[發明專利]基于機器學習的用戶風險分類方法、裝置、介質及設備

在審

• 申請號: 201811244552.1
• 申請日: 2018-10-24
• 公開（公告）號: CN109344906A
• 公開（公告）日: 2019-02-15
• 發明（設計）人: 于洋;馬寧
• 申請（專利權）人: 中國平安人壽保險股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 深圳市隆天聯鼎知識產權代理有限公司 44232
• 代理人: 劉抗美

本公開是關于一種基于機器學習的用戶風險分類方法、裝置及設備，屬于人工智能技術領域，該方法包括：首先獲取用戶未結合網絡行為的靜態特征數據和結合網絡行為的動態特征數據；然后，將上述兩種特征數據剔除目標剔除特征數據后輸入預先訓練的隨機森林模型后輸出用戶風險等級；其次，將上述兩種特征的數據中剔除目標剔除特征數據后的特征數據、以及隨機森林模型輸出的用戶風險等級輸入預先訓練的邏輯回歸模型后輸出用戶風險評分；最后，根據隨機森林模型輸出的用戶風險等級和邏輯回歸模型輸出的用戶風險評分，對用戶進行風險上的分類。本公開通過機器學習模型利用用戶靜態特征和動態特征數據對用戶風險進行分類，有效提高了風險分類的準確性。

技術領域

本公開涉及人工智能領域，具體而言，涉及一種基于機器學習的用戶風險分類方法、裝置、介質及設備。

背景技術

用戶風險是指用戶在某些環境下，某些時間內，由于外界因素或者用戶本身行為造成的內部因素帶來的可能會致使用戶產生損失的可能性；用戶風險的分類就是根據用戶的操作環境下的外界因素和內部因素對用戶風險按照產生風險的可能性進行評估。

現有的用戶評分體系基本上為基于用戶屬性的評分卡模型或者基于黑白名單分級，這樣基于未結合用戶網絡行為的靜態屬性信息的評估方式不利于評價擁有大體量用戶的平臺中用戶的風險，會造成評估的片面性和不準確性，因此需要基于用戶的行為數據加以補充，根據未結合用戶網絡行為的靜態特征數據與結合用戶網絡行為的動態特征數據來評價用戶的風險等級。更重要的是，現有方法中對用戶風險采用機器學習模型進行用戶風險分類時一般采用單一的機器學習模型，評估結果具有局限性，分類結果不夠準確，因此需要考慮多個機器學習模型的結合評估方式，結合多個機器學習模型的優點互相補充，從而得到更加準確地分析結果，不會造成用戶風險評估時的誤傷問題，采用隨機森林模型結合邏輯回歸模型對用戶進行風險評估既可以保證高的運算效率，高的模型結果精度，以及低的輸入數據加工成本，又可以低成本的高效率的將用戶風險特征加工成風險分數，綜合隨機森林模型和邏輯回歸模型的結果可以更加準確的進行用戶風險分類。

所以，通過隨機森林模型結合邏輯回歸模型根據用戶靜態特征數據和動態特征數據對用戶風險進行分類的體系具有極高的意義。

因此，需要提供一種新的基于機器學習的用戶風險分類方法及裝置。

需要說明的是，在上述背景技術部分公開的信息僅用于加強對本公開的背景的理解，因此可以包括不構成對本領域普通技術人員已知的現有技術的信息。

發明內容

本公開的目的在于提供一種基于機器學習的用戶風險分類方法、裝置、介質及設備，進而至少在一定程度上克服由于相關技術的限制和缺陷而導致的由于用戶特征數據不夠全面，分類模型單一造成的分類結果不準確的問題。

根據本公開的一個方面，提供一種用戶風險分類方法，包括：

獲取用戶靜態特征數據，所述用戶靜態特征數據表示在未結合用戶網絡行為的情況下表現出來的特征；

獲取用戶動態特征數據，所述用戶動態特征數據表示用戶的網絡行為表現出來的特征；

剔除用戶靜態特征數據和用戶動態特征數據中的目標剔除特征數據；

將剔除了目標剔除特征數據后的用戶靜態特征數據和用戶動態特征數據的特征數據輸入預先訓練的隨機森林模型，所述隨機森林模型輸出用戶風險等級；

將剔除了目標剔除特征數據后的用戶靜態特征數據和用戶動態特征數據的特征數據、以及隨機森林模型輸出的用戶風險等級，輸入預先訓練的邏輯回歸模型，由邏輯回歸模型輸出用戶風險評分；

根據隨機森林模型輸出的用戶風險等級和邏輯回歸模型輸出的用戶風險評分，對用戶進行風險上的分類。