CN115545481A - 一种风险等级确定方法、装置、电子设备及存储介质 - Google Patents
一种风险等级确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115545481A CN115545481A CN202211233250.0A CN202211233250A CN115545481A CN 115545481 A CN115545481 A CN 115545481A CN 202211233250 A CN202211233250 A CN 202211233250A CN 115545481 A CN115545481 A CN 115545481A
- Authority
- CN
- China
- Prior art keywords
- data
- user
- target
- risk
- target user
- 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种风险等级确定方法、装置、电子设备及存储介质,其中,该方法包括:获取与目标用户相对应的至少一个待使用数据,并基于各待使用数据确定与所述目标用户相对应的待使用特征向量;其中,所述待使用数据包括所述目标用户的用户属性数据以及用户业务关联数据;基于预先构建的风险评估模型对所述待使用特征向量进行处理,得到与所述目标用户相对应的风险评估属性;对所述风险评估属性进行分值转换,得到与所述目标用户相对应的目标评估属性,以基于所述目标评估属性确定所述目标用户所对应的风险等级。解决了由于主观性风险评估导致的风险评估准确性不高的问题,取到了准确对目标用户所对应的风险等级进行评估的效果。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种风险等级确定方法、装置、电子设备及存储介质。
背景技术
业务公司在向用户办理业务时,通常需要先对用户进行风险评估,以确定是否可以向该用户提供相应的业务服务。
目前,对用户进行风险分析主要是通过数据库中存储的与各用户相对应的历史业务数据以及用户属性数据等,大致推断用户可能存在的潜在风险,但是基于人工确定用户的风险的方法存在较大的主观性,对用户的风险评估不够准确。
为了解决上述问题,需要对用户的风险评估方法进行改进。
发明内容
本发明提供了一种风险等级确定方法、装置、电子设备及存储介质,以解决由于主观性风险评估导致的风险评估准确性不高的问题。
第一方面,本发明实施例提供了一种风险等级确定方法,包括:
获取与目标用户相对应的至少一个待使用数据,并基于各待使用数据确定与所述目标用户相对应的待使用特征向量;其中,所述待使用数据包括所述目标用户的用户属性数据以及用户业务关联数据;
基于预先构建的风险评估模型对所述待使用特征向量进行处理,得到与所述目标用户相对应的风险评估属性;
对所述风险评估属性进行分值转换,得到与所述目标用户相对应的目标评估属性,以基于所述目标评估属性确定所述目标用户所对应的风险等级。
第二方面,本发明实施例还提供了一种风险等级确定装置,包括:
特征向量确定模块,用于获取与目标用户相对应的至少一个待使用数据,并基于各待使用数据确定与所述目标用户相对应的待使用特征向量;其中,所述待使用数据包括所述目标用户的用户属性数据以及用户业务关联数据;
风险评估属性确定模块,用于基于预先构建的风险评估模型对所述待使用特征向量进行处理,得到与所述目标用户相对应的风险评估属性;
目标评估属性确定模块,用于对所述风险评估属性进行分值转换,得到与所述目标用户相对应的目标评估属性,以基于所述目标评估属性确定所述目标用户所对应的风险等级。
第三方面,本发明实施例还提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的风险等级确定方法。
第四方面,本发明实施例还提供了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指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的风险等级确定方法。
本发明实施例的技术方案,通过获取与目标用户相对应的至少一个待使用数据,并基于各待使用数据确定与所述目标用户相对应的待使用特征向量,根据待使用数据中的子数据所对应的数据类型,确定相应的向量处理方式,并基于各向量处理方式对相应的子数据进行向量化处理,得到待使用特征子向量,并将各待使用特征子向量进行拼接处理,得到待使用特征向量。基于预先构建的风险评估模型对所述待使用特征向量进行处理,得到与所述目标用户相对应的风险评估属性,当检测到目标显示界面中的目标控件被触发时,调取预先构建的风险评估模型,并将与目标用户相对应的待使用特征向量输入该模型中,以基于该模型对目标用户进行风险评估,得到相应的风险评估属性。对所述风险评估属性进行分值转换,得到与所述目标用户相对应的目标评估属性,以基于所述目标评估属性确定所述目标用户所对应的风险等级,基于预设的分值转换公式对风险评估属性进行分值转化,得到目标评估属性,以基于目标评估属性所对应的评估属性区间,确定目标用户所对应的风险等级。解决了由于主观性风险评估导致的风险评估准确性不高的问题,取到了准确对目标用户所对应的风险等级进行评估的效果。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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。
图1是根据本发明实施例一提供的一种风险等级确定方法的流程图;
图2是根据本发明实施例二提供的一种风险等级确定方法的流程图;
图3是根据本发明实施例三提供的一种风险等级确定方法的流程图;
图4是根据本发明实施例三提供的一种风险评估模型的训练方法的流程图;
图5是根据本发明实施例四提供的一种风险等级确定装置的结构示意图;
图6是实现本发明实施例的风险等级确定方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明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发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
实施例一
图1为本发明实施例一提供了一种风险等级确定方法的流程图,本实施例可适用于在向用户提供业务服务时,对用户进行风险等级的评估的情况,该方法可以由风险等级确定装置来执行,该风险等级确定装置可以采用硬件和/或软件的形式实现,该风险等级确定装置可配置于可执行风险等级确定方法的计算设备中。
如图1所示,该方法包括:
S110、获取与目标用户相对应的至少一个待使用数据,并基于各待使用数据确定与目标用户相对应的待使用特征向量。
其中,业务机构在向用户提供项目服务时,为了确保用户是否符合相应项目的项目条件,通常需要对用户进行风险评估,以降低在向用户提供项目过程中的风险。目标用户可以理解为业务机构进行项目服务的用户。待使用数据可以理解为业务机构需要对目标用户进行风险审核的用户信息数据,在本技术方案中,待使用数据包括目标用户的用户属性数据以及用户业务关联数据,如,目标用户的年龄、性别、学历、工作、资产、个人用户评估信息以及历史业务信息等,以根据待使用数据对目标用户进行全方位的了解,并基于待使用数据确定目标用户是否符合相应的业务服务标准。在基于待使用数据对目标用户进行风险评估时,需要对待使用数据进行向量化处理,得到相应的待使用特征向量,以根据各待使用特征向量对目标用户进行风险评估。
具体的,在向目标用户提供相应的业务服务之前,获取与目标用户相对应的待使用数据,并对各待使用数据进行向量化处理,得到相应的待使用特征向量,以基于各待使用特征向量确定与目标用户相对应的风险等级,并确定是否可以向目标用户提供相应的业务服务,或者确定与目标用户最为匹配的业务服务等。可以理解的是,待使用数据的获取的数量越多,则对目标用户的了解越全面,相应的,确定的与目标用户相对应的风险评估越准确,也就是说,尽可能多的获取与目标用户相对应的待使用数据,以更加准确的对目标用户进行风险评估,并确定目标用户的风险等级。
可选的,基于各待使用数据确定与目标用户相对应的待使用特征向量,包括:针对各待使用数据,确定当前待使用数据所对应的当前数据类型;基于与当前数据类型相对应的向量处理方式,确定与当前待使用数据相对应的待使用特征子向量;将各待使用特征子向量进行拼接处理,确定与目标用户相对应的待使用特征向量。
在本技术方案中,任意待使用数据均可作为当前待使用数据,以其中一个待使用数据作为当前待使用数据为例,当前待使用数据的当前数据类型包括用字符串类型或数值类型,在对当前待使用数据进行向量化处理时,针对不同的数据类型,所采用的向量处理方式也不同。待使用特征子向量可以理解为当前待使用数据所对应的子特征向量,如,针对当前待使用数据,需要确定当前待使用数据的数据类型,若包含至少两种数据类型,则需要采用不同的向量处理方式,并将基于各向量处理方式得到的特征向量作为相应的待使用特征字向量。
具体的,针对当前待使用数据,首先确定当前待使用数据中存在的数据类型,以基于相应的向量处理方式对当前待使用数据中的相应的子数据进行向量化处理,得到相应的待使用特征子向量。进一步的,将各待使用特征子向量按照当前待使用数据中各子数据相对应的排列顺序进行拼接处理,即可得到与目标用户的待使用特征向量,也即与目标用户相对应的待使用特征向量。
可选的,待使用特征子向量包括第一待使用特征子向量和第二待使用特征子向量,基于与当前数据类型相对应的向量处理方式,确定与当前待使用数据相对应的待使用特征子向量,包括:确定当前数据类型是否为字符串类型;若是,则基于特征类别编码方式,对当前待使用数据进行向量化处理,得到第一待使用特征子向量;若否,则基于动态数值编码方式,对当前待使用数据进行向量化处理,得到第二待使用特征子向量。
其中,第一待使用特征子向量用于表示字符串类型的数据所对应的特征向量。第二待使用特征子向量用于表示数值型数据所对应的特征向量。特征类别编码方式可以采用为One-hot Encoder编码方式,用以针对字符串类型的数据进行向量化处理。动态数值编码方式为基于数据的平均值和标准差的方式进行编码的方式。
针对当前待使用数据,可以对当前待使用数据中的各子数据进行逐一检测,确定各子数据所对应的数据类型,以便采用相应的向量处理方式进行向量处理。具体的,可以确定当前待使用数据的各子数据的数据类型是否为字符串类型,若当前数据类型为字符串类型,则可以采用特征类别编码方式,即One-hot Encoder方式将相应的字符串类型的数据转换为哑变量,比如(性别:男or女)可转换为(男:0 or 1;女:0 or 1),以得到相应的第一待使用特征子向量。若当前数据类型为数值类型,则可以采用动态数值编码方式,即滑动平均值和标准差方式进行处理得到相应的第二待使用特征子向量,如以2019年3月的数据为列,滑动窗口可以设置为3,新生成的平均值和标准差是用户在2019年1月—2019年3月的平均值和标准差。
需要说明的是,在当前待使用数据所对应的待使用特征向量中,第一待使用特征子向量和第二待使用特征子向量的数量均可以为一个或多个,对相应的待使用特征子向量进行拼接处理时,则按照当前待使用数据中各子数据的排列顺序进行拼接处理即可。
S120、基于预先构建的风险评估模型对待使用特征向量进行处理,得到与目标用户相对应的风险评估属性。
其中,风险评估模型可理解为对目标用户的至少一个待使用数据所对应的待使用特征向量进行分析处理,以确定与目标用户相对应的风险等级的模型,如,可以为深度学习网络模型等。风险评估属性可以理解为目标用户所对应的风险值,风险评估属性越高,则表示目标用户所对应的风险等级越高,也就是说,业务机构向目标用户提供业务服务会存在较高的风险,反之,风险评估属性越低,则表示目标用户所对应的风险等级越低,则业务机构向目标用户提供业务服务所存在的风险也相对较低。
在本技术方案中,风险评估模型可以为预先训练好的模型,如,可以根据获取的历史用户的相关数据对进行模型训练,当基于该模型确定的相应的历史用户所对应的风险等级的准确率达到一定的准确度时,可以视为该模型以训练完毕,可以作为风险评估模型对目标用户进行风险评估。
具体的,对各待使用数据进行向量处理后,可以得到相应的待使用特征向量,将各待使用向量输入预先构建的风险评估模型中,以基于风险评估模型对各待使用特征向量进行分析处理,得到与目标用户相对应的风险评估属性,以基于风险评估属性确定目标用户的风险等级,对目标用户进行风险评估。
可选的,基于预先构建的风险评估模型对待使用特征向量进行处理,得到与目标用户相对应的风险评估属性,包括:当检测到目标显示界面中的目标控件被触发时,调取预先构建的风险评估模型;基于风险评估模型,对待使用特征向量进行概率计算,得到与目标用户相对应的风险评估属性。
其中,目标显示界面可理解为对目标用户进行风险评估的显示界面,在目标显示界面中包含可以用于调用风险评估模型的目标控件,如,可以为点击按钮或者滑动区域控件等。
具体的,当需要对目标用户进行风险评估时,触发目标显示界面中的目标控件,即可调取预先构建的风险评估模型,将目标用户所对应的至少一个待使用特征向量输入风险评估模型中,以基于风险评估模型对各待使用特征向量进行概率计算,得到与目标用户相对应的风险值作为目标用户所对应的风险评估属性。
需要说明的是,基于风险评估模型得到的风险评估属性为0-1之间的归一化值,也就是说,虽然评先评估属性可在一定程度上表征目标用户所对应的风险程度,但为了能够更加直观的确定与目标用户所对应的风险等级,还需要对风险评估属性进行进一步的处理。
S130、对风险评估属性进行分值转换,得到与目标用户相对应的目标评估属性,以基于目标评估属性确定目标用户所对应的风险等级。
其中,目标评估属性可以理解为对风险评估属性进行分值转换后得到的风险评估值,示例性的,风险评估属性为0.8,总分值为100分,则目标评估属性为80分。风险等级可以用于表征目标用户所对应的风险程度,风险等级越高,则表示目标用户所对应的风险程度越高。
在实际应用中,对风险评估属性进行分值转换,得到与目标用户相对应的目标评估属性,以基于目标评估属性确定目标用户所对应的风险等级,包括:基于分值转换公式,对风险评估属性进行分值转化,得到相应的目标评估属性;根据目标评估属性所对应的评估属性区间,确定目标评估属性所对应的风险等级。
其中,分值转换公式可以理解为根据业务需求确定的,用于将风险评估属性转化为相应的分值的函数。
具体的,根据预先设置的分值转换公式,对风险评估属性进行分值转换,得到相应的目标评估属性。进一步的,确定目标评估属性所对应的评估属性区间,如预设的总分值为100分,按照风险等级划定不同的评估属性区间,如低风险为90分以上,中风险为70-90分,高风险为70分以下,若目标评估属性为80分,则可以确定目标评估属性所对应的评估属性区间为70-90分所对应的区间,基于此,可以确定目标用户所对应的风险等级为中风险等级。
可选的,根据风险等级,确定与目标用户相对应的用户类别;基于用户类别,确定目标用户所对应的至少一个可办理项目,以根据各可办理项目向目标用户进行项目推荐。
其中,用户类别包括优质用户类别或非优质用户类别,所谓优质用户可以理解为风险等级低的用户,相应的非优质用户即为存在较高风险等级的用户。可办理项目可理解为根据目标用户的风险等级确定的,可以向目标用户提供业务服务的项目。也就是说,不同的项目可能对应的风险等级的要求是不同的,因此,对于同一个风险等级而言,目标用户的可办理项目也可能存在不同,为了能够更好满足用户的业务办理需求,并尽量降低业务机构在业务服务过程中的风险,可以根据风险等级,确定与目标用户相对应的可办理项目。
具体的,业务机构可预先设置与各业务项目相对应的风险等级,并建立风险等级与相应的业务项目之间的对应关系。在确定目标用户所对应的风险等级后,根据预先建立的风险等级与业务项目之间的对应关系,确定当前可向目标用户提供的可办理项目,以根据可办理项目向目标用户进行业务项目的推荐。
本发明实施例的技术方案,通过获取与目标用户相对应的至少一个待使用数据,并基于各待使用数据确定与所述目标用户相对应的待使用特征向量,根据待使用数据中的子数据所对应的数据类型,确定相应的向量处理方式,并基于各向量处理方式对相应的子数据进行向量化处理,得到待使用特征子向量,并将各待使用特征子向量进行拼接处理,得到待使用特征向量。基于预先构建的风险评估模型对所述待使用特征向量进行处理,得到与所述目标用户相对应的风险评估属性,当检测到目标显示界面中的目标控件被触发时,调取预先构建的风险评估模型,并将与目标用户相对应的待使用特征向量输入该模型中,以基于该模型对目标用户进行风险评估,得到相应的风险评估属性。对所述风险评估属性进行分值转换,得到与所述目标用户相对应的目标评估属性,以基于所述目标评估属性确定所述目标用户所对应的风险等级,基于预设的分值转换公式对风险评估属性进行分值转化,得到目标评估属性,以基于目标评估属性所对应的评估属性区间,确定目标用户所对应的风险等级。解决了由于主观性风险评估导致的风险评估准确性不高的问题,取到了准确对目标用户所对应的风险等级进行评估的效果。
实施例二
图2为本发明实施例二提供的一种风险等级确定方法的流程图,可选的,在获取与目标用户相对应的至少一个待使用数据,并基于各待使用数据确定与目标用户相对应的待使用特征向量之前,还需要预先构建风险评估模型。
如图2所示,该方法包括:
S210、获取至少一个历史用户的历史用户关联数据,对各历史用户关联数据进行向量转换,得到相应的历史特征向量。
其中,历史用户可以理解为向业务机构申请并办理过至少一个业务项目的用户,历史用户关联数据可理解为与历史用户相关联的用户属性数据,如,性别、年龄、学历、职业以及资产等,以及用户业务数据,如,历史业务项目办理数据等。历史特征向量可以理解为对各历史用户关联数据进行向量化处理后得到的特征向量。
在本技术方案中,在对目标用户进行风险评估之前,需要预先构建风险评估模型。具体的,从业务结构的信息存储库中,调取至少一个开始用户的历史用户关联数据,并采用与目标用户的待使用数据相同的向量处理方式,对各历史用户关联数据进行向量化处理,得到相应的历史特征向量。即,对字符型数据采用特征类别编码方式进行向量化处理,对数值型数据采用动态数值编码方式进行向量化处理,并对得到的各特征向量进行相应的拼接处理,得到与各历史用户相对应的历史特征向量,以基于各历史特征向量进行风险评估模型的训练。
S220、基于各历史特征向量构建待使用训练集和待使用测试集,并确定与待训练模型相对应的待使用特征标签。
其中,待训练模型可理解为未经过训练的初始风险评估模型,如可以为神经网络模型,经过对待训练模型进行训练后,即可得到风险评估模型。可以理解的是,在进行模型训练时,通常会选择一部分数据作为训练数据,待使用训练集可理解为基于各训练数据所得到的训练数据集合。此外,还会选自一部分数据作为测试数据,待使用测试集可以理解为基于各测试数据所得到的数据集合。
示例性地,输入待训练模型中的数据供有10000个,可以选择其中的80%的数据作为待使用训练集中的训练数据,将其中的20%的数据作为待使用测试集中的测试数据。需要说明的是,本步骤中提及的数据均为特征向量数据。待使用特征标签可以理解为在对待使用模型进行训练时,预先设置的标签数据。如,将各历史用户进行分类,具体分为优质用户和非优质用户,则待使用特征标签可以为根据用户类别确定的标签,如优质用户设置为1,非优质用户设置为0,或者根据评估属性所对应的评估区间,设置相应的标签,如将0-0.8之间的评估属性所对应的用户确定为非优质用户,0.8-1之间的评估属性所对应的用户设置为优质用户。待使用特征标签包括基于用户样本的特征标签、基于业务数据样本的特征标签或基于用户样本与业务数据样本相结合的结合特征标签中的至少一种。
S230、基于待使用训练集、待使用测试集和待使用特征标签,对待训练模型进行训练,得到风险评估模型。
具体的,在对待训练模型进行训练时,将多个历史特征向量划分至相应的待使用训练集或待使用测试集中,并基于至少一种待使用特征标签,对待训练模型进行训练。示例性地,可以基于用户样本作为待使用特征标签的设置依据,也可以是基于业务数据作为待使用特征标签的设置依据,还可以是将用户样本数据和业务数据进行综合考虑,并基于用户样本数据和业务数据共同作为待使用特征标签的设置依据。
进一步的,通过待使用训练集中的训练数据、待使用测试集中的测试数据以及相应的待使用特征标签,对待训练模型进行训练,可以得到至少一个风险评估模型。可以理解的是,由于训练时采用的待使用特征标签不同,则训练后的模型所对应的准确度也是不同的。为了能够更好的预测目标用户的风险等级,从各模型中挑选风险等级的预测准确度最高的模型作为风险评估模型。
S240、获取与目标用户相对应的至少一个待使用数据,并基于各待使用数据确定与目标用户相对应的待使用特征向量。
S250、基于预先构建的风险评估模型对待使用特征向量进行处理,得到与目标用户相对应的风险评估属性。
S260、对风险评估属性进行分值转换,得到与目标用户相对应的目标评估属性,以基于目标评估属性确定目标用户所对应的风险等级。
本实施例的技术方案,获取至少一个历史用户的历史用户关联数据,对各历史用户关联数据进行向量转换,得到相应的历史特征向量,通过对各历史用户关联数据进行向量化处理,可以得到相应的历史特征向量,以基于各历史特征向量对待训练模型进行训练,得到风险评估模型。基于各历史特征向量构建待使用训练集和待使用测试集,并确定与待训练模型相对应的待使用特征标签,将各历史特征向量划分为待使用训练集中的训练数据,以及待使用测试集中的测试数据,并根据至少一种标签设置方式设置待使用特征标签,以基于待使用训练集、待使用测试集以及待使用特征标签,对待训练模型进行训练,并将风险等级预测的准确度最高的模型作为风险评估模型。基于待使用训练集、待使用测试集和待使用特征标签,对待训练模型进行训练,得到风险评估模型,以在检测到目标显示界面中的目标控件被触发时,调取风险评估模型对目标用户所对应的待使用特征向量进行风险评估,确定目标用户所对应的风险等级。解决了风险评估模型不够准确的问题,取到了预先构建风险评估准确率高的风险评估模型,以基于风险评估模型确定目标用户进行风险等级的效果。
实施例三
在一个具体的例子中,以业务机构为金融业务机构为例,如图3所示,获取至少一个历史用户所对应的历史用户关联数据,并对各历史用户关联数据进行向量化处理,得到相应的历史数据(即,历史特征向量)。预先对各历史特征向量进行划分,得到相应的训练集和测试集(即,待使用训练集和待使用测试集),并设置相应的标签(即,待使用特征标签),以基于训练集、测试集和标签,对待训练模型进行训练,得到风险评估模型。可以理解的是,在将各历史特征向量输入待训练模型之前,需要先对各历史特征向量所对应的历史用户关联数据进行预处理,如,剔除历史用户关联数据中的无效数据、填充缺值以及对数据中的异常数据进行处理等,以基于预处理后的历史用户关联数据进行向量化处理,得到历史特征向量,也就是确定各历史用户关联数据所对应的特征工程。
在实际应用中,构建好风险评估模型后,若需要对目标用户进行风险评估,需要获取与目标用户相对应的待使用数据,并采用与历史用户关联数据相同的数据预处理方法,对待使用数据进行预处理,以对处理后的待使用数据进行向量化处理,得到特征工程(即,待使用特征向量)。当检测到目标显示界面中的目标控件被触发时,启动线上预测模块,并调取预先构建的风险评估模型,以基于风险评估模型对目标用户进行风险评估。具体的,基于风险评估模型可以得到预测概率结果(即,风险评估属性),进一步的,基于个人用户分级模块,对风险评估属性进行分值转换,得到预测结果(即,目标评估属性),并输出,以基于目标评估属性确定与目标用户相对应的风险等级,以根据风险等级向目标用户进行相应的项目推荐。
其中,在构建风险评估模型时,如图4所示,在待训练模型中输入数据集(即,历史用户的历史用户关联数据),并对数据集中的数据进行数据格式检查,以确保数据格式可以被待训练模型所识别处理。通过对历史用户关联数据进行预处理,如类别统计、数值统计以及缺失值统计等,确定与各历史用户关联数据相对应的类别数、众数、类别值、众数次数值、最大值、最小值、均值、方差、四分位值以及缺失率等,进一步的,对历史用户关联数据进异常值分析和缺失值分析,并进行相应的处理。为了保证风险评估模型的准确性,可以采用不同的数据处理方式对历史用户关联数据进行处理,其一为分箱操作基于逻辑回归线性算法,得到统计学习模型作为风险评估模型,其二为对历史用户关联数据进行编码处理和归一化和标准化,得到相应的历史特征向量,并基于LightGBM树算法进行模型训练,得到机器学习模型作为风险评估模型。通过对两种模型所得到的风险等级评估的准确性进行比较,将准确性较高的模型作为最终的风险评估模型。
此时,得到预先构建的风险评估模型后,可以基于预先构建的风险评估模型对目标用户进行风险等级评估。具体的,可以获取与目标用户相对应的待使用数据,根据待使用数据中的各子数据所对应的数据类型,确定相应的向量处理方式,如,若数据类型为字符串类型,则基于One-hot Encoder方式将类别数据转换为哑变量(Dummy Variable),比如(性别:男or女)=>(男:0 or 1;女:0 or 1)。若数据类型为数值类型,则主要是将用户的动态数值特征进行滑动平均值和标准差的计算。我们这里对每个用户的数值型特征动态取平均值和方差,动态窗口为3;以2019年3月的数据为列,新生成的均值和方差是用户在2019年1月——2019年3月的均值和方差。基于不同的向量处理方式对相应的子数据进行向量化处理,得到相应的待使用特征子向量,并将各待使用特征子向量按照各子数据的排列顺序进行拼接处理,得到与目标用户相对应的待使用特征向量。当检测到目标显示界面中的目标控件被触发时,调用预先构建的风险评估模型对与目标用户相对应的各待使用特征向量进行分析处理,得到相应的风险评估属性,并基于预先设置的分值转换公式对风险评估属性进行分值转换,得到目标评估属性,以基于目标评估属性所对应的评估属性区间,确定与目标用户相对应的风险等级,并确定目标用户是否为优质用户。
此外,还需要说明的是,在本技术方案中,对风险评估模型进行训练时,涉及到待使用特征标签的设置。为了使得到的风险评估模型对目标用户的风险等级评估更加准确,可以采用不同的标签设置规则确定待使用特征标签。
示例性地,可以采用基于用户样本数据作为待使用特征标签的设置依据,即,无动态特征、按客户打标签和随机抽样相结合的方式作为待使用特征标签的设置依据。如,取平仓数据集2017年后的数据进行匹配,并对用户打标签,按用户打标签,首次被平仓时间点之前的数据标记为“坏样本”,对于非优质用户而言去掉其首次平仓之后的数据,并结合数据情况,取2019-01-01之前的数据作为训练集,取2019-01-01之后的数据作为测试集。具体的,可以采用随机抽样方式,随机抽取与非优质用户样本相当数量的优质用户样本进行训练由于全样本建模方式数据严重不平衡,优质用户:非优质用户≈200:1,即使在训练阶段的精确率分数值仅仅为0.01798,因此之后建模均采取抽样方式。
示例性地,还可以采用基于业务样本数据作为待使用特征标签的设置依据,即,无动态特征、按样本打标签和随机抽样相结合的方式作为待使用特征标签的设置依据。如,某个月时间段内出现平仓数据标签1,打到上个月数据上。如,平仓数据则会在样本数据中,将cust_id为60125119,日期为2019-05-31的样本的标签打上1。
示例性地,还可以采用用户样本数据和业务样本数据相结合的方式作为待使用特征标签的设置依据,即无动态特征、动态特征对比和按样本相结合的方式作为待使用特征标签的设置依据。即,优质用户取最后一个月的数值型特征及数值型扩展特征非优质用户取平仓前一个月的数据为坏样本,包含数值型特征及数值型扩展特征(平仓前三条样本的均值和方差),舍弃其余非优质用户的样本,分别取原始数值型特征、原始数值型特征+mean特征、原始数值型特征+mean特征+std特征进行静态和动态特征对比。加入动态特征结果有优化。
示例性地,还可以动态特征和优质用户抽样相结合的方式作为待使用特征标签的设置依据(如,第一月、最后一月、随机一个月或随机一条),即,优质用户取第一月的原始数值型特征+动态扩展mean特征非优质用户取平仓前一个月的数据为坏样本,包含原始数值型特征+动态扩展mean特征(平仓前三条样本的均值和方差),舍弃其余非优质用户的样本。优质用户取最后一个月的原始数值型特征+动态扩展mean特征非优质用户取平仓前一个月的数据为坏样本,包含原始数值型特征+动态扩展mean特征(平仓前三条样本的均值和方差),舍弃其余非优质用户的样本。优质用户取随机一个月的原始数值型特征+动态扩展mean特征非优质用户取平仓前一个月的数据为坏样本,包含原始数值型特征+动态扩展mean特征(平仓前三条样本的均值和方差),舍弃其余非优质用户的样本。
示例性地,还可以采用动态特征和优质用户按比例抽样相结合的方式作为待使用特征标签的设置依据(如,依据非优质用户分布确定比例)的方式作为待使用特征标签的设置依据。具体的,优质用户按用户id每个人取随机一条原始数值型特征+动态扩展mean特征非优质用户取平仓前一个月的数据为坏样本,包含原始数值型特征+动态扩展mean特征(平仓前三条样本的均值和方差),舍弃其余非优质用户的样本。首先计算非优质用户在各个月份的占比,发现2018年份发生平仓的用户占大多数,这也验证了市场行情对发生平仓风险的影响。进一步的,依据非优质用户分布确定优质用id在每个月的占比:依据以上的非优质用户的年份平仓比例,我们对优质用户进行了按年份比例抽样(2017:2018:2019=2:7:1),优质用户按比例取原始数值型特征+动态扩展mean特征非优质用户取平仓前一个月的数据为坏样本,包含原始数值型特征+动态扩展mean特征(即,平仓前三条样本的均值和方差),舍弃其余非优质用户的样本。这样设置的好处在于,充分考虑各种待使用特征标签的设置方式,并基于各待使用特征标签、待使用训练集以及待使用测试集,对待训练模型进行训练,并根据得到的各模型对风险等级评估的准确性,确定准确性最高的模型作为风险评估模型,以尽量提高风险评估模型对目标用户的风险等级评估的准确性。
本发明实施例的技术方案,通过获取与目标用户相对应的至少一个待使用数据,并基于各待使用数据确定与所述目标用户相对应的待使用特征向量,根据待使用数据中的子数据所对应的数据类型,确定相应的向量处理方式,并基于各向量处理方式对相应的子数据进行向量化处理,得到待使用特征子向量,并将各待使用特征子向量进行拼接处理,得到待使用特征向量。基于预先构建的风险评估模型对所述待使用特征向量进行处理,得到与所述目标用户相对应的风险评估属性,当检测到目标显示界面中的目标控件被触发时,调取预先构建的风险评估模型,并将与目标用户相对应的待使用特征向量输入该模型中,以基于该模型对目标用户进行风险评估,得到相应的风险评估属性。对所述风险评估属性进行分值转换,得到与所述目标用户相对应的目标评估属性,以基于所述目标评估属性确定所述目标用户所对应的风险等级,基于预设的分值转换公式对风险评估属性进行分值转化,得到目标评估属性,以基于目标评估属性所对应的评估属性区间,确定目标用户所对应的风险等级。解决了由于主观性风险评估导致的风险评估准确性不高的问题,取到了准确对目标用户所对应的风险等级进行评估的效果。
实施例四
图5为本发明实施例四提供的一种风险等级确定装置的结构示意图。如图5所示,该装置包括:特征向量确定模块310、风险评估属性确定模块320和目标评估属性确定模块330。
其中,特征向量确定模块310,用于获取与目标用户相对应的至少一个待使用数据,并基于各待使用数据确定与目标用户相对应的待使用特征向量;其中,待使用数据包括目标用户的用户属性数据以及用户业务关联数据;
风险评估属性确定模块320,用于基于预先构建的风险评估模型对待使用特征向量进行处理,得到与目标用户相对应的风险评估属性;
目标评估属性确定模块330,用于对风险评估属性进行分值转换,得到与目标用户相对应的目标评估属性,以基于目标评估属性确定目标用户所对应的风险等级。
本发明实施例的技术方案,通过获取与目标用户相对应的至少一个待使用数据,并基于各待使用数据确定与所述目标用户相对应的待使用特征向量,根据待使用数据中的子数据所对应的数据类型,确定相应的向量处理方式,并基于各向量处理方式对相应的子数据进行向量化处理,得到待使用特征子向量,并将各待使用特征子向量进行拼接处理,得到待使用特征向量。基于预先构建的风险评估模型对所述待使用特征向量进行处理,得到与所述目标用户相对应的风险评估属性,当检测到目标显示界面中的目标控件被触发时,调取预先构建的风险评估模型,并将与目标用户相对应的待使用特征向量输入该模型中,以基于该模型对目标用户进行风险评估,得到相应的风险评估属性。对所述风险评估属性进行分值转换,得到与所述目标用户相对应的目标评估属性,以基于所述目标评估属性确定所述目标用户所对应的风险等级,基于预设的分值转换公式对风险评估属性进行分值转化,得到目标评估属性,以基于目标评估属性所对应的评估属性区间,确定目标用户所对应的风险等级。解决了由于主观性风险评估导致的风险评估准确性不高的问题,取到了准确对目标用户所对应的风险等级进行评估的效果。
可选的,风险等级确定装置,还包括:历史特征向量确定模块,用于获取至少一个历史用户的历史用户关联数据,对各历史用户关联数据进行向量转换,得到相应的历史特征向量;
特征标签确定模块,用于基于各历史特征向量构建待使用训练集和待使用测试集,并确定与待训练模型相对应的待使用特征标签;其中,待使用特征标签包括基于用户样本的特征标签、基于业务数据样本的特征标签或基于用户样本与业务数据样本相结合的结合特征标签中的至少一种;
风险评估模型确定模块,用于基于待使用训练集、待使用测试集和待使用特征标签,对待训练模型进行训练,得到风险评估模型。
可选的,特征向量确定模块包括:数据类型确定单元,用于针对各待使用数据,确定当前待使用数据所对应的当前数据类型;其中,当前数据类型包括用字符串类型或数值类型;
特征子向量确定单元,用于基于与当前数据类型相对应的向量处理方式,确定与当前待使用数据相对应的待使用特征子向量;
特征向量确定单元,用于将各待使用特征子向量进行拼接处理,确定与目标用户相对应的待使用特征向量。
可选的,特征子向量确定单元,包括:数据类型确定子单元,用于确定当前数据类型是否为字符串类型;
第一确定子单元,用于若是,则基于特征类别编码方式,对当前待使用数据进行向量化处理,得到第一待使用特征子向量;
第二确定子单元,用于若否,则基于动态数值编码方式,对当前待使用数据进行向量化处理,得到第二待使用特征子向量。
可选的,风险评估属性确定模块包括:风险评估模型调取单元,用于当检测到目标显示界面中的目标控件被触发时,调取预先构建的风险评估模型;
风险评估属性确定单元,用于基于风险评估模型,对待使用特征向量进行概率计算,得到与目标用户相对应的风险评估属性。
可选的,目标评估属性确定模块包括:目标评估属性确定单元,用于基于分值转换公式,对风险评估属性进行分值转化,得到相应的目标评估属性;
风险等级确定模块,用于根据目标评估属性所对应的评估属性区间,确定目标评估属性所对应的风险等级。
可选的,风险等级确定装置,还包括:用户类别确定模块,用于根据风险等级,确定与目标用户相对应的用户类别;其中,用户类别包括优质用户类别或非优质用户类别;
可办理项目确定模块,用于基于用户类别,确定目标用户所对应的至少一个可办理项目,以根据各可办理项目向目标用户进行项目推荐。
本发明实施例所提供的风险等级确定装置可执行本发明任意实施例所提供的风险等级确定方法,具备执行方法相应的功能模块和有益效果。
实施例五
图6示出了本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图6所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如风险等级确定方法。
在一些实施例中,风险等级确定方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的风险等级确定方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行风险等级确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的风险等级确定方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括用户端和服务器。用户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有用户端-服务器关系的计算机程序来产生用户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种风险等级确定方法,其特征在于,包括:
获取与目标用户相对应的至少一个待使用数据,并基于各待使用数据确定与所述目标用户相对应的待使用特征向量;其中,所述待使用数据包括所述目标用户的用户属性数据以及用户业务关联数据;
基于预先构建的风险评估模型对所述待使用特征向量进行处理,得到与所述目标用户相对应的风险评估属性;
对所述风险评估属性进行分值转换,得到与所述目标用户相对应的目标评估属性,以基于所述目标评估属性确定所述目标用户所对应的风险等级。
2.根据权利要求1所述的方法,其特征在于,在所述获取与目标用户相对应的待使用数据,并确定与所述待使数据相对应的待使用特征向量之前,还包括:
获取至少一个历史用户的历史用户关联数据,对各历史用户关联数据进行向量转换,得到相应的历史特征向量;
基于各历史特征向量构建待使用训练集和待使用测试集,并确定与待训练模型相对应的待使用特征标签;其中,所述待使用特征标签包括基于用户样本的特征标签、基于业务数据样本的特征标签或基于用户样本与业务数据样本相结合的结合特征标签中的至少一种;
基于所述待使用训练集、所述待使用测试集和所述待使用特征标签,对所述待训练模型进行训练,得到风险评估模型。
3.根据权利要求1所述的方法,其特征在于,所述基于各待使用数据确定与所述目标用户相对应的待使用特征向量,包括:
针对各待使用数据,确定当前待使用数据所对应的当前数据类型;其中,所述当前数据类型包括用字符串类型或数值类型;
基于与所述当前数据类型相对应的向量处理方式,确定与所述当前待使用数据相对应的待使用特征子向量;
将各待使用特征子向量进行拼接处理,确定与所述目标用户相对应的待使用特征向量。
4.根据权利要求3所述的方法,其特征在于,所述待使用特征子向量包括第一待使用特征子向量和第二待使用特征子向量,所述基于与所述当前数据类型相对应的向量处理方式,确定与所述当前待使用数据相对应的待使用特征子向量,包括:
确定所述当前数据类型是否为字符串类型;
若是,则基于特征类别编码方式,对所述当前待使用数据进行向量化处理,得到第一待使用特征子向量;
若否,则基于动态数值编码方式,对所述当前待使用数据进行向量化处理,得到第二待使用特征子向量。
5.根据权利要求1所述的方法,其特征在于,所述基于预先构建的风险评估模型对所述待使用特征向量进行处理,得到与所述目标用户相对应的风险评估属性,包括:
当检测到目标显示界面中的目标控件被触发时,调取预先构建的风险评估模型;
基于所述风险评估模型,对所述待使用特征向量进行概率计算,得到与所述目标用户相对应的风险评估属性。
6.根据权利要求1所述的方法,其特征在于,所述对所述风险评估属性进行分值转换,得到与所述目标用户相对应的目标评估属性,以基于所述目标评估属性确定所述目标用户所对应的风险等级,包括:
基于分值转换公式,对所述风险评估属性进行分值转化,得到相应的目标评估属性;
根据所述目标评估属性所对应的评估属性区间,确定所述目标评估属性所对应的风险等级。
7.根据权利要求1所述的方法,其特征在于,还包括:
根据所述风险等级,确定与所述目标用户相对应的用户类别;其中,所述用户类别包括优质用户类别或非优质用户类别;
基于所述用户类别,确定所述目标用户所对应的至少一个可办理项目,以根据各可办理项目向所述目标用户进行项目推荐。
8.一种风险等级确定装置,其特征在于,包括:
特征向量确定模块,用于获取与目标用户相对应的至少一个待使用数据,并基于各待使用数据确定与所述目标用户相对应的待使用特征向量;其中,所述待使用数据包括所述目标用户的用户属性数据以及用户业务关联数据;
风险评估属性确定模块,用于基于预先构建的风险评估模型对所述待使用特征向量进行处理,得到与所述目标用户相对应的风险评估属性;
目标评估属性确定模块,用于对所述风险评估属性进行分值转换,得到与所述目标用户相对应的目标评估属性,以基于所述目标评估属性确定所述目标用户所对应的风险等级。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的风险等级确定方法。
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指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的风险等级确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211233250.0A CN115545481A (zh) | 2022-10-10 | 2022-10-10 | 一种风险等级确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211233250.0A CN115545481A (zh) | 2022-10-10 | 2022-10-10 | 一种风险等级确定方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115545481A true CN115545481A (zh) | 2022-12-30 |
Family
ID=84732787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211233250.0A Pending CN115545481A (zh) | 2022-10-10 | 2022-10-10 | 一种风险等级确定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115545481A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116362548A (zh) * | 2023-04-19 | 2023-06-30 | 江苏久和机械有限公司 | 一种标准节可用性管理方法、系统、装置和存储介质 |
-
2022
- 2022-10-10 CN CN202211233250.0A patent/CN115545481A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116362548A (zh) * | 2023-04-19 | 2023-06-30 | 江苏久和机械有限公司 | 一种标准节可用性管理方法、系统、装置和存储介质 |
CN116362548B (zh) * | 2023-04-19 | 2023-10-31 | 江苏久和机械有限公司 | 一种标准节可用性管理方法、系统、装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112116184A (zh) | 使用历史检验数据的工厂风险估计 | |
CN116629620B (zh) | 一种风险等级确定方法、装置、电子设备及存储介质 | |
CN112116185A (zh) | 使用历史检验数据的检验风险估计 | |
CN115422028A (zh) | 标签画像体系的可信度评估方法、装置、电子设备及介质 | |
CN113392920B (zh) | 生成作弊预测模型的方法、装置、设备、介质及程序产品 | |
CN115409419A (zh) | 业务数据的价值评估方法、装置、电子设备及存储介质 | |
CN115545481A (zh) | 一种风险等级确定方法、装置、电子设备及存储介质 | |
CN114092230A (zh) | 一种数据处理方法、装置、电子设备及计算机可读介质 | |
EP4258193A1 (en) | Method and apparatus for predicting risk, electronic device, computer readable storage medium | |
CN116578925A (zh) | 基于特征画像的行为预测方法、装置及存储介质 | |
CN115618264A (zh) | 数据资产的主题分类方法、装置、设备和介质 | |
CN113239273B (zh) | 用于生成文本的方法、装置、设备以及存储介质 | |
CN115630708A (zh) | 一种模型更新方法、装置、电子设备、存储介质及产品 | |
CN115034762A (zh) | 一种岗位推荐方法、装置、存储介质、电子设备及产品 | |
CN114202309A (zh) | 用户与企业的匹配参数的确定方法、电子设备及程序产品 | |
CN114708117A (zh) | 融合先验知识的用电安全检查评级方法、装置及设备 | |
CN113807391A (zh) | 任务模型的训练方法、装置、电子设备及存储介质 | |
CN112950392A (zh) | 信息展示方法、后验信息确定方法及装置及相关设备 | |
CN117010760A (zh) | 等级评估方法、装置、设备、存储介质及程序产品 | |
CN114443988A (zh) | 一种信息展示方法、装置、电子设备和存储介质 | |
CN115221421A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN115617676A (zh) | 一种软件测试范围确定方法、装置、电子设备和存储介质 | |
CN115563390A (zh) | 一种课程推荐列表的确定方法、装置、设备及存储介质 | |
CN115146725A (zh) | 对象分类模式的确定方法、对象分类方法、装置和设备 | |
CN117493785A (zh) | 数据处理方法、装置及电子设备 |
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 |