CN110310199A - 借贷风险预测模型的构建方法、系统及借贷风险预测方法 - Google Patents

Abstract

本发明公开一种借贷风险预测模型的构建方法、系统及借贷风险预测方法，属于计算机技术领域。模型构建方法包括：获取预设的带有时刻分类标签的训练样本集合；构建包括生成网络和判别网络的初始对抗学习网络；根据第一时刻的借贷申请信息和第二时刻的借贷申请信息输入至生成网络生成的借贷风险结果和第一时刻的借贷风险标签、第二时刻的借贷风险标签，根据生成网络生成的借贷风险结果输入至判别网络得到的时刻分类结果和时刻分类标签，对生成网络及判别网络进行训练，将训练后的生成网络确定为借贷风险预测模型。本发明通过两个阶段的数据建立一个模型，使得该模型能够应用到不同的阶段，模型效果评估简单、模型维护成本较小、模型迭代较为方便。

Description

借贷风险预测模型的构建方法、系统及借贷风险预测方法

技术领域

本发明属于计算机技术领域，尤其涉及一种借贷风险预测模型的构建方法、系统及借贷风险预测方法。

背景技术

在风险业务场景中，一般存在两个时间节点。当用户填写相关信息后，系统自动对用户信用额度评估，给出合适的信用额度，这个阶段称为第一审批时刻，用户有了额度后，可以在平台进行申请借款，这个阶段称为第二审批时刻。一般来说，两个阶段存在一定的时间差异，在这段时间差内用户的信息可能会发生变化，比如用户在当前平台戳额后，又向其他平台申请了借款等，因此第二审批时刻的信息比第一审批时刻更为丰富。因此，利用机器学习模型尽量消除这个两个阶段带来的差异，显得很重要。传统的方法是分别利用这两个阶段的数据建立模型，应用在相应的阶段，然而两阶段的方法维护成本过高，模型效果评估需要分析各个模型的贡献，需要投入较大的人力成本，不方便后续的模型迭代。

发明内容

为了解决现有技术的问题，本发明提出了一种借贷风险预测模型的构建方法、系统及借贷风险预测方法，本发明的借贷风险预测模型克服了传统技术中分别利用两个阶段的数据建立模型导致的模型效果评估复杂、模型维护成本过大、模型迭代不方便等问题。

本发明实施例提供的具体技术方案如下：

第一方面，本发明提供一种借贷风险预测模型的构建方法，所述方法包括：

获取预设的带有时刻分类标签的训练样本集合；所述训练样本集合包括第一时刻的样本数据和第二时刻的样本数据；所述第一时刻的样本数据包括第一时刻的借贷申请信息和第一时刻的借贷风险标签，所述第二时刻的样本数据包括第二时刻的借贷申请信息和第二时刻的借贷风险标签；

构建包括生成网络和判别网络的初始对抗学习网络；

根据所述第一时刻的借贷申请信息和第二时刻的借贷申请信息输入至所述生成网络生成的借贷风险结果和所述第一时刻的借贷风险标签、第二时刻的借贷风险标签，根据所述生成网络生成的借贷风险结果输入至所述判别网络得到的时刻分类结果和输入所述生成网络的借贷申请信息对应的时刻分类标签，对所述生成网络及判别网络进行训练，将训练后的生成网络确定为借贷风险预测模型。

在一些实施例中，构建包括生成网络和判别网络的初始对抗学习网络具体包括：

根据所述第二时刻的样本数据，训练得到一生成网络；

在所述生成网络中衍生一判别网络，形成初始对抗学习网络。

在一些实施例中，根据所述第二时刻的样本数据，训练得到一生成网络具体包括：

将所述第二时刻的借贷申请信息输入至一生成网络中，得到借贷风险结果；

将所述借贷风险结果和所述第二时刻的借贷风险标签输入至交叉熵损失函数，得到一损失值，根据所述损失值，对所述生成网络进行更新。

在一些实施例中，根据所述第一时刻的借贷申请信息和第二时刻的借贷申请信息输入至所述生成网络生成的借贷风险结果和所述第一时刻的借贷风险标签、第二时刻的借贷风险标签，根据所述生成网络生成的借贷风险结果输入至所述判别网络得到的时刻分类结果和输入所述生成网络的借贷申请信息对应的时刻分类标签，对所述生成网络及判别网络进行训练具体包括：

将所述第一时刻的借贷申请信息和第二时刻的借贷申请信息输入至所述生成网络生成的借贷风险结果和所述第一时刻的借贷风险标签、第二时刻的借贷风险标签输入至第一交叉熵损失函数，得到第一损失值；

将所述生成网络生成的借贷风险结果输入至所述判别网络得到的时刻分类结果和输入所述生成网络的借贷申请信息对应的时刻分类标签输入至第二交叉熵损失函数，得到第二损失值；

将所述第一损失值和第二损失值进行加权求和生成输出结果，根据所述输出结果，对所述生成网络与判别网络进行训练，生成最优生成网络、最优判别网络。

在一些实施例中，所述方法还包括：

所述生成网络及判别网络的最后一层为Softmax逻辑回归层，用于将数据压缩至(0，1)之间。

第二方面，本发明提供一种借贷风险预测模型的构建系统，所述系统包括：

样本构建模块，用于获取预设的带有时刻分类标签的训练样本集合；所述训练样本集合包括第一时刻的样本数据和第二时刻的样本数据；所述第一时刻的样本数据包括第一时刻的借贷申请信息和第一时刻的借贷风险标签，所述第二时刻的样本数据包括第二时刻的借贷申请信息和第二时刻的借贷风险标签；

对抗网络生成模块，用于构建包括生成网络和判别网络的初始对抗学习网络；

对抗网络训练模块，用于根据所述第一时刻的借贷申请信息和第二时刻的借贷申请信息输入至所述生成网络生成的借贷风险结果和所述第一时刻的借贷风险标签、第二时刻的借贷风险标签，根据所述生成网络生成的借贷风险结果输入至所述判别网络得到的时刻分类结果和输入所述生成网络的借贷申请信息对应的时刻分类标签，对所述生成网络及判别网络进行训练，将训练后的生成网络确定为借贷风险预测模型。

在一些实施例中，所述对抗网络生成模块具体包括：

主网络构建模块，用于根据所述第二时刻的样本数据，训练得到一生成网络；

子网络构建模块，用于在所述生成网络中衍生一判别网络，形成初始对抗学习网络。

在一些实施例中，所述主网络构建模块具体包括：

主网络生成模块，用于将所述第二时刻的借贷申请信息输入至一生成网络中，得到借贷风险结果；

主网络更新模块，用于将所述借贷风险结果和所述第二时刻的借贷风险标签输入至交叉熵损失函数，得到一损失值，根据所述损失值，对所述生成网络进行更新。

在一些实施例中，所述对抗网络训练模块具体包括：

主网络预测模块，用于将所述第一时刻的借贷申请信息和第二时刻的借贷申请信息输入至所述生成网络生成的借贷风险结果和所述第一时刻的借贷风险标签、第二时刻的借贷风险标签输入至第一交叉熵损失函数，得到第一损失值；

子网络预测模块，用于将所述生成网络生成的借贷风险结果输入至所述判别网络得到的时刻分类结果和输入所述生成网络的借贷申请信息对应的时刻分类标签判别网络输入至第二交叉熵损失函数，得到第二损失值；

对抗学习模块，用于将所述第一损失值和第二损失值进行加权求和生成输出结果，根据所述输出结果，对所述生成网络与判别网络进行训练，生成最优生成网络、最优判别网络。

在一些实施例中，所述生成网络及判别网络的最后一层为Softmax逻辑回归层，用于将数据压缩至(0，1)之间。

第三方面，本发明提供一种借贷风险预测方法，所述方法包括：

将获取的用户的第一时刻的个人数据、第二时刻的个人数据输入至所述借贷风险预测模型中，得到关于用户当前借贷行为的预测结果。

在一些实施例中，所述方法还包括：

当所述预测结果小于预设值时，生成借贷成功的通知；当所述信用预测结果大于预设值时，生成借贷失败的通知。

本发明实施例具有如下有益效果：

本发明提出了一种借贷风险预测模型的构建方法、系统及信用预测方法，基于两个阶段的数据以及对抗学习的思想构建借贷风险预测模型，利用该模型解决两阶段信息不一致带来的性能衰减问题。首先，先利用信息丰富的第二审批时刻的样本数据训练一个主网络，记录主网络对于第二审批时刻样本数据的预测结果；随后，在主网络中增加一个子网络，用于区分样本数据来源于第一阶段，还是第二阶段，基于对抗学习的思想对主网络和子网络进行微调，在训练过程中，主网络部分生成的特征能够使得子网络犯错误的概率增大，子网络为了减少犯错误的概率需要修正网络参数，由此形成相互对抗，最终使得主网络学习到的特征与数据来源于哪个阶段无关，可以提取本质的数据特征，从而解决多阶段信息不一致带来的模型性能衰减问题。

此外，通过两个阶段的数据建立一个模型，使得该模型能够应用到不同的阶段，克服了传统技术中分别利用两个阶段的数据建立模型导致的模型效果评估复杂、模型维护成本过大、模型迭代不方便等问题。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是一个实施例中一种借贷风险预测模型的构建方法的流程示意图；

图2是一个实施例中构建包括生成网络和判别网络的初始对抗学习网络步骤的流程示意图；

图3是一个实施例中根据第二时刻的样本数据，训练得到一生成网络步骤的流程示意图；

图4是一个实施例中根据第一时刻的借贷申请信息和第二时刻的借贷申请信息输入至生成网络生成的借贷风险结果和第一时刻的借贷风险标签、第二时刻的借贷风险标签，根据生成网络生成的借贷风险结果输入至判别网络得到的时刻分类结果和输入生成网络的借贷申请信息对应的时刻分类标签，对生成网络及判别网络进行训练步骤的流程示意图；

图5是一个实施例中一种借贷风险预测模型的构建系统的结构框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，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，所描述的实施例仅仅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。

本发明利用两个阶段的数据，基于对抗学习的思想，构建包括主网络和子网络的对抗学习网络；在训练过程中，主网络部分生成的特征能够使得子网络犯错误的概率增大，子网络为了减少犯错误的概率需要修正网络参数，由此形成相互对抗，最终使得主网络学习到的特征与数据来源于哪个阶段无关，可以提取本质的数据特征，从而解决多阶段信息不一致带来的模型性能衰减问题。

如图1所示，一种借贷风险预测模型的构建方法，包括如下步骤：

S101、获取预设的带有时刻分类标签的训练样本集合；训练样本集合包括第一时刻的样本数据和第二时刻的样本数据；第一时刻的样本数据包括第一时刻的借贷申请信息和第一时刻的借贷风险标签，第二时刻的样本数据包括第二时刻的借贷申请信息和第二时刻的借贷风险标签。

其中，第一时刻为信用额度评估时刻，第二时刻为借款审批时刻。

借贷申请信息包括：用户个人信息、借款信息。

用户个人信息包括但不限于：工作区域、工作行业、公司规模、工作年限、收入、房车产信息；

借款信息包括但不限于：借款金额、借款利率、借款期限、本次借款距上次借款的间隔时间、借款用途、历史借款次数、逾期次数、在其他平台的借款次数、借款金额、逾期次数等。

本方案中，第一时刻的借贷风险标签和第二时刻的借贷风险标签相同，都用于对用户的信用进行评价。在借款过程中，用户是否逾期还款、是否存在违约情况是判断用户信用是否良好的重要指标，因此，在本实施例中，选择用户是否逾期还款作为第一时刻和第二时刻的借贷风险标签。

将借贷风险标签用符号y_i表示，y_i＝0表示用户会逾期还款，y_i＝1表示用户不会逾期还款。

S102、构建包括生成网络和判别网络的初始对抗学习网络。

其中，生成网络和判别网络都为深度神经网络。生成网络用于预测得到用户的借贷风险结果，判别网络用于预测得到生成网络生成的借贷风险结果来源于哪个时间段。

通过构建初始对抗学习网络，可以使得生成网络生成的特征与样本数据来源于哪个阶段无关，从而可以提取本质的数据特征，从而解决多阶段信息不一致带来的模型性能衰减问题。

S103、根据第一时刻的借贷申请信息和第二时刻的借贷申请信息输入至生成网络生成的借贷风险结果和第一时刻的借贷风险标签、第二时刻的借贷风险标签，根据生成网络生成的借贷风险结果输入至判别网络得到的时刻分类结果和输入生成网络的借贷申请信息对应的时刻分类标签，对生成网络及判别网络进行训练，将训练后的生成网络确定为借贷风险预测模型。

具体的，将第一时刻的样本数据用(x′_i,y_i)表示，其中，x′_i为第一时刻的借贷申请信息，y_i为第一时刻的借贷风险标签；将第二时刻的样本数据用(x_i,y_i)表示，其中，x_i为第二时刻的借贷申请信息，y_i为第二时刻的借贷风险标签。

其中，生成网络接收第一时刻的借贷申请信息x′_i和第二时刻的借贷申请信息x_i之后，预测得到借贷风险结果p_i。p_i＝0表示用户会逾期还款，p_i＝1表示用户不会逾期还款，将借贷风险结果p_i输入至判别网络中，预测得到时刻分类结果z_i。通过借贷风险结果p_i和第一时刻、第二时刻的借贷风险标签y_i，时刻分类结果z_i和与输入生成网络的借贷申请信息对应的时刻分类标签Z_i，生成网络和判别网络相互对抗学习，进行更新，更新后的生成网络为借贷风险预测模型。

在对抗学习过程中，生成网络生成的借贷风险结果p_i能够使得判别网络犯错误的概率增大，而判别网络为了使得时刻分类结果z_i准确会需修正其网络参数，两个网络通过相互对抗，形成一个博弈过程，最终使得生成网络生成的输出信息与数据来源于哪个阶段无关，提取本质的数据特征，从而能够解决多阶段信息不一致带来的模型性能衰减问题。

在其中一个实施例中，如图2所示，上述构建包括生成网络和判别网络的初始对抗学习网络可以包括如下步骤：

S201、根据第二时刻的样本数据，训练得到一生成网络。

其中，由于第二时刻为借款审批时刻，此时用户的信息与第一时刻相比可能会发生改变，由此，第二时刻用户的信息更加丰富。利用第二时刻的样本数据训练得到一生成网络，有利于节省后期生成网络的训练时间。由于第一时刻、第二时刻样本数据差异并不是很大，因此，通过使用第二时刻的样本数据建立的生成网络作为下一阶段的基础网络，在具体使用时只需对生成网络进行微调即可，而无需使用大量的样本数据重新训练。

S202、在生成网络中衍生一判别网络，形成初始对抗学习网络。

具体的，将生成网络的输出信息作为判别网络的输入信息，判别网络对生成网络的输入信息进行预测，形成初始对抗学习网络。

在其中一个实施例中，如图3所示，上述根据第二时刻的样本数据，训练得到一生成网络可以包括如下步骤：

S301、将第二时刻的借贷申请信息输入至一生成网络中，得到借贷风险结果。

具体的，该步骤包括：

S3011、构建一生成网络，确定生成网络的代价函数。

其中，代价函数为交叉熵代价函数。代价函数用来衡量生成网络的预测值与实际值的差值，从而对生成网络进行参数修正。

S3012、将第二时刻的借贷申请信息输入至生成网络中，得到借贷风险结果。

具体的，将第二时刻的借贷申请信息x_i输入到生成网络中，得到借贷风险结果p_i。

S302、将借贷风险结果和第二时刻的借贷风险标签输入至交叉熵损失函数，得到一损失值，根据损失值，对生成网络进行更新。

具体的，将借贷风险结果p_i和第二时刻的借贷风险标签y_i输入到交叉熵损失函数中，得到一损失值，根据损失值，对生成网络进行更新。

其中，在更新时，选择梯度下降法作为更新算法，根据损失值、利用梯度下降法对生成网络中的每个参数进行更新。

在其中一个实施例中，如图4所示，上述根据第一时刻的借贷申请信息和第二时刻的借贷申请信息输入至生成网络生成的借贷风险结果和第一时刻的借贷风险标签、第二时刻的借贷风险标签，根据生成网络生成的借贷风险结果输入至判别网络得到的时刻分类结果和时刻分类标签，对生成网络及判别网络进行训练可以包括如下步骤：

S401、将第一时刻的借贷申请信息和第二时刻的借贷申请信息输入至生成网络生成的借贷风险结果和第一时刻的借贷风险标签、第二时刻的借贷风险标签输入至第一交叉熵损失函数，得到第一损失值。

在对生成网络、判别网络训练时，如果预测值与实际值的误差越大，那么在反向传播训练的过程中，各种参数调整的幅度就要更大，从而使训练更快收敛。如果使用二次代价函数进行训练，当误差越大时，参数调整的幅度更小，训练缓慢。因此，本实施例中，选用交叉熵损失函数作为代价函数，可以加快生成网络、判别网络的训练速度。

具体的，该步骤为：

将第一时刻的借贷申请信息x′_i和第二时刻的借贷申请信息x_i中输入至生成网络中，生成网络预测得到借贷风险结果p_i，借贷风险结果p_i和借贷风险标签y_i输入至第一交叉熵损失函数中，得到第一损失值L₁。

第一交叉熵损失函数为：

其中，L₁为损失值，x为样本，x＝x′_i+x_i，y_i表示借贷风险标签，p_i表示借贷风险结果，i表示样本总数。

S402、将生成网络生成的借贷风险结果输入至判别网络得到的时刻分类结果和输入生成网络的借贷申请信息对应的时刻分类标签输入至第二交叉熵损失函数，得到第二损失值。

将生成预测得到借贷风险结果p_i作为判别网络的输入信息，判别网络根据输入信息预测得到时刻分类结果z_i，时刻分类结果z_i和与输入生成网络的借贷申请信息对应的时刻分类标签Z_i输入至第二交叉熵损失函数中，得到第二损失值L₂。

第二交叉熵损失函数为：

其中，L₂为损失值；p_i为样本，即借贷风险结果；Z_i表示时刻分类标签，z_i表示时刻分类结果，i表示样本总数。

S403、将第一损失值和第二损失值进行加权求和生成输出结果，根据输出结果，对生成网络与判别网络进行训练，生成最优生成网络、最优判别网络。

其中，输出结果为L，L＝L₁+aL₂；a为加权系数。将输出结果L反向传播到生成网络与判别网络中，使得生成网络参数进行微调、判别网络参数进行更新。

在其中一个实施例中，上述生成网络与判别网络的最后一层为Softmax逻辑回归层，用于将数据压缩至(0，1)之间。

Softmax逻辑回归层被添加在生成网络与判别网络的输出层，对输出的值归一化为概率值，从而为后续网络优化过程提供度量。

Softmax函数接收一个N维向量作为输入，然后把每一维的值转换成(0，1)之间的一个实数，它的公式如下面所示：

其中，V_i是分类器前级输出单元的输出；i表示类别索引，总的类别个数为C。S_i表示的是当前元素的指数与所有元素指数和的比值。Softmax可以实现将全连接层的输出映射成一个概率的分布。

在一些实施例中，如图5所示，提供一种借贷风险预测模型的构建系统，系统包括：

样本构建模块51，用于获取预设的带有时刻分类标签的训练样本集合；训练样本集合包括第一时刻的样本数据和第二时刻的样本数据；第一时刻的样本数据包括第一时刻的借贷申请信息和第一时刻的借贷风险标签，第二时刻的样本数据包括第二时刻的借贷申请信息和第二时刻的借贷风险标签。

对抗网络生成模块52，用于构建包括生成网络和判别网络的初始对抗学习网络。

对抗网络训练模型53，用于根据第一时刻的借贷申请信息和第二时刻的借贷申请信息输入至生成网络生成的借贷风险结果和第一时刻的借贷风险标签、第二时刻的借贷风险标签，根据生成网络生成的借贷风险结果输入至判别网络生成的时刻分类结果和输入生成网络的借贷申请信息对应的时刻分类标签，对生成网络及判别网络进行训练，将训练后的生成网络确定为借贷风险预测模型。

本发明系统中，生成网络生成的输出信息能够使得判别网络犯错误的概率增大，而判别网络为了使得类别预测结果准确会需修正其网络参数，从而两个网络通过相互对抗，形成一个博弈过程，最终使得生成网络生成的输出信息与数据来源于哪个阶段无关，提取本质的数据特征，从而能够解决多阶段信息不一致带来的模型性能衰减。

在其中一个实施例中，上述对抗网络生成模块52具体包括：

主网络构建模块521，用于根据第二时刻的样本数据，训练得到一生成网络；

子网络构建模块522，用于在生成网络中衍生一判别网络，形成初始对抗学习网络。

在其中一个实施例中，上述主网络构建模块521具体包括：

主网络生成模块5211，用于将第二时刻的借贷申请信息输入至一生成网络中，得到借贷风险结果；

主网络更新模块5212，用于将借贷风险结果和第二时刻的借贷风险标签输入至交叉熵损失函数，得到一损失值，根据损失值，对生成网络进行更新。

在其中一个实施例中，上述对抗网络训练模型53具体包括：

主网络预测模块531，用于将第一时刻的借贷申请信息和第二时刻的借贷申请信息输入至生成网络生成的借贷风险结果和第一时刻的借贷风险标签、第二时刻的借贷风险标签生成网络输入至第一交叉熵损失函数，得到第一损失值；

子网络预测模块532，用于将生成网络生成的借贷风险结果输入至判别网络得到的时刻分类结果和输入生成网络的借贷申请信息对应的时刻分类标签判别网络输入至第二交叉熵损失函数，得到第二损失值；

对抗学习模块533，用于将第一损失值和第二损失值进行加权求和生成输出结果，根据输出结果，对生成网络生成网络与判别网络判别网络进行训练，生成最优生成网络、最优判别网络。

在其中一个实施例中，上述生成网络及判别网络的最后一层为softmax逻辑回归层，用于将数据压缩至(0，1)之间。

在一些实施例中，提供一种借贷风险预测方法，方法包括：

S601、将获取的用户的第一时刻的个人数据、第二时刻的个人数据输入至借贷风险预测模型中，得到关于用户当前借贷行为的预测结果。

其中，用户的个人数据包括：用户个人信息、借款信息。

用户个人信息包括但不限于：工作区域、工作行业、公司规模、工作年限、收入、房车产信息；

借款信息包括但不限于：借款金额、借款利率、借款期限、本次借款距上次借款的间隔时间、借款用途、历史借款次数、逾期次数、在其他平台的借款次数、借款金额、逾期次数等。

在其中一个实施例中，上述借贷风险预测方法还包括：

S701、当预测结果小于预设值时，生成借贷成功的通知；当信用预测结果大于预设值时，生成借贷失败的通知。

本实施例中，将预设值设置为0.5，当信用预测结果小于0.5时，生成借贷成功的通知；当信用预测结果大于0.5时，生成借贷失败的通知。

应该理解的是，虽然图1-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

尽管已描述了本发明实施例中的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例中范围的所有变更和修改。另外，上述实施例提供的借贷风险预测模型的构建系统、借贷风险预测方法与借贷风险预测模型的构建方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种借贷风险预测模型的构建方法，其特征在于，所述方法包括：

获取预设的带有时刻分类标签的训练样本集合；所述训练样本集合包括第一时刻的样本数据和第二时刻的样本数据；所述第一时刻的样本数据包括第一时刻的借贷申请信息和第一时刻的借贷风险标签，所述第二时刻的样本数据包括第二时刻的借贷申请信息和第二时刻的借贷风险标签；

构建包括生成网络和判别网络的初始对抗学习网络；

根据所述第一时刻的借贷申请信息和第二时刻的借贷申请信息输入至所述生成网络生成的借贷风险结果和所述第一时刻的借贷风险标签、第二时刻的借贷风险标签，根据所述生成网络生成的借贷风险结果输入至所述判别网络得到的时刻分类结果和输入所述生成网络的借贷申请信息对应的时刻分类标签，对所述生成网络及判别网络进行训练，将训练后的生成网络确定为借贷风险预测模型。

2.根据权利要求1所述的方法，其特征在于，构建包括生成网络和判别网络的初始对抗学习网络具体包括：

根据所述第二时刻的样本数据，训练得到一生成网络；

在所述生成网络中衍生一判别网络，形成初始对抗学习网络。

3.根据权利要求2所述的方法，其特征在于，根据所述第二时刻的样本数据，训练得到一生成网络具体包括：

将所述第二时刻的借贷申请信息输入至一生成网络中，得到借贷风险结果；

将所述借贷风险结果和所述第二时刻的借贷风险标签输入至交叉熵损失函数，得到一损失值，根据所述损失值，对所述生成网络进行更新。

4.根据权利要求1所述的方法，其特征在于，根据所述第一时刻的借贷申请信息和第二时刻的借贷申请信息输入至所述生成网络生成的借贷风险结果和所述第一时刻的借贷风险标签、第二时刻的借贷风险标签，根据所述生成网络生成的借贷风险结果输入至所述判别网络得到的时刻分类结果和输入所述生成网络的借贷申请信息对应的时刻分类标签，对所述生成网络及判别网络进行训练具体包括：

将所述第一时刻的借贷申请信息和第二时刻的借贷申请信息输入至所述生成网络生成的借贷风险结果和所述第一时刻的借贷风险标签、第二时刻的借贷风险标签输入至第一交叉熵损失函数，得到第一损失值；

将所述生成网络生成的借贷风险结果输入至所述判别网络得到的时刻分类结果和输入所述生成网络的借贷申请信息对应的时刻分类标签输入至第二交叉熵损失函数，得到第二损失值；

将所述第一损失值和第二损失值进行加权求和生成输出结果，根据所述输出结果，对所述生成网络与判别网络进行训练，生成最优生成网络、最优判别网络。

5.一种借贷风险预测模型的构建系统，其特征在于，所述系统包括：

样本构建模块，用于获取预设的带有时刻分类标签的训练样本集合；所述训练样本集合包括第一时刻的样本数据和第二时刻的样本数据；所述第一时刻的样本数据包括第一时刻的借贷申请信息和第一时刻的借贷风险标签，所述第二时刻的样本数据包括第二时刻的借贷申请信息和第二时刻的借贷风险标签；

对抗网络生成模块，用于构建包括生成网络和判别网络的初始对抗学习网络；

对抗网络训练模块，用于根据所述第一时刻的借贷申请信息和第二时刻的借贷申请信息输入至所述生成网络生成的借贷风险结果和所述第一时刻的借贷风险标签、第二时刻的借贷风险标签，根据所述生成网络生成的借贷风险结果输入至所述判别网络得到的时刻分类结果和输入所述生成网络的借贷申请信息对应的时刻分类标签，对所述生成网络及判别网络进行训练，将训练后的生成网络确定为借贷风险预测模型。

6.根据权利要求5所述的系统，其特征在于，所述对抗网络生成模块具体包括：

主网络构建模块，用于根据所述第二时刻的样本数据，训练得到一生成网络；

子网络构建模块，用于在所述生成网络中衍生一判别网络，形成初始对抗学习网络。

7.根据权利要求6所述的系统，其特征在于，所述主网络构建模块具体包括：

主网络生成模块，用于将所述第二时刻的借贷申请信息输入至一生成网络中，得到借贷风险结果；

主网络更新模块，用于将所述借贷风险结果和所述第二时刻的借贷风险标签输入至交叉熵损失函数，得到一损失值，根据所述损失值，对所述生成网络进行更新。

8.根据权利要求5所述的系统，其特征在于，所述对抗网络训练模块具体包括：

主网络预测模块，用于将所述第一时刻的借贷申请信息和第二时刻的借贷申请信息输入至所述生成网络生成的借贷风险结果和所述第一时刻的借贷风险标签、第二时刻的借贷风险标签生成网络输入至第一交叉熵损失函数，得到第一损失值；

子网络预测模块，用于将所述生成网络生成的借贷风险结果输入至所述判别网络得到的时刻分类结果和输入所述生成网络的借贷申请信息对应的时刻分类标签输入至第二交叉熵损失函数，得到第二损失值；

对抗学习模块，用于将所述第一损失值和第二损失值进行加权求和生成输出结果，根据所述输出结果，对所述生成网络与判别网络进行训练，生成最优生成网络、最优判别网络。

9.一种基于权利要求1～4任意一项所述的借贷风险预测模型的构建方法的借贷风险预测方法，其特征在于，所述方法包括：

将获取的用户的第一时刻的个人数据、第二时刻的个人数据输入至所述借贷风险预测模型中，得到关于用户当前借贷行为的预测结果。

10.一种基于权利要求9所述的方法，其特征在于，所述方法还包括：

当所述预测结果小于预设值时，生成借贷成功的通知；当所述信用预测结果大于预设值时，生成借贷失败的通知。