[发明专利]基于增量学习的用户金融风险识别方法、装置及电子设备

权利要求书

1.一种基于增量学习的用户金融风险识别方法，其特征在于，所述方法包括：

将历史用户数据根据用户金融行为表现期的起始时间顺序分为多个时间段，各时间段的分隔点分别记为t₀、t₁、…、t_i、…、t_n，其中i、n为正整数；

使用终点为t_i-1的时间段的历史用户数据训练分类模型M_i，将终点为t_i的时间段的历史用户数据输入所述训练好的分类模型M_i中进行训练，得到分类模型M_i+1；

根据各个分类模型M₁、M₂、……、M_n+1识别新用户的金融风险。

2.根据权利要求1所述的方法，其特征在于，所述终点为t_i的时间段所包含的时间长度随i的增加依次减小。

3.根据权利要求1-2中任一项所述的方法，其特征在于，所述分类模型为决策树模型。

4.根据权利要求3所述的方法，其特征在于，决策树模型M_i+1基于决策树模型M_i的残差值学习。

5.根据权利要求4所述的方法，其特征在于，所述根据各个分类模型M₁、M₂、……、M_n+1识别新用户的金融风险包括：

将新用户的用户数据输入各个决策树模型M₁、M₂、……、M_n+1；

将各个决策树模型M₁、M₂、……、M_n+1的输出结果累加，得到最终输出结果；

根据所述最终输出结果识别新用户的金融风险。

6.根据权利要求1所述的方法，其特征在于，所述历史用户数据包括：用户资源归还率、用户资源请求次数、用户属性信息中的至少一种。

7.一种基于增量学习的用户金融风险识别装置，其特征在于，所述装置包括：

分割模块，用于将历史用户数据根据用户金融行为表现期的起始时间顺序分为多个时间段，各时间段的分隔点分别记为t₀、t₁、…、t_i、…、t_n，其中i、n为正整数；

训练模块，用于使用终点为t_i-1的时间段的历史用户数据训练分类模型M_i，将终点为t_i的时间段的历史用户数据输入所述训练好的分类模型M_i中进行训练，得到分类模型M_i+1；

识别模块，用于根据各个分类模型M₁、M₂、……、M_n+1识别新用户的金融风险。

8.一种电子设备，包括：

处理器；以及

存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器执行根据权利要求1-6中任一项所述的方法。

9.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，当所述一个或多个程序被处理器执行时，实现权利要求1-6中任一项所述的方法。