基于身份标签的车贷贷前数据检验方法及装置

摘要

本发明提供了一种基于身份标签的车贷贷前数据检验方法及装置，涉及计算机技术领域，包括获取当前用户的车贷贷前数据，并基于所述当前用户的车贷贷前数据确定所述当前用户的指定数量个概率符合预设要求的第一标签；基于所述标签与风险类别的对应关系，确定所述第一标签对应的待定风险类别；基于所述当前用户的车贷贷前数据，获取所述当前用户的社交信息，并基于所述当前用户的社交信息确定所述当前用户的第二标签；基于所述第二标签对所述第一标签进行验证，并确定验证通过的所述第一标签所对应的待定风险类别为目标风险类别。以此能够提高了验证效率；同时通过多重的交叉检验，提高欺诈群体标签识别准确性。

说明书

技术领域

本发明涉及计算机技术领域，尤其是涉及一种基于身份标签的车贷贷前数据检验方法及装置。

背景技术

015年中国车贷行业成交额为909亿，共为126万人完成贷款融资，平均每人次融资7.2万。预计到2018年，我国互联网汽车金融的总规模可达1.85万亿元。未来互联网汽车金融行业前景广阔。车贷市场由于市场份额大，就像一块哄抢的鱼引得这一行业的都在分食。而车贷在p2p这一平台来说所占的份额又相对较多，甚至有些平台已经高达70％—90％。风控是互联网金融立根之本，如何提高平台风控效率，控制风控成本，始终是业内每家平台思考和专注的问题。

有些汽车金融从业机构反映，由于无法把握进件用户是伪冒申请、包装申请、是否存在欺诈嫌疑及车商骗贷等真实情况，导致汽车金融从业机构出现大量坏账，增加平台的风险。另外，汽车金融从业机构为降低经营风险，通过灰色渠道采集用户的个人隐私数据，信息来源单一、规范性差，不仅具有触犯法律的风险，而且数据可持续性不佳且有效性较低。

发明内容

本发明的目的在于提供一种基于身份标签的车贷贷前数据检验方法及装置，以降低了现有技术中存在的车贷欺诈风险的技术问题。

第一方面，本发明实施例提供一种基于身份标签的车贷贷前数据检验方法，预先对标签进行量化处理，确定标签与风险类别的对应关系，所述方法包括：

获取当前用户的车贷贷前数据，并基于所述当前用户的车贷贷前数据确定所述当前用户的指定数量个概率符合预设要求的第一标签；

基于所述标签与风险类别的对应关系，确定所述第一标签对应的待定风险类别；

基于所述当前用户的车贷贷前数据，获取所述当前用户的社交信息，并基于所述当前用户的社交信息确定所述当前用户的第二标签；

基于所述第二标签对所述第一标签进行验证，并确定验证通过的所述第一标签所对应的待定风险类别为目标风险类别，以便于对所述当前用户的车贷申请进行与所述目标风险类别相应的处理。

在可选的实施方式中，所述获取当前用户的车贷贷前数据包括：

接收用户端发送的所述当前用户的车贷申请，所述当前用户的车贷申请包括所述当前用户的身份信息以及车贷信息；

基于所述当前用户的身份信息以及车贷信息，确定所述当前用户的车贷贷前数据。

在可选的实施方式中，基于所述标签与风险类别的对应关系，确定所述第一标签对应的待定风险类别的步骤，包括：

对所述第一标签按照其对应的概率大小进行排序，得到第一标签序列；

基于所述标签与风险类别的对应关系，确定所述第一标签序列中各个第一标签所对应的待定风险类别。

在可选的实施方式中，基于所述第二标签对所述第一标签进行验证，并确定验证通过的所述第一标签所对应的待定风险类别为目标风险类别的步骤，包括：

从所述第一标签序列中按照排序选择当前第一标签，并重复执行如下步骤，直至所述当前第一标签与所述第二标签的匹配度符合预设条件，确定所述当前第一标签对应的待定风险类别为目标风险类别：

判断所述当前第一标签与所述第二标签的匹配度是否符合预设条件；

如果所述当前第一标签与所述第二标签的匹配度不符合预设条件，则选择所述第一标签序列中的下一个第一标签作为新的当前第一标签。

在可选的实施方式中，所述当前用户的车贷贷前数据包括所述当前用户的身份信息；基于所述当前用户的车贷贷前数据，获取所述当前用户的社交信息的步骤，包括：

基于所述当前用户的身份信息在社交网络中获取与所述当前用户的身份信息相对应的所述当前用户的社交信息；

其中，所述当前用户的社交信息包括，在社交网站中确定的与所述当前用户的身份信息相对应的帖子，和/或在社交应用中确定的与所述当前用户的身份信息相对应的昵称和签名。

在可选的实施方式中，所述社交应用中与所述当前用户的身份信息相对应的昵称和签名，通过在所述社交应用中所述当前用户的身份信息所对应的添加好友验证信息确定。

在可选的实施方式中，所述风险类别至少包括高风险、中风险以及低风险；所述标签至少包括二手车商、汽车金融机构、4S店、收售抵押车以及物流；其中，所述高风险与所述收售抵押车对应；所述中风险与所述二手车商对应；所述低风险与汽车金融机构、4S店和物流对应。

第二方面，本发明实施例提供一种基于身份标签的车贷贷前数据检验装置，预先对标签进行量化处理，确定标签与风险类别的对应关系，所述装置包括：

获取模块，用于获取当前用户的车贷贷前数据，并基于所述当前用户的车贷贷前数据确定所述当前用户的指定数量个概率符合预设要求的第一标签；

第一确定模块，用于基于所述标签与风险类别的对应关系，确定所述第一标签对应的待定风险类别；

第二确定模块，用于基于所述当前用户的车贷贷前数据，获取所述当前用户的社交信息，并基于所述当前用户的社交信息确定所述当前用户的第二标签；

第三确定模块，用于基于所述第二标签对所述第一标签进行验证，并确定验证通过的所述第一标签所对应的待定风险类别为目标风险类别，以便于对所述当前用户的车贷申请进行与所述目标风险类别相应的处理。

第三方面，本发明实施例提供一种计算机设备，包括存储器、处理器以及摄像头，所述摄像头用于拍摄图像；所述存储器中存储有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前述实施方式任一项所述的方法的步骤。

第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行所述前述实施方式任一项所述的方法。

本发明提供的一种基于身份标签的车贷贷前数据检验方法及装置，通过预先对标签进行量化处理，确定标签与风险类别的对应关系，以及获取当前用户的车贷贷前数据，并基于所述当前用户的车贷贷前数据确定所述当前用户的指定数量个概率符合预设要求的第一标签；基于所述标签与风险类别的对应关系，确定所述第一标签对应的待定风险类别；基于所述当前用户的车贷贷前数据，获取所述当前用户的社交信息，并基于所述当前用户的社交信息确定所述当前用户的第二标签；基于所述第二标签对所述第一标签进行验证，并确定验证通过的所述第一标签所对应的待定风险类别为目标风险类别，以便于对所述当前用户的车贷申请进行与所述目标风险类别相应的处理。以此能够抛开工作证明类纸质化审核资料造假的情况，借助新的验证方式得知用户具体身份是否属汽车欺诈行业类群体，此方法极难被规避或伪造以及提高了验证效率；同时通过多重的交叉检验，提高欺诈群体标签识别准确性，有效避免误伤；能够有效识别专业性欺诈群体，降低汽车贷款欺诈率。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种基于身份标签的车贷贷前数据检验方法流程示意图；

图2为本申请实施例提供的一种基于身份标签的车贷贷前数据检验装置结构示意图；

图3为本申请实施例提供的一种计算机设备结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

下面结合附图，对本发明的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

图1为本发明实施例提供的一种基于身份标签的车贷贷前数据检验方法流程示意图。其中，可以预先对标签进行量化处理，确定标签与风险类别的对应关系，如图1所示，该方法可以包括如下步骤：

S110，获取当前用户的车贷贷前数据，并基于当前用户的车贷贷前数据确定当前用户的指定数量个概率符合预设要求的第一标签。

用户画像是根据用户的车贷贷前数据(例如，用户的社会属性、生活习惯和消费行为)等信息而抽象出的一个标签化的用户模型。构建用户画像的核心工作即是给用户贴“标签”，而标签是通过对用户信息分析而来的高度简练的特征标识。

可以首先把几份不同来源的数据，通过各种技术手段识别为同一个对象或主题，例如同一台设备(直接)，同一个用户(间接)，同一家企业(间接)等等。

用户标签是表达用户的基本属性、行为倾向、兴趣偏好等某一个维度的数据标识，它是一种相关性很强的关键字，可以简洁的描述和分类人群。比如二手车商、汽车金融机构、4S店、收售抵押车以及物流等。具体流程一般是从纷乱复杂、琐碎的用户行为流(日志)中挖掘用户在一段时间内比较稳定的特征，即给用户打上标签。

举例来说，如果用户收售过低压车，那么可以对该用户打上收售抵押车的标签，而这些所有给用户贴的标签组，就成了该用户的用户画像。不同的标签是对用户不同侧面的量化描述，而一系列的标签集合则构成了标签体系——用户画像。用户画像精准到用户。标签体系也叫群体画像，群体画像与个体画像两者都是对用户的描述，但群体画像归纳的是用户群所呈现出的共性，而非多样性特征。本发明实施例中的标签主要是指针对用户群的群体画像。

在用户需要进行贷款时，可以通过用户端发贷款请求。贷款平台可以接收用户端发送的当前用户的车贷申请，当前用户的车贷申请包括当前用户的身份信息以及车贷信息；基于当前用户的身份信息以及车贷信息，确定当前用户的车贷贷前数据。

其中，风险类别至少包括高风险、中风险以及低风险；标签至少包括二手车商、汽车金融机构、4S店、收售抵押车以及物流；其中，高风险与收售抵押车对应；中风险与二手车商对应；低风险与汽车金融机构、4S店和物流对应。

S120，基于标签与风险类别的对应关系，确定第一标签对应的待定风险类别；

在一些实施例中，可以对第一标签按照其对应的概率大小进行排序，得到第一标签序列；基于标签与风险类别的对应关系，确定第一标签序列中各个第一标签所对应的待定风险类别。

S130，基于当前用户的车贷贷前数据，获取当前用户的社交信息，并基于当前用户的社交信息确定当前用户的第二标签；

可以基于当前用户的身份信息在社交网络中获取与当前用户的身份信息相对应的当前用户的社交信息；其中，当前用户的社交信息包括，在社交网站中确定的与当前用户的身份信息相对应的帖子，和/或在社交应用中确定的与当前用户的身份信息相对应的昵称和签名。

该社交应用中与当前用户的身份信息相对应的昵称和签名，可以通过在社交应用中当前用户的身份信息所对应的添加好友验证信息确定。

S140，基于第二标签对第一标签进行验证，并确定验证通过的第一标签所对应的待定风险类别为目标风险类别，以便于对当前用户的车贷申请进行与目标风险类别相应的处理。

作为一个示例，可以从第一标签序列中按照排序选择当前第一标签，并重复执行如下步骤，直至当前第一标签与第二标签的匹配度符合预设条件，确定当前第一标签对应的待定风险类别为目标风险类别：判断当前第一标签与第二标签的匹配度是否符合预设条件；如果当前第一标签与第二标签的匹配度不符合预设条件，则选择第一标签序列中的下一个第一标签作为新的当前第一标签。

本发明实施例通过预先对标签进行量化处理，确定标签与风险类别的对应关系，以及获取当前用户的车贷贷前数据，并基于当前用户的车贷贷前数据确定当前用户的指定数量个概率符合预设要求的第一标签；基于标签与风险类别的对应关系，确定第一标签对应的待定风险类别；基于当前用户的车贷贷前数据，获取当前用户的社交信息，并基于当前用户的社交信息确定当前用户的第二标签；基于第二标签对第一标签进行验证，并确定验证通过的第一标签所对应的待定风险类别为目标风险类别，以便于对当前用户的车贷申请进行与目标风险类别相应的处理。以此能够抛开工作证明类纸质化审核资料造假的情况，借助新的验证方式得知用户具体身份是否属汽车欺诈行业类群体，此方法极难被规避或伪造以及提高了验证效率；同时通过多重的交叉检验，提高欺诈群体标签识别准确性，有效避免误伤；能够有效识别专业性欺诈群体，降低汽车贷款欺诈率。

作为一个示例，本申请可以是为银行或借贷中心提供的服务，帮助银行或借贷中心能够对每个借贷用户的借贷资质进行验证，识别出高风险的欺诈用户，可以仅用于用户车贷反欺诈贷前风险识别，在贷前阻断欺诈风险。

第一部分，可以根据汽车行业里欺诈群体特性，将汽车行业欺诈群体标签化，针对车辆欺诈行业可能出现的关键词。

第二部分，可以将标签信息进行量化处理(此处使用1、2、3量化标签)并对标签按照风险等级排序，然后归类高中低风险。1代表高风险，2代表中风险，3代表低风险。例如：收售一切不过户车辆、死押、质押、处置疑难杂症车辆，就归类为：1高风险；二押、汽车租赁、黄牛(违章、消分)等归类为2中风险；4S店、二手车业务经理等归类为3低风险(就是对N个提取出来的欺诈可能性关键词进行排序，然后再风险类别归类)。

第三部分，可以根据用户提供的三要素信息，输入到现有人物画像技术模型(神经网络身份画像模型、决策树身份画像模型等)，获取人物画像标签和概率，并根据概率大小排序(仅取概率最大的前五个标签画像，该标签画像中的为第一标签)，并标注标签A、B、C、D、E。该用户提供的三要素可以包括用户的社会属性、生活习惯和消费行为。

第四部分，根据标注的标签A、B、C、D、E去和设置好的欺诈标签库关键词进行匹配，并记录匹配的标签A1、B2、C3、D4、E5，若匹配其中一个或多个，此时，可以根据预先设定好的标签排序如(E5、D4、A1、B2、C3)，并根据设定好的风险类别(例如，高风险、中风险、低风险)进行归类划分。如：A1、B2、C3属于低风险，D4属于中风险，E5属于高风险，此时，可以首先选取E5高风险来进行第二次验证，因为反欺诈要首先看欺诈风险最大的痕迹；然后选择中风险、低风险。当仅匹配到一个时候，那就直接归类到对应风险等级类别即可。

第五部分，借助互联网搜索引擎以及微信手机号添加好友方法获取网络信息。提取与用户手机号相关的网络帖子关键词(此处关键词是与汽车行业欺诈有关的关键词)以及提取微信昵称和签名。(就是根据待验证的用户信息，搜索到用户相关的网络信息，并解析出欺诈相关的关键词)。

第六，根据第四部分获得的最大概率标签(第一标签)，和第五部分获取的网络帖子以及微信昵称、签名上提取的关键词(第二标签)进行交叉检验验证，判定用户身份最终标签是量化后的哪一类，识别汽车行业欺诈群体。

例如身份画像模型识别用户身份画像为5种：二手车商(35％)、汽车金融机构(28％)、4S店(26％)、收售抵押车(11％)、物流(3％)(按概率大小进行了排序)，归类后分别为：高风险：收售抵押车；中风险：二手车商；低风险：汽车金融机构、4S店、物流。

借助网络搜索到信息如下：网络搜索都是收售处置抵押车、不过户车的；微信添加好友发现关键词也是。那么此时就直接取身份画像：高风险：收售抵押车。此时此用户贷前申请车贷相关业务，就直接可以拒单处理了，阻断了欺诈的风险。

图2为本发明实施例提供的一种基于身份标签的车贷贷前数据检验装置结构示意图。如图2所示，可以预先对标签进行量化处理，确定标签与风险类别的对应关系，该装置包括：

获取模块201，用于获取当前用户的车贷贷前数据，并基于当前用户的车贷贷前数据确定当前用户的指定数量个概率符合预设要求的第一标签；

第一确定模块202，用于基于标签与风险类别的对应关系，确定第一标签对应的待定风险类别；

第二确定模块203，用于基于当前用户的车贷贷前数据，获取当前用户的社交信息，并基于当前用户的社交信息确定当前用户的第二标签；

第三确定模块204，用于基于第二标签对第一标签进行验证，并确定验证通过的第一标签所对应的待定风险类别为目标风险类别，以便于对当前用户的车贷申请进行与目标风险类别相应的处理。

在一些实施例中，获取模块201具体用于：

接收用户端发送的当前用户的车贷申请，当前用户的车贷申请包括当前用户的身份信息以及车贷信息；

基于当前用户的身份信息以及车贷信息，确定当前用户的车贷贷前数据。

在一些实施例中，第一确定模块202具体用于：

对第一标签按照其对应的概率大小进行排序，得到第一标签序列；

基于标签与风险类别的对应关系，确定第一标签序列中各个第一标签所对应的待定风险类别。

在一些实施例中，第三确定模块204具体用于：

从第一标签序列中按照排序选择当前第一标签，并重复执行如下步骤，直至当前第一标签与第二标签的匹配度符合预设条件，确定当前第一标签对应的待定风险类别为目标风险类别：

判断当前第一标签与第二标签的匹配度是否符合预设条件；

如果当前第一标签与第二标签的匹配度不符合预设条件，则选择第一标签序列中的下一个第一标签作为新的当前第一标签。

在一些实施例中，当前用户的车贷贷前数据包括当前用户的身份信息；第二确定模块203具体用于：

基于当前用户的身份信息在社交网络中获取与当前用户的身份信息相对应的当前用户的社交信息；

其中，当前用户的社交信息包括，在社交网站中确定的与当前用户的身份信息相对应的帖子，和/或在社交应用中确定的与当前用户的身份信息相对应的昵称和签名。

在一些实施例中，社交应用中与当前用户的身份信息相对应的昵称和签名，通过在社交应用中当前用户的身份信息所对应的添加好友验证信息确定。

在一些实施例中，风险类别至少包括高风险、中风险以及低风险；标签至少包括二手车商、汽车金融机构、4S店、收售抵押车以及物流；其中，高风险与收售抵押车对应；中风险与二手车商对应；低风险与汽车金融机构、4S店和物流对应。

本申请实施例提供的基于身份标签的车贷贷前数据检验装置，与上述实施例提供的基于身份标签的车贷贷前数据检验方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。

如图3所示，本申请实施例提供的一种计算机设备700，包括：处理器701、存储器702和总线，存储器702存储有处理器701可执行的机器可读指令，当电子设备运行时，处理器701与存储器702之间通过总线通信，处理器701执行机器可读指令，以执行如上述基于身份标签的车贷贷前数据检验方法、装置及计算机设备方法的步骤。

具体地，上述存储器702和处理器701能够为通用的存储器和处理器，这里不做具体限定，当处理器701运行存储器702存储的计算机程序时，能够执行上述基于身份标签的车贷贷前数据检验方法。

对应于上述基于身份标签的车贷贷前数据检验方法，本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有机器可运行指令，计算机可运行指令在被处理器调用和运行时，计算机可运行指令促使处理器运行上述基于身份标签的车贷贷前数据检验方法、装置及计算机设备方法的步骤。

本申请实施例所提供的基于身份标签的车贷贷前数据检验方法、装置及计算机设备装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备执行本申请各个实施例移动控制方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的范围。都应涵盖在本申请的保护范围之内。