[发明专利]用户风险分析模型训练方法、装置及电子设备

权利要求书

1.一种用户风险分析模型训练方法，其特征在于，包括：

获取用户数据，所述用户数据包括基础数据和行为数据；

基于所述基础数据和所述行为数据为所述用户数据确定标签，所述标签包括正向标签和负向标签；

基于所述标签对所述用户数据进行样本扩容处理，生成样本数据；

通过所述样本数据对预设机器学习模型进行训练，生成用户风险分析模型，所述预设机器学习模型为带有改进函数的机器学习模型。

2.如权利要求1所述的方法，其特征在于，还包括：

将当前用户数据输入所述用户风险分析模型中，生成所述当前用户数据的风险概率。

3.如权利要求1-2中任一所述的方法，其特征在于，基于所述基础数据和所述行为数据为所述用户数据确定标签，所述标签包括正向标签和负向标签，包括：

通过所述风险策略集合对所述基础数据和所述行为数据进行判定；

为满足风控策略集合的用户数据确定正向标签；

为不满足风控策略集合的用户数据确定负向标签。

4.如权利要求1-3中任一所述的方法，其特征在于，基于所述标签对所述用户数据进行样本扩容处理，生成样本数据，包括：

通过近邻算法对带有负向标签的用户数据进行样本扩容处理以生成所述样本数据；和/或

通过生成对抗网络模型对带有负向标签的用户数据进行样本扩容处理以生成所述样本数据；和/或

通过标签传播算法对带有负向标签的用户数据进行样本扩容处理以生成所述样本数据。

5.如权利要求1-4中任一所述的方法，其特征在于，通过所述样本数据对预设机器学习模型进行训练，生成用户风险分析模型，包括：

基于FOCAL LOSS损失函数生成极端梯度提升决策树模型；以及

通过所述样本数据对所述极端梯度提升决策树模型进行训练以生成所述用户风险分析模型。

6.如权利要求1-5中任一所述的方法，其特征在于，还包括：

在平衡交叉熵损失函数上设置抑制参数生成所述FOCAL LOSS损失函数。

7.如权利要求1-6中任一所述的方法，其特征在于，所述FOCAL LOSS损失函数，包括：

FL(pt)＝-αt(1-pt)γlog(pt)

其中，Fl为FOCAL LOSS损失函数；αt为抑制参数；pt为所述样本数据经过机器学习模型中sigmoid激活函数后的输出数据；γ为调节参数，γ∈[0，5]。

8.一种用户风险分析模型训练装置，其特征在于，包括：

数据模块，用于获取用户数据，所述用户数据包括基础数据和行为数据；

标签模块，用于基于所述基础数据和所述行为数据为所述用户数据确定标签，所述标签包括正向标签和负向标签；

扩容模块，用于基于所述标签对所述用户数据进行样本扩容处理，生成样本数据；

训练模块，用于通过所述样本数据对预设机器学习模型进行训练，生成用户风险分析模型，所述预设机器学习模型为带有改进函数的机器学习模型。

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。