CN110493190B - 数据信息的处理方法、装置、计算机设备和存储介质 - Google Patents
数据信息的处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110493190B CN110493190B CN201910635736.9A CN201910635736A CN110493190B CN 110493190 B CN110493190 B CN 110493190B CN 201910635736 A CN201910635736 A CN 201910635736A CN 110493190 B CN110493190 B CN 110493190B
- Authority
- CN
- China
- Prior art keywords
- service
- risk assessment
- value
- index
- key data
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
- H04L63/0807—Network architectures or network communication protocols for network security for authentication of entities using tickets, e.g. Kerberos
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/20—Network architectures or network communication protocols for network security for managing network security; network security policies in general
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种数据信息处理方法、装置、计算机设备和存储介质。所述方法包括:获取终端发送的登录请求,从登陆请求中确定当前登录用户的用户标识;从多个业务服务器中获取与用户标识对应的不同业务的业务源数据,调用业务风险评估模型对各业务的业务源数据进行风险评估,得到业务风险评估值;当业务风险评估值大于风险阈值,触发拦截指令发送至业务服务器中,拦截指令用于指示业务服务器停止业务处理;根据业务风险评估值以及业务源数据生成预警页面,将预警页面发送至终端。采用本方法无需用户登陆不同的业务***逐一进行业务风险查询,且只将风险业务的相关信息全部返回给用户,降低对业务服务器资源和通信传输资源的占用。
Description
技术领域
本申请涉及数据处理技术领域,特别是涉及一种数据信息的处理方法、装置、计算机设备和存储介质。
背景技术
随着互联网技术的不断发展,越来越多的业务办理提供业务线上办理,同时提高线上业务查询、业务操作处理等,例如购买金融样本业务业务、进行项目投资等业务操作;然而,当用户想查询自己办理的不同业务相关信息时,往往需要登陆不同的业务***进行逐一查询,且业务***往往将业务相关信息全部返回给用户,占用大量业务服务器资源和通信传输资源。
发明内容
基于此,有必要针对上述技术问题,提供一种数据信息的处理方法、装置、计算机设备和存储介质。
一种数据信息的处理方法,所述方法包括:
获取终端发送的登录请求,从所述登陆请求中确定当前登录用户的用户标识;
从多个业务服务器中获取与所述用户标识对应的不同业务的业务源数据,调用业务风险评估模型对各所述业务的业务源数据进行风险评估,得到业务风险评估值;
当所述业务风险评估值大于风险阈值,触发拦截指令发送至所述业务服务器中,所述拦截指令用于指示所述业务服务器停止业务处理;
根据所述业务风险评估值以及所述业务源数据生成预警页面,将所述预警页面发送至所述终端。
在其中一个实施例中,所述调用业务风险评估模型对各所述业务的业务源数据进行风险评估的步骤,包括:
确定本地时间,根据本地时间以及预设的基准窗口长度确定目标时间段;
对所述业务源数据进行关键数据提取,从所述业务源数据中提取在目标时间段内不同业务指标对应的指标关键数据以及业务指标值;
将目标时间段内不同业务指标对应的指标关键数据以及业务指标值输入至业务风险评估模型中,对业务风险评估模型进行训练;
将所述本地时间对应的不同业务指标对应的指标关键数据输入至训练后的业务风险评估模型中,得到业务风险评估值。
在其中一个实施例中,所述从所述业务源数据中提取在目标时间段内不同业务指标对应的指标关键数据以及业务指标值的步骤,包括:
对所述目标时间段内同一业务指标下的指标关键数据进行分析,将与相邻日期的指标关键数据的差值大于预设阈值的指标关键数据确定为异常值;
将所述指标关键数据中的异常值清零。
在其中一个实施例中,所述根据本地时间以及预设的基准窗口长度确定目标时间段的步骤之前,还包括:
获取样本业务在第一时间段内的样本业务指标值以及各个业务指标下的样本指标关键数据;
获取多个不同的预选窗口长度,根据所述第一时间段以及各所述预选窗口长度确定历史时间段,并获取各所述历史时间段内所述样本业务每天的历史业务指标值以及在不同业务指标对应的历史指标关键数据;
根据各历史时间段内的历史指标关键数据以及历史业务指标值,分别构造各预选窗口长度对应的预选线性回归模型;
将所述样本指标关键数据分别输入至各所述预选窗口长度对应的预选线性回归模型中,利用各所述预选线性回归模型估算所述样本业务在第一时间段内的净值预估值;
分别计算通过各所述预选窗口长度对应的预选线性回归模型的净值预估值与所述样本业务指标值间的误差值,将与所述样本业务指标值的误差最小的净值预估值所对应的预选窗口长度,作为基准窗口长度。
在其中一个实施例中,从所述登陆请求中确定当前登录用户的用户标识的步骤,包括:
根据所述登陆请求调用摄像装置获取人脸图像数据;
从所述人脸图像数据中获取图像特征数据,根据所述图像特征数据确定当前登录用户的用户标识。
一种数据信息的处理装置,所述装置包括:
用户标识获取模块,用于获取终端发送的登录请求,从所述登陆请求中确定当前登录用户的用户标识;
风险评估值获取模块,用于从多个业务服务器中获取与所述用户标识对应的不同业务的业务源数据,调用业务风险评估模型对各所述业务的业务源数据进行风险评估,得到业务风险评估值;
拦截指令获取模块,用于当所述业务风险评估值大于风险阈值,触发拦截指令发送至所述业务服务器中,所述拦截指令用于指示所述业务服务器停止业务处理;
预警信息发送模块,用于根据所述业务风险评估值以及所述业务源数据生成预警页面,将所述预警页面发送至所述终端。
在一个实施例中,所述风险评估值获取模块,还用于确定本地时间,根据本地时间以及预设的基准窗口长度确定目标时间段;对所述业务源数据进行关键数据提取,从所述业务源数据中提取在目标时间段内不同业务指标对应的指标关键数据以及业务指标值;将目标时间段内不同业务指标对应的指标关键数据以及业务指标值输入至业务风险评估模型中,对业务风险评估模型进行训练;将所述本地时间对应的不同业务指标对应的指标关键数据输入至训练后的业务风险评估模型中,得到业务风险评估值。
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,所述处理器执行所述计算机程序时实现以下步骤:
获取终端发送的登录请求,从所述登陆请求中确定当前登录用户的用户标识;
从多个业务服务器中获取与所述用户标识对应的不同业务的业务源数据,调用业务风险评估模型对各所述业务的业务源数据进行风险评估,得到业务风险评估值;
当所述业务风险评估值大于风险阈值,触发拦截指令发送至所述业务服务器中,所述拦截指令用于指示所述业务服务器停止业务处理;
根据所述业务风险评估值以及所述业务源数据生成预警页面,将所述预警页面发送至所述终端。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取终端发送的登录请求,从所述登陆请求中确定当前登录用户的用户标识;
从多个业务服务器中获取与所述用户标识对应的不同业务的业务源数据,调用业务风险评估模型对各所述业务的业务源数据进行风险评估,得到业务风险评估值;
当所述业务风险评估值大于风险阈值,触发拦截指令发送至所述业务服务器中,所述拦截指令用于指示所述业务服务器停止业务处理;
根据所述业务风险评估值以及所述业务源数据生成预警页面,将所述预警页面发送至所述终端。
上述数据信息的处理方法、装置、计算机设备和存储介质,获取终端发送的登录请求,从登陆请求中确定当前登录用户的用户标识,从而从多个业务服务器中获取与用户标识对应的不同业务的业务源数据,并调用业务风险评估模型对各业务的业务源数据进行风险评估,得到业务风险评估值,实现对当前登录用户的业务进行业务风险评估,并在业务风险评估值大于风险阈值时,触发拦截指令发送至业务服务器中,拦截指令用于指示业务服务器停止业务处理,并根据业务风险评估值以及业务源数据生成预警页面发送至终端,及时拦截存在风险的业务处理,并将风险业务的相关信息发送至终端,无需用户登陆不同的业务***逐一进行业务风险查询,且只将风险业务的相关信息全部返回给用户,降低对业务服务器资源和通信传输资源的占用
附图说明
图1为一个实施例中数据信息的处理方法的应用场景图;
图2为一个实施例中数据信息的处理方法的流程示意图;
图3为一个实施例中调用业务风险评估模型对各业务的业务源数据进行风险评估的流程示意图;
图4为一个实施例中数据信息的处理装置的结构框图;
图5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。
本申请提供的数据信息处理方法,可以应用于如图1所示的应用环境中。其中,终端102与业务查询应用服务器104通过网络进行通信。用户通过终端102进行登录操作,终端102检测到用户的登录操作后,生成登录请求,并将登录请求发送至业务查询应用服务器104中,业务查询应用服务器104从登陆请求中确定当前登录用户的用户标识,从而从多个业务服务器106中获取与用户标识对应的不同业务的业务源数据,并调用业务风险评估模型对各业务的业务源数据进行风险评估,得到业务风险评估值,当业务风险评估值大于风险阈值,业务查询应用服务器104触发拦截指令发送至业务服务器106中,使得业务服务器106停止业务处理;业务查询应用服务器104还根据业务风险评估值以及业务源数据生成预警页面,将预警页面发送至终端102,使得用户获知风险业务相关信息。采用本方法无需用户登陆不同的业务***逐一进行业务风险查询,且只将风险业务的相关信息全部返回给用户,降低对业务服务器资源和通信传输资源的占用。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,业务查询应用服务器104以及业务服务器106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,提供了一种数据信息处理方法,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S210:获取终端发送的登录请求,从登陆请求中确定当前登录用户的用户标识。
本步骤中,用户标识是指用于唯一标识当前登录用户的字符串,可以是登录用户的身份信息,例如居民身份证证件。
具体地,终端安装了业务查询应用,用户可以通过账号密码登录该应用,终端检测到用户的登录操作,生成登录请求发送至至业务查询应用对应的服务器中,服务器从登录请求获取该用户账号对应的用户标识。
步骤S220:从多个业务服务器中获取与用户标识对应的不同业务的业务源数据,调用业务风险评估模型对各业务的业务源数据进行风险评估,得到业务风险评估值。
业务查询应用服务器与多个业务服务器对接,实现与多个证照源服务器实现数据传输;业务服务器包括有多种不同类型业务对应的服务器,例如基金业务、股票业务、项目投资业务等;业务源数据包括用于评估业务风险的数据,例如,基金业务的业务源数据包括有基金样本业务的每日的不同的指数数据,例如市场指数的麦考利久期、当日数值增益率、基金单位净值等数值资源数据。
具体地,服务器根据用户标识,从多个业务服务器获取与用户标识对应的业务源数据,例如,从基金购买业务服务器中查找用户所购买的基金样本业务数据,从项目投资业务服务器中查找用户所投资的项目信息等。
服务器在获取到业务源数据后,调用与业务类型对应的业务风险评估模型,对各业务源数据进行风险评估。服务器可以预先配置影响风险评估的业务指标的指标关键数据,并生成指标关键数据的处理规则,在获取到业务源数据后,可根据处理规则,利用业务源数据生成与业务指标对应的指标关键数据,进而通过企业风险评估模型根据指标关键数据计算业务风险评估值。
步骤S230:当业务风险评估值大于风险阈值,触发拦截指令发送至业务服务器中,拦截指令用于指示业务服务器停止业务处理。
本步骤中,服务器获取到各个业务对应的业务风险评估值后,根据业务风险评估值判断业务是否存在风险;当业务风险评估值达到风险阈值时,确定达到风险阈值的业务存在风险,服务器发送拦截指令至业务的对应的业务服务器中,使得对应的业务服务器响应拦截指令,及时有效地对存在风险的业务处理进行截停。
步骤S240:根据业务风险评估值以及业务源数据生成预警页面,将预警页面发送至终端。
服务器对存在风险的业务的业务处理进行截停后,根据业务风险评估值以及业务源数据生成预警页面,并将预警页面发送至终端进行显示,使得用户通过终端获知存在风险的业务以及该业务相关的业务源数据,以针对性地分析相应的风险管控策略。通过对业务请求对应的用户风险和企业风险进行评估,从而能够有效地发现风险漏洞并及时拦截存在风险的业务请求,进而能够有效地对业务请求进行监控以提高业务请求的安全性。
上述数据信息处理方法,获取终端发送的登录请求,从登陆请求中确定当前登录用户的用户标识,从而从多个业务服务器中获取与用户标识对应的不同业务的业务源数据,并调用业务风险评估模型对各业务的业务源数据进行风险评估,得到业务风险评估值,实现对当前登录用户的业务进行业务风险评估,并在业务风险评估值大于风险阈值时,触发拦截指令发送至业务服务器中,拦截指令用于指示业务服务器停止业务处理,并根据业务风险评估值以及业务源数据生成预警页面发送至终端,及时拦截存在风险的业务处理,并将风险业务的相关信息发送至终端,无需用户登陆不同的业务***逐一进行业务风险查询,且只将风险业务的相关信息全部返回给用户,降低对业务服务器资源和通信传输资源的占用,能够有效地对业务进行监控以提高业务处理的安全性。
在一个实施例中,从登陆请求中确定当前登录用户的用户标识的步骤,包括:根据登陆请求调用摄像装置获取人脸图像数据;从人脸图像数据中获取图像特征数据,根据图像特征数据确定当前登录用户的用户标识。
本实施例中,用户可以通过人脸登录业务查询应用;终端在接收到用户检的登录操作后,调用摄像装置获取用户人脸图像数据,并将用户的人脸图像数据发送至服务器中,服务器对用户的人脸图像数据进行分析,以获取人脸图像数据的图像特征数据,服务器将该图像特征数据与数据库中存储的图像特征数据进行对比,若对比相似率大于预设阈值,则将数据库中的图像特征数据对应的用户标识,确定为当前登录用户的用户标识。
参见图3,图3为一个实施例中调用业务风险评估模型对各业务的业务源数据进行风险评估的流程示意图,在本实施例中,调用业务风险评估模型对各业务的业务源数据进行风险评估步骤,包括:
步骤S310:确定本地时间,根据本地时间以及预设的基准窗口长度确定目标时间段;
步骤S320:对业务源数据进行关键数据提取,从业务源数据中提取在目标时间段内不同业务指标对应的指标关键数据以及业务指标值;
步骤S330:将目标时间段内不同业务指标对应的指标关键数据以及业务指标值输入至业务风险评估模型中,对业务风险评估模型进行训练;
步骤S340:将本地时间对应的不同业务指标对应的指标关键数据输入至训练后的业务风险评估模型中,得到业务风险评估值。
本实施例中,业务风险评估模型可以是线性回归模型为其中,y为业务风险评估值,x为各个业务指标的指标关键数据,θ为各个业务指标的指标关键数据对应系数;本地时间是指用户发起登录请求的时间;基准回归窗口长度是指线性回归模型的指标关键数据的取值长度,目标时间段是以接收时间为起始时间往前推的、时长为标准窗口长度的一段历史时间段;具体的,服务器在获取到将目标时间段内业务指标对应的指标关键数据以及业务指标值后,利用目标时间段内业务指标对应的指标关键数据以及业务指标值训练线性回归模型的系数,训练完成后,将本地时间对应时间的各个业务指标的指标关键数据输入至线性回归模型中,获取线性回归模型输出的值作为业务风险评估值。
仍然以业务为债券业务、业务风险评估值为债券样本业务的债券单位净值为例,服务器根据本地时间以及基准回归窗口长度,根据以本地时间为起始时间,将时长为基准回归窗口长度的历史时间段确定为目标时间段,例如,基准回归窗口长度可以设置为35天,当需要估算某一债券9月29日的数值属性,则目标时间段确定为8月25日至9月28日的三十五个交易日,当需要估算该债券在9月28日的数值属性,则目标时间段确定为8月24日至9月27日的三十五个交易日。服务器获取业务源数据中各个业务指标对应的指标关键数据,以及债券净值对应的历史单位净值,将目标时间段内每一日的各个业务指标对应的指标关键数据以及历史单位净值作为训练数据,逐一代入至线性回归模型中,以目标时间段内的均方误差最小化为优化目标,计算各个指标关键数据的权重系数,得到训练后的线性回归模型,并获取债券样本业务在本地时间的各业务指标对应的指标关键数据,计算债券样本业务在本地时间时的债券单位净值的预测值作为业务风险评估值。
在一个实施例中,从业务源数据中提取在目标时间段内不同业务指标对应的指标关键数据以及业务指标值的步骤,包括:对目标时间段内同一业务指标下的指标关键数据进行分析,将与相邻日期的指标关键数据的差值大于预设阈值的指标关键数据确定为异常值;将指标关键数据中的异常值清零。
具体的,服务器对业务指标A下的指标关键数据进行分析,当目标时间段内某一天业务指标A的指标关键数据与前后两天的指标关键数据的差值均大于预设阈值,则认为这一天业务指标A的指标关键数据为异常值,并将异常值设置为零值实现将业务指标A的异常值进行剔除,降低异常值对后续线业务风险评估的影响,提高业务风险评估的准确性。
由于线性回归模型通常是根据业务指标的指标关键数据预测业务指标值,从而确定业务的业务风险评估,回归窗口长度对业务风险评估的准确性的影响很大,合适的窗口长度可以显著提高业务预测值,即业务风险评估的准确性,而不合适的窗口长度会导致业务风险评估的准确性大大降低。因此,在一个实施例中,根据本地时间以及预设的基准窗口长度确定目标时间段的步骤之前,还包括:获取样本业务在第一时间段内的样本业务指标值以及各个业务指标下的样本指标关键数据;获取多个不同的预选窗口长度,根据第一时间段以及各预选窗口长度确定历史时间段,并获取各历史时间段内样本业务每天的历史业务指标值以及在不同业务指标对应的历史指标关键数据;根据各历史时间段内的历史指标关键数据以及历史业务指标值,分别构造各预选窗口长度对应的预选线性回归模型;将样本指标关键数据分别输入至各预选窗口长度对应的预选线性回归模型中,利用各预选线性回归模型估算样本业务在第一时间段内的净值预估值;分别计算通过各预选窗口长度对应的预选线性回归模型的净值预估值与样本业务指标值间的误差值,将与样本业务指标值的误差最小的净值预估值所对应的预选窗口长度,作为基准窗口长度。
本实施例中,第一时间段可以选择为本地时间的前5天,例如,本地时间为12月20日,将12月15日至12月19日作为第一时间段,服务器获取12月15日至12月19日内每天样本业务的数值资源数据作为样本值。
预选窗口长度指线性回归模型的指标关键数据的取值长度;服务器在获得第一时间段以及多个预选窗口长度后,获取以第一时间段的日期为起始时间,时长为不同预选窗口长度的历史时间段,并获取这些历史时间段内样本业务每一天的各个业务指标的历史指标关键数据以及业务指标值。
例如,服务器可以以10天为步长,分别设置长度为10天、20天、30天、…、100天的预选窗口长度,服务器在获得第一时间段为12月15日至12月19日内后,确定时间长度为10天的第二时间段为12月5日至12月14日,并获取该第二时间段内样本业务对应的不同业务指标的历史指标关键数据以及业务指标值;同样的,确定时间长度为20天的第二时间段为11月25日至12月14日,以此类推,服务器分别获取时间长度为20天、30天等其他不同预选窗口长度的第二时间段内的样本业务对应的不同业务指标的历史指标关键数据以及业务指标值。
当时间窗口长度为10天的时间窗口,通过时间长度为10天的历史时间段内的样本业务不同业务指标的指标关键数据以及业务指标值训练一个线性回归模型;当时间窗口的长度为20天时,通过时间长度为20天的历史时间段内的样本业务的业务指标的业务指标值以及在不同历史指标关键数据训练一个线性回归模型,以此类推,服务器获得与多个预选窗口长度对应的预选线性回归模型。
服务器将第一时间段内每一天的指标关键数据,分别输入至预选线性回归模型,以获得每一天对应的样本业务对应不同的业务指标的业务预测值,由此可以获得每一天利用不同预选窗口长度对应的预选线性回归模型预测得到的样本业务的业务预测值;服务器根据第一时间段内的每一天的样本业务的业务指标值与当天由不同预选线性回归模型预测得到的样本业务的业务预测值间的误差值,确定基准窗口长度。本实施例中,通过单个样本业务在第一时间段内业务预测值误差最小化为优化目标,选择最优的回归窗口长度的初始值,提高业务预测值的准确率。
进一步的,在一个实施例中,将与样本业务指标值的误差最小的净值预估值所对应的预选窗口长度,作为基准窗口长度的步骤,包括:获取基准窗口长度的调整系数;根据调整系数调整基准回归窗口长度,得到最优回归窗口长度;将最优回归窗口长度确定为基准窗口长度。
当预测模型为线性回归模型时,线性回归模型预测业务风险评估的准确率往往与回归窗口长度有关;基准回归窗口长度的调整系数可以由用户设置的,通过终端发送至服务器中,也可以是服务器对业务源数据进行分析后设置的。具体的,服务器在获得基准窗口的调整系数后,根据调整系数调整基准回归窗口长度,得到最优回归窗口长度,后续将最优回归窗口长度作为回归窗口长度进行不同业务指标的业务预测值的获取,进一步提高了业务预测值的获取准确性。
以债券业务为例,服务器在获取债券业务的业务风险评估值,例如债券净值的预测值时,调整系数包括债券业务的舆情调整系数、景气度调整系数以及经济周期调整系数。
对于舆情调整系数,由于线性回归模型通常是根据影响单位净值的指标关键数据预测债券业务的业务风险评估值,而影响业务风险评估值的大小的舆情情况一般发生的较为突然,且对业务风险评估值影响较大,当回归窗口长度过长时,线性回归模型难以快速对舆情情况做出反应,导致线性回归模型的净值估算的准确率降低。因此,服务器可以获取债券业务所属的企业名称以及所属的行业名称;根据企业名称以及行业名称,获取债券业务在预设时间段内的新闻语料数据;从新闻语料数据中提取事件关键词,将事件关键词与预设的事件标签库中的事件标签进行匹配;根据事件关键词与事件标签的匹配结果,确定舆情调整系数。
其中预设时间段为预先设定的接收时间之前的一段时间,可以为一个月、半个月等。服务器获取与债券业务相关的关键词,通过网络爬虫技术从网上爬取与关键词相关的新闻语料数据,利用TF-IDF(term frequency–inverse document frequency)算法对这些新闻语料数据进行分析,从每条新闻语料数据中提取出可以概括该新闻语料数据的事件关键词,通过将事件关键词与预设的事件标签库进行匹配,当事件关键词与事件标签的匹配结果匹配成功时,确定待分享的债券业务相关企业或行业发生了重大舆情事故,此时,服务器可以将舆情调整系数设置为一个小于1的值,实现缩小基准回归窗口长度,以降低目标时间段的历史单位净值以及影响单位净值的不同业务指标的指标关键数据对债券净值的预测值即业务风险评估值的影响,以提高业务风险评估的准确率;当事件关键词与事件标签的匹配结果匹配失败时,则确定待分享的债券业务相关企业或行业无重大舆情事故发生,此时,服务器不设置舆情调整系数或者将舆情调整系数设置为1。通过获取与债券业务相关的新闻语料数据,当新闻语料数据的事件关键词与预设的事件标签库中的事件标签的匹配结果设置舆情调整系数,后续通过调整系数实现对回归窗口长度的调整,实现根据样本业务的舆情情况调整线性回归模型的回归窗口长度,从而提高了模型对单个债券业务的业务风险评估值的准确率。
对于景气度调整系数,服务器可以从对象源数据中获取待分享的债券业务的历史财务指标,并获取历史财务指标的三分位数;获取待分享的债券业务在接收时间时的财务指标;将财务指标与三分位数进行对比,确定行业景气度类型;根据行业景气度类型确定景气类型调整系数。具体的,服务器获取待分享的债券业务的历史财务指标,并求取历史财务指标的第一三分位数Q1以及第二三分位Q2,其中第一三分位Q1与第二三分位Q2分别将所有历史财务指标分为三等分,分别为高值、中值和低值。服务器在获得接收时间时的财务指标后,将接收时间的财务指标与三分位数进行对比,当接收时间时的财务指标大于第一三分位数Q1且小于第二三分位Q2时,则认为接收时间时的行业景气度类型为平稳类型,当接收时间的财务指标小于第一三分位数Q1时,则认为当前的行业景气度类型为衰退类型,当接收时间时的财务指标大于第二三分位Q2,则认为当前的行业景气度类型为景气类型。其中,财务指标可以选择为债券业务的滚动市盈率,利用债券业务的滚动市盈率可以准确预估当前恒业的景气度类型。
当当前的行业景气度类型为景气类型或者衰退类型,服务器可以将景气类型调整系数设置为一个小于1的值,实现缩小基准回归窗口长度,以降低目标时间段的历史单位净值以及影响单位净值的不同业务指标的历史指标关键数据对债券净值的预测值即业务风险评估值的影响,以提高业务风险评估的准确率;当当前的行业景气度类型为平稳类型,服务器不设置景气类型调整系数或者将景气类型调整系数设置为1,不对基准回归窗口长度进行调整。通过获取接收时间的财务指标确定当前行业景气度,在行业景气度处于景气或者衰退的时候,将基准回归窗口长度缩短,以降低目标时间段的历史单位净值以及影响单位净值的不同业务指标的历史指标关键数据对债券净值的预测值的影响,以提高业务风险评估的准确率,实现根据债券业务对应的市场环境调整线性回归模型的回归窗口长度,提高债券业务的业务风险评估值的准确率。
对于经济周期调整系数,服务器获取预设时间段的股票市场指数,并根据股票市场指数生成指数曲线;将指数曲线至预先训练的神经网络模型中,通过神经网络模型获取经济周期类型;根据经济周期类型确定经济周期调整系数。
其中,经济周期类型可以包括温和涨、温和跌、暴涨以及暴跌等类型;服务器预先建立神经网络模型,该神经网络模型可以预先通过多个带有经济周期类型标签的指数曲线进行训练。服务器获取预设时间段内的股票市场指数,例如泸深300指数等,根据股票市场指数生成指数曲线,通过将指数曲线至神经网络模型中,利用神经网络模型获取经济周期类型。当当前的经济周期调整系数为暴涨或者暴跌类型,服务器可以将经济周期调整系数设置为一个小于1的值,实现缩小基准回归窗口长度,以降低目标时间段的历史单位净值以及影响单位净值的不同业务指标的历史指标关键数据对债券净值的预测值即业务风险评估值的影响,以提高业务风险评估的准确率;当当前的经济周期为温和涨或者温和跌类型,服务器不设置经济周期调整系数或者将经济周期调整系数设置为1,不对基准回归窗口长度进行调整。通过获取接收时间时所处的经济周期类型,在经济周期处于较为波动的周期时,将基准回归窗口长度缩短,实现根据当前宏观的经济环境调整线性回归模型的回归窗口长度,提高模型对单个债券样本业务的业务风险评估的准确率。
应该理解的是,虽然图2或图3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或图3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4示,提供了一种数据信息处理装置,包括:用户标识获取模块410、风险评估值获取模块420、拦截指令获取模块430和预警信息发送模块440,其中:
用户标识获取模块410,用于获取终端发送的登录请求,从登陆请求中确定当前登录用户的用户标识;
风险评估值获取模块420,用于从多个业务服务器中获取与用户标识对应的不同业务的业务源数据,调用业务风险评估模型对各业务的业务源数据进行风险评估,得到业务风险评估值;
拦截指令获取模块430,用于当业务风险评估值大于风险阈值,触发拦截指令发送至业务服务器中,拦截指令用于指示业务服务器停止业务处理;
预警信息发送模块440,用于根据业务风险评估值以及业务源数据生成预警页面,将预警页面发送至终端。
在一个实施例中,风险评估值获取模块,具体用于确定本地时间,根据本地时间以及预设的基准窗口长度确定目标时间段;对业务源数据进行关键数据提取,从业务源数据中提取在目标时间段内不同业务指标对应的指标关键数据以及业务指标值;将目标时间段内不同业务指标对应的指标关键数据以及业务指标值输入至业务风险评估模型中,对业务风险评估模型进行训练;将本地时间对应的不同业务指标对应的指标关键数据输入至训练后的业务风险评估模型中,得到业务风险评估值。
在一个实施例中,风险评估值获取模块,具体还用于对目标时间段内同一业务指标下的指标关键数据进行分析,将与相邻日期的指标关键数据的差值大于预设阈值的指标关键数据确定为异常值;将指标关键数据中的异常值清零。
在一个实施例中,风险评估值获取模块,用于获取样本业务在第一时间段内的样本业务指标值以及各个业务指标下的样本指标关键数据;获取多个不同的预选窗口长度,根据第一时间段以及各预选窗口长度确定历史时间段,并获取各历史时间段内样本业务每天的历史业务指标值以及在不同业务指标对应的历史指标关键数据;根据各历史时间段内的历史指标关键数据以及历史业务指标值,分别构造各预选窗口长度对应的预选线性回归模型;将样本指标关键数据分别输入至各预选窗口长度对应的预选线性回归模型中,利用各预选线性回归模型估算样本业务在第一时间段内的净值预估值;分别计算通过各预选窗口长度对应的预选线性回归模型的净值预估值与样本业务指标值间的误差值,将与样本业务指标值的误差最小的净值预估值所对应的预选窗口长度,作为基准窗口长度。
在一个实施例中,用户标识获取模块,用于根据登陆请求调用摄像装置获取人脸图像数据;从人脸图像数据中获取图像特征数据,根据图像特征数据确定当前登录用户的用户标识。
关于数据信息处理装置的具体限定可以参见上文中对于数据信息处理方法的限定,在此不再赘述。上述数据信息处理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5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业务净值、业务指标的指标关键数据等数据。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数据信息处理方法。
本领域技术人员可以理解,图5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:
获取终端发送的登录请求,从登陆请求中确定当前登录用户的用户标识;
从多个业务服务器中获取与用户标识对应的不同业务的业务源数据,调用业务风险评估模型对各业务的业务源数据进行风险评估,得到业务风险评估值;
当业务风险评估值大于风险阈值,触发拦截指令发送至业务服务器中,拦截指令用于指示业务服务器停止业务处理;
根据业务风险评估值以及业务源数据生成预警页面,将预警页面发送至终端。
在一个实施例中,处理器执行计算机程序实现调用业务风险评估模型对各业务的业务源数据进行风险评估的步骤时,具体实现以下步骤:确定本地时间,根据本地时间以及预设的基准窗口长度确定目标时间段;对业务源数据进行关键数据提取,从业务源数据中提取在目标时间段内不同业务指标对应的指标关键数据以及业务指标值;将目标时间段内不同业务指标对应的指标关键数据以及业务指标值输入至业务风险评估模型中,对业务风险评估模型进行训练;将本地时间对应的不同业务指标对应的指标关键数据输入至训练后的业务风险评估模型中,得到业务风险评估值。
在一个实施例中,处理器执行计算机程序实现从业务源数据中提取在目标时间段内不同业务指标对应的指标关键数据以及业务指标值的步骤时,具体实现以下步骤:对目标时间段内同一业务指标下的指标关键数据进行分析,将与相邻日期的指标关键数据的差值大于预设阈值的指标关键数据确定为异常值;将指标关键数据中的异常值清零。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取样本业务在第一时间段内的样本业务指标值以及各个业务指标下的样本指标关键数据;获取多个不同的预选窗口长度,根据第一时间段以及各预选窗口长度确定历史时间段,并获取各历史时间段内样本业务每天的历史业务指标值以及在不同业务指标对应的历史指标关键数据;根据各历史时间段内的历史指标关键数据以及历史业务指标值,分别构造各预选窗口长度对应的预选线性回归模型;将样本指标关键数据分别输入至各预选窗口长度对应的预选线性回归模型中,利用各预选线性回归模型估算样本业务在第一时间段内的净值预估值;分别计算通过各预选窗口长度对应的预选线性回归模型的净值预估值与样本业务指标值间的误差值,将与样本业务指标值的误差最小的净值预估值所对应的预选窗口长度,作为基准窗口长度。
在一个实施例中,处理器执行计算机程序实现从登陆请求中确定当前登录用户的用户标识的步骤时,具体实现以下步骤:根据登陆请求调用摄像装置获取人脸图像数据;从人脸图像数据中获取图像特征数据,根据图像特征数据确定当前登录用户的用户标识。
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:
获取终端发送的登录请求,从登陆请求中确定当前登录用户的用户标识;
从多个业务服务器中获取与用户标识对应的不同业务的业务源数据,调用业务风险评估模型对各业务的业务源数据进行风险评估,得到业务风险评估值;
当业务风险评估值大于风险阈值,触发拦截指令发送至业务服务器中,拦截指令用于指示业务服务器停止业务处理;
根据业务风险评估值以及业务源数据生成预警页面,将预警页面发送至终端。
在一个实施例中,计算机程序被处理器执行实现调用业务风险评估模型对各业务的业务源数据进行风险评估的步骤时,具体实现以下步骤:确定本地时间,根据本地时间以及预设的基准窗口长度确定目标时间段;对业务源数据进行关键数据提取,从业务源数据中提取在目标时间段内不同业务指标对应的指标关键数据以及业务指标值;将目标时间段内不同业务指标对应的指标关键数据以及业务指标值输入至业务风险评估模型中,对业务风险评估模型进行训练;将本地时间对应的不同业务指标对应的指标关键数据输入至训练后的业务风险评估模型中,得到业务风险评估值。
在一个实施例中,计算机程序被处理器执行时还实现从业务源数据中提取在目标时间段内不同业务指标对应的指标关键数据以及业务指标值的步骤时,具体实现以下步骤:对目标时间段内同一业务指标下的指标关键数据进行分析,将与相邻日期的指标关键数据的差值大于预设阈值的指标关键数据确定为异常值;将指标关键数据中的异常值清零。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取样本业务在第一时间段内的样本业务指标值以及各个业务指标下的样本指标关键数据;获取多个不同的预选窗口长度,根据第一时间段以及各预选窗口长度确定历史时间段,并获取各历史时间段内样本业务每天的历史业务指标值以及在不同业务指标对应的历史指标关键数据;根据各历史时间段内的历史指标关键数据以及历史业务指标值,分别构造各预选窗口长度对应的预选线性回归模型;将样本指标关键数据分别输入至各预选窗口长度对应的预选线性回归模型中,利用各预选线性回归模型估算样本业务在第一时间段内的净值预估值;分别计算通过各预选窗口长度对应的预选线性回归模型的净值预估值与样本业务指标值间的误差值,将与样本业务指标值的误差最小的净值预估值所对应的预选窗口长度,作为基准窗口长度。
在一个实施例中,计算机程序被处理器执行实现从登陆请求中确定当前登录用户的用户标识的步骤时,具体实现以下步骤:根据登陆请求调用摄像装置获取人脸图像数据;从人脸图像数据中获取图像特征数据,根据图像特征数据确定当前登录用户的用户标识。
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,所述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。
以上所述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)
1.一种数据信息的处理方法,所述方法包括:
获取终端发送的登录请求,从所述登录 请求中确定当前登录用户的用户标识;
从多个业务服务器中获取与所述用户标识对应的不同业务的业务源数据,调用业务风险评估模型对各所述业务的业务源数据进行风险评估,得到业务风险评估值;其中,所述业务风险评估模型为线性回归模型;
当所述业务风险评估值大于风险阈值,触发拦截指令发送至所述业务服务器中,所述拦截指令用于指示所述业务服务器停止业务处理;
根据所述业务风险评估值以及所述业务源数据生成预警页面,将所述预警页面发送至所述终端,使得用户通过终端获知存在风险的业务以及该业务相关的业务源数据,以针对性地分析相应的风险管控策略。
2.根据权利要求1所述的方法,其特征在于,所述调用业务风险评估模型对各所述业务的业务源数据进行风险评估的步骤,包括:
确定本地时间,根据本地时间以及预设的基准窗口长度确定目标时间段;
对所述业务源数据进行关键数据提取,从所述业务源数据中提取在目标时间段内不同业务指标对应的指标关键数据以及业务指标值;
将目标时间段内不同业务指标对应的指标关键数据以及业务指标值输入至业务风险评估模型中,对业务风险评估模型进行训练;
将所述本地时间对应的不同业务指标对应的指标关键数据输入至训练后的业务风险评估模型中,得到业务风险评估值。
3.根据权利要求2所述的方法,其特征在于,所述从所述业务源数据中提取在目标时间段内不同业务指标对应的指标关键数据以及业务指标值的步骤,包括:
对所述目标时间段内同一业务指标下的指标关键数据进行分析,将与相邻日期的指标关键数据的差值大于预设阈值的指标关键数据确定为异常值;
将所述指标关键数据中的异常值清零。
4.根据权利要求2所述的方法,其特征在于,所述根据本地时间以及预设的基准窗口长度确定目标时间段的步骤之前,还包括:
获取样本业务在第一时间段内的样本业务指标值以及各个业务指标下的样本指标关键数据;
获取多个不同的预选窗口长度,根据所述第一时间段以及各所述预选窗口长度确定历史时间段,并获取各所述历史时间段内所述样本业务每天的历史业务指标值以及在不同业务指标对应的历史指标关键数据;
根据各历史时间段内的历史指标关键数据以及历史业务指标值,分别构造各预选窗口长度对应的预选线性回归模型;
将所述样本指标关键数据分别输入至各所述预选窗口长度对应的预选线性回归模型中,利用各所述预选线性回归模型估算所述样本业务在第一时间段内的净值预估值;
分别计算通过各所述预选窗口长度对应的预选线性回归模型的净值预估值与所述样本业务指标值间的误差值,将与所述样本业务指标值的误差最小的净值预估值所对应的预选窗口长度,作为基准窗口长度。
5.根据权利要求1所述的方法,其特征在于,从所述登录 请求中确定当前登录用户的用户标识的步骤,包括:
根据所述登录 请求调用摄像装置获取人脸图像数据;
从所述人脸图像数据中获取图像特征数据,根据所述图像特征数据确定当前登录用户的用户标识。
6.一种数据信息的处理装置,其特征在于,所述装置包括:
用户标识获取模块,用于获取终端发送的登录请求,从所述登录 请求中确定当前登录用户的用户标识;
风险评估值获取模块,用于从多个业务服务器中获取与所述用户标识对应的不同业务的业务源数据,调用业务风险评估模型对各所述业务的业务源数据进行风险评估,得到业务风险评估值;其中,所述业务风险评估模型为线性回归模型;
拦截指令获取模块,用于当所述业务风险评估值大于风险阈值,触发拦截指令发送至所述业务服务器中,所述拦截指令用于指示所述业务服务器停止业务处理;
预警信息发送模块,用于根据所述业务风险评估值以及所述业务源数据生成预警页面,将所述预警页面发送至所述终端,使得用户通过终端获知存在风险的业务以及该业务相关的业务源数据,以针对性地分析相应的风险管控策略。
7.根据权利要求6所述的装置,其特征在于,所述风险评估值获取模块,还用于确定本地时间,根据本地时间以及预设的基准窗口长度确定目标时间段;对所述业务源数据进行关键数据提取,从所述业务源数据中提取在目标时间段内不同业务指标对应的指标关键数据以及业务指标值;将目标时间段内不同业务指标对应的指标关键数据以及业务指标值输入至业务风险评估模型中,对业务风险评估模型进行训练;将所述本地时间对应的不同业务指标对应的指标关键数据输入至训练后的业务风险评估模型中,得到业务风险评估值。
8.根据权利要求7所述的装置,其特征在于,所述风险评估值获取模块,还用于对所述目标时间段内同一业务指标下的指标关键数据进行分析,将与相邻日期的指标关键数据的差值大于预设阈值的指标关键数据确定为异常值;将所述指标关键数据中的异常值清零。
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5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5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910635736.9A CN110493190B (zh) | 2019-07-15 | 2019-07-15 | 数据信息的处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910635736.9A CN110493190B (zh) | 2019-07-15 | 2019-07-15 | 数据信息的处理方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110493190A CN110493190A (zh) | 2019-11-22 |
CN110493190B true CN110493190B (zh) | 2022-07-08 |
Family
ID=68547281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910635736.9A Active CN110493190B (zh) | 2019-07-15 | 2019-07-15 | 数据信息的处理方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110493190B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178386B (zh) * | 2019-12-03 | 2022-06-07 | 南京领行科技股份有限公司 | 一种对车辆进行业务处理的方法及装置 |
CN112990522A (zh) * | 2019-12-12 | 2021-06-18 | 顺丰科技有限公司 | 物品件量预测方法、装置、设备及存储介质 |
CN111404721B (zh) * | 2020-02-13 | 2023-07-25 | 中国平安人寿保险股份有限公司 | 基于web的模型训练过程数据可视化处理方法、装置、设备 |
CN113505221B (zh) * | 2020-03-24 | 2024-03-12 | 国家计算机网络与信息安全管理中心 | 一种企业虚假宣传风险识别方法、设备和存储介质 |
CN111584059B (zh) * | 2020-04-21 | 2024-01-23 | 武汉联影医疗科技有限公司 | ***监测方法、装置和计算机设备 |
CN111950889A (zh) * | 2020-08-10 | 2020-11-17 | 中国平安人寿保险股份有限公司 | 一种客户风险评估方法、装置、可读存储介质及终端设备 |
CN112348405A (zh) * | 2020-11-27 | 2021-02-09 | 中国工商银行股份有限公司 | 防止rpa调用的方法及装置 |
CN112529321B (zh) * | 2020-12-18 | 2023-09-05 | 平安银行股份有限公司 | 基于用户数据的风险预测方法、装置及计算机设备 |
CN113965563B (zh) * | 2020-12-18 | 2023-09-26 | 深圳平安智汇企业信息管理有限公司 | 基于模型的业务处理方法及装置、服务器 |
CN112632381B (zh) * | 2020-12-24 | 2021-10-01 | 中电金信软件有限公司 | 信息查询方法、装置、计算机设备和存储介质 |
CN113283982A (zh) * | 2021-06-09 | 2021-08-20 | 中国农业银行股份有限公司 | 信息处理方法、装置、设备、存储介质及程序产品 |
CN113900755B (zh) * | 2021-10-11 | 2024-04-16 | 重庆紫光华山智安科技有限公司 | 告警页面处理方法、装置、计算机设备及可读存储介质 |
CN115086086B (zh) * | 2022-08-19 | 2022-11-11 | 湖南三湘银行股份有限公司 | 数据安全的分布式监测方法及装置 |
CN115759733B (zh) * | 2022-10-18 | 2024-05-17 | 广州越秀融资租赁有限公司 | 基于业务事件的用户违约风险确定方法、装置、介质及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101662773A (zh) * | 2008-08-29 | 2010-03-03 | 国际商业机器公司 | 支持降低通信欺诈风险的计算机实现方法和设备 |
CN108876133A (zh) * | 2018-06-07 | 2018-11-23 | 中国平安人寿保险股份有限公司 | 基于业务信息的风险评估处理方法、装置、服务器和介质 |
CN109165840A (zh) * | 2018-08-20 | 2019-01-08 | 平安科技(深圳)有限公司 | 风险预测处理方法、装置、计算机设备和介质 |
CN109345374A (zh) * | 2018-09-17 | 2019-02-15 | 平安科技(深圳)有限公司 | 风险控制方法、装置、计算机设备和存储介质 |
CN109508994A (zh) * | 2018-10-17 | 2019-03-22 | 平安国际融资租赁有限公司 | 业务风险控制方法、装置、计算机设备和存储介质 |
CN109636607A (zh) * | 2018-12-18 | 2019-04-16 | 平安科技(深圳)有限公司 | 基于模型部署的业务数据处理方法、装置和计算机设备 |
CN109858737A (zh) * | 2018-12-18 | 2019-06-07 | 平安科技(深圳)有限公司 | 基于模型部署的评分模型调整方法、装置和计算机设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022657A (zh) * | 2016-06-24 | 2016-10-12 | 深圳前海征信中心股份有限公司 | 信用风险的监控方法及装置 |
CN108108973A (zh) * | 2017-12-01 | 2018-06-01 | 北京三快在线科技有限公司 | 业务风险控制方法及装置 |
CN108462724B (zh) * | 2018-05-17 | 2020-07-31 | 京东数字科技控股有限公司 | 数据共享方法、装置、***、成员节点和可读存储介质 |
CN109063985B (zh) * | 2018-07-18 | 2022-04-29 | 创新先进技术有限公司 | 一种业务的风险决策方法及装置 |
-
2019
- 2019-07-15 CN CN201910635736.9A patent/CN110493190B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101662773A (zh) * | 2008-08-29 | 2010-03-03 | 国际商业机器公司 | 支持降低通信欺诈风险的计算机实现方法和设备 |
CN108876133A (zh) * | 2018-06-07 | 2018-11-23 | 中国平安人寿保险股份有限公司 | 基于业务信息的风险评估处理方法、装置、服务器和介质 |
CN109165840A (zh) * | 2018-08-20 | 2019-01-08 | 平安科技(深圳)有限公司 | 风险预测处理方法、装置、计算机设备和介质 |
CN109345374A (zh) * | 2018-09-17 | 2019-02-15 | 平安科技(深圳)有限公司 | 风险控制方法、装置、计算机设备和存储介质 |
CN109508994A (zh) * | 2018-10-17 | 2019-03-22 | 平安国际融资租赁有限公司 | 业务风险控制方法、装置、计算机设备和存储介质 |
CN109636607A (zh) * | 2018-12-18 | 2019-04-16 | 平安科技(深圳)有限公司 | 基于模型部署的业务数据处理方法、装置和计算机设备 |
CN109858737A (zh) * | 2018-12-18 | 2019-06-07 | 平安科技(深圳)有限公司 | 基于模型部署的评分模型调整方法、装置和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110493190A (zh) | 2019-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110493190B (zh) | 数据信息的处理方法、装置、计算机设备和存储介质 | |
CN109345374B (zh) | 风险控制方法、装置、计算机设备和存储介质 | |
CN108876133B (zh) | 基于业务信息的风险评估处理方法、装置、服务器和介质 | |
CN109636607B (zh) | 基于模型部署的业务数据处理方法、装置和计算机设备 | |
CN109858737B (zh) | 基于模型部署的评分模型调整方法、装置和计算机设备 | |
CN110489520B (zh) | 基于知识图谱的事件处理方法、装置、设备和存储介质 | |
CN109829628B (zh) | 基于大数据的风险预警方法、装置和计算机设备 | |
CN108389121B (zh) | 贷款数据处理方法、装置、计算机设备和存储介质 | |
CN109829629B (zh) | 风险分析报告的生成方法、装置、计算机设备和存储介质 | |
CN109543925B (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 | |
CN109992601B (zh) | 待办事项信息的推送方法、装置和计算机设备 | |
CN110659800A (zh) | 风险监控处理方法、装置、计算机设备和存储介质 | |
CN110490594B (zh) | 业务数据处理方法、装置、计算机设备和存储介质 | |
CN110489622B (zh) | 对象信息的分享方法、装置、计算机设备和存储介质 | |
CN109508903B (zh) | 风险评估方法、装置、计算机设备和存储介质 | |
CN109245996B (zh) | 邮件推送方法、装置、计算机设备和存储介质 | |
CN111414874B (zh) | 基于人脸的驾驶风险预测方法、装置、设备和存储介质 | |
CN110609954A (zh) | 数据获取方法、装置、计算机设备和存储介质 | |
CN111324802A (zh) | 基于身份识别的数据审核方法、装置和计算机设备 | |
CN112035611B (zh) | 目标用户推荐方法、装置、计算机设备和存储介质 | |
CN110135943B (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN110781380A (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
CN112784168B (zh) | 信息推送模型训练方法以及装置、信息推送方法以及装置 | |
CN112766974A (zh) | 风险账户识别方法、装置、计算机设备和存储介质 | |
CN110750710A (zh) | 风控协议预警方法、装置、计算机设备和存储介质 |
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 |