CN108280759A - 风控模型优化方法、终端及计算机可读存储介质 - Google Patents
风控模型优化方法、终端及计算机可读存储介质 Download PDFInfo
- Publication number
- CN108280759A CN108280759A CN201810045705.3A CN201810045705A CN108280759A CN 108280759 A CN108280759 A CN 108280759A CN 201810045705 A CN201810045705 A CN 201810045705A CN 108280759 A CN108280759 A CN 108280759A
- Authority
- CN
- China
- Prior art keywords
- air control
- characterization factor
- user
- data
- control characterization
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种风控模型优化方法、终端及计算机可读存储介质，其中方法包括：获取多维度数据；对多维度数据进行处理，以得到第一风控特征因子、第二风控特征因子以及第三风控特征因子；利用XGBoost算法，对第一风控特征因子、第二风控特征因子以及第三风控特征因子进行筛选及生成处理，以得到最有效风控特征因子和组合风控特征因子；将最有效风控特征因子和组合风控特征因子输入预设的风控模型，以预测用户逾期概率值。实施本发明实施例，基于多维度数据实现了风控模型优化，进一步地，基于优化后的风控模型，可以提高贷前审核、贷中监控过程中对用户进行识别的准确性。
Description
技术领域
本发明涉及互联网金融风控技术领域，具体涉及一种风控模型优化方法、终端及计算机可读存储介质。
背景技术
现阶段，互联网金融贷款服务公司，在提供放贷服务过程中，往往只有用户提交申请所填写的数据，以及人行征信数据可用，本身存在数据覆盖少，可用信息少等问题，难以支撑一个用户在贷前审核、贷中监控等关键环节的审查。
发明内容
本发明实施例的目的在于提供一种风控模型优化方法、终端及计算机可读存储介质，以基于多维度数据进行风控模型优化，提高贷前审核、贷中监控过程中对用户进行识别的准确性。
为实现上述目的，第一方面，本发明实施例提供了一种风控模型优化方法,包括：
获取多维度数据，所述多维度数据包括应用类别数据、用户使用行为数据、用户设备地理位置轨迹数据以及用户设备基础信息数据；
对所述多维度数据进行处理，以得到第一风控特征因子、第二风控特征因子以及第三风控特征因子；
利用XGBoost算法，对所述第一风控特征因子、第二风控特征因子以及第三风控特征因子进行筛选及生成处理，以得到最有效风控特征因子和组合风控特征因子；
将所述最有效风控特征因子和组合风控特征因子输入预设的风控模型，以预测用户逾期概率值。
作为本申请一种优选的实施方式，对所述多维度数据进行处理，以得到第一风控特征因子具体包括：
利用Naive Bayes算法对所述应用类别数据进行分类，以得到多个应用类别；
根据所述应用类别，结合所述用户使用行为数据，利用LR算法计算出每一用户对每一类使用行为的的行为偏好；
将所述行为偏好作为所述第一风控特征因子。
作为本申请一种优选的实施方式，对所述多维度数据进行处理，以得到第二风控特征因子具体包括：
利用GeoHash技术，结合所述用户设备地理位置轨迹数据，计算算用户设备任一时间段所处地点的地理类型；
将所述地理类型作为所述第二风控特征因子。
作为本申请一种优选的实施方式，所述用户设备基础信息数据包括国际移动设备身份码、MAC地址及国际移动用户识别码，对所述多维度数据进行处理，以得到第三风控特征因子具体包括：
利用图算法，结合所述用户设备基础信息数据获取多个用户设备的关联数据；
将所述关联数据作为所述第三风控特征因子。
作为本申请一种优选的实施方式，所述优化方法还包括：
根据所述用户逾期概率值和预设的测试样本集中用户的好坏标识得到ks指标值。
第二方面，本发明实施例提供了一种风控模型优化终端，包括：
获取单元，用于获取多维度数据，所述多维度数据包括应用类别数据、用户使用行为数据、用户设备地理位置轨迹数据以及用户设备基础信息数据；
第一处理单元，用于对所述多维度数据进行处理，以得到第一风控特征因子、第二风控特征因子以及第三风控特征因子；
第二处理单元，用于利用XGBoost算法，对所述第一风控特征因子、第二风控特征因子以及第三风控特征因子进行筛选及生成处理，以得到最有效风控特征因子和组合风控特征因子；
优化单元，用于将所述最有效风控特征因子和组合风控特征因子输入预设的风控模型，以预测用户逾期概率值。
作为本申请一种优选的实施方式，所述第一处理单元具体用于：
利用Naive Bayes算法对所述应用类别数据进行分类，以得到多个应用类别；
根据所述应用类别，结合所述用户使用行为数据，利用LR算法计算出每一用户对每一类使用行为的的行为偏好；
将所述行为偏好作为所述第一风控特征因子；
利用GeoHash技术，结合所述用户设备地理位置轨迹数据，计算算用户设备任一时间段所处地点的地理类型；
将所述地理类型作为所述第二风控特征因子；
利用图算法，结合所述用户设备基础信息数据获取多个用户设备的关联数据，所述用户设备基础信息数据包括国际移动设备身份码、MAC地址及国际移动用户识别码；
将所述关联数据作为所述第三风控特征因子。
作为本申请一种优选的实施方式，所述优化终端还包括：
计算单元，用于根据所述用户逾期概率值和预设的测试样本集中用户的好坏标识得到ks指标值。
第三方面，本发明实施例还提供了一种风控模型优化终端，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述第一方面所述的方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一方面所述的方法。
实施本发明实施例，先获取多维度数据进行处理以得到第一风控特征因子、第二风控特征因子以及第三风控特征因子，再根据上述因子得到最有效风控特征因子和组合风控特征因子，最后将最有效风控特征因子和组合风控特征因子输入风控模型，以实现风控模型的优化；即本发明实施例基于多维度数据实现了风控模型优化，进一步地，基于优化后的风控模型，可以提高贷前审核、贷中监控过程中对用户进行识别的准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1是本发明第一实施例提供的风控模型优化方法的示意流程图；
图2是本发明第二实施例提供的风控模型优化方法的示意流程图；
图3是本发明第一实施例提供的风控模型优化终端的结构示意图；
图4是本发明第二实施例提供的风控模型优化终端的结构示意图；
图5是本发明第三实施例提供的风控模型优化终端的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
请参考图1，是本发明第一实施例所提供的风控模型优化方法的流程示意图，如图所示，该方法可以包括如下步骤：
S101，获取多维度数据。
其中，多维度数据包括应用类别数据、用户使用行为数据、用户设备地理位置轨迹数据以及用户设备基础信息数据。
S102，对多维度数据进行处理，以得到第一风控特征因子、第二风控特征因子以及第三风控特征因子。
S103，利用XGBoost算法，对第一风控特征因子、第二风控特征因子以及第三风控特征因子进行筛选及生成处理，以得到最有效风控特征因子和组合风控特征因子。
S104，将最有效风控特征因子和组合风控特征因子输入预设的风控模型，以预测用户逾期概率值。
实施本发明实施例所提供的风控模型优化方法，先获取多维度数据进行处理以得到第一风控特征因子、第二风控特征因子以及第三风控特征因子，再根据上述因子得到最有效风控特征因子和组合风控特征因子，最后将最有效风控特征因子和组合风控特征因子输入风控模型，以实现风控模型的优化；即本发明实施例基于多维度数据实现了风控模型优化，进一步地，基于优化后的风控模型，可以提高贷前审核、贷中监控过程中对用户进行识别的准确性。
请参考图2，是本发明第二实施例所提供的风控模型优化方法的流程示意图，如图所示，该方法可以包括如下步骤：
S201，获取多维度数据。
其中，多维度数据包括应用类别数据、用户使用行为数据、用户设备地理位置轨迹数据以及用户设备基础信息数据。
具体地，在数据管理平台(例如极光)海量的移动终端数据中，获取应用类别数据、用户使用行为数据、用户设备地理位置轨迹数据以及用户设备基础信息数据。其中，应用类别数据包括但不仅限于用户移动设备所安装过的应用程序数据，用户使用行为数据包括但不仅限于移动终端上应用程序使用的时长、安装、卸载等行为数据，用户设备基础信息数据包括但不仅限于国际移动设备身份码(IMEI)、MAC地址及国际移动用户识别码(IMSI)。
S202，对多维度数据进行处理，以得到第一风控特征因子、第二风控特征因子以及第三风控特征因子。
具体地，获取应用类别数据之后，利用Naive Bayes算法对应用类别数据进行细分，将不同应用类别划分到同一个类别中，以得到多个应用类别，例如信用卡工具、现金贷以及车贷等等。进一步地，根据上述应用类别，结合用户使用行为数据，利用LR算法结算处每一个用户对每一类使用行为的行为偏好，并将该行为偏好作为第一风控特征因子。需要说明的是，此处使用应用类别代替单一应用程序，大大地提高了数据的有值率，从而降低了数据的稀疏性。
进一步地，利用GeoHash技术，基于用户设备地理位置轨迹数据，结合POI可以计算出用户设备某个时间段所处地点的地理类型，也可以得到其他和地理位置相关的数据，将地理类型和与地理位置相关的数据作为第二风控特征因子。
进一步地，通过用户设备上的国际移动设备身份码(IMEI)、MAC地址及国际移动用户识别码(IMSI)等唯一标识的相互关联，利用图算法，获得用户设备一度关联到的用户设备、二度关联到的用户设备，即获取多个用户设备的关联数据；并将该关联数据作为第三风控特征因子。
S203，利用XGBoost算法，对第一风控特征因子、第二风控特征因子以及第三风控特征因子进行筛选及生成处理，以得到最有效风控特征因子和组合风控特征因子。
具体地，利用XGBoost算法，在训练样本集上，对第一风控特征因子、第二风控特征因子以及第三风控特征因子进行筛选及生成处理，以得到最有效风控特征因子和组合风控特征因子。
需要说明的是，XGBoost是利用树形结构的思想，在树的每一层上利用所有的风控特征因子选择出一个最有效的风控特征因子，然后通过多棵树来筛选出最有效果的风控特征因子，同时每棵树从根节点到叶子节点的路径上的风控特征因子可以作为一个组合风控特征因子来使用。
S204，将最有效风控特征因子和组合风控特征因子输入预设的风控模型，以预测用户逾期概率值。
S205，根据用户逾期概率值和预设的测试样本集中用户的好坏标识得到ks指标值。
需要说明的是，步骤S201至S204实现了风控模型的优化，在步骤S204中会得到用户逾期概率值，根据该用户逾期概率值和预设的测试样本集中用户的好坏标识得到ks指标值。该ks指标值用来衡量上述风控模型的优化效果，同时也可以用来衡量上述多个风控特征因子的效果。
本实施例所提供的方法，基于应用类别数据、用户使用行为数据、用户设备地理位置轨迹数据以及用户设备基础信息数据，计算出用户的行为偏好(第一风控特征因子)、行为强度(第二风控特征因子)和关系网络(第三风控特征因子)等上千维特征因子，全面、细致地对一个用户(客户)在贷前、贷中等不同时期的行为属性进行了刻画。且，使用上述风控特征因子后，ks模型在原有基础上提升了50％，极大地降低了后续的坏账率。
实施本发明实施例所提供的风控模型优化方法，先获取多维度数据进行处理以得到第一风控特征因子、第二风控特征因子以及第三风控特征因子，再根据上述因子得到最有效风控特征因子和组合风控特征因子，最后将最有效风控特征因子和组合风控特征因子输入风控模型，以实现风控模型的优化；即本发明实施例基于多维度数据实现了风控模型优化，进一步地，基于优化后的风控模型，可以提高贷前审核、贷中监控过程中对用户进行识别的准确性。
相应地，在上述实施例所提供的风控模型优化方法的基础上，本发明实施例还提供了一种风控模型优化终端。请参考图3，该风控模型优化终端包括：
获取单元10，用于获取多维度数据，多维度数据包括应用类别数据、用户使用行为数据、用户设备地理位置轨迹数据以及用户设备基础信息数据；
第一处理单元11，用于对多维度数据进行处理，以得到第一风控特征因子、第二风控特征因子以及第三风控特征因子；
第二处理单元12，用于利用XGBoost算法，对第一风控特征因子、第二风控特征因子以及第三风控特征因子进行筛选及生成处理，以得到最有效风控特征因子和组合风控特征因子；
优化单元13，用于将最有效风控特征因子和组合风控特征因子输入预设的风控模型，以预测用户逾期概率值。
具体地，第一处理单元11具体用于：
利用Naive Bayes算法对应用类别数据进行分类，以得到多个应用类别；
根据应用类别，结合用户使用行为数据，利用LR算法计算出每一用户对每一类使用行为的的行为偏好；
将行为偏好作为所述第一风控特征因子；
利用GeoHash技术，结合用户设备地理位置轨迹数据，计算算用户设备任一时间段所处地点的地理类型；
将地理类型作为第二风控特征因子；
利用图算法，结合用户设备基础信息数据获取多个用户设备的关联数据，用户设备基础信息数据包括国际移动设备身份码、MAC地址及国际移动用户识别码；
将关联数据作为第三风控特征因子。
实施本发明实施例所提供的风控模型优化终端，先获取多维度数据进行处理以得到第一风控特征因子、第二风控特征因子以及第三风控特征因子，再根据上述因子得到最有效风控特征因子和组合风控特征因子，最后将最有效风控特征因子和组合风控特征因子输入风控模型，以实现风控模型的优化；即本发明实施例基于多维度数据实现了风控模型优化，进一步地，基于优化后的风控模型，可以提高贷前审核、贷中监控过程中对用户进行识别的准确性。
请参考图4，是本发明第二实施例提供的风控模型优化终端结构示意图，在图3的基础上，该风控模型优化终端还包括：
计算单元24，用于根据用户逾期概率值和预设的测试样本集中用户的好坏标识得到ks指标值。
需要说明的是，本实施例中获取单元20、第一处理单元21、第二处理单元22以及优化单元23，其工作流程请参考上述实施例中的获取单元10、第一处理单元11、第二处理单元12以及优化单元13，在此不再赘述。
还需要说明的是，图3及图4所示风控模型优化终端的具体工作流程请参考前述方法实施例部分的描述，在此不再赘述。
实施本发明实施例的风控模型优化终端，先获取多维度数据进行处理以得到第一风控特征因子、第二风控特征因子以及第三风控特征因子，再根据上述因子得到最有效风控特征因子和组合风控特征因子，最后将最有效风控特征因子和组合风控特征因子输入风控模型，以实现风控模型的优化；即本发明实施例基于多维度数据实现了风控模型优化，进一步地，基于优化后的风控模型，可以提高贷前审核、贷中监控过程中对用户进行识别的准确性。
进一步地，在上述实施例所提供的风控模型优化方法及终端的基础上，本发明实施例还提供了一种风控模型优化终端。如图5所示，该风控模型优化终端，可以包括：一个或多个处理器101、一个或多个输入设备102、一个或多个输出设备103和存储器104，上述处理器101、输入设备102、输出设备103和存储器104通过总线105相互连接。存储器104用于存储计算机程序，所述计算机程序包括程序指令，所述处理器101被配置用于调用所述程序指令执行：
获取多维度数据，所述多维度数据包括应用类别数据、用户使用行为数据、用户设备地理位置轨迹数据以及用户设备基础信息数据；
对所述多维度数据进行处理，以得到第一风控特征因子、第二风控特征因子以及第三风控特征因子；
利用XGBoost算法，对所述一风控特征因子、第二风控特征因子以及第三风控特征因子进行筛选及生成处理，以得到最有效风控特征因子和组合风控特征因子；
将所述最有效风控特征因子和组合风控特征因子输入预设的风控模型，以预测用户逾期概率值。
进一步地，所述处理器101被配置用于调用所述程序指令执行：
利用Naive Bayes算法对所述应用类别数据进行分类，以得到多个应用类别；
根据所述应用类别，结合所述用户使用行为数据，利用LR算法计算出每一用户对每一类使用行为的的行为偏好；
将所述行为偏好作为所述第一风控特征因子；
利用GeoHash技术，结合所述用户设备地理位置轨迹数据，计算算用户设备任一时间段所处地点的地理类型；
将所述地理类型作为所述第二风控特征因子；
利用图算法，结合所述用户设备基础信息数据获取多个用户设备的关联数据；
将所述关联数据作为所述第三风控特征因子。
进一步地，所述处理器101被配置用于调用所述程序指令执行：
根据用户逾期概率值和预设的测试样本集中用户的好坏标识得到ks指标值。
应当理解，在本发明实施例中，所称处理器101可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备102可以包括键盘等，输出设备103可以包括显示器(LCD等)、扬声器等。
该存储器104可以包括只读存储器和随机存取存储器，并向处理器101提供指令和数据。存储器104的一部分还可以包括非易失性随机存取存储器。例如，存储器104还可以存储设备类型的信息。
具体实现中，本发明实施例中所描述的处理器101、输入设备102、输出设备103可执行本发明实施例提供的风控模型优化方法的实施例中所描述的实现方式，在此不再赘述。
实施本发明实施例的风控模型优化终端，先获取多维度数据进行处理以得到第一风控特征因子、第二风控特征因子以及第三风控特征因子，再根据上述因子得到最有效风控特征因子和组合风控特征因子，最后将最有效风控特征因子和组合风控特征因子输入风控模型，以实现风控模型的优化；即本发明实施例基于多维度数据实现了风控模型优化，进一步地，基于优化后的风控模型，可以提高贷前审核、贷中监控过程中对用户进行识别的准确性。
相应地，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时实现：上述风控模型优化方法。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的终端和方法，可以通过其它的方式实现。例如，以上所描述的终端实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种风控模型优化方法，其特征在于，包括：
获取多维度数据，所述多维度数据包括应用类别数据、用户使用行为数据、用户设备地理位置轨迹数据以及用户设备基础信息数据；
对所述多维度数据进行处理，以得到第一风控特征因子、第二风控特征因子以及第三风控特征因子；
利用XGBoost算法，对所述第一风控特征因子、第二风控特征因子以及第三风控特征因子进行筛选及生成处理，以得到最有效风控特征因子和组合风控特征因子；
将所述最有效风控特征因子和组合风控特征因子输入预设的风控模型，以预测用户逾期概率值。
2.如权利要求1所述的风控模型优化方法，其特征在于，对所述多维度数据进行处理，以得到第一风控特征因子具体包括：
利用Naive Bayes算法对所述应用类别数据进行分类，以得到多个应用类别；
根据所述应用类别，结合所述用户使用行为数据，利用LR算法计算出每一用户对每一类使用行为的的行为偏好；
将所述行为偏好作为所述第一风控特征因子。
3.如权利要求2所述的风控模型优化方法，其特征在于，对所述多维度数据进行处理，以得到第二风控特征因子具体包括：
利用GeoHash技术，结合所述用户设备地理位置轨迹数据，计算算用户设备任一时间段所处地点的地理类型；
将所述地理类型作为所述第二风控特征因子。
4.如权利要求3所述的风控模型优化方法，其特征在于，所述用户设备基础信息数据包括国际移动设备身份码、MAC地址及国际移动用户识别码，对所述多维度数据进行处理，以得到第三风控特征因子具体包括：
利用图算法，结合所述用户设备基础信息数据获取多个用户设备的关联数据；
将所述关联数据作为所述第三风控特征因子。
5.如权利要求4所述的风控模型优化方法，其特征在于，所述优化方法还包括：
根据所述用户逾期概率值和预设的测试样本集中用户的好坏标识得到ks指标值。
6.一种风控模型优化终端，其特征在于，包括：
获取单元，用于获取多维度数据，所述多维度数据包括应用类别数据、用户使用行为数据、用户设备地理位置轨迹数据以及用户设备基础信息数据；
第一处理单元，用于对所述多维度数据进行处理，以得到第一风控特征因子、第二风控特征因子以及第三风控特征因子；
第二处理单元，用于利用XGBoost算法，对所述第一风控特征因子、第二风控特征因子以及第三风控特征因子进行筛选及生成处理，以得到最有效风控特征因子和组合风控特征因子；
优化单元，用于将所述最有效风控特征因子和组合风控特征因子输入预设的风控模型，以预测用户逾期概率值。
7.如权利要求6所述的风控模型优化终端，其特征在于，所述第一处理单元具体用于：
利用Naive Bayes算法对所述应用类别数据进行分类，以得到多个应用类别；
根据所述应用类别，结合所述用户使用行为数据，利用LR算法计算出每一用户对每一类使用行为的的行为偏好；
将所述行为偏好作为所述第一风控特征因子；
利用GeoHash技术，结合所述用户设备地理位置轨迹数据，计算算用户设备任一时间段所处地点的地理类型；
将所述地理类型作为所述第二风控特征因子；
利用图算法，结合所述用户设备基础信息数据获取多个用户设备的关联数据，所述用户设备基础信息数据包括国际移动设备身份码、MAC地址及国际移动用户识别码；
将所述关联数据作为所述第三风控特征因子。
8.如权利要求7所述的风控模型优化终端，其特征在于，所述优化终端还包括：
计算单元，用于根据所述用户逾期概率值和预设的测试样本集中用户的好坏标识得到ks指标值。
9.一种风控模型优化终端，其特征在于，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1-5任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810045705.3A CN108280759A (zh) | 2018-01-17 | 2018-01-17 | 风控模型优化方法、终端及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810045705.3A CN108280759A (zh) | 2018-01-17 | 2018-01-17 | 风控模型优化方法、终端及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108280759A true CN108280759A (zh) | 2018-07-13 |
Family
ID=62803814
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810045705.3A Pending CN108280759A (zh) | 2018-01-17 | 2018-01-17 | 风控模型优化方法、终端及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108280759A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109284920A (zh) * | 2018-09-13 | 2019-01-29 | 广州帷策智能科技有限公司 | 基于大数据的用户信息风险评定的方法及系统 |
| CN110135701A (zh) * | 2019-04-23 | 2019-08-16 | 北京淇瑀信息科技有限公司 | 控制规则的自动生成方法、装置、电子设备及可读介质 |
| WO2020042503A1 (zh) * | 2018-08-27 | 2020-03-05 | 深圳壹账通智能科技有限公司 | 风控系统的验证方法、装置、设备及存储介质 |
| CN111861765A (zh) * | 2020-07-29 | 2020-10-30 | 贵州力创科技发展有限公司 | 一种车辆保险理赔智能反欺诈方法 |
| CN112232951A (zh) * | 2020-12-17 | 2021-01-15 | 中证信用云科技（深圳）股份有限公司 | 基于多维度交叉特征的信用评价方法、装置、设备及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106056444A (zh) * | 2016-05-25 | 2016-10-26 | 腾讯科技（深圳）有限公司 | 数据处理方法和装置 |
| CN106408184A (zh) * | 2016-09-12 | 2017-02-15 | 中山大学 | 一种基于多源异构数据的用户信用评估模型 |
| CN106897918A (zh) * | 2017-02-24 | 2017-06-27 | 上海易贷网金融信息服务有限公司 | 一种混合式机器学习信用评分模型构建方法 |
| CN107194803A (zh) * | 2017-05-19 | 2017-09-22 | 南京工业大学 | 一种p2p网贷借款人信用风险评估的装置 |
| CN107437220A (zh) * | 2017-07-13 | 2017-12-05 | 广东网金控股股份有限公司 | 一种生成差别化利率的方法及装置 |
-
2018
- 2018-01-17 CN CN201810045705.3A patent/CN108280759A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106056444A (zh) * | 2016-05-25 | 2016-10-26 | 腾讯科技（深圳）有限公司 | 数据处理方法和装置 |
| CN106408184A (zh) * | 2016-09-12 | 2017-02-15 | 中山大学 | 一种基于多源异构数据的用户信用评估模型 |
| CN106897918A (zh) * | 2017-02-24 | 2017-06-27 | 上海易贷网金融信息服务有限公司 | 一种混合式机器学习信用评分模型构建方法 |
| CN107194803A (zh) * | 2017-05-19 | 2017-09-22 | 南京工业大学 | 一种p2p网贷借款人信用风险评估的装置 |
| CN107437220A (zh) * | 2017-07-13 | 2017-12-05 | 广东网金控股股份有限公司 | 一种生成差别化利率的方法及装置 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020042503A1 (zh) * | 2018-08-27 | 2020-03-05 | 深圳壹账通智能科技有限公司 | 风控系统的验证方法、装置、设备及存储介质 |
| CN109284920A (zh) * | 2018-09-13 | 2019-01-29 | 广州帷策智能科技有限公司 | 基于大数据的用户信息风险评定的方法及系统 |
| CN110135701A (zh) * | 2019-04-23 | 2019-08-16 | 北京淇瑀信息科技有限公司 | 控制规则的自动生成方法、装置、电子设备及可读介质 |
| CN111861765A (zh) * | 2020-07-29 | 2020-10-30 | 贵州力创科技发展有限公司 | 一种车辆保险理赔智能反欺诈方法 |
| CN112232951A (zh) * | 2020-12-17 | 2021-01-15 | 中证信用云科技（深圳）股份有限公司 | 基于多维度交叉特征的信用评价方法、装置、设备及介质 |
| CN112232951B (zh) * | 2020-12-17 | 2021-04-27 | 中证信用云科技（深圳）股份有限公司 | 基于多维度交叉特征的信用评价方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108280759A (zh) | 风控模型优化方法、终端及计算机可读存储介质 | |
| US10482079B2 (en) | Data de-duplication systems and methods | |
| CN108932585B (zh) | 一种商户运营管理方法及其设备、存储介质、电子设备 | |
| CN108182634A (zh) | 一种借贷预测模型的训练方法、借贷预测方法和装置 | |
| CN106548210A (zh) | 机器学习模型训练方法及装置 | |
| CN110060090A (zh) | 推荐商品组合的方法、装置、电子设备及可读存储介质 | |
| CN108230010A (zh) | 一种预估广告转化率的方法及服务器 | |
| CN112085615A (zh) | 图神经网络的训练方法及装置 | |
| CN113177700B (zh) | 一种风险评估方法、系统、电子设备及存储介质 | |
| CN110688536A (zh) | 一种标签预测方法、装置、设备和存储介质 | |
| CN112712383A (zh) | 应用程序的潜在用户预测方法、装置、设备及存储介质 | |
| CN109034222A (zh) | 一种硬件资产分类方法、系统、装置及可读存储介质 | |
| CN113205403A (zh) | 一种企业信用等级的计算方法、装置、存储介质及终端 | |
| CN115345530A (zh) | 商场地址推荐方法、装置、设备及计算机可读存储介质 | |
| CN113609345B (zh) | 目标对象关联方法和装置、计算设备以及存储介质 | |
| CN108038692A (zh) | 角色识别方法、装置及服务器 | |
| CN111179055A (zh) | 授信额度调整方法、装置和电子设备 | |
| CN109993588A (zh) | 一种用户年龄预测的方法及装置 | |
| CN108647714A (zh) | 负面标签权重的获取方法、终端设备及介质 | |
| CN116956009A (zh) | 一种数据处理方法及相关装置 | |
| CN109767333A (zh) | 选基方法、装置、电子设备及计算机可读存储介质 | |
| CN108256694A (zh) | 基于重复遗传算法的模糊时间序列预测系统、方法及装置 | |
| CN114298829A (zh) | 用于授信评估的数据处理方法和装置 | |
| CN114781937A (zh) | 一种预付卡企业风险预警方法和装置以及存储介质 | |
| CN114493250A (zh) | 一种异常行为检测方法、计算设备及可读存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180713 |
|
| RJ01 | Rejection of invention patent application after publication |