【技术实现步骤摘要】
本公开涉及风险预测，尤其是一种违约风险预测模型的训练方法、预测方法、系统及其设备。
技术介绍
1、随着互联网的普及，互联网正在逐步渗透到人们日常生活的各个方面，未来人们的生活习惯也将为之改变。在线贷款申请审批也正在成为一种趋势，借助互联网的优势，可以足不出户的完成贷款申请的各项步骤，包括了解各类贷款的申请条件，准备申请材料，一直到递交贷款申请并获得审批结果，都可以在互联网上高效的完成。
2、传统的风控技术，多由各机构自己的风控团队，以人工的方式进行经验控制。但随着互联网技术不断发展，传统的风控方式已逐渐不能支撑机构的业务扩展。人工方式无法满足多维度、批量标准化的执行流程，识别风险人群的准确性依赖人工识别的经验，识别结果稳定性差。
技术实现思路
1、本公开要解决的技术问题是为了克服现有技术中人工识别风险效率低、识别结果稳定性差的缺陷，提供一种违约风险预测模型的训练方法、预测方法、系统、设备及其介质。
2、本公开是通过下述技术方案来解决上述技术问题：
3、第一方面，提供一种违约风险预测模型的训练方法，所述训练方法包括：
4、获取每个样本用户对每次历史签约事件对应的样本信息；
5、其中，所述样本信息包括所述样本用户在签约所述历史签约事件的过程中的样本情绪信息，以及履行所述历史签约事件的样本状态信息；
6、从所述样本情绪信息中提取样本情绪特征，并从所述样本状态信息中提取样本信用特征；
7、将所述样本情绪特征
8、较佳地，所述样本情绪信息包括所述样本用户的历史心率信息、历史皮肤电阻信息、历史面部表情信息、历史眼球运动信息和历史语音信息中的至少一种。
9、较佳地，所述从所述样本情绪信息中提取样本情绪特征的步骤包括：
10、在所述样本情绪信息包括所述样本用户在签约所述历史签约事件的过程中不同时刻对应的所述心率信息时，提取相邻时刻之间所述心率信息的心率差；
11、基于所述历史心率信息中的所述心率差，计算得到所述情绪特征；
12、和/或，在所述样本情绪信息包括所述样本用户在签约所述历史签约事件的过程中不同时刻对应的所述历史皮肤电阻信息时，提取所述历史皮肤电阻信息的幅值；
13、基于所述幅值计算得到所述情绪特征。
14、较佳地，所述预设神经网络为循环神经网络，所述循环神经网络包括lstm(longshort-term memory，长短期记忆网络)层和全连接层；
15、所述将所述样本情绪特征和所述样本信用特征作为输入，对应的样本风险数据作为输出，训练预设神经网络，以得到所述违约风险预测模型的步骤包括：
16、将所述样本情绪特征转换为第一特征向量，将所述样本信用特征转换为第二特征向量；
17、将所述第一特征向量和所述第二特征向量输入所述循环神经网络，通过所述lstm层和所述全连接层进行前向传播，以得到所述违约风险预测模型。
18、较佳地，所述训练方法还包括：
19、获取所述样本用户的用户特征信息；
20、将所述用户特征信息、所述样本情绪特征和所述样本信用特征作为输入，对应的样本风险数据作为输出，训练预设神经网络，以得到所述违约风险预测模型。
21、较佳地，所述用户特征信息包括所述样本用户的性别和/或年龄，所述训练所述预设神经网络得到所述违约风险预测模型的步骤包括：
22、训练得到若干与每种预设群体匹配的所述违约风险预测模型；
23、其中，所述预设群体基于所述年龄和/或性别划分设定。
24、第二方面，提供一种违约风险的预测方法，所述预测方法包括：
25、获取目标签约对象在签约期间的生物反应信息和历史履约信息；
26、从所述生物反应信息中提取目标情绪特征，并从所述历史履约信息中提取目标信用特征；
27、将所述目标情绪特征和所述目标信用输入第一方面所述的违约风险预测模型的训练方法训练得到的违约风险预测模型，输出所述签约对象的目标风险数据。
28、较佳地，所述获取目标签约对象的历史履约信息的步骤包括：
29、获取所述目标签约对象的生物识别信息；
30、其中，所述生物识别信息包括指纹识别信息、瞳孔识别信息、面部识别信息和声纹识别信息中的至少一种；
31、基于所述生物识别信息调用所述目标签约对象的历史履约信息。
32、第三方面，提供一种违约风险预测模型的训练系统，所述训练系统包括样本获取模块、特征提取模块和模型训练模块；
33、所述样本获取模块，用于获取每个样本用户对每次历史签约事件对应的样本信息；其中，所述样本信息包括所述样本用户在签约所述历史签约事件的过程中的样本情绪信息，以及履行所述历史签约事件的样本状态信息；
34、所述特征提取模块，用于从所述样本情绪信息中提取样本情绪特征，并从所述样本状态信息中提取样本信用特征；
35、所述模型训练模块，用于将所述样本情绪特征和所述样本信用特征作为输入，对应的样本风险数据作为输出，训练预设神经网络，以得到所述违约风险预测模型。
36、第四方面，提供一种违约风险的预测系统，所述预测系统包括签约信息获取模块、目标特征提取模块和风险预测模块；
37、所述签约信息获取模块，用于获取目标签约对象在签约期间的生物反应信息和历史履约信息；
38、所述目标特征提取模块，用于从所述生物反应信息中提取目标情绪特征，并从所述历史履约信息中提取目标信用特征；
39、所述风险预测模块，用于将所述目标情绪特征和所述目标信用输入第三方面所述的违约风险预测模型的训练系统训练得到的违约风险预测模型，输出所述签约对象的目标风险数据。
40、第五方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并用于在处理器上运行的计算机程序，所述处理器执行计算机程序时实现第一方面所述的违约风险预测模型的训练方法，或者第二方面所述的违约风险的预测方法。
41、第六方面，提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时实现第一方面所述的违约风险预测模型的训练方法，或者第二方面所述的违约风险的预测方法。
42、在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本公开各较佳实例。
43、本公开的积极进步效果在于：通过样本用户在签约行为期间的生物反应信息和对应的履约信息训练得到违约风险预测模型，利用签约对象在签约过程中的生物反应和历史履约信息，基于违约风险预测模型准确预测签约对象的违约风险，实现对签约对象风险预测的自动化处理。
本文档来自技高网...【技术保护点】
1.一种违约风险预测模型的训练方法，其特征在于，所述训练方法包括：
2.根据权利要求1所述的违约风险预测模型的训练方法，其特征在于，所述样本情绪信息包括所述样本用户的历史心率信息、历史皮肤电阻信息、历史面部表情信息、历史眼球运动信息和历史语音信息中的至少一种。
3.根据权利要求2所述的违约风险预测模型的训练方法，其特征在于，所述从所述样本情绪信息中提取样本情绪特征的步骤包括：
4.根据权利要求1所述的违约风险预测模型的训练方法，其特征在于，所述预设神经网络为循环神经网络，所述循环神经网络包括LSTM层和全连接层；
5.根据权利要求1-4中任一项所述的违约风险预测模型的训练方法，其特征在于，所述训练方法还包括：
6.根据权利要求5所述的违约风险预测模型的训练方法，其特征在于，所述用户特征信息包括所述样本用户的性别和/或年龄，所述训练所述预设神经网络得到所述违约风险预测模型的步骤包括：
7.一种违约风险的预测方法，其特征在于，所述预测方法包括：
8.根据权利要求7所述的违约风险的预测方法，其特征在于，
9.一种违约风险预测模型的训练系统，其特征在于，所述训练系统包括样本获取模块、特征提取模块和模型训练模块；
10.一种违约风险的预测系统，其特征在于，所述预测系统包括签约信息获取模块、目标特征提取模块和风险预测模块；
11.一种电子设备，包括存储器、处理器及存储在存储器上并用于在处理器上运行的计算机程序，其特征在于，所述处理器执行计算机程序时实现权利要求1-6中任一项所述的违约风险预测模型的训练方法，或者权利要求7或8所述的违约风险的预测方法。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时实现权利要求1-6中任一项所述的违约风险预测模型的训练方法，或者权利要求7或8所述的违约风险的预测方法。
...【技术特征摘要】
1.一种违约风险预测模型的训练方法，其特征在于，所述训练方法包括：
2.根据权利要求1所述的违约风险预测模型的训练方法，其特征在于，所述样本情绪信息包括所述样本用户的历史心率信息、历史皮肤电阻信息、历史面部表情信息、历史眼球运动信息和历史语音信息中的至少一种。
3.根据权利要求2所述的违约风险预测模型的训练方法，其特征在于，所述从所述样本情绪信息中提取样本情绪特征的步骤包括：
4.根据权利要求1所述的违约风险预测模型的训练方法，其特征在于，所述预设神经网络为循环神经网络，所述循环神经网络包括lstm层和全连接层；
5.根据权利要求1-4中任一项所述的违约风险预测模型的训练方法，其特征在于，所述训练方法还包括：
6.根据权利要求5所述的违约风险预测模型的训练方法，其特征在于，所述用户特征信息包括所述样本用户的性别和/或年龄，所述训练所述预设神经网络得到所述违约风险预测模型的步骤包括：
...
【专利技术属性】
技术研发人员：王墨影，严子敖，郭曦，
申请(专利权)人：上海腾桥信息技术有限公司，
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。