本申请涉及一种风险评估方法、装置、计算机设备、存储介质和计算机程序产品。上述方法包括：获取待评估用户的历史特征数据；将待评估用户的历史特征数据输入至目标风险评估模型中进行风险评估，生成待评估用户的风险评估结果；目标风险评估模型为基于用户扩增后的特征数据对历史风险评估模型进行训练所生成的；用户扩增后的特征数据包括用户的历史特征数据及在历史特征数据之后产生的预测特征数据；历史风险评估模型为基于用户的历史特征数据进行训练所生成的；输出待评估用户的风险评估结果。采用本方法能够较准确地生成待评估用户的风险评估结果。的风险评估结果。的风险评估结果。
【技术实现步骤摘要】
风险评估方法、装置、计算机设备、存储介质和程序产品
[0001]本申请涉及人工智能
，特别是涉及一种风险评估方法、装置、计算机设备、存储介质和计算机程序产品。
技术介绍
[0002]随着人工智能的发展，机器学习模型的应用越来越普遍。机器学习模型在计算机视觉、自然语言处理、语音识别、智能风控、精准营销、智慧城市等领域都起到了重要的作用。因此，机器学习模型的效果优劣对于用户来说至关重要。
[0003]一般的，可以通过机器学习模型进行风险评估。传统方法中，机器学习模型是通过大量的历史特征数据进行训练所得到的模型，因此，在刚上线该机器学习模型时，采用该机器学习模型进行风险评估的准确性较高。然而，在传统的机器学习模型上线一段时间之后，采用该机器学习模型进行风险评估的准确性较低。
技术实现思路
[0004]基于此，有必要针对上述技术问题，提供一种能够提高风险评估准确性的风险评估方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
[0005]第一方面，本申请提供了一种风险评估方法。所述方法包括：
[0006]获取待评估用户的历史特征数据；
[0007]将所述待评估用户的历史特征数据输入至目标风险评估模型中进行风险评估，生成所述待评估用户的风险评估结果；所述目标风险评估模型为基于用户扩增后的特征数据对历史风险评估模型进行训练所生成的；所述用户扩增后的特征数据包括所述用户的历史特征数据及在所述历史特征数据之后产生的预测特征数据；所述历史风险评估模型为基于所述用户的历史特征数据进行训练所生成的；
[0008]输出所述待评估用户的风险评估结果。
[0009]在其中一个实施例中，所述方法还包括：
[0010]根据所述用户的历史特征数据、所述历史风险评估模型及预设数据扩增模型，生成所述用户扩增后的特征数据；
[0011]将所述用户扩增后的特征数据输入至所述历史风险评估模型中进行训练，对所述历史风险评估模型的历史模型参数进行调整，生成第一目标模型参数；
[0012]基于所述第一目标模型参数对所述历史风险评估模型进行更新，生成所述目标风险评估模型。
[0013]在其中一个实施例中，所述根据所述用户的历史特征数据、所述历史风险评估模型及预设数据扩增模型，生成所述用户扩增后的特征数据，包括：
[0014]将所述用户的历史特征数据输入至所述预设数据扩增模型中进行预测，生成所述用户的候选预测特征数据；
[0015]根据所述用户的候选预测特征数据及所述历史风险评估模型对所述候选预测特
征数据进行筛选，生成所述用户的预测特征数据；
[0016]根据所述用户的预测特征数据及所述用户的历史特征数据，生成所述用户扩增后的特征数据。
[0017]在其中一个实施例中，所述方法还包括：
[0018]获取所述用户的历史特征数据；
[0019]将所述用户的历史特征数据输入至初始数据扩增模型中进行训练，对所述初始数据扩增模型的初始模型参数进行调整，生成第二目标模型参数；
[0020]基于所述第二目标模型参数对所述初始数据扩增模型进行更新，生成所述预设数据扩增模型。
[0021]在其中一个实施例中，所述将所述用户的历史特征数据输入至初始数据扩增模型中进行训练，对所述初始数据扩增模型的初始模型参数进行调整，生成第二目标模型参数，包括：
[0022]将预设时间段内所述用户的历史特征数据作为初始训练数据集，将所述预设时间段的下一预设时间段内所述用户的历史特征数据作为初始测试数据集；
[0023]将所述初始训练数据集输入至所述初始数据扩增模型中进行训练，生成所述初始训练数据集对应的初始预测特征数据；
[0024]根据所述初始预测特征数据及所述初始测试数据集中的历史特征数据，对所述初始数据扩增模型的参数进行调整，生成中间模型参数，并基于所述中间模型参数对所述初始数据扩增模型进行调整，生成中间数据扩增模型；
[0025]基于所述初始测试数据集对所述初始训练数据集进行更新，生成新的初始训练数据集，将所述新的初始训练数据集的下一预设时间段内的历史特征数据作为新的初始测试数据集，将所述中间数据扩增模型作为新的初始数据扩增模型；对所述新的初始训练数据集、所述新的初始测试数据集及所述新的初始数据扩增模型进行迭代计算，直到遍历完所述用户的历史特征数据为止，将最后一次迭代计算所得到的中间模型参数，作为所述第二目标模型参数。
[0026]在其中一个实施例中，所述根据所述用户的候选预测特征数据及所述历史风险评估模型对所述候选预测特征数据进行筛选，生成所述用户的预测特征数据，包括：
[0027]将所述用户的候选预测特征数据输入至所述历史风险评估模型中进行风险评估，生成所述候选预测特征数据对应的风险评估结果；
[0028]检测所述候选预测特征数据对应的风险评估结果是否满足第一预设条件；
[0029]若所述风险评估结果满足所述第一预设条件，则将满足所述第一预设条件的风险评估结果对应的候选预测特征数据作为所述用户的预测特征数据。
[0030]在其中一个实施例中，所述方法还包括：
[0031]若所述风险评估结果不满足所述第一预设条件，则检测所述不满足所述第一预设条件的风险评估结果对应的候选预测特征数据是否满足第二预设条件；
[0032]若所述风险评估结果对应的候选预测特征数据满足所述第二预设条件，则将满足所述第二预设条件的候选预测特征数据作为所述用户的预测特征数据。
[0033]第二方面，本申请还提供了一种风险评估装置。所述装置包括：
[0034]获取模块，用于获取待评估用户的历史特征数据；
[0035]风险评估模块，用于将所述待评估用户的历史特征数据输入至目标风险评估模型中进行风险评估，生成所述待评估用户的风险评估结果；所述目标风险评估模型为基于用户扩增后的特征数据对历史风险评估模型进行训练所生成的；所述用户扩增后的特征数据包括所述用户的历史特征数据及在所述历史特征数据之后产生的预测特征数据；所述历史风险评估模型为基于所述用户的历史特征数据进行训练所生成的；
[0036]输出模块，用于输出所述待评估用户的风险评估结果。
[0037]第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面中任一项实施例中的方法的步骤。
[0038]第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一项实施例中的方法的步骤。
[0039]第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面中任一项实施例中的方法的步骤。
[0040]上述风险评估方法、装置、计算机设备、存储介质和计算机程序本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种风险评估方法，其特征在于，所述方法包括：获取待评估用户的历史特征数据；将所述待评估用户的历史特征数据输入至目标风险评估模型中进行风险评估，生成所述待评估用户的风险评估结果；所述目标风险评估模型为基于用户扩增后的特征数据对历史风险评估模型进行训练所生成的；所述用户扩增后的特征数据包括所述用户的历史特征数据及在所述历史特征数据之后产生的预测特征数据；所述历史风险评估模型为基于所述用户的历史特征数据进行训练所生成的；输出所述待评估用户的风险评估结果。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：根据所述用户的历史特征数据、所述历史风险评估模型及预设数据扩增模型，生成所述用户扩增后的特征数据；将所述用户扩增后的特征数据输入至所述历史风险评估模型中进行训练，对所述历史风险评估模型的历史模型参数进行调整，生成第一目标模型参数；基于所述第一目标模型参数对所述历史风险评估模型进行更新，生成所述目标风险评估模型。3.根据权利要求2所述的方法，其特征在于，所述根据所述用户的历史特征数据、所述历史风险评估模型及预设数据扩增模型，生成所述用户扩增后的特征数据，包括：将所述用户的历史特征数据输入至所述预设数据扩增模型中进行预测，生成所述用户的候选预测特征数据；根据所述用户的候选预测特征数据及所述历史风险评估模型对所述候选预测特征数据进行筛选，生成所述用户的预测特征数据；根据所述用户的预测特征数据及所述用户的历史特征数据，生成所述用户扩增后的特征数据。4.根据权利要求2或3所述的方法，其特征在于，所述方法还包括：获取所述用户的历史特征数据；将所述用户的历史特征数据输入至初始数据扩增模型中进行训练，对所述初始数据扩增模型的初始模型参数进行调整，生成第二目标模型参数；基于所述第二目标模型参数对所述初始数据扩增模型进行更新，生成所述预设数据扩增模型。5.根据权利要求4所述的方法，其特征在于，所述将所述用户的历史特征数据输入至初始数据扩增模型中进行训练，对所述初始数据扩增模型的初始模型参数进行调整，生成第二目标模型参数，包括：将预设时间段内所述用户的历史特征数据作为初始训练数据集，将所述预设时间段的下一预设时间段内所述用户的历史特征数据作为初始测试数据集；将所述初始训练数据集输入至所述初始数据扩增模型中进行训练，生成所述初始训练数据集对应的初始预测特征数据；根据所述初始预测特征数据及所述初始测试数据集中的历史特征数据，对所述初始数据扩增模型的参数进行调整，生成中间模型参数，并基于所述中间模型参数对所述初始数据扩增模型进行调整，生...
【专利技术属性】
技术研发人员：徐林嘉，陈李龙，袁如怡，李睿琦，
申请(专利权)人：中国工商银行股份有限公司，
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。