失信客户识别方法、装置、设备及存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113947476A(43)申请公布日2022.01.18(21)申请号202111218444.9(22)申请日2021.10.19(71)申请人上海孚厘科技有限公司地址201900上海市宝山区石太路439号2幢502A室(72)发明人李潇岳帅吴艳(74)专利代理机构深圳市世纪恒程知识产权代理事务所44287代理人邝艳菊(51)Int.Cl.G06Q40/02(2012.01)G06F16/35(2019.01)G06F40/186(2020.01)权利要求书2页说明书15页附图4页(54)发明名称失信客户识别方法、装置、设备及存储介质(57)摘要本发明公开了一种失信客户识别方法、装置、设备及存储介质。该方法包括：在获取到识别指令时，从数据库中获取若干条待识别数据；从该数据中按照预设模板选择各待识别数据对应的字段信息；根据字段信息生成特征信息；将特征信息输入至预先训练好的目标融合模型中，得到输出的坏客户浓度挖掘结果，根据该结果确定对应的失信客户，其中，目标融合模型由预设决策树模型、预设普里姆算法模型、预设逻辑回归模型以及预设梯度提升模型叠加融合而成。通过上述方式，基于决策树模型、普里姆算法模型、逻辑回归模型以及梯度提升模型叠加融合后的模型挖掘坏客户浓度，解决了使用单模型挖掘坏客户时识别出的坏客户浓度较低，识别精度不高的问题。CN113947476ACN113947476A权利要求书1/2页1.一种失信客户识别方法，其特征在于，所述失信客户识别方法包括：在获取到失信客户识别指令时，从数据库中获取若干条待识别数据；从所述若干条待识别数据中按照预设字段选择模板选择各条待识别数据对应的字段信息；根据所述字段信息生成特征信息；将所述特征信息输入至预先训练好的目标融合模型中，得到所述目标融合模型输出的坏客户浓度挖掘结果，根据所述坏客户浓度挖掘结果确定对应的失信客户，其中，所述目标融合模型由预设决策树模型、预设普里姆算法模型、预设逻辑回归模型以及预设梯度提升模型叠加融合而成。2.如权利要求1所述的失信客户识别方法，其特征在于，所述在获取到失信客户识别指令时，从数据库中获取若干条待识别数据之前，所述方法还包括：从数据集中获取若干客户分别对应的全部字段信息；对所述全部字段信息做哑变量转换处理，得到全部特征信息；根据所述全部特征信息确定各字段项分别对应的预测能力信息值；根据所述预测能力信息值对各字段项进行筛选，得到剩余字段项；根据所述剩余字段项生成预设字段选择模板。3.如权利要求2所述的失信客户识别方法，其特征在于，所述根据所述预测能力信息值对各字段项进行筛选，得到剩余字段项，包括：将各字段项对应的所述预测能力信息值分别与预设数值范围进行比对，得到比对结果；根据所述比对结果对各字段项进行筛选，得到剩余字段项。4.如权利要求2所述的失信客户识别方法，其特征在于，所述对所述全部字段信息做哑变量转换处理，得到全部特征信息之后，所述方法还包括：将各字段信息以及对应的特征信息写入预设特征转换映射表；所述根据所述字段信息生成特征信息，包括：根据所述字段信息查找所述预设特征转换映射表，确定对应的特征信息。5.如权利要求1所述的失信客户识别方法，其特征在于，所述在获取到失信客户识别指令时，从数据库中获取若干条待识别数据之前，所述方法还包括：获取预设初始样本集；根据所述预设字段选择模板对所述预设初始样本集进行选择，得到若干条样本数据；根据所述若干条样本数据对初始融合模型进行训练，得到训练好的所述目标融合模型。6.如权利要求5所述的失信客户识别方法，其特征在于，所述根据所述若干条样本数据对初始融合模型进行训练，得到训练好的所述目标融合模型，包括：根据所述若干条样本数据按照预设比例随机生成训练集以及测试集；根据预先训练好的目标决策树模型、目标普里姆算法模型、目标逻辑回归模型以及目标梯度提升模型分别对所述训练集以及所述测试集进行预测，得到第一预测结果以及第二预测结果；根据所述第一预测结果对所述训练集进行调整，生成目标训练集；2CN113947476A权利要求书2/2页根据所述第二预测结果对所述测试集进行调整，生成目标验证集；根据所述目标训练集对初始融合模型进行训练，并根据所述目标验证集进行验证，在验证通过时，得到训练好的所述目标融合模型。7.如权利要求6所述的失信客户识别方法，其特征在于，所述根据预先训练好的目标决策树模型、目标普里姆算法模型、目标逻辑回归模型以及目标梯度提升模型分别对所述训练集以及所述测试集进行预测，得到第一预测结果以及第二预测结果之前，所述方法还包括：获取各算法模型对应的配置参数；根据所述配置参数配置各算法模型对应的训练条件；在所述训练条件下根据所述训练集分别对初始决策树