本發(fā)明涉及計算機應用，特別是反欺詐防控相關(guān)領(lǐng)域，尤其涉及一種基于風險決策分類模型反詐實現(xiàn)方法裝置設(shè)備及介質(zhì)。

背景技術(shù)：

1、風控中臺是指在金融領(lǐng)域中，通過集成和整合風險管理相關(guān)的技術(shù)、數(shù)據(jù)和業(yè)務(wù)流程，構(gòu)建一個統(tǒng)一的風險管理平臺，用于監(jiān)控、評估和控制風險。為金融機構(gòu)和企業(yè)提供了一種高效、集中和綜合的風險管理解決方案。通過風控中臺，可以幫助金融機構(gòu)和企業(yè)提高風險管理的效率和準確性，降低風險損失，保護機構(gòu)和用戶的利益。它在銀行、證券、保險、支付等金融領(lǐng)域都有廣泛應用，并且隨著技術(shù)的不斷進步和數(shù)據(jù)的豐富，風控中臺的應用也在不斷演進和擴展。

2、目前風控中臺為了防范欺詐風險，收集了多維數(shù)據(jù)，應用大數(shù)據(jù)、智能ai技術(shù)對客戶意愿精準識別，但是對于多維的風險標簽無法有效獲取客戶的最終風險級別，導致無法有效的針對用戶最終的行為給予最恰當有效的行為處置。因此，亟需一種分類模型對多維輸入的風險標簽進行匯總學習決策，得出本次用戶的最終風險等級是一直有待解決的技術(shù)問題。

技術(shù)實現(xiàn)思路

1、為此，本技術(shù)提供一種技術(shù)方案來提供新的解決思路和技術(shù)方法，用以彌補上述所述的現(xiàn)有技術(shù)缺陷，利用風險決策分類模型實現(xiàn)對欺詐場景的交易用戶的多維風險標簽進行輸入、分析決策，最終根據(jù)多維風險標簽得到用戶最終的風險等級。本發(fā)明提供一種基于風險決策分類模型反詐實現(xiàn)方法、裝置設(shè)備及存儲介質(zhì)，用以解決上述中的至少一種技術(shù)問題。

2、為實現(xiàn)上述目的，第一方面，本發(fā)明提供一種基于風險決策分類模型反詐實現(xiàn)方法，包括：

3、步驟s1：配置風控專家規(guī)則，所述風控專家規(guī)則通過制定風險控制措施，所述風險控制措施包括風險預防和風險應對措施；

4、步驟s2：通過風險預警引擎啟動篩查用戶交易，根據(jù)所述用戶交易行為特征生成所述用戶的行為意愿，對所述用戶交易行為特征進行篩查，獲取對應的風險特征，并將所述風險特征轉(zhuǎn)化為相應的用戶風險標簽；

5、步驟s3：收集所述用戶風險標簽，所述用戶風險標簽包括：命中的名單、命中的規(guī)則、風險級別、用戶的交易特征等指標；

6、步驟s4：采集用戶行為意愿：通過語音文本轉(zhuǎn)換技術(shù)，通過意愿分類模型識別用戶的輪次會話或者文本聊天信息，根據(jù)輪次會話內(nèi)容尋找相關(guān)語音進行語音匹配，根據(jù)文本聊天信息內(nèi)容尋找關(guān)鍵字詞進行關(guān)鍵字詞匹配，挖掘客戶的意愿標簽；

7、步驟s5：整合步驟s3、步驟s4收集以及采集的多維度的風險標簽、行為意愿標簽整合，利用風險決策分類模型進行風險決策，輸出用戶風險等級，通過風控中臺根據(jù)得到的風險等級進行對應風險處置。

8、進一步地，所述創(chuàng)建流程引擎獲取業(yè)務(wù)系統(tǒng)租戶信息，包括：

9、通過所述流程引擎創(chuàng)建租戶表，通過進行租戶登記調(diào)用所述流程引擎；通過所述流程引擎創(chuàng)建流程部署表，所述流程部署表包括部署中的關(guān)鍵信息；通過所述流程引擎創(chuàng)建流程定義表，所述流程定義表包含流程中關(guān)鍵信息。

10、進一步地，在所述步驟s2中所述用戶交易行為，包括：投資理財行為、用戶線上訂購、用戶線上出售以及相關(guān)交易行為。

11、進一步地，所述語音文本轉(zhuǎn)換技術(shù)包括tts、asr，通過將用戶輸入的文本分析成語言單位，所述語言單位包括：單詞、音節(jié)或音素；通過語言規(guī)則及聲學模型生成相應的語音信號。

12、進一步地，所述生成過程包括以下步驟：

13、步驟s401：輸入文本，所述文本被分析或解析成語言單位，通過語音合成器處理所述語言單位，利用詞法分析、句法分析及語義分析技術(shù)，確定所述每個語言單位的發(fā)音和語法結(jié)構(gòu)；

14、步驟s402：通過語音合成器根據(jù)輸入的文本和步驟s401分析得到的結(jié)果，通過合成規(guī)則、拼接技術(shù)或統(tǒng)計模型生成相應的語音信號；其中，所述合成規(guī)則利用語音學和語言學知識的規(guī)則集合，所述拼接技術(shù)利用預先錄制的語音片段拼接起來生成語音，所述統(tǒng)計模型通過機器學習算法從語音數(shù)據(jù)中學習語音的生成模式。

15、第二方面，本發(fā)明還提供了一種基于風險決策分類模型反詐實現(xiàn)裝置，所述裝置包括：規(guī)則配置單元、流程設(shè)計器搭建單元、信息導入單元、信息導出單元、信息發(fā)布單元；

16、規(guī)則配置單元10：用于配置風控專家規(guī)則，所述風控專家規(guī)則通過制定風險控制措施，所述風險控制措施包括風險預防和風險應對措施；

17、特征轉(zhuǎn)化單元20：用于通過風險預警引擎啟動篩查用戶交易，根據(jù)所述用戶交易行為特征生成所述用戶的行為意愿，對所述用戶交易行為特征進行篩查，獲取對應的風險特征，并將所述風險特征轉(zhuǎn)化為相應的用戶風險標簽；

18、風險收集單元30：用于收集所述用戶風險標簽，所述用戶風險標簽包括：命中的名單、命中的規(guī)則、風險級別、用戶的交易特征等指標；

19、行為采集單元40：用于采集用戶行為意愿：通過語音文本轉(zhuǎn)換技術(shù)，通過意愿分類模型識別用戶的輪次會話或者文本聊天信息，根據(jù)輪次會話內(nèi)容尋找相關(guān)語音進行語音匹配，根據(jù)文本聊天信息內(nèi)容尋找關(guān)鍵字詞進行關(guān)鍵字詞匹配，挖掘客戶的意愿標簽；

20、數(shù)據(jù)整合單元50：用于整合風險收集單元30、行為采集單元40收集以及采集的多維度的風險標簽、行為意愿標簽整合，利用風險決策分類模型進行風險決策，輸出用戶風險等級，通過風控中臺根據(jù)得到的風險等級進行對應風險處置。

21、進一步地，在所述特征轉(zhuǎn)化單元20中所述用戶交易行為，包括：投資理財行為、用戶線上訂購、用戶線上出售以及相關(guān)交易行為。

22、進一步地，所述語音文本轉(zhuǎn)換技術(shù)包括tts、asr，通過將用戶輸入的文本分析成語言單位，所述語言單位包括：單詞、音節(jié)或音素；通過語言規(guī)則及聲學模型生成相應的語音信號。

23、進一步地，所述生成過程包括以下步驟：

24、步驟s401：輸入文本，所述文本被分析或解析成語言單位，通過語音合成器處理所述語言單位，利用詞法分析、句法分析及語義分析技術(shù)，確定所述每個語言單位的發(fā)音和語法結(jié)構(gòu)；

25、步驟s402：通過語音合成器根據(jù)輸入的文本和步驟s401分析得到的結(jié)果，通過合成規(guī)則、拼接技術(shù)或統(tǒng)計模型生成相應的語音信號；其中，所述合成規(guī)則利用語音學和語言學知識的規(guī)則集合，所述拼接技術(shù)利用預先錄制的語音片段拼接起來生成語音，所述統(tǒng)計模型通過機器學習算法從語音數(shù)據(jù)中學習語音的生成模式。

26、第三方面，本發(fā)明提供了一種計算設(shè)備，包括：

27、存儲器，用于存儲程序指令；

28、處理器，用于調(diào)用所述存儲器中存儲的程序指令，按照獲得的程序指令執(zhí)行上述所述的一種基于風險決策分類模型反詐實現(xiàn)方法。

29、第四方面，本發(fā)明提供一種計算機可讀存儲介質(zhì)，包括，計算機可讀指令，當計算機讀取并執(zhí)行所述計算機可讀指令時，實現(xiàn)上述所述的一種基于風險決策分類模型反詐實現(xiàn)方法，所述可讀介質(zhì)可以為多個，所述多個可讀介質(zhì)相互之間能夠獨立運行。

30、與現(xiàn)有技術(shù)相比，本方案通過配置風控專家規(guī)則，風險預警引擎啟動篩查用戶交易，根據(jù)各種行為特征進行篩查，并獲取對應的風險特征及行為特征。生成用戶的行為意愿，將風險特征轉(zhuǎn)化為風險標簽，收集用戶風險標簽及行為意愿：通過語音文本轉(zhuǎn)換技術(shù)，利用意愿分類模型識別客戶的輪次會話或文本聊天信息，挖掘客戶的意愿標簽。整合收集的多維度的風險標簽、意愿標簽，利用風險決策分類模型進行風險決策，輸出用戶風險等級，利用風控中臺對于最終的風險等級進行相關(guān)的風險處置。相對單一特征識別，這種多維特征風險決策的反欺詐識別能力具有明顯優(yōu)勢。本發(fā)明在反詐場景中的應用，風控中臺體系的風險識別能力，對整個風控中臺的能力補充具有重要作用。