[发明专利]一种账户监测方法、装置、设备及存储介质

权利要求书

1.一种账户监测方法，其特征在于，包括：

获取待监测账户数据；

将所述待监测账户数据输入监测融合模型，得到所述待监测账户数据对应的目标账户异常概率和目标账户异常标签，其中，所述监测融合模型包括：状态类特征模型、产品类特征模型、事件类特征模型、衍生类特征模型、目标XGBoost模型和目标逻辑回归模型，所述状态类特征模型、产品类特征模型、事件类特征模型和衍生类特征模型通过第一数据样本集迭代训练目标模型集合得到，所述目标XGBoost模型通过所述第一数据样本集迭代训练XGBoost模型得到，目标逻辑回归模型通过第二数据样本集迭代训练逻辑回归模型得到，所述第一数据样本集包括：第一状态类特征数据、第一产品类特征数据、第一事件类特征数据和第一衍生类特征数据，所述第二数据样本集包括：状态类特征模型输出的账户异常概率样本和账户异常标签样本、产品类特征模型输出的账户类型概率样本和账户异常标签样本、事件类特征模型输出的账户异常概率样本和账户异常标签样本、衍生类特征模型输出的账户异常概率样本和账户异常标签样本以及目标XGBoost模型输出的账户异常概率样本和账户异常标签样本。

2.根据权利要求1所述的方法，其特征在于，将所述待监测账户数据输入监测融合模型，得到所述待监测账户数据对应的目标账户异常概率和目标账户异常标签，包括：

将所述待监测账户数据输入状态类特征模型得到第一账户异常概率和第一账户异常标签；

将所述待监测账户数据输入产品类特征模型得到第二账户异常概率和第二账户异常标签；

将所述待监测账户数据输入事件类特征模型得到第三账户异常概率和第三账户异常标签；

将所述待监测账户数据输入衍生类特征模型得到第四账户异常概率和第四账户异常标签；

将所述待监测账户数据输入目标XGBoost模型得到第五账户异常概率以及第五账户异常标签；

将所述第一账户异常概率、第一账户异常标签、第二账户异常概率、第二账户异常标签、第三账户异常概率、第三账户异常标签、第四账户异常概率、第四账户异常标签、第五账户异常概率以及第五账户异常标签输入目标逻辑回归模型，得到所述待监测账户数据对应的目标账户异常概率和目标账户异常标签。

3.根据权利要求2所述的方法，其特征在于，在获取待监测账户数据之前，还包括：

根据业务信息对历史数据进行划分，得到第一状态类特征数据、第一产品类特征数据和第一事件类特征数据；

根据所述第一状态类特征数据、第一产品类特征数据和第一事件类特征数据生成第一衍生类特征数据；

根据所述第一状态类特征数据、第一产品类特征数据、第一事件类特征数据和第一衍生类特征数据对目标模型集合进行训练，得到状态类特征模型、产品类特征模型、事件类特征模型和衍生类特征模型。

4.根据权利要求3所述的方法，其特征在于，根据所述第一状态类特征数据、第一产品类特征数据、第一事件类特征数据和第一衍生类特征数据对目标模型集合进行训练，得到状态类特征模型、产品类特征模型、事件类特征模型和衍生类特征模型，包括：

将所述第一状态类特征数据、第一产品类特征数据、第一事件类特征数据和第一衍生类特征数据输入第一模型集合，得到特征数据评分，其中，所述第一模型包括：XGBoost模型、CatBoost模型和Lgbm模型中的至少一个；

根据所述特征数据评分从所述第一状态类特征数据、第一产品类特征数据、第一事件类特征数据和第一衍生类特征数据中筛选得到第二状态类特征数据、第二产品类特征数据、第二事件类特征数据和第二衍生类特征数据；

根据所述第二状态类特征数据、第二产品类特征数据、第二事件类特征数据和第二衍生类特征数据对目标模型集合进行训练，得到第二模型集合，其中，所述目标模型集合包括：XGBoost模型、CatBoost模型和Lgbm模型中的至少一个，RF模型以及SVM模型；

根据所述第二模型集合中的模型对应的评估指标对所述第二模型集合中的模型进行筛选，得到状态类特征模型、产品类特征模型、事件类特征模型和衍生类特征模型。