CN116977095A - 一种动态风控预警方法、装置、计算机设备及存储介质 - Google Patents
一种动态风控预警方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116977095A CN116977095A CN202310849696.4A CN202310849696A CN116977095A CN 116977095 A CN116977095 A CN 116977095A CN 202310849696 A CN202310849696 A CN 202310849696A CN 116977095 A CN116977095 A CN 116977095A
- Authority
- CN
- China
- Prior art keywords
- risk
- wind control
- data
- control rule
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000013058 risk prediction model Methods 0.000 claims abstract description 55
- 230000006978 adaptation Effects 0.000 claims abstract description 34
- 238000012502 risk assessment Methods 0.000 claims abstract description 17
- 230000003044 adaptive effect Effects 0.000 claims description 125
- 238000012549 training Methods 0.000 claims description 53
- 238000002372 labelling Methods 0.000 claims description 38
- 239000013598 vector Substances 0.000 claims description 31
- 238000004458 analytical method Methods 0.000 claims description 26
- 238000011156 evaluation Methods 0.000 claims description 26
- 238000012795 verification Methods 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 11
- 238000007621 cluster analysis Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 14
- 238000012954 risk control Methods 0.000 abstract description 13
- 238000005516 engineering process Methods 0.000 abstract description 12
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000008676 import Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Finance (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Accounting & Taxation (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Technology Law (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开一种动态风控预警方法、装置、计算机设备及存储介质,属于人工智能技术领域和产险金融技术领域。本申请通过获取历史风控规则数据和历史适配险种,对历史风控规则数据进行标注,构建数据集,并基于数据集训练适配险种预测模型,获取待分析风控规则数据,将待分析风控规则数据导入适配险种预测模型,输出适配险种预测结果,根据适配险种预测结果将待分析风控规则数据导入到风控预警规则引擎,使用风控预警规则引擎对待评估风险数据进行风险评估,得到风险评估结果。此外,本申请还涉及区块链技术,待评估风险数据可存储于区块链中。本申请可以实现风险控制的多环节动态切面风险预警,解决风险预警类型单一的问题,提高风险识别的准确性。
Description
技术领域
本申请属于人工智能技术领域和产险金融技术领域,具体涉及一种动态风控预警方法、装置、计算机设备及存储介质。
背景技术
风险控制在金融保险领域扮演着重要角色,通过提前识别和预防风险,成为一种有效的手段,在保险、银行、证券等金融领域,风险控制得到广泛应用。例如,随着国家对农业的重视,农业保险的范围不断扩大,农户数量持续增加,理赔量也逐渐增多,然而目前基于险种风控规则动态预警应用存在一些问题,无法满足农业保险领域快速增长的理赔业务需求。
现有农业保险系统在风险控制方面存在多环节动态切面预警的不足,虽然支持种植险、养殖险、林业险和涉农险等四类险种的动态风险规则配置,但缺乏对不同环节的灵活配置,导致各环节的风险控制效率低下。此外,现有系统仅支持金额类的超额风险预警,对日期和数量类的风险预警支持不足。
发明内容
本申请实施例的目的在于提出一种动态风控预警方法、装置、计算机设备及存储介质,以解决现有农业保险系统在风险控制方面存在多环节预警的不足和风险预警类型单一的技术问题。
为了解决上述技术问题,本申请实施例提供一种动态风控预警方法,采用了如下所述的技术方案:
一种动态风控预警方法,包括:
获取历史风控规则数据,以及获取所述历史风控规则数据对应的适配险种,得到历史适配险种;
基于所述历史适配险种对所述历史风控规则数据进行标注,得到风控规则标注数据;
基于所述风控规则标注数据构建数据集,并基于所述数据集训练适配险种预测模型;
接收风控规则分析指令,获取待分析风控规则数据,将所述待分析风控规则数据导入适配险种预测模型,输出所述待分析风控规则数据的适配险种预测结果;
根据所述适配险种预测结果将所述待分析风控规则数据导入到预设的风控预警规则引擎;
接收风控预警指令,获取待评估风险数据,使用所述风控预警规则引擎对所述待评估风险数据进行风险评估,得到风险评估结果。
进一步地,所述基于所述风控规则标注数据构建数据集,并基于所述数据集训练适配险种预测模型,具体包括:
随机组合所述风控规则标注数据,并按照预设的数据比例构建训练数据集和验证数据集;
基于所述训练数据集对预设的初始预测模型进行训练,得到适配险种预测模型;
基于所述验证数据集对所述适配险种预测模型进行验证,输出验证通过的适配险种预测模型。
进一步地,所述基于所述训练数据集对预设的初始预测模型进行训练,得到适配险种预测模型,具体包括:
对所述训练数据集中的风控规则标注数据进行特征提取,得到规则险种关联特征;
对所述规则险种关联特征进行特征向量转化,得到关联特征向量;
使用所述初始预测模型对所述关联特征向量进行险种预测,输出初始险种预测结果;
基于所述初始险种预测结果对所述初始预测模型进行迭代更新,直至模型拟合,得到训练完成的所述适配险种预测模型。
进一步地,所述基于所述初始险种预测结果对所述初始预测模型进行迭代更新,直至模型拟合,得到训练完成的所述适配险种预测模型,具体包括:
比对所述初始险种预测结果和所述风控规则标注数据对应的适配险种,计算预测误差;
在所述初始预测模型的每一个网络层中传递所述预测误差;
将所述初始预测模型中每一个网络层的预测误差,并将每一个网络层的预测误差与预设误差阈值进行比对;
当存在任意一个网络层的预测误差大于所述预设误差阈值时,对所述初始预测模型进行参数调优,直至每一个网络层的预测误差都小于或等于所述预设误差阈值为止,得到训练完成的所述适配险种预测模型。
进一步地,所述接收风控规则分析指令,获取待分析风控规则数据,将所述待分析风控规则数据导入适配险种预测模型,输出所述待分析风控规则数据的适配险种预测结果,具体包括:
接收风控规则分析指令,获取所述风控规则分析指令对应的待分析风控规则数据;
对所述待分析风控规则数据进行预处理,并对预处理后所述待分析风控规则数据进行特征提取和特征向量转化,得到目标风控规则向量;
将所述目标风控规则向量导入所述适配险种预测模型,输出所述待分析风控规则数据的适配险种预测结果。
进一步地,在所述获取历史风控规则数据,以及获取所述历史风控规则数据对应的适配险种,得到历史适配险种之后,还包括:
对所述历史风控规则数据进行特征提取,得到历史风控规则特征;
对所述历史风控规则特征进行聚类分析,获取聚类中心簇;
按照预设命名策略,对所述聚类中心簇附近预设距离范围内的历史风控规则数据对应的历史适配险种进行统一命名,得到历史聚类险种;
所述基于所述历史适配险种对所述历史风控规则数据进行标注,得到风控规则标注数据,具体包括:
基于所述历史聚类险种对所述历史风控规则数据进行标注,得到风控规则标注数据。
进一步地,在所述使用所述风控预警规则引擎对所述待评估风险数据进行风险评估,得到风险评估结果之前,还包括:
从预设数据库获取携带高风险标识的用户ID数据,并基于所述携带高风险标识的用户ID数据构建风险黑名单列表;
获取待评估风险数据对应的用户ID,并判断所述用户ID是否存在于所述风险黑名单列表内;
若所述用户ID存在于所述风险黑名单列表内,则生成风险预警结果,并将所述风险预警结果作为所述风险评估结果进行输出。
为了解决上述技术问题,本申请实施例还提供一种动态风控预警装置,采用了如下所述的技术方案:
一种动态风控预警装置,包括:
数据获取模块,用于获取历史风控规则数据,以及获取所述历史风控规则数据对应的适配险种,得到历史适配险种;
数据标注模块,用于基于所述历史适配险种对所述历史风控规则数据进行标注,得到风控规则标注数据;
模型训练模块,用于基于所述风控规则标注数据构建数据集,并基于所述数据集训练适配险种预测模型;
险种预测模块,用于接收风控规则分析指令,获取待分析风控规则数据,将所述待分析风控规则数据导入适配险种预测模型,输出所述待分析风控规则数据的适配险种预测结果;
规则部署模块,用于根据所述适配险种预测结果将所述待分析风控规则数据导入到预设的风控预警规则引擎;
风控预警模块,用于接收风控预警指令,获取待评估风险数据,使用所述风控预警规则引擎对所述待评估风险数据进行风险评估,得到风险评估结果。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如上述任一项所述的动态风控预警方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如上述中任一项所述的动态风控预警方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请公开一种动态风控预警方法、装置、计算机设备及存储介质,属于人工智能技术领域和产险金融技术领域。本申请通过获取历史风控规则数据,以及获取历史风控规则数据对应的适配险种,得到历史适配险种,基于历史适配险种对历史风控规则数据进行标注,得到风控规则标注数据,基于风控规则标注数据构建数据集,并基于数据集训练适配险种预测模型,接收风控规则分析指令,获取待分析风控规则数据,将待分析风控规则数据导入适配险种预测模型,输出待分析风控规则数据的适配险种预测结果,根据适配险种预测结果将待分析风控规则数据导入到预设的风控预警规则引擎,接收风控预警指令,获取待评估风险数据,使用风控预警规则引擎对待评估风险数据进行风险评估,得到风险评估结果。本申请通过构建适配险种预测模型来对新建风控规则进行分类,以及识别新建风控规则适合的险种,并将新建风控规则引入风控预警规则引擎进行自动化部署,实现风控预警系统的多环节动态切面风险预警,解决风险预警类型单一的问题,提高风险识别的准确性。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图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的前提下,还可以根据这些附图获得其他的附图。
图1示出了本申请可以应用于其中的示例性系统架构图;
图2示出了根据本申请的动态风控预警方法的一个实施例的流程图;
图3示出了根据本申请的动态风控预警装置的一个实施例的结构示意图;
图4示出了根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,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,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
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、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、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,例如对终端设备101、102、103上显示的页面提供支持的后台服务器,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(Content Delivery 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。
需要说明的是,本申请实施例所提供的动态风控预警方法一般由服务器执行,相应地,动态风控预警装置一般设置于服务器中。
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。
继续参考图2,示出了根据本申请的动态风控预警方法的一个实施例的流程图。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。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
现有农业保险系统在风险控制方面存在多环节动态切面预警的不足,虽然支持种植险、养殖险、林业险和涉农险等四类险种的动态风险规则配置,但缺乏对不同环节的灵活配置,导致各环节的风险控制效率低下。此外,现有系统仅支持金额类的超额风险预警,对日期和数量类的风险预警支持不足。
为了解决上述技术问题,本申请通过构建适配险种预测模型来对新建风控规则进行分类,以及识别新建风控规则适合的险种,并将新建风控规则引入风控预警规则引擎进行自动化部署,实现风控预警系统的多环节动态切面风险预警,解决风险预警类型单一的问题,提高风险识别的准确性。其中,多环节动态切面风险预警是一种基于大数据和人工智能技术的风险管理方法,它可以在不同环节上进行风险监测和预警,从而提高风险管理的效率和准确性。
所述的动态风控预警方法,包括以下步骤:
S201,获取历史风控规则数据,以及获取历史风控规则数据对应的适配险种,得到历史适配险种。
在本实施例中,服务器先从预设的数据库获取历史风控规则数据和历史适配险种数据,这些数据可以用于后续的建模和预测,历史风控规则数据包含了过去使用的所有风险规则,历史适配险种数据则记录了这些规则所适用的险种类型,这些数据可以用于训练适配险种预测模型,从而对新的风控规则进行预测。
S202,基于历史适配险种对历史风控规则数据进行标注,得到风控规则标注数据。
在本实施例中,对历史风控规则数据进行标注,得到风控规则标注数据,这一步骤可以构建历史风控规则和历史适配险种之间的关联关系,以便可以使用这些关联关系训练预测模型,提高模型的表现和准确性,标注数据可以帮助模型更好地理解规则的含义和作用。
S203,基于风控规则标注数据构建数据集,并基于数据集训练适配险种预测模型。
在本实施例中,基于风控规则标注数据构建数据集,包括训练数据集和验证数据集,并使用机器学习算法或者深度学习算法训练适配险种预测模型,这个模型可以对新的风控规则进行分类,以及预测新的风控规则所适用的险种类型,从而为后续的风险评估提供基础数据。
在本申请具体的实施例中,机器学习算法或者深度学习算法可以使用卷积神经网络、循环神经网络等方法训练适配险种预测模型。
进一步地,基于风控规则标注数据构建数据集,并基于数据集训练适配险种预测模型,具体包括:
随机组合风控规则标注数据,并按照预设的数据比例构建训练数据集和验证数据集;
基于训练数据集对预设的初始预测模型进行训练,得到适配险种预测模型;
基于验证数据集对适配险种预测模型进行验证,输出验证通过的适配险种预测模型。
在本实施例中,对标注数据进行预处理,将数据划分为两部分:训练数据集和验证数据集,通常情况下,在训练数据集中会包含已经标注好的数据,用于训练预测模型,验证数据集则是用于评估机器学习算法表现的数据集。
使用训练数据集来学习预测模型,然后更新预测模型的参数,尽可能地对训练集进行拟合,从而得到一个具有预测能力的模型。适配险种预测模型通常使用机器学习算法或者深度学习算法进行训练,算法根据标注数据中的特征和结果之间的关系来推断适配险种预测模型。
使用验证数据集对适配险种预测模型进行验证,以评估该模型的预测性能,评估指标可以包括准确率、精确率、召回率、F1值等。如果适配险种预测模型通过了验证,则模型的预测性能是可行的,可以用于实际监测和预测。否则,需要进行修改和改进,以提高该模型的表现。
进一步地,基于训练数据集对预设的初始预测模型进行训练,得到适配险种预测模型,具体包括:
对训练数据集中的风控规则标注数据进行特征提取,得到规则险种关联特征;
对规则险种关联特征进行特征向量转化,得到关联特征向量;
使用初始预测模型对关联特征向量进行险种预测,输出初始险种预测结果;
基于初始险种预测结果对初始预测模型进行迭代更新,直至模型拟合,得到训练完成的适配险种预测模型。
在本实施例中,对训练数据集中的风控规则标注数据进行特征提取,得到规则险种关联特征,对规则险种关联特征进行特征向量转化,得到关联特征向量,将风控规则标注数据转换为机器学习算法或者深度学习算法可以处理的形式,以方便机器学习算法或者深度学习算法处理。使用初始预测模型对得到的关联特征向量进行预测,预测结果是一个险种适配结果,即初始预测模型会输出一个训练数据集中的风控规则标注数据对应的适配险种。基于初始的险种预测结果,计算预测结果和真实标签之间的误差,并基于这个误差对初始预测模型进行迭代更新,直到模型收敛和拟合得到训练完成的适配险种预测模型。
在上述实施例中,通过提取规则险种关联特征,规则险种关联特征可以表征规则描述和险种类型之间的关系,可以将相似的规则归类到同一险种类型下,实现规则的分类和险种的识别,通过分析规则描述,可以识别险种类型所特有的特征和规律,为后续的特征提取和建模提供依据。当新的风险事件发生或险种类型发生变化时,可以根据规则描述和险种类型的关系,快速调整和更新相应的规则,确保风控预警系统的准确性和实时性。
规则描述和险种类型之间的关系主要包括以下几个方面:
规则描述中的关键词与险种类型的关联:规则描述中的特定关键词或短语可能与特定的险种类型相关联。例如,在车险中,规则描述中可能包含与车辆、保险金额、索赔等相关的关键词。
规则描述中的语义和逻辑关系:规则描述中的语义和逻辑关系可以提供关于险种类型的线索。例如,如果规则描述中涉及到高风险产品、损失金额较大等词汇,可能与某些险种类型,如财产险、意外险等相关。
规则描述中的条件和限制:规则描述中的条件和限制可以反映特定险种类型的规则和要求。例如,在人身意外险中,规则描述中可能包含与被保人年龄、身体状况、保额等相关的条件和限制。
进一步地,基于初始险种预测结果对初始预测模型进行迭代更新,直至模型拟合,得到训练完成的适配险种预测模型,具体包括:
比对初始险种预测结果和风控规则标注数据对应的适配险种,计算预测误差;
在初始预测模型的每一个网络层中传递预测误差;
将初始预测模型中每一个网络层的预测误差,并将每一个网络层的预测误差与预设误差阈值进行比对;
当存在任意一个网络层的预测误差大于预设误差阈值时,对初始预测模型进行参数调优,直至每一个网络层的预测误差都小于或等于预设误差阈值为止,得到训练完成的适配险种预测模型。
在本实施例中,使用反向传播算法对初始预测模型进行迭代更新。通过比对初始险种预测结果和风控规则标注数据对应的适配险种,通过初始预测模型的损失函数计算预测误差,在初始预测模型的每一个网络层中传递预测误差,将初始预测模型中每一个网络层的预测误差,并将每一个网络层的预测误差与预设误差阈值进行比对,当存在任意一个网络层的预测误差大于预设误差阈值时,对初始预测模型进行参数调优,直至每一个网络层的预测误差都小于或等于预设误差阈值为止,得到训练完成的适配险种预测模型。
S204,接收风控规则分析指令,获取待分析风控规则数据,将待分析风控规则数据导入适配险种预测模型,输出待分析风控规则数据的适配险种预测结果。
在本实施例中,当服务器接收到风控规则分析指,获取待分析风控规则数据,及新建的风控规则,并将其导入适配险种预测模型中,输出新建风控规则的适配险种预测结果,这一步骤可以帮助快速地识别新的风险规则所适用的险种类型,为后续的新的风险规则的部署提供依据。
进一步地,接收风控规则分析指令,获取待分析风控规则数据,将待分析风控规则数据导入适配险种预测模型,输出待分析风控规则数据的适配险种预测结果,具体包括:
接收风控规则分析指令,获取风控规则分析指令对应的待分析风控规则数据;
对待分析风控规则数据进行预处理,并对预处理后待分析风控规则数据进行特征提取和特征向量转化,得到目标风控规则向量;
将目标风控规则向量导入适配险种预测模型,输出待分析风控规则数据的适配险种预测结果。
在本实施例中,当服务器接收风控规则分析指令后,获取风控规则分析指令对应的待分析风控规则数据,即新的风控规则,对待分析风控规则数据进行预处理,并对预处理后待分析风控规则数据进行特征提取和特征向量转化,得到目标风控规则向量,将目标风控规则向量导入适配险种预测模型,输出待分析风控规则数据的适配险种预测结果。
S205,根据适配险种预测结果将待分析风控规则数据导入到预设的风控预警规则引擎。
在本实施例中,根据适配险种预测结果将待分析风控规则数据导入预设的风控预警规则引擎中,这个风控预警规则引擎可以根据机构的风险管理策略和规则进行风险评估和预警,从而帮助机构及时识别和控制风险。
在上述实施例中,通过适配险种预测模型识别新建风控规则适合的险种,并将新建风控规则引入风控预警规则引擎进行自动化部署,逐步完善风控预警规则引擎,实现风控预警系统的多环节动态切面风险预警。
S206,接收风控预警指令,获取待评估风险数据,使用风控预警规则引擎对待评估风险数据进行风险评估,得到风险评估结果。
在本实施例中,当服务器接收风控预警指令后,获取待评估风险数据,并使用风控预警规则引擎对风险数据进行评估,得到风险评估结果,并通过短信或邮件向风控人员输出风险评估结果,这个评估结果可以帮助机构及时采取措施,控制风险并降低损失。
在上述实施例中,本申请通过构建适配险种预测模型来对新建风控规则进行分类,以及识别新建风控规则适合的险种,并将新建风控规则引入风控预警规则引擎进行自动化部署,使得风控预警规则引擎逐步完善,实现风控预警系统的多环节动态切面风险预警,解决风险预警类型单一的问题,提高风险识别的准确性。
进一步地,在获取历史风控规则数据,以及获取历史风控规则数据对应的适配险种,得到历史适配险种之后,还包括:
对历史风控规则数据进行特征提取,得到历史风控规则特征;
对历史风控规则特征进行聚类分析,获取聚类中心簇;
按照预设命名策略,对聚类中心簇附近预设距离范围内的历史风控规则数据对应的历史适配险种进行统一命名,得到历史聚类险种;
基于历史适配险种对历史风控规则数据进行标注,得到风控规则标注数据,具体包括:
基于历史聚类险种对历史风控规则数据进行标注,得到风控规则标注数据。
在本实施例中,从历史风控规则数据中提取出一些有效的特征,用来描述数据中险种与规则相关的信息,这些特征将用于进行聚类分析。对历史风控规则特征进行聚类分析,以便找到相似的规则和险种,聚类分析可以使用常见的聚类算法,如K-Means、层次聚类等。对聚类中心簇附近预设距离范围内的历史风控规则数据对应的历史适配险种进行统一命名,以便更好地描述险种的特征。
在本申请一种具体的实施例中,假设使用K-Means算法对历史风控规则数据进行聚类分析,得到了3个聚类中心簇,现在需要对聚类中心簇附近的历史适配险种进行统一命名,以便更好地描述险种的特征,统一命名过程如下:
聚类中心簇1:该簇包含了多组规则,这些规则都涉及到房屋贷款的风险控制,中心簇1附近的历史适配险种包括“房屋贷款风险险种”、“房屋贷款违约险种”等,可以将这些险种命名为“房屋贷款风险控制险种”。
聚类中心簇2:该簇包含了多组规则,这些规则都涉及到信用卡的风险控制,中心簇2附近的历史适配险种包括“信用卡盗刷险种”、“信用卡逾期险种”等,,可以将这些险种命名为“信用卡风险控制险种”。
聚类中心簇3:该簇包含了多组规则,这些规则都涉及到个人贷款的风险控制,中心簇3附近的历史适配险种包括“个人贷款违约险种”、“个人贷款欺诈险种”等,可以将这些险种命名为“个人贷款风险控制险种”。
在上述实施例中,通过这样的命名策略,简化后续模型训练的数据处理过程,可以更好地描述险种的特征,方便后续的风险管理工作。
进一步地,在使用风控预警规则引擎对待评估风险数据进行风险评估,得到风险评估结果之前,还包括:
从预设数据库获取携带高风险标识的用户ID数据,并基于携带高风险标识的用户ID数据构建风险黑名单列表;
获取待评估风险数据对应的用户ID,并判断用户ID是否存在于风险黑名单列表内;
若用户ID存在于风险黑名单列表内,则生成风险预警结果,并将风险预警结果作为风险评估结果进行输出。
在本实施例中,从预设数据库中获取携带高风险标识的用户ID数据,基于这些数据构建风险黑名单列表,将已知的高风险用户列入黑名单,以便后续的风险评估过程中进行判断。获取待评估风险数据对应的用户ID,并判断该用户ID是否存在于风险黑名单列表内,如果存在,则说明该用户已经被确定为高风险用户,直接生成风险预警结果,并执行对应的风险预警程序。
在上述实施例中,通过设置风险黑名单列表来统计,携带高风险标识的用户ID,在进行风险评估之前先判断用户ID是否落在风险黑名单列表内,如果用户ID在风险黑名单列表内,则直接生成风险预警结果,并执行对应的风险预警程序,省略风险评估过程,进一步降低数据处理量。
在上述实施例中,本申请公开一种动态风控预警方法,属于人工智能技术领域和产险金融技术领域。本申请通过获取历史风控规则数据,以及获取历史风控规则数据对应的适配险种,得到历史适配险种,基于历史适配险种对历史风控规则数据进行标注,得到风控规则标注数据,基于风控规则标注数据构建数据集,并基于数据集训练适配险种预测模型,接收风控规则分析指令,获取待分析风控规则数据,将待分析风控规则数据导入适配险种预测模型,输出待分析风控规则数据的适配险种预测结果,根据适配险种预测结果将待分析风控规则数据导入到预设的风控预警规则引擎,接收风控预警指令,获取待评估风险数据,使用风控预警规则引擎对待评估风险数据进行风险评估,得到风险评估结果。本申请通过构建适配险种预测模型来对新建风控规则进行分类,以及识别新建风控规则适合的险种,并将新建风控规则引入风控预警规则引擎进行自动化部署,实现风控预警系统的多环节动态切面风险预警,解决风险预警类型单一的问题,提高风险识别的准确性。
在本实施例中,动态风控预警方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式指令或获取数据。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
需要强调的是,为进一步保证上述待评估风险数据的私密和安全性,上述待评估风险数据还可以存储于一区块链的节点中。
本申请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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该计算机可读指令在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3,作为对上述图2所示方法的实现,本申请提供了一种动态风控预警装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,本实施例所述的动态风控预警装置300,包括:
数据获取模块301,用于获取历史风控规则数据,以及获取历史风控规则数据对应的适配险种,得到历史适配险种;
数据标注模块302,用于基于历史适配险种对历史风控规则数据进行标注,得到风控规则标注数据;
模型训练模块303,用于基于风控规则标注数据构建数据集,并基于数据集训练适配险种预测模型;
险种预测模块304,用于接收风控规则分析指令,获取待分析风控规则数据,将待分析风控规则数据导入适配险种预测模型,输出待分析风控规则数据的适配险种预测结果;
规则部署模块305,用于根据适配险种预测结果将待分析风控规则数据导入到预设的风控预警规则引擎;
风控预警模块306,用于接收风控预警指令,获取待评估风险数据,使用风控预警规则引擎对待评估风险数据进行风险评估,得到风险评估结果。
进一步地,模型训练模块303具体包括:
数据集构建子模块,用于随机组合风控规则标注数据,并按照预设的数据比例构建训练数据集和验证数据集;
模型训练子模块,用于基于训练数据集对预设的初始预测模型进行训练,得到适配险种预测模型;
模型验证子模块,用于基于验证数据集对适配险种预测模型进行验证,输出验证通过的适配险种预测模型。
进一步地,模型训练子模块具体包括:
特征提取单元,用于对训练数据集中的风控规则标注数据进行特征提取,得到规则险种关联特征;
向量转化单元,用于对规则险种关联特征进行特征向量转化,得到关联特征向量;
初始预测单元,用于使用初始预测模型对关联特征向量进行险种预测,输出初始险种预测结果;
迭代更新单元,用于基于初始险种预测结果对初始预测模型进行迭代更新,直至模型拟合,得到训练完成的适配险种预测模型。
进一步地,迭代更新单元具体包括:
误差计算子单元,用于比对初始险种预测结果和风控规则标注数据对应的适配险种,计算预测误差;
误差传递子单元,用于在初始预测模型的每一个网络层中传递预测误差;
误差比对子单元,用于将初始预测模型中每一个网络层的预测误差,并将每一个网络层的预测误差与预设误差阈值进行比对;
参数调优子单元,用于当存在任意一个网络层的预测误差大于预设误差阈值时,对初始预测模型进行参数调优,直至每一个网络层的预测误差都小于或等于预设误差阈值为止,得到训练完成的适配险种预测模型。
进一步地,险种预测模块304具体包括:
规则分析子模块,用于接收风控规则分析指令,获取风控规则分析指令对应的待分析风控规则数据;
规则处理子模块,用于对待分析风控规则数据进行预处理,并对预处理后待分析风控规则数据进行特征提取和特征向量转化,得到目标风控规则向量;
险种预测子模块,用于将目标风控规则向量导入适配险种预测模型,输出待分析风控规则数据的适配险种预测结果。
进一步地,动态风控预警装置300还包括:
规则特征提取模块,用于对历史风控规则数据进行特征提取,得到历史风控规则特征;
规则聚类分析模块,用于对历史风控规则特征进行聚类分析,获取聚类中心簇;
险种统一命名模块,用于按照预设命名策略,对聚类中心簇附近预设距离范围内的历史风控规则数据对应的历史适配险种进行统一命名,得到历史聚类险种;
数据标注模块302具体包括:
数据标注子模块,用于基于历史聚类险种对历史风控规则数据进行标注,得到风控规则标注数据。
进一步地,动态风控预警装置300还包括:
黑名单列表构建模块,用于从预设数据库获取携带高风险标识的用户ID数据,并基于携带高风险标识的用户ID数据构建风险黑名单列表;
高风险识别模块,用于获取待评估风险数据对应的用户ID,并判断用户ID是否存在于风险黑名单列表内;
风险预警模块,用于若用户ID存在于风险黑名单列表内,则生成风险预警结果,并将风险预警结果作为风险评估结果进行输出。
在上述实施例中,本申请公开一种动态风控预警装置,属于人工智能技术领域和产险金融技术领域。本申请通过获取历史风控规则数据,以及获取历史风控规则数据对应的适配险种,得到历史适配险种,基于历史适配险种对历史风控规则数据进行标注,得到风控规则标注数据,基于风控规则标注数据构建数据集,并基于数据集训练适配险种预测模型,接收风控规则分析指令,获取待分析风控规则数据,将待分析风控规则数据导入适配险种预测模型,输出待分析风控规则数据的适配险种预测结果,根据适配险种预测结果将待分析风控规则数据导入到预设的风控预警规则引擎,接收风控预警指令,获取待评估风险数据,使用风控预警规则引擎对待评估风险数据进行风险评估,得到风险评估结果。本申请通过构建适配险种预测模型来对新建风控规则进行分类,以及识别新建风控规则适合的险种,并将新建风控规则引入风控预警规则引擎进行自动化部署,实现风控预警系统的多环节动态切面风险预警,解决风险预警类型单一的问题,提高风险识别的准确性。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图4,图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是,图中仅示出了具有组件41-43的计算机设备4,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41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、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器41可以是所述计算机设备4的内部存储单元,例如该计算机设备4的硬盘或内存。在另一些实施例中,所述存储器41也可以是所述计算机设备4的外部存储设备,例如该计算机设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中,所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件,例如动态风控预警方法的计算机可读指令等。此外,所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中,所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据,例如运行所述动态风控预警方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口,该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
在上述实施例中,本申请公开一种计算机设备,属于人工智能技术领域和产险金融技术领域。本申请通过获取历史风控规则数据,以及获取历史风控规则数据对应的适配险种,得到历史适配险种,基于历史适配险种对历史风控规则数据进行标注,得到风控规则标注数据,基于风控规则标注数据构建数据集,并基于数据集训练适配险种预测模型,接收风控规则分析指令,获取待分析风控规则数据,将待分析风控规则数据导入适配险种预测模型,输出待分析风控规则数据的适配险种预测结果,根据适配险种预测结果将待分析风控规则数据导入到预设的风控预警规则引擎,接收风控预警指令,获取待评估风险数据,使用风控预警规则引擎对待评估风险数据进行风险评估,得到风险评估结果。本申请通过构建适配险种预测模型来对新建风控规则进行分类,以及识别新建风控规则适合的险种,并将新建风控规则引入风控预警规则引擎进行自动化部署,实现风控预警系统的多环节动态切面风险预警,解决风险预警类型单一的问题,提高风险识别的准确性。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的动态风控预警方法的步骤。
在上述实施例中,本申请公开一种计算机可读存储介质,属于人工智能技术领域和产险金融技术领域。本申请通过获取历史风控规则数据,以及获取历史风控规则数据对应的适配险种,得到历史适配险种,基于历史适配险种对历史风控规则数据进行标注,得到风控规则标注数据,基于风控规则标注数据构建数据集,并基于数据集训练适配险种预测模型,接收风控规则分析指令,获取待分析风控规则数据,将待分析风控规则数据导入适配险种预测模型,输出待分析风控规则数据的适配险种预测结果,根据适配险种预测结果将待分析风控规则数据导入到预设的风控预警规则引擎,接收风控预警指令,获取待评估风险数据,使用风控预警规则引擎对待评估风险数据进行风险评估,得到风险评估结果。本申请通过构建适配险种预测模型来对新建风控规则进行分类,以及识别新建风控规则适合的险种,并将新建风控规则引入风控预警规则引擎进行自动化部署,实现风控预警系统的多环节动态切面风险预警,解决风险预警类型单一的问题,提高风险识别的准确性。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请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申请,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设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种动态风控预警方法,其特征在于,包括:
获取历史风控规则数据,以及获取所述历史风控规则数据对应的适配险种,得到历史适配险种;
基于所述历史适配险种对所述历史风控规则数据进行标注,得到风控规则标注数据;
基于所述风控规则标注数据构建数据集,并基于所述数据集训练适配险种预测模型;
接收风控规则分析指令,获取待分析风控规则数据,将所述待分析风控规则数据导入适配险种预测模型,输出所述待分析风控规则数据的适配险种预测结果;
根据所述适配险种预测结果将所述待分析风控规则数据导入到预设的风控预警规则引擎;
接收风控预警指令,获取待评估风险数据,使用所述风控预警规则引擎对所述待评估风险数据进行风险评估,得到风险评估结果。
2.如权利要求1所述的动态风控预警方法,其特征在于,所述基于所述风控规则标注数据构建数据集,并基于所述数据集训练适配险种预测模型,具体包括:
随机组合所述风控规则标注数据,并按照预设的数据比例构建训练数据集和验证数据集;
基于所述训练数据集对预设的初始预测模型进行训练,得到适配险种预测模型;
基于所述验证数据集对所述适配险种预测模型进行验证,输出验证通过的适配险种预测模型。
3.如权利要求2所述的动态风控预警方法,其特征在于,所述基于所述训练数据集对预设的初始预测模型进行训练,得到适配险种预测模型,具体包括:
对所述训练数据集中的风控规则标注数据进行特征提取,得到规则险种关联特征;
对所述规则险种关联特征进行特征向量转化,得到关联特征向量;
使用所述初始预测模型对所述关联特征向量进行险种预测,输出初始险种预测结果;
基于所述初始险种预测结果对所述初始预测模型进行迭代更新,直至模型拟合,得到训练完成的所述适配险种预测模型。
4.如权利要求3所述的动态风控预警方法,其特征在于,所述基于所述初始险种预测结果对所述初始预测模型进行迭代更新,直至模型拟合,得到训练完成的所述适配险种预测模型,具体包括:
比对所述初始险种预测结果和所述风控规则标注数据对应的适配险种,计算预测误差;
在所述初始预测模型的每一个网络层中传递所述预测误差;
将所述初始预测模型中每一个网络层的预测误差,并将每一个网络层的预测误差与预设误差阈值进行比对;
当存在任意一个网络层的预测误差大于所述预设误差阈值时,对所述初始预测模型进行参数调优,直至每一个网络层的预测误差都小于或等于所述预设误差阈值为止,得到训练完成的所述适配险种预测模型。
5.如权利要求1至4任意一项所述的动态风控预警方法,其特征在于,所述接收风控规则分析指令,获取待分析风控规则数据,将所述待分析风控规则数据导入适配险种预测模型,输出所述待分析风控规则数据的适配险种预测结果,具体包括:
接收风控规则分析指令,获取所述风控规则分析指令对应的待分析风控规则数据;
对所述待分析风控规则数据进行预处理,并对预处理后所述待分析风控规则数据进行特征提取和特征向量转化,得到目标风控规则向量;
将所述目标风控规则向量导入所述适配险种预测模型,输出所述待分析风控规则数据的适配险种预测结果。
6.如权利要求5所述的动态风控预警方法,其特征在于,在所述获取历史风控规则数据,以及获取所述历史风控规则数据对应的适配险种,得到历史适配险种之后,还包括:
对所述历史风控规则数据进行特征提取,得到历史风控规则特征;
对所述历史风控规则特征进行聚类分析,获取聚类中心簇;
按照预设命名策略,对所述聚类中心簇附近预设距离范围内的历史风控规则数据对应的历史适配险种进行统一命名,得到历史聚类险种;
所述基于所述历史适配险种对所述历史风控规则数据进行标注,得到风控规则标注数据,具体包括:
基于所述历史聚类险种对所述历史风控规则数据进行标注,得到风控规则标注数据。
7.如权利要求5所述的动态风控预警方法,其特征在于,在所述使用所述风控预警规则引擎对所述待评估风险数据进行风险评估,得到风险评估结果之前,还包括:
从预设数据库获取携带高风险标识的用户ID数据,并基于所述携带高风险标识的用户ID数据构建风险黑名单列表;
获取待评估风险数据对应的用户ID,并判断所述用户ID是否存在于所述风险黑名单列表内;
若所述用户ID存在于所述风险黑名单列表内,则生成风险预警结果,并将所述风险预警结果作为所述风险评估结果进行输出。
8.一种动态风控预警装置,其特征在于,包括:
数据获取模块,用于获取历史风控规则数据,以及获取所述历史风控规则数据对应的适配险种,得到历史适配险种;
数据标注模块,用于基于所述历史适配险种对所述历史风控规则数据进行标注,得到风控规则标注数据;
模型训练模块,用于基于所述风控规则标注数据构建数据集,并基于所述数据集训练适配险种预测模型;
险种预测模块,用于接收风控规则分析指令,获取待分析风控规则数据,将所述待分析风控规则数据导入适配险种预测模型,输出所述待分析风控规则数据的适配险种预测结果;
规则部署模块,用于根据所述适配险种预测结果将所述待分析风控规则数据导入到预设的风控预警规则引擎;
风控预警模块,用于接收风控预警指令,获取待评估风险数据,使用所述风控预警规则引擎对所述待评估风险数据进行风险评估,得到风险评估结果。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的动态风控预警方法的步骤。
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上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的动态风控预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310849696.4A CN116977095A (zh) | 2023-07-11 | 2023-07-11 | 一种动态风控预警方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310849696.4A CN116977095A (zh) | 2023-07-11 | 2023-07-11 | 一种动态风控预警方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116977095A true CN116977095A (zh) | 2023-10-31 |
Family
ID=88472250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310849696.4A Pending CN116977095A (zh) | 2023-07-11 | 2023-07-11 | 一种动态风控预警方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116977095A (zh) |
-
2023
- 2023-07-11 CN CN202310849696.4A patent/CN116977095A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112148987B (zh) | 基于目标对象活跃度的消息推送方法及相关设备 | |
US11704500B2 (en) | Techniques to add smart device information to machine learning for increased context | |
CN112995414B (zh) | 基于语音通话的行为质检方法、装置、设备及存储介质 | |
KR20200039852A (ko) | 기업 경영 현황 분석 예측 모델링을 위한 기계학습 알고리즘 제공 방법 | |
CN114647741A (zh) | 工艺自动决策和推理方法、装置、计算机设备及存储介质 | |
CN114693409A (zh) | 产品匹配方法、装置、计算机设备、存储介质和程序产品 | |
CN116402625B (zh) | 客户评估方法、装置、计算机设备及存储介质 | |
CN116843483A (zh) | 一种车险理赔方法、装置、计算机设备及存储介质 | |
CN116843395A (zh) | 一种业务系统的告警分级方法、装置、设备及存储介质 | |
CN117273968A (zh) | 一种跨业务线产品的会计凭证生成方法及其相关设备 | |
CN116777646A (zh) | 基于人工智能的风险识别方法、装置、设备及存储介质 | |
CN116977095A (zh) | 一种动态风控预警方法、装置、计算机设备及存储介质 | |
CN115392361A (zh) | 一种智能排序方法、装置、计算机设备及存储介质 | |
CN116932766B (zh) | 对象分类方法、装置、设备、存储介质及程序产品 | |
CN117312991B (zh) | 一种分类识别系统的构建方法及其相关设备 | |
CN117407750A (zh) | 基于元数据的数据质量监控方法、装置、设备及存储介质 | |
CN116756147A (zh) | 一种数据归类方法、装置、计算机设备及存储介质 | |
CN116934506A (zh) | 一种用户行为预测方法、装置、计算机设备及存储介质 | |
CN117236707A (zh) | 一种资产优化配置方法、装置、计算机设备及存储介质 | |
CN117034114A (zh) | 基于人工智能的数据预测方法、装置、设备及存储介质 | |
CN117078406A (zh) | 一种客户流失预警方法、装置、计算机设备及存储介质 | |
CN117217812A (zh) | 一种用户行为预测方法、装置、计算机设备及存储介质 | |
CN116630059A (zh) | 基于人工智能的流失预测方法、装置、设备及存储介质 | |
CN117709801A (zh) | 客户数据处理方法、装置、计算机设备及存储介质 | |
CN117291693A (zh) | 基于人工智能的策略生成方法、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 |