针对服务方所面临特定风险的数据展示方法及装置

摘要

本说明书实施例提供一种针对服务方所面临特定风险的数据展示方法，该方法包括：首先，接收针对所述特定风险的风险展示页面的打开指令；然后，基于所述打开指令，呈现所述风险展示页面，其中展示预先构建的贝叶斯拓展网络中的有向无环图，所述有向无环图中包括对应于多个风险变量的多个风险节点，具体包括对应于多个风险属性变量的多个风险属性节点和对应于若干风险计算变量的若干风险计算节点，其中各个风险计算节点的值域与其父节点的值域之间具有对应的值域映射关系，所述有向无环图中还包括因节点之间存在依赖关系而形成的有向连接边。

权利要求

1.一种针对服务方所面临特定风险的数据展示方法，包括：

接收针对所述特定风险的风险展示页面的打开指令；

基于所述打开指令，呈现所述风险展示页面，其中展示预先构建的贝叶斯拓展网络中的有向无环图，所述有向无环图中包括对应于多个风险变量的多个风险节点，具体包括对应于多个风险属性变量的多个风险属性节点和对应于若干风险计算变量的若干风险计算节点，其中各个风险计算节点的值域与其父节点的值域之间具有对应的值域映射关系，所述有向无环图中还包括因节点之间存在依赖关系而形成的有向连接边；

所述多个风险属性节点中包括第一风险属性节点以及属于其子节点的第二风险属性节点；其中各个风险属性节点关联对应的风险损失取值规则，该风险损失取值规则中包括该各个风险属性节点的取值与风险损失的取值之间的对应关系；

在呈现所述风险展示页面之后，所述方法还包括：

确定所述第一风险属性节点的第一取值；

接收基于所述第一取值发出的对所述第二风险属性节点所对应风险损失的期望值的查看指令；

基于所述查看指令，将所述第一风险属性节点的第一取值作为证据变量的变量值，基于所述贝叶斯拓展网络，确定所述第二风险属性节点的值域中各个取值对应的查询概率；

基于与所述第二风险属性节点对应的风险损失取值规则，以及所述查询概率，计算并展示所述第二风险属性节点所对应风险损失的期望值。

2.根据权利要求1所述的方法，其中呈现所述风险展示页面包括：在其中各个风险节点周围的指定区域，展示对应风险变量的变量名称。

3.根据权利要求2所述的方法，其中，所述变量名称遵循基于多种变量类型制定的命名规则，所述多个变量类型包括与客观事实对应的事实类变量，以及与主观观点对应的观点类变量。

4.根据权利要求1所述的方法，其中，在呈现所述风险展示页面之后，所述方法还包括：响应于对所述多个风险节点中任意的第一风险节点的触发指令，在所述有向无环图中对经过所述第一风险节点的路径进行突出显示，和/或，在所述风险展示页面中以列表的形式，展示所述第一风险节点的父节点和子节点所对应的风险变量。

5.根据权利要求1所述的方法，其中，在呈现所述风险展示页面之后，所述方法还包括：响应于对所述多个风险节点中任意的第一风险节点的触发指令，在所述风险展示界面中，显示所述第一风险节点的值域所对应的取值概率，该取值概率基于针对所述第一风险节点采集的多个取值样本进行统计而得到。

6.根据权利要求1所述的方法，其中，在呈现所述风险展示页面之后，所述方法还包括：响应于对所述多个风险节点中任意的第一风险节点的触发指令，在所述风险展示界面中，显示表征所述第一风险节点的值域所对应取值概率的不确定性的概率分布，该概率分布基于针对所述第一风险节点采集的多个取值样本进行随机抽样和统计而得到。

7.根据权利要求1所述的方法，其中，在呈现所述风险展示页面之后，所述方法还包括：响应于对所述多个风险节点中任意的第一风险节点的触发指令，在所述风险展示界面中，显示所述第一风险节点对应的预设取值规则。

8.根据权利要求1所述的方法，其中，在呈现所述风险展示页面之后，所述方法还包括：响应于对所述多个风险节点中任意的第一风险节点的触发指令，在所述风险展示界面中，显示所述第一风险节点对应的条件概率表，该条件概率表量化表征所述第一风险节点与其父节点之间的依赖关系。

9.根据权利要求1所述的方法，其中，在呈现所述风险展示页面之后，所述方法还包括：响应于对所述多个风险属性节点中任意的第一风险属性节点的触发指令，在所述风险展示界面中，显示所述第一风险属性节点的当前取值，该当前取值的确定基于预设取值规则，以及所述服务方中用户的当前行为数据和/或服务方的当前运营数据。

10.根据权利要求9所述的方法，其中，所述特定风险为用户利用所述服务方提供的服务以实施特定行为的风险，所述服务方执行防控所述特定行为的防控流程，所述当前运营数据包括服务方执行所述防控流程产生的当前防控数据。

11.根据权利要求10所述的方法，其中，所述特定行为包括洗钱行为或电子交易诈骗行为。

12.根据权利要求9所述的方法，其中，所述若干风险计算节点中包括风险损失计算节点；在显示所述第一风险属性节点的当前取值之后，所述方法还包括：接收基于所述第一风险属性节点发出的风险损失查看指令；

基于所述风险损失查看指令，展示由于所述第一风险属性节点的取值为所述当前取值而造成的风险损失；

其中，所述风险损失包括所述风险损失计算节点的计算值，其基于所述贝叶斯拓展网络而确定，所述贝叶斯拓展网络还包括对所述依赖关系进行量化表征的条件概率表。

13.根据权利要求1所述的方法，其中，确定所述第一风险属性节点的第一取值，包括：接收用户基于所述第一风险属性节点的值域设定的所述第一取值。

14.一种针对服务方所面临特定风险的数据展示装置，包括：

接收单元，配置为接收针对所述特定风险的风险展示页面的打开指令；

第一展示单元，配置为基于所述打开指令，呈现所述风险展示页面，其中展示预先构建的贝叶斯拓展网络中的有向无环图，所述有向无环图中包括对应于多个风险变量的多个风险节点，具体包括对应于多个风险属性变量的多个风险属性节点和对应于若干风险计算变量的若干风险计算节点，其中各个风险计算节点的值域与其父节点的值域之间具有对应的值域映射关系，所述有向无环图中还包括因节点之间存在依赖关系而形成的有向连接边；

所述多个风险属性节点中包括第一风险属性节点以及属于其子节点的第二风险属性节点；其中各个风险属性节点关联对应的风险损失取值规则，该风险损失取值规则中包括该各个风险属性节点的取值与风险损失的取值之间的对应关系；

在呈现所述风险展示页面之后，所述装置还包括：

确定单元，配置为确定所述第一风险属性节点的第一取值；

计算单元，配置为：

接收基于所述第一取值发出的对所述第二风险属性节点所对应风险损失的期望值的查看指令；

基于所述查看指令，将所述第一风险属性节点的第一取值作为证据变量的变量值，基于所述贝叶斯拓展网络，确定所述第二风险属性节点的值域中各个取值对应的查询概率；

基于与所述第二风险属性节点对应的风险损失取值规则，以及所述查询概率，计算并展示所述第二风险属性节点所对应风险损失的期望值。

15.根据权利要求14所述的装置，其中第一展示单元具体配置为：在其中各个风险节点周围的指定区域，展示对应风险变量的变量名称。

16.根据权利要求15所述的装置，其中，所述变量名称遵循基于多种变量类型制定的命名规则，所述多个变量类型包括与客观事实对应的事实类变量，以及与主观观点对应的观点类变量。

17.根据权利要求14所述的装置，其中，所述装置还包括：

第二展示单元，配置为响应于对所述多个风险节点中任意的第一风险节点的触发指令，在所述有向无环图中对经过所述第一风险节点的路径进行突出显示，和/或，在所述风险展示页面中以列表的形式，展示所述第一风险节点的父节点和子节点所对应的风险变量。

18.根据权利要求14所述的装置，其中，所述装置还包括：

第三展示单元，配置为响应于对所述多个风险节点中任意的第一风险节点的触发指令，在所述风险展示界面中，显示所述第一风险节点的值域所对应的取值概率，该取值概率基于针对所述第一风险节点采集的多个取值样本进行统计而得到。

19.根据权利要求14所述的装置，其中，所述装置还包括：

第四展示单元，配置为响应于对所述多个风险节点中任意的第一风险节点的触发指令，在所述风险展示界面中，显示表征所述第一风险节点的值域所对应取值概率的不确定性的概率分布，该概率分布基于针对所述第一风险节点采集的多个取值样本进行随机抽样和统计而得到。

20.根据权利要求14所述的装置，其中，所述装置还包括：

第五展示单元，配置为响应于对所述多个风险节点中任意的第一风险节点的触发指令，在所述风险展示界面中，显示所述第一风险节点对应的预设取值规则。

21.根据权利要求14所述的装置，其中，所述装置还包括：

第六展示单元，配置为响应于对所述多个风险节点中任意的第一风险节点的触发指令，在所述风险展示界面中，显示所述第一风险节点对应的条件概率表，该条件概率表量化表征所述第一风险节点与其父节点之间的依赖关系。

22.根据权利要求14所述的装置，其中，所述装置还包括：

第七展示单元，配置为响应于对所述多个风险属性节点中任意的第一风险属性节点的触发指令，在所述风险展示界面中，显示所述第一风险属性节点的当前取值，该当前取值的确定基于预设取值规则，以及所述服务方中用户的当前行为数据和/或服务方的当前运营数据。

23.根据权利要求22所述的装置，其中，所述特定风险为用户利用所述服务方提供的服务以实施特定行为的风险，所述服务方执行防控所述特定行为的防控流程，所述当前运营数据包括服务方执行所述防控流程产生的当前防控数据。

24.根据权利要求23所述的装置，其中，所述特定行为包括洗钱行为或电子交易诈骗行为。

25.根据权利要求22所述的装置，其中，所述装置还包括第八展示单元，配置为：接收基于所述第一风险属性节点发出的风险损失查看指令；

基于所述风险损失查看指令，展示由于所述第一风险属性节点的取值为所述当前取值而造成的风险损失；

其中，所述风险损失包括所述风险损失计算节点的计算值，其基于所述贝叶斯拓展网络而确定，所述贝叶斯拓展网络还包括对所述依赖关系进行量化表征的条件概率表。

26.根据权利要求14所述的装置，其中，所述确定单元具体配置为：接收用户基于所述第一风险属性节点的值域设定的所述第一取值。

27.一种计算机可读存储介质，其上存储有计算机程序，其中，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-13中任一项的所述的方法。

28.一种计算设备，包括存储器和处理器，其中，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-13中任一项所述的方法。

说明书

针对服务方所面临特定风险的数据展示方法及装置

技术领域

[0001] 本说明书一个或多个实施例涉及数据处理技术领域，尤其涉及一种针对服务方所面临特定风险的数据展示方法及装置。

背景技术

[0002] 目前，服务方面临多种风险，比如，在运营过程中面临运营风险，包括运营失败或运营活动达不到预期目标的可能性及其损失。又比如，服务方在向用户提供服务时，面临某些用户通过使用服务实施恶意、不良或违法的特定行为的风险。例如，不法用户利用支付平台提供的电子支付服务或利用理财平台提供的理财服务，实施洗钱等违法行为，又例如，不法用户利用商务平台提供的转账服务和通讯服务，实施诈骗等违法行为。

[0003] 为了更好地进行风险管控，需要一种方案，可以对与上述风险进行有效描述和精准评估，并对描述数据和评估结果进行直观展示，从而满足风险的追因溯源等需求。

发明内容

[0004] 本说明书一个或多个实施例描述了一种针对服务方所面临特定风险的数据展示方法，可以实现对特定风险的有效描述和评估，并对描述数据和评估结果进行直观展示，从而为风险管控提供强有力的支持。

[0005] 根据第一方面，提供一种针对服务方所面临特定风险的数据展示方法，包括：接收针对所述特定风险的风险展示页面的打开指令；基于所述打开指令，呈现所述风险展示页面，其中展示预先构建的贝叶斯拓展网络中的有向无环图，所述有向无环图中包括对应于多个风险变量的多个风险节点，具体包括对应于多个风险属性变量的多个风险属性节点和对应于若干风险计算变量的若干风险计算节点，其中各个风险计算节点的值域与其父节点的值域之间具有对应的值域映射关系，所述有向无环图中还包括因节点之间存在依赖关系而形成的有向连接边。

[0006] 在一个实施例中，其中呈现所述风险展示页面包括：在其中各个风险节点周围的指定区域，展示对应风险变量的变量名称。

[0007] 在一个具体的实施例中，所述变量名称遵循基于多种变量类型制定的命名规则，所述多个变量类型包括与客观事实对应的事实类变量，以及与主观观点对应的观点类变量。

[0008] 在一个实施例中，在呈现所述风险展示页面之后，所述方法还包括：响应于对所述多个风险节点中任意的第一风险节点的触发指令，在所述有向无环图中对经过所述第一风险节点的路径进行突出显示，和/或，在所述风险展示页面中以列表的形式，展示所述第一风险节点的父节点和子节点所对应的风险变量。

[0009] 在一个实施例中，在呈现所述风险展示页面之后，所述方法还包括：响应于对所述多个风险节点中任意的第一风险节点的触发指令，在所述风险展示界面中，显示所述第一风险节点的值域所对应的取值概率，该取值概率基于针对所述第一风险节点采集的多个取值样本进行统计而得到。

[0010] 在一个实施例中，在呈现所述风险展示页面之后，所述方法还包括：响应于对所述多个风险节点中任意的第一风险节点的触发指令，在所述风险展示界面中，显示表征所述第一风险节点的值域所对应取值概率的不确定性的概率分布，该概率分布基于针对所述第一风险节点采集的多个取值样本进行随机抽样和统计而得到。

[0011] 在一个实施例中，在呈现所述风险展示页面之后，所述方法还包括：响应于对所述多个风险节点中任意的第一风险节点的触发指令，在所述风险展示界面中，显示所述第一风险节点对应的预设取值规则。

[0012] 在一个实施例中，在呈现所述风险展示页面之后，所述方法还包括：响应于对所述多个风险节点中任意的第一风险节点的触发指令，在所述风险展示界面中，显示所述第一风险节点对应的条件概率表，该条件概率表量化表征所述第一风险节点与其父节点之间的依赖关系。

[0013] 在一个实施例中，在呈现所述风险展示页面之后，所述方法还包括：响应于对所述多个风险属性节点中任意的第一风险属性节点的触发指令，在所述风险展示界面中，显示所述第一风险属性节点的当前取值，该当前取值的确定基于预设取值规则，以及所述服务方中用户的当前行为数据和/或服务方的当前运营数据。

[0014] 在一个具体的实施例中，所述特定风险为用户利用所述服务方提供的服务以实施特定行为的风险，所述服务方执行防控所述特定行为的防控流程，所述当前运营数据包括服务方执行所述防控流程产生的当前防控数据。

[0015] 在一个更具体的实施例中，所述特定行为包括洗钱行为或电子交易诈骗行为。

[0016] 在一个实施例中，所述若干风险计算节点中包括风险损失计算节点；在显示所述第一风险属性节点的当前取值之后，所述方法还包括：接收基于所述第一风险属性节点发出的风险损失查看指令；基于所述风险损失查看指令，展示由于所述第一风险属性节点的取值为所述当前取值而造成的风险损失；其中，所述风险损失包括所述风险损失计算节点的计算值，其基于所述贝叶斯拓展网络而确定，所述贝叶斯拓展网络还包括对所述依赖关系进行量化表征的条件概率表。

[0017] 根据第二方面，提供一种针对服务方所面临特定风险的数据展示装置，包括：接收单元，配置为接收针对所述特定风险的风险展示页面的打开指令；第一展示单元，配置为基于所述打开指令，呈现所述风险展示页面，其中展示预先构建的贝叶斯拓展网络中的有向无环图，所述有向无环图中包括对应于多个风险变量的多个风险节点，具体包括对应于多个风险属性变量的多个风险属性节点和对应于若干风险计算变量的若干风险计算节点，其中各个风险计算节点的值域与其父节点的值域之间具有对应的值域映射关系，所述有向无环图中还包括因节点之间存在依赖关系而形成的有向连接边。

[0018] 根据第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，当上述计算机程序在计算机中执行时，令计算机执行上述第一方面的方法。

[0019] 根据第四方面，提供了一种计算设备，包括存储器和处理器，上述存储器中存储有可执行代码，上述处理器执行上述可执行代码时，实现上述第一方面的方法。

[0020] 综上，采用本说明书实施例提供的上述方法及装置，基于预先构建的贝叶斯拓展网络，可以实现对风险描述数据和评估数据进行全面、有效、直观地展示，从而为风险管控提供强有力的支持。

附图说明

[0021] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例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它的附图。

[0022] 图1示出根据一个实施例的贝叶斯拓展网络的组成示意图；

[0023] 图2示出本说明书实施例披露的针对服务方所面临特定风险的数据展示方法流程图；

[0024] 图3示出根据一个实施例的风险展示页面的初始状态示意图；

[0025] 图4示出本说明书实施例披露的风险展示页面的变化状态示意图之一；

[0026] 图5示出本说明书实施例披露的风险展示页面的变化状态示意图之二；

[0027] 图6示出本说明书实施例披露的风险展示页面的变化状态示意图之三；

[0028] 图7示出本说明书实施例披露的风险展示页面的变化状态示意图之四；

[0029] 图8示出本说明书实施例披露的风险展示页面的变化状态示意图之五；

[0030] 图9示出本说明书实施例披露的风险展示页面的变化状态示意图之六；

[0031] 图10示出本说明书实施例披露的针对服务方所面临特定风险的数据展示装置结构图。

具体实施方式

[0032] 下面结合附图，对本说明书提供的方案进行描述。

[0033] 如前所述，服务方面临多种风险，以下为便于描述，将其中任一种风险称为特定风险。为了更好地进行风险管控，需要对服务方面临的特定风险进行精准有效地描述和评估，并对描述数据和评估结果进行直观展示，从而满足风险的追因溯源等需求。

[0034] 基于此，发明人提出引入贝叶斯网络（Bayesian network），对于特定风险相关的一些随机变量进行组织、汇总，从而直观展现风险变量之间的依赖关系（例如，客户数据表格是否填写错误取决于是否对员工进行培训），需要理解，这些随机变量在贝叶斯网络中可以被表示为对应的节点。此外，还在传统的贝叶斯网络之外，增加计算节点（以下将增加计算节点的贝叶斯网络称为贝叶斯拓展网络，并且，或简称网络），用于表达网络中值域之间的函数关系，实现对风险计算变量（如交易可疑度）的计算，并且，可以在网络中快速定位出影响风险计算变量的节点，或被风险计算变量影响到的节点，从而实现对风险评估的全流程追溯。

[0035] 图1示出根据一个实施例的贝叶斯拓展网络的组成示意图，网络中可以包括表征多个风险变量之间的依赖关系的有向无环图（Directed acyclic graph，简称DAG），该多个风险变量中可以包括基于风险客观事实（例如，服务方中机构客户的占比）、风险观点（例如，风控流程是否合规）等确定的风险属性变量（图中用圆圈示出对应的风险属性节点），以及设定的风险计算变量（图中用五角星示出对应的风险计算节点），网络中还包括与各个风险变量对应的（也就是与各个风险节点对应的）条件概率表（Conditional Probability Table），图1中仅示出节点C（为便于描述，对节点进行简单编号）对应的条件概率表，表中P（C=c0|A=a1,B=b0）=0.4表示，在节点A的取值为a1，节点B的取值为b0的情况下，节点C取c0的概率为0.4，另外，节点E、F和L为计算节点，在一个示例中，节点E的值域与其父节点C和父节点D的值域之间的映射关系为：

[0036] （1）

[0037] 基于上述贝叶斯拓展网络，可以实现对风险数据的直观展示。为便于理解，下面先对贝叶斯网络的构建方式进行介绍。具体地，构建贝叶斯拓展网络包括建立上述有向无环图和确定上述条件概率表。

[0038] 具体地，先获取多个风险变量，包括上述多个风险属性变量和若干风险计算变量，由此创建对应的多个风险节点，包括多个风险属性节点和若干风险计算节点。

[0039] 需要说明，获取的上述多个风险变量可以是工作人员针对上述特定风险人为设定的，包括设定风险变量的名称和风险变量的值域。设定的风险变量可以是离散型随机变量，相应地，其值域中可以包括多个离散值，或者，还可以设定连续型随机变量，相应地，其值域可以包括连续的数值区间，而无法将其中数值逐个例举出来。

[0040] 一方面，对于上述多个风险变量中包括的多个风险属性变量，在一个实施例中，可以包括与客观事实对应的事实类变量，具体地，事实类变量是指变量取值可以根据客观的数据记录进行确定，比如，事实类变量可以包括服务方中的用户数量、员工数量等。需要理解，可以事先设定事实类变量，再通过埋点等方式采集相关数据记录，也可以是根据已有的数据记录设计事实类变量。由此，在获取事实类变量的同时，还可以获取根据相关数据记录确定出事实类变量的取值的预设取值规则，用于后续确定变量取值。例如，用户数量被设定为连续型变量，其对应的预设取值规则中可以包括：数量单位为万，又例如，交易地区变量被设定为离散型变量，并且，其值域中的离散值包括大型城市、中小型城市、城镇农村（需理解，这些离散值也可以用0、1、2或其他数值进行替代表示），则预设取值规则可以包括交易经纬度或地点名称与这些离散值之间的对应关系，具体如：在交易地点是北京时，交易地域变量的取值为大型城市。

[0041] 在另一个实施例中，上述多个风险属性变量中可以包括与主观观点对应的观点类变量，具体地，观点类变量是指对变量的取值加入了主观因素，比如，不同的专家可能分析出不同的变量取值。在一个具体的实施例中，观点类变量还可以包括可验证的预测类变量和不可验证的判断类变量，其中预测类变量是指可以根据未来采集到的数据验证当前对变量的取值是否正确，而判断类变量是指不存在绝对客观的数据可以验证其变量取值是否正确。在一个例子中，其中预测类变量可以包括下一季度的成交量或公司明年是否会扩招，其中判断类变量可以包括风控流程是否完备或运营是否成功。

[0042] 另一方面，对于上述多个风险变量中包括的若干风险计算变量，其被设计为用于表达网络中不同变量之间值域的映射关系，可以实现对风险评估结果的直观描述，例如，可以设计针对上述特定风险的风险概率计算变量、风险等级变量、风险损失变量（用于描述上述特定风险造成的损失，如损失金额变量、客户流失数量）。

[0043] 具体地，风险计算变量的变量值取决于其他一个或多个变量的取值，因此，在某个风险计算变量的设定过程中，包括设定其所依赖的变量，以及该某个风险计算变量的值域与其所依赖变量的值域之间的值域映射关系。需要说明，风险计算变量所依赖的变量中可以包括风险属性变量和/或其他风险计算变量，这也意味着，风险计算节点可以具有子节点。另外，对于上述值域映射关系，在一个实施例中，某个风险计算变量为离散型变量，其所依赖的多个变量也均为离散型变量，相应地，其间的值域映射关系可以包括：该某个风险计算变量的值域中的离散值，与其所依赖的多个变量的值域中的离散值所组成的离散值组合之间的映射关系，需要理解，单个离散值组合由该多个变量中各个变量的单个离散值所组成。在一个具体的实施例中，上述若干风险计算变量中包括交易风险计算变量，其所依赖的变量包括交易金额变量和交易地区变量，并且，这三个变量均为离散型变量，其间的值域映射关系包括交易风险计算变量的离散变量值与交易金额变量和交易地区变量的离散值组合之间的映射关系。在一个例子中，该映射关系具体可以包括：

[0044] （2）

[0045] 在另一个实施例中，某个风险计算变量为随机型变量，其所依赖的若干变量中包括连续型变量，相应地，其间的值域映射关系可以为连续函数。在一个例子中，假定某个风险计算变量为交易可疑度，其所依赖的变量为交易金额，并且，二者均为连续型变量，二者的值域映射关系可以是以下连续函数：

[0046] （3）

[0047] 在公式（3）中，表示交易金额的取值，表示交易可疑度的取值。

[0048] 由上可知，上述获取的多个风险变量中包括多个风险属性变量和若干风险计算变量，风险属性变量中可以包括事实类变量和观点类变量，观点类变量中可以包括预测类变量和判断类变量，若干风险计算变量用于表达不同变量之间值域的映射关系，并且风险变量可以是离散型变量或连续型变量。

[0049] 另外，上述多个风险变量是针对上述服务方面临的特定风险而设定的。在一个实施例中，上述特定风险可以是服务方面临的运营风险，相应地，上述多个风险变量中的多个风险属性变量可以包括服务方的营业额、用户数量、运营成本、产品数量、产品页面的点击次数、服务方规模（如员工数量、招聘岗位数量、分公司数量等）、融资金额、股票走势、预期收益等，上述若干风险计算变量可以包括运营损失、运营成功率、运营创收等。在另一个实施例中，上述服务方面临的特定风险为用户利用服务方提供的服务以实施特定行为的风险，服务方执行防控该特定行为的防控流程，相应地，上述多个风险变量可以包括与该防控流程相关的防控流程变量以及与用户行为相关的用户行为变量。在一个具体的实施例中，其中特定行为可以包括洗钱行为或电子交易诈骗行为。在一个具体的实施例中，上述多个风险变量中的多个风险属性变量可以包括是否进行培训、客户数据的采集是否合规、是否聘用反特定行为的高管、交易金额、交易地区、交易时段，上述若干风险计算变量可以包括交易风险计算变量、交易可疑度、特定行为综合风险等级。

[0050] 基于上述获取的多个风险变量，可以创建对应的多个风险节点。进一步地，对于多个风险节点之间的依赖关系，由前述内容可知，对于其中的若干风险计算节点，其中各个风险计算节点的取值所依赖的节点，也就是各个风险计算节点的父节点（需理解，本文中父节点若无特殊说明，则是指直属父节点），是已经设定好的，由此可以在各个风险计算节点与对应父节点之间建立有向连接边。而对于除与风险计算节点及其父节点的依赖关系以外的其他依赖关系，在一个实施例中，可以是人工设定的，也就是说，贝叶斯拓展网络中的依赖关系可以都是人工设定出来的，相应地，可以基于其他依赖关系在对应节点间建立有向边。更进一步地，基于已经建立好的有向无环图，在尚不存在训练数据的情况下，可以人工设定每个风险节点的条件概率表，由此可以得到人工设定的贝叶斯拓展网络，而在存在训练数据（训练样本中可以包括每个风险节点的取值）的情况下，可以通过对训练样本进行统计计数的方式，估计出每个风险节点的条件概率表，由此得到由人工设定的有向无环图和基于训练样本进行统计得到的条件概率表所组成的贝叶斯拓展网络。

[0051] 在另一个实施例中，上述其他依赖关系也可以是通过训练数据确定出来的，具体可以参考现有技术实现，例如，可以先定义一个评分函数（score function），以此来评估贝叶斯拓展网络与训练数据的契合程度，然后基于这个评分函数来寻找结构最优的贝叶斯拓展网络，相应地，可以确定出贝叶斯拓展网络的结构（也就是上述有向无环图）和各个风险属性节点对应的条件概率表，也即确定出上述贝叶斯拓展网络。

[0052] 需要说明，对于风险计算节点，其所对应的条件概率表是在其自身被设定出来以后就可以随之确定的。需要理解，对于离散型的风险计算变量，其条件概率的取值非0即1。比如说，对于上述公式（1）中计算节点E，其为离散型变量，其条件概率表如下表1所示：

[0053] 表1

[0054]  e0 e1 e2
c0,d1或c0,d2 1 0 0
c1,d0 0 1 0
c1,d1 0 0 1

[0055] 如表1所示，其中最后一行表示，在节点C和节点D的取值分别为c1和d1的情况下，节点E的取值为e2的概率为1，而为e0或e1的概率为0。

[0056] 另外，对于连续型的风险计算变量，其条件概率可以用概率分布表示，具体地，可以通过该连续型的风险计算变量与其若干父节点之间的值域映射关系确定出对应的概率分布，此处对具体涉及的计算不作赘述。

[0057] 以上，对贝叶斯拓展网络的构建进行介绍。具体地，构建出的贝叶斯拓展网络中包括有向无环图，该有向无环图中包括对应于多个风险属性变量的多个风险属性节点和对应于若干风险计算变量的若干风险计算节点，其中各个风险计算节点的值域与其父节点的值域之间具有对应的值域映射关系，该有向无环图中还包括因节点之间存在依赖关系而形成的有向连接边，该贝叶斯拓展网络中还包括对该依赖关系进行量化表征的条件概率表。

[0058] 下面，对基于上述预先构建的贝叶斯拓展网络实施的数据展示方法进行介绍。

[0059] 具体地，图2示出本说明书实施例披露的针对服务方所面临特定风险的数据展示方法流程图，其中服务方的形式可以是企业、机构、公司、网络平台等，该方法的执行主体可以为任何具有计算、处理能力的计算平台或服务器或设备集群等，具体可以实现为终端设备，如手机、电脑、可穿戴设备等，或者，可以实现为软件程序、如系统插件、应用APP等。

[0060] 如图2所示，上述数据展示方法包括步骤：

[0061] 步骤S210，接收针对所述特定风险的风险展示页面的打开指令；步骤S220，基于所述打开指令，呈现所述风险展示页面，其中展示预先构建的贝叶斯拓展网络中的有向无环图，所述有向无环图中包括对应于多个风险变量的多个风险节点，具体包括对应于多个风险属性变量的多个风险属性节点和对应于若干风险计算变量的若干风险计算节点，其中各个风险计算节点的值域与其父节点的值域之间具有对应的值域映射关系，所述有向无环图中还包括因节点之间存在依赖关系而形成的有向连接边。

[0062] 以上步骤具体如下：

[0063] 首先，在步骤S210，接收针对特定风险的风险展示页面的打开指令。

[0064] 需要说明，其中风险展示页面用于直观展示特定风险的描述数据。在一个实施例中，上述打开指令可以为点击指令，例如对风险展示APP的图标的点击指令，或者，对风险展示APP中风险查看图标的点击指令。在另一个实施例中，上述打开指令还可以为声控指令。

[0065] 基于以上接收到的打开指令，在步骤S220，呈现上述风险展示页面，其中包括预先构建贝叶斯网络中的有向无环图。图3示出根据一个实施例的风险展示页面的初始状态示意图，其中展示有向无环图，如此，可以直观地看出多个风险节点之间的依赖关系。

[0066] 在一个实施例中，本步骤可以包括：在其中各个风险节点周围的指定区域，展示对应风险变量的变量名称。其中变量名称是人为设定的。进一步地，在一个具体的实施例中，多个风险节点的多个变量名称遵循基于多种变量类型指定的命名规则，其中多种变量类型可以包括上述与客观事实对应的事实类变量，与主观观点对应的观点类变量，以及上述计算类变量。在一个更具体的实施例中，风险变量名称的格式为：字母_汉字描述，其中字母为对应变量类型的代号（如变量类型的英文单词的首字母）。例如，图3中示出某个事实类变量的名称为“F_交易金额”，某个观点类变量的名称为“O_培训是否合格”，还有某个计算类变量的名称为“C_风险损失”。需要说明，图3的圆圈中由字母和数字组成的标识，可实现对不同变量的进行简易区分。如此，通过采用一定的命名空间习惯，对不同类别的风险变量进行标识，可以方便用户定位到目标风险变量，或，方便用户快速获知目标风险变量的类别。

[0067] 以上实现在风险展示页面的初始状态下展示有向无环图的基础结构。与此同时或在此之后，所述方法还可以包括对以下实施例中所描述风险信息项的展示，具体可以单独展示，也可以组合展示。

[0068] 在一个实施例中，上述风险信息项可以包括对有向无环图中任一风险节点与其子父节点之间依赖关系。在一个具体的实施例中，在上述步骤S220之后，所述方法还可以包括：响应于对所述多个风险节点中任意的第一风险节点的触发指令，在上述有向无环图中对经过所述第一风险节点的路径进行突出显示。需要说明，“第一风险节点”中的“第一”以及下文中的类似用语，仅用于区分同类事物，不具有排序等其他限定作用。在一个具体的实施例中，其中触发指令可以是基于点击操作而生成，也可以是将光标或触点移动至第一风险节点时生成。

[0069] 可以理解，经过第一风险节点的路径可以包括其多级父节点和多级子节点，以及这些节点之间的连接边。上述突出显示是为了对该路径进行区别于有向无环图中其余内容的显示。在一个具体的实施例中，突出显示可以包括：高亮显示、图形加大显示、图形颜色加深显示、图形动效显示，等等。在一个例子中，如图4所示，其中采用线条和字体加粗的方式，对经过风险节点“O_培训是否合格”的路径进行突出显示，并对其余信息进行弱化显示。

[0070] 在另一个具体的实施例中，在上述步骤S220之后，所述方法还可以包括：响应于对上述多个风险节点中任意的第一风险节点的触发指令，在风险展示页面中以列表的形式，展示第一风险节点的父节点和子节点所对应的风险变量。在一个更具体的实施例中，其中父节点和子节点可以是多级父节点和多级子节点。在另一个更具体的实施例中，其中父节点和子节点可以是直属父节点和一级子节点。在一个例子中，如图5所示，其中采用列表的方式，展示风险节点“C_风险等级”的直属父节点和一级子节点。

[0071] 在另一个实施例中，上述展示的风险信息项可以包括各个风险节点对应的概率信息。在一个具体的实施例中，在上述步骤S220之后，所述方法还可以包括：响应于对上述多个风险节点中任意的第一风险节点的触发指令，在风险展示界面中，显示所述第一风险节点的值域所对应的取值概率，该取值概率基于针对所述第一风险节点采集的多个取值样本进行统计而得到。

[0072] 在一个更具体的实施例中，第一风险节点的值域由多个离散值组成，相应地，可以对上述多个取值样本进行统计，其中各个取值样本中的取值属于该多个离散值，由此可以得到值域中各个离散值对应的概率。在一个例子中，假定第一风险节点对应的风险变量是“客户数据来源是否出错”，其值域中包括离散值“是”和“否”，由此，再假定采集到100个样本，其中70个表明“未出错”，30个表明“出错”，则可以确定“是”和“否”对应的概率分别为“0.3”和“0.7”。在一个例子中，如图6所示，响应于将光标移动至风险节点“F_客户数据来源是否出错”，显示对应的历史统计概率表，其中示出“是”和“否”的概率分别为“0.3”和“0.7”。

[0073] 在另一个更具体的实施例中，第一风险节点的值域是连续的取值区间，相应地，可以对上述多个取值样本进行统计，得到部分取值对应的概率，然后采用插值的方式，得到连续取值的值域对应的概率分布，或者可以采取其他已有的求取概率分布的方式，得到该值域对应的概率分布。进而可以根据该概率分布得到取值区间中任一取值区段对应的概率。在一个例子中，如图7所示，响应于将光标移动至风险节点“F_交易金额”，显示对应的历史统计概率分布图（其纵坐标为概率密度），进一步地，通过在概率分布图的横坐标轴上选取一段取值区间，或者下方的输入框中输入待查询的一段取值区间的端点值（例如2-4千万），可以得到对应的查询概率（如0.6）。

[0074] 如此，可以在风险展示页面中，显示任一风险节点的值域所对应的取值概率。

[0075] 在另一个具体的实施例中，在上述步骤S220之后，上述方法还可以包括：响应于对多个风险节点中任意的第一风险节点的触发指令，在风险展示界面中，显示表征该第一风险节点的值域所对应取值概率的不确定性的概率分布。

[0076] 需要理解，在某些情况下，对于值域中的某个值，节点的取值为该某个值的概率本身也具有不确定性，此时，可以对这种不确定性进行表征和展示。在一个更具体的实施例中，表征不确定性的概率分布可以是由工作人员根据经验确定的。在另一个具体的实施例中，还可以是基于针对第一风险节点采集的多个取值样本进行随机抽样和统计而得到。具体地，对于多个取值样本，其中的取值是节点的取值，通过随机抽样，可以得到概率样本，比如说，假定有100个取值样本，其中任一样本的取值为“是”或“否”，此时，可以通过多次随机抽样（如每次随机抽取10个样本），从而得到多个概率样本，例如，某次随机抽样中10个样本中有5个样本为“是”，则得到对应的概率样本为：“是”的概率为“0.5”，进而基于多个概率样本确定概率的概率分布，也就是上述表征不确定性的概率分布，用于向用户展示。

[0077] 如此，可以在风险展示页面中，显示表征任一风险节点的值域所对应取值概率的不确定性的概率分布。

[0078] 在又一个具体的实施例中，在上述步骤S220之后，上述数据展示方法还可以包括：响应于对任意的第一风险节点的触发指令，在所述风险展示界面中，显示预先确定的与所述第一风险节点对应的条件概率表，该条件概率表量化表征所述第一风险节点与其父节点之间的依赖关系。需要说明，对条件概率表的介绍可以参见上文中的相关描述，在此不作赘述。

[0079] 以上，可以实现在风险展示页面中展示任一风险节点对应的概率信息。

[0080] 在又一个实施例中，上述展示的风险信息项还可以包括任一风险节点对应的预设取值规则。具体地，在上述步骤S220之后，上述方法还可以包括：响应于任意的第一风险节点的触发指令，在风险展示界面中，显示该第一风险节点对应的预设取值规则。在一个具体的实施例中，对于观点类变量，其对应的预设取值规则可以为：专家经验。在另一个具体的实施例中，对于计算类变量，其对应的预设取值规则可以为：风险计算变量与其父节点之间的值域映射关系。需要说明，对于事实类变量，其对应的预设取值规则可以参见前述实施例中的相关介绍，在此不作赘述。

[0081] 在还一个实施例中，上述展示的风险信息项还可以包括任一风险节点的当前取值。具体地，在上述步骤S220之后，上述方法还可以包括：响应于任意的第一风险节点的触发指令，在风险展示界面中，显示该第一风险节点对应的当前取值。

[0082] 在一个具体的实施例中，如果上述第一风险节点所对应变量是风险属性变量（为便于描述，此时将其称为第一风险属性变量），则其当前取值的确定可以基于预设取值规则，以及服务方中用户的当前行为数据和/或服务方的当前运营数据。对于其中当前行为数据和当前运营数据，用于确定上述多个风险属性变量的当前取值，故可以参见前述对多个风险属性变量的描述，如风险属性变量中可以包括上述服务方的营业额、用户数量、产品页面的点击次数、防控流程变量等，推知上述行为数据和运营数据可以包含的内容，例如，上述运营数据中还可以包括服务方执行上述防控特定行为实施的防控流程产生的防控数据。

[0083] 在一个更具体的实施例中，如果上述第一风险属性节点所对应的变量属于观点类变量，则其对应的当前取值可以是由专家基于上述用户的当前行为数据和服务方的当前运营数据进行分析后确定的，例如，对于风险观点变量“O_培训是否合格”，显示其当前取值为专家评估得到的“不合格”。在另一个更具体的实施例中，如果上述第一风险属性节点所对应的变量属于事实类变量，则其对应的当前取值可以由对应的预设取值规则和相关数据直接进行确定，例如，对于风险事实变量“F_交易金额”，可以直接根据采集到的交易金额数据和预设取值规则（如对最近一周内的数据进行统计，且统计单位为：万/天），确定出当前取值为300万/天。

[0084] 在另一个具体的实施例中，如果上述第一风险节点是风险计算节点（以下简称第一风险计算节点），进一步地，确定其所有父节点的当前取值是否都是已知的，在一个更具体的实施例中，如果其全量父节点的取值都是已知的，则可以直接根据其父节点的已知观测值，以及第一风险计算节点和其父节点之间的值域映射关系，计算出该第一风险计算节点的当前取值。

[0085] 在另一个更具体的实施例中，如果其所有父节点中存在当前取值未知的父节点，则根据网络中节点已知的观测值，基于上述贝叶斯拓展网络进行查询，确定第一风险计算节点的各个取值的当前取值概率，进而求取第一风险计算节点取值的期望值，作为该第一风险计算节点的当前取值。

[0086] 对此需要说明，可以利用预先构建的贝叶斯拓展网络，回答“查询”（query），即通过一些风险变量的观测值来推测其他风险变量的取值。令Q={Q1,Q2,...Qn}表示有待查询的查询变量，Z={Z1,Z2,...,ZK}表示证据变量，已知其取值为z={z1,z2,...,zK }，推测目标包括计算后验概率P（Q=q|Z=z），其中q={q1,q2,...qn}是待查询变量的一组取值，其中n和k为正整数。

[0087] 具体地，可以获取服务方中用户的行为数据和/或服务方的运营数据，从而判断出上述多个风险属性变量中哪些风险属性变量的取值是可以确定的，或者，判断获取的数据中包含与哪些风险属性变量相关的数据记录，进而将这些风险属性变量归入若干证据变量，并根据相关数据记录确定出的这些风险属性变量的观测值作为对应的证据变量值。对于多个风险属性变量中没有被归入上述若干证据变量中的非证据变量，将其中对应上述第一风险计算节点的父节点的变量归入若干查询变量，并结合被选取变量的值域，为其设定变量取值作为对应的查询变量值，进一步地，将第一风险计算变量归入上述若干查询变量，并且，根据该全部父节点对应的变量值，以及第一风险计算节点与其全部父节点之间的值域映射关系，确定第一风险计算节点的第一计算变量值，作为对应的查询变量值。如此，通过对第一风险计算节点的父节点中当前取值未知的父节点进行多次查询，可以得到多个后验概率，用于对第一风险计算节点的值域中的取值进行加权求和，并将得到的数值作为第一风险计算节点的当前取值。

[0088] 另一方面，考虑到用户比较关注单个风险属性变量造成的风险损失，以及多个风险属性变量造成的风险损失（如损失金额、客户流失数量等）。由此，可以在上述若干风险计算节点中设置风险损失计算节点，进一步地，在一种实施方式下，可以接收用户对一个或多个风险属性变量的选取值（从值域中选取得到），作为证据变量的证据变量值，进而计算出风险损失计算节点的计算值，作为对应的风险损失。在另一种实施方式下，可以向用户展示当前观测值已知的风险属性变量，以供用户从中选取若干风险属性变量作为证据变量，进而计算出风险损失计算节点的计算值，作为对应的风险损失。

[0089] 在一个具体的实施例中，在上述显示第一风险属性节点的当前取值之后，上述方法还可以包括：接收基于所述第一风险属性节点发出的风险损失查看指令；基于所述风险损失查看指令，展示所述第一风险属性节点为所述当前取值所造成的风险损失。对于风险损失的计算，在第一风险属性节点是风险损失计算节点的直属父节点，其风险损失计算节点只有这一个直属父节点的情况下，可以根据针对风险损失计算节点设定的值域映射关系，计算出风险损失，而在其他情况下，则需要计算风险损失计算节点取值的期望值，作为用于展示的风险损失。

[0090] 在一个具体的实施例中，风险损失计算节点可以包括一个或多个，如可以包括损失金额计算节点和流失客户计算节点，此时，可以根据用户选择对其中部分或全部计算节点的取值进行计算并展示。

[0091] 根据一个具体的例子，如图8所示，响应于客户对风险观点变量“O_培训是否合格”的触发指令，可以突出显示从该风险观点变量到风险损失计算节点之间的路径，并且，显示该风险观点变量的当前取值为“不合格”，以及造成的风险损失为“200万”。如此，可以实现对风险属性变量导致风险损失的直观展示。

[0092] 需要说明，以上在展示风险信息项时，主要对响应于针对风险节点的触发指令进行展示这种方式进行描述，实际上，还可以通过在页面中显示快捷的导航栏，或者，显示菜单栏等方式，实现与用户的交互。

[0093] 综上，采用本说明书实施例披露的针对服务方所面临特定风险的数据展示方法，基于预先构建的贝叶斯拓展网络，可以实现对风险描述数据和评估数据进行全面、有效、直观地展示，从而为风险管控提供强有力的支持。

[0094] 在上文中提到，可以通过设置特定的风险计算节点，实现对风险损失的计算。根据另一方面的实施例，本说明书还提出另一种实施方式，可以实现对风险损失的更加细粒度的计算。

[0095] 具体地，对于上述多个风险属性节点，可以针对其中各个风险属性节点设置与其关联的风险损失取值规则，此规则中包括该各个风险属性节点的取值与风险损失的取值之间的对应关系。在一个实施例中，该对应关系可以体现为一个基于专家经验设定的取值间映射规则，例如，对于风险属性节点“培训是否合格”，当该节点的取值为“是”或“否”时，该节点带来的风险损失的取值均为“0”，又例如，对于风险属性节点“是否被处罚”，当该节点的取值为“是”时，该节点带来的风险损失的取值为“100万”，而当该节点的取值为“否”时，风险损失的取值为“0”。在另一个实施例中，该对应关系可以体现为一个数学计算模型，如线形模型等。

[0096] 基于上述设定的与各个风险属性节点关联的风险损失取值规则，可以计算一个或多个风险属性变量给另一个风险属性变量带来的风险损失上的影响。

[0097] 为便于描述，本实施方式中，将多个风险属性节点中的某个风险属性节点称为第一风险属性节点，并将其某个子节点称为第二风险属性节点，基于此，可以向用户展示第一风险属性节点的取值，给第二风险属性节点带来的风险损失上的影响，具体地，可以体现为第二风险属性节点所对应风险损失的期望值的变化。需要理解，该期望值为第二风险属性节点所对应的多个风险损失值中各个风险损失值与对应取值概率之间乘积的和值，而各个风险损失值是与第二风险属性节点自身的节点取值相对应的，因此各个风险损失值的取值概率，实际为对应的节点取值的概率。因此，可以通过计算上述第一风险属性节点在某个取值下，第二风险属性节点的各个取值所对应的概率，实现对风险损失期望值的计算。

[0098] 在一个实施例中，在上述步骤S220之后，所述方法还可以包括：确定所述第一风险属性节点的第一取值；接收基于所述第一取值发出的对所述第二风险属性节点所对应风险损失的期望值的查看指令；基于所述查看指令，将所述第一风险属性节点的第一取值作为证据变量的变量值，基于所述贝叶斯拓展网络，确定所述第二风险属性节点的值域中各个取值对应的第一查询概率；基于与所述第二风险属性节点对应的风险损失取值规则，以及所述第一查询概率，计算并展示所述第二风险属性节点所对应风险损失的第一期望值。

[0099] 在一个具体的实施例中，其中确定所述第一风险属性节点的第一取值，可以包括：接收用户基于所述第一风险属性节点的值域设定的所述第一取值。在另一个具体的实施例中，还可以包括：获取与所述第一风险属性节点相关的采集数据，基于该采集数据和对应的节点取值规则，确定该第一风险属性节点的当前取值，作为上述第一取值。

[0100] 另一方面，进一步地，在一个具体的实施例中，还可以确定所述第一风险属性节点的第二取值（不同于第一取值），从而计算并展示所述第二风险属性节点所对应风险损失的第二期望值，进而体现第一风险属性节点的不同取值给第二风险属性节点的风险损失期望值带来的变化。

[0101] 根据一个例子，如图9所示，其中展示风险观点变量“O_培训是否合格”对风险事实变量“F_是否被处罚”带来的风险损失的影响，由图可知，在培训合格时，“F_是否被处罚”的风险损失期望值是1万元，而在培训不合格时，该风险损失期望值提高到100万元，由此可以帮助用户清楚地认知培训对于避免处罚或者降低处罚金额的重要性。

[0102] 以上，对计算风险损失期望值来评估风险属性节点之间的风险影响进行介绍。另一方面，还可以通过计算风险损失值对应的概率变化进行风险评估。在一个实施例中，假定第二风险属性节点的第二节点取值对应第二风险损失值，此时，可以通过分别计算第一风险属性节点的取值为上述第一取值和第二取值时，第二风险属性节点的取值为第二节点取值时的概率，对应得到第二风险属性节点所对应风险损失的取值为该第二风险损失值的概率。在一个具体的实施例中，假定风险事实变量“是否被处罚”的取值“是”对应的风险损失值为100万，此时，可以计算出风险观点变量“培训是否合格”的取值为“是”和“否”时，风险事实变量“是否被处罚”的取值为“是”的概率分别对应为0.02和0.3，由此可以得出风险评估结果：如果培训不合规，被处罚一百万的概率会从0.02增大到0.3。

[0103] 以上，通过设定与各个风险属性变量对应的风险损失取值规则，可以实现针对各个风险属性节点的风险损失计算，得到更加细粒度的风险损失评估结果，进而展示给用户。

[0104] 与上述数据展示方法相对应的，本说明书实施例还提供一种数据展示装置。具体地，图10示出本说明书实施例披露的针对服务方所面临特定风险的数据展示装置结构图，该数据展示装置可以实现为软件程序，如客户端插件、应用APP等，或者，可以实现为用户终端，如平板电脑、智能手机、可穿戴设备等。

[0105] 如图10所示，所述装置1000包括：

[0106] 接收单元1002，配置为接收针对上述特定风险的风险展示页面的打开指令。第一展示单元1004，配置为基于上述打开指令，呈现上述风险展示页面，其中展示预先构建的贝叶斯拓展网络中的有向无环图，上述有向无环图中包括对应于多个风险变量的多个风险节点，具体包括对应于多个风险属性变量的多个风险属性节点和对应于若干风险计算变量的若干风险计算节点，其中各个风险计算节点的值域与其父节点的值域之间具有对应的值域映射关系，上述有向无环图中还包括因节点之间存在依赖关系而形成的有向连接边。

[0107] 在一个实施例中，其中第一展示单元1004具体配置为：在其中各个风险节点周围的指定区域，展示对应风险变量的变量名称。

[0108] 在一个具体的实施例中，上述变量名称遵循基于多种变量类型制定的命名规则，上述多个变量类型包括与客观事实对应的事实类变量，以及与主观观点对应的观点类变量。

[0109] 在一个实施例中，上述装置1000还包括：第二展示单元1006，配置为响应于对上述多个风险节点中任意的第一风险节点的触发指令，在上述有向无环图中对经过上述第一风险节点的路径进行突出显示，和/或，在上述风险展示页面中以列表的形式，展示上述第一风险节点的父节点和子节点所对应的风险变量。

[0110] 在一个实施例中，上述装置1000还包括：第三展示单元1008，配置为响应于对上述多个风险节点中任意的第一风险节点的触发指令，在上述风险展示界面中，显示上述第一风险节点的值域所对应的取值概率，该取值概率基于针对上述第一风险节点采集的多个取值样本进行统计而得到。

[0111] 在一个实施例中，上述装置1000还包括：第四展示单元1010，配置为响应于对上述多个风险节点中任意的第一风险节点的触发指令，在上述风险展示界面中，显示表征上述第一风险节点的值域所对应取值概率的不确定性的概率分布，该概率分布基于针对上述第一风险节点采集的多个取值样本进行随机抽样和统计而得到。

[0112] 在一个实施例中，上述装置1000还包括：第五展示单元1012，配置为响应于对上述多个风险节点中任意的第一风险节点的触发指令，在上述风险展示界面中，显示上述第一风险节点对应的预设取值规则。

[0113] 在一个实施例中，上述装置1000还包括：第六展示单元1014，配置为响应于对上述多个风险节点中任意的第一风险节点的触发指令，在上述风险展示界面中，显示上述第一风险节点对应的条件概率表，该条件概率表量化表征上述第一风险节点与其父节点之间的依赖关系。

[0114] 在一个实施例中，上述装置1000还包括：第七展示单元1016，配置为响应于对上述多个风险属性节点中任意的第一风险属性节点的触发指令，在上述风险展示界面中，显示上述第一风险属性节点的当前取值，该当前取值的确定基于预设取值规则，以及上述服务方中用户的当前行为数据和/或服务方的当前运营数据。

[0115] 在一个具体的实施例中，上述特定风险为用户利用上述服务方提供的服务以实施特定行为的风险，上述服务方执行防控上述特定行为的防控流程，上述当前运营数据包括服务方执行上述防控流程产生的当前防控数据。

[0116] 在一个更具体的实施例中，上述特定行为包括洗钱行为或电子交易诈骗行为。

[0117] 在一个实施例中，上述装置还包括第八展示单元1018，配置为：接收基于上述第一风险属性节点发出的风险损失查看指令；基于上述风险损失查看指令，展示由于上述第一风险属性节点的取值为上述当前取值而造成的风险损失；其中，上述风险损失包括上述风险损失计算节点的计算值，其基于上述贝叶斯拓展网络而确定，上述贝叶斯网络还包括对上述依赖关系进行量化表征的条件概率表。

[0118] 在一个实施例中，所述多个风险属性节点中包括第一风险属性节点以及属于其子节点的第二风险属性节点；其中各个风险属性节点关联对应的风险损失取值规则，该风险损失取值规则中包括该各个风险属性节点的取值与风险损失的取值之间的对应关系。所述装置1000还包括：确定单元1020，配置为确定所述第一风险属性节点的第一取值。计算单元1022，配置为：接收基于所述第一取值发出的对所述第二风险属性节点所对应风险损失的期望值的查看指令；基于所述查看指令，将所述第一风险属性节点的第一取值作为证据变量的变量值，基于所述贝叶斯拓展网络，确定所述第二风险属性节点的值域中各个取值对应的查询概率；基于与所述第二风险属性节点对应的风险损失取值规则，以及所述查询概率，计算并展示所述第二风险属性节点所对应风险损失的期望值。

[0119] 在一个具体的实施例中，所述确定单元1020具体配置为：接收用户基于所述第一风险属性节点的值域设定的所述第一取值。

[0120] 综上，采用本说明书实施例披露的针对服务方所面临特定风险的数据展示装置，基于预先构建的贝叶斯拓展网络，可以实现对风险描述数据和评估数据进行全面、有效、直观地展示，从而为风险管控提供强有力的支持。

[0121] 根据另一方面的实施例，还提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行结合图2所描述的方法。

[0122] 根据再一方面的实施例，还提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现结合图2所描述的方法。

[0123] 本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。

[0124] 以上所述的具体实施方式，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方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。