业务风险预测方法、装置、计算机设备与存储介质制造方法及图纸

本申请涉及大数据数据分析技术领域，特别是涉及一种业务风险预测方法、装置、计算机设备、存储介质和计算机程序产品。方法包括：获取客户信息数据以及业务在多个历史时序的状态信息数据；将客户信息数据以及状态信息数据映射到低维稠密向量空间，得到嵌入特征向量，嵌入特征向量包括客户特征向量以及状态特征向量；基于多头注意力机制对状态特征向量进行加权计算，得到关联特征向量，关联特征向量用于表征业务在历史时序的状态与未来状态之间的关联关系；将关联特征向量与客户特征向量进行融合，得到融合后的特征向量；将融合后的特征向量输入至预设风险分类模型中进行识别，得到业务风险的预测结果。采用本方法能得到准确的业务风险预测结果。业务风险预测结果。业务风险预测结果。

【技术实现步骤摘要】
业务风险预测方法、装置、计算机设备与存储介质


[0001]本申请涉及大数据数据分析
，特别是涉及一种业务风险预测方法、装置、计算机设备、存储介质和计算机程序产品。

技术介绍

[0002]随着企业以及个人对贷款的需求逐渐扩大，从而导致贷款的整个周期中产生的风险也越来越多，因此贷款预警的工作在贷前、贷中、贷后都有着十分重要的意义。
[0003]现有技术在对贷款风险进行预测时候，通常只关注当前时刻的贷款资金风险对未来时刻的影响，过于单一片面，无法准确高效地预测贷款后续的演化过程，不能得到准确的风险预测结果。
[0004]可见，上述现有技术存在预测结果准确性较低的问题。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种更准确的业务风险预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
[0006]第一方面，本申请提供了一种业务风险预测方法。所述方法包括：
[0007]获取客户信息数据以及业务在多个历史时序的状态信息数据；
[0008]将客户信息数据以及状态信息数据映射到低维稠密向量空间，得到嵌入特征向量，嵌入特征向量包括客户特征向量以及状态特征向量；
[0009]基于多头注意力机制对状态特征向量进行加权计算，得到关联特征向量，关联特征向量用于表征业务在历史时序的状态与未来状态之间的关联关系；
[0010]将关联特征向量与客户特征向量进行融合，得到融合后的特征向量；
[0011]将融合后的特征向量输入至预设风险分类模型中进行识别，得到业务风险的预测结果。
[0012]在其中一个实施例中，将客户信息数据以及状态信息数据映射到低维稠密向量空间，得到嵌入特征向量包括：
[0013]将客户信息数据以及状态信息数据进行预处理，得到预处理后的客户信息数据以及状态信息数据；
[0014]将预处理后的客户信息数据以及状态信息数据输入至特征嵌入网络中进行降维处理，得到嵌入特征向量。
[0015]在其中一个实施例中，预处理包括：
[0016]数据清洗、时间排序、特征工程、异常数据识别、异常数据剔除、归一化以及one
‑
hot编码中的至少一项。
[0017]在其中一个实施例中，基于多头注意力机制对状态特征向量进行加权计算，得到关联特征向量包括：
[0018]将状态特征向量输入至预设多头注意力模型中进行自注意力运算，得到状态特征
向量对应的注意力分布；
[0019]将注意力分布进行归一化处理，得到归一化注意力分布序列；
[0020]将归一化注意力分布序列输入至前馈神经网络中，得到关联特征向量。
[0021]在其中一个实施例中，将融合后的特征向量输入至预设风险分类模型中进行识别，得到业务风险的预测结果之前，包括：
[0022]获取预设样本数据集，预设样本数据集携带待分类数据特征向量以及待分类数据对应的真实分类结果；
[0023]将预设样本数据集输入至初始风险分类模型中进行分类，采用SoftMax函数得到分类结果；
[0024]根据分类结果以及真实分类结果采用交叉熵损失函数进行损失值计算，得到初始风险分类模型的损失值；
[0025]若损失值不小于预设分类损失值阈值，则调整初始风险分类模型中的损失值，得到调整后的初始风险分类模型；
[0026]将调整后的初始风险分类模型重新作为初始风险分类模型，返回将预设样本数据集输入至初始风险分类模型中进行分类，采用SoftMax函数得到分类结果的步骤，直至损失值小于预设分类损失值阈值，得到最新的初始风险分类模型；
[0027]将最新的初始风险分类模型作为预设风险分类模型。
[0028]在其中一个实施例中，获取客户信息数据以及业务在多个历史时序的状态信息数据之后还包括：
[0029]若状态信息数据的数量不小于预设数据量阈值，则进入将客户信息数据以及状态信息数据映射到低维稠密向量空间的步骤；
[0030]若状态信息数据的数量小于预设数据量阈值，则获取与客户信息数据相匹配的目标客户信息数据；
[0031]将客户信息数据与目标客户信息数据进行数据转换，得到客户信息数据对应的特征向量以及目标客户信息数据对应的目标特征向量；
[0032]根据相似度算法，得到特征向量与目标特征向量之间的相似度；
[0033]若相似度大于预设阈值，则获取目标客户的业务状态信息数据；
[0034]根据业务状态信息数据，得到业务风险的预测结果。
[0035]第二方面，本申请还提供了一种业务风险预测装置。所述装置包括：
[0036]信息获取模块，用于获取客户信息数据以及业务在多个历史时序的状态信息数据；
[0037]预处理模块，用于将客户信息数据以及状态信息数据映射到低维稠密向量空间，得到嵌入特征向量，嵌入特征向量包括客户特征向量以及状态特征向量；
[0038]多头注意力模块，用于基于多头注意力机制对状态特征向量进行加权计算，得到关联特征向量，关联特征向量用于表征业务在历史时序的状态与未来状态之间的关联关系；
[0039]分类预测模块，用于将关联特征向量与客户特征向量进行融合，得到融合后的特征向量；将融合后的特征向量输入至预设风险分类模型中进行识别，得到业务风险的预测结果。
[0040]在其中一个实施例中，预处理模块还用于将客户信息数据以及状态信息数据进行预处理，得到预处理后的客户信息数据以及状态信息数据；将预处理后的客户信息数据以及状态信息数据输入至特征嵌入网络中进行降维处理，得到嵌入特征向量。
[0041]在其中一个实施例中，多头注意力模块还用于将状态特征向量输入至预设多头注意力模型中进行自注意力运算，得到状态特征向量对应的注意力分布；将注意力分布进行归一化处理，得到归一化注意力分布序列；将归一化注意力分布序列输入至前馈神经网络中，得到关联特征向量。
[0042]在其中一个实施例中，分类预测模块还用于获取预设样本数据集，预设样本数据集携带待分类数据特征向量以及待分类数据对应的真实分类结果；将预设样本数据集输入至初始风险分类模型中进行分类，采用SoftMax函数得到分类结果；根据分类结果以及真实分类结果采用交叉熵损失函数进行损失值计算，得到初始风险分类模型的损失值；若损失值不小于预设分类损失值阈值，则调整初始风险分类模型中的损失值，得到调整后的初始风险分类模型；将调整后的初始风险分类模型重新作为初始风险分类模型，返回将预设样本数据集输入至初始风险分类模型中进行分类，采用SoftMax函数得到分类结果的步骤，直至损失值小于预设分类损失值阈值，得到最新的初始风险分类模型；将最新的初始风险分类模型作为预设风险分类模型。
[0043]在其中一个实施例中，分类预测模块还用于若状态信息数据的数量不小于预设数据量阈值，则进入将客户信息数据以及状态信息数据映射到低维稠密向量空间的步骤；若状态信息数据的数量小于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种业务风险预测方法，其特征在于，所述方法包括：获取客户信息数据以及业务在多个历史时序的状态信息数据；将所述客户信息数据以及所述状态信息数据映射到低维稠密向量空间，得到嵌入特征向量，所述嵌入特征向量包括客户特征向量以及状态特征向量；基于多头注意力机制对所述状态特征向量进行加权计算，得到关联特征向量，所述关联特征向量用于表征所述业务在所述历史时序的状态与未来状态之间的关联关系；将所述关联特征向量与所述客户特征向量进行融合，得到融合后的特征向量；将所述融合后的特征向量输入至预设风险分类模型中进行识别，得到业务风险的预测结果。2.根据权利要求1所述的方法，其特征在于，所述将所述客户信息数据以及所述状态信息数据映射到低维稠密向量空间，得到嵌入特征向量包括：将所述客户信息数据以及所述状态信息数据进行预处理，得到预处理后的客户信息数据以及状态信息数据；将所述预处理后的客户信息数据以及状态信息数据输入至特征嵌入网络中进行降维处理，得到嵌入特征向量。3.根据权利要求2所述的方法，其特征在于，所述预处理包括：数据清洗、时间排序、特征工程、异常数据识别、异常数据剔除、归一化以及one
‑
hot编码中的至少一项。4.根据权利要求1所述的方法，其特征在于，所述基于多头注意力机制对所述状态特征向量进行加权计算，得到关联特征向量包括：将所述状态特征向量输入至预设多头注意力模型中进行自注意力运算，得到所述状态特征向量对应的注意力分布；将所述注意力分布进行归一化处理，得到归一化注意力分布序列；将所述归一化注意力分布序列输入至前馈神经网络中，得到关联特征向量。5.根据权利要求1所述的方法，其特征在于，所述将所述融合后的特征向量输入至预设风险分类模型中进行识别，得到业务风险的预测结果之前，包括：获取预设样本数据集，所述预设样本数据集携带待分类数据特征向量以及待分类数据对应的真实分类结果；将所述预设样本数据集输入至初始风险分类模型中进行分类，采用SoftMax函数得到分类结果；根据所述分类结果以及所述真实分类结果采用交叉熵损失函数进行损失值计算，得到所述初始风险分类模型的损失值；若所述损失值不小于预设分类损失值阈值，则调整所述初始风险分类模型中的损失值，得到调整后的初始风险分类模型；将所述调整后的初始风险分类模型重新作为初始风险分类模型，返回所述将所述预设样本数据集输入至初始风险分类模型中进行分类，采用SoftMax函数得到分类结果的步骤，直至所述损失值小于预设分类损失值阈值，得到最新的初始风险分类模型；将所述最新的初始风险分类模型作为预设风险分类模型。6.根据权利要求1所述的方法，其特征在于，所述获取客户信息数据以及业务在多个历
史时序的状态信息数据之后，还包括：若所述状态信息数据的数量不小于预设数据量阈值，则进入所述将所述客户信息数据以及状态信息数据映射到低维稠密向量空间的步骤；若所述状态信息数据的数量小于预设数据量阈值，则获取与所述客户信息数据相匹配的目标客户信息数据；将所述客户信息数据与目标客户信息数据进行数据转换，得到客户信息数据对应的特征向量以及目标客户信息数据对应的目标特征向量；根据相似度算法，得到所述特征向量与所述目标特征向量之间的相似度；若所述相似度大于预设阈值，则获取所述目标客户的业务状态信息数据；根据所述业务状态信息数据，得到业务风险的预测结果。7.一种业务风险预测装置，其特征在于...

【专利技术属性】
技术研发人员：陈尚志，朱祖恩，陈浩欣，魏晓聪，邱馥，
申请(专利权)人：中国建设银行股份有限公司，
类型：发明
国别省市：