[發明專利]預測模型訓練方法及裝置、預測方法及裝置

有效

• 申請號: 202010181153.6
• 申請日: 2020-03-16
• 公開（公告）號: CN111383028B
• 公開（公告）日: 2022-11-22
• 發明（設計）人: 陳靖;王震;方彥明;姚濱暉
• 申請（專利權）人: 支付寶（杭州）信息技術有限公司
• 主分類號: G06Q20/40
• 分類號: G06Q20/40;G06Q40/02
• 代理公司: 北京智信禾專利代理有限公司 11637
• 代理人: 李曉慶

1.一種預測模型訓練方法，包括：

獲取至少一個用戶的資源特征以及每個所述用戶的資源特征對應的目標概率值對第一預測模型進行訓練，得到所述第一預測模型，其中，所述資源特征包括交易特征、資產特征以及提現特征；

將每個所述用戶的資源特征輸入所述第一預測模型，獲得每個所述用戶的資源特征對應的預測概率值；

基于每個所述用戶的目標概率值以及預測概率值確定每個所述用戶對應的訓練概率值；

獲取每個所述用戶的信用特征，并基于每個所述用戶的信用特征以及每個所述用戶對應的訓練概率值對第二預測模型進行訓練，得到第二預測模型，其中，所述資源特征與所述信用特征來源于不同的資源平臺，且在應用模型做預測的過程中，將用戶的資源特征輸入所述第一預測模型得到第一概率值，將用戶的信用特征輸入所述第二預測模型得到第二概率值，基于所述第一概率值和所述第二概率值為用戶進行風險評估，所述信用特征包括征信特征、公積金特征以及貸款特征。

2.根據權利要求1所述的預測模型訓練方法，所述獲取至少一個用戶的資源特征包括：

根據第一資源平臺獲取至少一個用戶的資源特征。

3.根據權利要求1所述的預測模型訓練方法，所述基于每個所述用戶的目標概率值以及預測概率值確定每個所述用戶對應的訓練概率值包括：

將每個所述用戶的目標概率值減去預測概率值獲得的差值，確定為每個所述用戶對應的訓練概率值。

4.根據權利要求1所述的預測模型訓練方法，所述獲取每個所述用戶的信用特征包括：

根據第二資源平臺獲取每個所述用戶的信用特征。

5.根據權利要求1所述的預測模型訓練方法，每個所述用戶均攜帶有唯一標識；

相應的，所述基于每個所述用戶的信用特征以及每個所述用戶對應的訓練概率值對第二預測模型進行訓練，得到第二預測模型包括：

基于每個所述用戶的唯一標識確定每個所述用戶的信用特征以及每個所述用戶對應的訓練概率值；

根據每個所述用戶的信用特征以及每個所述用戶的信用特征對應的訓練概率值對第二預測模型進行訓練，得到第二預測模型，所述第二預測模型輸出每個所述用戶的信用特征對應的概率值。

6.根據權利要求1-5任意一項所述的預測模型訓練方法，所述第一預測模型和所述第二預測模型為相同類型的預測模型。

7.一種預測方法，包括：

獲取用戶的資源特征以及信用特征，其中，所述資源特征與所述信用特征來源于不同的資源平臺，所述資源特征包括交易特征、資產特征以及提現特征，所述信用特征包括征信特征、公積金特征以及貸款特征；

將所述用戶的資源特征輸入預先訓練的第一預測模型，獲得所述用戶的資源特征對應的第一概率值，以及將所述用戶的信用特征輸入預先訓練的第二預測模型，獲得所述用戶的信用特征對應的第二概率值；

基于所述第一概率值和所述第二概率值確定所述用戶的預測結果，并基于所述預測結果為所述用戶進行風險評估，其中，所述第一預測模型和所述第二預測模型為上述權利要求1-6任一項所述的第一預測模型和第二預測模型。

8.根據權利要求7所述的預測方法，所述獲取用戶的資源特征以及信用特征包括：

根據第一資源平臺獲取所述用戶的資源特征以及根據第二資源平臺獲取所述用戶的信用特征。

9.根據權利要求7所述的預測方法，所述基于所述第一概率值和所述第二概率值確定所述用戶的預測結果包括：

將所述第一概率值和所述第二概率值進行累加得到累加概率值，并將所述累加概率值作為所述用戶的預測結果。

10.根據權利要求9所述的預測方法，所述將所述累加概率值作為所述用戶的預測結果之后，還包括：

基于所述用戶的預測結果確定所述用戶是否為風險用戶。