风险画像模型构建方法、装置、电子设备及存储介质与流程

本发明涉及数据分析，尤其涉及一种风险画像模型构建方法、装置、电子设备及存储介质。

背景技术：

1、风险画像是对用户或客户的风险评估结果，例如：对客户贷款是否会逾期的评估结果。目前，风险画像的评估大多利用事先构建的风险画像模型进行评估，风险画像模型是基于大量的客户数据特征采用机器学习的方式构建的，例如：评分卡模型。评分卡模型是有监督学习中模型，传统的评分卡模型大多基于逻辑回归算法实现，运算速度快，可解释性强，但对于大规模的客户数据特征无法有效的利用与操作，客户数据特征的部分信息学习不到，即会存在信息丢失的现象，从而导致最终构建的风险画像模型对客户的风险预测准确度和可靠性低。

技术实现思路

1、本发明提供一种风险画像模型构建方法、装置、电子设备及存储介质，用以解决现有技术中的风险画像模型对客户的风险预测准确度和可靠性低的问题。

2、本发明提供一种风险画像模型构建方法，包括：

3、获取基础客户数据集，所述基础客户数据集包括：客户基本信息，所述客户基本信息包括：客户个人信息和还款信息；

4、基于所述还款信息中的历史还款记录确定客户的风险标签数据集；

5、对所述基础客户数据集进行数据特征衍生，得到目标客户数据集；

6、基于所述风险标签数据集和目标客户数据集训练至少两种树类子模型，以得到所述风险画像模型，所述风险画像模型的输出以至少两种所述树类子模型的输出按各自预设权重加权求和得到。

7、根据本发明提供的一种风险画像模型构建方法，基于所述还款信息中的历史还款记录确定客户的风险标签数据集，包括：

8、提取所述还款信息中的历史还款记录；

9、对历史还款记录中的每一个还款周期，若当前还款周期往后的n≥1个还款周期内出现过还款逾期行为，则将当前还款周期的标签置为真，否则置为假，从而确定客户的风险标签数据集，其中，n≥1。

10、根据本发明提供的一种风险画像模型构建方法，在基于所述风险标签数据集和目标客户数据训集练至少两种树类子模型之前，还包括：

11、采用无监督学习模型对所述目标客户数据训集进行特征衍生，以得到所述目标客户数据训集中每个客户数据项的异常指数，并将所述异常指数作为对应客户数据项的特征字段加入到所述目标客户数据训集中。

12、根据本发明提供的一种风险画像模型构建方法，所述无监督学习模型包括孤立森林模型。

13、根据本发明提供的一种风险画像模型构建方法，所述至少两种树类子模型为三种树类子模型，包括：随机森林子模型、lightgbm子模型和catboost子模型，且三个子模型的输出权重分别为0.25～0.32、0.33～0.42和0.33～0.42。

14、根据本发明提供的一种风险画像模型构建方法，所述基础客户数据集还包括：消费信用和互金信息，所述客户基本信息还包括：客户购买产品的产品工作数据。

15、根据本发明提供的一种风险画像模型构建方法，在基于所述风险标签数据集和目标客户数据集训练至少两种树类子模型之前，还包括：

16、对所述目标客户数据集中的所述消费信用和互金信息的数据特征进行降维。

17、本发明还提供一种风险画像模型构建装置，包括：

18、数据获取模块，用于获取基础客户数据集，所述基础客户数据集包括：客户基本信息，所述客户基本信息包括：客户个人信息和还款信息；

19、标签确定模块，用于基于所述还款信息中的历史还款记录确定客户的风险标签数据集；

20、特征衍生模块，用于对所述基础客户数据集进行数据特征衍生，得到目标客户数据集；

21、模型训练模块，用于基于所述风险标签数据集和目标客户数据集训练至少两种树类子模型，以得到所述风险画像模型，所述风险画像模型的输出以两种所述树类子模型的输出按各自预设权重加权求和得到。

22、本发明还提供一种电子设备，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计算机程序时实现如上述任一种所述的风险画像模型构建方法。

23、本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述的风险画像模型构建方法。

24、本发明提供的风险画像模型构建方法、装置、电子设备及存储介质，通过获取基础客户数据集，所述基础客户数据集包括：客户基本信息和还款信息；基于所述还款信息中的历史还款记录确定客户的风险标签数据集；对所述基础客户数据集进行数据特征衍生，得到目标客户数据集；基于所述风险标签数据集和目标客户数据集训练至少两种树类子模型，以得到所述风险画像模型，所述风险画像模型的输出以至少两种所述树类子模型的输出按各自预设权重加权求和得到。本发明中，由于对基础客户数据集进行数据特征衍生，得到表征客户更多特征的目标客户数据集，而且采用至少两种树类子模型构建风险画像模型，树类子模型相对于传统的以逻辑回归为基础的模型，在基于目标客户数据集学习训练时不存在信息丢失现象，使得训练完成的风险画像模型预测客户是否逾期的概率的准确度及可靠性更高。

技术特征：

1.一种风险画像模型构建方法，其特征在于，包括：

2.根据权利要求1所述的风险画像模型构建方法，其特征在于，基于所述还款信息中的历史还款记录确定客户的风险标签数据集，包括：

3.根据权利要求1所述的风险画像模型构建方法，其特征在于，在基于所述风险标签数据集和目标客户数据训集练至少两种树类子模型之前，还包括：

4.根据权利要求2所述的风险画像模型构建方法，其特征在于，所述无监督学习模型包括孤立森林模型。

5.根据权利要求1所述的风险画像模型构建方法，其特征在于，所述至少两种树类子模型为三种树类子模型，包括：随机森林子模型、lightgbm子模型和catboost子模型，且三个子模型的输出权重分别为0.25～0.32、0.33～0.42和0.33～0.42。

6.根据权利要求1至5中任一项所述的风险画像模型构建方法，其特征在于，所述基础客户数据集还包括：消费信用和互金信息，所述客户基本信息还包括：客户购买产品的产品工作数据。

7.根据权利要求6所述的风险画像模型构建方法，其特征在于，在基于所述风险标签数据集和目标客户数据集训练至少两种树类子模型之前，还包括：

8.一种风险画像模型构建装置，其特征在于，包括：

9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的风险画像模型构建方法。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的风险画像模型构建方法。

技术总结
本发明涉及数据分析技术领域，提供一种风险画像模型构建方法、装置、电子设备及存储介质，该方法包括：获取基础客户数据集，所述基础客户数据集包括：客户基本信息，所述客户基本信息包括：客户个人信息和还款信息；基于所述还款信息中的历史还款记录确定客户的风险标签数据集；对所述基础客户数据集进行数据特征衍生，得到目标客户数据集；基于所述风险标签数据集和目标客户数据集训练至少两种树类子模型，以得到所述风险画像模型，所述风险画像模型的输出以至少两种所述树类子模型的输出按各自预设权重加权求和得到。本发明的方法构建的风险画像模型预测准确度及可靠性更高。

技术研发人员：卢阳光,齐绪强,李亚文
受保护的技术使用者：三一重机有限公司
技术研发日：
技术公布日：2024/1/15