【技术实现步骤摘要】
风险用户识别方法、装置、可读存储介质及终端设备
本专利技术属于计算机
,尤其涉及一种风险用户识别方法、装置、计算机可读存储介质及终端设备。
技术介绍
现有技术中在进行风险用户识别时,采用的方式一般都是尽可能多的获取待识别用户的个人特征信息,并将这些个人特征信息输入到特定的算法模型中,经过一系列的计算过程从而得到识别结果。但是,在实际中,存在风险的用户往往不是孤立存在的,而是处于一个由众多的风险用户所构成的关系网络中,现有技术中未能充分考虑到这种用户关系网络中的特征信息,导致识别结果的准确率较低。
技术实现思路
有鉴于此,本专利技术实施例提供了一种风险用户识别方法、装置、计算机可读存储介质及终端设备,以解决现有的风险用户识别方法未能充分考虑到用户关系网络中的特征信息,识别结果的准确率较低的问题。本专利技术实施例的第一方面提供了一种风险用户识别方法,可以包括:获取待识别用户在预设的各个识别维度上的第一关联用户数以及第二关联用户数,所述第一关联用户数为与所述待识别用户对应的关联用户总数,所述第二关联用户数为与所述待识别用户对应的存在风险的关联用户总数;计算所述待识别用户在各个识别维度上的风险概率,其中,第dn个识别维度上的风险概率由第dn个识别维度上的所述第一关联用户数以及所述第二关联用户数计算得到,1≤dn≤DN,DN为识别维度的总数;根据各个识别维度上的风险概率构造所述待识别用户的风险概率向量;使用预设的识别模型对所述待识别用户的风险概率向量进行计算,得到所述待识别用户的识别结果,所述识别模型为经过预设的样本集合训练的机器学习模型。本专利技术实施例的第二方 ...
【技术保护点】
1.一种风险用户识别方法,其特征在于,包括:获取待识别用户在预设的各个识别维度上的第一关联用户数以及第二关联用户数,所述第一关联用户数为与所述待识别用户对应的关联用户总数,所述第二关联用户数为与所述待识别用户对应的存在风险的关联用户总数;计算所述待识别用户在各个识别维度上的风险概率,其中,第dn个识别维度上的风险概率由第dn个识别维度上的所述第一关联用户数以及所述第二关联用户数计算得到,1≤dn≤DN,DN为识别维度的总数;根据各个识别维度上的风险概率构造所述待识别用户的风险概率向量;使用预设的识别模型对所述待识别用户的风险概率向量进行计算,得到所述待识别用户的识别结果,所述识别模型为经过预设的样本集合训练的机器学习模型。
【技术特征摘要】
1.一种风险用户识别方法,其特征在于,包括:获取待识别用户在预设的各个识别维度上的第一关联用户数以及第二关联用户数,所述第一关联用户数为与所述待识别用户对应的关联用户总数,所述第二关联用户数为与所述待识别用户对应的存在风险的关联用户总数;计算所述待识别用户在各个识别维度上的风险概率,其中,第dn个识别维度上的风险概率由第dn个识别维度上的所述第一关联用户数以及所述第二关联用户数计算得到,1≤dn≤DN,DN为识别维度的总数;根据各个识别维度上的风险概率构造所述待识别用户的风险概率向量;使用预设的识别模型对所述待识别用户的风险概率向量进行计算,得到所述待识别用户的识别结果,所述识别模型为经过预设的样本集合训练的机器学习模型。2.根据权利要求1所述的风险用户识别方法,其特征在于,所述识别模型的构建过程包括:根据下式构建逻辑回归分析模型:LinResult=Wt1×FtVal1+Wt2×FtVal2+...+Wtdn×FtValdn+...+WtDN×FtValDN+C其中,(FtVal1,FtVal2,...,FtValdn,...,FtValDN)为用户的风险概率向量,FtValdn为用户在第dn个识别维度上的风险概率,(Wt1,Wt2,...,Wtdn,...,WtDN)为待求解的模型系数向量,Wtdn为第dn个识别维度上的权重系数,C为常数项,LinResult为所述逻辑回归分析模型的输出值;根据下式构建所述识别模型:其中,Sigmoid为S型生长曲线函数,RecResult为所述识别模型的输出值。3.根据权利要求2所述的风险用户识别方法,其特征在于,所述识别模型的训练过程包括:从预设的数据库中获取用户黑名单以及用户白名单,所述用户黑名单中记录了已识别出的存在风险的各个用户,所述用户白名单中记录了已识别出的不存在风险的各个用户;根据所述用户黑名单和所述用户白名单构造所述样本集合,其中,所述样本集合中的正样本集为根据所述用户黑名单构造而成,所述样本集合中的负样本集为根据所述用户白名单构造而成,所述样本集合中的任一样本均包括风险概率向量和识别结果;使用所述样本集合对所述识别模型进行训练,直至满足预设的收敛条件为止。4.根据权利要求3所述的风险用户识别方法,其特征在于,所述使用所述样本集合对所述识别模型进行训练包括:构造如下所示的样本矩阵:其中,sn为所述样本集合中的样本序号,1≤sn≤SN,SN为所述样本集合中的样本总数,SampleVecsn为第sn个样本的风险概率向量,且SampleVecsn=(SpEmsn,1,SpEmsn,2,...,SpEmsn,dn,...,SpEmsn,DN),SpEmsn,dn为第sn个样本的风险概率向量在第dn个识别维度上的风险概率,SpMatrix为所述样本矩阵;根据下式计算对所述识别模型进行第t次训练的误差向量:Errort=SpResultVec-Sigmoid(SpMatrix×WtVectT+C)其中,WtVect为第t次训练的模型系数向量,且WtVect=(Wtt,1,Wtt,2,...,Wtt,dn,...,Wtt,DN),Wtt,dn为第dn个识别维度上的权重系数在第t次训练中的取值,T为转置符号,SpResultVec为目标结果向量,且SpResultVec=(SpVal1,SpVal2,...,SpValsn,...,SpValSN)T,SpValsn为第sn个样本的识别结果,Errort为对所述识别模型进行第t次训练的误差向量,且Errort=(ErrEmt,1,ErrEmt,2,...,ErrEmt,sn,...,ErrEmt,SN)T,ErrEmt,sn为第sn个样本在第t次训练中的误差值;根据下式对所述模型系数向量进行迭代更新:其中,为预设的迭代步长;根据下式计算第t次训练的模型系数向量距离:其中,Dist为第t次训练的模型系数向量距离;若第t次训练的模型系数向量距离大于预设的距离阈值,则对所述识别模型进行第t+1次训练;若第t次训练的模型系数向量距离小于或等于所述距离阈值,则结束对所述识别模型的训练。5.根据权利要求1至4中任一项所述的风险用户识别方法,其特征在于,所述使用预设的识别模型对所述待识别用户的风险概率向量进行计算,得到所述待识别用户的识别结果包括:将...
【专利技术属性】
技术研发人员:毕文智,谢波,
申请(专利权)人:平安科技深圳有限公司,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。