风控策略切换方法、装置、计算机设备和存储介质与流程

1.本技术涉及风险识别技术领域，特别是涉及一种风控策略切换方法、装置、计算机设备和存储介质。


背景技术：

2.随着经济水平的不断提高，企业之间的交易愈加频繁，单笔数额也愈加庞大；企业为了保证交易安全，会根据业务需要对有意向进行交易合作的对象进行风险预判，以免造成不必要的损失。
3.传统的风险控制通常是在作出交易决定之前，由人工预先从多种途径收集对象信息并进行整合；根据之前的风控经验，基于整合后的信息作出风险判断，根据判断结果决定是否与该对象交易。但这种风险控制方式过于依赖有关人员的经验，同时有关人员不能根据对象经营环境的变化及时做出不同风控策略的调整，因此现有的风险控制方法尤其是风控策略切换方式的时效性较差，且准确性较低。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种风控策略切换方法、装置、计算机设备和存储介质。
5.一种风控策略切换方法，所述方法包括：
6.获取待识别对象的自学习特征数据集；
7.将所述待识别对象的自学习特征数据集输入预先构建的风控模型，得到所述待识别对象的风控预测值；所述预先构建的风控模型是多个预设风控模型中准确度最高的预设风控模型；多个所述预设风控模型均基于样本自学习特征数据集训练得到；
8.根据所述待识别对象的风控预测值，确定与所述待识别对象对应的目标风控策略；
9.若所述待识别对象的当前风控策略与所述目标风控策略不同，则将所述待识别对象的当前风控策略切换为所述目标风控策略。
10.在其中一个实施例中，所述待识别对象的自学习特征数据集，通过以下方式获得：
11.获取所述待识别对象在预设周期内的商业公开信息以及物流特征信息；
12.从所述商业公开信息以及所述物流特征信息中提取出与所述预设风控规则对应的数据，作为所述待识别对象的自学习特征数据集。
13.在其中一个实施例中，所述物流特征信息包括以所述待识别对象为核心的物流特征关系网；所述物流特征关系网基于所述待识别对象与其他对象的物流交互行为确定。
14.在其中一个实施例中，所述根据所述待识别对象的风控预测值，确定与所述待识别对象对应的目标风控策略，包括：
15.根据所述待识别对象的风控预测值与预设风控预测阈值的大小关系，确定出所述待识别对象的风控角色；
16.获取与所述待识别对象的风控角色对应的风控策略集；所述风控策略集中包括至少一个与所述风控角色对应的风控策略；
17.根据所述风控预测值，从与所述待识别对象的风控角色对应的风控策略集中选取与所述风控预测值相对应的风控策略作为与所述待识别对象对应的目标风控策略。
18.在其中一个实施例中，所述根据所述风控预测值，从与所述待识别对象的风控角色对应的风控策略集中选取与所述风控预测值相对应的风控策略作为与所述待识别对象对应的目标风控策略，包括：
19.获取所述风控策略集中预先设置的风控策略等级表；所述风控策略等级表记载有多个所述风控策略与所述风控预测值之间的对应关系；
20.从所述预设风控策略等级表中，根据所述对应关系确定出与所述待识别对象的风控预测值匹配的风控策略作为所述目标风控策略。
21.在其中一个实施例中，所述预先构建的风控模型通过以下方法获得：
22.根据所述样本自学习特征数据集，构建训练数据集以及验证数据集；
23.根据所述训练数据集对多个所述预设风控模型进行训练，得到多个训练后的预设风控模型；
24.根据所述验证数据集对多个所述训练后的预设风控模型进行验证，根据验证结果从多个所述训练后的预设风控模型中确定出所述预先构建的风控模型。
25.在其中一个实施例中，所述验证数据集携带有标签信息；
26.所述根据所述验证数据集对多个所述训练后的预设风控模型进行验证，包括：
27.将携带有标签信息的所述验证数据集输入多个所述预设风控模型，得到多个所述预设风控模型确定出的预测结果；
28.根据所述标签信息以及所述预测结果，生成与各个所述预设风控模型对应的混淆矩阵；
29.根据所述混淆矩阵确定出各个所述预设风控模型的准确度，将所述准确度最高的预设风控模型作为所述预先构建的风控模型。
30.一种风控策略切换装置，所述装置包括：
31.数据获取模块，用于获取待识别对象的自学习特征数据集；
32.风控预测模块，用于将所述待识别对象的自学习特征数据集输入预先构建的风控模型，得到所述待识别对象的风控预测值；所述预先构建的风控模型是多个预设风控模型中准确度最高的预设风控模型；多个所述预设风控模型均基于样本自学习特征数据集训练得到；
33.策略确定模块，用于根据所述待识别对象的风控预测值，确定与所述待识别对象对应的目标风控策略；
34.策略切换模块，用于若所述待识别对象的当前风控策略与所述目标风控策略不同，则将所述待识别对象的当前风控策略切换为所述目标风控策略。
35.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
36.获取待识别对象的自学习特征数据集；
37.将所述待识别对象的自学习特征数据集输入预先构建的风控模型，得到所述待识
别对象的风控预测值；所述预先构建的风控模型是多个预设风控模型中准确度最高的预设风控模型；多个所述预设风控模型均基于样本自学习特征数据集训练得到；
38.根据所述待识别对象的风控预测值，确定与所述待识别对象对应的目标风控策略；
39.若所述待识别对象的当前风控策略与所述目标风控策略不同，则将所述待识别对象的当前风控策略切换为所述目标风控策略。
40.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
41.获取待识别对象的自学习特征数据集；
42.将所述待识别对象的自学习特征数据集输入预先构建的风控模型，得到所述待识别对象的风控预测值；所述预先构建的风控模型是多个预设风控模型中准确度最高的预设风控模型；多个所述预设风控模型均基于样本自学习特征数据集训练得到；
43.根据所述待识别对象的风控预测值，确定与所述待识别对象对应的目标风控策略；
44.若所述待识别对象的当前风控策略与所述目标风控策略不同，则将所述待识别对象的当前风控策略切换为所述目标风控策略。
45.上述风控策略切换方法、装置、计算机设备和存储介质，方法包括：获取待识别对象的自学习特征数据集；将待识别对象的自学习特征数据集输入预先构建的风控模型，得到待识别对象的风控预测值；预先构建的风控模型是多个预设风控模型中准确度最高的预设风控模型；多个预设风控模型均基于样本自学习特征数据集训练得到；根据待识别对象的风控预测值，确定与待识别对象对应的目标风控策略；若待识别对象的当前风控策略与目标风控策略不同，则将待识别对象的当前风控策略切换为目标风控策略。本技术同时利用多个预设风控模型基于自学习特征数据集对待识别对象进行风控预测，能够提高对待识别对象进行风控预测的准确性；同时能够根据风控预测值的变化及时对待识别对象的当前风控策略进行切换，提高了对待识别对象进行风控的时效性。
附图说明
46.图1为一个实施例中风控策略切换方法的应用环境图；
47.图2为一个实施例中风控策略切换方法的流程示意图；
48.图3为一个实施例中获取待识别对象的自学习特征数据集步骤的流程示意图；
49.图4为一个实施例中确定与待识别对象对应的目标风控策略步骤的流程示意图；
50.图5为一个实施例中选取与风控预测值相对应的风控策略作为与待识别对象对应的目标风控策略步骤的流程示意图；
51.图6为一个实施例中对多个训练后的预设风控模型进行验证步骤的流程示意图；
52.图7为另一个实施例中获得预先构建的风控模型方法的流程示意图；
53.图8为一个实施例中风控策略切换装置的结构框图；
54.图9为一个实施例中计算机设备的内部结构图。
具体实施方式
55.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
56.本技术提供的风控策略切换方法，可以应用于如图1所示的应用环境中。其中，终端11通过网络与服务器12进行通信。服务器12获取终端11发送的待识别对象的自学习特征数据集；服务器12将待识别对象的自学习特征数据集输入预先构建的风控模型，得到待识别对象的风控预测值；预先构建的风控模型是多个预设风控模型中准确度最高的预设风控模型；多个预设风控模型均由服务器12基于样本自学习特征数据集训练得到；服务器12根据待识别对象的风控预测值，确定与待识别对象对应的目标风控策略；若待识别对象的当前风控策略与目标风控策略不同，则服务器12将待识别对象的当前风控策略切换为目标风控策略，并将风控策略切换的信息发送至终端11。
57.其中，终端11可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器12可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
58.需要说明的是，本技术所涉及的数据和信息可以为经用户授权或者经过各方充分授权的数据和信息；数据在进行利用前需经过脱敏处理，数据处理中会进行相应加密处理，所得数据处理结果通常以数值、指标、等级等形式体现，并不与具体的对象信息直接挂钩。
59.在一个实施例中，如图2所示，提供了一种风控策略切换方法，以该方法应用于图1中的服务器12为例进行说明，包括以下步骤：
60.步骤21，获取待识别对象的自学习特征数据集。
61.其中，待识别对象可以是根据风控要求所选取的公司对象或者个人对象。
62.自学习特征数据集是与待识别对象对应的，能够用于对待识别对象进行风控预测，包括商业公开信息和物流特征信息；商业公开信息可以从公开渠道获取，例如国家企业信用信息公示系统等；商业公开信息包括：企业名，法人、最大股东、社会统一信用代码、成立年限、注册资本金、省份、城市、所属行业、企业性质、经营状态、法人/股东变更信息、企业/个人失信行为、行政处罚记录、法律诉讼、企业年报经营数据、纳税数据、企业风险得分等；商业公开信息还包括企业舆情数据，可以从新闻报道、网络社区、消费者言论、投诉平台信息等多种渠道获取。
63.物流特征信息是待识别对象在申请某项业务时，授权数据处理方合理获取并且合理使用权限后所形成的；根据待识别对象所申请具体业务，以及具体业务涉及金额的不同，可以向待识别对象申请临时获取不同程度数据的数据获取权限。待识别对象可以选择向数据处理方提供数据获取权限的数据包括但不限于以下方面，包括待识别对象物流结算信用数据、贷后表现等；其中，物流信息合作年限、对象等级、物流件量、物流费用、对象主要寄送产品、对象已使用产品标签如是否使用仓储、仓储费用、仓储存货价值、是否使用代收货款、代收金额、是否重货对象、是否生鲜专递、对象运费结算账期、费用逾期情况、是否保价、理赔率、退货率等；物流特征信息还包括基于物流信息确定出的关系网数据，关系网数据作为外部反欺诈数据的有效补充，实现关联风险把控；具体可以通过企业物流往来数据，计算目标企业与各物流关系方间的业务关系矩阵，根据业务关系矩阵，确定紧密关系度；结合关系
网内企业风险得分及紧密关系度，加权计算每家企业的在关系网内的得分；贷后表现是已申请贷款企业的贷后表现数据，用于评估对象盈利性，主要包括额度使用率、贷款总金额、利率、当前逾期金额、最大逾期金额、累计逾期次数、最长逾期月数等。
64.具体地，终端选择目标企业作为待识别对象；服务器根据终端选择的待识别对象，通过待识别对象的标识信息，例如识别号、名称等从数据库中获取与待识别对象的标识信息相对应的数据，经过数据清洗、数据整合、权重计算等数据处理步骤，得到自学习特征数据，并进一步形成待识别对象的自学习特征数据集。
65.本步骤通过确定待识别对象，获取与待识别对象有关的数据作为待识别对象的自学习特征数据集，实现了对待识别对象的确定以及相应数据的采集，多种自学习特征数据集使得对待识别对象的风控识别更加准确。
66.步骤22，将待识别对象的自学习特征数据集输入预先构建的风控模型，得到待识别对象的风控预测值；预先构建的风控模型是多个预设风控模型中准确度最高的预设风控模型；多个预设风控模型均基于样本自学习特征数据集训练得到。
67.其中，预设风控模型可以采用多种基于自然语言处理的分类模型，例如逻辑回归、决策树、随机森林、支持向量机等。
68.样本自学习特征数据集是指专门用于训练预设风控模型所采用的样本数据，可以根据待识别对象的类型、风控预测的种类等获取不同类型的样本自学习特征数据集，使得对预设风控模型的训练更贴近对待识别对象的实际风控预测需求。
69.预先构建的风控模型是从多个训练完毕的预设风控模型中按照一定规则选取的，通常是将多个训练完成的预设风控模型中预测效果最好的预设风控模型作为预先构建的风控模型。
70.风控预测值是通过预先构建的风控模型对输入的自学习特征数据集进行相应处理后，根据输出的内容确定出的；风控预测值可以根据终端选择的预测范围、预测指标以及输入的自学习特征数据集类别、大小等进行调整。
71.具体地，服务器首先获取多个预设风控模型，获取样本自学习特征数据集对多个预设风控模型进行逐个或同时的训练；训练完毕后，确定各个预设风控模型的预测准确度，并将预测准确度最高的预设风控模型作为预先构建的风控模型。将待识别对象的自学习特征数据集输入预先构建的风控模型，根据预先构建的风控模型输出的内容得到待识别对象的风控预测值。
72.服务器在将待识别对象的自学习特征数据集输入预先构建的风控模型之前，还可以根据预置的风控规则，对待识别对象的自学习特征数据集进行预处理；具体包括数据清洗加工、特征变量构造、特征变量组合、特征变量衍生等；例如根据物流费用衍生出费用稳定性如近n个月的月均运费、月度运费波动标准差或均值等。预置的风控规则可以由终端根据待识别对象的风控类型进行确定，也可以由待识别对象的历史风控预测记录中获取。
73.本步骤服务器同时利用多个预设风控模型基于自学习特征数据集对待识别对象进行风控预测，能够提高对待识别对象进行风控预测的准确性。
74.步骤23，根据待识别对象的风控预测值，确定与待识别对象对应的目标风控策略。
75.其中，不同的风控预测值对应于不同的风控策略；与待识别对象的风控预测值对应的风控策略为目标风控策略；风控预测值与风控策略的对应关系可以是多种，例如风控
预测值分为多个等级，不同等级对应不同的风控策略。风控预测值不应理解为单独的数值，应为不同指标量化后形成的指标集合。
76.具体地，服务器在得到待识别对象的风控预测值后，获取到多个风控策略，从多个风控策略中根据待识别对象的风控预测值确定出目标风控策略，作为之后对待识别对象执行的风控策略。
77.例如，对待识别对象的风控预测值进行确定，发现该对象属于高风险且低盈利的对象类型，可将该对象识别为“黑名单”对象，并将与该类型对象对应的目标风控策略确定为“黑名单拦截”，即通过拦截的方式不接受或拒绝对象的某类请求。
78.本步骤通过待识别对象的风控预测值，能够确定与待识别对象对应的目标风控策略，实现了对待识别对象进行风控策略的调整，并且对不同的对象执行不同的风控策略，实现了差异化风控策略的布置，降低了风控带来的整体风险。
79.步骤24，若待识别对象的当前风控策略与目标风控策略不同，则将待识别对象的当前风控策略切换为目标风控策略。
80.其中，待识别对象的当前风控策略，是对待识别对象当前正在采用的风控策略；而目标风控策略是接下来需要对待识别对象采用地风控策略。
81.具体地，服务器根据待识别对象的风控预测值确定出目标风控策略a后，获取待识别对象当前正在采用的风控策略；若待识别对象的当前风控策略b与目标风控策略a不一致，则将当前风控策略b切换为目标风控策略a；若确定出目标风控策略b与当前风控策略b一致，则可保持当前风控策略b不变。
82.服务器中还记录有当前风控策略的持续时间，若当前风控策略发生切换，则重新计算当前风控策略切换为目标风控策略的持续时间；同理，若当前风控策略与目标风控策略一致，也可以重新计算当前风控策略的持续时间。持续时间可以用于周期性的进行风控策略的调整；例如每隔30天根据对象的自学习特征数据集重新确定对象的目标风控策略，以实现风控策略的动态、实时调整。
83.本步骤服务器通过比较当前风控策略与目标风控策略，确定出是否需要将待识别对象的当前风控策略切换为目标风控策略，实现了待识别对象的风控策略动态调整。
84.上述风控策略切换方法、装置、计算机设备和存储介质，方法包括：获取待识别对象的自学习特征数据集；将待识别对象的自学习特征数据集输入预先构建的风控模型，得到待识别对象的风控预测值；预先构建的风控模型是多个预设风控模型中准确度最高的预设风控模型；多个预设风控模型均基于样本自学习特征数据集训练得到；根据待识别对象的风控预测值，确定与待识别对象对应的目标风控策略；若待识别对象的当前风控策略与目标风控策略不同，则将待识别对象的当前风控策略切换为目标风控策略。本技术同时利用多个预设风控模型基于自学习特征数据集对待识别对象进行风控预测，能够提高对待识别对象进行风控预测的准确性；同时能够根据风控预测值的变化及时对待识别对象的当前风控策略进行切换，提高了对待识别对象进行风控的时效性。
85.在一个实施例中，如图3所示，待识别对象的自学习特征数据集，通过以下方式获得：
86.步骤31，获取待识别对象在预设周期内的商业公开信息以及物流特征信息；
87.步骤32，从商业公开信息以及物流特征信息中提取出与预设风控规则对应的数
据，作为待识别对象的自学习特征数据集。
88.具体地，预设周期可以根据待识别对象的商业类型进行确定，例如待识别对象为互联网企业，现金流更新较快，企业信息更新较频繁，则预设周期可以适度缩短；若待识别对象为传统实业，现金周期较长，则可以将预设周期适度延长，以适应待识别对象的类型，确保获取到的商业公开信息以及物流特征信息准确。
89.商业公开信息以及物流特征信息由于包含数据极多，需要进行筛选和指标提取；因此服务器会根据预设风控规则，从商业公开信息以及物流特征信息提取对应数据作为待识别对象的自学习特征数据集。
90.本实施例通过获取待识别对象在预设周期内的商业公开信息以及物流特征信息，利用了待识别对象的商业特征，并通过预设周期限制了数据的时效性，保持了待识别对象自学习特征数据集获取的准确性。
91.在一个实施例中，物流特征信息包括以待识别对象为核心的物流特征关系网；物流特征关系网基于待识别对象与其他对象的物流交互行为确定。
92.物流特征信息由数量庞大的对象群体产生的物流信息构成；其中包括了企业与企业即对象与对象间的大量物流特征信息；因此，可以从物流特征信息中梳理出一个以待识别对象为核心的物流特征关系网；例如，待识别对象a在某段时间内与对象b、c、d、e、f存在物流业务上的往来，则以待识别对象为核心的物流特征关系网包括a与b、c、d、e、f的物流往来关系。
93.通过以待识别对象a为核心得到的物流特征关系网，能够追踪到对象b、c、d、e、f，此时，对象b、c、d、e、f的风控指标能够在一定程度上影响到对待识别对象a的风控预测，具体影响大小可以根据待识别对象a在某段时间内与对象b、c、d、e、f的物流往来频次、数额大小等多个数据进行确定。
94.本实施例通过物流特征关系网，能够通过其他存在物流往来的对象情况对待识别对象a作出风控评价，提高了对待识别对象进行风控预测的准确性。
95.在一个实施例中，如图4所示，根据待识别对象的风控预测值，确定与待识别对象对应的目标风控策略，包括：
96.步骤41，根据待识别对象的风控预测值与预设风控预测阈值的大小关系，确定出待识别对象的风控角色；
97.步骤42，获取与待识别对象的风控角色对应的风控策略集；风控策略集中包括至少一个与风控角色对应的风控策略；
98.步骤43，根据风控预测值，从与待识别对象的风控角色对应的风控策略集中选取与风控预测值相对应的风控策略作为与待识别对象对应的目标风控策略。
99.具体地，风控角色可以理解为对待识别对象的直接底层评价，例如异常对象/正常对象，黑名单对象/非黑名单对象等，数量可以为多个也可以为一个，具体可以根据对象的类型，或者风控策略的数量进行设置。
100.相应的，风控策略集是与待识别对象的风控角色所对应的，例如黑名单对象对应的是黑名单风控策略集，而非黑名单对象对应的是正常风控策略集。通过风控角色以及风控角色对应的风控策略集的设置，能够使得服务器在进行风控策略的选择时更加准确快速的对目标风控策略作出确定。
101.风控策略集中都包括至少一个与风控角色对应的风控策略，不同类型的风控策略集中包含的风控策略数量可以不相同；例如，黑名单风控策略集中可以只有一个针对于黑名单对象的拦截策略，而正常风控策略集中可以包括多个与风控预测值对应的风控策略。
102.在一个实施例中，如图5所示，根据风控预测值，从与待识别对象的风控角色对应的风控策略集中选取与风控预测值相对应的风控策略作为与待识别对象对应的目标风控策略，包括：
103.步骤51，获取风控策略集中预先设置的风控策略等级表；风控策略等级表记载有多个风控策略与风控预测值之间的对应关系；
104.步骤52，从预设风控策略等级表中，根据对应关系确定出与待识别对象的风控预测值匹配的风控策略作为目标风控策略。
105.具体地，风控策略集中预先设置有的风控策略等级表；记载了风控策略与风控预测值之间的对应关系，例如a指标为风险预测指标，其风控预测值为95，风控策略等级表中记载了风控预测值0-20为低风险宽松风控策略，20-60为第一中风险通用风控策略，60-100为第二中风险通用风控策略，100-120为高风险严格风控策略，则a指标的风控预测值为100与第二中风险通用风控策略，则将第二中风险通用风控策略作为目标风控策略。
106.在一个实施例中，如图6所示，预先构建的风控模型通过以下方法获得：
107.步骤61，根据样本自学习特征数据集，构建训练数据集以及验证数据集；
108.步骤62，根据训练数据集对多个预设风控模型进行训练，得到多个训练后的预设风控模型；
109.步骤63，根据验证数据集对多个训练后的预设风控模型进行验证，根据验证结果从多个训练后的预设风控模型中确定出预先构建的风控模型。
110.具体地，可以通过数据获取模块，收集样本对象的自学习特征数据集，并从中随机取出一定比例的数据作为训练数据集，再取一定比例的数据作为验证数据集；训练数据集用于训练预设风控模型，验证数据集用于评估各个预设风控模型的训练效果，即准确性。
111.在一个实施例中，如图7所示，根据验证数据集对多个训练后的预设风控模型进行验证，包括：
112.步骤71，将携带有标签信息的验证数据集输入多个预设风控模型，得到多个预设风控模型确定出的预测结果；
113.步骤72，根据标签信息以及预测结果，生成与各个预设风控模型对应的混淆矩阵；
114.步骤73，根据混淆矩阵确定出各个预设风控模型的准确度，将准确度最高的预设风控模型作为预先构建的风控模型。
115.具体地，验证数据集中的数据携带有标签信息；根据预设风控模型输出的预测结果以及标签信息可以建立与各个预设风控模型对应的混淆矩阵；在混淆矩阵的基础上能够进一步计算各个预设风控模型的准确度，最后将准确度最高的训练后的预设风控模型作为预先构建的风控模型。
116.例如，样本数据集中携带的标签数据为是否黑名单用户，若是黑名单用户则取1，不是黑名单用户则取0；利用训练数据集sc分别对由逻辑回归、决策树、随机森林、支持向量机组成的多个预设风控模型mi进行训练，结合验证数据集得到混淆矩阵cmi，
117.如表1所示：
[0118][0119]
表1
[0120]
其中，1为黑名单、0为非黑名单；t11为预设风控模型成功预测出为黑名单的数量，t00为成功预测出非黑名单的数量；t01为实际为非黑名单，预设风控模型预测为黑名单的数量，t10为实际为黑名单，预设风控模型预测为非黑名单的数量。
[0121]
预设风控模型的准确度accuracymi为：
[0122]
accuracymi＝(t11+t00)/nsc；
[0123]
其中，nsc为验证数据集sc中的样本数量；accuracymi表示所有被正确预测的用户占整个验证数据集中样本数量的比例。
[0124]
在实际应用中，由于命中黑名单的总体占比偏低，如果占比约为5％，如果一种预设风控模型将全部人都判为非黑名单，其准确率将达到95％，但它会把所有黑名单用户错误地判为非黑名单。
[0125]
为了解决上述问题，还加入如下准确度调整系数的考量：
[0126]
敏感度sensitivitymi＝t11/(t11+t10)，即正例覆盖率；
[0127]
特异性specificitymi＝t00/(t00+t01)，即负例覆盖率；
[0128]
正例命中率positive predictive valuemi＝t11/(t11+t01)，即被预测为黑名单的样本中，预测准确的样本占比；
[0129]
负例命中率negative predictive valuemi＝t00/(t10+t00)，即被预测为非黑名单的样本中，预测准确的样本占比。
[0130]
上述调整系数在实际的训练、验证过程中可以灵活选用，即以提高预设风控模型的准确度为目标。
[0131]
应该理解的是，虽然图2-7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-7中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0132]
在一个实施例中，如图8所示，提供了一种风控策略切换装置，包括：数据获取模块81、风控预测模块82、策略确定模块83和策略切换模块84，其中：
[0133]
数据获取模块81，用于获取待识别对象的自学习特征数据集；
[0134]
风控预测模块82，用于将待识别对象的自学习特征数据集输入预先构建的风控模型，得到待识别对象的风控预测值；预先构建的风控模型是多个预设风控模型中准确度最高的预设风控模型；多个预设风控模型均基于样本自学习特征数据集训练得到；
[0135]
策略确定模块83，用于根据待识别对象的风控预测值，确定与待识别对象对应的目标风控策略；
[0136]
策略切换模块84，用于若待识别对象的当前风控策略与目标风控策略不同，则将
待识别对象的当前风控策略切换为目标风控策略。
[0137]
在其中一个实施例中，数据获取模块81还用于获取待识别对象在预设周期内的商业公开信息以及物流特征信息；从商业公开信息以及物流特征信息中提取出与预设风控规则对应的数据，作为待识别对象的自学习特征数据集。
[0138]
在其中一个实施例中，物流特征信息包括以待识别对象为核心的物流特征关系网；物流特征关系网基于待识别对象与其他对象的物流交互行为确定。
[0139]
在其中一个实施例中，策略确定模块83还用于根据待识别对象的风控预测值与预设风控预测阈值的大小关系，确定出待识别对象的风控角色；获取与待识别对象的风控角色对应的风控策略集；风控策略集中包括至少一个与风控角色对应的风控策略；根据风控预测值，从与待识别对象的风控角色对应的风控策略集中选取与风控预测值相对应的风控策略作为与待识别对象对应的目标风控策略。
[0140]
在其中一个实施例中，策略确定模块83还用于获取风控策略集中预先设置的风控策略等级表；风控策略等级表记载有多个风控策略与风控预测值之间的对应关系；从预设风控策略等级表中，根据对应关系确定出与待识别对象的风控预测值匹配的风控策略作为目标风控策略。
[0141]
在其中一个实施例中，风控策略切换装置中还包括风控模型预先构建模块，用于根据样本自学习特征数据集，构建训练数据集以及验证数据集；根据训练数据集对多个预设风控模型进行训练，得到多个训练后的预设风控模型；根据验证数据集对多个训练后的预设风控模型进行验证，根据验证结果从多个训练后的预设风控模型中确定出预先构建的风控模型。
[0142]
在其中一个实施例中，风控模型预先构建模块还用于将携带有标签信息的验证数据集输入多个预设风控模型，得到多个预设风控模型确定出的预测结果；根据标签信息以及预测结果，生成与各个预设风控模型对应的混淆矩阵；根据混淆矩阵确定出各个预设风控模型的准确度，将准确度最高的预设风控模型作为预先构建的风控模型。
[0143]
关于风控策略切换装置的具体限定可以参见上文中对于风控策略切换方法的限定，在此不再赘述。上述风控策略切换装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0144]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储风控策略切换数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种风控策略切换方法。
[0145]
本领域技术人员可以理解，图9中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0146]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
[0147]
获取待识别对象的自学习特征数据集；
[0148]
将待识别对象的自学习特征数据集输入预先构建的风控模型，得到待识别对象的风控预测值；预先构建的风控模型是多个预设风控模型中准确度最高的预设风控模型；多个预设风控模型均基于样本自学习特征数据集训练得到；
[0149]
根据待识别对象的风控预测值，确定与待识别对象对应的目标风控策略；
[0150]
若待识别对象的当前风控策略与目标风控策略不同，则将待识别对象的当前风控策略切换为目标风控策略。
[0151]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取待识别对象在预设周期内的商业公开信息以及物流特征信息；从商业公开信息以及物流特征信息中提取出与预设风控规则对应的数据，作为待识别对象的自学习特征数据集。
[0152]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据待识别对象的风控预测值与预设风控预测阈值的大小关系，确定出待识别对象的风控角色；获取与待识别对象的风控角色对应的风控策略集；风控策略集中包括至少一个与风控角色对应的风控策略；根据风控预测值，从与待识别对象的风控角色对应的风控策略集中选取与风控预测值相对应的风控策略作为与待识别对象对应的目标风控策略。
[0153]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取风控策略集中预先设置的风控策略等级表；风控策略等级表记载有多个风控策略与风控预测值之间的对应关系；从预设风控策略等级表中，根据对应关系确定出与待识别对象的风控预测值匹配的风控策略作为目标风控策略。
[0154]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据样本自学习特征数据集，构建训练数据集以及验证数据集；根据训练数据集对多个预设风控模型进行训练，得到多个训练后的预设风控模型；根据验证数据集对多个训练后的预设风控模型进行验证，根据验证结果从多个训练后的预设风控模型中确定出预先构建的风控模型。
[0155]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将携带有标签信息的验证数据集输入多个预设风控模型，得到多个预设风控模型确定出的预测结果；根据标签信息以及预测结果，生成与各个预设风控模型对应的混淆矩阵；根据混淆矩阵确定出各个预设风控模型的准确度，将准确度最高的预设风控模型作为预先构建的风控模型。
[0156]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
[0157]
获取待识别对象的自学习特征数据集；
[0158]
将待识别对象的自学习特征数据集输入预先构建的风控模型，得到待识别对象的风控预测值；预先构建的风控模型是多个预设风控模型中准确度最高的预设风控模型；多个预设风控模型均基于样本自学习特征数据集训练得到；
[0159]
根据待识别对象的风控预测值，确定与待识别对象对应的目标风控策略；
[0160]
若待识别对象的当前风控策略与目标风控策略不同，则将待识别对象的当前风控策略切换为目标风控策略。
[0161]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取待识别对象
在预设周期内的商业公开信息以及物流特征信息；从商业公开信息以及物流特征信息中提取出与预设风控规则对应的数据，作为待识别对象的自学习特征数据集。
[0162]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据待识别对象的风控预测值与预设风控预测阈值的大小关系，确定出待识别对象的风控角色；获取与待识别对象的风控角色对应的风控策略集；风控策略集中包括至少一个与风控角色对应的风控策略；根据风控预测值，从与待识别对象的风控角色对应的风控策略集中选取与风控预测值相对应的风控策略作为与待识别对象对应的目标风控策略。
[0163]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取风控策略集中预先设置的风控策略等级表；风控策略等级表记载有多个风控策略与风控预测值之间的对应关系；从预设风控策略等级表中，根据对应关系确定出与待识别对象的风控预测值匹配的风控策略作为目标风控策略。
[0164]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据样本自学习特征数据集，构建训练数据集以及验证数据集；根据训练数据集对多个预设风控模型进行训练，得到多个训练后的预设风控模型；根据验证数据集对多个训练后的预设风控模型进行验证，根据验证结果从多个训练后的预设风控模型中确定出预先构建的风控模型。
[0165]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将携带有标签信息的验证数据集输入多个预设风控模型，得到多个预设风控模型确定出的预测结果；根据标签信息以及预测结果，生成与各个预设风控模型对应的混淆矩阵；根据混淆矩阵确定出各个预设风控模型的准确度，将准确度最高的预设风控模型作为预先构建的风控模型。
[0166]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。
[0167]
以上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。
[0168]
以上各个实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。