一种风险评估方法、装置、设备以及介质与流程

本技术涉及金融科技领域，尤其涉及一种风险评估方法、装置、设备以及介质。

背景技术：

1、目前，在贷款、保险等金融行业中，已广泛使用风险评估手段对金融业务进行风险防控。相关技术中，可以通过决策树模型对金融业务进行风险评估。

2、在通过决策树模型这一技术手段进行风险评估的过程中，前期需要获取较为完整的评估数据方可对被评估人较为准确地进行风险评估。而在实际业务过程中，完整的评估数据的获取难度较高，导致决策树模型的风险评估结果并不准确。

技术实现思路

1、本技术实施例的主要目的在于提出一种风险评估方法、装置、设备以及介质，旨在提高风险评估的准确性。

2、为实现上述目的，本技术实施例的第一方面提出了一种风险评估方法，所述风险评估方法包括：

3、获取目标对象的对象特征数据；

4、将所述对象特征数据输入至预训练的风险评价模型，得到风险评价结果；

5、其中，所述风险评价模型通过如下步骤获得：

6、获取训练数据集，所述训练数据集包括多个样本对象对应的对象特征样本数据和所述样本对象对应的标签；

7、根据所述多个样本对象对应的对象特征样本数据和所述样本对象对应的标签进行多个决策树训练，得到多个决策树模型；

8、对多个所述决策树模型分别进行第一运行性分析，根据分析结果将多个所述决策树模型中的一个确定为所述风险评价模型并部署；

9、响应于预设运行过程检测条件，对所述风险评价模型进行第二运行性分析，当所述风险评价模型不满足预设部署要求，对多个候选决策树模型分别进行第二运行性分析，以将多个所述候选决策树模型中的一个重新确定为所述风险评价模型，所述候选决策树模型为当前所述风险评价模型以外的所述决策树模型。

10、在本技术一些可能的实施例，所述预设运行过程检测条件为预设监测表的检测条件，所述预设监测表用于存储所述风险评价结果和所述对象特征数据；所述预设部署要求通过预设准确率阈值表示；

11、在得到风险评价结果之后，所述方法还包括：

12、将所述风险评价结果和所述对象特征数据存储至所述预设监测表；

13、所述响应于预设运行过程检测条件，对所述风险评价模型进行第二运行性分析，当所述风险评价模型不满足预设部署要求，对多个候选决策树模型分别进行第二运行性分析，以将多个所述候选决策树模型中的一个重新确定为所述风险评价模型，包括：

14、响应于所述预设监测表的所述检测条件，根据所述预设监测表对所述风险评价模型进行预测结果准确性分析，得到分析结果；

15、当所述分析结果表示所述风险评价模型的准确率大于或等于所述预设准确率阈值，根据所述预设监测表对每个所述候选决策树模型分别进行运行数据判断，得到每个所述候选决策树模型对应的所述分析结果；

16、根据每个所述候选决策树模型对应的所述分析结果重新将多个所述候选决策树模型中的一个确定为所述风险评价模型。

17、在本技术一些可能的实施例，所述预设运行过程检测条件包括数据质量判断；所述预设部署要求通过模型标签表示；

18、所述响应于预设运行过程检测条件，对所述风险评价模型进行第二运行性分析，当所述风险评价模型不满足预设部署要求，对多个候选决策树模型分别进行第二运行性分析，以将多个所述候选决策树模型中的一个重新确定为所述风险评价模型，包括：

19、对所述对象特征数据进行数据质量判断，以确定所述对象特征数据对应的所述模型标签；

20、根据所述模型标签将多个所述决策树模型中的一个确定为目标决策树模型，当所述目标决策树模型与当前所述风险评价模型不同，将所述风险评价模型替换为所述目标决策树模型。

21、在本技术一些可能的实施例，所述对象特征数据包括基础特征数据和商业特征数据；

22、所述将所述对象特征数据输入至预训练的风险评价模型，得到风险评价结果，包括：

23、根据所述风险评价模型对所述基础特征数据进行疾病决策，得到所述目标对象的个人疾病风险评价结果；

24、根据所述个人疾病风险评价结果和所述基础特征数据进行违约风险决策，得到违约风险决策结果；

25、对所述商业特征数据进行数据缺失判断，当判断结果表示所述商业特征数据无法支持后续违约风险决策，根据所述违约风险决策结果确定所述风险评价结果。

26、在本技术一些可能的实施例，所述根据所述违约风险决策结果确定所述风险评价结果，包括：

27、根据所述预设监测表和所述训练数据集共同对所述违约风险决策结果进行概率分析，得到所述违约风险决策结果对应的风险概率；

28、根据所述风险概率进行评分映射，得到所述目标对象对应的风险评分，根据所述风险评分确定所述风险评价结果。

29、在本技术一些可能的实施例，在响应预设运行过程检测条件以重新确定所述风险评价模型之后，所述方法还包括：

30、响应于疾病统计数据更新，获取更新的所述疾病统计数据，以对多个疾病标签进行更新，根据更新后的所述疾病标签更新预设标签池，其中，所述疾病标签用于生成所述决策树模型的决策分支；所述预设标签池包括多个所述疾病标签，所述预设标签池用于存储所述疾病标签；

31、根据所述训练数据集和更新后的所述预设标签池对多个所述决策树模型进行重训练，以更新多个所述决策树模型。

32、在本技术一些可能的实施例，所述训练数据集包括训练集和验证集；

33、所述根据所述多个样本对象对应的对象特征样本数据和所述样本对象对应的标签进行多个决策树训练，得到多个决策树模型，包括：

34、根据所述训练集分别进行多个决策树训练，得到多个初始决策树模型；

35、根据所述验证集对多个所述初始决策树模型分别进行验证，以得到多个所述决策树模型；

36、对所述验证集进行特征缺失分类，得到多个分类集，其中，多个所述分类集与一一对应于多种数据缺失类别；

37、根据每个所述决策树模型对每个所述分类集对应的多个验证结果，对每个所述决策树模型设置对应的模型标签，其中，所述验证结果通过多个所述初始决策树模型中的一个对所述验证集中的一个；

38、所述对所述对象特征数据进行数据质量判断，以确定所述对象特征数据对应的模型标签，包括：

39、根据所述对象特征数据进行数据缺失类别判断，得到数据缺失类别信息；

40、根据所述数据缺失类别信息确定所述对象特征数据对应的所述模型标签。

41、为实现上述目的，本技术实施例的第二方面提出了一种风险评估装置，所述风险评估装置包括：

42、对象特征数据获取模块，用于获取目标对象的对象特征数据；

43、风险评价结果获取模块，用于将所述对象特征数据输入至预训练的风险评价模型，得到风险评价结果；其中，所述风险评价模型通过如下步骤训练获得：

44、获取训练数据集，所述训练数据集包括多个样本对象对应的对象特征样本数据和所述样本对象对应的标签；

45、根据所述多个样本对象对应的对象特征样本数据和所述样本对象对应的标签进行多个决策树训练，得到多个决策树模型；

46、对多个所述决策树模型分别进行第一运行性分析，根据分析结果将多个所述决策树模型中的一个确定为所述风险评价模型；

47、响应于预设部署过程检测条件，对所述风险评价模型进行第二运行性分析，当所述风险评价模型不满足预设部署要求，对多个候选决策树模型分别进行第二运行性分析，以将多个所述候选决策树模型中的一个重新确定为所述风险评价模型，所述候选决策树模型为当前所述风险评价模型以外的所述决策树模型。

48、为实现上述目的，本技术实施例的第三方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。

49、为实现上述目的，本技术实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读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第一方面所述的方法。

50、本技术提出的一种风险评估方法、装置、设备以及介质,方法包括：获取目标对象的对象特征数据；将所述对象特征数据输入至预训练的风险评价模型，得到风险评价结果；其中，所述风险评价模型通过如下步骤获得：获取训练数据集，所述训练数据集包括多个样本对象对应的对象特征样本数据和所述样本对象对应的标签；根据所述多个样本对象对应的对象特征样本数据和所述样本对象对应的标签进行多个决策树训练，得到多个决策树模型；对多个所述决策树模型分别进行第一运行性分析，根据分析结果将多个所述决策树模型中的一个确定为所述风险评价模型并部署；响应于预设运行过程检测条件，对所述风险评价模型进行第二运行性分析，当所述风险评价模型不满足预设部署要求，对多个候选决策树模型分别进行第二运行性分析，以将多个所述候选决策树模型中的一个重新确定为所述风险评价模型，所述候选决策树模型为当前所述风险评价模型以外的所述决策树模型。本技术实施例通过设置多个决策树模型并根据运行性分析确定在当前时期业务中，与评估数据收集情况匹配的风险评价模型并随时更新，降低了由于业务进行过程中个别数据缺失或者业务变动导致的系统性数据缺失对于风险评估准确率的影响，使得风险评价模型能过够匹配当前的业务情况，提高风险评估的准确率；并且由于风险评价模型能够从多个决策树模型中更换，使得风险评估过程能够适应同一业务的多种场景。