CN117522143A - 风险等级的确定方法、装置、设备及存储介质 - Google Patents

Abstract

本发明实施例公开了一种风险等级的确定方法、装置、设备及存储介质。包括：获取目标用户的交易信息；其中，所述交易信息中包括多个关键信息；将所述多个关键信息划分为多种标签的特征信息；其中，所述标签包括身份标签、信贷标签、通信标签、资金标签及关联标签中的至少一种；将所述多种标签的特征信息输入预先训练的随机森林模型中，输出所述目标用户的目标风险等级。本发明实施例提供的风险等级的确定方法，将多个关键信息划分为多种标签的特征信息，并将多种标签的特征信息输入预先训练的随机森林模型中，输出目标用户的目标风险等级，可以提高确定目标用户风险等级的准确性，从而提高金融数据的安全性。

Description

风险等级的确定方法、装置、设备及存储介质

技术领域

本发明实施例涉及数据处理技术领域，尤其涉及一种风险等级的确定方法、装置、设备及存储介质。

背景技术

由于互联网金融的快速发展，不仅为合法客户提供了安全可靠的服务，也为不法人员进行不法活动提供了便利。银行作为资金融通的重要一环，可以对用户进行风险评级，并及时处置其账号，以减少客户的损失。随着信息化***的普及，银行内部，政府机构和其他企业积累了海量的用户属性以及行为信息，这使得分析用户行为以及挖掘用户之间的联系成为了可能。

发明内容

本发明实施例提供一种风险等级的确定方法、装置、设备及存储介质，可以提高用户风险等级确定的准确性，从而提高金融数据的安全性。

第一方面，本发明实施例提供了一种风险等级的确定方法，包括：

获取目标用户的交易信息；其中，所述交易信息中包括多个关键信息；

将所述多个关键信息划分为多种标签的特征信息；其中，所述标签包括身份标签、信贷标签、通信标签、资金标签及关联标签中的至少一种；

将所述多种标签的特征信息输入预先训练的随机森林模型中，输出所述目标用户的目标风险等级。

第二方面，本发明实施例还提供了一种风险等级的确定装置，包括：

交易信息获取模块，用于获取目标用户的交易信息；其中，所述交易信息中包括多个关键信息；

标签特征信息划分模块，用于将所述多个关键信息划分为多种标签的特征信息；其中，所述标签包括身份标签、信贷标签、通信标签、资金标签及关联标签中的至少一种；

目标风险等级输出模块，用于将所述多种标签的特征信息输入预先训练的随机森林模型中，输出所述目标用户的目标风险等级。

第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明实施例所述的风险等级的确定方法。

第四方面，本发明实施例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存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明实施例所述的风险等级的确定方法

本发明实施例公开了一种风险等级的确定方法、装置、设备及存储介质。获取目标用户的交易信息；其中，交易信息中包括多个关键信息；将多个关键信息划分为多种标签的特征信息；其中，标签包括身份标签、信贷标签、通信标签、资金标签及关联标签中的至少一种；将多种标签的特征信息输入预先训练的随机森林模型中，输出目标用户的目标风险等级。本发明实施例提供的风险等级的确定方法，将多个关键信息划分为多种标签的特征信息，并将多种标签的特征信息输入预先训练的随机森林模型中，输出目标用户的目标风险等级，可以提高确定目标用户风险等级的准确性，从而提高金融数据的安全性。

附图说明

图1是本发明实施例一中的一种风险等级的确定方法的流程图；

图2是本发明实施例一中的一种采用随机森林模型预测目标风险等级的示例图；

图3是本发明实施例二中的一种风险等级的确定装置的结构示意图；

图4是本发明实施例三中的一种电子设备的结构示意图。

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。

实施例一

图1为本发明实施例一提供的一种风险等级的确定方法的流程图，本实施例可适用于确定用户风险等级的情况，该方法可以由风险等级的确定装置来执行，该装置可以通过软件和/或硬件的形式实现，可选的，通过电子设备来实现，该电子设备可以是移动终端、PC端或服务器等。具体包括如下步骤：

S110，获取目标用户的交易信息。

其中，交易信息中包括多个关键信息。关键信息可以包括：用户基本信息、用户信贷信息、用户通信信息、用户资金信息及用户关联信息。

S120，将多个关键信息划分为多种标签的特征信息。

其中，标签包括身份标签、信贷标签、通信标签、资金标签及关联标签中的至少一种。

具体的，将交易信息划分为多种标签的特征信息的方式可以是：将交易信息依次进行如下预处理：清洗、结构化及标准化；对预处理后的交易信息进行语义分析，获得各关键信息的语义特征；基于语义特征将多个关键信息划分为多种标签的特征信息。

其中，属于身份标签的信息可以包括：用户身份标识、用户名称、联系方式等。属于信贷标签的信息可以包括：用户在各金融机构(如：银行、互联网金融平台)的贷款金额、贷款次数及申请贷款次数等信息。属于通信标签的信息可以包括通信设备信息、在互联网上各类目信息的搜索记录、搜索频差、咨询记录等信息。属于资金标签的信息可以包括：消费记录、消费倾向、名下账户流水、交易时间等信息。属于关联标签的信息可以包括：联系人信息、常用联系人风险信息、关联组织及关联法人等信息。

S130，将多种标签的特征信息输入预先训练的随机森林模型中，输出目标用户的目标风险等级。

其中，随机森林模型包括多个与标签对应的决策树及预测模块。风险等级可以包括极低风险、较低风险、中等风险、中高风险及高风险五个等级。

具体的，将多种标签的特征信息输入预先训练的随机森林模型中，输出目标用户的目标风险等级的方式可以是：将多种标签的特征信息分别输入对应的决策树中，输出各标签分别对应的初始风险等级结果；将各标签分别对应的初始风险等级结果输入预测模块中进行处理，输出目标用户的目标风险等级。

其中，初始风险等级结果包括标签对应的各风险等级的概率，即五个风险等级的概率。示例性的，图2是本发明实施例中采用随机森林模型预测目标风险等级的示例图，如图2所示，该随机森林模型中包括五个分别与身份标签、信贷标签、通信标签、资金标签及关联标签对应的决策树，将身份标签的特征信息、信贷标签的特征信息、通信标签的特征信息、资金标签的特征信息及关联标签的特征信息分别输入对应的决策树中，输出身份标签、信贷标签、通信标签、资金标签及关联标签分别对应的初始风险等级结果。即身份标签对应的五个风险等级的概率，信贷标签对应的五个风险等级的概率，通信标签对应的五个风险等级的概率，资金标签对应的五个风险等级的概率及关联标签对应的五个风险等级的概率。

具体的，将各标签分别对应的初始风险等级结果输入预测模块中进行处理的过程可以是：对于每种风险等级，将初始风险等级结果中各标签的风险等级的概率进行融合，获得风险等级的目标概率；将目标概率最高的风险等级确定为目标用户的目标风险等级。

其中，将各标签的风险等级的概率进行融合的方式可以是：将各标签的风险等级的概率进行加权求和，获得各风险等级的目标概率。

示例性的，对于极低风险等级，身份标签的极低风险等级概率为a1，信贷标签的极低风险等级概率为a2，通信标签的极低风险等级概率为a3，资金标签的极低风险等级概率为a4，关联标签极低风险等级概率为a5，然后对a1、a2、a3、a4和a5进行加权求和，获得极低风险等级的目标概率。假设极低风险、较低风险、中等风险、中高风险及高风险五个等级中，中等风险的目标概率最高，则目标用户属于中等风险。

可选的，随机森林模型的训练方式可以是：获取多个数据源中的交易信息样本；对多个数据源中的交易信息样本进行融合，并对融合后的交易信息样本依次进行如下预处理：清洗、结构化及标准化；将预处理后的交易信息样本划分为多种标签的特征信息样本；基于特征信息样本对随机森林模型进行训练。

其中，多个数据源可以是金融机构及非金融机构等不同的数据源。对多个数据源中的交易信息样本进行融合的过程可以是：对多个数据源的交易信息样本进行分析挖掘和融合，使每个数据源都能根据本地数据获取全局知识，达到共赢结果的同时解决数据源之间的协作和隐私保护问题。将预处理后的交易信息样本划分为多种标签的特征信息样本的方式与上述实施例中将多个关键信息划分为多种标签的特征信息的方式类似，此处不再赘述。

具体的，基于特征信息样本对随机森林模型进行训练的方式可以是：将多种标签的特征信息样本分别输入对应的决策树中，输出各标签分别对应的初始预测风险等级结果；将各标签分别对应的初始预测风险等级结果输入预测模块中进行处理，输出目标预测风险等级；基于目标预测风险等级和交易信息样本的真实风险等级对随机森林模型进行训练。

其中，初始预测风险结果包括所述标签对应的各风险等级的概率。随机森林模型的结构可以参见图2。将各标签分别对应的初始预测风险等级结果输入预测模块中进行处理的方式可以参见上述实施例中将各标签分别对应的初始风险等级结果输入预测模块中进行处理的过程，此处不再赘述。基于目标预测风险等级和交易信息样本的真实风险等级对随机森林模型进行训练的过程可以是：基于目标预测风险等级和交易信息样本的真实风险等级调整随机森林模型中参数，直到随机森林模型的准确度满足要求。

本实施例的技术方案，获取目标用户的交易信息；其中，交易信息中包括多个关键信息；将多个关键信息划分为多种标签的特征信息；其中，标签包括身份标签、信贷标签、通信标签、资金标签及关联标签中的至少一种；将多种标签的特征信息输入预先训练的随机森林模型中，输出目标用户的目标风险等级。本发明实施例提供的风险等级的确定方法，将多个关键信息划分为多种标签的特征信息，并将多种标签的特征信息输入预先训练的随机森林模型中，输出目标用户的目标风险等级，可以提高确定目标用户风险等级的准确性，从而提高金融数据的安全性。

实施例二

图3是本发明实施例二提供的一种风险等级的确定装置的结构示意图，如图3所示，该装置包括：

交易信息获取模块310，用于获取目标用户的交易信息；其中，交易信息中包括多个关键信息；

标签特征信息划分模块320，用于将多个关键信息划分为多种标签的特征信息；其中，标签包括身份标签、信贷标签、通信标签、资金标签及关联标签中的至少一种；

目标风险等级输出模块330，用于将多种标签的特征信息输入预先训练的随机森林模型中，输出目标用户的目标风险等级。

可选的，随机森林模型包括多个与标签对应的决策树及预测模块。

可选的，目标风险等级输出模块330，还用于：

将多种标签的特征信息分别输入对应的决策树中，输出各标签分别对应的初始风险等级结果；其中，初始风险等级结果包括标签对应的各风险等级的概率；

将各标签分别对应的初始风险等级结果输入预测模块中进行处理，输出目标用户的目标风险等级。

可选的，目标风险等级输出模块330，还用于：

对于每种风险等级，将初始风险等级结果中各标签的风险等级的概率进行融合，获得风险等级的目标概率；

将目标概率最高的风险等级确定为目标用户的目标风险等级。

可选的，标签特征信息划分模块320，还用于：

将交易信息依次进行如下预处理：清洗、结构化及标准化；

对预处理后的交易信息进行语义分析，获得各关键信息的语义特征；

基于语义特征将多个关键信息划分为多种标签的特征信息。

可选的，还包括：随机森林模型训练模块，用于：

获取多个数据源中的交易信息样本；

对多个数据源中的交易信息样本进行融合，并对融合后的交易信息样本依次进行如下预处理：清洗、结构化及标准化；

将预处理后的交易信息样本划分为多种标签的特征信息样本；

基于特征信息样本对随机森林模型进行训练。

可选的，随机森林模型训练模块，还用于：

将多种标签的特征信息样本分别输入对应的决策树中，输出各标签分别对应的初始预测风险等级结果；其中，初始预测风险结果包括标签对应的各风险等级的概率；

将各标签分别对应的初始预测风险等级结果输入预测模块中进行处理，输出目标预测风险等级；

基于目标预测风险等级和交易信息样本的真实风险等级对随机森林模型进行训练。

上述装置可执行本发明前述所有实施例所提供的方法，具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明前述所有实施例所提供的方法。

实施例三

图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如风险等级的确定方法。

在一些实施例中，风险等级的确定方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的风险等级的确定方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行风险等级的确定方法。

本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的***和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种风险等级的确定方法，其特征在于，包括：

获取目标用户的交易信息；其中，所述交易信息中包括多个关键信息；

将所述多个关键信息划分为多种标签的特征信息；其中，所述标签包括身份标签、信贷标签、通信标签、资金标签及关联标签中的至少一种；

将所述多种标签的特征信息输入预先训练的随机森林模型中，输出所述目标用户的目标风险等级。

2.根据权利要求1所述的方法，其特征在于，所述随机森林模型包括多个与所述标签对应的决策树及预测模块。

3.根据权利要求2所述的方法，其特征在于，将所述多种标签的特征信息输入预先训练的随机森林模型中，输出所述目标用户的目标风险等级，包括：

将所述多种标签的特征信息分别输入对应的决策树中，输出各标签分别对应的初始风险等级结果；其中，所述初始风险等级结果包括所述标签对应的各风险等级的概率；

将所述各标签分别对应的初始风险等级结果输入所述预测模块中进行处理，输出所述目标用户的目标风险等级。

4.根据权利要求3所述的方法，其特征在于，将所述各标签分别对应的初始风险等级结果输入所述预测模块中进行处理，包括：

对于每种风险等级，将所述初始风险等级结果中各标签的所述风险等级的概率进行融合，获得所述风险等级的目标概率；

将目标概率最高的风险等级确定为所述目标用户的目标风险等级。

5.根据权利要求1所述的方法，其特征在于，将所述交易信息划分为多种标签的特征信息，包括：

将所述交易信息依次进行如下预处理：清洗、结构化及标准化；

对预处理后的交易信息进行语义分析，获得各关键信息的语义特征；

基于所述语义特征将所述多个关键信息划分为多种标签的特征信息。

6.根据权利要求2所述的方法，其特征在于，所述随机森林模型的训练方式为：

获取多个数据源中的交易信息样本；

对所述多个数据源中的交易信息样本进行融合，并对融合后的交易信息样本依次进行如下预处理：清洗、结构化及标准化；

将预处理后的交易信息样本划分为多种标签的特征信息样本；

基于所述特征信息样本对所述随机森林模型进行训练。

7.根据权利要求6所述的方法，其特征在于，基于所述特征信息样本对所述随机森林模型进行训练，包括：

将所述多种标签的特征信息样本分别输入对应的决策树中，输出各标签分别对应的初始预测风险等级结果；其中，所述初始预测风险结果包括所述标签对应的各风险等级的概率；

将所述各标签分别对应的初始预测风险等级结果输入所述预测模块中进行处理，输出目标预测风险等级；

基于所述目标预测风险等级和所述交易信息样本的真实风险等级对所述随机森林模型进行训练。

8.一种风险等级的确定装置，其特征在于，包括：

交易信息获取模块，用于获取目标用户的交易信息；其中，所述交易信息中包括多个关键信息；

标签特征信息划分模块，用于将所述多个关键信息划分为多种标签的特征信息；其中，所述标签包括身份标签、信贷标签、通信标签、资金标签及关联标签中的至少一种；

目标风险等级输出模块，用于将所述多种标签的特征信息输入预先训练的随机森林模型中，输出所述目标用户的目标风险等级。

9.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的风险等级的确定方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的风险等级的确定方法。