【技术实现步骤摘要】
本申请涉及人工智能，特别是涉及一种风险承担能力预测方法、装置、设备、存储介质和产品。
技术介绍
1、随着社会的快速发展，人民生活水平的不断提高，用户对于理财产品的需求也越来越大。但是，不同的理财产品的风险程度不同，不同用户对于风险的承担能力也不同。因此，如何从用户风险承担能力的维度出发，为用户推荐合适的理财产品成为迫切解决的问题。在这个过程中，如何预测用户风险承担能力成为重中之重。
2、目前，通常通过用户调研的方式来预测用户风险承担能力，根据用户对于调研问题的选择结果，将用户的风险承担能力分为几个级别。由于调研问题和级别数有限，容易导致风险承担能力预测不准确。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够提高用户风险承担能力预测准确率的用户风险承担能力的预测方法、装置、设备主存储介质。
2、第一方面，本申请提供了一种风险承担能力预测方法，包括：
3、获取目标用户的待检测信息；
4、通过风险预测模型对待检测信息进行处理，得到目标用户对应的目标预测值；风险预测模型由至少两个预测子模型组成，且各预测子模型对应不同的参数，各预测子模型的参数根据各预测子模型在训练过程中的误预测率确定。
5、在其中一个实施例中，通过风险预测模型对待检测信息进行处理，得到目标用户对应的目标预测值，包括：
6、通过风险预测模型的当前预测子模型，对待检测信息进行处理，得到当前预测子模型对应的当前预测值；
7、根据当
8、通过风险预测模型的下一预测子模型，对调整后的待检测信息和当前预测值进行处理，得到下一预测子模型对应的下一预测值；
9、确定下一预测子模型是否为风险预测模型中的最后一个子模型；若不是，则将下一预测子模型作为新的当前预测子模型，并返回执行根据当前预测值调整待检测信息中各信息的权重，得到调整后的待检测信息的步骤；若是，则将下一预测值作为目标用户对应的目标预测值。
10、在其中一个实施例中，预测子模型中至少包括长短期神经网络层、注意力机制层和预测层，其中，长短期神经网络层用于提取特征信息；注意力机制层用于对特征信息进行处理，得到目标特征信息；预测层用于对目标特征信息进行处理，得到子模型对应的预测值。
11、在其中一个实施例中，该方法还包括：
12、对初始风险预测模型中的各初始预测子模型进行训练，得到风险预测模型；各初始预测子模型的参数根据各初始预测子模型在训练过程中的误预测率确定。
13、在其中一个实施例中，对初始风险预测模型中的各初始预测子模型进行训练，得到风险预测模型，包括：
14、获取样本数据和标签数据；
15、将样本数据输入至初始预测子模型中进行预测，得到预测结果；
16、根据预测结果和标签数据，确定初始预测子模型的误预测率；
17、根据误预测率调节初始预测子模型的初始参数，直至误预测率满足预设条件，得到训练后的预测子模型；
18、根据多个训练后的预测子模型构建得到风险预测模型。
19、在其中一个实施例中，根据预测结果和标签数据，确定初始预测子模型的误预测率，包括：
20、根据预测结果和标签数据，确定初始预测子模型对应的性能指标值；
21、根据性能指标值，确定初始预测模型的误预测率。
22、在其中一个实施例中，根据预测结果和标签数据，确定初始预测子模型对应的性能指标值，包括：
23、根据预测结果和标签数据，确定初始预测子模型对应的真阳率和伪阳率；
24、根据真阳率和伪阳率，确定初始预测子模型对应的性能指标值。
25、第二方面，本申请还提供了一种风险承担能力预测装置，包括：
26、信息获取模块，用于获取目标用户的待检测信息；
27、风险预测模块，用于通过风险预测模型对待检测信息进行处理，得到目标用户对应的目标预测值；风险预测模型由至少两个预测子模型组成，且各预测子模型对应不同的参数，各预测子模型的参数根据各预测子模型在训练过程中的误预测率确定。
28、第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行该计算机程序时实现以下步骤：
29、获取目标用户的待检测信息；
30、通过风险预测模型对待检测信息进行处理，得到目标用户对应的目标预测值；风险预测模型由至少两个预测子模型组成，且各预测子模型对应不同的参数，各预测子模型的参数根据各预测子模型在训练过程中的误预测率确定。
31、第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以下步骤：
32、获取目标用户的待检测信息；
33、通过风险预测模型对待检测信息进行处理，得到目标用户对应的目标预测值；风险预测模型由至少两个预测子模型组成，且各预测子模型对应不同的参数，各预测子模型的参数根据各预测子模型在训练过程中的误预测率确定。
34、第五方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
35、获取目标用户的待检测信息；
36、通过风险预测模型对待检测信息进行处理，得到目标用户对应的目标预测值；风险预测模型由至少两个预测子模型组成，且各预测子模型对应不同的参数，各预测子模型的参数根据各预测子模型在训练过程中的误预测率确定。
37、上述风险承担能力预测方法、装置、设备、存储介质和产品，将获取到的目标用户的待检测信息输入至预先训练好的风险预测模型中，由于风险预测模型由多个预测子模型组成，且各预测子模型对应不同的参数，所以，各预测子模型对于待检测信息的特征提取维度与重点不同，能够更大程度地提取到待检测信息中利用预测风险承担能力的信息，使得风险预测模型输出的目标预测值更加准确。也就是说，整个过程可以提高对目标用户的风险承担能力预测的准确性。
本文档来自技高网...【技术保护点】
1.一种风险承担能力预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述通过风险预测模型对所述待检测信息进行处理，得到所述目标用户对应的目标预测值，包括：
3.根据权利要求1或2所述的方法，其特征在于，所述预测子模型中至少包括长短期神经网络层、注意力机制层和预测层，其中，所述长短期神经网络层用于提取特征信息；所述注意力机制层用于对特征信息进行处理，得到目标特征信息；所述预测层用于对所述目标特征信息进行处理，得到所述子模型对应的预测值。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
5.根据权利要求4所述的方法，其特征在于，所述对初始风险预测模型中的各初始预测子模型进行训练，得到所述风险预测模型，包括：
6.根据权利要求5所述的方法，其特征在于，所述根据所述预测结果和所述标签数据，确定所述初始预测子模型的误预测率，包括：
7.根据权利要求6所述的方法，其特征在于，所述根据所述预测结果和所述标签数据，确定所述初始预测子模型对应的性能指标值，包括：
8.一种
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一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，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
11.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种风险承担能力预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述通过风险预测模型对所述待检测信息进行处理，得到所述目标用户对应的目标预测值，包括：
3.根据权利要求1或2所述的方法，其特征在于，所述预测子模型中至少包括长短期神经网络层、注意力机制层和预测层，其中，所述长短期神经网络层用于提取特征信息；所述注意力机制层用于对特征信息进行处理，得到目标特征信息；所述预测层用于对所述目标特征信息进行处理，得到所述子模型对应的预测值。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
5.根据权利要求4所述的方法，其特征在于，所述对初始风险预测模型中的各初始预测子模型进行训练，得到所述风险预测模型，包括：
6.根据权利要求5所述的方法，其特...
【专利技术属性】
技术研发人员：王耀，王晓舟，张博，王晴，
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。