本发明专利技术涉及金融科技(Fintech)领域，公开了一种商户评级方法，包括：定时获取当前时刻之前预设时长内的待训练数据；将所述待训练数据输入商户评级决策模型进行模型训练，以获得商户评级结果；若所述商户评级结果中存在与原始商户评级不一致的待晋级/降级商户，则在所述待训练数据中确定待晋级/降级商户的商户训练数据；将所述商户训练数据输入晋级/降级决策模型进行模型训练，以获得晋级/降级结果，并基于所述晋级/降级结果更新所述待晋级/降级商户的评级。本发明专利技术还公开了一种商户评级装置、设备及计算机可读存储介质。本发明专利技术所通过待训练数据对商户进行自动评级，避免了用人工经验设置的权重而导致商户评级的误判，提高了商户评级的准确性。商户评级的准确性。商户评级的准确性。
【技术实现步骤摘要】
商户评级方法、装置、设备及计算机可读存储介质
[0001]本专利技术涉及金融科技(Fintech)领域，尤其涉及一种商户评级方法、装置、设备及计算机可读存储介质。
技术介绍
[0002]随着计算机技术的发展，越来越多的技术(大数据、分布式、人工智能等)应用在金融领域，传统金融业正在逐步向金融科技(Fintech)转变，但由于金融行业的安全性、通用性要求，也对风险事件监控技术提出了更高的要求。
[0003]目前，对于入网商户，分别对商户的入网数据和交易数据进行风险评估，得到商户的静态风险数据和动态风险数据。当获取到商户评级指令时，根据从商户管理大数据处理平台中获取到的待评级商户的静态风险数据和动态风险数据确定商户的综合评级。具体地，先根据静态风险数据计算待评级商户的入网评分，以及根据动态风险数据计算待评级商户的交易评分；接着获取入网评分和交易评分对应的权重信息，根据入网评分、交易评分以及权重信息计算待评级商户的综合评分；最后根据待评级商户的综合评分所在的分数段确定待评级商户的评级。
[0004]但是，由于商户评级过程中，入网评分和交易评分对应的权重信息是通过人工进行设定的，而人工设定权重本身就是一个主观的因素，造成对待评级商户进行评级的误判率高，导致商户评级的准确性较低。
[0005]上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。
技术实现思路
[0006]本专利技术的主要目的在于提供一种商户评级方法、装置、设备及计算机可读存储介质，旨在解决现有商户评级的准确性较低的技术问题。
[0007]为实现上述目的，本专利技术提供一种商户评级方法，所述商户评级方法包括以下步骤：
[0008]定时获取当前时刻之前预设时长内的待训练数据，其中，所述待训练数据包括商户交易信息以及商户入网信息；
[0009]将所述待训练数据输入商户评级决策模型进行模型训练，以获得商户评级结果；
[0010]若所述商户评级结果中存在与原始商户评级不一致的待晋级/降级商户，则在所述待训练数据中确定待晋级/降级商户的商户训练数据；
[0011]将所述商户训练数据输入晋级/降级决策模型进行模型训练，以获得晋级/降级结果，并基于所述晋级/降级结果更新所述待晋级/降级商户的评级。
[0012]进一步地，所述将所述待训练数据输入商户评级决策模型进行模型训练，以获得商户评级结果的步骤包括：
[0013]对所述待训练数据进行拆分，以获得k份子数据，将所述k份子数据中的任一份作
为检验集并将剩余k
‑
1份作为训练集，得到k组训练样本；
[0014]对于每一组训练样本，将当前训练样本中的训练集输入所述商户评级决策模型进行模型训练，以获得子训练结果，并基于所述子训练结果以及当前训练样本中的验证集，验证训练后的商户评级决策模型；
[0015]若k组训练样本对应的训练后的商户评级决策模型验证通过，则基于k组训练样本对应的子训练结果确定所述商户评级结果。
[0016]进一步地，所述将当前训练样本中的训练集输入所述商户评级决策模型进行模型训练，以获得子训练结果；
[0017]将当前训练集输入所述商户评级决策模型之后，对于每一第一特征，将第一特征作为决策树的节点，通过所述商户评级决策模型基于当前训练集的评级种类以及评级种类占比，确定所述商户评级决策模型的第一信息熵；
[0018]通过所述商户评级决策模型各个第二特征作为所述决策树的判断节点时的第二信息熵；
[0019]通过所述商户评级决策模型确定第一信息熵与各个第二信息熵之间的信息熵差，并基于信息熵差确定决策树的节点的最佳特征；
[0020]在将所述当前训练集的所有特征插入至所述商户评级决策模型的决策树时，将所述商户评级决策模型的输出作为子训练结果，基于当前的决策树确定训练后的商户评级决策模型；
[0021]其中，所述当前训练集为当前训练样本中的训练集，评级种类占比为评级种类对应的样本数据在当前训练集中的比例，第一特征值为当前训练集的各个特征中的任一特征。
[0022]进一步地，所述基于所述子训练结果以及当前训练样本中的验证集，验证训练后的商户评级决策模型的步骤包括：
[0023]基于当前训练样本中的验证集以及所述子训练结果，确定混淆矩阵；
[0024]基于所述混淆矩阵，分别确定训练后的商户评级决策模型对应的分类准确度、召回率、虚警率和精确度；
[0025]基于所述分类准确度、召回率、虚警率和精确度，验证训练后的商户评级决策模型。
[0026]进一步地，所述将所述商户训练数据输入晋级/降级决策模型进行模型训练，以获得晋级/降级结果的步骤包括：
[0027]获取所述商户训练数据中降级商户的降级商户训练数据，并基于所述降级商户对应的原始商户评级以及商户评级结果在各个降级决策模型中，确定目标降级决策模型，其中，降级决策模型的数量为商户评级的级别数量
‑
1；将所述降级商户训练数据输入所述目标降级决策模型进行模型训练，以获得降级结果；或者，
[0028]获取所述商户训练数据中晋级商户的晋级商户训练数据，并基于所述晋级商户对应的原始商户评级以及商户评级结果在各个晋级决策模型中，确定目标晋级决策模型，其中，晋级决策模型的数量为商户评级的级别数量
‑
1；将所述晋级商户训练数据输入所述目标晋级决策模型进行模型训练，以获得晋级结果。
[0029]进一步地，所述基于所述晋级/降级结果更新所述待晋级/降级商户的评级的步骤
包括：
[0030]基于所述晋级/降级结果确定所述待晋级/降级商户中的晋级/降级商户，并输出所述晋级/降级商户对应的评级变化信息；
[0031]若接收到所述评级变化信息对应的确认信息，则更新所述确认信息对应的目标晋级/降级商户的评级。
[0032]进一步地，所述基于所述晋级/降级结果更新所述待晋级/降级商户的评级的步骤之后，还包括：
[0033]基于更新后的所述目标晋级/降级商户的评级，更新所述待训练数据，以获得更新后的待训练数据；
[0034]将更新后的待训练数据输入商户评级决策模型进行模型训练，以获得更新后的商户评级决策模型，并将更新后的商户评级决策模型作为所述商户评级决策模型；
[0035]在更新后的待训练数据中获取所述待晋级/降级商户的训练数据，将所述待晋级/降级商户的训练数据输入对应的晋级/降级决策模型进行模型训练，以获得更新后的晋级/降级决策模型，并将更新后的晋级/降级决策模型作为所述晋级/降级决策模型。
[0036]此外，为实现上述目的，本专利技术还提供一种商户评级装置，所述商户评级装置包括：
[0037]获取模块，用于获取当前时刻之前预设时长内的待训练数据，其中，所述待训练数据包括商户交易信息以及商户入网信息；
[0038]训练模块，用于将所述待训练数据输入商户评级决策模型进行模型训练，以本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种商户评级方法，其特征在于，所述商户评级方法包括以下步骤：定时获取当前时刻之前预设时长内的待训练数据，其中，所述待训练数据包括商户交易信息以及商户入网信息；将所述待训练数据输入商户评级决策模型进行模型训练，以获得商户评级结果；若所述商户评级结果中存在与原始商户评级不一致的待晋级/降级商户，则在所述待训练数据中确定待晋级/降级商户的商户训练数据；将所述商户训练数据输入晋级/降级决策模型进行模型训练，以获得晋级/降级结果，并基于所述晋级/降级结果更新所述待晋级/降级商户的评级。2.如权利要求1所述的商户评级方法，其特征在于，所述将所述待训练数据输入商户评级决策模型进行模型训练，以获得商户评级结果的步骤包括：对所述待训练数据进行拆分，以获得k份子数据，将所述k份子数据中的任一份作为检验集并将剩余k
‑
1份作为训练集，得到k组训练样本；对于每一组训练样本，将当前训练样本中的训练集输入所述商户评级决策模型进行模型训练，以获得子训练结果，并基于所述子训练结果以及当前训练样本中的验证集，验证训练后的商户评级决策模型；若k组训练样本对应的训练后的商户评级决策模型验证通过，则基于k组训练样本对应的子训练结果确定所述商户评级结果。3.如权利要求2所述的商户评级方法，其特征在于，所述将当前训练样本中的训练集输入所述商户评级决策模型进行模型训练，以获得子训练结果；将当前训练集输入所述商户评级决策模型之后，对于每一第一特征，将第一特征作为决策树的节点，通过所述商户评级决策模型基于当前训练集的评级种类以及评级种类占比，确定所述商户评级决策模型的第一信息熵；通过所述商户评级决策模型各个第二特征作为所述决策树的判断节点时的第二信息熵；通过所述商户评级决策模型确定第一信息熵与各个第二信息熵之间的信息熵差，并基于信息熵差确定决策树的节点的最佳特征；在将所述当前训练集的所有特征插入至所述商户评级决策模型的决策树时，将所述商户评级决策模型的输出作为子训练结果，基于当前的决策树确定训练后的商户评级决策模型；其中，所述当前训练集为当前训练样本中的训练集，评级种类占比为评级种类对应的样本数据在当前训练集中的比例，第一特征值为当前训练集的各个特征中的任一特征。4.如权利要求2所述的商户评级方法，其特征在于，所述基于所述子训练结果以及当前训练样本中的验证集，验证训练后的商户评级决策模型的步骤包括：基于当前训练样本中的验证集以及所述子训练结果，确定混淆矩阵；基于所述混淆矩阵，分别确定训练后的商户评级决策模型对应的分类准确度、召回率、虚警率和精确度；基于所述分类准确度、召回率、虚警率和精确度，验证训练后的商户评级决策模型。5.如权利要求1所述的商户评级方法，其特征在于，所述将所述商户训练数据输入晋级/降级决策模型进行模型训练，以获得晋级/降级结果的步骤包括：
获取所述商户训练数据中降级商户的降...
【专利技术属性】
技术研发人员：许云翔，卢道和，陈朝亮，
申请(专利权)人：深圳前海微众银行股份有限公司，
类型：发明
国别省市：
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。