CN117172899A - 银行网点的交易处理方法、设备及存储介质 - Google Patents

Abstract

本申请提供一种银行网点的交易处理方法、设备及存储介质，可用于金融领域或其他领域。该方法包括：银行服务器依据目标银行网点的客户历史交易数据，确定目标银行网点的第一类客户和第二类客户；银行服务器将第一类客户包含的客户和第二类客户包含的客户作为样本，以客户属性数据为输入，训练预测模型，获得客户风险预测模型；银行服务器将客户风险预测模型存储在目标银行网点设备中；目标银行网点设备依据客户风险预测模型，确定目标银行网点的多个当前客户的风险标识；目标银行网点设备依据多个当前客户的风险标识，对多个当前客户的交易按照预设风险控制策略进行对应处理。本申请的方法，提高了银行网点交易的安全性。

Description

银行网点的交易处理方法、设备及存储介质

技术领域

本申请涉及金融领域或其他领域，尤其涉及一种银行网点的交易处理方法、设备及存储介质。

背景技术

在金融领域中，银行网点是向客户服务的主要场所。客户可以在网点进行查询业务、理财业务、存储业务等交易业务处理。

由于银行网点处理的交易业务数量较大，涉及的客户较多，银行网点在进行交易业务处理时，可能存在安全性风险问题，如交易账户存在风险、交易客户存在风险等。

目前缺乏一种针对银行网点交易安全的交易处理方案。

发明内容

本申请提供一种银行网点的交易处理方法、设备及存储介质，用以解决目前缺乏一种针对银行网点交易安全的交易处理方案的问题。

本申请第一方面提供一种银行网点的交易处理方法，包括：

银行服务器依据目标银行网点的客户历史交易数据，确定目标银行网点的第一类客户和第二类客户；其中，第一类客户是满足第一预设条件的客户集合，第二类客户是满足第二预设条件的客户集合，且第一类客户的风险熵小于第二类客户的风险熵；其中，风险熵用于表示客户在交易时有关风险的信息量；

银行服务器将第一类客户包含的客户和第二类客户包含的客户作为样本，以客户属性数据为输入，训练预测模型，获得客户风险预测模型；

银行服务器将所述客户风险预测模型存储在目标银行网点设备中；

目标银行网点设备依据所述客户风险预测模型，确定目标银行网点的多个当前客户的风险标识；

目标银行网点设备依据所述多个当前客户的风险标识，对所述多个当前客户的交易按照预设风险控制策略进行对应处理。

本申请第二方面提供一种银行网点的交易处理装置，包括：

第一确定模块，用于银行服务器依据目标银行网点的客户历史交易数据，确定目标银行网点的第一类客户和第二类客户；其中，第一类客户是满足第一预设条件的客户集合，第二类客户是满足第二预设条件的客户集合，且第一类客户的风险熵小于第二类客户的风险熵；其中，风险熵用于表示客户在交易时有关风险的信息量；

获取模块，用于银行服务器将第一类客户包含的客户和第二类客户包含的客户作为样本，以客户属性数据为输入，训练预测模型，获得客户风险预测模型；

存储模块，用于银行服务器将所述客户风险预测模型存储在目标银行网点设备中；

第二确定模块，用于目标银行网点设备依据所述客户风险预测模型，确定目标银行网点的多个当前客户的风险标识；

处理模块，用于目标银行网点设备依据所述多个当前客户的风险标识，对所述多个当前客户的交易按照预设风险控制策略进行对应处理。

本申请第三方面提供一种电子设备，包括：存储器和处理器；

所述存储器存储计算机执行指令；

所述处理器执行所述存储器存储的计算机执行指令，以实现如第一方面任一项所述的银行网点的交易处理方法。

本申请第四方面提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现第一方面任一项所述的银行网点的交易处理方法。

本申请第五方面提供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第一方面任一项所述的银行网点的交易处理方法。

本申请提供的一种银行网点的交易处理方法、设备及存储介质，该方法包括：银行服务器依据目标银行网点的客户历史交易数据，确定目标银行网点的第一类客户和第二类客户；其中，第一类客户是满足第一预设条件的客户集合，第二类客户是满足第二预设条件的客户集合，且第一类客户的风险熵小于第二类客户的风险熵；其中，风险熵用于表示客户在交易时有关风险的信息量；银行服务器将第一类客户包含的客户和第二类客户包含的客户作为样本，以客户属性数据为输入，训练预测模型，获得客户风险预测模型；银行服务器将所述客户风险预测模型存储在目标银行网点设备中；目标银行网点设备依据所述客户风险预测模型，确定目标银行网点的多个当前客户的风险标识；目标银行网点设备依据所述多个当前客户的风险标识，对所述多个当前客户的交易按照预设风险控制策略进行对应处理。本申请的银行网点的交易处理方法，通过筛选目标银行网点的第一类客户和第二类客户，将第一类客户包含的客户和第二类客户包含的客户作为样本，以客户属性数据为输入，获得客户风险预测模型。从而使目标银行网点设备可以依据所述客户风险预测模型，确定目标银行网点的多个当前客户的风险标识，并依据所述多个当前客户的风险标识，对所述多个当前客户的交易按照预设风险控制策略进行对应处理，提高了银行网点交易的安全性。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1为可以实现本申请实施例的银行网点的交易处理方法的场景图；

图2为本申请提供的银行网点的交易处理方法的流程示意图一；

图3为本申请提供的银行网点的交易处理方法的流程示意图二；

图4为本申请提供的银行网点的交易处理装置的结构示意图；

图5为本申请提供的电子设备的结构示意图。

通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

本申请实施例的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。

需要说明的是，本公开银行网点的交易处理方法、设备及存储介质可用于金融领域或其他领域。也可用于除金融领域以外的任意领域。本公开银行网点的交易处理方法、设备及存储介质应用领域不作限定。

下面以具体地实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

为了清楚理解本申请的技术方案，首先对现有技术的方案进行详细介绍。银行网点是银行向客户服务的主要场所，银行网点分布在各个区域，可以便捷的为客户提供查询业务、理财业务、存储业务等交易业务处理。由于银行网点提供服务的客户较多、交易业务处理量较大，银行网点在进行交易业务处理时，可能存在安全性风险问题，如当前多个客户中某些客户的交易账户存在风险、交易存在风险等。若在交易业务处理时出现安全性风险，可能会造成银行以及客户的交易损失。

针对上述银行网点在进行交易业务处理时，可能存在的安全性风险问题，目前缺乏一种针对银行网点交易安全的交易处理方案。

所以针对现有技术中缺乏一种针对银行网点交易安全的交易处理方案的问题，发明人在研究中发现，可以筛选目标银行网点的第一类客户和第二类客户，基于第一类客户和第二类客户训练得到客户风险预测模型。从而使目标银行网点设备可以依据客户风险预测模型对多个当前客户的交易按照预设风险控制策略进行对应处理，提高银行网点交易的安全性。

具体的，银行服务器依据目标银行网点的客户历史交易数据，确定目标银行网点的第一类客户和第二类客户。其中，第一类客户是满足第一预设条件的客户集合，第二类客户是满足第二预设条件的客户集合，且第一类客户的风险熵小于第二类客户的风险熵。其中，风险熵用于表示客户在交易时有关风险的信息量。银行服务器将第一类客户包含的客户和第二类客户包含的客户作为样本，以客户属性数据为输入，训练预测模型，获得客户风险预测模型。银行服务器将客户风险预测模型存储在目标银行网点设备中。目标银行网点设备依据客户风险预测模型，确定目标银行网点的多个当前客户的风险标识。目标银行网点设备依据多个当前客户的风险标识，对多个当前客户的交易按照预设风险控制策略进行对应处理。

发明人基于上述的创造性发现，提出了本申请的技术方案。

下面对本申请实施例提供的银行网点的交易处理方法的应用场景进行介绍。如图1所示，其中，1为目标银行网点设备，2为银行服务器。本申请实施例提供的银行网点的交易处理方法对应的应用场景的网络架构中包括：目标银行网点设备1和银行服务器2。

示例性的，在需要对目标银行网点的交易进行处理时，银行服务器2进行如下处理：

①依据目标银行网点的客户历史交易数据，确定目标银行网点的第一类客户和第二类客户。

②将第一类客户包含的客户和第二类客户包含的客户作为样本，以客户属性数据为输入，训练预测模型，获得客户风险预测模型。

银行服务器2发送客户风险预测模型至目标银行网点设备1，以使目标银行网点设备1存储客户风险预测模型。同时，目标银行网点设备1进行如下处理：

③依据客户风险预测模型，确定目标银行网点的多个当前客户的风险标识。

④依据多个当前客户的风险标识，对多个当前客户的交易按照预设风险控制策略进行对应处理。

预设风险控制策略可以为在确定当前客户的交易涉及风险时，对当前客户进行人脸识别、语音认证等操作，也可以为对当前客户进行交易办理的顺序调整处理等。

下面结合说明书附图对本申请实施例进行介绍。

图2为本申请提供的银行网点的交易处理方法的流程示意图一，如图2所示，本实施例中，本申请实施例的执行主体为银行网点的交易处理装置，该银行网点的交易处理装置可以集成在电子设备中。则本实施例提供的银行网点的交易处理方法包括以下几个步骤：

步骤S101，银行服务器依据目标银行网点的客户历史交易数据，确定目标银行网点的第一类客户和第二类客户。其中，第一类客户是满足第一预设条件的客户集合，第二类客户是满足第二预设条件的客户集合，且第一类客户的风险熵小于第二类客户的风险熵。其中，风险熵用于表示客户在交易时有关风险的信息量。

本实施例中，客户历史交易数据为目标银行网点对应预设历史时间段内客户产生的交易数据。预设历史时间段可以为当前时间之前的一年内、一个月内等，也可以按照实际应用进行设置。客户历史交易数据包括交易业务种类、交易处理时间、客户属性等数据。

第一预设条件可以是第一类客户的风险熵小于预设的第一阈值，第二预设条件可以是第二类客户的风险熵大于预设的第二阈值，同时，第一预设条件和第二预设条件也可以为其他预设条件，本实施例对此不作限定。

步骤S102，银行服务器将第一类客户包含的客户和第二类客户包含的客户作为样本，以客户属性数据为输入，训练预测模型，获得客户风险预测模型。

本实施例中，经由样本训练后生成的客户风险预测模型，用于确定各个客户的风险标识，从而确定各个客户是否涉及风险。

步骤S103，银行服务器将客户风险预测模型存储在目标银行网点设备中。

本实施例中，在获得客户风险预测模型之后，将客户风险预测模型存储在目标银行网点设备中，以使银行网点可以基于客户风险预测模型对客户的交易进行对应处理。

步骤S104，目标银行网点设备依据客户风险预测模型，确定目标银行网点的多个当前客户的风险标识。

风险标识可以是涉及风险，不涉及风险，也可以是涉及高风险、中风险、低风险、不涉及风险等，本实施例对此不作限定。

步骤S105，目标银行网点设备依据多个当前客户的风险标识，对多个当前客户的交易按照预设风险控制策略进行对应处理。

预设风险控制策略可以为在确定当前客户的交易涉及风险时，通过对客户进行生物识别特征的方式，来进行风险控制处理，提高交易安全性。生物识别特征可以为人脸特征、声音特征、指纹特征等。

也可以是确定当前客户的交易涉及风险时，调整当前客户与其他不涉及风险的当前客户的交易办理顺序，将交易涉及风险的当前客户的交易办理顺序延后，优先处理不涉及风险的交易，从而提高银行网点交易的安全性。

本申请实施例提供的一种银行网点的交易处理方法，该方法包括：银行服务器依据目标银行网点的客户历史交易数据，确定目标银行网点的第一类客户和第二类客户。其中，第一类客户是满足第一预设条件的客户集合，第二类客户是满足第二预设条件的客户集合，且第一类客户的风险熵小于第二类客户的风险熵。其中，风险熵用于表示客户在交易时有关风险的信息量。银行服务器将第一类客户包含的客户和第二类客户包含的客户作为样本，以客户属性数据为输入，训练预测模型，获得客户风险预测模型。银行服务器将客户风险预测模型存储在目标银行网点设备中。目标银行网点设备依据客户风险预测模型，确定目标银行网点的多个当前客户的风险标识。目标银行网点设备依据多个当前客户的风险标识，对多个当前客户的交易按照预设风险控制策略进行对应处理。

本申请的银行网点的交易处理方法，通过筛选目标银行网点的第一类客户和第二类客户，将第一类客户包含的客户和第二类客户包含的客户作为样本，以客户属性数据为输入，获得客户风险预测模型。从而使目标银行网点设备可以依据客户风险预测模型，确定目标银行网点的多个当前客户的风险标识，并依据多个当前客户的风险标识，对多个当前客户的交易按照预设风险控制策略进行对应处理，提高了银行网点交易的安全性。

图3为本申请提供的银行网点的交易处理方法的流程示意图二，如图3所示，本实施例提供的银行网点的交易处理方法，是在本申请上一实施例提供的银行网点的交易处理方法的基础上，进行了进一步的细化。则本实施例提供的银行网点的交易处理方法包括以下步骤。

步骤S201，银行服务器依据目标银行网点的客户历史交易数据，确定目标银行网点的各个客户的风险熵。

本实施例中，风险熵可以反映客户在交易时有关风险，通过确定目标银行网点的各个客户的风险熵可以为后续确定第一类客户和第二类客户提供基础。

可选的，本实施例中，S201可以具体为：

对于目标银行网点的每一客户，从目标银行网点的客户历史交易数据中选取出客户对应的交易数据以及风险交易数据。其中，风险交易数据表征涉及风险的交易数据。

获取多个风险数据维度。

依据多个风险数据维度，将风险交易数据划分为多个互不相交的风险交易子数据。

依据多个风险交易子数据、交易数据，确定客户的风险熵，具体为：

其中，R是客户的风险熵，n是交易数据包含的交易数量，m_i和m_j分别是多个风险交易子数据中第i个和第j个风险交易子数据包含的交易数量。

本实施例中，风险数据维度可以为风险类别，客户的交易数据可以包括目标银行网点的客户历史交易数据中该客户对应的相似客户的交易数据，相似客户可以通过计算客户之间距离，或者通过计算客户之间相似熵的方式来确定。

本实施例中通过增加相似客户的交易数据作为对应客户的交易数据，可以提高客户的交易数据的总体数量，从而提高风险熵的准确性。

步骤S202，获取第一阈值和第二阈值。其中，第一阈值小于第二阈值。

本实施例中，可以按照如下方式确定第一阈值和第二阈值：

获取客户风险模型，其中，客户风险模型用于依据两个客户集合的客户属性数据，确定两个客户集合的风险的大小关系。

将目标银行网点的所有客户划分为多个客户集合。

依据客户风险模型，确定任何两个客户集合的风险大小关系。

将满足条件t的客户集合从多个客户集合中删除，其中，条件t是：不存在除该客户集合之外的其他客户集合，使得该客户集合的风险高于该其他客户集合的风险，或者该客户集合的风险低于该其他客户集合的风险。即不存在与其他客户集合存在风险关系的客户。

依据确定的风险大小关系，从多个客户集合中选取出多个第一客户集合和第二客户集合，其中，第一客户集合满足不存在除该第一客户集合之外的其他客户集合，使得该第一客户集合的风险高于该其他客户集合的风险。第二客户集合满足不存在除该第二客户集合之外的其他客户集合，使得该第二客户集合的风险低于该其他客户集合的风险。

依据第一客户集合包含的客户的风险熵，确定第一阈值。依据第二客户集合包含的客户的风险熵，确定第二阈值。

示例性的，将每一第一客户集合包含的客户的风险熵的统计量作为该第一客户集合的风险熵，将所有的第一客户集合的风险熵的最大值作为第一阈值。将每一第二客户集合包含的客户的风险熵的统计量作为该第二客户集合的风险熵，将所有的第二客户集合的风险熵的最小值作为第二阈值。

需要说明的是，客户风险模型可以是规则学习中的规则，每一规则对应两个变量，每一变量的取值范围是客户集合，对应的规则体是两个变量对应各个属性的值的大小关系，对应的规则头是两个变量的风险的大小关系。

步骤S203，将目标银行网点的各个客户中对应的风险熵小于第一阈值的客户作为第一类客户，以及将目标银行网点的各个客户中对应的风险熵大于第二阈值的客户作为第二类客户。

步骤S204，银行服务器确定第一类客户中每一客户与第二类客户之间的距离。

本实施例中，第一类客户中每一客户与第二类客户之间的距离指的是第一类客户中每一客户与第二类客户中每一个客户的综合距离，综合距离可以是其中最小的距离，也可以是平均距离，本实施例对此不作限定。

可选的，本实施例中，S204可以具体为：

选取多个客户属性。

确定第一类客户中每一客户对应各个客户属性的属性值。

将第二类客户的客户作为待测距客户。

对于每一待测距客户，确定待测距客户对应各个客户属性的属性值。

对于每一客户属性，将第一类客户中客户对应客户属性的属性值与待测距客户对应客户属性的属性值之间的距离作为第一类客户中客户与待测距客户在客户属性的距离。

依据第一类客户中客户与待测距客户在多个客户属性的距离，确定第一类客户中客户与待测距客户的距离。

将第一类客户中客户与各个待测距客户的距离的最小值作为第一类客户中客户与第二类客户之间的距离。

客户属性可以为客户资产额、客户交易量、客户支付额等，第一类客户中客户与待测距客户的距离可以等于第一类客户中客户与待测距客户在各个客户属性的距离和，也可以等于第一类客户中客户与待测距客户在各个客户属性的距离加权值。

步骤S205，将距离小于设定的距离阈值的客户从第一类客户中删除。

本实施例中，距离小于设定的距离阈值的客户代表该客户与第二类客户相似程度较高，从第一类客户中删除该客户，可以提高第一类客户在后续作为负样本的效果。

示例性的，假设第一类客户包括客户a、客户b和客户c，若客户a与第二类客户的距离小于设定的距离阈值，则从客户a、客户b和客户c中删除客户a，此时删除后的第一类客户为客户b和客户c。

步骤S206，将删除后的第一类客户包含的客户作为负样本，第二类客户包含的客户作为正样本，以客户属性数据为输入，训练预测模型，获得客户风险预测模型。

本实施例中，通过将第二类客户包含的客户作为正样本，删除后的第一类客户包含的客户作为负样本们可以使预测模型提高对涉及风险客户的识别准确性。

步骤S207，银行服务器将客户风险预测模型存储在目标银行网点设备中。

本实施例中，S207的实现方式与上一实施例的S103的实现方式类似，在此不再赘述。

步骤S208，目标银行网点设备依据客户风险预测模型，确定目标银行网点的多个当前客户的风险标识。

本实施例中，S208的实现方式与上一实施例的S104的实现方式类似，在此不再赘述。

可选的，本实施例中，S208可以具体为：

目标银行网点获取多个当前客户的客户属性数据。

对于每一当前客户，将当前客户的客户属性数据输入到客户风险预测模型中，获得当前客户的风险标识。

客户风险预测模型的输入为客户对应的客户属性数据，输出客户的风险标识，通过将当前客户的客户属性数据输入到客户风险预测模型可以直接获得当前客户的风险标识。

步骤S209，目标银行网点设备依据多个当前客户的风险标识，对多个当前客户的交易按照预设风险控制策略进行对应处理。

可选的，本实施例中，S209的实现方式可以有多种，其中一种可以具体为：

按照交易办理顺序从前到后的顺序，对多个当前客户进行排序。

对于排序中的每两个相邻的当前客户，当排在前面的第一当前客户的风险标识表征第一当前客户涉及风险，且排在后面的第二当前客户的风险标识表征第二当前客户不涉及风险时，交换第一当前客户和第二当前客户的交易办理顺序，以及在排序中的位置。

本实施例的实现方式中，通过将涉及风险的当前客户与不涉及风险的当前客户交换交易办理顺序，从而可以使不涉及风险的当前客户先进行交易处理，减少客户的整体排队时长，以及提高目标银行网点的交易安全性。同时，交换排序后的涉及风险的当前客户，也可以对其进行生物特征识别等处理，提高涉及风险的当前客户的交易安全性。

可选的，本实施例中，其中另一种可以具体为：

依据多个当前客户的风险标识，确定当前风险客户数量与当前非风险客户数量。

依据当前风险客户数量与当前非风险客户数量，确定目标银行网点在当前时间的客户风险熵，具体如下：

当l＜k时,

当l≥k时,

其中，S是目标银行网点在当前时间的客户风险熵，l是当前风险客户数量，k是当前非风险客户数量。

依据目标银行网点在当前时间的客户风险熵，对多个当前客户的交易按照预设风险控制策略进行对应处理。

在一实施例中，依据目标银行网点在当前时间的客户风险熵，对多个当前客户的交易按照预设风险控制策略进行对应处理的流程可以具体为：

获取目标银行网点在多个历史时间的客户风险熵。

依据客户风险熵，确定当前时间对应的多个历史时间。

将目标银行网点在当前时间对应的多个历史时间的客户历史交易数据作为当前时间对应的潜在历史交易数据。

依据当前时间对应的潜在历史交易数据，对多个当前客户进行对应处理。

本实施例中，通过客户风险熵确定当前时间对应的多个历史时间，确定方式可以是查找与当前时间的客户风险熵相同的客户风险熵，所对应的多个历史时间。

通过当前时间对应的潜在历史交易数据，可以确定潜在历史交易数据中的风险情况，从而基于潜在历史交易数据中的风险情况如风险类型、涉及客户风险数量等，对多个当前客户的交易进行对应处理。

在一实施例中，依据当前时间对应的潜在历史交易数据，对多个当前客户进行对应处理，包括：

依据当前时间对应的潜在历史交易数据，确定多个当前客户涉及的风险类型。

依据确定的风险类型，对多个当前客户进行风险控制。

不同的风险类型可以采用不同的风险控制方式，比如风险类型为客户风险，则可以针对客户进行人脸识别、指纹识别等验证手段。风险类型为账户风险，则可以使用户进行进一步的密码验证、安全验证等验证处理。

在一实施例中，依据当前时间对应的潜在历史交易数据，对多个当前客户进行对应处理的流程，可以具体为：

设置多个交易数值。

对于每个交易数值，确定当交易阈值设置为该交易数值时，当前时间对应的潜在历史交易数据中涉及风险的历史交易数据的比例。即通过交易阈值对潜在历史交易数据进行筛选后，确定筛选后的潜在历史交易数据中涉及风险的历史交易数据的比例。

依据该比例，确定该交易数值对应的风险熵：

T＝-rlog₂r-(1-r)log₂(1-r)

其中，r是该比例。

获取目标银行网点对应的风险阈值，该风险阈值可以根据实际应用进行设置。

从多个交易数值中选取出对应的风险熵小于该风险阈值的交易数值。

依据选取出的交易数值的最大值，确定目标银行网点在当前时间的交易阈值。

依据目标银行网点在当前时间的交易阈值，对多个当前客户进行风险控制，比如对于交易数值小于交易阈值的当前客户的交易进行正常处理，对于交易数值大于或等于交易阈值的当前客户的交易，进行安全验证等处理。

图4为本申请提供的银行网点的交易处理装置的结构示意图，如图4所示，本实施例中，该银行网点的交易处理装置300可以设置在电子设备中，银行网点的交易处理装置300包括：

第一确定模块301，用于银行服务器依据目标银行网点的客户历史交易数据，确定目标银行网点的第一类客户和第二类客户。其中，第一类客户是满足第一预设条件的客户集合，第二类客户是满足第二预设条件的客户集合，且第一类客户的风险熵小于第二类客户的风险熵。其中，风险熵用于表示客户在交易时有关风险的信息量。

获取模块302，用于银行服务器将第一类客户包含的客户和第二类客户包含的客户作为样本，以客户属性数据为输入，训练预测模型，获得客户风险预测模型。

存储模块303，用于银行服务器将客户风险预测模型存储在目标银行网点设备中。

第二确定模块304，用于目标银行网点设备依据客户风险预测模型，确定目标银行网点的多个当前客户的风险标识。

处理模块305，用于目标银行网点设备依据多个当前客户的风险标识，对多个当前客户的交易按照预设风险控制策略进行对应处理。

本实施例提供的银行网点的交易处理装置可以执行图2所示方法实施例的技术方案，其实现原理和技术效果与图2所示方法实施例类似，在此不再一一赘述。

本申请提供的银行网点的交易处理装置在上一实施例提供的银行网点的交易处理装置的基础上，对银行网点的交易处理装置进行了进一步的细化，则银行网点的交易处理装置300包括：

可选的，本实施例中，第一确定模块301具体用于：

依据目标银行网点的客户历史交易数据，确定目标银行网点的各个客户的风险熵。获取第一阈值和第二阈值。其中，第一阈值小于第二阈值。将目标银行网点的各个客户中对应的风险熵小于第一阈值的客户作为第一类客户，以及将目标银行网点的各个客户中对应的风险熵大于第二阈值的客户作为第二类客户。

可选的，本实施例中，第一确定模块301在依据目标银行网点的客户历史交易数据，确定目标银行网点的各个客户的风险熵时，具体用于：

对于目标银行网点的每一客户，从目标银行网点的客户历史交易数据中选取出客户对应的交易数据以及风险交易数据。其中，风险交易数据表征涉及风险的交易数据。获取多个风险数据维度。依据多个风险数据维度，将风险交易数据划分为多个互不相交的风险交易子数据。依据多个风险交易子数据、交易数据，确定客户的风险熵，具体为：

其中，R是客户的风险熵，n是交易数据包含的交易数量，m_i和m_j分别是多个风险交易子数据中第i个和第j个风险交易子数据包含的交易数量。

可选的，本实施例中，获取模块302具体用于：

确定第一类客户中每一客户与第二类客户之间的距离。将距离小于设定的距离阈值的客户从第一类客户中删除。将删除后的第一类客户包含的客户作为负样本，第二类客户包含的客户作为正样本，以客户属性数据为输入，训练预测模型，获得客户风险预测模型。

可选的，本实施例中，获取模块302在确定第一类客户中每一客户与第二类客户之间的距离时，具体用于：

选取多个客户属性。确定第一类客户中每一客户对应各个客户属性的属性值。将第二类客户的客户作为待测距客户。对于每一待测距客户，确定待测距客户对应各个客户属性的属性值。对于每一客户属性，将第一类客户中客户对应客户属性的属性值与待测距客户对应客户属性的属性值之间的距离作为第一类客户中客户与待测距客户在客户属性的距离。依据第一类客户中客户与待测距客户在多个客户属性的距离，确定第一类客户中客户与待测距客户的距离。将第一类客户中客户与各个待测距客户的距离的最小值作为第一类客户中客户与第二类客户之间的距离。

可选的，本实施例中，第二确定模块304具体用于：

目标银行网点获取多个当前客户的客户属性数据。对于每一当前客户，将当前客户的客户属性数据输入到客户风险预测模型中，获得当前客户的风险标识。

可选的，本实施例中，处理模块305具体用于：

按照交易办理顺序从前到后的顺序，对多个当前客户进行排序。对于排序中的每两个相邻的当前客户，当排在前面的第一当前客户的风险标识表征第一当前客户涉及风险，且排在后面的第二当前客户的风险标识表征第二当前客户不涉及风险时，交换第一当前客户和第二当前客户的交易办理顺序，以及在排序中的位置。

可选的，本实施例中，处理模块305具体用于：

依据多个当前客户的风险标识，确定当前风险客户数量与当前非风险客户数量。依据当前风险客户数量与当前非风险客户数量，确定目标银行网点在当前时间的客户风险熵，具体如下：

当l＜k时,

当l≥k时,

其中，S是目标银行网点在当前时间的客户风险熵，l是当前风险客户数量，k是当前非风险客户数量。

依据目标银行网点在当前时间的客户风险熵，对多个当前客户的交易按照预设风险控制策略进行对应处理。

本实施例提供的银行网点的交易处理装置可以执行图2-图3所示方法实施例的技术方案，其实现原理和技术效果与图2-图3所示方法实施例类似，在此不再一一赘述。

根据本申请的实施例，本申请还提供了一种电子设备、一种计算机可读存储介质和一种计算机程序产品。

如图5所示，图5是本申请提供的电子设备的结构示意图。电子设备旨在各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、刀片式服务器、大型计算机、和其它适合的计算机。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图5所示，该电子设备包括：处理器401和存储器402。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理。

存储器402即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的银行网点的交易处理方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的银行网点的交易处理方法。

存储器402作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的银行网点的交易处理方法对应的程序指令/模块(例如，附图4所示的第一确定模块301、获取模块302、存储模块303、第二确定模块304和处理模块305)。处理器401通过运行存储在存储器402中的非瞬时软件程序、指令以及模块，从而执行电子设备的各种功能应用以及银行网点的交易处理，即实现上述方法实施例中的银行网点的交易处理方法。

同时，本实施例还提供一种计算机产品，当该计算机产品中的指令由电子设备的处理器执行时，使得电子设备能够执行上述实施例的银行网点的交易处理方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请实施例的其它实施方案。本申请旨在涵盖本申请实施例的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请实施例的一般性原理并包括本申请实施例未公开的本技术领域中的公知常识或惯用技术手段。

应当理解的是，本申请实施例并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请实施例的范围仅由所附的权利要求书来限制。

Claims (10)

1.一种银行网点的交易处理方法，其特征在于，包括：

银行服务器依据目标银行网点的客户历史交易数据，确定目标银行网点的第一类客户和第二类客户；其中，第一类客户是满足第一预设条件的客户集合，第二类客户是满足第二预设条件的客户集合，且第一类客户的风险熵小于第二类客户的风险熵；其中，风险熵用于表示客户在交易时有关风险的信息量；

银行服务器将第一类客户包含的客户和第二类客户包含的客户作为样本，以客户属性数据为输入，训练预测模型，获得客户风险预测模型；

银行服务器将所述客户风险预测模型存储在目标银行网点设备中；

目标银行网点设备依据所述客户风险预测模型，确定目标银行网点的多个当前客户的风险标识；

目标银行网点设备依据所述多个当前客户的风险标识，对所述多个当前客户的交易按照预设风险控制策略进行对应处理。

2.根据权利要求1所述的方法，其特征在于，所述依据目标银行网点的客户历史交易数据，确定目标银行网点的第一类客户和第二类客户，包括：

依据目标银行网点的客户历史交易数据，确定目标银行网点的各个客户的风险熵；

获取第一阈值和第二阈值；其中，第一阈值小于第二阈值；

将目标银行网点的各个客户中对应的风险熵小于第一阈值的客户作为第一类客户，以及将目标银行网点的各个客户中对应的风险熵大于第二阈值的客户作为第二类客户。

3.根据权利要求2所述的方法，其特征在于，所述依据目标银行网点的客户历史交易数据，确定目标银行网点的各个客户的风险熵，包括：

对于目标银行网点的每一客户，从目标银行网点的客户历史交易数据中选取出所述客户对应的交易数据以及风险交易数据；其中，风险交易数据表征涉及风险的交易数据；

获取多个风险数据维度；

依据所述多个风险数据维度，将所述风险交易数据划分为多个互不相交的风险交易子数据；

依据所述多个风险交易子数据、所述交易数据，确定所述客户的风险熵，具体为：

其中，R是所述客户的风险熵，n是所述交易数据包含的交易数量，m_i和mj分别是所述多个风险交易子数据中第i个和第j个风险交易子数据包含的交易数量。

4.根据权利要求1所述的方法，其特征在于，所述银行服务器将第一类客户包含的客户和第二类客户包含的客户作为样本，以客户属性数据为输入，训练预测模型，获得客户风险预测模型，包括：

确定第一类客户中每一客户与第二类客户之间的距离；

将所述距离小于设定的距离阈值的客户从第一类客户中删除；

将删除后的第一类客户包含的客户作为负样本，第二类客户包含的客户作为正样本，以客户属性数据为输入，训练预测模型，获得客户风险预测模型。

5.根据权利要求4所述的方法，其特征在于，所述确定第一类客户中每一客户与第二类客户之间的距离，包括：

选取多个客户属性；

确定第一类客户中每一客户对应各个客户属性的属性值；

将第二类客户的客户作为待测距客户；

对于每一待测距客户，确定所述待测距客户对应各个客户属性的属性值；

对于每一客户属性，将第一类客户中客户对应所述客户属性的属性值与所述待测距客户对应所述客户属性的属性值之间的距离作为第一类客户中客户与所述待测距客户在所述客户属性的距离；

依据第一类客户中客户与所述待测距客户在多个所述客户属性的距离，确定第一类客户中客户与所述待测距客户的距离；

将第一类客户中客户与各个待测距客户的距离的最小值作为第一类客户中客户与第二类客户之间的距离。

6.根据权利要求1所述的方法，其特征在于，所述目标银行网点设备依据所述客户风险预测模型，确定目标银行网点的多个当前客户的风险标识，包括：

目标银行网点获取多个当前客户的客户属性数据；

对于每一当前客户，将所述当前客户的客户属性数据输入到所述客户风险预测模型中，获得所述当前客户的风险标识。

7.根据权利要求1所述的方法，其特征在于，所述目标银行网点设备依据所述多个当前客户的风险标识，对所述多个当前客户的交易按照预设风险控制策略进行对应处理，包括：

按照交易办理顺序从前到后的顺序，对所述多个当前客户进行排序；

对于排序中的每两个相邻的当前客户，当排在前面的第一当前客户的风险标识表征第一当前客户涉及风险，且排在后面的第二当前客户的风险标识表征第二当前客户不涉及风险时，交换第一当前客户和第二当前客户的交易办理顺序，以及在排序中的位置。

8.根据权利要求1所述的方法，其特征在于，所述目标银行网点设备依据所述多个当前客户的风险标识，对所述多个当前客户的交易按照预设风险控制策略进行对应处理，包括：

依据所述多个当前客户的风险标识，确定当前风险客户数量与当前非风险客户数量；

依据当前风险客户数量与当前非风险客户数量，确定目标银行网点在当前时间的客户风险熵，具体如下：

当l＜k时,

当l≥k时,

其中，S是目标银行网点在当前时间的客户风险熵，l是当前风险客户数量，k是当前非风险客户数量；

依据目标银行网点在当前时间的客户风险熵，对所述多个当前客户的交易按照预设风险控制策略进行对应处理。

9.一种电子设备，其特征在于，包括：存储器和处理器；

所述存储器存储计算机执行指令；

所述处理器执行所述存储器存储的计算机执行指令，以实现如权利要求1至8任一项所述的银行网点的交易处理方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至8任一项所述的银行网点的交易处理方法。