CN110889644A - 信用数据处理方法、装置、存储介质和计算机设备 - Google Patents

信用数据处理方法、装置、存储介质和计算机设备 Download PDF

Info

Publication number
CN110889644A
CN110889644A CN201911234558.5A CN201911234558A CN110889644A CN 110889644 A CN110889644 A CN 110889644A CN 201911234558 A CN201911234558 A CN 201911234558A CN 110889644 A CN110889644 A CN 110889644A
Authority
CN
China
Prior art keywords
credit data
data processing
credit
factor
weight
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911234558.5A
Other languages
English (en)
Inventor
李欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201911234558.5A priority Critical patent/CN110889644A/zh
Publication of CN110889644A publication Critical patent/CN110889644A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0609—Buyer or seller confidence or verification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Technology Law (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本申请涉及一种信用数据处理方法、装置、存储介质和计算机设备，方法包括：获取用户信用数据和各信用数据处理因子的权重；根据用户信用数据和各信用数据处理因子的权重，得到信用数据处理结果；其中获取各信用数据处理因子的权重包括：获取信用数据处理标准区间值和各信用数据处理因子的信用数据；根据信用数据处理标准区间值对信用数据进行标准化处理，并获取信用数据处理参数；根据标准化后的信用数据，获取与各信用数据处理因子对应的信用参数，根据信用数据处理参数和信用参数，确定与各信用数据处理因子对应的偏差群体稳定性指标；根据偏差群体稳定性指标，得到各信用数据处理因子的权重。本申请提供的方案得到了准确的信用数据处理结果。

Description

信用数据处理方法、装置、存储介质和计算机设备
技术领域
本申请涉及计算机技术领域，特别是涉及一种信用数据处理方法、装置、存储介质和计算机设备。
背景技术
随着计算机技术的发展，出现了信用数据处理系统，信用数据处理系统会采集并导入相关的信用数据，信用数据处理系统运行时，针对采集并导入的信用数据进行处理，当需要进行信用数据处理因子权重配置时，其信用数据处理系统将信用数据权重因子设置界面推送给管理员，信用数据处理系统接收管理员输入的信用数据处理因子的权重参数，以该权重参数为基础对信用数据进行处理的，得到信用数据处理结果。
然而，传统的信用数据处理系统虽然能够实现信用数据处理，但是信用数据处理系统在实际运行中，其进行运算的权重参数直接采用管理员输入的数据，其并没有对这部分数据进行调整、优化、审核等处理，导致信用数据处理结果容易受到管理员的干扰，若管理员作恶或失误，肆意篡改或随意设置权重参数，这将导致最终得到信用数据处理结果不准确。
发明内容
基于此，有必要针对信用数据处理结果不准确的技术问题，提供一种信用数据处理方法、装置、存储介质和计算机设备。
一种信用数据处理方法，包括：
获取用户信用数据和各信用数据处理因子的权重；
根据用户信用数据和各信用数据处理因子的权重，得到信用数据处理结果；
其中，各信用数据处理因子的权重由以下步骤获取得到：
获取信用数据处理标准区间值和各信用数据处理因子的信用数据；
根据信用数据处理标准区间值对各信用数据处理因子的信用数据进行标准化处理，并获取与信用数据处理标准区间值对应的信用数据处理参数；
根据标准化后各信用数据处理因子的信用数据，获取与各信用数据处理因子对应的信用参数，根据信用数据处理参数和与各信用数据处理因子对应的信用参数，确定与各信用数据处理因子对应的偏差群体稳定性指标；
根据与各信用数据处理因子对应的偏差群体稳定性指标，得到各信用数据处理因子的权重。
一种信用数据处理装置，包括：
获取模块，用于获取用户信用数据和各信用数据处理因子的权重；
数据处理模块，用于根据用户信用数据和各信用数据处理因子的权重，得到信用数据处理结果；
其中，获取模块获取各信用数据处理因子的权重包括：获取信用数据处理标准区间值和各信用数据处理因子的信用数据；根据信用数据处理标准区间值对各信用数据处理因子的信用数据进行标准化处理，并获取与信用数据处理标准区间值对应的信用数据处理参数；根据标准化后各信用数据处理因子的信用数据，获取与各信用数据处理因子对应的信用参数，根据信用数据处理参数和与各信用数据处理因子对应的信用参数，确定与各信用数据处理因子对应的偏差群体稳定性指标；根据与各信用数据处理因子对应的偏差群体稳定性指标，得到各信用数据处理因子的权重。
一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取用户信用数据和各信用数据处理因子的权重；
根据用户信用数据和各信用数据处理因子的权重，得到信用数据处理结果；
其中，各信用数据处理因子的权重由以下步骤获取得到：
获取信用数据处理标准区间值和各信用数据处理因子的信用数据；
根据信用数据处理标准区间值对各信用数据处理因子的信用数据进行标准化处理，并获取与信用数据处理标准区间值对应的信用数据处理参数；
根据标准化后各信用数据处理因子的信用数据，获取与各信用数据处理因子对应的信用参数，根据信用数据处理参数和与各信用数据处理因子对应的信用参数，确定与各信用数据处理因子对应的偏差群体稳定性指标；
根据与各信用数据处理因子对应的偏差群体稳定性指标，得到各信用数据处理因子的权重。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现以下步骤：
获取用户信用数据和各信用数据处理因子的权重；
根据用户信用数据和各信用数据处理因子的权重，得到信用数据处理结果；
其中，各信用数据处理因子的权重由以下步骤获取得到：
获取信用数据处理标准区间值和各信用数据处理因子的信用数据；
根据信用数据处理标准区间值对各信用数据处理因子的信用数据进行标准化处理，并获取与信用数据处理标准区间值对应的信用数据处理参数；
根据标准化后各信用数据处理因子的信用数据，获取与各信用数据处理因子对应的信用参数，根据信用数据处理参数和与各信用数据处理因子对应的信用参数，确定与各信用数据处理因子对应的偏差群体稳定性指标；
根据与各信用数据处理因子对应的偏差群体稳定性指标，得到各信用数据处理因子的权重。
上述信用数据处理方法、装置、存储介质和计算机设备，通过信用数据处理标准区间值对各信用数据处理因子的信用数据进行了标准化处理，在得到标准化后各信用数据处理因子的信用数据后，基于信用数据得到与各信用标准因子对应的信用参数，并进一步通过信用参数以及获取到的信用数据处理参数，确定与各信用数据处理因子对应的偏差群体稳定性指标，从而可以通过偏差群体稳定性指标，得到各信用数据处理因子的权重，获取用户信用数据，根据用户信用数据和各信用数据处理因子的权重，得到信用数据处理结果。整个过程，通过对各信用数据处理因子的信用数据的标准化处理与分析，确定了与各信用数据处理因子对应的偏差群体稳定性指标，通过引入偏差群体稳定性指标严谨地确定了各信用数据处理因子的权重，减少了人为因素干扰，解决了信用数据处理结果不准确的问题。
附图说明
图1为一个实施例中信用数据处理方法的应用环境图；
图2为一个实施例中信用数据处理方法的流程示意图；
图3为另一个实施例中信用数据处理方法的流程示意图；
图4为一个实施例中信用数据处理装置的结构框图；
图5为另一个实施例中信用数据处理装置的结构框图；
图6为一个实施例中计算机设备的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
图1为一个实施例中信用数据处理方法的应用环境图。参照图1，该信用数据处理方法应用于信用数据处理系统。该信用数据处理系统包括终端110和服务器120。终端110和服务器120通过网络连接。服务器120获取用户信用数据和各信用数据处理因子的权重，根据用户信用数据和各信用数据处理因子的权重，得到信用数据处理结果，推送信用数据处理结果至终端110。其中，各信用数据处理因子的权重由以下步骤获取得到：获取信用数据处理标准区间值和各信用数据处理因子的信用数据，根据信用数据处理标准区间值对各信用数据处理因子的信用数据进行标准化处理，并获取与信用数据处理标准区间值对应的信用数据处理参数，根据标准化后各信用数据处理因子的信用数据，获取与各信用数据处理因子对应的信用参数，根据信用数据处理参数和与各信用数据处理因子对应的信用参数，确定与各信用数据处理因子对应的偏差群体稳定性指标，根据与各信用数据处理因子对应的偏差群体稳定性指标，得到各信用数据处理因子的权重。终端110具体可以是台式终端或移动终端，移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
如图2所示，在一个实施例中，提供了一种信用数据处理方法。本实施例主要以该方法应用于上述图1中的服务器120来举例说明。参照图2，该信用数据处理方法具体包括如下步骤S220至步骤S240。
步骤S220，获取用户信用数据和各信用数据处理因子的权重。
其中，信用数据处理因子是指信用数据处理的参考因子。比如，信用数据处理因子具体可以是指信用数据处理的各类信用指标。又比如，在对用户信用进行认证的场景下，信用数据处理因子具体可以是用户还贷能力、用户还贷及时性、用户资产总值等。用户信用数据是指用于对用户进行信用数据处理的参考数据，用户信用数据中包括与各信用数据处理因子对应的待处理数据。比如，在对用户信用进行认证的场景下，用户信用数据具体可以是与用户还贷能力对应的还贷评估分值、与用户还贷及时性对应的还贷及时性分值、与用户资产总值对应的资产分值。
其中，各信用数据处理因子的权重由以下步骤S222至步骤S228获取得到：
步骤S222，获取信用数据处理标准区间值和各信用数据处理因子的信用数据。
其中，信用数据处理标准区间值是指预先设定的信用数据处理范围值。比如，信用数据处理标准区间值具体可以是区间确定的数值范围。又比如，信用数据处理标准区间值的具体形式可以为[X，Y]，其中X表示信用数据处理标准区间值中的标准最小值，Y表示信用数据处理标准区间值中的标准最大值。信用数据是指与信用数据处理因子对应的信用数据处理的参考数据。比如，信用数据具体可以是指信用数据处理的各类指标下的待分析数据。又比如，在对用户信用进行认证的场景下，信用数据具体可以是与用户还贷能力对应的还贷评估分值、与用户还贷及时性对应的还贷及时性分值、与用户资产总值对应的资产分值。
步骤S224，根据信用数据处理标准区间值对各信用数据处理因子的信用数据进行标准化处理，并获取与信用数据处理标准区间值对应的信用数据处理参数。
其中，进行标准化处理是指将各信用数据处理因子的信用数据转换至信用数据处理标准区间值的范围内。信用数据处理标准区间值对应的信用数据处理参数是指信用数据处理标准区间值对应的均值和标准差值。由信用数据处理的性质可知，理想的信用数据处理结果一般服从正态分布，实际中的信用数据处理结果往往不是完全的正态分布，但近似正态分布。在信用数据处理结果满足近似正态分布的前提下，根据正态分布的特征，三个标准差之内的比例之和为99％，(即
Figure BDA0002304528990000061
其中，μ是指均值，δ是指标准差值)以及信用数据处理标准区间值的范围Final_score∈[scrmin，scrmax](其中，Final_score是指信用数据处理标准区间值，scrmin是指标准最小值，scrmax是指标准最大值)就可以得到均值和标准差值的计算公式(1)，并根据该计算公式，确定均值和标准差值。
Figure BDA0002304528990000062
在一个实施例中，根据信用数据处理标准区间值对各信用数据处理因子的信用数据进行标准化处理包括：
获取信用数据处理标准区间值中的标准最大值和标准最小值，并获取各信用数据处理因子的信用数据中的最大值和最小值；
根据标准最大值和标准最小值确定标准差值，并根据各信用数据处理因子的信用数据中的最大值和最小值确定信用数据差值；
根据标准差值和信用数据差值的比值，确定各信用数据处理因子的缩放因子；
根据缩放因子对各信用数据处理因子的信用数据进行标准化处理。
其中，标准最大值是指信用数据处理标准区间值中的最大值，标准最小值是指信用数据处理标准区间值中的最小值。缩放因子是指各信用数据处理因子的缩放比例。比如，缩放因子具体可以是指各信用数据处理因子的缩小比例。又比如，缩放因子具体可以是指各信用数据处理因子的放大比例。根据缩放因子对各信用数据处理因子的信用数据进行标准化处理是指根据缩放因子对信用数据进行缩小或者放大。比如，当缩放因子为缩小50％时，进行标准化处理即将所有的信用数据缩小50％。又比如，当缩放因子为放大50％时，进行标准化处理即将所有的信用数据放大50％。
具体的，缩放因子由标准最大值、标准最小值以及信用数据中的最大值和最小值确定。服务器会根据标准最大值和标准最小值得到标准差值，并根据信用数据中的最大值和最小值得到信用数据差值，根据标准差值和信用数据差值的比值，确定缩放因子。比如，当标准差值和信用数据差值的比值为2时，可确定缩放因子为扩大200％。又比如，当标准差值和信用数据差值的比值为0.5时，可确定缩放因子为缩小50％。
通过这种方式，可以确定各信用数据处理因子的缩放因子，并根据缩放因子对各信用数据处理因子的信用数据进行标准化处理，从而得到标准化后的各信用数据处理因子的信用数据。
步骤S226，根据标准化后各信用数据处理因子的信用数据，获取与各信用数据处理因子对应的信用参数，根据信用数据处理参数和与各信用数据处理因子对应的信用参数，确定与各信用数据处理因子对应的偏差群体稳定性指标。
其中，与各信用数据处理因子对应的信用参数是指与各信用数据处理因子对应的均值和标准差。与各信用数据处理因子对应的偏差群体稳定性指标用于表示各信用数据处理因子对信用数据处理稳定性的影响程度。群体稳定性指标可衡量测试样本及模型开发样本评分的分布差异。在本实施例中，偏差群体稳定性指标用于衡量各信用数据处理因子对应的信用参数所对应的数据分布与信用数据处理参数所对应的数据分布的分布差异，即信用参数所对应的数据分布与信用数据处理参数所对应的数据分布的综合偏差，偏差群体稳定性指标越小，表示信用参数所对应的数据分布与信用数据处理参数所对应的数据分布偏差越小，偏差群体稳定性指标越大，信用参数所对应的数据分布与信用数据处理参数所对应的数据分布偏差越大。
在一个实施例中，根据标准化后各信用数据处理因子的信用数据，获取与各信用数据处理因子对应的信用参数包括：
根据标准化后各信用数据处理因子的信用数据，确定信用数据的数据分布特征；
根据数据分布特征确定变量变换方式；
根据变量变换方式对标准化后各信用数据处理因子的信用数据进行正态分布转换，得到满足正态分布的各信用数据处理因子的信用数据；
根据满足正态分布的各信用数据处理因子的信用数据，得到与各信用数据处理因子对应的信用参数。
其中，信用数据的数据分布特征用于表示信用数据的数据分布情况。比如，数据分布特征具体可以是服从对数正态分布。又比如，数据分布特征具体可以是服从Poission(泊松)分布或轻度偏态分布。再比如，数据分布特征具体可以是两端波动较大的分布。另比如，数据分布特征具体可以是服从二项分布或百分比的分布。变量变换是指将不服从正态分布的信用数据转换为正态分布或者近似正态分布的信用数据，变量变换方式是多样的。比如，变量变换方式具体可以是对数变换。又比如，变量变换方式具体可以是平方根变换。再比如，变量变换方式具体可以是倒数变换。另比如，变量变换方式具体可以是平方根后再取反正弦变换。
具体的，服务器根据不同的信用数据的数据分布特征，会采用不同的变量变换方式，对信用数据进行正态分布变换。比如，当信用数据的数据分布特征为服从对数正态分布时，采用的变量变换方式为对数变换。又比如，当信用数据的数据分布特征为服从Poission(泊松)分布或轻度偏态分布时，采用的变量变换方式为平方根变换。再比如，当信用数据的数据分布特征为两端波动较大的分布时，采用的变量变换方式为倒数变换。另比如，当信用数据的数据分布特征为服从二项分布或百分比的分布时，采用的变量变换方式为平方根后再取反正弦变换。
其中，进行正态分布转换是指将非正态分布的信用数据转换成满足正态分布的信用数据。由各信用数据处理因子的性质可知，理想的信用数据处理因子的信用数据一般服从正态分布，实际中的信用数据处理因子的信用数据往往不是完全的正态分布，但近似正态分布。对于非正态分布的信用数据处理因子的信用数据，比如呈偏态分布的信用数据，则可以通过变量变换方式，将不服从正态分布的信用数据转换为正态分布或近似正态分布的信用数据，即满足正态分布的信用数据。在得到满足正态分布的各信用数据处理因子的信用数据后，就可以根据正态分布的性质，得到与各信用数据处理因子对应的信用参数。
上述实施例，根据标准化后各信用数据处理因子的信用数据，确定信用数据的数据分布特征，并根据数据分布特征确定对应的变量变换方式，根据变量变换方式对信用数据进行正态分布转换，能够得到满足正态分布的各信用数据处理因子的信用数据，实现了对满足正态分布的各信用数据处理因子的信用数据的获取，进而通过满足正态分布的各信用数据处理因子的信用数据，能够得到与各信用数据处理因子对应的信用参数，实现了对信用参数的获取。
在一个实施例中，根据信用数据处理参数和与各信用数据处理因子对应的信用参数，确定与各信用数据处理因子对应的偏差群体稳定性指标包括：
根据信用数据处理参数中的均值和与各信用数据处理因子对应的信用参数中的均值，确定第一偏差群体稳定性指标；
根据信用数据处理参数中的标准差值和与各信用数据处理因子对应的信用参数中的标准差值，确定第二偏差群体稳定性指标；
归集第一偏差群体稳定性指标和第二偏差群体稳定性指标，得到与各信用数据处理因子对应的偏差群体稳定性指标。
其中，因为正态分布可以通过均值和标准差值表示数据分布情况，所以在确定与各信用数据处理因子对应的偏差群体稳定性指标时，要同时考虑到均值和标准差值，通过分别计算与均值对应的第一偏差群体稳定性指标和与标准差值对应的第二偏差群体稳定性指标，确定与各信用数据处理因子对应的偏差群体稳定性指标。具体的，与各信用数据处理因子对应的偏差群体稳定性指标为第一偏差群体稳定性指标和第二偏差群体稳定性指标的叠加值。
进一步的，与各信用数据处理因子对应的偏差群体稳定性指标的计算公式为：
Figure BDA0002304528990000091
其中，PSIi表示各信用数据处理因子，μ是指信用数据处理参数中的均值，μ′i是指与各信用数据处理因子对应的信用参数中的均值，σ是指信用数据处理参数中的标准差值，σ′i是指与各信用数据处理因子对应的信用参数中的标准差值。
上述实施例，通过对与均值对应的第一偏差群体稳定性指标以及对与标准差值对应的第二偏差群体稳定性指标的确定，实现了对与各信用数据处理因子对应的偏差群体稳定性指标的确定。
步骤S228，根据与各信用数据处理因子对应的偏差群体稳定性指标，得到各信用数据处理因子的权重。
其中，偏差群体稳定性指标可用于表示各信用数据处理因子对信用数据处理稳定性的影响程度，对信用数据处理稳定性的影响程度可影响各信用数据处理因子的权重。当偏差群体稳定性指标越小时，表示信用数据处理因子对信用数据处理稳定性的影响越大，当信用数据处理因子对信用数据处理稳定性的影响越大时，该信用数据处理因子的权重越大；当偏差群体稳定性指标越大时，表示信用数据处理因子对信用数据处理稳定性的影响越小，当信用数据处理因子对信用数据处理稳定性的影响越小时，该信用数据处理因子的权重越小。
在一个实施例中，根据与各信用数据处理因子对应的偏差群体稳定性指标，得到各信用数据处理因子的权重包括：
归集与各信用数据处理因子对应的偏差群体稳定性指标，得到总偏差群体稳定性指标；
根据与各信用数据处理因子对应的偏差群体稳定性指标和总偏差群体稳定性指标，得到各信用数据处理因子的权重。
其中，总偏差群体稳定性指标是与各信用数据处理因子对应的偏差群体稳定性指标的叠加值。根据与各信用数据处理因子对应的偏差群体稳定性指标和总偏差群体稳定性指标，就可以得到各信用数据处理因子的权重。具体的，各信用数据处理因子的权重ωi的计算公式可以为：
Figure BDA0002304528990000101
其中，PSIi表示与各信用数据处理因子对应的偏差群体稳定性指标，PSIj表示总偏差群体稳定性指标，N表示信用数据处理因子个数，即当与信用数据处理因子对应的偏差群体稳定性指标越大时，信用数据处理因子的权重越小。
上述实施例，通过与各信用数据处理因子对应的偏差群体稳定性指标，确定了总偏差群体稳定性指标，利用总偏差群体稳定性指标，确定了各信用数据处理因子的权重，实现了对各信用数据处理因子的权重的确定。
在一个实施例中，在得到各信用数据处理因子的权重之后，信用数据处理方法还包括：
将各信用数据处理因子的权重存储至预设区块链。
其中，区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。
具体的，在得到各信用数据处理因子的权重之后，服务器会将携带各信用数据处理因子的权重的数据存储请求发送至预设区块链中的区块链节点，区块链节点在接收到数据存储请求之后，会根据数据存储请求对各信用数据处理因子的权重进行存储，区块链中的其他节点会根据共识算法获取各信用数据处理因子的权重，将各信用数据处理因子的权重作为预设区块链中的数据进行存储，使得预设区块链中全部节点上存储的数据均一致。因为区块链上的存储数据是不易篡改的，通过这种方式，能够实现对各信用数据处理因子的权重的准确存储，从而为信用数据处理提供严谨的各信用数据处理因子的权重，使信用数据处理更准确。
在一个实施例中，在将各信用数据处理因子的权重存储至预设区块链之后，信用数据处理方法还包括：
当接收到携带信用数据的信用数据处理请求时，根据信用数据处理请求从预设区块链获取各信用数据处理因子的权重；
根据获取到的各信用数据处理因子的权重，对信用数据处理请求中携带的信用数据进行处理，得到与信用数据处理请求对应的信用数据处理结果。
具体的，服务器在将各信用数据处理因子的权重存储至预设区块链后，当接收到携带信用数据的信用数据处理请求时，会根据信用数据处理请求从预设区块链获取各信用数据处理因子的权重，并根据获取到的各信用数据处理因子的权重，对信用数据处理请求中携带的信用数据进行处理，得到与信用数据处理请求对应的信用数据处理结果。因为预设区块链上存储的各信用数据处理因子的权重是不易篡改的，通过这种方式，能够得到严谨的各信用数据处理因子的权重，进而根据严谨的各信用数据处理因子的权重对信用数据处理请求中携带的信用数据进行处理，能够得到准确地信用数据处理结果。
步骤S240，根据用户信用数据和各信用数据处理因子的权重，得到信用数据处理结果。
其中，信用数据处理结果是指通过对用户信用数据进行分析后得到的结果。比如，信用数据处理结果具体可以是信用数据处理通过或者信用数据处理不通过。又比如，在银行贷款审核场景下，信用数据处理结果具体可以是批准贷款或者不批准贷款。具体的，信用数据处理结果可以应用于多个领域。比如，在需要对新入职员工进行信用审核时，可以通过信用数据处理结果对新入职员工进行评估。又比如，在进行信用卡发放审核时，可以通过信用数据处理结果对用户进行评估。再比如，在银行贷款审核时，可以通过信用数据处理结果对用户进行评估。进一步的，不同场景下的信用数据处理利用的用户信用数据不完全相同。
在一个实施例中，根据用户信用数据和各信用数据处理因子的权重，得到信用数据处理结果包括：
获取用户信用数据中各数据携带的数据标识；
根据数据标识匹配各信用数据处理因子对应的信用标识，确定与各信用数据处理因子对应的待处理数据；
根据与各信用数据处理因子对应的待处理数据和各信用数据处理因子的权重，得到信用数据处理结果。
具体的，用户信用数据中各数据都携带有数据标识，数据标识与信用数据处理因子对应的信用标识相对应，信用标识用于对信用数据处理因子进行区分，当数据标识与信用标识相同时，可确定该数据标识对应的数据为与信用数据处理因子对应的数据。比如，信用标识具体可以是信用数据处理因子的类别标签，数据标识具体可以是数据类别标签。服务器通过各数据携带的数据标识，就可以确定与各信用数据处理因子对应的数据，进而再通过各信用数据处理因子的缩放因子，对数据进行缩放，就可以得到与各信用数据处理因子对应的待处理数据。在确定与各信用数据处理因子对应的待处理数据后，服务器就可以根据与各信用数据处理因子对应的待处理数据和各信用数据处理因子的权重，得到信用数据处理结果。比如，信用数据处理结果具体可以是信用分数，该信用分数的计算公式具体可以为：
Figure BDA0002304528990000131
其中，Final_score是指信用分数，N是指信用数据处理因子个数，Scorei′是指与各信用数据处理因子对应的待处理数据，ωi,i＝1,…,N是指各信用数据处理因子的权重。
又比如，信用数据处理结果具体可以是认证通过或者认证不通过，此时，服务器需要根据与各信用数据处理因子对应的待处理数据和各信用数据处理因子的权重，得到信用分数，通过比对信用分数和预设的信用分数阈值，确定信用数据处理结果，具体的，信用分数阈值可按照需要自行设置，举例说明，信用分数阈值具体可以是信用数据处理标准区间值范围内的标准最大值和标准最小值的平均值。
上述实施例，根据用户信用数据，确定了与各信用数据处理因子对应的待处理数据，根据与各信用数据处理因子对应的待处理数据和各信用数据处理因子的权重，得到了信用数据处理结果，实现了对信用数据处理结果的确定。
在一个实施例中，以银行贷款审核的应用场景为例，对本申请的方案进行说明。
在进行贷款审核时，银行的服务器需要基于用户信用数据对用户进行信用数据处理。服务器首先会获取信用数据处理标准区间值和数据库内存储的各信用数据处理因子的信用数据，其中，信用数据处理因子具体可以是用户还贷能力、用户还贷及时性、用户资产总值等，信用数据具体可以是与用户还贷能力对应的还贷评估分值、与用户还贷及时性对应的还贷及时性分值、与用户资产总值对应的资产分值等。然后会根据信用数据处理标准区间值对各信用数据处理因子的信用数据进行标准化处理，并获取与信用数据处理标准区间值对应的信用数据处理参数，根据标准化后各信用数据处理因子的信用数据，获取与各信用数据处理因子对应的信用参数，根据信用数据处理参数和与各信用数据处理因子对应的信用参数，确定与各信用数据处理因子对应的偏差群体稳定性指标，根据与各信用数据处理因子对应的偏差群体稳定性指标，得到各信用数据处理因子的权重，最后会获取用户信用数据，根据用户信用数据和各信用数据处理因子的权重，得到信用数据处理结果，信用数据处理结果具体可以是批准贷款或者不批准贷款。
在一个实施例中，如图3所示，通过一个最具体的实施例来说明本申请中的信用数据处理方法，包括如下步骤S302至步骤S344。
步骤S302，获取信用数据处理标准区间值和各信用数据处理因子的信用数据；
步骤S304，获取信用数据处理标准区间值中的标准最大值和标准最小值，并获取各信用数据处理因子的信用数据中的最大值和最小值；
步骤S306，根据标准最大值和标准最小值确定标准差值，并根据各信用数据处理因子的信用数据中的最大值和最小值确定信用数据差值；
步骤S308，根据标准差值和信用数据差值的比值，确定各信用数据处理因子的缩放因子；
步骤S310，根据缩放因子对各信用数据处理因子的信用数据进行标准化处理；
步骤S312，获取与信用数据处理标准区间值对应的信用数据处理参数；
步骤S314，根据标准化后各信用数据处理因子的信用数据，确定信用数据的数据分布特征；
步骤S316，根据数据分布特征确定变量变换方式；
步骤S318，根据变量变换方式对标准化后各信用数据处理因子的信用数据进行正态分布转换，得到满足正态分布的各信用数据处理因子的信用数据；
步骤S320，根据满足正态分布的各信用数据处理因子的信用数据，得到与各信用数据处理因子对应的信用参数；
步骤S322，根据信用数据处理参数中的均值和与各信用数据处理因子对应的信用参数中的均值，确定第一偏差群体稳定性指标；
步骤S324，根据信用数据处理参数中的标准差值和与各信用数据处理因子对应的信用参数中的标准差值，确定第二偏差群体稳定性指标；
步骤S326，归集第一偏差群体稳定性指标和第二偏差群体稳定性指标，得到与各信用数据处理因子对应的偏差群体稳定性指标；
步骤S328，归集与各信用数据处理因子对应的偏差群体稳定性指标，得到总偏差群体稳定性指标；
步骤S330，根据与各信用数据处理因子对应的偏差群体稳定性指标和总偏差群体稳定性指标，得到各信用数据处理因子的权重；
步骤S332，获取用户信用数据；
步骤S334，获取用户信用数据中各数据携带的数据标识；
步骤S336，根据数据标识匹配各信用数据处理因子对应的信用标识，确定与各信用数据处理因子对应的待处理数据；
步骤S338，根据与各信用数据处理因子对应的待处理数据和各信用数据处理因子的权重，得到信用数据处理结果。
步骤S340，将各信用数据处理因子的权重存储至预设区块链；
步骤S342，当接收到携带信用数据的信用数据处理请求时，根据信用数据处理请求从预设区块链获取各信用数据处理因子的权重；
步骤S344，根据获取到的各信用数据处理因子的权重，对信用数据处理请求中携带的信用数据进行处理，得到与信用数据处理请求对应的信用数据处理结果。
上述信用数据处理方法，通过信用数据处理标准区间值对各信用数据处理因子的信用数据进行了标准化处理，在得到标准化后各信用数据处理因子的信用数据后，基于信用数据得到与各信用标准因子对应的信用参数，并进一步通过信用参数以及获取到的信用数据处理参数，确定与各信用数据处理因子对应的偏差群体稳定性指标，从而可以通过偏差群体稳定性指标，得到各信用数据处理因子的权重，获取用户信用数据，根据用户信用数据和各信用数据处理因子的权重，得到信用数据处理结果。整个过程，通过对各信用数据处理因子的信用数据的标准化处理与分析，确定了与各信用数据处理因子对应的偏差群体稳定性指标，通过引入偏差群体稳定性指标严谨地确定了各信用数据处理因子的权重，减少了人为因素干扰，解决了信用数据处理结果不准确的问题。
图3为一个实施例中信用数据处理方法的流程示意图。应该理解的是，虽然图3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
如图4所示，在一个实施例中，提供了一种信用数据处理装置，该信用数据处理装置包括获取模块420以及数据处理模块440。
获取模块420，用于获取用户信用数据和各信用数据处理因子的权重；
数据处理模块440，用于根据所述用户信用数据和所述各信用数据处理因子的权重，得到信用数据处理结果；
其中，如图5所示，获取模块420还包括：
获取单元522，用于获取信用数据处理标准区间值和各信用数据处理因子的信用数据；
数据处理单元524，根据信用数据处理标准区间值对各信用数据处理因子的信用数据进行标准化处理，并获取与信用数据处理标准区间值对应的信用数据处理参数；
数据分析单元526，用于根据标准化后各信用数据处理因子的信用数据，获取与各信用数据处理因子对应的信用参数，根据信用数据处理参数和与各信用数据处理因子对应的信用参数，确定与各信用数据处理因子对应的偏差群体稳定性指标；
权重分析单元528，用于根据与各信用数据处理因子对应的偏差群体稳定性指标，得到各信用数据处理因子的权重。
在一个实施例中，数据处理单元524还包括：
数据获取组件，用于获取信用数据处理标准区间值中的标准最大值和标准最小值，并获取各信用数据处理因子的信用数据中的最大值和最小值；
差值计算组件，用于根据标准最大值和标准最小值确定标准差值，并根据各信用数据处理因子的信用数据中的最大值和最小值确定信用数据差值；
缩放组件，用于根据标准差值和信用数据差值的比值，确定各信用数据处理因子的缩放因子；
标准化组件，用于根据缩放因子对各信用数据处理因子的信用数据进行标准化处理。
在一个实施例中，数据分析单元526还包括：
特征分析组件，用于根据标准化后各信用数据处理因子的信用数据，确定信用数据的数据分布特征；
数据变换组件，用于根据数据分布特征确定变量变换方式；
正态分布转换组件，用于根据变量变换方式对标准化后各信用数据处理因子的信用数据进行正态分布转换，得到满足正态分布的各信用数据处理因子的信用数据；
数据分析组件，用于根据满足正态分布的各信用数据处理因子的信用数据，得到与各信用数据处理因子对应的信用参数。
在一个实施例中，数据分析单元526还包括：
第一指标分析组件，用于根据信用数据处理参数中的均值和与各信用数据处理因子对应的信用参数中的均值，确定第一偏差群体稳定性指标；
第二指标分析组件，用于根据信用数据处理参数中的标准差值和与各信用数据处理因子对应的信用参数中的标准差值，确定第二偏差群体稳定性指标；
第三指标分析组件，用于归集第一偏差群体稳定性指标和第二偏差群体稳定性指标，得到与各信用数据处理因子对应的偏差群体稳定性指标。
在一个实施例中，权重分析单元528还包括：
第一权重分析组件，用于归集与各信用数据处理因子对应的偏差群体稳定性指标，得到总偏差群体稳定性指标；
第二权重分析组件，用于根据与各信用数据处理因子对应的偏差群体稳定性指标和总偏差群体稳定性指标，得到各信用数据处理因子的权重。
在一个实施例中，数据处理模块440还包括：
标识获取单元，用于获取用户信用数据中各数据携带的数据标识；
标识匹配单元，用于根据数据标识匹配各信用数据处理因子对应的信用标识，确定与各信用数据处理因子对应的待处理数据；
信用数据处理单元，用于根据与各信用数据处理因子对应的待处理数据和各信用数据处理因子的权重，得到信用数据处理结果。
在一个实施例中，信用数据处理装置还包括存储模块，存储模块用于将各信用数据处理因子的权重存储至预设区块链。
在一个实施例中，信用数据处理装置还包括请求处理模块，请求处理模块用于当接收到携带信用数据的信用数据处理请求时，根据信用数据处理请求从预设区块链获取各信用数据处理因子的权重，根据获取到的各信用数据处理因子的权重，对信用数据处理请求中携带的信用数据进行处理，得到与信用数据处理请求对应的信用数据处理结果。
上述信用数据处理装置，通过信用数据处理标准区间值对各信用数据处理因子的信用数据进行了标准化处理，在得到标准化后各信用数据处理因子的信用数据后，基于信用数据得到与各信用标准因子对应的信用参数，并进一步通过信用参数以及获取到的信用数据处理参数，确定与各信用数据处理因子对应的偏差群体稳定性指标，从而可以通过偏差群体稳定性指标，得到各信用数据处理因子的权重，获取用户信用数据，根据用户信用数据和各信用数据处理因子的权重，得到信用数据处理结果。整个过程，通过对各信用数据处理因子的信用数据的标准化处理与分析，确定了与各信用数据处理因子对应的偏差群体稳定性指标，通过引入偏差群体稳定性指标严谨地确定了各信用数据处理因子的权重，减少了人为因素干扰，解决了信用数据处理结果不准确的问题。
图6示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的服务器120。如图6所示，该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现信用数据处理方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行信用数据处理方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的信用数据处理装置可以实现为一种计算机程序的形式，计算机程序可在如图6所示的计算机设备上运行。计算机设备的存储器中可存储组成该信用数据处理装置的各个程序模块，比如，图4所示的获取模块和数据处理模块。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的信用数据处理方法中的步骤。
例如，图6所示的计算机设备可以通过如图4所示的信用数据处理装置中的获取模块执行获取用户信用数据和各信用数据处理因子的权重。计算机设备可通过数据处理模块执行根据用户信用数据和各信用数据处理因子的权重，得到信用数据处理结果。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述信用数据处理方法的步骤。此处信用数据处理方法的步骤可以是上述各个实施例的信用数据处理方法中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述信用数据处理方法的步骤。此处信用数据处理方法的步骤可以是上述各个实施例的信用数据处理方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种信用数据处理方法，包括：
获取用户信用数据和各信用数据处理因子的权重；
根据所述用户信用数据和所述各信用数据处理因子的权重，得到信用数据处理结果；
其中，所述各信用数据处理因子的权重由以下步骤获取得到：
获取信用数据处理标准区间值和各信用数据处理因子的信用数据；
根据所述信用数据处理标准区间值对各信用数据处理因子的信用数据进行标准化处理，并获取与所述信用数据处理标准区间值对应的信用数据处理参数；
根据标准化后各信用数据处理因子的信用数据，获取与各所述信用数据处理因子对应的信用参数，根据所述信用数据处理参数和所述与各所述信用数据处理因子对应的信用参数，确定与各所述信用数据处理因子对应的偏差群体稳定性指标；
根据与各所述信用数据处理因子对应的偏差群体稳定性指标，得到各信用数据处理因子的权重。
2.根据权利要求1所述的方法，其特征在于，所述根据所述信用数据处理标准区间值对各信用数据处理因子的信用数据进行标准化处理包括：
获取所述信用数据处理标准区间值中的标准最大值和标准最小值，并获取各信用数据处理因子的信用数据中的最大值和最小值；
根据所述标准最大值和所述标准最小值确定标准差值，并根据各所述信用数据处理因子的信用数据中的最大值和最小值确定信用数据差值；
根据所述标准差值和所述信用数据差值的比值，确定各信用数据处理因子的缩放因子；
根据所述缩放因子对各信用数据处理因子的信用数据进行标准化处理。
3.根据权利要求1所述的方法，其特征在于，所述根据标准化后各信用数据处理因子的信用数据，获取与各所述信用数据处理因子对应的信用参数包括：
根据标准化后各信用数据处理因子的信用数据，确定所述信用数据的数据分布特征；
根据所述数据分布特征确定变量变换方式；
根据所述变量变换方式对标准化后各信用数据处理因子的信用数据进行正态分布转换，得到满足正态分布的各信用数据处理因子的信用数据；
根据所述满足正态分布的各信用数据处理因子的信用数据，得到与各所述信用数据处理因子对应的信用参数。
4.根据权利要求1所述的方法，其特征在于，所述根据所述信用数据处理参数和所述与各所述信用数据处理因子对应的信用参数，确定与各所述信用数据处理因子对应的偏差群体稳定性指标包括：
根据所述信用数据处理参数中的均值和所述与各所述信用数据处理因子对应的信用参数中的均值，确定第一偏差群体稳定性指标；
根据所述信用数据处理参数中的标准差值和所述与各所述信用数据处理因子对应的信用参数中的标准差值，确定第二偏差群体稳定性指标；
归集所述第一偏差群体稳定性指标和所述第二偏差群体稳定性指标，得到与各所述信用数据处理因子对应的偏差群体稳定性指标。
5.根据权利要求1所述的方法，其特征在于，所述根据与各所述信用数据处理因子对应的偏差群体稳定性指标，得到各信用数据处理因子的权重包括：
归集与各所述信用数据处理因子对应的偏差群体稳定性指标，得到总偏差群体稳定性指标；
根据与各所述信用数据处理因子对应的偏差群体稳定性指标和所述总偏差群体稳定性指标，得到各信用数据处理因子的权重。
6.根据权利要求1所述的方法，其特征在于，所述根据所述用户信用数据和所述各信用数据处理因子的权重，得到信用数据处理结果包括：
获取所述用户信用数据中各数据携带的数据标识；
根据所述数据标识匹配各信用数据处理因子对应的信用标识，确定与各信用数据处理因子对应的待处理数据；
根据所述与各信用数据处理因子对应的待处理数据和所述各信用数据处理因子的权重，得到信用数据处理结果。
7.根据权利要求1所述的方法，其特征在于，在所述得到各信用数据处理因子的权重之后，还包括：
将各所述信用数据处理因子的权重存储至预设区块链。
8.一种信用数据处理装置，其特征在于，所述装置包括：
获取模块，用于获取用户信用数据和各信用数据处理因子的权重；
数据处理模块，用于根据所述用户信用数据和所述各信用数据处理因子的权重，得到信用数据处理结果；
其中，所述获取模块获取各信用数据处理因子的权重包括：获取信用数据处理标准区间值和各信用数据处理因子的信用数据；根据所述信用数据处理标准区间值对各信用数据处理因子的信用数据进行标准化处理，并获取与所述信用数据处理标准区间值对应的信用数据处理参数；根据标准化后各信用数据处理因子的信用数据，获取与各所述信用数据处理因子对应的信用参数，根据所述信用数据处理参数和所述与各所述信用数据处理因子对应的信用参数，确定与各所述信用数据处理因子对应的偏差群体稳定性指标；根据与各所述信用数据处理因子对应的偏差群体稳定性指标，得到各信用数据处理因子的权重。
9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
CN201911234558.5A 2019-12-05 2019-12-05 信用数据处理方法、装置、存储介质和计算机设备 Pending CN110889644A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911234558.5A CN110889644A (zh) 2019-12-05 2019-12-05 信用数据处理方法、装置、存储介质和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911234558.5A CN110889644A (zh) 2019-12-05 2019-12-05 信用数据处理方法、装置、存储介质和计算机设备

Publications (1)

Publication Number Publication Date
CN110889644A true CN110889644A (zh) 2020-03-17

Family

ID=69750618

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911234558.5A Pending CN110889644A (zh) 2019-12-05 2019-12-05 信用数据处理方法、装置、存储介质和计算机设备

Country Status (1)

Country Link
CN (1) CN110889644A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112818244A (zh) * 2021-02-24 2021-05-18 深圳市网联安瑞网络科技有限公司 频道、群组及群组用户的活跃度判定方法、系统、终端

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112818244A (zh) * 2021-02-24 2021-05-18 深圳市网联安瑞网络科技有限公司 频道、群组及群组用户的活跃度判定方法、系统、终端

Similar Documents

Publication Publication Date Title
CN112884092B (zh) Ai模型生成方法、电子设备及存储介质
Cahoon et al. A statistical multidimensional scaling method based on the spatial theory of voting
CN111062808B (zh) 信用卡额度评估方法、装置、计算机设备及存储介质
CN111835561A (zh) 基于用户行为数据的异常用户群体检测方法、装置、设备
CN111767192B (zh) 基于人工智能的业务数据检测方法、装置、设备和介质
CN115409395A (zh) 一种水利施工工程的质量验收检查方法及系统
CN113987182A (zh) 基于安全情报的欺诈实体识别方法、装置及相关设备
CN110991538A (zh) 样本分类方法、装置、存储介质和计算机设备
CN112416979A (zh) 基于地理位置的反欺诈方法、装置、设备及存储介质
CN112363923A (zh) 基于问卷系统的测试方法、装置、计算机设备及介质
CN114780371A (zh) 基于多曲线拟合的压测指标分析方法、装置、设备及介质
CN110889644A (zh) 信用数据处理方法、装置、存储介质和计算机设备
CN108304289B (zh) 终端指纹测试方法、装置、计算机设备及存储介质
CN113871018A (zh) 基于元数据模型的医疗数据治理方法、系统、计算机设备
CN116109215A (zh) 可信数控系统的可信性量化评估方法、装置和计算机设备
CN113159537B (zh) 电网新技术项目的评估方法、装置和计算机设备
CN110826921B (zh) 数据处理方法、装置、计算机可读存储介质和计算机设备
CN114490262A (zh) 数据库监控方法、装置、设备及存储介质
CN113537806A (zh) 异常用户识别方法、装置、电子设备及可读存储介质
CN114782224A (zh) 基于用户特征的网页考评作弊监测方法、装置及电子设备
CN113705749A (zh) 基于深度学习的二维码识别方法、装置、设备及存储介质
CN111754103A (zh) 企业风险画像方法、装置、计算机设备和可读存储介质
CN114020687A (zh) 用户留存分析方法、装置、设备及存储介质
CN113327655B (zh) 多维度数据的离群值检测方法、装置、设备和介质
CN113723524B (zh) 基于预测模型的数据处理方法、相关设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40022256

Country of ref document: HK

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination