[發明專利]權益風控建模方法和裝置

在審

• 申請號: 202010618802.4
• 申請日: 2020-07-01
• 公開（公告）號: CN111652713A
• 公開（公告）日: 2020-09-11
• 發明（設計）人: 沈之芳;周寶琛;肖慧閔
• 申請（專利權）人: 中國銀行股份有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06K9/62
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 王天堯;吳學鋒

1.一種權益風控建模方法，其特征在于，包括：

獲取歷史數據信息和特征向量數據；所述特征向量數據隨時間進行更新；

對歷史數據信息進行處理，確定特征向量；

利用線性SVM算法對特征向量訓練，確定SVM分類模型和支持向量集；

利用SVM分類模型評估特征向量數據，確定風控評估準確率；

在風控評估準確率低于設定閾值時，根據設定時間間隔對特征向量數據加權，將加權后的特征向量數據和支持向量集作為訓練樣本，輸入到SVM分類模型進行迭代訓練，直至風控評估準確率達到設定閾值時停止迭代，確定權益風控模型。

2.如權利要求1所述的方法，其特征在于，獲取歷史數據信息，包括：從數據庫中獲取歷史權益活動過程中產生的歷史數據信息；其中，所述歷史數據信息包括：已識別的薅羊毛行為數據和已識別的正常獲取權益行為數據。

3.如權利要求1所述的方法，其特征在于，對歷史數據信息進行處理，確定特征向量，包括：

對歷史數據信息進行數據清洗轉換加載，抽取出多維數據；

對多維數據中的每一維數據轉化為均值為0、方差為1的值，確定特征向量。

4.如權利要求1所述的方法，其特征在于，利用線性SVM算法對特征向量訓練，確定SVM分類模型和支持向量集，包括：

利用線性SVM算法對特征向量進行劃分，確定超平面；所述超平面為特征向量中所有數據到超平面的距離最大的平面；

利用超平面對特征向量進行訓練，獲得SVM分類模型和支持向量集。

5.如權利要求4所述的方法，其特征在于，所述支持向量機在每次迭代更新時，剔除不影響SVM分類模型的樣本數據。

6.一種權益風控建模裝置，其特征在于，包括：

數據獲取模塊，用于獲取歷史數據信息和特征向量數據；所述特征向量數據隨時間進行更新；

特征向量確定模塊，用于對歷史數據信息進行處理，確定特征向量；

SVM分類模型和支持向量集確定模塊，用于利用線性SVM算法對特征向量訓練，確定SVM分類模型和支持向量集；

風控評估準確率確定模塊，用于利用SVM分類模型評估特征向量數據，確定風控評估準確率；

權益風控模型確定模塊，用于在風控評估準確率低于設定閾值時，根據設定時間間隔對特征向量數據加權，將加權后的特征向量數據和支持向量集作為訓練樣本，輸入到SVM分類模型進行迭代訓練，直至風控評估準確率達到設定閾值時停止迭代，確定權益風控模型。

7.如權利要求6所述的裝置，其特征在于，數據獲取模塊，具體用于：從數據庫中獲取歷史權益活動過程中產生的歷史數據信息；其中，所述歷史數據信息包括：已識別的薅羊毛行為數據和已識別的正常獲取權益行為數據。

8.如權利要求6所述的裝置，其特征在于，特征向量確定模塊，具體用于：

對歷史數據信息進行數據清洗轉換加載，抽取出多維數據；

對多維數據中的每一維數據轉化為均值為0、方差為1的值，確定特征向量。

9.如權利要求6所述的裝置，其特征在于，SVM分類模型和支持向量集確定模塊，具體用于：

利用線性SVM算法對特征向量進行劃分，確定超平面；所述超平面為特征向量中所有數據到超平面的距離最大的平面；

利用超平面對特征向量進行訓練，獲得SVM分類模型和支持向量集。

10.如權利要求9所述的裝置，其特征在于，所述支持向量機在每次迭代更新時，剔除不影響SVM分類模型的樣本數據。

11.一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述計算機程序時實現權利要求1至5任一項所述權益風控建模方法。

12.一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有執行實現權利要求1至5任一項所述權益風控建模方法的計算機程序。