[發(fā)明專利]數(shù)據(jù)交易權限控制方法、裝置和設備

在審

• 申請?zhí)枺?/td>: 202111040178.5
• 申請日: 2021-09-06
• 公開（公告）號: CN113793007A
• 公開（公告）日: 2021-12-14
• 發(fā)明（設計）人: 劉春;尹志斌;杜自然;董傳曄;邵雷
• 申請（專利權）人: 深圳市數(shù)聚灣區(qū)大數(shù)據(jù)研究院
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q30/02;G06Q30/06;G06K9/62
• 代理公司: 深圳市愛迪森知識產(chǎn)權代理事務所(普通合伙) 44341
• 代理人: 何婷

1.一種數(shù)據(jù)交易權限控制方法，其特征在于，包括：

獲取用戶初始信用數(shù)據(jù)；

根據(jù)所述用戶初始信用數(shù)據(jù)通過預先設置的隨機森林特征模型確定用戶的初始信用評估值；

根據(jù)所述用戶的初始信用評估值確定初始數(shù)據(jù)交易權限；

監(jiān)測所述用戶初始信用數(shù)據(jù)的變化信息；

根據(jù)所述變化信息通過預先設置的信用等級預測模型生成用戶風險評級；

根據(jù)所述用戶風險評級對所述數(shù)據(jù)交易權限進行控制。

2.如權利要求1所述的方法，其特征在于，所述用戶初始信用數(shù)據(jù)包括信用數(shù)據(jù)權重信息；

所述根據(jù)用戶初始信用數(shù)據(jù)通過預先設置的隨機森林特征模型確定用戶的初始信用評估值，包括：

根據(jù)所述權重信息對所述用戶初始信用數(shù)據(jù)進行篩選；

將篩選后的用戶初始信用數(shù)據(jù)作為樣本輸入所述隨機森林特征模型進行模型訓練；

通過訓練后的隨機森林特征模型確定用戶的初始信用評估值。

3.如權利要求2所述的方法，其特征在于，所述用戶初始信用數(shù)據(jù)的變化信息包括：用戶初始信用數(shù)據(jù)的變更和數(shù)據(jù)訪問行為；

所述根據(jù)變化信息通過預先設置的信用等級預測模型生成用戶風險評級，包括：

將變更后的用戶初始信用數(shù)據(jù)和數(shù)據(jù)訪問行為數(shù)據(jù)輸入梯度下降樹模型進行建模；

通過所述訓練后的梯度下降樹模型生成用戶風險評級。

4.如權利要求3所述的方法，其特征在于，所述對梯度下降樹模型進行建模，包括：

輸入樣本數(shù)據(jù)集和損失函數(shù)，其中所述損失函數(shù)表示對應類別的損失函數(shù)；

根據(jù)所述輸入訓練數(shù)據(jù)集和所述損失函數(shù)計算樣本點屬于每個類別的概率；

根據(jù)所述樣本點屬于每個類別的概率確定用戶對應類別的用戶風險評級。

5.如權利要求4所述的方法，其特征在于，所述根據(jù)用戶風險評級對所述數(shù)據(jù)交易權限進行控制之前，進一步包括：

根據(jù)所述初始信用評估值和所述用戶風險評級構建用戶特征數(shù)據(jù)集；

根據(jù)所述用戶特征數(shù)據(jù)集以距離最近法進行聚類；

當各聚類之間歐式距離均不小于預定閾值時，則輸出用戶風險分類分級結果。

6.如權利要求5所述的方法，其特征在于，所述根據(jù)用戶風險評級對所述數(shù)據(jù)交易權限進行控制，進一步包括：

將所述初始信用評估值、所述用戶風險評級和所述用戶風險分類分級結果取平均值；

將所述平均值作為所述用戶的最終信用分類分級結果；

根據(jù)所述最終信用分類分級結果對所述數(shù)據(jù)交易權限進行控制。

7.一種數(shù)據(jù)交易權限控制裝置，其特征在于，包括：

用戶初始信用數(shù)據(jù)獲取模塊：用于獲取用戶初始信用數(shù)據(jù)；

初始信用評估值確定模塊：用于根據(jù)所述用戶初始信用數(shù)據(jù)通過預先設置的隨機森林特征模型確定用戶的初始信用評估值；

初始數(shù)據(jù)交易權限確定模塊：用于根據(jù)所述用戶的初始信用評估值確定初始數(shù)據(jù)交易權限；

監(jiān)測模塊：用于監(jiān)測所述用戶初始信用數(shù)據(jù)的變化信息；

用戶風險等級生成模塊：用于根據(jù)所述變化信息通過預先設置的信用等級預測模型生成用戶風險評級；

數(shù)據(jù)交易權限控制模塊：用于根據(jù)所述用戶風險評級對所述數(shù)據(jù)交易權限進行控制。

8.如權利要求7所述的裝置，其特征在于，所述裝置進一步包括：

最終信用分類分級結果確定模塊：用于根據(jù)所述初始信用評估值和所述用戶風險評級構建用戶特征數(shù)據(jù)集，根據(jù)所述用戶特征數(shù)據(jù)集以距離最近法進行聚類；當各聚類之間歐式距離均不小于預定閾值時，則輸出用戶風險分類分級結果；將所述初始信用評估值、所述用戶風險評級和所述用戶風險分類分級結果取平均值，將所述平均值作為所述用戶的最終信用分類分級結果。