基于金融风控的概率神经网络模型获取方法及装置制造方法及图纸

本公开公开了基于金融风控的概率神经网络模型获取方法及装置，涉及计算机技术领域，尤其涉及深度学习和金融风控技术领域。具体实现方案为：采用初始风控PNN模型，获取目标风控样本数据对应的高维稀疏风控特征集合；获取高维稀疏风控特征集合中的离散风控特征集合和连续风控特征集合；控制离散风控特征处理模块对离散风控特征集合中至少一个第一离散风控特征进行embedding向量编码处理，得到第一风控特征集合，对连续风控特征集合中至少一个连续风控特征进行神经网络编码处理，得到第二风控特征集合；在第一风控特征集合和第二风控特征集合对应的模型参数满足模型条件时，获取目标风控PNN模型。标风控PNN模型。标风控PNN模型。

【技术实现步骤摘要】
基于金融风控的概率神经网络模型获取方法及装置


[0001]本公开涉及计算机
，尤其涉及深度学习
，具体涉及一种基于金融风控的概率神经网络模型获取方法及装置、服务器以及存储介质。

技术介绍

[0002]随着科学技术的发展，大数据时代逐渐来临。大数据相关的金融风控业务中，需要对用户的互联网行为数据进行建模。但是，用户的互联网行为数据属于高维稀疏特征数据。相关技术中，对高维稀疏特征数据进行建模时，由于建模过程中不会对高维稀疏特征进行分类，因此建模效果较差，获取的概率神经网络模型的泛化性低，从而影响基于金融风控的概率神经网络模型获取的准确性。

技术实现思路

[0003]本公开提供了一种用于提高基于金融风控的概率神经网络模型的准确性的基于金融风控的概率神经网络模型获取方法及装置、服务器以及存储介质。
[0004]根据本公开的一方面，提供了一种基于金融风控的概率神经网络模型获取方法，包括：
[0005]采用初始风控概率神经网络PNN模型，获取目标风控样本数据对应的高维稀疏风控特征集合；
[0006]获取所述高维稀疏风控特征集合中的离散风控特征集合和连续风控特征集合；
[0007]控制离散风控特征处理模块对所述离散风控特征集合中至少一个第一离散风控特征进行embedding向量编码处理，得到第一风控特征集合，对所述连续风控特征集合中至少一个连续风控特征进行神经网络编码处理，得到第二风控特征集合；
[0008]在所述第一风控特征集合和所述第二风控特征集合对应的模型参数满足模型条件时，获取目标风控PNN模型。
[0009]根据本公开的另一方面，提供了一种基于金融风控的概率神经网络模型获取装置，包括：
[0010]集合获取单元，用于采用初始风控概率神经网络PNN模型，获取目标风控样本数据对应的高维稀疏风控特征集合；
[0011]集合获取单元，还用于获取所述高维稀疏风控特征集合中的离散风控特征集合和连续风控特征集合；
[0012]特征处理单元，用于控制离散风控特征处理模块对所述离散风控特征集合中至少一个第一离散风控特征进行embedding向量编码处理，得到第一风控特征集合，对所述连续风控特征集合中至少一个连续风控特征进行神经网络编码处理，得到第二风控特征集合；
[0013]模型获取单元，用于在所述第一风控特征集合和所述第二风控特征集合对应的模型参数满足模型条件时，获取目标风控PNN模型。
[0014]根据本公开的另一方面，提供了一种服务器，包括：
[0015]至少一个处理器；以及
[0016]与所述至少一个处理器通信连接的存储器；其中，
[0017]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述一方面中任一项所述的方法。
[0018]根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行前述一方面中任一项所述的方法。
[0019]根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现前述一方面中任一项所述的方法。
[0020]在本公开一个或至少一个实施例中，通过采用初始风控概率神经网络PNN模型，获取目标风控样本数据对应的高维稀疏风控特征集合；获取所述高维稀疏风控特征集合中的离散风控特征集合和连续风控特征集合；控制离散风控特征处理模块对所述离散风控特征集合中至少一个第一离散风控特征进行embedding向量编码处理，得到第一风控特征集合，对所述连续风控特征集合中至少一个连续风控特征进行神经网络编码处理，得到第二风控特征集合；在所述第一风控特征集合和所述第二风控特征集合对应的模型参数满足模型条件时，获取目标风控PNN模型。因此可以提高基于金融风控的概率神经网络模型获取的准确性。
[0021]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0022]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0023]图1是用来实现本公开实施例的基于金融风控的概率神经网络模型获取方法的背景示意图；
[0024]图2是用来实现本公开实施例的基于金融风控的概率神经网络模型获取方法的系统架构图；
[0025]图3是根据本公开第一实施例的基于金融风控的概率神经网络模型获取方法的流程示意图；
[0026]图4是根据本公开第二实施例的基于金融风控的概率神经网络模型获取方法的流程示意图；
[0027]图5是根据本公开第三实施例的基于金融风控的概率神经网络模型获取方法的流程示意图；
[0028]图6a是用来实现本公开实施例的基于金融风控的概率神经网络模型获取方法的第一种基于金融风控的概率神经网络模型获取装置的结构示意图；
[0029]图6b是用来实现本公开实施例的基于金融风控的概率神经网络模型获取方法的第二种基于金融风控的概率神经网络模型获取装置的结构示意图；
[0030]图6c是用来实现本公开实施例的基于金融风控的概率神经网络模型获取方法的第三种基于金融风控的概率神经网络模型获取装置的结构示意图；
[0031]图6d是用来实现本公开实施例的基于金融风控的概率神经网络模型获取方法的第四种基于金融风控的概率神经网络模型获取装置的结构示意图；
[0032]图6e是用来实现本公开实施例的基于金融风控的概率神经网络模型获取方法的第五种基于金融风控的概率神经网络模型获取装置的结构示意图；
[0033]图7是用来实现本公开实施例的基于金融风控的概率神经网络模型获取方法的服务器的框图。
具体实施方式
[0034]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0035]随着科学技术的发展，终端技术的日益成熟，提高了用户生产生活的便利性。终端应用场景中，用户可以通过终端对用户的互联网行为数据进行建模。
[0036]根据一些实施例，图1示出用来实现本公开实施例的基于金融风控的概率神经网络模型获取方法的背景示意图。如图1所示，用户可以点击终端展示界面展示的模型构建应用程序，当终端检测到用户点击模型构建应用程序时，终端可以展示模型构建界面。进而，当终端在模型构建界面对用户的互联网行为数据进行建模。
[0037]在一些实施例中，图2示出用来实现本公开实施例的基于金融风控的概率神经网络模型获取方法的系统架构图。如图2所示，终端11可以通过网络12将建模指令发送至服务器13。当服务本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于金融风控的概率神经网络模型获取方法，包括：采用初始风控概率神经网络PNN模型，获取目标风控样本数据对应的高维稀疏风控特征集合；获取所述高维稀疏风控特征集合中的离散风控特征集合和连续风控特征集合；控制离散风控特征处理模块对所述离散风控特征集合中至少一个第一离散风控特征进行embedding向量编码处理，得到第一风控特征集合，对所述连续风控特征集合中至少一个连续风控特征进行神经网络编码处理，得到第二风控特征集合；在所述第一风控特征集合和所述第二风控特征集合对应的模型参数满足模型条件时，获取目标风控PNN模型。2.根据权利要求1所述的方法，其中，所述模型参数为模型分，所述在所述第一风控特征集合和所述第二风控特征集合对应的模型参数满足模型条件时，获取目标风控PNN模型时，包括：对所述第一风控特征集合中至少一个第一风控特征和所述第二风控特征集合中至少一个第二风控特征进行拼接处理，得到拼接特征；获取所述拼接特征对应的模型分；在所述模型分满足模型条件时，获取目标风控PNN模型。3.根据权利要求1所述的方法，其中，所述控制离散风控特征处理模块对所述离散风控特征集合中至少一个第一离散风控特征进行embedding向量编码处理，包括：对所述连续风控特征集合中至少一个连续风控特征进行离散化处理，得到至少一个第二离散风控特征；控制离散风控特征处理模块对所述离散风控特征集合中至少一个第一离散风控特征和所述至少一个第二离散风控特征进行embedding向量编码处理，得到第一风控特征集合。4.根据权利要求3所述的方法，其中，所述对所述连续风控特征集合中至少一个连续风控特征进行离散化处理，得到至少一个第二离散风控特征，包括：获取所述连续风控特征集合中连续风控特征子集，所述连续风控特征子集中至少一个连续风控特征携带有权重值或者连续值；采用所述目标风控PNN模型对所述连续风控特征子集中至少一个连续风控特征进行离散化处理，得到第二离散风控特征。5.根据权利要求1所述的方法，其中，所述方法还包括：获取风控训练样本数据中的稀疏类别风控特征集合；采用embedding方法对所述稀疏类别风控特征集合中的至少一个稀疏类别风控特征进行表征，并获取所述至少一个稀疏类别风控特征对应的embedding向量；采用深度神经网络模型和所述初始风控PNN模型的交叉层，将所述至少一个稀疏类别风控特征对应的embedding向量向前传播，获取所述风控训练样本数据对应的置信度；在所述置信度和预设置信度之差满足置信度条件时，获取初始风控PNN模型。6.根据权利要求5所述的方法，其中，所述在所述置信度和所述预设置信度之差满足置信度条件时，获取初始风控PNN模型，包括：在所述置信度和所述预设置信度之差不满足置信度条件时，对所述第一embedding向量和所述第二embedding向量进行迭代处理，
在所述置信度和所述预设置信度之差满足所述置信度条件时，获取初始风控PNN模型。7.根据权利要求1所述的方法，其中，所述获取所述高维稀疏风控特征集合中的离散风控特征集合和连续风控特征集合，包括：获取所述高维稀疏风控特征集合中至少一个高维稀疏风控特征的类型特征信息；根据所述类别特征信息，获取所述高维稀疏风控特征集合中的离散风控特征集合和连续风控特征集合。8.一种基于金融风控的概率神经网络模型获取装置，包括：集合获取单元，用于采用初始风控概率神经网络PNN模型，获取目标风控样本数据对应的高维稀疏风控特征集合；集合获取单元，还用于获取所述高维稀疏风控特征集合中的离散风控特征集合和连续风控特征集合；特征处理单元，用于控制离散风控特征处理模块对所述离散风控特征集合中至少一个第一离散风控特征进行embedding向量编码处理，得到第一风控特征集合，对所述连续风控特征集合中至少一个连续风控特征进行神经网络编码处理，得到第二风控特征集合；模型获取单元，用于在所述第一风控特征集合和所述第二风控特征集合对应的模型参数满足模型条件时，获取目标风控PNN模型。9.根据权利...

【专利技术属性】
技术研发人员：严巍，许韩晨玺，岳洪达，许海洋，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：