基于用户行为数据的信用数据分析方法及系统技术方案

本发明专利技术涉及数据处理技术领域，公开了一种基于用户行为数据的信用数据分析方法及系统，用于提高信用数据分析时的准确率。包括：采集多个用户行为数据并进行标签匹配，确定标签数据；对多个用户行为数据及标签数据进行数据整合，得到用户数据集合；对用户数据集合进行数据处理，得到待分析数据集合；通过过滤式特征提取算法对待分析数据集合进行第一特征提取处理得到第一候选特征集合；通过包裹式特征提取算法对第一候选特征集合进行第二特征提取处理得到第二候选特征集合；对第二候选特征集合进行数据漂移检测及特征筛选处理，得到目标特征集合；对目标特征集合进行信用数据分析，得到信用数据分析结果并将信用数据分析结果传输至预置的数据处理终端。传输至预置的数据处理终端。传输至预置的数据处理终端。

【技术实现步骤摘要】
基于用户行为数据的信用数据分析方法及系统


[0001]本专利技术涉及数据处理
，尤其涉及一种基于用户行为数据的信用数据分析方法及系统。

技术介绍

[0002]近年来，互联网金融的快速发展使用户信用数据分析变得愈发重要。仅凭基本信息对用户进行信用评定很难有效判断用户违约的风险，除此之外，与用户强相关的金融属性的数据很难获取，且获取成本很高，导致获取到的有效数据十分有限，这对构建高准确率的信用数据分析系统造成了很大的困难。并且随着互联网金融的迅速发展，数据维度呈现爆炸性增长，导致数据具有高维稀疏的特点。此外，在风控建模当中，结构化数据清洗加工繁重、数据变换存在矩阵稀疏导致损失信息过多，特征提取困难，同时较高维度的数据已超出传统评分卡模型所能处理的数据范围。
[0003]但是，机器学习模型对于具有上述特点的数据建模具有明显优势。一方面机器学习模型可以帮助筛选数据中影响建模效果的无关的和冗余的特征数据。通过特征选择可有效对数据进行维度缩减，降低模型的计算复杂度，提高模型的运算速度和精度。另一方面机器学习模型还可以在高维稀疏数据中发现规律和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于用户行为数据的信用数据分析方法，其特征在于，包括：采集多个用户行为数据，并对多个所述用户行为数据进行标签匹配，确定每个所述用户行为数据对应的标签数据；对所述多个用户行为数据以及每个所述用户行为数据对应的标签数据进行数据整合，得到用户数据集合；对所述用户数据集合进行数据预处理，得到待分析数据集合；通过过滤式特征提取算法对所述待分析数据集合进行第一特征提取处理，得到第一候选特征集合；通过包裹式特征提取算法对所述第一候选特征集合进行第二特征提取处理，得到第二候选特征集合；对所述第二候选特征集合进行数据漂移检测及特征筛选处理，得到目标特征集合；通过预置的目标信用数据分析模型对所述目标特征集合进行信用数据分析，得到信用数据分析结果，并将所述信用数据分析结果传输至预置的数据处理终端。2.根据权利要求1所述的基于用户行为数据的信用数据分析方法，其特征在于，所述采集多个用户行为数据，并对多个所述用户行为数据进行标签匹配，确定每个所述用户行为数据对应的标签数据步骤，包括：采集多个用户行为数据，并对每个所述用户行为数据进行时间数据提取，确定每个所述用户行为数据对应的时间数据；基于每个所述用户行为数据对应的时间数据，对多个所述用户行为数据进行标签匹配，确定每个所述用户行为数据对应的标签数据。3.根据权利要求1所述的基于用户行为数据的信用数据分析方法，其特征在于，所述对所述用户数据集合进行数据预处理，得到待分析数据集合步骤，包括：对所述用户数据集合进行异常值分析，确定目标异常值，并通过所述异常值对所述用户数据集合进行缺失值分析，确定目标缺失值；基于所述目标缺失值，对所述用户数据集合进行数据填充处理，得到待分析数据集合。4.根据权利要求1所述的基于用户行为数据的信用数据分析方法，其特征在于，所述通过过滤式特征提取算法对所述待分析数据集合进行第一特征提取处理，得到第一候选特征集合步骤，包括：通过所述过滤式特征提取算法对所述待分析数据集合进行冗余特征剔除，得到待处理特征集合；对所述待处理特征集合进行特征相关性分析，得到特征相关性分析结果；通过所述特征相关性分析结果对所述待处理特征集合进行特征提取，得到第一候选特征集合。5.根据权利要求1所述的基于用户行为数据的信用数据分析方法，其特征在于，所述通过包裹式特征提取算法对所述第一候选特征集合进行第二特征提取处理，得到第二候选特征集合步骤，包括：通过包裹式特征提取算法对所述第一候选特征集合中每个第一候选特征进行重要度分析，确定每个第一候选特征的重要度数据；基于...

【专利技术属性】
技术研发人员：刘晓光，王潇霏，王刚，陈静怡，王文蕊，赵思浓，
申请(专利权)人：南开大学，
类型：发明
国别省市：