[go: up one dir, main page]

CN117036001A - 交易业务的风险识别处理方法、装置、设备及存储介质 - Google Patents

交易业务的风险识别处理方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN117036001A
CN117036001A CN202311024492.3A CN202311024492A CN117036001A CN 117036001 A CN117036001 A CN 117036001A CN 202311024492 A CN202311024492 A CN 202311024492A CN 117036001 A CN117036001 A CN 117036001A
Authority
CN
China
Prior art keywords
user
risk
category
classifier
transaction
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
Application number
CN202311024492.3A
Other languages
English (en)
Inventor
高培轩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
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 Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202311024492.3A priority Critical patent/CN117036001A/zh
Publication of CN117036001A publication Critical patent/CN117036001A/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
    • G06Q20/401—Transaction verification
    • G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
    • 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
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Technology Law (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Security & Cryptography (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本说明书涉及人工智能技术领域，提供了一种交易业务的风险识别处理方法、装置、设备及存储介质，该方法包括：确定交易请求对应用户的存续时间和活跃度；根据所述存续时间和所述活跃度识别所述用户所归属的用户类别；从预训练的风险分类器集合中匹配所述用户类别对应的目标风险分类器；根据所述用户类别获取所述用户的参数值组合；根据所述参数值组合调用所述目标风险分类器，以预测所述用户的业务风险类别；根据所述业务风险类别处理所述交易请求。通过本说明书实施例以提高对交易业务进行风险识别处理的精准度和效率。

Description

交易业务的风险识别处理方法、装置、设备及存储介质
技术领域
本说明书涉及人工智能技术领域，尤其是涉及一种交易业务的风险识别处理方法、装置、设备及存储介质。
背景技术
为降低或避免业务风险，常需要对交易业务(例如信用卡交易等)进行风险防控处理。传统的交易业务的风险防控处理方案主要是基于统计分析方法，通常需要大量的数据和复杂的计算过程，从而影响了风险防控处理的处理效率，且难以进行实时更新和调整，从而也影响了交易业务的风险防控处理的精准度。因此，如何精准高效地对交易业务进行风险防控处理，已成为目前亟待解决的技术问题。
发明内容
本说明书实施例的目的在于提供一种交易业务的风险识别处理方法、装置、设备及存储介质，以提高对交易业务进行风险识别处理的精准度和效率。
为达到上述目的，一方面，本说明书实施例提供了一种交易业务的风险识别处理方法，包括：
确定交易请求对应用户的存续时间和活跃度；
根据所述存续时间和所述活跃度识别所述用户所归属的用户类别；
从预训练的风险分类器集合中匹配所述用户类别对应的目标风险分类器；
根据所述用户类别获取所述用户的参数值组合；
根据所述参数值组合调用所述目标风险分类器，以预测所述用户的业务风险类别；
根据所述业务风险类别处理所述交易请求。
本说明书实施例的交易业务的风险识别处理方法，根据所述存续时间和所述活跃度识别所述用户所归属的用户类别，包括：
判断所述存续时间是否达到存续时间阈值；
当所述存续时间未达到存续时间阈值时，将所述用户归属为新用户类；
当所述存续时间不低于所述存续时间阈值时，进一步判断所述活跃度是否达到活跃度阈值；
当所述活跃度达到活跃度阈值时，将所述用户归属为活跃用户类；
当所述活跃度未达到活跃度阈值时，将所述用户归属为休眠用户类。
本说明书实施例的交易业务的风险识别处理方法，所述预训练的风险分类器集合包括第一风险分类器、第二风险分类器和第三风险分类器；
所述第一风险分类器基于所述新用户类的第一参数组合数据集训练LightGBM模型得到；所述第二风险分类器基于所述活跃用户类的第二参数组合数据集训练LightGBM模型得到；所述第三风险分类器基于所述休眠用户类的第三参数组合数据集训练LightGBM模型得到。
本说明书实施例的交易业务的风险识别处理方法，从预训练的风险分类器集合中匹配所述用户类别对应的目标风险分类器，包括：
当所述用户为新用户类时，将所述第一风险分类器作为目标风险分类器；
当所述用户为活跃用户类时，将所述第二风险分类器作为目标风险分类器；
当所述用户为休眠用户类时，将所述第三风险分类器作为目标风险分类器。
本说明书实施例的交易业务的风险识别处理方法，根据所述用户类别获取所述用户的参数值组合，包括：
从参数组合与用户类别映射关系表中确定所述用户类别对应的参数组合；
按照所述参数组合获取参数值，以形成所述用户的参数值组合。
本说明书实施例的交易业务的风险识别处理方法，在根据所述业务风险类别处理所述交易请求之后，包括：
定期更新所述风险分类器集合。
另一方面，本说明书实施例还提供了一种交易业务的风险识别处理装置，包括：
确定模块，用于确定交易请求对应用户的存续时间和活跃度；
识别模块，用于根据所述存续时间和所述活跃度识别所述用户所归属的用户类别；
匹配模块，用于从预训练的风险分类器集合中匹配所述用户类别对应的目标风险分类器；
获取模块，用于根据所述用户类别获取所述用户的参数值组合；
预测模块，用于根据所述参数值组合调用所述目标风险分类器，以预测所述用户的业务风险类别；
处理模块，用于根据所述业务风险类别处理所述交易请求。
另一方面，本说明书实施例还提供了一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时，执行上述方法的指令。
另一方面，本说明书实施例还提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被计算机设备的处理器运行时，执行上述方法的指令。
另一方面，本说明书实施例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，所述计算机程序被计算机设备的处理器运行时，执行上述方法的指令。
由以上本说明书实施例提供的技术方案可见，本说明书实施例可以预先根据用户类别分别训练出一个风险分类器，当接收到交易请求时，可以根据交易请求对应用户的存续时间和活跃度确定其所归属的用户类别，然后根据该用户类别对应的风险分类器预测用户的业务风险类别，并根据业务风险类别处理该交易请求，与仅利用训练出的一个风险分类器用于预测所有用户的业务风险相比，本说明书实施例中针对不同用户群体(类别)，利用不同的风险分类器预测其的业务风险，更具有针对性，从而可以获得更加精准的交易业务风险预测结果，进而提高了交易业务的安全性。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，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说明书中记载的一些实施例，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。在附图中：
图1示出了本说明书一些实施例中交易业务的风险识别处理的应用环境示意图；
图2示出了本说明书一些实施例中交易业务的风险识别处理方法的流程图；
图3示出了图2所示方法中根据存续时间和活跃度识别所述用户所归属的用户类别的流程图；
图4示出了图2所示方法中从预训练的风险分类器集合中匹配用户类别对应的目标风险分类器的流程图；
图5示出了本说明书另一些实施例中交易业务的风险识别处理方法的流程图；
图6示出了本说明书一些实施例中交易业务的风险识别处理装置的结构框图；
图7示出了本说明书一些实施例中计算机设备的结构框图。
【附图标记说明】
10、客户端；
20、服务端；
61、确定模块；
62、识别模块；
63、匹配模块；
64、获取模块；
65、预测模块；
66、处理模块；
702、计算机设备；
704、处理器；
706、存储器；
708、驱动机构；
710、输入/输出接口；
712、输入设备；
714、输出设备；
716、呈现设备；
718、图形用户接口；
720、网络接口；
722、通信链路；
724、通信总线。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
图1中示出了本说明书一些实施例中交易业务的风险识别处理的应用环境示意图，可以应用于；该应用环境中包括客户端10和服务端20。客户端10用于向服务端提供交易请求；服务端20用于确定交易请求对应用户的存续时间和活跃度；根据所述存续时间和所述活跃度识别所述用户所归属的用户类别；从预训练的风险分类器集合中匹配所述用户类别对应的目标风险分类器；根据所述用户类别获取所述用户的参数值组合；
根据所述参数值组合调用所述目标风险分类器，以预测所述用户的业务风险类别；根据所述业务风险类别处理所述交易请求。
在本说明书一些实施例中，所述客户端10可以为自助终端设备、移动终端(即智能手机)、显示器、台式电脑、平板电脑、笔记本电脑、数字助理或智能可穿戴设备等。其中，智能可穿戴设备可以包括智能手环、智能手表、智能眼镜或智能头盔等。当然，所述客户端10并不限于上述具有一定实体的电子设备，其还可以为运行于上述电子设备中的软件。
在本说明书一些实施例中，所述服务端20可以为具有运算和网络交互功能的电子设备；也可以为运行于该电子设备中，为数据处理和网络交互提供业务逻辑的软件。
此外，需要说明的是，图1所示的仅仅是本说明书提供的一种应用环境，在实际应用中，所述客户端10可以为多个，所述服务端20也可以为多个，本说明书不做限制。
本说明书实施例提供了一种交易业务的风险识别处理方法，可以应用于上述的服务端侧，参考图2所示，在本说明书一些实施例中，交易业务的风险识别处理方法可以包括以下步骤：
步骤201、确定交易请求对应用户的存续时间和活跃度。
步骤202、根据所述存续时间和所述活跃度识别所述用户所归属的用户类别。
步骤203、从预训练的风险分类器集合中匹配所述用户类别对应的目标风险分类器。
步骤204、根据所述用户类别获取所述用户的参数值组合。
步骤205、根据所述参数值组合调用所述目标风险分类器，以预测所述用户的业务风险类别。
步骤206、根据所述业务风险类别处理所述交易请求。
本说明书实施例中，可以预先根据用户类别分别训练出一个风险分类器，当接收到交易请求时，可以根据交易请求对应用户的存续时间和活跃度确定其所归属的用户类别，然后根据该用户类别对应的风险分类器预测用户的业务风险类别，并根据业务风险类别处理该交易请求，与仅利用训练出的一个风险分类器用于预测所有用户的业务风险相比，本说明书实施例中针对不同用户群体(类别)，利用不同的风险分类器预测其的业务风险，更具有针对性，从而可以获得更加精准的交易业务风险预测结果，进而提高了交易业务的安全性。
交易请求可以为任何交易业务场景的下的交易请求。例如，在本说明书一些实施例中，交易请求可以为借记卡、信用卡、第三方支付平台等的支付业务、转账业务等。一般地，交易请求可以由用户通过客户端发起(发起交易请求的用户即为交易请求对应用户)，服务端接收到交易请求后，可以确定交易请求对应用户的存续时间和活跃度，以用于用户类别识别。
存续时间用于表征用户帐户从开立至指定时间点(例如当前时间点)的存续时间。例如，在本说明书一示例性实施例中，用户在2023年5月20日开立了用户帐户，假设今日为2023年6月20日，则该用户的存续时间大致为一个月。活跃度用于评价已开立账户的用户使用账户的活跃程度。其中，活跃度可以包括但不限于交易频次、登录频次和/或在线时长等。
本申请的发明人研究发现，不同存续时间的用户的交易行为不同，而不同的交易行为最终将影响对于用户的风险识别处理。例如，在本说明书一示例性实施例中，对于存续时间较短的信用卡新用户，能获取到的其交易行为等数据有限，启用行为、首刷行为、首次还款行为和资产情况可以更好地反应该新客户的信用风险情况。再如，在本说明书另一示例性实施例中，对于存续时间较长的信用卡老用户而言，能获取到的其交易行为等数据相对较多，其累积行为则可以更好地反应该客户的信用风险情况。同样，不同活跃度的用户的交易行为不同，而不同的活跃度显然也将影响对于用户的风险识别处理。因此，将存续时间和活跃度应用于用户风险识别下的用户分类，可以有利于更加准确客观地评价用户的交易风险。
在本说明书一些实施例中，交易请求中包含用户信息，基于该用户信息向用户数据库用户查询用户的账户开户时间，并与当前时间进行比较，可以确定出交易请求对应用户的存续时间。
在本说明书一些实施例中，在获得用户的账户开户时间基础上，通过查询交易记录数据库，可以得到该用户自账户开户至今的交易成功笔数，据此可以计算出用户的月交易笔数或年交易笔数等，以作为交易请求对应用户的活跃度。在本说明书的其他实施例中，根据实际需要，活跃度也可以采用其他参数(例如交易频次+登录频次，交易频次+登录频次+在线时长等)，本说明书实施例对此不作唯一限定。
参考图3所示，在本说明书一些实施例中，根据所述存续时间和所述活跃度识别所述用户所归属的用户类别，可以包括以下步骤：
步骤301、判断所述存续时间是否达到存续时间阈值；如果达到存续时间阈值，执行步骤302，否则执行步骤305。
步骤302、判断所述活跃度是否达到活跃度阈值；如果达到活跃度阈值，执行步骤303，否则执行步骤304。
步骤303、将所述用户归属为活跃用户类。
活跃用户类是指存续时间达到存续时间阈值且活跃度达到活跃度阈值的用户群体。
步骤304、将所述用户归属为休眠用户类。
休眠用户类是指存续时间达到存续时间阈值且活跃度未达到活跃度阈值的用户群体。休眠用户具有典型的长期不使用账户的特点(例如两年以上无任何交易等)，如果此类用户突然产生交易，则该交易存在风险的概率相对较高。
步骤305、将所述用户归属为新用户类。
如此，通过图3所示的处理逻辑，可以识别出交易请求对应用户属于活跃用户类、休眠用户类和新用户类中的哪一类，以后续根据用户类别调用对应的风险分类器。
在本说明书实施例中，风险分类器集合中的风险分类器数量与预设的用户类别种类相适应。例如，以图3所示的实施例为例，用户类别分别三类：活跃用户类、休眠用户类和新用户类；则风险分类器集合分别包含有新用户类对应的风险分类器、活跃用户类对应的风险分类器，以及休眠用户类对应的风险分类器，为了便于描述，可以分别称之为第一风险分类器、第二风险分类器和第三风险分类器；则第一风险分类器、第二风险分类器和第三风险分类器即形成了预训练的风险分类器集合。
风险分类器集合中的每个风险分类器可以基于不同的参数组合训练初始模型(例如深度神经网络模型等)得到；即针对不同用户类别，可以进行特征优选，以获得对应用户类别下的最优参数组合。在一些实施例中，在收集数据(例如用户的资产负债数据、收入情况数据、用卡行为数据、还款行为数据、履约违约数据、贷前申请数据和征信评分等多维度数据)的基础上，通过数据清洗(包括去重、填补缺失值、纠正错误数据等)和特征工程，可以衍生出多个(例如数千个甚至更多)特征变量。这些特征变量可以任意组合，但实际上可能只有特定的组合具有较高预测能力。因此，在训练初始模型时，可以使用网格搜索(GridSearch)、贝叶斯优化等方法对每个初始模型的输入参数进行调优，即从特征工程得到多个特征变量中，为每个初始模型选择出最优的输入参数组合。
例如，在一示例性实施例中，以信用卡交易为例，若用户类别分成活跃用户类、休眠用户类和新用户类三类为例，可以为活跃用户类的风险分类器选择出如下表1所示的最优的输入参数组合。
表1
初始模型可以选择轻量级梯度提升树(Light Gradient Boosting DecisionTree，Light GBDT)等基于树的集成学习模型，与其他基于树的集成学习模型相比，LightGBDT具有高效、准确、可扩展性强且占用内存资源少等优势。因此，在本说明书一些实施例中，所述第一风险分类器可以基于所述新用户类的第一参数组合数据集训练LightGBM模型得到；所述第二风险分类器可以基于所述活跃用户类的第二参数组合数据集训练LightGBM模型得到；所述第三风险分类器可以基于所述休眠用户类的第三参数组合数据集训练LightGBM模型得到。如此，将用较低训练成本获得预测精度较高的风险分类器。
在本说明书一些实施例中，以用户类别分成活跃用户类、休眠用户类和新用户类三类为例，从预训练的风险分类器集合中匹配所述用户类别对应的目标风险分类器，可以包括：
当所述用户为新用户类时，将所述第一风险分类器作为目标风险分类器；
当所述用户为活跃用户类时，将所述第二风险分类器作为目标风险分类器；或者，当所述用户为休眠用户类时，将所述第三风险分类器作为目标风险分类器。
参考图4所示，在本说明书一些实施例中，根据所述用户类别获取所述用户的参数值组合，可以包括以下步骤：
步骤401、从参数组合与用户类别映射关系表中确定所述用户类别对应的参数组合。
参数组合与用户类别映射关系表记录有参数组合与用户类别的对应关系。其中的参数组合即为用户类别对应的风险分类器的最优的输入参数组合。
步骤402、按照所述参数组合获取参数值，以形成所述用户的参数值组合。
例如，在本说明书一示例性实施例中，以用户类别分成活跃用户类、休眠用户类和新用户类三类为例，若新用户类对应的最优的输入参数组合为{x11,x12,…,x1m}，休眠用户类对应的最优的输入参数组合为{x21,x22,…,x2n}，活跃用户类对应的最优的输入参数组合为{x31,x32,…,x3k}。当用户所归属的用户类别为活跃用户类时，可以按照参数组合x21,x22,…,x2n获取交易请求对应用户的参数值，从而形成该用户的参数值组合。
在本说明书一些实施例中，根据所述业务风险类别处理所述交易请求是指：根据所述业务风险类别对应的差异化处理策略处理所述交易请求。
例如，在一示例性实施例中，当业务风险类别为低风险时，可以按照正常业务处理逻辑处理所述交易请求，并返回交易处理结果；当业务风险类别为中风险时，可以对所述交易请求对应用户进行基于验证码和/或生物特征识别的二次认证，待用户通过二次认证后，可以按照正常业务处理逻辑处理所述交易请求，并返回交易处理结果；当业务风险类别为高风险时，可以拦截或拒绝该交易请求的后续处理，并可以进行账户冻结(锁定)等处理。在实际应用中，根据不同的业务特点和用户群体，可以对差异化处理策略进行适当调整和优化，以满足不同场景的需求。
参考图5所示，在本说明书另一些实施例中，交易业务的风险识别处理方法可以包括以下步骤：
步骤501、确定交易请求对应用户的存续时间和活跃度。
步骤502、根据所述存续时间和所述活跃度识别所述用户所归属的用户类别。
步骤503、从预训练的风险分类器集合中匹配所述用户类别对应的目标风险分类器。
步骤504、根据所述用户类别获取所述用户的参数值组合。
步骤505、根据所述参数值组合调用所述目标风险分类器，以预测所述用户的业务风险类别。
步骤506、根据所述业务风险类别处理所述交易请求。
步骤507、定期更新所述风险分类器集合。
与图2所示的交易业务的风险识别处理方法相比，图5所示的交易业务的风险识别处理方法，通过定期更新所述风险分类器集合(即定期更新所述风险分类器集合中的各个风险分类器)，可以使得所述风险分类器集合中的各个风险分类器日臻完善，从而有利于进一步提高风险分类器的预测精度。
而且，当风险分类器的初始模型选择LightGBM模型时，与传统的GBDT在寻找最佳分裂点时需要遍历所有特征值相比，由于LightGBM模型采集用了基于直方图的特征分裂算法，可以将连续的特征值分桶成离散的区间，从而降低了寻找分裂点的计算复杂度，从而可以显著提高模型训练的速度和内存效率。而且为了进一步提高模型训练的效率，LightGBM还引入了基于梯度的单边采样(GOSS)和排他性特征捆绑(EFB)策略。GOSS通过保留具有较大梯度的样本，同时随机丢弃具有较小梯度的样本，从而在减小计算复杂度的同时保持预测性能。EFB通过捆绑互斥的特征来减少特征空间的维度，从而降低计算复杂度。如此，使得本说明书实施例中定期更新风险分类器集合具有较强的实用性，根据实际需要可以实现风险分类器的每周更新(甚至是每日更新)。
虽然上文描述的过程流程包括以特定顺序出现的多个操作，但是，应当清楚了解，这些过程可以包括更多或更少的操作，这些操作可以顺序执行或并行执行(例如使用并行处理器或多线程环境)。
与上述的交易业务的风险识别处理方法对应，本说明书实施例还提供了一种交易业务的风险识别处理装置，其可以配置于上述的服务端上，参考图6所示，在本说明书一些实施例中，交易业务的风险识别处理装置可以包括：
确定模块61，用于确定交易请求对应用户的存续时间和活跃度；
识别模块62，用于根据所述存续时间和所述活跃度识别所述用户所归属的用户类别；
匹配模块63，用于从预训练的风险分类器集合中匹配所述用户类别对应的目标风险分类器；
获取模块64，用于根据所述用户类别获取所述用户的参数值组合；
预测模块65，用于根据所述参数值组合调用所述目标风险分类器，以预测所述用户的业务风险类别；
处理模块66，用于根据所述业务风险类别处理所述交易请求。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
需要说明的是，本说明书的实施例中，所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权同意且经过各方充分授权的信息和数据。
本说明书的实施例还提供一种计算机设备。如图7所示，在本说明书一些实施例中，所述计算机设备702可以包括一个或多个处理器704，诸如一个或多个中央处理单元(CPU)或图形处理器(GPU)，每个处理单元可以实现一个或多个硬件线程。计算机设备702还可以包括任何存储器706，其用于存储诸如代码、设置、数据等之类的任何种类的信息，一具体实施例中，存储器706上并可在处理器704上运行的计算机程序，所述计算机程序被所述处理器704运行时，可以执行上述任一实施例所述的交易业务的风险识别处理方法的指令。非限制性的，比如，存储器706可以包括以下任一项或多种组合：任何类型的RAM，任何类型的ROM，闪存设备，硬盘，光盘等。更一般地，任何存储器都可以使用任何技术来存储信息。进一步地，任何存储器可以提供信息的易失性或非易失性保留。进一步地，任何存储器可以表示计算机设备702的固定或可移除部件。在一种情况下，当处理器704执行被存储在任何存储器或存储器的组合中的相关联的指令时，计算机设备702可以执行相关联指令的任一操作。计算机设备702还包括用于与任何存储器交互的一个或多个驱动机构708，诸如硬盘驱动机构、光盘驱动机构等。
计算机设备702还可以包括输入/输出接口710(I/O)，其用于接收各种输入(经由输入设备712)和用于提供各种输出(经由输出设备714)。一个具体输出机构可以包括呈现设备716和相关联的图形用户接口718(GUI)。在其他实施例中，还可以不包括输入/输出接口710(I/O)、输入设备712以及输出设备714，仅作为网络中的一台计算机设备。计算机设备702还可以包括一个或多个网络接口720，其用于经由一个或多个通信链路722与其他设备交换数据。一个或多个通信总线724将上文所描述的部件耦合在一起。
通信链路722可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路722可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务端等的任何组合。
本申请是参照本说明书一些实施例的方法、设备(系统)、计算机可读存储介质和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理器的处理器以产生一个机器，使得通过计算机或其他可编程数据处理器的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理器以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理器上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算机设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算机设备访问的信息。按照本说明书中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理器来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
还应理解，在本说明书实施例中，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。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种交易业务的风险识别处理方法，其特征在于，包括：
确定交易请求对应用户的存续时间和活跃度；
根据所述存续时间和所述活跃度识别所述用户所归属的用户类别；
从预训练的风险分类器集合中匹配所述用户类别对应的目标风险分类器；
根据所述用户类别获取所述用户的参数值组合；
根据所述参数值组合调用所述目标风险分类器，以预测所述用户的业务风险类别；
根据所述业务风险类别处理所述交易请求。
2.如权利要求1所述的交易业务的风险识别处理方法，其特征在于，根据所述存续时间和所述活跃度识别所述用户所归属的用户类别，包括：
判断所述存续时间是否达到存续时间阈值；
当所述存续时间未达到存续时间阈值时，将所述用户归属为新用户类；
当所述存续时间不低于所述存续时间阈值时，进一步判断所述活跃度是否达到活跃度阈值；
当所述活跃度达到活跃度阈值时，将所述用户归属为活跃用户类；
当所述活跃度未达到活跃度阈值时，将所述用户归属为休眠用户类。
3.如权利要求2所述的交易业务的风险识别处理方法，其特征在于，所述预训练的风险分类器集合包括第一风险分类器、第二风险分类器和第三风险分类器；
所述第一风险分类器基于所述新用户类的第一参数组合数据集训练LightGBM模型得到；所述第二风险分类器基于所述活跃用户类的第二参数组合数据集训练LightGBM模型得到；所述第三风险分类器基于所述休眠用户类的第三参数组合数据集训练LightGBM模型得到。
4.如权利要求3所述的交易业务的风险识别处理方法，其特征在于，从预训练的风险分类器集合中匹配所述用户类别对应的目标风险分类器，包括：
当所述用户为新用户类时，将所述第一风险分类器作为目标风险分类器；
当所述用户为活跃用户类时，将所述第二风险分类器作为目标风险分类器；
当所述用户为休眠用户类时，将所述第三风险分类器作为目标风险分类器。
5.如权利要求1所述的交易业务的风险识别处理方法，其特征在于，根据所述用户类别获取所述用户的参数值组合，包括：
从参数组合与用户类别映射关系表中确定所述用户类别对应的参数组合；
按照所述参数组合获取参数值，以形成所述用户的参数值组合。
6.如权利要求1所述的交易业务的风险识别处理方法，其特征在于，在根据所述业务风险类别处理所述交易请求之后，包括：
定期更新所述风险分类器集合。
7.一种交易业务的风险识别处理装置，其特征在于，包括：
确定模块，用于确定交易请求对应用户的存续时间和活跃度；
识别模块，用于根据所述存续时间和所述活跃度识别所述用户所归属的用户类别；
匹配模块，用于从预训练的风险分类器集合中匹配所述用户类别对应的目标风险分类器；
获取模块，用于根据所述用户类别获取所述用户的参数值组合；
预测模块，用于根据所述参数值组合调用所述目标风险分类器，以预测所述用户的业务风险类别；
处理模块，用于根据所述业务风险类别处理所述交易请求。
8.一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，其特征在于，所述计算机程序被所述处理器运行时，执行根据权利要求1-6任意一项所述方法的指令。
9.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被计算机设备的处理器运行时，执行根据权利要求1-6任意一项所述方法的指令。
10.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被计算机设备的处理器运行时，执行根据权利要求1-6任意一项所述方法的指令。
CN202311024492.3A 2023-08-14 2023-08-14 交易业务的风险识别处理方法、装置、设备及存储介质 Pending CN117036001A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311024492.3A CN117036001A (zh) 2023-08-14 2023-08-14 交易业务的风险识别处理方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311024492.3A CN117036001A (zh) 2023-08-14 2023-08-14 交易业务的风险识别处理方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN117036001A true CN117036001A (zh) 2023-11-10

Family

ID=88636900

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311024492.3A Pending CN117036001A (zh) 2023-08-14 2023-08-14 交易业务的风险识别处理方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117036001A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117787727A (zh) * 2024-02-26 2024-03-29 百融云创科技股份有限公司 业务风险预测方法、装置、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117787727A (zh) * 2024-02-26 2024-03-29 百融云创科技股份有限公司 业务风险预测方法、装置、设备及存储介质
CN117787727B (zh) * 2024-02-26 2024-05-31 百融云创科技股份有限公司 业务风险预测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
US11531987B2 (en) User profiling based on transaction data associated with a user
US11348012B2 (en) System and method for forming predictions using event-based sentiment analysis
CN111177250A (zh) 一种异常交易监测方法、系统及存储介质
CN110363645A (zh) 资产数据处理方法、装置、计算机设备和存储介质
CN114186626A (zh) 一种异常检测方法、装置、电子设备及计算机可读介质
US12112369B2 (en) Transmitting proactive notifications based on machine learning model predictions
CN110674188A (zh) 一种特征提取方法、装置及设备
CN114240633A (zh) 信贷风险评估方法、系统、终端设备及存储介质
Zhu et al. Domain Adaptation-Based Machine Learning Framework for Customer Churn Prediction Across Varing Distributions
CN115238815A (zh) 异常交易数据获取方法、装置、设备、介质和程序产品
CN112200665A (zh) 一种授信额度的确定方法及装置
CN110728301A (zh) 一种个人用户的信用评分方法、装置、终端及存储介质
CN113516511B (zh) 一种金融产品购买预测方法、装置及电子设备
Negi et al. Cryptocurrency Price Analysis using Deep Learning
CN112766825A (zh) 企业金融服务风险预测方法及装置
CN117036001A (zh) 交易业务的风险识别处理方法、装置、设备及存储介质
CN107871213B (zh) 一种交易行为评价方法、装置、服务器以及存储介质
CN110516713A (zh) 一种目标群体识别方法、装置及设备
CN110796379B (zh) 业务渠道的风险评估方法、装置、设备及存储介质
US20230222579A1 (en) Method and Apparatus for Iterating Credit Scorecard Model, Electronic Device and Storage Medium
CN117196630A (zh) 交易风险预测方法、装置、终端设备以及存储介质
US20230139465A1 (en) Electronic service filter optimization
CN116361542A (zh) 产品推荐方法、装置、计算机设备和存储介质
CN115292475A (zh) 基于智慧城市的云计算服务信息处理方法及系统
CN113468142A (zh) 数据转移请求处理方法、装置、设备及存储介质

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