[發(fā)明專利]風險識別方法、裝置、計算機設備及可讀存儲介質

在審

• 申請?zhí)枺?/td>: 202011490367.8
• 申請日: 2020-12-17
• 公開（公告）號: CN112507305A
• 公開（公告）日: 2021-03-16
• 發(fā)明（設計）人: 劉強麗;張廣智;梁海濤
• 申請（專利權）人: 平安銀行股份有限公司
• 主分類號: G06F21/31
• 分類號: G06F21/31;G06F21/46;G06F21/60;G06Q20/40;G06Q40/02;G06N3/04;G06N3/08
• 代理公司: 北京英特普羅知識產權代理有限公司 11015
• 代理人: 程超

1.一種風險識別方法，其特征在于，包括：

與客戶端之間構建加密通信通道；

接收客戶端發(fā)送與業(yè)務請求相對應的身份信息；

根據所述身份信息向所述客戶端發(fā)送認證請求，接收所述客戶端根據所述認證請求從第三方認證平臺獲取并發(fā)送的認證信息；

通過預置的風險識別模型識別所述身份信息和認證信息中的風險數據，并根據所述風險數據對用戶進行評價得到風險信息；

訪問客戶端的決策庫獲取規(guī)則數據，并根據所述規(guī)則數據對所述身份信息和認證信息進行評價得到評價信息，將所述評價信息返回至所述客戶端。

2.根據權利要求1所述的風險識別方法，其特征在于，

所述接收客戶端發(fā)送與業(yè)務請求相對應的身份信息的步驟，包括：

接收客戶端發(fā)送的業(yè)務請求，并根據所述業(yè)務請求向所述客戶端發(fā)送身份請求，及接收所述客戶端根據身份請求發(fā)送的身份信息。

3.根據權利要求1所述的風險識別方法，其特征在于，所述風險識別模型包括預警模型；

所述識別所述身份信息和認證信息中的風險數據，并根據所述風險數據對用戶進行評價得到風險信息的步驟，包括：

將所述身份信息和認證信息進行向量化處理得到用戶特征；

通過所述預警模型對所述用戶特征進行計算，得到用于反映所述用戶特征風險概率的風險信息。

4.根據權利要求3所述的風險識別方法，其特征在于，獲得所述預警模型的方法，包括：

獲得初始神經網絡，及具有風險特征和風險標記的風險樣本；其中，所述風險標記反映了所述風險樣本的類型，所述風險特征反映了類型屬于所述風險標記的風險樣本所具備的特征向量；

將所述風險特征錄入所述初始神經網絡的輸入層，通過前向傳播算法控制所述初始神經網絡運算所述風險特征得到初始結果；

通過預置的損失函數根據所述初始結果和風險標記，對所述初始神經網絡的中間層進行迭代，直至所述初始結果與所述風險標記的差別小于預置的損失閾值為止，得到預警模型。

5.根據權利要求1所述的風險識別方法，其特征在于，所述識別所述身份信息和認證信息中的風險數據，并根據所述風險數據對用戶進行評價得到風險信息的步驟，包括：

構建具有失信數據的失信集合，所述失信集合中具有概括描述所述失信數據的元數據；

根據所述元數據從身份信息和認證信息中獲取待評價信息；

計算所述待評價信息與所述失信數據一致的數量，并將所述數量設為風險數據；

將所述失信數據與所述失信集合中失信數據的數量相除得到失信信息。

6.根據權利要求1所述的風險識別方法，其特征在于，所述訪問客戶端的決策庫獲取規(guī)則數據之前，所述方法包括：

判斷所述風險概率值是否超過預置的風險閾值；

若是，則向所述客戶端反饋高風險信息。

7.根據權利要求1所述的風險識別方法，其特征在于，所述訪問客戶端的決策庫獲取規(guī)則數據，并根據所述規(guī)則數據對所述身份信息和認證信息進行評價得到評價信息的步驟，包括：

調用所述決策引擎訪問所述客戶端的決策庫，獲取與所述業(yè)務請求對應的規(guī)則數據、標準值和風險值映射表；

調用所述決策引擎加載所述規(guī)則數據形成決策模型；

通過所述決策模型識別所述身份信息和認證信息中的風險數據，獲取所述風險數據在所述風險值映射表中的風險值，并將所述標準值中扣除所述風險值得到評價信息；

所述將所述標準值中扣除所述風險值得到評價信息之后，所述方法還包括：

將所述評價信息上傳至區(qū)塊鏈中。