1.一种用户金融风险识别模型生成方法，其特征在于，包括：
获取多个历史用户的金融数据，所述金融数据中包括违约状态；
根据所述违约状态由所述多个历史用户中筛选出多个正样本用户；
通过所述多个正样本用户的金融数据和初始超球体方程生成超球体方程组；
求取所述超球体方程以获取其最优解；以及
基于所述最优解生成用户金融风险识别模型，所述用户金融风险识别模型用于确定用户的金融违约风险概率。
2.如权利要求1所述的方法，其特征在于，通过所述多个正样本用户的金融数据和初始超球体方程生成超球体方程组包括：
通过所述多个正样本用户的金融数据和预设的多维度特征向量基准值生成所述多个正样本用户的多维度金融数据特征值；
基于所述多个正样本用户的多维度金融数据特征值与所述初始超球体方程生成所述超球体方程组。
3.如权利要求1-2中任一所述的方法，其特征在于，通过所述多个正样本用户的金融数据和预设的多维度特征向量基准值生成所述多个正样本用户的多维度金融数据特征值包括：
将所述多个正样本用户的金融数据按照预设的维度进行分类，生成多个多维度金融数据；以及
将所述多个多维度金融数据和预设的多维度特征向量基准值进行比对以生成所述多个正样本用户的多维度金融数据特征值。
4.如权利要求1-3中任一所述的方法，其特征在于，还包括：
确定所述历史用户的金融数据的特征维度；以及
基于所述特征维度与所述维度对应的多个历史用户的金融数据的数值确定所述多维度特征向量基准值。
5.如权利要求1-4中任一所述的方法，其特征在于，基于所述多个正样本用户的多维度金融数据特征值与所述初始超球体方程生成所述超球体方程组包括：
基于所述多个正样本用户的多维度金融数据特征值在多维度坐标系中确定其对应的多个位置坐标；以及
将所述多个位置坐标分别代入所述初始超球体方程以生成所述超球体方程组。
6.如权利要求1-5中任一所述的方法，其特征在于，求取所述超球体方程以获取其最优解包括：
确定目标松弛变量阈值和优化目标；以及
基于所述目标松弛变量阈值、所述优化目标通过优化算法求解所述初始超球体方程，获取所述初始超球体方程的最优解；
其中，优化目标为所有正样本用户均在超球体内。
7.如权利要求1-6中任一所述的方法，其特征在于，基于所述最优解生成用户金融风险识别模型包括：
基于所述最优解生成目标超球体方程；以及
基于所述目标超球体方程生成所述用户金融风险识别模型。
8.一种用户金融风险识别模型生成装置，其特征在于，包括：
数据模块，用于获取多个历史用户的金融数据，所述金融数据中包括违约状态；
筛选模块，用于根据所述违约状态由所述多个历史用户中筛选出多个正样本用户；
方程模块，用于通过所述多个正样本用户的金融数据和初始超球体方程生成超球体方程组；
求解模块，用于求取所述超球体方程以获取其最优解；以及
模型模块，用于基于所述最优解生成用户金融风险识别模型，所述用户金融风险识别模型用于确定用户的金融违约风险概率。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。