[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

说明书

本公开是关于一种基于机器学习的用户风险分类方法、装置及设备，属于人工智能技术领域，该方法包括：首先获取用户未结合网络行为的静态特征数据和结合网络行为的动态特征数据；然后，将上述两种特征数据剔除目标剔除特征数据后输入预先训练的随机森林模型后输出用户风险等级；其次，将上述两种特征的数据中剔除目标剔除特征数据后的特征数据、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后输出用户风险评分；最后，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。本公开通过机器学习模型利用用户静态特征和动态特征数据对用户风险进行分类，有效提高了风险分类的准确性。

技术领域

本公开涉及人工智能领域，具体而言，涉及一种基于机器学习的用户风险分类方法、装置、介质及设备。

背景技术

用户风险是指用户在某些环境下，某些时间内，由于外界因素或者用户本身行为造成的内部因素带来的可能会致使用户产生损失的可能性；用户风险的分类就是根据用户的操作环境下的外界因素和内部因素对用户风险按照产生风险的可能性进行评估。

现有的用户评分体系基本上为基于用户属性的评分卡模型或者基于黑白名单分级，这样基于未结合用户网络行为的静态属性信息的评估方式不利于评价拥有大体量用户的平台中用户的风险，会造成评估的片面性和不准确性，因此需要基于用户的行为数据加以补充，根据未结合用户网络行为的静态特征数据与结合用户网络行为的动态特征数据来评价用户的风险等级。更重要的是，现有方法中对用户风险采用机器学习模型进行用户风险分类时一般采用单一的机器学习模型，评估结果具有局限性，分类结果不够准确，因此需要考虑多个机器学习模型的结合评估方式，结合多个机器学习模型的优点互相补充，从而得到更加准确地分析结果，不会造成用户风险评估时的误伤问题，采用随机森林模型结合逻辑回归模型对用户进行风险评估既可以保证高的运算效率，高的模型结果精度，以及低的输入数据加工成本，又可以低成本的高效率的将用户风险特征加工成风险分数，综合随机森林模型和逻辑回归模型的结果可以更加准确的进行用户风险分类。

所以，通过随机森林模型结合逻辑回归模型根据用户静态特征数据和动态特征数据对用户风险进行分类的体系具有极高的意义。

因此，需要提供一种新的基于机器学习的用户风险分类方法及装置。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种基于机器学习的用户风险分类方法、装置、介质及设备，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的由于用户特征数据不够全面，分类模型单一造成的分类结果不准确的问题。

根据本公开的一个方面，提供一种用户风险分类方法，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。