[发明专利]基于多机器学习模型并行的风控模型应用方法和系统

权利要求书

1.一种基于多机器学习模型并行的风控模型应用方法，包括线下风控模型应用方法，其中该线下风控模型应用方法包括

采集申请客群信息；

从上述信息中提取客户画像数据；

对上述画像数据进行处理，计算风险相关指标；

对上述风险相关指标分别利用不同的特征选择模型进行处理得到相应的单个模型特征排序；

对得到的相应单个模型特征排序进行综合排序；

以及对综合排序后的特征分别利用多个机器学习模型进行建模处理，评价各个机器学习模型的运行效果，筛选出排名靠前的若干机器学习模型。

2.如权利要求1所述的方法，所述综合排序的方法为平均加权或根据特征选择模型的选择效果加权。

3.如权利要求1-2之一所述的方法，综合排序后选择排名靠前的若干特征作为综合排序后保留的特征，送入所述机器学习模型进行建模处理。

4.如权利要求1-3之一所述的方法，评价各个机器学习模型的运行效果的方法为ROC曲线法或KS指标法。

5.如权利要求1-4之一所述的方法，申请客群信息为从申请流量信息中选取的代表性客户群的相关信息。

6.如权利要求5所述，申请流量信息来源包括申请客户提交的数据信息、爬虫抓取的数据、以及通过互联网数据接口获取的信息。

7.如权利要求1-6之一所述的方法，特征选择模型至少包括Xgboost模型、Randomforest模型、Lasso模型、GBDT模型、DecisionTree模型、和GeneticAlgorithms模型。

8.如权利要求1-7之一所述的方法，机器学习模型至少包括Xgboost模型、Neural network模型、SVM模型、LogisticRegression模型、AdaBoost模型、RandomForest模型和NaiveBayes模型。

9.一种基于多机器学习模型并行的风控模型应用方法，包括线上风控模型应用方法，其中该线上风控模型应用方法包括

采集申请客群信息；

从上述信息中提取客户画像数据；

对上述画像数据进行处理，计算风险相关指标；

将如权利要求1-8之一所述的方法中筛选出的排名靠前的若干机器学习模型作为投入使用的线上机器学习模型；

将所述风险相关指标送入线上机器学习模型中相应的机器学习模型进行处理；

以及将处理结果作为是否授信的决策依据。

10.如权利要求9所述的方法，申请客群信息为从申请流量信息中选取的代表性客户群的相关信息。

11.如权利要求9-10之一所述的方法，根据线上机器学习模型中各机器学习模型的排名高低分配申请流量到相应的机器学习模型，机器学习模型排名越高，分配的申请流量越多。

12.如权利要求11所述的方法，通过KS指标法对所述机器学习模型进行排名，根据各机器学习模型KS值的权重进行流量比例分配。

13.如权利要求9-12之一所述的方法，定期训练线下机器学习模型并对线下风控模型中的各机器学习模型的运行效果进行评估，根据评估结果更新线上投入使用的机器学习模型。

14.如权利要求10-13之一所述，申请流量信息来源包括申请客户提交的数据信息、爬虫抓取的数据、以及通过互联网数据接口获取的信息。

15.一种基于多机器学习模型并行的风控模型应用系统，包括线下风控模型应用系统，其中该线下风控模型应用系统包括

数据采集模块，其用于采集申请客群信息；

数据提取模块，从申请客群信息中提取客户画像数据；

数据计算模块，对上述画像数据进行处理，计算风险相关指标；

特征选择模块，对上述风险相关指标分别利用不同的特征选择模型进行处理得到相应的单个模型特征排序；

特征综合排序模块，对所得到的单个模型特征排序进行综合排序；

线下机器学习并行模块，利用多个机器学习模型对排序后的特征分别进行建模处理；

以及机器学习模型评价筛选模块，评价各个机器学习模型的运行效果的优劣，筛选出排名靠前的若干机器学习模型。