申请/专利权人：中国银行股份有限公司

申请日：2020-07-07

公开（公告）日：2024-04-23

公开（公告）号：CN111652627B

主分类号：G06Q20/40

分类号：G06Q20/40;G06Q40/02;G06N3/0464;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.04.23#授权;2020.10.13#实质审查的生效;2020.09.11#公开

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。

主权项：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；行时间尺度是时间周期；列时间尺度是细粒度的每一行的一个数字时间维度；所述预设的矩阵格式还包括数据的统计方式，所述数据的统计方式包括求和、取平均值、统计次数的一种或多种；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；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；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。

全文数据：

权利要求：

百度查询： 中国银行股份有限公司 风险评估方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD