CN116822936A - 一种业务风控的方法、装置、存储介质及电子设备 - Google Patents
一种业务风控的方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116822936A CN116822936A CN202310373694.2A CN202310373694A CN116822936A CN 116822936 A CN116822936 A CN 116822936A CN 202310373694 A CN202310373694 A CN 202310373694A CN 116822936 A CN116822936 A CN 116822936A
- Authority
- CN
- China
- Prior art keywords
- node
- memory
- historical moment
- controlled
- memory characteristics
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000010586 diagram Methods 0.000 claims abstract description 116
- 230000008859 change Effects 0.000 claims abstract description 19
- 230000004927 fusion Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 14
- 230000004931 aggregating effect Effects 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000006386 memory function Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000036962 time dependent Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书公开了一种业务风控的方法、装置、存储介质及电子设备，确定待风控对象，并针对每个历史时刻，确定在该历史时刻以所述待风控对象延伸出的业务链路网络图，作为该历史时刻对应的业务链路网络图。而后，根据每个历史时刻对应的业务链路网络图，确定待风控对象对应的节点记忆特征，以及确定待风控对象对应的图记忆特征，节点记忆特征用于表征所述待风控对象对应的节点所连接的边随时间的变化情况，最后，根据节点记忆特征以及图记忆特征，得到待风控对象的风险结果，以根据待风控对象的风险结果，对待风控对象进行业务风控，图记忆特征可以用于表征业务链路网络图的变化情况，结合该图记忆特征，从而提高了风险预测、风控的准确性。
Description
技术领域
本说明书涉及计算机技术领域，尤其涉及一种业务风控的方法、装置、存储介质及电子设备。
背景技术
随着互联网技术的不断发展，用户可以通过网络在线上平台执行多种业务，商家也可以进驻线上平台为用户提供服务。而为了保证线上平台的信息安全，线上平台需要对用户及商家等业务对象进行风控。
在现有技术中，难以有效并准确地预测出业务平台中存在的业务对象(如用户、商家等)是否存在风险，从而难以保证线上平台的信息安全。
发明内容
本说明书提供一种业务风控的方法、装置、存储介质及电子设备，以提高进行业务风控的准确性，保证数据安全。
本说明书采用下述技术方案：
本说明书提供一种业务风控的方法，包括：
确定待风控对象；
针对每个历史时刻，确定在该历史时刻以所述待风控对象延伸出的业务链路网络图，作为该历史时刻对应的业务链路网络图，业务链路网络图中不同的节点用于表征不同的业务对象，节点之间的边用于表征在该历史时刻之前业务对象之间发生过业务；
根据每个历史时刻对应的业务链路网络图，确定所述待风控对象对应的节点记忆特征，以及确定用于表征各历史时刻对应的业务链路网络图随时间变化情况的图记忆特征，所述节点记忆特征用于表征所述待风控对象对应的节点所连接的边随时间的变化情况；
根据所述节点记忆特征以及所述图记忆特征，得到所述待风控对象的风险结果，以根据所述待风控对象的风险结果，对所述待风控对象进行业务风控。
可选地，根据每个历史时刻对应的业务链路网络图，确定所述待风控对象对应的节点记忆特征，包括：
确定所述待风控对象的属性特征；
根据所述每个历史时刻对应的业务链路网络图，确定在每个历史时刻针对所述待风控对象对应的节点发生的事件，作为目标事件；
根据所述待风控对象的属性特征以及所述目标事件对应的事件特征，确定所述待风控对象对应的节点记忆特征。
可选地，根据所述待风控对象的属性特征以及所述目标事件对应的事件特征，确定所述待风控对象当前的节点记忆特征，具体包括：
针对所述每个历史时刻中的初始时刻，根据该初始时刻发生的目标事件的事件特征以及所述属性特征，得到该初始时刻的节点记忆特征；
针对所述初始时刻之后的每个历史时刻，根据该历史时刻发生的目标事件的事件特征，对上一时刻得到的节点记忆特征进行更新，得到该历史时刻的节点记忆特征；
将所述每个历史时刻中最终历史时刻的节点记忆特征，作为所述待风控对象对应的节点记忆特征。
可选地，根据每个历史时刻对应的业务链路网络图，确定用于表征各历史时刻对应的业务链路网络图随时间变化情况的图记忆特征，包括：
针对每个历史时刻，确定该历史时刻对应的业务链路网络图中各节点在该历史时刻的节点记忆特征；
将各节点在该历史时刻的节点记忆特征进行聚合，得到该历史时刻的综合记忆特征；
根据各历史时刻的综合记忆特征，确定用于表征各历史时刻对应的业务链路网络图随时间变化情况的图记忆特征。
可选地，将各节点在该历史时刻的节点记忆特征进行聚合，得到该历史时刻的综合记忆特征，包括：
将同一类型节点在该历史时刻的节点记忆特征进行融合，得到该类型下节点的融合记忆特征；
将各类型下节点的融合记忆特征进行拼接，得到拼接后的节点记忆特征；
根据所述拼接后的节点记忆特征，确定所述综合记忆特征。
可选地，根据所述节点记忆特征以及所述图记忆特征，得到所述待风控对象的风险结果，具体包括：
确定所述待风控对象在最终历史时刻的业务链路网络图中对应节点的邻居节点；
针对每个邻居节点，将该邻居节点对应的节点记忆特征与该节点对应的节点记忆特征进行融合，得到该邻居节点对应的融合特征；
将各邻居节点对应的融合特征进行聚合，得到所述待风控对象的节点对应的节点特征；
根据所述节点特征以及所述图记忆特征，得到所述待风控对应的风险结果。
可选地，根据所述变化记录，确定所述待风控对象在所述业务链路网络图中节点对应的节点记忆特征，以及所述业务链路网络图对应的图记忆特征，包括：
将每个历史时刻的业务链路网络图输入到预先训练的风控模型中，以通过所述风控模型中的节点记忆子网络，确定所述节点记忆特征，以及通过所述风控模型中的图记忆子网络，确定所述图记忆特征；
根据所述节点记忆特征以及所述图记忆特征，得到所述待风控对象的风险结果，包括：
将所述节点记忆特征以及所述图记忆特征输入到所述风控模型中的预测子网络中，得到所述风险结果。
可选地，训练所述风控模型，包括：
获取训练样本，所述训练样本包括目标对象在各历史时刻对应的业务链路网络图，以及所述目标对象对应的标注信息；
将所述目标对象在各历史时刻对应的业务链路网络图输入到所述风控模型中，以通过所述节点记忆子网络确定所述目标对象对应的节点记忆特征，以及通过所述图记忆子网络确定所述目标对象对应的图记忆特征；
将所述目标对象对应的节点记忆特征以及所述目标对象对应的图记忆特征输入到所述预测子网络中，预测出所述目标对象的风险结果；
以最小化预测出的所述目标对象的风险结果与所述目标对象对应的标注信息之间的偏差为优化目标，对所述风控模型进行训练。
本说明书提供一种业务风控的装置，包括：
对象确定模块，用于确定待风控对象；
图确定模块，用于针对每个历史时刻，确定在该历史时刻以所述待风控对象延伸出的业务链路网络图，作为该历史时刻对应的业务链路网络图，业务链路网络图中不同的节点用于表征不同的业务对象，节点之间的边用于表征在该历史时刻之前业务对象之间发生过业务；
记忆特征确定模块，用于根据每个历史时刻对应的业务链路网络图，确定所述待风控对象对应的节点记忆特征，以及确定用于表征各历史时刻对应的业务链路网络图随时间变化情况的图记忆特征，所述节点记忆特征用于表征所述待风控对象对应的节点所连接的边随时间的变化情况；
风控模块，用于根据所述节点记忆特征以及所述图记忆特征，得到所述待风控对象的风险结果，以根据所述待风控对象的风险结果，对所述待风控对象进行业务风控。
可选地，所述记忆特征确定模块具体用于，确定所述待风控对象的属性特征；根据所述每个历史时刻对应的业务链路网络图，确定在每个历史时刻针对所述待风控对象对应的节点发生的事件，作为目标事件；根据所述待风控对象的属性特征以及所述目标事件对应的事件特征，确定所述待风控对象对应的节点记忆特征。
可选地，所述记忆特征确定模块具体用于，针对所述每个历史时刻中的初始时刻，根据该初始时刻发生的目标事件的事件特征以及所述属性特征，得到该初始时刻的节点记忆特征；针对所述初始时刻之后的每个历史时刻，根据该历史时刻发生的目标事件的事件特征，对上一时刻得到的节点记忆特征进行更新，得到该历史时刻的节点记忆特征；将所述每个历史时刻中最终历史时刻的节点记忆特征，作为所述待风控对象对应的节点记忆特征。
可选地，所述记忆特征确定模块具体用于，针对每个历史时刻，确定该历史时刻对应的业务链路网络图中各节点在该历史时刻的节点记忆特征；将各节点在该历史时刻的节点记忆特征进行聚合，得到该历史时刻的综合记忆特征；根据各历史时刻的综合记忆特征，确定所述业务链路网络图对应的图记忆特征。
可选地，所述记忆特征确定模块具体用于，将同一类型节点在该历史时刻的节点记忆特征进行融合，得到该类型下节点的融合记忆特征；将各类型下节点的融合记忆特征进行拼接，得到拼接后的节点记忆特征；根据所述拼接后的节点记忆特征，确定所述综合记忆特征。
本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述业务风控的方法。
本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述业务风控的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
在本说明书中提供的业务风控的方法中，可以确定待风控对象，并针对每个历史时刻，确定在该历史时刻以所述待风控对象延伸出的业务链路网络图，作为该历史时刻对应的业务链路网络图，业务链路网络图中不同的节点用于表征不同的业务对象，节点之间的边用于表征在该历史时刻之前业务对象之间发生过业务。而后，根据每个历史时刻对应的业务链路网络图，确定待风控对象对应的节点记忆特征，以及确定用于表征各历史时刻对应的业务链路网络图随时间变化情况的图记忆特征，节点记忆特征用于表征所述待风控对象对应的节点所连接的边随时间的变化情况，最后，根据节点记忆特征以及图记忆特征，得到待风控对象的风险结果，以根据待风控对象的风险结果，对待风控对象进行业务风控。
从上述内容中可以看出，本说明书中提供的业务风控的方法，可以考虑到通过待风控对象相关的业务活动得到的业务链路网络图的变化，确定出能够表示与待风控对象对应节点相关变化的节点记忆特征，以及与整个业务链路网络图变化相关的图记忆特征，从而结合两个特征来对用户的风险情况进行预测，从而提高了风险预测、风控的准确性。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附
图中：
图1为本说明书中一种业务风控的方法的流程示意图；
图2为本说明书中提供的一种业务链路网络图的示意图；
图3为本说明书中提供的一种风控模型的结构示意图；
图4为本说明书提供的一种业务风控的装置示意图；
图5为本说明书提供的一种对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书中一种业务风控的方法的流程示意图，具体包括以下步骤：
S100：确定待风控对象。
S102：针对每个历史时刻，确定在该历史时刻以所述待风控对象延伸出的业务链路网络图，作为该历史时刻对应的业务链路网络图，业务链路网络图中不同的节点用于表征不同的业务对象，节点之间的边用于表征在该历史时刻之前业务对象之间发生过业务。
在实际应用中，业务平台需要针对业务平台内的业务对象进行风控，以避免业务平台内的业务对象存在一定的风险，导致业务平台存在安全隐患。其中，业务平台可以针对业务平台内的业务对象的账户交易进行监管，以识别出业务平台内存在较高风险的业务对象，进而对这样的业务对象进行风控。
基于此，业务平台可以确定出待风控对象，并针对每个历史时刻，确定在该历史时刻以该待风控对象延伸出的业务链路网络图，作为该历史时刻对应的业务链路网络图，业务链路网络图中不同的节点用于表征不同的业务对象，节点之间的边用于表征在该历史时刻之前业务对象之间发生过业务。
这里提到的以该待风控对象延伸出的业务链路网络图，可以是指以该待风控对象为出发点构建出的表示与该待风控对象相关的业务链路，该业务链路可以是指该待风控对象的账户的资金交易链路。
而之所以说该业务链路网络图是以该待风控对象延伸出的，是指该业务链路网络图中至少需要包括该待风控对象对应的节点，该业务链路网络图中的节点可以是与该待风控对象进行过交易的业务对象的节点，也可以是间接与该待风控对象存在业务关系的节点(如，与该待风控对象进行过交易的业务对象之间存在交易)，即，该业务链路网络图可以表示出以该待风控对象延伸出n层的业务链路。
下面针对该业务链路网络图进行举例说明，如图2所示。
图2为本说明书中提供的一种业务链路网络图的示意图。
在图2中，标为黑色的节点代表待风控对象，该业务链路网络图是以待风控对象延伸出两层的业务链路网络图，可以看出，节点A代表与待风控对象之间存在交易的业务对象，节点B对应的业务对象与节点A对应的业务对象之间存在交易。
随着时间，随着业务对象之间产生的业务往来，业务链路网络图会不断变化，因此，为了在后续过程中确定节点记忆特征以及图记忆特征，可以确定出待风控对象在每一历史时刻的业务链路网络图，从而通过业务链路网络图的变化，确定出节点记忆特征以及图记忆特征。
S104：根据每个历史时刻对应的业务链路网络图，确定所述待风控对象对应的节点记忆特征，以及确定用于表征各历史时刻对应的业务链路网络图随时间变化情况的图记忆特征，所述节点记忆特征用于表征所述待风控对象对应的节点所连接的边随时间的变化情况。
S106：根据所述节点记忆特征以及所述图记忆特征，得到所述待风控对象的风险结果，以根据所述待风控对象的风险结果，对所述待风控对象进行业务风控。
确定出待风控对象对应的业务链路网络图后，可以根据每个历史时刻对应的业务链路网络图，确定出该待风控对象对应的节点记忆特征，以及用于表征各历史时刻对应的业务链路网络图随时间变化情况的图记忆特征(可以作为该待风控对象对应的图记忆特征)，并根据节点记忆特征以及图记忆特征，得到待风控对象的风险结果，以确定出待风控对象是否存在风险，继而根据该风险结果，对该待风控对象进行业务风控。
其中，节点记忆特征用于表征该待风控对象对应的节点相连接的边随时间的变化情况，图记忆特征用于表征业务链路网络图随时间的变化情况。
也就是说，随着时间，以待风控对象延伸出的业务链路网络图可能会发生变化，例如，业务对象之间多了一笔交易记录，则可以产生节点之间的边，对于待风控对象也是如此，当产生与待风控对象相关的交易记录，则可以产生待风控对象与其他业务对象对应节点之间的边，上述提到的节点记忆特征用于将与待风控对象直接相关的变化记录下来，而对于业务链路网络图来说，上述图记忆特征用于将该业务链路网络图的变化记录下来。
之所以使用节点记忆特征以及图记忆特征来进行业务对象风险的预测，是因为与业务对象相关的业务链路(如交易链路)的变化可能能够显示出业务对象是否存在风险。
具体的，可以确定所述待风控对象的属性特征；根据每个历史时刻对应的业务链路网络图，确定在每个历史时刻针对待风控对象对应的节点发生的事件，作为目标事件，根据待风控对象的属性特征以及目标事件对应的事件特征，确定所述待风控对象对应的节点记忆特征。
上述提到的针对待风控对象对应的节点发生事件，可以是指在业务链路网络图中新增了与该节点相连的边(以交易链路为例，可以是待风控对象发生了一笔交易，所导致产生了一条与待风控对象连接的边)。
上述提到的属性特征可以是指待风控对象本身具有的一些信息，例如，若待风控对象为个人账户，则属性特征可以包括性别、年龄等特征，可以看出，若待风控对象的类型(即，节点类型不同)，对应的属性特征的特征维度也可以是不同的。
不同事件对应的事件特征，可以是不同的，即，可以存在事件对应的一种特征向量，作为某一个事件对应的事件特征。从而，节点的节点记忆特征可以将发生的与该节点相关的事件记录下来。
其中，根据该待风控对象的属性特征以及该目标事件对应的事件特征，确定该待风控对象当前的节点记忆特征，可以是迭代的过程。
针对每个历史时刻中的初始时刻，可以根据该初始时刻发生的目标事件的事件特征以及属性特征，得到该初始时刻的节点记忆特征，针对所述初始时刻之后的每个历史时刻，根据该历史时刻发生的目标事件的事件特征，对上一时刻得到的节点记忆特征进行更新，得到该历史时刻的节点记忆特征，最后，可以将每个历史时刻中最终历史时刻的节点记忆特征，作为待风控对象对应的节点记忆特征。
即，确定待风控对象对应的节点记忆特征，可以是通过新产生的事件，不断对历史上确定出的节点记忆特征更新的过程。例如，可以通过循环神经网络等记忆函数对节点记忆特征进行更新，即，可以将上一时刻确定出的节点记忆特征和当前时刻发生的目标时间的事件特征输入到循环神经网络中，得到当前时刻的节点记忆特征。
对节点记忆特征的更新过程，也可以是一段时间更新一次的，即，可以将待风控对象的属性特征作为节点的历史记忆特征，而后，在每一时段内，若确定业务链路网络图中针对待风控对象对应的节点发生目标事件，可以根据目标事件对应的事件特征，对待风控对象的历史记忆特征进行更新，并将更新后的历史记忆特征，作为当前的节点记忆特征。在下一时段，则可以将上一时段更新得到的节点记忆特征作为历史记忆特征，通过下一时段发生的目标事件的事件特征，更新该历史记忆特征，得到下一时段内确定出的当前的节点记忆特征，这样，可以迭代地确定出每一时段的节点记忆特征，从而将最后确定出的节点记忆特征，作为该待风控对象的节点记忆特征。
需要说明的是，各节点的节点记忆特征可以用于确定出图记忆特征，并且，可以通过待风控对象对应的节点记忆特征，进一步地确定出用于预测待风控对象是否存在风险的节点特征，并通过节点特征和图记忆特征共同预测出待风控对象的风控对象。
具体的，可以针对每个历史时刻，确定该历史时刻对应的业务链路网络图中各节点在该历史时刻的节点记忆特征；并将各节点在该历史时刻的节点记忆特征进行聚合，得到该历史时刻的综合记忆特征；根据各历史时刻的综合记忆特征，确定用于表征各历史时刻对应的业务链路网络图随时间的变化情况的图记忆特征。
与针对节点记忆特征的迭代更新方式类似，在确定图记忆特征时，可以将每个历史时刻中初始时刻的综合记忆特征，作为初始的图记忆特征，针对初始时刻之后的每个历史时刻，可以根据该历史时刻的综合记忆特征，对上一时刻的图记忆特征进行更新，得到更新后的图记忆特征，对于该历史时刻的下一时刻，可以根据下一时刻的综合记忆特征对上一时刻更新得到的图记忆特征继续进行更新，最后，可以将最终历史时刻的图记忆特征，作为用于表征各历史时刻对应的业务链路网络图随时间的变化情况的图记忆特征。
其中，由于业务链路网络图中可以存在有不同类型的节点，而不同类型的节点所具有的特征维度可以是不同的，例如，业务链路网络图中可以存在有代表用户的节点，还可以存在有代表商家的节点，这两类节点的类型不同，所具有的特征维度也可以是不同的。
因此，在确定当前的图记忆特征时，可以先将业务链路网络图中同一类型下的节点的节点记忆特征进行融合，得到该类型下节点的融合记忆特征，再将各类型下节点的融合记忆特征进行拼接，得到拼接后的节点记忆特征。进而，根据拼接后的节点记忆特征，确定综合记忆特征。从而，可以通过该综合记忆特征和历史上的图记忆特征，来确定出当前的图记忆特征。
具体，确定图记忆特征的公式可以如下所示：
P(t)＝MLP(concat(P1(t),…,PC(t)))
g(t)＝mem((P(t),g(t―))
其中，在上述公式中，假设存在有C种类型的节点，代表在t时刻第c种类型的节点的节点记忆特征，Pc(t)代表将t时刻第c种类型的节点的节点记忆特征取平均以进行融合得到的融合记忆特征，P(t)代表t时刻通过将各融合记忆特征拼接得到的综合记忆特征，g(t)代表将t时刻确定出的综合记忆特征与t时刻之前确定出的历史图记忆特征输入到记忆函数(该记忆函数可以是循环神经网络)中，得到的当前t时刻的图记忆特征，上述Vc([0,t]表示业务链路网络图为第t时刻的状态。
需要说明的是，由于可以迭代地确定出每一时段的节点记忆特征，那么，在确定图记忆特征时，和节点记忆特征可以是类似的。可以在每一时段，确定出在该时段通过各节点当前的节点记忆特征，聚合得到的综合记忆特征，而后，将该综合记忆特征与历史图记忆特征输入到预设的记忆函数(如：循环神经网络)中，得到这一时段更新后的图记忆特征。在下一时段，将上一时段得到的更新后的图记忆特征，作为历史图记忆特征，通过这一时段得到的各节点的节点记忆特征，确定出综合记忆特征后，再将综合记忆特征与历史图记忆特征输入到记忆函数中，从而可以得到这一时段更新后的图记忆特征。
还需说明的是，在风险预测时，可以通过节点记忆特征，进行邻居聚合，得到待风控对象的节点特征，再通过节点特征与图记忆特征，进行待风控对象的风险预测。
具体的，可以确定待风控对象在业务链路网络图中对应节点的邻居节点，并针对每个邻居节点，将该邻居节点对应的节点记忆特征与该节点对应的节点记忆特征进行融合，得到该邻居节点对应的融合特征，进而，将各邻居节点对应的融合特征进行聚合，得到待风控对象的节点对应的节点特征，根据节点特征以及图记忆特征进行风险预测，得到待风控对应的风险结果。
具体确定节点特征的过程，可以如下公式所示：
rj(t)＝h(si(t)，sj(t)，eij，vi(t)，vj(t))
在上述公式中，需要求的是节点i的节点特征，节点j为节点i的邻居节点，si(t)为第t时刻节点i的节点记忆特征，sj(t)为第t时刻节点j的节点记忆特征，rj(t)为将节点j对应的节点记忆特征与该节点i对应的节点记忆特征进行融合，得到的节点j对应的融合特征。
上述表示业务链路网络图为第t时刻的状态。eij为节点i与节点j之间的边，vi(t)为与节点i相关第t时刻发生的事件，vj(t)为与节点j相关第t时刻发生的事件。
ui(t)为确定出的节点i的节点特征，可以看出ui(t)是将节点i所有的邻居节点：节点j对应的融合特征进行聚合得到的。
具体的，可以通过预先训练出的风控模型来预测出待风控对象的风险结果，风控模型的结构具体可以如图3所示。
图3为本说明书中提供的一种风控模型的结构示意图。
在风控模型中可以存在两个模块分别用于确定节点记忆特征(节点记忆子网络)和图记忆特征(图记忆子网络)，这两个模块可以并行运行。可以将业务链路网络图以及业务链路网络图的变化记录输入到预先训练的风控模型中，以通过风控模型中的节点记忆子网络，确定节点记忆特征，以及通过风控模型中的图记忆子网络，确定图记忆特征，进而，根据节点记忆特征以及图记忆特征，得到待风控对象的风险结果；而后，将节点记忆特征以及图记忆特征输入到风控模型中的预测子网络中，得到风险结果。
需要对上述风控模型进行训练，再通过该风控模型来预测待风控对象的风险情况。
因此，可以获取训练样本，训练样本包括目标对象在各历史时刻对应的业务链路网络图，以及目标对象对应的标注信息，而后，可以将目标对象在各历史时刻对应的业务链路网络图输入到风控模型中，以通过节点记忆子网络确定目标对象对应的节点记忆特征，以及通过图记忆子网络确定目标对象对应的图记忆特征。进而，可以将目标对象对应的节点记忆特征以及目标对象对应的图记忆特征输入到预测子网络(可以是全连接层)中，预测出目标对象的风险结果，并以最小化预测出的目标对象的风险结果与目标对象对应的标注信息之间的偏差为优化目标，对风控模型进行训练。
从上述内容中可以看出，本说明书中提供的业务风控的方法，可以考虑到通过待风控对象的业务活动得到的业务链路网络图的变化，确定出能够表示与待风控对象对应节点相关变化的节点记忆特征，以及与整个业务链路网络图变化相关的图记忆特征，从而结合两个特征来对用户的风险情况进行预测，从而提高了风险预测、风控的准确性。
以上为本说明书的一个或多个实施例提供的业务风控的方法，基于同样的思路，本说明书还提供了业务风控的装置，如图4所示。
图4为本说明书提供的一种业务风控的装置示意图，具体包括：
对象确定模块401，用于确定待风控对象；
图确定模块402，用于针对每个历史时刻，确定在该历史时刻以所述待风控对象延伸出的业务链路网络图，作为该历史时刻对应的业务链路网络图，业务链路网络图中不同的节点用于表征不同的业务对象，节点之间的边用于表征在该历史时刻之前业务对象之间发生过业务；
记忆特征确定模块403，用于根据每个历史时刻对应的业务链路网络图，确定所述待风控对象对应的节点记忆特征，以及确定用于表征各历史时刻对应的业务链路网络图随时间变化情况的图记忆特征，所述节点记忆特征用于表征所述待风控对象对应的节点所连接的边随时间的变化情况；
风控模块404，用于根据所述节点记忆特征以及所述图记忆特征，得到所述待风控对象的风险结果，以根据所述待风控对象的风险结果，对所述待风控对象进行业务风控。
可选地，所述记忆特征确定模块403具体用于，确定所述待风控对象的属性特征；根据所述每个历史时刻对应的业务链路网络图，确定在每个历史时刻针对所述待风控对象对应的节点发生的事件，作为目标事件；根据所述待风控对象的属性特征以及所述目标事件对应的事件特征，确定所述待风控对象对应的节点记忆特征。
可选地，所述记忆特征确定模块403具体用于，针对所述每个历史时刻中的初始时刻，根据该初始时刻发生的目标事件的事件特征以及所述属性特征，得到该初始时刻的节点记忆特征；针对所述初始时刻之后的每个历史时刻，根据该历史时刻发生的目标事件的事件特征，对上一时刻得到的节点记忆特征进行更新，得到该历史时刻的节点记忆特征；将所述每个历史时刻中最终历史时刻的节点记忆特征，作为所述待风控对象对应的节点记忆特征。
可选地，所述记忆特征确定模块403具体用于，针对每个历史时刻，确定该历史时刻对应的业务链路网络图中各节点在该历史时刻的节点记忆特征；将各节点在该历史时刻的节点记忆特征进行聚合，得到该历史时刻的综合记忆特征；根据各历史时刻的综合记忆特征，确定用于表征各历史时刻对应的业务链路网络图随时间变化情况的图记忆特征。
可选地，所述记忆特征确定模块403具体用于，将同一类型节点在该历史时刻的节点记忆特征进行融合，得到该类型下节点的融合记忆特征；将各类型下节点的融合记忆特征进行拼接，得到拼接后的节点记忆特征；根据所述拼接后的节点记忆特征，确定所述综合记忆特征。
可选地，所述风控模块404具体用于，确定所述待风控对象在最终历史时刻的所述业务链路网络图中对应节点的邻居节点；针对每个邻居节点，将该邻居节点对应的节点记忆特征与该节点对应的节点记忆特征进行融合，得到该邻居节点对应的融合特征；将各邻居节点对应的融合特征进行聚合，得到所述待风控对象的节点对应的节点特征；根据所述节点特征以及所述图记忆特征，得到所述待风控对应的风险结果。
可选地，所述风控模块404具体用于，用于将每个历史时刻的所述业务链路网络图输入到预先训练的风控模型中，以通过所述风控模型中的节点记忆子网络，确定所述节点记忆特征，以及通过所述风控模型中的图记忆子网络，确定所述图记忆特征；将所述节点记忆特征以及所述图记忆特征输入到所述风控模型中的预测子网络中，得到所述风险结果。
可选地，所述装置还包括：
训练模块405，用于获取训练样本，所述训练样本包括目标对象在各历史时刻对应的业务链路网络图，以及所述目标对象对应的标注信息；将所述目标对象在各历史时刻对应的业务链路网络图输入到所述风控模型中，以通过所述节点记忆子网络确定所述目标对象对应的节点记忆特征，以及通过所述图记忆子网络确定所述目标对象对应的图记忆特征；将所述目标对象对应的节点记忆特征以及所述目标对象对应的图记忆特征输入到所述预测子网络中，预测出所述目标对象的风险结果；以最小化预测出的所述目标对象的风险结果与所述目标对象对应的标注信息之间的偏差为优化目标，对所述风控模型进行训练。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述业务风控的方法。
本说明书还提供了图5所示的电子设备的示意结构图。如图5所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述业务风控的方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理节点来执行任务。在分布式计算环境中，程序模块可以位于包括存储节点在内的本地和远程计算机存储介质中。
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，对于系统实施例而言，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。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书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 (15)
1.一种业务风控的方法，包括：
确定待风控对象；
针对每个历史时刻，确定在该历史时刻以所述待风控对象延伸出的业务链路网络图，作为该历史时刻对应的业务链路网络图，业务链路网络图中不同的节点用于表征不同的业务对象，节点之间的边用于表征在该历史时刻之前业务对象之间发生过业务；
根据每个历史时刻对应的业务链路网络图，确定所述待风控对象对应的节点记忆特征，以及确定用于表征各历史时刻对应的业务链路网络图随时间变化情况的图记忆特征，所述节点记忆特征用于表征所述待风控对象对应的节点所连接的边随时间的变化情况；
根据所述节点记忆特征以及所述图记忆特征，得到所述待风控对象的风险结果，以根据所述待风控对象的风险结果，对所述待风控对象进行业务风控。
2.如权利要求1所述的方法，根据每个历史时刻对应的业务链路网络图，确定所述待风控对象对应的节点记忆特征，包括：
确定所述待风控对象的属性特征；
根据所述每个历史时刻对应的业务链路网络图，确定在每个历史时刻针对所述待风控对象对应的节点发生的事件，作为目标事件；
根据所述待风控对象的属性特征以及所述目标事件对应的事件特征，确定所述待风控对象对应的节点记忆特征。
3.如权利要求2所述的方法，根据所述待风控对象的属性特征以及所述目标事件对应的事件特征，确定所述待风控对象当前的节点记忆特征，具体包括：
针对所述每个历史时刻中的初始时刻，根据该初始时刻发生的目标事件的事件特征以及所述属性特征，得到该初始时刻的节点记忆特征；
针对所述初始时刻之后的每个历史时刻，根据该历史时刻发生的目标事件的事件特征，对上一时刻得到的节点记忆特征进行更新，得到该历史时刻的节点记忆特征；
将所述每个历史时刻中最终历史时刻的节点记忆特征，作为所述待风控对象对应的节点记忆特征。
4.如权利要求1所述的方法，根据每个历史时刻对应的业务链路网络图，确定用于表征各历史时刻对应的业务链路网络图随时间变化情况的图记忆特征，包括：
针对每个历史时刻，确定该历史时刻对应的业务链路网络图中各节点在该历史时刻的节点记忆特征；
将各节点在该历史时刻的节点记忆特征进行聚合，得到该历史时刻的综合记忆特征；
根据各历史时刻的综合记忆特征，确定用于表征各历史时刻对应的业务链路网络图随时间变化情况的图记忆特征。
5.如权利要求4所述的方法，将各节点在该历史时刻的节点记忆特征进行聚合，得到该历史时刻的综合记忆特征，包括：
将同一类型节点在该历史时刻的节点记忆特征进行融合，得到该类型下节点的融合记忆特征；
将各类型下节点的融合记忆特征进行拼接，得到拼接后的节点记忆特征；
根据所述拼接后的节点记忆特征，确定所述综合记忆特征。
6.如权利要求1所述的方法，根据所述节点记忆特征以及所述图记忆特征，得到所述待风控对象的风险结果，具体包括：
确定所述待风控对象在最终历史时刻的业务链路网络图中对应节点的邻居节点；
针对每个邻居节点，将该邻居节点对应的节点记忆特征与该节点对应的节点记忆特征进行融合，得到该邻居节点对应的融合特征；
将各邻居节点对应的融合特征进行聚合，得到所述待风控对象的节点对应的节点特征；
根据所述节点特征以及所述图记忆特征，得到所述待风控对应的风险结果。
7.如权利要求1所述的方法，根据所述变化记录，确定所述待风控对象在所述业务链路网络图中节点对应的节点记忆特征，以及所述业务链路网络图对应的图记忆特征，包括：
将每个历史时刻的业务链路网络图输入到预先训练的风控模型中，以通过所述风控模型中的节点记忆子网络，确定所述节点记忆特征，以及通过所述风控模型中的图记忆子网络，确定所述图记忆特征；
根据所述节点记忆特征以及所述图记忆特征，得到所述待风控对象的风险结果，包括：
将所述节点记忆特征以及所述图记忆特征输入到所述风控模型中的预测子网络中，得到所述风险结果。
8.如权利要求7所述的方法，训练所述风控模型，包括：
获取训练样本，所述训练样本包括目标对象在各历史时刻对应的业务链路网络图，以及所述目标对象对应的标注信息；
将所述目标对象在各历史时刻对应的业务链路网络图输入到所述风控模型中，以通过所述节点记忆子网络确定所述目标对象对应的节点记忆特征，以及通过所述图记忆子网络确定所述目标对象对应的图记忆特征；
将所述目标对象对应的节点记忆特征以及所述目标对象对应的图记忆特征输入到所述预测子网络中，预测出所述目标对象的风险结果；
以最小化预测出的所述目标对象的风险结果与所述目标对象对应的标注信息之间的偏差为优化目标，对所述风控模型进行训练。
9.一种业务风控的装置，包括：
对象确定模块，用于确定待风控对象；
图确定模块，用于针对每个历史时刻，确定在该历史时刻以所述待风控对象延伸出的业务链路网络图，作为该历史时刻对应的业务链路网络图，业务链路网络图中不同的节点用于表征不同的业务对象，节点之间的边用于表征在该历史时刻之前业务对象之间发生过业务；
记忆特征确定模块，用于根据每个历史时刻对应的业务链路网络图，确定所述待风控对象对应的节点记忆特征，以及确定用于表征各历史时刻对应的业务链路网络图随时间变化情况的图记忆特征，所述节点记忆特征用于表征所述待风控对象对应的节点所连接的边随时间的变化情况；
风控模块，用于根据所述节点记忆特征以及所述图记忆特征，得到所述待风控对象的风险结果，以根据所述待风控对象的风险结果，对所述待风控对象进行业务风控。
10.如权利要求9所述的装置，所述记忆特征确定模块具体用于，确定所述待风控对象的属性特征；根据所述每个历史时刻对应的业务链路网络图，确定在每个历史时刻针对所述待风控对象对应的节点发生的事件，作为目标事件；根据所述待风控对象的属性特征以及所述目标事件对应的事件特征，确定所述待风控对象对应的节点记忆特征。
11.如权利要求10所述的装置，所述记忆特征确定模块具体用于，针对所述每个历史时刻中的初始时刻，根据该初始时刻发生的目标事件的事件特征以及所述属性特征，得到该初始时刻的节点记忆特征；针对所述初始时刻之后的每个历史时刻，根据该历史时刻发生的目标事件的事件特征，对上一时刻得到的节点记忆特征进行更新，得到该历史时刻的节点记忆特征；将所述每个历史时刻中最终历史时刻的节点记忆特征，作为所述待风控对象对应的节点记忆特征。
12.如权利要求9所述的装置，所述记忆特征确定模块具体用于，针对每个历史时刻，确定该历史时刻对应的业务链路网络图中各节点在该历史时刻的节点记忆特征；将各节点在该历史时刻的节点记忆特征进行聚合，得到该历史时刻的综合记忆特征；根据各历史时刻的综合记忆特征，确定用于表征各历史时刻对应的业务链路网络图随时间变化情况的图记忆特征。
13.如权利要求12所述的装置，所述记忆特征确定模块具体用于，将同一类型节点在该历史时刻的节点记忆特征进行融合，得到该类型下节点的融合记忆特征；将各类型下节点的融合记忆特征进行拼接，得到拼接后的节点记忆特征；根据所述拼接后的节点记忆特征，确定所述综合记忆特征。
14.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～8任一项所述的方法。
15.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述权利要求1～8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310373694.2A CN116822936A (zh) | 2023-04-04 | 2023-04-04 | 一种业务风控的方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310373694.2A CN116822936A (zh) | 2023-04-04 | 2023-04-04 | 一种业务风控的方法、装置、存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116822936A true CN116822936A (zh) | 2023-09-29 |
Family
ID=88122947
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310373694.2A Pending CN116822936A (zh) | 2023-04-04 | 2023-04-04 | 一种业务风控的方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116822936A (zh) |
-
2023
- 2023-04-04 CN CN202310373694.2A patent/CN116822936A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107679686B (zh) | 一种业务执行方法及装置 | |
| CN111966334B (zh) | 一种业务处理方法、装置及设备 | |
| CN110008991B (zh) | 风险事件的识别、风险识别模型的生成方法、装置、设备及介质 | |
| CN116011815A (zh) | 一种模型训练的方法、装置、电子设备及存储介质 | |
| CN110516915B (zh) | 业务节点训练、评估方法、装置及电子设备 | |
| CN116757278B (zh) | 一种预测模型的训练方法、装置、存储介质及电子设备 | |
| CN116822606A (zh) | 一种异常检测模型的训练方法、装置、设备及存储介质 | |
| CN116578877A (zh) | 一种模型训练及二次优化打标的风险识别的方法及装置 | |
| CN113343085B (zh) | 一种信息推荐方法、装置、存储介质及电子设备 | |
| CN116822936A (zh) | 一种业务风控的方法、装置、存储介质及电子设备 | |
| EP3425508A1 (en) | Method and apparatus for checking integrity of distributed service processing | |
| CN111598644B (zh) | 一种物品推荐方法、装置以及介质 | |
| CN114120273A (zh) | 一种模型训练的方法及装置 | |
| CN114331602A (zh) | 一种基于迁移学习的模型训练方法、信息推荐方法及装置 | |
| CN116996397B (zh) | 一种网络丢包优化的方法、装置、存储介质及电子设备 | |
| CN117348999B (zh) | 一种业务执行系统及业务执行方法 | |
| CN116340852B (zh) | 一种模型训练、业务风控的方法及装置 | |
| CN111461352B (zh) | 模型训练、业务节点识别方法、装置及电子设备 | |
| CN117786061B (zh) | 一种基于时空注意力机制的大语言模型预测方法及装置 | |
| CN117575611A (zh) | 一种风险识别的方法、装置、存储介质及电子设备 | |
| CN117744836A (zh) | 一种支付方式推荐模型的训练方法及装置 | |
| CN117591703A (zh) | 一种图数据优化方法、装置、存储介质及电子设备 | |
| CN117909926A (zh) | 一种风险识别方法、装置、存储介质及电子设备 | |
| CN117312870A (zh) | 一种业务风控的方法、装置、存储介质及电子设备 | |
| CN116453615A (zh) | 一种预测方法、装置、可读存储介质及电子设备 |
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 |