CN116503163A - 业务风险识别方法、装置、计算机设备、存储介质 - Google Patents
业务风险识别方法、装置、计算机设备、存储介质 Download PDFInfo
- Publication number
- CN116503163A CN116503163A CN202310736985.3A CN202310736985A CN116503163A CN 116503163 A CN116503163 A CN 116503163A CN 202310736985 A CN202310736985 A CN 202310736985A CN 116503163 A CN116503163 A CN 116503163A
- Authority
- CN
- China
- Prior art keywords
- node
- target
- information
- risk
- source node
- 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 51
- 238000012545 processing Methods 0.000 claims abstract description 45
- 230000004044 response Effects 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 22
- 238000012216 screening Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 5
- 238000007418 data mining Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training 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
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种业务风险识别方法、装置、计算机设备、存储介质。涉及大数据数据处理技术领域,包括:获取目标对象的业务申请信息;利用业务申请信息确定与目标对象关联的关联信息,基于业务申请信息和关联信息建立目标对象进行业务申请时的目标图数据结构,目标图数据结构中包括:目标对象对应的目标节点和业务申请信息中业务类型信息对应的授信源节点;根据目标图数据结构中相邻节点之间的关联的属性信息和预设的与属性信息对应的权重,计算授信源节点和目标节点之间的风险传导系数;响应于风险传导系数大于预先设置的风险阈值时,确定对目标对象进行受理业务时存在风险。采用本方法能够综合企业多方面的数据,准确的评估业务风险。
Description
技术领域
本公开涉及大数据数据处理技术领域,特别是涉及一种业务风险识别方法、装置、计算机设备、存储介质。
背景技术
随着社会经济的发展,越来越多的企业由于自身的发展需求,需要对银行或者金融机构进行借款。银行或者金融机构会对企业的还款能力进行评估,当企业还款能力达标时,银行或者金融机构会对企业进行授信。
然而,目前由于各种因素的影响,对于客户的授信额度和审核把控难度逐渐增大,导致容易过度授信,或者额外增加授信的难度。另外,目前对授信风险进行评估仅针对于单一的企业自身的指标进行评判,造成授信风险评估不准确。
发明内容
基于此,有必要针对上述技术问题,提供一种能够综合企业多方面的数据,准确的评估授信风险的业务风险识别方法、装置、计算机设备、存储介质。
第一方面,本公开提供了一种业务风险识别方法。所述方法包括:
获取目标对象的业务申请信息;
利用所述业务申请信息确定与所述目标对象关联的关联信息,并基于所述业务申请信息和所述关联信息建立所述目标对象进行业务申请时的目标图数据结构,所述目标图数据结构中至少包括:所述目标对象对应的目标节点和所述业务申请信息中业务类型信息对应的授信源节点;
根据所述目标图数据结构中相邻节点之间的关联的属性信息和预设的与所述属性信息对应的权重,计算授信源节点和所述目标节点之间的风险传导系数;
响应于所述风险传导系数大于预先设置的风险阈值时,确定对所述目标对象进行受理业务时存在风险,所述业务是根据业务申请信息确定的。
在其中一个实施例中,所述根据所述目标图数据结构中相邻节点之间的关联的属性信息和预设的与所述属性信息对应的权重,计算授信源节点和所述目标节点之间的风险传导系数,包括:
确定所述目标图数据结构中每个相邻节点之间的关联的属性信息;
根据所述属性信息和预设的与所述属性信息对应的权重,计算得到每个相邻节点之间的风险传导分值;
根据授信源节点和目标节点之间的节点,以及每个相邻节点之间的风险传导分值,计算得到授信源节点和所述目标节点之间的风险传导系数。
在其中一个实施例中,所述根据授信源节点和目标节点之间的节点,以及每个相邻节点之间的风险传导分值,计算得到授信源节点和所述目标节点之间的风险传导系数,包括:
获取所述授信源节点和目标节点之间的路径节点;
根据每个相邻节点之间的风险传导分值,确定所述路径节点之间的风险传导分值;
根据所述授信源节点和相邻授信源节点之间的风险传导分值、所述路径节点之间的风险传导分值,以及所述相邻目标节点与所述目标节点之间的风险传导分值,计算得到授信源节点和所述目标节点之间的风险传导系数;
其中,所述相邻授信源节点为所述路径节点中与所述授信源节点相邻的节点;所述相邻目标节点为所述路径节点中与所述目标节点相邻的节点。
在其中一个实施例中,所述根据所述授信源节点和相邻授信源节点之间的风险传导分值、所述路径节点之间的风险传导分值,以及所述相邻目标节点与所述目标节点之间的风险传导分值,计算得到授信源节点和所述目标节点之间的风险传导系数,包括:
响应于所述授信源节点和目标节点之间存在多条传导路径,确定每条传导路径中的路径节点;
针对每条传导路径,根据所述授信源节点和相邻授信源节点之间的风险传导分值、所述路径节点之间的风险传导分值,以及所述相邻目标节点与所述目标节点之间的风险传导分值,计算得到授信源节点和所述目标节点之间的风险传导系数;
确定每条传导路径中授信源节点和所述目标节点之间的风险传导系数中数值最大的风险传导系数,根据数值最大的风险传导系数确定授信源节点和所述目标节点之间的目标风险传导系数。
在其中一个实施例中,所述根据所述授信源节点和相邻授信源节点之间的风险传导分值、所述路径节点之间的风险传导分值,以及所述相邻目标节点与所述目标节点之间的风险传导分值,计算得到授信源节点和所述目标节点之间的风险传导系数,包括:
将所述授信源节点和相邻授信源节点之间的风险传导分值、所述路径节点之间的风险传导分值,以及所述相邻目标节点与所述目标节点之间的风险传导分值相乘,计算得到授信源节点和所述目标节点之间的风险传导系数。
在其中一个实施例中,所述利用所述业务申请信息确定与所述目标对象关联的关联信息,包括:
利用所述业务申请信息中所述目标对象的对象信息,确定与所述对象信息关联的关联信息;
对所述对象信息和所述关联信息进行数据处理,所述数据处理包括:根据信息值进行筛选、进行空值处理、数据分箱处理中的一种或多种。
在其中一个实施例中,所述基于所述业务申请信息和所述关联信息建立所述目标对象进行业务申请时的目标图数据结构,包括:
将进行数据处理后的所述对象信息和所述关联信息按照关联关系进行组合,形成目标对象的第一图数据结构,所述第一图数据结构中,所述对象信息和所述关联信息为节点,所述对象信息和所述关联信息之间的关联关系为边;
根据所述业务类型信息与所述对象信息和所述关联信息之间的关联关系,将所述业务类型信息添加至所述第一图数据结构中,形成所述目标对象进行业务申请时的目标图数据结构。
在其中一个实施例中,所述第一图数据结构中的节点包括:目标对象对应的节点,和/或,目标对象所对应的企业的节点。
第二方面,本公开还提供了一种业务风险识别装置。所述装置包括:
信息获取模块,用于获取目标对象的业务申请信息;
图数据结构创建模块,用于利用所述业务申请信息确定与所述目标对象关联的关联信息,并基于所述业务申请信息和所述关联信息建立所述目标对象进行业务申请时的目标图数据结构,所述目标图数据结构中至少包括:所述目标对象对应的目标节点和所述业务申请信息中业务类型信息对应的授信源节点;
风险传导系数计算模块,用于根据所述目标图数据结构中相邻节点之间的关联的属性信息和预设的与所述属性信息对应的权重,计算授信源节点和所述目标节点之间的风险传导系数;
风险确定模块,用于响应于所述风险传导系数大于预先设置的风险阈值时,确定对所述目标对象进行授信存在风险。
在其中一个实施例中,所述风险传导系数计算模块,包括:
属性信息确定模块,用于确定所述目标图数据结构中每个相邻节点之间的关联的属性信息;
风险传导分值计算模块,用于根据所述属性信息和预设的与所述属性信息对应的权重,计算得到每个相邻节点之间的风险传导分值;
传导系数计算模块,用于根据授信源节点和目标节点之间的节点,以及每个相邻节点之间的风险传导分值,计算得到授信源节点和所述目标节点之间的风险传导系数。
在其中一个实施例中,所述传导系数计算模块,包括:
路径节点获取模块,用于获取所述授信源节点和目标节点之间的路径节点;
路径节点分值计算模块,用于根据每个相邻节点之间的风险传导分值,确定所述路径节点之间的风险传导分值;
传导系数计算子模块,用于根据所述授信源节点和相邻授信源节点之间的风险传导分值、所述路径节点之间的风险传导分值,以及所述相邻目标节点与所述目标节点之间的风险传导分值,计算得到授信源节点和所述目标节点之间的风险传导系数;
其中,所述相邻授信源节点为所述路径节点中与所述授信源节点相邻的节点;所述相邻目标节点为所述路径节点中与所述目标节点相邻的节点。
在其中一个实施例中,所述传导系数计算子模块,还用于响应于所述授信源节点和目标节点存在多条传导路径,确定每条传导路径中的路径节点;针对每条传导路径,根据所述授信源节点和相邻授信源节点之间的风险传导分值、所述路径节点之间的风险传导分值,以及所述相邻目标节点与所述目标节点之间的风险传导分值,计算得到授信源节点和所述目标节点之间的风险传导系数;确定每条传导路径中授信源节点和所述目标节点之间的风险传导系数中数值最大的风险传导系数,根据数值最大的风险传导系数确定授信源节点和所述目标节点之间的目标风险传导系数。
在其中一个实施例中,所述传导系数计算子模块,还用于将所述授信源节点和相邻授信源节点之间的风险传导分值、所述路径节点之间的风险传导分值,以及所述相邻目标节点与所述目标节点之间的风险传导分值相乘,计算得到授信源节点和所述目标节点之间的风险传导系数。
在其中一个实施例中,所述图数据结构创建模块,包括:
关联信息确定模块,利用所述业务申请信息中所述目标对象的对象信息,确定与所述对象信息关联的关联信息;
数据处理模块,用于对所述对象信息和所述关联信息进行数据处理,所述数据处理包括:根据信息值进行筛选、进行空值处理、数据分箱处理中的一种或多种。
在其中一个实施例中,所述图数据结构创建模块,还包括:
第一图数据结构创建模块,用于将进行数据处理后的所述对象信息和所述关联信息按照关联关系进行组合,形成目标对象的第一图数据结构,所述第一图数据结构中,所述对象信息和所述关联信息为节点,所述对象信息和所述关联信息之间的关联关系为边;
信息添加模块,用于根据所述业务类型信息与所述对象信息和所述关联信息之间的关联关系,将所述业务类型信息添加至所述第一图数据结构中,形成所述目标对象进行业务申请时的目标图数据结构。
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中的步骤。
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中的步骤。
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中的步骤。
上述各实施例中,在目标对象需要进行受理业务时,可以获取该目标对象的业务申请信息。利用所述业务申请信息确定与所述目标对象关联的关联信息,并基于所述业务申请信息和所述关联信息建立所述目标对象进行业务申请时的目标图数据结构。能够动态的确定目标对象所对应的各种关联信息,深度挖掘出目标对象所对应的各种关联信息,综合多方面的数据并生成具有关联信息的目标图数据结构。再根据相邻节点之间的关联的属性信息和预设的与所述属性信息对应的权重,计算得到授信源节点和所述目标节点之间的风险传导系数,能够准确的确定出目标节点和授信源节点之间的多种关联下的风险传导力的强弱。响应于所述风险传导系数大于预先设置的风险阈值时,确定对所述目标对象进行受理业务时存在风险,能够通过风险传导分值准确的评估授信风险。另外,区别于传统技术,本案无需过度依赖专家经验,在进行计算风险传导数据时,无需使用神经网络模型。能够有效降低神经网络模型下为了完善模型而使用大量数据演练所消耗的资源,能够提高效率,减少进行评估授信风险时消耗的计算资源。
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为一个实施例中业务风险识别方法的应用环境示意图;
图2为一个实施例中业务风险识别方法的流程示意图;
图3为一个实施例中目标图数据结构的示意图;
图4为一个实施例中S206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为一个实施例中S406步骤的流程示意图;
图7为一个实施例中目标图数据结构中存在多条传导路径的示意图;
图8为一个实施例中S204步骤一部分的流程示意图;
图9为一个实施例中S204步骤另一部分的流程示意图;
图10为一个实施例中业务类型信息、对象信息和关联信息形成的图数据结构的示意图;
图11为另一个实施例中业务风险识别方法的流程示意图;
图12为一个实施例中业务风险识别装置的结构示意框图;
图13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,目前传统的授信风险评估的方式通常情况下包括如下几种:一、利用专家制定的预警规则对授信风险评估。然而,专家制定的预警规则的主要通过专家分析场景、建立模型进行制定,并且对专家业务知识和经验要求高,当业务属性发生变更时模型更新周期长并且过度依赖专家经验,并存在一定的主观判断因素,对于业务场景复杂关联关系的梳理欠缺灵活性。
二、利用数据挖掘技术对授信风险评估。数据挖掘技术包括神经网络、人工智能、贝叶斯网络等,该方式涉及到概率变量的计算延伸和深度数据挖掘,需要大量的数据进行训练学习,导致模型复杂度高,当本身业务场景越来越复杂的情况下,数据模型的计算和训练几何倍数提升,对于服务器资源的要求高,模型跑批对服务器资源负荷过重,并且结果评估结果的准确率无法保证。
因此,为解决上述问题,本公开实施例提供了一种业务风险识别方法,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。当客户需要进行贷款时,可以将贷款对应的业务申请信息输入至终端102中。终端102可以利用业务申请信息确定与所述目标对象关联的关联信息。终端102可以基于所述业务申请信息和所述关联信息建立所述目标对象进行业务申请时的目标图数据结构,所述目标图数据结构中至少包括:所述目标对象对应的目标节点和所述业务申请信息中业务类型信息对应的授信源节点。终端102可以根据所述目标图数据结构中相邻节点之间的关联的属性信息和预设的与所述属性信息对应的权重,计算授信源节点和所述目标节点之间的风险传导系数。响应于所述风险传导系数大于预先设置的风险阈值时,终端102确定对所述目标对象进行授信存在风险并进行预警。并将该预警信息传输至服务104中,服务器104可以进行复核或者整改等步骤。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,提供了一种业务风险识别方法,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,获取目标对象的业务申请信息。
其中,业务申请信息通常可以是目标对象需要办理业务时,输入的一些信息。不同的业务,其对应的业务申请信息也不相同。例如,业务为贷款业务,则业务申请信息可以包括:贷款的类型、贷款的金额、贷款的用途、贷款时间、贷款的抵押物等等信息,以及目标对象的个人身份信息。目标对象在本公开的一些实施例中通常可以是进行办理业务的用户。在本公开的一些实施例中不对业务申请信息进行绝对限制。
具体地,当用户需要进行办理业务时,可以将办理该业务时对应的业务申请信息输入至终端中。终端来获取该用户(目标对象)的业务申请信息。
S204,利用所述业务申请信息确定与所述目标对象关联的关联信息,并基于所述业务申请信息和所述关联信息建立所述目标对象进行业务申请时的目标图数据结构,所述目标图数据结构中至少包括:所述目标对象对应的目标节点和所述业务申请信息中业务类型信息对应的授信源节点。
其中,关联信息通常是与业务申请信息具备一定关系的信息。例如,业务申请信息中包括工作单位信息,则关联信息可以是工作单位中关联各个人员的信息。又例如业务申请信息中包括:工作岗位信息,则关联信息可以是与该工作岗位所对应的各种信息,该工作岗位对应的领导的信息,对应的下属员工的信息。关联信息通常情况下,可以是人、企业或者一些产品等。关联信息还可以是与业务申请信息进行关联的信息,如业务申请信息为贷款信息,则关联的信息可以是贷款基本信息、抵押物信息、贷款风险信息、贷款关联人信息、贷款逾期明细等。根据业务申请信息中信息类型的不同,其对应的关联信息也不同,在本公开的一些实施例中不对关联信息的具体类型进行绝对限制。目标图数据结构通常可以是NEO4J数据库结构,图数据结构从数据上来看是可以是节点和边的集合,边则由节点与节点之间进行构造。业务类型信息通常可以是目标对象需要申请的业务类型,例如贷款、抵押、还款等等不同的业务操作。
具体地,可以利用业务申请信息中目标对象的各种身份信息来在数据库中匹配与目标对象相关联的各种关联信息。得到关联信息之后,可以将业务申请信息中的每个信息和关联信息建立节点,根据业务类型信息也建立节点。然后根据建立的每个节点之间所关联的关系进行组合,建立边。将节点和边进行组合即得到了目标图数据结构。目标图数据结构中目标对象本身的所对应的节点可以为目标节点。业务类型信息对应的节点可以为授信源节点。目标图数据结构可以如图3所示,其中A可以为目标对象,A1、A2、A3可以为目标对象关联的关联信息对应的节点,B可以为授信源节点。A和A1之间可以存在关联关系,A和A2之间也可以存在关联关系,A2和A3之间可以存在关联关系,A3和B之间可以存在关联关系,这样可以将目标对象对应的目标节点和授信源节点建立连接。
S206,根据所述目标图数据结构中相邻节点之间的关联的属性信息和预设的与所述属性信息对应的权重,计算授信源节点和所述目标节点之间的风险传导系数。
其中,属性信息通常可以是相邻节点之间中所关联的信息,例如职位之间的关联信息(上下级)可以为属性信息。如A节点和A1节点为相邻节点,则A节点与A1节点之间关联信息为A节点对应的目标对象向A1节点对象的目标对象进行借款,则相邻节点之间的借贷信息也可以为属性信息。可以理解的是,相邻节点之间的关联的信息不同,则其对应的属性信息也不相同,在本公开的一些实施例中不对属性信息进行绝对限制。每个属性信息均存在对应的权重,该权重可以通过预设的方式进行设置,也可以通过数据挖掘神经网络模型对相邻节点进行处理后得到。风险传导系数通常情况下可以用来衡量对目标对象进行受理业务申请信息对应的业务时可能存在的风险等级。风险传导系数越高,通常情况下代表对目标对象进行受理该业务时可能存在风险,例如存在违约的风险等。风险传导系数的分值以0到1分展示。
具体地,可以根据目标图数据结构中每个相邻节点之间的属性信息和预设的与属性信息对应的权重,计算得到每个相邻节点之间的风险分值,然后根据每个相邻节点之间的风险分值来得到授信源节点和目标节点之间的风险传导系数。
在一些示例性的实施例中,继续以图3中的目标图数据结构进行举例说明。可以根据A和A1之间的属性信息以及该属性信息对应的权重计算得到A和A1之间的风险分值,以此类推可以计算得到A和A2之间的风险分值,A2和A3之间的风险分值,A3和B之间的风险分值。根据上述计算得到的风险分值得到目标节点和授信源节点之间的风险传导系数。
S208,响应于所述风险传导系数大于预先设置的风险阈值时,确定对所述目标对象进行业务时存在风险并进行预警,所述业务是根据业务申请信息确定的。
具体地,可以确定业务申请信息对应的业务。当风险传导系数大于预先设置的风险阈值时可以确定对目标对象进行受理该业务时可能存在风险,可以对该目标对象受理该业务进行预警。
上述业务风险识别方法中,在目标对象需要进行受理业务时,可以获取该目标对象的业务申请信息。利用所述业务申请信息确定与所述目标对象关联的关联信息,并基于所述业务申请信息和所述关联信息建立所述目标对象进行业务申请时的目标图数据结构。能够动态的确定目标对象所对应的各种关联信息,深度挖掘出目标对象所对应的各种关联信息,综合多方面的数据并生成具有关联信息的目标图数据结构。再根据相邻节点之间的关联的属性信息和预设的与所述属性信息对应的权重,计算得到授信源节点和所述目标节点之间的风险传导系数,能够准确的确定出目标节点和授信源节点之间的多种关联下的风险传导力的强弱。响应于所述风险传导系数大于预先设置的风险阈值时,确定对所述目标对象进行受理业务时存在风险并进行预警,能够通过风险传导分值准确的评估授信风险。另外,区别于传统技术,本案无需过度依赖专家经验,在进行计算风险传导数据时,无需使用神经网络模型。能够有效降低神经网络模型下为了完善模型而使用大量数据演练所消耗的资源,能够提高效率,减少进行评估授信风险时消耗的计算资源。
在一个实施例中,如图4所示,所述根据所述目标图数据结构中相邻节点之间的关联的属性信息和预设的与所述属性信息对应的权重,计算授信源节点和所述目标节点之间的风险传导系数,包括:
S302,确定所述目标图数据结构中每个相邻节点之间的关联的属性信息。
S304,根据所述属性信息和预设的与所述属性信息对应的权重,计算得到每个相邻节点之间的风险传导分值。
具体地,可以先确定目标图数据结构中的相邻节点。然后根据每个相邻节点来确定相邻节点之间的关联的属性信息。进而根据每个相邻节点之间的属性信息和与该属性信息对应的权重,计算得到相邻节点之间的风险传导分值。
在一些示例性的实施例中,相邻节点之前存在的属性信息可以为X、Y和Z,其中X对应的权重可以为a,Y对应的权重可以为b,Z对应的权重可以为C,则风险传导分值F= aX+bY+cZ。
S306,根据授信源节点和目标节点之间的节点,以及每个相邻节点之间的风险传导分值,计算得到授信源节点和所述目标节点之间的风险传导系数。
具体地,可以根据授信源节点和目标节点之间的节点,以及相邻节点之间的风险传导分值,来确定授信源节点和目标节点之间的相邻节点的风险传导分值,进而根据授信源节点和目标节点之间的相邻节点的风险传导分值计算得到风险传导系数。
在一些示例性的实施例中,继续以图3进行举例说明,计算得到A和A1,A和A2,A2和A3,A3和B之间的风险传导分值之后,由于A和A1之间的风险传导分值并不在A和B的路径中,因此可以仅利用A和A2,A2和A3,A3和B之间的风险传导分值,来计算得到风险传导系数。例如,可以将A和A2,A2和A3,A3和B之间的风险传导分值进行相加或者相乘来得到风险传导系数。
本实施例中,根据属性信息和预设的与所述属性信息对应的权重,能够计算得到每个相邻节点之间的风险传导分值,进而可以根据每个相邻节点之间的风险传导分值,以及授信源节点和目标节点之间的节点,来计算得到授信源节点和所述目标节点之间的风险传导系数,能够利用相邻节点之间的相关关系,来得到风险传导分值。进而综合在授信源节点和所述目标节点之间所有的相邻节点的风险传导分值,得到风险传导系数,保证风险评估的准确性。
在一个实施例中,如图5所示,所述根据授信源节点和目标节点之间的节点,以及每个相邻节点之间的风险传导分值,计算得到授信源节点和所述目标节点之间的风险传导系数,包括:
S402,获取所述授信源节点和目标节点之间的路径节点。
S404,根据每个相邻节点之间的风险传导分值,确定所述路径节点之间的风险传导分值。
S406,根据所述授信源节点和相邻授信源节点之间的风险传导分值、所述路径节点之间的风险传导分值,以及所述相邻目标节点与所述目标节点之间的风险传导分值,计算得到授信源节点和所述目标节点之间的风险传导系数;
其中,所述相邻授信源节点为所述路径节点中与所述授信源节点相邻的节点;所述相邻目标节点为所述路径节点中与所述目标节点相邻的节点。继续以如图3中的目标图数据结构为例进行说明,路径节点可以是A2和A3节点。
具体地,由于目标图数据结构中可能存在多个节点,每个节点的位置不相同。为了计算授信源节点和目标节点之间的风险传导系数,可以确定在授信源节点和目标节点之间的路径节点。然后由于上述步骤已经计算得到的每个相邻节点的风险传导分值,因此可以得到每个相邻的路径节点所对应的风险传导分值,授信源节点和路径节点中与授信源节点相邻的节点所对应的风险传导分值,目标节点和路径节点中与目标节点相邻的节点所对应的风险传导分值,计算得到授信源节点和目标节点之间的风险传导系数。
在本实施例中,可以利用授信源节点和目标节点之间的路径节点来计算确定路径节点之间的风险传导分值,进而根据所述授信源节点和相邻授信源节点之间的风险传导分值、所述路径节点之间的风险传导分值,以及所述相邻目标节点与所述目标节点之间的风险传导分值,计算得到授信源节点和所述目标节点之间的风险传导系数,能够综合授信源节点和目标节点之间所有的关联关系,进而保证风险传导系数的准确性,能够准确的评估授信风险。
在一个实施例中,如图6所示,所述根据所述授信源节点和相邻授信源节点之间的风险传导分值、所述路径节点之间的风险传导分值,以及所述相邻目标节点与所述目标节点之间的风险传导分值,计算得到授信源节点和所述目标节点之间的风险传导系数,包括:
S502,判断授信源节点和目标节点之间是否存在多条传导路径。
S504,响应于所述授信源节点和目标节点之间存在多条传导路径,确定每条传导路径中的路径节点。
S506,针对每条传导路径,根据所述授信源节点和相邻授信源节点之间的风险传导分值、所述路径节点之间的风险传导分值,以及所述相邻目标节点与所述目标节点之间的风险传导分值,计算得到授信源节点和所述目标节点之间的风险传导系数。
S508,确定每条传导路径中授信源节点和所述目标节点之间的风险传导系数中数值最大的风险传导系数,根据数值最大的风险传导系数确定授信源节点和所述目标节点之间的目标风险传导系数。
其中,传导路径可以是连接授信源节点和目标节点的路径。传导路径中可以包括至少一个路径节点。
具体地,如图7所示,A可以为目标节点,B可以为授信源节点。A和B之间的传导路径可以包括A-A1-A2-B、A-A3-B、A-A4-A5-B、A-A6-A7-A8-A9-B。因此可以确定A和B之间存在多条传导路径。针对每一条传导路径,可以通过如上述S404至S406步骤的方式,来计算每条传导路径中,授信源节点和目标节点之间的风险传导系数。计算得到每条传导路径对应的授信源节点和目标节点之间的风险传导系数之后,可以选择所有传导路径中授信源节点和目标节点之间的最大的风险传导系数来作为最终的授信源节点和目标节点之间的风险传导系数。
在本实施例中,当授信源节点和目标节点中存在多条传导路径的情况下,此时会计算得到与每条传导路径相对应的授信源节点和目标节点之间的风险传导系数。因此,可以选择传导路径中最大的授信源节点和目标节点之间的风险传导系数,来作为最终的风险传导系数,保证使用最大的风险传导系数来衡量授信源节点和目标节点风险强弱,能够提升评估授信风险的准确性。
在一个实施例中,所述根据所述授信源节点和相邻授信源节点之间的风险传导分值、所述路径节点之间的风险传导分值,以及所述相邻目标节点与所述目标节点之间的风险传导分值,计算得到授信源节点和所述目标节点之间的风险传导系数,包括:
将所述授信源节点和相邻授信源节点之间的风险传导分值、所述路径节点之间的风险传导分值,以及所述相邻目标节点与所述目标节点之间的风险传导分值相乘,计算得到授信源节点和所述目标节点之间的风险传导系数。
具体地,可以将所述授信源节点和相邻授信源节点之间的风险传导分值乘以路径节点串联的相邻节点之间的风险传导分值的乘以,再乘以相邻目标节点与目标节点之间的风险传导分值,得到授信源节点和所述目标节点之间的风险传导系数。
在本实施例中,通过将风险传导分值相乘,不会因为传导路径中路径节点的数量对最终的风险传导系数造成影响,保证风险传导系数在一定的范围内,进而可以根据预设的风险阈值来衡量该风险传导系数。
在一个实施例中,如图8所示,所述利用所述业务申请信息确定与所述目标对象关联的关联信息,包括:
S602,利用所述业务申请信息中所述目标对象的对象信息,确定与所述对象信息关联的关联信息;
S604,对所述对象信息和所述关联信息进行数据处理,所述数据处理包括:根据信息值进行筛选、进行空值处理、数据分箱处理中的一种或多种。
其中,对象信息可以是目标对象在办理业务时输入的身份信息,例如手机号码,信用***,银行***、负债信息等等。分箱处理在本公开的一些实施例中可以指的是分bin处理。
在一些示例性的实施例中,对象信息可以包括:客户编号、客户姓名、证件类型、证件号码、性别、出生日期、国籍、户籍、婚姻状况、联系方式、配偶姓名、配偶身份证号、工作单位名称等。
具体地,可以根据目标对象输入的业务申请信息中的对象信息,从数据库中进行匹配,来确定与对象信息相关联的关联信息。例如,对象信息为手机号码,则相关联的信息可以为与该手机号码绑定的身份信息,或者该手机号码对应的主号码等等,可以理解的是,上述仅用于举例说明。由于关联信息和对象信息中可以存在一些无效的信息,为了排除这些无效信息的干扰,因此可以对对象信息和关联信息进行数据处理。例如,计算对象信息和关联信息的信息值(IV值),保留信息值大于预设的信息阈值的对象信息和关联信息。还可以去除对象信息和关联信息中的空值。还可以对对象信息和关联信息进行数据的分bin处理。
在一个实施例中,如图9所示,所述基于所述业务申请信息和所述关联信息建立所述目标对象进行业务申请时的目标图数据结构,包括:
S702,将进行数据处理后的所述对象信息和所述关联信息按照关联关系进行组合,形成目标对象的第一图数据结构,所述第一图数据结构中,所述对象信息和所述关联信息为节点,所述对象信息和所述关联信息之间的关联关系为边;
S704,根据所述业务类型信息与所述对象信息和所述关联信息之间的关联关系,将所述业务类型信息添加至所述第一图数据结构中,形成所述目标对象进行业务申请时的目标图数据结构。
其中,所述第一图数据结构中的节点包括:目标对象对应的节点,和/或,目标对象所对应的企业的节点。
具体地,当目标对象输入业务申请信息后,可以根据业务申请信息进行查询,确定目标对象是否为企业主。例如,可以利用工商信息查询,三码合一,确认名下是否有企业、小微企业,若没有,则可以确定目标对象不为企业主,可以建立以目标对象为主的图数据结构,可以先将对象信息和所述关联信息设置为节点,然后将对象信息和关联信息中按照关联的关系进行组合,将具有关联关系的对象信息之间,对象信息和关联信息之间,以及关联信息之间建立连接,形成边。根据节点和边组成第一图数据结构。
若有,则可以确认目标对象为企业主。若为企业主身份,则可以建立企业为主的图数据结构。可以获取该目标对象所对应的企业的信息,然后根据目标对象的对象信息、企业信息和关联信息来确定企业与企业之间的交易链、子公司等,将上述信息作为节点,进而按照关联关系进行组合,形成边。最终形成第一图数据结构。因此,第一图数据结构中的节点根据不同的情况下,其节点类型也不相同。
在形成第一图数据结构之后,由于目标对象需要进行办理业务,因此业务申请信息中还可以包括业务类型信息。可以将业务类型信息作为节点,根据业务类型信息与所述对象信息和所述关联信息之间的关联关系,将关联关系作为边,进而将业务类型信息加入第一图数据结构中,形成所述目标对象进行业务申请时的目标图数据结构。
在一些示例性的实施例中,例如业务类型信息形成的节点可以为C节点,对象信息和关联信息形成的节点可以为X1、X2和X3。C节点可以和X1存在关联关系,C节点也可以和X2存在关联关系,X2和X3可以存在关联关系,则最终可以形成如图10所示的图数据结构。
在一个实施例中,本公开还提供了另一种业务风险识别方法,如图11所示,所述方法包括:
S802,获取目标对象的业务申请信息。
S804,利用所述业务申请信息中所述目标对象的对象信息,确定与所述对象信息关联的关联信息。
S806,对所述对象信息和所述关联信息进行数据处理,所述数据处理包括:根据信息值进行筛选、进行空值处理、数据分箱处理中的一种或多种。
S808,将进行数据处理后的所述对象信息和所述关联信息按照关联关系进行组合,形成目标对象的第一图数据结构,所述第一图数据结构中,所述对象信息和所述关联信息为节点,所述对象信息和所述关联信息之间的关联关系为边。
S810,根据所述业务类型信息与所述对象信息和所述关联信息之间的关联关系,将所述业务类型信息添加至所述第一图数据结构中,形成所述目标对象进行业务申请时的目标图数据结构。
S812,确定所述目标图数据结构中每个相邻节点之间的关联的属性信息。
S814,根据所述属性信息和预设的与所述属性信息对应的权重,计算得到每个相邻节点之间的风险传导分值。
S816,获取所述授信源节点和目标节点之间的路径节点。
S820,根据每个相邻节点之间的风险传导分值,确定所述路径节点之间的风险传导分值。
S822,根据所述授信源节点和相邻授信源节点之间的风险传导分值、所述路径节点之间的风险传导分值,以及所述相邻目标节点与所述目标节点之间的风险传导分值,计算得到授信源节点和所述目标节点之间的风险传导系数。
S824,响应于所述授信源节点和目标节点之间存在多条传导路径,确定每条传导路径中的路径节点。
S826,针对每条传导路径,根据所述授信源节点和相邻授信源节点之间的风险传导分值、所述路径节点之间的风险传导分值,以及所述相邻目标节点与所述目标节点之间的风险传导分值,计算得到授信源节点和所述目标节点之间的风险传导系数。
S828,确定每条传导路径中授信源节点和所述目标节点之间的风险传导系数中数值最大的风险传导系数,根据数值最大的风险传导系数确定授信源节点和所述目标节点之间的目标风险传导系数。
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。
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业务风险识别方法的业务风险识别装置。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业务风险识别装置实施例中的具体限定可以参见上文中对于业务风险识别方法的限定,在此不再赘述。
在一个实施例中,如图12所示,提供了一种业务风险识别装置900,包括:信息获取模块902、图数据结构创建模块904、风险传导系数计算模块906和风险确定模块908,其中:
信息获取模块902,用于获取目标对象的业务申请信息;
图数据结构创建模块904,用于利用所述业务申请信息确定与所述目标对象关联的关联信息,并基于所述业务申请信息和所述关联信息建立所述目标对象进行业务申请时的目标图数据结构,所述目标图数据结构中至少包括:所述目标对象对应的目标节点和所述业务申请信息中业务类型信息对应的授信源节点;
风险传导系数计算模块906,用于根据所述目标图数据结构中相邻节点之间的关联的属性信息和预设的与所述属性信息对应的权重,计算授信源节点和所述目标节点之间的风险传导系数;
风险确定模块908,用于响应于所述风险传导系数大于预先设置的风险阈值时,确定对所述目标对象进行授信存在风险并进行预警。
在所述装置的一个实施例中,所述风险传导系数计算模块906,包括:
属性信息确定模块,用于确定所述目标图数据结构中每个相邻节点之间的关联的属性信息;
风险传导分值计算模块,用于根据所述属性信息和预设的与所述属性信息对应的权重,计算得到每个相邻节点之间的风险传导分值;
传导系数计算模块,用于根据授信源节点和目标节点之间的节点,以及每个相邻节点之间的风险传导分值,计算得到授信源节点和所述目标节点之间的风险传导系数。
在所述装置的一个实施例中,传导系数计算模块,包括:
路径节点获取模块,用于获取所述授信源节点和目标节点之间的路径节点;
路径节点分值计算模块,用于根据每个相邻节点之间的风险传导分值,确定所述路径节点之间的风险传导分值;
传导系数计算子模块,用于根据所述授信源节点和相邻授信源节点之间的风险传导分值、所述路径节点之间的风险传导分值,以及所述相邻目标节点与所述目标节点之间的风险传导分值,计算得到授信源节点和所述目标节点之间的风险传导系数;
其中,所述相邻授信源节点为所述路径节点中与所述授信源节点相邻的节点;所述相邻目标节点为所述路径节点中与所述目标节点相邻的节点。
在所述装置的一个实施例中,所述传导系数计算子模块,还用于响应于所述授信源节点和目标节点存在多条传导路径,确定每条传导路径中的路径节点;针对每条传导路径,根据所述授信源节点和相邻授信源节点之间的风险传导分值、所述路径节点之间的风险传导分值,以及所述相邻目标节点与所述目标节点之间的风险传导分值,计算得到授信源节点和所述目标节点之间的风险传导系数;确定每条传导路径中授信源节点和所述目标节点之间的风险传导系数中数值最大的风险传导系数,根据数值最大的风险传导系数确定授信源节点和所述目标节点之间的目标风险传导系数。
在所述装置的一个实施例中,所述传导系数计算子模块,还用于将所述授信源节点和相邻授信源节点之间的风险传导分值、所述路径节点之间的风险传导分值,以及所述相邻目标节点与所述目标节点之间的风险传导分值相乘,计算得到授信源节点和所述目标节点之间的风险传导系数。
在所述装置的一个实施例中,所述图数据结构创建模块904,包括:
关联信息确定模块,利用所述业务申请信息中所述目标对象的对象信息,确定与所述对象信息关联的关联信息;
数据处理模块,用于对所述对象信息和所述关联信息进行数据处理,所述数据处理包括:根据信息值进行筛选、进行空值处理、数据分箱处理中的一种或多种。
在所述装置的一个实施例中,所述图数据结构创建模块904,还包括:
第一图数据结构创建模块,用于将进行数据处理后的所述对象信息和所述关联信息按照关联关系进行组合,形成目标对象的第一图数据结构,所述第一图数据结构中,所述对象信息和所述关联信息为节点,所述对象信息和所述关联信息之间的关联关系为边;
信息添加模块,用于根据所述业务类型信息与所述对象信息和所述关联信息之间的关联关系,将所述业务类型信息添加至所述第一图数据结构中,形成所述目标对象进行业务申请时的目标图数据结构。
在所述装置的一个实施例中,所述第一图数据结构中的节点包括:目标对象对应的节点,和/或,目标对象所对应的企业的节点。
上述业务风险识别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13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业务申请信息和目标图数据结构。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业务风险识别方法。
本领域技术人员可以理解,图13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各方法实施例中的步骤。
需要说明的是,本申请所涉及的业务申请信息、对象信息和关联信息等,均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
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 AccessMemory,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 (16)
1.一种业务风险识别方法,其特征在于,所述方法包括:
获取目标对象的业务申请信息;
利用所述业务申请信息确定与所述目标对象关联的关联信息,并基于所述业务申请信息和所述关联信息建立所述目标对象进行业务申请时的目标图数据结构,所述目标图数据结构中至少包括:所述目标对象对应的目标节点和所述业务申请信息中业务类型信息对应的授信源节点;
根据所述目标图数据结构中相邻节点之间的关联的属性信息和预设的与所述属性信息对应的权重,计算授信源节点和所述目标节点之间的风险传导系数;
响应于所述风险传导系数大于预先设置的风险阈值时,确定对所述目标对象进行受理业务时存在风险,所述业务是根据业务申请信息确定的;
所述根据所述目标图数据结构中相邻节点之间的关联的属性信息和预设的与所述属性信息对应的权重,计算授信源节点和所述目标节点之间的风险传导系数,包括:
确定所述目标图数据结构中每个相邻节点之间的关联的属性信息;
根据所述属性信息和预设的与所述属性信息对应的权重,计算得到每个相邻节点之间的风险传导分值;
根据授信源节点和目标节点之间的节点,以及每个相邻节点之间的风险传导分值,计算得到授信源节点和所述目标节点之间的风险传导系数。
2.根据权利要求1所述的方法,其特征在于,所述根据授信源节点和目标节点之间的节点,以及每个相邻节点之间的风险传导分值,计算得到授信源节点和所述目标节点之间的风险传导系数,包括:
获取所述授信源节点和目标节点之间的路径节点;
根据每个相邻节点之间的风险传导分值,确定所述路径节点之间的风险传导分值;
根据所述授信源节点和相邻授信源节点之间的风险传导分值、所述路径节点之间的风险传导分值,以及所述相邻目标节点与所述目标节点之间的风险传导分值,计算得到授信源节点和所述目标节点之间的风险传导系数;
其中,所述相邻授信源节点为所述路径节点中与所述授信源节点相邻的节点;所述相邻目标节点为所述路径节点中与所述目标节点相邻的节点。
3.根据权利要求2所述的方法,其特征在于,所述根据所述授信源节点和相邻授信源节点之间的风险传导分值、所述路径节点之间的风险传导分值,以及所述相邻目标节点与所述目标节点之间的风险传导分值,计算得到授信源节点和所述目标节点之间的风险传导系数,包括:
响应于所述授信源节点和目标节点之间存在多条传导路径,确定每条传导路径中的路径节点;
针对每条传导路径,根据所述授信源节点和相邻授信源节点之间的风险传导分值、所述路径节点之间的风险传导分值,以及所述相邻目标节点与所述目标节点之间的风险传导分值,计算得到授信源节点和所述目标节点之间的风险传导系数;
确定每条传导路径中授信源节点和所述目标节点之间的风险传导系数中数值最大的风险传导系数,根据数值最大的风险传导系数确定授信源节点和所述目标节点之间的目标风险传导系数。
4.根据权利要求2或3所述的方法,其特征在于,所述根据所述授信源节点和相邻授信源节点之间的风险传导分值、所述路径节点之间的风险传导分值,以及所述相邻目标节点与所述目标节点之间的风险传导分值,计算得到授信源节点和所述目标节点之间的风险传导系数,包括:
将所述授信源节点和相邻授信源节点之间的风险传导分值、所述路径节点之间的风险传导分值,以及所述相邻目标节点与所述目标节点之间的风险传导分值相乘,计算得到授信源节点和所述目标节点之间的风险传导系数。
5.根据权利要求1所述的方法,其特征在于,所述利用所述业务申请信息确定与所述目标对象关联的关联信息,包括:
利用所述业务申请信息中所述目标对象的对象信息,确定与所述对象信息关联的关联信息;
对所述对象信息和所述关联信息进行数据处理,所述数据处理包括:根据信息值进行筛选、进行空值处理、数据分箱处理中的一种或多种。
6.根据权利要求5所述的方法,其特征在于,所述基于所述业务申请信息和所述关联信息建立所述目标对象进行业务申请时的目标图数据结构,包括:
将进行数据处理后的所述对象信息和所述关联信息按照关联关系进行组合,形成目标对象的第一图数据结构,所述第一图数据结构中,所述对象信息和所述关联信息为节点,所述对象信息和所述关联信息之间的关联关系为边;
根据所述业务类型信息与所述对象信息和所述关联信息之间的关联关系,将所述业务类型信息添加至所述第一图数据结构中,形成所述目标对象进行业务申请时的目标图数据结构。
7.根据权利要求6所述的方法,其特征在于,所述第一图数据结构中的节点包括:目标对象对应的节点,和/或,目标对象所对应的企业的节点。
8.一种业务风险识别装置,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业务申请信息;
图数据结构创建模块,用于利用所述业务申请信息确定与所述目标对象关联的关联信息,并基于所述业务申请信息和所述关联信息建立所述目标对象进行业务申请时的目标图数据结构,所述目标图数据结构中至少包括:所述目标对象对应的目标节点和所述业务申请信息中业务类型信息对应的授信源节点;
风险传导系数计算模块,用于根据所述目标图数据结构中相邻节点之间的关联的属性信息和预设的与所述属性信息对应的权重,计算授信源节点和所述目标节点之间的风险传导系数;
风险确定模块,用于响应于所述风险传导系数大于预先设置的风险阈值时,确定对所述目标对象进行授信存在风险;
所述风险传导系数计算模块,包括:
属性信息确定模块,用于确定所述目标图数据结构中每个相邻节点之间的关联的属性信息;
风险传导分值计算模块,用于根据所述属性信息和预设的与所述属性信息对应的权重,计算得到每个相邻节点之间的风险传导分值;
传导系数计算模块,用于根据授信源节点和目标节点之间的节点,以及每个相邻节点之间的风险传导分值,计算得到授信源节点和所述目标节点之间的风险传导系数。
9.根据权利要求8所述的装置,其特征在于,所述传导系数计算模块,包括:
路径节点获取模块,用于获取所述授信源节点和目标节点之间的路径节点;
路径节点分值计算模块,用于根据每个相邻节点之间的风险传导分值,确定所述路径节点之间的风险传导分值;
传导系数计算子模块,用于根据所述授信源节点和相邻授信源节点之间的风险传导分值、所述路径节点之间的风险传导分值,以及所述相邻目标节点与所述目标节点之间的风险传导分值,计算得到授信源节点和所述目标节点之间的风险传导系数;
其中,所述相邻授信源节点为所述路径节点中与所述授信源节点相邻的节点;所述相邻目标节点为所述路径节点中与所述目标节点相邻的节点。
10.根据权利要求9所述的装置,其特征在于,所述传导系数计算子模块,还用于响应于所述授信源节点和目标节点存在多条传导路径,确定每条传导路径中的路径节点;针对每条传导路径,根据所述授信源节点和相邻授信源节点之间的风险传导分值、所述路径节点之间的风险传导分值,以及所述相邻目标节点与所述目标节点之间的风险传导分值,计算得到授信源节点和所述目标节点之间的风险传导系数;确定每条传导路径中授信源节点和所述目标节点之间的风险传导系数中数值最大的风险传导系数,根据数值最大的风险传导系数确定授信源节点和所述目标节点之间的目标风险传导系数。
11.根据权利要求9或10所述的装置,其特征在于,所述传导系数计算子模块,还用于将所述授信源节点和相邻授信源节点之间的风险传导分值、所述路径节点之间的风险传导分值,以及所述相邻目标节点与所述目标节点之间的风险传导分值相乘,计算得到授信源节点和所述目标节点之间的风险传导系数。
12.根据权利要求8所述的装置,其特征在于,所述图数据结构创建模块,包括:
关联信息确定模块,利用所述业务申请信息中所述目标对象的对象信息,确定与所述对象信息关联的关联信息;
数据处理模块,用于对所述对象信息和所述关联信息进行数据处理,所述数据处理包括:根据信息值进行筛选、进行空值处理、数据分箱处理中的一种或多种。
13.根据权利要求12所述的装置,所述图数据结构创建模块,还包括:
第一图数据结构创建模块,用于将进行数据处理后的所述对象信息和所述关联信息按照关联关系进行组合,形成目标对象的第一图数据结构,所述第一图数据结构中,所述对象信息和所述关联信息为节点,所述对象信息和所述关联信息之间的关联关系为边;
信息添加模块,用于根据所述业务类型信息与所述对象信息和所述关联信息之间的关联关系,将所述业务类型信息添加至所述第一图数据结构中,形成所述目标对象进行业务申请时的目标图数据结构。
14.一种计算机设备,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。
15.一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。
16.一种计算机程序产品,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 |
---|---|---|---|
CN202310736985.3A CN116503163A (zh) | 2023-06-21 | 2023-06-21 | 业务风险识别方法、装置、计算机设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310736985.3A CN116503163A (zh) | 2023-06-21 | 2023-06-21 | 业务风险识别方法、装置、计算机设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116503163A true CN116503163A (zh) | 2023-07-28 |
Family
ID=87326902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310736985.3A Pending CN116503163A (zh) | 2023-06-21 | 2023-06-21 | 业务风险识别方法、装置、计算机设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116503163A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107239882A (zh) * | 2017-05-10 | 2017-10-10 | 平安科技(深圳)有限公司 | 风险评估方法、装置、计算机设备及存储介质 |
CN112017024A (zh) * | 2020-07-23 | 2020-12-01 | 北京瓴岳信息技术有限公司 | 信贷风险评估方法、***、计算机设备及存储介质 |
CN112150014A (zh) * | 2020-09-27 | 2020-12-29 | 平安资产管理有限责任公司 | 一种企业风险预警方法、装置、设备及可读存储介质 |
CN113505990A (zh) * | 2021-07-08 | 2021-10-15 | 建信金融科技有限责任公司 | 企业风险评估的方法、装置、电子设备和存储介质 |
CN113888310A (zh) * | 2021-10-14 | 2022-01-04 | 重庆海创云链数字科技有限公司 | 信贷风险评估方法、装置及存储介质 |
CN114819742A (zh) * | 2022-06-01 | 2022-07-29 | 中国建设银行股份有限公司 | 一种企业风险的评估方法及装置、电子设备、存储介质 |
-
2023
- 2023-06-21 CN CN202310736985.3A patent/CN116503163A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107239882A (zh) * | 2017-05-10 | 2017-10-10 | 平安科技(深圳)有限公司 | 风险评估方法、装置、计算机设备及存储介质 |
CN112017024A (zh) * | 2020-07-23 | 2020-12-01 | 北京瓴岳信息技术有限公司 | 信贷风险评估方法、***、计算机设备及存储介质 |
CN112150014A (zh) * | 2020-09-27 | 2020-12-29 | 平安资产管理有限责任公司 | 一种企业风险预警方法、装置、设备及可读存储介质 |
CN113505990A (zh) * | 2021-07-08 | 2021-10-15 | 建信金融科技有限责任公司 | 企业风险评估的方法、装置、电子设备和存储介质 |
CN113888310A (zh) * | 2021-10-14 | 2022-01-04 | 重庆海创云链数字科技有限公司 | 信贷风险评估方法、装置及存储介质 |
CN114819742A (zh) * | 2022-06-01 | 2022-07-29 | 中国建设银行股份有限公司 | 一种企业风险的评估方法及装置、电子设备、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Poongodi et al. | Prediction of the price of Ethereum blockchain cryptocurrency in an industrial finance system | |
TWI686760B (zh) | 保險欺詐識別的資料處理方法、裝置、設備及伺服器 | |
EP3690787A1 (en) | Graphical structure model-based method for credit risk control, and device and equipment | |
US11538044B2 (en) | System and method for generation of case-based data for training machine learning classifiers | |
WO2023000794A1 (zh) | 保护数据隐私的业务预测模型训练的方法及装置 | |
CN113689285B (zh) | 一种检测用户特征的方法、装置、设备及存储介质 | |
CN116307671A (zh) | 风险预警方法、装置、计算机设备、存储介质 | |
Yu et al. | Density-based geodesic distance for identifying the noisy and nonlinear clusters | |
Chong et al. | A data mining approach to process optimization without an explicit quality function | |
JP6490271B1 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
Gicić et al. | Intelligent credit scoring using deep learning methods | |
CN116503163A (zh) | 业务风险识别方法、装置、计算机设备、存储介质 | |
CN111079947A (zh) | 一种基于可选隐私数据进行模型训练的方法及*** | |
US20220414262A1 (en) | Rule-based anonymization of datasets | |
Rösch et al. | Estimating credit contagion in a standard factor model | |
CN114170000A (zh) | ***用户风险类别识别方法、装置、计算机设备和介质 | |
CN111062492A (zh) | 一种基于可选隐私数据进行模型训练的方法及*** | |
Wu et al. | The total return swap pricing model under fuzzy random environments | |
Cong et al. | The study of big data based on complex network—with the example of credit reference | |
Shirke et al. | Multivariate multi-sample tests for location based on data depth | |
CN117408772A (zh) | 金融产品推荐方法、装置、计算机设备和存储介质 | |
Venegas | Asymmetric trust and causal reasoning in blockchain-based ais | |
CN116029828A (zh) | 信息处理方法、装置和计算机设备 | |
CN116308642A (zh) | 产品推荐方法、目标预测模型的创建方法、装置 | |
CN116994273A (zh) | 对象识别方法、装置、计算机设备和存储介质 |
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 |