CN112598496A - 风控黑名单设置方法、装置、终端设备及可读存储介质 - Google Patents
风控黑名单设置方法、装置、终端设备及可读存储介质 Download PDFInfo
- Publication number
- CN112598496A CN112598496A CN202011480291.0A CN202011480291A CN112598496A CN 112598496 A CN112598496 A CN 112598496A CN 202011480291 A CN202011480291 A CN 202011480291A CN 112598496 A CN112598496 A CN 112598496A
- Authority
- CN
- China
- Prior art keywords
- blacklist
- client
- nodes
- graph network
- node
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012502 risk assessment Methods 0.000 claims abstract description 20
- 238000012800 visualization Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 9
- 238000009792 diffusion process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000005065 mining Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- 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
- G06F16/26—Visual data mining; Browsing structured data
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及金融科技领域,并公开了一种风控黑名单设置方法、装置、终端设备及计算机可读存储介质。所述风控黑名单设置方法包括:获取历史申请客户,并获取所述历史申请客户的关联客户;基于所述历史申请客户及所述关联客户,构建图网络;确定所述图网络中的历史违约客户节点,并检测所述历史违约客户节点的关联节点,其中,所述关联节点与所述历史违约客户节点的关联紧密程度大于预设阈值;将所述关联节点作为预测黑名单客户的节点,并将所述预测黑名单客户添加至风控黑名单。本发明提高了风控黑名单的覆盖率,并提高了贷前风险分析的全面性及准确率。
Description
技术领域
本发明涉及金融科技(Fintech)技术领域,尤其涉及一种风控黑名单设置方法、装置、终端设备及计算机可读存储介质。
背景技术
随着金融科技及互联网技术的迅速发展,越来越多的技术(大数据、分布式、区块链Blockchain、人工智能等)应用在金融领域,以实现风控评估管理。目前,贷款审批都需要对申请客户进行贷前风险分析,通常会利用黑名单对申请客户进行贷前审核。
然而,黑名单均是由人工进行设置,需耗费大量时间和人力成本,并且,人工设置黑名单覆盖率不全,黑名单中只包括历史申请客户,并不包括潜在客户或未来申请客户,导致贷前风险分析具有局限性,准确率不高。
发明内容
本发明的主要目的在于提供一种风控黑名单设置方法、装置、终端设备及计算机可读存储介质,旨在提高风控黑名单的覆盖率,并提高贷前风险分析的全面性及准确率。
为实现上述目的,本发明提供一种风控黑名单设置方法,所述风控黑名单设置方法包括以下步骤:
获取历史申请客户,并获取所述历史申请客户的关联客户;
基于所述历史申请客户及所述关联客户,构建图网络;
确定所述图网络中的历史违约客户节点,并检测所述历史违约客户节点的关联节点,其中,所述关联节点与所述历史违约客户节点的关联紧密程度大于预设阈值;
将所述关联节点作为预测黑名单客户的节点,并将所述预测黑名单客户添加至风控黑名单。
可选地,所述历史申请客户为历史申请企业,所述关联客户为所述历史申请企业的投资者,所述基于所述历史申请客户及所述关联客户,构建图网络的步骤包括:
将所述历史申请企业及所述投资者作为图网络节点,并将所述历史申请企业及所述投资者之间的关系作为图网络边;
获取所述投资者的投资占比,并基于所述投资占比确定所述图网络边的权重;
基于所述图网络节点、所述图网络边及所述权重,构建图网络。
可选地,所述基于所述投资占比确定所述图网络边的权重的步骤包括:
将所述投资占比的反比作为所述图网络边的权重。
可选地,所述确定所述图网络中的历史违约客户节点,并检测所述历史违约客户节点的关联节点的步骤之前,还包括:
获取所述图网络中图网络节点之间的距离权重,其中,所述距离权重与所述图网络节点之间的关联紧密程度成反比;
基于最短路径算法及所述距离权重,计算所述图网络节点之间的节点距离。
可选地,所述检测所述历史违约客户节点的关联节点的步骤包括:
将所述历史违约客户节点作为起始点;
检测与所述起始点的节点距离小于预设距离的关联节点。
可选地,所述风控黑名单设置方法还包括:
检测所述风控黑名单中的审核通过客户,其中,所述审核通过客户属于所述预测黑名单客户;
检测所述审核通过客户中逾期时间大于预设时间的逾期客户;
获取所述逾期客户的逾期率和/或逾期金额,并获取整体客群的平均逾期率和/或平均逾期金额;
将所述逾期率和/或所述逾期金额与所述平均逾期率和/或平均逾期金额进行对比;
根据对比结果,调整风控黑名单设置策略。
可选地,所述风控黑名单设置方法还包括:
基于社团发现算法,对所述图网络进行社团划分得到社团网络;
检测所述社团网络的黑名单占比率,其中,所述黑名单占比率为所述社团网络中所述预测黑名单客户与所有社团成员的比率;
若所述黑名单占比率大于预设占比率,则将所述社团网络设定为黑名单社团,并将所述黑名单社团进行可视化操作,以供基于可视化操作后的黑名单社团进行贷前风险分析;
将所述黑名单社团中所有社团成员添加至所述风控黑名单。
此外,为实现上述目的,本发明还提供一种风控黑名单设置装置,所述风控黑名单设置装置包括:
客户获取模块,用于获取历史申请客户,并获取所述历史申请客户的关联客户;
网络构建模块,用于基于所述历史申请客户及所述关联客户,构建图网络;
关联检测模块,用于确定所述图网络中的历史违约客户节点,并检测所述历史违约客户节点的关联节点,其中,所述关联节点与所述历史违约客户节点的关联紧密程度大于预设阈值;
名单添加模块,用于将所述关联节点作为预测黑名单客户的节点,并将所述预测黑名单客户添加至风控黑名单。
此外,为实现上述目的,本发明还提供一种终端设备,所述终端设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的风控黑名单设置程序,所述风控黑名单设置程序被所述处理器执行时实现如上所述的风控黑名单设置方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有风控黑名单设置程序,所述风控黑名单设置程序被处理器执行时实现如上所述的风控黑名单设置方法的步骤。
本发明提供一种风控黑名单设置方法、装置、终端设备及计算机可读存储介质,获取历史申请客户,并获取历史申请客户的关联客户;基于历史申请客户及关联客户,构建图网络;确定图网络中的历史违约客户节点,并检测历史违约客户节点的关联节点,其中,关联节点与历史违约客户节点的关联紧密程度大于预设阈值;将关联节点作为预测黑名单客户的节点,并将预测黑名单客户添加至风控黑名单。通过上述方式,本发明基于历史申请客户及其关联客户构建图网络,然后,基于该图网络,对历史违约客户进行黑名单扩散挖掘得到预测黑名单客户,该预测黑名单客户可能为潜在客户或未来申请客户,将该预测黑名单客户也添加至风控黑名单,以使风控黑名单的覆盖率更广,为后续贷前风险分析提供更强大的数据支持,从而提高贷前风险分析的全面性及准确率。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的终端结构示意图;
图2为本发明风控黑名单设置方法第一实施例的流程示意图;
图3为本申请风控黑名单设置装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例终端为风控黑名单设置设备,该风控黑名单设置设备可以为PC(personal computer,个人计算机)、微型计算机、笔记本电脑、服务器等具有处理功能的终端设备。
如图1所示,该终端可以包括:处理器1001,例如CPU(Central Processing Unit,中央处理器),通信总线1002,用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的终端结构并不构成对终端的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及风控黑名单设置程序。
在图1所示的终端中,处理器1001可以用于调用存储器1005中存储的风控黑名单设置程序,并执行以下操作:
获取历史申请客户,并获取所述历史申请客户的关联客户;
基于所述历史申请客户及所述关联客户,构建图网络;
确定所述图网络中的历史违约客户节点,并检测所述历史违约客户节点的关联节点,其中,所述关联节点与所述历史违约客户节点的关联紧密程度大于预设阈值;
将所述关联节点作为预测黑名单客户的节点,并将所述预测黑名单客户添加至风控黑名单。
进一步地,所述历史申请客户为历史申请企业,所述关联客户为所述历史申请企业的投资者,处理器1001可以用于调用存储器1005中存储的风控黑名单设置程序,还执行以下操作:
将所述历史申请企业及所述投资者作为图网络节点,并将所述历史申请企业及所述投资者之间的关系作为图网络边;
获取所述投资者的投资占比,并基于所述投资占比确定所述图网络边的权重;
基于所述图网络节点、所述图网络边及所述权重,构建图网络。
进一步地,处理器1001可以用于调用存储器1005中存储的aaa程序,还执行以下操作:
将所述投资占比的反比作为所述图网络边的权重。
进一步地,处理器1001可以用于调用存储器1005中存储的风控黑名单设置程序,还执行以下操作:
获取所述图网络中图网络节点之间的距离权重,其中,所述距离权重与所述图网络节点之间的关联紧密程度成反比;
基于最短路径算法及所述距离权重,计算所述图网络节点之间的节点距离。
进一步地,处理器1001可以用于调用存储器1005中存储的风控黑名单设置程序,还执行以下操作:
将所述历史违约客户节点作为起始点;
检测与所述起始点的节点距离小于预设距离的关联节点。
进一步地,处理器1001可以用于调用存储器1005中存储的风控黑名单设置程序,还执行以下操作:
检测所述风控黑名单中的审核通过客户,其中,所述审核通过客户属于所述预测黑名单客户;
检测所述审核通过客户中逾期时间大于预设时间的逾期客户;
获取所述逾期客户的逾期率和/或逾期金额,并获取整体客群的平均逾期率和/或平均逾期金额;
将所述逾期率和/或所述逾期金额与所述平均逾期率和/或平均逾期金额进行对比;
根据对比结果,调整风控黑名单设置策略。
进一步地,处理器1001可以用于调用存储器1005中存储的风控黑名单设置程序,还执行以下操作:
基于社团发现算法,对所述图网络进行社团划分得到社团网络;
检测所述社团网络的黑名单占比率,其中,所述黑名单占比率为所述社团网络中所述预测黑名单客户与所有社团成员的比率;
若所述黑名单占比率大于预设占比率,则将所述社团网络设定为黑名单社团,并将所述黑名单社团进行可视化操作,以供基于可视化操作后的黑名单社团进行贷前风险分析;
将所述黑名单社团中所有社团成员添加至所述风控黑名单。
基于上述硬件结构,提出本发明风控黑名单设置方法各个实施例。
本发明提供一种风控黑名单设置方法。
参照图2,图2为本发明风控黑名单设置方法第一实施例的流程示意图。
在本实施例中,该风控黑名单设置方法包括:
步骤S10,获取历史申请客户,并获取所述历史申请客户的关联客户;
本实施例中风控黑名单设置方法的执行主体为应用于金融行业的风控黑名单设置设备,该风控黑名单设置设备在金融行业的金融机构中部署。本实施例中的金融机构可以为银行机构、保险机构、证券机构等,此处不作限定。
在本实施例中,为了识别当前黑名单客户与潜在客户或未来申请客户之间的关联关系,首先,获取历史申请客户,并获取历史申请客户的关联客户。其中,历史申请客户为在金融机构中申请过贷款的客户;获取历史申请客户的客户信息可以通过金融机构本身的客户信息存储中心服务器获取,也可以通过多家金融机构的共享信息存储中心服务器(例如征信***)获取,该客户信息可以包括姓名、证件号码、居住地址、联系方式等身份信息。
需要说明的是,关联客户为与历史申请客户有关联关系的客户,此处对于关联关系的关联紧密程度并没有要求,只需二者具备关联关系即可。
在一实施例中,历史申请客户可以为企业,而该企业的关联客户可以为投资者。该企业与投资者的关联紧密程度可以通过投资占比确定,该投资占比可以通过企业信息查询软件(例如天眼查、企查查等)获取,可以理解,投资占比越高对应的关联紧密程度越大。具体的,基于历史申请企业与投资者构建图网络,以表示二者之间的关联关系,然后,将投资占比作为图网络中边的权重,以表示二者之间的关联紧密程度。可以理解,将企业与投资者以图网络的关系进行关联之后,不同企业和不同投资者也将会具备关联关系,例如企业A有投资者1、投资者2,企业B有投资者2、投资者3,通过图网络进行关联之后,由于企业A与企业B均有投资者2,此时,企业A、企业B、投资者1、投资者2、投资者3均具备关联关系,因此,关联关系随着不断挖掘将会不断扩散,以形成庞大的关联网络。
在一实施例中,历史申请客户可以为个人,而该个人的关联客户可以为该个人拥有的公司或投资的公司,也可以为与该个人具备血缘关系的亲属等。该个人与公司的关联紧密程度可以通过投资占比确定,该投资占比可以通过企业信息查询软件(例如天眼查、企查查等)获取,而该个人与亲属的关联紧密程度可以通过血缘关系的排序进行确定。具体的执行过程与上述企业与投资者的图网络基本类似,此处不再一一赘述。
在一实施例中,历史申请客户可以包括1个或多个,若历史申请客户包括多个,可基于每个历史申请客户分别构建图网络,以针对每个历史申请客户分别进行黑名单的挖掘扩散,以得到更多的预测黑名单客户。在其他实施方式中,也可以将每个历史申请客户构建成一个图网络,此处不作限定。
步骤S20,基于所述历史申请客户及所述关联客户,构建图网络;
在获取得到历史申请客户及其关联客户之后,基于历史申请客户及关联客户,构建图网络。具体的,历史申请客户及其关联客户作为图网络的节点(顶点),并以二者的关系作为图网络的边,然后,基于二者的关联紧密程度,确定该图网络的边的权重。
在一实施例中,历史申请客户为历史申请企业,关联客户为该历史申请企业的投资者。图网络的构建过程为将历史申请企业及其投资者作为图网络的节点(顶点),历史申请企业与其投资者的关系作为图网络的边,同时,将投资者对历史申请企业的投资占比的反比作为图网络的边的权重。可以理解,边的权重越小,投资者对历史申请企业的投资占比越高,也就是说,该投资者与历史申请企业的关联紧密程度越大。在其他实施方式中,也可以直接将投资者对历史申请企业的投资占比作为图网络的边的权重,此时,边的权重越大,投资者对历史申请企业的投资占比越高,也就是说,该投资者与历史申请企业的关联紧密程度越大。
具体的,步骤S20包括:
步骤a21,将所述历史申请企业及所述投资者作为图网络节点,并将所述历史申请企业及所述投资者之间的关系作为图网络边;
步骤a22,获取所述投资者的投资占比,并基于所述投资占比确定所述图网络边的权重;
步骤a23,基于所述图网络节点、所述图网络边及所述权重,构建图网络。
在本实施例中,为便于对历史申请企业与投资者进行关联关系的推理,以挖掘扩散得到预测黑名单,需构建图网络。首先,将历史申请企业及投资者作为图网络节点,并将历史申请企业及投资者之间的关系作为图网络边,然后,获取投资者的投资占比,并基于投资占比确定图网络边的权重,最后,基于图网络节点、图网络边及权重,构建图网络。其中,图网络节点表示每个关联个体,图网络边表示节点之间的关联关系(依赖关系),权重表示关联关系的关联紧密程度。需要说明的是,该投资占比可以通过企业信息查询软件(例如天眼查、企查查等)进行获取。
在一实施例中,图网络边的权重为投资者投资占比的反比,每一个图网络边对应一个投资者与一个历史申请企业的关系,该投资者对该历史申请企业的投资占比的反比就是该图网络边的权重。因此,后续可通过包含权重的最短路径算法计算并评估每一个图网络节点的关系,也就是评估所有的投资者与所有的历史申请企业之间的关系。该最短路径算法可以为Dijkstra(迪杰斯特拉)算法,具体的,起始点为每一个节点,以起始点为中心,计算该起始点到其他所有节点的最短路径,以该最短路径作为二者之间的节点距离,例如,起始点为历史违约客户的节点,则以该起始点到其他各个节点的最短路径为其他各个节点距离该历史违约客户节点的节点距离,也就是说其他各个节点至历史违约客户节点的最短距离为节点距离。在其他实施方式中,最短路径算法可以为floyd(弗洛伊德)算法、A*(Astar)算法、Bellman-Ford(贝尔曼-福特)算法等,具体的执行过程与上述Dijkstra算法基本相同,此处不再赘述。
在另一实施例中,图网络边的权重为投资者投资占比,每一个图网络边对应一个投资者与一个历史申请企业的关系,该投资者对该历史申请企业的投资占比就是该图网络边的权重。因此,后续可通过包含权重的最长路径算法计算并评估每一个图网络节点的关系,也就是评估所有的投资者与所有的历史申请企业之间的关系,其中,在最长路径算法中应将所有的图网络边的权重取负值再进一步计算。该最长路径算法可以为Bellman-Ford算法,具体的,起始点为每一个节点,以起始点为中心,计算该起始点到其他所有节点的最长路径,以该最长路径作为二者之间的节点距离,例如,起始点为历史违约客户的节点,则以该起始点到其他各个节点的最长路径为其他各个节点距离该历史违约客户节点的节点距离,也就是说其他各个节点至历史违约客户节点的最长距离为节点距离。在其他实施方式中,最长路径算法可以为包含负权值的最短路径算法,也就是在原有的最短路径算法的基础上,将权重值取负,此处不作限定。
具体的,步骤a22中,基于所述投资占比确定所述图网络边的权重,包括:
步骤a221,将所述投资占比的反比作为所述图网络边的权重。
为便于后续对历史申请企业及其投资者的关系进行计算评估,也就是可以直接利用最短路径算法进行计算,以无需进行额外的处理,本实施例中,将投资占比的反比作为图网络边的权重。
需要说明的是,每一个图网络边对应一个投资者与一个历史申请企业的关系,该投资者对该历史申请企业的投资占比的反比就是该图网络边的权重。因此,后续可通过包含权重的最短路径算法计算并评估每一个图网络节点的关系,也就是评估所有的投资者与所有的历史申请企业之间的关系。
步骤S30,确定所述图网络中的历史违约客户节点,并检测所述历史违约客户节点的关联节点,其中,所述关联节点与所述历史违约客户节点的关联紧密程度大于预设阈值;
在图网络构建完成之后,将历史违约客户作为种子客户,该历史违约客户可以通过金融机构本身的客户信息存储中心服务器获取,也可以通过多家金融机构的共享信息存储中心服务器(例如征信***)获取,然后,确定图网络中的历史违约客户的节点,并检测历史违约客户节点的关联节点。其中,关联节点与历史违约客户节点的关联紧密程度大于预设阈值,也就是说该关联节点所对应的客户与历史违约客户的关联紧密程度较高,满足预测黑名单的条件,该预设阈值根据实际需要进行设定,此处不作限定。
需要说明的是,历史违约客户节点可以包括一个或多个,若历史违约客户节点包括多个,则分别以每个历史违约客户节点作为起始点,分别检测其关联节点以挖掘预测黑名单客户。
在一实施例中,历史违约客户只取逾期时间大于预设时间的逾期客户,该预设时间可以根据金融机构自行设定,例如30天、20天、40天等,此处不作限定。在其他实施方式中,历史违约客户也可以直接取有逾期的客户,而不对逾期时间作要求。
在一实施例中,要检测历史违约客户节点的关联节点之前,需计算评估图网络中任意节点之间的关联关系。具体的,获取图网络中图网络节点之间的距离权重,其中,距离权重与图网络节点之间的关联紧密程度成反比,也就是说距离权重越小,图网络节点之间的关联紧密程度越大,然后,基于包含该距离权重的最短路径算法计算图网络节点之间的节点距离,其中,节点距离为两个图网络节点之间的最短距离。
在一实施例中,要检测历史违约客户节点的关联节点之前,需计算评估图网络中任意节点之间的关联关系。具体的,获取图网络中图网络节点之间的距离权重,其中,距离权重与图网络节点之间的关联紧密程度成正比,也就是说距离权重越大,图网络节点之间的关联紧密程度越大,然后,将距离权重取负值,并基于包含该负距离权重的最短路径算法计算图网络节点之间的节点距离,其中,节点距离为两个图网络节点之间的最短距离。
在本实施例中,获取得到图网络节点的所有节点距离之后,确定图网络中的历史违约客户节点,并以该历史违约客户节点作为起始点,检测起始点与其他图网络节点之间的节点距离,然后,将节点距离小于预设距离对应的图网络节点作为关联节点,其中,关联节点对应的客户为与历史违约客户关联紧密程度较大的客户。该预设距离可以根据实际需要进行设定,还可以在后续对风控黑名单设置策略进行效果评估后,基于效果评估结果进行调整。
进一步地,步骤S30之前,该风控黑名单设置方法还包括:
步骤A,获取所述图网络中图网络节点之间的距离权重,其中,所述距离权重与所述图网络节点之间的关联紧密程度成反比;
步骤B,基于最短路径算法及所述距离权重,计算所述图网络节点之间的节点距离。
具体的,要检测历史违约客户节点的关联节点之前,需计算评估图网络中任意节点之间的关联关系。首先,获取图网络中图网络节点之间的距离权重,其中,距离权重与图网络节点之间的关联紧密程度成反比,然后,基于最短路径算法及距离权重,计算图网络节点之间的节点距离,其中,节点距离为两个图网络节点之间的最短距离,也就是说这两个网络节点对应的客户之间的关联紧密程度的最大值。
需要说明的是,该最短路径算法可以为Dijkstra算法,具体的,起始点为每一个节点,以起始点为中心,计算该起始点到其他所有节点的最短路径,以该最短路径作为二者之间的节点距离,例如,起始点为历史违约客户的节点,则以该起始点到其他各个节点的最短路径为其他各个节点距离该历史违约客户节点的节点距离,也就是说其他各个节点至历史违约客户节点的最短距离为节点距离。在其他实施方式中,最短路径算法可以为floyd(弗洛伊德)算法、A*(A star)算法、Bellman-Ford(贝尔曼-福特)算法等,具体的执行过程与上述Dijkstra算法基本相同,此处不再赘述。
具体的,步骤S30中,检测所述历史违约客户节点的关联节点,包括:
步骤a31,将所述历史违约客户节点作为起始点;
步骤a32,检测与所述起始点的节点距离小于预设距离的关联节点。
在本实施例中,获取得到图网络节点的所有节点距离之后,确定图网络中的历史违约客户节点,并以该历史违约客户节点作为起始点,也就是以历史违约客户节点作为挖掘扩散的中心点,然后,检测与起始点的节点距离小于预设距离的关联节点,其中,关联节点对应的客户为与历史违约客户关联紧密程度较大的客户。该预设距离可以根据实际需要进行设定,还可以在后续对风控黑名单设置策略进行效果评估后,基于效果评估结果进行调整。
步骤S40,将所述关联节点作为预测黑名单客户的节点,并将所述预测黑名单客户添加至风控黑名单。
在获取得到历史违约客户节点的关联节点之后,将该关联节点作为预测黑名单客户的节点,并将预测黑名单客户添加至风控黑名单。其中,风控黑名单为存在较高的信用风险的客户名单,用于在贷前审批时需拒绝准入的客户名单,当然,风控黑名单还可用于其他金融服务,此处不作限定。
在一实施例中,历史违约客户也已添加至风控黑名单,该历史违约客户的逾期时间大于预设时间,该预设时间可以根据实际需要进行设定,例如30天、20天、40天等。在其他实施方式中,可以不对历史违约客户的逾期时间作出限定。
在一实施例中,历史违约客户的风控黑名单与预测黑名单客户的风控黑名单可进行分类,以便于后续贷前风险分析时,明确哪些是曾经违约的黑名单,哪些是预测的黑名单,从而提高贷前风险分析的准确性。
本发明实施例提供一种风控黑名单设置方法,获取历史申请客户,并获取历史申请客户的关联客户;基于历史申请客户及关联客户,构建图网络;确定图网络中的历史违约客户节点,并检测历史违约客户节点的关联节点,其中,关联节点与历史违约客户节点的关联紧密程度大于预设阈值;将关联节点作为预测黑名单客户的节点,并将预测黑名单客户添加至风控黑名单。通过上述方式,本发明实施例基于历史申请客户及其关联客户构建图网络,然后,基于该图网络,对历史违约客户进行黑名单扩散挖掘得到预测黑名单客户,该预测黑名单客户可能为潜在客户或未来申请客户,将该预测黑名单客户也添加至风控黑名单,以使风控黑名单的覆盖率更广,为后续贷前风险分析提供更强大的数据支持,从而提高贷前风险分析的全面性及准确率。
进一步地,基于上述第一实施例,提出本发明风控黑名单设置方法的第二实施例。
在本实施例中,该风控黑名单设置方法还包括:
步骤C,检测所述风控黑名单中的审核通过客户,其中,所述审核通过客户属于所述预测黑名单客户;
在本实施例中,为评估上述第一实施例的风控黑名单设置策略的效果,首先,检测风控黑名单中的审核通过客户,其中,审核通过客户属于预测黑名单客户。需要说明的是,风控黑名单设置策略为上述第一实施例风控黑名单设置方法的执行流程,此处不再赘述。
其中,审核通过客户为风控黑名单中的其中一个客户,也就是说该审核通过客户为之前风控黑名单设置过程中,通过图网络扩散挖掘得到的预测黑名单客户,从而间接对预测黑名单客户进行分析。。
步骤D,检测所述审核通过客户中逾期时间大于预设时间的逾期客户;
然后,检测审核通过客户中逾期时间大于预设时间的逾期客户。其中,逾期时间为已还款时间减去应还款时间,若在当前时间还未还款则逾期时间为当前时间减去应还款时间。该逾期时间可以以天为基准,也可以以小时为基准等,此处不作限定。
需要说明的是,逾期客户为逾期超过一定时间的客户,预设时间可以根据实际需要进行设定,例如30天、20天、40天等,当然,该预设时间也可以为0,也就是说只要逾期了便是逾期客户。
步骤E,获取所述逾期客户的逾期率和/或逾期金额,并获取整体客群的平均逾期率和/或平均逾期金额;
步骤F,将所述逾期率和/或所述逾期金额与所述平均逾期率和/或平均逾期金额进行对比;
在确定得到逾期客户之后,获取逾期客户的逾期率和/或逾期金额,并获取整体客群的平均逾期率和/或平均逾期金额,然后,将逾期率和/或逾期金额与平均逾期率和/或平均逾期金额进行对比。其中,逾期率为逾期次数与总贷款次数(包括分期次数)之间的比值,逾期金额为还未还款的金额,当然,上述逾期率和逾期金额也可根据实际需要进行设定。平均逾期率为每个逾期客户逾期率的平均值,平均逾期金额为每个逾期客户逾期金额的平均值。
在一实施例中,获取逾期客户的逾期率,并获取整体客群的平均逾期率,然后,将逾期率与平均逾期率进行对比。
在一实施例中,获取逾期客户的逾期金额,并获取整体客群的平均逾期金额,然后,将逾期金额与平均逾期金额进行对比。
在一实施例中,获取逾期客户的逾期率和逾期金额,并获取整体客群的平均逾期率和平均逾期金额,然后,将逾期率与平均逾期率进行对比,得到第一对比结果,将逾期金额与平均逾期金额进行对比,得到第二对比结果,最后将第一对比结果与第二对比结果进行结合,得到最终的对比结果,也就是说后续综合两个对比结果,调整风控黑名单设置策略。
步骤G,根据对比结果,调整风控黑名单设置策略。
最后,根据对比结果,调整风控黑名单设置策略。其中,风控黑名单设置策略为上述第一实施例风控黑名单设置方法的执行流程,具体的,可以调整其中的预设阈值,也可以调整执行流程和执行参数等。
在一实施例中,若逾期率和/或逾期金额小于平均逾期率和/或平均逾期金额,则调整风控黑名单设置策略,也就是说之前的风控黑名单设置策略效果不好。在其他实施方式中,若逾期率和/或逾期金额小于或等于平均逾期率和/或平均逾期金额,则调整风控黑名单设置策略。
在一实施例中,调整风控黑名单设置策略可以调整上述步骤a32中的预设距离,具体的,可将预设距离的值调小,该预设距离也就是关联紧密程度的约束。在其他实施方式中,可以调整其他预设阈值,此处不作限定。
本实施例中,通过检测风控黑名单中的审核通过客户的逾期率和/或逾期金额,以分析之前预测的预测黑名单客户是否准确,从而体现之前风控黑名单设置策略的效果,然后,基于该效果对风控黑名单设置策略进行调整,以提高风控黑名单设置策略的效果,从而进一步提高贷前风险分析的效果及准确率。
进一步地,基于上述第一实施例,提出本发明风控黑名单设置方法的第三实施例。
在本实施例中,该风控黑名单设置方法还包括:
步骤H,基于社团发现算法,对所述图网络进行社团划分得到社团网络;
在本实施例中,图网络为复杂网络,该图网络由多个社团网络组成,社团网络之间连接相对稀疏,社团网络内部连接相对稠密,因此分别对每个社团网络进行分析是十分重要的。首先,基于社团发现算法,对图网络进行社团划分得到社团网络。
在一实施例中,社团发现算法为Fast Unfolding(快速社团发现算法),基于该社团发现算法,可划分得到多个社团网络,后续可分别对每个社团网络进行分析。在其他实施方式中,社团发现算法还可以为GN(Newman and Girvan,纽曼和吉尔文)算法、谱二分算法等,此处不作限定。
步骤I,检测所述社团网络的黑名单占比率,其中,所述黑名单占比率为所述社团网络中所述预测黑名单客户与所有社团成员的比率;
步骤J,若所述黑名单占比率大于预设占比率,则将所述社团网络设定为黑名单社团,并将所述黑名单社团进行可视化操作,以供基于可视化操作后的黑名单社团进行贷前风险分析;
然后,检测每个社团网络的黑名单占比率,其中,黑名单占比率为社团网络中预测黑名单客户与所有社团成员的比率。通过该黑名单占比率,可得知该社团网络整体的信用风险。若黑名单占比率大于预设占比率,则将社团网络设定为黑名单社团,并将黑名单社团进行可视化操作,以供基于可视化操作后的黑名单社团进行贷前风险分析。
其中,预设占比率可以根据实际需要进行设定,例如80%,70%等,该预设占比率也可以在评估完风控黑名单设置策略之后进行调整。
需要说明的是,若为黑名单社团则表示该社团网络的整体信用存在较大风险。进一步地,将黑名单社团进行可视化操作,以便于金融机构人员进行查看,或者便于后续进行贷前风险分析。
在另一实施例中,也可以获取社团网络的黑名单个数,若黑名单个数大于预设个数,则将社团网络设定为黑名单社团,并将黑名单社团进行可视化操作,以供基于可视化操作后的黑名单社团进行贷前风险分析。该预设个数可以根据实际需要进行设定,例如5个、4个等,此处不作限定,当然,也可以在评估完风控黑名单设置策略之后进行调整。
步骤K,将所述黑名单社团中所有社团成员添加至所述风控黑名单。
最后,将黑名单社团中所有社团成员添加至风控黑名单,以进一步挖掘扩散黑名单。
本实施例中,基于社团发现算法,对构建的图网络进行网络划分,以分别分析各个划分的社团网络,从而进一步挖掘黑名单,使得风控黑名单覆盖率更广,进一步提高贷前风险分析的全面性及准确率。
本申请还提供一种风控黑名单设置装置。
参照图3,图3为本申请风控黑名单设置装置第一实施例的功能模块示意图。
在本实施例中,所述风控黑名单设置装置包括:
客户获取模块10,用于获取历史申请客户,并获取所述历史申请客户的关联客户;
网络构建模块20,用于基于所述历史申请客户及所述关联客户,构建图网络;
关联检测模块30,用于确定所述图网络中的历史违约客户节点,并检测所述历史违约客户节点的关联节点,其中,所述关联节点与所述历史违约客户节点的关联紧密程度大于预设阈值;
名单添加模块40,用于将所述关联节点作为预测黑名单客户的节点,并将所述预测黑名单客户添加至风控黑名单。
其中,上述风控黑名单设置装置的各虚拟功能模块存储于图1所示风控黑名单设置设备的存储器1005中,用于实现风控黑名单设置程序的所有功能;各模块被处理器1001执行时,可实现风控黑名单设置功能。
进一步地,所述历史申请客户为历史申请企业,所述关联客户为所述历史申请企业的投资者,所述网络构建模块20包括:
节点确定单元,用于将所述历史申请企业及所述投资者作为图网络节点,并将所述历史申请企业及所述投资者之间的关系作为图网络边;
权重确定单元,用于获取所述投资者的投资占比,并基于所述投资占比确定所述图网络边的权重;
网络构建单元,用于基于所述图网络节点、所述图网络边及所述权重,构建图网络。
进一步地,所述权重确定单元包括:
权重确定子单元,用于将所述投资占比的反比作为所述图网络边的权重。
进一步地,所述风控黑名单设置装置还包括:
权重获取模块,用于获取所述图网络中图网络节点之间的距离权重,其中,所述距离权重与所述图网络节点之间的关联紧密程度成反比;
距离计算模块,用于基于最短路径算法及所述距离权重,计算所述图网络节点之间的节点距离。
进一步地,所述关联检测模块30包括:
起始点确定单元,用于将所述历史违约客户节点作为起始点;
节点检测单元,用于检测与所述起始点的节点距离小于预设距离的关联节点。
进一步地,所述风控黑名单设置装置还包括:
第一客户检测模块,用于检测所述风控黑名单中的审核通过客户,其中,所述审核通过客户属于所述预测黑名单客户;
第二客户检测模块,用于检测所述审核通过客户中逾期时间大于预设时间的逾期客户;
逾期获取模块,用于获取所述逾期客户的逾期率和/或逾期金额,并获取整体客群的平均逾期率和/或平均逾期金额;
逾期对比模块,用于将所述逾期率和/或所述逾期金额与所述平均逾期率和/或平均逾期金额进行对比;
策略调整模块,用于根据对比结果,调整风控黑名单设置策略。
进一步地,所述风控黑名单设置装置还包括:
社团划分模块,用于基于社团发现算法,对所述图网络进行社团划分得到社团网络;
比率检测模块,用于检测所述社团网络的黑名单占比率,其中,所述黑名单占比率为所述社团网络中所述预测黑名单客户与所有社团成员的比率;
社团设定模块,用于若所述黑名单占比率大于预设占比率,则将所述社团网络设定为黑名单社团,并将所述黑名单社团进行可视化操作,以供基于可视化操作后的黑名单社团进行贷前风险分析;
成员添加模块,用于将所述黑名单社团中所有社团成员添加至所述风控黑名单。
其中,上述风控黑名单设置装置中各个模块的功能实现与上述风控黑名单设置方法实施例中各步骤相对应,其功能和实现过程在此处不再一一赘述。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质上存储有风控黑名单设置程序,所述风控黑名单设置程序被处理器执行时实现如以上任一项实施例所述的风控黑名单设置方法的步骤。
本发明计算机可读存储介质的具体实施例与上述风控黑名单设置方法各实施例基本相同,在此不作赘述。
需要说明的是,在本文中,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、物品或者***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、物品或者***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,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种风控黑名单设置方法,其特征在于,所述风控黑名单设置方法包括以下步骤:
获取历史申请客户,并获取所述历史申请客户的关联客户;
基于所述历史申请客户及所述关联客户,构建图网络;
确定所述图网络中的历史违约客户节点,并检测所述历史违约客户节点的关联节点,其中,所述关联节点与所述历史违约客户节点的关联紧密程度大于预设阈值;
将所述关联节点作为预测黑名单客户的节点,并将所述预测黑名单客户添加至风控黑名单。
2.如权利要求1所述的风控黑名单设置方法,其特征在于,所述历史申请客户为历史申请企业,所述关联客户为所述历史申请企业的投资者,所述基于所述历史申请客户及所述关联客户,构建图网络的步骤包括:
将所述历史申请企业及所述投资者作为图网络节点,并将所述历史申请企业及所述投资者之间的关系作为图网络边;
获取所述投资者的投资占比,并基于所述投资占比确定所述图网络边的权重;
基于所述图网络节点、所述图网络边及所述权重,构建图网络。
3.如权利要求2所述的风控黑名单设置方法,其特征在于,所述基于所述投资占比确定所述图网络边的权重的步骤包括:
将所述投资占比的反比作为所述图网络边的权重。
4.如权利要求1所述的风控黑名单设置方法,其特征在于,所述确定所述图网络中的历史违约客户节点,并检测所述历史违约客户节点的关联节点的步骤之前,还包括:
获取所述图网络中图网络节点之间的距离权重,其中,所述距离权重与所述图网络节点之间的关联紧密程度成反比;
基于最短路径算法及所述距离权重,计算所述图网络节点之间的节点距离。
5.如权利要求4所述的风控黑名单设置方法,其特征在于,所述检测所述历史违约客户节点的关联节点的步骤包括:
将所述历史违约客户节点作为起始点;
检测与所述起始点的节点距离小于预设距离的关联节点。
6.如权利要求1至5中任一项所述的风控黑名单设置方法,其特征在于,所述风控黑名单设置方法还包括:
检测所述风控黑名单中的审核通过客户,其中,所述审核通过客户属于所述预测黑名单客户;
检测所述审核通过客户中逾期时间大于预设时间的逾期客户;
获取所述逾期客户的逾期率和/或逾期金额,并获取整体客群的平均逾期率和/或平均逾期金额;
将所述逾期率和/或所述逾期金额与所述平均逾期率和/或平均逾期金额进行对比;
根据对比结果,调整风控黑名单设置策略。
7.如权利要求1至5中任一项所述的风控黑名单设置方法,其特征在于,所述风控黑名单设置方法还包括:
基于社团发现算法,对所述图网络进行社团划分得到社团网络;
检测所述社团网络的黑名单占比率,其中,所述黑名单占比率为所述社团网络中所述预测黑名单客户与所有社团成员的比率;
若所述黑名单占比率大于预设占比率,则将所述社团网络设定为黑名单社团,并将所述黑名单社团进行可视化操作,以供基于可视化操作后的黑名单社团进行贷前风险分析;
将所述黑名单社团中所有社团成员添加至所述风控黑名单。
8.一种风控黑名单设置装置,其特征在于,所述风控黑名单设置装置包括:
客户获取模块,用于获取历史申请客户,并获取所述历史申请客户的关联客户;
网络构建模块,用于基于所述历史申请客户及所述关联客户,构建图网络;
关联检测模块,用于确定所述图网络中的历史违约客户节点,并检测所述历史违约客户节点的关联节点,其中,所述关联节点与所述历史违约客户节点的关联紧密程度大于预设阈值;
名单添加模块,用于将所述关联节点作为预测黑名单客户的节点,并将所述预测黑名单客户添加至风控黑名单。
9.一种终端设备,其特征在于,所述终端设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的风控黑名单设置程序,所述风控黑名单设置程序被所述处理器执行时实现如权利要求1至7中任一项所述的风控黑名单设置方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有风控黑名单设置程序,所述风控黑名单设置程序被处理器执行时实现如权利要求1至7中任一项所述的风控黑名单设置方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011480291.0A CN112598496B (zh) | 2020-12-15 | 2020-12-15 | 风控黑名单设置方法、装置、终端设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011480291.0A CN112598496B (zh) | 2020-12-15 | 2020-12-15 | 风控黑名单设置方法、装置、终端设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112598496A true CN112598496A (zh) | 2021-04-02 |
CN112598496B CN112598496B (zh) | 2024-04-30 |
Family
ID=75195893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011480291.0A Active CN112598496B (zh) | 2020-12-15 | 2020-12-15 | 风控黑名单设置方法、装置、终端设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112598496B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610631A (zh) * | 2021-08-02 | 2021-11-05 | 北京淇瑀信息科技有限公司 | 用户策略调整方法、装置及电子设备 |
CN113689285A (zh) * | 2021-08-18 | 2021-11-23 | 深圳前海微众银行股份有限公司 | 一种检测用户特征的方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657900A (zh) * | 2018-10-25 | 2019-04-19 | 平安科技(深圳)有限公司 | 工作单位信息的风险检测方法、装置、设备及存储介质 |
WO2019095572A1 (zh) * | 2017-11-17 | 2019-05-23 | 平安科技(深圳)有限公司 | 企业投资风险评估方法、装置及存储介质 |
CN111309824A (zh) * | 2020-02-18 | 2020-06-19 | 中国工商银行股份有限公司 | 实体关系图谱显示方法及*** |
CN111401600A (zh) * | 2019-12-09 | 2020-07-10 | 合肥工业大学 | 基于关联关系的企业信用风险评价方法和*** |
CN111414485A (zh) * | 2020-03-17 | 2020-07-14 | 北京恒通慧源大数据技术有限公司 | 企业客户关联关系图谱构建方法、装置、存储器和计算机 |
CN111951104A (zh) * | 2020-08-24 | 2020-11-17 | 上海银行股份有限公司 | 一种基于关联图谱的风险传导预警方法 |
CN112053220A (zh) * | 2020-08-09 | 2020-12-08 | 中信银行股份有限公司 | 一种风险用户确定方法、装置及存储介质 |
-
2020
- 2020-12-15 CN CN202011480291.0A patent/CN112598496B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019095572A1 (zh) * | 2017-11-17 | 2019-05-23 | 平安科技(深圳)有限公司 | 企业投资风险评估方法、装置及存储介质 |
CN109657900A (zh) * | 2018-10-25 | 2019-04-19 | 平安科技(深圳)有限公司 | 工作单位信息的风险检测方法、装置、设备及存储介质 |
CN111401600A (zh) * | 2019-12-09 | 2020-07-10 | 合肥工业大学 | 基于关联关系的企业信用风险评价方法和*** |
CN111309824A (zh) * | 2020-02-18 | 2020-06-19 | 中国工商银行股份有限公司 | 实体关系图谱显示方法及*** |
CN111414485A (zh) * | 2020-03-17 | 2020-07-14 | 北京恒通慧源大数据技术有限公司 | 企业客户关联关系图谱构建方法、装置、存储器和计算机 |
CN112053220A (zh) * | 2020-08-09 | 2020-12-08 | 中信银行股份有限公司 | 一种风险用户确定方法、装置及存储介质 |
CN111951104A (zh) * | 2020-08-24 | 2020-11-17 | 上海银行股份有限公司 | 一种基于关联图谱的风险传导预警方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610631A (zh) * | 2021-08-02 | 2021-11-05 | 北京淇瑀信息科技有限公司 | 用户策略调整方法、装置及电子设备 |
CN113689285A (zh) * | 2021-08-18 | 2021-11-23 | 深圳前海微众银行股份有限公司 | 一种检测用户特征的方法、装置、设备及存储介质 |
CN113689285B (zh) * | 2021-08-18 | 2024-04-26 | 深圳前海微众银行股份有限公司 | 一种检测用户特征的方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112598496B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11985037B2 (en) | Systems and methods for conducting more reliable assessments with connectivity statistics | |
US11676087B2 (en) | Systems and methods for vulnerability assessment and remedy identification | |
US11503033B2 (en) | Using one or more networks to assess one or more metrics about an entity | |
CN109949154B (zh) | 客户信息分类方法、装置、计算机设备和存储介质 | |
CN112348659B (zh) | 用户识别策略的分配方法、装置及电子设备 | |
CN112598496A (zh) | 风控黑名单设置方法、装置、终端设备及可读存储介质 | |
US20240135025A1 (en) | Query processing method and apparatus | |
KR20180121460A (ko) | 클라우드 서비스 특성을 고려한 보안 투자 방법, 장치 및 컴퓨터 프로그램 | |
CN110197426B (zh) | 一种信用评分模型的建立方法、装置及可读存储介质 | |
Robinson et al. | Improved Lagrange multiplier tests in spatial autoregressions | |
CN112417060A (zh) | 识别企业关系的方法、装置、设备和计算机可读介质 | |
CN110851482B (zh) | 为多个数据方提供数据模型的方法及装置 | |
CN115062163A (zh) | 异常组织的识别方法、装置、电子设备和介质 | |
Caporin et al. | Ranking multivariate GARCH models by problem dimension | |
CN113592517A (zh) | 欺诈客群识别方法、装置、终端设备及计算机存储介质 | |
AU2014203818B9 (en) | Fraud management system and method | |
Tsai et al. | Simulation optimization in security screening systems subject to budget and waiting time constraints | |
Bisht et al. | Functional dependency-based group decision-making with incomplete information under social media influence: An application to automobile | |
Lluís Carrion‐i‐Silvestre et al. | Breaking the panels: An application to the GDP per capita | |
Mao | Testing for error cross‐sectional independence using pairwise augmented regressions | |
CN110263044B (zh) | 数据存储方法、装置、设备及计算机可读存储介质 | |
CN111681108A (zh) | 数据的授信方法、装置、***及计算机可读存储介质 | |
Maulana et al. | Enterprise System Modeling for Business Licensing Services | |
CN111582648A (zh) | 用户策略生成方法、装置及电子设备 | |
US9741059B1 (en) | System and method for managing website scripts |
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 |