权益推送风险预警方法技术

本申请属于人工智能及金融科技领域，涉及一种权益推送风险预警方法，包括确定时间序列数据的全部数据字段中的特征字段和预测字段；筛选与权益相关的特征字段作为输入特征，确定输出特征；基于输入特征构建多维特征数据集；将多维特征数据集分为训练集和测试集；将训练集输入

【技术实现步骤摘要】
权益推送风险预警方法、装置、计算机设备及存储介质


[0001]本申请涉及人工智能及金融科技
，尤其涉及一种权益推送风险预警方法
、
装置
、
计算机设备及存储介质
。

技术介绍

[0002]随着互联网技术与移动通信网络的快速发展，各应用平台通过信息推送的方式将活动权益下发至各个用户端，从而使用户获取不同提供方提供的权益资源
。
但是，会存在一些非正常用户从中牟利，通过违规或非法的手段，不正当的刷取这些形式的权益服务和优惠，冲击了正常的客户服务体系
。
因此，需要对活动权益的发放进行风控预警
。
[0003]目前，预警触发方式，多以超出当前预测值置信范围来发出预警，而预测结果的准确性直接影响预警监控的有效性
。
基于预警规则的方法，依靠专家经验设定阈值，且以环比
、
同比增长或平均值大于指定阈值来触发预警
。
这种方法的弊端，未考虑到当前的活动因素影响，如新增发放量
、
节假日
、<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种权益推送风险预警方法，其特征在于，包括下述步骤：按照预设时间间隔获取历史活动的时间序列数据，提取所述时间序列数据中的全部数据字段，并确定全部所述数据字段中的特征字段和预测字段；筛选出与权益相关的所述特征字段作为输入特征，将所述输入特征对应的预测字段作为输出特征；从所述时间序列数据中分别提取所述输入特征和所述输出特征对应的输入数据和输出数据，基于所述输入数据构建多维特征数据集，所述输出数据作为所述多维特征数据的真值标签；按照预设比例将所述多维特征数据集分为训练集和测试集；根据所述输入特征和所述输出特征构建
LSTM
神经网络模型，并将所述训练集输入所述
LSTM
神经网络模型中进行训练，得到训练的
LSTM
神经网络模型；使用所述测试集对所述训练的
LSTM
神经网络模型进行验证，输出符合预设条件的权益推送预测模型；获取目标活动权益数据，将所述目标活动权益数据输入所述权益推送预测模型，得到预测推送数量；根据所述预测推送数量确定是否触发预警；在触发预警时，对预警风险进行风险定位，将所述风险定位发送给用户
。2.
根据权利要求1所述的权益推送风险预警方法，其特征在于，所述筛选出与权益相关的所述特征字段作为输入特征的步骤包括：计算每个所述特征字段与所述预测字段之间的相关系数；筛选出所述相关系数大于预设相关阈值的所述特征字段作为输入特征
。3.
根据权利要求1所述的权益推送风险预警方法，其特征在于，所述
LSTM
神经网络模型包括前向
LSTM
层
、
后向
LSTM
层
、dropout
层
、
全连接层以及输出层；所述将所述训练集输入所述
LSTM
神经网络模型中进行训练，得到训练的
LSTM
神经网络模型的步骤包括：将所述训练集输入所述前向
LSTM
层中进行计算，输出前向隐藏层状态序列；将所述训练集输入所述后向
LSTM
层中进行计算，得到后向隐藏层状态序列；拼接所述前向隐藏层状态序列和所述后向隐藏层状态序列，得到隐藏层特征状态序列，并将所述隐藏层特征状态序列输入至所述
dropout
层，得到增强隐藏层特征；通过所述全连接层对所述增强隐藏层特征进行计算，得到预测特征向量；将所述预测特征向量输入所述输出层，计算得到预测结果；按照预设损失函数计算所述预测结果和所述真值标签之间的损失值；根据所述损失值调整所述
LSTM
神经网络模型的网络参数，继续进行训练，直至收敛，输出训练的
LSTM
神经网络模型
。4.
根据权利要求3所述的权益推送风险预警方法，其特征在于，所述前向
LSTM
层包括遗忘门
、
输入门
、
输出门和记忆单元；所述将所述训练集输入所述前向
LSTM
层中进行计算，输出前向隐藏层状态序列的步骤包括：将所述训练集输入所述前向
LSTM
层，根据上一时刻隐藏层状态
、
当前输入特征
、
遗忘门权重矩阵和遗忘门偏置向量，计算得到所述遗忘门的值；根据所述上一时刻隐藏层状态
、
所述当前输入特征
、
输入门权重矩阵和输入门偏置向
量，计算得到所述输入门的值；根据所述上一时刻隐藏层状态
、
所述当前输入特征
、
记忆单元权重矩阵和记忆单元偏置向量，计算得到所述记忆单元的临时状态；根据所述遗忘门的值
、
所述输入门的值
...

【专利技术属性】
技术研发人员：敖琦，
申请(专利权)人：中国平安财产保险股份有限公司，
类型：发明
国别省市：