一种模型训练的方法、业务风控的方法及装置与流程

1.本说明书涉及计算机技术领域，尤其涉及一种模型训练的方法、业务风控的方法及装置。


背景技术：

2.随着经济的快速发展，信用消费也越来越受关注，信用卡消费、个人汽车贷款、助学贷款、小额消费贷款等各种个人消费信用贷款日益增多。个人消费信用贷款需要各个信贷担保方具备较为完善的信贷风险管理体系，为此各个信贷担保方会使用预测模型来对用户办理的业务进行风险预测。
3.目前，通常是获取在设定时间内用户违约的黑样本，以及在设定时间内用户未违约的白样本。再根据用户在申请业务之前的业务数据，判断用户在业务办理完成后是否会违约，以此对预测模型进行训练。在信用贷款业务场景下，训练样本对应的时间长度一般较长，例如，六个月，一年等，导致符合时间要求的训练样本较少。因此，实际训练过程中能够用来训练的样本数量有限，可能导致预测模型确定出的预测结果的准确性较低。
4.因此，如何能够提高预测模型确定出的预测结果的准确性，则是一个亟待解决的问题。


技术实现要素：

5.本说明书提供一种模型训练的方法、业务风控的方法及装置，以部分的解决现有技术存在的上述问题。
6.本说明书采用下述技术方案：
7.本说明书提供了一种模型训练的方法，包括：
8.获取确定出的目标用户已执行设定业务的部分业务周期产生的业务数据；
9.将所述业务数据输入到预设的预测模型，以预测出所述目标用户执行所述设定业务的至少部分剩余业务周期对应的业务结果，针对每个业务周期，该业务周期对应的业务结果表示所述目标用户在该业务周期内是否履约执行所述设定业务；
10.根据所述业务结果，确定所述目标用户对应的标签信息，并按照所述标签信息，对所述目标用户在执行所述设定业务之前的用户相关数据进行标注，以生成训练样本；
11.将所述训练样本输入到待训练的风控模型中，以预测所述目标用户针对所述设定业务的风险识别结果，并以最小化所述风险识别结果与所述标签信息之间的偏差为优化目标，对所述风控模型进行训练。
12.可选地，所述设定业务涉及业务申请阶段；
13.确定目标用户，具体包括：
14.将位于所述业务申请阶段设置的指定申请期限内的用户，确定为目标用户。
15.可选地，所述设定业务还涉及业务执行阶段；
16.确定所述业务结果对应的标签信息之前，所述方法还包括：
17.将位于所述业务申请阶段设置的指定申请期限以外的用户，作为参照用户；
18.若根据所述参照用户在所述业务执行阶段对应的业务结果，确定在所述业务执行阶段内，存在所述参照用户未履约执行所述设定业务的业务周期，确定所述参照用户为黑样本；
19.若根据所述参照用户在所述业务执行阶段对应的业务结果，确定在所述业务执行阶段内，不存在所述参照用户未履约执行所述设定业务的业务周期，确定所述参照用户为白样本；
20.根据确定出的所述黑样本以及所述白样本，确定风险概率阈值；
21.确定所述业务结果对应的标签信息，具体包括：
22.根据所述风险概率阈值，以及所述业务结果对应的风险概率，确定所述目标用户对应的标签信息。
23.可选地，若根据所述参照用户在所述业务执行阶段对应的业务结果，确定在所述业务执行阶段内，不存在所述参照用户未履约执行所述设定业务的业务周期，确定所述参照用户为白样本，具体包括：
24.若根据所述参照用户在所述业务执行阶段对应的业务结果，确定在所述业务执行阶段内，不存在所述参照用户未履约执行所述设定业务的业务周期，且在所述业务执行阶段中，所述参照用户已执行所述设定业务的业务周期数超过设定周期数，确定所述参照用户为白样本。
25.可选地，根据确定出的所述黑样本以及所述白样本，确定风险概率阈值，具体包括：
26.根据所述黑样本以及所述白样本，对所述预测模型进行训练，得到训练后的预测模型；
27.将所述黑样本以及所述白样本输入到训练后的预测模型，以根据所述训练后的预测模型的输出结果，确定所述风险概率阈值。
28.可选地，所述训练样本包括黑样本和白样本；
29.按照所述标签信息，对所述目标用户在执行所述设定业务之前的用户相关数据进行标注，以生成训练样本，具体包括：
30.根据所述标签信息，确定所述目标用户中黑样本的样本数量，得到黑样本数量；
31.按照确定出的黑样本占比，以及所述黑样本数量，确定出白样本的样本数量，作为白样本数量；
32.根据所述标签信息，在各目标用户在执行所述设定业务之前的用户相关数据中，标注出符合所述白样本数量的白样本。
33.可选地，确定黑样本占比，具体包括：
34.确定标签为黑样本的参照用户，在所有参照用户中的用户占比，作为所述黑样本占比。
35.本说明书提供了一种业务风控的方法，包括：
36.接收用户针对所述设定业务的业务申请请求；
37.根据所述业务申请请求，确定所述用户的用户相关数据；
38.将所述用户相关数据输入到预先训练的风控模型中，以根据所述用户相关数据，
预测所述用户执行所述设定业务后的业务结果，所述业务结果用于表示所述用户是否会履约执行所述设定业务，所述风控模型是通过上述模型训练的方法训练得到的；
39.根据所述业务结果，对所述用户进行业务风控。
40.本说明书提供了一种模型训练的装置，包括：
41.获取模块，用于获取确定出的目标用户已执行设定业务的部分业务周期产生的业务数据；
42.预测模块，用于将所述业务数据输入到预设的预测模型，以预测出所述目标用户执行所述设定业务的至少部分剩余业务周期对应的业务结果，针对每个业务周期，该业务周期对应的业务结果表示所述目标用户在该业务周期内是否履约执行所述设定业务；
43.标注模块，用于根据所述业务结果，确定所述目标用户对应的标签信息，并按照所述标签信息，对所述目标用户在执行所述设定业务之前的用户相关数据进行标注，以生成训练样本；
44.训练模块，用于将所述训练样本输入到待训练的风控模型中，以预测所述目标用户针对所述设定业务的风险识别结果，并以最小化所述风险识别结果与所述标签信息之间的偏差为优化目标，对所述风控模型进行训练。
45.本说明书提供了一种业务风控的装置，包括：
46.接收模块，用于接收用户针对所述设定业务的业务申请请求；
47.确定模块，用于根据所述业务申请请求，确定所述用户的用户相关数据；
48.预测模块，用于将所述用户相关数据输入到预先训练的风控模型中，以根据所述用户相关数据，预测所述用户执行所述设定业务后的业务结果，所述业务结果用于表示所述用户是否会履约执行所述设定业务，所述风控模型是通过上述模型训练的方法训练得到的；
49.风控模块，用于根据所述业务结果，对所述用户进行业务风控。
50.本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述模型训练的方法以及业务风控的方法。
51.本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述模型训练的方法以及业务风控的方法。
52.本说明书采用的上述至少一个技术方案能够达到以下有益效果：
53.在本说明书提供的模型训练的方法以及业务风控的方法中。首先，获取确定出的目标用户已执行设定业务的部分业务周期产生的业务数据。其次，将业务数据输入到预设的预测模型，以预测出目标用户执行设定业务的至少部分剩余业务周期对应的业务结果，针对每个业务周期，该业务周期对应的业务结果表示目标用户在该业务周期内是否履约执行设定业务。而后，根据业务结果，确定目标用户对应的标签信息，并按照标签信息，对目标用户在执行设定业务之前的用户相关数据进行标注，以生成训练样本。最后，将训练样本输入到待训练的风控模型中，以预测目标用户针对设定业务的风险识别结果，并以最小化风险识别结果与标签信息之间的偏差为优化目标，对风控模型进行训练。
54.从上述方法中可以看出，本方法可以根据目标用户已执行设定业务的部分业务周期产生的业务数据，预测目标用户执行设定业务的至少部分剩余业务周期对应的业务结
果。也就是说，可以通过预设的预测模型，将不满足训练要求的训练样本中部分剩余业务周期的业务结果进行补全，并根据业务结果对目标用户在执行设定业务之前的用户相关数据进行标注，以生成训练样本，增加训练风控模型的训练样本的数量，提高风控模型的训练程度，从而提高通过风控模型确定出的风险识别结果的准确性。
附图说明
55.此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
56.图1为本说明书中一种模型训练的方法的流程示意图；
57.图2为本说明书实施例提供的一种预测模型的模型结构的示意图；
58.图3为本说明书中一种业务风控的方法的流程示意图；
59.图4为本说明书提供的一种模型训练的装置示意图；
60.图5为本说明书提供的一种业务风控的装置示意图；
61.图6为本说明书提供的一种对应于图1的电子设备的示意图。
具体实施方式
62.为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
63.以下结合附图，详细说明本说明书各实施例提供的技术方案。
64.图1为本说明书中一种模型训练的方法的流程示意图，包括以下步骤：
65.s100：获取确定出的目标用户已执行设定业务的部分业务周期产生的业务数据。
66.在本说明书实施例中，对预测模型进行训练的执行主体可以是服务器，也可以是诸如台式电脑等电子设备，为了便于描述，下面仅以服务器为执行主体，对本说明书提供的预测模型的训练方法进行说明。
67.在本说明书实施例中，服务器可以获取确定出的目标用户已执行设定业务的部分业务周期产生的业务数据。这里提到的设定业务可以是指需要对用户行为进行评估的业务，例如，需要评估用户是否会出现违规或违约的业务(贷款业务等)，需要评估用户消费能力的业务(信用租借业务、信用卡业务等)等。
68.业务数据包含用户在业务申请阶段对应的用户相关数据，以及用户在业务执行阶段对应的业务数据。用户在业务申请阶段对应的用户相关数据用于反映用户在申请业务之前的用户信息以及行为特征，例如，在信用贷款业务中，用户申请贷款时的用户信息(如婚姻状况、年龄、性别、职业、个人收入等)以及行为特征(最近几个月的消费数据)。而用户在业务执行阶段对应的业务数据用于反映用户在业务办理成功后，在业务执行阶段的行为特征，例如，在信用贷款业务中，用户贷款成功后的各个还款行为的数据(如最近几个月的最大逾期天数、最小逾期天数、贷款余额、逾期金额、提前还款次数、提款次数、提款总金额、提款金额占授信金额占比、借款利率、借款期限等)。
69.这里提到的业务周期可以是用于表征根据业务的实际需求确定出的周期，用户以此执行业务。该业务周期可以是预设的一段时间，本说明书对期限的时间长度没有限制，具体可以根据实际需求而定，例如：三个月、六个月、一年等。
70.在本说明书实施例中，设定业务涉及业务申请阶段以及业务执行阶段，服务器需要将位于业务申请阶段设置的指定申请期限内的用户，确定为目标用户。将位于业务申请阶段设置的指定申请期限以外的用户，作为参照用户。这里提到的业务申请阶段可以是指用户申请执行业务的阶段，指定申请期限可以是指用户从申请业务时刻起经过指定时间长度的期限，例如，用户从申请业务时刻起六个月。业务申请阶段与业务执行阶段在期限上可能存在部分重叠。服务器可以通过预测模型，预测目标用户未执行设定业务的剩余业务周期对应的业务结果，参照用户用于对待训练的预测模型进行训练。
71.s102：将所述业务数据输入到预设的预测模型，以预测出所述目标用户执行所述设定业务的至少部分剩余业务周期对应的业务结果，针对每个业务周期，该业务周期对应的业务结果表示所述目标用户在该业务周期内是否履约执行所述设定业务。
72.在实际应用中，服务器用于对风险模型进行训练的训练样本需要具有一定的业务数据，也就是说，训练样本中需要具有用户已执行设定业务的规定业务周期产生的业务数据，例如，六个月，一年等。由于时间长度较长，导致符合时间要求达到目标数据量的训练样本较少。因此，服务器可以通过预测模型，根据目标用户已执行设定业务的部分业务周期产生的业务数据，预测出目标用户执行设定业务的至少部分剩余业务周期对应的业务结果，以生成训练样本，增加满足要求的训练样本的数量。
73.在本说明书实施例中，服务器可以将业务数据输入到预设的预测模型，以预测出目标用户执行设定业务的至少部分剩余业务周期对应的业务结果。针对每个业务周期，该业务周期对应的业务结果表示目标用户在该业务周期内是否履约执行设定业务。例如，在信用贷款业务中，用户在各个时期是否违约(按时还款、逾期还款、未还款等)。
74.也就是说，若目标用户已执行设定业务的部分业务周期产生的业务数据，不满足设定的业务周期产生的业务数据的条件，服务器可以预测目标用户执行设定业务的至少部分剩余业务周期对应的业务结果，以使目标用户已执行设定业务的部分业务周期产生的业务数据，满足设定的业务周期产生的业务数据的条件。
75.例如，业务周期要求为六个月，服务器可以通过预测模型，根据仅有三个月的业务数据(已执行业务周期产生的业务数据)，预测接下来三个月(剩余业务周期)对应的业务结果，使得目标用户已执行设定业务的部分业务周期产生的业务数据到达时间要求，以用于风险模型的训练。
76.s104：根据所述业务结果，确定所述目标用户对应的标签信息，并按照所述标签信息，对所述目标用户在执行所述设定业务之前的用户相关数据进行标注，以生成训练样本。
77.在现有技术中，服务器在训练风控模型时，往往仅关注在设定时间内的标签信息，例如，服务器设定业务周期要求为六个月，若用户在六个月内履约执行设定业务，在第七个月为未履约执行设定业务，服务器在训练模型时仍将该用户的标签信息确定为白样本，而该用户与标签为黑样本的用户的相似度实际上明显大于该用户与标签为白样本的用户的相似度，这种确定用户标签的方法会干扰风控模型对黑样本的识别能力，并且降低风控模型对不同时期用户未履约执行设定业务的特征的识别能力。因此，服务器可以重新确定这
部分样本对应的标签信息，以提高通过风控模型确定出的风险识别结果的准确性。
78.在本说明书实施例中，若服务器根据参照用户在业务执行阶段对应的业务结果，确定在业务执行阶段内，存在参照用户未履约执行设定业务的业务周期，则可以确定该参照用户为黑样本。若根据参照用户在业务执行阶段对应的业务结果，确定在业务执行阶段内，不存在参照用户未履约执行设定业务的业务周期，则确定该参照用户为白样本。
79.也就是说，服务器确定参照用户的标签信息，需要根据参照用户在业务执行阶段对应的业务结果中所有业务周期的标签信息进行确定，若参照用户有一个业务周期的标签为黑样本，则该参照用户最终的标签为黑样本。上述提到的用户未履约执行设定业务可以是指用户未在设定时间内执行设定业务，例如，在信用贷款业务中，用户贷款后，在应还贷款日期未还款，则认为该用户未履约执行设定业务。再例如，在信用贷款业务中，业务逾期时间为一个月，用户贷款后，在应还贷款日期之后一个月未还款，则认为该用户未履约执行设定业务。
80.由于部分参照用户在申请业务成功后，可能出现不执行业务或较晚开始执行业务的情况发生，导致该部分参照用户业务申请阶段的时间长度达到指定申请期限，而已执行所述设定业务的业务周期数却未达到设定周期数，也就是说，可能会出现部分参照用户因业务执行阶段较短或未进行业务执行，而未出现违约情况，以此确定这部分参照用户为白样本。这部分参照用户实际上并不符合训练风控模型的白样本的要求，因此，服务器在确定白样本的过程中，需要确定参照用户中的已执行所述设定业务的业务周期数是否超过设定周期数。
81.服务器若根据参照用户在业务执行阶段对应的业务结果，确定在业务执行阶段内，不存在参照用户未履约执行设定业务的业务周期，且在业务执行阶段中，参照用户已执行设定业务的业务周期数超过设定周期数，则可以确定参照用户为白样本。例如，设定周期数为六个月，参照用户在业务执行阶段内履约执行设定业务，且业务执行阶段满六个月，则可以确定参照用户为白样本。
82.通过上述方法，服务器可以重新标注参照用户对应的标签信息，以提高预测模型对不同时期参照用户未履约执行设定业务的特征的识别能力，使得预测模型确定出的业务结果更加准确。
83.在本说明书实施例中，服务器可以根据黑样本以及白样本，对预测模型进行训练，得到训练后的预测模型。
84.具体的，服务器可以将参照用户对应的业务数据以及参照用户对应的标签信息输入到待训练的预测模型，根据参照用户执行设定业务的部分业务周期产生的业务数据，预测参照用户执行设定业务接下来的业务周期对应的业务结果，以最小化业务结果与参照用户对应的标签信息之间的偏差为优化目标，对预测模型进行训练。经过多轮的迭代训练，可以使偏差不断减小，并收敛在一个数值范围内，进而完成预测模型的训练。其中，参照用户对应的标签信息可以是参照用户执行设定业务对应的整体标签信息，例如，参照用户执行设定业务时，若有任意一个业务周期出现未履约执行设定业务，则参照用户对应的标签信息即为黑样本。参照用户对应的标签信息也可以是指在每个业务周期，参照用户执行设定业务对应的标签信息，例如，参照用户执行设定业务时，若第一个业务周期履约执行设定业务，则参照用户中第一个业务周期对应的标签信息为白样本，若第二个业务周期未履约执
行设定业务，则参照用户中第二个业务周期对应的标签信息为黑样本。
85.在实际应用中，服务器确定目标用户对应的标签是否为黑样本，往往是根据人为经验确定出的风险概率阈值来实现的，即，若服务器通过预测模型确定出的业务结果对应的风险概率大于风险概率阈值，则确定该目标用户对应的标签为黑样本，若业务结果对应的风险概率小于风险概率阈值，则确定该目标用户对应的标签为白样本。由于根据人的主观经验确定出的风险概率阈值可能并不符合业务的实际需求，因此，服务器可以根据参照用户对应的业务数据，确定出更符合业务逻辑的风险概率阈值，以提高预测模型确定出的业务结果的准确性。
86.在本说明书实施例中，服务器可以通过训练后的预测模型，根据确定出的黑样本以及白样本，确定风险概率阈值，再根据风险概率阈值，以及业务结果对应的风险概率，确定目标用户对应的标签信息。
87.在说明书实施例中，服务器确定出的风险概率阈值包括黑样本对应的黑样本阈值以及白样本对应的白样本阈值。
88.具体的，服务器确定风险概率阈值的方法可以有多种，例如，服务器可以将标签信息为黑样本的参照用户对应的业务数据输入到训练后的预测模型中，得到标签信息为黑样本的参照用户对应的业务结果对应的风险概率，再确定标签信息为黑样本的参照用户对应的业务结果对应的风险概率的均值，并将该均值，作为黑样本阈值。同样的，服务器可以根据上述方法将标签信息为白样本的参照用户对应的业务结果对应的风险概率的均值，作为白样本阈值。
89.再例如，服务器可以通过贝叶斯优化算法，根据贝叶斯优化函数以及参照用户对应的业务结果，确定出黑样本阈值以及白样本阈值。
90.在实际应用中，在训练样本中，黑样本在总量的训练样本中的占比基本固定不变，因此，服务器可以根据训练样本中黑样本的占比，来确定出目标用户中白样本的样本数量，再根据目标用户中白样本的样本数量，标注出目标用户中符合白样本数量的白样本。
91.在本说明书实施例中，训练样本包括黑样本和白样本，服务器可以根据标签信息，确定目标用户中黑样本的样本数量，得到黑样本数量。其次，按照确定出的黑样本占比，以及黑样本数量，确定出白样本的样本数量，作为白样本数量。最后，根据标签信息，在各目标用户在执行设定业务之前的用户相关数据中，标注出符合白样本数量的白样本。得到白样本数量的具体公式如下所示：
[0092][0093]
在上述公式中，w用于表示目标用户中白样本的样本数量，c用于表示目标用户中黑样本的样本数量，r用于表示参照用户中的黑样本占比。从上述公式中可以看出，服务器可以根据目标用户中黑样本的样本数量以及黑样本占比，确定目标用户中白样本的样本数量。这里提到的目标用户中黑样本的样本数量可以是在执行业务阶段，目标用户未履约执行设定业务的用户数量。
[0094]
需要说明的是，服务器可以确定标签为黑样本的参照用户，在所有参照用户中的用户占比，作为黑样本占比。
[0095]
其次，服务器可以将目标用户对应的业务数据输入到训练后预测模型，预测目标
用户执行设定业务的至少部分剩余业务周期对应的业务结果对应的风险概率。最后，根据风险概率以及白样本数量，确定白样本阈值。
[0096]
例如，若确定出标签信息为白样本的目标用户的数量为w，服务器可以将预测出的目标用户执行设定业务的至少部分剩余业务周期对应的业务结果对应的风险概率，对目标用户对应的风险概率从小到大依次进行排序，将排序位置为w的目标用户对应的风险概率，作为白样本阈值，并根据预测模型确定出的目标用户执行设定业务的至少部分剩余业务周期对应的业务结果，对目标用户进行标注。
[0097]
服务器还可以将目标用户执行设定业务的至少部分剩余业务周期对应的业务结果对应的风险概率转换成模型预测得分，对目标用户对应的模型预测得分从小到大依次进行排序，将排序位置为w的目标用户对应的模型预测得分，作为白样本阈值，并根据预测模型确定出的业务结果对目标用户进行标注。
[0098]
从上述方法中可以看出，服务器通过参照用户的业务数据训练预测模型，并根据参照用户的业务数据确定预测模型的黑样本阈值以及白样本阈值，再通过训练后预测模型，对目标用户在执行设定业务之前的用户相关数据进行标注，以生成训练样本。
[0099]
需要说明的是，预测模型可以有多种形式，例如，极端梯度增压模型(extreme gradient boosting,xgboost)、梯度提升决策树(gradient boosting decision tree，gbdt)等，本说明书不对预测模型进行具体的限定。
[0100]
在本说明书实施例中，服务器确定出黑样本阈值以及白样本阈值后，可以将目标用户对应的业务数据输入到训练后预测模型中，以确定目标用户执行设定业务的至少部分剩余业务周期对应的业务结果对应的风险概率，若风险概率大于黑样本阈值，标注目标用户为黑样本，若风险概率小于白样本阈值，标注目标用户为白样本。预测模型的模型结构如图2所示。
[0101]
图2为本说明书实施例提供的一种预测模型的模型结构的示意图。
[0102]
在图2中，服务器可以通过预测模型，根据用户是否位于业务申请阶段设置的指定申请期限内，将用户划分为目标用户以及参照用户。若用户为参照用户，服务器可以将未履约执行设定业务的参照用户标注为黑样本。再将履约执行设定业务的参照用户，且参照用户已执行设定业务的业务周期数超过设定周期数标注为白样本。并且，由于参照用户中已执行设定业务的业务周期数未超过设定周期数的业务数据量较少，不满足训练样本的业务数据量的要求，可能导致通过风控模型确定出的风控识别结果并不准确，因此，将参照用户中已执行设定业务的业务周期数未超过设定周期数的业务数据舍弃不用。
[0103]
服务器通过预测模型预测目标用户执行设定业务的至少部分剩余业务周期的业务结果对应的风险概率，将风险概率大于黑样本阈值的目标样本标注为黑样本，并将风险概率小于白样本阈值的目标样本标注为白样本。
[0104]
在本说明书实施例中，服务器可以根据业务结果，确定目标用户对应的标签信息，并按照标签信息，对目标用户在执行设定业务之前的用户相关数据进行标注，以生成训练样本。再根据训练样本，对待训练的风控模型进行训练。
[0105]
s106：将所述训练样本输入到待训练的风控模型中，以预测所述目标用户针对所述设定业务的风险识别结果，并以最小化所述风险识别结果与所述标签信息之间的偏差为优化目标，对所述风控模型进行训练。
[0106]
在本说明书实施例中，服务器可以将训练样本输入到待训练的风控模型中，以预测目标用户针对设定业务的风险识别结果，并以最小化风险识别结果与标签信息之间的偏差为优化目标，对风控模型进行训练。经过多轮的迭代训练，可以使偏差不断减小，并收敛在一个数值范围内，进而完成风控模型的训练。
[0107]
从上述过程中可以看出，本方法可以通过预测模型根据目标用户已执行设定业务的部分业务周期产生的业务数据，预测目标用户执行设定业务的至少部分剩余业务周期对应的业务结果。也就是说，可以通过预设的预测模型，将目标用户中剩余业务周期的业务结果进行补全，并根据业务结果对目标用户在执行设定业务之前的用户相关数据进行标注，以生成训练样本，增加训练风控模型的训练样本的数量，提高风控模型的训练程度。并且，本方法可以通过参照用户对应的业务数据，确定出更符合业务逻辑的用于区分黑样本以及白样本的阈值，以提高确定出的黑样本以及白样本的准确性，从而，提高风控模型确定出的风险识别结果的准确性。
[0108]
本说明书实施例在风控模型的训练完成后，可以通过风控模型对用户进行业务风控，具体过程如图3所示。
[0109]
图3为本说明书中一种业务风控的方法的流程示意图。
[0110]
s300：接收用户针对所述设定业务的业务申请请求。
[0111]
s302：根据所述业务申请请求，确定所述用户的用户相关数据。
[0112]
s304：将所述用户相关数据输入到预先训练的风控模型中，以根据所述用户相关数据，预测所述用户执行所述设定业务后的业务结果，所述业务结果用于表示所述用户是否会履约执行所述设定业务，所述风控模型是通过上述模型训练的方法训练得到的。
[0113]
s306：根据所述业务结果，对所述用户进行业务风控。
[0114]
在本说明书实施例中，服务器可以接收用户针对设定业务的业务申请请求，例如，若设定业务为贷款业务，服务器可以接收用户的贷款申请。再根据业务申请请求，确定用户的用户相关数据，例如，服务器确定用户申请贷款时的用户信息(如婚姻状况、年龄、性别、职业、个人收入等)以及行为特征(最近几个月的消费数据)。其次，将用户相关数据输入到预先训练的风控模型中，以根据用户相关数据，预测用户执行设定业务后的业务结果，业务结果用于表示用户是否会履约执行设定业务。最后，根据业务结果，对用户进行业务风控。
[0115]
从上述内容可以看出，服务器可以通过预测模型生成训练样本，增加训练风控模型的训练样本的数量，提高风控模型的训练程度，并且，通过参照用户对应的业务数据，确定出更符合业务逻辑的用于区分黑样本以及白样本的阈值，以提高确定出的黑样本以及白样本的准确性，从而，将通过这种方式训练后的风控模型应用到实际业务中，可以有效提高风险识别的准确性。
[0116]
以上为本说明书的一个或多个实施例提供的模型训练的方法，基于同样的思路，本说明书还提供了相应的模型训练的装置，如图4所示。
[0117]
图4为本说明书提供的一种模型训练的装置示意图，包括：
[0118]
获取模块400，用于获取确定出的目标用户已执行设定业务的部分业务周期产生的业务数据；
[0119]
预测模块402，用于将所述业务数据输入到预设的预测模型，以预测出所述目标用户执行所述设定业务的至少部分剩余业务周期对应的业务结果，针对每个业务周期，该业
务周期对应的业务结果表示所述目标用户在该业务周期内是否履约执行所述设定业务；
[0120]
标注模块404，用于根据所述业务结果，确定所述目标用户对应的标签信息，并按照所述标签信息，对所述目标用户在执行所述设定业务之前的用户相关数据进行标注，以生成训练样本；
[0121]
训练模块406，用于将所述训练样本输入到待训练的风控模型中，以预测所述目标用户针对所述设定业务的风险识别结果，并以最小化所述风险识别结果与所述标签信息之间的偏差为优化目标，对所述风控模型进行训练。
[0122]
可选地，所述获取模块400具体用于，所述设定业务涉及业务申请阶段，将位于所述业务申请阶段设置的指定申请期限内的用户，确定为目标用户。
[0123]
可选地，所述预测模块402具体用于，所述设定业务还涉及业务执行阶段，将位于所述业务申请阶段设置的指定申请期限以外的用户，作为参照用户，若根据所述参照用户在所述业务执行阶段对应的业务结果，确定在所述业务执行阶段内，存在所述参照用户未履约执行所述设定业务的业务周期，确定所述参照用户为黑样本，若根据所述参照用户在所述业务执行阶段对应的业务结果，确定在所述业务执行阶段内，不存在所述参照用户未履约执行所述设定业务的业务周期，确定所述参照用户为白样本，根据确定出的所述黑样本以及所述白样本，确定风险概率阈值，根据所述风险概率阈值，以及所述业务结果对应的风险概率，确定所述目标用户对应的标签信息。
[0124]
可选地，所述预测模块402具体用于，若根据所述参照用户在所述业务执行阶段对应的业务结果，确定在所述业务执行阶段内，不存在所述参照用户未履约执行所述设定业务的业务周期，且在所述业务执行阶段中，所述参照用户已执行所述设定业务的业务周期数超过设定周期数，确定所述参照用户为白样本。
[0125]
可选地，所述预测模块402具体用于，根据所述黑样本以及所述白样本，对所述预测模型进行训练，得到训练后的预测模型，将所述黑样本以及所述白样本输入到训练后的预测模型，以根据所述训练后的预测模型的输出结果，确定所述风险概率阈值。
[0126]
可选地，所述预测模块402具体用于，所述训练样本包括黑样本和白样本，根据所述标签信息，确定所述目标用户中黑样本的样本数量，得到黑样本数量，按照确定出的黑样本占比，以及所述黑样本数量，确定出白样本的样本数量，作为白样本数量，根据所述标签信息，在各目标用户在执行所述设定业务之前的用户相关数据中，标注出符合所述白样本数量的白样本。
[0127]
可选地，所述预测模块402具体用于，确定标签为黑样本的参照用户，在所有参照用户中的用户占比，作为所述黑样本占比。
[0128]
图5为本说明书提供的一种业务风控的装置示意图，包括：
[0129]
接收模块500，用于接收用户针对所述设定业务的业务申请请求；
[0130]
确定模块502，用于根据所述业务申请请求，确定所述用户的用户相关数据；
[0131]
预测模块504，用于将所述用户相关数据输入到预先训练的风控模型中，以根据所述用户相关数据，预测所述用户执行所述设定业务后的业务结果，所述业务结果用于表示所述用户是否会履约执行所述设定业务，所述风控模型是通过上述模型训练的方法训练得到的；
[0132]
风控模块506，用于根据所述业务结果，对所述用户进行业务风控。
[0133]
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的一种模型训练的方法以及业务风控的方法。
[0134]
本说明书还提供了图6所示的一种对应于图1的电子设备的示意结构图。如图6所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的模型训练的方法以及业务风控的方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
[0135]
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(programmable logic device,pld)(例如现场可编程门阵列(field programmable gate array，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardware description language，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advanced boolean expression language)、ahdl(altera hardware description language)、confluence、cupl(cornell university programming language)、hdcal、jhdl(java hardware description language)、lava、lola、myhdl、palasm、rhdl(ruby hardware description language)等，目前最普遍使用的是vhdl(very
‑
high
‑
speed integrated circuit hardware description language)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
[0136]
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(application specific integrated circuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc 625d、atmel at91sam、microchip pic18f26k20以及silicone labs c8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
[0137]
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
[0138]
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
[0139]
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
[0140]
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0141]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0142]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0143]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0144]
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
[0145]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd
‑
rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算
机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0146]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0147]
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
[0148]
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
[0149]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0150]
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。