(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210598086.7 (22)申请日 2022.05.30 (71)申请人 平安科技 （深圳） 有限公司 地址 518033 广东省深圳市福田区福田街 道福安社区益田路5033号平 安金融中 心23楼 (72)发明人 罗炜鸿　 (74)专利代理 机构 北京市京大律师事务所 11321 专利代理师 沈克琪 (51)Int.Cl. G06Q 40/02(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) (54)发明名称 基于用户画像的业务审核方法、 装置、 设备 及存储介质 (57)摘要 本发明涉及人工智能技术领域， 尤其涉及一 种基于用户画像的业务审核方法、 装置、 设备及 存储介质。 通过获取待审核的业务数据， 基于预 先构造的用户征信数据结构从所述业务数据中 筛选出其中的征信信息， 并输入至预设的征信评 分模型进行征信评分， 判断征信评分的结果是否 满足与业务对应的审核条件； 若满足， 则利用大 数据搜索技术， 采集得到合法授权的用户个人信 息和环境数据， 并构造用户的用户画像； 将所述 用户画像与预设的黑名单画 像进行比对， 得到黑 名单画像比对结果， 并以此确定所述业务数据的 审核结果， 从而解决了 现有技术中无法对客户征 信情况进行全面分析以及无法对业务审核过程 中的可能存在的高风险情况进行有效判别的问 题。 权利要求书4页 说明书17页 附图4页 CN 115063224 A 2022.09.16 CN 115063224 A 1.一种基于用户画像的业 务审核方法， 其特 征在于， 所述 业务审核方法包括： 获取业务审核系统界面中的待审核的业务数据， 基于预先构造的用户征信数据 结构从 所述业务数据中筛 选出其中的征信 信息； 将所述征信信 息输入至预设的征信 评分模型进行征信 评分， 并判断征信 评分的结果是 否满足与业 务对应的审核条件； 若满足， 则利用大数据搜索技术， 采集得到合法授权的用户个人信 息和环境数据， 并根 据所述用户个人信息和所述环境数据构造用户的用户画像； 将所述用户画像与预设的黑名单画像进行比对， 得到黑名单画像比对结果， 并根据所 述黑名单画像比对结果确定所述 业务数据的审核结果。 2.根据权利要求1所述的基于用户画像的业务审核方法， 所述获取业务审核系统界面 中的待审核的业务数据， 基于预先构 造的用户征信数据结构从所述业务数据中筛选出其中 的征信信息， 包括： 获取业务审核系统界面中的待审核的业务数据， 并提取其中的用户标识信息， 其中， 所 述用户标识信息 至少包括用户姓名和证件号； 以所述用户标识信息作为检索 索引， 从所述 业务数据中筛 选出与其匹配的征信数据； 基于预先构造的用户征信数据 结构对所述征信数据进行预处理， 以用户标识信 息为数 据单位， 将征信数据中与用户征信数据结构所对应的数据类型整合到所述数据单位中， 得 到征信信息。 3.根据权利要求1所述的基于用户画像的业务审核方法， 其特征在于， 所述征信 评分模 型包括卷积神经网络层和输入层、 隐藏层和输出层， 所述将所述征信信息输入至预设的征 信评分模型进行 征信评分， 并判断征信评分的结果是否满足与业 务对应的审核条件， 包括： 将所述征信信 息输入至征信 评分模型中， 通过所述征信 评分模型的卷积神经网络层进 行卷积操作， 得到多个维度的特 征向量； 通过所述征信评分模型的输入层， 对多个所述特征向量进行加权求和， 并将加权求和 所得的值输出至所述隐藏层； 通过所述隐藏层调用预设的激活函数构建非线性神经网络模型单元， 基于所述非线性 神经网络模型单元对所述加权求和所得 的值进行非线性转化， 得到非线性拟合值， 输出至 所述输出层； 通过所述输出层对所述非线性拟合 值进行回归计算， 得到回归值； 调用预设的归一 化函数对所述回归值进行归一 化， 得到征信评分值。 4.根据权利要求1 ‑3中任一项所述的基于用户画像的业务审核方法， 其特征在于， 在所 述获取业务审核系统界面中的待审核的业务数据， 基于预先构 造的用户征信数据结构从所 述业务数据中筛 选出其中的征信 信息之前， 还 包括： 采集数据， 并对其中与征信评分相关的数据进行筛选和分类， 整理成征信评分数据集， 其中， 所述征信评分数据集至少包括基于所述征信评分相关的数据所得的征信评分真实 值； 将所述征信 评分数据集中的数据输入至待训练的神经网络模型， 通过所述神经网络模 型对所述征信 信息进行转换， 得到对应的特 征向量； 通过所述神经网络模型的输入层， 对特征向量加权求和， 并将加权求和所得值传入隐权　利　要　求　书 1/4 页 2 CN 115063224 A 2藏层； 通过所述神经网络模型的隐藏层， 调用预设的激活函数对所述加权求和所得值进行非 线性转化， 得到非线性神经网络模型 单元； 通过所述神经网络模型的输出层， 对非线性神经网络模型单元所输出的值进行回归计 算， 得到回归值； 调用预设的归一 化函数对所述回归值进行归一 化， 得到征信评分预测值； 调用反向传播算法中的误差计算公式， 根据 征信评分预测值和对应的征信 评分真实值 分别对所述隐藏层和所述输出层进行误差计算， 得到对应的误差值； 调用反向传播算法中的权重修改公式， 根据 所述隐藏层和所述输出层分别对应的误差 值进行权 重修改值计算， 得到对应的权 重修改值； 调用反向传播算法中的偏置向修改公式， 根据所述隐藏层和所述输出层 分别对应的误 差值进行偏置向修改值计算， 得到对应的偏置向修改值； 根据所述权 重修改值和偏置向修改值对所述神经网络模型进行修改； 根据所述征信 评分数据集， 迭代计算征信 评分预测值， 在每一次迭代中， 根据所述权重 修改值和偏置向修改值对所述神经网络模型进 行修改， 直到所述误差值或者循环次数满足 预设条件值， 停止迭代， 并输出 征信评分模型。 5.根据权利要求1所述的基于用户画像的业务审核方法， 其特征在于， 所述根据 所述用 户个人信息和所述环境数据构造用户的用户画像， 包括： 提取所述用户个人信息中的信用记录， 以及所述环境数据中的活动轨 迹； 获取所述活动轨 迹的特定范围内与所述信用记录相匹配的信用案例数据； 根据所有信用案例数据计算用户不同维度的标签度量 值； 基于所述标签度量 值构建用户的用户画像。 6.根据权利要求5所述的基于用户画像的业务审核方法， 其特征在于， 所述用户画像包 括不同维度的标签度量值， 所述标签度量值至少包括违法记录维度标签度量值、 工作地址 相关信用案例维度标签度量值、 手机号码黑名单标记维度标签度量值、 账单地址与手机号 码归属地对应情况维度标签度量 值； 所述将所述用户画像与预设的黑名单画像进行比对， 得到黑名单画像比对结果， 并根 据所述黑名单画像比对结果确定所述 业务数据的审核结果， 包括： 根据所述用户画像， 提取出所述违法记录维度标签度量值， 并与所述预设的黑名单画 像中相应的标签度量 值进行比对， 得到违法记录维度标签度量 值比对结果； 根据所述用户画像， 提取出所述工作地址相关信用案例 维度标签度量值， 并与所述预 设的黑名单画像中相应的标签度量值进行比对， 得到工作地址相关信用案例维度标签度量 值比对结果； 根据所述用户画像， 提取出所述手机号码黑名单标记维度标签度量值， 并与所述预设 的黑名单画像中相应的标签度量值进 行比对， 得到手机号码黑名单标记维度标签度量值比 对结果； 根据所述用户画像， 提取出所述账单地址与手机号码归属地对应情况维度标签度量 值， 并与所述预设的黑名单画像中相应的标签度量值进行比对， 得到账单地址与手机号码 归属地对应情况维度标签度量 值比对结果；权　利　要　求　书 2/4 页 3 CN 115063224 A 3