[发明专利]违规行为判别方法、装置、计算机设备和存储介质

说明书

本发明涉及一种违规行为判别方法、装置、计算机设备和存储介质，涉及基于人工智能违规风险预测。包括：获取待评估主体的特征信息；将所述特征信息输入至违规风险评分模型得到违规风险评分；若所述违规风险评分大于设定阈值，则获取所述待评估主体在设定时间窗口的行为记录；将所述行为记录输入至规则模型得到违规行为标签。采用本方法使违规风险评估效率更高。

技术领域

本发明涉及计算机技术领域，特别是涉及一种违规行为判别方法、装置、计算机设备和存储介质。

背景技术

随着云时代的来临，大数据(Big data)也吸引了越来越多的关注。随着大数据处理技术的日益成熟，产生了越来越多应用分支，如基于大数据分析做违规风险预测。

传统的基于大数据进行违规风险评估方式为：通过数据识别和逻辑分析从海量数据中定位出违规风险信息或者违规行为。这种违规风险预测方式在预测比较复杂的数据且待预测的数据量较大时，风险预测效率非常低。

发明内容

基于此，有必要针对上述技术问题，提供一种能够使违规风险评估效率更高的违规行为判别方法、装置、计算机设备和存储介质。

一种违规行为判别方法，包括：

获取待评估主体的特征信息；

将所述特征信息输入至违规风险评分模型得到违规风险评分；

若所述违规风险评分大于设定阈值，则获取所述待评估主体在设定时间窗口的行为记录；

将所述行为记录输入至规则模型得到违规行为标签。

在一个实施例中，在所述将所述行为记录输入至规则模型得到违规行为标签之后，还包括：

根据预先定义的所述违规行为标签与风险指向关键字的关联关系，得到所述评估主体对应的所述风险指向关键字。

在一个实施例中，所述方法还包括：

获取待评估主体对应的因子树，所述因子树的节点包括描述所述待评估主体特征的因子；

根据待构建的违规风险评分模型的目标变量，从所述因子树中选取因子作为模型的特征变量；

根据确定的所述特征变量和所述目标变量构建违规风险评分模型。

在一个实施例中，在所述因子树中为每个所述因子标注对应的关联数据的数据定位信息和数据处理信息；

所述根据确定的所述特征变量和所述目标变量构建违规风险评分模型，包括：

从所述因子树中获取所述特征变量对应的所述数据定位信息和所述数据处理信息；

根据所述数据定位信息获取所述特征变量对应的关联数据；

根据所述数据处理信息对获取的所述关联数据进行预处理得到训练样本；

将所述训练样本输入至预先选定的模型算法中进行监督学习，得到违规风险评分模型。

在一个实施例中，所述根据待构建的违规风险评分模型的目标变量从所述因子树中选取因子作为模型的特征变量，包括：

计算所述因子树中每个因子对待构建的违规风险评分模型的目标变量的判别能力值；

根据所述判别能力值从所述因子树中选取因子作为模型的特征变量。

一种违规行为判别装置，包括：

特征信息获取模块，用于获取待评估主体的特征信息；

评分模块，用于将所述特征信息输入至违规风险评分模型得到违规风险评分；