CN116307736A - 风险画像自动生成的方法、装置、设备及存储介质 - Google Patents
风险画像自动生成的方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116307736A CN116307736A CN202310394573.6A CN202310394573A CN116307736A CN 116307736 A CN116307736 A CN 116307736A CN 202310394573 A CN202310394573 A CN 202310394573A CN 116307736 A CN116307736 A CN 116307736A
- Authority
- CN
- China
- Prior art keywords
- user
- risk
- behavior data
- information
- unstructured
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明涉及人工智能技术,揭露了一种风险画像自动生成的方法,包括:根据用户的基础信息生成用户基础画像;获取用户的结构化行为数据,根据决策树模型对结构化行为数据的风险类型进行分类,第一风险类型标签;获取用户的非结构化行为数据,提取非结构化行为数据的三元组信息和关键字;利用决策树模型得出非结构化行为数据的第二风险类型标签;将第一风险类型标签与第二风险类型标签拼接为融合标签,根据融合标签在用户基础画像的基础上,生成用户风险画像。此外,本发明还涉及区块链技术,用户基础画像及用户风险画像可存储于区块链的节点。本发明还提出一种风险画像自动生成的装置、电子设备以及存储介质。本发明可以提高用户风险画像准确度。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种风险画像自动生成的方法、装置、电子设备及计算机可读存储介质。
背景技术
随着智能信息化社会的不断发展,为了提供更智能化的服务,根据用户在系统中遗留的信息给用户打上标签,便于计算机理解用户,形成精确的用户风险画像。
现有的形成用户风险画像的方法大多是提前按照经验定义一系列标签,定期去导出数据复盘分析,重新调整标签体系实际应用中,有信息滞后的风险,可能会导致由于用户信息更新不够及时从而计算出的用户风险画像往往不够准确。
发明内容
本发明提供一种风险画像自动生成的方法、装置及计算机可读存储介质,其主要目的在于解决进行生成用户风险画像时精确度较低的问题。
为实现上述目的,本发明提供的一种风险画像自动生成的方法,包括:
获取用户的基础信息,根据所述基础信息生成用户基础画像;
利用预设的监听器获取用户结构化行为数据,根据预设的决策树模型对所述用户结构化行为数据的风险类型进行分类,得到所述用户结构化行为数据的第一风险类型标签;
获取用户的非结构化行为数据,根据预设的事件提取模型提取所述非结构化行为数据的三元组信息,并提取所述非结构化行为数据的关键字;
将所述三元组信息以及所述关键字输入所述决策树模型,得出用户的非结构化行为数据的第二风险类型标签;
利用向量拼接技术将所述第一风险类型标签与所述第二风险类型标签拼接为融合标签,根据所述融合标签在所述用户基础画像的基础上,生成用户风险画像。
可选地,所述根据所述基础信息生成用户基础画像,包括:
从所述基础信息中逐个选取其中一个信息为目标信息;
对所述目标信息进行核心语义提取,得到信息语义;
对所述核心语义进行向量转换,得到语义向量;
将所有基础信息对应的语义向量拼接为所述用户基础画像。
可选地,所述对所述目标信息进行核心语义提取,得到信息语义,包括:
对所述目标信息进行卷积、池化处理,得到所述目标信息的低维特征语义;
将所述低维特征语义映射至预先构建的高维空间,得到高维特征语义;
利用预设的激活函数对所述高维特征语义进行筛选,得到信息语义。
可选地,所述利用预设的监听器获取用户结构化行为数据,包括:
定义所述用户结构化行为数据的监听事件对象;
获取所述监听事件对象的事件接口;
在所述事件接口处定义事件监听器;
实时获取接口处监听器监听到的用户结构化行为数据。
可选地,所述根据预设的决策树模型对所述用户结构化行为数据的风险类型进行分类,得到所述用户结构化行为数据的第一风险类型标签,包括:
获取预设的决策树模型;
对所述用户结构化行为数据进行分词,得到结构分词;
将所述结构分词输入所述决策树模型,得到所述决策树模型的输出结果;
将所述输出结果作为所述用户结构化数据的风险类型标签。
可选地,所述获取预设的决策树模型,包括:
获取预设的用户结构化行为事件库;
将所述用户结构化行为事件库内的数据进行逐一编码并转化成向量,作为模型训练样本;
将所述模型训练样本输入空白的训练模型,计算空白训练模型的输出结果与预设的类型标签的误差值;
根据误差值调整所述空白训练模型的参数,直至误差值在预设的值域范围内;
将所述空白训练模型确定为决策树模型。
可选地,所述根据预设的事件提取模型提取所述非结构化行为数据的三元组信息,包括:
获取预先训练好的事件提取模型;
将所述非结构化行为数据逐句进行编码,并将编码后的非结构行为化数据转化数组向量;
利用事件提取模型内预设的映射函数将所述数组向量映射成符合三元标签的维度;
在模型输出层输出所述非结构行为化数据对应的三元标签,确定所述三元标签为三元组信息。
为了解决上述问题,本发明还提供一种风险画像自动生成的装置,所述装置包括:
基础画像模块:获取用户的基础信息,根据所述基础信息生成用户基础画像;
第一标签模块:利用预设的监听器获取用户结构化行为数据,根据预设的决策树模型对所述用户结构化行为数据的风险类型进行分类,得到所述用户结构化行为数据的第一风险类型标签;
提取信息模块:获取用户的非结构化行为数据,根据预设的事件提取模型提取所述非结构化行为数据的三元组信息,并提取所述非结构化行为数据的关键字;
第二标签模块:将所述三元组信息以及所述关键字输入所述决策树模型,得出用户的非结构化行为数据的第二风险类型标签;
风险画像模块:利用向量拼接技术将所述第一风险类型标签与所述第二风险类型标签拼接为融合标签,根据所述融合标签在所述用户基础画像的基础上,生成用户风险画像。
第二推荐模块,用于将所述待推荐产品推荐给所述第二目标用户群体。
为了解决上述问题,本发明还提供一种电子设备,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上述所述的风险画像自动生成的方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的风险画像自动生成的方法。
本发明实施例通过分析用户的结构化行为数据与非结构化行为数据来提取用户的第一风险类型标签与第二风险类型标签;将所述第一风险类型标签与所述第二风险类型标签进行融合,生成融合标签;利用所述融合标签与根据用户基础信息生成的用户基础画像,生成用户的风险画像。通过对用户的不同信息进行不同方式的分析,生成各种标签,在各种标签的基础上生成的用户风险画像信息涵盖度广,准确度高。因此本发明提出的风险画像自动生成的方法、装置、电子设备及计算机可读存储介质,可以解决生成用户风险画像时精确度较低的问题。
附图说明
图1为本发明一实施例提供的风险画像自动生成的方法的流程示意图;
图2为本发明一实施例提供生成用户基础画像的流程示意图;
图3为本发明一实施例提供的核心语义提取的流程示意图;
图4为本发明一实施例提供的风险画像自动生成的装置的功能模块图;
图5为本发明一实施例提供的实现所述风险画像自动生成的方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种风险画像自动生成的方法。所述风险画像自动生成的方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述风险画像自动生成的方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的风险画像自动生成的方法的流程示意图。在本实施例中,所述风险画像自动生成的方法包括以下步骤S1-S5:
S1、获取用户的基础信息,根据所述基础信息生成用户基础画像;
本发明实施例中,所述用户的基础信息可以是用户的性别、年龄、部门、职级、学历等描述用户身份特征的信息。
详细地,可利用具有数据抓取功能的计算机语句(如java语句、python语句等)从预先确定的存储区域抓取存储的基础信息,所述存储区域包括但不限于数据库、区块链节点、网络缓存。
详细地,为了给用户添加标签制作画像,需要对这些基础信息进行分析,才能完成基础画像的制作。
本发明实施例中,参照图2所示,所述根据所述基础信息生成用户基础画像,包括以下步骤S21-S24:
S21、从所述基础信息中逐个选取其中一个信息为目标信息;
S22、对所述目标信息进行核心语义提取,得到信息语义;
S23、对所述核心语义进行向量转换,得到语义向量;
S24、将所有基础信息对应的语义向量拼接为所述用户基础画像。
本发明实施例中,可依次从所述基础信息中选取目标信息,或者,随机不放回地从所述基础信息中选取目标信息。
本发明实时例中,可以使用预先架构的语义分析模型对所述目标信息进行核心语义提取,得到信息语义。
详细地,所述语义分析模型包括但不限于NLP(Natural Language Processing,自然语言处理)模型、HMM(Hidden Markov Model,隐马尔科夫模型)。
例如,利用预先构建的语义分析模型对所述目标信息进行卷积、池化等操作,以提取该目标信息的低维特征表达,再将提取到的低维特表达征映射至预先构建的高维空间,得到该低维特征的高维特征表达,利用预设的激活函数对所述高维特征表达进行选择性地输出,得到信息语义。
本发明实施例中,参照图3所示,所述对所述目标信息进行核心语义提取,得到信息语义,包括以下步骤S31-S33:
S31、对所述目标信息进行卷积、池化处理,得到所述目标信息的低维特征语义;
S32、将所述低维特征语义映射至预先构建的高维空间,得到高维特征语义;
S33、利用预设的激活函数对所述高维特征语义进行筛选,得到信息语义。
详细地,可通过语义分析模型对所述目标信息进行卷积、池化处理,以降低所述目标信息的数据维度,进而减少对所述目标信息进行分析时计算资源的占用,提高进行核心语义提取的效率。
具体地,可利用预设的映射函数将低维特征语义映射至预先构建的高维空间,所述映射函数包括MATLAB库中的Gaussian Radial Basis Function函数、高斯函数等。
例如,所述低维特征语义为二维平面中的点,则可利用映射函数对该二维平面中的点的二维坐标进行计算,以将二维坐标转换为三维坐标,并利用计算得到的三维坐标将点映射至预先构建的三维空间,得到该低维特征语义的高维特征语义。
本发明实施例中,可利用预设的激活函数计算所述高维特征语义中每个特征语义的输出值,并选取所述输出值大于预设的输出阈值的特征语义为信息语义,所述激活函数包括但不限于sigmoid激活函数、tanh激活函数、relu激活函数。
S2、利用预设的监听器获取用户结构化行为数据,根据预设的决策树模型对所述用户结构化行为数据的风险类型进行分类,得到所述用户结构化行为数据的第一风险类型标签;
本发明实施例中,所述用户结构化行为数据为用户的行为数据,例如用户在某平台的历史浏览记录、历史购买清单、历史评论记录等等。所述决策树模型是一种简单易用的非参数分类器。它不需要对数据有任何的先验假设,计算速度较快,结果容易解释,而且稳健性强,不容易出错。
由于用户结构化行为数据内存庞大,不易存储,因此需要对这些数据根据风险类型进行分类,给所述结构化行为数据分成几个不同的类,同时打上不同的标签,为实时更新用户画像提供信息。
本发明实施例中,所述利用预设的监听器获取用户结构化行为数据,包括:定义所述用户结构化行为数据的监听事件对象;获取所述监听事件对象的事件接口;在所述事件接口处定义事件监听器;实时获取接口处监听器监听到的用户结构化行为数据。
本发明实施例中,所述根据预设的决策树模型对所述用户结构化行为数据的风险类型进行分类,得到所述用户结构化行为数据的第一风险类型标签,包括:获取预设的决策树模型;对所述用户结构化行为数据进行分词,得到结构分词;将所述结构分词输入所述决策树模型,得到所述决策树模型的输出结果;将所述输出结果作为所述用户结构化数据的风险类型标签。
详细地,所述获取预设的决策树模型,包括:获取预设的用户结构化行为事件库;将所述用户结构化行为事件库内的数据进行逐一编码并转化成向量,作为模型训练样本;将所述模型训练样本输入空白的训练模型,计算空白训练模型的输出结果与预设的类型标签的误差值;根据误差值调整所述空白训练模型的参数,直至误差值在预设的值域范围内;将所述空白训练模型确定为决策树模型。
详细地,所述计算空白训练模型的输出结果与预设的类型标签的误差值包括:
利用如下误差计算公式计算空白训练模型的输出结果与预设的类型标签的误差值:
具体地,使用所述误差计算公式算出误差能够让训练出的模型更加准确,控制误差保证模型使用时的准确度,减少使用模型分类的错误率,便于生成精准的用户画像。
S3、获取用户的非结构化行为数据,根据预设的事件提取模型提取所述非结构化行为数据的三元组信息,并提取所述非结构化行为数据的关键字;
本发明实施例中,所述用户的非结构化行为数据可以是签报内容、用户自主上报的风险描述文本等不需要实时获取提前就能处理的信息。所述三元组信息是由事件名称、发生时间、事件类型这三条信息组成的称为三元组,例如一个例句为小红在周末去逛街,按照要求提取出的三元组信息为{“逛街”,“周末”,“娱乐”}。
本发明实施例中,由于非结构化信息内容复杂,难以直接进行分词操作,对所述非结构化信息进行提取三元组的操作能够很大程度减少信息处理的困难程度,直接提取出有用的精简信息进行后续操作。
本发明实施例中,所述获取用户的非结构化行为数据,可以是提前上传至系统的文档,或者是预先设定的前景信息,可以直接利用文档抓取代码进行提取,不需要额外处理。
另外地,所述根据预设的事件提取模型提取所述非结构化行为数据的三元组信息,包括:获取预先训练好的事件提取模型;将所述非结构化行为数据逐句进行编码,并将编码后的非结构行为化数据转化数组向量;利用事件提取模型内预设的映射函数将所述数组向量映射成符合三元标签的维度;在模型输出层输出所述非结构行为化数据对应的三元标签,确定所述三元标签为三元组信息。
详细地,所述利用预设的映射函数将所述数组向量映射成符合标签的维度,所述映射函数包括MATLAB库中的Gaussian Radial Basis Function函数、高斯函数等。
例如,所述数组向量为二维平面中的点,而所述三元标签为三维平面中的点,则可利用映射函数对该二维平面中的点的二维坐标进行计算,以将二维坐标转换为三维坐标,并利用计算得到的三维坐标将点映射至预先构建的三维空间,将所述数组向量映射成符合三元标签的维度。
本发明实施例中,可利用预设的激活函数计算模型输出层的输出值,并将大于预设阈值的输出值确定为所述三元标签,所述激活函数包括但不限于sigmoid激活函数、tanh激活函数、relu激活函数。
本发明实施例中,可以通过预设的向量转换模型将所述用户的非结构化行为数据进行转换成数组向量,所述向量转换模型包括但不限于word2vec模型、Bert模型。
本发明实施例中,所述提取所述非结构化行为数据的关键字,包括:对所述非结构化行为数据进行分词,得到数据分词;逐个计算每个所述数据分词的权重;确定所述权重大于预设阈值的分词为所述用户的非结构化行为数据的关键字。
详细地,所述逐个计算每个所述数据分词的权重,包括:
可以用如下权重公式计算所述数据分词的权重:
具体地,不同数据分词的权重不一样,代表的信息重要程度也有所区别,选取超过预设权重阈值的数据分词为非结构化行为数据的一个关键字。通过找出所述非结构化行为数据的三元组信息以及关键字,能够简化信息处理的过程,便于后续根据化简后的信息生成用户画像。
S4、将所述三元组信息以及所述关键字输入所述决策树模型,得出用户的非结构化行为数据的第二风险类型标签;
由于决策树模型计算量相对较少,计算速度快,且挖掘出的分类规则准确性高,便于理解,因此使用决策树模型来计算,可以清晰的得出所述非结构化行为数据的第二风险类型标签。
本发明实施例中,所述将所述三元组信息以及所述关键字输入所述决策树模型,得出用户的非结构化行为数据的第二风险类型标签,包括:将所述三元组信息以及所述关键字进行编码,将编码后的三元组信息转化成输入字符串;利用决策树模型内设定好的分类规则对所述输入字符串进行分类,在输出层得出所述输入字符串对应的输出标签;将所述输出标签确定为所述输入字符串对应的非结构化行为数据的第二风险类型标签。
详细地,所述第二风险类型标签是根据用户行为确定的,例如在某银行工作系统中,检测到某用户非结构行为数据为工作收入不稳定,有巨额贷款等,这是对应的风险类型标签就可以显示为风险程度A级。
S5、利用向量拼接技术将所述第一风险类型标签与所述第二风险类型标签拼接为融合标签,根据所述融合标签在所述用户基础画像的基础上,生成用户风险画像。
由于生成用户风险画像需要用到第一风险类型标签与第二风险类型标签,使用的信息太多不利于快速生成用户画像,也会影响用户画像的精准程度,因此需要使用向量拼接,将两个风险类型标签拼成一个便于后续计算操作。
本发明实施例中,所述利用向量拼接技术将所述第一风险类型标签与所述第二风险类型标签拼接为融合标签,包括:将所述第一风险类型标签进行编码,转化成第一风险向量;将所述第二风险类型标签进行编码,转化成第二风险向量;统计第一风险向量与第二风险向量的向量长度;确定所述向量长度中的最大值为目标长度;利用预设参数将第一风险向量与第二风险向量的长度都延长至所述目标长度;将长度延长后的第一风险向量与第二风险向量进行列维度合并得到合并结果,确定所述合并结果为融合标签。
例如,第一风险向量为向量A:[11,36,22],第二风险向量为向量B:[14,25,31,27],经过统计可知,向量A的向量长度为3,向量B的向量长度为4,向量B的向量长度大于第一向量长度,则可利用预设参数(如0)对所述向量A进行向量延长,直至所述向量A的向量长度与所述向量B的向量长度相等,得到延长后的向量A:[11,36,22,0]。
本发明实施例中,所述根据所述融合标签在所述用户基础画像的基础上,生成用户风险画像,包括:将所述用户基础画像转化成用户基础矩阵;计算所述融合标签与所述用户基础矩阵的乘积矩阵,将所述乘积矩阵确定为用户风险矩阵;将所述用户风险矩阵转化成用户风险画像。
详细地,计算出用户的风险画像后,还可以通过所述用户风险画像在预设的风险建议库中查找出对应的风险规避建议,通过关键词查找的方式,找出不同风险建议对应的关键字进行匹配,选取超过预设匹配度的关键字对应的风险建议为用户的风险规避建议。
如图4所示,是本发明一实施例提供的风险画像自动生成的装置的功能模块图。
本发明所述风险画像自动生成的装置100可以安装于电子设备中。根据实现的功能,所述风险画像自动生成的装置100可以包括基础画像模块101、第一标签模块102、提取信息模块103、第二标签模块104及风险画像模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述基础画像模块101:获取用户的基础信息,根据所述基础信息生成用户基础画像;
所述第一标签模块102:利用预设的监听器获取用户结构化行为数据,根据预设的决策树模型对所述用户结构化行为数据的风险类型进行分类,得到所述用户结构化行为数据的第一风险类型标签;
所述提取信息模块103:获取用户的非结构化行为数据,根据预设的事件提取模型提取所述非结构化行为数据的三元组信息,并提取所述非结构化行为数据的关键字;
所述第二标签模块104:将所述三元组信息以及所述关键字输入所述决策树模型,得出用户的非结构化行为数据的第二风险类型标签;
所述风险画像模块105:利用向量拼接技术将所述第一风险类型标签与所述第二风险类型标签拼接为融合标签,根据所述融合标签在所述用户基础画像的基础上,生成用户风险画像。
详细地,本发明实施例中所述风险画像自动生成的装置100中所述的各模块在使用时采用与上述图1至图3中所述的风险画像自动生成的方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明一实施例提供的实现风险画像自动生成的方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如风险画像自动生成的程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行风险画像自动生成的程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如风险画像自动生成的程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图中仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图中示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的风险画像自动生成的程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取用户的基础信息,根据所述基础信息生成用户基础画像;
利用预设的监听器获取用户结构化行为数据,根据预设的决策树模型对所述用户结构化行为数据的风险类型进行分类,得到所述用户结构化行为数据的第一风险类型标签;
获取用户的非结构化行为数据,根据预设的事件提取模型提取所述非结构化行为数据的三元组信息,并提取所述非结构化行为数据的关键字;
将所述三元组信息以及所述关键字输入所述决策树模型,得出用户的非结构化行为数据的第二风险类型标签;
利用向量拼接技术将所述第一风险类型标签与所述第二风险类型标签拼接为融合标签,根据所述融合标签在所述用户基础画像的基础上,生成用户风险画像。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/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存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取用户的基础信息,根据所述基础信息生成用户基础画像;
利用预设的监听器获取用户结构化行为数据,根据预设的决策树模型对所述用户结构化行为数据的风险类型进行分类,得到所述用户结构化行为数据的第一风险类型标签;
获取用户的非结构化行为数据,根据预设的事件提取模型提取所述非结构化行为数据的三元组信息,并提取所述非结构化行为数据的关键字;
将所述三元组信息以及所述关键字输入所述决策树模型,得出用户的非结构化行为数据的第二风险类型标签;
利用向量拼接技术将所述第一风险类型标签与所述第二风险类型标签拼接为融合标签,根据所述融合标签在所述用户基础画像的基础上,生成用户风险画像。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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网络单元上。可以根据实际的需要选择其中的部分或者全部模块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模块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,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
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。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种风险画像自动生成的方法,其特征在于,所述方法包括:
获取用户的基础信息,根据所述基础信息生成用户基础画像;
利用预设的监听器获取用户结构化行为数据,根据预设的决策树模型对所述用户结构化行为数据的风险类型进行分类,得到所述用户结构化行为数据的第一风险类型标签;
获取用户的非结构化行为数据,根据预设的事件提取模型提取所述非结构化行为数据的三元组信息,并提取所述非结构化行为数据的关键字;
将所述三元组信息以及所述关键字输入所述决策树模型,得出用户的非结构化行为数据的第二风险类型标签;
利用向量拼接技术将所述第一风险类型标签与所述第二风险类型标签拼接为融合标签,根据所述融合标签在所述用户基础画像的基础上,生成用户风险画像。
2.如权利要求1所述的风险画像自动生成的方法,其特征在于,所述根据所述基础信息生成用户基础画像,包括:
从所述基础信息中逐个选取其中一个信息为目标信息;
对所述目标信息进行核心语义提取,得到信息语义;
对所述核心语义进行向量转换,得到语义向量;
将所有基础信息对应的语义向量拼接为所述用户基础画像。
3.如权利要求2所述的风险画像自动生成的方法,其特征在于,所述对所述目标信息进行核心语义提取,得到信息语义,包括:
对所述目标信息进行卷积、池化处理,得到所述目标信息的低维特征语义;
将所述低维特征语义映射至预先构建的高维空间,得到高维特征语义;
利用预设的激活函数对所述高维特征语义进行筛选,得到信息语义。
4.如权利要求1所述的风险画像自动生成的方法,其特征在于,所述利用预设的监听器获取用户结构化行为数据,包括:
定义所述用户结构化行为数据的监听事件对象;
获取所述监听事件对象的事件接口;
在所述事件接口中定义事件监听器;
实时获取所述事件监听器监听到的用户结构化行为数据。
5.如权利要求1所述的风险画像自动生成的方法,其特征在于,所述根据预设的决策树模型对所述用户结构化行为数据的风险类型进行分类,得到所述用户结构化行为数据的第一风险类型标签,包括:
获取预设的决策树模型;
对所述用户结构化行为数据进行分词,得到结构分词;
将所述结构分词输入所述决策树模型,得到所述决策树模型的输出结果;
将所述输出结果作为所述用户结构化数据的风险类型标签。
6.如权利要求5中所述的风险画像自动生成的方法,其特征在于,所述获取预设的决策树模型,包括:
获取预设的用户结构化行为事件库;
将所述用户结构化行为事件库内的数据进行逐一编码并转化成向量,作为模型训练样本;
将所述模型训练样本输入空白的训练模型,计算空白训练模型的输出结果与预设的类型标签的误差值;
根据误差值调整所述空白训练模型的参数,直至误差值在预设的值域范围内;
将所述空白训练模型确定为决策树模型。
7.如权利要求1至6中任一项所述的风险画像自动生成的方法,其特征在于,所述根据预设的事件提取模型提取所述非结构化行为数据的三元组信息,包括:
获取预先训练好的事件提取模型;
将所述非结构化行为数据逐句进行编码,并将编码后的非结构行为化数据转化为数组向量;
利用所述事件提取模型内预设的映射函数将所述数组向量映射成符合三元标签的维度;
在所述事件提取模型的输出层输出所述非结构行为化数据对应的三元标签,确定所述三元标签为三元组信息。
8.一种风险画像自动生成的装置,其特征在于,所述装置包括:
基础画像模块:获取用户的基础信息,根据所述基础信息生成用户基础画像;
第一标签模块:利用预设的监听器获取用户结构化行为数据,根据预设的决策树模型对所述用户结构化行为数据的风险类型进行分类,得到所述用户结构化行为数据的第一风险类型标签;
提取信息模块:获取用户的非结构化行为数据,根据预设的事件提取模型提取所述非结构化行为数据的三元组信息,并提取所述非结构化行为数据的关键字;
第二标签模块:将所述三元组信息以及所述关键字输入所述决策树模型,得出用户的非结构化行为数据的第二风险类型标签;
风险画像模块:利用向量拼接技术将所述第一风险类型标签与所述第二风险类型标签拼接为融合标签,根据所述融合标签在所述用户基础画像的基础上,生成用户风险画像。
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如权利要求1至7中任意一项所述的风险画像自动生成的方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的风险画像自动生成的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310394573.6A CN116307736A (zh) | 2023-04-07 | 2023-04-07 | 风险画像自动生成的方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310394573.6A CN116307736A (zh) | 2023-04-07 | 2023-04-07 | 风险画像自动生成的方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116307736A true CN116307736A (zh) | 2023-06-23 |
Family
ID=86820679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310394573.6A Pending CN116307736A (zh) | 2023-04-07 | 2023-04-07 | 风险画像自动生成的方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307736A (zh) |
-
2023
- 2023-04-07 CN CN202310394573.6A patent/CN116307736A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113157927B (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
CN112988963B (zh) | 基于多流程节点的用户意图预测方法、装置、设备及介质 | |
CN114398557B (zh) | 基于双画像的信息推荐方法、装置、电子设备及存储介质 | |
CN113592605B (zh) | 基于相似产品的产品推荐方法、装置、设备及存储介质 | |
CN112528616B (zh) | 业务表单生成方法、装置、电子设备及计算机存储介质 | |
CN115392237B (zh) | 情感分析模型训练方法、装置、设备及存储介质 | |
CN113658002B (zh) | 基于决策树的交易结果生成方法、装置、电子设备及介质 | |
CN112269875B (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN116340516A (zh) | 实体关系的聚类提取方法、装置、设备及存储介质 | |
CN115204971B (zh) | 产品推荐方法、装置、电子设备及计算机可读存储介质 | |
CN116450829A (zh) | 医疗文本分类方法、装置、设备及介质 | |
CN113591881B (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 | |
CN113515591B (zh) | 文本不良信息识别方法、装置、电子设备及存储介质 | |
CN113723114A (zh) | 基于多意图识别的语义分析方法、装置、设备及存储介质 | |
CN116307736A (zh) | 风险画像自动生成的方法、装置、设备及存储介质 | |
CN113705692A (zh) | 基于人工智能的情感分类方法、装置、电子设备及介质 | |
CN113486238A (zh) | 基于用户画像的信息推送方法、装置、设备及存储介质 | |
CN113706207B (zh) | 基于语义解析的订单成交率分析方法、装置、设备及介质 | |
CN112214556B (zh) | 标签生成方法、装置、电子设备及计算机可读存储介质 | |
CN113792539B (zh) | 基于人工智能的实体关系分类方法、装置、电子设备及介质 | |
CN113706019B (zh) | 基于多维数据的业务能力分析方法、装置、设备及介质 | |
CN113704411B (zh) | 基于词向量的相似客群挖掘方法、装置、设备及存储介质 | |
CN114462411B (zh) | 命名实体识别方法、装置、设备及存储介质 | |
CN113592606B (zh) | 基于多重决策的产品推荐方法、装置、设备及存储介质 | |
CN114742060B (zh) | 实体识别方法、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 |