[发明专利]基于LSTM模型的信用风险预测方法及装置

权利要求书

1.一种基于LSTM模型的信用风险预测方法，所述方法包括：

获取目标账户在预设时间段内的用户操作行为数据；其中，所述预设时间段为由若干时间步长相同的时间区间组成的时间序列；

基于所述目标账户在各个时间区间内的用户操作行为数据，生成对应于各个时间区间的用户行为向量序列；

将生成的对应于各个时间区间的用户行为向量序列输入至训练完毕的基于编码-解码架构的LSTM模型中的LSTM编码器进行计算，得到对应于各个时间区间的隐藏状态向量；其中，所述LSTM模型包括LSTM编码器，和引入了注意力机制的LSTM解码器；

将对应于各个时间区间的隐藏状态向量作为风险特征，输入至所述LSTM解码器进行计算，得到所述目标账户在下一时间区间内的风险评分；以及，各隐藏状态向量对应于所述风险评分的权重值；其中，所述权重值表征所述隐藏状态向量对所述风险评分的贡献度。

2.根据权利要求1所述的方法，所述方法还包括：

获取若干被标记了风险标签的样本账户在所述预设时间段内的用户操作行为数据；

基于所述若干样本账户在各个时间区间内的用户操作行为数据，生成对应于各个时间区间的用户行为向量序列；

将生成的用户行为向量序列作为训练样本训练基于编码-解码架构的LSTM模型。

3.根据权利要求2所述的方法，基于账户在各个时间区间内的用户操作行为数据，生成对应于各个时间区间的用户行为向量序列，包括：

获取账户在各个时间区间内的多种用户操作行为数据；

从获取到的用户操作行为数据中提取关键因子，并对所述关键因子进行数字化处理，得到与所述用户操作行为数据对应的用户行为向量；

对与各个时间区间内的多种用户操作行为数据对应的用户行为向量进行拼接处理，生成对应于各个时间区间的用户行为向量序列。

4.根据权利要求3所述的方法，所述多种用户行为包括信贷表现行为、用户消费行为、理财支付行为；

所述关键因子包括与信贷表现行为对应的借贷订单状态和借贷还款金额、与用户消费行为对应的用户消费类目和用户消费笔数、与理财支付行为对应的理财支付类型和理财收益金额。

5.根据权利要求1所述的方法，所述LSTM编码器采用多层的many-to-one结构；所述LSTM解码器采用输入节点和输出节点数量对称的多层的many-to-many结构。

6.根据权利要求1所述的方法，所述将生成的对应于各个时间区间的用户行为向量序列输入至训练完毕的基于编码-解码架构的LSTM模型中的LSTM编码器进行计算，得到对应于各个时间区间的隐藏状态向量，包括：

将生成的对应于各个时间区间的用户行为向量序列输入至训练完毕的基于编码-解码架构的LSTM模型中的LSTM编码器进行双向传播计算，得到前向传播计算得到的第一隐藏状态向量；以及，后向传播计算得到的第二隐藏状态向量；其中，在进行前向传播计算和后向传播计算时，对应于各个时间区间的用户行为向量序列的输入顺序相反；

对所述第一隐藏状态向量和所述第二隐藏状态向量进行拼接处理，得到对应于各个时间区间的最终隐藏状态向量。

7.根据权利要求1所述的方法，所述将对应于各个时间区间的隐藏状态向量作为风险特征，输入至所述LSTM解码器进行计算，得到所述目标账户在下一时间区间内的风险评分，包括：

将对应于各个时间区间的隐藏状态向量作为风险特征，输入至所述LSTM解码器进行计算，得到所述目标账户在下一时间区间内的输出向量；

对所述输出向量进行数字化处理，得到所述目标账户在下一时间区间内的风险评分。