[发明专利]用户风险确定方法和装置

说明书

本申请提供了一种用户风险确定方法和装置，在该方法中，将用户的历史征信序列输入到已训练出的风险识别模型，依次经过风险识别模型的编码层、RNN组、注意力层和分类层的处理，可以预测出用户存在借贷逾期风险的风险值，由于该风险值可以表征用户存在借贷逾期风险的情况，从而可以识别出存在借贷逾期风险的用户，有利于减少借贷逾期的情况。

技术领域

本申请涉及数据处理技术领域，更具体的说是涉及一种用户风险确定方法和装置。

背景技术

随着金融业的不断发展，用户所涉及到的金融业务的种类也日益增多。而金融借贷业务可能是大部分用户都会接触到的金融业务，如，金融借贷业务可以包括信用卡借贷、房贷、车贷以及消费贷等等。

在用户向银行或者网络借贷平台等金融机构申请借贷的情况下，金融机构为了保证资金安全，会审核该用户是否具备借贷条件。然而，目前尚无法较为可靠的识别出申请借贷的用户是否存在信贷逾期的风险，从而使得金融机构的借贷业务存在较高风险。

发明内容

有鉴于此，本申请提供了一种用户风险确定方法和装置，以识别出用户存在借贷逾期的风险。

为实现上述目的，本申请提供如下技术方案：

一方面，本申请提供了一种用户风险确定方法，包括：

获得待分析的用户的历史征信序列，所述历史征信序列包括：所述用户的多份具有先后顺序的历史征信记录；

将所述历史征信序列输入到已训练出的风险识别模型，所述风险识别模型依次包括：编码层、循环神经网络RNN组、注意力层和分类层，所述RNN组包括至少一层RNN；

通过所述编码层转换出所述历史征信序列中各历史征信记录的向量；

通过所述RNN组处理所述历史征信序列中各历史征信记录的向量，并将处理得到的所述历史征信序列中各历史征信记录各自对应的输出向量，并将所述历史征信序列中最后一个历史征信记录对应的隐态向量输入到所述注意力层和所述分类层；

通过所述注意力层基于所述历史征信序列中各历史征信记录对应的输出向量以及所述最后一个历史征信记录对应的隐态向量，确定所述历史征信序列对应的上下文向量；

通过所述分类层基于所述最后一个历史征信记录对应的隐态向量以及所述上下文向量，确定出所述用户存在借贷逾期风险的风险值。

优选的，所述风险识别模型中的分类层包括：全连接网络层和归一化模型层；

所述通过所述分类层基于所述最后一个历史征信记录对应的隐态向量以及所述上下文向量，确定出所述用户存在借贷逾期风险的风险值，包括：

通过所述全连接网络层基于所述最后一个历史征信记录对应的隐态向量以及所述上下文向量，确定表征所述用户存在借贷预期风险的预估向量；

通过所述归一化模型层对所述预估向量进行归一化，得到所述用户存在借贷逾期风险的概率。

优选的，在得到所述用户存在借贷逾期风险的概率之后，还包括：

如所述用户存在借贷逾期风险的概率超过设定阈值，则确认所述用户属于存在借贷逾期风险的用户。

优选的，所述历史征信序列为包括所述用户对应的多个月份的历史征信记录的历史征信时间序列，且所述历史征信时间序列中所述多个月份的历史征信记录按照月份的先后顺序的排序。

优选的，所述风险识别模型中的RNN组包括：多层RNN模型，所述多层RNN模型至少包括处于最底层的首层RNN模型和处于最高层的顶层RNN模型；