[發明專利]風險模型創制方法、裝置、計算機設備及可讀存儲介質

在審

• 申請號: 202011542725.5
• 申請日: 2020-12-23
• 公開（公告）號: CN112561538A
• 公開（公告）日: 2021-03-26
• 發明（設計）人: 季德志
• 申請（專利權）人: 平安銀行股份有限公司
• 主分類號: G06Q20/40
• 分類號: G06Q20/40;G06Q10/06;G06K9/62;G06N20/00
• 代理公司: 北京英特普羅知識產權代理有限公司 11015
• 代理人: 程超

1.一種風險模型創制方法，其特征在于，包括：

分別從白名單庫和黑名單庫中獲取報文；

識別所述報文中反映消費主體身份的主體字段，及反映所述消費主體的消費行為的行為字段，匯總具有同一主體字段的行為字段形成反映所述消費主體的消費行為的消費數據；

通過所述消費數據對預置的初始機器學習模型進行訓練，得到能夠對所述消費數據進行分類的成熟機器學習模型；

從所述成熟隨機森林中獲取特征重要度排序，將超過預置的影響權重的權重值所對應的影響特征設為風險特征，其中，所述特征排序中具有降序排列的權重值及其對應的影響特征；

根據所述風險特征構建風險模型并構建所述風險模型的輸入模板，將所述輸入模板發送至客戶端。

2.根據權利要求1所述的風險模型創制方法，其特征在于，所述識別所述報文中反映消費主體身份的主體字段，及反映所述消費主體的消費行為的行為字段，匯總具有同一主體字段的行為字段形成反映所述消費主體的消費行為的消費數據的步驟，包括：

拆分所述報文得到至少一個字段；

從所述至少一個字段中獲取反映消費主體身份的主體字段，及反映所述消費主體的消費行為的行為字段；

將所述主體字段和所述行為字段保存至預置的數據庫中，以所述主體字段為主鍵并以所述行為字段為鍵值，使所述主體字段和所述行為字段以鍵值對的形式關聯；

匯總主鍵相同的鍵值形成第一鍵值集合，對所述鍵值集合進行去重得到第二鍵值集合，計算所述第二鍵值集合中的鍵值在所述第一鍵值集合中出現的次數，并將所述次數與所述鍵值關聯，使所述第二鍵值集合形成所述主鍵的消費數據。

3.根據權利要求1所述的風險模型創制方法，其特征在于，所述通過所述消費數據對預置的初始機器學習模型進行訓練之前，所述方法還包括：

識別所述消費數據對應的報文的來源；若所述報文從所述白名單庫中獲得，則將所述消費數據的標題編輯為正常信息；若所述報文從所述黑名單庫中獲得，則將所述消費數據的標題編輯為違約信息。

4.根據權利要求1所述的風險模型創制方法，其特征在于，所述通過所述消費數據對預置的初始機器學習模型進行訓練之前，所述方法還包括：

將所述消費數據中的行為字段轉為數值型數據。

5.根據權利要求4所述的風險模型創制方法，其特征在于，所述將所述消費數據中的行為字段轉為數值型數據的步驟，包括：

調用行為字典，其定義了非數據值型數據和數值型數據之間的映射關系；

通過所述行為字典將所述消費數據中的非數值型數據轉為數值型數據。

6.根據權利要求1所述的風險模型創制方法，其特征在于，所述風險模型通過以下方法獲得：

提取風險特征的元數據，以所述元數據作為變量，以風險值作為計算值創制目標加權公式，并構建以所述目標加權公式為目標公式的風險模型；

所述目標加權公式如下：

M＝A*x+B*y+C*z

其中，A、B、C是權重參數；x，y，z是所述變量，M是風險值。

7.根據權利要求1所述的風險模型創制方法，其特征在于，所述將所述輸入模板發送至客戶端之后，所述方法還包括：

接收客戶端在所述輸入模板中錄入的待運算數據，調用所述風險模型對所述待運算數據進行計算得到風險評估值；判斷所述風險評估值是否超過預置的風險閾值；若是，則生成風險報文并將其發送至所述客戶端；若否，則生成正常報文并將其發送至所述客戶端；

所述生成風險報文并將其發送至所述客戶端之后，所述方法還包括：

將所述風險報文上傳至區塊鏈中。