[发明专利]基于融合模型的用户风险预测方法、系统和计算机设备

说明书

本发明提供了一种基于融合模型的用户风险预测方法、系统和计算机设备。该方法包括：获取历史用户的资源使用表现数据、用户风险数据，并基于切分参数建立多个子训练数据集和子测试数据集；建立基于切分参数的多个基模型，并使用相应子训练数据集训练对应基模型，对多个基模型进行融合处理，得到初始融合模型；获取待预测用户的资源使用表现数据，确定与该预测用户相对应的基模型以及用于增量学习的训练数据集，进行二次融合处理，得到与待预测用户相对应的最终融合模型；使用最终融合模型，计算待预测用户的风险值，预测所述待预测用户的资源使用状态。本发明实现了更精确的用户群分类，更精确预测了用户的资源使用状态，提高了模型精度。

技术领域

本发明涉及计算机信息处理领域，具体而言，涉及一种基于融合模型的用户风险预测方法、系统和计算机设备。

背景技术

风险预测是对风险的量化，是风险管理的关键性技术。目前一般通过建模的方式进行风险预测，在模型的建立过程中，主要有数据抽取、特征生成、特征选取、算法模型生成和合理性评估等步骤。

在现有技术中，金融风险预测主要的目的是如何区分出好客户和坏客户，评估用户的风险情况，以降低信用风险，并实现利润最大化。此外，随着数据的来源渠道越来越丰富，可以作为风险特征变量的数据也越来越多。但是，例如用户数据及其他相关数据等很多数据在使用时并未考虑时间因素引起的变化，由此，在使用上述数据进行模型计算时，导致模型计算值不够准确，甚至对于一些用户的风险评估的准确性较低。由此，在模型精度提高或模型优化、数据提取等方面仍存在很大改进空间。

因此，有必要提供一种新的用户风险预测方法，以进一步提高模型精度，并更精确地预测不同用户的风险情况。

发明内容

鉴于上述问题，本发明提供了一种基于融合模型的用户风险预测方法，其用于对分配有资源的用户在资源使用期间的资源使用状态变更进行预测，包括：获取历史用户的资源使用表现数据、用户风险数据，并基于切分参数建立多个子训练数据集和子测试数据集，所述历史用户为在资源使用期间发生了资源使用状态变更的用户群，所述资源使用表现数据包括使用状态变更数据，所述切分参数为单维度或多维度；建立基于切分参数的多个基模型，并使用相应子训练数据集训练对应基模型，对所述多个基模型进行融合处理，得到初始融合模型；获取待预测用户的资源使用表现数据，确定与该预测用户相对应的基模型以及用于增量学习的训练数据集，在所述初始融合模型的基础上二次融合处理，得到与待预测用户相对应的最终融合模型；使用所述最终融合模型，计算待预测用户的风险值，预测所述待预测用户的资源使用状态。

优选地，所述切分参数包括时间参数和/或渠道参数，其中，该时间参数用于表征将用户的资源使用总时间等间隔划分的时间段，所述时间参数包括资源使用总时间、间隔时间，该资源使用总时间包括6个月、12个月和24个月，间隔时间包括十五天、三十天、六十天；该渠道参数用于表征用户群的数据渠道，所述渠道参数包括渠道类型、渠道名称、与渠道相关的用户交易数据。

优选地，所述对所述多个基模型进行融合处理，以得到初始融合模型包括：使用机器学习模型学习各基模型的资源使用表现数据与用户风险数据征数据的对应关系、以及所述基模型之间的数据分布变化，得到与各基模型相对应的初始权重系数，并拟合生成与初始融合模型相对应的趋势图。

优选地，所述获取待预测用户的资源使用表现数据，确定与该预测用户相对应的基模型以及用于增量学习的训练数据集包括：确定待预测用户的时间特征数据，该时间特征数据包括资源使用总时间T、使用期数T1～Tn、当前资源使用时间Tn，以及该待预测的资源使用时间Tn+t；使用所述初始融合模型的拟合趋势图，计算该预测用户在资源使用时间Tn+t的用户风险计算值，选出与该用户风险计算值最接近的基模型，并确定资源使用时间为Tn所对应的一个或多个子训练数据集作为增量学习的训练数据集，所述最接近的基模型为一个或多个。