廉洁风险监控的方法、装置、设备、存储介质及程序产品与流程

1.本技术涉及数据处理技术领域，尤其涉及一种廉洁风险监控的方法、一种廉洁风险监控的装置、一种电子设备、一种计算机可读存储介质及一种计算机程序产品。


背景技术：

2.在信息化、数字化的潮流下，探索开展干部廉洁评价的有效方式、形成廉洁指数评价的方法应运而生。通过推行廉洁指数评价体系，建立监督工作的长效机制，实现监督工作的数字化、可视化和科学化管理，是推动干部廉洁自律的重要举措。运用廉洁指数评分判定干部廉洁程度，建立一个科学、公正、客观的评价体系，形成科学合理、公平公正公开的评价机制，有利于助推客观真实地反映干部廉政、廉洁情况，及时发现和处理存在的问题，增强监督的针对性和实效性。


技术实现要素：

3.本技术提供了一种廉洁风险监控的方法、装置、设备、存储介质及程序产品，以实现廉政廉洁监督工作的数字化、可视化和科学化管理，增强监督的针对性和实效性。
4.第一方面，本技术实施例提供了一种廉洁风险监控的方法，所述方法包括：
5.获取源数据集，所述源数据集中包括具有廉洁风险的多个账户以及不具有廉洁风险的多个账户的多种不同维度的受关注源数据；
6.基于所述源数据集构建不同廉洁类型的廉洁风险模型；
7.基于所述廉洁风险模型的模型参数构建对应廉洁类型的廉洁指数评价模型，并采用所述廉洁指数评价模型确定对应廉洁类型的廉洁评分；
8.根据不同廉洁类型的廉洁评分，生成廉洁评分数据表；
9.采用所述廉洁评分数据表进行廉洁风险监控。
10.第二方面，本技术实施例还提供了一种廉洁风险监控的装置，所述装置包括：
11.源数据获取模块，用于获取源数据集，所述源数据集中包括具有廉洁风险的多个账户以及不具有廉洁风险的多个账户的多种不同维度的受关注源数据；
12.廉洁风险模型构建模块，用于基于所述源数据集构建不同廉洁类型的廉洁风险模型；
13.廉洁指数评价模型构建模块，用于基于所述廉洁风险模型的模型参数构建对应廉洁类型的廉洁指数评价模型；
14.廉洁评分确定模块，用于采用所述廉洁指数评价模型确定对应廉洁类型的廉洁评分；
15.廉洁评分数据表生成模块，用于根据不同廉洁类型的廉洁评分，生成廉洁评分数据表；
16.廉洁监控模块，用于采用所述廉洁评分数据表进行廉洁风险监控。
17.第三方面，本技术实施例还提供了一种电子设备，所述电子设备包括：
18.一个或多个处理器；
19.存储装置，用于存储一个或多个程序，
20.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述第一方面的方法。
21.第四方面，本技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一方面的方法。
22.第四方面，本技术实施例还提供了一种计算机程序产品，所述计算机程序产品包括计算机可执行指令，所述计算机可执行指令在被执行时用于实现上述第一方面的方法。
23.本技术所提供的技术方案，具有如下有益效果：
24.在本实施例中，通过对不同来源的多种维度的源数据进行分析，可以构建不同廉洁类型的廉洁风险模型，然后基于该廉洁风险模型的模型参数构建对应廉洁类型的廉洁指数评价模型，并采用该廉洁指数评价模型确定对应廉洁类型的廉洁评分。接着可以根据不同廉洁类型的廉洁评分，生成廉洁评分数据表，后续则可以根据直接查表的方式来进行廉洁风险监控，提高了廉洁风险监控的智能程度以及监控效率。通过这种方式构建的廉洁评分数据表，相比于人为直接指定数据表，受人为主观影响更少，数据更加客观和准确，提高了廉洁监控的精度，从而有效地对人员或机构的廉政、廉洁情况进行客观、量化的评价，及时发现和处理存在的问题，增强监督的针对性和时效性。
附图说明
25.图1是本技术实施例一提供的一种廉洁风险监控的方法实施例的流程图；
26.图2是本技术实施例二提供的一种廉洁风险监控的方法实施例的流程图
27.图3是本技术实施例三提供的一种廉洁风险监控的装置实施例的结构框图；
28.图4是本技术实施例四提供的一种电子设备的结构示意图。
具体实施方式
29.下面结合附图和实施例对本技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本技术，而非对本技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本技术相关的部分而非全部结构。
30.本技术基于机器学习的模型构建算法，运用大数据技术和人工智能技术，打造业务、数据、模型体系。以用户监察的多种维度的受关注数据源为核心，业务上涵盖财务报销、人力资源、差旅、信贷、存款、交易流水、采购、不动产、不良资产、风险评分、航旅、工商企业、内控合规、反洗钱、反欺诈、巡视等多维度的关键数据，通过数据的采集、加工、分析和挖掘，形成用户监察角度的廉洁指数评价体系。通过海量数据信息的抽取、转换和加载，构建用户统一数据模型的用户监察数据集市和廉洁指数评价体系，充分利用现有数据，实现全面概括和准确性高的干部廉洁指数评分方式，实现及时监控和预警干部日常廉政、廉洁情况，辅助提升用户监察工作数字化、科学化和智能化管理。
31.实施例一
32.图1为本技术实施例一提供的一种廉洁风险监控的方法实施例的流程图，本实施例可以应用于企业或其他机构的廉洁监控系统中，可以包括如下步骤：
33.步骤110，获取源数据集，所述源数据集中包括具有廉洁风险的多个账户以及不具有廉洁风险的多个账户的多种不同维度的受关注源数据。
34.其中，多种不同维度的受关注源数据可以为与廉洁相关的监察关注数据，例如，源数据可以包括：财务报销数据、人力资源数据、差旅数据、信贷数据、存款数据、交易流水数据、采购数据、不动产数据、不良资产数据、风险评分数据、航旅数据、工商企业数据、内控合规数据、反洗钱数据、反欺诈数据、巡视数据等多维度的关键数据。
35.在一种实现中，可以从数据仓库中查找并加载源数据，然后形成源数据集，其中，数据仓库包括与廉洁类型相关的多种数据表。
36.具体的，可以从数据仓库中查找具有廉洁风险的账户的源数据，以及，不具有廉洁风险的账户的源数据，组织成源数据集。其中，本实施例不对具有廉洁风险的账户的数量以及不具有廉洁风险的账户的数量进行限定，只要数量足够多能够满足建模的需求即可。
37.数据仓库是采用数据仓库技术etl(extract-transform-load，用来描述将数据从来源端经过抽取(extract)、转换(transform)、加载(load)至目的端的过程)进行数据加仓的。采用数据仓库技术可以将各个业务系统中的数据，进行统一格式、统一计量单位，规整有序地组织在一起，为数据分析、数据挖掘等需求提供数据支持。
38.在加仓时，可以首先通过企业级数据仓库的数据处理指标对源数据进行统一标准化处理，然后将处理后的数据存入数据仓库中。一种示例性的数据仓库的架构可以包括：
39.数据接入层(stage层)：数据接入到数据仓库时，首先将数据仓储到stage层中，stage层作为一个临时缓冲区，并屏蔽对业务系统的干扰。stage层中的表结构和数据定义一般与业务系统保持一致。stage层中的数据可以每次全量接入也可以每次增量接入，可以设置数据老化的机制，不用长期保存。stage的数据不会对外部开放。
40.贴源(ods)层：ods层是数据仓库真正意义上的基础数据，数据是被清洗过的，ods层的数据是定义统一的、可以体现历史的、被长期保存的数据。ods层的数据粒度与stage层数据粒度是一致的。stage层中的数据是完全形式的源数据，需要进行清洗才能进入ods层，所以说ods层是数据仓库格式规整的基础数据，为上层服务。
41.主题层(mds层)：mds是数据仓库中间层，数据可以以主题域划分，并根据业务进行数据关联形成宽表，但是不对数据进行聚合处理，mds层数据为数据仓库的上层的统计、分析、挖掘和应用提供直接支持。mds层的数据也可以执行一定的老化策略。
42.应用层(ads层)：ads层是数据仓库的应用层，一般以业务线或者部门划分库。这一层可以为各个业务线创建一个数据库。ads层的数据是基于mds层数据生成的业务报表数据，可以直接作为数据仓库的输出导出到外部的操作型系统中(mysql、mssql、hbase、elasticsearch等)。
43.公共数据层(dim层)：是数据仓库数据中各层公用的维度数据。比如：省市县数据。该层数据的保留策略按照源系统不同的提供方式来灵活变更，例如源系统每天提供一份新数据，则在该层中可以用全删全插的加载策略，无需保留历史。
44.标签数据层(tdm层)：标签数据层是面向对象建模，把一个对象各种标识打通归一，把跨业务板块数据域的对象数据在同一个粒度基础上，组织起来打到对象上。标签数据层建设，一方面让数据变得可阅读与理解方便业务使用，另一方面通过标签类目体系将标签组织排布，以一种适用性更好的组织方式来匹配未来变化的业务场景需求。示例性地，标
签层中的标签可以包括基础标签、刻画标签、用户标签等。其中，基础标签用于简单规则应用，例如可以包括学历、职务、职等、毕业院校、婚姻情况等基础标签；刻画标签用于机器学习算法，例如疑似存款转移、内部串通、不明资源来源、亲属回避模型等都可以作为刻画标签；用户标签用于标识具体的用户。
45.数据集市层(adm层)：面向应用，根据应用的需要组织数据。
46.在数据仓库中，可以针对源数据的业务和技术特点，形成数据仓库的当前表、拉链表和切片表等各类规范的数据表，为后续数据加工、分析和挖掘提供便利。示例性地，数据表可以包括：财务报销基础信息表、差旅基本信息表、不动产个人信息表、风险评分结果表、反洗钱结果信息表、反欺诈结果信息表、员工基本信息表、简历信息表、机构基础信息表、信贷基本信息表、采购基础信息表、存款基本信息表、监管合规积分信息表、用户监察问题线索信息表、巡视巡察结果信息表、交易流水信息表、航旅基础信息表、工商企业基本信息表等多维度的数据表。
47.数据仓库接入的数据源系统可以包括多种系统，针对上述的源数据，对应的数据源系统可以包括财务系统、人力资源系统、差旅系统、信贷系统、存款系统、采购系统、不动产系统、不良资产系统、风险评分系统、航旅系统、工商企业系统、内控合规系统、反洗钱系统、反欺诈系统、巡视系统等。
48.通过扩大受关注的源数据的接入，且优先接入可直接使用和监察的重点关注的数据源，可以丰富和完善监察应用的数据维度。
49.步骤120，基于所述源数据集构建不同廉洁类型的廉洁风险模型。
50.在该步骤中，根据不同维度的源数据，可以采用机器学习算法构建不同廉洁类型的廉洁风险模型，其中，一种廉洁类型可以对应一个或多个廉洁风险模型。
51.示例性地，廉洁类型可以包括反洗钱(anti money laundering)、巡视(inspection tour)、合规(compliance)、工作文档(work files)是否正常等类型。其中，反洗钱是指为了预防通过各种方式掩饰、隐瞒毒品犯罪、黑社会性质的组织犯罪、恐怖活动犯罪、走私犯罪、贪污贿赂犯罪、破坏金融管理秩序犯罪、金融诈骗犯罪等犯罪所得及其收益的来源和性质的洗钱活动。巡视是指巡视制度，是监督的一项重要制度，指按照有关规定，通过建立专门机构、开展巡行视察，对相关机构或人员进行监督的制度。合规是指遵守法律、法规、监管规则或标准，指机构或人员的经营活动与法律、规则和准则相一致。工作文档是否正常是指相关机构或人员的工作文档是否符合相关规定，是否出现不廉洁的行为。
52.在一种实施例中，步骤120进一步可以包括如下步骤：
53.步骤120-1，对所述源数据进行特征提取，并按照所述廉洁类型对提取出的特征分组，得到多个属性组。
54.在一种实现中，在进行特征提取之前，可以先根据源数据生成数据字典信息，其中，该数据字典信息可以包括数据变量、变量描述、变量的数据类型等字段。数据变量可以为源数据中的变量，还可以是预设的数据变量，本实施例对此不作限定。变量描述用于对数据变量进行描述。数据类型是指数据变量的数据类型(如整型、浮点数型等)。例如，数据变量可以包括反洗钱结果、巡视结果、报销金额、合规积分等。
55.然后可以采用特征工程的方法来对数据字典信息进行特征提取。可以先检查每个变量是否包含缺失值，如果有则用中位数估算补齐。接下来处理异常值，可以根据需要按照
异常的类型进行处理。例如，如果异常值是由机械错误或测量导致的，可以用缺失值的方法进行处理。最后依据数据字典信息中的数据变量，将数据变量作为特征变量，进行特征提取。
56.进一步地，还可以按照不同的属性(即不同的廉洁类型)对各特征变量进行分类，并将同一类特征变量对应的特征值组合成属性组。例如，通过上述的特征分组后，得到的属性组可以包括反洗钱分组、巡视分组、合规分组、工作文档是否正常分组等。
57.步骤120-2，对各廉洁类型对应的属性组进行特征分桶处理，得到多个特征组。
58.为了更好地挖掘特征的关联属性及性能，创建精度更高的廉洁风险模型，可以采用分桶法对各廉洁类型对应的属性组进行特征分桶。其中，特征分桶是一种数据预处理技术，用于减少次要观察误差的影响，是一种将多个连续值分组为较少数量的“桶”的方法。本实施例对具体的分桶算法不作限定，本领域技术人员根据需要采用有监督分桶或者无监督分桶方法均是可以的。
59.则每一个廉洁类型的属性组可以被划分成多个特征组，例如，
60.对于反洗钱分组，可以划分为四个特征组，分别是：0(没有洗钱)、0-10(洗钱金额大于0且小于或等于10万)、10-20(洗钱金额大于10万且小于或等于20万)、大于20(洗钱金额大于20万)。
61.对于巡视分组，可以划分为三个特征组，分别是：0(巡视结果为0，表示巡视合格)、1(巡视结果为1，表示巡视存在小部分问题)、2(巡视结果为2，表示巡视存在较大的问题)。
62.对于合规分组，可以划分为三个特征组，分别是：100(表示合规积分是100分)、90-100(表示合规积分大于或等于90分且小于100分)、70-90(表示合规积分大于或等于70分且小于90分)。
63.对于工作文档是否正常分组，可以划分为两个特征组，分别是：正常(表示工作文档正常，没有问题)和非正常(表示工作文档不正常，存在问题)。
64.所有属性组分桶处理完成后，特征工程就完成了。
65.步骤120-3，采用逻辑回归算法构建所述特征组对应的廉洁风险模型。
66.在本实施例中，对于各个特征分组，均可以构建对应的廉洁风险模型。本步骤示例性地采用基于机器学习的逻辑回归算法构建各特征组对应的廉洁风险模型。
67.其中，逻辑回归算法是用来解决分类问题的二分类算法，在建模过程中还可以使用交叉验证和网格搜索等方法来调整模型参数，然后用测试数据集检查模型的精度，最终得到廉洁风险模型。
68.当然，本实施例的建模算法并不限于逻辑回归算法，本领域技术人员根据实际需求，采用其他算法，如线性回归算法、神经网络算法等均是可以的。
69.步骤130，基于所述廉洁风险模型的模型参数构建对应廉洁类型的廉洁指数评价模型，并采用所述廉洁指数评价模型确定对应廉洁类型的廉洁评分。
70.具体的，当廉洁风险模型拟合完成以后，则可以根据拟合好的廉洁风险模型的模型参数，构建廉洁指数评价模型。该廉洁指数评价模型用于输出廉洁评分。
71.在一种实施例中，步骤130进一步可以包括如下步骤：
72.步骤130-1，确定各特征组的证据权重。
73.证据权重(weight of evidence，简称woe)是一种衡量正常样本(good)和异常样
本(bad)分布的差异方法。
74.在一种实现中，可以采用如下方式计算各特征组的证据权重：
75.针对各特征组，获取该特征组的正常样本数量以及异常样本数量，并采用如下公式计算该特征组的证据权重：
76.woe＝[ln(distr good/distr bad)]
×
100
[0077]
其中，distr good为正常样本数量，distr bad为异常样本数量。正常样本是指存在廉洁风险的样本，异常样本是指不存在廉洁风险的样本。
[0078]
步骤130-2，根据所述模型参数以及所述证据权重，构建各特征组的廉洁指数评价模型。
[0079]
示例性地，廉洁风险模型的模型参数可以包括模型系数以及模型截距等。
[0080]
例如，廉洁指数评价模型可以表示如下：
[0081]
honest index＝(b
×
woe a/n)
×
factor offset/n
[0082]
其中，honest index表示廉洁指数(即廉洁评分)，b表示拟合好的逻辑回归模型的模型系数，a表示逻辑回归模型的截距，n是当前特征组的特征数量，woe表示证据权重。factor和offset分别表示缩放参数，其中，
[0083]
factor＝pdo/ln(2)
[0084]
offset＝score-(factor
×
ln(odds))
[0085]
其中，pdo(point-to-double odds)是加倍odds(好坏比)需要的点数。例如，如果廉洁风险模型的基础odds为50：1，其基础分score为800，pdo为30，也就是说，每增加30点则odds翻一倍。则上述factor和offset变成：
[0086]
factor＝30/ln(2)＝43.28
[0087]
offset＝800-43.28
×
ln(50)＝630.69
[0088]
回到上面廉洁指数评价模型的公式，当模型参数(b和a)、woe、n、factor以及offset均计算出来以后，则该特征组的廉洁评分honest index就可以得到。
[0089]
步骤140，根据不同廉洁类型的廉洁评分，生成廉洁评分数据表。
[0090]
在该步骤中，每个廉洁类型对应的多个特征组都计算出其廉洁评分以后，则将所有廉洁类型的所有特征组的廉洁评分组织起来，可以生成用于直接进行数据查询的廉洁评分数据表。
[0091]
例如，生成的廉洁评分数据表可以如表1所示：
[0092][0093][0094]
表1
[0095]
需要说明的是，表1仅示出了部分的廉洁类型及对应的廉洁评分的情况，但如果有违反廉洁自律规定，如存在贪污贿赂等情况，则廉洁评分还可以是-100分。
[0096]
步骤150，采用所述廉洁评分数据表进行廉洁风险监控。
[0097]
得到廉洁评分数据表以后，后续可以通过查表的方式直接进行廉洁风险监控，提高了廉洁风控的智能化和效率。
[0098]
需要说明的是，在后续使用过程中，可以定时或者按照设定条件的触发对各廉洁类型的廉洁风险模型进行及时更新，然后基于更新后的模型参数更新各廉洁类型的廉洁评分，并对廉洁评分数据表进行更新，使得廉洁评分数据表更加与使用环境相符合。
[0099]
在本实施例中，通过对不同来源的多种维度的源数据进行分析，可以构建不同廉洁类型的廉洁风险模型，然后基于该廉洁风险模型的模型参数构建对应廉洁类型的廉洁指数评价模型，并采用该廉洁指数评价模型确定对应廉洁类型的廉洁评分。接着可以根据不同廉洁类型的廉洁评分，生成廉洁评分数据表，后续则可以根据直接查表的方式来进行廉洁风险监控，提高了廉洁风险监控的智能程度以及监控效率。通过这种方式构建的廉洁评分数据表，相比于人为直接指定数据表，受人为主观影响更少，数据更加客观和准确，提高
了廉洁监控的精度，从而有效地对人员或机构的廉政、廉洁情况进行客观、量化的评价，及时发现和处理存在的问题，增强监督的针对性和时效性。
[0100]
实施例二
[0101]
图2为本技术实施例二提供的一种廉洁风险监控的方法实施例的流程图，本实施例在实施例一的基础上，对廉洁风险监控的场景进行说明。如图2所示，本实施例可以包括如下步骤：
[0102]
步骤210，获取源数据集，所述源数据集中包括具有廉洁风险的多个账户以及不具有廉洁风险的多个账户的多种不同维度的受关注源数据。
[0103]
步骤220，基于所述源数据集构建不同廉洁类型的廉洁风险模型。
[0104]
步骤230，基于所述廉洁风险模型的模型参数构建对应廉洁类型的廉洁指数评价模型，并采用所述廉洁指数评价模型确定对应廉洁类型的廉洁评分。
[0105]
步骤240，根据不同廉洁类型的廉洁评分，生成廉洁评分数据表。
[0106]
步骤250，获取被监督目标的、针对多种廉洁类型的廉洁风险点数据。
[0107]
在一种示例中，被监督目标可以是机构或者人员，本实施例对此不作限定。可以人为指定被监督目标，也可以将本机构的所有人员或者部门或者子机构作为被监督目标，或者将所有用户作为被监督目标，本实施例对此不作限定。
[0108]
在实现时，也可以从数据仓库中查找并加载被监督目标的相关数据，并从相关数据中提取廉洁风险点数据。其中，廉洁风险点数据可以包括与廉洁类型相关的数据，如合规结果、存款金额、洗钱金额、巡视结果等。
[0109]
步骤260，在所述廉洁评分数据表中匹配所述廉洁风险点数据，获得所述被监督目标对应于某一个或多个廉洁类型的廉洁评分。
[0110]
得到廉洁风险点数据以后，则可以在廉洁指数数据表中匹配该廉洁风险点数据，得到对应的廉洁评分。例如，基于实施例的表1中，假设被监督目标的反洗钱金额是7万，通过查表得到其廉洁评分是-30分。又如，假设被监督目标的合规积分是95分，则通过查表得到其廉洁评分是-10分。
[0111]
需要说明的是，如果某种廉洁类型不存在与其匹配的廉洁风险点数据，则被监督目标在该廉洁类型的廉洁评分为0。
[0112]
步骤270，根据各廉洁类型对应的廉洁评分，确定所述被监督目标的最终廉洁得分。
[0113]
该步骤通过汇总被监督目标在所有廉洁类型的廉洁评分，可以计算被监督目标的最终廉洁得分。
[0114]
在一种实施例中，可以采用如下方式计算最终廉洁得分：
[0115]
计算各廉洁类型对应的廉洁评分的总和；根据预设的廉洁评分阈值与所述总和计算所述最终廉洁得分。
[0116]
其中，廉洁评分阈值的确定可以根据实际情况由人工设定或自动设定，例如，可以将廉洁评分阈值设定为100。
[0117]
例如，假设某个干部，其反洗钱的廉洁评分是0，巡视的廉洁评分是0，合规的廉洁评分是-10，工作档案异常的廉洁评分是-25，则其最终廉洁得分为100
–
10
–
25＝65分。
[0118]
最终廉洁得分越大表示越廉洁。
[0119]
步骤280，根据所述最终廉洁得分对所述被监督目标进行廉洁评价。
[0120]
其中，廉洁评价可以是生成具体的廉洁评价结果，或者是执行具体的操作，本实施例对此不作限定。
[0121]
在一种实施例中，步骤280进一步可以包括如下步骤：
[0122]
步骤280-1，获取廉洁等级区间信息表，所述廉洁等级区间信息表包括多个廉洁等级的廉洁等级区间，以及各廉洁等级区间对应的评价描述。
[0123]
例如，如下表2示出了一种廉洁等级区间信息表，包含廉洁等级区间、廉洁等级与操作描述：
[0124][0125]
表2
[0126]
在表2中，廉洁得分在80分以上(含80分)的为廉洁，60分以上(含60分)80分以下的比较廉洁，60分以下的则为不廉洁。对于被评定为“比较廉洁”和“不廉洁”的干部，实施预警和关注：廉洁指数在70至80分(不含80分)的实施关注，对主要干部进行教育谈话，运用“四种形态”的第一种形态，发廉政提醒书；对60至70分(不含70分)的实施二级预警，进行警示谈话，提出改进措施，限期进行整改；对60分以下(不含60分)的实施一级预警，视情况分别对主要干部运用“四种形态”的第二种形态至第四种形态，进行诫勉谈话，相应的对干部警告或作出组织调整，问题严重的实施立案调查。
[0127]
在实际中，廉洁等级区间的划分，可以是根据数据分析自动划分的边界，比如基于知识库、模型库、算法库，根据机器学习算法，运用参数可配、加权计算、动态调整等方式，最终计算出各廉洁等级区间。还可以是人为设定每个区间的划分边界，本实施例对此不作限定。
[0128]
以下介绍一种基于正态分布自动学习划分边界的方法：
[0129]
通过观察廉洁监察过程中廉洁与不廉洁现象，以及实验中的随机误差，发现其廉洁得分呈现为正态或近似正态分布，廉洁等级区间的划分可以首先划分廉洁监察正常值范围。制定正常廉洁等级区间时，首先可以确定一批样本含量足够大的“正常廉洁人员”，即排
除了影响所研究指标的有关因素的同质人员群体。其次，根据研究目的和使用要求选定适当的边界值，如80％，90％，95％和98％等，该范围常用的值为95％(即廉洁得分为80分以上的人员占比为95％)。接着根据廉洁类型的实际用途确定单侧值，如反洗钱得分过低属不正常，须确定单侧上限；而工作档案不正常为单侧下限等。然后再根据资料的分布特点，选用恰当的计算方法，最终确定正常等级的区间为80-100分，占比为95％，如表2所示。
[0130]
而针对“不廉洁”的人员情况，同样根据正态分布，计算出相应的区间，该范围常用的边界值为80％，70-80分区间占比5％*80％＝4％，60-70区间占比1％*80％＝0.8％，60以下占比0.2％。
[0131]
在实际中，还可以采用不同的颜色区分不同的廉洁等级，例如，“正常”廉洁等级采用蓝色表示，“关注”廉洁等级采用黄色表示，“预警”廉洁等级采用红色表示。
[0132]
步骤280-2，将所述最终廉洁得分落入的廉洁等级区间、对应的廉洁等级，作为所述被监督目标的目标廉洁等级。
[0133]
例如，假设当前被监督目标的最终廉洁得分为65分，则落入二级预警中，即目标廉洁等级为二级预警。
[0134]
步骤280-3，根据所述目标廉洁等级对应的评价描述，执行对应的操作。
[0135]
例如，如表2所示，二级预警的操作为警示、限期整改，则可以向被监督目标发出警示、限期整改的通知。
[0136]
在本实施例中，通过获取被监督目标的廉洁风险点数据，并直接在廉洁评分数据表中匹配各廉洁风险点数据，可以快速得到被监督目标针对不同廉洁类型的廉洁评分。然后汇总各廉洁类型对应的廉洁评分得到最终廉洁得分，并依据该最终廉洁得分对被监督目标进行廉洁评价，提高了廉洁监督的效率和客观性。
[0137]
本实施例提供了精确化、差异化、可追溯的用户监察干部廉洁指数评价及实现方法，从业务需求角度出发，基于大数据和机器学习，实现用户监察干部廉洁指数评价的便捷加工提取，形成类别相对全面、准确性较高的干部廉洁指数评价体系，提高数据处理使用率和用户监察业务的工作效率。
[0138]
实施例三
[0139]
图3为本技术实施例三提供的一种廉洁风险监控的装置实施例的结构框图，可以包括如下模块：
[0140]
源数据获取模块310，用于获取源数据集，所述源数据集中包括具有廉洁风险的多个账户以及不具有廉洁风险的多个账户的多种不同维度的受关注源数据；
[0141]
廉洁风险模型构建模块320，用于基于所述源数据集构建不同廉洁类型的廉洁风险模型；
[0142]
廉洁指数评价模型构建模块330，用于基于所述廉洁风险模型的模型参数构建对应廉洁类型的廉洁指数评价模型；
[0143]
廉洁评分确定模块340，用于采用所述廉洁指数评价模型确定对应廉洁类型的廉洁评分；
[0144]
廉洁评分数据表生成模块350，用于根据不同廉洁类型的廉洁评分，生成廉洁评分数据表；
[0145]
廉洁监控模块360，用于采用所述廉洁评分数据表进行廉洁风险监控。
[0146]
在一种实施例中，所述廉洁监控模块360进一步可以包括如下子模块：
[0147]
廉洁风险点数据获取子模块，用于获取被监督目标的、针对多种廉洁类型的廉洁风险点数据；
[0148]
廉洁评分获取子模块，用于在所述廉洁评分数据表中匹配所述廉洁风险点数据，获得所述被监督目标针对不同廉洁类型的廉洁评分；
[0149]
廉洁得分确定子模块，用于根据各廉洁类型对应的廉洁评分，确定所述被监督目标的最终廉洁得分；
[0150]
廉洁评价子模块，用于根据所述最终廉洁得分对所述被监督目标进行廉洁评价。
[0151]
在一种实施例中，所述廉洁评价子模块具体用于：
[0152]
获取廉洁等级区间信息表，所述廉洁等级区间信息表包括多个廉洁等级的廉洁等级区间，以及各廉洁等级区间对应的评价描述；
[0153]
将所述最终廉洁得分落入的廉洁等级区间、对应的廉洁等级，作为所述被监督目标的目标廉洁等级；
[0154]
根据所述目标廉洁等级对应的评价描述，执行对应的操作。
[0155]
在一种实施例中，所述廉洁得分确定子模块具体用于：
[0156]
计算各廉洁类型对应的廉洁评分的总和；
[0157]
根据预设的廉洁评分阈值与所述总和计算所述最终廉洁得分。
[0158]
在一种实施例中，所述廉洁风险模型构建模块320具体用于：
[0159]
对所述源数据进行特征提取，并按照所述廉洁类型对提取出的特征分组，得到多个属性组；
[0160]
对各廉洁类型对应的属性组进行特征分桶处理，得到多个特征组；
[0161]
采用逻辑回归算法构建所述特征组对应的廉洁风险模型。
[0162]
在一种实施例中，所述廉洁指数评价模型构建模块330具体用于：
[0163]
确定各特征组的证据权重；
[0164]
根据所述模型参数以及所述证据权重，构建各特征组的廉洁指数评价模型。
[0165]
在一种实施例中，所述源数据获取模块310具体用于：
[0166]
从数据仓库中查找并加载所述源数据，其中，所述数据仓库包括与所述廉洁类型相关的多种数据表。
[0167]
本技术实施例所提供的一种廉洁风险监控的装置可执行本技术实施例一或实施例二中的一种廉洁风险监控的方法，具备执行方法相应的功能模块和有益效果。
[0168]
实施例四
[0169]
图4为本技术实施例四提供的一种电子设备的结构示意图，如图4所示，该电子设备包括处理器410、存储器420、输入装置430和输出装置440；电子设备中处理器410的数量可以是一个或多个，图4中以一个处理器410为例；电子设备中的处理器410、存储器420、输入装置430和输出装置440可以通过总线或其他方式连接，图4中以通过总线连接为例。
[0170]
存储器420作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本技术实施例中的上述实施例一或实施例二对应的程序指令/模块。处理器410通过运行存储在存储器420中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述的方法实施例一或实施例二中提到的方法。
[0171]
存储器420可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器420可进一步包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至设备/终端/服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0172]
输入装置430可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。
[0173]
实施例五
[0174]
本技术实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行上述方法实施例一或实施例二中的方法。
[0175]
实施例六
[0176]
本技术实施例六还提供一种计算机程序产品，该计算机程序产品包括计算机可执行指令，所述计算机可执行指令在由计算机处理器执行时用于执行上述方法实施例一或实施例二中的方法。
[0177]
当然，本技术实施例所提供的一种计算机程序产品，其计算机可执行指令不限于如上所述的方法操作，还可以执行本技术任意实施例所提供的方法中的相关操作。
[0178]
当然，本技术实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本技术任意实施例所提供的方法中的相关操作。
[0179]
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本技术可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(read-only memory,rom)、随机存取存储器(random access memory,ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台电子设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述的方法。
[0180]
值得注意的是，上述装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。
[0181]
注意，上述仅为本技术的较佳实施例及所运用技术原理。本领域技术人员会理解，本技术不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本技术的保护范围。因此，虽然通过以上实施例对本技术进行了较为详细的说明，但是本技术不仅仅限于以上实施例，在不脱离本技术构思的情况下，还可以包括更多其他等效实施例，而本技术的范围由所附的权利要求范围决定。