[发明专利]业务风险预测方法、装置、计算机设备与存储介质

说明书

本申请涉及大数据数据分析技术领域，特别是涉及一种业务风险预测方法、装置、计算机设备、存储介质和计算机程序产品。方法包括：获取客户信息数据以及业务在多个历史时序的状态信息数据；将客户信息数据以及状态信息数据映射到低维稠密向量空间，得到嵌入特征向量，嵌入特征向量包括客户特征向量以及状态特征向量；基于多头注意力机制对状态特征向量进行加权计算，得到关联特征向量，关联特征向量用于表征业务在历史时序的状态与未来状态之间的关联关系；将关联特征向量与客户特征向量进行融合，得到融合后的特征向量；将融合后的特征向量输入至预设风险分类模型中进行识别，得到业务风险的预测结果。采用本方法能得到准确的业务风险预测结果。

技术领域

本申请涉及大数据数据分析技术领域，特别是涉及一种业务风险预测方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术

随着企业以及个人对贷款的需求逐渐扩大，从而导致贷款的整个周期中产生的风险也越来越多，因此贷款预警的工作在贷前、贷中、贷后都有着十分重要的意义。

现有技术在对贷款风险进行预测时候，通常只关注当前时刻的贷款资金风险对未来时刻的影响，过于单一片面，无法准确高效地预测贷款后续的演化过程，不能得到准确的风险预测结果。

可见，上述现有技术存在预测结果准确性较低的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种更准确的业务风险预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

第一方面，本申请提供了一种业务风险预测方法。所述方法包括：

获取客户信息数据以及业务在多个历史时序的状态信息数据；

将客户信息数据以及状态信息数据映射到低维稠密向量空间，得到嵌入特征向量，嵌入特征向量包括客户特征向量以及状态特征向量；

基于多头注意力机制对状态特征向量进行加权计算，得到关联特征向量，关联特征向量用于表征业务在历史时序的状态与未来状态之间的关联关系；

将关联特征向量与客户特征向量进行融合，得到融合后的特征向量；

将融合后的特征向量输入至预设风险分类模型中进行识别，得到业务风险的预测结果。

在其中一个实施例中，将客户信息数据以及状态信息数据映射到低维稠密向量空间，得到嵌入特征向量包括：

将客户信息数据以及状态信息数据进行预处理，得到预处理后的客户信息数据以及状态信息数据；

将预处理后的客户信息数据以及状态信息数据输入至特征嵌入网络中进行降维处理，得到嵌入特征向量。

在其中一个实施例中，预处理包括：

数据清洗、时间排序、特征工程、异常数据识别、异常数据剔除、归一化以及one-hot编码中的至少一项。

在其中一个实施例中，基于多头注意力机制对状态特征向量进行加权计算，得到关联特征向量包括：

将状态特征向量输入至预设多头注意力模型中进行自注意力运算，得到状态特征向量对应的注意力分布；

将注意力分布进行归一化处理，得到归一化注意力分布序列；

将归一化注意力分布序列输入至前馈神经网络中，得到关联特征向量。

在其中一个实施例中，将融合后的特征向量输入至预设风险分类模型中进行识别，得到业务风险的预测结果之前，包括：

获取预设样本数据集，预设样本数据集携带待分类数据特征向量以及待分类数据对应的真实分类结果；