风险识别方法、装置、计算机设备及存储介质与流程

本发明涉及智能决策，尤其涉及一种风险识别方法、装置、计算机设备及存储介质。

背景技术：

1、随着社会不断的发展，在当前金融全球化的环境下,各国金融环境不断变化，导致了个人风险等级的快速改变。而风险等级对于个人进行信贷办理有着重要的参考意义，因此，对个人风险进行识别是极其重要的。

2、现有技术中，风险等级是基于大量的用户行为特征，筛选出异常行为数据，从而确定风险等级，但是该方法中风险识别模型的迭代速度较慢，无法及时应用到新的风控场景中。然而，对于信贷而言，风险等级改变导致的个人违贷或错失客户都将带来巨大损失，因此，对金融风控模型提出快速迭代的需求。但模型迭代需要人工进行大量的特征工程以及数据分析，导致模型训练和迭代效率较低，严重影响了对用户风险等级的评估速度。

技术实现思路

1、本发明实施例提供一种风险识别方法、装置、计算机设备及存储介质，以解决现有技术中需要人工进行特征工程以及数据分析，导致风险识别较慢的问题。

2、一种风险识别方法，包括：

3、获取第二数据集；所述第二数据集包括至少一个第二样本数据；

4、对所有所述第二样本数据进行自动化特征工程，得到至少一个目标样本数据；

5、获取基准模型，通过所有所述目标样本数据对所述基准模型进行增量学习，得到更新模型；

6、对所述基准模型和所述更新模型进行测试，得到基准测试结果和更新测试结果；

7、根据所述基准测试结果和所述更新测试结果，确定目标模型；

8、获取待识别数据，通过所述目标模型对所有所述待识别数据进行风险识别，得到与各所述待识别数据对应的风险识别结果。

9、一种风险识别装置，包括：

10、数据获取模块，用于获取第二数据集；所述第二数据集包括至少一个第二样本数据；

11、特征工程模块，用于对所有所述第二样本数据进行自动化特征工程，得到至少一个目标样本数据；

12、增量学习模块，用于获取基准模型，通过所有所述目标样本数据对所述基准模型进行增量学习，得到更新模型；

13、性能测试模块，用于对所述基准模型和所述更新模型进行测试，得到基准测试结果和更新测试结果；

14、目标模型模块，用于根据所述基准测试结果和所述更新测试结果，确定目标模型；

15、风险识别模块，用于获取待识别数据，通过所述目标模型对所有所述待识别数据进行风险识别，得到与各所述待识别数据对应的风险识别结果。

16、一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述风险识别方法。

17、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述风险识别方法。

18、本发明提供一种风险识别方法、装置、计算机设备及存储介质，该方法通过获取第二样本数据，并对所有第二样本数据进行自动化特征工程，实现了对目标样本数据的筛选，进而实现了特征工程的自动化，还实现了二阶特征的聚合和选择。通过目标样本数据对基准模型进行增量学习，实现了对更新模型的确定。通过对基准模型和更新模型进行性能测试，并将测试结果进行比较，从而实现了对目标模型的确定。通过目标模型对待识别数据进行风险识别，实现了对风险识别结果的确定，进而实现了对待识别数据中风险的快速识别。进一步地，通过对更新模型性能进行监控，方便了根据实际风控场景和场景需求，决定是否调整基准模型，进而提升了建模效率。

技术特征：

1.一种风险识别方法，其特征在于，包括：

2.如权利要求1所述的风险识别方法，其特征在于，所述对所有所述第二样本数据进行自动化特征工程，得到至少一个目标样本数据，包括：

3.如权利要求1所述的风险识别方法，其特征在于，所述通过所有所述目标样本数据对所述基准模型进行增量学习，得到更新模型，包括：

4.如权利要求1所述的风险识别方法，其特征在于，所述对所述基准模型和所述更新模型进行测试，得到基准测试结果和更新测试结果，包括：

5.如权利要求1所述的风险识别方法，其特征在于，所述获取基准模型之前，包括：

6.如权利要求1所述的风险识别方法，其特征在于，所述根据所述基准测试结果和所述更新测试结果，确定目标模型，包括：

7.如权利要求6所述的风险识别方法，其特征在于，所述将所述基准模型反馈至客户端之后，还包括：

8.一种风险识别装置，其特征在于，包括：

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述风险识别方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述风险识别方法。

技术总结
本发明公开了一种风险识别方法，该方法包括获取第二数据集，第二数据集包括至少一个第二样本数据；对第二样本数据进行自动化特征工程，得到目标样本数据；通过目标样本数据对基准模型进行增量学习，得到更新模型；对基准模型和更新模型进行性能测试，得到基准测试结果以及更新测试结果；根据基准测试结果和更新测试结果，确定目标模型；获取待识别数据，通过目标模型对待识别数据进行风险识别，得到与各待识别数据对应的风险识别结果。本发明实现了特征工程自动化，节省了人工成本，实现了对待识别数据的快速识别。通过对更新模型进行性能监控，方便了根据实际风控场景和场景需求，决定是否调整基准模型，进而提升了建模效率。

技术研发人员：杨嘉豪,易艳,王建明,肖京,任程天
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：
技术公布日：2024/1/13