CN109064308B - 信用分类的方法、装置、计算机设备和存储介质 - Google Patents
信用分类的方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109064308B CN109064308B CN201810608110.4A CN201810608110A CN109064308B CN 109064308 B CN109064308 B CN 109064308B CN 201810608110 A CN201810608110 A CN 201810608110A CN 109064308 B CN109064308 B CN 109064308B
- Authority
- CN
- China
- Prior art keywords
- credit
- evaluation point
- evaluation
- determining
- point
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000011156 evaluation Methods 0.000 claims abstract description 478
- 230000006870 function Effects 0.000 claims description 154
- 238000004422 calculation algorithm Methods 0.000 claims description 45
- 238000001514 detection method Methods 0.000 claims description 41
- 238000004590 computer program Methods 0.000 claims description 25
- 238000013145 classification model Methods 0.000 claims description 23
- 238000012795 verification Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000011835 investigation Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000009194 climbing Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- 101000878457 Macrocallista nimbosa FMRFamide Proteins 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241001503987 Clematis vitalba Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及信用分类的方法、装置、计算机设备和存储介质，属于征信技术领域。所述方法包括：获取用户的信用特征，确定所述信用特征对应的信用参数；确定所述信用参数的偏差评价函数；从偏差评价函数的多个评价点中确定第一评价点；当所述第一评价点不是最优评价点时，根据所述第一评价点从剩余的评价点中确定第二评价点；若所述第二评价点是最优评价点，将与所述第二评价点对应的信用参数确定为目标信用参数。上述技术方案，解决了信用参数确定不够准确导致信用分析结果存在偏差的问题，能得出准确的目标信用参数，进而可以提高信用分类结果的准确性。
Description
技术领域
本发明涉及征信技术领域，特别是涉及信用分类的方法、装置、计算机设备和存储介质。
背景技术
伴随着社会结构的复杂化，越来越有必要对用户的信用进行分类，进而确定各个用户的信用等级。过去的信用分析方法通过浅层机器学习模型来判断用户的信用指标。但是对于浅层机器学习模型，为了提升模型的准确度，往往需要加入大量的特征，这就需要大量的人工参与。由于深度学习不需要加入那么多的特征，因此，许多研究人员开始通过深度学习来确定分析用户的信用。深度学习的过程往往需要确定用户信用特征的信用参数(例如：权重)，信用参数能表征对应的信用特征对信用分类结果的影响，对信用分类结果具有重要的意义。但是传统方法确定出的信用参数往往是局部最优解，局部最优解不够准确，这就会导致信用分类结果的偏差。
发明内容
基于此，本发明提供了信用分类的方法、装置、计算机设备和存储介质，能确定出更优的信用参数，进而确定出准确的用户信用分类结果。
本发明实施例的内容如下：
一种信用分类的方法，包括以下步骤：获取用户的信用特征，确定所述信用特征对应的信用参数；确定所述信用参数的偏差评价函数；所述偏差评价函数用于表征信用参数的不同取值对于按照所述信用特征的信用分类结果的偏差；从偏差评价函数的多个评价点中确定第一评价点；当所述第一评价点不是最优评价点时，根据所述第一评价点从剩余的评价点中确定第二评价点；若所述第二评价点是最优评价点，将与所述第二评价点对应的信用参数确定为目标信用参数；采用所述目标信用参数对所述用户进行信用分类。
在其中一个实施例中，所述根据所述第一评价点从剩余的评价点中确定第二评价点的步骤之后，还包括：若所述第二评价点不是最优评价点，根据所述第二评价点确定第一候选点，根据所述第一候选点确定新的评价点，并验证所述新的评价点是否是最优评价点；直到评价点的验证次数超过预设的阈值，将与所述新的评价点对应的信用参数确定为目标信用参数。
在其中一个实施例中，所述从偏差评价函数的多个评价点中确定第一评价点的步骤，包括：对所述偏差评价函数运行梯度下降算法，根据算法运行结果确定对应的局部最优解，将所述局部最优解确定为第一评价点。
在其中一个实施例中，所述偏差评价函数为损失函数；所述从偏差评价函数的多个评价点中确定第一评价点的步骤之后，还包括：获取经过所述第一评价点的超平面与所述损失函数对应的函数图形的相交检测结果；当根据所述相交检测结果确定所述第一评价点是最优评价点时，将所述第一评价点对应的信用参数确定为目标信用参数。
在其中一个实施例中，根据所述相交检测结果确定所述第一评价点是最优评价点的步骤，包括：若根据所述相交检测结果确定所述超平面与所述函数图形不相交，判定所述第一评价点是最优评价点。
在其中一个实施例中，所述获取经过所述第一评价点的超平面与所述函数图形的相交检测结果的步骤之后，还包括：若根据所述相交检测结果确定所述超平面与所述函数图形相交，从超平面与函数图形的交点中确定与所述第一评价点的距离满足预设条件的第二候选点；以所述第二候选点为起点对所述损失函数运行梯度下降算法，根据算法运行结果确定对应的局部最优解，将所述局部最优解确定为第二评价点。
在其中一个实施例中，所述采用所述目标信用参数对所述用户进行信用分类的步骤，包括：将所述信用特征和目标信用参数输入到信用分类模型中，根据所述信用分类模型的输出结果确定所述用户的信用类别。
相应的，本发明实施例提供一种信用分类的装置，包括：函数确定模块，用于获取用户的信用特征，确定所述信用特征对应的信用参数；确定所述信用参数的偏差评价函数；所述偏差评价函数用于表征信用参数的不同取值对于按照所述信用特征的信用分类结果的偏差；评价点确定模块，用于从偏差评价函数的多个评价点中确定第一评价点；当所述第一评价点不是最优评价点时，根据所述第一评价点从剩余的评价点中确定第二评价点；参数确定模块，用于若所述第二评价点是最优评价点，将与所述第二评价点对应的信用参数确定为目标信用参数；以及，信用分类模块，用于采用所述目标信用参数对所述用户进行信用分类。
上述信用分类的方法及装置，当第一评价点不是最优评价点时，确定第二评价点并在判定第二评价点是最优评价点时，将与第二评价点对应的信用参数确定为目标信用参数。通过多次的评价点判断，能从多个评价点中确定出更准确的最优评价点，得出准确的目标信用参数，进而可以提高信用分类结果的准确性。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：获取用户的信用特征，确定所述信用特征对应的信用参数；确定所述信用参数的偏差评价函数；所述偏差评价函数用于表征信用参数的不同取值对于按照所述信用特征的信用分类结果的偏差；从偏差评价函数的多个评价点中确定第一评价点；当所述第一评价点不是最优评价点时，根据所述第一评价点从剩余的评价点中确定第二评价点；若所述第二评价点是最优评价点，将与所述第二评价点对应的信用参数确定为目标信用参数；采用所述目标信用参数对所述用户进行信用分类。
上述计算机设备，通过多次的评价点判断，能从多个评价点中确定出更准确的最优评价点，得出准确的目标信用参数，进而可以提高信用分类结果的准确性。
一种计算机可读存储介质，其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以下步骤：获取用户的信用特征，确定所述信用特征对应的信用参数；确定所述信用参数的偏差评价函数；所述偏差评价函数用于表征信用参数的不同取值对于按照所述信用特征的信用分类结果的偏差；从偏差评价函数的多个评价点中确定第一评价点；当所述第一评价点不是最优评价点时，根据所述第一评价点从剩余的评价点中确定第二评价点；若所述第二评价点是最优评价点，将与所述第二评价点对应的信用参数确定为目标信用参数；采用所述目标信用参数对所述用户进行信用分类。
上述计算机可读存储介质，通过多次的评价点判断，能从多个评价点中确定出更准确的最优评价点，得出准确的目标信用参数，进而可以提高信用分类结果的准确性。
附图说明
图1为一个实施例中信用分类的方法的应用环境图；
图2为一个实施例中信用分类的方法的流程示意图；
图3为另一个实施例中信用分类的方法的流程示意图；
图4为一个实施例中根据信用参数确定信用等级的方法流程示意图；
图5为一个实施例中信用分类的装置的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明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发明，并不用于限定本发明。
本申请提供的信用分类的方法可以应用于如图1所示的计算机设备中。该计算机设备可以是服务器，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储信用特征、信用参数、目标信用参数等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时实现一种信用分类的方法。
本领域技术人员可以理解，图1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。
本发明实施例提供一种信用分类的方法、装置、计算机设备和存储介质。以下分别进行详细说明。
在一个实施例中，如图2所示，提供了一种信用分类的方法，包括以下步骤：
S201、获取用户的信用特征，确定所述信用特征对应的信用参数；确定所述信用参数的偏差评价函数；所述偏差评价函数用于表征信用参数的不同取值对于按照所述信用特征的信用分类结果的偏差。
在本步骤中，确定用户的信用特征对应的信用参数，并确定对应的偏差评价函数，实现的是对用户的信用特征进行分析并确定偏差评价函数的过程。
其中，用户指的是需要进行信用评价的用户，可以指一个具体的人，也可以指某一个账号等电子账户。信用特征指的是能代表用户的信用情况的特征，例如：公安、社保等确定的收入、支出、还款及时性等特征，一个用户的信用特征可以为多个。每个信用特征对确定用户的最终信用等级有不同的影响程度，因此可以为各个信用特征配置不同的信用参数，以表征对应的信用特征对信用分类结果的影响程度；信用参数可以指各个信用特征对应的权重，一个信用特征可以对应一个信用参数。偏差评价函数可以为损失函数等。
偏差评价函数表征的是信用参数的不同取值对于按照所述信用特征的信用分类结果的偏差。由于受多种因素(信用特征多等)的影响，按照信用特征和信用参数对用户进行信用分类得到的结果不是百分之百正确，多少多会存在一些偏差。而每一个信用参数的不同取值对信用分类结果的偏差是不同的，需要尽可能找到偏差小的信用参数作为对应信用特征的目标信用参数。
其中，获取用户的信用特征的过程可以包括：获取用户的个人基础信息，从所述个人基础信息中提取能表征用户信用情况的特征，得到信用特征。信用特征可以指通过文本、数值等方式表示的特征。
进一步地，得到信用特征以后可以对信用特征进行量化，以简化后续偏差评价函数的确定以及用户的信用分类。可以根据信用特征的严重程度，划分不同点信用特征等级，不同等级用不同的数值表示。当然，也可以是其他的量化方式。本发明实施例对量化信用特征的方式不做限定。
S202、从偏差评价函数的多个评价点中确定第一评价点；当所述第一评价点不是最优评价点时，根据所述第一评价点从剩余的评价点中确定第二评价点。
在本步骤中，对所确定的第一评价点进行最优评价点的判定，当第一评价点不是最优评价点时，从剩余的评价点中确定第二评价点。
确定第一评价点可以是随机选择；也可以是通过一定算法确定，例如通过对偏差评价函数运行梯度下降算法，当梯度为零时将对应的点确定为第一评价点。
S203、若所述第二评价点是最优评价点，将与所述第二评价点对应的信用参数确定为目标信用参数；采用所述目标信用参数对所述用户进行信用分类。
在本步骤中，当第二评价点为最优评价点时，将与第二评价点对应的信用参数确定为目标信用参数。该目标信用参数能最准确地表征信用特征对信用分类结果的影响，因此，根据该目标信用参数来对用户进行信用分类。
确定第二评价点可以是当第二评价点对应的偏差最小时，或者当第二评价点对应的偏差小于预设的阈值时，将该第二评价点确定为最优评价点。
其中，偏差最小可以指偏差评价函数的最小值，即偏差评价函数对应的函数图形中的最低点。
当用户的信用特征为多个时，则可以分别为这些信用特征确定目标信用参数。
偏差评价函数可能是非凸(Non-Convex)函数，其局部最优解可能不止一个，所以通过某些算法确定偏差评价函数中的最小偏差时有可能确定出的是局部最优解(不是全局最优解)。通过该局部最优解确定出的目标信用参数就可能不是最佳的结果。因此，本实施例采用牛顿法(Newton’s method)确定最优评价点。经过多次的评价点判定，确定出偏差最小的最优评价点，将与最优评价点对应的信用参数确定为目标信用参数；将该目标信用参数用于对用户进行信用分类，能得到较为准确的信用分类结果。
在一个实施例中，所述根据所述第一评价点从剩余的评价点中确定第二评价点的步骤之后，还包括：若所述第二评价点不是最优评价点，根据所述第二评价点确定第一候选点，根据所述第一候选点确定新的评价点，并验证所述新的评价点是否是最优评价点；直到评价点的验证次数超过预设的阈值，将与所述新的评价点对应的信用参数确定为目标信用参数。
在本实施例中，在第一评价点不是最优评价点时给予第二次机会，循环确定评价点并验证这些评价点是否为最优评价点，当找到最优评价点时，循环结束；若循环多次都没有找到最优评价点，为提高目标信用分类的效率，则在循环次数超过某个值时直接将最新的评价点作为最优评价点，进而得到目标信用参数，使得分类模型获得更优的拟合效果。
其中，第一候选点指的是用于确定第二评价点的中间节点，在第一候选点的基础上对偏差评价函数运行一定的算法，就可以确定对应的第二评价点。
第一候选点可以为评价点，也可以不是评价点。其中，当第一候选点也为局部最优解，且与第一评价点对应的偏差一致时，第一候选点就是评价点。
在一个实施例中，可以根据第一候选点确定第三评价点，若验证出该第三评价点为最优评价点，将与第三评价点对应的信用参数确定为目标信用参数；若验证出该第三评价点不是最优评价点，根据第三评价点确定第三候选点，根据该第三候选点确定第四评价点，……，直到从偏差评价函数的多个评价点中确定出最优评价点。
在一个实施例中，预设的阈值可以为2、5、10等值。若要提高目标信用分类的效率，可以将该阈值确定为更小的值；若要提高目标信用参数的准确性，可以将该阈值确定为更大的值。
在一个实施例中，所述从偏差评价函数的多个评价点中确定第一评价点的步骤，包括：对所述偏差评价函数运行梯度下降算法(gradient descent)，根据算法运行结果确定对应的局部最优解，将所述局部最优解确定为第一评价点。
本实施例根据梯度下降算法的运行结果来选择第一评价点，当根据梯度下降算法找出梯度为零的局部最优解时，将对应的局部最优解确定为第一评价点。计算方式简单直观，能有效提高信用分类过程的效率。
在一个实施例中，所述偏差评价函数为损失函数(cost function)；所述从偏差评价函数的多个评价点中确定第一评价点的步骤之后，还包括：获取经过所述第一评价点的超平面与所述损失函数对应的函数图形的相交检测结果；当根据所述相交检测结果确定所述第一评价点是最优评价点时，将所述第一评价点对应的信用参数确定为目标信用参数。
本实施例根据超平面与函数图形的相交检测结果判断评价点是否为最优评价点。确定方法简单直观，能有效提高信用分类过程的效率。
其中，超平面指的是根据第一评价点在各个维度上的切线构造的平面，若果该超平面与损失函数的函数图形有交点，则说明第一评价点不是该函数图形的最低点，因此不是最优评价点。另外，相交检测结果指的是超平面与函数图像是否相交的结果。若相交，则函数图形中还有比第一评价点更低的评价点(偏差更小的评价点)；若不相交，则该第一评价点为函数图形中的最低点，偏差最小，因此，确定第一评价点为最优评价点。
在一个实施例中，根据所述相交检测结果确定所述第一评价点是最优评价点的步骤，包括：若根据所述相交检测结果确定所述超平面与所述函数图形不相交，判定所述第一评价点是最优评价点。
本实施例在超平面与函数图形不相交时，认为第一评价点对应的偏差最小，则将其对应的信用参数确定为目标信用参数。最优评价点的确定方式简单，能有效提高信用分类过程的效率。同时，当经过第一评价点的超平面是函数图形中的最低点时，说明没有比该评价点偏差更小的点，确定出的目标信用参数能准确地表征信用特征对信用分类的影响。
在一个实施例中，所述获取经过所述第一评价点的超平面与所述函数图形的相交检测结果的步骤之后，还包括：若根据所述相交检测结果确定所述超平面与所述函数图形相交，从超平面与函数图形的交点中确定与所述第一评价点的距离满足预设条件的第二候选点；以所述第二候选点为起点对所述损失函数运行梯度下降算法，根据算法运行结果确定对应的局部最优解，将所述局部最优解确定为第二评价点。
本实施例，在超平面与函数图形相交时，从交点中确定出与第一评价点的距离满足预设条件的第二候选点，并根据该第二候选点对损失函数运行梯度下降算法确定第二评价点。能防止确定出的第二评价点与第一评价点相同，提高确定出的目标信用参数的可靠性和信用分类的效率。
在一个实施例中，第一候选点与第一评价点的距离需要满足的预设条件可以为第一候选点是所有交点中距离第一评价点最远的点，也可以为距离大于或小于某一阈值的其他点。本发明实施例对该距离不做限制，能保证第一评价点与第二评价点为不同的评价点即可。
在一个实施例中，确定第二评价点的过程可以通过以下爬山的过程来类比(需要注意的是：爬山是爬到最高峰，而本发明实施例是要寻找损失函数中的最低点)：登山者在山脚下开始往上爬山，想要尽可能到达更高的山峰。当爬到某座山的山峰A(第一评价点)时，用水平视线扫视前方确定是否有比A更高的山峰。若有，则从水平视线与这些山峰的交点中选择一个候选点B(假设B点在半山腰)。跳到B点重新开始往上爬，直到爬到B点所在山的山峰C，该山峰C即为本发明实施例中的第二评价点。
在一个实施例中，如图3所示，提供一种信用分类的方法，包括以下步骤：
S301、获取用户的信用特征，确定所述信用特征对应的信用参数；确定所述信用参数的损失函数。
S302、对所述损失函数运行梯度下降算法，根据算法运行结果确定对应的局部最优解，将所述局部最优解确定为第一评价点。
S303、获取经过所述第一评价点的超平面与所述损失函数对应的函数图形的相交检测结果。
S304、若根据所述相交检测结果确定所述超平面与所述函数图形不相交，判定所述第一评价点是最优评价点，将所述第一评价点对应的信用参数确定为目标信用参数。
S305、若根据所述相交检测结果确定所述超平面与所述函数图形相交，从超平面与函数图形的交点中确定与所述第一评价点的距离满足预设条件的第二候选点。
S306、以所述第二候选点为起点对所述损失函数运行梯度下降算法，根据算法运行结果确定对应的局部最优解，将所述局部最优解确定为第二评价点。
S307、若所述第二评价点是最优评价点，将与所述第二评价点对应的信用参数确定为目标信用参数。
S308、若所述第二评价点不是最优评价点，根据所述第二评价点确定第一候选点，根据所述第一候选点确定新的评价点，并验证所述新的评价点是否是最优评价点。
S309、直到评价点的验证次数超过预设的阈值，将与所述新的评价点对应的信用参数确定为目标信用参数。
本实施例，通过多次的评价点判断，能从多个评价点中确定出更准确的最优评价点，得出准确的目标信用参数，进而可以提高信用分类结果的准确性。
在一个实施例中，所述采用所述目标信用参数对所述用户进行信用分类的步骤，包括：将所述信用特征和目标信用参数输入到信用分类模型中，根据所述信用分类模型的输出结果确定所述用户的信用类别。
本实施例将目标信用参数作为信用特征的权重，将所述信用特征和目标信用参数输入到信用分类模型中，根据所述信用分类模型的输出结果确定用户的信用类别，进而可以根据信用类别确定用户的信用等级。由于目标信用参数是某一信用特征的各个信用参数取值中偏差最小的参数，因此能准确地表征对应的信用特征。进而可以得出准确的用户信用等级，以便对该用户进行针对性的操作。例如：等级高的用户可以享受更高的优惠券。
在一个实施例中，根据目标信用参数确定用户信用等级的过程可以如图4所示，具体过程可以为：
S401、确定用户的信用特征并量化。
S402、确定信用特征对应的信用参数，确定信用参数的损失函数。
S403、根据梯度下降法找出损失函数的最小值，得到目标信用参数。
S404、每个量化后的信用特征加上对应的目标信用参数，输入到分类模型中对用户进行信用分类。
S405、根据分类模型得到的分类概率确定用户的信用等级。
在一个实施例中，信用分类模型指的是可以根据用户的信用特征确定用户作为某一信用等级的概率的模型。本发明实施例对信用分类模型的类型不做限制，能实现分类即可。
在一个实施例中，根据多个用户的信用特征和目标信用参数可以通过深度神经网络学习建立信用分类模型。当需要对某个用户进行分类时，确定该用户的信用特征和目标信用参数后，代入信用分类模型就可以确定该用户的信用等级。
为了更好地理解上述方法，以下详细阐述一个本发明用户信用等级的确定方法的应用实例。
Step1、获取用户的信用特征，量化这些信用特征并确定所述信用特征对应的信用参数；确定所述信用参数的损失函数。
Step2、假设对损失函数使用已有梯度下降算法求解后收敛在第一评价点P1，沿P1的切线方向做一超平面，验证该超平面与损失函数曲面是否相交。
Step3、若Step2中相交，用梯度下降算法从交点中找出距离P1最大的第二候选点，根据第二候选点确定第二评价点P2，判断P2点是否为最优评价点，当P2点为最优评价点时，将对应的信用参数确定为目标信用参数；当P2点不是最优评价点时，回到Step2继续做梯度下降并对确定的新的评价点进行验证。
Step4、若Step3中评价点的验证次数超过预设值，例如3次，或者Step2中不相交，则终止整个梯度下降过程。将对应的信用参数确定为目标信用参数。
Step5、将所述信用特征和目标信用参数输入到信用分类模型中，根据所述信用分类模型的输出结果确定所述用户的信用类别。
本实施例，通过多次的评价点判断，能从多个评价点中确定出更准确的最优评价点，得出准确的目标信用参数，进而可以提高信用分类结果的准确性。
需要说明的是，对于前述的各方法实施例，为了简便描述，将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。
基于与上述实施例中的信用分类的方法相同的思想，本发明还提供信用分类的装置，该装置可用于执行上述信用分类的方法。为了便于说明，信用分类的装置实施例的结构示意图中，仅仅示出了与本发明实施例相关的部分，本领域技术人员可以理解，图示结构并不构成对装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图5所述，信用分类的装置包括函数确定模块501、评价点确定模块502、参数确定模块503和信用分类模块504，详细说明如下：
函数确定模块501，用于获取用户的信用特征，确定所述信用特征对应的信用参数；确定所述信用参数的偏差评价函数；所述偏差评价函数用于表征信用参数的不同取值对于按照所述信用特征的信用分类结果的偏差。
评价点确定模块502，用于从偏差评价函数的多个评价点中确定第一评价点；当所述第一评价点不是最优评价点时，根据所述第一评价点从剩余的评价点中确定第二评价点。
参数确定模块503，用于若所述第二评价点是最优评价点，将与所述第二评价点对应的信用参数确定为目标信用参数；采用所述目标信用参数对所述用户进行信用分类。
以及，信用分类模块504，用于采用所述目标信用参数对所述用户进行信用分类。
本实施例，通过多次的评价点判断，能从多个评价点中确定出更准确的最优评价点，得出准确的目标信用参数，进而可以提高信用分类结果的准确性。
在一个实施例中，还包括：新评价点确定模块，用于若所述第二评价点不是最优评价点，根据所述第二评价点确定第一候选点，根据所述第一候选点确定新的评价点，并验证所述新的评价点是否是最优评价点；验证停止模块，用于直到评价点的验证次数超过预设的阈值，将与所述新的评价点对应的信用参数确定为目标信用参数。
在一个实施例中，评价点确定模块502，还用于对所述偏差评价函数运行梯度下降算法，根据算法运行结果确定对应的局部最优解，将所述局部最优解确定为第一评价点。
在一个实施例中，所述偏差评价函数为损失函数；还包括：相交结果确定模块，用于获取经过所述第一评价点的超平面与所述损失函数对应的函数图形的相交检测结果；最优点确定模块，用于当根据所述相交检测结果确定所述第一评价点是最优评价点时，将所述第一评价点对应的信用参数确定为目标信用参数。
在一个实施例中，最优点确定模块，还用于若根据所述相交检测结果确定所述超平面与所述函数图形不相交，判定所述第一评价点是最优评价点。
在一个实施例中，还包括：候选点确定模块，用于若根据所述相交检测结果确定所述超平面与所述函数图形相交，从超平面与函数图形的交点中确定与所述第一评价点的距离满足预设条件的第二候选点；第二评价点确定模块，用于以所述第二候选点为起点对所述损失函数运行梯度下降算法，根据算法运行结果确定对应的局部最优解，将所述局部最优解确定为第二评价点。
在一个实施例中，信用分类模块504，还用于将所述信用特征和目标信用参数输入到信用分类模型中，根据所述信用分类模型的输出结果确定所述用户的信用类别。
需要说明的是，本发明的信用分类的装置与本发明的信用分类的方法一一对应，在上述信用分类的方法的实施例阐述的技术特征及其有益效果均适用于信用分类的装置的实施例中，具体内容可参见本发明方法实施例中的叙述，此处不再赘述，特此声明。
此外，上述示例的信用分类的装置的实施方式中，各程序模块的逻辑划分仅是举例说明，实际应用中可以根据需要，例如出于相应硬件的配置要求或者软件的实现的便利考虑，将上述功能分配由不同的程序模块完成，即将所述信用分类的装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分功能。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：获取用户的信用特征，确定所述信用特征对应的信用参数；确定所述信用参数的偏差评价函数；所述偏差评价函数用于表征信用参数的不同取值对于按照所述信用特征的信用分类结果的偏差；从偏差评价函数的多个评价点中确定第一评价点；当所述第一评价点不是最优评价点时，根据所述第一评价点从剩余的评价点中确定第二评价点；若所述第二评价点是最优评价点，将与所述第二评价点对应的信用参数确定为目标信用参数；采用所述目标信用参数对所述用户进行信用分类。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：所述根据所述第一评价点从剩余的评价点中确定第二评价点的步骤之后，还包括：若所述第二评价点不是最优评价点，根据所述第二评价点确定第一候选点，根据所述第一候选点确定新的评价点，并验证所述新的评价点是否是最优评价点；直到评价点的验证次数超过预设的阈值，将与所述新的评价点对应的信用参数确定为目标信用参数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：所述从偏差评价函数的多个评价点中确定第一评价点的步骤，包括：对所述偏差评价函数运行梯度下降算法，根据算法运行结果确定对应的局部最优解，将所述局部最优解确定为第一评价点。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：所述偏差评价函数为损失函数；所述从偏差评价函数的多个评价点中确定第一评价点的步骤之后，还包括：获取经过所述第一评价点的超平面与所述损失函数对应的函数图形的相交检测结果；当根据所述相交检测结果确定所述第一评价点是最优评价点时，将所述第一评价点对应的信用参数确定为目标信用参数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据所述相交检测结果确定所述第一评价点是最优评价点的步骤，包括：若根据所述相交检测结果确定所述超平面与所述函数图形不相交，判定所述第一评价点是最优评价点。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：所述获取经过所述第一评价点的超平面与所述函数图形的相交检测结果的步骤之后，还包括：若根据所述相交检测结果确定所述超平面与所述函数图形相交，从超平面与函数图形的交点中确定与所述第一评价点的距离满足预设条件的第二候选点；以所述第二候选点为起点对所述损失函数运行梯度下降算法，根据算法运行结果确定对应的局部最优解，将所述局部最优解确定为第二评价点。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：还包括以下步骤：将所述信用特征和目标信用参数输入到信用分类模型中，根据所述信用分类模型的输出结果确定所述用户的信用类别。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取用户的信用特征，确定所述信用特征对应的信用参数；确定所述信用参数的偏差评价函数；所述偏差评价函数用于表征信用参数的不同取值对于按照所述信用特征的信用分类结果的偏差；从偏差评价函数的多个评价点中确定第一评价点；当所述第一评价点不是最优评价点时，根据所述第一评价点从剩余的评价点中确定第二评价点；若所述第二评价点是最优评价点，将与所述第二评价点对应的信用参数确定为目标信用参数；采用所述目标信用参数对所述用户进行信用分类。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：所述根据所述第一评价点从剩余的评价点中确定第二评价点的步骤之后，还包括：若所述第二评价点不是最优评价点，根据所述第二评价点确定第一候选点，根据所述第一候选点确定新的评价点，并验证所述新的评价点是否是最优评价点；直到评价点的验证次数超过预设的阈值，将与所述新的评价点对应的信用参数确定为目标信用参数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：所述从偏差评价函数的多个评价点中确定第一评价点的步骤，包括：对所述偏差评价函数运行梯度下降算法，根据算法运行结果确定对应的局部最优解，将所述局部最优解确定为第一评价点。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：所述偏差评价函数为损失函数；所述从偏差评价函数的多个评价点中确定第一评价点的步骤之后，还包括：获取经过所述第一评价点的超平面与所述损失函数对应的函数图形的相交检测结果；当根据所述相交检测结果确定所述第一评价点是最优评价点时，将所述第一评价点对应的信用参数确定为目标信用参数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据所述相交检测结果确定所述第一评价点是最优评价点的步骤，包括：若根据所述相交检测结果确定所述超平面与所述函数图形不相交，判定所述第一评价点是最优评价点。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：所述获取经过所述第一评价点的超平面与所述函数图形的相交检测结果的步骤之后，还包括：若根据所述相交检测结果确定所述超平面与所述函数图形相交，从超平面与函数图形的交点中确定与所述第一评价点的距离满足预设条件的第二候选点；以所述第二候选点为起点对所述损失函数运行梯度下降算法，根据算法运行结果确定对应的局部最优解，将所述局部最优解确定为第二评价点。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：还包括以下步骤：将所述信用特征和目标信用参数输入到信用分类模型中，根据所述信用分类模型的输出结果确定所述用户的信用类别。
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计算机可读取存储介质中，作为独立的产品销售或使用。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本发明实施例的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或(模块)单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
以上所述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发明的几种实施方式，不能理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种信用分类的方法，其特征在于，包括以下步骤：
获取用户的信用特征，确定所述信用特征对应的信用参数；确定所述信用参数的偏差评价函数；所述偏差评价函数用于表征信用参数的不同取值对于按照所述信用特征的信用分类结果的偏差；
从偏差评价函数的多个评价点中确定第一评价点；当所述第一评价点不是最优评价点时，根据所述第一评价点从剩余的评价点中确定第二评价点；
若所述第二评价点是最优评价点，将与所述第二评价点对应的信用参数确定为目标信用参数；
采用所述目标信用参数对所述用户进行信用分类；
所述偏差评价函数为损失函数；
所述从偏差评价函数的多个评价点中确定第一评价点的步骤，包括：
对所述损失函数运行梯度下降算法，根据所述梯度下降算法的算法运行结果确定对应的局部最优解，将所述局部最优解确定为第一评价点；
所述根据所述第一评价点从剩余的评价点中确定第二评价点，包括：
获取经过所述第一评价点的超平面与所述损失函数对应的函数图形的相交检测结果；
若根据所述相交检测结果确定所述超平面与所述函数图形相交，从超平面与函数图形的交点中确定与所述第一评价点的距离满足预设条件的第二候选点；
以所述第二候选点为起点对所述损失函数运行梯度下降算法，根据所述梯度下降算法的算法运行结果确定对应的局部最优解，将所述局部最优解确定为第二评价点。
2.根据权利要求1所述的信用分类的方法，其特征在于，所述根据所述第一评价点从剩余的评价点中确定第二评价点的步骤之后，还包括：
若所述第二评价点不是最优评价点，根据所述第二评价点确定第一候选点，根据所述第一候选点确定新的评价点，并验证所述新的评价点是否是最优评价点；
直到评价点的验证次数超过预设的阈值，将与所述新的评价点对应的信用参数确定为目标信用参数。
3.根据权利要求1所述的信用分类的方法，其特征在于，所述从偏差评价函数的多个评价点中确定第一评价点的步骤之后，还包括：
当根据所述相交检测结果确定所述第一评价点是最优评价点时，将所述第一评价点对应的信用参数确定为目标信用参数。
4.根据权利要求3所述的信用分类的方法，其特征在于，根据所述相交检测结果确定所述第一评价点是最优评价点的步骤，包括：
若根据所述相交检测结果确定所述超平面与所述函数图形不相交，判定所述第一评价点是最优评价点。
5.根据权利要求1至4任一项所述的信用分类的方法，其特征在于，所述采用所述目标信用参数对所述用户进行信用分类的步骤，包括：
将所述信用特征和目标信用参数输入到信用分类模型中，根据所述信用分类模型的输出结果确定所述用户的信用类别。
6.一种信用分类的装置，其特征在于，包括：
函数确定模块，用于获取用户的信用特征，确定所述信用特征对应的信用参数；确定所述信用参数的偏差评价函数；所述偏差评价函数用于表征信用参数的不同取值对于按照所述信用特征的信用分类结果的偏差；
评价点确定模块，用于从偏差评价函数的多个评价点中确定第一评价点；当所述第一评价点不是最优评价点时，根据所述第一评价点从剩余的评价点中确定第二评价点；
参数确定模块，用于若所述第二评价点是最优评价点，将与所述第二评价点对应的信用参数确定为目标信用参数；
以及，信用分类模块，用于采用所述目标信用参数对所述用户进行信用分类；
所述偏差评价函数为损失函数；
评价点确定模块，还用于对所述损失函数运行梯度下降算法，根据所述梯度下降算法的算法运行结果确定对应的局部最优解，将所述局部最优解确定为第一评价点；
所述评价点确定模块还用于：
获取经过所述第一评价点的超平面与所述损失函数对应的函数图形的相交检测结果；
若根据所述相交检测结果确定所述超平面与所述函数图形相交，从超平面与函数图形的交点中确定与所述第一评价点的距离满足预设条件的第二候选点；
以所述第二候选点为起点对所述损失函数运行梯度下降算法，根据所述梯度下降算法的算法运行结果确定对应的局部最优解，将所述局部最优解确定为第二评价点。
7.根据权利要求6所述的信用分类的装置，其特征在于，还包括：
新评价点确定模块，用于若所述第二评价点不是最优评价点，根据所述第二评价点确定第一候选点，根据所述第一候选点确定新的评价点，并验证所述新的评价点是否是最优评价点；
验证停止模块，用于直到评价点的验证次数超过预设的阈值，将与所述新的评价点对应的信用参数确定为目标信用参数。
8.根据权利要求6所述的信用分类的装置，其特征在于，还包括：
最优点确定模块，用于当根据所述相交检测结果确定所述第一评价点是最优评价点时，将所述第一评价点对应的信用参数确定为目标信用参数。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810608110.4A CN109064308B (zh) | 2018-06-13 | 2018-06-13 | 信用分类的方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810608110.4A CN109064308B (zh) | 2018-06-13 | 2018-06-13 | 信用分类的方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109064308A CN109064308A (zh) | 2018-12-21 |
| CN109064308B true CN109064308B (zh) | 2021-04-20 |
Family
ID=64820830
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810608110.4A Active CN109064308B (zh) | 2018-06-13 | 2018-06-13 | 信用分类的方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109064308B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104574220A (zh) * | 2015-01-30 | 2015-04-29 | 国家电网公司 | 基于最小二乘支持向量机的电力客户信用评估方法 |
| CN105701693A (zh) * | 2015-12-31 | 2016-06-22 | 浙江图讯科技股份有限公司 | 一种基于深度学习的企业信用评价方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170069029A1 (en) * | 2014-09-08 | 2017-03-09 | Rory Mulvaney | Leveraging to Minimize the Expected Inverse Assets |
-
2018
- 2018-06-13 CN CN201810608110.4A patent/CN109064308B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104574220A (zh) * | 2015-01-30 | 2015-04-29 | 国家电网公司 | 基于最小二乘支持向量机的电力客户信用评估方法 |
| CN105701693A (zh) * | 2015-12-31 | 2016-06-22 | 浙江图讯科技股份有限公司 | 一种基于深度学习的企业信用评价方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109064308A (zh) | 2018-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2708356C1 (ru) | Система и способ двухэтапной классификации файлов | |
| US20130332401A1 (en) | Document evaluation apparatus, document evaluation method, and computer-readable recording medium | |
| WO2018192348A1 (zh) | 数据处理方法、装置及服务器 | |
| CN109344257A (zh) | 文本情感识别方法及装置、电子设备、存储介质 | |
| CN112214402B (zh) | 一种代码验证算法的选择方法、装置及存储介质 | |
| CN109543710B (zh) | 一种模型训练方法及相关设备 | |
| CN112070506A (zh) | 风险用户识别方法、装置、服务器及存储介质 | |
| CN112100374A (zh) | 文本聚类方法、装置、电子设备及存储介质 | |
| Xing et al. | Automatic thresholding using a modified valley emphasis | |
| CN111159481B (zh) | 图数据的边预测方法、装置及终端设备 | |
| CN109960753A (zh) | 上网设备用户的检测方法、装置、存储介质及服务器 | |
| CN110533094B (zh) | 一种用于驾驶员的评价方法和系统 | |
| CN115128438A (zh) | 一种芯片内部故障监测方法及其装置 | |
| CN109670304B (zh) | 恶意代码家族属性的识别方法、装置及电子设备 | |
| CN109064308B (zh) | 信用分类的方法、装置、计算机设备和存储介质 | |
| CN111291357B (zh) | 终端接入验证方法、装置及计算机设备 | |
| CN110009056B (zh) | 一种社交账号的分类方法及分类装置 | |
| CN109743200B (zh) | 基于资源特征的云计算平台计算任务成本预测方法及系统 | |
| CN111222566A (zh) | 用户属性识别方法、装置及存储介质 | |
| US20230058076A1 (en) | Method and system for auto generating automotive data quality marker | |
| CN112433952B (zh) | 深度神经网络模型公平性测试方法、系统、设备及介质 | |
| CN113378304B (zh) | 一种车辆性能目标的确定方法、装置、存储介质及设备 | |
| CN112464218B (zh) | 模型训练方法、装置、电子设备及存储介质 | |
| WO2016006021A1 (ja) | データ分析装置、データ分析装置の制御方法、およびデータ分析装置の制御プログラム | |
| KR20160000487A (ko) | 설문 조사 검증 시스템 및 설문 조사 검증 시스템의 동작 방법 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: Room 1901, building 5, Shenzhen new generation industrial park, 136 Zhongkang Road, Meidu community, Meilin street, Futian District, Shenzhen, Guangdong 518000 Applicant after: Zhaoyin yunchuang Information Technology Co.,Ltd. Address before: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Applicant before: MBCLOUD (SHENZHEN) INFORMATION TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Methods, devices, computer equipment, and storage media for credit classification Effective date of registration: 20231117 Granted publication date: 20210420 Pledgee: Shenzhen Branch of China Merchants Bank Co.,Ltd. Pledgor: Zhaoyin yunchuang Information Technology Co.,Ltd. Registration number: Y2023980065913 |