CN116307671A - 风险预警方法、装置、计算机设备、存储介质 - Google Patents
风险预警方法、装置、计算机设备、存储介质 Download PDFInfo
- Publication number
- CN116307671A CN116307671A CN202211088649.4A CN202211088649A CN116307671A CN 116307671 A CN116307671 A CN 116307671A CN 202211088649 A CN202211088649 A CN 202211088649A CN 116307671 A CN116307671 A CN 116307671A
- Authority
- CN
- China
- Prior art keywords
- risk
- entity
- information
- knowledge
- event data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000000605 extraction Methods 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 31
- 230000004044 response Effects 0.000 claims abstract description 17
- 238000010276 construction Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000012706 support-vector machine Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 62
- 230000006399 behavior Effects 0.000 description 18
- 230000002159 abnormal effect Effects 0.000 description 14
- 238000007726 management method Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000012954 risk control 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及一种风险预警方法、装置、计算机设备、存储介质,涉及大数据分析处理技术领域。所述方法包括:获取目标对象的实体关系信息;利用预先构建的风险知识图谱匹配与所述实体关系信息对应的风险事件数据,得到匹配结果,其中,预先构建的风险知识图谱是利用获取到的历史风险事件数据进行知识抽取,对知识抽取后得到的实体关系信息进行实体消歧,根据所述历史风险事件数据以及进行实体消歧后的实体关系信息进行知识加工后得到的;响应于匹配到与所述实体关系信息对应的风险事件数据,确定所述目标对象存在风险。采用本方法能够及时的发现准入商户的经营风险,有效的对准入商户可能发生的潜在风险事件进行预警,避免发生相关金融风险。
Description
技术领域
本公开涉及大数据分析处理技术领域,特别是涉及一种风险预警方法、装置、计算机设备、存储介质。
背景技术
随着互联网的发展,电子银行、网络支付、互联网贷款等互联网金融业务为客户带来了更加便捷地服务与体验,但是,随着商业银行业务范围的不断拓展,经济形势复杂性加剧,非正常的交易行为日益频发,给商业银行及社会经济稳定造成了严重的不良影响,监管层对银行业务及资金风险的监管要求也日趋严格。然而由于各类风险事件的作案手法越发复杂,传统的风险核查方式已不能满足当下监管的要求。
在当前的风险管理模式下,商业银行主要依靠对客户在准入时提供的各种身份信息及经营资料做真实性核查,并依靠商户经理的定期线下巡检来防范商户的欺诈风险。这种管理模式缺乏风险管理的连续性,且往往具有滞后性,即无法及时发现商户经营的风险特征变化导致商户经理无法提前介入干预,化解风险。
发明内容
基于此,有必要针对上述技术问题,提供一种能够及时发现准入商户的经营的风险的风险预警方法、装置、计算机设备、存储介质。
第一方面,本公开提供了一种风险预警方法。所述方法包括:
获取目标对象的实体关系信息;
利用预先构建的风险知识图谱匹配与所述实体关系信息对应的风险事件数据,得到匹配结果,其中,预先构建的风险知识图谱是利用获取到的历史风险事件数据进行知识抽取,对知识抽取后得到的实体关系信息进行实体消歧,根据所述历史风险事件数据以及进行实体消歧后的实体关系信息进行知识加工后得到的;
响应于匹配到与所述实体关系信息对应的风险事件数据,确定所述目标对象存在风险。
在其中一个实施例中,所述风险知识图谱的构建过程包括:
获取历史风险事件数据;
对所述历史风险事件数据进行知识抽取以及关键要素提取,确定所述历史风险事件数据中的实体关系信息和风险特征信息;
根据预先构建的知识库对所述实体关系信息进行实体消歧;
根据所述风险特征信息以及进行实体消歧后的实体关系信息进行知识加工,得到风险知识图谱。
在其中一个实施例中,所述利用预先构建的风险知识图谱匹配与所述实体关系信息对应的风险事件数据,得到匹配结果,包括:
利用预先构建的风险知识图谱匹配与所述实体关系信息对应的所述风险特征信息,得到匹配结果;
相应的,响应于匹配到与所述实体关系信息对应的风险特征数据,确定所述目标对象存在风险。
在其中一个实施例中,所述对所述历史风险事件数据进行知识抽取以及关键要素提取,确定所述历史风险事件数据中的实体关系信息和风险特征信息,包括:
利用卷积神经网络对所述历史风险事件数据进行拆解,确定所述历史风险事件数据中多个对象的实体、属性以及多个对象的实体之间的相互关系;
利用关键词提取技术提取所述历史风险事件数据中关键要素,得到风险特征信息,所述风险特征信息至少包括:对象的经营信息、对象的资产信息、对象的交易时间信息和对象的退款信息。
在其中一个实施例中,所述获取历史风险事件数据,包括:
对获取到的历史风险事件数据进行数据清洗和数据转换,得到符合标准的历史风险事件数据。
在其中一个实施例中,所述根据预先构建的知识库对所述实体关系信息进行实体消歧,包括:
利用支持向量机算法比较多个对象的实体,进行实体对齐;
利用预先构建的知识库对进行实体对齐后的多个对象的实体进行实体消歧。
在其中一个实施例中,所述方法还包括:
通过图形数据库存储所述风险知识图谱,利用所述图形数据库可视化的展示所述风险知识图谱;
相应的,所述利用预先构建的风险知识图谱匹配与所述实体关系信息对应的风险事件数据,得到匹配结果,包括:
利用可视化的所述风险知识图谱匹配与所述实体关系信息对应的风险特征信息,得到匹配结果。
第二方面,本公开还提供了一种风险预警装置。所述装置包括:
信息获取模块,用于获取目标对象的实体关系信息;
风险匹配模块,用于利用预先构建的风险知识图谱匹配与所述实体关系信息对应的风险事件数据,得到匹配结果,其中,预先构建的风险知识图谱是利用获取到的历史风险事件数据进行知识抽取,对知识抽取后得到的实体关系信息进行实体消歧,根据所述历史风险事件数据以及进行实体消歧后的实体关系信息进行知识加工后得到的;
风险确定模块,用于响应于匹配到与所述实体关系信息对应的风险事件数据,确定目标对象存在风险。
在所述装置的其中一个实施例中,所述装置还包括:知识图谱构建模块,用于获取历史风险事件数据;对所述历史风险事件数据进行知识抽取以及关键要素提取,确定所述历史风险事件数据中的实体关系信息和风险特征信息;根据预先构建的知识库对所述实体关系信息进行实体消歧;根据所述风险特征信息以及进行实体消歧后的实体关系信息进行知识加工,得到风险知识图谱。
在所述装置的其中一个实施例中,所述知识图谱构建模块,包括:风险特征匹配模块,用于利用预先构建的风险知识图谱匹配与所述实体关系对应的所述风险特征信息,得到匹配结果;
相应的,所述风险确定模块,还用于响应于匹配到与所述实体关系信息对应的风险特征信息,确定所述目标对象存在风险。
在所述装置的其中一个实施例中,所述知识图谱构建模块,还包括:
事件拆解模块,用于利用卷积神经网络对所述历史风险事件数据进行拆解,确定所述历史风险事件数据中多个对象的实体、属性以及多个对象的实体之间的相互关系;
关键要素提取模块,用于利用关键词提取技术提取所述历史风险事件数据中关键要素,得到风险特征信息,所述风险特征信息至少包括:对象的经营信息、对象的资产信息、对象的交易时间信息和对象的退款信息。
在所述装置的其中一个实施例中,所述知识图谱构建模块,还包括:事件处理模块,用于对获取到的历史风险事件数据进行数据清洗和数据转换,得到符合标准的历史风险事件。
在所述装置的其中一个实施例中,所述知识图谱构建模块,还包括:实体对齐模块,用于利用支持向量机算法比较多个对象的实体,进行实体对齐;
实体消歧模块,用于利用预先构建的知识库对进行实体对齐后的多个对象的实体进行实体消歧。
在所述装置的其中一个实施例中,所述装置还包括:可视化展示模块,用于通过图形数据库存储所述风险知识图谱,利用所述图形数据库可视化的展示所述风险知识图谱。
第三方面,本公开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任一方法实施例的步骤。
第四方面,本公开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任一方法实施例的步骤。
第五方面,本公开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任一方法实施例的步骤。
上述各实施例中,利用目标对象的实体关系信息和预先构建的风险知识图谱进行匹配。其中风险知识图谱能够挖掘出非正常交易(存在风险事件)的商户对应的实体关系信息之间的关联的共性特征。后续在需要对目标对象识别是否存在风险事件时,可以利用该风险知识图谱挖掘的共性特征与目标对象的对应的实体关系信息进行匹配,若匹配到共性特征,则可以确定目标对象可能会存在风险,进而会产生对应的风险事件。因此,可以确定目标对象存在风险,能够及时的发现准入商户的经营风险,有效的对准入商户可能发生的潜在风险事件进行预警,避免发生相关金融风险。并且,本案与传统的使用模型或者使用特征进行处理的方式不同,本案中使用风险知识图谱,因此无需对数据进行处理以及计算,仅仅在风险知识图谱中进行匹配即可,可以更及时来确定目标对象是否存在风险,并且由于风险知识图谱能够将各种信息聚集为知识,因此可以使信息资源更易于计算、理解以及评价,能够更精准的提取深层的关联交易风险的共性特征,进而能够挖掘出关联性的隐藏的商户的非正常交易的风险。
附图说明
为了更清楚地说明本公开具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本公开的一些实施方式,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的附图。
图1为一个实施例中风险预警方法的应用环境示意图;
图2为一个实施例中风险预警方法的流程示意图;
图3为一个实施例中风险知识图谱的构建过程的流程示意图;
图4为一个实施例中S304步骤的流程示意图;
图5为一个实施例中S306步骤的流程示意图;
图6为另一个实施例中风险知识图谱构建的流程示意图;
图7为另一个实施例中风险知识图谱应用的流程示意图;
图8为一个实施例中另一种风险知识图谱的构建过程的流程示意图;
图9为一个实施例中风险预警装置的结构示意框图;
图10为一个实施例中计算机设备的内部结构示意图。
具体实施方式
为了使本公开的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本公开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公开,并不用于限定本公开。
需要说明的是,本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本文的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中,术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系。例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
正如背景技术所述,在传统的银行风控模式下,对发展商户的风险控制主要集中在商户准入阶段,缺乏后续对商户经营风险状况的持续跟踪。而且对商户是否存在风险的判断依据也主要源于对商户个体本身的信息进行分析,由于当前个人信息伪造成本很低,所以需要投入大量人力去审核商户的身份及提交材料的真实性。但是即便如此,通过准入的商户依然存在很高的风险。
目前针对商户的风险存在如下评估风险的方式,例如,一种商户风险监测方法、装置、计算机设备和存储介质,包括:获取多个目标商户各自对应的入驻前风险评估值和各所述目标商户在入驻后缓冲期期间进行平台操作而形成的平台记录数据;分别对各所述目标商户的平台记录数据进行特征提取,获得各所述目标商户对应的入驻后特征向量;使用异常检测模型对由所述多个目标商户对应的入驻后特征向量构成的特征矩阵进行异常检测处理,获得各所述目标商户对应的入驻后风险评估值;根据各所述目标商户对应的入驻前风险评估值和入驻后风险评估值计算出各所述目标商户对应的综合风险值。该方案,仅将待入驻商户与各风险商户进行计算相似度,即对待入驻商户和各目标商户之间的特征进行处理,不能挖掘出商户之间深层次的链接关系,具有参照范围的局限性。
又例如,商户风险估算方法及***,包括:对商户进行风险评估的多个模型,每个模型对应设定时期内的一种欺诈行为;将待评估商户在该设定时期的交易数据输入到各模型中,以获得各模型的估算结果;对各模型的估算结果做加权平均,以获得该待评估商户的风险估算结果。该方案需要通过多个模型才得到多种欺诈行为对应的估算结果,处理过程较为繁琐,并且无法挖掘出关联性的隐藏的商户的非正常交易的风险。
因此,如何对准入商户进行一个全流程的监管并及时预警或确定商户潜在的风险是亟待解决的一个问题。
需要说明的是,本公开所涉及的目标对象的基本信息和历史风险事件,均为经用户授权或者经过各方充分授权的信息和数据。
本公开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。
因此,为解决上述问题,本公开实施例提供了一种风险预警方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储***可以存储服务器104或终端102需要处理或者使用的数据。数据存储***可以集成在服务器104上,也可以放在云上或其他网络服务器上。终端102获取服务器中的目标对象的实体关系信息。终端102利用在服务器104中或者终端102中预先构建的风险知识谱图匹配与所述实体关系信息对应的风险事件,得到匹配结果。其中。预先构建的风险知识图谱是终端102或者服务器104利用获取到的历史风险事件数据进行知识抽取,对知识抽取后得到的实体关系信息进行实体消歧,根据所述历史风险事件数据以及进行实体消歧后的实体关系信息进行知识加工后得到的。响应于匹配到与所述实体关系信息对应的风险事件数据,终端102确定所述目标对象存在风险。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种风险预警方法,以该方法应用于图1中的终端102为例进行说明,包括以下步骤:
S202,获取目标对象的实体关系信息。
其中,目标对象在本公开的一些实施例中可以指的是需要评估是否存在风险(非正常的交易行为)的商户,该商户通常情况下是准入商户。准入商户通常可以理解为在需要银行进行业务注册,验证真实性的商户。实体关系信息通常可以是目标对象中对应的实体、实体属性等信息。如果两个节点之间存在关系,他们就会被一条无向边连接在一起,这个节点我们称为实体(Entity),节点之间的这条边,我们称为关系(Relationship)。
具体地,可以对目标对象的信息进行实体识别,获取目标对象的实体关系信息。例如,可以与ECIF连接,获取ECIF中存储的目标对象的各种基本信息,例如商户基本属性、商户经营行为、商户资产行为、商户借贷记卡交易行为、商户交易时间行为、商户退款行为等。并利用基于规则和词典匹配的方法、基于机器学习的方法、或者NER模型等方法来获取基本信息中目标对象对应的实体关系信息。
其中,ECIF是企业级客户信息整合***(Enterprise Customer InformationFacility)。
S204,利用预先构建的风险知识图谱匹配与所述实体关系信息对应的风险事件数据,得到匹配结果;
其中,预先构建的风险知识图谱是利用获取到的历史风险事件数据进行知识抽取,对知识抽取后得到的实体关系信息进行实体消歧,根据所述历史风险事件数据以及进行实体消歧后的实体关系信息进行知识加工后得到的。风险知识图谱通常可以是结构化的语义知识库,用于迅速描述物理世界中的概念及其相互关系,在本公开的一些实施例中,可以用于描述商户和对应的风险事件数据之间的关系。通过风险知识图谱能够将商户对应的各种信息、数据以及链接关系聚集为知识,使信息资源更易于计算、理解以及评价,并能实现知识的快速响应和推理。知识图谱的基本单位,通常是是“实体(Entity)-关系(Relationship)-实体(Entity)”构成的三元组,这也是知识图谱的核心。例如可以通过A实体匹配对应的关系,匹配得到B实体。
具体地,可以利用预先构建的风险知识图谱挖掘存在风险事件的商户的共性特征。进而根据共性特征与目标对象的实体关系信息进行匹配,确定目标对象的实体关系中是否存在这些共性特征(风险事件数据),进而来及时地对预警人员进行提示。
S206,响应于匹配到与所述实体关系信息对应的风险事件数据,确定所述目标对象存在风险。
具体地,若发现实体关系信息中存在上述确定的共性特征(风险事件数据),这些共性特征可能会导致目标对象产生风险事件,则可以确定在风险知识图谱中匹配到对应的风险事件数据,确定目标对象存在风险。
若发现实体关系信息中未存在上述确定的共性特征,则通常情况下不会导致目标对象产生风险事件,则可以确定目标对象未存在风险。
在一些示例性的实施例中,共性特征例如可以是,根据商户交易的IP地址或者经纬度数据判断商户交易的发生位置,若在某个事件段内的交易位置多于N个,则可判断该商户存在移机交易风险事件,其中N为大于等于2的整数。
在一个具体的实施例中,获取到目标对象的各种实体关系信息后,例如实体关系信息可以包括:商户基本属性、商户经营行为、商户资产行为、商户借贷记卡交易行为、商户交易时间行为、商户退款行为对应的实体。可以将该实体关系信息中输入至预先构建的风险知识图谱中。可以通过风险知识图谱确定该实体信息和其中对应的风险特征是否存在联系。例如,其中存在的风险特征为恶意多次重复交易,则可以通过商户借贷记卡交易行为确定该风险特征。即该风险特征可以通过商户借贷记卡交易行为来识别出,若目标对象的实体关系信息中的商户借贷记卡交易行为与风险特征对应的商户借贷记卡交易行为相同或者相类似,则可以确定该目标对象的实体关系信息中存在的商户借贷记卡交易行为可能会引起风险事件,进而可以确定目标对象存在风险。
上述风险预警方法中,利用目标对象的实体关系信息和预先构建的风险知识图谱进行匹配。其中风险知识图谱能够挖掘出非正常交易(存在风险事件)的商户对应的实体关系信息之间的关联的共性特征。后续在需要对目标对象识别是否存在风险事件时,可以利用该风险知识图谱挖掘的共性特征与目标对象的对应的实体关系信息进行匹配,若匹配到共性特征,则可以确定目标对象可能会存在风险,进而会产生对应的风险事件。因此,可以确定目标对象存在风险,能够及时的发现准入商户的经营风险,有效的对准入商户可能发生的潜在风险事件进行预警,避免发生相关金融风险。并且,本案与传统的使用模型或者使用特征进行处理的方式不同,本案中使用风险知识图谱无需对数据进行处理以及计算,仅仅在风险知识图谱中进行匹配即可,可以更及时来确定目标对象是否存在风险,并且由于风险知识图谱能够将各种信息聚集为知识,因此可以使信息资源更易于计算、理解以及评价,能够更精准的提取深层的关联交易风险的共性特征,进而能够挖掘出关联性的隐藏的商户的非正常交易的风险。
在一个实施例中,如图3所示,所述风险知识图谱的构建过程包括:
S302,获取历史风险事件数据。
S304,对所述历史风险事件数据进行知识抽取以及关键要素提取,确定所述历史风险事件数据中的实体关系信息和风险特征信息。
其中,历史风险事件可以是历史的商户存在非正常交易的事件,或者某些机构、某些数据库中公布的非正常交易的时间等。知识抽取通常可以是一种自动化地从历史风险事件中抽取实体、关系以及实体属性等结构化信息的技术。关键要素提取通常可以是确定影响产生历史风险事件的关键特征的技术。
具体地,可以通过连接各种机构的数据库,获取数据库中存储的历史风险事件。然后可以对获取到的历史风险事件进行知识抽取,得到历史风险事件中实体关系信息。实体关系信息可以包括了历史风险事件中实体、关系以及实体属性等结构化信息。对历史风险事件进行关键要素提取,获取历史风险事件中可能会导致产生风险事件的特征,该特征可以为风险特征。
S306,根据预先构建的知识库对所述实体关系信息进行实体消歧。
S308,根据所述风险特征信息以及进行实体消歧后的实体关系信息进行知识加工,得到风险知识图谱。
其中,实体消歧通常可以是专门用于解决同名实体产生歧义问题的技术,通过实体消歧,就可以根据当前的语境,准确建立实体链接,实体消歧主要采用聚类法。知识加工通常可以是对上述处理过后的数据进行加工,得到结构化、网络化的知识体系的方法。预先构建的知识库中通常情况下存在了多种实体。该多种实体可以包括历史风险事件对应的实体。
具体地,可以获取实体关系信息中进行实体抽取(知识抽取)得到的实体指称项。判断预先构建的知识库中的同名实体与之(得到的实体指称项)是否代表不同的含义以及预先构建的知识库中是否存在其他命名实体与之表示相同的含义。在确认知识库中对应的正确实体对象之后,将该实体指称项链接到知识库中对应实体中,进行实体消歧。根据通过历史风险事件得出的风险特征,规范化描述商户正常经营与风险商户之间的关系,从而形成结构化的知识体系和高质量的知识,进而完成知识图谱的构建,得到风险知识图谱。
在另一些实施方式中,还可以对进行实体消歧后的实体关系信息进行知识融合,例如合并外部知识库,主要处理数据层和模式层的冲突;合并关系数据库,有RDB2RDF等方法。
在一些示例性的实施例中,可以先进行上述实体信息关系中每个实体之间的并列关系相似度计算,然后进行实体上下位关系抽取,最后进行本体的生成。本体构建完成之后,风险知识图谱的大体框架已经构建完成,此时其中的关系大多数都是不完整的,因此可以使用知识推理的技术,根据风险特征推理出各种可能会产生风险事件的或者非正常交易的其他风险特征。例如,可以利用基于知识表达的关系推理技术;基于概率图模型的关系推理技术路线示意图;基于深度学习的关系推理技术路线示意图等进行知识推理。然后,可以对知识推理后得到的知识进行质量评估,对知识的可信度进行量化,可以通过舍弃置信度较低的知识来保障风险知识图谱的质量,以提升确定准入商户的风险的准确度。
在本实施例中,通过根据历史风险事件构建风险知识图谱,能够在日常工作中提前预警业务人员相关商户的风险,在发生疑似风险事件时,便于调查人员进行欺诈挖掘、分析,帮助理清疑似风险商户之间的关联关系,提升工作效率。
在一个实施例中,所述利用预先构建的风险知识图谱匹配与所述实体关系信息对应的风险事件数据,得到匹配结果,包括:
利用预先构建的风险知识图谱匹配与所述实体关系信息对应的所述风险特征信息,得到匹配结果;
相应的,响应于匹配到与所述实体关系信息对应的风险特征信息,确定所述目标对象存在风险。
具体地,可以通过预先构建的风险知识图谱匹配实体关系信息中是否存在对应的风险特征。该风险特征可以是存在风险的商户中均存在的实体关系信息。
例如风险知识图谱中存在风险特征A。实体关系信息中存在A1、A2等实体关系。在根据风险知识图谱确定A1和A2实体关系均与风险特征A存在联系,则可以确定匹配结果为匹配到风险特征。可以确定该目标对象存在风险。若实体关系信息中所有实体关系均与风险特征未存在一定的关系或者联系,则可以确定匹配结果为未匹配到风险特征,确定该目标对象未存在风险。
在本实施例中,通过风险特征和实体关系中每个实体的联系,能够更精准的提取深层的关联交易风险的共性特征,进而能够挖掘出关联性的隐藏的商户的非正常交易的风险。
在一个实施例中,如图4所示,所述对所述历史风险事件数据进行知识抽取以及关键要素提取,确定所述历史风险事件数据中的实体关系信息和风险特征信息,包括:
S402,利用卷积神经网络对所述历史风险事件数据进行拆解,确定所述历史风险事件数据中多个对象的实体、属性以及多个对象的实体之间的相互关系。
S404,利用关键词提取技术提取所述历史风险事件数据中关键要素,得到风险特征信息,所述风险特征信息至少包括:对象的经营信息、对象的资产信息、对象的交易时间信息和对象的退款信息。
风险特征信息还可以包括:商户的属性,例如商户类型、小微商户标志、商户规模,结算账户属性等。
具体的,可以利用卷积神经网络,如CNN(Convolutional Neural Network)对历史风险事件进行拆解,目的是发现历史风险事件中实体、实体属性和实体与实体间关系等可用知识单元。然后可以基于TextRank关键词提取技术对历史风险事件进行风险判定要素提取,得到风险特征。
例如,在多个历史风险事件中出现的某个商户特征,可以说明具有这个特征的商户存在风险,如果一个特征与一个TextRank值很高的特征存在关联,则这个特征的TextRank值也会相应的提高。通常情况下可以设置对应的TextRank阈值,大于该阈值的可以确定为风险要素,该特征可以为风险特征。
例如,风险特征可以为交易金额,则对应的关联特征可以为:该商户结算账户最近12小时失败交易金额最大值/当前交易金额,最近3天失败交易金额均值/当天平均交易金额,最近6小时失败交易金额汇总/当天汇总交易金额,当天交易最大金额,最近12小时最大成功交易金额等等。
进一步举例说明,若多个历史风险事件中出现的某些商户,其中对应的基本信息,例如:多个商户存在经营信息异常,或者资产信息为负债。可以确定风险特征可以为:经营信息异常和资产信息负债。后续在识别目标对象是否产生风险时,可以根据经营信息和资产信息进行判断。可以理解的是,上述仅仅用于举例说明,并不代表实际情况,本领域技术人员可根据实际情况确定风险特征,进而构建风险知识图谱,来识别目标对象的风险。
在本实施例中,通过提取关键要素,能够得到与风险事件存在一定的关联的风险特征,后续在利用风险特征构建风险知识图谱后,可以提高对目标对象的风险判断的准确度。
在一个实施例中,所述获取历史风险事件数据,包括:
对获取到的历史风险事件数据进行数据清洗和数据转换,得到符合标准的历史风险事件。
具体地,可以通过ETL工具对提取出来的历史风险事件数据进行组织、清洗、检测以获得符合标准的历史风险事件数据。
在一个实施例中,如图5所示,根据预先构建的知识库对所述实体关系信息进行实体消歧,包括:
S502,利用支持向量机算法比较多个对象的实体,进行实体对齐;
S504,利用预先构建的知识库对进行实体对齐后的多个对象的实体进行实体消歧。
其中,支持向量机算法通常可以是一类按监督学习(supervised learning)方式对数据进行二元分类的广义线性分类器(generalized linear classifier)。
具体地,可以利用支持向量机算法比较多个对象的实体,解决多个实体指称项对应同一实体对象的问题。利用支持向量机算法进行实体对齐,可以将这些实体指称项关联(合并)到正确的实体对象中。然后对进行实体对齐后的多个对象的实体进行实体消歧,链接到预先构建知识库中的正确的实体中。关于本实施例中实体消歧的具体操作可以参见上述S306步骤的具体解释。
在一个实施例中,所述方法还包括:
通过图形数据库存储所述风险知识图谱,利用所述图形数据库可视化的展示所述风险知识图谱;
相应的,所述利用预先构建的风险知识图谱匹配与所述实体关系信息对应的风险事件信息,得到匹配结果,包括:
利用可视化的所述风险知识图谱匹配与所述实体关系信息对应的风险特征信息,得到匹配结果。
具体地,可以通过利用Neo4j图形数据库存储结构化的知识图谱数据,并根据生成可视化的风险知识图谱,可以通过可视化的风险知识图谱挖掘各实体与实体之间的深层关系。具体地,可以利用可视化的所述风险知识图谱匹配与所述实体关系信息对应的风险特征,得到对应的匹配结果。
在本实施例中,通过可视化的方式能够快速的挖掘各实体与实体之间的深层关系,进而能够快速的找与实体关系信息对应的风险特征,提高了目标对象的风险识别的效率。
在一个实施例中,如图6和图7所示,本公开还提供了另一种风险预警方法包括:
风险知识图谱构建:
S602,获取历史风险事件。
S604,对获取到的历史风险事件进行数据清洗和数据转换,得到符合标准的历史风险事件。
S606,利用卷积神经网络对所述历史风险事件进行拆解,确定所述历史风险事件中多个对象的实体、属性以及多个对象的实体之间的相互关系。
S608,利用关键词提取技术提取所述历史风险事件中关键要素,得到风险特征。
S610,利用支持向量机算法比较多个对象的实体,进行实体对齐。
S612,利用预先构建的知识库对进行实体对齐后的多个对象的实体进行实体消歧。
S614,根据所述风险特征以及进行实体消歧后的实体关系信息进行知识加工,得到风险知识图谱。
S616,通过图形数据库存储所述风险知识图谱,利用所述图形数据库可视化的展示所述风险知识图谱。
风险知识图谱应用:
S702,获取目标对象的实体关系信息。
S704,利用预先构建的风险知识图谱匹配与所述实体关系信息对应的风险特征,得到匹配结果,
S706,判断匹配结果是否为匹配到与所述实体关系信息对应的风险特征。
S708,响应于匹配到与所述实体关系信息对应的风险特征,确定所述目标对象存在风险。
S710,响应于未匹配到与所述实体关系信息对应的风险特征,确定所述目标对象未存在风险。
关于本实施例中的具体实施方式和限定可参见上述实施例,在此不进行重复赘述。
在一个实施例中,如图8所示,本公开实施例还提供了另一种风险知识图谱的构建过程,包括如下步骤:
S81,进行知识抽取,首先通过ETL工具对利用数据图提取出来的商户数据进行组织、清洗、检测以获得符合构建知识图谱标准的数据,然后利用卷积神经网络从标准的数据中识别目标对象实体,提取目标对象实体之间的某种语义关系或关系类别以及抽取出目标对象的实体的属性。
S83,进行知识融合,采用基于支持向量机算法通过比较不同目标数据对应的特征向量的方式来进行目标对象的实体对齐,根据预先构建的知识库对预先选择的目标对象的信息进行实体消歧。
S85,进行知识加工,根据历史风险事件总结得出的风险特征,规范化描述目标对象正常经营与目标对象非正常交易之间的关系,从而形成结构化的知识体系和高质量的知识,构建得到风险知识图谱,实现对知识的统一管理。
S87,风险知识图谱存储,可以用关系数据库来存储风险知识图谱(尤其是简单结构的知识图谱)或者图数据库存储风险知识图谱。
若风险知识图谱变复杂,用传统的关系数据库存储,查询效率会显著低于图数据库。在一些涉及到2,3度的关联查询场景,图数据库能把查询效率提升几千倍甚至几百万倍。而且基于图的存储在设计上会非常灵活,一般只需要局部的改动即可。当场景数据规模较大的时候,通常建议直接用图数据库来进行存储。
应该理解的是,虽然如上所述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,如上所述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,本公开实施例还提供了一种用于实现上述所涉及的风险预警方法的风险预警装置。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风险预警装置实施例中的具体限定可以参见上文中对于风险预警方法的限定,在此不再赘述。
在一个实施例中,如图9所示,提供了一种风险预警装置800,包括:信息获取模块802、风险匹配模块804和风险确定模块806,其中:
信息获取模块802,用于获取目标对象的实体关系信息;
风险匹配模块804,用于利用预先构建的风险知识图谱匹配与所述实体关系信息对应的风险事件数据,得到匹配结果,其中,预先构建的风险知识图谱是利用获取到的历史风险事件数据进行知识抽取,对知识抽取后得到的实体关系信息进行实体消歧,根据所述历史风险事件数据以及进行实体消歧后的实体关系信息进行知识加工后得到的;
风险确定模块806,用于响应于匹配到与所述实体关系信息对应的风险事件数据,确定目标对象存在风险。
在所述装置的一个实施例中,所述装置还包括:知识图谱构建模块,用于获取历史风险事件数据;对所述历史风险事件数据进行知识抽取以及关键要素提取,确定所述历史风险事件数据中的实体关系信息和风险特征信息;根据预先构建的知识库对所述实体关系信息进行实体消歧;根据所述风险特征信息以及进行实体消歧后的实体关系信息进行知识加工,得到风险知识图谱。
在所述装置的一个实施例中,所述知识图谱构建模块,包括:风险特征匹配模块,用于利用预先构建的风险知识图谱匹配与所述实体关系对应的所述风险特征信息,得到匹配结果;
相应的,所述风险确定模块806,还用于响应于匹配到与所述实体关系信息对应的风险特征信息,确定所述目标对象存在风险。
在所述装置的一个实施例中,所述知识图谱构建模块,还包括:
事件拆解模块,用于利用卷积神经网络对所述历史风险事件数据进行拆解,确定所述历史风险事件数据中多个对象的实体、属性以及多个对象的实体之间的相互关系;
关键要素提取模块,用于利用关键词提取技术提取所述历史风险事件数据中关键要素,得到风险特征信息,所述风险特征信息至少包括:对象的经营信息、对象的资产信息、对象的交易时间信息和对象的退款信息。
在所述装置的一个实施例中,所述知识图谱构建模块,还包括:事件处理模块,用于对获取到的历史风险事件数据进行数据清洗和数据转换,得到符合标准的历史风险事件。
在所述装置的一个实施例中,所述知识图谱构建模块,还包括:实体对齐模块,用于利用支持向量机算法比较多个对象的实体,进行实体对齐;
实体消歧模块,用于利用预先构建的知识库对进行实体对齐后的多个对象的实体进行实体消歧。
在所述装置的一个实施例中,所述装置还包括:可视化展示模块,用于通过图形数据库存储所述风险知识图谱,利用所述图形数据库可视化的展示所述风险知识图谱。
上述风险预警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10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风险知识图谱数据。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风险预警方法。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本公开方案相关的部分结构的框图,并不构成对本公开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上述任一方法实施例中的步骤。
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上述任一方法实施例中的步骤。
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上述任一方法实施例中的步骤。
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,所述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,本公开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。本公开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。本公开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。
以上所述实施例仅表达了本公开的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本公开专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本公开构思的前提下,还可以做出若干变形和改进,这些都属于本公开的保护范围。因此,本公开的保护范围应以所附权利要求为准。
Claims (17)
1.一种风险预警方法,其特征在于,所述方法包括:
获取目标对象的实体关系信息;
利用预先构建的风险知识图谱匹配与所述实体关系信息对应的风险事件数据,得到匹配结果,其中,预先构建的风险知识图谱是利用获取到的历史风险事件数据进行知识抽取,对知识抽取后得到的实体关系信息进行实体消歧,根据所述历史风险事件数据以及进行实体消歧后的实体关系信息进行知识加工后得到的;
响应于匹配到与所述实体关系信息对应的风险事件数据,确定所述目标对象存在风险。
2.根据权利要求1所述的方法,其特征在于,所述风险知识图谱的构建过程包括:
获取历史风险事件数据;
对所述历史风险事件数据进行知识抽取以及关键要素提取,确定所述历史风险事件数据中的实体关系信息和风险特征信息;
根据预先构建的知识库对所述实体关系信息进行实体消歧;
根据所述风险特征信息以及进行实体消歧后的实体关系信息进行知识加工,得到风险知识图谱。
3.根据权利要求2所述的方法,其特征在于,所述利用预先构建的风险知识图谱匹配与所述实体关系信息对应的风险事件数据,得到匹配结果,包括:
利用预先构建的风险知识图谱匹配与所述实体关系信息对应的所述风险特征信息,得到匹配结果;
相应的,响应于匹配到与所述实体关系信息对应的风险特征数据,确定所述目标对象存在风险。
4.根据权利要求2所述的方法,其特征在于,所述对所述历史风险事件数据进行知识抽取以及关键要素提取,确定所述历史风险事件数据中的实体关系信息和风险特征信息,包括:
利用卷积神经网络对所述历史风险事件数据进行拆解,确定所述历史风险事件数据中多个对象的实体、属性以及多个对象的实体之间的相互关系;
利用关键词提取技术提取所述历史风险事件数据中关键要素,得到风险特征信息,所述风险特征信息至少包括:对象的经营信息、对象的资产信息、对象的交易时间信息和对象的退款信息。
5.根据权利要求2所述的方法,其特征在于,所述获取历史风险事件数据,包括:
对获取到的历史风险事件数据进行数据清洗和数据转换,得到符合标准的历史风险事件数据。
6.根据权利要求4所述的方法,其特征在于,所述根据预先构建的知识库对所述实体关系信息进行实体消歧,包括:
利用支持向量机算法比较多个对象的实体,进行实体对齐;
利用预先构建的知识库对进行实体对齐后的多个对象的实体进行实体消歧。
7.根据权利要求3所述的方法,其特征在于,所述方法还包括:
通过图形数据库存储所述风险知识图谱,利用所述图形数据库可视化的展示所述风险知识图谱;
相应的,所述利用预先构建的风险知识图谱匹配与所述实体关系信息对应的风险事件数据,得到匹配结果,包括:
利用可视化的所述风险知识图谱匹配与所述实体关系信息对应的风险特征信息,得到匹配结果。
8.一种风险预警装置,其特征在于,所述装置包括:
信息获取模块,用于获取目标对象的实体关系信息;
风险匹配模块,用于利用预先构建的风险知识图谱匹配与所述实体关系信息对应的风险事件数据,得到匹配结果,其中,预先构建的风险知识图谱是利用获取到的历史风险事件数据进行知识抽取,对知识抽取后得到的实体关系信息进行实体消歧,根据所述历史风险事件数据以及进行实体消歧后的实体关系信息进行知识加工后得到的;
风险确定模块,用于响应于匹配到与所述实体关系信息对应的风险事件数据,确定目标对象存在风险。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:知识图谱构建模块,用于获取历史风险事件数据;对所述历史风险事件数据进行知识抽取以及关键要素提取,确定所述历史风险事件数据中的实体关系信息和风险特征信息;根据预先构建的知识库对所述实体关系信息进行实体消歧;根据所述风险特征信息以及进行实体消歧后的实体关系信息进行知识加工,得到风险知识图谱。
10.根据权利要求9所述的装置,其特征在于,所述知识图谱构建模块,包括:风险特征匹配模块,用于利用预先构建的风险知识图谱匹配与所述实体关系对应的所述风险特征信息,得到匹配结果;
相应的,所述风险确定模块,还用于响应于匹配到与所述实体关系信息对应的风险特征信息,确定所述目标对象存在风险。
11.根据权利要求9所述的装置,其特征在于,所述知识图谱构建模块,还包括:
事件拆解模块,用于利用卷积神经网络对所述历史风险事件数据进行拆解,确定所述历史风险事件数据中多个对象的实体、属性以及多个对象的实体之间的相互关系;
关键要素提取模块,用于利用关键词提取技术提取所述历史风险事件数据中关键要素,得到风险特征信息,所述风险特征信息至少包括:对象的经营信息、对象的资产信息、对象的交易时间信息和对象的退款信息。
12.根据权利要求9所述的装置,其特征在于,所述知识图谱构建模块,还包括:事件处理模块,用于对获取到的历史风险事件数据进行数据清洗和数据转换,得到符合标准的历史风险事件。
13.根据权利要求9所述的装置,其特征在于,所述知识图谱构建模块,还包括:实体对齐模块,用于利用支持向量机算法比较多个对象的实体,进行实体对齐;
实体消歧模块,用于利用预先构建的知识库对进行实体对齐后的多个对象的实体进行实体消歧。
14.根据权利要求8所述的装置,其特征在于,所述装置还包括:可视化展示模块,用于通过图形数据库存储所述风险知识图谱,利用所述图形数据库可视化的展示所述风险知识图谱。
15.一种计算机设备,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。
16.一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。
17.一种计算机程序产品,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 |
---|---|---|---|
CN202211088649.4A CN116307671A (zh) | 2022-09-07 | 2022-09-07 | 风险预警方法、装置、计算机设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211088649.4A CN116307671A (zh) | 2022-09-07 | 2022-09-07 | 风险预警方法、装置、计算机设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116307671A true CN116307671A (zh) | 2023-06-23 |
Family
ID=86789270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211088649.4A Pending CN116307671A (zh) | 2022-09-07 | 2022-09-07 | 风险预警方法、装置、计算机设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307671A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116757709A (zh) * | 2023-08-22 | 2023-09-15 | 南京海关工业产品检测中心 | 一种基于知识图谱的铜精矿进口风险分析方法及*** |
CN117273139A (zh) * | 2023-11-21 | 2023-12-22 | 北京网智天元大数据科技有限公司 | 基于开放数据的知识图谱动态风险识别方法及装置 |
-
2022
- 2022-09-07 CN CN202211088649.4A patent/CN116307671A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116757709A (zh) * | 2023-08-22 | 2023-09-15 | 南京海关工业产品检测中心 | 一种基于知识图谱的铜精矿进口风险分析方法及*** |
CN116757709B (zh) * | 2023-08-22 | 2023-11-14 | 南京海关工业产品检测中心 | 一种基于知识图谱的铜精矿进口风险分析方法及*** |
CN117273139A (zh) * | 2023-11-21 | 2023-12-22 | 北京网智天元大数据科技有限公司 | 基于开放数据的知识图谱动态风险识别方法及装置 |
CN117273139B (zh) * | 2023-11-21 | 2024-02-09 | 北京网智天元大数据科技有限公司 | 基于开放数据的知识图谱动态风险识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020253358A1 (zh) | 业务数据的风控分析处理方法、装置和计算机设备 | |
Benchaji et al. | Enhanced credit card fraud detection based on attention mechanism and LSTM deep model | |
García et al. | An insight into the experimental design for credit risk and corporate bankruptcy prediction systems | |
WO2018103456A1 (zh) | 一种基于特征匹配网络的社团划分方法、装置及电子设备 | |
US11562372B2 (en) | Probabilistic feature engineering technique for anomaly detection | |
CN116307671A (zh) | 风险预警方法、装置、计算机设备、存储介质 | |
US20190354993A1 (en) | System and method for generation of case-based data for training machine learning classifiers | |
US11983720B2 (en) | Mixed quantum-classical method for fraud detection with quantum feature selection | |
CN114240659A (zh) | 一种基于动态图卷积神经网络的区块链异常节点识别方法 | |
CN112581271A (zh) | 一种商户交易风险监测方法、装置、设备及存储介质 | |
CN117010914A (zh) | 风险团伙的识别方法、装置、计算机设备及存储介质 | |
Sumanth et al. | Analysis of credit card fraud detection using machine learning techniques | |
US11694208B2 (en) | Self learning machine learning transaction scores adjustment via normalization thereof accounting for underlying transaction score bases relating to an occurrence of fraud in a transaction | |
Reddy et al. | CNN-Bidirectional LSTM based Approach for Financial Fraud Detection and Prevention System | |
Xiao et al. | Explainable fraud detection for few labeled time series data | |
CN115907954A (zh) | 账户的识别方法、装置、计算机设备和存储介质 | |
Sagar et al. | Online transaction fraud detection techniques: A review of data mining approaches | |
CN114529399A (zh) | 用户数据处理方法、装置、计算机设备和存储介质 | |
Shi et al. | An Integrated machine learning and DEA-predefined performance outcome prediction framework with high-dimensional imbalanced data | |
CN113344581A (zh) | 业务数据处理方法及装置 | |
US11270230B1 (en) | Self learning machine learning transaction scores adjustment via normalization thereof | |
EP4310755A1 (en) | Self learning machine learning transaction scores adjustment via normalization thereof | |
Essien | A Synergistic Approach for Enhancing Credit Card Fraud Detection using Random Forest and Naïve Bayes Models | |
Makatjane et al. | Detecting Bank Financial Fraud in South Africa Using a Logistic Model Tree | |
CN117036021A (zh) | 交易漏洞的预测方法、预测模型训练方法及相关装置 |
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 |