CN114757759A - 风险防范方法、装置、设备、介质和程序产品 - Google Patents

Abstract

本公开提供了一种风险防范方法，可以应用于大数据技术领域或金融领域。该风险防范方法包括：获取历史风险记录以及风险行为集，其中，所述风险行为集包含与套现行为关联的消费行为类型集合；基于所述历史风险记录以及所述风险行为集提取风险行为关联规则；基于所述风险行为关联规则建立风险度评价算法；基于所述风险度评价算法计算待评价记录风险度评分，以获取记录风险度评级；以及基于所述记录风险度评级进行风险防范处理。本公开还提供了一种风险防范装置、设备、存储介质和程序产品。

Description

风险防范方法、装置、设备、介质和程序产品

技术领域

本公开涉及大数据技术领域或金融领域，具体涉及一种风险防范方法、装置、设备、介质和程序产品。

背景技术

套现是一种较常见的金融风险。信用卡套现是最为常见的套现方法，其是指违反国家规定，使用销售点终端机具等方法，以虚构交易、虚开价格、现金退货等方式向信用卡持卡人直接支付现金。信用卡套现会给银行资金安全带来极大隐患。为避免这一问题，需要及时识别出信用卡套现行为。目前针对套现行为，通常是通过简单的人工经验进行排查，例如在发现某个特约商户或卡的特征数据存在异常时，可以进一步核查其交易流水账，追查关联行为。去识别信用卡套现行为。在实现本公开构思的过程中，发明人发现现有技术中至少存在如下问题：

人工识别通常会有诸多的局限性，且人力物力资源成本消耗较大，对套现风险行为识别的全面性和准确性有待提高。

发明内容

鉴于上述问题，本公开的实施例提供了一种风险防范方法、装置、设备、介质和程序产品。

根据本公开的第一个方面，提供了一种风险防范方法，包括：获取历史风险记录以及风险行为集，其中，所述风险行为集包含与套现行为关联的消费行为类型集合；基于所述历史风险记录以及所述风险行为集提取风险行为关联规则；基于所述风险行为关联规则建立风险度评价算法；基于所述风险度评价算法计算待评价记录风险度评分，以获取记录风险度评级；以及基于所述记录风险度评级进行风险防范处理。

根据本公开的实施例，所述基于所述历史风险记录以及所述风险行为集提取风险行为关联规则包括：基于所述历史风险记录计算风险行为集中各风险行为的支持度以及风险行为间的置信度；以及基于各风险行为的支持度以及风险行为间的置信度计算风险行为间作用度。

根据本公开的实施例，所述基于所述风险行为关联规则建立风险度评价算法包括：获取风险行为频度以及风险系数，其中，所述风险行为频度基于待评价记录的关联风险行为集以及历史风险记录获取，所述风险系数基于风险无关行为的风险行为间作用度获取；以及基于所述风险行为频度以及所述风险系数建立风险度评价算法，其中，所述风险度评价算法用于计算待评价记录的风险度评分。

根据本公开的实施例，第i种风险行为频度通过计算历史风险记录中第i种风险行为的出现次数在风险行为出现的次数总和中的占比获得，其中，第i种风险行为为待评价记录的关联风险行为集中的元素，i为大于等于1的整数。

根据本公开的实施例，所述风险系数的获得包括如下步骤：筛选待评价记录中未出现的风险行为，标记为风险无关行为；获取与所述风险无关行为关联的风险行为间作用度，标记为无关风险作用度；基于预设的阈值对所述无关风险作用度进行筛选，获取无关风险有效作用度；以及基于所述无关风险有效作用度获取所述风险系数。

根据本公开的实施例，所述基于所述记录风险度评级进行风险防范处理包括：预先建立风险度评分与风险度评级间的映射关系，以及记录风险度评级与风险防范处理方法间的映射关系；以及基于待评价记录的记录风险度评级查找对应的风险防范处理方法，以进行风险处理。

根据本公开的实施例，所述风险行为集包括账户消费数额为100的正整数倍数，账户消费金额超过商户预设阈值，账户消费金额超过同种类账户消费金额均值经验倍数，账户消费相对方为账户主体名下商户中的至少3种。

本公开的第二方面提供了一种风险防范装置，包括：获取模块，配置为获取历史风险记录以及风险行为集，其中，所述风险行为集包含套现行为关联的消费行为类型集合；第一处理模块，配置为基于所述历史风险记录以及所述风险行为集提取风险行为关联规则；第二处理模块，配置为基于所述风险行为关联规则建立风险度评价算法；第三处理模块，配置为基于所述风险度评价算法计算待评价风险记录风险度评分以获取记录风险度评级；以及第四处理模块，配置为基于所述记录风险度评级进行风险防范处理。

本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；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，使得一个或多个处理器执行上述风险防范方法。

本公开的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述风险防范方法。

本公开的第五方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述风险防范方法。

本公开的实施例提供的方法，能够提高识别套现风险行为的全面性和准确性，能够提升对可疑套现行为的处理机制，有效降低金融机构的金融风险。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的风险防范方法、装置、设备、介质和程序产品的应用场景图。

图2示意性示出了根据本公开实施例的风险防范方法的流程图。

图3示意性示出了根据本公开实施例的风险防范方法的流程图。

图4示意性示出了根据本公开实施例的风险防范方法的流程图。

图5示意性示出了根据本公开实施例的风险系数的获得方法的流程图。

图6示意性示出了根据本公开实施例的基于记录风险度评级进行风险防范处理的方法的流程图。

图7示意性示出了根据本公开实施例的风险防范装置的结构框图。

图8示意性示出了根据本公开实施例的适于实现上述风险防控方法的电子设备的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

套现是金融活动中一种较常见的金融风险。其中，以信用卡套现最为常见。信用卡套现是指违反国家法律法规，使用销售点终端机具等方法，以虚构交易、虚开价格、现金退货等方式向信用卡持卡人直接支付现金。信用卡套现会给银行资金安全带来极大隐患。为避免这一问题，需要及时识别出信用卡套现行为。目前针对套现行为，通常是通过简单的人工经验进行排查，例如在发现某个特约商户或卡的特征数据存在异常时，可以进一步核查其交易流水账，追查关联行为。去识别信用卡套现行为。然而，传统的人工识别方法通常会有诸多的局限性，无法对套现风险进行精准排查，且人力物力资源成本消耗较大，对套现风险行为识别的全面性和准确性有待提高。

关联规则是数据挖掘中的一种主要挖掘技术，其可以反映一个事物与其他事物之间的相互依存性和关联性，可以从大量数据中挖掘出有价值的数据项之间的相关关系。在构思本公开的实施例的过程中，本公开的发明人意识到在套现行为出现时，伴随着部分高风险行为的出现，并且不同高风险行为互相之间可能存在一定的关联度。为了达到智能化识别套现行为风险的目的，可以通过挖掘不同风险行为间的关联规则，以发现不同风险行为间的关联，进一步可以建立风险度评价算法。在出现待评价风险记录后，可以利用风险度评价算法评估该待评价风险记录的风险程度，从而进行有效防范。

本公开的实施例提供了一种风险防范方法，包括：获取历史风险记录以及风险行为集，其中，所述风险行为集包含与套现行为关联的消费行为类型集合。基于所述历史风险记录以及所述风险行为集提取风险行为关联规则。基于所述风险行为关联规则建立风险度评价算法。基于所述风险度评价算法计算待评价记录风险度评分，以获取记录风险度评级。以及基于所述记录风险度评级进行风险防范处理。

需要说明的是，本公开实施例提供的风险防范方法、装置、设备、介质和程序产品可用于大数据技术在风险防控相关方面，也可用于除大数据技术之外的多种领域，如金融领域等。本公开实施例提供的风险防范方法、装置、设备、介质和程序产品的应用领域不做限定。

以下将结合附图及其说明文字围绕实现本公开的至少一个目的的上述操作进行阐述。

图1示意性示出了根据本公开实施例的风险防范方法、装置、设备、介质和程序产品的应用场景图。

如图1所示，根据该实施例的应用场景100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送数据等。终端设备101、102、103可以具有资金支付和收取功能，其上可以安装有多种交易关联应用，例如可以包括消费支持，预授权，余额查询和转账应用等(仅为示例)。终端设备101、102、103还可以安装购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备101、102、103可以包括但不限于多媒体自助终端，POS机，具有转账和消费支持功能的智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的风险防范方法一般可以由服务器105执行。相应地，本公开实施例所提供的风险防范装置一般可以设置于服务器105中。本公开实施例所提供的风险防范方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的风险防范装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

以下将基于图1描述的场景，通过图2～图6对公开实施例的风险防范方法进行详细描述。

图2示意性示出了根据本公开实施例的风险防范方法的流程图。

如图2所示，该实施例的风险防范方法包括操作S210～操作S250，该交易处理方法可以由处理器执行，也可以由包括处理器的任何电子设备执行。

在操作S210，获取历史风险记录以及风险行为集。

在操作S220，基于所述历史风险记录以及所述风险行为集提取风险行为关联规则。

在操作S230，基于所述风险行为关联规则建立风险度评价算法。

在操作S240，基于所述风险度评价算法计算待评价记录风险度评分，以获取记录风险度评级。

在操作S250，基于所述记录风险度评级进行风险防范处理。

根据本公开的实施例，通过大数据技术构建智能识别套现风险的风险度评价算法，在识别待评价交易记录的风险行为并计算出风险度后，可以对其进行风险度评级，并针对不同的风险度等级评价采取相应的风险防范手段进行处理。其中，风险行为集包含与套现行为关联的消费行为类型集合，其可以基于人工经验预设，也可以通过采集历史套现记录中的风险行为获取。历史风险记录可以作为样本数据以构建风险度评价算法。其中，历史风险记录可以为包含一种或多种风险行为的历史交易记录，其可以获取自交易终端设备，例如具有消费支持和转账功能等的多媒体自助终端，POS机，具有转账和消费支持功能的智能手机、平板电脑、膝上型便携计算机和台式计算机等。通过历史风险记录和风险行为集可以提取风险行为关联规则。其中，关联规则是数据挖掘中的一种主要挖掘技术，其可以反映一个事物与其他事物之间的相互依存性和关联性，可以从大量数据中挖掘出有价值的数据项之间的相关关系。在本公开的实施例中，通过挖掘不同风险行为间的关联规则，可以发现不同风险行为间的关联，进一步可以建立风险度评价算法。在出现待评价风险记录后，可以利用风险度评价算法评估该待评价风险记录的风险程度，从而进行有效防范。具体而言，可以先建立风险度评价算法模型，进一步可以基于与实际待评价记录关联的数据进行风险度评分计算。在计算得到风险度评分后，可以对其风险度等级进行评定，并分层分级地进行风险防范处理，从而有效提升套现行为处理机制。在此过程中，充分利用了历史数据进行关联规则挖掘，较大程度地减少了人工经验的介入，提升了风险判断的有效性，客观性和全面性，且较少了人工资源成本的耗散。

在一些具体的实施例中，所述风险行为集包括账户消费数额为100的正整数倍数，账户消费金额超过商户预设阈值，账户消费金额超过同种类账户消费金额均值经验倍数，账户消费相对方为账户主体名下商户中的至少3种。本公开实施例的发明人通过分析大量套现记录发现，上述消费行为在套现记录中出现的频率较高，且数据可得性较高，利于风险度评价算法的建立且使得算法具有较高的准确度和实操性。可以理解，上述风险行为集中的消费行为类型仅为示例，其他多种可以作为判断依据的风险行为也可用以构建本公开的实施例的风险度评价算法。

图3示意性示出了根据本公开实施例的风险防范方法的流程图。

如图3所示，该实施例的风险防范方法包括操作S310～操作S320。

在操作S310，基于所述历史风险记录计算风险行为集中各风险行为的支持度以及风险行为间的置信度。

在操作S320，基于各风险行为的支持度以及风险行为间的置信度计算风险行为间作用度。

根据本公开的实施例，支持度，置信度以及作用度是关联规则中的重要概念。其中，支持度(Support)表示一个规则或项集在所有事物中出现的频率。如P(A)、P(B)或P(AB)。其中，P(A)代表规则A或项集A出现的频率，P(B)代表规则B或项集B出现的频率，P(AB)代表规则A或项集A，以及规则B或项集B同时出现的频率。P(AB)可以以式(1)计算：

P(AB)＝P(A∩B) 式(1)

置信度表示当规则A或项集A出现时，规则B或项集B同时出现的频率。换言之，置信度指同时包含A项和B项的交易数语包含A项的交易数之比。置信度可以记作confidence(A→B)，即P(B|A)，以式(2)计算：

提高度表示A项和B项一同出现的频率，且同时要考虑这两项各自出现的频率。其可以用于衡量关联规则对规则或项集出现频率的影响，反应了关联规则中A与B的相关性。提升度可以记作lift(A→B)，即P(B|A)/P(B)，以式(3)计算：

需说明的是，一般来说，提升度>1且越高表明正相关性越高，0＜提升度＜1且越低表明负相关性越高，提升度＝1表明没有相关性，二者相互独立。当提升度＜0时，说明A和B间具有相互排斥作用。

根据本公开的实施例，通过挖掘各风险行为间的关联规则可以挖掘各风险行为间的相关性，以提升风险度评价算法的准确性。

图4示意性示出了根据本公开实施例的风险防范方法的流程图。

如图4所示，该实施例的风险防范方法包括操作S410～操作S420。

在操作S410，获取风险行为频度以及风险系数。

在操作S420，基于所述风险行为频度以及所述风险系数建立风险度评价算法。

根据本公开的实施例，所述风险度评价算法用于计算待评价记录的风险度评分。其中，所述风险行为频度基于待评价记录的关联风险行为集以及历史风险记录获取。待评价记录的关联风险行为是待评价记录关联的风险行为类型的集合。可以通过历史风险记录统计待评价记录包含的风险行为类型的频度，可以理解，当风险行为频度越高，该待评价记录为套现记录的概率越大。然而，仅依据风险行为频度对待评价记录的风险度进行评价有可能存在较大误差，在本公开的实施例中，通过所述风险系数修正上述误差。特别的，风险系数可以基于风险无关行为的风险行为间作用度获取。本公开实施例的风险度评价算法的建立构思在于利用风险无关行为的关联规则对风险行为频度进行修正。由于在一条待评价记录中，不一定出现所有的风险行为类型，而与待评价记录无关的风险行为的作用度可以用于修正单纯的频度计算对于风险的过高估计，从而提升算法的准确性和客观性。

在一些具体的实施例中，第i种风险行为频度通过计算历史风险记录中第i种风险行为的出现次数在风险行为出现的次数总和中的占比获得。其中，第i种风险行为为待评价记录的关联风险行为集中的元素，i为大于等于1的整数。可以理解，待评价记录的关联风险行为集包含该待评价记录中出现的所有风险行为。

图5示意性示出了根据本公开实施例的风险系数的获得方法的流程图。

如图5所示，该实施例的风险系数的获得方法包括操作S510～操作S540。

在操作S510，筛选待评价记录中未出现的风险行为，标记为风险无关行为。

在操作S520，获取与所述风险无关行为关联的风险行为间作用度，标记为无关风险作用度。

在操作S530，基于预设的阈值对所述无关风险作用度进行筛选，获取无关风险有效作用度。

在操作S540，基于所述无关风险有效作用度获取所述风险系数。

根据本公开的实施例，在获得风险系数时，可以首先筛选待评价记录中未出现的风险行为，以之为风险无关行为。进一步，与该风险无关行为关联的风险行为间作用度即为无关风险作用度。例如，某一待评价记录中出现了风险行为一、风险行为二、风险行为三，但未出现风险行为四。由此无关风险作用度即为与风险行为四存在关联关系的作用度，例如lift(行为一→行为四)，lift(行为二→行为四)，lift(行为三→行为四)。其中，可以基于预设的阈值对无关风险作用度进行筛选，获取无关风险有效作用度。可以理解，若某一种风险行为的无关风险作用度为负，或满足0＜无关风险作用度＜1时，该风险行为与其他风险行为存在负相关性，其不是有效的能够修正风险行为频度的因子。由此，预设的阈值应为可以标识风险无关行为与风险相关行为呈正相关的值。在一些具体的实施例中，预设的阈值可以为1，也可以为大于1的值，可以基于模型测试结果进行调整设置。在一些具体的实施例中，当存在多个无关风险有效作用度时，可以将其综合考量，例如，以乘积，加和等方式将其关联，并以无关风险有效作用度倒数作为风险系数。

图6示意性示出了根据本公开实施例的基于记录风险度评级进行风险防范处理的方法的流程图。

如图6所示，该实施例的风险系数的获得方法包括操作S610～操作S620。

在操作S610，预先建立风险度评分与风险度评级间的映射关系，以及记录风险度评级与风险防范处理方法间的映射关系。

在操作S620，基于待评价记录的记录风险度评级查找对应的风险防范处理方法，以进行风险处理。

根据本公开的实施例，为了快速查找对应级别的风险防范处理方法，可以预先建立风险度评分与风险度评级间的映射关系，以及记录风险度评级与风险防范处理方法间的映射关系。其中，上述两种映射关系均可基于专家经验设立，并可以基于金融机构实际经营状况进行实时调整。

下面结合应用场景示例对本公开实施例的风险防范方法进行描述。需说明的是，本示例中的具体数据和数值仅为方法原理的示意性说明，不构成对本公开方法的限制，也不作为真实构建算法时所使用数据的数据量以及数据种类的限定。

S1.获取历史风险记录，构建风险行为集。

其中，风险行为集包括{行为一，行为二，行为三，行为四}。其中，行为一：信用卡消费的金额为后两位数为0的整数。行为二：信用卡消费的金额不在收款商户的正常收款金额范围之内。行为三：信用卡支付金额值不在该种信用卡单次消费的正常范围之内(例如均值的2倍以内)。行为四：收款方为信用卡本人下的商户。

如表1，获取10条历史风险记录(包含任意一风险行为则视为可疑套现)。应理解，本示例仅以10条记录为例描述算法构建原理，在算法实际建立过程中，可以基于大数据技术获取所需数量的记录，用以构建真实场景中的有效的风险度评价算法。

	行为一	行为二	行为三	行为四
					记录一	1	0	0	1
记录二	0	1	0	1
					记录三	1	0	0	1
记录四	1	1	1	0
					记录五	0	1	0	0
记录六	1	0	1	0
					记录七	0	1	1	0
记录八	1	0	0	1
					记录九	1	1	1	0
记录十	0	0	0	1

表1

S2.基于历史风险记录以及风险行为集提取风险行为关联规则

S2.1.计算各个行为的支持度

在一些情况下，为了减少数据处理开销，同时满足算法准确度的需求，可以仅计算风险行为的两两关联规则。可以理解，在全面计算多个项集的关联规则后可以进一步提升算法的精准度。

Support(行为一)：P(行为一)＝6/10＝60％

Support(行为二)：P(行为二)＝5/10＝50％

Support(行为三)：P(行为三)＝4/10＝40％

Support(行为四)：P(行为四)＝5/10＝50％

Support(行为一+行为二)：P(行为一∩行为二)＝2/10＝20％

Support(行为一+行为三)：P(行为一∩行为三)＝3/10＝30％

Support(行为一+行为四)：P(行为一∩行为四)＝3/10＝30％

Support(行为二+行为三)：P(行为二∩行为三)＝3/10＝30％

Support(行为二+行为四)：P(行为二∩行为四)＝1/10＝10％

Support(行为三+行为四)：P(行为三∩行为四)＝0/10＝0％

S2.2.计算行为间的置信度

Confidence(行为一→行为二)：P(行为二|行为一)＝P(行为一∩行为二)/P(行为一)＝20％/60％＝1/3

Confidence(行为一→行为三)：P(行为三|行为一)＝P(行为一∩行为三)/P(行为一)＝30/60％＝1/2＝50％

Confidence(行为一→行为四)：P(行为四|行为一)＝P(行为一∩行为四)/P(行为一)＝30/60％＝1/2＝50％

Confidence(行为二→行为三)：P(行为三|行为二)＝P(行为二∩行为三)/P(行为二)＝30％/50％＝3/5＝60％

Confidence(行为二→行为四)：P(行为四|行为二)＝P(行为二∩行为四)/P(行为二)＝10％/50％＝1/5＝20％

Confidence(行为三→行为四)：P(行为四|行为三)＝P(行为三∩行为四)/P(行为三)＝0％/50％＝0

S2.3.计算行为间的作用度lift

lift(行为一→行为二)＝P(行为二|行为一)/P(行为二)×P(行为一)＝(1/3)/(5/10)＝2/3＝60％

lift(行为一→行为三)＝P(行为三|行为一)/P(行为三)×P(行为一)＝50％/40％＝125％

lift(行为一→行为四)＝P(行为四|行为一)/P(行为四)×P(行为一)＝50％/50％＝100％

lift(行为二→行为三)＝P(行为三|行为二)/P(行为三)×P(行为二)＝60％/40％＝150％

lift(行为二→行为四)＝P(行为四|行为二)/P(行为四)×P(行为二)＝20％/50％＝40％

lift(行为三→行为四)＝P(行为四|行为三)/P(行为四)×P(行为三)＝0/50％＝0

S2.4.建立风险度评价算法并计算风险度评分

S2.4.1.通过表1中的历史风险记录可以计算每个风险行为在所有可能风险行为中出现的次数，即风险行为频度。

记录中风险行为一共出现的次数为6+5+4+5＝20

P(行为一频度)：6/20＝0.3

P(行为二频度)：5/20＝0.25

P(行为三频度)：4/20＝0.2

P(行为四频度)：5/20＝0.25

S2.4.2.分析出待评价记录中不存在的关联规则，例如满足风险行为一、二、四，则不存在与风险行为三相关的关联规则，即行为一→行为三，行为二→行为三，行为三→行为四的关联规则。

S2.4.3.判断S2.3计算得到的与风险行为三相关的风险行为间作用度是否大于1(以1为预设的阈值)，如果大于1则记为P(无关风险作用度)，如果没有大于1的风险行为间作用度，则记为1。可以理解，在本示例中，行为一→行为三和行为二→行为三的无关风险作用度分别为1.25和1.5。

S2.4.3.计算风险度评分

①假设待评价记录包含满风险行为一、二、四：

则

②假设待评价记录包含满风险行为二、三、四：

则

③假设待评价记录包含满风险行为一、二、三、四：

则风险度评分＝＝100％

S2.5.获取记录风险度评级并基于所述记录风险度评级进行风险防范处理。

S2.5.1预先建立风险度评分与风险度评级间的映射关系表2，以及记录风险度评级与风险防范处理方法间的映射关系表3。

风险度评分	风险度评级
		0～20％	1
20～40％	2
		40～60％	3
60～80％	4
		80～100％	5

表2

表3

S2.5.2根据S2.4.3所计算得到的风险度评分查找表2获取其对应的风险度评级。进一步，通过查找表3获取与风险度评级对应的风险防范处理方法，以进行风险防范处理。例如，对于待评价记录①和②，其风险度评分分别为43％和56％，对应的风险度评级为3，进一步确定待评价记录①和②的风险防范处理方法为信用卡额度降额处理，并做短信和电话警告。对于待评价记录③，其风险度评分为100％，对应的风险度评级为5，进一步确定其风险防范处理方法为对信用卡进行锁定，使其不能消费，并通知用户前往相关网点机构进行身份验证和信息核实。

基于上述风险防范方法，本公开还提供了一种风险防范装置。以下将结合图7对该装置进行详细描述。

图7示意性示出了根据本公开实施例的风险防范装置的结构框图。

如图7所示，该实施例的风险防范装置700包括获取模块710、第一处理模块720、第二处理模块730、第三处理模块740和第四处理模块750。

获取模块710被配置为获取历史风险记录以及风险行为集，其中，所述风险行为集包含套现行为关联的消费行为类型集合。

第一处理模块720被配置为基于所述历史风险记录以及所述风险行为集提取风险行为关联规则。

第二处理模块730被配置为基于所述风险行为关联规则建立风险度评价算法。

第三处理模块740被配置为基于所述风险度评价算法计算待评价风险记录风险度评分以获取记录风险度评级。

第四处理模块750被配置为基于所述记录风险度评级进行风险防范处理。

根据本公开的实施例，获取模块710、第一处理模块720、第二处理模块730、第三处理模块740和第四处理模块750中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，获取模块710、第一处理模块720、第二处理模块730、第三处理模块740和第四处理模块750中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，获取模块710、第一处理模块720、第二处理模块730、第三处理模块740和第四处理模块750中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图8示意性示出了根据本公开实施例的适于实现上述风险防控方法的电子设备的方框图。

如图8所示，根据本公开实施例的电子设备900包括处理器901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 903中，存储有电子设备900操作所需的各种程序和数据。处理器901、ROM902以及RAM 903通过总线904彼此相连。处理器901通过执行ROM 902和/或RAM 903中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 902和RAM 903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备900还可以包括输入/输出(I/O)接口905，输入/输出(I/O)接口905也连接至总线904。电子设备900还可以包括连接至I/O接口905的以下部件中的一项或多项：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。

本公开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可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 902和/或RAM 903和/或ROM 902和RAM 903以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的方法。

在该计算机程序被处理器901执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分909被下载和安装，和/或从可拆卸介质911被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (11)

1.一种风险防范方法，其特征在于，包括：

获取历史风险记录以及风险行为集，其中，所述风险行为集包含与套现行为关联的消费行为类型集合；

基于所述历史风险记录以及所述风险行为集提取风险行为关联规则；

基于所述风险行为关联规则建立风险度评价算法；

基于所述风险度评价算法计算待评价记录风险度评分，以获取记录风险度评级；以及

基于所述记录风险度评级进行风险防范处理。

2.一种根据权利要求1所述的方法，其中，所述基于所述历史风险记录以及所述风险行为集提取风险行为关联规则包括：

基于所述历史风险记录计算风险行为集中各风险行为的支持度以及风险行为间的置信度；以及

基于各风险行为的支持度以及风险行为间的置信度计算风险行为间作用度。

3.一种根据权利要求2所述的方法，其中，所述基于所述风险行为关联规则建立风险度评价算法包括：

获取风险行为频度以及风险系数，其中，所述风险行为频度基于待评价记录的关联风险行为集以及历史风险记录获取，所述风险系数基于风险无关行为的风险行为间作用度获取；以及

基于所述风险行为频度以及所述风险系数建立风险度评价算法，其中，所述风险度评价算法用于计算待评价记录的风险度评分。

4.一种根据权利要求3所述的方法，其中，第i种风险行为频度通过计算历史风险记录中第i种风险行为的出现次数在风险行为出现的次数总和中的占比获得，其中，第i种风险行为为待评价记录的关联风险行为集中的元素，i为大于等于1的整数。

5.一种根据权利要求3所述的方法，其中，所述风险系数的获得包括如下步骤：

筛选待评价记录中未出现的风险行为，标记为风险无关行为；

获取与所述风险无关行为关联的风险行为间作用度，标记为无关风险作用度；

基于预设的阈值对所述无关风险作用度进行筛选，获取无关风险有效作用度；以及

基于所述无关风险有效作用度获取所述风险系数。

6.一种根据权利要求1所述的方法，其中，所述基于所述记录风险度评级进行风险防范处理包括：

预先建立风险度评分与风险度评级间的映射关系，以及记录风险度评级与风险防范处理方法间的映射关系；以及

基于待评价记录的记录风险度评级查找对应的风险防范处理方法，以进行风险处理。

7.一种根据权利要求1所述的方法，其中，所述风险行为集包括账户消费数额为100的正整数倍数，账户消费金额超过商户预设阈值，账户消费金额超过同种类账户消费金额均值经验倍数，账户消费相对方为账户主体名下商户中的至少3种。

8.一种风险防范装置，包括：

获取模块，配置为获取历史风险记录以及风险行为集，其中，所述风险行为集包含套现行为关联的消费行为类型集合；

第一处理模块，配置为基于所述历史风险记录以及所述风险行为集提取风险行为关联规则；

第二处理模块，配置为基于所述风险行为关联规则建立风险度评价算法；

第三处理模块，配置为基于所述风险度评价算法计算待评价风险记录风险度评分以获取记录风险度评级；以及

第四处理模块，配置为基于所述记录风险度评级进行风险防范处理。

9.一种电子设备，包括：

一个或多个处理器；

存储装置，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执行根据权利要求1～7中任一项所述的方法。

10.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～7中任一项所述的方法。

11.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1～7中任一项所述的方法。

Images