(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 202210487501.1 (22)申请日 2022.05.06 (71)申请人 上海浦东发展银行股份有限公司 地址 200000 上海市黄浦区中山 东一路12 号 (72)发明人 刘洋　马滢　李威　 (74)专利代理 机构 北京品源专利代理有限公司 11332 专利代理师 黄立伟 (51)Int.Cl. G06Q 20/40(2012.01) G06Q 40/02(2012.01) G06K 9/62(2022.01) (54)发明名称 一种账户监测方法、 装置、 设备及存 储介质 (57)摘要 本发明公开了一种账户监测方法、 装置、 设 备及存储介质。 该方法包括： 获取待监测账户数 据； 将所述待监测账户数据输入监测融合模型， 得到所述待监测账户数据对应的目标账户异常 概率和目标账户异常标签， 其中， 所述监测融合 模型包括： 状态类特征模 型、 产品类特征模型、 事 件类特征模型、 衍生类特征模型、 目标XGBoost模 型和目标逻辑回归模型， 所述状态类特征模型、 产品类特征模 型、 事件类特征模 型和衍生类特征 模型通过第一数据样本集迭代训练目标模型集 合得到， 所述目标XGBoost模型通过所述第一数 据样本集迭代训练XGBoost模型得到， 目标逻辑 回归模型通过第二数据样本集迭代训练逻辑回 归模型得到， 通过本发明的技术方案， 能够解决 时间滞后与业 务解释性不足等问题。 权利要求书3页 说明书13页 附图3页 CN 114926174 A 2022.08.19 CN 114926174 A 1.一种账户监测方法， 其特 征在于， 包括： 获取待监测账户数据； 将所述待监测账户数据输入监测融合模型， 得到所述待监测账户数据对应的目标账户 异常概率和目标账户异常标签， 其中， 所述监测融合模型包括： 状态类特征模型、 产品类特 征模型、 事件类特征模 型、 衍生类特征模 型、 目标XGBoost模 型和目标逻辑回归模 型， 所述状 态类特征模型、 产品类特征模型、 事件类特征模型和 衍生类特征模型通过第一数据样本集 迭代训练目标模型集合得到， 所述目标XGBoost模型通过所述第一数据样本集迭代训练 XGBoost模 型得到， 目标逻辑回归模 型通过第二数据样 本集迭代训练逻辑回归模型得到， 所 述第一数据样本集包括： 第一状态类特征数据、 第一产品类特征数据、 第一事件类特征数据 和第一衍生类特征数据， 所述第二数据样本集包括： 状态类特征模型输出 的账户异常概率 样本和账户异常标签样本、 产品类特征模型输出的账户类型概率样本和账户异常标签样 本、 事件类特征模型输出 的账户异常概率样本和账户异常标签样本、 衍生类特征模型输出 的账户异常概率样本和账户异常标签样 本以及目标XGBoost模型输出的账户异常概率样本 和账户异常标签样本 。 2.根据权利要求1所述的方法， 其特征在于， 将所述待监测账户数据输入监测融合模 型， 得到所述待监测账户数据对应的目标 账户异常概 率和目标 账户异常标签， 包括： 将所述待监测账户数据输入状态类特征模型得到第一账户异常概率和第一账户异常 标签； 将所述待监测账户数据输入产品类特征模型得到第二账户异常概率和第二账户异常 标签； 将所述待监测账户数据输入事件类特征模型得到第三账户异常概率和第三账户异常 标签； 将所述待监测账户数据输入衍生类特征模型得到第四账户异常概率和第四账户异常 标签； 将所述待监测账户数据输入目标XGBoost模型得到第五账户异常概率以及第五账户异 常标签； 将所述第一账户 异常概率、 第一账户 异常标签、 第二账户 异常概率、 第二账户 异常标 签、 第三账户异常概率、 第三账户异常标签、 第四账户异常概率、 第四账户异常标签、 第五账 户异常概率以及第五账户异常标签输入目标逻辑回归模型， 得到所述待监测账户数据对应 的目标账户异常概 率和目标 账户异常标签。 3.根据权利要求2所述的方法， 其特 征在于， 在获取待监测账户数据之前， 还 包括： 根据业务信息对历史数据进行划分， 得到第一状态类特征数据、 第一产品类特征数据 和第一事 件类特征数据； 根据所述第 一状态类特征数据、 第 一产品类特征数据和第 一事件类特征数据生成第 一 衍生类特征数据； 根据所述第一状态类特征数据、 第一产品类特征数据、 第一事件类特征数据和第一衍 生类特征数据对目标模型集合进 行训练， 得到状态类特征模型、 产品类特征模型、 事件类特 征模型和衍 生类特征模型。 4.根据权利要求3所述的方法， 其特征在于， 根据所述第一状态类特征数据、 第一产品权　利　要　求　书 1/3 页 2 CN 114926174 A 2类特征数据、 第一事件类特征数据和第一衍生类特征数据对目标模型集合进行训练， 得到 状态类特 征模型、 产品类特 征模型、 事 件类特征模型和衍 生类特征模型， 包括： 将所述第一状态类特征数据、 第一产品类特征数据、 第一事件类特征数据和第一衍生 类特征数据输入第一模型集合， 得到特征数据评分， 其中， 所述第一模型包括： XGBoost模 型、 CatBo ost模型和Lgbm模型中的至少一个； 根据所述特征数据评分从所述第一状态类特征数据、 第一产品类特征数据、 第一事件 类特征数据和第一衍生类特征数据中筛选得到第二状态类特征数据、 第二产品类特征数 据、 第二事 件类特征数据和第二 衍生类特征数据； 根据所述第二状态类特征数据、 第二产品类特征数据、 第二事件类特征数据和第二衍 生类特征数据对目标模型集合进行训练， 得到第二模型集合， 其中， 所述目标模型集合包 括： XGBoost模型、 CatBo ost模型和Lgbm模型中的至少一个， RF模型以及SVM模型； 根据所述第二模型集合中的模型对应的评估指标对所述第二模型集合中的模型进行 筛选， 得到状态类特 征模型、 产品类特 征模型、 事 件类特征模型和衍 生类特征模型。 5.根据权利要求3所述的方法， 其特征在于， 在将所述待监测账户数据输入目标 XGBoost模型得到第五账户异常概 率以及第五账户异常标签之前， 还 包括： 基于融合模型算法训练XGBo ost模型， 得到目标 XGBoost模型。 6.根据权利 要求5所述的方法， 其特征在于， 基于融合模型算法训练XGBoost模型， 得到 目标XGBoost模型包括： 根据所述第一状态类特征数据、 第一产品类特征数据、 第一事件类特征数据和第一衍 生类特征数据对XGBo ost模型进行训练， 得到第一XGBo ost模型； 根据所述第一XGBo ost模型的参数确定参数集 合； 根据所述 参数集合生成至少一个第二XGBo ost模型； 从所述第一状态类特征数据、 第一产品类特征数据、 第一事件类特征数据和第一衍生 类特征数据中抽取至少一个第一样本集 合； 根据所述至少一个第一样本集合训练所述至少一个第二XGBoost模型， 得到至少一个 第三XGBo ost模型； 对所述至少一个第三XGBo ost模型进行模型融合， 得到目标 XGBoost模型。 7.根据权利要求2所述的方法， 其特 征在于， 还 包括： 若所述第一账户异常概率、 第二账户异常概率、 第三账户异常概率以及第 四账户异常 概率中所述第一账户异常概 率最高， 则确定账户状态类特 征数据异常； 若所述第一账户异常概率、 第二账户异常概率、 第三账户异常概率以及第 四账户异常 概率中所述第二账户异常概 率最高， 则确定产品类特 征数据异常； 若所述第一账户异常概率、 第二账户异常概率、 第三账户异常概率以及第 四账户异常 概率中所述第三账户异常概 率最高， 则确定事 件类特征数据异常。 8.一种账户监测装置， 其特 征在于， 包括： 获取模块， 用于获取待监测账户数据； 监测模块， 用于将所述待监测账户数据输入监测融合模型， 得到所述待监测账户数据 对应的目标账户异常概率和目标账户异常标签， 其中， 所述监测融合模型包括： 状态类特征 模型、 产品类特征模 型、 事件类特征模 型、 衍生类特征模 型、 目标XGBoost模 型和目标逻辑回权　利　要　求　书 2/3 页 3 CN 114926174 A 3