TW201833851A - 風控事件自動處理方法及裝置 - Google Patents
風控事件自動處理方法及裝置 Download PDFInfo
- Publication number
- TW201833851A TW201833851A TW106139673A TW106139673A TW201833851A TW 201833851 A TW201833851 A TW 201833851A TW 106139673 A TW106139673 A TW 106139673A TW 106139673 A TW106139673 A TW 106139673A TW 201833851 A TW201833851 A TW 201833851A
- Authority
- TW
- Taiwan
- Prior art keywords
- risk
- information
- control event
- characteristic
- category
- Prior art date
Links
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
- 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
- G06Q10/10—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)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (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
本發明實施例公開了一種風控事件自動處理方法及裝置。所述方法包括:獲取當前風控事件的各風險特徵資訊;根據所述各風險特徵資訊,判定所述當前風控事件所屬的類別;獲取所述判定的結果對應的證據資訊;根據所述判定的結果和所述證據資訊,產生所述當前風控事件的結案資訊。利用本發明實施例,可以實現風控事件的自動處理,進而有利於提高結案速度,不僅如此,由於可以自動獲取風控事件判定的結果對應的證據資訊,因此,有利於便利地核驗風控事件判定結果的可靠性。
Description
本發明涉及電腦軟體技術領域,尤其涉及一種風控事件自動處理方法及裝置。
在風控平臺上,每天都會接到很多使用者來電報案,每一次報案的內容可以視為一次風控事件。風控平臺的審理人員接手風控事件後會對其進行審理,具體地,審理人員通常根據使用者在平臺上的操作內容、環境、設備,對風控事件進行判定,比如,可以判定風控事件所屬的類別(比如,案件類別、非案件類別等,不同的風控事件所存在的風險不同,一般可以將風險高到一定程度的風險事件稱為案件,則其他的風險事件可以稱為非案件)等,必要時還會與使用者進行溝通確認,最終會產生一份該風控事件的結案資訊,以對該風控事件結案。 但是,目前審理人員是以人工分析的方式進行風控事件判定,結案效率低下,不僅如此,風控事件判定結果的可靠性也難以核驗。
本發明實施例提供一種風控事件自動處理方法及裝置,用以解決現有技術中的如下技術問題:安全風控平臺的審理人員是以人工分析的方式進行風控事件判定,結案效率低下,不僅如此,風控事件判定結果的可靠性也難以核驗。 為解決上述技術問題,本發明實施例是這樣實現的: 本發明實施例提供的一種風控事件自動處理方法,包括: 獲取當前風控事件的各風險特徵資訊; 根據所述各風險特徵資訊,判定所述當前風控事件所屬的類別; 獲取所述判定的結果對應的證據資訊; 根據所述判定的結果和所述證據資訊,產生所述當前風控事件的結案資訊。 本發明實施例提供的一種風控事件自動處理裝置,包括: 第一獲取模組,獲取當前風控事件的各風險特徵資訊; 判定模組,根據所述各風險特徵資訊,判定所述當前風控事件所屬的類別; 第二獲取模組,獲取所述判定的結果對應的證據資訊; 產生模組,根據所述判定的結果和所述證據資訊,產生所述當前風控事件的結案資訊。 本發明實施例採用的上述至少一個技術方案能夠達到以下有益效果:可以實現對風控事件的自動處理,進而有利於提高結案速度,不僅如此,由於可以自動獲取風控事件判定的結果對應的證據資訊,因此,有利於便利地核驗風控事件判定結果的可靠性,可以部分或全部地解決現有技術中的問題。
本發明實施例提供一種風控事件自動處理方法及裝置。 為了使本技術領域的人員更好地理解本發明中的技術方案,下面將結合本發明實施例中的圖式,對本發明實施例中的技術方案進行清楚、完整地描述,顯然,所描述的實施例僅僅是本發明一部分實施例,而不是全部的實施例。基於本發明中的實施例,本領域具有通常知識者在沒有作出創造性勞動前提下所獲得的所有其他實施例,都應當屬於本發明保護的範圍。 圖1為本發明實施例提供的一種風控事件自動處理方法的流程示意圖。從程式角度而言,該流程的執行主體可以是應用程式(APP)或個人電腦(PC)端程式等。從設備角度而言,該流程的執行主體可以包括但不限於以下設備:個人電腦、大中型電腦、電腦集群、手機、平板電腦、智慧型可穿戴設備、車機等。 圖1中的流程可以包括以下步驟: S101:獲取當前風控事件的各風險特徵資訊。 在本發明實施例中,風控事件可以藉由使用者報案得到,也可以藉由主動對某項業務進行監控得到。 以網購業務為例,當使用者覺得自己的某筆網購交易存在問題時,可以針對該筆網購交易,向相應的風控平臺報案,則該筆網購交易成為一個風控事件;當然,風控平臺也可以主動監控使用者的每筆網購交易,則每筆網購交易都成為一個風控事件。 在本發明實施例中,風險特徵資訊可以用於度量風險事件所存在的風險,因此,可以將風險特徵資訊作為對風險事件進行判定的依據。 風險特徵資訊對應的風險特徵可以基於業務預先設計。仍以網購業務為例,風險特徵比如可以是:使用者之間的歷史交易次數、使用者交易時的所在地理位置、使用者交易時所使用的設備等。在實際應用中,風險特徵資訊可以是其所對應的風險特徵的具體取值,或者可用於確定所述具體取值的資訊等。 在實際應用中,可以按照特定要求設計所使用的風險特徵,以提高本發明的方案的效果。列舉3個可能的對風險特徵的特定要求如下: “可判定”要求:即風險特徵適合用於案件判定,其與案件風險類型相關。比如“使用者之間的歷史交易次數”,當該值很大時,意味著使用者與交易對方較為熟悉,風險低,不太可能是案件;反之則風險較高,更有可能是案件。 “可理解”要求:即風險特徵的含義易於理解。比如“使用者之間的歷史交易次數”有著非常明確的含義。 “可取證”要求:即風險特徵可以對應到明確的證據資訊,且該證據資訊易於獲取。比如“使用者之間的歷史交易次數”,可以明確且容易地獲取到對應的每筆歷史交易的資訊,作為對應的證據資訊。 S102:根據所述各風險特徵資訊,判定所述當前風控事件所屬的類別。 在本發明實施例中,不同的風控事件所存在的風險不同,一般可以將風險高到一定程度的風險事件稱為案件,則其他的風險事件可以稱為非案件。基於這種前提,風控事件所屬的類別可以是:案件類別或者非案件類別。 進一步地,案件類別或者非案件類別還可以進一步地細分,比如,案件類別可以細分為“設備丟失-案件”、“帳號被盜-案件”類別;非案件類別可以細分為“熟人代使用者操作-非案件”類別、“使用者自己操作-非案件”類別等。 需要說明的是,按照是否是案件來劃分風險事件僅是一種劃分方式示例。也有其他的劃分方式,比如,可以設定多個不同的風險等級類別,每個風控事件會被劃分至各風險等級類別中的至少一個風險等級類別中,等等。 S103:獲取所述判定的結果對應的證據資訊。 在本發明實施例中,證據資訊可以根據判定的過程獲得,也可以根據各風險特徵資訊獲得。證據資訊比如可以是:判定的過程的明細資訊,風險特徵資訊的明細資訊等。假定某風險特徵資訊為:使用者之間的歷史交易次數為5次;則該風險特徵資訊的明細資訊可以為:這5次交易的交易記錄詳情等。 若有需要,可以根據證據資訊核驗對應的風控事件判定結果的可靠性。 S104:根據所述判定的結果和所述證據資訊,產生所述當前風控事件的結案資訊。 在本發明實施例中,除了產生結案資訊以外,還可以根據判定的結果,針對當前風控事件執行應對措施。比如,若判定當前風控事件屬於案件類別,則可以針對當前風控事件,執行諸如封禁交易帳號、拒絕交易繼續進行等應對措施,以保護交易安全。 藉由圖1的方法,可以實現風控事件的自動處理,進而有利於提高結案速度,不僅如此,由於可以自動獲取風控事件判定的結果對應的證據資訊,因此,有利於便利地核驗風控事件判定結果的可靠性。 基於圖1的方法,本發明實施例還提供了該方法的一些具體實施方案,以及擴展方案,下面進行說明。 在本發明實施例中,對步驟S102,所述根據所述各風險特徵資訊,判定所述當前風控事件所屬的類別,具體可以包括:獲得根據樣本風控事件的風險特徵資訊訓練得到的分類器;藉由根據所述分類器以及所述各風險特徵資訊對所述當前風控事件進行分類,判定所述當前風控事件所屬的類別。 分類器的實現方式有多種,比如,可以基於決策樹實現分類器,可以基於神經網路實現分類器等。上述的分類器通常是基於多個樣本風控事件預先訓練得到的。 當然,要判定當前風控事件所屬的類別,也未必要依靠上述的分類器。比如,可以預先設定風險特徵資訊黑名單,然後,將當前風控事件的各風險特徵資訊與該黑名單進行匹配,若匹配成功,則直接判定當前風控事件屬於案件類別,等等。 在本發明實施例中,如前所述,可以根據各風險特徵資訊獲得判定的結果對應的證據資訊。在這種情況下,不同的風險特徵資訊往往對應於不同的證據資訊,當風險特徵較少時,可以不加選擇地獲取當前風險事件所有的風險特徵資訊所對應的證據資訊,而當風險特徵較多時,這樣未必合適,因為會耗費較多的處理資源和時間,從而提升了成本。 考慮到這樣的問題,可以有選擇地只獲取部分相對重要的風險特徵資訊所對應的證據資訊。比如,在本發明實施例中,可以採用貢獻表徵值來度量風險特徵資訊的重要性,那麼,對於步驟S103,所述獲取所述判定的結果對應的證據資訊,具體可以包括:確定所述各風險特徵資訊的貢獻表徵值;根據所述貢獻表徵值及其對應的風險特徵資訊,獲取所述判定的結果對應的證據資訊。 進一步地,沿用上例,可以藉由基於貢獻表徵值排序,或者與將貢獻表徵值與設定閾值比較等方式,確定所述部分相對比較重要的風險特徵資訊。 以基於貢獻表徵值排序的方式為例,所述獲取所述判定的結果對應的證據資訊,具體可以包括:根據確定的所述各風險特徵資訊的貢獻表徵值,對所述各風險特徵資訊進行排序;根據所述排序的結果,獲取貢獻表徵值前N大的風險特徵資訊對應的證據資訊,作為所述判定的結果對應的證據資訊,其中,N為不小於1的整數。 按照上面的思路,可以將圖1中的流程進行擴展,得到更詳細的一種流程,如圖2所示。 圖2為本發明實施例提供的對應於圖1的一種擴展流程示意圖。 圖2中的流程可以包括以下步驟: 獲取當前風控事件的各風險特徵資訊; 根據所述各風險特徵資訊,判定所述當前風控事件所屬的類別; 確定所述各風險特徵資訊的貢獻表徵值; 根據所述貢獻表徵值,對所述各風險特徵資訊進行排序; 根據所述排序的結果,獲取貢獻表徵值前N大的風險特徵資訊對應的證據資訊,作為所述判定的結果對應的證據資訊; 根據所述判定的結果和所述證據資訊,產生所述當前風控事件的結案資訊。 圖2中的流程相比於圖1中的流程,重點在於風險特徵資訊的貢獻表徵值的確定,下面對此進行詳細說明。 在本發明實施例中,可以基於一方面或多方面的因素,確定風險特徵資訊的貢獻表徵值。下面列出幾種因素作為示例: 第一,證據重要性。如前所述,在判定風控事件所述的類別後,還要獲取證據資訊,也即,還需要舉證。證據重要性可以反映風險特徵資訊所對應的證據資訊的重要性。 第二,類別判定貢獻。類別判定貢獻可以反映風險特徵資訊在判定風控事件所屬類別的過程中的貢獻。 第三,特徵維度貢獻。特徵維度貢獻可以反映風險特徵資訊對應的風險特徵對判定風控事件所屬類別的結果的貢獻,該貢獻可以不依賴於判定的過程。 第四,特徵異常性。特徵維度貢獻可以反映風險特徵資訊的異常性。比如,可以是風險特徵資訊偏離判定的過程中所使用的標準值的程度等,其中,所述標準值用於與風險特徵資訊進行比較,以確定如何選擇判定的過程中的分支。 上面的因素也可以用相應的表徵值進行表示,從而便於運算。則以上述4種因素為例,所述確定所述各風險特徵資訊的貢獻表徵值,具體可以包括:確定所述各風險特徵資訊的以下至少一種特定表徵值:證據重要性表徵值、類別判定貢獻表徵值、特徵維度貢獻表徵值、特徵異常性表徵值;根據確定出的各特定表徵值,確定所述各風險特徵資訊的貢獻表徵值。 另外,對於風險特徵資訊已確定的風控事件而言,該風控事件的風險特徵資訊的貢獻表徵值即為:該風險特徵資訊對應的風險特徵的貢獻表徵值。原因在於:此時該風控事件的風險特徵並不是變量,而就是該風險特徵資訊本身。 為了便於理解,基於一種實際應用場景,對確定上述各表徵值可採用的一種方案進行說明。 在該場景下,上述分類器是藉由決策樹進行分類的,也即,在步驟S102中,基於該決策樹來判定當前風控事件所屬的類別。其中,所述決策樹的至少部分節點包含所述各風險特徵資訊對應的風險特徵。 圖3為本發明實施例提供的一種上述決策樹的示意圖。在圖3中,決策樹中包含有5個節點,每個節點包含一個風險特徵及對應於該風險特徵的標準值,決策樹的葉節點分為類別1、類別2兩種節點,輸入決策樹的資訊一般會被判定屬於類別1或者屬於類別2,對於步驟S102,可以將獲取的當前風控事件的各風險特徵資訊輸入決策樹,以判定當前風控事件所屬的類別。 以節點1為例,節點1中的“”表示:節點1包含的風險特徵記作,對應的標準值為1;當輸入的的風險特徵資訊不大於1時,選擇節點1的左分支,也即,下一個節點是節點2;當輸入的的風險特徵資訊大於1時,選擇節點1的右分支,也即,下一個節點是節點3。 為了便於描述,將證據重要性表徵值記作,將類別判定貢獻表徵值記作,將特徵維度貢獻表徵值記作,將特徵異常性表徵值記作,其中,表示風險特徵,對於某個風險事件而言,也可以表示該風險特徵對應的風險特徵資訊。分別對這幾種表徵值的至少一種確定方式進行說明。 一、對於證據重要性表徵值。一般可以基於先驗的領域知識確定,可以讓領域專家給出每個風險特徵對於後續舉證的重要性。比如,可以定義,若風險特徵對於後續舉證的重要性越大,可以相應地將確定為取值區間中越大的值。 二、對於類別判定貢獻表徵值。可以按照如下方式,確定所述當前風控事件的風險特徵資訊的類別判定貢獻表徵值:在所述決策樹上,確定所述判定的結果對應的判決路徑;根據在所述判決路徑中包含的特定節點前後,屬於指定類別的樣本風控事件的濃度變化資訊,確定所述當前風控事件的風險特徵資訊的類別判定貢獻表徵值,所述特定節點包含該風險特徵資訊對應的風險特徵。 結合圖3,假定類別1為案件類別,類別2為非案件類別,則上述的指定類別一般可以是案件類別,屬於指定類別的樣本風控事件的濃度變化資訊即為:案件濃度變化資訊。 案件濃度比如可以是案件比例等資料,以案件比例為例,假定節點2處於判決路徑上,在節點2過濾前,樣本風控事件的案件比例為十分之一,而在經過節點2過濾後,樣本風控事件的案件比例提升到二分之一,而從十分之一到二分之一的提升即可作為上述的濃度變化資訊。 在經過判決路徑上包含的某個節點後,案件濃度提升的程度可以反映該節點中包含的風險特徵的對於分類判決的貢獻程度。對於任意風險特徵,根據判決路徑上所包含的全部節點中,該風險特徵分別在包含該風險特徵的至少部分節點處的對於分類的貢獻,可以確定該風險特徵對於分類的貢獻。具體如何確定可以有多種方式,比如,可以累加或加權相加該風險特徵分別在包含該風險特徵的至少部分節點處的對於分類的貢獻等。 為了便於理解,用公式進行說明。 對於決策樹上的節點,假定節點包含有風險特徵,且節點包含在判決路徑中,類別有兩種,分別用和表示,則風險特徵在節點處對於分類的貢獻為:其中,是節點的上游節點包含的風險特徵集合,為當前風控事件的分類結果,為經過上游節點過濾後進入節點的各樣本風控事件中指定類別的風控事件(比如,案件)的比例,為經過節點過濾後的各樣本風控事件中指定類別的風控事件(比如,案件)的比例。 進一步地,可以累加判決路徑上的各節點對應的貢獻得到: 對於風險特徵,類別判定貢獻表徵值具體可以為:其中,是在決策樹上的經歷的判決路徑,對於在判決路徑上的節點,其包含的的標準值為。 圖4為本發明實施例提供的在圖3的決策樹中的一種判決路徑示意圖。 在圖4中,對於,經歷的判決路徑為:的各風險特徵資訊輸入到節點1,由節點1到節點2,由節點2到節點4,由節點4到類別2對應的葉節點。則根據公式2,風險特徵的類別判定貢獻表徵值為:,即為的各風險特徵資訊中對應於風險特徵的風險特徵資訊的類別判定貢獻表徵值;風險特徵的類別判定貢獻表徵值為:,即為的各風險特徵資訊中對應於風險特徵的風險特徵資訊的類別判定貢獻表徵值;而風險特徵、對於的類別判定無貢獻。 進一步地,在實際應用中,對於步驟S102,判定當前風控事件所屬的類別時所基於的決策樹可能有多棵,比如,隨機森林等。對於這種情況,可以分別針對每棵決策樹分別確定類別判定貢獻,再相加或者取平均值,作為類別判定貢獻表徵值。 以取平均值為例,可以對公式2進行擴展,得到:其中,為用於類別判決的隨機森林,為中的決策樹,為按照公式2計算的對應於決策樹的類別判定貢獻表徵值。 更進一步地,在實際應用中,對於決策樹,接近葉節點時,樣本風控事件的數量會逐漸減少,由此可能導致概率估計不準確,進而影響確定出的類別判定貢獻表徵值的可靠性。對於該問題,本發明的方案也提供的應對措施,比如,可以藉由設置虛擬樣本風控事件,使得樣本數量可以維持在一個相對好的水平。 具體地,所述根據在所述判決路徑中包含的特定節點前後,屬於指定類別的樣本風控事件的濃度變化資訊,確定所述當前風控事件的風險特徵資訊的類別判定貢獻表徵值,可以包括:設置虛擬樣本風控事件;根據在所述判決路徑中包含的特定節點前後,屬於指定類別的樣本風控事件和虛擬樣本風控事件的濃度變化資訊,確定所述當前風控事件的風險特徵資訊的類別判定貢獻表徵值。 虛擬樣本風控事件的具體設置方式可以有多種,比如,可以按照先驗的概率分佈設置,也可以隨機設置等。以前一種方式為例,所述設置虛擬樣本,具體可以包括:根據為所述屬於指定類別的樣本風控事件所假設的先驗的概率分佈,設置虛擬樣本。 例如,假定指定類別的樣本風控事件為案件,假設案件概率服從先驗Beta分佈:其中,的均值為,變異量數為。假定觀測了個樣本風控事件,其中,案件有個,則案件概率的後驗分佈為Beta分佈,參數為:,; 均值為:由此可以,藉由假定的先驗Beta分佈,相當於設置了個虛擬樣本事件,其中,案件有個。為了提高可靠性,在實際應用中,設置虛擬樣本事件中的案件比例可以與實際的樣本事件的案件比例相同,假定共設置虛擬樣本事件個,則:三、對於特徵維度貢獻表徵值。沿用圖3的例子進行說明,如上所述,上面的一般是藉由決策樹中判決路徑中的包含風險特徵的節點過濾樣本風險事件後,案件濃度的提升來度量風險特徵的貢獻的,這本質上是依賴決策樹中的路徑的度量方式。進一步地,也可以不依賴於決策樹中的路徑,對風險特徵的貢獻進行度量,比如,用度量。 具體地,可以按照如下方式,確定所述當前風控事件的風險特徵資訊的特徵維度貢獻表徵值:確定該風險特徵資訊對應的風險特徵所對應的多個集合;確定該風險特徵資訊在所述多個集合中所屬的集合;根據所述所屬的集合對應的屬於指定類別的樣本風控事件的濃度,確定該風險特徵資訊的特徵維度貢獻表徵值;其中,所述風險特徵對應的任意風險特徵資訊屬於所述多個集合中的至少一個集合。 在實際應用中,風險特徵可能是數值型變量,也可能是非數值型變量;相應地,風險特徵資訊可能為數值,也可能是非數值。 當風險特徵為數值型變量時,所述多個集合具體可以是由風險特徵的取值範圍劃分出的多個數值區間,每個集合為其中一個數值區間。 比如,當風險特徵為數值型變量時,針對風險特徵劃分出的數值區間記作,可以將當前風險事件在所屬數值區間中案件濃度提升的程度,作為風險特徵的特徵維度貢獻表徵值,也即:其中,為的對應於風險特徵的風險特徵資訊,在這裡為數值,為在所屬數值區間中的案件比例,為全區間中的案件比例。 數值區間劃分可以基於量化演算法實現,量化演算法可以有多種,比如,均勻區間劃分,單變量決策樹等。 當風險特徵為非數值型變量時,所述多個集合具體可以是由風險特徵對應的各非數值型變量值劃分出的多個非數值型變量值集合,每個集合為其中一個非數值型變量值集合。其中,非數值型變量可以是Categorical(類別)變量、字串變量等。 又比如,當風險特徵為Categorical(類別)變量時,可以看取值上的條件概率,根據該條件概率計算特徵維度貢獻表徵值,其中,該條件概率可以根據上述的案件濃度計算。也即:。 四、對於特徵異常性表徵值。根據上面的說明可知,在確定類別判定貢獻表徵值時,只要落在決策樹的同一個節點下的同一分支,則在該節點處的都是相同的。然而,應當考慮:比如,對於若某節點為時,則和的貢獻顯然是不一樣的。正是針對這種情況的貢獻度量因素,可以用來調整。 在本發明實施例中,可以按照如下方式,確定所述當前風控事件的風險特徵資訊的特徵異常性表徵值:根據在所述判決路徑的中包含的特定節點處,對屬於指定類別的樣本風控事件的判定情況,確定所述當前風控事件的風險特徵資訊的特徵異常性表徵值,所述特定節點包含該風險特徵資訊對應的風險特徵。 進一步地,上一段中的方式有多種具體實現方案。比如,可以基於後驗概率確定特徵異常性表徵值:其中,是判決路徑上風險特徵所決定的空間,以圖3中的判決路徑為例,。另外,公式7的一個好處在於,讓,從而使得與在同一量級。 在實際應用中,特徵異常性表徵值不僅可以用於調整,也可以用於調整,為了區分,將用於調整的特徵異常性表徵值記作。 可以按照類似的方式計算:上面分別對列舉幾種可用於確定風險特徵資訊的貢獻表徵值的因素進行了詳細說明。基於確定各因素的表徵值,可以採用多種方式確定風險特徵資訊的貢獻表徵值。列舉兩類方式:基於啟發式的設計、基於標注樣本的機器學習。分別對這兩類方式進行說明。 基於啟發式設計。可以藉由設計合適的公式,把上述各因素的表徵值綜合計算得到風險特徵資訊的貢獻表徵值。比如:其中,為可調的權重係數。 基於標注樣本的機器學習。這種方式主要包括兩大步驟: 1、標注樣本獲取;可以採樣一些案件和非案件,由專家對這些樣本的風險特徵的相關性或樣本之間的相關性進行評級。這樣就獲得了一個標注資料集,其包含樣本的風險特徵,以及相關性標籤。 學習方法:當擁有標注資料集,對於樣本及其風險特徵,可以根據上述各因素的表徵值,構成一個描述向量:。這是一個典型的排序學習(learning-to-rank)的問題,可以藉由適當的排序模型,比如rank-SVM來擬合標注,從而獲得對應的風險特徵資訊的貢獻表徵值。 進一步地,對於步驟S103,獲取所述判定的結果對應的證據資訊,具體可以包括:根據確定的所述各風險特徵資訊的貢獻表徵值,對所述各風險特徵資訊進行排序;根據所述排序的結果,獲取貢獻表徵值前N大的風險特徵資訊對應的證據資訊,作為所述判定的結果對應的證據資訊。或者,也可以不排序,而是預先設定貢獻表徵值的閾值,獲取貢獻表徵值不小於該閾值的風險特徵資訊對應的證據資訊,作為所述判定的結果對應的證據資訊。 在實際應用中,在獲取到證據資訊後,可以基於一定的格式模板處理證據資訊,以作為最終產生的結案資訊的一部分。本發明對所述格式模板並不做限定,可以是文本格式模板,也可以是表格資料格式模板或圖資料格式模板等。 在本發明實施例中,在基於決策樹判定當前風控事件所屬的類別的情況下,還有相應的方案可以計算判定的結果的置信度。 若判定的結果的置信度較低,則基於判定的結果的各後續步驟的可靠性也難以保證。因此,可能需要調整相關的參數後,再重新判定當前風控事件所屬的類別,直至判定的結果的置信度達到較高的程度;或者,轉為採用人工方式判定當前風控事件所屬的類別。其中,置信度具體需要達到多高程度可以用設定閾值預先定義。 根據上一段中的分析,對於步驟S104,所述產生所述當前風控事件的結案資訊前,還可以執行:計算所述判定的結果的置信度;確定所述判定的結果的置信度不小於設定閾值。 計算置信度的方案有多種。比如,針對當前風控事件在判決路徑上落到的葉節點,確定落到該葉節點的各樣本風控事件被正確分類的後驗概率,作為置信度;又比如,對於隨機森林,計算當前風控事件在該隨機森林中各決策樹中的判定的結果中,數量最多結果所占比例,作為置信度;等等。 在本發明實施例中,對於步驟S104,結案資訊可以包含判定的結果和證據資訊,還可以包含置信度等其他的相關資訊。一般地,可以按照預設的結案資訊模板,對判定的結果、證據資訊等資訊進行拼裝,從而產生結案資訊,結案資訊模板可以根據具體的應用場景定義,本發明不做限定。 更直觀地,本發明實施例還提供了按照上述風險控制事件自動處理方法所產生的結案資訊與現有技術中的結案資訊的對比示意圖,如圖5所示。 圖5中包含兩個子圖:“現有技術人工處理”和“本發明的方案 自動處理”。 在圖5中的上側,可以看到,在現有技術中,由於是人工處理,所以結案資訊比較簡單,主要是對當前風控事件“某使用者在2015-06-18 10:48:09 購買裙子”進行了簡單說明,以及給出了判定結果“非案件”,結案資訊中包含的資訊較少。 在圖5中的下側,可以看到,基於本發明的方案,產生了一份比較詳細的結案資訊,結案資訊中包括:任務備註、模型分值、結案證詞這三部分。 “任務備註”描述了當前風控事件的詳細資訊,比如,使用者手機號碼、使用者性別、使用者郵箱、與使用者直接溝通獲取的一些場景資訊(如家人朋友都未使用等)、涉及的理財產品和銀行卡號、銀行卡的開戶所在地、銀行卡的狀態等。 “模型分值”描述了在實施本發明的方案時所使用的一些模型的分值,該分值一定程度上可以度量模型的功能或性能。所述模型比如可以是用於分類器模型、用於確定貢獻度表徵值的模型、用於獲取證據資訊的模型等。 “結案證詞”描述了對當前風控事件判定的結果及其置信度,判定所涉及的部分風險特徵資訊及其貢獻表徵值和對應的證據資訊等。 具體地,當前風控事件被判定為屬於非案件類別,置信度為0.973。判定所使用的風險特徵資訊包括“設備可信程度”、“城市可信程度”等。以“設備可信程度”為例,其貢獻表徵值可以為證據權重0.653,對應的證據資訊為“歷史交易13天,累計交易10筆 2461.6元(最後一筆交易:沙特代購正品手錶xxxx)”,該證據資訊表明在使用者的當前設備上歷史交易數量較多,由此可以推測當前設備是該使用者的常用設備,因此,有較大概率是可信設備。 基於圖5中對現有技術和本發明的方案的對比,可以看出:本發明的方案可以節省人力,加快對風控事件的處理速度;有利於更全面地考慮多種風險特徵資訊,以對風控事件進行判定;而且,可以便利地給出用於支持判定的結果的各證據資訊,有利於風控事件判定的結果的可靠性。 上面為本發明實施例提供的一種風控事件自動處理方法,基於同樣的發明思路,本發明實施例還提供了對應的裝置,如圖6所示。 圖6為本發明實施例提供的對應於圖1的一種風控事件自動處理裝置的結構示意圖,該裝置可以位於圖1中流程的執行主體,包括: 第一獲取模組601,獲取當前風控事件的各風險特徵資訊; 判定模組602,根據所述各風險特徵資訊,判定所述當前風控事件所屬的類別; 第二獲取模組603,獲取所述判定的結果對應的證據資訊; 產生模組604,根據所述判定的結果和所述證據資訊,產生所述當前風控事件的結案資訊。 可選地,所述判定模組602根據所述各風險特徵資訊,判定所述當前風控事件所屬的類別,具體包括: 所述判定模組602獲得根據樣本風控事件的風險特徵資訊訓練得到的分類器,藉由根據所述分類器以及所述各風險特徵資訊對所述當前風控事件進行分類,判定所述當前風控事件所屬的類別。 可選地,所述第二獲取模組603獲取所述判定的結果對應的證據資訊,具體包括: 所述第二獲取模組603確定所述各風險特徵資訊的貢獻表徵值,根據所述貢獻表徵值及其對應的風險特徵資訊,獲取所述判定的結果對應的證據資訊。 可選地,所述第二獲取模組603確定所述各風險特徵資訊的貢獻表徵值,具體包括: 所述第二獲取模組603確定所述各風險特徵資訊的以下至少一種特定表徵值: 證據重要性表徵值、類別判定貢獻表徵值、特徵維度貢獻表徵值、特徵異常性表徵值; 根據確定出的各特定表徵值,確定所述各風險特徵資訊的貢獻表徵值。 可選地,所述分類器是藉由決策樹進行分類的,所述決策樹的至少部分節點包含所述各風險特徵資訊對應的風險特徵。 可選地,所述第二獲取模組603按照如下方式,確定所述當前風控事件的風險特徵資訊的類別判定貢獻表徵值: 所述第二獲取模組603在所述決策樹上,確定所述判定的結果對應的判決路徑,根據在所述判決路徑中包含的特定節點前後,屬於指定類別的樣本風控事件的濃度變化資訊,確定所述當前風控事件的風險特徵資訊的類別判定貢獻表徵值,所述特定節點包含該風險特徵資訊對應的風險特徵。 可選地,所述第二獲取模組603根據在所述判決路徑中包含的特定節點前後,屬於指定類別的樣本風控事件的濃度變化資訊,確定所述當前風控事件的風險特徵資訊的類別判定貢獻表徵值,具體包括: 所述第二獲取模組603設置虛擬樣本風控事件,根據在所述判決路徑中包含的特定節點前後,屬於指定類別的樣本風控事件和虛擬樣本風控事件的濃度變化資訊,確定所述當前風控事件的風險特徵資訊的類別判定貢獻表徵值。 可選地,所述第二獲取模組603設置虛擬樣本,具體包括: 所述第二獲取模組603根據為所述屬於指定類別的樣本風控事件所假設的先驗的概率分佈,設置虛擬樣本。 可選地,所述第二獲取模組603按照如下方式,確定所述當前風控事件的風險特徵資訊的特徵維度貢獻表徵值: 所述第二獲取模組603確定該風險特徵資訊對應的風險特徵所對應的多個集合,確定該風險特徵資訊在所述多個集合中所屬的集合,根據所述所屬的集合對應的屬於指定類別的樣本風控事件的濃度,確定該風險特徵資訊的特徵維度貢獻表徵值,其中,所述風險特徵對應的任意風險特徵資訊屬於所述多個集合中的至少一個集合。 可選地,所述第二獲取模組603按照如下方式,確定所述當前風控事件的風險特徵資訊的特徵異常性表徵值: 所述第二獲取模組603根據在所述判決路徑的中包含的特定節點處,對屬於指定類別的樣本風控事件的判定情況,確定所述當前風控事件的風險特徵資訊的特徵異常性表徵值,所述特定節點包含該風險特徵資訊對應的風險特徵。 可選地,所述第二獲取模組603獲取所述判定的結果對應的證據資訊,具體包括: 所述第二獲取模組603根據確定的所述各風險特徵資訊的貢獻表徵值,對所述各風險特徵資訊進行排序,根據所述排序的結果,獲取貢獻表徵值前N大的風險特徵資訊對應的證據資訊,作為所述判定的結果對應的證據資訊。 可選地,所述產生模組604產生所述當前風控事件的結案資訊前,計算所述判定的結果的置信度,確定所述判定的結果的置信度不小於設定閾值。 可選地,所述當前風控事件所屬的類別為案件類別或者非案件類別。 本發明實施例提供的裝置與方法是一一對應的,因此,裝置也具有與其對應的方法類似的有益技術效果,由於上面已經對方法的有益技術效果進行了詳細說明,因此,這裡不再贅述對應裝置的有益技術效果。 在20世紀90年代,對於一個技術的改進可以很明顯地區分是硬體上的改進(例如,對二極體、電晶體、開關等電路結構的改進)還是軟體上的改進(對於方法流程的改進)。然而,隨著技術的發展,當今的很多方法流程的改進已經可以視為硬體電路結構的直接改進。設計人員幾乎都藉由將改進的方法流程編程到硬體電路中來得到相應的硬體電路結構。因此,不能說一個方法流程的改進就不能用硬體實體模組來實現。例如,可程式化邏輯裝置(Programmable Logic Device, PLD)(例如現場可程式化閘陣列(Field Programmable Gate Array,FPGA))就是這樣一種集成電路,其邏輯功能由使用者對裝置編程來確定。由設計人員自行編程來把一個數位系統“集成”在一片PLD上,而不需要請晶片製造廠商來設計和製作專用的集成電路晶片。而且,如今,取代手工地製作集成電路晶片,這種編程也多半改用“邏輯編譯器(logic compiler)”軟體來實現,它與程式開發撰寫時所用的軟體編譯器相類似,而要編譯之前的原始碼也得用特定的編程語言來撰寫,此稱之為硬體描述語言(Hardware Description Language,HDL),而HDL也並非僅有一種,而是有許多種,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby Hardware Description Language)等,目前最普遍使用的是VHDL(Very-High-Speed Integrated Circuit Hardware Description Language)與Verilog。本領域技術人員也應該清楚,只需要將方法流程用上述幾種硬體描述語言稍作邏輯編程並編程到集成電路中,就可以很容易得到實現該邏輯方法流程的硬體電路。 控制器可以按任何適當的方式實現,例如,控制器可以採取例如微處理器或處理器以及儲存可由該(微)處理器執行的電腦可讀程式碼(例如軟體或韌體)的電腦可讀媒體、邏輯閘、開關、專用集成電路(Application Specific Integrated Circuit,ASIC)、可程式化邏輯控制器和嵌入微控制器的形式,控制器的例子包括但不限於以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,記憶體控制器還可以被實現為記憶體的控制邏輯的一部分。本領域技術人員也知道,除了以純電腦可讀程式碼方式實現控制器以外,完全可以藉由將方法步驟進行邏輯編程來使得控制器以邏輯閘、開關、專用集成電路、可程式化邏輯控制器和嵌入微控制器等的形式來實現相同功能。因此這種控制器可以被認為是一種硬體部件,而對其內包括的用於實現各種功能的裝置也可以視為硬體部件內的結構。或者甚至,可以將用於實現各種功能的裝置視為既可以是實現方法的軟體模組又可以是硬體部件內的結構。 上述實施例闡明的系統、裝置、模組或單元,具體可以由電腦晶片或實體實現,或者由具有某種功能的產品來實現。一種典型的實現設備為電腦。具體的,電腦例如可以為個人電腦、膝上型電腦、蜂窩電話、相機電話、智慧型電話、個人數位助理、媒體播放器、導航設備、電子郵件設備、遊戲控制台、平板電腦、可穿戴設備或者這些設備中的任何設備的組合。 為了描述的方便,描述以上裝置時以功能分為各種單元分別描述。當然,在實施本發明時可以把各單元的功能在同一個或多個軟體和/或硬體中實現。 本領域內的技術人員應明白,本發明的實施例可提供為方法、系統、或電腦程式產品。因此,本發明可採用完全硬體實施例、完全軟體實施例、或結合軟體和硬體方面的實施例的形式。而且,本發明可採用在一個或多個其中包含有電腦可用程式碼的電腦可用儲存媒體(包括但不限於磁碟記憶體、CD-ROM、光學記憶體等)上實施的電腦程式產品的形式。 本發明是參照根據本發明實施例的方法、設備(系統)、和電腦程式產品的流程圖和/或方塊圖來描述的。應理解可由電腦程式指令實現流程圖和/或方塊圖中的每一流程和/或方塊、以及流程圖和/或方塊圖中的流程和/或方塊的結合。可提供這些電腦程式指令到通用電腦、專用電腦、嵌入式處理機或其他可程式化資料處理設備的處理器以產生一個機器,使得藉由電腦或其他可程式化資料處理設備的處理器執行的指令產生用於實現在流程圖一個流程或多個流程和/或方塊圖一個方塊或多個方塊中指定的功能的裝置。 這些電腦程式指令也可儲存在能引導電腦或其他可程式化資料處理設備以特定方式工作的電腦可讀記憶體中,使得儲存在該電腦可讀記憶體中的指令產生包括指令裝置的製造品,該指令裝置實現在流程圖一個流程或多個流程和/或方塊圖一個方塊或多個方塊中指定的功能。 這些電腦程式指令也可裝載到電腦或其他可程式化資料處理設備上,使得在電腦或其他可程式化設備上執行一系列操作步驟以產生電腦實現的處理,從而在電腦或其他可程式化設備上執行的指令提供用於實現在流程圖一個流程或多個流程和/或方塊圖一個方塊或多個方塊中指定的功能的步驟。 在一個典型的配置中,計算設備包括一個或多個處理器(CPU)、輸入/輸出介面、網路介面和內存。 內存可能包括電腦可讀媒體中的非永久性記憶體,隨機存取記憶體(RAM)和/或非易失性內存等形式,如唯讀記憶體(ROM)或快閃隨機存取記憶體(flash RAM)。內存是電腦可讀媒體的示例。 電腦可讀媒體包括永久性和非永久性、可移動和非可移動媒體可以由任何方法或技術來實現資訊儲存。資訊可以是電腦可讀指令、資料結構、程式的模組或其他資料。電腦的儲存媒體的例子包括,但不限於相變隨機存取記憶體(PRAM)、靜態隨機存取記憶體(SRAM)、動態隨機存取記憶體(DRAM)、其他類型的隨機存取記憶體(RAM)、唯讀記憶體(ROM)、電可擦除可程式化唯讀記憶體(EEPROM)、快閃記憶體或其他內存技術、唯讀光碟(CD-ROM)、數位化多功能光碟(DVD)或其他光學儲存、磁盒式磁帶,磁帶磁磁碟儲存或其他磁性儲存設備或任何其他非傳輸媒體,可用於儲存可以被計算設備存取的資訊。按照本文中的界定,電腦可讀媒體不包括暫存電腦可讀媒體(transitory media),如調變的資料信號和載波。 還需要說明的是,術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含,從而使得包括一系列要素的過程、方法、商品或者設備不僅包括那些要素,而且還包括沒有明確列出的其他要素,或者是還包括為這種過程、方法、商品或者設備所固有的要素。在沒有更多限制的情況下,由語句“包括一個……”限定的要素,並不排除在包括所述要素的過程、方法、商品或者設備中還存在另外的相同要素。 本發明可以在由電腦執行的電腦可執行指令的一般上下文中描述,例如程式模組。一般地,程式模組包括執行特定任務或實現特定抽象資料類型的例程、程式、對象、組件、資料結構等等。也可以在分布式計算環境中實踐本發明,在這些分布式計算環境中,由藉由通訊網路而被連接的遠端處理設備來執行任務。在分布式計算環境中,程式模組可以位於包括儲存設備在內的本地和遠端電腦儲存媒體中。 本說明書中的各個實施例均採用遞進的方式描述,各個實施例之間相同相似的部分互相參見即可,每個實施例重點說明的都是與其他實施例的不同之處。尤其,對於系統實施例而言,由於其基本相似於方法實施例,所以描述的比較簡單,相關之處參見方法實施例的部分說明即可。 以上所述僅為本發明的實施例而已,並不用於限制本發明。對於本領域技術人員來說,本發明可以有各種更改和變化。凡在本發明的精神和原理之內所作的任何修改、等同替換、改進等,均應包含在本發明的申請專利範圍之內。
S101~S104‧‧‧步驟
601‧‧‧第一獲取模組
602‧‧‧判定模組
603‧‧‧第二獲取模組
604‧‧‧產生模組
為了更清楚地說明本發明實施例或現有技術中的技術方案,下面將對實施例或現有技術描述中所需要使用的圖式作簡單地介紹,顯而易見地,下面描述中的圖式僅僅是本發明中記載的一些實施例,對於本領域具有通常知識者來講,在不付出創造性勞動性的前提下,還可以根據這些圖式獲得其他的圖式。 圖1為本發明實施例提供的一種風控事件自動處理方法的流程示意圖; 圖2為本發明實施例提供的對應於圖1的一種擴展流程示意圖; 圖3為本發明實施例提供的一種決策樹的示意圖; 圖4為本發明實施例提供的在圖3的決策樹中的一種判決路徑示意圖; 圖5為本發明實施例提供的按照上述風險控制事件自動處理方法所產生的結案資訊與現有技術中的結案資訊的對比示意圖; 圖6為本發明實施例提供的對應於圖1的一種風控事件自動處理裝置的結構示意圖。
Claims (26)
- 一種風控事件自動處理方法,其特徵在於,包括: 獲取當前風控事件的各風險特徵資訊; 根據該各風險特徵資訊,判定該當前風控事件所屬的類別; 獲取該判定的結果對應的證據資訊; 根據該判定的結果和該證據資訊,產生該當前風控事件的結案資訊。
- 如申請專利範圍第1項所述的方法,其中,該根據該各風險特徵資訊,判定該當前風控事件所屬的類別,具體包括: 獲得根據樣本風控事件的風險特徵資訊訓練得到的分類器; 藉由根據該分類器以及該各風險特徵資訊對該當前風控事件進行分類,判定該當前風控事件所屬的類別。
- 如申請專利範圍第2項所述的方法,其中,該獲取該判定的結果對應的證據資訊,具體包括: 確定該各風險特徵資訊的貢獻表徵值; 根據該貢獻表徵值及其對應的風險特徵資訊,獲取該判定的結果對應的證據資訊。
- 如申請專利範圍第3項所述的方法,其中,該確定該各風險特徵資訊的貢獻表徵值,具體包括: 確定該各風險特徵資訊的以下至少一種特定表徵值: 證據重要性表徵值、類別判定貢獻表徵值、特徵維度貢獻表徵值、特徵異常性表徵值; 根據確定出的各特定表徵值,確定該各風險特徵資訊的貢獻表徵值。
- 如申請專利範圍第4項所述的方法,其中,該分類器是藉由決策樹進行分類的,該決策樹的至少部分節點包含該各風險特徵資訊對應的風險特徵。
- 如申請專利範圍第5項所述的方法,其中,按照如下方式,確定該當前風控事件的風險特徵資訊的類別判定貢獻表徵值: 在該決策樹上,確定該判定的結果對應的判決路徑; 根據在該判決路徑中包含的特定節點前後,屬於指定類別的樣本風控事件的濃度變化資訊,確定該當前風控事件的風險特徵資訊的類別判定貢獻表徵值,該特定節點包含該風險特徵資訊對應的風險特徵。
- 如申請專利範圍第6項所述的方法,其中,該根據在該判決路徑中包含的特定節點前後,屬於指定類別的樣本風控事件的濃度變化資訊,確定該當前風控事件的風險特徵資訊的類別判定貢獻表徵值,具體包括: 設置虛擬樣本風控事件; 根據在該判決路徑中包含的特定節點前後,屬於指定類別的樣本風控事件和虛擬樣本風控事件的濃度變化資訊,確定該當前風控事件的風險特徵資訊的類別判定貢獻表徵值。
- 如申請專利範圍第7項所述的方法,其中,該設置虛擬樣本,具體包括: 根據為該屬於指定類別的樣本風控事件所假設的先驗的概率分佈,設置虛擬樣本。
- 如申請專利範圍第4項所述的方法,其中,按照如下方式,確定該當前風控事件的風險特徵資訊的特徵維度貢獻表徵值: 確定該風險特徵資訊對應的風險特徵所對應的多個集合; 確定該風險特徵資訊在該多個集合中所屬的集合; 根據該所屬的集合對應的屬於指定類別的樣本風控事件的濃度,確定該風險特徵資訊的特徵維度貢獻表徵值; 其中,該風險特徵對應的任意風險特徵資訊屬於該多個集合中的至少一個集合。
- 如申請專利範圍第5項所述的方法,其中,按照如下方式,確定該當前風控事件的風險特徵資訊的特徵異常性表徵值: 根據在該判決路徑的中包含的特定節點處,對屬於指定類別的樣本風控事件的判定情況,確定該當前風控事件的風險特徵資訊的特徵異常性表徵值,該特定節點包含該風險特徵資訊對應的風險特徵。
- 如申請專利範圍第3項所述的方法,其中,獲取該判定的結果對應的證據資訊,具體包括: 根據確定的該各風險特徵資訊的貢獻表徵值,對該各風險特徵資訊進行排序; 根據該排序的結果,獲取貢獻表徵值前N大的風險特徵資訊對應的證據資訊,作為該判定的結果對應的證據資訊。
- 如申請專利範圍第1項所述的方法,其中,該產生該當前風控事件的結案資訊前,該方法還包括: 計算該判定的結果的置信度; 確定該判定的結果的置信度不小於設定閾值。
- 如申請專利範圍第1~12項中任一項所述的方法,其中,該當前風控事件所屬的類別為案件類別或者非案件類別。
- 一種風控事件自動處理裝置,其特徵在於,包括: 第一獲取模組,獲取當前風控事件的各風險特徵資訊; 判定模組,根據該各風險特徵資訊,判定該當前風控事件所屬的類別; 第二獲取模組,獲取該判定的結果對應的證據資訊; 產生模組,根據該判定的結果和該證據資訊,產生該當前風控事件的結案資訊。
- 如申請專利範圍第14項所述的裝置,其中,該判定模組根據該各風險特徵資訊,判定該當前風控事件所屬的類別,具體包括: 該判定模組獲得根據樣本風控事件的風險特徵資訊訓練得到的分類器,藉由根據該分類器以及該各風險特徵資訊對該當前風控事件進行分類,判定該當前風控事件所屬的類別。
- 如申請專利範圍第15項所述的裝置,其中,該第二獲取模組獲取該判定的結果對應的證據資訊,具體包括: 該第二獲取模組確定該各風險特徵資訊的貢獻表徵值,根據該貢獻表徵值及其對應的風險特徵資訊,獲取該判定的結果對應的證據資訊。
- 如申請專利範圍第16項所述的裝置,其中,該第二獲取模組確定該各風險特徵資訊的貢獻表徵值,具體包括: 該第二獲取模組確定該各風險特徵資訊的以下至少一種特定表徵值: 證據重要性表徵值、類別判定貢獻表徵值、特徵維度貢獻表徵值、特徵異常性表徵值; 根據確定出的各特定表徵值,確定該各風險特徵資訊的貢獻表徵值。
- 如申請專利範圍第17項所述的裝置,其中,該分類器是藉由決策樹進行分類的,該決策樹的至少部分節點包含該各風險特徵資訊對應的風險特徵。
- 如申請專利範圍第18項所述的裝置,其中,該第二獲取模組按照如下方式,確定該當前風控事件的風險特徵資訊的類別判定貢獻表徵值: 該第二獲取模組在該決策樹上,確定該判定的結果對應的判決路徑,根據在該判決路徑中包含的特定節點前後,屬於指定類別的樣本風控事件的濃度變化資訊,確定該當前風控事件的風險特徵資訊的類別判定貢獻表徵值,該特定節點包含該風險特徵資訊對應的風險特徵。
- 如申請專利範圍第19項所述的裝置,其中,該第二獲取模組根據在該判決路徑中包含的特定節點前後,屬於指定類別的樣本風控事件的濃度變化資訊,確定該當前風控事件的風險特徵資訊的類別判定貢獻表徵值,具體包括: 該第二獲取模組設置虛擬樣本風控事件,根據在該判決路徑中包含的特定節點前後,屬於指定類別的樣本風控事件和虛擬樣本風控事件的濃度變化資訊,確定該當前風控事件的風險特徵資訊的類別判定貢獻表徵值。
- 如申請專利範圍第20項所述的裝置,其中,該第二獲取模組設置虛擬樣本,具體包括: 該第二獲取模組根據為該屬於指定類別的樣本風控事件所假設的先驗的概率分佈,設置虛擬樣本。
- 如申請專利範圍第17項所述的裝置,其中,該第二獲取模組按照如下方式,確定該當前風控事件的風險特徵資訊的特徵維度貢獻表徵值: 該第二獲取模組確定該風險特徵資訊對應的風險特徵所對應的多個集合,確定該風險特徵資訊在該多個集合中所屬的集合,根據該所屬的集合對應的屬於指定類別的樣本風控事件的濃度,確定該風險特徵資訊的特徵維度貢獻表徵值,其中,該風險特徵對應的任意風險特徵資訊屬於該多個集合中的至少一個集合。
- 如申請專利範圍第18項所述的裝置,其中,該第二獲取模組按照如下方式,確定該當前風控事件的風險特徵資訊的特徵異常性表徵值: 該第二獲取模組根據在該判決路徑的中包含的特定節點處,對屬於指定類別的樣本風控事件的判定情況,確定該當前風控事件的風險特徵資訊的特徵異常性表徵值,該特定節點包含該風險特徵資訊對應的風險特徵。
- 如申請專利範圍第16項所述的裝置,其中,該第二獲取模組獲取該判定的結果對應的證據資訊,具體包括: 該第二獲取模組根據確定的該各風險特徵資訊的貢獻表徵值,對該各風險特徵資訊進行排序,根據該排序的結果,獲取貢獻表徵值前N大的風險特徵資訊對應的證據資訊,作為該判定的結果對應的證據資訊。
- 如申請專利範圍第14項所述的裝置,其中,該產生模組產生該當前風控事件的結案資訊前,計算該判定的結果的置信度,確定該判定的結果的置信度不小於設定閾值。
- 如申請專利範圍第14~25項中任一項所述的裝置,其中,該當前風控事件所屬的類別為案件類別或者非案件類別。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
??201710136278.5 | 2017-03-09 | ||
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 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW201833851A true TW201833851A (zh) | 2018-09-16 |
Family
ID=63447332
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106139673A TW201833851A (zh) | 2017-03-09 | 2017-11-16 | 風控事件自動處理方法及裝置 |
Country Status (8)
Country | Link |
---|---|
US (2) | US20190279129A1 (zh) |
EP (1) | EP3525121A4 (zh) |
JP (1) | JP6869347B2 (zh) |
KR (1) | KR102249712B1 (zh) |
CN (1) | CN108596410B (zh) |
PH (1) | PH12019501032A1 (zh) |
TW (1) | TW201833851A (zh) |
WO (1) | WO2018161900A1 (zh) |
Families Citing this family (9)
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 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1439139A (zh) * | 2000-03-24 | 2003-08-27 | 通达商业集团国际公司 | 用于检测欺诈性交易的系统和方法 |
US7246102B2 (en) * | 2001-12-21 | 2007-07-17 | Agere Systems Inc. | Method of improving the lookup performance of three-type knowledge base searches |
JP2009528634A (ja) * | 2006-03-01 | 2009-08-06 | タウンセンド・アナリティクス・リミテッド | リスク管理のための方法およびシステム |
CN1835014A (zh) * | 2006-03-28 | 2006-09-20 | 阿里巴巴公司 | 一种对在线业务进行风险监控的方法及系统 |
JP4905086B2 (ja) * | 2006-11-29 | 2012-03-28 | 富士通株式会社 | 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 |
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 |
-
2017
- 2017-03-09 CN CN201710136278.5A patent/CN108596410B/zh active Active
- 2017-11-16 TW TW106139673A patent/TW201833851A/zh unknown
-
2018
- 2018-03-06 EP EP18763193.2A patent/EP3525121A4/en not_active Withdrawn
- 2018-03-06 KR KR1020197013394A patent/KR102249712B1/ko active IP Right Grant
- 2018-03-06 JP JP2019524436A patent/JP6869347B2/ja active Active
- 2018-03-06 WO PCT/CN2018/078164 patent/WO2018161900A1/zh unknown
-
2019
- 2019-05-09 PH PH12019501032A patent/PH12019501032A1/en unknown
- 2019-05-23 US US16/421,133 patent/US20190279129A1/en not_active Abandoned
-
2021
- 2021-08-30 US US17/461,111 patent/US20210390471A1/en not_active Abandoned
Also Published As
Publication number | Publication date |
---|---|
JP6869347B2 (ja) | 2021-05-12 |
US20210390471A1 (en) | 2021-12-16 |
CN108596410B (zh) | 2021-01-22 |
CN108596410A (zh) | 2018-09-28 |
KR102249712B1 (ko) | 2021-05-11 |
WO2018161900A1 (zh) | 2018-09-13 |
EP3525121A1 (en) | 2019-08-14 |
PH12019501032A1 (en) | 2019-12-11 |
JP2020501232A (ja) | 2020-01-16 |
KR20190075083A (ko) | 2019-06-28 |
EP3525121A4 (en) | 2019-10-23 |
US20190279129A1 (en) | 2019-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TW201833851A (zh) | 風控事件自動處理方法及裝置 | |
TWI718643B (zh) | 異常群體識別方法及裝置 | |
US11488055B2 (en) | Training corpus refinement and incremental updating | |
TWI745589B (zh) | 風險特徵篩選、描述報文產生方法、裝置以及電子設備 | |
KR101939554B1 (ko) | 일시적 거래 한도 결정 | |
TWI769190B (zh) | 風險管控方法及裝置 | |
WO2019154162A1 (zh) | 一种风控规则生成方法和装置 | |
TW201928841A (zh) | 訓練風控模型和風控的方法、裝置及設備 | |
TW201905773A (zh) | 車險風險預測方法、裝置及伺服器 | |
WO2019157946A1 (zh) | 一种反洗钱方法、装置及设备 | |
CN107563757B (zh) | 数据风险识别的方法及装置 | |
CN109711440A (zh) | 一种数据异常检测方法和装置 | |
TWI718379B (zh) | 針對使用共享物品的使用者評估方法、裝置及設備 | |
TW202042132A (zh) | 一種異常交易節點的檢測方法及裝置 | |
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 | |
WO2017000828A1 (zh) | 基于规则的数据对象验证方法、装置、系统及电子设备 | |
TW201923629A (zh) | 資料處理方法及裝置 | |
WO2020253038A1 (zh) | 一种模型构建方法及装置 | |
CN109636181A (zh) | 一种用户信用分计算方法及系统 | |
CN109684477A (zh) | 一种专利文本特征提取方法及系统 | |
CN112085087A (zh) | 业务规则生成的方法、装置、计算机设备及存储介质 | |
TWI713019B (zh) | 資料標籤產生、模型訓練、事件識別方法和裝置 | |
TWI665568B (zh) | 資料流的分群方法和裝置 | |
CN109218211A (zh) | 数据流的控制策略中阈值的调整方法、装置和设备 | |
CN109299887A (zh) | 一种数据处理方法、装置及电子设备 |