(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 202210826125.4 (22)申请日 2022.07.14 (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 韩奇城　梁婷　孙少杰　徐晓琳　 (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 周春枚 (51)Int.Cl. G06Q 40/02(2012.01) G06K 9/62(2022.01) (54)发明名称 风险预测方法和装置、 处 理器及电子设备 (57)摘要 本申请公开了一种风险预测方法和装置、 处 理器及电子设备， 涉及人工智 能技术领域。 该方 法包括： 获取目标对象的目标数据信息； 通过目 标风险控制模 型对目标数据信息进行处理， 得到 目标数据信息对应的风险等级， 其中， 目标数据 信息对应的特征信息与用于构建目标风险控制 模型的特征信息是一一对应的， 目标风险控制模 型是采用退火算法的能量函数， 对初始风险控制 模型迭代训练得到的， 其中， 初始风险控制模型 由通过预设算法筛选得到的部分特征信息构建。 通过本申请， 解决了相关技术中需要通过手工筛 选得到用于构建风险控制模型的特征集， 导致风 险控制模型 预测风险的准确度比较低的问题。 权利要求书2页 说明书14页 附图3页 CN 114971891 A 2022.08.30 CN 114971891 A 1.一种风险预测方法， 其特 征在于， 包括： 获取目标对象的目标 数据信息； 通过目标风险控制模型对所述目标数据信 息进行处理， 得到所述目标数据信 息对应的 风险等级， 其中， 所述 目标数据信息对应的特征信息与用于构建所述 目标风险控制模型 的 特征信息是一一对应的， 所述 目标风险控制模型是采用退火算法的能量函数， 对初始风险 控制模型迭代训练得到的， 其中， 所述初始风险控制模型 由通过预设算法筛选得到的部分 特征信息构建。 2.根据权利要求1所述的方法， 其特征在于， 在通过目标风险控制模型对所述目标数据 信息进行处 理， 得到所述目标 数据信息对应的风险等级之后， 所述方法还 包括： 在目标界面展示所述目标 数据信息对应的风险等级； 若检测到对所述目标数据信 息对应的风险等级进行调 整的信号， 则对所述目标数据信 息对应的风险等级 进行调整； 依据调整后的所述目标 数据信息对应的风险等级优化所述目标风险控制模型。 3.根据权利要求1所述的方法， 其特征在于， 所述目标风险控制模型通过以下方法训练 得到： 获取目标 数据集， 并对所述目标 数据集进行划分， 得到训练集、 验证集和 测试集； 依据所述训练集和所述验证集， 通过 所述预设算法， 得到第一目标 特征集； 依据第二目标特征集构建模型， 得到初始风险控制模型， 其中， 所述第 二目标特征集为 所述第一目标 特征集的子集； 依据所述第一目标特征集， 所述第二目标特征集和所述测试集， 得到所述退火算法的 能量函数， 并采用所述退火算法的能量函数对所述初始风险控制模型进行迭代训练， 以得 到所述目标风险控制模型。 4.根据权利要求3所述的方法， 其特征在于， 依据所述训练集和所述验证集， 通过所述 预设算法， 得到第一目标 特征集包括： 对所述训练集和所述验证集进行 特征衍生， 得到初始特 征集； 通过所述预设算法对所述初始特 征集进行筛 选， 得到所述第一目标 特征集。 5.根据权利要求4所述的方法， 其特征在于， 所述预设算法中至少包括： 信息价值算法、 带有惩罚项的逻辑回归算法、 方差膨胀系数、 群体稳定性指标和双向逐步回归算法， 通过所 述预设算法对所述初始特 征集进行筛 选， 得到所述第一目标 特征集包括： 通过信息价 值算法对所述初始特 征集进行筛 选， 得到第一特 征集； 通过带有惩罚项的逻辑回归算法对所述第一特 征集进行筛 选， 得到第二特 征集； 通过方差膨胀系数对所述第二特 征集进行多重共线性筛 选， 得到第三特 征集； 通过群体稳定性指标对所述第三特 征集进行筛 选， 得到第四特 征集； 通过双向逐步回归算法对所述第四特 征集进行筛 选， 得到所述第一目标 特征集。 6.根据权利要求3所述的方法， 其特征在于， 依据第二目标特征集构建模型， 得到初始 风险控制模型包括： 确定用于构建所述初始风险控制模型的特 征数量； 依据所述特 征数量从所述第一目标 特征集中得到所述第二目标 特征集； 依据所述第二目标 特征集构建模型， 得到所述初始风险控制模型。权　利　要　求　书 1/2 页 2 CN 114971891 A 27.根据权利要求3所述的方法， 其特征在于， 依据所述第一目标特征集， 所述第二目标 特征集和所述测试集， 得到所述退火算法的能量函数， 并采用所述退火算法的能量函数对 所述初始风险控制模型进行迭代训练， 以得到所述目标风险控制模型包括： 依据所述第二目标特征集计算所述训练集的区分度评估指标， 得到第一指标值； 依据 所述第二 目标特征集计算所述验证集的区分度评估指标， 得到第二指标值； 依据所述第二 目标特征集计算所述测试集的区分度评估指标， 得到第三指标值； 依据所述第一指标值、 所述第二指标值和所述第三指标值进行计算， 得到所述初始风 险控制模型对应的第一初始能量 函数； 从所述第一目标特征集中选取预设比例的多个特征对所述第二目标特征集中的特征 进行替换， 得到第三 目标特征集， 并基于所述第三 目标特征集构建更新后的初始风险控制 模型； 依据所述第 三目标特征集， 计算得到所述更新后的初始风险控制模型对应的第 二初始 能量函数； 计算所述第一初始能量 函数与所述第二初始能量 函数的差值， 得到目标差值； 若所述目标差值小于预设数值， 则将所述更新后的初始风险控制模型作为最新的风险 控制模型； 将判断所述最新的风险控制模型对应的当前温度 是否小于等于预设温度值， 若所述当 前温度小于等于所述预设温度值， 则将所述最新的风险控制模型为所述目标风险控制模 型； 若所述当前温度大于所述预设温度值， 则对所述当前温度进行降温处理， 并继续执行 从所述第一目标特征集中选取预设比例的多个特征对所述第三目标特征集中的特征进行 替换， 直至所述当前温度小于等于所述预设温度值。 8.根据权利要求7所述的方法， 其特征在于， 若所述目标差值小于所述预设数值， 所述 方法还包括： 依据蒙特卡洛准则， 对所述目标差值和所述当前温度， 计算得到目标概 率值； 若所述目标概率值大于预设概率值， 则将所述更新后的初始风险控制模型作为所述最 新的风险控制模型。 9.一种风险预测装置， 其特 征在于， 包括： 第一获取 单元， 用于获取目标对象的目标 数据信息； 处理单元， 用于通过目标风险控制模型对所述目标数据信息进行处理， 得到所述目标 数据信息对应的风险等级， 其中， 所述 目标数据信息对应的特征信息与用于构建所述 目标 风险控制模型的特征信息是一一对应的， 所述目标风险控制模型是采用退火算法的能量函 数， 对初始 风险控制模型迭代训练得到的， 其中， 所述初始 风险控制模型由通过预设算法筛 选得到的部分特 征信息构建。 10.一种处理器， 其特征在于， 所述处理器用于运行程序， 其中， 所述程序运行时执行权 利要求1至8中任意 一项所述的风险预测方法。 11.一种电子设备， 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8中任意 一项所述的风险预测方法。权　利　要　求　书 2/2 页 3 CN 114971891 A 3