一种违规事项预测方法、装置、设备及其存储介质

技术领域

本申请涉及金融科技技术领域，应用于金融违规事项监管场景中，尤其涉及一种违规事项预测方法、装置、设备及其存储介质。

背景技术

随着互联网的飞速发展，各行各业都在依托互联网寻求行业突破点，近年来，金融行业也正在围绕着互联网进行线上业务拓展。由于金融行业涉及的数据往往涉及到个人隐私数据和资金财产数据，这也导致了对金融机构在业务数据的管理维护上提出了更高的安全要求。

金融机构内个人隐私数据和资金财产数据往往存在部门或者岗位的共性，数据泄露不仅会给用户带来严重的经济损失，还会给企业带来声誉损失。虽然企业在员工管理上有《保密协议》等具有法律效应文件约束，但无法规避员工在无意中造成的数据泄露，而且，数据泄露一般都是在一些具备相应权限的部门和岗位，如何使用一种规范可靠的方法精准预测这类违规行为是必不可少的手段之一。目前，传统的预测机构违规情况方式是手动在安全监测系统申请数据导出，通过python脚本与数据清洗筛选出每家机构的内控与终端违规情况，使用excel工具分析每家机构的违规每月的违规较上个月变化情况，并没有对整体的机构违规数据做一个预测，分析后续应该关注的具体违规情况，实现精准提前防控风险，从而很大程度避免风险的发生。但是，这种方式未考虑到金融行业数据量冗杂繁多，往往会造成大量的人力分析工作，不利于监管人员及早做出违规拦截和防范。

发明内容

本申请实施例的目的在于提出一种违规事项预测方法、装置、设备及其存储介质，以解决现有技术在金融行业违规事项分析上，未考虑到金融行业数据量冗杂繁多，往往会造成大量的人力分析工作，不利于监管人员及早做出违规拦截和防范的问题。

为了解决上述技术问题，本申请实施例提供违规事项预测方法，采用了如下所述的技术方案：

一种违规事项预测方法，包括下述步骤：

通过预设的监测组件，获取目标历史时间段内所有目标机构的历史违规信息，其中，所述历史违规信息中包含机构名称、部门名称、岗位名称、违规方式、违规时间点，所述违规方式包括申报行为违规、审批行为违规、邮件外发违规、账号使用违规、截屏行为违规；

根据机构名称、部门名称、岗位名称、违规方式以及违规时间点所属时间段的不同，分别构建违规分类器；

采用随机森林算法整合所述违规分类器，获得集成分类器，并基于所述集成分类器构建出违规分类预测模型；

将所述历史违规信息作为学习数据输入到所述违规分类预测模型内，对所述违规分类预测模型进行学习训练，根据学习训练结果预测未来目标时间段内目标机构的违规信息。

进一步的，所述根据机构名称、部门名称、岗位名称、违规方式以及违规时间点所属时间段的不同，分别构建违规分类器的步骤，具体包括：

将所述机构名称、部门名称、岗位名称、违规方式以及违规时间点所属时间段作为违规的不同特征维度；

基于所述违规的不同特征维度，进行违规分类器构建；

在执行所述根据机构名称、部门名称、岗位名称、违规方式以及违规时间点所属时间段的不同，分别构建违规分类器的步骤之后，所述方法还包括：

获取构建完成的违规分类器，并基于所述构建完成的违规分类器，随机生成基于多特征维度的违规决策分类树。

进一步的，所述基于所述违规的不同特征维度，进行违规分类器构建的步骤，具体包括：

对所述历史违规信息中包含的机构名称进行统计，根据统计结果识别出所述历史违规信息中包含的不同机构名称的数量；

根据所述历史违规信息中包含的机构名称以及不同机构名称的数量，构建根据所述机构名称对所述历史违规信息进行分类的违规分类器；

对所述历史违规信息中包含的部门名称进行统计，根据统计结果识别出所述历史违规信息中包含的不同部门名称的数量；

根据所述历史违规信息中包含的部门名称以及不同部门名称的数量，构建根据所述部门名称对所述历史违规信息进行分类的违规分类器；

对所述历史违规信息中包含的岗位名称进行统计，根据统计结果识别出所述历史违规信息中包含的不同岗位名称的数量；

根据所述历史违规信息中包含的岗位名称以及不同岗位名称的数量，构建根据所述岗位名称对所述历史违规信息进行分类的违规分类器；

对所述历史违规信息中包含的违规方式进行统计，根据统计结果识别出所述历史违规信息中包含的不同违规方式的数量；

根据所述历史违规信息中包含的违规方式以及不同违规方式的数量，构建根据所述违规方式对所述历史违规信息进行分类的违规分类器；

对所述历史违规信息中包含的违规时间点进行统计，根据统计结果和预设的时间段识别出所述违规时间点分别所属的不同时间段；

根据所述历史违规信息中包含的违规时间点以及所述违规时间点分别所属的不同时间段，构建根据所述违规时间点对所述历史违规信息进行分类的违规分类器。

进一步的，所述基于所述构建完成的违规分类器，随机生成基于多特征维度的违规决策分类树的步骤，具体包括：

任意从所述不同特征维度中筛选出N个特征维度，其中，N为正整数，且2≤N≤M，M为所述不同特征维度的总维度值；

基于所述N个特征维度分别所对应的违规分类器，生成所述基于多特征维度的违规决策分类树。

进一步的，所述采用随机森林算法整合所述违规分类器，获得集成分类器，并基于所述集成分类器构建出违规分类预测模型的步骤，具体包括：

结合随机森林算法和所述违规分类器，获得所述集成分类器；

将所述集成分类器部署到预设的神经学习网络中，构建出所述违规分类预测模型，具体的，将所述集成分类器中的所有分类节点设置为所述违规分类预测模型中的各级输出节点。

进一步的，所述结合随机森林算法和所述违规分类器，获得所述集成分类器的步骤，具体包括：

获得生成的所有基于多特征维度的违规决策分类树，并统计所述违规决策分类树的数量；

根据所述违规决策分类树的数量对所述历史违规信息进行采样，获得与所述违规决策分类树的数量等量的子集，其中，所述采样方式包括随机采样；

采用随机森林算法将所述子集一一输入到不同的违规决策分类树中，对所述不同的违规决策分类树进行决策训练，获得训练结果；

将所述训练结果与所述历史违规信息预设的分类结果进行对比，获取所述训练结果与所述分类结果的相似度；

筛选出所述相似度为最大值时所对应的违规决策分类树作为所述集成分类器。

进一步的，所述将所述历史违规信息作为学习数据输入到所述违规分类预测模型内，对所述违规分类预测模型进行学习训练，根据学习训练结果预测未来目标时间段内目标机构的违规信息的步骤，具体包括：

将所述历史违规信息作为学习数据输入到所述违规分类预测模型内，获得所述违规分类预测模型内所有输出节点分别对应的历史违规信息；

根据所述所有输出节点分别对应的历史违规信息，预测未来目标时间段内目标机构的违规信息所对应的分类节点；

基于未来目标时间段内目标机构的违规信息所对应的分类节点，确定未来目标时间段内将要发生违规的机构名称、部门名称、岗位名称、违规方式。

为了解决上述技术问题，本申请实施例还提供违规事项预测装置，采用了如下所述的技术方案：

一种违规事项预测装置，包括：

历史违规信息获取模块，用于通过预设的监测组件，获取目标历史时间段内所有目标机构的历史违规信息，其中，所述历史违规信息中包含机构名称、部门名称、岗位名称、违规方式、违规时间点，所述违规方式包括申报行为违规、审批行为违规、邮件外发违规、账号使用违规、截屏行为违规；

违规分类器构建模块，用于根据机构名称、部门名称、岗位名称、违规方式以及违规时间点所属时间段的不同，分别构建违规分类器；

违规分类预测模型构建模块，用于采用随机森林算法整合所述违规分类器，获得集成分类器，并基于所述集成分类器构建出违规分类预测模型；

违规分类预测模型学习模块，用于将所述历史违规信息作为学习数据输入到所述违规分类预测模型内，对所述违规分类预测模型进行学习训练，根据学习训练结果预测未来目标时间段内目标机构的违规信息。

为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：

一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现上述所述的违规事项预测方法的步骤。

为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：

一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上述所述的违规事项预测方法的步骤。

与现有技术相比，本申请实施例主要有以下有益效果：

本申请实施例所述违规事项预测方法，通过预设的监测组件，获取目标历史时间段内所有目标机构的历史违规信息，其中，所述历史违规信息中包含机构名称、部门名称、岗位名称、违规方式、违规时间点，所述违规方式包括申报行为违规、审批行为违规、邮件外发违规、账号使用违规、截屏行为违规；根据机构名称、部门名称、岗位名称、违规方式以及违规时间点所属时间段的不同，分别构建违规分类器；采用随机森林算法整合所述违规分类器，获得集成分类器，并基于所述集成分类器构建出违规分类预测模型；将所述历史违规信息作为学习数据输入到所述违规分类预测模型内，对所述违规分类预测模型进行学习训练，根据学习训练结果预测未来目标时间段内目标机构的违规信息。采用机器学习方式，以历史违规信息中不同特征维度构建违规分类器和违规决策分类树，再结合随机森林算法获得集成分类器，构建违规分类预测模型，从而预测未来目标时间段内将要发生违规的机构名称、部门名称、岗位名称、违规方式，便于监管人员及早做出违规拦截和防范，避免造成重大业务损失。

附图说明

为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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。

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的违规事项预测方法的一个实施例的流程图；

图3是图2所示步骤203的一个具体实施例的流程图；

图4是图3所示步骤301的一个具体实施例的流程图；

图5是图2所示步骤204的一个具体实施例的流程图；

图6是根据本申请的违规事项预测装置的一个实施例的结构示意图；

图7是图6所示违规分类预测模型构建模块603的一个具体实施例的结构示意图；

图8是图7所示集成分类器获得子模块701的一个具体实施例的结构示意图；

图9是根据本申请的计算机设备的一个实施例的结构示意图。

具体实施方式

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。

需要说明的是，本申请实施例所提供的违规事项预测方法一般由服务器/终端设备执行，相应地，违规事项预测装置一般设置于服务器/终端设备中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的违规事项预测方法的一个实施例的流程图。所述的违规事项预测方法，包括以下步骤：

步骤201，通过预设的监测组件，获取目标历史时间段内所有目标机构的历史违规信息，其中，所述历史违规信息中包含机构名称、部门名称、岗位名称、违规方式、违规时间点，所述违规方式包括申报行为违规、审批行为违规、邮件外发违规、账号使用违规、截屏行为违规。

本实施例中，所述预设的监测组件，用于记录所述所有目标机构的历史违规信息，所述目标机构包括被国家金融监督管理总局所监管的各级金融业务机构，也包括被金融公司内部监测系统所监管的各个业务部门。

步骤202，根据机构名称、部门名称、岗位名称、违规方式以及违规时间点所属时间段的不同，分别构建违规分类器。

本实施例中，所述根据机构名称、部门名称、岗位名称、违规方式以及违规时间点所属时间段的不同，分别构建违规分类器的步骤，具体包括：将所述机构名称、部门名称、岗位名称、违规方式以及违规时间点所属时间段作为违规的不同特征维度；基于所述违规的不同特征维度，进行违规分类器构建。

本实施例中，所述基于所述违规的不同特征维度，进行违规分类器构建的步骤，具体包括：对所述历史违规信息中包含的机构名称进行统计，根据统计结果识别出所述历史违规信息中包含的不同机构名称的数量；根据所述历史违规信息中包含的机构名称以及不同机构名称的数量，构建根据所述机构名称对所述历史违规信息进行分类的违规分类器；对所述历史违规信息中包含的部门名称进行统计，根据统计结果识别出所述历史违规信息中包含的不同部门名称的数量；根据所述历史违规信息中包含的部门名称以及不同部门名称的数量，构建根据所述部门名称对所述历史违规信息进行分类的违规分类器；对所述历史违规信息中包含的岗位名称进行统计，根据统计结果识别出所述历史违规信息中包含的不同岗位名称的数量；根据所述历史违规信息中包含的岗位名称以及不同岗位名称的数量，构建根据所述岗位名称对所述历史违规信息进行分类的违规分类器；对所述历史违规信息中包含的违规方式进行统计，根据统计结果识别出所述历史违规信息中包含的不同违规方式的数量；根据所述历史违规信息中包含的违规方式以及不同违规方式的数量，构建根据所述违规方式对所述历史违规信息进行分类的违规分类器；对所述历史违规信息中包含的违规时间点进行统计，根据统计结果和预设的时间段识别出所述违规时间点分别所属的不同时间段；根据所述历史违规信息中包含的违规时间点以及所述违规时间点分别所属的不同时间段，构建根据所述违规时间点对所述历史违规信息进行分类的违规分类器。

本实施例中，在执行所述根据机构名称、部门名称、岗位名称、违规方式以及违规时间点所属时间段的不同，分别构建违规分类器的步骤之后，所述方法还包括：获取构建完成的违规分类器，并基于所述构建完成的违规分类器，随机生成基于多特征维度的违规决策分类树。

本实施例中，所述基于所述构建完成的违规分类器，随机生成基于多特征维度的违规决策分类树的步骤，具体包括：任意从所述不同特征维度中筛选出N个特征维度，其中，N为正整数，且2≤N≤M，M为所述不同特征维度的总维度值；基于所述N个特征维度分别所对应的违规分类器，生成所述基于多特征维度的违规决策分类树。

本实施例中，可以重复执行所述基于所述构建完成的违规分类器，随机生成基于多特征维度的违规决策分类树的步骤，每次进行重复执行时，筛选的N不同，例如，N为2时，从所述M个不同特征维度中任意筛选出2个特征维度，根据所述2个特征维度分别所对应的违规分类器，生成包含2个特征维度的违规决策分类树；N为4时，从所述M个不同特征维度中任意筛选出4个特征维度，根据所述4个特征维度分别所对应的违规分类器，生成包含4个特征维度的违规决策分类树。具体重复执行的次数L，可以根据所需的违规决策分类树的数量而自由设置,例如L为50，即重复执行50次，在执行时可调整N的值，获得50个违规决策分类树。

步骤203，采用随机森林算法整合所述违规分类器，获得集成分类器，并基于所述集成分类器构建出违规分类预测模型。

本实施例中，所述采用随机森林算法，主要是在违规决策分类树的选用数量上，可以根据算法参数进行调整，调整结果即所述随机森林算法中随机树的数量，所述的算法参数应当小于或者等于L，例如，选择结果为20，则表示从所述50个违规决策分类树中随机选择出20个作为所述随机森林算法中的分类树数量。

继续参考图3，图3是图2所示步骤203的一个具体实施例的流程图，包括：

步骤301，结合随机森林算法和所述违规分类器，获得所述集成分类器；

继续参考图4，图4是图3所示步骤301的一个具体实施例的流程图，包括：

步骤401，获得生成的所有基于多特征维度的违规决策分类树，并统计所述违规决策分类树的数量；

步骤402，根据所述违规决策分类树的数量对所述历史违规信息进行采样，获得与所述违规决策分类树的数量等量的子集，其中，所述采样方式包括随机采样；

步骤403，采用随机森林算法将所述子集一一输入到不同的违规决策分类树中，对所述不同的违规决策分类树进行决策训练，获得训练结果；

步骤404，将所述训练结果与所述历史违规信息预设的分类结果进行对比，获取所述训练结果与所述分类结果的相似度；

步骤405，筛选出所述相似度为最大值时所对应的违规决策分类树作为所述集成分类器。

采用随机采样方式，从所述历史违规信息中获得输入到所述违规决策分类树中的数据子集，获得决策训练结果，再根据所述训练结果与所述历史违规信息预设的分类结果进行对比，获取所述训练结果与所述分类结果的相似度；筛选出所述相似度为最大值时所对应的违规决策分类树作为所述集成分类器，使用随机森林算法进行决策训练，获得训练结果，更加快速的进行集成分类器获取。

步骤302，将所述集成分类器部署到预设的神经学习网络中，构建出所述违规分类预测模型，具体的，将所述集成分类器中的所有分类节点设置为所述违规分类预测模型中的各级输出节点。

通过将所述集成分类器部署到预设的神经学习网络中，构建出所述违规分类预测模型，将所述集成分类器中的所有分类节点设置为所述违规分类预测模型中的各级输出节点，完成对所述违规分类预测模型的构建，便于采用学习模型方式，对历史违规信息进行学习分类和分类结果预测。

步骤204，将所述历史违规信息作为学习数据输入到所述违规分类预测模型内，对所述违规分类预测模型进行学习训练，根据学习训练结果预测未来目标时间段内目标机构的违规信息。

继续参考图5，图5是图2所示步骤204的一个具体实施例的流程图，包括：

步骤501，将所述历史违规信息作为学习数据输入到所述违规分类预测模型内，获得所述违规分类预测模型内所有输出节点分别对应的历史违规信息；

步骤502，根据所述所有输出节点分别对应的历史违规信息，预测未来目标时间段内目标机构的违规信息所对应的分类节点；

步骤503，基于未来目标时间段内目标机构的违规信息所对应的分类节点，确定未来目标时间段内将要发生违规的机构名称、部门名称、岗位名称、违规方式。

采用机器学习方式，以历史违规信息中不同特征维度构建违规分类器和违规决策分类树，再结合随机森林算法获得集成分类器，构建违规分类预测模型，从而预测未来目标时间段内将要发生违规的机构名称、部门名称、岗位名称、违规方式，便于监管人员及早做出违规拦截和防范，避免造成重大业务损失。

本申请通过预设的监测组件，获取目标历史时间段内所有目标机构的历史违规信息，其中，所述历史违规信息中包含机构名称、部门名称、岗位名称、违规方式、违规时间点，所述违规方式包括申报行为违规、审批行为违规、邮件外发违规、账号使用违规、截屏行为违规；根据机构名称、部门名称、岗位名称、违规方式以及违规时间点所属时间段的不同，分别构建违规分类器；采用随机森林算法整合所述违规分类器，获得集成分类器，并基于所述集成分类器构建出违规分类预测模型；将所述历史违规信息作为学习数据输入到所述违规分类预测模型内，对所述违规分类预测模型进行学习训练，根据学习训练结果预测未来目标时间段内目标机构的违规信息。采用机器学习方式，以历史违规信息中不同特征维度构建违规分类器和违规决策分类树，再结合随机森林算法获得集成分类器，构建违规分类预测模型，从而预测未来目标时间段内将要发生违规的机构名称、部门名称、岗位名称、违规方式，便于监管人员及早做出违规拦截和防范，避免造成重大业务损失。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大违规事项预测技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

本申请实施例中，采用机器学习方式，以历史违规信息中不同特征维度构建违规分类器和违规决策分类树，再结合随机森林算法获得集成分类器，构建违规分类预测模型，从而预测未来目标时间段内将要发生违规的机构名称、部门名称、岗位名称、违规方式，便于监管人员及早做出违规拦截和防范，避免造成重大业务损失。

进一步参考图6，作为对上述图2所示方法的实现，本申请提供了违规事项预测装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，本实施例所述的违规事项预测装置600包括：历史违规信息获取模块601、违规分类器构建模块602、违规分类预测模型构建模块603和违规分类预测模型学习模块604。其中：

历史违规信息获取模块601，用于通过预设的监测组件，获取目标历史时间段内所有目标机构的历史违规信息，其中，所述历史违规信息中包含机构名称、部门名称、岗位名称、违规方式、违规时间点，所述违规方式包括申报行为违规、审批行为违规、邮件外发违规、账号使用违规、截屏行为违规；

违规分类器构建模块602，用于根据机构名称、部门名称、岗位名称、违规方式以及违规时间点所属时间段的不同，分别构建违规分类器；

违规分类预测模型构建模块603，用于采用随机森林算法整合所述违规分类器，获得集成分类器，并基于所述集成分类器构建出违规分类预测模型；

违规分类预测模型学习模块604，用于将所述历史违规信息作为学习数据输入到所述违规分类预测模型内，对所述违规分类预测模型进行学习训练，根据学习训练结果预测未来目标时间段内目标机构的违规信息。

继续参考图7，图7是图6所示违规分类预测模型构建模块603的一个具体实施例的结构示意图，所述的违规分类预测模型构建模块603包括集成分类器获得子模块701和违规分类预测模型构建子模块702。其中：

集成分类器获得子模块701，用于结合随机森林算法和所述违规分类器，获得所述集成分类器；

违规分类预测模型构建子模块702，用于将所述集成分类器部署到预设的神经学习网络中，构建出所述违规分类预测模型，具体的，将所述集成分类器中的所有分类节点设置为所述违规分类预测模型中的各级输出节点。

继续参考图8，图8是图7所示集成分类器获得子模块701的一个具体实施例的结构示意图，所述的集成分类器获得子模块701包括统计单元801、采样单元802、决策训练单元803、对比单元804和筛选单元805。

其中：

统计单元801，用于获得生成的所有基于多特征维度的违规决策分类树，并统计所述违规决策分类树的数量；

采样单元802，用于根据所述违规决策分类树的数量对所述历史违规信息进行采样，获得与所述违规决策分类树的数量等量的子集，其中，所述采样方式包括随机采样；

决策训练单元803，用于采用随机森林算法将所述子集一一输入到不同的违规决策分类树中，对所述不同的违规决策分类树进行决策训练，获得训练结果；

对比单元804，用于将所述训练结果与所述历史违规信息预设的分类结果进行对比，获取所述训练结果与所述分类结果的相似度；

筛选单元805，用于筛选出所述相似度为最大值时所对应的违规决策分类树作为所述集成分类器。

本申请通过预设的监测组件，获取目标历史时间段内所有目标机构的历史违规信息，其中，所述历史违规信息中包含机构名称、部门名称、岗位名称、违规方式、违规时间点，所述违规方式包括申报行为违规、审批行为违规、邮件外发违规、账号使用违规、截屏行为违规；根据机构名称、部门名称、岗位名称、违规方式以及违规时间点所属时间段的不同，分别构建违规分类器；采用随机森林算法整合所述违规分类器，获得集成分类器，并基于所述集成分类器构建出违规分类预测模型；将所述历史违规信息作为学习数据输入到所述违规分类预测模型内，对所述违规分类预测模型进行学习训练，根据学习训练结果预测未来目标时间段内目标机构的违规信息。采用机器学习方式，以历史违规信息中不同特征维度构建违规分类器和违规决策分类树，再结合随机森林算法获得集成分类器，构建违规分类预测模型，从而预测未来目标时间段内将要发生违规的机构名称、部门名称、岗位名称、违规方式，便于监管人员及早做出违规拦截和防范，避免造成重大业务损失。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图9，图9本实施例计算机设备基本结构框图。

所述计算机设备9包括通过系统总线相互通信连接存储器9a、处理器9b、网络接口9c。需要指出的是，图中仅示出了具有组件9a-9c的计算机设备9，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。

所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

所述存储器9a至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器9a可以是所述计算机设备9的内部存储单元，例如该计算机设备9的硬盘或内存。在另一些实施例中，所述存储器9a也可以是所述计算机设备9的外部存储设备，例如该计算机设备9上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器9a还可以既包括所述计算机设备9的内部存储单元也包括其外部存储设备。本实施例中，所述存储器9a通常用于存储安装于所述计算机设备9的操作系统和各类应用软件，例如一种违规事项预测方法的计算机可读指令等。此外，所述存储器9a还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器9b在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他违规事项预测芯片。该处理器9b通常用于控制所述计算机设备9的总体操作。本实施例中，所述处理器9b用于运行所述存储器9a中存储的计算机可读指令或者处理数据，例如运行所述违规事项预测方法的计算机可读指令。

所述网络接口9c可包括无线网络接口或有线网络接口，该网络接口9c通常用于在所述计算机设备9与其他电子设备之间建立通信连接。

本实施例提出的计算机设备，属于金融科技技术领域，应用于金融违规事项监管场景中。本申请通过预设的监测组件，获取目标历史时间段内所有目标机构的历史违规信息，其中，所述历史违规信息中包含机构名称、部门名称、岗位名称、违规方式、违规时间点，所述违规方式包括申报行为违规、审批行为违规、邮件外发违规、账号使用违规、截屏行为违规；根据机构名称、部门名称、岗位名称、违规方式以及违规时间点所属时间段的不同，分别构建违规分类器；采用随机森林算法整合所述违规分类器，获得集成分类器，并基于所述集成分类器构建出违规分类预测模型；将所述历史违规信息作为学习数据输入到所述违规分类预测模型内，对所述违规分类预测模型进行学习训练，根据学习训练结果预测未来目标时间段内目标机构的违规信息。采用机器学习方式，以历史违规信息中不同特征维度构建违规分类器和违规决策分类树，再结合随机森林算法获得集成分类器，构建违规分类预测模型，从而预测未来目标时间段内将要发生违规的机构名称、部门名称、岗位名称、违规方式，便于监管人员及早做出违规拦截和防范，避免造成重大业务损失。

本申请还提供了另一种实施方式，即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可读指令，所述计算机可读指令可被处理器执行，以使所述处理器执行如上述的违规事项预测方法的步骤。

本实施例提出的计算机可读存储介质，属于金融科技技术领域，应用于金融违规事项监管场景中。本申请通过预设的监测组件，获取目标历史时间段内所有目标机构的历史违规信息，其中，所述历史违规信息中包含机构名称、部门名称、岗位名称、违规方式、违规时间点，所述违规方式包括申报行为违规、审批行为违规、邮件外发违规、账号使用违规、截屏行为违规；根据机构名称、部门名称、岗位名称、违规方式以及违规时间点所属时间段的不同，分别构建违规分类器；采用随机森林算法整合所述违规分类器，获得集成分类器，并基于所述集成分类器构建出违规分类预测模型；将所述历史违规信息作为学习数据输入到所述违规分类预测模型内，对所述违规分类预测模型进行学习训练，根据学习训练结果预测未来目标时间段内目标机构的违规信息。采用机器学习方式，以历史违规信息中不同特征维度构建违规分类器和违规决策分类树，再结合随机森林算法获得集成分类器，构建违规分类预测模型，从而预测未来目标时间段内将要发生违规的机构名称、部门名称、岗位名称、违规方式，便于监管人员及早做出违规拦截和防范，避免造成重大业务损失。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。

显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。