[发明专利]业务风险预测方法、装置、计算机设备与存储介质

权利要求书

1.一种业务风险预测方法，其特征在于，所述方法包括：

获取客户信息数据以及业务在多个历史时序的状态信息数据；

将所述客户信息数据以及所述状态信息数据映射到低维稠密向量空间，得到嵌入特征向量，所述嵌入特征向量包括客户特征向量以及状态特征向量；

基于多头注意力机制对所述状态特征向量进行加权计算，得到关联特征向量，所述关联特征向量用于表征所述业务在所述历史时序的状态与未来状态之间的关联关系；

将所述关联特征向量与所述客户特征向量进行融合，得到融合后的特征向量；

将所述融合后的特征向量输入至预设风险分类模型中进行识别，得到业务风险的预测结果。

2.根据权利要求1所述的方法，其特征在于，所述将所述客户信息数据以及所述状态信息数据映射到低维稠密向量空间，得到嵌入特征向量包括：

将所述客户信息数据以及所述状态信息数据进行预处理，得到预处理后的客户信息数据以及状态信息数据；

将所述预处理后的客户信息数据以及状态信息数据输入至特征嵌入网络中进行降维处理，得到嵌入特征向量。

3.根据权利要求2所述的方法，其特征在于，所述预处理包括：

数据清洗、时间排序、特征工程、异常数据识别、异常数据剔除、归一化以及one-hot编码中的至少一项。

4.根据权利要求1所述的方法，其特征在于，所述基于多头注意力机制对所述状态特征向量进行加权计算，得到关联特征向量包括：

将所述状态特征向量输入至预设多头注意力模型中进行自注意力运算，得到所述状态特征向量对应的注意力分布；

将所述注意力分布进行归一化处理，得到归一化注意力分布序列；

将所述归一化注意力分布序列输入至前馈神经网络中，得到关联特征向量。

5.根据权利要求1所述的方法，其特征在于，所述将所述融合后的特征向量输入至预设风险分类模型中进行识别，得到业务风险的预测结果之前，包括：

获取预设样本数据集，所述预设样本数据集携带待分类数据特征向量以及待分类数据对应的真实分类结果；

将所述预设样本数据集输入至初始风险分类模型中进行分类，采用SoftMax函数得到分类结果；

根据所述分类结果以及所述真实分类结果采用交叉熵损失函数进行损失值计算，得到所述初始风险分类模型的损失值；

若所述损失值不小于预设分类损失值阈值，则调整所述初始风险分类模型中的损失值，得到调整后的初始风险分类模型；

将所述调整后的初始风险分类模型重新作为初始风险分类模型，返回所述将所述预设样本数据集输入至初始风险分类模型中进行分类，采用SoftMax函数得到分类结果的步骤，直至所述损失值小于预设分类损失值阈值，得到最新的初始风险分类模型；

将所述最新的初始风险分类模型作为预设风险分类模型。

6.根据权利要求1所述的方法，其特征在于，所述获取客户信息数据以及业务在多个历史时序的状态信息数据之后，还包括：

若所述状态信息数据的数量不小于预设数据量阈值，则进入所述将所述客户信息数据以及状态信息数据映射到低维稠密向量空间的步骤；

若所述状态信息数据的数量小于预设数据量阈值，则获取与所述客户信息数据相匹配的目标客户信息数据；

将所述客户信息数据与目标客户信息数据进行数据转换，得到客户信息数据对应的特征向量以及目标客户信息数据对应的目标特征向量；

根据相似度算法，得到所述特征向量与所述目标特征向量之间的相似度；

若所述相似度大于预设阈值，则获取所述目标客户的业务状态信息数据；

根据所述业务状态信息数据，得到业务风险的预测结果。