本發(fā)明涉及數(shù)據(jù)處理技術(shù)領(lǐng)域，尤其涉及一種風(fēng)險(xiǎn)識別方法及裝置。

背景技術(shù)：

在使用企業(yè)所提供的產(chǎn)品或者服務(wù)的過程中，用戶往往會遇到產(chǎn)品故障、服務(wù)器響應(yīng)用時(shí)長、工單提交失敗等各種問題。隨著這些問題的累積，用戶對該產(chǎn)品或者服務(wù)的體驗(yàn)越來越差，企業(yè)收到的投訴意見也會越來越多，對于產(chǎn)品或者服務(wù)的推廣會造成影響，為了將產(chǎn)品或者服務(wù)進(jìn)一步推廣勢必需要企業(yè)加大成本。

目前，為了提高用戶對產(chǎn)品或者服務(wù)的體驗(yàn)，降低用戶的投訴率，提升用戶的滿意度，企業(yè)可以通過人工定期查找的方式，捕獲感受較差的用戶，然后通過主動關(guān)懷或者工單區(qū)別處理的方法，來提升體驗(yàn)較差的用戶的滿意度。人工對用戶進(jìn)行定期查找的方法整個(gè)流程圖如圖1所示。該方法整個(gè)流程都需要人工干預(yù)，增加了人工成本。

而且現(xiàn)有技術(shù)一般根據(jù)用戶的投訴意見，來捕獲感受較差的用戶，并針對這些用戶進(jìn)行人工安撫或工單區(qū)別處理，更偏重出現(xiàn)問題后的識別及補(bǔ)救，無法及時(shí)發(fā)現(xiàn)存在的風(fēng)險(xiǎn)用戶，影響產(chǎn)品或者服務(wù)的推廣效率。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供一種風(fēng)險(xiǎn)識別方法及裝置，用于解決通過人工對用戶進(jìn)行定期查找來提升滿意度的方法存在無法及時(shí)發(fā)現(xiàn)風(fēng)險(xiǎn)用戶，影響產(chǎn)品或者服務(wù)的推廣效率的問題。

為了實(shí)現(xiàn)上述目的，本發(fā)明提供了一種風(fēng)險(xiǎn)識別方法，包括：

實(shí)時(shí)獲取用戶使用目標(biāo)對象時(shí)的網(wǎng)絡(luò)行為數(shù)據(jù)；

依據(jù)預(yù)先建立的風(fēng)險(xiǎn)模型對所述網(wǎng)絡(luò)行為數(shù)據(jù)進(jìn)行風(fēng)險(xiǎn)識別，得到所述用戶的風(fēng)險(xiǎn)概率。

為了實(shí)現(xiàn)上述目的，本發(fā)明提供了一種風(fēng)險(xiǎn)識別裝置，包括：

獲取模塊，用于實(shí)時(shí)獲取用戶使用目標(biāo)對象時(shí)的網(wǎng)絡(luò)行為數(shù)據(jù)；

風(fēng)險(xiǎn)識別模塊，用于依據(jù)預(yù)先建立的風(fēng)險(xiǎn)模型對所述網(wǎng)絡(luò)行為數(shù)據(jù)進(jìn)行風(fēng)險(xiǎn)識別，得到所述用戶的風(fēng)險(xiǎn)概率。

本發(fā)明的風(fēng)險(xiǎn)識別方法及裝置，通過實(shí)時(shí)獲取用戶使用目標(biāo)對象時(shí)的網(wǎng)絡(luò)行為數(shù)據(jù)，依據(jù)預(yù)先建立的風(fēng)險(xiǎn)模型對所述網(wǎng)絡(luò)行為數(shù)據(jù)進(jìn)行風(fēng)險(xiǎn)識別，得到所述用戶的風(fēng)險(xiǎn)概率。本發(fā)明中根據(jù)用戶的網(wǎng)絡(luò)行為數(shù)據(jù)，通過數(shù)據(jù)建模可以自動識別出風(fēng)險(xiǎn)用戶，能夠大大提高用戶風(fēng)險(xiǎn)識別的客觀性和準(zhǔn)確性。進(jìn)一步地，通過數(shù)據(jù)建模的方式對用戶實(shí)時(shí)的網(wǎng)絡(luò)行為數(shù)據(jù)進(jìn)行監(jiān)測，能夠提前預(yù)測出潛在的風(fēng)險(xiǎn)用戶，有利于提高產(chǎn)品或者服務(wù)的推廣效率。

附圖說明

圖1為現(xiàn)有人工定期查找方法的流程示意圖；

圖2為本發(fā)明實(shí)施例一的風(fēng)險(xiǎn)識別方法的流程示意圖；

圖3為本發(fā)明實(shí)施例一中風(fēng)險(xiǎn)模型構(gòu)建方法的流程示意圖；

圖4為本發(fā)明實(shí)施例二的風(fēng)險(xiǎn)識別方法的流程示意圖；

圖5為本發(fā)明實(shí)施例二中風(fēng)險(xiǎn)度評級方法的流程示意圖；

圖6為本發(fā)明實(shí)施例二的風(fēng)險(xiǎn)識別方法的應(yīng)用示意圖之一；

圖7為本發(fā)明實(shí)施例二的風(fēng)險(xiǎn)識別方法的應(yīng)用示意圖之二；

圖8為本發(fā)明實(shí)施例三的風(fēng)險(xiǎn)識別裝置的結(jié)構(gòu)示意圖；

圖9為本發(fā)明實(shí)施例四的風(fēng)險(xiǎn)識別裝置的結(jié)構(gòu)示意圖；

圖10為本發(fā)明實(shí)施例四中的評級模塊的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面結(jié)合附圖對本發(fā)明實(shí)施例提供的風(fēng)險(xiǎn)識別方法及裝置進(jìn)行詳細(xì)描述。

實(shí)施例一

如圖2所示，其為本發(fā)明實(shí)施例一的風(fēng)險(xiǎn)識別方法的流程示意圖，該風(fēng)險(xiǎn)識別方法包括：

步驟101、實(shí)時(shí)獲取用戶使用目標(biāo)對象時(shí)的網(wǎng)絡(luò)行為數(shù)據(jù)。

在實(shí)際中，可以從在線應(yīng)用程序中實(shí)時(shí)抓取用戶的使用目標(biāo)對象的網(wǎng)絡(luò)行為數(shù)據(jù)，具體而言，本實(shí)施例中，基于特定通信接口可以從在線應(yīng)用程序中，實(shí)時(shí)抓取該用戶在使用企業(yè)所提供的產(chǎn)品或服務(wù)的過程中的網(wǎng)絡(luò)行為數(shù)據(jù)。其中，用戶的在線網(wǎng)絡(luò)行為數(shù)據(jù)包括：用戶級別、用戶故障信息、用戶產(chǎn)品釋放信息、用戶產(chǎn)品保有、用戶工單信息、用戶投訴信息以及用戶的瀏覽信息等。

步驟102、依據(jù)預(yù)先建立的風(fēng)險(xiǎn)模型對所述網(wǎng)絡(luò)行為數(shù)據(jù)進(jìn)行風(fēng)險(xiǎn)識別，得到所述用戶的風(fēng)險(xiǎn)概率。

本實(shí)施例中，預(yù)先建立有一個(gè)風(fēng)險(xiǎn)模型，在獲取到用戶在線的網(wǎng)絡(luò)行為數(shù)據(jù)后，可直接以用戶在線的網(wǎng)絡(luò)行為數(shù)據(jù)作為風(fēng)險(xiǎn)模型的輸入，風(fēng)險(xiǎn)模型對輸入的網(wǎng)絡(luò)行為數(shù)據(jù)進(jìn)行風(fēng)險(xiǎn)識別，風(fēng)險(xiǎn)模型的輸出就是用戶的風(fēng)險(xiǎn)概率。

其中預(yù)先建立風(fēng)險(xiǎn)模型在具體實(shí)現(xiàn)中可以為基于機(jī)器學(xué)習(xí)方法建立的數(shù)學(xué)模型；其中，機(jī)器學(xué)習(xí)方法可以包括如下方法中的一種或多種：相關(guān)(Correlation)學(xué)習(xí)方法、增強(qiáng)(boosting)學(xué)習(xí)方法、貝葉斯(Bayes)學(xué)習(xí)方法、特征空間(Eigen)學(xué)習(xí)方法、特征向量(Vector)學(xué)習(xí)方法和元啟發(fā)式(Meta-Heuristics)學(xué)習(xí)方法。當(dāng)然，本領(lǐng)域技術(shù)人員可以根據(jù)實(shí)際需要，采用其它機(jī)器學(xué)習(xí)方法，或者，還可以采用其它數(shù)學(xué)建模方法，如各種線性或者非線性建模方法等等，本實(shí)施例對具體的風(fēng)險(xiǎn)模型的數(shù)學(xué)建模方法不加以限制。

本實(shí)施例提供的風(fēng)險(xiǎn)識別方法，通過實(shí)時(shí)獲取用戶使用目標(biāo)對象時(shí)的網(wǎng)絡(luò)行為數(shù)據(jù)，依據(jù)預(yù)先建立的風(fēng)險(xiǎn)模型對所述網(wǎng)絡(luò)行為數(shù)據(jù)進(jìn)行風(fēng)險(xiǎn)識別，得到所述用戶的風(fēng)險(xiǎn)概率。本實(shí)施例中根據(jù)用戶的網(wǎng)絡(luò)行為數(shù)據(jù)，通過數(shù)據(jù)建模可以自動識別出風(fēng)險(xiǎn)用戶，能夠大大提高用戶風(fēng)險(xiǎn)識別的客觀性和準(zhǔn)確性，進(jìn)一步地，通過數(shù)據(jù)建模的方式對用戶實(shí)時(shí)的網(wǎng) 絡(luò)行為數(shù)據(jù)進(jìn)行監(jiān)測，能夠提前預(yù)測出潛在的風(fēng)險(xiǎn)用戶，有利于提高產(chǎn)品或者服務(wù)的推廣效率。

進(jìn)一步地，在步驟101實(shí)時(shí)獲取用戶在線的網(wǎng)絡(luò)行為數(shù)據(jù)之前，還需要通過用戶的歷史網(wǎng)絡(luò)行為數(shù)據(jù)來預(yù)先建立一個(gè)風(fēng)險(xiǎn)模型。

如圖3所示，其為本發(fā)明實(shí)施例一中的風(fēng)險(xiǎn)模型構(gòu)建方法的流程示意圖，該風(fēng)險(xiǎn)模型構(gòu)建方法包括：

步驟201、依據(jù)所述用戶的歷史網(wǎng)絡(luò)行為數(shù)據(jù)，確定所述風(fēng)險(xiǎn)模型對應(yīng)的算法。

具體地，定期或定時(shí)地通過應(yīng)用程序編程接口(Application Programming Interface，簡稱API)建立到開放數(shù)據(jù)處理服務(wù)(Open Data Processing Service，簡稱ODPS)的連接，由ODPS基于API調(diào)用的方式，將相應(yīng)用戶的網(wǎng)絡(luò)行為數(shù)據(jù)推送至該API，在該API處監(jiān)聽獲取來自在ODPS的用戶的網(wǎng)絡(luò)行為數(shù)據(jù)，并將該定期或定時(shí)獲取的用戶的網(wǎng)絡(luò)行為數(shù)據(jù)作為用戶的歷史網(wǎng)絡(luò)行為數(shù)據(jù)。

本實(shí)施例中，優(yōu)選地采用回歸分析算法作為風(fēng)險(xiǎn)模型對應(yīng)的算法。其中，該風(fēng)險(xiǎn)模型對應(yīng)的算法為：

其中，P，表示風(fēng)險(xiǎn)概率；xi，表示第i個(gè)影響因子；β_i，表示第i個(gè)影響因子的系數(shù)。

本實(shí)施例中用戶的歷史網(wǎng)絡(luò)行為數(shù)據(jù)用于作為算法的影響因子輸入到該算法中，例如，用戶級別、用戶故障信息、用戶產(chǎn)品釋放信息、用戶產(chǎn)品保有、用戶工單信息、用戶投訴信息以及用戶的瀏覽信息可以分別作為算法的影響因子。

步驟202、按照所述算法對所述歷史網(wǎng)絡(luò)行為數(shù)據(jù)進(jìn)行風(fēng)險(xiǎn)識別訓(xùn)練，得到所述歷史網(wǎng)絡(luò)行為數(shù)據(jù)的風(fēng)險(xiǎn)識別結(jié)果。

基于回歸分析算法建立初步的風(fēng)險(xiǎn)模型后，將存儲的用戶的歷史網(wǎng)絡(luò)行為數(shù)據(jù)作為輸入，輸入到初步建立的風(fēng)險(xiǎn)模型中進(jìn)行風(fēng)險(xiǎn)識別訓(xùn)練，得到歷史網(wǎng)絡(luò)行為數(shù)據(jù)的風(fēng)險(xiǎn)識別結(jié)果。本實(shí)施例中，為了提高風(fēng)險(xiǎn)模型的精確度，需要基于用戶的歷史網(wǎng)絡(luò)行為數(shù)據(jù)對模型進(jìn)行數(shù)據(jù)訓(xùn)練， 經(jīng)過數(shù)據(jù)訓(xùn)練的風(fēng)險(xiǎn)模型的精準(zhǔn)度能夠更為精確。

步驟203、使用所述風(fēng)險(xiǎn)識別結(jié)果作為模型參數(shù)構(gòu)建所述風(fēng)險(xiǎn)模型。

在獲取到歷史網(wǎng)絡(luò)行為數(shù)據(jù)的風(fēng)險(xiǎn)識別結(jié)果后，將該風(fēng)險(xiǎn)識別結(jié)果作為風(fēng)險(xiǎn)模型的模型參數(shù)，使用該模型參數(shù)來完成風(fēng)險(xiǎn)模型的構(gòu)建。

本實(shí)施例中，通過數(shù)據(jù)建模的方式對用戶實(shí)時(shí)的網(wǎng)絡(luò)行為數(shù)據(jù)進(jìn)行監(jiān)測，能夠提前預(yù)測出潛在的風(fēng)險(xiǎn)用戶。在用戶對產(chǎn)品或者服務(wù)提出投訴或者抱怨之前，提早對用戶進(jìn)行相關(guān)處理，不僅可以提高用戶感受，而且可以避免對企業(yè)形象造成的負(fù)面影響，有利于產(chǎn)品或者服務(wù)的推廣，進(jìn)而能降低企業(yè)的運(yùn)營成本。

實(shí)施例二

如圖4所示，其為本發(fā)明實(shí)施例二的風(fēng)險(xiǎn)識別方法的流程示意圖，該風(fēng)險(xiǎn)識別方法包括：

步驟301、依據(jù)用戶的歷史網(wǎng)絡(luò)行為數(shù)據(jù)，確定所述風(fēng)險(xiǎn)模型對應(yīng)的算法。

步驟302、按照所述算法對所述歷史網(wǎng)絡(luò)行為數(shù)據(jù)進(jìn)行風(fēng)險(xiǎn)識別訓(xùn)練，得到所述歷史網(wǎng)絡(luò)行為數(shù)據(jù)的風(fēng)險(xiǎn)識別結(jié)果。

步驟303、使用所述風(fēng)險(xiǎn)識別結(jié)果作為模型參數(shù)構(gòu)建所述風(fēng)險(xiǎn)模型。

步驟301～步驟303為預(yù)先建立風(fēng)險(xiǎn)模型的過程，可參見上述實(shí)施例步驟201～步驟203中相關(guān)內(nèi)容的記載，此處不再贅述。

步驟304、實(shí)時(shí)獲取用戶使用目標(biāo)對象時(shí)的網(wǎng)絡(luò)行為數(shù)據(jù)。

在實(shí)際中，可以從在線應(yīng)用程序中實(shí)時(shí)抓取用戶的在線網(wǎng)絡(luò)行為數(shù)據(jù)，具體而言，本實(shí)施例中，可以從在線應(yīng)用程序?qū)崟r(shí)抓取處于該用戶在使用企業(yè)所提供的產(chǎn)品或服務(wù)過程中的網(wǎng)絡(luò)行為數(shù)據(jù)。其中，用戶的在線網(wǎng)絡(luò)行為數(shù)據(jù)包括：用戶級別、用戶故障信息、用戶產(chǎn)品釋放信息、用戶產(chǎn)品保有、用戶工單信息、用戶投訴信息以及用戶的瀏覽信息等。

步驟305、將用戶的所述網(wǎng)絡(luò)行為數(shù)據(jù)輸入到所述風(fēng)險(xiǎn)模型中進(jìn)行風(fēng)險(xiǎn)識別，得到所述用戶的風(fēng)險(xiǎn)概率。

在獲取到用戶在線的網(wǎng)絡(luò)行為數(shù)據(jù)后，可直接以用戶在線的網(wǎng)絡(luò)行為數(shù)據(jù)作為上述步驟303中所構(gòu)建的風(fēng)險(xiǎn)模型的輸入，風(fēng)險(xiǎn)模型對輸入 的網(wǎng)絡(luò)行為數(shù)據(jù)進(jìn)行風(fēng)險(xiǎn)識別，風(fēng)險(xiǎn)模型的輸出就是用戶的風(fēng)險(xiǎn)概率。

步驟306、輸出用戶的所述風(fēng)險(xiǎn)概率，以使管理員按照所述風(fēng)險(xiǎn)概率對所述用戶進(jìn)行相應(yīng)處理。

在獲取到用戶的風(fēng)險(xiǎn)概率后，可以將該用戶的風(fēng)險(xiǎn)概率通過短信、郵件或者短消息(Imessage)通知給產(chǎn)品或者服務(wù)的管理員。相關(guān)管理員獲取到該用戶的風(fēng)險(xiǎn)概率后，可以與用戶進(jìn)行溝通，幫助用戶解決當(dāng)前遇到的問題。

步驟307、接收所述管理員針對所述用戶的處理結(jié)果，其中，所述處理結(jié)果中包括對用戶的風(fēng)險(xiǎn)概率進(jìn)行修正的修正參數(shù)。

在相關(guān)的管理員對用戶的問題進(jìn)行處理后，用戶的風(fēng)險(xiǎn)就會降低，實(shí)際應(yīng)用中，當(dāng)用戶的問題長時(shí)間得不到處理會引起用戶的不滿，隨著這些問題的累積，用戶的情緒將會越來越暴躁，使得用戶的風(fēng)險(xiǎn)變高。用戶可能就會對產(chǎn)品或者服務(wù)提出投訴或者抱怨，例如，通過微博、論壇等公開方式對企業(yè)進(jìn)行投訴，從而給企業(yè)形象帶來極度負(fù)面的影響，提高了企業(yè)的運(yùn)營成本。

為了更準(zhǔn)確地為用戶最終的危險(xiǎn)性別進(jìn)行評級，管理員需要將處理結(jié)果進(jìn)行反饋。其中，該處理結(jié)果中包括對用戶的風(fēng)險(xiǎn)概率進(jìn)行修正的修正參數(shù)。

步驟308、使用所述修正參數(shù)對所述風(fēng)險(xiǎn)概率進(jìn)行修正，得到所述用戶的最終風(fēng)險(xiǎn)概率。

步驟309、采用所述最終風(fēng)險(xiǎn)概率對所述用戶的風(fēng)險(xiǎn)度進(jìn)行評級。

在獲取到反饋的處理結(jié)果后，就可以根據(jù)該修正參數(shù)對用戶的風(fēng)險(xiǎn)概率進(jìn)行修正，得到該用戶的最終風(fēng)險(xiǎn)概率。進(jìn)一步地，采用修正后的用戶的風(fēng)險(xiǎn)概率，對用戶的風(fēng)險(xiǎn)度進(jìn)行評級。

如圖5所示，其為本實(shí)施例二中對用戶的風(fēng)險(xiǎn)度進(jìn)行評級的示意圖。其中，反饋的處理結(jié)果中的所述修正參數(shù)包括：通過風(fēng)險(xiǎn)模型計(jì)算出的風(fēng)險(xiǎn)概率對應(yīng)的第一權(quán)重值，以及在管理員對用戶進(jìn)行相關(guān)處理，對用戶的風(fēng)險(xiǎn)重新進(jìn)行評估得到的評估風(fēng)險(xiǎn)概率和與該評估風(fēng)險(xiǎn)概率對應(yīng)的第二權(quán)重值，其中，第一權(quán)重值+第二權(quán)重值＝1。

使用修正參數(shù)對風(fēng)險(xiǎn)概率進(jìn)行修正，得到用戶的最終風(fēng)險(xiǎn)概率，具體為獲取風(fēng)險(xiǎn)概率與第一權(quán)重值的第一乘積，以及評估風(fēng)險(xiǎn)概率與第二權(quán)重值的第二乘積，計(jì)算第一乘積和第二乘積的和值作為最終風(fēng)險(xiǎn)概率。

進(jìn)一步地，本實(shí)施例中預(yù)先設(shè)置有風(fēng)險(xiǎn)概率與風(fēng)險(xiǎn)度級別之間的映射關(guān)系表，在獲取到用戶的最終風(fēng)險(xiǎn)概率后，查詢該映射關(guān)系表，從中得到與該最終風(fēng)險(xiǎn)概率對應(yīng)的風(fēng)險(xiǎn)度的目標(biāo)級別。

本實(shí)施例中，風(fēng)險(xiǎn)度級別包括：高危、危險(xiǎn)、亞健康和健康，其中，高危對應(yīng)風(fēng)險(xiǎn)概率的取值范圍[70％，100％]；危險(xiǎn)對應(yīng)風(fēng)險(xiǎn)概率的取值范圍[40％，70％]；亞健康對應(yīng)風(fēng)險(xiǎn)概率的取值范圍[10％，40％]；健康對應(yīng)風(fēng)險(xiǎn)概率的取值范圍[0％，10％]。例如，當(dāng)獲取到的用戶的最終風(fēng)險(xiǎn)概率為38％時(shí)，則用戶風(fēng)險(xiǎn)度的目標(biāo)級別就是亞健康級別。

本實(shí)施例提供的方法可以由圖6所示的風(fēng)險(xiǎn)識別系統(tǒng)來完成，圖6中的數(shù)據(jù)建模中心用于實(shí)現(xiàn)風(fēng)險(xiǎn)模型的構(gòu)建流程，具體可以執(zhí)行步驟301～步驟303中的相關(guān)內(nèi)容。風(fēng)險(xiǎn)識別中心用于實(shí)現(xiàn)對用戶使用目標(biāo)對象時(shí)的網(wǎng)絡(luò)行為數(shù)據(jù)的風(fēng)險(xiǎn)識別流程，具體可以執(zhí)行步驟304～步驟309中的相關(guān)內(nèi)容。在獲取到用戶的風(fēng)險(xiǎn)概率后，風(fēng)險(xiǎn)識別中心通過通知通道向產(chǎn)品或者服務(wù)的管理員發(fā)送用戶的風(fēng)險(xiǎn)概率，例如可以通過短信、郵件或者IM等方式通知管理員。風(fēng)險(xiǎn)識別系統(tǒng)中數(shù)據(jù)建模中心通過API與ODPS建立連接，由ODPS基于API調(diào)用的方式，定期或定時(shí)地將相應(yīng)用戶的網(wǎng)絡(luò)行為數(shù)據(jù)推送至該API，在該API處監(jiān)聽獲取來自在ODPS的用戶的網(wǎng)絡(luò)行為數(shù)據(jù)，并將該定期或定時(shí)獲取的用戶的網(wǎng)絡(luò)行為數(shù)據(jù)作為用戶的歷史網(wǎng)絡(luò)行為數(shù)據(jù)。在獲取到用戶的最終風(fēng)險(xiǎn)概率后，風(fēng)險(xiǎn)識別中心可以實(shí)時(shí)地監(jiān)控用戶的風(fēng)險(xiǎn)概率的變化趨勢，并且可以基于API將用戶的風(fēng)險(xiǎn)概率的變化趨勢在信息展示平臺進(jìn)行顯示。

如圖7所示，其為本實(shí)施例二的風(fēng)險(xiǎn)識別方法的應(yīng)用示例圖。基于上述風(fēng)險(xiǎn)識別系統(tǒng)對用戶的風(fēng)險(xiǎn)度進(jìn)行監(jiān)控，在將用戶設(shè)置為亞健康級別后，在用戶使用產(chǎn)品的后面一段時(shí)間內(nèi)，用戶的風(fēng)險(xiǎn)概率將線性衰減，進(jìn)而不同程度的影響用戶的風(fēng)險(xiǎn)度。

本實(shí)施例提供的風(fēng)險(xiǎn)識別方法，通過實(shí)時(shí)獲取用戶使用目標(biāo)對象時(shí) 的網(wǎng)絡(luò)行為數(shù)據(jù)，依據(jù)預(yù)先建立的風(fēng)險(xiǎn)模型對所述網(wǎng)絡(luò)行為數(shù)據(jù)進(jìn)行風(fēng)險(xiǎn)識別，得到所述用戶的風(fēng)險(xiǎn)概率，根據(jù)所述風(fēng)險(xiǎn)概率對所述用戶的風(fēng)險(xiǎn)度進(jìn)行評級。本實(shí)施例中根據(jù)用戶的網(wǎng)絡(luò)行為數(shù)據(jù)，通過數(shù)據(jù)建模可以自動識別出風(fēng)險(xiǎn)用戶，能夠大大提高用戶風(fēng)險(xiǎn)識別的客觀性和準(zhǔn)確性。

進(jìn)一步地，通過數(shù)據(jù)建模的方式對用戶實(shí)時(shí)的網(wǎng)絡(luò)行為數(shù)據(jù)進(jìn)行監(jiān)測，能夠提前預(yù)測出潛在的風(fēng)險(xiǎn)用戶。在用戶對產(chǎn)品或者服務(wù)提出投訴或者抱怨之前，提早對用戶進(jìn)行相關(guān)處理，不僅可以提高用戶感受，而且可以避免對企業(yè)形象造成的負(fù)面影響，有利于產(chǎn)品或者服務(wù)的推廣，進(jìn)而能降低企業(yè)的運(yùn)營成本。

實(shí)施例三

如圖8所示，其為本發(fā)明實(shí)施例三的風(fēng)險(xiǎn)識別裝置的結(jié)構(gòu)示意圖，該風(fēng)險(xiǎn)識別裝置包括：獲取模塊11和風(fēng)險(xiǎn)識別模塊12。

獲取模塊11，用于實(shí)時(shí)獲取用戶使用目標(biāo)對象時(shí)的網(wǎng)絡(luò)行為數(shù)據(jù)。

在實(shí)際中，獲取模塊11可以從在線應(yīng)用程序中實(shí)時(shí)抓取用戶的在線網(wǎng)絡(luò)行為數(shù)據(jù)，具體而言，本實(shí)施例中，獲取模塊11通過通信接口可以從在線應(yīng)用程序?qū)崟r(shí)抓取該用戶在使用企業(yè)所提供的產(chǎn)品或服務(wù)過程中的網(wǎng)絡(luò)行為數(shù)據(jù)。其中，用戶的網(wǎng)絡(luò)行為數(shù)據(jù)包括：用戶級別、用戶故障信息、用戶產(chǎn)品釋放信息、用戶產(chǎn)品保有、用戶工單信息、用戶投訴信息以及用戶的瀏覽信息等。

風(fēng)險(xiǎn)識別模塊12，用于依據(jù)預(yù)先建立的風(fēng)險(xiǎn)模型對所述網(wǎng)絡(luò)行為數(shù)據(jù)進(jìn)行風(fēng)險(xiǎn)識別，得到所述用戶的風(fēng)險(xiǎn)概率。

本實(shí)施例中，預(yù)先建立有一個(gè)風(fēng)險(xiǎn)模型，在實(shí)時(shí)獲取到用戶的網(wǎng)絡(luò)行為數(shù)據(jù)后，風(fēng)險(xiǎn)識別模塊12可直接以用戶的網(wǎng)絡(luò)行為數(shù)據(jù)作為風(fēng)險(xiǎn)模型的輸入，風(fēng)險(xiǎn)模型對輸入的網(wǎng)絡(luò)行為數(shù)據(jù)進(jìn)行風(fēng)險(xiǎn)識別，風(fēng)險(xiǎn)模型的輸出就是用戶的風(fēng)險(xiǎn)概率。

其中預(yù)先建立風(fēng)險(xiǎn)模型在具體實(shí)現(xiàn)可參見上述實(shí)施例中相關(guān)內(nèi)容的記載，此處不再贅述。

本實(shí)施例提供的風(fēng)險(xiǎn)識別裝置，通過實(shí)時(shí)獲取用戶使用目標(biāo)時(shí)的網(wǎng)絡(luò)行為數(shù)據(jù)，依據(jù)預(yù)先建立的風(fēng)險(xiǎn)模型對所述網(wǎng)絡(luò)行為數(shù)據(jù)進(jìn)行風(fēng)險(xiǎn)識 別，得到所述用戶的風(fēng)險(xiǎn)概率。本實(shí)施例中根據(jù)用戶的網(wǎng)絡(luò)行為數(shù)據(jù)，通過數(shù)據(jù)建?？梢宰詣幼R別出風(fēng)險(xiǎn)用戶，能夠大大提高用戶風(fēng)險(xiǎn)識別的客觀性和準(zhǔn)確性。進(jìn)一步地，通過數(shù)據(jù)建模的方式對用戶實(shí)時(shí)的網(wǎng)絡(luò)行為數(shù)據(jù)進(jìn)行監(jiān)測，能夠提前預(yù)測出潛在的風(fēng)險(xiǎn)用戶。

實(shí)施例四

如圖9所示，其為本發(fā)明實(shí)施例四的風(fēng)險(xiǎn)識別裝置的結(jié)構(gòu)示意圖，該風(fēng)險(xiǎn)識別裝置除了包括上述實(shí)施例三中的獲取模塊11和風(fēng)險(xiǎn)識別模塊12之外，還包括：評級模塊13、確定模塊14、訓(xùn)練模塊15和模型構(gòu)建模塊16。

其中，評級模塊13，用于在風(fēng)險(xiǎn)識別模塊12得到用戶的風(fēng)險(xiǎn)概率之后，根據(jù)風(fēng)險(xiǎn)概率對用戶的風(fēng)險(xiǎn)度進(jìn)行評級

確定模塊14，用于依據(jù)用戶的歷史網(wǎng)絡(luò)行為數(shù)據(jù)，確定所述風(fēng)險(xiǎn)模型對應(yīng)的算法。

具體地，獲取模塊11，用于在實(shí)時(shí)獲取用戶的網(wǎng)絡(luò)行為數(shù)據(jù)之前，定期或定時(shí)獲取用戶的網(wǎng)絡(luò)行為數(shù)據(jù)，并將所述網(wǎng)絡(luò)行為數(shù)據(jù)作為歷史網(wǎng)絡(luò)行為數(shù)據(jù)進(jìn)行存儲。

訓(xùn)練模塊15，用于按照所述算法對所述歷史網(wǎng)絡(luò)行為數(shù)據(jù)進(jìn)行風(fēng)險(xiǎn)識別訓(xùn)練，得到所述歷史網(wǎng)絡(luò)行為數(shù)據(jù)的風(fēng)險(xiǎn)識別結(jié)果。

模型構(gòu)建模塊16，用于使用所述風(fēng)險(xiǎn)識別結(jié)果作為模型參數(shù)構(gòu)建所述風(fēng)險(xiǎn)模型。

進(jìn)一步地，所述風(fēng)險(xiǎn)模型對應(yīng)的算法為：

其中，P，表示風(fēng)險(xiǎn)概率；xi，表示第i個(gè)影響因子；β_i，表示第i個(gè)影響因子的系數(shù)；所述歷史網(wǎng)絡(luò)行為數(shù)據(jù)作為所述算法中的影響因子。

圖10所示，其為本實(shí)施例四中評級模塊的結(jié)構(gòu)示意圖。其中，評級模塊13的一種可選地結(jié)構(gòu)方式包括：輸出單元131、接收單元132和評級單元133。

具體地，輸出單元131，用于輸出所述用戶的所述風(fēng)險(xiǎn)概率，以使管理員按照所述風(fēng)險(xiǎn)概率對所述用戶進(jìn)行相應(yīng)處理。

接收單元132，用于接收所述管理員針對所述用戶的處理結(jié)果。

評級單元133，用于根據(jù)所述處理結(jié)果對所述用戶的風(fēng)險(xiǎn)度進(jìn)行評級。

進(jìn)一步地，所述處理結(jié)果包括對所述風(fēng)險(xiǎn)概率進(jìn)行修正的修正參數(shù)。

評級單元133，具體用于使用所述修正參數(shù)對所述風(fēng)險(xiǎn)概率進(jìn)行修正，得到所述用戶的最終風(fēng)險(xiǎn)概率，采用所述最終風(fēng)險(xiǎn)概率對所述用戶的風(fēng)險(xiǎn)度進(jìn)行評級。

可選地，所述修正參數(shù)包括：所述風(fēng)險(xiǎn)概率對應(yīng)的第一權(quán)重值，以及在所述管理員對所述用戶進(jìn)行相關(guān)處理，對所述用戶的風(fēng)險(xiǎn)進(jìn)行評估得到的評估風(fēng)險(xiǎn)概率和與所述評估風(fēng)險(xiǎn)概率對應(yīng)的第二權(quán)重值；所述第一權(quán)重值+所述第二權(quán)重值＝1。

評級單元133，具體用于獲取所述風(fēng)險(xiǎn)概率與所述第一權(quán)重值的第一乘積，以及所述評估風(fēng)險(xiǎn)概率與所述第二權(quán)重值的第二乘積，以及計(jì)算所述第一乘積和所述第二乘積的和值作為所述最終風(fēng)險(xiǎn)概率。

進(jìn)一步地，評級單元133，具體用于依據(jù)所述最終風(fēng)險(xiǎn)概率查詢預(yù)設(shè)的風(fēng)險(xiǎn)概率與風(fēng)險(xiǎn)度級別之間的映射關(guān)系表，獲取與所述最終風(fēng)險(xiǎn)概率對應(yīng)的風(fēng)險(xiǎn)度的目標(biāo)級別。

本實(shí)施例提供的風(fēng)險(xiǎn)識別裝置的各功能模塊可用于執(zhí)行圖2～4中所示的風(fēng)險(xiǎn)識別方法的流程，其具體工作原理不再贅述，詳見方法實(shí)施例的描述。

本實(shí)施例提供的風(fēng)險(xiǎn)識別裝置，通過實(shí)時(shí)獲取用戶使用目標(biāo)對象時(shí)的網(wǎng)絡(luò)行為數(shù)據(jù)，依據(jù)預(yù)先建立的風(fēng)險(xiǎn)模型對所述網(wǎng)絡(luò)行為數(shù)據(jù)進(jìn)行風(fēng)險(xiǎn)識別，得到所述用戶的風(fēng)險(xiǎn)概率，根據(jù)所述風(fēng)險(xiǎn)概率對所述用戶的風(fēng)險(xiǎn)度進(jìn)行評級。本實(shí)施例中根據(jù)用戶的網(wǎng)絡(luò)行為數(shù)據(jù)，通過數(shù)據(jù)建模可以自動識別出風(fēng)險(xiǎn)用戶，能夠大大提高用戶風(fēng)險(xiǎn)識別的客觀性和準(zhǔn)確性。

進(jìn)一步地，通過數(shù)據(jù)建模的方式對用戶實(shí)時(shí)的網(wǎng)絡(luò)行為數(shù)據(jù)進(jìn)行監(jiān)測，能夠提前預(yù)測出潛在的風(fēng)險(xiǎn)用戶。在用戶對產(chǎn)品或者服務(wù)提出投訴或者抱怨之前，提早對用戶進(jìn)行相關(guān)處理，不僅可以提高用戶感受，而且可以避免對企業(yè)形象造成的負(fù)面影響，有利于產(chǎn)品或者服務(wù)的推廣，進(jìn)而能降低企業(yè)的運(yùn)營成本。

本領(lǐng)域普通技術(shù)人員可以理解：實(shí)現(xiàn)上述各方法實(shí)施例的全部或部分步驟可以通過程序指令相關(guān)的硬件來完成。前述的程序可以存儲于一計(jì)算機(jī)可讀取存儲介質(zhì)中。該程序在執(zhí)行時(shí)，執(zhí)行包括上述各方法實(shí)施例的步驟；而前述的存儲介質(zhì)包括：ROM、RAM、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。

最后應(yīng)說明的是：以上各實(shí)施例僅用以說明本發(fā)明的技術(shù)方案，而非對其限制；盡管參照前述各實(shí)施例對本發(fā)明進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對其中部分或者全部技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的范圍。