[發明專利]一種賬戶監測方法、裝置、設備及存儲介質

在審

• 申請號: 202210487501.1
• 申請日: 2022-05-06
• 公開（公告）號: CN114926174A
• 公開（公告）日: 2022-08-19
• 發明（設計）人: 劉洋;馬瀅;李威
• 申請（專利權）人: 上海浦東發展銀行股份有限公司
• 主分類號: G06Q20/40
• 分類號: G06Q20/40;G06Q40/02;G06K9/62
• 代理公司: 北京品源專利代理有限公司 11332
• 代理人: 黃立偉

1.一種賬戶監測方法，其特征在于，包括：

獲取待監測賬戶數據；

將所述待監測賬戶數據輸入監測融合模型，得到所述待監測賬戶數據對應的目標賬戶異常概率和目標賬戶異常標簽，其中，所述監測融合模型包括：狀態類特征模型、產品類特征模型、事件類特征模型、衍生類特征模型、目標XGBoost模型和目標邏輯回歸模型，所述狀態類特征模型、產品類特征模型、事件類特征模型和衍生類特征模型通過第一數據樣本集迭代訓練目標模型集合得到，所述目標XGBoost模型通過所述第一數據樣本集迭代訓練XGBoost模型得到，目標邏輯回歸模型通過第二數據樣本集迭代訓練邏輯回歸模型得到，所述第一數據樣本集包括：第一狀態類特征數據、第一產品類特征數據、第一事件類特征數據和第一衍生類特征數據，所述第二數據樣本集包括：狀態類特征模型輸出的賬戶異常概率樣本和賬戶異常標簽樣本、產品類特征模型輸出的賬戶類型概率樣本和賬戶異常標簽樣本、事件類特征模型輸出的賬戶異常概率樣本和賬戶異常標簽樣本、衍生類特征模型輸出的賬戶異常概率樣本和賬戶異常標簽樣本以及目標XGBoost模型輸出的賬戶異常概率樣本和賬戶異常標簽樣本。

2.根據權利要求1所述的方法，其特征在于，將所述待監測賬戶數據輸入監測融合模型，得到所述待監測賬戶數據對應的目標賬戶異常概率和目標賬戶異常標簽，包括：

將所述待監測賬戶數據輸入狀態類特征模型得到第一賬戶異常概率和第一賬戶異常標簽；

將所述待監測賬戶數據輸入產品類特征模型得到第二賬戶異常概率和第二賬戶異常標簽；

將所述待監測賬戶數據輸入事件類特征模型得到第三賬戶異常概率和第三賬戶異常標簽；

將所述待監測賬戶數據輸入衍生類特征模型得到第四賬戶異常概率和第四賬戶異常標簽；

將所述待監測賬戶數據輸入目標XGBoost模型得到第五賬戶異常概率以及第五賬戶異常標簽；

將所述第一賬戶異常概率、第一賬戶異常標簽、第二賬戶異常概率、第二賬戶異常標簽、第三賬戶異常概率、第三賬戶異常標簽、第四賬戶異常概率、第四賬戶異常標簽、第五賬戶異常概率以及第五賬戶異常標簽輸入目標邏輯回歸模型，得到所述待監測賬戶數據對應的目標賬戶異常概率和目標賬戶異常標簽。

3.根據權利要求2所述的方法，其特征在于，在獲取待監測賬戶數據之前，還包括：

根據業務信息對歷史數據進行劃分，得到第一狀態類特征數據、第一產品類特征數據和第一事件類特征數據；

根據所述第一狀態類特征數據、第一產品類特征數據和第一事件類特征數據生成第一衍生類特征數據；

根據所述第一狀態類特征數據、第一產品類特征數據、第一事件類特征數據和第一衍生類特征數據對目標模型集合進行訓練，得到狀態類特征模型、產品類特征模型、事件類特征模型和衍生類特征模型。

4.根據權利要求3所述的方法，其特征在于，根據所述第一狀態類特征數據、第一產品類特征數據、第一事件類特征數據和第一衍生類特征數據對目標模型集合進行訓練，得到狀態類特征模型、產品類特征模型、事件類特征模型和衍生類特征模型，包括：

將所述第一狀態類特征數據、第一產品類特征數據、第一事件類特征數據和第一衍生類特征數據輸入第一模型集合，得到特征數據評分，其中，所述第一模型包括：XGBoost模型、CatBoost模型和Lgbm模型中的至少一個；

根據所述特征數據評分從所述第一狀態類特征數據、第一產品類特征數據、第一事件類特征數據和第一衍生類特征數據中篩選得到第二狀態類特征數據、第二產品類特征數據、第二事件類特征數據和第二衍生類特征數據；

根據所述第二狀態類特征數據、第二產品類特征數據、第二事件類特征數據和第二衍生類特征數據對目標模型集合進行訓練，得到第二模型集合，其中，所述目標模型集合包括：XGBoost模型、CatBoost模型和Lgbm模型中的至少一個，RF模型以及SVM模型；

根據所述第二模型集合中的模型對應的評估指標對所述第二模型集合中的模型進行篩選，得到狀態類特征模型、產品類特征模型、事件類特征模型和衍生類特征模型。