一种基于用户行为和神经网络的风险控制方法、装置和电子设备与流程

本发明涉及计算机信息处理领域，具体而言，涉及一种基于用户行为和神经网络的风险控制方法、装置、电子设备及计算机可读介质。

背景技术：

传统的反欺诈策略和模型主要以规则和简单模型为基础，辅以关系网关联和黑灰名单等数据，实现欺诈用户的识别与管制。数据源主要依赖于公司的人工调查以及外部资信的黑白名单，整体数据源和策略模式较为单一，对于未知风险的应对能力较差。

为了挖掘公司内部数据的价值，发现可能出现的未知风险，本发明利用公司数据库存储的大量用户信息，构建用户操作的时间序列数据，依此建立风险预测模型，预测用户出现逾期、伪冒和中介的可能性。对于不同的模型预测结果实施不同的应对策略，既能更加精确地识别用户风险，又利用人工辅助去探索发现更多的未知风险，并反哺模型，提高预测的精准度。

本发明中涉及所有渠道上授信、借款申请的用户，增大了风险用户的识别范围，大幅提升了反欺诈的风险预警能力。

技术实现要素：

鉴于上述问题，提出了本说明书以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于社交关系网络的用户额度调整方法及装置。

本发明说明书公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

第一方面，本发明说明书提供一种基于用户行为和神经网络的风险控制方法，包括：

利用现有用户数据提取形成用户应用操作的时间序列数据；

基于所述时间序列数据建立风险预测模型；

获取当前用户操作行为信息；

使用所述风险预测模型对所述当前用户进行风险分类及概率识别；

对识别为风险的用户进行人工核实。

在本公开的一种示例性实施例中，所述利用现有用户数据提取形成用户应用操作的时间序列数据，包括：

提取现有用户数据；

基于所述现有用户数据，形成用户应用操作的时间序列数据。

在本公开的一种示例性实施例中，所述基于所述时间序列数据建立风险预测模型，包括：

获得所述时间序列数据；

建立风险预测模型，所述风险预测模型为lstm+attention风险预测模型。

在本公开的一种示例性实施例中，所述基于所述时间序列数据建立风险预测模型，包括：

生成不同风险类型用户的概率；

计算现有用户逾期的第一概率、计算现有用户可能是中介的第二概率、计算现有用户可能是伪冒用户的第三概率。

在本公开的一种示例性实施例中，所述基于所述时间序列数据建立风险预测模型包括：

分别获取现有用户的第一概率、第二概率、第三概率的阈值。

在本公开的一种示例性实施例中，所述获取当前用户操作行为信息，包括：

获取当前用户的授信申请；

确认所述当前用户的授信申请到达的时间点；

生成所述时间点为最后时间点的当前用户时间序列数据。

在本公开的一种示例性实施例中，所述使用所述风险预测模型对所述当前用户进行风险分类及概率识别，包括：

将所述当前用户时间序列数据输入所述风险预测模型；

计算所述当前用户的第一概率、第二概率、第三概率；

通过判断所述当前用户的第一概率、第二概率、第三概率是否对应属于所述现有用户的第一概率、第二概率、第三概率的阈值范围以识别当前用户的风险；

所述当前用户的第一概率或第二概率或第三概率对应属于所述现有用户的第一概率或第二概率或第三概率的阈值范围；

拒绝当前用户授信申请。

在本公开的一种示例性实施例中，所述对识别为风险的用户进行人工核实，包括：

将被拒绝授信申请的当前用户的用户信息发送至人工；

迭代更新所述lstm+attention风险预测模型。

第二方面，本发明说明书提供一种基于用户行为和神经网络的风险控制装置，包括：

第一获得模块：用于利用现有用户数据提取形成用户应用操作的时间序列数据；

建立风险预测模型模块：用于基于所述时间序列数据建立风险预测模型；

第二获得模块：用于获取当前用户操作行为信息；

风险识别模块：用于使用所述风险预测模型对所述当前用户进行风险分类及概率识别；

人工核实模块：用于对识别为风险用户进行人工核实。

在本公开的一种示例性实施例中，所述第一获得模块，包括：

提取现有用户数据；

基于所述现有用户数据，形成用户应用操作的时间序列数据。

在本公开的一种示例性实施例中，所述建立风险预测模型模块，包括：

获得所述时间序列数据；

建立风险预测模型，所述风险预测模型为lstm+attention风险预测模型。

在本公开的一种示例性实施例中，所述建立风险预测模型模块，包括：

生成不同风险类型用户的概率；

计算现有用户逾期的第一概率、计算现有用户可能是中介的第二概率、计算现有用户可能是伪冒用户的第三概率。

在本公开的一种示例性实施例中，所述建立风险预测模型模块包括：

分别获取现有用户的第一概率、第二概率、第三概率的阈值。

在本公开的一种示例性实施例中，所述第二获得模块，包括：

获取当前用户的授信申请；

确认所述当前用户的授信申请到达的时间点；

生成所述时间点为最后时间点的当前用户时间序列数据。

在本公开的一种示例性实施例中，所述风险识别模块，包括：

将所述当前用户时间序列数据输入所述风险预测模型；

计算所述当前用户的第一概率、第二概率、第三概率；

通过判断所述当前用户的第一概率、第二概率、第三概率是否对应属于所述现有用户的第一概率、第二概率、第三概率的阈值范围以识别当前用户的风险；

所述当前用户的第一概率或第二概率或第三概率对应属于所述现有用户的第一概率或第二概率或第三概率的阈值范围；

拒绝当前用户授信申请。

在本公开的一种示例性实施例中，所述人工核实模块，包括：

将被拒绝授信申请的当前用户的用户信息发送至人工；

迭代更新所述lstm+attention风险预测模型。

第三方面，本发明说明书提供一种服务器，包括处理器和存储器：

所述存储器用于存储执行上述任一项所述方法的程序；

所述处理器被配置为用于执行所述存储器中存储的程序。

第四方面，本发明说明书实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。

本发明利用公司数据库存储的大量用户信息，构建用户app操作的时间序列数据，依此建立lstm+attention风险预测模型，预测用户出现逾期、伪冒和中介的可能性。对于不同的模型预测结果实施不同的应对策略，既能更加精确地识别用户风险，又利用人工辅助去探索发现更多的未知风险，并反哺模型，提高预测的精准度。

附图说明

为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚，下面将参照附图详细描述本发明的具体实施例。但需声明的是，下面描述的附图仅仅是本发明本发明示例性实施例的附图，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他实施例的附图。

图1是根据一示例性实施例示出的一种基于用户行为和神经网络的风险控制的流程图。

图2是根据另一示例性实施例示出的一种基于用户行为和神经网络的风险控制装置的框图。

图3为本说明书实施例提供的一种电子设备的结构示意图；

图4为本说明书实施例提供的一种计算机可读介质的原理示意图。

具体实施方式

现在将参考附图更全面地描述本发明的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例能够使得本发明更加全面和完整，更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分，因而将省略对它们的重复描述。

在符合本发明的技术构思的前提下，在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。

在对于具体实施例的描述中，本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但这不应受这些定语限制。这些定语乃是用以区分一者与另一者。例如，第一器件亦可称为第二器件而不偏离本发明实质的技术方案。

术语“和/或”或者“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。

本发明提供了一种基于用户行为和神经网络的风险控制方法，用于解决现有技术中人工调查整体数据源和策略模式较为单一，对于未知风险的应对能力较差的现状，为了解决上述问题，本发明的总体思路如下：

基于用户行为和神经网络的风险控制方法，包括：

利用现有用户数据提取形成用户应用操作的时间序列数据；

基于所述时间序列数据建立风险预测模型；

获取当前用户操作行为信息；

使用所述风险预测模型对所述当前用户进行风险分类及概率识别；

对识别为风险的用户进行人工核实。

本实施例的方法利用公司数据库存储的大量用户信息，构建用户操作的时间序列数据，依此建立风险预测模型，预测用户出现逾期、伪冒和中介的可能性。对于不同的模型预测结果实施不同的应对策略，既能更加精确地识别用户风险，又利用人工辅助去探索发现更多的未知风险，并反哺模型，提高预测的精准度。

下面，通过几个具体的实施例对本发明的技术方案进行详细介绍和说明。

见图1，基于用户行为和神经网络的风险控制方法，包括：

s101：利用现有用户数据提取形成用户应用操作的时间序列数据；

所述利用现有用户数据提取形成用户应用操作的时间序列数据，包括：

提取现有用户数据；

基于所述现有用户数据，形成用户应用操作的时间序列数据。

s102：基于所述时间序列数据建立风险预测模型；

所述基于所述时间序列数据建立风险预测模型，包括：

获得所述时间序列数据；

建立风险预测模型，所述风险预测模型为lstm+attention风险预测模型；

生成不同风险类型用户的概率；

计算现有用户逾期的第一概率、计算现有用户可能是中介的第二概率、计算现有用户可能是伪冒用户的第三概率；

分别获取现有用户的第一概率、第二概率、第三概率的阈值。

s103：获取当前用户操作行为信息；

所述获取当前用户操作行为信息，包括：

获取当前用户的授信申请；

确认所述当前用户的授信申请到达的时间点；

生成所述时间点为最后时间点的当前用户时间序列数据。

s104：使用所述风险预测模型对所述当前用户进行风险分类及概率识别；

所述使用所述风险预测模型对所述当前用户进行风险分类及概率识别，包括：

将所述当前用户时间序列数据输入所述风险预测模型；

计算所述当前用户的第一概率、第二概率、第三概率；

通过判断所述当前用户的第一概率、第二概率、第三概率是否对应属于所述现有用户的第一概率、第二概率、第三概率的阈值范围以识别当前用户的风险；

所述当前用户的第一概率或第二概率或第三概率对应属于所述现有用户的第一概率或第二概率或第三概率的阈值范围；

拒绝当前用户授信申请。

s105：对识别为风险的用户进行人工核实；

所述对识别为风险的用户进行人工核实，包括：

将被拒绝授信申请的当前用户的用户信息发送至人工；

迭代更新所述lstm+attention风险预测模型。

例如：当用户a在手机端确认授信申请(或者确认借款)时，系统根据确认申请(或确认借款)的时间点，传入该时间点前一段时间内的用户app操作数据和部分的用户其他信息。将源数据按照预定的程序整合并预处理后，传入模型。用lstm+attention风险预测模型确定用户a出现逾期、伪冒和中介的可能性。对比已经设定的三个阈值m1，m2，m3，如果预测的用户a的逾期概率超出m1或者伪冒概率超出m2或者中介概率超出m3，则拒绝用户授信申请(或借款申请)并传递相应风险给人工，人工去核实具体情况并补全相关信息，如果都低于设定的三个阈值，则在该条规则下通过。随着案件的积累，总结对比案件信息，更新数据预处理的方式，并迭代模型。

上述方法，使得本发明达到了以下的技术效果：

(1)本系统从用户操作层面感知用户风险，对已有风险作出更精准判断；

(2)本系统数据来源于公司内部用户操作行为数据，降低了对外部资信的依赖，节约了资金成本；

(3)本系统使用rnn模型深度挖掘用户操作行为，结合人工分析，可以发现未知风险，提前作出合理的应对。不断迭代优化模型，衍生出新的变量辅助公司其他业务。

本领域技术人员可以理解，实现上述实施例的全部或部分步骤被实现为由计算机数据处理设备执行的程序(计算机程序)。在该计算机程序被执行时，可以实现本发明提供的上述方法。而且，所述的计算机程序可以存储于计算机可读存储介质中，该存储介质可以是磁盘、光盘、rom、ram等可读存储介质，也可以是多个存储介质组成的存储阵列，例如磁盘或磁带存储阵列。所述的存储介质不限于集中式存储，其也可以是分布式存储，例如基于云计算的云存储。

下面描述本发明的装置实施例，该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节，应视为对于上述方法实施例的补充；对于在本发明装置实施例中未披露的细节，可以参照上述方法实施例来实现。

如图2，基于关系网络的欺诈风险识别的装置，包括：

第一获得模块201，包括：

提取现有用户数据；

基于所述现有用户数据，形成用户应用操作的时间序列数据。

建立风险预测模型模块202，包括：

获得所述时间序列数据；

建立风险预测模型，所述风险预测模型为lstm+attention风险预测模型。

生成不同风险类型用户的概率；

计算现有用户逾期的第一概率、计算现有用户可能是中介的第二概率、计算现有用户可能是伪冒用户的第三概率；

分别获取现有用户的第一概率、第二概率、第三概率的阈值。

第二获得模块203，包括：

获取当前用户的授信申请；

确认所述当前用户的授信申请到达的时间点；

生成所述时间点为最后时间点的当前用户时间序列数据。

风险识别模块204，包括：

将所述当前用户时间序列数据输入所述风险预测模型；

计算所述当前用户的第一概率、第二概率、第三概率；

通过判断所述当前用户的第一概率、第二概率、第三概率是否对应属于所述现有用户的第一概率、第二概率、第三概率的阈值范围以识别当前用户的风险；

所述当前用户的第一概率或第二概率或第三概率对应属于所述现有用户的第一概率或第二概率或第三概率的阈值范围；

拒绝当前用户授信申请。

人工核实模块205，包括：

将被拒绝授信申请的当前用户的用户信息发送至人工；

迭代更新所述lstm+attention风险预测模型。

本领域技术人员可以理解，上述装置实施例中的各模块可以按照描述分布于装置中，也可以进行相应变化，分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。

图3是根据本发明的一种电子设备的示例性实施例的结构框图。下面参照图3来描述根据本发明该实施例的的电子设备300。图3显示的电子设备300仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图3所示，电子设备300以通用计算设备的形式表现。电子设备300的组件可以包括但不限于：至少一个处理单元310、至少一个存储单元320、连接不同系统组件(包括存储单元320和处理单元310)的总线330、显示单元340等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元310执行，使得所述处理单元310执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元310可以执行如图3所示的步骤。

所述存储单元320可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)3201和/或高速缓存存储单元3202，还可以进一步包括只读存储单元(rom)3203。

所述存储单元320还可以包括具有一组(至少一个)程序模块3205的程序/实用工具3204，这样的程序模块3205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线330可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备300也可以与一个或多个外部设备400(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备300能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口350进行。并且，电子设备300还可以通过网络适配器360与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。网络适配器360可以通过总线330与电子设备300的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备300使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读的存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法，即：

本发明利用公司数据库存储的大量用户信息，构建用户操作的时间序列数据，依此建立风险预测模型，预测用户出现逾期、伪冒和中介的可能性。对于不同的模型预测结果实施不同的应对策略，既能更加精确地识别用户风险，又利用人工辅助去探索发现更多的未知风险，并反哺模型，提高预测的精准度。

图4为本说明书实施例提供的一种计算机可读介质的原理示意图。

所述计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

综上所述，本发明可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。