CN109146662A - 一种风险控制方法及装置 - Google Patents

Abstract

本发明公开了一种风险控制方法及装置，所述方法包括：获取用户的申请信息；根据规则引擎确定所述用户的申请信息执行的监控规则及所述监控规则对所述用户的申请信息进行匹配的执行结果；根据执行结果与风险等级的映射关系，确定所述用户的申请信息的风险等级；根据评分引擎，确定所述用户的申请信息对应的风险评分；根据确定的所述风险等级以及所述风险评分，按照预先制定的决策，确定所述用户的申请信息的申请结果。

Description

一种风险控制方法及装置

技术领域

本发明涉及信息管理技术领域，尤其涉及一种风险控制方法及装置。

背景技术

随着各个行业的业务持续的发展，对用户信用的管理控制成为各行业内部管理、风险控制及业务拓展的重要工作之一。根据用户信用在合理控制风险的前提下，可以针对不同信用的用户在授权、退费、处理时限等不同业务方面可实施差异化的处理机制，实现服务资源的优化配置，同时也为后续业务的拓展提供基础能力的储备。

目前，确定用户的信用的方法主要有通过设置不同的评分模型，根据用户基本特征、信用历史、消费能力等信息，对用户信用进行评分，但是这种方法非常依赖于模型的建立，模型的建立较为复杂，简单的模型得到的信用评分的可信度不高，直接加大了商户风险控制的难度。

发明内容

本发明实施例提供一种风险控制方法及装置，用于解决目前确定用户的信用方法复杂，信用评分的精度不高等问题。

本发明实施例提供一种风险控制方法，包括：

获取用户的申请信息；

根据规则引擎确定所述用户的申请信息执行的监控规则及所述监控规则对所述用户的申请信息进行匹配的执行结果；

根据执行结果与风险等级的映射关系，确定所述用户的申请信息的风险等级；

根据评分引擎，确定所述用户的申请信息对应的风险评分；

根据确定的所述风险等级以及所述风险评分，按照预先制定的决策，确定所述用户的申请信息的申请结果。

一种可能的实现方式，所述规则引擎包括正向匹配的规则匹配树；所述根据规则引擎确定所述用户的申请信息执行的监控规则及所述监控规则对所述用户的申请信息进行匹配的执行结果，包括：

根据规则引擎确定所述用户的申请信息执行的监控规则及所述监控规则对所述用户的申请信息进行匹配的执行结果，包括：

自所述规则匹配树的根节点开始，依次得到与所述用户的申请信息匹配的各节点，将所述各节点的监控规则确定为所述用户的申请信息执行的监控规则；

根据每个节点的监控规则与所述用户的申请信息的匹配关系，确定每个节点的执行结果。

一种可能的实现方式，所述根据确定的所述风险等级以及所述风险评分，按照预先制定的决策，确定所述用户的申请信息的申请结果，包括：

根据所述风险等级以及所述风险评分确定所述风险等级以及所述风险评分满足的决策条件；

根据所述满足的决策条件，确定所述风险等级以及所述风险评分对应的申请结果；所述申请结果包括申请通过、待审核、申请拒绝。

一种可能的实现方式，所述方法还包括：

若确定所述用户的申请信息通过，则向银行***发送授权申请信息，所述授权申请信息用于申请所述用户的信用额度。

本发明实施例提供一种风险控制装置，包括：

获取单元，用于获取用户的申请信息；

处理单元，用于根据规则引擎确定所述用户的申请信息执行的监控规则及所述监控规则对所述用户的申请信息进行匹配的执行结果；根据执行结果与风险等级的映射关系，确定所述用户的申请信息的风险等级；根据评分引擎，确定所述用户的申请信息对应的风险评分；根据确定的所述风险等级以及所述风险评分，按照预先制定的决策，确定所述用户的申请信息的申请结果。

一种可能的实现方式，所述规则引擎包括正向匹配的规则匹配树；所述处理单元，具体用于：

自所述规则匹配树的根节点开始，依次得到与所述用户的申请信息匹配的各节点，将所述各节点的监控规则确定为所述用户的申请信息执行的监控规则；根据每个节点的监控规则与所述用户的申请信息的匹配关系，确定每个节点的执行结果。

一种可能的实现方式，所述处理单元，具体用于：

根据所述风险等级以及所述风险评分确定所述风险等级以及所述风险评分满足的决策条件；根据所述满足的决策条件，确定所述风险等级以及所述风险评分对应的申请结果；所述申请结果包括申请通过、待审核、申请拒绝。

一种可能的实现方式，所述处理单元，还用于：若确定所述用户的申请信息通过，则向银行***发送授权申请信息，所述授权申请信息用于申请所述用户的信用额度。

本发明实施例提供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可执行指令，所述计算机可执行指令用于使所述计算机执行如本发明实施例中任一项所述的方法。

本发明实施例提供一种风险控制的计算设备，包括：

存储器，用于存储程序指令；

处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行如本发明实施例中任一项所述的方法。

本发明实施例中的技术方案，根据规则引擎确定用户的申请信息执行的监控规则及所述监控规则对所述用户的申请信息进行匹配的执行结果；根据执行结果与风险等级的映射关系，确定所述用户的申请信息的风险等级；根据评分引擎，确定所述用户的申请信息对应的风险评分；根据确定的所述风险等级以及所述风险评分，按照预先制定的决策，确定所述用户的申请信息的申请结果。通过上述方法，将规则引擎获得的结果映射为风险等级，将风险等级和风险评分结合起来，无需人工分析规则引擎与风险评分，可以直接确定出最终的申请结果，并且，由于最终的结果是根据风险等级和风险评分的综合结果确定的，使得最终确定的风险结果精度较高，有效的提高了风险控制的效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，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。

图1为本发明实施例提供的一种风险控制方法的流程图；

图2为本发明实施例提供的一种风险控制方法的流程图；

图3为本发明实施例提供的一种风险控制装置的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明技术方案的一部分实施例，而不是全部的实施例。基于本申请文件中记载的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明技术方案保护的范围。

随着银行业务的发展，借款方式由之前的纸质申请到现在的电子申请等多种多样的方式，使得信用欺诈的管理难度越来越高，其主要包括借贷申请欺诈、丢失、被盗、伪造、机密信息被盗、邮寄被盗等。欺诈途径主要通过欺诈性的申请或使用来实现的。借贷申请欺诈是欺诈分子盗取或仿冒他人身份信息，如姓名、性别、出生日期、身份证号码、家庭地址、公司名称、公司地址等信息来申请借款或***。***的申请可以通过客服电话、邮政信件、官方网站等渠道进行，***申请审核人员不能面对面的核对***申请人的相关证件，给审核带来了难度，欺诈分子通过作假就可能成功地获得审批。欺诈具有隐蔽性强、集团性高、损失金额大等特点。反欺诈是银行风险管理的一个重要组成部分。反欺诈的挑战性是巨大的，因为许多欺诈是有组织的犯罪团伙行为，而且欺诈手段在不断地演变之中。所以反欺诈往往利用评分模型和计算机***，并结合其他行之有效的手段。

评分模型和计算机***所采用的数据库来源于征信***，主要是中国人民银行征信中心提供的信用报告，个人的信用报告内容个人基本信息、信贷交易信息和公共信息等；还可以查询第三方信息***(公安部门的身份证信息***、电话黄页信息***等)的数据来判断申请人的所提供的信息真伪；另外，还可以在银行账务信息***，查询申请人在本行个人账户信息。通过上述数据库，可以建立借贷申请欺诈侦测相关的数据库，对银行各种内部和外部数据源进行数据处理，为借贷申请欺诈侦测提供良好的数据基础。

在规则引擎平台中部署欺诈侦测规则集，能够正确的快速的进行***申请欺诈侦测；规则引擎由推理引擎发展而来，使用规则引擎可以将业务决策部分从传统的源代码中分离，并使用预定义语言来编写业务决策部分。根据业务数据和预先定义的业务规则进行业务决策。规则引擎都支持规则冲突检验和规则的次序，使用简单脚本语言的进行业务规则定义，支持通用开发语言的嵌入开发。

当规则引擎执行时，根据规则执行队列中规则的优先顺序执行规则实例，这种动态的规则执行队列，形成规则的推理机制。规则引擎的性能取决于规则条件匹配的效率，规则引擎需要对工作区中的数据进行迅速比较，发现符合条件的在规则引擎加载的规则集中的规则，生成规则实例放入规则执行队列中。规则引擎最终得到的结果为有多少规则被触发，进而输入值决策引擎得到风险提示。

以Rete算法的规则引擎为例进行说明，，针对基于规则知识表现的模式匹配算法，其核心思想是将分离的匹配项根据内容动态构造匹配树，以达到显著降低计算量的效果。通过形成rete网络进行模式匹配，利用基于规则***的两个特征：时间冗余性和结构相似性，提高模式匹配效率。

事实(fact)，指的是对象之间及对象属性之间的多元关系。规则(rule)，由条件和结论构成的推理语句，当存在事实满足条件时，相应结论被激活。模式匹配算法规则主要由两部分组成：1)条件，也称为左端(记为LHS,left-hand side)，2)结论，也称为右端(记为RHS,right-hand side)。规则匹配，就是对规则r,判断当前的事实o是否使LHS(r)＝True，如果是，就把规则r的实例r(o)加到冲突集当中。

Rete算法的编译结果是规则集对应的Rete网络。Rete网络是一个事实可以在其中流动的图。Rete网络的节点可以分为四类：根节点、类型节点、alpha节点、beta节点。其中，根结点是一个虚拟节点，是构建Rete网络的入口。类型节点中存储事实的各种类型，各个事实从对应的类型节点进入Rete网络。

信用评分模型是利用数据挖掘和统计分析手段服务于信贷管理的先进技术，信用评分模型的开发流程主要包括模型样本获取、模型变量处理、模型分组、模型制定、模型检验、模型实施与跟踪。评分模型的计算是在规则引擎中完成计算。主要是将输入变量传输到规则引擎，结合评分模型计算模型评分结果，将模型评分结果传递给决策引擎处理得到风险提示。

使用评分模型和欺诈规则对借贷申请件进行欺诈侦测，给出欺诈风险点提示。欺诈模型和规则由银行欺诈调查团队负责维护，依据监控欺诈模型和规则的表现情况，对欺诈模型和规则进行优化。建立借贷申请欺诈风险评分模型来评估***申请的欺诈风险值并持续不断的完善，对借贷申请欺诈侦测提供量化参考信息。

国内银行的***申请审批人员依据欺诈侦测对关键风险点的提示，使用人工电话征信调查和第三方信息核查等手段排查欺诈风险。最终由审批人员对***申请进行终审。

上述方法中，规则引擎得到的规则结果与评分引擎得到的模型结果无法同时输入至决策引擎用于自动决策，还需人工进行管理、决策，决策效率较低，准确度不高。

本发明实施例提供一种风险控制方法，如图1所示，包括：

步骤101：获取用户的申请信息；

步骤102：根据规则引擎确定所述用户的申请信息执行的监控规则及所述监控规则对所述用户的申请信息进行匹配的执行结果；

步骤103：根据执行结果与风险等级的映射关系，确定所述用户的申请信息的风险等级；

步骤104：根据评分引擎，确定所述用户的申请信息对应的风险评分；

步骤105：根据确定的所述风险等级以及所述风险评分，按照预先制定的决策，确定所述用户的申请信息的申请结果。

在步骤101中，获取的用户的申请信息可以包括姓名、证件类型、证件号码、家庭电话、家庭地址、单位名称、单位电话、单位地址等信息。

在步骤102中，在一种具体的实施方式中，包括：

步骤一、自所述规则匹配树的根节点开始，依次得到与所述用户的申请信息匹配的各节点，将所述各节点的监控规则确定为所述用户的申请信息执行的监控规则；

步骤二、根据每个节点的监控规则与所述用户的申请信息的匹配关系，确定每个节点的执行结果。

具体的，申请信息通过规则引擎去判断哪些规则触发了，哪些规则没有触发、哪些规则参数缺失，用于确定规则是否完备。对于每个申请信息，在激活的每一条规则上都会确定出这种三种状态的一种。如表1所示，规则1为申请人的人行征信报告最近6个月内有2次逾期，若确定所述申请信息中，满足规则1的触发条件，则确定为触发规则1，并根据触发的规则1确定激活的下一规则；规则2为申请人的信用历史小于1个月，若确定所述申请信息中，不满足规则1的触发条件，则确定为不触发规则1，并根据为触发规则2确定激活的下一规则。进而确定自所述规则匹配树的根节点开始，依次得到与所述用户的申请信息匹配的各节点，在规则中确定需要监控的重要规则，例如，规则1和规则2都是需要监控的重要规则，则将规则1和规则2都作为监控规则；若用户的申请信息激活了规则1和规则2，则将规则1和规则2作为用户的申请信息执行的监控规则。

规则描述	是否触发
		申请人的人行征信报告最近6个月内有2次逾期	是
申请人的信用历史小于1个月	否

表1

在步骤103中，根据执行结果与风险等级的映射关系，确定所述用户的申请信息的风险等级，可以每一条规则执行完之后立刻映射，也可以所有的执行完之后映射。例如，如表2所示，确定申请信息触发了规则1，对应的风险等级为8,确定申请信息未触发规则2，则对应的风险等级为9。

规则描述	是否触发	等级
			申请人的人行征信报告最近6个月内有2次逾期	是	8
申请人的信用历史小于1个月	否	9

表2

由于在规则执行过程中可能会对数据进行改变，会使规则执行队列中的某些规则实例失效，从而必须在规则执行队列中将这些失效的规则进行撤销，也有可能会激活不在规则执行队列中的其他规则，规则执行队列将会增加新的规则实例。这种规则执行队列的动态反应完全是由数据进行驱动的。规则处理的执行是调用规则引擎完成，主要是结合不同的规则处理，适时将规则变量传输到决策引擎，并结合规则进行判断，给出最终的执行结果。

当然，还可以通过并行执行的方式执行每条规则，具体实施方式可以参考上述规则树的方式，在此不再赘述。

在规则引擎中，还可以通过将申请信息与现有的黑名单进行匹配，黑名单中不仅包括姓名、证件类型和证件号码，还要包括地址、单位名称、电话等重要内容。具体的匹配过程可以利用中文模糊匹配技术将申请信息与黑名单内容相匹配，以期获得比精确匹配更多的匹配结果，从而提高捕获欺诈的效率。黑名单检查是以规则的形式在规则引擎中运行。

规则引擎具有规则管理功能，包括了规则和规则等级的增删改查；具有执行规则和规则等级映射的功能。

现有技术中，规则引擎得到的执行结果是一条条的触发规则，决策引擎的决策无法直接使用基于规则引擎得到的执行结果。通过本发明实施例中的方法，可以使得规则引擎确定的执行结果直接转换为风险等级，对则引擎确定的执行结果进行了数字化的处理，提高了规则引擎在风险评估模型中的适应性，使得规则引擎确定的执行结果可以直接加入至决策引擎中处理，决策引擎的决策可以基于规则引擎的等级结果，可以更加容易的管理规则和制定决策，查找修改规则也更加方便，使得管理策略时也更加容易，提高了管理效率。

在步骤104中，可以通过评分引擎确定所述用户的申请信息对应的风险评分，所述评分引擎，具有配置和调整变量以及相应的权重；对用户的申请信息，依据配置的变量和权重计算其相应的评分；具体的，模型变量处理主要包括表现变量的界定和预测变量的提炼：表现变量是模型所要预测的目标，在有些情况下其界定是直观的，但在更多情况下表现变量的界定是不直观的，需要在仔细衡量个方面因素后才能确定。预测变量的提炼是开发评分模型非常重要的一环，从观察期的大量原始信息里，往往可以提炼出成百上千个具有一定预测能力的变量。模型的分组，模型分组是模型开发流程中的常用且重要的一环，它是把总体数据分组，每一组内的数据具备同质性，而不同组之间的数据具备不同性质。分组的依据是可观察到的行为信息和预测变量，而不是目标变量。分组的目标是按照不同行为模型和数理关系归类，以提高模型预测力。分组的方法是直觉、经验和数据分析的综合结果。选择适当的模型方法，对于二元性结果的预测，常见的模型方法是逻辑回归模型和神经网络模型。选择一定的变量组合，进入最终的模型，并根据统计原理分配相对应评分权重。通过分析模型监控跟踪报表来判断模型的表现情况，及时发现问题并进行优化。通过评分的监控，包括但不限于监控评分稳定性、评分区分能力稳定性等方面对评分引擎进行优化；可以采用多种评分模式，以适应多种应用场景，例如，冠军/调整者模式。

最终，评分引擎可以确定出用户的申请信息的评分值，一种可能的实现方式是通过评分引擎得到的结果输入值决策引擎中确定出最终的申请结果。当然还可以通过风险评分类型，确定多个评分，例如欺诈评分和信用评分。若确定用户的欺诈评分为与信用评分得出的结果一致为风险较高，或风险较低，则可以直接通过评分引擎确定申请结果，但是，若用户的欺诈评分为与信用评分得出的结果不一致，例如，如表3所示，用户的申请信息在评分引擎确定的欺诈评分为70，信用评分为60，此时，仅通过评分引擎无法得出风险较高，或风险较低的建议，因此，若可以结合规则引擎得到的执行结果，可以有效的提高风险评分的准确度。

评分类型	分值
		欺诈评分	70
信用评分	60

表3

在步骤105中，在一种具体的实施方式中，包括：

步骤一、根据所述风险等级以及所述风险评分确定所述风险等级以及所述风险评分满足的决策条件；

步骤二、根据所述满足的决策条件，确定所述风险等级以及所述风险评分对应的申请结果；所述申请结果包括申请通过、待审核、申请拒绝。

具体的，可以采用决策引擎进行决策，决策引擎具有决策管理功能，包括策略的增删改查，还可以依据规则引擎和评分引擎的结果运行策略，得出最终决策结果。利用决策引擎，依据规则引擎和评分引擎的结果决策，给每个申请信息做出的判断是：通过、电核、或拒绝。例如，如表4所示：

策略条件	策略结果
		触发1条及以上9等级规则	拒绝
触发1条8等级规则，并且欺诈分<50	拒绝
		任何一个分数<60	电核

表4

如图2所示，为本发明实施例提供的一种风险控制方法的流程示意图，包括：

步骤201：获取用户的申请信息；

步骤202：根据规则引擎，确定用户申请信息对应的风险等级；

步骤203：根据评分引擎，确定用户申请信息对应的风险评分；

在具体实施过程中，执行规则引擎和评分引擎，既可以串行也可以并行；规则引擎和决策引擎并行执行，可以有效的提高效率。也可以先执行规则引擎再执行评分引擎，或先执行评分引擎再执行规则引擎，二者若有一项可以直接获得申请结果，可以直接输入至决策引擎中，以提高计算效率；还可以通过另一项进行验证，提高最终获得的风险值的准确性，具体实施方法，可以根据实际应用确定，在此不做限定。

步骤204：将风险等级和风险评分输入值决策引擎中进行决策；

步骤205：根据决策引擎确定所述申请信息的申请结果。

一种可能的实现方式，所述方法还包括：若确定所述用户的申请信息通过，则向银行***发送授权申请信息，所述授权申请信息用于申请所述用户的信用额度。

本发明实施例中，通过规则引擎确定的触发规则的结果和评分模型确定的风险频繁结果能同时输入值决策引擎中用于自动决策。并且，本发明实施例子中评分模型的效果通过决策引擎以及规则引擎确定的结果可以相互验证，实现很好的跟踪模型的效果，模型线上可以通过效果的分析对模型进行优化管理，在决策引擎中，通过风险等级和评分，可以快速验证决策的效果，并优化配置决策，进而实现快速上线、更新，提高了模型的复用性和适用性，有效的提高了风险控制的效率。

基于同一发明构思，本发明实施例提供一种风险控制装置，如图3所示，包括：

获取单元301，用于获取用户的申请信息；

处理单元302，用于根据规则引擎确定所述用户的申请信息执行的监控规则及所述监控规则对所述用户的申请信息进行匹配的执行结果；根据执行结果与风险等级的映射关系，确定所述用户的申请信息的风险等级；根据评分引擎，确定所述用户的申请信息对应的风险评分；根据确定的所述风险等级以及所述风险评分，按照预先制定的决策，确定所述用户的申请信息的申请结果。

一种可能的实现方式，所述规则引擎包括正向匹配的规则匹配树；处理单元302，具体用于：自所述规则匹配树的根节点开始，依次得到与所述用户的申请信息匹配的各节点，将所述各节点的监控规则确定为所述用户的申请信息执行的监控规则；根据每个节点的监控规则与所述用户的申请信息的匹配关系，确定每个节点的执行结果。

一种可能的实现方式，处理单元302，具体用于：根据所述风险等级以及所述风险评分确定所述风险等级以及所述风险评分满足的决策条件；根据所述满足的决策条件，确定所述风险等级以及所述风险评分对应的申请结果；所述申请结果包括申请通过、待审核、申请拒绝。

一种可能的实现方式，处理单元302，还用于：若确定所述用户的申请信息通过，则向银行***发送授权申请信息，所述授权申请信息用于申请所述用户的信用额度。

本发明实施例中的技术方案，根据规则引擎确定用户的申请信息执行的监控规则及所述监控规则对所述用户的申请信息进行匹配的执行结果；根据执行结果与风险等级的映射关系，确定所述用户的申请信息的风险等级；根据评分引擎，确定所述用户的申请信息对应的风险评分；根据确定的所述风险等级以及所述风险评分，按照预先制定的决策，确定所述用户的申请信息的申请结果。通过上述方法，将规则引擎获得的结果映射为风险等级，将风险等级和风险评分结合起来，无需人工分析规则引擎与风险评分，可以直接确定出最终的申请结果，并且，由于最终的结果是根据风险等级和风险评分的综合结果确定的，使得最终确定的风险结果精度较高，有效的提高了风险控制的效率。

基于同一发明构思，本发明实施例中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，当所述计算机指令在计算机上运行时，使得计算机执行如上所述的一种方法。

本发明实施例中提供了一种风险控制的计算设备，包括：

存储器，用于存储程序指令；

处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行如本发明实施例中任一项所述的方法。

本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种风险控制方法，其特征在于，包括：

获取用户的申请信息；

根据规则引擎确定所述用户的申请信息执行的监控规则及所述监控规则对所述用户的申请信息进行匹配的执行结果；

根据执行结果与风险等级的映射关系，确定所述用户的申请信息的风险等级；

根据评分引擎，确定所述用户的申请信息对应的风险评分；

根据确定的所述风险等级以及所述风险评分，按照预先制定的决策，确定所述用户的申请信息的申请结果。

2.如权利要求1所述的方法，其特征在于，所述规则引擎包括正向匹配的规则匹配树；所述根据规则引擎确定所述用户的申请信息执行的监控规则及所述监控规则对所述用户的申请信息进行匹配的执行结果，包括：

根据规则引擎确定所述用户的申请信息执行的监控规则及所述监控规则对所述用户的申请信息进行匹配的执行结果，包括：

自所述规则匹配树的根节点开始，依次得到与所述用户的申请信息匹配的各节点，将所述各节点的监控规则确定为所述用户的申请信息执行的监控规则；

根据每个节点的监控规则与所述用户的申请信息的匹配关系，确定每个节点的执行结果。

3.如权利要求1所述的方法，其特征在于，所述根据确定的所述风险等级以及所述风险评分，按照预先制定的决策，确定所述用户的申请信息的申请结果，包括：

根据所述风险等级以及所述风险评分确定所述风险等级以及所述风险评分满足的决策条件；

根据所述满足的决策条件，确定所述风险等级以及所述风险评分对应的申请结果；所述申请结果包括申请通过、待审核、申请拒绝。

4.如权利要求1-3任一项所述的方法，其特征在于，所述方法还包括：

若确定所述用户的申请信息通过，则向银行***发送授权申请信息，所述授权申请信息用于申请所述用户的信用额度。

5.一种风险控制装置，其特征在于，包括：

获取单元，用于获取用户的申请信息；

处理单元，用于根据规则引擎确定所述用户的申请信息执行的监控规则及所述监控规则对所述用户的申请信息进行匹配的执行结果；根据执行结果与风险等级的映射关系，确定所述用户的申请信息的风险等级；根据评分引擎，确定所述用户的申请信息对应的风险评分；根据确定的所述风险等级以及所述风险评分，按照预先制定的决策，确定所述用户的申请信息的申请结果。

6.如权利要求5所述的装置，其特征在于，所述规则引擎包括正向匹配的规则匹配树；所述处理单元，具体用于：

自所述规则匹配树的根节点开始，依次得到与所述用户的申请信息匹配的各节点，将所述各节点的监控规则确定为所述用户的申请信息执行的监控规则；根据每个节点的监控规则与所述用户的申请信息的匹配关系，确定每个节点的执行结果。

7.如权利要求5所述的装置，其特征在于，所述处理单元，具体用于：

根据所述风险等级以及所述风险评分确定所述风险等级以及所述风险评分满足的决策条件；根据所述满足的决策条件，确定所述风险等级以及所述风险评分对应的申请结果；所述申请结果包括申请通过、待审核、申请拒绝。

8.如权利要求5-7任一项所述的装置，其特征在于，所述处理单元，还用于：若确定所述用户的申请信息通过，则向银行***发送授权申请信息，所述授权申请信息用于申请所述用户的信用额度。

9.一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可执行指令，所述计算机可执行指令用于使所述计算机执行如权利要求1至4中任一项所述的方法。

10.一种风险控制的计算设备，其特征在于，包括：

存储器，用于存储程序指令；

处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行如权利要求1至4中任一项所述的方法。