[发明专利]一种账户监测方法、装置、设备及存储介质

说明书

本发明公开了一种账户监测方法、装置、设备及存储介质。该方法包括：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，通过本发明的技术方案，能够解决时间滞后与业务解释性不足等问题。

技术领域

本发明实施例涉及计算机技术领域，尤其涉及一种账户监测方法、装置、设备及存储介质。

背景技术

现有的银行账户监测方法中，一类是基于业务经验、风险案例和监管要求，梳理相关监控规则并人工设定相关阈值进行预警的规则监控方法，此类方法由于人工参与以及历史经验的比重较高，对于新型电子诈骗行为防范能力较弱，有一定时间上的滞后性；另一类则是基于行内行外已有黑样本，结合账户特征指标输入机器学习模型进行训练与预测，输出相关概率，此类模型由于单一分类器对于各种类型的指标与数据的学习能力不同，导致最终结果存在一定过拟合、欠拟合的问题；同时由于大量的特征进入一个模型进行训练，导致最终数据结果的业务解释性不足，无法进一步的穿透到新型电子诈骗案例本身，进行一定程度上的溯源。

发明内容

本发明实施例提供一种账户监测方法、装置、设备及存储介质，能够穿透到开户、交易、产品等多个维度，利用与该种数据相性最优的底层模型进行处理，并在最上层利用上层模型进行融合，解决模型时间上滞后性与业务解释性不足等问题。

第一方面，本发明实施例提供了一种账户监测方法，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。

进一步的，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；