[發(fā)明專利]風險業(yè)務(wù)檢測模型訓練方法、風險業(yè)務(wù)檢測方法及裝置

在審

• 申請?zhí)枺?/td>: 202110587815.4
• 申請日: 2021-05-27
• 公開（公告）號: CN113112352A
• 公開（公告）日: 2021-07-13
• 發(fā)明（設(shè)計）人: 周煊燁;武夢杰;薛宗義
• 申請（專利權(quán)）人: 中國工商銀行股份有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06K9/62
• 代理公司: 中科專利商標代理有限責任公司 11021
• 代理人: 吳夢圓

1.一種風險業(yè)務(wù)檢測模型的訓練方法，包括：

獲取訓練樣本數(shù)據(jù)集，其中，所述訓練樣本數(shù)據(jù)集包括歷史風險業(yè)務(wù)的特征數(shù)據(jù)；

對所述訓練樣本數(shù)據(jù)集中歷史風險業(yè)務(wù)的特征數(shù)據(jù)進行特征分析，得到特征分析結(jié)果；

確定與所述特征分析結(jié)果相匹配的多個候選風險業(yè)務(wù)檢測模型；以及

利用所述訓練樣本數(shù)據(jù)集分別訓練每個所述候選風險業(yè)務(wù)檢測模型，以便從訓練完成的多個所述候選風險業(yè)務(wù)檢測模型中確定風險業(yè)務(wù)檢測模型。

2.根據(jù)權(quán)利要求1所述的方法，其中，所述歷史風險業(yè)務(wù)包括貸款業(yè)務(wù)；

所述特征數(shù)據(jù)包括貸款人性別、貸款金額、逾期次數(shù)、貸款人月收入、貸款人分期情況、貸款人征信情況中的一種或多種。

3.根據(jù)權(quán)利要求1所述的方法，其中，所述利用所述訓練樣本數(shù)據(jù)集分別訓練所述多個候選風險業(yè)務(wù)檢測模型，以便確定風險業(yè)務(wù)檢測模型包括：

利用所述訓練樣本數(shù)據(jù)集訓練所述多個候選風險業(yè)務(wù)檢測模型，分別生成多個調(diào)參風險業(yè)務(wù)檢測模型，其中，所述多個調(diào)參風險業(yè)務(wù)檢測模型中的每個調(diào)參風險業(yè)務(wù)檢測模型均包括與其對應(yīng)的驗證結(jié)果，所述驗證結(jié)果表征所述調(diào)參風險業(yè)務(wù)檢測模型的檢測準確度；

根據(jù)所述驗證結(jié)果，從所述多個調(diào)參風險業(yè)務(wù)檢測模型中確定多個待測試風險業(yè)務(wù)檢測模型，其中，所述待測試風險業(yè)務(wù)檢測模型的數(shù)量小于等于所述調(diào)參風險業(yè)務(wù)檢測模型的數(shù)量；

對所述多個待測試風險業(yè)務(wù)檢測模型進行生產(chǎn)測試，以便從所述多個待測試風險業(yè)務(wù)檢測模型中確定風險業(yè)務(wù)檢測模型。

4.根據(jù)權(quán)利要求3所述的方法，其中，所述利用所述訓練樣本數(shù)據(jù)集訓練所述多個候選風險業(yè)務(wù)檢測模型，分別生成多個調(diào)參風險業(yè)務(wù)檢測模型包括：

將所述訓練樣本數(shù)據(jù)集劃分為訓練集和調(diào)參集；

利用所述訓練集訓練所述多個候選風險業(yè)務(wù)檢測模型，分別生成多個待調(diào)參風險業(yè)務(wù)檢測模型；

利用所述調(diào)參集對所述多個待調(diào)參風險業(yè)務(wù)檢測模型進行參數(shù)調(diào)整，分別生成多個調(diào)參風險業(yè)務(wù)檢測模型。

5.根據(jù)權(quán)利要求3所述的方法，其中，所述對所述多個待測試風險業(yè)務(wù)檢測模型進行生產(chǎn)測試，以便從所述多個待測試風險業(yè)務(wù)檢測模型中確定風險業(yè)務(wù)檢測模型包括：

獲取生產(chǎn)測試數(shù)據(jù)集；

將所述生產(chǎn)測試數(shù)據(jù)集輸入所述多個待測試風險業(yè)務(wù)檢測模型，分別輸出生產(chǎn)測試結(jié)果；

根據(jù)所述生產(chǎn)測試數(shù)據(jù)集，得到標準生產(chǎn)測試結(jié)果；

將所述多個待測試風險業(yè)務(wù)檢測模型中，生產(chǎn)測試結(jié)果與所述標準生產(chǎn)測試結(jié)果相匹配的待測試風險業(yè)務(wù)檢測模型確定為所述風險業(yè)務(wù)檢測模型。

6.根據(jù)權(quán)利要求3所述的方法，其中，所述候選風險業(yè)務(wù)檢測模型包括基于隨機森林算法的候選風險業(yè)務(wù)檢測模型；

所述利用所述訓練樣本數(shù)據(jù)集訓練所述多個候選風險業(yè)務(wù)檢測模型，分別生成多個調(diào)參風險業(yè)務(wù)檢測模型包括：

將所述訓練樣本數(shù)據(jù)集劃分為訓練集和調(diào)參集；

根據(jù)所述訓練集訓練出隨機森林，其中，所述隨機森林中的決策樹是根據(jù)所述訓練集中的特征數(shù)據(jù)構(gòu)建得到的；

利用所述調(diào)參集對所述隨機森林進行調(diào)參，生成調(diào)參隨機森林，其中，所述隨機森林中的每棵決策樹分別輸出調(diào)參結(jié)果；

通過投票方式確定多個調(diào)參結(jié)果中出現(xiàn)次數(shù)最多的調(diào)參結(jié)果，作為所述驗證結(jié)果。

7.根據(jù)權(quán)利要求1所述的方法，其中，所述候選風險業(yè)務(wù)檢測模型包括基于隨機森林算法的候選風險業(yè)務(wù)檢測模型、基于樸素貝葉斯算法的候選風險業(yè)務(wù)檢測模型、基于梯度提升決策樹算法的候選風險業(yè)務(wù)檢測模型中的任意之一。

8.一種風險業(yè)務(wù)檢測方法，包括：

獲取待測風險業(yè)務(wù)數(shù)據(jù)集；

將所述待測風險業(yè)務(wù)數(shù)據(jù)集輸入至所述風險業(yè)務(wù)檢測模型，輸出檢測結(jié)果，其中，所述風險業(yè)務(wù)檢測模型由權(quán)利要求1至7任一項所述的風險業(yè)務(wù)檢測模型的訓練方法訓練得到。