CN117593113A - 一种信用卡账户风险评估方法、装置、设备及存储介质 - Google Patents
一种信用卡账户风险评估方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117593113A CN117593113A CN202311649800.1A CN202311649800A CN117593113A CN 117593113 A CN117593113 A CN 117593113A CN 202311649800 A CN202311649800 A CN 202311649800A CN 117593113 A CN117593113 A CN 117593113A
- Authority
- CN
- China
- Prior art keywords
- target
- account
- risk
- data
- case
- 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 63
- 238000012502 risk assessment Methods 0.000 title claims abstract description 46
- 238000012216 screening Methods 0.000 claims abstract description 41
- 230000003993 interaction Effects 0.000 claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000007637 random forest analysis 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
- 238000012549 training 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
- 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
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种信用卡账户风险评估方法、装置、设备及存储介质,包括:通过人机交互界面获取用户输入的目标账户数据,通过预设的风险账户筛选规则库,根据目标账户数据确定目标账户是否为潜在风险账户;如果目标账户为潜在风险账户,则确定目标账户数据与预设风险账户案例库中各案例数据之间的相似度;根据相似度确定目标账户对应的目标风险等级以及目标管控措施,并将目标风险等级以及目标管控措施,通过人机交互界面展示给用户。本发明实施例的技术方案可以及时有效地对信用卡账户进行风险评估,提高了评估方法的灵活性。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种信用卡账户风险评估方法、装置、设备及存储介质。
背景技术
随着互联网技术的发展,构建高效准确的信用卡风险评估体系,对于银行业务风险把控尤为重要。
目前,对信用卡账户进行风险评估时,通常可以采用数据挖掘方法和人工智能技术,例如logistic回归、决策树、随机森林模型xgboost等机器算法模型进行分析,并建立信用卡风险评估模型,判断申请人是否会产生逾期还款或者不还款的场景,实现了对个人信用风险一定程度上的量化分析。
但是,现有的评估方法存在以下不足:首先模型的训练需要充足的账户数据作为支撑,而在实际操作过程中,信用卡账户数据通常包含用户的敏感信息,大量用户信息的收集不仅实施困难而且通常伴随着信息泄露的风险,因此需要严格的安全监管,难以在实际中应用;其次,基于上述方法完成模型的建立后,一旦风险评价体系发生变动,需要重新对模型进行训练,缺乏灵活性。
发明内容
本发明提供了一种信用卡账户风险评估方法、装置、设备及存储介质,可以及时有效地对信用卡账户进行风险评估,提高了评估方法的灵活性。
根据本发明的一方面,提供了一种信用卡账户风险评估方法,所述方法包括:
通过人机交互界面获取用户输入的目标账户数据,通过预设的风险账户筛选规则库,根据所述目标账户数据,确定目标账户是否为潜在风险账户;
如果所述目标账户为潜在风险账户,则确定所述目标账户数据,与预设风险账户案例库中各案例数据之间的相似度;
其中,所述风险账户案例库中预先存储了多个已知风险等级的账户案例;
根据所述相似度,确定目标账户对应的目标风险等级以及目标管控措施,并将所述目标风险等级以及目标管控措施,通过人机交互界面展示给用户。
可选的,通过预设的风险账户筛选规则库,根据所述目标账户数据,确定目标账户是否为潜在风险账户,包括:
根据所述目标账户数据,生成与所述目标账户匹配的风险表示模型;
其中,所述风险表示模型中记录了目标账户数据对应的多个预设特征类型,以及各所述特征类型对应的目标特征值;
根据风险账户筛选规则库中存储的多个风险账户筛选规则,以及目标账户数据对应的不同特征类型下的目标特征值,确定目标账户是否为潜在风险账户。
可选的,确定所述目标账户数据,与预设风险账户案例库中各案例数据之间的相似度,包括:
根据所述目标账户数据对应的目标特征值,以及各案例数据对应的特征值,确定目标账户数据与各案例数据之间的欧式距离;
根据所述欧式距离,确定目标账户数据与各案例数据之间的相似度。
可选的,根据所述目标账户数据对应的目标特征值,以及各案例数据对应的特征值,确定目标账户数据与各案例数据之间的欧式距离,包括:
根据各案例数据对应的特征值,确定案例特征信息矩阵;
根据目标账户数据对应的目标特征值,确定目标特征向量;
根据所述案例特征信息矩阵以及目标特征向量,确定目标账户数据与各案例数据之间的欧式距离。
可选的,根据所述案例特征信息矩阵以及目标特征向量,确定目标账户数据与各案例数据之间的欧式距离,包括:
根据所述案例特征信息矩阵,确定风险账户案例库中每个特征值的平均值;
根据所述每个特征值的平均值,将每个特征值转换为中间变量,并根据所述中间变量,对各特征值进行归一化处理;
根据处理后的案例特征信息矩阵,以及处理后的目标特征向量,确定目标账户数据与各案例数据之间的欧式距离。
可选的,根据所述相似度,确定目标账户对应的目标风险等级以及目标管控措施,包括:
在风险账户案例库中的全部账户案例中,筛选相似度最高并且满足预设相似度阈值的账户案例作为目标案例;
将所述目标案例对应的目标风险等级以及目标管控措施,作为目标账户对应的目标风险等级以及目标管控措施。
根据本发明的另一方面,提供了一种信用卡账户风险评估装置,所述装置包括:
数据获取模块,用于通过人机交互界面获取用户输入的目标账户数据,通过预设的风险账户筛选规则库,根据所述目标账户数据,确定目标账户是否为潜在风险账户;
相似度确定模块,用于如果所述目标账户为潜在风险账户,则确定所述目标账户数据,与预设风险账户案例库中各案例数据之间的相似度;
其中,所述风险账户案例库中预先存储了多个已知风险等级的账户案例;
评估结果展示模块,用于根据所述相似度,确定目标账户对应的目标风险等级以及目标管控措施,并将所述目标风险等级以及目标管控措施,通过人机交互界面展示给用户。
可选的,数据获取模块包括:
模型生成单元,用于根据所述目标账户数据,生成与所述目标账户匹配的风险表示模型;
其中,所述风险表示模型中记录了目标账户数据对应的多个预设特征类型,以及各所述特征类型对应的目标特征值;
潜在风险确定单元,用于根据风险账户筛选规则库中存储的多个风险账户筛选规则,以及目标账户数据对应的不同特征类型下的目标特征值,确定目标账户是否为潜在风险账户。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
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发明任一实施例所述的信用卡账户风险评估方法。
根据本发明的另一方面,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发明任一实施例所述的信用卡账户风险评估方法。
本发明实施例提供的技术方案,通过人机交互界面获取用户输入的目标账户数据,通过预设的风险账户筛选规则库,根据所述目标账户数据,确定目标账户是否为潜在风险账户;如果所述目标账户为潜在风险账户,则确定所述目标账户数据,与预设风险账户案例库中各案例数据之间的相似度,根据所述相似度,确定目标账户对应的目标风险等级以及目标管控措施,并将所述目标风险等级以及目标管控措施,通过人机交互界面展示给用户的技术手段,可以及时有效地对信用卡账户进行风险评估,提高了评估方法的灵活性。
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是根据本发明实施例提供的一种信用卡账户风险评估方法的流程图;
图2是根据本发明实施例提供的另一种信用卡账户风险评估方法的流程图;
图3是根据本发明实施例提供的另一种信用卡账户风险评估方法的流程图;
图4是根据本发明实施例提供的一种信用卡账户风险评估装置的结构示意图;
图5是实现本发明实施例的信用卡账户风险评估方法的电子设备的结构示意图。
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,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”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为本发明实施例提供的一种信用卡账户风险评估方法的流程图,本实施例可适用于对信用卡账户进行风险评估的情况,该方法可以由信用卡账户风险评估装置来执行,该信用卡账户风险评估装置可以采用硬件和/或软件的形式实现,该信用卡账户风险评估装置可配置于电子设备中。
如图1所示,该方法包括:
步骤110、通过人机交互界面获取用户输入的目标账户数据,通过预设的风险账户筛选规则库,根据所述目标账户数据,确定目标账户是否为潜在风险账户。
所述目标账户数据可以为待评估的信用卡账户数据。本实施例可以采用专家系统的思想,预先建立风险账户筛选规则库与风险账户案例库,通过规则推理与案例推理的知识推理方法,对信用卡账户进行风险评估,以满足评价体系构建的灵活性和降低对大量数据的依赖。
其中,专家系统是一个智能计算机程序系统,其内部含有大量的某个领域专家水平的知识与经验,能够应用人工智能技术和计算机技术,根据系统中的知识与经验,进行推理和判断,模拟人类专家的决策过程,以便解决那些需要人类专家处理的复杂问题。
在此步骤中,风险账户筛选规则库中预先存放了多个风险账户筛选规则,获取到目标账户数据后,可以根据所述多个风险账户筛选规则,对目标账户数据进行规则推理,根据推理结果初步判断目标账户是否为潜在风险账户。其中,规则推理过程可以为将目标账户数据与风险账户筛选规则进行匹配。
步骤120、如果所述目标账户为潜在风险账户,则确定所述目标账户数据,与预设风险账户案例库中各案例数据之间的相似度。
所述风险账户案例库中预先存储了多个已知风险等级的信用卡账户案例,以及每个信用卡账户案例对应的管控措施。
在本实施例中,如果所述目标账户不是潜在风险账户,则可以确定目标账户对应的评估结果为无风险,并将该评估结果通过人机交互界面展示给用户。如果所述目标账户为潜在风险账户,则可以获取风险账户案例库中各账户案例对应的案例数据,并确定目标账户数据与各案例数据之间的相似度。
在此步骤中,可选的,可以将目标账户数据与各案例数据进行对比,根据对比结果确定目标账户数据与各案例数据之间的相似度。
步骤130、根据所述相似度,确定目标账户对应的目标风险等级以及目标管控措施,并将所述目标风险等级以及目标管控措施,通过人机交互界面展示给用户。
在此步骤中,可选的,可以根据相似度获取与目标账户数据最为相似的案例数据,并将此案例数据对应的风险等级以及管控措施,作为目标账户对应的目标风险等级以及目标管控措施,然后将所述目标风险等级以及目标管控措施展示给用户。
在本实施例中,通过风险账户筛选规则库和风险账户案例库,分别对目标账户数据进行规则推理与案例推理,可以对潜在的风险账户做出及时的预警和管控措施。相比于传统的人工审核方法,本实施例的技术方案较大程度地降低了评估过程所需的人力成本和时间成本。
其次,相比于现有技术中采用机器学习模型进行风险评估的方式而言,本实施例的技术方案可以减少对样本数据量以及质量的依赖,是一种针对少量数据情况下的解决方案,即当案例库中存在一定量的案例时即可运行,由此可以提高信用卡账户风险评估方法的适用性;并且,本实施例的技术方案不需要对深度学习模型进行训练,由此可以提高风险评估方法的开发效率,减少开发周期。
本发明实施例提供的技术方案,通过人机交互界面获取用户输入的目标账户数据,通过预设的风险账户筛选规则库,根据所述目标账户数据,确定目标账户是否为潜在风险账户;如果所述目标账户为潜在风险账户,则确定所述目标账户数据,与预设风险账户案例库中各案例数据之间的相似度,根据所述相似度,确定目标账户对应的目标风险等级以及目标管控措施,并将所述目标风险等级以及目标管控措施,通过人机交互界面展示给用户的技术手段,可以及时有效地对信用卡账户进行风险评估,提高了评估方法的灵活性。
本公开的技术方案中,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。
图2为本发明实施例提供的另一种信用卡账户风险评估方法的流程图,本实施例是对上述实施例的进一步细化,如图2所示,该方法包括:
步骤210、通过人机交互界面获取用户输入的目标账户数据,根据所述目标账户数据,生成与所述目标账户匹配的风险表示模型。
在本实施例中,所述风险表示模型中记录了目标账户数据对应的多个预设特征类型,以及各所述特征类型对应的目标特征值,例如目标账户数据中的违约金额、违约次数以及异常消费金额等,本实施例对此并不进行限制。
步骤220、根据风险账户筛选规则库中存储的多个风险账户筛选规则,以及目标账户数据对应的不同特征类型下的目标特征值,确定目标账户是否为潜在风险账户。
在本实施例中,风险账户筛选规则可以以IF THEN的形式出现,IF后面跟的是条件(前件),THEN后面的是结论(后件),条件与结论均可以通过逻辑运算AND、OR、NOT进行复合。
在此步骤中,具体的,可以根据多个风险账户筛选规则以及目标特征值,采用正向推理的方式,即从已知事实出发正向使用推理规则,得出目标账户是否存在潜在风险。
步骤230、如果所述目标账户为潜在风险账户,根据所述目标账户数据对应的目标特征值,以及各案例数据对应的特征值,确定目标账户数据与各案例数据之间的欧式距离。
在本实施例的一个实施方式中,根据所述目标账户数据对应的目标特征值,以及各案例数据对应的特征值,确定目标账户数据与各案例数据之间的欧式距离,包括:根据各案例数据对应的特征值,确定案例特征信息矩阵;根据目标账户数据对应的目标特征值,确定目标特征向量;根据所述案例特征信息矩阵以及目标特征向量,确定目标账户数据与各案例数据之间的欧式距离。
在一个具体的实施例中,案例特征信息矩阵Z可以通过以下公式进行表示:
其中,Vij为风险账户案例库中第i个案例的第j个特征值,1≤i≤m,1≤j≤n,m为案例总个数,n为特征的维数。
在此步骤中,可选的,可以根据案例特征信息矩阵Z以及目标特征向量X,确定目标账户数据与各案例数据之间的欧式距离。
步骤240、根据所述欧式距离,确定目标账户数据与各案例数据之间的相似度。
步骤250、根据所述相似度,确定目标账户对应的目标风险等级以及目标管控措施,并将所述目标风险等级以及目标管控措施,通过人机交互界面展示给用户。
在本实施例的一个实施方式中,根据所述相似度,确定目标账户对应的目标风险等级以及目标管控措施,包括:在风险账户案例库中的全部账户案例中,筛选相似度最高并且满足预设相似度阈值的账户案例作为目标案例;将所述目标案例对应的目标风险等级以及目标管控措施,作为目标账户对应的目标风险等级以及目标管控措施。
在一个具体的实施例中,在将目标风险等级以及目标管控措施,通过人机交互界面展示给用户后,还可以将目标账户数据作为新的账户案例存储至风险账户案例库中。
本发明实施例提供的技术方案,通过人机交互界面获取用户输入的目标账户数据,根据目标账户数据生成风险表示模型,根据风险账户筛选规则库中存储的多个风险账户筛选规则,以及目标账户数据对应的不同特征类型下的目标特征值,确定目标账户是否为潜在风险账户,如果目标账户为潜在风险账户,根据目标账户数据对应的目标特征值以及各案例数据对应的特征值,确定目标账户数据与各案例数据之间的欧式距离,根据欧式距离确定目标账户数据与各案例数据之间的相似度,根据相似度确定目标账户对应的目标风险等级以及目标管控措施,并将目标风险等级以及目标管控措施,通过人机交互界面展示给用户的技术手段,可以及时有效地对信用卡账户进行风险评估,提高了评估方法的灵活性。
图3为本发明实施例提供的另一种信用卡账户风险评估方法的流程图,如图3所示,该方法包括:
步骤310、通过人机交互界面获取用户输入的目标账户数据,通过预设的风险账户筛选规则库,根据所述目标账户数据,确定目标账户是否为潜在风险账户。
步骤320、如果所述目标账户为潜在风险账户,根据各案例数据对应的特征值确定案例特征信息矩阵,并根据目标账户数据对应的目标特征值,确定目标特征向量。
步骤330、根据所述案例特征信息矩阵,确定风险账户案例库中每个特征值的平均值。
在本实施例中,生成案例特征信息矩阵Z后,可以对矩阵Z中每一列求平均值,即得到每个特征值的平均值。假设为第j个特征值的平均值,则有:
步骤340、根据所述每个特征值的平均值,将每个特征值转换为中间变量,并根据所述中间变量,对各特征值进行归一化处理。
在此步骤中,具体的,可以通过以下公式将每个特征值Vij转换为中间变量Mij:
然后,通过下述公式将每个特征值Vij归一化处理至区间[-1,1],得到处理后的案例特征信息矩阵Z':
步骤350、采用与步骤330-340相同的方式,对目标特征向量X进行处理。
步骤360、根据处理后的案例特征信息矩阵Z',以及处理后的目标特征向量X',确定目标账户数据与各案例数据之间的欧式距离。
在此步骤中,具体的,可以通过如下公式确定目标账户数据与各案例数据之间的欧式距离:
步骤370、根据所述欧式距离,确定目标账户数据与各案例数据之间的相似度,根据所述相似度,确定目标账户对应的目标风险等级以及目标管控措施,并将所述目标风险等级以及目标管控措施,通过人机交互界面展示给用户。
在此步骤中,具体的,可以通过如下公式,确定目标账户数据与各案例数据之间的相似度:
本发明实施例提供的技术方案,通过人机交互界面获取用户输入的目标账户数据,通过预设的风险账户筛选规则库根据目标账户数据,确定目标账户是否为潜在风险账户,如果目标账户为潜在风险账户,根据各案例数据对应的特征值确定案例特征信息矩阵,根据目标账户数据对应的目标特征值确定目标特征向量,根据案例特征信息矩阵确定风险账户案例库中每个特征值的平均值,根据每个特征值的平均值将每个特征值转换为中间变量,根据中间变量对各特征值进行归一化处理,采用相同方式对目标特征向量进行处理,根据处理后的案例特征信息矩阵以及处理后的目标特征向量确定欧式距离,根据欧式距离确定目标账户数据与各案例数据之间的相似度,根据相似度确定目标风险等级以及目标管控措施,并将目标风险等级以及目标管控措施,通过人机交互界面展示给用户的技术手段,可以及时有效地对信用卡账户进行风险评估,提高了评估方法的灵活性。
图4为本发明实施例提供的一种信用卡账户风险评估装置的结构示意图,所述装置应用于电子设备中,如图4所示,该装置包括:数据获取模块410、相似度确定模块420和评估结果展示模块430。
数据获取模块410,用于通过人机交互界面获取用户输入的目标账户数据,通过预设的风险账户筛选规则库,根据所述目标账户数据,确定目标账户是否为潜在风险账户;
相似度确定模块420,用于如果所述目标账户为潜在风险账户,则确定所述目标账户数据,与预设风险账户案例库中各案例数据之间的相似度;
其中,所述风险账户案例库中预先存储了多个已知风险等级的账户案例;
评估结果展示模块430,用于根据所述相似度,确定目标账户对应的目标风险等级以及目标管控措施,并将所述目标风险等级以及目标管控措施,通过人机交互界面展示给用户。
本发明实施例提供的技术方案,通过人机交互界面获取用户输入的目标账户数据,通过预设的风险账户筛选规则库,根据所述目标账户数据,确定目标账户是否为潜在风险账户;如果所述目标账户为潜在风险账户,则确定所述目标账户数据,与预设风险账户案例库中各案例数据之间的相似度,根据所述相似度,确定目标账户对应的目标风险等级以及目标管控措施,并将所述目标风险等级以及目标管控措施,通过人机交互界面展示给用户的技术手段,可以及时有效地对信用卡账户进行风险评估,提高了评估方法的灵活性。
在上述实施例的基础上,数据获取模块410包括:
模型生成单元,用于根据所述目标账户数据,生成与所述目标账户匹配的风险表示模型;
其中,所述风险表示模型中记录了目标账户数据对应的多个预设特征类型,以及各所述特征类型对应的目标特征值;
潜在风险确定单元,用于根据风险账户筛选规则库中存储的多个风险账户筛选规则,以及目标账户数据对应的不同特征类型下的目标特征值,确定目标账户是否为潜在风险账户。
相似度确定模块420包括:
欧式距离确定单元,用于根据所述目标账户数据对应的目标特征值,以及各案例数据对应的特征值,确定目标账户数据与各案例数据之间的欧式距离,根据所述欧式距离,确定目标账户数据与各案例数据之间的相似度;
矩阵确定单元,用于根据各案例数据对应的特征值,确定案例特征信息矩阵;根据目标账户数据对应的目标特征值,确定目标特征向量;根据所述案例特征信息矩阵以及目标特征向量,确定目标账户数据与各案例数据之间的欧式距离;
平均值确定单元,用于根据所述案例特征信息矩阵,确定风险账户案例库中每个特征值的平均值;
归一化处理单元,用于根据所述每个特征值的平均值,将每个特征值转换为中间变量,并根据所述中间变量,对各特征值进行归一化处理;根据处理后的案例特征信息矩阵,以及处理后的目标特征向量,确定目标账户数据与各案例数据之间的欧式距离。
评估结果展示模块430包括:
案例筛选单元,用于在风险账户案例库中的全部账户案例中,筛选相似度最高并且满足预设相似度阈值的账户案例作为目标案例;
评估结果确定单元,用于将所述目标案例对应的目标风险等级以及目标管控措施,作为目标账户对应的目标风险等级以及目标管控措施。
上述装置可执行本发明前述所有实施例所提供的方法,具备执行上述方法相应的功能模块和有益效果。未在本发明实施例中详尽描述的技术细节,可参见本发明前述所有实施例所提供的方法。
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子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,例如信用卡账户风险评估方法。
在一些实施例中,信用卡账户风险评估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ROM 12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信用卡账户风险评估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)而被配置为执行信用卡账户风险评估方法。
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。
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,本发明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 (10)
1.一种信用卡账户风险评估方法,其特征在于,所述方法包括:
通过人机交互界面获取用户输入的目标账户数据,通过预设的风险账户筛选规则库,根据所述目标账户数据,确定目标账户是否为潜在风险账户;
如果所述目标账户为潜在风险账户,则确定所述目标账户数据,与预设风险账户案例库中各案例数据之间的相似度;
其中,所述风险账户案例库中预先存储了多个已知风险等级的账户案例;
根据所述相似度,确定目标账户对应的目标风险等级以及目标管控措施,并将所述目标风险等级以及目标管控措施,通过人机交互界面展示给用户。
2.根据权利要求1所述的方法,其特征在于,通过预设的风险账户筛选规则库,根据所述目标账户数据,确定目标账户是否为潜在风险账户,包括:
根据所述目标账户数据,生成与所述目标账户匹配的风险表示模型;
其中,所述风险表示模型中记录了目标账户数据对应的多个预设特征类型,以及各所述特征类型对应的目标特征值;
根据风险账户筛选规则库中存储的多个风险账户筛选规则,以及目标账户数据对应的不同特征类型下的目标特征值,确定目标账户是否为潜在风险账户。
3.根据权利要求2所述的方法,其特征在于,确定所述目标账户数据,与预设风险账户案例库中各案例数据之间的相似度,包括:
根据所述目标账户数据对应的目标特征值,以及各案例数据对应的特征值,确定目标账户数据与各案例数据之间的欧式距离;
根据所述欧式距离,确定目标账户数据与各案例数据之间的相似度。
4.根据权利要求3所述的方法,其特征在于,根据所述目标账户数据对应的目标特征值,以及各案例数据对应的特征值,确定目标账户数据与各案例数据之间的欧式距离,包括:
根据各案例数据对应的特征值,确定案例特征信息矩阵;
根据目标账户数据对应的目标特征值,确定目标特征向量;
根据所述案例特征信息矩阵以及目标特征向量,确定目标账户数据与各案例数据之间的欧式距离。
5.根据权利要求4所述的方法,其特征在于,根据所述案例特征信息矩阵以及目标特征向量,确定目标账户数据与各案例数据之间的欧式距离,包括:
根据所述案例特征信息矩阵,确定风险账户案例库中每个特征值的平均值;
根据所述每个特征值的平均值,将每个特征值转换为中间变量,并根据所述中间变量,对各特征值进行归一化处理;
根据处理后的案例特征信息矩阵,以及处理后的目标特征向量,确定目标账户数据与各案例数据之间的欧式距离。
6.根据权利要求1所述的方法,其特征在于,根据所述相似度,确定目标账户对应的目标风险等级以及目标管控措施,包括:
在风险账户案例库中的全部账户案例中,筛选相似度最高并且满足预设相似度阈值的账户案例作为目标案例;
将所述目标案例对应的目标风险等级以及目标管控措施,作为目标账户对应的目标风险等级以及目标管控措施。
7.一种信用卡账户风险评估装置,其特征在于,所述装置包括:
数据获取模块,用于通过人机交互界面获取用户输入的目标账户数据,通过预设的风险账户筛选规则库,根据所述目标账户数据,确定目标账户是否为潜在风险账户;
相似度确定模块,用于如果所述目标账户为潜在风险账户,则确定所述目标账户数据,与预设风险账户案例库中各案例数据之间的相似度;
其中,所述风险账户案例库中预先存储了多个已知风险等级的账户案例;
评估结果展示模块,用于根据所述相似度,确定目标账户对应的目标风险等级以及目标管控措施,并将所述目标风险等级以及目标管控措施,通过人机交互界面展示给用户。
8.根据权利要求7所述的装置,其特征在于,数据获取模块包括:
模型生成单元,用于根据所述目标账户数据,生成与所述目标账户匹配的风险表示模型;
其中,所述风险表示模型中记录了目标账户数据对应的多个预设特征类型,以及各所述特征类型对应的目标特征值;
潜在风险确定单元,用于根据风险账户筛选规则库中存储的多个风险账户筛选规则,以及目标账户数据对应的不同特征类型下的目标特征值,确定目标账户是否为潜在风险账户。
9.一种电子设备,其特征在于,所述电子设备包括:
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1-6中任一项所述的信用卡账户风险评估方法。
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1-6中任一项所述的信用卡账户风险评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311649800.1A CN117593113A (zh) | 2023-12-04 | 2023-12-04 | 一种信用卡账户风险评估方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311649800.1A CN117593113A (zh) | 2023-12-04 | 2023-12-04 | 一种信用卡账户风险评估方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117593113A true CN117593113A (zh) | 2024-02-23 |
Family
ID=89921816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311649800.1A Pending CN117593113A (zh) | 2023-12-04 | 2023-12-04 | 一种信用卡账户风险评估方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117593113A (zh) |
-
2023
- 2023-12-04 CN CN202311649800.1A patent/CN117593113A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112861885B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN116629620B (zh) | 一种风险等级确定方法、装置、电子设备及存储介质 | |
CN113221104A (zh) | 用户异常行为的检测方法及用户行为重构模型的训练方法 | |
CN114090601B (zh) | 一种数据筛选方法、装置、设备以及存储介质 | |
CN117593115A (zh) | 信贷风险评估模型的特征值确定方法、装置、设备和介质 | |
CN117649115A (zh) | 一种风险评估方法、装置、电子设备和存储介质 | |
CN115603955B (zh) | 异常访问对象识别方法、装置、设备和介质 | |
CN115759283A (zh) | 一种模型解释方法、装置、电子设备以及存储介质 | |
CN117593113A (zh) | 一种信用卡账户风险评估方法、装置、设备及存储介质 | |
CN113807391A (zh) | 任务模型的训练方法、装置、电子设备及存储介质 | |
CN113010782A (zh) | 需求量获取方法、装置、电子设备以及计算机可读介质 | |
CN111429257A (zh) | 一种交易监控方法和装置 | |
CN113642495B (zh) | 用于评价时序提名的模型的训练方法、设备、程序产品 | |
CN114565030B (zh) | 特征筛选方法、装置、电子设备和存储介质 | |
CN117574146B (zh) | 文本分类标注方法、装置、电子设备和存储介质 | |
CN117474669A (zh) | 一种贷款逾期预测方法、装置、设备及存储介质 | |
CN115640461A (zh) | 一种产品的推荐方法、装置、电子设备及其存储介质 | |
CN117670499A (zh) | 一种制裁名单筛查方法、装置、设备及存储介质 | |
CN117035846A (zh) | 信息预测方法、装置及相关设备 | |
CN117522415A (zh) | 一种风险预测方法、装置和电子设备 | |
CN117892877A (zh) | 手机银行用户行为预测方法、装置、设备和介质 | |
CN116433984A (zh) | 分类模型训练、平稳分类方法、装置、设备、介质及产品 | |
CN115081922A (zh) | 一种基于图谱库的新风险主动识别方法和装置 | |
CN117972469A (zh) | 一种火成岩分类识别方法、装置、设备及存储介质 | |
CN117131264A (zh) | 资源推荐方法、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 |