CN112348520A - 基于XGBoost的风险评估方法、装置和电子设备 - Google Patents
基于XGBoost的风险评估方法、装置和电子设备 Download PDFInfo
- Publication number
- CN112348520A CN112348520A CN202011134326.5A CN202011134326A CN112348520A CN 112348520 A CN112348520 A CN 112348520A CN 202011134326 A CN202011134326 A CN 202011134326A CN 112348520 A CN112348520 A CN 112348520A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- risk
- risk assessment
- characteristic variables
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000012502 risk assessment Methods 0.000 title claims abstract description 63
- 230000007246 mechanism Effects 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000012216 screening Methods 0.000 claims abstract description 29
- 238000012795 verification Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 6
- 238000011156 evaluation Methods 0.000 abstract description 3
- 230000001960 triggered effect Effects 0.000 description 13
- 238000004590 computer program Methods 0.000 description 7
- 238000001914 filtration Methods 0.000 description 7
- 238000002372 labelling Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012954 risk control Methods 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Computer Security & Cryptography (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于XGBoost的风险评估方法、装置和电子设备。该方法包括：获取历史样本数据，确定正、负样本，所述历史样本数据包括用户社交数据、用户关联人数据和欺诈数据；基于所获取的历史样本数据，提取风险特征变量，并建立训练数据集和验证数据集；根据筛选规则，筛选风险特征变量；使用XGBoost算法，构建风险识别模型，并使用训练数据集进行训练；获取当前用户的用户社交数据和用户关联人数据，使用风险识别模型计算该用户的风险评估值；基于所述用户的风险评估值，判断是否触发预警机制。本发明能够准确评估用户的风险情况，有效识别欺诈用户，提升了模型精度，避免了过拟合，显著提升了评估效果。
Description
技术领域
本发明涉及计算机信息处理领域，具体而言，涉及一种基于XGBoost的风险评估方法、装置和电子设备。
背景技术
风险控制(简称为风控)是指风险管理者采取各种措施和方法，消灭或减少风险案件发生的各种可能性，或风险控制者减少风险案件发生时造成的损失。风险控制一般应用于金融行业，如对公司的交易、商家的交易或个人交易等进行风险控制。
在业务规模日益膨胀、欺诈手段多样化、人力成本上升的背景下，现有的欺诈防范手也趋向于精细化反欺诈管理模式，建立以欺诈评分模型为基础的智能型反欺诈管理，形成定量分析和定性分析相结合的业务模式势在必行。此外，在欺诈风险分析的方面仍存在很大改进空间。
因此，有必要提供一种精度更高的风险评估方法。
发明内容
为了提高模型预测精度，准确评估用户的风险情况，本发明提供了一种基于XGBoost的风险评估方法，包括：获取历史样本数据，确定正、负样本，所述历史样本数据包括用户社交数据、用户关联人数据和欺诈数据；基于所获取的历史样本数据，提取风险特征变量，并建立训练数据集和验证数据集；根据筛选规则，筛选风险特征变量；使用XGBoost算法，构建风险识别模型，并使用训练数据集进行训练；获取当前用户的用户社交数据和用户关联人数据，使用风险识别模型计算该用户的风险评估值；基于所述用户的风险评估值，判断是否触发预警机制。
优选地，所述根据筛选规则，筛选风险特征变量包括：设定筛选规则，所述筛选规则包括：设定相关系数阈值，并在风险特征变量之间的相关系数大于所述相关系数阈值时从所述风险特征变量中筛选出信息增益值最大的风险特征变量。
优选地，对每个风险特征变量进行分箱处理，并进行WOE转换，以计算每个风险特征变量的信息增益值以及特征变量之间的相关系数。
优选地，还包括：对筛选出的风险特征变量进行交叉组合运算，以扩增风险特征变量。
优选地，所述用户社交文本数据从用户的社交APP的通讯录或者从社交关系网络图上获取。
优选地，还包括：构建欺诈数据库；将所述样本数据中的用户数据与所述欺诈数据库中的数据进行匹配，以筛选目标用户和非目标用户。
优选地，还包括：识别样本数据中用户所处业务流程节点；基于所识别的业务流程节点，判断匹配内容，所述匹配内容包括将所述用户及其关联人的用户数据与电话黄页数据库进行匹配。
优选地，所述基于所述用户的风险评估值，判断是否触发预警机制包括：设定用于触发预警机制的第一阈值和第二阈值；在所述用户的风险评估值大于等于第一阈值时，判断为触发第一预警机制；在所述用户的风险评估值大于第二阈值且小于第一阈值时，判断为触发第二预警机制；在所述用户的风险评估值小于第二阈值时，判断为不触发预警机制。
优选地，所述第一预警机制包括自动向所述用户进行风险语音提示；所述第二预警机制包括对所述用户进行打标签处理以提示业务人员进行监控。
优选地，还包括：对样本数据进行划分，建立训练数据集和验证数据集，该验证数据集包括跨时间验证样本。
此外，本发明还提供了一种基于XGBoost的风险评估装置，包括：数据获取模块，用于获取历史样本数据，确定正、负样本，所述历史样本数据包括用户社交数据、用户关联人数据和欺诈数据；提取模块，基于所获取的历史样本数据，提取风险特征变量，并建立训练数据集和验证数据集；筛选模块，用于根据筛选规则，筛选风险特征变量；模型构建模块，用于使用XGBoost算法，构建风险识别模型，并使用训练数据集进行训练；计算模块，用于获取当前用户的用户社交数据和用户关联人数据，使用风险识别模型计算该用户的风险评估值；判断模块，基于所述用户的风险评估值，判断是否触发预警机制。
优选地，还包括设定模块，所述设定模块用于设定筛选规则，所述筛选规则包括：设定相关系数阈值，并在风险特征变量之间的相关系数大于所述相关系数阈值时从所述风险特征变量中筛选出信息增益值最大的风险特征变量。
优选地，对每个风险特征变量进行分箱处理，并进行WOE转换，以计算每个风险特征变量的信息增益值以及特征变量之间的相关系数。
优选地，还包括：对筛选出的风险特征变量进行交叉组合运算，以扩增风险特征变量。
优选地，所述用户社交文本数据从用户的社交APP的通讯录或者从社交关系网络图上获取。
优选地，还包括：构建欺诈数据库；将所述样本数据中的用户数据与所述欺诈数据库中的数据进行匹配，以筛选目标用户和非目标用户。
优选地，还包括识别模块，所述识别模块用于识别样本数据中用户所处业务流程节点；基于所识别的业务流程节点，判断匹配内容，所述匹配内容包括将所述用户及其关联人的用户数据与电话黄页数据库进行匹配。
优选地，还包括：设定用于触发预警机制的第一阈值和第二阈值；在所述用户的风险评估值大于等于第一阈值时，判断为触发第一预警机制；在所述用户的风险评估值大于第二阈值且小于第一阈值时，判断为触发第二预警机制；在所述用户的风险评估值小于第二阈值时，判断为不触发预警机制。
优选地，所述第一预警机制包括自动向所述用户进行风险语音提示；所述第二预警机制包括对所述用户进行打标签处理以提示业务人员进行监控。
优选地，还包括：对样本数据进行划分，建立训练数据集和验证数据集，该验证数据集包括跨时间验证样本。
此外，本发明还提供了一种电子设备，其中，该电子设备包括：处理器；以及，存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行本发明所述的基于XGBoost的风险评估方法。
此外，本发明还提供了一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现本发明所述的基于XGBoost的风险评估方法。
有益效果
与现有技术相比，本发明的风险评估方法通过从历史样本数据的用户社交数据、用户关联人数据中提取筛选风险特征变量，增加变量交叉组合运算扩增风险特征，并使用多种风险特征组合的方式建立训练数据集，由此全面挖掘了变量之间的组合关系，能够准确评估用户的风险情况，提升了模型精度，避免了过拟合，显著提升了评估效果。此外，本发明能够在已有信息的情况下，对风险进行精准判断，有效识别欺诈用户，给人工审核提供参考。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚，下面将参照附图详细描述本发明的具体实施例。但需声明的是，下面描述的附图仅仅是本发明本发明示例性实施例的附图，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他实施例的附图。
图1是本发明的实施例1的基于XGBoost的风险评估方法的一示例的流程图。
图2是本发明的实施例1的基于XGBoost的风险评估方法的另一示例的流程图。
图3是本发明的实施例1的基于XGBoost的风险评估方法的又一示例的流程图。
图4是本发明的实施例2的基于XGBoost的风险评估装置的一示例的示意图。
图5是本发明的实施例2的基于XGBoost的风险评估装置的另一示例的示意图。
图6是本发明的实施例2的基于XGBoost的风险评估装置的又一示例的示意图。
图7是根据本发明的一种电子设备的示例性实施例的结构框图。
图8是根据本发明的计算机可读介质的示例性实施例的结构框图。
具体实施方式
现在将参考附图更全面地描述本发明的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例能够使得本发明更加全面和完整，更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分，因而将省略对它们的重复描述。
在符合本发明的技术构思的前提下，在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
在对于具体实施例的描述中，本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但这不应受这些定语限制。这些定语乃是用以区分一者与另一者。例如，第一器件亦可称为第二器件而不偏离本发明实质的技术方案。
术语“和/或”或者“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
为了提高模型预测精度，准确评估用户的风险情况，本发明提供了一种基于XGBoost的风险评估方法，该方法通过从历史样本数据的用户社交数据、用户关联人数据中提取筛选风险特征变量，增加变量交叉组合运算扩增风险特征，并使用多种风险特征组合的方式建立训练数据集，由此全面挖掘了变量之间的组合关系，提升模型精度，避免了过拟合，显著提升了评估效果。此外，本发明能够在已有信息的情况下，对风险进行精准判断，有效识别欺诈用户，给人工审核提供参考。以下将详细描述本发明的风险评估过程。
实施例1
下面，将参照图1至图3描述本发明的基于XGBoost的风险评估方法的实施例。
图1为本发明的基于XGBoost的风险评估方法的流程图。如图1所示，一种风险评估方法，该方法包括如下步骤。
步骤S101，获取历史样本数据，确定正、负样本，所述历史样本数据包括用户社交数据、用户关联人数据和欺诈数据。
步骤S102，基于所获取的历史样本数据，提取风险特征变量，并建立训练数据集和验证数据集。
步骤S103，根据筛选规则，筛选风险特征变量。
步骤S104，使用XGBoost算法，构建风险识别模型，并使用训练数据集进行训练。
步骤S105，获取当前用户的用户社交数据和用户关联人数据，使用风险识别模型计算该用户的风险评估值。
步骤S106，基于所述用户的风险评估值，判断是否触发预警机制。
首先，在步骤S101中，获取历史样本数据，确定正、负样本，所述历史样本数据包括用户社交数据、用户关联人数据和欺诈数据。
在本示例中，用户社交数据包括从用户的社交APP的通讯录或者从社交关系网络图上获取的数据，还包括从第三方数据库获取的相关数据等。
优选地，例如对历史样本数据进行聚类分析，形成包含多个类数据集的社交关系图，其中，所述类数据集包括相互关联的多个用户节点。
进一步地，通过该社交关系图，计算每个用户的一层关联人、二层关联人的相关数据。
更进一步地，欺诈数据包括用户造假行为数据、盗刷数据、黑名单用户欺诈行为数据、虚假信息的资源请求数据、重复申请行为数据等。
需要说明的是，在本发明中，欺诈数据是指与金融产品相关的所有欺诈表现数据，其中，金融产品例如为金融服务产品、资金管理产品或理财产品等。上述仅作为示例进行说明，不能理解成对本发明的限制。
接下来，在步骤S102中，基于所获取的历史样本数据，提取风险特征变量，并建立训练数据集和验证数据集。
在本示例中，设定提取规则，并根据所设定提取规则，提取风险特征变量。
具体地，所述提取规则包括：确定多个维度参数，基于所述维度参数，提取风险特征变量，所述维度参数包括时间维度、地区纬度。
如图2所示，还包括构建欺诈数据库的步骤S201。
在步骤S201中，构建欺诈数据库，该欺诈数据库用于记录历史用户数据中的欺诈用户及其相关数据，并且用作与当前用户的用户数据进行匹配的匹配数据，以判断是否为欺诈用户。
优选地，还包括识别样本数据中用户所处业务流程节点。具体地，基于所识别的业务流程节点，判断匹配内容，所述匹配内容包括将所述用户及其关联人的用户数据与电话黄页数据库进行匹配。
对于风险特征变量的提取，例如，从社交网络图的关联用户之间的连接信息中提取风险特征变量，其中，该连接信息包括关联用户节点之间的连接关系、各节点之间的边的距离等。具体地，提取一层用户关联和二层用户关联人为欺诈用户的数量、与一层用户关联和/或二层用户关联人是否为同一城市等，作为风险特征变量。由此，针对用户社交网络图进行分析，提取风险特征变量，从而提高了从“关系”的角度分析问题的能力，并更有利于从正常行为中识别出到异常的团伙欺诈行为。
再例如，在申请审批过程中，历史用户样本数据进入决策***，对于注册完件的历史用户，将该历史用户的用户数据、注册信息、授权查询的个人信息接入审核***，与所述欺诈数据库中的匹配数据进行匹配，对匹配成功的用户及其通讯录中用户关联人的用户数据，提取风险特征变量。
优选地，对样本数据进行划分，建立训练数据集和验证数据集，其中，该训练数据集用于训练风险识别模型，该验证数据集用于对风险识别模型进行参数调优，所述验证数据集包括跨时间验证样本。
接下来，在步骤S103中，根据筛选规则，筛选风险特征变量。
在本示例中，设定筛选规则，所述筛选规则包括：设定相关系数阈值，并在风险特征变量之间的相关系数大于所述相关系数阈值时从所述风险特征变量中筛选出信息增益值最大的风险特征变量。
具体地，对每个风险特征变量进行分箱处理，并进行WOE转换，以计算每个风险特征变量的信息增益值IV以及特征变量之间的相关系数CORR。
例如，采用卡方分箱对每个模型特征变量进行分箱处理，并计算WOEi值，具体计算公式如下。
其中，WOEi为第i个分箱的WOE值；#good(i)为第i个分箱中标签为good的数量；#good(T)为所有分箱中good的总数量；#bad(i)为第i个分箱中标签为bad的数量；#bad(T)为所有分箱中bad的总数量。
进一步地，基于所计算的WOEi，计算每个模型特征变量的信息增益值IV和特征变量之间的相关系数CORR，具体计算公式如下。
优选地，还包括：对筛选出的风险特征变量进行交叉组合运算，以扩增风险特征变量。
接下来，在步骤S104中，使用XGBoost算法，构建风险识别模型，并使用训练数据集进行训练。
在本示例中，对于模型构建，还包括定义好坏样本，标签为0，1，其中，1表示用户的欺诈概率为Y以上的样本，0表示用户的欺诈概率为小于Y的样本。通常，用户的欺诈概率越低，贷款回收本金的情况越好，资金的使用效率越好，资产的风险程度就越低，反之亦然。
具体地，使用步骤S102中所建立的训练数据集D＝{(x1,y1)，(x2,y2)，…,(xm,ym)}，用该训练数据集训练所述风险识别模型，由此，基于历史样本数据，实现历史用户的欺诈概率的分类。
接下来，在步骤S105中，获取当前用户的用户社交数据和用户关联人数据，使用风险识别模型计算该用户的风险评估值。
优选地，基于所获取的当前用户的用户社交数据和用户关联人数据，将上述用户数据与所述欺诈数据库中的数据进行匹配，以筛选目标用户和非目标用户。
具体地，将所筛选出的目标用户的用户社交数据和用户关联人数据，输入风险识别模型，计算该用户的风险评估值。
接下来，在步骤S106中，基于所述用户的风险评估值，判断是否触发预警机制。
如图3所示，还包括设定用于触发预警机制的第一阈值和第二阈值的步骤S301。
在步骤S301中，设定用于触发预警机制的第一阈值和第二阈值。
具体地，在所述用户的风险评估值大于等于第一阈值时，判断为触发第一预警机制；在所述用户的风险评估值大于第二阈值且小于第一阈值时，判断为触发第二预警机制；在所述用户的风险评估值小于第二阈值时，判断为不触发预警机制。
进一步地，所述第一预警机制包括自动向所述用户进行风险语音提示；所述第二预警机制包括对所述用户进行打标签处理以提示业务人员进行监控。
例如，风险语音提示包括自动外呼风险提示，对判断为风险较高的用户自动触发语音外呼机制，提示谨防诈骗危险。
再例如，对于已进入人工审核环节申请，给出相应标签，提示审核人员重点追踪，从而达到降低风险的作用。
需要说明的是，上述仅为优选的实施例，不能理解成对本发明的限制。
本领域技术人员可以理解，实现上述实施例的全部或部分步骤被实现为由计算机数据处理设备执行的程序(计算机程序)。在该计算机程序被执行时，可以实现本发明提供的上述方法。而且，所述的计算机程序可以存储于计算机可读存储介质中，该存储介质可以是磁盘、光盘、ROM、RAM等可读存储介质，也可以是多个存储介质组成的存储阵列，例如磁盘或磁带存储阵列。所述的存储介质不限于集中式存储，其也可以是分布式存储，例如基于云计算的云存储。
与现有技术相比，本发明的风险评估方法通过从历史样本数据的用户社交数据、用户关联人数据中提取筛选风险特征变量，增加变量交叉组合运算扩增风险特征，并使用多种风险特征组合的方式建立训练数据集，由此全面挖掘了变量之间的组合关系，能够准确评估用户的风险情况，提升了模型精度，避免了过拟合，显著提升了评估效果。此外，本发明能够在已有信息的情况下，对风险进行精准判断，有效识别欺诈用户，给人工审核提供参考。
实施例2
下面描述本发明的装置实施例，该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节，应视为对于上述方法实施例的补充；对于在本发明装置实施例中未披露的细节，可以参照上述方法实施例来实现。
参照图4、图5和图6，本发明还提供了一种基于XGBoost的风险评估装置400，包括：数据获取模块401，用于获取历史样本数据，确定正、负样本，所述历史样本数据包括用户社交数据、用户关联人数据和欺诈数据；提取模块402，基于所获取的历史样本数据，提取风险特征变量，并建立训练数据集和验证数据集；筛选模块403，用于根据筛选规则，筛选风险特征变量；模型构建模块404，用于使用XGBoost算法，构建风险识别模型，并使用训练数据集进行训练；计算模块405，用于获取当前用户的用户社交数据和用户关联人数据，使用风险识别模型计算该用户的风险评估值；判断模块406，基于所述用户的风险评估值，判断是否触发预警机制。
如图5所示，还包括设定模块501，所述设定模块501用于设定筛选规则，所述筛选规则包括：设定相关系数阈值，并在风险特征变量之间的相关系数大于所述相关系数阈值时从所述风险特征变量中筛选出信息增益值最大的风险特征变量。
优选地，对每个风险特征变量进行分箱处理，并进行WOE转换，以计算每个风险特征变量的信息增益值IV以及特征变量之间的相关系数CORR。
优选地，还包括：对筛选出的风险特征变量进行交叉组合运算，以扩增风险特征变量。
优选地，所述用户社交文本数据从用户的社交APP的通讯录或者从社交关系网络图上获取。
优选地，还包括：构建欺诈数据库；将所述样本数据中的用户数据与所述欺诈数据库中的数据进行匹配，以筛选目标用户和非目标用户。
如图6所示，还包括识别模块601，所述识别模块601用于识别样本数据中用户所处业务流程节点；基于所识别的业务流程节点，判断匹配内容，所述匹配内容包括将所述用户及其关联人的用户数据与电话黄页数据库进行匹配。
优选地，还包括：设定用于触发预警机制的第一阈值和第二阈值；在所述用户的风险评估值大于等于第一阈值时，判断为触发第一预警机制；在所述用户的风险评估值大于第二阈值且小于第一阈值时，判断为触发第二预警机制；在所述用户的风险评估值小于第二阈值时，判断为不触发预警机制。
优选地，所述第一预警机制包括自动向所述用户进行风险语音提示；所述第二预警机制包括对所述用户进行打标签处理以提示业务人员进行监控。
优选地，还包括：对样本数据进行划分，建立训练数据集和验证数据集，该验证数据集包括跨时间验证样本。
需要说明的是，在实施例2中，省略了与实施例1相同的部分的说明。
本领域技术人员可以理解，上述装置实施例中的各模块可以按照描述分布于装置中，也可以进行相应变化，分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
与现有技术相比，本发明的风险评估装置通过从历史样本数据的用户社交数据、用户关联人数据中提取筛选风险特征变量，增加变量交叉组合运算扩增风险特征，并使用多种风险特征组合的方式建立训练数据集，由此全面挖掘了变量之间的组合关系，能够准确评估用户的风险情况，显著提升了评估效果。此外，本发明能够在已有信息的情况下，对风险进行精准判断，有效识别欺诈用户，给人工审核提供参考。
实施例3
下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。
图7是根据本发明的一种电子设备的示例性实施例的结构框图。下面参照图7来描述根据本发明该实施例的的电子设备200。图7显示的电子设备200仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，电子设备200以通用计算设备的形式表现。电子设备200的组件可以包括但不限于：至少一个处理单元210、至少一个存储单元220、连接不同***组件(包括存储单元220和处理单元210)的总线230、显示单元240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210执行，使得所述处理单元210执行本说明书上述电子设备的处理方法部分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210可以执行如图1所示的步骤。
所述存储单元220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)2201和/或高速缓存存储单元2202，还可以进一步包括只读存储单元(ROM)2203。
所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204，这样的程序模块2205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230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200也可以与一个或多个外部设备300(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200交互的设备通信，和/或与使得该电子设备200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250进行。并且，电子设备200还可以通过网络适配器260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260可以通过总线230与电子设备200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200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，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明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计算机可读的存储介质(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)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法。
如图8所示，所述计算机程序可以存储于一个或多个计算机可读介质上。计算机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发明操作的程序代码，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)。
综上所述，本发明可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于XGBoost的风险评估方法，其特征在于，包括：
获取历史样本数据，确定正、负样本，所述历史样本数据包括用户社交数据、用户关联人数据和欺诈数据；
基于所获取的历史样本数据，提取风险特征变量，并建立训练数据集和验证数据集；
根据筛选规则，筛选风险特征变量；
使用XGBoost算法，构建风险识别模型，并使用训练数据集进行训练；
获取当前用户的用户社交数据和用户关联人数据，使用风险识别模型计算该用户的风险评估值；
基于所述用户的风险评估值，判断是否触发预警机制。
2.根据权利要求1所述的风险评估方法，其特征在于，所述根据筛选规则，筛选风险特征变量包括：
设定筛选规则，所述筛选规则包括：
设定相关系数阈值，并在风险特征变量之间的相关系数大于所述相关系数阈值时从所述风险特征变量中筛选出信息增益值最大的风险特征变量。
3.根据权利要求1-2中任一项所述的风险评估方法，其特征在于，
对每个风险特征变量进行分箱处理，并进行WOE转换，以计算每个风险特征变量的信息增益值以及特征变量之间的相关系数。
4.根据权利要求1-3中任一项所述的风险评估方法，其特征在于，还包括：对筛选出的风险特征变量进行交叉组合运算，以扩增风险特征变量。
5.根据权利要求1-4中任一项所述的风险评估方法，其特征在于，所述用户社交文本数据从用户的社交APP的通讯录或者从社交关系网络图上获取。
6.根据权利要求1-5中任一项所述的风险评估方法，其特征在于，还包括：
构建欺诈数据库；
将所述样本数据中的用户数据与所述欺诈数据库中的数据进行匹配，以筛选目标用户和非目标用户。
7.根据权利要求1-6中任一项所述的风险评估方法，其特征在于，还包括：
识别样本数据中用户所处业务流程节点；
基于所识别的业务流程节点，判断匹配内容，所述匹配内容包括将所述用户及其关联人的用户数据与电话黄页数据库进行匹配。
8.一种基于XGBoost的风险评估装置，其特征在于，包括：
数据获取模块，用于获取历史样本数据，确定正、负样本，所述历史样本数据包括用户社交数据、用户关联人数据和欺诈数据；
提取模块，基于所获取的历史样本数据，提取风险特征变量，并建立训练数据集和验证数据集；
筛选模块，用于根据筛选规则，筛选风险特征变量；
模型构建模块，用于使用XGBoost算法，构建风险识别模型，并使用训练数据集进行训练；
计算模块，用于获取当前用户的用户社交数据和用户关联人数据，使用风险识别模型计算该用户的风险评估值；
判断模块，基于所述用户的风险评估值，判断是否触发预警机制。
9.一种电子设备，其中，该电子设备包括：
处理器；以及，
存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行根据权利要求1-7中任一项所述的基于XGBoost的风险评估方法。
10.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现权利要求1-7中任一项所述的基于XGBoost的风险评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011134326.5A CN112348520A (zh) | 2020-10-21 | 2020-10-21 | 基于XGBoost的风险评估方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011134326.5A CN112348520A (zh) | 2020-10-21 | 2020-10-21 | 基于XGBoost的风险评估方法、装置和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112348520A true CN112348520A (zh) | 2021-02-09 |
Family
ID=74359597
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011134326.5A Pending CN112348520A (zh) | 2020-10-21 | 2020-10-21 | 基于XGBoost的风险评估方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112348520A (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113051136A (zh) * | 2021-04-20 | 2021-06-29 | 中国建设银行股份有限公司 | 无人值守设备的监控分析方法及装置 |
| CN113139876A (zh) * | 2021-04-22 | 2021-07-20 | 平安壹钱包电子商务有限公司 | 风险模型训练方法、装置、计算机设备及可读存储介质 |
| CN113191787A (zh) * | 2021-05-10 | 2021-07-30 | 中国工商银行股份有限公司 | 电信数据的处理方法、装置电子设备及存储介质 |
| CN113506167A (zh) * | 2021-07-23 | 2021-10-15 | 北京淇瑀信息科技有限公司 | 基于排序的风险预测方法、装置、设备和介质 |
| CN113572753A (zh) * | 2021-07-16 | 2021-10-29 | 北京淇瑀信息科技有限公司 | 基于牛顿冷却定律的用户设备认证方法和装置 |
| CN113592160A (zh) * | 2021-07-13 | 2021-11-02 | 北京淇瑀信息科技有限公司 | 基于融合处理的用户设备的失联风险预测方法、***和计算机设备 |
| CN113610132A (zh) * | 2021-07-29 | 2021-11-05 | 上海淇玥信息技术有限公司 | 一种用户设备鉴别方法、装置和计算机设备 |
| CN113627566A (zh) * | 2021-08-23 | 2021-11-09 | 上海淇玥信息技术有限公司 | 一种网络诈骗的预警方法、装置和计算机设备 |
| CN113923006A (zh) * | 2021-09-30 | 2022-01-11 | 北京淇瑀信息科技有限公司 | 设备数据认证方法、装置及电子设备 |
| CN114897595A (zh) * | 2022-04-11 | 2022-08-12 | 深圳无域科技技术有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
| CN115082079A (zh) * | 2022-08-22 | 2022-09-20 | 深圳市华付信息技术有限公司 | 关联用户的识别方法、装置、计算机设备及存储介质 |
| CN115423600A (zh) * | 2022-08-22 | 2022-12-02 | 前海飞算云创数据科技(深圳)有限公司 | 数据筛选方法、装置、介质及电子设备 |
| CN115439033A (zh) * | 2022-11-09 | 2022-12-06 | 浙江浙大网新软件产业集团有限公司 | 基于社保数据的风险用户筛选方法、装置及计算设备 |
| CN115689298A (zh) * | 2022-12-30 | 2023-02-03 | 北京码牛科技股份有限公司 | 一种电信诈骗风险预测方法、***、设备及可读存储介质 |
| CN115907483A (zh) * | 2023-01-06 | 2023-04-04 | 山东蜂鸟物联网技术有限公司 | 人员风险评估预警的方法 |
| WO2023124204A1 (zh) * | 2021-12-29 | 2023-07-06 | ***股份有限公司 | 反欺诈风险评估方法、训练方法、装置及可读存储介质 |
| CN116862237A (zh) * | 2023-07-13 | 2023-10-10 | 武汉市驿宝通网络科技有限公司 | 一种用户抽奖行为的风险控制方法及*** |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107222865A (zh) * | 2017-04-28 | 2017-09-29 | 北京大学 | 基于可疑行为识别的通讯诈骗实时检测方法和*** |
| CN110751553A (zh) * | 2019-10-24 | 2020-02-04 | 深圳前海微众银行股份有限公司 | 潜在风险对象的识别方法、装置、终端设备及存储介质 |
| CN110795568A (zh) * | 2019-09-30 | 2020-02-14 | 北京淇瑀信息科技有限公司 | 基于用户信息知识图谱的风险评估方法、装置和电子设备 |
| CN110909963A (zh) * | 2018-09-14 | 2020-03-24 | 中国软件与技术服务股份有限公司 | 一种信用评分卡模型训练方法及纳税人非正常风险评估方法 |
| CN111008896A (zh) * | 2019-12-05 | 2020-04-14 | 中国银行股份有限公司 | 金融风险预警方法、装置、电子设备及存储介质 |
| CN111275071A (zh) * | 2020-01-06 | 2020-06-12 | 支付宝(杭州)信息技术有限公司 | 预测模型训练、预测方法、装置及电子设备 |
| CN111311401A (zh) * | 2020-03-30 | 2020-06-19 | 百维金科(上海)信息科技有限公司 | 一种基于LightGBM的金融违约概率预测模型 |
| CN111798322A (zh) * | 2020-06-30 | 2020-10-20 | 中国工商银行股份有限公司 | 一种银行理财产品的数据处理方法及装置 |
-
2020
- 2020-10-21 CN CN202011134326.5A patent/CN112348520A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107222865A (zh) * | 2017-04-28 | 2017-09-29 | 北京大学 | 基于可疑行为识别的通讯诈骗实时检测方法和*** |
| CN110909963A (zh) * | 2018-09-14 | 2020-03-24 | 中国软件与技术服务股份有限公司 | 一种信用评分卡模型训练方法及纳税人非正常风险评估方法 |
| CN110795568A (zh) * | 2019-09-30 | 2020-02-14 | 北京淇瑀信息科技有限公司 | 基于用户信息知识图谱的风险评估方法、装置和电子设备 |
| CN110751553A (zh) * | 2019-10-24 | 2020-02-04 | 深圳前海微众银行股份有限公司 | 潜在风险对象的识别方法、装置、终端设备及存储介质 |
| CN111008896A (zh) * | 2019-12-05 | 2020-04-14 | 中国银行股份有限公司 | 金融风险预警方法、装置、电子设备及存储介质 |
| CN111275071A (zh) * | 2020-01-06 | 2020-06-12 | 支付宝(杭州)信息技术有限公司 | 预测模型训练、预测方法、装置及电子设备 |
| CN111311401A (zh) * | 2020-03-30 | 2020-06-19 | 百维金科(上海)信息科技有限公司 | 一种基于LightGBM的金融违约概率预测模型 |
| CN111798322A (zh) * | 2020-06-30 | 2020-10-20 | 中国工商银行股份有限公司 | 一种银行理财产品的数据处理方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 肖琴: "基于互联网数据的个人信用风险评估的研究与应用", 《中国优秀硕士学位论文全文数据库经济与管理科学辑》 * |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113051136A (zh) * | 2021-04-20 | 2021-06-29 | 中国建设银行股份有限公司 | 无人值守设备的监控分析方法及装置 |
| CN113139876A (zh) * | 2021-04-22 | 2021-07-20 | 平安壹钱包电子商务有限公司 | 风险模型训练方法、装置、计算机设备及可读存储介质 |
| CN113191787A (zh) * | 2021-05-10 | 2021-07-30 | 中国工商银行股份有限公司 | 电信数据的处理方法、装置电子设备及存储介质 |
| CN113592160A (zh) * | 2021-07-13 | 2021-11-02 | 北京淇瑀信息科技有限公司 | 基于融合处理的用户设备的失联风险预测方法、***和计算机设备 |
| CN113572753A (zh) * | 2021-07-16 | 2021-10-29 | 北京淇瑀信息科技有限公司 | 基于牛顿冷却定律的用户设备认证方法和装置 |
| CN113572753B (zh) * | 2021-07-16 | 2023-03-14 | 北京淇瑀信息科技有限公司 | 基于牛顿冷却定律的用户设备认证方法和装置 |
| CN113506167A (zh) * | 2021-07-23 | 2021-10-15 | 北京淇瑀信息科技有限公司 | 基于排序的风险预测方法、装置、设备和介质 |
| CN113610132A (zh) * | 2021-07-29 | 2021-11-05 | 上海淇玥信息技术有限公司 | 一种用户设备鉴别方法、装置和计算机设备 |
| CN113627566A (zh) * | 2021-08-23 | 2021-11-09 | 上海淇玥信息技术有限公司 | 一种网络诈骗的预警方法、装置和计算机设备 |
| CN113923006A (zh) * | 2021-09-30 | 2022-01-11 | 北京淇瑀信息科技有限公司 | 设备数据认证方法、装置及电子设备 |
| CN113923006B (zh) * | 2021-09-30 | 2024-02-02 | 北京淇瑀信息科技有限公司 | 设备数据认证方法、装置及电子设备 |
| WO2023124204A1 (zh) * | 2021-12-29 | 2023-07-06 | ***股份有限公司 | 反欺诈风险评估方法、训练方法、装置及可读存储介质 |
| CN114897595A (zh) * | 2022-04-11 | 2022-08-12 | 深圳无域科技技术有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
| CN115082079A (zh) * | 2022-08-22 | 2022-09-20 | 深圳市华付信息技术有限公司 | 关联用户的识别方法、装置、计算机设备及存储介质 |
| CN115423600B (zh) * | 2022-08-22 | 2023-08-04 | 前海飞算云创数据科技(深圳)有限公司 | 数据筛选方法、装置、介质及电子设备 |
| CN115423600A (zh) * | 2022-08-22 | 2022-12-02 | 前海飞算云创数据科技(深圳)有限公司 | 数据筛选方法、装置、介质及电子设备 |
| CN115439033A (zh) * | 2022-11-09 | 2022-12-06 | 浙江浙大网新软件产业集团有限公司 | 基于社保数据的风险用户筛选方法、装置及计算设备 |
| CN115689298A (zh) * | 2022-12-30 | 2023-02-03 | 北京码牛科技股份有限公司 | 一种电信诈骗风险预测方法、***、设备及可读存储介质 |
| CN115907483A (zh) * | 2023-01-06 | 2023-04-04 | 山东蜂鸟物联网技术有限公司 | 人员风险评估预警的方法 |
| CN116862237A (zh) * | 2023-07-13 | 2023-10-10 | 武汉市驿宝通网络科技有限公司 | 一种用户抽奖行为的风险控制方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112348520A (zh) | 基于XGBoost的风险评估方法、装置和电子设备 | |
| EP2329447A1 (en) | Evaluating loan access using online business transaction data | |
| CN111127178A (zh) | 数据处理方法与装置、存储介质、电子设备 | |
| CN112016855B (zh) | 基于关系网匹配的用户行业识别方法、装置和电子设备 | |
| CN112508580A (zh) | 基于拒绝推断方法的模型构建方法、装置和电子设备 | |
| CN109360089A (zh) | 贷款风险预测方法及装置 | |
| EP3726441A1 (en) | Company bankruptcy prediction system and operating method therefor | |
| CN111597343B (zh) | 一种基于app的智能化用户职业判断方法、装置和电子设备 | |
| CN113627566A (zh) | 一种网络诈骗的预警方法、装置和计算机设备 | |
| CN112199510A (zh) | 一种欺诈概率确定方法、装置、电子设备及存储介质 | |
| CN111179051A (zh) | 金融目标客户确定方法、装置及电子设备 | |
| CN112348662B (zh) | 基于用户职业预测的风险评估方法、装置和电子设备 | |
| CN111582645B (zh) | 基于因子分解机的app风险评估方法、装置和电子设备 | |
| CN113570222A (zh) | 一种用户设备鉴别方法、装置和计算机设备 | |
| CN111966730A (zh) | 基于常驻地的风险预测方法、装置和电子设备 | |
| KR20210029326A (ko) | 비정형 재무정보 추출을 활용한 기업 건전성 진단 장치 및 방법 | |
| CN114742402A (zh) | 信息监控方法、装置、设备和介质 | |
| CN111179055A (zh) | 授信额度调整方法、装置和电子设备 | |
| CN114398465A (zh) | 互联网服务平台的异常处理方法、装置和计算机设备 | |
| CN114092230A (zh) | 一种数据处理方法、装置、电子设备及计算机可读介质 | |
| CN110782128A (zh) | 一种用户职业标签生成方法、装置和电子设备 | |
| CN113487208B (zh) | 风险评估方法及装置 | |
| JP2020135434A (ja) | 企業情報処理装置、企業のイベント予測方法及び予測プログラム | |
| Yang et al. | An evidential reasoning rule-based ensemble learning approach for evaluating credit risks with customer heterogeneity | |
| Lee et al. | Application of machine learning in credit risk scorecard |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: Room 1109, No. 4, Lane 800, Tongpu Road, Putuo District, Shanghai, 200062 Applicant after: Shanghai Qiyue Information Technology Co.,Ltd. Address before: Room a2-8914, 58 Fumin Branch Road, Hengsha Township, Chongming District, Shanghai, 201500 Applicant before: Shanghai Qiyue Information Technology Co.,Ltd. Country or region before: China |