[发明专利]基于人工智能的风险管控方法、装置、设备及存储介质

权利要求书

1.一种基于人工智能的风险管控方法，其特征在于，包括：

获取目标平台的目标虚拟账户的第一交易数据；

利用基于决策树设置的风险监控策略以根据所述第一交易数据对所述目标虚拟账户进行风险识别，得到第一风险识别结果，所述第一风险识别结果用于指示所述目标虚拟账户是否存在风险；

获取所述目标虚拟账户的第二交易数据，所述第二交易数据与所述第一交易数据存在不同；

利用基于集成学习方法设置的风险监控策略以根据所述第二交易数据对所述目标虚拟账户进行风险识别，得到第二风险识别结果，所述第二风险识别结果包括所述目标虚拟账户的风险系数；

根据所述第一风险识别结果和所述第二风险识别结果进行风险管控。

2.根据权利要求1所述的方法，其特征在于，所述利用基于决策树设置的风险监控策略以根据所述第一交易数据对所述目标虚拟账户进行风险识别，得到第一风险识别结果，包括：

对所述第一交易数据包括的各连续变量进行分箱处理，得到所述各连续变量的分箱结果；

根据平台与预训练的决策树之间的对应关系确定所述目标平台对应的预训练的决策树；

将所述第一交易数据包括的除所述各连续变量之外的各变量、所述各连续变量的分箱结果作为所述目标平台对应的预训练的决策树的输入数据，通过所述预训练的决策树根据所述第一交易数据包括的除所述各连续变量之外的各变量、所述各连续变量的分箱结果对所述目标虚拟账户进行风险识别，得到第一风险识别结果。

3.根据权利要求2所述的方法，其特征在于，所述目标平台对应的预训练的决策树包括第一决策树以及第二决策树，所述通过所述预训练的决策树根据所述第一交易数据包括的除所述各连续变量之外的各变量、所述各连续变量的分箱结果对所述目标虚拟账户进行风险识别，得到第一风险识别结果，包括：

将所述第一交易数据包括的除所述各连续变量之外的各变量、所述各连续变量的分箱结果作为所述第一决策树的输入数据，通过所述第一决策树根据所述第一交易数据包括的除所述各连续变量之外的各变量、所述各连续变量的分箱结果对目标虚拟账户进行风险识别，得到所述第一决策树的输出结果；所述第一决策树的输出结果用于指示所述目标虚拟账户是否存在风险；

将所述第一交易数据包括的除所述各连续变量之外的各变量、所述各连续变量的分箱结果以及所述第一决策树的输出结果作为所述第二决策树的输入数据，通过所述第二决策树根据所述第一交易数据包括的除所述各连续变量之外的各变量、所述各连续变量的分箱结果以及所述第一决策树的输出结果对所述目标虚拟账户进行风险识别，得到第一风险识别结果。

4.根据权利要求2或3所述的方法，其特征在于，所述方法还包括：

统计多个平台中每个平台的交易特征数据以及平台基本信息；

根据所述交易特征数据以及所述平台基本信息对所述多个平台进行聚类处理，得到多个平台集合；

获取所述多个平台集合中每个平台集合对应的交易数据集合以及标签集合，所述交易数据集合包括所述平台集合中各平台下的各虚拟账户的第一交易数据，所述标签集合包括所述各虚拟账户对应的指示账户是否存在风险的标签；

利用所述每个平台集合对应的交易数据集合以及标签集合训练所述平台集合对应的初始的决策树，得到每个平台集合对应的预训练的决策树；

根据每个平台集合对应的预训练的决策树构建平台与预训练的决策树之间的对应关系。

5.根据权利要求4所述的方法，其特征在于，所述平台的确定规则包括以下中的至少一项：根据平台所属企业的企业信息设置的确定规则、根据平台的交易状态数据设置的确定规则、根据平台的成立时间以及生产经营数据中的至少一项设置的确定规则、根据平台的通报处理信息设置的确定规则、根据平台的调查数据设置的确定规则。

6.根据权利要求1所述的方法，其特征在于，所述利用基于集成学习方法设置的风险监控策略以根据所述第二交易数据对所述目标虚拟账户进行风险识别，得到第二风险识别结果，包括：

将所述第二交易数据作为预训练的极端梯度提升模型的输入数据，通过所述预训练的极端梯度提升模型根据所述第二交易数据对目标虚拟账户进行风险识别，得到第二风险识别结果。