【技术实现步骤摘要】
本专利技术涉及机器学习，尤其涉及银行资金转移风险用户识别方法及装置。
技术介绍
1、本部分旨在为权利要求书中陈述的本专利技术实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
2、目前，金融机构资金转移风险交易监测，主要依赖于人行风险识别点和监管要求，并据此制定和执行相应的银行资金转移风险规则模型，对存在风险的客户进行预警，推送给各个分支机构进行进一步cdd(customer due diligence，客户尽职调查)和edd(enhanced due diligence，增强尽职调查)，最终对人工审核确认可疑的客户进行上报。
3、在银行资金转移风险领域，常见的规则模型包括逻辑组合和评分模型，常用于识别和监测可疑的银行资金转移风险交易和客户。对于现有的银行资金转移风险可疑交易报告中，规则和评分模型的应用方式较为固定，通常是将多个原子规则进行逻辑组合或者加权评分。
4、这种方式主要依赖于业务专家经验，召回的风险客户数量对于各个原子规则的条件设定敏感，条件中的阈值设定繁多，规则逻辑组合复杂，难以通过调整各个原子规则的条件阈值，从而动态化控制召回的风险客群。
5、当业务人员希望通过调整规则阈值，来控制命中风险客户的数量时，目前规则模型的方式，难以准确控制需要召回客户的数量。若通过放宽原子规则的条件来增加预警数量，可能导致预警量过大，预警准确率低，给核查人员造成过大工作压力；若通过收紧原子规则的条件来减少预警数量，又可能导致预警的客群范围太小，造成过多的漏报情况。p>
技术实现思路
1、本专利技术实施例提供一种银行资金转移风险用户识别方法，用以实现对用户的银行资金转移风险等级的分级计算，提升银行资金转移风险用户的准确识别率和识别效率，该方法包括：
2、基于规则学习算法，对银行资金转移风险筛查规则进行规则拟合，得到拟合后的银行资金转移风险筛查规则；所述银行资金转移风险筛查规则用于描述根据决策树算法构建的确定用户是否存在银行资金转移风险以及确定用户银行资金转移风险等级的规则；
3、根据拟合后的银行资金转移风险筛查规则，对不同用户进行银行资金转移风险等级的计算；
4、将不同用户的用户特征和对应的银行资金转移风险等级，作为银行资金转移风险数据集；
5、将所述银行资金转移风险数据集作为训练集，对机器学习模型进行训练，得到银行资金转移风险识别模型；所述银行资金转移风险模型用于以用户的特征数据为输入数据，输出对应该用户的银行资金转移风险等级；
6、针对目标用户，以所述拟合后的银行资金转移风险筛查规则计算该目标用户的第一银行资金转移风险等级；将所述目标用户的用户特征输入至所述银行资金转移风险模型，得到该目标用户的第二银行资金转移风险等级；
7、对所述第一银行资金转移风险等级和第二银行资金转移风险等级进行加权计算，确定目标用户的银行资金转移风险等级。
8、本专利技术实施例还提供一种银行资金转移风险用户识别装置，用以实现对用户的银行资金转移风险等级的分级计算，提升银行资金转移风险用户的准确识别率和识别效率，该装置包括：
9、规则拟合模块，用于基于规则学习算法，对银行资金转移风险筛查规则进行规则拟合，得到拟合后的银行资金转移风险筛查规则；所述银行资金转移风险筛查规则用于描述根据决策树算法构建的确定用户是否存在银行资金转移风险以及确定用户银行资金转移风险等级的规则；
10、风险等级计算模块，用于根据拟合后的银行资金转移风险筛查规则，对不同用户进行银行资金转移风险等级的计算；
11、风险数据集确定模块，用于将不同用户的用户特征和对应的银行资金转移风险等级，作为银行资金转移风险数据集；
12、银行资金转移风险识别模型训练模块，用于将所述银行资金转移风险数据集作为训练集，对机器学习模型进行训练，得到银行资金转移风险识别模型；所述银行资金转移风险模型用于以用户的特征数据为输入数据，输出对应该用户的银行资金转移风险等级；
13、银行资金转移风险等级计算模块，用于针对目标用户，以所述拟合后的银行资金转移风险筛查规则计算该目标用户的第一银行资金转移风险等级；将所述目标用户的用户特征输入至所述银行资金转移风险模型，得到该目标用户的第二银行资金转移风险等级；
14、加权计算模块，用于对所述第一银行资金转移风险等级和第二银行资金转移风险等级进行加权计算，确定目标用户的银行资金转移风险等级。
15、本专利技术实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述银行资金转移风险用户识别方法。
16、本专利技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述银行资金转移风险用户识别方法。
17、本专利技术实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述银行资金转移风险用户识别方法。
18、本专利技术实施例中，基于规则学习算法，对银行资金转移风险筛查规则进行规则拟合，得到拟合后的银行资金转移风险筛查规则；所述银行资金转移风险筛查规则用于描述根据决策树算法构建的确定用户是否存在银行资金转移风险以及确定用户银行资金转移风险等级的规则；根据拟合后的银行资金转移风险筛查规则，对不同用户进行银行资金转移风险等级的计算；将不同用户的用户特征和对应的银行资金转移风险等级，作为银行资金转移风险数据集；将所述银行资金转移风险数据集作为训练集，对机器学习模型进行训练，得到银行资金转移风险识别模型；所述银行资金转移风险模型用于以用户的特征数据为输入数据，输出对应该用户的银行资金转移风险等级；针对目标用户，以所述拟合后的银行资金转移风险筛查规则计算该目标用户的第一银行资金转移风险等级；将所述目标用户的用户特征输入至所述银行资金转移风险模型，得到该目标用户的第二银行资金转移风险等级；对所述第一银行资金转移风险等级和第二银行资金转移风险等级进行加权计算，确定目标用户的银行资金转移风险等级，与现有技术中原子规则进行逻辑组合或者加权评分的技术方案相比，通过拟合后的银行资金转移风险筛查规则来得到银行资金转移风险数据集，并进行机器学习模型的训练，并借助加权训练，可实现对用户的银行资金转移风险等级的分级计算，提升了银行资金转移风险用户的准确识别率，提升了银行资金转移风险用户识别效率。
本文档来自技高网...【技术保护点】
1.一种银行资金转移风险用户识别方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，基于规则学习算法，对银行资金转移风险筛查规则进行规则拟合，得到拟合后的银行资金转移风险筛查规则，包括：
3.如权利要求1所述的方法，其特征在于，将所述银行资金转移风险数据集作为训练集，对机器学习模型进行训练，得到银行资金转移风险识别模型，包括：
4.如权利要求1所述的方法，其特征在于，还包括：
5.一种银行资金转移风险用户识别装置，其特征在于，包括：
6.如权利要求5所述的装置，其特征在于，规则拟合模块，具体用于：
7.如权利要求5所述的装置，其特征在于，银行资金转移风险识别模型训练模块，具体用于：
8.如权利要求5所述的装置，其特征在于，还包括：
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4任一所述方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有
11.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至4任一所述方法。
...【技术特征摘要】
1.一种银行资金转移风险用户识别方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，基于规则学习算法，对银行资金转移风险筛查规则进行规则拟合，得到拟合后的银行资金转移风险筛查规则，包括：
3.如权利要求1所述的方法，其特征在于，将所述银行资金转移风险数据集作为训练集，对机器学习模型进行训练，得到银行资金转移风险识别模型，包括：
4.如权利要求1所述的方法，其特征在于，还包括：
5.一种银行资金转移风险用户识别装置，其特征在于，包括：
6.如权利要求5所述的装置，其特征在于，规则拟合模块，具体用于：
7.如权利要求5...
【专利技术属性】
技术研发人员：阮逸松，张发波，俞泱，陈桂花，王培东，
申请(专利权)人：中国建设银行股份有限公司，
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。