CN115660814A - 风险预测方法、装置、计算机可读存储介质及电子设备 - Google Patents
风险预测方法、装置、计算机可读存储介质及电子设备 Download PDFInfo
- Publication number
- CN115660814A CN115660814A CN202211393333.6A CN202211393333A CN115660814A CN 115660814 A CN115660814 A CN 115660814A CN 202211393333 A CN202211393333 A CN 202211393333A CN 115660814 A CN115660814 A CN 115660814A
- Authority
- CN
- China
- Prior art keywords
- target
- objects
- node
- knowledge graph
- information
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种风险预测方法、装置、计算机可读存储介质及电子设备。涉及人工智能领域,该方法包括:获取至少一个待评估对象对应的目标信息;基于至少一个待评估对象对应的目标信息,构建第一目标知识图谱;基于第一目标知识图谱,预测每个第一目标对象之间的社会关系,得到第一预测结果;基于第一预测结果更新第一目标知识图谱,得到第二目标知识图谱;基于第二目标知识图谱,预测第二目标对象对应的风险评分。本发明解决了相关技术中仅基于客户的个人信息预测客户风险造成的预测准确度低的技术问题。
Description
技术领域
本发明涉及人工智能领域,具体而言,涉及一种风险预测方法、装置、计算机可读存储介质及电子设备。
背景技术
客户的个人风险预测在相关金融机构的风险管理工作上具有十分重要的意义,个人风险的预测结果可用于信用额度授信、利率风险定价、贷前风险评估、贷中行为评分、贷后催收评分等范围十分广泛的领域中,并发挥十分重要的作用。目前各个人风险预测方案都是对客户个人信息进行相关特征抽取,然后使用逻辑回归模型、决策树模型或集成学习模型来进行风险预测,从而具有预测准确度低的问题。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种风险预测方法、装置、计算机可读存储介质及电子设备,以至少解决相关技术中仅基于客户的个人信息预测客户风险造成的预测准确度低的技术问题。
根据本发明实施例的一个方面,提供了一种风险预测方法,包括:获取至少一个待评估对象对应的目标信息,其中,目标信息至少包括待评估对象的对象信息和交易信息,交易信息至少包括与待评估对象进行交易的交易对象的交易对象信息及交易资金流向信息;基于至少一个待评估对象对应的目标信息,构建第一目标知识图谱,其中,第一目标知识图谱由节点和用于连接节点的边组成,节点与第一目标对象一一对应,边为基于第一目标对象之间的交易信息确定的,第一目标对象为待评估对象或交易对象;基于第一目标知识图谱,预测每个第一目标对象之间的社会关系,得到第一预测结果;基于第一预测结果更新第一目标知识图谱,得到第二目标知识图谱;基于第二目标知识图谱,预测第二目标对象对应的风险评分,其中,风险评分表征第二目标对象办理目标业务的风险程度,第二目标对象为至少一个待评估对象,或,第二目标对象为至少一个待评估对象和至少一个交易对象。
进一步地,风险预测方法还包括:基于第一目标知识图谱,对每个第一节点进行向量表示处理,得到每个第一节点对应的表示信息,其中,第一节点为第一目标知识图谱中的节点,表示信息用于表征当前节点对应的特征信息;将多个第一节点中任意两个第一节点进行组合,得到多个第一节点组合;将每个第一节点组合中的第一节点对应的表示信息进行组合,得到每个第一节点组合对应的组合表示信息;通过目标关系预测模型,基于每个第一节点组合对应的组合表示信息,预测每个第一节点组合对应的两个第一目标对象之间的社会关系,得到第一预测结果。
进一步地,风险预测方法还包括:基于第二目标知识图谱,对每个第二节点进行向量表示处理,得到每个第二节点对应的表示信息,其中,第二节点为第二目标知识图谱中的节点;基于第二目标对象对应的第二节点的表示信息,预测第二目标对象对应的风险评分。
进一步地,风险预测方法还包括:基于多个历史对象对应的历史目标信息,构建第三目标知识图谱;基于第三目标知识图谱,对每个第三节点进行向量表示处理,得到每个第三节点对应的表示信息,其中,第三节点为第三目标知识图谱中的节点;基于每个第三节点对应的表示信息,构建多个第一数据样本;获取多个第三目标对象之间的社会关系,并基于多个第三目标对象之间的社会关系,确定第一目标数据样本对应的标签,其中,多个第三目标对象为所有第三节点对应的对象中的至少部分对象,第一目标数据样本与第三目标对象对应;基于第一目标数据样本以及第一目标数据样本对应的标签,训练初始关系预测模型,得到目标关系预测模型。
进一步地,风险预测方法还包括:在基于第二目标知识图谱,预测第二目标对象对应的风险评分之前,基于每个第三节点对应的对象之间的社会关系,更新第三目标知识图谱,得到第四目标知识图谱;基于第四目标知识图谱,对每个第四节点进行向量表示处理,得到每个第四节点对应的表示信息,其中,第四节点为第四目标知识图谱中的节点;基于每个第四节点对应的表示信息,构建多个第二数据样本;获取多个第四目标对象对应的贷后行为信息,并基于多个第四目标对象对应的贷后行为信息,确定第二目标数据样本对应的标签,其中,多个第四目标对象为多个第四节点对应的对象中的至少部分对象,第二目标数据样本与第四目标对象对应;基于第二目标数据样本以及第二目标数据样本对应的标签,训练初始风险预测模型,得到目标风险预测模型,其中,目标风险预测模型用于预测第二目标对象对应的风险评分。
进一步地,风险预测方法还包括:在基于每个第三节点对应的对象之间的社会关系,更新第三目标知识图谱,得到第四目标知识图谱之前,若多个第三目标对象为所有第三节点对应的对象中的至少部分对象,则通过目标关系预测模型,基于第三目标知识图谱,预测每个第三节点对应的对象之间的社会关系,得到第二预测结果;基于多个第三目标对象之间的社会关系和第二预测结果,确定每个第三节点对应的对象之间的社会关系。
进一步地,风险预测方法还包括:在初始图谱中生成与第一目标对象一一对应的节点;基于第一目标对象之间的交易信息,确定第一目标对象之间的交易关系;基于第一目标对象之间的交易关系构建初始图谱中至少一个节点之间的有向边,得到第一目标知识图谱。
根据本发明实施例的另一方面,还提供了一种风险预测装置,包括:第一获取模块,用于获取至少一个待评估对象对应的目标信息,其中,目标信息至少包括待评估对象的对象信息和交易信息,交易信息至少包括与待评估对象进行交易的交易对象的交易对象信息及交易资金流向信息;第一构建模块,用于基于至少一个待评估对象对应的目标信息,构建第一目标知识图谱,其中,第一目标知识图谱由节点和用于连接节点的边组成,节点与第一目标对象一一对应,边为基于第一目标对象之间的交易信息确定的,第一目标对象为待评估对象或交易对象;第一预测模块,用于基于第一目标知识图谱,预测每个第一目标对象之间的社会关系,得到第一预测结果;第一更新模块,用于基于第一预测结果更新第一目标知识图谱,得到第二目标知识图谱;第二预测模块,用于基于第二目标知识图谱,预测第二目标对象对应的风险评分,其中,风险评分表征第二目标对象办理目标业务的风险程度,第二目标对象为至少一个待评估对象,或,第二目标对象为至少一个待评估对象和至少一个交易对象。
根据本发明实施例的另一方面,还提供了一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,其中,计算机程序被设置为运行时执行上述的风险预测方法。
根据本发明实施例的另一方面,还提供了一种电子设备,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,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现用于运行程序,其中,程序被设置为运行时执行上述的风险预测方法。
在本发明实施例中,采用结合用户的个人信息和社会关系信息,预测用户办理目标业务的风险程度的方式,通过获取至少一个待评估对象对应的目标信息,然后基于至少一个待评估对象对应的目标信息,构建第一目标知识图谱,接着基于第一目标知识图谱,预测每个第一目标对象之间的社会关系,得到第一预测结果,并基于第一预测结果更新第一目标知识图谱,得到第二目标知识图谱,从而可以基于第二目标知识图谱,预测第二目标对象对应的风险评分。其中,目标信息至少包括待评估对象的对象信息和交易信息,交易信息至少包括与待评估对象进行交易的交易对象的交易对象信息及交易资金流向信息,第一目标知识图谱由节点和用于连接节点的边组成,节点与第一目标对象一一对应,边为基于第一目标对象之间的交易信息确定的,第一目标对象为待评估对象或交易对象,风险评分表征第二目标对象办理目标业务的风险程度,第二目标对象为至少一个待评估对象,或,第二目标对象为至少一个待评估对象和至少一个交易对象。
在上述过程中,通过基于至少一个待评估对象对应的目标信息,构建第一目标知识图谱,实现了对各待评估对象的个人信息及其交易信息的有效描述。进一步地通过预测每个第一目标对象之间的社会关系,并基于预测结果更新第一目标知识图谱得到第二目标知识图谱,实现了在知识图谱中对待评估对象以及交易对象中各对象对应的关系信息的有效丰富,更进一步地,通过基于第二目标知识图谱,预测对象的风险评分,实现了结合对象的个人相关信息以及社会关系信息预测对象办理目标业务的风险程度,从而可以实现对用户风险的准确预测,提高了预测准确度。
由此可见,本申请所提供的方案达到了结合用户的个人信息和社会关系信息,预测用户办理目标业务的风险程度的目的,从而实现了提高预测准确度的技术效果,进而解决了相关技术中仅基于客户的个人信息预测客户风险造成的预测准确度低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种可选的风险预测方法的示意图;
图2是根据本发明实施例的一种可选的第一目标知识图谱的示意图;
图3是根据本发明实施例的一种可选的第二目标知识图谱的示意图;
图4是根据本发明实施例的一种可选的风险预测系统在训练阶段的示意图;
图5是根据本发明实施例的一种可选的目标关系预测模型和目标风险预测模型的训练示意图;
图6是根据本发明实施例的一种可选的风险预测装置的示意图;
图7是根据本发明实施例的一种可选的电子设备的示意图。
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。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,本公开所涉及的相关信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等),均为经用户授权或者经过各方充分授权的信息和数据。例如,本系统和相关用户或机构间设置有接口,在获取相关信息之前,需要通过接口向前述的用户或机构发送获取请求,并在接收到前述的用户或机构反馈的同意信息后,获取相关信息。
实施例1
根据本发明实施例,提供了一种风险预测方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种可选的风险预测方法的示意图,如图1所示,该方法包括如下步骤:
步骤S101,获取至少一个待评估对象对应的目标信息,其中,目标信息至少包括待评估对象的对象信息和交易信息,交易信息至少包括与待评估对象进行交易的交易对象的交易对象信息及交易资金流向信息。
在步骤S101中,可以通过电子设备、计算机、应用系统等装置获取至少一个待评估对象对应的目标信息,在本实施例中,可以通过风险预测系统中的特征数据获取模块获取至少一个待评估对象对应的目标信息,待评估对象可以是在目标金融机构具有账户的客户,目标金融机构可以与风险预测系统进行信息通讯。可选的,目标信息包括待评估对象的客户属性信息(即前述的对象信息),客户属性信息可以包括待评估对象的年龄信息、收入信息、资产信息等,目标信息还包括交易信息,交易信息包括与待评估对象进行交易的交易对象的交易对象信息,若交易对象在目标金融机构中不具有账户,则交易对象信息可以仅包括交易对象的标识,若交易对象在目标金融机构中具有账户,则交易对象信息还可以包括交易对象的相关客户属性信息。交易信息还包括交易资金流向信息,交易资金流向信息表征交易资金的流动方向,例如,资金流向信息可以是“资金从待评估对象流向交易对象”,可选的,交易信息还可以包括交易资金的额度信息等信息。此外,目标信息还可以包括待评估对象在目标金融机构持有的业务产品信息,业务产品信息可以包括投资产品信息、理财产品信息、保险产品信息等。
步骤S102,基于至少一个待评估对象对应的目标信息,构建第一目标知识图谱,其中,第一目标知识图谱由节点和用于连接节点的边组成,节点与第一目标对象一一对应,边为基于第一目标对象之间的交易信息确定的,第一目标对象为待评估对象或交易对象。
在步骤S102中,风险预测系统中的知识图谱构建模块可以获取前述的至少一个待评估对象对应的目标信息,然后基于目标信息构建第一目标知识图谱。可选的,在构建过程中,知识图谱构建模块可以基于待评估对象和交易对象中的每一个对象,在第一目标知识图谱中构建对应的节点,并基于第一目标对象之间的交易信息确定连接于节点之间的有向边。其中,需要说明的是,由于待评估对象和交易对象为相对概念,因此,某一对象可以同时是待评估对象和交易对象,但第一目标知识图谱中仅会存在一个节点与该对象对应,例如,客户A和客户B均为待评估对象,且客户A和客户B之间有资金流动,则客户A相对于客户B而言,是交易对象,客户B相对于客户A而言,也是交易对象,而第一目标知识图谱中存在与客户A对应的唯一节点,以及与客户B对应的唯一节点。
需要说明的是,通过基于至少一个待评估对象对应的目标信息,构建第一目标知识图谱,实现了对各待评估对象的个人信息及其交易信息的有效描述。
步骤S103,基于第一目标知识图谱,预测每个第一目标对象之间的社会关系,得到第一预测结果。
在步骤S103中,知识图谱构建模块可以通过预先训练好的目标关系预测模型,基于第一目标知识图谱,预测第一目标知识图谱中每个节点对应的对象之间的社会关系,也即预测每个第一目标对象之间的社会关系,从而得到第一预测结果。其中,预测每个第一目标对象之间的社会关系包括:预测交易对象和交易对象之间的社会关系,预测交易对象和待评估对象之间的社会关系,预测待评估对象和待评估对象之间的社会关系。前述的社会关系可以是亲属关系、朋友关系、家庭关系等。
需要说明的是,通过预测每个第一目标对象之间的社会关系,实现了对待评估对象以及交易对象中各对象对应的关系信息的有效丰富,从而可以丰富后续用于风险预测时的参考因素,进而可以提高风险预测的准确性。
步骤S104,基于第一预测结果更新第一目标知识图谱,得到第二目标知识图谱。
在步骤S104中,知识图谱构建模块可以基于第一预测结果中各第一目标对象之间的社会关系,对第一目标知识图谱中的边进行更新,例如,在第一目标知识图谱中,若两节点之间本来不存在边,但基于第一预测结果确定前述的两节点之间存在相关社会关系,则可以在两节点之间构建一条边,又例如,在在第一目标知识图谱中,若两节点之间本来存在边,且基于第一预测结果确定前述的两节点之间存在相关社会关系,则可以为两节点之间的边添加对应的社会关系属性,从而实现对第一目标知识图谱的更新,得到第二目标知识图谱。
进一步地,在更新第一目标知识图谱的过程中,知识图谱构建系统还可以从预设的存储区域中获取交易对象与待评估对象之间已知的社会关系,并结合已知的社会关系和第一预测结果更新第二目标知识图谱。其中,交易对象与待评估对象之间已知的社会关系可以是交易对象或待评估对象在目标金融机构中办理相关业务时所登记的,从而存储在预设的存储区域中。
需要说明的是,通过基于第一预测结果更新第一目标知识图谱,得到第二目标知识图谱,实现了对知识图谱中信息的有效丰富,从而便于后续预测风险评分。
步骤S105,基于第二目标知识图谱,预测第二目标对象对应的风险评分,其中,风险评分表征第二目标对象办理目标业务的风险程度,第二目标对象为至少一个待评估对象,或,第二目标对象为至少一个待评估对象和至少一个交易对象。
在步骤S105中,风险预测系统中的风险评分模块可以先基于第二目标知识图谱,提取出每个节点对应的特征信息,然后将每个待评估对象对应的节点的特征信息输入到预先训练好的目标风险预测模型中,以预测出每个待评估对象对应的贷后行为,或是,将每个待评估对象对应的节点的特征信息以及至少一个交易对象对应的节点的特征信息输入到预先训练好的目标风险预测模型中,以预测出每个待评估对象对应的贷后行为,以及至少一个交易对象对应的贷后行为。进而可以基于每个对象对应的贷后行为预测每个对象的风险评分,例如,若预测出的贷后行为表征的逾期时间越长,或者,预测出的贷后行为表征的逾期次数越多,则可以确定对应的风险评分越低,该对象办理目标业务的风险程度越高。其中,目标业务为目标金融机构中的业务。可选的,根据训练样本集的不同,预先训练好的目标风险预测模型也可以基于节点的特征信息,直接预测出每个对象的风险评分。
需要说明的是,通过基于第二目标知识图谱,预测对象的风险评分,实现了结合对象的个人相关信息以及社会关系信息预测对象办理目标业务的风险程度,从而可以实现对用户风险的准确预测,提高了预测准确度。
基于上述步骤S101至步骤S105所限定的方案,可以获知,在本发明实施例中,采用结合用户的个人信息和社会关系信息,预测用户办理目标业务的风险程度的方式,通过获取至少一个待评估对象对应的目标信息,然后基于至少一个待评估对象对应的目标信息,构建第一目标知识图谱,接着基于第一目标知识图谱,预测每个第一目标对象之间的社会关系,得到第一预测结果,并基于第一预测结果更新第一目标知识图谱,得到第二目标知识图谱,从而可以基于第二目标知识图谱,预测第二目标对象对应的风险评分。其中,目标信息至少包括待评估对象的对象信息和交易信息,交易信息至少包括与待评估对象进行交易的交易对象的交易对象信息及交易资金流向信息,第一目标知识图谱由节点和用于连接节点的边组成,节点与第一目标对象一一对应,边为基于第一目标对象之间的交易信息确定的,第一目标对象为待评估对象或交易对象,风险评分表征第二目标对象办理目标业务的风险程度,第二目标对象为至少一个待评估对象,或,第二目标对象为至少一个待评估对象和至少一个交易对象。
容易注意到的是,在上述过程中,通过基于至少一个待评估对象对应的目标信息,构建第一目标知识图谱,实现了对各待评估对象的个人信息及其交易信息的有效描述。进一步地通过预测每个第一目标对象之间的社会关系,并基于预测结果更新第一目标知识图谱得到第二目标知识图谱,实现了在知识图谱中对待评估对象以及交易对象中各对象对应的关系信息的有效丰富,更进一步地,通过基于第二目标知识图谱,预测对象的风险评分,实现了结合对象的个人相关信息以及社会关系信息预测对象办理目标业务的风险程度,从而可以实现对用户风险的准确预测,提高了预测准确度。
由此可见,本申请所提供的方案达到了结合用户的个人信息和社会关系信息,预测用户办理目标业务的风险程度的目的,从而实现了提高预测准确度的技术效果,进而解决了相关技术中仅基于客户的个人信息预测客户风险造成的预测准确度低的技术问题。
在一种可选的实施例中,在基于至少一个待评估对象对应的目标信息,构建第一目标知识图谱的过程中,风险预测系统可以在初始图谱中生成与第一目标对象一一对应的节点,并基于第一目标对象之间的交易信息,确定第一目标对象之间的交易关系,从而基于第一目标对象之间的交易关系构建初始图谱中至少一个节点之间的有向边,得到第一目标知识图谱。
具体地,例如,在完成在初始图谱中生成节点之后,若初始图谱中存在与客户A、客户B对应的节点,且交易信息为“资金从客户A流向客户B”,则知识图谱构建模块可以确定客户A和客户B之间的交易关系为“客户A向客户B转账”,从而可以在客户A对应的节点与客户B对应的节点之间,构建一条由客户A指向A客户B的有向边。从而可以基于前述方法构建得到第一目标知识图谱,一种可选的第一目标知识图谱可以如图2所示。其中,客户1-客户5为第一目标知识图谱中的节点,客户2和客户3可以是待评估对象,客户1、客户5可以是客户2对应的交易对象,客户2、客户4可以是客户3对应的交易对象。且需要强调的是,第一目标对象之间的交易关系包括:交易对象和交易对象之间的交易关系、交易对象和待评估对象之间的交易关系、待评估对象和待评估对象之间的交易关系。
进一步地,知识图谱构建模块还可以将每个第一目标对象对应的对象信息作为该对象对应的节点的节点属性,且在目标信息包括待评估对象在目标金融机构持有的业务产品信息的情况下,知识图谱构建模块还可以将每个待评估对象对应的业务产品信息补充至该对象对应的节点的节点属性中。此外,在交易信息包括交易资金的额度信息等信息的情况下,知识图谱构建模块可以将交易资金的额度信息等信息作为对应的边的属性信息。
需要说明的是,通过基于对象之间的交易关系构建第一目标知识图谱,实现了对对象之间初始关联关系的有效描述,从而便于后续进一步挖掘对象之间的社会关系,进而便于实现对对象之间关联关系的有效丰富。
在一种可选的实施例中,在基于第一目标知识图谱,预测每个第一目标对象之间的社会关系,得到第一预测结果的过程中,风险预测系统可以基于第一目标知识图谱,对每个第一节点进行向量表示处理,得到每个第一节点对应的表示信息,然后将多个第一节点中任意两个第一节点进行组合,得到多个第一节点组合,并将每个第一节点组合中的第一节点对应的表示信息进行组合,得到每个第一节点组合对应的组合表示信息,从而通过目标关系预测模型,基于每个第一节点组合对应的组合表示信息,预测每个第一节点组合对应的两个第一目标对象之间的社会关系,得到第一预测结果。其中,第一节点为第一目标知识图谱中的节点,表示信息用于表征当前节点对应的特征信息。
可选的,知识图谱构建模块可以利用图节点嵌入算法,基于第一目标知识图谱,对第一目标知识图谱中的每个节点(即前述的第一节点)进行向量表示处理,从而得到每个第一节点的表示信息,每个第一节点对应的表示信息可以用于表征该节点的属性信息、该节点所连接的边的属性信息以及第一目标知识图谱的结构信息等,即相当于表征该节点对应的特征信息。其中,前述的图节点嵌入算法可以是Node2Vec算法,前述的第一节点对应的表示信息可以以矩阵形式进行表示,具体地,其可以是大小为1*n的矩阵,其中n为维度数。且需要强调的是,即使待评估对象对应的交易对象的交易对象信息是否丰富,也即是否具有资产、年收入、年龄等信息,也可以生成与该交易对象对应的节点的表示信息,且该表示信息同样可以作为数据样本训练关系预测模型。
进一步地,知识图谱构建模块可以将多个第一节点中任意两个第一节点进行组合,得到多个第一节点组合,并将每个第一节点组合中的第一节点对应的表示信息进行拼接生成X=[N_a,N_b]作为组合表示信息。其中,X表示组合表示信息,N_a为第一节点组合中其中一个第一节点对应的表示信息,N_b为第一节点组合中另一个第一节点对应的表示信息。组合表示信息的维度为1*2n,其中,n为单个第一节点对应的表示信息的维度数。
更进一步地,知识图谱构建模块可以将每个第一节点组合对应的组合表示信息输入至目标关系预测模型中,以预测每个第一节点组合对应的两个第一目标对象之间的社会关系,得到第一预测结果。其中,第一预测结果可以是两个第一目标对象之间存在朋友关系,或是,两个第一目标对象之间存在家庭关系(如:夫妻关系、母子关系等),或是两个第一目标对象之间存在亲属关系(如:相关的非直系亲属关系),或是,两个第一目标对象之间不存在社会关系。
需要说明的是,通过基于两个对象对应的节点的表示信息,预测两个对象之间的社会关系,可以实现对两个对象之间的社会关系的准确预测。
在一种可选的实施例中,在预测第二目标对象对应的风险评分的过程中,风险预测系统可以基于第二目标知识图谱,对每个第二节点进行向量表示处理,得到每个第二节点对应的表示信息,从而基于第二目标对象对应的第二节点的表示信息,预测第二目标对象对应的风险评分。其中,第二节点为第二目标知识图谱中的节点。
可选的,在确定了第一目标知识图谱以及每个第一目标对象之间的社会关系之后,知识图谱构建模块可以基于第一目标对象之间的社会关系,在第一目标知识图谱中进行边的构建或边的属性的补充,从而得到第二目标知识图谱,一种可选的第二目标知识图谱可以如图3所示。其中,具体的社会关系可以作为对应的边的属性。且需要说明的是,由于在更新第一目标知识图谱的过程中,未对第一目标知识图谱中的节点进行更新,因此,第一节点与第二节点一一对应。
之后,风险评分模块可以利用图节点嵌入算法,基于第二目标知识图谱,对第二目标知识图谱中的每个节点(即前述的第二节点)进行向量表示处理,从而得到每个第二节点的表示信息,每个第二节点对应的表示信息可以用于表征该节点的属性信息、该节点所连接的边的属性信息以及第二目标知识图谱的结构信息等,即相当于表征该节点对应的特征信息。其中,前述的图节点嵌入算法可以是Node2Vec算法,前述的第二节点对应的表示信息可以以矩阵形式进行表示,具体地,其可以是大小为1*N的矩阵,其中N为维度数。
进一步地,风险评分模块可以将各节点对应的表示信息,输入至目标风险预测模型中,以预测与各节点对应的对象的贷后行为信息,进而基于贷后行为信息确定风险评分。
需要说明的是,通过基于对象对应的节点的表示信息,预测对象的风险评分,可以实现对对象的风险评分的准确预测。
在一种可选的实施例中,目标关系预测模型通过如下方式训练得到:风险预测系统基于多个历史对象对应的历史目标信息,构建第三目标知识图谱,然后基于第三目标知识图谱,对每个第三节点进行向量表示处理,得到每个第三节点对应的表示信息,接着基于每个第三节点对应的表示信息,构建多个第一数据样本,然后获取多个第三目标对象之间的社会关系,并基于多个第三目标对象之间的社会关系,确定第一目标数据样本对应的标签,从而基于第一目标数据样本以及第一目标数据样本对应的标签,训练初始关系预测模型,得到目标关系预测模型。其中,第三节点为第三目标知识图谱中的节点,多个第三目标对象为所有第三节点对应的对象中的至少部分对象,第一目标数据样本与第三目标对象对应。
可选的,如图4所示,历史对象可以是在训练模型阶段时,已在目标金融机构具有账户的客户,且多个历史对象中的至少部分历史对象对应的社会关系信息为已知的,也即知晓历史对象和对应的交易对象之间的社会关系。具体地,特征数据模块可以获取前述的历史目标信息,并发送给知识图谱构建模块,之后,知识图谱构建模块可以依照前述的基于待评估对象对应的目标信息构建第一目标知识图谱的方法,基于多个历史对象对应的历史目标信息,构建第三目标知识图谱,故此处不再赘述。其中,历史目标信息至少包括历史对象的对象信息和交易信息。
进一步地,知识图谱构建模块可以依照前述的确定第一节点对应的信息方法,确定第三节点对应的表示信息,故此处不再赘述。之后,知识图谱构建模块可以将任意两个第三节点进行组合,得到多个第三节点组合,然后将每个第三节点组合中的第三节点对应的表示信息进行组合,得到每个第三节点组合对应的组合表示信息,其中,得到第三节点组合对应的组合表示信息的方法与得到第一节点组合对应的组合表示信息的方法相同,故此处不再赘述。需要强调的是,第三目标知识图谱中的节点与历史对象,以及历史对象所对应的交易对象一一对应。
更进一步地,知识图谱构建模块可以基于每个第三节点组合对应的组合表示信息,构建多个第一数据样本,其中,组合表示信息与第一数据样本一一对应。之后,如图4、图5所示,知识图谱构建模块可以基于已知的至少部分历史对象对应的社会关系信息,确定第三目标知识图谱中的所有节点(即前述的所有第三节点)中的至少部分节点对应的对象(即前述的第三目标对象)之间的社会关系,然后确定该社会关系对应的两个第三目标对象所对应的第一数据样本,从而将该社会关系作为确定的第一目标数据样本所对应的标签。
再进一步地,如图4、图5所示,知识图谱构建模块可以基于第一目标数据样本以及第一目标数据样本对应的标签,训练初始关系预测模型,从而得到目标关系预测模型。其中,初始关系预测模型可以使用lightgbm、xgboost等机器学习算法。其中,图4、图5中的关系预测模型均用于表征初始关系预测模型和目标关系预测模型。
需要说明的是,通过基于多个历史对象对应的历史目标信息和已知的社会关系信息构建训练样本集,然后训练得到目标关系预测模型,实现了对目标关系预测模型的有效训练,从而便于提高目标关系预测模型的预测准确性。
在一种可选的实施例中,在基于每个第三节点对应的对象之间的社会关系,更新第三目标知识图谱,得到第四目标知识图谱之前,若多个第三目标对象为所有第三节点对应的对象中的至少部分对象,则通过目标关系预测模型,基于第三目标知识图谱,预测每个第三节点对应的对象之间的社会关系,得到第二预测结果,从而基于多个第三目标对象之间的社会关系和第二预测结果,确定每个第三节点对应的对象之间的社会关系。
可选的,若构建训练样本集的过程中,无法获取所有第三节点对应的对象之间的社会关系,则在训练得到目标关系预测模型之后,知识图谱构建模块可以基于目标关系预测模型预测第三目标知识图谱每个第三节点对应的对象之间的社会关系,得到第二预测结果,然后结合已知的多个第三目标对象之间的社会关系和第二预测结果,确定每个第三节点对应的对象之间的社会关系。其中,在结合已知的多个第三目标对象之间的社会关系和第二预测结果,确定每个第三节点对应的对象之间的社会关系的过程中,知识图谱构建模块可以将已知的数据覆盖掉第二预测结果中预测出来的对应的数据。
需要说明的是,通过基于目标关系预测模型对第三节点对应的对象之间的社会关系进行补充,保证了训练目标风险预测模型时的训练样本的数量,从而可以提高训练得到的目标风险预测模型的效果。
在一种可选的实施例中,在基于第二目标知识图谱,预测第二目标对象对应的风险评分之前,风险预测系统可以基于每个第三节点对应的对象之间的社会关系,更新第三目标知识图谱,得到第四目标知识图谱,然后基于第四目标知识图谱,对每个第四节点进行向量表示处理,得到每个第四节点对应的表示信息,之后,基于每个第四节点对应的表示信息,构建多个第二数据样本,接着获取多个第四目标对象对应的贷后行为信息,并基于多个第四目标对象对应的贷后行为信息,确定第二目标数据样本对应的标签,从而基于第二目标数据样本以及第二目标数据样本对应的标签,训练初始风险预测模型,得到目标风险预测模型。其中,第四节点为第四目标知识图谱中的节点,多个第四目标对象为多个第四节点对应的对象中的至少部分对象,第二目标数据样本与第四目标对象对应,目标风险预测模型用于预测第二目标对象对应的风险评分。
可选的,如图4、图5所示,知识图谱构建模块可以基于确定第二目标知识图谱的方法,确定第四目标知识图谱,风险评分模块可以基于确定第二节点对应的表示信息的方法,确定第四节点对应的表示信息,故此处不再赘述。
进一步地,风险评分模块可以基于每个第四节点对应的表示信息,构建多个第二数据样本,且第四节点对应的表示信息与第二数据样本一一对应。之后,如图4所示,风险评分模块可以获取已知的多个第四目标对象对应的贷后行为信息,并确定每个第四目标对象对应的第二数据样本,从而将贷后行为信息作为所确定的对应的第二数据样本的标签。贷后行为信息可以是当前对象无贷款逾期行为,当前对象逾期X天,当前对象逾期次数Y次等。
再进一步地,如图4、图5所示,风险评分模块可以基于第二目标数据样本以及第二目标数据样本对应的标签,训练初始风险预测模型,从而得到目标风险预测模型。其中,目标风险预测模型可以使用lightgbm、xgboost等机器学习算法,图4中的风险预测模型用于表示前述的初始风险预测模型和目标风险预测模型。
可选的,在训练得到目标风险预测模型后,如图4所示,还可以通过风险评分模块,根据第四目标知识图谱,对所有第四节点所对应的对象中没有贷后行为信息的对象进行预测,以得到对应的风险评分。
需要说明的是,通过将多个第四目标对象对应的贷后行为信息作为标签,然后训练得到目标风险预测模型,实现了对目标风险预测模型的有效训练,从而便于提高目标风险预测模型的预测准确性。
由此可见,本申请所提供的方案达到了结合用户的个人信息和社会关系信息,预测用户办理目标业务的风险程度的目的,从而实现了提高预测准确度的技术效果,进而解决了相关技术中仅基于客户的个人信息预测客户风险造成的预测准确度低的技术问题。
实施例2
根据本发明实施例,提供了一种风险预测装置的实施例,其中,图6是根据本发明实施例的一种可选的风险预测装置的示意图,如图6所示,该装置包括:
第一获取模块601,用于获取至少一个待评估对象对应的目标信息,其中,目标信息至少包括待评估对象的对象信息和交易信息,交易信息至少包括与待评估对象进行交易的交易对象的交易对象信息及交易资金流向信息;
第一构建模块602,用于基于至少一个待评估对象对应的目标信息,构建第一目标知识图谱,其中,第一目标知识图谱由节点和用于连接节点的边组成,节点与第一目标对象一一对应,边为基于第一目标对象之间的交易信息确定的,第一目标对象为待评估对象或交易对象;
第一预测模块603,用于基于第一目标知识图谱,预测每个第一目标对象之间的社会关系,得到第一预测结果;
第一更新模块604,用于基于第一预测结果更新第一目标知识图谱,得到第二目标知识图谱;
第二预测模块605,用于基于第二目标知识图谱,预测第二目标对象对应的风险评分,其中,风险评分表征第二目标对象办理目标业务的风险程度,第二目标对象为至少一个待评估对象,或,第二目标对象为至少一个待评估对象和至少一个交易对象。
需要说明的是,上述第一获取模块、第一构建模块、第一预测模块、第一更新模块以及第二预测模块对应于上述实施例中的步骤S101至步骤S105,五个模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。
可选的,第一预测模块还包括:第一处理子模块,用于基于第一目标知识图谱,对每个第一节点进行向量表示处理,得到每个第一节点对应的表示信息,其中,第一节点为第一目标知识图谱中的节点,表示信息用于表征当前节点对应的特征信息;第一组合模块,用于将多个第一节点中任意两个第一节点进行组合,得到多个第一节点组合;第二组合模块,用于将每个第一节点组合中的第一节点对应的表示信息进行组合,得到每个第一节点组合对应的组合表示信息;第一预测子模块,用于通过目标关系预测模型,基于每个第一节点组合对应的组合表示信息,预测每个第一节点组合对应的两个第一目标对象之间的社会关系,得到第一预测结果。
可选的,第二预测模块还包括:第二处理子模块,用于基于第二目标知识图谱,对每个第二节点进行向量表示处理,得到每个第二节点对应的表示信息,其中,第二节点为第二目标知识图谱中的节点;第二预测子模块,用于基于第二目标对象对应的第二节点的表示信息,预测第二目标对象对应的风险评分。
可选的,风险预测装置还包括:第二构建模块,用于基于多个历史对象对应的历史目标信息,构建第三目标知识图谱;第一处理模块,用于基于第三目标知识图谱,对每个第三节点进行向量表示处理,得到每个第三节点对应的表示信息,其中,第三节点为第三目标知识图谱中的节点;第三构建模块,用于基于每个第三节点对应的表示信息,构建多个第一数据样本;第二获取模块,用于获取多个第三目标对象之间的社会关系,并基于多个第三目标对象之间的社会关系,确定第一目标数据样本对应的标签,其中,多个第三目标对象为所有第三节点对应的对象中的至少部分对象,第一目标数据样本与第三目标对象对应;第一训练模块,用于基于第一目标数据样本以及第一目标数据样本对应的标签,训练初始关系预测模型,得到目标关系预测模型。
可选的,风险预测装置还包括:第二更新模块,用于基于每个第三节点对应的对象之间的社会关系,更新第三目标知识图谱,得到第四目标知识图谱;第二处理模块,用于基于第四目标知识图谱,对每个第四节点进行向量表示处理,得到每个第四节点对应的表示信息,其中,第四节点为第四目标知识图谱中的节点;第四构建模块,用于基于每个第四节点对应的表示信息,构建多个第二数据样本;第一确定模块,用于获取多个第四目标对象对应的贷后行为信息,并基于多个第四目标对象对应的贷后行为信息,确定第二目标数据样本对应的标签,其中,多个第四目标对象为多个第四节点对应的对象中的至少部分对象,第二目标数据样本与第四目标对象对应;第二训练模块,用于基于第二目标数据样本以及第二目标数据样本对应的标签,训练初始风险预测模型,得到目标风险预测模型,其中,目标风险预测模型用于预测第二目标对象对应的风险评分。
可选的,风险预测装置还包括:第三预测模块,用于若多个第三目标对象为所有第三节点对应的对象中的至少部分对象,则通过目标关系预测模型,基于第三目标知识图谱,预测每个第三节点对应的对象之间的社会关系,得到第二预测结果;第二确定模块,用于基于多个第三目标对象之间的社会关系和第二预测结果,确定每个第三节点对应的对象之间的社会关系。
可选的,第一构建模块还包括:生成子模块,用于在初始图谱中生成与第一目标对象一一对应的节点;第一确定子模块,用于基于第一目标对象之间的交易信息,确定第一目标对象之间的交易关系;第一构建子模块,用于基于第一目标对象之间的交易关系构建初始图谱中至少一个节点之间的有向边,得到第一目标知识图谱。
实施例3
根据本发明实施例的另一方面,还提供了计算机可读存储介质,计算机可读存储介质中存储有计算机程序,其中,计算机程序被设置为运行时执行上述的风险预测方法。
实施例4
根据本发明实施例的另一方面,还提供了一种电子设备,其中,图7是根据本发明实施例的一种可选的电子设备的示意图,如图7所示,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,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现用于运行程序,其中,程序被设置为运行时执行上述的风险预测方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种风险预测方法,其特征在于,包括:
获取至少一个待评估对象对应的目标信息,其中,所述目标信息至少包括待评估对象的对象信息和交易信息,所述交易信息至少包括与待评估对象进行交易的交易对象的交易对象信息及交易资金流向信息;
基于所述至少一个待评估对象对应的目标信息,构建第一目标知识图谱,其中,所述第一目标知识图谱由节点和用于连接所述节点的边组成,所述节点与第一目标对象一一对应,所述边为基于所述第一目标对象之间的交易信息确定的,所述第一目标对象为所述待评估对象或所述交易对象;
基于所述第一目标知识图谱,预测每个第一目标对象之间的社会关系,得到第一预测结果;
基于所述第一预测结果更新所述第一目标知识图谱,得到第二目标知识图谱;
基于所述第二目标知识图谱,预测第二目标对象对应的风险评分,其中,所述风险评分表征所述第二目标对象办理目标业务的风险程度,所述第二目标对象为所述至少一个待评估对象,或,所述第二目标对象为所述至少一个待评估对象和至少一个交易对象。
2.根据权利要求1所述的方法,其特征在于,基于所述第一目标知识图谱,预测每个第一目标对象之间的社会关系,得到第一预测结果,包括:
基于所述第一目标知识图谱,对每个第一节点进行向量表示处理,得到所述每个第一节点对应的表示信息,其中,所述第一节点为所述第一目标知识图谱中的节点,所述表示信息用于表征当前节点对应的特征信息;
将多个第一节点中任意两个第一节点进行组合,得到多个第一节点组合;
将每个第一节点组合中的第一节点对应的表示信息进行组合,得到每个第一节点组合对应的组合表示信息;
通过目标关系预测模型,基于所述每个第一节点组合对应的组合表示信息,预测所述每个第一节点组合对应的两个第一目标对象之间的社会关系,得到所述第一预测结果。
3.根据权利要求2所述的方法,其特征在于,基于所述第二目标知识图谱,预测第二目标对象对应的风险评分,包括:
基于所述第二目标知识图谱,对每个第二节点进行向量表示处理,得到所述每个第二节点对应的表示信息,其中,所述第二节点为所述第二目标知识图谱中的节点;
基于所述第二目标对象对应的第二节点的表示信息,预测所述第二目标对象对应的风险评分。
4.根据权利要求2所述的方法,其特征在于,所述目标关系预测模型通过如下方式训练得到:
基于多个历史对象对应的历史目标信息,构建第三目标知识图谱;
基于所述第三目标知识图谱,对每个第三节点进行向量表示处理,得到所述每个第三节点对应的表示信息,其中,所述第三节点为所述第三目标知识图谱中的节点;
基于所述每个第三节点对应的表示信息,构建多个第一数据样本;
获取多个第三目标对象之间的社会关系,并基于所述多个第三目标对象之间的社会关系,确定第一目标数据样本对应的标签,其中,所述多个第三目标对象为所有第三节点对应的对象中的至少部分对象,所述第一目标数据样本与所述第三目标对象对应;
基于所述第一目标数据样本以及所述第一目标数据样本对应的标签,训练初始关系预测模型,得到所述目标关系预测模型。
5.根据权利要求4所述的方法,其特征在于,在基于所述第二目标知识图谱,预测第二目标对象对应的风险评分之前,所述方法还包括:
基于所述每个第三节点对应的对象之间的社会关系,更新所述第三目标知识图谱,得到第四目标知识图谱;
基于所述第四目标知识图谱,对每个第四节点进行向量表示处理,得到所述每个第四节点对应的表示信息,其中,所述第四节点为所述第四目标知识图谱中的节点;
基于所述每个第四节点对应的表示信息,构建多个第二数据样本;
获取多个第四目标对象对应的贷后行为信息,并基于所述多个第四目标对象对应的贷后行为信息,确定第二目标数据样本对应的标签,其中,所述多个第四目标对象为多个第四节点对应的对象中的至少部分对象,所述第二目标数据样本与所述第四目标对象对应;
基于所述第二目标数据样本以及所述第二目标数据样本对应的标签,训练初始风险预测模型,得到目标风险预测模型,其中,所述目标风险预测模型用于预测所述第二目标对象对应的风险评分。
6.根据权利要求5所述的方法,其特征在于,在基于所述每个第三节点对应的对象之间的社会关系,更新所述第三目标知识图谱,得到第四目标知识图谱之前,所述方法还包括:
若所述多个第三目标对象为所有第三节点对应的对象中的至少部分对象,则通过所述目标关系预测模型,基于所述第三目标知识图谱,预测所述每个第三节点对应的对象之间的社会关系,得到第二预测结果;
基于所述多个第三目标对象之间的社会关系和所述第二预测结果,确定所述每个第三节点对应的对象之间的社会关系。
7.根据权利要求1所述的方法,其特征在于,基于所述至少一个待评估对象对应的目标信息,构建第一目标知识图谱,包括:
在初始图谱中生成与所述第一目标对象一一对应的节点;
基于所述第一目标对象之间的交易信息,确定所述第一目标对象之间的交易关系;
基于所述第一目标对象之间的交易关系构建所述初始图谱中至少一个节点之间的有向边,得到所述第一目标知识图谱。
8.一种风险预测装置,其特征在于,包括:
第一获取模块,用于获取至少一个待评估对象对应的目标信息,其中,所述目标信息至少包括待评估对象的对象信息和交易信息,所述交易信息至少包括与待评估对象进行交易的交易对象的交易对象信息及交易资金流向信息;
第一构建模块,用于基于所述至少一个待评估对象对应的目标信息,构建第一目标知识图谱,其中,所述第一目标知识图谱由节点和用于连接所述节点的边组成,所述节点与第一目标对象一一对应,所述边为基于所述第一目标对象之间的交易信息确定的,所述第一目标对象为所述待评估对象或所述交易对象;
第一预测模块,用于基于所述第一目标知识图谱,预测每个第一目标对象之间的社会关系,得到第一预测结果;
第一更新模块,用于基于所述第一预测结果更新所述第一目标知识图谱,得到第二目标知识图谱;
第二预测模块,用于基于所述第二目标知识图谱,预测第二目标对象对应的风险评分,其中,所述风险评分表征所述第二目标对象办理目标业务的风险程度,所述第二目标对象为所述至少一个待评估对象,或,所述第二目标对象为所述至少一个待评估对象和至少一个交易对象。
9.一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中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至7任一项中所述的风险预测方法。
10.一种电子设备,其特征在于,所述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,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实现用于运行程序,其中,所述程序被设置为运行时执行所述权利要求1至7任一项中所述的风险预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211393333.6A CN115660814A (zh) | 2022-11-08 | 2022-11-08 | 风险预测方法、装置、计算机可读存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211393333.6A CN115660814A (zh) | 2022-11-08 | 2022-11-08 | 风险预测方法、装置、计算机可读存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115660814A true CN115660814A (zh) | 2023-01-31 |
Family
ID=85016801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211393333.6A Pending CN115660814A (zh) | 2022-11-08 | 2022-11-08 | 风险预测方法、装置、计算机可读存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115660814A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117764742A (zh) * | 2023-11-20 | 2024-03-26 | 中国银行保险信息技术管理有限公司 | 保险健康指数的确定方法及装置 |
-
2022
- 2022-11-08 CN CN202211393333.6A patent/CN115660814A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117764742A (zh) * | 2023-11-20 | 2024-03-26 | 中国银行保险信息技术管理有限公司 | 保险健康指数的确定方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Business Innovation based on artificial intelligence and Blockchain technology | |
CN110009174B (zh) | 风险识别模型训练方法、装置及服务器 | |
CN110070391B (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
Kshetri | Artificial Intelligence in Developing Countries. | |
CN112465627B (zh) | 基于区块链和机器学习的金融借贷审核方法及系统 | |
WO2020073727A1 (zh) | 风险预测方法、装置、计算机设备和存储介质 | |
CN112037038B (zh) | 银行信贷风险预测方法及装置 | |
CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN107679103B (zh) | 用于实体的属性分析方法及系统 | |
CN112801498A (zh) | 风险识别模型的训练方法、风险识别方法、装置及设备 | |
CN110503564A (zh) | 基于大数据的保全案件处理方法、系统、设备及存储介质 | |
CN111767319A (zh) | 基于资金流向的客户挖掘方法及装置 | |
CN113642923A (zh) | 基于历史催收数据的不良资产包价值评估方法 | |
CN111736940A (zh) | 智能柜台的业务界面展示方法及装置 | |
Saitulasi et al. | Deep Belief Network and Sentimental analysis for extracting on multi-variable Features to predict Stock market Performance and accuracy | |
CN113792134B (zh) | 一种基于数字孪生技术的用户服务方法及系统 | |
CN115660814A (zh) | 风险预测方法、装置、计算机可读存储介质及电子设备 | |
CN109829593A (zh) | 目标对象的信用度确定方法、装置、存储介质及电子装置 | |
CN111932310A (zh) | 一种银行产品的潜在对公客户挖掘方法及装置 | |
CN111754259A (zh) | 满意度评价任务获取方法、装置、系统、设备和存储介质 | |
CN117094764A (zh) | 银行积分处理方法及装置 | |
CN109636627B (zh) | 基于区块链的保险产品管理方法、装置、介质及电子设备 | |
CN115982391A (zh) | 信息处理方法及装置 | |
CN115905472A (zh) | 商机业务处理方法、装置、服务器及计算机可读存储介质 | |
CN113469519A (zh) | 业务事件的归因分析方法、装置、电子设备及存储介质 |
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 |