CN115187377A - 信用卡风险信息检测方法及装置 - Google Patents

信用卡风险信息检测方法及装置 Download PDF

Info

Publication number
CN115187377A
CN115187377A CN202210814706.6A CN202210814706A CN115187377A CN 115187377 A CN115187377 A CN 115187377A CN 202210814706 A CN202210814706 A CN 202210814706A CN 115187377 A CN115187377 A CN 115187377A
Authority
CN
China
Prior art keywords
credit card
risk information
card transaction
information detection
data set
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
CN202210814706.6A
Other languages
English (en)
Inventor
刘涛
刘琦
毛莹
董宏越
刘欣悦
马强
田林
朱阿龙
郜璐瑶
孙昊
谢灿
郭伟
毛嘉晖
郑泽晨
李科强
张靖羚
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 CN202210814706.6A priority Critical patent/CN115187377A/zh
Publication of CN115187377A publication Critical patent/CN115187377A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Technology Law (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明公开了一种信用卡风险信息检测方法及装置，其中该方法包括：获取信用卡交易信息；将信用卡交易信息输入至训练好的信用卡风险信息检测模型，得到信用卡交易信息对应的信用卡风险信息检测结果。本发明可以通过训练好的信用卡风险信息检测模型对信用卡交易信息进行了风险信息检测，同时训练好的信用卡风险信息检测模型为利用历史信用卡交易数据集对应的第一训练集对机器学习模型进行训练后得到，历史信用卡交易数据集对应的第一训练集为历史信用卡交易数据集经数据缩放、风险值剔除、属性筛选以及过采样处理后得到，提高了训练好的信用卡风险信息检测模型的性能，提高了信用卡风险信息检测准确率。

Description

信用卡风险信息检测方法及装置
技术领域
本发明涉及人工智能技术领域，尤其涉及信用卡风险信息检测方法及装置。
背景技术
目前越来越多的人在日常生活中选择信用卡进行支付，源源不断的交易数据产生了海量的信用卡交易记录，这些交易记录通常在各大银行中通过大数据技术手段进行获取、存储、管理和分析。
随着经济的发展和消费习惯的改变，各大银行信用卡发卡量和交易量剧增，每日产生大量的信用卡交易信息。与此同时，信用卡风险随之而来，在海量的信用卡交易信息中快速、准确的识别出风险交易愈发困难。
综上，目前亟需一种信用卡风险信息检测方法，用于解决上述现有技术存在的问题。
发明内容
本发明实施例提供一种信用卡风险信息检测方法，用以通过训练好的信用卡风险信息检测模型对信用卡交易信息进行了风险信息检测并提高信用卡风险信息检测准确率，该方法包括：
获取信用卡交易信息；
将所述信用卡交易信息输入至训练好的信用卡风险信息检测模型，得到所述信用卡交易信息对应的信用卡风险信息检测结果；
其中，所述训练好的信用卡风险信息检测模型为利用历史信用卡交易数据集对应的第一训练集对机器学习模型进行训练后得到，所述历史信用卡交易数据集对应的第一训练集为历史信用卡交易数据集经数据缩放、风险值剔除、属性筛选以及过采样处理后得到。
本发明实施例还提供一种信用卡风险信息检测装置，用以通过训练好的信用卡风险信息检测模型对信用卡交易信息进行了风险信息检测并提高信用卡风险信息检测准确率，该装置包括：
获取模块，获取信用卡交易信息；
处理模块，将所述信用卡交易信息输入至训练好的信用卡风险信息检测模型，得到所述信用卡交易信息对应的信用卡风险信息检测结果；其中，所述训练好的信用卡风险信息检测模型为利用历史信用卡交易数据集对应的第一训练集对机器学习模型进行训练后得到，所述历史信用卡交易数据集对应的第一训练集为历史信用卡交易数据集经数据缩放、风险值剔除、属性筛选以及过采样处理后得到。
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信用卡风险信息检测方法。
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信用卡风险信息检测方法。
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信用卡风险信息检测方法。
本发明实施例中，获取信用卡交易信息，将信用卡交易信息输入至训练好的信用卡风险信息检测模型，得到信用卡交易信息对应的信用卡风险信息检测结果，与现有技术中信用卡风险信息检测的技术方案相比，通过训练好的信用卡风险信息检测模型对信用卡交易信息进行了风险信息检测，同时历史信用卡交易数据集对应的第一训练集为历史信用卡交易数据集经数据缩放、风险值剔除、属性筛选以及过采样处理后得到，提高了训练好的信用卡风险信息检测模型的性能，提高了信用卡风险信息检测准确率。
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为本发明实施例中信用卡风险信息检测处理方法的系统框架；
图2为本发明提供的信用卡风险信息检测处理方法的流程示意图；
图3为本发明提供的信用卡风险信息检测处理方法的流程示意图；
图4为本发明提供的信用卡风险信息检测方法的流程示意图；
图5为本发明提供的信用卡风险信息检测装置的结构示意图。
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。
本发明实施例提供的信用卡风险信息检测方法，可以适用于如图1所示的系统架构中，该系统架构包括数据采集器100、服务器200。
具体的，数据采集器100用于获取信用卡交易信息。
服务器200用于在信用卡交易信息输入后，通过训练好的信用卡风险信息检测模型得到信用卡交易信息对应的信用卡风险信息检测结果。
需要说明的是，训练好的信用卡风险信息检测模型为利用历史信用卡交易数据集对应的第一训练集对机器学习模型进行训练后得到，历史信用卡交易数据集对应的第一训练集为历史信用卡交易数据集经数据缩放、风险值剔除、属性筛选以及过采样处理后得到。
需要说明的是，图1仅是本发明实施例系统架构的一种示例，本发明对此不做具体限定。
基于上述所示意的系统架构，图2为本发明实施例提供的一种信用卡风险信息检测方法所对应的流程示意图，如图2所示，该方法包括：
步骤201，获取信用卡交易信息。
步骤202，将信用卡交易信息输入至训练好的信用卡风险信息检测模型，得到第一信用卡交易信息对应的信用卡风险信息检测结果。
其中，训练好的信用卡风险信息检测模型为利用历史信用卡交易数据集对应的第一训练集对机器学习模型进行训练后得到，历史信用卡交易数据集对应的第一训练集为历史信用卡交易数据集经数据缩放、风险值剔除、属性筛选以及过采样处理后得到。
上述方案，通过训练好的信用卡风险信息检测模型对信用卡交易信息进行了风险信息检测，同时历史信用卡交易数据集对应的第一训练集为历史信用卡交易数据集经数据缩放、风险值剔除、属性筛选以及过采样处理后得到，提高了训练好的信用卡风险信息检测模型的性能，提高了信用卡风险信息检测准确率。
本发明实施例在将信用卡交易信息输入至训练好的信用卡风险信息检测模型，得到信用卡交易信息对应的信用卡风险信息检测结果之前，步骤流程如图3所示，具体如下：
步骤301，获取历史信用卡交易数据集。在一种可能的实施方式中，本发明实施例从数据建模和数据分析竞赛平台Kaggle上获取历史信用卡交易数据集。
举例来说，历史信用卡交易数据集包含持卡人在两天内的信用卡交易记录，一共284807笔交易，其中有492笔风险交易。
在一种可能的实施方式中，对历史信用卡交易数据集进行脱敏处理。
举例来说，除了“时间”和“交易金额”两个属性外，对其他属性进行主成分分析，得到28个主成分特征。
需要说明的是，历史信用卡交易数据集中各个交易数据包含风险信息标签，举例来说，“0”代表正常交易，“1”代表风险交易。
步骤302，采用交叉验证确定历史信用卡交易数据集对应的第一训练集以及第一测试集。
在一种可能的实施方式中，采用五折交叉验证确定历史信用卡交易数据集对应的第一训练集以及第一测试集。
具体的，五折交叉验证把数据平均分成5等份，每次实验拿一份做测试，其余用做训练。实验5次求平均值。第一次实验拿第一份做测试集，其余作为训练集。第二次实验拿第二份做测试集，其余做训练集。以此类推，重复5次。
需要说明的是，还可以采用二折交叉验证、七折交叉验证等，本发明实施例对此不做具体限定。
步骤303，根据第一训练集对信用卡风险信息检测模型进行训练，得到多个候选信用卡风险信息检测模型。
需要说明的是，机器学习模型可以采用逻辑回归方法、决策树、随机森林等，本发明实施例对此不做具体限定。
步骤304，根据第一测试集确定多个候选信用卡风险信息检测模型分别对应的评估结果。
在一种可能的实施方式中，采用AUC(Area Under Curve，接受者操作特性曲线下与坐标轴围成的面积)指标根据第一测试集确定多个候选信用卡风险信息检测模型分别对应的评估结果。
上述方案，采用AUC指标确定多个候选信用卡风险信息检测模型分别对应的评估结果，提高了训练好的信用卡风险信息检测模型的准确性。
步骤305，根据评估结果对多个候选信用卡风险信息检测模型进行筛选，得到训练好的信用卡风险信息检测模型。
举例来说，共有3个候选信用卡风险信息检测模型分别为A、B、C，模型A对应的AUC为0.9235、模型B对应的AUC为0.9463、模型C对应的AUC为0.9814，选择模型C作为信用卡风险信息检测模型。
本发明实施例中，借助Spark中的MLlib实现大数据环境下的信用卡风险信息检测。其中，MLlib是Spark实现机器学习算法和实用程序的库。
本发明实施例中，历史信用卡交易数据集被按照4∶1的比例分为第一训练集和第一测试集。
上述方案，采用交叉验证从有限的学习数据中获取尽可能多的有效信息，有效地避免陷入局部最小值，在一定程度上避免过拟合问题。
本发明实施例在采用交叉验证确定历史信用卡交易数据集对应的第一训练集以及第一测试集之前，步骤流程如图4所示，具体如下：
步骤401，对历史信用卡交易数据集进行数据缩放并根据预设阈值对历史信用卡交易数据集进行风险值剔除。
本发明实施例在数据预处理阶段，首先对历史信用卡交易数据集进行数据缩放。举例来说，在信用卡交易数据集中将“时间”、“交易金额”这两个属性缩放到1至2的区间。
再比如，“交易金额”属性对应的数据为1、2、3、4、5、6、7、8、9、10，将这些数据缩到0到1之间，那么数据缩放的结果对应的是0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9、1。
上述方案，通过对历史信用卡交易数据集进行数据缩放可以使不同量纲的数据特征处于同一数值量级，减少方差大的特征的影响，使得信用卡风险信息检测模型更准确，同时也加快了信用卡风险信息检测模型的收敛速度。
进一步的，历史信用卡交易数据集中存在极端风险值，这将影响最终的信用卡风险信息检测模型的性能，因此需要剔除这些极端风险值。本发明实施例根据预设阈值对历史信用卡交易数据集进行风险值剔除。计算公式具体如下：
valueupper＝v75％+(v75％-v25％)×r
valuelower＝v25％-(v75％-v25％)×r
其中，valueupper和valuelower分别代表正常值上限和正常值下限，v75％和v25％分别代表该属性值的箱线图上四分位数和下四分位数，r为阈值。
需要说明的是，阈值越高检测出的风险值越少，阈值越低检测的风险值越多。
本发明实施例中，剔除的风险值太少，将会影响信用卡风险信息检测模型的性能，剔除的风险值太多，将会丢失信息，降低信用卡风险信息检测模型的鲁棒性。
在一种可能的实施方式中，选取阈值为1.5，当阈值为1.5时剔除了第一训练集中0.94％的风险值。
步骤402，筛选历史信用卡交易数据集的属性信息并采用过采样算法对历史信用卡交易数据集进行处理。
本发明实施例通过可视化各变量在正负样本中的分布，删除对正负样本区分度不大的属性。
在一种可能的实施方式中，采用合成少数类过采样算法对历史信用卡交易数据集进行处理。
本发明实施例中历史信用卡交易数据集中的数据高度不平衡，比如风险交易信息占所有交易信息的0.172％。
进一步的，采用SMOTE算法(Synthetic Minority Oversampling Technique，少数类过采样算法)处理第历史信用卡交易数据集。
具体的，SMOTE算法取特征向量与其最近邻之间的差，将该差异乘以0到1之间的一个随机数，并将其添加到特征向量中。通过SMOTE算法生成了大量的风险交易信息。
举例来说，第二训练集由225709笔交易信息扩增到450750笔，风险交易信息占所有交易信息的50％。
需要说明的是，还可以采用欠采样方法，本发明实施例对此不做具体限定。
需要说明的是，在数据预处理阶段，历史信用卡交易数据集依次经过数据缩放、风险值剔除、属性筛选和过采样处理，第一测试集经过数据缩放和属性筛选处理。
上述方案，通过数据缩放、风险值剔除、属性筛选、过采样算法解决了数据不平衡问题，提高了信用卡风险信息检测模型的性能，从而在大数据环境下有着较高的信用卡风险信息检测准确率。
本发明实施例中还提供了一种信用卡风险信息检测装置，如下面的实施例所述。如图5所示，所述装置，包括：
获取模块501，获取信用卡交易信息；
处理模块502，将所述信用卡交易信息输入至训练好的信用卡风险信息检测模型，得到所述信用卡交易信息对应的信用卡风险信息检测结果；其中，所述训练好的信用卡风险信息检测模型为利用历史信用卡交易数据集对应的第一训练集对机器学习模型进行训练后得到，所述历史信用卡交易数据集对应的第一训练集为历史信用卡交易数据集经数据缩放、风险值剔除、属性筛选以及过采样处理后得到。
进一步的，所述处理模块还用于：
在将所述信用卡交易信息输入至训练好的信用卡风险信息检测模型，得到所述信用卡交易信息对应的信用卡风险信息检测结果之前，获取历史信用卡交易数据集；所述历史信用卡交易数据集包括历史信用卡交易信息和对应的风险信息标签；
采用交叉验证确定所述历史信用卡交易数据集对应的第一训练集以及第一测试集；
根据所述第一训练集对信用卡风险信息检测模型进行训练，得到多个候选信用卡风险信息检测模型；
根据所述第一测试集确定所述多个候选信用卡风险信息检测模型分别对应的评估结果；
根据所述评估结果对所述多个候选信用卡风险信息检测模型进行筛选，得到训练好的信用卡风险信息检测模型。
进一步的，所述处理模块还用于：
在采用交叉验证确定所述历史信用卡交易数据集对应的第一训练集以及第一测试集之前，对所述历史信用卡交易数据集进行数据缩放并根据预设阈值对所述历史信用卡交易数据集进行风险值剔除；
筛选所述历史信用卡交易数据集的属性信息并采用过采样算法对所述历史信用卡交易数据集进行处理。
进一步的，所述处理模块具体用于：
采用接受者操作特性曲线下与坐标轴围成的面积AUC指标根据所述第一测试集确定所述多个候选信用卡风险信息检测模型分别对应的评估结果。
进一步的，所述处理模块具体用于：
采用合成少数类过采样算法对所述历史信用卡交易数据集进行处理。
由于该装置解决问题的原理与信用卡风险信息检测方法相似，因此该装置的实施可以参见信用卡风险信息检测方法的实施，重复之处不再赘述。
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信用卡风险信息检测方法。
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信用卡风险信息检测方法。
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信用卡风险信息检测方法。
本发明实施例中，获取第一信用卡交易信息，将第一信用卡交易信息输入至训练好的信用卡风险信息检测模型，得到第一信用卡交易信息对应的信用卡风险信息检测结果，与现有技术中信用卡风险信息检测的技术方案相比，通过训练好的信用卡风险信息检测模型对信用卡交易信息进行了风险信息检测，同时历史信用卡交易数据集对应的第一训练集为历史信用卡交易数据集经数据缩放、风险值剔除、属性筛选以及过采样处理后得到，提高了训练好的信用卡风险信息检测模型的性能，提高了信用卡风险信息检测准确率。
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 (11)

1.一种信用卡风险信息检测方法，其特征在于，包括：
获取信用卡交易信息；
将所述信用卡交易信息输入至训练好的信用卡风险信息检测模型，得到所述信用卡交易信息对应的信用卡风险信息检测结果；
其中，所述训练好的信用卡风险信息检测模型为利用历史信用卡交易数据集对应的第一训练集对机器学习模型进行训练后得到，所述历史信用卡交易数据集对应的第一训练集为历史信用卡交易数据集经数据缩放、风险值剔除、属性筛选以及过采样处理后得到。
2.如权利要求1所述的信用卡风险信息检测方法，其特征在于，在将所述信用卡交易信息输入至训练好的信用卡风险信息检测模型，得到所述信用卡交易信息对应的信用卡风险信息检测结果之前，还包括：
获取历史信用卡交易数据集；所述历史信用卡交易数据集包括历史信用卡交易信息和对应的风险信息标签；
采用交叉验证确定所述历史信用卡交易数据集对应的第一训练集以及第一测试集；
根据所述第一训练集对信用卡风险信息检测模型进行训练，得到多个候选信用卡风险信息检测模型；
根据所述第一测试集确定所述多个候选信用卡风险信息检测模型分别对应的评估结果；
根据所述评估结果对所述多个候选信用卡风险信息检测模型进行筛选，得到训练好的信用卡风险信息检测模型。
3.如权利要求2所述的信用卡风险信息检测方法，其特征在于，在采用交叉验证确定所述历史信用卡交易数据集对应的第一训练集以及第一测试集之前，还包括：
对所述历史信用卡交易数据集进行数据缩放并根据预设阈值对所述历史信用卡交易数据集进行风险值剔除；
筛选所述历史信用卡交易数据集的属性信息并采用过采样算法对所述历史信用卡交易数据集进行处理。
4.如权利要求2所述的信用卡风险信息检测方法，其特征在于，根据所述第一测试集确定所述多个候选信用卡风险信息检测模型分别对应的评估结果，包括：
采用接受者操作特性曲线下与坐标轴围成的面积AUC指标根据所述第一测试集确定所述多个候选信用卡风险信息检测模型分别对应的评估结果。
5.如权利要求3所述的信用卡风险信息检测方法，其特征在于，采用过采样算法对所述历史信用卡交易数据集进行处理，包括：
采用合成少数类过采样算法对所述历史信用卡交易数据集进行处理。
6.一种信用卡风险信息检测装置，其特征在于，包括：
获取模块，获取信用卡交易信息；
处理模块，将所述信用卡交易信息输入至训练好的信用卡风险信息检测模型，得到所述信用卡交易信息对应的信用卡风险信息检测结果；其中，所述训练好的信用卡风险信息检测模型为利用历史信用卡交易数据集对应的第一训练集对机器学习模型进行训练后得到，所述历史信用卡交易数据集对应的第一训练集为历史信用卡交易数据集经数据缩放、风险值剔除、属性筛选以及过采样处理后得到。
7.如权利要求6所述的信用卡风险信息检测装置，其特征在于，所述处理模块还用于：
在将所述信用卡交易信息输入至训练好的信用卡风险信息检测模型，得到所述信用卡交易信息对应的信用卡风险信息检测结果之前，获取历史信用卡交易数据集；所述历史信用卡交易数据集包括历史信用卡交易信息和对应的风险信息标签；
采用交叉验证确定所述历史信用卡交易数据集对应的第一训练集以及第一测试集；
根据所述第一训练集对信用卡风险信息检测模型进行训练，得到多个候选信用卡风险信息检测模型；
根据所述第一测试集确定所述多个候选信用卡风险信息检测模型分别对应的评估结果；
根据所述评估结果对所述多个候选信用卡风险信息检测模型进行筛选，得到训练好的信用卡风险信息检测模型。
8.如权利要求7所述的信用卡风险信息检测装置，其特征在于，所述处理模块还用于：
在采用交叉验证确定所述历史信用卡交易数据集对应的第一训练集以及第一测试集之前，对所述历史信用卡交易数据集进行数据缩放并根据预设阈值对所述历史信用卡交易数据集进行风险值剔除；
筛选所述历史信用卡交易数据集的属性信息并采用过采样算法对所述历史信用卡交易数据集进行处理。
9.一种计算机设备，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5任一所述方法。
10.一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5任一所述方法。
11.一种计算机程序产品，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5任一所述方法。
CN202210814706.6A 2022-07-12 2022-07-12 信用卡风险信息检测方法及装置 Pending CN115187377A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210814706.6A CN115187377A (zh) 2022-07-12 2022-07-12 信用卡风险信息检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210814706.6A CN115187377A (zh) 2022-07-12 2022-07-12 信用卡风险信息检测方法及装置

Publications (1)

Publication Number Publication Date
CN115187377A true CN115187377A (zh) 2022-10-14

Family

ID=83516769

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210814706.6A Pending CN115187377A (zh) 2022-07-12 2022-07-12 信用卡风险信息检测方法及装置

Country Status (1)

Country Link
CN (1) CN115187377A (zh)

Similar Documents

Publication Publication Date Title
US11681925B2 (en) Techniques for creating, analyzing, and modifying neural networks
CN107103171B (zh) 机器学习模型的建模方法及装置
US11640539B2 (en) Techniques for visualizing the operation of neural networks using samples of training data
US20210012209A1 (en) Techniques for modifying neural network definitions
US20210012212A1 (en) Techniques for modifying the operation of neural networks
CN111768287A (zh) 周期识别方法、装置、服务器及可读存储介质
CN111815209A (zh) 应用于风控模型的数据降维方法及装置
CN113780287A (zh) 一种多深度学习模型的最优选取方法及系统
CN113641906A (zh) 基于资金交易关系数据实现相似目标人员识别处理的系统、方法、装置、处理器及其介质
CN112966728B (zh) 一种交易监测的方法及装置
CN114140246A (zh) 模型训练方法、欺诈交易识别方法、装置和计算机设备
CN115187377A (zh) 信用卡风险信息检测方法及装置
CN114722941A (zh) 信贷违约识别方法、装置、设备和介质
CN115358878A (zh) 理财用户风险偏好等级分析方法及装置
CN115167965A (zh) 交易进度条的处理方法及装置
CN114792007A (zh) 代码检测方法、装置、设备、存储介质和计算机程序产品
JP2022154862A (ja) 情報処理方法、プログラム及び情報処理装置
CN113268419A (zh) 测试用例优化信息的生成方法、装置、设备和存储介质
CN113240513A (zh) 一种用户授信额度的确定方法和相关装置
Pristyanto et al. Comparison of ensemble models as solutions for imbalanced class classification of datasets
CN113064944A (zh) 数据的处理方法和装置
Guo et al. Evaluation and Optimization of Machine Learning Algorithms in Personalized Marketing
CN115187376A (zh) 信用卡用户流失预测方法及装置
CN118608276A (zh) 用户还款逾期风险的检测方法、装置以及电子设备
CN115545957A (zh) 风险账户检测方法及装置

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