CN116468444A - 一种消费预警方法、系统、设备和存储介质 - Google Patents

一种消费预警方法、系统、设备和存储介质 Download PDF

Info

Publication number
CN116468444A
CN116468444A CN202310442624.8A CN202310442624A CN116468444A CN 116468444 A CN116468444 A CN 116468444A CN 202310442624 A CN202310442624 A CN 202310442624A CN 116468444 A CN116468444 A CN 116468444A
Authority
CN
China
Prior art keywords
consumption
time period
information
user
early warning
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
Application number
CN202310442624.8A
Other languages
English (en)
Inventor
王玉婷
李婷姝
夏苗苗
贾琳
张宗洋
郭旦萍
张燕义
刘慧敏
徐敬慈
雷蕾
翁晴晴
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.)
Bank of China Ltd
Original Assignee
Bank of China Ltd
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 Bank of China Ltd filed Critical Bank of China Ltd
Priority to CN202310442624.8A priority Critical patent/CN116468444A/zh
Publication of CN116468444A publication Critical patent/CN116468444A/zh
Pending legal-status Critical Current

Links

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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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

Abstract

本申请公开了一种消费预警方法、系统、设备和存储介质。该方法可应用于人工智能领域或金融领域。该方法包括：响应于用户的第一账户的消费请求，获取所述用户的第一账户的在目标时间段内的实际的消费信息；所述实际的消费信息包括消费请求的消费信息；利用消费预测模型生成用户在目标时间段内的消费画像；消费预测模型是基于根据用户的多个账户在第一预设时间段内的历史消费信息构建的；根据实际的消费信息、消费画像和预警条件生成消费预警信息。该方法使用多账户历史信息构建的消费预测模型精准预测用户的消费画像，进而在用户消费过程中利用消费画像实时监测用户实际的消费信息，对异常的消费数据进行及时预警。

Description

一种消费预警方法、系统、设备和存储介质
技术领域
本申请涉及人工智能领域或金融领域，特别是涉及一种消费预警方法、系统、设备和存储介质。
背景技术
随着互联网的发展，网上消费越来越普遍，例如，用户可以直接向收款账户直接转账完成消费，然而，由于网络环境虚拟且复杂，网上消费存在一定的风险，例如，非法分子利用非法手段骗取用户将资产转向非法账户。
目前，网络消费平台对非法风险的预警方法为：通过用户在该网络消费平台的历史消费数据预测用户在某一时间段的消费信息，并根据预测的消费信息监测对应时间段的实际消费信息，进而及时提醒用户非法风险。
然而上述方法由于历史数据不够全面，导致预测数据不够精确。
发明内容
基于上述问题，本申请提供了一种消费预警方法、系统、设备和存储介质，能够基于多账户的历史消费信息构建的消费预测模型更精准预测用户的消费画像，利用消费画像和用户的实际消费数据的差异进行及时预警。
本申请实施例公开了如下技术方案：
本申请实施例第一方面提供一种消费预警方法，包括：
响应于用户的第一账户的消费请求，获取所述用户的第一账户的在目标时间段内的实际的消费信息；所述实际的消费信息包括消费请求的消费信息；
利用消费预测模型生成用户在目标时间段内的消费画像；所述消费预测模型是基于根据所述用户的多个账户在第一预设时间段内的历史消费信息构建的；所述目标时间段内的消费画像为在目标时间段内的预测消费信息；所述第一预设时间段早于目标时间段，且所述第一预设时间段的时长大于或等于目标时间段；
根据所述实际的消费信息、所述消费画像和预警条件生成消费预警信息。
在一个可能的实现方式中，所述消费预测模型构建方法包括：
获取用户的第一账户的历史消费信息；所述第一账户的历史消费信息包括：第一账户在多个交易平台的预设时间段内的消费信息；
对所述第一账户的历史消费信息进行预处理，得到样本集数据；
利用样本集数据构建第一随机森林模型；
将第一随机森林模型的参数上传到联邦学习的聚合服务器，使聚合服务器结合各联邦学习参与方上传的参数，对所述第一随机森林模型的参数进行优化；所述各联邦学习参与方上传的参数，为各联邦学习参与方根据该用户的第二账户的历史消费信息构建的第二随机森林模型的参数；
根据优化后的参数调整所述第一随机森林模型，得到消费预测模型。
在一个可能的实现方式中，所述利用样本集数据构建第一随机森林模型，包括：
将样本集数据分成N份样本数据；其中，N为大于1的正整数；
利用N份样本数据构建每棵决策树；
循环执行多次所述利用N份样本数据构建每棵决策树的步骤构建多棵决策树；
利用所述多棵决策树构建随机森林。
在一个可能的实现方式中，每份样本数据包含多个属性特征的数据；
所述利用N份样本数据构建每棵决策树，包括：
根据样本数据的属性特征分裂每棵决策树的节点。
在一个可能的实现方式中，所述消费画像包括预测消费类型和预测消费金额；
根据所述用户实际的消费信息、所述消费画像和预警条件生成消费预警信息，包括：
若消费信息中的消费类型与预测消费类型相似度低于相似度阈值，和/或消费信息中的消费金额超过消费阈值，则生成消费预警信息。
在一个可能的实现方式中，所述消费画像还包括：预测消费浮动幅度；所述预测消费浮动幅度为目标时间段内预测消费金额与第二预设时间段内的消费金额相比的变动幅度；所述第二预设时间段为与目标时间段相邻的相同时长的时间段，所述第二预设时间段早于目标时间段；
所述根据所述用户在目标时间段内的消费信息、所述消费画像和预警条件生成消费预警信息之前，还包括：根据目标时间段内的预测消费浮动幅度确定消费阈值。
本申请实施例第二方面提供一种消费预警系统，包括：
获取模块，用于响应于用户的第一账户的消费请求，获取所述用户的第一账户的在目标时间段内的实际的消费信息；所述实际的消费信息包括消费请求的消费信息；
预测模块，用于利用消费预测模型生成用户在目标时间段内的消费画像；所述消费预测模型是基于根据所述用户的多个账户在第一预设时间段内的历史消费信息构建的；所述目标时间段内的消费画像为在目标时间段内的预测消费信息；所述第一预设时间段早于目标时间段，且所述第一预设时间段的时长大于或等于目标时间段；
预警模块，用于根据所述实际的消费信息、所述消费画像和预警条件生成消费预警信息。
在一个可能的实现方式中，所述预测模块包括：
历史消费信息获取模块，用于获取用户的第一账户的历史消费信息；所述第一账户的历史消费信息包括：第一账户在多个交易平台的预设时间段内的消费信息；
样本集数据获得模块，用于对所述第一账户的历史消费信息进行预处理，得到样本集数据；
随机森林模型构建模块，用于利用样本集数据构建第一随机森林模型；
参数优化模块，用于将第一随机森林模型的参数上传到联邦学习的聚合服务器，使聚合服务器结合各联邦学习参与方上传的参数，对所述第一随机森林模型的参数进行优化；所述各联邦学习参与方上传的参数，为各联邦学习参与方根据该用户的第二账户的历史消费信息构建的第二随机森林模型的参数；
消费预测模型获得模块，用于根据优化后的参数调整所述第一随机森林模型，得到消费预测模型。
本申请实施例第三方面提供一种消费预警设备，包括：处理器、存储器、系统总线；
所述处理器以及所述存储器通过所述系统总线相连；
所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行本申请实施例第一方面提供所述的消费预警方法。
本申请实施例第四方面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指令，当所述指令在终端设备上运行时，使得所述终端设备执行本申请实施例第一方面提供所述的消费预警方法。
相较于现有技术，本申请具有以下有益效果：
本申请提供的一种消费预警方法，利用基于用户的多个账户在预设时间段内的历史消费信息构建的消费预测模型预测目标时间段的消费画像，由于多账户历史消费信息相比于单一账户消费信息更为全面，使得消费预测模型能够精准预测用户的消费画像，进而在用户消费过程中利用消费画像实时监测用户实际的消费信息，对异常的消费数据进行及时预警。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的应用场景示意图；
图2为本申请实施例提供的一种消费预警方法流程图；
图3为本申请实施例提供的消费预测模型构建方法流程图；
图4为本申请实施例提供的一种消费预警系统结构图；
图5为本申请实施例提供的一种计算机结构图。
具体实施方式
正如前文所述，随着互联网的发展，网上消费越来越普遍，例如，用户可以直接向收款账户直接转账完成消费。然而，由于网络环境虚拟且复杂，网上消费存在一定的风险，例如，非法分子利用非法手段骗取用户资产。由于无法判别用户是否是正常消费，导致无法及时提醒用户非法风险。例如，用户在手机银行上主动进行大额转账，无法判断是正常转账行为，还是被非法骗取资金。而现有的反诈APP预警提示诈骗存在时间差，存在不能及时拦截用户转账行为的可能。
有鉴于此，本申请实施例提供一种消费预警方法、系统、设备和存储介质。为了便于理解本申请实施例提供的消费预警方法，下面将结合图1所示的场景示例进行说明。其中，图1为本申请实施例提供的一种场景示例的示意图。该方法可以应用于服务设备101中。
在实际应用中，服务设备101响应于终端设备102发送的用户的第一账户的消费请求，获取所述用户的第一账户的在目标时间段内的实际的消费信息；所述实际的消费信息包括消费请求的消费信息；利用消费预测模型生成用户在目标时间段内的消费画像；所述消费预测模型是基于根据所述用户的多个账户(例如不同银行账户)在第一预设时间段内的历史消费信息构建的；所述目标时间段内的消费画像为在目标时间段内的预测消费信息；所述第一预设时间段早于目标时间段，且所述第一预设时间段的时长大于或等于目标时间段；根据所述用户在目标时间段内的消费信息、所述消费画像和预警条件生成消费预警信息发送给终端设备102。该方法利用基于用户的多个账户在预设时间段内的历史消费信息构建的消费预测模型预测目标时间段的消费画像，由于多账户历史消费信息相比于单一账户消费信息更为全面，使得消费预测模型性能更优，能够精准预测用户的消费画像，进而利用消费画像监测用户实际的消费数据，对异常的消费数据进行及时预警。
本领域技术人员可以理解，图1所示的框架示意图仅是本申请的实施方式可以在其中得以实现的一个示例。本申请实施方式的适用范围不受到该框架任何方面的限制。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
参见图2，该图为本申请实施例提供的一种消费预警方法流程图，该方法可应用于服务器，如图2所示，该方法包括：
S210、响应于用户的第一账户的消费请求，获取所述用户的第一账户的在目标时间段内的实际的消费信息；所述实际的消费信息包括消费请求的消费信息；
消费请求包括资金支出的请求，可以为转账或者第三方支付等交易请求。
在一个示例中，用户在3月某天通过A银行的手机银行APP进行转账操作，服务器在收到转账请求后，获取用户的A银行的账户在3月或者当天的实际消费信息，实际消费信息包括该时间段内已经完成的消费信息，还有当前请求的消费信息(即未完成的消费信息)。
S220、利用消费预测模型生成用户在目标时间段内的消费画像；所述消费预测模型是基于根据所述用户的多个账户在第一预设时间段内的历史消费信息构建的；所述目标时间段内的消费画像为在目标时间段内的预测消费信息；所述第一预设时间段早于目标时间段，且所述第一预设时间段的时长大于或等于目标时间段。
用户的多个账户包括用户的第一账户与至少一个第二账户。例如，用户在A银行注册有第一账户，A银行下所有app及交易平台的账户均为第一账户。除此之外，该用户在B银行、C银行注册的账户为第二账户。本实施例的消费预测模型基于相同用户在不同银行的账户的历史消费信息构建的。
本实施例中，由于多账户历史消费信息相比于单一账户消费信息更为全面，使得消费预测模型性能更优，能够精准预测用户的消费画像。
本申请实施例提供了消费预测模型构建的具体方法，参见下文S310-S350。
S230、根据所述用户在目标时间段内的实际的消费信息、所述消费画像和预警条件生成消费预警信息。
在一个示例中，用户通过手机进行转账操作，服务器接收到手机发送的转账请求后，利用转账请求、目标时间段内的实际消费信息和消费画像判断是否满足预警条件，若满足则生成预警信息，以提醒用户消费风险。
本申请实施例利用基于根据所述用户的多个账户在预设时间段内的历史消费信息构建的消费预测模型预测目标时间段的消费画像，由于多账户历史消费信息相比于单一账户消费信息更为全面，使得消费预测模型性能更优，能够精准预测用户的消费画像，进而利用消费画像监测用户实际的消费数据，对异常的消费数据进行及时预警。
在一个可能的实现方式中，所述消费画像包括预测消费类型、预测消费金额和预测消费浮动幅度；根据目标时间段内的预测消费浮动幅度确定消费阈值；S230包括：若消费信息中的消费类型与预测消费类型相似度低于相似度阈值，和/或消费信息中的消费金额超过消费阈值，则生成消费预警信息；其中，所述预测消费浮动幅度为目标时间段内预测消费金额与第二预设时间段内的消费金额相比的变动幅度。所述第二预设时间段为与目标时间段相邻的相同时长的时间段，所述第二预设时间段早于目标时间段；
在一个示例中，预测用户在3月或者3月某天可能消费的总金额5000或500元，预测用户按时间(相邻月或相邻天)金额的浮动幅度为20％，那么基于预测的金额值向上浮动20％来设置消费阈值，得到6000或者600作为消费阈值。
本实施例中，由于消费阈值是根据预测消费浮动幅度确定的，预测消费浮动幅度是变化的，所以消费阈值是动态变化的，进而能够动态监测用户的实际消费信息，更为精确的进行消费预警。当用户实际消费信息与预测的消费图像类型差异明显，如实际消费金额超过消费阈值，和/或消费类型与预测的消费类型不符，及时向用户发出预警，提醒用户核实收款账户，防范非法风险。
参见图3，该图为本申请实施例提供的消费预测模型构建方法流程图。如图3所示，该方法包括S310-S350：
S310、获取用户的第一账户的历史消费信息；所述第一账户的历史消费信息包括：第一账户在多个交易平台的预设时间段内的消费信息；
在一个示例中，第一账户的历史消费信息为用户在A银行账户的最近半年、1年或3年消费数据，消费数据可以包括消费金额、消费月份、消费类型等数据。
S320、对所述第一账户的历史消费信息进行预处理，得到样本集数据；
在一个示例中，预处理包括先进行脱敏处理(例如，去除用户身份信息、证件信息、银行账号等)，再进行数据清洗、数据标准化处理、训练集验证集拆分等工作。
S330、利用样本集数据构建第一随机森林模型；
在一个可能的实现方式中，S330包括：
a、将样本集数据分成N份样本数据；其中，N为大于1的正整数；
b、利用N份样本数据构建每棵决策树；循环多次利用N份样本数据构建每棵决策树的步骤构建多棵决策树；
在一个可能的实现方式中，每份样本数据包含多个属性特征的数据；
所述利用N份样本数据构建每棵决策树，包括：根据样本数据的属性特征分裂每棵决策树的节点。每份样本数据的属性特征包括：消费金额特征、消费月份特征、消费类型特征中的至少两个。
在一个示例中，步骤b的实现过程如下：
第一步：N个样本用来构建一棵决策树，作为决策树根节点处的样本。
第二步：当每个样本有M个属性时，在决策树的每个节点需要分裂时，随机从这M个属性中选取出m个属性，满足条件m<<M。然后从这m个属性中采用预设策略(例如，信息增益)来选择1个属性作为该节点的分裂属性。
第三步：决策树形成过程中每个节点都要按照第二步来分裂，一直到不能够再分裂为止。
第四步：按照第一步至第三步建立多棵决策树。
c、利用所述多棵决策树构建随机森林。
相关技术中，随机森林是多棵决策树的集成，每棵决策树都会有一个投票结果，最终投票结果最多的类别，就是最终的随机森林模型的预测结果，本实施例中。
由于S310-S340中使用的数据是用户一个账户的消费信息，实际生活中，用户可能在多个银行都有账户，为了使用数据量更大、更全面的数据，让模型预测值精益求精，同时遵守各个企业以及国家对数据隐私的保护，采用横向联邦学习方法对随机森林模型的参数进行优化。
S340、将第一随机森林模型的参数上传到联邦学习的聚合服务器，使聚合服务器结合各联邦学习参与方上传的参数，对所述第一随机森林模型的参数进行优化；所述各联邦学习参与方上传的参数，为各联邦学习参与方根据该用户的第二账户的历史消费信息构建的第二随机森林模型的参数；
需要说明的是，在消费预测模型构建之前，做的前置准备为寻找联邦学习参与方以及搭建联邦学习聚合服务器。
S350、根据优化后的参数调整所述第一随机森林模型，得到消费预测模型。
在一个示例中，先利用用户在A银行的历史消费信息构建随机森林模型A1，然后将随机森林模型的参数上传到联邦学习的聚合服务器，结合联邦学习参与方根据该用户在B银行的历史消费信息构建的随机森林模型B1的参数、根据该用户在C银行的历史消费信息构建的随机森林模型C1的参数，进行联邦学习，得到优化后的参数，A1、B1和C1分别根据优化后的参数进行调参，然后重复前述步骤，直到得到符合要求的随机森林模型，作为消费预测模型。
本实施例中，各联邦学习参与方，利用单一账户的历史消费数据构建初始的随机森林模型，然后在聚合服务器结合各参与方上传的单个账户的历史消费数据构建的初始的随机森林模型的参数进行参数调优，从而实现使用较为全面的多账户历史数据得到消费预测模型，使得消费预测模型预测结果更精准。
参见图4，该图为本申请实施例提供的一种消费预警系统结构图。如图4所示，该系统包括：
获取模块410，用于响应于用户的第一账户的消费请求，获取所述用户的第一账户的在目标时间段内的实际的消费信息；所述实际的消费信息包括消费请求的消费信息；
预测模块420，用于利用消费预测模型生成用户在目标时间段内的消费画像；所述消费预测模型是基于根据所述用户的多个账户在第一预设时间段内的历史消费信息构建的；所述目标时间段内的消费画像为在目标时间段内的预测消费信息；所述第一预设时间段早于目标时间段，且所述第一预设时间段的时长大于或等于目标时间段；
预警模块430，用于根据所述实际的消费信息、所述消费画像和预警条件生成消费预警信息。
在一个可能的实现方式中，所述预测模块包括：
历史消费信息获取模块，用于获取用户的第一账户的历史消费信息；所述第一账户的历史消费信息包括：第一账户在多个交易平台的预设时间段内的消费信息；
样本集数据获得模块，用于对所述第一账户的历史消费信息进行预处理，得到样本集数据；
随机森林模型构建模块，用于利用样本集数据构建第一随机森林模型；
参数优化模块，用于将第一随机森林模型的参数上传到联邦学习的聚合服务器，使聚合服务器结合各联邦学习参与方上传的参数，对所述第一随机森林模型的参数进行优化；所述各联邦学习参与方上传的参数，为各联邦学习参与方根据该用户的第二账户的历史消费信息构建的第二随机森林模型的参数；
消费预测模型获得模块，用于根据优化后的参数调整所述第一随机森林模型，得到消费预测模型。
在一个可能的实现方式中，所述随机森林模型构建模块具体用于：
将样本集数据分成N份样本数据；其中，N为大于1的正整数；利用N份样本数据构建每棵决策树；循环执行多次所述利用N份样本数据构建每棵决策树的步骤构建多棵决策树；利用所述多棵决策树构建随机森林。
在一个可能的实现方式中，每份样本数据包含多个属性特征的数据；
所述随机森林模型构建模块具体用于：根据样本数据的属性特征分裂每棵决策树的节点。
在一个可能的实现方式中，所述消费画像包括预测消费类型和预测消费金额；
所述预警模块具体用于若消费信息中的消费类型与预测消费类型相似度低于相似度阈值，和/或消费信息中的消费金额超过消费阈值，则生成消费预警信息。
在一个可能的实现方式中，所述消费画像还包括：预测消费浮动幅度；所述预测消费浮动幅度为目标时间段内预测消费金额与第二预设时间段内的消费金额相比的变动幅度；所述第二预设时间段为与目标时间段相邻的相同时长的时间段，所述第二预设时间段早于目标时间段；
所述预警模块还用于：在根据所述用户在实际的消费信息、所述消费画像和预警条件生成消费预警信息之前，根据目标时间段内的预测消费浮动幅度确定消费阈值。
在实际应用中，所述计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
如图5所示，本申请实施例提供的一种计算机设备的结构示意图。图5显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图5所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图5中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本申请实施例提供的消费预警方法。
本发明提供的一种消费预警方法、系统、设备和存储介质，可用于金融领域或人工智能领域，上述仅为示例，并不对本发明提供的一种消费预警方法、系统、设备和存储介质的应用领域进行限定。
需要注意，本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本申请中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要说明的是，尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本申请的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种消费预警方法，其特征在于，包括：
响应于用户的第一账户的消费请求，获取所述用户的第一账户的在目标时间段内的实际的消费信息；所述实际的消费信息包括消费请求的消费信息；
利用消费预测模型生成用户在目标时间段内的消费画像；所述消费预测模型是基于根据所述用户的多个账户在第一预设时间段内的历史消费信息构建的；所述目标时间段内的消费画像为在目标时间段内的预测消费信息；所述第一预设时间段早于目标时间段，且所述第一预设时间段的时长大于或等于目标时间段；
根据所述实际的消费信息、所述消费画像和预警条件生成消费预警信息。
2.根据权利要求1所述的方法，其特征在于，所述消费预测模型的构建方法包括：
获取用户的第一账户的历史消费信息；所述第一账户的历史消费信息包括：第一账户在多个交易平台的预设时间段内的消费信息；
对所述第一账户的历史消费信息进行预处理，得到样本集数据；
利用样本集数据构建第一随机森林模型；
将第一随机森林模型的参数上传到联邦学习的聚合服务器，使聚合服务器结合各联邦学习参与方上传的参数，对所述第一随机森林模型的参数进行优化；所述各联邦学习参与方上传的参数，为各联邦学习参与方根据该用户的第二账户的历史消费信息构建的第二随机森林模型的参数；
根据优化后的参数调整所述第一随机森林模型，得到消费预测模型。
3.根据权利要求2所述的方法，其特征在于，所述利用样本集数据构建第一随机森林模型，包括：
将样本集数据分成N份样本数据；其中，N为大于1的正整数；
利用N份样本数据构建每棵决策树；
循环执行多次所述利用N份样本数据构建每棵决策树的步骤构建多棵决策树；
利用所述多棵决策树构建随机森林。
4.根据权利要求3所述的方法，其特征在于，每份样本数据包含多个属性特征的数据；
所述利用N份样本数据构建每棵决策树，包括：
根据样本数据的属性特征分裂每棵决策树的节点。
5.根据权利要求1所述的方法，其特征在于，所述消费画像包括预测消费类型和预测消费金额；
根据所述实际的消费信息、所述消费画像和预警条件生成消费预警信息，包括：
若消费信息中的消费类型与预测消费类型相似度低于相似度阈值，和/或消费信息中的消费金额超过消费阈值，则生成消费预警信息。
6.根据权利要求5所述的方法，其特征在于，所述消费画像还包括：预测消费浮动幅度；所述预测消费浮动幅度为目标时间段内预测消费金额与第二预设时间段内的消费金额相比的变动幅度；所述第二预设时间段为与目标时间段相邻的相同时长的时间段，所述第二预设时间段早于目标时间段；
所述根据所述用户实际的消费信息、所述消费画像和预警条件生成消费预警信息之前，还包括：根据目标时间段内的预测消费浮动幅度确定消费阈值。
7.一种消费预警系统，其特征在于，包括：
获取模块，用于响应于用户的第一账户的消费请求，获取所述用户的第一账户的在目标时间段内的实际的消费信息；所述实际的消费信息包括消费请求的消费信息；
预测模块，用于利用消费预测模型生成用户在目标时间段内的消费画像；所述消费预测模型是基于根据所述用户的多个账户在第一预设时间段内的历史消费信息构建的；所述目标时间段内的消费画像为在目标时间段内的预测消费信息；所述第一预设时间段早于目标时间段，且所述第一预设时间段的时长大于或等于目标时间段；
预警模块，用于根据所述实际的消费信息、所述消费画像和预警条件生成消费预警信息。
8.根据权利要求7所述的系统其特征在于，所述预测模块包括：
历史消费信息获取模块，用于获取用户的第一账户的历史消费信息；所述第一账户的历史消费信息包括：第一账户在多个交易平台的预设时间段内的消费信息；
样本集数据获得模块，用于对所述第一账户的历史消费信息进行预处理，得到样本集数据；
随机森林模型构建模块，用于利用样本集数据构建第一随机森林模型；
参数优化模块，用于将第一随机森林模型的参数上传到联邦学习的聚合服务器，使聚合服务器结合各联邦学习参与方上传的参数，对所述第一随机森林模型的参数进行优化；所述各联邦学习参与方上传的参数，为各联邦学习参与方根据该用户的第二账户的历史消费信息构建的第二随机森林模型的参数；
消费预测模型获得模块，用于根据优化后的参数调整所述第一随机森林模型，得到消费预测模型。
9.一种消费预警设备，其特征在于，包括：处理器、存储器、系统总线；
所述处理器以及所述存储器通过所述系统总线相连；
所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行权利要求1-6任一项所述的消费预警方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行权利要求1-6任一项所述的消费预警方法。
CN202310442624.8A 2023-04-23 2023-04-23 一种消费预警方法、系统、设备和存储介质 Pending CN116468444A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310442624.8A CN116468444A (zh) 2023-04-23 2023-04-23 一种消费预警方法、系统、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310442624.8A CN116468444A (zh) 2023-04-23 2023-04-23 一种消费预警方法、系统、设备和存储介质

Publications (1)

Publication Number Publication Date
CN116468444A true CN116468444A (zh) 2023-07-21

Family

ID=87175047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310442624.8A Pending CN116468444A (zh) 2023-04-23 2023-04-23 一种消费预警方法、系统、设备和存储介质

Country Status (1)

Country Link
CN (1) CN116468444A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116883084A (zh) * 2023-09-08 2023-10-13 青岛巨商汇网络科技有限公司 一种基于销售评价的数据智能监控预警方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116883084A (zh) * 2023-09-08 2023-10-13 青岛巨商汇网络科技有限公司 一种基于销售评价的数据智能监控预警方法及系统
CN116883084B (zh) * 2023-09-08 2023-11-28 青岛巨商汇网络科技有限公司 一种基于销售评价的数据智能监控预警方法及系统

Similar Documents

Publication Publication Date Title
CN110197315B (zh) 风险评估方法、装置及其存储介质
CN110992169B (zh) 一种风险评估方法、装置、服务器及存储介质
CN111340616B (zh) 线上贷款的审批方法、装置、设备及介质
CN110442712B (zh) 风险的确定方法、装置、服务器和文本审理系统
CN110633991A (zh) 风险识别方法、装置和电子设备
CN112214652B (zh) 一种报文生成方法、装置及设备
US20240037655A1 (en) Machine learning based automated management of customer accounts
CN111046184B (zh) 文本的风险识别方法、装置、服务器和存储介质
CN116468444A (zh) 一种消费预警方法、系统、设备和存储介质
CN115034596A (zh) 一种风险传导预测方法、装置、设备和介质
CN111695988A (zh) 信息处理方法、装置、电子设备和介质
CN116664306A (zh) 风控规则的智能推荐方法、装置、电子设备及介质
CN111311393A (zh) 信用风险的评估方法、装置、服务器和存储介质
CN115795345A (zh) 信息处理方法、装置、设备及存储介质
CN114880369A (zh) 一种基于弱数据技术的风险授信方法和系统
WO2022015488A1 (en) Event-driven model refinement for insurance and risk management
CN107958142B (zh) 用户帐号生成方法及装置
CN110648208B (zh) 群组识别方法、装置和电子设备
CN114565030B (zh) 特征筛选方法、装置、电子设备和存储介质
CN112767138B (zh) 国际收支申报数据漏报检测方法及系统
EP4012642A2 (en) Blockchain-based outlet site selection method and apparatus, device and storage medium
CN115423479A (zh) 基于多维度的用户欺诈风险预测方法、系统及电子设备
CN117437033A (zh) 一种预警方法、装置、设备和可读存储介质
CA3169417A1 (en) Method of and system for appraising risk
CN116664278A (zh) 信息生成方法、装置、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