[发明专利]用户风险的确定方法、装置和服务器

说明书

本说明书提供了用户风险的确定方法、装置和服务器。基于该方法，具体实施前，可以通过对包含有全量业务数据的多个数据表进行预设的聚类处理，得到多个样本用户的基于业务相关性聚类在一起的多个样本数据集；再利用多个样本用户的多个样本数据集，训练得到准确度较高的同时包含有第一层模型和第二层模型双层结构的预设的用户风险预测模型；其中，上述第一层模型具体包含有分别对应多个子业务场景的多个子模型；具体实施时，在获取目标用户的业务数据之后，可以通过调用上述预设的用户风险预测模型来综合处理目标用户的业务数据，以较为全面且精准地确定出目标用户的风险等级，从而可以有效降低确定用户风险时的误差，提高风险预测精度。

技术领域

本说明书属于人工智能技术领域，尤其涉及用户风险的确定方法、装置和服务器。

背景技术

业务办理机构在为用户办理诸如信贷业务、信用卡业务等涉及用户风险的业务时，办理机构往往需要先评估该用户的风险情况，再基于该用户的风险情况确定是否为该用户办理相应业务。

但是，基于现有用户风险的确定方法，在具体预测用户风险时，往往误差较大，无法较为全面、精准地确定出用户的风险情况。

针对上述问题，目前尚未提出有效的解决方案。

发明内容

本说明书提供了一种用户风险的确定方法、装置和服务器，可以较为全面且精准地确定出目标用户综合的风险等级，能有效降低确定用户风险时的误差，提高风险预测精度。

本说明书实施例提供了一种用户风险的确定方法，包括：

获取目标用户的业务数据；

调用预设的用户风险预测模型处理所述目标用户的业务数据，得到对应的目标处理结果；其中，所述预设的用户风险预测模型包括第一层模型和第二层模型，所述第一层模型包括多个子模型，所述多个子模型分别对应一个子业务场景；

根据所述目标处理结果，确定目标用户的风险等级。

在一些实施例中，所述方法还包括：

获取业务系统的多个数据表；其中，所述多个数据表中的各个数据表分别包含有样本用户的多个业务数据；

对所述多个数据表进行预设的聚类处理，得到样本用户的多个样本数据集；其中，所述多个样本数据集中的各个样本数据集分别包含有对应于一个子业务场景的，存在业务相关性的业务数据；

利用所述样本用户的多个样本数据集，训练初始模型，以得到所述预设的用户风险预测模型。

在一些实施例中，对所述多个数据表进行预设的聚类处理，得到样本用户的多个样本数据集，包括：

基于K-means聚类算法，根据样本用户的身份标识对多个数据表进行聚类处理，以得到多个聚合表；其中，所述聚合表包含有对应一个样本用户的身份标识和一个子业务场景的业务数据；

根据所述多个聚合表，构建样本用户的多个样本数据集。

在一些实施例中，所述初始模型按照以下方式构建：

基于随机森林算法，构建针对多个子业务场景的多个初始子模型；并组合所述多个初始子模型，得到初始的第一层模型；

基于决策树算法，构建初始的第二层模型；

将所述初始的第一层模型中的多个初始子模型与所述初始的第二层模型相连，得到所述初始模型。

在一些实施例中，在对所述多个数据表进行预设的聚类处理，得到样本用户的多个样本数据集之后，所述方法还包括：

根据预设的校验规则，对所述样本用户的多个样本数据集分别进行数据清洗处理，以滤除无效数据。