风控规则的智能推荐方法、装置、电子设备及介质制造方法及图纸

本公开提供了一种风控规则的智能推荐方法，可用于金融领域或其他领域。该方法包括：响应于客户发起的实时交易请求，获取客户的风险基本信息；根据风险基本信息，从预置的目标风控规则库中确定相匹配的至少一个目标风控规则，并将至少一个目标风控规则推荐至客户。本公开还提供了一种风控规则的智能推荐装置、电子设备、存储介质和程序产品。存储介质和程序产品。存储介质和程序产品。

【技术实现步骤摘要】
风控规则的智能推荐方法、装置、电子设备及介质


[0001]本公开涉及人工智能
，具体涉及风险控制领域，更具体地涉及一种风控规则的智能推荐方法、装置、电子设备、存储介质和程序产品。

技术介绍

[0002]随着金融行业的不断发展，风险控制(简称“风控”)成为金融机构的重要任务之一。传统的风险控制方法主要依靠人工经验和规则，这种方法存在着效率低、容易出错等问题。随着人工智能技术的不断发展，智能风控技术逐渐成为金融行业的热门话题。
[0003]目前，智能风控技术主要包括数据挖掘、机器学习、人工智能等技术。这些技术可以通过对大量数据的分析和学习，自动识别风险，并提供相应的控制措施。但是，由于金融行业的复杂性和多样性，智能风控技术的应用还存在一些问题，如规则地制定和推荐等。

技术实现思路

[0004]鉴于上述问题，本公开提供了一种风控规则的智能推荐方法、装置、电子设备、存储介质和程序产品。
[0005]根据本公开的第一个方面，提供了一种风控规则的智能推荐方法，包括：响应于客户发起的实时交易请求，获取客户的风险基本信息；根据风险基本信息，从预置的目标风控规则库中确定相匹配的至少一个目标风控规则，并将至少一个目标风控规则推荐至客户。
[0006]根据本公开的实施例，目标风控规则库根据以下方式来预置：采集与风险控制相关的历史数据集，对历史数据集进行预处理，得到样本数据集；使用机器学习模型，识别样本数据集中每个样本数据的至少一个潜在风险类型；根据至少一个潜在风险类型，制定每个样本数据的初始风控规则；根据初始风控规则的实际执行效果和客户的反馈，对初始风控规则进行优化，得到目标风控规则；将多个目标风控规则进行组合，形成目标风控规则库。
[0007]根据本公开的实施例，机器学习模型通过以下方式训练得到：将样本数据集拆分为训练数据集和测试数据集，标记训练数据集中每个训练数据的实际风险类型；从训练数据集中提取关键特征；根据关键特征，从预设的多个机器学习模型中选择相匹配的机器学习初始模型；使用训练数据集和实际风险类型，对机器学习初始模型进行训练，得到训练好的机器学习模型。
[0008]根据本公开的实施例，使用训练数据集和实际风险类型，对机器学习初始模型进行训练，包括：使用机器学习初始模型来识别训练数据集中的一个训练数据的预测风险类型；根据损失函数计算预测风险类型与训练数据集中一个训练数据的实际风险类型之间的差异；在差异符合预设条件的情况下，根据差异调整机器学习初始模型的参数，并针对训练数据集中的另一个训练数据，返回使用机器学习初始模型来识别训练数据集中的一个训练数据的预测风险类型的操作。
[0009]根据本公开的实施例，使用机器学习模型，识别样本数据集中每个样本数据的至
少一个潜在风险类型，还包括：使用测试数据集对训练好的机器学习模型进行评估；在评估结果符合预设的多个评估指标的情况下，确定训练好的机器学习模型测试通过，使用训练好的机器学习模型，识别样本数据集中每个样本数据的至少一个潜在风险类型。
[0010]根据本公开的实施例，根据至少一个潜在风险类型，制定每个样本数据的初始风控规则，包括：在潜在风险类型为第一风险类型时，对可能存在风险的用户或行为进行预警提示；在潜在风险类型为第二风险类型时，对用户或行为进行风险评估；在潜在风险类型为第三风险类型时，根据用户的信用评级，设置对应的信用额度和信用期限；在潜在风险类型为第四风险类型时，对用户或行为进行权限限制；在潜在风险类型为第五风险类型时，对每个样本数据进行深度分析和挖掘。
[0011]本公开的第二方面提供了一种风控规则的智能推荐装置，包括：风险信息获取模块，用于响应于客户发起的实时交易请求，获取客户的风险基本信息；风控规则推荐模块，用于根据风险基本信息，从预置的目标风控规则库中确定相匹配的至少一个目标风控规则，并将至少一个目标风控规则推荐至客户。
[0012]本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述风控规则的智能推荐方法。
[0013]本公开的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述风控规则的智能推荐方法。
[0014]本公开的第五方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述风控规则的智能推荐方法。
[0015]根据本公开实施例的智能推荐方法、装置、电子设备、存储介质和程序产品，在客户发起实时交易请求时，根据客户的需求、风险偏好、交易习惯、资产状况等不同的风险基本信息，推荐相应的目标风控规则，提高了风控规则的准确性和生成效率，降低了风险控制的成本。进而，本公开可以帮助客户更好地应对网络交易过程可能面临的风险和挑战，考虑到客户的特点和市场趋势，为客户提供最优的风险控制方案。并且，本公开结合机器学习和数据分析技术进行风险规则的智能推荐，可以辅助客户决策，提高风险管理的效果和效率。
附图说明
[0016]通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
[0017]图1示意性示出了根据本公开实施例的适于风控规则的智能推荐方法及装置的系统架构；
[0018]图2示意性示出了根据本公开实施例的风控规则的智能推荐方法的流程图；
[0019]图3A示意性示出了根据本公开实施例的目标风控规则库的预置过程的流程图；
[0020]图3B示意性示出了根据本公开实施例的目标风控规则库的预置过程的原理图；
[0021]图4示意性示出了根据本公开实施例的机器学习模型的训练过程的流程图；
[0022]图5示意性示出了根据图4对机器学习初始模型进行训练的流程图；
[0023]图6示意性示出了根据本公开实施例的潜在风险类型的识别过程的流程图；
[0024]图7示意性示出了根据本公开实施例的根据潜在风险类型制定初始风控规则的流
程图；
[0025]图8示意性示出了根据本公开实施例的风控规则的智能推荐装置的框图；
[0026]图9示意性示出了根据本公开实施例的适于实现风控规则的智能推荐方法的电子设备的方框图。
具体实施方式
[0027]以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
[0028]在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风控规则的智能推荐方法，包括：响应于客户发起的实时交易请求，获取所述客户的风险基本信息；根据所述风险基本信息，从预置的目标风控规则库中确定相匹配的至少一个目标风控规则，并将所述至少一个目标风控规则推荐至所述客户。2.根据权利要求1所述的方法，其中，所述目标风控规则库根据以下方式来预置：采集与风险控制相关的历史数据集，对所述历史数据集进行预处理，得到样本数据集；使用机器学习模型，识别所述样本数据集中每个样本数据的至少一个潜在风险类型；根据所述至少一个潜在风险类型，制定所述每个样本数据的初始风控规则；根据所述初始风控规则的实际执行效果和客户的反馈，对所述初始风控规则进行优化，得到目标风控规则；将多个所述目标风控规则进行组合，形成所述目标风控规则库。3.根据权利要求2所述的方法，其中，所述机器学习模型通过以下方式训练得到：将所述样本数据集拆分为训练数据集和测试数据集，标记所述训练数据集中每个训练数据的实际风险类型；从所述训练数据集中提取关键特征；根据所述关键特征，从预设的多个机器学习模型中选择相匹配的机器学习初始模型；使用所述训练数据集和所述实际风险类型，对所述机器学习初始模型进行训练，得到训练好的机器学习模型。4.根据权利要求3所述的方法，其中，所述使用所述训练数据集和所述实际风险类型，对所述机器学习初始模型进行训练，包括：使用所述机器学习初始模型来识别所述训练数据集中的一个训练数据的预测风险类型；根据损失函数计算所述预测风险类型与所述训练数据集中所述一个训练数据的实际风险类型之间的差异；在所述差异符合预设条件的情况下，根据所述差异调整所述机器学习初始模型的参数，并针对所述训练数据集中的另一个训练数据，返回使用所述机器学习初始模型来识别所述训练数据集中的一个训练数据的预测风险类型的操作。5.根据权...

【专利技术属性】
技术研发人员：董文倩，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：