CN116629456A - 业务逾期风险预测方法、系统与存储介质 - Google Patents
业务逾期风险预测方法、系统与存储介质 Download PDFInfo
- Publication number
- CN116629456A CN116629456A CN202310893676.7A CN202310893676A CN116629456A CN 116629456 A CN116629456 A CN 116629456A CN 202310893676 A CN202310893676 A CN 202310893676A CN 116629456 A CN116629456 A CN 116629456A
- Authority
- CN
- China
- Prior art keywords
- user
- credibility
- determining
- communication
- voice
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000004891 communication Methods 0.000 claims abstract description 180
- 238000012545 processing Methods 0.000 claims abstract description 47
- 238000001228 spectrum Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000012937 correction Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/14—Speech classification or search using statistical models, e.g. Hidden Markov Models [HMMs]
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/16—Speech classification or search using artificial neural networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L2015/088—Word spotting
-
- 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)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Acoustics & Sound (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Signal Processing (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供一种业务逾期风险预测方法、系统与存储介质,属于数据处理技术领域,具体包括:对授信申请信息的信息项的真伪进行验证得到虚假信息项,并通过虚假信息项确定用户的文本可信度;通过用户的沟通数据确定用户的沟通可信度;通过用户的沟通语音的语音文本进行关键帧的提取,通过关键帧的欺骗概率以及关键帧所对应的语音文本确定用户的语音沟通可信度;基于语音沟通可信度、沟通可信度、文本可信度进行用户的综合可信度的评估,并基于综合可信度、虚假信息项的数量、不一致信息项的数量确定所述用户的逾期风险,从而进一步提升了逾期风险的判断的准确性,进一步提升了用户的授信的可靠性。
Description
技术领域
本发明属于数据处理技术领域,尤其涉及一种业务逾期风险预测方法、系统与存储介质。
背景技术
随着线上申请的贷款审批数量逐渐增加,在提升授信申请的效率的基础上,由于无法全面的对用户的信息进行全面完整的审核,导致逾期率会有所增加,因此如何实现对用户的逾期风险的动态评估成为亟待解决的技术问题。
为了实现对用户的逾期风险的准确评估,在发明专利CN113435998B《贷款逾期预测方法、装置、电子设备及存储介质》中通过对面审对话文本进行预处理,得到每个问答文本的意图要点;对第一问答文本集中的多个问答文本进行合并,得到每个意图要点的目标段落文本;将目标段落文本输入至预先训练的基于Focal Loss函数的目标模型中,得到目标逾期预测概率值,但是却存在以下技术问题:
1、未考虑结合对用户的语音的真实性的识别结果进行用户的逾期风险的动态评估,在进行线上的授信处理时,仅仅依靠单独的文本的解析结果,而未考虑语音信号的真实性识别结果,往往不能够准确的实现对用户的逾期风险概率的准确识别。
2、在现有技术方案中,未考虑结合用户的申请信息的验证结果首先进行用户的逾期风险的评估,例如用户的授信申请信息中的工资收入、联系方式、家庭住址、房产、车辆等等均可以通过公开信息对其进行真伪验证,因此若不能考虑对用户的授信申请信息的真实性验证结果进行授信处理,则同样无法实现对用户的逾期风险的准确评估。
针对上述技术问题,本发明提供了一种业务逾期风险预测方法、系统与存储介质。
发明内容
为实现本发明目的,本发明采用如下技术方案:
根据本发明的一个方面,提供了一种业务逾期风险预测方法。
一种业务逾期风险预测方法,其特征在于,具体包括:
S11获取用户的授信申请信息,并对所述授信申请信息的信息项的真伪进行验证得到虚假信息项,并通过所述虚假信息项的数量以及虚假信息项的类型确定所述用户的授信申请信息的文本可信度;
S12通过所述用户的沟通数据确定所述用户的沟通数据中与所述授信申请信息中的不一致信息项,并根据所述不一致信息项的数量以及类型确定所述用户的沟通可信度;
S13通过所述用户的沟通语音的语音文本进行关键帧的提取,基于所述关键帧的标准偏差以及Mel-频谱进行混合特征的构建,并采用双层神经网络对所述混合特征进行降维处理得到处理特征,并通过所述处理特征对所述关键帧的欺骗概率进行确定,通过所述关键帧的欺骗概率以及所述关键帧所对应的语音文本确定所述用户的语音沟通可信度;
S14基于所述语音沟通可信度、沟通可信度、文本可信度进行所述用户的综合可信度的评估,并基于所述综合可信度、虚假信息项的数量、不一致信息项的数量确定所述用户的逾期风险。
进一步的,所述用户的授信申请信息包括但不限于申请表单、用户在授信处理机构的历史申请表单、用户在授信处理处理机构的历史身份信息。
进一步的,对所述授信申请信息的信息项的真伪进行验证得到虚假信息项,具体包括:
对所述授信申请信息的信息项进行筛选,得到授信申请信息中的可进行真伪验证的信息项作为可验证信息项;
获取所述可验证信息项的填写内容,并基于所述可验证信息项的填写内容的真伪性进行验证,得到所述可验证信息项中的虚假信息项。
进一步的,在进行所述用户的沟通可信度的构建之前,还需要确定所述用户的授信申请信息的文本可信度是否满足要求,并当所述用户的授信申请信息的文本可信度无法满足要求时,则无需进行沟通可信度的确定,直接输出逾期风险高;
在进行所述用户的语音沟通可信度的构建之前,还需要确定所述用户的沟通可信度是否满足要求,并当所述用户的沟通可信度无法满足要求时,则无需进行语音沟通可信度的确定,直接输出逾期风险高。
进一步的,所述语音沟通可信度的取值范围在0到1之间,其中当所述语音沟通可信度不满足要求时,则无需进行综合可信度的确定,直接输出逾期风险高。
进一步的,所述语音文本的关键词确定与用户的身份信息的真实性的关联程度根据所述语音文本的关键词的匹配结果进行确定。
第二方面,本发明提供了一种业务逾期风险预测系统,采用上述的一种业务逾期风险预测方法,具体包括:
文本可信度确定模块;沟通可信度确定模块;语音沟通可信度确定模块;逾期风险确定模块;
其中所述文本可信度确定模块负责获取用户的授信申请信息,并对所述授信申请信息的信息项的真伪进行验证得到虚假信息项,并通过所述虚假信息项的数量以及虚假信息项的类型确定所述用户的授信申请信息的文本可信度;
所述沟通可信度确定模块负责通过所述用户的沟通数据确定所述用户的沟通数据中与所述授信申请信息中的不一致信息项,并根据所述不一致信息项的数量以及类型确定所述用户的沟通可信度;
所述语音沟通可信度确定模块负责通过所述用户的沟通语音的语音文本进行关键帧的提取,基于所述关键帧的标准偏差以及Mel-频谱进行混合特征的构建,并采用双层神经网络对所述混合特征进行降维处理得到处理特征,并通过所述处理特征对所述关键帧的欺骗概率进行确定,通过所述关键帧的欺骗概率以及所述关键帧所对应的语音文本确定所述用户的语音沟通可信度;
所述逾期风险确定模块负责基于所述语音沟通可信度、沟通可信度、文本可信度进行所述用户的综合可信度的评估,并基于所述综合可信度、虚假信息项的数量、不一致信息项的数量确定所述用户的逾期风险;
第三方面,本发明提供了一种计算机系统,包括:通信连接的存储器和处理器,以及存储在所述存储器上并能够在所述处理器上运行的计算机程序,其特征在于:所述处理器运行所述计算机程序时执行上述的一种业务逾期风险预测方法。
第四方面,本发明提供了一种计算机存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行上述的一种业务逾期风险预测方法。
本发明的有益效果在于:
通过虚假信息项的数量以及虚假信息项的类型确定用户的授信申请信息的文本可信度,从而实现了从授信申请信息的虚假信息项的角度出发实现了对授信申请信息的文本可信度的确定,同时也为进一步实现对用户的综合可信度的评估以及逾期风险的评估垫定了基础。
通过基于用户的沟通数据中与所述授信申请信息中的不一致信息项,并根据所述不一致信息项的数量以及类型确定所述用户的沟通可信度,从而实现了从用户的沟通数据中的不一致的情况对用户的可信度的进一步评估,保证了用户的可信度评估的全面性。
通过所述处理特征对所述关键帧的欺骗概率进行确定,通过所述关键帧的欺骗概率以及所述关键帧所对应的语音文本确定所述用户的语音沟通可信度,从而实现了从用户的语音解析的角度对用户的可信度的进一步评估,进一步降低了由于用户欺骗导致的逾期风险较大的问题的出现。
通过基于所述综合可信度、虚假信息项的数量、不一致信息项的数量确定所述用户的逾期风险,从而实现了从综合可信度以及用户的虚假信息的角度对用户的逾期风险的评估,避免了由于欺骗信息导致的错误授信,进而导致的逾期风险的问题。
通过所述异常业务流程的授信申请的处理时间和预设时间内的处理数量,并结合所述异常业务流程所对应的服务器的运行状态进行所述异常业务流程的状态值的确定,从而实现了对异常业务流程的定位,并实现了从多个角度对异常业务流程的实际运行状况的评估。
通过基于其它业务流程的状态值以及类型、所述异常业务流程的类型以及状态值进行授信处理系统的业务流程的总体状态值的确定,从而不仅仅从异常业务流程的角度,同时综合多方面的因素进行总体状态值的确定,保证了运行状态的评估的全面性和可靠性。
其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
通过参照附图详细描述其示例实施方式,本发明的上述和其它特征及优点将变得更加明显;
图1是一种业务逾期风险预测方法的流程图;
图2是用户的授信申请信息的文本可信度确定的具体步骤的流程图;
图3是用户的语音沟通可信度确定的具体步骤的流程图;
图4是综合可信度确定的具体步骤的流程图;
图5是一种业务逾期风险预测系统的框架图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书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说明书一部分实施例,而不是全部的实施例。基于本说明书实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
为解决上述问题,根据本发明的一个方面,如图1所示,提供了根据本发明的一个方面,提供了一种业务逾期风险预测方法,其特征在于,具体包括:
S11获取用户的授信申请信息,并对所述授信申请信息的信息项的真伪进行验证得到虚假信息项,并通过所述虚假信息项的数量以及虚假信息项的类型确定所述用户的授信申请信息的文本可信度;
需要说明的是,所述用户的授信申请信息包括但不限于申请表单、用户在授信处理机构的历史申请表单、用户在授信处理处理机构的历史身份信息。
可以理解的是,对所述授信申请信息的信息项的真伪进行验证得到虚假信息项,具体包括:
对所述授信申请信息的信息项进行筛选,得到授信申请信息中的可进行真伪验证的信息项作为可验证信息项;
具体的,用户的沟通电话可以与用户的遗留信息中的沟通电话进行确定,也可以根据互联网中是否存在用户的沟通电话。
获取所述可验证信息项的填写内容,并基于所述可验证信息项的填写内容的真伪性进行验证,得到所述可验证信息项中的虚假信息项。
具体的举例说明,如图2所示,所述用户的授信申请信息的文本可信度确定的具体步骤为:
S21通过所述虚假信息项的类型确定所述虚假信息项中的特定信息项的数量,并基于所述特定信息项的数量确定所述用户的授信申请信息是否可信,若是,则进入步骤S22,若否,则确定所述用户的授信申请信息不可信,用户的逾期风险高;
需要说明的是,特定信息项可以通过预设的方式进行提前确定,具体的,对于用户的身份信息相关的虚假信息项,将其作为特性信息项。
S22通过所述虚假信息项的数量确定所述用户的授信申请信息是否可信,若是,则进入步骤S23,若否,则进入步骤S24;
S23通过所述虚假信息项与所述用户的身份信息的真实性的关联程度进行所述虚假信息项的权值的确定,并基于所述虚假信息项的权值的和确定所述用户的授信申请信息是否可信,若是,则进入步骤S24,若否,则确定所述用户的授信申请信息不可信,用户的逾期风险高;
S24通过所述用户的虚假信息项中的特定信息项的数量以及特定信息项的权值的和、虚假信息项的数量以及虚假信息项的权值的和进行所述用户的授信申请信息的文本可信度的确定。
在本实施例中,通过虚假信息项的数量以及虚假信息项的类型确定用户的授信申请信息的文本可信度,从而实现了从授信申请信息的虚假信息项的角度出发实现了对授信申请信息的文本可信度的确定,同时也为进一步实现对用户的综合可信度的评估以及逾期风险的评估垫定了基础。
S12通过所述用户的沟通数据确定所述用户的沟通数据中与所述授信申请信息中的不一致信息项,并根据所述不一致信息项的数量以及类型确定所述用户的沟通可信度;
具体的,在进行所述用户的沟通可信度的构建之前,还需要确定所述用户的授信申请信息的文本可信度是否满足要求,并当所述用户的授信申请信息的文本可信度无法满足要求时,则无需进行沟通可信度的确定,直接输出逾期风险高;
在进行所述用户的语音沟通可信度的构建之前,还需要确定所述用户的沟通可信度是否满足要求,并当所述用户的沟通可信度无法满足要求时,则无需进行语音沟通可信度的确定,直接输出逾期风险高。
需要说明的是,当不一致信息项的数量较多时或者存在用户的身份信息等特定类型的不一致信息项,则确定用户的沟通可信度较低。
具体的,当不一致信息项的数量满足要求且不一致信息项的类型不包括特定类型时,则通过不一致信息项的数量进行所述用户的沟通可信度的确定,具体的根据不一致信息项的数量与信息项的数量的比值进行所述用户的沟通可信度的确定;
当不一致信息项的数量不满足要求或者不一致信息项的类型包括特定类型时,则确定用户的沟通可信度为零。
在本实施例中,通过基于用户的沟通数据中与所述授信申请信息中的不一致信息项,并根据所述不一致信息项的数量以及类型确定所述用户的沟通可信度,从而实现了从用户的沟通数据中的不一致的情况对用户的可信度的进一步评估,保证了用户的可信度评估的全面性。
S13通过所述用户的沟通语音的语音文本进行关键帧的提取,基于所述关键帧的标准偏差以及Mel-频谱进行混合特征的构建,并采用双层神经网络对所述混合特征进行降维处理得到处理特征,并通过所述处理特征对所述关键帧的欺骗概率进行确定,通过所述关键帧的欺骗概率以及所述关键帧所对应的语音文本确定所述用户的语音沟通可信度;
需要说明的是,如图3所示,所述用户的语音沟通可信度确定的具体步骤为:
S31通过所述用户的沟通语音进行语音文本的提取,并基于所述语音文本的关键词确定与用户的身份信息的真实性的关联程度对所述语音文本进行定位得到定位语音文本,并根据所述语音文本的关键词确定与用户的身份信息的真实性的关联程度确定所述定位语音文本的扩展时间,并基于所述定位语音文本以及所述定位语音文本的扩展时间进行关键帧的确定;
S32通过所述沟通语音的关键帧进行特征量的提取得到所述关键帧的Mel-频谱,并基于所述沟通语音的关键帧的低级描述符进行统计特征的提取得到所述关键帧的语音响度、标准偏差、线性回归线的斜率和偏移量的特征的提取,并基于所述关键帧的语音响度、标准偏差、线性回归线的斜率进行融合时域特征的确定,通过所述融合时域特征和所述Mel-频谱进行时频混合特征的构建;
S33通过所述视频混合特征,采用基于CNN算法的双层神经网络进行处理特征的提取,其中所述CNN算法的卷积层包括两层,并基于所述处理特征确定所述关键帧的欺骗概率;
S34通过所述语音文本的关键词确定与用户的身份信息的真实性的关联程度确定所述关键帧的权值,通过所述关键帧的权值与所述关键帧的欺骗概率进行修正欺骗概率的确定,并将所述用户的关键帧的修正欺骗概率大于预设值的关键帧作为特殊关键帧,并通过所述特殊关键帧的数量、关键帧的修正欺骗概率、修正欺骗概率满足要求的关键帧的数量确定所述用户的关键帧沟通可信度;
S35获取所述关键帧所对应的语音文本,并根据所述关键帧所对应的语音文本与授信申请信息的信息项不一致的作为虚假语音文本,并根据所述虚假语音文本的数量以及比例,关键帧沟通可信度进行所述用户的语音沟通可信度的确定。
具体的举例说明,所述语音沟通可信度的取值范围在0到1之间,其中当所述语音沟通可信度不满足要求时,则无需进行综合可信度的确定,直接输出逾期风险高。
在另外一种可能的实施例中,所述语音文本的关键词确定与用户的身份信息的真实性的关联程度根据所述语音文本的关键词的匹配结果进行确定。
在本实施例中,通过所述处理特征对所述关键帧的欺骗概率进行确定,通过所述关键帧的欺骗概率以及所述关键帧所对应的语音文本确定所述用户的语音沟通可信度,从而实现了从用户的语音解析的角度对用户的可信度的进一步评估,进一步降低了由于用户欺骗导致的逾期风险较大的问题的出现。
S14基于所述语音沟通可信度、沟通可信度、文本可信度进行所述用户的综合可信度的评估,并基于所述综合可信度、虚假信息项的数量、不一致信息项的数量确定所述用户的逾期风险。
具体的,如图4所示,所述综合可信度确定的具体步骤为:
S41获取所述用户的文本可信度,并通过所述文本可信度进行所述用户的授信处理可信度设定值的确定;
S42判断所述用户的语音沟通可信度或者沟通可信度是否大于所述授信处理可信度设定值,若否,则直接输出逾期风险高,若是,则进入步骤S43;
S43根据所述用户的沟通数据确定除语音沟通外的其它沟通方式,并通过所述其它沟通方式中以及所述语音沟通的沟通时长进行所述沟通可信度的基础权值以及语音沟通可信度的基础权值的确定,并通过所述其它沟通方式的关键词的识别结果对所述其它沟通方式的基础权值进行修正得到沟通可信度的权值,通过所述语音沟通的关键词的识别结果对所述语音沟通的基础权值进行修正得到语音沟通可信度的权值;
S44通过所述用户的语音沟通可信度、沟通可信度,并结合所述沟通可信度的权值以及语音沟通可信度的权值进行综合沟通可信度的确定,判断所述用户的语音沟通可信度或者沟通可信度是否大于所述授信处理可信度设定值,若否,则直接输出逾期风险高,若是,则进入步骤S45;
S45基于所述语音沟通可信度、沟通可信度、文本可信度进行所述用户的综合可信度的评估。
具体的举例说明,所述用户的逾期风险确定的具体步骤为:
当所述用户的综合可信度小于可信度设定值时,则确定所述用户的逾期风险较高;
当所述用户的综合可信度不小于可信度设定值时,则通过所述虚假信息项的数量以及不一致信息项的数量对所述综合可信度进行修正得到修正综合可信度,并通过所述修正综合可信度进行所述用户的逾期风险的确定。
在本实施例中,通过基于所述综合可信度、虚假信息项的数量、不一致信息项的数量确定所述用户的逾期风险,从而实现了从综合可信度以及用户的虚假信息的角度对用户的逾期风险的评估,避免了由于欺骗信息导致的错误授信,进而导致的逾期风险的问题。
另一方面,如图5所示,本发明提供了一种业务逾期风险预测系统,采用上述的一种业务逾期风险预测方法,具体包括:
文本可信度确定模块;沟通可信度确定模块;语音沟通可信度确定模块;逾期风险确定模块;
其中所述文本可信度确定模块负责获取用户的授信申请信息,并对所述授信申请信息的信息项的真伪进行验证得到虚假信息项,并通过所述虚假信息项的数量以及虚假信息项的类型确定所述用户的授信申请信息的文本可信度;
所述沟通可信度确定模块负责通过所述用户的沟通数据确定所述用户的沟通数据中与所述授信申请信息中的不一致信息项,并根据所述不一致信息项的数量以及类型确定所述用户的沟通可信度;
所述语音沟通可信度确定模块负责通过所述用户的沟通语音的语音文本进行关键帧的提取,基于所述关键帧的标准偏差以及Mel-频谱进行混合特征的构建,并采用双层神经网络对所述混合特征进行降维处理得到处理特征,并通过所述处理特征对所述关键帧的欺骗概率进行确定,通过所述关键帧的欺骗概率以及所述关键帧所对应的语音文本确定所述用户的语音沟通可信度;
所述逾期风险确定模块负责基于所述语音沟通可信度、沟通可信度、文本可信度进行所述用户的综合可信度的评估,并基于所述综合可信度、虚假信息项的数量、不一致信息项的数量确定所述用户的逾期风险。
其中上述的综合可信度构建的具体步骤为:
获取所述用户的文本可信度,并通过所述文本可信度进行所述用户的授信处理可信度设定值的确定;
当所述用户的语音沟通可信度或者沟通可信度不大于所述授信处理可信度设定值时,则进入下一步骤;
根据所述用户的沟通数据确定除语音沟通外的其它沟通方式,并通过所述其它沟通方式中以及所述语音沟通的沟通时长进行所述沟通可信度的基础权值以及语音沟通可信度的基础权值的确定,并通过所述其它沟通方式的关键词的识别结果对所述其它沟通方式的基础权值进行修正得到沟通可信度的权值,通过所述语音沟通的关键词的识别结果对所述语音沟通的基础权值进行修正得到语音沟通可信度的权值;
通过所述用户的语音沟通可信度、沟通可信度,并结合所述沟通可信度的权值以及语音沟通可信度的权值进行综合沟通可信度的确定,判断所述用户的语音沟通可信度或者沟通可信度大于所述授信处理可信度设定值时,基于所述语音沟通可信度、沟通可信度、文本可信度进行所述用户的综合可信度的评估。
另一方面,本发明提供了一种计算机系统,包括:通信连接的存储器和处理器,以及存储在所述存储器上并能够在所述处理器上运行的计算机程序,其特征在于:所述处理器运行所述计算机程序时执行上述的一种业务逾期风险预测方法。
其中上述的一种业务逾期风险预测方法,具体包括:
获取用户的授信申请信息,并对所述授信申请信息的信息项的真伪进行验证得到虚假信息项,通过所述虚假信息项的类型确定所述虚假信息项中的特定信息项的数量,并基于所述特定信息项的数量确定所述用户的授信申请信息可信时,进入下一步骤;
通过所述虚假信息项与所述用户的身份信息的真实性的关联程度进行所述虚假信息项的权值的确定,通过所述用户的虚假信息项中的特定信息项的数量以及特定信息项的权值的和、虚假信息项的数量以及虚假信息项的权值的和进行所述用户的授信申请信息的文本可信度的确定;
通过所述用户的沟通数据确定所述用户的沟通数据中与所述授信申请信息中的不一致信息项,并根据所述不一致信息项的数量以及类型确定所述用户的沟通可信度;
通过所述用户的沟通语音的语音文本进行关键帧的提取,基于所述关键帧的标准偏差以及Mel-频谱进行混合特征的构建,并采用双层神经网络对所述混合特征进行降维处理得到处理特征,并通过所述处理特征对所述关键帧的欺骗概率进行确定,通过所述关键帧的欺骗概率以及所述关键帧所对应的语音文本确定所述用户的语音沟通可信度;
基于所述语音沟通可信度、沟通可信度、文本可信度进行所述用户的综合可信度的评估,并基于所述综合可信度、虚假信息项的数量、不一致信息项的数量确定所述用户的逾期风险。
另一方面,本发明提供了一种计算机存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行上述的一种业务逾期风险预测方法。
其中上述的一种业务逾期风险预测方法,具体包括:
获取用户的授信申请信息,并对所述授信申请信息的信息项的真伪进行验证得到虚假信息项,并通过所述虚假信息项的数量以及虚假信息项的类型确定所述用户的授信申请信息的文本可信度;
通过所述用户的沟通数据确定所述用户的沟通数据中与所述授信申请信息中的不一致信息项,并根据所述不一致信息项的数量以及类型确定所述用户的沟通可信度;
通过所述用户的沟通语音进行语音文本的提取,并基于所述语音文本的关键词确定与用户的身份信息的真实性的关联程度对所述语音文本进行定位得到定位语音文本,并根据所述语音文本的关键词确定与用户的身份信息的真实性的关联程度确定所述定位语音文本的扩展时间,并基于所述定位语音文本以及所述定位语音文本的扩展时间进行关键帧的确定;
通过所述沟通语音的关键帧进行特征量的提取得到所述关键帧的Mel-频谱,并基于所述沟通语音的关键帧的低级描述符进行统计特征的提取得到所述关键帧的语音响度、标准偏差、线性回归线的斜率和偏移量的特征的提取,并基于所述关键帧的语音响度、标准偏差、线性回归线的斜率进行融合时域特征的确定,通过所述融合时域特征和所述Mel-频谱进行时频混合特征的构建;
通过所述视频混合特征,采用基于CNN算法的双层神经网络进行处理特征的提取,其中所述CNN算法的卷积层包括两层,并基于所述处理特征确定所述关键帧的欺骗概率;
通过所述语音文本的关键词确定与用户的身份信息的真实性的关联程度确定所述关键帧的权值,通过所述关键帧的权值与所述关键帧的欺骗概率进行修正欺骗概率的确定,并将所述用户的关键帧的修正欺骗概率大于预设值的关键帧作为特殊关键帧,并通过所述特殊关键帧的数量、关键帧的修正欺骗概率、修正欺骗概率满足要求的关键帧的数量确定所述用户的关键帧沟通可信度;
获取所述关键帧所对应的语音文本,并根据所述关键帧所对应的语音文本与授信申请信息的信息项不一致的作为虚假语音文本,并根据所述虚假语音文本的数量以及比例,关键帧沟通可信度进行所述用户的语音沟通可信度的确定;
基于所述语音沟通可信度、沟通可信度、文本可信度进行所述用户的综合可信度的评估,并基于所述综合可信度、虚假信息项的数量、不一致信息项的数量确定所述用户的逾期风险。
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,对于装置、设备、非易失性计算机存储介质实施例而言,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。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本说明书的一个或多个实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例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 (11)
1.一种业务逾期风险预测方法,其特征在于,具体包括:
获取用户的授信申请信息,并对所述授信申请信息的信息项的真伪进行验证得到虚假信息项,并通过所述虚假信息项的数量以及虚假信息项的类型确定所述用户的授信申请信息的文本可信度;
通过所述用户的沟通数据确定所述用户的沟通数据中与所述授信申请信息中的不一致信息项,并根据所述不一致信息项的数量以及类型确定所述用户的沟通可信度;
通过所述用户的沟通语音的语音文本进行关键帧的提取,基于所述关键帧的标准偏差以及Mel-频谱进行混合特征的构建,并采用双层神经网络对所述混合特征进行降维处理得到处理特征,并通过所述处理特征对所述关键帧的欺骗概率进行确定,通过所述关键帧的欺骗概率以及所述关键帧所对应的语音文本确定所述用户的语音沟通可信度;
基于所述语音沟通可信度、沟通可信度、文本可信度进行所述用户的综合可信度的评估,并基于所述综合可信度、虚假信息项的数量、不一致信息项的数量确定所述用户的逾期风险。
2.如权利要求1所述的一种业务逾期风险预测方法,其特征在于,所述用户的授信申请信息包括但不限于申请表单、用户在授信处理机构的历史申请表单、用户在授信处理处理机构的历史身份信息。
3.如权利要求1所述的一种业务逾期风险预测方法,其特征在于,对所述授信申请信息的信息项的真伪进行验证得到虚假信息项,具体包括:
对所述授信申请信息的信息项进行筛选,得到授信申请信息中的可进行真伪验证的信息项作为可验证信息项;
获取所述可验证信息项的填写内容,并基于所述可验证信息项的填写内容的真伪性进行验证,得到所述可验证信息项中的虚假信息项。
4.如权利要求1所述的一种业务逾期风险预测方法,其特征在于,所述用户的授信申请信息的文本可信度确定的具体步骤为:
S21通过所述虚假信息项的类型确定所述虚假信息项中的特定信息项的数量,并基于所述特定信息项的数量确定所述用户的授信申请信息是否可信,若是,则进入步骤S22,若否,则确定所述用户的授信申请信息不可信,用户的逾期风险高;
S22通过所述虚假信息项的数量确定所述用户的授信申请信息是否可信,若是,则进入步骤S23,若否,则进入步骤S24;
S23通过所述虚假信息项与所述用户的身份信息的真实性的关联程度进行所述虚假信息项的权值的确定,并基于所述虚假信息项的权值的和确定所述用户的授信申请信息是否可信,若是,则进入步骤S24,若否,则确定所述用户的授信申请信息不可信,用户的逾期风险高;
S24通过所述用户的虚假信息项中的特定信息项的数量以及特定信息项的权值的和、虚假信息项的数量以及虚假信息项的权值的和进行所述用户的授信申请信息的文本可信度的确定。
5.如权利要求4所述的一种业务逾期风险预测方法,其特征在于,在进行所述用户的沟通可信度的构建之前,还需要确定所述用户的授信申请信息的文本可信度是否满足要求,并当所述用户的授信申请信息的文本可信度无法满足要求时,则无需进行沟通可信度的确定,直接输出逾期风险高;
在进行所述用户的语音沟通可信度的构建之前,还需要确定所述用户的沟通可信度是否满足要求,并当所述用户的沟通可信度无法满足要求时,则无需进行语音沟通可信度的确定,直接输出逾期风险高。
6.如权利要求1所述的一种业务逾期风险预测方法,其特征在于,所述用户的沟通可信度确定的具体步骤为:
通过所述用户的沟通语音进行语音文本的提取,并基于所述语音文本的关键词确定与用户的身份信息的真实性的关联程度对所述语音文本进行定位得到定位语音文本,并根据所述语音文本的关键词确定与用户的身份信息的真实性的关联程度确定所述定位语音文本的扩展时间,并基于所述定位语音文本以及所述定位语音文本的扩展时间进行关键帧的确定;
通过所述沟通语音的关键帧进行特征量的提取得到所述关键帧的Mel-频谱,并基于所述沟通语音的关键帧的低级描述符进行统计特征的提取得到所述关键帧的语音响度、标准偏差、线性回归线的斜率和偏移量的特征的提取,并基于所述关键帧的语音响度、标准偏差、线性回归线的斜率进行融合时域特征的确定,通过所述融合时域特征和所述Mel-频谱进行时频混合特征的构建;
通过所述视频混合特征,采用基于CNN算法的双层神经网络进行处理特征的提取,其中所述CNN算法的卷积层包括两层,并基于所述处理特征确定所述关键帧的欺骗概率;
通过所述语音文本的关键词确定与用户的身份信息的真实性的关联程度确定所述关键帧的权值,通过所述关键帧的权值与所述关键帧的欺骗概率进行修正欺骗概率的确定,并将所述用户的关键帧的修正欺骗概率大于预设值的关键帧作为特殊关键帧,并通过所述特殊关键帧的数量、关键帧的修正欺骗概率、修正欺骗概率满足要求的关键帧的数量确定所述用户的关键帧沟通可信度;
获取所述关键帧所对应的语音文本,并根据所述关键帧所对应的语音文本与授信申请信息的信息项不一致的作为虚假语音文本,并根据所述虚假语音文本的数量以及比例,关键帧沟通可信度进行所述用户的语音沟通可信度的确定。
7.如权利要求6所述的一种业务逾期风险预测方法,其特征在于,所述语音沟通可信度的取值范围在0到1之间,其中当所述语音沟通可信度不满足要求时,则无需进行综合可信度的确定,直接输出逾期风险高。
8.如权利要求6所述的一种业务逾期风险预测方法,其特征在于,所述语音文本的关键词确定与用户的身份信息的真实性的关联程度根据所述语音文本的关键词的匹配结果进行确定。
9.一种业务逾期风险预测系统,采用权利要求1-8任一项所述的一种业务逾期风险预测方法,其特征在于,具体包括:
文本可信度确定模块;沟通可信度确定模块;语音沟通可信度确定模块;逾期风险确定模块;
其中所述文本可信度确定模块负责获取用户的授信申请信息,并对所述授信申请信息的信息项的真伪进行验证得到虚假信息项,并通过所述虚假信息项的数量以及虚假信息项的类型确定所述用户的授信申请信息的文本可信度;
所述沟通可信度确定模块负责通过所述用户的沟通数据确定所述用户的沟通数据中与所述授信申请信息中的不一致信息项,并根据所述不一致信息项的数量以及类型确定所述用户的沟通可信度;
所述语音沟通可信度确定模块负责通过所述用户的沟通语音的语音文本进行关键帧的提取,基于所述关键帧的标准偏差以及Mel-频谱进行混合特征的构建,并采用双层神经网络对所述混合特征进行降维处理得到处理特征,并通过所述处理特征对所述关键帧的欺骗概率进行确定,通过所述关键帧的欺骗概率以及所述关键帧所对应的语音文本确定所述用户的语音沟通可信度;
所述逾期风险确定模块负责基于所述语音沟通可信度、沟通可信度、文本可信度进行所述用户的综合可信度的评估,并基于所述综合可信度、虚假信息项的数量、不一致信息项的数量确定所述用户的逾期风险。
10.一种计算机系统,包括:通信连接的存储器和处理器,以及存储在所述存储器上并能够在所述处理器上运行的计算机程序,其特征在于:所述处理器运行所述计算机程序时执行权利要求1-8任一项所述的一种业务逾期风险预测方法。
11.一种计算机存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-8任一项所述的一种业务逾期风险预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310893676.7A CN116629456B (zh) | 2023-07-20 | 2023-07-20 | 业务逾期风险预测方法、系统与存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310893676.7A CN116629456B (zh) | 2023-07-20 | 2023-07-20 | 业务逾期风险预测方法、系统与存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116629456A true CN116629456A (zh) | 2023-08-22 |
CN116629456B CN116629456B (zh) | 2023-10-13 |
Family
ID=87621592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310893676.7A Active CN116629456B (zh) | 2023-07-20 | 2023-07-20 | 业务逾期风险预测方法、系统与存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116629456B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117035985A (zh) * | 2023-07-31 | 2023-11-10 | 浙江孚临科技有限公司 | 一种授信逾期风险控制方法与系统 |
CN117078026A (zh) * | 2023-10-17 | 2023-11-17 | 杭银消费金融股份有限公司 | 一种基于数据血缘的风控指标管理方法及系统 |
CN117808577A (zh) * | 2024-03-01 | 2024-04-02 | 杭银消费金融股份有限公司 | 一种基于多因子动态调节的授信处理方法 |
CN117876103A (zh) * | 2024-03-12 | 2024-04-12 | 杭银消费金融股份有限公司 | 一种人行征信用户画像搭建方法及系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201420734D0 (en) * | 2013-11-21 | 2015-01-07 | Global Analytics Inc | Credit risk decision management system and method using voice analytics |
KR101834008B1 (ko) * | 2016-11-10 | 2018-03-05 | 주식회사 어니스트펀드 | 음성 데이터 기반 신용평가 장치, 방법 및 컴퓨터 프로그램 |
CN110134948A (zh) * | 2019-04-23 | 2019-08-16 | 北京淇瑀信息科技有限公司 | 一种基于文本数据的金融风险控制方法、装置和电子设备 |
US20190325514A1 (en) * | 2018-04-24 | 2019-10-24 | Alibaba Group Holding Limited | Credit risk prediction method and device based on lstm model |
US20200125639A1 (en) * | 2018-10-22 | 2020-04-23 | Ca, Inc. | Generating training data from a machine learning model to identify offensive language |
CN111127191A (zh) * | 2019-12-25 | 2020-05-08 | 北京百度网讯科技有限公司 | 风险评估方法及装置 |
WO2021051592A1 (zh) * | 2019-09-19 | 2021-03-25 | 平安科技(深圳)有限公司 | 基于人工智能处理数据的方法、装置及存储介质 |
CN113095712A (zh) * | 2021-04-25 | 2021-07-09 | 国家电网有限公司 | 企业授信评分获取方法、装置及计算机设备 |
CN113435998A (zh) * | 2021-06-23 | 2021-09-24 | 平安科技(深圳)有限公司 | 贷款逾期预测方法、装置、电子设备及存储介质 |
CN113689292A (zh) * | 2021-09-18 | 2021-11-23 | 杭银消费金融股份有限公司 | 基于图像背景识别的用户聚集识别方法及系统 |
CN113793214A (zh) * | 2021-09-27 | 2021-12-14 | 武汉众邦银行股份有限公司 | 一种解决小微企业信贷授信风险控制和管理方法及装置 |
CN114529053A (zh) * | 2022-01-19 | 2022-05-24 | 百维金科(上海)信息科技有限公司 | 用于逾期金额预测的神经网络模型构建方法及预测系统 |
CN115034886A (zh) * | 2022-06-14 | 2022-09-09 | 中国银行股份有限公司 | 一种违约风险预测方法及装置 |
CN115482083A (zh) * | 2022-09-13 | 2022-12-16 | 中国建设银行股份有限公司 | 一种授信处理方法和装置 |
CN115734024A (zh) * | 2021-08-31 | 2023-03-03 | 腾讯科技(深圳)有限公司 | 音频数据处理方法、装置、设备及存储介质 |
-
2023
- 2023-07-20 CN CN202310893676.7A patent/CN116629456B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201420734D0 (en) * | 2013-11-21 | 2015-01-07 | Global Analytics Inc | Credit risk decision management system and method using voice analytics |
KR101834008B1 (ko) * | 2016-11-10 | 2018-03-05 | 주식회사 어니스트펀드 | 음성 데이터 기반 신용평가 장치, 방법 및 컴퓨터 프로그램 |
US20190325514A1 (en) * | 2018-04-24 | 2019-10-24 | Alibaba Group Holding Limited | Credit risk prediction method and device based on lstm model |
US20200125639A1 (en) * | 2018-10-22 | 2020-04-23 | Ca, Inc. | Generating training data from a machine learning model to identify offensive language |
CN110134948A (zh) * | 2019-04-23 | 2019-08-16 | 北京淇瑀信息科技有限公司 | 一种基于文本数据的金融风险控制方法、装置和电子设备 |
WO2021051592A1 (zh) * | 2019-09-19 | 2021-03-25 | 平安科技(深圳)有限公司 | 基于人工智能处理数据的方法、装置及存储介质 |
CN111127191A (zh) * | 2019-12-25 | 2020-05-08 | 北京百度网讯科技有限公司 | 风险评估方法及装置 |
CN113095712A (zh) * | 2021-04-25 | 2021-07-09 | 国家电网有限公司 | 企业授信评分获取方法、装置及计算机设备 |
CN113435998A (zh) * | 2021-06-23 | 2021-09-24 | 平安科技(深圳)有限公司 | 贷款逾期预测方法、装置、电子设备及存储介质 |
CN115734024A (zh) * | 2021-08-31 | 2023-03-03 | 腾讯科技(深圳)有限公司 | 音频数据处理方法、装置、设备及存储介质 |
CN113689292A (zh) * | 2021-09-18 | 2021-11-23 | 杭银消费金融股份有限公司 | 基于图像背景识别的用户聚集识别方法及系统 |
CN113793214A (zh) * | 2021-09-27 | 2021-12-14 | 武汉众邦银行股份有限公司 | 一种解决小微企业信贷授信风险控制和管理方法及装置 |
CN114529053A (zh) * | 2022-01-19 | 2022-05-24 | 百维金科(上海)信息科技有限公司 | 用于逾期金额预测的神经网络模型构建方法及预测系统 |
CN115034886A (zh) * | 2022-06-14 | 2022-09-09 | 中国银行股份有限公司 | 一种违约风险预测方法及装置 |
CN115482083A (zh) * | 2022-09-13 | 2022-12-16 | 中国建设银行股份有限公司 | 一种授信处理方法和装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117035985A (zh) * | 2023-07-31 | 2023-11-10 | 浙江孚临科技有限公司 | 一种授信逾期风险控制方法与系统 |
CN117035985B (zh) * | 2023-07-31 | 2024-04-23 | 浙江孚临科技有限公司 | 一种授信逾期风险控制方法与系统 |
CN117078026A (zh) * | 2023-10-17 | 2023-11-17 | 杭银消费金融股份有限公司 | 一种基于数据血缘的风控指标管理方法及系统 |
CN117078026B (zh) * | 2023-10-17 | 2024-02-06 | 杭银消费金融股份有限公司 | 一种基于数据血缘的风控指标管理方法及系统 |
CN117808577A (zh) * | 2024-03-01 | 2024-04-02 | 杭银消费金融股份有限公司 | 一种基于多因子动态调节的授信处理方法 |
CN117876103A (zh) * | 2024-03-12 | 2024-04-12 | 杭银消费金融股份有限公司 | 一种人行征信用户画像搭建方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116629456B (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116629456B (zh) | 业务逾期风险预测方法、系统与存储介质 | |
US11399029B2 (en) | Database platform for realtime updating of user data from third party sources | |
US11218494B2 (en) | Predictive fraud analysis system for data transactions | |
US11503158B2 (en) | Method and system for fraud clustering by content and biometrics analysis | |
US20210398129A1 (en) | Software architecture for machine learning feature generation | |
CN110297912A (zh) | 欺诈识别方法、装置、设备及计算机可读存储介质 | |
CN109815803B (zh) | 面审风险控制方法、装置、计算机设备和存储介质 | |
US20190197550A1 (en) | Generic learning architecture for robust temporal and domain-based transfer learning | |
CN111861732A (zh) | 一种风险评估系统及方法 | |
WO2020177478A1 (zh) | 一种基于信用的资质信息审核方法、装置及设备 | |
US20220351284A1 (en) | System and method for the rapid, flexible approval and disbursement of a loan | |
Sharma et al. | Does financial development reduce the level of corruption? Evidence from a global sample of 140 countries | |
CN110276178B (zh) | 一种基于身份验证的风险控制方法、装置及设备 | |
CN110766340A (zh) | 一种业务审核方法、装置及设备 | |
US11282135B2 (en) | Onboarding quasi-customers in a disaster zone | |
CN110138743A (zh) | 资源申请文件的获取方法、装置、计算机设备和存储介质 | |
CN1213398C (zh) | 使用行为模型来进行无干扰的说话者验证的方法和系统 | |
CN116318974A (zh) | 站点风险识别方法、装置、计算机可读介质及电子设备 | |
CN116245630A (zh) | 一种反欺诈检测方法、装置、电子设备及介质 | |
Adusei et al. | Legal cost of contract enforcement and nonperforming loans: Is credit information sharing relevant? | |
CN115689811A (zh) | 基于区块链的电子遗嘱生成方法、资产继承方法及系统 | |
Branco | Addressing the issue of conservatism in probability of default estimates: a validation tool | |
CN117972667A (zh) | 一种用户身份验证方法及装置 | |
CN117114844A (zh) | 信息核验方法、装置、计算机设备和存储介质 | |
CN114282987A (zh) | 基于区块链的电子报告内容验真方法、系统及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |