本发明专利技术提供了一种基于统计和深度学习的特征衍生方法、装置、设备及介质，涉及机器学习技术领域，包括获取第一信息，第一信息包括至少两种业务场景下的银行风控数据；根据第一信息进行分类处理得到第二信息和第三信息；根据第二信息和预设的深度学习数学模型生成第四信息；根据第三信息中每个类型的数据进行算子操作得到第五信息；根据第四信息构建得到深度学习特征模型；根据第五信息构建得到统计特征模型；根据深度学习特征模型和统计特征模型进行融合处理得到组合模型，并根据组合模型生成衍生特征。本发明专利技术通过采用自动化特征衍生方法，具有高度的适应性和通用性，不再需要针对每个应用场景单独进行特征的定制化加工。
【技术实现步骤摘要】
本专利技术涉及机器学习，具体而言，涉及一种基于统计和深度学习的特征衍生方法、装置、设备及介质。
技术介绍
1、风险管理在金融领域扮演着至关重要的角色，有效的风险控制是银行机构长期稳健经营的基石，它不仅关系到金融机构自身的安全，还直接关系到客户的财务安全和市场的稳定。而特征衍生是风险管理的关键工具。现有的特征衍生方法主要依赖于基于业务专业知识的手工制定的指标，这种方式存在显著的问题。首先，现有的特征衍生方法过于依赖于专家知识，需要专业领域的专家不断调整和优化指标。这导致了高昂的人力成本和时间周期，特别是在面对不同银行风控业务场景时，需要不断重新设计和调整特征。其次，由于业务的多样性和不断变化，现有的特征衍生方法在不同场景下的模型效果差别很大，难以保证在不同环境下的准确性和稳定性。这种不一致性严重制约了风险评估和决策制定的可靠性。
2、基于上述现有技术的缺点，现亟需一种基于统计和深度学习的特征衍生方法、装置、设备及介质。
技术实现思路
1、本专利技术的目的在于提供一种基于统计和深度学习的特征衍生方法、装置、设备及介质，以改善上述问题。为了实现上述目的，本专利技术采取的技术方案如下：
2、第一方面，本申请提供了一种基于统计和深度学习的特征衍生方法，包括：
3、获取第一信息，所述第一信息包括至少两种业务场景下的银行风控数据；
4、根据所述第一信息进行分类处理得到第二信息和第三信息，所述第二信息为序列数据，所述第三信息为非序列数据；
>5、根据所述第二信息和预设的深度学习数学模型生成第四信息，所述第四信息为包含了原始序列和补充信息的嵌入特征；6、根据所述第三信息中每个类型的数据进行算子操作得到第五信息，所述第五信息为所述第三信息对应的统计特征；
7、根据所述第四信息构建得到深度学习特征模型；
8、根据所述第五信息构建得到统计特征模型；
9、根据所述深度学习特征模型和所述统计特征模型进行融合处理得到组合模型，并根据所述组合模型生成衍生特征。
10、第二方面，本申请还提供了基于统计和深度学习的特征衍生装置，包括：
11、获取模块，用于获取第一信息，所述第一信息包括至少两种业务场景下的银行风控数据；
12、分类模块，用于根据所述第一信息进行分类处理得到第二信息和第三信息，所述第二信息为序列数据，所述第三信息为非序列数据；
13、生成模块，用于根据所述第二信息和预设的深度学习数学模型生成第四信息，所述第四信息为包含了原始序列和补充信息的嵌入特征；
14、统计模块，用于根据所述第三信息中每个类型的数据进行算子操作得到第五信息，所述第五信息为所述第三信息对应的统计特征；
15、第一构建模块，用于根据所述第四信息构建得到深度学习特征模型；
16、第二构建模块，用于根据所述第五信息构建得到统计特征模型；
17、融合模块，用于根据所述深度学习特征模型和所述统计特征模型进行融合处理得到组合模型，并根据所述组合模型生成衍生特征。
18、第三方面，本申请还提供了一种基于统计和深度学习的特征衍生设备，包括：
19、存储器，用于存储计算机程序；
20、处理器，用于执行所述计算机程序时实现所述基于统计和深度学习的特征衍生方法的步骤。
21、第四方面，本申请还提供了一种介质，所述介质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基于统计和深度学习的特征衍生方法的步骤。
22、本专利技术的有益效果为：
23、本专利技术通过采用自动化特征衍生方法，具有高度的适应性和通用性，不再需要针对每个应用场景单独进行特征的定制化加工。通过深度学习和统计特征的融合，本专利技术能够更准确地捕捉数据中的信息和模式，从而提高了模型的准确性，有助于降低风险和提高决策的可靠性。
24、本专利技术的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术实施例了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
本文档来自技高网...
【技术保护点】
1.一种基于统计和深度学习的特征衍生方法，其特征在于，包括：
2.根据权利要求1所述的基于统计和深度学习的特征衍生方法，其特征在于，根据所述第一信息进行分类处理得到第二信息和第三信息，包括：
3.根据权利要求1所述的基于统计和深度学习的特征衍生方法，其特征在于，根据所述第二信息和预设的深度学习数学模型生成第四信息，包括：
4.根据权利要求3所述的基于统计和深度学习的特征衍生方法，其特征在于，根据所述第三信息中每个类型的数据进行算子操作得到第五信息，包括：
5.根据权利要求1所述的基于统计和深度学习的特征衍生方法，其特征在于，根据所述第四信息构建得到深度学习特征模型，包括：
6.根据权利要求1所述的基于统计和深度学习的特征衍生方法，其特征在于，根据所述深度学习特征模型和所述统计特征模型进行融合处理得到组合模型，并根据所述组合模型生成衍生特征，包括：
7.一种基于统计和深度学习的特征衍生装置，其特征在于，包括：
8.根据权利要求7所述的基于统计和深度学习的特征衍生装置，其特征在于，所述分类模块包括：</p>9.根据权利要求7所述的基于统计和深度学习的特征衍生装置，其特征在于，所述生成模块包括：
10.根据权利要求7所述的基于统计和深度学习的特征衍生装置，其特征在于，所述统计模块包括：
11.根据权利要求7所述的基于统计和深度学习的特征衍生装置，其特征在于，所述第一构建模块包括：
12.根据权利要求7所述的基于统计和深度学习的特征衍生装置，其特征在于，所述融合模块包括：
13.一种基于统计和深度学习的特征衍生设备，其特征在于，包括：
14.一种介质，其特征在于：所述介质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如权利要求1至6任一项所述基于统计和深度学习的特征衍生方法的步骤。
...
【技术特征摘要】
1.一种基于统计和深度学习的特征衍生方法，其特征在于，包括：
2.根据权利要求1所述的基于统计和深度学习的特征衍生方法，其特征在于，根据所述第一信息进行分类处理得到第二信息和第三信息，包括：
3.根据权利要求1所述的基于统计和深度学习的特征衍生方法，其特征在于，根据所述第二信息和预设的深度学习数学模型生成第四信息，包括：
4.根据权利要求3所述的基于统计和深度学习的特征衍生方法，其特征在于，根据所述第三信息中每个类型的数据进行算子操作得到第五信息，包括：
5.根据权利要求1所述的基于统计和深度学习的特征衍生方法，其特征在于，根据所述第四信息构建得到深度学习特征模型，包括：
6.根据权利要求1所述的基于统计和深度学习的特征衍生方法，其特征在于，根据所述深度学习特征模型和所述统计特征模型进行融合处理得到组合模型，并根据所述组合模型生成衍生特征，包括：
【专利技术属性】
技术研发人员：徐永峰，
申请(专利权)人：中信百信银行股份有限公司，
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。