基于风控模型的信息预测方法及系统与流程

本发明涉及人工智能，具体而言，涉及一种基于风控模型的信息预测方法及系统。

背景技术：

1、风险控制是诸多领域中的重要保障性手段。其中，在一些应用中，需要确定出风控信息对应的异常类型，如信用问题、还款能力问题、身份异常问题等，这些问题都需要进行判断，但是，在现有技术中，在进行相应的信息预测（估计、分析等操作，例如，可以基于人工智能技术实现，人工智能，artificial intelligence，简称ai，是利用数字计算机或者数字计算机控制的计算模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统）的过程中，存在着信息预测的可靠度不高的问题。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种基于风控模型的信息预测方法及系统，以在一定程度上提高风控中信息预测的可靠度。

2、为实现上述目的，本发明实施例采用如下技术方案：

3、一种基于风控模型的信息预测方法，包括：

4、提取到待分析用户的多个待处理用户风控数据，以及，将所述多个待处理用户风控数据进行异常分析操作，以在所述多个待处理用户风控数据中确定出对应的多个异常用户风控数据，每一个所述待处理用户风控数据属于对应的一个数据平台对所述待分析用户进行数据采集操作以形成；

5、分别将每一个所述异常用户风控数据进行数据分解操作，以形成每一个所述异常用户风控数据对应的至少一个代表分解数据单元，所述代表分解数据单元是指异常用户风控数据对应的各分解数据单元中的代表；

6、依据每一个所述异常用户风控数据对应的至少一个代表分解数据单元，将每一个所述异常用户风控数据进行异常维度匹配操作，以形成与每一个所述异常用户风控数据对应的异常分析维度；

7、对于每一个所述异常分析维度进行目标操作，该目标操作包括：确定出所述异常分析维度对应的每一个所述异常用户风控数据的代表分解数据单元；对单元重要度与预设重要度规则匹配的多个代表分解数据单元进行标记，以标记为多个第一代表分解数据单元，所述异常用户风控数据的多个特征挖掘坐标和所述多个第一代表分解数据单元具有一一相应的关系；依据所述多个第一代表分解数据单元，将所述异常分析维度对应的每一个所述异常用户风控数据进行特征挖掘操作，以输出所述异常用户风控数据的特征挖掘表征数据；

8、依据所述异常分析维度对应的每一个所述异常用户风控数据的特征挖掘表征数据，将所述异常分析维度对应的多个异常用户风控数据进行分类操作，形成所述异常分析维度对应的多个异常用户风控数据簇；

9、基于每一个所述异常用户风控数据簇对应的异常用户风控数据的代表分解数据单元，分析出每一个异常用户风控数据簇对应的异常类型信息。

10、在一些优选的实施例中，在上述基于风控模型的信息预测方法中，所述异常分析操作利用异常分析神经网络执行，所述异常分析神经网络加载到的数据包括所述待处理用户风控数据和配置到所述待处理用户风控数据的前面的初始异常表征数据，所述异常分析神经网络包括特征空间第一映射单元和异常分析单元；

11、所述提取到待分析用户的多个待处理用户风控数据，以及，将所述多个待处理用户风控数据进行异常分析操作，以在所述多个待处理用户风控数据中确定出对应的多个异常用户风控数据的步骤，包括：

12、提取到待分析用户的多个待处理用户风控数据；

13、对于每一个所述待处理用户风控数据，进行的操作包括：

14、利用所述特征空间第一映射单元，将所述待处理用户风控数据进行特征空间映射操作，以输出所述待处理用户风控数据中每一个数据最小粒度内容对应的空间映射特征表示；

15、利用所述特征空间第一映射单元，将所述初始异常表征数据进行特征空间映射操作，以输出所述初始异常表征数据对应的空间映射特征表示，所述初始异常表征数据不属于具有异常分析语义的内容；

16、依据每一个所述数据最小粒度内容对应的空间映射特征表示和所述初始异常表征数据对应的空间映射特征表示，组合形成映射特征表示有序集合，所述初始异常表征数据对应的空间映射特征表示分布在所述映射特征表示有序集合的第一个集合位置，多个所述数据最小粒度内容对应的空间映射特征表示在所述映射特征表示有序集合中的分布关系与多个所述数据最小粒度内容在所述待处理用户风控数据中的分布关系一致；

17、利用所述异常分析单元，将所述映射特征表示有序集合进行异常分析操作，以形成所述映射特征表示有序集合中每一个所述空间映射特征表示对应的异常性表征数据；

18、在所述初始异常表征数据对应的空间映射特征表示对应的异常性表征数据，反映出所述待处理用户风控数据属于异常用户风控数据的情况下，对所述待处理用户风控数据进行标记，以标记为异常用户风控数据。

19、在一些优选的实施例中，在上述基于风控模型的信息预测方法中，所述利用所述特征空间第一映射单元，将所述待处理用户风控数据进行特征空间映射操作，以输出所述待处理用户风控数据中每一个数据最小粒度内容对应的空间映射特征表示的步骤，包括：

20、对于每一个所述数据最小粒度内容，进行的操作包括：

21、确定出所述数据最小粒度内容的语义特征表示、所述数据最小粒度内容的坐标特征表示和所述数据最小粒度内容的分布关系特征表示；

22、对所述数据最小粒度内容的语义特征表示、所述数据最小粒度内容的坐标特征表示和所述数据最小粒度内容的分布关系特征表示进行聚合操作，以形成所述数据最小粒度内容对应的空间映射特征表示。

23、在一些优选的实施例中，在上述基于风控模型的信息预测方法中，所述分别将每一个所述异常用户风控数据进行数据分解操作，以形成每一个所述异常用户风控数据对应的至少一个代表分解数据单元的步骤，包括：

24、对于每一个所述异常用户风控数据，进行的操作包括：

25、将所述异常用户风控数据的每一个数据最小粒度内容进行内容估计操作，以输出每一个所述数据最小粒度内容的内容估计数据，所述内容估计数据包括代表分解数据单元的前端的数据最小粒度内容、代表分解数据单元的中心的数据最小粒度内容、代表分解数据单元的尾端的数据最小粒度内容和/或代表分解数据单元的冗余的数据最小粒度内容；

26、依据所述异常用户风控数据的每一个所述数据最小粒度内容的内容估计数据，分析出所述异常用户风控数据对应的至少一个代表分解数据单元。

27、在一些优选的实施例中，在上述基于风控模型的信息预测方法中，所述内容估计操作利用内容估计神经网络执行，所述内容估计神经网络包括特征空间第二映射单元和内容估计单元；

28、所述将所述异常用户风控数据的每一个数据最小粒度内容进行内容估计操作，以输出每一个所述数据最小粒度内容的内容估计数据的步骤，包括：

29、对于每一个所述异常用户风控数据，进行的操作包括：

30、利用所述特征空间第二映射单元，将所述异常用户风控数据进行特征空间映射操作，以输出所述异常用户风控数据中每一个数据最小粒度内容对应的空间映射特征表示；

31、利用所述内容估计单元，将每一个所述空间映射特征表示进行内容估计操作，以输出每一个所述空间映射特征表示对应的内容估计数据。

32、在一些优选的实施例中，在上述基于风控模型的信息预测方法中，在所述对单元重要度与预设重要度规则匹配的多个代表分解数据单元进行标记，以标记为多个第一代表分解数据单元的步骤以前，所述基于风控模型的信息预测方法还包括：

33、对所述异常分析维度对应的多个代表分解数据单元中每一个所述代表分解数据单元，进行的操作包括：统计出所述异常分析维度中包括所述代表分解数据单元的异常用户风控数据的数量第一统计值，并统计出所述异常分析维度中所述异常用户风控数据的数量第二统计值，以及，对所述数量第一统计值和所述数量第二统计值进行除法运算，以输出所述代表分解数据单元对应的单元重要度；

34、所述对单元重要度与预设重要度规则匹配的多个代表分解数据单元进行标记，以标记为多个第一代表分解数据单元的步骤，包括：

35、对所述单元重要度大于或等于预先配置的参考单元重要度的多个代表分解数据单元进行标记，以标记为与预设重要度规则匹配的多个第一代表分解数据单元，或者，将所述异常分析维度的多个代表分解数据单元中对应的单元重要度最大的指定数量个代表分解数据单元进行标记，以标记为与预设重要度规则匹配的多个第一代表分解数据单元。

36、在一些优选的实施例中，在上述基于风控模型的信息预测方法中，所述依据所述多个第一代表分解数据单元，将所述异常分析维度对应的每一个所述异常用户风控数据进行特征挖掘操作，以输出所述异常用户风控数据的特征挖掘表征数据的步骤，包括：

37、对于所述多个第一代表分解数据单元中的每一个所述第一代表分解数据单元，进行的操作包括：

38、在所述异常用户风控数据不包括所述第一代表分解数据单元的情况下，对所述异常用户风控数据在所述第一代表分解数据单元对应的特征挖掘坐标配置为目标预设参数；

39、在所述第一代表分解数据单元为所述异常用户风控数据中单元重要度最大的代表分解数据单元的情况下，对所述异常用户风控数据在所述第一代表分解数据单元对应的特征挖掘坐标配置为所述第一代表分解数据单元的单元重要度；

40、在所述第一代表分解数据单元为所述异常用户风控数据的代表分解数据单元，且属于所述异常用户风控数据中单元重要度最大的代表分解数据单元以外的其它代表分解数据单元的情况下，依据所述第一代表分解数据单元和所述异常用户风控数据中所述单元重要度最大的代表分解数据单元，将所述异常用户风控数据在所述第一代表分解数据单元对应的特征挖掘坐标进行配置。

41、在一些优选的实施例中，在上述基于风控模型的信息预测方法中，所述在所述第一代表分解数据单元为所述异常用户风控数据的代表分解数据单元，且属于所述异常用户风控数据中单元重要度最大的代表分解数据单元以外的其它代表分解数据单元的情况下，依据所述第一代表分解数据单元和所述异常用户风控数据中所述单元重要度最大的代表分解数据单元，将所述异常用户风控数据在所述第一代表分解数据单元对应的特征挖掘坐标进行配置的步骤，包括：

42、在所述第一代表分解数据单元为所述异常用户风控数据的代表分解数据单元，且属于所述异常用户风控数据中单元重要度最大的代表分解数据单元以外的其它代表分解数据单元的情况下，统计出所述异常分析维度中包括所述第一代表分解数据单元和所述单元重要度最大的代表分解数据单元的异常用户风控数据的数量第三统计值；

43、统计出所述异常分析维度中所述异常用户风控数据的数量第二统计值；

44、对所述数量第三统计值和所述数量第二统计值进行除法运算，以得到所述第一代表分解数据单元的单元统计参数；

45、对所述异常用户风控数据在所述第一代表分解数据单元对应的特征挖掘坐标，配置为所述单元重要度最大的代表分解数据单元的单元重要度和所述单元统计参数之间的减法运算结果。

46、在一些优选的实施例中，在上述基于风控模型的信息预测方法中，所述依据所述异常分析维度对应的每一个所述异常用户风控数据的特征挖掘表征数据，将所述异常分析维度对应的多个异常用户风控数据进行分类操作，形成所述异常分析维度对应的多个异常用户风控数据簇的步骤，包括：

47、对所述异常分析维度对应的多个所述异常用户风控数据进行合并，以形成所述异常分析维度对应的待分析数据簇；

48、将所述待分析数据簇标记为未轮询数据簇，以及，将分类操作排序值配置为目标指定参数；

49、依据所述待分析数据簇和所述待分析数据簇中各个异常用户风控数据对应的特征挖掘表征数据，将参考特征差异参数和参考相邻数据数量作为分类限制参数，以分析出中间待分析数据簇；

50、在所述中间待分析数据簇具有簇元素的情况下，对于所述中间待分析数据簇中的任意一个中间异常用户风控数据，进行的操作包括：

51、将所述中间异常用户风控数据对应的中间异常用户风控数据排列组合和分类待分析数据簇进行默认配置操作，以及，对所述分类操作排序值和所述未轮询数据簇进行调整；

52、选择出所述中间异常用户风控数据排列组合中第一个中间异常用户风控数据，以及，分析出所述第一个中间异常用户风控数据对应的相邻待分析数据簇；

53、基于所述相邻待分析数据簇，对所述中间异常用户风控数据排列组合、所述分类待分析数据簇和所述未轮询数据簇进行调整，使得所述中间异常用户风控数据排列组合中的中间异常用户风控数据全部选择出；

54、在所述中间异常用户风控数据排列组合中的中间异常用户风控数据全部选择出的情况下，对所述中间待分析数据簇进行调整，以及，分析出所述分类待分析数据簇中的所有异常用户风控数据属于当前分类操作排序值对应的异常用户风控数据簇。

55、本发明实施例还提供一种基于风控模型的信息预测系统，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现上述的基于风控模型的信息预测方法。

56、本发明实施例提供的基于风控模型的信息预测方法及系统，可以先在待处理用户风控数据中确定出异常用户风控数据；形成异常用户风控数据对应的代表分解数据单元；依据代表分解数据单元，将异常用户风控数据进行异常维度匹配操作，以形成异常分析维度；将异常分析维度对应的异常用户风控数据进行特征挖掘操作，以输出特征挖掘表征数据；依据特征挖掘表征数据，将异常分析维度对应的异常用户风控数据进行分类操作，以形成异常用户风控数据簇；基于每一个异常用户风控数据簇对应的异常用户风控数据的代表分解数据单元，分析出对应的异常类型信息。基于前述的内容，由于会先进行异常维度匹配操作，使得可以匹配结果进行相应数据的分析，因此，可以使得在一定程度上提高风控中信息预测的可靠度，从而改善现有技术中存在的风控中信息预测的可靠度不高的问题。

57、为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。