CN115730233A - 一种数据处理方法、装置、可读存储介质以及电子设备 - Google Patents
一种数据处理方法、装置、可读存储介质以及电子设备 Download PDFInfo
- Publication number
- CN115730233A CN115730233A CN202211338452.1A CN202211338452A CN115730233A CN 115730233 A CN115730233 A CN 115730233A CN 202211338452 A CN202211338452 A CN 202211338452A CN 115730233 A CN115730233 A CN 115730233A
- Authority
- CN
- China
- Prior art keywords
- risk
- condition
- layer
- complaint data
- identification layer
- 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.)
- Granted
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书公开了一种数据处理方法、装置、可读存储介质以及电子设备,通过将获取到的用户数据输入到包含风险识别层和辅助识别层的分类模型中,得到风险识别层输出的该用户数据对应的风险类型,以及该辅助识别层输出的该投诉数据满足的风险条件,再根据确定出的风险类型和风险条件,确定该投诉数据对应的处理结果。本说明书中的数据处理方法,不仅能准确确定投诉数据对应的风险类型,还能给出该投诉数据满足的风险条件,以对得到的风险类型进行解释,提高了数据处理的准确率。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种数据处理方法、装置、可读存储介质以及电子设备。
背景技术
目前,用户对自身隐私愈发关注,而随着互联网技术的发展,利用互联网技术攻击用户的手段也层出不穷,给用户执行业务造成了风险。而服务提供方对于不同类型的风险通常设置有不同的应对措施。于是,如何基于用户的投诉数据,确定投诉数据对应的风险类型,以基于确定出的风险类型对用户的投诉数据进行相应处理,已经成为目前需要解决的问题之一。
基于此,本说明书提供一种基于用户投诉数据的数据处理方法。
发明内容
本说明书提供一种数据处理方法、装置、可读存储介质以及电子设备,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供一种数据处理方法,包括:
获取用户的投诉数据;
将所述投诉数据输入预先训练的分类模型的特征提取层,得到所述特征提取层输出的初始特征;
将所述初始特征分别输入所述分类模型的风险识别层和辅助识别层,得到所述风险识别层输出的风险类型,以及所述辅助识别层输出的所述投诉数据满足的风险条件;
根据所述风险类型和所述投诉数据满足的风险条件,确定所述投诉数据对应的处理结果,其中,不同风险类型对应的投诉数据所满足的风险条件不完全相同。
本说明书提供一种数据处理装置,包括:
获取模块,用于获取用户的投诉数据;
特征提取模块,用于将所述投诉数据输入预先训练的分类模型的特征提取层,得到所述特征提取层输出的初始特征;
识别模块,用于将所述初始特征分别输入所述分类模型的风险识别层和辅助识别层,得到所述风险识别层输出的风险类型,以及所述辅助识别层输出的所述投诉数据满足的风险条件;
确定模块,用于根据所述风险类型和所述投诉数据满足的风险条件,确定所述投诉数据对应的处理结果,其中,不同风险类型对应的投诉数据所满足的风险条件不完全相同。
本说明书提供了一种计算机可读存储介质,所述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数据处理方法。
本说明书提供了一种电子设备,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程序时实现上述数据处理方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的数据处理方法中,通过将获取到的用户数据输入到包含风险识别层和辅助识别层的分类模型中,得到风险识别层输出的该用户数据对应的风险类型,以及该辅助识别层输出的该投诉数据满足的风险条件,再根据确定出的风险类型和风险条件,确定该投诉数据对应的处理结果。
上述方法中可以看出,本说明书中的数据处理方法,不仅能准确确定投诉数据对应的风险类型,还能给出该投诉数据满足的风险条件,以对得到的风险类型进行解释,提高了数据处理的准确率。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书提供的数据处理方法的流程示意图;
图2为本说明书提供的分类模型的结构示意图;
图3为本说明书提供的分类模型的结构示意图;
图4为本说明书提供的数据处理方法的流程示意图;
图5为本说明书提供的分类模型的结构示意图;
图6为本说明书提供的数据处理方法的流程示意图;
图7为本说明书提供的分类模型的结构示意图;
图8为本说明书提供的数据处理装置的结构示意图;
图9为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书提供的数据处理方法的流程示意图,具体包括以下步骤:
S100:获取用户的投诉数据。
在本说明书提供的一个或多个实施例中,该数据处理方法可由服务器执行。
通常情况下,若要对数据进行处理,则首先需获取到相应的数据。而本说明书体提供的数据处理方法,用于对用户的投诉数据进行处理。基于此,该服务器可首先获取用户的投诉数据。
具体的,该服务器可接收数据处理请求。其中,该数据处理请求中可携带有投诉数据。
于是,该服务器可对该数据处理请求进行解析,确定该数据处理请求中包含的投诉数据。
则在确定出投诉数据后,该服务器可基于该投诉数据进行数据处理。
进一步的,上述投诉数据一般为用户发送的,因此,该数据处理请求中还可携带有用户标识,则该服务器还需对该数据处理请求进行解析,得到该投诉数据对应的用户标识,以基于用户标识和投诉数据执行后续业务。
当然,上述数据处理请求中还可仅携带有投诉数据的元数据,则该服务器可根据获取到的数据处理请求,确定投诉数据的元数据,再根据确定出的元数据,确定该投诉数据。
更进一步的,该服务器中也可预先存储投诉数据,则该服务器可从预先存储的各投诉数据中,随机选择任一投诉数据来进行数据处理,或根据各投诉数据分别对应的投诉时间,选择投诉时间最早的投诉数据进行数据处理。
需要说明的是,投诉数据通常包含有用户在进行投诉时的文本、用户在进行投诉时上传的图像凭证信息等等中的至少一种。且由于用户对于互联网攻击行为进行投诉时,通常会针对其他用户或某一行为进行投诉。
以互联网攻击行为为刷单欺诈为例,则该用户的投诉数据中往往包含有引导该用户进行刷单的账户的信息。以互联网攻击行为为盗刷为例,则该用户的投诉数据中往往包含有盗刷这一行为的信息。
则该服务提供方可根据用户的投诉数据来获取上述引导刷单的账户的账户持有人的详细信息,或者获取上述盗刷行为的行为发生地等信息,该账户持有人的详细信息、该盗刷行为的行为发生地等信息也属于投诉数据的一部分。
具体该投诉数据中包含的内容可根据需要进行设置,本说明书对此不做限制。
S102:将所述投诉数据输入预先训练的分类模型的特征提取层,得到所述特征提取层的初始特征。
在本说明书提供的一个或多个实施例中,本说明书提供一种新的数据处理方法,基于预先训练出的分类模型,在确定投诉数据对应的风险类型的同时,确定该投诉数据满足的风险条件。即,该投诉数据满足了哪些风险条件,才被分类为该风险类型。
则在用户对该投诉数据的风险类型提出异议或第三方要获取该投诉数据及其风险类型时,基于该数据处理方法得到的处理结果不仅能对投诉数据对应的风险类型进行解释。且由于该数据处理方法使用的分类模型是基于投诉数据的风险类型和投诉数据满足的风险类型训练得到的,则基于该数据处理方法得到的处理结果也会更加准确,提高了数据处理的准确率。
为了达到上述技术效果,本说明书中的该分类模型需兼顾投诉数据对应的风险类型的准确性和投诉数据匹配的风险条件的准确性。基于此,本说明书将分类模型的结构设置为多任务模型,由分类模型在对投诉数据进行特征提取后,基于提取出的初始特征,来分别确定投诉数据对应的风险类型和与投诉数据匹配的风险条件。
具体的,该服务器可将该投诉数据作为输入,输入预先训练完成的分类模型的特征提取层,得到该特征提取层输出的初始特征。
其中,该特征提取层可为全连接网络、卷积神经网络、线性神经网络等等多种网络结构,具体该特征提取层的网络结构可根据需要进行设置,本说明书对此不做限制。
S104:将所述初始特征分别输入所述分类模型的风险识别层和辅助识别层,得到所述风险识别层输出的风险类型,以及所述辅助识别层输出的所述投诉数据满足的风险条件。
在本说明书提供的一个或多个实施例中,如前所述的,本说明书中的该分类模型包含风险识别层和辅助识别层。该风险识别层用于确定投诉数据对应的风险类型。该辅助识别层用于确定投诉数据满足的风险条件。于是,该服务器可将上述步骤S102中确定出的初始特征作为输入,输入该分类模型的风险识别层和辅助识别层中,得到投诉数据对应的风险类型和投诉数据满足的风险条件。
具体的,该分类模型的模型结构可如图2所示。可见,该分类模型包含特征提取层、风险识别层和辅助识别层。该特征提取层用于提取投诉数据中的初始特征。则该服务器可将投诉数据发送至特征提取层,得到该特征提取层输出的初始特征。
于是,在确定出初始特征后,该服务器可将该初始特征分别输入到该风险识别层和辅助识别层,得到该风险识别层输出的该投诉数据对应的风险类型,以及该辅助识别层输出的该投诉数据满足的风险条件。
其中,不同风险类型的优速数据所满足的风险条件不完全相同。该风险类型可为欺诈、赌博等等多种类型。该风险条件可为诈骗金额是否较大、行为人是否实施诈术等等。
以风险类型为诈骗为例,根据诈骗罪的法理定义,可知“诈骗罪是指以非法占有为目的,用虚构事实或者隐瞒真相的方法,骗取数额较大的公私财物的行为”。显然,该诈骗的要素可以定义为:是否以非法占有为目的、行为人是否实施诈术、被害人存在陷入错误、资产是否转移完成。也就是说,风险类型为“诈骗”的投诉数据,应当分别满足以非法占有为目的行为人实施诈术、被害人存在陷入错误、资产转移完成这四个风险条件。
其中,针对每个风险类型,投诉数据为该风险类型需满足的风险条件,可为人为原先根据法理、行为规范等多种规范进行确定。具体构成风险类型所需满足的风险条件可根据需要进行设置,本说明书对此不做限制。
S106:根据所述风险类型和所述投诉数据满足的风险条件,确定所述投诉数据对应的处理结果,其中,不同风险类型对应的投诉数据所满足的风险条件不完全相同。
在本说明书提供一个或多个实施例中,在确定出投诉数据对应的风险类型和该投诉数据满足的风险条件后,该服务器可确定该投诉数据对应的处理结果。
具体的,该服务器可将确定出的风险类型和该投诉数据满足的风险条件作为处理结果,并将该处理结果进行存储。以便于后续需基于该处理结果执行其他业务时,将该处理结果进行获取。
进一步的,对于不同的风险类型,服务提供方往往预设有不同的处理措施。于是,该服务器中还可存储有各处理措施和各风险类型之间的对应关系。则在确定出风险类型后,该服务器可根据该风险类型对应的处理措施对投诉数据进行处理。
具体的,该服务器可根据确定出的风险类型,以及预先存储的各处理措施和各风险类型之间的对应关系,从各处理措施中,确定与该风险类型对应的处理措施。并根据该处理措施,对该投诉数据进行处理。则该服务器可直接将基于处理措施对该投诉数据进行处理得到的处理结果作为该投诉数据的处理结果。
以风险类型为“非风险类型”为例,则该风险类型对应的处理措施可为:将该投诉数据进行删除,并向该用户返回投诉失败的提示消息。以风险类型为“诈骗”为例,则该风险类型对应的处理措施可为:确定投诉数据中该用户被骗金额的大小,判断是否要根据该投诉数据将投诉数据中包含的另一账户进行冻结,并将冻结信息发送至其他平台。
更进一步的,在基于处理措施对投诉数据进行处理时,可能会出现需要投诉数据满足的风险条件来对该投诉数据进行处理的情况。如,需向用户展示该投诉数据满足的风险条件。于是,该服务器在根据处理措施将投诉数据进行处理时,还可根据该处理措施,将该投诉数据和该投诉数据满足的风险条件进行处理,以得到该投诉数据的处理结果。
另外,该服务器也可将该风险类型和投诉数据满足的风险条件作为处理结果,发送至服务提供方的工作人员,由工作人员根据接收到的该风险类型和投诉数据满足的风险条件,对用户的投诉数据进行处理。
基于图1的数据处理方法,通过将获取到的用户数据输入到包含风险识别层和辅助识别层的分类模型中,得到风险识别层输出的该用户数据对应的风险类型,以及该辅助识别层输出的该投诉数据满足的风险条件,再根据确定出的风险类型和风险条件,确定该投诉数据对应的处理结果。本说明书中的数据处理方法,不仅能准确确定投诉数据对应的风险类型,还能给出该投诉数据满足的风险条件,以对得到的风险类型进行解释,提高了数据处理的准确率。
另外,由于一个投诉数据所满足风险条件可为多个,因此,本说明书中的该辅助识别层还可为多分类器。
具体的,该辅助识别层可为多分类器,且该辅助识别层包含第一特征提取子层和第一分类子层。
于是,该服务器可将该特征提取层输出的初始特征作为输入,输入到该辅助识别层的第一特征提取子层中,得到该投诉数据的条件特征。再将该条件特征,输入该第一分类子层,得到该第一分类子层输出的该投诉数据的满足的至少一个风险条件。如图3所示。
图3为本说明书提供的分类模型的结构示意图,该分类模型包含特征提取层,风险识别层和辅助识别层,该辅助识别层可包括第一特征提取子层和第一分类子层。则该服务器可将投诉数据发送至特征提取层,得到该特征提取层输出的初始特征,并将该初始特征分别输入到该风险识别层,得到该风险识别层输出的该投诉数据对应的风险类型,以及将该初始特征输入该辅助识别层的第一特征提取子层,确定该第一特征提取子层输出的条件特征,再将条件特征作为输入,输入该第一分类子层中,得到该投诉数据满足的风险条件。
进一步的,在本说明书中,第一特征提取子层确定出的条件特征,可用于表征该投诉数据对应于至少一个风险条件的概率。可知,若基于该条件特征和初始特征一同确定该投诉数据对应的风险类型,则其对应的风险类型会更加准确,因此,在本说明书,该服务器还可在确定出条件特征以后,将该条件特征和该初始特征进行融合。将融合结果输入到风险识别层中,得到风险识别层输出的该投诉数据的风险类型。如图4所示。
图4为本说明书提供的数据处理方法的流程示意图。该服务器可在获取到初始特征后,将该初始特征输入该辅助识别层的第一特征提取子层,得到该第一特征提取子层输出的条件特征。并在得到该条件特征后,将该条件特征和该初始特征进行融合,将融合结果输入风险识别层中,得到该风险识别层输出的风险类型。
其中,该初始特征和该条件特征进行融合的手段,可为拼接、加和等等多种手段。
更进一步的,由于一个投诉数据所满足风险条件可为多个。因此,为了学习到更丰富的特征,来更准确地确定出该投诉数据满足的风险条件,本说明书中的该辅助识别层还可为包含多个条件分类层。其中,不同条件识别层对应不同的风险条件,且该条件识别层为二分类器。
具体的,条件识别层包含第二特征提取子层和第二分类子层;
于是,该服务器可针对辅助识别层的每个条件识别层,将初始特征输入该条件识别层的第二特征提取子层,得到该条件识别层对应的条件特征,再将该条件特征输入该条件识别层的第二分类子层,得到该投诉数据是否满足该条件识别层对应的风险条件的分类结果。图5所示。
图5为本说明书提供的分类模型的结构示意图,该分类模型包含特征提取层,风险识别层和辅助识别层,该辅助识别层可包括多个条件识别层,每个条件识别层包含一个第二特征提取子层和一个第二分类子层。则针对每个条件识别层,该服务器可将初始特征输入该条件识别层的第二特征提取层,得到该投诉数据对应的条件特征,再将该条件特征输入该条件识别层的第二分类子层,得到该投诉数据是否满足该条件识别层对应的风险条件的分类结果。
另外,同样的,在包含多个条件识别层的场景中,各条件识别层得到的条件特征仍可和初始特征进行融合,来确定更加准确的风险类型。如图6所示。
图6为本说明书提供的数据处理方法的流程示意图。该服务器可在获取到初始特征后,针对每个条件识别层,该服务器可将该初始特征输入该条件识别层的第二特征提取子层,得到该第二特征提取子层输出的条件特征。则在确定出各条件识别层分别确定出的条件特征后,该服务器可将各条件特征和该初始特征进行融合,并将融合结果输入风险识别层中,得到该风险识别层输出的风险类型。
进一步的,一个风险类型可对应于多种执行手段。如,风险类型“欺诈”可对应有“信用卡欺诈”和“账号顶替”的执行手段。显然,即使属于同一风险类型,若投诉数据对应的手法不同,则投诉数据对应的处理措施应当不同。因此,该风险识别层还可用于识别投诉数据对应的执行手段。
于是,该服务器还可将初始特征输入分类模型的风险识别层,得到风险识别层输出的风险类型和执行手段。并根据该风险类型、执行手段和该投诉数据满足的风险条件,确定该投诉数据对应的处理结果。
更进一步的,该分类模型还可包含手段识别层,如图7所示。
图7为本说明书提供的分类模型的结构示意图。图中,该分类模型包含特征提取层、风险识别层、手段识别层和辅助识别层。该特征提取层用于提取投诉数据的特征。该风险识别层用于识别投诉数据对应的风险类型。该手段识别层用于识别投诉数据对应的执行手段。该辅助识别层用于识别该投诉数据满足的风险条件。
于是,该服务器可将投诉数据输入到分类模型的特征提取层中,得到该特征提取层暑输出的初始特征,并将该初始特征分别输入该风险识别层、手段识别层和辅助识别层中,得到该风险识别层输出的风险类型,该手段识别层输出的手段类型以及该辅助识别层输出的该投诉数据满足的风险条件。
则该服务器可根据确定出的风险类型、手段类型和该投诉数据满足的风险条件,确定该投诉数据的处理结果。
当然,该手段识别层也可根据初始特征和条件特征,一同确定该投诉数据的手段类型。具体该分类模型的模型结果可根据需要进行设置,本说明书对此不做限制。
另外,在步骤S106中,该服务器在确定投诉数据的处理结果时,还可能出现该投诉数据对应的风险类型和该投诉数据满足的风险条件不完全匹配的情况。于是,在确定出风险类型后,该服务器还可判断该风险类型和该投诉数据满足的风险条件是否匹配。
其中,若该风险类型和该投诉数据满足的风险条件匹配,则根据该投诉数据满足的风险条件可确定该投诉数据为该风险类型。若不匹配,则根据该投诉数据满足的风险条件无法确定该投诉数据为该风险类型。
于是,若匹配,该服务器可根据确定出的风险类型和该投诉数据满足的风险条件确定处理结果。
若不匹配,该服务器可从投诉数据满足的风险条件中,确定与该风险类型匹配的风险条件,作为指定条件。于是,该服务器可根据该风险类型和指定条件,来确定投诉数据对应的处理结果。
进一步的,在步骤S106中,该服务器在确定投诉数据的处理结果时,还可能出现该投诉数据对应的风险类型为多个,无法判断如何对投诉数据进行处理的情况。为了避免上述情况的发生,在本说明书中,该服务器可根据该投诉数据满足的风险条件,确定该投诉数据可能对应的各风险类型,作为各参考类型。于是,该服务器可判断各参考类型中是否包含任一风险识别层输出的风险类型。若是,则该服务器可将包含于参考类型中的风险类型,作为该投诉数据对应的风险类型。若否,则该服务器可根据该投诉数据中的用户标识,向用户返回提示信息。其中,该提示信息用于提示该用户投诉失败。
在本说明书提供的一个或多个实施例中,该分类模型采用下述方式训练得到:
该服务器可获取已确定风险类型的投诉数据,作为训练样本。并针对每个训练样本,将该训练样本对应的风险类型作为第一标注,以及将该训练样本对应的风险类型需满足的风险条件作为第二标注。
在确定出训练样本及其标注后,该服务器可将该训练样本输入待训练的分类模型的特征提取层,得到所述特征提取层输出的初始特征,并将该初始特征分别输入分类模型的风险识别层和辅助识别层,得到该风险识别层输出的风险类型,以及该辅助识别层输出的该训练样本满足的风险条件。
然后,该服务器可根据该风险类型和第一标注,确定第一损失,以及根据训练样本满足的风险条件和第二标注,确定第二损失。
最后,该服务器可根据第一损失的权重、第二损失的权重、该第一损失和该第二损失,确定总损失,并以所述总损失最小为目标,调整该分类模型的模型参数。
以上为本说明书的一个或多个实施例提供的数据处理方法,基于同样的思路,本说明书还提供了相应的数据处理装置,如图8所示。
图8为本说明书提供的数据处理装置的结构示意图,包括:
获取模块200,用于获取用户的投诉数据。
特征提取模块202,用于将所述投诉数据输入预先训练好的分类模型的特征提取层,得到所述特征提取层输出的初始特征。
识别模块204,用于将所述初始特征分别输入所述分类模型的风险识别层和辅助识别层,得到所述风险识别层输出的风险类型,以及所述辅助识别层输出的所述投诉数据满足的风险条件。
确定模块206,用于根据所述风险类型和所述投诉数据满足的风险条件,确定所述投诉数据对应的处理结果,其中,不同风险类型对应的投诉数据所满足的风险条件不完全相同。
可选的,所述辅助识别层为多分类器,所述辅助识别层包含第一特征提取子层和第一分类子层,所述识别模块204,具体用于将所述初始特征输入所述第一特征提取子层,得到所述投诉数据的条件特征;将所述条件特征,输入所述第一分类子层,得到所述投诉数据满足的至少一个风险条件。
可选的,所述辅助识别层为多分类器,所述辅助识别层包含第一特征提取子层和第一分类子层;所述识别模块204,具体用于将所述初始特征输入所述辅助识别层的第一特征提取子层中,确定所述投诉数据的条件特征;将所述条件特征和所述初始特征进行融合,并将融合结果输入到所述风险识别层中,得到所述风险识别层输出的所述投诉数据的风险类型。
可选的,所述辅助识别层包含多个条件识别层,不同条件识别层对应不同的风险条件,所述条件识别层为二分类器,所述条件识别层包含第二特征提取子层和第二分类子层;所述识别模块204,具体用于针对所述辅助识别层的每个条件识别层,将所述初始特征作为输入,输入该条件识别层的第二特征提取子层,得到该条件识别层对应的条件特征;将所述条件特征输入该条件识别层的第二分类子层,得到所述投诉数据是否满足该条件识别层对应的风险条件的分类结果。
可选的,所述辅助识别层包含多个条件识别层,不同条件识别层对应不同的风险条件,所述条件识别层为二分类器,所述条件识别层包含第二特征提取子层和第二分类子层;所述识别模块204,具体用于针对所述辅助识别层的每个条件识别层,将所述初始特征输入该条件识别层的第二特征提取子层,得到该条件识别层对应的条件特征;将各条件特征与所述初始特征进行融合,并将融合结果输入到所述风险识别层中,得到所述风险识别层输出的所述投诉数据的风险类型。
可选的,所述确定模块206,具体用于获取所述辅助识别层提取出的所述条件特征;将所述初始特征以及所述条件特征,输入到所述分类模型的手段识别层中,得到所述手段识别层输出的执行手段;根据所述风险类型、所述投诉数据满足的风险条件和所述执行手段,确定所述投诉数据对应的处理结果
可选的,所述识别模块204,具体用于将所述初始特征输入所述分类模型的辅助识别层,得到所述辅助识别层输出的所述投诉数据满足的风险条件;将所述投诉数据满足的风险条件和所述初始特征作为输入,输入所述风险识别层中,得到所述风险识别层输出的所述投诉数据的风险类型。
可选的,所述确定模块206,具体用于判断所述风险类型与所述投诉数据满足的风险条件是否匹配;若是,将所述风险类型和所述投诉数据满足的风险条件作为所述投诉数据对应的处理结果;若否,从所述投诉数据满足的风险条件中,确定与所述风险类型匹配的风险条件,作为指定条件,并将所述风险类型和所述指定条件作为所述投诉数据对应的处理结果。
所述数据处理装置还包括:
训练模块208,用于获取已确定风险类型的投诉数据,作为训练样本;针对每个训练样本,将该训练样本对应的风险类型作为第一标注,将该训练样本对应的风险类型需满足的风险条件作为第二标注;将该训练样本输入待训练的分类模型的特征提取层,得到所述特征提取层输出的初始特征;将所述初始特征分别输入所述分类模型的风险识别层和辅助识别层,得到所述风险识别层输出的风险类型,以及所述辅助识别层输出的所述训练样本满足的风险条件;根据所述风险类型和所述第一标注,确定第一损失,根据所述训练样本满足的风险条件和所述第二标注,确定第二损失;根据第一损失的权重、第二损失的权重、所述第一损失和第二损失,确定总损失,以所述总损失最小为目标调整所述分类模型的模型参数。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的数据处理方法。
本说明书还提供了图9所示的电子设备的示意结构图。如图9所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所示的数据处理方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书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,本说明书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。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (20)
1.一种数据处理方法,所述方法包括:
获取用户的投诉数据;
将所述投诉数据输入预先训练的分类模型的特征提取层,得到所述特征提取层输出的初始特征;
将所述初始特征分别输入所述分类模型的风险识别层和辅助识别层,得到所述风险识别层输出的风险类型,以及所述辅助识别层输出的所述投诉数据满足的风险条件;
根据所述风险类型和所述投诉数据满足的风险条件,确定所述投诉数据对应的处理结果,其中,不同风险类型对应的投诉数据所满足的风险条件不完全相同。
2.如权利要求1所述的方法,所述辅助识别层为多分类器,所述辅助识别层包含第一特征提取子层和第一分类子层;
将所述初始特征输入所述辅助识别层,得到所述辅助识别层输出的所述投诉数据满足的风险条件,具体包括:
将所述初始特征输入所述第一特征提取子层,得到所述投诉数据的条件特征;
将所述条件特征,输入所述第一分类子层,得到所述投诉数据满足的至少一个风险条件。
3.如权利要求1所述的方法,所述辅助识别层为多分类器,所述辅助识别层包含第一特征提取子层和第一分类子层;
将所述初始特征输入所述风险识别层,得到所述风险识别层输出的风险类型,具体包括:
将所述初始特征输入所述辅助识别层的第一特征提取子层中,确定所述投诉数据的条件特征;
将所述条件特征和所述初始特征进行融合,并将融合结果输入到所述风险识别层中,得到所述风险识别层输出的所述投诉数据的风险类型。
4.如权利要求1所述的方法,所述辅助识别层包含多个条件识别层,不同条件识别层对应不同的风险条件,所述条件识别层为二分类器,所述条件识别层包含第二特征提取子层和第二分类子层;
将所述初始特征输入所述辅助识别层,得到所述辅助识别层输出的所述投诉数据满足的风险条件,具体包括:
针对所述辅助识别层的每个条件识别层,将所述初始特征作为输入,输入该条件识别层的第二特征提取子层,得到该条件识别层对应的条件特征;
将所述条件特征输入该条件识别层的第二分类子层,得到所述投诉数据是否满足该条件识别层对应的风险条件的分类结果。
5.如权利要求1所述的方法,所述辅助识别层包含多个条件识别层,不同条件识别层对应不同的风险条件,所述条件识别层为二分类器,所述条件识别层包含第二特征提取子层和第二分类子层;
将所述初始特征输入所述风险识别层,得到所述风险识别层输出的风险类型,具体包括:
针对所述辅助识别层的每个条件识别层,将所述初始特征输入该条件识别层的第二特征提取子层,得到该条件识别层对应的条件特征;
将各条件特征与所述初始特征进行融合,并将融合结果输入到所述风险识别层中,得到所述风险识别层输出的所述投诉数据的风险类型。
6.如权利要求2或4所述的方法,所述分类模型还包含手段识别层;
根据所述风险类型和所述投诉数据满足的风险条件,确定所述投诉数据对应的处理结果,具体用于:
获取所述辅助识别层提取出的所述条件特征;
将所述初始特征以及所述条件特征,输入到所述分类模型的手段识别层中,得到所述手段识别层输出的执行手段;
根据所述风险类型、所述投诉数据满足的风险条件和所述执行手段,确定所述投诉数据对应的处理结果。
7.如权利要求1所述的方法,将所述初始特征分别输入所述分类模型的风险识别层和辅助识别层,得到所述风险识别层输出的风险类型,以及所述辅助识别层输出的所述投诉数据满足的风险条件,具体包括:
将所述初始特征输入所述分类模型的辅助识别层,得到所述辅助识别层输出的所述投诉数据满足的风险条件;
将所述投诉数据满足的风险条件和所述初始特征作为输入,输入所述风险识别层中,得到所述风险识别层输出的所述投诉数据的风险类型。
8.如权利要求1所述的方法,根据所述风险类型和所述投诉数据满足的风险条件,确定所述投诉数据对应的处理结果,具体包括:
判断所述风险类型与所述投诉数据满足的风险条件是否匹配;
若是,将所述风险类型和所述投诉数据满足的风险条件作为所述投诉数据对应的处理结果;
若否,从所述投诉数据满足的风险条件中,确定与所述风险类型匹配的风险条件,作为指定条件,并将所述风险类型和所述指定条件作为所述投诉数据对应的处理结果。
9.如权利要求1所述的方法,所述分类模型采用下述方式训练得到:
获取已确定风险类型的投诉数据,作为训练样本;
针对每个训练样本,将该训练样本对应的风险类型作为第一标注,将该训练样本对应的风险类型需满足的风险条件作为第二标注;
将该训练样本输入待训练的分类模型的特征提取层,得到所述特征提取层输出的初始特征;
将所述初始特征分别输入所述分类模型的风险识别层和辅助识别层,得到所述风险识别层输出的风险类型,以及所述辅助识别层输出的所述训练样本满足的风险条件;
根据所述风险类型和所述第一标注,确定第一损失,根据所述训练样本满足的风险条件和所述第二标注,确定第二损失;
根据第一损失的权重、第二损失的权重、所述第一损失和第二损失,确定总损失,以所述总损失最小为目标调整所述分类模型的模型参数。
10.一种数据处理装置,所述装置包括:
获取模块,用于获取用户的投诉数据;
特征提取模块,用于将所述投诉数据输入预先训练的分类模型的特征提取层,得到所述特征提取层输出的初始特征;
识别模块,用于将所述初始特征分别输入所述分类模型的风险识别层和辅助识别层,得到所述风险识别层输出的风险类型,以及所述辅助识别层输出的所述投诉数据满足的风险条件;
确定模块,用于根据所述风险类型和所述投诉数据满足的风险条件,确定所述投诉数据对应的处理结果,其中,不同风险类型对应的投诉数据所满足的风险条件不完全相同。
11.如权利要求10所述的装置,所述辅助识别层为多分类器,所述辅助识别层包含第一特征提取子层和第一分类子层;
所述识别模块,具体用于将所述初始特征输入所述第一特征提取子层,得到所述投诉数据的条件特征;将所述条件特征,输入所述第一分类子层,得到所述投诉数据满足的至少一个风险条件。
12.如权利要求10所述的装置,所述辅助识别层为多分类器,所述辅助识别层包含第一特征提取子层和第一分类子层;
所述识别模块,具体用于将所述初始特征输入所述辅助识别层的第一特征提取子层中,确定所述投诉数据的条件特征;将所述条件特征和所述初始特征进行融合,并将融合结果输入到所述风险识别层中,得到所述风险识别层输出的所述投诉数据的风险类型。
13.如权利要求10所述的装置,所述辅助识别层包含多个条件识别层,不同条件识别层对应不同的风险条件,所述条件识别层为二分类器,所述条件识别层包含第二特征提取子层和第二分类子层;
所述识别模块,具体用于针对所述辅助识别层的每个条件识别层,将所述初始特征作为输入,输入该条件识别层的第二特征提取子层,得到该条件识别层对应的条件特征;将所述条件特征输入该条件识别层的第二分类子层,得到所述投诉数据是否满足该条件识别层对应的风险条件的分类结果。
14.如权利要求10所述的装置,所述辅助识别层包含多个条件识别层,不同条件识别层对应不同的风险条件,所述条件识别层为二分类器,所述条件识别层包含第二特征提取子层和第二分类子层;
所述识别模块,具体用于针对所述辅助识别层的每个条件识别层,将所述初始特征输入该条件识别层的第二特征提取子层,得到该条件识别层对应的条件特征;将各条件特征与所述初始特征进行融合,并将融合结果输入到所述风险识别层中,得到所述风险识别层输出的所述投诉数据的风险类型。
15.如权利要求11或13所述的装置,所述分类模型还包含手段识别层;
所述确定模块,具体用于获取所述辅助识别层提取出的所述条件特征;将所述初始特征以及所述条件特征,输入到所述分类模型的手段识别层中,得到所述手段识别层输出的执行手段;根据所述风险类型、所述投诉数据满足的风险条件和所述执行手段,确定所述投诉数据对应的处理结果。
16.如权利要求10所述的装置,所述识别模块,具体用于将所述初始特征输入所述分类模型的辅助识别层,得到所述辅助识别层输出的所述投诉数据满足的风险条件;将所述投诉数据满足的风险条件和所述初始特征作为输入,输入所述风险识别层中,得到所述风险识别层输出的所述投诉数据的风险类型。
17.如权利要求10所述的装置,所述确定模块,具体用于判断所述风险类型与所述投诉数据满足的风险条件是否匹配;
若是,将所述风险类型和所述投诉数据满足的风险条件作为所述投诉数据对应的处理结果;
若否,从所述投诉数据满足的风险条件中,确定与所述风险类型匹配的风险条件,作为指定条件,并将所述风险类型和所述指定条件作为所述投诉数据对应的处理结果。
18.如权利要求10所述的装置,所述数据处理装置还包括训练模块;
所述训练模块,用于获取已确定风险类型的投诉数据,作为训练样本;针对每个训练样本,将该训练样本对应的风险类型作为第一标注,将该训练样本对应的风险类型需满足的风险条件作为第二标注;将该训练样本输入待训练的分类模型的特征提取层,得到所述特征提取层输出的初始特征;将所述初始特征分别输入所述分类模型的风险识别层和辅助识别层,得到所述风险识别层输出的风险类型,以及所述辅助识别层输出的所述训练样本满足的风险条件;根据所述风险类型和所述第一标注,确定第一损失,根据所述训练样本满足的风险条件和所述第二标注,确定第二损失;根据第一损失的权重、第二损失的权重、所述第一损失和第二损失,确定总损失,以所述总损失最小为目标调整所述分类模型的模型参数。
19.一种计算机可读存储介质,所述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权利要求1~9任一项所述的方法。
20.一种电子设备,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程序时实现上述权利要求1~9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211338452.1A CN115730233B (zh) | 2022-10-28 | 2022-10-28 | 一种数据处理方法、装置、可读存储介质以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211338452.1A CN115730233B (zh) | 2022-10-28 | 2022-10-28 | 一种数据处理方法、装置、可读存储介质以及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115730233A true CN115730233A (zh) | 2023-03-03 |
CN115730233B CN115730233B (zh) | 2023-07-11 |
Family
ID=85295256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211338452.1A Active CN115730233B (zh) | 2022-10-28 | 2022-10-28 | 一种数据处理方法、装置、可读存储介质以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115730233B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009174A (zh) * | 2018-12-13 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 风险识别模型训练方法、装置及服务器 |
CN110442712A (zh) * | 2019-07-05 | 2019-11-12 | 阿里巴巴集团控股有限公司 | 风险的确定方法、装置、服务器和文本审理系统 |
WO2020007153A1 (zh) * | 2018-07-03 | 2020-01-09 | 阿里巴巴集团控股有限公司 | 识别二次放号账户盗用的风控模型训练、风控方法、装置以及设备 |
CN111242315A (zh) * | 2020-01-08 | 2020-06-05 | 中保车服科技服务股份有限公司 | 车险人伤反欺诈方法、装置、计算机设备及存储介质 |
CN111639584A (zh) * | 2020-05-26 | 2020-09-08 | 深圳壹账通智能科技有限公司 | 基于多分类器的风险识别方法、装置及计算机设备 |
CN112966113A (zh) * | 2021-03-31 | 2021-06-15 | 支付宝(杭州)信息技术有限公司 | 一种数据的风险防控方法、装置及设备 |
CN113076451A (zh) * | 2020-01-03 | 2021-07-06 | 中国移动通信集团广东有限公司 | 异常行为识别和风险模型库的建立方法、装置及电子设备 |
CN113743111A (zh) * | 2020-08-25 | 2021-12-03 | 国家计算机网络与信息安全管理中心 | 基于文本预训练和多任务学习的金融风险预测方法及装置 |
CN114240101A (zh) * | 2021-12-02 | 2022-03-25 | 支付宝(杭州)信息技术有限公司 | 一种风险识别模型的验证方法、装置以及设备 |
-
2022
- 2022-10-28 CN CN202211338452.1A patent/CN115730233B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020007153A1 (zh) * | 2018-07-03 | 2020-01-09 | 阿里巴巴集团控股有限公司 | 识别二次放号账户盗用的风控模型训练、风控方法、装置以及设备 |
CN110009174A (zh) * | 2018-12-13 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 风险识别模型训练方法、装置及服务器 |
CN110442712A (zh) * | 2019-07-05 | 2019-11-12 | 阿里巴巴集团控股有限公司 | 风险的确定方法、装置、服务器和文本审理系统 |
CN113076451A (zh) * | 2020-01-03 | 2021-07-06 | 中国移动通信集团广东有限公司 | 异常行为识别和风险模型库的建立方法、装置及电子设备 |
CN111242315A (zh) * | 2020-01-08 | 2020-06-05 | 中保车服科技服务股份有限公司 | 车险人伤反欺诈方法、装置、计算机设备及存储介质 |
CN111639584A (zh) * | 2020-05-26 | 2020-09-08 | 深圳壹账通智能科技有限公司 | 基于多分类器的风险识别方法、装置及计算机设备 |
WO2021237907A1 (zh) * | 2020-05-26 | 2021-12-02 | 深圳壹账通智能科技有限公司 | 基于多分类器的风险识别方法、装置、计算机设备及存储介质 |
CN113743111A (zh) * | 2020-08-25 | 2021-12-03 | 国家计算机网络与信息安全管理中心 | 基于文本预训练和多任务学习的金融风险预测方法及装置 |
CN112966113A (zh) * | 2021-03-31 | 2021-06-15 | 支付宝(杭州)信息技术有限公司 | 一种数据的风险防控方法、装置及设备 |
CN114240101A (zh) * | 2021-12-02 | 2022-03-25 | 支付宝(杭州)信息技术有限公司 | 一种风险识别模型的验证方法、装置以及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115730233B (zh) | 2023-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113516480B (zh) | 一种支付风险识别方法、装置及设备 | |
CN110674188A (zh) | 一种特征提取方法、装置及设备 | |
CN113837638B (zh) | 话术确定方法、装置及设备 | |
CN108876102B (zh) | 一种风险交易挖掘方法、装置及设备 | |
CN111401766B (zh) | 模型、业务处理方法、装置及设备 | |
CN111611558B (zh) | 一种身份验证的方法及装置 | |
CN109376988B (zh) | 一种业务数据的处理方法和装置 | |
CN113408254A (zh) | 一种页面表单信息填写方法、装置、设备和可读介质 | |
CN112286968A (zh) | 一种业务识别方法、设备、介质及电子设备 | |
CN115563584B (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
CN113344695A (zh) | 一种弹性风控方法、装置、设备和可读介质 | |
CN116029556B (zh) | 一种业务风险的评估方法、装置、设备及可读存储介质 | |
CN112597459A (zh) | 一种身份验证方法及装置 | |
CN115545353B (zh) | 一种业务风控的方法、装置、存储介质及电子设备 | |
CN115545720B (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN115758141A (zh) | 一种模型训练和业务风控的方法及装置 | |
CN116246276A (zh) | 一种信息识别方法、装置、设备及可读存储介质 | |
CN115730233B (zh) | 一种数据处理方法、装置、可读存储介质以及电子设备 | |
CN112907359B (zh) | 一种银行贷款业务资质审核与风险控制系统及方法 | |
CN109598511B (zh) | 一种账户风险识别方法、装置及设备 | |
CN111310167B (zh) | 一种密码提醒方法、装置以及设备 | |
CN115828171B (zh) | 一种端云协同执行业务的方法、装置、介质及设备 | |
CN112784233B (zh) | 一种身份验证方法及装置 | |
CN117787443A (zh) | 一种风控方法、装置、设备及可读存储介质 | |
CN116188021A (zh) | 一种数据的处理方法、装置及设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |