[发明专利]一种风控模型训练方法及装置

说明书

技术领域

本发明涉及数据处理技术，尤其涉及一种风控模型训练方法及装置。

背景技术

在网络和电信的付费业务运行过程中，会出现支付异常的情况。例如，用户的账户被合作方采用代收、暗扣等违规方式进行扣费时，会导致用户出现财产损失，引起用户投诉；服务商使用某些非真实账户以自消费刷卡等方式进行消费，干扰付费业务正常运行；此外，某些对消费情况较为敏感的用户在付费业务扣费超过敏感值时，投诉可能性会大幅增长。

只有准确地对网络和电信的付费业务运行过程中出现的异常用户进行识别，才能及时对异常用户采取相应的措施。

发明内容

为解决上述技术问题，本发明实施例提供一种风控模型训练方法及装置，以准确识别付费业务运行过程中出现的异常用户，降低投诉率。

本发明实施例的技术方案是这样实现的：

本发明实施例提供一种风控模型训练方法，包括：

获取已知结果的第一历史数据组，所述第一历史数据组包括异常用户的账户信息；

根据所述账户信息的类型选取拟合度最高的数据挖掘模型为初阶模型；

使用所述初阶模型调整所述第一历史数据中的账户信息的维度，生成第二历史数据组；

使用所述第二历史数据组中的第一数据集合训练所述初阶模型后，使用所述第二历史数据组中的第二数据集合验证所述初阶模型，根据验证结果选取风控模型，所述风控模型用于识别话费支付中异常用户。

上述方案中，所述账户信息包括多种类型；

所述根据所述账户信息的类型选取拟合度最高的数据挖掘模型为初阶模型，包括：

根据所述账户信息的类型，为每种所述账户信息的类型选取对应的第一数据挖掘模型，根据所述第一数据挖掘模型生成数据挖掘模型组；

在所述数据挖掘模型组中针对所有所述账户信息的类型选取拟合度最高的数据挖掘模型为初阶模型。

上述方案中，所述账户信息的类型包括如下至少一种：消费敏感型、订购异常型、非真实型。

上述方案中，所述根据所述账户信息的类型，为每种所述账户信息的类型选取对应的第一数据挖掘模型，包括：

使用所述第一历史数据组中的第三数据集合训练各种数据挖掘模型后，使用所述第一历史数据组中的第四数据集合验证所述数据挖掘模型；

选取所述账户信息的类型对应的拟合度最高的数据挖掘模型为第一数据挖掘模型。

上述方案中，所述数据挖掘模型的类型包括如下至少一种：CRT、C5.0、CHAID、Logistic、SVM、自动分类器和贝叶斯网络。

本发明实施例提供一种风控模型训练装置，所述装置包括：

获取单元，用于获取已知结果的第一历史数据组，所述第一历史数据组包括异常用户的账户信息；

第一选取单元，用于根据所述账户信息的类型选取拟合度最高的数据挖掘模型为初阶模型；

生成单元，用于使用所述初阶模型调整所述第一历史数据中的账户信息的维度，生成第二历史数据组；

第二选取单元，用于使用所述第二历史数据组中的第一数据集合训练所述初阶模型后，使用所述第二历史数据组中的第二数据集合验证所述初阶模型，根据验证结果选取风控模型，所述风控模型用于识别话费支付中异常用户。

上述方案中，所述账户信息包括多种类型；所述第一选取单元包括：

生成子单元，用于根据所述账户信息的类型，为每种所述账户信息的类型选取对应的第一数据挖掘模型，根据所述第一数据挖掘模型生成数据挖掘模型组；

选取子单元，用于在所述数据挖掘模型组中针对所有所述账户信息的类型选取拟合度最高的数据挖掘模型为初阶模型。

上述方案中，所述账户信息的类型包括如下至少一种：消费敏感型、订购异常型、非真实型。

上述方案中，所述生成子单元还用于：

使用所述第一历史数据组中的第三数据集合训练各种数据挖掘模型后，使用所述第一历史数据组中的第四数据集合验证所述数据挖掘模型；

选取所述账户信息的类型对应的拟合度最高的数据挖掘模型为第一数据挖掘模型。

上述方案中，所述数据挖掘模型的类型包括如下至少一种：CRT、C5.0、CHAID、Logistic、SVM、自动分类器和贝叶斯网络。