CN110197315B - 风险评估方法、装置及其存储介质 - Google Patents
风险评估方法、装置及其存储介质 Download PDFInfo
- Publication number
- CN110197315B CN110197315B CN201810305580.3A CN201810305580A CN110197315B CN 110197315 B CN110197315 B CN 110197315B CN 201810305580 A CN201810305580 A CN 201810305580A CN 110197315 B CN110197315 B CN 110197315B
- Authority
- CN
- China
- Prior art keywords
- identification code
- information
- installation
- risk assessment
- application program
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012502 risk assessment Methods 0.000 title claims abstract description 157
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000009434 installation Methods 0.000 claims abstract description 148
- 238000012545 processing Methods 0.000 claims description 20
- 238000013145 classification model Methods 0.000 claims description 19
- 230000006399 behavior Effects 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims 4
- 238000010586 diagram Methods 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 241000254158 Lampyridae Species 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 229940048662 kwai Drugs 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 208000001613 Gambling Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提出风险评估方法、装置及其存储介质,其中该方法包括:接收来自终端设备的移动设备的识别码;获取与识别码对应的应用程序的安装使用信息以及生成应用程序的类别信息;基于应用程序的安装使用信息以及类别信息生成与识别码对应的风险评估级别,以及向终端设备发送风险评估级别。本公开的方法基于上述信息对进行信贷申请的用户的应用程序进行类别划分及画像,并基于进行信贷申请的用户的金融消费习惯进行多维度画像,可得出进行信贷申请的用户的信用和欺诈风险的准确评估结果。
Description
技术领域
本公开涉及信息评估领域,具体地,涉及一种风险评估方法、装置及其存储介质。
背景技术
随着信贷政策的放宽,小额现金贷人群的数量及贷款需求的规模日益扩大。由于缺乏对信贷申请用户的详细征信记录的历史调查,信贷机构很难对信贷申请用户的信用和欺诈风险做出有效评估,从而给信贷资金的风险控制带来困难。
多头借贷用户主要存在于现金贷人群中,该人群在银行等金融机构中得不到合适的金融产品及服务。但是,由于信贷政策的放宽及众多小贷公司、网贷平台的出现,现金贷人群主要通过在申请门槛较低的网贷平台上进行小额借贷。由于网贷信息不记入央行的征信***,并且网贷平台之间的信息共享程度较低,部分现金贷人群会发展成为常贷人群,在多种网贷平台上均有小额借贷记录及逾期还贷记录,因此这些常贷人群被称为多头借贷用户。
对多头借贷用户的识别主要基于对用户安装的理财类及借贷类手机应用的检测。该技术通过人工整理得出理财类及借贷类手机应用的列表作为参考列表,通过用户手机应用的安装列表与已知参考列表的对照匹配,当用户安装的手机应用命中参考列表中应用的数目达到设定阈值时,便将该用户判别为多头借贷用户。
但是,对理财类及借贷类手机应用列表的维护基于人工整理,不仅导致参考列表滞后,而且耗费巨大的人力成本。另外,将理财类和借贷类手机应用的安装数量作为多头借贷用户的唯一判断特征,会导致较高的误判率,比如,信贷申请用户安装较多理财类手机应用与安装较多借贷类手机应用,所对应的用户性质是有差别的。
因此,存在对信贷申请用户进行风险评估方法和装置进行改进的需求。
发明内容
本公开的目的在于克服使用理财类和借贷类手机应用的安装列表对信贷申请用户进行风险评估导致的信息滞后、成本巨大并且误判率较高的问题,以较低的成本提高风险评估的准确性和效率。
根据本公开的一方面,提出一种风险评估方法,该风险评估方法包括:
接收来自终端设备的移动设备的识别码;
获取与所述识别码对应的应用程序的安装使用信息以及生成所述应用程序的类别信息;
基于所述安装使用信息以及所述类别信息生成与所述识别码对应的风险评估级别;
向所述终端设备发送所述风险评估级别。
根据本公开的实施例,所述安装使用信息包括如下至少之一:在移动设备内安装的应用程序的名称和数量、在特定时间期间内应用程序的安装记录、在特定时间期间内应用程序的使用记录、应用程序的安全记录、有安装关联的应用程序的名称和相关度、有使用关联的应用程序的名称和相关度。
根据本公开的实施例,获取与所述识别码对应的应用程序的安装使用信息以及生成所述应用程序的类别信息包括:在所述识别码数据库中查询所述识别码;如果所述识别码存在于所述识别码数据库中,则查询应用程序安装和使用特征表,以获取与所述识别码对应的所述安装使用信息以及应用程序的描述信息;基于所述安装使用信息以及所述描述信息,生成所述类别信息。
根据本公开的实施例,基于所述安装使用信息,生成所述类别信息包括:基于在移动设备内安装的应用程序的名称和数量、有安装关联的应用程序的名称和相关度、有使用关联的应用程序的名称和相关度,以及所述描述信息,生成所述类别信息。
根据本公开的实施例,通过类别划分模型生成所述类别信息,其中所述类别划分模型将所述安装使用信息以及所述描述信息进行文本处理并基于类别相似度判断生成所述类别信息。
根据本公开的实施例,基于所述安装使用信息的更新数据以及所述描述信息,训练所述类别划分模型以识别新的应用程序的类别。
根据本公开的实施例,基于所述安装使用信息以及所述类别信息生成与所述识别码对应的风险评估级别包括:通过风险评估模型生成与所述识别码对应的风险评估级别,所述风险评估模型对所述安装使用信息以及所述类别信息进行分类以生成所述风险评估级别。
根据本公开的实施例,该风险评估方法还包括:当接收来自移动设备的所述应用程序的安装使用信息和描述信息时,更新所述识别码数据库和所述应用程序安装和使用特征表。
根据本公开的实施例,该风险评估方法还包括:获取来自所述终端设备的所述风险评估级别的反馈以更新所述风险评估模型。
根据本公开的实施例,所述识别码为IMEI码。
根据本公开的另一方面,提出一种风险评估方法,该风险评估方法包括:
向服务器发送移动设备的识别码以获取与所述识别码对应的应用程序的安装使用信息以及类别信息;
接收来自所述服务器的基于所述安装使用信息以及所述类别信息生成的与所述识别码对应的风险评估级别。
根据本公开的实施例,所述安装使用信息包括如下至少之一:在移动设备内安装的应用程序的名称和数量、在特定时间期间内应用程序的安装记录、在特定时间期间内应用程序的使用记录、应用程序的安全记录、有安装关联的应用程序的名称和相关度、有使用关联的应用程序的名称和相关度。
根据本公开的实施例,该风险评估方法还包括:向所述服务器发送所述风险评估级别的反馈。
根据本公开的实施例,所述识别码为IMEI码。
根据本公开的又一方面,提出一种风险评估装置,包括:
获取单元,设置为接收来自终端设备的移动设备的识别码;
特征生成单元,设置为获取与所述识别码对应的应用程序的安装使用信息以及生成所述应用程序的类别信息;
风险评估单元,设置为基于所述安装使用信息以及所述类别信息生成与所述识别码对应的风险评估级别;
发送单元,设置为向所述终端设备发送所述风险评估级别。
根据本公开的实施例,所述安装使用信息包括如下至少之一:在移动设备内安装的应用程序的名称和数量、在特定时间期间内应用程序的安装记录、在特定时间期间内应用程序的使用记录、应用程序的安全记录、有安装关联的应用程序的名称和相关度、有使用关联的应用程序的名称和相关度。
根据本公开的实施例,所述特征生成单元还设置为:在识别码数据库中查询所述识别码;如果所述识别码存在于所述识别码数据库中,则查询应用程序安装和使用特征表,以获取与所述识别码对应的所述安装使用信息以及应用程序的描述信息;基于所述安装使用信息以及所述描述信息,生成所述类别信息。
根据本公开的实施例,所述特征生成单元包括类别划分模型,所述类别划分模型设置为基于在移动设备内安装的应用程序的名称和数量、有安装关联的应用程序的名称和相关度、有使用关联的应用程序的名称和相关度,以及所述描述信息,将所述安装使用信息以及所述描述信息进行文本处理并基于类别相似度判断生成所述类别信息。
根据本公开的实施例,所述特征生成单元还设置为基于来自所述移动设备的所述安装使用信息的更新数据以及所述描述信息,训练所述类别划分模型以识别新的应用程序的类别。
根据本公开的实施例,所述风险评估单元包括风险评估模型,所述风险评估模型设置为对所述安装使用信息以及所述类别信息进行分类以生成与所述风险评估级别。
根据本公开的实施例,所述特征生成单元还设置为:当接收来自移动设备的所述应用程序的安装使用信息和描述信息时,更新所述识别码数据库和所述应用程序安装和使用特征表。
根据本公开的实施例,所述风险评估单元还设置为:获取来自所述终端设备的所述风险评估级别的反馈以更新所述风险评估模型。
根据本公开的实施例,所述识别码为IMEI码。
根据本公开的再一方面,提出一种风险评估终端设备,包括:
发送单元,设置为向服务器发送移动设备的识别码以获取与所述识别码对应的应用程序的安装使用信息以及类别信息;
接收单元,设置为接收来自所述服务器的基于所述安装使用信息以及所述类别信息生成的与所述识别码对应的风险评估级别。
根据本公开的实施例,所述安装使用信息包括如下至少之一:在移动设备内安装的应用程序的名称和数量、在特定时间期间内应用程序的安装记录、在特定时间期间内应用程序的使用记录、应用程序的安全记录、有安装关联的应用程序的名称和相关度、有使用关联的应用程序的名称和相关度。
根据本公开的实施例,所述发送单元还设置为:向所述服务器发送所述风险评估级别的反馈。
根据本公开的实施例,所述识别码为IMEI码。
根据本公开的又一方面,提出一种计算机可读存储介质,其上存储有包括可执行指令的计算机程序,所述可执行指令被处理器执行时,实施根据如上所述的风险评估方法。
根据本公开的再一方面,提出一种电子设备,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行如上所述的风险评估方法的步骤。
通过本公开所提供的风险评估方法、装置及其存储介质,使用移动设备的识别码获取对应的应用程序的安装使用信息以及类别信息,并基于上述信息对进行信贷申请的用户的应用程序进行类别划分及画像,同时结合进行信贷申请的用户的应用程序的安装行为和使用行为进一步分析,基于进行信贷申请的用户的金融消费习惯进行多维度画像,得出进行信贷申请的用户的信用和欺诈风险的准确评估结果,降低成本并可以有效提高风险评估的效率。
附图说明
通过参照附图详细描述其示例性实施例,本公开的上述和其它特征及优点将变得更加明显。
图1A为根据本公开实施例的风险评估方案的应用场景示意图;
图1B为根据本公开实施例的风险评估***的查询界面示意图;
图2为根据本公开实施例的风险评估***的示意性逻辑框图;
图3为根据本公开实施例的风险评估***的类别划分模型的示意性逻辑框图;
图4为根据本公开实施例的风险评估***的风险评估模型的示意性逻辑框图;
图5为根据本公开实施例的风险评估方法的示例性流程图;
图6为根据本公开实施例的风险评估方法中生成应用程序的类别信息的示例性流程图;
图7为根据本公开另一实施例的风险评估方法的示例性流程图;
图8为根据本公开实施例的风险评估方法的示例性流程图;
图9为根据本公开另一实施例的风险评估方法的示例性流程图;
图10为根据本公开实施例的风险评估装置的示例性结构图;
图11为根据本公开实施例的风险评估装置的特征生成单元的示例性结构图;
图12为根据本公开实施例的风险评估装置的风险评估单元的示例性结构图;
图13为根据本公开实施例的风险评估终端的示例性结构图;
图14为根据本公开实施例的用于实施风险评估方法的电子设备的示意性结构图。
具体实施方式
现在将参考附图更全面地描述示例性实施例。然而,示例性实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施方式;相反,提供这些实施方式使得本公开将全面和完整,并将示例性实施例的构思全面地传达给本领域的技术人员。在图中,为了清晰,可能会夸大部分元件的尺寸或加以变形。在图中相同的附图标记表示相同或类似的结构,因而将省略它们的详细描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有所述特定细节中的一个或更多,或者可以采用其它的方法、元件等。在其它情况下,不详细示出或描述公知结构、方法或者操作以避免模糊本公开的各方面。
根据本公开实施例的风险评估方法和装置主要应用于信贷机构对信贷申请资金发放前的审批核查中。信贷机构通过信贷申请用户提供的移动设备信息,获得对信贷申请用户的信贷欺诈(包括逾期、违约等)风险的预估判断,有效地对信贷资金的风险进行管理和控制。
图1A示出本公开的风险评估方案的应用场景示意图。用户101的移动设备102在安装应用程序(Application,简称APP)时,访问APP服务器以获取安装文件。移动设备102定期向服务器105提供包括移动设备101 的识别码和应用程序安装使用信息的信息,服务器105也可以定期向移动设备102发送数据获取请求以获取移动设备101的识别码和应用程序安装使用信息。在移动设备102与服务器105之间进行数据交换时以移动设备 102的识别码进行身份识别。识别码与信贷申请用户对应,因此可以通过识别码表征持有该移动设备102的信贷申请用户,所有与识别码对应的特征和画像,都代表该信贷申请用户的特征和画像。
在本公开中,移动设备102包括但不限于移动电话、个人数字助理 PDA、平板设备PAD、上网本、以及笔记本电脑等。移动设备102与服务器105可经由无线或有线网络进行通信。服务器105可以是本地或远程的单个服务器或服务器群。例如,移动设备102为智能手机,其上运行诸如安卓(Android)或苹果(IOS)的智能手机操作***。当移动设备102为运行安卓***的智能手机时,应用程序为手机应用,其一般以APK安装文件的形式在移动设备102和服务器105之间传输。当移动设备102为运行IOS***的苹果iphone手机时,应用程序以苹果的App store上的APP 安装文件形式在移动设备102和APP服务器之间传输。本公开的移动设备102还可以运行诸如Window Phone、Symbian、Blackberry等其它操作***。在本公开中,识别码以国际识别码IMEI举例说明,但是本领域技术人员将理解IMEI码并不是作为识别码的唯一形式。
当用户101作为信贷申请用户在线上或线下向信贷机构申请信贷服务时,用户101向信贷机构提供其移动设备102的识别码。信贷机构或征信机构的工作人员103通过终端设备104上的前端信贷欺诈检测接口访问后端的服务器105,同时,信贷机构或征信机构的工作人员103也通过终端设备104获取来自服务器105的与该识别码对应的进行信贷申请的用户 101的风险评估级别,并根据该风险评估级别确定用户101是否存在信贷风险(例如为多头借贷用户)以及采取相应的信贷策略。图1B则示出根据本公开实施例的信贷欺诈检测接口的查询界面。信贷机构或征信机构的工作人员103通过在终端设备104的输入框106中输入进行信贷申请的用户101的移动设备102的识别码,***在终端设备104的信息框107中向信贷机构或征信机构的工作人员103返回信贷风险评估信息。
图2则示出根据本公开实施例的风险评估***的逻辑框图。
当用户申请信贷服务时,向征信机构或信贷机构提供移动设备的识别码201。征信机构或信贷机构的工作人员根据用户的移动设备的识别码201,查询服务器中的识别码数据库202。识别码数据库202由服务器事先建立,并在接收应用程序的安装使用信息以及应用程序的描述信息时以进行维护和更新。
当识别码数据库202中不存在该移动设备的识别码201时,证明该用户的移动设备为新设备,服务器将向征信机构或信贷机构的工作人员返回该识别码201不存在于数据库202中的结果。
当在识别码数据库202中查询到该识别码201时,服务器从应用程序安装和使用特征表203中获取与该识别码201对应的应用程序的安装使用信息以及应用程序的描述信息。应用程序安装和使用特征表203同样由服务器事先建立。与识别码数据库202类似,应用程序安装和使用特征表203 也由服务器在接收应用程序的安装使用信息和应用程序的描述信息时进行维护和更新。该安装使用信息用于结合应用程序的描述信息,对用户的应用程序进行类别划分及画像,参见图4,包括但不限于如下至少之一:在移动设备内安装的应用程序的名称和数量4011、在特定时间期间内应用程序的安装记录4012、在特定时间期间内应用程序的使用记录4013、应用程序的安全记录4014、有安装关联的应用程序的名称和相关度4015、有使用关联的应用程序的名称和相关度4016。
在特定时间期间内应用程序的安装记录例如是在最近一个月内新安装的应用程序的数量、最近一个月新安装的应用程序列表、已安装应用程序的列表。在特定时间期间内应用程序的使用记录例如是移动设备常活跃地点、移动设备常活跃时间、移动设备最近一个月活跃地点、移动设备最近一个月活跃时间、最近一个月活跃使用的应用程序列表等。应用程序的安全记录例如是:有云查记录的应用程序的总量、有云查记录的应用程序的安全性、已安装应用程序的安全性、最近一个月新安装的应用程序的安全性。其中,云查记录为安卓***自带的APK安全云查检测的历史记录和最新记录信息。APK安全云查作为安卓***的APK安全检测功能,在移动设备安装APK应用程序时作为安全校验数据。安卓***移动设备在出厂时,APK安全云查存在于移动设备***中作为***功能。APK安全云查也可以通过第三方软件代替。另外,APK安全云查也可以集成在第三方软件中作为软件的子功能。对于苹果IOS***,也存在类似的安全检测机制,记录应用程序的安装使用信息的历史记录和最新记录信息。
应用程序的安装使用信息,可以由移动设备上的应用程序(例如APK 安全云查)或***功能定期、响应于事件触发或者由用户操作移动设备向服务器提供,或者由服务器定期或响应于事件触发主动向移动设备请求获取。移动设备在与服务器进行数据交换时,必须提供识别码作为身份验证。在服务器侧,当该识别码不存在于服务器的识别码数据库中时,服务器将该识别码所对应的移动设备识别为新的移动设备并更新识别码数据库以及与该识别码相关的其它信息。服务器通过上述方式,例如基于APK安全云查检测的历史记录和最新记录,在更新识别码数据库的同时,获得与识别码对应的应用程序的安装使用信息和描述信息,更新维护应用程序安装和使用特征表203中的数据,或者在当前移动设备的识别码存在于识别码数据库中时,单独更新维护应用程序安装和使用特征表203中的数据。在用户的移动设备侧,APK安全云查检测还可以通过从移动设备向服务器发送数据使服务器更新之前没有被服务器的识别码数据库202记录的新识别码,以及更新与识别码对应的应用程序的安装使用信息和描述信息。该更新和维护过程需要中间整理和计算。
而应用程序的描述信息包括对应用程序的内容、使用方式、所属类别等对应用程序的说明内容以便于用户了解应用程序。应用程序的描述信息可以与应用程序的安装使用信息一起存储在应用程序安装和使用特征表中,也可以另外存储在服务器中。应用程序的描述信息最初在用户使用移动设备访问APP服务器(未示出)时由移动设备获取,并且用户根据应用程序的描述信息确定是否下载该应用程序的安装文件。在移动设备与服务器进行数据交互时,移动设备将描述信息和安装使用信息一起发送到服务器。当从服务器的应用程序安装和使用特征表中获取与该识别码对应的应用程序的安装使用信息时,一般相应地获取这些应用程序的描述信息。
如上所述的识别码数据库202和应用程序安装和使用特征表203可以存储在服务器上,或者存储在与服务器分离的数据库中。
然后,将整理得出的应用程序的安装使用信息,特别是将其中在移动设备内安装的应用程序的名称和数量、有安装关联的应用程序的名称和相关度、有使用关联的应用程序的名称和相关度,结合应用程序的描述信息,使用训练好的类别划分模型204进行类别划分,得出信贷申请用户在金融消费行为各个维度的指数特征以进行多维度画像。其中,安装关联指经过统计,安装了某一应用程序后,用户可能安装其它应用程序;使用关联则指经过统计,使用了某一应用程序后,用户可能使用其它应用程序。相关度则表征由某应用程序,到安装或使用另一应用的可能性程度。
目前,在金融消费行为方面的应用程序类别包括股票彩票交易类、赌博相关***类、充值消费游戏类、***征信类、分期消费贷类、小额借贷类、投资理财类、网购消费类、涉黄类、手机银行类、日常生活缴费类、城市服务类、日常生活消费类、业余爱好类、休闲娱乐游戏类、生产工具类、教育医疗类、资讯服务类、社交平台类等。通过多种类型划分,相比现有仅以理财类应用程序和借贷类应用程序来判断信贷申请用户的风险等级,使以识别码表征的用户形象更丰富,对于用户的信贷欺诈风险的识别和评估更准确。
例如,对IMEI识别码为864315038247752的手机设备,提取手机应用的安装使用信息,去除出厂设备自带应用,其他安装的应用包括Kwai、高德地图、酷狗音乐、爱奇艺、掌上英雄联盟、火萤视频桌面、王者荣耀、手机淘宝、车轮查违章、支付宝、WeChat、腾讯视频。其中,Kwai、WeChat 为社交平台类应用,高德地图为城市服务类应用,酷狗音乐、爱奇艺、腾讯视频、火萤视频桌面为业余爱好类应用,掌上英雄联盟、王者荣耀为休闲娱乐游戏类应用,手机淘宝为网购消费类应用,车轮查违章为资讯服务类应用,WeChat、支付宝为日常生活消费类应用。
类别划分模型204通过离线建模并使用训练数据通过机器学习设置参数。参见图3,示出根据本公开实施例的类别划分模型的示例性结构框图。模型304主要包括文本处理模块3041和类别相似度计算模块3042,文本处理模块3041用于将输入的数据(应用名称、数量、相关度等数据)进行处理以获得类别相似度计算模块3042可以识别的数据形式。类别相似度计算模块3042用于将经过文本处理模块3041处理过的应用程序的安装使用信息和应用程序的描述信息作为输入,基于类别相似度判断生成并输出应用程序的类别信息305。在本示例中,因为用户可能会倾向于使用属于相同类别的不同应用程序,所以模型的输入为该应用程序的名称和数量 301、与该应用程序有安装关联的应用程序的名称及关联强度302、与该应用程序有使用关联的应用名称及关联强度303,以及应用程序的描述信息 306,通过文本处理及类别相似度判断,输出为该应用程序对应的类别信息305。
回到图2,类别划分模型204也需要定时更新维护。类别划分模型204 不仅需要使用应用程序安装和使用特征表203中的应用程序安装使用信息以及应用程序的描述信息及时得出类别划分信息,还需要采用新收录到应用程序安装和使用表203中的安装使用信息以及应用程序的描述信息的更新信息207对类别划分模型204重新进行离线训练,以使模型204能够识别更多的应用类型。这些新收录到的更新信息207,来自移动设备向服务器发送的信息,其可以由进行信贷申请的用户的移动设备主动向服务器提供,也可以由服务器主动向移动设备请求获取。
在应用程序安装和使用特征表203所提供的应用程序安装使用信息和由类别划分模型204生成的应用程序的类别信息基础上,风险评估模型 205进行分类和风险评估,生成风险评估级别206。风险评估级别206可以是二元值,分别代表信贷申请用户为多头借贷用户和/或具有逾期还贷等记录从而存在信贷风险,以及信贷申请用户不具有上述问题从而不存在信贷风险,也可以是诸如百分比值或置信值的数值,分别指示信贷申请用户为多头借贷用户和/或具有逾期还贷等记录从而存在信贷风险的可能性。征信机构或信贷机构的工作人员可以根据该风险评估级别206对信贷申请用户采取不同的风险应对方案。
风险评估模型205的示例性逻辑结构框图参见图4。风险评估模型403 通过离线建模并使用训练数据通过机器学习设置参数。风险评估模型403 的输入为与识别码对应的应用程序的安装使用信息401以及由类别划分模型生成的类别信息402。其中,应用程序的安装使用信息401具体包括如上所述的各项信息4011至4016等。风险评估模型205包括分类器4031,用于对上述安装使用信息401和类别信息402进行分类以生成风险评估级别。风险评估模型205不仅需要使用应用程序安装使用信息以及应用程序的描述信息及时得出风险评估级别404,还需要采用反馈信息208再次离线训练调整模型以改进模型的性能。
在本公开中,主要使用应用程序中与金融消费行为相关的应用进行风险评估。本领域技术人员应理解,也可以使用与通讯行为关联的应用,例如电话应用或短信应用,使用与应用使用行为相关的信息,使用与社交关系相关的应用,例如WeChat等即时通信应用,对信贷申请用户的信贷请求进行风险评估。
征信机构或信贷机构还可以向风险评估***提供风险评估级别的反馈信息208,该反馈信息提供给风险评估模型205用于离线训练调整该风险评估模型205以提高模型的评估精度。例如,正面反馈证明风险评估模型205的该风险评估级别206的准确性,而反面反馈则提示风险评估模型 205对于相应的使用安装信息和类别信息的分类性能还不能满足要求,需要进一步训练模型参数。另外,反馈信息208还可以进一步调整类别划分模型,提高整个风险评估***的评估覆盖率和准确率。
通过本公开实施例的风险评估***,相比现有仅以理财类应用程序和借贷类应用程序来判断进行信贷申请的用户的风险等级,可以进一步使用移动设备的识别码获取对应的应用程序的安装使用信息以及类别信息,结合进行信贷申请的用户的应用程序的安装行为和使用行为进一步分析,基于信贷申请用户的金融消费***台的风险控制提供帮助。
下文将详细介绍根据本公开实施例的风险评估方法和装置,其中与上文的实施例中相同或类似的内容将不再赘述。
图5示出根据本公开实施例的风险评估方法,该方法主要应用于服务器,包括如下步骤:
S100:接收来自终端设备的移动设备的识别码;
S200:获取与识别码对应的应用程序的安装使用信息以及生成应用程序的类别信息;
S300:基于安装使用信息以及类别信息生成与识别码对应的风险评估级别;
S400:向终端设备发送风险评估级别。
其中,步骤S200中获取与识别码对应的应用程序的安装使用信息以及生成应用程序的类别信息,还包括如图6所示的步骤:
S210:在识别码数据库中查询识别码;
S220:如果识别码存在于识别码数据库中,则查询应用程序安装和使用特征表,以获取与识别码对应的安装使用信息以及描述信息;
S230:基于安装使用信息以及描述信息,生成类别信息。
其中,生成应用程序的类别信息,主要使用类别划分模型根据应用程序的安装使用信息中的在移动设备内安装的应用程序的名称和数量、有安装关联的应用程序的名称和相关度、有使用关联的应用程序的名称和相关度这些信息,结合应用程序的描述信息完成。其中,类别划分模型将安装使用信息以及描述信息进行文本处理并基于类别相似度判断生成类别信息。另外,还可以使用安装使用信息中的其它信息作为对应用程序分类的基础,但是应用程序的名称、数量、最近一段时间内的安装使用信息可以更准确地表征用户的金融消费行为。
根据本公开的实施例,服务器接收的来自移动设备的应用程序的安装使用信息的更新数据以及应用程序的描述信息,可以用于训练类别划分模型以识别新的应用程序的类别。
根据本公开实施例,当接收来自移动设备的应用程序的安装使用信息和应用程序的描述信息时,更新识别码数据库和应用程序安装和使用特征表。
在步骤S300中,进一步通过风险评估模型生成与识别码对应的风险评估级别,风险评估模型对安装使用信息以及类别信息进行分类以生成风险评估级别。
图7则示出根据本公开另一实施例的风险评估方法的流程图。该风险评估方法相比图5所示的风险评估方法,在步骤S400后,还包括:
S500:获取来自终端设备的风险评估级别的反馈以更新风险评估模型。
经过该反馈,可以提高模型的评估精度。
图8示出根据本公开实施例的风险评估方法的示例性流程图,该风险评估方法应用于终端设备,包括如下步骤:
S600:向服务器发送移动设备的识别码以获取与识别码对应的应用程序的安装使用信息以及类别信息;
S700:接收来自服务器的基于安装使用信息以及类别信息生成的与所述识别码对应的风险评估级别。
其中,当向服务器发送移动设备的识别码以及与该识别码对应的应用程序的安装使用信息和描述信息时,更新识别码数据库和应用程序安装和使用特征表。
根据本公开的实施例,上述风险评估方法相比图8所示的方法,还包括如图9所示的步骤:
S800:向服务器发送风险评估级别的反馈。
通过本公开实施例的应用于服务器和终端的风险评估方法,可以使用移动设备的识别码获取对应的应用程序的安装使用信息以及类别信息,结合信贷申请用户的应用程序的安装行为和使用行为进一步分析,基于信贷申请用户的金融消费习惯进行多维度画像,对信贷申请用户的信贷欺诈风险进行精确的预估。
下面将详细描述根据本公开实施例的风险评估装置。
图10为根据本公开实施例的风险评估装置的示意性结构框图。该风险评估装置500包括:
获取单元501,设置为接收来自终端设备的移动设备的识别码;
特征生成单元502,设置为获取与识别码对应的应用程序的安装使用信息以及生成应用程序的类别信息;
风险评估单元503,设置为基于应用程序的安装使用信息以及类别信息生成与识别码对应的风险评估级别;
发送单元504,设置为向终端设备发送风险评估级别。其中,特征生成单元502还设置为:
在识别码数据库中查询识别码;
如果识别码存在于识别码数据库中,则查询移动设备安装和使用特征表,以获取与识别码对应的应用程序的安装使用信息以及描述信息;
基于安装使用信息以及描述信息,生成类别信息。
根据图11所示的本公开实施例,特征生成单元502包括类别划分模型5021,设置为基于在移动设备内安装的应用程序的名称和数量、有安装关联的应用程序的名称和相关度、有使用关联的应用程序的名称和相关度,以及应用程序的描述信息,生成应用程序的类别信息。其中,类别划分模型5021包括文本处理模块和类别相似度计算模块,该文本处理模块用于将安装使用信息以及描述信息进行文本处理以获得类别相似度计算模块可以识别的形式,类别相似度计算模块则用于基于类别相似度判断生成类别信息。
根据另一实施例,特征生成单元502还设置为基于服务器接收的来自移动设备的应用程序的安装使用信息的更新数据以及应用程序的描述信息,训练类别划分模型以识别新的应用程序的类别。
根据又一实施例,特征生成单元502还设置为:当接收来自移动设备的应用程序的安装使用信息和应用程序的描述信息时,更新识别码数据库和应用程序安装和使用特征表。
根据图12所示的实施例,风险评估单元503包括风险评估模型5031,设置为基于应用程序的安装使用信息以及类别信息进行分类生成与识别码对应的风险评估级别。
进一步,该风险评估单元503还设置为获取风险评估级别的反馈以更新风险评估模型5031。
图13则示出根据本公开实施例的终端设备600,该终端设备600包括:
发送单元601,设置为向服务器发送移动设备的识别码以获取与识别码对应的应用程序的安装使用信息以及类别信息;
接收单元602,设置为接收来自服务器的基于应用程序的安装使用信息以及类别信息生成的与识别码对应的风险评估级别。
根据本公开实施例,该发送单元601还设置为向服务器发送风险评估级别的反馈。
通过本公开实施例的风险评估装置和终端设备,可以使用移动设备的识别码获取对应的应用程序的安装使用信息以及类别信息,结合信贷申请用户的应用程序的安装行为和使用行为进一步分析,基于信贷申请用户的金融消费习惯进行多维度画像,对信贷申请用户的信贷欺诈风险进行精确的预估。
应当注意,尽管在上文详细描述中提及了风险评估装置和风险评估终端的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。作为模块或单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序包括可执行指令,该可执行指令被例如处理器执行时可以实现上述任意一个实施例中所述风险评估方法的步骤。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书风险评估方法中描述的根据本公开各种示例性实施例的步骤。
根据本公开的实施例的用于实现上述方法的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如 Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
在本公开的示例性实施例中,还提供一种电子设备,该电子设备可以包括处理器,以及用于存储所述处理器的可执行指令的存储器。其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一个实施例中的风险评估方法的步骤。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为***、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“***”。
下面参照图14来描述根据本公开的这种实施方式的电子设备700。图 14显示的电子设备700仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图14所示,电子设备700以通用计算设备的形式表现。电子设备 700的组件可以包括但不限于:至少一个处理单元710、至少一个存储单元720、连接不同***组件(包括存储单元720和处理单元710)的总线 730、显示单元740等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元710执行,使得所述处理单元710执行本说明书用于风险评估方法中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元710 可以执行如图5至图9中所示的步骤。
所述存储单元720可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)7201和/或高速缓存存储单元7202,还可以进一步包括只读存储单元(ROM)7203。
所述存储单元720还可以包括具有一组(至少一个)程序模块7205 的程序/实用工具7204,这样的程序模块7205包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线730可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备700也可以与一个或多个外部设备800(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备700 交互的设备通信,和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口750进行。并且,电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN),广域网(WAN) 和/或公共网络,例如因特网)通信。网络适配器760可以通过总线730 与电子设备700的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备700使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是 CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的风险评估方法。
本领域技术人员在考虑说明书及实践这里公开的方案后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由所附的权利要求指出。
Claims (10)
1.一种风险评估方法,其特征在于,应用于服务器,该风险评估方法包括:
当用户作为信贷申请用户在线上或线下向信贷机构申请信贷服务时,通过终端设备上的前端信贷欺诈检测接口访问后端的服务器,通过在终端设备的输入框中输入进行信贷申请的用户的移动设备的识别码,接收来自终端设备的移动设备的识别码;
在识别码数据库中查询所述识别码;
如果所述识别码存在于所述识别码数据库中,则查询应用程序安装和使用特征表,以获取与所述识别码对应的安装使用信息以及应用程序的描述信息,所述应用程序的描述信息包括对应用程序的说明内容,以了解应用程序;
通过类别划分模型生成所述应用程序的类别信息,其中所述类别划分模型将在移动设备内安装的应用程序的名称和数量、有安装关联的应用程序的名称和相关度、有使用关联的应用程序的名称和相关度,以及结合所述描述信息进行文本处理并基于类别相似度判断生成所述类别信息,其中,有安装关联的应用程序的相关度指经过统计,安装了某一应用程序后,安装其它应用程序的可能性程度;有使用关联的应用程序的相关度指经过统计,使用了某一应用程序后,使用其它应用程序的可能性程度;应用程序的安装使用信息,由移动设备向服务器提供或者由服务器定期或响应于事件触发主动向移动设备请求获取,移动设备在与服务器进行数据交换时,提供识别码作为身份验证;
通过风险评估模型生成与所述识别码对应的风险评估级别,所述风险评估模型对金融消费行为相关的应用程序的所述安装使用信息以及所述类别信息进行分类以生成所述风险评估级别;所述安装使用信息包括如下至少之一:在移动设备内安装的应用程序的名称和数量、在特定时间期间内应用程序的安装记录、在特定时间期间内应用程序的使用记录、应用程序的安全记录、有安装关联的应用程序的名称和相关度、有使用关联的应用程序的名称和相关度;以及
向所述终端设备发送所述风险评估级别,在终端设备的信息框中返回信贷风险评估信息。
2.根据权利要求1所述的风险评估方法,其特征在于,基于来自所述移动设备的所述安装使用信息的更新数据以及所述描述信息,训练所述类别划分模型以识别新的应用程序的类别。
3.根据权利要求1所述的风险评估方法,其特征在于,还包括:当接收来自移动设备的所述应用程序的安装使用信息和描述信息时,更新所述识别码数据库和所述应用程序安装和使用特征表。
4.根据权利要求1所述的风险评估方法,其特征在于,还包括:获取来自所述终端设备的所述风险评估级别的反馈以更新所述风险评估模型。
5.根据权利要求1所述的风险评估方法,其特征在于,所述识别码为IMEI码。
6.一种风险评估方法,其特征在于,应用于终端设备,该风险评估方法包括:
当用户作为信贷申请用户在线上或线下向信贷机构申请信贷服务时,通过终端设备上的前端信贷欺诈检测接口访问后端的服务器,通过在终端设备的输入框中输入进行信贷申请的用户的移动设备的识别码,向服务器发送移动设备的识别码,以使服务器在识别码数据库中查询所述识别码;如果所述识别码存在于所述识别码数据库中,则查询应用程序安装和使用特征表,以获取与所述识别码对应的安装使用信息以及应用程序的描述信息,所述应用程序的描述信息包括对应用程序的说明内容,以了解应用程序;通过类别划分模型生成所述应用程序的类别信息,其中所述类别划分模型将在移动设备内安装的应用程序的名称和数量、有安装关联的应用程序的名称和相关度、有使用关联的应用程序的名称和相关度,以及结合所述描述信息进行文本处理并基于类别相似度判断生成所述类别信息;其中,有安装关联的应用程序的相关度指经过统计,安装了某一应用程序后,安装其它应用程序的可能性程度;有使用关联的应用程序的相关度指经过统计,使用了某一应用程序后,使用其它应用程序的可能性程度;应用程序的安装使用信息,由移动设备向服务器提供或者由服务器定期或响应于事件触发主动向移动设备请求获取,移动设备在与服务器进行数据交换时,提供识别码作为身份验证;
接收来自所述服务器的基于金融消费行为相关的应用程序的所述安装使用信息以及所述类别信息生成的与所述识别码对应的风险评估级别,所述安装使用信息包括如下至少之一:在移动设备内安装的应用程序的名称和数量、在特定时间期间内应用程序的安装记录、在特定时间期间内应用程序的使用记录、应用程序的安全记录、有安装关联的应用程序的名称和相关度、有使用关联的应用程序的名称和相关度;
在终端设备的信息框中返回信贷风险评估信息。
7.一种风险评估装置,其特征在于,应用于服务器,该风险评估装置包括:
获取单元,设置为当用户作为信贷申请用户在线上或线下向信贷机构申请信贷服务时,通过终端设备上的前端信贷欺诈检测接口访问后端的服务器,通过在终端设备的输入框中输入进行信贷申请的用户的移动设备的识别码,接收来自终端设备的移动设备的识别码;
特征生成单元,设置为在识别码数据库中查询识别码;如果识别码存在于识别码数据库中,则查询移动设备安装和使用特征表,以获取与识别码对应的应用程序的安装使用信息以及描述信息,所述应用程序的描述信息包括对应用程序的说明内容,以了解应用程序,通过类别划分模型生成所述应用程序的类别信息,其中所述类别划分模型将在移动设备内安装的应用程序的名称和数量、有安装关联的应用程序的名称和相关度、有使用关联的应用程序的名称和相关度,以及结合所述描述信息进行文本处理并基于类别相似度判断生成所述类别信息;其中,有安装关联的应用程序的相关度指经过统计,安装了某一应用程序后,安装其它应用程序的可能性程度;有使用关联的应用程序的相关度指经过统计,安装了某一应用程序后,使用其它应用程序的可能性程度;应用程序的安装使用信息,由移动设备向服务器提供或者由服务器定期或响应于事件触发主动向移动设备请求获取,移动设备在与服务器进行数据交换时,提供识别码作为身份验证;
风险评估单元,设置为通过风险评估模型生成与所述识别码对应的风险评估级别,所述风险评估模型对金融消费行为相关的应用程序的所述安装使用信息以及所述类别信息进行分类以生成所述风险评估级别;所述安装使用信息包括如下至少之一:在移动设备内安装的应用程序的名称和数量、在特定时间期间内应用程序的安装记录、在特定时间期间内应用程序的使用记录、应用程序的安全记录、有安装关联的应用程序的名称和相关度、有使用关联的应用程序的名称和相关度;以及
发送单元,设置为向所述终端设备发送所述风险评估级别,在终端设备的信息框中返回信贷风险评估信息。
8.一种风险评估终端设备,其特征在于,该风险评估终端设备包括:
发送单元,设置为当用户作为信贷申请用户在线上或线下向信贷机构申请信贷服务时,通过终端设备上的前端信贷欺诈检测接口访问后端的服务器,通过在终端设备的输入框中输入进行信贷申请的用户的移动设备的识别码,向服务器发送移动设备的识别码,以使服务器在识别码数据库中查询所述识别码;如果所述识别码存在于所述识别码数据库中,则查询应用程序安装和使用特征表,以获取与所述识别码对应的安装使用信息以及应用程序的描述信息,所述应用程序的描述信息包括对应用程序的说明内容,以了解应用程序;通过类别划分模型生成所述应用程序的类别信息,其中所述类别划分模型将在移动设备内安装的应用程序的名称和数量、有安装关联的应用程序的名称和相关度、有使用关联的应用程序的名称和相关度,以及结合所述描述信息进行文本处理并基于类别相似度判断生成所述类别信息;其中,有安装关联的应用程序的相关度指经过统计,安装了某一应用程序后,安装其它应用程序的可能性程度;有使用关联的应用程序的相关度指经过统计,安装了某一应用程序后,使用其它应用程序的可能性程度;应用程序的安装使用信息,由移动设备向服务器提供或者由服务器定期或响应于事件触发主动向移动设备请求获取,移动设备在与服务器进行数据交换时,提供识别码作为身份验证;
接收单元,设置为接收来自所述服务器的基于金融消费行为相关的应用程序的所述安装使用信息以及所述类别信息生成的与所述识别码对应的风险评估级别,所述安装使用信息包括如下至少之一:在移动设备内安装的应用程序的名称和数量、在特定时间期间内应用程序的安装记录、在特定时间期间内应用程序的使用记录、应用程序的安全记录、有安装关联的应用程序的名称和相关度、有使用关联的应用程序的名称和相关度,在终端设备的信息框中返回信贷风险评估信息。
9.一种计算机可读存储介质,其上存储有包括可执行指令的计算机程序,所述可执行指令被处理器执行时,实施根据权利要求1至5中任一项所述的风险评估方法。
10.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行根据权利要求1至5中任一项所述的风险评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810305580.3A CN110197315B (zh) | 2018-04-08 | 2018-04-08 | 风险评估方法、装置及其存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810305580.3A CN110197315B (zh) | 2018-04-08 | 2018-04-08 | 风险评估方法、装置及其存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110197315A CN110197315A (zh) | 2019-09-03 |
CN110197315B true CN110197315B (zh) | 2024-03-22 |
Family
ID=67751286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810305580.3A Active CN110197315B (zh) | 2018-04-08 | 2018-04-08 | 风险评估方法、装置及其存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110197315B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796542A (zh) * | 2019-09-26 | 2020-02-14 | 北京淇瑀信息科技有限公司 | 金融风险控制方法、金融风险控制装置和电子设备 |
CN110705637A (zh) * | 2019-09-29 | 2020-01-17 | 上海淇玥信息技术有限公司 | 一种基于应用安装列表信息的用户分类的方法、装置和电子设备 |
CN110796453A (zh) * | 2019-09-30 | 2020-02-14 | 深圳市云积分科技有限公司 | 电商会员等级处理方法及装置 |
CN111161042A (zh) * | 2019-11-26 | 2020-05-15 | 深圳壹账通智能科技有限公司 | 个人风险评估方法、装置、终端及存储介质 |
CN111210336A (zh) * | 2019-12-16 | 2020-05-29 | 北京淇瑀信息科技有限公司 | 用户风险模型生成方法、装置及电子设备 |
CN111210335B (zh) * | 2019-12-16 | 2023-11-14 | 北京淇瑀信息科技有限公司 | 用户风险识别方法、装置及电子设备 |
CN111429003B (zh) * | 2020-03-23 | 2023-11-03 | 北京互金新融科技有限公司 | 数据处理方法及装置 |
CN113497743A (zh) * | 2020-04-07 | 2021-10-12 | 陈美章 | 一种网络应用监测分析***及方法 |
CN111783039B (zh) * | 2020-06-30 | 2023-08-18 | 北京百度网讯科技有限公司 | 风险确定方法、装置、计算机***和存储介质 |
CN112862298B (zh) * | 2020-07-09 | 2024-02-27 | 北京睿知图远科技有限公司 | 一种针对用户画像的信用评估方法 |
CN111784174B (zh) * | 2020-07-10 | 2022-09-20 | 上海淇毓信息科技有限公司 | 一种基于用户画像管理风险策略的方法、装置和电子设备 |
CN113362156B (zh) * | 2021-05-26 | 2023-10-17 | 哈尔滨工业大学重庆研究院 | 基于物联网的金融欺诈检测识别*** |
CN113254932B (zh) * | 2021-06-16 | 2024-02-27 | 百度在线网络技术(北京)有限公司 | 应用程序的风险检测方法、装置、电子设备和介质 |
CN113706040B (zh) * | 2021-09-01 | 2024-05-28 | 深圳前海微众银行股份有限公司 | 风险识别方法、装置、设备及存储介质 |
CN116074118B (zh) * | 2023-03-07 | 2023-06-13 | 北京安胜华信科技有限公司 | 一种api访问控制方法、***、智能终端及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968297A (zh) * | 2012-10-25 | 2013-03-13 | 北京奇虎科技有限公司 | 移动终端的软件管理***及方法 |
CN106504099A (zh) * | 2015-09-07 | 2017-03-15 | 国家计算机网络与信息安全管理中心 | 一种构建用户画像的*** |
CA2931808A1 (en) * | 2016-05-31 | 2017-11-30 | Tracker Networks Inc. | Methos and systems for mobile device risk mamnagement |
CN107767259A (zh) * | 2017-09-30 | 2018-03-06 | 平安科技(深圳)有限公司 | 贷款风险控制方法、电子装置及可读存储介质 |
CN107798118A (zh) * | 2017-11-08 | 2018-03-13 | 北京奇虎科技有限公司 | 基于大数据的用户画像构造方法、装置及计算设备 |
CN107818506A (zh) * | 2017-09-30 | 2018-03-20 | 上海壹账通金融科技有限公司 | 电子装置、信贷风险控制方法及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060287947A1 (en) * | 2005-06-16 | 2006-12-21 | Toms Alvin D | Non-payment risk assessment |
-
2018
- 2018-04-08 CN CN201810305580.3A patent/CN110197315B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968297A (zh) * | 2012-10-25 | 2013-03-13 | 北京奇虎科技有限公司 | 移动终端的软件管理***及方法 |
CN106504099A (zh) * | 2015-09-07 | 2017-03-15 | 国家计算机网络与信息安全管理中心 | 一种构建用户画像的*** |
CA2931808A1 (en) * | 2016-05-31 | 2017-11-30 | Tracker Networks Inc. | Methos and systems for mobile device risk mamnagement |
CN107767259A (zh) * | 2017-09-30 | 2018-03-06 | 平安科技(深圳)有限公司 | 贷款风险控制方法、电子装置及可读存储介质 |
CN107818506A (zh) * | 2017-09-30 | 2018-03-20 | 上海壹账通金融科技有限公司 | 电子装置、信贷风险控制方法及存储介质 |
CN107798118A (zh) * | 2017-11-08 | 2018-03-13 | 北京奇虎科技有限公司 | 基于大数据的用户画像构造方法、装置及计算设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110197315A (zh) | 2019-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110197315B (zh) | 风险评估方法、装置及其存储介质 | |
US11657456B2 (en) | Systems and methods for allocating resources using information technology infrastructure | |
WO2020238535A1 (zh) | 聚合支付商户的套现风险检测方法及装置、电子设备 | |
US11531987B2 (en) | User profiling based on transaction data associated with a user | |
US20190147430A1 (en) | Customizing payment sessions with machine learning models | |
CN110020862B (zh) | 一种业务风险评估方法、装置和计算机可读存储介质 | |
US20090319411A1 (en) | Personal finance integration system and method | |
US20100076873A1 (en) | Fee refund management | |
CN110070430A (zh) | 评估还款风险的方法及装置、存储介质、电子设备 | |
CN111046184B (zh) | 文本的风险识别方法、装置、服务器和存储介质 | |
US20210241382A1 (en) | Employment status detection based on transaction information | |
CN111340616A (zh) | 线上贷款的审批方法、装置、设备及介质 | |
CN112232947B (zh) | 贷中风险预测方法及装置 | |
CN110348471B (zh) | 异常对象识别方法、装置、介质及电子设备 | |
US20220366488A1 (en) | Transmitting proactive notifications based on machine learning model predictions | |
AU2020405098A1 (en) | System and method for assessing a digital interaction with a digital third party account service | |
US20230274282A1 (en) | Transaction tracking and fraud detection using voice and/or video data | |
US20240037655A1 (en) | Machine learning based automated management of customer accounts | |
US20240144278A1 (en) | Systems and methods for fraud monitoring | |
CN112162762A (zh) | 灰度发布方法、灰度发布装置和电子设备 | |
CN116468444A (zh) | 一种消费预警方法、***、设备和存储介质 | |
US20130060670A1 (en) | Alert based personal finance management system | |
US11972446B2 (en) | Communication channel or communication timing selection based on user engagement | |
US10956925B1 (en) | Method and system for performing transactions using aggregate payment media | |
US20220245651A1 (en) | Systems and methods for enhanced resource protection and automated response |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |