基于模型部署的评分模型调整方法、装置和计算机设备与流程

本申请涉及计算机技术领域，特别是涉及一种基于模型部署的评分模型调整方法、装置和计算机设备。

背景技术：

随着计算机技术的不断发展，互联网金融产业也随之迅速发展。目前互联网金融产业已经渗透到衣食住行等各个领域，出现了一些包括支付、理财、保险、出行、消费等功能的各类互联网金融产品和平台。然而互联网金融存在一定的风险，需要建立良好的风险管理体系，以对互联网金融交易中的风险进行管控。因此出现了一些通过评分模型对用户的消费行为进行评估的方式，对交易中存在的风险进行预警。

然而，传统的的方式大多是通过预设的评分模型对用户的历史消费行为数据进行分析和评分。而评分模型的维度比较单一，评分模型一旦建立后，可修改和调整的部分比较少，评分模型的灵活性也较低，进而导致评分模型的评分准确度较低。因此，如何有效地提高评分模型的评估准确率成为目前需要解决的技术问题。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种能够有效地提高评分模型的评估准确率的基于模型部署的评分模型调整方法、装置和计算机设备。

一种基于模型部署的评分模型调整方法，包括：

根据预设频率从数据库中获取业务类型对应的多个用户数据、业务数据和历史行为数据；

根据所述业务类型获取预设的风控模型，通过所述风控模型对所述用户数据、业务数据和历史行为数据进行分析，得到分析结果数据；

当所述分析结果数据中存在风险标签时，对所述分析结果数据进行特征提取，提取出多个风险因子；

计算所述多个风险因子的权重和特征维度值；

根据所述业务类型获取评分模型，根据所述多个风险因子的权重和特征维度值对所述评分模型进行调整，得到更新的评分模型。

在其中一个实施例中，所述根据所述业务类型获取预设的评分模型之前，还包括：获取多个用户数据、业务数据和历史行为数据；对多个用户数据、业务数据和历史行为数据进行聚类分析，得到聚类结果；根据聚类结果进行特征选择，得到多个风险因子；根据预设算法计算多个风险因子对应的权重和特征维度值；根据多个风险因子的权重和特征维度值按照预设方式建立评分模型。

在其中一个实施例中，所述评分模型包括多个预设的风险因子，所述根据所述多个风险因子的权重和特征维度值对所述评分模型进行调整，包括：获取所述评分模型中的风险因子的权重和特征维度值；根据提取的多个风险因子以及对应的权重和特征维度值对所述评分模型中的风险因子的权重和特征维度值进行调整，得到调整后的风险因子和对应的权重和特征维度值；根据调整后的风险因子和对应的权重和特征维度值按照预设方式对所述评分模型进行重构，得到更新的评分模型。

在其中一个实施例中，所述方法还包括：接收用户终端发送的业务请求，所述业务请求包括用户标识、业务类型和业务数据；根据所述用户标识获取对应的用户历史行为数据；根据所述业务类型获取更新的评分模型，通过所述评分模型对所述用户历史行为数据和业务数据进行评分，得到所述业务请求的评分结果；当所述评分结果低于预设评分时，对所述业务请求进行拦截，并向对应的监控终端发送预警提示信息。

在其中一个实施例中，所述方法还包括：根据预设频率获取用户标识对应的用户历史行为数据和业务数据；获取更新的评分模型，通过所述评分模型对所述用户历史行为数据和业务数据进行评分，得到所述用户标识的评分结果；根据所述评分结果对所述用户标识添加对应的评分标签，并根据所述用户标识进行存储。

一种基于模型部署的评分模型调整装置，包括：

数据获取模块，用于根据预设频率从数据库中获取业务类型对应的多个用户数据、业务数据和历史行为数据；

风险分析模块，用于根据所述业务类型获取预设的风控模型，通过所述风控模型对所述用户数据、业务数据和历史行为数据进行分析，得到分析结果数据；

特征提取模块，用于当所述分析结果数据中存在风险标签时，对所述分析结果数据进行特征提取，提取出多个风险因子；

计算模块，用于计算所述多个风险因子的权重和特征维度值；

模型调整模块，用于根据所述业务类型获取评分模型，根据所述多个风险因子的权重和特征维度值对所述评分模型进行调整，得到更新的评分模型。

在其中一个实施例中，所述装置还包括模型建立模块，用于获取多个用户数据、业务数据和历史行为数据；对多个用户数据、业务数据和历史行为数据进行聚类分析，得到聚类结果；根据聚类结果进行特征选择，得到多个风险因子；根据预设算法计算多个风险因子对应的权重和特征维度值；根据多个风险因子的权重和特征维度值按照预设方式建立评分模型。

在其中一个实施例中，所述评分模型包括多个预设的风险因子，所述模型调整模块还用于获取所述评分模型中的风险因子的权重和特征维度值；根据提取的多个风险因子以及对应的权重和特征维度值对所述评分模型中的风险因子的权重和特征维度值进行调整，得到调整后的风险因子和对应的权重和特征维度值；根据调整后的风险因子和对应的权重和特征维度值按照预设方式对所述评分模型进行重构，得到更新的评分模型。

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：

根据预设频率从数据库中获取业务类型对应的多个用户数据、业务数据和历史行为数据；

根据所述业务类型获取预设的风控模型，通过所述风控模型对所述用户数据、业务数据和历史行为数据进行分析，得到分析结果数据；

当所述分析结果数据中存在风险标签时，对所述分析结果数据进行特征提取，提取出多个风险因子；

计算所述多个风险因子的权重和特征维度值；

根据所述业务类型获取评分模型，根据所述多个风险因子的权重和特征维度值对所述评分模型进行调整，得到更新的评分模型。

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：

根据预设频率从数据库中获取业务类型对应的多个用户数据、业务数据和历史行为数据；

根据所述业务类型获取预设的风控模型，通过所述风控模型对所述用户数据、业务数据和历史行为数据进行分析，得到分析结果数据；

当所述分析结果数据中存在风险标签时，对所述分析结果数据进行特征提取，提取出多个风险因子；

计算所述多个风险因子的权重和特征维度值；

根据所述业务类型获取评分模型，根据所述多个风险因子的权重和特征维度值对所述评分模型进行调整，得到更新的评分模型。

上述基于模型部署的评分模型调整方法、装置和计算机设备，根据预设频率从数据库中获取业务类型对应的多个用户数据、业务数据和历史行为数据。获取预设的风控模型，通过风控模型对用户数据、业务数据和历史行为数据进行分析，得到分析结果数据，通过风控模型对大量用户数据、业务数据和历史行为数据进行分析，能够有效地分析出每种业务类型所存在的风险因素。当分析结果数据中存在风险标签时，对分析结果数据进行特征提取，提取出多个风险因子；计算多个风险因子的权重和特征维度值。根据业务类型获取预设的评分模型，根据多个风险因子的权重和特征维度值对评分模型进行调整，得到更新的评分模型。通过风控模型对大量用户数据、业务数据和历史行为数据进行分析，能够有效地分析出每种业务类型所存在的风险因子，进而通过分析出的风险因子对业务类型对应的评分模型进行调整，由此能够有效地对评分模型进行动态调整，进而能够有效地提高评分模型的评估准确性。

附图说明

图1为一个实施例中基于模型部署的评分模型调整方法的应用场景图；

图2为一个实施例中基于模型部署的评分模型调整方法的流程示意图；

图3为一个实施例中评分模型建立步骤的流程示意图；

图4为一个实施例中评分模型调整步骤的流程示意图；

图5为一个实施例中基于模型部署的评分模型调整装置的结构框图；

图6为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的基于模型部署的评分模型调整方法，可以应用于如图1所示的应用环境中。其中，用户终端102通过网络与服务器104通过网络进行通信。其中，用户终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。服务器104根据预设频率从数据库中获取业务类型对应的多个用户数据、业务数据和历史行为数据。其中，用户数据、业务数据和历史行为数据可以是多个用户终端102向服务器发送业务请求，服务器104对多个终端发送的业务请求进行处理后生成的数据。服务器104进而获取预设的风控模型，通过风控模型对用户数据、业务数据和历史行为数据进行分析，得到分析结果数据，通过风控模型对大量用户数据、业务数据和历史行为数据进行分析，能够有效地分析出每种业务类型所存在的风险因素。当分析结果数据中存在风险标签时，对分析结果数据进行特征提取，提取出多个风险因子；计算多个风险因子的权重和特征维度值。服务器104根据业务类型获取预设的评分模型，根据多个风险因子的权重和特征维度值对评分模型进行调整，得到更新的评分模型。通过风控模型对大量用户数据、业务数据和历史行为数据进行分析，能够有效地分析出每种业务类型所存在的风险因子，进而通过分析出的风险因子对业务类型对应的评分模型进行调整，由此能够有效地对评分模型进行动态调整，进而能够有效地提高评分模型的评估准确性。

在一个实施例中，如图2所示，提供了一种基于模型部署的评分模型调整方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

步骤202，根据预设频率从数据库中获取业务类型对应的多个用户数据、业务数据和历史行为数据。

服务器中部署了业务系统，业务系统中包括多个子业务系统。用户终端可以通过业务系统发起业务请求，业务请求中包括用户数据和业务信息，服务器对多个用户终端发送的业务请求进行处理后，生成对应的业务数据，并根据用户标识进行存储。

服务器则可以根据预设频率从本地数据库中获取业务类型对应的大量用户数据和业务数据，还可以从本地数据库或第三方数据库中获取多个用户标识的用户数据和历史行为数据。其中，用户数据可以包括用户的基本信息和征信数据等，历史行为数据可以包括用户的消费行为数据和历史业务数据等。

步骤204，根据业务类型获取预设的风控模型，通过风控模型对用户数据、业务数据和历史行为数据进行分析，得到分析结果数据。

服务器获取业务类型对应的用户数据、业务数据和历史行为数据后，获取预设的风控模型。其中，风控模型可以是根据不同的业务类型从模板库中获取对应的规则模板，进而根据多个规则模板生成与业务类型对应的风控模型。服务器则通过获取的风控模型对用户数据、业务数据和历史行为数据进行分析，由此可以有效地得到对应的分析结果数据，以分析该业务请求是否存在风险。其中，分析结果数据中可以包括多项数据和对应的分析结果。

步骤206，当分析结果数据中存在风险标签时，对分析结果数据进行特征提取，提取出多个风险因子。

步骤208，计算多个风险因子的权重和特征维度值。

当分析结果数据中存在风险标签时，对分析结果数据进行特征提取。具体地，服务器获取分析结果数据中的多项数据和对应的分析结果，对多项数据和对应的分析结果进行特征提取，服务器可以根据多项数据对应的分析结果是否满足预设结果值对多项数据进行筛选，并提取筛选出的多项数据的特征变量，特征提取后的特征变量则为风险因子。

例如，风险因子可以包括商户来源、入网时间、结算周期、账户性质、营业执照是否到期和核查单数量占比等。其中，风险因子可以包括静态行为参数和动态行为参数。例如静态行为参数可以包括商户来源、入网时间、账户性质、营业执照是否到期等；动态行为参数可以包括近2个月卡号月重复率、核查单数量占比、近3个月贷记卡交易占比以及近6个月的月均交易额等。

服务器根据多项数据提取出对应的多个风险因子后，根据多项数据和对应的分析结果通过预设算法计算出多个风险因子的权重和特征维度值。其中，风险因子可以包括多个维度，特征维度值为每个风险因子对应所属的特征维度。通过风控模型对用户数据、业务数据和历史行为数据进行风险分析，能够有效地利用大量数据分析出当前业务类型所存在的风险因素。

步骤210，根据业务类型获取评分模型，根据多个风险因子的权重和特征维度值对评分模型进行调整，得到更新的评分模型。

服务器计算出多个风险因子的权重和特征维度值后，根据业务类型获取预设的评分模型。其中，评分模型可以是与业务类型相对应的评分模型，服务器获取的评分模型可以是已经调整更新过的评分模型。评分模型中可以包括多个评分类型，例如，评分类型可以包括入网评分、交易评分、信用评分和综合评分等。

服务器计算出多个风险因子的权重和特征维度值后，则根据多个风险因子的权重和特征维度值对评分模型进行调整。具体地，评分模型包括多个预设的风险因子，服务器获取评分模型中的风险因子的权重和特征维度值，根据提取的多个风险因子以及对应的权重和特征维度值对评分模型中的风险因子的权重和特征维度值进行调整，得到调整后的风险因子和对应的权重和特征维度值。服务器进而根据调整后的风险因子和对应的权重和特征维度值按照预设方式对评分模型进行重构，得到更新的评分模型。通过风控模型对大量用户数据、业务数据和历史行为数据进行分析，能够有效地分析出每种业务类型所存在的风险因子，进而通过分析出的风险因子对业务类型对应的评分模型进行调整，由此能够有效地对评分模型进行动态调整，进而能够有效地提高评分模型的评估准确性。

进一步地，服务器对评分模型进行调整后，则可以利用更新后的评分模型对用户的消费行为进行评分，用户可以包括个人用户和商户。例如，服务器可以根据用户标识获取对应的用户数据和消费行为数据，消费行为数据中可以包括静态行为参数和动态行为参数。例如静态行为参数可以包括商户来源、入网时间、账户性质、营业执照是否到期等；动态行为参数可以包括近2个月卡号月重复率、核查单数量占比、近3个月贷记卡交易占比以及近6个月的月均交易额等。服务器则将该用户的用户数据和消费行为数据输入至评分模型中，得到该用户的评分结果。其中，评分结果中还可以包括子项评分和综合评分。当评分结果未达到预设阈值时，则对该用户添加风险标签，并向对应的监控终端发送预警提示信息，以使得对应的监控人员利用监控终端对该用户进行监控和管理。通过调整后的评分模型对用户进行评分，由此能够有效地评估该用户是否存在风险，进而能够有效地保障业务或交易的安全性。

上述基于模型部署的评分模型调整方法中，服务器根据预设频率从数据库中获取业务类型对应的多个用户数据、业务数据和历史行为数据。服务器进而获取预设的风控模型，通过风控模型对用户数据、业务数据和历史行为数据进行分析，得到分析结果数据，通过风控模型对大量用户数据、业务数据和历史行为数据进行分析，能够有效地分析出每种业务类型所存在的风险因素。当分析结果数据中存在风险标签时，对分析结果数据进行特征提取，提取出多个风险因子；计算多个风险因子的权重和特征维度值。服务器根据业务类型获取预设的评分模型，根据多个风险因子的权重和特征维度值对评分模型进行调整，得到更新的评分模型。通过风控模型对大量用户数据、业务数据和历史行为数据进行分析，能够有效地分析出每种业务类型所存在的风险因子，进而通过分析出的风险因子对业务类型对应的评分模型进行调整，由此能够有效地对评分模型进行动态调整，进而能够有效地提高评分模型的评估准确性。

在一个实施例中，如图3所示，根据业务类型获取预设的评分模型之前，还包括建立评分模型的步骤，该步骤具体包括以下内容：

步骤302，获取多个用户数据、业务数据和历史行为数据。

步骤304，对多个用户数据、业务数据和历史行为数据进行聚类分析，得到聚类结果。

步骤306，根据聚类结果进行特征选择，得到多个风险因子。

在根据业务类型获取预设的评分模型之前，服务器可以从本地数据库或第三方数据库中获取大量的用户数据、业务数据和历史行为数据，服务器进而对获取的大量用户数据、业务数据和历史行为数据进行聚类分析。具体地，服务器对大量用户数据、业务数据和历史行为数据进行特征提取，提取出对应的特征变量。服务器提取出大量用户数据、业务数据和历史行为数据对应的特征变量后，采用预设的聚类算法特征变量进行聚类分析。例如，预设的聚类算法可以为k-means(k-均值算法)聚类的方法。服务器通过对特征变量进行多次聚类后得到多个聚类结果。

服务器进一步对多个聚类结果内的特征变量分别进行组合，得到多个组合特征变量。获取目标变量，利用目标变量对多个组合特征变量进行相关性检验。检验通过时，对组合特征变量添加交互标签。利用添加交互标签后的组合特征变量解析对应的特征变量。添加交互标签后的组合特征变量可以为达到预设阈值的特征变量，服务器则提取出达到预设阈值特征变量，达到阈值的特征变量即为风险因子。

步骤308，根据预设算法计算多个风险因子对应的权重和特征维度值。

步骤310，根据多个风险因子的权重和特征维度值按照预设方式建立评分模型。

服务器通过对多个用户数据、业务数据和历史行为数据进行聚类分析，并进行特征选择，得到多个风险因子后，进一步根据预设算法计算出多个风险因子对应的权重和特征维度值。服务器计算出多个风险因子对应的权重和特征维度值后，则根据多个风险因子对应的权重和特征维度值按照预设方式建立评分模型。其中，评分模型可以是基于决策树或基于神经网络的模型。

进一步地，服务器还可以将获取的大量的用户数据、业务数据和历史行为数据生成训练及数据和验证集数据。服务器对训练集中的大量数据进行聚类分析，得到聚类结果后，根据聚类结果进行特征选择，得到多个风险因子。服务器则根据预设算法计算多个风险因子对应的权重和特征维度值，进而根据多个风险因子对应的权重和特征维度值按照预设方式建立初步评分模型。

服务器建立初步评分模型后，利用验证集中的大量数据对初步评分模型进行进一步训练和验证，当验证集中的满足预设评估值的数据达到预设比值时，得到建立的评分模型。通过对大量的用户数据、业务数据和历史行为数据进行分析并选择出风险因子后，利用风险因子按照预设方式建立评分模型，由此能够有效地构建出评分模型。

在一个实施例中，如图4所示，评分模型包括多个预设的风险因子，根据多个风险因子的权重和特征维度值对评分模型进行调整的步骤，具体包括以下内容：

步骤402，获取评分模型中的风险因子的权重和特征维度值；

步骤404，根据提取的多个风险因子以及对应的权重和特征维度值对评分模型中的风险因子的权重和特征维度值进行调整，得到调整后的风险因子和对应的权重和特征维度值。

步骤406，根据调整后的风险因子和对应的权重和特征维度值按照预设方式对评分模型进行重构，得到更新的评分模型。

服务器根据预设频率从数据库中获取业务类型对应的多个用户数据、业务数据和历史行为数据后，根据业务类型获取预设的风控模型，通过风控模型对用户数据、业务数据和历史行为数据进行分析，得到分析结果数据。当分析结果数据中存在风险标签时，对分析结果数据进行特征提取，提取出多个风险因子。服务器进而根据预设算法计算出多个风险因子的权重和特征维度值。

服务器计算出多个风险因子的权重和特征维度值后，根据业务类型获取预设的评分模型。其中，评分模型可以是与业务类型相对应的评分模型。评分模型中可以包括多个评分类型，例如，评分类型可以包括入网评分、交易评分、信用评分和综合评分等。

服务器进一步根据多个风险因子的权重和特征维度值对评分模型进行调整，具体地，评分模型包括多个预设的风险因子，服务器获取评分模型中的风险因子的权重和特征维度值，根据提取的多个风险因子以及对应的权重和特征维度值对评分模型中的风险因子的权重和特征维度值进行调整，得到调整后的风险因子和对应的权重和特征维度值。例如，当评分模型中不存在提取出的风险因子时，将不存在的风险因子添加至评分模型中；当评分模型中的风险因子的权重和维度特征与提取的风险因子的权重和维度特征不同时，将风险因子原始的权重和维度特征修改为重新提取并计算出的风险因子的权重和维度特征。

服务器进而根据调整后的风险因子和对应的权重和特征维度值按照预设方式对评分模型进行重构，得到更新的评分模型。通过按照预设频率利用分析出的风险因子对业务类型对应的评分模型进行调整，由此能够有效地对评分模型进行动态调整，进而能够有效地提高评分模型的评估准确性。

在一个实施例中，该方法还包括：接收用户终端发送的业务请求，业务请求包括用户标识、业务类型和业务数据；根据用户标识获取对应的用户历史行为数据；根据业务类型获取更新的评分模型，通过评分模型对用户历史行为数据和业务数据进行评分，得到业务请求的评分结果；当评分结果低于预设评分时，对业务请求进行拦截，并向对应的监控终端发送预警提示信息。

服务器根据预设频率从数据库中获取业务类型对应的多个用户数据、业务数据和历史行为数据后，根据业务类型获取预设的风控模型，通过风控模型对用户数据、业务数据和历史行为数据进行分析，得到分析结果数据。当分析结果数据中存在风险标签时，对分析结果数据进行特征提取，提取出多个风险因子。服务器进而根据预设算法计算出多个风险因子的权重和特征维度值，根据业务类型获取预设的评分模型，根据多个风险因子的权重和特征维度值对评分模型进行调整，得到更新的评分模型。

服务器对评分模型进行调整更新后，则可以接收用户终端发送的业务请求，业务请求包括用户标识、业务类型和业务数据。服务器进而根据用户标识获取对应的用户历史行为数据，并根据业务类型获取更新的评分模型，通过评分模型对用户历史行为数据和业务数据进行评分。具体地，服务器进而根据预设方式对用户历史行为数据和业务数据进行特征提取，提取出用户历史行为数据和业务数据对应的特征变量。服务器则将提取的特征变量输入至评分模型中，通过评分模型对用户历史行为数据和业务数据进行风险分析，并输出对应的评分结果。

得到的评分结果中可以包括多个评分类型对应的结果信息。当评分结果达到预设评分时，服务器则进一步对该业务请求进行处理，生成对应的业务处理数据，并根据用户标识对业务处理数据进行存储。

当评分结果低于预设评分时，对业务请求进行拦截，并向对应的监控终端发送预警提示信息，以提示对应的监控人员对该业务请求进行预警和审核。通过利用更新后的评分模型对用户的业务请求进行风险评估，能够有效地评估该用户或该业务请求是否存在风险，进而能够有效地保障业务处理或交易过程中的安全性。

在一个实施例中，该方法还包括：根据预设频率获取用户标识对应的用户历史行为数据和业务数据；获取更新的评分模型，通过评分模型对用户历史行为数据和业务数据进行评分，得到用户标识的评分结果；根据评分结果对用户标识添加对应的评分标签，并根据用户标识进行存储。

服务器根据预设频率从数据库中获取业务类型对应的多个用户数据、业务数据和历史行为数据后，根据业务类型获取预设的风控模型，通过风控模型对用户数据、业务数据和历史行为数据进行分析，得到分析结果数据。当分析结果数据中存在风险标签时，对分析结果数据进行特征提取，提取出多个风险因子。服务器进而根据预设算法计算出多个风险因子的权重和特征维度值，根据业务类型获取预设的评分模型，根据多个风险因子的权重和特征维度值对评分模型进行调整，得到更新的评分模型。

服务器对评分模型进行调整更新后，用户终端可以通过业务系统发起业务请求，业务请求包括用户标识、业务类型和业务数据。服务器接收用户终端发送的业务请求后，根据用户标识获取对应的用户历史行为数据，并根据业务类型获取更新的评分模型，通过评分模型对用户历史行为数据和业务数据进行评分，得到该业务请求的评分结果。当评分结果达到预设评分时，对业务请求进行处理，处理后生成对应的业务数据，并根据用户标识进行存储。

服务器可以进一步按照预设频率获取用户标识对应的用户历史行为数据和业务数据以及业务处理数据，例如预设频率可以为一天、一周、两周或一个月等频次。服务器则获取更新后的评分模型，通过评分模型对用户历史行为数据和业务数据进行评分。具体地，服务器根据预设方式对用户历史行为数据、业务数据以及业务处理数据进行特征提取，提取出用户历史行为数据、业务数据以及业务处理数据对应的特征变量。服务器则将提取的特征变量输入至评分模型中，通过评分模型对用户历史行为数据和业务数据进行风险分析，并输出对应的评分结果，由此得到用户标识的评分结果。服务器进而根据评分结果对用户标识添加对应的评分标签，并根据用户标识对评分结果和评分标签进行存储。通过实时更新后的评分模型按照预设的频率对用户标识的用户历史行为数据和业务数据进行分析，由此能够准确有效地对用户的风险进行动态评估，从而能够有效提高风险评估的效率，进而能够有效对用户存在的风险进行预警。

进一步地，监控终端可以查询多个用户的评分结果。具体地，监控终端可以向服务器发送查询请求，查询请求中携带了用户标识，根据用户标识获取该用户的历史评分结果。进一步地，监控终端可以根据用户的评分结果对用户设置相关的业务权限，或向服务器发送重评请求，以对该用户进行重新评分。通过监控终端对用户的风险状况进行监控，能够有效地对用户存在的风险进行预警。

应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图5所示，提供了一种基于模型部署的评分模型调整装置，包括：数据获取模块502、风险分析模块504、特征提取模块506、计算模块508和模型调整模块510，其中：

数据获取模块502，用于根据预设频率从数据库中获取业务类型对应的多个用户数据、业务数据和历史行为数据；

风险分析模块504，用于根据业务类型获取预设的风控模型，通过风控模型对用户数据、业务数据和历史行为数据进行分析，得到分析结果数据；

特征提取模块506，用于当分析结果数据中存在风险标签时，对分析结果数据进行特征提取，提取出多个风险因子；

计算模块508，用于计算多个风险因子的权重和特征维度值；

模型调整模块510，用于根据业务类型获取评分模型，根据多个风险因子的权重和特征维度值对所述评分模型进行调整，得到更新的评分模型。

在其中一个实施例中，该装置还包括模型建立模块，用于获取多个用户数据、业务数据和历史行为数据；对多个用户数据、业务数据和历史行为数据进行聚类分析，得到聚类结果；根据聚类结果进行特征选择，得到多个风险因子；根据预设算法计算多个风险因子对应的权重和特征维度值；根据多个风险因子的权重和特征维度值按照预设方式建立评分模型。

在其中一个实施例中，评分模型包括多个预设的风险因子，模型调整模块510还用于获取评分模型中的风险因子的权重和特征维度值；根据提取的多个风险因子以及对应的权重和特征维度值对评分模型中的风险因子的权重和特征维度值进行调整，得到调整后的风险因子和对应的权重和特征维度值；根据调整后的风险因子和对应的权重和特征维度值按照预设方式对评分模型进行重构，得到更新的评分模型。

在其中一个实施例中，该装置还包括业务请求评分模块，用于接收用户终端发送的业务请求，业务请求包括用户标识、业务类型和业务数据；根据用户标识获取对应的用户历史行为数据；根据业务类型获取更新的评分模型，通过评分模型对用户历史行为数据和业务数据进行评分，得到业务请求的评分结果；当评分结果低于预设评分时，对业务请求进行拦截，并向对应的监控终端发送预警提示信息。

在其中一个实施例中，该装置还包括用户评分模块，用于根据预设频率获取用户标识对应的用户历史行为数据和业务数据；获取更新的评分模型，通过评分模型对所述用户历史行为数据和业务数据进行评分，得到用户标识的评分结果；根据评分结果对用户标识添加对应的评分标签，并根据用户标识进行存储。

关于基于模型部署的评分模型调整装置的具体限定可以参见上文中对于基于模型部署的评分模型调整方法的限定，在此不再赘述。上述基于模型部署的评分模型调整装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储用户数据、业务数据和历史行为数据等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于模型部署的评分模型调整方法。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

根据预设频率从数据库中获取业务类型对应的多个用户数据、业务数据和历史行为数据；

根据业务类型获取预设的风控模型，通过风控模型对所述用户数据、业务数据和历史行为数据进行分析，得到分析结果数据；

当分析结果数据中存在风险标签时，对分析结果数据进行特征提取，提取出多个风险因子；

计算多个风险因子的权重和特征维度值；

根据业务类型获取评分模型，根据多个风险因子的权重和特征维度值对评分模型进行调整，得到更新的评分模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取多个用户数据、业务数据和历史行为数据；对多个用户数据、业务数据和历史行为数据进行聚类分析，得到聚类结果；根据聚类结果进行特征选择，得到多个风险因子；根据预设算法计算多个风险因子对应的权重和特征维度值；根据多个风险因子的权重和特征维度值按照预设方式建立评分模型。

在一个实施例中，评分模型包括多个预设的风险因子，处理器执行计算机程序时还实现以下步骤：获取评分模型中的风险因子的权重和特征维度值；根据提取的多个风险因子以及对应的权重和特征维度值对评分模型中的风险因子的权重和特征维度值进行调整，得到调整后的风险因子和对应的权重和特征维度值；根据调整后的风险因子和对应的权重和特征维度值按照预设方式对评分模型进行重构，得到更新的评分模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：接收用户终端发送的业务请求，业务请求包括用户标识、业务类型和业务数据；根据用户标识获取对应的用户历史行为数据；根据业务类型获取更新的评分模型，通过评分模型对用户历史行为数据和业务数据进行评分，得到业务请求的评分结果；当评分结果低于预设评分时，对业务请求进行拦截，并向对应的监控终端发送预警提示信息。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据预设频率获取用户标识对应的用户历史行为数据和业务数据；获取更新的评分模型，通过评分模型对所述用户历史行为数据和业务数据进行评分，得到用户标识的评分结果；根据评分结果对用户标识添加对应的评分标签，并根据用户标识进行存储。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

根据预设频率从数据库中获取业务类型对应的多个用户数据、业务数据和历史行为数据；

根据业务类型获取预设的风控模型，通过风控模型对所述用户数据、业务数据和历史行为数据进行分析，得到分析结果数据；

当分析结果数据中存在风险标签时，对分析结果数据进行特征提取，提取出多个风险因子；

计算多个风险因子的权重和特征维度值；

根据业务类型获取评分模型，根据多个风险因子的权重和特征维度值对评分模型进行调整，得到更新的评分模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取多个用户数据、业务数据和历史行为数据；对多个用户数据、业务数据和历史行为数据进行聚类分析，得到聚类结果；根据聚类结果进行特征选择，得到多个风险因子；根据预设算法计算多个风险因子对应的权重和特征维度值；根据多个风险因子的权重和特征维度值按照预设方式建立评分模型。

在一个实施例中，评分模型包括多个预设的风险因子，计算机程序被处理器执行时还实现以下步骤：获取评分模型中的风险因子的权重和特征维度值；根据提取的多个风险因子以及对应的权重和特征维度值对评分模型中的风险因子的权重和特征维度值进行调整，得到调整后的风险因子和对应的权重和特征维度值；根据调整后的风险因子和对应的权重和特征维度值按照预设方式对评分模型进行重构，得到更新的评分模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：接收用户终端发送的业务请求，业务请求包括用户标识、业务类型和业务数据；根据用户标识获取对应的用户历史行为数据；根据业务类型获取更新的评分模型，通过评分模型对用户历史行为数据和业务数据进行评分，得到业务请求的评分结果；当评分结果低于预设评分时，对业务请求进行拦截，并向对应的监控终端发送预警提示信息。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据预设频率获取用户标识对应的用户历史行为数据和业务数据；获取更新的评分模型，通过评分模型对所述用户历史行为数据和业务数据进行评分，得到用户标识的评分结果；根据评分结果对用户标识添加对应的评分标签，并根据用户标识进行存储。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。