CN105225149B - 一种征信评分确定方法及装置 - Google Patents

一种征信评分确定方法及装置 Download PDF

Info

Publication number
CN105225149B
CN105225149B CN201510564542.6A CN201510564542A CN105225149B CN 105225149 B CN105225149 B CN 105225149B CN 201510564542 A CN201510564542 A CN 201510564542A CN 105225149 B CN105225149 B CN 105225149B
Authority
CN
China
Prior art keywords
user
score value
reference score
social networks
group
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.)
Active
Application number
CN201510564542.6A
Other languages
English (en)
Other versions
CN105225149A (zh
Inventor
卢铮
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 CN201510564542.6A priority Critical patent/CN105225149B/zh
Publication of CN105225149A publication Critical patent/CN105225149A/zh
Priority to PCT/CN2016/097791 priority patent/WO2017041664A1/zh
Priority to US15/868,394 priority patent/US20180137565A1/en
Application granted granted Critical
Publication of CN105225149B publication Critical patent/CN105225149B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种征信评分确定方法及装置，方法包括：获取用户群，该用户群内包括具有社交关系的多个用户，多个用户中包含目标用户，由于用户群内各用户具备社交关系，因此各个用户的真实征信评分相对比较接近，本申请对用户群内各个用户，根据与用户具有社交关系的用户的上一征信评分值，确定所述用户的当前征信评分值，直至所述用户群中各个用户的当前征信评分值满足预置收敛结果，确定目标用户的征信评分值。本申请方案依靠目标用户的社交圈内其它用户的征信评分值来调整或确定目标用户的征信评分值，在现有技术的基础上进一步提高了用户的征信评分的准确度。

Description

一种征信评分确定方法及装置
技术领域
本申请涉及互联网技术领域，更具体地说，涉及一种征信评分确定方法及装置。
背景技术
个人征信评分指的是征信评估机构利用征信评分模型对个人征信信息进行量化分析，以分值形式表达。
现有的个人征信评分计算技术主要是银行个人征信系统，其利用用户基本信息以及银行卡、信用卡的使用记录等，按照一定的计算模型计算个人征信评分。
但是，现有的这种个人征信评分计算方式需要获取到用户足够多的信息才能够精准的计算评分，而对于很多用户而言，并不能够收集到足够多的信息，甚至收集不到信息。因此，对于此类用户，现有评分计算方式将无法准确计算个人征信评分。
发明内容
有鉴于此，本申请提供了一种征信评分确定方法及装置，用于解决现有个人征信评分计算方案在未获取用户的足够信息时，无法准确计算其个人征信评分的问题。
为了实现上述目的，现提出的方案如下：
一种征信评分确定方法，包括：
获取用户群，用户群包括具备社交关系的多个用户，多个用户中包含目标用户；
对于所述用户群中各个用户，根据与用户具有社交关系的用户的上一征信评分值，确定所述用户的当前征信评分值，直至所述用户群中各个用户的当前征信评分值满足预置收敛结果；
将所述目标用户的当前征信评分值确定为目标用户的征信评分值。
一种征信评分确定装置，其特征在于，包括：
用户群获取单元，用于获取用户群，用户群包括具备社交关系的多个用户，多个用户中包含目标用户；
评分更新单元，用于对于所述用户群中各个用户，根据与用户具有社交关系的用户的上一征信评分值，确定所述用户的当前征信评分值，直至所述用户群中各个用户的当前征信评分值满足预置收敛结果；
评分值确定单元，用于将所述目标用户的当前征信评分值确定为目标用户的征信评分值。
从上述的技术方案可以看出，本申请实施例提供的征信评分确定方法，首先获取用户群，该用户群内包括具有社交关系的多个用户，多个用户中包含目标用户，目标用户即为现有技术中征信评分缺失或不准确的用户，由于用户群内各用户具备社交关系，因此各个用户的真实征信评分相对比较接近，本申请对用户群内各个用户，根据与用户具有社交关系的用户的上一征信评分值，确定所述用户的当前征信评分值，直至所述用户群中各个用户的当前征信评分值满足预置收敛结果，确定目标用户的征信评分值。本申请方案依靠目标用户的社交圈内其它用户的征信评分值来调整或确定目标用户的征信评分值，在现有技术的基础上进一步提高了用户的征信评分的准确度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种征信评分确定方法流程图；
图2为本申请实施例公开的一个社交关系图的示意图；
图3为本申请实施例提供的另一种征信评分确定方法流程图；
图4为本申请实施例提供的又一种征信评分确定方法流程图；
图5为本申请实施例提供的又一种征信评分确定方法流程图；
图6为本申请实施例公开的一种征信评分确定装置结构示意图；
图7为本申请实施例公开的一种评分更新单元结构示意图；
图8为本申请实施例公开的一种当前征信评分值确定单元结构示意图；
图9为本申请实施例公开的一种收敛判断单元结构示意图；
图10为本申请实施例公开的一种用户群获取单元结构示意图；
图11为本申请实施例公开的一种服务器硬件结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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。
参见图1，图1为本申请实施例提供的一种征信评分确定方法流程图。
如图1所示，该方法包括：
步骤S100、获取用户群，用户群包括具备社交关系的多个用户，多个用户中包含目标用户；
具体地，目标用户为按照现有征信评分计算模型无法计算出征信评分值，或者计算出的征信评分值不准确的用户。
为了表征用户群中各个用户之间的社交关系的远近，本实施例可以引入用户间的亲密度的概念，利用用户间的亲密度值来表征用户间社交关系的远近。亲密度值的确定可以根据两个用户间的社交通信量来确定，还可以人为进行设定等。亲密度值一般小于1。
用户群中的各个用户可以按照现有征信评分计算模型计算得到初始征信评分值，当然如果按照现有模型无法计算某个用户的征信评分值，则可以直接设定其征信评分值为0，或者按照与该用户具备社交关系的各个用户的初始征信评分值，确定该用户的初始征信评分值，例如，将与其具备社交关系的各个用户的初始征信评分值的平均值设定为该用户的初始征信评分值。
步骤S110、对于所述用户群中各个用户，根据与用户具有社交关系的用户的上一征信评分值，确定所述用户的当前征信评分值，直至所述用户群中各个用户的当前征信评分值满足预置收敛结果；
步骤S120、将所述目标用户的当前征信评分值确定为目标用户的征信评分值。
通过迭代更新用户群中各个用户的征信评分值，使得用户的征信评分值整体向真实值靠拢，当确定各个用户的当前征信评分值均满足预置收敛结果时，即可认定群中各个用户的当前征信评分值已经达标，此时可以将目标用户的当前征信评分值确定为最终的征信评分值。
当然，还可以将用户群中除目标用户外的其余用户的当前征信评分值确定为对应用户的调整后的征信评分值。
本申请实施例提供的征信评分确定方法，首先获取用户群，该用户群内包括具有社交关系的多个用户，多个用户中包含目标用户，目标用户即为现有技术中征信评分缺失或不准确的用户，由于用户群内各用户具备社交关系，因此各个用户的真实征信评分相对比较接近，本申请对用户群内各个用户，根据与用户具有社交关系的用户的上一征信评分值，确定所述用户的当前征信评分值，直至所述用户群中各个用户的当前征信评分值满足预置收敛结果，确定目标用户的征信评分值。本申请方案依靠目标用户的社交圈内其它用户的征信评分值来调整或确定目标用户的最终的征信评分值，在现有技术的基础上进一步提高了用户的征信评分的准确度。
可选的，通过上述方案可以得知，用户的征信评分值受到与该用户具备社交关系的用户的征信评分值的影响，反过来用户的征信评分值也会影响与其具备社交关系的用户的征信评分值。可以理解的是，两个具备社交关系的用户，若其社交关系越远，也即亲密度值越小，则对对方的征信评分值的影响越小。
因此，为了减少计算复杂度，在获取与目标用户具备社交关系的用户时，可以设定一个关系阈值，仅获取与目标用户的亲密度值大于关系阈值的用户。
当然，如果不考虑计算复杂度的问题，可以将与目标用户具备社交关系的所有用户均添加到用户群中。这样，按照上述方案执行完毕后，用户群中各个用户更新后的征信评分值均可以作为各自最新的征信评分值进行输出。同时对多个用户的征信评分值进行更新，使得整体征信评分值更新效率更高。
进一步地，在获取了用户群之后，还可以利用所述用户群中各个用户间的社交关系建立社交关系图。社交关系图由节点和节点间的线段组成，其中节点代表用户，节点间的线段代表两个节点所代表的用户具备直接社交关系，并且在线段上赋有表征两个节点所代表的用户间的亲密度的值。
参见图2，图2为本申请实施例公开的一个社交关系图的示意图。图2示意的社交关系图中共包含4个用户，分别为用户A、B、C、D。我们将社交关系为分直接社交关系和间接社交关系，具备间接社交关系的两个用户的亲密度值可以设置为0。
其中，与A具备直接社交关系的用户为B和C；与B具备直接社交关系的用户为A和D；与C具备直接社交关系的用户为A；与D具备直接社交关系的用户为B。剩余的用户间的社交关系为间接社交关系。
用户A与B间的亲密度值为αab，用户A与C间的亲密度值为αac，用户B与D间的亲密度值为αbd。
通过建立目标用户的社交关系图，以图例的形式更加形象的表明了用户群中各个用户之间的社交关系。在建立社交关系图之后，后续可以对社交关系图中的各个用户进行征信评分值的更新过程。
参见图3，图3为本申请实施例公开的另一种征信评分确定方法流程图。
如图3所示，该方法包括：
步骤S300、获取用户群，用户群包括具备社交关系的多个用户，多个用户中包含目标用户；
具体地，目标用户为按照现有征信评分计算模型无法计算出征信评分值，或者计算出的征信评分值不准确的用户。
步骤S310、对所述用户群中各个用户执行征信评分更新过程；
其中，所述征信评分更新过程包括：根据与用户具有社交关系的用户的上一征信评分值，确定所述用户的当前征信评分值。
本步骤中，依次对用户群中各个用户的征信评分值进行更新，更新时参考与用户具备社交关系的用户的征信评分值。在对用户群中各个用户的征信评分值均更新一遍后，用户的征信评分值整体向真实征信评分值靠拢。
步骤S320、判断所述用户群中各个用户的当前征信评分值是否均满足预置收敛结果；若否，返回执行步骤S310，若是，执行步骤S330；
步骤S330、将所述目标用户的当前征信评分值确定为目标用户的征信评分值。
通过迭代更新用户群中各个用户的征信评分值，使得用户的征信评分值整体向真实值靠拢，当确定各个用户的当前征信评分值均满足预置收敛结果时，即可认定群中各个用户的当前征信评分值已经达标，此时可以将目标用户的当前征信评分值确定为最终的征信评分值。
当然，还可以将用户群中除目标用户外的其余用户的当前征信评分值确定为对应用户的调整后的征信评分值。
本实施例介绍了一种对用户群内各个用户的征信评分值进行迭代更新的具体实施方式，通过迭代更新用户群中各个用户的征信评分值，使得用户的征信评分值整体向真实值靠拢。
在本申请的又一个实施例中，详细介绍上述利用与用户具有社交关系的用户的上一征信评分值，确定所述用户的当前征信评分值的过程。
本实施例提供了一种用户征信评分值更新方程，按照如下方程对各个用户的征信评分值进行更新：
其中，N为用户群中用户总个数，为第i个用户在第t次更新后的征信评分值，αij为第i个用户与第j个用户间的亲密度值，亲密度值表征了两个用户间社交关系的远近，为第j个用户在第t-1次更新后的征信评分值，为第i个用户的初始征信评分值。
对于用户的初始征信评分值，可以按照现有的计算模型进行计算。当然，如果现有计算模型无法计算出用户的初始征信评分值，则可以设定用户初始征信评分值为0，或者为与用户具备社交关系的用户的初始征信评分值的平均值。
可选的，在设定亲密度值时，可以设定用户i与用户j的亲密度值为αij，用户j与用户i的亲密度值为αji，αij可以等于αji，当然αij也可以不等于αji，具体设定规则根据实际需要而定。
接下来研究征信评分值的收敛情况。
将上述征信评分值更新方程按照矩阵形式表示：
其中，定义：
则征信评分值更新方程表示为：
PCS(t)＝β+Q*PCS(t-1)
则有如下推导：
第一次更新：PCS(1)＝β+Q*PCS(0)＝β+Q*β
第二次更新：PCS(2)＝β+Q*PCS(1)＝β+Q(β+Q*β)＝(I+Q+Q2)β
第三次更新：PCS(3)＝(I+Q+Q2+Q3)β
第n次更新：
因此，只要保证Qn+1收敛，PCS(n)就能够收敛。
在实际应用中，一般令每个用户与其邻居用户的亲密度和小于1，用户的邻居用户为与用户具备社交关系的用户。
需要说明的是，上述公式中我们设定用户与自身之间的亲密度值为0。至于用户的邻居用户，可以分为直接邻居用户和间接邻居用户，直接邻居用户为与用户具备直接社交关系的用户；间接邻居用户为与用户具备间接社交关系的用户。用户与直接邻居用户间的亲密度值不为0，用户与间接邻居用户间的亲密度值可以设置为0。
接下来通过一个具体实例来介绍征信评分更新过程。
仍参见图2所示，假设A、B、C、D的初始征信评分为：
βa＝1＝A0，βb＝2＝B0，βc＝1＝C0,βd＝2＝D0
αab＝αac＝αba＝αbd＝αca＝αdb＝0.1
第一次迭代结果为：
A1＝βa+αabB0+αacC0＝1.3 B1＝βb+αbaA0+αbdD0＝2.3
C1＝βc+αcaA0＝1.1 D1＝βd+αdbB0＝2.2
第二次迭代结果为:
A2＝βa+αabB1+αacC1＝1.34 B2＝βb+αbaA1+αbdD1＝2.35
C2＝βc+αcaA1＝1.13 D2＝βd+αdbB1＝2.23
第三次迭代结果为:
A3＝βa+αabB2+αacC2＝1.348 B3＝βb+αbaA2+αbdD2＝2.357
C3＝βc+αcaA2＝1.134 D3＝βd+αdbB2＝2.235
第四次迭代结果为:
A4＝βa+αabB3+αacC3＝1.3491 B4＝βb+αbaA3+αbdD3＝2.3583
C4＝βc+αcaA3＝1.1348 D4＝βd+αdbB3＝2.2357
在迭代到第4次时，A、B、C、D的征信评分值已经收敛到一定结果，可以作为最终值进行输出。
当然上述征信评分方程仅仅是一种可选形式，本领域技术人员可以在此方程的基础上进行变形、改动。
在本申请的又一个实施例中，介绍了又一种征信评分值确定方法，参见图4。
如图4所示，该方法包括：
步骤S400、初始化用户群仅包含目标用户，将所述目标用户确定为指定用户；
步骤S410、获取所述指定用户的社交网络中的好友列表；
步骤S420、判断获取的好友列表中是否存在新用户，所述新用户为所述用户群中不存在的用户；若是，则执行步骤S430，若否，执行步骤S440；
步骤S430、将所述新用户添加到所述用户群中，并将所述新用户确定为指定用户，返回执行步骤S410；
步骤S440、对于所述用户群中各个用户，根据与用户具有社交关系的用户的上一征信评分值，确定所述用户的当前征信评分值，直至所述用户群中各个用户的当前征信评分值满足预置收敛结果；
步骤S450、将所述目标用户的当前征信评分值确定为目标用户的征信评分值。
本实施例中介绍了一种获取与目标用户具备社交关系的用户群的具体实施方式，利用用户的社交网络来获取用户的好友列表，并进一步获取好友列表中各个用户的好友列表，循环执行，直至获取不到新的用户为止。
这里，用户的社交网络可以是用户的QQ、微信、微博、Email、通讯录等等各种社交网络。
在本申请的又一个实施例中，介绍了又一种征信评分值确定方法，参见图5。
如图5所示，该方法包括：
步骤S500、获取用户群，用户群包括具备社交关系的多个用户，多个用户中包含目标用户；
具体地，目标用户为按照现有征信评分计算模型无法计算出征信评分值，或者计算出的征信评分值不准确的用户。
步骤S510、对所述用户群中各个用户执行征信评分更新过程；
其中，所述征信评分更新过程包括：根据与用户具有社交关系的用户的上一征信评分值，确定所述用户的当前征信评分值。
步骤S520、判断所述用户群中各用户的当前征信评分值与上一征信评分值的差值是否均小于阈值，若是，执行步骤S530，若否，返回执行步骤S510；
步骤S530、将所述用户群中目标用户的当前征信评分值确定为所述目标用户的征信评分值。
本实施例介绍了一种判断征信评分值是否满足收敛结果的方式，具体地通过对比更新前后征信评分值的差值与阈值的大小关系来确定征信评分值是否满足收敛结果。
可以理解的是，通过上一实施例中介绍的征信评分值更新方程，在确定各个用户间的亲密度值之后，可以预先计算出各个用户的征信评分值的收敛值，进而可以在每次更新后对比更新后的征信评分值与收敛值，根据对比结果来确定本次更新后的征信评分值是否满足收敛结果。
下面对本申请实施例提供的征信评分确定装置进行描述，下文描述的征信评分确定装置与上文描述的征信评分确定方法可相互对应参照。
参见图6，图6为本申请实施例公开的一种征信评分确定装置结构示意图。
如图6所示，该装置包括：
用户群获取单元61，用于获取用户群，用户群包括具备社交关系的多个用户，多个用户中包含目标用户；
评分更新单元62，用于对于所述用户群中各个用户，根据与用户具有社交关系的用户的上一征信评分值，确定所述用户的当前征信评分值，直至所述用户群中各个用户的当前征信评分值满足预置收敛结果；
评分值确定单元63，用于将所述目标用户的当前征信评分值确定为目标用户的征信评分值。
本申请实施例提供的征信评分确定装置，首先获取用户群，该用户群内包括具有社交关系的多个用户，多个用户中包含目标用户，目标用户即为现有技术中征信评分缺失或不准确的用户，由于用户群内各用户具备社交关系，因此各个用户的真实征信评分相对比较接近，本申请对用户群内各个用户，根据与用户具有社交关系的用户的上一征信评分值，确定所述用户的当前征信评分值，直至所述用户群中各个用户的当前征信评分值满足预置收敛结果，确定目标用户的征信评分值。本申请方案依靠目标用户的社交圈内其它用户的征信评分值来调整或确定目标用户的最终征信评分值，在现有技术的基础上进一步提高了用户的征信评分的准确度。
可选的，本申请实施例公开了上述评分更新单元62的一种可选结构，如图7所示，评分更新单元62可以包括：
当前征信评分值确定单元621，用于对所述用户群中各个用户执行征信评分更新过程，所述征信评分更新过程包括：根据与用户具有社交关系的用户的上一征信评分值，确定所述用户的当前征信评分值；
收敛判断单元622，用于判断所述用户群中各个用户的当前征信评分值是否均满足预置收敛结果；若否，返回执行所述当前征信评分值确定单元621，若是，则结束。
可选的，本申请实施例公开了上述当前征信评分值确定单元621的一种可选结构，如图8所示，当前征信评分值确定单元621可以包括：
第一当前征信评分值确定子单元6211，用于按照下述公式确定用户的当前征信评分值：
其中，N为用户群中用户总个数，为第i个用户在第t次更新后的征信评分值，αij为第i个用户与第j个用户间的亲密度值，亲密度值表征了两个用户间社交关系的远近，为第j个用户在第t-1次更新后的征信评分值。
可选的，本申请实施例公开了上述收敛判断单元622的一种可选结构，如图9所示，收敛判断单元622可以包括：
第一收敛判断子单元6221，用于判断所述用户群中各用户的当前征信评分值与上一征信评分值的差值是否均小于阈值，若是，确定所述用户群中各个用户的当前征信评分值均满足预置收敛结果，若否，确定所述用户群中各个用户更新后的征信评分值并非均满足预置收敛结果。
可选的，本申请实施例公开了上述用户群获取单元61的一种可选结构，如图10所示，用户群获取单元61可以包括：
第一用户群获取子单元611，用于初始化用户群仅包含目标用户，将所述目标用户确定为指定用户；
第二用户群获取子单元612，用于获取所述指定用户的社交网络中的好友列表；
第三用户群获取子单元613，用于判断获取的好友列表中是否存在新用户，所述新用户为所述用户群中不存在的用户，若是，执行第四用户群获取子单元614，若否，则结束；
第四用户群获取子单元614，用于将所述新用户添加到所述用户群中，并将所述新用户确定为指定用户，然后返回执行所述第二用户群获取子单元612。
本申请实施例还提供一种服务器，该服务器包括上述所述的征信评分确定装置。对于征信评分确定装置的描述可参照上文对应部分描述，此处不再赘述。
本实施例对服务器的硬件结构进行介绍，参见图11，图11为本申请实施例提供的服务器的硬件结构示意图。如图11所示，该服务器可以包括：
处理器1，通信接口2，存储器3，通信总线4，和显示屏5；
其中处理器1、通信接口2、存储器3和显示屏5通过通信总线4完成相互间的通信；
可选的，通信接口2可以为通信模块的接口，如GSM模块的接口；
处理器1，用于执行程序；
存储器3，用于存放程序；
程序可以包括程序代码，所述程序代码包括处理器的操作指令。
处理器1可能是一个中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本申请实施例的一个或多个集成电路。
存储器3可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。
其中，程序可具体用于：
获取用户群，用户群包括具备社交关系的多个用户，多个用户中包含目标用户；
对于所述用户群中各个用户，根据与用户具有社交关系的用户的上一征信评分值，确定所述用户的当前征信评分值，直至所述用户群中各个用户的当前征信评分值满足预置收敛结果；
将所述目标用户的当前征信评分值确定为目标用户的征信评分值。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物品或者设备所固有的要素。在没有更多限制的情况下，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、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种征信评分确定方法，其特征在于，包括：
获取用户群，用户群包括具备社交关系的多个用户，多个用户中包含目标用户；
对于所述用户群中各个用户，根据与用户具有社交关系的用户的上一征信评分值，确定所述用户的当前征信评分值，直至所述用户群中各个用户的当前征信评分值满足预置收敛结果；
将所述目标用户的当前征信评分值确定为目标用户的征信评分值；
所述对于所述用户群中各个用户，根据与用户具有社交关系的用户的上一征信评分值，确定所述用户的当前征信评分值，直至所述用户群中各个用户的当前征信评分值满足预置收敛结果，包括：
对所述用户群中各个用户执行征信评分更新过程，所述征信评分更新过程包括：根据与用户具有社交关系的用户的上一征信评分值，确定所述用户的当前征信评分值；
判断所述用户群中各个用户的当前征信评分值是否均满足预置收敛结果；
若否，返回执行所述对所述用户群中各个用户执行征信评分更新过程的步骤；
若是，则结束；
所述根据与用户具有社交关系的用户的上一征信评分值，确定所述用户的当前征信评分值，包括：
根据与用户具有社交关系的用户的上一征信评分值，以及所述具有社交关系的用户与所述用户间的亲密度值，确定所述用户的当前征信评分值，所述亲密度值表征了两个用户间社交关系的远近。
2.根据权利要求1所述的方法，其特征在于，所述根据与用户具有社交关系的用户的上一征信评分值，以及所述具有社交关系的用户与所述用户间的亲密度值，确定所述用户的当前征信评分值，包括：
按照下述公式确定用户的当前征信评分值：
其中，N为用户群中用户总个数，为第i个用户在第t次更新后的征信评分值，αij为第i个用户与第j个用户间的亲密度值，亲密度值表征了两个用户间社交关系的远近，为第j个用户在第t-1次更新后的征信评分值。
3.根据权利要求1所述的方法，其特征在于，所述判断所述用户群中各个用户的当前征信评分值是否均满足预置收敛结果，包括：
判断所述用户群中各用户的当前征信评分值与上一征信评分值的差值是否均小于阈值，若是，确定所述用户群中各个用户的当前征信评分值均满足预置收敛结果，若否，确定所述用户群中各个用户更新后的征信评分值并非均满足预置收敛结果。
4.根据权利要求1所述的方法，其特征在于，所述获取用户群，包括：
初始化用户群仅包含目标用户，将所述目标用户确定为指定用户；
获取所述指定用户的社交网络中的好友列表；
判断获取的好友列表中是否存在新用户，所述新用户为所述用户群中不存在的用户；
若是，则将所述新用户添加到所述用户群中，并将所述新用户确定为指定用户，返回执行所述获取所述指定用户的社交网络中的好友列表的步骤；
若否，则结束。
5.一种征信评分确定装置，其特征在于，包括：
用户群获取单元，用于获取用户群，用户群包括具备社交关系的多个用户，多个用户中包含目标用户；
评分更新单元，用于对于所述用户群中各个用户，根据与用户具有社交关系的用户的上一征信评分值，确定所述用户的当前征信评分值，直至所述用户群中各个用户的当前征信评分值满足预置收敛结果；
评分值确定单元，用于将所述目标用户的当前征信评分值确定为目标用户的征信评分值；
所述评分更新单元包括：
当前征信评分值确定单元，用于对所述用户群中各个用户执行征信评分更新过程，所述征信评分更新过程包括：根据与用户具有社交关系的用户的上一征信评分值，确定所述用户的当前征信评分值；
收敛判断单元，用于判断所述用户群中各个用户的当前征信评分值是否均满足预置收敛结果；若否，返回执行所述当前征信评分值确定单元，若是，则结束；
所述当前征信评分值确定单元根据与用户具有社交关系的用户的上一征信评分值，确定所述用户的当前征信评分值的过程，具体包括：
根据与用户具有社交关系的用户的上一征信评分值，以及所述具有社交关系的用户与所述用户间的亲密度值，确定所述用户的当前征信评分值，所述，亲密度值表征了两个用户间社交关系的远近。
6.根据权利要求5所述的装置，其特征在于，所述当前征信评分值确定单元包括：
第一当前征信评分值确定子单元，用于按照下述公式确定用户的当前征信评分值：
其中，N为用户群中用户总个数，为第i个用户在第t次更新后的征信评分值，αij为第i个用户与第j个用户间的亲密度值，亲密度值表征了两个用户间社交关系的远近，为第j个用户在第t-1次更新后的征信评分值。
7.根据权利要求5所述的装置，其特征在于，所述收敛判断单元包括：
第一收敛判断子单元，用于判断所述用户群中各用户的当前征信评分值与上一征信评分值的差值是否均小于阈值，若是，确定所述用户群中各个用户的当前征信评分值均满足预置收敛结果，若否，确定所述用户群中各个用户更新后的征信评分值并非均满足预置收敛结果。
8.根据权利要求5所述的装置，其特征在于，所述用户群获取单元包括：
第一用户群获取子单元，用于初始化用户群为空值，将所述目标用户确定为指定用户；
第二用户群获取子单元，用于获取所述指定用户的社交网络中的好友列表；
第三用户群获取子单元，用于判断获取的好友列表中是否存在新用户，所述新用户为所述用户群中不存在的用户，若是，执行第四用户群获取子单元，若否，则结束；
第四用户群获取子单元，用于将所述新用户添加到所述用户群中，并将所述新用户确定为指定用户，然后返回执行所述第二用户群获取子单元。
CN201510564542.6A 2015-09-07 2015-09-07 一种征信评分确定方法及装置 Active CN105225149B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201510564542.6A CN105225149B (zh) 2015-09-07 2015-09-07 一种征信评分确定方法及装置
PCT/CN2016/097791 WO2017041664A1 (zh) 2015-09-07 2016-09-01 一种征信评分确定方法、装置及存储介质
US15/868,394 US20180137565A1 (en) 2015-09-07 2018-01-11 Method, device, and storage medium for determining credit score

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510564542.6A CN105225149B (zh) 2015-09-07 2015-09-07 一种征信评分确定方法及装置

Publications (2)

Publication Number Publication Date
CN105225149A CN105225149A (zh) 2016-01-06
CN105225149B true CN105225149B (zh) 2018-04-27

Family

ID=54994103

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510564542.6A Active CN105225149B (zh) 2015-09-07 2015-09-07 一种征信评分确定方法及装置

Country Status (3)

Country Link
US (1) US20180137565A1 (zh)
CN (1) CN105225149B (zh)
WO (1) WO2017041664A1 (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105225149B (zh) * 2015-09-07 2018-04-27 腾讯科技（深圳）有限公司 一种征信评分确定方法及装置
CN106056444A (zh) * 2016-05-25 2016-10-26 腾讯科技（深圳）有限公司 数据处理方法和装置
CN106156941B (zh) * 2016-06-06 2018-01-23 腾讯科技（深圳）有限公司 一种用户信用评分优化方法和装置
CN106204060B (zh) * 2016-06-28 2018-04-13 腾讯科技（深圳）有限公司 通过计算机系统实现的将用户划分至集群的方法及装置
CN106327326A (zh) * 2016-08-30 2017-01-11 北京小米移动软件有限公司 信用评级的方法及装置
CN108399564B (zh) 2017-02-08 2021-03-19 腾讯科技（深圳）有限公司 信用评分方法及装置
CN108416662B (zh) * 2017-02-10 2021-09-21 腾讯科技（深圳）有限公司 一种数据验证方法及装置
CN109559214A (zh) 2017-09-27 2019-04-02 阿里巴巴集团控股有限公司 虚拟资源分配、模型建立、数据预测方法及装置
CN111242656A (zh) * 2018-11-28 2020-06-05 中国移动通信集团浙江有限公司 一种基于电信大数据的用户信用评价方法及系统
CN110009487A (zh) * 2019-04-10 2019-07-12 湖北风口网络科技有限公司 一种金融借贷风险评估方法及系统
CN110348992B (zh) * 2019-06-25 2020-09-04 深圳中兴飞贷金融科技有限公司 用户信息处理方法和装置、存储介质和电子设备
CN110609929B (zh) * 2019-09-03 2021-07-23 前海飞算科技(深圳)有限公司 数据处理方法和装置、存储介质及电子设备
CN112270463A (zh) * 2020-10-16 2021-01-26 北京师范大学珠海校区 多方数据集结处理方法、装置、电子设备和介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101510856A (zh) * 2009-03-12 2009-08-19 腾讯科技（深圳）有限公司 一种sns网络中成员关系圈的提取方法和装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SG11201507312RA (en) * 2013-03-15 2015-10-29 Socure Inc Risk assessment using social networking data
US20150019404A1 (en) * 2013-07-15 2015-01-15 TollShare, Inc. Creditworthiness determination through online social network endorsements
CN104463664A (zh) * 2014-12-10 2015-03-25 谢荣生 一种基于人脉关系网络的在线贷款系统及其在线贷款方法
CN104866969A (zh) * 2015-05-25 2015-08-26 百度在线网络技术（北京）有限公司 个人信用数据处理方法和装置
CN105225149B (zh) * 2015-09-07 2018-04-27 腾讯科技（深圳）有限公司 一种征信评分确定方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101510856A (zh) * 2009-03-12 2009-08-19 腾讯科技（深圳）有限公司 一种sns网络中成员关系圈的提取方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
个人征信"芝麻"开门;袁诚;《新金融观察》;20150209;第037版 *

Also Published As

Publication number Publication date
US20180137565A1 (en) 2018-05-17
WO2017041664A1 (zh) 2017-03-16
CN105225149A (zh) 2016-01-06

Similar Documents

Publication Publication Date Title
CN105225149B (zh) 一种征信评分确定方法及装置
CN106156941B (zh) 一种用户信用评分优化方法和装置
US20160121224A1 (en) Method and device for fantasy sports auction recommendations
US10282746B2 (en) Marketing campaign management system
CN104166731A (zh) 一种社交网络重叠社区发现系统及其方法
Ozturk Estimation of population mean and total in a finite population setting using multiple auxiliary variables
CN109636474A (zh) 房源排序展示方法、装置、设备及存储介质
CN106776930A (zh) 一种融入时间和地理位置信息的地点推荐方法
CN107526810A (zh) 建立点击率预估模型的方法及装置、展示方法及装置
CN103164424A (zh) 一种时效性词的获取方法和装置
US20100179927A1 (en) Rating risk of proposed system changes
CN106202377A (zh) 一种基于随机梯度下降的在线协同排序方法
CN109636337A (zh) 一种基于大数据的人才库构建方法及电子设备
CN106204087A (zh) 用于选择广告媒体的方法和装置
CN104077354B (zh) 论坛中帖子的热度确定方法及相关装置
Lu et al. Efficient and optimal mechanisms with private information acquisition costs
CN103455510B (zh) 一种对用户评价的方法和装置
CN103198432A (zh) 在线社会网络中网络群体的检测方法及系统
CN105574183A (zh) 一种基于协同过滤推荐算法-K最近邻分类算法的App推荐方法
CN105096161A (zh) 一种进行信息展示的方法和装置
CN107563809A (zh) 广告投放方法及装置
WO2017097015A1 (zh) 终端的提醒方法、装置及终端
CN108109012A (zh) 一种应用于互联网家装平台的门店运营数据统计方法
Brock Growth in Russia's federal districts, 1994–2003
JP5858088B2 (ja) 人材管理装置及びプログラム

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant