本申请涉及一种风控策略切换方法、装置、计算机设备和存储介质，方法包括：获取待识别对象的自学习特征数据集并输入预先构建的风控模型，得到待识别对象的风控预测值；预先构建的风控模型是多个预设风控模型中准确度最高的预设风控模型；多个预设风控模型均基于样本自学习特征数据集训练得到；根据待识别对象的风控预测值，确定与待识别对象对应的目标风控策略；若待识别对象的当前风控策略与目标风控策略不同，则将待识别对象的当前风控策略切换为目标风控策略。本申请能够提高对待识别对象进行风控预测的准确性；同时能够根据风控预测值的变化及时对待识别对象的当前风控策略进行切换，提高了对待识别对象进行风控的时效性。性。性。
【技术实现步骤摘要】
风控策略切换方法、装置、计算机设备和存储介质
[0001]本申请涉及风险识别
，特别是涉及一种风控策略切换方法、装置、计算机设备和存储介质。
技术介绍
[0002]随着经济水平的不断提高，企业之间的交易愈加频繁，单笔数额也愈加庞大；企业为了保证交易安全，会根据业务需要对有意向进行交易合作的对象进行风险预判，以免造成不必要的损失。
[0003]传统的风险控制通常是在作出交易决定之前，由人工预先从多种途径收集对象信息并进行整合；根据之前的风控经验，基于整合后的信息作出风险判断，根据判断结果决定是否与该对象交易。但这种风险控制方式过于依赖有关人员的经验，同时有关人员不能根据对象经营环境的变化及时做出不同风控策略的调整，因此现有的风险控制方法尤其是风控策略切换方式的时效性较差，且准确性较低。
技术实现思路
[0004]基于此，有必要针对上述技术问题，提供一种风控策略切换方法、装置、计算机设备和存储介质。
[0005]一种风控策略切换方法，所述方法包括：
[0006]获取待识别对象的自学习特征数据集；
[0007]将所述待识别对象的自学习特征数据集输入预先构建的风控模型，得到所述待识别对象的风控预测值；所述预先构建的风控模型是多个预设风控模型中准确度最高的预设风控模型；多个所述预设风控模型均基于样本自学习特征数据集训练得到；
[0008]根据所述待识别对象的风控预测值，确定与所述待识别对象对应的目标风控策略；
[0009]若所述待识别对象的当前风控策略与所述目标风控策略不同，则将所述待识别对象的当前风控策略切换为所述目标风控策略。
[0010]在其中一个实施例中，所述待识别对象的自学习特征数据集，通过以下方式获得：
[0011]获取所述待识别对象在预设周期内的商业公开信息以及物流特征信息；
[0012]从所述商业公开信息以及所述物流特征信息中提取出与所述预设风控规则对应的数据，作为所述待识别对象的自学习特征数据集。
[0013]在其中一个实施例中，所述物流特征信息包括以所述待识别对象为核心的物流特征关系网；所述物流特征关系网基于所述待识别对象与其他对象的物流交互行为确定。
[0014]在其中一个实施例中，所述根据所述待识别对象的风控预测值，确定与所述待识别对象对应的目标风控策略，包括：
[0015]根据所述待识别对象的风控预测值与预设风控预测阈值的大小关系，确定出所述待识别对象的风控角色；
[0016]获取与所述待识别对象的风控角色对应的风控策略集；所述风控策略集中包括至少一个与所述风控角色对应的风控策略；
[0017]根据所述风控预测值，从与所述待识别对象的风控角色对应的风控策略集中选取与所述风控预测值相对应的风控策略作为与所述待识别对象对应的目标风控策略。
[0018]在其中一个实施例中，所述根据所述风控预测值，从与所述待识别对象的风控角色对应的风控策略集中选取与所述风控预测值相对应的风控策略作为与所述待识别对象对应的目标风控策略，包括：
[0019]获取所述风控策略集中预先设置的风控策略等级表；所述风控策略等级表记载有多个所述风控策略与所述风控预测值之间的对应关系；
[0020]从所述预设风控策略等级表中，根据所述对应关系确定出与所述待识别对象的风控预测值匹配的风控策略作为所述目标风控策略。
[0021]在其中一个实施例中，所述预先构建的风控模型通过以下方法获得：
[0022]根据所述样本自学习特征数据集，构建训练数据集以及验证数据集；
[0023]根据所述训练数据集对多个所述预设风控模型进行训练，得到多个训练后的预设风控模型；
[0024]根据所述验证数据集对多个所述训练后的预设风控模型进行验证，根据验证结果从多个所述训练后的预设风控模型中确定出所述预先构建的风控模型。
[0025]在其中一个实施例中，所述验证数据集携带有标签信息；
[0026]所述根据所述验证数据集对多个所述训练后的预设风控模型进行验证，包括：
[0027]将携带有标签信息的所述验证数据集输入多个所述预设风控模型，得到多个所述预设风控模型确定出的预测结果；
[0028]根据所述标签信息以及所述预测结果，生成与各个所述预设风控模型对应的混淆矩阵；
[0029]根据所述混淆矩阵确定出各个所述预设风控模型的准确度，将所述准确度最高的预设风控模型作为所述预先构建的风控模型。
[0030]一种风控策略切换装置，所述装置包括：
[0031]数据获取模块，用于获取待识别对象的自学习特征数据集；
[0032]风控预测模块，用于将所述待识别对象的自学习特征数据集输入预先构建的风控模型，得到所述待识别对象的风控预测值；所述预先构建的风控模型是多个预设风控模型中准确度最高的预设风控模型；多个所述预设风控模型均基于样本自学习特征数据集训练得到；
[0033]策略确定模块，用于根据所述待识别对象的风控预测值，确定与所述待识别对象对应的目标风控策略；
[0034]策略切换模块，用于若所述待识别对象的当前风控策略与所述目标风控策略不同，则将所述待识别对象的当前风控策略切换为所述目标风控策略。
[0035]一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0036]获取待识别对象的自学习特征数据集；
[0037]将所述待识别对象的自学习特征数据集输入预先构建的风控模型，得到所述待识
别对象的风控预测值；所述预先构建的风控模型是多个预设风控模型中准确度最高的预设风控模型；多个所述预设风控模型均基于样本自学习特征数据集训练得到；
[0038]根据所述待识别对象的风控预测值，确定与所述待识别对象对应的目标风控策略；
[0039]若所述待识别对象的当前风控策略与所述目标风控策略不同，则将所述待识别对象的当前风控策略切换为所述目标风控策略。
[0040]一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0041]获取待识别对象的自学习特征数据集；
[0042]将所述待识别对象的自学习特征数据集输入预先构建的风控模型，得到所述待识别对象的风控预测值；所述预先构建的风控模型是多个预设风控模型中准确度最高的预设风控模型；多个所述预设风控模型均基于样本自学习特征数据集训练得到；
[0043]根据所述待识别对象的风控预测值，确定与所述待识别对象对应的目标风控策略；
[0044]若所述待识别对象的当前风控策略与所述目标风控策略不同，则将所述待识别对象的当前风控策略切换为所述目标风控策略。
[0045]上述风控策略切换方法、装置、计算机设备和存储介质，方法包括：获取待识别对象的自学习特征数据集；将待识别对象的自学习特征数据集输入预先构建的风控模型，得到待识别对象的风控预测值；本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种风控策略切换方法，其特征在于，所述方法包括：获取待识别对象的自学习特征数据集；将所述待识别对象的自学习特征数据集输入预先构建的自学习风控模型，得到所述待识别对象的风控预测值；所述预先构建的风控模型是多个预设风控模型中准确度最高的预设风控模型；多个所述预设风控模型均基于样本自学习特征数据集训练得到；根据所述待识别对象的风控预测值，确定与所述待识别对象对应的目标风控策略；若所述待识别对象的当前风控策略与所述目标风控策略不同，则将所述待识别对象的当前风控策略切换为所述目标风控策略。2.根据权利要求1所述的方法，其特征在于，所述待识别对象的自学习特征数据集，通过以下方式获得：获取所述待识别对象在预设周期内的商业公开信息以及物流特征信息；从所述商业公开信息以及所述物流特征信息中提取出与所述预设风控规则对应的数据，作为所述待识别对象的自学习特征数据集。3.根据权利要求2所述的方法，其特征在于，所述物流特征信息包括以所述待识别对象为核心的物流特征关系网；所述物流特征关系网基于所述待识别对象与关联对象的物流交互行为确定。4.根据权利要求1所述的方法，其特征在于，所述根据所述待识别对象的风控预测值，确定与所述待识别对象对应的目标风控策略，包括：根据所述待识别对象的风控预测值与预设风控预测阈值的大小关系，确定出所述待识别对象的风控角色；获取与所述待识别对象的风控角色对应的风控策略集；所述风控策略集中包括至少一个与所述风控角色对应的风控策略；根据所述风控预测值，从与所述待识别对象的风控角色对应的风控策略集中选取与所述风控预测值相对应的风控策略作为与所述待识别对象对应的目标风控策略。5.根据权利要求1所述的方法，其特征在于，所述根据所述风控预测值，从与所述待识别对象的风控角色对应的风控策略集中选取与所述风控预测值相对应的风控策略作为与所述待识别对象对应的目标风控策略，包括：获取所述风控策略集中预先设置的风控策略等级表；所述风控策略等级表记载有多个所述风控策略与所述风控预测值之间的对应关系；从所述预设风控策略等级表中，根据...
【专利技术属性】
技术研发人员：宋晓丽，杨冬冬，匡荣杰，
申请(专利权)人：顺丰恒通支付有限公司，
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。