[发明专利]基于特征选择的网络信用预警方法、系统及电子设备

说明书

本发明涉及一种基于特征选择的网络信用预警方法、系统以及电子设备，所述方法包括：获取用户基本注册信息；根据预置的埋点策略获取应用交互数据，根据所述应用交互数据生成埋点数据；获取人脸特征；根据上述注册信息、埋点数据和人脸特征，通过Wasserstein距离进行特征重要性选择；根据选择的重要特征通过Isolation forest算法区分数据中的正负样本；根据区分的正负样本进行网络信用预警。本发明不依赖于第三方征信数据，完全基于用户操作行为和人脸特征，并采用Wasserstein距离进行特征选择，从而使非监督学习也能够充分的利用特征重要性进行模型训练从而提升预测准确性。

技术领域

本发明属于计算机软件技术领域，具体涉及一种基于特征选择的网络信用预警方法、系统以及电子设备。

背景技术

2015年底，随着国务院印发《推进普惠金融发展规划(2016—2020年)》，大大小小的有关普惠金融的公司、业务(现金贷，分期付款等)如雨后春笋在全国各地铺面开来。然而普惠金融往往都高度依赖于个人征信和信贷风控，可以说，征信和风控是普惠金融的核心。这是因为，普惠金融面向有金融服务需求的社会各阶层和群体提供适当、有效的金融服务。小微企业、农民、城镇低收入人群、贫困人群和残疾人、老年人等特殊群体是当前我国普惠金融重点服务对象。特殊群体在金融风险中类属于高风险客群，一旦出现风控漏洞，小则影响企业收益，大则波及经济、社会和科技的各个层面。因此，针对普惠金融业务有效的征信和风控系统对深圳市的经济、社会和科技发展都具有重要的意义。

其中，普惠金融现金贷业务更是一种突破传统信用卡服务的新型借贷类型，用户通过智能手机APP注册就可以在极短时间内(为了提高用户体验抢占市场，一些APP甚至发起了极速放款的诱饵，符合要求的用户放款时间通常小于5分钟)申请相应额度的贷款，因此，现金贷业务的风控体系建设尤为重要，而现金贷风控体系的核心是诈骗识别算法。具体来说，现金贷诈骗识别可以依据业务时间节点分为两部分：贷前诈骗识别和贷中诈骗识别。

由于已经具备较为丰富的用户行为和标签储备，因此贷中诈骗识别一般采用有监督的方式进行建模，其正样本的准确率和召回率都会有很高的水准。然而，贷中诈骗识别能够挽回的仅仅是欺诈用户后续诈骗行为带来的经济损失，已经造成的损失将无法弥补。另一方面，贷前诈骗识别会将非黑名单用户(注：黑名单用户会直接被拒绝申请)行为在申请贷款前进行过滤识别，将高风险用户直接拒绝申请，从而避免任意形式的经济损失。然而，贷前诈骗识别由于没有可用标签，一般只能基于非监督模型进行建模分析。非监督模式的贷前诈骗识别面临了很多亟待解决的实际问题，总结起来包含以下两个方面：

贷前冷启动

贷前冷启动指的是新用户注册，各个方面(行为、时间、空间、设备信息等)数据匮乏，很难由传统的行为统计方式描绘出用户风险画像。

非监督模式特征选择

由于贷前冷启动问题，导致用户行为特征不均匀分布。如果直接将稀疏特征矩阵进行模型训练，将造成模型偏差(欠拟合)。

对于上述提及到的困难，目前大多数的解决方案是大量的引入第三方征信数据，将贷前征信和贷前反欺诈有机的结合。尽管引入第三方征信数据能在一定程度上够缓解上述问题带来的负面影响，但第三方征信数据的持续引入必将给企业带来更大的经济成本，同时，由于第三方征信的不确定性，完全依赖第三方征信会对模型鲁棒性带来新的负面影响。

发明内容

针对以上问题，本发明旨在提供一种不依赖于第三方征信数据，而是利用用户APP操作数据和人脸数据进行特征刻画，并通过Wasserstein距离进行特征选择来提升模型的准确性和鲁棒性的网络信用预警方法、系统以及电子设备。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种基于特征选择的网络信用预警方法，包括如下步骤：

S1、获取用户基本注册信息；