信用卡的风险预测方法、装置、电子设备和存储介质制造方法及图纸

本申请涉及信用卡的风险预测方法、装置、电子设备和存储介质，属于机器学习领域，本申请实施例通过第一GBDT模型预测第一结果，通过GraphSage模型预测第二结果，通过GraphSage模型和第二GBDT模型预测第三结果，然后进行结果的融合，不仅实现了多模型融合，而且，根据信用卡数据构造异构图，通过异构图数据充分表达群体属性，通过节点的向量表达准确体现群体风险特征，使得第二结果和第三结果更为精准，因此，本申请实施例将第一结果、第二结果和第三结果进行融合，得到最终的预测结果，从整体上极大程度的提高了预测结果的准确性。程度的提高了预测结果的准确性。程度的提高了预测结果的准确性。

【技术实现步骤摘要】
信用卡的风险预测方法、装置、电子设备和存储介质


[0001]本申请涉及机器学习
，特别是信用卡的风险预测方法、装置、电子设备和存储介质。

技术介绍

[0002]近年来，随着经济的繁荣发展和信用消费在年轻一代的普及，我国的信用卡发行量和交易量都在不断增加，随之而来的是信用卡的风险问题，因此，银行需要对其信用卡的应用场景进行风险预测。
[0003]一方面，传统的预测方式一般通过单一模型来进行风险的识别，由于单个模型原理简单，利用到的有效数据信息较少，使得模型的预测结果准确率偏低；另一方面，在银行信用卡风控场景下，风险特征往往具有群体属性，而传统的单一模型预测方式不能有效的表达群体风险特征，这会使得特征的表达有所欠缺，进一步影响最终预测结果的准确性。

技术实现思路

[0004]本申请实施例提供了一种信用卡的风险预测方法、装置、电子设备和存储介质，以至少解决相关技术中信用卡风险预测结果准确性低的问题。
[0005]第一方面，本申请实施例提供了一种信用卡的风险预测方法，包括：读取信用卡的原始数据，对所述原始数据进行清本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信用卡的风险预测方法，其特征在于，包括：读取信用卡的原始数据，对所述原始数据进行清洗，得到清洗后的数据；将所述清洗后的数据经过特征工程得到特征数据，将所述特征数据输入预先训练的第一GBDT模型，输出第一结果；根据所述清洗后的数据构造异构图，得到异构图数据，将所述异构图数据通过GraphSage模型改造，得到节点的向量表达，将所述节点的向量表达输入所述GraphSage模型的分类层，输出第二结果；将所述特征数据和所述节点的向量表达进行拼接，将拼接后的特征输入预先训练的第二GBDT模型，输出第三结果；将所述第一结果、所述第二结果和所述第三结果进行融合，得到预测结果。2.根据权利要求1所述的方法，其特征在于，所述将所述第一结果、所述第二结果和所述第三结果进行融合，得到预测结果包括：将所述第一结果、所述第二结果和所述第三结果输入Stacking模型进行融合，输出融合后的结果；将所述融合后的结果输入预先训练的Logistic回归模型，输出所述预测结果。3.根据权利要求1所述的方法，其特征在于，所述根据所述清洗后的数据构造异构图，得到异构图数据包括：依据Schema构造异构图，得到节点数据和边数据，其中，所述节点用于表示实体，所述边用于表示实体间的关系。4.根据权利要求3所述的方法，其特征在于，所述将所述异构图数据通过GraphSage模型改造，得到节点的向量表达包括：对各类型的实体，根据属性特征进行归一化的向量表征，并对邻居节点进行采样；将采样数据按照实体类型进行分组，将分组结果通过所述GraphSage模型进行向量堆叠，形成矩阵；将所述矩阵输入所述GraphSage模型的全连接层，输出所述节点的向量表达。5.根据权利要求1
‑
4中任一所述的方法，其特征在于，所述GraphSage模型的训练方式如下：对各类型的实体，根据属性特征进行归一化的向量表征，并采样邻居节点，得到待聚合节点集合；对所述待聚合节点集合中相同类型的节点通过Graph...

【专利技术属性】
技术研发人员：何免，郭磊，符国辉，何保健，
申请(专利权)人：同盾科技有限公司，
类型：发明
国别省市：