[發明專利]信用卡的風險預測方法、裝置、電子設備和存儲介質

在審

• 申請號: 202210082244.3
• 申請日: 2022-01-24
• 公開（公告）號: CN114565446A
• 公開（公告）日: 2022-05-31
• 發明（設計）人: 何免;郭磊;符國輝;何保健
• 申請（專利權）人: 同盾科技有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 杭州創智卓英知識產權代理事務所(普通合伙) 33324
• 代理人: 張迪

本申請涉及信用卡的風險預測方法、裝置、電子設備和存儲介質，屬于機器學習領域，本申請實施例通過第一GBDT模型預測第一結果，通過GraphSage模型預測第二結果，通過GraphSage模型和第二GBDT模型預測第三結果，然后進行結果的融合，不僅實現了多模型融合，而且，根據信用卡數據構造異構圖，通過異構圖數據充分表達群體屬性，通過節點的向量表達準確體現群體風險特征，使得第二結果和第三結果更為精準，因此，本申請實施例將第一結果、第二結果和第三結果進行融合，得到最終的預測結果，從整體上極大程度的提高了預測結果的準確性。

技術領域

本申請涉及機器學習技術領域，特別是信用卡的風險預測方法、裝置、電子設備和存儲介質。

背景技術

近年來，隨著經濟的繁榮發展和信用消費在年輕一代的普及，我國的信用卡發行量和交易量都在不斷增加，隨之而來的是信用卡的風險問題，因此，銀行需要對其信用卡的應用場景進行風險預測。

一方面，傳統的預測方式一般通過單一模型來進行風險的識別，由于單個模型原理簡單，利用到的有效數據信息較少，使得模型的預測結果準確率偏低；另一方面，在銀行信用卡風控場景下，風險特征往往具有群體屬性，而傳統的單一模型預測方式不能有效的表達群體風險特征，這會使得特征的表達有所欠缺，進一步影響最終預測結果的準確性。

發明內容

本申請實施例提供了一種信用卡的風險預測方法、裝置、電子設備和存儲介質，以至少解決相關技術中信用卡風險預測結果準確性低的問題。

第一方面，本申請實施例提供了一種信用卡的風險預測方法，包括：讀取信用卡的原始數據，對所述原始數據進行清洗，得到清洗后的數據；將所述清洗后的數據經過特征工程得到特征數據，將所述特征數據輸入預先訓練的第一 GBDT模型，輸出第一結果；根據所述清洗后的數據構造異構圖，得到異構圖數據，將所述異構圖數據通過GraphSage模型改造，得到節點的向量表達，將所述節點的向量表達輸入所述GraphSage模型的分類層，輸出第二結果；將所述特征數據和所述節點的向量表達進行拼接，將拼接后的特征輸入預先訓練的第二GBDT模型，輸出第三結果；將所述第一結果、所述第二結果和所述第三結果進行融合，得到預測結果。

在其中一些實施例中，所述將所述第一結果、所述第二結果和所述第三結果進行融合，得到預測結果包括：將所述第一結果、所述第二結果和所述第三結果輸入Stacking模型進行融合，輸出融合后的結果；將所述融合后的結果輸入預先訓練的Logistic回歸模型，輸出所述預測結果。

在其中一些實施例中，所述根據所述清洗后的數據構造異構圖，得到異構圖數據包括：依據Schema構造異構圖，得到節點數據和邊數據，其中，所述節點用于表示實體，所述邊用于表示實體間的關系。

在其中一些實施例中，所述將所述異構圖數據通過GraphSage模型改造，得到節點的向量表達包括：對各類型的實體，根據屬性特征進行歸一化的向量表征，并對鄰居節點進行采樣；將采樣數據按照實體類型進行分組，將分組結果通過所述GraphSage模型進行向量堆疊，形成矩陣；將所述矩陣輸入所述 GraphSage模型的全連接層，輸出所述節點的向量表達。

在其中一些實施例中，所述GraphSage模型的訓練方式如下：對各類型的實體，根據屬性特征進行歸一化的向量表征，并采樣鄰居節點，得到待聚合節點集合；對所述待聚合節點集合中相同類型的節點通過GraphSage模型的最大池化層進行聚合，得到聚合后的多個向量，對所述多個向量進行堆疊得到矩陣；將所述矩陣輸入所述GraphSage模型的全連接層，得到節點的向量表達；將所述節點的向量表達輸入所述GraphSage模型的分類層，輸出預測值；基于所述預測值和真實值計算損失，并更新參數，當損失收斂時，停止訓練。