CN104866969A - 个人信用数据处理方法和装置 - Google Patents

Abstract

本发明实施例提供一种个人信用数据处理方法和装置。该方法包括：采集用于评价用户个人信用的原始数据；将各用户的所述原始数据进行转化处理，以形成规范化个人数据；基于所述规范化个人数据形成个人信用评估模型；基于所述个人信用评估模型，对所述用户的个人信用进行评估。本发明实施例，通过采集用户的原始数据，并进行转化处理，形成个人信用评估模型，能够对用户的个人信用进行量化、自动化评估。从而提供了一个个人信用的评估平台，能够方便在未发生大量服务或交易之前，就获知用户的个人信用，且评估结果更为客观、准确。

Description

个人信用数据处理方法和装置

技术领域

本发明实施例涉及互联网技术和大数据处理技术，尤其涉及一种个人信用数据处理方法和装置。

背景技术

随着移动互联网和智能终端的普及，消费者个体和服务业从业人员个体可以更有效率的直接连接，促使生活服务领域出现了去中介趋势，行业成本大幅度降低，同时从业人员可以更加自由更有主动性的投入工作之中，同时在无中介的市场环境中以更高的工作主动性实现更高的个人收入。

在服务业从业个体以个人身份进入市场流通的过程中，消费者的信任是制约这一趋势发展的主要难点，在信息不对称的情况下消费者很难接受个体的服务者。对于个人职业信用的评价数据，一般是诸如生活服务垂直网站上用户对于个体服务者服务质量的点评，或由机构给出基于自身评价标准的打分或认证。

用户对个体服务者的点评数据，是在大量交易发生后才会有信用数据的积累，而现实的环境中常常是如果没有信用数据，该个体服务者就很难获得大量交易。而机构给出的评分数据，缺少公允标准，可信度低，也难于通过互联网等信息渠道被消费者快速获取。

发明内容

本发明实施例提供一种个人信用数据处理方法和装置，以实现个人信用数据的有效积累、且提高数据的准确性和可信性。

第一方面，本发明实施例提供了一种个人信用数据处理方法，包括：

采集用于评价用户个人信用的原始数据；

将各用户的所述原始数据进行转化处理，以形成规范化个人数据；

基于所述规范化个人数据形成个人信用评估模型；

基于所述个人信用评估模型，对所述用户的个人信用进行评估。

第二方面，本发明实施例还提供了一种个人信用数据处理装置，包括：

原始数据采集模块，用于采集用于评价用户个人信用的原始数据；

数据转化处理模块，用于将各用户的所述原始数据进行转化处理，以形成规范化个人数据；

评估模型建立模块，用于基于所述规范化个人数据形成个人信用评估模型；

个人信用评估模块，用于基于所述个人信用评估模型，对所述用户的个人信用进行评估。

本发明实施例，通过采集用户的原始数据，并进行转化处理，形成个人信用评估模型，能够对用户的个人信用进行量化、自动化评估。从而提供了一个个人信用的评估平台，能够方便在未发生大量服务或交易之前，就获知用户的个人信用，且评估结果更为客观、准确。

附图说明

图1为本发明实施例一提供的一种个人信用数据处理方法的流程图；

图2为本发明实施例二提供的一种个人信用数据处理方法的流程图；

图3为本发明实施例三提供的一种个人信用数据处理方法的流程图；

图4为本发明实施例四提供的一种个人信用数据处理装置的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的一种个人信用数据处理方法的流程图，本实施例可适用于对用户个人的各种数据进行采集，并用于对个人信用进行评价的情况。该方法可以由个人信用数据处理装置来执行，该装置可以采用硬件和/或软件的方式实现。该方法具体包括如下：

S110、采集用于评价用户个人信用的原始数据；

上述操作，可以是从多种数据来源，以多种采集方式，获取能够用于评价用户个人信用的各类数据，均可作为原始数据。数据来源、采集方式和数据内容均可基于评价需求来进行设定，也可以基于评价效果和技术发展，进行更新添加，具体内容将在后文对此进行详细举例说明。

S120、将各用户的所述原始数据进行转化处理，以形成规范化个人数据；

由于原始数据的来源多样，数据格式多样，且可信度不一，也可能存在重新信息等多种问题，所以将原始数据首先进行转化处理，形成规范化个人数据，达到设定的格式、内容、和可信度等指标要求。具体的转化处理方式可以诸如：通过语义识别进行去重纠错处理，通过深度挖掘、聚类确定隐含的数据，以及通过统计方式确定趋势类数据等。转化处理的方式有多种，下文将展开进行介绍。

S130、基于所述规范化个人数据形成个人信用评估模型；

上述操作可以基于海量用户的规范化个人数据，通过学习、数据统计、模型训练等方式构建个人信用评估模型。个人信用评估模型可以是基于不同的评估需求形成的，可输出不同的评估数据，用于体现用户个人的信用。尤为适用于针对各行业分别设置个人信用评估模型，能够反映行业的关注特征。

S140、基于所述个人信用评估模型，对所述用户的个人信用进行评估。

基于已经建立的个人信用评估模型，可以将用户的个人数据作为输入数据，经过模型评估确定用户的个人信用，具体可以是基于模型计算确定能够表征用户个人信用的评分，或者输出信用等级，或者给出信用评价等。

在获取待评估用户的个人数据后，如果所述待评估用户的个人数据未达到所述个人信用评估模型的输入要求，则将所述待评估用户作为授信用户，请求获取授信评估结果；根据所述授信用户的至少一个授信输出用户的个人信用评估结果以及对所述授信用户的信用背书，确定所述授信用户的授信评估结果。

上述操作是在被评估主体的数据不足的情况下，由其他有信用主体进行授信。例如当用户A无数据可供有效评估时，可以由具备有效信用评估结论的用户B、C等提供授信背书。确定授信评估结果时，可考虑授信输出者本身的个人信用评估结果和其给予接受授信者的授信背书。授信背书可以是评论内容，优选是评分，以便综合一位或多位授信输出者的意见综合给出授信用户的评估结果。

本发明实施例所提供的方案，可以基于已有的互联网技术以及大数据处理技术，更为全面的获取用户个人数据，且基于更为准确、公平地机制对个人信用进行评估，提供了更为快速、全面、准确的个人信用评估方案，尤其适用于提供服务业从业者职业信用的评估数据。

下面分别对原始数据的采集、转化处理、以及模型建立过程进行详细介绍。

对于原始数据的采集，可通过多种数据来源和渠道进行采集，具体是可通过下述至少一种形式采集用于评价用户个人信用的原始数据：

1、采集用户在机构、客户端或网站中的注册信息，提取所述注册信息中的字段内容，作为所述原始数据；

机构可以为银行、协会、俱乐部、学校和工作单位等，用户可能需要在这些机构进行登记注册，从而保留了其注册信息。客户端注册则可以为用户使用任意应用程序客户端时所进行的注册。

2、采集用户在网络中的云备份信息，作为所述原始数据；

3、采集用户在机构、客户端或网站中进行操作的行为模式数据，作为所述原始数据；

行为模式数据可以有多种，在机构的操作，例如银行存取款数据、理财行为等。客户端行为模式数据例如包括客户端登录信息、定位信息、下载信息和购买订单信息等。网站的行为模式数据例如包括搜索行为、浏览行为、以及网络签到地址等。

还可以通过个人日程管理应用等类似客户端，获取用户个人的行为模式数据，诸如电子邮件、云推送信息、短信通知，社交订阅与分享数据等。

行为模式还优选包括用户提供服务时的服务行为模式，可以采用服务过程的量化数据作为行为模式数据，例如，用户在线接单后的服务响应时间、服务价格、服务全程的消耗时间等。

4、采集设定机构数据库中对所述用户的评价信息、资质信息、教育经历信息以及工作经历信息。

评价信息例如为社交背书数据，如高信用值的同行背书，高信用值的机构背书等。资质信息例如为用户所取得的资格证、执业证、职称等级、驾驶证等。对于服务业从业者，可涉及其服务技能数据，如行业从业时间、专业等级、专业等级提升速度等，还可以包括服务案例数据，如服务响应速度，用户评价等。

5、采集客户端或网络中对所述用户的反馈数据。

例如，通过客户端的第三方应用接口或通过从网络中抓取网页的形式，获得对该用户的反馈数据，例如对用户所提供服务的反馈评分、用户点评的内容等。

原始数据的获取方式不限于上述所列，可以包含线下采集、用户填写等直接获取方式，也可包含行业数据库，平台内部用户数据融合，外部API接口等通过引用获取的方式。

在上述所采集的原始数据中，可以根据需求设定要采集的目标数据，例如：

1、所述注册信息包括下述至少一项：姓名、证件号、籍贯、年龄、性别、以及学历等；

可以通过用户在银行、客户端、网站的注册信息直接进行字段提取，注册信息一般是静态信息，且格式相对来说较为规范，在银行等机构注册的信息，其准确性和可信度较高。

2、所述云备份信息包括下述至少一项：通讯录数据、电子邮件、短信以及照片等；

云备份信息是用户实际使用的数据，所以通常准确性、可信度和格式化程度都较好，方便进行后续处理。

3、所述行为模式数据包括下述至少一项：共享发布数据、定位数据、搜索数据、浏览数据、收入数据、消费数据、电话通讯数据、短信交互数据、电子邮件数据以及服务行为数据等。

共享发布数据例如为用户在微博、微信、和论坛等处发布的文章、状态和转载等。定位数据是基于用户的导航请求、定位请求确定的用户位置。搜索数据是用户在搜索引擎进行搜索时采集的搜索关键词、搜索时间和对搜索结果的点击等。浏览数据包括用户所浏览的网页、商品以及相关的浏览时间等。收入数据例如包括用户在银行的账户收支数据、理财数据等。消费数据可包括用户网购时的订单信息、信用卡支付数据等。

4、所述反馈数据包括下述至少一项：反馈评分和用户点评。

综上所述，对于某个用户，可通过多种采集途径获取，采集的原始数据可划分为多个维度，根据不同的行业特点，可以有不同的维度划分方式。例如，可划分为个人领域和职业领域，又可划分为信用特征、综合能力特征等。有些原始数据可能属于多个维度。

具体的维度特征及该维度中的原始数据实例如下：

个人特征：籍贯、年龄、性别、学历、驾驶资格；

公共特征：通讯录数据、社交网络数据、搜索数据、浏览数据、消费数据、收入数据、纳税、犯罪、居住地历史；

职业特征：服务反馈信息、服务时效、服务价格、服务质量评分、行业背书；

地点数据：定位数据、地点签到数据、居住地数据。

在上述方案的基础上，将各用户的所述原始数据进行转化处理，以形成规范化个人数据的方式可包括多种，具体可以按照原始数据的形式和内容，后续模型建立对数据的需求等因素，执行多种转化处理的操作。原始数据通过转化处理，使得数据噪音更小，误差数据减少，经提炼形成的信用因子可作为更高级的数据指标。经过转化处理后的规范化个人数据也可划分为多个维度，以便后续操作。

各原始数据也可以采用一种或多种方式进行转化处理，下面举例对转化处理的操作进行说明：

1、对所述原始数据进行语义识别，基于语义识别结果进行去重处理和/或纠错处理，以形成规范化个人数据。

例如，从网络中抓取的某用户发布的文档等原始数据，可能会反映出用户的兴趣爱好、关注点等。但是网络数据的表达方式多样，且数据量大，重复信息多，因此可首先通过语义识别的方式将原始数据转化为规范化个人数据。可通过语义识别等技术提升数据收集质量，基于机器学习等方式提取高价值指标，以便后续建立评估体系,在不同行业应用场景,不同指标变量的权重相应调节。

2、对于所述原始数据中的浏览数据和搜索数据，以浏览和搜索所涉及的关键词为浏览内容和搜索行为添加语义标签；

根据所述语义标签进行聚类，以确定聚类标签；

根据所述聚类标签以及所述浏览数据和搜索数据，为所述用户确定兴趣标签及所述兴趣标签的权重，以形成规范化个人数据。

上述操作，是采用统计的方式，基于用户的浏览和搜索数据所反映出来的用户关注点，确定用户的兴趣标签，例如反映兴趣爱好的运动、文艺、动漫等，也可以是反映性格类型的时尚、网购达人等。首先识别出语义标签以及聚类标签，而后可根据聚类标签所涉及的浏览量和搜索量设置权重值，作为规范化个人数据。

3、根据所述原始数据中的用户通讯交互数据的入度和出度，将入度和/或出度达到设定门限值的社交连接点确定为活跃有效社交连接点；

根据用户与所述活跃有效社交连接点之间的交互数据，确定所述用户的社交网络稳定性。

上述操作，例如可以获取用户的通话记录或短信交互记录，入度为电话呼入量，出度为电话呼出量，基于通话记录中的电话呼入呼出量确定与某个用户、某群用户频繁沟通的某个社交连接点，该社交连接点可以是机构也可以是个人，作为活跃有效社交连接点。根据用户与其活跃有效社交连接点之间的交互数据，确定该用户的社交网络稳定性，例如，某个用户若固定的与设定数量的活跃有效社交连接点保持一定频率的沟通，则表明该用户的社交圈稳定，其社交网络稳定性的评分或评级较高。

4、根据所述原始数据中的定位数据，确定所述用户的历史轨迹；

根据所述用户的历史轨迹确定所述用户的活动地点坐标的离散程度，以及居住地点变更频率；

根据所述活动地离散程度和所述居住地变更频率确定所述用户的社会活动空间轨迹稳定性。

上述方案中，社会活动空间轨迹稳定性可以通过稳定性等级来表征，也可以直接用离散程度和变更频率等具体数值来表征。

上述方式确定的社交网络稳定性和社会活动空间轨迹稳定性，又可以进一步结合来推断用户的整体稳定性。

5、根据所述原始数据中用户的收入数据以及消费数据，确定所述用户的经济能力等级、风险承担能力和消费倾向。

该操作，具体可以通过一定的计算公式，基于用户的收入数据以及消费数据确定经济能力等级、风险承担能力和消费倾向。可以采用量化数据反映，也可以设置等级范围的方式来体现经济能力等级、风险承担能力和消费倾向。

对用户原始数据的转化处理，不限于上述几种，例如还可以根据用户在社交网络中的粉丝数量、互动频率、用户知名度及口碑的正负情感倾向，以及该用户的好友质量、类型与社会层级，及稳定性，评价该用户的个体可信度，体现该用户的社会属性特征。

对原始数据的转化处理方式并不限于上述几种，还可以包括多种处理方式，可以单独采用或结合采用，例如还可以包括：

对于用户点评，通过语义识别，理解用户点评的感情色彩的正负倾向，作为规范化个人数据，可用于评估用户的个人服务执业表现，从而影响其信用。用户点评的影响力可以基于给出点评者的消费经历特征做相应调整，消费经验更丰富的消费者给出的评价有更高影响力，并结合用户在其他评价中高中低评分分布特征，对不同消费历史用户的评价信息分配不同权重，从而提高数据的质量。

在形成规范化个人数据之后，进一步可基于所述规范化个人数据形成个人信用评估模型。个人信用评估模型根据需求不同，有不同的设置方式。下面通过实施例举例说明。

实施例二

图2为本发明实施例二提供的一种个人信用数据的处理方法的流程图，该方法以前述实施例为基础，进一步提供了基于所述规范化个人数据形成个人信用评估模的实现方案，包括如下：

S210、从至少两个设定维度提取用户的规范化个人数据，并根据设定标准，建立正例样本库和反例样本库，将正例样本库和反例样本库的样本分别划分为学习级和测试组；

用户的规范化个人数据，可以绑定用户个人唯一的身份证号码，建立数据完备的正反例样本库。

以律师行业为例，首先通过原始数据采集和数据转化处理，能够获得多个维度的规范化个人数据，基于律师行业的特点，选择至少两个设定维度来提取用户的规范化个人数据。具体可包括：线下组织对个体样本评价的职业信用分，例如律师协会给律师的评分；用户在网络交易、犯罪历史、社会稳定性等多方面的规范化个人数据。基于上述各维度的规范化个人数据，建立正例样本库和反例样本库。可基于人工设置或统计获得的行业标准，形成正例标准和反例标准，将符合标准要求的用户数据添加到相应的样本库中。

S220、基于设定置信度阈值，基于SPARSE CODING结合ADABOOST算法，从各所述样本中排除非必要特征；

具体是基于SPARSE CODING(稀疏编码)结合ADABOOST算法将各样本的规范化个人数据按照某个特征进行分类，若该分类所反映出来的信用评估结果并不显著，则表明该特征对于信用评估为非必要特征。该显著性可通过设定置信度阈值来评估。例如，对于律师行业，采用籍贯这个特征对正例和反例样本分别进行分类，若分类结果相对于正例和反例这一信用评估结果来说并不显著，例如正例和反例是均匀分布在各籍贯的律师中，则表明籍贯对律师行业来说，为非必要特征。

S230、对于设定的不同行业，根据主成分分析算法筛选建立对应行业模型的数据特征；

上述操作，即在不同行业根据PCA(主成分分析，Principal ComponentAnalysis)算法筛选建立行业模型所需维度的数据特征，例如对于律师，需要获得学历、胜诉案件比例等数据特征，这些特征的数据指标意义更显著。

S240、基于所述数据属性建立线性多项式形式的行业模型，通过所述正例样本库和反例样本库的学习组样本进行学习，以确定各数据属性的权重；

基于上一步获得的数据，建立线性多项式形式的行业模型，不同特征的数据的权重通过对正反例样本的机器学习获得。

S250、采用测试组样本对所述行业模型的参数进行测试，以确定所述行业模型，作为该行业的个人信用评估模型。

在形成行业模型之后，进一步采用测试组的样本对行业模型进行测试。输入用户的规范化个人数据到行业模型中，测试得到的评估结果，与该样本所属的正例或反例状态是否匹配。进而可根据测试结果调整行业模型的参数。

采用上述技术方案，能够根据行业特点，首先建立正反例样本，进而构建行业模型。在建模完成后，可以通过输入用户的参数获得用户的评估结果。评估结果可以是职业信用评分的形式来量化体现。本实施例的技术方案尤为适用于存在如下特点的行业：规范化个人数据中存在能够显著反映个人职业信用的特征。例如，对于律师行业，承接案量以及胜诉率，这些特征都能非常显著的反映律师的职业信用。所以通过本实施例的建模方法，能够筛选出符合这类行业特点的建模依赖特征，信用评估结果也能更为准确。

实施例三

图3为本发明实施例三提供的一种个人信用数据的处理方法的流程图，该方法以前述实施例为基础，进一步提供了基于所述规范化个人数据形成个人信用评估模的实现方案，包括如下：

S310、通过深度神经网络学习算法，从所述规范化个人数据中确定算法隐性特征；

算法隐性特征又称为高维特征，是基于规范化个人数据这些低维特征确定出来的，可供算法进行结果区分的特征，属于学习算法所依赖的中间特征。算法隐性特征可由深度神经网络学习算法基于海量的规范化个人数据进行大量计算来识别确定。

S320、通过所述算法隐性特征和相应的权重调节获得个人信用评估模型。

特征的权重也可以由算法确定，进而还可由人工经验来进行干预确定。

本实施例所提供的建模方案，尤为适用于符合下述特点的行业：该行业的服务者，并不存在非常显著的能够评价个人职业信用的特征，需要通过服务者的个人数据进行综合评价来确定。

基于所述个人信用评估模型，对所述用户的个人信用进行评估之后，还包括：采集所述用户的服务反馈评价；根据所述服务反馈评价调整所述个人信用评估模型。

在获得初始职业信用评分后，在持续的服务过程中如果遇到显示偏离初始信用评分的案例，统计对比不同案例与初始评分的差异程度，超过设定阈值则可通过在线学习系统重新调整行业模型的参数。上述技术方案，可根据反馈信息动态的更新行业模型，以便纠正行业模型，适应行业的发展变化。对于之前基于大数据推测获得的行业模型的初始信用值，可使用贝耶斯网络模型结合Buhlmann-Straub信度模型，不断根据服务者的各次服务表现数据动态优化其在下一次服务中的信用值。

上述技术方案，通过个人领域等非职业领域个人特征数据，在数据不足的情况下，能够一定程度有效推测职业信用。还能够通过协同过滤算法对服务者的其他方面倾向进行预测，从而对服务者行为异常风险信号倾向进行预判。具体是，当某用户的规划化个人数据中，若某一方面的特征达到了设定条件，则可预判出该用户在另一方面将会呈现的状态。该倾向预判方式也可建立相应的模型，从而得到预判结果，预判结果的用途有很多，例如可预估服务者的服务路线偏离，服务时间延长等情况。

本发明实施例的技术方案，通过采集用户的原始数据，并进行转化处理，形成个人信用评估模型，能够对用户的个人信用进行量化、自动化评估。从而提供了一个个人信用的评估平台，能够方便在未发生大量服务或交易之前，就获知用户的个人信用，且评估结果更为客观、准确。

本发明实施例的技术方案，利用了互联网技术和大数据技术，通过预测等方式解决个人信用问题，使信用的积累摆脱了对先有交易数据的单一依赖，使信用化的市场机制更容易建立。

本发明提出了结合互联网数据源等多数据源，运用机器学习等算法给出诸如服务业从业人员的职业信用评估指数。基于此，消费者可以放心的选择合适的服务者个体人员，在无中介的情况下，以更低的价格获得同样可信赖的服务，促进服务业的效率变革。

本发明的技术方案，解决了现有技术缺少对于服务者个体职业信用的评估数据，而且数据多分布于线下，分散，缺少公允标准，可信度低，积累难度大的问题，能够充分发挥规模化大数据优势，也能够通过互联网等信息渠道被消费者快速获取。

实施例四

图4为本发明实施例四提供的一种个人信用数据处理装置的结构示意图，该装置包括：原始数据采集模块410、数据转化处理模块420、评估模型建立模块430和个人信用评估模块440。

其中，原始数据采集模块410，用于采集用于评价用户个人信用的原始数据；数据转化处理模块420，用于将各用户的所述原始数据进行转化处理，以形成规范化个人数据；评估模型建立模块430，用于基于所述规范化个人数据形成个人信用评估模型；个人信用评估模块440，用于基于所述个人信用评估模型，对所述用户的个人信用进行评估。

个人信用评估模块440具体用于：获取待评估用户的个人数据；如果所述待评估用户的个人数据能够达到所述个人信用评估模型的输入要求，则计算输出该用户的个人信用评估结果。如果所述待评估用户的个人数据未达到所述个人信用评估模型的输入要求，则将所述待评估用户作为授信用户，请求获取授信评估结果；根据所述授信用户的至少一个授信输出用户的个人信用评估结果以及对所述授信用户的信用背书，确定所述授信用户的授信评估结果。

上述技术方案中，原始数据采集模块410具体可用于：

通过下述至少一种形式采集用于评价用户个人信用的原始数据：

采集用户在机构、客户端或网站中的注册信息，提取所述注册信息中的字段内容，作为所述原始数据；

采集用户在网络中的云备份信息，作为所述原始数据；

采集用户在机构、客户端或网站中进行操作的行为模式数据，作为所述原始数据；

采集设定机构数据库中对所述用户的评价信息、资质信息、教育经历信息以及工作经历信息；

采集客户端或网络中对所述用户的反馈数据。

对于各种原始数据，具体是：

所述注册信息包括下述至少一项：姓名、证件号、籍贯、年龄、性别、以及学历；

所述云备份信息包括下述至少一项：通讯录数据、电子邮件、短信以及照片；

所述行为模式数据包括下述至少一项：共享发布数据、定位数据、搜索数据、浏览数据、收入数据、消费数据、电话通讯数据、短信交互数据、电子邮件数据以及服务行为数据；

所述反馈数据包括下述至少一项：反馈评分和用户点评。

进一步的，数据转化处理模块420具体可用于执行下述任意一种或多种操作，其执行顺序和组合关系不限：

1、对所述原始数据进行语义识别，基于语义识别结果进行去重处理和/或纠错处理，以形成规范化个人数据。

2、对于所述原始数据中的浏览数据和搜索数据，以浏览和搜索所涉及的关键词为浏览内容和搜索行为添加语义标签；

根据所述语义标签进行聚类，以确定聚类标签；

根据所述聚类标签以及所述浏览数据和搜索数据，为所述用户确定兴趣标签及所述兴趣标签的权重，以形成规范化个人数据。

3、根据所述原始数据中的用户通讯交互数据的入度和出度，将入度和/或出度达到设定门限值的社交连接点确定为活跃有效社交连接点；

根据用户与所述活跃有效社交连接点之间的交互数据，确定所述用户的社交网络稳定性。

4、根据所述原始数据中的定位数据，确定所述用户的历史轨迹；

根据所述用户的历史轨迹确定所述用户的活动地点坐标的离散程度，以及居住地点变更频率；

根据所述活动地离散程度和所述居住地变更频率确定所述用户的社会活动空间轨迹稳定性。

5、根据所述原始数据中用户的收入数据以及消费数据，确定所述用户的经济能力等级、风险承担能力和消费倾向。

基于上述转化处理后的规范化个人数据，评估模型建立模块430可具体用于：

从至少两个设定维度提取用户的规范化个人数据，并根据设定标准，建立正例样本库和反例样本库，将正例样本库和反例样本库的样本分别划分为学习级和测试组；

基于设定置信度阈值，基于SPARSE CODING结合ADABOOST算法，从各所述样本中排除非必要特征；

对于设定的不同行业，根据主成分分析算法筛选建立对应行业模型的数据特征；

基于所述数据属性建立线性多项式形式的行业模型，通过所述正例样本库和反例样本库的学习组样本进行学习，以确定各数据属性的权重；

采用测试组样本对所述行业模型的参数进行测试，以确定所述行业模型，作为该行业的个人信用评估模型。

或者，评估模型建立模块430可具体用于：

通过深度神经网络学习算法，从所述规范化个人数据中确定算法隐性特征；

通过所述算法隐性特征和相应的权重调节获得个人信用评估模型。

此外，该装置还可包括：模型调整模块450，用于在基于所述个人信用评估模型，对所述用户的个人信用进行评估之后，采集所述用户的服务反馈评价；根据所述服务反馈评价调整所述个人信用评估模型。

上述装置可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (24)

1.一种个人信用数据处理方法，其特征在于，包括：

采集用于评价用户个人信用的原始数据；

将各用户的所述原始数据进行转化处理，以形成规范化个人数据；

基于所述规范化个人数据形成个人信用评估模型；

基于所述个人信用评估模型，对所述用户的个人信用进行评估。

2.根据权利要求1所述的方法，其特征在于，采集用于评价用户个人信用的原始数据包括：

通过下述至少一种形式采集用于评价用户个人信用的原始数据：

采集用户在机构、客户端或网站中的注册信息，提取所述注册信息中的字段内容，作为所述原始数据；

采集用户在网络中的云备份信息，作为所述原始数据；

采集用户在机构、客户端或网站中进行操作的行为模式数据，作为所述原始数据；

采集设定机构数据库中对所述用户的评价信息、资质信息、教育经历信息以及工作经历信息；

采集客户端或网络中对所述用户的反馈数据。

3.根据权利要求2所述的方法，其特征在于：

所述注册信息包括下述至少一项：姓名、证件号、籍贯、年龄、性别、以及学历；

所述云备份信息包括下述至少一项：通讯录数据、电子邮件、短信以及照片；

所述行为模式数据包括下述至少一项：共享发布数据、定位数据、搜索数据、浏览数据、收入数据、消费数据、电话通讯数据、短信交互数据、电子邮件数据以及服务行为数据；

所述反馈数据包括下述至少一项：反馈评分和用户点评。

4.根据权利要求1所述的方法，其特征在于，将各用户的所述原始数据进行转化处理，以形成规范化个人数据包括：

对所述原始数据进行语义识别，基于语义识别结果进行去重处理和/或纠错处理，以形成规范化个人数据。

5.根据权利要求1所述的方法，其特征在于，将各用户的所述原始数据进行转化处理，以形成规范化个人数据包括：

对于所述原始数据中的浏览数据和搜索数据，以浏览和搜索所涉及的关键词为浏览内容和搜索行为添加语义标签；

根据所述语义标签进行聚类，以确定聚类标签；

根据所述聚类标签以及所述浏览数据和搜索数据，为所述用户确定兴趣标签及所述兴趣标签的权重，以形成规范化个人数据。

6.根据权利要求1所述的方法，其特征在于，将各用户的所述原始数据进行转化处理，以形成规范化个人数据包括：

根据所述原始数据中的用户通讯交互数据的入度和出度，将入度和/或出度达到设定门限值的社交连接点确定为活跃有效社交连接点；

根据用户与所述活跃有效社交连接点之间的交互数据，确定所述用户的社交网络稳定性。

7.根据权利要求1所述的方法，其特征在于，将各用户的所述原始数据进行转化处理，以形成规范化个人数据包括：

根据所述原始数据中的定位数据，确定所述用户的历史轨迹；

根据所述用户的历史轨迹确定所述用户的活动地点坐标的离散程度，以及居住地点变更频率；

根据所述活动地离散程度和所述居住地变更频率确定所述用户的社会活动空间轨迹稳定性。

8.根据权利要求1所述的方法，其特征在于，将各用户的所述原始数据进行转化处理，以形成规范化个人数据包括：

根据所述原始数据中用户的收入数据以及消费数据，确定所述用户的经济能力等级、风险承担能力和消费倾向。

9.根据权利要求1所述的方法，其特征在于，基于所述规范化个人数据形成个人信用评估模型包括：

从至少两个设定维度提取用户的规范化个人数据，并根据设定标准，建立正例样本库和反例样本库，将正例样本库和反例样本库的样本分别划分为学习级和测试组；

基于设定置信度阈值，基于SPARSE CODING结合ADABOOST算法，从各所述样本中排除非必要特征；

对于设定的不同行业，根据主成分分析算法筛选建立对应行业模型的数据特征；

基于所述数据属性建立线性多项式形式的行业模型，通过所述正例样本库和反例样本库的学习组样本进行学习，以确定各数据属性的权重；

采用测试组样本对所述行业模型的参数进行测试，以确定所述行业模型，作为该行业的个人信用评估模型。

10.根据权利要求1所述的方法，其特征在于，基于所述规范化个人数据形成个人信用评估模型包括：

通过深度神经网络学习算法，从所述规范化个人数据中确定算法隐性特征；

通过所述算法隐性特征和相应的权重调节获得个人信用评估模型。

11.根据权利要求9或10所述的方法，其特征在于，基于所述个人信用评估模型，对所述用户的个人信用进行评估之后，还包括：

采集所述用户的服务反馈评价；

根据所述服务反馈评价调整所述个人信用评估模型。

12.根据权利要求1所述的方法，其特征在于，基于所述个人信用评估模型，对所述用户的个人信用进行评估包括：

获取待评估用户的个人数据；

如果所述待评估用户的个人数据未达到所述个人信用评估模型的输入要求，则将所述待评估用户作为授信用户，请求获取授信评估结果；

根据所述授信用户的至少一个授信输出用户的个人信用评估结果以及对所述授信用户的信用背书，确定所述授信用户的授信评估结果。

13.一种个人信用数据处理装置，其特征在于，包括：

原始数据采集模块，用于采集用于评价用户个人信用的原始数据；

数据转化处理模块，用于将各用户的所述原始数据进行转化处理，以形成规范化个人数据；

评估模型建立模块，用于基于所述规范化个人数据形成个人信用评估模型；

个人信用评估模块，用于基于所述个人信用评估模型，对所述用户的个人信用进行评估。

14.根据权利要求13所述的装置，其特征在于，原始数据采集模块具体用于：

通过下述至少一种形式采集用于评价用户个人信用的原始数据：

采集用户在机构、客户端或网站中的注册信息，提取所述注册信息中的字段内容，作为所述原始数据；

采集用户在网络中的云备份信息，作为所述原始数据；

采集用户在机构、客户端或网站中进行操作的行为模式数据，作为所述原始数据；

采集设定机构数据库中对所述用户的评价信息、资质信息、教育经历信息以及工作经历信息；

采集客户端或网络中对所述用户的反馈数据。

15.根据权利要求14所述的装置，其特征在于：

所述注册信息包括下述至少一项：姓名、证件号、籍贯、年龄、性别、以及学历；

所述云备份信息包括下述至少一项：通讯录数据、电子邮件、短信以及照片；

所述行为模式数据包括下述至少一项：共享发布数据、定位数据、搜索数据、浏览数据、收入数据、消费数据、电话通讯数据、短信交互数据、电子邮件数据以及服务行为数据；

所述反馈数据包括下述至少一项：反馈评分和用户点评。

16.根据权利要求13所述的装置，其特征在于，数据转化处理模块具体用于：

对所述原始数据进行语义识别，基于语义识别结果进行去重处理和/或纠错处理，以形成规范化个人数据。

17.根据权利要求13所述的装置，其特征在于，数据转化处理模块具体用于包括：

对于所述原始数据中的浏览数据和搜索数据，以浏览和搜索所涉及的关键词为浏览内容和搜索行为添加语义标签；

根据所述语义标签进行聚类，以确定聚类标签；

根据所述聚类标签以及所述浏览数据和搜索数据，为所述用户确定兴趣标签及所述兴趣标签的权重，以形成规范化个人数据。

18.根据权利要求13所述的装置，其特征在于，数据转化处理模块具体用于包括：

根据所述原始数据中的用户通讯交互数据的入度和出度，将入度和/或出度达到设定门限值的社交连接点确定为活跃有效社交连接点；

根据用户与所述活跃有效社交连接点之间的交互数据，确定所述用户的社交网络稳定性。

19.根据权利要求13所述的装置，其特征在于，数据转化处理模块具体用于包括：

根据所述原始数据中的定位数据，确定所述用户的历史轨迹；

根据所述用户的历史轨迹确定所述用户的活动地点坐标的离散程度，以及居住地点变更频率；

根据所述活动地离散程度和所述居住地变更频率确定所述用户的社会活动空间轨迹稳定性。

20.根据权利要求13所述的装置，其特征在于，数据转化处理模块具体用于包括：

根据所述原始数据中用户的收入数据以及消费数据，确定所述用户的经济能力等级、风险承担能力和消费倾向。

21.根据权利要求13所述的装置，其特征在于，评估模型建立模块具体用于：

从至少两个设定维度提取用户的规范化个人数据，并根据设定标准，建立正例样本库和反例样本库，将正例样本库和反例样本库的样本分别划分为学习级和测试组；

基于设定置信度阈值，基于SPARSE CODING结合ADABOOST算法，从各所述样本中排除非必要特征；

对于设定的不同行业，根据主成分分析算法筛选建立对应行业模型的数据特征；

基于所述数据属性建立线性多项式形式的行业模型，通过所述正例样本库和反例样本库的学习组样本进行学习，以确定各数据属性的权重；

采用测试组样本对所述行业模型的参数进行测试，以确定所述行业模型，作为该行业的个人信用评估模型。

22.根据权利要求13所述的装置，其特征在于，评估模型建立模块具体用于：

通过深度神经网络学习算法，从所述规范化个人数据中确定算法隐性特征；

通过所述算法隐性特征和相应的权重调节获得个人信用评估模型。

23.根据权利要求21或22所述的装置，其特征在于，还包括：

模型调整模块，用于在基于所述个人信用评估模型，对所述用户的个人信用进行评估之后，采集所述用户的服务反馈评价；根据所述服务反馈评价调整所述个人信用评估模型。

24.根据权利要求23所述的装置，其特征在于，个人信用评估模块具体用于：

获取待评估用户的个人数据；

如果所述待评估用户的个人数据未达到所述个人信用评估模型的输入要求，则将所述待评估用户作为授信用户，请求获取授信评估结果；

根据所述授信用户的至少一个授信输出用户的个人信用评估结果以及对所述授信用户的信用背书，确定所述授信用户的授信评估结果。