风险控制系统及方法与流程

1.本发明属于风险控制技术领域，涉及一种风险控制系统，尤其涉及一种基于用户类别的风险控制系统及方法。


背景技术：

2.随着时代的发展，风控领域技术的信息化、模型化、智能化程度越来越高。通过ai决策可有效利用大数据，从而提高客户信用评级方面的效率和风控能力。
3.现有的风险控制方式通常是利用一个不断完善的风险控制模型对所有用户进行风险评估；由于未针对用户分类，导致计算过程较为复杂，耗费的时间较长，而精准度也有待提高。
4.有鉴于此，如今迫切需要设计一种新的风险控制方式，以便克服现有风险控制方式存在的上述至少部分缺陷。


技术实现要素：

5.本发明提供一种风险控制系统及方法，可提高风险控制的准确性及效率。
6.为解决上述技术问题，根据本发明的一个方面，采用如下技术方案：
7.一种风险控制系统，所述风险控制系统包括：
8.风险控制模型构建模块，用以构建若干风险控制模型；每个风险控制模型对各类别用户具有对应的精准度；
9.用户信息获取模块，用以获取用户信息；
10.用户分类模块，用以根据所述用户信息获取模块获取的用户信息对对应用户进行分类；
11.风险分析模块，用以根据所述用户分类模块对用户进行的分类数据为其分配对应的风险控制模型，从而对对应用户的风险进行分析；
12.回溯模块，用以将用户的风险结果反馈至所述风险控制模型构建模块，所述风险控制模型构建模块以此做如下之一的调整：
①
调整对应的风险控制模型；
②
调整用户分类方式；
③
调整每个风险控制模型对各类别用户具有对应的精准度；
13.所述风险控制模型构建模块包括：训练单元及测试单元；
14.训练单元，用以对训练数据集中的数据进行特征提取，根据标签及经过特征提取的训练数据利用机器学习算法进行学习，得到风险控制模型；
15.测试单元，用以对测试数据集中的数据进行特征提取，对经过特征提取的测试数据利用所述训练单元训练得到的风险控制模型进行测试，得到预测标签。
16.所述用户分类模块根据用户信息将用户分为若干分类；
17.所述风险分析模块按照用户的若干分类为其分配对应的若干风险控制模型，得到若干风险数据；根据得到的若干风险数据对所述用户进行最终评估：若根据该用户对应的精准度最高的风险控制模型得到的风险数据符合第一风险阈值范围，则评估存在风险；若
根据该用户对应的若干风险控制模型得到的风险数据中存在符合第二风险阈值范围的风险数据，则评估存在风险。
18.根据本发明的另一个方面，采用如下技术方案：一种风险控制系统，所述风险控制系统包括：
19.风险控制模型构建模块，用以构建若干风险控制模型；每个风险控制模型对各类别用户具有对应的精准度；
20.用户信息获取模块，用以获取用户信息；
21.用户分类模块，用以根据所述用户信息获取模块获取的用户信息对对应用户进行分类；
22.风险分析模块，用以根据所述用户分类模块对用户进行的分类数据为其分配对应的风险控制模型，从而对对应用户的风险进行分析；
23.回溯模块，用以将用户的风险结果反馈至所述风险控制模型构建模块，所述风险控制模型构建模块以此做如下之一的调整：
①
调整对应的风险控制模型；
②
调整用户分类方式；
③
调整每个风险控制模型对各类别用户具有对应的精准度。
24.作为本发明的一种实施方式，所述风险控制模型构建模块包括：
25.训练单元，用以对训练数据集中的数据进行特征提取，根据标签及经过特征提取的训练数据利用机器学习算法进行学习，得到风险控制模型；
26.测试单元，用以对测试数据集中的数据进行特征提取，对经过特征提取的测试数据利用所述训练单元训练得到的风险控制模型进行测试，得到预测标签。
27.作为本发明的一种实施方式，所述用户分类模块根据用户信息将用户分为若干分类；
28.所述风险分析模块按照用户的若干分类为其分配对应的若干风险控制模型，得到若干风险数据；根据得到的若干风险数据对所述用户进行最终评估：若根据该用户对应的精准度最高的风险控制模型得到的风险数据符合第一风险阈值范围，则评估存在风险；若根据该用户对应的若干风险控制模型得到的风险数据中存在符合第二风险阈值范围的风险数据，则评估存在风险。
29.根据本发明的又一个方面，采用如下技术方案：一种风险控制方法，所述风险控制方法包括：
30.风险控制模型构建步骤，通过风险控制模型构建模块构建若干风险控制模型；每个风险控制模型对各类别用户具有对应的精准度；
31.用户信息获取步骤，获取用户信息；
32.用户分类步骤，根据所述用户信息获取步骤获取的用户信息对对应用户进行分类；
33.风险分析步骤，根据所述用户分类步骤对用户进行的分类数据为其分配对应的风险控制模型，从而对对应用户的风险进行分析；
34.回溯步骤，将用户的风险结果反馈至风险控制模型构建模块，风险控制模型构建模块以此做如下之一的调整：
①
调整对应的风险控制模型；
②
调整用户分类方式；
③
调整每个风险控制模型对各类别用户具有对应的精准度；
35.所述风险控制模型构建步骤包括：
36.训练步骤，对训练数据集中的数据进行特征提取，根据标签及经过特征提取的训练数据利用机器学习算法进行学习，得到风险控制模型；
37.测试步骤，对测试数据集中的数据进行特征提取，对经过特征提取的测试数据利用所述训练单元训练得到的风险控制模型进行测试，得到预测标签；
38.所述用户分类步骤中，根据用户信息将用户分为若干分类；
39.所述风险分析步骤中，按照用户的若干分类为其分配对应的若干风险控制模型，得到若干风险数据；根据得到的若干风险数据对所述用户进行最终评估：若根据该用户对应的精准度最高的风险控制模型得到的风险数据符合第一风险阈值范围，则评估存在风险；若根据该用户对应的若干风险控制模型得到的风险数据中存在符合第二风险阈值范围的风险数据，则评估存在风险。
40.根据本发明的又一个方面，采用如下技术方案：一种风险控制方法，所述风险控制方法包括：
41.风险控制模型构建步骤，通过风险控制模型构建模块构建若干风险控制模型；每个风险控制模型对各类别用户具有对应的精准度；
42.用户信息获取步骤，获取用户信息；
43.用户分类步骤，根据所述用户信息获取步骤获取的用户信息对对应用户进行分类；
44.风险分析步骤，根据所述用户分类步骤对用户进行的分类数据为其分配对应的风险控制模型，从而对对应用户的风险进行分析；
45.回溯步骤，将用户的风险结果反馈至风险控制模型构建模块，风险控制模型构建模块以此做如下之一的调整：
①
调整对应的风险控制模型；
②
调整用户分类方式；
③
调整每个风险控制模型对各类别用户具有对应的精准度。
46.作为本发明的一种实施方式，所述风险控制模型构建步骤包括：
47.训练步骤，对训练数据集中的数据进行特征提取，根据标签及经过特征提取的训练数据利用机器学习算法进行学习，得到风险控制模型；
48.测试步骤，对测试数据集中的数据进行特征提取，对经过特征提取的测试数据利用所述训练单元训练得到的风险控制模型进行测试，得到预测标签。
49.作为本发明的一种实施方式，所述用户分类步骤中，根据用户信息将用户分为若干分类；
50.所述风险分析步骤中，按照用户的若干分类为其分配对应的若干风险控制模型，得到若干风险数据；根据得到的若干风险数据对所述用户进行最终评估：若根据该用户对应的精准度最高的风险控制模型得到的风险数据符合第一风险阈值范围，则评估存在风险；若根据该用户对应的若干风险控制模型得到的风险数据中存在符合第二风险阈值范围的风险数据，则评估存在风险。
51.本发明的有益效果在于：本发明提出的风险控制系统及方法，可提高风险控制的准确性及效率。
附图说明
52.图1为本发明一实施例中风险控制系统的组成示意图。
53.图2为本发明一实施例中风险控制方法的流程图。
具体实施方式
54.下面结合附图详细说明本发明的优选实施例。
55.为了进一步理解本发明，下面结合实施例对本发明优选实施方案进行描述，但是应当理解，这些描述只是为进一步说明本发明的特征和优点，而不是对本发明权利要求的限制。
56.该部分的描述只针对几个典型的实施例，本发明并不仅局限于实施例描述的范围。相同或相近的现有技术手段与实施例中的一些技术特征进行相互替换也在本发明描述和保护的范围内。
57.说明书中各个实施例中的步骤的表述只是为了方便说明，本技术的实现方式不受步骤实现的顺序限制。说明书中的“连接”既包含直接连接，也包含间接连接。
58.本发明揭示了一种风险控制系统，图1为本发明一实施例中风险控制系统的组成示意图；请参阅图1，所述风险控制系统包括：风险控制模型构建模块1、用户信息获取模块2、用户分类模块3、风险分析模块4及回溯模块5。
59.所述风险控制模型构建模块1用以构建若干风险控制模型；每个风险控制模型对各类别用户具有对应的精准度；
60.所述用户信息获取模块2用以获取用户信息；
61.所述用户分类模块3用以根据所述用户信息获取模块2获取的用户信息对对应用户进行分类；
62.所述风险分析模块4用以根据所述用户分类模块3对用户进行的分类数据为其分配对应的风险控制模型，从而对对应用户的风险进行分析；
63.所述回溯模块5用以将用户的风险结果反馈至所述风险控制模型构建模块1，所述风险控制模型构建模块1以此做如下之一的调整：
①
调整对应的风险控制模型；
②
调整用户分类方式；
③
调整每个风险控制模型对各类别用户具有对应的精准度。
64.在本发明的一实施例中，所述风险控制模型构建模块包括：训练单元及测试单元。
65.所述训练单元11用以对训练数据集中的数据进行特征提取，根据标签及经过特征提取的训练数据利用机器学习算法进行学习，得到风险控制模型；
66.所述测试单元12用以对测试数据集中的数据进行特征提取，对经过特征提取的测试数据利用所述训练单元训练得到的风险控制模型进行测试，得到预测标签。
67.在本发明的一实施例中，所述用户分类模块3根据用户信息将用户分为若干分类。
68.所述风险分析模块4按照用户的若干分类为其分配对应的若干风险控制模型，得到若干风险数据；根据得到的若干风险数据对所述用户进行最终评估：若根据该用户对应的精准度最高的风险控制模型得到的风险数据符合第一风险阈值范围，则评估存在风险；若根据该用户对应的若干风险控制模型得到的风险数据中存在符合第二风险阈值范围的风险数据，则评估存在风险。
69.本发明进一步揭示一种风险控制方法，图2为本发明一实施例中风险控制方法的流程图；请参阅图2，所述风险控制方法包括：
70.【步骤s1】风险控制模型构建步骤，通过风险控制模型构建模块构建若干风险控制
模型；每个风险控制模型对各类别用户具有对应的精准度；
71.在本发明的一实施例中，所述风险控制模型构建步骤包括：
72.训练步骤，对训练数据集中的数据进行特征提取，根据标签及经过特征提取的训练数据利用机器学习算法进行学习，得到风险控制模型；
73.测试步骤，对测试数据集中的数据进行特征提取，对经过特征提取的测试数据利用所述训练单元训练得到的风险控制模型进行测试，得到预测标签。
74.【步骤s2】用户信息获取步骤，获取用户信息；
75.【步骤s3】用户分类步骤，根据所述用户信息获取步骤获取的用户信息对对应用户进行分类；
76.【步骤s4】风险分析步骤，根据所述用户分类步骤对用户进行的分类数据为其分配对应的风险控制模型，从而对对应用户的风险进行分析；
77.【步骤s5】回溯步骤，将用户的风险结果反馈至风险控制模型构建模块，风险控制模型构建模块以此做如下之一的调整：
①
调整对应的风险控制模型；
②
调整用户分类方式；
③
调整每个风险控制模型对各类别用户具有对应的精准度。
78.在本发明的一实施例中，所述用户分类步骤中，根据用户信息将用户分为若干分类。
79.所述风险分析步骤中，按照用户的若干分类为其分配对应的若干风险控制模型，得到若干风险数据；根据得到的若干风险数据对所述用户进行最终评估：若根据该用户对应的精准度最高的风险控制模型得到的风险数据符合第一风险阈值范围，则评估存在风险；若根据该用户对应的若干风险控制模型得到的风险数据中存在符合第二风险阈值范围的风险数据，则评估存在风险。
80.综上所述，本发明提出的风险控制系统及方法，可提高风险控制的准确性及效率。
81.需要注意的是，本技术可在软件和/或软件与硬件的组合体中被实施；例如，可采用专用集成电路(asic)、通用目的计算机或任何其他类似硬件设备来实现。在一些实施例中，本技术的软件程序可以通过处理器执行以实现上文步骤或功能。同样地，本技术的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中；例如，ram存储器，磁或光驱动器或软磁盘及类似设备。另外，本技术的一些步骤或功能可采用硬件来实现；例如，作为与处理器配合从而执行各个步骤或功能的电路。
82.以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
83.这里本发明的描述和应用是说明性的，并非想将本发明的范围限制在上述实施例中。实施例中所涉及的效果或优点可因多种因素干扰而可能不能在实施例中体现，对于效果或优点的描述不用于对实施例进行限制。这里所披露的实施例的变形和改变是可能的，对于那些本领域的普通技术人员来说实施例的替换和等效的各种部件是公知的。本领域技术人员应该清楚的是，在不脱离本发明的精神或本质特征的情况下，本发明可以以其它形式、结构、布置、比例，以及用其它组件、材料和部件来实现。在不脱离本发明范围和精神的情况下，可以对这里所披露的实施例进行其它变形和改变。