KR20190075083A - 리스크 제어 이벤트 자동 처리 방법 및 장치 - Google Patents

리스크 제어 이벤트 자동 처리 방법 및 장치 Download PDF

Info

Publication number
KR20190075083A
KR20190075083A KR1020197013394A KR20197013394A KR20190075083A KR 20190075083 A KR20190075083 A KR 20190075083A KR 1020197013394 A KR1020197013394 A KR 1020197013394A KR 20197013394 A KR20197013394 A KR 20197013394A KR 20190075083 A KR20190075083 A KR 20190075083A
Authority
KR
South Korea
Prior art keywords
risk
information
control event
risk control
determining
Prior art date
Application number
KR1020197013394A
Other languages
English (en)
Other versions
KR102249712B1 (ko
Inventor
펭 장
신키 우
지시옹 양
잉 장
Original Assignee
알리바바 그룹 홀딩 리미티드
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 알리바바 그룹 홀딩 리미티드 filed Critical 알리바바 그룹 홀딩 리미티드
Publication of KR20190075083A publication Critical patent/KR20190075083A/ko
Application granted granted Critical
Publication of KR102249712B1 publication Critical patent/KR102249712B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass
    • 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
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • 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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/02—Payment architectures, schemes or protocols involving a neutral party, e.g. certification authority, notary or trusted third party [TTP]
    • 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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
    • G06Q20/401—Transaction verification
    • G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
    • 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
    • G06Q30/00—Commerce
    • G06Q30/01—Customer relationship services
    • G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
    • G06Q30/016—After-sales
    • 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
    • G06Q30/00—Commerce
    • G06Q30/018—Certifying business or products
    • G06Q30/0185—Product, service or business identity fraud
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0609—Buyer or seller confidence or verification

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Computer Security & Cryptography (AREA)
  • Data Mining & Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Debugging And Monitoring (AREA)

Abstract

본 출원의 구현들은 리스크 제어 이벤트 자동 처리 방법 및 장치를 개시한다. 본 방법은: 현재 리스크 제어 이벤트의 각각의 리스크 특징 정보를 획득하는 단계; 상기 리스크 특징 정보에 기초하여 상기 현재 리스크 제어 이벤트의 부류를 결정하는 단계; 결정 결과에 대응하는 증거 정보를 획득하는 단계; 및 상기 결정 결과 및 상기 증거 정보에 기초하여 상기 현재 리스크 제어 이벤트의 케이스 종결 정보를 생성하는 단계를 포함한다. 본 출원의 구현들에 따르면, 리스크 제어 이벤트가 자동으로 처리되어, 케이스 종결 속도를 더 개선할 수 있다. 또한, 리스크 제어 이벤트의 결정 결과에 대응하는 증거 정보가 자동으로 획득될 수 있고, 따라서, 리스크 제어 이벤트의 결정 결과의 신뢰성을 검증하기가 편리하다.

Description

위험 제어 이벤트 자동 처리 방법 및 장치
본 출원은 컴퓨터 소프트웨어 기술 분야에 관한 것으로, 특히, 리스크 제어 이벤트 자동 처리 방법 및 장치에 관한 것이다.
리스크 제어 플랫폼 상에서, 많은 사용자가 매일 케이스를 보고하고, 매번 보고된 내용은 리스크 제어 이벤트로 간주될 수 있다. 리스크 제어 플랫폼의 심사 요원은, 리스크 제어 이벤트를 수신한 후, 리스크 제어 이벤트를 심사한다. 심사 요원은 통상적으로 플랫폼 상의 사용자의 조작 내용, 환경, 및 디바이스에 기초하여 리스크 제어 이벤트를 결정하고, 예를 들어, 리스크 제어 이벤트의 부류(예를 들어, 케이스(case) 또는 비-케이스(non-case), 여기서 상이한 리스크 제어 이벤트들은 상이한 리스크를 갖고, 지정된 높은 리스크 수준을 갖는 리스크 제어 이벤트는 통상적으로 케이스라고 지칭될 수 있고, 다른 리스크 제어 이벤트들은 비-케이스라고 지칭될 수 있다) 등을 결정한다. 필요하다면, 심사 요원은 확인을 위해 사용자와 통신하고, 최종적으로 리스크 제어 이벤트의 케이스 종결 정보를 생성하여, 리스크 제어 이벤트를 종결한다.
그러나, 현재, 심사 요원은 수동 분석을 통해 리스크 제어 이벤트를 결정한다. 결과적으로, 케이스 종결 효율이 낮고, 또한, 리스크 제어 이벤트의 결정 결과의 신뢰성을 검증하기가 어렵다.
본 출원의 구현들은 리스크 제어 이벤트 자동 처리 방법 및 장치를 제공하여, 종래 기술에서의 다음의 기술적 문제들을 경감시킨다: 안전 리스크 제어 플랫폼의 심사 요원이 수동 분석을 통해 리스크 제어 이벤트를 결정하기 때문에 케이스 종결 효율이 낮고, 리스크 제어 이벤트의 결정 결과의 신뢰성을 검증하기도 어렵다.
전술한 기술적 문제를 경감시키기 위해, 본 출원의 구현들은 다음과 같이 구현된다:
본 출원의 구현은 리스크 제어 이벤트 자동 처리 방법을 제공하는데, 이는: 현재 리스크 제어 이벤트의 각각의 리스크 특징 정보를 획득하는 단계; 상기 리스크 특징 정보에 기초하여 상기 현재 리스크 제어 이벤트의 부류를 결정하는 단계; 결정 결과에 대응하는 증거 정보를 획득하는 단계; 및 상기 결정 결과 및 상기 증거 정보에 기초하여 상기 현재 리스크 제어 이벤트의 케이스 종결 정보를 생성하는 단계를 포함한다.
본 출원의 구현은 리스크 제어 이벤트 자동 처리 장치를 제공하는데, 이는: 현재 리스크 제어 이벤트의 각각의 리스크 특징 정보를 획득하도록 구성된 제1 취득 모듈; 상기 리스크 특징 정보에 기초하여 상기 현재 리스크 제어 이벤트의 부류를 결정하도록 구성된 결정 모듈; 결정 결과에 대응하는 증거 정보를 획득하도록 구성된 제2 취득 모듈; 및 상기 결정 결과 및 상기 증거 정보에 기초하여 상기 현재 리스크 제어 이벤트의 케이스 종결 정보를 생성하도록 구성된 생성 모듈을 포함한다.
본 출원의 본 구현에서 사용된 전술한 적어도 하나의 기술적 해결책은 다음의 유익한 효과를 달성할 수 있다: 리스크 제어 이벤트가 자동으로 처리되어, 케이스 종결 속도를 더 개선할 수 있다. 또한, 리스크 제어 이벤트의 결정 결과에 대응하는 증거 정보가 자동으로 획득될 수 있고, 따라서, 리스크 제어 이벤트의 결정 결과의 신뢰성을 검증하기가 편리하고, 종래 기술에서의 일부 또는 모든 문제들이 경감될 수 있다.
본 출원의 구현들 또는 종래 기술에서의 기술적 해결책들을 더 명확하게 설명하기 위해, 다음은 구현들 또는 종래 기술을 설명하는 데 필요한 첨부 도면들을 간단히 설명한다. 명백하게, 다음의 설명에서의 첨부 도면들은 단지 본 출원의 일부 구현들을 도시하는 것에 불과하고, 본 기술분야의 기술자는 창조적 노력 없이도 이 첨부 도면들로부터 다른 도면들을 도출할 수 있다.
도 1은 본 출원의 구현에 따른, 리스크 제어 이벤트 자동 처리 방법을 예시하는 개략 흐름도이다.
도 2는 본 출원의 구현에 따른, 도 1에 대응하는 확장된 절차를 예시하는 개략도이다.
도 3은 본 출원의 구현에 따른, 결정 트리(decision tree)를 예시하는 개략도이다.
도 4는 본 출원의 구현에 따른, 도 3의 결정 트리 상의 결정 경로들을 예시하는 개략도이다.
도 5는 본 출원의 구현에 따른, 전술한 리스크 제어 이벤트 자동 처리 방법에 기초하여 생성된 케이스 종결 정보와 종래 기술에서의 케이스 종결 정보 간의 비교를 예시하는 개략도이다.
도 6은 본 출원의 구현에 따른, 도 1에 대응하는 리스크 제어 이벤트 자동 처리 장치의 개략 구조도이다.
본 출원의 구현들은 리스크 제어 이벤트 자동 처리 방법 및 장치를 제공한다.
본 기술분야의 기술자가 본 출원의 기술적 해결책들을 더 잘 이해할 수 있게 하기 위해, 다음은 본 출원의 구현들에서의 첨부 도면들을 참조하여 본 출원의 구현들에서의 기술적 해결책들을 명확하고 포괄적으로 설명한다. 명백하게, 설명된 구현들은 단지 본 출원의 구현들의 전부가 아니라 일부에 불과하다. 창의적 노력 없이 본 출원의 구현들에 기초하여 본 기술분야의 기술자에 의해 획득된 다른 모든 구현들은 본 출원의 보호 범위 내에 있을 것이다.
도 1은 본 출원의 구현에 따른, 리스크 제어 이벤트 자동 처리 방법을 예시하는 개략 흐름도이다. 프로그램의 관점에서, 본 절차는 애플리케이션(APP), 개인용 컴퓨터(PC) 측 프로그램 등에 의해 실행될 수 있다. 디바이스의 관점에서, 본 절차의 실행 주체는 다음의 디바이스들을 포함할 수 있지만 이에 제한되지 않는다: 개인용 컴퓨터, 대형 또는 중형 컴퓨터, 컴퓨터 클러스터, 휴대폰, 태블릿 컴퓨터, 스마트 웨어러블 디바이스, 차량 기계 등.
도 1의 절차는 다음의 단계들을 포함할 수 있다.
S101: 현재 리스크 제어 이벤트의 각각의 리스크 특징 정보를 획득한다.
본 출원의 본 구현에서, 리스크 제어 이벤트는 사용자가 케이스를 보고한 후에 획득될 수 있거나, 특정 서비스를 적극적으로 모니터링함으로써 획득될 수 있다.
온라인 쇼핑 서비스가 예로서 사용된다. 사용자가 사용자의 온라인 거래에 문제가 있다고 의심할 경우, 사용자는 대응하는 리스크 제어 플랫폼에 케이스를 보고할 수 있고, 그에 따라, 온라인 거래는 리스크 제어 이벤트가 된다. 당연히, 리스크 제어 플랫폼은 대안적으로 사용자의 각각의 온라인 거래를 적극적으로 모니터링할 수 있고, 이렇게 하여, 각각의 온라인 거래가 리스크 제어 이벤트가 된다.
본 출원의 본 구현에서, 리스크 특징 정보는 리스크 제어 이벤트의 리스크을 측정하는 데 사용될 수 있다. 따라서, 리스크 특징 정보는 리스크 제어 이벤트를 결정하기 위한 기초로서 사용될 수 있다.
리스크 특징 정보에 대응하는 리스크 특징은 서비스에 기초하여 사전에 설계될 수 있다. 온라인 쇼핑 서비스는 여전히 예로서 사용된다. 리스크 특징은, 예를 들어, 사용자들 간의 이력 거래 횟수, 사용자가 거래를 수행하는 지리적 위치, 또는 거래를 수행하기 위해 사용자에 의해 사용되는 디바이스 등일 수 있다. 실제로는, 리스크 특징 정보는 리스크 특징 정보에 대응하는 리스크 특징의 특정 값일 수 있거나, 특정 값을 결정하는 데 사용되는 정보 등일 수 있다.
실제로는, 리스크 특징을 요건에 기초하여 설계하여, 본 출원의 해결책들의 효과를 개선할 수 있다. 리스크 특징 기능에 대한 세 가지 가능한 요건은 다음과 같이 열거된다:
"결정 가능" 요건은 리스크 특징이 케이스를 결정하는 데 적합하고 케이스의 리스크 부류와 관련이 있다는 것을 의미한다. 예를 들어, 리스크 특징은 "사용자들 간의 이력 거래 횟수"이다. 값이 매우 클 경우, 이는 사용자가 거래 상대방에 익숙하고, 리스크가 낮고, 거래가 케이스가 될 가능성이 적다는 것을 나타내고; 그렇지 않다면, 리스크가 높고, 거래가 케이스가 될 가능성이 더 많다.
"이해 가능" 요건은 리스크 특징의 의미가 이해하기 쉽다는 것을 의미한다. 예를 들어 "사용자들 간의 이력 거래 횟수"는 명확한 의미를 갖고 있다.
"증거 수집 가능" 요건은 리스크 특징이 명확한 증거 정보에 대응할 수 있고, 증거 정보를 획득하기 쉽다는 것을 의미한다. 예를 들어, 리스크 특징은 "사용자들 간의 이력 거래 횟수"이다. 대응하는 각각의 이력 거래에 대한 정보가 명확하고 쉽게 획득될 수 있고, 대응하는 증거 정보로서 사용될 수 있다.
S102: 리스크 특징 정보에 기초하여 현재 리스크 제어 이벤트의 부류를 결정한다.
본 출원의 본 구현에서, 상이한 리스크 제어 이벤트들은 상이한 리스크들을 갖는다. 통상적으로, 지정된 높은 리스크 수준을 갖는 리스크 제어 이벤트는 케이스라고 지칭될 수 있고, 다른 리스크 제어 이벤트들은 비-케이스라고 지칭될 수 있다. 그러한 전제에 기초하여, 리스크 제어 이벤트의 부류는 케이스 또는 비-케이스일 수 있다.
게다가, 케이스 또는 비-케이스는 세분될 수 있다. 예를 들어, 케이스는 "디바이스 분실됨―케이스" 및 "계좌 도난됨―케이스"로 세분될 수 있고; 비-케이스는 "사용자를 대신하여 지인에 의해 수행됨―비-케이스" 및 "사용자에 의해 수행됨―비-케이스"로 세분될 수 있다.
리스크 제어 이벤트가 케이스인지 여부에 기초하여 리스크 제어 이벤트를 분류하는 것은 단지 예시적인 분류 방법에 불과하다는 점에 주목할 가치가 있다. 다른 분류 방법이 존재한다. 예를 들어, 복수의 상이한 리스크 수준 부류가 설정될 수 있고, 각각의 리스크 제어 이벤트는 리스크 수준 부류들 중 적어도 하나로 분류된다.
S103: 결정 결과에 대응하는 증거 정보를 획득한다.
본 출원의 본 구현에서, 증거 정보는 결정 과정에 기초하여 획득될 수 있거나, 리스크 특징 정보에 기초하여 획득될 수 있다. 증거 정보는, 예를 들어, 결정 과정의 상세 정보 또는 리스크 특징 정보의 상세 정보일 수 있다. 특정 리스크 특징 정보는 다음과 같다고 가정한다: 사용자들 간에 다섯 번의 이력 거래가 존재한다. 따라서, 리스크 특징 정보의 상세 정보는 다섯 번의 거래의 거래 기록 상세 등일 수 있다.
필요하다면, 증거 정보에 기초하여 대응하는 리스크 제어 이벤트의 결정 결과의 신뢰성이 검증될 수 있다.
S104: 결정 결과 및 증거 정보에 기초하여 현재 리스크 제어 이벤트의 케이스 종결 정보를 생성한다.
본 출원의 본 구현에서, 케이스 종결 정보를 생성하는 것 이외에, 결정 결과에 기초하여 현재 리스크 제어 이벤트에 대해 대응 조치가 취해질 수 있다. 예를 들어, 현재 리스크 제어 이벤트가 케이스인 것으로 결정되면, 현재 리스크 제어 이벤트에 대해 거래 계좌를 금지하고 거래를 계속하는 것을 거절하는 것과 같은 대응 조치가 취해져서, 거래 안전을 보장할 수 있다.
도 1의 방법에 기초하여, 리스크 제어 이벤트가 자동으로 처리되어, 케이스 종결 속도를 개선할 수 있다. 또한, 리스크 제어 이벤트의 결정 결과에 대응하는 증거 정보가 자동으로 획득될 수 있고, 따라서, 리스크 제어 이벤트의 결정 결과의 신뢰성을 검증하기가 편리하다.
도 1의 방법에 기초하여, 본 출원의 본 구현들은 이 방법의 일부 구현 해결책들 및 확장된 해결책을 더 제공한다. 아래에 설명이 제공된다.
본 출원의 본 구현에서, 단계 S102에서, 리스크 특징 정보에 기초하여 현재 리스크 제어 이벤트의 부류를 결정하는 단계는: 샘플 리스크 제어 이벤트들의 리스크 특징 정보에 기초하여 훈련을 수행함으로써 획득된 분류기를 획득하는 단계; 및 상기 분류기 및 상기 리스크 특징 정보에 기초하여 상기 현재 리스크 제어 이벤트를 분류함으로써 상기 현재 리스크 제어 이벤트의 부류를 결정하는 단계를 포함할 수 있다.
분류기는 복수의 방법으로 구현될 수 있다. 예를 들어, 분류기는 결정 트리에 기초하여 구현될 수 있거나, 분류기는 신경망에 기초하여 구현될 수 있다. 분류기는 통상적으로 복수의 샘플 리스크 제어 이벤트에 기초하여 사전 훈련을 수행함으로써 획득된다.
당연히, 현재 리스크 제어 이벤트의 부류는 분류기를 사용하지 않고 결정될 수 있다. 예를 들어, 리스크 특징 정보 블랙리스트가 미리 결정될 수 있다. 그 후, 현재 리스크 제어 이벤트의 리스크 특징 정보가 블랙리스트와 매칭된다. 현재 리스크 제어 이벤트의 리스크 특징 정보가 블랙리스트와 매칭되면, 현재 리스크 제어 이벤트가 케이스인 것으로 직접 결정된다.
본 출원의 본 구현에서는, 위에 설명된 바와 같이, 리스크 특징 정보에 기초하여 결정 결과에 대응하는 증거 정보가 획득될 수 있다. 그러한 경우에, 상이한 리스크 특징 정보가 통상적으로 상이한 증거 정보에 대응한다. 적은 수의 리스크 특징이 존재할 때, 현재 리스크 제어 이벤트의 모든 리스크 특징 정보에 대응하는 증거 정보가 무차별적으로 획득될 수 있다. 그러나, 다수의 리스크 특징이 존재하는 경우, 그것은 많은 양의 처리 자원과 시간이 소비되고 비용이 증가되기 때문에 부적절하다.
그러한 문제를 고려하여, 일부 상대적으로 중요한 리스크 특징 정보에 대응하는 증거 정보만이 획득될 수 있다. 예를 들어, 본 출원의 본 구현에서는, 기여 표현 값이 리스크 특징 정보의 중요성을 측정하는 데 사용될 수 있다. 단계 S103에서, 결정 결과에 대응하는 증거 정보를 획득하는 단계는: 리스크 특징 정보의 기여 표현 값들을 결정하는 단계; 및 상기 기여 표현 값들 및 상기 기여 표현 값들에 대응하는 상기 리스크 특징 정보에 기초하여 상기 결정 결과에 대응하는 상기 증거 정보를 획득하는 단계를 포함할 수 있다.
전술한 예가 여전히 사용된다. 상대적으로 중요한 리스크 특징 정보는 기여 표현 값들을 랭킹하는 것에 의해 또는 기여 표현 값들을 지정된 문턱값과 비교하는 것에 의해 결정될 수 있다.
예를 들어, 상대적으로 중요한 리스크 특징 정보는 기여 특징 값들을 랭킹하는 것에 의해 결정된다. 결정 결과에 대응하는 증거 정보를 획득하는 단계는: 상기 결정된 상기 리스크 특징 정보의 기여 표현 값들에 기초하여 리스크 특징 정보를 랭킹하는 단계; 및 랭킹 결과에 기초하여, 상위 N개의 기여 표현 값을 갖는 리스크 특징 정보에 대응하는 증거 정보를 획득하고, 상기 증거 정보를 상기 결정 결과에 대응하는 증거 정보로서 사용하는 단계를 포함할 수 있고, 여기서 N은 1보다 작지 않은 정수이다.
전술한 아이디어에 기초하여, 도 1의 절차를 확장하여 도 2에 도시된 바와 같은 더 상세한 절차를 획득할 수 있다.
도 2는 본 출원의 구현에 따른, 도 1에 대응하는 확장된 절차를 예시하는 개략도이다.
도 2의 절차는 다음의 단계들을 포함할 수 있다: 현재 리스크 제어 이벤트의 각각의 리스크 특징 정보를 획득하는 단계; 상기 리스크 특징 정보에 기초하여 상기 현재 리스크 제어 이벤트의 부류를 결정하는 단계; 상기 리스크 특징 정보의 기여 표현 값들을 결정하는 단계; 상기 기여 표현 값들에 기초하여 상기 리스크 특징 정보를 랭킹하는 단계; 및 랭킹 결과에 기초하여, 상위 N개의 기여 표현 값을 갖는 리스크 특징 정보에 대응하는 증거 정보를 획득하고, 상기 증거 정보를 결정 결과에 대응하는 증거 정보로서 사용하는 단계; 및 상기 결정 결과 및 상기 증거 정보에 기초하여 상기 현재 리스크 제어 이벤트의 케이스 종결 정보를 생성하는 단계.
도 1의 절차와 비교하여, 도 2의 절차는 리스크 특징 정보의 기여 표현 값들의 결정에 중점을 둔다. 아래에 상세한 설명이 제공된다.
본 출원의 본 구현에서, 리스크 특징 정보의 기여 표현 값들은 하나의 양태 또는 복수의 양태의 요소들에 기초하여 결정될 수 있다. 아래에 몇몇 요소가 예로서 열거된다.
첫째: 증거 중요성. 위에 설명된 바와 같이, 현재 리스크 제어 이벤트의 부류가 결정된 후에, 증거 정보가 더 획득될 필요가 있다. 다시 말해서, 증거가 더 제공될 필요가 있다. 증거 중요성은 리스크 특징 정보에 대응하는 증거 정보의 중요성을 반영할 수 있다.
둘째: 부류 결정 기여. 부류 결정 기여는 리스크 제어 이벤트의 부류를 결정하는 과정에서의 리스크 특징 정보의 기여를 반영할 수 있다.
셋째: 특징 차원 기여. 특징 차원 기여는 리스크 제어 이벤트의 부류를 결정하는 것의 결과에 대한 위험 특징 정보에 대응하는 리스크 특징의 기여를 반영할 수 있고, 그 기여는 결정 과정에 독립적일 수 있다.
넷째: 특징 이상. 특징 이상은 리스크 특징 정보의 이상을 반영할 수 있다. 예를 들어, 특징 이상은 리스크 특징 정보가 결정 과정에서 사용된 표준 값에서 벗어나는 정도 등을 나타낼 수 있다. 표준 값은 리스크 특징 정보와 비교되어, 어떻게 결정 과정에서의 분기를 선택할지를 결정하는 데 사용된다.
전술한 요소들도 대응하는 표현 값들에 의해 표현되어, 연산을 용이하게 할 수 있다. 전술한 네 가지 요소가 예로서 사용된다. 리스크 특징 정보의 기여 표현 값들을 결정하는 단계는: 리스크 특징 정보의 다음의 특정 표현 값들: 증거 중요성 표현 값, 부류 결정 기여 표현 값, 특징 차원 기여 표현 값, 및 특징 이상 표현 값 중 적어도 하나를 결정하는 단계; 및 결정된 특정 표현 값에 기초하여 상기 리스크 특징 정보의 기여 표현 값들을 결정하는 단계를 포함할 수 있다.
또한, 결정된 리스크 특징 정보를 갖는 리스크 제어 이벤트에 대해, 리스크 제어 이벤트의 리스크 특징 정보의 기여 표현 값은 리스크 특징 정보에 대응하는 리스크 특징의 기여 표현 값인데, 그 이유는 이 때의 리스크 제어 이벤트의 리스크 특징은 변수가 아니고 리스크 특징 정보이기 때문이다.
이해의 편의를 위해, 전술한 표현 값들을 결정하는 데 사용될 수 있는 해결책이 실제 응용 시나리오에 기초하여 설명된다.
그러한 시나리오에서, 전술한 분류기는 결정 트리를 사용하여 분류를 수행한다. 구체적으로, 단계 S102에서, 결정 트리에 기초하여 현재 리스크 제어 이벤트의 부류가 결정된다. 결정 트리 상의 적어도 일부 노드들은 리스크 특징 정보에 대응하는 리스크 특징을 포함한다.
도 3은 본 출원의 구현에 따른, 전술한 결정 트리를 예시하는 개략도이다. 도 3에서, 결정 트리는 5개의 노드를 포함한다. 각각 노드는 하나의 리스크 특징 및 그 리스크 특징에 대응하는 표준 값을 포함한다. 결정 트리의 리프 노드들은 부류 1과 부류 2의 두 가지 부류로 분류된다. 결정 트리에 입력되는 정보는 통상적으로 부류 1 또는 부류 2로서 결정된다. 단계 S102에서, 획득된 현재 리스크 제어 이벤트의 리스크 특징 정보를 결정 트리에 입력하여 현재 리스크 제어 이벤트의 부류를 결정할 수 있다.
노드 1이 예로서 사용되고, 노드 1에서의 "
Figure pct00001
"은 노드 1에 포함된 리스크 특징이
Figure pct00002
로서 표시되고, 대응하는 표준 값이 1임을 의미하고;
Figure pct00003
의 입력 리스크 특징 정보가 1보다 크지 않을 때, 노드 1의 좌측 분기가 선택되고, 다시 말해서, 다음 노드가 노드 2이고;
Figure pct00004
의 입력 리스크 특징 정보가 1보다 클 때, 노드 1의 우측 분기가 선택되고, 다시 말해서, 다음 노드가 노드 3이다.
설명의 편의를 위해, 증거 중요성 표현 값은
Figure pct00005
로서 표시되고, 부류 결정 기여 표현 값은
Figure pct00006
로서 표시되고, 특징 차원 기여 표현 값은
Figure pct00007
로서 표시되고, 특징 이상 표현 값은
Figure pct00008
로서 표시되고, 여기서
Figure pct00009
는 리스크 특징을 표시하고, 특정 리스크 제어 이벤트에 대해,
Figure pct00010
는 대안적으로 리스크 특징에 대응하는 리스크 특징 정보를 표시할 수 있다. 몇몇 표현 값들 각각의 적어도 하나의 결정 방법이 설명된다.
1. 증거 중요성 표현 값
Figure pct00011
에 대한 결정 방법. 증거 중요성 표현 값
Figure pct00012
는 통상적으로 사전 영역 지식에 기초하여 결정될 수 있고, 해당 영역의 전문가가 후속 증거 제공에 대한 각각의 리스크 특징
Figure pct00013
의 중요성을 제공할 수 있다. 예를 들어,
Figure pct00014
이 설명될 수 있다. 후속 증거 제공에 대한 리스크 특징
Figure pct00015
의 더 큰 중요성은 값 구간 [0,1]에서의 더 큰 값의
Figure pct00016
에 대응할 수 있다.
2. 부류 결정 기여 표현 값
Figure pct00017
에 대한 결정 방법. 현재 리스크 제어 이벤트의 리스크 특징 정보의 부류 결정 기여 표현 값은 다음의 방법으로 결정될 수 있다: 결정 트리 상의 결정 결과에 대응하는 결정 경로를 결정하는 단계; 및 상기 결정 경로 상에 포함된 특정 노드 전후에 있는 지정된 부류의 샘플 리스크 제어 이벤트들의 밀도 변화 정보에 기초하여 상기 현재 리스크 제어 이벤트의 리스크 특징 정보의 부류 결정 기여 표현 값을 결정하는 단계 - 여기서 특정 노드는 리스크 특징 정보에 대응하는 리스크 특징을 포함한다.
도 3에 관련하여, 부류 1은 케이스이고, 부류 2는 비-케이스라고 가정한다. 전술한 지정된 부류는 통상적으로 케이스일 수 있고, 지정된 부류의 샘플 리스크 제어 이벤트들의 밀도 변화 정보는 케이스 밀도 변화 정보이다.
케이스 밀도는, 예를 들어, 케이스 비율과 같은 데이터일 수 있다. 케이스 비율이 예로서 사용된다. 노드 2가 결정 경로 상에 있다고 가정한다. 노드 2가 필터링을 수행하기 전에, 샘플 리스크 제어 이벤트들의 케이스 비율은 1/10이다; 노드 2가 필터링을 수행한 후에, 샘플 리스크 제어 이벤트들의 케이스 비율은 1/2로 증가된다. 1/10에서 1/2로의 증가가 밀도 변화 정보로서 사용될 수 있다.
결정 경로 상에 포함된 노드를 통과한 후에, 케이스 밀도가 증가되는 정도는 노드에 포함된 리스크 특징이 분류 결정에 기여하는 정도를 반영할 수 있다. 임의의 리스크 특징에 대해, 분류에 대한 리스크 특징의 기여는 결정 경로 상에 포함된 모든 노드들 중 리스크 특징을 포함하는 적어도 일부 노드들 상의 분류에 대한 리스크 특징의 기여들에 기초하여 결정될 수 있다. 복수의 결정 방법이 존재할 수 있다. 예를 들어, 리스크 특징을 포함하는 적어도 일부 노드들 상의 분류에 대한 리스크 특징의 기여들은 누적되거나 가중을 통해 가산될 수 있다.
이해의 편의를 위해, 공식들을 사용하여 설명이 제공된다.
결정 트리 상의 노드
Figure pct00018
이 리스크 특징
Figure pct00019
을 포함하고 노드
Figure pct00020
이 결정 경로 상에 포함되어 있고
Figure pct00021
및
Figure pct00022
에 의해 각각 표시되는 두 가지 부류가 존재하고, 노드 n 상의 분류에 대한 리스크 특징
Figure pct00023
의 기여는 다음과 같다고 가정한다:
Figure pct00024
(공식 1)
Figure pct00025
는 노드
Figure pct00026
의 상류 노드에 포함된 리스크 특징 집합을 표시하고,
Figure pct00027
는 현재 리스크 제어 이벤트
Figure pct00028
의 분류 결과를 표시하고,
Figure pct00029
는 상류 노드가 필터링을 수행한 후에 노드
Figure pct00030
에 들어가는 모든 샘플 리스크 제어 이벤트들에 대한 지정된 부류의 리스크 제어 이벤트들(예를 들어, 케이스들)의 비율을 표시하고,
Figure pct00031
는 노드
Figure pct00032
가 필터링을 수행한 후에 획득된 모든 샘플 샘플 리스크 제어 이벤트들에 대한 지정된 부류의 리스크 제어 이벤트들(예를 들어, 케이스들)의 비율을 표시한다.
게다가, 리스크 특징
Figure pct00033
의 기여는 결정 경로 상의 모든 노드들에 대응하는 기여들을 누적하는 것에 의해 획득될 수 있다.
리스크 특징
Figure pct00034
에 대해, 부류 결정 기여 표현 값
Figure pct00035
는 다음과 같을 수 있다:
Figure pct00036
(공식 2)
Figure pct00037
는
Figure pct00038
가 결정 트리 상에서 통과하는 결정 경로를 표시한다. 결정 트리 상의 노드
Figure pct00039
에 포함되는
Figure pct00040
의 표준 값은
Figure pct00041
이다.
도 4는 본 출원의 구현에 따른, 도 3의 결정 트리 상의 결정 경로들을 예시하는 개략도이다.
도 4에서,
Figure pct00042
가 통과하는 결정 경로는 다음과 같다:
Figure pct00043
의 각각의 리스크 특징 정보가 노드 1에 입력되고, 노드 2 및 노드 4를 통과하여 부류 2에 대응하는 리프 노드에 도달한다. 공식 2에 따르면, 리스크 특징
Figure pct00044
의 부류 결정 기여 표현 값은
Figure pct00045
, 즉, 의 리스크 특징 정보 내의 리스크 특징
Figure pct00047
에 대응하는 리스크 특징 정보의 부류 결정 기여 표현 값이고; 리스크 특징
Figure pct00048
의 부류 결정 기여 표현 값은
Figure pct00049
, 즉,
Figure pct00050
의 리스크 특징 정보 내의 리스크 특징
Figure pct00051
에 대응하는 리스크 특징 정보의 부류 결정 기여 표현 값이고; 리스크 특징들
Figure pct00052
및
Figure pct00053
는
Figure pct00054
의 부류 결정에 기여하지 않는다.
게다가, 실제로는, 단계 S102에서, 현재 리스크 제어 이벤트의 부류는 복수의 결정 트리, 예를 들어, 랜덤 포레스트에 기초하여 결정될 수 있다. 그러한 경우에, 부류 결정 기여들이 모든 결정 트리들 상에서 결정되고 이어서 가산 또는 평균될 수 있고, 가산 또는 평균화를 통해 획득된 값이 부류 결정 기여 표현 값으로서 사용된다.
평균이 예로서 사용되고, 공식 2를 확장하여 다음을 획득할 수 있다:
Figure pct00055
(공식 3)
Figure pct00056
는 부류 결정을 위해 사용되는 랜덤 포레스트를 표시하고,
Figure pct00057
는
Figure pct00058
에서의 결정 트리를 표시하고,
Figure pct00059
는 공식 2에 기초하여 계산되는 결정 트리
Figure pct00060
에 대응하는 부류 결정 기여 표현 값이다.
더욱이, 실제로는, 결정 트리에 대해, 샘플 리스크 제어 이벤트의 수는 리프 노드에 접근할 때 점차적으로 감소한다. 결과적으로, 확률 추정이 부정확할 수 있고, 결정된 부류 결정 기여 표현 값의 신뢰성이 영향을 받는다. 그러한 문제에 대하여, 본 출원에서의 해결책들은 또한 대응 조치를 제공한다. 예를 들어, 가상 샘플 리스크 제어 이벤트를 설정하여, 샘플의 수를 적절한 수준으로 유지할 수 있다.
결정 경로 상에 포함된 특정 노드 전후에 있는 지정된 부류의 샘플 리스크 제어 이벤트들의 밀도 변화 정보에 기초하여 현재 리스크 제어 이벤트의 리스크 특징 정보의 부류 결정 기여 표현 값을 결정하는 단계는: 가상 샘플 리스크 제어 이벤트를 설정하는 단계; 및 결정 경로 상에 포함된 특정 노드의 전후에 있는 지정된 부류의 가상 샘플 리스크 제어 이벤트들 및 샘플 리스크 제어 이벤트들의 밀도 변화 정보에 기초하여 현재 리스크 제어 이벤트의 리스크 특징 정보의 부류 결정 기여 표현 값을 결정하는 단계를 포함할 수 있다.
가상 샘플 리스크 제어 이벤트는 복수의 방법으로 설정될 수 있는데, 예를 들어, 이전 확률 분포에 기초하여 설정될 수 있거나, 무작위로 설정될 수 있다. 전술한 방법이 예로서 사용된다. 가상 샘플 리스크 제어 이벤트를 설정하는 단계는: 지정된 부류의 샘플 리스크 제어 이벤트들에 대해 가정된 이전 확률 분포에 기초하여 가상 샘플 리스크 제어 이벤트를 설정하는 단계를 포함할 수 있다.
예를 들어, 지정된 부류의 샘플 리스크 제어 이벤트가 케이스라고 가정하고, 케이스 확률
Figure pct00061
가 다음의 사전 베타 분포를 따른다고 가정한다:
Figure pct00062
Figure pct00063
의 평균 값은
Figure pct00064
이고,
Figure pct00065
의 분산은
Figure pct00066
이다.
Figure pct00067
개의 샘플 리스크 제어 이벤트가 관찰되고
Figure pct00068
개의 케이스가 존재한다고 가정한다. 케이스 확률
Figure pct00069
의 사후 분포는 베타 분포이고, 파라미터들은 다음과 같다:
Figure pct00070
, 및
Figure pct00071
.
평균 값은
Figure pct00072
이다(공식 4).
따라서, 사전 베타 분포가
Figure pct00073
개의 가상 샘플 이벤트를 설정하는 것에 상당하고,
Figure pct00074
개의 케이스가 존재한다고 가정한다. 신뢰성을 개선하기 위해, 실제로는, 가상 샘플 이벤트들의 케이스 비율은 샘플 이벤트들의 실제 케이스 비율
Figure pct00075
와 동일하게 설정될 수 있다. 총
Figure pct00076
개의 가상 샘플 이벤트가 설정된다고 가정한다.
Figure pct00077
, 및
Figure pct00078
(공식 5)
3. 특징 차원 기여 표현 값
Figure pct00079
에 대한 결정 방법. 도 3의 예가 여전히 설명을 위해 사용된다. 위에 설명된 바와 같이,
Figure pct00080
는 통상적으로 결정 트리 상의 결정 경로 상의 리스크 특징
Figure pct00081
을 포함하는 노드에 의해 샘플 리스크 제어 이벤트가 필터링된 후에 케이스 밀도의 증가를 사용하여 리스크 특징
Figure pct00082
의 기여를 측정하고, 이는 본질적으로 측결정 트리 상의 경로에 기초한 측정 방법이다. 게다가, 리스크 특징
Figure pct00083
의 기여는 대안적으로, 예를 들어,
Figure pct00084
를 사용하여 측정된 결정 트리 상의 경로를 사용하지 않고 측정될 수 있다.
현재 리스크 제어 이벤트의 리스크 특징 정보의 특징 차원 기여 표현 값은 다음의 방법으로 결정될 수 있다: 리스크 특징 정보에 대응하는 리스크 특징에 대응하는 복수의 집합을 결정하는 단계; 상기 리스크 특징 정보를 포함하는 집합을 상기 복수의 집합 중에서 결정하는 단계; 및 상기 리스크 특징 정보를 포함하는 집합에 대응하는, 지정된 부류의, 샘플 리스크 제어 이벤트들의 밀도에 기초하여 상기 리스크 특징 정보의 특징 차원 기여 표현 값을 결정하는 단계 - 여기서 상기 리스크 특징에 대응하는 임의의 리스크 특징 정보가 상기 복수의 집합 중 적어도 하나에 속한다.
실제로는, 리스크 특징은 수치 변수일 수 있거나, 비-수치 변수일 수 있다. 이에 대응하여, 리스크 특징 정보는 수치 값일 수 있거나, 비-수치 값일 수 있다.
리스크 특징이 수치 변수인 경우, 복수의 집합은 리스크 특징의 값 범위를 분할함으로써 획득된 복수의 수치 구간일 수 있고, 각각의 집합은 그 수치 구간들 중 하나이다.
예를 들어, 리스크 특징
Figure pct00085
가 수치 변수인 경우, 리스크 특징
Figure pct00086
에 대해 분할을 통해 획득된 수치 구간은
Figure pct00087
로서 표시된다. 현재 리스크 제어 이벤트
Figure pct00088
를 포함하는 수치 구간에서 현재 리스크 제어 이벤트
Figure pct00089
의 케이스 밀도가 리스크 특징
Figure pct00090
의 특징 차원 기여 표현 값으로서 사용될 수 있는 정도:
Figure pct00091
(공식 6)
Figure pct00092
는 리스크 특징
Figure pct00093
에 대응하는,
Figure pct00094
의 리스크 특징 정보를 표시하고, 여기서 수치 값이다.
Figure pct00095
는
Figure pct00096
를 포함하는 수치 구간에서의
Figure pct00097
의 케이스 비율을 표시한다.
Figure pct00098
는 모든 구간에서의 케이스 비율을 표시한다.
수치 구간 분할은 양자화 알고리즘에 기초하여 구현될 수 있다. 복수의 양자화 알고리즘, 예를 들어, 균일 구간 분할 또는 단일 변수 결정 트리가 존재할 수 있다.
리스크 특징이 비-수치 변수인 경우, 복수의 집합은 리스크 특징에 대응하는 비-수치 변수 값들을 분류함으로써 획득된 복수의 비-수치 변수 값 집합일 수 있고, 각각의 집합은 그 비-수치 변수 값 집합들 중 하나이다. 비-수치 변수는 부류(category) 변수, 문자열 변수 등일 수 있다.
다른 예로서, 리스크 특징
Figure pct00099
가 부류(category) 변수인 경우,
Figure pct00100
의 값의 조건부 확률이 특징 차원 기여 표현 값을 계산하는 데 사용될 수 있고, 조건부 확률은 전술한 케이스 밀도에 기초하여 계산될 수 있다. 세부 사항은 다음과 같다:
Figure pct00101
.
4. 특징 이상 표현 값
Figure pct00102
에 대한 결정 방법. 전술한 설명으로부터, 부류 결정 기여 표현 값
Figure pct00103
가 결정될 때,
Figure pct00104
가 결정 트리 상의 동일한 노드의 동일한 분기에 있다면 노드 내의
Figure pct00105
는 동일하다는 것을 알 수 있다. 그러나, 예를 들어, 노드에서
Figure pct00106
인 경우,
Figure pct00107
및
Figure pct00108
일 때 기여들은 명백히 상이하다는 것이 고려되어야 한다.
Figure pct00109
는 그러한 경우에 대한 기여 측정 요소이고,
Figure pct00110
를 사용하여
Figure pct00111
를 조정할 수 있다.
본 출원의 본 구현에서, 현재 리스크 제어 이벤트의 리스크 특징 정보의 특징 이상 표현 값은 다음의 방법으로 결정될 수 있다: 결정 경로 상에 포함된 특정 노드 상의 지정된 부류의 샘플 리스크 제어 이벤트들을 결정하는 상태(status)에 기초하여 현재 리스크 제어 이벤트의 리스크 특징 정보의 특징 이상 표현 값을 결정하는 단계 - 여기서 특정 노드는 리스크 특징 정보에 대응하는 리스크 특징을 포함한다.
게다가, 전술한 단락에서의 방법의 복수의 구현 해결책이 존재한다. 예를 들어, 특징 이상 표현 값은 사후 확률에 기초하여 결정될 수 있다.
Figure pct00112
(공식 7)
Figure pct00113
는 결정 경로 상의 리스크 특징
Figure pct00114
에 의해 결정된 공간을 표시한다. 도 3에서의 결정 경로가 예로서 사용되고,
Figure pct00115
이다. 또한, 공식 7의 이점은
Figure pct00116
일 때
Figure pct00117
및
Figure pct00118
이 동일한 양급(same order)이라는 점이다.
실제로는, 특징 이상 표현 값을 사용하여
Figure pct00119
및
Figure pct00120
양쪽 모두를 조정할 수 있다. 구별을 위해,
Figure pct00121
를 조정하는 데 사용된 특징 이상 표현 값은
Figure pct00122
로서 표시된다.
Figure pct00123
는 유사한 방법으로 계산될 수 있다:
Figure pct00124
(공식 8)
전술한 내용은 리스크 특징 정보의 기여 표현 값들을 결정하는 데 사용될 수 있는 몇몇 요소들을 개별적으로 상세하게 설명하고 있다. 리스크 특징 정보의 기여 표현 값은 각각의 요소의 결정된 표현 값에 기초하여 복수의 방법으로 결정될 수 있다. 다음 두 가지 방법이 열거된다: 휴리스틱 기반 설계 및 주석된 샘플에 기초한 기계 학습. 그 두 가지 방법이 개별적으로 설명된다.
휴리스틱 기반 설계는 리스크 특징 정보의 기여 표현 값은 적절한 공식을 설계함으로써 전술한 요소들의 표현 값들을 포괄적으로 계산하여 획득될 수 있다는 것을 의미한다. 예를 들어,
Figure pct00125
(공식 9).
Figure pct00126
는 조정 가능한 가중 계수이다.
주석된 샘플에 기초한 기계 학습은 주로 두 가지 주요 단계를 포함한다:
1. 주석된 샘플들을 획득한다. 일부 케이스들 및 비-케이스들이 샘플링될 수 있고, 전문가들이 이 샘플들의 리스크 특징들 간의 상관성 또는 이 샘플들 간의 상관성을 평가할 수 있다. 그에 따라, 주석된 데이터 집합이 획득된다. 주석된 데이터 집합은 샘플
Figure pct00127
의 리스크 특징
Figure pct00128
, 및 상관성 라벨
Figure pct00129
을 포함한다.
학습 방법: 주석된 데이터 집합
Figure pct00130
가 존재할 때, 전술한 요소들의 표현 값들에 기초하여, 샘플
Figure pct00131
및 샘플
Figure pct00132
의 리스크 특징
Figure pct00133
가 다음의 기술 벡터(description vector)를 형성할 수 있다:
Figure pct00134
. 이것은 전형적인 랭킹 학습(learning to rank) 문제이다. 적절한 랭킹 모델, 예를 들어, rank-SVM을 사용하여 상관성 라벨
Figure pct00135
을 피팅하여, 대응하는 리스크 특징 정보의 기여 표현 값을 획득할 수 있다.
게다가, 단계 S103에서, 결정 결과에 대응하는 증거 정보를 획득하는 단계는: 상기 결정된 상기 리스크 특징 정보의 기여 표현 값들에 기초하여 리스크 특징 정보를 랭킹하는 단계; 및 랭킹 결과에 기초하여, 상위 N개의 기여 표현 값을 갖는 리스크 특징 정보에 대응하는 증거 정보를 획득하고, 상기 증거 정보를 상기 결정 결과에 대응하는 증거 정보로서 사용하는 단계를 포함할 수 있다. 대안적으로, 리스크 특징 정보는 랭킹되지 않을 수도 있다. 대신에, 기여 표현 값의 문턱값이 미리 결정될 수 있고, 문턱값보다 작지 않은 기여 표현 값을 갖는 리스크 특징 정보에 대응하는 증거 정보가 획득되고 결정 결과에 대응하는 증거 정보로서 사용된다.
실제로는, 증거 정보가 획득된 후에, 증거 정보는 특정 형식 템플릿에 기초하여 처리될 수 있어, 증거 정보는 최종적으로 생성된 케이스 종결 정보의 일부로서 사용된다. 형식 템플릿은 본 출원에서 제한되지 않고, 텍스트 형식 템플릿일 수 있거나, 표 데이터 형식 템플릿, 그래프 데이터 형식 템플릿 등일 수 있다.
본 출원의 본 구현에서, 결정 트리에 기초하여 현재 리스크 제어 이벤트의 부류가 결정될 때, 대응하는 해결책을 사용하여 결정 결과의 신뢰 수준이 더 계산될 수 있다.
결정 결과의 신뢰 수준이 낮으면, 결정 결과에 기초하여 수행되는 후속 단계들의 신뢰성도 보장하기 어렵다. 따라서, 결정 결과의 신뢰 수준이 비교적 높은 정도에 도달할 때까지, 관련 파라미터가 조정될 수 있고 현재 리스크 제어 이벤트의 부류가 재결정될 수 있다. 대안적으로, 현재 리스크 제어 이벤트의 부류가 대신에 수동으로 결정된다. 신뢰 수준이 도달할 필요가 있는 특정 정도는 지정된 문턱값을 사용하여 미리 정의할 수 있다.
전술한 단락에서의 분석에 기초하여, 단계 S104에서, 현재 리스크 제어 이벤트의 케이스 종결 정보가 생성되기 전에, 다음의 단계가 더 수행될 수 있다: 결정 결과의 신뢰 수준을 계산하는 단계; 및 결정 결과의 신뢰 수준이 지정된 문턱값보다 작지 않은 것으로 결정하는 단계.
신뢰 수준을 계산하기 위한 몇몇 해결책이 존재한다. 예를 들어, 현재 리스크 제어 이벤트가 결정 경로 상에 있는 리프 노드에 대해, 리프 노드 상에 있는 샘플 리스크 제어 이벤트들을 정확하게 분류하는 사후 확률이 신뢰 수준으로서 결정된다. 다른 예로서, 랜덤 포레스트에 대해, 랜덤 포레스트 내의 결정 트리들 상에서 현재 리스크 제어 이벤트를 결정함으로써 획득된 결과들의 최대 수의 비율이 신뢰 수준으로서 계산된다.
본 출원의 본 구현에서, 단계 S104에서, 케이스 종결 정보는 결정 결과 및 증거 정보를 포함할 수 있고, 신뢰 수준과 같은 다른 관련 정보를 더 포함할 수 있다. 통상적으로, 미리 결정된 케이스 종결 정보 템플릿에 기초하여 결정 결과 및 증거 정보와 같은 정보를 조립하여, 케이스 종결 정보를 생성할 수 있다. 케이스 종결 정보 템플릿은 특정 응용 시나리오에 기초하여 설명될 수 있다. 구현들은 본 출원에서 제한되지 않는다.
더 직관적으로, 본 출원의 본 구현은 또한 전술한 리스크 제어 이벤트 자동 처리 방법에 기초하여 생성된 케이스 종결 정보와 종래 기술에서의 케이스 종결 정보 간의 비교를 예시하는 개략도를 제공한다. 도 5에 도시된 바와 같이.
도 5는 "종래 기술에서의 수동 처리" 및 "본 출원의 해결책들에서의 자동 처리"라는 2개의 서브-다이어그램을 포함한다.
도 5의 위쪽으로부터, 종래 기술에서는, 수동 처리가 수행되기 때문에, 케이스 종결 정보가 간단하고, 현재 리스크 제어 이벤트 "사용자가 2015년 6월 18일 10:48:09에 사용자가 스커트를 구매한다"가 간단히 설명되고, 결정 결과 "비-케이스"가 제공된다는 것을 알 수 있다. 케이스 종결 정보는 정보를 거의 포함하지 않는다.
도 5의 아래쪽으로부터, 본 출원에서의 해결책들에 기초하여, 상세한 케이스 종결 정보가 생성되고, 케이스 종결 정보는 다음 3개의 부분: 태스크 주석(task annotation), 모델 스코어(model score), 및 케이스 종결 증거(case closing testimony)를 포함한다는 것을 알 수 있다.
"태스크 주석"은 현재 리스크 제어 이벤트의 상세 정보, 예를 들어, 사용자의 휴대폰 번호, 사용자의 성별, 사용자의 이메일 주소, 사용자와 직접 통신함으로써 획득된 일부 시나리오 정보(예를 들어, 가족 구성원도 친구도 사용하지 않음), 관련 금융 상품 및 은행 카드 번호, 은행 카드가 등록된 위치, 및 은행 카드의 상태를 기술한다.
"모델 스코어"는 본 출원의 해결책들을 구현하는 데 사용되는 일부 모델들의 스코어를 기술하고, 스코어는 어느 정도 모델의 기능 또는 성능을 측정할 수 있다. 모델은, 예를 들어, 분류기에 사용되는 모델, 기여 표현 값을 결정하는 데 사용되는 모델, 및 증거 정보를 획득하는 데 사용되는 모델일 수 있다.
"케이스 종결 증거"는 현재 리스크 제어 이벤트의 결정 결과 및 결정 결과의 신뢰 수준, 결정에 사용되는 일부 리스크 특징 정보, 리스크 특징 정보의 기여 표현 값, 대응하는 증거 정보 등을 기술한다.
현재 리스크 제어 이벤트가 비-케이스로서 결정되고, 신뢰 수준이 0.973일 때. 결정에 사용되는 리스크 특징 정보는 "디바이스 신뢰성(device credibility)", "도시 신뢰성(city credibility)" 등을 포함한다. "디바이스 신뢰성"이 예로서 사용되고, "디바이스 신뢰성"의 기여 표현 값이 증거 가중 0.653일 수 있고, 대응하는 증거 정보는 "2461.6 위안에 이르는 총 10개의 거래가 13일 내에 수행된다(마지막 거래는: 대신 구매자로부터 구매된 사우디 아라비아로부터의 진품 시계 xxxx이다)[a total of 10 transactions that amount to 2461.6 yuan are conducted in 13 days (the last transaction is: an authentic watch xxxx from Saudi Arabia purchased from a buyer-on behalf)]"이다. 증거 정보는 사용자가 현재 디바이스를 사용하여 다수의 거래를 수행했다는 것을 나타낸다. 현재 디바이스는 사용자에 의해 자주 사용되는 디바이스라고 추론될 수 있고, 따라서, 현재 디바이스가 신뢰할 수 있는 디바이스일 확률이 높다.
도 5에서의 종래 기술과 본 출원에서의 해결책 간의 비교에 기초하여, 본 출원에서의 해결책을 사용함으로써, 노동력이 절약될 수 있고, 리스크 제어 이벤트를 처리하는 속도가 가속되고; 다양한 리스크 특징 정보를 더 포괄적으로 고려하여, 리스크 제어 이벤트를 결정하고; 또한, 결정 결과를 지지하는 데 사용되는 증거 정보를 편리하게 제공할 수 있고, 따라서, 리스크 제어 이벤트의 결정 결과의 신뢰성을 검증하기가 편리하다는 것을 알 수 있다.
본 출원의 본 구현에서 제공되는 리스크 제어 이벤트 자동 처리 방법이 위에 설명되었다. 도 6에 도시된 바와 같이, 동일한 발명 아이디어에 기초하여, 본 출원의 구현은 대응하는 장치를 더 제공한다.
도 6은 본 출원의 구현에 따른, 도 1에 대응하는 리스크 제어 이벤트 자동 처리 장치의 개략 구조도이다. 이 장치는 도 1의 절차의 실행 주체 상에 위치할 수 있고, 다음을 포함한다: 현재 리스크 제어 이벤트의 각각의 리스크 특징 정보를 획득하도록 구성된 제1 취득 모듈(601); 상기 리스크 특징 정보에 기초하여 상기 현재 리스크 제어 이벤트의 부류를 결정하도록 구성된 결정 모듈(602); 결정 결과에 대응하는 증거 정보를 획득하도록 구성된 제2 취득 모듈(603); 및 상기 결정 결과 및 상기 증거 정보에 기초하여 상기 현재 리스크 제어 이벤트의 케이스 종결 정보를 생성하도록 구성된 생성 모듈(604).
선택적으로, 상기 결정 모듈(602)은 리스크 특징 정보에 기초하여 현재 리스크 제어 이벤트의 부류를 결정하는데, 이는: 상기 결정 모듈(602)이, 샘플 리스크 제어 이벤트들의 리스크 특징 정보에 기초하여 훈련을 수행함으로써 획득된 분류기를 획득하는 단계; 및 상기 분류기 및 상기 리스크 특징 정보에 기초하여 상기 현재 리스크 제어 이벤트를 분류함으로써 상기 현재 리스크 제어 이벤트의 부류를 결정하는 단계를 포함한다.
선택적으로, 상기 제2 취득 모듈(603)은 결정 결과에 대응하는 증거 정보를 획득하는데, 이는: 상기 제2 취득 모듈(603)이, 리스크 특징 정보의 기여 표현 값들을 결정하는 단계; 및 상기 기여 표현 값들 및 상기 기여 표현 값들에 대응하는 상기 리스크 특징 정보에 기초하여 상기 결정 결과에 대응하는 상기 증거 정보를 획득하는 단계를 포함한다.
선택적으로, 상기 제2 취득 모듈(603)이, 리스크 특징 정보의 기여 표현 값들을 결정하는 단계는: 상기 제2 취득 모듈(603)이, 리스크 특징 정보의 다음의 특정 표현 값들: 증거 중요성 표현 값, 부류 결정 기여 표현 값, 특징 차원 기여 표현 값, 및 특징 이상 표현 값 중 적어도 하나를 결정하는 단계; 및 결정된 특정 표현 값에 기초하여 상기 리스크 특징 정보의 기여 표현 값들을 결정하는 단계를 포함한다.
선택적으로, 상기 분류기는 결정 트리를 사용하여 분류를 수행하고, 상기 결정 트리 상의 적어도 일부 노드들은 리스크 특징 정보에 대응하는 리스크 특징을 포함한다.
선택적으로, 상기 제2 취득 모듈(603)은 현재 리스크 제어 이벤트의 리스크 특징 정보의 부류 결정 기여 표현 값을 다음의 방법으로 결정한다: 상기 제2 취득 모듈(603)이, 결정 트리 상의 결정 결과에 대응하는 결정 경로를 결정하는 단계; 및 상기 결정 경로 상에 포함된 특정 노드 전후에 있는 지정된 부류의 샘플 리스크 제어 이벤트들의 밀도 변화 정보에 기초하여 상기 현재 리스크 제어 이벤트의 리스크 특징 정보의 부류 결정 기여 표현 값을 결정하는 단계 - 여기서 특정 노드는 리스크 특징 정보에 대응하는 리스크 특징을 포함한다.
선택적으로, 상기 제2 취득 모듈(603)이, 결정 경로 상에 포함된 특정 노드 전후에 있는 지정된 부류의 샘플 리스크 제어 이벤트들의 밀도 변화 정보에 기초하여 현재 리스크 제어 이벤트의 리스크 특징 정보의 부류 결정 기여 표현 값을 결정하는 단계는: 상기 제2 취득 모듈(603)이, 가상 샘플 리스크 제어 이벤트를 설정하는 단계; 및 결정 경로 상에 포함된 특정 노드의 전후에 있는 지정된 부류의 가상 샘플 리스크 제어 이벤트들 및 샘플 리스크 제어 이벤트들의 밀도 변화 정보에 기초하여 현재 리스크 제어 이벤트의 리스크 특징 정보의 부류 결정 기여 표현 값을 결정하는 단계를 포함한다.
선택적으로, 상기 제2 취득 모듈(603)이, 가상 샘플 리스크 제어 이벤트를 설정하는 단계는: 상기 제2 취득 모듈(603)이, 지정된 부류의 샘플 리스크 제어 이벤트들에 대해 가정된 이전 확률 분포에 기초하여 가상 샘플 리스크 제어 이벤트를 설정하는 단계를 포함한다.
선택적으로, 상기 제2 취득 모듈(603)은 현재 리스크 제어 이벤트의 리스크 특징 정보의 특징 차원 기여 표현 값을 다음의 방법으로 결정한다: 상기 제2 취득 모듈(603)이, 리스크 특징 정보에 대응하는 리스크 특징에 대응하는 복수의 집합을 결정하는 단계; 상기 리스크 특징 정보를 포함하는 집합을 상기 복수의 집합 중에서 결정하는 단계; 및 상기 리스크 특징 정보를 포함하는 집합에 대응하는, 지정된 부류의, 샘플 리스크 제어 이벤트들의 밀도에 기초하여 상기 리스크 특징 정보의 특징 차원 기여 표현 값을 결정하는 단계 - 여기서 상기 리스크 특징에 대응하는 임의의 리스크 특징 정보가 상기 복수의 집합 중 적어도 하나에 속한다.
선택적으로, 상기 제2 취득 모듈(603)은 현재 리스크 제어 이벤트의 리스크 특징 정보의 특징 이상 표현 값을 다음의 방법으로 결정한다: 상기 제2 취득 모듈(603)이, 결정 경로 상에 포함된 특정 노드 상의 지정된 부류의 샘플 리스크 제어 이벤트들을 결정하는 상태에 기초하여 현재 리스크 제어 이벤트의 리스크 특징 정보의 특징 이상 표현 값을 결정하는 단계 - 여기서 특정 노드는 리스크 특징 정보에 대응하는 리스크 특징을 포함한다.
선택적으로, 상기 제2 취득 모듈(603)은 결정 결과에 대응하는 증거 정보를 획득하는데, 이는: 상기 제2 취득 모듈(603)이, 상기 결정된 상기 리스크 특징 정보의 기여 표현 값들에 기초하여 리스크 특징 정보를 랭킹하는 단계; 및 랭킹 결과에 기초하여, 상위 N개의 기여 표현 값을 갖는 리스크 특징 정보에 대응하는 증거 정보를 획득하고, 상기 증거 정보를 상기 결정 결과에 대응하는 증거 정보로서 사용하는 단계를 포함한다.
선택적으로, 현재 리스크 제어 이벤트의 케이스 종결 정보를 생성하기 전에, 상기 생성 모듈(604)은 결정 결과의 신뢰 수준을 계산하고, 결정 결과의 신뢰 수준이 지정된 문턱값보다 작지 않은 것으로 결정한다.
선택적으로, 상기 현재 리스크 제어 이벤트의 부류는 케이스 또는 비-케이스이다.
본 출원의 본 구현에서 제공되는 장치는 본 출원의 본 구현에서 제공되는 방법과 일대일 대응한다. 따라서, 장치 및 이 장치에 대응하는 방법은 유사한 유익한 기술적 효과들을 갖는다. 방법의 유익한 기술적 효과가 상세하게 위에 설명되었고, 따라서 대응하는 장치의 유익한 기술적 효과는 간결함을 위해 여기서 생략된다.
1990년대에는, 기술적 개선이 하드웨어 개선(예를 들어, 다이오드, 트랜지스터, 또는 스위치와 같은 회로 구조에 대한 개선)인지 또는 소프트웨어 개선(방법 절차에 대한 개선)인지가 명확하게 구별될 수 있다. 그러나, 기술이 발전함에 따라, 많은 방법 절차에 대한 현재 개선들이 하드웨어 회로 구조에 대한 직접 개선인 것으로 간주될 수 있다. 설계자는 통상적으로 개선된 방법 절차를 하드웨어 회로에 프로그램하여, 대응하는 하드웨어 회로 구조를 획득한다. 따라서, 하드웨어 엔티티 모듈을 사용하여 방법 절차가 개선될 수 있다. 예를 들어, 프로그램 가능한 로직 디바이스(PLD)(예를 들어, 필드 프로그래머블 게이트 어레이(FPGA))가 그러한 집적 회로이고, PLD의 논리적 기능이 컴포넌트 프로그래밍을 통해 사용자에 의해 결정된다. 설계자는 칩 제조업체에 전용 집적 회로 칩(application-specific integrated circuit chip)을 설계 및 제작하도록 요청하지 않고 디지털 시스템을 PLD에 "집적"하기 위한 프로그래밍을 수행한다. 또한, 현재는, 집적 칩을 수동으로 제조하는 대신, 이 부류의 프로그래밍은 주로 "로직 컴파일러(logic compiler)"소프트웨어를 사용하여 구현된다. 프로그래밍은 프로그램을 개발하고 작성하는 데 사용되는 소프트웨어 컴파일러와 유사하다. 원본 코드는 컴파일을 위해 특정 프로그래밍 언어로 작성될 필요가 있다. 이 언어는 하드웨어 기술 언어(HDL)라고 지칭된다. ABEL(Advanced Boolean Expression Language), AHDL(Altera Hardware Description Language), CUPL(Confluence, the Cornell University Programming Language), HDCal, JHDL(Java Hardware Description Language), Lava, Lola, MyHDL, PALASM, 및 RHDL(Ruby Hardware Description Language) 등과 같은 많은 HDL이 존재한다. VHDL(very-high-speed integrated circuit hardware description language) 및 Verilog가 가장 일반적으로 사용된다. 본 기술분야의 기술자라면 논리 방법 절차가 몇몇의 설명된 하드웨어 기술 언어를 사용하여 논리적으로 프로그램되고 집적 회로 내에 프로그램되면 그 방법 절차를 구현하는 하드웨어 회로가 쉽게 획득될 수 있음을 또한 이해할 것이다.
컨트롤러는 적절한 방법을 사용하여 구현할 수 있다. 예를 들어, 컨트롤러는 마이크로프로세서 또는 프로세서, 또는 마이크로프로세서 또는 프로세서에 의해 실행될 수 있는 컴퓨터 판독가능 프로그램 코드(예컨대 소프트웨어 또는 펌웨어)를 저장하는 컴퓨터 판독가능 매체, 로직 게이트, 스위치, 전용 집적 회로(ASIC), 프로그램 가능한 로직 컨트롤러, 또는 내장 마이크로프로세서일 수 있다. 컨트롤러의 예는 다음의 마이크로프로세서들을 포함하지만 이들로 제한되지 않는다: ARC 625D, Atmel AT91SAM, Microchip PIC18F26K20, 및 Silicone Labs C8051F320. 또한 메모리의 제어 로직의 일부로서 메모리 컨트롤러가 구현될 수 있다. 본 기술분야의 기술자는 또한, 컴퓨터 판독가능 프로그램 코드만을 사용하여 컨트롤러를 구현하는 것 이외에, 컨트롤러가 로직 게이트, 스위치, 전용 집적 회로, 프로그램 가능한 로직 컨트롤러, 및 내장 마이크로컨트롤러의 형식으로 동일한 기능을 구현할 수 있도록 방법 단계들이 논리적으로 프로그램될 수 있다는 것을 안다. 따라서, 컨트롤러는 하드웨어 컴포넌트로 간주될 수 있고, 컨트롤러 내의 다양한 기능을 구현하도록 구성된 장치들도 하드웨어 컴포넌트 내부의 구조로 간주될 수 있다. 또는 다양한 기능을 구현하도록 구성된 장치들은 방법을 구현하는 소프트웨어 모듈들 및 하드웨어 컴포넌트 내부의 구조 양쪽 모두로 간주될 수도 있다.
전술한 구현들에서 예시된 시스템, 장치, 모듈, 또는 유닛은 컴퓨터 칩 또는 엔티티를 사용하여 구현될 수 있거나, 특정 기능을 갖는 제품을 사용하여 구현될 수 있다. 전형적인 구현 디바이스는 컴퓨터이다. 컴퓨터는, 예를 들어, 개인용 컴퓨터, 랩톱 컴퓨터, 셀룰러 폰, 카메라 폰, 스마트 폰, 개인 휴대 정보 단말기, 미디어 플레이어, 내비게이션 디바이스, 이메일 디바이스, 게임 콘솔, 태블릿 컴퓨터, 또는 웨어러블 디바이스, 또는 이러한 디바이스들의 조합일 수 있다.
설명의 편의를 위해, 상기 장치는 기능들을 다양한 유닛들로 분할함으로써 기술된다. 당연히, 본 출원이 구현될 때, 유닛들의 기능들은 하나 이상의 소프트웨어 및/또는 하드웨어로 구현될 수 있다.
본 기술분야의 기술자라면 본 개시의 구현이 방법, 시스템, 또는 컴퓨터 프로그램 제품으로서 제공될 수 있다는 것을 이해할 것이다. 따라서, 본 개시는 하드웨어 전용 구현들, 소프트웨어 전용 구현들, 또는 소프트웨어와 하드웨어의 조합을 갖는 구현들의 형식을 사용할 수 있다. 또한, 본 개시는 컴퓨터 사용가능 프로그램 코드를 포함하는 하나 이상의 컴퓨터 사용가능 저장 매체(디스크 메모리, CD-ROM, 광 메모리 등을 포함하지만 이에 제한되지는 않음) 상에 구현되는 컴퓨터 프로그램 제품의 형식을 사용할 수 있다.
본 개시는 본 개시의 구현들에 기초한 방법, 디바이스(시스템), 및 컴퓨터 프로그램 제품의 흐름도들 및/또는 블록도들에 관련하여 설명된다. 흐름도들 및/또는 블록도들에서의 각각의 프로세스 및/또는 각각의 블록 및 흐름도들 및/또는 블록도들에서의 프로세스 및/또는 블록의 조합을 구현하기 위해 컴퓨터 프로그램 명령들이 사용될 수 있다는 것을 이해해야 한다. 이들 컴퓨터 프로그램 명령은 머신을 생성하도록 범용 컴퓨터, 전용 컴퓨터, 임베디드 프로세서, 또는 다른 프로그램 가능한 데이터 처리 디바이스의 프로세서를 위해 제공될 수 있어, 컴퓨터 또는 다른 프로그램 가능한 데이터 처리 디바이스의 프로세서에 의해 실행되는 명령들은 흐름도들에서의 하나 이상의 절차 및/또는 블록도들에서의 하나 이상의 블록에서 특정 기능을 구현하기 위한 장치를 생성한다.
이들 컴퓨터 프로그램 명령은 컴퓨터 또는 다른 프로그램 가능한 데이터 처리 디바이스에 특정 방식으로 동작하도록 지시할 수 있는 컴퓨터 판독가능 메모리에 저장될 수 있어, 컴퓨터 판독가능 메모리에 저장된 명령들은 명령 장치를 포함하는 물품을 생성한다. 명령 장치는 흐름도들에서의 하나 이상의 절차 및/또는 블록도들에서의 하나 이상의 블록에서 특정 기능을 구현한다.
이들 컴퓨터 프로그램 명령은 또한 컴퓨터 또는 다른 프로그램 가능한 데이터 처리 디바이스 상에 로딩될 수 있어, 일련의 동작 단계들이 컴퓨터 또는 다른 프로그램 가능한 디바이스 상에서 수행되고, 이로써 컴퓨터 구현 처리를 생성할 수 있다. 따라서, 컴퓨터 또는 다른 프로그램 가능한 디바이스 상에서 실행되는 명령들은 흐름도들에서의 하나 이상의 절차 및/또는 블록도들에서의 하나 이상의 블록에서 특정 기능을 구현하는 단계들을 제공한다.
전형적인 구성에서, 컴퓨팅 디바이스는 하나 이상의 프로세서(CPU), 하나 이상의 입/출력 인터페이스, 하나 이상의 네트워크 인터페이스, 및 하나 이상의 메모리를 포함한다.
메모리는 컴퓨터 판독가능 매체에서의 비영구적 메모리, 랜덤 액세스 메모리(RAM), 비휘발성 메모리, 및/또는 다른 형식, 예를 들어, 판독 전용 메모리(ROM) 또는 플래시 메모리(flash RAM)를 포함할 수 있다. 메모리는 컴퓨터 판독가능 매체의 예이다.
컴퓨터 판독가능 매체는 임의의 방법 또는 기술을 사용하여 정보를 저장할 수 있는 영구적, 비영구적, 이동식, 및 비이동식 매체를 포함한다. 정보는 컴퓨터 판독가능 명령, 데이터 구조, 프로그램 모듈, 또는 다른 데이터일 수 있다. 컴퓨터 저장 매체의 예는 파라미터 랜덤 액세스 메모리(PRAM), 정적 랜덤 액세스 메모리(SRAM), 동적 랜덤 액세스 메모리(DRAM), 다른 부류의 랜덤 액세스 메모리(RAM), 판독 전용 메모리(ROM), 전기적으로 소거가능한 프로그램 가능한 판독 전용 메모리(EEPROM), 플래시 메모리 또는 다른 메모리 기술, 콤팩트 디스크 판독 전용 메모리(CD-ROM), 디지털 다기능 디스크(DVD) 또는 다른 광 저장 디바이스, 카세트 자기 테이프, 자기 테이프/자기 디스크 저장 디바이스, 다른 자기 저장 디바이스, 또는 임의의 다른 비전송 매체를 포함하지만 이들로 제한되지 않는다. 컴퓨터 저장 매체는 컴퓨팅 디바이스에 액세스 가능한 정보를 저장하는 데 사용될 수 있다. 본 명세서의 정의에 기초하여, 컴퓨터 판독가능 매체는 변조된 데이터 신호 및 반송파와 같은 일시적인 컴퓨터 판독가능 매체(transitory media)를 포함하지 않는다.
용어 "포괄", "포함", 또는 이들의 다른 변형들은 비배타적인 포함을 커버하기 위해 의도된 것이며, 따라서 요소들의 리스트를 포함하는 프로세스, 방법, 상품, 또는 디바이스는 그 요소들을 포함할 뿐만 아니라, 명시적으로 열거되지 않은 다른 요소들을 또한 포함하거나, 그러한 프로세스, 방법, 상품, 또는 디바이스에 고유한 요소들을 더 포함한다는 점에 더 주목할 가치가 있다. 더 많은 제한이 없는 상황에서, "...를 포함한다"에 선행하는 요소는 그 요소를 포함하는 프로세스, 방법, 상품, 또는 디바이스에서 추가적인 동일한 요소의 존재를 배제하지 않는다.
본 출원은 컴퓨터에 의해 실행되는 컴퓨터 실행가능한 명령, 예를 들어 프로그램 모듈의 일반적인 문맥에서 기술될 수 있다. 통상적으로, 프로그램 모듈은 태스크를 실행하거나 추상 데이터 부류를 구현하는 루틴, 프로그램, 오브젝트, 컴포넌트, 데이터 구조 등을 포함한다. 본 출원은 분산 컴퓨팅 환경에서 실시될 수도 있다. 분산 컴퓨팅 환경에서, 태스크들은 통신 네트워크를 통해 연결된 원격 처리 디바이스들에 의해 수행된다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 저장 디바이스들을 포함하는 로컬 및 원격 컴퓨터 저장 매체 양쪽 모두에 위치할 수 있다.
본 명세서에서의 구현들은 점진적으로 기술된다. 구현들의 동일하거나 유사한 부분들에 대해서는, 해당 구현들이 참조될 수 있다. 각각의 구현들은 다른 구현들과의 차이점에 중점을 둔다. 특히, 시스템 구현은 방법 구현과 기본적으로 유사하므로, 간단히 기술된다. 관련 부분들에 대해서는, 방법 구현에서의 관련 설명들이 참조될 수 있다.
전술한 구현들은 본 출원의 구현들이고, 본 출원을 제한하기 위해 의도된 것은 아니다. 본 기술분야의 기술자는 본 출원에 대해 다양한 수정 및 변경을 할 수 있다. 본 출원의 사상 및 원리를 벗어나지 않고 이루어지는 임의의 수정, 동등한 대체, 또는 개선은 본 출원의 청구항들의 범위 내에 있을 것이다.

Claims (26)

  1. 리스크 제어 이벤트 자동 처리 방법에 있어서,
    현재 리스크 제어 이벤트의 각각의 리스크 특징 정보를 획득하는 단계;
    상기 리스크 특징 정보에 기초하여 상기 현재 리스크 제어 이벤트의 부류를 결정하는 단계;
    상기 결정 결과에 대응하는 증거 정보를 획득하는 단계; 및
    상기 결정 결과 및 상기 증거 정보에 기초하여 상기 현재 리스크 제어 이벤트의 케이스 종결 정보를 생성하는 단계
    를 포함하는, 리스크 제어 이벤트 자동 처리 방법.
  2. 제1항에 있어서,
    상기 리스크 특징 정보에 기초하여 상기 현재 리스크 제어 이벤트의 부류를 결정하는 단계는,
    샘플 리스크 제어 이벤트들의 리스크 특징 정보에 기초하여 훈련을 수행함으로써 획득된 분류기를 획득하는 단계; 및
    상기 분류기 및 상기 리스크 특징 정보에 기초하여 상기 현재 리스크 제어 이벤트를 분류함으로써 상기 현재 리스크 제어 이벤트의 부류를 결정하는 단계
    를 포함하는 것인, 리스크 제어 이벤트 자동 처리 방법.
  3. 제2항에 있어서,
    상기 결정 결과에 대응하는 증거 정보를 획득하는 단계는,
    상기 리스크 특징 정보의 기여 표현 값들을 결정하는 단계; 및
    상기 기여 표현 값들 및 상기 기여 표현 값들에 대응하는 상기 리스크 특징 정보에 기초하여 상기 결정 결과에 대응하는 상기 증거 정보를 획득하는 단계
    를 포함하는 것인, 리스크 제어 이벤트 자동 처리 방법.
  4. 제3항에 있어서,
    상기 리스크 특징 정보의 기여 표현 값들을 결정하는 단계는,
    상기 리스크 특징 정보의 다음의 특정 표현 값들: 증거 중요성 표현 값, 부류 결정 기여 표현 값, 특징 차원 기여 표현 값, 또는 특징 이상 표현 값 중 적어도 하나를 결정하는 단계; 및
    결정된 특정 표현 값들에 기초하여 상기 리스크 특징 정보의 기여 표현 값들을 결정하는 단계
    를 포함하는 것인, 리스크 제어 이벤트 자동 처리 방법.
  5. 제4항에 있어서,
    상기 분류기는 결정 트리를 사용하여 분류를 수행하고, 상기 결정 트리 상의 적어도 일부 노드들은 상기 리스크 특징 정보에 대응하는 리스크 특징을 포함하는 것인, 리스크 제어 이벤트 자동 처리 방법.
  6. 제5항에 있어서,
    상기 현재 리스크 제어 이벤트의 리스크 특징 정보의 부류 결정 기여 표현 값은,
    상기 결정 트리 상의 결정 결과에 대응하는 결정 경로를 결정하는 단계; 및
    상기 결정 경로 상에 포함된 특정 노드 전후에 있는 지정된 부류의 샘플 리스크 제어 이벤트들의 밀도 변화 정보에 기초하여, 상기 현재 리스크 제어 이벤트의 리스크 특징 정보의 부류 결정 기여 표현 값을 결정하는 단계
    를 포함하는 방법으로 결정되며,
    상기 특정 노드는 상기 리스크 특징 정보에 대응하는 리스크 특징을 포함하는 것인, 리스크 제어 이벤트 자동 처리 방법.
  7. 제6항에 있어서,
    상기 결정 경로 상에 포함된 특정 노드 전후에 있는 지정된 부류의 샘플 리스크 제어 이벤트들의 밀도 변화 정보에 기초하여, 상기 현재 리스크 제어 이벤트의 리스크 특징 정보의 부류 결정 기여 표현 값을 결정하는 단계는,
    가상 샘플 리스크 제어 이벤트를 설정하는 단계; 및
    상기 결정 경로 상에 포함된 상기 특정 노드 전후에 있는 상기 지정된 부류의 샘플 리스크 제어 이벤트들 및 가상 샘플 리스크 제어 이벤트들의 밀도 변화 정보에 기초하여, 상기 현재 리스크 제어 이벤트의 리스크 특징 정보의 부류 결정 기여 표현 값을 결정하는 단계
    를 포함하는 것인, 리스크 제어 이벤트 자동 처리 방법.
  8. 제7항에 있어서,
    가상 샘플 리스크 제어 이벤트를 설정하는 단계는,
    상기 지정된 부류의 샘플 리스크 제어 이벤트들에 대해 가정된 이전 확률 분포에 기초하여, 상기 가상 샘플 리스크 제어 이벤트를 설정하는 단계를 포함하는 것인, 리스크 제어 이벤트 자동 처리 방법.
  9. 제4항에 있어서,
    상기 현재 리스크 제어 이벤트의 리스크 특징 정보의 특징 차원 기여 표현 값은,
    상기 리스크 특징 정보에 대응하는 리스크 특징에 대응하는 복수의 집합을 결정하는 단계;
    상기 리스크 특징 정보를 포함하는 집합을 상기 복수의 집합 중에서 결정하는 단계; 및
    상기 리스크 특징 정보를 포함하는 집합에 대응하는, 지정된 부류의, 샘플 리스크 제어 이벤트들의 밀도에 기초하여 상기 리스크 특징 정보의 특징 차원 기여 표현 값을 결정하는 단계
    를 포함하는 방법으로 결정되고,
    상기 리스크 특징에 대응하는 임의의 리스크 특징 정보는 상기 복수의 집합 중 적어도 하나에 속하는 것인, 리스크 제어 이벤트 자동 처리 방법.
  10. 제5항에 있어서,
    상기 현재 리스크 제어 이벤트의 리스크 특징 정보의 특징 이상 표현 값은,
    상기 결정 경로 상에 포함된 특정 노드 상의 지정된 부류의 샘플 리스크 제어 이벤트들을 결정하는 상태에 기초하여, 상기 현재 리스크 제어 이벤트의 리스크 특징 정보의 특징 이상 표현 값을 결정하는 단계를 포함하는 방법으로 결정되고, 상기 특정 노드는 상기 리스크 특징 정보에 대응하는 리스크 특징을 포함하는 것인, 리스크 제어 이벤트 자동 처리 방법.
  11. 제3항에 있어서,
    상기 결정 결과에 대응하는 증거 정보를 획득하는 단계는,
    상기 리스크 특징 정보의 상기 결정된 기여 표현 값들에 기초하여 상기 리스크 특징 정보를 랭킹하는 단계; 및
    랭킹 결과에 기초하여, 상위 N개의 기여 표현 값을 갖는 리스크 특징 정보에 대응하는 증거 정보를 획득하고, 상기 증거 정보를 상기 결정 결과에 대응하는 증거 정보로서 사용하는 단계
    를 포함하는 것인, 리스크 제어 이벤트 자동 처리 방법.
  12. 제1항에 있어서,
    상기 현재 리스크 제어 이벤트의 케이스 종결 정보를 생성하는 단계 전에, 상기 방법은,
    상기 결정 결과의 신뢰 수준을 계산하는 단계; 및
    상기 결정 결과의 신뢰 수준이 지정된 문턱값보다 작지 않은 것으로 결정하는 단계
    를 더 포함하는 것인, 리스크 제어 이벤트 자동 처리 방법.
  13. 제1항 내지 제12항 중 어느 한 항에 있어서,
    상기 현재 리스크 제어 이벤트의 부류는 케이스(case) 또는 비-케이스(non-case)인 것인, 리스크 제어 이벤트 자동 처리 방법.
  14. 리스크 제어 이벤트 자동 처리 장치에 있어서,
    현재 리스크 제어 이벤트의 각각의 리스크 특징 정보를 획득하도록 구성된 제1 취득 모듈;
    상기 리스크 특징 정보에 기초하여 상기 현재 리스크 제어 이벤트의 부류를 결정하도록 구성된 결정 모듈;
    결정 결과에 대응하는 증거 정보를 획득하도록 구성된 제2 취득 모듈; 및
    상기 결정 결과 및 상기 증거 정보에 기초하여 상기 현재 리스크 제어 이벤트의 케이스 종결 정보를 생성하도록 구성된 생성 모듈
    을 포함하는, 리스크 제어 이벤트 자동 처리 장치.
  15. 제14항에 있어서,
    상기 결정 모듈은 상기 리스크 특징 정보에 기초하여 상기 현재 리스크 제어 이벤트의 부류를 결정하고, 상기 결정하는 것은,
    상기 결정 모듈이, 샘플 리스크 제어 이벤트들의 리스크 특징 정보에 기초하여 훈련을 수행함으로써 획득된 분류기를 획득하는 것; 및
    상기 분류기 및 상기 리스크 특징 정보에 기초하여 상기 현재 리스크 제어 이벤트를 분류함으로써 상기 현재 리스크 제어 이벤트의 부류를 결정하는 것
    을 포함하는 것인, 리스크 제어 이벤트 자동 처리 장치.
  16. 제15항에 있어서,
    상기 제2 취득 모듈은 상기 결정 결과에 대응하는 증거 정보를 획득하고, 상기 획득하는 것은,
    상기 제2 취득 모듈이, 상기 리스크 특징 정보의 기여 표현 값들을 결정하는 것; 및
    상기 기여 표현 값들 및 상기 기여 표현 값들에 대응하는 상기 리스크 특징 정보에 기초하여, 상기 결정 결과에 대응하는 상기 증거 정보를 획득하는 것
    을 포함하는 것인, 리스크 제어 이벤트 자동 처리 장치.
  17. 제16항에 있어서,
    상기 제2 취득 모듈이, 상기 리스크 특징 정보의 기여 표현 값들을 결정하는 것은,
    상기 제2 취득 모듈이, 상기 리스크 특징 정보의 다음의 특정 표현 값들: 증거 중요성 표현 값, 부류 결정 기여 표현 값, 특징 차원 기여 표현 값, 또는 특징 이상 표현 값 중 적어도 하나를 결정하는 것; 및
    결정된 특정 표현 값들에 기초하여 상기 리스크 특징 정보의 기여 표현 값들을 결정하는 것
    을 포함하는 것인, 리스크 제어 이벤트 자동 처리 장치.
  18. 제17항에 있어서,
    상기 분류기는 결정 트리를 사용하여 분류를 수행하고, 상기 결정 트리 상의 적어도 일부 노드들은 상기 리스크 특징 정보에 대응하는 리스크 특징을 포함하는 것인, 리스크 제어 이벤트 자동 처리 장치.
  19. 제18항에 있어서,
    상기 제2 취득 모듈은 상기 현재 리스크 제어 이벤트의 리스크 특징 정보의 부류 결정 기여 표현 값을,
    상기 제2 취득 모듈이, 상기 결정 트리 상의 결정 결과에 대응하는 결정 경로를 결정하는 단계; 및
    상기 결정 경로 상에 포함된 특정 노드 전후에 있는 지정된 부류의 샘플 리스크 제어 이벤트들의 밀도 변화 정보에 기초하여 상기 현재 리스크 제어 이벤트의 리스크 특징 정보의 부류 결정 기여 표현 값을 결정하는 단계
    를 포함하는 방법에서 결정하고,
    상기 특정 노드는 상기 리스크 특징 정보에 대응하는 리스크 특징을 포함하는 것인, 리스크 제어 이벤트 자동 처리 장치.
  20. 제19항에 있어서,
    상기 제2 취득 모듈이, 상기 결정 경로 상에 포함된 특정 노드 전후에 있는 지정된 부류의 샘플 리스크 제어 이벤트들의 밀도 변화 정보에 기초하여, 상기 현재 리스크 제어 이벤트의 리스크 특징 정보의 부류 결정 기여 표현 값을 결정하는 단계는,
    상기 제2 취득 모듈이 가상 샘플 리스크 제어 이벤트를 설정하는 단계; 및
    상기 결정 경로 상에 포함된 상기 특정 노드 전후에 있는 상기 지정된 부류의 샘플 리스크 제어 이벤트들 및 가상 샘플 리스크 제어 이벤트들의 밀도 변화 정보에 기초하여, 상기 현재 리스크 제어 이벤트의 리스크 특징 정보의 부류 결정 기여 표현 값을 결정하는 단계
    를 포함하는 것인, 리스크 제어 이벤트 자동 처리 장치.
  21. 제20항에 있어서,
    상기 제2 취득 모듈이, 가상 샘플 리스크 제어 이벤트를 설정하는 단계는,
    상기 제2 취득 모듈이, 상기 지정된 부류의 샘플 리스크 제어 이벤트들에 대해 가정된 이전 확률 분포에 기초하여 상기 가상 샘플 리스크 제어 이벤트를 설정하는 단계를 포함하는 것인, 리스크 제어 이벤트 자동 처리 장치.
  22. 제17항에 있어서,
    상기 제2 취득 모듈은 상기 현재 리스크 제어 이벤트의 리스크 특징 정보의 특징 차원 기여 표현 값을,
    상기 제2 취득 모듈이, 상기 리스크 특징 정보에 대응하는 리스크 특징에 대응하는 복수의 집합을 결정하는 단계;
    상기 리스크 특징 정보를 포함하는 집합을 상기 복수의 집합 중에서 결정하는 단계; 및
    상기 리스크 특징 정보를 포함하는 집합에 대응하는, 지정된 부류의, 샘플 리스크 제어 이벤트들의 밀도에 기초하여 상기 리스크 특징 정보의 특징 차원 기여 표현 값을 결정하는 단계
    를 포함하는 방법에서 결정하며,
    상기 리스크 특징에 대응하는 임의의 리스크 특징 정보는 상기 복수의 집합 중 적어도 하나에 속하는 것인, 리스크 제어 이벤트 자동 처리 장치.
  23. 제18항에 있어서,
    상기 제2 취득 모듈은 상기 현재 리스크 제어 이벤트의 리스크 특징 정보의 특징 이상 표현 값을,
    상기 제2 취득 모듈이, 상기 결정 경로 상에 포함된 특정 노드 상의 지정된 부류의 샘플 리스크 제어 이벤트들을 결정하는 상태에 기초하여, 상기 현재 리스크 제어 이벤트의 리스크 특징 정보의 특징 이상 표현 값을 결정하는 단계를 포함하는 방법에서 결정하며,
    상기 특정 노드는 상기 리스크 특징 정보에 대응하는 리스크 특징을 포함하는 것인, 리스크 제어 이벤트 자동 처리 장치.
  24. 제16항에 있어서,
    상기 제2 취득 모듈은 상기 결정 결과에 대응하는 증거 정보를 획득하고, 상기 획득하는 것은,
    상기 제2 취득 모듈이, 상기 리스크 특징 정보의 상기 결정된 기여 표현 값들에 기초하여 상기 리스크 특징 정보를 랭킹하는 것; 및
    랭킹 결과에 기초하여, 상위 N개의 기여 표현 값을 갖는 리스크 특징 정보에 대응하는 증거 정보를 획득하고, 상기 증거 정보를 상기 결정 결과에 대응하는 증거 정보로서 사용하는 것
    을 포함하는 것인, 리스크 제어 이벤트 자동 처리 장치.
  25. 제14항에 있어서,
    상기 현재 리스크 제어 이벤트의 케이스 종결 정보를 생성하기 전에, 상기 생성 모듈은 상기 결정 결과의 신뢰 수준을 계산하고, 상기 결정 결과의 신뢰 수준이 지정된 문턱값보다 작지 않은 것으로 결정하는 것인, 리스크 제어 이벤트 자동 처리 장치.
  26. 제14항 내지 제25항 중 어느 한 항에 있어서,
    상기 현재 리스크 제어 이벤트의 부류는 케이스 또는 비-케이스인 것인, 리스크 제어 이벤트 자동 처리 장치.
KR1020197013394A 2017-03-09 2018-03-06 리스크 제어 이벤트 자동 처리 방법 및 장치 KR102249712B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201710136278.5A CN108596410B (zh) 2017-03-09 2017-03-09 一种风控事件自动处理方法及装置
CN201710136278.5 2017-03-09
PCT/CN2018/078164 WO2018161900A1 (zh) 2017-03-09 2018-03-06 一种风控事件自动处理方法及装置

Publications (2)

Publication Number Publication Date
KR20190075083A true KR20190075083A (ko) 2019-06-28
KR102249712B1 KR102249712B1 (ko) 2021-05-11

Family

ID=63447332

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020197013394A KR102249712B1 (ko) 2017-03-09 2018-03-06 리스크 제어 이벤트 자동 처리 방법 및 장치

Country Status (8)

Country Link
US (2) US20190279129A1 (ko)
EP (1) EP3525121A4 (ko)
JP (1) JP6869347B2 (ko)
KR (1) KR102249712B1 (ko)
CN (1) CN108596410B (ko)
PH (1) PH12019501032A1 (ko)
TW (1) TW201833851A (ko)
WO (1) WO2018161900A1 (ko)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110008986B (zh) * 2019-02-19 2023-05-12 创新先进技术有限公司 批量风险案件识别方法、装置及电子设备
CN110348806A (zh) * 2019-06-26 2019-10-18 阿里巴巴集团控股有限公司 应对突发事件的方法和装置
CN110753032B (zh) * 2019-09-24 2021-11-16 支付宝(杭州)信息技术有限公司 一种风险维度组合挖掘方法、装置及设备
CN111178452B (zh) * 2020-01-02 2020-10-13 平安科技（深圳）有限公司 驾驶风险识别方法、电子装置及可读存储介质
CN111260223A (zh) * 2020-01-17 2020-06-09 山东省计算中心（国家超级计算济南中心） 一种审判风险智能识别与预警方法、系统、介质及设备
CN111582722B (zh) * 2020-05-09 2022-06-07 拉扎斯网络科技（上海）有限公司 风险识别方法、装置、电子设备及可读存储介质
CN112116028B (zh) * 2020-09-29 2024-04-26 联想(北京)有限公司 模型决策解释实现方法、装置及计算机设备
CN113111333B (zh) * 2021-04-15 2022-03-04 广东省林业科学研究院 一种快检平台用远程交互系统
CN115170304B (zh) * 2022-06-22 2023-03-28 支付宝(杭州)信息技术有限公司 风险特征描述的提取方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030053038A (ko) * 2001-12-21 2003-06-27 에이저 시스템즈 인크 트리-타입의 지식 베이스 검색들의 룩업 성능을 개선하는방법
JP2008134958A (ja) * 2006-11-29 2008-06-12 Fujitsu Ltd イベント種類推定システム、イベント種類推定方法およびイベント種類推定プログラム
JP2009080860A (ja) * 2006-03-01 2009-04-16 Townsend Analytics Ltd リスク管理のための方法および記録媒体
JP2009531750A (ja) * 2006-03-28 2009-09-03 アリババ グループ ホールディング リミテッド オンラインビジネスにおけるリスク監視のための方法およびシステム

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001073652A1 (en) * 2000-03-24 2001-10-04 Access Business Group International Llc System and method for detecting fraudulent transactions
US8489499B2 (en) * 2010-01-13 2013-07-16 Corelogic Solutions, Llc System and method of detecting and assessing multiple types of risks related to mortgage lending
US20130185180A1 (en) * 2012-01-18 2013-07-18 Bank Of America Corporation Determining the investigation priority of potential suspicious events within a financial institution
US20140156340A1 (en) * 2012-12-03 2014-06-05 Bank Of America Corporation System and method for identifying outlier risks
US20140250011A1 (en) * 2013-03-01 2014-09-04 Lance Weber Account type detection for fraud risk
US9811830B2 (en) * 2013-07-03 2017-11-07 Google Inc. Method, medium, and system for online fraud prevention based on user physical location data
US11188916B2 (en) * 2014-03-28 2021-11-30 First Data Resources, Llc Mitigation of fraudulent transactions conducted over a network
CN104091073A (zh) * 2014-07-11 2014-10-08 中国人民解放军国防科学技术大学 虚拟资产不平衡交易数据的采样方法
CN105991609B (zh) * 2015-03-02 2019-08-23 阿里巴巴集团控股有限公司 一种风险事件确定方法及装置
CN106033515B (zh) * 2015-03-16 2018-08-31 阿里巴巴集团控股有限公司 欺诈事件的识别方法和装置
US9904916B2 (en) * 2015-07-01 2018-02-27 Klarna Ab Incremental login and authentication to user portal without username/password
US20170039637A1 (en) * 2015-08-05 2017-02-09 Telefonica Digital Espana, S.L.U. Computer-implemented method, a system and computer program products for assessing the credit worthiness of a user
CN106157132A (zh) * 2016-06-20 2016-11-23 中国工商银行股份有限公司 信用风险监控系统及方法
US10586235B2 (en) * 2016-06-22 2020-03-10 Paypal, Inc. Database optimization concepts in fast response environments

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030053038A (ko) * 2001-12-21 2003-06-27 에이저 시스템즈 인크 트리-타입의 지식 베이스 검색들의 룩업 성능을 개선하는방법
JP2009080860A (ja) * 2006-03-01 2009-04-16 Townsend Analytics Ltd リスク管理のための方法および記録媒体
JP2009531750A (ja) * 2006-03-28 2009-09-03 アリババ グループ ホールディング リミテッド オンラインビジネスにおけるリスク監視のための方法およびシステム
JP2008134958A (ja) * 2006-11-29 2008-06-12 Fujitsu Ltd イベント種類推定システム、イベント種類推定方法およびイベント種類推定プログラム

Also Published As

Publication number Publication date
US20210390471A1 (en) 2021-12-16
WO2018161900A1 (zh) 2018-09-13
CN108596410B (zh) 2021-01-22
TW201833851A (zh) 2018-09-16
KR102249712B1 (ko) 2021-05-11
EP3525121A4 (en) 2019-10-23
EP3525121A1 (en) 2019-08-14
US20190279129A1 (en) 2019-09-12
JP6869347B2 (ja) 2021-05-12
PH12019501032A1 (en) 2019-12-11
JP2020501232A (ja) 2020-01-16
CN108596410A (zh) 2018-09-28

Similar Documents

Publication Publication Date Title
KR20190075083A (ko) 리스크 제어 이벤트 자동 처리 방법 및 장치
TWI818999B (zh) 針對新場景的預測模型訓練方法及裝置
TWI718643B (zh) 異常群體識別方法及裝置
EP3754571A1 (en) Risk control rule generation method and apparatus
US11132624B2 (en) Model integration method and device
TWI696124B (zh) 模型整合方法及裝置
CN109242135B (zh) 一种模型运营方法、装置、及业务服务器
TWI769190B (zh) 風險管控方法及裝置
CN109858970A (zh) 一种用户行为预测方法、装置及存储介质
CN109242519B (zh) 一种异常行为识别方法、装置和设备
CN111967940B (zh) 一种订单量异常检测方法及装置
CN109711440A (zh) 一种数据异常检测方法和装置
CN108108866A (zh) 一种风险控制的方法及装置
CN110633989A (zh) 一种风险行为生成模型的确定方法及装置
CN110472802B (zh) 一种数据特征评估方法、装置及设备
CN109003075A (zh) 一种风险识别方法及装置
WO2021120845A1 (zh) 一种同质风险单位特征集合生成方法、装置、设备及介质
CN113849166B (zh) 智慧水环境积木式零代码开发平台
CN107622413A (zh) 一种价格敏感度计算方法、装置及其设备
CN114611850A (zh) 业务分析方法、装置及电子设备
CN115567371B (zh) 一种异常检测方法、装置、设备及可读存储介质
TW201942835A (zh) 評價商戶的經營狀況的方法、裝置及設備
CN116204838A (zh) 一种异常业务识别的方法、装置、存储介质及电子设备
CN115564450A (zh) 一种风控方法、装置、存储介质及设备
CN115456801A (zh) 个人信用的人工智能大数据风控系统、方法和存储介质

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
N231 Notification of change of applicant
E701 Decision to grant or registration of patent right
GRNT Written decision to grant