[發明專利]風控模型建模、企業風險評估方法、裝置和存儲介質

在審

• 申請號: 201811445099.0
• 申請日: 2018-11-29
• 公開（公告）號: CN109657931A
• 公開（公告）日: 2019-04-19
• 發明（設計）人: 張翔;劉媛源;鄭子歐;于修銘;汪偉;肖京
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q40/00
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 王寧

本申請涉及一種風控模型建模方法、裝置、計算機設備和存儲介質，獲取正樣本數據集和負樣本數據集、驗證數據集，將驗證數據集、正樣本數據集和負樣本數據集輸入待訓練的機器學習模型進行訓練，直至滿足訓練條件后，獲得企業評分模型，將驗證數據集、正樣本數據集和負樣本數據集作為異常檢驗評分模型的樣本特征，獲得異常檢驗評分模型；將企業評分模型與異常檢驗評分模型結合，獲得風控模型，企業評分模型結合異常檢驗評分模型進行企業風險評分降低結果誤差，進一步提高了風控模型準確率和穩定性。

技術領域

本申請涉及互聯網技術領域，特別是涉及一種風控模型建模、企業風險評估方法、裝置、計算機設備和存儲介質。

背景技術

隨著互聯網技術的不斷發展，根據業務需要，需要對有意向成為合作關系的企業進行企業風險判斷，以免造成不必要的損失，由人工收集企業相關的信息轉換為利用互聯網技術收集數據，根據用戶經驗判斷企業風險改為風控模型進行企業風險評估。

目前風控建模一般使用傳統的機器學習方法，例如使用邏輯回歸模型建立評分卡。這種有監督學習方法是基于歷史數據的負樣本學習而來的，且需要較為均衡的已知標簽的正負樣本。正負樣本的需要相關的獲取途徑獲得，如：根據與客戶之間的交易過程中獲取，但在進行交易前，風控系統會基于對客戶的風險判斷，決定是否與該客戶交易，當該客戶為高危客戶時，會拒絕與該客戶交易，因為被拒絕的客戶了往往沒有了標簽，導致訓練樣本的分布與現實數據的分布有較大差異，因此導致建立的風控模型準確率和穩定性不高。

發明內容

基于此，有必要針對上述技術問題，提供一種提高風控模型準確率和穩定性的風控模型建模、企業風險評估方法、裝置、計算機設備和存儲介質。

一種風控模型建模方法，包括：

獲取正樣本數據集、負樣本數據集和驗證數據集；

將所述驗證數據集、所述正樣本數據集和所述負樣本數據集輸入待訓練的機器學習模型進行訓練，直至滿足訓練條件后，獲得企業評分模型；

將所述驗證數據集、所述正樣本數據集和所述負樣本數據集作為異常檢驗評分模型的樣本特征，獲得異常檢驗評分模型；

將所述企業評分模型與異常檢驗評分模型結合，獲得風控模型。

在其中一個實施例中，將所述驗證數據集、所述正樣本數據集與所述負樣本數據集輸入待訓練的機器學習模型進行訓練，直至滿足訓練條件后，獲得企業評分模型的步驟，包括：

將所述正樣本數據集與所述負樣本數據集輸入待訓練的機器學習模型；

所述待訓練的機器學習模型基于所述正樣本數據集與所述負樣本數據集，根據相應的數據特征向量，獲得訓練后的機器學習模型；

將所述驗證數據集輸入所述訓練后的機器學習模型進行評分，獲得企業風險評分；

當所述企業風險評分在預設范圍內，滿足訓練條件，獲得企業評分模型。

在其中一個實施例中，將所述驗證數據集、所述正樣本數據集和所述負樣本數據集作為異常檢驗評分模型的樣本特征，獲得異常檢驗評分模型的步驟，包括：

將所述驗證數據集、所述正樣本數據集和所述負樣本數據集作為異常檢驗評分模型的樣本特征進行特征提取，獲得各樣本特征的特征向量；

將各所述特征向量進行聚類，獲得各群簇；

根據各群簇的特征空間分布，確定出各群簇中貢獻最大的樣本特征；

將貢獻度最大的樣本特征作為風控模型的評估特征，獲得異常檢驗評分模型。

在其中一個實施例中，將所述企業評分模型與異常檢驗評分模型結合，獲得風控模型的步驟，包括：