[发明专利]黑名单筛查方法、装置、计算机设备及存储介质

说明书

本发明公开了黑名单筛查方法、装置、计算机设备及存储介质。该方法包括：将根据预设的用户名单所爬取的各用户信息分别进行标注，得到与各用户信息一一对应的标注序列，以组成标注序列集合；通过标注序列集合对待训练卷积神经网络进行训练，得到卷积神经网络模型；若检测到待预测失信人概率的目标用户信息，获取目标用户信息对应的目标标注序列；将目标标注序列输入至卷积神经网络模型，计算得到与目标用户信息对应的目标自然人失信概率；以及若目标自然人失信概率大于预设的失信人概率阈值，将目标用户信息对应的添加至黑名单清单。该方法通过自动爬取用户数据，利用大数据分析多维度数据，实现了多维度分析用户失信风险。

技术领域

本发明涉及智能决策领域，尤其涉及一种黑名单筛查方法、装置、计算机设备及存储介质。

背景技术

目前，针对用户进行信用分析时，往往是停留在单一方面，例如获取用户的金融逾期信息、个人犯罪信息等，并不能以多个角度全方位的获取客户失信信息来综合分析用户信息度，也即不能根据综合的用户信息度从指定的用户名单中筛选出信用度低于预设信用度阈值的目标用户。

发明内容

本发明实施例提供了一种黑名单筛查方法、装置、计算机设备及存储介质，旨在解决现有技术中针对用户进行信用分析时是基于单一维度而筛选出信用度低于预设信用度阈值的目标用户，无法综合考虑多维度的的问题。

第一方面，本发明实施例提供了一种黑名单筛查方法，其包括：

将根据预设的用户名单所爬取的各用户信息分别进行标注，得到与各用户信息一一对应的标注序列，以组成标注序列集合；其中，所述用户名单中各用户的用户信息至少包括2种属性信息；

将所述标注序列集合中每一标注序列作为待训练卷积神经网络的输入，将所述标注序列集合中每一标注序列对应的自然人失信概率作为待训练卷积神经网络的输出，对所述待训练卷积神经网络进行训练，得到用于预测自然人失信概率的卷积神经网络模型；

若检测到待预测失信人概率的目标用户信息，获取所述目标用户信息对应的目标标注序列；

将所述目标标注序列输入至所述卷积神经网络模型，计算得到与所述目标用户信息对应的目标自然人失信概率；

若所述目标自然人失信概率大于预设的失信人概率阈值，将所述目标用户信息对应的添加至黑名单清单。

第二方面，本发明实施例提供了一种黑名单筛查装置，其包括：

集合获取单元，用于将根据预设的用户名单所爬取的各用户信息分别进行标注，得到与各用户信息一一对应的标注序列，以组成标注序列集合；其中，所述用户名单中各用户的用户信息至少包括2种属性信息；

模型训练单元，用于将所述标注序列集合中每一标注序列作为待训练卷积神经网络的输入，将所述标注序列集合中每一标注序列对应的自然人失信概率作为待训练卷积神经网络的输出，对所述待训练卷积神经网络进行训练，得到用于预测自然人失信概率的卷积神经网络模型；

目标序列获取单元，用于若检测到待预测失信人概率的目标用户信息，获取所述目标用户信息对应的目标标注序列；

概率获取单元，用于将所述目标标注序列输入至所述卷积神经网络模型，计算得到与所述目标用户信息对应的目标自然人失信概率；以及

清单更新单元，用于若所述目标自然人失信概率大于预设的失信人概率阈值，将所述目标用户信息对应的添加至黑名单清单。

第三方面，本发明实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的黑名单筛查方法。