信用风险预测模型的构建方法、装置、设备、存储介质制造方法及图纸

本申请公开了一种信用风险预测模型的构建方法、装置、设备、存储介质，涉及人工智能机器学习技术领域。该方法通过获取专家规则与信用风险评估中的第一历史风险数据；将所述专家规则和所述第一历史风险数据输入至初始分类回归模型中，构建得到信用风险分类回归模型；将第二历史风险数据所表征的历史信用风险特征和历史风险行为输入至所述信用风险分类回归模型中，得到至少一组目标因果关系；将所述至少一组目标因果关系输入至初始关系模型中，构建得到所述信用风险预测模型；因此，构建一个用于信用风险预测的因果关系模型，从而能够判断变量间的因果指向关系，提升了因果关系的判断准确性。判断准确性。判断准确性。

【技术实现步骤摘要】
信用风险预测模型的构建方法、装置、设备、存储介质


[0001]本申请属于人工智能机器学习
，尤其涉及信用风险预测模型的构建方法、装置、设备、存储介质。

技术介绍

[0002]随着信息技术的发展，数据呈现爆炸式的发展，利用数据之间的关系进行因果分析，因果分析的结果能够应用于各行各业，对于因果解释、发展以及决策具有深远意义。
[0003]然而目前进行因果分析的方法中，利用数据统计分析中可以获取到变量间的相关性结论，即当两个变量之间是强相关时，看到其中任何一个事物发生，就有很大概率另一个事物也会伴随发生。
[0004]但能够收集的数据有限，导致分析时可能忽略了潜在变量，出现巧合地误认为变量间有相关性，且这种相关性并非一定是因果关系，导致无法判断相关性关系中是否存在因和果，降低了因果关系的判断准确性。

技术实现思路

[0005]本申请实施例提供一种在信用风险预测模型的构建方法、装置、设备、存储介质，能够解决现有技术中无法准确判定变量间因果关系的问题。
[0006]第一方面，本申请实施例提供一种信用风险预测模型的构建方法，包括：
[0007]基于专家规则与历史信用风险评估中的第一历史风险数据，构建得到信用风险分类回归模型，所述专家规则用于约束因果关系，所述因果关系为由信用风险特征指向信用风险行为信息的关系，所述第一历史风险数据包括所述历史信用风险特征和所述历史风险行为信息；
[0008]将第二历史风险数据中的历史信用风险特征和历史风险行为信息输入至所述信用风险分类回归模型中，得到至少一组目标因果关系；
[0009]将所述至少一组目标因果关系输入至初始关系模型中，构建得到所述信用风险预测模型，所述信用风险预测模型用于在信用风险评估中确定各风险数据的风险信用特征以及风险信用行为信息。
[0010]第二方面，本申请实施例提供了一种信用风险预测模型的构建装置，包括：
[0011]第一构建模块，用于基于专家规则与历史信用风险评估中的第一历史风险数据，构建得到信用风险分类回归模型，所述专家规则用于约束因果关系，所述因果关系为由信用风险特征指向信用风险行为信息的关系，所述第一历史风险数据包括所述历史信用风险特征和所述历史风险行为信息；
[0012]第一输入模块，用于将第二历史风险数据中的历史信用风险特征和历史风险行为信息输入至所述信用风险分类回归模型中，得到至少一组目标因果关系；
[0013]第二构建模块，用于将所述至少一组目标因果关系输入至初始关系模型中，构建得到所述信用风险预测模型，所述信用风险预测模型用于在信用风险评估中确定各风险数
据的风险信用特征以及风险信用行为信息。
[0014]第三方面，本申请实施例提供了一种电子设备，包括：
[0015]该电子设备包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。
[0016]第四方面，本申请实施例提供了一种计算机存储介质，
[0017]所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。
[0018]第五方面，本申请实施例提供一种计算机程序产品，该程序产品被存储在存储介质中，该程序产品被至少一个处理器执行以实现如第一方面所述的方法。
[0019]本专利技术实施例提供一种信用风险预测模型的构建方法、装置、设备、存储介质，首先，通过获取专家规则与信用风险评估中的第一历史风险数据，其中专家规则中约束由信用风险特征指向信用风险行为的因果关系；其次，将所述专家规则和所述第一历史风险数据输入至初始分类回归模型中，构建得到信用风险分类回归模型；再次，将第二历史风险数据用于训练信用风险分类回归模型，由此可以得到至少一组由信用风险特征指向风险行为的目标因果关系；最后，基于所述目标因果关系和初始关系模型，可以得到信用风险预测模型，也就是说，通过具有因果关系的专家规则与历史风险数据再结合上述多种模型就可以构建一个用于信用风险预测的因果关系模型，从而能够判断变量间的因果指向关系，提升了因果关系的判断准确性。
附图说明
[0020]图1是本申请实施例提供的信用风险预测模型的构建方法的流程示意图；
[0021]图2是本申请实施例提供的信用风险预测模型的构建方法的另一流程示意图；
[0022]图3是本申请实施例提供的信用风险预测模型的构建方法的另一流程示意图；
[0023]图4是本申请实施例提供的信用风险预测模型的构建方法的另一流程示意图；
[0024]图5是本申请实施例提供的信用风险预测模型的构建方法的另一流程示意图；
[0025]图6是本申请实施例提供的信用风险预测模型的构建方法的另一流程示意图；
[0026]图7是本申请实施例提供的信用风险预测模型的构建装置示意图；
[0027]图8是本申请实施例提供的电子设备的结构示意图。
具体实施方式
[0028]下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本申请，而不是限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
[0029]需要说明的是，本申请实施例中对数据的获取、存储、使用和处理等，均符合国家法律法规的相关规定。
[0030]需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存
在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0031]如
技术介绍
部分所述，现有技术中，由于收集的数据有限，导致分析时可能忽略了潜在变量，出现巧合地误认为变量间有相关性，且这种相关性并非一定是因果关系，导致无法判断相关性关系中是否存在因和果，降低了因果关系的判断准确性。
[0032]为了解决现有技术问题，本申请实施例提供了一种信用风险预测模型的构建方法、装置、设备、存储介质，首先，通过获取专家规则与信用风险评估中的第一历史风险数据，其中专家规则中约束由信用风险特征指向信用风险行为的因果关系；其次，将所述专家规则和所述第一历史风险数据输入至初始分类回归模型中，构建得到信用风险分类回归模型；再次，将第二历史风险数据用于训本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信用风险预测模型的构建方法，其特征在于，包括：基于专家规则与历史信用风险评估中的第一历史风险数据，构建得到信用风险分类回归模型，所述专家规则用于约束因果关系，所述因果关系为由信用风险特征指向信用风险行为信息的关系，所述第一历史风险数据包括所述历史信用风险特征和所述历史风险行为信息；将第二历史风险数据中的历史信用风险特征和历史风险行为信息输入至所述信用风险分类回归模型中，得到至少一组目标因果关系；将所述至少一组目标因果关系输入至初始关系模型中，构建得到所述信用风险预测模型，所述信用风险预测模型用于在信用风险评估中确定各风险数据的风险信用特征以及风险信用行为信息。2.根据权利要求1所述的方法，其特征在于，所述基于专家规则与历史信用风险评估中的第一历史风险数据，构建得到信用风险分类回归模型，包括：获取专家规则与所述历史信用风险评估中的历史样本数据，所述历史样本数据包括多个历史样本，各所述历史样本包括历史风险数据以及所述历史风险数据的标签，所述历史风险数据包括历史信用风险特征和历史风险行为信息；将所述专家规则和所述多个历史样本中的第一历史样本输入至初始分类回归模型中，构建得到信用风险分类回归模型，所述第一历史样本包括第一历史风险数据；其中，所述第二历史风险数据为所述多个历史样本中的第二历史样本中的历史风险数据。3.根据权利要求1所述的方法，其特征在于，所述将所述至少一组目标因果关系输入至初始关系模型中，构建得到所述信用风险预测模型，包括：将所述至少一组目标因果关系输入至初始关系模型，得到至少一个待求解关系式，所述至少一个待求解关系式与所述至少一组目标因果关系对应，各所述待求解关系式包括至少一个因果可变影响参数以及对应的目标因果关系中的信用风险特征和信用风险行为；对所述至少一个待求解关系式进行求解，得到所述至少一个因果可变影响参数的目标值；基于所述至少一个因果可变影响参数的目标值，更新所述初始关系模型，得到所述信用风险预测模型。4.根据权利要求1所述的方法，其特征在于，所述基于专家规则与历史信用风险评估中的第一历史风险数据，构建得到信用风险分类回归模型，包括：将所述专家规则与历史信用风险评估中的第一历史风险数据输入至初始决策树模型中，构建得到信用风险分类回归模型，其中，所述初始决策树模型用于对所述专家规则进行优化，且所述初始决策树模型的优化参数包括基尼指数、信息熵和误分率中的至少一项。5.根据权利要求3所述的方法，其特征在于，所述至少一个因果可变影响参数包括干预变量和控制变量的至少一项。6.根据权利要求3所述的方法，其特征在于，所述将所述至少一组目标因果关系输入至初始关系模型中，构建得到所述信用风险预测模型之后，还包括：基于预设因果...

【专利技术属性】
技术研发人员：陈为，许淑红，曲笑竹，
申请(专利权)人：建信金融科技有限责任公司，
类型：发明
国别省市：