[發(fā)明專利]一種動態(tài)生成預(yù)警規(guī)則的方法和裝置

在審

• 申請?zhí)枺?/td>: 202010152203.8
• 申請日: 2020-03-06
• 公開（公告）號: CN111369344A
• 公開（公告）日: 2020-07-03
• 發(fā)明（設(shè)計）人: 林曉光;賴太平
• 申請（專利權(quán)）人: 中國建設(shè)銀行股份有限公司;建信金融科技有限責(zé)任公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06F16/215;G06F16/22;G06K9/62
• 代理公司: 中原信達知識產(chǎn)權(quán)代理有限責(zé)任公司 11219
• 代理人: 張一軍;李陽

本發(fā)明公開了動態(tài)生成預(yù)警規(guī)則的方法和裝置，涉及計算機技術(shù)領(lǐng)域。該方法的一具體實施方式包括通過用戶識別碼和債項識別碼獲取目標(biāo)數(shù)據(jù)，進而將所述目標(biāo)數(shù)據(jù)整合至目標(biāo)數(shù)據(jù)集中；將目標(biāo)數(shù)據(jù)集輸入至預(yù)設(shè)的預(yù)警模型中進行處理，進而轉(zhuǎn)換處理結(jié)果得到結(jié)果評分；基于預(yù)警的用戶評分閾值，提取結(jié)果評分對應(yīng)的目標(biāo)數(shù)據(jù)，進而計算目標(biāo)數(shù)據(jù)中各變量的貢獻度，以得到用于對用戶信息進行預(yù)警處理的預(yù)警規(guī)則。從而，本發(fā)明的實施方式能夠解決現(xiàn)有針對貸后客戶預(yù)警困難、效率低的問題。

技術(shù)領(lǐng)域

本發(fā)明涉及計算機技術(shù)領(lǐng)域，尤其涉及一種動態(tài)生成預(yù)警規(guī)則的方法和裝置。

背景技術(shù)

目前，貸款發(fā)放后，預(yù)警客戶何時轉(zhuǎn)為不良，因何轉(zhuǎn)為不良，一直以來是銀行重點關(guān)注并致力解決的問題。傳統(tǒng)的風(fēng)險預(yù)警管理模型更多基于專家規(guī)則模型，且主要是結(jié)構(gòu)性數(shù)據(jù)例如行業(yè)數(shù)據(jù)、經(jīng)營數(shù)據(jù)、結(jié)算數(shù)據(jù)等，且模型需要滿足監(jiān)管要求，保持一定的穩(wěn)定性。為了讓預(yù)警核查人員能夠精確判斷預(yù)警的原因，其模型還必須要有可解釋性。因而，在一定程度上受數(shù)據(jù)更新滯后以及數(shù)據(jù)維度較少(如缺少宏觀)和模型解釋性的影響，限制了模型特別是人工智能模型在銀行預(yù)警管理中的應(yīng)用。

在實現(xiàn)本發(fā)明過程中，發(fā)明人發(fā)現(xiàn)現(xiàn)有技術(shù)中至少存在如下問題：

對貸后的風(fēng)險預(yù)警需要盡可能全面的整合客戶貸后相關(guān)行為數(shù)據(jù)，從中找出與該客戶的貸后風(fēng)險管理最相關(guān)的特征，進而建立合適的模型，并根據(jù)模型組合生成預(yù)警規(guī)則。目前預(yù)警規(guī)則方法主要有兩類：根據(jù)專家經(jīng)驗將貸后信用風(fēng)險評估知識固化成規(guī)則來監(jiān)控客戶貸后風(fēng)險情況，以及利用單一邏輯回歸模型或者隨機森林模型對客戶進行行為評分，進而根據(jù)行為評分來進行預(yù)警。

可以看出，專家經(jīng)驗具有一定的主觀和局限性，所以經(jīng)驗規(guī)則無法全面衡量客戶的貸后行為情況，可能會使得潛在風(fēng)險客戶漏報警的情況。第二類方法在一定程度上解決了第一類方法的缺點，但是模型較為單一，且解釋性較差，一般無法準(zhǔn)確告知核查人員具體風(fēng)險的原因。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明實施例提供一種動態(tài)生成預(yù)警規(guī)則的方法和裝置，能夠解決現(xiàn)有針對貸后客戶預(yù)警困難、效率低的問題。

為實現(xiàn)上述目的，根據(jù)本發(fā)明實施例的一個方面，提供了一種動態(tài)生成預(yù)警規(guī)則的方法，包括通過用戶識別碼和債項識別碼獲取目標(biāo)數(shù)據(jù)，進而將所述目標(biāo)數(shù)據(jù)整合至目標(biāo)數(shù)據(jù)集中；將目標(biāo)數(shù)據(jù)集輸入至預(yù)設(shè)的預(yù)警模型中進行處理，進而轉(zhuǎn)換處理結(jié)果得到結(jié)果評分；基于預(yù)警的用戶評分閾值，提取結(jié)果評分對應(yīng)的目標(biāo)數(shù)據(jù)，進而計算目標(biāo)數(shù)據(jù)中各變量的貢獻度，以得到用于對用戶信息進行預(yù)警處理的預(yù)警規(guī)則。

可選地，通過用戶識別碼和債項識別碼獲取目標(biāo)數(shù)據(jù)，進而將所述目標(biāo)數(shù)據(jù)整合至目標(biāo)數(shù)據(jù)集中，包括：

通過用戶識別碼和債項識別碼將目標(biāo)數(shù)據(jù)整合成寬表數(shù)據(jù)，以進行清洗得到目標(biāo)數(shù)據(jù)集。

可選地，還包括：

對寬表數(shù)據(jù)進行校準(zhǔn)、合并、聯(lián)結(jié)以及缺失值的清洗處理。

可選地，包括：

利用預(yù)設(shè)的特征工程方法，將目標(biāo)數(shù)據(jù)集中的數(shù)據(jù)進行變量衍生，以將衍生后的目標(biāo)數(shù)據(jù)集輸入至預(yù)設(shè)的預(yù)警模型中進行處理。

可選地，利用預(yù)設(shè)的特征工程方法，將目標(biāo)數(shù)據(jù)集中的數(shù)據(jù)進行變量衍生，包括：

采用基于標(biāo)識類變量、離散型變量、連續(xù)性變量以及時間序列變量的衍生方法，對目標(biāo)數(shù)據(jù)集中的數(shù)據(jù)進行變量衍生。

可選地，還包括：

監(jiān)測基于當(dāng)前的預(yù)警規(guī)則，對用戶信息進行預(yù)警處理的虛警率；

當(dāng)所述的虛警率大于或等于預(yù)設(shè)的虛警率閾值時，則迭代更新預(yù)警模型以生成新的預(yù)警規(guī)則。

可選地，計算目標(biāo)數(shù)據(jù)中各變量的貢獻度，以得到用于對用戶信息進行預(yù)警處理的預(yù)警規(guī)則，包括：