[发明专利]业务风险预测方法、装置和系统

说明书

本公开公开了一种业务风险预测方法、装置和系统，涉及数据处理领域。该方法包括：构建预测当前业务风险前多个业务周期的多维度特征数据；对每个业务周期的多维度特征数据对应的风险值进行标注，生成标注数据；将任意一个或多个业务周期的多维度特征数据和对应的标注数据输入至分类模型，对分类模型进行训练，得到多个风险预测模型，以便基于训练好的多个风险预测模型预测当前业务的风险，其中，风险预测模型的个数等于业务周期数的组合个数。本公开由于多维度特征数据能够反映业务实际动态变化，并且，训练多个风险预测模型能够保证模型稳定性，并且解决现有多模型在同一批数据中训练得到的结果相似，提高了业务风险预测的准确性。

技术领域

本公开涉及数据处理领域，尤其涉及一种业务风险预测方法、装置和系统。

背景技术

随着互联网和移动互联网的飞速发展，快捷的在线支付方式受到人们喜爱。在实时交易场景中，蕴藏着账户被盗，欺诈等各种风险事件，使得人们的安全和利益受到损害。因此，相关技术中使用机器学习算法训练模型，进行实时预测，以应对交易风险。但相关技术风险预测精准度较低。

发明内容

本公开要解决的一个技术问题是，提供一种业务风险预测方法、装置和系统，能够提高业务风险预测的准确性。

根据本公开一方面，提出一种业务风险预测方法，包括：构建预测当前业务风险前多个业务周期的多维度特征数据；对每个业务周期的多维度特征数据对应的风险值进行标注，生成标注数据；将任意一个或多个业务周期的多维度特征数据和对应的标注数据输入至分类模型，对分类模型进行训练，得到多个风险预测模型，以便基于训练好的多个风险预测模型预测当前业务的风险，其中，风险预测模型的个数等于业务周期数的组合个数。

在一些实施例中，当前业务的风险值是根据多个风险预测模型预测的多个当前业务的多维度特征数据对应的风险值的平均运算值确定。

在一些实施例中，多维度特征数据包括业务发送方历史行为特征数据、即时业务特征数据、设备特征数据、网络环境特征数据和业务接收方特征数据中的两种或两种以上特征数据。

在一些实施例中，对多维度特征数据中的类别特征数据进行混合编码处理。

在一些实施例中，业务发送方历史行为特征数据包括：业务发送方执行业务行为之前预定时间段的平均业务次数和最大业务次数、业务发送方对应当前环境出现次数、以及出现次数与之前总业务次数之比；即时业务特征数据包括：当前预定时间内设备出现次数、设备出现次数与当前预定时间内总业务次数之比、该设备对应业务发送方数、以及业务发送方数与当前预定时间内总业务次数之比；设备特征数据包括：当前业务之前设备对应不同业务发送方次数、以及预定时间设备对应的平均业务次数；网路环境特征数据包括：预定时间内网络环境对应的业务发送方数、业务接收方数、设备数，以及对应业务次数最多的业务发送方、业务接收方和设备，以及网络环境不同时间段内活跃度之比；业务接收方特征数据包括：当前预定时间段内业务接收方对应的业务次数，出现次数最多的业务发送方、业务接收方和设备，业务接收方对应的业务发送方、设备以及每个业务发送方、设备出现次数，以及业务接收方不同时间段内活跃度之比。

在一些实施例中，多个业务周期包括第一业务周期和第二业务周期，多个风险预测模型包括第一风险预测模型、第二风险预测模型和第三风险预测模型；基于第一业务周期的多维度特征数据和对应的标注数据训练第一风险预测模型，基于第二业务周期的多维度特征数据和对应的标注数据训练第二风险预测模型，基于第一业务周期和第二业务周期的多维度特征数据和对应的标注数据训练第三风险预测模型。

根据本公开的另一方面，还提出一种业务风险预测方法，包括：构建当前业务对应的多维度特征数据；基于每个风险预测模型预测多维度特征数据对应的风险值；将每个风险预测模型预测的风险值进行平均运算，得到当前业务对应的风险值。