CN109584037A - 贷款用户信用评分的计算方法、装置和计算机设备 - Google Patents
贷款用户信用评分的计算方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN109584037A CN109584037A CN201811204578.3A CN201811204578A CN109584037A CN 109584037 A CN109584037 A CN 109584037A CN 201811204578 A CN201811204578 A CN 201811204578A CN 109584037 A CN109584037 A CN 109584037A
- Authority
- CN
- China
- Prior art keywords
- data
- loan
- credit
- user
- loan user
- 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
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)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请提供一种贷款用户信用评分的计算方法、装置和计算机设备,所述的方法包括:获取贷款用户填写的贷款信息、所述贷款用户的征信数据、所述贷款用户所持有的各个支付卡的交易数据、生活缴费数据和保单数据;根据所述贷款信息、所述征信数据、所述交易数据、所述生活缴费数据和所述保单数据,生成所述贷款用户的特征向量;将所述贷款用户的特征向量输入预先构建的评分模型中,获得所述贷款用户的信用评分结果。本申请实施例减少贷款用户信用评分计算出错的概率。
Description
技术领域
本申请涉及计算机技术领域,具体而言,本申请涉及一种贷款用户信用评分的计算方法、装置和计算机设备。
背景技术
打分卡技术是以计算机技术为核心的,以取代人力为特征的大规模自动化处理方法,是目前普遍采用的能够有效控制风险、降低业务人员数量、极大提高审批效率的商业银行革命性措施之一。打分卡使用场合很多,包括营销评分、申请评分、行为评分、回款催收评分等等,贷款公司评分卡一般用于客户识别与贷款放款额度评定。
目前贷款公司在采用打分卡技术进行评分时,基本上是利用用户填写信息,拉取人行征信数据来进行评定,一次评定得出结果,但是该种方式出错的概率较大。
发明内容
本申请针对现有方式的缺点,提出一种贷款用户信用评分的计算方法、装置和计算机设备,以减少贷款用户信用评分计算出错的概率。
本申请的实施例根据第一个方面,提供了一种贷款用户信用评分的计算方法,包括:
获取贷款用户填写的贷款信息、所述贷款用户的征信数据、所述贷款用户所持有的各个支付卡的交易数据、生活缴费数据和保单数据;
根据所述贷款信息、所述征信数据、所述交易数据、所述生活缴费数据和所述保单数据,生成所述贷款用户的特征向量;
将所述贷款用户的特征向量输入预先构建的评分模型中,获得所述贷款用户的信用评分结果。
在一个实施例中,所述获得所述贷款用户的信用评分结果,之后,还包括:
根据信用评分结果,对所述贷款用户发放与所述信用评分结果对应的款项。
在一个实施例中,所述根据所述贷款信息、所述征信数据、所述交易数据、所述生活缴费数据和所述保单数据,生成所述贷款用户的特征向量,包括:
对所述贷款信息、所述征信数据、所述交易数据、所述生活缴费数据和所述保单数据进行分类,获得字符类型数据和数值类型数据;
生成所述字符类型数据的第一特征向量;
生成所述数值类型数据的第二特征向量;
将所述第一特征向量和所述第二特征向量进行合并,生成所述贷款用户的特征向量。
在一个实施例中,所述对所述贷款信息、所述征信数据、所述交易数据、所述生活缴费数据和所述保单数据进行分类,获得字符类型数据和数值类型数据,之前,还包括:
将所述交易数据、所述生活缴费数据和所述报单数据中重复数据进行删除。
在一个实施例中,所述生成所述字符类型数据的第一特征向量,包括:
对所述字符类型数据进行one-hot编码,生成所述字符类型数据的第一特征向量;
或者,
对所述字符类型数据进行哈希计算,生成所述字符类型数据的第一特征向量。
在一个实施例中,所述生成所述数值类型数据的第二特征向量,包括:
创建初始特征向量;
将所述数值类型数据按照预设顺序依次填入所述初始特征向量中,得到所述数值类型数据的第二特征向量。
在一个实施例中,所述评分模型为:
其中,Y为信用评分结果,a1、a2…、an为系数,X1、X2…Xn为所述贷款用户的特征向量中的各个参数。
本申请的实施例根据第二个方面,还提供了一种贷款用户信用评分的计算装置,包括:
数据获取模块,用于获取贷款用户填写的贷款信息、所述贷款用户的征信数据、所述贷款用户所持有的各个支付卡的交易数据、生活缴费数据和保单数据;
特征向量生成模块,用于根据所述贷款信息、所述征信数据、所述交易数据、所述生活缴费数据和所述保单数据,生成所述贷款用户的特征向量;
评估模块,用于将所述贷款用户的特征向量输入预先构建的评分模型中,获得所述贷款用户的信用评分结果。
本申请的实施例根据第三个方面,还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任意一项所述的贷款用户信用评分的计算方法。
本申请的实施例根据第四个方面,还提供了一种计算机设备,所述计算机设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述任意一项所述的贷款用户信用评分的计算方法。
上述的贷款用户信用评分的计算方法、装置和计算机设备,获取贷款用户填写的贷款信息和贷款用户的征信数据,以及贷款用户所持有的各个支付卡的交易数据、生活缴费数据和保单数据,结合评分模型,可实时更新用户贷前评分卡得分,减少一次评定得分出错的概率。另外,还可以实时跟踪用户交易,防止用户在审批结束放款前的恶意交易造成坏账,还可以根据实时评分卡得分发掘潜在客户。
本申请附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请一个实施例的贷款用户信用评分的计算方法的流程示意图;
图2为本申请一个实施例的贷款用户信用评分的计算装置的结构示意图;
图3为本申请一个实施例的计算机设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本申请的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
如图1所示,在一个实施例中,一种贷款用户信用评分的计算方法,包括:
S110、获取贷款用户填写的贷款信息、所述贷款用户的征信数据、所述贷款用户所持有的各个支付卡的交易数据、生活缴费数据和保单数据。
贷款用户填写的贷款信息、贷款用户的征信数据可以作为固定输入参数,各个支付卡的交易数据、生活消费数据、保单数据可以作为实时变化输入参数。如果贷款用户为已提交贷款申请的用户,贷款用户填写的信息指的是用户提交贷款申请时填写的信息。如果贷款用户为还未提交贷款申请的用户,贷款用户填写的信息可以以0或者其他指定字符代替。可选的,支付卡包括银行卡、信用卡等实体卡,也可以包括微信、支付宝等虚拟卡。以银行卡和信用卡为例,可以通过网银扒取银行卡收入和支出流水,信用卡账单及流水,信用卡账单及流水指的是除人行征信记录外的出账、还款时间,还款记录等。生活消费数据指的是生活类账单,例如生活账单中水电煤缴费地点、金额等。保单数据指的是保单中的保额、保费、保期、被保物、出险时间等。保单即为保险单,指的是保险人与投保人签订保险合同的书面证明。
贷款用户填写的贷款信息以及贷款用户的征信数据可以从人行征信系统中获取。贷款用户所持有的各个支付卡中实体卡的交易数据可以从各个银行的业务系统获取,贷款用户所持有的各个支付卡中虚拟卡的交易数据可以从常用的支付APP(Application,应用)后台系统中获取,支付APP包括微信、支付宝、Apple Pay(苹果支付)等等。生活缴费数据可以从各个银行的业务系统以及常用的可以进行生活缴费的支付APP后台系统中获取。保单数据可以从各个保险系统中获取,例如从平安保险系统中获取保单数据等等。
S120、根据所述贷款信息、所述征信数据、所述交易数据、所述生活缴费数据和所述保单数据,生成所述贷款用户的特征向量。
为了实现贷款用户的信用评估,需要对获取的各个数据进行处理,生成贷款用户的特征向量。贷款用户的特征向量用于表征贷款用户独有的属性特征。生成贷款用户的特征向量的方式有很多,例如,在一个实施例中,所述根据所述贷款信息、所述征信数据、所述交易数据、所述生活缴费数据和所述保单数据,生成所述贷款用户的特征向量,包括:
S121、对所述贷款信息、所述征信数据、所述交易数据、所述生活缴费数据和所述保单数据进行分类,获得字符类型数据和数值类型数据。
字符类型数据指的是不具计算能力的文字数据类型数据,它包括中文字符、英文字符、数字字符和其他ASCⅡ(American Standard Code for Information Interchange,美国标准信息交换码)字符。数值类型数据(metric data)是按数字尺度测量的观察值,其结果表现为具体的数值。
在一个实施例中,所述对所述贷款信息、所述征信数据、所述交易数据、所述生活缴费数据和所述保单数据进行分类,获得字符类型数据和数值类型数据,之前,还包括:将所述交易数据、所述生活缴费数据和所述报单数据中重复数据进行删除。获取交易数据、生活缴费数据和所述报单数据后,还需要对上述各个数据进行预处理,去除重复的数据,例如用户通过银行卡进行生活缴费,则银行卡的交易数据包括该项信息,生活消费数据也包括该项信息,则仅保留一项信息即可。
S122、生成所述字符类型数据的第一特征向量。
生成第一特征向量的方式有很多,下面结合两个实施例进行说明。应当理解的是,本申请并不限制于下述生成第一特征向量的方式。
在一个实施例中,所述生成所述字符类型数据的第一特征向量,包括:对所述字符类型数据进行one-hot编码,生成所述字符类型数据的第一特征向量。one hot编码是将类别变量转换为机器学习算法易于利用的一种形式的过程,具体编码方式可以根据现有技术中已有的方式实现。
在另一个实施例中,所述生成所述字符类型数据的第一特征向量,包括:对所述字符类型数据进行哈希计算,生成所述字符类型数据的第一特征向量。Hash(哈希)指的是将任意长度的输入通过散列算法变换成固定长度的输出,该输出就是散列值。对字符类型数据进行哈希计算,就可以得到字符类型数据的第一特征向量。
S123、生成所述数值类型数据的第二特征向量。
生成第二特征向量的方式有很多,例如,在一个实施例中,所述生成所述数值类型数据的第二特征向量,包括:创建初始特征向量;将所述数值类型数据按照预设顺序依次填入所述初始特征向量中,得到所述数值类型数据的第二特征向量。初始特征向量为空向量,大小可以根据获取的数值类型数据的个数确定。预设顺序可以根据用户实际需要进行设置,例如,按照贷款信息、征信数据、交易数据、生活缴费数据和保单数据的顺序,将提取的对应的数值类型数据依次填入初始特征向量中,就可以得到数值类型数据的第二特征向量。
S124、将所述第一特征向量和所述第二特征向量进行合并,生成所述贷款用户的特征向量。
将第一特征向量和第二特征向量进行合并,生成贷款用户的特征向量,也即是评分模型的输入特征。合并的方式可以为第一特征向量在前,第二特征向量在后,也可以为第二特征向量在前,第一特征向量在后,还可以为其它合并方式。
S130、将所述贷款用户的特征向量输入预先构建的评分模型中,获得所述贷款用户的信用评分结果。
采用训练样本对评分模型进行训练,得到训练好的评分模型。训练样本包括各个样本用户填写的贷款信息、征信数据,以及样本用户所持有的各个支付卡的交易数据、生活消费数据、保单数据。
在一个实施例中,所述评分模型为:
其中,Y为信用评分结果,a1、a2…、an为系数,X1、X2…Xn为所述贷款用户的特征向量中的各个参数。
可选的,评分模型还可以是逻辑回归模型、神经网络模型、决策树模型等等。
将贷款用户的特征向量输入训练好的评分模型中,就可以得到该用户的信用评分结果。
在一个实施例中,所述获得所述贷款用户的信用评分结果,之后,还包括:根据信用评分结果,对所述贷款用户发放与所述信用评分结果对应的款项。对于提交贷款申请的用户,贷款公司根据该信用评分结果就可以确定是否向该用户发放贷款以及发放贷款的金额。
另外,对于未提交贷款申请的用户,贷款公司根据该信用评分结果智能推荐相应额度的贷款产品,从而挖掘潜在客户,智能推荐贷款产品的步骤可以包括:
S1、获取用户所持有的各个支付卡的交易数据、生活缴费数据和保单数据。
由于用户还未提交贷款申请,因此用户填写的贷款信息、用户的征信数据可以均用0或者其它指定字符代替。用户所持有的各个支付卡中实体卡的交易数据可以从各个银行的业务系统获取,用户所持有的各个支付卡中虚拟卡的交易数据可以从常用的支付APP后台系统中获取。生活缴费数据可以从各个银行的业务系统以及常用的可以进行生活缴费的支付APP后台系统中获取。保单数据可以从各个保险系统中获取。
S2、根据贷款信息、征信数据、所述交易数据、所述生活缴费数据和所述保单数据,生成用户的特征向量。
该步骤S2的具体实现方式与步骤S120相同,只不过S2中的贷款信息和征信数据全部用0或者其它指定字符代替。如果该步骤中的贷款信息和征信数据全部用0或者其它数字代替,则将贷款信息和征信数据分类至数值类型数据。如果该步骤中的贷款信息和征信数据全部用a或者其它字符代替,则将贷款信息和征信数据分类至字符类型数据。
S3、将用户的特征向量输入预先构建的评分模型中,获得用户的信用评分结果。
步骤S3中的评分模型采用与步骤S130中相同的评分模型。将用户的特征向量输入预先构建的评分模型中,由该评分模型对用户的特征向量进行计算,输出用户的信用评分结果。
S4、根据用户的信用评分结果,推荐相应额度的贷款产品。
每款贷款产品对应的贷款额度一般不相同,以平安普惠的贷款产品为例,小额度的贷款产品包括i贷等,i贷额度最高三万,大额度的贷款产品包括宅e经营贷等,宅e经营贷额度为15万至500万。可以预先设置信用评分结果所属范围与贷款产品的对应关系,一般贷款信用评分结果越低,贷款产品对应的贷款额度越低。得到用户的信用评分结果后,确定该信用评分结果所属的范围区间,进而寻找到待推荐的贷款产品。
如果待推荐的贷款产品仅有一个,则可以将该贷款产品直接通过短信或者其它即时通信软件推送用户。如果待推荐的贷款产品有多个,可以将多个贷款产品通过短信或者其它即时通信软件直接推送给用户,也可以对多个贷款产品进行进一步的筛选,从多个贷款产品中选取一个更适合用户的贷款产品。从多款贷款产品中选取一款贷款产品的方式有很多,例如,两款贷款产品贷款额度差不多,但是一个贷款产品需要有房贷才能申请,另一款贷款产品无需房贷即可以申请,获取用户数据发现用户没有房贷且名下也没有房产,则可以仅将无需房贷即可申请的贷款产品推荐给用户,以提高推荐的有效性。
基于同一发明构思,本申请还提供一种贷款用户信用评分的计算装置,下面结合附图对本申请装置的具体实施方式进行详细介绍。
如图2所示,在一个实施例中,一种贷款用户信用评分的计算装置,包括:
数据获取模块210,用于获取贷款用户填写的贷款信息、所述贷款用户的征信数据、所述贷款用户所持有的各个支付卡的交易数据、生活缴费数据和保单数据;
特征向量生成模块220,用于根据所述贷款信息、所述征信数据、所述交易数据、所述生活缴费数据和所述保单数据,生成所述贷款用户的特征向量;
评估模块230,用于将所述贷款用户的特征向量输入预先构建的评分模型中,获得所述贷款用户的信用评分结果。
在一个实施例中,还包括与评估模块230相连的款项发放模块,款项发放模块用于根据信用评分结果,对所述贷款用户发放与所述信用评分结果对应的款项。
在一个实施例中,所述特征向量生成模块220包括:
分类单元,用于对所述贷款信息、所述征信数据、所述交易数据、所述生活缴费数据和所述保单数据进行分类,获得字符类型数据和数值类型数据;
第一特征向量生成单元,用于生成所述字符类型数据的第一特征向量;
第二特征向量生成单元,用于生成所述数值类型数据的第二特征向量;
贷款用户特征向量生成单元,用于将所述第一特征向量和所述第二特征向量进行合并,生成所述贷款用户的特征向量。
在一个实施例中,所述分类单元对所述贷款信息、所述征信数据、所述交易数据、所述生活缴费数据和所述保单数据进行分类,获得字符类型数据和数值类型数据,之前,还用于将所述交易数据、所述生活缴费数据和所述报单数据中重复数据进行删除。
在一个实施例中,所述第一特征向量生成单元对所述字符类型数据进行one-hot编码,生成所述字符类型数据的第一特征向量。
在一个实施例中,所述第一特征向量生成单元对所述字符类型数据进行哈希计算,生成所述字符类型数据的第一特征向量。
在一个实施例中,所述第二特征向量生成单元创建初始特征向量;将所述数值类型数据按照预设顺序依次填入所述初始特征向量中,得到所述数值类型数据的第二特征向量。
在一个实施例中,所述评分模型为:
其中,Y为信用评分结果,a1、a2…、an为系数,X1、X2…Xn为所述贷款用户的特征向量中的各个参数。
本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任意一项所述的贷款用户信用评分的计算方法。其中,所述存储介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory,只读存储器)、RAM(Random AcceSS Memory,随即存储器)、EPROM(EraSableProgrammable Read-Only Memory,可擦写可编程只读存储器)、EEPROM(ElectricallyEraSable Programmable Read-Only Memory,电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是,存储介质包括由设备(例如,计算机)以能够读的形式存储或传输信息的任何介质。可以是只读存储器,磁盘或光盘等。
本申请实施例还提供一种计算机设备,所述计算机设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述任意一项所述的贷款用户信用评分的计算方法。
图3为本申请计算机设备的结构示意图,包括处理器320、存储装置330、输入单元340以及显示单元350等器件。本领域技术人员可以理解,图3示出的结构器件并不构成对所有计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件。存储装置330可用于存储应用程序310以及各功能模块,处理器320运行存储在存储装置330的应用程序310,从而执行设备的各种功能应用以及数据处理。存储装置330可以是内存储器或外存储器,或者包括内存储器和外存储器两者。内存储器可以包括只读存储器、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)、快闪存储器、或者随机存储器。外存储器可以包括硬盘、软盘、ZIP盘、U盘、磁带等。本申请所公开的存储装置包括但不限于这些类型的存储装置。本申请所公开的存储装置330只作为例子而非作为限定。
输入单元340用于接收信号的输入,以及接收贷款用户填写的贷款信息、所述贷款用户的征信数据、所述贷款用户所持有的各个支付卡的交易数据、生活缴费数据和保单数据。输入单元340可包括触控面板以及其它输入设备。触控面板可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作),并根据预先设定的程序驱动相应的连接装置;其它输入设备可以包括但不限于物理键盘、功能键(比如播放控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。显示单元350可用于显示用户输入的信息或提供给用户的信息以及计算机设备的各种菜单。显示单元350可采用液晶显示器、有机发光二极管等形式。处理器320是计算机设备的控制中心,利用各种接口和线路连接整个电脑的各个部分,通过运行或执行存储在存储装置330内的软件程序和/或模块,以及调用存储在存储装置内的数据,执行各种功能和处理数据。
在一实施方式中,计算机设备包括一个或多个处理器320,以及一个或多个存储装置330,一个或多个应用程序310,其中所述一个或多个应用程序310被存储在存储装置330中并被配置为由所述一个或多个处理器320执行,所述一个或多个应用程序310配置用于执行以上实施例所述的贷款用户信用评分的计算方法。
上述贷款用户信用评分的计算方法、装置和计算机设备,结合各种数据以及评分模型可实时更新用户贷前评分卡得分,减少一次评定得分出错的概率,可以实时跟踪用户交易,防止用户在审批结束放款前的恶意交易造成坏账,还可以根据实时评分卡得分发掘潜在客户。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
应该理解的是,在本申请各实施例中的各功能单元可集成在一个处理模块中,也可以各个单元单独物理存在,也可以两个或两个以上单元集成于一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
以上所述仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种贷款用户信用评分的计算方法,其特征在于,包括:
获取贷款用户填写的贷款信息、所述贷款用户的征信数据、所述贷款用户所持有的各个支付卡的交易数据、生活缴费数据和保单数据;
根据所述贷款信息、所述征信数据、所述交易数据、所述生活缴费数据和所述保单数据,生成所述贷款用户的特征向量;
将所述贷款用户的特征向量输入预先构建的评分模型中,获得所述贷款用户的信用评分结果。
2.根据权利要求1所述的贷款用户信用评分的计算方法,其特征在于,所述获得所述贷款用户的信用评分结果,之后,还包括:
根据信用评分结果,对所述贷款用户发放与所述信用评分结果对应的款项。
3.根据权利要求1所述的贷款用户信用评分的计算方法,其特征在于,所述根据所述贷款信息、所述征信数据、所述交易数据、所述生活缴费数据和所述保单数据,生成所述贷款用户的特征向量,包括:
对所述贷款信息、所述征信数据、所述交易数据、所述生活缴费数据和所述保单数据进行分类,获得字符类型数据和数值类型数据;
生成所述字符类型数据的第一特征向量;
生成所述数值类型数据的第二特征向量;
将所述第一特征向量和所述第二特征向量进行合并,生成所述贷款用户的特征向量。
4.根据权利要求3所述的贷款用户信用评分的计算方法,其特征在于,所述对所述贷款信息、所述征信数据、所述交易数据、所述生活缴费数据和所述保单数据进行分类,获得字符类型数据和数值类型数据,之前,还包括:
将所述交易数据、所述生活缴费数据和所述报单数据中重复数据进行删除。
5.根据权利要求3所述的贷款用户信用评分的计算方法,其特征在于,所述生成所述字符类型数据的第一特征向量,包括:
对所述字符类型数据进行one-hot编码,生成所述字符类型数据的第一特征向量;
或者,
对所述字符类型数据进行哈希计算,生成所述字符类型数据的第一特征向量。
6.根据权利要求3所述的贷款用户信用评分的计算方法,其特征在于,所述生成所述数值类型数据的第二特征向量,包括:
创建初始特征向量;
将所述数值类型数据按照预设顺序依次填入所述初始特征向量中,得到所述数值类型数据的第二特征向量。
7.根据权利要求1至6中任意一项所述的贷款用户信用评分的计算方法,其特征在于,所述评分模型为:
其中,Y为信用评分结果,a1、a2…、an为系数,X1、X2…Xn为所述贷款用户的特征向量中的各个参数。
8.一种贷款用户信用评分的计算装置,其特征在于,包括:
数据获取模块,用于获取贷款用户填写的贷款信息、所述贷款用户的征信数据、所述贷款用户所持有的各个支付卡的交易数据、生活缴费数据和保单数据;
特征向量生成模块,用于根据所述贷款信息、所述征信数据、所述交易数据、所述生活缴费数据和所述保单数据,生成所述贷款用户的特征向量;
评估模块,用于将所述贷款用户的特征向量输入预先构建的评分模型中,获得所述贷款用户的信用评分结果。
9.一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,该程序被处理器执行时实现如权利要求1至7中任意一项所述的贷款用户信用评分的计算方法。
10.一种计算机设备,其特征在于,所述计算机设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至7中任意一项所述的贷款用户信用评分的计算方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811204578.3A CN109584037A (zh) | 2018-10-16 | 2018-10-16 | 贷款用户信用评分的计算方法、装置和计算机设备 |
PCT/CN2019/070361 WO2020077888A1 (zh) | 2018-10-16 | 2019-01-04 | 贷款用户信用评分的计算方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811204578.3A CN109584037A (zh) | 2018-10-16 | 2018-10-16 | 贷款用户信用评分的计算方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109584037A true CN109584037A (zh) | 2019-04-05 |
Family
ID=65920106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811204578.3A Pending CN109584037A (zh) | 2018-10-16 | 2018-10-16 | 贷款用户信用评分的计算方法、装置和计算机设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109584037A (zh) |
WO (1) | WO2020077888A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046989A (zh) * | 2019-04-19 | 2019-07-23 | 宜人恒业科技发展(北京)有限公司 | 一种信息获取方法及装置 |
CN112184417A (zh) * | 2020-09-25 | 2021-01-05 | 中国建设银行股份有限公司 | 一种业务的审批方法、装置、介质及电子设备 |
CN113283979A (zh) * | 2021-05-12 | 2021-08-20 | 广州市全民钱包科技有限公司 | 一种贷款申请人的贷款信用评估方法、装置及存储介质 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695988A (zh) * | 2020-06-16 | 2020-09-22 | 中国工商银行股份有限公司 | 信息处理方法、装置、电子设备和介质 |
CN112163944A (zh) * | 2020-09-18 | 2021-01-01 | 中国建设银行股份有限公司 | 客户的贷款资质评分方法、装置、计算机设备和存储介质 |
CN116777608A (zh) * | 2023-08-25 | 2023-09-19 | 北京佳格天地科技有限公司 | 基于大数据的农业金融风险监管系统、方法及存储介质 |
CN117670149A (zh) * | 2024-02-01 | 2024-03-08 | 杭银消费金融股份有限公司 | 一种客群质量评分方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101499075A (zh) * | 2008-01-28 | 2009-08-05 | 万德洪 | 一种数据挖掘系统以及实现方法和应用 |
US20110270779A1 (en) * | 2010-04-30 | 2011-11-03 | Thomas Showalter | Data analytics models for loan treatment |
US20130185189A1 (en) * | 2011-01-13 | 2013-07-18 | Jeffrey Stewart | Systems and methods for using online social footprint for affecting lending performance and credit scoring |
US20170039637A1 (en) * | 2015-08-05 | 2017-02-09 | Telefonica Digital Espana, S.L.U. | Computer-implemented method, a system and computer program products for assessing the credit worthiness of a user |
CN108198067A (zh) * | 2017-12-04 | 2018-06-22 | 屠雪祥 | 贷款额度自动评定系统及贷款额度自动评定方法 |
CN108205783A (zh) * | 2017-12-13 | 2018-06-26 | 南京农纷期电子商务有限公司 | 一种农业信贷领域的自动化信用评分系统 |
CN108320220A (zh) * | 2018-02-06 | 2018-07-24 | 有光创新(北京)信息技术有限公司 | 一种用户信用度的评估系统及方法 |
WO2018166105A1 (zh) * | 2017-03-13 | 2018-09-20 | 平安科技(深圳)有限公司 | 贷款额度测算方法、装置、服务器和存储介质 |
CN108648074A (zh) * | 2018-05-18 | 2018-10-12 | 深圳壹账通智能科技有限公司 | 基于支持向量机的贷款评估方法、装置及设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106384281A (zh) * | 2016-05-18 | 2017-02-08 | 平安科技(深圳)有限公司 | 保单贷款处理方法和装置 |
CN106296389A (zh) * | 2016-07-28 | 2017-01-04 | 联动优势科技有限公司 | 一种用户信用度的评估方法及装置 |
CN108305163A (zh) * | 2017-12-20 | 2018-07-20 | 上海财安金融服务集团股份有限公司 | 基于特征库的信用预警方法及系统 |
CN108564466A (zh) * | 2018-05-03 | 2018-09-21 | 湖南大学 | 一种信用评级方法 |
-
2018
- 2018-10-16 CN CN201811204578.3A patent/CN109584037A/zh active Pending
-
2019
- 2019-01-04 WO PCT/CN2019/070361 patent/WO2020077888A1/zh active Application Filing
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101499075A (zh) * | 2008-01-28 | 2009-08-05 | 万德洪 | 一种数据挖掘系统以及实现方法和应用 |
US20110270779A1 (en) * | 2010-04-30 | 2011-11-03 | Thomas Showalter | Data analytics models for loan treatment |
US20130185189A1 (en) * | 2011-01-13 | 2013-07-18 | Jeffrey Stewart | Systems and methods for using online social footprint for affecting lending performance and credit scoring |
US20170039637A1 (en) * | 2015-08-05 | 2017-02-09 | Telefonica Digital Espana, S.L.U. | Computer-implemented method, a system and computer program products for assessing the credit worthiness of a user |
WO2018166105A1 (zh) * | 2017-03-13 | 2018-09-20 | 平安科技(深圳)有限公司 | 贷款额度测算方法、装置、服务器和存储介质 |
CN108198067A (zh) * | 2017-12-04 | 2018-06-22 | 屠雪祥 | 贷款额度自动评定系统及贷款额度自动评定方法 |
CN108205783A (zh) * | 2017-12-13 | 2018-06-26 | 南京农纷期电子商务有限公司 | 一种农业信贷领域的自动化信用评分系统 |
CN108320220A (zh) * | 2018-02-06 | 2018-07-24 | 有光创新(北京)信息技术有限公司 | 一种用户信用度的评估系统及方法 |
CN108648074A (zh) * | 2018-05-18 | 2018-10-12 | 深圳壹账通智能科技有限公司 | 基于支持向量机的贷款评估方法、装置及设备 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046989A (zh) * | 2019-04-19 | 2019-07-23 | 宜人恒业科技发展(北京)有限公司 | 一种信息获取方法及装置 |
CN112184417A (zh) * | 2020-09-25 | 2021-01-05 | 中国建设银行股份有限公司 | 一种业务的审批方法、装置、介质及电子设备 |
CN113283979A (zh) * | 2021-05-12 | 2021-08-20 | 广州市全民钱包科技有限公司 | 一种贷款申请人的贷款信用评估方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2020077888A1 (zh) | 2020-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109584037A (zh) | 贷款用户信用评分的计算方法、装置和计算机设备 | |
CN111177569B (zh) | 基于人工智能的推荐处理方法、装置及设备 | |
Achour et al. | Guiding use case authoring: Results of an empirical study | |
Berthold et al. | Guide to intelligent data analysis: how to intelligently make sense of real data | |
TW201946013A (zh) | 基於lstm模型的信用風險預測方法及裝置 | |
Bian et al. | Icorating: A deep-learning system for scam ico identification | |
CN109446430A (zh) | 产品推荐的方法、装置、计算机设备及可读存储介质 | |
CN109509033A (zh) | 一种消费金融场景下的用户购买行为大数据预测方法 | |
CN109299994A (zh) | 推荐方法、装置、设备及可读存储介质 | |
CN109711976A (zh) | 账单数据处理方法、装置、计算机可读存储介质及服务器 | |
CN108629632A (zh) | 预测用户收入的方法、装置及计算机可读存储介质 | |
CN113449187A (zh) | 基于双画像的产品推荐方法、装置、设备及存储介质 | |
US11775737B2 (en) | System and method for correction of acquired transaction text fields | |
CN110489424A (zh) | 一种表格化信息提取的方法、装置、存储介质及电子设备 | |
CN113592605B (zh) | 基于相似产品的产品推荐方法、装置、设备及存储介质 | |
CN115204901B (zh) | 基于多特征融合的信用卡欺诈检测方法、装置及介质 | |
Klosterman | Data Science Projects with Python: A case study approach to successful data science projects using Python, pandas, and scikit-learn | |
CN109242516A (zh) | 处理服务单的方法和装置 | |
CN115271886A (zh) | 金融产品的推荐方法及装置、存储介质、电子设备 | |
Wang et al. | A document analysis deep learning regression model for initial coin offerings success prediction | |
WO2009088487A1 (en) | Merchant rate lookup | |
CN114187096A (zh) | 基于用户画像的风险评估方法、装置、设备及存储介质 | |
CN112465611A (zh) | 向用户推送物品信息的方法、装置和电子设备 | |
Jin et al. | Adversarial Robustness for Large Language NER models using Disentanglement and Word Attributions | |
Koa et al. | Learning to Generate Explainable Stock Predictions using Self-Reflective Large Language Models |
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 |