[發(fā)明專利]基于融合模型的用戶風(fēng)險預(yù)測方法、系統(tǒng)和計算機設(shè)備

有效

• 申請?zhí)枺?/td>: 202110473736.0
• 申請日: 2021-04-29
• 公開（公告）號: CN113298120B
• 公開（公告）日: 2023-08-01
• 發(fā)明（設(shè)計）人: 姜潤洲;丁楠;蘇綏綏
• 申請（專利權(quán)）人: 上海淇玥信息技術(shù)有限公司
• 主分類號: G06F18/25
• 分類號: G06F18/25;G06F18/214;G06Q10/0635;G06Q10/04
• 代理公司: 北京清誠知識產(chǎn)權(quán)代理有限公司 11691
• 代理人: 喬東峰

本發(fā)明提供了一種基于融合模型的用戶風(fēng)險預(yù)測方法、系統(tǒng)和計算機設(shè)備。該方法包括：獲取歷史用戶的資源使用表現(xiàn)數(shù)據(jù)、用戶風(fēng)險數(shù)據(jù)，并基于切分參數(shù)建立多個子訓(xùn)練數(shù)據(jù)集和子測試數(shù)據(jù)集；建立基于切分參數(shù)的多個基模型，并使用相應(yīng)子訓(xùn)練數(shù)據(jù)集訓(xùn)練對應(yīng)基模型，對多個基模型進行融合處理，得到初始融合模型；獲取待預(yù)測用戶的資源使用表現(xiàn)數(shù)據(jù)，確定與該預(yù)測用戶相對應(yīng)的基模型以及用于增量學(xué)習(xí)的訓(xùn)練數(shù)據(jù)集，進行二次融合處理，得到與待預(yù)測用戶相對應(yīng)的最終融合模型；使用最終融合模型，計算待預(yù)測用戶的風(fēng)險值，預(yù)測所述待預(yù)測用戶的資源使用狀態(tài)。本發(fā)明實現(xiàn)了更精確的用戶群分類，更精確預(yù)測了用戶的資源使用狀態(tài)，提高了模型精度。

技術(shù)領(lǐng)域

本發(fā)明涉及計算機信息處理領(lǐng)域，具體而言，涉及一種基于融合模型的用戶風(fēng)險預(yù)測方法、系統(tǒng)和計算機設(shè)備。

背景技術(shù)

風(fēng)險預(yù)測是對風(fēng)險的量化，是風(fēng)險管理的關(guān)鍵性技術(shù)。目前一般通過建模的方式進行風(fēng)險預(yù)測，在模型的建立過程中，主要有數(shù)據(jù)抽取、特征生成、特征選取、算法模型生成和合理性評估等步驟。

在現(xiàn)有技術(shù)中，金融風(fēng)險預(yù)測主要的目的是如何區(qū)分出好客戶和壞客戶，評估用戶的風(fēng)險情況，以降低信用風(fēng)險，并實現(xiàn)利潤最大化。此外，隨著數(shù)據(jù)的來源渠道越來越豐富，可以作為風(fēng)險特征變量的數(shù)據(jù)也越來越多。但是，例如用戶數(shù)據(jù)及其他相關(guān)數(shù)據(jù)等很多數(shù)據(jù)在使用時并未考慮時間因素引起的變化，由此，在使用上述數(shù)據(jù)進行模型計算時，導(dǎo)致模型計算值不夠準(zhǔn)確，甚至對于一些用戶的風(fēng)險評估的準(zhǔn)確性較低。由此，在模型精度提高或模型優(yōu)化、數(shù)據(jù)提取等方面仍存在很大改進空間。

因此，有必要提供一種新的用戶風(fēng)險預(yù)測方法，以進一步提高模型精度，并更精確地預(yù)測不同用戶的風(fēng)險情況。

發(fā)明內(nèi)容

鑒于上述問題，本發(fā)明提供了一種基于融合模型的用戶風(fēng)險預(yù)測方法，其用于對分配有資源的用戶在資源使用期間的資源使用狀態(tài)變更進行預(yù)測，包括：獲取歷史用戶的資源使用表現(xiàn)數(shù)據(jù)、用戶風(fēng)險數(shù)據(jù)，并基于切分參數(shù)建立多個子訓(xùn)練數(shù)據(jù)集和子測試數(shù)據(jù)集，所述歷史用戶為在資源使用期間發(fā)生了資源使用狀態(tài)變更的用戶群，所述資源使用表現(xiàn)數(shù)據(jù)包括使用狀態(tài)變更數(shù)據(jù)，所述切分參數(shù)為單維度或多維度；建立基于切分參數(shù)的多個基模型，并使用相應(yīng)子訓(xùn)練數(shù)據(jù)集訓(xùn)練對應(yīng)基模型，對所述多個基模型進行融合處理，得到初始融合模型；獲取待預(yù)測用戶的資源使用表現(xiàn)數(shù)據(jù)，確定與該預(yù)測用戶相對應(yīng)的基模型以及用于增量學(xué)習(xí)的訓(xùn)練數(shù)據(jù)集，在所述初始融合模型的基礎(chǔ)上二次融合處理，得到與待預(yù)測用戶相對應(yīng)的最終融合模型；使用所述最終融合模型，計算待預(yù)測用戶的風(fēng)險值，預(yù)測所述待預(yù)測用戶的資源使用狀態(tài)。

優(yōu)選地，所述切分參數(shù)包括時間參數(shù)和/或渠道參數(shù)，其中，該時間參數(shù)用于表征將用戶的資源使用總時間等間隔劃分的時間段，所述時間參數(shù)包括資源使用總時間、間隔時間，該資源使用總時間包括6個月、12個月和24個月，間隔時間包括十五天、三十天、六十天；該渠道參數(shù)用于表征用戶群的數(shù)據(jù)渠道，所述渠道參數(shù)包括渠道類型、渠道名稱、與渠道相關(guān)的用戶交易數(shù)據(jù)。

優(yōu)選地，所述對所述多個基模型進行融合處理，以得到初始融合模型包括：使用機器學(xué)習(xí)模型學(xué)習(xí)各基模型的資源使用表現(xiàn)數(shù)據(jù)與用戶風(fēng)險數(shù)據(jù)征數(shù)據(jù)的對應(yīng)關(guān)系、以及所述基模型之間的數(shù)據(jù)分布變化，得到與各基模型相對應(yīng)的初始權(quán)重系數(shù)，并擬合生成與初始融合模型相對應(yīng)的趨勢圖。

優(yōu)選地，所述獲取待預(yù)測用戶的資源使用表現(xiàn)數(shù)據(jù)，確定與該預(yù)測用戶相對應(yīng)的基模型以及用于增量學(xué)習(xí)的訓(xùn)練數(shù)據(jù)集包括：確定待預(yù)測用戶的時間特征數(shù)據(jù)，該時間特征數(shù)據(jù)包括資源使用總時間T、使用期數(shù)T1～Tn、當(dāng)前資源使用時間Tn，以及該待預(yù)測的資源使用時間Tn+t；使用所述初始融合模型的擬合趨勢圖，計算該預(yù)測用戶在資源使用時間Tn+t的用戶風(fēng)險計算值，選出與該用戶風(fēng)險計算值最接近的基模型，并確定資源使用時間為Tn所對應(yīng)的一個或多個子訓(xùn)練數(shù)據(jù)集作為增量學(xué)習(xí)的訓(xùn)練數(shù)據(jù)集，所述最接近的基模型為一個或多個。