[发明专利]一种多模型融合的客户风险评级方法

权利要求书

1.一种多模型融合的客户风险评级方法，其特征在于，包括：

获取待评估用户的授权查询的外采三方数据和所述待评估用户的历史贷款信息；

将所述待评估用户的授权查询的外采三方数据通过包含嵌入层的第一上下文编码器以得到外采三方数据理解特征向量；

将所述待评估用户的历史贷款信息通过包含嵌入层的第二上下文编码器以得到历史贷款数据理解特征向量；

对所述外采三方数据理解特征向量和所述历史贷款数据理解特征向量进行关联编码以得到关联特征矩阵；

将所述关联特征矩阵通过作为特征提取器的卷积神经网络模型以得到深度关联模式理解特征矩阵；

基于所述外采三方数据理解特征向量和所述历史贷款数据理解特征向量，对所述深度关联模式理解特征矩阵进行类中心偏移校正以得到分类特征矩阵；以及

将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待评估用户的信用等级标签。

2.根据权利要求1所述的多模型融合的客户风险评级方法，其特征在于，所述将所述待评估用户的授权查询的外采三方数据通过包含嵌入层的第一上下文编码器以得到外采三方数据理解特征向量，包括：

对所述待评估用户的授权查询的外采三方数据进行分词处理以将所述待评估用户的授权查询的外采三方数据转化为由多个词组成的第一词序列；

使用所述包含嵌入层的第一上下文编码器的词嵌入层将所述第一词序列中各个词映射为词嵌入向量以获得第一词嵌入向量的序列；

使用所述包含嵌入层的第一上下文编码器对所述第一词嵌入向量的序列进行基于长距离依赖的上下文语义理解以获得多个第一上下文词特征向量；以及

将所述多个第一上下文词特征向量进行级联以得到所述外采三方数据理解特征向量。

3.根据权利要求2所述的多模型融合的客户风险评级方法，其特征在于，所述使用所述包含嵌入层的第一上下文编码器对所述第一词嵌入向量的序列进行基于长距离依赖的上下文语义理解以获得多个第一上下文词特征向量，包括：

将所述第一词嵌入向量的序列进行一维排列以得到第一全局展开特征向量；

计算所述第一全局展开特征向量与所述第一词嵌入向量的序列中各个词嵌入向量的转置向量之间的乘积以得到多个第一自注意力关联矩阵；

分别对所述多个第一自注意力关联矩阵中各个第一自注意力关联矩阵进行标准化处理以得到多个标准化后第一自注意力关联矩阵；

将所述多个标准化后第一自注意力关联矩阵中各个标准化后第一自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及

分别以所述多个概率值中各个概率值作为权重对所述第一词嵌入向量的序列中各个第一词嵌入向量进行加权以得到所述多个第一上下文词特征向量。

4.根据权利要求3所述的多模型融合的客户风险评级方法，其特征在于，所述将所述待评估用户的历史贷款信息通过包含嵌入层的第二上下文编码器以得到历史贷款数据理解特征向量，包括：

对所述待评估用户的历史贷款信息进行分词处理以将所述待评估用户的历史贷款信息转化为由多个词组成的第二词序列；

使用所述包含嵌入层的第二上下文编码器的词嵌入层将所述第二词序列中各个词映射为词嵌入向量以获得第二词嵌入向量的序列；

使用所述包含嵌入层的第二上下文编码器对所述第二词嵌入向量的序列进行基于长距离依赖的上下文语义理解以获得多个第二上下文词特征向量；以及

将所述多个第二上下文词特征向量进行级联以得到所述历史贷款数据理解特征向量。

5.根据权利要求4所述的多模型融合的客户风险评级方法，其特征在于，所述对所述外采三方数据理解特征向量和所述历史贷款数据理解特征向量进行关联编码以得到关联特征矩阵，包括：以如下公式对所述外采三方数据理解特征向量和所述历史贷款数据理解特征向量进行关联编码以得到所述关联特征矩阵；

其中，所述公式为：

其中，表示所述外采三方数据理解特征向量，表示所述外采三方数据理解特征向量的转置向量，表示所述历史贷款数据理解特征向量，表示所述关联特征矩阵，表示向量相乘。