CN112200402B - 一种基于风险画像的风险量化方法、装置及设备 - Google Patents
一种基于风险画像的风险量化方法、装置及设备 Download PDFInfo
- Publication number
- CN112200402B CN112200402B CN202010839093.2A CN202010839093A CN112200402B CN 112200402 B CN112200402 B CN 112200402B CN 202010839093 A CN202010839093 A CN 202010839093A CN 112200402 B CN112200402 B CN 112200402B
- Authority
- CN
- China
- Prior art keywords
- risk
- platform
- label
- analyzed
- merchant
- 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
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000011002 quantification Methods 0.000 title claims abstract description 61
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 230000006399 behavior Effects 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 6
- 230000001105 regulatory effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 230000002567 autonomic effect Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例公开了一种基于风险画像的风险量化方法、装置及设备，应用于合规领域以及监管领域。方案包括：接收风险量化请求，获取所述待分析平台上各个商户在多个维度上的风险标签；根据所述风险标签生成各个商户的风险画像；所述风险画像中包括风险标签；根据各个商户的所述风险画像，确定所述待分析平台上每个风险标签对应的量化指标。
Description
技术领域
本申请涉及合规与监管技术领域，尤其涉及一种基于风险画像的风险量化方法、装置及设备。
背景技术
合规风险广泛存在于金融机构业务和管理的各个方面，在互联网行业中，合规风险可以指在企业的运营或内部管理过程中，因未能够与国家的法律、法规、政策、以及行业范例或服务水平协定相保持一致而导致的风险。
目前，随着互联网技术的快速发展，为了保证互联网行业健康运行，相关监管机构对互联网行业的法务合规管控比较重视，因此，需要自身加强对合规风险进行合理评估，保证互联网平台中的交易行为以及操作行为符合法务合规条款的相关规定。
因此，有必要提供一种合规风险的量化方案，以对平台中的交易行为以及其他操作行为进行风险量化，为后续的风险评估提供参考依据。
发明内容
本说明书实施例提供一种基于风险画像的风险量化方法、装置及设备，以解决现有技术中无法对平台以及商户的合规风险进行量化的问题。
为解决上述技术问题，本说明书实施例是这样实现的：
本说明书实施例提供的一种基于风险画像的风险量化方法，包括：
接收风险量化请求；所述风险量化请求中携带有待分析平台的标识；
基于所述标识，获取所述待分析平台上各个商户在多个维度上的风险标签；所述风险标签对应多种风险类型；
根据所述风险标签生成各个商户的风险画像；所述风险画像中包括风险标签；
根据各个商户的所述风险画像，确定所述待分析平台上每个风险标签对应的量化指标。
本说明书实施例提供的一种基于风险画像的风险量化装置，包括：
风险量化请求接收模块，用于接收风险量化请求；所述风险量化请求中携带有待分析平台的标识；
风险标签获取模块，用于基于所述标识，获取所述待分析平台上各个商户在多个维度上的风险标签；所述风险标签对应多种风险类型；
风险画像生成模块，用于根据所述风险标签生成各个商户的风险画像；所述风险画像中包括风险标签；
量化指标确定模块，用于根据各个商户的所述风险画像，确定所述待分析平台上每个风险标签对应的量化指标。
本说明书实施例提供的一种基于风险画像的风险量化设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
接收风险量化请求；所述风险量化请求中携带有待分析平台的标识；
基于所述标识，获取所述待分析平台上各个商户在多个维度上的风险标签；所述风险标签对应多种风险类型；
根据所述风险标签生成各个商户的风险画像；所述风险画像中包括风险标签；
根据各个商户的所述风险画像，确定所述待分析平台上每个风险标签对应的量化指标。
本说明书实施例提供的一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现一种基于风险画像的风险量化方法。
本说明书一个实施例实现了能够达到以下有益效果：通过接收风险量化请求，获取所述待分析平台上各个商户在多个维度上的风险标签；根据所述风险标签生成各个商户的风险画像；所述风险画像中包括风险标签；根据各个商户的所述风险画像，确定所述待分析平台上每个风险标签对应的量化指标。通过上述方法，基于各维度信息的风险标签，精准绘制商户的风险画像，实现基于商户的风险画像，整体了解商户的具体风险情况，有效评估商户的合规风险，展现业务风险全貌，从而为对平台或商户的合规风险进行评价和分析奠定了基础。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术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申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本说明书实施例提供的一种基于风险画像的风险量化方法的整体示意图；
图2是本说明书实施例提供的一种基于风险画像的风险量化方法流程图；
图3是本说明书实施例提供的一种基于风险画像的风险量化装置的结构示意图；
图4是本说明书实施例提供的一种基于风险画像的风险量化设备的结构示意图。
具体实施方式
为使本说明书一个或多个实施例的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书一个或多个实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书一个或多个实施例保护的范围。
“合规风险”指的是：银行因未能遵循法律法规、监管要求、规则、自律性组织制定的有关准则、已经适用于银行自身业务活动的行为准则，而可能遭受法律制裁或监管处罚、重大财务损失或声誉损失的风险。合规风险广泛存在于金融机构业务和管理的各个方面，在互联网行业中，合规风险可以指在企业的运营或内部管理过程中，因未能够与国家的法律、法规、政策、以及行业范例或服务水平协定相保持一致而导致的风险。
在电商平台中，平台中入驻的商户可以基于平台进行商品交易、资金转账等操作。在一些应用场景中，商户为了自身利益，会进行一些违规操作，例如：进行刷单等虚假交易，以获取店铺销量数据以及店铺信誉等，再比如：一些商家以虚假商品在网上进行交易，构成欺诈行为等。
为了满足监管机构对电商平台合规风险的有效监管，需要获取平台中每个商户的风险情况，然后进一步评估平台的合规风险。因此，亟需提供一种能够全面了解平台中每个商户风险情况的方案。
本方案中，通过检测商户各维度信息的风险标签，精准绘制检测主体的风险画像，从而对商户的合规风险进行量化。其中，商户的风险画像可以理解为将商户对应的每个风险类型抽象成标签，利用这些标签将商户的风险情况具体化，以便整体了解具体商户的风险情况，有效评估商户合规风险，展现业务风险全貌。
基于商户的风险画像，实现商户以及商户所在平台的合规风险可量化，从而为后续的合规风险评估提供参考基础。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1是本说明书实施例提供的一种基于风险画像的风险量化方法的整体示意图。如图1所示，监管设备可以获取在待分析平台入驻的所有商户(例如：商户1-n)的风险标签(例如：风险标签1-n，风险标签a-m)，基于风险标签，可以生成每个商户对应的风险画像，例如：商户1对应风险画像1，商户2对应风险画像2，商户3对应风险画像3，……，商户n对应风险画像n。每个商户的风险画像中可以包含对应的风险标签。根据每个商户的风险画像可以确定每个风险标签对应的量化指标，例如：风险标签1对应有100个商户，风险标签a对应有500笔交易，标签n对应有1千万交易额，标签m对应有500个商户等等。
确定了每个风险标签的量化指标之后，可以根据每个风险标签对应的量化指标对待分析平台进行合规风险的评估。
接下来，将针对说明书实施例提供的一种基于风险画像的风险量化方法结合附图进行具体说明：
图2是本说明书实施例提供的一种基于风险画像的风险量化方法流程图。从程序角度而言，流程的执行主体可以为搭载于应用服务器的程序或应用客户端。本说明书实施例中的执行主体可以是企业内部的自查监管设备，也可以是用于平台内部用于监测平台合规风险的服务器，还可以是专门的合规风险监管机构。
如图2所示，该流程可以包括以下步骤：
步骤202：接收风险量化请求；所述风险量化请求中携带有待分析平台的标识。风险量化请求可以是待分析平台中自动定时触发的请求，也可以是根据用户的操作指令触发的请求。例如：监测设备为了对待分析平台的风险进行有效监管，会定时对待分析平台中的风险进行量化，以做好风险管控，此时，风险量化请求可以根据设置的自动触发功能定时触发。
在后面的实施例中，为了描述方便，可以将“待分析平台”简称“平台”。这里的平台可以指的是电商交易平台、电商购物平台、代购平台、跨境购物平台、支付平台等。
风险量化请求中可以包含需要进行风险量化的平台标识，所述标识用于唯一表示待量化的平台。
步骤204：基于所述标识，获取所述待分析平台上各个商户在多个维度上的风险标签；所述风险标签对应多种风险类型。
在接收到风险量化请求之后，可以获取待分析平台上全量商户的风险标签。这些风险标签可以是各个商户在多个维度上对应的标签。
多个维度至少可以包括账号信息维度、设备维度、交易维度以及账户资金维度等。平台可以获取各个商户在平台上的登录数据、交易数据、注册数据、成交数据、退换货数据等等。基于这些维度可以获取商户的各个风险标签。例如：异常登录标签、异常交易标签等。当然，这些风险便签也可以包括交易真实性标签、主动欺诈标签、营销作弊标签以及不良交易标签等等。这些标签可以是平台根据商户的历史行为数据分析后得到的。
风险标签用于标识风险类型。平台可以获取到每个商户在各个维度上对应的风险标签。需要说明的是，上述步骤中的多维度可以由平台根据实际应用场景的需求自行设定，也可以直接获取平台中每个商户对应的所有风险标签。
步骤206：根据所述风险标签生成各个商户的风险画像；所述风险画像中包括风险标签。
风险画像可以直观表示每个商户的风险情况，风险画像的展现形式可以采用直观的可视化图表形式。例如：可以采用可视化图表组件对商户的风险画像直观地进行展示，具体地，可以采用可视化图标组件对风险标签进行配置以生成雷达图，当风险指标发生异常时，雷达图则会出现外沿或者内嵌的情况，从而能够直观地展现出商户的风险情况。
风险画像还可以是对风险标签进行多级聚类生成。例如：可以将风险标签按照风险类型进行分级，根据每一级的风险标签的相似度数值进行分层聚类以获取聚类标签，利用***聚类法不断地将相似度数值最小的类合并成新的一类，然后再计算新类之间的相似度数值，将相似度数值最小的类合并成新的一类，循环多次直至将所有一级标签合并成一类，获取所有聚类过程中所产生的新类别标签作为最终的聚类标签。
例如：生成风险画像时，可以通过DBSCAN(ensity-based spatial clusteringofapplications with noise)聚类方法，以风险接受度(＝l*a)为横轴，根据组织风险损失承受能力设置坐标原点及单位刻度；以风险发生频率f为纵轴，根据标签库中该标签的出现频率设置坐标原点及单位刻度，横纵轴交点为聚类中心，生成对应的风险画像。
生成的风险画像中可以包括风险标签，根据所述风险标签可以直观看出商户的风险类型。
风险画像在展示时，可以根据实际情况选择展示的方式，例如：可以将商户自定义页面与风险画像页面组合成展示页面，展示界面可以实现个性化定制，以满足直观、清楚的展示要求。
通过上述方法，通过该商户的风险画像即可直观地展示商户的风险形象，从而更好地辅助识别商户以及商户所在平台的风险、监控风险，提高风险监控效率。
步骤208：根据各个商户的所述风险画像，确定所述待分析平台上每个风险标签对应的量化指标。
量化指标可以指的是用于量化风险的参数，例如：如果用平台中每一种风险类型对应的商户数量来量化风险类型，那么，量化指标可以是商户数量。如果用平台中的交易数量来量化风险类型，那么，量化指标可以是交易数量。
具体地，在实际应用中，量化指标至少可以包括商户数量、交易数量、业务类型以及交易额中的一种或多种。当然，在其他应用场景中，量化指标可以根据实际应用场景进行设定，本说明书实施例对此不作具体限定。
可选的，所述根据各个商户的所述风险画像，确定所述待分析平台上每个风险标签对应的量化指标，具体可以包括：
根据所述风险画像，确定每个风险标签对应的商户数量。
可选的，所述根据各个商户的所述风险画像，确定所述待分析平台上每个风险标签对应的量化指标，具体可以包括：
根据所述风险画像，确定每个风险标签对应的交易数量。
应当理解，本说明书一个或多个实施例所述的方法其中部分步骤的顺序可以根据实际需要相互交换，或者其中的部分步骤也可以省略或删除。
图2中的方法，通过接收风险量化请求，获取所述待分析平台上各个商户在多个维度上的风险标签；根据所述风险标签生成各个商户的风险画像；所述风险画像中包括风险标签；根据各个商户的所述风险画像，确定所述待分析平台上每个风险标签对应的量化指标。通过上述方法，基于各维度信息的风险标签，精准绘制商户的风险画像，实现基于商户的风险画像，整体了解商户的具体风险情况，有效评估商户的合规风险，展现业务风险全貌，从而为对平台或商户的合规风险进行评价和分析奠定了基础，有利于管理部门对合规风险的总体把握和精准监管。
基于图2的方法，本说明书实施例还提供了该方法的一些具体实施方案，下面进行说明。
可选的，所述风险标签可以是所述待分析平台对各个商户对应的历史数据进行分析后生成的。具体地，生成的风险标签可以存储在平台的风险标签库中。
可选的，所述风险标签的生成方法可以采用风险标签生成模型来生成，也可以按照预设规则对商户进行风险标签打标。具体地，生成风险标签，可以包括以下几种方式：
方式一、根据风险阈值确定风险标签。
具体地，生成风险标签，具体可以包括：
对于所述待分析平台上的任意一个商户，获取所述商户在设定时间段内的历史商户数据；所述历史商户数据中包括所述商户的操作行为数据以及交易行为数据；
根据所述历史商户数据分析所述商户对应的各种风险类型的风险概率；
将所述风险概率大于预设阈值的风险类型确定为异常风险类型，生成相应的风险标签。
平台可以对商户的历史时间段内的历史数据进行分析，确定商户对应的每种风险类型的风险阈值。然后对商户在设定时间段内的商户数据进行分析，确定商户对应的每种风险类型的风险概率，如果风险概率大于预设阈值，可以确定该风险类型确定为异常风险类型，可以直接以该异常风险类型的名称作为风险标签。
在获取异常风险类型之后，还可以根据风险类型与风险标签的对应关系进行打标。
可选的，生成相应的风险标签，具体可以包括：
根据所述异常风险类型，遍历风险标签列表以生成风险标签，其中，所述风险标签列表存在风险类型与风险标签一一对应的关系。
风险标签列表中可以包含每个风险标签与风险类型的对应关系。在确定商户对应的异常风险类型之后，可以从风险标签列表中找到与该异常风险类型对应的风险标签。
方式二、采用风险标签模型对商户进行风险打标。
具体地，生成风险标签，具体可以包括：
对于所述待分析平台上的任意一个商户，获取所述商户在设定时间段内的历史商户数据；所述历史商户数据中包括所述商户的操作行为数据以及交易行为数据；
提取所述历史商户数据对应的特征信息；
将所述特征信息输入训练完成的风险标签模型中，得到所述商户对应的风险标签。
其中，风险标签模型可以是根据已知风险类型以及风险标签的样本训练得到的。
通过上述方法，可以为生成商户的风险画像提供更加准确的风险标签。
可选的，所述根据各个商户的所述风险画像，确定所述待分析平台上每个风险标签对应的量化指标之后，还可以包括：
根据所述量化指标，确定所述待分析平台中每种风险类型的风险值；
根据每种所述风险类型的风险值确定所述待分析平台的风险系数；
获取合规风险的合规指标的风险基准值；
判断所述风险系数是否大于所述风险基准值，得到判断结果；
当所述判断结果表示所述风险系数大于所述风险基准值，确定所述待分析平台存在合规风险。
需要说明的是，上述步骤中，根据所述量化指标，确定所述待分析平台中每种风险类型的风险值时，可以采用机器学习或者深度学习的方式，计算每种风险类型的风险值。
可选的，所述根据所述量化指标，确定所述待分析平台中每种风险类型的风险值，具体可以根据商户的历史交易行为有效地对商户的各种风险类型进行风险评分。针对已知风险类型的商户进行特征行为分析，采用决策树模型进行训练，通过训练好的决策树模型计算所有样本变量的输出，对新的样本数据采用逻辑回归算法训练模型。最后将商户样本数据分别输入各个模型，进行加权平均，得到商户每种风险类型的评分结果，将评分结果作为风险值。
根据每种风险类型的风险值确定待分析平台的风险系数时，可以通过简单的求和算平均的方法确定风险系数。也可以确定每种风险类型对应的权重值，然后根据每种风险类型的权重值与风险值进行加权平均，确定风险系数。还可以通过计算各风险值的方差和概率密度函数等，确定风险系数。对于计算风险系数的方法，可以根据实际应用场景的需求进行设置，本说明书实施例对此不作具体限定。
合规风险可以存在多个合规指标，每个合规指标可以对应一个风险基准值。在计算得到风险系数之后，可以与合规风险的风险基准值进行比较，如果大于风险基准值，则确定待分析平台存在合规风险，反之，确定待分析平台不存在合规风险。
可选的，所述确定所述待分析平台存在合规风险之后，还可以包括：
确定所述待分析平台的风险等级；
根据所述风险等级选择预设规则进行预警。
在预警时，可以向平台发送预警信息，例如：发送风险排查邮件、风险告警邮件等。
需要说明的是，在对待分析平台进行预警时，可以根据风险等级的高低来选择预警的方式。例如：当风险等级为第一等级时，向监管部门发送风险排查邮件；当风险级别为第二等级时，向待分析平台发送风险告警邮件。
本实施例中，可以预先设置风险类型的风险等级，例如，第一等级，第二等级。当然在其他实施例中，还可以设置更多的风险等级。不同等级的风险类别代表待分析平台对社会和消费者造成的影响程度不同，其中，第一等级的风险造成的影响程度可以高于第二等级的风险造成的影响程度。即风险等级为第一等级时，表明待分析平台存在较严重的违规行为，需要向监管部门发送风险告警，以通知监管部门对所述待分析平台进行人工排查，确保不会造成更严重的金融风险。当风险等级为第二等级时，可以向待分析平台发送风险告警邮件，以通知待分析平台进行自我排查并确认风险因素。
在实际应用中，如果想要进一步保证待分析平台中各个商户的信息安全性，可以结合区块链来完成合规风险量化的过程。具体地：
待分析平台中的商户，可以将对应的商户信息存储至区块链网络；待分析平台，也可以将各个商户对应的支付订单信息存储至所述区块链网络。
监管机构或监管设备，可以接收风险量化请求；所述风险量化请求中携带有待分析平台的标识；基于所述标识，获取所述待分析平台上各个商户在多个维度上的风险标签；所述风险标签对应多种风险类型；根据所述风险标签生成各个商户的风险画像；所述风险画像中包括风险标签；根据各个商户的所述风险画像，确定所述待分析平台上每个风险标签对应的量化指标。
本说明书实施例中的方法步骤，可以实现的技术效果如下：
1)通过接收风险量化请求，获取所述待分析平台上各个商户在多个维度上的风险标签；根据所述风险标签生成各个商户的风险画像；所述风险画像中包括风险标签；根据各个商户的所述风险画像，确定所述待分析平台上每个风险标签对应的量化指标。通过上述方法，基于各维度信息的风险标签，精准绘制商户的风险画像，实现基于商户的风险画像，整体了解商户的具体风险情况，从而为对平台或商户的合规风险进行评价和分析奠定了基础，有利于管理部门对合规风险进行总体把握和精准监管。
2)商户的风险画像可以理解为将商户对应的每个风险类型抽象成标签，利用这些标签将商户的风险情况具体化，以便整体了解具体商户的风险情况，有效评估商户合规风险，展现业务风险全貌。
3)商户的风险画像直观地展示商户的风险形象，从而更好地辅助识别商户以及商户所在平台的风险、监控风险，提高风险监控效率。
基于同样的思路，本说明书实施例还提供了上述方法对应的装置。图3是本说明书实施例提供的一种基于风险画像的风险量化装置的结构示意图。如图3所示，该装置可以包括：
风险量化请求接收模块302，用于接收风险量化请求；所述风险量化请求中携带有待分析平台的标识；
风险标签获取模块304，用于基于所述标识，获取所述待分析平台上各个商户在多个维度上的风险标签；所述风险标签对应多种风险类型；
风险画像生成模块306，用于根据所述风险标签生成各个商户的风险画像；所述风险画像中包括风险标签；
量化指标确定模块308，用于根据各个商户的所述风险画像，确定所述待分析平台上每个风险标签对应的量化指标。
基于图3的装置，本说明书实施例还提供了该方法的一些具体实施方案，下面进行说明。
可选的，所述装置，还可以包括：
风险标签生成模块，用于生成风险标签；所述风险标签是根据所述待分析平台上各个商户对应的历史商户数据进行分析后生成的。
可选的，所述风险标签生成模块装置，具体包括：：
商户数据获取单元，用于对于所述待分析平台上的任意一个商户，获取所述商户在设定时间段内的历史商户数据；所述历史商户数据中包括所述商户的操作行为数据以及交易行为数据；
风险类型概率确定单元，用于根据所述历史商户数据分析所述商户对应的各种风险类型的风险概率；
异常风险类型确定单元，用于将所述风险概率大于预设阈值的风险类型确定为异常风险类型，生成相应的风险标签。
可选的，所述异常风险类型确定单元，具体可以包括：
风险标签生成子单元，用于根据所述异常风险类型，遍历风险标签列表以生成风险标签，其中，所述风险标签列表存在风险类型与风险标签一一对应的关系。
可选的，所述量化指标至少可以包括商户数量、交易数量、业务类型以及交易额中的一种或多种。
可选的，所述装置，还可以包括：
风险值计算模块，用于根据所述量化指标，确定所述待分析平台中每种风险类型的风险值；
风险系数确定模块，用于根据每种所述风险类型的风险值确定所述待分析平台的风险系数；
风险基准值获取模块，用于获取合规风险的合规指标的风险基准值；
判断模块，用于判断所述风险系数是否大于所述风险基准值，得到判断结果；
合规风险确定模块，用于当所述判断结果表示所述风险系数大于所述风险基准值，确定所述待分析平台存在合规风险。
可选的，所述装置，还可以包括：
风险等级确定模块，用于确定所述待分析平台的风险等级；
预警模块，用于根据所述风险等级选择预设规则进行预警。
可选的，所述量化指标确定模块308，具体可以包括：
商户数量确定单元，用于根据所述风险画像，确定每个风险标签对应的商户数量。
可选的，所述量化指标确定模块308，具体可以包括：
交易数量确定单元，用于根据所述风险画像，确定每个风险标签对应的交易数量。
可选的，所述风险标签至少可以包括交易真实性标签、营销作弊标签以及不良交易标签中的一种或多种。
可选的，所述多个维度至少可以包括账号信息维度、交易维度以及账户资金维度。
基于同样的思路，本说明书实施例还提供了上述方法对应的设备。
图4是本说明书实施例提供的一种基于风险画像的风险量化设备的结构示意图。如图4所示，设备400可以包括：
至少一个处理器410；以及，
与所述至少一个处理器通信连接的存储器430；其中，
所述存储器430存储有可被所述至少一个处理器410执行的指令420，所述指令被所述至少一个处理器410执行，以使所述至少一个处理器410能够：
接收风险量化请求；所述风险量化请求中携带有待分析平台的标识；
基于所述标识，获取所述待分析平台上各个商户在多个维度上的风险标签；所述风险标签对应多种风险类型；
根据所述风险标签生成各个商户的风险画像；所述风险画像中包括风险标签；
根据各个商户的所述风险画像，确定所述待分析平台上每个风险标签对应的量化指标。
基于同样的思路，本说明书实施例还提供了上述方法对应的计算机可读介质。计算机可读介质上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现以下方法：
接收风险量化请求；所述风险量化请求中携带有待分析平台的标识；
基于所述标识，获取所述待分析平台上各个商户在多个维度上的风险标签；所述风险标签对应多种风险类型；
根据所述风险标签生成各个商户的风险画像；所述风险画像中包括风险标签；
根据各个商户的所述风险画像，确定所述待分析平台上每个风险标签对应的量化指标。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于图4所示的基于风险画像的风险量化设备而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字符***“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(AlteraHardware Description Language)、Confluence、CUPL(Cornell University ProgrammingLanguage)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby Hardware Description Language)等，目前最普遍使用的是VHDL(Very-High-Speed Integrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字符助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
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、CD-ROM、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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字符多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、***或计算机程序产品。因此，本申请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，本申请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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (20)
1.一种基于风险画像的风险量化方法，包括：
接收风险量化请求；所述风险量化请求中携带有待分析平台的标识；
基于所述标识，获取所述待分析平台上各个商户在多个维度上的风险标签；所述风险标签对应多种风险类型；
根据所述风险标签生成各个商户的风险画像；所述风险画像中包括风险标签；
根据各个商户的所述风险画像，确定所述待分析平台上每个所述风险标签对应的量化指标，根据所述量化指标对所述待分析平台进行合规风险的评估；所述量化指标为所述待分析平台上的所述风险标签对应的所有商户的数据统计值。
2.根据权利要求1所述的方法，所述基于所述标识，获取所述待分析平台上各个商户在多个维度上的风险标签之前，还包括：
生成风险标签；所述风险标签是根据所述待分析平台上各个商户对应的历史商户数据进行分析后生成的。
3.根据权利要求2所述的方法，所述生成风险标签，具体包括：
对于所述待分析平台上的任意一个商户，获取所述商户在设定时间段内的历史商户数据；所述历史商户数据中包括所述商户的操作行为数据以及交易行为数据；
根据所述历史商户数据分析所述商户对应的各种风险类型的风险概率；
将所述风险概率大于预设阈值的风险类型确定为异常风险类型，生成相应的风险标签。
4.根据权利要求3所述的方法，所述生成相应的风险标签，具体包括：
根据所述异常风险类型，遍历风险标签列表以生成风险标签，其中，所述风险标签列表存在风险类型与风险标签一一对应的关系。
5.根据权利要求1所述的方法，所述量化指标至少包括商户数量、交易数量、业务类型以及交易额中的一种或多种。
6.根据权利要求4所述的方法，所述方法，还包括：
根据所述量化指标，确定所述待分析平台中每种风险类型的风险值；
根据每种所述风险类型的风险值确定所述待分析平台的风险系数；
获取合规风险的合规指标的风险基准值；
判断所述风险系数是否大于所述风险基准值，得到判断结果；
当所述判断结果表示所述风险系数大于所述风险基准值，确定所述待分析平台存在合规风险。
7.根据权利要求6所述的方法，所述确定所述待分析平台存在合规风险之后，还包括：
确定所述待分析平台的风险等级；
根据所述风险等级选择预设规则进行预警。
8.根据权利要求5所述的方法，所述根据各个商户的所述风险画像，确定所述待分析平台上每个所述风险标签对应的量化指标，具体包括：
根据所述风险画像，确定每个风险标签对应的商户数量。
9.根据权利要求5所述的方法，所述根据各个商户的所述风险画像，确定所述待分析平台上每个所述风险标签对应的量化指标，具体包括：
根据所述风险画像，确定每个风险标签对应的交易数量。
10.根据权利要求1所述的方法，所述风险标签至少包括交易真实性标签、营销作弊标签以及不良交易标签中的一种或多种。
11.根据权利要求1所述的方法，所述多个维度至少包括账号信息维度、交易维度以及账户资金维度。
12.一种基于风险画像的风险量化装置，包括：
风险量化请求接收模块，用于接收风险量化请求；所述风险量化请求中携带有待分析平台的标识；
风险标签获取模块，用于基于所述标识，获取所述待分析平台上各个商户在多个维度上的风险标签；所述风险标签对应多种风险类型；
风险画像生成模块，用于根据所述风险标签生成各个商户的风险画像；所述风险画像中包括风险标签；
量化指标确定模块，用于根据各个商户的所述风险画像，确定所述待分析平台上每个所述风险标签对应的量化指标，根据所述量化指标对所述待分析平台进行合规风险的评估；所述量化指标为所述待分析平台上的所述风险标签对应的所有商户的数据统计值。
13.根据权利要求12所述的装置，所述装置还包括：
风险标签生成模块，用于生成风险标签；所述风险标签是根据所述待分析平台上各个商户对应的历史商户数据进行分析后生成的。
14.根据权利要求13所述的装置，所述风险标签生成模块，具体包括：
历史商户数据获取单元，用于对于所述待分析平台上的任意一个商户，获取所述商户在设定时间段内的历史商户数据；所述历史商户数据中包括所述商户的操作行为数据以及交易行为数据；
风险类型概率确定单元，用于根据所述历史商户数据分析所述商户对应的各种风险类型的风险概率；
异常风险类型确定单元，用于将所述风险概率大于预设阈值的风险类型确定为异常风险类型，生成相应的风险标签。
15.根据权利要求14所述的装置，所述异常风险类型确定单元，具体包括：
风险标签生成子单元，用于根据所述异常风险类型，遍历风险标签列表以生成风险标签，其中，所述风险标签列表存在风险类型与风险标签一一对应的关系。
16.根据权利要求12所述的装置，所述量化指标至少包括商户数量、交易数量、业务类型以及交易额中的一种或多种。
17.根据权利要求15所述的装置，所述装置，还包括：
风险值计算模块，用于根据所述量化指标，确定所述待分析平台中每种风险类型的风险值；
风险系数确定模块，用于根据每种所述风险类型的风险值确定所述待分析平台的风险系数；
风险基准值获取模块，用于获取合规风险的合规指标的风险基准值；
判断模块，用于判断所述风险系数是否大于所述风险基准值，得到判断结果；
合规风险确定模块，用于当所述判断结果表示所述风险系数大于所述风险基准值，确定所述待分析平台存在合规风险。
18.根据权利要求17所述的装置，所述装置，还包括：
风险等级确定模块，用于确定所述待分析平台的风险等级；
预警模块，用于根据所述风险等级选择预设规则进行预警。
19.一种基于风险画像的风险量化设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
接收风险量化请求；所述风险量化请求中携带有待分析平台的标识；
基于所述标识，获取所述待分析平台上各个商户在多个维度上的风险标签；所述风险标签对应多种风险类型；
根据所述风险标签生成各个商户的风险画像；所述风险画像中包括风险标签；
根据各个商户的所述风险画像，确定所述待分析平台上每个所述风险标签对应的量化指标，根据所述量化指标对所述待分析平台进行合规风险的评估；所述量化指标为所述待分析平台上的所述风险标签对应的所有商户的数据统计值。
20.一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现权利要求1至11中任一项所述的基于风险画像的风险量化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010839093.2A CN112200402B (zh) | 2020-08-19 | 2020-08-19 | 一种基于风险画像的风险量化方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010839093.2A CN112200402B (zh) | 2020-08-19 | 2020-08-19 | 一种基于风险画像的风险量化方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112200402A CN112200402A (zh) | 2021-01-08 |
| CN112200402B true CN112200402B (zh) | 2022-10-18 |
Family
ID=74006119
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010839093.2A Active CN112200402B (zh) | 2020-08-19 | 2020-08-19 | 一种基于风险画像的风险量化方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112200402B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113297377A (zh) * | 2021-05-24 | 2021-08-24 | 山东财经大学 | 基于空间自回归模型的零售店铺画像构建方法及*** |
| CN113344376A (zh) * | 2021-06-02 | 2021-09-03 | 南京星云数字技术有限公司 | 商户风险监测方法、装置、计算机设备和存储介质 |
| CN114971040A (zh) * | 2022-06-01 | 2022-08-30 | 中国银行股份有限公司 | 无人银行网点风险控制方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109255542A (zh) * | 2018-09-26 | 2019-01-22 | 中国联合网络通信集团有限公司 | 一种数据处理方法和*** |
| CN109523116A (zh) * | 2018-10-11 | 2019-03-26 | 平安科技（深圳）有限公司 | 企业风险分析方法、装置、计算机设备和存储介质 |
| CN110232484A (zh) * | 2019-06-21 | 2019-09-13 | 深圳前海微众银行股份有限公司 | 风险策略优化方法、装置、设备及计算机可读存储介质 |
| CN110264221A (zh) * | 2019-05-15 | 2019-09-20 | 阿里巴巴集团控股有限公司 | 一种针对服务商行业的全链路安全业务联合解决方案 |
| CN110276519A (zh) * | 2019-05-14 | 2019-09-24 | 平安科技（深圳）有限公司 | 风险画像建立方法、装置、计算机设备及存储介质 |
| CN110633919A (zh) * | 2019-09-27 | 2019-12-31 | 支付宝(杭州)信息技术有限公司 | 经营实体的评估方法及其装置 |
| CN111027870A (zh) * | 2019-12-14 | 2020-04-17 | 支付宝(杭州)信息技术有限公司 | 用户风险评估方法及装置、电子设备、存储介质 |
-
2020
- 2020-08-19 CN CN202010839093.2A patent/CN112200402B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109255542A (zh) * | 2018-09-26 | 2019-01-22 | 中国联合网络通信集团有限公司 | 一种数据处理方法和*** |
| CN109523116A (zh) * | 2018-10-11 | 2019-03-26 | 平安科技（深圳）有限公司 | 企业风险分析方法、装置、计算机设备和存储介质 |
| CN110276519A (zh) * | 2019-05-14 | 2019-09-24 | 平安科技（深圳）有限公司 | 风险画像建立方法、装置、计算机设备及存储介质 |
| CN110264221A (zh) * | 2019-05-15 | 2019-09-20 | 阿里巴巴集团控股有限公司 | 一种针对服务商行业的全链路安全业务联合解决方案 |
| CN110232484A (zh) * | 2019-06-21 | 2019-09-13 | 深圳前海微众银行股份有限公司 | 风险策略优化方法、装置、设备及计算机可读存储介质 |
| CN110633919A (zh) * | 2019-09-27 | 2019-12-31 | 支付宝(杭州)信息技术有限公司 | 经营实体的评估方法及其装置 |
| CN111027870A (zh) * | 2019-12-14 | 2020-04-17 | 支付宝(杭州)信息技术有限公司 | 用户风险评估方法及装置、电子设备、存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112200402A (zh) | 2021-01-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111967779B (zh) | 一种风险评估方法、装置及设备 | |
| CN112200402B (zh) | 一种基于风险画像的风险量化方法、装置及设备 | |
| CN108418825B (zh) | 风险模型训练、垃圾账号检测方法、装置以及设备 | |
| US9661012B2 (en) | Systems and methods for identifying information related to payment card breaches | |
| TWI679604B (zh) | 確定使用者風險等級的方法及裝置、電腦設備 | |
| CN110689438A (zh) | 企业类金融风险评分方法、装置、计算机设备及存储介质 | |
| US11151573B2 (en) | Intelligent chargeback processing platform | |
| US20170024828A1 (en) | Systems and methods for identifying information related to payment card testing | |
| CN112990294B (zh) | 行为判别模型的训练方法、装置、电子设备及存储介质 | |
| CN111539811B (zh) | 风险账户的识别方法及装置 | |
| CN111401777A (zh) | 企业风险的评估方法、装置、终端设备及存储介质 | |
| CN111260368A (zh) | 一种账户交易风险判断方法、装置及电子设备 | |
| CN112015909A (zh) | 知识图谱的构建方法及装置、电子设备、存储介质 | |
| CN110659961A (zh) | 一种用于识别线下商户的方法和装置 | |
| CN109903166B (zh) | 一种数据风险预测方法、装置及设备 | |
| CN116485406A (zh) | 账户的检测方法及装置、存储介质和电子设备 | |
| CN112561681A (zh) | 确定潜在贷款企业的方法、装置、电子设备及存储介质 | |
| CN113554228B (zh) | 还款率预测模型的训练方法及还款率的预测方法 | |
| CN113450215A (zh) | 交易数据的风险检测方法、装置和服务器 | |
| Khadivizand et al. | Towards intelligent feature engineering for risk-based customer segmentation in banking | |
| CN110322340B (zh) | 信用风控管理方法、装置、服务器及存储介质 | |
| US20210133489A1 (en) | System and method for unsupervised abstraction of sensitive data for realistic modeling | |
| US20210133586A1 (en) | System and method for unsupervised abstraction of sensitive data for realistic modeling | |
| US20210133783A1 (en) | System and method for unsupervised abstraction of sensitive data for detection model sharing across entities | |
| Alshutayri | Fraud Prediction in Movie Theater Credit Card Transactions using Machine Learning |
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 |