例,假设三个二分类任务分别为二分类任务1、二分类任务2和二分类任务3,二分类任务1对应基础特征1、二分类任务2对应基础特征2和二分类任务3对应基础特征3,那么可以调用二分类任务1对基础特征1进行风险监测,判断目标证券产品在目标风险场景下是否存在风险标签1;调用二分类任务2对基础特征2进行风险监测,判断目标证券产品在目标风险场景下是否存在风险标签2,以及调用二分类任务3对基础特征3进行风险监测,判断目标证券产品在目标风险场景下是否存在风险标签3。其中,调用二分类任务1对基础特征1进行风险监测,判断目标证券产品在目标风险场景下是否存在风险标签1具体包括,基于基础特征1和风险标签1对应的风险特征1确定基础特征1为风险特征1的概率,当基础特征1为风险特征1的概率大于第一阈值时,确定目标证券产品在目标风险场景下存在二分类任务1对应的风险标签1。
其中,机器学习算法可以包括但不限于决策树(Decision Tree,DT)算法、Rocchio算法、极端梯度提升(Xtreme Gradient Boosting,XGBooste)算法、朴素贝叶斯(NaiveBayes,NB)算法、线性判别分析(Linear Discriminant Analysis,LDA)、支持向量机(Support Vector Machine,SVM)算法、随机森林(Random Forest,RF)算法、以及逻辑回归(Logistic Regression,LR)算法中的一种或多种。
其中,机器学习算法是人工智能中的一个方向。其中,人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。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、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。其中,机器学习是一门多领域交叉的学科,其涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。
S203:对目标风险场景下的风险标签进行量化处理,得到目标风险场景下的风险值,并基于目标证券产品在目标风险场景下的风险阈值以及风险值,确定目标证券产品在目标风险场景下的风险监测结果。
其中,对目标风险场景下的风险标签进行量化处理是基于风险标签的基本值实现。其中,风险标签的基本值可以根据业务需求和经验设置,本申请对此不做限定。
在一个实施例中,风险监测设备可以获取各个风险标签的注意力权重以及各个风险标签的基础值,并基于各个风险标签的注意力权重对各个风险标签的基础值进行加权求和,得到目标风险场景下的风险值。例如,假设风险标签的数量为三个,风险标签1对应的基础值为k1、风险标签2对应的基础值为k2以及风险标签3对应的基础值为k3,并且,风险标签1对应的注意力权重为p1、风险标签2对应的注意力权重为p2以及风险标签3对应的注意力权重为p3,那么可以得到目标风险场景下的风险值为:k1*p1+k2*p2+k3*p3。
在另一个实施例中,还可以获取各个风险标签对应的基本值,将各个风险标签对应的基本值进行加法处理,得到目标风险场景下的风险值。例如,假设风险标签的数量为三个,风险标签1对应的基础值为k1、风险标签2对应的基础值为k2以及风险标签3对应的基础值为k3,那么可以得到目标风险场景下的风险值为:k1+k2+k3。
其中,由于不同对象的风险偏好不同(例如,有的对象偏好平稳型,有的对象偏好积极型),那么在目标风险场景下,可以针对不同对象设置不同的风险阈值。例如,针对偏好平稳型的对象,可以将风险阈值设置的较低;针对偏好积极型的对象,可以将风险阈值设置的较高。
可选的,风险监测结果可以包括两种风险类型:有风险和无风险。当目标风险场景下的风险值大于风险阈值时,确定目标风险场景下的风险监测结果为有风险。当目标风险场景下的风险值小于或等于风险阈值时,确定目标风险场景下的风险监测结果为无风险。
可选的,风险监测结果还可以包括多种风险类型,例如,Ⅰ级风险、Ⅱ级风险、Ⅲ级风险和无风险。不同的风险类型用于指示不同程度的风险。例如,Ⅰ级风险、Ⅱ级风险、Ⅲ级风险之间的风险程度为:Ⅰ级风险>Ⅱ级风险>Ⅲ级风险。针对每种风险类型有相应的风险阈值,例如,当风险值大于第一风险阈值时,风险监测结果为Ⅰ级风险,当风险值小于或等于第一风险阈值且大于第二风险阈值时,风险监测结果为Ⅱ级风险,当风险值小于或等于第二风险阈值且大于第三风险阈值时,风险监测结果为Ⅲ级风险,当风险值小于或等于第三阈值时,风险监测结果为无风险。
一个实施例中,还可以存储风险监测结果,便于后续数据分析。例如,风险监测设备可以将目标证券产品在目标风险场景下的风险监测结果上传至区块链网络。具体的,风险监测设备可以将目标证券产品在目标风险场景下的风险监测结果上传至区块链网络中的共识节点,该共识节点对目标证券产品在目标风险场景下的风险监测结果进行共识验证,若共识验证通过,则将目标证券产品在目标风险场景下的风险监测结果封装成区块,并传入区块链网络。
进一步的,当风险监测设备确定风险监测结果为预设结果时,可以生成告警消息,并向关联的用户角色发送告警消息。在风险监测设备将告警消息发送至关联的用户角色时,具体可通过社交软件,如邮箱、微信,小程序,或者企业微信等发送至关联用户角色。其中,该告警消息可以通过各种形式进行显示,包括但不限于列表、仪表盘、雷达图、趋势图、动画中的一种或多种。
需要明白的是,当风险监测结果包括多种风险类型时,不同的风险监测结果可以对应不同关联用户角色,例如,针对风险程度较高的Ⅰ级风险,需要更高权限的用户角色进行处理,此时,关联用户角色可能对应用户角色A和用户角色B。例如,针对风险程度较低的Ⅲ级风险,低权限的用户角色可以进行处理,此时,关联用户角色可能对应用户角色B。需要说明,用户角色可以为目标对象关联的用户成员。例如,当目标对象为个人时,用户角色可以为目标对象或者目标对象关联的其他用户。又例如,当目标对象为企业时,用户角色可以为目标对象中的管理人员或者基层成员等等。
在一个实施例中,告警消息中还可以携带风险处置策略,以便用户角色基于告警消息中的风险处置策略对目标证券产品执行风险处置操作。风险监测设备在确定了风险监测结果之后,可以获取知识图谱,该知识图谱包括目标对象针对目标证券产品的历史日志操作信息,基于历史日志操作信息以及目标证券产品在目标风险场景下的风险监测结果生成风险处置策略。其中,本申请实施例可以复用历史日志操作信息中的风险处置策略,可以快速生成风险处置策略,节省处理资源,提升效率。
其中,知识图谱是一种通过语义把真实世界中存在的各种实体或概念关联起来的图谱组织形式,主要由节点、边和节点属性形成图结构。其中,每个实体或概念用一个全局唯一确定的编码来标识,每个属性-值对用来刻画实体或概念的内在属性,而边用来连接两个实体或概念,刻画它们之间的关联。在本申请实施例中,可以将证券产品作为知识图谱的节点,并将对象内各个用户角色针对证券产品的日志操作信息作为节点之间的关联属性,构建知识图谱。
在本申请实施例中,风险监测设备调用目标风险场景的风险监测模型对目标对象的资产信息以及目标证券产品的关联信息进行风险监测,得到目标证券产品在目标风险场景下的风险标签。本申请针对不同风险场景设置不同的风险监测模型,风险监测设备可以更准确的得到目标证券产品在风险场景下的风险标签。并且,风险监测设备还可以利用MMOE模型得到包括N个基础特征的基础特征集合,调用目标风险场景下的风险监测模型分别对N个基础特征进行风险监测,得到风险场景下的风险标签,利用人工智能技术中的多个二分类任务,可以更准确的得到目标证券产品在风险场景下的风险标签。可以有效提升目标证券产品在风险场景下的风险标签,并且基于风险标签可以全面表征风险,使得基于风险标签可以更准确的得到目标证券产品在风险场景下的风险值,从而基于目标证券产品在风险场景下的风险值得到的风险监测结果更准确。
请参见图4,图4为本申请实施例提供的一种风险监测装置的结构示意图,该风险监测装置可以为前述方法实施例所提及的风险监测设备,该风险监测装置可以包括获取单元401、风险监测单元402以及确定单元403。
获取单元401用于响应于对目标对象的目标证券产品进行风险监测的触发操作,获取目标对象的资产信息以及目标证券产品的关联信息;
风险监测单元402用于调用目标风险场景的风险监测模型对目标对象的资产信息以及目标证券产品的关联信息进行风险监测,得到目标证券产品在目标风险场景下的风险标签;
确定单元403用于对目标风险场景下的风险标签进行量化处理,得到目标风险场景下的风险值,并基于目标证券产品在目标风险场景下的风险阈值以及风险值,确定目标证券产品在目标风险场景下的风险监测结果。
一个实施例中,风险监测模型包括N个二分类任务,风险监测单元402用于调用目标风险场景的风险监测模型对目标对象的资产信息以及目标证券产品的关联信息进行风险监测,得到目标证券产品在目标风险场景下的风险标签,包括:
对目标对象的资产信息以及目标证券产品的关联信息进行特征提取,得到基础特征集合,该基础特征集合包括N个基础特征;N为正整数;
调用目标风险场景下的N个二分类任务分别对N个基础特征进行风险监测,得到目标证券产品在目标风险场景下的风险标签。
另一个实施例中,风险监测单元402用于对目标对象的资产信息以及目标证券产品的关联信息进行特征提取,得到基础特征集合,包括:
根据目标对象的资产信息构造对象特征向量,以及根据目标证券产品的关联信息构造关联向量;
根据对象特征向量以及关联向量确定中间向量;
调用MMOE中的每个专家网络模型分别对中间向量进行特征提取,得到基础特征集合。
另一个实施例中,风险监测单元402用于调用目标风险场景下的N个二分类任务分别对N个基础特征进行风险监测,得到目标证券产品在目标风险场景下的风险标签,包括:
获取N个基础特征中的任意一个基础特征;
调用任意一个基础特征对应的二分类任务对任意一个基础特征进行分类处理,得到二分类任务的分类结果;
当二分类任务的分类结果指示任意一个基础特征为风险特征的概率大于第一阈值时,确定目标证券产品在目标风险场景下存在二分类任务对应的风险标签。
另一个实施例中,风险监测模型包括目标风险场景下的至少一个风险监测策略,每个风险监测策略对应一个风险标签;风险监测单元402用于调用目标风险场景的风险监测模型对目标对象的资产信息以及目标证券产品的关联信息进行风险监测,得到目标证券产品在目标风险场景下的风险标签,包括:
获取目标风险场景下任意一个风险监测策略对应的关键词;
将目标对象的资产信息以及目标证券产品的关联信息与任意一个风险监测策略对应的关键词进行匹配;
若目标对象的资产信息以及目标证券产品的关联信息中存在任意一个风险监测策略对应的关键词,则确定目标证券产品在目标风险场景下存在任意一个风险监测策略对应的风险标签。
另一个实施例中,确定单元403用于对目标风险场景下的风险标签进行量化处理,得到目标风险场景下的风险值,包括:
获取各个风险标签的注意力权重以及各个风险标签的基础值;
基于各个风险标签的注意力权重对各个风险标签的基础值进行加权求和,得到目标风险场景下的风险值。
另一个实施例中,确定单元403用于基于目标证券产品在目标风险场景下的风险阈值以及风险值,确定目标证券产品在目标风险场景下的风险监测结果之后,确定单元403还用于:
获取知识图谱,知识图谱包括目标对象针对目标证券产品的历史日志操作信息;
基于历史日志操作信息以及目标证券产品在目标风险场景下的风险监测结果生成风险处置策略。
根据本申请的另一个实施例,图4所示的风险监测装置中的各个单元可以分别或者全部合并为一个或若干个另外的单元来构成,或者其中的某个(些)单元还可以再拆分为功能上更小的多个单元来构成,这可以实现同样的操作,而不影响本申请实施例的技术效果的实现。上述单元是基于逻辑功能划分的,在实际应用中,一个单元的功能也可以是由多个单元来实现,或者多个单元的功能由一个单元实现。在本申请的其他实施例中,风险监测装置也可以包括其他单元,在实际应用中,这些功能也可以由其他单元协助实现,并且可以由多个单元协作实现。
根据本申请的另一个实施例,可以通过包括中央处理单元(Central ProcessingUnit,CPU),随机存取存储介质(RAM)、只读存储介质(ROM)等处理元件和存储元件。例如计算机的通用计算设备上运行能够执行如图2所示的相应方法所涉及的各步骤的计算机程序(包括程序代码),来构造如图4所示的风险监测装置,以及来实现本申请实施例的风险监测方法。该计算机程序可以记载于例如计算机可读记录介质上,并通过计算机可读记录介质装载于上述风险监测设备中,并在其中运行。
在本申请实施例中,风险监测装置调用目标风险场景的风险监测模型对目标对象的资产信息以及目标证券产品的关联信息进行风险监测,得到目标证券产品在目标风险场景下的风险标签。本申请针对不同风险场景设置不同的风险监测模型,风险监测装置可以更准确的得到目标证券产品在风险场景下的风险标签。并且,风险监测装置还可以利用MMOE模型得到包括N个基础特征的基础特征集合,调用目标风险场景下的风险监测模型分别对N个基础特征进行风险监测,得到风险场景下的风险标签,利用人工智能技术中的多个二分类任务,可以更准确的得到目标证券产品在风险场景下的风险标签。可以有效提升目标证券产品在风险场景下的风险标签,并且基于风险标签可以全面表征风险,使得基于风险标签可以更准确的得到目标证券产品在风险场景下的风险值,从而基于目标证券产品在风险场景下的风险值得到的风险监测结果更准确。
请参阅图5,图5为本申请实施例提供的一种风险监测设备的结构示意图。该风险监测设备可以包括:一个或多个处理器501;一个或多个输入接口502,一个或多个输出接口503和计算机存储介质504。上述处理器501、输入接口502、输出接口503以及计算机存储介质504通过总线或其他方式连接。计算机存储介质504是风险监测设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机存储介质504既可以包括风险监测设备的内置存储介质,当然也可以包括风险监测设备支持的扩展存储介质。计算机存储介质504提供存储空间,该存储空间存储了风险监测设备的操作系统。并且,在该存储空间中还存放了适于被处理器501加载并执行的一条或多条指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机存储介质可以是高速RAM存储器;可选的,还可以是至少一个远离前述处理器的计算机存储介质、该处理器可以称为中央处理单元(Central Processing Unit,CPU),是风险监测设备的核心以及控制中心,适于被实现一条或多条指令,具体加载并执行一条或多条指令从而实现相应的方法流程或功能。
在一个实施例中,可由处理器501加载并执行计算机存储介质504中存放的一条或多条指令,以实现执行如图2所示的相应方法所涉及的各步骤,具体实现中,计算机存储介质504中的一条或多条指令由处理器501加载并执行以下步骤:
响应于对目标对象的目标证券产品进行风险监测的触发操作,获取目标对象的资产信息以及目标证券产品的关联信息;
调用目标风险场景的风险监测模型对目标对象的资产信息以及目标证券产品的关联信息进行风险监测,得到目标证券产品在目标风险场景下的风险标签;
对目标风险场景下的风险标签进行量化处理,得到目标风险场景下的风险值,并基于目标证券产品在目标风险场景下的风险阈值以及风险值,确定目标证券产品在目标风险场景下的风险监测结果。
一个实施例中,风险监测模型包括N个二分类任务,处理器501用于调用目标风险场景的风险监测模型对目标对象的资产信息以及目标证券产品的关联信息进行风险监测,得到目标证券产品在目标风险场景下的风险标签,包括:
对目标对象的资产信息以及目标证券产品的关联信息进行特征提取,得到基础特征集合,该基础特征集合包括N个基础特征;N为正整数;
调用目标风险场景下的N个二分类任务分别对N个基础特征进行风险监测,得到目标证券产品在目标风险场景下的风险标签。
另一个实施例中,处理器501用于对目标对象的资产信息以及目标证券产品的关联信息进行特征提取,得到基础特征集合,包括:
根据目标对象的资产信息构造对象特征向量,以及根据目标证券产品的关联信息构造关联向量;
根据对象特征向量以及关联向量确定中间向量;
调用MMOE中的每个专家网络模型分别对中间向量进行特征提取,得到基础特征集合。
另一个实施例中,处理器501用于调用目标风险场景下的N个二分类任务分别对N个基础特征进行风险监测,得到目标证券产品在目标风险场景下的风险标签,包括:
获取N个基础特征中的任意一个基础特征;
调用任意一个基础特征对应的二分类任务对任意一个基础特征进行分类处理,得到二分类任务的分类结果;
当二分类任务的分类结果指示任意一个基础特征为风险特征的概率大于第一阈值时,确定目标证券产品在目标风险场景下存在二分类任务对应的风险标签。
另一个实施例中,风险监测模型包括目标风险场景下的至少一个风险监测策略,每个风险监测策略对应一个风险标签;处理器501用于调用目标风险场景的风险监测模型对目标对象的资产信息以及目标证券产品的关联信息进行风险监测,得到目标证券产品在目标风险场景下的风险标签,包括:
获取目标风险场景下任意一个风险监测策略对应的关键词;
将目标对象的资产信息以及目标证券产品的关联信息与任意一个风险监测策略对应的关键词进行匹配;
若目标对象的资产信息以及目标证券产品的关联信息中存在任意一个风险监测策略对应的关键词,则确定目标证券产品在目标风险场景下存在任意一个风险监测策略对应的风险标签。
另一个实施例中,处理器501用于对目标风险场景下的风险标签进行量化处理,得到目标风险场景下的风险值,包括:
获取各个风险标签的注意力权重以及各个风险标签的基础值;
基于各个风险标签的注意力权重对各个风险标签的基础值进行加权求和,得到目标风险场景下的风险值。
另一个实施例中,处理器501用于基于目标证券产品在目标风险场景下的风险阈值以及风险值,确定目标证券产品在目标风险场景下的风险监测结果之后,处理器501还用于:
获取知识图谱,知识图谱包括目标对象针对目标证券产品的历史日志操作信息;
基于历史日志操作信息以及目标证券产品在目标风险场景下的风险监测结果生成风险处置策略。
在本申请实施例中,风险监测设备调用目标风险场景的风险监测模型对目标对象的资产信息以及目标证券产品的关联信息进行风险监测,得到目标证券产品在目标风险场景下的风险标签。本申请针对不同风险场景设置不同的风险监测模型,风险监测设备可以更准确的得到目标证券产品在风险场景下的风险标签。并且,风险监测设备还可以利用MMOE模型得到包括N个基础特征的基础特征集合,调用目标风险场景下的风险监测模型分别对N个基础特征进行风险监测,得到风险场景下的风险标签,利用人工智能技术中的多个二分类任务,可以更准确的得到目标证券产品在风险场景下的风险标签。可以有效提升目标证券产品在风险场景下的风险标签,并且基于风险标签可以全面表征风险,使得基于风险标签可以更准确的得到目标证券产品在风险场景下的风险值,从而基于目标证券产品在风险场景下的风险值得到的风险监测结果更准确。
本申请实施例中还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序指令。计算机程序指令被处理器执行时,可执行上述风险监测方法实施例中所执行的步骤。
本申请实施例还提供一种计算机程序产品,所述计算机程序产品包括计算机程序代码,当所述计算机程序代码在计算机上运行时,使得计算机执行上述风险监测方法实施例中所执行的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。所述的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。
以上所揭露的仅为本申请一种较佳实施例而已,当然不能以此来限定本申请之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本申请权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (10)
1.一种风险监测方法,其特征在于,所述方法包括:
响应于对目标对象的目标证券产品进行风险监测的触发操作,获取所述目标对象的资产信息以及所述目标证券产品的关联信息;
调用目标风险场景的风险监测模型对所述目标对象的资产信息以及所述目标证券产品的关联信息进行风险监测,得到所述目标证券产品在所述目标风险场景下的风险标签;
对所述目标风险场景下的风险标签进行量化处理,得到所述目标风险场景下的风险值,并基于所述目标证券产品在所述目标风险场景下的风险阈值以及所述风险值,确定所述目标证券产品在所述目标风险场景下的风险监测结果。
2.如权利要求1所述的方法,其特征在于,所述风险监测模型包括N个二分类任务,所述调用目标风险场景的风险监测模型对所述目标对象的资产信息以及所述目标证券产品的关联信息进行风险监测,得到所述目标证券产品在所述目标风险场景下的风险标签,包括:
对所述目标对象的资产信息以及所述目标证券产品的关联信息进行特征提取,得到基础特征集合,所述基础特征集合包括N个基础特征;N为正整数;
调用所述目标风险场景下的N个二分类任务分别对N个基础特征进行风险监测,得到所述目标证券产品在所述目标风险场景下的风险标签。
3.如权利要求2所述的方法,其特征在于,所述对所述目标对象的资产信息以及所述目标证券产品的关联信息进行特征提取,得到基础特征集合,包括:
根据所述目标对象的资产信息构造对象特征向量,以及根据所述目标证券产品的关联信息构造关联向量;
根据所述对象特征向量以及所述关联向量确定中间向量;
调用多专家网络模型MMOE中的每个专家网络模型分别对所述中间向量进行特征提取,得到所述基础特征集合。
4.如权利要求2所述的方法,其特征在于,所述调用所述目标风险场景下的N个二分类任务分别对N个基础特征进行风险监测,得到所述目标证券产品在所述目标风险场景下的风险标签,包括:
获取所述N个基础特征中的任意一个基础特征;
调用所述任意一个基础特征对应的二分类任务对所述任意一个基础特征进行分类处理,得到所述二分类任务的分类结果;
当所述二分类任务的分类结果指示所述任意一个基础特征为风险特征的概率大于第一阈值时,确定所述目标证券产品在所述目标风险场景下存在所述二分类任务对应的风险标签。
5.如权利要求1所述的方法,其特征在于,所述风险监测模型包括所述目标风险场景下的至少一个风险监测策略,每个风险监测策略对应一个风险标签;
所述调用目标风险场景的风险监测模型对所述目标对象的资产信息以及所述目标证券产品的关联信息进行风险监测,得到所述目标证券产品在所述目标风险场景下的风险标签,包括:
获取所述目标风险场景下任意一个风险监测策略对应的关键词;
将所述目标对象的资产信息以及所述目标证券产品的关联信息与所述任意一个风险监测策略对应的关键词进行匹配;
若所述目标对象的资产信息以及所述目标证券产品的关联信息中存在所述任意一个风险监测策略对应的关键词,则确定所述目标证券产品在所述目标风险场景下存在所述任意一个风险监测策略对应的风险标签。
6.如权利要求1-5任一项所述的方法,其特征在于,所述对所述目标风险场景下的风险标签进行量化处理,得到所述目标风险场景下的风险值,包括:
获取各个风险标签的注意力权重以及所述各个风险标签的基础值;
基于所述各个风险标签的注意力权重对所述各个风险标签的基础值进行加权求和,得到所述目标风险场景下的风险值。
7.如权利要求1-5任一项所述的方法,其特征在于,所述基于所述目标证券产品在所述目标风险场景下的风险阈值以及所述风险值,确定所述目标证券产品在所述目标风险场景下的风险监测结果之后,所述方法还包括:
获取知识图谱,所述知识图谱包括所述目标对象针对所述目标证券产品的历史日志操作信息;
基于所述历史日志操作信息以及所述目标证券产品在所述目标风险场景下的风险监测结果生成风险处置策略。
8.一种风险监测装置,其特征在于,所述装置包括:
获取单元,用于响应于对目标对象的目标证券产品进行风险监测的触发操作,获取所述目标对象的资产信息以及所述目标证券产品的关联信息;
风险监测单元,用于调用目标风险场景的风险监测模型对所述目标对象的资产信息以及所述目标证券产品的关联信息进行风险监测,得到所述目标证券产品在所述目标风险场景下的风险标签;
确定单元,用于对所述目标风险场景下的风险标签进行量化处理,得到所述目标风险场景下的风险值,并基于所述目标证券产品在所述目标风险场景下的风险阈值以及所述风险值,确定所述目标证券产品在所述目标风险场景下的风险监测结果。
9.一种风险监测设备,包括输入接口、输出接口,其特征在于,还包括:
处理器,适于实现一条或多条指令;以及,
计算机存储介质,所述计算机存储介质存储有一条或多条指令,所述一条或多条指令适于由所述处理器加载以执行如权利要求1-7任一项所述的方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有一条或多条指令,所述一条或多条指令适于由处理器加载并执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210137657.7A CN114463138A (zh) | 2022-02-15 | 2022-02-15 | 风险监测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210137657.7A CN114463138A (zh) | 2022-02-15 | 2022-02-15 | 风险监测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114463138A true CN114463138A (zh) | 2022-05-10 |
Family
ID=81412617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210137657.7A Pending CN114463138A (zh) | 2022-02-15 | 2022-02-15 | 风险监测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114463138A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115086086A (zh) * | 2022-08-19 | 2022-09-20 | 湖南三湘银行股份有限公司 | 数据安全的分布式监测方法及装置 |
CN117036037A (zh) * | 2023-10-09 | 2023-11-10 | 中国建设银行股份有限公司 | 可疑交易风险分析方法及装置 |
-
2022
- 2022-02-15 CN CN202210137657.7A patent/CN114463138A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115086086A (zh) * | 2022-08-19 | 2022-09-20 | 湖南三湘银行股份有限公司 | 数据安全的分布式监测方法及装置 |
CN115086086B (zh) * | 2022-08-19 | 2022-11-11 | 湖南三湘银行股份有限公司 | 数据安全的分布式监测方法及装置 |
CN117036037A (zh) * | 2023-10-09 | 2023-11-10 | 中国建设银行股份有限公司 | 可疑交易风险分析方法及装置 |
CN117036037B (zh) * | 2023-10-09 | 2023-12-29 | 中国建设银行股份有限公司 | 可疑交易风险分析方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107945024B (zh) | 识别互联网金融借贷企业经营异常的方法、终端设备及存储介质 | |
CN110378786B (zh) | 模型训练方法、违约传导风险识别方法、装置及存储介质 | |
CN113901320A (zh) | 场景服务推荐方法、装置、设备及存储介质 | |
CN113011889B (zh) | 账号异常识别方法、系统、装置、设备及介质 | |
CN114463138A (zh) | 风险监测方法、装置、设备及存储介质 | |
CN112015909B (zh) | 知识图谱的构建方法及装置、电子设备、存储介质 | |
CN113177700B (zh) | 一种风险评估方法、系统、电子设备及存储介质 | |
US20230153581A1 (en) | Artificial intelligence system employing graph convolutional networks for analyzing multi-entity-type multi-relational data | |
Liu et al. | Anticipating financial distress of high‐tech startups in the European Union: A machine learning approach for imbalanced samples | |
CN114244611B (zh) | 异常攻击检测方法、装置、设备及存储介质 | |
CN114693409A (zh) | 产品匹配方法、装置、计算机设备、存储介质和程序产品 | |
CN116563006A (zh) | 业务风险预警方法、设备、存储介质及装置 | |
WO2022143431A1 (zh) | 一种反洗钱模型的训练方法及装置 | |
CN114493850A (zh) | 基于人工智能的在线公证方法、系统及存储介质 | |
US20210319457A1 (en) | Utilizing models to aggregate data and to identify insights from the aggregated data | |
CN112712270A (zh) | 信息处理方法、装置、设备及存储介质 | |
Lee et al. | Application of machine learning in credit risk scorecard | |
Mitrache | Big data and AI: a potential solution to end the conundrum of too big to fail financial institutions? | |
US11922352B1 (en) | System and method for risk tracking | |
CN113837764B (zh) | 风险预警方法、装置、电子设备和存储介质 | |
US20230267019A1 (en) | Perceptive scaling of computing resources | |
CN115600600B (zh) | 多对象标签体系的标签命名方法、装置、电子设备及介质 | |
US20220398433A1 (en) | Efficient Cross-Platform Serving of Deep Neural Networks for Low Latency Applications | |
CN114936127A (zh) | Hadoop集群的异常监测方法、装置、设备及介质 | |
ADEJUMO | DEVELOPMENT OF AN AUTOMATED REAL-TIME CREDIT CARD FRAUD DETECTION SYSTEM |
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 |