[發明專利]行為數據分類方法、分類模型訓練方法及裝置

有效

• 申請號: 201711102854.0
• 申請日: 2017-11-10
• 公開（公告）號: CN109784351B
• 公開（公告）日: 2023-03-24
• 發明（設計）人: 車昱婧
• 申請（專利權）人: 財付通支付科技有限公司
• 主分類號: G06F18/24
• 分類號: G06F18/24;G06F18/214
• 代理公司: 北京三高永信知識產權代理有限責任公司 11138
• 代理人: 劉映東

1.一種行為數據分類方法，其特征在于，所述方法包括：

獲取目標用戶的行為數據，所述行為數據包括多個原始變量的特征值，所述多個原始變量包括所述目標用戶的信貸記錄、消費記錄、投資記錄以及理財記錄，所述多個原始變量的特征值包括所述多個原始變量的數額和期限；

將所述多個原始變量的特征值輸入分類模型，基于所述分類模型中的指定分類器以及所述指定分類器的特征值，獲取所述多個原始變量的至少一個衍生變量以及所述至少一個衍生變量的特征值；

在所述分類模型中基于所述多個原始變量的特征值、所述至少一個衍生變量的特征值，得到所述行為數據的類別，所述行為數據的類別包括逾期還款和不會逾期還款；

其中，所述分類模型為基于多個樣本用戶的多個樣本數據以及基于所述多個樣本數據的原始變量所得到的衍生變量訓練得到的模型，所述指定分類器為所述行為數據符合的分類條件所對應的分類器，所述分類模型中每個分類器的特征值基于第一比值和第二比值獲取，所述第一比值是指所述多個樣本數據中符合所述分類器對應的分類條件的負樣本數據的數量與所述多個樣本數據中負樣本數據的數量之間的比值，所述第二比值是指所述多個樣本數據中符合所述分類器對應的分類條件的正樣本數據的數量與所述多個樣本數據中正樣本數據的數量之間的比值。

2.根據權利要求1所述的方法，其特征在于，所述分類模型的訓練過程包括以下步驟：

獲取所述多個樣本數據，所述多個樣本數據包括多個原始變量的多個特征值；

對于所述多個樣本數據中的每個樣本數據，當所述樣本數據符合已訓練的多個分類器中的任一分類器對應的分類條件時，將所述分類器對應的類別作為所述樣本數據的衍生變量；

將所述分類器的特征值作為所述衍生變量的特征值，得到所述樣本數據的至少一個衍生變量的特征值，其中，所述分類器的特征值基于訓練所述分類器的正樣本數據的數量和負樣本數據的數量確定；

基于所述多個樣本數據的原始變量的特征值、類別和衍生變量的特征值進行訓練，得到所述分類模型。

3.一種分類模型訓練方法，其特征在于，所述方法包括：

獲取多個樣本用戶的多個樣本數據，所述多個樣本用戶的多個樣本數據包括多個原始變量的特征值和類別，所述多個原始變量包括所述樣本用戶的信貸記錄、消費記錄、投資記錄以及理財記錄，所述多個原始變量的特征值包括所述多個原始變量的數額和期限；

對于所述多個樣本數據中的每個樣本數據，當所述樣本數據符合已訓練的多個分類器中的任一分類器對應的分類條件時，將所述分類條件作為所述樣本數據的衍生變量；

將所述分類器的特征值作為所述衍生變量的特征值，得到所述樣本數據的至少一個衍生變量的特征值，其中，所述分類器的特征值基于第一比值和第二比值獲取，所述第一比值是指所述多個樣本數據中符合所述分類器對應的分類條件的負樣本數據的數量與所述多個樣本數據中負樣本數據的數量之間的比值，所述第二比值是指所述多個樣本數據中符合所述分類器對應的分類條件的正樣本數據的數量與所述多個樣本數據中正樣本數據的數量之間的比值；

基于所述多個樣本數據的原始變量的特征值、類別和衍生變量的特征值進行訓練，得到分類模型，所述分類模型用于對行為數據進行分類，所述行為數據的類別包括逾期還款和不會逾期還款。

4.根據權利要求3所述的方法，其特征在于，所述對于所述多個樣本數據中的每個樣本數據，當所述樣本數據符合已訓練的多個分類器中的任一分類器對應的分類條件時，將所述分類條件作為所述樣本數據的衍生變量之前，所述方法還包括：

基于所述多個樣本數據進行訓練，得到所述多個分類器；

對于所述多個分類器中的每個分類器，計算所述多個樣本數據中符合所述分類器的分類條件的負樣本數據的數量與所述多個樣本數據中負樣本數據的數量之間的比值，得到第一比值；

計算所述多個樣本數據中符合所述分類器的分類條件的正樣本數據的數量與所述多個樣本數據中正樣本數據的數量之間的比值，得到第二比值；

根據所述第一比值和所述第二比值，獲取所述分類器的特征值。