[发明专利]用户贷后风险模型生成方法、装置及电子设备

权利要求书

1.一种用户贷后风险模型生成方法，其特征在于，包括：

对多个用户数据进行预处理生成多个金融数据，所述金融数据包括基础信息、借款信息、还款信息；

根据所述借款信息和所述还款信息为所述多个用户中的每一个用户的金融数据分别确定标签；

根据所述金融数据生成多维度风险特征基础变量和多维度风险特性衍生变量；

通过所述多维度风险特征基础变量和所述多维度风险特性衍生变量及其对应的标签对多个机器学习模型进行训练，生成多个用户特征风险模型；以及

根据所述多个用户特征风险模型生成用户贷后风险模型。

2.如权利要求1所述的方法，其特征在于，对多个用户数据进行预处理生成多个金融数据，包括：

获取多个用户的用户数据；以及

将所述用户数据进行筛选处理和特征处理生成所述金融数据。

3.如权利要求1-2所述的方法，其特征在于，根据所述借款信息和还款信息为所述多个用户中的每一个用户的金融数据分别确定标签，包括：

由所述借款信息中提取借款时间、借款金额；

由所述还款信息中提取还款时间、还款金额；

根据所述借款时间、所述还款时间、借款金额、和还款金额确定欠款情况；以及

将所述欠款情况和预设策略进行比较以为所述多个用户中的每一个用户的金融数据分别确定标签；

其中，所述标签包括：正向标签和负向标签。

4.如权利要求1-3所述的方法，其特征在于，将所述欠款情况和预设策略进行比较以为所述多个用户中的每一个用户的金融数据分别确定标签，包括：

将所述欠款情况和预设策略进行比较以为所述多个用户中的每一个用户的金融数据分别确定还款意愿标签和还款能力标签。

5.如权利要求1-4所述的方法，其特征在于，根据所述金融数据生成多维度风险特征基础变量和多维度风险特性衍生变量，包括：

根据预设特征属性由所述金融数据中提取参数数据，生成多维度风险特征基础变量，其中，预设特征维度包括：频率维度、求和维度、比例维度、时间差维度；以及

将所述多维度风险特征基础变量中的数据进行整合处理，生成所述多维度风险特性衍生变量。

6.如权利要求1-5所述的方法，其特征在于，将所述多维度风险特征基础变量中的数据进行整合处理，生成所述多维度风险特性衍生变量，包括：

将所述多维度风险特征基础变量中的数据进行时间切片处理，生成多个时间片段集；以及

基于所述多个时间片段集对进行所述多维度风险特征基础变量中的数据整合处理，生成所述多维度风险特性衍生变量。

7.如权利要求1-6所述的方法，其特征在于，通过所述多维度风险特征基础变量和所述多维度风险特性衍生变量及其对应的标签对多个机器学习模型进行训练，生成多个用户特征风险模型，包括：

通过所述多维度风险特征基础变量和所述多维度风险特性衍生变量及其对应的标签对极端梯度提升模型进行训练，生成第一用户特征风险模型；以及

通过所述多维度风险特征基础变量和所述多维度风险特性衍生变量及其对应的标签对梯度下降树模型进行训练，生成第二用户特征风险模型。

8.一种用户贷后风险模型生成装置，其特征在于，包括：

数据模块，用于对多个用户数据进行预处理生成多个金融数据，所述金融数据包括基础信息、借款信息、还款信息；

标签模块，用于根据所述借款信息和所述还款信息为所述多个用户中的每一个用户的金融数据分别确定标签；

变量模块，用于根据所述金融数据生成多维度风险特征基础变量和多维度风险特性衍生变量；

训练模块，用于通过所述多维度风险特征基础变量和所述多维度风险特性衍生变量及其对应的标签对多个机器学习模型进行训练，生成多个用户特征风险模型；以及

模型模块，用于根据所述多个用户特征风险模型生成用户贷后风险模型。