[發明專利]授信額度預測方法、裝置、計算機設備、存儲介質和產品

在審

• 申請號: 202211399831.1
• 申請日: 2022-11-09
• 公開（公告）號: CN115578186A
• 公開（公告）日: 2023-01-06
• 發明（設計）人: 程鵬;白佳樂;任政;閆明陽
• 申請（專利權）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: 華進聯合專利商標代理有限公司 44224
• 代理人: 張澤銘

本申請涉及一種授信額度預測方法、裝置、計算機設備、存儲介質和產品。方法包括：獲取用戶標識的身份信息及歷史行為信息；歷史行為信息為與授信額度相關的信息；將用戶標識的身份信息及歷史行為信息輸入至預設預測模型中進行授信額度預測，生成用戶標識的授信額度預測結果；預設預測模型為基于XGBoost模型及深度森林模型進行訓練所得到的模型；將用戶標識的授信額度預測結果發送至用戶標識。本申請基于XGBoost模型及深度森林模型進行訓練得到預設預測模型的模型，實現對深度森林模型的優化。從而，將用戶標識的身份信息及歷史行為信息輸入至預設預測模型中進行授信額度預測，就提高了所得到的授信額度預測結果的準確性。

技術領域

本申請涉及機器學習技術領域，特別是涉及一種授信額度預測方法、裝置、計算機設備、存儲介質和產品。

背景技術

隨著互聯網中金融技術的發展，信用卡等借貸類金融產品的規模越來越大，用戶可以很方便地從網上直接申請信用卡或直接還款。辦卡機構在批準用戶使用信用卡時，需要針對不同的用戶制定不同的、較為準確的信用卡使用額度。因此，辦卡機構在辦理信用卡業務時，準確預測用戶的信用卡使用額度對用戶和金融機構都至關重要。

當前進行信用卡授信額度預測的主要方法包括基于規則的預測方法和基于機器學習的預測方法。基于規則的預測方法完全依賴于專家的經驗進行規則設置，整個過程耗時耗力，使用起來較為麻煩。在采用基于機器學習的預測方法進行信用卡額度的預測時，預測過程比較便利。

然而，在采用傳統的基于機器學習的預測方法進行信用卡額度的預測時，準確性較低。

發明內容

基于此，有必要針對上述技術問題，提供一種能夠提高準確性的授信額度預測方法、裝置、計算機設備、存儲介質和產品。

第一方面，本申請提供了一種授信額度預測方法。所述方法包括：

獲取用戶標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的信息；

將所述用戶標識的身份信息及歷史行為信息輸入至預設預測模型中進行授信額度預測，生成所述用戶標識的授信額度預測結果；所述預設預測模型為基于XGBoost模型及深度森林模型進行訓練所得到的模型；

將所述用戶標識的授信額度預測結果發送至所述用戶標識。

在其中一個實施例中，所述方法還包括：

獲取訓練數據集；所述訓練數據集中包括多個用戶標識的身份信息及歷史行為信息；

將訓練數據集輸入至初始預測模型中對所述初始預測模型的模型參數進行訓練，生成所述初始預測模型的目標模型參數；所述初始預測模型為將初始深度森林模型中的隨機森林替換為XGBoost模型所得到的模型；

將所述初始預測模型的初始模型參數調整為所述目標模型參數，生成所述預設預測模型。

在其中一個實施例中，所述方法還包括：

構建所述初始深度森林模型；所述初始深度森林模型包括n個依次連接的級聯層，所述級聯層中包括多個并列的隨機森林；其中，n為大于等于1的自然數；

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

基于n個依次連接的XGBoost級聯層，生成所述初始預測模型。

在其中一個實施例中，所述將訓練數據集輸入至初始預測模型中對所述初始預測模型的模型參數進行訓練，生成所述初始預測模型的目標模型參數，包括：

從所述訓練數據集中的多個用戶標識的身份信息及歷史行為信息中，提取與各所述用戶標識對應的特征向量；