[发明专利]风险评分模型的构建方法、装置、存储介质及终端

权利要求书

1.一种风险评分模型的构建方法，其特征在于，所述构建方法包括：

根据预设的帐号数据构建黑名单样本库和白名单样本库，所述黑名单样本库中包括异常帐号，所述白名单样本库中包括正常帐号；

基于梯度提升决策树GBDT算法对所述黑名单样本库中的异常帐号和白名单样本库中的正常帐号进行聚类训练，筛选出异常帐号分类特征；

基于随机森林RF算法对所述异常帐号分类特征进行训练，获取每一个异常帐号分类特征对应的贡献度；

根据所述异常帐号分类特征及其对应的贡献度，构建风险评分模型，所述风险评分模型用于识别异常帐号。

2.如权利要求1所述的风险评分模型的构建方法，其特征在于，所述构建风险评分模型，之后还包括：

采用所述风险评分模型计算所述白名单样本库中的每一个正常帐号对应的风险评分；

将风险评分高于或等于预设的风险阈值的正常帐号过滤，保留风险评分低于预设的风险阈值的正常帐号；

采用所述风险评分模型计算所述黑名单样本库中的每一个异常帐号对应的风险评分；

根据所保留的正常帐号的风险评分和异常帐号的风险评分，校正所述风险阈值。

3.如权利要求1或2所述的风险评分模型的构建方法，其特征在于，所述基于梯度提升决策树GBDT算法对所述黑名单样本库中的异常帐号和白名单样本库中的正常帐号进行聚类训练包括：

获取每一所述异常帐号、正常帐号的特征信息对应的样本值；

根据所述特征信息对应的样本值，按照预测的特征条件将所述异常帐号、正常帐号分配至GBDT模型中的首棵回归决策树，直至每个异常帐号、正常帐号均分配至每一个叶子节点；

获取损失函数，初始化损失函数极小化的常数值；

针对每一个叶子节点，根据所述损失函数和常数值估算每一所述异常帐号、正常帐号对应的残差近似值；

基于所有残差近似值迭代训练下一棵回归决策树。

4.如权利要求3所述的风险评分模型的构建方法，其特征在于，所述异常帐号分类特征包括：

连续高频绑定特征、连续密码绑定特征、连续IP绑定特征、IP高发散率特征、帐号业务员同地域特征、注册绑定时间差特征、注册绑定无前端埋点特征。

5.如权利要求1或2所述的风险评分模型的构建方法，其特征在于，所述基于随机森林RF算法对所述异常帐号分类特征进行训练，获取每一个异常帐号分类特征对应的贡献度包括：

通过随机森林RF模型对所述异常帐号分类特征按预设个数进行任意组合，得到多个分类决策树；

获取每一所述分类决策树中未被组合的异常帐号分类特征，基于所述异常帐号分类特征估算所述分类决策树的分类误差；

选取分类误差最小的分类决策树，并基于所述分类决策树计算每一个异常帐号分类特征的贡献度。

6.如权利要求1或2所述的风险评分模型的构建方法，其特征在于，所述构建风险评分模型包括构建风险评分公式：

F(X)＝F₀+β₁T₁(X)+β₂T₂(X)+……++β_mT_m(X)

其中，F(X)为用户帐号X的风险评分，F₀为回归残差项，T_i(X)为异常帐号分类特征的特征组合公式，β_i为特征组合公式T_i(X)中各异常帐号分类特征的贡献度之和。