[發(fā)明專利]授信額度預(yù)測方法、裝置、計(jì)算機(jī)設(shè)備、存儲介質(zhì)和產(chǎn)品

在審

• 申請?zhí)枺?/td>: 202211399831.1
• 申請日: 2022-11-09
• 公開（公告）號: CN115578186A
• 公開（公告）日: 2023-01-06
• 發(fā)明（設(shè)計(jì)）人: 程鵬;白佳樂;任政;閆明陽
• 申請（專利權(quán)）人: 中國工商銀行股份有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06Q10/04;G06N5/00;G06N20/20
• 代理公司: 華進(jìn)聯(lián)合專利商標(biāo)代理有限公司 44224
• 代理人: 張澤銘

1.一種授信額度預(yù)測方法，其特征在于，所述方法包括：

獲取用戶標(biāo)識的身份信息及歷史行為信息；所述歷史行為信息為與授信額度相關(guān)的信息；

將所述用戶標(biāo)識的身份信息及歷史行為信息輸入至預(yù)設(shè)預(yù)測模型中進(jìn)行授信額度預(yù)測，生成所述用戶標(biāo)識的授信額度預(yù)測結(jié)果；所述預(yù)設(shè)預(yù)測模型為基于XGBoost模型及深度森林模型進(jìn)行訓(xùn)練所得到的模型；

將所述用戶標(biāo)識的授信額度預(yù)測結(jié)果發(fā)送至所述用戶標(biāo)識。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法還包括：

獲取訓(xùn)練數(shù)據(jù)集；所述訓(xùn)練數(shù)據(jù)集中包括多個用戶標(biāo)識的身份信息及歷史行為信息；

將訓(xùn)練數(shù)據(jù)集輸入至初始預(yù)測模型中對所述初始預(yù)測模型的模型參數(shù)進(jìn)行訓(xùn)練，生成所述初始預(yù)測模型的目標(biāo)模型參數(shù)；所述初始預(yù)測模型為將初始深度森林模型中的隨機(jī)森林替換為XGBoost模型所得到的模型；

將所述初始預(yù)測模型的初始模型參數(shù)調(diào)整為所述目標(biāo)模型參數(shù)，生成所述預(yù)設(shè)預(yù)測模型。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述方法還包括：

構(gòu)建所述初始深度森林模型；所述初始深度森林模型包括n個依次連接的級聯(lián)層，所述級聯(lián)層中包括多個并列的隨機(jī)森林；其中，n為大于等于1的自然數(shù)；

針對所述初始深度森林模型中的各所述初始級聯(lián)層，將所述初始級聯(lián)層中的隨機(jī)森林替換為XGBoost模型，生成XGBoost級聯(lián)層；

基于n個依次連接的XGBoost級聯(lián)層，生成所述初始預(yù)測模型。

4.根據(jù)權(quán)利要求2或3所述的方法，其特征在于，所述將訓(xùn)練數(shù)據(jù)集輸入至初始預(yù)測模型中對所述初始預(yù)測模型的模型參數(shù)進(jìn)行訓(xùn)練，生成所述初始預(yù)測模型的目標(biāo)模型參數(shù)，包括：

從所述訓(xùn)練數(shù)據(jù)集中的多個用戶標(biāo)識的身份信息及歷史行為信息中，提取與各所述用戶標(biāo)識對應(yīng)的特征向量；

將各所述用戶標(biāo)識對應(yīng)的特征向量輸入至所述初始預(yù)測模型中進(jìn)行特征提取，生成所述用戶標(biāo)識對應(yīng)的目標(biāo)預(yù)測結(jié)果；所述目標(biāo)預(yù)測結(jié)果的預(yù)測準(zhǔn)確率滿足預(yù)設(shè)條件；

基于所述目標(biāo)預(yù)測結(jié)果對所述初始預(yù)測模型的初始模型參數(shù)進(jìn)行訓(xùn)練，生成所述初始預(yù)測模型的目標(biāo)模型參數(shù)。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述將各所述用戶標(biāo)識對應(yīng)的特征向量輸入至所述初始預(yù)測模型中進(jìn)行特征提取，生成與所述用戶標(biāo)識對應(yīng)的目標(biāo)預(yù)測結(jié)果，包括：

針對各所述用戶標(biāo)識對應(yīng)的特征向量，將所述用戶標(biāo)識對應(yīng)的特征向量輸入至所述初始預(yù)測模型中第一XGBoost級聯(lián)層的XGBoost模型中進(jìn)行特征提取，生成與所述第一XGBoost級聯(lián)層對應(yīng)的中間預(yù)測結(jié)果；

將所述第一XGBoost級聯(lián)層對應(yīng)的中間預(yù)測結(jié)果與所述用戶標(biāo)識對應(yīng)的特征向量進(jìn)行拼接，生成拼接結(jié)果；

將所述拼接結(jié)果作為所述用戶標(biāo)識對應(yīng)的新的特征向量，輸入至所述第一XGBoost級聯(lián)層的下一層XGBoost級聯(lián)層的XGBoost模型中進(jìn)行特征提取，生成與所述下一層XGBoost級聯(lián)層對應(yīng)的中間預(yù)測結(jié)果；直到所述中間預(yù)測結(jié)果的預(yù)測準(zhǔn)確率滿足預(yù)設(shè)條件，將所述中間預(yù)測結(jié)果作為所述目標(biāo)預(yù)測結(jié)果。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述訓(xùn)練數(shù)據(jù)集中還包括多個用戶標(biāo)識的授信額度實(shí)際結(jié)果；所述方法還包括：

采用k折交叉驗(yàn)證算法計(jì)算各所述XGBoost級聯(lián)層對應(yīng)的中間預(yù)測結(jié)果的預(yù)測準(zhǔn)確率，所述預(yù)測準(zhǔn)確率為各所述XGBoost級聯(lián)層對應(yīng)的中間預(yù)測結(jié)果相對于所述用戶標(biāo)識的授信額度實(shí)際結(jié)果的預(yù)測準(zhǔn)確率；

對比當(dāng)前XGBoost級聯(lián)層的所述預(yù)測準(zhǔn)確率與上一XGBoost級聯(lián)層的所述預(yù)測準(zhǔn)確率；

若所述當(dāng)前XGBoost級聯(lián)層的預(yù)測準(zhǔn)確率相對于所述上一XGBoost級聯(lián)層的預(yù)測準(zhǔn)確率的差值超過預(yù)設(shè)差值閾值，則繼續(xù)執(zhí)行生成與所述下一層XGBoost級聯(lián)層對應(yīng)的中間預(yù)測結(jié)果的步驟，直到所述當(dāng)前XGBoost級聯(lián)層的預(yù)測準(zhǔn)確率相對于所述上一XGBoost級聯(lián)層的預(yù)測準(zhǔn)確率的差值不超過預(yù)設(shè)差值閾值，則將所述中間預(yù)測結(jié)果作為所述目標(biāo)預(yù)測結(jié)果，并停止執(zhí)行生成與所述下一層XGBoost級聯(lián)層對應(yīng)的中間預(yù)測結(jié)果的步驟。