[发明专利]基于机器学习的用户风险分类方法、装置、介质及设备

权利要求书

1.一种用户风险分类方法，其特征在于，包括：

获取用户静态特征数据，所述用户静态特征数据表示在未结合用户网络行为的情况下表现出来的特征；

获取用户动态特征数据，所述用户动态特征数据表示用户的网络行为表现出来的特征；

剔除用户静态特征数据和用户动态特征数据中的目标剔除特征数据；

将剔除了目标剔除特征数据后的用户静态特征数据和用户动态特征数据的特征数据输入预先训练的随机森林模型，所述随机森林模型输出用户风险等级；

将剔除了目标剔除特征数据后的用户静态特征数据和用户动态特征数据的特征数据、以及随机森林模型输出的用户风险等级，输入预先训练的逻辑回归模型，由逻辑回归模型输出用户风险评分；

根据随机森林模型输出的用户风险等级和逻辑回归模型输出的用户风险评分，对用户进行风险上的分类。

2.根据权利要求1所述的方法，其特征在于，所述根据随机森林模型输出的用户风险等级和逻辑回归模型输出的用户风险评分，对用户进行风险上的分类，具体包括：

如果所述随机森林模型输出的用户风险等级满足第一预定用户风险等级条件，且所述逻辑回归模型输出的用户风险评分大于第一预定用户风险评分阈值，则将用户分类为异常网络行为用户；

如果所述随机森林模型输出的用户风险等级满足第二预定用户风险等级条件，且所述逻辑回归模型输出的用户风险评分小于第二预定用户风险评分阈值，则将用户分类为正常网络行为用户；

否则，将用户分类为待定网络行为用户。

3.根据权利要求1所述的方法，其特征在于，所述根据随机森林模型输出的用户风险等级和逻辑回归模型输出的用户风险评分，对用户进行风险上的分类，具体包括：

将所述随机森林模型输出的用户风险等级换算成等级分数；

确定所述等级分数与所述用户风险评分的加权和，作为风险总分数；

基于所述风险总分数，对用户进行风险上的分类。

4.根据权利要求1所述的方法，其特征在于，所述用户静态特征数据包括以下中的至少一个：

所述用户是否属于黑名单中的用户；

所述用户的注册信息特征；

所述用户的网络消费特征。

5.根据权利要求1所述的方法，其特征在于，所述用户动态特征数据包括以下中的至少一个：

所述用户单位时间更换网络地址的次数；

所述用户单位时间更换上网设备的次数；

所述用户单位时间产生同一操作路径的次数。

6.根据权利要求5所述的方法，其特征在于，所述用户单位时间更换网络地址的次数通过如下方式确定：

基于所述用户注册时的手机号或身份证号，确定所述用户注册时的手机号或身份证号对应的用户的单位时间上网次数，其中，从用户登录到互联网到退出互联网，称为一次上网；

确定所述用户单位时间内每次上网用的网络地址；

基于所述用户单位时间内相邻两次上网所用的网络地址的一致性，确定所述用户单位时间内更换网络地址的次数，其中，如果所述用户一次上网用的网络地址与前一次不一致，则更换了一次网络地址。

7.根据权利要求5所述的方法，其特征在于，所述用户单位时间更换上网设备的次数通过如下方式确定：

基于所述用户注册时的手机号或身份证号，确定所述用户注册时的手机号或身份证号对应的用户的单位时间上网次数，其中，从用户登录到互联网到退出互联网，称为一次上网；

确定所述用户单位时间内每次上网用的上网设备；

基于所述用户单位时间内相邻两次上网所用的上网设备的一致性，确定所述用户单位时间内更换上网设备的次数，其中，如果所述用户一次上网用的上网设备与前一次不一致，则更换了一次上网设备。