CN115482094A - 一种业务处理方法、装置、电子设备及计算机可读介质 - Google Patents

Abstract

本申请公开了业务处理方法、装置、电子设备及计算机可读介质，涉及大数据数据分析技术领域，一具体实施方式包括接收业务处理请求，获取对应的用户标识，进而根据用户标识获取对应的交易数据；基于交易数据，获取与预设维度对应的高层特征和低层特征，进而生成融合特征；根据融合特征，预测得到异常概率；当异常概率大于预设阈值时，调用预警程序，以生成预警信息并输出。从而提升异常预警的准确性，有效、准确地提醒用户违约，避免影响用户征信。

Description

一种业务处理方法、装置、电子设备及计算机可读介质

技术领域

本申请涉及大数据数据分析技术领域，尤其涉及一种业务处理方法、装置、电子设备及计算机可读介质。

背景技术

目前，互联网技术的飞速发展带动各行各业的创新热点，线上消费的市场份额占比持续上升。在用户贷款还款场景下，由于数据决定上限，算法接近上限，调优逼近上限。数据全面性、有效性、数据量、场景覆盖及特征设计决定了对“问题”的描述程度低，从而导致无法及时提醒用户违约。

在实现本申请过程中，发明人发现现有技术中至少存在如下问题：

现有的业务处理方式，无法及时、准确地提醒用户违约。

发明内容

有鉴于此，本申请实施例提供一种业务处理方法、装置、电子设备及计算机可读介质，能够解决现有的业务处理方式，无法及时、准确地提醒用户违约的问题。

为实现上述目的，根据本申请实施例的一个方面，提供了一种业务处理方法，包括：

接收业务处理请求，获取对应的用户标识，进而根据用户标识获取对应的交易数据；

基于交易数据，获取与预设维度对应的高层特征和低层特征，进而生成融合特征；

根据融合特征，预测得到异常概率；

当异常概率大于预设阈值时，调用预警程序，以生成预警信息并输出。

可选地，基于交易数据，获取与预设维度对应的高层特征和低层特征，包括：

将交易数据基于用户维度和账号维度进行分析，以生成分析图像；

将分析图像输入特征提取模型，进而调用特征提取模型中的深层网络以提取分析图像中与预设维度对应的高层特征，调用特征提取模型中的浅层网络以提取分析图像中的与预设维度对应的低层特征。

可选地，生成融合特征，包括：

根据高层特征生成高层特征向量，根据低层特征生成低层特征向量；

计算高层特征向量和低层特征向量的合向量，进而将合向量对应的特征确定为融合特征。

可选地，根据融合特征，预测得到异常概率，包括：

将融合特征输入至预测模型，以输出异常概率。

可选地，根据融合特征，预测得到异常概率，包括：

根据融合特征，生成用户画像；

将用户画像输入至预测模型，以输出异常概率。

可选地，业务处理方法还包括：

获取训练样本集，训练样本集包括在预设时间段内的样本信贷申请数据和样本信贷交易明细数据；

对样本信贷申请数据和样本信贷交易明细数据进行特征衍生，以得到衍生特征，确定衍生特征对应的样本标签，其中，样本标签用于表征衍生特征对应的数据是否违约；

将衍生特征作为初始神经网络模型的输入，将对应的样本标签作为初始神经网络模型的期望输出，对初始神经网络模型进行训练，以得到预测模型。

可选地，预设时间段根据在预设场景下处理业务的周期而确定。

另外，本申请还提供了一种业务处理装置，包括：

接收单元，被配置成接收业务处理请求，获取对应的用户标识，进而根据用户标识获取对应的交易数据；

特征融合单元，被配置成基于交易数据，获取与预设维度对应的高层特征和低层特征，进而生成融合特征；

预测单元，被配置成根据融合特征，预测得到异常概率；

预警单元，被配置成当异常概率大于预设阈值时，调用预警程序，以生成预警信息并输出。

可选地，特征融合单元进一步被配置成：

将交易数据基于用户维度和账号维度进行分析，以生成分析图像；

将分析图像输入特征提取模型，进而调用特征提取模型中的深层网络以提取分析图像中与预设维度对应的高层特征，调用特征提取模型中的浅层网络以提取分析图像中的与预设维度对应的低层特征。

可选地，特征融合单元进一步被配置成：

根据高层特征生成高层特征向量，根据低层特征生成低层特征向量；

计算高层特征向量和低层特征向量的合向量，进而将合向量对应的特征确定为融合特征。

可选地，预测单元进一步被配置成：

将融合特征输入至预测模型，以输出异常概率。

可选地，预测单元进一步被配置成：

根据融合特征，生成用户画像；

将用户画像输入至预测模型，以输出异常概率。

可选地，装置还包括模型训练单元，被配置成：

获取训练样本集，训练样本集被配置成在预设时间段内的样本信贷申请数据和样本信贷交易明细数据；

对样本信贷申请数据和样本信贷交易明细数据进行特征衍生，以得到衍生特征，确定衍生特征对应的样本标签，其中，样本标签用于表征衍生特征对应的数据是否违约；

将衍生特征作为初始神经网络模型的输入，将对应的样本标签作为初始神经网络模型的期望输出，对初始神经网络模型进行训练，以得到预测模型。

可选地，预设时间段根据在预设场景下处理业务的周期而确定。

另外，本申请还提供了一种业务处理电子设备，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，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上述的业务处理方法。

另外，本申请还提供了一种计算机可读介质，其上存储有计算机程序，程序被处理器执行时实现如上述的业务处理方法。

为实现上述目的，根据本申请实施例的又一个方面，提供了一种计算机程序产品。

本申请实施例的一种计算机程序产品，包括计算机程序，程序被处理器执行时实现本申请实施例提供的业务处理方法。

上述发明中的一个实施例具有如下优点或有益效果：本申请通过接收业务处理请求，获取对应的用户标识，进而根据用户标识获取对应的交易数据；基于交易数据，获取与预设维度对应的高层特征和低层特征，进而生成融合特征；根据融合特征，预测得到异常概率；当异常概率大于预设阈值时，调用预警程序，以生成预警信息并输出。从而提升异常预警的准确性，有效、准确地提醒用户违约，避免影响用户征信。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本申请，不构成对本申请的不当限定。其中：

图1是根据本申请一个实施例的业务处理方法的主要流程的示意图；

图2是根据本申请一个实施例的业务处理方法的主要流程的示意图；

图3是根据本申请一个实施例的业务处理方法的主要流程示意图；

图4是根据本申请实施例的业务处理装置的主要单元的示意图；

图5是本申请实施例可以应用于其中的示例性系统架构图；

图6是适于用来实现本申请实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。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。

图1是根据本申请一个实施例的业务处理方法的主要流程的示意图，如图1所示，业务处理方法包括：

步骤S101，接收业务处理请求，获取对应的用户标识，进而根据用户标识获取对应的交易数据。

本实施例中，业务处理方法的执行主体(例如，可以是服务器)可以通过有线连接或无线连接的方式，接收业务处理请求。该请求例如可以是对有贷款的用户进行还款提醒或者逾期还款预警的请求。执行主体在接收到业务处理请求后，可以获取该请求中携带的用户标识，该用户标识用于表征是哪个用户发起的业务处理请求，也用于表征是对哪个用户的贷款划款进行预警。执行主体在获取业务处理请求对应的用户标识后，可以获取该用户标识对应的交易数据。该交易数据，例如可以包括该用户标识对应的用户在预设时间内所借贷的金额、距离最近的还款日期的天数、剩余还款金额、剩余还款期数等数据。

步骤S102，基于交易数据，获取与预设维度对应的高层特征和低层特征，进而生成融合特征。

高层特征，例如可以是从交易数据对应的图像中提取的复杂的、抽象的特征，例如一个人的性格特征、借贷偏好特征等。低层特征，例如可以是从交易数据对应的图像中提取的泛化的、易于表达的特征，例如交易金额、交易时间、交易地点等特征。

具体地，生成融合特征，包括：

根据高层特征生成高层特征向量，根据低层特征生成低层特征向量；计算高层特征向量和低层特征向量的合向量，进而将合向量对应的特征确定为融合特征。

步骤S103，根据融合特征，预测得到异常概率。

具体地，根据融合特征，预测得到异常概率，包括：

将融合特征输入至预测模型，以输出异常概率。

通过预训练的预测模型，以基于得到的融合特征，确定用户还款异常的概率。

具体地，业务处理方法还包括：

获取训练样本集，训练样本集包括在预设时间段内的样本信贷申请数据和样本信贷交易明细数据；分别从用户维度和账号维度获取训练样本数据，示例的，从用户维度获取样本信贷申请数据，例如，可以包括：用户申请贷款时的数据，比如用户基本数据、资产数据、收入数据，以及个人征信数据。另外，还可以从账号维度获取信贷交易明细数据，例如用户信用卡/借记卡交易流水数据，即样本信贷交易明细数据。

对样本信贷申请数据和样本信贷交易明细数据进行特征衍生，以得到衍生特征，确定衍生特征对应的样本标签，其中，样本标签用于表征衍生特征对应的数据是否违约。

本申请实施例通过特征工程对样本信贷申请数据和样本信贷交易明细数据进行预处理。特征工程通常包含采样/清洗/归一化/离散化/数据转换/降维/特征筛选/特征衍生等步骤。

示例的，本申请实施例在对样本进行选取时：基于快消类贷款生命周期均在1年左右的特点，训练数据只取样本集中近6个月样本；(取近12个月、9个月、6个月、3个月等月份训练后确定)；特征衍生：信用卡流水数据取近3个月以cust_id为key进行聚类，衍生出每月贷记/借记/笔数等衍生特征；数据预处理：房贷数量数据以房贷>0将数值型转为二分类；删除缺失值>90％的房贷相关数据列；开户/开卡等日期类数据转为‘距今年数’有意义的数值型；(申请日期-历史贷款日期)/365。类别型特征填充默认缺失值；对无序高基数类别型特征如地区/省份/学历/职业/单位等数据分箱计算证据权重WOE值并替换。通过卡方检验筛选贡献度较低的后10％特征剔除。

将经过数据预处理得到的衍生特征作为初始神经网络模型的输入，将对应的样本标签作为初始神经网络模型的期望输出，对初始神经网络模型进行训练，以得到预测模型。

作为另一种实现方式，具体地，业务处理方法还包括：

获取训练样本集，训练样本集包括在预设时间段内的样本信贷申请数据和样本信贷交易明细数据；分别从用户维度和账号维度获取训练样本数据，示例的，从用户维度获取样本信贷申请数据，例如，可以包括：用户申请贷款时的数据，比如用户基本数据、资产数据、收入数据，以及个人征信数据。另外，还可以从账号维度获取信贷交易明细数据，例如用户信用卡/借记卡交易流水数据，即样本信贷交易明细数据。

对样本信贷申请数据和样本信贷交易明细数据进行特征衍生，以得到衍生特征，提取衍生特征对应的高层特征和低层特征，进而融合得到融合特征，确定融合特征对应的样本标签，其中，样本标签用于表征融合特征对应的数据是否违约。

将融合特征作为初始神经网络模型的输入，将对应该融合特征的样本标签作为初始神经网络模型的期望输出，对初始神经网络模型进行训练，以得到预测模型。

本申请实施例中的预测模型既可以根据衍生特征预测对应的异常概率，也可以根据融合特征预测对应的异常概率，也可以根据用户画像预测得到对应的异常概率，本申请实施例对输入预测模型的数据类型不做具体限定。

具体地，预设时间段根据在预设场景下处理业务的周期而确定。示例的，基于快消类贷款生命周期均在1年左右的特点，训练数据只取样本集中近6个月样本，例如，取近12个月、9个月、6个月、3个月等月份的交易数据作为训练数据。

具体地，根据融合特征，预测得到异常概率，包括：

根据融合特征，生成用户画像；调用用户画像生成程序，以根据融合特征，生成对应的用户画像。

将用户画像输入至预测模型，以输出异常概率。根据生成的用户画像，通过预测模型预测该用户画像对应的贷款还款异常概率。其中，预测模型用于表征用户画像与异常概率的对应关系。具体地，预测模型可以根据用户画像中的融合特征确定对应的异常概率。

步骤S104，当异常概率大于预设阈值时，调用预警程序，以生成预警信息并输出。

本实施例通过接收业务处理请求，获取对应的用户标识，进而根据用户标识获取对应的交易数据；基于交易数据，获取与预设维度对应的高层特征和低层特征，进而生成融合特征；根据融合特征，预测得到异常概率；当异常概率大于预设阈值时，调用预警程序，以生成预警信息并输出。从而提升异常预警的准确性，有效、准确地提醒用户违约，避免影响用户征信。

本申请实施例通过预测模型对客户还款预测，其训练样本已包含‘是否违约’字段，可以通过有监督学习算法进行模型训练。样本标签‘是否违约’取值为01，作为二分类问题可通过分类算法训练分类模型，也可作为回归问题通过线性算法预测违约概率再映射为01取值。

本申请实施例可以使用Lgbm、XGBoost、SVM、Adaboost、决策树等中的任意一种算法，使用Jupyter训练平台，以AUC值对模型预测性能进行评分。使用不同算法模型训练模型，使用AUC值比对，最终使用LGBM算法所训练模型最优。

图2是根据本申请一个实施例的业务处理方法的主要流程示意图，如图2所示，业务处理方法包括：

步骤S201，接收业务处理请求，获取对应的用户标识，进而根据用户标识获取对应的交易数据。

步骤S202，将交易数据基于用户维度和账号维度进行分析，以生成分析图像。

具体地，执行主体可以提取交易数据中与用户维度对应的第一数据和与账号维度对应的第二数据，根据第一数据和第二数据生成包含用户信息(例如可以包括用户ID、贷款申请时间、违约次数、性别、年龄、学历、婚姻状况、所在地区、房贷数量、最近一笔房贷已还款月份数、最近一笔房贷首付款比例、最近一笔房贷房屋类型等信息)和账号信息(例如可以包括用户ID、用户账号、每人每账户每月消费贷记总金额、每人每账户每月消费借记总金额、每人每账户每月取现贷记总金额、每人每账户每月取现借记总金额、每人每账户每月消费贷记笔数、每人每账户每月消费借记笔数、每人每账户每月取现贷记笔数、每人每账户每月取现借记笔数)的折线图，该折线图的横坐标可以为还款期数、每月消费贷记总金额、每月是否逾期还款等中的一个或者多个。也就是说该折线图可以是一条或者多条折线的叠加，以便能够反映出更多的可用信息。

步骤S203，将分析图像输入特征提取模型，进而调用特征提取模型中的深层网络以提取分析图像中与预设维度对应的高层特征，调用特征提取模型中的浅层网络以提取分析图像中的与预设维度对应的低层特征。

步骤S204，生成融合特征。

步骤S205，根据融合特征，预测得到异常概率。

步骤S206，当异常概率大于预设阈值时，调用预警程序，以生成预警信息并输出。

本申请实施例基于用户画像和预测模型对用户贷款还款的异常概率进行预测，通过用户个人基本信息及金融活动数据可有效预测用户违约概率，为预警催收等业务提供有效可参考数据；模型的训练数据集较常规数据相比包含用户流水数据，即用户信用卡/借记卡交易流水数据，有效提升模型泛化能力；针对快消场景深入分析业务及数据特征，提升特征质量，进而提高模型评分。提升模型泛化能力，更有效预测客户偿还概率。深入分析业务场景，针对性的特征设计，为模型训练提供支撑。

图3是根据本申请一个实施例的业务处理方法的应用场景示意图。本申请实施例的业务处理方法，可以应用于用户借贷还贷预警的场景。如图3所示，服务器(本申请的执行主体)接收业务处理请求，获取对应的用户标识，进而根据用户标识获取对应的交易数据；基于交易数据，获取与预设维度对应的高层特征和低层特征，进而根据高层特征生成高层特征向量，根据低层特征生成低层特征向量；计算高层特征向量和低层特征向量的合向量，进而将合向量对应的特征确定为融合特征。

具体地，执行主体可以调用词嵌入模型以对高层特征执行词嵌入，进而转换成对应的高层特征向量，同样的，执行主体可以调用词嵌入模型以对低层特征执行词嵌入，进而转换成对应的低层特征向量。具体地，词嵌入，指的是自然语言处理(NLP)中语言模型与表征学习技术的统称，具体为把一个维数为所有词的数量的高维空间嵌入到一个维数低得多的连续向量空间中，每个单词或词组被映射为实数域上的向量。其中，计算高层特征向量和低层特征向量的合向量，具体可以为根据平行四边形法则计算低层特征向量和高层特征向量的合向量。具体地，该合向量即为低层特征向量和高层特征向量作为邻边组成的平行四边形的对角线向量，进而将该对角线向量对应的特征确定为低层特征和高层特征对应的融合特征。

作为另一实现方式，融合特征的生成还可以通过调用特征融合网络，将低层特征和高层特征输入至特征融合网络，以输出对应的融合特征。本申请实施例对融合特征的生成方式不做具体限定。

根据融合特征，预测得到异常概率；当异常概率大于预设阈值时，调用预警程序，以生成预警信息并输出。从而可以提升异常预警的准确性，有效、准确地提醒用户违约，避免影响用户征信。

图4是根据本申请实施例的业务处理装置的主要单元的示意图。如图4所示，业务处理装置400包括接收单元401、特征融合单元402、预测单元403和预警单元404。

接收单元401，被配置成接收业务处理请求，获取对应的用户标识，进而根据用户标识获取对应的交易数据。

特征融合单元402，被配置成基于交易数据，获取与预设维度对应的高层特征和低层特征，进而生成融合特征。

预测单元403，被配置成根据融合特征，预测得到异常概率。

预警单元404，被配置成当异常概率大于预设阈值时，调用预警程序，以生成预警信息并输出。

在一些实施例中，特征融合单元402进一步被配置成：将交易数据基于用户维度和账号维度进行分析，以生成分析图像；将分析图像输入特征提取模型，进而调用特征提取模型中的深层网络以提取分析图像中与预设维度对应的高层特征，调用特征提取模型中的浅层网络以提取分析图像中的与预设维度对应的低层特征。

在一些实施例中，特征融合单元402进一步被配置成：根据高层特征生成高层特征向量，根据低层特征生成低层特征向量；计算高层特征向量和低层特征向量的合向量，进而将合向量对应的特征确定为融合特征。

在一些实施例中，预测单元403进一步被配置成：将融合特征输入至预测模型，以输出异常概率。

在一些实施例中，预测单元403进一步被配置成：根据融合特征，生成用户画像；将用户画像输入至预测模型，以输出异常概率。

在一些实施例中，装置还包括图4中未示出的模型训练单元，被配置成：获取训练样本集，训练样本集被配置成在预设时间段内的样本信贷申请数据和样本信贷交易明细数据；对样本信贷申请数据和样本信贷交易明细数据进行特征衍生，以得到衍生特征，确定衍生特征对应的样本标签，其中，样本标签用于表征衍生特征对应的数据是否违约；将衍生特征作为初始神经网络模型的输入，将对应的样本标签作为初始神经网络模型的期望输出，对初始神经网络模型进行训练，以得到预测模型。

在一些实施例中，预设时间段根据在预设场景下处理业务的周期而确定。

需要说明的是，本申请的业务处理方法和业务处理装置在具体实施内容上具有相应关系，故重复内容不再说明。

图5示出了可以应用本申请实施例的业务处理方法或业务处理装置的示例性系统架构500。

如图5所示，系统架构500可以包括终端设备501、502、503，网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504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501、502、503通过网络504与服务器505交互，以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯用户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱用户端、社交平台软件等(仅为示例)。

终端设备501、502、503可以是具有业务处理屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器505可以是提供各种服务的服务器，例如对用户利用终端设备501、502、503所提交的业务处理请求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接收业务处理请求，获取对应的用户标识，进而根据用户标识获取对应的交易数据；基于交易数据，获取与预设维度对应的高层特征和低层特征，进而生成融合特征；根据融合特征，预测得到异常概率；当异常概率大于预设阈值时，调用预警程序，以生成预警信息并输出。从而提升异常预警的准确性，有效、准确地提醒用户违约，避免影响用户征信。

需要说明的是，本申请实施例所提供的业务处理方法一般由服务器505执行，相应地，业务处理装置一般设置于服务器505中。

应该理解，图5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。

下面参考图6，其示出了适于用来实现本申请实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM603中，还存储有计算机系统600操作所需的各种程序和数据。CPU601、ROM602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶征信授权查询处理器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，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610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608。

特别地，根据本申请公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，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。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的系统中限定的上述功能。

需要说明的是，本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、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)、光纤、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。在本申请中，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。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、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。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括接收单元、特征融合单元、预测单元和预警单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读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一个该设备执行时，使得该设备接收业务处理请求，获取对应的用户标识，进而根据用户标识获取对应的交易数据；基于交易数据，获取与预设维度对应的高层特征和低层特征，进而生成融合特征；根据融合特征，预测得到异常概率；当异常概率大于预设阈值时，调用预警程序，以生成预警信息并输出。

本申请的计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现本申请实施例中的业务处理方法。

根据本申请实施例的技术方案，从而提升异常预警的准确性，有效、准确地提醒用户违约，避免影响用户征信。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (16)

1.一种业务处理方法，其特征在于，包括：

接收业务处理请求，获取对应的用户标识，进而根据所述用户标识获取对应的交易数据；

基于所述交易数据，获取与预设维度对应的高层特征和低层特征，进而生成融合特征；

根据所述融合特征，预测得到异常概率；

当所述异常概率大于预设阈值时，调用预警程序，以生成预警信息并输出。

2.根据权利要求1所述的方法，其特征在于，所述基于所述交易数据，获取与预设维度对应的高层特征和低层特征，包括：

将所述交易数据基于用户维度和账号维度进行分析，以生成分析图像；

将所述分析图像输入特征提取模型，进而调用特征提取模型中的深层网络以提取所述分析图像中与预设维度对应的高层特征，调用特征提取模型中的浅层网络以提取所述分析图像中的与预设维度对应的低层特征。

3.根据权利要求1所述的方法，其特征在于，所述生成融合特征，包括：

根据所述高层特征生成高层特征向量，根据所述低层特征生成低层特征向量；

计算所述高层特征向量和所述低层特征向量的合向量，进而将所述合向量对应的特征确定为融合特征。

4.根据权利要求1所述的方法，其特征在于，所述根据所述融合特征，预测得到异常概率，包括：

将所述融合特征输入至预测模型，以输出异常概率。

5.根据权利要求1所述的方法，其特征在于，所述根据所述融合特征，预测得到异常概率，包括：

根据所述融合特征，生成用户画像；

将所述用户画像输入至预测模型，以输出异常概率。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取训练样本集，所述训练样本集包括在预设时间段内的样本信贷申请数据和样本信贷交易明细数据；

对所述样本信贷申请数据和样本信贷交易明细数据进行特征衍生，以得到衍生特征，确定所述衍生特征对应的样本标签，其中，所述样本标签用于表征所述衍生特征对应的数据是否违约；

将所述衍生特征作为初始神经网络模型的输入，将对应的所述样本标签作为所述初始神经网络模型的期望输出，对所述初始神经网络模型进行训练，以得到预测模型。

7.根据权利要求6所述的方法，其特征在于，所述预设时间段根据在预设场景下处理业务的周期而确定。

8.一种业务处理装置，其特征在于，包括：

接收单元，被配置成接收业务处理请求，获取对应的用户标识，进而根据所述用户标识获取对应的交易数据；

特征融合单元，被配置成基于所述交易数据，获取与预设维度对应的高层特征和低层特征，进而生成融合特征；

预测单元，被配置成根据所述融合特征，预测得到异常概率；

预警单元，被配置成当所述异常概率大于预设阈值时，调用预警程序，以生成预警信息并输出。

9.根据权利要求8所述的装置，其特征在于，所述特征融合单元进一步被配置成：

将所述交易数据基于用户维度和账号维度进行分析，以生成分析图像；

将所述分析图像输入特征提取模型，进而调用特征提取模型中的深层网络以提取所述分析图像中与预设维度对应的高层特征，调用特征提取模型中的浅层网络以提取所述分析图像中的与预设维度对应的低层特征。

10.根据权利要求8所述的装置，其特征在于，所述特征融合单元进一步被配置成：

根据所述高层特征生成高层特征向量，根据所述低层特征生成低层特征向量；

计算所述高层特征向量和所述低层特征向量的合向量，进而将所述合向量对应的特征确定为融合特征。

11.根据权利要求8所述的装置，其特征在于，所述预测单元进一步被配置成：

将所述融合特征输入至预测模型，以输出异常概率。

12.根据权利要求8所述的装置，其特征在于，所述预测单元进一步被配置成：

根据所述融合特征，生成用户画像；

将所述用户画像输入至预测模型，以输出异常概率。

13.根据权利要求8所述的装置，其特征在于，所述装置还包括模型训练单元，被配置成：

获取训练样本集，所述训练样本集被配置成在预设时间段内的样本信贷申请数据和样本信贷交易明细数据；

对所述样本信贷申请数据和样本信贷交易明细数据进行特征衍生，以得到衍生特征，确定所述衍生特征对应的样本标签，其中，所述样本标签用于表征所述衍生特征对应的数据是否违约；

将所述衍生特征作为初始神经网络模型的输入，将对应的所述样本标签作为所述初始神经网络模型的期望输出，对所述初始神经网络模型进行训练，以得到预测模型。

14.一种业务处理电子设备，其特征在于，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，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一项所述的方法。

15.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7中任一项所述的方法。

16.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法。

Images