CN117422302A - 基于风控模型的信息预测方法及系统 - Google Patents
基于风控模型的信息预测方法及系统 Download PDFInfo
- Publication number
- CN117422302A CN117422302A CN202311406015.3A CN202311406015A CN117422302A CN 117422302 A CN117422302 A CN 117422302A CN 202311406015 A CN202311406015 A CN 202311406015A CN 117422302 A CN117422302 A CN 117422302A
- Authority
- CN
- China
- Prior art keywords
- data
- wind control
- control data
- abnormal
- unit
- 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 51
- 230000002159 abnormal effect Effects 0.000 claims abstract description 421
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 174
- 238000004458 analytical method Methods 0.000 claims abstract description 116
- 238000005065 mining Methods 0.000 claims abstract description 71
- 238000012512 characterization method Methods 0.000 claims abstract description 48
- 238000013507 mapping Methods 0.000 claims description 88
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012954 risk control Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Fuzzy Systems (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供的基于风控模型的信息预测方法及系统，涉及人工智能技术领域。在本发明中，在待处理用户风控数据中确定出异常用户风控数据；形成异常用户风控数据对应的代表分解数据单元；依据代表分解数据单元，将异常用户风控数据进行异常维度匹配操作，以形成异常分析维度；将异常分析维度对应的异常用户风控数据进行特征挖掘操作，以输出特征挖掘表征数据；依据特征挖掘表征数据，将异常分析维度对应的异常用户风控数据进行分类操作，以形成异常用户风控数据簇；基于每一个异常用户风控数据簇对应的异常用户风控数据的代表分解数据单元，分析出对应的异常类型信息。基于上述内容，可以提高信息预测的可靠度。
Description
技术领域
本发明涉及人工智能技术领域，具体而言，涉及一种基于风控模型的信息预测方法及系统。
背景技术
风险控制是诸多领域中的重要保障性手段。其中，在一些应用中，需要确定出风控信息对应的异常类型，如信用问题、还款能力问题、身份异常问题等，这些问题都需要进行判断，但是，在现有技术中，在进行相应的信息预测（估计、分析等操作，例如，可以基于人工智能技术实现，人工智能，Artificial Intelligence，简称AI，是利用数字计算机或者数字计算机控制的计算模拟、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）的过程中，存在着信息预测的可靠度不高的问题。
发明内容
有鉴于此，本发明的目的在于提供一种基于风控模型的信息预测方法及系统，以在一定程度上提高风控中信息预测的可靠度。
为实现上述目的，本发明实施例采用如下技术方案：
一种基于风控模型的信息预测方法，包括：
提取到待分析用户的多个待处理用户风控数据，以及，将所述多个待处理用户风控数据进行异常分析操作，以在所述多个待处理用户风控数据中确定出对应的多个异常用户风控数据，每一个所述待处理用户风控数据属于对应的一个数据平台对所述待分析用户进行数据采集操作以形成；
分别将每一个所述异常用户风控数据进行数据分解操作，以形成每一个所述异常用户风控数据对应的至少一个代表分解数据单元，所述代表分解数据单元是指异常用户风控数据对应的各分解数据单元中的代表；
依据每一个所述异常用户风控数据对应的至少一个代表分解数据单元，将每一个所述异常用户风控数据进行异常维度匹配操作，以形成与每一个所述异常用户风控数据对应的异常分析维度；
对于每一个所述异常分析维度进行目标操作，该目标操作包括：确定出所述异常分析维度对应的每一个所述异常用户风控数据的代表分解数据单元；对单元重要度与预设重要度规则匹配的多个代表分解数据单元进行标记，以标记为多个第一代表分解数据单元，所述异常用户风控数据的多个特征挖掘坐标和所述多个第一代表分解数据单元具有一一相应的关系；依据所述多个第一代表分解数据单元，将所述异常分析维度对应的每一个所述异常用户风控数据进行特征挖掘操作，以输出所述异常用户风控数据的特征挖掘表征数据；
依据所述异常分析维度对应的每一个所述异常用户风控数据的特征挖掘表征数据，将所述异常分析维度对应的多个异常用户风控数据进行分类操作，形成所述异常分析维度对应的多个异常用户风控数据簇；
基于每一个所述异常用户风控数据簇对应的异常用户风控数据的代表分解数据单元，分析出每一个异常用户风控数据簇对应的异常类型信息。
在一些优选的实施例中，在上述基于风控模型的信息预测方法中，所述异常分析操作利用异常分析神经网络执行，所述异常分析神经网络加载到的数据包括所述待处理用户风控数据和配置到所述待处理用户风控数据的前面的初始异常表征数据，所述异常分析神经网络包括特征空间第一映射单元和异常分析单元；
所述提取到待分析用户的多个待处理用户风控数据，以及，将所述多个待处理用户风控数据进行异常分析操作，以在所述多个待处理用户风控数据中确定出对应的多个异常用户风控数据的步骤，包括：
提取到待分析用户的多个待处理用户风控数据；
对于每一个所述待处理用户风控数据，进行的操作包括：
利用所述特征空间第一映射单元，将所述待处理用户风控数据进行特征空间映射操作，以输出所述待处理用户风控数据中每一个数据最小粒度内容对应的空间映射特征表示；
利用所述特征空间第一映射单元，将所述初始异常表征数据进行特征空间映射操作，以输出所述初始异常表征数据对应的空间映射特征表示，所述初始异常表征数据不属于具有异常分析语义的内容；
依据每一个所述数据最小粒度内容对应的空间映射特征表示和所述初始异常表征数据对应的空间映射特征表示，组合形成映射特征表示有序集合，所述初始异常表征数据对应的空间映射特征表示分布在所述映射特征表示有序集合的第一个集合位置，多个所述数据最小粒度内容对应的空间映射特征表示在所述映射特征表示有序集合中的分布关系与多个所述数据最小粒度内容在所述待处理用户风控数据中的分布关系一致；
利用所述异常分析单元，将所述映射特征表示有序集合进行异常分析操作，以形成所述映射特征表示有序集合中每一个所述空间映射特征表示对应的异常性表征数据；
在所述初始异常表征数据对应的空间映射特征表示对应的异常性表征数据，反映出所述待处理用户风控数据属于异常用户风控数据的情况下，对所述待处理用户风控数据进行标记，以标记为异常用户风控数据。
在一些优选的实施例中，在上述基于风控模型的信息预测方法中，所述利用所述特征空间第一映射单元，将所述待处理用户风控数据进行特征空间映射操作，以输出所述待处理用户风控数据中每一个数据最小粒度内容对应的空间映射特征表示的步骤，包括：
对于每一个所述数据最小粒度内容，进行的操作包括：
确定出所述数据最小粒度内容的语义特征表示、所述数据最小粒度内容的坐标特征表示和所述数据最小粒度内容的分布关系特征表示；
对所述数据最小粒度内容的语义特征表示、所述数据最小粒度内容的坐标特征表示和所述数据最小粒度内容的分布关系特征表示进行聚合操作，以形成所述数据最小粒度内容对应的空间映射特征表示。
在一些优选的实施例中，在上述基于风控模型的信息预测方法中，所述分别将每一个所述异常用户风控数据进行数据分解操作，以形成每一个所述异常用户风控数据对应的至少一个代表分解数据单元的步骤，包括：
对于每一个所述异常用户风控数据，进行的操作包括：
将所述异常用户风控数据的每一个数据最小粒度内容进行内容估计操作，以输出每一个所述数据最小粒度内容的内容估计数据，所述内容估计数据包括代表分解数据单元的前端的数据最小粒度内容、代表分解数据单元的中心的数据最小粒度内容、代表分解数据单元的尾端的数据最小粒度内容和/或代表分解数据单元的冗余的数据最小粒度内容；
依据所述异常用户风控数据的每一个所述数据最小粒度内容的内容估计数据，分析出所述异常用户风控数据对应的至少一个代表分解数据单元。
在一些优选的实施例中，在上述基于风控模型的信息预测方法中，所述内容估计操作利用内容估计神经网络执行，所述内容估计神经网络包括特征空间第二映射单元和内容估计单元；
所述将所述异常用户风控数据的每一个数据最小粒度内容进行内容估计操作，以输出每一个所述数据最小粒度内容的内容估计数据的步骤，包括：
对于每一个所述异常用户风控数据，进行的操作包括：
利用所述特征空间第二映射单元，将所述异常用户风控数据进行特征空间映射操作，以输出所述异常用户风控数据中每一个数据最小粒度内容对应的空间映射特征表示；
利用所述内容估计单元，将每一个所述空间映射特征表示进行内容估计操作，以输出每一个所述空间映射特征表示对应的内容估计数据。
在一些优选的实施例中，在上述基于风控模型的信息预测方法中，在所述对单元重要度与预设重要度规则匹配的多个代表分解数据单元进行标记，以标记为多个第一代表分解数据单元的步骤以前，所述基于风控模型的信息预测方法还包括：
对所述异常分析维度对应的多个代表分解数据单元中每一个所述代表分解数据单元，进行的操作包括：统计出所述异常分析维度中包括所述代表分解数据单元的异常用户风控数据的数量第一统计值，并统计出所述异常分析维度中所述异常用户风控数据的数量第二统计值，以及，对所述数量第一统计值和所述数量第二统计值进行除法运算，以输出所述代表分解数据单元对应的单元重要度；
所述对单元重要度与预设重要度规则匹配的多个代表分解数据单元进行标记，以标记为多个第一代表分解数据单元的步骤，包括：
对所述单元重要度大于或等于预先配置的参考单元重要度的多个代表分解数据单元进行标记，以标记为与预设重要度规则匹配的多个第一代表分解数据单元，或者，将所述异常分析维度的多个代表分解数据单元中对应的单元重要度最大的指定数量个代表分解数据单元进行标记，以标记为与预设重要度规则匹配的多个第一代表分解数据单元。
在一些优选的实施例中，在上述基于风控模型的信息预测方法中，所述依据所述多个第一代表分解数据单元，将所述异常分析维度对应的每一个所述异常用户风控数据进行特征挖掘操作，以输出所述异常用户风控数据的特征挖掘表征数据的步骤，包括：
对于所述多个第一代表分解数据单元中的每一个所述第一代表分解数据单元，进行的操作包括：
在所述异常用户风控数据不包括所述第一代表分解数据单元的情况下，对所述异常用户风控数据在所述第一代表分解数据单元对应的特征挖掘坐标配置为目标预设参数；
在所述第一代表分解数据单元为所述异常用户风控数据中单元重要度最大的代表分解数据单元的情况下，对所述异常用户风控数据在所述第一代表分解数据单元对应的特征挖掘坐标配置为所述第一代表分解数据单元的单元重要度；
在所述第一代表分解数据单元为所述异常用户风控数据的代表分解数据单元，且属于所述异常用户风控数据中单元重要度最大的代表分解数据单元以外的其它代表分解数据单元的情况下，依据所述第一代表分解数据单元和所述异常用户风控数据中所述单元重要度最大的代表分解数据单元，将所述异常用户风控数据在所述第一代表分解数据单元对应的特征挖掘坐标进行配置。
在一些优选的实施例中，在上述基于风控模型的信息预测方法中，所述在所述第一代表分解数据单元为所述异常用户风控数据的代表分解数据单元，且属于所述异常用户风控数据中单元重要度最大的代表分解数据单元以外的其它代表分解数据单元的情况下，依据所述第一代表分解数据单元和所述异常用户风控数据中所述单元重要度最大的代表分解数据单元，将所述异常用户风控数据在所述第一代表分解数据单元对应的特征挖掘坐标进行配置的步骤，包括：
在所述第一代表分解数据单元为所述异常用户风控数据的代表分解数据单元，且属于所述异常用户风控数据中单元重要度最大的代表分解数据单元以外的其它代表分解数据单元的情况下，统计出所述异常分析维度中包括所述第一代表分解数据单元和所述单元重要度最大的代表分解数据单元的异常用户风控数据的数量第三统计值；
统计出所述异常分析维度中所述异常用户风控数据的数量第二统计值；
对所述数量第三统计值和所述数量第二统计值进行除法运算，以得到所述第一代表分解数据单元的单元统计参数；
对所述异常用户风控数据在所述第一代表分解数据单元对应的特征挖掘坐标，配置为所述单元重要度最大的代表分解数据单元的单元重要度和所述单元统计参数之间的减法运算结果。
在一些优选的实施例中，在上述基于风控模型的信息预测方法中，所述依据所述异常分析维度对应的每一个所述异常用户风控数据的特征挖掘表征数据，将所述异常分析维度对应的多个异常用户风控数据进行分类操作，形成所述异常分析维度对应的多个异常用户风控数据簇的步骤，包括：
对所述异常分析维度对应的多个所述异常用户风控数据进行合并，以形成所述异常分析维度对应的待分析数据簇；
将所述待分析数据簇标记为未轮询数据簇，以及，将分类操作排序值配置为目标指定参数；
依据所述待分析数据簇和所述待分析数据簇中各个异常用户风控数据对应的特征挖掘表征数据，将参考特征差异参数和参考相邻数据数量作为分类限制参数，以分析出中间待分析数据簇；
在所述中间待分析数据簇具有簇元素的情况下，对于所述中间待分析数据簇中的任意一个中间异常用户风控数据，进行的操作包括：
将所述中间异常用户风控数据对应的中间异常用户风控数据排列组合和分类待分析数据簇进行默认配置操作，以及，对所述分类操作排序值和所述未轮询数据簇进行调整；
选择出所述中间异常用户风控数据排列组合中第一个中间异常用户风控数据，以及，分析出所述第一个中间异常用户风控数据对应的相邻待分析数据簇；
基于所述相邻待分析数据簇，对所述中间异常用户风控数据排列组合、所述分类待分析数据簇和所述未轮询数据簇进行调整，使得所述中间异常用户风控数据排列组合中的中间异常用户风控数据全部选择出；
在所述中间异常用户风控数据排列组合中的中间异常用户风控数据全部选择出的情况下，对所述中间待分析数据簇进行调整，以及，分析出所述分类待分析数据簇中的所有异常用户风控数据属于当前分类操作排序值对应的异常用户风控数据簇。
本发明实施例还提供一种基于风控模型的信息预测系统，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现上述的基于风控模型的信息预测方法。
本发明实施例提供的基于风控模型的信息预测方法及系统，可以先在待处理用户风控数据中确定出异常用户风控数据；形成异常用户风控数据对应的代表分解数据单元；依据代表分解数据单元，将异常用户风控数据进行异常维度匹配操作，以形成异常分析维度；将异常分析维度对应的异常用户风控数据进行特征挖掘操作，以输出特征挖掘表征数据；依据特征挖掘表征数据，将异常分析维度对应的异常用户风控数据进行分类操作，以形成异常用户风控数据簇；基于每一个异常用户风控数据簇对应的异常用户风控数据的代表分解数据单元，分析出对应的异常类型信息。基于前述的内容，由于会先进行异常维度匹配操作，使得可以匹配结果进行相应数据的分析，因此，可以使得在一定程度上提高风控中信息预测的可靠度，从而改善现有技术中存在的风控中信息预测的可靠度不高的问题。
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
图1为本发明实施例提供的基于风控模型的信息预测系统的结构框图。
图2为本发明实施例提供的基于风控模型的信息预测方法包括的各步骤的流程示意图。
图3为本发明实施例提供的基于风控模型的信息预测装置包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
如图1所示，本发明实施例提供了一种基于风控模型的信息预测系统。其中，所述基于风控模型的信息预测系统可以包括存储器和处理器。
详细地，所述存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件（firmware）的形式，存在的软件功能模块（计算机程序）。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序，从而实现本发明实施例提供的基于风控模型的信息预测方法。
应当理解的是，在一些可能的实施方式中，所述存储器可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-Only Memory，PROM），可擦除只读存储器（ErasableProgrammable Read-Only Memory，EPROM），电可擦除只读存储器（Electric ErasableProgrammable Read-Only Memory，EEPROM）等。
应当理解的是，在一些可能的实施方式中，所述处理器可以是一种通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）、片上系统(System on Chip，SoC)等；还可以是数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
应当理解的是，在一些可能的实施方式中，所述基于风控模型的信息预测系统可以是一种具备数据处理能力的服务器。
结合图2，本发明实施例还提供一种基于风控模型的信息预测方法，可应用于上述基于风控模型的信息预测系统。其中，所述基于风控模型的信息预测方法有关的流程所定义的方法步骤，可以由所述基于风控模型的信息预测系统实现。下面将对图2所示的具体流程，进行详细阐述。
步骤S110，提取到待分析用户的多个待处理用户风控数据，以及，将所述多个待处理用户风控数据进行异常分析操作，以在所述多个待处理用户风控数据中确定出对应的多个异常用户风控数据。
在本发明实施例中，所述基于风控模型的信息预测系统可以提取到待分析用户的多个待处理用户风控数据，以及，将所述多个待处理用户风控数据进行异常分析操作，以在所述多个待处理用户风控数据中确定出对应的多个异常用户风控数据。所述待分析用户属于需要进行风险控制操作相应的用户，每一个所述待处理用户风控数据属于对应的一个数据平台对所述待分析用户进行数据采集操作以形成。
步骤S120，分别将每一个所述异常用户风控数据进行数据分解操作，以形成每一个所述异常用户风控数据对应的至少一个代表分解数据单元。
在本发明实施例中，所述基于风控模型的信息预测系统可以分别将每一个所述异常用户风控数据进行数据分解操作，以形成每一个所述异常用户风控数据对应的至少一个代表分解数据单元。所述代表分解数据单元是指异常用户风控数据对应的各分解数据单元中的代表，如一些重要的分解数据单元，该分解数据单元的粒度可以为文本词语级或文本语句级等。
步骤S130，依据每一个所述异常用户风控数据对应的至少一个代表分解数据单元，将每一个所述异常用户风控数据进行异常维度匹配操作，以形成与每一个所述异常用户风控数据对应的异常分析维度。
在本发明实施例中，所述基于风控模型的信息预测系统可以依据每一个所述异常用户风控数据对应的至少一个代表分解数据单元，将每一个所述异常用户风控数据进行异常维度匹配操作，以形成与每一个所述异常用户风控数据对应的异常分析维度，如信用维度、能力维度等。示例性地，预先可以针对每一个异常分析维度配置相应的参考数据单元，如信用维度的“诚实”等，然后，可以确定所述异常用户风控数据对应的至少一个代表分解数据单元中是否包括该参考数据单元，如果包括该参考数据单元，可以将所述异常用户风控数据与该异常分析维度对应起来。
步骤S140，对于每一个所述异常分析维度进行目标操作，以将所述异常分析维度对应的每一个所述异常用户风控数据进行特征挖掘操作，以输出所述异常用户风控数据的特征挖掘表征数据。
在本发明实施例中，所述基于风控模型的信息预测系统可以对于每一个所述异常分析维度进行目标操作，以将所述异常分析维度对应的每一个所述异常用户风控数据进行特征挖掘操作，以输出所述异常用户风控数据的特征挖掘表征数据。所述目标操作包括：确定出所述异常分析维度对应的每一个所述异常用户风控数据的代表分解数据单元；对单元重要度与预设重要度规则匹配的多个代表分解数据单元进行标记，以标记为多个第一代表分解数据单元，所述异常用户风控数据的多个特征挖掘坐标和所述多个第一代表分解数据单元具有一一相应的关系；依据所述多个第一代表分解数据单元，将所述异常分析维度对应的每一个所述异常用户风控数据进行特征挖掘操作，以输出所述异常用户风控数据的特征挖掘表征数据。
步骤S150，依据所述异常分析维度对应的每一个所述异常用户风控数据的特征挖掘表征数据，将所述异常分析维度对应的多个异常用户风控数据进行分类操作，形成所述异常分析维度对应的多个异常用户风控数据簇。
在本发明实施例中，所述基于风控模型的信息预测系统可以依据所述异常分析维度对应的每一个所述异常用户风控数据的特征挖掘表征数据，将所述异常分析维度对应的多个异常用户风控数据进行分类操作，以形成所述异常分析维度对应的多个异常用户风控数据簇。
步骤S160，基于每一个所述异常用户风控数据簇对应的异常用户风控数据的代表分解数据单元，分析出每一个异常用户风控数据簇对应的异常类型信息。
在本发明实施例中，所述基于风控模型的信息预测系统可以基于每一个所述异常用户风控数据簇对应的异常用户风控数据的代表分解数据单元，分析出每一个异常用户风控数据簇对应的异常类型信息。示例性地，对于每一个所述异常用户风控数据簇，该异常用户风控数据簇包括多个异常用户风控数据，该多个异常用户风控数据对应有多个代表分解数据单元，如此，可以将该多个代表分解数据单元进行组合，以形成该异常用户风控数据簇对应的异常类型信息，如代表分解数据单元1为“刘某某”、代表分解数据单元2为“不诚实”，如此，形成的异常用户风控数据簇对应的异常类型信息可以为“刘某某不诚实”。
基于前述的内容（即前述的步骤S110-步骤S160），由于会先进行异常维度匹配操作，使得可以匹配结果进行相应数据的分析，因此，可以使得在一定程度上提高风控中信息预测的可靠度，从而改善现有技术中存在的风控中信息预测的可靠度不高的问题。
应当理解的是，在一些可能的实施方式中，所述异常分析操作利用异常分析神经网络执行，所述异常分析神经网络加载到的数据包括所述待处理用户风控数据和配置到所述待处理用户风控数据的前面的初始异常表征数据，即所述加载到的数据为“初始异常表征数据，待处理用户风控数据”，所述异常分析神经网络可以包括特征空间第一映射单元和异常分析单元，基于此，上述描述中的步骤S110，进一步包括以下所述的各具体实施过程：
提取到待分析用户的多个待处理用户风控数据；
对于每一个所述待处理用户风控数据，进行的操作包括：
利用所述特征空间第一映射单元，将所述待处理用户风控数据进行特征空间映射操作，以输出所述待处理用户风控数据中每一个数据最小粒度内容对应的空间映射特征表示，所述数据最小粒度内容的具体粒度不受限制，例如，可以是一个字、一个数值或符号等，也就是说，将每一个数据最小粒度内容映射到特征空间中用向量的形式表示，形成特征表示；
利用所述特征空间第一映射单元，将所述初始异常表征数据进行特征空间映射操作，以输出所述初始异常表征数据对应的空间映射特征表示，所述初始异常表征数据不属于具有异常分析语义的内容，如一个符号；
依据每一个所述数据最小粒度内容对应的空间映射特征表示和所述初始异常表征数据对应的空间映射特征表示，组合形成映射特征表示有序集合，所述初始异常表征数据对应的空间映射特征表示分布在所述映射特征表示有序集合的第一个集合位置，多个所述数据最小粒度内容对应的空间映射特征表示在所述映射特征表示有序集合中的分布关系与多个所述数据最小粒度内容在所述待处理用户风控数据中的分布关系一致；
利用所述异常分析单元，将所述映射特征表示有序集合进行异常分析操作，以形成所述映射特征表示有序集合中每一个所述空间映射特征表示对应的异常性表征数据，所述异常性表征数据可以反映出所述待处理用户风控数据是否属于异常用户风控数据，所述异常分析单元可以包括一些分类函数，以实现异常性的分类，如softmax等函数；
在所述初始异常表征数据对应的空间映射特征表示对应的异常性表征数据，反映出所述待处理用户风控数据属于异常用户风控数据的情况下，对所述待处理用户风控数据进行标记，以标记为异常用户风控数据。
应当理解的是，在一些可能的实施方式中，所述利用所述特征空间第一映射单元，将所述待处理用户风控数据进行特征空间映射操作，以输出所述待处理用户风控数据中每一个数据最小粒度内容对应的空间映射特征表示的步骤，可以进一步包括以下所述的各具体实施过程：
对于每一个所述数据最小粒度内容，进行的操作包括：
确定出所述数据最小粒度内容的语义特征表示、所述数据最小粒度内容的坐标特征表示和所述数据最小粒度内容的分布关系特征表示，所述数据最小粒度内容的语义特征表示通过直接对该数据最小粒度内容进行特征空间映射操作以形成，所述数据最小粒度内容的坐标特征表示通过对该数据最小粒度内容在所述待处理用户风控数据中的分布坐标进行特征空间映射操作以形成，所述数据最小粒度内容的分布关系特征表示通过对所述数据最小粒度内容的分布关系进行特征空间映射操作以形成，该分布关系根据所述数据最小粒度内容的具体粒度不同可以不同，例如，所述数据最小粒度内容可以为字，则该分布关系可以是指该字所在的词语或语句等；
对所述数据最小粒度内容的语义特征表示、所述数据最小粒度内容的坐标特征表示和所述数据最小粒度内容的分布关系特征表示进行聚合操作，以形成所述数据最小粒度内容对应的空间映射特征表示，例如，可以对所述数据最小粒度内容的语义特征表示、所述数据最小粒度内容的坐标特征表示和所述数据最小粒度内容的分布关系特征表示进行级联组合操作或进行叠加运算操作，以形成对应的空间映射特征表示。
应当理解的是，在一些可能的实施方式中，上述描述中的步骤S120，可以进一步包括以下所述的各具体实施过程：
对于每一个所述异常用户风控数据，进行的操作包括：
将所述异常用户风控数据的每一个数据最小粒度内容进行内容估计操作，以输出每一个所述数据最小粒度内容的内容估计数据，所述内容估计数据包括代表分解数据单元的前端的数据最小粒度内容、代表分解数据单元的中心的数据最小粒度内容、代表分解数据单元的尾端的数据最小粒度内容和/或代表分解数据单元的冗余的数据最小粒度内容，冗余的数据最小粒度内容可以是指没有作用的数据最小粒度内容，例如，一个所述数据最小粒度内容的内容估计数据，可以表征该数据最小粒度内容是否属于一个代表分解数据单元的前端的数据最小粒度内容等；
依据所述异常用户风控数据的每一个所述数据最小粒度内容的内容估计数据，分析出所述异常用户风控数据对应的至少一个代表分解数据单元，例如，所述数据最小粒度内容可以为字，则一个代表分解数据单元，如词语或语句，可以基于前端的数据最小粒度内容和尾端的数据最小粒度内容进行确定，即从第一个字到最后一个字，以形成一个词语或语句等。
应当理解的是，在一些可能的实施方式中，所述内容估计操作可以利用内容估计神经网络执行，所述内容估计神经网络可以包括特征空间第二映射单元和内容估计单元，基于此，所述将所述异常用户风控数据的每一个数据最小粒度内容进行内容估计操作，以输出每一个所述数据最小粒度内容的内容估计数据的步骤，可以进一步包括以下所述的各具体实施过程：
对于每一个所述异常用户风控数据，进行的操作包括：
利用所述特征空间第二映射单元，将所述异常用户风控数据进行特征空间映射操作，以输出所述异常用户风控数据中每一个数据最小粒度内容对应的空间映射特征表示，如前相关描述；
利用所述内容估计单元，将每一个所述空间映射特征表示进行内容估计操作，以输出每一个所述空间映射特征表示对应的内容估计数据，所述内容估计单元也可以包括softmax等函数。
应当理解的是，在一些可能的实施方式中，在所述对单元重要度与预设重要度规则匹配的多个代表分解数据单元进行标记，以标记为多个第一代表分解数据单元的步骤以前，所述基于风控模型的信息预测方法还可以进一步包括以下所述的各具体实施过程：
对所述异常分析维度对应的多个代表分解数据单元中每一个所述代表分解数据单元，进行的操作包括：统计出所述异常分析维度中包括所述代表分解数据单元的异常用户风控数据的数量第一统计值，并统计出所述异常分析维度中所述异常用户风控数据的数量第二统计值，以及，对所述数量第一统计值和所述数量第二统计值进行除法运算，如前者除以后者，以输出所述代表分解数据单元对应的单元重要度。
应当理解的是，在一些可能的实施方式中，对于上述描述中的步骤S140，其包括的所述对单元重要度与预设重要度规则匹配的多个代表分解数据单元进行标记，以标记为多个第一代表分解数据单元的步骤，可以进一步包括以下所述的各具体实施过程：
对所述单元重要度大于或等于预先配置的参考单元重要度的多个代表分解数据单元进行标记，以标记为与预设重要度规则匹配的多个第一代表分解数据单元，或者，将所述异常分析维度的多个代表分解数据单元中对应的单元重要度最大的指定数量个代表分解数据单元进行标记，以标记为与预设重要度规则匹配的多个第一代表分解数据单元，所述参考单元重要度和所述指定数量的具体数值可以根据实际需求进行配置。
应当理解的是，在一些可能的实施方式中，对于上述描述中的步骤S140，其包括的所述依据所述多个第一代表分解数据单元，将所述异常分析维度对应的每一个所述异常用户风控数据进行特征挖掘操作，以输出所述异常用户风控数据的特征挖掘表征数据的步骤，可以进一步包括以下所述的各具体实施过程：
对于所述多个第一代表分解数据单元中的每一个所述第一代表分解数据单元，进行的操作包括：
在所述异常用户风控数据不包括所述第一代表分解数据单元的情况下，对所述异常用户风控数据在所述第一代表分解数据单元对应的特征挖掘坐标配置为目标预设参数，示例性地，所述目标预设参数可以等于零；
在所述第一代表分解数据单元为所述异常用户风控数据中单元重要度最大的代表分解数据单元的情况下，对所述异常用户风控数据在所述第一代表分解数据单元对应的特征挖掘坐标配置为所述第一代表分解数据单元的单元重要度；
在所述第一代表分解数据单元为所述异常用户风控数据的代表分解数据单元，且属于所述异常用户风控数据中单元重要度最大的代表分解数据单元以外的其它代表分解数据单元的情况下，依据所述第一代表分解数据单元和所述异常用户风控数据中所述单元重要度最大的代表分解数据单元，将所述异常用户风控数据在所述第一代表分解数据单元对应的特征挖掘坐标进行配置，所述特征挖掘坐标是指进行特征挖掘操作的坐标，即按照相应的坐标进行特征挖掘操作，特征挖掘操作可以通过编码网络实现。
应当理解的是，在一些可能的实施方式中，所述在所述第一代表分解数据单元为所述异常用户风控数据的代表分解数据单元，且属于所述异常用户风控数据中单元重要度最大的代表分解数据单元以外的其它代表分解数据单元的情况下，依据所述第一代表分解数据单元和所述异常用户风控数据中所述单元重要度最大的代表分解数据单元，将所述异常用户风控数据在所述第一代表分解数据单元对应的特征挖掘坐标进行配置的步骤，可以进一步包括以下所述的各具体实施过程：
在所述第一代表分解数据单元为所述异常用户风控数据的代表分解数据单元，且属于所述异常用户风控数据中单元重要度最大的代表分解数据单元以外的其它代表分解数据单元的情况下，统计出所述异常分析维度中包括所述第一代表分解数据单元和所述单元重要度最大的代表分解数据单元的异常用户风控数据的数量第三统计值，该数量第三统计值是指，既包括所述第一代表分解数据单元、又包括所述单元重要度最大的代表分解数据单元的异常用户风控数据的数量；
统计出所述异常分析维度中所述异常用户风控数据的数量第二统计值，即所述异常分析维度中全部的异常用户风控数据的数量；
对所述数量第三统计值和所述数量第二统计值进行除法运算，如前者除以后者，以得到所述第一代表分解数据单元的单元统计参数；
对所述异常用户风控数据在所述第一代表分解数据单元对应的特征挖掘坐标，配置为所述单元重要度最大的代表分解数据单元的单元重要度和所述单元统计参数之间的减法运算结果，如前者减去后者。
应当理解的是，在一些可能的实施方式中，上述描述中的步骤S150，可以进一步包括以下所述的各具体实施过程：
对所述异常分析维度对应的多个所述异常用户风控数据进行合并，以形成所述异常分析维度对应的待分析数据簇，也就是说，所述待分析数据簇包括所述异常分析维度对应的多个所述异常用户风控数据；
将所述待分析数据簇标记为未轮询数据簇，以及，将分类操作排序值配置为目标指定参数，所述目标指定参数可以等于零；
依据所述待分析数据簇和所述待分析数据簇中各个异常用户风控数据对应的特征挖掘表征数据，将参考特征差异参数和参考相邻数据数量作为分类限制参数，以分析出中间待分析数据簇，所述参考特征差异参数和所述参考相邻数据数量的具体数值不受限制，可以根据实际需求进行配置，特征差异参数可以是指特征挖掘表征数据之间的差异，特征挖掘表征数据可以是进行特征挖掘操作形成的特征向量，该差异可以是向量距离等，该数据数量可以是指数据簇包括的异常用户风控数据的数量；举例来说，对于所述中间待分析数据簇中的每一个中间异常用户风控数据，与该中间异常用户风控数据之间的挖掘特征差异参数小于所述参考特征差异参数的异常用户风控数据的数量大于或等于所述参考相邻数据数量；
在所述中间待分析数据簇具有簇元素的情况下（即包括至少一个中间异常用户风控数据），对于所述中间待分析数据簇中的任意一个中间异常用户风控数据，进行的操作包括：
将所述中间异常用户风控数据对应的中间异常用户风控数据排列组合和分类待分析数据簇进行默认配置操作，以及，对所述分类操作排序值和所述未轮询数据簇进行调整；
选择出所述中间异常用户风控数据排列组合中第一个中间异常用户风控数据，以及，分析出所述第一个中间异常用户风控数据对应的相邻待分析数据簇；
基于所述相邻待分析数据簇，对所述中间异常用户风控数据排列组合、所述分类待分析数据簇和所述未轮询数据簇进行调整，使得所述中间异常用户风控数据排列组合中的中间异常用户风控数据全部选择出（依次）；
在所述中间异常用户风控数据排列组合中的中间异常用户风控数据全部选择出的情况下，对所述中间待分析数据簇进行调整，以及，分析出所述分类待分析数据簇中的所有异常用户风控数据属于当前分类操作排序值对应的异常用户风控数据簇。
其中，应当理解的是，在一些可能的实施方式中，所述将所述中间异常用户风控数据对应的中间异常用户风控数据排列组合和分类待分析数据簇进行默认配置操作，以及，对所述分类操作排序值和所述未轮询数据簇进行调整的步骤，可以进一步包括以下所述的各具体实施过程：
对所述中间异常用户风控数据排列组合配置为只包括所述中间异常用户风控数据的数据排列组合，以及，对所述分类待分析数据簇配置为只包括所述中间异常用户风控数据的数据簇；
将所述分类操作排序值进行增加操作，如加一操作，以及，对所述未轮询数据簇调整为不包括所述中间异常用户风控数据的数据簇。
其中，应当理解的是，在一些可能的实施方式中，所述选择出所述中间异常用户风控数据排列组合中第一个中间异常用户风控数据，以及，分析出所述第一个中间异常用户风控数据对应的相邻待分析数据簇的步骤，可以进一步包括以下所述的各具体实施过程：
对所述中间异常用户风控数据排列组合中的第一个中间异常用户风控数据进行筛除，使得所述中间异常用户风控数据排列组合不包括所述第一个中间异常用户风控数据；
依据所述多个异常用户风控数据的特征挖掘表征数据，分析出所述第一个中间异常用户风控数据和任意一个异常用户风控数据之间的挖掘特征差异参数，如前所述，可以是指向量之间的距离或差异；
将所述第一个中间异常用户风控数据对应的特征挖掘表征数据作为关键坐标，使得基于所述参考特征差异参数，确定出所述第一个中间异常用户风控数据对应的覆盖区间（在该覆盖区间内，各异常用户风控数据对应的特征挖掘表征数据与所述第一个中间异常用户风控数据对应的特征挖掘表征数据之间的差异都小于所述参考特征差异参数），以及，在所述覆盖区间内，确定出与所述关键坐标之间的挖掘特征差异参数小于所述参考特征差异参数的所述任意一个异常用户风控数据；
在所述覆盖区间内的异常用户风控数据的数量大于或等于所述参考相邻数据数量的情况下，对所述覆盖区间内的全部异常用户风控数据进行合并，以形成所述第一个中间异常用户风控数据对应的相邻待分析数据簇。
其中，应当理解的是，在一些可能的实施方式中，所述基于所述相邻待分析数据簇，对所述中间异常用户风控数据排列组合、所述分类待分析数据簇和所述未轮询数据簇进行调整的步骤，可以进一步包括以下所述的各具体实施过程：
确定出所述相邻待分析数据簇和所述未轮询数据簇之间的重合数据，以形成第一重合数据簇，以及，依据所述第一重合数据簇，对所述分类待分析数据簇进行调整，使得所述分类待分析数据簇包括所述第一重合数据簇中的全部异常用户风控数据；
依据所述第一重合数据簇，对所述未轮询数据簇进行调整，使得所述未轮询数据簇不包括所述第一重合数据簇；
分析出所述第一重合数据簇和所述中间待分析数据簇之间的重合数据，以形成第二重合数据簇，以及，依据所述第二重合数据簇，对所述中间异常用户风控数据排列组合进行调整，使得所述中间异常用户风控数据排列组合包括所述第二重合数据簇，以及，将所述第一个中间异常用户风控数据从所述中间异常用户风控数据排列组合中予以进行筛除操作。
结合图3，本发明实施例还提供一种基于风控模型的信息预测装置，可应用于上述基于风控模型的信息预测系统。其中，所述基于风控模型的信息预测装置可以包括以下的各软件功能模块：
异常分析模块，用于提取到待分析用户的多个待处理用户风控数据，以及，将所述多个待处理用户风控数据进行异常分析操作，以在所述多个待处理用户风控数据中确定出对应的多个异常用户风控数据，每一个所述待处理用户风控数据属于对应的一个数据平台对所述待分析用户进行数据采集操作以形成；
数据分解模块，用于分别将每一个所述异常用户风控数据进行数据分解操作，以形成每一个所述异常用户风控数据对应的至少一个代表分解数据单元，所述代表分解数据单元是指异常用户风控数据对应的各分解数据单元中的代表；
异常维度匹配模块，用于依据每一个所述异常用户风控数据对应的至少一个代表分解数据单元，将每一个所述异常用户风控数据进行异常维度匹配操作，以形成与每一个所述异常用户风控数据对应的异常分析维度；
特征挖掘模块，用于对于每一个所述异常分析维度进行目标操作，该目标操作包括：确定出所述异常分析维度对应的每一个所述异常用户风控数据的代表分解数据单元；对单元重要度与预设重要度规则匹配的多个代表分解数据单元进行标记，以标记为多个第一代表分解数据单元，所述异常用户风控数据的多个特征挖掘坐标和所述多个第一代表分解数据单元具有一一相应的关系；依据所述多个第一代表分解数据单元，将所述异常分析维度对应的每一个所述异常用户风控数据进行特征挖掘操作，以输出所述异常用户风控数据的特征挖掘表征数据；
数据分类模块，用于依据所述异常分析维度对应的每一个所述异常用户风控数据的特征挖掘表征数据，将所述异常分析维度对应的多个异常用户风控数据进行分类操作，以形成所述异常分析维度对应的多个异常用户风控数据簇；
异常类型确定模块，用于基于每一个所述异常用户风控数据簇对应的异常用户风控数据的代表分解数据单元，分析出每一个异常用户风控数据簇对应的异常类型信息。
综上所述，本发明提供的基于风控模型的信息预测方法及系统，可以先在待处理用户风控数据中确定出异常用户风控数据；形成异常用户风控数据对应的代表分解数据单元；依据代表分解数据单元，将异常用户风控数据进行异常维度匹配操作，以形成异常分析维度；将异常分析维度对应的异常用户风控数据进行特征挖掘操作，以输出特征挖掘表征数据；依据特征挖掘表征数据，将异常分析维度对应的异常用户风控数据进行分类操作，以形成异常用户风控数据簇；基于每一个异常用户风控数据簇对应的异常用户风控数据的代表分解数据单元，分析出对应的异常类型信息。基于前述的内容，由于会先进行异常维度匹配操作，使得可以匹配结果进行相应数据的分析，因此，可以使得在一定程度上提高风控中信息预测的可靠度，从而改善现有技术中存在的风控中信息预测的可靠度不高的问题。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于风控模型的信息预测方法，其特征在于，包括：
提取到待分析用户的多个待处理用户风控数据，以及，将所述多个待处理用户风控数据进行异常分析操作，以在所述多个待处理用户风控数据中确定出对应的多个异常用户风控数据，每一个所述待处理用户风控数据属于对应的一个数据平台对所述待分析用户进行数据采集操作以形成；
分别将每一个所述异常用户风控数据进行数据分解操作，以形成每一个所述异常用户风控数据对应的至少一个代表分解数据单元，所述代表分解数据单元是指异常用户风控数据对应的各分解数据单元中的代表；
依据每一个所述异常用户风控数据对应的至少一个代表分解数据单元，将每一个所述异常用户风控数据进行异常维度匹配操作，以形成与每一个所述异常用户风控数据对应的异常分析维度；
对于每一个所述异常分析维度进行目标操作，该目标操作包括：确定出所述异常分析维度对应的每一个所述异常用户风控数据的代表分解数据单元；对单元重要度与预设重要度规则匹配的多个代表分解数据单元进行标记，以标记为多个第一代表分解数据单元，所述异常用户风控数据的多个特征挖掘坐标和所述多个第一代表分解数据单元具有一一相应的关系；依据所述多个第一代表分解数据单元，将所述异常分析维度对应的每一个所述异常用户风控数据进行特征挖掘操作，以输出所述异常用户风控数据的特征挖掘表征数据；
依据所述异常分析维度对应的每一个所述异常用户风控数据的特征挖掘表征数据，将所述异常分析维度对应的多个异常用户风控数据进行分类操作，形成所述异常分析维度对应的多个异常用户风控数据簇；
基于每一个所述异常用户风控数据簇对应的异常用户风控数据的代表分解数据单元，分析出每一个异常用户风控数据簇对应的异常类型信息。
2.如权利要求1所述的基于风控模型的信息预测方法，其特征在于，所述异常分析操作利用异常分析神经网络执行，所述异常分析神经网络加载到的数据包括所述待处理用户风控数据和配置到所述待处理用户风控数据的前面的初始异常表征数据，所述异常分析神经网络包括特征空间第一映射单元和异常分析单元；
所述提取到待分析用户的多个待处理用户风控数据，以及，将所述多个待处理用户风控数据进行异常分析操作，以在所述多个待处理用户风控数据中确定出对应的多个异常用户风控数据的步骤，包括：
提取到待分析用户的多个待处理用户风控数据；
对于每一个所述待处理用户风控数据，进行的操作包括：
利用所述特征空间第一映射单元，将所述待处理用户风控数据进行特征空间映射操作，以输出所述待处理用户风控数据中每一个数据最小粒度内容对应的空间映射特征表示；
利用所述特征空间第一映射单元，将所述初始异常表征数据进行特征空间映射操作，以输出所述初始异常表征数据对应的空间映射特征表示，所述初始异常表征数据不属于具有异常分析语义的内容；
依据每一个所述数据最小粒度内容对应的空间映射特征表示和所述初始异常表征数据对应的空间映射特征表示，组合形成映射特征表示有序集合，所述初始异常表征数据对应的空间映射特征表示分布在所述映射特征表示有序集合的第一个集合位置，多个所述数据最小粒度内容对应的空间映射特征表示在所述映射特征表示有序集合中的分布关系与多个所述数据最小粒度内容在所述待处理用户风控数据中的分布关系一致；
利用所述异常分析单元，将所述映射特征表示有序集合进行异常分析操作，以形成所述映射特征表示有序集合中每一个所述空间映射特征表示对应的异常性表征数据；
在所述初始异常表征数据对应的空间映射特征表示对应的异常性表征数据，反映出所述待处理用户风控数据属于异常用户风控数据的情况下，对所述待处理用户风控数据进行标记，以标记为异常用户风控数据。
3.如权利要求2所述的基于风控模型的信息预测方法，其特征在于，所述利用所述特征空间第一映射单元，将所述待处理用户风控数据进行特征空间映射操作，以输出所述待处理用户风控数据中每一个数据最小粒度内容对应的空间映射特征表示的步骤，包括：
对于每一个所述数据最小粒度内容，进行的操作包括：
确定出所述数据最小粒度内容的语义特征表示、所述数据最小粒度内容的坐标特征表示和所述数据最小粒度内容的分布关系特征表示；
对所述数据最小粒度内容的语义特征表示、所述数据最小粒度内容的坐标特征表示和所述数据最小粒度内容的分布关系特征表示进行聚合操作，以形成所述数据最小粒度内容对应的空间映射特征表示。
4.如权利要求1所述的基于风控模型的信息预测方法，其特征在于，所述分别将每一个所述异常用户风控数据进行数据分解操作，以形成每一个所述异常用户风控数据对应的至少一个代表分解数据单元的步骤，包括：
对于每一个所述异常用户风控数据，进行的操作包括：
将所述异常用户风控数据的每一个数据最小粒度内容进行内容估计操作，以输出每一个所述数据最小粒度内容的内容估计数据，所述内容估计数据包括代表分解数据单元的前端的数据最小粒度内容、代表分解数据单元的中心的数据最小粒度内容、代表分解数据单元的尾端的数据最小粒度内容和/或代表分解数据单元的冗余的数据最小粒度内容；
依据所述异常用户风控数据的每一个所述数据最小粒度内容的内容估计数据，分析出所述异常用户风控数据对应的至少一个代表分解数据单元。
5.如权利要求4所述的基于风控模型的信息预测方法，其特征在于，所述内容估计操作利用内容估计神经网络执行，所述内容估计神经网络包括特征空间第二映射单元和内容估计单元；
所述将所述异常用户风控数据的每一个数据最小粒度内容进行内容估计操作，以输出每一个所述数据最小粒度内容的内容估计数据的步骤，包括：
对于每一个所述异常用户风控数据，进行的操作包括：
利用所述特征空间第二映射单元，将所述异常用户风控数据进行特征空间映射操作，以输出所述异常用户风控数据中每一个数据最小粒度内容对应的空间映射特征表示；
利用所述内容估计单元，将每一个所述空间映射特征表示进行内容估计操作，以输出每一个所述空间映射特征表示对应的内容估计数据。
6.如权利要求1所述的基于风控模型的信息预测方法，其特征在于，在所述对单元重要度与预设重要度规则匹配的多个代表分解数据单元进行标记，以标记为多个第一代表分解数据单元的步骤以前，所述基于风控模型的信息预测方法还包括：
对所述异常分析维度对应的多个代表分解数据单元中每一个所述代表分解数据单元，进行的操作包括：统计出所述异常分析维度中包括所述代表分解数据单元的异常用户风控数据的数量第一统计值，并统计出所述异常分析维度中所述异常用户风控数据的数量第二统计值，以及，对所述数量第一统计值和所述数量第二统计值进行除法运算，以输出所述代表分解数据单元对应的单元重要度；
所述对单元重要度与预设重要度规则匹配的多个代表分解数据单元进行标记，以标记为多个第一代表分解数据单元的步骤，包括：
对所述单元重要度大于或等于预先配置的参考单元重要度的多个代表分解数据单元进行标记，以标记为与预设重要度规则匹配的多个第一代表分解数据单元，或者，将所述异常分析维度的多个代表分解数据单元中对应的单元重要度最大的指定数量个代表分解数据单元进行标记，以标记为与预设重要度规则匹配的多个第一代表分解数据单元。
7.如权利要求1所述的基于风控模型的信息预测方法，其特征在于，所述依据所述多个第一代表分解数据单元，将所述异常分析维度对应的每一个所述异常用户风控数据进行特征挖掘操作，以输出所述异常用户风控数据的特征挖掘表征数据的步骤，包括：
对于所述多个第一代表分解数据单元中的每一个所述第一代表分解数据单元，进行的操作包括：
在所述异常用户风控数据不包括所述第一代表分解数据单元的情况下，对所述异常用户风控数据在所述第一代表分解数据单元对应的特征挖掘坐标配置为目标预设参数；
在所述第一代表分解数据单元为所述异常用户风控数据中单元重要度最大的代表分解数据单元的情况下，对所述异常用户风控数据在所述第一代表分解数据单元对应的特征挖掘坐标配置为所述第一代表分解数据单元的单元重要度；
在所述第一代表分解数据单元为所述异常用户风控数据的代表分解数据单元，且属于所述异常用户风控数据中单元重要度最大的代表分解数据单元以外的其它代表分解数据单元的情况下，依据所述第一代表分解数据单元和所述异常用户风控数据中所述单元重要度最大的代表分解数据单元，将所述异常用户风控数据在所述第一代表分解数据单元对应的特征挖掘坐标进行配置。
8.如权利要求7所述的基于风控模型的信息预测方法，其特征在于，所述在所述第一代表分解数据单元为所述异常用户风控数据的代表分解数据单元，且属于所述异常用户风控数据中单元重要度最大的代表分解数据单元以外的其它代表分解数据单元的情况下，依据所述第一代表分解数据单元和所述异常用户风控数据中所述单元重要度最大的代表分解数据单元，将所述异常用户风控数据在所述第一代表分解数据单元对应的特征挖掘坐标进行配置的步骤，包括：
在所述第一代表分解数据单元为所述异常用户风控数据的代表分解数据单元，且属于所述异常用户风控数据中单元重要度最大的代表分解数据单元以外的其它代表分解数据单元的情况下，统计出所述异常分析维度中包括所述第一代表分解数据单元和所述单元重要度最大的代表分解数据单元的异常用户风控数据的数量第三统计值；
统计出所述异常分析维度中所述异常用户风控数据的数量第二统计值；
对所述数量第三统计值和所述数量第二统计值进行除法运算，以得到所述第一代表分解数据单元的单元统计参数；
对所述异常用户风控数据在所述第一代表分解数据单元对应的特征挖掘坐标，配置为所述单元重要度最大的代表分解数据单元的单元重要度和所述单元统计参数之间的减法运算结果。
9.如权利要求1-8任意一项所述的基于风控模型的信息预测方法，其特征在于，所述依据所述异常分析维度对应的每一个所述异常用户风控数据的特征挖掘表征数据，将所述异常分析维度对应的多个异常用户风控数据进行分类操作，形成所述异常分析维度对应的多个异常用户风控数据簇的步骤，包括：
对所述异常分析维度对应的多个所述异常用户风控数据进行合并，以形成所述异常分析维度对应的待分析数据簇；
将所述待分析数据簇标记为未轮询数据簇，以及，将分类操作排序值配置为目标指定参数；
依据所述待分析数据簇和所述待分析数据簇中各个异常用户风控数据对应的特征挖掘表征数据，将参考特征差异参数和参考相邻数据数量作为分类限制参数，以分析出中间待分析数据簇；
在所述中间待分析数据簇具有簇元素的情况下，对于所述中间待分析数据簇中的任意一个中间异常用户风控数据，进行的操作包括：
将所述中间异常用户风控数据对应的中间异常用户风控数据排列组合和分类待分析数据簇进行默认配置操作，以及，对所述分类操作排序值和所述未轮询数据簇进行调整；
选择出所述中间异常用户风控数据排列组合中第一个中间异常用户风控数据，以及，分析出所述第一个中间异常用户风控数据对应的相邻待分析数据簇；
基于所述相邻待分析数据簇，对所述中间异常用户风控数据排列组合、所述分类待分析数据簇和所述未轮询数据簇进行调整，使得所述中间异常用户风控数据排列组合中的中间异常用户风控数据全部选择出；
在所述中间异常用户风控数据排列组合中的中间异常用户风控数据全部选择出的情况下，对所述中间待分析数据簇进行调整，以及，分析出所述分类待分析数据簇中的所有异常用户风控数据属于当前分类操作排序值对应的异常用户风控数据簇。
10.一种基于风控模型的信息预测系统，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现权利要求1-9任意一项所述的基于风控模型的信息预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311406015.3A CN117422302A (zh) | 2023-10-27 | 2023-10-27 | 基于风控模型的信息预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311406015.3A CN117422302A (zh) | 2023-10-27 | 2023-10-27 | 基于风控模型的信息预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117422302A true CN117422302A (zh) | 2024-01-19 |
Family
ID=89530927
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311406015.3A Pending CN117422302A (zh) | 2023-10-27 | 2023-10-27 | 基于风控模型的信息预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117422302A (zh) |
-
2023
- 2023-10-27 CN CN202311406015.3A patent/CN117422302A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112884092B (zh) | Ai模型生成方法、电子设备及存储介质 | |
| CN116109121A (zh) | 基于大数据分析的用户需求挖掘方法及系统 | |
| CN116126947B (zh) | 应用于企业管理系统的大数据分析方法及系统 | |
| CN116109630B (zh) | 基于传感器采集和人工智能的图像分析方法及系统 | |
| CN115603973B (zh) | 基于政务信息网络的异构安全监测方法及系统 | |
| CN115814686B (zh) | 一种镭射气体混配生产系统的状态监控方法及系统 | |
| CN116126945A (zh) | 基于数据分析的传感器运行状态分析方法和系统 | |
| CN116610983B (zh) | 空气净化控制系统的异常分析方法及系统 | |
| CN116310914A (zh) | 基于人工智能的无人机监控方法及系统 | |
| CN116091796A (zh) | 基于人工智能的无人机采集数据处理方法及系统 | |
| CN116664335B (zh) | 基于智能监控的半导体生产系统运行分析方法及系统 | |
| CN116610745B (zh) | 应用数字孪生技术的ai场景信息推送处理方法及系统 | |
| CN117290420A (zh) | 一种用于财务数据提取的企业财务管理方法及系统 | |
| CN116070149A (zh) | 基于人工智能的数据分析方法、系统及云平台 | |
| CN116681350A (zh) | 智慧工厂故障检测方法及系统 | |
| CN116628138A (zh) | 应用于深度学习的物流订单文本挖掘方法及系统 | |
| CN117422302A (zh) | 基于风控模型的信息预测方法及系统 | |
| CN115964432A (zh) | 基于大数据可视化的用户操作异常分析方法及系统 | |
| CN114021118A (zh) | 基于超融合服务器系统的多元行为检测方法、系统及介质 | |
| CN116738396B (zh) | 基于人工智能的勘界标准文档录入方法及系统 | |
| CN116996403B (zh) | 应用ai模型的网络流量诊断方法及系统 | |
| CN116662415B (zh) | 基于数据挖掘的智能匹配方法及系统 | |
| CN115980279B (zh) | 氖气纯度检测系统的稳定性优化方法及系统 | |
| CN116910729B (zh) | 应用于多组织架构的核身处理方法及系统 | |
| CN116662574A (zh) | 用于反欺诈ai预测模型的大数据采集方法及系统 |
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 |