本公开涉及一种基于用户行为数据生成风险警示信息的方法、装置、电子设备及计算机可读介质。该方法包括：通过预先埋点的方式获取用户的行为数据，所述行为数据包括预设行为和其对应的时间；将所述行为数据输入词向量模型中生成用户词向量；将所述用户词向量输入用户风险模型中生成用户风险评分，其中，所述用户风险模型是通过双向递归神经网络训练生成；在所述用户风险评分小于阈值时，生成风险警示信息。本公开涉及的基于用户行为数据生成风险警示信息的方法、装置、电子设备及计算机可读介质，不依赖用户账户的历史信息，能够仅根据用户行为数据对用户的未来的风险行为进行识别，进而进行提前预警，减小企业资源损失。减小企业资源损失。减小企业资源损失。
【技术实现步骤摘要】
生成风险警示信息的方法、装置及电子设备
[0001]本公开涉及计算机信息处理领域，具体而言，涉及一种基于用户行为数据生成风险警示信息的方法、装置、电子设备及计算机可读介质。
技术介绍
[0002]金融风险防范是指金融市场主体在对相关分析的基础上运用一定的方法合规性地防范风险发生或规避风险以实现预期目标的行为。在当前的环境中，随着个人信贷需求的增加，涌现了越来越多的提供给个人用户的金融服务的公司，对于这些金融类的服务公司而言，提前预防用户个人的金融风险，是一个热门
[0003]在实际风控分析中，过去常常是通过人工信审的方式进行用户风险分析，可通过用户的工作、收入来源、办理渠道等基本信息，再结合业务审核标准判断是否对此类人进行金融服务，这种方式存在人工标准不统一、审查效率低及收集信息不真实等问题。目前普遍通用的方式是通过系统信审的方式，在取得客户授权后对客户历史征信记录进行调取，根据客户已有账户的资源占用表现，判断是否批准对此类人进行金融服务，这种方式解决了人工信审的所有问题，但对未有历史账户的客户无法正确评估以及产生滞后性的新问题。
[0004]随着金融服务平台的普及，越来越多的欺诈行为开始显现，金融服务平台面临着很多欺诈风险，包括借新还旧、中介、中介代办等具体分类，这类人伪装成用户后，往往会将用户信息伪装的很完美，仅仅从用户信息上是很难将这些人识别出来的，这种欺诈用户会导致金融机构在后续放款后造成巨大的坏账损失。
[0005]因此，需要一种新的基于用户行为数据生成风险警示信息的方法、装置、电子设备及计算机可读介质。
[0006]在所述
技术介绍
部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
[0007]有鉴于此，本公开提供一种基于用户行为数据生成风险警示信息的方法、装置、电子设备及计算机可读介质，不依赖用户账户的历史信息，能够仅根据用户行为数据对用户的未来的风险行为进行识别，进而进行提前预警，减小企业资源损失。
[0008]本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
[0009]根据本公开的一方面，提出一种基于用户行为数据生成风险警示信息的方法，该方法包括：通过预先埋点的方式获取用户的行为数据，所述行为数据包括预设行为和其对应的时间；将所述行为数据输入词向量模型中生成用户词向量；将所述用户词向量输入用户风险模型中生成用户风险评分，其中，所述用户风险模型是通过双向递归神经网络训练生成；在所述用户风险评分小于阈值时，生成风险警示信息。
[0010]可选地，还包括：历史用户数据输入词向量模型中生成历史用户词向量；通过带有
标签的历史用户词向量对双向递归神经网络进行训练，所述双向递归神经网络包含两个隐藏层；在双向递归神经网络的损失函数收敛时，生成所述用户风险模型。
[0011]可选地，还包括：在预设时间范围内对历史用户数据进行跟踪监督，生成监督数据；基于所述监督数据对所述用户风险模型的效果进行评估。
[0012]可选地，通过带有标签的历史用户词向量对双向递归神经网络进行训练，包括：将所述带有标签的历史用户数据输入双向递归神经网络中；基于双向递归神经网络中的第一隐藏层和第二隐藏层的节点的连接权重生成历史用户词向量之间的相关性；基于双向递归神经网络中的第一隐藏层和第二隐藏层的节点的连接权重的差异值生成历史用户词向量之间的相异性。
[0013]可选地，在双向递归神经网络的损失函数收敛时，生成所述用户风险模型，包括：在双向递归神经网络中通过反向传播的优化算法计算第一隐藏层和第二隐藏层之间的偏导方向；在双向递归神经网络中通过反向传播的优化算法计算第一隐藏层和第二隐藏层之间激活函数的交叉损失熵；基于所述偏导方向和所述交叉损失熵确定所述损失函数的收敛性。
[0014]可选地，通过预先埋点的方式获取用户的行为数据，包括：在用户端的应用中的预设页面设置数据采集代码；通过SDK采集工具和所述数据采集代码获取用户的行为数据。
[0015]可选地，将所述行为数据输入词向量模型中生成用户词向量，包括：将所述行为数据输入词向量模型中，所述词向量模型为通过Skip-Gram或CBOW模型；所述词向量模型将所述行为数据按照其对应的时间进行加工，生成多个序列向量；将所述多个序列向量转化为所述用户的用户词向量。
[0016]可选地，将所述多个序列向量转化为所述用户的用户词向量，包括：将所述多个序列向量进行维度转化以生成所述用户的用户词向量。
[0017]可选地，将所述用户词向量输入用户风险模型中生成用户风险评分，包括：将所述用户词向量输入用户风险模型中；用户风险模型中的第一隐藏层和第二隐藏层对所述用户词向量进行计算进而确定所述用户风险评分。
[0018]可选地，用户风险模型中的第一隐藏层和第二隐藏层对所述用户词向量进行计算进而确定所述用户风险评分，包括：用户风险模型中的第一隐藏层和第二隐藏层对所述用户词向量进行计算；基于所述计算结果确定所述用户风险模型的正向传播结果为所述用户风险评分。
[0019]根据本公开的一方面，提出一种基于用户行为数据生成风险警示信息的装置，该装置包括：行为模块，用于通过预先埋点的方式获取用户的行为数据，所述行为数据包括预设行为和其对应的时间；向量模块，用于将所述行为数据输入词向量模型中生成用户词向量；评分模块，用于将所述用户词向量输入用户风险模型中生成用户风险评分，其中，所述用户风险模型是通过双向递归神经网络训练生成；警示模块，用于在所述用户风险评分小于阈值时，生成风险警示信息。
[0020]可选地，还包括：训练模块，包括：历史单元，用于历史用户数据输入词向量模型中生成历史用户词向量；训练单元，用于通过带有标签的历史用户词向量对双向递归神经网络进行训练，所述双向递归神经网络包含两个隐藏层；函数单元，用于在双向递归神经网络的损失函数收敛时，生成所述用户风险模型。
[0021]可选地，所述训练模块，还包括：评估单元，用于在预设时间范围内对历史用户数据进行跟踪监督，生成监督数据；基于所述监督数据对所述用户风险模型的效果进行评估。
[0022]可选地，所述训练单元，还用于将所述带有标签的历史用户数据输入双向递归神经网络中；基于双向递归神经网络中的第一隐藏层和第二隐藏层的节点的连接权重生成历史用户词向量之间的相关性；基于双向递归神经网络中的第一隐藏层和第二隐藏层的节点的连接权重的差异值生成历史用户词向量之间的相异性。
[0023]可选地，所述函数单元，还用于在双向递归神经网络中通过反向传播的优化算法计算第一隐藏层和第二隐藏层之间的偏导方向；在双向递归神经网络中通过反向传播的优化算法计算第一隐藏层和第二隐藏层之间激活函数的交叉损失熵；基于所述偏导方向和所述交叉损失熵确定所述损失函数的收敛性。
[0024]可选地，所述行为模块，包括：埋点单元，用于在用户端的应用中本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于用户行为数据生成风险警示信息的方法，其特征在于，包括：通过预先埋点的方式获取用户的行为数据，所述行为数据包括预设行为和其对应的时间；将所述行为数据输入词向量模型中生成用户词向量；将所述用户词向量输入用户风险模型中生成用户风险评分，其中，所述用户风险模型是通过双向递归神经网络训练生成；在所述用户风险评分小于阈值时，生成风险警示信息。2.如权利要求1所述的方法，其特征在于，还包括：将历史用户数据输入词向量模型中生成历史用户词向量；通过带有标签的历史用户词向量对双向递归神经网络进行训练，所述双向递归神经网络包含两个隐藏层；在双向递归神经网络的损失函数收敛时，生成所述用户风险模型。3.如权利要求1-2中任一所述的方法，其特征在于，还包括：在预设时间范围内对历史用户数据进行跟踪监督，生成监督数据；基于所述监督数据对所述用户风险模型的效果进行评估。4.如权利要求1-3中任一所述的方法，其特征在于，通过带有标签的历史用户词向量对双向递归神经网络进行训练，包括：将所述带有标签的历史用户数据输入双向递归神经网络中；基于双向递归神经网络中的第一隐藏层和第二隐藏层的节点的连接权重生成历史用户词向量之间的相关性；基于双向递归神经网络中的第一隐藏层和第二隐藏层的节点的连接权重的差异值生成历史用户词向量之间的相异性。5.如权利要求1-4中任一所述的方法，其特征在于，在双向递归神经网络的损失函数收敛时，生成所述用户风险模型，包括：在双向递归神经网络中通过反向传播的优化算法计算第一隐藏层和第二隐藏层之间的偏导方向；在双向递归神经网络中通过反向传播的优化算...
【专利技术属性】
技术研发人员：胡弘毅，张涵，
申请(专利权)人：上海淇玥信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。