一种风险控制方法、系统、设备及介质与流程

本公开涉及金融科技技术领域，具体涉及一种风险控制方法、系统、设备及介质。

背景技术：

随着网络技术发展，收单系统从线下走向线上，又变成线上线下一体化，一体化的收单交易场景也越来越多样性，欺诈风险存在的环节也越多，风险要素不断变化。支付宝、微信等第三方快捷支付的兴起，收单市场变化日新月异。人民银行、银监局对网络金融的不断变化也会不断提出新的风险管理监管要求。对于传统的风控模型固化或者由人工维护的管理方法已经不能满足随市场变化而快速响应形成新的风控模型要求。

技术实现要素：

(一)要解决的技术问题

针对上述问题，本公开提供了一种风险控制方法、系统、设备及介质，用于至少部分解决传统风险控制方法时效性较差、有效性较低等技术问题。

(二)技术方案

本公开一方面提供了一种风险控制方法，包括：获取订单当前的风险监管要素；基于风险监管要素，预测关键指标的数值范围，关键指标用于表征订单的交易风险状况；获取关键指标的实际值；以及确定实际值是否在数值范围内，以检测订单是否出现交易异常。

进一步地，基于风险监管要素，预测关键指标的数值范围，包括：获取预测模型；以及将风险监管要素输入预测模型，以预测关键指标的数值范围。

进一步地，方法还包括：训练预测模型，该操作包括：获取训练数据集，训练数据集中包含历史风险监管要素以及对应的关键指标的历史值；以及利用历史风险监管要素和历史值训练预测模型。

进一步地，方法还包括：获取测试数据集，测试数据集中包含风险监管测试要素以及对应的关键指标的测试值；将风险监管测试要素输入预测模型得到输出值；以及比较输出值与测试值，以优化预测模型。

进一步地，训练预测模型，包括：离线训练预测模型。

进一步地，训练预测模型，包括：获取历史订单的交易要素；根据历史风险监管要素从交易要素中选取至少一个交易要素自动组装成至少一个预测模型；利用历史风险监管要素和历史值训练至少一个预测模型。

进一步地，训练预测模型，还包括：根据至少一个预测模型生成风险任务，根据风险任务的风险确认率和交易要素进行学习，以对至少一个预测模型进行更新。

进一步地，根据风险任务的风险确认率进行学习，包括：根据风险确认率，调整预测模型中交易要素的参数，以对至少一个预测模型进行更新。

进一步地，根据风险任务的交易要素进行学习，包括：增加、减少或调整交易要素，重新组装成至少一个预测模型，以对至少一个预测模型进行更新。

进一步地，训练预测模型，包括：将风险监管要素同时输入至少两个预测模型，至少两个预测模型中的其中一个为基础预测模型，至少两个预测模型中的其它模型为在基础预测模型上得到的派生预测模型；至少两个预测模型同时预测关键指标的数值范围。

本公开还有一方面提供了一种风险控制装置，包括：第一获取模块，用于获取订单当前的风险监管要素；预测模块，基于风险监管要素，预测关键指标的数值范围，关键指标用于表征订单的交易风险状况；第二获取模块，用于获取关键指标的实际值；以及确定模块，用于确定实际值是否在数值范围内，以检测订单是否出现交易异常。

进一步地，风险控制装置，还包括：采集模块，用于获取原始的风险监管要素及对应的关键指标的值；处理模块，用于对原始的风险监管要素及对应的关键指标的值进行预处理，得到训练数据集及测试数据集；训练模块，用于根据训练数据集训练预测模型；优化模块，用于根据测试数据集优化训练得到的预测模型。

本公开还有一方面提供了一种电子设备，包括：处理器；存储器，其存储有计算机可执行程序，该程序在被处理器执行时，使得处理器执行如前述风险控制方法。

本公开还有一方面提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如前述风险控制方法。

(三)有益效果

本公开实施例提供的一种风险控制方法、系统、设备及介质，通过确定关键指标的实际值是否在该数值范围内，以检测该订单是否出现交易异常，提高了交易风险控制的准确性与时效性；进一步地，通过交易要素自动组装成预测模型，使得预测模型可以根据业务需求迅速进行调整，快速对当前风险监管要求做出响应，对交易异常订单提出预警，提高了对交易风险控制过程的效率。

附图说明

图1示意性示出了传统风险控制方法的管理流程图；

图2示意性示出了根据本公开实施例风险控制方法的示例性系统架构图；

图3示意性示出了根据本公开实施例风险控制方法的流程图；

图4示意性示出了根据本公开实施例中基于风险监管要素预测关键指标的数值范围的流程图；

图5示意性示出了根据本公开实施例中训练预测模型的流程图；

图6示意性示出了根据本公开实施例中优化预测模型的流程图；

图7示意性示出了根据本公开实施例中预测模型生成及训练方法的流程图；

图8示意性示出了根据本公开实施例的风险控制装置的框图；

图9示意性示出了根据本公开具体实施例中风险控制方法的流程示意图；

图10示意性示出了根据本公开具体实施例中自我学习过程的流程示意图；

图11示意性示出了根据本公开具体实施例中预测模型的模型裂变与唤醒过程的流程示意图；

图12示意性示出了根据本公开实施例的计算机系统的框图。

具体实施方式

为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“a、b和c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b和c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。在使用类似于“a、b或c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b或c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。

附图中示出了一些方框图和/或流程图。应理解，方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外，本公开的技术可以采取存储有指令的计算机可读存储介质上的计算机程序产品的形式，该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。

本公开的实施例提供了一种风险控制方法、系统、设备及介质，针对不同监管需求可迅速反应，对预测模型进行调整，并根据该预测模型对交易异常订单提出预警，提高了对交易风险控制过程的效率。

图1示意性示出了根据本公开实施例的风险控制方法的示例性系统架构100。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、搜索类应用、即时通信工具、社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的风险控制方法一般可以由服务器105执行。相应地，本公开实施例所提供的用于风险控制方法的系统一般可以设置于服务器105中。本公开实施例所提供的风险控制方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的用于风险控制的系统也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

图2示意性示出了传统风险控制方法的管理流程图，当有新的业务、新监管要求或者市场变动时，需要经过业务人员分析变化提出新风险模型需求，然后由开发人员根据需求调整、修改模型，还需要业务维护参数或者做二次开发，需要经过多层传递才能在系统中实现反欺诈系统的更新与上线；新变化产生到新模型产生中间环节很多，时效性很差，效率低；且中间存在对风险理解的差异导致新的模型不能满足实际需求情况，对人员资源也造成浪费。

图3示意性示出了根据本公开实施例风险控制方法的流程图。

s1，获取订单当前的风险监管要素。

目前，一体化的收单交易场景也越来越多样性，欺诈风险存在的环节也越多，风险要素不断变化。人民银行、银监局对网络金融的不断变化也会不断提出新的风险管理监管要求。除了风险管理监管要求，风险监管要素还可以来源于新的业务、市场变动等。

例如，风险管理监管要求可以是加大对套现的风险控制、加强对恶意透支的风险控制。信用卡套现是指持卡人不是通过正常合法手续(atm或柜台)提取现金，而通过其他手段将卡中信用额度内的资金以现金的方式套取，同时又不支付银行提现费用的行为，常见的信用卡套现场景包括持卡人到开店的朋友或家人那里通过pos机刷信用卡，再通过朋友转钱给套现人，信用卡套现增加了我国金融秩序中的不稳定因素，也给持卡人自己带来极大的风险。这里风险监管要素即为套现。

恶意透支是指持卡人以非法占有为目的，超过规定限额或者规定期限透支，常见的恶意透支场景包括持卡人以极高的频率，在相距很近的信用卡营业点反复支取现金，积少成多，在短时间内占用银行大量现金。恶意透支是信用卡业务中的主要风险形式，进行合理的风险监控对促进信用卡业务的健康发展具有重大意义。这里风险监管要素即为恶意透支。

s2，基于风险监管要素，预测关键指标的数值范围，关键指标用于表征订单的交易风险状况。

根据不同风险控制需求对应的风险监管要素，预测订单中存在交易风险的数值范围，数值的高低反应了订单交易风险的高低，若订单交易风险高，则可迅速采取措施阻止订单完成，例如延缓或是停止该项订单的款项的入账。

s3，获取关键指标的实际值。

由于订单的交易情况不同，需要分别获取当前订单的交易风险的实际值，该实际值可通过订单信息按照预设策略计算得到。

s4，确定实际值是否在数值范围内，以检测订单是否出现交易异常。

确定实际值得到订单交易风险的高低，根据风险高低判断订单是否存在欺诈行为，进而得到是否存在交易异常。若述实际值落在所得的数值范围之外，则表明订单交易风险高，存在交易异常的情况，需要进一步处理以中指该项交易。应该理解在本公开实施例中，该关键指标预测的数值范围可以作为风险监控的阈值。

图4示意性示出了根据本公开实施例中基于风险监管要素预测关键指标的数值范围的流程图。

如图4所示，本公开实施例的操作s2即基于风险监管要素预测关键指标的数值范围例如可以包括操作s21～操作s22。

在操作s21，获取预测模型，该预测模型为根据历史数据训练得到。

在操作s22，将风险监管要素输入预测模型，以预测关键指标的数值范围。

根据本公开实施例，该预测模型可以基于输入的风险监管要素，输出对应的关键指标的数值范围，作为关键指标的预测值。应该理解，在本公开实施例中，该预测模型能够体现系统正常运行状态下，各风险监管要素与关键指标的关联关系，因此可以将预测模型输出的预测值作为指标监控阈值，用来进行关键指标异常检测。

根据前述信用卡套现场景中，例如当同一张信用卡在同一地点连续消费三次以上，且金额达到预设值，该预设模型对该订单的交易风险的关键指标的实际值落在所得的数值范围之外，则认为当前订单出现交易异常，可能存在套现的风险。根据前述恶意透支场景中，例如当信用卡在一段时间内，连续消费的金额超过信用卡额度20％，该预设模型对该订单的交易风险的关键指标的实际值落在所得的数值范围之外，则认为当前订单出现交易异常，可能存在恶意透支的风险。

图5示意性示出了根据本公开实施例的预测模型训练方法的流程图。

如图5所示，本公开实施例的预测模型训练方法例如可以包括操作s231～操作s232。

在操作s231，获取训练数据集，训练数据集中包含第一历史风险监管要素以及对应的关键指标的第一历史值。

在本公开实施例中，例如可以获取历史风险监管要素以及对应的关键指标的历史值，并将获取的数据作为训练数据。

在操作s232，利用第一历史风险监管要素和第一历史值训练预测模型。

在本公开实施例中，训练预测模型的过程即建立交易风险的高低与系统关键指标的关系的过程。由于模型的训练方法并不是本公开的重点，相关技术中任何可以实现模型训练的算法都在本公开的包含范围内，此处不再赘述。

在上述实施例的基础上，方法还包括：获取测试数据集，测试数据集中包含风险监管测试要素以及对应的关键指标的测试值；将风险监管测试要素输入预测模型得到输出值；以及比较输出值与测试值，以优化预测模型。

图6示意性示出了根据本公开实施例的优化预测模型方法的流程图。

如图6所示，本公开实施例的优化预测模型的方法例如可以包括操作s241～操作s243。

在操作s241，获取测试数据集，该测试数据集中包含第二历史风险监管测试要素以及对应的关键指标的第二历史值。基于操作s231相同的操作，通过对历史风险监管测试要素以及对应的关键指标的历史值进行数据量化及数据抽取处理，即可获得测试数据集。

在操作s242，将第二历史风险监管测试要素输入预测模型得到输出值。

在操作s243，比较该输出值与第二历史值，以优化预测模型。

通过本公开实施例，使用测试数据集对预测模型进行优化，可获得更优的预测模型，从而能够更有效地对当前订单进行异常检测。

在上述实施例的基础上，训练预测模型，包括：离线训练预测模型。

此外，还可以定期更新数据集不断优化训练模型，使其自适应环境差异和业务场景变化。通过本公开实施例，使用历史数据进行离线训练预测模型，从而可以避免在业务高峰期占用系统资源。同时，采用人工智能算法自动建立交易风险与系统关键指标的关联关系，且定期动态调整训练模型，具有较强的普适性和自适性。

图7示意性示出了根据本公开实施例的预测模型生成及训练方法的流程图。

如图7所示，本公开实施例的预测模型生成及训练的方法例如可以包括操作s251～操作s253。

在操作s251，获取历史订单的交易要素。

生成预测模型的过程包括：获取历史订单的交易要素，这里交易要素包括订单的交易信息，例如客户基本信息、消费信息和位置信息等，消费信息又包括订单交易金额、交易时间、信用卡额度、消费占额度的百分比等。现有的全部交易要素构成了一个，该交易要素库可以进行更新，例如可以根据市场变动、监管需求的变化以及新业务的加入等变化，加入新的交易要素或者是减少不再需要的交易要素。

在操作s252，根据历史风险监管要素从交易要素中选取至少一个交易要素自动组装成至少一个预测模型。

这里交易要素与预测模型是多对多的关系，即基于该交易要素库中的交易要素可以生产多个预测模型，每个预测模型可以包含多个交易要素。交易要素组装成预测模型的过程是通过人工智能实现的，该组装过程并不是本公开的重点，相关技术中任何可以实现模型组装的算法都在本公开的包含范围内，此处不再赘述。

根据前述信用卡套现场景中，风险监管要素即为套现，为了生成针对套现风险的模型，则从交易要素中选取与套现行为紧密关联的交易要素，包括交易时间、交易金额、交易频次，针对实际情况，这里的交易要素是可以调整的，模型是可以根据交易要素进行更新的。同时，该交易要素库还可以生产针对恶意透支的场景，即风险监管要素为恶意透支，为了生成针对恶意透支风险的模型，则从交易要素中选取与恶意透支行为紧密关联的交易要素，包括交易频次、信用额度、消费百分比，同样地，这里的交易要素是可以调整的，模型是可以根据交易要素进行更新的。

在操作s253，利用历史风险监管要素和历史值训练至少一个预测模型。

通过本公开实施例，根据历史风险监管要素从交易要素中选取至少一个交易要素自动组装成至少一个预测模型，可以快速应对各种业务、市场和监管需求的变化的需求，业务人员只需要关注业务、市场和监管需求的变化，把变化直接录入反欺诈系统，把风险识别交由系统本身；开发人员无需对业务有深入了解，只需关注因子生成、模型组装、模型自我训练、自我学习等模块开发，提高了风险管理的效率。

在上述实施例的基础上，训练预测模型，还包括：根据至少一个预测模型生成风险任务，根据风险任务的风险确认率和交易要素进行学习，以对至少一个预测模型进行更新。

从预测模型检测得到的交易异常订单中选取一定比例的订单作为风险任务，业务人员判断风险任务中订单的实际交易情况，得出真实的交易异常订单数量，真实交易异常订单数量与风险任务总订单数量的比值作为风险确认率，预测模型根据订单的实际交易情况、风险确认率和交易要素进行自我学习，调整模型参数，进行更新。

在上述实施例的基础上，根据风险任务的风险确认率进行学习，包括：根据风险确认率，调整预测模型中交易要素的参数，以对至少一个预测模型进行更新。

每个模型根据自身生成的风险任务和得到的处置结果进行更新，模型之间的自我学习过程互不影响。根据业务人员的处置结果，若风险确认率偏高或者偏低，则相应地调低或者调高模型中交易要素的阀值参数。根据前述信用卡套现场景中，若在1000笔订单中，预测模型识别出100笔订单为交易异常订单，即10％为交易异常订单；从100笔交易异常订单中选取20件作为风险任务，业务人员判断风险任务中订单的实际交易情况，得出真实的交易异常订单数量也为20件，即风险任务中的所有订单均为实际交易异常的订单，这时风险确认率为100％，100％的风险确认率被认为是偏高的，需要调低交易要素的阀值参数，例如可以将交易要素中的同一张信用卡在同一地点连续消费的消费次数从三次降低为两次，以扩大对套现行为识别的范围，加大对套现行为的打击力度以降低风险。

在上述实施例的基础上，根据风险任务的交易要素进行学习，包括：增加、减少或调整交易要素，重新组装成至少一个预测模型，以对至少一个预测模型进行更新。

根据应用需求可以对预测模型中包含的交易要素进行变更，包括增减新的交易要素、删除原有交易要素、调整交易要素之间的参数比例等等，以使模型迅速更新以适应新的监管需求或者业务等，加速了新模型生成的工作效率。

在上述实施例的基础上，训练预测模型，包括：将风险监管要素同时输入至少两个预测模型，至少两个预测模型中的其中一个为基础预测模型，至少两个预测模型中的其它模型为在基础预测模型上得到的派生预测模型；至少两个预测模型同时预测关键指标的数值范围。

同一类欺诈行为还可以通过两个或者多个模型同时进行检测订单是否出现交易异常，例如可以是在现有模型的基础上裂变得到的新的模型，现有模型和新的模型同时对该订单进行检测。基础模型通常为针对用户端的模型，针对同一订单，还可以加入针对商户端的模型，通过用户端和商户端同时对该订单检测是否出现交易异常。由于套现类的欺诈行为往往需要用户和商户的配合，加入商户端的模型可以提高对交易异常检测结果的准确率。

图8示意性示出了根据本公开实施例的风险控制装置的框图。如图8所示，应用于数据中心异常检测的检测装置800包括第一获取模块801、预测模块802、第二获取模块803和确定模块804。该风险控制装置可以执行上面参考方法实施例部分描述的方法，在此不再赘述。

具体地，第一获取模块801，用于获取订单当前的风险监管要素。

预测模块802，用于基于该风险监管要素，预测关键指标的数值范围，该关键指标用于表征订单的交易风险状况。

第二获取模块803，用于获取关键指标的实际值。

确定模块804，用于确定实际值是否在预测数值范围内，以检测该订单是否出现交易异常。

作为一种可选的实施例，该检测装置除了包括如图8所示的第一获取模块801、预测模块802、第二获取模块803和确定模块804外，例如还可以包括：采集模块、处理模块、训练模块及优化模块。

具体地，采集模块例如可以用于获取原始的风险监管要素及对应的关键指标的值。

处理模块例如可以用于对原始的风险监管要素及对应的关键指标的值进行预处理，得到训练数据集及测试数据集。该训练数据集中包含历史风险监管要素以及对应的关键指标的历史值，该测试数据集中包含风险监管测试要素以及对应的关键指标的测试值。

训练模块例如可以用于根据训练数据集训练预测模型。

优化模块例如可以用于根据测试数据集优化训练得到的预测模型。

需要说明的是，装置部分的实施例方式与方法部分的实施例方式对应类似，并且所达到的技术效果也对应类似，在此不再赘述。

根据本公开的实施例的模块中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

例如，第一获取模块801、预测模块802、第二获取模块803、确定模块804中的任意多个可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块第一获取模块801、预测模块802、第二获取模块803、确定模块804中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一获取模块801、预测模块802、第二获取模块803、确定模块804中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图9为本公开提供的一个具体实施例风险控制方法的流程示意图。

业务人员根据市场变动、监管新需求、收单新业务等得到业务、监管等要素，将该业务、监管等要素录入反欺诈系统，反欺诈系统包括识别因子生成和风险模型组装两大步，识别因子生成即根据交易信息提取出来的交易要素作为识别因子，包括订单的交易信息，例如客户基本信息、消费信息和位置信息等，消费信息又包括订单交易金额、交易时间、信用卡额度、消费占额度的百分比等。根据监管需求将因子库中的因子自动组装得到多个应对不同场景的预测模型。

新框架由反欺诈系统进行风险识别因子生成和风险模型组装，有以下优势：

(1)业务人员只需要关注业务、市场和监管需求的变化，把变化直接录入反欺诈系统，把风险识别交由系统本身。

(2)开发人员无需对业务有深入了解，只需关注因子生成、模型组装、模型自我训练、自我学习等模块开发。

(3)新框架减少业务人员、开发人员和系统直接的多次交换，风控管理满足快速效应各种业务、市场和监管需求的变化的需求。

图10为本实施例中预测模型的自我学习过程的流程示意图。

模型自我学习是根据模型生成任务后，对任务处理结果进行学习，主要是根据风险确认率和确认要素等进行学习：

风险确认率低，即按比例提高阀值参数；

风险确认率高，即按比例降低阀值参数；

如果确认要素有缺失，即补充因子，如果某因子一直没有被使用，即按一定规则把因子做退出。

如果处理结果经过一段自我学习后风险确认率还是很低，那么模型会按规则睡眠一段时间，模型自我睡眠一段时间后自我唤醒，经过3次自我睡眠-自我唤醒后，确认率还是低即模型自动退出。

图11为本实施例中预测模型的模型裂变与唤醒过程的流程示意图。

a模型是客户维度模型，自我学习时发现需要新增对商户维度模型，就会自我裂变出新的模型x；如果学习发现商户维度模型已经存在且在休眠中，即对模型重新唤醒：

新模型x由识别因子库提取需要的识别因子，自动组装为x+训练模型。

x+训练模型会按比例抽取部分交易进行训练，识别出来结果也是按一定比例生成任务。

x+模型生成时本身也会自我学习，不断调整识别因子阀值或者调整识别因子。

x+模型训练一段时间后转为正式模型。

如果发现商户维度模型已经存在且在休眠中，即对模型重新唤醒，唤醒模型也会经过一段时间的训练才转为正式模型。

本实施例提供了一种针对收单系统高效风控模型管理方法，可以满足各种随市场、业务和监管要求等变化而进行自我训练、自我学习、模型裂变、模型休眠和模型退出等，该方法高效，能快速对当前风险监管要求做出响应，对交易异常订单提出预警，且提高了对交易风险控制过程的效率。

图12示意性示出了根据本公开另一实施例的电子设备的框图。

如图12所示，电子设备900包括处理器910、计算机可读存储介质920。该电子设备900可以执行根据本公开实施例的方法。

具体地，处理器910例如可以包括通用微处理器、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(asic))，等等。处理器910还可以包括用于缓存用途的板载存储器。处理器910可以是用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

计算机可读存储介质920，例如可以是能够包含、存储、传送、传播或传输指令的任意介质。例如，可读存储介质可以包括但不限于电、磁、光、电磁、红外或半导体系统、装置、器件或传播介质。可读存储介质的具体示例包括：磁存储装置，如磁带或硬盘(hdd)；光存储装置，如光盘(cd-rom)；存储器，如随机存取存储器(ram)或闪存；和/或有线/无线通信链路。

计算机可读存储介质920可以包括计算机程序921，该计算机程序921可以包括代码/计算机可执行指令，其在由处理器910执行时使得处理器910执行根据本公开实施例的方法流程及其任何变形。

计算机程序921可被配置为具有例如包括计算机程序模块的计算机程序代码。例如，在示例实施例中，计算机程序921中的代码可以包括一个或多个程序模块，例如包括921a、模块921b、……。应当注意，模块的划分方式和个数并不是固定的，本领域技术人员可以根据实际情况使用合适的程序模块或程序模块组合，当这些程序模块组合被处理器910执行时，使得处理器910可以执行根据本公开实施例的方法流程及其任何变形。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/系统/系统中所包含的，也可以是单独存在，而未装配入该设备/系统/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

尽管已经参照本公开的特定示例性实施例示出并描述了本公开，但是本领域技术人员应该理解，在不背离所附权利要求及其等同物限定的本公开的精神和范围的情况下，可以对本公开进行形式和细节上的多种改变。因此，本公开的范围不应该限于上述实施例，而是应该不仅由所附权利要求来进行确定，还由所附权利要求的等同物来进行限定。

以上所述的具体实施例，对本公开的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本公开的具体实施例而已，并不用于限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。