[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

说明书

本发明公开了一种基于增量学习的用户金融风险识别方法、装置及电子设备，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，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。本发明的分类模型M_i既学习到了t_i‑1时间段的样本特征，也学习到了t_i时间段的样本特征，最终输出结果既能保留前期样本的充足性，又能学习到近期样本的代表性，从而提高对用户近期行为判断的准确性。

技术领域

本发明涉及计算机信息处理技术领域，具体而言，涉及一种基于增量学习的用户金融风险识别方法、装置、电子设备及计算机可读介质。

背景技术

目前，具备完善的风险识别能力的企业往往希望能够准确识别用户在风险场景中的风险等级。现有方案中，通常采用已有用户数据训练得到一个风险预测模型，通过风险预测模型来预测用户的潜在风险。

在用户风险识别过程中，很多用户只有短期的用户数据，例如短期借贷用户。发明人发现：采用长期的用户数据，由于数据周期长，其无法准确预测近期用户行为。采用短期用户数据预测则因数据时间太短，表现性不够，无法全面的预测用户行为。因此，需要既能反映售后老用户的真实数据，又能避免数据时间太长导致无法预测用户近期风险的问题。

发明内容

本发明旨在解决风险预测中单纯采用长期用户数据或者单纯采用短期用户数据均会导致对用户近期风险预测不准确的技术问题。

为了解决上述技术问题，本发明第一方面提出一种基于增量学习的用户金融风险识别方法，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。

根据本发明一种优选的实施方式，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。

根据本发明一种优选的实施方式，所述分类模型为决策树模型。

根据本发明一种优选的实施方式，决策树模型M_i+1基于决策树模型M_i的残差值学习。

根据本发明一种优选的实施方式，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。