[發明專利]基于多機器學習模型并行的風控模型應用方法和系統

在審

• 申請號: 201711184294.8
• 申請日: 2017-11-23
• 公開（公告）號: CN107730154A
• 公開（公告）日: 2018-02-23
• 發明（設計）人: 蔣宏
• 申請（專利權）人: 安趣盈（上海）投資咨詢有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06
• 代理公司: 北京市漢坤律師事務所11602
• 代理人: 段志超

1.一種基于多機器學習模型并行的風控模型應用方法，包括線下風控模型應用方法，其中該線下風控模型應用方法包括

采集申請客群信息；

從上述信息中提取客戶畫像數據；

對上述畫像數據進行處理，計算風險相關指標；

對上述風險相關指標分別利用不同的特征選擇模型進行處理得到相應的單個模型特征排序；

對得到的相應單個模型特征排序進行綜合排序；

以及對綜合排序后的特征分別利用多個機器學習模型進行建模處理，評價各個機器學習模型的運行效果，篩選出排名靠前的若干機器學習模型。

2.如權利要求1所述的方法，所述綜合排序的方法為平均加權或根據特征選擇模型的選擇效果加權。

3.如權利要求1-2之一所述的方法，綜合排序后選擇排名靠前的若干特征作為綜合排序后保留的特征，送入所述機器學習模型進行建模處理。

4.如權利要求1-3之一所述的方法，評價各個機器學習模型的運行效果的方法為ROC曲線法或KS指標法。

5.如權利要求1-4之一所述的方法，申請客群信息為從申請流量信息中選取的代表性客戶群的相關信息。

6.如權利要求5所述，申請流量信息來源包括申請客戶提交的數據信息、爬蟲抓取的數據、以及通過互聯網數據接口獲取的信息。

7.如權利要求1-6之一所述的方法，特征選擇模型至少包括Xgboost模型、Randomforest模型、Lasso模型、GBDT模型、DecisionTree模型、和GeneticAlgorithms模型。

8.如權利要求1-7之一所述的方法，機器學習模型至少包括Xgboost模型、Neural network模型、SVM模型、LogisticRegression模型、AdaBoost模型、RandomForest模型和NaiveBayes模型。

9.一種基于多機器學習模型并行的風控模型應用方法，包括線上風控模型應用方法，其中該線上風控模型應用方法包括

采集申請客群信息；

從上述信息中提取客戶畫像數據；

對上述畫像數據進行處理，計算風險相關指標；

將如權利要求1-8之一所述的方法中篩選出的排名靠前的若干機器學習模型作為投入使用的線上機器學習模型；

將所述風險相關指標送入線上機器學習模型中相應的機器學習模型進行處理；

以及將處理結果作為是否授信的決策依據。

10.如權利要求9所述的方法，申請客群信息為從申請流量信息中選取的代表性客戶群的相關信息。

11.如權利要求9-10之一所述的方法，根據線上機器學習模型中各機器學習模型的排名高低分配申請流量到相應的機器學習模型，機器學習模型排名越高，分配的申請流量越多。

12.如權利要求11所述的方法，通過KS指標法對所述機器學習模型進行排名，根據各機器學習模型KS值的權重進行流量比例分配。

13.如權利要求9-12之一所述的方法，定期訓練線下機器學習模型并對線下風控模型中的各機器學習模型的運行效果進行評估，根據評估結果更新線上投入使用的機器學習模型。

14.如權利要求10-13之一所述，申請流量信息來源包括申請客戶提交的數據信息、爬蟲抓取的數據、以及通過互聯網數據接口獲取的信息。

15.一種基于多機器學習模型并行的風控模型應用系統，包括線下風控模型應用系統，其中該線下風控模型應用系統包括

數據采集模塊，其用于采集申請客群信息；

數據提取模塊，從申請客群信息中提取客戶畫像數據；

數據計算模塊，對上述畫像數據進行處理，計算風險相關指標；

特征選擇模塊，對上述風險相關指標分別利用不同的特征選擇模型進行處理得到相應的單個模型特征排序；

特征綜合排序模塊，對所得到的單個模型特征排序進行綜合排序；

線下機器學習并行模塊，利用多個機器學習模型對排序后的特征分別進行建模處理；

以及機器學習模型評價篩選模塊，評價各個機器學習模型的運行效果的優劣，篩選出排名靠前的若干機器學習模型。