一种应用于小样本场景的客户经理风险模型构建方法与流程

本技术涉及信贷风控领域，具体地，涉及一种应用于小样本场景的客户经理风险模型构建方法。

背景技术：

1、在金融服务行业中，客户经理作为连接金融机构和客户的重要角色，在业务推广、客户服务和风险管理等方面扮演着关键的角色。然而，由于金融市场的复杂性和不确定性，客户经理的行为可能会带来一定的风险，例如操作风险、道德风险等。为了有效管理和预防这些风险，构建一个能够评估客户经理风险水平的模型是至关重要的。然而，对于小样本场景，即当可用的数据量有限时，传统的统计方法或机器学习算法可能无法提供足够的预测性能，因为它们通常需要大量的数据来训练出一个可靠的模型。此外，小样本问题还可能导致过拟合现象，使得模型在新数据上的泛化能力较差。不仅如此，对比客户维度的模型构建，客户经理风险模型在标签定义上观测点的选择、特征的构造都有所不同，另外目标样本主要是人工打标，那么目标样本存在遗漏和少的特点。

2、因此，期望一种优化的应用于小样本场景的客户经理风险模型构建方案。

技术实现思路

1、提供该
技术实现要素：
部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

2、第一方面，本技术提供了一种应用于小样本场景的客户经理风险模型构建方法，所述方法包括：

3、选取涉风险的时间点，并选取所述涉风险的时间点之前预定时间段内有进件的且满足表现期的目标客户经理；

4、提取所述目标客户经理的样本信息以得到训练样本集；

5、提取所述训练样本集中各个目标客户经理的样本信息的客户经理特征以得到客户经理特征的集合；

6、对所述客户经理特征的集合进行内在特征可区分强化处理以得到强化客户经理特征的集合；

7、基于所述强化客户经理特征的集合，对客户经理风险模型进行训练以得到客户经理基础风险模型：

8、从所述训练样本集识别异常样本点；

9、基于所述异常样本点及所述异常样本点的客户经理特征对所述客户经理基础风险模型进行训练以得到客户经理强化风险模型。

10、可选地，所述目标客户经理的样本信息包括基本属性信息、展业点位异常信息、客户关联关系信息和历史交易行为记录信息。

11、可选地，提取所述训练样本集中各个目标客户经理的样本信息的客户经理特征以得到客户经理特征的集合，包括：使用客户经理样本嵌入矩阵分别对所述训练样本集中各个目标客户经理的样本信息进行嵌入编码以得到目标客户经理嵌入语义编码向量的集合作为所述客户经理特征的集合。

12、可选地，对所述客户经理特征的集合进行内在特征可区分强化处理以得到强化客户经理特征的集合，包括：使用场域映射器对所述目标客户经理嵌入语义编码向量的集合中的各个目标客户经理嵌入语义编码向量进行场域映射以得到入场目标客户经理嵌入语义编码向量的集合；计算所述入场目标客户经理嵌入语义编码向量的集合的本质特征以得到目标客户经理语义场域本质特征向量；基于所述目标客户经理语义场域本质特征向量，对所述目标客户经理嵌入语义编码向量的集合进行语义强化以得到强化目标客户经理嵌入语义编码向量的集合作为所述强化客户经理特征的集合。

13、可选地，计算所述入场目标客户经理嵌入语义编码向量的集合的本质特征以得到目标客户经理语义场域本质特征向量，包括：计算所述入场目标客户经理嵌入语义编码向量的集合中的各个入场目标客户经理嵌入语义编码向量的场域深度因子以得到目标客户经理语义场域深度因子的集合；基于所述目标客户经理语义场域深度因子的集合，计算所述入场目标客户经理嵌入语义编码向量的集合的本质特征以得到所述目标客户经理语义场域本质特征向量。

14、可选地，计算所述入场目标客户经理嵌入语义编码向量的集合中的各个入场目标客户经理嵌入语义编码向量的场域深度因子以得到目标客户经理语义场域深度因子的集合，包括：计算所述入场目标客户经理嵌入语义编码向量的一范数的平方以得到入场目标客户经理嵌入语义一范数平方表示值；计算常数一分别与所述入场目标客户经理嵌入语义一范数平方表示值之间的加和值和差值以得到入场目标客户经理嵌入语义加和表示和入场目标客户经理嵌入语义差值表示；计算所述入场目标客户经理嵌入语义加和表示与所述入场目标客户经理嵌入语义差值表示之间的除法后，再计算得到的除法数值的以2为底的对数函数值以得到目标客户经理语义场域深度因子。

15、可选地，基于所述目标客户经理语义场域本质特征向量，对所述目标客户经理嵌入语义编码向量的集合进行语义强化以得到强化目标客户经理嵌入语义编码向量的集合作为所述强化客户经理特征的集合，包括：以所述目标客户经理语义场域本质特征向量作为条件特征向量，分别对所述目标客户经理嵌入语义编码向量的集合中的各个目标客户经理嵌入语义编码向量进行可区分强化以得到所述强化目标客户经理嵌入语义编码向量的集合。

16、可选地，以所述目标客户经理语义场域本质特征向量作为条件特征向量，分别对所述目标客户经理嵌入语义编码向量的集合中的各个目标客户经理嵌入语义编码向量进行可区分强化以得到所述强化目标客户经理嵌入语义编码向量的集合，包括：计算所述目标客户经理语义场域本质特征向量与目标客户经理语义本质权重矩阵之间的乘法以得到目标客户经理语义本质特征调制向量；计算所述目标客户经理嵌入语义编码向量与局部目标客户经理语义权重矩阵之间的乘法以得到目标客户经理嵌入语义特征调制向量；计算所述目标客户经理语义本质特征调制向量与所述目标客户经理嵌入语义特征调制向量之间的按位置加和后再与偏置向量进行按位置加和以得到目标客户经理语义综合调制表示向量；使用sigmoid函数对所述目标客户经理语义综合调制表示向量进行概率化调制后，将调制后的目标客户经理语义综合调制权重向量与所述目标客户经理嵌入语义编码向量进行按位置点乘以得到强化目标客户经理嵌入语义编码向量。

17、可选地，基于所述异常样本点及所述异常样本点的客户经理特征对所述客户经理基础风险模型进行训练以得到客户经理强化风险模型，包括：基于所述异常样本点及所述异常样本点的客户经理特征，对所述客户经理基础风险模型进行增量学习训练以得到所述客户经理强化风险模型。

18、采用上述技术方案，通过选取涉风险点以及涉风险点之前的有进件的且满足表现期的目标客户经理，然后提取该目标客户经理的样本信息作为训练样本集，其中样本信息中包含了基本属性信息、展业点位异常信息、客户关联关系信息和历史交易行为记录信息，并提取这些样本信息中的客户经理特征，再经过内在特征可区分强化的处理旨在提高从有限数据中提取的有效特征的数量和质量，从而训练得到客户经理基础风险模型。这可以增强那些客户经理的相关信息特征以及对风险具有更强解释力的特征，从而改善模型的学习效果。此外，该方案还包括一个异常样本点识别步骤，用以进一步优化客户经理基础风险模型。通过运用增量学习的方式对异常情况进行学习，模型可以更好地理解非正常情况下客户经理的行为模式，并据此调整其风险评估策略，最终形成一个应用于小样本场景下更为稳健的客户经理强化风险模型。

19、本技术的其他特征和优点将在随后的具体实施方式部分予以详细说明。