CN111275071A - 预测模型训练、预测方法、装置及电子设备 - Google Patents

Abstract

本说明书实施例公开了一种预测模型训练、预测方法、装置及电子设备，其中，预测模型训练方法可以获取产生于第一时刻之前和/或之后的预设时段内批量样本数据，一个样本数据中携带一个主对象下的多个从属对象的特征数据，一个主对象下有一个从属对象为待测从属对象，其余从属对象为参考从属对象；基于样本数据中参考从属对象的特征数据和预设模型，确定样本数据中参考从属对象的管理指标值；对样本数据中至少一个参考从属对象的管理指标值进行整合，并将整合结果作为样本数据中待测从属对象的新增特征数据；将样本数据中待测从属对象的标签、原有特征数据和新增特征数据作为输入，训练管理指标预测模型。

Description

预测模型训练、预测方法、装置及电子设备

技术领域

本申请涉及计算机技术领域，尤其涉及一种预测模型训练、预测方法、装置及电子设备。

背景技术

相关技术中，常常出现一个主对象拥有多个从属对象的情况。例如，很多行业的运营方(第三方支付平台、电商公司、线下零售业等)都建立了自己的会员体系，且为了增加用户数量、提升客户体验，运营方允许同一人(主对象)基于不同注册凭证(电子邮箱、手机号、证件号等)注册多个账户(从属对象)。

运营方允许一个主对象拥有多个从属对象的情况，加深了运营方对从属对象的管理难度。比如，第三方支付平台允许同一人注册多个账户的这种情况，存在用户利用小号、买卖账户、盗用账户进行非法活动等问题，这加深了第三方支付平台的账户风险管理难度。

因此，如何准确地刻画从属对象的管理指标，以使运营方能更好地对从属对象进行管理，是亟待解决的技术问题。

发明内容

本说明书实施例提供了一种预测模型训练、预测方法、装置及电子设备，以解决如何准确地刻画从属对象的管理指标的问题。

为解决上述技术问题，本说明书实施例是这样实现的：

第一方面，提出了一种管理指标预测模型训练方法，包括：

获取批量样本数据，其中，所述样本数据产生于第一时刻之前和/或之后的预设时段内，一个所述样本数据中携带一个主对象下的多个从属对象的特征数据，一个主对象下有一个从属对象为待测从属对象，其余从属对象为参考从属对象，所述待测从属对象携带有标签；

基于所述样本数据中参考从属对象的特征数据和预设模型，确定所述样本数据中参考从属对象的管理指标值，其中，所述预设模型是基于批量从属对象的特征数据训练得到的；

对所述样本数据中至少一个参考从属对象的管理指标值进行整合，并将整合结果作为所述样本数据中待测从属对象的新增特征数据；

将所述样本数据中待测从属对象的标签、原有特征数据和新增特征数据作为输入，训练管理指标预测模型，所述管理指标预测模型用于预测所述待测从属对象在所述第一时刻之后的预设时段内的管理指标值。

第二方面，提出了一种管理指标预测方法，包括：

确定待预测的目标从属对象；

获取目标主对象下的多个从属对象的特征数据，其中，所述目标主对象下的多个从属对象包括所述目标从属对象和至少一个参考从属对象，所述目标主对象下的从属对象的特征数据产生于第二时刻之前的预设时段内；

基于所述目标主对象下的参考从属对象的特征数据和预设模型，确定所述目标主对象下的参考从属对象的管理指标值，其中，所述预设模型是基于批量从属对象的特征数据训练得到的；

对所述目标主对象下的至少一个参考从属对象的管理指标值进行整合，并将整合结果作为所述目标从属对象的新增特征数据；

将所述目标从属对象的原有特征数据和新增特征数据输入管理指标预测模型，预测所述目标从属对象在所述第二时刻之后的预设时段内的管理指标值，其中，所述管理指标预测模型是基于第一方面所述的方法训练得到的。

第三方面，提出了一种账户风险预测模型训练方法，包括：

获取批量样本数据，其中，所述样本数据产生于第一时刻之前和/或之后的预设时段内，一个所述样本数据中携带一个身份下的多个账户的特征数据，一个身份下有一个账户为待测账户，其余账户为参考账户，所述待测账户携带有标签；

基于所述样本数据中参考账户的特征数据和预设模型，确定所述样本数据中参考账户的风险评估值，其中，所述预设模型是基于批量账户的特征数据训练得到的；

对所述样本数据中至少一个参考账户的风险评估值进行整合，并将整合结果作为所述样本数据中待测账户的新增特征数据；

将所述样本数据中待测账户的标签、原有特征数据和新增特征数据作为输入，训练风险预测模型，所述风险预测模型用于预测所述待测账户在所述第一时刻之后的预设时段内的风险评估值。

第四方面，提出了一种账户风险预测方法，包括：

确定待预测的目标账户；

获取目标身份下的多个账户的特征数据，其中，所述目标身份下的多个账户包括所述目标账户和至少一个参考账户，所述目标身份下的账户的特征数据产生于第二时刻之前的预设时段内；

基于所述目标身份下的参考账户的特征数据和预设模型，确定所述目标身份下的参考账户的风险评估值，其中，所述预设模型是基于批量账户的特征数据训练得到的；

对所述目标身份下的至少一个参考账户的风险评估值进行整合，并将整合结果作为所述目标账户的新增特征数据；

将所述目标账户的原有特征数据和新增特征数据输入风险预测模型，预测所述目标账户在所述第二时刻之后的预设时段内的风险评估值，其中，所述风险预测模型是基于第三方面所述的方法训练得到的。

第五方面，提出了一种管理指标预测模型训练装置，包括：

第一数据获取模块，用于获取批量样本数据，其中，所述样本数据产生于第一时刻之前和/或之后的预设时段内，一个所述样本数据中携带一个主对象下的多个从属对象的特征数据，一个主对象下有一个从属对象为待测从属对象，其余从属对象为参考从属对象，所述待测从属对象携带有标签；

第一指标确定模块，用于基于所述样本数据中参考从属对象的特征数据和预设模型，确定所述样本数据中参考从属对象的管理指标值，其中，所述预设模型是基于批量从属对象的特征数据训练得到的；

第一指标整合模块，对所述样本数据中至少一个参考从属对象的管理指标值进行整合，并将整合结果作为所述样本数据中待测从属对象的新增特征数据；

预测模型训练模块，用于将所述样本数据中待测从属对象的标签、原有特征数据和新增特征数据作为输入，训练管理指标预测模型，所述管理指标预测模型用于预测所述待测从属对象在所述第一时刻之后的预设时段内的管理指标值。

第六方面，提出了一种管理指标预测装置，包括：

目标确定模块，用于确定待预测的目标从属对象；

第二数据获取模块，用于目标主对象下的多个从属对象的特征数据，其中，所述目标主对象下的多个从属对象包括所述目标从属对象和至少一个参考从属对象，所述目标主对象下的从属对象的特征数据产生于第二时刻之前的预设时段内；

第二指标确定模块，用于基于所述目标主对象下的参考从属对象的特征数据和预设模型，确定所述目标主对象下的参考从属对象的管理指标值，其中，所述预设模型是基于批量从属对象的特征数据训练得到的；

第二指标整合模块，用于对所述目标主对象下的至少一个参考从属对象的管理指标值进行整合，并将整合结果作为所述目标从属对象的新增特征数据；

管理指标预测模块，用于将所述目标从属对象的原有特征数据和新增特征数据输入管理指标预测模型，预测所述目标从属对象在所述第二时刻之后的预设时段内的管理指标值，其中，所述管理指标预测模型是基于第一方面所述的方法训练得到的。

第七方面，提出了一种账户风险预测模型训练装置，包括：

第一账户数据获取模块，其中，所述样本数据产生于第一时刻之前和/或之后的预设时段内，一个所述样本数据中携带一个身份下的多个账户的特征数据，一个身份下有一个账户为待测账户，其余账户为参考账户，所述待测账户携带有标签；

第一风险值确定模块，用于基于所述样本数据中参考账户的特征数据和预设模型，确定所述样本数据中参考账户的风险评估值，其中，所述预设模型是基于批量账户的特征数据训练得到的；

第一风险值整合模块，用于对所述样本数据中至少一个参考账户的风险评估值进行整合，并将整合结果作为所述样本数据中待测账户的新增特征数据；

风险预测模型训练模块，用于将所述样本数据中待测账户的标签、原有特征数据和新增特征数据作为输入，训练风险预测模型，所述风险预测模型用于预测所述待测账户在所述第一时刻之后的预设时段内的风险评估值。

第八方面，提出了一种账户风险预测装置，包括：

目标账户确定模块，用于确定待预测的目标账户；

第二账户数据获取模块，用于获取目标身份下的多个账户的特征数据，其中，所述目标身份下的多个账户包括所述目标账户和至少一个参考账户，所述目标身份下的账户的特征数据产生于第二时刻之前的预设时段内；

第二风险值确定模块，用于基于所述目标身份下的参考账户的特征数据和预设模型，确定所述目标身份下的参考账户的风险评估值，其中，所述预设模型是基于批量账户的特征数据训练得到的；

第二风险值整合模块，用于对所述目标身份下的至少一个参考账户的风险评估值进行整合，并将整合结果作为所述目标账户的新增特征数据；

风险预测模块，用于将所述目标账户的原有特征数据和新增特征数据输入风险预测模型，预测所述目标账户在所述第二时刻之后的预设时段内的风险评估值，其中，所述风险预测模型是基于第三方面所述的方法训练得到的。

第九方面，提出了一种电子设备，包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：

获取批量样本数据，其中，所述样本数据产生于第一时刻之前和/或之后的预设时段内，一个所述样本数据中携带一个主对象下的多个从属对象的特征数据，一个主对象下有一个从属对象为待测从属对象，其余从属对象为参考从属对象，所述待测从属对象携带有标签；

基于所述样本数据中参考从属对象的特征数据和预设模型，确定所述样本数据中参考从属对象的管理指标值，其中，所述预设模型是基于批量从属对象的特征数据训练得到的；

对所述样本数据中至少一个参考从属对象的管理指标值进行整合，并将整合结果作为所述样本数据中待测从属对象的新增特征数据；

将所述样本数据中待测从属对象的标签、原有特征数据和新增特征数据作为输入，训练管理指标预测模型，所述管理指标预测模型用于预测所述待测从属对象在所述第一时刻之后的预设时段内的管理指标值。

第十方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：

获取批量样本数据，其中，所述样本数据产生于第一时刻之前和/或之后的预设时段内，一个所述样本数据中携带一个主对象下的多个从属对象的特征数据，一个主对象下有一个从属对象为待测从属对象，其余从属对象为参考从属对象，所述待测从属对象携带有标签；

基于所述样本数据中参考从属对象的特征数据和预设模型，确定所述样本数据中参考从属对象的管理指标值，其中，所述预设模型是基于批量从属对象的特征数据训练得到的；

对所述样本数据中至少一个参考从属对象的管理指标值进行整合，并将整合结果作为所述样本数据中待测从属对象的新增特征数据；

将所述样本数据中待测从属对象的标签、原有特征数据和新增特征数据作为输入，训练管理指标预测模型，所述管理指标预测模型用于预测所述待测从属对象在所述第一时刻之后的预设时段内的管理指标值。

第十一方面，提出了一种电子设备，包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：

确定待预测的目标从属对象；

获取目标主对象下的多个从属对象的特征数据，其中，所述目标主对象下的多个从属对象包括所述目标从属对象和至少一个参考从属对象，所述目标主对象下的从属对象的特征数据产生于第二时刻之前的预设时段内；

基于所述目标主对象下的参考从属对象的特征数据和预设模型，确定所述目标主对象下的参考从属对象的管理指标值，其中，所述预设模型是基于批量从属对象的特征数据训练得到的；

对所述目标主对象下的至少一个参考从属对象的管理指标值进行整合，并将整合结果作为所述目标从属对象的新增特征数据；

将所述目标从属对象的原有特征数据和新增特征数据输入管理指标预测模型，预测所述目标从属对象在所述第二时刻之后的预设时段内的管理指标值，其中，所述管理指标预测模型是基于第一方面所述的方法训练得到的。

第十二面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：

确定待预测的目标从属对象；

获取目标主对象下的多个从属对象的特征数据，其中，所述目标主对象下的多个从属对象包括所述目标从属对象和至少一个参考从属对象，所述目标主对象下的从属对象的特征数据产生于第二时刻之前的预设时段内；

基于所述目标主对象下的参考从属对象的特征数据和预设模型，确定所述目标主对象下的参考从属对象的管理指标值，其中，所述预设模型是基于批量从属对象的特征数据训练得到的；

对所述目标主对象下的至少一个参考从属对象的管理指标值进行整合，并将整合结果作为所述目标从属对象的新增特征数据；

将所述目标从属对象的原有特征数据和新增特征数据输入管理指标预测模型，预测所述目标从属对象在所述第二时刻之后的预设时段内的管理指标值，其中，所述管理指标预测模型是基于第一方面所述的方法训练得到的。

由以上本说明书实施例提供的技术方案可见，本说明书实施例提供的方案至少具备如下一种技术效果：一方面，在从属对象的维度刻画待测从属对象的管理指标，而不是在主对象的维度刻画待测从属对象的管理指标；另一方面，在刻画待测从属对象的管理指标时，不仅考虑了待测从属对象的原有特征数据，还将同一主对象下的至少一个参考从属对象的管理指标值的整合结果作为待测从属对象的新增特征数据，因此，可以更为准确地刻画待测从属对象的管理指标，从而使得运营方能够据此对从属对象进行更好的管理。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是本说明书实施例提供的一种管理指标预测模型训练方法的流程示意图。

图2是本说明书实施例提供的一种管理指标预测方法的流程示意图。

图3是本说明书实施例提供的一种账户风险预测模型训练方法的流程示意图。

图4是本说明书实施例提供的一种账户风险预测模型训练方法的原理示意图。

图5是本说明书实施例提供的一种账户风险预测方法的流程示意图。

图6是本说明书实施例提供的一种电子设备的结构示意图。

图7是本说明书实施例提供的另一种电子设备的结构示意图。

图8是本说明书实施例提供的一种管理指标预测模型训练装置的结构示意图。

图9是本说明书实施例提供的一种管理指标预测装置的结构示意图。

图10是本说明书实施例提供的一种账户风险预测模型训练装置的结构示意图。

图11是本说明书实施例提供的一种账户风险预测装置的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

为了准确地刻画从属对象的管理指标，本说明书实施例提供一种管理指标预测模型训练方法和装置，以及一种管理指标预测方法和装置。在此基础上，示例性的结合实际应用场景，提出了一种账户风险预测模型训练方法和装置，以及一种账户风险预测方法和装置。

本说明书实施例提供的方法及装置可以由电子设备执行，例如终端设备或服务端设备。换言之，所述方法可以由安装在终端设备或服务端设备的软件或硬件来执行。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述终端设备包括但不限于：智能手机、个人电脑(personal computer，PC)、笔记本电脑、平板电脑、电子阅读器、网络电视、可穿戴设备等智能终端设备中的任一种。

需要说明的是，在本说明书的实施例中，管理指标预测模型训练方法可以看作是管理指标预测模型的训练过程，管理指标预测方法可以看作是管理指标预测模型的应用过程。同理，账户风险预测模型训练方法可以看作是账户风险预测模型的训练过程，账户风险预测方法可以看作是账户风险预测模型的应用过程。下面会分别进行说明。

首先对本说明书实施例提供的一种管理指标预测模型训练方法进行说明。

图1是本说明书的一个实施例提供的一种管理指标预测模型训练方法的实现流程示意图。如图1所示，该方法可以包括如下步骤。

步骤102、获取批量样本数据。

这批样本数据产生于第一时刻之前和/或第一时刻之后的预设时段内，例如，产生于第一时刻之前和/或第一时刻之后30天内。其中，预设时段是指长度固定的一个时段，如30天、60天、120天等。

在这批样本数据中，一个样本数据中携带一个主对象下的多个从属对象的特征数据，且一个主对象下有一个从属对象为待测从属对象，其余从属对象为参考从属对象，以及所述待测从属对象携带有标签。其中，主对象可以理解为是从属对象的聚合主键，具有相同聚合主键的从属对象从属于同一主对象。

一个主对象下存在多个从属对象的应用场景有很多，下面举几个例子来说明。例一，同一身份的用户在某一平台(如第三方支付平台、电商平台、理财平台等)注册的多个账户(如个人账户、对公账户等)。例二，与同一服务商签约的多个商户。例三，同一身份的用户在银行开设的多个账户。例四，同一法人注册的多家公司等。

以一个主对象下的多个从属对象是身份为A的用户在第三方支付平台注册的账户A1、账户A2、账户A3和账户A4为例，其中，账户A4可以作为待测从属对象，账户A1、账户A2和账户A3可以作为三个参考从属对象。

从属对象的特征数据可以包括但不限于从属对象的基本属性、行为表现等。仍以主对象下的多个从属对象是同一身份在第三方支付平台注册的多个账户为例，账户的基本属性可以包括但不限于注册该账户的用户年龄、性别等，账户的行为表现可以包括但不限于单次最大交易金额、交易频次、交易地点、交易时间和预设时段内的交易总额等。

一个主对象下的待测从属对象的标签，可以基于该待测从属对象在第一时刻之前和/或之后的预设时段内是否出现预设表现来确定，标签值用0或1表示。若待测从属对象当待预测账户在第一时刻之前和/或之后的预设时段内出现预设表现，则该待测从属对象为黑种子，其标签值可以为1；若待测从属对象当待预测账户在第一时刻之前和/或之后的预设时段内未出现预设表现，则该待测从属对象为白种子，其标签值可以为0。

其中，预设表现可以是预设的不良表现。仍以主对象下的多个从属对象是同一身份在第三方支付平台注册的多个账户为例，预设表现可以是欺诈、套现、洗钱等不良表现。在实际应用中，确定待测账户是否出现预设表现的方式，可以通过是否收到针对该待测账户的投诉、举报等事件来确定。

在管理指标预测模型的训练过程中，第一时刻可以看作是预测时刻。相应的，该训练过程可以看作是：训练一个能够在第一时刻基于第一时刻之前的特征数据，预测待测从属对象在第一时刻之后的预设时段内的管理指标的预测模型的过程。

步骤104、基于所述样本数据中参考从属对象的特征数据和预设模型，确定所述样本数据中参考从属对象的管理指标值。

其中，预设模型是基于批量从属对象的特征数据训练得到的。

可选地，作为一个例子，在步骤104之前，图1所示的方法还可以包括：基于所述批量样本数据中参考从属对象的特征数据和标签，训练所述预设模型。当然也可以基于其他从属对象的特征数据和标签，训练所述预设模型，本说明书不做具体限定。

例如，当主对象为同一身份的用户，从属对象为该身份的用户在第三方支付平台注册的账户时，则可以利用25000个身份下的10万个账户的特征数据训练得到预设模型。

具体实现时，可以基于逻辑回归算法，决策树算法、梯度提升迭代决策树(GradientBoostingDecisionTree，GBDT)和极端梯度提升(eXtreme Gradient Boosting，xgboost)等算法中的一种，以及所述批量样本数据中参考从属对象的特征数据和标签，训练得到预设模型。

预设模型的训练过程可以看作是算法自动匹配特征的过程。以决策树为例，就是不断的用一个特征去分群，比如先用年龄，分成两类，>70岁(为1的概率高)和<＝70岁(为1的概率低)，再用性别分男(概率高)/女(概率低)。那最后分成4个群，假设>70岁的男性，概率为90％，<＝70岁的女性的概率为20％。这样生成的规则就是一个具体的预设模型。

在训练好预设模型之后，可以将样本数据中参考从属对象的特征数据导入预设模型，预设模型会输出一个值，该值的范围常在[0，1]这一范围内。预设模型输出的值即为样本数据中参考从属对象的管理指标值。以主对象下的多个从属对象是同一身份在第三方支付平台注册的多个账户为例，参考从属对象的管理指标值可以是参考账户的风险评估值。当一个参考账户的风险评估值接近于1时，说明该参考账户可能是一个风险账户，需要进行风险管理；当一个参考账户的风险评估值接近于0时，说明该参考账户可能不是一个风险账户。

可选地，在训练预设模型之前，还可以基于所述第一时刻确定所述样本数据中参考从属对象的标签。具体的，可以基于所述样本数据中参考从属对象在所述第一时刻之前和/或之后的预设时段内是否出现预设表现，确定所述样本数据中参考从属对象的标签。如前文所述，第一时刻可以看作是预测时刻。

更为具体的，当所述样本数据产生于第一时刻之前的预设时段内时，基于样本数据中参考从属对象在第一时刻之前的预设时段内是否出现预设表现，确定样本数据中参考从属对象的标签；当所述样本数据产生于第一时刻之后的预设时段内时，基于样本数据中参考从属对象在第一时刻之后的预设时段内是否出现预设表现，确定样本数据中参考从属对象的标签；当所述样本数据产生于第一时刻之前和之后的预设时段内时，基于样本数据中参考从属对象在第一时刻之前和之后的预设时段内是否出现预设表现，确定样本数据中参考从属对象的标签。

与前文一致，其中，预设表现可以是预设的不良表现。以主对象下的多个从属对象是同一身份在第三方支付平台注册的多个账户为例，预设表现可以是欺诈、套现、洗钱等不良表现。在实际应用中，确定待测账户是否出现预设表现的方式，可以通过是否收到针对该待测账户的投诉、举报等事件来确定。

在该可选地实施例中，之所以基于第一时刻划定样本数据中参考从属对象的标签，是为了使参考从属对象的标签与待测从属对象的标签具有同样的时间窗口，以保证基于与预测时刻(第一时刻)邻近的特征数据训练管理指标预测模型，从而增强管理指标预测模型的预测准确性。

例如，以主对象下的多个从属对象是同一身份在第三方支付平台注册的多个账户为例，对于参考账户A1而言，可以基于A1在第一时刻前后30天内是否出现不良表现，确定A1的标签。因为A1可能在第一时刻前90天到60天有不良表现，近30天为正常。如果基于A1在第一时刻前90天-60天的表现，将A1判定为黑种子，则会出现因A1在第一时刻前30天表现正常，而出现将正常表现映射到黑的情况，从而降低预测准确性。因此需要以同一时间窗口(第一时刻之前和/或之后的预设时段)划定样本数据中参考从属对象的标签，以提高训练出的管理指标预测模型的预测准确性。

表1以主对象下的多个从属对象是同一身份在第三方支付平台注册的多个账户为例，列出了训练管理指标预测模型的特征数据及标签的一些示例。参见表1可知，一个账户对应一组特征和一个标签。

表1

步骤106、对所述样本数据中至少一个参考从属对象的管理指标值进行整合，并将整合结果作为所述样本数据中待测从属对象的新增特征数据。

具体可以基于预设规则对所述样本数据中至少一个参考从属对象的管理指标值进行整合，得到整合结果。

作为一个例子，可以预先对不同类型的参考从属对象设置不同的权重，然后对所述样本数据中至少一个参考从属对象的管理指标值进行加权计算，得到整合结果。可选地，对所述样本数据中的所有参考从属对象的管理指标值进行加权计算，得到整合结果，以便于将样本数据中所有参考对象的管理指标纳入待测从属对象的特征范围内，提高训练出的管理指标预测模型的预测准确性。

作为另一个例子，可以将所述样本数据中至少一个参考从属对象的管理指标值中的最大值作为整合结果。

步骤108、将所述样本数据中待测从属对象的标签、原有特征数据和新增特征数据作为输入，训练管理指标预测模型。

其中，管理指标预测模型用于预测所述待测从属对象在所述第一时刻之后的预设时段内的管理指标值。管理指标值的取值范围可以在0到1之间，表示待测从属对象在第一时刻之后的预设时段内出现不良表现的概率，或者说表示待测从属对象在第一时刻之后的预设时段内成为不良从属对象的概率。

本说明书实施例提供的一种管理指标预测模型训练方法，一方面，在从属对象的维度刻画待测从属对象的管理指标，而不是在主对象的维度刻画待测从属对象的管理指标；另一方面，在刻画待测从属对象的管理指标时，不仅考虑了待测从属对象的原有特征数据，还将同一主对象下的至少一个参考从属对象的管理指标值的整合结果作为待测从属对象的新增特征数据(可以理解为是一个增强特征)，因此，可以更为准确地刻画待测从属对象的管理指标，从而使得运营方能够据此对从属对象进行更好的管理。

可选地，在图1所示的实施例的基础上，如图2所示，本说明书还提供了一种管理指标预测方法，该方法包括(或者说图1所示的方法还可以包括)：

步骤202、确定待预测的目标从属对象。

例如，目标从属对象可以是身份B在第三方支付平台上注册的账户B4。

步骤204、获取目标主对象下的多个从属对象的特征数据，所述目标主对象下的多个从属对象包括所述目标从属对象和至少一个参考从属对象。

其中，目标主对象下的从属对象的特征数据产生于第二时刻之前的预设时段内。第二时刻晚于上一实施例中的第一时刻。可选地，本步骤中所说的预设时段与上一实施例中所说的预设时段相同，也即预测时的预设时段可以与训练时的预设时段一致，以保证预测的准确性。

沿用上一步骤中的例子，目标主对象即为身份B，身份B在第三方支付平台上注册的账户B1、账户B2和账户B3可以为三个参考从属对象。

步骤206、基于所述目标主对象下的参考从属对象的特征数据和预设模型，确定所述目标主对象下的参考从属对象的管理指标值。

与图1所示的实施例一致，所述预设模型是基于批量从属对象的特征数据训练得到的，详细内容请参见对图1所示的实施例的描述，此处不做重复说明。

可以理解，若预设模型是基于逻辑回归算法，决策树算法、GBDT和xgboost等算法中的一种训练得到的，则将目标主对象下的参考从属对象的特征数据导入预设模型后，预设模型的输出即为目标主对象下的参考从属对象的管理指标值。

步骤208、对所述目标主对象下的至少一个参考从属对象的管理指标值进行整合，并将整合结果作为所述目标从属对象的新增特征数据。

同图1所示的实施例，可以基于预设规则对目标主对象下的至少一个参考从属对象的管理指标值进行整合，得到整合结果。

作为一个例子，可以预先对不同类型的参考从属对象设置不同的权重，然后对目标主对象下的至少一个参考从属对象的管理指标值进行加权计算，得到整合结果。可选地，对目标主对象下的所有参考从属对象的管理指标值进行加权计算，得到整合结果，以进一步提升针对目标从属对象的预测准确性。

作为另一个例子，可以将目标主对象下的至少一个参考从属对象的管理指标值中的最大值作为整合结果。

步骤210、将所述目标从属对象的原有特征数据和新增特征数据输入管理指标预测模型，预测所述目标从属对象在所述第二时刻之后的预设时段内的管理指标值。

其中，管理指标预测模型是基于图1所示的方法训练得到的。

可选地，本方法还可以基于预测出的管理指标值，确定所述目标从属对象在所述第二时刻之后的预设时段内是否会出现预设表现。其中，预设表现为预设的不良表现。一般而言，管理指标值的取值范围可以在0到1之间，表示目标从属对象在第二时刻之后的预设时段内出现不良表现的概率(或者说表示目标从属对象在第二时刻之后的预设时段内成为不良从属对象的概率)，该值越接近于1出现不良表现的可能性越大，否则越小。

本说明书实施例提供的一种管理指标预测方法，一方面，在从属对象的维度刻画目标从属对象的管理指标，而不是在目标主对象的维度刻画目标从属对象的管理指标；另一方面，在刻画目标从属对象的管理指标时，不仅考虑了目标从属对象的原有特征数据，还将目标主对象下的至少一个参考从属对象的管理指标值的整合结果作为目标从属对象的新增特征数据(可以理解为是一个增强特征)，因此，可以更为准确地刻画目标从属对象的管理指标，从而使得运营方能够据此对目标从属对象进行更好的管理。

下面对结合实际应用场景提出的一种账户风险预测模型训练方法，以及一种账户风险预测方法分别进行说明。需要说明的是，这两种方法可以应用于任何建立了会员体系的平台。

如图3所示，本说明的一个实施例提供的一种账户风险预测模型训练方法，可已包括如下步骤：

步骤302、获取批量样本数据。

这批样本数据产生于第一时刻之前和/或之后的预设时段内，在这批样本数据中，一个样本数据中携带一个身份下的多个账户的特征数据，且一个身份下有一个账户为待测账户，其余账户为参考账户，以及所述待测账户携带有标签。

如图4所示，一个样本数据可以携带身份A下的账户A1、账户A2、账户A3和账户A4的特征数据，身份A下的账户4为待测账户，账户A1、账户A2和账户A3为三个参考账户。

在实际应用中，可以基于用户注册账户时所提供的认证信息(如实名认证时提供的分人身份证件号、手机号、银行卡号等)确定同一身份下的账户。

步骤304、基于所述样本数据中参考账户的特征数据和预设模型，确定所述样本数据中参考账户的风险评估值。

其中，所述预设模型是基于批量账户的特征数据训练得到的。在训练好预设模型之后，可以将样本数据中参考账户的特征数据导入预设模型，预设模型会输出一个值，该值的范围常在[0，1]这一范围内。预设模型输出的值即为样本数据中参考账户的风险评估值。

可选地，在步骤304之前，图3所示的方法还可以包括：基于步骤302中所述的批量样本数据中参考账户的特征数据和标签，训练预设模型。

可选地，在训练预设模型之前，图3所示的方法还可以包括：基于所述第一时刻确定所述样本数据中参考账户的标签。具体的，可以基于所述样本数据中参考账户在所述第一时刻之前和/或之后的预设时段内是否出现风险表现，确定所述样本数据中参考账户的标签。

更为具体的，当所述样本数据产生于第一时刻之前的预设时段内时，基于样本数据中参考账户在第一时刻之前的预设时段内是否出现预设表现，确定样本数据中参考账户的标签；当所述样本数据产生于第一时刻之后的预设时段内时，基于样本数据中参考账户在第一时刻之后的预设时段内是否出现预设表现，确定样本数据中参考账户的标签；当所述样本数据产生于第一时刻之前和之后的预设时段内时，基于样本数据中参考账户在第一时刻之前和之后的预设时段内是否出现预设表现，确定样本数据中参考账户的标签。

其中，预设表现可以是预设的不良表现，例如，欺诈、套现、洗钱等不良表现。在实际应用中，确定待测账户是否出现预设表现的方式，可以通过是否收到针对该待测账户的投诉、举报等事件来确定。

在该可选地实施例中，之所以基于第一时刻划定样本数据中参考从属对象的标签，是为了使参考从属对象的标签与待测从属对象的标签具有同样的时间窗口，以保证基于与预测时刻(第一时刻)邻近的特征数据进行训练管理指标预测模型，从而增强管理指标预测模型的预测准确性。

步骤306、对所述样本数据中至少一个参考账户的风险评估值进行整合，并将整合结果作为所述样本数据中待测账户的新增特征数据。

具体可以基于预设规则对所述样本数据中至少一个参考账户的风险评估值进行整合，得到整合结果。

作为一个例子，可以预先对不同类型的参考账户设置不同的权重，然后对所述样本数据中至少一个参考账户的风险评估值进行加权计算，得到整合结果。可选地，对所述样本数据中的所有参考账户的风险评估值进行加权计算，得到整合结果。

作为另一个例子，可以将所述样本数据中至少一个参考账户的风险评估值中的最大值作为整合结果。

步骤308、将所述样本数据中待测账户的标签、原有特征数据和新增特征数据作为输入，训练风险预测模型，所述风险预测模型用于预测所述待测账户在所述第一时刻之后的预设时段内的风险评估值。

其中，风险评估预测模型用于预测所述待测账户在所述第一时刻之后的预设时段内的风险评估值。风险评估值的取值范围可以在0到1之间，表示待测账户在第一时刻之后的预设时段内出现不良表现的概率，或者说表示待测账户在第一时刻之后的预设时段内成为不良账户的概率。

如图4所示，假设身份A下包括账户A1、账户A2、账户A3和账户A4，其中账户A4为待测账户，账户A1、账户A2和账户A3为三个参考账户，则可以先分别将账户A1、账户A2和账户A3的特征数据导入预设模型，对应得到风险评估值1、风险评估值2和风险评估值3；然后对风险评估值1、风险评估值2和风险评估值3进行整合得到整合结果，并将整合结果作为账户A4的新增特征数据；最后，将账户A4的标签、原有特征数据及新增特征书数据作为输入，训练风险预测模型。

本说明书实施例提供的一种账户风险预测模型训练方法，一方面，在账户的维度刻画待测账户的风险评估值，而不是在身份的维度刻画待测账户的风险评估值；另一方面，在刻画待测账户的风险评估值时，不仅考虑了待测账户的原有特征数据，还将同一身份下的至少一个参考账户的风险评估值值的整合结果作为待测账户的新增特征数据(可以理解为是一个增强特征)，因此，可以更为准确地刻画待测账户的风险评估值，从而使得运营方能够据此对账户进行更好的管理。

可选地，在图3所示的实施例的基础上，如图5所示，本说明书还提供了一种账户风险预测方法，该方法包括(也就是说图1所示的方法还可以包括)：

步骤502、确定待预测的目标账户。

例如，目标账户可以是身份B在第三方支付平台上注册的账户B4。

步骤504、获取目标身份下的多个账户的特征数据，所述目标身份下的多个账户包括所述目标账户和至少一个参考账户。

其中，目标身份下的账户的特征数据产生于第二时刻之前的预设时段内，第二时刻晚于第一时刻。可选地，本步骤中所说的预设时段与上一实施例中所说的预设时段相同，也即预测时的预设时段可以与训练时的预设时段一致，以保证预测的准确性。

沿用上一步骤中的例子，目标主对象即为身份B，身份B在第三方支付平台上注册的账户B1、账户B2和账户B3即为三个参考从属对象。

步骤506、基于所述目标身份下的参考账户的特征数据和预设模型，确定所述目标身份下的参考账户的风险评估值。

与图3所示的实施例一致，所述预设模型是基于批量账户的特征数据训练得到的。

可以理解，若预设模型是基于逻辑回归算法，决策树算法、GBDT和xgboost等算法中的一种训练得到的，则将目标身份下的参考账户的特征数据导入预设模型后，预设模型的输出即为目标身份下的参考账户的风险评估值。

步骤508、对所述目标身份下的至少一个参考账户的风险评估值进行整合，并将整合结果作为所述目标账户的新增特征数据。

同图3所示的实施例，可以基于预设规则对目标身份下的至少一个参考账户的风险评估值进行整合，得到整合结果。

作为一个例子，可以预先对不同账户设置不同的权重，然后对目标身份下的至少一个参考账户的风险评估值进行加权计算，得到整合结果。可选地，对目标身份下的所有参考账户的风险评估值进行加权计算，得到整合结果，以进一步提升针对目标账户的预测准确性。

作为另一个例子，可以将目标身份下的至少一个参考账户的风险评估值中的最大值作为整合结果。

步骤510、将所述目标账户的原有特征数据和新增特征数据输入风险预测模型，预测所述目标账户在所述第二时刻之后的预设时段内的风险评估值。

其中，所述风险预测模型是基于图3所示的方法训练得到的。

可选地，本方法还可以基于预测出的风险评估值，确定所述目标账户在所述第二时刻之后的预设时段内是否会出现预设表现。其中，预设表现为预设的不良表现。一般而言，风险评估值的取值范围可以在0到1之间，表示目标账户在第二时刻之后的预设时段内出现不良表现的概率，或者说表示目标账户在第二时刻之后的预设时段内成为不良账户的概率。

本说明书实施例提供的一种账户风险预测方法，一方面，在账户的维度刻画目标账户的风险评估值，而不是在身份的维度刻画目标账户的风险评估值；另一方面，在刻画目标账户的风险评估值时，不仅考虑了目标账户的原有特征数据，还将同一身份下的至少一个参考账户的风险评估值的整合结果作为目标账户的新增特征数据(可以理解为是一个增强特征)，因此，可以更为准确地刻画目标账户的风险评估值，从而使得运营方能够据此对目标账户进行更好的管理。

以上是对本说明书提供的方法实施例的说明，下面对本说明书提供的电子设备进行介绍。

图6是本说明书的一个实施例提供的电子设备的结构示意图。请参考图6，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。

处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。

处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成预测模型训练装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：

获取批量样本数据，其中，所述样本数据产生于第一时刻之前和/或之后的预设时段内，一个所述样本数据中携带一个主对象下的多个从属对象的特征数据，一个主对象下有一个从属对象为待测从属对象，其余从属对象为参考从属对象，所述待测从属对象携带有标签；

基于所述样本数据中参考从属对象的特征数据和预设模型，确定所述样本数据中参考从属对象的管理指标值，其中，所述预设模型是基于批量从属对象的特征数据训练得到的；

对所述样本数据中至少一个参考从属对象的管理指标值进行整合，并将整合结果作为所述样本数据中待测从属对象的新增特征数据；

将所述样本数据中待测从属对象的标签、原有特征数据和新增特征数据作为输入，训练管理指标预测模型，所述管理指标预测模型用于预测所述待测从属对象在所述第一时刻之后的预设时段内的管理指标值。

上述如本说明书图1或图3所示实施例揭示的预测模型训练方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书一个或多个实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书一个或多个实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

该电子设备还可执行图1或图3提供的预测模型训练方法，本说明书在此不再赘述。

图7是本说明书的一个实施例提供的另一电子设备的结构示意图。该电子设备与图6所示的电子设备的区别在于，处理器，执行存储器所存放的程序，处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成预测装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：

确定待预测的目标从属对象；

获取目标主对象下的多个从属对象的特征数据，其中，所述目标主对象下的多个从属对象包括所述目标从属对象和至少一个参考从属对象，所述目标主对象下的从属对象的特征数据产生于第二时刻之前的预设时段内；

基于所述目标主对象下的参考从属对象的特征数据和预设模型，确定所述目标主对象下的参考从属对象的管理指标值，其中，所述预设模型是基于批量从属对象的特征数据训练得到的；

对所述目标主对象下的至少一个参考从属对象的管理指标值进行整合，并将整合结果作为所述目标从属对象的新增特征数据；

将所述目标从属对象的原有特征数据和新增特征数据输入管理指标预测模型，预测所述目标从属对象在所述第二时刻之后的预设时段内的管理指标值，其中，所述管理指标预测模型是基于本说明书实施例提供的管理指标预测模型训练方法训练得到的。

当然，除了软件实现方式之外，本说明书的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

本说明书实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的便携式电子设备执行时，能够使该便携式电子设备执行图1所示实施例的方法，并具体用于执行以下操作：

获取批量样本数据，其中，所述样本数据产生于第一时刻之前和/或之后的预设时段内，一个所述样本数据中携带一个主对象下的多个从属对象的特征数据，一个主对象下有一个从属对象为待测从属对象，其余从属对象为参考从属对象，所述待测从属对象携带有标签；

基于所述样本数据中参考从属对象的特征数据和预设模型，确定所述样本数据中参考从属对象的管理指标值，其中，所述预设模型是基于批量从属对象的特征数据训练得到的；

对所述样本数据中至少一个参考从属对象的管理指标值进行整合，并将整合结果作为所述样本数据中待测从属对象的新增特征数据；

将所述样本数据中待测从属对象的标签、原有特征数据和新增特征数据作为输入，训练管理指标预测模型，所述管理指标预测模型用于预测所述待测从属对象在所述第一时刻之后的预设时段内的管理指标值。

本说明书实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的便携式电子设备执行时，能够使该便携式电子设备执行图2所示实施例的方法，并具体用于执行以下操作：

确定待预测的目标从属对象；

获取目标主对象下的多个从属对象的特征数据，其中，所述目标主对象下的多个从属对象包括所述目标从属对象和至少一个参考从属对象，所述目标主对象下的从属对象的特征数据产生于第二时刻之前的预设时段内；

基于所述目标主对象下的参考从属对象的特征数据和预设模型，确定所述目标主对象下的参考从属对象的管理指标值，其中，所述预设模型是基于批量从属对象的特征数据训练得到的；

对所述目标主对象下的至少一个参考从属对象的管理指标值进行整合，并将整合结果作为所述目标从属对象的新增特征数据；

将所述目标从属对象的原有特征数据和新增特征数据输入管理指标预测模型，预测所述目标从属对象在所述第二时刻之后的预设时段内的管理指标值，其中，所述管理指标预测模型是基于本说明书实施例提供的管理指标预测模型训练方法训练得到的。

下面对本说明书提供的装置进行说明。

如图8所示，本说明书的一个实施例提供了一种管理指标预测模型训练装置800，在一种软件实施方式中，装置800可包括：第一数据获取模块801、第一指标确定模块802、第一指标整合模块803和预测模型训练模块804。

第一数据获取模块801，用于获取批量样本数据，其中，所述样本数据产生于第一时刻之前和/或之后的预设时段内，一个所述样本数据中携带一个主对象下的多个从属对象的特征数据，一个主对象下有一个从属对象为待测从属对象，其余从属对象为参考从属对象，所述待测从属对象携带有标签。

第一指标确定模块802，用于基于所述样本数据中参考从属对象的特征数据和预设模型，确定所述样本数据中参考从属对象的管理指标值，其中，所述预设模型是基于批量从属对象的特征数据训练得到的。

第一指标整合模块803，对所述样本数据中至少一个参考从属对象的管理指标值进行整合，并将整合结果作为所述样本数据中待测从属对象的新增特征数据。

预测模型训练模块804，用于将所述样本数据中待测从属对象的标签、原有特征数据和新增特征数据作为输入，训练管理指标预测模型，所述管理指标预测模型用于预测所述待测从属对象在所述第一时刻之后的预设时段内的管理指标值。

需要说明的是，管理指标预测模型训练装置800能够实现图1的方法，并能取得相同的技术效果，详细内容可参考图1所示的方法，不再赘述。

如图9所示，本说明书的一个实施例提供了一种管理指标预测装置900，在一种软件实施方式中，装置900可包括：目标确定模块901、第二数据获取模块902、第二指标确定模块903、第二指标整合模块904和管理指标预测模块905。

目标确定模块901，用于确定待预测的目标从属对象。

第二数据获取模块902，用于目标主对象下的多个从属对象的特征数据，其中，所述目标主对象下的多个从属对象包括所述目标从属对象和至少一个参考从属对象，所述目标主对象下的从属对象的特征数据产生于第二时刻之前的预设时段内。

第二指标确定模块903，用于基于所述目标主对象下的参考从属对象的特征数据和预设模型，确定所述目标主对象下的参考从属对象的管理指标值，其中，所述预设模型是基于批量从属对象的特征数据训练得到的。

第二指标整合模块904，用于对所述目标主对象下的至少一个参考从属对象的管理指标值进行整合，并将整合结果作为所述目标从属对象的新增特征数据。

管理指标预测模块905，用于将所述目标从属对象的原有特征数据和新增特征数据输入管理指标预测模型，预测所述目标从属对象在所述第二时刻之后的预设时段内的管理指标值。

其中，所述管理指标预测模型是基于本图1所示的方法训练得到的。

需要说明的是，管理指标预测装置900能够实现图2的方法，并能取得相同的技术效果，详细内容可参考图2所示的方法，不再赘述。

如图10所示，本说明书的一个实施例提供了一种账户风险预测模型训练装置1000，在一种软件实施方式中，装置1000可包括：第一账户数据获取模块1001、第一风险值确定模块1002、第一风险值整合模块1003和风险预测模型训练模块1004。

第一账户数据获取模块1001，其中，所述样本数据产生于第一时刻之前和/或之后的预设时段内，一个所述样本数据中携带一个身份下的多个账户的特征数据，一个身份下有一个账户为待测账户，其余账户为参考账户，所述待测账户携带有标签。

第一风险值确定模块1002，用于基于所述样本数据中参考账户的特征数据和预设模型，确定所述样本数据中参考账户的风险评估值，其中，所述预设模型是基于批量账户的特征数据训练得到的。

第一风险值整合模块1003，用于对所述样本数据中至少一个参考账户的风险评估值进行整合，并将整合结果作为所述样本数据中待测账户的新增特征数据。

风险预测模型训练模块1004，用于将所述样本数据中待测账户的标签、原有特征数据和新增特征数据作为输入，训练风险预测模型，所述风险预测模型用于预测所述待测账户在所述第一时刻之后的预设时段内的风险评估值。

需要说明的是，账户风险预测模型训练装置1000能够实现图3的方法，并能取得相同的技术效果，详细内容可参考图3所示的方法，不再赘述。

如图11所示，本说明书的一个实施例提供了一种账户风险预测装置1100，在一种软件实施方式中，装置1100可包括：目标账户确定模块1101、第二账户数据获取模块1102、第二风险值确定模块1103、第二风险值整合模块1104和风险预测模块1105。

目标账户确定模块1101，用于确定待预测的目标账户。

第二账户数据获取模块1102，用于获取目标身份下的多个账户的特征数据，其中，所述目标身份下的多个账户包括所述目标账户和至少一个参考账户，所述目标身份下的账户的特征数据产生于第二时刻之前的预设时段内。

第二风险值确定模块1103，用于基于所述目标身份下的参考账户的特征数据和预设模型，确定所述目标身份下的参考账户的风险评估值，其中，所述预设模型是基于批量账户的特征数据训练得到的。

第二风险值整合模块1104，用于对所述目标身份下的至少一个参考账户的风险评估值进行整合，并将整合结果作为所述目标账户的新增特征数据。

风险预测模块1105，用于将所述目标账户的原有特征数据和新增特征数据输入风险预测模型，预测所述目标账户在所述第二时刻之后的预设时段内的风险评估值。

其中，所述风险预测模型是基于图3所示的方法训练得到的。

需要说明的是，账户风险预测装置1100能够实现图5的方法，并能取得相同的技术效果，详细内容可参考图5所示的方法，不再赘述。

上述对本说明书特定实施例进行了描述，其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

总之，以上所述仅为本说明书的较佳实施例而已，并非用于限定本说明书的保护范围。凡在本说明书一个或多个实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例的保护范围之内。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，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、商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、商品或者设备所固有的要素。在没有更多限制时，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

Claims (19)

1.一种管理指标预测模型训练方法，包括：

获取批量样本数据，其中，所述样本数据产生于第一时刻之前和/或之后的预设时段内，一个所述样本数据中携带一个主对象下的多个从属对象的特征数据，一个主对象下有一个从属对象为待测从属对象，其余从属对象为参考从属对象，所述待测从属对象携带有标签；

基于所述样本数据中参考从属对象的特征数据和预设模型，确定所述样本数据中参考从属对象的管理指标值，其中，所述预设模型是基于批量从属对象的特征数据训练得到的；

对所述样本数据中至少一个参考从属对象的管理指标值进行整合，并将整合结果作为所述样本数据中待测从属对象的新增特征数据；

将所述样本数据中待测从属对象的标签、原有特征数据和新增特征数据作为输入，训练管理指标预测模型，所述管理指标预测模型用于预测所述待测从属对象在所述第一时刻之后的预设时段内的管理指标值。

2.根据权利要求1所述的方法，在所述基于所述样本数据中参考从属对象的特征数据和预设模型，确定所述样本数据中参考从属对象的管理指标值之前，还包括：

基于所述批量样本数据中参考从属对象的特征数据和标签，训练所述预设模型。

3.根据权利要求2所述的方法，在训练所述预设模型之前，还包括：

基于所述第一时刻确定所述样本数据中参考从属对象的标签。

4.根据权利要求3所述的方法，其中，所述基于所述第一时刻确定所述样本数据中参考从属对象的标签，包括：

基于所述样本数据中参考从属对象在所述第一时刻之前和/或之后的预设时段内是否出现预设表现，确定所述样本数据中参考从属对象的标签。

5.根据权利要求1-4中任一项所述的方法，其中，所述对所述样本数据中至少一个参考从属对象的管理指标值进行整合，包括：

对所述样本数据中至少一个参考从属对象的管理指标值进行加权计算。

6.根据权利要求1所述的方法，还包括：

确定待预测的目标从属对象；

获取目标主对象下的多个从属对象的特征数据，其中，所述目标主对象下的多个从属对象包括所述目标从属对象和至少一个参考从属对象，所述目标主对象下的从属对象的特征数据产生于第二时刻之前的预设时段内；

基于所述目标主对象下的参考从属对象的特征数据和所述预设模型，确定所述目标主对象下的参考从属对象的管理指标值；

对所述目标主对象下的至少一个参考从属对象的管理指标值进行整合，并将整合结果作为所述目标从属对象的新增特征数据；

将所述目标从属对象的原有特征数据和新增特征数据输入所述管理指标预测模型，预测所述目标从属对象在所述第二时刻之后的预设时段内的管理指标值。

7.根据权利要求6所述的方法，其中，所述对所述目标主对象下的至少一个参考从属对象的管理指标值进行整合，包括：

对所述目标主对象下的至少一个参考从属对象的管理指标值进行加权计算。

8.根据权利要求6或7所述的方法，还包括：

基于预测出的管理指标值，确定所述目标从属对象在所述第二时刻之后的预设时段内是否会出现预设表现。

9.一种管理指标预测方法，包括：

确定待预测的目标从属对象；

获取目标主对象下的多个从属对象的特征数据，其中，所述目标主对象下的多个从属对象包括所述目标从属对象和至少一个参考从属对象，所述目标主对象下的从属对象的特征数据产生于第二时刻之前的预设时段内；

基于所述目标主对象下的参考从属对象的特征数据和预设模型，确定所述目标主对象下的参考从属对象的管理指标值，其中，所述预设模型是基于批量从属对象的特征数据训练得到的；

对所述目标主对象下的至少一个参考从属对象的管理指标值进行整合，并将整合结果作为所述目标从属对象的新增特征数据；

将所述目标从属对象的原有特征数据和新增特征数据输入管理指标预测模型，预测所述目标从属对象在所述第二时刻之后的预设时段内的管理指标值，其中，所述管理指标预测模型是基于权利要求1-5中任一项所述的方法训练得到的。

10.一种账户风险预测模型训练方法，包括：

获取批量样本数据，其中，所述样本数据产生于第一时刻之前和/或之后的预设时段内，一个所述样本数据中携带一个身份下的多个账户的特征数据，一个身份下有一个账户为待测账户，其余账户为参考账户，所述待测账户携带有标签；

基于所述样本数据中参考账户的特征数据和预设模型，确定所述样本数据中参考账户的风险评估值，其中，所述预设模型是基于批量账户的特征数据训练得到的；

对所述样本数据中至少一个参考账户的风险评估值进行整合，并将整合结果作为所述样本数据中待测账户的新增特征数据；

将所述样本数据中待测账户的标签、原有特征数据和新增特征数据作为输入，训练风险预测模型，所述风险预测模型用于预测所述待测账户在所述第一时刻之后的预设时段内的风险评估值。

11.一种账户风险预测方法，包括：

确定待预测的目标账户；

获取目标身份下的多个账户的特征数据，其中，所述目标身份下的多个账户包括所述目标账户和至少一个参考账户，所述目标身份下的账户的特征数据产生于第二时刻之前的预设时段内；

基于所述目标身份下的参考账户的特征数据和预设模型，确定所述目标身份下的参考账户的风险评估值，其中，所述预设模型是基于批量账户的特征数据训练得到的；

对所述目标身份下的至少一个参考账户的风险评估值进行整合，并将整合结果作为所述目标账户的新增特征数据；

将所述目标账户的原有特征数据和新增特征数据输入风险预测模型，预测所述目标账户在所述第二时刻之后的预设时段内的风险评估值，其中，所述风险预测模型是基于权利要求10所述的方法训练得到的。

12.一种管理指标预测模型训练装置，包括：

第一数据获取模块，用于获取批量样本数据，其中，所述样本数据产生于第一时刻之前和/或之后的预设时段内，一个所述样本数据中携带一个主对象下的多个从属对象的特征数据，一个主对象下有一个从属对象为待测从属对象，其余从属对象为参考从属对象，所述待测从属对象携带有标签；

第一指标确定模块，用于基于所述样本数据中参考从属对象的特征数据和预设模型，确定所述样本数据中参考从属对象的管理指标值，其中，所述预设模型是基于批量从属对象的特征数据训练得到的；

第一指标整合模块，对所述样本数据中至少一个参考从属对象的管理指标值进行整合，并将整合结果作为所述样本数据中待测从属对象的新增特征数据；

预测模型训练模块，用于将所述样本数据中待测从属对象的标签、原有特征数据和新增特征数据作为输入，训练管理指标预测模型，所述管理指标预测模型用于预测所述待测从属对象在所述第一时刻之后的预设时段内的管理指标值。

13.一种管理指标预测装置，包括：

目标确定模块，用于确定待预测的目标从属对象；

第二数据获取模块，用于目标主对象下的多个从属对象的特征数据，其中，所述目标主对象下的多个从属对象包括所述目标从属对象和至少一个参考从属对象，所述目标主对象下的从属对象的特征数据产生于第二时刻之前的预设时段内；

第二指标确定模块，用于基于所述目标主对象下的参考从属对象的特征数据和预设模型，确定所述目标主对象下的参考从属对象的管理指标值，其中，所述预设模型是基于批量从属对象的特征数据训练得到的；

第二指标整合模块，用于对所述目标主对象下的至少一个参考从属对象的管理指标值进行整合，并将整合结果作为所述目标从属对象的新增特征数据；

管理指标预测模块，用于将所述目标从属对象的原有特征数据和新增特征数据输入管理指标预测模型，预测所述目标从属对象在所述第二时刻之后的预设时段内的管理指标值，其中，所述管理指标预测模型是基于权利要求1-5中任一项所述的方法训练得到的。

14.一种账户风险预测模型训练装置，包括：

第一账户数据获取模块，其中，所述样本数据产生于第一时刻之前和/或之后的预设时段内，一个所述样本数据中携带一个身份下的多个账户的特征数据，一个身份下有一个账户为待测账户，其余账户为参考账户，所述待测账户携带有标签；

第一风险值确定模块，用于基于所述样本数据中参考账户的特征数据和预设模型，确定所述样本数据中参考账户的风险评估值，其中，所述预设模型是基于批量账户的特征数据训练得到的；

第一风险值整合模块，用于对所述样本数据中至少一个参考账户的风险评估值进行整合，并将整合结果作为所述样本数据中待测账户的新增特征数据；

风险预测模型训练模块，用于将所述样本数据中待测账户的标签、原有特征数据和新增特征数据作为输入，训练风险预测模型，所述风险预测模型用于预测所述待测账户在所述第一时刻之后的预设时段内的风险评估值。

15.一种账户风险预测装置，包括：

目标账户确定模块，用于确定待预测的目标账户；

第二账户数据获取模块，用于获取目标身份下的多个账户的特征数据，其中，所述目标身份下的多个账户包括所述目标账户和至少一个参考账户，所述目标身份下的账户的特征数据产生于第二时刻之前的预设时段内；

第二风险值确定模块，用于基于所述目标身份下的参考账户的特征数据和预设模型，确定所述目标身份下的参考账户的风险评估值，其中，所述预设模型是基于批量账户的特征数据训练得到的；

第二风险值整合模块，用于对所述目标身份下的至少一个参考账户的风险评估值进行整合，并将整合结果作为所述目标账户的新增特征数据；

风险预测模块，用于将所述目标账户的原有特征数据和新增特征数据输入风险预测模型，预测所述目标账户在所述第二时刻之后的预设时段内的风险评估值，其中，所述风险预测模型是基于权利要求10所述的方法训练得到的。

16.一种电子设备，包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：

获取批量样本数据，其中，所述样本数据产生于第一时刻之前和/或之后的预设时段内，一个所述样本数据中携带一个主对象下的多个从属对象的特征数据，一个主对象下有一个从属对象为待测从属对象，其余从属对象为参考从属对象，所述待测从属对象携带有标签；

基于所述样本数据中参考从属对象的特征数据和预设模型，确定所述样本数据中参考从属对象的管理指标值，其中，所述预设模型是基于批量从属对象的特征数据训练得到的；

对所述样本数据中至少一个参考从属对象的管理指标值进行整合，并将整合结果作为所述样本数据中待测从属对象的新增特征数据；

将所述样本数据中待测从属对象的标签、原有特征数据和新增特征数据作为输入，训练管理指标预测模型，所述管理指标预测模型用于预测所述待测从属对象在所述第一时刻之后的预设时段内的管理指标值。

17.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：

获取批量样本数据，其中，所述样本数据产生于第一时刻之前和/或之后的预设时段内，一个所述样本数据中携带一个主对象下的多个从属对象的特征数据，一个主对象下有一个从属对象为待测从属对象，其余从属对象为参考从属对象，所述待测从属对象携带有标签；

基于所述样本数据中参考从属对象的特征数据和预设模型，确定所述样本数据中参考从属对象的管理指标值，其中，所述预设模型是基于批量从属对象的特征数据训练得到的；

对所述样本数据中至少一个参考从属对象的管理指标值进行整合，并将整合结果作为所述样本数据中待测从属对象的新增特征数据；

将所述样本数据中待测从属对象的标签、原有特征数据和新增特征数据作为输入，训练管理指标预测模型，所述管理指标预测模型用于预测所述待测从属对象在所述第一时刻之后的预设时段内的管理指标值。

18.一种电子设备，包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：

获取批量样本数据，其中，所述样本数据产生于第一时刻之前和/或之后的预设时段内，一个所述样本数据中携带一个身份下的多个账户的特征数据，一个身份下有一个账户为待测账户，其余账户为参考账户，所述待测账户携带有标签；

基于所述样本数据中参考账户的特征数据和预设模型，确定所述样本数据中参考账户的风险评估值，其中，所述预设模型是基于批量账户的特征数据训练得到的；

对所述样本数据中至少一个参考账户的风险评估值进行整合，并将整合结果作为所述样本数据中待测账户的新增特征数据；

将所述样本数据中待测账户的标签、原有特征数据和新增特征数据作为输入，训练风险预测模型，所述风险预测模型用于预测所述待测账户在所述第一时刻之后的预设时段内的风险评估值。

19.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：

获取批量样本数据，其中，所述样本数据产生于第一时刻之前和/或之后的预设时段内，一个所述样本数据中携带一个身份下的多个账户的特征数据，一个身份下有一个账户为待测账户，其余账户为参考账户，所述待测账户携带有标签；

基于所述样本数据中参考账户的特征数据和预设模型，确定所述样本数据中参考账户的风险评估值，其中，所述预设模型是基于批量账户的特征数据训练得到的；

对所述样本数据中至少一个参考账户的风险评估值进行整合，并将整合结果作为所述样本数据中待测账户的新增特征数据；

将所述样本数据中待测账户的标签、原有特征数据和新增特征数据作为输入，训练风险预测模型，所述风险预测模型用于预测所述待测账户在所述第一时刻之后的预设时段内的风险评估值。

Images