离行业务的风险控制方法及装置与流程

1.本发明涉及金融技术领域，尤其涉及一种离行业务的风险控制方法及系统。


背景技术：

2.离行业务就是不在银行网点或者自助终端的业务，主要是银行工作人员带着银行设备去银行外的地方为客户办理业务。因为离行业务远离银行且办理的地点不确定，以及离行业务数据和离行风险数据都比较少，故离行业务的不确定因素多，风险比较高。


技术实现要素：

3.本发明实施例提出一种离行业务的风险控制方法，用以实现离行业务的风险控制，该方法包括：
4.获取离行业务对应的业务地点，确定与该业务地点的距离小于指定阈值的第一支付地点，将所述第一支付地点对应的支付客户作为该离行业务对应的支付客户；
5.对于每个银行网点，确定与该银行网点的距离小于指定阈值的第二支付地点，将所述第二支付地点对应的支付客户作为该银行网点对应的支付客户；
6.依据离行业务对应的支付客户和银行网点对应的支付客户，确定离行业务对应的多个相似银行网点；
7.依据离行业务对应的多个相似银行网点，确定离行业务的人脸识别阈值与风险指标的第一函数关系，以及离行业务的人脸识别阈值与风险指标的第二函数关系；
8.依据所述第一函数关系和所述第二函数关系，修正离行业务对应的客户的人脸识别阈值，所述客户的人脸识别阈值用于实现离行业务的风险控制。
9.本发明实施例提出一种离行业务的风险控制装置，用以实现离行业务的风险控制，该装置包括：
10.第一支付客户确定模块，用于获取离行业务对应的业务地点，确定与该业务地点的距离小于指定阈值的第一支付地点，将所述第一支付地点对应的支付客户作为该离行业务对应的支付客户；
11.第二支付客户确定模块，用于对于每个银行网点，确定与该银行网点的距离小于指定阈值的第二支付地点，将所述第二支付地点对应的支付客户作为该银行网点对应的支付客户；
12.相似银行网点确定模块，用于依据离行业务对应的支付客户和银行网点对应的支付客户，确定离行业务对应的多个相似银行网点；
13.函数关系确定模块，用于依据离行业务对应的多个相似银行网点，确定离行业务的人脸识别阈值与风险指标的第一函数关系，以及离行业务的人脸识别阈值与风险指标的第二函数关系；
14.人脸识别阈值修正模块，用于依据所述第一函数关系和所述第二函数关系，修正离行业务对应的客户的人脸识别阈值，所述客户的人脸识别阈值用于实现离行业务的风险
控制。
15.本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在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离行业务的风险控制方法。
16.本发明实施例还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计算机程序，所述计算机程序被处理器执行时实现上述离行业务的风险控制方法。
17.本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述离行业务的风险控制方法。
18.在本发明实施例中，获取离行业务对应的业务地点，确定与该业务地点的距离小于指定阈值的第一支付地点，将所述第一支付地点对应的支付客户作为该离行业务对应的支付客户；对于每个银行网点，确定与该银行网点的距离小于指定阈值的第二支付地点，将所述第二支付地点对应的支付客户作为该银行网点对应的支付客户；依据离行业务对应的支付客户和银行网点对应的支付客户，确定离行业务对应的多个相似银行网点；依据离行业务对应的多个相似银行网点，确定离行业务的人脸识别阈值与风险指标的第一函数关系，以及离行业务的人脸识别阈值与风险指标的第二函数关系；依据所述第一函数关系和所述第二函数关系，修正离行业务对应的客户的人脸识别阈值。在上述过程中，依据离行业务对应的支付客户和银行网点对应的支付客户，确定离行业务对应的多个相似银行网点，进而确定第一函数关系和第二函数关系，从而修正离行业务对应的客户的人脸识别阈值，所述客户的人脸识别阈值用于实现离行业务的风险控制。
附图说明
19.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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。在附图中：
20.图1为本发明实施例中离行业务的风险控制方法的流程图；
21.图2为本发明实施例中确定离行业务对应的多个相似银行网点的流程图；
22.图3为本发明实施例中确定银行网点的偏序的流程图；
23.图4为本发明实施例中确定函数关系的流程图；
24.图5为本发明实施例中确定函数关系的又一流程图；
25.图6为本发明实施例中修正离行业务对应的客户的人脸识别阈值的流程图；
26.图7为本发明实施例中进行风险预测的流程图；
27.图8为本发明实施例中离行业务的风险控制装置的示意图一；
28.图9为本发明实施例中离行业务的风险控制装置的示意图二。
具体实施方式
29.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
30.在本说明书的描述中，所使用的“包含”、“包括”、“具有”、“含有”等，均为开放性的用语，即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本技术的实施，其中的步骤顺序不作限定，可根据需要作适当调整。
31.本技术技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
32.图1为本发明实施例中离行业务的风险控制方法的流程图，如图1所示，包括：
33.步骤101，获取离行业务对应的业务地点，确定与该业务地点的距离小于指定阈值的第一支付地点，将所述第一支付地点对应的支付客户作为该离行业务对应的支付客户；
34.步骤102，对于每个银行网点，确定与该银行网点的距离小于指定阈值的第二支付地点，将所述第二支付地点对应的支付客户作为该银行网点对应的支付客户；
35.步骤103，依据离行业务对应的支付客户和银行网点对应的支付客户，确定离行业务对应的多个相似银行网点；
36.步骤104，依据离行业务对应的多个相似银行网点，确定离行业务的人脸识别阈值与风险指标的第一函数关系，以及离行业务的人脸识别阈值与风险指标的第二函数关系；
37.步骤105，依据所述第一函数关系和所述第二函数关系，修正离行业务对应的客户的人脸识别阈值，所述客户的人脸识别阈值用于实现离行业务的风险控制。
38.图2为本发明实施例中确定离行业务对应的多个相似银行网点的流程图，在一实施例中，依据离行业务对应的支付客户和银行网点对应的支付客户，确定离行业务对应的多个相似银行网点，包括：
39.步骤201，确定离行业务对应的支付客户中归属各个客户类别的客户数；确定离行业务对应的客户向量，其中，该客户向量的分量和客户类别一一对应，该客户向量的每个分量的分量值等于离行业务对应的支付客户中归属该分量对应的客户类别的客户数；
40.步骤202，对于每个银行网点，确定该银行网点对应的支付客户中归属各个客户类别的客户数；确定该银行网点对应的客户向量，其中，该客户向量的分量和客户类别一一对应，该客户向量的每个分量的分量值等于该银行网点对应的支付客户中归属该分量对应的客户类别的客户数；
41.步骤203，依据离行业务对应的客户向量和银行网点对应的客户向量，确定银行网点的偏序，其中，该偏序用于确定任何两个银行网点中第一银行网点是否近于第二银行网点；
42.步骤204，将银行网点的偏序的极大元素作为离行业务对应的多个相似银行网点。
43.在一实施例中，所述方法还包括：
44.将所述第一支付地点对应的收款客户作为该离行业务对应的收款客户，以及将所述第二支付地点对应的收款客户作为该银行网点对应的收款客户；
45.确定离行业务对应的收款客户中归属各个对公客户类别的客户数；确定离行业务对应的收款客户向量，其中，该收款客户向量的分量和对公客户类别一一对应，该收款客户
向量的每个分量的分量值等于离行业务对应的收款客户中归属该分量对应的对公客户类别的客户数；
46.对于每个银行网点，确定该银行网点对应的收款客户中归属各个对公客户类别的客户数；确定该银行网点对应的收款客户向量，其中，该收款客户向量的分量和对公客户类别一一对应，该收款客户向量的每个分量的分量值等于该银行网点对应的收款客户中归属该分量对应的对公客户类别的客户数；
47.在一实施例中，依据离行业务对应的支付客户和银行网点对应的支付客户，确定离行业务对应的多个相似银行网点，包括：
48.对于每个银行网点，将该银行网点对应的客户向量与离行业务对应的客户向量的距离作为该银行网点对应的客户距离，以及将该银行网点对应的收款客户向量与离行业务对应的收款客户向量的距离作为该银行网点对应的收款距离；
49.确定银行网点的第二偏序，其中，该第二偏序用于确定任何两个银行网点中第一银行网点是否近于第二银行网点；如果第一银行网点对应的客户距离小于等于第二银行网点对应的客户距离，且第一银行网点对应的收款距离小于等于第二银行网点对应的收款距离，则该第二偏序确定第一银行网点近于第二银行网点；
50.将银行网点的第二偏序的极大元素作为离行业务对应的多个相似银行网点。
51.图3为本发明实施例中确定银行网点的偏序的流程图，在一实施例中，依据离行业务对应的客户向量和银行网点对应的客户向量，确定银行网点的偏序，包括：
52.步骤301，对于每个银行网点，将该银行网点对应的客户向量与离行业务对应的客户向量的向量差的绝对值作为该银行网点对应的客户向量差；
53.步骤302，对于任何两个银行网点，如果该两个银行网点中第一银行网点对应的客户向量差的每个分量都小于等于该两个银行网点中第二银行网点对应的客户向量差的对应分量，则该偏序确定第一银行网点近于第二银行网点。
54.在一实施例中，将银行网点的偏序的极大元素作为离行业务对应的多个相似银行网点，包括：
55.将待定网点集合和比较网点集合初始化为所有的银行网点；
56.选定一客户类别；
57.循环执行如下3个步骤，直到待定网点集合为空：
58.从待定网点集合中选取出对应的客户向量与离行业务对应的客户向量在选定的客户类别对应的分量的分量值的差的绝对值最小的银行网点s，并依据银行网点的偏序对银行网点s与比较网点集合中除该银行网点s之外的每一银行网点t进行比较；
59.如果银行网点t近于该银行网点s，则将该银行网点s从待定网点集合中删除；如果该银行网点s近于银行网点t，则将银行网点t从待定网点集合中删除，并将银行网点t作为该银行网点s的次要网点；
60.如果依据银行网点的偏序确认比较网点集合中除该银行网点s之外的每一银行网点都不近于银行网点s，则将该银行网点s作为离行业务对应的相似银行网点，并且将该银行网点s的所有次要网点从比较网点集合中删除。
61.图4为本发明实施例中确定函数关系的流程图，在一实施例中，依据离行业务对应的多个相似银行网点，确定离行业务的人脸识别阈值与风险指标的第一函数关系，以及离
行业务的人脸识别阈值与风险指标的第二函数关系，包括：
62.步骤401，对于离行业务对应的每个相似银行网点，依据该相似银行网点的交易数据，确定该相似银行网点对应各个数据维度的风险系数；
63.步骤402，确定离行业务对应的多个相似银行网点的偏序，其中，对于离行业务对应的任何两个相似银行网点，如果对于每个数据维度，该两个相似银行网点的第一相似银行网点对应该数据维度的风险系数小于等于该两个相似银行网点的第二相似银行网点对应该数据维度的风险系数，则该偏序确定第一相似银行网点优于第二相似银行网点；
64.步骤403，将离行业务对应的多个相似银行网点的偏序的极大元素作为第一类银行网点，及将离行业务对应的多个相似银行网点的偏序的极小元素作为第二类银行网点；
65.步骤404，依据第一类银行网点的人脸识别数据，确定离行业务的人脸识别阈值与风险指标的第一函数关系，及依据第二类银行网点的人脸识别数据，确定离行业务的人脸识别阈值与风险指标的第二函数关系。
66.在一实施例中，对于离行业务对应的每个相似银行网点，依据该相似银行网点的交易数据，确定该相似银行网点对应各个数据维度的风险系数，包括：
67.从该相似银行网点的交易数据中选取出该相似银行网点对应各个数据维度的交易数据；
68.对于每个数据维度，将该相似银行网点对应该数据维度的交易数据划分为该相似银行网点对应该数据维度的交易数据子集，其中，每个交易数据子集包含的交易数量大于设定的交易量阈值；将该相似银行网点对应该数据维度的每个交易数据子集包含的交易中涉及风险的交易的占比作为该相似银行网点对应该数据维度的风险占比样本；
69.将该相似银行网点对应每个数据维度的风险系数确定为该相似银行网点对应该数据维度的风险占比样本的均值。
70.在一个实施例中，所述方法还包括：
71.对于每个相似银行网点与每个数据维度，计算该相似银行网点对应该数据维度的风险占比样本的方差的平方与该相似银行网点对应该数据维度的风险占比样本的数量的比例，将该比值作为该相似银行网点对应该数据维度的风险误差上界；
72.对于每个相似银行网点，如果该相似银行网点对应各个数据维度的风险误差上界都小于设定的风险误差阈值，则将该相似银行网点作为待定相似银行网点；
73.将待定相似银行网点组成的集合作为待定网点集合。
74.在一实施例中，将离行业务对应的多个相似银行网点的偏序的极大元素作为第一类银行网点，及将离行业务对应的多个相似银行网点的偏序的极小元素作为第二类银行网点，包括：
75.将离行业务对应的多个相似银行网点的偏序对应待定网点集合的极大元素作为第一类银行网点，及将离行业务对应的多个相似银行网点的偏序对应待定网点集合的极小元素作为第二类银行网点。
76.需要说明的是，上述确定离行业务对应的多个相似银行网点的偏序的极大元素和极小元素的方法可以参考步骤204的实施例。
77.图5为本发明实施例中确定函数关系的又一流程图，在一实施例中，依据第一类银行网点的人脸识别数据，确定离行业务的人脸识别阈值与风险指标的第一函数关系，及依
据第二类银行网点的人脸识别数据，确定离行业务的人脸识别阈值与风险指标的第二函数关系，包括：
78.步骤501，设定多个人脸识别离散值；
79.步骤502，对于每个人脸识别离散值，确定当人脸识别阈值设置为该人脸识别离散值时的第一类银行网点的人脸识别数据中风险人脸识别的比例，将该比例作为该人脸识别离散值对应的第一风险指标；确定当人脸识别阈值设置为该人脸识别离散值时的第二类银行网点的人脸识别数据中风险人脸识别的比例，将该比例作为该人脸识别离散值对应的第二风险指标；
80.步骤503，构建第一人脸阈值函数和第二人脸阈值函数，其中，该第一人脸阈值函数和第二人脸阈值函数的自变量是设定的多个人脸识别离散值，该第一人脸阈值函数对应每个人脸识别离散值的函数值等于该人脸识别离散值对应的第一风险指标，该第二人脸阈值函数对应每个人脸识别离散值的函数值等于该人脸识别离散值对应的第二风险指标；
81.步骤504，对第一人脸阈值函数和第二人脸阈值函数进行连续化，将获得的第一人脸阈值函数对应的连续函数作为离行业务的人脸识别阈值与风险指标的第一函数关系，以及将获得的第二人脸阈值函数对应的连续函数作为离行业务的人脸识别阈值与风险指标的第二函数关系。
82.图6为本发明实施例中修正离行业务对应的客户的人脸识别阈值的流程图，在一实施例中，依据所述第一函数关系和所述第二函数关系，修正离行业务对应的客户的人脸识别阈值，包括：
83.步骤601，获取离行业务对应的客户存储在银行服务器的人脸识别阈值；
84.步骤602，依据离行业务对应的客户存储在银行服务器的人脸识别阈值和所述第一函数关系，确定离行业务对应的客户的潜在风险指标；
85.步骤603，依据离行业务对应的客户的潜在风险指标和所述第二函数关系，确定离行业务对应的客户的潜在人脸识别阈值；
86.步骤604，依据离行业务对应的客户的潜在人脸识别阈值，修正离行业务对应的客户的人脸识别阈值。
87.图7为本发明实施例中进行风险预测的流程图，在一实施例中，所述方法还包括：
88.步骤701，依据第二类银行网点的交易数据，以风险为预测标识，训练机器学习预测模型，获得离行业务的风险预测模型；
89.步骤702，依据离行业务的风险预测模型，对离行业务进行风险预测。
90.在一实施例中，所述方法还包括：
91.对于每个第一类银行网点，依据该第一类银行网点对应各个数据维度的风险系数，确定该第一类银行网点对应的风险范数；
92.比如将该第一类银行网点对应各个数据维度的风险系数的平方和的平方根作为该第一类银行网点对应的风险范数；
93.依据各个第一类银行网点对应的风险范数，对离行业务进行实时风险控制。
94.在一实施例中，依据各个第一类银行网点对应的风险范数，对离行业务进行实时风险控制，包括：
95.依据如下公式确定各个第一类银行网点对应的上确界：
[0096][0097]ri
是第i个第一类银行网点对应的上确界，sk和sj分别是第k个和第j个第一类银行网点对应的风险范数，f是实值函数，f＞0且f'＜0；
[0098]
基于随机数生成器，生成随机数，将该随机数作为该离行业务对应的随机数，其中，该生成器的值在[0,1]，且该生成器满足均匀分布；
[0099]
从各个第一类银行网点中选取出对应的上确界大于该离行业务对应的随机数的第一类银行网点；
[0100]
将选取出的第一类银行网点中对应的上确界最小的第一类银行网点作为该离行业务对应的第一类银行网点；
[0101]
依据该离行业务对应的第一类银行网点的实时风险控制方法，对该离行业务进行实时风险控制。
[0102]
综上所述，在本发明实施例提出的方法中，获取离行业务对应的业务地点，确定与该业务地点的距离小于指定阈值的第一支付地点，将所述第一支付地点对应的支付客户作为该离行业务对应的支付客户；对于每个银行网点，确定与该银行网点的距离小于指定阈值的第二支付地点，将所述第二支付地点对应的支付客户作为该银行网点对应的支付客户；依据离行业务对应的支付客户和银行网点对应的支付客户，确定离行业务对应的多个相似银行网点；依据离行业务对应的多个相似银行网点，确定离行业务的人脸识别阈值与风险指标的第一函数关系，以及离行业务的人脸识别阈值与风险指标的第二函数关系；依据所述第一函数关系和所述第二函数关系，修正离行业务对应的客户的人脸识别阈值。在上述过程中，依据离行业务对应的支付客户和银行网点对应的支付客户，确定离行业务对应的多个相似银行网点，进而确定第一函数关系和第二函数关系，从而修正离行业务对应的客户的人脸识别阈值，所述客户的人脸识别阈值用于实现离行业务的风险控制。
[0103]
本发明实施例还提出一种离行业务的风险控制装置，其原理与离行业务的风险控制方法类似，这里不再赘述。
[0104]
图8为本发明实施例中离行业务的风险控制装置的示意图一，包括：
[0105]
第一支付客户确定模块801，用于获取离行业务对应的业务地点，确定与该业务地点的距离小于指定阈值的第一支付地点，将所述第一支付地点对应的支付客户作为该离行业务对应的支付客户；
[0106]
第二支付客户确定模块802，用于对于每个银行网点，确定与该银行网点的距离小于指定阈值的第二支付地点，将所述第二支付地点对应的支付客户作为该银行网点对应的支付客户；
[0107]
相似银行网点确定模块803，用于依据离行业务对应的支付客户和银行网点对应的支付客户，确定离行业务对应的多个相似银行网点；
[0108]
函数关系确定模块804，用于依据离行业务对应的多个相似银行网点，确定离行业务的人脸识别阈值与风险指标的第一函数关系，以及离行业务的人脸识别阈值与风险指标的第二函数关系；
[0109]
人脸识别阈值修正模块805，用于依据所述第一函数关系和所述第二函数关系，修
正离行业务对应的客户的人脸识别阈值，所述客户的人脸识别阈值用于实现离行业务的风险控制。
[0110]
在一实施例中，相似银行网点确定模块具体用于：
[0111]
确定离行业务对应的支付客户中归属各个客户类别的客户数；确定离行业务对应的客户向量，其中，该客户向量的分量和客户类别一一对应，该客户向量的每个分量的分量值等于离行业务对应的支付客户中归属该分量对应的客户类别的客户数；
[0112]
对于每个银行网点，确定该银行网点对应的支付客户中归属各个客户类别的客户数；确定该银行网点对应的客户向量，其中，该客户向量的分量和客户类别一一对应，该客户向量的每个分量的分量值等于该银行网点对应的支付客户中归属该分量对应的客户类别的客户数；
[0113]
依据离行业务对应的客户向量和银行网点对应的客户向量，确定银行网点的偏序，其中，该偏序用于确定任何两个银行网点中第一银行网点是否近于第二银行网点；
[0114]
将银行网点的偏序的极大元素作为离行业务对应的多个相似银行网点。
[0115]
在一实施例中，相似银行网点确定模块具体用于：
[0116]
对于每个银行网点，将该银行网点对应的客户向量与离行业务对应的客户向量的向量差的绝对值作为该银行网点对应的客户向量差；
[0117]
对于任何两个银行网点，如果该两个银行网点中第一银行网点对应的客户向量差的每个分量都小于等于该两个银行网点中第二银行网点对应的客户向量差的对应分量，则该偏序确定第一银行网点近于第二银行网点。
[0118]
在一实施例中，函数关系确定模块具体用于：
[0119]
对于离行业务对应的每个相似银行网点，依据该相似银行网点的交易数据，确定该相似银行网点对应各个数据维度的风险系数；
[0120]
确定离行业务对应的多个相似银行网点的偏序，其中，对于离行业务对应的任何两个相似银行网点，如果对于每个数据维度，该两个相似银行网点的第一相似银行网点对应该数据维度的风险系数小于等于该两个相似银行网点的第二相似银行网点对应该数据维度的风险系数，则该偏序确定第一相似银行网点优于第二相似银行网点；
[0121]
将离行业务对应的多个相似银行网点的偏序的极大元素作为第一类银行网点，及将离行业务对应的多个相似银行网点的偏序的极小元素作为第二类银行网点；
[0122]
依据第一类银行网点的人脸识别数据，确定离行业务的人脸识别阈值与风险指标的第一函数关系，及依据第二类银行网点的人脸识别数据，确定离行业务的人脸识别阈值与风险指标的第二函数关系。
[0123]
在一实施例中，函数关系确定模块具体用于：
[0124]
设定多个人脸识别离散值；
[0125]
对于每个人脸识别离散值，确定当人脸识别阈值设置为该人脸识别离散值时的第一类银行网点的人脸识别数据中风险人脸识别的比例，将该比例作为该人脸识别离散值对应的第一风险指标；确定当人脸识别阈值设置为该人脸识别离散值时的第二类银行网点的人脸识别数据中风险人脸识别的比例，将该比例作为该人脸识别离散值对应的第二风险指标；
[0126]
构建第一人脸阈值函数和第二人脸阈值函数，其中，该第一人脸阈值函数和第二
人脸阈值函数的自变量是设定的多个人脸识别离散值，该第一人脸阈值函数对应每个人脸识别离散值的函数值等于该人脸识别离散值对应的第一风险指标，该第二人脸阈值函数对应每个人脸识别离散值的函数值等于该人脸识别离散值对应的第二风险指标；
[0127]
对第一人脸阈值函数和第二人脸阈值函数进行连续化，将获得的第一人脸阈值函数对应的连续函数作为离行业务的人脸识别阈值与风险指标的第一函数关系，以及将获得的第二人脸阈值函数对应的连续函数作为离行业务的人脸识别阈值与风险指标的第二函数关系。
[0128]
在一实施例中，人脸识别阈值修正模块具体用于：
[0129]
获取离行业务对应的客户存储在银行服务器的人脸识别阈值；
[0130]
依据离行业务对应的客户存储在银行服务器的人脸识别阈值和所述第一函数关系，确定离行业务对应的客户的潜在风险指标；
[0131]
依据离行业务对应的客户的潜在风险指标和所述第二函数关系，确定离行业务对应的客户的潜在人脸识别阈值；
[0132]
依据离行业务对应的客户的潜在人脸识别阈值，修正离行业务对应的客户的人脸识别阈值。
[0133]
图9为本发明实施例中离行业务的风险控制装置的示意图二，所述装置还包括风险预测模块901，用于：
[0134]
依据第二类银行网点的交易数据，以风险为预测标识，训练机器学习预测模型，获得离行业务的风险预测模型；
[0135]
依据离行业务的风险预测模型，对离行业务进行风险预测。
[0136]
综上所述，在本发明实施例提出的装置中，获取离行业务对应的业务地点，确定与该业务地点的距离小于指定阈值的第一支付地点，将所述第一支付地点对应的支付客户作为该离行业务对应的支付客户；对于每个银行网点，确定与该银行网点的距离小于指定阈值的第二支付地点，将所述第二支付地点对应的支付客户作为该银行网点对应的支付客户；依据离行业务对应的支付客户和银行网点对应的支付客户，确定离行业务对应的多个相似银行网点；依据离行业务对应的多个相似银行网点，确定离行业务的人脸识别阈值与风险指标的第一函数关系，以及离行业务的人脸识别阈值与风险指标的第二函数关系；依据所述第一函数关系和所述第二函数关系，修正离行业务对应的客户的人脸识别阈值。在上述过程中，依据离行业务对应的支付客户和银行网点对应的支付客户，确定离行业务对应的多个相似银行网点，进而确定第一函数关系和第二函数关系，从而修正离行业务对应的客户的人脸识别阈值，所述客户的人脸识别阈值用于实现离行业务的风险控制。
[0137]
本发明实施例还提供一种计算机设备，所述计算机设备包括存储器、处理器及存储在存储器上并可在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离行业务的风险控制方法。
[0138]
本发明实施例还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计算机程序，所述计算机程序被处理器执行时实现上述离行业务的风险控制方法。
[0139]
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述离行业务的风险控制方法。
[0140]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序
业务系统。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序业务系统的形式。
[0141]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序业务系统的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0142]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0143]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0144]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。