【技术实现步骤摘要】
一种概率预测方法及装置
本申请涉及计算机
，特别是涉及一种概率预测方法及装置。
技术介绍
当今，很多金融机构在做贷款用户的行为评分卡时，大多时候只是单纯的用到贷款用户的静态数据或者是贷款用户的非时序性行为数据，去预测该贷款用户的逾期还款概率。然而，对单个贷款用户来说，单纯使用其静态数据或者是其非时序性行为数据，来做逾期还款概率预测时，无法精确捕捉客户行为的变化点，故很多时候对贷款用户的逾期还款概率的预测就会不够准确，这就在一定程度上，降低了贷款用户的逾期还款概率预测的准确率。
技术实现思路
本申请实施例的目的在于提供一种概率预测方法及装置，以提高贷款用户的逾期还款概率预测的准确率。具体技术方案如下：第一方面，为了达到上述目的，本申请实施例公开了一种概率预测方法，所述方法包括如下步骤：获取贷款用户的用户行为数据；利用注意力机制提取所述用户行为数据中的时序性行为特征；将所述时序性行为特征输入至预设分类模型，预测得到第一逾期概率；其中，所述预设分类模型是基于第一预设...
【技术保护点】
1.一种概率预测方法，其特征在于，所述方法包括：/n获取贷款用户的用户行为数据；/n利用注意力机制提取所述用户行为数据中的时序性行为特征；/n将所述时序性行为特征输入至预设分类模型，预测得到第一逾期概率；其中，所述预设分类模型是基于第一预设训练集训练得到的模型，所述第一预设训练集包括多个样本时序性行为特征以及第一样本逾期概率；/n根据所述第一逾期概率，确定所述贷款用户的逾期还款的目标概率。/n
【技术特征摘要】
1.一种概率预测方法，其特征在于，所述方法包括：
获取贷款用户的用户行为数据；
利用注意力机制提取所述用户行为数据中的时序性行为特征；
将所述时序性行为特征输入至预设分类模型，预测得到第一逾期概率；其中，所述预设分类模型是基于第一预设训练集训练得到的模型，所述第一预设训练集包括多个样本时序性行为特征以及第一样本逾期概率；
根据所述第一逾期概率，确定所述贷款用户的逾期还款的目标概率。
2.根据权利要求1所述的方法，其特征在于，所述利用注意力机制提取所述用户行为数据中的时序性行为特征，包括：
利用预设长短期记忆LSTM网络对所述用户行为数据进行编码处理，得到编码处理后的用户行为数据；其中，所述预设LSTM网络是基于第二预设训练集训练得到的网络，所述第二预设训练集包括多个样本用户行为数据和每一样本用户行为数据对应的样本编码数据；
利用注意力机制提取编码处理后的用户行为数据中的时序性行为特征。
3.根据权利要求2所述的方法，其特征在于，所述预设LSTM网络采用以下步骤训练得到：
获取第二预设训练集，所述第二预设训练集包括多个样本用户行为数据和每一样本用户行为数据的样本编码数据；
利用所述预设LSTM网络对每一样本用户行为数据进行编码处理，得到每一样本用户行为数据的目标编码数据；
根据所述每一样本用户行为数据的目标编码数据和样本编码数据，确定数据编码的第二损失值；
根据所述第二损失值，确定所述预设LSTM网络是否收敛；
若否，则调整所述预设LSTM网络的参数，返回执行利用所述预设LSTM网络对每一样本用户行为数据进行编码处理，得到每一样本用户行为数据的目标编码数据的步骤；
若是，则结束所述预设LSTM网络的训练。
4.根据权利要求1所述的方法，其特征在于，所述根据所述第一逾期概率，确定所述贷款用户的逾期还款的目标概率的步骤，包括：
提取用户静态数据中的静态特征；
将所述第一逾期概率和所述静态特征输入至所述预设分类模型，预测得到第二逾期概率；
将所述第二逾期概率作为所述贷款用户的逾期还款的目标概率。
5.根据权利要求1所述的方法，其特征在于，所述预设分类模型可以采用以下步骤训练得到：
获取第一预设训练集，所述第一预设训练集包括多个样本时序性行为特征以及第一样本逾期概率；
将所述多个样本时序性行为特征输入至所述预设分类模型，得到第一预测逾期概率；
根据所述第一预测逾期概率和所述第一样本逾期概率，确定概率预测的第一损失值；
根据所述第一损失值，确定所述预设分类模型是否收敛；
若否，则调整所述预设分类模型的参数，返回执行将所述多个样本时序性行为特征输入至所述预设分类模型，得到第一预测逾期概率的步骤；
若是，则结束所述预设分类模型的训练。
6.一种概率预测装置，其特征在于，所述装置包括：
获取模块，用于获取贷款用户的用户行为数据；
提取模块，用于利用注意力机制提取所述用户行为数据中的时序性行为特征；
预测模块，用于将所述时序性行为特征输入至预设分类模型，预测得到第一逾期概率；其中，所述...
【专利技术属性】
技术研发人员：孙晓菲，赵琪，郭延祥，姚明，
申请(专利权)人：中诚信征信有限公司，
类型：发明
国别省市：北京;11
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。