WO2020082579A1 - 一种风险审批方法、装置、存储介质和服务器 - Google Patents

一种风险审批方法、装置、存储介质和服务器 Download PDF

Info

Publication number
WO2020082579A1
WO2020082579A1 PCT/CN2018/123791 CN2018123791W WO2020082579A1 WO 2020082579 A1 WO2020082579 A1 WO 2020082579A1 CN 2018123791 W CN2018123791 W CN 2018123791W WO 2020082579 A1 WO2020082579 A1 WO 2020082579A1
Authority
WO
WIPO (PCT)
Prior art keywords
application
credit
approval
user
risk
Prior art date
Application number
PCT/CN2018/123791
Other languages
English (en)
French (fr)
Inventor
王俊涛
郑如刚
徐志成
Original Assignee
深圳壹账通智能科技有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 深圳壹账通智能科技有限公司 filed Critical 深圳壹账通智能科技有限公司
Publication of WO2020082579A1 publication Critical patent/WO2020082579A1/zh

Links

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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof
    • 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
    • G06Q10/10—Office automation; Time management

Definitions

  • This application relates to the field of information processing technology, in particular to a risk approval method, device, storage medium and server.
  • the credit approving personnel evaluates the user based on the subjective credit risk level through interviews, phone verification, and reviewing the applicant's materials, etc., and gives the user based on the user's overall impression based on relevant experience A corresponding credit line.
  • the existing approval mechanism still stays at the level of bank credit. After the user manager enters the user's information, if the user is returned, the user manager needs to manually enter it again.
  • the manual review operation is cumbersome, and the overall control of the user is based on subjective thinking. , Relying more on work experience to conduct risk audits on users.
  • This approval method not only lacks scientific basis, but also has poor timeliness, resulting in low approval efficiency and high labor costs.
  • the embodiments of the present application provide a risk approval method, device, storage medium, and server, to solve the tedious operation of manual information review and completion of risk approval in the prior art, the subjective approval method is subjective, the timeliness is poor, and the approval efficiency is not high , And the problem of high labor cost.
  • the first aspect of the embodiments of the present application provides a risk approval method, including:
  • the specified feature template refers to the application features necessary for risk approval of the business application request .
  • the application feature parameters include user identification;
  • the second aspect of the embodiments of the present application provides a risk approval device, including:
  • An application information obtaining unit configured to obtain application information of the user if a user's service application request is detected
  • An application feature parameter extraction unit configured to extract the application feature parameters corresponding to the application features in the specified feature template from the application information according to the specified feature template corresponding to the business application request, the specified feature template refers to the business application request Application features necessary for risk approval, the application feature parameters include user identification;
  • the initial approval unit is used to judge whether the application characteristic parameters meet the preset conditions
  • a historical information retrieval unit configured to obtain historical behavior information of the user according to the user identification if the application feature parameter meets a preset condition
  • a credit characteristic parameter obtaining unit configured to obtain the credit characteristic parameter of the user based on the historical behavior information
  • the risk approval unit is configured to perform risk approval on the business application request according to the application characteristic parameters and the credit characteristic parameters, and output the result of the risk approval to the smart terminal associated with the user.
  • a third aspect of the embodiments of the present application provides a server, including a memory and a processor, where the memory stores computer-readable instructions executable on the processor, and the processor executes the computer-readable instructions The following steps are implemented:
  • the specified feature template refers to the application features necessary for risk approval of the business application request .
  • the application feature parameters include user identification;
  • a fourth aspect of the embodiments of the present application provides a computer-readable storage medium that stores computer-readable instructions, and when the computer-readable instructions are executed by a processor, the following steps are implemented:
  • the specified feature template refers to the application features necessary for risk approval of the business application request .
  • the application feature parameters include user identification;
  • the user's application information is obtained, and the application corresponding to the application feature in the designated feature template is extracted from the application information according to the designated feature template corresponding to the business application request Characteristic parameters
  • the specified characteristic template refers to the application characteristics necessary for the business application request for risk approval
  • the application characteristic parameters include the user identification, and then determine whether the application characteristic parameters meet the preset conditions and automatically and quickly match
  • the user's business application request is subject to preliminary review in order to discover missing information in a timely manner, and if the application feature parameter meets a preset condition, the historical behavior information of the user is obtained according to the user identification, and then based on the historical behavior information , Obtaining the credit characteristic parameters of the user, and finally performing risk approval on the business application request based on the application characteristic parameters and the credit characteristic parameters, and outputting the result of the risk approval to the smart terminal associated with the user, Risk approval is automatic and intelligent, and the audit standards are unified and objective, Reduce labor costs while improving the efficiency of
  • FIG. 1 is an implementation flowchart of a risk approval method provided by an embodiment of this application
  • step S103 of the risk approval method provided by the embodiment of the present application
  • FIG. 3 is a specific implementation flowchart of step S106 of the risk approval method provided by the embodiment of the present application.
  • step B1 of the risk approval method provided by an embodiment of the present application
  • FIG. 5 is a structural block diagram of a risk approval device provided by an embodiment of this application.
  • FIG. 6 is a schematic diagram of a server provided by an embodiment of the present application.
  • FIG. 1 shows an implementation flow of a risk approval method provided by an embodiment of the present application.
  • the method flow includes steps S101 to S106.
  • the specific implementation principles of each step are as follows:
  • the service application request is used by the user to apply for a service from a service provider such as a bank or a loan institution.
  • the user sends the service application request through the smart device.
  • the user's application information may include the user's name, age, gender, education, salary, loan status, loan amount applied, and so on.
  • the application information must include a user ID for identifying the user's identity, such as an ID number, and the user ID of each user is unique.
  • the application characteristic parameter refers to a parameter that has a decision-making role in the risk approval of the business application request.
  • the specified feature templates corresponding to various types of business application requests are preset.
  • the application features necessary for risk approval in the requirements in the specified feature templates corresponding to different business application requests are not exactly the same.
  • the specified feature template is extracted from the application information If the application feature parameter value is null, it means that the application information in the specified feature template is missing from the application information.
  • one or more application features are designated in advance to create the designated feature template. According to the designated feature template, extract application feature parameters corresponding to the application features in the designated feature template from the application information, for example, business application related information such as occupation, income, loan status, loan application amount, etc.
  • the application characteristic parameters include user identification, application value, etc.
  • the user identification can uniquely identify the user, such as an ID number, and the application value is the amount of the business application, such as the loan amount.
  • the extracted application feature parameters include one application feature parameter, or a combination of multiple application feature parameters.
  • the preset condition is determined according to the statistical result of the big data analysis of the historical risk approval result. If the extracted application feature parameter is one, it is judged whether the one application feature parameter satisfies the corresponding preset condition. If the extracted application feature parameter is a combination of multiple application feature parameters, it is determined whether the extracted application feature parameter meets a preset condition corresponding to the combination of the multiple application feature parameters. If it is determined that the application feature parameter meets the preset condition, step S104 is performed; if it is determined that the application feature parameter does not satisfy the preset condition, step S107 is performed.
  • the application characteristic parameter includes the user's age
  • the step S103 includes: determining whether the user's age reaches the minimum age of the service application.
  • the application characteristic parameters include a combination of the user's age, occupation, and income, and then determine whether the user's age, occupation, and income meet the preset conditions, that is, determine whether the user's age reaches the business application's The minimum age, whether the occupation is within the specified occupation range, and whether the income reaches a preset minimum income. If at least one of the application feature parameters in the combination does not satisfy the preset condition, the combination does not satisfy the preset condition.
  • step S103 specifically includes: according to
  • the application characteristic parameter includes an application value
  • the above S103 specifically includes:
  • A1 Find the preset condition corresponding to the application value.
  • A2 According to the preset condition, determine whether other application feature parameters other than the application value among the application feature parameters satisfy the preset condition.
  • A3 If it is not satisfied, then if the application feature parameter does not meet the preset application feature, the user is prompted to supplement the application information.
  • different preset conditions are set according to different application values, and by searching for the preset conditions corresponding to the values, the application feature parameters in the business application request are initially approved, so that the necessary approvals can be found in time Apply for characteristic parameters to improve the efficiency of risk approval.
  • the historical behavior information includes historical credit information and historical transaction records of the user.
  • the historical behavior information of the user is called from a third-party platform, for example, the credit information and historical consumption information of the user are retrieved from the third-party platform according to the user's ID card number, optionally Before obtaining the user's historical behavior information, obtain the user's authorization.
  • S105 Acquire the user's credit characteristic parameter based on the historical behavior information.
  • different historical behavior information is obtained from different information sources, for example, the transaction agency server stores the user's transaction record, the hospital's medical record information stored in the hospital server, the payment platform server stores the The user's payment record information, the user's flight record information stored in the airline server, the user's travel record information stored in the railway department server, the user's travel record information stored in the travel company's server, traffic management department services Stored information about the user's traffic violation records. Perform statistical analysis on the acquired historical behavior information to obtain the credit characteristic parameters of the user.
  • the transaction agency server stores the user's transaction record
  • the payment platform server stores the The user's payment record information, the user's flight record information stored in the airline server, the user's travel record information stored in the railway department server, the user's travel record information stored in the travel company's server, traffic management department services Stored information about the user's traffic violation records.
  • this embodiment includes historical behavior information of various behavior types, such as payment record information, violation record information, etc.
  • the step of acquiring the credit characteristic parameter of the user based on the historical behavior information Including: acquiring the historical behavior time of the historical behavior information, classifying the historical behavior information according to the behavior type, and sorting the classified historical behavior information according to the historical behavior time from near to far, and finally according to The sorting result determines the credit feature parameters of the user.
  • each data source precipitates the user's historical behavior information (stored in a database).
  • the user behavior information reflects what the user did and / or what system events occurred within a certain period of time, and also The time of each user behavior and / or system event is recorded.
  • User behavior eg, travel, payment, borrowing, violation of regulations, etc.
  • the system events may include: events caused by user behavior and events caused by non-user behavior.
  • the server retrieves the historical behavior information of the user in each data source according to the user identification, obtains the historical behavior time of the historical behavior information, and extracts the credit characteristic parameters within a preset time period (for example: 1 hour) before a specific event occurs, such as Whether it is a blacklist user, such as credit score.
  • the specific event includes the service application request sent by the user.
  • S106 Perform risk approval on the service application request according to the application feature parameter and the credit feature parameter, and output the risk approval result to the smart terminal associated with the user.
  • the smart terminal associated with the user includes the user terminal bound to the user ID of the user, and further includes the service terminal associated with the user identifier associated with the salesperson.
  • the results of the risk approval include approval and failure.
  • the above S106 specifically includes:
  • B1 Determine the risk level corresponding to the service application request based on the application characteristic parameter and the credit characteristic parameter.
  • the risk of the user's business application request is evaluated according to the application characteristic parameter and the credit characteristic parameter to determine the risk level corresponding to the business application request.
  • the corresponding risk For the business application request with a higher risk level, the corresponding risk The stricter the approval.
  • the approval interface corresponding to the risk level perform risk approval on the business application request.
  • a plurality of levels of risk control condition sets are preset, and the risk control condition set refers to a set containing application feature parameters and credit feature parameters.
  • the number of application characteristic parameters and credit characteristic parameters included in different levels of risk control condition sets are different or the values are different.
  • the risk control condition set to which the application characteristic parameter and the credit characteristic parameter belong is determined, and the risk level of the business application request is determined according to the determined risk control condition set.
  • the application characteristic parameter includes the application value.
  • the specific implementation process of the risk approval method step B1 provided by the embodiment of the invention specifically includes:
  • B11 Input the credit feature parameter into a credit score model to obtain the user's credit score.
  • Credit_quota represents the approval value
  • u is a natural number
  • the Appli_quota represents the application value
  • Func is any implementation from [0, + ⁇ ) to [0 , 1) The monotone increasing function of the mapping. Specifically, Func can take any of the following functions:
  • B13 Determine the risk level corresponding to the business application request according to the preset numerical risk level table and the approval value.
  • the approval value corresponding to the business application request is calculated according to the above formula (1), and the risk level of the business application request is determined according to the approval value and a preset value risk level table, which can increase the risk level Determine the accuracy.
  • the credit scoring model is pre-trained according to the following steps:
  • the network connection weights and thresholds between the nodes of each layer of the neural network model are preset to random values that satisfy preset conditions, and the ideal output of the sample credit feature parameters is set Credit score, randomly select a set number of sample credit feature parameters from the set number of sample credit feature parameter sets, input to the input layer, pass the convolution layer and the fully connected layer, and transfer to the output layer to obtain the sample credit
  • the actual output credit score of the indicator complete a round of training, and calculate the difference between the actual output credit score and the ideal output credit score;
  • a neural network model including an input layer, a convolutional layer, a fully connected layer, and an output layer.
  • the training points are as follows.
  • the sample credit feature parameters are randomly selected from the sample credit feature parameter set and input to the neural network model to calculate the sample credit feature parameters.
  • the output value and only during the first training, set the network connection weights and thresholds between the nodes of each layer of the neural network model to a small random value close to 0 in advance, and set the ideal of the sample credit feature parameters
  • Output value transfer the sample credit feature parameters from the input layer through the convolution layer and the fully connected layer to the output layer, obtain the actual output value of the sample credit feature parameters, complete a round of training, calculate the actual output value and the ideal output value Difference.
  • the global difference D of the convolutional neural network is calculated according to the following formula:
  • D is a t t th sample value of the credit over the output characteristic parameter I t and the difference between the actual output value of the R & lt t
  • n is a positive integer
  • n is the number of samples for the total number of characteristic parameters training credits.
  • Adjust the weight matrix by minimizing the error. Set the error threshold, if D is greater than the threshold, adjust the network connection weights and thresholds between the nodes in each layer according to the Delta learning rule, and then train the neural network model again until the network global error D is not greater than the threshold
  • the weights and thresholds of the training are saved as the optimal model parameters of the neural network model to obtain a trained neural network model.
  • the optimal model parameters of the neural network model are determined, so as to obtain the trained neural network model.
  • Inputting the user's credit feature parameters into the trained neural network model can quickly obtain the user's credit score, thereby improving the efficiency of the credit score.
  • the embodiment of the present application further includes step S107, and the step S107 includes:
  • the service application request is rejected.
  • the user's application information is obtained, and the application corresponding to the application feature in the designated feature template is extracted from the application information according to the designated feature template corresponding to the business application request Characteristic parameters
  • the specified characteristic template refers to the application characteristics necessary for the business application request for risk approval
  • the application characteristic parameters include the user identification, and then determine whether the application characteristic parameters meet the preset conditions and automatically and quickly match
  • the user's business application request is subject to preliminary review in order to discover missing information in a timely manner, and if the application feature parameter meets a preset condition, the historical behavior information of the user is obtained according to the user identification, and then based on the historical behavior information , Obtaining the credit characteristic parameters of the user, and finally performing risk approval on the business application request based on the application characteristic parameters and the credit characteristic parameters, and outputting the result of the risk approval to the smart terminal associated with the user, Risk approval is automatic and intelligent, and the audit standards are unified and objective, Reduce labor costs while improving the efficiency of
  • FIG. 5 shows a structural block diagram of the risk approval apparatus provided by the embodiment of the present application. For ease of description, only parts related to the embodiment of the present application are shown.
  • the risk approval device includes: an application information acquisition unit 51, an application characteristic parameter extraction unit 52, an initial approval unit 53, a historical information retrieval unit 54, a credit characteristic parameter acquisition unit 55, and a risk approval unit 56, wherein:
  • the application information obtaining unit 51 is configured to obtain application information of the user if a service application request of the user is detected;
  • the application feature parameter extraction unit 52 is configured to extract the application feature parameters corresponding to the application features in the specified feature template from the application information according to the specified feature template corresponding to the business application request, where the specified feature template refers to the business application Request application features necessary for risk approval, and the application feature parameters include user identification;
  • the initial approval unit 53 is used to determine whether the application characteristic parameters meet preset conditions
  • the historical information retrieving unit 54 is configured to obtain historical behavior information of the user according to the user identification if the application characteristic parameter meets a preset condition;
  • the credit characteristic parameter obtaining unit 55 is configured to obtain the credit characteristic parameter of the user based on the historical behavior information
  • the risk approval unit 56 is configured to perform risk approval on the business application request according to the application characteristic parameters and the credit characteristic parameters, and output the result of the risk approval to the smart terminal associated with the user.
  • the initial approval unit 53 includes:
  • the condition search module is used to search for the preset condition corresponding to the application value
  • the initial approval module is used to determine whether the other application feature parameters of the application feature parameters other than the application value meet the preset condition according to the preset condition; the supplementary recording prompt module is used to If the application feature parameter does not satisfy the preset application feature, it is prompted
  • the user supplements the application information.
  • the risk approval unit 56 includes:
  • a risk level determination module for determining the risk level corresponding to the business application request based on the application characteristic parameter and the credit characteristic parameter
  • the risk approval module is used to call an approval interface corresponding to the risk level to perform risk approval on the business application request.
  • the application characteristic parameter includes an application value
  • the risk level determination module includes:
  • a credit scoring submodule used to input the credit feature parameters into a credit scoring model to obtain the user's credit score
  • the approval value calculation sub-module is used to determine the approval value corresponding to the business application request according to the following formula:
  • Credit_quota represents the approval value
  • u is a natural number
  • the Appli_quota represents the application value
  • Func is any implementation from [0, + ⁇ ) to [0 , 1) The monotone increasing function of the map
  • the risk level determination submodule is used to determine the risk level corresponding to the business application request according to a preset numerical risk level table and the approval value.
  • the credit scoring model is pre-trained according to the following steps:
  • sample credit feature parameters in the sample credit feature parameter set are marked with a credit score
  • the network connection weights and thresholds between the nodes of each layer of the neural network model are preset to random values that meet preset conditions, and the ideal output credit score of the sample credit feature parameters is set, from The set number of sample credit feature parameters are randomly selected from the set number of sample credit feature parameters, input to the input layer, passed through the convolution layer and the fully connected layer, and transferred to the output layer to obtain the actual output of the sample credit indicator Credit score, complete a round of training, and calculate the difference between the actual output credit score and the ideal output credit score;
  • the trained neural network model is the credit scoring model.
  • the risk approval device further includes:
  • the request rejection unit is configured to reject the service application request if the extracted application feature parameters do not satisfy the preset condition corresponding to the combination of the multiple application feature parameters.
  • the user's application information is obtained, and the application corresponding to the application feature in the designated feature template is extracted from the application information according to the designated feature template corresponding to the business application request Characteristic parameters
  • the specified characteristic template refers to the application characteristics necessary for the business application request for risk approval
  • the application characteristic parameters include the user identification, and then determine whether the application characteristic parameters meet the preset conditions and automatically and quickly match
  • the user's business application request is subject to preliminary review in order to discover missing information in a timely manner, and if the application feature parameter meets a preset condition, the historical behavior information of the user is obtained according to the user identification, and then based on the historical behavior information , Obtaining the credit characteristic parameters of the user, and finally performing risk approval on the business application request based on the application characteristic parameters and the credit characteristic parameters, and outputting the result of the risk approval to the smart terminal associated with the user, Risk approval is automatic and intelligent, and the audit standards are unified and objective, Reduce labor costs while improving the efficiency of
  • the server 6 of this embodiment includes a processor 60, a memory 61, and computer-readable instructions 62 stored in the memory 61 and executable on the processor 60, such as a risk approval program.
  • the processor 60 executes the computer-readable instructions 62
  • the steps in the above embodiments of each risk approval method are implemented, for example, steps 101 to 106 shown in FIG. 1.
  • the processor 60 executes the computer-readable instructions 62
  • the functions of each module / unit in the foregoing device embodiments are realized, for example, the functions of the units 51 to 56 shown in FIG. 5.
  • the computer-readable instructions 62 may be divided into one or more modules / units, the one or more modules / units are stored in the memory 61, and executed by the processor 60, To complete this application.
  • the one or more modules / units may be a series of computer-readable instruction instruction segments capable of performing specific functions, and the instruction segments are used to describe the execution process of the computer-readable instructions 62 in the server 6.
  • the server 6 may be a computing device such as a desktop computer, a notebook, a palmtop computer and a cloud server.
  • the server may include, but is not limited to, the processor 60 and the memory 61.
  • FIG. 6 is only an example of the server 6 and does not constitute a limitation on the server 6, and may include more or less components than shown, or combine certain components, or different components, for example
  • the server may also include input and output devices, network access devices, buses, and the like.
  • the processor 60 may be a central processing unit (Central Processing Unit, CPU), or other general-purpose processors, digital signal processors (Digital Signal Processor, DSP), application specific integrated circuits (Application Specific Integrated Circuit, ASIC) Ready-made programmable gate array (Field-Programmable Gate Array, FPGA) or other programmable logic devices, discrete gate or transistor logic devices, discrete hardware components, etc.
  • the general-purpose processor may be a microprocessor or the processor may be any conventional processor or the like.
  • the storage 61 may be an internal storage unit of the server 6, such as a hard disk or a memory of the server 6.
  • the memory 61 may also be an external storage device of the server 6, such as a plug-in hard disk equipped on the server 6, a smart memory card (Smart Media (SMC), a secure digital (SD) card, Flash card (Flash Card), etc. Further, the memory 61 may also include both an internal storage unit of the server 6 and an external storage device.
  • the memory 61 is used to store the computer-readable instructions and other programs and data required by the server.
  • the memory 61 can also be used to temporarily store data that has been or will be output.
  • each functional unit in each embodiment of the present application may be integrated into one processing unit, or each unit may exist alone physically, or two or more units are integrated into one unit.
  • the above integrated unit can be implemented in the form of hardware or software function unit.

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Technology Law (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本申请提供了一种风险审批方法、装置、存储介质和服务器，包括：若检测到用户的业务申请请求，获取所述用户的申请信息；按所述业务申请请求对应的指定特征模板从所述申请信息中提取指定特征模板中申请特征对应的申请特征参数，所述申请特征参数包括用户标识；判断所述申请特征参数是否满足预设条件；若所述申请特征参数满足预设条件，则根据所述用户标识，获取所述用户的历史行为信息；基于所述历史行为信息，获取所述用户的信用特征参数；根据所述申请特征参数与所述信用特征参数对所述业务申请请求进行风险审批，并向所述用户关联的智能终端输出所述风险审批的结果。本申请可降低人力成本，提高风险审批的效率。

Description

一种风险审批方法、装置、存储介质和服务器
本申请要求于2018年10月25日提交中国专利局、申请号为CN201811252316.4、发明名称为“一种风险审批方法、装置、存储介质和服务器”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请涉及信息处理技术领域，尤其涉及一种风险审批方法、装置、存储介质和服务器。
背景技术
在传统的银行信贷审批方式中，信贷审批人员通过面谈、电话核实、审阅申请者材料等来对用户进行基于主观的信用风险等级的评价，并基于对用户的整体印象根据相关从业经验来给用户一个相应的授信额度。
现有的审批机制依旧停留在银行信贷的水平，用户经理录入用户的信息后，若遭到退件，用户经理又需要再次手动录入，人工审阅操作繁琐，并且对用户的总体把控基于主观思想，更多的是依赖工作经验来对用户进行风险审核。这种审批方式不仅缺乏科学依据，并且时效性差，导致审批效率不高，并且所需人力成本也较高。
综上所述，现有技术中，人工进行信息审阅完成风险审批的操作繁琐，审批方式主观性强，时效性差，审批效率不高，并且耗费较高的人力成本。
技术问题
本申请实施例提供了一种风险审批方法、装置、存储介质和服务器，以解决现有技术中，人工进行信息审阅完成风险审批的操作繁琐，审批方式主观性强，时效性差，审批效率不高，并且耗费较高的人力成本的问题。
技术解决方案
本申请实施例的第一方面提供了一种风险审批方法，包括：
若检测到用户的业务申请请求，获取所述用户的申请信息；
按所述业务申请请求对应的指定特征模板从所述申请信息中提取指定特征模板中申请特征对应的申请特征参数，所述指定特征模板是指所述业务申请请求进行风险审批所必需的申请特征，所述申请特征参数包括用户标识；
判断所述申请特征参数是否满足预设条件；
若所述申请特征参数满足预设条件，则根据所述用户标识，获取所述用户的历史行为信息；
基于所述历史行为信息，获取所述用户的信用特征参数；
根据所述申请特征参数与所述信用特征参数对所述业务申请请求进行风险审批，并向所 述用户关联的智能终端输出所述风险审批的结果。
本申请实施例的第二方面提供了一种风险审批装置，包括：
申请信息获取单元，用于若检测到用户的业务申请请求，获取所述用户的申请信息；
申请特征参数提取单元，用于按所述业务申请请求对应的指定特征模板从所述申请信息中提取指定特征模板中申请特征对应的申请特征参数，所述指定特征模板是指所述业务申请请求进行风险审批所必需的申请特征，所述申请特征参数包括用户标识；
初始审批单元，用于判断所述申请特征参数是否满足预设条件；
历史信息调取单元，用于若所述申请特征参数满足预设条件，则根据所述用户标识，获取所述用户的历史行为信息；
信用特征参数获取单元，用于基于所述历史行为信息，获取所述用户的信用特征参数；
风险审批单元，用于根据所述申请特征参数与所述信用特征参数对所述业务申请请求进行风险审批，并向所述用户关联的智能终端输出所述风险审批的结果。
本申请实施例的第三方面提供了一种服务器，包括存储器以及处理器，所述存储器存储有可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现如下步骤：
若检测到用户的业务申请请求，获取所述用户的申请信息；
按所述业务申请请求对应的指定特征模板从所述申请信息中提取指定特征模板中申请特征对应的申请特征参数，所述指定特征模板是指所述业务申请请求进行风险审批所必需的申请特征，所述申请特征参数包括用户标识；
判断所述申请特征参数是否满足预设条件；
若所述申请特征参数满足预设条件，则根据所述用户标识，获取所述用户的历史行为信息；
基于所述历史行为信息，获取所述用户的信用特征参数；
根据所述申请特征参数与所述信用特征参数对所述业务申请请求进行风险审批，并向所述用户关联的智能终端输出所述风险审批的结果。
本申请实施例的第四方面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可读指令，所述计算机可读指令被处理器执行时实现如下步骤：
若检测到用户的业务申请请求，获取所述用户的申请信息；
按所述业务申请请求对应的指定特征模板从所述申请信息中提取指定特征模板中申请特征对应的申请特征参数，所述指定特征模板是指所述业务申请请求进行风险审批所必需的申请特征，所述申请特征参数包括用户标识；
判断所述申请特征参数是否满足预设条件；
若所述申请特征参数满足预设条件，则根据所述用户标识，获取所述用户的历史行为信息；
基于所述历史行为信息，获取所述用户的信用特征参数；
根据所述申请特征参数与所述信用特征参数对所述业务申请请求进行风险审批，并向所述用户关联的智能终端输出所述风险审批的结果。
有益效果
本申请实施例中，若检测到用户的业务申请请求，获取所述用户的申请信息，按所述业务申请请求对应的指定特征模板从所述申请信息中提取指定特征模板中申请特征对应的申请特征参数，所述指定特征模板是指所述业务申请请求进行风险审批所必需的申请特征，所述申请特征参数包括用户标识，然后判断所述申请特征参数是否满足预设条件，自动快速的对所述用户的业务申请请求进行初审，以便及时发现缺漏信息，若所述申请特征参数满足预设条件，则根据所述用户标识，获取所述用户的历史行为信息，再基于所述历史行为信息，获取所述用户的信用特征参数，最后基于所述申请特征参数与所述信用特征参数对所述业务申请请求进行风险审批，并向所述用户关联的智能终端输出所述风险审批的结果，风险审批自动智能化，且审核标准统一客观，可降低人力成本的同时提高风险审批的效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的风险审批方法的实现流程图；
图2是本申请实施例提供的风险审批方法步骤S103的具体实现流程图；
图3是本申请实施例提供的风险审批方法步骤S106的具体实现流程图；
图4是本申请实施例提供的风险审批方法步骤B1的具体实现流程图；
图5是本申请实施例提供的风险审批装置的结构框图；
图6是本申请实施例提供的服务器的示意图。
本发明的实施方式
为使得本申请的发明目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本申请一部分实施例，而非全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
实施例1
图1示出了本申请实施例提供的风险审批方法的实现流程，该方法流程包括步骤S101至S106。各步骤的具体实现原理如下：
S101：若检测到用户的业务申请请求，获取所述用户的申请信息。
具体地，所述业务申请请求是用户用于向服务商如银行、贷款机构等机构申请业务。用户通过智能设备发送所述业务申请请求。在本申请实施例中，用户的申请信息可以包括用户的姓名、年龄、性别、学历、工资、借款情况、申请借贷金额等。所述申请信息中一定包括用于标识用户身份的用户标识，例如身份证号，每个用户的用户标识都是唯一的。
S102：按所述业务申请请求对应的指定特征模板从所述申请信息中提取指定特征模板中申请特征对应的申请特征参数，所述指定特征模板是指所述业务申请请求进行风险审批所必需的申请特征，所述申请特征参数包括用户标识。
具体地，所述申请特征参数是指对所述业务申请请求的风险审批具有决策作用的参数。预设各类业务申请请求对应的指定特征模板，不同业务申请请求对应的指定特征模板中需求中进行风险审批所必需的申请特征不完全相同，若按指定特征模板从所述申请信息中提取的申请特征参数值为空值，则表示所述申请信息中缺少所述指定特征模板中的申请特征。本实施例中，预先指定一个或多个申请特征建立所述指定特征模板。根据所述指定特征模板，从申请信息中提取出与所述指定特征模板中申请特征对应的申请特征参数，例如，业务申请相关的信息如职业、收入、借款情况、申请贷款金额等。本申请实施例中，申请特征参数包括用户标识、申请数值等，用户标识可唯一标识用户，如身份证号码，申请数值为业务申请的金额如贷款金额。在本实施例中，提取的申请特征参数包括一个申请特征参数，或者多个申请特征参数的组合。
S103：判断所述申请特征参数是否满足预设条件。
具体地，所述预设条件是根据历史风险审批结果的大数据分析统计结果确定。若提取的申请特征参数是一个，则判断这一个申请特征参数是否满足对应的预设条件。若提取的申请特征参数是多个申请特征参数的组合，则判断提取的申请特征参数是否满足所述多个申请特征参数的组合对应的预设条件。若判断所述申请特征参数满足预设条件，则执行步骤S104；若判断所述申请特征参数不满足预设条件，则执行步骤S107。
示例性地，所述申请特征参数包括所述用户的年龄，所述步骤S103包括：判断所述用户的年龄是否到达业务申请的最小年龄。所述申请特征参数包括所述用户的年龄、职业和收入的组合，则分别判断所述用户的年龄、职业和收入是否满足预设条件，即判断所述用户的年龄是否达到所述业务申请的最小年龄，所述职业是否在指定职业范围内，所述收入是否达到预设的最低收入。若所述组合中至少一个申请特征参数不满足预设条件，则所述组合不满 足预设条件。
可选地，所述步骤S103具体包括：根据所述申请特征参数中的
作为本申请的一个实施例，如图2所示，所述申请特征参数包括申请数值，上述S103具体包括：
A1：查找所述申请数值对应的预设条件。
A2：根据所述预设条件判断所述申请特征参数中除所述申请数值以外的其他申请特征参数是否满足所述预设条件。
A3：若不满足，则若所述申请特征参数不满足所述预设申请特征，提示所述用户补录申请信息。
本申请实施例中，根据不同的申请数值设置不同的预设条件，通过查找所述数值对应的预设条件，对所述业务申请请求中的申请特征参数进行初始审批，以便及时发现审批必需的申请特征参数，提高风险审批的效率。
S104：若所述申请特征参数满足预设条件，则根据所述用户标识，获取所述用户的历史行为信息。
本申请实施例中，所述历史行为信息包括用户的历史信用信息、历史交易记录。具体地，根据所述用户标识，从第三方平台调用所述用户的历史行为信息，例如，根据用户的身份证号码从第三方平台调取所述用户的信用信息、历史消费信息，可选地，在调取所述用户的历史行为信息之前，获取所述用户的授权。
S105：基于所述历史行为信息，获取所述用户的信用特征参数。
在本申请实施例中，不同的历史行为信息分别从不同的信息源获取，例如，交易机构服务器存储该用户的交易记录，医院服务器中存储的该用户的病历信息，支付平台服务器中存储的该用户的支付记录信息，航空公司服务器中存储的该用户的飞行记录信息，铁路部门服务器中存储的该用户的出行记录信息，旅游公司服务器中存储的该用户的旅游记录信息，交通管理部门服务中存储的该用户的交通违章记录信息。对获取的历史行为信息进行统计分析，获取所述用户的信用特征参数。
可选地，本实施例中包括多种行为类型的历史行为信息，例如支付记录信息、违章记录信息等，具体地，所述基于所述历史行为信息，获取所述用户的信用特征参数的步骤包括：获取所述历史行为信息的历史行为时间，将所述历史行为信息按所述行为类型分类，并将分类后的所述历史行为信息按所述历史行为时间从近至远排序，最后根据排序结果确定所述用户的信用特征参数。
在本申请实施例中，各个数据源将用户的历史行为信息沉淀下来(存储到数据库中)，用户行为信息反映了用户在一段时长内做了哪些行为和/或发生了哪些***事件，并且还记录 了每一用户行为和/或***事件的发生时间。用户行为(如：出行、支付、借款、违章等)和/或***事件，所述***事件可以包括：用户行为导致的事件、非用户行为导致的事件。服务器根据用户标识调取各个数据源中用户的历史行为信息，获取所述历史行为信息的历史行为时间，提取在特定事件发生之前预设时长(如：1个小时)内的信用特征参数，如是否为黑名单用户，如信用分数。其中，特定事件包括用户发送的业务申请请求。
S106：根据所述申请特征参数与所述信用特征参数对所述业务申请请求进行风险审批，并向所述用户关联的智能终端输出所述风险审批的结果。
具体地，在本申请实施例中，用户关联的智能终端包括所述用户的用户标识绑定的用户终端，还包括所述用户标识关联业务员的业务终端。所述风险审批的结果包括审批通过和审批不通过。
作为本申请的一个实施例，如图3所示，上述S106具体包括：
B1：基于所述申请特征参数与所述信用特征参数，确定所述业务申请请求对应的风险等级。
B2：调用所述风险等级对应的审批接口对所述业务申请请求进行风险审批。
在本申请实施例中，根据申请特征参数和信用特征参数对用户的业务申请请求的风险进行评估，确定所述业务申请请求对应的风险等级，对于风险等级越高的业务申请请求，对应的风险审批越严格。根据所述风险等级对应的审批接口对所述业务申请求进行风险审批。
可选地，预设多个级别的风控条件集合，所述风控条件集合是指包含申请特征参数和信用特征参数的集合。不同级别的风控条件集合中包含的申请特征参数和信用特征参数数量不一样或者数值不一样。在本实施例中，确定所述申请特征参数与所述信用特征参数所属的风控条件集合，根据确定的风控条件集合确定所述业务申请请求的风险等级。
作为本申请的一个实施例，如图4所示，所述申请特征参数包括申请数值，发明实施例提供的风险审批方法步骤B1的具体实现流程，具体包括：
B11：将所述信用特征参数输入至信用评分模型中，得到所述用户的信用评分。
B12：根据如下公式确定所述业务申请请求对应的审批数值：
Credit_quota＝μ*Func(Credit_score)*Appli_quota  (1)；
其中，所述Credit_quota表示所述审批数值，u为自然数，表示所述信用评分Credit_score对应的调节系数，所述Appli_quota表示所述申请数值，Func为任意一个实现从[0,+∞)到[0,1)映射的单调递增函数。具体地，Func可取以下任意一个函数：
Figure PCTCN2018123791-appb-000001
Figure PCTCN2018123791-appb-000002
B13：根据预设的数值风险等级表与所述审批数值，确定所述业务申请请求对应的风险 等级。
本实施例中，根据上述公式(1)计算获取所述业务申请请求对应的审批数值，根据所述审批数值与预设的数值风险等级表确定所述业务申请请的风险等级，可提高风险等级确定的准确性。
可选地，所述信用评分模型预先根据如下步骤进行训练：
(1)、获取设定数量的样本信用特征参数集，所述样本信用特征参数集中的样本信用特征参数标有信用评分；
(2)、建立包括输入层、卷积层、全连接层和输出层的神经网络模型；
(3)、在首次训练时，将所述神经网络模型各层节点之间的网络连接权值与阈值预先设置成满足预设条件的随机值，并设定所述样本信用特征参数的理想输出信用评分，从所述设定数量的样本信用特征参数集中随机选取设定数量的样本信用特征参数，输入至输入层，经过卷积层和全连接层，传送到输出层，获取所述样本信用指标的实际输出信用评分，完成一轮训练，并计算实际输出信用评分与理想输出信用评分的差值；
(4)、根据计算的差值，按照指定的学习规则对各层节点之间的网络连接权值和阈值进行调整，再次对所述神经网络模型进行训练，直至计算的差值不大于预设的阈值时，完成训练，训练好的神经网络模型即为所述信用评分模型。
具体地，建立包括输入层、卷积层、全连接层和输出层的神经网络模型，训练分如下，从样本信用特征参数集中随机选取样本信用特征参数输入神经网络模型，计算样本信用特征参数的输出值，在且仅在第一次训练时，将神经网络模型各层节点之间的网络连接权值、阈值预先设置成小的接近于0的随机值，并设定样本信用特征参数的理想输出值，将样本信用特征参数从输入层经过卷积层和全连接层，传送到输出层，获取该样本信用特征参数的实际输出值，完成一轮训练，计算实际输出值与理想输出值的差值。在本申请实施例中，根据如下公式计算该卷积神经网络的全局差值D：
Figure PCTCN2018123791-appb-000003
其中，D t为第t个样本信用特征参数的理想输出值I t与实际输出值R t的差值，n为正整数，且n为进行训练的样本信用特征参数的数量总数。按极小化误差的方法调整权矩阵。设置误差阈值，若D大于该阈值，则按照Delta学习规则对各层节点之间的网络连接权值和阈值进行调整，然后再次对神经网络模型进行训练，直至网络全局误差D不大于该阈值为止，结束训练，将该次训练的权值和阈值保存作为该神经网络模型的最优模型参数，得到训练好的神经网络模型。
在本申请实施例中，通过将该设定数量的样本信用特征参数输入至神经网络模型进行训练，确定该神经网络模型的最优模型参数，从而获得训练好的神经网络模型，通过将获取的 所述用户的信用特征参数输入至训练好的神经网络模型即可快速获取所述用户的信用评分，进而提高信用评分的效率。
可选地，本申请实施例还包括步骤S107，所述步骤S107包括：
若提取的申请特征参数不满足所述多个申请特征参数的组合对应的预设条件，驳回所述业务申请请求。
本申请实施例中，若检测到用户的业务申请请求，获取所述用户的申请信息，按所述业务申请请求对应的指定特征模板从所述申请信息中提取指定特征模板中申请特征对应的申请特征参数，所述指定特征模板是指所述业务申请请求进行风险审批所必需的申请特征，所述申请特征参数包括用户标识，然后判断所述申请特征参数是否满足预设条件，自动快速的对所述用户的业务申请请求进行初审，以便及时发现缺漏信息，若所述申请特征参数满足预设条件，则根据所述用户标识，获取所述用户的历史行为信息，再基于所述历史行为信息，获取所述用户的信用特征参数，最后基于所述申请特征参数与所述信用特征参数对所述业务申请请求进行风险审批，并向所述用户关联的智能终端输出所述风险审批的结果，风险审批自动智能化，且审核标准统一客观，可降低人力成本的同时提高风险审批的效率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的风险审批方法，图5示出了本申请实施例提供的风险审批装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
实施例2
参照图5，该风险审批装置包括：申请信息获取单元51，申请特征参数提取单元52，初始审批单元53，历史信息调取单元54，信用特征参数获取单元55，风险审批单元56，其中：
申请信息获取单元51，用于若检测到用户的业务申请请求，获取所述用户的申请信息；
申请特征参数提取单元52，用于按所述业务申请请求对应的指定特征模板从所述申请信息中提取指定特征模板中申请特征对应的申请特征参数，所述指定特征模板是指所述业务申请请求进行风险审批所必需的申请特征，所述申请特征参数包括用户标识；
初始审批单元53，用于判断所述申请特征参数是否满足预设条件；
历史信息调取单元54，用于若所述申请特征参数满足预设条件，则根据所述用户标识，获取所述用户的历史行为信息；
信用特征参数获取单元55，用于基于所述历史行为信息，获取所述用户的信用特征参数；
风险审批单元56，用于根据所述申请特征参数与所述信用特征参数对所述业务申请请求进行风险审批，并向所述用户关联的智能终端输出所述风险审批的结果。
可选地，所述初始审批单元53包括：
条件查找模块，用于查找所述申请数值对应的预设条件；
初始审批模块，用于根据所述预设条件判断所述申请特征参数中除所述申请数值以外的其他申请特征参数是否满足所述预设条件；补录提示模块，用于若不满足，则若所述申请特征参数不满足所述预设申请特征，提示所述
用户补录申请信息。
可选地，所述风险审批单元56包括：
风险等级确定模块，用于基于所述申请特征参数与所述信用特征参数，确定所述业务申请请求对应的风险等级；
风险审批模块，用于调用所述风险等级对应的审批接口对所述业务申请请求进行风险审批。
可选地，所述申请特征参数包括申请数值，所述风险等级确定模块包括：
信用评分子模块，用于将所述信用特征参数输入至信用评分模型中，得到所述用户的信用评分；
审批数值计算子模块，用于根据如下公式确定所述业务申请请求对应的审批数值：
Credit_quota＝μ*Func(Credit_score)*Appli_quota；
其中，所述Credit_quota表示所述审批数值，u为自然数，表示所述信用评分Credit_score对应的调节系数，所述Appli_quota表示所述申请数值，Func为任意一个实现从[0,+∞)到[0,1)映射的单调递增函数；
风险等级确定子模块，用于根据预设的数值风险等级表与所述审批数值，确定所述业务申请请求对应的风险等级。
可选地，所述信用评分模型预先根据如下步骤进行训练：
获取设定数量的样本信用特征参数集，所述样本信用特征参数集中的样本信用特征参数标有信用评分；
建立包括输入层、卷积层、全连接层和输出层的神经网络模型；
在首次训练时，将所述神经网络模型各层节点之间的网络连接权值与阈值预先设置成满足预设条件的随机值，并设定所述样本信用特征参数的理想输出信用评分，从所述设定数量的样本信用特征参数集中随机选取设定数量的样本信用特征参数，输入至输入层，经过卷积层和全连接层，传送到输出层，获取所述样本信用指标的实际输出信用评分，完成一轮训练，并计算实际输出信用评分与理想输出信用评分的差值；
根据计算的差值，按照指定的学习规则对各层节点之间的网络连接权值和阈值进行调整，再次对所述神经网络模型进行训练，直至计算的差值不大于预设的阈值时，完成训练，训练好的神经网络模型即为所述信用评分模型。
可选地，所述风险审批装置还包括：
请求驳回单元，用于若提取的申请特征参数不满足所述多个申请特征参数的组合对应的预设条件，驳回所述业务申请请求。
本申请实施例中，若检测到用户的业务申请请求，获取所述用户的申请信息，按所述业务申请请求对应的指定特征模板从所述申请信息中提取指定特征模板中申请特征对应的申请特征参数，所述指定特征模板是指所述业务申请请求进行风险审批所必需的申请特征，所述申请特征参数包括用户标识，然后判断所述申请特征参数是否满足预设条件，自动快速的对所述用户的业务申请请求进行初审，以便及时发现缺漏信息，若所述申请特征参数满足预设条件，则根据所述用户标识，获取所述用户的历史行为信息，再基于所述历史行为信息，获取所述用户的信用特征参数，最后基于所述申请特征参数与所述信用特征参数对所述业务申请请求进行风险审批，并向所述用户关联的智能终端输出所述风险审批的结果，风险审批自动智能化，且审核标准统一客观，可降低人力成本的同时提高风险审批的效率。
实施例3
图6是本申请一实施例提供的服务器的示意图。如图6所示，该实施例的服务器6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机可读指令62，例如风险审批程序。所述处理器60执行所述计算机可读指令62时实现上述各个风险审批方法实施例中的步骤，例如图1所示的步骤101至106。或者，所述处理器60执行所述计算机可读指令62时实现上述各装置实施例中各模块/单元的功能，例如图5所示单元51至56的功能。
示例性的，所述计算机可读指令62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令指令段，该指令段用于描述所述计算机可读指令62在所述服务器6中的执行过程。
所述服务器6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述服务器可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是服务器6的示例，并不构成对服务器6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述服务器还可以包括输入输出设备、网络接入设备、总线等。
所述处理器60可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻 辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61可以是所述服务器6的内部存储单元，例如服务器6的硬盘或内存。所述存储器61也可以是所述服务器6的外部存储设备，例如所述服务器6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器61还可以既包括所述服务器6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机可读指令以及所述服务器所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (20)

  1. 一种风险审批方法，其特征在于，包括：
    若检测到用户的业务申请请求，获取所述用户的申请信息；
    按所述业务申请请求对应的指定特征模板从所述申请信息中提取指定特征模板中申请特征对应的申请特征参数，所述指定特征模板是指所述业务申请请求进行风险审批所必需的申请特征，所述申请特征参数包括用户标识；
    判断所述申请特征参数是否满足预设条件；
    若所述申请特征参数满足预设条件，则根据所述用户标识，获取所述用户的历史行为信息；
    基于所述历史行为信息，获取所述用户的信用特征参数；
    根据所述申请特征参数与所述信用特征参数对所述业务申请请求进行风险审批，并向所述用户关联的智能终端输出所述风险审批的结果。
  2. 根据权利要求1所述的风险审批方法，其特征在于，所述根据所述申请特征参数与所述信用特征参数对所述业务申请请求进行风险审批，包括：
    基于所述申请特征参数与所述信用特征参数，确定所述业务申请请求对应的风险等级；
    调用所述风险等级对应的审批接口对所述业务申请请求进行风险审批。
  3. 根据权利要求2所述的风险审批方法，其特征在于，所述申请特征参数包括申请数值，所述基于所述申请特征参数与所述信用特征参数，确定所述业务申请请求对应的风险等级，包括：
    将所述信用特征参数输入至信用评分模型中，得到所述用户的信用评分；
    根据如下公式确定所述业务申请请求对应的审批数值：
    Credit_quota＝μ*Func(Credit_score)*Appli_quota；
    其中，所述Credit_quota表示所述审批数值，u为自然数，表示所述信用评分Credit_score对应的调节系数，所述Appli_quota表示所述申请数值，Func为任意一个实现从[0,+∞)到[0,1)映射的单调递增函数；
    根据预设的数值风险等级表与所述审批数值，确定所述业务申请请求对应的风险等级。
  4. 根据权利要求3所述的风险审批方法，其特征在于，所述信用评分模型预先根据如下步骤进行训练：
    获取设定数量的样本信用特征参数集，所述样本信用特征参数集中的样本信用 特征参数标有信用评分；
    建立包括输入层、卷积层、全连接层和输出层的神经网络模型；
    在首次训练时，将所述神经网络模型各层节点之间的网络连接权值与阈值预先设置成满足预设条件的随机值，并设定所述样本信用特征参数的理想输出信用评分，从所述设定数量的样本信用特征参数集中随机选取设定数量的样本信用特征参数，输入至输入层，经过卷积层和全连接层，传送到输出层，获取所述样本信用指标的实际输出信用评分，完成一轮训练，并计算实际输出信用评分与理想输出信用评分的差值；
    根据计算的差值，按照指定的学习规则对各层节点之间的网络连接权值和阈值进行调整，再次对所述神经网络模型进行训练，直至计算的差值不大于预设的阈值时，完成训练，训练好的神经网络模型即为所述信用评分模型。
  5. 根据权利要求1至4任一项所述的风险审批方法，其特征在于，所述申请特征参数包括申请数值，所述判断所述申请特征参数是否满足预设条件，包括：
    查找所述申请数值对应的预设条件；
    根据所述预设条件判断所述申请特征参数中除所述申请数值以外的其他申请特征参数是否满足所述预设条件；
    若不满足，则若所述申请特征参数不满足所述预设申请特征，提示所述用户补录申请信息。
  6. 一种风险审批装置，其特征在于，所述风险审批装置包括：
    申请信息获取单元，用于若检测到用户的业务申请请求，获取所述用户的申请信息；
    申请特征参数提取单元，用于按所述业务申请请求对应的指定特征模板从所述申请信息中提取指定特征模板中申请特征对应的申请特征参数，所述指定特征模板是指所述业务申请请求进行风险审批所必需的申请特征，所述申请特征参数包括用户标识；
    初始审批单元，用于判断所述申请特征参数是否满足预设条件；
    历史信息调取单元，用于若所述申请特征参数满足预设条件，则根据所述用户标识，获取所述用户的历史行为信息；
    信用特征参数获取单元，用于基于所述历史行为信息，获取所述用户的信用特征参数；
    风险审批单元，用于根据所述申请特征参数与所述信用特征参数对所述业务申请请求进行风险审批，并向所述用户关联的智能终端输出所述风险审批的结果。
  7. 根据权利要求6所述的风险审批装置，其特征在于，所述风险审批单元包括：
    风险等级确定模块，用于基于所述申请特征参数与所述信用特征参数，确定所述业务申请请求对应的风险等级；
    风险审批模块，用于调用所述风险等级对应的审批接口对所述业务申请请求进行风险审批。
  8. 根据权利要求7所述的风险审批装置，所述申请特征参数包括申请数值，其特征在于，所述风险等级确定模块包括：
    信用评分子模块，用于将所述信用特征参数输入至信用评分模型中，得到所述用户的信用评分；
    审批数值计算子模块，用于根据如下公式确定所述业务申请请求对应的审批数值：
    Credit_quota＝μ*Func(Credit_score)*Appli_quota；
    其中，所述Credit_quota表示所述审批数值，u为自然数，表示所述信用评分Credit_score对应的调节系数，所述Appli_quota表示所述申请数值，Func为任意一个实现从[0,+∞)到[0,1)映射的单调递增函数；
    风险等级确定子模块，用于根据预设的数值风险等级表与所述审批数值，确定所述业务申请请求对应的风险等级。
  9. 根据权利要求8所述的风险审批装置，其特征在于，所述信用评分模型预先根据如下步骤进行训练：
    获取设定数量的样本信用特征参数集，所述样本信用特征参数集中的样本信用特征参数标有信用评分；
    建立包括输入层、卷积层、全连接层和输出层的神经网络模型；
    在首次训练时，将所述神经网络模型各层节点之间的网络连接权值与阈值预先设置成满足预设条件的随机值，并设定所述样本信用特征参数的理想输出信用评分，从所述设定数量的样本信用特征参数集中随机选取设定数量的样本信用特征参数，输入至输入层，经过卷积层和全连接层，传送到输出层，获取所述样本信用指标的实际输出信用评分，完成一轮训练，并计算实际输出信用评分与理想输出信用评分的差值；
    根据计算的差值，按照指定的学习规则对各层节点之间的网络连接权值和阈值进行调整，再次对所述神经网络模型进行训练，直至计算的差值不大于预设的阈值时，完成训练，训练好的神经网络模型即为所述信用评分模型。
  10. 根据权利要求6至9任一项所述的风险审批装置，其特征在于，所述申请 特征参数包括申请数值，所述初始审批单元包括：
    条件查找模块，用于查找所述申请数值对应的预设条件；
    初始审批模块，用于根据所述预设条件判断所述申请特征参数中除所述申请数值以外的其他申请特征参数是否满足所述预设条件；
    补录提示模块，用于若不满足，则若所述申请特征参数不满足所述预设申请特征，提示所述用户补录申请信息。
  11. 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可读指令，其特征在于，所述计算机可读指令被处理器执行时实现如下步骤：
    若检测到用户的业务申请请求，获取所述用户的申请信息；
    按所述业务申请请求对应的指定特征模板从所述申请信息中提取指定特征模板中申请特征对应的申请特征参数，所述指定特征模板是指所述业务申请请求进行风险审批所必需的申请特征，所述申请特征参数包括用户标识；
    判断所述申请特征参数是否满足预设条件；
    若所述申请特征参数满足预设条件，则根据所述用户标识，获取所述用户的历史行为信息；
    基于所述历史行为信息，获取所述用户的信用特征参数；
    根据所述申请特征参数与所述信用特征参数对所述业务申请请求进行风险审批，并向所述用户关联的智能终端输出所述风险审批的结果。
  12. 根据权利要求11所述的计算机可读存储介质，其特征在于，所述根据所述申请特征参数与所述信用特征参数对所述业务申请请求进行风险审批，包括：
    基于所述申请特征参数与所述信用特征参数，确定所述业务申请请求对应的风险等级；
    调用所述风险等级对应的审批接口对所述业务申请请求进行风险审批。
  13. 根据权利要求12所述的计算机可读存储介质，其特征在于，所述申请特征参数包括申请数值，所述基于所述申请特征参数与所述信用特征参数，确定所述业务申请请求对应的风险等级，包括：
    将所述信用特征参数输入至信用评分模型中，得到所述用户的信用评分；
    根据如下公式确定所述业务申请请求对应的审批数值：
    Credit_quota＝μ*Func(Credit_score)*Appli_quota；
    其中，所述Credit_quota表示所述审批数值，u为自然数，表示所述信用评分Credit_score对应的调节系数，所述Appli_quota表示所述申请数值，Func为任意一个实现从[0,+∞)到[0,1)映射的单调递增函数；
    根据预设的数值风险等级表与所述审批数值，确定所述业务申请请求对应的风险等级。
  14. 根据权利要求13所述的计算机可读存储介质，其特征在于，所述信用评分模型预先根据如下步骤进行训练：
    获取设定数量的样本信用特征参数集，所述样本信用特征参数集中的样本信用特征参数标有信用评分；
    建立包括输入层、卷积层、全连接层和输出层的神经网络模型；
    在首次训练时，将所述神经网络模型各层节点之间的网络连接权值与阈值预先设置成满足预设条件的随机值，并设定所述样本信用特征参数的理想输出信用评分，从所述设定数量的样本信用特征参数集中随机选取设定数量的样本信用特征参数，输入至输入层，经过卷积层和全连接层，传送到输出层，获取所述样本信用指标的实际输出信用评分，完成一轮训练，并计算实际输出信用评分与理想输出信用评分的差值；
    根据计算的差值，按照指定的学习规则对各层节点之间的网络连接权值和阈值进行调整，再次对所述神经网络模型进行训练，直至计算的差值不大于预设的阈值时，完成训练，训练好的神经网络模型即为所述信用评分模型。
  15. 根据权利要求11至14任一项所述的计算机可读存储介质，其特征在于，所述申请特征参数包括申请数值，所述判断所述申请特征参数是否满足预设条件，包括：
    查找所述申请数值对应的预设条件；
    根据所述预设条件判断所述申请特征参数中除所述申请数值以外的其他申请特征参数是否满足所述预设条件；
    若不满足，则若所述申请特征参数不满足所述预设申请特征，提示所述用户补录申请信息。
  16. 一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，其特征在于，所述处理器执行所述计算机可读指令时实现如下步骤：
    若检测到用户的业务申请请求，获取所述用户的申请信息；
    按所述业务申请请求对应的指定特征模板从所述申请信息中提取指定特征模板中申请特征对应的申请特征参数，所述指定特征模板是指所述业务申请请求进行风险审批所必需的申请特征，所述申请特征参数包括用户标识；
    判断所述申请特征参数是否满足预设条件；
    若所述申请特征参数满足预设条件，则根据所述用户标识，获取所述用户的历史行为信息；
    基于所述历史行为信息，获取所述用户的信用特征参数；
    根据所述申请特征参数与所述信用特征参数对所述业务申请请求进行风险审批，并向所述用户关联的智能终端输出所述风险审批的结果。
  17. 根据权利要求16所述的服务器，其特征在于，所述根据所述申请特征参数与所述信用特征参数对所述业务申请请求进行风险审批，包括：
    基于所述申请特征参数与所述信用特征参数，确定所述业务申请请求对应的风险等级；
    调用所述风险等级对应的审批接口对所述业务申请请求进行风险审批。
  18. 根据权利要求17所述的服务器，其特征在于，所述申请特征参数包括申请数值，所述基于所述申请特征参数与所述信用特征参数，确定所述业务申请请求对应的风险等级，包括：
    将所述信用特征参数输入至信用评分模型中，得到所述用户的信用评分；
    根据如下公式确定所述业务申请请求对应的审批数值：
    Credit_quota＝μ*Func(Credit_score)*Appli_quota；
    其中，所述Credit_quota表示所述审批数值，u为自然数，表示所述信用评分Credit_score对应的调节系数，所述Appli_quota表示所述申请数值，Func为任意一个实现从[0,+∞)到[0,1)映射的单调递增函数；
    根据预设的数值风险等级表与所述审批数值，确定所述业务申请请求对应的风险等级。
  19. 根据权利要求18所述的服务器，其特征在于，所述信用评分模型预先根据如下步骤进行训练：
    获取设定数量的样本信用特征参数集，所述样本信用特征参数集中的样本信用特征参数标有信用评分；
    建立包括输入层、卷积层、全连接层和输出层的神经网络模型；
    在首次训练时，将所述神经网络模型各层节点之间的网络连接权值与阈值预先设置成满足预设条件的随机值，并设定所述样本信用特征参数的理想输出信用评分，从所述设定数量的样本信用特征参数集中随机选取设定数量的样本信用特征参数，输入至输入层，经过卷积层和全连接层，传送到输出层，获取所述样本信用指标的实际输出信用评分，完成一轮训练，并计算实际输出信用评分与理想输出信用评分的差值；
    根据计算的差值，按照指定的学习规则对各层节点之间的网络连接权值和阈值进行调整，再次对所述神经网络模型进行训练，直至计算的差值不大于预设的阈值时，完成训练，训练好的神经网络模型即为所述信用评分模型。
  20. 根据权利要求16至19任一项所述的服务器，其特征在于，所述申请特征参数包括申请数值，所述判断所述申请特征参数是否满足预设条件，包括：
    查找所述申请数值对应的预设条件；
    根据所述预设条件判断所述申请特征参数中除所述申请数值以外的其他申请特征参数是否满足所述预设条件；
    若不满足，则若所述申请特征参数不满足所述预设申请特征，提示所述用户补录申请信息。
PCT/CN2018/123791 2018-10-25 2018-12-26 一种风险审批方法、装置、存储介质和服务器 WO2020082579A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201811252316.4 2018-10-25
CN201811252316.4A CN109461070A (zh) 2018-10-25 2018-10-25 一种风险审批方法、装置、存储介质和服务器

Publications (1)

Publication Number Publication Date
WO2020082579A1 true WO2020082579A1 (zh) 2020-04-30

Family

ID=65608386

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/123791 WO2020082579A1 (zh) 2018-10-25 2018-12-26 一种风险审批方法、装置、存储介质和服务器

Country Status (2)

Country Link
CN (1) CN109461070A (zh)
WO (1) WO2020082579A1 (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529429A (zh) * 2020-12-16 2021-03-19 平安科技（深圳）有限公司 客户信息校验方法、装置、计算机设备及存储介质
CN112561691A (zh) * 2020-12-24 2021-03-26 中国农业银行股份有限公司 一种客户授信预测方法、装置、设备及存储介质
CN113435175A (zh) * 2021-06-17 2021-09-24 长沙通诺信息科技有限责任公司 审查批件的生成方法、装置、终端设备及存储介质
CN113807100A (zh) * 2020-06-11 2021-12-17 中国南方电网有限责任公司 基于源端数据的保护装置计算模型审核方法及装置
CN113919679A (zh) * 2021-09-30 2022-01-11 武汉金豆医疗数据科技有限公司 业务流程风险防控方法及***
CN113988885A (zh) * 2021-10-28 2022-01-28 平安银行股份有限公司 客户的行为安全的识别方法、装置、设备以及存储介质
CN114240059A (zh) * 2021-11-22 2022-03-25 中国建设银行股份有限公司 资源在线申请处理方法、装置、计算机设备和存储介质
CN115759983A (zh) * 2022-11-17 2023-03-07 北京中知智慧科技有限公司 确定审批流程走向的调用方法及接口
CN117709906A (zh) * 2024-02-04 2024-03-15 杭银消费金融股份有限公司 一种外部数据源查询决策方法与装置

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110276587B (zh) * 2019-04-29 2023-03-10 创新先进技术有限公司 项目审批的方法、装置、计算设备及计算机可读存储介质
CN110264036A (zh) * 2019-05-10 2019-09-20 阿里巴巴集团控股有限公司 任务调度方法及装置
CN110163503A (zh) * 2019-05-22 2019-08-23 北京秦淮数据有限公司 变更申请的处理方法、装置及电子设备
CN110414914A (zh) * 2019-06-17 2019-11-05 深圳壹账通智能科技有限公司 业务数据监控方法和装置
CN110334107B (zh) * 2019-06-18 2023-06-02 平安医疗健康管理股份有限公司 基于数据分析的资格评审方法、装置及服务器
CN110458687A (zh) * 2019-07-05 2019-11-15 平安银行股份有限公司 决策自动审批方法、装置及计算机可读存储介质
CN110443694A (zh) * 2019-07-31 2019-11-12 中国工商银行股份有限公司 小微企业线上融资方法及装置
CN110600098A (zh) * 2019-08-09 2019-12-20 广州中医药大学第一附属医院 一种临床化学自动审核方法、***、装置和存储介质
CN110706119A (zh) * 2019-09-20 2020-01-17 深圳中兴飞贷金融科技有限公司 业务审批方法、装置、存储介质及电子设备
CN110991813A (zh) * 2019-11-07 2020-04-10 上海数禾信息科技有限公司 用于风控业务的数据处理方法及装置
CN111210338A (zh) * 2019-12-31 2020-05-29 广东华兴银行股份有限公司 信贷业务授信审批方法、***、后台服务器及存储介质
CN111444473B (zh) * 2020-03-23 2023-10-24 腾讯科技（深圳）有限公司 车辆风险信息的提示方法、装置、存储介质及电子装置
CN111861416A (zh) * 2020-07-29 2020-10-30 刘言东 一种应用于自然资源的自检***
CN112116313A (zh) * 2020-08-20 2020-12-22 山东浪潮通软信息科技有限公司 一种基于员工画像的审批方法、设备及介质
CN112163859A (zh) * 2020-09-17 2021-01-01 中国建设银行股份有限公司 金融租赁业务的风险提示方法、装置、介质及电子设备
CN112184154A (zh) * 2020-09-23 2021-01-05 中国建设银行股份有限公司 一种业务审批方法和装置
CN113112364A (zh) * 2021-04-09 2021-07-13 上海中汇亿达金融信息技术有限公司 结构性存款产品管理方法、***和介质
CN113177047B (zh) * 2021-04-23 2024-06-07 上海晓途网络科技有限公司 数据的回溯方法、装置、电子设备及存储介质
CN113298636B (zh) * 2021-04-28 2023-05-02 上海淇玥信息技术有限公司 一种基于模拟资源申请的风险控制方法、装置和***
CN113837870B (zh) * 2021-10-12 2024-03-22 工银科技有限公司 金融风险数据审批方法及装置
CN115760368A (zh) * 2022-11-24 2023-03-07 中电金信软件有限公司 一种信贷业务审批方法、装置及电子设备
CN116186543B (zh) * 2023-03-01 2023-08-22 深圳崎点数据有限公司 一种基于图像识别的财务数据处理***及方法
CN117709686B (zh) * 2024-02-05 2024-04-19 中建安装集团有限公司 基于bpmn模型的流程可视化管理***及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120023006A1 (en) * 2010-07-23 2012-01-26 Roser Ryan D Credit Risk Mining
CN106651575A (zh) * 2016-12-30 2017-05-10 中国建设银行股份有限公司 一种数据处理方法及装置
CN107644375A (zh) * 2016-07-22 2018-01-30 花生米浙江数据信息服务股份有限公司 一种专家模型与机器学习模型融合的小商户信用评估方法
CN107886425A (zh) * 2017-10-25 2018-04-06 上海壹账通金融科技有限公司 信贷评估方法、装置、设备及计算机可读存储介质
CN108320220A (zh) * 2018-02-06 2018-07-24 有光创新（北京）信息技术有限公司 一种用户信用度的评估***及方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7987135B2 (en) * 2007-08-20 2011-07-26 Chicago Mercantile Exchange, Inc. Out of band credit control
WO2013044250A1 (en) * 2011-09-22 2013-03-28 E-Credit Express A system and method of expedited credit and loan processing
CN106651570A (zh) * 2016-12-27 2017-05-10 中国建设银行股份有限公司 一种贷款实时审批***和方法
CN108573443A (zh) * 2017-03-13 2018-09-25 平安科技（深圳）有限公司 额度审批方法和装置
CN107767263A (zh) * 2017-08-10 2018-03-06 深圳前海达飞金融服务有限公司 一种消费信贷的审批方法、装置及服务器
CN108416664B (zh) * 2018-01-29 2021-06-22 广州越秀金融科技有限公司 基于消费信贷场景的风险评估方法及***实现
CN108564467A (zh) * 2018-05-09 2018-09-21 平安普惠企业管理有限公司 一种用户风险等级的确定方法及设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120023006A1 (en) * 2010-07-23 2012-01-26 Roser Ryan D Credit Risk Mining
CN107644375A (zh) * 2016-07-22 2018-01-30 花生米浙江数据信息服务股份有限公司 一种专家模型与机器学习模型融合的小商户信用评估方法
CN106651575A (zh) * 2016-12-30 2017-05-10 中国建设银行股份有限公司 一种数据处理方法及装置
CN107886425A (zh) * 2017-10-25 2018-04-06 上海壹账通金融科技有限公司 信贷评估方法、装置、设备及计算机可读存储介质
CN108320220A (zh) * 2018-02-06 2018-07-24 有光创新（北京）信息技术有限公司 一种用户信用度的评估***及方法

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113807100A (zh) * 2020-06-11 2021-12-17 中国南方电网有限责任公司 基于源端数据的保护装置计算模型审核方法及装置
CN113807100B (zh) * 2020-06-11 2024-06-07 中国南方电网有限责任公司 基于源端数据的保护装置计算模型审核方法及装置
CN112529429B (zh) * 2020-12-16 2024-05-14 平安科技（深圳）有限公司 客户信息校验方法、装置、计算机设备及存储介质
CN112529429A (zh) * 2020-12-16 2021-03-19 平安科技（深圳）有限公司 客户信息校验方法、装置、计算机设备及存储介质
CN112561691A (zh) * 2020-12-24 2021-03-26 中国农业银行股份有限公司 一种客户授信预测方法、装置、设备及存储介质
CN113435175A (zh) * 2021-06-17 2021-09-24 长沙通诺信息科技有限责任公司 审查批件的生成方法、装置、终端设备及存储介质
CN113919679A (zh) * 2021-09-30 2022-01-11 武汉金豆医疗数据科技有限公司 业务流程风险防控方法及***
CN113919679B (zh) * 2021-09-30 2023-06-20 武汉金豆医疗数据科技有限公司 业务流程风险防控方法及***
CN113988885A (zh) * 2021-10-28 2022-01-28 平安银行股份有限公司 客户的行为安全的识别方法、装置、设备以及存储介质
CN113988885B (zh) * 2021-10-28 2024-05-17 平安银行股份有限公司 客户的行为安全的识别方法、装置、设备以及存储介质
CN114240059A (zh) * 2021-11-22 2022-03-25 中国建设银行股份有限公司 资源在线申请处理方法、装置、计算机设备和存储介质
CN115759983A (zh) * 2022-11-17 2023-03-07 北京中知智慧科技有限公司 确定审批流程走向的调用方法及接口
CN117709906B (zh) * 2024-02-04 2024-05-14 杭银消费金融股份有限公司 一种外部数据源查询决策方法与装置
CN117709906A (zh) * 2024-02-04 2024-03-15 杭银消费金融股份有限公司 一种外部数据源查询决策方法与装置

Also Published As

Publication number Publication date
CN109461070A (zh) 2019-03-12

Similar Documents

Publication Publication Date Title
WO2020082579A1 (zh) 一种风险审批方法、装置、存储介质和服务器
TWI804575B (zh) 確定高風險用戶的方法及裝置、電腦可讀儲存媒體、和計算設備
WO2019085064A1 (zh) 医疗理赔拒付方法、装置、终端设备及存储介质
US20120296804A1 (en) System and Methods for Producing a Credit Feedback Loop
WO2020087774A1 (zh) 基于概念树的意图识别方法、装置及计算机设备
WO2019237541A1 (zh) 联系人标签的确定方法、装置、终端设备及介质
WO2021012904A1 (zh) 一种数据更新方法及相关设备
CN114265967B (zh) 一种敏感数据安全等级标注方法及装置
CN111340584A (zh) 一种资金方的确定方法、装置、设备及存储介质
CN110610431A (zh) 基于大数据的智能理赔方法及智能理赔***
CN109902747B (zh) 一种身份识别方法、装置、设备及计算机可读存储介质
US20060293915A1 (en) Method for optimizing accuracy of real estate valuations using automated valuation models
CN113052676A (zh) 一种智能风控决策方法、装置、设备及可读存储介质
CN112734247A (zh) 担保授信自动审批的方法、***、存储介质及电子设备
CN112989990A (zh) 医疗票据识别方法、装置、设备及存储介质
CN111639299A (zh) 置业顾问客户跟进绩效评估方法、***及存储介质
CN113191922A (zh) 诉讼决策信息请求处理方法及装置
CN115577983B (zh) 基于区块链的企业任务匹配方法、服务器及存储介质
CN113177851A (zh) 线上保险交易的存证方法、装置、电子设备及存储介质
CN113269179B (zh) 数据处理方法、装置、设备及存储介质
US20210358061A1 (en) Server-client system for standardizing a quantity work required to prepare an asset for a transaction
WO2019227591A1 (zh) 承保机构仲裁处理方法、装置、计算机设备及存储介质
WO2023272833A1 (zh) 一种数据检测方法、装置、设备及可读存储介质
TW201423620A (zh) 專利費用稽核系統及方法
CN111127043A (zh) 信用评分方法、装置、计算机设备及存储介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18937753

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 31.08.2021)

122 Ep: pct application non-entry in european phase

Ref document number: 18937753

Country of ref document: EP

Kind code of ref document: A1