CN117437033A - 一种预警方法、装置、设备和可读存储介质 - Google Patents
一种预警方法、装置、设备和可读存储介质 Download PDFInfo
- Publication number
- CN117437033A CN117437033A CN202311465052.1A CN202311465052A CN117437033A CN 117437033 A CN117437033 A CN 117437033A CN 202311465052 A CN202311465052 A CN 202311465052A CN 117437033 A CN117437033 A CN 117437033A
- Authority
- CN
- China
- Prior art keywords
- classification
- debt
- information
- target object
- preset
- 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 73
- 238000013145 classification model Methods 0.000 claims abstract description 48
- 238000012544 monitoring process Methods 0.000 claims description 42
- 238000004590 computer program Methods 0.000 claims description 24
- 238000012550 audit Methods 0.000 claims description 14
- 230000009471 action Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000002452 interceptive effect Effects 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000010365 information processing Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000000370 acceptor Substances 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Technology Law (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明实施例涉及信息处理技术领域,公开了一种预警方法、装置、设备和可读存储介质,通过预设分类模型确定目标对象的各债项的业务分类信息;再利用预设对象分类清单确定目标对象的对象分类信息;最终基于业务分类信息和对象分类信息确定目标对象的相应债项的债项分类信息,以基于各债项的债项分类信息进行相应的预警。本申请采用人工智能和信息匹配技术,解决了利用人工基于经验进行风险预警时所存在的不确定性较高以及预警准确性较低的技术问题,实现了自动化的对目标对象的进行风险预警的技术效果,提升了预警准确度和效率。
Description
技术领域
本发明实施例涉及信息处理技术领域,尤其涉及一种预警方法、装置、设备和可读存储介质。
背景技术
信贷业务是银行业务最为重要的一部分,需要对信贷风险进行提前预警。
但是,现阶段多为利用人工基于过往经验以及多方获取到的信息进行评估并对信贷风险进行预警,因此存在人为客观因素的影响,使得风险评估的不确定性大大提升,准确度存疑,进而对信贷业务的风险预警准确性造成影响,同时预警效率也较为低下。
发明内容
本发明实施例提供一种预警方法、装置、设备和可读存储介质,以提高风险预警的准确性和效率。
第一方面,本申请提供了一种预警方法,所述预警方法包括:
从预设存储单元获取目标对象的基本债项信息和预设对象分类清单;
基于所述基本债项信息,利用预设分类模型确定所述目标对象的各债项的业务分类信息,其中,所述预设分类模型是基于历史债项分类数据利用预设深度学习算法训练得到的;
通过将所述目标对象的对象标识与所述预设对象分类清单进行匹配,确定所述目标对象的对象分类信息;
基于所述业务分类信息和所述对象分类信息,确定所述目标对象的相应债项的债项分类信息;
基于各债项的所述债项分类信息执行相应的预警动作。
第二方面,本申请提供了一种预警装置,所述预警装置包括:
信息获取单元,用于从预设存储单元获取目标对象的基本债项信息和预设对象分类清单;
第一分类信息确定单元,用于基于所述基本债项信息,利用预设分类模型确定所述目标对象的各债项的业务分类信息,其中,所述预设分类模型是基于历史债项分类数据利用预设深度学习算法训练得到的;
第二分类信息确定单元,用于通过将所述目标对象的对象标识与所述预设对象分类清单进行匹配,确定所述目标对象的对象分类信息;
第三分类信息确定单元,用于基于所述业务分类信息和所述对象分类信息,确定所述目标对象的相应债项的债项分类信息;
预警单元,用于基于各债项的所述债项分类信息执行相应的预警动作。
第三方面,本申请提供了一种预警设备,所述预警设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本申请第一方面所述的预警方法。
第四方面,本申请提供了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指令,所述计算机指令用于使处理器执行时实现本申请第一方面所述的预警方法。
第五方面,本申请提供了一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序在被处理器执行时实现本申请第一方面所述的预警方法。
本发明实施例公开了一种预警方法、装置、设备和可读存储介质,通过预设分类模型确定目标对象的各债项的业务分类信息;再利用预设对象分类清单确定目标对象的对象分类信息;最终基于业务分类信息和对象分类信息确定目标对象的相应债项的债项分类信息,以基于各债项的债项分类信息进行相应的预警。可见,本申请采用人工智能和信息匹配技术,解决了利用人工基于经验进行风险预警时所存在的不确定性较高以及预警准确性较低的技术问题,实现了自动化的对目标对象的进行风险预警的技术效果,提升了预警准确度和效率。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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是本发明实施例提供的一种预警方法的流程图;
图2是本发明实施例提供的另一种预警方法的流程图;
图3是本发明实施例提供的又一种预警方法的流程图;
图4是本发明实施例提供的一种预警装置的结构图;
图5是本发明实施例提供的一种预警设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“目标”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1是本发明实施例提供的一种预警方法的流程图,本实施例可适用于金融信贷评估领域、资产质量评估领域等,该方法可以由预警装置来执行,该预警装置可以采用硬件和/或软件的形式实现,并一般可集成于服务器中。本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
如图1所示,该预警方法具体包括如下步骤:
S101,从预设存储单元获取目标对象的基本债项信息和预设对象分类清单。
具体地,目标对象的基本债项信息包括目标对象的标识信息以及目标对象账户下的债项信息,其中,目标对象的标识信息包括目标对象的编号、名称、类型等能够识别目标对象的信息,目标对象的债项信息包括目标对象的信用等级、信贷余额等金融信贷信息。
预设对象分类清单预先设置在金融机构的系统内,该清单利用预设筛选规则筛选并记录了存在信贷风险的对象,因此利用该清单可以确定出目标对象是否存在于该预设对象分类清单上,以及若存在该目标对象相应的对象分类信息,预设筛选规则为金融机构根据经验设置的筛选信贷风险用户的规则,例如,多次逾期或拖延债项本息等。
需要说明的是,由于不同的金融机构设置的预设对象分类清单可能会有差异,因此预设对象分类清单的数量可以为多个,此时可以根据需要查询对应机构下的预设对象分类清单,确定得到目标对象在对应机构下的对象分类信息,也可以根据需要利用多个预设对象分类清单中目标对象的分类等级综合评估确定对象分类信息,在此不做具体限制。
S102,基于基本债项信息,利用预设分类模型确定目标对象的各债项的业务分类信息,其中,预设分类模型是基于历史债项分类数据利用预设深度学习算法训练得到的。
具体地,在获取到目标对象的基本债项信息之后,利用预设分类模型对目标对象的各债项的债项分类进行评估,得到各债项的业务分类信息。其中,预设分类模型是将历史债项分类数据导入预设深度学习算法中训练得到的。在系统中,利用预设分类模型确定业务分类信息的过程为“常规调整”的过程。
示例性地,将一段时间内的历史债项分类数据中债项逾期天数与相应的债项分类导入预设深度学习算法,训练得到债项逾期天数与债项分类的对应关系,则后续可以利用某债项的逾期天数直接确定得到相应的债项分类。
S103,通过将目标对象的对象标识与预设对象分类清单进行匹配,确定目标对象的对象分类信息。
具体地,目标对象的基本债项信息中包含有该目标对象的对象标识,该对象标识可以唯一的表征目标对象的身份,则利用该对象标识与预设对象分类清单上的标识进行匹配,确定清单上是否有该对象标识所表征的目标对象存在,以确定目标对象的对象分类信息。若预设对象分类清单上存在该目标对象,则根据清单上的分类情况确定出相应的对象分类信息,需要说明的是,若预设对象分类清单上不存在该目标对象,则同样会赋予一个对象分类信息。
S104,基于业务分类信息和对象分类信息,确定目标对象的相应债项的债项分类信息。
可选地,基于业务分类信息和对象分类信息,确定目标对象的相应债项的债项分类信息,包括:将业务分类信息中的分类等级和对象分类信息中的分类等级进行比较,根据比较结果将等级较高的一项作为目标对象的相应债项的债项分类信息。
具体地,在得到目标对象的业务分类信息和对象分类信息之后,将其中携带的分类等级进行比较,并将分类等级较高的一项所对应的分类信息作为相应债项的债项分类信息,其中,分类等级越高,表示该项债项的风险等级越高,该债项的可靠性越差。
S105,基于各债项的债项分类信息执行相应的预警动作。
具体地,在目标对象的所有债项的债项分类信息均确定出之后,可以综合考虑目标对象的所有债项的债项分类信息中的分类等级,判断是否需要对目标对象的潜在风险进行预警,并在判断结果为需要预警是执行相应的预警动作。
本申请实施例通过预设分类模型确定目标对象的各债项的业务分类信息;再利用预设对象分类清单确定目标对象的对象分类信息;最终基于业务分类信息和对象分类信息确定目标对象的相应债项的债项分类信息,以基于各债项的债项分类信息进行相应的预警。本申请采用人工智能和信息匹配技术,解决了利用人工基于经验进行风险预警时所存在的不确定性较高以及预警准确性较低的技术问题,实现了自动化的对目标对象的进行风险预警的技术效果,提升了预警准确度和效率。
在本发明实施例中,可以将基本债项信息和预设对象分类清单存储在分布式服务器集群中,其中,基本债项信息和预设对象分类清单存储在该分布式服务器集群中不同服务器的存储单元中;主控制服务器在接收到预设触发指令后,同时向分布式服务器集群中存储有基本债项信息和预设对象分类清单的各服务器发送计算指令,以使各服务器根据接收到计算指令执行步骤S101的操作,即从预设存储单元获取目标对象的基本债项信息和预设对象分类清单,并将基本债项信息和预设对象分类清单发送给主控制服务器。
主控制服务器执行步骤S102-S105,即根据接收到的基于基本债项信息,利用预设分类模型确定目标对象的各债项的业务分类信息,通过将目标对象的对象标识与预设对象分类清单进行匹配,确定目标对象的对象分类信息,最终通过业务分类信息和对分类信息确定债项分类信息,并基于债项分类信息进行相应的预警。该方案使用分布式服务器集群,可以同时获取基本债项信息和预设对象分类清单,并同时确定业务分类信息和对象分类信息,进而可以有效提高确定债项分类信息并进行相应预警的效率。同时基于业务分类信息和对象分类信息来确定相应债项的债项分类信息,能够有效提高确定出的债项分类信息的准确度。
在上述各技术方案的基础上,图2是本发明实施例提供的另一种预警方法的流程图,如图2所示,S102,基于基本债项信息,利用预设分类模型确定目标对象的各债项的业务分类信息包括:
S201,获取基本债项信息中各债项的不良标识,其中,不良标识至少包括以下之一:逾期天数和债项类型。
具体地,基本债项信息中携带有各债项的不良标识,该不良标识可以为相应债项的逾期天数、相应债项的债项类型(如债项的新老分账类型为再融资,债项的新老分账类型为贷款承接表外授信业务等),基于不良标识,利用预设分类模型确定目标对象的各债项的第一业务分类标识。
S202,基于不良标识和预设分类模型获得目标对象的各债项的第一业务分类标识,并将第一业务分类标识写入第一数据表。
具体地,在获取到给各债项的不良标识之后,利用以下至少一项预设分类模型中的分类模型确定目标对象的各债项的第一业务分类标识,并将确定出的第一业务分类标识以增加字段的形式写入第一数据表中,其中,利用预设分类模型确定各债项的第一业务分类标识所针对的是基本债项信息中的非低且非银行承兑汇票贴现业务以及非转贴现业务。
其中,业务分类标识指的是利用五级分类制划分得到的五级分类代码,具体来说,五级分类制是金融机构主要依据借款人的还款能力,即最终偿还贷款本金和利息的实际能力,确定贷款遭受损失的风险程度,五级分类制包括正常、关注、次级、可疑、损失五类,相应的代码赋值为110、120、130、140、150,即赋值越高,风险越大,其中后三类称为不良贷款该第一数据表为系统中表征各债项基本信息的基础表。
预算分类模型中的各分类模型如下:
模型一,基本债项信息中任一债项的本息最长逾期天数大于或等于第一预设时长时,确定相应债项的分类为不良,对应分类标识代码为130,若相应债项的初始分类标识代码小于130,则第一业务分类标识调整为130;同时将常规调整原因设置为“逾期第一预设时长进不良”,其中,第一预设时长默认设置为30天,还可以根据需要设置为其他时长。
模型二,基本债项信息中任一债项的本息最长逾期天数大于或等于第二预设时长时,确定相应债项的分类为关注,对应分类标识代码为120,若相应债项的初始分类标识代码小于120,则第一业务分类标识调整为120;同时将常规调整原因设置为“逾期1天进关注”,其中,第二预设时长默认设置为0天。
模型三,基本债项信息中任一债项的本息最长逾期天数大于或等于第三预设时长时,确定相应债项的分类标识代码为140,若相应债项的初始分类标识代码小于140,则第一业务分类标识调整为140;同时将常规调整原因设置为“逾期270天进140”,其中,第三预设时长默认设置为270天。
模型四,基本债项信息中任一债项的借新还旧类型为以下之一时:期限不匹配、临时性、压缩、瑕疵、清收利息、保全资产,确定相应债项的分类标识代码为120,若相应债项的初始分类标识代码小于120,则第一业务分类标识调整为120;同时将常规调整原因设置为“期限不匹配再融资进关注”。
模型五,基本债项信息中任一表外大类类别非空的债项贷款余额大于0时,确定相应债项的分类标识代码为130,若相应债项的初始分类标识代码小于130,则第一业务分类标识调整为130;同时将常规调整原因设置为“垫款进130”,其中,表外业务是指商业银行从事的不列入资产负债表,但能影响银行当期损益的经营活动。
模型六,目标对象的信用等级大于或等于第一预设等级时,确定相应债项的分类标识代码为120,若相应债项的初始分类标识代码小于120,则第一业务分类标识调整为120;同时将常规调整原因设置为“低信用等级进120”,其中,第一预设等级默认设置为15。
模型七,基本债项信息中任一债项的新老分账类型为再融资,且借新还旧类型为临时性还款困难客户的再融资时,确定相应债项的分类标识代码为120,若相应债项的初始分类标识代码小于120,则第一业务分类标识调整为120;同时将常规调整原因设置为“临时性还款困难的再融资进120”。
模型八,基本债项信息中任一债项的新老分账类型为贷款承接表外授信业务时,或者,任一债项的新老分账类型为贷款期限调整,且客户信用等级大于或等于第二预设等级时,确定相应债项的分类为关注,对应分类标识代码为120,若相应债项的初始分类标识代码小于120,则第一业务分类标识调整为120;同时将常规调整原因设置为“W级期限调整和所有贷款承接表外进关注”,其中,W为第二预设等级,默认设置为11,还可以根据需要设置为其他等级值。
模型九,基本债项信息中任一债项为重组贷款时,或者,任一债项的借新还旧类型为债权瑕疵客户的再融资,且相应债项存在逾期时,确定相应债项的分类为不良,对应分类标识代码为140,若相应债项的初始分类标识代码小于140,则第一业务分类标识调整为140;同时将常规调整原因设置为“重组逾期进不良”。
S203,基于第一数据表确定目标对象的各债项的业务分类信息。
具体地,在将第一业务分类标识写入第一数据表中之后,可以通过查询第一数据表的来确定目标对象的各债项的业务分类信息。需要说明的是,第一数据表中不仅仅记录有第一业务分类标识,还记录有初始分类标识、第二业务分类标识、第三业务分类标识以及第四业务分类标识等,当第一数据表中记录有多个业务分类标识时,需要根据预设分类调整模型来确定各债项最终的业务分类信息,具体确定方法见下文。
可选地,在基于不良标识和预设分类模型获得目标对象的各债项的第一业务分类标识之前,方法还包括:响应于检测到作用于第一交互界面的第一触发操作,读取预先设置的多个分类模型的模型标识,并将模型标识显示在第一交互界面上;响应于检测到对第一交互界面上的模型标识的选择操作,将选择的模型标识对应的分类模型确定为预设分类模型。
具体地,由于预设分类模型中包含有多个分类模型,在实际使用过程中可以根据需要选择其中部分分类模型对相应债项的业务分类信息进行确定,因此可以通过相应的交互界面进行选择(即第一触发操作),选择需要的各分类模型所对应的模型标识,最终将选择出的各分类模型确定为当前需要使用的预设分类模型进行后续的操作。
在上述各技术方案的基础上,如图2所示,在S203,基于第一数据表确定目标对象的各债项的业务分类信息之前,方法还包括:
S204,基于基本债项信息,从第二数据表中读取目标对象的各债项分别对应的分类字段内容,其中,分类字段内容包括上一周期确定出的相应债项对应的审计分类标识。
具体地,上一周期通常指上一审计周期,即报告期月份的上一月月末。为了确定出的业务分类信息更加准确,还需要参考上一周期确定出的各债项的审计分类标识,则在基于第一数据表确定目标对象的给债项的业务分类信息之后,还需要基于基本债项信息从第二数据表中获取各债项在上一周期的审计分类标识。
S205,基于各债项对应的审计分类标识和各债项对应的初始分类标识,确定各债项对应的第二业务分类标识,并将第二业务分类标识写入第一数据表。
具体地,一项债项在进入金融机构的系统时会基于五级分类制确定出一个五级分类标识,该标识可以作为该债项的初始分类标识。在获取到各债项的审计分类标识之后,将各债项的审计分类标识与对应的初始分类标识进行对比,对于非低风险且非银行承兑汇票贴现、非转贴现业务来说,将分类标识代码值更高的一项所对应的分类标识作为相应债项的第二业务分类标识,并将第二业务分类标识以增加字段的方式写入第一数据表中。其中,利用审计分类标识确定第二业务分类标识的过程在系统中指的是“根据上期审计分类”的调整过程。
在上述各技术方案的基础上,图3是本发明实施例提供的又一种预警方法的流程图,如图3所示,在S203,基于第一数据表确定目标对象的各债项的业务分类信息之前,方法还包括:
S301,基于基本债项信息,从目标对象的债项监控文件中读取各债项对应的监控分类标识;其中,监控分类标识是基于目标对象的监控结果信息确定的业务分类标识。
具体地,为了确定出的业务分类信息更加准确,还需要参考各债项对应的监控分类标识,监控分类标识通常是由人工对目标对象的经济行为进行评价所确定出的分类标识,并记录在相应的债项监控文件中。债项监控文件会每间隔预设时段导入到系统中,该文件在导入时,导入的字段包括目标对象的名称、编号、日常监控分类、分类标识调整原因等,导入文件类型为xlsx。导入该债项监控文件后,对于非低风险且非银行承兑汇票贴现、非转贴现业务,可以按照目标对象的名称、编号分别匹配。因此在获取到基本债项信息之后,基于基本债项信息从目标对象的债项监控文件中读取该监控分类标识。
S302,基于各债项对应的监控分类标识和各债项对应的初始分类标识,确定各债项对应的第三业务分类标识,并将第三业务分类标识写入第一数据表。
具体地,如果相应债项的初始分类标识的代码小于监控分类标识的代码,则将相应债项的监控分类标识作为第三业务分类标识,其中,利用监控分类标识确定第三业务分类标识的过程在系统中指的是“日常监控调整”的过程。在得到第三业务分类标识之后,将其以增加字段的形式写入第一数据表中。需要注意的是,按目标对象的名称进行匹配时,对于名为“无字号”的目标对象不进行业务分类标识的代码调整。
在上述各技术方案的基础上,如图3所示,在S203,基于第一数据表确定目标对象的各债项的业务分类信息之前,方法还包括:
S303,基于基本债项信息,从目标对象的债项监控文件中读取各债项对应的临时调整分类标识;其中,临时调整分类标识是基于目标对象的各债项的监控结果信息确定的业务分类标识。
具体地,为了确定出的业务分类信息更加准确,还需要参考各债项对应的临时调整分类标识,临时调整分类标识通常是由人工对目标对象的各债项的当前状态进行评价所确定出的分类标识,并记录在相应的债项监控文件中。
S304,将各债项对应的临时调整分类标识作为各债项对应的第四业务分类标识写入第一数据表。
具体地,在得到临时调整分类标识之后,将其作为第四业务分类标识,并以增加字段的形式写入第一数据表中。需要说明的是,只有当一项债项需要进行“单笔调整”时,才具有临时调整分类标识,其中,“单笔调整”指的是人工对目标对象的各债项的当前状态进行评价,且评价结果与之前不同需要对分类标识进行调整的动作。
可选地,S203,基于第一数据表确定目标对象的各债项的业务分类信息,包括:
S1,对于目标对象的各债项,从第一数据表中读取债项的各业务分类标识,选取满足预设条件的业务分类标识,并基于选取的业务分类标识生成至少一个维度表;
具体地,第一数据表中不仅仅记录有第一业务分类标识,还记录有初始分类标识、第二业务分类标识、第三业务分类标识以及第四业务分类标识等,当第一数据表中记录有多个业务分类标识时,首先需要读取相应债项的各业务分类标识,然后根据需要生成相应的维度表。
通常情况下,优先选取目标对象的各债项中业务分类标识代码最大和最小的债项,然后利用其相应的债项信息生成第一客户维度表。第一客户维度清单中还包括目标对象的名称、编号、是否低风险业务不为是以及第四等级代码的最大值大于110的债项信息。在得到第一客户维度表之后,利用第一客户维度表,将目标对象的各债项中业务分类标识代码最大值和最小值不相等的债项筛选出来,并利用其相应的债项信息生成第二客户维度表。第二客户维度清单还包括目标对象的名称、编号。
S2,基于预设分类调整模型,对维度表中的业务分类标识进行调整,得到债项的业务分类信息。
具体地,在得到相应的维度表之后,基于以下预设分类调整模型中的各调整模型对维度表中的业务分类标识进行调整,得到债项的业务分类信息。其中,预设分类调整模型中的各调整模型如下:
调整模型一,对于非低、非银票贴现的债项业务,若相应债项的业务分类标识代码小于第二客户维度表中的代码,则使用第二客户维度表中的代码调整业务分类标识代码;同时将调整原因记为“分类不一致”。
调整模型二,对于“单笔调整”后的债项,若第四业务分类标识代码为-9999或为空,则业务分类标识代码调整为110;
调整模型三,对本息最长逾期天数1至89天的债项,如果“单笔调整”后的第四业务分类代码高于120,则业务分类标识代码调整为120;
调整模型四,对本息最长逾期天数90至269天债项,如果“单笔调整”后的第四业务分类代码高于130,则业务分类标识代码调整为130;
调整模型五,对本息最长逾期天数270天及以上的债项,如果“单笔调整”后的第四业务分类代码高于140,则业务分类标识代码调整为140;
调整模型六,对于本息最长逾期天数大于0的低和贴现债项,如果“单笔调整”后的第四业务分类代码高于130,则业务分类标识代码调整为130;
调整模型七,将有任意债项分类为不良的目标对象的低和贴现债项的业务分类标识代码调整为120;
调整模型八,将目标对象的非低表外产品的分类调整为表内最差分类;
调整模型九,对于表外大类非空的债项,如果目标对象的信用等级大于第三预设等级,且“单笔调整”后的第四业务分类代码小于120,则业务分类标识代码调整为120;同时记录调整原因为“纯表外E级进关注”,其中,E为第三预设等级,其默认值为11,还可以根据需要设置为其他值,在此不做具体限制。
可选地,在S103,确定目标对象的对象分类信息之前,处理方法还包括:在监控到目标对象的预设属性数据发生更新的事件时,将更新后的预设属性数据写入第三数据表中;基于第三数据表对预设对象分类清单进行更新。
具体地,由于不同的金融机构均会对目标对象的预设属性数据进行监控,并利用预设属性数据来评判目标对象的信用风险等级,为了保证预设对象等级清单的时效性,在利用预设对象等级清单确定目标对象的用对象分类信息之前,还需要对预设对象分类清单进行更新,具体来说,若监控到目标对象的预设属性数据发生更新的事件时,例如,信用等级发生下降,且下降值超过预设阈值;或者,某债项产生了逾期天数,且逾期天数大于预设天数阈值;或者,某债项的逾期次数超过预设次数阈值等,则需要利用更新后的预设属性数据来重新对预设对象分类清单进行更新。
图4是本发明实施例提供的一种预警装置的结构图。如图4所示,该预警装置具体包括:
信息获取单元41,用于从预设存储单元获取目标对象的基本债项信息和预设对象分类清单;
第一分类信息确定单元42,用于基于所述基本债项信息,利用预设分类模型确定所述目标对象的各债项的业务分类信息,其中,所述预设分类模型是基于历史债项分类数据利用预设深度学习算法训练得到的;
第二分类信息确定单元43,用于通过将所述目标对象的对象标识与所述预设对象分类清单进行匹配,确定所述目标对象的对象分类信息;
第三分类信息确定单元44,用于基于所述业务分类信息和所述对象分类信息,确定所述目标对象的相应债项的债项分类信息;
预警单元45,用于基于各债项的所述债项分类信息执行相应的预警动作。
可选地,第一分类信息确定单元42包括:
标识获取子单元,用于获取基本债项信息中各债项的不良标识,其中,不良标识至少包括以下之一:逾期天数和债项类型;
标识确定子单元,用于基于不良标识和预设分类模型获得目标对象的各债项的第一业务分类标识,并将第一业务分类标识写入第一数据表;
分类确定子单元,用于基于第一数据表确定目标对象的各债项的业务分类信息。
可选地,在标识确定子单元基于不良标识和预设分类模型获得目标对象的各债项的第一业务分类标识之前,装置还包括:
第一响应单元,用于响应于检测到作用于第一交互界面的第一触发操作,读取预先设置的多个分类模型的模型标识,并将模型标识显示在第一交互界面上;
第二响应单元,响应于检测到对第一交互界面上的模型标识的选择操作,将选择的模型标识对应的分类模型确定为预设分类模型。
可选地,在分类确定子单元基于第一数据表确定目标对象的各债项的业务分类信息之前,装置还包括:
字段读取单元,用于基于基本债项信息,从第二数据表中读取目标对象的各债项分别对应的分类字段内容,其中,分类字段内容包括上一周期确定出的相应债项对应的审计分类标识;
第二分类确定单元,用于基于各债项对应的审计分类标识和各债项对应的初始分类标识,确定各债项对应的第二业务分类标识,并将第二业务分类标识写入第一数据表。
可选地,在分类确定子单元基于第一数据表确定目标对象的各债项的业务分类信息之前,装置还包括:
第一标识读取单元,用于基于基本债项信息,从目标对象的债项监控文件中读取各债项对应的监控分类标识;其中,监控分类标识是基于目标对象的监控结果信息确定的业务分类标识;
第三分类确定单元,用于基于各债项对应的监控分类标识和各债项对应的初始分类标识,确定各债项对应的第三业务分类标识,并将第三业务分类标识写入第一数据表。
可选地,在分类确定子单元基于第一数据表确定目标对象的各债项的业务分类信息之前,装置还包括:
第二标识读取单元,用于基于基本债项信息,从目标对象的债项监控文件中读取各债项对应的临时调整分类标识;其中,临时调整分类标识是基于目标对象的各债项的监控结果信息确定的业务分类标识;
第四分类确定单元,用于将各债项对应的临时调整分类标识作为各债项对应的第四业务分类标识写入第一数据表。
可选地,分类确定子单元具体用于:
对于目标对象的各债项,从第一数据表中读取债项的各业务分类标识,选取满足预设条件的业务分类标识,并基于选取的业务分类标识生成至少一个维度表;
基于预设分类调整模型,对维度表中的业务分类标识进行调整,得到债项的业务分类信息。
可选地,在第二分类信息确定单元43确定目标对象的对象分类信息之前,装置还包括:
事件监控单元,用于在监控到目标对象的预设属性数据发生更新的事件时,将更新后的预设属性数据写入第三数据表中;
清单更新单元,用于基于第三数据表对预设对象分类清单进行更新。
可选地,第三分类信息确定单元44具体用于:
将业务分类信息中的分类等级和对象分类信息中的分类等级进行比较,根据比较结果将等级较高的一项作为目标对象的相应债项的债项分类信息。
本发明实施例提供的预警装置可执行本发明任意实施例所提供的预警方法,具备执行方法相应的功能模块和有益效果。
图5是本发明实施例提供的一种预警设备的结构示意图。该预警设备旨在表示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、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。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/或者要求的本发明的实现。
如图5所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如一种预警方法。
在一些实施例中,预警方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的预警方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行预警方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
本发明实施例还提供一种计算机程序产品,该计算机程序产品包括计算机可执行指令,所述计算机可执行指令在由计算机处理器执行时用于执行本发明任意实施例所提供的预警方法。
计算机程序产品在实现的过程中,可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
当然,本申请实施例所提供的计算机程序产品,其计算机可执行指令不限于如上所述的方法操作,还可以执行本申请任意实施例所提供的方法中的相关操作。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (17)
1.一种预警方法,其特征在于,所述方法包括:
从预设存储单元获取目标对象的基本债项信息和预设对象分类清单;
基于所述基本债项信息,利用预设分类模型确定所述目标对象的各债项的业务分类信息,其中,所述预设分类模型是基于历史债项分类数据利用预设深度学习算法训练得到的;
通过将所述目标对象的对象标识与所述预设对象分类清单进行匹配,确定所述目标对象的对象分类信息;
基于所述业务分类信息和所述对象分类信息,确定所述目标对象的相应债项的债项分类信息;
基于各债项的所述债项分类信息执行相应的预警动作。
2.根据权利要求1所述的预警方法,其特征在于,所述基于所述基本债项信息,利用预设分类模型确定所述目标对象的各债项的业务分类信息,包括:
获取所述基本债项信息中各所述债项的不良标识;
基于所述不良标识和所述预设分类模型获得所述目标对象的各债项的第一业务分类标识,并将所述第一业务分类标识写入第一数据表;
基于所述第一数据表确定所述目标对象的各债项的业务分类信息。
3.根据权利要求2所述的预警方法,其特征在于,在基于所述不良标识和所述预设分类模型获得所述目标对象的各债项的第一业务分类标识之前,所述方法还包括:
响应于检测到作用于第一交互界面的第一触发操作,读取预先设置的多个分类模型的模型标识,并将所述模型标识显示在所述第一交互界面上;
响应于检测到对所述第一交互界面上的模型标识的选择操作,将选择的模型标识对应的分类模型确定为所述预设分类模型。
4.根据权利要求2所述的预警方法,其特征在于,在基于所述第一数据表确定所述目标对象的各债项的业务分类信息之前,所述方法还包括:
基于所述基本债项信息,从第二数据表中读取所述目标对象的各债项分别对应的分类字段内容,其中,所述分类字段内容包括上一周期确定出的相应债项对应的审计分类标识;
基于各债项对应的所述审计分类标识和各债项对应的初始分类标识,确定各债项对应的第二业务分类标识,并将所述第二业务分类标识写入所述第一数据表。
5.根据权利要求2所述的预警方法,其特征在于,在基于所述第一数据表确定所述目标对象的各债项的业务分类信息之前,所述方法还包括:
基于所述基本债项信息,从所述目标对象的债项监控文件中读取各债项对应的监控分类标识;其中,所述监控分类标识是基于所述目标对象的监控结果信息确定的业务分类标识;
基于各债项对应的监控分类标识和各债项对应的初始分类标识,确定各债项对应的第三业务分类标识,并将所述第三业务分类标识写入所述第一数据表。
6.根据权利要求2所述的预警方法,其特征在于,在基于所述第一数据表确定所述目标对象的各债项的业务分类信息之前,所述方法还包括:
基于所述基本债项信息,从所述目标对象的债项监控文件中读取各债项对应的临时调整分类标识;其中,所述临时调整分类标识是基于所述目标对象的各债项的监控结果信息确定的业务分类标识;
将各债项对应的所述临时调整分类标识作为各债项对应的第四业务分类标识写入所述第一数据表。
7.根据权利要求2-6中任一项所述的预警方法,其特征在于,所述基于所述第一数据表确定所述目标对象的各债项的业务分类信息,包括:
对于所述目标对象的各债项,从所述第一数据表中读取所述债项的各业务分类标识,选取满足预设条件的业务分类标识,并基于选取的业务分类标识生成至少一个维度表;
基于预设分类调整模型,对所述维度表中的业务分类标识进行调整,得到所述债项的业务分类信息。
8.根据权利要求1所述的预警方法,其特征在于,在确定所述目标对象的对象分类信息之前,还包括:
在监控到所述目标对象的预设属性数据发生更新的事件时,将更新后的预设属性数据写入第三数据表中;
基于所述第三数据表对所述预设对象分类清单进行更新。
9.根据权利要求1所述的预警方法,其特征在于,所述基于所述业务分类信息和所述对象分类信息,确定所述目标对象的相应债项的债项分类信息,包括:
将所述业务分类信息中的分类等级和所述对象分类信息中的分类等级进行比较,根据比较结果将等级较高的一项作为所述目标对象的相应债项的债项分类信息。
10.一种预警装置,其特征在于,所述预警装置包括:
信息获取单元,用于从预设存储单元获取目标对象的基本债项信息和预设对象分类清单;
第一分类信息确定单元,用于基于所述基本债项信息,利用预设分类模型确定所述目标对象的各债项的业务分类信息,其中,所述预设分类模型是基于历史债项分类数据利用预设深度学习算法训练得到的;
第二分类信息确定单元,用于通过将所述目标对象的对象标识与所述预设对象分类清单进行匹配,确定所述目标对象的对象分类信息;
第三分类信息确定单元,用于基于所述业务分类信息和所述对象分类信息,确定所述目标对象的相应债项的债项分类信息;
预警单元,用于基于各债项的所述债项分类信息执行相应的预警动作。
11.根据权利要求10所述的预警装置,其特征在于,所述第一分类信息确定单元包括:
标识获取子单元,用于获取所述基本债项信息中各所述债项的不良标识;
标识确定子单元,用于基于所述不良标识和所述预设分类模型获得所述目标对象的各债项的第一业务分类标识,并将所述第一业务分类标识写入第一数据表;
分类确定子单元,用于基于所述第一数据表确定所述目标对象的各债项的业务分类信息。
12.根据权利要求11所述的预警装置,其特征在于,在所述分类确定子单元基于所述第一数据表确定所述目标对象的各债项的业务分类信息之前,所述装置还包括:
字段读取单元,用于基于所述基本债项信息,从第二数据表中读取所述目标对象的各债项分别对应的分类字段内容,其中,所述分类字段内容包括上一周期确定出的相应债项对应的审计分类标识;
第二分类确定单元,用于基于各债项对应的所述审计分类标识和各债项对应的初始分类标识,确定各债项对应的第二业务分类标识,并将所述第二业务分类标识写入所述第一数据表。
13.根据权利要求11所述的预警装置,其特征在于,在所述分类确定子单元基于所述第一数据表确定所述目标对象的各债项的业务分类信息之前,所述装置还包括:
第一标识读取单元,用于基于所述基本债项信息,从所述目标对象的债项监控文件中读取各债项对应的监控分类标识;其中,所述监控分类标识是基于所述目标对象的监控结果信息确定的业务分类标识;
第三分类确定单元,用于基于各债项对应的监控分类标识和各债项对应的初始分类标识,确定各债项对应的第三业务分类标识,并将所述第三业务分类标识写入所述第一数据表。
14.根据权利要求11所述的预警装置,其特征在于,在所述分类确定子单元基于所述第一数据表确定所述目标对象的各债项的业务分类信息之前,所述装置还包括:
第二标识读取单元,用于基于所述基本债项信息,从所述目标对象的债项监控文件中读取各债项对应的临时调整分类标识;其中,所述临时调整分类标识是基于所述目标对象的各债项的监控结果信息确定的业务分类标识;
第四分类确定单元,用于将各债项对应的所述临时调整分类标识作为各债项对应的第四业务分类标识写入所述第一数据表。
15.一种预警设备,其特征在于,所述预警设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-9中任一项所述的预警方法。
16.一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存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-9中任一项所述的预警方法。
17.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311465052.1A CN117437033A (zh) | 2023-11-06 | 2023-11-06 | 一种预警方法、装置、设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311465052.1A CN117437033A (zh) | 2023-11-06 | 2023-11-06 | 一种预警方法、装置、设备和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117437033A true CN117437033A (zh) | 2024-01-23 |
Family
ID=89558121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311465052.1A Pending CN117437033A (zh) | 2023-11-06 | 2023-11-06 | 一种预警方法、装置、设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117437033A (zh) |
-
2023
- 2023-11-06 CN CN202311465052.1A patent/CN117437033A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110442712B (zh) | 风险的确定方法、装置、服务器和文本审理系统 | |
CN114580916A (zh) | 一种企业风险评估方法、装置、电子设备及存储介质 | |
CN110197426B (zh) | 一种信用评分模型的建立方法、装置及可读存储介质 | |
CN112750038B (zh) | 交易风险的确定方法、装置和服务器 | |
CN111861733B (zh) | 基于地址模糊匹配的欺诈防控系统及方法 | |
CN112950359A (zh) | 一种用户识别方法和装置 | |
CN113034046A (zh) | 一种数据风险计量方法、装置、电子设备及存储介质 | |
CN111815435A (zh) | 一种群体风险特征的可视化方法、装置、设备及存储介质 | |
WO2019196502A1 (zh) | 营销活动质量评估方法、服务器及计算机可读存储介质 | |
CN116703555A (zh) | 一种预警方法、装置、电子设备及计算机可读介质 | |
CN115914363A (zh) | 消息推送方法、装置、计算机设备和存储介质 | |
CN117437033A (zh) | 一种预警方法、装置、设备和可读存储介质 | |
CN110570301B (zh) | 风险识别方法、装置、设备及介质 | |
CN114066624A (zh) | 基于图计算的黑名单关联图谱挖掘方法及系统 | |
CN111429257A (zh) | 一种交易监控方法和装置 | |
CN112712270A (zh) | 信息处理方法、装置、设备及存储介质 | |
CN115017875B (zh) | 企业信息处理方法、装置、系统、设备和介质 | |
CN111583037B (zh) | 风险关联对象的确定方法、装置和服务器 | |
CN117635309A (zh) | 一种信贷欺诈风险确定方法、装置、设备及存储介质 | |
CN116167635A (zh) | 一种提升评价准确性的方法和装置 | |
CN114693305A (zh) | 一种交易欺诈检测方法、装置、设备、介质及产品 | |
CN113032442A (zh) | 确定目标用户的方法、装置、电子设备及存储介质 | |
CN116596651A (zh) | 客户逾期风险信息的管理方法、装置、设备以及存储介质 | |
CN115619413A (zh) | 一种异常交易的确定方法、装置、设备及存储介质 | |
CN117635299A (zh) | 基于联邦学习的风险评估方法、装置、电子设备及存储介质 |
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 |