CN116664306A - 风控规则的智能推荐方法、装置、电子设备及介质 - Google Patents

Abstract

本公开提供了一种风控规则的智能推荐方法，可用于金融领域或其他领域。该方法包括：响应于客户发起的实时交易请求，获取客户的风险基本信息；根据风险基本信息，从预置的目标风控规则库中确定相匹配的至少一个目标风控规则，并将至少一个目标风控规则推荐至客户。本公开还提供了一种风控规则的智能推荐装置、电子设备、存储介质和程序产品。

Description

风控规则的智能推荐方法、装置、电子设备及介质

技术领域

本公开涉及人工智能技术领域，具体涉及风险控制领域，更具体地涉及一种风控规则的智能推荐方法、装置、电子设备、存储介质和程序产品。

背景技术

随着金融行业的不断发展，风险控制(简称“风控”)成为金融机构的重要任务之一。传统的风险控制方法主要依靠人工经验和规则，这种方法存在着效率低、容易出错等问题。随着人工智能技术的不断发展，智能风控技术逐渐成为金融行业的热门话题。

目前，智能风控技术主要包括数据挖掘、机器学习、人工智能等技术。这些技术可以通过对大量数据的分析和学习，自动识别风险，并提供相应的控制措施。但是，由于金融行业的复杂性和多样性，智能风控技术的应用还存在一些问题，如规则地制定和推荐等。

发明内容

鉴于上述问题，本公开提供了一种风控规则的智能推荐方法、装置、电子设备、存储介质和程序产品。

根据本公开的第一个方面，提供了一种风控规则的智能推荐方法，包括：响应于客户发起的实时交易请求，获取客户的风险基本信息；根据风险基本信息，从预置的目标风控规则库中确定相匹配的至少一个目标风控规则，并将至少一个目标风控规则推荐至客户。

根据本公开的实施例，目标风控规则库根据以下方式来预置：采集与风险控制相关的历史数据集，对历史数据集进行预处理，得到样本数据集；使用机器学习模型，识别样本数据集中每个样本数据的至少一个潜在风险类型；根据至少一个潜在风险类型，制定每个样本数据的初始风控规则；根据初始风控规则的实际执行效果和客户的反馈，对初始风控规则进行优化，得到目标风控规则；将多个目标风控规则进行组合，形成目标风控规则库。

根据本公开的实施例，机器学习模型通过以下方式训练得到：将样本数据集拆分为训练数据集和测试数据集，标记训练数据集中每个训练数据的实际风险类型；从训练数据集中提取关键特征；根据关键特征，从预设的多个机器学习模型中选择相匹配的机器学习初始模型；使用训练数据集和实际风险类型，对机器学习初始模型进行训练，得到训练好的机器学习模型。

根据本公开的实施例，使用训练数据集和实际风险类型，对机器学习初始模型进行训练，包括：使用机器学习初始模型来识别训练数据集中的一个训练数据的预测风险类型；根据损失函数计算预测风险类型与训练数据集中一个训练数据的实际风险类型之间的差异；在差异符合预设条件的情况下，根据差异调整机器学习初始模型的参数，并针对训练数据集中的另一个训练数据，返回使用机器学习初始模型来识别训练数据集中的一个训练数据的预测风险类型的操作。

根据本公开的实施例，使用机器学习模型，识别样本数据集中每个样本数据的至少一个潜在风险类型，还包括：使用测试数据集对训练好的机器学习模型进行评估；在评估结果符合预设的多个评估指标的情况下，确定训练好的机器学习模型测试通过，使用训练好的机器学习模型，识别样本数据集中每个样本数据的至少一个潜在风险类型。

根据本公开的实施例，根据至少一个潜在风险类型，制定每个样本数据的初始风控规则，包括：在潜在风险类型为第一风险类型时，对可能存在风险的用户或行为进行预警提示；在潜在风险类型为第二风险类型时，对用户或行为进行风险评估；在潜在风险类型为第三风险类型时，根据用户的信用评级，设置对应的信用额度和信用期限；在潜在风险类型为第四风险类型时，对用户或行为进行权限限制；在潜在风险类型为第五风险类型时，对每个样本数据进行深度分析和挖掘。

本公开的第二方面提供了一种风控规则的智能推荐装置，包括：风险信息获取模块，用于响应于客户发起的实时交易请求，获取客户的风险基本信息；风控规则推荐模块，用于根据风险基本信息，从预置的目标风控规则库中确定相匹配的至少一个目标风控规则，并将至少一个目标风控规则推荐至客户。

本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述风控规则的智能推荐方法。

本公开的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述风控规则的智能推荐方法。

本公开的第五方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述风控规则的智能推荐方法。

根据本公开实施例的智能推荐方法、装置、电子设备、存储介质和程序产品，在客户发起实时交易请求时，根据客户的需求、风险偏好、交易习惯、资产状况等不同的风险基本信息，推荐相应的目标风控规则，提高了风控规则的准确性和生成效率，降低了风险控制的成本。进而，本公开可以帮助客户更好地应对网络交易过程可能面临的风险和挑战，考虑到客户的特点和市场趋势，为客户提供最优的风险控制方案。并且，本公开结合机器学习和数据分析技术进行风险规则的智能推荐，可以辅助客户决策，提高风险管理的效果和效率。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的适于风控规则的智能推荐方法及装置的系统架构；

图2示意性示出了根据本公开实施例的风控规则的智能推荐方法的流程图；

图3A示意性示出了根据本公开实施例的目标风控规则库的预置过程的流程图；

图3B示意性示出了根据本公开实施例的目标风控规则库的预置过程的原理图；

图4示意性示出了根据本公开实施例的机器学习模型的训练过程的流程图；

图5示意性示出了根据图4对机器学习初始模型进行训练的流程图；

图6示意性示出了根据本公开实施例的潜在风险类型的识别过程的流程图；

图7示意性示出了根据本公开实施例的根据潜在风险类型制定初始风控规则的流程图；

图8示意性示出了根据本公开实施例的风控规则的智能推荐装置的框图；

图9示意性示出了根据本公开实施例的适于实现风控规则的智能推荐方法的电子设备的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

附图中示出了一些方框图和/或流程图。应理解，方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外，本公开的技术可以采取存储有指令的计算机可读存储介质上的计算机程序产品的形式，该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。

在本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。

在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。

目前，在金融行业的网络交易中存在各种各样的风险，例如，在线支付场景中，可能存在欺诈、账号盗用、银行卡盗用等风险。为了应对这些风险，各个网站的后台管理服务器都运行维护着风险防控基础策略体系，但当新的风险形式出现，后台管理服务器需要对新风险进行分析，在短时间内补上新的风控规则来防控这些风险。对于新风险，传统的风险控制方法主要依靠人工经验，设想可能有效的风控规则，但是这种方法消耗人力与时间，且不一定能达到最优效果，存在着效率低、容易出错等问题。

基于此，本公开的实施例提供一种风控规则的智能推荐方法、装置、电子设备、存储介质和程序产品。该方法包括：响应于客户发起的实时交易请求，获取客户的风险基本信息；根据风险基本信息，从预置的目标风控规则库中确定相匹配的至少一个目标风控规则，并将至少一个目标风控规则推荐至客户。

图1示意性示出了根据本公开实施例的适于风控规则的智能推荐方法及装置的系统架构。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103、网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

例如，终端设备101、102、103上安装有基于互联网实现业务的APP或网站，在客户基于APP或网站上提供的交易界面发起实时交易请求时，将该实时交易请求通过网络104提供给服务器105。服务器105首先响应于客户发起的实时交易请求，获取客户的风险基本信息；然后根据风险基本信息，从预置的目标风控规则库中确定相匹配的至少一个目标风控规则，并将至少一个目标风控规则推荐至客户。

需要说明的是，本公开实施例所提供的风控规则的智能推荐方法一般可以由服务器105执行。相应地，本公开实施例所提供的风控规则的智能推荐装置一般可以设置于服务器105中。本公开实施例所提供的风控规则的智能推荐方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的风控规则的智能推荐装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

以下将基于图1描述的系统架构，通过图2～图7对本公开实施例的风控规则的智能推荐方法进行详细描述。

图2示意性示出了根据本公开实施例的风控规则的智能推荐方法的流程图。

如图2所示，该实施例的风控规则的智能推荐方法可以包括操作S210～操作S240，该风控规则的智能推荐方法可以由上述服务器105执行。

在操作S210，响应于客户发起的实时交易请求，获取客户的风险基本信息。

例如，风险基本信息包括客户的个人信息、风险偏好、交易习惯、资产状况和市场趋势。

在操作S220，根据风险基本信息，从预置的目标风控规则库中确定相匹配的至少一个目标风控规则，并将至少一个目标风控规则推荐至客户。

例如，可采用推荐引擎、推荐算法、推荐结果展示等手段，将至少一个目标风控规则推荐至客户。

通过上述的实施例，本公开在客户发起实时交易请求时，根据客户的需求、风险偏好、交易习惯、资产状况等不同的风险基本信息，推荐相应的目标风控规则，提高了风控规则的准确性和生成效率，降低了风险控制的成本。进而，本公开可以帮助客户更好地应对网络交易过程可能面临的风险和挑战，考虑到客户的特点和市场趋势，为客户提供最优的风险控制方案。并且，本公开结合机器学习和数据分析技术进行风险规则的智能推荐，可以辅助客户决策，提高风险管理的效果和效率。

此外，该目标风控规则的推荐还可以根据实际需要制定定期或不定期的推荐机制。其中，定期推荐机制有助于及时发现市场和客户的变化；不定期推荐机制则有助于对规则进行全面性的评估，从而不断完善风控规则推荐的效率。

需要说明的是，客户的风险基本信息包括客户的个人信息、风险偏好、交易习惯、资产状况等信息，这些信息可以影响客户风险管理方案的制定和推荐。例如，客户的信用评级、历史违约记录、身份信息等，都可以用来评估客户的信用风险，从而制定相应的风险管理方案。又例如，客户的消费偏好、购买频率、消费金额、客户反馈等信息，可以用来评估客户的消费风险，从而制定相应的消费管理方案。而市场趋势信息则是指当前市场的行业趋势、政策变化、市场竞争程度、经济形势等因素，这些因素可以对客户的风险管理方案产生影响。例如，行业风险、政策法规变化，都会对客户的风险管理方案产生一定的影响。又例如，经济形势不稳定，市场竞争程度加剧，这些因素也会影响客户的风险管理方案的推荐。

图3A示意性示出了根据本公开实施例的目标风控规则库的预置过程的流程图。图3B示意性示出了根据本公开实施例的目标风控规则库的预置过程的原理图。

如图3A和图3B所示，在本公开实施例中，上述操作S220中的目标风控规则库，可以根据以下操作S321～操作S325来预置。

在操作S321，采集与风险控制相关的历史数据集，对历史数据集进行预处理，得到样本数据集。

例如，历史数据集为金融行业的相关数据，包括客户信息、交易记录、市场数据。该历史数据集可以通过各种方式进行采集，例如从金融机构的数据库中提取数据、爬取金融网站上的数据、通过API接口获取等。

例如，预处理包括数据清洗、数据转换、标准化、归一化。数据清洗包括去除重复值、处理异常值、错误值等。这些预处理方式可以提高数据的质量，降低误差，确保数据的准确性、完整性和可用性，为后续的机器学习模型提供更好的数据基础。预处理还有助于分析出数据的有用特征和规律，为机器学习模型提供更佳的输入。

在操作S322，使用机器学习模型，识别样本数据集中每个样本数据的至少一个潜在风险类型。

使用机器学习模型对样本数据集进行风险识别，得到风险识别结果，该风险识别结果为每个样本数据的潜在风险，该潜在风险为一个或多个。

在操作S323，根据至少一个潜在风险类型，制定每个样本数据的初始风控规则。

例如，可采用规则生成器、规则数据库、规则编辑器，进行针对不同潜在风险类型的风控规则制定。

在操作S324，根据初始风控规则的实际执行效果和客户的反馈，对初始风控规则进行优化，得到目标风控规则。

将上述得到的初始风控规则投入实际执行过程中，根据实际执行效果和客户的反馈，对初始风控规则进行调整和优化，提高目标风控规则的准确性和可靠性。

例如，可采用风险评估器、模拟器、测试工具，对初始风控规则进行优化。

在操作S325，将多个目标风控规则进行组合，形成目标风控规则库。

由于每个样本数据可以得到目标风控规则，样本数据集中的多个样本数据，则对应于多个目标风控规则，将这些目标风控规则组合形成目标风控规则库。

通过上述的实施例，本公开通过收集金融行业的相关数据并对其进行预处理，得到样本数据集；使用机器学习模型对样本数据集进行风险识别，根据风险识别结果制定相应的初始风控规则，然后将该初始风控规则投入实际执行过程中，根据实际执行效果和客户的反馈，对初始风控规则进行评估和优化，提高目标风控规则的准确性和可靠性。

图4示意性示出了根据本公开实施例的机器学习模型的训练过程的流程图。

如图4所示，在本公开实施例中，上述操作S322中的机器学习模型，可以通过以下操作S401～操作S404训练得到。

在操作S401，将样本数据集拆分为训练数据集和测试数据集，标记训练数据集中每个训练数据的实际风险类型。

在操作S402，从训练数据集中提取关键特征。

可以理解的是，在上述操作S402之前，还可以对训练数据集进行清洗、处理和转换，以保证关键特征提取的效率和准确性。

从训练数据集中提取关键特征，该关键特征可以包括风险指标、历史数据、市场行情等，提取到的关键特征为后续的模型选择提供了有效信息。

在操作S403，根据关键特征，从预设的多个机器学习模型中选择相匹配的机器学习初始模型。

例如，根据关键特征的不同特点和分析目标，选择适合的机器学习初始模型。

在操作S404，使用训练数据集和实际风险类型，对机器学习初始模型进行训练，得到训练好的机器学习模型。

通过上述的实施例，本公开利用标记好的训练数据集对已选的机器学习初始模型进行训练，以优化机器学习初始模型的参数，提高模型进行风险识别的准确性。

例如，上述操作S403中预设的多个机器学习模型可以分别采用神经网络算法、决策树算法、支持向量机算法中的一种或多种。

具体而言，神经网络算法可以处理非线性问题，如信用评分、欺诈检测等，能够更准确地预测风险；金融行业的数据量通常很大，其可以处理大规模数据集，提高风控模型的准确性；神经网络算法可以自适应地调整权重和偏置，适应不同的数据集和风险场景。

决策树算法生成的模型可以直观地表示为树形结构，易于理解和解释；可以处理非线性问题，如信用评分、欺诈检测等，能够更准确地预测风险；容易过拟合，但可以通过剪枝操作来避免过拟合，提高模型的泛化能力。

由于金融行业的数据通常具有高维特征，支持向量机算法可以处理高维数据，提高风控模型的准确性；同时具有较好的泛化能力，能够更好地适应不同的数据集和风险场景；也可以处理非线性问题，如信用评分、欺诈检测等，能够更准确地预测风险。

图5示意性示出了根据图4对机器学习初始模型进行训练的流程图。

如图5所示，在本公开实施例中，上述操作S404使用训练数据集和实际风险类型，对机器学习初始模型进行训练，可以进一步包括以下操作S501～操作S503。

在操作S501，使用机器学习初始模型来识别训练数据集中的一个训练数据的预测风险类型。

在操作S502，根据损失函数计算预测风险类型与训练数据集中一个训练数据的实际风险类型之间的差异。

根据损失函数计算出的差值，该差异越大，表示机器学习初始模型的预测结果越不准确。

在操作S503，在差异符合预设条件的情况下，根据差异调整机器学习初始模型的参数，并针对训练数据集中的另一个训练数据，返回上述操作S501。

通过上述的实施例，本公开可以对训练数据集中的一个训练数据，通过比较使用机器学习初始模型识别出的预测风险类型，与该训练数据已标记的实际风险类型之间的差异，不断对机器学习初始模型的参数进行调整和优化，以此类推，得到最佳模型，也即形成训练好的机器学习模型。

图6示意性示出了根据本公开实施例的潜在风险类型的识别过程的流程图。

如图6所示，在本公开实施例中，上述操作S322使用机器学习模型，识别样本数据集中每个样本数据的至少一个潜在风险类型，还可以包括操作S601～操作S602。

在操作S601，使用测试数据集对训练好的机器学习模型进行评估。

在操作S602，在评估结果符合预设的多个评估指标的情况下，确定训练好的机器学习模型测试通过，使用训练好的机器学习模型，识别样本数据集中每个样本数据的至少一个潜在风险类型。

例如，通过测试数据集对训练好的机器学习模型进行评估，评估结果可以是模型的准确率和召回率。相应地，预设的多个评估指标可以为准确率阈值和召回率阈值。在评估结果分别符合准确率阈值和召回率阈值的情况下，确定上述训练好的机器学习模型通过测试。进而，可以使用该训练好的机器学习模型对未知数据进行预测和分类，自动识别出可能存在的风险。

需要说明的是，潜在风险类型在不同行业可能有不同的划分。例如，在银行行业中，可能包括信用卡欺诈、个人贷款逾期、信用评级不良、黑名单等情况。在其他行业，潜在风险类型则可能涉及信息泄露、网络攻击等方面。具体的潜在风险类型本公开不做限制。

接着，根据风险识别结果制定相应的初始风控规则，该初始风控规则例如可以包括交易限额、交易频率、交易时间、交易地点、交易对象。

图7示意性示出了根据本公开实施例的根据潜在风险类型制定初始风控规则的流程图。

如图7所示，在本公开实施例中，上述操作S323根据至少一个潜在风险类型，制定每个样本数据的初始风控规则，可以包括操作S701～操作S705。

在操作S701，在潜在风险类型为第一风险类型时，对可能存在风险的用户或行为进行预警提示。由此，可以提高注意力和警惕性，防止进一步风险的发生。

在操作S702，在潜在风险类型为第二风险类型时，对用户或行为进行风险评估。由此，为后续决策提供基础数据。

在操作S703，在潜在风险类型为第三风险类型时，根据用户的信用评级，设置对应的信用额度和信用期限。

在操作S704，在潜在风险类型为第四风险类型时，对用户或行为进行权限限制。

例如，该第四风险类型为欺诈行为，本操作可以对存在欺诈行为的用户进行限制或禁止该用户使用服务。

在操作S705，在潜在风险类型为第五风险类型时，对每个样本数据进行深度分析和挖掘。

对风险识别结果进行深度分析和挖掘，可以发掘出不同行业的风险趋势、风险类型和风险分级等信息，为以后的风险控制提供参考依据。

需要说明的是，上述操作S701～操作S705并非依次进行的，而是并行的初始风控规则的制定方案，也即对于任一潜在风险类型，可以在这五项操作中选取对应的某一制定方案。

通过上述的实施例，本公开根据不同的风险识别结果，也即潜在风险类型，可以制定不同的初始风控规则。总之，根据不同行业和业务的特点，可以制定个性化的风控规则，保证规则的合理性和有效性，降低风险并保护企业和用户的利益，减少客户损失。并且，本公开提供的方法，还可以提高综合风控能力和应对复杂风险的能力。

接下来，根据初始风控规则的实际执行效果和客户的反馈，对初始风控规则进行优化，提高规则的准确性和可靠性。该优化可以包括交叉验证、参数调整、模型融合。

具体而言，交叉验证是一种评估模型性能的方法，它将数据集分成若干个子集，每次使用其中一个子集作为测试集，其余子集作为训练集，重复多次，最终得到多个模型的评估结果，可以更准确地评估模型的性能。

机器学习模型中有很多参数需要调整，如神经网络中的学习率、决策树中的最大深度等，参数调整可以通过网格搜索、随机搜索等方法来寻找最优的参数组合，提高模型的准确性。

模型融合是将多个模型的预测结果进行组合，得到更准确的预测结果的方法。常用的模型融合方法包括投票法、加权平均法、堆叠法等，可以提高模型的泛化能力和鲁棒性。

又例如，对初始风控规则进行优化，还可以进行定期和不定期的评估，定期评估有助于及时发现规则存在的问题，及时进行修正和调整，而不定期评估则有助于对规则进行全面的分析和评估，更好地理解规则、发现规则的瓶颈和优化空间，从而提高规则的性能和效果。

基于上述风控规则的智能推荐方法，本公开还提供了一种风控规则的智能推荐装置。以下将结合图8对该装置进行详细描述。

图8示意性示出了根据本公开实施例的风控规则的智能推荐装置的框图。

如图8所示，该实施例的风控规则的智能推荐装置800包括风险信息获取模块810和风控规则推荐模块820。

风险信息获取模块810，用于响应于客户发起的实时交易请求，获取客户的风险基本信息。在一实施例中，风险信息获取模块810可以用于执行前文描述的操作S210，在此不再赘述。

风控规则推荐模块820，用于根据风险基本信息，从预置的目标风控规则库中确定相匹配的至少一个目标风控规则，并将至少一个目标风控规则推荐至客户。在一实施例中，风控规则推荐模块820可以用于执行前文描述的操作S220，在此不再赘述。

根据本公开的实施例，风险信息获取模块810和风控规则推荐模块820中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，风险信息获取模块810和风控规则推荐模块820中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，风险信息获取模块810和风控规则推荐模块820中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图9示意性示出了根据本公开实施例的适于实现风控规则的智能推荐方法的电子设备的方框图。

如图9所示，根据本公开实施例的电子设备900包括处理器901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 903中，存储有电子设备900操作所需的各种程序和数据。处理器901、ROM902以及RAM 903通过总线904彼此相连。处理器901通过执行ROM 902和/或RAM 903中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 902和RAM 903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备900还可以包括输入/输出(I/O)接口905，输入/输出(I/O)接口905也连接至总线904。电子设备900还可以包括连接至I/O接口905的以下部件中的一项或多项：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的风控规则的智能推荐方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、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。在本公开中，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。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 902和/或RAM 903和/或ROM 902和RAM 903以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的风控规则的智能推荐方法。

在该计算机程序被处理器901执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分909被下载和安装，和/或从可拆卸介质911被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“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设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (10)

1.一种风控规则的智能推荐方法，包括：

响应于客户发起的实时交易请求，获取所述客户的风险基本信息；

根据所述风险基本信息，从预置的目标风控规则库中确定相匹配的至少一个目标风控规则，并将所述至少一个目标风控规则推荐至所述客户。

2.根据权利要求1所述的方法，其中，所述目标风控规则库根据以下方式来预置：

采集与风险控制相关的历史数据集，对所述历史数据集进行预处理，得到样本数据集；

使用机器学习模型，识别所述样本数据集中每个样本数据的至少一个潜在风险类型；

根据所述至少一个潜在风险类型，制定所述每个样本数据的初始风控规则；

根据所述初始风控规则的实际执行效果和客户的反馈，对所述初始风控规则进行优化，得到目标风控规则；

将多个所述目标风控规则进行组合，形成所述目标风控规则库。

3.根据权利要求2所述的方法，其中，所述机器学习模型通过以下方式训练得到：

将所述样本数据集拆分为训练数据集和测试数据集，标记所述训练数据集中每个训练数据的实际风险类型；

从所述训练数据集中提取关键特征；

根据所述关键特征，从预设的多个机器学习模型中选择相匹配的机器学习初始模型；

使用所述训练数据集和所述实际风险类型，对所述机器学习初始模型进行训练，得到训练好的机器学习模型。

4.根据权利要求3所述的方法，其中，所述使用所述训练数据集和所述实际风险类型，对所述机器学习初始模型进行训练，包括：

使用所述机器学习初始模型来识别所述训练数据集中的一个训练数据的预测风险类型；

根据损失函数计算所述预测风险类型与所述训练数据集中所述一个训练数据的实际风险类型之间的差异；

在所述差异符合预设条件的情况下，根据所述差异调整所述机器学习初始模型的参数，并针对所述训练数据集中的另一个训练数据，返回使用所述机器学习初始模型来识别所述训练数据集中的一个训练数据的预测风险类型的操作。

5.根据权利要求3所述的方法，其中，所述使用机器学习模型，识别所述样本数据集中每个样本数据的至少一个潜在风险类型，还包括：

使用所述测试数据集对所述训练好的机器学习模型进行评估；

在评估结果符合预设的多个评估指标的情况下，确定所述训练好的机器学习模型测试通过，使用所述训练好的机器学习模型，识别所述样本数据集中每个样本数据的至少一个潜在风险类型。

6.根据权利要求2所述的方法，其中，所述根据所述至少一个潜在风险类型，制定所述每个样本数据的初始风控规则，包括：

在所述潜在风险类型为第一风险类型时，对可能存在风险的用户或行为进行预警提示；

在所述潜在风险类型为第二风险类型时，对用户或行为进行风险评估；

在所述潜在风险类型为第三风险类型时，根据用户的信用评级，设置对应的信用额度和信用期限；

在所述潜在风险类型为第四风险类型时，对用户或行为进行权限限制；

在所述潜在风险类型为第五风险类型时，对所述每个样本数据进行深度分析和挖掘。

7.一种风控规则的智能推荐装置，包括：

风险信息获取模块，用于响应于客户发起的实时交易请求，获取所述客户的风险基本信息；

风控规则推荐模块，用于根据所述风险基本信息，从预置的目标风控规则库中确定相匹配的至少一个目标风控规则，并将所述至少一个目标风控规则推荐至所述客户。

8.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1～6中任一项所述的方法。

9.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～6中任一项所述的方法。

10.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1～6中任一项所述的方法。