CN116151966B - 一种多端联动的信用卡资源分配方法及系统 - Google Patents

一种多端联动的信用卡资源分配方法及系统 Download PDF

Info

Publication number
CN116151966B
CN116151966B CN202310403552.6A CN202310403552A CN116151966B CN 116151966 B CN116151966 B CN 116151966B CN 202310403552 A CN202310403552 A CN 202310403552A CN 116151966 B CN116151966 B CN 116151966B
Authority
CN
China
Prior art keywords
credit card
information
credit
resource
model
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.)
Active
Application number
CN202310403552.6A
Other languages
English (en)
Other versions
CN116151966A (zh
Inventor
王冠鸿
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.)
Shenzhen Fast Selling Polytron Technologies Inc
Original Assignee
Shenzhen Fast Selling Polytron Technologies Inc
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 Shenzhen Fast Selling Polytron Technologies Inc filed Critical Shenzhen Fast Selling Polytron Technologies Inc
Priority to CN202310403552.6A priority Critical patent/CN116151966B/zh
Publication of CN116151966A publication Critical patent/CN116151966A/zh
Application granted granted Critical
Publication of CN116151966B publication Critical patent/CN116151966B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/5038—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/602—Providing cryptographic facilities or services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioethics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明涉及信用卡数值计算技术领域，尤其涉及一种多端联动的信用卡资源分配方法及系统。该方法包括以下步骤：获取信用卡基础信息，其中信用卡基础信息包括信用卡号数据、持卡人基础信息以及信用卡使用记录信息；根据信用卡基础信息构建信用卡信用模型以及信用卡资源模型，并根据信用卡信用模型进行通信资源管理；根据信用卡资源模型生成信用卡资源信息，以进行可视化作业，并实时监控信用卡资源信息，以获得信用卡实时使用信息；根据信用卡实时使用信息通过预设的信用卡数值预估模型进行识别，生成多端联动信用卡风险评估信息。本发明通过构建信用卡模型以实现对用户的服务的优化以及有效识别信用卡使用的潜在风险问题。

Description

一种多端联动的信用卡资源分配方法及系统
技术领域
本发明涉及信用卡数值计算技术领域，尤其涉及一种多端联动的信用卡资源分配方法及系统。
背景技术
信用卡是指记录持卡人账户相关信息，具备银行授信额度和透支功能，并为持卡人提供相关银行服务的各类介质。随着社会发展水平的不断提升，中国信用卡市场成为了中国个人金融服务市场中成长最快的产品线之一，在庞大的需求市场面前，如何做到及时响应、审核以及审查便成为了问题。
随着计算机水现有的计算机技术在信用卡资源分配的过程中，往往只实现了信用卡资源的实时分配以及展示，如何利用人工智能增加信用卡资源分配的实用程度便成为了一个问题。
发明内容
本发明为解决上述技术问题，提出了一种多端联动的信用卡资源分配方法及系统，以解决至少一个上述技术问题。
一种多端联动的信用卡资源分配方法，应用于云端服务器，包括以下步骤：
步骤S1：获取信用卡基础信息，其中信用卡基础信息包括信用卡号数据、持卡人基础信息以及信用卡使用记录信息；
步骤S2：根据信用卡基础信息构建信用卡信用模型以及信用卡资源模型，并根据信用卡信用模型进行通信资源管理；
步骤S3：根据信用卡资源模型生成信用卡资源信息，以进行可视化作业，并实时监控信用卡资源信息，以获得信用卡实时使用信息；
步骤S4：根据信用卡实时使用信息通过预设的信用卡数值预估模型进行识别，生成多端联动信用卡风险评估信息，以供信用卡资源分配策略调整。
本实施例通过能够收集并统一管理信用卡相关信息，以更好地了解信用卡使用情况。可以通过信用卡信用模型和信用卡资源模型进行通信资源管理，以实现更有效的资源分配。通过实时监控信用卡使用情况，并对信用卡风险进行评估，可以更快地识别并应对风险。可以根据多端联动信用卡风险评估信息，动态调整信用卡资源分配策略，以提高资源使用效率。
在本说明书的一个实施例中，步骤S1包括以下步骤：
步骤S11：获取终端设备信息以及用户位置信息，并根据终端设备信息以及用户位置信息，生成特定加密算法；
步骤S12：利用特定加密算法对通过终端获取的信用卡基础信息进行加密，生成信用卡加密信息；
步骤S13：根据终端设备信息以及用户位置信息通过密钥阈值长度计算公式，生成密钥阈值长度信息；
步骤S14：根据密钥阈值长度信息以及预设的密钥加密算法，生成相应的信用卡公共密钥信息以及信用卡私有密钥信息；
步骤S15：将信用卡公共密钥信息发送至终端以使终端利用信用卡公共密钥信息对信用卡加密信息进行同态加密，生成信用卡同态加密信息，以发送至云端服务器；
步骤S16：接收信用卡同态加密信息并利用信用卡私有密钥信息对信用卡同态加密信息进行解密计算，生成信用卡基础信息。
本实施例中以上步骤可以保证信用卡基础信息在传输过程中的安全性。它通过获取终端设备信息和用户位置信息来生成特定的加密算法，并使用该算法对信用卡基础信息进行加密，然后根据终端设备信息和用户位置信息生成密钥阈值长度，以实现常见位置加密计算量较少，陌生位置保密性强，并使用预设的密钥加密算法生成信用卡公共密钥和信用卡私有密钥，最后，将信用卡公共密钥发送到终端，使用信用卡公共密钥对信用卡加密信息进行同态加密，然后再通过信用卡私有密钥进行解密，从而生成信用卡基础信息，这可以有效防止信用卡信息被非法窃取和使用。
在本说明书的一个实施例中，其中步骤S13中密钥阈值长度计算公式具体为：
Figure SMS_1
Figure SMS_3
为密钥阈值长度信息，/>
Figure SMS_6
为根据位置信息与历史位置信息生成中的历史位置重合率的权重信息，/>
Figure SMS_8
为根据位置信息与历史位置信息生成中的历史位置重合率，/>
Figure SMS_4
为根据/>
Figure SMS_7
生成的调整项，/>
Figure SMS_9
为初始信息，/>
Figure SMS_10
为误差调整项，/>
Figure SMS_2
为调整项，/>
Figure SMS_5
为密钥阈值长度信息的修正信息。
本实施例提供一种密钥阈值长度计算公式，该公式充分考虑了根据位置信息与历史位置信息生成中的历史位置重合率的权重信息
Figure SMS_12
、根据位置信息与历史位置信息生成中的历史位置重合率/>
Figure SMS_15
、根据/>
Figure SMS_17
生成的调整项/>
Figure SMS_13
、初始信息/>
Figure SMS_16
、误差调整项/>
Figure SMS_18
、调整项/>
Figure SMS_19
以及相互之间的作用关系，以形成函数关系/>
Figure SMS_11
，并通过密钥阈值长度信息的修正信息/>
Figure SMS_14
进行修正，从而提供准确可靠的数据支撑。
在本说明书的一个实施例中，步骤S2包括以下步骤：
步骤S21：根据信用卡基础信息构建信用卡资源模型；
步骤S22：根据预存储在本地的信用卡使用信息以及预设的信用阈值标注方式进行信用标注并通过深度学习算法进行计算，从而构建用户信用卡信用识别模型；
步骤S23：通过用户信用卡信用识别模型对信用卡基础信息中的信用卡使用记录信息进行识别，生成信用卡信用标注信息；
步骤S24：根据信用卡信用标注信息对信用卡基础信息进行标注，从而构建信用卡信用模型；
步骤S25：根据信用卡基础信息通过信用卡信用优先级分配计算公式进行计算，生成信用卡信用优先级指数，以根据信用卡基础信息构建信用卡信用模型，并根据信用卡信用模型进行通信资源管理。
本实施例通过预存储在本地的信用卡使用信息，以及预设的信用阈值标注方式，生成用户信用卡信用识别模型，可以更准确地识别用户信用卡信用状况。根据信用卡信用标注信息对信用卡基础信息进行标注，生成信用卡信用模型，可以更好地管理通信资源。通过信用卡信用优先级分配计算公式，生成信用卡信用优先级指数，可以更公平地管理通信资源。
在本说明书的一个实施例中，其中步骤S25中信用卡信用优先级分配计算公式具体为：
Figure SMS_20
Figure SMS_22
为信用卡信用优先级指数，/>
Figure SMS_26
为信用卡使用记录信息生成的使用频次以及及时还款频次的比值的权重信息，/>
Figure SMS_29
为信用卡使用记录信息生成的使用频次以及及时还款频次的比值，/>
Figure SMS_23
为根据/>
Figure SMS_27
生成调整项，/>
Figure SMS_30
为初始项，/>
Figure SMS_32
为误差项的权重系数，/>
Figure SMS_21
为误差项，/>
Figure SMS_25
为初始调整信息，/>
Figure SMS_28
为根据/>
Figure SMS_31
生成的初始调整信息的调整项，/>
Figure SMS_24
为信用卡信用优先级指数的修正信息。
本实施例提供一种信用卡信用优先级分配计算公式，该公式充分考虑了信用卡使用记录信息生成的使用频次以及及时还款频次的比值的权重信息
Figure SMS_34
、信用卡使用记录信息生成的使用频次以及及时还款频次的比值/>
Figure SMS_37
、根据/>
Figure SMS_40
生成调整项/>
Figure SMS_35
、初始项/>
Figure SMS_38
、误差项的权重系数/>
Figure SMS_41
、误差项/>
Figure SMS_42
、初始调整信息/>
Figure SMS_33
以及相互之间的作用关系，以形成函数关系/>
Figure SMS_36
，并根据信用卡信用优先级指数的修正信息/>
Figure SMS_39
进行修正，从而提供准确可靠的数据支撑。
在本说明书的一个实施例中，步骤S2中根据信用卡信用模型进行通信资源管理的步骤包括以下步骤：
步骤S201：根据信用卡信用模型进行设备优先级分析，生成资源加载优先级方式，其中资源加载优先级方式为第一资源优先级、第二资源优先级以及第三资源优先级的一种；
步骤S202：确定资源加载优先级方式为第一资源优先级时，以第一资源加载方式进行第一信用卡加载作业，从而以第一信用卡资源可视化方式进行可视化作业；
步骤S203：确定资源加载优先级方式为第二资源优先级时，以第二资源加载方式进行第二信用卡加载作业，从而以第二行用卡资源可视化方式进行可视化作业；
步骤S204：确定资源加载优先级方式为第三资源优先级时，以第三资源加载方式进行第三信用卡加载作业，从而以第三行用卡资源可视化方式进行可视化作业，其中第一/第二/第三信用卡加载作业为根据预设的界面展示方式进行预设的信用卡服务信息加载作业。
本实施例可以根据信用卡信用模型进行设备优先级分析，从而生成资源加载优先级方式，通过确定不同资源加载优先级方式，可以有效地进行不同信用卡的加载作业，通过不同信用卡资源的可视化方式，可以进行更好的信用卡服务信息的展示和呈现。
在本说明书的一个实施例中，步骤S3包括以下步骤：
步骤S31：根据信用卡资源模型生成信用卡资源信息，以进行可视化作业；
步骤S32：获取信用卡历史使用信息，并根据信用卡历史使用信息构建信用卡风险评估模型；
步骤S33：根据信用卡风险评估模型对实时生成的信用卡资源信息进行风险评估计算，生成风险评估特征数据；
步骤S34：通过风险评估计算公式对风险评估特征数据进行计算，生成风险评估指数；
步骤S35：判断风险评估指数是否大于或等于预设的风险预估阈值信息；
步骤S36：确定风险评估指数大于或等于预设的风险预估阈值信息时，进行信用卡使用风险隐患提醒作业；
步骤S37：确定风险评估指数小于预设的风险预估阈值信息时，根据实时生成的信用卡资源信息生成信用卡实时使用信息。
本实施例中涵盖了对信用卡资源和历史使用情况进行分析，并对实时使用情况进行风险评估，从而确保信用卡的安全使用。特别是在风险评估指数大于预设的风险预估阈值时，进行风险隐患提醒作业，进一步保障了信用卡安全。此外，对风险评估的公式进行计算，也有助于生成准确的风险评估结果。
在本说明书的一个实施例中，其中信用卡分线评估信息为高/中/低信用卡分线评估信息的至少一种，步骤S4包括以下步骤：
步骤S41：利用预设的信用卡数值预估模型对信用卡使用信息进行识别，生成信用卡风险指数；
步骤S42：判断信用卡风险指数是否大于或等于第一信用卡风险信息；
步骤S43：确定信用卡风险指数大于或等于第一信用卡风险信息时，生成低信用卡分线评估信息；
步骤S44：确定信用卡风险指数小于第一信用卡风险信息时，判断信用卡风险指数是否大于或等于第二信用卡风险信息；
步骤S45：确定信用卡风险指数大于或等于第二信用卡风险信息时，生成中信用卡分线评估信息；
步骤S46：确定信用卡风险指数小于第二信用卡风险信息时，生成高信用卡分线评估信息；
步骤S47：根据信用卡分线评估信息对信用卡资源模型进行修正，并返回至步骤S3。
本实施例对信用卡使用信息进行识别，生成信用卡风险指数，使得评估更精确。对信用卡风险指数进行分级评估，从而能够对不同风险程度的信用卡进行不同的评估。根据评估结果对信用卡资源模型进行修正，使得信用卡资源模型能够不断地进行改进。
在本说明书的一个实施例中，其中步骤S4中信用卡数值预估模型的构建步骤包括以下步骤：
步骤S401：获取信用卡使用情况信息，其中信用卡使用情况信息包括合法信用卡使用情况信息、隐患信用卡使用情况信息以及非法信用卡使用情况信息；
步骤S402：利用信用卡使用情况信息进行深度学习计算，从而构建信用卡使用情况识别模型；
步骤S403：根据信用卡使用情况识别模型通过历史误差预估计算，生成信用卡数值预估模型。
本实施例中获取全面的信用卡使用情况信息，包括合法、隐患和非法的信用卡使用情况信息，可以更准确地识别信用卡使用情况。通过深度学习计算，从而构建信用卡使用情况识别模型，可以更加准确地识别信用卡使用情况。利用历史误差预估计算，生成信用卡数值预估模型，可以更加精确地预估信用卡数值，提高评估效率。
在本说明书的一个实施例中，一种多端联动的信用卡资源分配系统，所述系统包括：
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如上任一一项所述的一种多端联动的信用卡资源分配方法。
本发明通过通过获取信用卡基础信息，有助于建立全面的信用卡数据库。构建信用卡信用模型和信用卡资源模型，可以统筹管理信用卡通信资源，生成信用卡资源信息，方便对信用卡使用情况进行可视化分析和监控，识别多端联动信用卡风险评估信息，可以有效识别卡片的风险，并采取适当的分配策略，以上步骤总体有助于提高信用卡管理的效率和效果，有利于优化信用卡管理流程，减少信用卡风险。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1示出了一实施例的一种多端联动的信用卡资源分配方法的步骤流程图；
图2示出了一实施例的一种信用卡基础信息获取方法的步骤流程图；
图3示出了一实施例的一种信用卡资源模型以及信用卡信用模型构建使用方法的步骤流程图；
图4示出了一实施例的一种信用卡资源可视化方法的步骤流程图；
图5示出了一实施例的一种信用卡风险评估生成方法的步骤流程图；
图6示出了一实施例的一种信用卡风险评估方法的步骤流程图；
图7示出了一实施例的一种信用卡数值预估模型构建方法的步骤流程图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的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，都属于本发明保护的范围。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
一种多端联动的信用卡资源分配方法，应用于云端服务器，包括以下步骤：
步骤S1：获取信用卡基础信息，其中信用卡基础信息包括信用卡号数据、持卡人基础信息以及信用卡使用记录信息；
具体地，例如通过软件输入界面或移动端输入界面，获取信用卡基础信息。
步骤S2：根据信用卡基础信息构建信用卡信用模型以及信用卡资源模型，并根据信用卡信用模型进行通信资源管理；
具体地，例如根据信用卡基础信息中的持卡人基础信息中的持卡人职业信息、持卡人薪资信息以及持卡人固定资产信息根据市场价格估值计算方式进行估值转换，生成持卡人价值信息，并根据价值分类，从而构建信用卡信用模型，根据持卡人价值信息并根据信用卡资质估值评估，从而构建信用卡资源模型，比如根据持卡人长居地点、工作时长以及行业特质生成持卡人潜在预期增长收益值，以对持卡人价值信息进行修正，从而构建信用卡资源模型。
步骤S3：根据信用卡资源模型生成信用卡资源信息，以进行可视化作业，并实时监控信用卡资源信息，以获得信用卡实时使用信息；
具体地，例如信用卡管理软件，使用资源模型生成信用卡资源信息，进行可视化处理，监控信用卡的实时使用情况；金融机构的信用卡客户管理系统，使用资源模型生成信用卡资源信息，实时监控信用卡使用情况；信用卡应用软件，使用信用卡资源模型生成信用卡资源信息，以实时监控信用卡使用情况。
具体地，例如根据信用卡资源模型的持卡人资质信用值以及历史信用进行修正计算，生成推荐信用卡资源信息，并获取选中的推荐信用卡资源信息，以确定为信用卡资源信息。
步骤S4：根据信用卡实时使用信息通过预设的信用卡数值预估模型进行识别，生成多端联动信用卡风险评估信息，以供信用卡资源分配策略调整。
具体地，例如银行：银行可以利用多端联动信用卡风险评估信息实时监控客户信用卡使用情况，从而调整信用卡额度分配策略。零售商：零售商可以根据客户多端联动信用卡风险评估信息，灵活调整客户信用卡折扣策略，降低销售风险。信用卡公司：信用卡公司可以根据多端联动信用卡风险评估信息，调整信用卡审核策略，提高审核效率。
本实施例通过能够收集并统一管理信用卡相关信息，以更好地了解信用卡使用情况。可以通过信用卡信用模型和信用卡资源模型进行通信资源管理，以实现更有效的资源分配。通过实时监控信用卡使用情况，并对信用卡风险进行评估，可以更快地识别并应对风险。可以根据多端联动信用卡风险评估信息，动态调整信用卡资源分配策略，以提高资源使用效率。
在本说明书的一个实施例中，步骤S1包括以下步骤：
步骤S11：获取终端设备信息以及用户位置信息，并根据终端设备信息以及用户位置信息，生成特定加密算法；
具体地，例如基于地理位置的加密，根据用户的地理位置，动态生成加密密钥。基于混合因素的加密，根据多个因素，如终端设备信息、用户位置、时间等，生成加密密钥。
步骤S12：利用特定加密算法对通过终端获取的信用卡基础信息进行加密，生成信用卡加密信息；
具体地，例如采用特定加密算法如AES，RSA，Blowfish，Twofish，DES，3DES，ECC对通过终端获取的信用卡基础信息进行加密，生成信用卡加密信息。
步骤S13：根据终端设备信息以及用户位置信息通过密钥阈值长度计算公式，生成密钥阈值长度信息；
具体地，例如根据终端设备信息以及用户位置信息通过其他实施例提供的密钥阈值长度计算公式，生成密钥阈值长度信息，如256、512或者1024。
步骤S14：根据密钥阈值长度信息以及预设的密钥加密算法，生成相应的信用卡公共密钥信息以及信用卡私有密钥信息；
具体地，例如根据密钥阈值长度信息以及预设的密钥加密算法，如RSA算法，生成相应的信用卡公共密钥信息以及信用卡私有密钥信息，一般为两个大素数。
步骤S15：将信用卡公共密钥信息发送至终端以使终端利用信用卡公共密钥信息对信用卡加密信息进行同态加密，生成信用卡同态加密信息，以发送至云端服务器；
具体地，例如将信用卡公共密钥信息发送至终端以使终端利用信用卡公共密钥信息对信用卡加密信息进行同态加密，生成信用卡同态加密信息，以发送至云端服务器，如RSA产生的公钥。
步骤S16：接收信用卡同态加密信息并利用信用卡私有密钥信息对信用卡同态加密信息进行解密计算，生成信用卡基础信息。
具体地，例如接收信用卡同态加密信息并利用信用卡私有密钥信息对信用卡同态加密信息进行解密计算，生成信用卡基础信息，如RSA产生的私钥。
本实施例中以上步骤可以保证信用卡基础信息在传输过程中的安全性。它通过获取终端设备信息和用户位置信息来生成特定的加密算法，并使用该算法对信用卡基础信息进行加密，然后根据终端设备信息和用户位置信息生成密钥阈值长度，以实现常见位置加密计算量较少，陌生位置保密性强，并使用预设的密钥加密算法生成信用卡公共密钥和信用卡私有密钥，最后，将信用卡公共密钥发送到终端，使用信用卡公共密钥对信用卡加密信息进行同态加密，然后再通过信用卡私有密钥进行解密，从而生成信用卡基础信息，这可以有效防止信用卡信息被非法窃取和使用。
在本说明书的一个实施例中，其中步骤S13中密钥阈值长度计算公式具体为：
Figure SMS_43
Figure SMS_45
为密钥阈值长度信息，/>
Figure SMS_49
为根据位置信息与历史位置信息生成中的历史位置重合率的权重信息，/>
Figure SMS_50
为根据位置信息与历史位置信息生成中的历史位置重合率，/>
Figure SMS_46
为根据/>
Figure SMS_48
生成的调整项，/>
Figure SMS_51
为初始信息，/>
Figure SMS_52
为误差调整项，/>
Figure SMS_44
为调整项，/>
Figure SMS_47
为密钥阈值长度信息的修正信息。
本实施例提供一种密钥阈值长度计算公式，该公式充分考虑了根据位置信息与历史位置信息生成中的历史位置重合率的权重信息
Figure SMS_54
、根据位置信息与历史位置信息生成中的历史位置重合率/>
Figure SMS_56
、根据/>
Figure SMS_59
生成的调整项/>
Figure SMS_55
、初始信息/>
Figure SMS_58
、误差调整项/>
Figure SMS_60
、调整项/>
Figure SMS_61
以及相互之间的作用关系，以形成函数关系/>
Figure SMS_53
，并通过密钥阈值长度信息的修正信息/>
Figure SMS_57
进行修正，从而提供准确可靠的数据支撑。
在本说明书的一个实施例中，步骤S2包括以下步骤：
步骤S21：根据信用卡基础信息构建信用卡资源模型；
具体地，例如根据信用卡基础信息构建信用卡资源模型，如通过关系图、实体-关系图的方式进行构建。
步骤S22：根据预存储在本地的信用卡使用信息以及预设的信用阈值标注方式进行信用标注并通过深度学习算法进行计算，从而构建用户信用卡信用识别模型；
具体地，例如构建用户信用卡信用识别模型的具体例子有很多，一般可以使用监督学习算法，如决策树、随机森林、支持向量机等进行计算。也可以使用深度学习算法，例如卷积神经网络、循环神经网络、长短时记忆网络等，对数据进行分析，从而得出信用识别结果。
步骤S23：通过用户信用卡信用识别模型对信用卡基础信息中的信用卡使用记录信息进行识别，生成信用卡信用标注信息；
具体地，例如利用用户信用卡的消费记录，通过机器学习模型对用户的信用状况进行分析，为用户的信用卡打上相应的信用标签，例如：高信用、中等信用和低信用。通过分析用户的信用卡使用历史记录，对用户的信用状况进行评估，如果用户的信用情况较好，则给其打上“信用良好”的标签，否则打上“信用较差”的标签。
步骤S24：根据信用卡信用标注信息对信用卡基础信息进行标注，从而构建信用卡信用模型；
具体地，例如通过分析信用卡使用记录，包括消费次数、金额、逾期状况等，可以评估用户的信用状况并对其进行标记。这种信用标注的模型可以用于评估新的信用卡申请，或者确定是否要批准用户的额度调整请求。步骤S25：根据信用卡基础信息通过信用卡信用优先级分配计算公式进行计算，生成信用卡信用优先级指数，以根据信用卡基础信息构建信用卡信用模型，并根据信用卡信用模型进行通信资源管理。
本实施例通过预存储在本地的信用卡使用信息，以及预设的信用阈值标注方式，生成用户信用卡信用识别模型，可以更准确地识别用户信用卡信用状况。根据信用卡信用标注信息对信用卡基础信息进行标注，生成信用卡信用模型，可以更好地管理通信资源。通过信用卡信用优先级分配计算公式，生成信用卡信用优先级指数，可以更公平地管理通信资源。
在本说明书的一个实施例中，其中步骤S25中信用卡信用优先级分配计算公式具体为：
Figure SMS_62
Figure SMS_64
为信用卡信用优先级指数，/>
Figure SMS_67
为信用卡使用记录信息生成的使用频次以及及时还款频次的比值的权重信息，/>
Figure SMS_70
为信用卡使用记录信息生成的使用频次以及及时还款频次的比值，/>
Figure SMS_66
为根据/>
Figure SMS_69
生成调整项，/>
Figure SMS_72
为初始项，/>
Figure SMS_74
为误差项的权重系数，/>
Figure SMS_63
为误差项，/>
Figure SMS_68
为初始调整信息，/>
Figure SMS_71
为根据/>
Figure SMS_73
生成的初始调整信息的调整项，/>
Figure SMS_65
为信用卡信用优先级指数的修正信息。
本实施例提供一种信用卡信用优先级分配计算公式，该公式充分考虑了信用卡使用记录信息生成的使用频次以及及时还款频次的比值的权重信息
Figure SMS_76
、信用卡使用记录信息生成的使用频次以及及时还款频次的比值/>
Figure SMS_78
、根据/>
Figure SMS_81
生成调整项/>
Figure SMS_77
、初始项/>
Figure SMS_80
、误差项的权重系数/>
Figure SMS_82
、误差项/>
Figure SMS_84
、初始调整信息/>
Figure SMS_75
以及相互之间的作用关系，以形成函数关系/>
Figure SMS_79
，并根据信用卡信用优先级指数的修正信息/>
Figure SMS_83
进行修正，从而提供准确可靠的数据支撑。
在本说明书的一个实施例中，步骤S2中根据信用卡信用模型进行通信资源管理的步骤包括以下步骤：
步骤S201：根据信用卡信用模型进行设备优先级分析，生成资源加载优先级方式，其中资源加载优先级方式为第一资源优先级、第二资源优先级以及第三资源优先级的一种；
具体地，例如收集信用卡信用模型相关数据，如历史记录、用户消费习惯等。根据收集的数据进行分析，识别出用户的信用情况。根据信用情况生成设备优先级。将设备优先级应用到资源加载过程中，使得资源的加载更加高效。
步骤S202：确定资源加载优先级方式为第一资源优先级时，以第一资源加载方式进行第一信用卡加载作业，从而以第一信用卡资源可视化方式进行可视化作业；
具体地，例如确定资源加载优先级方式为第一资源优先级时，以第一资源加载方式如当前网速的最快速度进行第一信用卡加载作业如进行详细展示，从而以第一信用卡资源可视化方式如产品以及服务的全开放，进行可视化作业
步骤S203：确定资源加载优先级方式为第二资源优先级时，以第二资源加载方式进行第二信用卡加载作业，从而以第二行用卡资源可视化方式进行可视化作业；
具体地，例如确定资源加载优先级方式为第二资源优先级如当前网速仅次于最快网速的优化调整时，以第二资源加载方式进行第二信用卡加载作业，如对产品以及业务的部分展示，从而以第二行用卡资源可视化方式，如对产品以及业务的部分可视化展示进行可视化作业。
步骤S204：确定资源加载优先级方式为第三资源优先级时，以第三资源加载方式进行第三信用卡加载作业，从而以第三行用卡资源可视化方式进行可视化作业，其中第一/第二/第三信用卡加载作业为根据预设的界面展示方式进行预设的信用卡服务信息加载作业。
具体地，例如确定资源加载优先级方式为第三资源优先级，如当前网速时，以第三资源，如对产品以及业务的基础服务展示加载方式进行第三信用卡加载作业，如对产品以及业务的基础服务展示可视化。
本实施例可以根据信用卡信用模型进行设备优先级分析，从而生成资源加载优先级方式，通过确定不同资源加载优先级方式，可以有效地进行不同信用卡的加载作业，通过不同信用卡资源的可视化方式，可以进行更好的信用卡服务信息的展示和呈现。
在本说明书的一个实施例中，步骤S3包括以下步骤：
步骤S31：根据信用卡资源模型生成信用卡资源信息，以进行可视化作业；
具体地，例如使用数据可视化工具（如Tableau、QlikView、Microsoft Power BI等）对信用卡资源模型生成的信用卡资源信息进行可视化展示。使用R或Python等编程语言对信用卡资源模型生成的信用卡资源信息进行编程分析，生成统计图表和数据图形。使用图形化工具（如Gephi、Cytoscape等）对信用卡资源信息进行关系图谱分析，揭示信用卡资源的关系。
步骤S32：获取信用卡历史使用信息，并根据信用卡历史使用信息构建信用卡风险评估模型；
具体地，例如银行或金融机构通过客户历史消费记录、信用卡还款历史等数据，建立信用卡风险评估模型。信用卡公司通过分析客户消费习惯、信用卡使用场景等数据，构建信用卡风险评估模型。使用机器学习算法对信用卡历史使用数据进行分析，从而构建信用卡风险评估模型。
步骤S33：根据信用卡风险评估模型对实时生成的信用卡资源信息进行风险评估计算，生成风险评估特征数据；
具体地，例如基于机器学习算法的信用卡风险评估，通过分析用户的消费习惯和消费行为，识别不正常交易并对其进行评估。
具体地，例如基于数据挖掘算法的信用卡风险评估，通过分析大量的信用卡交易数据，识别潜在的风险并对其进行评估。
具体地，例如基于信用评分卡模型的信用卡风险评估，通过对用户的信用评分和信用历史进行评估，识别潜在的风险并对其进行评估。
步骤S34：通过风险评估计算公式对风险评估特征数据进行计算，生成风险评估指数；
具体地，例如通过其余实施例提供的风险评估计算公式对风险评估特征数据进行计算，生成风险评估指数。
步骤S35：判断风险评估指数是否大于或等于预设的风险预估阈值信息；
具体地，例如判断风险评估指数，如48.36是否大于或等于预设的风险预估阈值信息，如61。
步骤S36：确定风险评估指数大于或等于预设的风险预估阈值信息时，进行信用卡使用风险隐患提醒作业；
具体地，例如确定风险评估指数，如85.3大于或等于预设的风险预估阈值信息，如61时，进行信用卡使用风险隐患提醒作业。
步骤S37：确定风险评估指数小于预设的风险预估阈值信息时，根据实时生成的信用卡资源信息生成信用卡实时使用信息。
具体地，例如确定风险评估指数，如48.36小于预设的风险预估阈值信息，如61时，根据实时生成的信用卡资源信息生成信用卡实时使用信息。
本实施例中涵盖了对信用卡资源和历史使用情况进行分析，并对实时使用情况进行风险评估，从而确保信用卡的安全使用。特别是在风险评估指数大于预设的风险预估阈值时，进行风险隐患提醒作业，进一步保障了信用卡安全。此外，对风险评估的公式进行计算，也有助于生成准确的风险评估结果。
在本说明书的一个实施例中，其中信用卡分线评估信息为高/中/低信用卡分线评估信息的至少一种，步骤S4包括以下步骤：
步骤S41：利用预设的信用卡数值预估模型对信用卡使用信息进行识别，生成信用卡风险指数；
具体地，例如利用预设的信用卡数值预估模型对信用卡使用信息进行识别，生成信用卡风险指数，如48。
步骤S42：判断信用卡风险指数是否大于或等于第一信用卡风险信息；
具体地，例如判断信用卡风险指数，如85是否大于或等于第一信用卡风险信息，如75。
步骤S43：确定信用卡风险指数大于或等于第一信用卡风险信息时，生成低信用卡分线评估信息；
具体地，例如确定信用卡风险指数，如85大于或等于第一信用卡风险信息如75时，生成低信用卡分线评估信息。
步骤S44：确定信用卡风险指数小于第一信用卡风险信息时，判断信用卡风险指数是否大于或等于第二信用卡风险信息；
具体地，例如确定信用卡风险指数，如55小于第一信用卡风险信息，如75时，判断信用卡风险指数，如55是否大于或等于第二信用卡风险信息，如55。
步骤S45：确定信用卡风险指数大于或等于第二信用卡风险信息时，生成中信用卡分线评估信息；
具体地，例如确定信用卡风险指数，如48.35大于或等于第二信用卡风险信息，如55时，生成中信用卡分线评估信息.
步骤S46：确定信用卡风险指数小于第二信用卡风险信息时，生成高信用卡分线评估信息；
具体地，例如确定信用卡风险指数，如38小于第二信用卡风险信息，如55时，生成高信用卡分线评估信息.
步骤S47：根据信用卡分线评估信息对信用卡资源模型进行修正，并返回至步骤S3。
具体地，例如获取当前信用卡资源模型，获取最新的信用卡风险评估数据，将信用卡风险评估数据与信用卡资源模型进行对比，根据风险评估数据对信用卡资源模型进行修正，将修正后的信用卡资源模型返回给步骤3，并继续执行信用卡风险评估计算。
本实施例对信用卡使用信息进行识别，生成信用卡风险指数，使得评估更精确。对信用卡风险指数进行分级评估，从而能够对不同风险程度的信用卡进行不同的评估。根据评估结果对信用卡资源模型进行修正，使得信用卡资源模型能够不断地进行改进。
在本说明书的一个实施例中，其中步骤S4中信用卡数值预估模型的构建步骤包括以下步骤：
步骤S401：获取信用卡使用情况信息，其中信用卡使用情况信息包括合法信用卡使用情况信息、隐患信用卡使用情况信息以及非法信用卡使用情况信息；
具体地，例如通过软件输入界面或者数据输入界面获取信用卡使用情况信息。
步骤S402：利用信用卡使用情况信息进行深度学习计算，从而构建信用卡使用情况识别模型；
具体地，例如利用信用卡消费记录、还款记录等信息，通过机器学习算法，如决策树、随机森林等，构建信用卡使用情况识别模型。
步骤S403：根据信用卡使用情况识别模型通过历史误差预估计算，生成信用卡数值预估模型。
具体地，例如利用信用卡使用情况识别模型，通过历史误差预估并获取修正值进行调整，生成信用卡数值预估模型。
本实施例中获取全面的信用卡使用情况信息，包括合法、隐患和非法的信用卡使用情况信息，可以更准确地识别信用卡使用情况。通过深度学习计算，从而构建信用卡使用情况识别模型，可以更加准确地识别信用卡使用情况。利用历史误差预估计算，生成信用卡数值预估模型，可以更加精确地预估信用卡数值，提高评估效率。
在本说明书的一个实施例中，一种多端联动的信用卡资源分配系统，所述系统包括：
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如上任一一项所述的一种多端联动的信用卡资源分配方法。
本发明通过通过获取信用卡基础信息，有助于建立全面的信用卡数据库。构建信用卡信用模型和信用卡资源模型，可以统筹管理信用卡通信资源，生成信用卡资源信息，方便对信用卡使用情况进行可视化分析和监控，识别多端联动信用卡风险评估信息，可以有效识别卡片的风险，并采取适当的分配策略，以上步骤总体有助于提高信用卡管理的效率和效果，有利于优化信用卡管理流程，减少信用卡风险。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种多端联动的信用卡资源分配方法，其特征在于，应用于云端服务器，包括以下步骤：
步骤S1：获取信用卡基础信息，其中信用卡基础信息包括信用卡号数据、持卡人基础信息以及信用卡使用记录信息；
步骤S2，包括：
步骤S21：根据信用卡基础信息构建信用卡资源模型；
步骤S22：根据预存储在本地的信用卡使用信息以及预设的信用阈值标注方式进行信用标注并通过深度学习算法进行计算，从而构建用户信用卡信用识别模型；
步骤S23：通过用户信用卡信用识别模型对信用卡基础信息中的信用卡使用记录信息进行识别，生成信用卡信用标注信息；
步骤S24：根据信用卡信用标注信息对信用卡基础信息进行标注，从而构建信用卡信用模型；
步骤S25：根据信用卡基础信息通过信用卡信用优先级分配计算公式进行计算，生成信用卡信用优先级指数，以根据信用卡基础信息构建信用卡信用模型，并根据信用卡信用模型进行通信资源管理；
其中根据信用卡信用模型进行通信资源管理的步骤包括以下步骤：
根据信用卡信用模型进行设备优先级分析，即根据信用卡信用优先级指数，生成资源加载优先级方式，其中资源加载优先级方式为第一资源优先级、第二资源优先级以及第三资源优先级的一种；
确定资源加载优先级方式为第一资源优先级时，以第一资源加载方式进行第一信用卡加载作业，从而以第一信用卡资源可视化方式进行可视化作业；
确定资源加载优先级方式为第二资源优先级时，以第二资源加载方式进行第二信用卡加载作业，从而以第二行用卡资源可视化方式进行可视化作业；
确定资源加载优先级方式为第三资源优先级时，以第三资源加载方式进行第三信用卡加载作业，从而以第三行用卡资源可视化方式进行可视化作业，其中第一/第二/第三信用卡加载作业为根据预设的界面展示方式进行预设的信用卡服务信息加载作业；
步骤S3：根据信用卡资源模型生成信用卡资源信息，以进行可视化作业，并实时监控信用卡资源信息，以获得信用卡实时使用信息；
步骤S4：根据信用卡实时使用信息通过预设的信用卡数值预估模型进行识别，生成多端联动信用卡风险评估信息，以供信用卡资源分配策略调整，其中信用卡资源分配策略包括信用卡额度分配策略、信用卡折扣策略以及信用卡审核策略。
2.根据权利要求1所述的方法，其特征在于，步骤S1包括以下步骤：
步骤S11：获取终端设备信息以及用户位置信息，并根据终端设备信息以及用户位置信息，生成特定加密算法；
步骤S12：利用特定加密算法对通过终端获取的信用卡基础信息进行加密，生成信用卡加密信息；
步骤S13：根据终端设备信息以及用户位置信息通过密钥阈值长度计算公式，生成密钥阈值长度信息；
步骤S14：根据密钥阈值长度信息以及预设的密钥加密算法，生成相应的信用卡公共密钥信息以及信用卡私有密钥信息；
步骤S15：将信用卡公共密钥信息发送至终端以使终端利用信用卡公共密钥信息对信用卡加密信息进行同态加密，生成信用卡同态加密信息，以发送至云端服务器；
步骤S16：控制云端服务器接收信用卡同态加密信息并利用信用卡私有密钥信息对信用卡同态加密信息进行解密计算，生成信用卡基础信息。
3.根据权利要求2所述的方法，其特征在于，其中步骤S13中密钥阈值长度计算公式具体为：
Figure QLYQS_1
；
Figure QLYQS_3
为密钥阈值长度信息，/>
Figure QLYQS_5
为根据位置信息与历史位置信息生成的历史位置重合率的权重信息，/>
Figure QLYQS_8
为根据位置信息与历史位置信息生成的历史位置重合率，/>
Figure QLYQS_4
为根据/>
Figure QLYQS_6
生成的调整项，/>
Figure QLYQS_7
为初始信息，/>
Figure QLYQS_9
为误差调整项，/>
Figure QLYQS_2
为密钥阈值长度信息的修正信息。
4.根据权利要求1所述的方法，其特征在于，其中步骤S25中信用卡信用优先级分配计算公式具体为：
Figure QLYQS_10
；
Figure QLYQS_11
为信用卡信用优先级指数，/>
Figure QLYQS_16
为根据信用卡使用记录信息生成的使用频次以及及时还款频次的比值的权重信息，/>
Figure QLYQS_18
为根据信用卡使用记录信息生成的使用频次以及及时还款频次的比值，/>
Figure QLYQS_14
为根据/>
Figure QLYQS_17
生成的调整项，/>
Figure QLYQS_20
为初始项，/>
Figure QLYQS_21
为误差项的权重系数，/>
Figure QLYQS_13
为误差项，/>
Figure QLYQS_15
为初始调整信息，/>
Figure QLYQS_19
为根据/>
Figure QLYQS_22
生成的初始调整信息的调整项，/>
Figure QLYQS_12
为信用卡信用优先级指数的修正信息。
5.根据权利要求1所述的方法，其特征在于，步骤S3包括以下步骤：
根据信用卡资源模型生成信用卡资源信息，以进行可视化作业；
获取信用卡历史使用信息，并根据信用卡历史使用信息构建信用卡风险评估模型；
根据信用卡风险评估模型对实时生成的信用卡资源信息进行风险评估计算，生成风险评估特征数据；
通过风险评估计算公式对风险评估特征数据进行计算，生成风险评估指数；
判断风险评估指数是否大于或等于预设的风险预估阈值信息；
确定风险评估指数大于或等于预设的风险预估阈值信息时，进行信用卡使用风险隐患提醒作业；
确定风险评估指数小于预设的风险预估阈值信息时，根据实时生成的信用卡资源信息生成信用卡实时使用信息。
6.根据权利要求1所述的方法，其特征在于，其中信用卡分线评估信息为高/中/低信用卡分线评估信息的至少一种，步骤S4包括以下步骤：
利用预设的信用卡数值预估模型对信用卡使用信息进行识别，生成信用卡风险指数；
判断信用卡风险指数是否大于或等于第一信用卡风险信息；
确定信用卡风险指数大于或等于第一信用卡风险信息时，生成低信用卡分线评估信息；
确定信用卡风险指数小于第一信用卡风险信息时，判断信用卡风险指数是否大于或等于第二信用卡风险信息；
确定信用卡风险指数大于或等于第二信用卡风险信息时，生成中信用卡分线评估信息；
确定信用卡风险指数小于第二信用卡风险信息时，生成高信用卡分线评估信息；
根据信用卡分线评估信息对信用卡资源模型进行修正，并返回至步骤S3。
7.根据权利要求1所述的方法，其特征在于，其中步骤S4中信用卡数值预估模型的构建步骤包括以下步骤：
获取信用卡使用情况信息，其中信用卡使用情况信息包括合法信用卡使用情况信息、隐患信用卡使用情况信息以及非法信用卡使用情况信息；
利用信用卡使用情况信息进行深度学习计算，从而构建信用卡使用情况识别模型；
根据信用卡使用情况识别模型通过历史误差预估计算，生成信用卡数值预估模型。
8.一种多端联动的信用卡资源分配系统，其特征在于，所述系统包括：
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如权利要求1至7中任意一项所述的一种多端联动的信用卡资源分配方法。
CN202310403552.6A 2023-04-17 2023-04-17 一种多端联动的信用卡资源分配方法及系统 Active CN116151966B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310403552.6A CN116151966B (zh) 2023-04-17 2023-04-17 一种多端联动的信用卡资源分配方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310403552.6A CN116151966B (zh) 2023-04-17 2023-04-17 一种多端联动的信用卡资源分配方法及系统

Publications (2)

Publication Number Publication Date
CN116151966A CN116151966A (zh) 2023-05-23
CN116151966B true CN116151966B (zh) 2023-06-23

Family

ID=86350896

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310403552.6A Active CN116151966B (zh) 2023-04-17 2023-04-17 一种多端联动的信用卡资源分配方法及系统

Country Status (1)

Country Link
CN (1) CN116151966B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685642A (zh) * 2018-11-16 2019-04-26 北京三快在线科技有限公司 信用卡资源处理方法、装置、电子设备及存储介质
CN113902545A (zh) * 2021-09-30 2022-01-07 北京淇瑀信息科技有限公司 资源额度分配方法、装置及电子设备
CN115375453A (zh) * 2022-08-25 2022-11-22 中国银行股份有限公司 系统资源分配方法及装置
CN115619541A (zh) * 2022-11-03 2023-01-17 中国农业银行股份有限公司 一种风险预测系统和方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021173501A1 (en) * 2020-02-26 2021-09-02 Equifax Inc. Machine-learning techniques to generate recommendations for risk mitigation

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685642A (zh) * 2018-11-16 2019-04-26 北京三快在线科技有限公司 信用卡资源处理方法、装置、电子设备及存储介质
CN113902545A (zh) * 2021-09-30 2022-01-07 北京淇瑀信息科技有限公司 资源额度分配方法、装置及电子设备
CN115375453A (zh) * 2022-08-25 2022-11-22 中国银行股份有限公司 系统资源分配方法及装置
CN115619541A (zh) * 2022-11-03 2023-01-17 中国农业银行股份有限公司 一种风险预测系统和方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
RAROC和EVA分析框架下的信用卡初始授信研究;蔡步琳 等;中国信用卡(第10期);71-75 *
Time-Aware Attention-Based Gated Network for Credit Card Fraud Detection by Extracting Transactional Behaviors;Yu Xie 等;IEEE Transactions on Computational Social Systems;第10卷(第3期);1004-1016 *
基于Java的信用卡数据挖掘系统;矫世全;;数码世界(第02期);23-24 *

Also Published As

Publication number Publication date
CN116151966A (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
Fu et al. Crowds, lending, machine, and bias
US11023963B2 (en) Detection of compromise of merchants, ATMs, and networks
AU2023206104A1 (en) Network-based automated prediction modeling
WO2018226337A1 (en) System and method for issuing a loan to a consumer determined to be creditworthy
US20140282856A1 (en) Rule optimization for classification and detection
US20100057622A1 (en) Distributed Quantum Encrypted Pattern Generation And Scoring
US20240086746A1 (en) Systems and methods for short identifier behavioral analytics
US20240005412A1 (en) Usage estimation systems and methods for risk association adjustments
EP4075363A1 (en) Self learning machine learning scores adjustment via normalization thereof
CN115564449A (zh) 交易账户的风险管控方法、装置及电子设备
KR20180093320A (ko) 현금자산 관리방법 및 서버
CN116151966B (zh) 一种多端联动的信用卡资源分配方法及系统
CN116664306A (zh) 风控规则的智能推荐方法、装置、电子设备及介质
CN115689571A (zh) 异常用户行为监测方法、装置、设备和介质
Wen et al. An introduction of transaction session‐induced security scheme using blockchain technology: Understanding the features of Internet of Things–based financial security systems
CN114331463A (zh) 基于线性回归模型的风险识别方法及其相关设备
CN114581216A (zh) 中小微企业贷款风险评估方法、系统、存储设备及终端
Patel et al. The RFM-based ubiquitous framework for secure and efficient banking
CN114078046A (zh) 风险预警信息生成方法、装置及电子设备
Sudha et al. Detection OFAES algorithm for data security on credit card transaction
Ilieva et al. Customer Attitude toward Digital Wallet Services. Systems 2023, 11, 185
US20240289789A1 (en) Secure computing system, financial institution server, information processing system, secure computing method, and recording medium
CN117522555A (zh) 用于智能催费的客户信用评价方法、系统、介质及设备
CN116957827A (zh) 一种基于数据分析的业财一体化管理系统
CN118297709A (zh) 风险用户评估方法、装置、设备、介质及程序产品

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