[发明专利]风险账户预测方法、装置以及电子设备

权利要求书

1.一种风险账户预测方法，其特征在于，包括：

获取目标账户数据，其中，所述账户数据包括与账户基本信息对应的第一静态数据，以及与账户行为特征对应的第一动态数据；

对所述第一静态数据和所述第一动态数据进行特征提取处理，分别得到与所述第一静态数据对应的静态特征集，以及与所述第一动态数据对应的动态特征集；

确定多模型融合策略，其中，所述多模型融合策略是基于多种不同的算法模型构建得到的；

根据所述静态特征集和所述动态特征集，采用所述多模型融合策略，得到风险账户预测结果，其中，所述风险账户预测结果包括从多个所述目标账户中确定的风险账户。

2.根据权利要求1所述的方法，其特征在于，所述对所述第一静态数据和所述第一动态数据进行特征提取处理，分别得到与所述第一静态数据对应的静态特征集，以及与所述第一动态数据对应的动态特征集，包括：

获取所述目标账户数据对应的正常账户数量以及风险账户数量；

判断所述正常账户数量与所述风险账户数量的比例是否超过预设比例；

若所述正常账户数量与所述风险账户数量的比例未超过所述预设比例，则对所述第一静态数据进行第一预处理，得到与所述第一静态数据对应的第二静态数据，以及对所述第一动态数据进行第二预处理，得到与所述第一动态数据对应的第二动态数据；

对所述第二静态数据进行特征提取处理，得到所述静态特征集，以及对所述第二动态数据进行特征提取处理，得到所述动态特征集。

3.根据权利要求2所述的方法，其特征在于，所述对所述第二静态数据进行特征提取处理，得到所述静态特征集，以及对所述第二动态数据进行特征提取处理，得到所述动态特征集，包括：

对所述第二静态数据进行第一特征提取处理，得到第一静态特征；对所述第二动态数据进行第二特征提取处理，得到第一动态特征；

对所述第一静态特征和所述第一动态特征进行类别字段量化处理，分别得到与所述第一静态特征对应的第二静态特征，以及与所述第一动态特征对应的所述动态特征集；

对所述第二静态特征进行特征筛选处理，得到所述静态特征集。

4.根据权利要求1所述的方法，其特征在于，所述多模型融合策略包括：基层模型策略、二层模型策略以及三层模型策略，所述根据所述静态特征集和所述动态特征集，采用所述多模型融合策略，得到风险账户预测结果，包括：

基于所述静态特征集，采用所述基层模型策略，得到第一训练集，其中，所述第一训练集包括：第一测试集和第一验证集；

基于所述动态特征集，采用所述二层模型策略，得到第二训练集，其中，所述第二训练集包括：第二测试集和第二验证集；

对所述第一测试集和所述第二测试集进行第一拼接处理，得到目标测试集；

对所述第一验证集和所述第二验证集进行第二拼接处理，得到目标验证集；

基于所述目标测试集和所述目标验证集，采用所述三层模型策略，得到所述风险账户预测结果。

5.根据权利要求4所述的方法，其特征在于，所述确定多模型融合策略，包括：

基于预先设定的多种不同的训练模型，确定所述基层模型策略，其中，所述多种不同的训练模型包括以下至少之二：梯度提升决策树算法、极度梯度提升树算法、轻量级的高效梯度提升树算法、随机森林算法；

基于卷积神经网络模型，确定得到所述二层模型策略；

基于逻辑回归模型，确定得到所述三层模型策略。

6.根据权利要求5所述的方法，其特征在于，所述基于所述静态特征集，采用所述基层模型策略，得到第一训练集，包括：

采用所述多种不同的训练模型对所述静态特征集进行初级训练，得到初始训练集，其中，所述初始训练集包括：初始测试集和初始验证集，其中，所述多种不同的训练模型用于基于第一数据特征差异从不同的分类角度对所述静态特征集进行分类训练；

采用第一训练模型对所述初始训练集进行次级训练，得到所述第一训练集，其中，所述第一训练模型用于基于第二数据特征差异对所述初始训练集进行分类训练，所述第一训练模型包括以下任意之一：梯度提升决策树算法、极度梯度提升树算法、轻量级的高效梯度提升树算法、随机森林算法。