CN115375330A - 账户状态处理方法、装置、设备、介质和产品 - Google Patents
账户状态处理方法、装置、设备、介质和产品 Download PDFInfo
- Publication number
- CN115375330A CN115375330A CN202211031876.3A CN202211031876A CN115375330A CN 115375330 A CN115375330 A CN 115375330A CN 202211031876 A CN202211031876 A CN 202211031876A CN 115375330 A CN115375330 A CN 115375330A
- Authority
- CN
- China
- Prior art keywords
- account
- type
- list data
- data
- model
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 40
- 238000004590 computer program Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000011156 evaluation Methods 0.000 claims description 33
- 238000012550 audit Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 8
- 238000012216 screening Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 208000001613 Gambling Diseases 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种账户状态处理方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:首先获取账户清单数据以及获取预先训练得到的至少两个账户类型识别模型,然后分别通过账户类型识别模型对账户清单数据进行识别处理,得到各个账户的初始风险类型,接着根据各账户类型识别模型所得到的各个账户的初始风险类型,计算得到各个账户的目标风险类型,最后根据目标风险类型对各账户状态进行修改。本申请提供的方法,通过预先训练得到的至少两个账户类型识别模型对账户清单数据进行识别处理能够提高可疑账户处理效率。
Description
技术领域
本申请涉及大数据分析及挖掘技术领域,特别是涉及一种账户状态处理方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着国家高度重视打击治理电信网络诈骗和跨境赌博工作,各银行把纵深推进电信网络诈骗治理作为“为群众办实事”重要任务事项。
然而由于涉案账户数量越来越多,对于可疑账户的治理进入了急、难阶段,现有解决方案是利用人工逐个去处理可疑账户,这种解决方案不能有针对性地从可疑账户中识别出涉案账户,效率很低,而且浪费大量人力物力。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高可疑账户处理效率的账户状态处理方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种账户状态处理方法,所述方法包括:
获取账户清单数据;
获取预先训练得到的至少两个账户类型识别模型;
分别通过所述账户类型识别模型对所述账户清单数据进行识别处理,得到各个账户的初始风险类型;
根据各所述账户类型识别模型所得到的各个账户的初始风险类型,计算得到各个账户的目标风险类型;
根据所述目标风险类型对各账户状态进行修改。
在其中一个实施例中,所述根据所述目标风险类型对各账户状态进行修改,包括:
输出所述账户清单数据、所述初始风险类型以及所述目标风险类型至审核终端;
接收所述审核终端反馈的审核结果,所述审核结果是基于所述账户清单数据、所述初始风险类型以及所述目标风险类型进行审核得到的;
基于所述审核结果修改各账户状态。
在其中一个实施例中,所述基于所述审核结果修改各账户状态之后,包括:
基于所述审核结果以及所述目标风险类型得到模型评价指标;
将所述模型评价指标发送至模型训练平台,所述模型评价指标用于指示所述模型训练平台根据所述模型评价指标对所述账户清单数据进行筛选,得到新的模型训练数据,并基于所述新的模型训练数据对各所述账户类型识别模型进行更新。
在其中一个实施例中,所述获取账户清单数据,包括:
从数据平台同步账户历史清单数据;
根据预设时间周期轮询所述数据平台获取各所述账户的新增清单数据;
根据所述历史清单数据和所述新增清单数据确定所述账户清单数据。
在其中一个实施例中,所述获取预先训练得到的至少两个账户类型识别模型之前,还包括:
从所述账户清单数据提取账户基本信息和账户交易信息;
根据所述账户基本信息和所述账户交易信息计算得到账户特征。
在其中一个实施例中,所述分别通过所述账户类型识别模型对所述账户清单数据进行识别处理,得到各个账户的初始风险类型,包括:
分别获取各所述账户类型识别模型对应的账户特征;
分别将所获取的所述账户特征输入至对应的所述账户类型识别模型中得到各个账户的初始风险类型。
在其中一个实施例中,根据各所述账户类型识别模型所得到的各个账户的初始风险类型,计算得到各个账户的目标风险类型,包括:
当所述账户对应的各初始风险类型均为目标类型时,确定所述账户的目标风险类型为第一类型;
当所述账户对应的各初始风险类型中的一个为目标类型时,确定所述账户的目标风险类型为第二类型,所述第一类型的风险高于所述第二类型。
第二方面,本申请还提供了一种账户状态处理装置,所述装置包括:
第一获取模块,用于获取账户清单数据;
第二获取模块,用于获取预先训练得到的至少两个账户类型识别模型;
识别处理模块,用于分别通过所述账户类型识别模型对所述账户清单数据进行识别处理,得到各个账户的初始风险类型;
计算模块,用于根据各所述账户类型识别模型所得到的各个账户的初始风险类型,计算得到各个账户的目标风险类型;
修改模块,用于根据所述目标风险类型对各账户状态进行修改。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述的任意一个实施例中的方法的步骤。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的任意一个实施例中的方法的步骤。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述的任意一个实施例中的方法的步骤。
上述账户状态处理方法、装置、计算机设备、存储介质和计算机程序产品,首先获取账户清单数据以及获取预先训练得到的至少两个账户类型识别模型,然后分别通过账户类型识别模型对账户清单数据进行识别处理,得到各个账户的初始风险类型,接着根据各账户类型识别模型所得到的各个账户的初始风险类型,计算得到各个账户的目标风险类型,最后根据目标风险类型对各账户状态进行修改。本申请提供的方法,通过预先训练得到的至少两个账户类型识别模型对账户清单数据进行识别处理能够提高可疑账户处理效率。
附图说明
图1为一个实施例中账户状态处理方法的流程示意图;
图2为一个实施例中账户特征的示意图;
图3为一个实施例中账户状态处理方法的原理图;
图4为一个实施例中账户状态处理装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种账户状态处理方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的***,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
S101、获取账户清单数据。
账户清单数据包括个人账户的账户基本信息和账户交易信息,例如,账户清单数据如表1所示:
表1
中文含义 | 数据量 |
帐户历史明细主表 | 近三个月的数据,约1800万条 |
账户登记簿 | 近一年的数据,约3.6亿条数据。 |
WAP手机银行附属表 | 月末全量 |
个人客户持有产品统计信息(总行) | 月末全量 |
个人客户基本信息 | 月末全量 |
个人手机银行聚合 | 月末全量 |
***聚合 | 月末全量 |
服务器从总行数据湖获取总行数据湖内存储的所有客户的账户清单数据,然后通过特色对接总行接口将账户清单数据传输至分行大数据服务云,接着在分行大数据服务云内根据账户清单数据对风险账户进行识别筛选,其中,总行数据湖是对整个银行的所有数据进行统一存储,分行大数据服务云用于从总行数据湖获取并存储所需的数据,并对获取的数据进行处理。
S102、获取预先训练得到的至少两个账户类型识别模型。
账户类型识别模型是根据从总行数据湖获取的账户清单数据对账户清单数据对应的账户进行识别筛选的模型。在对账户进行筛选之前,服务器会利用历史风险账户清单数据经过训练得到账户类型识别模型,其中,历史风险账户清单数据是在本次获取账户清单数据之前人工或者利用筛选模型确定的风险账户对应的账户清单数据。设置至少两个账户类型识别模型能够使得对账户的筛选结果更加准确。
S103、分别通过账户类型识别模型对账户清单数据进行识别处理,得到各个账户的初始风险类型。
服务器利用账户类别识别模型对账户清单数据进行处理,从而识别出可能具有风险的账户,并确定每个可能具有风险的账户对应的初始风险类型,例如,账户类别识别模型为频繁交易模型和多进少出模型,则初始风险类型包括账户没有风险、账户满足频繁交易模型、账户满足多进少出模型以及账户同时满足两个识别模型中的一种或多种。
其中,频繁交易模型包括:①借方当日平均金额>=参数值1;贷方当日平均金额>=参数值2;②同一日内发生过a次同名账户快进快出:入账与出账时间差大于等于b、小于等于c分钟;③借方当日平均金额/贷方当日平均金额大于等于参数值3且小于等于参数值4;④该卡客户在我行日均负债金额低于参数值d元。
多进少出模型包括:①当日中账户交易金额小于等于参数5,且交易注释为“转账”、“购买”、“第三方支付”三个值之一;②当日中账户通过“银行清算”、“第三方支付”、“其他银行”之一渠道转入大于等于参数6的金额;③当日中账户发生过一笔大于等于参数7的交易;④当日中,转入金额=转出金额;⑤当日中,账户发生的交易顺序需按上述前四步先后发生,也即分别触发了第一步、再触发第二步、再触发第三步、再触发第四步。
在其他实施例中,频繁交易模型和多进少出模型也可以为其他的,再次不做具体限定。
S104、根据各账户类型识别模型所得到的各个账户的初始风险类型,计算得到各个账户的目标风险类型。
由于账户类别识别模型识别出来的初始风险类型还可能包括没有风险的账户,因此在确定初始风险类型之后,服务器还需要将初始风险类型对应的账户以及账户对应的账户清单数据发送至审核终端,由审核终端进行进一步的审核确认,最终得到目标风险类型对应的账户,其中,目标风险类型对应的账户不包括没有风险的账户。
S105、根据目标风险类型对各账户状态进行修改。
在确定目标风险类型对应的账户之后,还可以根据账户所属的目标风险类型对账户状态进行修改,例如,目标风险类型包括账户满足频繁交易模型、账户满足多进少出模型以及账户同时满足两个识别模型中的一种或多种,当账户满足频繁交易模型或者账户满足多进少出模型时,对账户进行降级处理,当账户同时满足两个识别模型时,对账户进行止收止付管控。
上述账户状态处理方法中,首先获取账户清单数据以及获取预先训练得到的至少两个账户类型识别模型,然后分别通过账户类型识别模型对账户清单数据进行识别处理,得到各个账户的初始风险类型,接着根据各账户类型识别模型所得到的各个账户的初始风险类型,计算得到各个账户的目标风险类型,最后根据目标风险类型对各账户状态进行修改。本申请提供的方法,通过预先训练得到的至少两个账户类型识别模型对账户清单数据进行识别处理能够提高可疑账户处理效率。
在一些实施例中,根据目标风险类型对各账户状态进行修改,包括:输出账户清单数据、初始风险类型以及目标风险类型至审核终端;接收审核终端反馈的审核结果,审核结果是基于账户清单数据、初始风险类型以及目标风险类型进行审核得到的;基于审核结果修改各账户状态。
本步骤中,服务器将账户清单数据、初始风险类型以及目标风险类型输出至审核终端,然后接收评估人员在审核终端最终确定的目标风险类型对应的账户,并对目标风险类型对应的账户进行状态调整处理,当账户满足频繁交易模型或者账户满足多进少出模型时,对账户进行降级处理,当账户同时满足两个识别模型时,对账户进行止收止付管控。
本步骤提供的方法,通过评估人员对可能具有风险的账户进行进一步确认,能够提高对风险账户识别的准确性;对最终确定具有风险的账户进行相应的状态调整处理,能够有效地控制电信诈骗以及网络赌博的情况。
在一些实施例中,基于审核结果修改各账户状态之后,包括:基于审核结果以及目标风险类型得到模型评价指标;将模型评价指标发送至模型训练平台,模型评价指标用于指示模型训练平台根据模型评价指标对账户清单数据进行筛选,得到新的模型训练数据,并基于新的模型训练数据对各账户类型识别模型进行更新。
本步骤中,服务器对最终审核确认的目标风险类型对应的账户的账户清单数据给予评价指标1,对最终审核确认初始风险类型对应的账户中没有风险的账户的账户清单数据给予评价指标0,然后将得到的评价指标发送至模型训练平台,评价指标为0时,不对账户类型识别模型进行训练,评价指标为1时,模型训练平台根据目标风险类型对应的账户的账户清单数据对账户类型识别模型进行训练得到新的账户类型识别模型。
本步骤提供的方法,基于审核结果以及目标风险模型对账户类型识别模型进行训练更新,能够有效提高模型的精准度。
在一些实施例中,获取账户清单数据,包括:从数据平台同步账户历史清单数据;根据预设时间周期轮询数据平台获取各账户的新增清单数据;根据历史清单数据和新增清单数据确定账户清单数据。
本步骤中,首先服务器会从总行大数据湖获取所有账户的历史清单数据,然后定期轮询总行大数据湖获取个账户新增的清单数据,例如,服务器每隔一天从大数据湖获取当天所有账户新增的清单数据。历史清单数据和所有新增的清单数据合起来就是账户清单数据。
本步骤提供的方法,会获取历史清单数据和新增清单数据,这样获得的数据更全面,能够更有效的提高模型精确度。
在一些实施例中,获取预先训练得到的至少两个账户类型识别模型之前,还包括:从账户清单数据提取账户基本信息和账户交易信息;根据账户基本信息和账户交易信息计算得到账户特征。
本步骤中,账户的基本信息包括客户的性别、年龄、客户编号建立日期、身份信息核实结果等信息,账户交易信息包括交易对手、交易信息以及业务开通情况等信息,在其他实施例中,账户基本信息和账户交易信息也可以为其他的,在此不做具体限定,然后根据账户基本信息和账户交易信息确定账户特征,其中,账户特征是账户基本信息和账户交易信息所对应的特征,用于对后续根据账户类型识别模型确定各个账户的初始风险类型,账户特征的示意图如图2所示。
本步骤提供的方法,通过账户清单数据的账户基本信息和账户交易信息确定账户特征,能够提高后续根据账户类型识别模型确定各个账户的初始风险类型的效率。
在一些实施例中,分别通过账户类型识别模型对账户清单数据进行识别处理,得到各个账户的初始风险类型,包括:分别获取各账户类型识别模型对应的账户特征;分别将所获取的账户特征输入至对应的账户类型识别模型中得到各个账户的初始风险类型。
本步骤中,服务器将账户特征对应的数据输入至账户类型识别模型中,账户类型识别模型根据账户特征确定各个账户的初始风险类型,其中,账户类别识别模型为频繁交易模型和多进少出模型。
本步骤提供的方法,能够更精确的确定初始风险类型。
在一些实施例中,根据各账户类型识别模型所得到的各个账户的初始风险类型,计算得到各个账户的目标风险类型,包括:当账户对应的各初始风险类型均为目标类型时,确定账户的目标风险类型为第一类型;当账户对应的各初始风险类型中的一个为目标类型时,确定账户的目标风险类型为第二类型,第一类型的风险高于第二类型。
本步骤中,目标类型指的是满足账户类型识别模型的账户所对应的风险类型,若初始风险类型所对应的账户同时满足频繁交易模型和多进少出模型,则确定账户的目标风险类型为第一类型,若初始风险类型所对应的账户满足频繁交易模型或者多进少出模型,则确定账户的目标风险类型为第二类型。
本步骤中,通过判断账户具体属于哪种风险类型,能够对不同风险账户进行相应的处理,对风险账户的处理更加准确高效。
在一个实施例中,如图3所示,为一个账户状态处理方法的原理图。服务器先从总行大数据湖获取账户清单数据,然后根据账户清单数据中的账户基本信息和账户交易信息确定账户特征,并根据账户特征和预设的账户类型识别模型对账户清单数据进行筛选处理,得到各个账户的初始风险类型,接着根据各账户类型识别模型所得到的各个账户的初始风险类型,计算得到各个账户的目标风险类型,最后根据目标风险类型对各账户状态进行修改,并根据目标风险类型对账户类型识别模型进行识别更新。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的账户状态处理方法的账户状态处理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个账户状态处理装置实施例中的具体限定可以参见上文中对于账户状态处理方法的限定,在此不再赘述。
在一个实施例中,如图4所示,提供了一种账户状态处理装置400,包括:第一获取模块401、第二获取模块402、识别处理模块403、计算模块404和修改模块405,其中:
第一获取模块401,用于获取账户清单数据。
第二获取模块402,用于获取预先训练得到的至少两个账户类型识别模型。
识别处理模块403,用于分别通过账户类型识别模型对账户清单数据进行识别处理,得到各个账户的初始风险类型。
计算模块404,用于根据各账户类型识别模型所得到的各个账户的初始风险类型,计算得到各个账户的目标风险类型。
修改模块405,用于根据目标风险类型对各账户状态进行修改。
在一个实施例中,修改模块405还用于:输出账户清单数据、初始风险类型以及目标风险类型至审核终端;接收审核终端反馈的审核结果,审核结果是基于账户清单数据、初始风险类型以及目标风险类型进行审核得到的;基于审核结果修改各账户状态。
在一个实施例中,基于审核结果修改各账户状态之后,账户状态处理装置400具体用于:基于审核结果以及目标风险类型得到模型评价指标;将模型评价指标发送至模型训练平台,模型评价指标用于指示模型训练平台根据模型评价指标对账户清单数据进行筛选,得到新的模型训练数据,并基于新的模型训练数据对各账户类型识别模型进行更新。
在一个实施例中,第一获取模块401还用于:从数据平台同步账户历史清单数据;根据预设时间周期轮询数据平台获取各账户的新增清单数据;根据历史清单数据和新增清单数据确定账户清单数据。
在一个实施例中,获取预先训练得到的至少两个账户类型识别模型之前,账户状态处理装置400还用于:从账户清单数据提取账户基本信息和账户交易信息;根据账户基本信息和账户交易信息计算得到账户特征。
在一个实施例中,识别处理模块403还用于:分别获取各账户类型识别模型对应的账户特征;分别将所获取的账户特征输入至对应的账户类型识别模型中得到各个账户的初始风险类型。
在一个实施例中,计算模块404还用于当账户对应的各初始风险类型均为目标类型时,确定账户的目标风险类型为第一类型;当账户对应的各初始风险类型中的一个为目标类型时,确定账户的目标风险类型为第二类型,第一类型的风险高于第二类型。
上述账户状态处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储账户清单数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种账户状态处理方法。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取账户清单数据;获取预先训练得到的至少两个账户类型识别模型;分别通过账户类型识别模型对账户清单数据进行识别处理,得到各个账户的初始风险类型;根据各账户类型识别模型所得到的各个账户的初始风险类型,计算得到各个账户的目标风险类型;根据目标风险类型对各账户状态进行修改。
在一个实施例中,处理器执行计算机程序时所实现的根据目标风险类型对各账户状态进行修改,包括:输出账户清单数据、初始风险类型以及目标风险类型至审核终端;接收审核终端反馈的审核结果,审核结果是基于账户清单数据、初始风险类型以及目标风险类型进行审核得到的;基于审核结果修改各账户状态。
在一个实施例中,处理器执行计算机程序时所实现的基于审核结果修改各账户状态之后,包括:基于审核结果以及目标风险类型得到模型评价指标;将模型评价指标发送至模型训练平台,模型评价指标用于指示模型训练平台根据模型评价指标对账户清单数据进行筛选,得到新的模型训练数据,并基于新的模型训练数据对各账户类型识别模型进行更新。
在一个实施例中,处理器执行计算机程序时所实现的获取账户清单数据,包括:从数据平台同步账户历史清单数据;根据预设时间周期轮询数据平台获取各账户的新增清单数据;根据历史清单数据和新增清单数据确定账户清单数据。
在一个实施例中,处理器执行计算机程序时所实现的获取预先训练得到的至少两个账户类型识别模型之前,还包括:从账户清单数据提取账户基本信息和账户交易信息;根据账户基本信息和账户交易信息计算得到账户特征。
在一个实施例中,处理器执行计算机程序时所实现的分别通过账户类型识别模型对账户清单数据进行识别处理,得到各个账户的初始风险类型,包括:分别获取各账户类型识别模型对应的账户特征;分别将所获取的账户特征输入至对应的账户类型识别模型中得到各个账户的初始风险类型。
在一个实施例中,处理器执行计算机程序时所实现的根据各账户类型识别模型所得到的各个账户的初始风险类型,计算得到各个账户的目标风险类型,包括:
当账户对应的各初始风险类型均为目标类型时,确定账户的目标风险类型为第一类型;当账户对应的各初始风险类型中的一个为目标类型时,确定账户的目标风险类型为第二类型,第一类型的风险高于第二类型。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取账户清单数据;获取预先训练得到的至少两个账户类型识别模型;分别通过账户类型识别模型对账户清单数据进行识别处理,得到各个账户的初始风险类型;根据各账户类型识别模型所得到的各个账户的初始风险类型,计算得到各个账户的目标风险类型;根据目标风险类型对各账户状态进行修改。
在一个实施例中,计算机程序被处理器执行时所实现的根据目标风险类型对各账户状态进行修改,包括:输出账户清单数据、初始风险类型以及目标风险类型至审核终端;接收审核终端反馈的审核结果,审核结果是基于账户清单数据、初始风险类型以及目标风险类型进行审核得到的;基于审核结果修改各账户状态。
在一个实施例中,计算机程序被处理器执行时所实现的基于审核结果修改各账户状态之后,包括:基于审核结果以及目标风险类型得到模型评价指标;将模型评价指标发送至模型训练平台,模型评价指标用于指示模型训练平台根据模型评价指标对账户清单数据进行筛选,得到新的模型训练数据,并基于新的模型训练数据对各账户类型识别模型进行更新。
在一个实施例中,计算机程序被处理器执行时所实现的获取账户清单数据,包括:从数据平台同步账户历史清单数据;根据预设时间周期轮询数据平台获取各账户的新增清单数据;根据历史清单数据和新增清单数据确定账户清单数据。
在一个实施例中,计算机程序被处理器执行时所实现的获取预先训练得到的至少两个账户类型识别模型之前,还包括:从账户清单数据提取账户基本信息和账户交易信息;根据账户基本信息和账户交易信息计算得到账户特征。
在一个实施例中,计算机程序被处理器执行时所实现的分别通过账户类型识别模型对账户清单数据进行识别处理,得到各个账户的初始风险类型,包括:分别获取各账户类型识别模型对应的账户特征;分别将所获取的账户特征输入至对应的账户类型识别模型中得到各个账户的初始风险类型。
在一个实施例中,计算机程序被处理器执行时所实现的根据各账户类型识别模型所得到的各个账户的初始风险类型,计算得到各个账户的目标风险类型,包括:当账户对应的各初始风险类型均为目标类型时,确定账户的目标风险类型为第一类型;当账户对应的各初始风险类型中的一个为目标类型时,确定账户的目标风险类型为第二类型,第一类型的风险高于第二类型。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取账户清单数据;获取预先训练得到的至少两个账户类型识别模型;分别通过账户类型识别模型对账户清单数据进行识别处理,得到各个账户的初始风险类型;根据各账户类型识别模型所得到的各个账户的初始风险类型,计算得到各个账户的目标风险类型;根据目标风险类型对各账户状态进行修改。
在一个实施例中,计算机程序被处理器执行时所实现的根据目标风险类型对各账户状态进行修改,包括:输出账户清单数据、初始风险类型以及目标风险类型至审核终端;接收审核终端反馈的审核结果,审核结果是基于账户清单数据、初始风险类型以及目标风险类型进行审核得到的;基于审核结果修改各账户状态。
在一个实施例中,计算机程序被处理器执行时所实现的基于审核结果修改各账户状态之后,包括:基于审核结果以及目标风险类型得到模型评价指标;将模型评价指标发送至模型训练平台,模型评价指标用于指示模型训练平台根据模型评价指标对账户清单数据进行筛选,得到新的模型训练数据,并基于新的模型训练数据对各账户类型识别模型进行更新。
在一个实施例中,计算机程序被处理器执行时所实现的获取账户清单数据,包括:从数据平台同步账户历史清单数据;根据预设时间周期轮询数据平台获取各账户的新增清单数据;根据历史清单数据和新增清单数据确定账户清单数据。
在一个实施例中,计算机程序被处理器执行时所实现的获取预先训练得到的至少两个账户类型识别模型之前,还包括:从账户清单数据提取账户基本信息和账户交易信息;根据账户基本信息和账户交易信息计算得到账户特征。
在一个实施例中,计算机程序被处理器执行时所实现的分别通过账户类型识别模型对账户清单数据进行识别处理,得到各个账户的初始风险类型,包括:分别获取各账户类型识别模型对应的账户特征;分别将所获取的账户特征输入至对应的账户类型识别模型中得到各个账户的初始风险类型。
在一个实施例中,计算机程序被处理器执行时所实现的根据各账户类型识别模型所得到的各个账户的初始风险类型,计算得到各个账户的目标风险类型,包括:当账户对应的各初始风险类型均为目标类型时,确定账户的目标风险类型为第一类型;当账户对应的各初始风险类型中的一个为目标类型时,确定账户的目标风险类型为第二类型,第一类型的风险高于第二类型。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (11)
1.一种账户状态处理方法,其特征在于,所述方法包括:
获取账户清单数据;
获取预先训练得到的至少两个账户类型识别模型;
分别通过所述账户类型识别模型对所述账户清单数据进行识别处理,得到各个账户的初始风险类型;
根据各所述账户类型识别模型所得到的各个账户的初始风险类型,计算得到各个账户的目标风险类型;
根据所述目标风险类型对各账户状态进行修改。
2.根据权利要求1所述的方法,其特征在于,所述根据所述目标风险类型对各账户状态进行修改,包括:
输出所述账户清单数据、所述初始风险类型以及所述目标风险类型至审核终端;
接收所述审核终端反馈的审核结果,所述审核结果是基于所述账户清单数据、所述初始风险类型以及所述目标风险类型进行审核得到的;
基于所述审核结果修改各账户状态。
3.根据权利要求2所述的方法,其特征在于,所述基于所述审核结果修改各账户状态之后,包括:
基于所述审核结果以及所述目标风险类型得到模型评价指标;
将所述模型评价指标发送至模型训练平台,所述模型评价指标用于指示所述模型训练平台根据所述模型评价指标对所述账户清单数据进行筛选,得到新的模型训练数据,并基于所述新的模型训练数据对各所述账户类型识别模型进行更新。
4.根据权利要求1所述的方法,其特征在于,所述获取账户清单数据,包括:
从数据平台同步账户历史清单数据;
根据预设时间周期轮询所述数据平台获取各所述账户的新增清单数据;
根据所述历史清单数据和所述新增清单数据确定所述账户清单数据。
5.根据权利要求1所述的方法,其特征在于,所述获取预先训练得到的至少两个账户类型识别模型之前,还包括:
从所述账户清单数据提取账户基本信息和账户交易信息;
根据所述账户基本信息和所述账户交易信息计算得到账户特征。
6.根据权利要求1所述的方法,其特征在于,所述分别通过所述账户类型识别模型对所述账户清单数据进行识别处理,得到各个账户的初始风险类型,包括:
分别获取各所述账户类型识别模型对应的账户特征;
分别将所获取的所述账户特征输入至对应的所述账户类型识别模型中得到各个账户的初始风险类型。
7.根据权利要求1所述的方法,其特征在于,根据各所述账户类型识别模型所得到的各个账户的初始风险类型,计算得到各个账户的目标风险类型,包括:
当所述账户对应的各初始风险类型均为目标类型时,确定所述账户的目标风险类型为第一类型;
当所述账户对应的各初始风险类型中的一个为目标类型时,确定所述账户的目标风险类型为第二类型,所述第一类型的风险高于所述第二类型。
8.一种账户状态处理装置,其特征在于,所述装置包括:
第一获取模块,用于获取账户清单数据;
第二获取模块,用于获取预先训练得到的至少两个账户类型识别模型;
识别处理模块,用于分别通过所述账户类型识别模型对所述账户清单数据进行识别处理,得到各个账户的初始风险类型;
计算模块,用于根据各所述账户类型识别模型所得到的各个账户的初始风险类型,计算得到各个账户的目标风险类型;
修改模块,用于根据所述目标风险类型对各账户状态进行修改。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
11.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211031876.3A CN115375330A (zh) | 2022-08-26 | 2022-08-26 | 账户状态处理方法、装置、设备、介质和产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211031876.3A CN115375330A (zh) | 2022-08-26 | 2022-08-26 | 账户状态处理方法、装置、设备、介质和产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115375330A true CN115375330A (zh) | 2022-11-22 |
Family
ID=84066920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211031876.3A Pending CN115375330A (zh) | 2022-08-26 | 2022-08-26 | 账户状态处理方法、装置、设备、介质和产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115375330A (zh) |
-
2022
- 2022-08-26 CN CN202211031876.3A patent/CN115375330A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110503564B (zh) | 基于大数据的保全案件处理方法、***、设备及存储介质 | |
CN110097451B (zh) | 一种银行业务的监控方法及装置 | |
CN109919608B (zh) | 一种高危交易主体的识别方法、装置及服务器 | |
CN109377214A (zh) | 一种支付方法、计算机可读存储介质及服务器 | |
US20220207295A1 (en) | Predicting occurrences of temporally separated events using adaptively trained artificial intelligence processes | |
CN110796539A (zh) | 一种征信评估方法及装置 | |
WO2022213194A1 (en) | Predicting service-specific attrition events using trained artificial-intelligence processes | |
US20220318573A1 (en) | Predicting targeted, agency-specific recovery events using trained artificial intelligence processes | |
US20220277227A1 (en) | Predicting occurrences of targeted classes of events using trained artificial-intelligence processes | |
CN115630221A (zh) | 终端应用界面展示数据处理方法、装置及计算机设备 | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
WO2022140837A1 (en) | Prediction of future occurrences of events using adaptively trained artificial-intelligence processes | |
CN113313580A (zh) | 可疑交易筛选方法、装置、电子设备和存储介质 | |
CN117094764A (zh) | 银行积分处理方法及装置 | |
CN112308623A (zh) | 基于监督学习的优质客户流失预测方法、装置及存储介质 | |
CN115375330A (zh) | 账户状态处理方法、装置、设备、介质和产品 | |
CA3211768A1 (en) | Predicting occurrences of future events using trained artificial-intelligence processes and normalized feature data | |
US20220318617A1 (en) | Predicting future events of predetermined duration using adaptively trained artificial-intelligence processes | |
CN114693428A (zh) | 数据确定方法、装置、计算机可读存储介质及电子设备 | |
CN112734352A (zh) | 一种基于数据维度的单据审核方法和装置 | |
US11361267B1 (en) | System and method for determining loss resulting from data privacy and security breach | |
CN115393047A (zh) | 风险评估方法、装置、计算机设备和存储介质 | |
CN116883155A (zh) | 应用于汽车供应链的银行授信额度判断方法、装置和设备 | |
CN115936843A (zh) | ***的管理方法、装置和*** | |
CN117876089A (zh) | 资产处理方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |