CN117764710A - 一种住房金融风险行为的监控方法 - Google Patents
一种住房金融风险行为的监控方法 Download PDFInfo
- Publication number
- CN117764710A CN117764710A CN202311748999.3A CN202311748999A CN117764710A CN 117764710 A CN117764710 A CN 117764710A CN 202311748999 A CN202311748999 A CN 202311748999A CN 117764710 A CN117764710 A CN 117764710A
- Authority
- CN
- China
- Prior art keywords
- information
- question
- housing
- income
- interview
- 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.)
- Granted
Links
- 230000006399 behavior Effects 0.000 title claims abstract description 102
- 238000012544 monitoring process Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000000605 extraction Methods 0.000 claims description 105
- 230000007774 longterm Effects 0.000 claims description 26
- 230000010354 integration Effects 0.000 claims description 5
- 238000012550 audit Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 description 20
- 230000009471 action Effects 0.000 description 16
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及住房金融领域,公开了一种住房金融风险行为的监控方法,包括:根据收入信息和收入证明文件,生成真实性评分值;若大于第一预设评分阈值,生成预测收入金额;若申报收入金额与预测收入金额的差值大于或等于预设差值阈值,生成一级风险行为提示信息和面谈提问内容;对面谈视频进行语音识别,得到面谈文本和时间轴;将面谈文本与面谈提问内容进行文本匹配,得到问答组序列;生成每个问答组对应的文本特征和图像特征并进行融合,得到问答特征;根据问答特征和人工评分,生成风险行为监控信息。由此,提高了审核效率,降低了资金违约风险,保障金融机构的资金安全。
Description
技术领域
本发明涉及住房金融领域,具体涉及一种住房金融风险行为的监控方法。
背景技术
在房产交易过程中,房产购买方可以通过个人住房贷款、长期住房储金等金融产品来缓解资金压力。随着个人住房贷款业务的不断发展,其面临的风险也日益突出,需要在贷款发放的各个环节,对住房金融风险行为风险进行不断监控。
现有的针对住房金融风险行为进行监控的过程中,经常会存在如下技术问题:
第一,通过人工核实借款人提交的收入证明材料,不仅耗时耗力,并且依赖于人工的经验,容易发生疏漏,进而造成审核过程中难以及时发现房金融风险行为(例如欺诈行为),从而增加了资金违约风险,影响金融机构的资金安全;
第二,长期住房储金的设立为解决居民的住房问题提供了有力的保障。然而,违规提取长期住房储金行为屡次发生,造成了长期住房储金的资金输出风险,目前仍然缺乏对违规提取长期住房储金的行为进行监控的有效手段;
第三,在对用户的长期住房储金的提取申请进行验证时,经常存在用户用历史照片当作辅助证明图像的问题,由此来违规提取长期住房储金,进而造成长期住房储金的资金输出风险。
发明内容
本发明内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本发明提出了一种住房金融风险行为的监控方法,来解决以上背景技术部分提到的技术问题中的一项或多项。
本发明提供了一种住房金融风险行为的监控方法,包括:接收住房贷款的借款人通过终端上传的收入信息和收入证明文件,并根据收入证明文件的文件类别和收入证明文件的多个质量指标,生成收入证明文件对应的真实性评分值,其中,收入信息包括申报收入金额;若真实性评分值大于第一预设评分阈值,通过终端获取借款人的借款人特征信息,并将借款人特征信息输入预先训练的收入预测模型,得到借款人的预测收入金额;若申报收入金额与预测收入金额的差值大于或等于预设差值阈值,生成借款人对应的一级风险行为提示信息和面谈提问内容,并将一级风险行为提示信息和面谈提问内容发送至审核终端,以使审核终端对应的审核人员根据面谈提问内容与借款人进行面谈;接收审核人员通过审核终端上传的面谈视频和面谈评分,其中,面谈评分包括针对面谈提问内容中每个提问的人工评分;对面谈视频进行语音识别,得到面谈文本和面谈文本对应的时间轴;将面谈文本与面谈提问内容进行文本匹配,得到问答组序列,其中,问答组序列中的每个问答组包括一个提问和一个回答;对每个问答组进行词嵌入,得到每个问答组对应的文本特征;根据问答组序列和时间轴,确定每个问答组在面谈视频中对应的目标视频帧,并对目标视频帧进行特征提取,得到每个问答组对应的图像特征;对于每个问答组,将对应的文本特征和对应的图像特征进行特征融合,得到对应的问答特征;根据每个问答组所对应的问答特征和每个提问的人工评分,生成借款人对应的风险行为监控信息。
可选的,收入预测模型包括时间序列预测子模型、回归子模型和集成子模型,收入信息包括第一收入值序列,第一收入值序列包括第一历史时间区间内的多个时间点分别对应的收入值;以及将借款人特征信息输入预先训练的收入预测模型,得到借款人的预测收入金额,包括:将借款人特征信息输入回归子模型,得到第一预测收入值;获取第二收入值序列并将第二收入值序列输入时间序列预测子模型,得到目标时间点对应的第二预测收入值,其中,目标时间点为第一历史时间区间内的时间点;将第一预测收入值和第二预测收入值输入集成子模型,得到预测收入金额;以及若申报收入金额与预测收入金额的差值大于或等于预设差值阈值,生成借款人对应的一级风险行为提示信息和面谈提问内容,包括:根据第一收入值序列和申报收入金额,确定申报平均收入金额,若申报平均收入金额与预测收入金额的差值大于或等于预设差值阈值,生成借款人对应的一级风险行为提示信息和面谈提问内容。
可选的,根据每个问答组所对应的问答特征和每个提问的人工评分,生成借款人对应的风险行为监控信息,包括:根据每个问答组所包括的提问的人工评分,生成每个问答组对应的权重;根据每个问答组对应的权重和问答特征,生成判别特征;将判别特征输入风险判别网络,得到借款人对应的风险行为监控信息。
可选的,住房金融风险行为的监控方法还包括:当接收到用户通过终端设备发送的针对长期住房储金的提取申请,确定提取申请中所包括的提取原因类别是否为第一类别,若提取原因类别为第一类别,则获取用户在多个历史时间点中每个历史时间点提交的历史提取证明文件,得到历史提取证明文件集;对历史提取证明文件集中每个历史提取证明文件进行住房信息识别,得到住房信息集合,并根据对应的历史时间点从住房信息集合中确定目标住房信息;确定提取申请中所包括的住房信息与目标住房信息是否一致,若住房信息与目标住房信息一致且历史提取证明文件集中的历史提取证明文件的个数大于预设数目,则控制终端设备采集辅助证明图像;根据辅助证明图像,生成用户对应的提取行为监控信息,提取行为监控信息表征用户针对长期住房储金的提取行为是否存在风险;若提取行为监控信息表征用户针对长期住房储金的提取行为存在风险,则生成并向终端设备发送表征提取申请不通过的提示信息。
可选的,若住房信息与目标住房信息一致且历史提取证明文件集中的历史提取证明文件的个数大于预设数目,则控制终端设备采集辅助证明图像,包括:若住房信息与目标住房信息一致且历史提取证明文件集中的历史提取证明文件的个数大于预设数目,则控制终端设备执行以下图像采集操作:采集住房图像作为辅助证明图像;根据当前位置信息、当前时间信息和辅助证明图像,生成住房图像文件,并将住房图像文件上传;以及根据辅助证明图像,生成用户对应的提取行为监控信息,包括:根据住房图像文件,生成用户对应的提取行为监控信息。
可选的,若住房信息与目标住房信息一致且历史提取证明文件集中的历史提取证明文件的个数大于预设数目,则控制终端设备采集辅助证明图像,包括:若住房信息与目标住房信息一致且历史提取证明文件集中的历史提取证明文件的个数大于预设数目,则控制终端设备执行以下图像采集操作:采集住房图像作为辅助证明图像;生成随机码;根据当前位置信息、当前时间信息、随机码和辅助证明图像,生成住房图像文件,并将住房图像文件上传;以及根据辅助证明图像,生成用户对应的提取行为监控信息,包括:根据住房图像文件,生成用户对应的提取行为监控信息。
本发明具有如下有益效果:通过对收入证明文件的自动评分和收入预测来实现借款人风险行为鉴别。由于不需要人工核实借款人提交的收入证明材料,从而提高了审核效率。当预测收入金额与申报收入金额差别较大时,进一步根据面谈视频结合人工评分来生成风险行为监控信息,实现人工评价与智能识别的结合,从而提高审核准确率,避免遗漏住房金融风险行为(例如欺诈行为),降低了资金违约风险,保障金融机构的资金安全。
附图说明
结合附图并参考以下具体实施方式,本发明各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是本发明的一种住房金融风险行为的监控方法的流程图。
具体实施方式
下面将参照附图更详细地描述本发明。虽然附图中显示了本发明的某些实施例,然而应当理解的是,本发明可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是,本发明的附图及实施例仅用于示例性作用,并非用于限制本发明的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
需要注意,本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本发明的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本发明。
如图1所示,示出了本发明的一种住房金融风险行为的监控方法的流程图,包括以下步骤:
步骤101,接收住房贷款的借款人通过终端上传的收入信息和收入证明文件,并根据收入证明文件的文件类别和收入证明文件的多个质量指标,生成收入证明文件对应的真实性评分值,其中,收入信息包括申报收入金额。
在一些实施例中,本发明的一种住房金融风险行为的监控方法的执行主体是金融机构的监控后台服务器。在此基础上上述执行主体可以首先接收终端上传的收入信息和收入证明文件。其中,收入信息包括申报收入金额,根据需要可以是一定时间区间内(例如半年内)的平均收入金额。可选的,收入信息还可以包括收入类型,收入类型可以包括但不限于:工资收入、营业收入、劳务收入等等。相应的,收入证明文件可以是单位出具的工资证明文件、个人账户入账明细文件等等,根据出具单位的不同可以划分为不同的类别,例如,文件类别可以包括但不限于:第三方机构证明文件、银行证明文件、工作单位证明文件等等,不同的文件类别配置有不同的评分权重。收入证明文件可以是图像,收入证明文件的多个质量指标包括但不限于:图像清晰度、图像中***清晰度等等。之后,根据多个质量指标中每个质量指标的指标值确定对应的子评分值,将各个子评分值相加后得到候选评分值,将候选评分值与文件类别所对应的评分权重相乘后,得到收入证明文件对应的真实性评分值。
步骤102,若真实性评分值大于第一预设评分阈值,通过终端获取借款人的借款人特征信息,并将借款人特征信息输入预先训练的收入预测模型,得到借款人的预测收入金额。
在一些实施例中,若真实性评分值大于第一预设评分阈值,上述执行主体可以通过终端获取借款人的借款人特征信息。其中,借款人特征信息包括但不限于以下维度:年龄、婚姻状况、学历、职位、雇主信息、工作年限、家庭人数、担保类别等。在此基础上,将借款人特征信息输入预先训练的收入预测模型。其中,收入预测模型可以是多元线性回归模型,以上述借款人特征信息为输入,输出预测收入金额。
可选的,收入预测模型还可以包括时间序列预测子模型、回归子模型和集成子模型,其中,时间序列预测子模型可以是长短期记忆网络(LSTM)。回归子模型可以是多元线性回归模型,回归子模型以上述借款人特征信息为输入,输出第一收入预测值。集成子模型可以是弹性网络(ElasticNet),弹性网络是一种线性回归模型,是由岭回归和Lasso回归的组合。在此基础上,可以将借款人特征信息输入回归子模型,得到第一预测收入值;获取第二收入值序列并将第二收入值序列输入时间序列预测子模型,得到目标时间点对应的第二预测收入值,其中,目标时间点为第一历史时间区间内的时间点;将第一预测收入值和第二预测收入值输入集成子模型,得到预测收入金额;根据第一收入值序列和申报收入金额,确定申报平均收入金额,若申报平均收入金额与预测收入金额的差值大于或等于预设差值阈值,生成借款人对应的一级风险行为提示信息和面谈提问内容。其中,第一收入值序列包括第一历史时间区间内的多个时间点分别对应的收入值。第一历史时间区间为当前时间点之前的第一时间区间,第二历史时间区间为当前时间点之前的第二时间区间,第二历史时间区间是第一历史时间区间之前的时间区间。例如,当前时间点为12月,第一历史时间区间为6月前至12月,此时,第一收入值序列为6月前至12月每个月的收入值所组成的序列,第二历史时间区间为1月至5月,第二收入值序列为1月至5月的收入值所组成的序列。在此基础上,目标时间点为第一历史时间区间内的任一时间点。进一步的,将根据第一预测收入值和第二预测收入值输入集成子模型,得到预测收入金额,其中,由于对回归子模型和时间序列预测子模型的预测结果进行了集成,从而可以提高预测准确性。
在此基础上,将申报平均收入金额与预测收入金额进行比较,若差值大于或等于预设差值阈值(例如2000),生成借款人对应的一级风险行为提示信息和面谈提问内容。
步骤103,若申报收入金额与预测收入金额的差值大于或等于预设差值阈值,生成借款人对应的一级风险行为提示信息和面谈提问内容,并将一级风险行为提示信息和面谈提问内容发送至审核终端,以使审核终端对应的审核人员根据面谈提问内容与借款人进行面谈。
在一些实施例中,若申报收入金额与预测收入金额的差值大于或等于预设差值阈值,上述执行主体可以生成借款人对应的一级风险行为提示信息和面谈提问内容。其中,一级风险行为提示信息表征申报收入金额存在虚假风险。在此基础上,根据借款人特征信息生成面谈提问内容。从而审核人员可以根据面谈提问内容与借款人进行面谈,在此过程中,通过拍摄设备对面谈过程进行拍摄,得到面谈视频。在此过程中,审核人员可以在进行提问后,可以根据借款人的回答,对每个提问进行评分,得到每个提问的人工评分并经由审核终端上传至上述执行主体。
其中,上述执行主体可以通过以下方式生成面谈提问内容:获取借款人特征信息,将借款人特征信息中所包括的各个维度作为面谈提问内容生成网络的输入,得到面谈提问内容。其中,面谈提问内容生成网络可以是文本生成网络(例如RNN、生成对抗网络等),在此基础上,通过样本集进行训练,从而得到面谈提问内容生成网络。其中,样本集中的样本包括样本借款人特征信息和样本面谈提问内容。之后,通过机器学习的方式(反向传播、随机梯度下降)进行训练,得到面谈提问内容生成网络。
步骤104,接收审核人员通过审核终端上传的面谈视频和面谈评分,其中,面谈评分包括针对面谈提问内容中每个提问的人工评分。
在一些实施例中,上述执行主体可以接收审核人员通过审核终端上传的面谈视频和面谈评分。
步骤105,对面谈视频进行语音识别,得到面谈文本和面谈文本对应的时间轴;将面谈文本与面谈提问内容进行文本匹配,得到问答组序列,其中,问答组序列中的每个问答组包括一个提问和一个回答;对每个问答组进行词嵌入,得到每个问答组对应的文本特征;根据问答组序列和时间轴,确定每个问答组在面谈视频中对应的目标视频帧,并对目标视频帧进行特征提取,得到每个问答组对应的图像特征;对于每个问答组,将对应的文本特征和对应的图像特征进行特征融合,得到对应的问答特征。
在一些实施例中,上述执行主体可以通过语音识别技术对面谈视频进行语音识别,得到面谈文本和面谈文本对应的时间轴。之后,可以将面谈文本与面谈提问内容进行文本匹配,从而得到每个提问所对应的回答,一个提问和一个回答组成一个问答组,多个问答组按照时间先后顺序排列,得到问答组序列。在此基础上,对于每个问答组,确定其对应于时间轴上的目标时间点,并从面谈视频抽取目标时间点对应的至少一个视频帧,从至少一个视频帧中选取关键帧作为目标视频帧。之后,将目标视频帧输入卷积神经网络,得到每个问答组对应的图像特征。对于每个问答组,将对应的文本特征和对应的图像特征进行拼接,得到对应的问答特征。
步骤106,根据每个问答组所对应的问答特征和每个提问的人工评分,生成借款人对应的风险行为监控信息。
在一些实施例中,将上述问答特征和每个提问的人工评分输入风险判别网络(例如是循环神经网络、决策树等),生成借款人对应的风险行为监控信息。其中,风险行为监控信息用于表征借款人的借款行为是否为风险行为。其中,在采用循环神经网络的模型结构的基础上,可以利用训练样本集进行训练,从而得到风险判别网络。训练样本包括样本问答特征、样本人工评分以及对应的样本风险行为监控信息。从而以样本问答特征、样本人工评分作为输入,以对应的样本风险行为监控信息作为期望输出,确定实际输出与期望输出的差异后,利用反向传播算法,将差异反向传入上述循环神经网络,同时调整循环神经网络的参数,直至满足训练停止条件,从而得到风险判别网络。
可选的,根据每个问答组所对应的问答特征和每个提问的人工评分,生成借款人对应的风险行为监控信息,包括:根据每个问答组所包括的提问的人工评分,生成每个问答组对应的权重;根据每个问答组对应的权重和问答特征,生成判别特征;将判别特征输入风险判别网络,得到借款人对应的风险行为监控信息。其中,可以通过预设的权重换算公式得到每个问答组对应的权重,一般的,人工评分越高,对应的权重越大。之后,将每个问答组对应的权重中的第一个非零数值作为目标次数,并将该问答组对应的问答特征进行目标次数的复制,得到复制特征,之后,将各个问答组对应的复制特征拼接后,得到判别特征,最后,将判别特征输入风险判别网络,得到借款人对应的风险行为监控信息。
在一些实施例中,通过对收入证明文件的自动评分和收入预测来实现借款人风险行为鉴别。不需要人工核实借款人提交的收入证明材料,从而提高了审核效率。当预测收入金额与申报收入金额差别较大时,进一步根据面谈视频结合人工评分来生成风险行为监控信息,实现人工评价与智能识别的结合,从而提高审核准确率,避免遗漏住房金融风险行为(例如欺诈行为),降低了资金违约风险,保障金融机构的资金安全。
在一些实施例中,为了进一步解决背景技术部分所描述的技术问题二,即“缺乏对违规提取长期住房储金的行为进行监控的有效手段”,本发明的一些实施例中,一种住房金融风险行为的监控方法还包括以下步骤:
步骤一,当接收到用户通过终端设备发送的针对长期住房储金的提取申请,确定提取申请中所包括的提取原因类别是否为第一类别,若提取原因类别为第一类别(例如租房),则获取用户在多个历史时间点中每个历史时间点提交的历史提取证明文件,得到历史提取证明文件集。实践中,根据提取长期住房储金的用途不同,可以将提取原因划分为不同的类别,提取原因类别可以包括:购房、租房、房屋修缮、大病等等。不同的提取原因类别对应有不同的提取证明文件。例如,当第一类别为租房时,提取证明文件和提取证明文件均为租房合同。
步骤三,对历史提取证明文件集中每个历史提取证明文件进行住房信息识别,得到住房信息集合,并根据对应的历史时间点从住房信息集合中确定目标住房信息。其中,住房信息可以包括住房位置信息、户型信息等。其中,可以利用OCR技术对历史提取证明文件进行识别,然后通过预设的关键字进行检索,从而得到每个历史提取证明文件对应的住房信息,进而得到住房信息集合。历史提取证明文件对应一个历史时间点,相应的,从历史提取证明文件提取的住房信息也对应一个历史时间点。目标住房信息可以是住房信息集合中对应的历史时间点最晚的住房信息。
步骤四,确定提取申请中所包括的住房信息与目标住房信息是否一致,若住房信息与目标住房信息一致且历史提取证明文件集中的历史提取证明文件的个数大于预设数目,则控制终端设备采集辅助证明图像。其中,预设数目(例如3)可以是根据当地平均换房周期确定的。当住房信息与目标住房信息一致则可以认为用户本年与上次提交提取申请时租住同一套房屋,且用户多次提出提取申请(提取申请的次数大于预设数目),这种情况下针对长期住房储金的提取行为的风险程度较高。因此,需要通过辅助证明图像进一步核查。
步骤五,根据辅助证明图像,生成用户对应的提取行为监控信息,提取行为监控信息表征用户针对长期住房储金的提取行为是否存在风险。具体的,可以确定辅助证明图像是否满足预设验证条件组,若满足,则生成表征提取行为是不存在风险的提取行为监控信息;反之,可以生成表征提取行为存在风险的提取行为监控信息。
步骤六,若提取行为监控信息表征用户针对长期住房储金的提取行为存在风险,则生成并向终端设备发送表征提取申请不通过的提示信息。
可选的,若住房信息与目标住房信息一致且历史提取证明文件集中的历史提取证明文件的个数大于预设数目,则控制终端设备采集辅助证明图像,包括:若住房信息与目标住房信息一致且历史提取证明文件集中的历史提取证明文件的个数大于预设数目,则控制终端设备执行以下图像采集操作:采集住房图像作为辅助证明图像;根据当前位置信息、当前时间信息和辅助证明图像,生成住房图像文件,并将住房图像文件上传;以及根据辅助证明图像,生成用户对应的提取行为监控信息,包括:根据住房图像文件,生成用户对应的提取行为监控信息。其中,可以将当前位置信息、当前时间信息作为辅助证明图像的属性信,进而组成住房图像文件。
可选的,若住房信息与目标住房信息一致且历史提取证明文件集中的历史提取证明文件的个数大于预设数目,则控制终端设备采集辅助证明图像,包括:若住房信息与目标住房信息一致且历史提取证明文件集中的历史提取证明文件的个数大于预设数目,则控制终端设备执行以下图像采集操作:采集住房图像作为辅助证明图像;生成随机码;根据当前位置信息、当前时间信息、随机码和辅助证明图像,生成住房图像文件,并将住房图像文件上传;以及根据辅助证明图像,生成用户对应的提取行为监控信息,包括:根据住房图像文件,生成用户对应的提取行为监控信息。其中,可以将当前位置信息、当前时间信息、随机码作为辅助证明图像的属性信,进而组成住房图像文件。与此同时,上述执行主体可以采用同一个哈希函数基于当前时间生成随机码,由于执行主体与终端设备采用同一个哈希函数且基于同样的时间生成随机码,进而得到的随机码是一样的。在此基础上,上述执行主体可以在接收到住房图像文件的基础上对其进行解析,得到其中的随机码并与执行主体本地存储的随机码进行比对,以对住房图像文件进行验证,防止用户对住房图像文件进行篡改,保证辅助证明图像的真实性。
在这些实施例中,通过辅助证明图像进一步对风险程度较高的提取申请进行验证,从而避免高风险的提取行为,进而对违规提取长期住房储金的行为进行有效监控,降低了长期住房储金的资金输出风险。
在一些实施例中,为了进一步解决背景技术部分所描述的技术问题三,即“在对用户的长期住房储金的提取申请进行验证时,经常存在用户用历史照片当作辅助证明图像的问题,由此来违规提取长期住房储金,进而造成长期住房储金的资金输出风险”,本发明的一些实施例中,若住房信息与目标住房信息一致且历史提取证明文件集中的历史提取证明文件的个数大于预设数目,则控制终端设备采集辅助证明图像,包括以下步骤:
步骤一,若住房信息与目标住房信息一致且历史提取证明文件集中的历史提取证明文件的个数大于预设数目,则确定住房信息中是否包括房屋户型图,若不包括,向终端设备发送户型图上传提示信息;
步骤二,通过终端设备获取房屋户型图,在房屋户型图中标注多个验证位置,对于每个验证位置从预先配置的验证动作信息库中确定对应的验证动作信息,并将标注后的房屋户型图和每个验证位置对应的验证动作信息发送至终端设备;终端设备在每个验证位置执行以下操作:采集验证位置对应的局部房屋和验证动作的图像作为辅助证明图像;生成随机码;根据当前位置信息、当前时间信息、随机码和辅助证明图像,生成住房图像文件,并将住房图像文件上传。由此,各个验证位置分别对应的住房图像文件组成住房图像文件集。可以理解,辅助证明图像同时包括验证位置的房屋(例如厨房)和该验证位置对应的验证动作(例如站立)。
进一步的,根据辅助证明图像,生成用户对应的提取行为监控信息,包括:以根据住房图像文件集,生成用户对应的提取行为监控信息。具体的,上述执行主体可以对住房图像文件进行解析,得到当前位置信息、当前时间信息、随机码和辅助证明图像,并根据房屋信息查询对应的三维模型。在此基础上,上述执行主体可以在接收到住房图像文件的基础上对其进行解析,得到其中的随机码并与执行主体本地存储的随机码进行比对,以对住房图像文件进行验证,防止用户对住房图像文件进行篡改,保证辅助证明图像的真实性。实践中,上述执行主体可以采用同一个哈希函数基于当前时间生成随机码,由于执行主体与终端设备采用同一个哈希函数且基于同样的时间生成随机码,进而得到的随机码是一样的。除此之外,还可以对每个验证位置的辅助证明图像进行验证。具体的,可以对辅助证明图像输入动作识别网络,得到对应的识别动作。之后,根据验证位置(例如厨房),从三维模型中定位辅助证明图像对应的局部空间,并将局部空间的图像与辅助证明图像进行比对,以确定是否为同一空间;同时,将识别动作与对应的验证动作进行比对,若比对一致且确定为同一空间,生成表征提取行为不存在风险的提取行为监控信息;反之,可以生成表征提取行为存在风险的提取行为监控信息。其中,动作识别网络可以是各种图像识别网络,例如卷积神经网络,并利用动作样本集进行训练。动作样本集中的动作样本包括动作样本图像和对应的识别动作(标注的动作名称)。局部空间的图像与辅助证明图像进行比对可以计算二个图像的相似度,当相似度大于预设阈值(例如90%)时,可以认为是同一空间。
在这些实施例中,通过验证位置与验证动作的结合,避免用户利用已有的历史照片当作辅助证明图像,提高长期住房储金的安全性,降低了资金输出风险。
以上描述仅为本发明的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本发明中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (6)
1.一种住房金融风险行为的监控方法,其特征在于,包括:
接收住房贷款的借款人通过终端上传的收入信息和收入证明文件,并根据所述收入证明文件的文件类别和所述收入证明文件的多个质量指标,生成所述收入证明文件对应的真实性评分值,其中,所述收入信息包括申报收入金额;
若所述真实性评分值大于第一预设评分阈值,通过所述终端获取所述借款人的借款人特征信息,并将所述借款人特征信息输入预先训练的收入预测模型,得到所述借款人的预测收入金额;
若所述申报收入金额与所述预测收入金额的差值大于或等于预设差值阈值,生成所述借款人对应的一级风险行为提示信息和面谈提问内容,并将所述一级风险行为提示信息和所述面谈提问内容发送至审核终端,以使所述审核终端对应的审核人员根据所述面谈提问内容与所述借款人进行面谈;
接收所述审核人员通过所述审核终端上传的面谈视频和面谈评分,其中,所述面谈评分包括针对所述面谈提问内容中每个提问的人工评分;
对所述面谈视频进行语音识别,得到面谈文本和面谈文本对应的时间轴;将所述面谈文本与所述面谈提问内容进行文本匹配,得到问答组序列,其中,所述问答组序列中的每个问答组包括一个提问和一个回答;对所述每个问答组进行词嵌入,得到所述每个问答组对应的文本特征;根据所述问答组序列和所述时间轴,确定所述每个问答组在所述面谈视频中对应的目标视频帧,并对所述目标视频帧进行特征提取,得到所述每个问答组对应的图像特征;对于所述每个问答组,将对应的文本特征和对应的图像特征进行特征融合,得到对应的问答特征;
根据所述每个问答组所对应的问答特征和所述每个提问的人工评分,生成所述借款人对应的风险行为监控信息。
2.根据权利要求1所述的住房金融风险行为的监控方法,其特征在于,所述收入预测模型包括时间序列预测子模型、回归子模型和集成子模型,所述收入信息包括第一收入值序列,所述第一收入值序列包括第一历史时间区间内的多个时间点分别对应的收入值;以及
所述将所述借款人特征信息输入预先训练的收入预测模型,得到所述借款人的预测收入金额,包括:
将所述借款人特征信息输入所述回归子模型,得到第一预测收入值;
获取第二收入值序列并将所述第二收入值序列输入所述时间序列预测子模型,得到目标时间点对应的第二预测收入值,其中,所述目标时间点为所述第一历史时间区间内的时间点;
将所述第一预测收入值和所述第二预测收入值输入所述集成子模型,得到所述预测收入金额;以及
所述若所述申报收入金额与所述预测收入金额的差值大于或等于预设差值阈值,生成所述借款人对应的一级风险行为提示信息和面谈提问内容,包括:
根据所述第一收入值序列和所述申报收入金额,确定申报平均收入金额,若所述申报平均收入金额与所述预测收入金额的差值大于或等于预设差值阈值,生成所述借款人对应的一级风险行为提示信息和面谈提问内容。
3.根据权利要求2所述的住房金融风险行为的监控方法,其特征在于,所述根据所述每个问答组所对应的问答特征和所述每个提问的人工评分,生成所述借款人对应的风险行为监控信息,包括:
根据所述每个问答组所包括的提问的人工评分,生成所述每个问答组对应的权重;
根据所述每个问答组对应的权重和问答特征,生成判别特征;
将所述判别特征输入风险判别网络,得到所述借款人对应的风险行为监控信息。
4.根据权利要求3所述的住房金融风险行为的监控方法,其特征在于,所述住房金融风险行为的监控方法还包括:
当接收到用户通过终端设备发送的针对长期住房储金的提取申请,确定所述提取申请中所包括的提取原因类别是否为第一类别,若所述提取原因类别为第一类别,则获取所述用户在多个历史时间点中每个历史时间点提交的历史提取证明文件,得到历史提取证明文件集;
对所述历史提取证明文件集中每个历史提取证明文件进行住房信息识别,得到住房信息集合,并根据对应的历史时间点从所述住房信息集合中确定目标住房信息;
确定所述提取申请中所包括的住房信息与所述目标住房信息是否一致,若所述住房信息与所述目标住房信息一致且所述历史提取证明文件集中的历史提取证明文件的个数大于预设数目,则控制所述终端设备采集辅助证明图像;
根据所述辅助证明图像,生成所述用户对应的提取行为监控信息,所述提取行为监控信息表征所述用户针对长期住房储金的提取行为是否存在风险;
若所述提取行为监控信息表征所述用户针对长期住房储金的提取行为存在风险,则生成并向所述终端设备发送表征提取申请不通过的提示信息。
5.根据权利要求4所述的住房金融风险行为的监控方法,其特征在于,所述若所述住房信息与所述目标住房信息一致且所述历史提取证明文件集中的历史提取证明文件的个数大于预设数目,则控制所述终端设备采集辅助证明图像,包括:
若所述住房信息与所述目标住房信息一致且所述历史提取证明文件集中的历史提取证明文件的个数大于预设数目,则控制所述终端设备执行以下图像采集操作:采集住房图像作为所述辅助证明图像;根据当前位置信息、当前时间信息和所述辅助证明图像,生成住房图像文件,并将所述住房图像文件上传;以及
所述根据所述辅助证明图像,生成所述用户对应的提取行为监控信息,包括:
根据所述住房图像文件,生成所述用户对应的提取行为监控信息。
6.根据权利要求4所述的住房金融风险行为的监控方法,其特征在于,所述若所述住房信息与所述目标住房信息一致且所述历史提取证明文件集中的历史提取证明文件的个数大于预设数目,则控制所述终端设备采集辅助证明图像,包括:
若所述住房信息与所述目标住房信息一致且所述历史提取证明文件集中的历史提取证明文件的个数大于预设数目,则控制所述终端设备执行以下图像采集操作:采集住房图像作为所述辅助证明图像;生成随机码;根据当前位置信息、当前时间信息、所述随机码和所述辅助证明图像,生成住房图像文件,并将所述住房图像文件上传;以及
所述根据所述辅助证明图像,生成所述用户对应的提取行为监控信息,包括:
根据所述住房图像文件,生成所述用户对应的提取行为监控信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311748999.3A CN117764710B (zh) | 2023-12-19 | 2023-12-19 | 一种住房金融风险行为的监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311748999.3A CN117764710B (zh) | 2023-12-19 | 2023-12-19 | 一种住房金融风险行为的监控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117764710A true CN117764710A (zh) | 2024-03-26 |
CN117764710B CN117764710B (zh) | 2024-06-04 |
Family
ID=90311663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311748999.3A Active CN117764710B (zh) | 2023-12-19 | 2023-12-19 | 一种住房金融风险行为的监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117764710B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6178945B1 (ja) * | 2017-05-26 | 2017-08-09 | 株式会社野村総合研究所 | 端数資金振替蓄積システム、プログラム及び方法 |
CN109034742A (zh) * | 2018-07-19 | 2018-12-18 | 武汉杰威鑫创软件技术有限公司 | 一种住房公积金档案管理*** |
CN109697665A (zh) * | 2018-12-15 | 2019-04-30 | 深圳壹账通智能科技有限公司 | 基于人工智能的贷款审核方法、装置、设备及介质 |
CN112102069A (zh) * | 2020-09-18 | 2020-12-18 | 华院分析技术(上海)有限公司 | 一种个人房产按揭贷款信息录入分析*** |
US20210173854A1 (en) * | 2019-12-05 | 2021-06-10 | Murray B. WILSHINSKY | Method and system for self-aggregation of personal data and control thereof |
CN113298373A (zh) * | 2021-05-20 | 2021-08-24 | 中国建设银行股份有限公司 | 一种金融风险评估方法、装置、存储介质和设备 |
CN114219604A (zh) * | 2021-11-09 | 2022-03-22 | 中国建设银行股份有限公司 | 住房贷款业务的处理方法、装置、设备及存储介质 |
CN117035986A (zh) * | 2023-08-01 | 2023-11-10 | 中国建设银行股份有限公司 | 一种贷款远程双录方法、装置、电子设备及存储介质 |
-
2023
- 2023-12-19 CN CN202311748999.3A patent/CN117764710B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6178945B1 (ja) * | 2017-05-26 | 2017-08-09 | 株式会社野村総合研究所 | 端数資金振替蓄積システム、プログラム及び方法 |
CN109034742A (zh) * | 2018-07-19 | 2018-12-18 | 武汉杰威鑫创软件技术有限公司 | 一种住房公积金档案管理*** |
CN109697665A (zh) * | 2018-12-15 | 2019-04-30 | 深圳壹账通智能科技有限公司 | 基于人工智能的贷款审核方法、装置、设备及介质 |
US20210173854A1 (en) * | 2019-12-05 | 2021-06-10 | Murray B. WILSHINSKY | Method and system for self-aggregation of personal data and control thereof |
CN112102069A (zh) * | 2020-09-18 | 2020-12-18 | 华院分析技术(上海)有限公司 | 一种个人房产按揭贷款信息录入分析*** |
CN113298373A (zh) * | 2021-05-20 | 2021-08-24 | 中国建设银行股份有限公司 | 一种金融风险评估方法、装置、存储介质和设备 |
CN114219604A (zh) * | 2021-11-09 | 2022-03-22 | 中国建设银行股份有限公司 | 住房贷款业务的处理方法、装置、设备及存储介质 |
CN117035986A (zh) * | 2023-08-01 | 2023-11-10 | 中国建设银行股份有限公司 | 一种贷款远程双录方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
王慧: "公积金贷款及提取的风险防范", 中国市场, no. 27, 30 September 2021 (2021-09-30), pages 43 - 44 * |
Also Published As
Publication number | Publication date |
---|---|
CN117764710B (zh) | 2024-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cai et al. | Judging online peer-to-peer lending behavior: A comparison of first-time and repeated borrowing requests | |
CN109255499B (zh) | 投诉、投诉案件处理方法、装置及设备 | |
US20180260891A1 (en) | Systems and methods for generating and using optimized ensemble models | |
CN108053318B (zh) | 一种对异常交易进行识别的方法及装置 | |
US20060202012A1 (en) | Secure data processing system, such as a system for detecting fraud and expediting note processing | |
CN113011973B (zh) | 基于智能合约数据湖的金融交易监管模型的方法及设备 | |
CN111709603B (zh) | 基于风控的服务请求处理方法、装置及*** | |
CN108961032A (zh) | 借贷处理方法、装置以及服务器 | |
Liu et al. | Can listing information indicate borrower credit risk in online peer-to-peer lending? | |
Chou | What's in the black box: Balancing financial inclusion and privacy in digital consumer lending | |
CN113989019A (zh) | 识别风险的方法、装置、设备及存储介质 | |
Xu et al. | Identifying features for detecting fraudulent loan requests on P2P platforms | |
CN113888368A (zh) | 基于图编码面向刑事案件羁押风险评估的特征选择方法 | |
CN113159796A (zh) | 一种贸易合同验证方法及装置 | |
Xu et al. | PEER-TO-PEER LOAN FRAUD DETECTION: CONSTRUCTING FEATURES FROM TRANSACTION DATA. | |
CN113887214A (zh) | 基于人工智能的意愿推测方法、及其相关设备 | |
CN117764710B (zh) | 一种住房金融风险行为的监控方法 | |
Yangyudongnanxin | Financial credit risk control strategy based on weighted random forest algorithm | |
CN116342141A (zh) | 一种空壳企业识别方法、装置和设备 | |
CN113706300A (zh) | 一种小微企业的贷款方法及装置 | |
CN115564591A (zh) | 一种融资产品的确定方法及相关设备 | |
CN110766091B (zh) | 一种套路贷团伙的识别方法及*** | |
Locatelli et al. | Artificial Intelligence and Credit Risk | |
Roberts et al. | General Perspectives Toward the Impact of AI on Race and Society | |
CN117114844A (zh) | 信息核验方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |