CN114971017A - 银行交易数据的处理方法及装置 - Google Patents

银行交易数据的处理方法及装置 Download PDF

Info

Publication number
CN114971017A
CN114971017A CN202210581661.2A CN202210581661A CN114971017A CN 114971017 A CN114971017 A CN 114971017A CN 202210581661 A CN202210581661 A CN 202210581661A CN 114971017 A CN114971017 A CN 114971017A
Authority
CN
China
Prior art keywords
risk
bank
bank transaction
transaction
quota
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
Application number
CN202210581661.2A
Other languages
English (en)
Inventor
朱胜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bank of China Ltd
Original Assignee
Bank of China Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Bank of China Ltd filed Critical Bank of China Ltd
Priority to CN202210581661.2A priority Critical patent/CN114971017A/zh
Publication of CN114971017A publication Critical patent/CN114971017A/zh
Pending legal-status Critical Current

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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Educational Administration (AREA)
  • Technology Law (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明公开了一种银行交易数据的处理方法及装置，涉及人工智能技术领域，该方法包括：根据多个银行交易的历史操作记录，生成对应不同银行交易的风险类型和风险等级；生成用于神经网络训练的训练数据集；以训练数据集，对LSTM神经网络模型进行训练，得到银行交易风险预测神经网络模型；将目标银行交易的操作记录，输入至银行交易风险预测神经网络模型，得到对应该目标银行交易的风险类型和风险等级；根据银行交易限额参数映射表中，确定与所述目标银行交易的风险类型和风险等级相对应的目标银行交易限额参数；根据目标银行交易限额参数，对目标银行交易进行限额操作。本发明可提升银行交易限额的准确率和效率，节约人力物力成本。

Description

银行交易数据的处理方法及装置
技术领域
本发明涉及人工智能技术领域，尤其涉及银行交易数据的处理方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
现有网银的限额系统主要依靠监管要求进行人工介入，在风险防控时效上有所欠缺，有可能造成客户财产损失及银行声誉受损。
同时，因现阶段需要人工介入来完成相应的监管要求，而网银交易量往往很大，导致需要银行投入大量的人力物力进行银行交易限额的执行，不可避免地会造成大量的人力物力成本，也容易造成银行交易限额的效率低下的问题。
此外，因人力不可避免地会出现错漏的问题，也容易造成银行交易限额出错，造成银行交易限额的准确率低下的问题。
发明内容
本发明实施例提供一种银行交易数据的处理方法，用以提升银行交易限额的准确率和效率，节约人力物力成本，该方法包括：
根据多个银行交易的历史操作记录，生成对应不同银行交易的风险类型和风险等级；
根据多个银行交易的历史操作记录、以及对应不同银行交易的风险类型和风险等级，生成用于神经网络训练的训练数据集；
以训练数据集，对LSTM神经网络模型进行训练，得到银行交易风险预测神经网络模型；所述银行交易风险预测神经网络模型，以银行交易的操作记录作为输入数据，以对应该银行交易的风险类型和风险等级为输出数据；
将目标银行交易的操作记录，输入至银行交易风险预测神经网络模型，得到对应该目标银行交易的风险类型和风险等级；
根据银行交易限额参数映射表中，确定与所述目标银行交易的风险类型和风险等级相对应的目标银行交易限额参数；所述银行交易限额参数映射表预设置与不同银行交易的风险类型和风险等级、相对应的银行交易限额参数；所述银行交易限额参数包括银行交易限额方式和限额额度；
根据目标银行交易限额参数，对目标银行交易进行限额操作。
本发明实施例还提供一种银行交易数据的处理装置，用以提升银行交易限额的准确率和效率，节约人力物力成本，该装置包括：
风险参数生成模块，用于根据多个银行交易的历史操作记录，生成对应不同银行交易的风险类型和风险等级；
训练数据集生成模块，用于根据多个银行交易的历史操作记录、以及对应不同银行交易的风险类型和风险等级，生成用于神经网络训练的训练数据集；
神经网络模型训练模块，用于以训练数据集，对LSTM神经网络模型进行训练，得到银行交易风险预测神经网络模型；所述银行交易风险预测神经网络模型，以银行交易的操作记录作为输入数据，以对应该银行交易的风险类型和风险等级为输出数据；
银行交易风险预测神经网络模型应用模块，用于将目标银行交易的操作记录，输入至银行交易风险预测神经网络模型，得到对应该目标银行交易的风险类型和风险等级；
银行交易限额参数确定模块，用于根据银行交易限额参数映射表中，确定与所述目标银行交易的风险类型和风险等级相对应的目标银行交易限额参数；所述银行交易限额参数映射表预设置与不同银行交易的风险类型和风险等级、相对应的银行交易限额参数；所述银行交易限额参数包括银行交易限额方式和限额额度；
限额操作模块，用于根据目标银行交易限额参数，对目标银行交易进行限额操作。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述银行交易数据的处理方法。
本发明实施例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，所述计算机程序被处理器执行时实现上述银行交易数据的处理方法。
本发明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，所述计算机程序被处理器执行时实现上述银行交易数据的处理方法。
本发明实施例中，根据多个银行交易的历史操作记录，生成对应不同银行交易的风险类型和风险等级；根据多个银行交易的历史操作记录、以及对应不同银行交易的风险类型和风险等级，生成用于神经网络训练的训练数据集；以训练数据集，对LSTM神经网络模型进行训练，得到银行交易风险预测神经网络模型；所述银行交易风险预测神经网络模型，以银行交易的操作记录作为输入数据，以对应该银行交易的风险类型和风险等级为输出数据；将目标银行交易的操作记录，输入至银行交易风险预测神经网络模型，得到对应该目标银行交易的风险类型和风险等级；根据银行交易限额参数映射表中，确定与所述目标银行交易的风险类型和风险等级相对应的目标银行交易限额参数；所述银行交易限额参数映射表预设置与不同银行交易的风险类型和风险等级、相对应的银行交易限额参数；所述银行交易限额参数包括银行交易限额方式和限额额度；根据目标银行交易限额参数，对目标银行交易进行限额操作，与现有技术中限额系统需进行人工介入的技术方案相比，通过银行交易风险预测神经网络模型，可根据银行交易的操作记录，确定银行交易的风险类型和风险等级，进而通过银行交易限额参数映射表可确定银行交易限额参数，可智能化实现对目标银行交易进行限额操作，不再需要人工介入进行交易限额操作，避免了因人力接入而导致的人力物力成本高、效率和准确率低下的问题，提升了银行交易限额的准确率和效率，也节约了人力物力成本。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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。在附图中：
图1为本发明实施例中一种银行交易数据的处理方法的流程示意图；
图2为本发明实施例中一种银行交易数据的处理方法的具体示例图；
图3为本发明实施例中一种银行交易数据的处理方法的具体示例图；
图4为本发明实施例中一种银行交易数据的处理装置的结构示意图；
图5为本发明实施例中一种银行交易数据的处理装置的具体示例图；
图6为本发明实施例中一种银行交易数据的处理装置的具体示例图；
图7为本发明实施例中一种银行交易数据的处理装置的具体示例图；
图8为本发明实施例中一种银行交易数据的处理装置的具体示例图；
图9为本发明实施例中一种银行交易数据的处理装置的具体示例图；
图10为本发明实施例中用于银行交易数据的处理的计算机设备示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
本文中术语“和/或”，仅仅是描述一种关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
在本说明书的描述中，所使用的“包含”、“包括”、“具有”、“含有”等，均为开放性的用语，即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本申请的实施，其中的步骤顺序不作限定，可根据需要作适当调整。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
本发明实施例涉及下列名词，如下进行解释：
交易限额：可以抽象的理解为定义在一组属性值上的一个数值限制，在银行交易过程中需要检查是否遵守了此限制的要求。
比如，在某银行系统的，客户张三对于其所使用的付款限额定义了如下限额：对于跨行转账功能，当在手机App上使用账户A进行付款时，单笔金额不能超过5万元，每日累计金额不能超过50万元。在系统运行过程中，当张三有交易发生时，系统需要检查这笔交易是否遵守上述限额限制。
现阶段，现有网银的限额系统主要依靠监管要求或人工介入，在风险防控时效上有所欠缺，有可能造成客户财产损失及银行声誉受损。同时，因现阶段需要人工介入来完成相应的监管要求，而网银交易量往往很大，导致需要银行投入大量的人力物力进行银行交易限额的执行，不可避免地会造成大量的人力物力成本，也容易造成银行交易限额的效率低下的问题。同时，因人力不可避免地会出现错漏的问题，也容易造成银行交易限额出错，造成银行交易限额的准确率低下的问题。
为了解决上述问题，本发明实施例提供了一种银行交易数据的处理方法，用以，参见图1，该方法可以包括：
步骤101：根据多个银行交易的历史操作记录，生成对应不同银行交易的风险类型和风险等级；
步骤102：根据多个银行交易的历史操作记录、以及对应不同银行交易的风险类型和风险等级，生成用于神经网络训练的训练数据集；
步骤103：以训练数据集，对LSTM神经网络模型进行训练，得到银行交易风险预测神经网络模型；上述银行交易风险预测神经网络模型，以银行交易的操作记录作为输入数据，以对应该银行交易的风险类型和风险等级为输出数据；
步骤104：将目标银行交易的操作记录，输入至银行交易风险预测神经网络模型，得到对应该目标银行交易的风险类型和风险等级；
步骤105：根据银行交易限额参数映射表中，确定与上述目标银行交易的风险类型和风险等级相对应的目标银行交易限额参数；上述银行交易限额参数映射表预设置与不同银行交易的风险类型和风险等级、相对应的银行交易限额参数；上述银行交易限额参数包括银行交易限额方式和限额额度；
步骤106：根据目标银行交易限额参数，对目标银行交易进行限额操作。
本发明实施例中，根据多个银行交易的历史操作记录，生成对应不同银行交易的风险类型和风险等级；根据多个银行交易的历史操作记录、以及对应不同银行交易的风险类型和风险等级，生成用于神经网络训练的训练数据集；以训练数据集，对LSTM神经网络模型进行训练，得到银行交易风险预测神经网络模型；上述银行交易风险预测神经网络模型，以银行交易的操作记录作为输入数据，以对应该银行交易的风险类型和风险等级为输出数据；将目标银行交易的操作记录，输入至银行交易风险预测神经网络模型，得到对应该目标银行交易的风险类型和风险等级；根据银行交易限额参数映射表中，确定与上述目标银行交易的风险类型和风险等级相对应的目标银行交易限额参数；上述银行交易限额参数映射表预设置与不同银行交易的风险类型和风险等级、相对应的银行交易限额参数；上述银行交易限额参数包括银行交易限额方式和限额额度；根据目标银行交易限额参数，对目标银行交易进行限额操作，与现有技术中限额系统需进行人工介入的技术方案相比，通过银行交易风险预测神经网络模型，可根据银行交易的操作记录，确定银行交易的风险类型和风险等级，进而通过银行交易限额参数映射表可确定银行交易限额参数，可智能化实现对目标银行交易进行限额操作，不再需要人工介入进行交易限额操作，避免了因人力接入而导致的人力物力成本高、效率和准确率低下的问题，提升了银行交易限额的准确率和效率，也节约了人力物力成本。
具体实施时，首先根据多个银行交易的历史操作记录，生成对应不同银行交易的风险类型和风险等级。
实施例中，如表1所示，表1为风险类型及等级与交易限额的映射关系示意表，风险类型可分为正常、低风险、中风险、高风险；风险等级分为一级、二级、三级，组合在一起方为最终的交易风险。如：中风险二级。
表1
Figure BDA0003664129100000061
具体实施时，在根据多个银行交易的历史操作记录，生成对应不同银行交易的风险类型和风险等级后，根据多个银行交易的历史操作记录、以及对应不同银行交易的风险类型和风险等级，生成用于神经网络训练的训练数据集。
在上述实施例中，通过根据多个银行交易的历史操作记录、以及对应不同银行交易的风险类型和风险等级，可生成用于神经网络训练的训练数据集，可在后续步骤中进行对神经网络模型的训练，实现了基于深度学习技术根据银行交易的操作记录，确定银行交易的风险类型和风险等级，进而通过银行交易限额参数映射表可确定银行交易限额参数，可智能化实现对目标银行交易进行限额操作的目的。
在一个实施例中，上述方法还包括：
对多个银行交易的历史操作记录进行数据清洗，得到多个银行交易的历史操作记录的序列文本；上述序列文本包括交易的时刻、地点、笔数、金额、收款人信息、日总金额、转账类型、日转账次数和安全认证方式的其中之一或任意组合；
根据多个银行交易的历史操作记录、以及对应不同银行交易的风险类型和风险等级，生成用于神经网络训练的训练数据集，包括：
根据多个银行交易的历史操作记录的序列文本、以及对应不同银行交易的风险类型和风险等级，生成用于神经网络训练的训练数据集。
在上述实施例中，搭建LSTM模型用上述数据集进行训练。LSTM是RNN的一种算法，在序列分类中表现良好，我们利用清洗过后的客户操作记录的序列文本(包含时间、地点、笔金额、收款人信息、日总金额、转账类型、日转账次数、安全认证方式等要素)，与最终的风险类型与评级的映射关系利用LSTM算法进行深度学习，学习完成后输入客户操作记录即可实时完成风险类型与评级结果的输出。
在一个实施例中，上述方法还包括：
对多个银行交易的历史操作记录进行缺失数据填充处理；
对缺失数据填充处理之后的多个银行交易的历史操作记录进行归一化处理。
在上述实施例中，通过对多个银行交易的历史操作记录进行缺失数据填充处理；对缺失数据填充处理之后的多个银行交易的历史操作记录进行归一化处理，可保证银行交易的历史操作记录的完整性，有助于实现对银行交易风险预测神经网络模型进行更完善的训练。
具体实施时，在根据多个银行交易的历史操作记录、以及对应不同银行交易的风险类型和风险等级，生成用于神经网络训练的训练数据集后，以训练数据集，对LSTM神经网络模型进行训练，得到银行交易风险预测神经网络模型；上述银行交易风险预测神经网络模型，以银行交易的操作记录作为输入数据，以对应该银行交易的风险类型和风险等级为输出数据。
实施例中，根据训练好的模型对各种转账操作行为都可进行实时识别，后台通过记录的转账操作序列数据进行实时计算，即可输出对应的风险类型与评级。
在一个实施例中，银行交易风险预测神经网络模型，是以银行交易的操作记录作为输入数据，并以对应该银行交易的风险类型和风险等级为输出数据，可在后续步骤中完成对根据银行交易的操作记录，确定银行交易的风险类型和风险等级的操作，有助于实现智能化实现对目标银行交易进行限额操作的目的。
具体实施时，在以训练数据集，对LSTM神经网络模型进行训练，得到银行交易风险预测神经网络模型；上述银行交易风险预测神经网络模型，以银行交易的操作记录作为输入数据，以对应该银行交易的风险类型和风险等级为输出数据后，将目标银行交易的操作记录，输入至银行交易风险预测神经网络模型，得到对应该目标银行交易的风险类型和风险等级。
实施例中，如图2所示，上述的方法还包括：
步骤201：根据多个银行交易的历史操作记录、以及对应不同银行交易的风险类型和风险等级，生成用于神经网络验证的验证数据集；
步骤202：以验证数据集，对银行交易风险预测神经网络模型进行验证，得到验证好的银行交易风险预测神经网络模型；
将目标银行交易的操作记录，输入至银行交易风险预测神经网络模型，得到对应该目标银行交易的风险类型和风险等级，包括：
将目标银行交易的操作记录，输入至验证好的银行交易风险预测神经网络模型，得到对应该目标银行交易的风险类型和风险等级。
在一个实施例中，可根据多个银行交易的历史操作记录、以及对应不同银行交易的风险类型和风险等级，生成用于神经网络验证的验证数据集，实现对银行交易风险预测神经网络模型验证的目的，有助于提升银行交易风险预测神经网络模型的准确性。
具体实施时，在将目标银行交易的操作记录，输入至银行交易风险预测神经网络模型，得到对应该目标银行交易的风险类型和风险等级后，根据银行交易限额参数映射表中，确定与上述目标银行交易的风险类型和风险等级相对应的目标银行交易限额参数；上述银行交易限额参数映射表预设置与不同银行交易的风险类型和风险等级、相对应的银行交易限额参数；上述银行交易限额参数包括银行交易限额方式和限额额度。
实施例中，根据识别出的风险类型与评级结果，根据后台系统中记录的相应风险类型与评级记录与限额方式与额度的映射表，进行实时智能限额操作。
举一实例，映射表可参见表1，表1即为风险类型及等级与交易限额的映射关系示意表，风险类型可分为正常、低风险、中风险、高风险；风险等级分为一级、二级、三级，组合在一起方为最终的交易风险。
举一实例，如交易行为中，持卡人当天频繁与多位陌生人(非常用收款人)或灰名单用户转账，随着交易次数增加，风险类型由低风险至高风险，风险评级由一至三级，年限额、日限额、笔限额不断降低，风险判定达到高风险三级时年限额、日限额、笔限额置为0，即强制锁卡禁止交易，需本人到人工柜面核实解锁方可进行交易。
具体实施时，在根据银行交易限额参数映射表中，确定与上述目标银行交易的风险类型和风险等级相对应的目标银行交易限额参数后，根据目标银行交易限额参数，对目标银行交易进行限额操作。
实施例中，根据目标银行交易限额参数，对目标银行交易进行限额操作，包括：
在目标银行交易的交易额度超过目标银行交易限额参数中的限额额度时，以目标银行交易限额参数中的目标银行交易限额方式，对目标银行交易进行限额操作。
实施例中，交易限额分为年限额、日限额、笔限额三种，分别对应用户的单年累计交易金额上限、单日累计交易金额上限、单笔交易金额上限。依据风险类型和评级，综合运用三种限额进行降额操作，直至降额为0，即强制锁卡禁止交易，需本人到人工柜面核实解锁方可进行交易。
在一个实施例中，上述的方法，如图3所示，还包括：
步骤301：将进行了限额操作的目标银行交易所对应的银行账户，确认为银行限额账户；
步骤302：对上述银行限额账户进行监控。
在上述实施例中，通过对上述银行限额账户进行监控，可实现对高风险银行账户的重点监控，可更精准的实现银行监察的目的。
在一个实施例中，根据目标银行交易限额参数，对目标银行交易进行限额操作，包括：
举一实例，如根据用网银客户历史操作记录训练出来的转账行为风险识别模型得到风险类型和等级，风险类型可分为正常、低风险、中风险、高风险，风险等级分为一级、二级、三级，组合在一起方为交易风险。如：中风险二级。依据风险类型和评级，综合运用年限额、日限额、笔限额三种限额方式进行降额，额度最低为0，即强制锁卡禁止交易。
在上述实施例中，可借助确定的银行交易的风险类型和风险等级，基于银行交易限额参数映射表确定出银行交易限额参数，可智能化实现对目标银行交易进行限额操作，不再需要人工介入进行交易限额操作，避免了因人力接入而导致的人力物力成本高、效率和准确率低下的问题，提升了银行交易限额的准确率和效率，也节约了人力物力成本。
具体实施时，本发明实施例提供的一种银行交易数据的处理方法，还可以包括：
对不同目标银行交易的操作记录、风险类型、风险等级和目标银行交易限额参数、以及对不同的目标银行交易进行的限额操作，进行记录，生成记录文件。
实施例中，通过生成记录文件，可辅助管理人员对上述过程进行随时地调取阅读，有助于管理人员发现上述过程中的漏洞和弊端；同时，工作人员也可通过对记录文件进行调取阅读，实现对上述过程中的数据进行追溯，有助于验证数据的真实性的准确性，提升了上述过程的准确度。
下面给出一个具体实施例，来说明本发明的方法的具体应用，该实施例中，可以包括如下步骤：
1、收集、清洗网银历史客户操作记录，并标记风险
2、搭建LSTM模型用数据进行训练
3、根据模型对不同的转账行为进行识别。
4、根据识别结果进行实时智能限额。
如下对上述方法实例进行具体说明：
1、收集、清洗网银历史客户操作记录，并标记风险类型与评级。
2、搭建LSTM模型用数据进行训练。LSTM是RNN的一种算法，在序列分类中表现良好，我们利用清洗过后的客户操作记录的序列文本(包含时间、地点、笔金额、收款人信息、日总金额、转账类型、日转账次数、安全认证方式等要素)，与最终的风险类型与评级的映射关系利用LSTM算法进行深度学习，学习完成后输入客户操作记录即可实时完成风险类型与评级结果的输出。
3、根据训练好的模型对各种转账操作行为都可进行实时识别，后台通过记录的转账操作序列数据进行实时计算，即可输出对应的风险类型与评级。
4、根据识别出的风险类型与评级结果，根据后台系统中记录的相应风险类型与评级记录与限额方式与额度的映射表，进行实时智能限额操作。
实施例中，现有限额系统主要依靠监管要求或人工介入，在风险防控时效上有所欠缺，有可能造成客户财产损失及银行声誉受损；为了提高风控效率，由人工规则经验转向人工智能模型，本发明利用网银客户历史操作记录与风险类型及评级的关系，基于LSTM算法深度学习训练客户操作记录的序列文本(包含时间、地点、笔金额、收款人信息、日总金额、转账类型、日转账次数、安全认证方式等要素)与最终的风险类型与评级的映射模型，训练好的模型对各种转账操作行为序列数据都可进行实时计算，输出对应的风险类型与评级，并根据风险类型与评级记录与限额方式与额度的映射表，进行实时智能限额操作。训练智能模型，智能区分高风险操作，及时进行自动转账限额，提供了利用人工智能实时进行智能限额的风控方式，避免客户财产损失；本发明可根据网银客户历史操作记录进行模型训练，识别高风险操作(如非本人操作，转给诈骗用户等)在转账交易中智能设置限额，避免客户大额财产损失。对比现有技术上限额主要采取风控规则或人工介入方法，成本高，响应较慢，通过采用人工智能训练高风险转账行为，自动进行相应限额，成本低，响应快。
当然，可以理解的是，上述详细流程还可以有其他变化例，相关变化例均应落入本发明的保护范围。
本发明实施例中，根据多个银行交易的历史操作记录，生成对应不同银行交易的风险类型和风险等级；根据多个银行交易的历史操作记录、以及对应不同银行交易的风险类型和风险等级，生成用于神经网络训练的训练数据集；以训练数据集，对LSTM神经网络模型进行训练，得到银行交易风险预测神经网络模型；上述银行交易风险预测神经网络模型，以银行交易的操作记录作为输入数据，以对应该银行交易的风险类型和风险等级为输出数据；将目标银行交易的操作记录，输入至银行交易风险预测神经网络模型，得到对应该目标银行交易的风险类型和风险等级；根据银行交易限额参数映射表中，确定与上述目标银行交易的风险类型和风险等级相对应的目标银行交易限额参数；上述银行交易限额参数映射表预设置与不同银行交易的风险类型和风险等级、相对应的银行交易限额参数；上述银行交易限额参数包括银行交易限额方式和限额额度；根据目标银行交易限额参数，对目标银行交易进行限额操作，与现有技术中限额系统需进行人工介入的技术方案相比，通过银行交易风险预测神经网络模型，可根据银行交易的操作记录，确定银行交易的风险类型和风险等级，进而通过银行交易限额参数映射表可确定银行交易限额参数，可智能化实现对目标银行交易进行限额操作，不再需要人工介入进行交易限额操作，避免了因人力接入而导致的人力物力成本高、效率和准确率低下的问题，提升了银行交易限额的准确率和效率，也节约了人力物力成本。
本发明实施例中还提供了一种银行交易数据的处理装置，如下面的实施例上述。由于该装置解决问题的原理与银行交易数据的处理方法相似，因此该装置的实施可以参见银行交易数据的处理方法的实施，重复之处不再赘述。
本发明实施例提供的一种银行交易数据的处理装置，用以提升银行交易限额的准确率和效率，节约人力物力成本，如图4所示，该装置包括：
风险参数生成模块401，用于根据多个银行交易的历史操作记录，生成对应不同银行交易的风险类型和风险等级；
训练数据集生成模块402，用于根据多个银行交易的历史操作记录、以及对应不同银行交易的风险类型和风险等级，生成用于神经网络训练的训练数据集；
神经网络模型训练模块403，用于以训练数据集，对LSTM神经网络模型进行训练，得到银行交易风险预测神经网络模型；上述银行交易风险预测神经网络模型，以银行交易的操作记录作为输入数据，以对应该银行交易的风险类型和风险等级为输出数据；
银行交易风险预测神经网络模型应用模块404，用于将目标银行交易的操作记录，输入至银行交易风险预测神经网络模型，得到对应该目标银行交易的风险类型和风险等级；
银行交易限额参数确定模块405，用于根据银行交易限额参数映射表中，确定与上述目标银行交易的风险类型和风险等级相对应的目标银行交易限额参数；上述银行交易限额参数映射表预设置与不同银行交易的风险类型和风险等级、相对应的银行交易限额参数；上述银行交易限额参数包括银行交易限额方式和限额额度；
限额操作模块406，用于根据目标银行交易限额参数，对目标银行交易进行限额操作。
在一个实施例中，如图5所示，还包括：
数据处理模块501，用于：
对多个银行交易的历史操作记录进行数据清洗，得到多个银行交易的历史操作记录的序列文本；上述序列文本包括交易的时刻、地点、笔数、金额、收款人信息、日总金额、转账类型、日转账次数和安全认证方式的其中之一或任意组合；
训练数据集生成模块，具体用于：
根据多个银行交易的历史操作记录的序列文本、以及对应不同银行交易的风险类型和风险等级，生成用于神经网络训练的训练数据集。
在一个实施例中，如图6所示，还包括：
神经网络模型验证模块601，用于
根据多个银行交易的历史操作记录、以及对应不同银行交易的风险类型和风险等级，生成用于神经网络验证的验证数据集；
以验证数据集，对银行交易风险预测神经网络模型进行验证，得到验证好的银行交易风险预测神经网络模型；
银行交易风险预测神经网络模型应用模块，具体用于：
将目标银行交易的操作记录，输入至验证好的银行交易风险预测神经网络模型，得到对应该目标银行交易的风险类型和风险等级。
在一个实施例中，如图7所示，还包括：
数据预处理模块701，用于：
对多个银行交易的历史操作记录进行缺失数据填充处理；
对缺失数据填充处理之后的多个银行交易的历史操作记录进行归一化处理。
在一个实施例中，限额操作模块，具体用于：
在目标银行交易的交易额度超过目标银行交易限额参数中的限额额度时，以目标银行交易限额参数中的目标银行交易限额方式，对目标银行交易进行限额操作。
在一个实施例中，如图8所示，还包括：
银行限额账户确定模块801，用于：
将进行了限额操作的目标银行交易所对应的银行账户，确认为银行限额账户；
对上述银行限额账户进行监控。
在一个实施例中，如图9所示，还包括：
记录模块901，用于：
对不同目标银行交易的操作记录、风险类型、风险等级和目标银行交易限额参数、以及对不同的目标银行交易进行的限额操作，进行记录，生成记录文件。
本发明实施例中，根据多个银行交易的历史操作记录，生成对应不同银行交易的风险类型和风险等级；根据多个银行交易的历史操作记录、以及对应不同银行交易的风险类型和风险等级，生成用于神经网络训练的训练数据集；以训练数据集，对LSTM神经网络模型进行训练，得到银行交易风险预测神经网络模型；所述银行交易风险预测神经网络模型，以银行交易的操作记录作为输入数据，以对应该银行交易的风险类型和风险等级为输出数据；将目标银行交易的操作记录，输入至银行交易风险预测神经网络模型，得到对应该目标银行交易的风险类型和风险等级；根据银行交易限额参数映射表中，确定与所述目标银行交易的风险类型和风险等级相对应的目标银行交易限额参数；所述银行交易限额参数映射表预设置与不同银行交易的风险类型和风险等级、相对应的银行交易限额参数；所述银行交易限额参数包括银行交易限额方式和限额额度；根据目标银行交易限额参数，对目标银行交易进行限额操作，与现有技术中限额系统需进行人工介入的技术方案相比，通过银行交易风险预测神经网络模型，可根据银行交易的操作记录，确定银行交易的风险类型和风险等级，进而通过银行交易限额参数映射表可确定银行交易限额参数，可智能化实现对目标银行交易进行限额操作，不再需要人工介入进行交易限额操作，避免了因人力接入而导致的人力物力成本高、效率和准确率低下的问题，提升了银行交易限额的准确率和效率，也节约了人力物力成本。
本发明实施例提供一种用于实现上述银行交易数据的处理方法中的全部或部分内容的计算机设备的实施例所述计算机设备具体包含有如下内容：
处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述通信接口用于实现相关设备之间的信息传输；该计算机设备可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该计算机设备可以参照实施例用于实现银行交易数据的处理方法的实施例及用于实现银行交易数据的处理装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。
图10为本申请实施例的计算机设备1000的系统构成的示意框图。如图10所示，该计算机设备1000可以包括中央处理器1001和存储器1002；存储器1002耦合到中央处理器1001。值得注意的是，该图10是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
一实施例中，银行交易数据的处理功能可以被集成到中央处理器1001中。其中，中央处理器1001可以被配置为进行如下控制：
根据多个银行交易的历史操作记录，生成对应不同银行交易的风险类型和风险等级；
根据多个银行交易的历史操作记录、以及对应不同银行交易的风险类型和风险等级，生成用于神经网络训练的训练数据集；
以训练数据集，对LSTM神经网络模型进行训练，得到银行交易风险预测神经网络模型；所述银行交易风险预测神经网络模型，以银行交易的操作记录作为输入数据，以对应该银行交易的风险类型和风险等级为输出数据；
将目标银行交易的操作记录，输入至银行交易风险预测神经网络模型，得到对应该目标银行交易的风险类型和风险等级；
根据银行交易限额参数映射表中，确定与所述目标银行交易的风险类型和风险等级相对应的目标银行交易限额参数；所述银行交易限额参数映射表预设置与不同银行交易的风险类型和风险等级、相对应的银行交易限额参数；所述银行交易限额参数包括银行交易限额方式和限额额度；
根据目标银行交易限额参数，对目标银行交易进行限额操作。
在另一个实施方式中，银行交易数据的处理装置可以与中央处理器1001分开配置，例如可以将银行交易数据的处理装置配置为与中央处理器1001连接的芯片，通过中央处理器的控制来实现银行交易数据的处理功能。
如图10所示，该计算机设备1000还可以包括：通信模块1003、输入单元1004、音频处理器1005、显示器1006、电源1007。值得注意的是，计算机设备1000也并不是必须要包括图10中所示的所有部件；此外，计算机设备1000还可以包括图10中没有示出的部件，可以参考现有技术。
如图10所示，中央处理器1001有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器1001接收输入并控制计算机设备1000的各个部件的操作。
其中，存储器1002，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器1001可执行该存储器1002存储的该程序，以实现信息存储或处理等。
输入单元1004向中央处理器1001提供输入。该输入单元1004例如为按键或触摸输入装置。电源1007用于向计算机设备1000提供电力。显示器1006用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。
该存储器1002可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器1002还可以是某种其它类型的装置。存储器1002包括缓冲存储器1021(有时被称为缓冲器)。存储器1002可以包括应用/功能存储部1022，该应用/功能存储部1022用于存储应用程序和功能程序或用于通过中央处理器1001执行计算机设备1000的操作的流程。
存储器1002还可以包括数据存储部1023，该数据存储部1023用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由计算机设备使用的数据。存储器1002的驱动程序存储部1024可以包括计算机设备的用于通信功能和/或用于执行计算机设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块1003即为经由天线1008发送和接收信号的发送机/接收机1003。通信模块(发送机/接收机)1003耦合到中央处理器1001，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
基于不同的通信技术，在同一计算机设备中，可以设置有多个通信模块1003，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)1003还经由音频处理器1005耦合到扬声器1009和麦克风1010，以经由扬声器1009提供音频输出，并接收来自麦克风1010的音频输入，从而实现通常的电信功能。音频处理器1005可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器1005还耦合到中央处理器1001，从而使得可以通过麦克风1010能够在本机上录音，且使得可以通过扬声器1009来播放本机上存储的声音。
本发明实施例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，所述计算机程序被处理器执行时实现上述银行交易数据的处理方法。
本发明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，所述计算机程序被处理器执行时实现上述银行交易数据的处理方法。
本发明实施例中，根据多个银行交易的历史操作记录，生成对应不同银行交易的风险类型和风险等级；根据多个银行交易的历史操作记录、以及对应不同银行交易的风险类型和风险等级，生成用于神经网络训练的训练数据集；以训练数据集，对LSTM神经网络模型进行训练，得到银行交易风险预测神经网络模型；所述银行交易风险预测神经网络模型，以银行交易的操作记录作为输入数据，以对应该银行交易的风险类型和风险等级为输出数据；将目标银行交易的操作记录，输入至银行交易风险预测神经网络模型，得到对应该目标银行交易的风险类型和风险等级；根据银行交易限额参数映射表中，确定与所述目标银行交易的风险类型和风险等级相对应的目标银行交易限额参数；所述银行交易限额参数映射表预设置与不同银行交易的风险类型和风险等级、相对应的银行交易限额参数；所述银行交易限额参数包括银行交易限额方式和限额额度；根据目标银行交易限额参数，对目标银行交易进行限额操作，与现有技术中限额系统需进行人工介入的技术方案相比，通过银行交易风险预测神经网络模型，可根据银行交易的操作记录，确定银行交易的风险类型和风险等级，进而通过银行交易限额参数映射表可确定银行交易限额参数，可智能化实现对目标银行交易进行限额操作，不再需要人工介入进行交易限额操作，避免了因人力接入而导致的人力物力成本高、效率和准确率低下的问题，提升了银行交易限额的准确率和效率，也节约了人力物力成本。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、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。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (17)

1.一种银行交易数据的处理方法，其特征在于，包括：
根据多个银行交易的历史操作记录，生成对应不同银行交易的风险类型和风险等级；
根据多个银行交易的历史操作记录、以及对应不同银行交易的风险类型和风险等级，生成用于神经网络训练的训练数据集；
以训练数据集，对LSTM神经网络模型进行训练，得到银行交易风险预测神经网络模型；所述银行交易风险预测神经网络模型，以银行交易的操作记录作为输入数据，以对应该银行交易的风险类型和风险等级为输出数据；
将目标银行交易的操作记录，输入至银行交易风险预测神经网络模型，得到对应该目标银行交易的风险类型和风险等级；
根据银行交易限额参数映射表中，确定与所述目标银行交易的风险类型和风险等级相对应的目标银行交易限额参数；所述银行交易限额参数映射表预设置与不同银行交易的风险类型和风险等级、相对应的银行交易限额参数；所述银行交易限额参数包括银行交易限额方式和限额额度；
根据目标银行交易限额参数，对目标银行交易进行限额操作。
2.如权利要求1所述的方法，其特征在于，还包括：
对多个银行交易的历史操作记录进行数据清洗，得到多个银行交易的历史操作记录的序列文本；所述序列文本包括交易的时刻、地点、笔数、金额、收款人信息、日总金额、转账类型、日转账次数和安全认证方式的其中之一或任意组合；
根据多个银行交易的历史操作记录、以及对应不同银行交易的风险类型和风险等级，生成用于神经网络训练的训练数据集，包括：
根据多个银行交易的历史操作记录的序列文本、以及对应不同银行交易的风险类型和风险等级，生成用于神经网络训练的训练数据集。
3.如权利要求1所述的方法，其特征在于，还包括：
根据多个银行交易的历史操作记录、以及对应不同银行交易的风险类型和风险等级，生成用于神经网络验证的验证数据集；
以验证数据集，对银行交易风险预测神经网络模型进行验证，得到验证好的银行交易风险预测神经网络模型；
将目标银行交易的操作记录，输入至银行交易风险预测神经网络模型，得到对应该目标银行交易的风险类型和风险等级，包括：
将目标银行交易的操作记录，输入至验证好的银行交易风险预测神经网络模型，得到对应该目标银行交易的风险类型和风险等级。
4.如权利要求1所述的方法，其特征在于，还包括：
对多个银行交易的历史操作记录进行缺失数据填充处理；
对缺失数据填充处理之后的多个银行交易的历史操作记录进行归一化处理。
5.如权利要求1所述的方法，其特征在于，根据目标银行交易限额参数，对目标银行交易进行限额操作，包括：
在目标银行交易的交易额度超过目标银行交易限额参数中的限额额度时，以目标银行交易限额参数中的目标银行交易限额方式，对目标银行交易进行限额操作。
6.如权利要求1所述的方法，其特征在于，还包括：
将进行了限额操作的目标银行交易所对应的银行账户，确认为银行限额账户；
对所述银行限额账户进行监控。
7.如权利要求1所述的方法，其特征在于，还包括：
对不同目标银行交易的操作记录、风险类型、风险等级和目标银行交易限额参数、以及对不同的目标银行交易进行的限额操作，进行记录，生成记录文件。
8.一种银行交易数据的处理装置，其特征在于，包括：
风险参数生成模块，用于根据多个银行交易的历史操作记录，生成对应不同银行交易的风险类型和风险等级；
训练数据集生成模块，用于根据多个银行交易的历史操作记录、以及对应不同银行交易的风险类型和风险等级，生成用于神经网络训练的训练数据集；
神经网络模型训练模块，用于以训练数据集，对LSTM神经网络模型进行训练，得到银行交易风险预测神经网络模型；所述银行交易风险预测神经网络模型，以银行交易的操作记录作为输入数据，以对应该银行交易的风险类型和风险等级为输出数据；
银行交易风险预测神经网络模型应用模块，用于将目标银行交易的操作记录，输入至银行交易风险预测神经网络模型，得到对应该目标银行交易的风险类型和风险等级；
银行交易限额参数确定模块，用于根据银行交易限额参数映射表中，确定与所述目标银行交易的风险类型和风险等级相对应的目标银行交易限额参数；所述银行交易限额参数映射表预设置与不同银行交易的风险类型和风险等级、相对应的银行交易限额参数；所述银行交易限额参数包括银行交易限额方式和限额额度；
限额操作模块，用于根据目标银行交易限额参数，对目标银行交易进行限额操作。
9.如权利要求8所述的装置，其特征在于，还包括：
数据处理模块，用于：
对多个银行交易的历史操作记录进行数据清洗，得到多个银行交易的历史操作记录的序列文本；所述序列文本包括交易的时刻、地点、笔数、金额、收款人信息、日总金额、转账类型、日转账次数和安全认证方式的其中之一或任意组合；
训练数据集生成模块，具体用于：
根据多个银行交易的历史操作记录的序列文本、以及对应不同银行交易的风险类型和风险等级，生成用于神经网络训练的训练数据集。
10.如权利要求8所述的装置，其特征在于，还包括：
神经网络模型验证模块，用于
根据多个银行交易的历史操作记录、以及对应不同银行交易的风险类型和风险等级，生成用于神经网络验证的验证数据集；
以验证数据集，对银行交易风险预测神经网络模型进行验证，得到验证好的银行交易风险预测神经网络模型；
银行交易风险预测神经网络模型应用模块，具体用于：
将目标银行交易的操作记录，输入至验证好的银行交易风险预测神经网络模型，得到对应该目标银行交易的风险类型和风险等级。
11.如权利要求8所述的装置，其特征在于，还包括：
数据预处理模块，用于：
对多个银行交易的历史操作记录进行缺失数据填充处理；
对缺失数据填充处理之后的多个银行交易的历史操作记录进行归一化处理。
12.如权利要求8所述的装置，其特征在于，限额操作模块，具体用于：
在目标银行交易的交易额度超过目标银行交易限额参数中的限额额度时，以目标银行交易限额参数中的目标银行交易限额方式，对目标银行交易进行限额操作。
13.如权利要求8所述的装置，其特征在于，还包括：
银行限额账户确定模块，用于：
将进行了限额操作的目标银行交易所对应的银行账户，确认为银行限额账户；
对所述银行限额账户进行监控。
14.如权利要求9所述的装置，其特征在于，还包括：
记录模块，用于：
对不同目标银行交易的操作记录、风险类型、风险等级和目标银行交易限额参数、以及对不同的目标银行交易进行的限额操作，进行记录，生成记录文件。
15.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一所述方法。
16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至7任一所述方法。
17.一种计算机程序产品，其特征在于，所述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权利要求1至7任一所述方法。
CN202210581661.2A 2022-05-26 2022-05-26 银行交易数据的处理方法及装置 Pending CN114971017A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210581661.2A CN114971017A (zh) 2022-05-26 2022-05-26 银行交易数据的处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210581661.2A CN114971017A (zh) 2022-05-26 2022-05-26 银行交易数据的处理方法及装置

Publications (1)

Publication Number Publication Date
CN114971017A true CN114971017A (zh) 2022-08-30

Family

ID=82955179

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210581661.2A Pending CN114971017A (zh) 2022-05-26 2022-05-26 银行交易数据的处理方法及装置

Country Status (1)

Country Link
CN (1) CN114971017A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117635144A (zh) * 2024-01-25 2024-03-01 湖南三湘银行股份有限公司 一种基于通道配置的智能路由支付方法
CN118552316A (zh) * 2024-07-30 2024-08-27 上海银行股份有限公司 一种基于数据分析的资产交易风险监控系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985583A (zh) * 2018-06-27 2018-12-11 中国银行股份有限公司 基于人工智能的金融数据风险控制方法及装置
CN109543181A (zh) * 2018-11-09 2019-03-29 中译语通科技股份有限公司 一种基于主动学习和深度学习相结合的命名实体模型和系统
CN110020938A (zh) * 2019-01-23 2019-07-16 阿里巴巴集团控股有限公司 交易信息处理方法、装置、设备及存储介质
CN111709242A (zh) * 2020-06-01 2020-09-25 广州多益网络股份有限公司 一种基于命名实体识别的中文标点符号添加方法
CN112613978A (zh) * 2020-12-18 2021-04-06 中国工商银行股份有限公司 银行资本充足率的预测方法、装置、电子设备及介质
CN113436016A (zh) * 2021-06-29 2021-09-24 中国工商银行股份有限公司 基于区块链的作业处理方法、装置及系统
CN113435770A (zh) * 2021-07-07 2021-09-24 中国银行股份有限公司 基于区块链的交易风险评估方法及装置
CN113919905A (zh) * 2021-09-28 2022-01-11 中国铁道科学研究院集团有限公司电子计算技术研究所 一种风险用户识别方法及系统、设备和存储介质
CN114004708A (zh) * 2021-11-03 2022-02-01 北京农信互联科技集团有限公司 一种业务系统的风险控制方法和装置
CN114202336A (zh) * 2021-12-07 2022-03-18 百维金科(上海)信息科技有限公司 一种金融场景下的风险行为监测方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985583A (zh) * 2018-06-27 2018-12-11 中国银行股份有限公司 基于人工智能的金融数据风险控制方法及装置
CN109543181A (zh) * 2018-11-09 2019-03-29 中译语通科技股份有限公司 一种基于主动学习和深度学习相结合的命名实体模型和系统
CN110020938A (zh) * 2019-01-23 2019-07-16 阿里巴巴集团控股有限公司 交易信息处理方法、装置、设备及存储介质
CN111709242A (zh) * 2020-06-01 2020-09-25 广州多益网络股份有限公司 一种基于命名实体识别的中文标点符号添加方法
CN112613978A (zh) * 2020-12-18 2021-04-06 中国工商银行股份有限公司 银行资本充足率的预测方法、装置、电子设备及介质
CN113436016A (zh) * 2021-06-29 2021-09-24 中国工商银行股份有限公司 基于区块链的作业处理方法、装置及系统
CN113435770A (zh) * 2021-07-07 2021-09-24 中国银行股份有限公司 基于区块链的交易风险评估方法及装置
CN113919905A (zh) * 2021-09-28 2022-01-11 中国铁道科学研究院集团有限公司电子计算技术研究所 一种风险用户识别方法及系统、设备和存储介质
CN114004708A (zh) * 2021-11-03 2022-02-01 北京农信互联科技集团有限公司 一种业务系统的风险控制方法和装置
CN114202336A (zh) * 2021-12-07 2022-03-18 百维金科(上海)信息科技有限公司 一种金融场景下的风险行为监测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
程功;张维;熊熊;: "基于信用评级的银行风险限额测算方法", 管理科学, no. 02, 20 April 2006 (2006-04-20) *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117635144A (zh) * 2024-01-25 2024-03-01 湖南三湘银行股份有限公司 一种基于通道配置的智能路由支付方法
CN117635144B (zh) * 2024-01-25 2024-05-28 湖南三湘银行股份有限公司 一种基于通道配置的智能路由支付方法
CN118552316A (zh) * 2024-07-30 2024-08-27 上海银行股份有限公司 一种基于数据分析的资产交易风险监控系统
CN118552316B (zh) * 2024-07-30 2024-10-15 上海银行股份有限公司 一种基于数据分析的资产交易风险监控系统

Similar Documents

Publication Publication Date Title
CN111275546B (zh) 金融客户欺诈风险识别方法及装置
CN110297912A (zh) 欺诈识别方法、装置、设备及计算机可读存储介质
CN110458697A (zh) 用于评估风险的方法和装置
CN110442712B (zh) 风险的确定方法、装置、服务器和文本审理系统
CN114971017A (zh) 银行交易数据的处理方法及装置
CN110009475A (zh) 风险稽核监察方法、装置、计算机设备及存储介质
CN110399533A (zh) 资金流向查询方法及装置
CN111008896A (zh) 金融风险预警方法、装置、电子设备及存储介质
CN112785086A (zh) 信贷逾期风险预测方法及装置
CN107748952A (zh) 基于消费风险控制的信誉审核方法、装置及存储介质
CN110097451B (zh) 一种银行业务的监控方法及装置
CN106203808A (zh) 企业信用风险评估方法和装置
CN110009480A (zh) 司法催收路径的推荐方法、装置、介质、电子设备
CN112232947A (zh) 贷中风险预测方法及装置
CN111815169A (zh) 业务审批参数配置方法及装置
CN111932366A (zh) 单证业务处理装置及方法
CN115439030A (zh) 一种基于大数据分析的资金往来信息管理系统
CN113887214B (zh) 基于人工智能的意愿推测方法、及其相关设备
CN109508845A (zh) 费用数据的处理方法、装置和计算机可读存储介质
CN109636572A (zh) 银行卡的风险检测方法、装置、设备及可读存储介质
CN115619534A (zh) 企业贷款请求处理方法及装置
CN107172311A (zh) 业务评估方法及终端设备
CN113327161A (zh) 一种用于信贷业务的智能风控决策系统
CN110197074B (zh) 一种用户权限控制方法及装置
CN111429257A (zh) 一种交易监控方法和装置

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