CN108009914A - 一种信用风险评估方法、系统、设备及计算机存储介质 - Google Patents

一种信用风险评估方法、系统、设备及计算机存储介质 Download PDF

Info

Publication number
CN108009914A
CN108009914A CN201711376219.1A CN201711376219A CN108009914A CN 108009914 A CN108009914 A CN 108009914A CN 201711376219 A CN201711376219 A CN 201711376219A CN 108009914 A CN108009914 A CN 108009914A
Authority
CN
China
Prior art keywords
model
user
decision tree
combination decision
tree
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
CN201711376219.1A
Other languages
English (en)
Inventor
刘镇萍
李谦
邵可佳
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.)
Mashang Consumer Finance Co Ltd
Original Assignee
Mashang Consumer Finance 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 Mashang Consumer Finance Co Ltd filed Critical Mashang Consumer Finance Co Ltd
Priority to CN201711376219.1A priority Critical patent/CN108009914A/zh
Publication of CN108009914A publication Critical patent/CN108009914A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q40/00Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03Credit; Loans; Processing thereof
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/243Classification techniques relating to the number of classes
    • G06F18/24323Tree-organised classifiers

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Technology Law (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明公开了一种信用风险评估方法、系统、设备及计算机存储介质,其中该方法包括:获取用户数据;基于用户数据提取用户特征;输入用户特征至预先创建的组合决策树模型,组合决策树模型为基于组合决策树算法生成的模型;获取组合决策树模型的输出结果,以基于输出结果对用户进行信用风险评估。由于组合决策树算法适合对大量用户数据建模,而且不受缺失值的影响,与现有技术相比,具有更高的适用性。综上所述,本发明公开的一种信用风险评估方法在一定程度上解决了如何提高现有的信用风险评估方法的适用性的技术问题。本发明公开的一种信用风险评估系统、设备及计算机存储介质也解决了相应的技术问题。

Description

一种信用风险评估方法、系统、设备及计算机存储介质
技术领域
本发明涉及信用风险评估技术领域,更具体地说,涉及一种信用风险评估方法、系统、设备及计算机存储介质。
背景技术
在金融领域中,金融公司需要对用户进行信用风险评估,根据信用风险评估结果来决定是否对用户进行放贷。
现有的一种信用风险评估方法是:对用户数据进行特征提取,对提取的特征进行WOE编码,用Logistic回归算法寻找与目标结果高度相关的变量。
然而,现有的一种信用风险评估方法的分类准确度低;Logistic回归算法要求不能存在缺失值,而且不适合对大量用户数据建模;使得现有的一种信用风险评估方法的适用性低。
综上所述,如何提高现有的信用风险评估方法的适用性是目前本领域技术人员亟待解决的问题。
发明内容
本发明的目的是提供一种信用风险评估方法,其能在一定程度上解决如何提高现有的信用风险评估方法的适用性的技术问题。本发明还提供了一种信用风险评估系统、设备及计算机存储介质。
为了实现上述目的,本发明提供如下技术方案:
一种信用风险评估方法,包括:
获取用户数据;
基于所述用户数据提取用户特征;
输入所述用户特征至预先创建的组合决策树模型,所述组合决策树模型为基于组合决策树算法生成的模型;
获取所述组合决策树模型的输出结果,以基于所述输出结果对用户进行信用风险评估。
优选的,预先创建组合决策树模型,包括:
基于当前模型参数创建当前组合决策树模型;
随机划分预设数量的测试特征为N份测试特征,N大于等于1且为正整数;
基于M份测试特征训练当前组合决策树模型,将K份测试特征输入当前组合决策树模型,并获取测试结果,N=M+K,M大于等于1且为正整数,K大于等于1且为正整数;
判断差值是否大于等于预设的阈值,所述差值为每一个测试结果与该测试结果对应的测试特征的理论结果间的差值,若是,则确定当前组合决策树模型为预先创建的组合决策树模型,若否,则调整当前模型参数,返回执行基于当前模型参数创建当前组合决策树模型的步骤,直至当前组合决策树模型得到的差值大于等于预设的阈值。
优选的,所述基于所述用户数据提取用户特征,包括:
基于WOE编码方式在所述用户数据中提取用户特征。
优选的,所述输入所述用户特征至预先创建的组合决策树模型,包括:
输入所述用户特征至预先创建的组合决策树模型,所述组合决策树模型包括随机森林模型。
优选的,所述输入所述用户特征至预先创建的组合决策树模型,包括:
输入所述用户特征至预先创建的组合决策树模型,所述组合决策树模型包括GBDT模型。
优选的,所述获取用户数据,包括:
获取用户数据,所述用户数据包括用户征信报告。
优选的,所述基于所述输出结果对用户进行信用风险评估,包括:
判断所述输出结果是否大于等于预设的判断值,若是,则判断出用户信用风险低,若否,则判断出用户信用风险高。
一种信用风险评估系统,包括:
用户数据模块,用于获取用户数据;
提取模块,用于基于所述用户数据提取用户特征;
输入模块,用于输入所述用户特征至预先创建的组合决策树模型,所述组合决策树模型为基于组合决策树算法生成的模型;
获取模块,用于获取所述组合决策树模型的输出结果,以基于所述输出结果对用户进行信用风险评估。
一种信用风险评估设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上任一所述一种信用风险评估方法的步骤。
一种计算机存储介质,所述计算机存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上任一所述一种信用风险评估方法的步骤。
本发明提供的一种信用风险评估方法,先获取用户数据;然后基于用户数据提取用户特征;接着输入用户特征至预先创建的组合决策树模型,组合决策树模型为基于组合决策树算法生成的模型;最后获取组合决策树模型的输出结果,以基于输出结果对用户进行信用风险评估。由于组合决策树算法适合对大量用户数据建模,而且不受缺失值的影响,与现有技术相比,具有更高的适用性。综上所述,本发明提供的一种信用风险评估方法在一定程度上解决了如何提高现有的信用风险评估方法的适用性的技术问题。本发明提供的一种信用风险评估系统、设备及计算机存储介质也解决了相应的技术问题。
附图说明
为了更清楚地说明本发明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发明的实施例,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为本发明实施例提供的一种信用风险评估方法的流程图;
图2为本发明实施例提供的一种信用风险评估方法中创建组合决策树模型的流程图;
图3为本发明实施例提供的一种信用风险评估系统的结构示意图;
图4为本发明实施例提供的一种信用风险评估设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明实施例提供的一种信用风险评估方法中各个步骤的动作执行主体可以为本发明实施例提供的一种信用风险评估系统,而该系统可以内置于计算机、服务器等中,所以本发明实施例提供的一种信用风险评估方法中各个步骤的动作执行主体可以为该计算机、服务器等。为了描述方便,这里设定本发明实施例提供的一种信用风险评估方法中各个步骤的动作执行主体为本发明实施例提供的一种信用风险评估系统,简称为评估系统。
请参阅图1,图1为本发明实施例提供的一种信用风险评估方法的流程图。
本发明实施例提供的一种信用风险评估方法,可以包括以下步骤:
步骤S101:获取用户数据。
实际应用中,评估系统可以先获取用户数据,这里所说的用户数据可以为用户的身份信息数据及能反映用户信用的数据等,比如用户的借贷数据、还贷数据等。评估系统获取的用户数据可以是外界实时输入的,也可以是评估系统在预设的数据库中查找得到的等,这里所说的数据库指的是存储用户数据的数据库。用户数据的内容可以根据实际需要确定。
步骤S102:基于用户数据提取用户特征。
评估系统在得到用户数据后,便可以提取用户数据中的用户特征。这里所说的用户特征可以为用户的年龄、性别、贷款时间、还贷时间等,用户特征可以根据实际需要确定。
步骤S103:输入用户特征至预先创建的组合决策树模型,组合决策树模型为基于组合决策树算法生成的模型。
评估系统在得到用户特征后便可以输入用户特征至预先创建的组合决策树模型。这里所说的组合决策树模型指的是基于组合决策树算法生成的模型。这里所说的组合决策树算法是一种分而治之的决策过程;其将一个困难的预测问题,通过树的分支节点,划分成两个或多个较为简单的子集,从结构上划分为不同的子问题;将依规则分割数据集的过程不断递归下去,随着树的深度不断增加,分支节点的子集越来越小,所要提的问题也逐渐简化;当分支节点的深度或者问题的简单程度满足一定的停止规则时,该分支节点会停止劈分。组合决策树算法接收用户特征后便会对用户特征进行评分,输出一个预测结果。
步骤S104:获取组合决策树模型的输出结果,以基于输出结果对用户进行信用风险评估。
评分系统在组合决策树模型得到预测结果后,便可以获取组合决策树模型的输出结果,以便根据输出结果对用户进行信用风险评估。
本发明提供的一种信用风险评估方法,先获取用户数据;然后基于用户数据提取用户特征;接着输入用户特征至预先创建的组合决策树模型,组合决策树模型为基于组合决策树算法生成的模型;最后获取组合决策树模型的输出结果,以基于输出结果对用户进行信用风险评估。由于组合决策树算法适合对大量用户数据建模,而且不受缺失值的影响,与现有技术相比,具有更高的适用性。综上所述,本发明提供的一种信用风险评估方法在一定程度上解决了如何提高现有的信用风险评估方法的适用性的技术问题。
请参阅图2,图2为本发明实施例提供的一种信用风险评估方法中创建组合决策树模型的流程图。
本发明实施例提供的一种信用风险评估方法中,预先创建组合决策树模型,可以包括以下步骤:
步骤S201:基于当前模型参数创建当前组合决策树模型。
这里所说的当前模型参数包括决策树的棵数以及每棵决策树的深度。
步骤S202:随机划分预设数量的测试特征为N份测试特征,N大于等于1且为正整数。
这里所说的测试特征指的是用于训练组合决策树模型的特征,每个测试特征都有自己的理论测试结果。N的数值可以根据实际需要确定。
步骤S203:基于M份测试特征训练当前组合决策树模型,将K份测试特征输入当前组合决策树模型,并获取测试结果,N=M+K,M大于等于1且为正整数,K大于等于1且为正整数。
实际应用中,可以采用交叉验证的方法来训练及验证组合决策树模型,这样可以使得训练及验证组合决策树模型的过程更加方便易实现。这里所说的M、K的数值可以根据实际需要确定。
步骤S204:判断差值是否大于等于预设的阈值,差值为每一个测试结果与该测试结果对应的测试特征的理论结果间的差值,若是,则执行步骤S205:确定当前组合决策树模型为预先创建的组合决策树模型,若否,则执行步骤S206:调整当前模型参数,返回执行步骤S201:基于当前模型参数创建当前组合决策树模型的步骤,直至当前组合决策树模型得到的差值大于等于预设的阈值。
本发明实施例提供的一种信用风险评估方法中,步骤S102基于用户数据提取用户特征,具体可以为:
基于WOE编码方式在用户数据中提取用户特征。
实际应用中,可以基于WOE编码方式在用户数据中提取用户特征。采用WOE编码方式可以提升模型的预测效果及提高模型的可理解性。实际应用中也可以采用其他编码方式,比如做dummy变量、做基于目标的变量编码等。
本发明实施例提供的一种信用风险评估方法中,步骤S103输入用户特征至预先创建的组合决策树模型,具体可以为:
输入用户特征至预先创建的组合决策树模型,组合决策树模型包括随机森林模型。
实际应用中,组合决策树模型可以是基于随机森林算法生成的随机森林模型。随机森林算法的原理是,从训练样本中有放回的随机抽取部分样本和特征来构建大量决策树,这些决策树会对新用户的信用风险给出一个分数,当所有决策树均给出分数后,会对所有决策树给出的分数进行组合,比如平均操作、加权平均操作等,得到最后的评分结果。
本发明实施例提供的一种信用风险评估方法中,步骤S101输入用户特征至预先创建的组合决策树模型,具体可以为:
输入用户特征至预先创建的组合决策树模型,组合决策树模型包括GBDT模型。
实际应用中,组合决策树模型可以是基于GBDT算法生成的GBDT模型。GBDT算法的原理是,依据训练样本构建每一棵决策树,每一棵决策树中样本的权重不一样,而且后一棵决策树的模型参数需要前一轮模型的结果;相应的,GBDT模型输出的是一个残差值,该残差值加预测值后能得到真实值的累加量,该累加量也即最后的评分结果。
本发明实施例提供的一种信用风险评估方法中,步骤S101获取用户数据,具体可以为:
获取用户数据,用户数据包括用户征信报告。
实际应用中,用户可能有自己的征信报告,这时可以直接根据用户征信报告来对用户进行信用评分。这里所说的征信报告中记载有个人的信用信息;征信报告中记录的信息包括个人基本信息、信用交易信息、其他信息;个人基本信息可以包括姓名、证件类型及号码、通讯地址、联系方式等,信用交易信息包括信用卡信息、贷款信息等,其他信息包括个人公积金、养老金信息等。借助征信报告可以节省收集用户数据的过程,可以在一定程度上提高信用风险评估方法的评估效率。
本发明实施例提供的一种信用风险评估方法中,步骤S104中基于输出结果对用户进行信用风险评估,具体可以为:
判断输出结果是否大于等于预设的判断值,若是,则判断出用户信用风险低,若否,则判断出用户信用风险高。
实际应用中,可以在评估系统中设置用于判断用户信用风险高低的判断值,这样评估系统在得到输出结果后,便可以判断输出结果是否大于等于该判断值,若是,则判断出用户信用风险低,若否,则判断出用户信用风险高。实际应用中,评估系统在得到判断结果后还可以向外界反馈判断结果,使得外界可以根据判断结果进行相应操作,可以以亮灯的方式反馈判断结果等,比如在判断出用户信用风险低时亮绿灯,在判断出用户信用风险高时亮红灯等;可以以语音提示的方式反馈判断结果等。实际应用中,评估系统还可以在得到判断结果后存储用户及该用户的判断结果,以便后续根据存储的用户及该用户的判断结果对该用户进行信用风险分析等。
本发明还提供了一种信用风险评估系统,其具有本发明实施例提供的一种信用风险评估方法具有的对应效果。请参阅图3,图3为本发明实施例提供的一种信用风险评估系统的结构示意图。
本发明实施例提供的一种信用风险评估系统,可以包括:
用户数据模块101,用于获取用户数据;
提取模块102,用于基于用户数据提取用户特征;
输入模块103,用于输入用户特征至预先创建的组合决策树模型,组合决策树模型为基于组合决策树算法生成的模型;
获取模块104,用于获取组合决策树模型的输出结果,以基于输出结果对用户进行信用风险评估。
本发明实施例提供的一种信用风险评估系统中,包括:
创建模块,用于基于当前模型参数创建当前组合决策树模型;
划分模块,用于随机划分预设数量的测试特征为N份测试特征,N大于等于1且为正整数;
训练模块,用于基于M份测试特征训练当前组合决策树模型,将K份测试特征输入当前组合决策树模型,并获取测试结果,N=M+K,M大于等于1且为正整数,K大于等于1且为正整数;
判断模块,用于判断差值是否大于等于预设的阈值,差值为每一个测试结果与该测试结果对应的测试特征的理论结果间的差值,若是,则确定当前组合决策树模型为预先创建的组合决策树模型,若否,则调整当前模型参数,返回执行基于当前模型参数创建当前组合决策树模型的步骤,直至当前组合决策树模型得到的差值大于等于预设的阈值。
本发明实施例提供的一种信用风险评估系统中,提取模块可以包括:
提取单元,用于基于WOE编码方式在所述用户数据中提取用户特征。
本发明实施例提供的一种信用风险评估系统中,输入模块可以包括:
第一输入单元,用于输入用户特征至预先创建的组合决策树模型,组合决策树模型包括随机森林模型。
本发明实施例提供的一种信用风险评估系统中,输入模块可以包括:
第二输入单元,用于输入用户特征至预先创建的组合决策树模型,组合决策树模型包括GBDT模型。
本发明实施例提供的一种信用风险评估系统中,用户数据模块可以包括:
用户数据单元,用于获取用户数据,用户数据可以包括用户征信报告。
本发明实施例提供的一种信用风险评估系统中,获取模块可以包括:
判断单元,用于判断输出结果是否大于等于预设的判断值,若是,则判断出用户信用风险低,若否,则判断出用户信用风险高。
本发明还提供了一种信用风险评估设备及计算机存储介质,其均具有本发明实施例提供的一种信用风险评估方法具有的对应效果。请参阅图4,图4为本发明实施例提供的一种信用风险评估设备的结构示意图。
本发明实施例提供的一种信用风险评估设备,可以包括:
存储器201,用于存储计算机程序;
处理器202,用于执行计算机程序时实现如上任一实施例所描述的一种信用风险评估方法的步骤。
本发明实施例提供的一种计算机存储介质,计算机存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上任一实施例所描述的一种信用风险评估方法的步骤。
本发明实施例提供的一种信用风险评估系统、设备及计算机存储介质中相关部分的说明请参见本发明实施例提供的一种信用风险评估方法中对应部分的详细说明,在此不再赘述。另外,本发明实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明,以免过多赘述。
对所公开的实施例的上述说明,使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域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发明的精神或范围的情况下,在其它实施例中实现。因此,本发明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 (10)

1.一种信用风险评估方法,其特征在于,包括:
获取用户数据;
基于所述用户数据提取用户特征;
输入所述用户特征至预先创建的组合决策树模型,所述组合决策树模型为基于组合决策树算法生成的模型;
获取所述组合决策树模型的输出结果,以基于所述输出结果对用户进行信用风险评估。
2.根据权利要求1所述的方法,其特征在于,预先创建组合决策树模型,包括:
基于当前模型参数创建当前组合决策树模型;
随机划分预设数量的测试特征为N份测试特征,N大于等于1且为正整数;
基于M份测试特征训练当前组合决策树模型,将K份测试特征输入当前组合决策树模型,并获取测试结果,N=M+K,M大于等于1且为正整数,K大于等于1且为正整数;
判断差值是否大于等于预设的阈值,所述差值为每一个测试结果与该测试结果对应的测试特征的理论结果间的差值,若是,则确定当前组合决策树模型为预先创建的组合决策树模型,若否,则调整当前模型参数,返回执行基于当前模型参数创建当前组合决策树模型的步骤,直至当前组合决策树模型得到的差值大于等于预设的阈值。
3.根据权利要求1所述的方法,其特征在于,所述基于所述用户数据提取用户特征,包括:
基于WOE编码方式在所述用户数据中提取用户特征。
4.根据权利要求1所述的方法,其特征在于,所述输入所述用户特征至预先创建的组合决策树模型,包括:
输入所述用户特征至预先创建的组合决策树模型,所述组合决策树模型包括随机森林模型。
5.根据权利要求1所述的方法,其特征在于,所述输入所述用户特征至预先创建的组合决策树模型,包括:
输入所述用户特征至预先创建的组合决策树模型,所述组合决策树模型包括GBDT模型。
6.根据权利要求1所述的方法,其特征在于,所述获取用户数据,包括:
获取用户数据,所述用户数据包括用户征信报告。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述基于所述输出结果对用户进行信用风险评估,包括:
判断所述输出结果是否大于等于预设的判断值,若是,则判断出用户信用风险低,若否,则判断出用户信用风险高。
8.一种信用风险评估系统,其特征在于,包括:
用户数据模块,用于获取用户数据;
提取模块,用于基于所述用户数据提取用户特征;
输入模块,用于输入所述用户特征至预先创建的组合决策树模型,所述组合决策树模型为基于组合决策树算法生成的模型;
获取模块,用于获取所述组合决策树模型的输出结果,以基于所述输出结果对用户进行信用风险评估。
9.一种信用风险评估设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述一种信用风险评估方法的步骤。
10.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述一种信用风险评估方法的步骤。
CN201711376219.1A 2017-12-19 2017-12-19 一种信用风险评估方法、系统、设备及计算机存储介质 Pending CN108009914A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711376219.1A CN108009914A (zh) 2017-12-19 2017-12-19 一种信用风险评估方法、系统、设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711376219.1A CN108009914A (zh) 2017-12-19 2017-12-19 一种信用风险评估方法、系统、设备及计算机存储介质

Publications (1)

Publication Number Publication Date
CN108009914A true CN108009914A (zh) 2018-05-08

Family

ID=62060080

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711376219.1A Pending CN108009914A (zh) 2017-12-19 2017-12-19 一种信用风险评估方法、系统、设备及计算机存储介质

Country Status (1)

Country Link
CN (1) CN108009914A (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108711103A (zh) * 2018-06-04 2018-10-26 中国平安人寿保险股份有限公司 个人贷款偿还风险预测方法、装置、计算机设备以及介质
CN108776791A (zh) * 2018-06-07 2018-11-09 中国平安人寿保险股份有限公司 客户身份识别校验方法、装置、计算机设备和存储介质
CN109345374A (zh) * 2018-09-17 2019-02-15 平安科技(深圳)有限公司 风险控制方法、装置、计算机设备和存储介质
CN109685635A (zh) * 2018-09-11 2019-04-26 深圳平安财富宝投资咨询有限公司 金融业务的风险评估方法、风控服务端及存储介质
CN109685526A (zh) * 2018-12-12 2019-04-26 税友软件集团股份有限公司 一种企业信用等级评价方法、装置及相关设备
CN109754157A (zh) * 2018-11-30 2019-05-14 畅捷通信息技术股份有限公司 一种反映企业健康经营、融资增信的评分方法及系统
CN109784733A (zh) * 2019-01-18 2019-05-21 北京三快在线科技有限公司 用户信用预测方法、装置、电子设备及存储介质
CN109816234A (zh) * 2019-01-17 2019-05-28 北京三快在线科技有限公司 服务准入方法、服务准入装置、电子设备及存储介质
CN110415102A (zh) * 2019-06-28 2019-11-05 上海上湖信息技术有限公司 用户信用风险评估方法及装置、计算机可读存储介质
WO2019218751A1 (zh) * 2018-05-16 2019-11-21 阿里巴巴集团控股有限公司 一种保险业务风险预测的处理方法、装置及处理设备
CN110503565A (zh) * 2019-07-05 2019-11-26 中国平安人寿保险股份有限公司 行为风险识别方法、系统、设备及可读存储介质
CN110659922A (zh) * 2018-06-28 2020-01-07 马上消费金融股份有限公司 一种客户筛选方法、装置、服务器及计算机可读存储介质
WO2020015089A1 (zh) * 2018-07-18 2020-01-23 平安科技(深圳)有限公司 身份信息风险评定方法、装置、计算机设备和存储介质
CN111898675A (zh) * 2020-07-30 2020-11-06 北京云从科技有限公司 信贷风控模型生成方法、装置、评分卡生成方法、机器可读介质及设备
CN112184485A (zh) * 2020-09-30 2021-01-05 深圳供电局有限公司 一种电力用户信用评估方法
US20210012213A1 (en) * 2019-07-12 2021-01-14 Electronics And Telecommunications Research Institute Method and apparatus for performing machine learning based on correlation between variables

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106408184A (zh) * 2016-09-12 2017-02-15 中山大学 一种基于多源异构数据的用户信用评估模型
CN106897918A (zh) * 2017-02-24 2017-06-27 上海易贷网金融信息服务有限公司 一种混合式机器学习信用评分模型构建方法
CN107292528A (zh) * 2017-06-30 2017-10-24 阿里巴巴集团控股有限公司 车险风险预测方法、装置及服务器
CN107301577A (zh) * 2016-04-15 2017-10-27 阿里巴巴集团控股有限公司 信用评估模型的训练方法、信用评估方法以及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107301577A (zh) * 2016-04-15 2017-10-27 阿里巴巴集团控股有限公司 信用评估模型的训练方法、信用评估方法以及装置
CN106408184A (zh) * 2016-09-12 2017-02-15 中山大学 一种基于多源异构数据的用户信用评估模型
CN106897918A (zh) * 2017-02-24 2017-06-27 上海易贷网金融信息服务有限公司 一种混合式机器学习信用评分模型构建方法
CN107292528A (zh) * 2017-06-30 2017-10-24 阿里巴巴集团控股有限公司 车险风险预测方法、装置及服务器

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019218751A1 (zh) * 2018-05-16 2019-11-21 阿里巴巴集团控股有限公司 一种保险业务风险预测的处理方法、装置及处理设备
CN108711103A (zh) * 2018-06-04 2018-10-26 中国平安人寿保险股份有限公司 个人贷款偿还风险预测方法、装置、计算机设备以及介质
CN108776791A (zh) * 2018-06-07 2018-11-09 中国平安人寿保险股份有限公司 客户身份识别校验方法、装置、计算机设备和存储介质
CN110659922B (zh) * 2018-06-28 2021-01-26 马上消费金融股份有限公司 一种客户筛选方法、装置、服务器及计算机可读存储介质
CN110659922A (zh) * 2018-06-28 2020-01-07 马上消费金融股份有限公司 一种客户筛选方法、装置、服务器及计算机可读存储介质
WO2020015089A1 (zh) * 2018-07-18 2020-01-23 平安科技(深圳)有限公司 身份信息风险评定方法、装置、计算机设备和存储介质
CN109685635A (zh) * 2018-09-11 2019-04-26 深圳平安财富宝投资咨询有限公司 金融业务的风险评估方法、风控服务端及存储介质
CN109345374A (zh) * 2018-09-17 2019-02-15 平安科技(深圳)有限公司 风险控制方法、装置、计算机设备和存储介质
CN109345374B (zh) * 2018-09-17 2023-04-18 平安科技(深圳)有限公司 风险控制方法、装置、计算机设备和存储介质
CN109754157A (zh) * 2018-11-30 2019-05-14 畅捷通信息技术股份有限公司 一种反映企业健康经营、融资增信的评分方法及系统
CN109685526A (zh) * 2018-12-12 2019-04-26 税友软件集团股份有限公司 一种企业信用等级评价方法、装置及相关设备
CN109816234A (zh) * 2019-01-17 2019-05-28 北京三快在线科技有限公司 服务准入方法、服务准入装置、电子设备及存储介质
CN109784733A (zh) * 2019-01-18 2019-05-21 北京三快在线科技有限公司 用户信用预测方法、装置、电子设备及存储介质
CN110415102A (zh) * 2019-06-28 2019-11-05 上海上湖信息技术有限公司 用户信用风险评估方法及装置、计算机可读存储介质
CN110503565A (zh) * 2019-07-05 2019-11-26 中国平安人寿保险股份有限公司 行为风险识别方法、系统、设备及可读存储介质
CN110503565B (zh) * 2019-07-05 2024-02-06 中国平安人寿保险股份有限公司 行为风险识别方法、系统、设备及可读存储介质
US20210012213A1 (en) * 2019-07-12 2021-01-14 Electronics And Telecommunications Research Institute Method and apparatus for performing machine learning based on correlation between variables
US11880773B2 (en) * 2019-07-12 2024-01-23 Electronics And Telecommunications Research Institute Method and apparatus for performing machine learning based on correlation between variables
CN111898675B (zh) * 2020-07-30 2021-04-23 北京云从科技有限公司 信贷风控模型生成方法、装置、评分卡生成方法、机器可读介质及设备
CN111898675A (zh) * 2020-07-30 2020-11-06 北京云从科技有限公司 信贷风控模型生成方法、装置、评分卡生成方法、机器可读介质及设备
CN112184485A (zh) * 2020-09-30 2021-01-05 深圳供电局有限公司 一种电力用户信用评估方法
CN112184485B (zh) * 2020-09-30 2024-08-20 深圳供电局有限公司 一种电力用户信用评估方法

Similar Documents

Publication Publication Date Title
CN108009914A (zh) 一种信用风险评估方法、系统、设备及计算机存储介质
CN108986908B (zh) 问诊数据处理方法、装置、计算机设备和存储介质
CN108898476A (zh) 一种贷款客户信用评分方法和装置
CN107480141B (zh) 一种基于文本和开发者活跃度的软件缺陷辅助分派方法
CN110276679A (zh) 一种面向深度学习的网络个人信贷欺诈行为检测方法
CN110688478B (zh) 一种答案排序方法、装置及存储介质
CN111062486B (zh) 一种评价数据的特征分布和置信度的方法及装置
CN106529110A (zh) 一种用户数据分类的方法和设备
CN107862423A (zh) 系统评估方法、智能评估系统及计算机可读存储介质
CN116340586B (zh) 基于云平台的汽车故障管理方法、系统及存储介质
CN107730158A (zh) 电网项目智能化评审方法及系统
CN111340236A (zh) 一种基于债券估值数据与集成机器学习的债券违约预测方法
CN114202243A (zh) 一种基于随机森林的工程项目管理风险预警方法及系统
CN113724061A (zh) 基于客户分群的消费金融产品信用评分方法及装置
CN111798303A (zh) 一种法院被执行人履行能力评估的方法
CN110399818A (zh) 一种风险预测的方法和设备
CN104077524A (zh) 用于病毒鉴定的训练方法和病毒鉴定方法及装置
CN115907971B (zh) 适用于个人信用评估系统的数据处理方法及装置
CN110766465A (zh) 金融产品评估方法及其验证方法、装置
CN115953080A (zh) 工程师服务等级确定方法、设备和存储介质
CN113657808B (zh) 一种人员评定方法、装置、设备及存储介质
CN109635289A (zh) 词条分类方法及审计信息抽取方法
CN113762365A (zh) 用户意愿评估方法、装置、计算机设备和存储介质
CN114066075A (zh) 一种基于深度学习的客户流失预测方法
CN113807541A (zh) 决策系统的公平性修复方法、系统、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180508