确定用户金融违约风险的方法及装置制造方法及图纸

本说明书实施例提供一种确定用户金融违约风险的方法和装置，根据该方法的一个实施方式，分别利用基于循环神经网络的不同模型处理用户的短期操作序列、长期行为数据集序列，对用户进行风险评估，并至少将两种不同的处理结果进行综合处理，以得到用户金融违约风险结果。这样，一方面，利用更加深度的时序数据，另一方面，通过多个模型的输出结果进行综合确定最终结果。该实施方式可以提高确定用户金融违约风险的有效性。

【技术实现步骤摘要】
确定用户金融违约风险的方法及装置
本说明书一个或多个实施例涉及计算机
，尤其涉及通过计算机确定用户金融违约风险的方法和装置。
技术介绍
随着计算机和互联网技术的发展，越来越多的业务通过计算平台来实现，例如商品交易、钱款支付、金融借贷、保险理赔等等。然而，在许多业务的执行和处理中，有一些用户操作行为对金融平台或其他用户而言有一定的金融风险，例如请求先享后付类服务，采用花呗、白条等透支服务，申请借贷等。这就需要对用户的金融违约风险预先进行评估和判断。常规技术中，为了防止和降低上述风险，往往通过用户的身份、历史交易行为等信息对用户的信用进行评估。然而，这些信息通常是静态信息，无法体现用户行为等信息之间的关联关系，并且对于新用户，可能无法获取相应信息，从而无法确定信用风险。因此，需要更有效的方式，利用更多的网络数据以及更有效的评测方式，对用户进行全面分析，提高对用户金融违约风险评估的有效性。
技术实现思路
本说明书一个或多个实施例描述了一种确定用户金融违约风险的方法和装置，可以更有效地对用户的信用风险进行分析和评估。根据第一方面，提供了一种确定用户金融违约风险的方法，包括：获取待评测用户在第一时间段内的短期操作序列，以及第二时间段内的长期行为数据集序列，所述第二时间段大于所述第一时间段，所述短期操作序列包括按照时间顺序排列的、与所述待评测用户的操作行为相关的多条操作信息，所述长期行为数据集序列包括按照时间顺序排列的多个行为数据集，各行为数据集分别对应预设的第三时间段，所述行为数据集包括与所述待评测用户的交易行为相关的行为信息；利用基于循环神经网络的第一模型处理所述短期操作序列，获得第一输出结果；利用基于循环神经网络的第二模型处理所述长期行为数据集序列，获得第二输出结果；至少对所述第一输出结果和所述第二输出结果进行预定处理，并根据处理结果确定所述待评测用户的金融违约风险。在一些实施例中，所述操作信息包括以下至少一项：浏览信息、点击信息、登录的应用、登录的设备、地理位置信息。在一些实施例中，所述交易行为信息包括以下至少一项：交易时间、交易对象、交易金额。在一些实施例中，所述方法还包括：获取所述待评测用户的属性信息；利用预测模型处理所述属性信息，得到第三输出结果；以及所述至少对所述第一输出结果和所述第二输出结果进行预定处理，并根据处理结果确定所述待评测用户的金融违约风险包括：对所述第一输出结果、所述第二输出结果和所述第三输出结果进行所述预定处理，并根据处理结果确定所述待评测用户的金融违约风险。在一些实施例中，所述预定处理包括以下至少一项：求平均值；取最大值；作为特征输入预设的逻辑回归模型，得到逻辑回归结果。在一些实施例中，所述第一模型/所述第二模型包括多层叠加的长短期记忆模型LSTM。在一些实施例中，所述第一模型/所述第二模型的训练样本包括多个标注用户，所述标注用户至少具有预先标注的信用标签。在一些实施例中，所述多个标注用户包括第一标注用户，所述第一标注用户对应的第一信用标签通过以下方式确定：获取所述第一标注用户在预定时间段内的信用记录；基于所述信用记录确定所述第一信用标签。在一些实施例中，所述基于所述信用记录确定所述第一信用标签包括：从所述信用记录中确定所述第一标注用户的守信次数和失信次数；在所述失信次数和所述守信次数的比例超过预设比例阈值的情况下，确定所述第一信用标签为失信用户。在一些实施例中，所述基于所述信用记录确定所述第一信用标签包括：检测所述第一标注用户的失信次数是否为零；在所述失信次数非零的情况下，确定所述第一信用标签为失信用户。根据第二方面，提供一种确定用户金融违约风险的装置，包括：获取单元，配置为获取待评测用户在第一时间段内的短期操作序列，以及第二时间段内的长期行为数据集序列，所述第二时间段大于所述第一时间段，所述短期操作序列包括按照时间顺序排列的、与所述待评测用户的操作行为相关的多条操作信息，所述长期行为数据集序列包括按照时间顺序排列的多个行为数据集，各行为数据集分别对应预设的第三时间段，所述行为数据集包括与所述待评测用户的交易行为相关的行为信息；第一处理单元，配置为利用基于循环神经网络的第一模型处理所述短期操作序列，获得第一输出结果；第二处理单元，配置为利用基于循环神经网络的第二模型处理所述长期行为数据集序列，获得第二输出结果；确定单元，配置为至少对所述第一输出结果和所述第二输出结果进行预定处理，并根据处理结果确定所述待评测用户的金融违约风险。根据第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第一方面的方法。根据第四方面，提供了一种计算设备，包括存储器和处理器，其特征在于，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一方面的方法。通过本说明书实施例提供的确定用户的金融违约风险的方法和装置，分别利用基于循环神经网络的不同模型处理用户的短期操作序列、长期行为数据集序列，对用户进行风险评估，并至少将两种不同的处理结果进行综合处理，以得到用户金融违约风险结果。这样，一方面，利用更加深度的时序数据，另一方面，通过多个模型的输出结果进行综合确定最终结果。从而，可以提高确定用户金融违约风险的有效性。附图说明为了更清楚地说明本专利技术实施例的技术方案，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专利技术的一些实施例，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它的附图。图1示出本说明书披露的一个实施例的实施场景示意图；图2示出根据一个实施例的确定用户的金融违约风险的方法流程图；图3示出循环神经网络的一个神经元的时序状态示意图；图4示出利用基于循环神经网络的第一模型处理短期操作序列的示意图；图5示出利用基于循环神经网络的第二模型处理长期行为数据集序列的示意图；图6示出对第一输出结果和第二输出结果进行预定处理的示意图；图7示出利用基于全连接神经网络的预测模型处理属性信息的示意图；图8示出根据一个实施例的确定用户的金融违约风险的装置的示意性框图。具体实施方式下面结合附图，对本说明书提供的方案进行描述。图1为本说明书披露的一个实施例的实施场景示意图。如图1所示，用户可以通过终端进行各种操作，例如浏览网页，点击页面上的超链接等，还有可能通过网络，与后台服务器进行各种交互，例如进行多种与借贷相关的行为，如申请借款、还款、申请延期还款等。相应地，终端可以通过日志等记录用户的操作信息，后台服务器也可以记录用户进行的与后台服务器提供的服务相关的行为。例如，用户通过支付宝下的“蚂蚁花呗”申请了一笔借款，然后每月还款，这时网络平台即为支付宝平台，后台服务器就可以是支付宝平台服务器。可以理解，后台服务器可以是集中的服务器，也可以分布式服务器，还可以是互相完全独立的多个服务器，在此不做限定。为了对用户的信用风险进行评估，计算平台可以从各个借贷平台或终端获取相应的用户数据，由计算平台进行综合分析，确定出用户的金融违约风险。在说明书披露的实施例中，计算平台获取相关用户数据之后，可以利用机器学习和循环神经网络，采用多个神经网络模型相结合的构架，对这些数据进行全面分析，从而对本文档来自技高网...

【技术保护点】
1.一种确定用户金融违约风险的方法，所述方法包括：获取待评测用户在第一时间段内的短期操作序列，以及第二时间段内的长期行为数据集序列，所述第二时间段大于所述第一时间段，所述短期操作序列包括按照时间顺序排列的、与所述待评测用户的操作行为相关的多条操作信息，所述长期行为数据集序列包括按照时间顺序排列的多个行为数据集，各行为数据集分别对应预设的第三时间段，所述行为数据集包括与所述待评测用户的交易行为相关的行为信息；利用基于循环神经网络的第一模型处理所述短期操作序列，获得第一输出结果；利用基于循环神经网络的第二模型处理所述长期行为数据集序列，获得第二输出结果；至少对所述第一输出结果和所述第二输出结果进行预定处理，并根据处理结果确定所述待评测用户的金融违约风险。

【技术特征摘要】
1.一种确定用户金融违约风险的方法，所述方法包括：获取待评测用户在第一时间段内的短期操作序列，以及第二时间段内的长期行为数据集序列，所述第二时间段大于所述第一时间段，所述短期操作序列包括按照时间顺序排列的、与所述待评测用户的操作行为相关的多条操作信息，所述长期行为数据集序列包括按照时间顺序排列的多个行为数据集，各行为数据集分别对应预设的第三时间段，所述行为数据集包括与所述待评测用户的交易行为相关的行为信息；利用基于循环神经网络的第一模型处理所述短期操作序列，获得第一输出结果；利用基于循环神经网络的第二模型处理所述长期行为数据集序列，获得第二输出结果；至少对所述第一输出结果和所述第二输出结果进行预定处理，并根据处理结果确定所述待评测用户的金融违约风险。2.根据权利要求1所述的方法，其中，所述操作信息包括以下至少一项：浏览信息、点击信息、登录的应用、登录的设备、地理位置信息。3.根据权利要求1所述的方法，其中，所述行为信息包括以下至少一项：交易时间、交易对象、交易金额。4.根据权利要求1所述的方法，其中，所述方法还包括：获取所述待评测用户的属性信息；利用预测模型处理所述属性信息，得到第三输出结果；所述至少对所述第一输出结果和所述第二输出结果进行预定处理，并根据处理结果确定所述待评测用户的金融违约风险包括：对所述第一输出结果、所述第二输出结果和所述第三输出结果进行所述预定处理，并根据处理结果确定所述待评测用户的金融违约风险。5.根据权利要求1或4所述的方法，其中，所述预定处理包括以下至少一项：求平均值；取最大值；作为特征输入预设的逻辑回归模型，得到逻辑回归结果。6.根据权利要求1所述的方法，其中，所述第一模型/所述第二模型包括多层叠加的长短期记忆模型LSTM。7.根据权利要求1所述的方法，其中，所述第一模型/所述第二模型的训练样本包括多个标注用户，所述标注用户至少具有预先标注的信用标签。8.根据权利要求7所述的方法，其中，所述多个标注用户包括第一标注用户，所述第一标注用户对应的第一信用标签通过以下方式确定：获取所述第一标注用户在预定时间段内的信用记录；基于所述信用记录确定所述第一信用标签。9.根据权利要求8所述的方法，其中，所述基于所述信用记录确定所述第一信用标签包括：从所述信用记录中确定所述第一标注用户的守信次数和失信次数；在所述失信次数和所述守信次数的比例超过预设比例阈值的情况下，确定所述第一信用标签为失信用户。10.根据权利要求8所述的方法，其中，所述基于所述信用记录确定所述第一信用标签包括：检测所述第一标注用户的失信次数是否为零；在所述失信次数非零的情况下，确定所述第一信用标签为失信用户。11.一种确定用户金融违约风险的装置，所述装置包括：获取单元，配置为获取待评测用户在第一时间段内的短期操作序列，以及第二时间段内的长期行为数据集序列，所述第二时间...

【专利技术属性】
技术研发人员：嵇方方，汲小溪，王维强，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛,KY