CN115953023A - 物品归属方收款限额的方法、装置、设备、介质及产品 - Google Patents
物品归属方收款限额的方法、装置、设备、介质及产品 Download PDFInfo
- Publication number
- CN115953023A CN115953023A CN202211611249.7A CN202211611249A CN115953023A CN 115953023 A CN115953023 A CN 115953023A CN 202211611249 A CN202211611249 A CN 202211611249A CN 115953023 A CN115953023 A CN 115953023A
- Authority
- CN
- China
- Prior art keywords
- item
- detail data
- data
- transaction detail
- historical
- 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
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种物品归属方收款限额的方法、装置、设备、介质及产品,本发明涉及金融风险技术领域,该方法包括:获取所述物品归属方的第一历史交易明细数据;对所述第一历史交易明细数据预处理,得到预处理后的数据;根据所述预处理后的数据,进行谱聚类得到聚类结果;根据所述聚类结果,调整所述物品归属方的收款限额。本发明的技术方案,用以解决管辖机构主要依靠管理人员综合各方面信息来完成对物品归属方收款限额情况的调整问题。能够达到智能化调整物品归属方收款限额的技术效果。
Description
技术领域
本发明实施例涉及金融风险技术领域,尤其涉及一种物品归属方收款限额的方法、装置、设备、介质及产品。
背景技术
在传统的风控模式下,对物品归属方的风险控制主要集中在准入阶段,缺乏后续对其经营风险状况的持续跟踪。对物品归属方是否存在风险的判断依据也主要源于对物品归属方本身的信息进行分析,由于当前信息伪造成本很低,所以需要投入大量人力去审核物品归属方的身份及提交材料的真实性。
在当前一般的营运流程下,管辖机构主要依靠管理人员综合各方面信息来完成对物品归属方收款限额情况的调整。这种处置方法可能存在滞后性的风险,也存在未及时调整限额导致暴露金融风险的敞口。
发明内容
本发明实施例提供物品归属方收款限额的方法、装置、设备、介质及产品,用以解决管辖机构主要依靠管理人员综合各方面信息来完成对物品归属方收款限额情况的调整问题。
第一方面,本发明实施例提供了一种物品归属方收款限额的方法,包括:
获取所述物品归属方的第一历史交易明细数据;
对所述第一历史交易明细数据预处理,得到预处理后的数据;
根据所述预处理后的数据,进行谱聚类得到聚类结果;
根据所述聚类结果,调整所述物品归属方的收款限额。
第二方面,本发明实施例提供一种物品归属方收款限额的装置,包括:
第一历史交易明细数据获取模块,用于获取所述物品归属方的第一历史交易明细数据;
预处理后的数据获取模块,用于对所述第一历史交易明细数据预处理,得到预处理后的数据;
聚类结果获取模块,用于根据所述预处理后的数据,进行谱聚类得到聚类结果;
收款限额调整模块,用于根据所述聚类结果,调整所述物品归属方的收款限额。
第三方面,本发明实施例提供一种物品归属方收款限额的电子设备,包括存储器,处理器及存储在存储器上并可在处理器运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述的物品归属方收款限额的方法。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面的物品归属方收款限额的方法。
第五方面,本发明实施例提供一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如第一方面所述的物品归属方收款限额的方法。
本发明实施例中,通过获取物品归属方的第一历史交易明细数据,对第一历史交易明细数据预处理,得到预处理后的数据,根据预处理后的数据,进行谱聚类得到聚类结果,根据所述聚类结果,调整物品归属方的收款限额。用以解决管辖机构主要依靠管理人员综合各方面信息来完成对物品归属方收款限额情况的调整问题。通过基于谱聚类方法的智能预测策略,对物品归属方收款限额的调整更为及时,更为智能。在规避相关金融风险的同时,优化物品归属方收款体验,提高管辖机构的数字化经营能力,能够达到智能化调整物品归属方收款限额的技术效果。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的一种物品归属方收款限额的方法流程图;
图2为本发明实施例提供的另一种物品归属方收款限额的方法流程图;
图3为本发明实施例提供的另一种物品归属方收款限额的方法流程图;
图4为本发明实施例提供的另一种物品归属方收款限额的方法流程图;
图5为本发明实施例提供的一种物品归属方收款限额的装置的结果示意图;
图6为本发明实施例提供的一种电子设备的框图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
可选的,在介绍本发明各实施例之前,先对本发明实施例中物品归属方收款限额的情况进行介绍。管辖机构的管理人员无法对物品归属方了解得面面俱到,倘若存在未被留意到的业务波动,较低的收款限额将会影响物品归属方的收款体验。在优化物品归属方的收款体验和满足收款限额监管需要之间需要取得平衡,以及需要提高管辖机构的数字化经营能力。另外,管辖机构的管理人员对收款限额的预估较大程度上依赖于管理人员的主观个人评估,存在较强的主观性。其中,管辖机构是指管理人员所属机构,管理人员有权录入物品归属方开立的必要信息并根据业务发展需要维护相关参数。收款限额是指管理人员基于反洗钱及其他监管需要,针对单个的物品归属方维护的多种收款限额参数。管辖机构例如为金融机构,金融机构指从事金融服务业的金融中介机构,为金融体系的一部分。示例性地,金融机构包括银行。
图1为本发明实施例提供的一种物品归属方收款限额的方法流程图,本实施例适用于对物品归属方收款限额的情况。该方法可以由本发明实施例的物品归属方收款限额的装置执行,该装置可采用软件和/或硬件的方式实现。该装置可配置于电子设备中,例如服务器或终端设备,典型的终端设备包括移动终端,具体包括手机、电脑或平板电脑等。参考图1该方法包括:
S101、获取物品归属方的第一历史交易明细数据。
其中,物品归属方指的是提供商品或者服务的机构,物品归属方依靠出售商品或者服务,获取收入。物品归属方例如可以为商户。
其中,第一历史交易明细数据包括在当天、当周或者当月以前的选定时段内历史交易明细数据,例如,当天以前的一年或者几年内的历史交易明细数据。
不同的物品归属方具有不同的交易波动属性。部分行业的物品归属方具有季节性的物品的权属迁移波动。对于存在季节性的物品的权属迁移波动的物品归属方,在旺季,物品的权属迁移数量较多,物品的权属迁移波动较大。在淡季,物品的权属迁移数量较少,物品的权属迁移波动较小。其中,物品的权属迁移例如可以为物品或者服务的销售、交易。
物品归属方还可以具有由于物品的权属迁移折扣导致的物品的权属迁移波动。通常地,物品的权属迁移折扣发生时,物品的权属迁移数量增多,物品的权属迁移波动增大。其中,物品的权属迁移折扣例如可以为促销活动。
S102、对第一历史交易明细数据预处理,得到预处理后的数据。
示例性地,对第一历史交易明细数据预处理的过程可以包括对第一历史交易明细数据中无效数据的剔除。无效数据例如包括未完成订单的数据和失效订单的数据。
示例性地,对第一历史交易明细数据预处理的过程还可以包括对第一历史交易明细数据中订单数据的信息做一些基本归类,比如,按照订单数据集中在哪些终端上面、付款频率、订单柜台的富集规律、重复金额支付比例等,对第一历史交易明细数据中订单数据的信息做归类。
示例性地,对第一历史交易明细数据预处理的过程还可以包括对第一历史交易明细数据中订单数据的标准化处理。将不同类型的数据形成为统一的数据格式。
S103、根据预处理后的数据,进行谱聚类得到聚类结果。
其中,谱聚类算法建立在谱图理论基础上,与传统的聚类算法相比,它具有能在任意形状的样本空间上聚类且收敛于全局最优解的优点。该算法首先根据给定的样本数据集定义一个描述成对数据点相似度的亲合矩阵,并且计算矩阵的特征值和特征向量,然后选择合适的特征向量聚类不同的数据点。
物品归属方的订单数据,受到物品归属方所在行业、地段、价格定位和物品获取方人数等多方面的影响,属于典型的复杂分布,可以对所有物品归属方的订单数据聚类,得到聚类结果。其中,物品获取方例如可以为消费者。
示例性地,对于一个物品归属方在一段时间内的交易,通常都会有某些共同的关联特征。采取谱聚类方法可以更加高效准确地提取出对物品归属方在某一个时段内,与交易量存在波动最直接相关的特征要素。具有同一类特征要素的物品归属方的风险性较为相似,因此通过谱聚类分析能够将大量的物品归属方所对应的大量的特征要素的共性进行提取。聚类结果包括至少一个特征要素。
S104、根据聚类结果,调整物品归属方的收款限额。
本步骤中,根据聚类结果,对存在风险的物品归属方进行识别,并对存在风险的物品归属方进行收款限额的调整。例如,停止或者调低存在风险的物品归属方的收款限额。
本发明实施例中,通过获取物品归属方的第一历史交易明细数据,对第一历史交易明细数据预处理,得到预处理后的数据,根据预处理后的数据,进行谱聚类得到聚类结果,根据所述聚类结果,调整物品归属方的收款限额。用以解决管辖机构主要依靠管理人员综合各方面信息来完成对物品归属方收款限额情况的调整问题。通过基于谱聚类方法的智能预测策略,对物品归属方收款限额的调整更为及时,更为智能。在规避相关金融风险的同时,优化物品归属方收款体验,提高管辖机构的数字化经营能力,能够达到智能化调整物品归属方收款限额的技术效果。
图2为本发明实施例提供的另一种物品归属方收款限额的方法流程图,本实施例在上述实施例的基础上,进一步优化了上述物品归属方收款限额的方法,相应的,参考图2,该方法包括:
S201、获取物品归属方的第一历史交易明细数据。
S202、对第一历史交易明细数据预处理,得到预处理后的数据。
S203、提取预处理后的数据中对交易波动影响显著的特征要素。
可选地,特征要素包括物品获取行为要素和物品的权属迁移要素。物品获取行为要素例如可以为消费者行为要素。物品获取行为要素包括物品获取方的购买时段、付款行为、付款渠道、退款交易。物品的权属迁移要素例如可以为营销要素。物品的权属迁移要素包括物品的权属迁移折扣、交易金额、交易笔数、销售情况。
交易波动影响显著的情况例如可以包括集中的消费情况,集中的消费情况与某一类或者多类的物品的权属迁移折扣之间存在一定的关联程度。
示例性地,非波动情况下,相邻订单之间存在一定的时间间隔,以及具有一定范围的订单总数。超出该订单总数,或者相邻订单之间超出时间间隔,则属于交易波动影响显著。提取该交易波动影响显著的特征要素。
示例性地,物品的权属迁移折扣可以包括付款渠道的折扣和/或物品归属方的折扣。其中付款渠道的折扣,例如,通过微信进行付款,则存在优惠。通过其他付款渠道则不存在该优惠。物品归属方的折扣,例如,商家的促销折扣,例如满足一定金额的满减、固定折扣或者满足一定物品数量的满减。
示例性地,明显的密集付款的情况需要提取,或者在某类渠道有富集的情况需要提取,或者,用券情况需要提取。
S204、将特征要素以图的形式进行关联,形成树状图。
聚类的方法分为层次聚类和非层次聚类,其中层次聚类包括分解法、树状图,非层次聚类包括划分聚类。通过树状图描述数据分类过程,有助于人工分析。每一次预测的最大计算次数不超过树状图的深度。
S205、将树状图中n个元素看作n类,将性质最相近的或相似程度最大的两类合并为一个新类,得到n-1类。
其中,n为大于1的正整数。元素可以包括至少一个特征要素。
可选地,可以采用最长距离法,将性质最相近的或相似程度最大的两类合并为一个新类。其中,最长距离法指的是,用两个类中各元素间最长的距离代表类间距离,再用距离最小的来合并两个类成为新类。类间距离可以采用欧式距离公式进行计算。
S206、从n-1类中,将性质最相近的或相似程度最大的两类合并为一个新类,得到n-2类。
S207、重复上述合并过程,直至所有的元素都在一类中。
按照上述合并过程,依次地将性质最相近的或相似程度最大的两类合并为一个新类,由n-2类得到n-3类,……,由3类得到2类,由2类得到1类。
本发明实施例,利用分类思想,谱聚类的方法首先视各元素(样品或变量)自称一类,然后把最相似(距离最小或相似系数最大)的元素聚为小类,再将已聚合的小类按其相似性(用类间距离度量)再聚合,随着相似性的减弱,最后将一切子类都聚合成一个大类,从而获得聚类结果。
图3为本发明实施例提供的另一种物品归属方收款限额的方法流程图,本实施例在上述实施例的基础上,进一步优化了上述物品归属方收款限额的方法,相应的,参考图3,该方法包括:
S301、获取物品归属方的待预测交易额对应的历史同期交易明细数据。
物品归属方的待预测交易额为当天之后的未来某一个时段的交易额。待预测交易额对应的历史同期交易明细数据,不仅包括交易额,还包括购买时段、付款行为、付款渠道、退款交易、物品的权属迁移折扣、交易金额、交易笔数、销售情况等。
示例性地,待预测交易额为当天之后的一个季度的交易额。则获取当天之后的一个季度所对应的历史同期的交易明细数据。即,本年度的以前年度中同样季度的交易明细数据。
S302、获取物品归属方的交易波动超过阈值的时段内的历史波动交易明细数据。
交易波动超过阈值的时段为交易波动影响显著的时段,获取物品归属方的交易波动影响显著的时段内的历史波动交易明细数据。例如,可以通过交易来源、是否集中在短期的某个时间段、金额、物品获取方的行为等来获取交易波动超过阈值的时段。
示例性地,在当天之前的一个时段内,由于物品的权属迁移折扣导致的物品的权属迁移波动增大,则获取物品归属方的交易波动超过阈值的时段内的历史波动交易明细数据。
由于物品的权属迁移波动存在比较大的随机性,在一个实施方式中,可以仅获取历史同期交易明细数据,而不获取历史波动交易明细数据。
S303、将第一历史交易明细数据按照第一预设时段进行拆分。
第一历史交易明细数据中不同维度的信息的统计时间可以具有不同的统计时间单位,从而可以按照第一预设时段对第一历史交易明细数据进行拆分,从而增加不同维度的信息的波动程度表征参数的准确度。
示例性地,第一预设时段可以包括单个的自然日,多个的自然日或者单个的营业日。
S304、获取每个第一预设时段内第一历史交易明细数据的评价指标值,形成属性样本集。
在将第一历史交易明细数据按照第一预设时段进行拆分后,根据相同维度下多个物品归属方的第一历史交易明细数据计算波动程度表征参数,然后根据第一历史交易明细数据中不同维度的信息以及该维度信息对应的波动程度表征参数形成属性样本集。
其中,第一历史交易明细数据的评价指标值包括波动程度表征参数。可以获取每个第一预设时段内第一历史交易明细数据的多个评价指标值,然后把多个评价指标值合并到一起,形成单一的合并后的评价指标值。
示例性地,每个第一预设时段得到若干个评价指标值。
S305、根据属性样本集,进行谱聚类得到聚类结果。
S306、根据聚类结果,调整物品归属方的收款限额。
本发明实施例,获取物品归属方的待预测交易额对应的历史同期交易明细数据和交易波动超过阈值的时段内的历史波动交易明细数据,进行数据挖掘,分析物品归属方的历史数据波动情况,据此制定合理的物品归属方的收款限额。
图4为本发明实施例提供的另一种物品归属方收款限额的方法流程图,本实施例在上述实施例的基础上,进一步优化了上述物品归属方收款限额的方法,相应的,参考图4,该方法包括:
S401、获取物品归属方的第一历史交易明细数据。
S402、对第一历史交易明细数据预处理,得到预处理后的数据。
S403、根据预处理后的数据,进行谱聚类得到聚类结果。
S404、根据反欺诈模型对第一历史交易明细数据中的异质性数据进行剔除,形成修正后的聚类结果。
其中,质性数据为突发性事件导致的交易明细数据,例如,异质性数据可以为欺诈事件或者洗钱事件导致的交易明细数据。异质性数据具有突发性。反欺诈模型是对包含交易诈骗,网络诈骗,电话诈骗,盗卡盗号等欺诈行为进行识别的模型。通过反欺诈模型可以识别欺诈客户,欺诈客户导致的交易明细数据作为异质性数据。
S405、根据聚类结果,基于知识推理建立预测模型。
其中,知识推理是指在计算机或智能***中,模拟人类的智能推理方式,依据推理控制策略,利用形式化的知识进行机器思维和求解问题的过程。
本步骤中,还可以包括对建立的预测模型的训练过程,和/或,包括对建立的预测模型的精度验证。例如,通过回归验证实际值和预测值,计算预测模型的精度验证。
S406、获取当天过去时段的物品归属方的第二历史交易明细数据。
其中,第二历史交易明细数据可以位于第一历史交易明细数据内,也可以不位于第一历史交易明细数据内。第二历史交易明细数据的数据量可以小于第一历史交易明细数据的数据量。
其中,第二历史交易明细数据包括在当天、当周或者当月以前的选定时段内历史交易明细数据,例如,当天以前的近段时段内的历史交易明细数据。
S407、将第二历史交易明细数据输入预测模型,获取待预测交易额对应的交易额预测值。
预测模型用于根据历史数据来预测未来发展变化趋势,从而可以根据输入的第二历史交易明细数据,得到待预测交易额所在时段的交易额预测值。
S408、根据交易额预测值,以及待预测交易额对应的历史同期交易明细数据,获取物品归属方的风险系数。
本步骤中,将预测得到的交易额预测值,与待预测交易额对应的历史同期交易明细数据中的交易额进行对比,获取物品归属方的风险系数。
示例性地,预测得到的交易额预测值,与待预测交易额对应的历史同期交易明细数据中的交易额差异较大时,物品归属方的风险系数较大;预测得到的交易额预测值,与待预测交易额对应的历史同期交易明细数据中的交易额差异较小时,物品归属方的风险系数较小。
示例性地,不是周期性波动的销售旺季,在某一个柜台存在明显的交易量增长,该异常行为对应的风险系数较大。异常行为例如可以包括刷单行为。
S409、在风险系数位于预设风险范围时,降低物品归属方的收款限额。
示例性地,预测得到的交易额预测值,与待预测交易额对应的历史同期交易明细数据中的交易额差异越大,则物品归属方的风险系数越大。由此,可以规定,在风险系数大于预设风险范围时,降低异常的物品归属方的收款限额。
S410、在风险系数超出预设风险范围时,不降低物品归属方的收款限额。
本步骤中,在风险系数不位于预设风险范围时,不降低物品归属方的收款限额。即,不对正常的物品归属方降低收款限额。
本发明实施例,由于剔除了异质性数据,对聚类结果进行修正,从而可以避免异质性数据对于预测模型的影响,提高了预测模型的稳定性。对物品归属方近期收款情况作出预测,制定合理的物品归属方的收款限额。在规避相关金融风险的同时,优化物品归属方的收款体验、提高管辖机构的数字化经营能力。
本发明实施例还提供一种物品归属方收款限额的装置,图5为本发明实施例提供的一种物品归属方收款限额的装置的结果示意图,参考图5,该装置包括第一历史交易明细数据获取模块110、预处理后的数据获取模块120、聚类结果获取模块130和收款限额调整模块140。第一历史交易明细数据获取模块110用于获取物品归属方的第一历史交易明细数据。预处理后的数据获取模块120用于对第一历史交易明细数据预处理,得到预处理后的数据。聚类结果获取模块130用于根据预处理后的数据,进行谱聚类得到聚类结果。收款限额调整模块140用于根据聚类结果,调整物品归属方的收款限额。
本发明实施例所提供的基于物品归属方收款限额的装置可执行本发明任意实施例所提供的物品归属方收款限额的方法,具备执行方法相应的功能模块和有益效果。
本发明实施例还提供一种物品归属方收款限额的电子设备,图6为本发明实施例提供的一种电子设备的框图。图6显示的电子设备60仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。如图6所示,该电子设备60以通用计算设备的形式表现。该电子设备60的组件可以包括但不限于:一个或者多个处理器601,***存储器602,连接不同***组件(包括***存储器602和处理器601)的总线603。
总线603表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
电子设备60典型地包括多种计算机***可读介质。这些介质可以是任何能够被电子设备60访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
***存储器602可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(RAM)604和/或高速缓存存储器605。电子设备60可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***606可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线603相连。***存储器602可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块607的程序/实用工具608,可以存储在例如***存储器602中,这样的程序模块607包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块607通常执行本发明所描述的实施例中的功能和/或方法。
电子设备60也可以与一个或多个外部设备609(例如键盘、指向设备、显示器610等)通信,还可与一个或者多个使得用户能与该设备交互的设备通信,和/或与使得该电子设备60能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口611进行。并且,电子设备60还可以通过网络适配器612与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图6所示,网络适配器612通过总线603与电子设备60的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备60使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理器601通过运行存储在***存储器602中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的物品归属方收款限额的方法。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时可实现上述实施例所述的物品归属方收款限额的方法。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于:电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本发明实施例还提供了一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现如本申请任一实施例所提供的物品归属方收款限额的方法。
计算机程序产品在实现的过程中,可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (15)
1.一种物品归属方收款限额的方法,其特征在于,包括:
获取所述物品归属方的第一历史交易明细数据;
对所述第一历史交易明细数据预处理,得到预处理后的数据;
根据所述预处理后的数据,进行谱聚类得到聚类结果;
根据所述聚类结果,调整所述物品归属方的收款限额。
2.根据权利要求1所述的方法,其特征在于,根据所述预处理后的数据,进行谱聚类得到聚类结果,包括:
提取所述预处理后的数据中对交易波动影响显著的特征要素;
将所述特征要素以图的形式进行关联,形成树状图;
根据所述树状图,进行谱聚类得到聚类结果。
3.根据权利要求2所述的方法,其特征在于,根据所述树状图,进行谱聚类得到聚类结果,包括:
将所述树状图中n个元素看作n类,将性质最相近的或相似程度最大的两类合并为一个新类,得到n-1类;
从n-1类中,将性质最相近的或相似程度最大的两类合并为一个新类,得到n-2类;
重复上述合并过程,直至所有的元素都在一类中。
4.根据权利要求3所述的方法,其特征在于,将性质最相近的或相似程度最大的两类合并为一个新类,包括:
采用最长距离法,将性质最相近的或相似程度最大的两类合并为一个新类;
其中,最长距离法指的是,用两个类中各元素间最长的距离代表类间距离,再用距离最小的来合并两个类成为新类。
5.根据权利要求2所述的方法,其特征在于,所述特征要素包括物品获取行为要素和物品的权属迁移要素。
6.根据权利要求1所述的方法,其特征在于,获取所述物品归属方的第一历史交易明细数据,包括:
获取所述物品归属方的待预测交易额对应的历史同期交易明细数据。
7.根据权利要求6所述的方法,其特征在于,获取所述物品归属方的第一历史交易明细数据,还包括:
获取所述物品归属方的交易波动超过阈值的时段内的历史波动交易明细数据。
8.根据权利要求1所述的方法,其特征在于,对所述第一历史交易明细数据预处理,得到预处理后的数据,包括:
将所述第一历史交易明细数据按照第一预设时段进行拆分;
获取每个所述第一预设时段内所述第一历史交易明细数据的评价指标值,形成属性样本集。
9.根据权利要求1所述的方法,其特征在于,在根据所述聚类结果,调整所述物品归属方的收款限额之前,还包括:
根据反欺诈模型对所述第一历史交易明细数据中的异质性数据进行剔除,形成修正后的聚类结果。
10.根据权利要求1所述的方法,其特征在于,根据所述聚类结果,调整所述物品归属方的收款限额,包括:
根据所述聚类结果,基于知识推理建立预测模型;
获取当天过去时段的所述物品归属方的第二历史交易明细数据;
将所述第二历史交易明细数据输入所述预测模型,获取待预测交易额对应的交易额预测值;
根据所述交易额预测值,确定所述物品归属方的收款限额。
11.根据权利要求10所述的方法,其特征在于,根据所述交易额预测值,确定所述物品归属方的收款限额,包括:
根据所述交易额预测值,以及待预测交易额对应的历史同期交易明细数据,获取所述物品归属方的风险系数;
在所述风险系数位于预设风险范围时,降低所述物品归属方的收款限额。
12.一种物品归属方收款限额的装置,其特征在于,包括:
第一历史交易明细数据获取模块,用于获取所述物品归属方的第一历史交易明细数据;
预处理后的数据获取模块,用于对所述第一历史交易明细数据预处理,得到预处理后的数据;
聚类结果获取模块,用于根据所述预处理后的数据,进行谱聚类得到聚类结果;
收款限额调整模块,用于根据所述聚类结果,调整所述物品归属方的收款限额。
13.一种物品归属方收款限额的电子设备,其特征在于,包括存储器,处理器及存储在存储器上并可在处理器运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-11中任一项所述的物品归属方收款限额的方法。
14.一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,该程序被处理器执行时实现如权利要求1-11中任一所述的物品归属方收款限额的方法。
15.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序在被处理器执行时实现如权利要求1-11中任一项所述的物品归属方收款限额的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211611249.7A CN115953023A (zh) | 2022-12-14 | 2022-12-14 | 物品归属方收款限额的方法、装置、设备、介质及产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211611249.7A CN115953023A (zh) | 2022-12-14 | 2022-12-14 | 物品归属方收款限额的方法、装置、设备、介质及产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115953023A true CN115953023A (zh) | 2023-04-11 |
Family
ID=87288843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211611249.7A Pending CN115953023A (zh) | 2022-12-14 | 2022-12-14 | 物品归属方收款限额的方法、装置、设备、介质及产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115953023A (zh) |
-
2022
- 2022-12-14 CN CN202211611249.7A patent/CN115953023A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110837931B (zh) | 客户流失预测方法、装置及存储介质 | |
US7610257B1 (en) | Computer-implemented risk evaluation systems and methods | |
CN113034046A (zh) | 一种数据风险计量方法、装置、电子设备及存储介质 | |
Gao et al. | Research on Default Prediction for Credit Card Users Based on XGBoost‐LSTM Model | |
CN112232950A (zh) | 针对借贷风险的评估方法及装置、设备、计算机可读存储介质 | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
CA3169417A1 (en) | Method of and system for appraising risk | |
CN112950359B (zh) | 一种用户识别方法和装置 | |
CN110197316B (zh) | 运营数据的处理方法、装置、计算机可读介质及电子设备 | |
CN113269629A (zh) | 授信额度确定方法、电子设备及相关产品 | |
CN117829974A (zh) | 用户账户的权限控制方法、装置、计算机设备和存储介质 | |
CN113554504A (zh) | 一种车贷风控模型生成方法、装置及评分卡生成方法 | |
CN111695988A (zh) | 信息处理方法、装置、电子设备和介质 | |
CN115564591A (zh) | 一种融资产品的确定方法及相关设备 | |
CN115953023A (zh) | 物品归属方收款限额的方法、装置、设备、介质及产品 | |
CN114529402A (zh) | 一种基于大数据风控的信贷管理方法、设备及介质 | |
CN114880369A (zh) | 一种基于弱数据技术的风险授信方法和*** | |
Lee et al. | Application of machine learning in credit risk scorecard | |
CN113283979A (zh) | 一种贷款申请人的贷款信用评估方法、装置及存储介质 | |
CN111429257A (zh) | 一种交易监控方法和装置 | |
US11037126B2 (en) | Systems and methods for assessing electronic payment readiness | |
Takahashi et al. | An Efficient Method of Characterization of the Bad Debt Customers in the Mail Order Industry | |
CN117974297A (zh) | 一种业务处理方法、装置、电子设备及计算机可读介质 | |
CN118096163A (zh) | 交易数据分析方法、装置、设备及存储介质 | |
CN117994016A (zh) | 构建零***风险预测模型的方法和消费信贷业务Scorebeta模型 |
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 |