[發明專利]業務風險預測方法、裝置、計算機設備與存儲介質

在審

• 申請號: 202210213135.0
• 申請日: 2022-03-04
• 公開（公告）號: CN114662570A
• 公開（公告）日: 2022-06-24
• 發明（設計）人: 陳尚志;朱祖恩;陳浩欣;魏曉聰;邱馥
• 申請（專利權）人: 中國建設銀行股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06F16/215;G06F16/25;G06Q40/02
• 代理公司: 華進聯合專利商標代理有限公司 44224
• 代理人: 黃恕

1.一種業務風險預測方法，其特征在于，所述方法包括：

獲取客戶信息數據以及業務在多個歷史時序的狀態信息數據；

將所述客戶信息數據以及所述狀態信息數據映射到低維稠密向量空間，得到嵌入特征向量，所述嵌入特征向量包括客戶特征向量以及狀態特征向量；

基于多頭注意力機制對所述狀態特征向量進行加權計算，得到關聯特征向量，所述關聯特征向量用于表征所述業務在所述歷史時序的狀態與未來狀態之間的關聯關系；

將所述關聯特征向量與所述客戶特征向量進行融合，得到融合后的特征向量；

將所述融合后的特征向量輸入至預設風險分類模型中進行識別，得到業務風險的預測結果。

2.根據權利要求1所述的方法，其特征在于，所述將所述客戶信息數據以及所述狀態信息數據映射到低維稠密向量空間，得到嵌入特征向量包括：

將所述客戶信息數據以及所述狀態信息數據進行預處理，得到預處理后的客戶信息數據以及狀態信息數據；

將所述預處理后的客戶信息數據以及狀態信息數據輸入至特征嵌入網絡中進行降維處理，得到嵌入特征向量。

3.根據權利要求2所述的方法，其特征在于，所述預處理包括：

數據清洗、時間排序、特征工程、異常數據識別、異常數據剔除、歸一化以及one-hot編碼中的至少一項。

4.根據權利要求1所述的方法，其特征在于，所述基于多頭注意力機制對所述狀態特征向量進行加權計算，得到關聯特征向量包括：

將所述狀態特征向量輸入至預設多頭注意力模型中進行自注意力運算，得到所述狀態特征向量對應的注意力分布；

將所述注意力分布進行歸一化處理，得到歸一化注意力分布序列；

將所述歸一化注意力分布序列輸入至前饋神經網絡中，得到關聯特征向量。

5.根據權利要求1所述的方法，其特征在于，所述將所述融合后的特征向量輸入至預設風險分類模型中進行識別，得到業務風險的預測結果之前，包括：

獲取預設樣本數據集，所述預設樣本數據集攜帶待分類數據特征向量以及待分類數據對應的真實分類結果；

將所述預設樣本數據集輸入至初始風險分類模型中進行分類，采用SoftMax函數得到分類結果；

根據所述分類結果以及所述真實分類結果采用交叉熵損失函數進行損失值計算，得到所述初始風險分類模型的損失值；

若所述損失值不小于預設分類損失值閾值，則調整所述初始風險分類模型中的損失值，得到調整后的初始風險分類模型；

將所述調整后的初始風險分類模型重新作為初始風險分類模型，返回所述將所述預設樣本數據集輸入至初始風險分類模型中進行分類，采用SoftMax函數得到分類結果的步驟，直至所述損失值小于預設分類損失值閾值，得到最新的初始風險分類模型；

將所述最新的初始風險分類模型作為預設風險分類模型。

6.根據權利要求1所述的方法，其特征在于，所述獲取客戶信息數據以及業務在多個歷史時序的狀態信息數據之后，還包括：

若所述狀態信息數據的數量不小于預設數據量閾值，則進入所述將所述客戶信息數據以及狀態信息數據映射到低維稠密向量空間的步驟；

若所述狀態信息數據的數量小于預設數據量閾值，則獲取與所述客戶信息數據相匹配的目標客戶信息數據；

將所述客戶信息數據與目標客戶信息數據進行數據轉換，得到客戶信息數據對應的特征向量以及目標客戶信息數據對應的目標特征向量；

根據相似度算法，得到所述特征向量與所述目標特征向量之間的相似度；

若所述相似度大于預設閾值，則獲取所述目標客戶的業務狀態信息數據；

根據所述業務狀態信息數據，得到業務風險的預測結果。