[发明专利]目标用户资产风险评估方法、装置、设备及存储介质在审
| 申请号: | 202210914511.9 | 申请日: | 2022-08-01 |
| 公开(公告)号: | CN115170297A | 公开(公告)日: | 2022-10-11 |
| 发明(设计)人: | 敬田禹 | 申请(专利权)人: | 深圳前海环融联易信息科技服务有限公司 |
| 主分类号: | G06Q40/02 | 分类号: | G06Q40/02;G06K9/62 |
| 代理公司: | 深圳市精英创新知识产权代理有限公司 44740 | 代理人: | 迟珊珊 |
| 地址: | 518000 广东省深圳市前海深港合作区前*** | 国省代码: | 广东;44 |
| 权利要求书: | 查看更多 | 说明书: | 查看更多 |
| 摘要: | |||
| 搜索关键词: | 目标 用户 资产 风险 评估 方法 装置 设备 存储 介质 | ||
1.一种目标用户资产风险评估方法,其特征在于,包括:
获取目标用户的多个资产关联信息,所述目标用户为与资产方存在业务关系的用户;
对所述资产关联信息进行结构化处理,得到资产关联结构化数据;
对所述资产关联结构化数据进行特征提取,得到资产关联特征数据;
根据预设的特征样本数据集及预设的分类模型对所述资产关联特征数据进行资产风险评估,得到所述目标用户的风险评估结果。
2.根据权利要求1所述的方法,其特征在于,所述预设的分类模型为KNN分类模型,所述根据预设的样本特征数据集及预设的分类模型对所述资产关联特征数据进行资产风险评估,得到所述目标用户的风险评估结果,包括:
计算所述资产关联特征数据与所述特征样本数据集中各特征样本数据间的样本距离;
根据所述样本距离从所述特征样本数据集中确定预设的目标个数的目标训练特征样本;
确定各所述目标训练特征样本的候选风险类别;
将包含数量最多的所述目标训练样本的所述候选风险类别确定为目标风险类别,并将所述目标风险类别确定所述风险评估结果。
3.根据权利要求2所述的方法,其特征在于,所述根据所述样本距离从所述特征样本数据集中确定预设的目标个数的目标训练特征样本,包括:
根据所述样本距离对各所述特征样本数据进行从小到大的排序,得到排序后的特征样本数据;
将所述排序后的特征样本数据中的前所述目标个数的特征样本数据确定为所述目标训练特征样本。
4.根据权利要求2所述的方法,其特征在于,所述将包含数量最多的所述目标训练样本的所述候选风险类别确定为目标风险类别,包括:
若数量最多的所述候选风险类别存在多个,则分别计算数量最多的所述候选风险类别对应的样本距离之和;
将所述样本距离之和最小的候选风险类别确定为所述目标风险类别;
若数量最多的所述候选风险类别存在一个,则将数量最多的所述候选风险类别确定为所述目标风险类别。
5.根据权利要求1所述的方法,其特征在于,所述对所述资产关联结构化数据进行特征提取,得到资产关联特征数据,包括:
根据预设的映射函数对所述资产关联结构化数据中的各子特征数据进行重要性加权处理;
根据重要性加权处理后的各子特征数据确定所述资产关联特征数据。
6.根据权利要求1所述的方法,其特征在于,多个所述资产关联信息包括:中登登记信息、资产关联的发票信息以及资产关联的企业主体信息。
7.根据权利要求1至6中任一项所述的方法,其特征在于,所述根据预设的特征样本数据集及预设的分类模型对所述资产关联特征数据进行资产风险评估,得到所述目标用户的风险评估结果之后,所述方法还包括:
若所述风险评估结果符合风险报警条件,则生成风险警报;
向预设的警报接收端发送所述风险警报。
8.一种目标用户资产风险评估装置,其特征在于,包括:
获取单元,用于获取目标用户的多个资产关联信息,所述目标用户为与资产方存在业务关系的用户;
处理单元,用于对所述资产关联信息进行结构化处理,得到资产关联结构化数据;对所述资产关联结构化数据进行特征提取,得到资产关联特征数据;根据预设的特征样本数据集及预设的分类模型对所述资产关联特征数据进行资产风险评估,得到所述目标用户的风险评估结果。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时可实现如权利要求1-7中任一项所述的方法。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于深圳前海环融联易信息科技服务有限公司,未经深圳前海环融联易信息科技服务有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202210914511.9/1.html,转载请声明来源钻瓜专利网。





