[發(fā)明專利]企業(yè)貸前風(fēng)險(xiǎn)的預(yù)測(cè)方法及裝置、存儲(chǔ)介質(zhì)和電子設(shè)備

在審

• 申請(qǐng)?zhí)枺?/td>: 202210163917.8
• 申請(qǐng)日: 2022-02-22
• 公開（公告）號(hào): CN114529403A
• 公開（公告）日: 2022-05-24
• 發(fā)明（設(shè)計(jì)）人: 賈小茹;孫少杰
• 申請(qǐng)（專利權(quán)）人: 中國工商銀行股份有限公司
• 主分類號(hào): G06Q40/02
• 分類號(hào): G06Q40/02;G06K9/62;G06Q10/04
• 代理公司: 北京康信知識(shí)產(chǎn)權(quán)代理有限責(zé)任公司 11240
• 代理人: 周春枚

本申請(qǐng)公開了一種企業(yè)貸前風(fēng)險(xiǎn)的預(yù)測(cè)方法及裝置、存儲(chǔ)介質(zhì)和電子設(shè)備，涉及人工智能領(lǐng)域。該方法包括：獲取測(cè)試樣本數(shù)據(jù)的原始特征；將測(cè)試樣本數(shù)據(jù)的原始特征輸入到DANN模型中的域分類器一中，得到測(cè)試樣本數(shù)據(jù)的目標(biāo)特征；將測(cè)試樣本數(shù)據(jù)的目標(biāo)特征輸入到TrAdaBoost模型中的原始預(yù)測(cè)分類器中，得到目標(biāo)預(yù)測(cè)分類器；依據(jù)目標(biāo)預(yù)測(cè)分類器，輸出目標(biāo)企業(yè)的貸前風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果。通過本申請(qǐng)，解決了相關(guān)技術(shù)中在目標(biāo)域中有少量帶標(biāo)簽的樣本數(shù)據(jù)，源域中有大量無標(biāo)簽的樣本數(shù)據(jù)的場(chǎng)景下，對(duì)企業(yè)的貸前風(fēng)險(xiǎn)預(yù)測(cè)的結(jié)果的準(zhǔn)確性較低，導(dǎo)致貸前風(fēng)險(xiǎn)控制效果較差的問題。

技術(shù)領(lǐng)域

本申請(qǐng)涉及人工智能領(lǐng)域，具體而言，涉及一種企業(yè)貸前風(fēng)險(xiǎn)的預(yù)測(cè)方法及裝置、存儲(chǔ)介質(zhì)和電子設(shè)備。

背景技術(shù)

在風(fēng)控領(lǐng)域中，基于企業(yè)的貸前風(fēng)控樣本較少，因此，目前相關(guān)技術(shù)中，在訓(xùn)練基于企業(yè)貸前風(fēng)控模型時(shí)，經(jīng)常會(huì)采用樣本采樣算法對(duì)樣本采樣或者采用遷移算法融合一些基于個(gè)人場(chǎng)景的樣本。而且，目前常用的遷移算法分為有標(biāo)簽和無標(biāo)簽類型，其中有監(jiān)督算法可采用TrAdaBoost算法給目標(biāo)域和源域賦予不同的樣本權(quán)重，再訓(xùn)練目標(biāo)域的分類器；無標(biāo)簽算法，如DANN，通過域判別器可得到適用于源域和目標(biāo)的特征層數(shù)據(jù)，再將源域的標(biāo)簽數(shù)據(jù)訓(xùn)練分類器用于目標(biāo)域上。另外，基于企業(yè)貸前風(fēng)控模型在有少量標(biāo)簽的情況下，采用遷移學(xué)習(xí)算法時(shí)，大多數(shù)是直接使用TrAdaBoost算法進(jìn)行模型訓(xùn)練。

但是，目前相關(guān)技術(shù)中存在以下缺點(diǎn)：基于企業(yè)的貸前風(fēng)控樣本數(shù)據(jù)較少，但基于個(gè)人的貸前風(fēng)控樣本豐富，且有較多的標(biāo)記數(shù)據(jù)，但是，由于兩者的數(shù)據(jù)分布有一定的差異，直接混合使用訓(xùn)練，往往效果較差。而使用TrAdaBoost算法，只是用了源域和目標(biāo)域的標(biāo)簽數(shù)據(jù)信息，而在目標(biāo)域標(biāo)簽很少的情況下，沒有特征提取層對(duì)源域的特征數(shù)據(jù)進(jìn)行映射，沒有充分使用源域的域類別信息，常常會(huì)使訓(xùn)練后的模型過擬合；此外，DANN算法通過域判別器可以很好的學(xué)習(xí)適用源域和目標(biāo)域的特征層，但由于DANN用于無標(biāo)簽情況，其標(biāo)簽預(yù)測(cè)部分沒有使用目標(biāo)域的標(biāo)簽，在目標(biāo)域有少量標(biāo)簽的情況下，會(huì)丟這部分信息，降低分類器的準(zhǔn)確性。

針對(duì)相關(guān)技術(shù)中在目標(biāo)域中有少量帶標(biāo)簽的樣本數(shù)據(jù)，源域中有大量無標(biāo)簽的樣本數(shù)據(jù)的場(chǎng)景下，對(duì)企業(yè)的貸前風(fēng)險(xiǎn)預(yù)測(cè)的結(jié)果的準(zhǔn)確性較低，導(dǎo)致貸前風(fēng)險(xiǎn)控制效果較差的問題，目前尚未提出有效的解決方案。

發(fā)明內(nèi)容

本申請(qǐng)的主要目的在于提供一種企業(yè)貸前風(fēng)險(xiǎn)的預(yù)測(cè)方法及裝置、存儲(chǔ)介質(zhì)和電子設(shè)備，以解決相關(guān)技術(shù)中在目標(biāo)域中有少量帶標(biāo)簽的樣本數(shù)據(jù)，源域中有大量無標(biāo)簽的樣本數(shù)據(jù)的場(chǎng)景下，對(duì)企業(yè)的貸前風(fēng)險(xiǎn)預(yù)測(cè)的結(jié)果的準(zhǔn)確性較低，導(dǎo)致貸前風(fēng)險(xiǎn)控制效果較差的問題。

為了實(shí)現(xiàn)上述目的，根據(jù)本申請(qǐng)的一個(gè)方面，提供了一種企業(yè)貸前風(fēng)險(xiǎn)的預(yù)測(cè)方法。該方法包括：獲取測(cè)試樣本數(shù)據(jù)的原始特征，其中，所述測(cè)試樣本數(shù)據(jù)為與目標(biāo)企業(yè)相關(guān)聯(lián)的目標(biāo)對(duì)象的貸前風(fēng)險(xiǎn)控制的樣本數(shù)據(jù)，所述原始特征中至少包括：所述測(cè)試樣本數(shù)據(jù)中的有標(biāo)簽的樣本數(shù)據(jù)的特征和所述測(cè)試樣本數(shù)據(jù)中的無標(biāo)簽的樣本數(shù)據(jù)的特征；將所述測(cè)試樣本數(shù)據(jù)的原始特征輸入到DANN模型中的域分類器一中，得到所述測(cè)試樣本數(shù)據(jù)的目標(biāo)特征；將所述測(cè)試樣本數(shù)據(jù)的目標(biāo)特征輸入到TrAdaBoost模型中的原始預(yù)測(cè)分類器中，得到目標(biāo)預(yù)測(cè)分類器；依據(jù)所述目標(biāo)預(yù)測(cè)分類器，輸出所述目標(biāo)企業(yè)的貸前風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果。

進(jìn)一步地，在將所述測(cè)試樣本數(shù)據(jù)的原始特征輸入到DANN模型中的域分類器一中，得到所述測(cè)試樣本數(shù)據(jù)的目標(biāo)特征之前，所述方法還包括：將所述測(cè)試樣本數(shù)據(jù)的原始特征輸入到所述DANN模型中的域分類器二中，得到所述測(cè)試樣本數(shù)據(jù)中的源域數(shù)據(jù)標(biāo)簽和所述測(cè)試樣本數(shù)據(jù)中的目標(biāo)域數(shù)據(jù)標(biāo)簽；在得到所述源域數(shù)據(jù)標(biāo)簽和所述目標(biāo)域數(shù)據(jù)標(biāo)簽之后，計(jì)算所述DANN模型中的目標(biāo)特征提取器的目標(biāo)函數(shù)一的梯度；根據(jù)所述目標(biāo)特征提取器的目標(biāo)函數(shù)一的梯度，確定所述DANN模型中的域分類器一。