[发明专利]金融风险模型生成方法、装置及电子设备

说明书

本公开涉及一种金融风险模型生成方法、装置、电子设备及计算机可读介质。该方法包括：获取多个历史用户的金融数据，所述金融数据中包括金融风险状态；根据所述金融风险状态将所述多个历史用户分别分入正样本用户集合或负样本用户集合；对正样本用户集合和负样本用户集合中的历史用户的金融数据进行筛选以生成正样本子集合和负样本子集合；以及基于所述正样本子集合和负样本子集合对机器学习模型进行训练以生成金融风险模型。本公开的一种金融风险模型生成方法、装置、电子设备及计算机可读介质，能够对样本数据进行筛选，生成更加精确的样本数据集合，进而通过精确的样本数据集合对机器学习模型进行训练，生成金融风险模型。

技术领域

本公开涉及计算机信息处理领域，具体而言，涉及一种金融风险模型生成方法、装置、电子设备及计算机可读介质。

背景技术

通常情况下机器学习模型需要对正样本和负样本进行学习，正样本是正确分类出的类别所对应的样本，负样本原则上可以选取任何不是正确类别的其他样本。机器学习模型根据正负样本建立特定的任务，然后通过特定的数据来对机器学习进行训练，在训练结束后，得到适用于某一个特定任务的机器学习模型。

通常情况下，即使用同一个机器学习模型的算法，但是用不同的数据训练得到的机器学习模型是完全不同的。但是对于金融领域的模型而言，特别是对于评价用户行为的用户金融风险类的机器模型而言，比如可根据客户欠款情况将客户分为有欠款客户(正样本)和未欠款客户(负样本)，传统的行为模型可直接使用上述数据进行建模。然而，已经欠款了的客户可以确认，可是对于未欠款的客户中的一部分并不代表未来不会欠款，因此很难准确负样本中的用户是否都是具有负样本特征的用户。

如果直接将未欠款客户当做负样本训练机器学习模型中的二分类模型的话，由于负记样本中存在大量正样本，会引入很多误差数据，可能导致训练出来的最终的模型效果不够理想。

因此，需要一种新的金融风险模型生成方法、装置、电子设备及计算机可读介质。

在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

有鉴于此，本公开提供一种金融风险模型生成方法、装置、电子设备及计算机可读介质，能够对样本数据进行筛选，确定更加精确的样本数据集合，进而通过精确的样本数据集合对机器学习模型进行训练，生成金融风险模型。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一方面，提出一种金融风险模型生成方法，该方法包括：获取多个历史用户的金融数据，所述金融数据中包括金融风险状态；根据所述金融风险状态将所述多个历史用户分别分入正样本用户集合或负样本用户集合；对正样本用户集合和负样本用户集合中的历史用户的金融数据进行筛选以生成正样本子集合和负样本子集合；以及基于所述正样本子集合和负样本子集合对机器学习模型进行训练以生成金融风险模型。

可选地，还包括：将当前用户的金融数据输入所述金融风险模型中，获取当前用户的金融风险强度；以及基于所述金融风险强度为所述当前用户生成用户策略。

可选地，所述金融风险状态包括高风险状态和低风险状态；根据所述金融风险状态将所述多个历史用户分别分入正样本用户集合或负样本用户集合包括：将高风险的历史用户分入正样本用户集合；以及将低风险的历史用户分入负样本用户集合。

可选地，对正样本用户集合和负样本用户集合中的历史用户的金融数据进行筛选以生成正样本子集合和负样本子集合包括：通过异常值监测算法分别对正样本用户集合和负样本用户集合中的历史用户的金融数据进行筛选以生成所述正样本子集合和所述负样本子集合。