基於大數據的風險預測方法和裝置與流程
2023-05-12 10:34:51 2
本發明涉及計算機處理領域，特別是涉及一種基於大數據的風險預測方法和裝置。
背景技術：
隨著網際網路的發展，越來越多的業務從線下轉移到了線上，在網上辦理借貸等業務時，如何進行反欺詐、防惡意貸款等成為了銀行等金融機構的關注重點，傳統的只是對用戶提交的資料的真實性進行審查，但對其貸款後是否會及時還款往往是根據工作人員的主觀經驗來進行判斷，並不能夠有效的進行風險預測，所以目前亟待需要一種能夠有效對風險預測的方法來減少惡意貸款等行為帶來的損失。
技術實現要素：
基於此，有必要針對上述問題，提供一種能夠有效對風險預測的基於大數據的風險預測方法和裝置。
一種基於大數據的風險預測方法，所述方法包括以下步驟：獲取用戶的語音信息；根據所述語音信息確定用戶的聲紋信息；提取所述聲紋信息中的聲紋特徵；根據所述聲紋特徵確定與所述聲紋特徵對應的風險數值；根據所述風險數值進行相應的預防操作。
在其中一個實施例中，在所述獲取用戶的語音信息的步驟之前還包括：建立聲紋大數據模型，分析出聲紋特徵與風險數值之間的對應關係；所述根據所述聲紋特徵確定與所述聲紋特徵對應的風險數值的步驟包括：根據所述聲紋特徵與風險數值之間的關係，確定與所述聲紋特徵對應的風險數值。
在其中一個實施例中，所述根據所述語音信息確定用戶的聲紋信息的步驟包括：對獲取到的所述語音信息進行預處理；對預處理後的所述語音信息進行數位化得到所述用戶的聲紋信息。
在其中一個實施例中，在所述提取所述聲紋信息中的聲紋特徵的步驟之後還包括：將聲紋特徵與聲紋黑名單中的聲紋進行匹配，若匹配成功，則直接拒絕相應的操作請求，若匹配失敗，則進入根據所述聲紋特徵確定與所述聲紋特徵對應的風險數值的步驟。
在其中一個實施例中，所述根據所述風險數值進行相應的預防操作的步驟包括：根據預先建立的風險數值與預防操作之間的對應關係，確定與所述風險數值對應的預防操作。
一種基於大數據的風險預測裝置，所述裝置包括：獲取模塊，用於獲取用戶的語音信息；聲紋信息確定模塊，用於根據所述語音信息確定用戶的聲紋信息；提取模塊，用於提取所述聲紋信息中的聲紋特徵；風險數值確定模塊，用於根據所述聲紋特徵確定與所述聲紋特徵對應的風險數值；預防模塊，用於根據所述風險數值進行相應的預防操作。
在其中一個實施例中，所述裝置還包括：建立模塊，用於建立聲紋大數據模型，分析出聲紋特徵與風險數值之間的對應關係；所述風險數值確定模塊還用於根據所述聲紋特徵與風險數值之間的關係，確定與所述聲紋特徵對應的風險數值。
在其中一個實施例中，所述聲紋信息確定模塊還用於對獲取到的所述語音信息進行預處理，對預處理後的所述語音信息進行數位化得到所述用戶的聲紋信息。
在其中一個實施例中，所述裝置還包括：匹配模塊，用於將聲紋特徵與聲紋黑名單中的聲紋進行匹配，若匹配成功，則直接拒絕相應的操作請求，若匹配失敗，則通知風險數值確定模塊根據所述聲紋特徵確定與所述聲紋特徵對應的風險數值。
在其中一個實施例中，所述預防模塊還用於根據預先建立的風險數值與預防操作之間的對應關係，確定與所述風險數值對應的預防操作。
上述基於大數據的風險預測方法和裝置，通過接收用戶的操作請求，根據該操作請求獲取用戶的語音信息，根據語音信息確定用戶的聲紋信息，提取該聲紋信息中的聲紋特徵，然後根據該聲紋特徵確定與該聲紋特徵對應的安全風險數值，然後根據該風險數值確定是否允許用戶的操作請求。該風險預測方法基於大數據的聲紋資料庫，建立了聲紋特徵與風險數值之間的關係，根據用戶的聲紋特徵就可以獲取該用戶對應的風險數值，然後根據該風險數值進行相應的預防操作。因為聲紋具有特定性和穩定性的特點，通過建立聲紋特徵與風險數值之間的關係，可以便捷的獲取用戶對應的風險數值，從而可以根據該風險數值提前進行預防操作。
附圖說明
圖1為一個實施例中基於大數據的風險預測方法流程圖；
圖2為另一個實施例中基於大數據的風險預測方法流程圖；
圖3為一個實施例中根據語音信息確定用戶的聲紋信息的方法流程圖；
圖4為又一個實施例中基於大數據的風險預測方法流程圖；
圖5為一個實施例中基於大數據的風險預測裝置的結構框圖；
圖6為另一個實施例中基於大數據的風險預測裝置的結構框圖；
圖7為又一個實施例中基於大數據的風險預測裝置的結構框圖。
具體實施方式
為了使本發明的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，並不用於限定本發明。
如圖1所示，在一個實施例中，提出了一種基於大數據的風險預測方法，所述方法包括以下步驟：
步驟102，獲取用戶的語音信息。
在本實施例中，伺服器首先接收用戶的操作請求(比如借貸請求)，然後根據用戶的操作請求在終端上展示獲取用戶語音信息的界面，用戶根據界面的提示進行語音的錄入，然後伺服器接收用戶錄入的語音信息。此外，為了防止他人用之前非法已錄好的語音信息進行冒充，一般會在用戶錄入語音界面隨機生成一段話，要求用戶在規定的時間內(比如1分鐘)朗讀完該段話，從而獲取用戶的語音信息。
步驟104，根據語音信息確定用戶的聲紋信息。
在本實施例中，獲取到用戶的語音信息後，根據用戶的語音信息獲取該用戶的聲紋信息。聲紋信息是指用電聲學儀器顯示的攜帶言語信息的聲波頻譜。根據語音信息確定聲紋信息的過程也就是獲取用戶的聲波頻譜的過程。具體的，獲取到用戶的語音信息後，一般需要對該語音信息進行預處理，比如去噪聲處理，然後將預處理後的語音信息進行數位化得到用戶的聲紋信息。數位化的過程就是獲取聲波頻譜的過程。
步驟106，提取聲紋信息中的聲紋特徵。
具體的，確定用戶的聲紋信息後，通過提取聲紋信息中的特徵參數來提取聲紋信息中的聲紋特徵。其中，特徵參數包括音高特徵參數，音強特徵參數、音長特徵參數、音色特徵參數等。
步驟108，根據聲紋特徵確定與聲紋特徵對應的風險數值。
在本實施例中，預先建立聲紋大數據模型，根據以往有過惡意行為的聲紋信息分析出聲紋特徵與風險數值之間的關係。然後根據該對應關係獲取與用戶的聲紋特徵對應的風險數值。風險數值用於評估用戶發生惡意行為的概率，比如，若是涉及借貸業務，此時風險數值就是用於評估用戶借款後不按時還款的概率。若用戶對應的風險數值比較高，說明該用戶不還款的概率就比較高，可以通過降低對該用戶的借貸額度來進行預防。具體的，通過對大量的有過不良記錄的聲紋信息進行大數據分析，找出其共同具有的某些特徵，然後將這些特徵作為參考的依據。當獲取到用戶的聲紋特徵後，計算用戶的聲紋特徵與具有高風險的聲紋特徵之間的相似度，相似度越高，說明該用戶的風險數值越高，反之，相似度越低，該用戶的風險數值越低。
步驟110，根據風險數值進行相應的預防操作。
在本實施例中，確定完風險數值後，根據該風險數值採取不同的措施進行相應的預防操作。舉例說明，若用戶申請的是借貸業務，那麼就可以根據不同的風險數值設置不同的借貸額度。風險數值越高，相應設置的借貸額度就會越低，反之，相應的借貸額度就會越大。預先設置風險數值與預防操作的對應關係，根據計算得到的風險數值來進行相應的預防操作。根據計算得到的風險數值對風險進行預測，可以有效的評估風險，然後根據風險數值採取相應的措施進行預防操作，可以達到減少損失的目的。
在本實施例中，通過接收用戶的操作請求，根據該操作請求獲取用戶的語音信息，根據語音信息確定用戶的聲紋信息，提取該聲紋信息中的聲紋特徵，然後根據該聲紋特徵確定與該聲紋特徵對應的安全風險數值，然後根據該風險數值確定是否允許用戶的操作請求。該風險預測方法基於大數據的聲紋資料庫，建立了聲紋特徵與風險數值之間的關係，根據用戶的聲紋特徵就可以獲取該用戶對應的風險數值，然後根據該風險數值進行相應的預防操作。因為聲紋具有特定性和穩定性的特點，通過建立聲紋特徵與風險數值之間的關係，可以便捷的獲取用戶對應的風險數值，從而可以根據該風險數值提前進行預防操作。
如圖2所示，在一個實施例中，在所述獲取用戶的語音信息的步驟之前還包括：
步驟101，建立聲紋大數據模型，分析出聲紋特徵與風險數值之間的對應關係。
具體的，在獲取用戶的語音信息之前首先需要建立一個聲紋大數據模型，根據以往的有過惡意行為的聲紋信息，提取出共有的一些聲紋特徵，並分析出聲紋特徵與風險數值之間的對應關係。比如，若通過分析發現聲紋細小、語速過快的人更容易貸款後不歸還，那麼在放貸的時候就可以降低對這類用戶的貸款額度。
在一個實施例中，根據聲紋特徵確定與聲紋特徵對應的風險數值的步驟包括：根據聲紋特徵與風險數值之間的關係，確定與聲紋特徵對應的風險數值。
在本實施例中，根據預先建立的聲紋特徵與風險數值之間的關係，確定與該聲紋特徵對應的風險數值，然後根據確定的風險數值進行相應的預防操作。具體的，判斷風險數值是否達到了預設的閾值，若是，則採取相應的預防操作，比如，若用戶請求的是貸款請求，那麼就可以通過降低貸款額度來預防風險。
如圖3所示，在一個實施例中，根據語音信息確定用戶的聲紋信息的步驟包括：
步驟104a，對獲取到的語音信息進行預處理。
在本實施例中，首先對獲取到的語音信息進行預處理。因為獲取到的語音信息一般都會有背景噪聲，所以需要對該獲取到的語音信息進行去噪處理。進行去噪處理後還可以進行其他預處理，比如，可以對語音信息進行分割處理，分成多個語音片段，便於後續處理。
步驟104b，對預處理後的語音信息進行數位化得到用戶的聲紋信息。
在本實施例中，對經過預處理的語音信息進行數位化，數位化的過程就是轉換為聲波頻譜的過程，從而得到用戶的聲紋信息。具體的，通過進行數模轉換即將模擬信息轉換為數位訊號進行顯示來獲取用戶的聲波頻譜，通過該聲波頻譜可以進一步提取聲紋特徵，比如，提取平舌聲紋特徵，聲帶聲紋特徵、鼻音聲紋特徵和口腔聲紋特徵等。
如圖4所示，在一個實施例中，在所述提取所述聲紋信息中的聲紋特徵的步驟之後還包括：
步驟107，將聲紋特徵與聲紋黑名單中的聲紋進行匹配，若匹配成功，則進入步驟112，若匹配失敗，則進入步驟108。
在本實施例中，提取聲紋信息中的聲紋特徵後，首先將該聲紋特徵與預先存儲的聲紋黑名單中的聲紋進行匹配，若匹配成功，則直接拒絕相應的操作請求。建立聲紋黑名單就是將有過惡意行為的人的聲紋進行記錄，即將有過不良記錄的聲紋拉入黑名單。通過該聲紋黑名單可以有效的防止二次風險，即防止有不良記錄的人繼續進行惡意行為。具體的，首先將聲紋特徵與聲紋黑名單中的聲紋進行匹配，如果匹配成功，說明該用戶已經在黑名單內，則直接拒絕該用戶的操作請求。若匹配失敗，說明該用戶之前記錄良好，那麼就繼續根據用戶的聲紋特徵確定相應的風險數值。利用聲紋來識別該用戶是否有過不良記錄比傳統的只是簡單審查提交的資料更加便捷和有效。因為由於用戶的提交的資料有可能有偽造，但是用戶的聲紋具有特定性和穩定性的特點，很難進行偽造，所以將用戶的聲紋與聲紋黑名單中的聲紋進行匹配，可以有效的防止發生二次風險。比如，若某用戶之前貸款未還，如果他為了再次貸款偽造了自己的身份信息和名字，那麼從實名資料就很難發現是同一個人來貸款，但是由於他的聲紋是很難偽造的，那麼當獲取到該用戶的語音信息後，若發現其聲紋特徵與黑名單中的某個聲紋特徵匹配，那麼就可以發現這個人，從而拒絕他的貸款請求。
步驟112，直接拒絕相應的操作請求。
具體的，若發現用戶的聲紋特徵與之前黑名單中聲紋特徵一致，說明該用戶之前有過不良記錄，那麼為了防止二次風險，可以設置直接拒絕該用戶的操作請求。通過預先將用戶的聲紋與黑名單中的聲紋進行匹配，只有確認該用戶沒有不良記錄後再對該用戶進行風險數值的評估。若該用戶有不良記錄，就直接拒絕相應的操作請求，這樣能夠排除二次風險，更好的對風險進行預測。
在一個實施例中，根據預先建立的風險數值與預防操作之間的對應關係，確定與所述風險數值對應的預防操作。
在本實施例中，為了能夠有效的對風險進行預防，設置風險數值與預防操作之間的對應關係，風險數值越高，對應的預防操作對應的越嚴格。具體的，比如，如果是用戶的操作請求為借貸，那麼可以根據不同的風險數值設置不同的借貸金額，舉例說明，若風險數值為0-10之間，就可以設置借貸金額為10萬，如果風險數值在10-20，設置借貸金額8萬；若風險數值在20-30，設置借貸金額6萬；若風險數值在30-50，設置借貸金額5萬；若風險數值在60-80，設置借貸金額3萬；若風險數值在80-100，設置借貸金額1萬。也就是說，風險數值越高，相應能夠貸款的數額就越少。
如圖5所示，在一個實施例中，提出了一種基於大數據的風險預測裝置，所述裝置包括：
獲取模塊502，用於獲取用戶的語音信息。
在本實施例中，伺服器首先接收用戶的操作請求(比如借貸請求)，然後根據用戶的操作請求在終端上展示獲取用戶語音信息的界面，用戶根據界面的提示進行語音的錄入，然後伺服器接收用戶錄入的語音信息。此外，為了防止他人用之前非法已錄好的語音信息進行冒充，一般會在用戶錄入語音界面隨機生成一段話，要求用戶在規定的時間內(比如1分鐘)朗讀完該段話，從而獲取用戶的語音信息。
聲紋信息確定模塊504，用於根據語音信息確定用戶的聲紋信息。
在本實施例中，獲取到用戶的語音信息後，根據用戶的語音信息獲取該用戶的聲紋信息。聲紋信息是指用電聲學儀器顯示的攜帶言語信息的聲波頻譜。根據語音信息確定聲紋信息的過程也就是獲取用戶的聲波頻譜的過程。具體的，獲取到用戶的語音信息後，一般需要對該語音信息進行預處理，比如去噪聲處理，然後將預處理後的語音信息進行數位化得到用戶的聲紋信息。數位化的過程就是獲取聲波頻譜的過程。
提取模塊506，用於提取聲紋信息中的聲紋特徵。
具體的，確定用戶的聲紋信息後，通過提取聲紋信息中的特徵參數來提取聲紋信息中的聲紋特徵。其中，特徵參數包括音高特徵參數，音強特徵參數、音長特徵參數、音色特徵參數等。根據特徵參數對聲紋信息中的聲紋特徵進行提取。
風險數值確定模塊508，用於根據所述聲紋特徵確定與所述聲紋特徵對應的風險數值。
在本實施例中，預先建立聲紋大數據模型，根據以往有過惡意行為的聲紋信息分析出聲紋特徵與風險數值之間的關係。然後獲取與用戶的聲紋特徵對應的風險數值。風險數值用於評估用戶發生惡意行為的概率，比如，若是涉及借貸業務，此時風險數值就是用於評估用戶借款後不按時還款的概率。若用戶對應的風險數值比較高，說明該用戶不還款的概率就比較高，可以通過降低對該用戶的借貸額度來進行預防。具體的，通過對大量的有過不良記錄的聲紋信息進行大數據分析，找出其共同具有的某些特徵，然後將這些特徵作為參考的依據。當獲取到用戶的聲紋特徵後，計算用戶的聲紋特徵與有高風險的聲紋特徵之間的相似度，相似度越高，說明該用戶的風險數值越高，反之，相似度越低，該用戶的風險數值越低。
預防模塊510，用於根據風險數值進行相應的預防操作。
在本實施例中，確定完風險數值後，根據該風險數值採取不同的措施進行相應的預防操作。預先設置風險數值與預防操作的對應關係，根據計算得到的風險數值來進行相應的預防操作。根據計算得到的風險數值對風險進行預測，同時採取相應的措施進行預防操作，可以有效的評估風險，同時採取相應的預防操作可以減少損失。
在本實施例中，通過接收用戶的操作請求，根據該操作請求獲取用戶的語音信息，根據語音信息確定用戶的聲紋信息，提取該聲紋信息中的聲紋特徵，然後根據該聲紋特徵確定與該聲紋特徵對應的安全風險數值，然後根據該風險數值確定是否允許用戶的操作請求。該風險預測裝置基於大數據的聲紋資料庫，建立了聲紋特徵與風險數值之間的關係，根據用戶的聲紋特徵就可以獲取該用戶對應的風險數值，然後根據該風險數值進行相應的預防操作。因為聲紋具有特定性和穩定性的特點，通過建立聲紋特徵與風險數值之間的關係，可以便捷的獲取用戶對應的風險數值，從而可以根據該風險數值提前進行預防操作。
如圖6所示，在一個實施例中，上述基於大數據的風險預測裝置還包括：
建立模塊501，用於建立聲紋大數據模型，分析出聲紋特徵與風險數值之間的對應關係。
具體的，在獲取用戶的語音信息之前首先需要建立一個聲紋大數據模型，根據以往的有過惡意行為的聲紋信息，提取出共有的一些聲紋特徵，並分析出聲紋特徵與風險數值之間的對應關係。比如，若通過分析發現聲紋細小、語速過快的人更容易貸款後不歸還，那麼在放貸的時候就可以降低對這類用戶的貸款額度。
風險數值確定模塊508還用於根據所述聲紋特徵與風險數值之間的關係，確定與所述聲紋特徵對應的風險數值。
在本實施例中，根據預先建立的聲紋特徵與風險數值之間的關係，確定與該聲紋特徵對應的風險數值，然後根據確定的風險數值進行相應的預防操作。具體的，判斷風險數值是否達到了預設的閾值，若是，則採取相應的預防操作，比如，若用戶請求的是貸款請求，那麼就可以通過降低貸款額度來預防風險。
在一個實施例中，聲紋信息確定模塊還用於對獲取到的語音信息進行預處理，對預處理後的語音信息進行數位化得到用戶的聲紋信息。
在本實施例中，首先對獲取到的語音信息進行預處理。因為獲取到的語音信息一般都會有背景噪聲，所以需要對該獲取到的語音信息進行去噪處理。進行去噪處理後還可以進行其他預處理，比如，可以對語音信息進行分割處理，分成多個語音片段，便於後續處理。對經過預處理的語音信息進行數位化，數位化的過程就是轉換為聲波頻譜的過程，從而得到用戶的聲紋信息。具體的，通過進行數模轉換即將模擬信息轉換為數位訊號進行顯示來獲取用戶的聲波頻譜，通過該聲波頻譜可以進一步提取聲紋特徵，比如，提取平舌聲紋特徵，聲帶聲紋特徵、鼻音聲紋特徵和口腔聲紋特徵等。
如圖7所示，在一個實施例中，上述基於大數據的風險預測裝置還包括：
匹配模塊507，用於將聲紋特徵與聲紋黑名單中的聲紋進行匹配，若匹配成功，則直接拒絕相應的操作請求，若匹配失敗，則通知風險數值確定模塊根據所述聲紋特徵確定與所述聲紋特徵對應的風險數值。
在本實施例中，提取聲紋信息中的聲紋特徵後，首先將該聲紋特徵與預先存儲的聲紋黑名單中的聲紋進行匹配，若匹配成功，則直接拒絕相應的操作請求。建立聲紋黑名單就是將有過惡意行為的人的聲紋進行記錄，即將有過不良記錄的聲紋拉入黑名單。通過該聲紋黑名單可以有效的防止二次風險，即防止有不良記錄的人繼續進行惡意行為。具體的，首先將聲紋特徵與聲紋黑名單中的聲紋進行匹配，如果匹配成功，說明該用戶已經在黑名單內，則直接拒絕該用戶的操作請求。若匹配失敗，說明該用戶之前記錄良好，那麼就繼續根據用戶的聲紋特徵確定相應的風險數值。利用聲紋來識別該用戶是否有過不良記錄比傳統的只是簡單審查提交的資料更加便捷和有效。因為由於用戶的提交的資料有可能有偽造，但是用戶的聲紋具有特定性和穩定性的特點，很難進行偽造，所以將用戶的聲紋與聲紋黑名單中的聲紋進行匹配，可以有效的防止發生二次風險。比如，若某用戶之前貸款未還，如果他為了再次貸款偽造了自己的身份信息和名字，那麼從實名資料就很難發現是同一個人來貸款，但是由於他的聲紋是很難偽造的，那麼當獲取到該用戶的語音信息後，若發現其聲紋特徵與黑名單中的某個聲紋特徵匹配，那麼就可以發現這個人，從而拒絕他的貸款請求。
在一個實施例中，預防模塊還用於根據預先建立的風險數值與預防操作之間的對應關係，確定與風險數值對應的預防操作。
在本實施例中，為了能夠有效的對風險進行預防，設置風險數值與預防操作之間的對應關係，風險數值越高，對應的預防操作對應的越嚴格。具體的，比如，如果是用戶的操作請求為借貸，那麼可以根據不同的風險數值設置不同的借貸金額，舉例說明，若風險數值為0-10之間，就可以設置借貸金額為10萬，如果風險數值在10-20，設置借貸金額8萬；若風險數值在20-30，設置借貸金額6萬；若風險數值在30-50，設置借貸金額5萬；若風險數值在60-80，設置借貸金額3萬；若風險數值在80-100，設置借貸金額1萬。也就是說，風險數值越高，相應能夠貸款的數額就越少。
以上所述實施例的各技術特徵可以進行任意的組合，為使描述簡潔，未對上述實施例中的各個技術特徵所有可能的組合都進行描述，然而，只要這些技術特徵的組合不存在矛盾，都應當認為是本說明書記載的範圍。
以上所述實施例僅表達了本發明的幾種實施方式，其描述較為具體和詳細，但並不能因此而理解為對本發明專利範圍的限制。應當指出的是，對於本領域的普通技術人員來說，在不脫離本發明構思的前提下，還可以做出若干變形和改進，這些都屬於本發明的保護範圍。因此，本發明專利的保護範圍應以所附權利要求為準。