CN113344695A - 一种弹性风控方法、装置、设备和可读介质 - Google Patents
一种弹性风控方法、装置、设备和可读介质 Download PDFInfo
- Publication number
- CN113344695A CN113344695A CN202110687179.2A CN202110687179A CN113344695A CN 113344695 A CN113344695 A CN 113344695A CN 202110687179 A CN202110687179 A CN 202110687179A CN 113344695 A CN113344695 A CN 113344695A
- Authority
- CN
- China
- Prior art keywords
- target
- user
- credit
- target user
- task
- 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 71
- 238000012216 screening Methods 0.000 claims abstract description 111
- 238000012360 testing method Methods 0.000 claims abstract description 111
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000011156 evaluation Methods 0.000 claims description 38
- 230000006399 behavior Effects 0.000 claims description 27
- 230000001052 transient effect Effects 0.000 claims description 14
- 238000012797 qualification Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000001737 promoting effect Effects 0.000 description 3
- 241000207961 Sesamum Species 0.000 description 2
- 235000003434 Sesamum indicum Nutrition 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012954 risk control Methods 0.000 description 2
- 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
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004900 laundering Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000005728 strengthening Methods 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
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Finance (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Accounting & Taxation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Medical Informatics (AREA)
- Technology Law (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例公开了一种弹性风控方法、装置、设备和计算机可读介质。方案可以包括:获取目标用户针对目标信用服务的使用请求;响应于所述使用请求,判断所述目标用户是否具有使用所述目标信用服务的基础信用权限,得到第一判断结果;若所述第一判断结果表示所述目标用户不具有使用所述目标信用服务的基础信用权限,采用人群筛选模型进行筛选,得到筛选结果;所述人群筛选模型的训练数据至少包括用户对测试任务的执行结果数据;若所述筛选结果表示所述目标用户为可准入用户,则将所述目标用户设置为具有使用所述目标信用服务的临时信用权限。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种弹性风控方法、装置、设备和计算机可读介质。
背景技术
在各种信用服务场景中,用户想要享受信用服务往往依赖于业务背后的风险控制(简称,风控)评估方案。传统的基于大数据与人工智能的风控方案普遍存在着一定程度的误拦截,一旦用户没有满足风控规则便无法享受对应的信用服务,会造成大量的客户投诉;另一方面,如果基于现有风控规则进一步进行扩准的话,往往会造成资金损失大幅上涨。
鉴于此,需要提供一种能够在业务总体资损可控的前提下降低客户投诉率的风控方案。
发明内容
本说明书实施例提供一种弹性风控方法、装置、设备和计算机可读介质,以解决现有的风控方法存在的客户投诉率高的问题。
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弹性风控方法,包括:
获取目标用户针对目标信用服务的使用请求;
响应于所述使用请求,判断所述目标用户是否具有使用所述目标信用服务的基础信用权限,得到第一判断结果;
若所述第一判断结果表示所述目标用户不具有使用所述目标信用服务的基础信用权限,采用人群筛选模型进行筛选,得到筛选结果;所述人群筛选模型的训练数据至少包括用户对测试任务的执行结果数据;所述测试任务是分配至不具有使用预设信用服务的基础信用权限的用户的任务;
若所述筛选结果表示所述目标用户为可准入用户,则将所述目标用户设置为具有使用所述目标信用服务的临时信用权限;所述临时信用权限用于授权所述目标用户使用所述目标信用服务。
本说明书实施例提供的一种弹性风控装置,包括:
请求获取模块,用于获取目标用户针对目标信用服务的使用请求;
第一判断模块,用于响应于所述使用请求,判断所述目标用户是否具有使用所述目标信用服务的基础信用权限,得到第一判断结果;
筛选模块,用于若所述第一判断结果表示所述目标用户不具有使用所述目标信用服务的基础信用权限,采用人群筛选模型进行筛选,得到筛选结果;所述人群筛选模型的训练数据至少包括用户对测试任务的执行结果数据;所述测试任务是分配至不具有使用预设信用服务的基础信用权限的用户的任务;
临时信用权限设置模块,用于若所述筛选结果表示所述目标用户为可准入用户,则将所述目标用户设置为具有使用所述目标信用服务的临时信用权限;所述临时信用权限用于授权所述目标用户使用所述目标信用服务。
本说明书实施例提供的一种弹性风控设备,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:
获取目标用户针对目标信用服务的使用请求;
响应于所述使用请求,判断所述目标用户是否具有使用所述目标信用服务的基础信用权限,得到第一判断结果;
若所述第一判断结果表示所述目标用户不具有使用所述目标信用服务的基础信用权限,采用人群筛选模型进行筛选,得到筛选结果;所述人群筛选模型的训练数据至少包括用户对测试任务的执行结果数据;所述测试任务是分配至不具有使用预设信用服务的基础信用权限的用户的任务;
若所述筛选结果表示所述目标用户为可准入用户,则将所述目标用户设置为具有使用所述目标信用服务的临时信用权限;所述临时信用权限用于授权所述目标用户使用所述目标信用服务。
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弹性风控方法。
本说明书一个实施例至少能够达到以下有益效果:通过对于由常规的风控规则确定为不具有针对目标信用服务的基础信用权限的目标用户,采用以未通过常规的风控规则的用户对于测试任务的执行结果数据作为样本训练得到的人群筛选模型来进一步筛选,若目标用户的筛选结果为可准入,则赋予目标用户使用所述目标信用服务的临时信用权限,由此实现了弹性风控,在保证总体资损可控的情况下,扩大用户准入,以降低整体客户投诉率。
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为本说明书实施例提供的一种弹性风控方法的流程示意图;
图2为本说明书实施例提供的一种实际应用场景下的风控方法的流程示意图;
图3为本说明书实施例提供的对应于图1的一种弹性风控装置的结构示意图;
图4为本说明书实施例提供的对应于图1的一种弹性风控设备的结构示意图。
具体实施方式
当前,存在各种各样的信用服务场景,信用服务可以是指基于用户的信用情况而允许用户使用的服务,在实践中,信用服务可以是指根据用户的信用评估结果以使用户获得的相应专属服务,例如,免押金租用服务、先使用后付款服务等。
在各种信用服务场景中,当用户要使用信用服务时,需要基于风控策略来对用户进行风险判断,即,进行信用评估。若信用评估结果为准入,则允许用户直接使用相应的信用服务,若信用评估结果为不准入,则拒绝用户使用相应的信用服务,从而实现风险控制。然而,一方面,传统的基于大数据与人工智能的风控方案普遍存在着一定程度的误拦截,即,对具有较好信用行为的用户产生了错误的评估结果从而导致其无法享受相应的信用服务,而且由于风控规则中存在大量的黑盒模型,使得风控结果完全无法对用户做出解释,由此造成大量客诉;另一方面,如果基于现有风控规则直接进行扩准的话,往往会造成资损大幅上涨。
出于在业务总体资损可控的前提下让尽可能多的用户能够享受信用服务的目的,在本说明书的实施例中提出一种弹性风控方法和装置。当用户未通过常规的风控规则时,通过机器学习模型挑选部分人群作为可准入用户,从而达到扩大用户准入、降低客诉量的目的,另一方面,由于所采用的机器学习模型是基于无法通过常规的风控规则的用户对于测试任务的执行结果数据作为样本来训练得到的,因此,由该模型确定为准入的用户的履约可能性较高,从而保证总体资损可控。
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。基于本说明书中的实施例,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。
应当理解,尽管在本申请文件中可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。
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为本说明书实施例提供的一种弹性风控方法的流程示意图。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或应用终端的程序。
如图1所示,该流程可以包括以下步骤:
步骤102:获取目标用户针对目标信用服务的使用请求。
当用户想要使用目标信用服务时,可以在客户端执行针对目标信用服务的获取操作,例如,点击用于获取目标信息服务的按钮或链接。由此,客户端或客户端对应的应用服务器可以获取到用户针对目标信用服务的使用请求,进而,可以由客户端程序或应用服务器来执行后续步骤以确定是否授权所述用户使用所述目标信用服务。
在实践中,所述目标信用服务可以包括借贷服务、分期付款服务、免押金或减押金租用服务、先使用后付款服务等,不限于这些示例。
步骤104:响应于所述使用请求,判断所述目标用户是否具有使用所述目标信用服务的基础信用权限,得到第一判断结果。
具体地,所述判断所述目标用户是否具有使用所述目标信用服务的基础信用权限,可以包括:获取所述目标用户的信用评分;判断所述信用评分是否大于或等于所述目标信用服务对应的信用分阈值。若所述判断结果表示,所述信用评分大于或等于所述信用分阈值,则认为所述目标用户具有使用所述目标信用服务的基础信用权限。换句话说,所述第一判断结果表示所述目标用户不具有所述基础信用权限,具体可以包括:所述目标用户的所述信用评分小于所述目标信用服务对应的信用分阈值。
在实际应用时,所述信用评分可以是预先计算的,可以在执行第一判断前直接获取;或者,所述信用评分可以是通过调用风控引擎来实时计算地。
可选地,所述判断所述目标用户是否具有使用所述目标信用服务的基础信用权限,可以包括,调用风控引擎来进行预设风控规则的匹配。所述预设风控规则可以包括一个或多个风控子规则,不同的风控子规则用于评价所述目标用户的不同维度的风险。例如,所述子规则可以包括,用于评价用户是否有洗钱风险的规则、用于评价用户是否有欺诈风险的规则、用于评价用户是否有违约风险的规则等。
在实践中,所述预设风控规则中的各个风控子规则可以是预先基于大量用户数据作为样本训练的模型,或者可以是根据专家经验撰写的规则。
可选地,所述获取所述目标用户的信用评分,具体可以包括:针对所述预设风控规则中的一个风控子规则,获取所述目标用户的用于输入至该风控子规则的用户基础评价数据,然后将获取的所述用户基础评价数据输入至该风控子规则,确定所述目标用户的对应于该分控子规则的子评分;当确定所述目标用户的对应于所述预设风控规则中的各风控子规则的子评分后,基于所述各风控子规则的子评分以及所述各风控子规则的权重系数,确定所述目标用户的信用评分。
步骤106:若所述第一判断结果表示所述目标用户不具有使用所述目标信用服务的基础信用权限,采用人群筛选模型进行筛选,得到筛选结果;所述人群筛选模型的训练数据至少包括用户对测试任务的执行结果数据;所述测试任务是分配至不具有使用预设信用服务的基础信用权限的用户的任务。
在实践中,若所述第一判断结果表示所述目标用户具有使用所述目标信用服务的基础信用权限,则可以直接授权该目标用户使用该目标信用服务,无需再执行后续步骤,流程结束。
为了实现在确保资损可控的前提下降低客户投诉率,在本说明书的实施例中,执行了有条件的扩准方案,即:对于不具有使用所述目标信用服务的基础信用权限的用户,进一步使用人群筛选模型,从中筛选出临时可准入的用户,并赋予该用户针对该目标信用服务的临时使用权限。
其中,所述人群筛选模型可以是预先训练的,且所述人群筛选模型的训练数据至少包括不具有使用预设信用服务的基础信用权限的若干用户对测试任务的执行结果数据。其中,所述预设信用服务可以包括若干种信用服务,其中可以包括所述目标信用服务。
可选地,所述人群筛选模型的训练过程如下:获取携带准入类型标签的若干用户的信用评价数据,所述准入类型标签可以是根据所述若干用户对测试任务的执行结果数据所添加的标签,所述准入类型标签包括用于表示用户为可准入用户的第一标签,或者用于表示用户为不可准入用户的第二标签;然后,从所述若干用户的所述信用评价数据中,提取出所述若干用户的信用风险识别特征;再将所述若干用户对应的信用风险识别特征和准入类型标签作为输入数据输入至待训练的人群筛选模型中,训练得到所述预设的人群筛选模型。
在本说明书的实施例中,采用人群筛选模型对所述目标用户进一步进行筛选,具体可以包括:获取所述目标用户的信用评价数据,所述信用评价数据可以包括用户资质数据或用户行为数据中至少一者,所述用户行为数据可以至少包括所述目标用户对测试任务的执行结果数据;然后,从所述目标用户的所述信用评价数据中,提取出信用风险识别特征;再将提取出的所述信用风险识别特征作为输入数据输入至预设的人群筛选模型中进行计算,所述预设的人群筛选模型是基于从若干用户的信用评价数据中提取出的信用风险识别特征作为样本训练得到的;最后,基于所述人群筛选模型输出的计算结果,确定所述目标用户的信用服务准入类型,所述信用服务准入类型包括可准入用户或不可准入用户。
其中,所述用户资质数据可以包括用户身份数据、用户资产数据或用户人脉数据中的至少一者,不限于此。所述用户身份数据可以包括用户注册时间、用户是否实人认证的信息等。所述用户资产数据可以包括用户的资金额等级信息、用户的资金流转活跃度信息等。所述用户人脉数据可以包括用户的好友的信用评价数据、用户的交易对象的信用评价数据等。
所述用户行为数据包括用户交易行为数据、用户履约行为数据或用户操作行为数据中的至少一者,不限于此。其中,所述目标用户对测试任务的执行结果数据可以属于所述用户履约行为数据。所述用户交易行为数据可以包括用户转账行为数据、用户购物行为数据等。所述用户履约行为数据可以包括用户使用诸如借贷服务、分期付款服务、免押金或减押金租用服务、先使用后付款服务等各类信用服务后的履约行为数据。所述用户操作行为数据可以包括用户在使用客户端的过程中针对各类服务的使用行为、针对各类图标的点击行为数据等。
在本说明书的实施例中,所述人群筛选模型可以采用任意适用的机器学习或深度学习模型。优选地,所述人群筛选模型具体可以包括提升树模型。提升树是以分类树或回归树为基本分类器的提升方法。所述提升树模型具体可以包括GBDT(Gradient BoostingDecison Tree)模型、XgBoost(Extreme Gradient Boosting)模型或LightGBM(LightGradient Boosting Machine)模型等。与其他类型的机器学习模型相比,树类模型更具有的可解释性。在本说明书实施例的场景下,能够用于在用户不可准入的情况下提供相关的证据信息,以便于一定程度上降低整体客户投诉率。
步骤108:若所述筛选结果表示所述目标用户为可准入用户,则将所述目标用户设置为具有使用所述目标信用服务的临时信用权限;所述临时信用权限用于授权所述目标用户使用所述目标信用服务。
步骤106中人群筛选模型的结果所确定的所述目标用户的信用服务准入类型,用于在后续步骤中来确定是否赋予所述目标用户使用所述目标信用服务的临时信用权限。如果人群筛选模型识别确定用户为可准入用户,则赋予所述目标用户使用所述目标信用服务的临时信用权限;如果人群筛选模型识别确定用户为不可准入用户,则不赋予所述目标用户使用所述目标信用服务的临时信用权限。
可选地,所述人群筛选模型的筛选结果可以直接给出用户分类结果,所述用户分类结果用于表示将所述目标用户确定为可准入用户类型或不可准入用户类型。
可选地,所述人群筛选模型的筛选结果可以给出用户评分结果,进而再根据所述用户评分结果来确定所述目标用户的分类结果。例如,将所述用户评分与预设准入分阈值进行比较,若所述用户评分大于或等于所述预设准入分阈值,则将所述目标用户确定为可准入类型;若所述用户评分小于所述预设准入分阈值,则将所述目标用户确定为不可准入类型。
应当理解,本说明书一个或多个实施例所述的方法中,部分步骤的顺序可以根据实际需要调整,或者可以省略部分步骤。
图1中的方法,通过对于由常规的风控规则确定为不具有针对目标信用服务的基础信用权限的目标用户,采用以未通过常规的风控规则的用户对于测试任务的执行结果数据作为样本训练得到的人群筛选模型来进一步筛选,若目标用户的筛选结果为可准入,则赋予目标用户使用所述目标信用服务的临时信用权限,由此实现了弹性风控,在保证总体资损可控的情况下,扩大用户准入,以降低整体客户投诉率。
基于图1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式,下面进行说明。
为了进一步提高用户临时准入后按时履约的可能性而保证总体资损可控,在实际应用中,可以在根据人群筛选模型确定所述目标用户为可准入用户之后,且在将所述目标用户设置为具有使用所述目标信用服务的临时信用权限之前,向所述目标用户分配测试任务,用户点击并领取对应的测试任务即可获取使用目标信用服务的临时信用权限。
具体地,若所述筛选结果表示所述目标用户为可准入用户,则可以向所述目标用户发送目标测试任务的领取提示信息;获取所述目标用户对所述目标测试任务的领取请求;响应于所述领取请求,在所述目标用户的账户下关联待执行的所述目标测试任务。
在实际应用时,可以针对目标用户所请求使用的目标信用服务,来确定向用户分配的对应的目标测试任务。不同类型的目标信用服务可以对应不同类型的目标测试任务。预先设置目标信用服务与目标测试任务的对应关系,或者可以预先设置用于确定与所述目标信用服务对应的目标测试任务的确定规则。因此可选地,在向所述目标用户发送目标测试任务的领取提示信息之前,还可以确定与所述目标信用服务对应的目标测试任务。
在本说明书的实施例中,当目标用户领取目标测试任务后,还可以:获取所述目标用户针对所述目标测试任务的任务执行结果信息;所述任务执行结果信息包括用于表示所述目标用户已完成所述目标测试任务的第一结果信息,或者用于表示所述目标用户未完成所述目标测试任务的第二结果信息;然后,根据所述任务执行结果信息,为所述目标用户添加准入类型标签;所述准入类型标签包括用于将完成所述目标测试任务的用户标记为可准入用户的第一标签,或者,用于将未完成所述目标测试任务的用户标记为不可准入用户的第二标签;所述准入类型标签作为使用所述用户的信用评价数据训练所述人群筛选模型时的样本标签。
通常,测试任务都具有预设的任务期限,领取测试任务的用户需要在任务期限内完成测试任务。因此,所述获取所述目标用户针对所述目标测试任务的任务执行结果信息,具体可以包括:判断所述目标用户是否在预定任务期限内完成所述目标测试任务,得到第二判断结果;若所述第二判断结果表示所述目标用户在所述预定任务期限内完成所述目标测试任务,则生成用于表示所述目标用户已完成所述目标测试任务的第一结果信息;若所述第二判断结果表示所述目标用户未在所述预定任务期限内完成所述目标测试任务,则生成用于表示所述目标用户未完成所述目标测试任务的第二结果信息。
在实际应用中,目标用户点击并领取目标测试任务后就可以享受到目标信用服务,此后,目标用户针对所述目标测试任务的执行结果数据也可以作为样本标签以被用于进行所述人群筛选模型的优化,从而形成正向循环,以在资损可控的前提下不断扩大准入覆盖。
具体地,根据所述任务执行结果信息为所述目标用户添加准入类型标签之后,还可以包括:获取所述目标用户的信用评价数据,所述信用评价数据包括用户资质数据或用户行为数据中至少一者;从所述目标用户的所述信用评价数据中,提取出信用风险识别特征;将所述目标用户的所述信用风险识别特征和所述准入类型标签作为输入数据输入至预设的人群筛选模型中,优化所述预设的人群筛选模型。
其中,在本次优化人群筛选模型的过程中,获取的所述目标用户的所述信用评价数据中,可以包括所述目标用户针对所述目标测试任务的领取行为数据和执行结果数据,还可以包括所述目标用户针对所述目标信用服务的请求行为数据以及履约结果数据。
在本说明书的实施例中,所述目标测试任务可以包括任务内容和任务预设奖励。所述任务内容可以包括,用户领取该测试任务后应当执行的操作以及用户完成测试任务的任务期限。所述任务预设奖励可以包括,当用户完成所述任务内容后对用户账户执行的奖励措施。在实际应用时,可以在所述目标测试任务的领取提示信息中显示所述任务内容信息和所述任务预设奖励信息。
具体地,在获取所述目标用户针对所述目标测试任务的任务执行结果信息之后,还可以包括:若所述目标用户已完成所述目标测试任务,则根据所述目标测试任务对应的任务预设奖励信息,对所述目标用户的账户执行奖励操作。
例如,所述任务预设奖励可以包括提升用户的信用分、提升用户的信用分的涨分速率、为用户发放虚拟资源(例如,积分)等,不限于这些示例。
可选地,所述目标任务测试信息还可以包括任务预设惩罚。所述任务预设惩罚可以包括,当用户在未完成所述任务内容的情况下对用户账户施加的惩罚措施。
具体地,在获取所述目标用户针对所述目标测试任务的任务执行结果信息之后,还可以包括:若所述目标用户未完成所述目标测试任务,则根据所述目标测试任务对应的任务预设惩罚信息,对所述目标用户的账户执行惩罚操作。
例如,所述任务预设惩罚可以包括降低用户的信用分、降低用户的信用分的涨分速率、扣除用户账户的虚拟资源(例如,积分)等,不限于这些示例。
下面通过一个具体的示例进行说明。例如,目标用户的目标信用服务为分期付款服务,假设通过常规的风控规则判断该用户不具有使用分期付款服务的基础信用权限。此时,可以通过人群筛选模型对该目标用户进行筛选,若人群筛选模型的输出结果表示该目标用户为可准入用户,则向该目标用户分配目标测试任务。当目标用户领取该目标测试任务后,则可以赋予该用户本次使用分期付款服务的临时信用权限。
例如,所述目标测试任务的任务内容可以是在三天内使用一次骑行服务,所述目标测试任务对应的任务预设奖励可以是提升用户的信用分,所述目标测试任务对应的任务预设惩罚可以是扣除用户账户的积分。那么,当用户领取该目标测试任务后的达到预定任务期限内三天后,确定所述目标用户是否使用了一次骑行服务,若是,则一方面按照任务预设奖励提升所述用户的账户的信用分,另一方面将该目标用户的信用评价数据标记为“可准入”以作为样本来优化所述人群筛选模型;若否,则一方面按照任务预设惩罚扣除用户账户的积分,另一方面将该目标用户的信用评价数据标记为“不可准入”以作为样本来优化所述人群筛选模型。
基于本说明书实施例的前述方案,在用户领取测试服务的情况下为用户赋予临时信用权限,若用户完成任务并且可以获得相应奖励作为潜在利益,这在一定程度上可提高用户的履约可能性从而保证资损可控,相反,如果用户未完成任务则对用户进行相应的惩戒,也起到了强化用户履约意识的作用。此外,将用户领取任务后的履约结果作为建模标签不断辅助模型进行优化,从而可以形成正向循环,以在资损可控的前提下不断扩大准入覆盖。
在本说明书的实施例中,获取所述目标用户针对所述目标测试任务的任务执行结果信息之后,还可以包括:若所述任务执行结果信息表示所述目标用户已完成所述目标测试任务,则生成信用评估参考信息,所述信用评估参考信息包含所述目标信用服务的服务标识以及与所述服务标识对应的所述任务执行结果信息;所述信用评估参考信息用于,当所述目标用户再次请求使用所述目标信用服务时,将所述目标用户设置为具有使用所述目标信用服务的临时信用权限。
基于该方案,若目标用户再次请求使用目标信用服务,鉴于此前该目标用户的对于测试任务的履约行为良好,则可以直接赋予该用户使用所述目标信用服务的临时信用权限,而无需再重新进行人群筛选和任务分配操作,以节约计算资源。
根据上面的说明,本说明书实施例提供的一种实际应用场景下,一种弹性风控方法的流程示意图,如图2所示。
在图2中,步骤202:用户发起信用服务申请,其中,信用服务包括但不限于免押、先使用后付款等类型的信用服务。
步骤204:用户发起信用服务申请后,后台***通过信用评估接口调用风控引擎进行风控规则匹配。其中,后台***可以是指用户发起信用服务申请的客户端对应的服务器。
步骤206:根据不同的风控规则匹配结果决定下一步流程,若信用评估通过,执行步骤214;若信用评估未通过,执行步骤208、步骤210、步骤212和步骤214。
步骤208:通过人群筛选模型对目标用户进行打分以判断是否对其投放测试任务。
模型的具体实现方案包括:
(1)构建训练数据:通过各用户历史领取测试任务后的完成情况来积累数据,共包括黑样本和白样本两种类型。其中,领取任务且享受信用服务后没有按时完成任务的标记为黑样本,反之,领取任务并且按时完成任务的标记为白样本。黑样本和白样本共同组成需要的训练数据。这里需要注意的是,由于在现实情况下,白样本的数量往往远远大于黑样本的数量,因此,为了控制黑白样本的比例,可选地,可以对白样本进行下采样。
(2)构建特征:根据用户的信用评价数据来构建样本特征,样本特征的维度包括但不限于用户点击行为、用户个人资质、用户交易行为、用户履约情况等。
(3)模型训练:基于训练数据中的样本标签以及样本特征,通过提升树算法训练人群筛选模型。
步骤210:若根据步骤208得到的模型打分结果的分值在设定阈值范围内,则对其进行测试任务弹窗供用户点击来领取测试任务。
步骤212:用户领取测试任务后,该领取事件实时发送给对应的信用服务***,信用服务***接收到该事件的结果后对用户做出“准入”的判断,用户即可享受对应的信用服务。
通过执行前述步骤208至步骤212,能够在扩大用户准入范围的前提下防止被“准入”的用户领取任务并享受信用服务后的履约率过低,以达到控制资损的目的。
步骤214:用户享受对应的信用服务。
步骤216:判断用户是否为领取任务后才被准入使用信用服务的用户,若是,则执行步骤218;若否,则流程结束。
步骤218:用户领取任务并使用对应的信用服务后,判断用户是否正常履约完成任务,若是,则执行步骤220及后续步骤224和步骤226;若否,则执行步骤222及后续步骤224和步骤226。
对于步骤218判断为正常履约完成任务的用户,可以记录该用户在请求使用该目标信用服务时的领取任务行为以及履约行为数据,从而使得,当该用户再次请求使用同一目标信用服务时,直接赋予该用户使用该目标信用服务的临时信用权限。
步骤220:若用户正常完成履约,则根据用户领取的测试任务对应的任务预设奖励信息,对用户的账户执行奖励操作。例如,具体奖励可以包括但不限于提升用户芝麻分等形式。
步骤222:若用户未正常完成履约,根据用户领取测试任务对应的任务预设惩罚信息,对用户的账户执行惩罚操作。例如,具体惩戒可以包括但不限于降低芝麻分、限制信用服务使用等形式。
步骤224:用户使用信用服务后的任务完成情况将沉淀为数据资产,根据用户的任务完成情况进行打标,未完成标为黑样本,已完成标为白样本。
步骤226:随着样本的不断积累,不断对前述步骤208中使用的人群筛选模型进行优化,以不断提升方案整体效果。
基于本说明书中一个或多个实施例的方案,至少可以达到的如下技术效果:
(1)通过在人群筛选模型二次筛选以及投放测试任务的情况下,赋予被风控规则拦截的部分用户获得使用信用服务的机会,一方面扩大准入覆盖,一方面保证整体的资损可控;
(2)对于信用评估不通过的用户,在该用户申请信用服务被拦截时,对该用户进行测试任务投放,起到了有效的信用教育作用,以促进用户在日常使用信用服务的过程中注重自身信用的积累和提升;
(3)根据用户领取任务后的完成情况不断积累数据样本,随着数据样本的积累不断优化对应的人群筛选模型,从而实现正向循环,不断提升整体效果。
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为本说明书实施例提供的对应于图1的一种弹性风控装置的结构示意图。如图3所示,该装置可以包括:
请求获取模块302,用于获取目标用户针对目标信用服务的使用请求;
第一判断模块304,用于响应于所述使用请求,判断所述目标用户是否具有使用所述目标信用服务的基础信用权限,得到第一判断结果;
筛选模块306,用于若所述第一判断结果表示所述目标用户不具有使用所述目标信用服务的基础信用权限,采用人群筛选模型进行筛选,得到筛选结果;所述人群筛选模型的训练数据至少包括用户对测试任务的执行结果数据;所述测试任务是分配至不具有使用预设信用服务的基础信用权限的用户的任务;
临时信用权限设置模块308,用于若所述筛选结果表示所述目标用户为可准入用户,则将所述目标用户设置为具有使用所述目标信用服务的临时信用权限;所述临时信用权限用于授权所述目标用户使用所述目标信用服务。
可以理解,上述的各模块是指计算机程序或者程序段,用于执行某一项或多项特定的功能。此外,上述各模块的区分并不代表实际的程序代码也必须是分开的。
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为本说明书实施例提供的对应于图1的一种弹性风控设备的结构示意图。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:
获取目标用户针对目标信用服务的使用请求;
响应于所述使用请求,判断所述目标用户是否具有使用所述目标信用服务的基础信用权限,得到第一判断结果;
若所述第一判断结果表示所述目标用户不具有使用所述目标信用服务的基础信用权限,采用人群筛选模型进行筛选,得到筛选结果;所述人群筛选模型的训练数据至少包括用户对测试任务的执行结果数据;所述测试任务是分配至不具有使用预设信用服务的基础信用权限的用户的任务;
若所述筛选结果表示所述目标用户为可准入用户,则将所述目标用户设置为具有使用所述目标信用服务的临时信用权限;所述临时信用权限用于授权所述目标用户使用所述目标信用服务。
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:
获取目标用户针对目标信用服务的使用请求;
响应于所述使用请求,判断所述目标用户是否具有使用所述目标信用服务的基础信用权限,得到第一判断结果;
若所述第一判断结果表示所述目标用户不具有使用所述目标信用服务的基础信用权限,采用人群筛选模型进行筛选,得到筛选结果;所述人群筛选模型的训练数据至少包括用户对测试任务的执行结果数据;所述测试任务是分配至不具有使用预设信用服务的基础信用权限的用户的任务;
若所述筛选结果表示所述目标用户为可准入用户,则将所述目标用户设置为具有使用所述目标信用服务的临时信用权限;所述临时信用权限用于授权所述目标用户使用所述目标信用服务。
上述对本说明书特定实施例进行了描述,在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
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。
本说明书实施例提供的装置、设备与方法是对应的,因此,装置、设备也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应装置、设备的有益技术效果。
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(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated 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:ARC625D、AtmelAT91SAM、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 (16)
1.一种弹性风控方法,包括:
获取目标用户针对目标信用服务的使用请求;
响应于所述使用请求,判断所述目标用户是否具有使用所述目标信用服务的基础信用权限,得到第一判断结果;
若所述第一判断结果表示所述目标用户不具有使用所述目标信用服务的基础信用权限,采用人群筛选模型进行筛选,得到筛选结果;所述人群筛选模型的训练数据至少包括用户对测试任务的执行结果数据;所述测试任务是分配至不具有使用预设信用服务的基础信用权限的用户的任务;
若所述筛选结果表示所述目标用户为可准入用户,则将所述目标用户设置为具有使用所述目标信用服务的临时信用权限;所述临时信用权限用于授权所述目标用户使用所述目标信用服务。
2.如权利要求1所述的方法,所述判断所述目标用户是否具有使用所述目标信用服务的基础信用权限,具体包括:
获取所述目标用户的信用评分;
判断所述信用评分是否大于或等于所述目标信用服务对应的信用分阈值。
3.如权利要求1所述的方法,所述采用人群筛选模型进行筛选,具体包括:
获取所述目标用户的信用评价数据;所述信用评价数据包括用户资质数据或用户行为数据中至少一者;所述用户行为数据包括所述目标用户对测试任务的执行结果数据;
从所述目标用户的所述信用评价数据中,提取出信用风险识别特征;
将提取出的所述信用风险识别特征作为输入数据输入至预设的人群筛选模型中进行计算;所述预设的人群筛选模型是基于从若干用户的信用评价数据中提取出的信用风险识别特征作为样本训练得到的;
基于所述人群筛选模型输出的计算结果,确定所述目标用户的信用服务准入类型;所述信用服务准入类型包括可准入用户或不可准入用户。
4.如权利要求3所述的方法,其中,
所述用户资质数据包括用户身份数据、用户资产数据或用户人脉数据中的至少一者;
所述用户行为数据包括用户交易行为数据、用户履约行为数据或用户操作行为数据中的至少一者。
5.如权利要求3所述的方法,所述将提取出的所述信用风险识别特征作为输入数据输入至预设的人群筛选模型中进行计算之前,还包括:
获取携带准入类型标签的若干用户的信用评价数据;所述准入类型标签包括用于表示用户为可准入用户的第一标签,或者用于表示用户为不可准入用户的第二标签;
从所述若干用户的所述信用评价数据中,提取出所述若干用户的信用风险识别特征;
将所述若干用户对应的信用风险识别特征和准入类型标签作为输入数据输入至待训练的人群筛选模型中,训练得到所述预设的人群筛选模型。
6.如权利要求1所述的方法,所述将所述目标用户设置为具有使用所述目标信用服务的临时信用权限之前,还包括:
若所述筛选结果表示所述目标用户为可准入用户,则向所述目标用户发送目标测试任务的领取提示信息;
获取所述目标用户对所述目标测试任务的领取请求;
响应于所述领取请求,在所述目标用户的账户下关联待执行的所述目标测试任务。
7.如权利要求6所述的方法,所述在所述目标用户的账户下关联待执行的所述目标测试任务之后,还包括:
获取所述目标用户针对所述目标测试任务的任务执行结果信息;所述任务执行结果信息包括用于表示所述目标用户已完成所述目标测试任务的第一结果信息,或者用于表示所述目标用户未完成所述目标测试任务的第二结果信息;
根据所述任务执行结果信息,为所述目标用户添加准入类型标签;所述准入类型标签包括用于将完成所述目标测试任务的用户标记为可准入用户的第一标签,或者,用于将未完成所述目标测试任务的用户标记为不可准入用户的第二标签;所述准入类型标签作为使用所述用户的信用评价数据训练所述人群筛选模型时的样本标签。
8.如权利要求7所述的方法,所述获取所述目标用户针对所述目标测试任务的任务执行结果信息,具体包括:
判断所述目标用户是否在预定任务期限内完成所述目标测试任务,得到第二判断结果;
若所述第二判断结果表示所述目标用户在所述预定任务期限内完成所述目标测试任务,则生成用于表示所述目标用户已完成所述目标测试任务的第一结果信息;
若所述第二判断结果表示所述目标用户未在所述预定任务期限内完成所述目标测试任务,则生成用于表示所述目标用户未完成所述目标测试任务的第二结果信息。
9.如权利要求7所述的方法,所述根据所述任务执行结果信息为所述目标用户添加准入类型标签之后,还包括:
获取所述目标用户的信用评价数据;
从所述目标用户的所述信用评价数据中,提取出信用风险识别特征;
将所述目标用户的所述信用风险识别特征和所述准入类型标签作为输入数据输入至预设的人群筛选模型中,优化所述预设的人群筛选模型。
10.如权利要求7所述的方法,所述获取所述目标用户针对所述目标测试任务的任务执行结果信息之后,还包括:
若所述目标用户已完成所述目标测试任务,则根据所述目标测试任务对应的任务预设奖励信息,对所述目标用户的账户执行奖励操作。
11.如权利要求7所述的方法,所述获取所述目标用户针对所述目标测试任务的任务执行结果信息之后,还包括:
若所述目标用户未完成所述目标测试任务,则根据所述目标测试任务对应的任务预设惩罚信息,对所述目标用户的账户执行惩罚操作。
12.如权利要求7所述的方法,所述获取所述目标用户针对所述目标测试任务的任务执行结果信息之后,还包括:
若所述任务执行结果信息表示所述目标用户已完成所述目标测试任务,则生成信用评估参考信息,所述信用评估参考信息包含所述目标信用服务的服务标识以及与所述服务标识对应的所述任务执行结果信息;
所述信用评估参考信息用于,当所述目标用户再次请求使用所述目标信用服务时,将所述目标用户设置为具有使用所述目标信用服务的临时信用权限。
13.如权利要求1所述的方法,所述人群筛选模型具体包括:提升树模型;
所述提升树模型具体包括:GBDT模型、XgBoost模型或LightGBM模型。
14.一种弹性风控装置,包括:
请求获取模块,用于获取目标用户针对目标信用服务的使用请求;
第一判断模块,用于响应于所述使用请求,判断所述目标用户是否具有使用所述目标信用服务的基础信用权限,得到第一判断结果;
筛选模块,用于若所述第一判断结果表示所述目标用户不具有使用所述目标信用服务的基础信用权限,采用人群筛选模型进行筛选,得到筛选结果;所述人群筛选模型的训练数据至少包括用户对测试任务的执行结果数据;所述测试任务是分配至不具有使用预设信用服务的基础信用权限的用户的任务;
临时信用权限设置模块,用于若所述筛选结果表示所述目标用户为可准入用户,则将所述目标用户设置为具有使用所述目标信用服务的临时信用权限;所述临时信用权限用于授权所述目标用户使用所述目标信用服务。
15.一种弹性风控设备,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:
获取目标用户针对目标信用服务的使用请求;
响应于所述使用请求,判断所述目标用户是否具有使用所述目标信用服务的基础信用权限,得到第一判断结果;
若所述第一判断结果表示所述目标用户不具有使用所述目标信用服务的基础信用权限,采用人群筛选模型进行筛选,得到筛选结果;所述人群筛选模型的训练数据至少包括用户对测试任务的执行结果数据;所述测试任务是分配至不具有使用预设信用服务的基础信用权限的用户的任务;
若所述筛选结果表示所述目标用户为可准入用户,则将所述目标用户设置为具有使用所述目标信用服务的临时信用权限;所述临时信用权限用于授权所述目标用户使用所述目标信用服务。
16.一种计算机可读介质,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13中任一项所述的风控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110687179.2A CN113344695B (zh) | 2021-06-21 | 2021-06-21 | 一种弹性风控方法、装置、设备和可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110687179.2A CN113344695B (zh) | 2021-06-21 | 2021-06-21 | 一种弹性风控方法、装置、设备和可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113344695A true CN113344695A (zh) | 2021-09-03 |
CN113344695B CN113344695B (zh) | 2022-06-03 |
Family
ID=77478337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110687179.2A Active CN113344695B (zh) | 2021-06-21 | 2021-06-21 | 一种弹性风控方法、装置、设备和可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344695B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115034888A (zh) * | 2022-06-16 | 2022-09-09 | 支付宝(杭州)信息技术有限公司 | 信用服务提供方法及装置 |
CN116702145A (zh) * | 2023-08-03 | 2023-09-05 | 中信消费金融有限公司 | 一种请求处理方法、装置、设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180189674A1 (en) * | 2016-12-30 | 2018-07-05 | Dustin Lundring Rigg Hillard | Processing real-time processing requests using machine learning models |
CN109409892A (zh) * | 2017-08-15 | 2019-03-01 | 凡普互金有限公司 | 风险评估方法和*** |
CN110689438A (zh) * | 2019-08-26 | 2020-01-14 | 深圳壹账通智能科技有限公司 | 企业类金融风险评分方法、装置、计算机设备及存储介质 |
CN111047220A (zh) * | 2019-12-27 | 2020-04-21 | 支付宝(杭州)信息技术有限公司 | 一种风控阈值条件确定方法、装置、设备和可读介质 |
CN111539711A (zh) * | 2020-04-24 | 2020-08-14 | 支付宝(杭州)信息技术有限公司 | 一种安全业务交易方法、装置及电子设备 |
CN111724083A (zh) * | 2020-07-21 | 2020-09-29 | 腾讯科技(深圳)有限公司 | 金融风险识别模型的训练方法、装置、计算机设备及介质 |
US20200357060A1 (en) * | 2019-05-10 | 2020-11-12 | Fair Ip, Llc | Rules/model-based data processing system for intelligent default risk prediction |
CN112150252A (zh) * | 2020-10-12 | 2020-12-29 | 支付宝(杭州)信息技术有限公司 | 基于信用的业务处理方法以及装置 |
CN112966113A (zh) * | 2021-03-31 | 2021-06-15 | 支付宝(杭州)信息技术有限公司 | 一种数据的风险防控方法、装置及设备 |
-
2021
- 2021-06-21 CN CN202110687179.2A patent/CN113344695B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180189674A1 (en) * | 2016-12-30 | 2018-07-05 | Dustin Lundring Rigg Hillard | Processing real-time processing requests using machine learning models |
CN109409892A (zh) * | 2017-08-15 | 2019-03-01 | 凡普互金有限公司 | 风险评估方法和*** |
US20200357060A1 (en) * | 2019-05-10 | 2020-11-12 | Fair Ip, Llc | Rules/model-based data processing system for intelligent default risk prediction |
CN110689438A (zh) * | 2019-08-26 | 2020-01-14 | 深圳壹账通智能科技有限公司 | 企业类金融风险评分方法、装置、计算机设备及存储介质 |
CN111047220A (zh) * | 2019-12-27 | 2020-04-21 | 支付宝(杭州)信息技术有限公司 | 一种风控阈值条件确定方法、装置、设备和可读介质 |
CN111539711A (zh) * | 2020-04-24 | 2020-08-14 | 支付宝(杭州)信息技术有限公司 | 一种安全业务交易方法、装置及电子设备 |
CN111724083A (zh) * | 2020-07-21 | 2020-09-29 | 腾讯科技(深圳)有限公司 | 金融风险识别模型的训练方法、装置、计算机设备及介质 |
CN112150252A (zh) * | 2020-10-12 | 2020-12-29 | 支付宝(杭州)信息技术有限公司 | 基于信用的业务处理方法以及装置 |
CN112966113A (zh) * | 2021-03-31 | 2021-06-15 | 支付宝(杭州)信息技术有限公司 | 一种数据的风险防控方法、装置及设备 |
Non-Patent Citations (2)
Title |
---|
孙权等: "基于数据挖掘的商户风险评分方法和***", 《软件产业与工程》 * |
徐向阳等: "基于聚类的个人信用评分模型研究", 《微计算机信息》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115034888A (zh) * | 2022-06-16 | 2022-09-09 | 支付宝(杭州)信息技术有限公司 | 信用服务提供方法及装置 |
CN116702145A (zh) * | 2023-08-03 | 2023-09-05 | 中信消费金融有限公司 | 一种请求处理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113344695B (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108492104B (zh) | 一种资源转移监测方法及装置 | |
CN109064175B (zh) | 一种账户盗用风险防控方法及装置 | |
CN109934706B (zh) | 一种基于图结构模型的交易风险控制方法、装置以及设备 | |
CN109118053B (zh) | 一种盗卡风险交易的识别方法和装置 | |
CN113344695B (zh) | 一种弹性风控方法、装置、设备和可读介质 | |
CN111341041B (zh) | 一种支付方式确定方法、装置、***及设备 | |
US11094008B2 (en) | Debt resolution planning platform for accelerating charge off | |
US11715102B2 (en) | Dynamically verifying a signature for a transaction | |
CN110674188A (zh) | 一种特征提取方法、装置及设备 | |
US11756037B2 (en) | Product analysis platform to perform a facial recognition analysis to provide information associated with a product to a user | |
CN113643119A (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN112200402B (zh) | 一种基于风险画像的风险量化方法、装置及设备 | |
CN112529584A (zh) | 交易纠纷数据处理方法、装置、设备及存储介质 | |
CN113837638A (zh) | 话术确定方法、装置及设备 | |
CN109635953A (zh) | 一种特征衍生方法、装置及电子设备 | |
CN111047220A (zh) | 一种风控阈值条件确定方法、装置、设备和可读介质 | |
CN112734436A (zh) | 一种支持人脸识别的终端以及方法 | |
CN112101939A (zh) | 基于区块链的节点管理方法及*** | |
CN114240101A (zh) | 一种风险识别模型的验证方法、装置以及设备 | |
CN112561681A (zh) | 确定潜在贷款企业的方法、装置、电子设备及存储介质 | |
CN110263817B (zh) | 一种基于用户账号的风险等级划分方法及装置 | |
CN111582872A (zh) | 异常账号检测模型训练、异常账号检测方法、装置及设备 | |
US11244336B2 (en) | Incentive management platform | |
CN113961704A (zh) | 一种基于文本的风险防控处理方法、装置及设备 | |
US20210374619A1 (en) | Sequential machine learning for data modification |
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 |