CN117649115A - 一种风险评估方法、装置、电子设备和存储介质 - Google Patents
一种风险评估方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN117649115A CN117649115A CN202311658271.1A CN202311658271A CN117649115A CN 117649115 A CN117649115 A CN 117649115A CN 202311658271 A CN202311658271 A CN 202311658271A CN 117649115 A CN117649115 A CN 117649115A
- Authority
- CN
- China
- Prior art keywords
- risk assessment
- transaction
- target user
- risk
- model
- 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
- 238000012502 risk assessment Methods 0.000 title claims abstract description 234
- 238000000034 method Methods 0.000 title claims abstract description 52
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims description 82
- 238000003062 neural network model Methods 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 14
- 125000004122 cyclic group Chemical group 0.000 claims description 13
- 238000013210 evaluation model Methods 0.000 claims description 11
- 230000000306 recurrent effect Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 abstract description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011084 recovery 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
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种风险评估方法、装置、电子设备和存储介质，涉及业务处理领域，该方法包括：根据第一交易流水集合，获取基于有监督学习训练完成的多个风险评估模型；其中，不同的风险评估模型基于不同的神经网络结构构建完成；根据第二交易流水集合，对各所述风险评估模型进行无监督学习训练，直至各所述风险评估模型的输出结果的相似度，大于等于预设相似阈值为止；通过各所述风险评估模型，对目标用户的交易流水进行风险评估，以获取目标用户的风险评估等级。本发明实施例的技术方案，实现了用户风险等级的自动评估，提高了用户风险等级的评估效率，同时，提高了获取到的风险评估结果的准确性。
Description
技术领域
本发明涉及业务处理领域，尤其涉及一种风险评估方法、装置、电子设备和存储介质。
背景技术
伴随着商业发展的全球化，各个机构面对的贸易客户越来越多，通过评估客户风险等级来审定不同客户的业务资质也变得尤为重要。
现有技术中，客户的交易流水作为客户风险等级评估的一项重要指标，通常是将获取到的交易流水交由工作人员进行人工审核，通过评估客户的交易流水获知该客户的经营信息，并以此评估该客户的风险等级。
然而，人工评估方式不但需要耗费大量的人力资源，而且由于交易流水的数据量较大，风险评估效率往往较低，同时，人工审核带有一定的主观性，极易导致审核结果出现偏差。
发明内容
本发明提供了一种风险评估方法、装置、电子设备及存储介质，以解决风险评估效率较低的问题。
根据本发明的一方面，提供了一种风险评估方法，包括：
根据第一交易流水集合，获取基于有监督学习训练完成的多个风险评估模型；其中，不同的风险评估模型基于不同的神经网络结构构建完成；
根据第二交易流水集合，对各所述风险评估模型进行无监督学习训练，直至各所述风险评估模型的输出结果的相似度，大于等于预设相似阈值为止；
通过各所述风险评估模型，对目标用户的交易流水进行风险评估，以获取目标用户的风险评估等级。
所述根据第二交易流水集合，对各所述风险评估模型进行无监督学习训练，直至各所述风险评估模型的输出结果的相似度，大于等于预设相似阈值为止，包括：将所述第二交易流水集合输入至各个风险评估模型，以分别获取各个第二交易流水的输出结果；获取所述第二交易流水集合中的目标第二交易流水；其中，所述目标第二交易流水在各个风险评估模型的输出结果中，均为相同的风险评估等级；将所述目标第二交易流水以及所述目标第二交易流水的风险评估等级，再次输入各个风险评估模型，以对各所述风险评估模型分别进行有监督学习训练。
所述风险评估模型包括基于注意力机制的神经网络模型、卷积神经网络模型和循环神经网络模型。
所述通过各所述风险评估模型，对目标用户的交易流水进行风险评估，以获取目标用户的风险评估等级，包括：获取目标用户的交易流水中的连续大额交易集合；其中，所述连续大额交易集合包括多个连续大额交易，所述连续大额交易的交易金额大于等于预设金额阈值，且相邻的两个连续大额交易之间的交易笔数小于等于预设笔数阈值；将所述连续大额交易集合输入至循环神经网络模型，以获取目标用户的第一评价结果；根据目标用户的第一评价结果，获取目标用户的风险评估等级。
所述通过各所述风险评估模型，对目标用户的交易流水进行风险评估，以获取目标用户的风险评估等级，包括：获取目标用户的交易流水中的短期频繁交易集合；其中，所述短期频繁交易集合包括多个短期频繁交易，任意两个短期频繁交易之间的时间跨度均小于等于预设时长阈值，且短期频繁交易总数大于等于预设数量阈值；将所述短期频繁交易集合输入至循环神经网络模型，以获取所述目标用户的第二评价结果；根据目标用户的第一评价结果和第二评价结果，获取目标用户的风险评估等级。
所述通过各所述风险评估模型，对目标用户的交易流水进行风险评估，以获取目标用户的风险评估等级，包括：获取目标用户的交易流水中的离散大额交易集合；其中，所述离散大额交易集合包括多个离散大额交易，所述离散大额交易的交易金额大于等于预设金额阈值，且相邻的两个离散大额交易之间的交易笔数大于预设笔数阈值；将所述离散大额交易集合输入至基于注意力机制的神经网络模型，以获取所述目标用户的第三评价结果；根据目标用户的第一评价结果和第三评价结果，获取目标用户的风险评估等级。
所述通过各所述风险评估模型，对目标用户的交易流水进行风险评估，以获取目标用户的风险评估等级，包括：获取目标用户的交易流水中的剩余交易集合；其中，所述剩余交易集合包括除所述连续大额交易集合和所述离散大额交易集合之外的全部交易；将所述剩余交易集合输入至卷积神经网络模型，以获取所述目标用户的第四评价结果；根据目标用户的第一评价结果、第三评价结果和第四评价结果，获取目标用户的风险评估等级。
根据本发明的另一方面，提供了一种风险评估装置，包括：
有监督执行模块，用于根据第一交易流水集合，获取基于有监督学习训练完成的多个风险评估模型；其中，不同的风险评估模型基于不同的神经网络结构构建完成；
无监督执行模块，用于根据第二交易流水集合，对各所述风险评估模型进行无监督学习训练，直至各所述风险评估模型的输出结果的相似度，大于等于预设相似阈值为止；
风险评估执行模块，用于通过各所述风险评估模型，对目标用户的交易流水进行风险评估，以获取目标用户的风险评估等级。
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的风险评估方法。
本发明实施例的技术方案，首先根据第一交易流水集合，获取到基于有监督学习训练完成的多个风险评估模型，其次根据第二交易流水集合，对各风险评估模型进行无监督学习训练，最后通过各风险评估模型，对目标用户的交易流水进行风险评估，以获取目标用户的风险评估等级，实现了基于用户交易流水的风险等级自动评估，节省了风险评估耗费的人力资源，提高了用户风险等级的评估效率，同时，避免了人工评估时的主观性导致审核结果出现偏差，提高了获取到的风险评估结果的准确性。
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一提供的一种风险评估方法的流程图；
图2是根据本发明实施例二提供的另一种风险评估方法的流程图；
图3是根据本发明实施例三提供的又一种风险评估方法的流程图；
图4是根据本发明实施例四提供的再一种风险评估方法的流程图；
图5是根据本发明实施例五提供的一种风险评估装置的结构示意图；
图6是实现本发明实施例的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。
实施例一
图1为本发明实施例一提供的一种风险评估方法的流程图，本实施例可适用于通过基于有监督学习训练和无监督学习训练的多个风险评估模型，获取目标用户的风险评估等级，该方法可以由风险评估装置来执行，该风险评估装置可以采用硬件和/或软件的形式实现，该风险评估装置配置于电子设备中。如图1所示，该方法包括：
S101、根据第一交易流水集合，获取基于有监督学习训练完成的多个风险评估模型；其中，不同的风险评估模型基于不同的神经网络结构构建完成。
第一交易流水集合包括多个用户的交易流水信息(即第一交易流水)，以及上述各个用户的风险评估等级(即标签信息)；交易流水作为风险评估模型的输入信息，风险评估等级则作为风险评估模型的输出信息，风险评估模型基于交易流水与风险评估等级的对应关系，进行有监督的学习训练；其中，风险评估等级的等级数量可以根据需要配置，例如，可以将风险评估等级预先设定为高风险、中风险、低风险三个等级；可选的，在本发明实施例中，对风险评估等级的等级数量不作具体限定。
风险评估模型是基于神经网络(Neural Networks，NNS)构建的数学模型，在预先建立的网络结构基础上，通过调整内部大量节点的连接关系，实现对特征信息的有效处理；在本发明实施例中，根据用户的交易流水信息与风险评估等级之间的对应关系，对风险评估模型进行识别及分类训练，使之具备一定的预测及分类功能，并能够针对获取到的输入数据(即交易流水)，给出对应的输出结果(即风险评估等级)。
具体的，风险评估模型针对输入的交易流水，通过提取交易时间、交易金额、交易类型、交易对象类型(例如，个人账户或对公账户)等交易特征并获取特征向量，进而通过对特征向量的识别，获取对应的输出结果；其中，特征向量是交易特征量化表示的结果，其为多维度的向量；不同类型的风险评估模型具有不同的归纳偏差，为了获取到多样性的风险评估模型，基于不同的网络结构分别构建不同的风险评估模型，例如，基于不同的残差网络(Residual Networks)和前馈网络(Feed-Forward)，分别构建不同的风险评估模型。
S102、根据第二交易流水集合，对各所述风险评估模型进行无监督学习训练，直至各所述风险评估模型的输出结果的相似度，大于等于预设相似阈值为止。
第二交易流水集合同样包括多个用户的交易流水信息(即第二交易流水)，但不包括上述各个用户的风险评估等级(即不包括标签信息)；交易流水作为输入信息输入到风险评估模型后，风险评估模型通过上述特征提取方式执行无监督学习训练，并获取每个第二交易流水的风险评估等级。
对于一个第二交易流水而言，如果各个风险评估模型针对该第二交易流水的风险评估等级均相同，表示该输出结果的准确性较高，并将该第二交易流水作为符合要求的合规第二交易流水；各个风险评估模型之间输出结果的相似度，即为合规第二交易流水在全部第二交易流水中的所占比例，即合规第二交易流水所占的比例越高，风险评估模型之间输出结果的相似度越高。
预设相似阈值，是预先配置完成的相似度阈值，可以根据需要将预设相似阈值配置为较高数值，例如，98％；当各个风险评估模型之间输出结果的相似度，大于等于预设相似阈值时，表示无监督训练完成，当前已获取到分类效果较为准确的多个风险评估模型；当各个风险评估模型之间输出结果的相似度，小于预设相似阈值时，表示无监督训练未完成，此时基于第二交易流水集合继续执行无监督学习训练，或者基于第一交易流水集合再次执行有监督学习训练，或者依次执行基于第一交易流水集合的有监督学习训练，以及基于第二交易流水集合的无监督学习训练。
可选的，在本发明实施例中，所述根据第二交易流水集合，对各所述风险评估模型进行无监督学习训练，直至各所述风险评估模型的输出结果的相似度，大于等于预设相似阈值为止，包括：将所述第二交易流水集合输入至各个风险评估模型，以分别获取各个第二交易流水的输出结果；获取所述第二交易流水集合中的目标第二交易流水；其中，所述目标第二交易流水在各个风险评估模型的输出结果中，均为相同的风险评估等级；将所述目标第二交易流水以及所述目标第二交易流水的风险评估等级，再次输入各个风险评估模型，以对各所述风险评估模型分别进行有监督学习训练。
具体的，目标第二交易流水，也即上述技术方案中的合规第二交易流水，在第二交易流水集合中筛选获取目标第二交易流水之后，将目标第二交易流水，以及通过风险评估模型获取到的目标第二交易流水的风险评估等级，共同组成具备标签的训练样本，再将上述具备标签的训练样本再次输入各个风险评估模型中，以对各个风险评估模型再次进行有监督学习训练。
相比较第二交易流水集合，具备信用评价等级标签的第一交易流水的获取较为困难，需要耗费大量的人力资源进行风险等级的标签标注，因此，在第一交易流水集合中样本数量较少时，可以通过上述技术方案，获取到各个风险评估模型针对第二交易流水生成的分类结果，再基于该分类结果与第二交易流水的组合，极大地扩展了具备标签的样本数量，提高了各个风险评估模型输出结果的准确性。
S103、通过各所述风险评估模型，对目标用户的交易流水进行风险评估，以获取目标用户的风险评估等级。
由于各个风险评估模型的结构不同，即使经过上述有监督学习训练和无监督学习训练，针对同一个目标用户的交易流水而言，其仍然可能获取到不同的风险评估等级。此时，可以将各个风险评估模型的输出结果中风险等级最高的一个，作为目标用户的风险评估等级，以此获取目标用户的最高风险等级；还可以根据多个风险评估结果中，出现次数最多的风险评估等级，作为目标用户的风险评估等级；此外，还可以根据各个风险评估模型输出的分类概率，将相同风险等级的分类概率进行累加，并将累加结果数值最大的风险等级，作为目标用户的风险评估等级。
可选的，在本发明实施例中，所述风险评估模型包括基于注意力机制的神经网络模型、卷积神经网络模型和循环神经网络模型。具体的，循环神经网络(Recurrent NeuralNetwork，RNN)，是以序列(sequence)数据为输入，在序列的演进方向进行递归(recursion)且所有节点按链式连接的递归神经网络(recursive neural network)，其特点在于将前后时刻输入的信息作为关联信息，保证了各笔交易之间的连贯性。
基于注意力(Attention)机制的神经网络模型，例如，Transformer架构的神经网络模型，包括多个相互堆叠的Encoder(编码)层和多个相互堆叠Decoder(解码)层，并通过与末端Decoder层连接的输出层输出结果，其特点在于将各笔交易视为等距离交易，而并非仅将临近交易视为相关性交易，保证了每笔交易的独立性。
卷积神经网络(Convolutional Neural Networks，CNN)是深度学习(DeepLearning)中包含卷积计算且具有深度结构的前馈神经网络(Feedforward NeuralNetworks)，其特点在于卷积运算的应用提高了交易特征的提取精度，池化层的应用则降低了交易特征的计算复杂度。基于不同神经网络技术构建的风险评价模型，确保了模型结构的多样性，避免了单一模型导致分类结果出现较大偏差的现象发生，提高了获取的风险评估等级结果的准确性。
本发明实施例的技术方案，首先根据第一交易流水集合，获取到基于有监督学习训练完成的多个风险评估模型，其次根据第二交易流水集合，对各风险评估模型进行无监督学习训练，最后通过各风险评估模型，对目标用户的交易流水进行风险评估，以获取目标用户的风险评估等级，实现了基于用户交易流水的风险等级自动评估，节省了风险评估耗费的人力资源，提高了用户风险等级的评估效率，同时，避免了人工评估时的主观性导致审核结果出现偏差，提高了获取到的风险评估结果的准确性。
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。
实施例二
图2为本发明实施例二提供的一种风险评估方法的流程图，本实施例与上述实施例之间的关系在于，将目标用户的连续大额交易集合输入至循环神经网络模型。如图2所示，该方法包括：
S201、根据第一交易流水集合，获取基于有监督学习训练完成的多个风险评估模型；其中，不同的风险评估模型基于不同的神经网络结构构建完成。
S202、根据第二交易流水集合，对各所述风险评估模型进行无监督学习训练，直至各所述风险评估模型的输出结果的相似度，大于等于预设相似阈值为止。
S203、获取目标用户的交易流水中的连续大额交易集合；其中，所述连续大额交易集合包括多个连续大额交易，所述连续大额交易的交易金额大于等于预设金额阈值，且相邻的两个连续大额交易之间的交易笔数小于等于预设笔数阈值。
大额交易是指交易金额大于等于预设金额阈值的交易，而预设金额阈值可以根据需要配置为固定数值，即为每个用户配置相同的预设金额阈值，也可以根据各个用户的平均单笔交易额和/或交易总额，为不同的用户配置不同的预设金额阈值，显然平均单笔交易额或者交易总额的数值越大，预设金额阈值的数值越大；当用户的交易流水存在异常时，大额交易的数量较多或者大额交易连续出现，是最直观的风险表现。
连续大额交易是指在当前大额交易前后的相邻位置或者临近位置，还存在其它大额交易，例如，将预设笔数阈值设置为3笔，也即如果在当前大额交易A之前的3笔交易内或者之后的3笔交易内存在大额交易B，那么大额交易A和大额交易B均可视为连续大额交易。
S204、将所述连续大额交易集合输入至循环神经网络模型，以获取目标用户的第一评价结果。
如上述技术方案所述，循环神经网络模型的模型特点在于，将前后时刻输入的信息作为关联信息，保证了各笔交易之间的连贯性，因此，将上述连续大额交易输入循环神经网络模型时，或者将连续大额交易以及各个连续大额交易之间的全部交易，共同输入循环神经网络模型时，确保了连续出现的大额交易之间的相互影响，进而针对连续大额交易获取到准确的评价结果。
S205、根据目标用户的第一评价结果，获取目标用户的风险评估等级。
如上述技术方案所述，可以直接将目标用户的第一评价结果，作为目标用户的最高风险等级；还可以将第一评价结果作为多个风险评估结果中的一个，进而根据出现次数最多或者分类概率累加值最大的风险等级，作为目标用户的风险评估等级。
可选的，在本发明实施例中，所述通过各所述风险评估模型，对目标用户的交易流水进行风险评估，以获取目标用户的风险评估等级，包括：获取目标用户的交易流水中的短期频繁交易集合；其中，所述短期频繁交易集合包括多个短期频繁交易，任意两个短期频繁交易之间的时间跨度均小于等于预设时长阈值，且短期频繁交易总数大于等于预设数量阈值；将所述短期频繁交易集合输入至循环神经网络模型，以获取所述目标用户的第二评价结果；根据目标用户的第一评价结果和第二评价结果，获取目标用户的风险评估等级。
具体的，短期频繁交易，是指在较短时间内出现较多数量的交易；例如，目标交易用户在10分钟之内出现了25笔交易，上述25笔交易即可视为短期频繁交易；预设数量阈值和预设时长阈值均可以根据需要配置为固定数值，也可以根据各个用户的单位时间内的交易笔数和/或交易总笔数的不同，为不同的用户配置不同的数值，显然单位时间内的交易笔数或者交易总笔数的数值越大，预设数量阈值越大，预设时长阈值越小。
当用户的交易流水存在异常时，短期内的交易较为频繁，同样是较为直观的风险表现；如上述技术方案所述，由于循环神经网络模型具备的模型特点，将上述短期频繁交易输入循环神经网络模型时，确保了短期内出现的多笔交易之间的相互影响，进而针对短期频繁交易获取到准确的评价结果；同时，可以将第一评价结果和第二评价结果中风险等级较高的一个，作为目标用户的风险评估等级。
本发明实施例的技术方案，在获取目标用户的交易流水中的连续大额交易集合之后，将连续大额交易集合输入至循环神经网络模型，以获取目标用户的第一评价结果，进而根据第一评价结果获取目标用户的风险评估等级，使得通过循环神经网络模型的分类功能，确保了连续出现的大额交易之间的相互影响，进而针对连续大额交易获取到准确的评价结果。
实施例三
图3为本发明实施例三提供的一种风险评估方法的流程图，在本发明实施例中，将目标用户的交易流水中的离散大额交易集合，输入至基于注意力机制的神经网络模型。如图3所示，该方法包括：
S301、根据第一交易流水集合，获取基于有监督学习训练完成的多个风险评估模型；其中，不同的风险评估模型基于不同的神经网络结构构建完成。
S302、根据第二交易流水集合，对各所述风险评估模型进行无监督学习训练，直至各所述风险评估模型的输出结果的相似度，大于等于预设相似阈值为止。
S303、获取目标用户的交易流水中的离散大额交易集合；其中，所述离散大额交易集合包括多个离散大额交易，所述离散大额交易的交易金额大于等于预设金额阈值，且相邻的两个离散大额交易之间的交易笔数大于预设笔数阈值。
离散大额交易是指在当前大额交易前后的相邻位置或者临近位置，不存在其它大额交易，例如，将预设笔数阈值设置为3笔，也即如果在当前大额交易A之前的3笔交易内以及之后的3笔交易内，均不存在其它大额交易时，那么大额交易A即可视为离散大额交易。
S304、将所述离散大额交易集合输入至基于注意力机制的神经网络模型，以获取所述目标用户的第三评价结果。
如上述技术方案所述，基于注意力机制的神经网络模型的特点在于，将各个交易均视为等距离交易，而并非根据交易位置，将相邻交易或者相近交易视为相关性交易，保证每笔交易的独立性。因此，将上述离散大额交易输入基于注意力机制的神经网络模型时，确保了多笔交易之间的互不影响，进而针对离散大额交易获取到准确的评价结果。
S305、根据目标用户的第一评价结果和第三评价结果，获取目标用户的风险评估等级。
同样的，可以将第一评价结果和第三评价结果中风险等级较高的一个，作为目标用户的风险评估等级。
本发明实施例的技术方案，在获取目标用户的交易流水中的离散大额交易集合之后，将离散大额交易集合输入至基于注意力机制的神经网络模型，以获取目标用户的第三评价结果，进而根据第一评价结果和第三评价结果获取目标用户的风险评估等级，使得通过基于注意力机制的神经网络模型的分类功能，确保了离散出现的大额交易之间的相互影响，进而针对离散大额交易获取到准确的评价结果。
实施例四
图4为本发明实施例四提供的一种风险评估方法的流程图，在本发明实施例中，将目标用户的交易流水中，除连续大额交易集合和离散大额交易集合之外的剩余交易集合，输入至卷积神经网络模型。如图4所示，该方法包括：
S401、根据第一交易流水集合，获取基于有监督学习训练完成的多个风险评估模型；其中，不同的风险评估模型基于不同的神经网络结构构建完成。
S402、根据第二交易流水集合，对各所述风险评估模型进行无监督学习训练，直至各所述风险评估模型的输出结果的相似度，大于等于预设相似阈值为止。
S403、获取目标用户的交易流水中的剩余交易集合；其中，所述剩余交易集合包括除所述连续大额交易集合和所述离散大额交易集合之外的全部交易。
剩余交易是指目标用户的交易流水中，除上述连续大额交易集合以及离散大额交易集合之外的其它交易；此外，如上述技术方案所述，若已提取了交易流水中的短期频繁交易集合，并将短期频繁交易集合已输入至循环神经网络模型，那么剩余交易具体是指除上述连续大额交易集合、离散大额交易集合以及短期频繁交易集合之外其它交易，也即未输入任意风险评价模型的交易。
S404、将所述剩余交易集合输入至卷积神经网络模型，以获取所述目标用户的第四评价结果。
对于一个用户而言，大额交易以及短期频繁交易的占比数值通常较小，大多数交易的金额均在正常数额以内，大多数时间段内的交易频次也趋向于平均交易量，因此，相比于大额交易和短期频繁交易而言，剩余交易的数量通常较多。如上述技术方案所述，卷积神经网络模型的特点在于，既可以提供交易特征的提取精度，又可以降低交易特征的计算复杂度，因此，将剩余交易集合输入至卷积神经网络模型中，既可以简化大数据量的剩余交易的计算复杂度，又可以提高交易特征不明显的剩余交易的提取精度，同时加快目标用户的风险评估等级的获取效率。
S405、根据目标用户的第一评价结果、第三评价结果和第四评价结果，获取目标用户的风险评估等级。
根据第一评价结果、第三评价结果和第四评价结果，获取目标用户的风险评估等级，或者根据第一评价结果、第二评价结果、第三评价结果和第四评价结果，获取目标用户的风险评估等级时，如上述技术方案所述，既可以将上述结果中风险等级最高的一个，作为目标用户的风险评估等级，也可以将出现次数最多的一个，作为目标用户的风险评估等级。
本发明实施例的技术方案，获取目标用户的交易流水中的剩余交易集合，并将剩余交易集合输入至卷积神经网络模型，进而根据目标用户的第一评价结果、第三评价结果和第四评价结果，获取目标用户的风险评估等级，既确保了将目标用户的全部交易数据完整输入到风险评估模型，又根据交易特点的不同将不同类型的交易数据输入至不同结构的信用评价模型中，提高了风险评价等级的获取准确性和获取效率。
实施例五
图5是本发明实施例五所提供的一种风险评估装置的结构框图，该装置具体包括：
有监督执行模块501，用于根据第一交易流水集合，获取基于有监督学习训练完成的多个风险评估模型；其中，不同的风险评估模型基于不同的神经网络结构构建完成；
无监督执行模块502，用于根据第二交易流水集合，对各所述风险评估模型进行无监督学习训练，直至各所述风险评估模型的输出结果的相似度，大于等于预设相似阈值为止；
风险评估执行模块503，用于通过各所述风险评估模型，对目标用户的交易流水进行风险评估，以获取目标用户的风险评估等级。
本发明实施例的技术方案，首先根据第一交易流水集合，获取到基于有监督学习训练完成的多个风险评估模型，其次根据第二交易流水集合，对各风险评估模型进行无监督学习训练，最后通过各风险评估模型，对目标用户的交易流水进行风险评估，以获取目标用户的风险评估等级，实现了基于用户交易流水的风险等级自动评估，节省了风险评估耗费的人力资源，提高了用户风险等级的评估效率，同时，避免了人工评估时的主观性导致审核结果出现偏差，提高了获取到的风险评估结果的准确性。
可选的，无监督执行模块502，具体用于将所述第二交易流水集合输入至各个风险评估模型，以分别获取各个第二交易流水的输出结果；获取所述第二交易流水集合中的目标第二交易流水；其中，所述目标第二交易流水在各个风险评估模型的输出结果中，均为相同的风险评估等级；将所述目标第二交易流水以及所述目标第二交易流水的风险评估等级，再次输入各个风险评估模型，以对各所述风险评估模型分别进行有监督学习训练。
可选的，所述风险评估模型包括基于注意力机制的神经网络模型、卷积神经网络模型和循环神经网络模型。
可选的，风险评估执行模块503，具体用于获取目标用户的交易流水中的连续大额交易集合；其中，所述连续大额交易集合包括多个连续大额交易，所述连续大额交易的交易金额大于等于预设金额阈值，且相邻的两个连续大额交易之间的交易笔数小于等于预设笔数阈值；将所述连续大额交易集合输入至循环神经网络模型，以获取目标用户的第一评价结果；根据目标用户的第一评价结果，获取目标用户的风险评估等级。
可选的，风险评估执行模块503，具体用于获取目标用户的交易流水中的短期频繁交易集合；其中，所述短期频繁交易集合包括多个短期频繁交易，任意两个短期频繁交易之间的时间跨度均小于等于预设时长阈值，且短期频繁交易总数大于等于预设数量阈值；将所述短期频繁交易集合输入至循环神经网络模型，以获取所述目标用户的第二评价结果；根据目标用户的第一评价结果和第二评价结果，获取目标用户的风险评估等级。
可选的，风险评估执行模块503，具体用于获取目标用户的交易流水中的离散大额交易集合；其中，所述离散大额交易集合包括多个离散大额交易，所述离散大额交易的交易金额大于等于预设金额阈值，且相邻的两个离散大额交易之间的交易笔数大于预设笔数阈值；将所述离散大额交易集合输入至基于注意力机制的神经网络模型，以获取所述目标用户的第三评价结果；根据目标用户的第一评价结果和第三评价结果，获取目标用户的风险评估等级。
可选的，风险评估执行模块503，具体用于获取目标用户的交易流水中的剩余交易集合；其中，所述剩余交易集合包括除所述连续大额交易集合和所述离散大额交易集合之外的全部交易；将所述剩余交易集合输入至卷积神经网络模型，以获取所述目标用户的第四评价结果；根据目标用户的第一评价结果、第三评价结果和第四评价结果，获取目标用户的风险评估等级。
上述装置可执行本发明任意实施例所提供的风险评估方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明任意实施例提供的风险评估方法。
实施例六
图6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、电子设备、刀片式电子设备、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6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，例如风险评估方法。
在一些实施例中，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。在一些实施例中，计算机程序的部分或者全部可以经由ROM和/或通信单元而被载入和/或安装到异构硬件加速器上。当计算机程序加载到RAM并由处理器执行时，可以执行上文描述的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，可以在异构硬件加速器上实施此处描述的系统和技术，该异构硬件加速器具有：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异构硬件加速器。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)
1.一种风险评估方法，其特征在于，包括：
根据第一交易流水集合，获取基于有监督学习训练完成的多个风险评估模型；其中，不同的风险评估模型基于不同的神经网络结构构建完成；
根据第二交易流水集合，对各所述风险评估模型进行无监督学习训练，直至各所述风险评估模型的输出结果的相似度，大于等于预设相似阈值为止；
通过各所述风险评估模型，对目标用户的交易流水进行风险评估，以获取目标用户的风险评估等级。
2.根据权利要求1所述的方法，其特征在于，所述根据第二交易流水集合，对各所述风险评估模型进行无监督学习训练，直至各所述风险评估模型的输出结果的相似度，大于等于预设相似阈值为止，包括：
将所述第二交易流水集合输入至各个风险评估模型，以分别获取各个第二交易流水的输出结果；
获取所述第二交易流水集合中的目标第二交易流水；其中，所述目标第二交易流水在各个风险评估模型的输出结果中，均为相同的风险评估等级；
将所述目标第二交易流水以及所述目标第二交易流水的风险评估等级，再次输入各个风险评估模型，以对各所述风险评估模型分别进行有监督学习训练。
3.根据权利要求1所述的方法，其特征在于，所述风险评估模型包括基于注意力机制的神经网络模型、卷积神经网络模型和循环神经网络模型。
4.根据权利要求3所述的方法，其特征在于，所述通过各所述风险评估模型，对目标用户的交易流水进行风险评估，以获取目标用户的风险评估等级，包括：
获取目标用户的交易流水中的连续大额交易集合；其中，所述连续大额交易集合包括多个连续大额交易，所述连续大额交易的交易金额大于等于预设金额阈值，且相邻的两个连续大额交易之间的交易笔数小于等于预设笔数阈值；
将所述连续大额交易集合输入至循环神经网络模型，以获取目标用户的第一评价结果；
根据目标用户的第一评价结果，获取目标用户的风险评估等级。
5.根据权利要求3所述的方法，其特征在于，所述通过各所述风险评估模型，对目标用户的交易流水进行风险评估，以获取目标用户的风险评估等级，包括：
获取目标用户的交易流水中的短期频繁交易集合；其中，所述短期频繁交易集合包括多个短期频繁交易，任意两个短期频繁交易之间的时间跨度均小于等于预设时长阈值，且短期频繁交易总数大于等于预设数量阈值；
将所述短期频繁交易集合输入至循环神经网络模型，以获取所述目标用户的第二评价结果；
根据目标用户的第一评价结果和第二评价结果，获取目标用户的风险评估等级。
6.根据权利要求3所述的方法，其特征在于，所述通过各所述风险评估模型，对目标用户的交易流水进行风险评估，以获取目标用户的风险评估等级，包括：
获取目标用户的交易流水中的离散大额交易集合；其中，所述离散大额交易集合包括多个离散大额交易，所述离散大额交易的交易金额大于等于预设金额阈值，且相邻的两个离散大额交易之间的交易笔数大于预设笔数阈值；
将所述离散大额交易集合输入至基于注意力机制的神经网络模型，以获取所述目标用户的第三评价结果；
根据目标用户的第一评价结果和第三评价结果，获取目标用户的风险评估等级。
7.根据权利要求6所述的方法，其特征在于，所述通过各所述风险评估模型，对目标用户的交易流水进行风险评估，以获取目标用户的风险评估等级，包括：
获取目标用户的交易流水中的剩余交易集合；其中，所述剩余交易集合包括除所述连续大额交易集合和所述离散大额交易集合之外的全部交易；
将所述剩余交易集合输入至卷积神经网络模型，以获取所述目标用户的第四评价结果；
根据目标用户的第一评价结果、第三评价结果和第四评价结果，获取目标用户的风险评估等级。
8.一种风险评估装置，其特征在于，包括：
有监督执行模块，用于根据第一交易流水集合，获取基于有监督学习训练完成的多个风险评估模型；其中，不同的风险评估模型基于不同的神经网络结构构建完成；
无监督执行模块，用于根据第二交易流水集合，对各所述风险评估模型进行无监督学习训练，直至各所述风险评估模型的输出结果的相似度，大于等于预设相似阈值为止；
风险评估执行模块，用于通过各所述风险评估模型，对目标用户的交易流水进行风险评估，以获取目标用户的风险评估等级。
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1-7中任一项所述的风险评估方法。
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1-7中任一项所述的风险评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311658271.1A CN117649115A (zh) | 2023-12-05 | 2023-12-05 | 一种风险评估方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311658271.1A CN117649115A (zh) | 2023-12-05 | 2023-12-05 | 一种风险评估方法、装置、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117649115A true CN117649115A (zh) | 2024-03-05 |
Family
ID=90049184
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311658271.1A Pending CN117649115A (zh) | 2023-12-05 | 2023-12-05 | 一种风险评估方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117649115A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118200044A (zh) * | 2024-05-13 | 2024-06-14 | 中移(苏州)软件技术有限公司 | 一种安全防护方法及装置、电子设备和存储介质 |
-
2023
- 2023-12-05 CN CN202311658271.1A patent/CN117649115A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118200044A (zh) * | 2024-05-13 | 2024-06-14 | 中移(苏州)软件技术有限公司 | 一种安全防护方法及装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114881129A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
| CN114090601B (zh) | 一种数据筛选方法、装置、设备以及存储介质 | |
| CN117649115A (zh) | 一种风险评估方法、装置、电子设备和存储介质 | |
| CN116049146A (zh) | 一种数据库故障处理方法、装置、设备及存储介质 | |
| CN115294397A (zh) | 一种分类任务的后处理方法、装置、设备及存储介质 | |
| CN113642727B (zh) | 神经网络模型的训练方法和多媒体信息的处理方法、装置 | |
| CN112767935B (zh) | 唤醒指标监测方法、装置及电子设备 | |
| CN115603955B (zh) | 异常访问对象识别方法、装置、设备和介质 | |
| CN116975081A (zh) | 一种日志诊断集更新方法、装置、设备及存储介质 | |
| CN116363444A (zh) | 模糊分类模型训练方法、识别模糊图像的方法及装置 | |
| CN113361621B (zh) | 用于训练模型的方法和装置 | |
| CN114912541A (zh) | 分类方法、装置、电子设备和存储介质 | |
| CN114116688A (zh) | 数据处理与数据质检方法、装置及可读存储介质 | |
| CN113807391A (zh) | 任务模型的训练方法、装置、电子设备及存储介质 | |
| CN117493514B (zh) | 文本标注方法、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 | |
| CN117592618A (zh) | 一种活跃用户预测方法、装置、服务器和存储介质 | |
| CN115471717B (zh) | 模型的半监督训练、分类方法装置、设备、介质及产品 | |
| CN117609723A (zh) | 一种对象识别方法、装置、电子设备及存储介质 | |
| CN117195120A (zh) | 一种检测方法、装置、设备以及存储介质 | |
| CN116192608A (zh) | 云手机故障预测方法、装置以及设备 | |
| CN117667488A (zh) | 人工智能算力集群的异常定位方法、装置、设备及介质 | |
| CN118212033A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
| CN117573983A (zh) | 一种融资方案的推荐方法、装置、电子设备及存储介质 | |
| CN115482422A (zh) | 深度学习模型的训练方法、图像处理方法和装置 |
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 |