风险控制方法、装置、电子设备和存储介质与流程

1.本公开涉及大数据智能分析技术领域，尤其涉及风险控制方法、装置、电子设备和存储介质。


背景技术：

2.随着数字金融业务模式的兴起和移动互联网的发展，越来越多的用户在金融科技的帮助下，通过终端设备(比如手机)办理银行相关业务，比如转账汇款、支付业务、信贷服务、理财服务、外汇、证券和保险信息及交易等等。
3.然而在实际业务场景中，可能会出现一些用户通过终端设备实施恶意行为，给互联网行业和银行金融行业相关公司、单位或个人造成不可估量的损失。
4.因此，出于风险防范的目的，如何实现对用户进行风险控制，是非常重要的。


技术实现要素：

5.本公开提供一种风险控制方法、装置、电子设备和存储介质，以至少在一定程度上解决相关技术中的技术问题之一。本公开的技术方案如下：
6.根据本公开实施例的第一方面，提供一种风险控制方法，包括：
7.获取目标客户端对应的候选行为数据，并从所述候选行为数据中提取多个维度的目标行为数据；
8.根据所述多个维度的目标行为数据，确定所述多个维度对应的第一指标值；
9.获取与所述目标客户端关联的用户属性信息，并确定所述用户属性信息对应的第二指标值；
10.根据所述多个维度的第一指标值和所述第二指标值，确定所述目标客户端对应的目标得分；
11.根据所述目标得分，对所述目标客户端进行风险控制。
12.在本公开实施例的一种可能的实现方式中，所述获取与所述目标客户端关联的用户属性信息，包括：
13.获取所述目标客户端对应的目标登录信息；
14.根据所述目标登录信息，获取登录所述目标客户端的目标用户对应的用户属性信息。
15.在本公开实施例的一种可能的实现方式中，所述根据所述多个维度的目标行为数据，确定所述多个维度对应的第一指标值，包括：
16.采用经过训练的风控模型对所述多个维度的目标行为数据进行指标预测，以得到所述多个维度的第一指标值；
17.其中，所述风控模型已学习到各个维度的行为数据与指标值之间的对应关系。
18.在本公开实施例的一种可能的实现方式中，所述确定所述用户属性信息对应的第二指标值，包括：
19.对所述用户属性信息中的多项属性进行特征提取，以得到所述多项属性对应的属性特征；
20.根据所述多项属性对应的权重，对所述多项属性的属性特征进行融合，以得到融合特征；
21.将所述融合特征输入所述风控模型进行指标预测，以得到所述第二指标值。
22.在本公开实施例的一种可能的实现方式中，所述根据所述多个维度的第一指标值和所述第二指标值，确定所述目标客户端对应的目标得分，包括：
23.针对所述多个维度中的任一维度，获取所述任一维度对应的设定指标值区间；
24.判断所述任一维度的第一指标值是否处于所述任一维度对应的设定指标值区间；
25.在所述任一维度的第一指标值未处于所述任一维度对应的设定指标值区间的情况下，过滤所述任一维度的第一指标值；
26.在所述任一维度的指标值处于所述任一维度对应的设定指标值区间的情况下，保留所述任一维度的第一指标值；
27.根据所述多个维度中保留的各目标维度的第一指标值和所述第二指标值，确定所述目标客户端对应的目标得分。
28.在本公开实施例的一种可能的实现方式中，所述根据所述多个维度中保留的各目标维度的第一指标值和所述第二指标值，确定所述目标客户端对应的目标得分，包括：
29.响应于所述目标维度的个数大于设定个数阈值，获取各所述目标维度对应的第一权重和所述用户属性信息对应的第二权重；
30.根据各所述目标维度对应的第一权重和所述用户属性信息对应的第二权重，对各所述目标维度的第一指标值和所述第二指标值进行加权求和，以得到所述目标客户端对应的目标得分。
31.在本公开实施例的一种可能的实现方式中，所述方法还包括：
32.响应于所述目标维度的个数未大于所述设定个数阈值，则重新获取所述目标客户端对应的候选行为数据；或者，
33.响应于所述目标维度的个数未大于所述设定个数阈值，则从所述候选行为数据中，重新提取多个维度的目标行为数据。
34.在本公开实施例的一种可能的实现方式中，所述获取目标客户端对应的候选行为数据，包括：
35.根据所述目标客户端对应的目标登录信息，获取与所述目标登录信息关联的第一行为数据；
36.获取与所述目标客户端关联的至少一个关联登录信息；
37.获取与各所述关联登录信息关联的第二行为数据；
38.获取采用所述目标登录信息登陆的各关联客户端；
39.获取与各所述关联客户端关联的第三行为数据；
40.根据所述第一行为数据、所述第二行为数据和所述第三行为数据中的至少一项，确定所述候选行为数据。
41.在本公开实施例的一种可能的实现方式中，所述获取目标客户端对应的候选行为数据之后，所述方法还包括：
42.对所述候选行为数据进行预处理；
43.其中，所述预处理包括清洗、集成、归约、变换和标准化处理中的至少一项。
44.在本公开实施例的一种可能的实现方式中，所述根据所述目标得分，对所述目标客户端进行风险控制，包括：
45.根据所述目标得分，从多个设定的风险等级中确定所述目标客户端对应的目标风险等级；
46.根据所述目标风险等级对应的风控策略，对所述目标客户端进行风险控制。
47.根据本公开实施例的第二方面，提供一种风险控制装置，包括：
48.第一处理模块，被配置为获取目标客户端对应的候选行为数据，并从所述候选行为数据中提取多个维度的目标行为数据；
49.第一确定模块，被配置为根据所述多个维度的目标行为数据，确定所述多个维度对应的第一指标值；
50.第二处理模块，用于获取与所述目标客户端关联的用户属性信息，并确定所述用户属性信息对应的第二指标值；
51.第二确定模块，被配置为根据所述多个维度的第一指标值和所述第二指标值，确定所述目标客户端对应的目标得分；
52.控制模块，被配置为根据所述目标得分，对所述目标客户端进行风险控制。
53.在本公开实施例的一种可能的实现方式中，所述第二处理模块，被配置为：
54.获取所述目标客户端对应的目标登录信息；
55.根据所述目标登录信息，获取登录所述目标客户端的目标用户对应的用户属性信息。
56.在本公开实施例的一种可能的实现方式中，所述第一确定模块，被配置为：
57.采用经过训练的风控模型对所述多个维度的目标行为数据进行指标预测，以得到所述多个维度的第一指标值；
58.其中，所述风控模型已学习到各个维度的行为数据与指标值之间的对应关系。
59.在本公开实施例的一种可能的实现方式中，所述第二确定模块，被配置为：
60.对所述用户属性信息中的多项属性进行特征提取，以得到所述多项属性对应的属性特征；
61.根据所述多项属性对应的权重，对所述多项属性的属性特征进行融合，以得到融合特征；
62.将所述融合特征输入所述风控模型进行指标预测，以得到所述第二指标值。
63.在本公开实施例的一种可能的实现方式中，所述第二确定模块，被配置为：
64.针对所述多个维度中的任一维度，获取所述任一维度对应的设定指标值区间；
65.判断所述任一维度的第一指标值是否处于所述任一维度对应的设定指标值区间；
66.在所述任一维度的第一指标值未处于所述任一维度对应的设定指标值区间的情况下，过滤所述任一维度的第一指标值；
67.在所述任一维度的指标值处于所述任一维度对应的设定指标值区间的情况下，保留所述任一维度的第一指标值；
68.根据所述多个维度中保留的各目标维度的第一指标值和所述第二指标值，确定所
述目标客户端对应的目标得分。
69.在本公开实施例的一种可能的实现方式中，所述第二确定模块，被配置为：
70.响应于所述目标维度的个数大于设定个数阈值，获取各所述目标维度对应的第一权重和所述用户属性信息对应的第二权重；
71.根据各所述目标维度对应的第一权重和所述用户属性信息对应的第二权重，对各所述目标维度的第一指标值和所述第二指标值进行加权求和，以得到所述目标客户端对应的目标得分。
72.在本公开实施例的一种可能的实现方式中，所述装置还包括：
73.获取模块，被配置为响应于所述目标维度的个数未大于所述设定个数阈值，则重新获取所述目标客户端对应的候选行为数据；或者，
74.提取模块，被配置为响应于所述目标维度的个数未大于所述设定个数阈值，则从所述候选行为数据中，重新提取多个维度的目标行为数据。
75.在本公开实施例的一种可能的实现方式中，所述第一处理模块，被配置为：
76.根据所述目标客户端对应的目标登录信息，获取与所述目标登录信息关联的第一行为数据；
77.获取与所述目标客户端关联的至少一个关联登录信息；
78.获取与各所述关联登录信息关联的第二行为数据；
79.获取采用所述目标登录信息登陆的各关联客户端；
80.获取与各所述关联客户端关联的第三行为数据；
81.根据所述第一行为数据、所述第二行为数据和所述第三行为数据中的至少一项，确定所述候选行为数据。
82.在本公开实施例的一种可能的实现方式中，所述装置还包括：
83.预处理模块，被配置为对所述候选行为数据进行预处理；
84.其中，所述预处理包括清洗、集成、归约、变换和标准化处理中的至少一项。
85.在本公开实施例的一种可能的实现方式中，所述控制模块，被配置为：
86.根据所述目标得分，从多个设定的风险等级中确定所述目标客户端对应的目标风险等级；
87.根据所述目标风险等级对应的风控策略，对所述目标客户端进行风险控制。
88.根据本公开实施例的第三方面，提供一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现如本公开上述实施例所述的风险控制方法。
89.根据本公开实施例的第四方面，提供一种计算机可读存储介质，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如本公开上述实施例所述的风险控制方法。
90.根据本公开实施例的第五方面，提供一种计算机程序产品，包括：计算机程序，所述计算机程序被处理器执行时实现如本公开上述实施例所述的风险控制方法。
91.本公开的实施例提供的技术方案至少带来以下有益效果：
92.通过获取目标客户端对应的候选行为数据，并从候选行为数据中提取多个维度的目标行为数据；根据多个维度的目标行为数据，确定多个维度对应的第一指标值；获取与目
标客户端关联的用户属性信息，并确定用户属性信息对应的第二指标值；根据多个维度的第一指标值和第二指标值，确定目标客户端对应的目标得分；根据目标得分，对目标客户端进行风险控制。由此，可以实现对候选行为数据进行挖掘，智能地从候选行为数据中提取多个维度的目标行为数据，并根据多个维度的目标行为数据自动确定对应维度的第一指标值，从而可根据多个维度的第一指标值和用户属性信息对应的第二指标值，确定目标客户端对应的目标得分，进而可以根据目标得分自动对目标客户端进行风险控制，可以实现结合多个维度的行为数据和用户属性信息，对目标客户端进行风险控制，可以提高风险控制的全面性和准确性，改善用户的使用体验。
93.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
94.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
95.图1是本公开第一实施例所示出的风险控制方法的流程示意图。
96.图2是本公开第二实施例所示出的风险控制方法的流程示意图。
97.图3是本公开第三实施例所示出的风险控制方法的流程示意图。
98.图4是本公开第四实施例所示出的风险控制方法的流程示意图。
99.图5是本公开第五实施例所示出的风险控制方法的流程示意图。
100.图6是本公开第六实施例所示出的风险控制方法的流程示意图。
101.图7是本公开所提供的风险控制方法的流程示意图。
102.图8是本公开第七实施例所示出的风险控制装置的流程示意图。
103.图9是本公开一示例性实施例所示出的电子设备的结构示意图。
具体实施方式
104.为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
105.需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
106.需要说明的是，本公开技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
107.随着互联网技术和移动互联网技术的迅速发展，各行各业可以通过互联网技术和移动互联网技术及时且方便地为用户提供服务，比如银行金融业可以通过移动终端设备为用户提供支付业务、及时转账业务等。然而在实际的业务场景中，可能会存在一些用户实施恶意行为，比如窃密冒领、频繁下单撤单等等。上述恶意行为可能会给相关公司、单位或个
人造成不可估量的损失，甚至相关公司、单位或个人会因恶意行为牵连法律责任。因此，建立一套完善完整并且智能的风险控制系统显得尤为重要。
108.目前，无论是互联网行业还是银行金融行业，各公司或单位会建立一套自己的风险控制系统。然而在现有的风险控制系统中，仅能识别单一的用户行为，比如，用户频繁下单撤单、密码多次输入错误、多次重复转账等等。一旦风险控制系统监督到用户的这些敏感行为，可能会立刻冻结用户账户，在一定程度上给正常使用的用户带来不便，且风险控制系统识别维度单一，存在很多潜在的漏洞。当风险控制系统的用户行为识别模式单一时，防范恶意行为的有效性低，误判率高，容易引发用户的不满与投诉，甚至会因此造成用户的流失。
109.因此针对上述存在的至少一项问题，本公开提出一种风险控制方法、装置、电子设备和存储介质。
110.下面参考附图描述本公开实施例的风险控制方法、装置、电子设备和存储介质。图1是本公开第一实施例所示出的风险控制方法的流程示意图。
111.本公开实施例以该风险控制方法被配置于风险控制装置中来举例说明，该风险控制装置可以应用于任一电子设备中，以使该电子设备可以执行风险控制功能。
112.其中，电子设备可以为任一具有计算能力的设备，例如可以为个人电脑、移动终端、服务器等，移动终端例如可以为车载设备、手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
113.如图1所示，该风险控制方法可以包括以下步骤s11-步骤s15。
114.在步骤s11中，获取目标客户端对应的候选行为数据，并从候选行为数据中提取多个维度的目标行为数据。
115.在本公开实施例中，目标客户端可以为任意一个客户端。
116.在本公开实施例中，目标客户端对应的候选行为数据可以包括正常行为数据(比如正常的登录行为数据、操作行为数据)、良性行为数据(比如以该方法应用于银行的风险控制场景进行示例，良性行为数据可以为对银行有利的操作行为数据，例如提升银行卡存款的行为数据、银行卡正常消费的行为数据、正常贷款的行为数据、正常还款的行为数据等)、异常行为数据或敏感行为数据(比如密码多次输入错误、同一个客户端切换多个账号、多个不同终端设备中的客户端登录同一账号、终端设备使用代理网络登录账号、ip(internet protocol，网际互连协议)地址频繁切换、银行卡消费时间不在正常消费时间范围内等行为数据)、恶意行为数据(比如、多次重复下单并撤单、贷款逾期不还、信用卡消费不按时还款等行为数据)中的至少一项。
117.作为一种示例，以该方法应用于银行的风控防范场景中进行示例，目标客户端比如可以为该银行的手机银行、某某生活、某某商务等应用对应的客户端，标记登录目标客户端的用户为目标用户，则目标客户端对应的候选行为数据比如可以包括目标用户突发性或偶然性地巨额转账、目标用户所持通信卡所在的终端设备多次切换多个不同账号、同一用户账号在多个不同终端设备登录、密码多次输入错误、目标用户频繁下单撤单、多页面高频往返操作、目标用户与同一账户发生频繁出入账交易、使用代理网络登录、ip地址频繁切换等等行为数据。
118.在本公开实施例中，在获取到目标客户端对应的候选行为数据之后，可以从候选
行为数据中提取多个维度的目标行为数据。其中，每个维度的目标行为数据可以包括至少一个行为数据。
119.在本公开实施例的一种可能的实现方式中，在获取到目标客户端对应的候选行为数据之后，可以对获取到的候选行为数据进行预处理，其中，预处理可以包括清洗、集成、归约、变换和标准化处理中的至少一项，以提高获取得到的候选行为数据的准确性和完整性，从而便于后续的数据处理。
120.其中，清洗，是指对候选行为数据中的缺失数据、异常数据或重复数据等进行处理，主要采用丢弃、填充、替换、去重等操作方法，对候选行为数据进行处理，以实现补足候选行为数据中的缺失数据，去除候选行为数据中的异常数据、冗余数据，纠正候选行为数据中的错误数据等。
121.其中，对候选行为数据进行集成，是指将不同来源、格式、特点性质的候选行为数据在逻辑上或物理上有机地集中。
122.其中，对候选行为数据进行归约，是指从候选行为数据中删除不重要或不相关的信息，最大限度地保留候选行为数据中的有效数据，删除无效或缺失数据等，以保证候选行为数据的完整性。
123.其中，对候选行为数据进行变换，是指对候选行为数据进行规范化处理，其中，变换方法包括特征二值化、行为特征归一化、连续行为特征变化等等。
124.其中，对候选行为数据进行标准化处理，是指将候选行为数据中的一个或者多个特征进行规范化处理，归一到同一个维度。
125.需要说明的是，在从候选行为数据中提取多个维度的目标行为数据时，可以采用至少一种数据分析方法，比如统计分析方法、事例推理方法、决策树分析算法、规则推理方法、模糊集定性比较分析方法、神经网络算法、遗传算法等等，从候选行为数据中提取多个维度的目标行为数据，本公开对此不做限制。
126.在步骤s12中，根据多个维度的目标行为数据，确定多个维度对应的第一指标值。
127.在本公开实施例中，可以根据每个维度的目标行为数据，确定该维度对应的第一指标值。
128.在步骤s13中，获取与目标客户端关联的用户属性信息，并确定用户属性信息对应的第二指标值。
129.在本公开实施例中，用户属性信息，比如可以包括年龄、学历、家庭住址、用户登录地址、职业、存款规模等，本公开对此不做限制。
130.在本公开实施例中，可以获取与目标客户端关联的用户属性信息，即获取登录目标客户端的目标用户对应的用户属性信息，并确定与用户属性信息对应的第二指标值。
131.在步骤s14中，根据多个维度的第一指标值和第二指标值，确定目标客户端对应的目标得分。
132.在本公开实施例中，目标得分可以用于评估或评价目标客户端或登录目标客户端的目标用户的信誉得分或风险得分。其中，目标得分越高，表明登录目标客户端的目标用户的信誉越高，目标得分越高，表明登录目标客户端的目标用户的信誉越低。
133.在本公开实施例中，可以根据多个维度的第一指标值和第二指标值，确定目标用户或目标客户端对应的目标得分。比如，可以对多个维度的第一指标值和第二指标值进行
加权求和，以得到目标得分。
134.在步骤s15中，根据目标得分，对目标客户端进行风险控制。
135.在本公开实施例中，可以根据目标得分，对目标用户和/或目标客户端进行风险控制。比如，可以根据目标得分，调整目标客户端的操作权限、调整目标客户端的转账金额、调整目标客户端的转账次数等等。
136.作为一种示例，在银行的风控场景中，在目标得分相对较低(比如目标得分低于设定得分阈值)的情况下，可以降低目标客户端的操作权限的等级、降低目标客户端的转账金额、降低目标客户端的转账次数、冻结目标客户端对应的用户账户、禁止目标客户端所登录的目标用户参与抽奖活动或给予惩罚等；而在目标得分相对较高(比如目标得分未低于设定得分阈值)的情况下，可以提高目标客户端的操作权限的等级、提高目标客户端的转账金额、提高目标客户端的转账次数、给予目标客户端所登录的目标用户奖励、提高目标客户端所登录的目标用户参与抽奖活动的中奖率(即目标得分越高，目标用户中奖概率越高，目标得分越低，目标用户中奖概率越低)等。
137.作为一种可能的实现方式，可以根据目标得分，从多个设定的风险等级中确定目标客户端对应的目标风险等级，并可以根据目标风险等级对应的风控策略，对目标客户端进行风险控制。
138.其中，风险等级可以是预先设定的。比如，风险等级可以设定为a级、b级、c级、d级；再比如，风险等级可以设定为极低、较低、中等、较高四个级别。
139.其中，多个设定的风险等级中任一风险等级可以具有对应的目标得分范围。
140.作为一种示例，当目标得分位于[0,40)内时，目标风险等级为较高级，当目标得分位于[40,60)内时，目标风险等级为中等级，当目标得分位于[60,80)内时，目标风险等级为较低级，当目标得分位于[80,100]内时，目标风险等级为极低级。
[0141]
对于目标风险等级为极低级的目标用户，可以提升目标用户的操作权限的等级，给予目标用户奖励，以及提高抽奖活动的中奖率；对于目标风险等级为较低级的目标用户，可以给予目标用户奖励；对于目标风险等级为中等级的目标用户，可以给予惩罚；对于目标风险等级为较高级的目标用户，可以降低目标用户的操作权限的等级，给予惩罚，以及冻结用户账户。
[0142]
作为另一种示例，当目标得分位于[0,50)内时，目标风险等级为d级，当目标得分位于[50,70)内时，目标风险等级为c级，当目标得分位于[70,90)内时，目标风险等级为b级，当目标得分位于[90,100]内时，目标风险等级为a级。
[0143]
对于目标风险等级为a级的目标用户，可以提升目标用户的操作权限的等级，给予目标用户奖励，以及提高抽奖活动的中奖率；对于目标风险等级为b级的目标用户，可以给予目标用户奖励；对于目标风险等级为c级的目标用户，可以降低目标用户的操作权限的等级，给予惩罚；对于目标风险等级为d级的目标用户，可以降低目标用户的操作权限的等级，给予惩罚，以及冻结用户账户。
[0144]
需要说明的是，上述对风险等级的划分和各风险等级对应的目标得分范围的示例仅是示例性的，在实际应用中，可以根据实际需求和应用场景，对风险等级进行划分，及对各风险等级对应的目标得分范围进行设置。
[0145]
本公开实施例的风险控制方法，通过获取目标客户端对应的候选行为数据，并从
候选行为数据中提取多个维度的目标行为数据；根据多个维度的目标行为数据，确定多个维度对应的第一指标值；获取与目标客户端关联的用户属性信息，并确定用户属性信息对应的第二指标值；根据多个维度的第一指标值和第二指标值，确定目标客户端对应的目标得分；根据目标得分，对目标客户端进行风险控制。由此，可以实现对候选行为数据进行挖掘，智能地从候选行为数据中提取多个维度的目标行为数据，并根据多个维度的目标行为数据自动确定对应维度的第一指标值，从而可根据多个维度的第一指标值和用户属性信息对应的第二指标值，确定目标客户端对应的目标得分，进而可以根据目标得分自动对目标客户端进行风险控制，可以实现结合多个维度的行为数据和用户属性信息，对目标客户端进行风险控制，可以提高风险控制的全面性和准确性，改善用户的使用体验。
[0146]
为了清楚说明本公开上述实施例中是如何获取与目标客户端关联的用户属性信息的，本公开还提出一种风险控制的方法。
[0147]
图2是本公开第二实施例所示出的风险控制方法的流程示意图。
[0148]
如图2所示，该风险控制方法可以包括以下步骤s21-步骤s27。
[0149]
在步骤s21中，获取目标客户端对应的候选行为数据，并从候选行为数据中提取多个维度的目标行为数据。
[0150]
在步骤s22中，根据多个维度的目标行为数据，确定多个维度对应的第一指标值。
[0151]
步骤s21至s22的解释说明可以参见本公开任一实施例中的相关描述，在此不做赘述。
[0152]
在步骤s23中，获取目标客户端对应的目标登录信息。
[0153]
在本公开实施例中，目标登录信息可以为目标客户端的登录信息，目标登录信息可以包括账户信息和密码信息，账户信息可以包括手机号、邮箱号等，和/或，目标登录信息也可以包括身份证号、银行卡号、生物特征信息(比如人脸识别信息、指纹信息、声纹信息等)等等，本公开对此不做限制。
[0154]
作为一种示例，以目标客户端为手机银行客户端进行示例，目标登录信息对应的目标登录信息可以为登录该银行客户端的身份证号，或者银行卡号，或者手机号，或者人脸识别信息，或者指纹信息等。
[0155]
在本公开实施例中，可以获取目标客户端对应的目标登录信息。
[0156]
在步骤s24中，根据目标登录信息，获取登录目标客户端的目标用户对应的用户属性信息。
[0157]
在本公开实施例中，用户属性信息，比如可以包括年龄、学历、家庭住址、用户登录地址、职业、存款规模等，本公开对此不做限制。
[0158]
在本公开实施例中，可以根据目标客户端对应的目标登录信息，获取登录目标客户端的目标用户对应的用户属性信息。
[0159]
需要说明的是，目标用户可以在至少一个终端设备登录目标客户端，本公开对此不做限制。
[0160]
在步骤s25中，确定用户属性信息对应的第二指标值。
[0161]
在本公开实施例中，可以根据用户属性信息，确定用户属性信息对应的第二指标值。
[0162]
在步骤s26中，根据多个维度的第一指标值和第二指标值，确定目标客户端对应的
目标得分。在本公开实施例中，可以根据多个维度的第一指标值和第二指标值，确定目标用户或目标客户端对应的目标得分。
[0163]
也就是说，采用了目标用户的历史行为数据和属性信息，共同决定或确定目标用户或目标客户端对应的目标得分。
[0164]
在步骤s27中，根据目标得分，对目标客户端进行风险控制。
[0165]
步骤s26至s27的解释说明可以参见本公开任一实施例中的相关描述，在此不做赘述。
[0166]
本公开实施例的风险控制方法，通过获取目标客户端对应的目标登录信息；根据目标登录信息，获取登录目标客户端的目标用户对应的用户属性信息。由此，可以实现对目标用户的用户属性信息的获取，为第二指标值的确定提供准确的数据支持，从而可结合根据多个维度的目标行为数据确定的多个维度的第一指标值，以及根据目标用户的属性信息确定的第二指标值，共同确定目标客户端对应的目标得分，可以提高目标得分计算的准确性和可靠性。
[0167]
为了清楚说明本公开上述实施例中是如何确定各维度对应的第一指标值的，本公开还提出一种风险控制方法。
[0168]
图3是本公开第三实施例所示出的风险控制方法的流程示意图。
[0169]
如图3所示，该风险控制方法可以包括以下步骤s31-步骤s35。
[0170]
在步骤s31中，获取目标客户端对应的候选行为数据，并从候选行为数据中提取多个维度的目标行为数据。
[0171]
步骤s31的解释说明可以参见本公开任一实施例中的相关描述，在此不做赘述。
[0172]
在步骤s32中，采用经过训练的风控模型对多个维度的目标行为数据进行指标预测，以得到多个维度的第一指标值。
[0173]
其中，风控模型已学习到各个维度的行为数据与指标值之间的对应关系。
[0174]
在本公开实施例中，在提取到多个维度的目标行为数据后，可以采用经过训练的风控模型对各维度的目标行为数据进行指标预测，从而得到各维度的第一指标值。由此，可以实现基于深度学习技术，预测各维度的第一指标值，可以提升预测结果的准确性和可靠性。
[0175]
作为一种示例，风控模型可以包括多个预测分支，每个预测分支对应一个维度，可以采用风控模型中的多个预测分支，对多个维度的目标行为数据进行指标预测，得到多个维度的第一指标值。其中，每个预测分支已学习到对应维度的行为数据和指标值之间的对应关系。
[0176]
举例而言，以维度的个数为2进行示例性说明，风控模型可以采用与rfm(recency-frequency-monetary，最近一次消费-消费频率-消费金额)模型类似的结构，2个维度的目标行为数据分别为：与登录操作相关的行为数据(后续称为第一个维度的目标行为数据)、与非登录操作相关的行为数据(后续称为第二个维度的目标行为数据)，可以采用风控模型中的第一预测分支对与非登录操作相关的行为数据进行指标预测，得到第一个维度的第一指标值；可以采用风控模型中的第二预测分支对与登录操作相关的行为数据进行指标预测，得到第二个维度的第一指标值。
[0177]
其中，第一个维度对应的是用户贡献度指标，该维度的正方向可以指示目标用户
的忠诚度，忠诚度比如可以表征该目标用户具有正常的日常消费、具有一定的个人资产管理规模和存款等；该维度的负方向可以指示目标用户的困惑度，困惑度比如可以表征该目标用户具有异常订单、贷款超期不还等。
[0178]
其中，第二个维度对应的是用户登录操作行为指标，该维度的正方向可以指示目标用户登录和操作正常，该维度的负方向可以指示目标用户登录和操作异常，比如密码多次输入错误、人脸识别未通过、疑似机器操作等。
[0179]
例如，第一个维度的目标行为数据可以包括多个行为数据，可以对第一个维度的目标行为数据进行特征提取，得到各行为数据对应的行为特征，从而可以根据各行为数据对应的权重，对各行为数据的行为特征进行加权求和，以得到第一个维度的用户行为特征，从而可以将第一个维度的用户行为特征输入风控模型中的第一预测分支，以得到第一预测分支输出的第一个维度的指标值。
[0180]
同理，第二个维度的目标行为数据可以包括多个行为数据，可以对第二个维度的目标行为数据进行特征提取，得到各行为数据对应的行为特征，从而可以根据各行为数据对应的权重，对各行为数据的行为特征进行加权求和，以得到第二个维度的用户行为特征，从而可以将第二个维度的用户行为特征输入风控模型中的第二预测分支，以得到第二预测分支输出的第二个维度的指标值。
[0181]
在步骤s33中，获取与目标客户端关联的用户属性信息，并确定用户属性信息对应的第二指标值。
[0182]
在步骤s34中，根据多个维度的第一指标值和第二指标值，确定目标客户端对应的目标得分。
[0183]
在步骤s35中，根据目标得分，对目标客户端进行风险控制。
[0184]
步骤s33至s35的解释说明可以参见本公开任一实施例中的相关描述，在此不做赘述。
[0185]
本公开实施例的风险控制方法，通过采用经过训练的风控模型对多个维度的目标行为数据进行指标预测，以得到多个维度的第一指标值；其中，风控模型已学习到各个维度的行为数据与指标值之间的对应关系。由此，基于深度学习技术，预测多个维度的第一指标值，可以提升预测结果的准确性和可靠性。
[0186]
为了清楚说明本公开上述实施例中是如何确定用户属性信息对应的第二指标值的，本公开还提出一种风险控制方法。
[0187]
图4是本公开第四实施例所示出的风险控制方法的流程示意图。
[0188]
如图4所示，该风险控制方法可以包括以下步骤s41-步骤s48。
[0189]
在步骤s41中，获取目标客户端对应的候选行为数据，并从候选行为数据中提取多个维度的目标行为数据。
[0190]
在步骤s42中，根据多个维度的目标行为数据，确定多个维度对应的第一指标值。
[0191]
在步骤s43中，获取与目标客户端关联的用户属性信息。
[0192]
步骤s41至s43的解释说明可以参见本公开任一实施例中的相关描述，在此不做赘述
[0193]
在步骤s44中，对用户属性信息中的多项属性进行特征提取，以得到多项属性对应的属性特征。
[0194]
在本公开实施例中，可以基于特征提取算法，对用户属性信息中的多项属性进行特征提取，以得到多项属性中每一项属性对应的属性特征。
[0195]
在步骤s45中，根据多项属性对应的权重，对多项属性的属性特征进行融合，以得到融合特征。
[0196]
在本公开实施例中，可以根据多项属性对应的权重，对多项属性的属性特征进行融合，以得到融合特征。比如，可以根据多项属性对应的权重，对多项属性的属性特征进行加权求和，以得到融合特征。
[0197]
其中，多项属性中的任一属性可以具有对应的权重，权重可以为预先设置的，或者，也可以根据实际应用需求进行动态调整，本公开对此并不做限制。
[0198]
在步骤s46中，将融合特征输入风控模型进行指标预测，以得到第二指标值。
[0199]
在本公开实施例中，可以采用风控模型对融合特征进行指标预测，以得到第二指标值。
[0200]
需要说明的是，前述实施例中步骤s32中对风控模型的解释说明同样适用于该实施例，在此不做赘述。
[0201]
仍以上述步骤s32中的例子进行示例，风控模型还可以包括第三预测分支，可以将融合特征输入风控模型中的第三预测分支，以得到第三预测分支输出的第二指标值。
[0202]
应当理解的是，上述仅以多个维度为两个维度进行示例，实际应用时，多个维度可以为三个维度、四个维度、五个维度等等，本公开对此并不作限制。比如，标记维度的个数为n，此时，风控模型可以包括n+1个预测分支，一个预测分支用于预测第二指标值，n个预测分支用于预测n个维度的第一指标值，即一个预测分支与一个维度对应，可以采用各预测分支对对应维度的目标行为数据进行指标预测，得到各维度对应的第一指标值。
[0203]
在步骤s47中，根据多个维度的第一指标值和第二指标值，确定目标客户端对应的目标得分。
[0204]
在步骤s48中，根据目标得分，对目标客户端进行风险控制。
[0205]
步骤s47至s48的解释说明可以参见本公开任一实施例中的相关描述，在此不做赘述。
[0206]
本公开实施例的风险控制方法，通过对用户属性信息中的多项属性进行特征提取，以得到多项属性对应的属性特征；根据多项属性对应的权重，对多项属性的属性特征进行融合，以得到融合特征；将融合特征输入风控模型进行指标预测，以得到第二指标值。由此，基于深度学习技术，预测用户属性信息对应的第二指标值，可以提升预测结果的准确性和可靠性。
[0207]
为了清楚说明本公开任一实施例中是如何根据多个维度的第一指标值和第二指标值确定目标客户端对应的目标得分的，本公开还提出一种风险控制方法。
[0208]
图5是本公开第五实施例所示出的风险控制方法的流程示意图。
[0209]
如图5所示，该风险控制方法可以包括以下步骤s51-步骤s59。
[0210]
在步骤s51中，获取目标客户端对应的候选行为数据，并从候选行为数据中提取多个维度的目标行为数据。
[0211]
在步骤s52中，根据多个维度的目标行为数据，确定多个维度对应的第一指标值。
[0212]
在步骤s53中，获取与目标客户端关联的用户属性信息，并确定用户属性信息对应
的第二指标值。
[0213]
步骤s51至s53的解释说明可以参见本公开任一实施例中的相关描述，在此不做赘述。
[0214]
在步骤s54中，针对多个维度中的任一维度，获取任一维度对应的设定指标值区间。
[0215]
在本公开实施例中，针对多个维度中的任一维度，该任一维度可以具有对应的设定指标值区间。其中，设定指标值区间可以是预先设定的，比如，设定指标值区间可以为[0,10)、(30,50)、[80,100]等等，本公开对此不做限制。
[0216]
需要说明的是，上述对设定指标值区间的举例说明仅是示例性的，在实际应用中，可以根据实际需求和应用场景，对各维度对应的设定指标值区间进行设置。
[0217]
还需要说明的是，各维度对应的设定指标值区间可以相同，或者各维度对应的设定指标值区间也可以不相同，本公开对此不做限制。
[0218]
进一步地，针对多个维度中的任一维度，可以获取该任一维度对应的设定指标值区间。
[0219]
在步骤s55中，判断任一维度的第一指标值是否处于任一维度对应的设定指标值区间，若是，则执行步骤s57，若否，则执行步骤s56。
[0220]
在本公开实施例中，针对多个维度中的任一维度，可以判断该维度的第一指标值是否处于该维度对应的设定指标值区间。如果该维度的第一指标值未处于该维度对应的设定指标值区间，可以执行步骤s56；如果该维度的第一指标值处于该维度对应的设定指标值区间，可以执行步骤s57。
[0221]
在步骤s56中，过滤任一维度的第一指标值。
[0222]
在本公开实施例中，针对多个维度中的任一维度，当该维度的第一指标值未处于该维度对应的设定指标值区间时，可以过滤该维度的第一指标值。
[0223]
作为一种示例，假设多个维度中某个维度的第一指标值为-15，而该维度对应的设定指标值区间为(-10，10)，由于该维度的第一指标值-15未处于该维度对应的设定指标值区间(-10，10)，从而可以过滤该维度的第一指标值。
[0224]
在步骤s57中，保留任一维度的第一指标值。
[0225]
在本公开实施例中，针对多个维度中的任一维度，当该维度的第一指标值处于该维度对应的设定指标值区间时，可以保留该维度的第一指标值。
[0226]
作为一种示例，假设多个维度中的某个维度的第一指标值为10，而该维度对应的设定指标值区间为(0，10]，由于该维度的第一指标值10处于该维度对应的设定指标值区间(0，10]，从而可以保留该维度的第一指标值。
[0227]
需要说明的是，步骤s56和步骤s57为并列的两种实现方式，实际应用时，可以择一执行。
[0228]
在步骤s58中，根据多个维度中保留的各目标维度的第一指标值和第二指标值，确定目标客户端对应的目标得分。
[0229]
在本公开实施例中，目标维度可以为多个维度的第一指标值中保留的第一指标值对应的维度。
[0230]
在本公开实施例中，可以根据多个维度中保留的各目标维度的第一指标值和第二
指标值，确定目标客户端对应的目标得分。
[0231]
作为本公开的一种可能的实现方式，当目标维度的个数大于设定个数阈值时，可以获取各目标维度对应的第一权重和用户属性信息对应的第二权重，并根据各目标维度对应的第一权重和用户属性信息对应的第二权重，对各目标维度的第一指标值和第二指标值进行加权求和，从而得到目标客户端对应的目标得分。
[0232]
其中，设定个数阈值可以为预先设定的，比如可以为2个、3个、4个等等，本公开对此不做限制。
[0233]
其中，各目标维度可以具有对应的第一权重，用户属性信息可以具有对应的第二权重，且第二权重可以与第一权重相同，或者，第二权重也可以与第一权重不相同，本公开对此不做限制。
[0234]
作为本公开的还一种可能的实现方式，当目标维度的个数未大于设定个数阈值时，则可以重新获取目标客户端对应的候选行为数据；或者，当目标维度的个数未大于设定个数阈值时，可以从获取到的候选行为数据中，重新提取多个维度的目标行为数据。
[0235]
也就是说，当目标维度的个数未大于设定个数阈值时，表明提取到的数据不合理，从而可以重新获取目标客户端对应的候选行为数据，或者，可以通过改进算法或改变算法，从获取到的候选行为数据中重新提取多个维度的目标行为数据。
[0236]
在步骤s59中，根据目标得分，对目标客户端进行风险控制。
[0237]
步骤s59的解释说明可以参见本公开任一实施例中的相关描述，在此不做赘述。
[0238]
本公开实施例的风险控制方法，通过针对多个维度中的任一维度，获取任一维度对应的设定指标值区间；判断任一维度的第一指标值是否处于任一维度对应的设定指标值区间；在任一维度的第一指标值未处于任一维度对应的设定指标值区间的情况下，过滤任一维度的第一指标值；在任一维度的指标值处于任一维度对应的设定指标值区间的情况下，保留任一维度的第一指标值；根据多个维度中保留的各目标维度的第一指标值和第二指标值，确定目标客户端对应的目标得分。由此，针对多个维度中的任一维度，通过预先设置对应维度的设定指标值区间，并判断对应维度的第一指标值是否合理，对不合理的第一指标值进行过滤，仅保留合理的第一指标值，从而基于合理的第一指标值和第二指标值确定目标客户端对应的目标得分，可以避免噪声数据的影响，提升目标得分计算的准确性和可靠性。
[0239]
为了清楚说明本公开任一实施例中是如何获取目标客户端对应的候选行为数据的，本公开还提出一种风险控制方法。
[0240]
图6是本公开第六实施例所示出的风险控制方法的流程示意图。
[0241]
如图6所示，该风险控制方法可以包括以下步骤s61-步骤s611。
[0242]
在步骤s61中，根据目标客户端对应的目标登录信息，获取与目标登录信息关联的第一行为数据。
[0243]
其中，目标登录信息的解释说明可以参见上述实施例中的相关描述，在此不做赘述。
[0244]
在本公开实施例中，可以根据目标客户端的目标登录信息，获取与目标登录信息关联的第一行为数据。
[0245]
作为一种示例，以本公开实施例的执行主体为服务器或服务端进行示例，服务端
在存储各客户端对应的历史行为数据时，可以将各客户端对应的登录信息，与历史行为数据进行对应存储，从而服务端可以采用目标客户端对应的目标登录信息，查询存储的数据，获取与上述目标登录信息关联的历史行为数据，本公开中记为第一行为数据。
[0246]
比如，目标用户可以采用自身对应的登录信息登录目标客户端，则服务端可以根据目标客户端对应的目标登录信息，获取目标用户的第一行为数据。比如，当目标登录信息为身份证号时，可以获取与该身份证号关联的第一行为数据。
[0247]
在步骤s62中，获取与目标客户端关联的至少一个关联登录信息。
[0248]
在本公开实施例中，目标客户端可以关联至少一个关联登录信息，其中，可以采用各关联登录信息登录目标客户端。从而本公开中，可以获取与目标客户端关联的至少一个关联登录信息。
[0249]
在步骤s63中，获取与各关联登录信息关联的第二行为数据。
[0250]
在本公开实施例中，可以根据上述至少一个关联登录信息，获取与关联登录信息关联的第二行为数据。
[0251]
作为一种示例，仍以本公开实施例的执行主体为服务端进行示例，不同用户可以登录终端设备中的同一客户端，即可以分别采用不同用户的登录信息，登录同一个终端设备中的同一个客户端，从而服务端可以获取登录过该终端设备中的同一客户端的登录信息，本公开中记为关联登录信息，并获取与各关联登录信息关联的历史行为数据，本公开中记为第二行为数据。
[0252]
比如，假设目标客户端为客户端1，当用户a采用自身对应的登录信息a，登录终端设备1中的客户端1时，由于用户b之前也采用自身对应的登录信息b，登录过终端设备1中的客户端1，则服务端不仅可以获取与登录信息a关联的历史行为数据，还可以获取与该登录信息b关联的历史行为数据，可以将上述与登录信息a关联的历史行为数据和与登录信息b关联的历史行为数据，均作为客户端1对应的历史行为数据，即第二行为数据。
[0253]
需要说明的是，与目标客户端关联的至少一个关联登录信息中可以包括目标登录信息。
[0254]
需要说明的是，本公开实施例中对登录同一个终端设备中的目标客户端的用户数量不做限制，即对关联登录信息的数量不作限制，上述仅以两个进行示例。
[0255]
在步骤s64中，获取采用目标登录信息登陆的各关联客户端。
[0256]
在步骤s65中，获取与各关联客户端关联的第三行为数据。
[0257]
在本公开实施例中，可以确定采用目标登录信息登录的至少一个关联客户端，从而可以获取与各关联客户端关联的第三行为数据。
[0258]
作为一种示例，用户可以采用同一个登录信息，登录不同终端设备中的同一个应用(app)所对应的客户端，和/或，用户可以采用同一个登录信息，登录同一终端设备中的不同客户端，比如以该方法应用于银行的风控防范场景中进行示例，对于某某银行而言，该银行可以包括多个应用对应的客户端，比如手机银行、某某生活、某某商务等应用对应的客户端，上述多个客户端可以采用同一登录信息登录。
[0259]
因此，本公开中，可以获取不同终端设备中采用同一登录信息登录的各关联客户端的历史行为数据(本公开中记为第三行为数据)，和/或，可以获取同一终端设备中采用同一登录信息登录的各关联客户端的历史行为数据，(本公开中记为第三行为数据)。
[0260]
需要说明的是，采用目标登录信息登录的各关联客户端中可以包括目标客户端。
[0261]
在步骤s66中，根据第一行为数据、第二行为数据和第三行为数据中的至少一项，确定候选行为数据。
[0262]
在本公开实施例中，在获取到第一行为数据、第二行为数据和第三行为数据之后，可以根据第一行为数据、第二行为数据和第三行为数据中的至少一项，确定候选行为数据。
[0263]
作为一种示例，可以将第一行为数据作为候选行为数据，或者，可以将第二行为数据作为候选行为数据，或者，可以将第三行为数据作为候选行为数据，或者，可以将第一行为数据和第二行为数据，作为候选行为数据，或者，可以将第一行为数据和第三行为数据，作为候选行为数据，或者，可以将第二行为数据和第三行为数据，作为候选行为数据，或者，可以将第一行为数据、第二行为数据以及第三行为数据，作为候选行为数据。由此，可为本公开所提供的风控方法的实现提供全面的数据支持，提升风险防范的全面性和准确性。
[0264]
在步骤s67中，从候选行为数据中提取多个维度的目标行为数据。
[0265]
在步骤s68中，根据多个维度的目标行为数据，确定多个维度对应的第一指标值。
[0266]
在步骤s69中，获取与目标客户端关联的用户属性信息，并确定用户属性信息对应的第二指标值。
[0267]
在步骤s610中，根据多个维度的第一指标值和第二指标值，确定目标客户端对应的目标得分。
[0268]
在步骤s611中，根据目标得分，对目标客户端进行风险控制。
[0269]
步骤s67至s611的解释说明可以参见本公开任一实施例中的相关描述，在此不做赘述。
[0270]
本公开实施例的风险控制方法，通过根据第一行为数据、第二行为数据和第三行为数据中的至少一项，确定候选行为数据，可以实现为本公开所提供的风控方法的实现提供全面的数据支持，提升风险防范的全面性和准确性。
[0271]
作为一种示例，以本公开任一实施例所提供的风险控制方法应用于银行的风险控制场景进行示例，其中，该风险控制方法的具体实施步骤可以包括：数据采集、数据预处理、数据挖掘、分析与评估、多维分级、得分计算，其具体的流程图如图7所示。
[0272]
一、数据采集
[0273]
需要说明的是，可以将用户行为绑定触发数据采集事件，其中，用户行为可以包括：
[0274]
良性行为：一般是忠诚用户对银行有利的操作，比如提升银行卡存款和个人资产管理规模(asset under management，简称aum)、银行卡正常消费、购买理财产品、正常贷款还款等行为；
[0275]
恶性行为：比如多次重复下单并撤单、贷款逾期不还、信用卡消费不按时还款等行为；
[0276]
正常行为：大部分正常的登录和操作行为；
[0277]
异常行为：可能被黑产所控制的终端设备和登录账号关联的行为，比如密码多次输入错误、同一个终端设备切换多个账号、多个不同终端设备登录同一账号、终端设备使用代理网络登录账号、ip地址频繁切换、银行卡消费时间不在正常消费时间范围内等行为。
[0278]
因此，当用户触发敏感行为(比如上述恶性行为或异常行为)事件时，可以获取与
目标客户端对应的目标登录信息关联的第一行为数据、获取与目标客户端关联的各关联登录信息关联的第二行为数据，及获取与采用目标登录信息登录的各关联客户端关联的第三行为数据，根据第一行为数据、第二行为数据和第三行为数据中的至少一项，确定候选行为数据。其中，候选行为数据可以包括用户的登录时间、用户突发性或偶然性地巨额转账、用户所持通信卡所在的终端设备多次切换多个不同账号、同一用户账号在多个不同移动终端设备登录、密码多次输入错误、用户频繁下单撤单、多页面高频往返操作、用户与同一账户发生频繁出入账交易、使用代理网络登录、ip地址频繁切换、银行卡消费时间异常等等。
[0279]
需要说明的是，还可以根据目标客户端对应的目标登录信息，获取登录目标客户端的目标用户对应的用户属性信息，比如可以包括年龄、学历、家庭住址、用户登录地址、职业、存款规模等。
[0280]
二、数据预处理
[0281]
对候选行为数据进行清洗、集成、归约、变换和标准化处理中的至少一项，从而可以将采集到的原始数据经过预处理转换为特定数据集，并可以保存至设定的数据仓库以待挖掘。
[0282]
三、数据挖掘
[0283]
对于设定的数据仓库中存储的经过预处理的候选行为数据，可以采用挖掘算法，比如统计分析方法、事例推理方法、决策树分析算法、规则推理方法、模糊集定性比较分析方法、神经网络算法、遗传算法等等，对经过预处理的候选行为数据进行处理，以从经过预处理的候选行为数据中提取多个维度的目标行为数据。
[0284]
作为一种示例，以无监督学习的聚类算法作为挖掘算法进行示例，比如采用k均值聚类算法(k-means clustering algorithm)进行数据挖掘，将用户多个维度的经过预处理的候选行为数据进行分箱处理。
[0285]
可以理解的是，由于大部分的用户行为是正常的，只有少部分用户的行为是异常的，这些异常的行为数据很可能划分为同一个箱体中的离群点，比如，将同一时间段内同一ip地址下的相似设备划分为一个箱体中的离群点，上述特征很可能表明这是一批通过黑产群控系统控制的群控设备。
[0286]
四、多维分级
[0287]
根据多个维度的目标行为数据，分析确定各维度对应的第一指标值，比如，可以采用已学习到各个维度的行为数据与指标值之间的对应关系的风控模型，对多个维度的目标行为数据进行指标预测，从而得到多个维度的第一指标值。
[0288]
还可以根据用户属性信息确定用户属性信息对应的第二指标值。比如，在对用户属性信息中的多项属性进行特征提取，得到多项属性对应的属性特征，并根据多项属性对应的权重，对多项属性的属性特征进行融合，从而得到融合特征之后，可以采用上述风控模型对融合特征进行指标预测，以得到用户属性信息对应的第二指标值。
[0289]
作为一种示例，以本公开的风控模型采用与rfm(recency-frequency-monetary，最近一次消费-消费频率-消费金额)模型类似的结构进行示例，其中，风控模型对应三个预测分支，一个预测分支对应的维度是用户贡献度指标，该维度的正方向可以指示该用户的忠诚度，忠诚度比如可以表征该用户有正常的日常消费、有一定的个人资产管理规模和存款等；该维度的负方向可以指示用户的困惑度，困惑度比如可以表征该用户有异常订单、贷
款超期不还等。另一个预测分支对应的维度是用户登录操作行为指标，该维度的正方向可以指示该用户登录和操作正常，该维度的负方向可以指示该用户登录和操作异常，比如密码多次输入错误、人脸识别未通过、疑似机器操作等。再一个预测分支对应的维度是用户属性指标，可以提取用户属性信息，比如用户的年龄、职业、登录地址等，在对用户属性信息中的多项属性进行特征提取，得到多项属性对应的属性特征，并根据多项属性对应的权重，对多项属性的属性特征进行融合，得到融合特征之后，可以将融合特征输入该预测分支进行指标预测，以得到该维度对应的指标值。
[0290]
五、分析与评估
[0291]
针对多个维度中的任一维度，可获取该任一维度对应的设定指标值区间；并判断该任一维度的第一指标值是否处于该任一维度对应的设定指标值区间；在该任一维度的第一指标值未处于该任一维度对应的设定指标值区间的情况下，即该任一维度的第一指标值不符合预期，可以过滤该任一维度的第一指标值；在该任一维度的指标值处于该任一维度对应的设定指标值区间的情况下，即该任一维度的第一指标值符合预期，可以保留该任一维度的第一指标值。
[0292]
需要说明的是，当保留的目标维度的个数未大于设定个数阈值时，则可以改进或改变上述的挖掘算法，从候选行为数据中重新提取多个维度的目标行为数据，或者，可以重新获取目标客户端对应的候选行为数据。
[0293]
六、得分计算
[0294]
根据各目标维度对应的第一权重和用户属性信息对应的第二权重，对各目标维度的第一指标值和第二指标值进行加权求和，从而得到目标客户端对应的目标得分。
[0295]
也就是说，可以按不同风险维度(包括各目标维度和用户属性信息对应的维度)对应的权重，对对应维度上的指标值进行加权求和，得到一个介于白名单与黑名单之间的目标得分。
[0296]
其中，目标得分越接近黑名单对银行越有害，目标得分越接近白名单对银行越有利。
[0297]
需要说明的是，上述对用户行为数据进行得分计算的方法不仅适用于银行的风险控制场景，还适用于用户奖惩机制中，比如，在用户参与抽奖活动中，对用户的行为数据进行得分计算，当得分越高，用户中奖概率越高，当得分越低，用户中奖概率越低。
[0298]
其中，风险控制方法对应的风险控制系统架构如表1所示：
[0299]
表1
[0300][0301]
上述示例至少可以体现出，本公开的风险控制方法基于数据挖掘和数据分析，将银行应用客户端对应的行为进行特征提取，并按照一套自适应的通用系数计算规则，对银行应用客户端的用户进行多维度分级，进而可以在多个不同维度上进行目标得分计算，将用户划分在一个介于白名单和黑名单之间的动态得分区间，从而可以快速识别出用户行为画像，以达到有效的风险控制的目的，可以有效防范恶意用户的不良行为或异常行为，以减小银行、商户、交易双方或多方的损失。
[0302]
综上，本公开的风险控制方法，根据不同行为的特点，在通过机器学习技术，学习到这些特点和采用数据挖掘算法对行为数据处理之后，可以智能的对用户的行为目的进行预判，以便于实施对应的防范和制约措施，可以有效防范欺诈、刷流水等非法行为；且，对多个维度的数据(比如目标行为数据、用户属性信息)进行全面的衡量和计算，可以避免判别单一性或识别单一性，有效降低误判率和漏判率；而采用一个介于白名单与黑名单的区间的得分可以用来选择对应的防范和制约措施，其中，得分是可动态变化的，且得分的方式不仅适用于风险控制场景，还适用于其他场景，比如评估个人信用、用户奖惩机制等，具有普适性。
[0303]
与上述图1至图6实施例提供的风险控制方法相对应，本公开还提供一种风险控制装置，由于本公开实施例提供的风险控制装置与上述图1至图6实施例提供的风险控制方法相对应，因此在风险控制方法的实施方式也适用于本公开实施例提供的风险控制装置，在本公开实施例中不再详细描述。
[0304]
图8是本公开第七实施例所示出的风险控制装置的结构示意图。
[0305]
参照图8，该风险控制装置800可以包括：第一处理模块801、第一确定模块802、第二处理模块803、第二确定模块804以及控制模块805。
[0306]
其中，处理模块801，被配置为获取目标客户端对应的候选行为数据，并从候选行为数据中提取多个维度的目标行为数据。
[0307]
第一确定模块802，被配置为根据多个维度的目标行为数据，确定多个维度对应的第一指标值。
[0308]
第二处理模块803，用于获取与目标客户端关联的用户属性信息，并确定用户属性信息对应的第二指标值。
[0309]
第二确定模块804，被配置为根据多个维度的第一指标值和第二指标值，确定目标客户端对应的目标得分。
[0310]
控制模块805，被配置为根据目标得分，对目标客户端进行风险控制。
[0311]
在本公开实施例的一种可能的实现方式中，第二处理模块803，被配置为：获取目标客户端对应的目标登录信息；根据目标登录信息，获取登录目标客户端的目标用户对应的用户属性信息。
[0312]
在本公开实施例的一种可能的实现方式中，第一确定模块802，被配置为：采用经过训练的风控模型对多个维度的目标行为数据进行指标预测，以得到多个维度的第一指标值；其中，风控模型已学习到各个维度的行为数据与指标值之间的对应关系。
[0313]
在本公开实施例的一种可能的实现方式中，第二确定模块804，被配置为：对用户属性信息中的多项属性进行特征提取，以得到多项属性对应的属性特征；根据多项属性对应的权重，对多项属性的属性特征进行融合，以得到融合特征；将融合特征输入风控模型进行指标预测，以得到第二指标值。
[0314]
在本公开实施例的一种可能的实现方式中，第二确定模块804，被配置为：针对多个维度中的任一维度，获取任一维度对应的设定分值区间；判断任一维度的第一指标值是否处于任一维度对应的设定指标值区间；在任一维度的第一指标值未处于任一维度对应的设定指标值区间的情况下，过滤任一维度的第一指标值；在任一维度的指标值处于任一维度对应的设定指标值区间的情况下，保留任一维度的第一指标值；根据多个维度中保留的各目标维度的第一指标值第二指标值，确定目标客户端对应的目标得分。
[0315]
在本公开实施例的一种可能的实现方式中，第二确定模块804，被配置为：响应于目标维度的个数大于设定个数阈值，获取各目标维度对应的第一权重和用户属性信息对应的第二权重；根据各目标维度对应的第一权重和用户属性信息对应的第二权重，对各目标维度的第一指标值和第二指标值进行加权求和，以得到目标客户端对应的目标得分。
[0316]
在本公开实施例的一种可能的实现方式中，该风险控制装置800还包括：
[0317]
获取模块，被配置为响应于目标维度的个数未大于设定个数阈值，则重新获取目标客户端对应的候选行为数据。
[0318]
或者，
[0319]
提取模块，被配置为响应于目标维度的个数未大于设定个数阈值，则从候选行为数据中，重新提取多个维度的目标行为数据。
[0320]
在本公开实施例的一种可能的实现方式中，第一处理模块801，被配置为：根据目标客户端对应的目标登录信息，获取与目标登录信息关联的第一行为数据；获取与目标客户端关联的至少一个关联登录信息；获取与各关联登录信息关联的第二行为数据；获取采用目标登录信息登陆的各关联客户端；获取与各关联客户端关联的第三行为数据；根据第一行为数据、第二行为数据和第三行为数据中的至少一项，确定候选行为数据。
[0321]
在本公开实施例的一种可能的实现方式中，该风险控制装置800还包括：
[0322]
预处理模块，被配置为对候选行为数据进行预处理；
[0323]
其中，预处理包括清洗、集成、归约、变换和标准化处理中的至少一项。
[0324]
在本公开实施例的一种可能的实现方式中，控制模块805，被配置为：根据目标得分，从多个设定的风险等级中确定目标客户端对应的目标风险等级；根据目标风险等级对应的风控策略，对目标客户端进行风险控制。
[0325]
本公开实施例的风险控制装置，通过获取目标客户端对应的候选行为数据，并从
候选行为数据中提取多个维度的目标行为数据；根据多个维度的目标行为数据，确定多个维度对应的第一指标值；获取与目标客户端关联的用户属性信息，并确定用户属性信息对应的第二指标值；根据多个维度的第一指标值和第二指标值，确定目标客户端对应的目标得分；根据目标得分，对目标客户端进行风险控制。由此，可以实现对候选行为数据进行挖掘，智能地从候选行为数据中提取多个维度的目标行为数据，并根据多个维度的目标行为数据自动确定对应维度的第一指标值，从而可根据多个维度的第一指标值和用户属性信息对应的第二指标值，确定目标客户端对应的目标得分，进而可以根据目标得分自动对目标客户端进行风险控制，可以实现结合多个维度的行为数据和用户属性信息，对目标客户端进行风险控制，可以提高风险控制的全面性和准确性，改善用户的使用体验。
[0326]
在示例性实施例中，还提出了一种电子设备。
[0327]
其中，电子设备包括：
[0328]
处理器；
[0329]
用于存储处理器可执行指令的存储器；
[0330]
其中，处理器被配置为执行指令，以实现如前述任一实施例提出的风险控制方法。
[0331]
作为一种示例，图9是本公开一示例性实施例所示出的电子设备900的结构示意图，如图9所示，上述电子设备900，还可以包括：
[0332]
存储器910及处理器920，连接不同组件(包括存储器910和处理器920)的总线930，存储器910存储有计算机程序，当处理器920执行所述程序时实现本公开实施例所述的风险控制方法。
[0333]
总线930表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。
[0334]
电子设备900典型地包括多种电子设备可读介质。这些介质可以是任何能够被电子设备900访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
[0335]
存储器910还可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)940和/或高速缓存存储器950。服务器900可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统960可以用于读写不可移动的、非易失性磁介质(图9未显示，通常称为“硬盘驱动器”)。尽管图9中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom，dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线930相连。存储器910可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本公开各实施例的功能。
[0336]
具有一组(至少一个)程序模块970的程序/实用工具980，可以存储在例如存储器910中，这样的程序模块970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。程序模块970通常执行本公开所描述的实施例中的功能和/或方法。
[0337]
电子设备900也可以与一个或多个外部设备990(例如键盘、指向设备、显示器991
等)通信，还可与一个或者多个使得用户能与该电子设备900交互的设备通信，和/或与使得该电子设备900能与一个或多个其它计算设备进行通信的任何设备(例如网卡，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992进行。并且，电子设备900还可以通过网络适配器993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。如图所示，网络适配器993通过总线930与电子设备900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900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。
[0338]
处理器920通过运行存储在存储器910中的程序，从而执行各种功能应用以及数据处理。
[0339]
需要说明的是，本实施例的电子设备的实施过程和技术原理参见前述对本公开实施例的风险控制方法的解释说明，此处不再赘述。
[0340]
在示例性实施例中，还提供了一种包括指令的计算机可读存储介质，例如包括指令的存储器，上述指令可由电子设备的处理器执行以完成上述任一实施例提出的方法。可选地，计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
[0341]
在示例性实施例中，还提供一种计算机程序产品，包括计算机程序/指令，其特征在于，所述计算机程序/指令被处理器执行时实现上述任一实施例提出的方法。
[0342]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
[0343]
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。