CN108665120A - 打分模型的建立、用户信用的评估方法及装置 - Google Patents

打分模型的建立、用户信用的评估方法及装置 Download PDF

Info

Publication number
CN108665120A
CN108665120A CN201710188752.9A CN201710188752A CN108665120A CN 108665120 A CN108665120 A CN 108665120A CN 201710188752 A CN201710188752 A CN 201710188752A CN 108665120 A CN108665120 A CN 108665120A
Authority
CN
China
Prior art keywords
variable
sample data
value
index
characteristic
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.)
Granted
Application number
CN201710188752.9A
Other languages
English (en)
Other versions
CN108665120B (zh
Inventor
赵星
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.)
Advanced New Technologies Co Ltd
Advantageous New Technologies Co Ltd
Original Assignee
Alibaba Group Holding 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 Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201710188752.9A priority Critical patent/CN108665120B/zh
Priority to TW106139138A priority patent/TW201835789A/zh
Priority to SG11201907663XA priority patent/SG11201907663XA/en
Priority to KR1020197026057A priority patent/KR102315497B1/ko
Priority to PCT/US2018/023692 priority patent/WO2018183069A1/en
Priority to JP2019553069A priority patent/JP6905076B2/ja
Priority to US15/928,248 priority patent/US11188565B2/en
Publication of CN108665120A publication Critical patent/CN108665120A/zh
Priority to PH12019501965A priority patent/PH12019501965A1/en
Application granted granted Critical
Publication of CN108665120B publication Critical patent/CN108665120B/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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Technology Law (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Collating Specific Patterns (AREA)
  • Complex Calculations (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本申请涉及计算机技术领域，尤其涉及一种打分模型的建立、用户信用的评估方法及装置，在一种打分模型的建立方法中，搜集样本数据集合。对样本数据集合中的样本数据包括的每个特征变量，获取该特征变量与其它特征变量的交互指标。根据交互指标，确定各个特征变量的聚合指标。根据各个特征变量的聚合指标，从样本数据包括的特征变量中选取目标特征变量。根据目标特征变量及对应的特征值，将多个样本数据划分为多个样本数据分组。对每个样本数据分组，建立相应的子打分模型。本申请通过计算各个特征变量的聚合指标，来自动选取用于分群的目标特征变量，这可以提高目标特征变量的选取的效率和准确性，从而可以进一步提高打分模型建立的准确性。

Description

打分模型的建立、用户信用的评估方法及装置
技术领域
本申请涉及计算机技术领域，尤其涉及一种打分模型的建立、用户信用的评估方法及装置。
背景技术
传统技术中，在建立打分模型时，通常是采用逻辑回归或者评分卡等建模方法来建立的。然而，上述建模方法通常是假设变量之间没有交互关系的。当变量之间有交互关系时，一般会采用分群建模的方法来建立打分模型。其中，分群建模是指把总体样本(也称群)根据某个分群变量的值进行切分，此处的分群变量通常是根据专家经验或者实验来选择的。多次切分后整个群可以切分成很多小群，针对每个小群，再建立相应的打分模型。然而，根据专家经验选取分群变量的方法通常效率比较低。而根据实验来选择分群变量时，通常需要尝试各种分群可能性进行分群建摸，然后比较效果。变量组合随着变量增多呈指数增长，变量数量多时很难尝试所有的可能性。当不能尝试所有的可能性时，选取的分群变量通常是不准确的，这影响了最终建立的打分模型的准确性。
发明内容
本申请描述了一种打分模型的建立、用户信用的评估方法及装置，可以提高建立的打分模型的准确性。
第一方面，提供了一种打分模型的建立方法，包括：
搜集样本数据集合，所述样本数据集合包括多个样本数据，每个样本数据由至少一个特征变量及对应的特征值构成；
对每个特征变量，获取所述特征变量与其它特征变量的交互指标；
根据所述交互指标，确定所述特征变量的聚合指标；
根据各个特征变量的聚合指标，从所述至少一个特征变量中选取目标特征变量；
根据所述目标特征变量及对应的特征值，将所述多个样本数据划分为多个样本数据分组；
对每个样本数据分组，建立相应的子打分模型。
第二方面，提供了一种用户信用的评估方法，包括：
获取用户的信用数据信息；
根据所述信用数据信息，确定目标特征变量以及其它特征变量对应的特征值，其中，所述目标特征变量是根据样本数据中各个特征变量的聚合指标选取的，所述样本数据由至少一个特征变量及对应的特征值构成；
根据所述目标特征变量对应的特征值，选择对应的样本数据分组；
根据所述样本数据分组对应的子打分模型以及所述其它特征变量对应的特征值，确定所述用户的信用分数；
根据所述用户的信用分数，对所述用户的信用进行评估。
第三方面，提供了一种打分模型的建立装置，包括：
搜集单元，用于搜集样本数据集合，所述样本数据集合包括多个样本数据，每个样本数据由至少一个特征变量及对应的特征值构成；
获取单元，用于对每个特征变量，获取所述特征变量与其它特征变量的交互指标；
确定单元，用于根据所述获取单元获取的所述交互指标，确定所述特征变量的聚合指标；
选取单元，用于根据所述确定单元确定的各个特征变量的聚合指标，从所述至少一个特征变量中选取目标特征变量；
划分单元，用于根据所述选取单元选取的所述目标特征变量及对应的特征值，将所述多个样本数据划分为多个样本数据分组；
建立单元，用于对所述划分单元划分的每个样本数据分组，建立相应的子打分模型。
第四方面，提供了一种用户信用的评估装置，包括：
获取单元，用于获取用户的信用数据信息；
确定单元，用于根据所述获取单元获取的所述信用数据信息，确定目标特征变量以及其它特征变量对应的特征值，其中，所述目标特征变量是根据样本数据中各个特征变量的聚合指标选取的，所述样本数据由至少一个特征变量及对应的特征值构成；
选取单元，用于根据所述确定单元确定的所述目标特征变量对应的特征值，选取对应的样本数据分组；
所述确定单元，还用于根据所述选取单元选取的所述样本数据分组对应的子打分模型以及所述其它特征变量对应的特征值，确定所述用户的信用分数；
评估单元，用于根据所述确定单元确定的所述用户的信用分数，对所述用户的信用进行评估。
本申请提供的打分模型的建立、用户信用的评估方法及装置，搜集样本数据集合。对样本数据集合中的样本数据包括的每个特征变量，获取该特征变量与其它特征变量的交互指标。根据交互指标，确定各个特征变量的聚合指标。根据各个特征变量的聚合指标，从样本数据包括的特征变量中选取目标特征变量。根据目标特征变量及对应的特征值，将多个样本数据划分为多个样本数据分组。对每个样本数据分组，建立相应的子打分模型。由此可以看出，本申请是通过计算各个特征变量的聚合指标，来自动选取用于分群的目标特征变量的。这可以提高目标特征变量的选取的效率和准确性，从而可以进一步提高打分模型建立的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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一些实施例，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，还可以根据这些附图获得其它的附图。
图1为本申请一种实施例提供的打分模型的建立方法流程图；
图2为本申请提供的获取特征变量的交互指标的方法流程图；
图3为本申请一种实施例提供的用户信用的评估方法流程图；
图4为本申请一种实施例提供的打分模型的建立装置示意图；
图5为本申请一种实施例提供的用户信用的评估装置示意图。
具体实施方式
下面结合附图，对本申请的实施例进行描述。
本申请实施例提供的打分模型的建立方法及装置适用于分群建模的场景，分群建模的本质是把复杂函数关系分解成简单的相加函数关系。具体地，先找到用于分群的特征变量，之后根据特征变量及对应的特征值，对样本数据进行分群。在分群之后，针对每个分群，建立相应的子打分模型。在理想的情况下，子打分模型即为简单的相加函数关系，如，直接可以用评分卡模型来描述。因此，在分群建模的过程中，用于分群的特征变量的选择是比较关键的部分。本申请将在以下实施例中对该部分内容作出详细介绍。
此外，本申请建立的打分模型可以应用于用户信用的评估以及金融风险控制等领域。
图1为本申请一种实施例提供的打分模型的建立方法流程图。所述方法的执行主体可以为具有处理能力的设备：服务器或者系统或者装置，如图1所示，所述方法具体包括：
步骤110，搜集样本数据集合。
该样本数据集合可以包括多个样本数据，每个样本数据包括至少一个特征变量及对应的特征值以及样本标记。
需要说明的是，上述特征变量可以由人为预先设定。举例来说，当上述打分模型应用于用户信用的评估时，上述样本数据的特征变量可以归属于如下三个类别：1)用户行为数据(Activity，简称A)。2)用户趋势数据(Trend，简称T)。3)用户画像数据(Profile，简称P)等。用户行为数据可以包括：用户交易行为数据、用户理财行为数据以及用户其它行为数据。其中，用户交易行为数据例如可以为：a，若干天(如，90天)平均支付金额；b，若干天(如，180天)内支付天数；c，若干天(如，180天)内支付金额；d，最后一次支付距今时间等。用户理财行为数据例如可以为：a，若干天内购买第一目标产品次数，如，90天内购买招财宝次数；b，若干天内购买第二目标产品次数，如，90天内购买余额宝次数；c，若干天内购买第二目标产品金额，如，90天内购买余额宝余额。用户其它行为数据例如可以为：a，若干天(如，180天)内用户来电次数；b，最后一次登录城市；c，最后一次登录距今时间；d，若干天(如，90天)内登录次数等。用户趋势数据例如可以为：a，用户平均余额变化趋势(30天/30-90天)；b，登录次数变化趋势(30天/30-60天)；c，远程过程调用(Remote Procedure Call，RPC)变化趋势(30天/30-60天)；d，支付次数变化趋势(30天/30-90天)等。用户画像数据例如可以为：a，用户是否单身；b，用户是否装修；c，用户是否已婚；d，用户年龄；e，用户注册时长；f，用户学历；g，用户收入等。
需要说明的是，可以对样本数据中各个特征变量对应的特征值进行预处理，如，离散化处理。举例来说，假设特征变量为用户年龄，则在对用户年龄离散化处理之后，可以得到如下四个分段(也称分箱)：“<20”、“[20,25)”、“[25,30)”以及“>＝30”。
步骤120，对每个特征变量，获取特征变量与其它特征变量的交互指标。
此处的其它特征变量是指样本数据中除该特征变量之外剩余的特征变量，其个数可以为多个。举例来说，假设样本数据集合中的样本数据由三个特征变量及对应的特征的值构成，且假设该三个特征变量分别为：x1、x2和x3。则在特征变量为x1时，其它特征变量包括：x2和x3。
在一种实现方式中，获取特征变量与一个其它特征变量的交互指标的过程可以如图2所示。图2中，可以包括如下步骤：
步骤210，根据样本数据中特征变量及对应的特征值、其它特征变量及对应的特征值以及样本数据的样本标记，训练普通评分卡模型。
训练普通评分卡模型的过程具体可以为：预先设定普通评分卡模型：y＝f1(x1)+f2(x2)，其中，y可以定义为打分结果，x1为一个特征变量，x2为一个其它特征变量。函数关系f1(x1)可以定义为特征变量x1的不同分段对应的分数值，函数关系f2(x2)可以定义为一个其它特征变量x2的不同分段对应的分数值。之后通过优化函数关系f1和f2来实现对普通评分卡模型的训练。可以理解的是，优化函数关系f1即为调整特征变量x1的不同分段对应的分数值的过程，优化函数关系f2即为调整一个其它特征变量x2的不同分段对应的分数值的过程。
具体地，可以是通过学习样本集合中的样本数据，来优化函数关系f1和f2。如，对每个样本数据，可以通过预设的普通评分卡模型来对其进行打分。由于预设的普通评分卡模型中包括了两个函数关系(f1和f2)，且f1与x1相关，f2与x2相关。因此，通过预设的普通评分卡模型对样本数据进行打分的过程可以为：通过f1(x1)得到第一打分结果，通过f2(x2)得到第二打分结果。其中，获取第一打分结果的过程即为：根据当前样本数据包含的特征变量x1的特征值，从f1中选择该特征值所属分段对应的分数值的过程。获取第二打分结果的过程即为：根据当前样本数据包含的一个其它特征变量x2的特征值，从f2中选择该特征值所属分段对应的分数值的过程。之后，将第一打分结果与第二打分结果相加，得到最终的打分结果。在得到最终的打分结果之后，通过比对最终的打分结果与该样本数据的样本标记，来调整f1和f2，从而得到优化后的f1和f2。在一种实现方式中，当预设的普通评分卡模型对各个样本数据的打分结果的准确率达到预设阈值时，就训练出了普通评分卡模型。
在一个例子中，训练出的普通评分卡模型可以如表1所示。
表1
需要说明的是，步骤210在设定普通评分卡模型时，假设f1与一个特征变量(x1)相关，f2与一个特征变量(x2)相关，即f1和f2均为一元函数，也即上述普通评分卡模型没有考虑特征变量之间的交互关系。
还需要说明的是，由于f1只与特征变量x1相关，f2只与特征变量x2相关。因此，在调整f1和f2的过程中不需要大批样本数据。此外，因为不需要大批样本数据，所以可以快速地对普通评分卡模型进行训练。
步骤220，根据样本数据中特征变量及对应的特征值、其它特征变量及对应的特征值以及样本数据的样本标记，训练交叉评分卡模型。
训练交叉评分卡模型的过程具体可以为：预先设定交叉评分卡模型：y＝f(x1,x2)，其中，y可以定义为打分结果，x1为一个特征变量，x2为一个其它特征变量。函数关系f(x1,x2)可以定义为特征变量x1与一个其它特征变量x2的交叉分段(也称二元交叉分段)对应的分数值。之后通过优化函数关系f来实现对交叉评分卡模型的训练。可以理解的是，优化函数关系f即为调整特征变量x1与一个其它特征变量x2的交叉分段对应的分数值的过程。
函数关系f的优化过程与f1的优化过程类似，在此不复赘述。
以下将通过举例的方式来说明交叉分段：假设特征变量为用户年龄，且用户年龄的四个分段为：“<20”、“[20,25)”、“[25,30)”以及“>＝30”。且假设一个其它特征变量为用户学历，且用户学历的四个分段为：“专科及以下”、“本科”、“硕士”以及“博士及以上”。则特征变量与其它特征变量可以构成4*4＝16个交叉分段。其中，一个交叉分段可以举例为“<20&专科及以下”。
需要说明的是，步骤220在设定交叉评分卡模型时，假设y同时与两个自变量(x1和x2)相关，即f(x1,x2)为二元函数，也即上述交叉评分卡模型考虑了特征变量之间的交互关系。因此，通过交叉评分卡模型通常能很好的描述特征变量之间的交互关系。
步骤230，确定训练出的普通评分卡模型与训练出的交叉评分卡模型的性能差异值，将性能差异值作为交互指标。
在一个例子中，在确定上述性能差异值之前，可以先确定训练出的普通评分卡模型的性能指标值obj{f1(x1)+f2(x2)}以及训练出的交叉评分卡模型的性能指标值obj{f(x1,x2)}。其中，训练出的普通评分卡模型的性能指标值的确定过程可以为：通过训练出的普通评分卡模型对各个样本数据进行打分；根据训练出的普通评分卡模型对各个样本数据的打分结果以及样本标记，确定训练出的普通评分卡模型的性能指标值。
训练出的普通评分卡模型的性能指标值的确定过程具体可以为：通过训练出的普通评分卡模型对各个样本数据进行打分，得到各个样本数据的打分结果。根据各个样本数据的打分结果以及各个样本数据的样本标记，确定各个样本数据的误差值。根据各个样本数据的误差值，确定训练出的普通评分卡模型的性能指标值。
训练出的交叉评分卡模型的性能指标值obj{f(x1,x2)}的确定过程可以为：通过训练出的交叉评分卡模型对各个样本数据进行打分；根据训练出的交叉评分卡模型对各个样本数据的打分结果以及样本标记，确定训练出的交叉评分卡模型的性能指标值。
上述普通评分卡模型和交叉评分卡模型的性能指标确定方式只是一个举例，实际上，模型性能的评定还有其他的方式，这里不再一一赘述。
在确定训练出的普通评分卡模型的性能指标值以及训练出的交叉评分卡模型的性能指标值之后，可以将两者相减，来确定训练出的普通评分卡模型与训练出的交叉评分卡模型的性能差异值I(x1,x2)。也即I(x1,x2)＝obj{f(x1,x2)}-obj{f1(x1)+f2(x2)}。可以理解的是，该性能差异值I(x1,x2)是用于描述训练出的普通评分卡模型与训练出的交叉评分卡模型的性能差异的。
需要说明的是，由于交叉评分卡模型考虑了特征变量之间的交互关系，因此通过交叉评分卡模型通常能很好的描述特征变量之间的交互关系。而普通评分卡模型通常不描述特征变量之间的交互关系。因此，可以将性能差异值作为特征变量之间的交互指标。具体地，当该交互指标比较小时(如，接近0)，说明该两个特征变量之间交互关系比较弱。相反，当该交互指标比较大时，说明该两个特征变量之间的交互关系比较强。
步骤130，根据交互指标，确定特征变量的聚合指标。
需要说明的是，当其它特征变量的个数为多个时，获取的交互指标的个数也为多个。其中，每个交互指标的获取方法相类似，即可以如图2所示，本申请在此不复赘述。
举例来说，假设样本数据集合中的样本数据由三个特征变量及对应的特征的值构成，且假设该三个特征变量分别为：x1、x2和x3。则在特征变量为x1时，其它特征变量包括：x2和x3。相应的，计算的交互指标的个数为两个，即为：I(x1,x2)和I(x1,x3)。在一种实现方式中，在确定多个交互指标之后，可以通过将该多个交互指标进行求和，并将求和结果作为特征变量x1的聚合指标。也即可以根据公式1，来确定特征变量的聚合指标。
Agg(xi)＝sum(I(xi,xj))j＝1,...,N j≠i (公式1)
其中，xi为当前要确定聚合指标的特征变量，其取值范围为[1，N]，Agg(xi)为特征变量xi的聚合指标，N为特征变量的个数，xj为不同于特征变量xi的其它特征变量，其个数为N-1个。
可以理解的是，当特征变量的个数为N个时，就可以确定N个聚合指标，分别表示为：Agg(x1)，Agg(x2)，…，Agg(xN)。
步骤140，根据各个特征变量的聚合指标，从至少一个特征变量中选取目标特征变量。
在一种实现方式中，可以将各个特征变量的聚合指标进行比对，将最大的聚合指标对应的特征变量选取为目标特征变量。需要说明的是，特征变量的聚合指标是该特征变量与其它特征变量的交互指标之和，而交互指标是用于描述该特征变量之间交互关系强弱的，所以某个特征变量的聚合指标最大时，说明该特征变量与所有其它特征变量之间的交互关系都比较强。也即本申请将选取与所有其它特征变量之间的交互关系都比较强的特征变量作为目标特征变量。
步骤150，根据目标特征变量及对应的特征值，将多个样本数据划分为多个样本数据分组。
此处，划分样本数据分组的过程也可以称为分群过程。在分群建模中，根据某一特征变量及对应的特征值对样本数据进行分群属于传统常规技术，在此不复赘述。
需要说明的是，上文中提到目标特征变量是指与所有其它特征变量之间的交互关系都比较强的特征变量，因此，根据该目标特征变量及对应的特征值对样本数据进行分群，可以减少小群里的交互关系。由此，来实现最理想的分群建模的目的。
步骤160，对每个样本数据分组，建立相应的子打分模型。
如，在得到各个样本数据分组之后，可以针对每个样本数据分组，训练普通评分卡模型，其可以如表1所示。
需要说明的是，在建立打分模型之后，就可以基于该打分模型对用户信用进行评估或者对交易行为的风险进行预测了。以基于打分模型对用户信用进行评估为例来说，其评估方法可以如图3所示。图3中，该方法可以包括如下步骤：
步骤310，获取用户的信用数据信息。
此处，用户的信用数据信息可以是由人工或者服务器从后台数据库中收集的，其可以包括但不限于如下三方面的数据：1)用户行为数据。2)用户趋势数据。3)用户画像数据。
步骤320，根据信用数据信息，确定目标特征变量以及其它特征变量对应的特征值。
此处的目标特征变量可以是指通过上述步骤120-步骤140选取的目标特征变量，其选取过程如上所述，在此不服赘述。
以信用数据信息包含用户年龄为20岁，用户学历为本科，用户收入为0为例来说，且假设目标特征变量为用户年龄，其它特征变量包括：用户学历和用户收入。则目标特征变量对应的特征值为：20岁，其它特征变量对应的特征值分别为：本科和0。
步骤330，根据目标特征变量对应的特征值，选择对应的样本数据分组。
举例来说，假设目标特征变量为用户年龄，且根据该目标特征变量对应的特征值将样本数据集合分为四个样本数据分组(也即分为四个群)。其中，第一个样本数据分组中，用户年龄均小于20岁。第二个样本数据分组中，用户年龄在20至25岁之间。第三个样本数据分组中，用户年龄在25至30岁之间。第四个样本数据分组中，用户年龄均大于30岁。则在根据用户的信用数据信息，确定目标特征变量对应的特征值为：20岁时，选择的样本数据分组为第二个样本数据分组。
步骤340，根据样本数据分组对应的子打分模型以及其它特征变量对应的特征值，确定用户的信用分数。
如前述例子，假设选择的第二个样本数据分组对应的子打分模型如表2所示。
表2
具体地，在第二个样本数据分组对应的子打分模型如表2所示时，因为两个其它特征变量对应的特征值分别为：本科和0。则用户的信用分数＝37+30＝67。
步骤350，根据用户的信用分数，对用户的信用进行评估。
在一种实现方式中，可以设定阈值。当用户的信用分数超过预设的阈值时，说明用户的信用比较高。当用户的信用分数未超过预设的阈值时，说明用户的信用比较低。
本申请实施例提供的用户信用的评估方法可以准确地对用户的信用进行评估，且可以提高评估效率。
与上述打分模型的建立方法对应地，本申请实施例还提供的一种打分模型的建立装置，如图4所示，该装置包括：
搜集单元401，用于搜集样本数据集合，该样本数据集合包括多个样本数据，每个样本数据由至少一个特征变量及对应的特征值构成。
获取单元402，用于对每个特征变量，获取特征变量与其它特征变量的交互指标。
可选地，获取单元402具体可以用于：
根据各个样本数据中特征变量及对应的特征值、其它特征变量及对应的特征值以及样本数据的样本标记，训练普通评分卡模型。
根据各个样本数据中特征变量及对应的特征值、其它特征变量及对应的特征值以及样本数据的样本标记，训练交叉评分卡模型。
确定训练出的普通评分卡模型与训练出的交叉评分卡模型的性能差异值，将性能差异值作为交互指标。
其中，确定训练出的普通评分卡模型与训练出的交叉评分卡模型的性能差异值，包括：
通过训练出的普通评分卡模型对样本数据进行打分；根据训练出的普通评分卡模型对样本数据的打分结果以及样本标记，确定训练出的普通评分卡模型的性能指标值。
通过训练出的交叉评分卡模型对样本数据进行打分；根据训练出的交叉评分卡模型对样本数据的打分结果以及样本标记，确定训练出的交叉评分卡模型的性能指标值。
根据训练出的普通评分卡模型的性能指标值以及训练出的交叉评分卡模型的性能指标值，确定性能差异值。
确定单元403，用于根据获取单元402获取的交互指标，确定特征变量的聚合指标。
可选地，当交互指标为多个时，确定单元403具体可以用于：
对多个交互指标进行求和，得到求和结果。
将求和结果作为特征变量的聚合指标。
选取单元404，用于根据确定单元403确定的各个特征变量的聚合指标，从至少一个特征变量中选取目标特征变量。
可选地，选取单元404具体可以用于：
将各个特征变量的聚合指标进行比对，将最大的聚合指标对应的特征变量选取为目标特征变量。
划分单元405，用于根据选取单元404选取的目标特征变量及对应的特征值，将多个样本数据划分为多个样本数据分组。
建立单元406，用于对划分单元405划分的每个样本数据分组，建立相应的子打分模型。
本申请实施例装置的各功能模块的功能，可以通过上述方法实施例的各步骤来实现，因此，本申请提供的装置的具体工作过程，在此不复赘述。
本申请实施例提供的打分模型的建立装置，搜集单元401搜集样本数据集合。对每个特征变量，获取单元402获取特征变量与其它特征变量的交互指标。确定单元403根据交互指标，确定特征变量的聚合指标。选取单元404根据各个特征变量的聚合指标，从至少一个特征变量中选取目标特征变量。划分单元405根据目标特征变量及对应的特征值，将多个样本数据划分为多个样本数据分组。对每个样本数据分组，建立单元406建立相应的子打分模型。由此，可以提高打分模型建立的准确性。
与上述用户信用的评估方法对应地，本申请实施例还提供的一种用户信用的评估装置，如图5所示，该装置包括：
获取单元501，用于获取用户的信用数据信息。
确定单元502，用于根据获取单元501获取的信用数据信息，确定目标特征变量以及其它特征变量对应的特征值，其中，目标特征变量是根据样本数据中各个特征变量的聚合指标选取的，样本数据由至少一个特征变量及对应的特征值构成。
选取单元503，用于根据确定单元502确定的目标特征变量对应的特征值，选取对应的样本数据分组。
确定单元502，还用于根据选取单元503选取的样本数据分组对应的子打分模型以及其它特征变量对应的特征值，确定用户的信用分数。
评估单元504，用于根据确定单元502确定的用户的信用分数，对用户的信用进行评估。
可选地，选取单元503还可以用于：
对样本数据中的每个特征变量，获取该特征变量与其它特征变量的交互指标。
根据交互指标，确定特征变量的聚合指标。
根据各个特征变量的聚合指标，从至少一个特征变量中选取目标特征变量。
可选地，上述获取特征变量与其它特征变量的交互指标可以包括：
根据样本数据中特征变量及对应的特征值、其它特征变量及对应的特征值以及样本数据的样本标记，训练普通评分卡模型。
根据样本数据中特征变量及对应的特征值、其它特征变量及对应的特征值以及样本数据的样本标记，训练交叉评分卡模型。
确定训练出的普通评分卡模型与训练出的交叉评分卡模型的性能差异值，将性能差异值作为所述交互指标。
可选地，上述确定训练出的普通评分卡模型与训练出的交叉评分卡模型的性能差异值可以包括：
通过训练出的普通评分卡模型对样本数据进行打分；根据训练出的普通评分卡模型对样本数据的打分结果以及样本标记，确定训练出的普通评分卡模型的性能指标值。
通过训练出的交叉评分卡模型对样本数据进行打分；根据训练出的交叉评分卡模型对样本数据的打分结果以及样本标记，确定训练出的交叉评分卡模型的性能指标值。
根据训练出的普通评分卡模型的性能指标值以及训练出的交叉评分卡模型的性能指标值，确定性能差异值。
本申请实施例装置的各功能模块的功能，可以通过上述方法实施例的各步骤来实现，因此，本申请提供的装置的具体工作过程，在此不复赘述。
本申请实施例提供的用户信用的评估装置可以准确地对用户信用进行评估。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (18)

1.一种打分模型的建立方法，其特征在于，包括：
搜集样本数据集合，所述样本数据集合包括多个样本数据，每个样本数据由至少一个特征变量及对应的特征值构成；
对每个特征变量，获取所述特征变量与其它特征变量的交互指标；
根据所述交互指标，确定所述特征变量的聚合指标；
根据各个特征变量的聚合指标，从所述至少一个特征变量中选取目标特征变量；
根据所述目标特征变量及对应的特征值，将所述多个样本数据划分为多个样本数据分组；
对每个样本数据分组，建立相应的子打分模型。
2.根据权利要求1所述的方法，其特征在于，所述获取所述特征变量与其它特征变量的交互指标，包括：
根据样本数据中所述特征变量及对应的特征值、所述其它特征变量及对应的特征值以及所述样本数据的样本标记，训练普通评分卡模型；
根据样本数据中所述特征变量及对应的特征值、所述其它特征变量及对应的特征值以及所述样本数据的样本标记，训练交叉评分卡模型；
确定训练出的普通评分卡模型与训练出的交叉评分卡模型的性能差异值，将所述性能差异值作为所述交互指标。
3.根据权利要求2所述的方法，其特征在于，所述确定训练出的普通评分卡模型与训练出的交叉评分卡模型的性能差异值，包括：
通过训练出的普通评分卡模型对样本数据进行打分；根据训练出的普通评分卡模型对样本数据的打分结果以及所述样本标记，确定训练出的普通评分卡模型的性能指标值；
通过训练出的交叉评分卡模型对样本数据进行打分；根据训练出的交叉评分卡模型对样本数据的打分结果以及所述样本标记，确定训练出的交叉评分卡模型的性能指标值；
根据训练出的普通评分卡模型的性能指标值以及训练出的交叉评分卡模型的性能指标值，确定所述性能差异值。
4.根据权利要求1-3任一项所述的方法，其特征在于，当所述交互指标为多个时，所述根据所述交互指标，确定所述特征变量的聚合指标，包括：
对所述多个交互指标进行求和，得到求和结果；
将所述求和结果作为所述特征变量的聚合指标。
5.根据权利要求1-3任一项所述的方法，其特征在于，所述根据各个特征变量的聚合指标，从所述至少一个特征变量中选取目标特征变量，包括：
将所述各个特征变量的聚合指标进行比对，将最大的聚合指标对应的特征变量选取为所述目标特征变量。
6.一种用户信用的评估方法，其特征在于，包括：
获取用户的信用数据信息；
根据所述信用数据信息，确定目标特征变量以及其它特征变量对应的特征值，其中，所述目标特征变量是根据样本数据中各个特征变量的聚合指标选取的，所述样本数据由至少一个特征变量及对应的特征值构成；
根据所述目标特征变量对应的特征值，选择对应的样本数据分组；
根据所述样本数据分组对应的子打分模型以及所述其它特征变量对应的特征值，确定所述用户的信用分数；
根据所述用户的信用分数，对所述用户的信用进行评估。
7.根据权利要求6所述的方法，其特征在于，还包括：选取所述目标特征变量的步骤，包括：
对所述样本数据中的每个特征变量，获取所述特征变量与其它特征变量的交互指标；
根据所述交互指标，确定所述特征变量的聚合指标；
根据各个特征变量的聚合指标，从所述至少一个特征变量中选取目标特征变量。
8.根据权利要求7所述的方法，其特征在于，所述获取所述特征变量与其它特征变量的交互指标，包括：
根据所述样本数据中所述特征变量及对应的特征值、所述其它特征变量及对应的特征值以及所述样本数据的样本标记，训练普通评分卡模型；
根据所述样本数据中所述特征变量及对应的特征值、所述其它特征变量及对应的特征值以及所述样本数据的样本标记，训练交叉评分卡模型；
确定训练出的普通评分卡模型与训练出的交叉评分卡模型的性能差异值，将所述性能差异值作为所述交互指标。
9.根据权利要求8所述的方法，其特征在于，所述确定训练出的普通评分卡模型与训练出的交叉评分卡模型的性能差异值，包括：
通过训练出的普通评分卡模型对样本数据进行打分；根据训练出的普通评分卡模型对样本数据的打分结果以及所述样本标记，确定训练出的普通评分卡模型的性能指标值；
通过训练出的交叉评分卡模型对样本数据进行打分；根据训练出的交叉评分卡模型对样本数据的打分结果以及所述样本标记，确定训练出的交叉评分卡模型的性能指标值；
根据训练出的普通评分卡模型的性能指标值以及训练出的交叉评分卡模型的性能指标值，确定所述性能差异值。
10.一种打分模型的建立装置，其特征在于，包括：
搜集单元，用于搜集样本数据集合，所述样本数据集合包括多个样本数据，每个样本数据由至少一个特征变量及对应的特征值构成；
获取单元，用于对每个特征变量，获取所述特征变量与其它特征变量的交互指标；
确定单元，用于根据所述获取单元获取的所述交互指标，确定所述特征变量的聚合指标；
选取单元，用于根据所述确定单元确定的各个特征变量的聚合指标，从所述至少一个特征变量中选取目标特征变量；
划分单元，用于根据所述选取单元选取的所述目标特征变量及对应的特征值，将所述多个样本数据划分为多个样本数据分组；
建立单元，用于对所述划分单元划分的每个样本数据分组，建立相应的子打分模型。
11.根据权利要求10所述的装置，其特征在于，所述获取单元具体用于：
根据样本数据中所述特征变量及对应的特征值、所述其它特征变量及对应的特征值以及所述样本数据的样本标记，训练普通评分卡模型；
根据样本数据中所述特征变量及对应的特征值、所述其它特征变量及对应的特征值以及所述样本数据的样本标记，训练交叉评分卡模型；
确定训练出的普通评分卡模型与训练出的交叉评分卡模型的性能差异值，将所述性能差异值作为所述交互指标。
12.根据权利要求11所述的装置，其特征在于，所述确定训练出的普通评分卡模型与训练出的交叉评分卡模型的性能差异值，包括：
通过训练出的普通评分卡模型对样本数据进行打分；根据训练出的普通评分卡模型对样本数据的打分结果以及所述样本标记，确定训练出的普通评分卡模型的性能指标值；
通过训练出的交叉评分卡模型对样本数据进行打分；根据训练出的交叉评分卡模型对样本数据的打分结果以及所述样本标记，确定训练出的交叉评分卡模型的性能指标值；
根据训练出的普通评分卡模型的性能指标值以及训练出的交叉评分卡模型的性能指标值，确定所述性能差异值。
13.根据权利要求10-12任一项所述的装置，其特征在于，当所述交互指标为多个时，所述确定单元具体用于：
对所述多个交互指标进行求和，得到求和结果；
将所述求和结果作为所述特征变量的聚合指标。
14.根据权利要求10-12任一项所述的装置，其特征在于，所述选取单元具体用于：
将所述各个特征变量的聚合指标进行比对，将最大的聚合指标对应的特征变量选取为所述目标特征变量。
15.一种用户信用的评估装置，其特征在于，包括：
获取单元，用于获取用户的信用数据信息；
确定单元，用于根据所述获取单元获取的所述信用数据信息，确定目标特征变量以及其它特征变量对应的特征值，其中，所述目标特征变量是根据样本数据中各个特征变量的聚合指标选取的，所述样本数据由至少一个特征变量及对应的特征值构成；
选取单元，用于根据所述确定单元确定的所述目标特征变量对应的特征值，选取对应的样本数据分组；
所述确定单元，还用于根据所述选取单元选取的所述样本数据分组对应的子打分模型以及所述其它特征变量对应的特征值，确定所述用户的信用分数；
评估单元，用于根据所述确定单元确定的所述用户的信用分数，对所述用户的信用进行评估。
16.根据权利要求15所述的装置，其特征在于，所述选取单元还用于：
对所述样本数据中的每个特征变量，获取所述特征变量与其它特征变量的交互指标；
根据所述交互指标，确定所述特征变量的聚合指标；
根据各个特征变量的聚合指标，从所述至少一个特征变量中选取目标特征变量。
17.根据权利要求16所述的装置，其特征在于，所述获取所述特征变量与其它特征变量的交互指标，包括：
根据所述样本数据中所述特征变量及对应的特征值、所述其它特征变量及对应的特征值以及所述样本数据的样本标记，训练普通评分卡模型；
根据所述样本数据中所述特征变量及对应的特征值、所述其它特征变量及对应的特征值以及所述样本数据的样本标记，训练交叉评分卡模型；
确定训练出的普通评分卡模型与训练出的交叉评分卡模型的性能差异值，将所述性能差异值作为所述交互指标。
18.根据权利要求17所述的装置，其特征在于，所述确定训练出的普通评分卡模型与训练出的交叉评分卡模型的性能差异值，包括：
通过训练出的普通评分卡模型对样本数据进行打分；根据训练出的普通评分卡模型对样本数据的打分结果以及所述样本标记，确定训练出的普通评分卡模型的性能指标值；
通过训练出的交叉评分卡模型对样本数据进行打分；根据训练出的交叉评分卡模型对样本数据的打分结果以及所述样本标记，确定训练出的交叉评分卡模型的性能指标值；
根据训练出的普通评分卡模型的性能指标值以及训练出的交叉评分卡模型的性能指标值，确定所述性能差异值。
CN201710188752.9A 2017-03-27 2017-03-27 打分模型的建立、用户信用的评估方法及装置 Active CN108665120B (zh)

Priority Applications (8)

Application Number Priority Date Filing Date Title
CN201710188752.9A CN108665120B (zh) 2017-03-27 2017-03-27 打分模型的建立、用户信用的评估方法及装置
TW106139138A TW201835789A (zh) 2017-03-27 2017-11-13 評分模型的建立、用戶信用的評估方法及裝置
KR1020197026057A KR102315497B1 (ko) 2017-03-27 2018-03-22 채점 모델을 구축하고 사용자 신용을 평가하기 위한 방법 및 디바이스
PCT/US2018/023692 WO2018183069A1 (en) 2017-03-27 2018-03-22 Method and device for constructing scoring model and evaluating user credit
SG11201907663XA SG11201907663XA (en) 2017-03-27 2018-03-22 Method and device for constructing scoring model and evaluating user credit
JP2019553069A JP6905076B2 (ja) 2017-03-27 2018-03-22 スコアリング・モデルを構築し、ユーザ・クレジットを評価するための方法及びデバイス
US15/928,248 US11188565B2 (en) 2017-03-27 2018-03-22 Method and device for constructing scoring model and evaluating user credit
PH12019501965A PH12019501965A1 (en) 2017-03-27 2019-08-27 Method and device for constructing scoring model and evaluating user credit

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710188752.9A CN108665120B (zh) 2017-03-27 2017-03-27 打分模型的建立、用户信用的评估方法及装置

Publications (2)

Publication Number Publication Date
CN108665120A true CN108665120A (zh) 2018-10-16
CN108665120B CN108665120B (zh) 2020-10-20

Family

ID=61966072

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710188752.9A Active CN108665120B (zh) 2017-03-27 2017-03-27 打分模型的建立、用户信用的评估方法及装置

Country Status (8)

Country Link
US (1) US11188565B2 (zh)
JP (1) JP6905076B2 (zh)
KR (1) KR102315497B1 (zh)
CN (1) CN108665120B (zh)
PH (1) PH12019501965A1 (zh)
SG (1) SG11201907663XA (zh)
TW (1) TW201835789A (zh)
WO (1) WO2018183069A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110033158A (zh) * 2019-02-03 2019-07-19 阿里巴巴集团控股有限公司 一种用户信用行为评估方法、装置和电子设备
CN110956386A (zh) * 2019-11-27 2020-04-03 北京国腾联信科技有限公司 基于多渠道的信用数据的处理方法和装置
CN112766649A (zh) * 2020-12-31 2021-05-07 平安科技（深圳）有限公司 基于多评分卡融合的目标对象评价方法及其相关设备

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111164633B (zh) * 2018-05-31 2024-01-05 重庆小雨点小额贷款有限公司 一种评分卡模型的调整方法、装置、服务器及存储介质
CN109359850A (zh) * 2018-10-10 2019-02-19 大连诺道认知医学技术有限公司 一种生成风险评估量表的方法及装置
CN109598446A (zh) * 2018-12-09 2019-04-09 国网江苏省电力有限公司扬州供电分公司 一种基于机器学习算法的电费回收风险预警系统
CN109658193A (zh) * 2018-12-20 2019-04-19 拉扎斯网络科技（上海）有限公司 系统对象重要性的确定方法、装置、电子设备及存储介质
CN110264038A (zh) * 2019-05-22 2019-09-20 深圳壹账通智能科技有限公司 一种产品测评模型的生成方法及设备
CN110544165B (zh) * 2019-09-02 2022-06-03 中诚信征信有限公司 一种信用风险评分卡创建方法、装置及电子设备
CN111598143B (zh) * 2020-04-27 2023-04-07 浙江工业大学 基于信用评估的面向联邦学习中毒攻击的防御方法
CN112634033A (zh) * 2021-01-04 2021-04-09 深圳前海微众银行股份有限公司 基于域分解机的模型构建方法、装置、系统及存储介质
CN112907035B (zh) * 2021-01-27 2022-08-05 厦门卫星定位应用股份有限公司 基于K-means的交通运输主体信用评级方法及装置
CN113435746B (zh) * 2021-06-28 2022-09-27 平安银行股份有限公司 用户工作量的评分方法、装置、电子设备及存储介质
US11423680B1 (en) * 2021-11-10 2022-08-23 Sas Institute Inc. Leveraging text profiles to select and configure models for use with textual datasets
CN114462516B (zh) * 2022-01-21 2024-04-16 天元大数据信用管理有限公司 一种企业信用评分样本标注方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101685458A (zh) * 2008-09-27 2010-03-31 华为技术有限公司 一种基于协同过滤的推荐方法和系统
CN103377296A (zh) * 2012-04-19 2013-10-30 中国科学院声学研究所 一种多指标评价信息的数据挖掘方法
US20140365356A1 (en) * 2013-06-11 2014-12-11 Fair Isaac Corporation Future Credit Score Projection
US8984022B1 (en) * 2012-04-20 2015-03-17 Fair Isaac Corporation Automating growth and evaluation of segmentation trees
CN105354210A (zh) * 2015-09-23 2016-02-24 深圳市爱贝信息技术有限公司 移动游戏支付账户行为数据处理方法和装置

Family Cites Families (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002169958A (ja) * 2000-12-01 2002-06-14 Financial Technology Research Institute Inc 信用評価システム、信用評価方法及び信用評価プログラムを格納した記憶媒体
US7451065B2 (en) * 2002-03-11 2008-11-11 International Business Machines Corporation Method for constructing segmentation-based predictive models
US7813945B2 (en) 2003-04-30 2010-10-12 Genworth Financial, Inc. System and process for multivariate adaptive regression splines classification for insurance underwriting suitable for use by an automated system
US7720757B2 (en) 2003-11-12 2010-05-18 Compucredit Intellectual Property Holdings Corp. Ii System and method for providing a credit account for debt recovery
US20050234761A1 (en) 2004-04-16 2005-10-20 Pinto Stephen K Predictive model development
JP5002811B2 (ja) 2004-10-26 2012-08-15 国立大学法人横浜国立大学 多変数モデル解析システム、方法、プログラム、およびプログラム媒体
US8543499B2 (en) 2004-10-29 2013-09-24 American Express Travel Related Services Company, Inc. Reducing risks related to check verification
US7814004B2 (en) 2004-10-29 2010-10-12 American Express Travel Related Services Company, Inc. Method and apparatus for development and use of a credit score based on spend capacity
US7912770B2 (en) 2004-10-29 2011-03-22 American Express Travel Related Services Company, Inc. Method and apparatus for consumer interaction based on spend capacity
WO2007005975A2 (en) 2005-07-01 2007-01-11 Valen Technologies, Inc. Risk modeling system
US20080243569A1 (en) 2007-04-02 2008-10-02 Michael Shane Hadden Automated loan system and method
US7805395B2 (en) 2007-04-17 2010-09-28 Austin Logistics Incorporated System and method for automated population splitting to assist task management through analytics
US20090018982A1 (en) 2007-07-13 2009-01-15 Is Technologies, Llc Segmented modeling of large data sets
US8615467B2 (en) 2007-11-07 2013-12-24 International Business Machines Corporation Electronic system for selecting the best card from a collection of consumer credit, debit, and discount cards
CN102063457A (zh) 2010-09-21 2011-05-18 合肥兆尹信息科技有限责任公司 一种数据分类方法及系统
US8694401B2 (en) 2011-01-13 2014-04-08 Lenddo, Limited Systems and methods for using online social footprint for affecting lending performance and credit scoring
US8990149B2 (en) 2011-03-15 2015-03-24 International Business Machines Corporation Generating a predictive model from multiple data sources
CN103782318A (zh) 2011-05-18 2014-05-07 信用公司 用于产生信贷反馈环的系统和方法
US20130166436A1 (en) 2011-12-22 2013-06-27 Ike O. Eze Deriving buyer purchasing power from buyer profile and social network data
US9501799B2 (en) 2012-11-08 2016-11-22 Hartford Fire Insurance Company System and method for determination of insurance classification of entities
US20140156501A1 (en) 2012-12-04 2014-06-05 Mastercard International Incorporated Real-time interactive credit score improvement coach
US9367520B2 (en) 2012-12-20 2016-06-14 Fair Isaac Corporation Scorecard models with measured variable interactions
US10699335B2 (en) 2013-05-02 2020-06-30 The Dun & Bradstreet Corporation Apparatus and method for total loss prediction
US10650446B2 (en) 2013-12-25 2020-05-12 Behalf Ltd. System and method for generating a virtual credit score and a respective virtual credit line
US20150235321A1 (en) 2014-02-18 2015-08-20 Mastercard International Incorporated Insurance risk modeling method and apparatus
US9697469B2 (en) * 2014-08-13 2017-07-04 Andrew McMahon Method and system for generating and aggregating models based on disparate data from insurance, financial services, and public industries
US20160055589A1 (en) 2014-08-20 2016-02-25 Midwest Employers Casualty Company Automated claim risk factor identification and mitigation system
US10223746B2 (en) 2014-12-29 2019-03-05 Lexisnexis Risk Solutions Fl Inc. Systems and methods for inferring the performance of rejected credit applicants
US20160225073A1 (en) * 2015-01-30 2016-08-04 Wal-Mart Stores, Inc. System, method, and non-transitory computer-readable storage media for predicting a customer's credit score
US9904916B2 (en) * 2015-07-01 2018-02-27 Klarna Ab Incremental login and authentication to user portal without username/password
US9723144B1 (en) 2016-09-20 2017-08-01 Noble Systems Corporation Utilizing predictive models to improve predictive dialer pacing capabilities

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101685458A (zh) * 2008-09-27 2010-03-31 华为技术有限公司 一种基于协同过滤的推荐方法和系统
CN103377296A (zh) * 2012-04-19 2013-10-30 中国科学院声学研究所 一种多指标评价信息的数据挖掘方法
US8984022B1 (en) * 2012-04-20 2015-03-17 Fair Isaac Corporation Automating growth and evaluation of segmentation trees
US20140365356A1 (en) * 2013-06-11 2014-12-11 Fair Isaac Corporation Future Credit Score Projection
CN105354210A (zh) * 2015-09-23 2016-02-24 深圳市爱贝信息技术有限公司 移动游戏支付账户行为数据处理方法和装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110033158A (zh) * 2019-02-03 2019-07-19 阿里巴巴集团控股有限公司 一种用户信用行为评估方法、装置和电子设备
CN110956386A (zh) * 2019-11-27 2020-04-03 北京国腾联信科技有限公司 基于多渠道的信用数据的处理方法和装置
CN112766649A (zh) * 2020-12-31 2021-05-07 平安科技（深圳）有限公司 基于多评分卡融合的目标对象评价方法及其相关设备
CN112766649B (zh) * 2020-12-31 2022-03-15 平安科技（深圳）有限公司 基于多评分卡融合的目标对象评价方法及其相关设备
WO2022142001A1 (zh) * 2020-12-31 2022-07-07 平安科技（深圳）有限公司 基于多评分卡融合的目标对象评价方法及其相关设备

Also Published As

Publication number Publication date
KR20190113924A (ko) 2019-10-08
US11188565B2 (en) 2021-11-30
PH12019501965A1 (en) 2020-06-29
SG11201907663XA (en) 2019-09-27
KR102315497B1 (ko) 2021-10-21
TW201835789A (zh) 2018-10-01
CN108665120B (zh) 2020-10-20
WO2018183069A1 (en) 2018-10-04
JP6905076B2 (ja) 2021-07-21
US20180276291A1 (en) 2018-09-27
JP2020515965A (ja) 2020-05-28

Similar Documents

Publication Publication Date Title
CN108665120A (zh) 打分模型的建立、用户信用的评估方法及装置
US11205129B2 (en) GBDT model feature interpretation method and apparatus
CN107679946A (zh) 基金产品推荐方法、装置、终端设备及存储介质
CN109784779B (zh) 财务风险预测方法、装置及存储介质
CN103853786B (zh) 数据库参数的优化方法与系统
CN109360084A (zh) 征信违约风险的评估方法及装置、存储介质、计算机设备
CN106156809A (zh) 用于更新分类模型的方法及装置
CN108710905A (zh) 一种基于多模型联合的备件数量预测方法和系统
CN106600595A (zh) 一种基于人工智能算法的人体特征尺寸自动测量方法
CN111353600B (zh) 一种异常行为检测方法及装置
CN107292785A (zh) 一种出题方法及系统
CN106919957A (zh) 处理数据的方法及装置
CN103106535A (zh) 一种基于神经网络解决协同过滤推荐数据稀疏性的方法
CN109583721A (zh) 一种渠道的评估方法、装置及电子设备
CN107481135A (zh) 一种基于bp神经网络的个人信用评价方法及系统
CN107767179A (zh) 电子券的质量评价方法及装置
CN108681751A (zh) 确定事件影响因素的方法及终端设备
CN111882140A (zh) 风险评测方法、模型训练方法、装置、设备及存储介质
CN109409739A (zh) 一种基于部分可观测马尔科夫决策过程的众包平台任务分配方法
CN111160959A (zh) 一种用户点击转化预估方法及装置
CN112396211A (zh) 一种数据预测方法及装置、设备和计算机存储介质
CN110222971A (zh) 一种基于交易单分级提高交易效率的方法及装置
CN108492049A (zh) 一种基于逻辑回归的p2p平台运营风险评估的系统
CN110610415B (zh) 一种模型更新的方法和装置
CN111325255A (zh) 特定人群圈定方法、装置、电子设备及存储介质

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
GR01 Patent grant
GR01 Patent grant
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20200925

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Innovative advanced technology Co.,Ltd.

Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant before: Advanced innovation technology Co.,Ltd.

Effective date of registration: 20200925

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Advanced innovation technology Co.,Ltd.

Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands

Applicant before: Alibaba Group Holding Ltd.