[發(fā)明專利]風(fēng)險(xiǎn)賬戶預(yù)測方法、裝置以及電子設(shè)備

在審

• 申請?zhí)枺?/td>: 202210908416.8
• 申請日: 2022-07-29
• 公開（公告）號(hào): CN115049484A
• 公開（公告）日: 2022-09-13
• 發(fā)明（設(shè)計(jì)）人: 周蕾
• 申請（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;G06Q40/04;G06N3/04;G06N3/08;G06K9/62
• 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: 董文倩

1.一種風(fēng)險(xiǎn)賬戶預(yù)測方法，其特征在于，包括：

獲取目標(biāo)賬戶數(shù)據(jù)，其中，所述賬戶數(shù)據(jù)包括與賬戶基本信息對(duì)應(yīng)的第一靜態(tài)數(shù)據(jù)，以及與賬戶行為特征對(duì)應(yīng)的第一動(dòng)態(tài)數(shù)據(jù)；

對(duì)所述第一靜態(tài)數(shù)據(jù)和所述第一動(dòng)態(tài)數(shù)據(jù)進(jìn)行特征提取處理，分別得到與所述第一靜態(tài)數(shù)據(jù)對(duì)應(yīng)的靜態(tài)特征集，以及與所述第一動(dòng)態(tài)數(shù)據(jù)對(duì)應(yīng)的動(dòng)態(tài)特征集；

確定多模型融合策略，其中，所述多模型融合策略是基于多種不同的算法模型構(gòu)建得到的；

根據(jù)所述靜態(tài)特征集和所述動(dòng)態(tài)特征集，采用所述多模型融合策略，得到風(fēng)險(xiǎn)賬戶預(yù)測結(jié)果，其中，所述風(fēng)險(xiǎn)賬戶預(yù)測結(jié)果包括從多個(gè)所述目標(biāo)賬戶中確定的風(fēng)險(xiǎn)賬戶。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對(duì)所述第一靜態(tài)數(shù)據(jù)和所述第一動(dòng)態(tài)數(shù)據(jù)進(jìn)行特征提取處理，分別得到與所述第一靜態(tài)數(shù)據(jù)對(duì)應(yīng)的靜態(tài)特征集，以及與所述第一動(dòng)態(tài)數(shù)據(jù)對(duì)應(yīng)的動(dòng)態(tài)特征集，包括：

獲取所述目標(biāo)賬戶數(shù)據(jù)對(duì)應(yīng)的正常賬戶數(shù)量以及風(fēng)險(xiǎn)賬戶數(shù)量；

判斷所述正常賬戶數(shù)量與所述風(fēng)險(xiǎn)賬戶數(shù)量的比例是否超過預(yù)設(shè)比例；

若所述正常賬戶數(shù)量與所述風(fēng)險(xiǎn)賬戶數(shù)量的比例未超過所述預(yù)設(shè)比例，則對(duì)所述第一靜態(tài)數(shù)據(jù)進(jìn)行第一預(yù)處理，得到與所述第一靜態(tài)數(shù)據(jù)對(duì)應(yīng)的第二靜態(tài)數(shù)據(jù)，以及對(duì)所述第一動(dòng)態(tài)數(shù)據(jù)進(jìn)行第二預(yù)處理，得到與所述第一動(dòng)態(tài)數(shù)據(jù)對(duì)應(yīng)的第二動(dòng)態(tài)數(shù)據(jù)；

對(duì)所述第二靜態(tài)數(shù)據(jù)進(jìn)行特征提取處理，得到所述靜態(tài)特征集，以及對(duì)所述第二動(dòng)態(tài)數(shù)據(jù)進(jìn)行特征提取處理，得到所述動(dòng)態(tài)特征集。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述對(duì)所述第二靜態(tài)數(shù)據(jù)進(jìn)行特征提取處理，得到所述靜態(tài)特征集，以及對(duì)所述第二動(dòng)態(tài)數(shù)據(jù)進(jìn)行特征提取處理，得到所述動(dòng)態(tài)特征集，包括：

對(duì)所述第二靜態(tài)數(shù)據(jù)進(jìn)行第一特征提取處理，得到第一靜態(tài)特征；對(duì)所述第二動(dòng)態(tài)數(shù)據(jù)進(jìn)行第二特征提取處理，得到第一動(dòng)態(tài)特征；

對(duì)所述第一靜態(tài)特征和所述第一動(dòng)態(tài)特征進(jìn)行類別字段量化處理，分別得到與所述第一靜態(tài)特征對(duì)應(yīng)的第二靜態(tài)特征，以及與所述第一動(dòng)態(tài)特征對(duì)應(yīng)的所述動(dòng)態(tài)特征集；

對(duì)所述第二靜態(tài)特征進(jìn)行特征篩選處理，得到所述靜態(tài)特征集。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述多模型融合策略包括：基層模型策略、二層模型策略以及三層模型策略，所述根據(jù)所述靜態(tài)特征集和所述動(dòng)態(tài)特征集，采用所述多模型融合策略，得到風(fēng)險(xiǎn)賬戶預(yù)測結(jié)果，包括：

基于所述靜態(tài)特征集，采用所述基層模型策略，得到第一訓(xùn)練集，其中，所述第一訓(xùn)練集包括：第一測試集和第一驗(yàn)證集；

基于所述動(dòng)態(tài)特征集，采用所述二層模型策略，得到第二訓(xùn)練集，其中，所述第二訓(xùn)練集包括：第二測試集和第二驗(yàn)證集；

對(duì)所述第一測試集和所述第二測試集進(jìn)行第一拼接處理，得到目標(biāo)測試集；

對(duì)所述第一驗(yàn)證集和所述第二驗(yàn)證集進(jìn)行第二拼接處理，得到目標(biāo)驗(yàn)證集；

基于所述目標(biāo)測試集和所述目標(biāo)驗(yàn)證集，采用所述三層模型策略，得到所述風(fēng)險(xiǎn)賬戶預(yù)測結(jié)果。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述確定多模型融合策略，包括：

基于預(yù)先設(shè)定的多種不同的訓(xùn)練模型，確定所述基層模型策略，其中，所述多種不同的訓(xùn)練模型包括以下至少之二：梯度提升決策樹算法、極度梯度提升樹算法、輕量級(jí)的高效梯度提升樹算法、隨機(jī)森林算法；

基于卷積神經(jīng)網(wǎng)絡(luò)模型，確定得到所述二層模型策略；

基于邏輯回歸模型，確定得到所述三層模型策略。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述基于所述靜態(tài)特征集，采用所述基層模型策略，得到第一訓(xùn)練集，包括：

采用所述多種不同的訓(xùn)練模型對(duì)所述靜態(tài)特征集進(jìn)行初級(jí)訓(xùn)練，得到初始訓(xùn)練集，其中，所述初始訓(xùn)練集包括：初始測試集和初始驗(yàn)證集，其中，所述多種不同的訓(xùn)練模型用于基于第一數(shù)據(jù)特征差異從不同的分類角度對(duì)所述靜態(tài)特征集進(jìn)行分類訓(xùn)練；

采用第一訓(xùn)練模型對(duì)所述初始訓(xùn)練集進(jìn)行次級(jí)訓(xùn)練，得到所述第一訓(xùn)練集，其中，所述第一訓(xùn)練模型用于基于第二數(shù)據(jù)特征差異對(duì)所述初始訓(xùn)練集進(jìn)行分類訓(xùn)練，所述第一訓(xùn)練模型包括以下任意之一：梯度提升決策樹算法、極度梯度提升樹算法、輕量級(jí)的高效梯度提升樹算法、隨機(jī)森林算法。