CN110245165A - 风险传导关联图谱优化方法、装置和计算机设备 - Google Patents
风险传导关联图谱优化方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN110245165A CN110245165A CN201910419723.8A CN201910419723A CN110245165A CN 110245165 A CN110245165 A CN 110245165A CN 201910419723 A CN201910419723 A CN 201910419723A CN 110245165 A CN110245165 A CN 110245165A
- Authority
- CN
- China
- Prior art keywords
- risk
- association
- node
- data
- conduction
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及大数据技术领域,提供了一种风险传导关联图谱优化方法、装置、计算机设备和存储介质。方法包括:获取初始风险传导关联图谱中的风险节点及其对应的用户风险数据,根据风险节点对应的设备标签信息,确定风险节点的设备标签风险权重参数,根据直接关联的风险节点间的关联因子和对应的用户风险数据,确定关联因子的基准权重参数,根据间接关联的风险节点间的关联因子组合,以及组合中各关联因子的关联等级,结合基准权重参数,确定关联因子在各关联等级下的风险传导权重参数,更新初始风险传导关联图谱的参数,优化风险传导关联图谱,充分挖掘关联图谱各节点之间的深度联系,来实现对初始风险传导关联图谱的优化,有利于提高风险分析效率。
Description
技术领域
本申请涉及大数据技术领域,特别是涉及一种风险传导关联图谱优化方法、装置、计算机设备和存储介质。
背景技术
知识图谱又称为科学知识图谱,是显示知识发展进程与结构关系的一系列各种不同的图形,用可视化技术描述知识资源及其载体,挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。在通用意义上,知识图谱主要的目标是用来描述真实世界中存在的各种实体和概念,以及它们之间的关联关系。
传统的知识图谱,可以通过实体以及实体间的关联关系来构建得到,可用于进行实体间的风险传导,在一些应用场景中,可以基于某些因子信息建立节点间的关联关系来构建得到风险传导关联图谱,表征节点之间的关系网络,进行风险传导分析。
但由于传统方式构建的知识图谱中,节点数据维度的多样性,在一定程度上导致了风险传导关联图谱关联关系的错综复杂。一方面,传统的风险传导关联图谱有着巨大的节点基础数据,一定程度上影响了关系传导的计算复杂程度,另一方面,确定节点间的关系传导计算需要通过梳理节点间关联关系,并进行实时计算得到,进而导致了这种风险传导关联图谱在进行风险传导分析时,存在着数据分析效率不高的问题,这种风险传导关联图谱亟待优化。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高关联图谱分析效率的风险传导关联图谱优化方法、装置、计算机设备和存储介质。
一种风险传导关联图谱优化方法,所述方法包括:
获取初始风险传导关联图谱中的风险节点以及所述风险节点对应的用户风险数据;
获取所述风险节点对应风险用户的设备标签信息,根据所述设备标签信息和所述用户风险数据,确定所述风险节点的设备标签风险权重参数;
根据所述风险节点间的关联关系,确定直接关联的风险节点间的关联因子、间接关联的风险节点间的关联因子组合,以及所述关联因子组合中各关联因子的关联等级,并根据所述风险节点对应的用户风险数据,确定所述关联因子的基准权重参数;
根据所述关联因子组合中各关联因子的基准权重参数,以及所述关联因子的关联等级,确定所述关联因子在各关联等级下的风险传导权重参数;
根据所述设备标签风险权重参数、所述关联因子的基准权重参数以及所述关联因子在不同关联等级下的风险传导权重参数,更新所述初始风险传导关联图谱的参数,得到优化的风险传导关联图谱。
在其中一个实施例中,所述获取初始风险传导关联图谱中的风险节点以及所述风险节点对应的用户风险数据之前,还包括:
获取用于构建初始风险传导关联图谱的各用户的用户数据信息,并将所述各用户标注为关联图谱节点,筛选各所述用户中携带有用户风险数据的风险用户,将所述风险用户对应的关联图谱节点标注为风险节点;
根据获取的数据信息提取消息中携带的多个数据维度信息,提取所述用户数据信息中与各所述数据维度对应的数据值;
查找包含相同所述数据值的各特征关联图谱节点,并将所述数据值对应的数据维度标记为所述特征关联图谱节点间的关联因子;
根据所述关联图谱节点和所述关联因子,构建所述初始风险传导关联图谱,所述初始风险传导关联图谱标注有风险节点。
在其中一个实施例中,所述根据获取的数据信息提取消息中携带的多个数据维度信息,提取所述用户数据信息中与各所述数据维度对应的数据值之前,还包括:
获取已有风险用户的样本数据,对所述样本数据中的风险数据进行数据维度标注;
统计各所述样本数据中的各所述维度数据的共现频率,并筛选出所述共现频率满足设定阈值的数据维度;
根据筛选得到的数据维度,生成携带有数据维度信息的所述数据信息提取消息。
在其中一个实施例中,所述获取所述风险节点对应风险用户的设备标签信息,根据所述设备标签信息和所述用户风险数据,确定所述风险节点的设备标签风险权重参数包括:
获取风险节点对应风险用户的设备标签信息,提取所述设备标签信息中各设备标签携带的风险标识,所述风险标识包括有风险和无风险;
根据各所述风险标签携带的风险标识对应的组合结果,以及所述风险节点对应的用户风险数据,得到各所述风险标签对所述用户风险数据的影响权重;
根据所述风险节点中的携带有风险标识的风险标签,以及各所述风险标签影响权重,确定所述风险节点的设备标签风险权重参数。
在其中一个实施例中,所述根据所述关联因子组合中各关联因子的基准权重参数,以及所述关联因子的关联等级,确定所述关联因子在各关联等级下的风险传导权重参数包括:
根据所述关联因子组合中各关联因子的关联等级,以及所述关联因子组合中对应的风险节点对应的用户风险数据,获得所述关联因子组合对应的组合权重参数;
根据所述组合权重参数以及所述关联因子组合中各关联因子的基准权重参数,获取所述关联因子在各关联等级下的风险传导权重参数。
在其中一个实施例中,所述根据所述设备标签风险权重参数、所述关联因子的基准权重参数以及所述关联因子在不同关联等级下的风险传导权重参数,更新所述初始风险传导关联图谱的参数,得到优化的风险传导关联图谱之后,还包括:
当接收到目标用户的风险分析请求时,获取所述目标用户的设备标签信息;
根据所述设备标签信息,获得目标用户的第一风险数据;
根据所述优化的风险传导关联图谱,查找所述目标用户的关联风险用户;
根据所述关联因子的基准权重参数以及所述关联因子在不同关联等级下的风险传导权重参数,获得所述关联风险用户对所述目标用户的传导风险概率,得到第二风险数据;
根据所述第一风险数据和所述第二风险数据,获得所述目标用户的风险概率。
在其中一个实施例中,所述根据所述第一风险数据和所述第二风险数据,获得所述目标用户的风险概率之后,还包括:
根据获取的样本数据中各用户的风险概率以及所述各用户的违约情况,划分风险等级,并确定各所述风险等级对应的服务建议;
根据所述目标用户的风险概率,查找所述目标用户的风险概率所在的风险等级,并输出与所述风险等级对应的服务建议。
一种风险传导关联图谱优化装置,所述装置包括:
风险节点获取模块,用于获取初始风险传导关联图谱中的风险节点以及所述风险节点对应的用户风险数据;
设备标签风险权重参数确定模块,用于获取所述风险节点对应风险用户的设备标签信息,根据所述设备标签信息和所述用户风险数据,确定所述风险节点的设备标签风险权重参数;
基准权重参数确定模块,用于根据所述风险节点间的关联关系,确定直接关联的风险节点间的关联因子、间接关联的风险节点间的关联因子组合,以及所述关联因子组合中各关联因子的关联等级,并根据所述风险节点对应的用户风险数据,确定所述关联因子的基准权重参数;
风险传导权重参数确定模块,用于根据所述关联因子组合中各关联因子的基准权重参数,以及所述关联因子的关联等级,确定所述关联因子在各关联等级下的风险传导权重参数;
初始风险传导关联图谱优化模块,用于根据所述设备标签风险权重参数、所述关联因子的基准权重参数以及所述关联因子在不同关联等级下的风险传导权重参数,更新所述初始风险传导关联图谱的参数,得到优化的风险传导关联图谱。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现以下步骤:
获取初始风险传导关联图谱中的风险节点以及所述风险节点对应的用户风险数据;
获取所述风险节点对应风险用户的设备标签信息,根据所述设备标签信息和所述用户风险数据,确定所述风险节点的设备标签风险权重参数;
根据所述风险节点间的关联关系,确定直接关联的风险节点间的关联因子、间接关联的风险节点间的关联因子组合,以及所述关联因子组合中各关联因子的关联等级,并根据所述风险节点对应的用户风险数据,确定所述关联因子的基准权重参数;
根据所述关联因子组合中各关联因子的基准权重参数,以及所述关联因子的关联等级,确定所述关联因子在各关联等级下的风险传导权重参数;
根据所述设备标签风险权重参数、所述关联因子的基准权重参数以及所述关联因子在不同关联等级下的风险传导权重参数,更新所述初始风险传导关联图谱的参数,得到优化的风险传导关联图谱。
一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现以下步骤:
获取初始风险传导关联图谱中的风险节点以及所述风险节点对应的用户风险数据;
获取所述风险节点对应风险用户的设备标签信息,根据所述设备标签信息和所述用户风险数据,确定所述风险节点的设备标签风险权重参数;
根据所述风险节点间的关联关系,确定直接关联的风险节点间的关联因子、间接关联的风险节点间的关联因子组合,以及所述关联因子组合中各关联因子的关联等级,并根据所述风险节点对应的用户风险数据,确定所述关联因子的基准权重参数;
根据所述关联因子组合中各关联因子的基准权重参数,以及所述关联因子的关联等级,确定所述关联因子在各关联等级下的风险传导权重参数;
根据所述设备标签风险权重参数、所述关联因子的基准权重参数以及所述关联因子在不同关联等级下的风险传导权重参数,更新所述初始风险传导关联图谱的参数,得到优化的风险传导关联图谱。
上述风险传导关联图谱优化方法、装置、计算机设备和存储介质,在初始风险传导关联图谱的基础上,通过存在直接关联的风险节点间的关联因子,分析风险节点对应风险用户的设备标签信息,得到设备标签风险权重参数,通过存在直接关联的风险节点间的关联因子,确定关联因子的基准权重参数,通过存在间接关联的风险节点间的关联因子组合中各关联因子的关联等级,确定各关联因子在各关联等级下的风险传导权重参数,从而对初始风险传导关联图谱进行优化,充分挖掘了关联图谱各节点之间的深度联系,明确了风险节点间的具体的传导参数,利用参数优化的风险传导关联图谱,可直接进行风险的传导,简化了节点间关联关系的梳理与实时计算过程,通过分析得到的设备标签风险权重参数,作为节点数据的评估参数,简化了节点基础数据量,便于进行风险传导分析,提高了风险分析效率。
附图说明
图1为一个实施例中风险传导关联图谱优化方法的应用场景图;
图2为一个实施例中风险传导关联图谱优化方法的流程示意图;
图3为另一个实施例中风险传导关联图谱优化方法的流程示意图;
图4为再一个实施例中风险传导关联图谱优化方法的流程示意图;
图5为又一个实施例中风险传导关联图谱优化方法的流程示意图;
图6为一个实施例中风险传导关联图谱优化装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的风险传导关联图谱优化方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104通过网络进行通信。服务器104获取初始风险传导关联图谱中的风险节点以及风险节点对应的用户风险数据,获取风险节点对应风险用户的设备标签信息,根据设备标签信息和用户风险数据,确定风险节点的设备标签风险权重参数,根据风险节点间的关联关系,确定直接关联的风险节点间的关联因子、间接关联的风险节点间的关联因子组合,以及关联因子组合中各关联因子的关联等级,并根据风险节点对应的用户风险数据,确定关联因子的基准权重参数根据关联因子组合中各关联因子的基准权重参数,以及关联因子的关联等级,确定关联因子在各关联等级下的风险传导权重参数;根据设备标签风险权重参数、关联因子的基准权重参数以及关联因子在不同关联等级下的风险传导权重参数,更新初始风险传导关联图谱的参数,得到优化的风险传导关联图谱,并将优化的风险传导关联图谱推送至终端102。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种风险传导关联图谱优化方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤S300,获取初始风险传导关联图谱中的风险节点以及风险节点对应的用户风险数据。
初始风险传导关联图谱是指以各用户为节点,以用户之间存在相同数据为连接关系,该相同数据对应的数据维度作为节点间的关联因子而构建的用于表征各用户之间的联系的知识图谱,根据各关联谱图节点中携带有用户风险数据的节点,通过进行风险节点标注,可以得到标注有风险节点的初始风险传导关联图谱。用户风险数据是指已经产生了风险行为,例如违约、逾期等,根据其具体的违约情况进行风险评估,得到的用户表征用户风险情况的评分值数据,可以通过已有的风险数据库中各用户的风险行为记录分析得到。在实施例中,风险行为次数越多,风险行为对应的情节越严重,该用户对应的用户风险数据数值越大,未产生风险行为的用户不包含用户风险数据,根据用户风险数据,可以确定初始风险传导关联图谱的各用户是否为风险用户,对初始风险传导关联图谱的进行风险节点标注。
步骤S400,获取风险节点对应风险用户的设备标签信息,根据设备标签信息和用户风险数据,确定风险节点的设备标签风险权重参数。
风险节点是包含有用户风险数据的节点,故风险节点对应的用户为风险用户,风险用户产生的风险行为一般在用户使用的移动设备中存在着相关的记录,例如,用户的浏览记录,搜索记录,不良APP使用记录,贷款APP使用记录,设备刷机记录,同手机号多设备、同设备不同手机号数等,用户移动设备中的各数据记录对应一个设备标签,根据具体的数据记录的数据内容与风险数据库的匹配,可以确定各设备标签的风险标识为有风险或是无风险,根据众多的风险节点,以及各风险节点的用户风险数据,可以得到多个携带有风险标识的设备标签组合,从而得到各设备标签对用户风险数据影响权重,通过对影响权重的累加计算,得到风险节点的设备标签风险权重参数。
步骤S500,根据风险节点间的关联关系,确定直接关联的风险节点间的关联因子、间接关联的风险节点间的关联因子组合,以及关联因子组合中各关联因子的关联等级,并根据风险节点对应的用户风险数据,确定关联因子的基准权重参数。
关联关系是指两个节点间的联系,关联关系包括直接关联和间接关联,举例来说,用户A、用户B以及用户C均为风险用户,当用户A与用户B在家庭住址相同,依据家庭住址这一关联因子关联到一起,则用户A与用户B之间的关联关系为直接关联,当用户B与用户C的工作单位相同,则依据工作单位这一关联因子关联到一起,则用户B与用户C之间的关联关系也为直接关联,从而,用户A与用户C之间的关联关系为通过用户B间接关联。根据风险用户的用户风险数据,以及存在直接关联关系的风险节点间的关联因子,构建多个关联因子与用户风险数据的关联关系式组,由于用户风险数据为已知数据,可以通过数据计算,以及数据计算结果的数据拟合处理,得到各关联因子的基准权重参数,基准权重参数用于表征各关联因子在各节点间的传导性的强弱。
间接关联的风险节点间可能存在一个或多个中间节点,从而对应存在多个关联因子,例如,用户A,用户D、用户E为风险用户,用户B和用户C为正常用户时,用户A与用户B通过家庭住址这一关联因子直接关联,用户B与用户C通过工作单位这一关联因子直接关联,用户B与用户D通过同一手机号直接关联,用户C与用户E通过同一软件账号直接关联,根据上述直接关联关系,可以确定用户A与用户D间接关联,用户A与用户E间接关联,用户D与用户E间接关联,各风险用户间的关联因子组合不同,根据关联因子的数量,可以确定关联因子组合中各关联因子的关联等级。其中,关联因子的关联等级与关联传导方向有关。例如,用户A—家庭住址—用户B—手机号—用户D,以及用户D—手机号—用户B—家庭住址—用户A,这两组关联因子组合中,手机号这一关联因子对应的关联等级是不同的,家庭住址这一关联因子亦然。
步骤S600,根据关联因子组合中各关联因子的基准权重参数,以及关联因子的关联等级,确定关联因子在各关联等级下的风险传导权重参数。
根据各风险用户的用户风险数据,各关联因子的基准权重参数以及存在间接关联关系的风险节点间的关联因子,构建多个关联因子组合与用户风险数据的关联关系式组,由于用户风险数据为已知数据,可以通过数据计算,以及数据计算结果的数据拟合处理,得到各关联因子在不同关联等级下的风险传导权重参数。
步骤S700,根据设备标签风险权重参数、关联因子的基准权重参数以及关联因子在不同关联等级下的风险传导权重参数,更新初始风险传导关联图谱的参数,得到优化的风险传导关联图谱。
在原有初始风险传导关联图谱的基础上,通过分析各设备标签风险权重参数、节点之间的关联因子的基准权重参数,以及各关联因子在不同关联等级下的风险传导权重参数,对风险传导关联图谱进行优化,根据优化的风险传导关联图谱,结合标签和因子权重比及关联度的差异信息推导出风险传导的概率数据。在优化的风险传导关联图谱中,如果某一节点已可明确标识出是存在欺诈的风险节点,就可以得出跟其关联项的其他未知风险情况的节点的欺诈风险概率,提高了风险概率结果的准确性,进而评估出基于风险概率,可评估是否为欺诈者,进而予以拒绝或是重点调查,节省人力和时间。
上述风险传导关联图谱优化方法,在初始风险传导关联图谱的基础上,通过存在直接关联的风险节点间的关联因子,分析风险节点对应风险用户的设备标签信息,得到设备标签风险权重参数,通过存在直接关联的风险节点间的关联因子,确定关联因子的基准权重参数,通过存在间接关联的风险节点间的关联因子组合中各关联因子的关联等级,确定各关联因子在各关联等级下的风险传导权重参数,从而对初始风险传导关联图谱进行优化,充分挖掘了关联图谱各节点之间的深度联系,明确了风险节点间的具体的传导参数,利用参数优化的风险传导关联图谱,可直接进行风险的传导,简化了节点间关联关系的梳理与实时计算过程,通过分析得到的设备标签风险权重参数,作为节点数据的评估参数,简化了节点基础数据量,便于进行风险传导分析,提高了风险分析效率。
在另一个实施例中,如图3所示,步骤S300,获取初始风险传导关联图谱中的风险节点以及风险节点对应的用户风险数据之前,还包括:
步骤S120,获取用于构建初始风险传导关联图谱的各用户的用户数据信息,并将各用户标注为关联图谱节点,筛选各用户中携带有用户风险数据的风险用户,将风险用户对应的关联图谱节点标注为风险节点。
步骤S140,根据获取的数据信息提取消息中携带的多个数据维度信息,提取用户数据信息中与各数据维度对应的数据值。
步骤S160,查找包含相同数据值的各特征关联图谱节点,并将数据值对应的数据维度标记为特征关联图谱节点间的关联因子。
步骤S180,根据所述关联图谱节点和所述关联因子,构建所述初始风险传导关联图谱,所述初始风险传导关联图谱标注有风险节点。
初始风险传导关联图谱用于展示用户间的关联关系,将包含用户数据信息的用户标记为标注为关联图谱节点,用户数据信息可以是包括风险数据的已违约用户的各维度的数据信息,也可以是处于正常状态的未违约用户的各维度的数据信息,数据信息提取消息用于根据其携带的数据维度信息,从用户数据信息中提取所需要的数据维度的相关数据值,数据维度信息是指根据实际需求,预先进行分析得到的用于表征用户间联系强弱的各数据维度。通过设定数据维度,可以是初始风险传导模型更有条理更加规范。若两个节点间存在相同的数据值,则可以将该节点确定为特征关联图谱节点,筛选各用户中携带有用户风险数据的风险用户,将风险用户对应的关联图谱节点标注为风险节点,根据数据值建立两个特征关联图谱节点间的关联关系,并将该数据值对应的数据维度标记为特征关联图谱节点间的关联因子,基于关联图谱节点和关联因子,构建得到标注有风险节点的初始风险传导关联图谱。
在其中一个实施例中,如图3所示,步骤S140,根据获取的数据信息提取消息中携带的多个数据维度信息,提取用户数据信息中与各数据维度对应的数据值之前,还包括:
步骤S132,获取已有风险用户的样本数据,对样本数据中的风险数据进行数据维度标注。
步骤S134,统计各样本数据中的各维度数据的共现频率,并筛选出共现频率满足设定阈值的数据维度。
步骤S136,根据筛选得到的数据维度,生成携带有数据维度信息的数据信息提取消息。
共现是指在不同数据中同时出现相同字段的现象,同一维度数据的共现频率是指,根据相同字段的维度标签,确定该维度标签的具体字段在不同数据中同时出现的频率,获取大量已有风险用户的样本数据,对样本数据进行清洗,去除干扰信息,并对完成数据清洗的样本数据进行数据维度标注,统计各样本间的相同维度的数据的共现频率,筛选出共现频率满足设定阈值的数据维度,根据筛选得到的数据维度,生成携带有数据维度信息的数据信息提取消息,以确定初始关联图谱节点间的关联因子。共现频率的设定阈值可以根据实际需求进行设定。
在又一个实施例中,如图4所示,步骤S400,获取风险节点对应风险用户的设备标签信息,根据设备标签信息和用户风险数据,确定风险节点的设备标签风险权重参数包括:
步骤S420,获取风险节点对应风险用户的设备标签信息,提取设备标签信息中各设备标签携带的风险标识,风险标识包括有风险和无风险。
步骤S440,根据各风险标签携带的风险标识对应的组合结果,以及风险节点对应的用户风险数据,得到各风险标签对用户风险数据的影响权重。
步骤S460,根据风险节点中的携带有风险标识的风险标签,以及各风险标签影响权重,确定风险节点的设备标签风险权重参数。
设备标签信息为多个设备标签构成的标签集合,设备标签具体包括设备指纹、开机时长、模拟器、不良APP、贷款APP、浏览器记录、搜索记录、代理IP、通话记录、通讯录、微信数据、设备刷机、设备黑名单、同手机号多设备、同设备不同手机号数、设备常用地等。各设备标签根据其具体数据记录,查找对应的风险数据库,当存在匹配的数据记录时,将该设备标签的风险标识标注为有风险,反之,则标注为无风险。根据标签集合中各设备标签对应的风险标识进行组合,得到风险标识组合结果,根据各风险节点对应的风险标识组合结果,以及各风险节点对应的用户风险数据,可以构建多个风险标识组合与用户风险数据的关系式组,通过对关系式组进行求解,可以得到多组计算结果,通过计算结果中的各个风险标签的对应数值,进行数据拟合处理,根据拟合结果得到各风险标签对用户风险数据的影响权重,根据各风险节点中的携带有风险标识的风险标签,以及各风险标签影响权重,通过累加计算得到该风险节点的设备标签风险权重参数。
在还一个实施例中,如图5所示,步骤S600,根据关联因子组合中各关联因子的基准权重参数,以及关联因子的关联等级,确定关联因子在各关联等级下的风险传导权重参数包括:
步骤S620,根据关联因子组合中各关联因子的关联等级,以及关联因子组合中对应的风险节点对应的用户风险数据,获得关联因子组合对应的组合权重参数。
步骤S640,根据组合权重参数以及关联因子组合中各关联因子的基准权重参数,获取关联因子在各关联等级下的风险传导权重参数。
关联因子组合是指两个风险节点间存在的多个关联因子,关联因子组合对应的组合权重参数是指从一个风险用户到另一个风险用户的整体传导影响比重,例如,风险用户A通过正常用户B与风险用户C间接关联,而用户A与用户B之间存在多种关联关系,用户B与用户C之间也存在多种关联关系,故用户A与用户C之间存在多个关联因子组合,但不同关联因子组合其对应的组合权重参数是相同的。通过多个组合权重参数,以及关联因子组合中各关联因子的基准权重参数,通过构建关系式组,可以通过对关系式组的求解与数据拟合处理,得到关联因子在各关联等级下的风险传导权重参数。
在其中一个实施例中,步骤S700,根据设备标签风险权重参数、关联因子的基准权重参数以及关联因子在不同关联等级下的风险传导权重参数,更新初始风险传导关联图谱的参数,得到优化的风险传导关联图谱之后,还包括:
当接收到目标用户的风险分析请求时,获取目标用户的设备标签信息。
根据设备标签信息,获得目标用户的第一风险数据。
根据优化的风险传导关联图谱,查找目标用户的关联风险用户。
根据关联因子的基准权重参数以及关联因子在不同关联等级下的风险传导权重参数,获得关联风险用户对目标用户的传导风险概率,得到第二风险数据。
根据第一风险数据和第二风险数据,获得目标用户的风险概率。
当风险传导关联图谱优化之后,可以用户对目标用户进行风险分析,通过获取用户的设备标签信息,可以根据设备标签信息中各设备标签的风险标识和设备标签风险权重参数,通过各设备标签的比重累加计算得到目标用户的第一风险数据,根据用户的用户信息和优化的风险传导关联图谱,可以查找目标用户的关联风险用户,包括直接关联的风险用户和间接关联的风险用户,根据关联因子的基准权重参数以及关联因子在不同关联等级下的风险传导权重参数,以及与目标用户的关联风险用户的用户风险数据,可以通过风险传导,获得关联风险用户对目标用户的传导风险概率,得到第二风险数据,通过获取第一风险数据与第二风险数据的加权参数,计算得到目标用户的风险概率。其中,第一风险数据与第二风险数据的加权参数可以根据各风险节点的设备标签风险权重参数、各风险节点的风险传导结果以及风险节点的用户风险数据分析得到。
在其中一个实施例中,步骤S860,根据第一风险数据和第二风险数据,获得目标用户的风险概率之后,还包括:
根据获取的样本数据中各用户的风险概率以及各用户的违约情况,划分风险等级,并确定各风险等级对应的服务建议。
根据目标用户的风险概率,查找目标用户的风险概率所在的风险等级,并输出与风险等级对应的服务建议。
在其中一个实施例中,如果风险节点传导图谱的某一节点已可明确标识出是存在欺诈的封信啊节点,可以通过风险传导计算得出跟其关联的其他节点的欺诈风险概率,可根据图谱演练效果,定义欺诈概率阈值。比如说风险概率(对应的百分制数据)[0,40):低风险;[40,80):有欺诈风险;[80,+]疑似欺诈。查找目标用户的风险概率所在的风险等级,并输出与风险等级对应的服务建议,风险节点传导图谱中可以根据不同的颜色标识出来,便于案调者直接给与拒绝或是后续重点调查的依据。
应该理解的是,虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-5中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种风险传导关联图谱优化装置,包括:
风险节点获取模块300,用于获取初始风险传导关联图谱中的风险节点以及风险节点对应的用户风险数据;
设备标签风险权重参数确定模块400,用于获取风险节点对应风险用户的设备标签信息,根据设备标签信息和用户风险数据,确定风险节点的设备标签风险权重参数;
基准权重参数确定模块500,用于根据风险节点间的关联关系,确定直接关联的风险节点间的关联因子、间接关联的风险节点间的关联因子组合,以及关联因子组合中各关联因子的关联等级,并根据风险节点对应的用户风险数据,确定关联因子的基准权重参数;
风险传导权重参数确定模块600,用于根据关联因子组合中各关联因子的基准权重参数,以及关联因子的关联等级,确定关联因子在各关联等级下的风险传导权重参数;
初始风险传导关联图谱优化模块700,用于根据设备标签风险权重参数、关联因子的基准权重参数以及关联因子在不同关联等级下的风险传导权重参数,更新初始风险传导关联图谱的参数,得到优化的风险传导关联图谱。
在另一个实施例中,风险传导关联图谱优化装置还包括初始风险传导关联图谱构建模块,用于获取用于构建初始风险传导关联图谱的各用户的用户数据信息,并将各用户标注为关联图谱节点,筛选各用户中携带有用户风险数据的风险用户,将风险用户对应的关联图谱节点标注为风险节点,根据获取的数据信息提取消息中携带的多个数据维度信息,提取用户数据信息中与各数据维度对应的数据值,查找包含相同数据值的各特征关联图谱节点,并将数据值对应的数据维度标记为特征关联图谱节点间的关联因子,根据关联图谱节点和关联因子,构建初始风险传导关联图谱,初始风险传导关联图谱标注有风险节点。
在再一个实施例中,初始风险传导关联图谱构建模块,还用于获取已有风险用户的样本数据,对样本数据中的风险数据进行数据维度标注,统计各样本数据中的各维度数据的共现频率,并筛选出共现频率满足设定阈值的数据维度,根据筛选得到的数据维度,生成携带有数据维度信息的数据信息提取消息。
在又一个实施例中,设备标签风险权重参数确定模块400,还用于获取风险节点对应风险用户的设备标签信息,提取设备标签信息中各设备标签携带的风险标识,风险标识包括有风险和无风险,根据各风险标签携带的风险标识对应的组合结果,以及风险节点对应的用户风险数据,得到各风险标签对用户风险数据的影响权重,根据风险节点中的携带有风险标识的风险标签,以及各风险标签影响权重,确定风险节点的设备标签风险权重参数。
在还一个实施例中,风险传导权重参数确定模块600,还用于根据关联因子组合中各关联因子的关联等级,以及关联因子组合中对应的风险节点对应的用户风险数据,获得关联因子组合对应的组合权重参数,根据组合权重参数以及关联因子组合中各关联因子的基准权重参数,获取关联因子在各关联等级下的风险传导权重参数。
在另一个实施例中,风险传导关联图谱优化装置还包括目标用户风险分析模块,用于当接收到目标用户的风险分析请求时,获取目标用户的设备标签信息,根据设备标签信息,获得目标用户的第一风险数据,根据优化的风险传导关联图谱,查找目标用户的关联风险用户,根据关联因子的基准权重参数以及关联因子在不同关联等级下的风险传导权重参数,获得关联风险用户对目标用户的传导风险概率,得到第二风险数据,根据第一风险数据和第二风险数据,获得目标用户的风险概率。
在其中一个实施例中,风险传导关联图谱优化装置还包括风险分析结果输出模块,用于根据获取的样本数据中各用户的风险概率以及各用户的违约情况,划分风险等级,并确定各风险等级对应的服务建议,根据目标用户的风险概率,查找目标用户的风险概率所在的风险等级,并输出与风险等级对应的服务建议。
上述风险传导关联图谱优化装置,在初始风险传导关联图谱的基础上,通过存在直接关联的风险节点间的关联因子,分析风险节点对应风险用户的设备标签信息,得到设备标签风险权重参数,通过存在直接关联的风险节点间的关联因子,确定关联因子的基准权重参数,通过存在间接关联的风险节点间的关联因子组合中各关联因子的关联等级,确定各关联因子在各关联等级下的风险传导权重参数,从而对初始风险传导关联图谱进行优化,充分挖掘了关联图谱各节点之间的深度联系,明确了风险节点间的具体的传导参数,利用参数优化的风险传导关联图谱,可直接进行风险的传导,简化了节点间关联关系的梳理与实时计算过程,通过分析得到的设备标签风险权重参数,作为节点数据的评估参数,简化了节点基础数据量,便于进行风险传导分析,提高了风险分析效率。
关于风险传导关联图谱优化装置的具体限定可以参见上文中对于风险传导关联图谱优化方法的限定,在此不再赘述。上述风险传导关联图谱优化装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储风险传导关联图谱优化数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种风险传导关联图谱优化方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取初始风险传导关联图谱中的风险节点以及风险节点对应的用户风险数据;
获取风险节点对应风险用户的设备标签信息,根据设备标签信息和用户风险数据,确定风险节点的设备标签风险权重参数;
根据风险节点间的关联关系,确定直接关联的风险节点间的关联因子、间接关联的风险节点间的关联因子组合,以及关联因子组合中各关联因子的关联等级,并根据风险节点对应的用户风险数据,确定关联因子的基准权重参数;
根据关联因子组合中各关联因子的基准权重参数,以及关联因子的关联等级,确定关联因子在各关联等级下的风险传导权重参数;
根据设备标签风险权重参数、关联因子的基准权重参数以及关联因子在不同关联等级下的风险传导权重参数,更新初始风险传导关联图谱的参数,得到优化的风险传导关联图谱。
在其他实施例中,处理器执行计算机程序时还实现上述风险传导关联图谱优化方法各实施例对应的步骤。
上述用于实现风险传导关联图谱优化方法的计算机设备,在初始风险传导关联图谱的基础上,通过存在直接关联的风险节点间的关联因子,分析风险节点对应风险用户的设备标签信息,得到设备标签风险权重参数,通过存在直接关联的风险节点间的关联因子,确定关联因子的基准权重参数,通过存在间接关联的风险节点间的关联因子组合中各关联因子的关联等级,确定各关联因子在各关联等级下的风险传导权重参数,从而对初始风险传导关联图谱进行优化,充分挖掘了关联图谱各节点之间的深度联系,明确了风险节点间的具体的传导参数,利用参数优化的风险传导关联图谱,可直接进行风险的传导,简化了节点间关联关系的梳理与实时计算过程,通过分析得到的设备标签风险权重参数,作为节点数据的评估参数,简化了节点基础数据量,便于进行风险传导分析,提高了风险分析效率。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取初始风险传导关联图谱中的风险节点以及风险节点对应的用户风险数据;
获取风险节点对应风险用户的设备标签信息,根据设备标签信息和用户风险数据,确定风险节点的设备标签风险权重参数;
根据风险节点间的关联关系,确定直接关联的风险节点间的关联因子、间接关联的风险节点间的关联因子组合,以及关联因子组合中各关联因子的关联等级,并根据风险节点对应的用户风险数据,确定关联因子的基准权重参数;
根据关联因子组合中各关联因子的基准权重参数,以及关联因子的关联等级,确定关联因子在各关联等级下的风险传导权重参数;
根据设备标签风险权重参数、关联因子的基准权重参数以及关联因子在不同关联等级下的风险传导权重参数,更新初始风险传导关联图谱的参数,得到优化的风险传导关联图谱。
在其他实施例中,计算机程序被处理器执行时还实现上述风险传导关联图谱优化方法各实施例对应的步骤。
上述用于实现风险传导关联图谱优化方法的计算机可读存储介质,在初始风险传导关联图谱的基础上,通过存在直接关联的风险节点间的关联因子,分析风险节点对应风险用户的设备标签信息,得到设备标签风险权重参数,通过存在直接关联的风险节点间的关联因子,确定关联因子的基准权重参数,通过存在间接关联的风险节点间的关联因子组合中各关联因子的关联等级,确定各关联因子在各关联等级下的风险传导权重参数,从而对初始风险传导关联图谱进行优化,充分挖掘了关联图谱各节点之间的深度联系,明确了风险节点间的具体的传导参数,利用参数优化的风险传导关联图谱,可直接进行风险的传导,简化了节点间关联关系的梳理与实时计算过程,通过分析得到的设备标签风险权重参数,作为节点数据的评估参数,简化了节点基础数据量,便于进行风险传导分析,提高了风险分析效率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种风险传导关联图谱优化方法,所述方法包括:
获取初始风险传导关联图谱中的风险节点以及所述风险节点对应的用户风险数据;
获取所述风险节点对应风险用户的设备标签信息,根据所述设备标签信息和所述用户风险数据,确定所述风险节点的设备标签风险权重参数;
根据所述风险节点间的关联关系,确定直接关联的风险节点间的关联因子、间接关联的风险节点间的关联因子组合,以及所述关联因子组合中各关联因子的关联等级,并根据所述风险节点对应的用户风险数据,确定所述关联因子的基准权重参数;
根据所述关联因子组合中各关联因子的基准权重参数,以及所述关联因子的关联等级,确定所述关联因子在各关联等级下的风险传导权重参数;
根据所述设备标签风险权重参数、所述关联因子的基准权重参数以及所述关联因子在不同关联等级下的风险传导权重参数,更新所述初始风险传导关联图谱的参数,得到优化的风险传导关联图谱。
2.根据权利要求1所述的方法,其特征在于,所述获取初始风险传导关联图谱中的风险节点以及所述风险节点对应的用户风险数据之前,还包括:
获取用于构建初始风险传导关联图谱的各用户的用户数据信息,并将所述各用户标注为关联图谱节点,筛选各所述用户中携带有用户风险数据的风险用户,将所述风险用户对应的关联图谱节点标注为风险节点;
根据获取的数据信息提取消息中携带的多个数据维度信息,提取所述用户数据信息中与各所述数据维度对应的数据值;
查找包含相同所述数据值的各特征关联图谱节点,并将所述数据值对应的数据维度标记为所述特征关联图谱节点间的关联因子;
根据所述关联图谱节点和所述关联因子,构建所述初始风险传导关联图谱,所述初始风险传导关联图谱标注有风险节点。
3.根据权利要求2所述的方法,其特征在于,所述根据获取的数据信息提取消息中携带的多个数据维度信息,提取所述用户数据信息中与各所述数据维度对应的数据值之前,还包括:
获取已有风险用户的样本数据,对所述样本数据中的风险数据进行数据维度标注;
统计各所述样本数据中的各所述维度数据的共现频率,并筛选出所述共现频率满足设定阈值的数据维度;
根据筛选得到的数据维度,生成携带有数据维度信息的所述数据信息提取消息。
4.根据权利要求1所述的方法,其特征在于,所述获取所述风险节点对应风险用户的设备标签信息,根据所述设备标签信息和所述用户风险数据,确定所述风险节点的设备标签风险权重参数包括:
获取风险节点对应风险用户的设备标签信息,提取所述设备标签信息中各设备标签携带的风险标识,所述风险标识包括有风险和无风险;
根据各所述风险标签携带的风险标识对应的组合结果,以及所述风险节点对应的用户风险数据,得到各所述风险标签对所述用户风险数据的影响权重;
根据所述风险节点中的携带有风险标识的风险标签,以及各所述风险标签影响权重,确定所述风险节点的设备标签风险权重参数。
5.根据权利要求1所述的方法,其特征在于,所述根据所述关联因子组合中各关联因子的基准权重参数,以及所述关联因子的关联等级,确定所述关联因子在各关联等级下的风险传导权重参数包括:
根据所述关联因子组合中各关联因子的关联等级,以及所述关联因子组合中对应的风险节点对应的用户风险数据,获得所述关联因子组合对应的组合权重参数;
根据所述组合权重参数以及所述关联因子组合中各关联因子的基准权重参数,获取所述关联因子在各关联等级下的风险传导权重参数。
6.根据权利要求1所述的方法,其特征在于,所述根据所述设备标签风险权重参数、所述关联因子的基准权重参数以及所述关联因子在不同关联等级下的风险传导权重参数,更新所述初始风险传导关联图谱的参数,得到优化的风险传导关联图谱之后,还包括:
当接收到目标用户的风险分析请求时,获取所述目标用户的设备标签信息;
根据所述设备标签信息,获得目标用户的第一风险数据;
根据所述优化的风险传导关联图谱,查找所述目标用户的关联风险用户;
根据所述关联因子的基准权重参数以及所述关联因子在不同关联等级下的风险传导权重参数,获得所述关联风险用户对所述目标用户的传导风险概率,得到第二风险数据;
根据所述第一风险数据和所述第二风险数据,获得所述目标用户的风险概率。
7.根据权利要求6所述的方法,其特征在于,所述根据所述第一风险数据和所述第二风险数据,获得所述目标用户的风险概率之后,还包括:
根据获取的样本数据中各用户的风险概率以及所述各用户的违约情况,划分风险等级,并确定各所述风险等级对应的服务建议;
根据所述目标用户的风险概率,查找所述目标用户的风险概率所在的风险等级,并输出与所述风险等级对应的服务建议。
8.一种风险传导关联图谱优化装置,其特征在于,所述装置包括:
风险节点获取模块,用于获取初始风险传导关联图谱中的风险节点以及所述风险节点对应的用户风险数据;
设备标签风险权重参数确定模块,用于获取所述风险节点对应风险用户的设备标签信息,根据所述设备标签信息和所述用户风险数据,确定所述风险节点的设备标签风险权重参数;
基准权重参数确定模块,用于根据所述风险节点间的关联关系,确定直接关联的风险节点间的关联因子、间接关联的风险节点间的关联因子组合,以及所述关联因子组合中各关联因子的关联等级,并根据所述风险节点对应的用户风险数据,确定所述关联因子的基准权重参数;
风险传导权重参数确定模块,用于根据所述关联因子组合中各关联因子的基准权重参数,以及所述关联因子的关联等级,确定所述关联因子在各关联等级下的风险传导权重参数;
初始风险传导关联图谱优化模块,用于根据所述设备标签风险权重参数、所述关联因子的基准权重参数以及所述关联因子在不同关联等级下的风险传导权重参数,更新所述初始风险传导关联图谱的参数,得到优化的风险传导关联图谱。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910419723.8A CN110245165B (zh) | 2019-05-20 | 2019-05-20 | 风险传导关联图谱优化方法、装置和计算机设备 |
PCT/CN2019/102962 WO2020232879A1 (zh) | 2019-05-20 | 2019-08-28 | 风险传导关联图谱优化方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910419723.8A CN110245165B (zh) | 2019-05-20 | 2019-05-20 | 风险传导关联图谱优化方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110245165A true CN110245165A (zh) | 2019-09-17 |
CN110245165B CN110245165B (zh) | 2023-04-11 |
Family
ID=67884540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910419723.8A Active CN110245165B (zh) | 2019-05-20 | 2019-05-20 | 风险传导关联图谱优化方法、装置和计算机设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110245165B (zh) |
WO (1) | WO2020232879A1 (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796394A (zh) * | 2019-11-13 | 2020-02-14 | 北京顶象技术有限公司 | 待标定节点标记方法及装置 |
CN111091287A (zh) * | 2019-12-13 | 2020-05-01 | 南京三百云信息科技有限公司 | 风险对象识别方法、装置以及计算机设备 |
CN111401700A (zh) * | 2020-03-05 | 2020-07-10 | 平安科技(深圳)有限公司 | 一种数据分析方法、装置、计算机***及可读存储介质 |
CN112395351A (zh) * | 2020-11-19 | 2021-02-23 | 平安普惠企业管理有限公司 | 可视化的识别群诉风险方法、装置、计算机设备及介质 |
CN112668836A (zh) * | 2020-12-07 | 2021-04-16 | 数据地平线(广州)科技有限公司 | 一种面向风险图谱的关联风险证据高效挖掘与监控方法和装置 |
CN113762684A (zh) * | 2020-12-14 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 新用户风险评估方法、装置、电子设备及介质 |
CN115034520A (zh) * | 2022-08-09 | 2022-09-09 | 太平金融科技服务(上海)有限公司深圳分公司 | 风险预测方法、装置、设备及存储介质 |
CN116452130A (zh) * | 2023-03-17 | 2023-07-18 | 国网山东省电力公司淄博供电公司 | 一种基于知识图谱的变电设备信息管理平台及方法 |
CN116934507A (zh) * | 2023-09-19 | 2023-10-24 | 国任财产保险股份有限公司 | 一种基于大数据驱动智能理赔方法及*** |
WO2024001666A1 (zh) * | 2022-06-29 | 2024-01-04 | 华为技术有限公司 | 网络风险评估方法及相关装置 |
US12007224B2 (en) | 2019-10-24 | 2024-06-11 | Shining 3D Tech Co., Ltd. | Three-dimensional scanner and three-dimensional scanning method |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114595909A (zh) * | 2020-12-03 | 2022-06-07 | 国家电网有限公司大数据中心 | 一种电费回收风险评估方法和*** |
CN112734270B (zh) * | 2021-01-19 | 2024-01-23 | 中国科学院地理科学与资源研究所 | 一种能源风险传导的测度方法、***及数据平台 |
CN112785320B (zh) * | 2021-02-01 | 2023-09-19 | 北京互金新融科技有限公司 | 信用风险的确定方法及装置、存储介质和电子设备 |
CN113344405B (zh) * | 2021-06-18 | 2024-05-17 | 北京百度网讯科技有限公司 | 基于知识图谱生成信息的方法、装置、设备、介质和产品 |
CN113449921A (zh) * | 2021-07-06 | 2021-09-28 | 中国工商银行股份有限公司 | 一种风险成因识别方法、装置及存储介质 |
CN113742495B (zh) * | 2021-09-07 | 2024-02-23 | 平安科技(深圳)有限公司 | 基于预测模型的评级特征权重确定方法及装置、电子设备 |
CN114022270B (zh) * | 2021-10-29 | 2024-05-24 | 平安银行股份有限公司 | 资产数据处理方法、相关设备及介质 |
CN115345727B (zh) * | 2022-08-19 | 2023-04-28 | 中电金信软件有限公司 | 一种识别欺诈贷款申请的方法及装置 |
CN116094974B (zh) * | 2023-01-28 | 2024-06-25 | 北京京航计算通讯研究所 | 网络通信参数配置测试用例生成方法、装置及测试方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104572904A (zh) * | 2014-12-25 | 2015-04-29 | 微梦创科网络科技(中国)有限公司 | 一种标签关联程度的确定方法及装置 |
CN109583620A (zh) * | 2018-10-11 | 2019-04-05 | 平安科技(深圳)有限公司 | 企业潜在风险预警方法、装置、计算机设备和存储介质 |
CN109657917A (zh) * | 2018-11-19 | 2019-04-19 | 平安科技(深圳)有限公司 | 评估对象的风险预警方法、装置、计算机设备和存储介质 |
CN109753527A (zh) * | 2019-01-03 | 2019-05-14 | 深圳壹账通智能科技有限公司 | 异常企业挖掘方法、装置、计算机设备和存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1816595A1 (en) * | 2006-02-06 | 2007-08-08 | MediaKey Ltd. | A method and a system for identifying potentially fraudulent customers in relation to network based commerce activities, in particular involving payment, and a computer program for performing said method |
CN109636565A (zh) * | 2018-10-16 | 2019-04-16 | 深圳壹账通智能科技有限公司 | 风险数据的处理方法、装置、设备及计算机可读存储介质 |
CN109685355A (zh) * | 2018-12-19 | 2019-04-26 | 重庆百行智能数据科技研究院有限公司 | 企业风险识别方法、装置和计算机可读存储介质 |
-
2019
- 2019-05-20 CN CN201910419723.8A patent/CN110245165B/zh active Active
- 2019-08-28 WO PCT/CN2019/102962 patent/WO2020232879A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104572904A (zh) * | 2014-12-25 | 2015-04-29 | 微梦创科网络科技(中国)有限公司 | 一种标签关联程度的确定方法及装置 |
CN109583620A (zh) * | 2018-10-11 | 2019-04-05 | 平安科技(深圳)有限公司 | 企业潜在风险预警方法、装置、计算机设备和存储介质 |
CN109657917A (zh) * | 2018-11-19 | 2019-04-19 | 平安科技(深圳)有限公司 | 评估对象的风险预警方法、装置、计算机设备和存储介质 |
CN109753527A (zh) * | 2019-01-03 | 2019-05-14 | 深圳壹账通智能科技有限公司 | 异常企业挖掘方法、装置、计算机设备和存储介质 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US12007224B2 (en) | 2019-10-24 | 2024-06-11 | Shining 3D Tech Co., Ltd. | Three-dimensional scanner and three-dimensional scanning method |
CN110796394A (zh) * | 2019-11-13 | 2020-02-14 | 北京顶象技术有限公司 | 待标定节点标记方法及装置 |
CN111091287A (zh) * | 2019-12-13 | 2020-05-01 | 南京三百云信息科技有限公司 | 风险对象识别方法、装置以及计算机设备 |
CN111401700B (zh) * | 2020-03-05 | 2023-09-19 | 平安科技(深圳)有限公司 | 一种数据分析方法、装置、计算机***及可读存储介质 |
CN111401700A (zh) * | 2020-03-05 | 2020-07-10 | 平安科技(深圳)有限公司 | 一种数据分析方法、装置、计算机***及可读存储介质 |
CN112395351A (zh) * | 2020-11-19 | 2021-02-23 | 平安普惠企业管理有限公司 | 可视化的识别群诉风险方法、装置、计算机设备及介质 |
CN112668836B (zh) * | 2020-12-07 | 2024-04-05 | 数据地平线(广州)科技有限公司 | 一种面向风险图谱的关联风险证据高效挖掘与监控方法和装置 |
CN112668836A (zh) * | 2020-12-07 | 2021-04-16 | 数据地平线(广州)科技有限公司 | 一种面向风险图谱的关联风险证据高效挖掘与监控方法和装置 |
CN113762684A (zh) * | 2020-12-14 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 新用户风险评估方法、装置、电子设备及介质 |
WO2024001666A1 (zh) * | 2022-06-29 | 2024-01-04 | 华为技术有限公司 | 网络风险评估方法及相关装置 |
CN115034520A (zh) * | 2022-08-09 | 2022-09-09 | 太平金融科技服务(上海)有限公司深圳分公司 | 风险预测方法、装置、设备及存储介质 |
CN116452130A (zh) * | 2023-03-17 | 2023-07-18 | 国网山东省电力公司淄博供电公司 | 一种基于知识图谱的变电设备信息管理平台及方法 |
CN116452130B (zh) * | 2023-03-17 | 2023-09-05 | 国网山东省电力公司淄博供电公司 | 一种基于知识图谱的变电设备信息管理***及方法 |
CN116934507A (zh) * | 2023-09-19 | 2023-10-24 | 国任财产保险股份有限公司 | 一种基于大数据驱动智能理赔方法及*** |
CN116934507B (zh) * | 2023-09-19 | 2023-12-26 | 国任财产保险股份有限公司 | 一种基于大数据驱动智能理赔方法及*** |
Also Published As
Publication number | Publication date |
---|---|
WO2020232879A1 (zh) | 2020-11-26 |
CN110245165B (zh) | 2023-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110245165A (zh) | 风险传导关联图谱优化方法、装置和计算机设备 | |
CN109670049A (zh) | 图谱路径查询方法、装置、计算机设备和存储介质 | |
CN109388561A (zh) | 接口测试用例生成方法、装置、计算机设备和存储介质 | |
CN108304498A (zh) | 网页数据采集方法、装置、计算机设备和存储介质 | |
CN104615760A (zh) | 钓鱼网站识别方法和*** | |
CN109086394A (zh) | 搜索排序方法、装置、计算机设备和存储介质 | |
CN107515915A (zh) | 基于用户行为数据的用户标识关联方法 | |
CN109543925A (zh) | 基于机器学习的风险预测方法、装置、计算机设备和存储介质 | |
CN103297267B (zh) | 一种网络行为的风险评估方法和*** | |
CN110471585A (zh) | 应用程序功能图标展示方法、装置和计算机设备 | |
CN104412565B (zh) | 用于涉及承载无关协议的套接字管理的方法 | |
CN109461043A (zh) | 产品推送方法、装置、计算机设备和存储介质 | |
CN110674144A (zh) | 用户画像生成方法、装置、计算机设备和存储介质 | |
CN112394908A (zh) | 埋点页面自动生成的方法、装置、计算机设备及存储介质 | |
CN109783604A (zh) | 基于少量样本的信息提取方法、装置和计算机设备 | |
CN110717647A (zh) | 决策流构建方法、装置、计算机设备和存储介质 | |
CN109144487A (zh) | 进件业务开发方法、装置、计算机设备和存储介质 | |
CN115329204A (zh) | 基于大数据挖掘的云业务服务推送方法及推送处理*** | |
CN106251114A (zh) | 应用中实现审批的方法和装置 | |
CN111177481B (zh) | 用户标识映射方法及装置 | |
CN112463859A (zh) | 基于大数据和业务分析的用户数据处理方法及大数据平台 | |
CN107943906A (zh) | 一种信息的收藏、展示方法和装置 | |
CN105978722B (zh) | 用户属性挖掘方法及装置 | |
CN110443044A (zh) | 区块链客户端漏洞挖掘方法、装置、设备及存储介质 | |
CN108153661A (zh) | 执行测试用例的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |