(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210908416.8 (22)申请日 2022.07.29 (71)申请人 中国工商银行股份有限公司 地址 100140 北京市西城区复兴门内大街 55号 (72)发明人 周蕾　 (74)专利代理 机构 北京康信知识产权代理有限 责任公司 1 1240 专利代理师 董文倩 (51)Int.Cl. G06Q 40/02(2012.01) G06Q 40/04(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) (54)发明名称 风险账户预测方法、 装置以及电子设备 (57)摘要 本申请公开了一种风险账户预测方法、 装置 以及电子设备。 涉及金融科技技术领域， 尤其涉 及账户信息安全技术领域， 该方法包括： 获取目 标账户数据， 其中， 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； 对第一静态数据和第一动态 数据进行特征提取处理， 分别得到与第一静态数 据对应的静态特征集， 以及与第一动态数据对应 的动态特征集； 确定多模型融合策略； 根据静态 特征集和动态特征集， 采用多模型融合策略， 得 到风险账户预测结果。 通过本申请， 解决了相关 技术中存在的由于预测算法单一导致的预测精 度低、 效率低的问题。 权利要求书2页 说明书14页 附图4页 CN 115049484 A 2022.09.13 CN 115049484 A 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：权　利　要　求　书 1/2 页 2 CN 115049484 A 2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。 7.根据权利要求2所述的方法， 其特 征在于， 所述方法还 包括： 所述对所述第一静态数据进行第一预处理， 包括以下至少之一： 对所述第一静态数据 进行数据划分处理； 对所述第一静态数据进行数据填充处理； 对所述第一静态数据进行时 间特征提取处 理； 所述对所述第一动态数据进行第二预处理， 包括以下至少之一： 对所述第一动态数据 进行所述数据划分处理； 对所述第一动态数据进行所述数据填充处理； 对所述第一动态数 据进行所述时间特 征提取处 理。 8.一种风险账户预测装置， 其特 征在于， 包括： 第一获取模块， 用于获取目标账户数据， 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； 第二获取模块， 用于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； 第一确定模块， 用于确定多模型融合策略； 第三获取模块， 用于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。 9.一种非易失性存储介质， 其特征在于， 所述非易失性存储介质存储有多条指令， 所述 指令适于由处 理器加载并执 行权利要求1至7中任意 一项所述的风险账户预测方法。 10.一种电子设备， 其特征在于， 包括： 一个或多个处理器和存储器， 所述存储器用于存 储一个或多个程序， 其中， 当所述一个或多个程序被所述一个或多个处理器执行时， 使得所 述一个或多个处 理器实现权利要求1至7中任意 一项所述的风险账户预测方法。权　利　要　求　书 2/2 页 3 CN 115049484 A 3