2023110280756一种融合尺度标签的多尺度风控系统及其方法.pdf

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN117078007A
(43)申请公布日2023.11.17
(21)申请号202311028075.6G06N20/00(2019.01)
(22)申请日2023.08.16G06F18/213(2023.01)
G06F18/25(2023.01)
(71)申请人杭银消费金融股份有限公司

地址310000浙江省杭州市拱墅区潮鸣街
道庆春路38号8层（801、802、803、804
室）、9层、11层（1101、1102室）（自主申
报）
(72)发明人陈辰杨萱邵嘉琪周维浩
王震段美宁
(74)专利代理机构浙江维创盈嘉专利代理有限
公司33477
专利代理师李博
(51)Int.Cl.
G06Q10/0635(2023.01)
G06Q10/067(2023.01)
权利要求书2页说明书9页附图3页
(54)发明名称
一种融合尺度标签的多尺度风控系统及其
方法
(57)摘要
本申请公开了一种融合尺度标签的多尺度
风控系统及其方法，其通过根据产品的实际期数
分别确定长期表现期以及短期表现期，同时定义
坏客户的逾期程度，并基于选定的长期、短期表
现期和逾期程度构建长期y标签和短期y标签；接
着，使用机器学习模型从所述短期标签记录和所
述长期标签记录提取短期风险特征向量和长期
风险特征向量。进而融合所述短期风险特征向量
和所述长期风险特征向量以得到多尺度风险特
征向量，并基于此来确定长期逾期概率和短期逾
期概率，进而降低风控环节的复杂度和操作风
险。
CN117078007A
CN117078007A权利要求书1/2页

1.一种融合尺度标签的多尺度风控方法，其特征在于，包括：
获取待评估用户的短期标签记录和长期标签记录；
从所述短期标签记录和所述长期标签记录提取短期风险特征向量和长期风险特征向
量；
融合所述短期风险特征向量和所述长期风险特征向量以得到多尺度风险特征向量；以
及
基于所述多尺度风险特征向量，确定长期逾期概率和短期逾期概率。
2.根据权利要求1所述的融合尺度标签的多尺度风控方法，其特征在于，从所述短期标
签记录和所述长期标签记录提取短期风险特征向量和长期风险特征向量，包括：
将所述待评估用户的短期标签记录通过基于一维卷积神经网络模型的短期风险特征
提取器以得到短期风险特征向量。
3.根据权利要求2所述的融合尺度标签的多尺度风控方法，其特征在于，从所述短期标
签记录和所述长期标签记录提取短期风险特征向量和长期风险特征向量，还包括：将所述
待评估用户的长期标签记录通过基于多尺度邻域特征提取模块的长期风险特征提取器以
得到长期风险特征向量。
4.根据权利要求3所述的融合尺度标签的多尺度风控方法，其特征在于，所述多尺度邻
域特征提取模块包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第
二卷积层连接的特征融合层，其中，所述第一卷积层和所述第二卷积层分别使用具有不同
尺度的一维卷积核。
5.根据权利要求4所述的融合尺度标签的多尺度风控方法，其特征在于，融合所述短期
风险特征向量和所述长期风险特征向量以得到多尺度风险特征向量，包括：使用级联函数
来融合所述短期风险特征向量和所述长期风险特征向量以得到多尺度风险特征向量。
6.根据权利要求5所述的融合尺度标签的多尺度风控方法，其特征在于，基于所述多尺
度风险特征向量，确定长期逾期概率和短期逾期概率，包括：将所述多尺度风险特征向量通
过第一分类器和第二分类器以得到第一概率值和第二概率值，所述第一概率值和所述第二
概率值分别表示长期逾期概率和短期逾期概率。
7.根据权利要求6所述的融合尺度标签的多尺度风控方法，其特征在于，还包括训练步
骤：对所述基于一维卷积神经网络模型的短期风险特征提取器、所述基于多尺度邻域特征
提取模块的长期风险特征提取器、所述第一分类器和所述第二分类器进行训练。
8.根据权利要求7所述的融合尺度标签的多尺度风控方法，其特征在于，所述训练步
骤，包括：
获取训练数据，所述训练数据包括待评估用户的训练短期标签记录和训练长期标签记
录；
基于所述基于一维卷积神经网络模型的短期风险特征提取器和所述基于多尺度邻域
特征提取模块的长期风险特征提取器，从所述训练短期标签记录和所述训练长期标签记录
提取训练短期风险特征向量和训练长期风险特征向量；
融合所述训练短期风险特征向量和所述训练长期风险特征向量以得到训练多尺度风
险特征向量；
将所述训练多尺度风险特征向量通过第一分类器和第二分类器以得到第一分类损失

2
CN117078007A权利要求书2/2页
函数值和第二分类损失函数值；
计算所述训练短期风险特征向量和所述训练长期风险特征向量之间的共有流形隐式
相似性因数；
以所述第一分类损