信用风险预测方法、电子设备及可读存储介质技术

本申请公开了一种信用风险预测方法、电子设备及可读存储介质，应用于金融科技技术领域，所述信用风险预测方法包括：获取用户的历史行为数据集，其中，所述历史行为数据集至少来源于两种数据源；将所述历史行为数据集整合为历史行为融合数据；根据所述历史行为融合数据和风险预测模型，对所述用户进行信用风险预测，得到风险预测结果。本申请解决了无法兼顾用户信用风险的预测准确度和预测效率的技术问题。问题。问题。

【技术实现步骤摘要】
信用风险预测方法、电子设备及可读存储介质


[0001]本申请涉及金融科技(Fintech)的人工智能
，尤其涉及一种信用风险预测方法、电子设备及可读存储介质。

技术介绍

[0002]随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术(如分布式、人工智能等)应用在金融领域，但金融业也对技术提出了更高的要求，如对金融业对用户的信用水平也有更高的要求。
[0003]目前，为了评估用户的信用水平，通常根据用户的历史行为数据集和风险预测模型，对用户的信用风险进行预测，为了提高用户的信用风险的预测准确度，历史行为数据集通常来源于多个渠道和多个数据源，而模型对大量多维的历史行为数据集进行处理时，由于处理复杂度较高，容易出现处理用时较长甚至无法处理的情况，因此，无法兼顾用户信用风险的预测准确度和预测效率。

技术实现思路

[0004]本申请的主要目的在于提供一种信用风险预测方法、电子设备及可读存储介质，旨在解决现有技术中无法兼顾用户信用风险的预测准确度和预测效率的技术问题。
[0005]为实现上述目的，本申请提供一种信用风险预测方法，所述信用风险预测方法包括：
[0006]获取用户的历史行为数据集，其中，所述历史行为数据集至少来源于两种数据源；
[0007]将所述历史行为数据集整合为历史行为融合数据；
[0008]根据所述历史行为融合数据和风险预测模型，对所述用户进行信用风险预测，得到风险预测结果。
[0009]可选地，所述将所述历史行为数据集整合为历史行为融合数据的步骤包括：
[0010]确定所述历史行为数据集中来源于各所述数据源的各变量对应的变量融合系数；
[0011]根据各所述变量融合系数，将各所述变量整合为历史行为融合数据。
[0012]可选地，所述确定所述历史行为数据集中来源于各所述数据源的各变量对应的变量融合系数的步骤包括：
[0013]对所述历史行为数据集进行分解得到分解矩阵；
[0014]根据所述历史行为数据集和所述分解矩阵，确定所述历史行为数据集中来源于各所述数据源的各变量对应的变量融合系数。
[0015]可选地，所述分解矩阵包括结果矩阵和系数矩阵，
[0016]所述对所述历史行为数据集进行分解得到分解矩阵的步骤包括：
[0017]通过预设矩阵分解法对所述历史行为数据集进行分解得到结果矩阵和系数矩阵，其中，所述结果矩阵和所述系数矩阵为非负矩阵。
[0018]可选地，所述分解矩阵包括结果矩阵，
[0019]所述根据所述历史行为数据集和所述分解矩阵，确定所述历史行为数据集中来源于各所述数据源的各变量对应的变量融合系数的步骤包括：
[0020]将所述历史行为数据集作为回归模型输入值，将所述结果矩阵作为所述回归模型输入值对应的输入标签；
[0021]根据所述回归模型输入值和所述输入标签，通过多元线性回归模型拟合得到所述历史行为数据集中来源于各所述数据源的各变量对应的变量融合系数。
[0022]可选地，所述根据各所述变量融合系数，将各所述变量整合为历史行为融合数据的步骤包括：
[0023]确定各所述变量与各自对应的各所述变量融合系数两两之间的乘积；
[0024]将各所述乘积整合为历史行为融合数据。
[0025]可选地，在所述根据所述历史行为融合数据和风险预测模型，对所述用户进行信用风险预测，得到风险预测结果的步骤之前，还包括：
[0026]获取训练行为数据集和所述训练行为数据集对应的真实标签，其中，所述训练行为数据集至少来源于两种数据源；
[0027]将所述训练行为数据集整合为训练行为融合数据；
[0028]根据所述训练行为融合数据和所述真实标签，对待训练风险预测模型进行迭代优化，得到风险预测模型。
[0029]为实现上述目的，本申请还提供一种信用风险预测装置，所述信用风险预测装置包括：
[0030]获取模块，用于获取用户的历史行为数据集，其中，所述历史行为数据集至少来源于两种数据源；
[0031]整合模块，用于将所述历史行为数据集整合为历史行为融合数据；
[0032]预测模块，用于根据所述历史行为融合数据和风险预测模型，对所述用户进行信用风险预测，得到风险预测结果。
[0033]可选地，所述整合模块还用于：
[0034]确定所述历史行为数据集中来源于各所述数据源的各变量对应的变量融合系数；
[0035]根据各所述变量融合系数，将各所述变量整合为历史行为融合数据。
[0036]可选地，所述整合模块还用于：
[0037]对所述历史行为数据集进行分解得到分解矩阵；
[0038]根据所述历史行为数据集和所述分解矩阵，确定所述历史行为数据集中来源于各所述数据源的各变量对应的变量融合系数。
[0039]可选地，所述分解矩阵包括结果矩阵和系数矩阵，所述整合模块还用于：
[0040]通过预设矩阵分解法对所述历史行为数据集进行分解得到结果矩阵和系数矩阵，其中，所述结果矩阵和所述系数矩阵为非负矩阵。
[0041]可选地，所述分解矩阵包括结果矩阵，所述整合模块还用于：
[0042]将所述历史行为数据集作为回归模型输入值，将所述结果矩阵作为所述回归模型输入值对应的输入标签；
[0043]根据所述回归模型输入值和所述输入标签，通过多元线性回归模型拟合得到所述历史行为数据集中来源于各所述数据源的各变量对应的变量融合系数。
[0044]可选地，所述整合模块还用于：
[0045]确定各所述变量与各自对应的各所述变量融合系数两两之间的乘积；
[0046]将各所述乘积整合为历史行为融合数据。
[0047]可选地，在所述根据所述历史行为融合数据和风险预测模型，对所述用户进行信用风险预测，得到风险预测结果的步骤之前，所述信用风险预测装置还用于：
[0048]获取训练行为数据集和所述训练行为数据集对应的真实标签，其中，所述训练行为数据集至少来源于两种数据源；
[0049]将所述训练行为数据集整合为训练行为融合数据；
[0050]根据所述训练行为融合数据和所述真实标签，对待训练风险预测模型进行迭代优化，得到风险预测模型。
[0051]本申请还提供一种电子设备，所述电子设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述信用风险预测方法的程序，所述信用风险预测方法的程序被处理器执行时可实现如上述的信用风险预测方法的步骤。
[0052]本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有实现信用风险预测方法的程序，所述信用风险预测方法的程序被处理器执行时实现如上述的信用风险预测方法的步骤。
[0053]本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的信用风险预测方法的步骤。
[0054]本申请提供本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信用风险预测方法，其特征在于，所述信用风险预测方法包括：获取用户的历史行为数据集，其中，所述历史行为数据集至少来源于两种数据源；将所述历史行为数据集整合为历史行为融合数据；根据所述历史行为融合数据和风险预测模型，对所述用户进行信用风险预测，得到风险预测结果。2.如权利要求1所述信用风险预测方法，其特征在于，所述将所述历史行为数据集整合为历史行为融合数据的步骤包括：确定所述历史行为数据集中来源于各所述数据源的各变量对应的变量融合系数；根据各所述变量融合系数，将各所述变量整合为历史行为融合数据。3.如权利要求2所述信用风险预测方法，其特征在于，所述确定所述历史行为数据集中来源于各所述数据源的各变量对应的变量融合系数的步骤包括：对所述历史行为数据集进行分解得到分解矩阵；根据所述历史行为数据集和所述分解矩阵，确定所述历史行为数据集中来源于各所述数据源的各变量对应的变量融合系数。4.如权利要求3所述信用风险预测方法，其特征在于，所述分解矩阵包括结果矩阵和系数矩阵，所述对所述历史行为数据集进行分解得到分解矩阵的步骤包括：通过预设矩阵分解法对所述历史行为数据集进行分解得到结果矩阵和系数矩阵，其中，所述结果矩阵和所述系数矩阵为非负矩阵。5.如权利要求3所述信用风险预测方法，其特征在于，所述分解矩阵包括结果矩阵，所述根据所述历史行为数据集和所述分解矩阵，确定所述历史行为数据集中来源于各所述数据源的各变量对应的变量融合系数的步骤包括：将所述历史行为数据集作为回归模型输入值，将所述结果矩阵作为所述回归模型输入值对应的输入标签；根据所述回归模型输入值和所述输入标签，通过多元线性回归模型拟合得到所述历史行为数据集中来源于各所述数据源的各变量对...

【专利技术属性】
技术研发人员：谭蕴琨，陈婷，吴三平，庄伟亮，张鹏，黄勇卫，王永兴，许逸翰，
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：