[发明专利]基于神经网络的风控方法、计算机可读存储介质及服务器

权利要求书

1.一种基于神经网络的风控方法，其特征在于，包括：

接收终端设备发送的风险评估请求，并从所述风险评估请求中提取客户的身份信息和评估类型；

确定与所述评估类型对应的评估条目集合，所述评估条目集合中包括至少一个评估条目；

从预设的数据源列表中分别选取与各个评估条目对应的数据源作为目标数据源，所述数据源列表记录了数据源与评估条目之间的对应关系，每个数据源中记录了与至少一个评估条目相关的历史记录数据；

根据所述客户的身份信息从各个目标数据源中获取所述客户的历史记录数据；

使用预设的神经网络模型对所述客户的历史记录数据进行处理，得到所述客户的风险评估等级。

2.根据权利要求1所述的风控方法，其特征在于，所述根据所述客户的身份信息从各个目标数据源中获取所述客户的历史记录数据包括：

向所述客户的终端设备发送身份信息请求；

接收所述客户的终端设备反馈的所述客户的身份信息；

从所述各个目标数据源中任意选取一个尚未被选取过的数据源作为当前数据源；

从预设的服务器列表中选取与所述当前数据源对应的服务器作为目标服务器，所述服务器列表记录了各个数据源与各个服务器之间的对应关系；

向所述目标服务器发送数据请求，所述数据请求中包括所述客户的身份信息；

接收所述目标服务器发送的所述客户的历史记录数据；

返回执行所述从所述各个目标数据源中任意选取一个尚未被选取过的数据源作为当前数据源的步骤，直至所述各个目标数据源均被选取过为止。

3.根据权利要求1所述的风控方法，其特征在于，所述神经网络模型的训练过程包括：

从历史评估记录中选取预设数目的评估样本，所述评估样本包括各个风险评估等级的样本；

对所述评估样本在各个评估条目上的数据进行数值化处理，得到数值化的评估样本；

将所述数值化的评估样本组成评估样本矩阵，并计算所述评估样本矩阵的协方差矩阵，其中，所述评估样本矩阵的任意一行数据均与一个数值化的评估样本对应；

计算所述评估样本矩阵的协方差矩阵的特征值，并从所述特征值中选取预设数目的数值最大的特征值作为主特征值；

对所述评估样本矩阵进行简化处理，得到简化后的评估样本矩阵，所述简化后的评估样本矩阵中仅保留与所述主特征值对应的列；

使用所述简化后的评估样本矩阵对预设的神经网络模型进行训练，得到训练好的神经网络模型。

4.根据权利要求3所述的风控方法，其特征在于，所述计算所述评估样本矩阵的协方差矩阵的特征值，并从所述特征值中选取预设数目的数值最大的特征值作为主特征值包括：

解特征方程|λI-R|＝0，求出特征值λ_a，其中，I为单位矩阵，R为所述评估样本矩阵的协方差矩阵，1≤a≤p，P为所述评估条目的个数；

根据下式计算各个特征值的贡献率：

其中，η_a为特征值λ_a的贡献率；

将满足下列条件的数值最大的前m个特征值作为主特征值：

且其中η_threshold为预设的贡献率阈值。

5.根据权利要求3至4中任一项所述的风控方法，其特征在于，所述使用所述简化后的评估样本矩阵对预设的神经网络模型进行训练，得到训练好的神经网络模型包括：

使用所述简化后的评估样本矩阵对所述神经网络模型进行一轮训练，并根据下式计算本轮训练的全局误差：

其中，E_t为第t个训练样本的训练误差，z_t为第t个训练样本的训练输出值，c_t为第t个训练样本的理论输出值，所述第t个训练样本为所述简化后的评估样本矩阵的第t行数据，1≤t≤n；

若所述全局误差大于预设的误差阈值，则对所述神经网络模型进行调整，然后返回执行所述使用所述简化后的评估样本矩阵对所述神经网络模型进行一轮训练的步骤，直至所述全局误差小于所述误差阈值为止；

若所述全局误差小于所述误差阈值，则将当前的神经网络模型确定为所述训练好的神经网络模型。