[发明专利]一种银行业务的监控方法及装置

说明书

本发明实施例涉及数据处理技术领域，尤其涉及一种银行业务的监控方法及装置，用以综合考虑业务的多维度属性，增加监控的准确性和说服力。本发明实施例包括：根据被监控业务的交易数据，确定被监控业务的业务标签，以及被监控业务的多个业务属性的值；针对被监控业务的多个业务属性中的任一业务属性，将业务属性作为一个像素点，生成被监控业务的业务画像；业务画像的一个像素点的值等于对应的业务属性的值；将被监控业务的业务画像输入卷积神经网络模型中，得到被监控业务属于不同业务种类的概率分布；卷积神经网络模型根据历史交易数据训练得到；将概率最大的业务种类与被监控业务的业务标签相比较，对被监控业务进行评判。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种银行业务的监控方法及装置。

背景技术

随着支付产业的不断发展和支付科技的持续创新，现有支付产品已从线下通过POS(销售终端，point of sale)进行刷卡/转帐、通过ATM(自动柜员机，Automatic TellerMachine)进行存款/取现等传统业务，向手机通过NFC(近场通信，near fieldcommunication)或二维码技术进行支付等移动支付业务拓展，其业务场景和业务属性也随之丰富，呈现出个性化、多维化的特性。

目前对业务产品进行监控时，依据的属性维度较为单一。如对于交易质量是监控返回码断定；而分析业务发展情况时，是通过笔数、金额等属性进行决策。但随着业务场景和业务属性的复杂化，这些判定方法的不够精确，且缺少足够的说服力。

发明内容

本申请提供一种银行业务的监控方法及装置，用以综合考虑业务的多维度属性，增加监控的准确性和说服力。

本发明实施例提供的一种银行业务的监控方法，包括：

根据被监控业务的交易数据，确定所述被监控业务的业务标签，以及所述被监控业务的多个业务属性的值；

针对所述被监控业务的多个业务属性中的任一业务属性，将所述业务属性作为一个像素点，生成所述被监控业务的业务画像；所述业务画像的一个像素点的值等于对应的业务属性的值；

将所述被监控业务的业务画像输入卷积神经网络模型中，得到所述业务画像属于不同业务种类的概率分布；所述卷积神经网络模型根据历史交易数据训练得到；

将概率最大的业务种类与所述被监控业务的业务标签相比较，对所述被监控业务进行评判。

一种可选的实施例中，所述根据被监控业务的交易数据，确定所述被监控业务的业务标签，以及所述被监控业务的多个业务属性的值，包括：

获取所述被监控业务在一个单位时间内的交易数据；

从所述单位时间内的交易数据中获取所述被监控业务的标识字段，根据所述标识字段确定所述被监控业务的业务标签；

根据所述单位时间内的交易数据，计算得到所述被监控业务在所述单位时间内的多个业务属性的值。

一种可选的实施例中，根据以下方式训练得到所述卷积神经网络模型：

根据训练业务的历史交易数据，确定所述训练业务的业务标签，以及所述训练业务的多个业务属性的值；

针对所述被训练业务的多个业务属性中的任一业务属性，将所述业务属性作为一个像素点，生成所述训练业务的业务画像；所述业务画像的一个像素点的值等于对应的业务属性的值；

根据所述训练业务的业务画像，以及所述训练业务的业务标签，训练得到所述卷积神经网络模型。

一种可选的实施例中，所述将概率最大的业务种类与所述被监控业务的业务标签相比较，对所述被监控业务进行评判，包括：

将所述概率最大的业务种类与所述被监控业务的业务标签相比较；