风险评估方法及装置.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CN111652627A(43)申请公布日2020.09.11(21)申请号202010646201.4(22)申请日2020.07.07(71)申请人中国银行股份有限公司地址100818北京市西城区复兴门内大街1号(72)发明人李娟李乐郭慧杰(74)专利代理机构北京三友知识产权代理有限公司11127代理人谷敬丽吴学锋(51)Int.Cl.G06Q20/40(2012.01)G06Q40/02(2012.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书7页附图3页(54)发明名称风险评估方法及装置(57)摘要本发明实施例公开了一种风险评估方法及装置，其中，该方法包括：获得用户数据，其中，用户数据包括属性数据和多种具备时序特征的行为数据；将多种具备时序特征的行为数据基于预设的矩阵格式，转换为多个具备时序特征的行为矩阵；其中，预设的矩阵格式是根据多种行为数据的时序特征确定的，预设的矩阵格式包括：矩阵的行时间尺度和列时间尺度；将属性数据，以及多个具备时序特征的行为矩阵输入卷积神经网络模型，输出风险评估结果。本发明根据行为数据的时序特征设置矩阵的格式，基于卷积神经网络模型进行风险评估，充分保留了行为数据的时序特征，提高了风险评估的准确性。CN111652627ACN111652627A权利要求书1/2页1.一种风险评估方法，其特征在于，包括：获得用户数据，其中，所述用户数据包括属性数据和多种具备时序特征的行为数据；将多种具备时序特征的行为数据基于预设的矩阵格式，转换为多个具备时序特征的行为矩阵；其中，所述预设的矩阵格式是根据多种行为数据的时序特征确定的，所述预设的矩阵格式包括：矩阵的行时间尺度和列时间尺度；将所述属性数据，以及所述多个具备时序特征的行为矩阵输入卷积神经网络模型，输出风险评估结果。2.如权利要求1所述的方法，其特征在于，在将所述属性数据，以及所述多个具备时序特征的行为矩阵输入卷积神经网络模型之前，还包括：根据所述属性数据的包含的数据个数，以及各个行为矩阵的行数和列数，调整卷积神经网络模型的输入层结构。3.如权利要求1所述的方法，其特征在于，在将所述属性数据，以及所述多个具备时序特征的行为矩阵输入卷积神经网络模型之前，还包括：通过如下方式训练得到所述卷积神经网络模型：获得样本数据，其中，所述样本数据为已知风险评估结果的样本属性数据和多个具备时序特征的样本行为矩阵；根据所述样本数据，通过深度学习训练得到所述卷积神经网络模型。4.如权利要求3所述的方法，其特征在于，根据所述样本数据，通过深度学习训练得到所述卷积神经网络模型，包括：将多个具备时序特征的样本行为矩阵输入卷积神经网络模型的卷积层，输出行为的特征向量；将样本属性数据输入卷积神经网络模型的全连接层，输出属性的特征向量；将所述行为的特征向量及所述属性的特征向量进行融合，将融合后的特征向量输入卷积神经网络模型的剩余网络层，输出预测风险评估结果；根据预测风险评估结果与已知风险评估结果确定误差参数，根据误差参数调整卷积神经网络模型的模型参数；循环执行上述操作，直至误差参数小于预设阈值为止，得到训练好的卷积神经网络模型。5.一种风险评估装置，其特征在于，包括：数据获得模块，用于获得用户数据，其中，所述用户数据包括属性数据和多种具备时序特征的行为数据；矩阵确定模块，用于将多种具备时序特征的行为数据基于预设的矩阵格式，转换为多个具备时序特征的行为矩阵；其中，所述预设的矩阵格式是根据多种行为数据的时序特征确定的，所述预设的矩阵格式包括：矩阵的行时间尺度和列时间尺度；风险评估模块，用于将所述属性数据，以及所述多个具备时序特征的行为矩阵输入卷积神经网络模型，输出风险评估结果。6.如权利要求5所述的装置，其特征在于，还包括：输入层调整模块，用于：在将所述属性数据，以及所述多个具备时序特征的行为矩阵输入卷积神经网络模型之前，根据所述属性数据的包含的数据个数，以及各个行为矩阵的行数和列数，调整卷积神经2CN111652627A权利要求书2/2页网络模型的输入层结构。7.如权利要求5所述的装置，其特征在于，还包括：卷积神经网络模型训练模块，用于：在将所述属性数据，以及所述多个具备时序特征的行为矩阵输入卷积神经网络模型之前，通过如下方式训练得到所述卷积神经网络模型：获得样本数据，其中，所述样本数据为已知风险评估结果的样本属性数据和多个具备时序特征的样本行为矩阵；根据所述样本数据，通过深度学习训练得到所述卷积神经网络模型。8.如权利要求7所述的装置，其特征在于，根据所述样本数据，通过深度学习训练得到所述卷积神经网络模型，包括：将多个具备时序特征的样本行为矩阵输入卷积神经网络模型的卷积