一種風控模型訓練方法及裝置制造方法及圖紙

本發明專利技術公開了一種風控模型訓練方法，所述方法包括：獲取已知結果的第一歷史數據組，所述第一歷史數據組包括異常用戶的賬戶信息；根據所述賬戶信息的類型選取擬合度最高的數據挖掘模型為初階模型；使用所述初階模型調整所述第一歷史數據中的賬戶信息的維度，生成第二歷史數據組；使用所述第二歷史數據組中的第一數據集合訓練所述初階模型后，使用所述第二歷史數據組中的第二數據集合驗證所述初階模型，根據驗證結果選取風控模型，所述風控模型用于識別話費支付中異常用戶。本發明專利技術還公開了一種風控模型訓練裝置。采用本發明專利技術提供的風控模型訓練方法及裝置，可以降低投訴率。

Method and device for training wind control model

The invention discloses a wind control model training method, the method comprises the following steps: the first group to obtain historical data of known results, the first group of historical data including abnormal user account information; according to the types of the account information from fitting the best data mining model for the basic model; using the basic model adjustment the first historical data in the account information dimension, generating second historical data; the first data using the second historical data in the group set the basic training model, second data using the second groups in the collection of historical data validate the basic model, according to the results of the validation selection model of risk control, the the risk control model for abnormal user identification in bill payment. The invention also discloses a wind control model training device. The air control model training method and device provided by the invention can reduce the complaint rate.

【技術實現步驟摘要】
一種風控模型訓練方法及裝置
本專利技術涉及數據處理技術，尤其涉及一種風控模型訓練方法及裝置。
技術介紹
在網絡和電信的付費業務運行過程中，會出現支付異常的情況。例如，用戶的賬戶被合作方采用代收、暗扣等違規方式進行扣費時，會導致用戶出現財產損失，引起用戶投訴；服務商使用某些非真實賬戶以自消費刷卡等方式進行消費，干擾付費業務正常運行；此外，某些對消費情況較為敏感的用戶在付費業務扣費超過敏感值時，投訴可能性會大幅增長。只有準確地對網絡和電信的付費業務運行過程中出現的異常用戶進行識別，才能及時對異常用戶采取相應的措施。
技術實現思路
為解決上述技術問題，本專利技術實施例提供一種風控模型訓練方法及裝置，以準確識別付費業務運行過程中出現的異常用戶，降低投訴率。本專利技術實施例的技術方案是這樣實現的：本專利技術實施例提供一種風控模型訓練方法，包括：獲取已知結果的第一歷史數據組，所述第一歷史數據組包括異常用戶的賬戶信息；根據所述賬戶信息的類型選取擬合度最高的數據挖掘模型為初階模型；使用所述初階模型調整所述第一歷史數據中的賬戶信息的維度，生成第二歷史數據組；使用所述第二歷史數據組中的第一數據集合訓練所述初階模型后，使用所述第二歷史數據組中的第二數據集合驗證所述初階模型，根據驗證結果選取風控模型，所述風控模型用于識別話費支付中異常用戶。上述方案中，所述賬戶信息包括多種類型；所述根據所述賬戶信息的類型選取擬合度最高的數據挖掘模型為初階模型，包括：根據所述賬戶信息的類型，為每種所述賬戶信息的類型選取對應的第一數據挖掘模型，根據所述第一數據挖掘模型生成數據挖掘模型組；在所述數據挖掘模型組中針對所有所述賬戶信息的類型選取擬合度最高的數據挖掘模型為初階模型。上述方案中，所述賬戶信息的類型包括如下至少一種：消費敏感型、訂購異常型、非真實型。上述方案中，所述根據所述賬戶信息的類型，為每種所述賬戶信息的類型選取對應的第一數據挖掘模型，包括：使用所述第一歷史數據組中的第三數據集合訓練各種數據挖掘模型后，使用所述第一歷史數據組中的第四數據集合驗證所述數據挖掘模型；選取所述賬戶信息的類型對應的擬合度最高的數據挖掘模型為第一數據挖掘模型。上述方案中，所述數據挖掘模型的類型包括如下至少一種：CRT、C5.0、CHAID、Logistic、SVM、自動分類器和貝葉斯網絡。本專利技術實施例提供一種風控模型訓練裝置，所述裝置包括：獲取單元，用于獲取已知結果的第一歷史數據組，所述第一歷史數據組包括異常用戶的賬戶信息；第一選取單元，用于根據所述賬戶信息的類型選取擬合度最高的數據挖掘模型為初階模型；生成單元，用于使用所述初階模型調整所述第一歷史數據中的賬戶信息的維度，生成第二歷史數據組；第二選取單元，用于使用所述第二歷史數據組中的第一數據集合訓練所述初階模型后，使用所述第二歷史數據組中的第二數據集合驗證所述初階模型，根據驗證結果選取風控模型，所述風控模型用于識別話費支付中異常用戶。上述方案中，所述賬戶信息包括多種類型；所述第一選取單元包括：生成子單元，用于根據所述賬戶信息的類型，為每種所述賬戶信息的類型選取對應的第一數據挖掘模型，根據所述第一數據挖掘模型生成數據挖掘模型組；選取子單元，用于在所述數據挖掘模型組中針對所有所述賬戶信息的類型選取擬合度最高的數據挖掘模型為初階模型。上述方案中，所述賬戶信息的類型包括如下至少一種：消費敏感型、訂購異常型、非真實型。上述方案中，所述生成子單元還用于：使用所述第一歷史數據組中的第三數據集合訓練各種數據挖掘模型后，使用所述第一歷史數據組中的第四數據集合驗證所述數據挖掘模型；選取所述賬戶信息的類型對應的擬合度最高的數據挖掘模型為第一數據挖掘模型。上述方案中，所述數據挖掘模型的類型包括如下至少一種：CRT、C5.0、CHAID、Logistic、SVM、自動分類器和貝葉斯網絡。本專利技術實施例所提供的風控模型訓練方法及裝置，獲取已知結果的歷史數據組后，根據所述賬戶信息的類型選取擬合度最高的初階模型；使用所述第二歷史數據組中的數據訓練并驗證所述初階模型后，根據驗證結果選取風控模型，并使用所述風控模型識別異常用戶。該技術方案可以準確識別付費業務運行過程中出現的異常用戶，降低投訴率。附圖說明圖1為本專利技術實施例風控模型訓練方法的實現流程圖；圖2為本專利技術實施例中異常訂購型賬戶的決策樹分析圖；圖3為本專利技術實施例中非真實型賬戶的決策樹分析圖；圖4為本專利技術實施例風控模型訓練裝置的組成結構示意圖。具體實施方式為了能夠更加詳盡地了解本專利技術的特點與
技術實現思路
，下面結合附圖對本專利技術的實現進行詳細闡述，所附附圖僅供參考說明之用，并非用來限定本專利技術。圖1為本專利技術實施例風控模型訓練方法的實現流程圖，如圖1所示，本專利技術實施例提供的風控模型訓練方法，包括：步驟101，獲取已知結果的第一歷史數據組，第一歷史數據組包括異常用戶的賬戶信息。步驟102，根據賬戶信息的類型選取擬合度最高的初階模型。步驟103，使用初階模型調整第一歷史數據中的賬戶信息的維度，生成第二歷史數據組。步驟104，使用第二歷史數據組中的第一數據集合訓練初階模型后，使用第二歷史數據組中的第二數據集合驗證初階模型，根據驗證結果選取風控模型，所述風控模型用于識別話費支付中異常用戶。本專利技術實施例中，上述數據挖掘模型應用在數據挖掘軟件中，其中，本專利技術實施例中的數據挖掘模型的類型包括如下至少一種：CRT、C5.0、CHAID、Logistic、SVM、自動分類器和貝葉斯網絡，且并不局限于這八種類型。本專利技術實施例使用數據挖掘軟件進行數據挖掘時，從多種類型的數據挖掘模型中選取擬合度最高的數據挖掘模型類型，并將該類型的數據挖掘模型進行訓練、驗證后，使用該訓練、驗證后的數據挖掘模型識別異常用戶。相比較現有技術，使用該方案得到的訓練驗證后的最優數據挖掘模型識別異常用戶時，可以得到更準確的識別結果。步驟101中的異常用戶的賬戶信息與異常賬戶的類型相關。異常賬戶按照賬戶出現扣費異常的原因可以分為不同的種類。賬戶信息包括多種類型，在本專利技術實施例中，賬戶類型包括消費敏感型、訂購異常型、非真實型三種，但在實際應用中并不局限于此。其中，消費敏感型賬戶對付費業務例如游戲類業務消費金額的敏感度較高，當消費金額超過敏感值時，用戶的投訴的可能性將大幅增大。消費敏感型賬戶的賬戶信息包含以下數據信息的部分或全部：當月和上月的投訴結論、消費金額、消費次數、消費天數、小額道具付費次數、中額道具付費次數、高額道具付費次數、最高付費單價。訂購異常型賬戶因為合作方的違規扣費等出現過財產損失。訂購異常型賬戶的賬戶信息包含以下數據信息的部分或全部：國際移動設備身份碼(IMEI)變動頻繁、國際移動用戶識別碼(IMSI)變動頻繁、業務消費類型與終端類型不一致、用戶短時間消費多款業務/用戶短時間內發起多款業務計費請求、啟動游戲至第一次消費時間短、最后一次消費至退出游戲時間短、用戶短時間多次消費一款業務/用戶短時間內多次發起一款業務的計費請求、日消費金額、付費活躍度(最近60天付費次數)、使用活躍度(最近60天游戲使用次數)。非真實型賬戶是服務商自刷卡消費的卡號。非真實型賬戶的賬戶信息包括以下數據信息的部分或者全部：月累計消費金額、月累計消費次數、月累計消費業務數、月累計消費內本文檔來自技高網...

【技術保護點】
一種風控模型訓練方法，其特征在于，所述方法包括：獲取已知結果的第一歷史數據組，所述第一歷史數據組包括異常用戶的賬戶信息；根據所述賬戶信息的類型選取擬合度最高的數據挖掘模型為初階模型；使用所述初階模型調整所述第一歷史數據中的賬戶信息的維度，生成第二歷史數據組；使用所述第二歷史數據組中的第一數據集合訓練所述初階模型后，使用所述第二歷史數據組中的第二數據集合驗證所述初階模型，根據驗證結果選取風控模型，所述風控模型用于識別話費支付中異常用戶。

【技術特征摘要】
1.一種風控模型訓練方法，其特征在于，所述方法包括：獲取已知結果的第一歷史數據組，所述第一歷史數據組包括異常用戶的賬戶信息；根據所述賬戶信息的類型選取擬合度最高的數據挖掘模型為初階模型；使用所述初階模型調整所述第一歷史數據中的賬戶信息的維度，生成第二歷史數據組；使用所述第二歷史數據組中的第一數據集合訓練所述初階模型后，使用所述第二歷史數據組中的第二數據集合驗證所述初階模型，根據驗證結果選取風控模型，所述風控模型用于識別話費支付中異常用戶。2.根據權利要求1所述的方法，其特征在于，所述賬戶信息包括多種類型；所述根據所述賬戶信息的類型選取擬合度最高的數據挖掘模型為初階模型，包括：根據所述賬戶信息的類型，為每種所述賬戶信息的類型選取對應的第一數據挖掘模型，根據所述第一數據挖掘模型生成數據挖掘模型組；在所述數據挖掘模型組中針對所有所述賬戶信息的類型選取擬合度最高的數據挖掘模型為初階模型。3.根據權利要求2所述的方法，其特征在于，所述賬戶信息的類型包括如下至少一種：消費敏感型、訂購異常型、非真實型。4.根據權利要求3所述的方法，其特征在于，所述根據所述賬戶信息的類型，為每種所述賬戶信息的類型選取對應的第一數據挖掘模型，包括：使用所述第一歷史數據組中的第三數據集合訓練各種數據挖掘模型后，使用所述第一歷史數據組中的第四數據集合驗證所述數據挖掘模型；選取所述賬戶信息的類型對應的擬合度最高的數據挖掘模型為第一數據挖掘模型。5.根據權利要求1至4任一項所述的方法，其特征在于，所述數據挖掘模型的類型包括如下至少一種：CRT、C5.0、CHAID、Logistic、SVM、自動分類器和貝葉...

【專利技術屬性】
技術研發人員：王慧，袁峰，周振生，
申請(專利權)人：咪咕互動娛樂有限公司，
類型：發明
國別省市：江蘇,32