CN115545353B - 一种业务风控的方法、装置、存储介质及电子设备 - Google Patents
一种业务风控的方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN115545353B CN115545353B CN202211508341.0A CN202211508341A CN115545353B CN 115545353 B CN115545353 B CN 115545353B CN 202211508341 A CN202211508341 A CN 202211508341A CN 115545353 B CN115545353 B CN 115545353B
- Authority
- CN
- China
- Prior art keywords
- data
- service
- type
- prediction model
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书公开了一种业务风控的方法、装置、存储介质及电子设备,首先,获取业务数据。其次,针对业务数据中包含的每种类型的数据,将该种类型的数据输入到预先训练的预测模型中该类型对应的编码层中,得到该种类型的数据对应的数据特征。而后,将各种类型的数据特征输入到影响性确定层中,以确定每种类型的数据对预测模型输出的结果的影响程度。然后,将影响程度以及各种类型的数据特征输入到预测层中,以预测业务数据对应业务的业务提供方按照业务数据执行的业务的业务类别,作为预测类别。最后,根据预测类别以及业务提供方约定的所提供的业务的业务类别,进行业务风控。本方法可以减少人工审核数据的成本,并且,提高了预测类别的准确率。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种业务风控的方法、装置、存储介质及电子设备。
背景技术
随着互联网技术的发展,通过网络进行线上交易,例如转账、网购等越来越普遍,然而通过网络进行线上交易为用户带来便利的同时,也存在一定的安全隐患,部分商户可能利用自身的商户身份进行不法活动,甚至可能会出现泄漏用户隐私的情况。
目前,通常通过人工审核商户的订单信息,判断商户是否按照约定的业务类别进行经营活动。但是,人工审核需要的人力成本较大且准确率较低。
因此,如何能够提高判断商户是否按照约定的业务类别进行经营活动的准确率,则是一个亟待解决的问题。
发明内容
本说明书提供一种业务风控的方法、装置、存储介质及电子设备,以解决人工审核需要的人力成本较大且准确率较低的问题。
本说明书采用下述技术方案:
本说明书提供了一种业务风控的方法,包括:
获取业务数据,所述业务数据中包含有不同类型的数据;
针对所述业务数据中包含的每种类型的数据,将该种类型的数据输入到预先训练的预测模型中该类型对应的编码层中,得到该种类型的数据对应的数据特征,所述预测模型中包含有多个编码层,不同的编码层对应不同类型的数据;
将各种类型的数据特征输入到所述预测模型中包含的影响性确定层中,以确定每种类型的数据对所述预测模型输出的结果的影响程度;
将所述影响程度以及所述各种类型的数据特征输入到所述预测模型中的数据处理层中,以通过所述影响程度对各种类型的数据特征进行数据处理,得到处理后特征,并将所述处理后特征输入到所述预测模型中的预测层中,以预测所述业务数据对应业务的业务提供方按照所述业务数据执行的业务的业务类别,作为预测类别;
根据所述预测类别以及所述业务提供方约定的所提供的业务的业务类别,进行业务风控。
可选地,所述业务数据中包含的不同类型的数据包括:时序数据,所述时序数据是按照时间的先后顺序将所述业务提供方的订单数据进行排序后得到的;
针对所述业务数据中包含的每种类型的数据,将该种类型的数据输入到预先训练的预测模型中该类型对应的编码层中,得到该种类型的数据对应的数据特征,具体包括:
将所述时序数据输入到预先训练的预测模型中所述时序数据对应的编码层中,确定各时刻的订单数据对应的业务特征以及各时刻的订单数据对应的权重,其中,当前时刻的订单数据对应的权重大于历史时刻的订单数据对应的权重;
根据各时刻的订单数据对应的业务特征以及各时刻的订单数据对应的权重,确定所述时序数据对应的数据特征。
可选地,所述预测模型包含有各种类型的数据特征对应的影响性确定层;
将各种类型的数据特征输入到所述预测模型中包含的影响性确定层中,以确定每种类型的数据对所述预测模型输出的结果的影响程度,具体包括:
针对每种类型的数据特征,将该种类型的数据特征输入到该种类型的数据特征对应的影响性确定层中,确定该种类型的数据对所述预测模型输出的结果的影响程度。
可选地,所述预测模型包含有特征提取层;
将所述影响程度以及所述各种类型的数据特征输入到所述预测模型中的数据处理层中,以通过所述影响程度对各种类型的数据特征进行数据处理,得到处理后特征,并将所述处理后特征输入到所述预测模型中的预测层中,以预测所述业务数据对应业务的业务提供方按照所述业务数据执行的业务的业务类别,作为预测类别,具体包括:
对各种类型的数据特征进行拼接,得到拼接特征,并将所述拼接特征输入到所述特征提取层中,以对所述拼接特征进行特征交叉,得到融合特征;
将所述影响程度以及所述各种类型的数据特征输入到所述预测模型中的数据处理层中,以通过所述影响程度对各种类型的数据特征进行数据处理,得到处理后特征,并将所述处理后特征以及所述融合特征输入到所述预测模型中的预测层中,以预测所述业务数据对应业务的业务提供方按照所述业务数据执行的业务的业务类别,作为预测类别。
可选地,训练预测模型,包括:
获取样本业务数据;
针对所述样本业务数据中包含的每种类型的样本数据,将该种类型的样本数据输入到待训练的预测模型中该类型对应的编码层中,得到该种类型的样本数据对应的数据特征;
将各种类型的样本数据对应的数据特征输入到所述预测模型中包含的影响性确定层中,以确定每种类型的样本数据对所述预测模型输出的结果的影响程度;
将所述各种类型的样本数据对所述预测模型输出的结果的影响程度以及所述各种类型的样本数据对应的数据特征输入到所述预测模型中的数据处理层中,以通过所述各种类型的样本数据对所述预测模型输出的结果的影响程度对各种类型的样本数据对应的数据特征进行数据处理,得到处理后样本特征,并将所述处理后样本特征输入到所述预测模型中的预测层中,以预测所述样本业务数据对应业务的业务提供方按照所述样本业务数据执行的业务的业务类别,作为预测类别;
以最小化所述样本业务数据对应的预测类别以及所述样本业务数据对应的标签信息之间的偏差,对所述预测模型进行训练。
本说明书提供了一种业务风控的装置,包括:
获取模块,用于获取业务数据,所述业务数据中包含有不同类型的数据;
输入模块,用于针对所述业务数据中包含的每种类型的数据,将该种类型的数据输入到预先训练的预测模型中该类型对应的编码层中,得到该种类型的数据对应的数据特征,所述预测模型中包含有多个编码层,不同的编码层对应不同类型的数据;
确定模块,用于将各种类型的数据特征输入到所述预测模型中包含的影响性确定层中,以确定每种类型的数据对所述预测模型输出的结果的影响程度;
预测模块,用于将所述影响程度以及所述各种类型的数据特征输入到所述预测模型中的数据处理层中,以通过所述影响程度对各种类型的数据特征进行数据处理,得到处理后特征,并将所述处理后特征输入到所述预测模型中的预测层中,以预测所述业务数据对应业务的业务提供方按照所述业务数据执行的业务的业务类别,作为预测类别;
风控模块,用于根据所述预测类别以及所述业务提供方约定的所提供的业务的业务类别,进行业务风控。
可选地,所述业务数据中包含的不同类型的数据包括:时序数据,所述时序数据是按照时间的先后顺序将所述业务提供方的订单数据进行排序后得到的;
所述输入模块,具体用于将所述时序数据输入到预先训练的预测模型中所述时序数据对应的编码层中,确定各时刻的订单数据对应的业务特征以及各时刻的订单数据对应的权重,其中,当前时刻的订单数据对应的权重大于历史时刻的订单数据对应的权重;根据各时刻的订单数据对应的业务特征以及各时刻的订单数据对应的权重,确定所述时序数据对应的数据特征。
可选地,所述预测模型包含有各种类型的数据特征对应的影响性确定层;
所述确定模块,具体用于针对每种类型的数据特征,将该种类型的数据特征输入到该种类型的数据特征对应的影响性确定层中,确定该种类型的数据对所述预测模型输出的结果的影响程度。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述业务风控的方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述业务风控的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的业务风控的方法中,首先,获取业务数据,所述业务数据中包含有不同类型的数据。其次,针对业务数据中包含的每种类型的数据,将该种类型的数据输入到预先训练的预测模型中该类型对应的编码层中,得到该种类型的数据对应的数据特征,预测模型中包含有多个编码层,不同的编码层对应不同类型的数据。而后,将各种类型的数据特征输入到预测模型中包含的影响性确定层中,以确定每种类型的数据对预测模型输出的结果的影响程度。然后,将影响程度以及各种类型的数据特征输入到预测模型中的数据处理层中,以通过影响程度对各种类型的数据特征进行数据处理,得到处理后特征,并将处理后特征输入到预测模型中的预测层中,以预测业务数据对应业务的业务提供方按照业务数据执行的业务的业务类别,作为预测类别。最后,根据预测类别以及业务提供方约定的所提供的业务的业务类别,进行业务风控。
从上述方法中可以看出,本方法可以通过各种类型的数据对应的编码层,对不同类型的数据进行编码,得到各种类型的数据对应的数据特征,并确定各种类型的数据对预测模型输出的结果的影响程度,以此预测业务数据对应业务的业务提供方按照业务数据执行的业务的业务类别,作为预测类别。然后,根据预测类别以及业务提供方约定的所提供的业务的业务类别,进行业务风控。从而,通过应用预先训练的预测模型,减少人工审核数据的成本,并且,提高了判断商户是否按照约定的业务类别进行经营活动的判断结果的准确率。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书实施例提供的一种业务风控的方法的流程示意图;
图2为本说明书实施例提供的一种预测模型的模型结构的示意图;
图3为本说明书实施例提供的一种业务风控的装置的结构示意图;
图4为本说明书实施例提供的电子设备的结构示意图。
具体实施方式
为使本说明书的目的、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,都属于本说明书保护的范围。
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为本说明书中一种业务风控的方法的流程示意图,具体包括以下步骤:
S100:获取业务数据,所述业务数据中包含有不同类型的数据。
在本说明书实施例中,业务风控的方法的执行主体可以是服务器、台式电脑等电子设备。为了便于描述,下面仅以服务器为执行主体,对本说明书提供的业务风控的方法进行说明。
在本说明书实施例中,服务器可以获取业务数据,业务数据中包含有不同类型的数据,这里提到的类型包括:图像数据、文本数据、视频数据。这里提到的文本数据包括结构化数据,结构化数据可以是行数据,是可以用二维表结构来逻辑表达实现的数据。结构化数据具有高度组织化且格式整齐的特点。
在识别风险商户的业务场景下,业务数据中的图像数据可以是指商户的门头照、商户的营业执照等图像。文本数据可以是指业务数据中的商户名、商品名、地址等文本。文本数据中的结构化数据可以是指交易金额、交易笔数等。视频数据可以是指拍摄商户内部环境的视频、商户的广告视频等。
在实际应用中,仅根据当前时刻的业务数据,并不能很好的确定出准确的预测结果。因此,服务器可以获取到过去一段时间内的订单数据,并将过去一段时间内的订单数据按照时间顺序进行排序,得到时序数据,以用于后续的模型训练,预测出准确的业务类别。
在本说明书实施例中,业务数据中包含的不同类型的数据包括:时序数据。时序数据是按照时间的先后顺序将业务提供方的订单数据进行排序后得到的。这里提到的订单数据可以是指用户与商户之间执行交易时所产生的订单信息,例如,订单金额、是否由他人代付、付款方式等。
需要说明的是,业务数据的类型可以有更多的表现形式,例如,包含有文本的图像、包含有文本的视频等,本说明书不对业务数据的类型进行限定。
S102:针对所述业务数据中包含的每种类型的数据,将该种类型的数据输入到预先训练的预测模型中该类型对应的编码层中,得到该种类型的数据对应的数据特征,所述预测模型中包含有多个编码层,不同的编码层对应不同类型的数据。
在实际应用中,不同类型的数据无法通过同一个编码层进行编码,因此,针对每种类型的数据,服务器可以通过该种类型的数据对应的编码层,对该种类型的数据进行编码。
在本说明书实施例中,服务器可以针对业务数据中包含的每种类型的数据,将该种类型的数据输入到预先训练的预测模型中该类型对应的编码层中,得到该种类型的数据对应的数据特征。
其中,预测模型中包含有多个编码层,不同的编码层对应不同类型的数据。例如,预测模型中可以同时包含有图像数据对应的编码层、文本数据对应的编码层以及视频数据对应的编码层。
具体的,针对业务数据中包含的图像数据,服务器可以将图像数据输入到预先训练的预测模型中图像数据对应的编码层中,得到图像数据对应的数据特征。
其中,图像数据对应的编码层可以是图卷积神经网络(Graph ConvolutionalNetwork,GCN)的编码层、图神经网络(Graph Neural Networks,GNN)的编码层、图注意力网络(Graph Attention Network ,GAT)的编码层等,本说明书不对图像数据对应的编码层进行限定。
具体的,针对业务数据中包含的文本数据,服务器可以将文本数据输入到预先训练的预测模型中文本数据对应的编码层中,得到文本数据对应的数据特征。
其中,文本数据对应的编码层可以是卷积神经网络(convolutional neuralnetwork,CNN)、Transformer模型的编码层等,本说明书不对文本数据对应的编码层进行限定。
具体的,针对业务数据中包含的视频数据,服务器可以将视频数据输入到预先训练的预测模型中视频数据对应的编码层中,得到视频数据对应的数据特征。
其中,视频数据对应的编码层可以是学习时空特征的三维卷积网络(LearningSpatiotemporal Features with 3D Convolutional Networks,C3D)的编码层、时间金字塔池网络(Temporal Pyramid Pooling,TPP)的编码层等,本说明书不对视频数据对应的编码层进行限定。
需要说明的是,预测模型中可以同时包含有图卷积神经网络的编码层、Transformer模型的编码层以及时间金字塔池网络的编码层,本说明书不对各种数据的类型的编码层之间的组合进行限定。也就是说,预测模型中的图像数据对应的编码层可以是图卷积神经网络的网络结构构建出的。同样的,预测模型中的文本数据对应的编码层可以是卷积神经网络的网络结构构建出的。同样的,预测模型中的视频数据对应的编码层可以是学习时空特征的三维卷积网络的网络结构构建出的。
在实际应用中,时序数据中的不同时刻的订单数据对预测出的业务类别的影响程度并不相同,因此,服务器需要确定出时序数据中不同时刻的订单数据对应的权重,得到更为精准的时序数据对应的数据特征,以确定出准确的预测类别。
在本说明书实施例中,服务器可以将时序数据输入到预先训练的预测模型中时序数据对应的编码层中,确定各时刻的订单数据对应的业务特征以及各时刻的订单数据对应的权重,其中,当前时刻的订单数据对应的权重大于历史时刻的订单数据对应的权重。
其次,服务器可以根据各时刻的订单数据对应的业务特征以及各时刻的订单数据对应的权重,确定时序数据对应的数据特征。
需要说明的是,由于时序数据中的订单数据是按照时间顺序排列的,因此,当前时刻的订单数据所在的位置是固定的,服务器可以对当前时刻的订单数据所在的位置上进行标记,预先按照专家经验确定出该位置上的权重。
当然,当前时刻的订单数据对应的权重也可以是通过训练预测模型训练得到的。
进一步的,业务数据的类型可以有更多的表现形式,例如,包含有文本的图像、包含有文本的视频等,这些类型的数据均有相对应的编码层,且本说明书不对业务数据的类型对应的编码层进行限定。
由于,不同类型的数据的数据维度并不相同,为了便于后续预测模型的处理,服务器可以通过线性变化,将各类型的数据对应的数据特征对齐,也就是,使得各类型的数据对应的数据特征的数据维度相同。
S104:将各种类型的数据特征输入到所述预测模型中包含的影响性确定层中,以确定每种类型的数据对所述预测模型输出的结果的影响程度。
在实际应用中,不同类型的数据特征对预测模型输出的结果的影响并不相同,若将不同类型的数据特征直接相加,可能会出现部分信息的损失,从而导致预测模型输出的结果的准确性较低。基于此,服务器可以根据各种类型的数据特征,确定各种类型的数据特征的影响程度,以用于后续预测模型输出结果。
在本说明书实施例中,服务器可以将各种类型的数据特征输入到预测模型中包含的影响性确定层中,以确定每种类型的数据对预测模型输出的结果的影响程度。
在实际应用中,通常通过同一个影响性确定层,确定各类型的数据对预测模型输出的结果的影响程度,这会导致确定出的影响程度并不准确。基于此,本说明书中的预测模型可以包含有多个影响性确定层,每种类型的数据特征分别对应有一个影响性确定层,以此提高确定出的影响程度的准确性。
在本说明书实施例中,预测模型包含有各种类型的数据特征对应的影响性确定层。针对每种类型的数据特征,服务器可以将该种类型的数据特征输入到该种类型的数据特征对应的影响性确定层中,确定该种类型的数据对预测模型输出的结果的影响程度。
进一步的,服务器可以将各种类型的数据对预测模型输出的结果的影响程度进行归一化,并使得各种类型的数据对预测模型输出的结果的影响程度的和为一。
需要说明的是,这里提到的影响性确定层可以是多头混合专家(Multi-gateMixture-of-Experts,MMoE)中的门控网络(Gating NetWork)等,本说明书不对影响性确定层进行限定。
S106:将所述影响程度以及所述各种类型的数据特征输入到所述预测模型中的数据处理层中,以通过所述影响程度对各种类型的数据特征进行数据处理,得到处理后特征,并将所述处理后特征输入到所述预测模型中的预测层中,以预测所述业务数据对应业务的业务提供方按照所述业务数据执行的业务的业务类别,作为预测类别。
在本说明书实施例中,服务器可以将影响程度以及各种类型的数据特征输入到预测模型中的数据处理层中,以通过影响程度对各种类型的数据特征进行数据处理,得到处理后特征,并将处理后特征输入到预测模型中的预测层中,以预测业务数据对应业务的业务提供方按照业务数据执行的业务的业务类别,作为预测类别。
具体的,服务器可以将处理后特征输入到预测模型中的预测层中,以预测业务数据对应业务的业务提供方按照业务数据执行的业务在各业务类别下的类别概率。从各业务类别下的类别概率中,选取出类别概率最大的业务类别,作为预测类别。
在实际应用中,预测模型在进行特征交叉的过程中,若仅仅增加预测模型的深度进行特征交叉,可能会因为深度变深而造成训练过程中遗忘了最开始的特征信息,对预测模型的训练造成负面效果。因此,服务器可以将未进行特征交叉前的各种类型的数据特征与特征交叉后的数据特征进行加和,以防止预测模型在训练过程中遗忘了最开始的特征信息。
在本说明书实施例中,预测模型中包含有多个编码层、多个影响性确定层、特征提取层、数据处理层以及预测层。服务器可以对各种类型的数据特征进行拼接,得到拼接特征,并将拼接特征输入到特征提取层中,以对拼接特征进行特征交叉,得到融合特征。
需要说明的是,本说明书中对拼接特征进行特征交叉的方法可以用多种,例如,多层感知器(Multilayer Perceptron,MLP)、卷积神经网络(Convolutional NeuralNetworks,,CNN)。本说明书不对特征交叉的方法进行限定。
然后,服务器可以将影响程度以及各种类型的数据特征输入到预测模型中的数据处理层中,以通过影响程度对各种类型的数据特征进行数据处理,得到处理后特征,并将处理后特征以及融合特征输入到预测模型中的预测层中,以预测业务数据对应业务的业务提供方按照业务数据执行的业务的业务类别,作为预测类别。
具体的,服务器可以将处理后特征以及融合特征进行线性加和,得到综合特征,将综合特征输入到预测模型中的预测层中,以预测业务数据对应业务的业务提供方按照业务数据执行的业务的业务类别,作为预测类别。
其中,本方法中数据的类型还包括时序数据,服务器可以对各种类型的数据特征以及时序数据进行拼接,得到拼接特征,并将拼接特征输入到特征提取层中,以对拼接特征进行特征交叉,得到融合特征。
S108:根据所述预测类别以及所述业务提供方约定的所提供的业务的业务类别,进行业务风控。
在本说明书实施例中,服务器可以根据预测类别以及业务提供方约定的所提供的业务的业务类别,进行业务风控。也就是说,若确定出的预测类别与业务提供方约定的所提供的业务的业务类别不同,则认为该业务提供方的该笔交易存在风险,需要进行业务风控。
在本说明书实施例中,服务器在通过预测模型预测业务数据对应业务的业务提供方按照业务数据执行的业务的业务类别之前,需要先对预测模型进行训练,接下来将对预测模型的训练过程进行详细说明。
在本说明书实施例中,服务器可以获取样本业务数据。
其次,服务器可以针对样本业务数据中包含的每种类型的样本数据,将该种类型的样本数据输入到待训练的预测模型中该类型对应的编码层中,得到该种类型的样本数据对应的数据特征。
而后,服务器可以将各种类型的样本数据对应的数据特征输入到预测模型中包含的影响性确定层中,以确定每种类型的样本数据对预测模型输出的结果的影响程度。
然后,服务器可以将各种类型的样本数据对预测模型输出的结果的影响程度以及各种类型的样本数据对应的数据特征输入到预测模型中的数据处理层中,以通过各种类型的样本数据对预测模型输出的结果的影响程度对各种类型的样本数据对应的数据特征进行数据处理,得到处理后样本特征,并将处理后样本特征输入到预测模型中的预测层中,以预测样本业务数据对应业务的业务提供方按照样本业务数据执行的业务的业务类别,作为预测类别。
最后,服务器可以以最小化样本业务数据对应的预测类别以及样本业务数据对应的标签信息之间的偏差,对预测模型进行训练。这里提到的样本业务数据对应的标签信息可以是指样本业务数据中业务提供方实际的业务类别。
在本说明书实施例中,预测模型的模型结构具体如图2所示。
图2为本说明书实施例提供的一种预测模型的模型结构的示意图。
在图2中,服务器可以将图像数据输入到图像数据对应的编码层中,确定图像数据对应的数据特征,将文本数据输入到文本数据对应的编码层中,确定文本数据对应的数据特征,以及将视频数据输入到视频数据对应的编码层中,确定视频数据对应的数据特征。当然,业务数据的类型还有多种,例如,带有文字的图像、按照时间顺序排列的时序数据等,这里就不一一赘述了。
其次,服务器可以将各类型的数据对应的数据特征输入到特征提取层中,进行特征交叉,得到融合特征。
而后,针对每种类型的数据特征,服务器可以将该种类型的数据特征输入到该种类型的数据特征对应的影响性确定层中,确定该种类型的数据对预测模型输出的结果的影响程度。
然后,服务器可以将影响程度以及各种类型的数据特征输入到预测模型中的数据处理层中,以通过影响程度对各种类型的数据特征进行数据处理,得到处理后特征。
最后,服务器可以将处理后特征以及融合特征输入到预测模型中的预测层中,预测业务数据对应业务的业务提供方按照业务数据执行的业务的业务类别,作为预测类别。
从上述过程中可以看出,本方法可以通过各种类型的数据对应的编码层,对不同类型的数据进行编码,得到各种类型的数据对应的数据特征,并确定各种类型的数据对预测模型输出的结果的影响程度,以此预测业务数据对应业务的业务提供方按照业务数据执行的业务的业务类别,作为预测类别。然后,根据预测类别以及业务提供方约定的所提供的业务的业务类别,进行业务风控。从而,通过应用预先训练的预测模型,减少人工审核数据的成本,并且,提高了判断商户是否按照约定的业务类别进行经营活动的判断结果的准确率。也就是说,提高了预测模型确定出的预测类别的准确性。
并且,本方法对预测模型的模型结构进行改进,防止预测模型在训练过程中遗忘了最开始的特征信息,提高了预测模型确定出的预测类别的准确性。
以上为本说明书实施例提供的一种业务风控的方法,基于同样的思路,本说明书还提供了相应的装置、存储介质和电子设备。
图3为本说明书实施例提供的一种业务风控的装置的结构示意图,所述装置包括:
获取模块300,用于获取业务数据,所述业务数据中包含有不同类型的数据;
输入模块302,用于针对所述业务数据中包含的每种类型的数据,将该种类型的数据输入到预先训练的预测模型中该类型对应的编码层中,得到该种类型的数据对应的数据特征,所述预测模型中包含有多个编码层,不同的编码层对应不同类型的数据;
确定模块304,用于将各种类型的数据特征输入到所述预测模型中包含的影响性确定层中,以确定每种类型的数据对所述预测模型输出的结果的影响程度;
预测模块306,用于将所述影响程度以及所述各种类型的数据特征输入到所述预测模型中的数据处理层中,以通过所述影响程度对各种类型的数据特征进行数据处理,得到处理后特征,并将所述处理后特征输入到所述预测模型中的预测层中,以预测所述业务数据对应业务的业务提供方按照所述业务数据执行的业务的业务类别,作为预测类别;
风控模块308,用于根据所述预测类别以及所述业务提供方约定的所提供的业务的业务类别,进行业务风控。
可选地,所述业务数据中包含的不同类型的数据包括:时序数据,所述时序数据是按照时间的先后顺序将所述业务提供方的订单数据进行排序后得到的;
所述输入模块302具体用于,将所述时序数据输入到预先训练的预测模型中所述时序数据对应的编码层中,确定各时刻的订单数据对应的业务特征以及各时刻的订单数据对应的权重,其中,当前时刻的订单数据对应的权重大于历史时刻的订单数据对应的权重,根据各时刻的订单数据对应的业务特征以及各时刻的订单数据对应的权重,确定所述时序数据对应的数据特征。
可选地,所述预测模型包含有各种类型的数据特征对应的影响性确定层;
所述确定模块304具体用于,针对每种类型的数据特征,将该种类型的数据特征输入到该种类型的数据特征对应的影响性确定层中,确定该种类型的数据对所述预测模型输出的结果的影响程度。
可选地,所述预测模型包含有特征提取层;
所述预测模块306具体用于,对各种类型的数据特征进行拼接,得到拼接特征,并将所述拼接特征输入到所述特征提取层中,以对所述拼接特征进行特征交叉,得到融合特征,将所述影响程度以及所述各种类型的数据特征输入到所述预测模型中的数据处理层中,以通过所述影响程度对各种类型的数据特征进行数据处理,得到处理后特征,并将所述处理后特征以及所述融合特征输入到所述预测模型中的预测层中,以预测所述业务数据对应业务的业务提供方按照所述业务数据执行的业务的业务类别,作为预测类别。
可选地,所述输入模块302具体用于,获取样本业务数据,针对所述样本业务数据中包含的每种类型的样本数据,将该种类型的样本数据输入到待训练的预测模型中该类型对应的编码层中,得到该种类型的样本数据对应的数据特征,将各种类型的样本数据对应的数据特征输入到所述预测模型中包含的影响性确定层中,以确定每种类型的样本数据对所述预测模型输出的结果的影响程度,将所述各种类型的样本数据对所述预测模型输出的结果的影响程度以及所述各种类型的样本数据对应的数据特征输入到所述预测模型中的数据处理层中,以通过所述各种类型的样本数据对所述预测模型输出的结果的影响程度对各种类型的样本数据对应的数据特征进行数据处理,得到处理后样本特征,并将所述处理后样本特征输入到所述预测模型中的预测层中,以预测所述样本业务数据对应业务的业务提供方按照所述样本业务数据执行的业务的业务类别,作为预测类别,以最小化所述样本业务数据对应的预测类别以及所述样本业务数据对应的标签信息之间的偏差,对所述预测模型进行训练。
本说明书还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时可用于执行上述图1提供的业务风控的方法。
本说明书实施例还提供了图4所示的电子设备的结构示意图。如图4,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1提供的业务风控的方法。
当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
需要说明的是,本申请中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
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***“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:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、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,在实施本说明书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,本说明书的实施例可提供为方法、***、或计算机程序产品。因此,本说明书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,本说明书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。
本说明书是参照根据本说明书实施例的方法、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)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、***或计算机程序产品。因此,本说明书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,本说明书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。
本说明书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说明书,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。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种业务风控的方法,包括:
获取业务数据,所述业务数据中包含有不同类型的数据,所述业务数据中包含的数据的类型包括:图像类型、文本类型、视频类型;
针对所述业务数据中包含的每种类型的数据,将该种类型的数据输入到预先训练的预测模型中该类型对应的编码层中,得到该种类型的数据对应的数据特征,所述预测模型中包含有多个编码层,不同的编码层对应不同类型的数据;
将各种类型的数据特征输入到所述预测模型中包含的影响性确定层中,以确定每种类型的数据对所述预测模型输出的结果的影响程度;
将所述影响程度以及所述各种类型的数据特征输入到所述预测模型中的数据处理层中,以通过所述影响程度对各种类型的数据特征进行数据处理,得到处理后特征,并将所述处理后特征输入到所述预测模型中的预测层中,以预测所述业务数据对应业务的业务提供方按照所述业务数据执行的业务的业务类别,作为预测类别;
根据所述预测类别以及所述业务提供方约定的所提供的业务的业务类别,进行业务风控。
2.如权利要求1所述的方法,所述业务数据中包含的不同类型的数据包括:时序数据,所述时序数据是按照时间的先后顺序将所述业务提供方的订单数据进行排序后得到的;
针对所述业务数据中包含的每种类型的数据,将该种类型的数据输入到预先训练的预测模型中该类型对应的编码层中,得到该种类型的数据对应的数据特征,具体包括:
将所述时序数据输入到预先训练的预测模型中所述时序数据对应的编码层中,确定各时刻的订单数据对应的业务特征以及各时刻的订单数据对应的权重,其中,当前时刻的订单数据对应的权重大于历史时刻的订单数据对应的权重;
根据各时刻的订单数据对应的业务特征以及各时刻的订单数据对应的权重,确定所述时序数据对应的数据特征。
3.如权利要求1所述的方法,所述预测模型包含有各种类型的数据特征对应的影响性确定层;
将各种类型的数据特征输入到所述预测模型中包含的影响性确定层中,以确定每种类型的数据对所述预测模型输出的结果的影响程度,具体包括:
针对每种类型的数据特征,将该种类型的数据特征输入到该种类型的数据特征对应的影响性确定层中,确定该种类型的数据对所述预测模型输出的结果的影响程度。
4.如权利要求1所述的方法,所述预测模型包含有特征提取层;
将所述影响程度以及所述各种类型的数据特征输入到所述预测模型中的数据处理层中,以通过所述影响程度对各种类型的数据特征进行数据处理,得到处理后特征,并将所述处理后特征输入到所述预测模型中的预测层中,以预测所述业务数据对应业务的业务提供方按照所述业务数据执行的业务的业务类别,作为预测类别,具体包括:
对各种类型的数据特征进行拼接,得到拼接特征,并将所述拼接特征输入到所述特征提取层中,以对所述拼接特征进行特征交叉,得到融合特征;
将所述影响程度以及所述各种类型的数据特征输入到所述预测模型中的数据处理层中,以通过所述影响程度对各种类型的数据特征进行数据处理,得到处理后特征,并将所述处理后特征以及所述融合特征输入到所述预测模型中的预测层中,以预测所述业务数据对应业务的业务提供方按照所述业务数据执行的业务的业务类别,作为预测类别。
5.如权利要求1所述的方法,训练预测模型,包括:
获取样本业务数据;
针对所述样本业务数据中包含的每种类型的样本数据,将该种类型的样本数据输入到待训练的预测模型中该类型对应的编码层中,得到该种类型的样本数据对应的数据特征;
将各种类型的样本数据对应的数据特征输入到所述预测模型中包含的影响性确定层中,以确定每种类型的样本数据对所述预测模型输出的结果的影响程度;
将所述各种类型的样本数据对所述预测模型输出的结果的影响程度以及所述各种类型的样本数据对应的数据特征输入到所述预测模型中的数据处理层中,以通过所述各种类型的样本数据对所述预测模型输出的结果的影响程度对各种类型的样本数据对应的数据特征进行数据处理,得到处理后样本特征,并将所述处理后样本特征输入到所述预测模型中的预测层中,以预测所述样本业务数据对应业务的业务提供方按照所述样本业务数据执行的业务的业务类别,作为预测类别;
以最小化所述样本业务数据对应的预测类别以及所述样本业务数据对应的标签信息之间的偏差,对所述预测模型进行训练。
6.一种业务风控的装置,包括:
获取模块,用于获取业务数据,所述业务数据中包含有不同类型的数据,所述业务数据中包含的数据的类型包括:图像类型、文本类型、视频类型;
输入模块,用于针对所述业务数据中包含的每种类型的数据,将该种类型的数据输入到预先训练的预测模型中该类型对应的编码层中,得到该种类型的数据对应的数据特征,所述预测模型中包含有多个编码层,不同的编码层对应不同类型的数据;
确定模块,用于将各种类型的数据特征输入到所述预测模型中包含的影响性确定层中,以确定每种类型的数据对所述预测模型输出的结果的影响程度;
预测模块,用于将所述影响程度以及所述各种类型的数据特征输入到所述预测模型中的数据处理层中,以通过所述影响程度对各种类型的数据特征进行数据处理,得到处理后特征,并将所述处理后特征输入到所述预测模型中的预测层中,以预测所述业务数据对应业务的业务提供方按照所述业务数据执行的业务的业务类别,作为预测类别;
风控模块,用于根据所述预测类别以及所述业务提供方约定的所提供的业务的业务类别,进行业务风控。
7.如权利要求6所述的装置,所述业务数据中包含的不同类型的数据包括:时序数据,所述时序数据是按照时间的先后顺序将所述业务提供方的订单数据进行排序后得到的;
所述输入模块,具体用于将所述时序数据输入到预先训练的预测模型中所述时序数据对应的编码层中,确定各时刻的订单数据对应的业务特征以及各时刻的订单数据对应的权重,其中,当前时刻的订单数据对应的权重大于历史时刻的订单数据对应的权重;根据各时刻的订单数据对应的业务特征以及各时刻的订单数据对应的权重,确定所述时序数据对应的数据特征。
8.如权利要求6所述的装置,所述预测模型包含有各种类型的数据特征对应的影响性确定层;
所述确定模块,具体用于针对每种类型的数据特征,将该种类型的数据特征输入到该种类型的数据特征对应的影响性确定层中,确定该种类型的数据对所述预测模型输出的结果的影响程度。
9.一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1-5任一项所述的方法。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211508341.0A CN115545353B (zh) | 2022-11-29 | 2022-11-29 | 一种业务风控的方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211508341.0A CN115545353B (zh) | 2022-11-29 | 2022-11-29 | 一种业务风控的方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115545353A CN115545353A (zh) | 2022-12-30 |
CN115545353B true CN115545353B (zh) | 2023-04-18 |
Family
ID=84722231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211508341.0A Active CN115545353B (zh) | 2022-11-29 | 2022-11-29 | 一种业务风控的方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115545353B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116028880B (zh) * | 2023-02-07 | 2023-07-04 | 支付宝(杭州)信息技术有限公司 | 训练行为意图识别模型的方法、行为意图识别方法及装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598597A (zh) * | 2018-10-16 | 2019-04-09 | 平安科技(深圳)有限公司 | 业务数据归类方法、装置及存储介质、服务器 |
CN110163752A (zh) * | 2019-04-16 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 一种外汇交易量预测方法、装置及*** |
CN110222880A (zh) * | 2019-05-20 | 2019-09-10 | 阿里巴巴集团控股有限公司 | 业务风险的确定方法、模型训练方法和数据处理方法 |
CN110503385A (zh) * | 2019-07-15 | 2019-11-26 | 招联消费金融有限公司 | 业务处理方法、装置、计算机设备和存储介质 |
CN111353850A (zh) * | 2020-02-26 | 2020-06-30 | 支付宝(杭州)信息技术有限公司 | 一种风险识别策略的更新、风险商户的识别方法和装置 |
CN113159213A (zh) * | 2021-04-30 | 2021-07-23 | 中国工商银行股份有限公司 | 一种业务分配方法、装置及设备 |
WO2021169115A1 (zh) * | 2020-02-29 | 2021-09-02 | 平安科技(深圳)有限公司 | 风控方法、装置、电子设备及计算机可读存储介质 |
CN113672732A (zh) * | 2021-08-19 | 2021-11-19 | 胜斗士(上海)科技技术发展有限公司 | 用于对业务数据进行分类的方法和设备 |
CN114817933A (zh) * | 2022-04-29 | 2022-07-29 | 支付宝(杭州)信息技术有限公司 | 评估业务预测模型鲁棒性的方法、装置及计算设备 |
CN114943307A (zh) * | 2022-06-28 | 2022-08-26 | 支付宝(杭州)信息技术有限公司 | 一种模型训练的方法、装置、存储介质以及电子设备 |
CN114998001A (zh) * | 2022-07-15 | 2022-09-02 | 中国工商银行股份有限公司 | 业务类别识别方法、装置、设备、存储介质和程序产品 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180053188A1 (en) * | 2016-08-17 | 2018-02-22 | Fair Isaac Corporation | Customer transaction behavioral archetype analytics for cnp merchant transaction fraud detection |
CN115409290A (zh) * | 2022-10-31 | 2022-11-29 | 北京领雁科技股份有限公司 | 业务数据风险模型验证方法、装置、电子设备和介质 |
-
2022
- 2022-11-29 CN CN202211508341.0A patent/CN115545353B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598597A (zh) * | 2018-10-16 | 2019-04-09 | 平安科技(深圳)有限公司 | 业务数据归类方法、装置及存储介质、服务器 |
CN110163752A (zh) * | 2019-04-16 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 一种外汇交易量预测方法、装置及*** |
CN110222880A (zh) * | 2019-05-20 | 2019-09-10 | 阿里巴巴集团控股有限公司 | 业务风险的确定方法、模型训练方法和数据处理方法 |
CN110503385A (zh) * | 2019-07-15 | 2019-11-26 | 招联消费金融有限公司 | 业务处理方法、装置、计算机设备和存储介质 |
CN111353850A (zh) * | 2020-02-26 | 2020-06-30 | 支付宝(杭州)信息技术有限公司 | 一种风险识别策略的更新、风险商户的识别方法和装置 |
WO2021169115A1 (zh) * | 2020-02-29 | 2021-09-02 | 平安科技(深圳)有限公司 | 风控方法、装置、电子设备及计算机可读存储介质 |
CN113159213A (zh) * | 2021-04-30 | 2021-07-23 | 中国工商银行股份有限公司 | 一种业务分配方法、装置及设备 |
CN113672732A (zh) * | 2021-08-19 | 2021-11-19 | 胜斗士(上海)科技技术发展有限公司 | 用于对业务数据进行分类的方法和设备 |
CN114817933A (zh) * | 2022-04-29 | 2022-07-29 | 支付宝(杭州)信息技术有限公司 | 评估业务预测模型鲁棒性的方法、装置及计算设备 |
CN114943307A (zh) * | 2022-06-28 | 2022-08-26 | 支付宝(杭州)信息技术有限公司 | 一种模型训练的方法、装置、存储介质以及电子设备 |
CN114998001A (zh) * | 2022-07-15 | 2022-09-02 | 中国工商银行股份有限公司 | 业务类别识别方法、装置、设备、存储介质和程序产品 |
Non-Patent Citations (3)
Title |
---|
DONGXU HUANG et al.CoDetect: Financial Fraud Detection With Anomaly Feature Detection.《IEEE Access》.2018,第第6卷卷19161-19174. * |
Dr. Jyotindra N. Dharwa et al.A Data Mining with Hybrid Approach Based Transaction Risk Score Generation Model (TRSGM) for Fraud Detection of Online Financial Transaction.《International Journal of Computer Applications》.2011,第第16卷卷(第第16卷期),18-25. * |
孙权 等.金融交易数据驱动的图谱网络智能化欺诈侦测.《应用科学学报》.2020,第38卷(第5期),713-723. * |
Also Published As
Publication number | Publication date |
---|---|
CN115545353A (zh) | 2022-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113688313A (zh) | 一种预测模型的训练方法、信息推送的方法及装置 | |
CN110674188A (zh) | 一种特征提取方法、装置及设备 | |
CN115238826B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN112966186A (zh) | 一种模型训练和信息推荐的方法及装置 | |
CN115545353B (zh) | 一种业务风控的方法、装置、存储介质及电子设备 | |
CN115759122A (zh) | 一种意图识别方法、装置、设备及可读存储介质 | |
CN115146731A (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN110738562B (zh) | 一种风险提醒信息的生成方法、装置及设备 | |
CN116308738B (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN115563584B (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
CN116822606A (zh) | 一种异常检测模型的训练方法、装置、设备及存储介质 | |
CN115758141A (zh) | 一种模型训练和业务风控的方法及装置 | |
CN116824331A (zh) | 一种模型训练、图像识别方法、装置、设备及存储介质 | |
CN113343085B (zh) | 一种信息推荐方法、装置、存储介质及电子设备 | |
CN115660105A (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN114996570A (zh) | 一种信息推荐的方法及装置 | |
CN115545720A (zh) | 一种模型训练的方法、业务风控的方法及装置 | |
CN113344590A (zh) | 一种模型训练以及投诉率预估的方法及装置 | |
CN114511376A (zh) | 基于多模型的信用数据处理方法及装置 | |
CN115017905A (zh) | 一种模型训练和信息推荐的方法及装置 | |
CN114331602A (zh) | 一种基于迁移学习的模型训练方法、信息推荐方法及装置 | |
CN117786061B (zh) | 一种基于时空注意力机制的大语言模型预测方法及装置 | |
CN111428994B (zh) | 业务处理方法、装置及电子设备 | |
CN111104591B (zh) | 一种推荐信息生成方法及装置 | |
CN116501852B (zh) | 一种可控对话模型训练方法、装置、存储介质及电子设备 |
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 |