CN109754319A - 信用分值确定系统、方法、终端及服务器 - Google Patents
信用分值确定系统、方法、终端及服务器 Download PDFInfo
- Publication number
- CN109754319A CN109754319A CN201711081909.4A CN201711081909A CN109754319A CN 109754319 A CN109754319 A CN 109754319A CN 201711081909 A CN201711081909 A CN 201711081909A CN 109754319 A CN109754319 A CN 109754319A
- Authority
- CN
- China
- Prior art keywords
- data
- credit score
- account number
- feature
- credit
- 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
Links
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开了一种信用分值确定系统、方法、终端及服务器,属于信用评分领域。该系统包括:客户端和服务器;客户端,用于获取目标帐号在客户端上的基础数据;根据基础数据计算得到目标帐号的本端信用数据;向服务器发送目标帐号的本端信用数据;服务器,用于接收目标帐号的本端信用数据;根据目标帐号的本端信用数据和其它数据,计算目标帐号的信用分值;本申请可以解决服务器的计算量较大的问题;利用客户端自身承接了一部分计算量后,减少了服务器的计算量。
Description
技术领域
本发明实施例涉及信用评分技术领域,特别涉及一种信用分值确定系统、方法、终端及服务器。
背景技术
信用评分方法是一种用于量化信用账号的信用或违约可能性的信用风险分析方法。比如:通过数据分析技术和机器学习算法,根据用户在社交媒体、微博、电子商务等公开平台上形成的信息,评估出某用户所使用的信用卡的信用额度。
在一种典型的信用分值的确定方法中,服务器获取客户端采集到的用户数据,将该用户数据输入预设的信用分值确定模型,来确定出客户端中目标帐号的信用分值。
然而,随着接入服务器的客户端的数量越来越多,和/或,每个客户端采集到的用户数据的数据量越来越大,服务器确定目标帐号的信用分值的计算量也会随之增大。
发明内容
本发明实施例提供了一种信用分值确定系统、方法、终端及服务器,可以解决服务器计算目标帐号的信用分值时计算量较大的问题。所述技术方案如下:
第一方面,提供了一种信用分值确定系统,所述系统包括:客户端和服务器;
所述客户端,用于获取目标帐号在所述客户端上的基础数据;根据所述基础数据计算得到所述目标帐号的本端信用数据;向所述服务器发送所述目标帐号的所述本端信用数据;
所述服务器,用于接收所述目标帐号的所述本端信用数据;根据所述目标帐号的所述本端信用数据和其它数据,计算所述目标帐号的信用分值;
其中,所述其它数据包括:所述目标帐号在所述服务器上的服务端信用数据、所述目标帐号在其它数据源上的信用数据、其它帐号在所述服务器上的信用数据中的至少一种。
第二方面,提供了一种信用分值确定方法,用于客户端中,所述方法包括:
获取目标帐号在所述客户端上的基础数据;
根据所述基础数据计算得到所述目标帐号的本端信用数据;
向服务器发送所述目标帐号的所述本端信用数据,所述本端信用数据用于供所述服务器根据所述目标帐号的所述本端信用数据和其它数据确定所述目标帐号的信用分值;
其中,所述其它数据包括:所述目标帐号在所述服务器上的服务端信用数据、所述目标帐号在其它数据源上的信用数据、其它帐号在所述服务器上的信用数据中的至少一种。
第三方面,提供了一种信用分值确定方法,用于服务器中,所述方法包括:
接收客户端发送的目标帐号的本端信用数据,所述本端信用数据是所述客户端根据基础数据计算得到的;
接收其它数据,所述其它数据包括:所述目标帐号在所述服务器上的服务端信用数据、所述目标帐号在其它数据源上的信用数据、其它帐号在所述服务器上的信用数据中的至少一种;
根据所述目标帐号的所述本端信用数据和其它数据,计算所述目标帐号的信用分值。
第四方面,提供了一种信用分值确定装置,用于客户端中,所述装置包括:
获取模块,用于获取目标帐号在所述客户端上的基础数据;
计算模块,用于根据所述基础数据计算得到所述目标帐号的本端信用数据;
发送模块,用于向服务器发送所述目标帐号的所述本端信用数据,所述本端信用数据用于供所述服务器根据所述目标帐号的所述本端信用数据和其它数据确定所述目标帐号的信用分值;
其中,所述其它数据包括:所述目标帐号在所述服务器上的服务端信用数据、所述目标帐号在其它数据源上的信用数据、其它帐号在所述服务器上的信用数据中的至少一种。
第五方面,提供了一种信用分值确定装置,用于服务器中,所述装置包括:
第一接收模块,用于接收客户端发送的目标帐号的本端信用数据,所述本端信用数据是所述客户端根据基础数据计算得到的;
第二接收模块,用于接收其它数据,所述其它数据包括:所述目标帐号在所述服务器上的服务端信用数据、所述目标帐号在其它数据源上的信用数据、其它帐号在所述服务器上的信用数据中的至少一种;
计算模块,用于根据所述目标帐号的所述本端信用数据和其它数据,计算所述目标帐号的信用分值。
第六方面,提供一种终端,所述终端包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器执行以实现第二方面的信用分值确定方法。
第七方面,提供一种服务器,所述服务器包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器执行以实现第三方面提供的信用分值确定方法。
第八方面,提供一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器执行以实现第二方面提供的信用分值确定方法;或者,以实现第三方面提供的信用分值确定方法。
本发明实施例提供的技术方案带来的有益效果包括:
在计算信用评分时需要使用多维度数据,本发明实施例通过由客户端对客户端侧的基础数据进行计算,得到本端信用数据后发送至服务器;由服务器根据该本端信用数据和服务器侧的其它数据确定目标帐号的信用分值;利用客户端自身的能力对基础数据进行存储和计算,使得服务器无需再存储和计算大量的基础数据,服务器只需要根据本端信用数据和服务器侧的其它数据进行融合计算来获取信用分值即可,因此,可以减少服务器的计算量。
同时,由于基础数据主要是历史数据和隐私数据,服务器即不需要对大量的历史数据进行存储,减轻了服务器的数据存储压力;服务器也不需要获知隐私数据的具体内容,充分保证了用户隐私。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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他的附图。
图1是本发明一个实施例提供的信用分值确定系统的结构示意图;
图2A是本发明一个实施例提供的信用分值确定方法的流程图;
图2B是本发明一个实施例提供的服务器中的融合模型的示意图;
图3A是本发明一个实施例提供的信用分值确定方法的流程图;
图3B是本发明一个实施例提供的本端信用分值确定方法的示意图;
图4是本发明一个实施例提供的信用分值确定方法的流程图;
图5A是本发明一个实施例提供的信用分值确定方法的流程图;
图5B是本发明一个实施例提供的本端信用分值确定方法的示意图;
图6是本发明一个实施例提供的信用分值确定方法的流程图;
图7A是本发明一个实施例提供的信用分值确定方法的流程图;
图7B是本发明一个实施例提供的本端信用分值确定方法的示意图;
图8是本发明一个实施例提供的信用分值确定方法的流程图;
图9A是本发明一个实施例提供的信用分值确定方法的流程图;
图9B是本发明一个实施例提供的本端信用分值确定方法的示意图;
图10是本发明一个实施例提供的信用分值确定方法的流程图;
图11是本发明一个实施例提供的信用分值确定方法的示意图;
图12是本发明一个实施例提供的信用分值确定装置的框图;
图13是本发明一个实施例提供的信用分值确定装置的框图;
图14是本发明一个实施例提供的服务器的结构示意图;
图15是本发明一个实施例提供的终端的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
首先,对本发明实施例涉及的若干个名词进行介绍。
信用分值:是指利用计算机模型对目标帐号的信用进行量化得到的分数。可选地,计算机模型包括但不限于:深度神经网络(Deep Neural Network,DNN)模型、循环神经网络(Recurrent Neural Networks,RNN)模型、嵌入(embedding)模型、梯度提升决策树(Gradient Boosting Decision Tree,GBDT)模型、逻辑回归(Logistic Regression,LR)模型中的至少一种。
DNN模型是一种深度学习框架。DNN模型包括输入层、至少一层隐层(或称,中间层)和输出层。可选地,输入层、至少一层隐层(或称,中间层)和输出层均包括至少一个神经元,神经元用于对接收到的数据进行处理。可选地,不同层之间的神经元的数量可以相同;或者,也可以不同。
RNN模型是一种具有反馈结构的神经网络。在RNN模型中,神经元的输出可以在下一个时间戳直接作用到自身,即,第i层神经元在m时刻的输入,除了(i-1)层神经元在该时刻的输出外,还包括其自身在(m-1)时刻的输出。
嵌入模型是基于实体和关系分布式向量表示,将每个三元组实例中的关系看作从实体头到实体尾的翻译。其中,三元组实例包括主体、关系、客体,三元组实例可以表示成(主体,关系,客体);主体为实体头,客体为实体尾。比如:小明的爸爸是大明,则通过三元组实例表示为(小明,爸爸,大明)。
GBDT模型是一种迭代的决策树算法,该算法由多棵决策树组成,所有树的结果累加起来作为最终结果。决策树的每个节点都会得到一个预测值,以年龄为例,预测值为属于年龄对应的节点的所有人年龄的平均值。
LR模型是指在线性回归的基础上,套用一个逻辑函数建立的模型。
可选地,本申请中,信用分值的形式包括的但不限于:信用得分,比如:100分、60分等;信用等级,比如:高、中、低等;信用排名,比如:第1名、第100名等,本实施例不对信用分值的具体表现形式作限定。
请参考图1,其示出了本发明一个实施例提供的信用分值确定系统的结构示意图。该系统包括客户端110和服务器120。
客户端110可以运行于手机、平板电脑、可穿戴式设备、电子书阅读器、车载电子设备、智能家电、智能膝上型便携计算机和台式计算机等终端中,本实施例对此不作限定。客户端110可以是即时聊天程序、语音社交程序、微博程序、电子商务程序、支付类应用程序中的任意一种。客户端110通常理解为软件应用程序。但在一些实施例中,客户端110也可以认为与终端等同,被认为是安装有上述程序的硬件终端,本申请对此不加以限定。
可选地,客户端110中登录有目标帐号。目标帐号用于唯一标识用户的身份。可选地,目标帐号包括但不限于:手机号、银行卡号、身份证号和随机字符串中的至少一种。
客户端110用于获取基础数据,基础数据用于确定目标帐号的信用分值。
可选地,客户端110获取基础数据的方式包括但不限于以下方式中的至少一种:
第一种:从本端的采集组件中获取基础数据。采集组件包括但不限于:安装在客户端110所属的终端中的传感器组件,比如:全球定位系统(Global Positioning System,GPS)、心率传感器、紫外线传感器等;通信组件,比如:信号发射组件、信号接收组件等。
此时,基础数据包括位置数据、通话数据、健康数据中的至少一种。
第二种:从应用程序操作记录中获取基础数据。应用程序操作记录用于记录应用程序运行过程中所执行的操作。可选地,每个应用程序对应一个应用程序操作记录;或者,至少两个应用程序对应一个应用程序操作记录。可选地,应用程序包括客户端110,即,客户端110可以从其对应的应用程序操作记录中获取基础数据。
此时,基础数据包括:用户操作应用程序的操作数据。
第三种:从关联设备中获取基础数据。关联设备包括但不限于:与客户端所属的终端相绑定的智能家电、可穿戴式设备、手机、平板电脑、车载电子设备、智能膝上型便携计算机和台式计算机等终端。
此时,基础数据包括:客户端与关联设备的交互数据、用户操作关联设备的数据中的至少一种。
第四种:从服务器120中获取基础数据。
可选地,客户端110还用于从获取到的基础数据中提取特征编码向量,并将该特征编码向量发送至服务器120。特征编码向量用于指示基础数据所具备的特征,比如:特征编码向量用于指示用户每周的工作日都会前往预定地点。
可选地,客户端110还用于根据提取出的特征编码向量确定目标帐号的信用分值,并将该信用分值发送至服务器120。
可选地,服务器120与客户端110所属的终端通过无线网络方式或者有线网络方式建立通信连接。可选地,服务器120为单独的服务器或服务器集群,服务器120用于为客户端110提供后台服务。
可选地,服务器120用于根据客户端110发送的本端信用数据和其它数据,确定客户端110中目标帐号的信用分值。
可选地,本端信用数据包括:客户端110确定出的目标帐号的本端信用分值、信用分值更新向量、特征更新向量和特征编码向量中的至少一种。
可选地,服务器120还用于接收客户端110发送的基础数据。
可选地,服务器120还用于将客户端110发送的目标帐号的本端信用分值直接作为目标帐号的信用分值。
可选地,其它数据包括但不限于:目标帐号在服务器120上的服务端信用数据、目标帐号在其它数据源上的信用数据、其它帐号在服务器120上的信用数据中的至少一种。
可选地,其它数据源可以是与服务器120相关联的其它服务器,比如:与服务器120具有合作关系的服务器、与服务器120通过预定协议建立通信连接的服务器等;或者,还可以是与服务器120相关联的其它客户端,比如:与客户端110属于同一个软件开发商的其它不同类型的客户端。该其它不同类型的客户端可以登录有目标帐号,或者登录有与目标帐号关联的帐号。
可选地,上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网、但也可以是任何网络,包括但不限于局域网(Local Area Network,LAN)、城域网(Metropolitan Area Network,MAN)、广域网(Wide Area Network,WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合)。在一些实施例中,使用包括超文本标记语言(HyperText Mark-up Language,HTML)、可扩展标记语言(Extensible MarkupLanguage,XML)等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层(Secure Socket Layer,SSL)、传输层安全(Trassport Layer Security,TLS)、虚拟专用网络(Virtual Private Network,VPN)、网际协议安全(Internet ProtocolSecurity,IPsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中,还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。
请参考图2A,其示出了本发明一个实施例提供的信用分值确定方法的流程图。本实施例以该信用分值确定方法应用于图1所示的信用分值确定系统中举例说明,该方法可以包括以下几个步骤:
步骤201,客户端获取目标帐号在客户端上的基础数据。
基础数据用于确定目标帐号的信用分值。
可选地,基础数据包括历史数据,历史数据包括在客户端中存储时长大于预设时长的数据。预设时长通常较长,比如:一个月、半年等,本实施例不对预设时长的取值作限定。本实施例中,为了节省服务器的存储空间,客户端可以存储较长时间的基础数据,而服务器不存储基础数据或仅存储最近时间段的基础数据。
可选地,基础数据包括隐私数据,隐私数据是与目标帐号的隐私相关的数据。比如:目标帐号的性别、爱好、聊天记录、收入明细、支出明细等。为了避免隐私数据被恶意人员获取,本实施例中的客户端可以不发送基础数据至服务器。
可选地,客户端从本端的采集组件中获取基础数据。比如:通过本端的采集组件获取目标帐号的位置信息。可选地,从应用程序操作记录中获取基础数据。比如:从应用程序操作记录中获取目标帐号的还款信息。可选地,从关联设备中获取所述基础数据。比如:从关联设备中获取消费记录。可选地,从服务器中获取基础数据。比如:从服务器中获取与目标帐户有关的转账记录。
步骤202,客户端根据基础数据计算得到目标帐号的本端信用数据。
可选地,本端信用数据是用于计算目标帐号的信用分值的中间数据。
可选地,中间数据是通过特征模型对基础数据进行特征提取后得到的;和/或,中间数据是通过特征模型对基础数据进行特征提取后,通过信用分值模型对提取得到的特征编码向量进行计算后得到的。
可选地,当中间数据包括通过特征模型对基础数据进行特征提取后,通过第一信用分值模型对提取得到的数据进行计算后得到的数据时,本端信用数据包括但不限于:客户端确定出的目标帐号的本端信用分值和信用分值更新向量中的至少一种;当中间数据包括通过特征模型对基础数据进行特征提取后得到的数据时,本端信用数据包括但不限于:特征更新向量和特征编码向量中的至少一种。
可选地,目标帐号的本端信用分值是指客户端根据基础数据和本端存储的第一信用分值模型确定出的信用分值。
可选地,信用分值更新向量用于指示目标帐号的本端信用分值与历史本端信用分值之间的差值。可选地,客户端本地存储有历史本端信用分值,该历史本端信用分值可以是客户端上一次确定出的本端信用分值;或者,历史本端信用分值也可以是客户端前m次确定出的本端信用分值,m为正整数;或者,历史本端信用分值也可以是客户端前k次确定出的本端信用分值的平均值,k为正整数。可选地,信用分值更新向量为一维向量。
可选地,特征更新向量用于指示本次确定出的n维特征编码向量与n维历史特征编码向量之间的差值,本次确定出的n维特征编码向量与n维历史特征编码向量用于指示相同的特征,n为正整数。
可选地,特征编码向量用于指示从基础数据中提取出的、与目标帐号的信用相关的特征。比如:目标帐号在一年内的还款频率、还款方式、消费次数、购物总金额等。
可选地,本端信用数据包括对隐私数据进行去敏处理后得到的数据。此时,客户端还需要对隐私数据进行去敏处理,得到本端信用数据。
可选地,去敏处理包括但不限于:通过存储的特征模型确定隐私数据的特征编码向量、对隐私数据进行加密和对隐私数据的特征编码向量进行加密中的一种。
步骤203,客户端向服务器发送目标帐号的本端信用数据。
客户端通过与服务器之间的通信连接,向服务器发送本端信用数据。
步骤204,服务器接收目标帐号的本端信用数据。
服务器通过与客户端之间的通信连接,接收客户端发送的本端信用数据。
步骤205,服务器根据目标帐号的本端信用数据和其它数据,计算目标帐号的信用分值。
可选地,其它数据包括:目标帐号在服务器上的服务端信用数据、目标帐号在其它数据源上的信用数据、其它帐号在服务器上的信用数据中的至少一种。
综上所述,在计算信用评分时需要使用多维度数据,本发明实施例通过由客户端对客户端侧的基础数据进行计算,得到本端信用数据后发送至服务器;由服务器根据该本端信用数据和服务器侧的其它数据确定目标帐号的信用分值;利用客户端自身的能力对基础数据进行存储和计算,使得服务器无需再存储和计算大量的基础数据,服务器只需要根据本端信用数据和服务器侧的其它数据进行融合计算来获取信用分值即可,因此,可以减少服务器的计算量。
同时,由于基础数据主要是历史数据和隐私数据,服务器既不需要对大量的历史数据进行存储,减轻了服务器的数据存储压力;服务器也不需要获知隐私数据的具体内容,充分保证了用户隐私。
其中,根据隐私数据计算出的本端信用数据是去敏后的数据,客户端将该本端信用数据发送给服务器可以保证隐私数据的安全性。
可选地,步骤201-203可单独实现为客户端侧的方法实施例;步骤204和205可单独实现为服务器侧的方法实施例,本实施例对此不作限定。
可选地,本申请中,基础数据包括第一基础数据和第二基础数据,其中,第一基础数据与第二基础数据的来源不同,比如:第一基础数据是从应用程序操作记录中获取的,第二基础数据是通过采集组件采集到的;和/或,第一基础数据与第二基础数据的类型不同,比如:第一基础数据为图片类型的数据,第二基础数据为文字类型的数据。
需要补充说明的是,第一基础数据和第二基础数据中的“第一”和“第二”只是为了表示基础数据的不同,并不对基础数据的数量进行限定,即,基础数据可以包括来源不同的至少两种数据;和/或,基础数据可以包括类型不同的至少两种数据。
可选地,在步骤201中,客户端在获取目标帐号在客户端上的基础数据时,以第一采集周期采集第一基础数据,以第二采集周期采集第二基础数据。其中,第一采集周期与第二采集周期不同。
可选地,第一采集周期和第二采集周期可以是客户端默认设置的;或者,可以是服务器发送的;或者,还可以是用户输入的。
可选地,客户端采集到的第一基础数据后,在步骤202中,客户端根据基础数据计算得到目标帐号的本端信用数据,包括:客户端根据第一基础数据计算得到目标帐号的第一本端信用数据。
可选地,客户端采集到的第二基础数据后,在步骤202中,客户端根据基础数据计算得到目标帐号的本端信用数据,包括:客户端根据第二基础数据计算得到目标帐号的第二本端信用数据。
可选地,在步骤203中,客户端向服务器发送目标帐号的本端信用数据,包括:在满足发送条件时,客户将第一本端信用数据和第二本端信用数据共同发送至服务器。
其中,发送条件包括但不限于以下条件中的至少一种:
1、在上次发送本端信用数据的时间与当前时间之间间隔的时长达到发送周期指示的时长时发送。
其中,发送周期指示的时长大于第一采集周期指示的时长,且大于第二采集周期指示的时长。
可选地,发送周期是客户端默认设置的;或者,是服务器发送的;或者,是用户输入的。
本实施例中,通过设置发送周期指示的时长大于第一采集周期指示的时长,且大于第二采集周期指示的时长,使得客户端不必每次采集到基础数据之后都将对应的本端信用数据发送至服务器,而是在到达发送周期时,将该发送周期内采集到的基础数据对应的本端信用数据一起发送至服务器,减少了客户端向服务器发送本端信用数据的次数,可以节省客户端与服务器之间的传输资源。
2、在接收到服务器的发送指令时发送。
服务器根据对本端信用数据的需求向客户端发送指令,相应地,客户端在接收到该指令时,向服务器发送生成的、且未向服务器发送过的本端信用数据。
本实施例中,通过根据服务器的需求向服务器发送本端信用数据,使得客户端不必每次采集到基础数据之后都自行将对应的本端信用数据发送至服务器,此时,服务器可能并不需要该本端信用数据,导致浪费客户端与服务器之间的传输资源的问题,由于客户端在服务器需要本端信用数据时,将生成的本端信用数据一起发送至服务器,减少了客户端向服务器发送本端信用数据的次数,可以节省客户端与服务器之间的传输资源。
3、在客户端接入无线网络时发送。
由于客户端生成的本端信用数据可能是大量的,因此,若客户端使用数据网络发送该本端信用数据,消耗的数据流量可能较多。本实施例中,通过在客户端接入无线网络时发送本端信用数据,使得客户端不会消耗较多的数据流量。
另外,在客户端接入无线网络时发送本端信用数据,使得客户端可以将在接入无线网络之前生成的本端信用数据一起发送至服务器,客户端不必每次采集到基础数据之后都将对应的本端信用数据发送至服务器,减少了客户端向服务器发送本端信用数据的次数,可以节省客户端与服务器之间的传输资源。
4、在客户端所属的终端前台未运行应用程序时发送。
客户端定时或实时检测所属的终端的前台是否运行有应用程序,在检测出前台未运行有应用程序时,向服务器发送本端信用数据。
本实施例中,通过在客户端所属的终端未运行应用程序时,向服务器发送本端信用数据,这样,客户端不会在终端在前台运行应用程序时发送本端信用数据,占用终端的资源,避免了客户端向服务器发送本端信用数据导致终端运行前台的应用程序较慢的问题,可以保证终端运行应用程序的流畅度。
可选地,本申请中,客户端中存储有至少一个特征模型,特征模型用于根据输入的基础数据计算特征编码向量。
特征模型包括但不限于:基于人工启发式设计的特征模型和全自动的特征模型中的至少一种。
基于人工启发式设计的特征模型是指根据用户确定出的特征训练得到的特征模型,比如:根据用户确定出的目标帐号的还款行为数据、收入数据等确定出的特征模型。可选地,基于人工启发式设计的特征模型包括但不限于以下几种:决策树模型、支持向量机(support vector machine,SVM)模型、GBDT模型和DNN模型中的至少一种。
决策树模型是一种预测模型,用于指示对象属性与对象值之间的映射关系。决策树包括决策点、状态节点和结果节点。其中,决策点用于从几种可能方案中选择最佳方案。决策树的中间可以包括多个决策点,以决策树根部的决策点的结果为最终决策方案。状态节点用于指示备选方案的期望值。结果节点用于标注每个方案取得的损益值。
SVM模型是通过非线性映射,把样本空间映射到一个高维乃至无穷维的特征空间中的模型。SVM模型可以把样本向高维空间做映射,这样,对于在低维样本空间无法线性处理的样本集,通过SVM模型将该样本集映射到高维特征空间中,在高维特征空间中建立线性学习机,与线性模型相比,可以不增加计算的复杂性。
全自动的特征模型是指无需用户参与、根据基础数据训练得到的特征模型,比如:根据社交网络数据训练得到特征模型。可选地,全自动的特征模型包括但不限于以下几种:DNN模型、RNN模型和嵌入模型中的至少一种。
可选地,客户端中存储有第一信用分值模型,第一信用分值模型用于供客户端计算目标帐号的本端信用分值。
可选地,第一信用分值模型包括至少一个信用分值子模型,每种信用分值子模型用于根据输入的特征编码向量确定子信用分值。
可选地,第一信用分值模型还包括融合子模型,融合子模型用于将每个信用分值子模型输出的子信用分值进行融合,得到目标帐号的本端信用分值。
可选地,信用分值子模型和融合子模型为DNN模型、RNN模型、嵌入模型、GBDT模型和LR模型中的至少一种。
可选地,服务器中存储有融合模型,融合模型用于将客户端发送的本端信用数据和其他数据进行融合,得到目标帐号的信用分值。
可选地,融合模型包括第二信用分值模型和融合子模型,第二信用分值模型包括至少一个子分值模型,每个子分值模型用于根据输入的数据确定分值,融合子模型用于将第二信用分值模型输出的分值进行融合,得到目标帐号的信用分值。
可选地,子分值模型和融合子模型为DNN模型、RNN模型、嵌入模型、GBDT模型和LR模型中的至少一种。
可选地,服务器将本端信用分值、信用分值更新向量、至少一个特征更新向量和特征编码向量中的一种、两种、三种或全部和其它数据输入融合模型,得到目标帐号的信用分值。
可选地,在服务器中,本端信用分值对应第二信用分值模型中的第一子分值模型、信用分值更新向量对应第二信用分值模型中的第二子分值模型、特征更新向量对应第二信用分值模型中的第三子分值模型、特征编码向量对应第二信用分值模型中的第四子分值模型。可选地,第一子分值模型、第二子分值模型、第三子分值模型和第四子分值模型的数量均为至少一个;可选地,第一子分值模型、第二子分值模型、第三子分值模型和第四子分值模型之间可以相同也可以不同。
可选地,融合模型中还包括特征模型,该特征模型用于根据输入的基础数据得到特征编码向量。此时,服务器还可以接收客户端发送的基础数据,或者,其它数据包括基础数据。可选地,特征模型包括至少一个特征子模型;特征模型包括但不限于:基于人工启发式设计的特征模型和全自动的特征模型中的至少一种。
参考图2B,服务器包括融合模型210,融合模型210包括第二信用分值模型211和融合子模型212。可选地,服务器将其它数据中的信用分值和客户端发送的本端信用分值输入第二信用分值模型211中对应的子分值模型1、将其它数据中的特征更新向量和客户端发送的目标帐号的特征更新向量输入子分值模型2、将其它数据中的特征编码向量和客户端发送的目标帐号的特征编码向量输入子分值模型n。
可选地,其它数据中还包括基础数据,融合模型210还包括特征模型213。服务器将基础数据输入特征模型213中,得到至少一个特征编码向量。服务器将得到的特征编码向量输入第二信用分值模型211中。
服务器将每个子分值模型输出的分值输入融合子模型212,融合子模型212的输出结果为目标帐号的信用分值。
下面对目标帐号的信用分值的确定方式进行详细介绍。
可选地,当本端信用数据包括目标帐号的本端信用分值时,信用分值的确定方式参见图3A所示的实施例;当本端信用数据包括目标帐号的信用分值更新向量时,信用分值的确定方式参见图5A所示的实施例;当本端信用数据包括目标帐号的特征更新向量时,信用分值的确定方式参见图7A所示的实施例;当本端信用数据包括目标帐号的特征编码向量时,信用分值的确定方式参见图9A所示的实施例。
其中,本端信用分值是客户端根据基础数据自行确定出的目标帐号的信用分值;信用分值更新向量用于指示目标帐号的本端信用分值与历史本端信用分值之间的差值;特征更新向量用于指示本次确定出的n维特征编码向量与n维历史特征编码向量之间的差值,n为正整数;特征编码向量为k维的特征编码向量,k为正整数。
第一、本端信用数据包括目标帐号的本端信用分值。
请参考图3A,其示出了本发明一个实施例提供的信用分值确定方法的流程图。本实施例以该信用分值确定方法应用于图1所示的信用分值确定系统中举例说明,基于图2A所述的实施例,在步骤201之后,该方法可以包括以下几个步骤:
步骤301,客户端将基础数据输入特征模型,得到至少一个特征编码向量。
由于基础数据有一种或多种数据分类,客户端中存储有数据分类与特征模型之间的第二对应关系。客户端获取到基础数据之后,对基础数据进行预处理得到至少一种分类数据,根据该第二对应关系,将每种分类数据输入对应的特征模型,得到特征编码向量。
可选地,特征模型得到的特征编码向量包括:特征模型输出的最终结果和特征模型的中间结果中的至少一种。
其中,特征模型输出的最终结果为经过特征模型所有的逻辑计算后得到的最终结果;中间结果是指在通过特征模型计算的过程中输出的结果。比如:特征模型为包括4层神经层的DNN模型,则最终结果为经过4层神经层计算后得到的输出结果;中间结果包括经过第一层神经层和第二层神经层计算得到的结果、经过第一层神经层、第二层神经层和第三层神经层计算得到的结果。
可选地,经过预处理后的基础数据的格式满足特征模型的输入数据的格式要求。即,经过预处理后的基础数据可以直接输入特征模型中。
可选地,客户端对基础数据进行预处理,包括但不限于:对基础数据进行分类;对基础数据进行去噪处理;对基础数据进行归一化处理和对基础数据进行分段处理中的至少一种。
可选地,客户端对基础数据进行分类的方式包括但不限于以下几种:
第一种,将获取方式不同的基础数据对应不同的分类,比如:通过GPS采集到的基础数据对应位置分类;通过通信组件采集到的基础数据对应通信分类;通过社交类应用程序采集到的基础数据对应聊天分类;通过电子商务应用程序采集到的基础数据对应消费分类。
第二种,将数据格式不同的基础数据对应不同的分类,比如:文本格式的基础数据对应文本分类;图片格式的基础数据对应图片分类;链接格式的基础数据对应链接分类;标签格式的基础数据对应链接分类。
第三种,每种获取方式下,数据格式不同的基础数据对应不同的分类,且获取方式不同的基础数据对应不同的分类。比如:对于从本端的应用程序中获取到的基础数据,文本格式的基础数据对应第一文本分类;图片格式的基础数据对应第一图片分类;对于从关联设备中获取到的基础数据,文本格式的基础数据对应第二文本分类;图片格式的基础数据对应第二图片分类。
可选地,不同的分类数据对应不同的预处理方式,比如:图片分类数据对应的预处理方式为降噪处理;文本分类数据对应的预处理方式为分段处理。
可选地,特征编码向量用于指示从基础数据中提取出的、与目标帐号的信用相关的特征。
可选地,特征编码向量的维数为至少一维。比如:特征编码向量为(V1,V2,V3,…),其中,V1表示用户是否为25岁以下,V2表示用户是否为男性,V3表示用户的户籍是否为城镇等。可选地,特征编码向量通过二进制格式表示。
步骤302,客户端将至少一个特征编码向量输入第一信用分值模型,得到目标帐号的本端信用分值。
可选地,本实施例中,客户端中的第一信用分值模型包括至少一个信用分值子模型,每种信用分值子模型用于根据输入的特征编码向量确定子信用分值。
可选地,客户端存储有特征与信用分值之间的对应关系,由于特征编码向量用于指示特征。因此,根据该对应关系,客户端能够确定出特征编码向量与子信用分值之间的第一对应关系,然后,根据该第一对应关系将特征编码向量输入对应的信用分值子模型。
比如:第一信用分值模型包括3个信用分值子模型,分别为:DNN模型、RNN模型和LR模型。客户端存储的对应关系为:位置特征对应DNN模型,还款特征对应RNN模型,消费特征对应LR模型。客户端根据该对应关系确定出与位置特征相关的特征编码向量与DNN模型之间的第一对应关系,根据该第一对应关系,将与位置特征相关的特征编码向量输入DNN模型;根据该对应关系确定出与还款特征相关的特征编码向量与RNN模型之间的第一对应关系,根据该第一对应关系,将与还款特征相关的特征编码向量输入RNN模型;根据该对应关系确定出与消费特征相关的特征编码向量与LR模型之间的第一对应关系,根据该第一对应关系,将与消费特征相关的特征编码向量输入LR模型。
可选地,本实施例中,信用分值子模型得到的子信用分值包括:信用分值子模型输出的最终结果和信用分值子模型的中间结果中的至少一种。
可选地,本实施例中,客户端将每种信用分值子模型得到的子信用分值进行融合,得到目标帐号的本端信用分值。
其中,客户端将子信用分值进行融合的方式包括但不限于:将每种信用分值子模型得到的子信用分值输入融合子模型进行融合,将融合子模型的输出结果确定为目标帐号的本端信用分值,此时,第一信用分值模型还包括融合子模型,融合子模型用于将每个信用分值子模型输出的子信用分值进行融合,得到目标帐号的本端信用分值;或者,客户端可以计算各个子信用分值的平均值,将该平均值确定为目标帐号的本端信用分值。
可选地,融合子模型为DNN模型,且该融合子模型的节点数量大于预设节点数量,和/或,该融合子模型的层数大于预设层数。预设节点数量和预设层数通常较大。当然,融合子模型也可以为其它类型的计算机模型,本实施例对此不作限定。
可选地,本实施例中,客户端将至少一个特征编码向量输入第一信用分值模型之前,还会对至少一个特征编码向量进行汇总,汇总方式包括但不限于以下操作中的至少一种:将不同的特征编码向量进行拼接,比如:将特征编码向量1的头部拼接在特征编码向量2的尾部,即,首尾拼接;将维数相同且指示的特征相同的不同特征编码向量进行池化操作(max-pooling),得到池化后的特征编码向量。
可选地,本实施例中,客户端将至少一个特征编码向量输入第一信用分值模型之前,还会对至少一个特征编码向量进行校验。比如:校验特征编码向量的置信度是否低于预设阈值,在特征编码向量的置信度低于预设阈值时,不将该特征编码向量输入第一信用分值模型。
可选地,本实施例中,客户端将至少一个特征编码向量输入第一信用分值模型之前,还会根据特征编码向量的时间特征对特征编码向量暂时进行存储。比如:将“按周统计”的特征编码向量进行暂存,在存储时长达到一周之后,将存储的“按周统计”特征编码向量输入第一信用分值模型。
步骤303,客户端向服务器发送目标帐号的本端信用分值。
客户端通过与服务器之间的通信连接,向服务器发送目标帐号的本端信用分值。
步骤304,服务器接收目标帐号的本端信用分值和其它数据。
服务器通过与客户端之间的通信连接接收客户端发送的本端信用分值。
可选地,服务器接收目标帐号的本端信用分值的时机与接收其它数据的时机相同或不同。
步骤305,服务器将目标帐号的本端信用分值和其它数据输入融合模型,得到目标帐号的信用分值。
可选地,服务器将本端信用分值和其它数据进行分类,得到至少一个分类数据;根据存储的分类与子分值模型之间的对应关系,将每种分类数据输入对应的子分值模型,得到至少一个分值;将至少一个分值输入融合子模型,得到目标帐号的信用分值。
其中,本端信用分值是客户端确定出的本端信用分值。
可选地,服务器对本端信用数据和其它数据进行分类的方式包括但不限于以下几种:
第一种,获取方式不同的数据对应不同的分类,比如:客户端发送的数据对应客户端分类;其它服务器发送的数据对应其它服务器分类;其它帐号的数据对应其它帐号分类等。
第二种,生成方式不同的数据对应不同的分类,比如:通过特征模型生成的特征编码向量对应特征分类;通过第一信用分值模型生成的本端信用分值对应分值分类。
第三种,格式不同的数据对应不同的分类,比如:文本格式的数据对应文本分类;图片格式的数据对应图片分类;链接格式的数据对应链接分类;标签格式的数据对应标签分类。
可选地,本实施例中,子分值模型得到的子信用分值包括:子分值模型输出的最终结果和子分值模型的中间结果中的至少一种。
可选地,服务器也可以计算子分值模型得到的子信用分值的平均值,将该平均值确定为目标帐号的信用分值。
综上所述,本实施例提供的信用分值确定方法,通过由客户端根据基础数据确定本端信用分值,将该本端信用分值发送至服务器,由服务器根据该本端信用分值和其它数据计算目标帐号的信用分值;由于服务器无需对基础数据进行处理,而是直接接收根据该基础数据确定出的本端信用分值,因此,既可以保证服务器计算目标帐号的信用分值的准确性,又可以减少服务器的计算量。
另外,由于客户端获取到基础数据后,将基础数据进行分类,并将得到的分类数据输入不同的特征模型,因此,对于不同分类的基础数据,客户端可以按照不同的频率、周期和触发条件中的至少一种计算得到特征编码向量,这样,可以更好地适应不同分类的基础数据本身的特性。相对的于设定一个固定的周期,同时地、统一地对所有基础数据进行计算来说,可以提高根据基础数据计算特征编码向量的灵活性。
另外,由于服务器获取到客户端的本端信用数据和其它数据后,也会对这些数据进行分类,将得到的分类数据输入对应的子分值模型,因此,对于不同分类的数据,服务器也可以按照不同的频率、周期和触发条件中的至少一种计算得到信用分值。相对的于设定一个固定的周期,同时地、统一地对所有数据进行计算来说,可以提高根据客户端的本端信用数据和其它数据计算信用分值的灵活性。
可选地,触发条件可以是在接收到需求指令时根据基础数据计算特征编码向量;或者是在到达预定时间时根据基础数据计算特征编码向量;或者每隔预定时长根据基础数据计算特征编码向量。
可选地,在本实施例中,在服务器接收到客户端发送的本端信用分值之后,若该本端信用分值的置信度大于预设置信度,则服务器可以直接将该本端信用分值确定为目标帐号的信用分值,不需要再进行融合计算。
可选地,本申请中,置信度(或称,不确定度)用于指示数据的可靠程度。比如:用于指示本端信用分值的可靠程度、用于指示特征编码向量的可靠程度等。
可选地,置信度是计算机模型在输出模型结果时输出的,比如:LR模型在输出模型结果时输出的模型参数的不确定度、决策树在输出模型结果时输出的所有叶子节点上的纯度或者基尼(Gini)指数、SVM模型在输出模型结果时输出的几何间隔的最大值等。
可选地,步骤301至303可单独实现为客户端侧的方法实施例;步骤304和305可单独实现为服务器侧的方法实施例。
下面结合一实例对客户端侧的本端信用分值的确定过程进行介绍。
参考图3B,客户端310采集基础数据,对基础数据进行预处理,得到至少一种分类数据。客户端310根据第二对应关系,将每种分类数据输入对应的特征模型,得到至少一个特征编码向量。客户端310根据第一对应关系,将每个特征编码向量输入对应的信用分数子模型,得到至少一个子信用分值,将至少一个子信用分值输入融合子模型,得到本端信用分值。
可选地,客户端可以根据服务器的需求确定是否向服务器发送本端信用分值。此时,在接收目标帐号的本端信用数据之前,即步骤204或304之前,服务器还会向客户端发送需求指令,该需求指令用于指示客户端发送指定类型的本端信用数据;和/或,需求指令用于指示获取指定类型的本端信用数据的方式。客户端接收需求指令;根据需求指令获取指定类型的本端信用数据;向服务器发送指定类型的本端信用数据。
可选地,需求指令包括分值生成指令、信用分值更新指令、特征更新指令和特征生成指令中的至少一种。
其中,分值生成指令用于指示客户端发送目标帐号的本端信用分值;信用分值更新指令用于指示客户端发送目标帐号的信用分值更新向量,信用分值更新向量用于指示目标帐号的本端信用分值与历史本端信用分值之间的差值;特征更新指令用于指示客户端发送目标帐号的特征更新向量,特征更新向量用于指示本次确定出的i维第三特征编码向量与i维历史第三特征编码向量之间的差值,本次确定出的i维特征编码向量与历史i维特征编码向量用于指示第三特征,i为正整数;特征生成指令用于指示客户端发送目标帐号的第四特征编码向量。
可选地,当需求指令包括分值生成指令时,信用分值的确定方式参见图4所示的实施例;当需求指令包括信用分值更新指令时,信用分值的确定方式参见图6所示的实施例;当需求指令包括特征更新指令时,信用分值的确定方式参见图8所示的实施例;当需求指令包括特征生成指令时,信用分值的确定方式参见图10所示的实施例。
参考图4,其示出了本发明一个实施例提供的信用分值确定方法的流程图。本实施例以该信用分值确定方法应用于图1所示的信用分值确定系统中举例说明,基于图2A的实施例,在步骤201之后,该方法可以包括以下几个步骤:
步骤401,服务器生成分值生成指令,并向客户端发送分值生成指令。
可选地,服务器根据存储的数据分布情况、数据变换情况、数据关联情况、目标帐号的本端信用分值的置信度和目标帐号的信用分值中的至少一种,确定是否生成分值生成指令。
可选地,数据分布情况用于指示服务器中不同分类数据的数据量,在信用分计算过程中,服务器根据该数据分布情况可以确定出需要获取继续哪些分类数据。
可选地,数据变化情况用于指示服务器中不同分类数据的变化幅度、变化周期等在信用分计算过程中,服务器根据该数据变化情况可以确定出获取分类数据的周期。
可选地,数据关联情况用于指示服务器中不同数据之间的关联关系。在信用分计算过程中,服务器根据该数据关联情况可以确定出哪些与目标帐号的数据有关,从而扩展用于计算该目标帐号的信用分值的数据种类,提高计算该目标帐号的信用分值的准确性。
可选地,目标帐号的本端信用分值的置信度用于指示客户端确定出的本端信用分值的可靠程度。服务器根据该本端信用分值的置信度可以确定出是否继续依赖本端信用分值确定目标帐号的信用分值。
可选地,目标帐号的信用分值的置信度用于指示服务器确定出的目标帐号的信用分值的可靠程度。服务器根据该信用分值的置信度可以确定出是否继续计算目标帐号的信用分值。
示意性地,当客户端确定出的目标帐号的本端信用分值的置信度大于第一阈值时,服务器生成分值生成指令。
步骤402,客户端接收分值生成指令,并根据分值生成指令将基础数据输入特征模型,得到至少一个特征编码向量。
本步骤的相关描述详见步骤301,本实施例在此不作赘述。
步骤403,在分值生成指令还用于指示特征编码向量与信用分值子模型之间的第一对应关系时,客户端将每个特征编码向量输入对应的信用分值子模型,得到目标帐号的本端信用分值;在分值生成指令未指示特征编码向量与信用分值子模型之间的第一对应关系时,客户端根据本地预存的第一对应关系,将每个特征编码向量输入对应的信用分值子模型,得到目标帐号的本端信用分值。
其中,客户端存储有第一信用分值模型,第一信用分值模型包括至少一个信用分值子模型,每种信用分值子模型用于根据输入的特征编码向量确定子信用分值。
可选地,服务器根据确定出的目标帐号的信用分值,可能会调整特征编码向量与信用分值子模型之间的第一对应关系,从而提高客户端确定本端信用分值的准确性。
可选地,对于每种信用分值子模型,客户端中还存储有信用分值子模型对应的至少一组模型参数,分值生成指令还可以用于指示信用分值子模型的模型参数,来提高客户端确定本端信用分值的准确性。
本步骤的相关描述详见步骤302,本实施例在此不作赘述。
步骤404,客户端向服务器发送目标帐号的本端信用分值。
客户端通过与服务器之间的通信连接,向服务器发送目标帐号的本端信用分值。
步骤405,服务器接收目标帐号的本端信用分值。
服务器通过与客户端之间的通信连接接收客户端发送的本端信用分值。
步骤406,服务器根据该本端信用分值确定目标帐号的信用分值。
在一个示例中,若服务器接收到的本端信用分值的置信度大于预设置信度,则服务器直接将该本端信用分值确定为目标帐号的信用分值。
在另一个示例中,若服务器接收到的本端信用分值的置信度小于或等于预设置信度,则服务器将目标帐号的本端信用分值和其它数据输入融合模型,得到目标帐号的信用分值。服务器将目标帐号的本端信用分值和其它数据输入融合模型,得到目标帐号的信用分值的相关描述详见步骤305,本实施例在此不作赘述。
综上所述,本实施例提供的信用分值确定方法,通过由服务器根据存储的数据生成分值生成指令;由客户端根据该分值生成指令生成本端信用分值,使得服务器在客户端确定出的本端信用分值的置信度较高的情况下,直接根据该本端信用分值确定目标帐号的信用分值,减少了服务器的计算量。
另外,通过由分值生成指令指示特征编码向量与信用分值子模型之间的第一对应关系,使得服务器可以动态地调整特征编码向量对应的信用分值子模型,提高确定目标帐号的信用分值的准确度。
可选地,步骤401、405-406可单独实现为服务器侧的方法实施例;步骤402和403可单独实现为客户端侧的方法实施例。
第二、本端信用数据包括目标帐号的信用分值更新向量。
请参考图5A,其示出了本发明一个实施例提供的信用分值确定方法的流程图。本实施例以该信用分值确定方法应用于图1所示的信用分值确定系统中举例说明,基于图2A所述的实施例,在步骤201之后,该方法可以包括以下几个步骤:
步骤501,客户端将基础数据输入特征模型,得到至少一个特征编码向量。
本步骤的相关描述详见步骤301,本实施例在此不作赘述。
步骤502,客户端将至少一个特征编码向量输入第一信用分值模型,得到目标帐号的本端信用分值。
本步骤的相关描述详见步骤302,本实施例在此不作赘述。
步骤503,客户端根据目标帐号的本端信用分值与历史本端信用分值之间的差值,确定信用分值更新向量。
可选地,历史本端信用分值为上一次客户端根据基础数据确定出的本端信用分值;或者,历史本端信用分值为上一次服务器确定出的目标帐号的信用分值。
比如:客户端本次确定出的目标帐号的本端信用分值为98分,上一次确定出的目标帐号的本端信用分值为96分,则信用分值更新向量为98-96=2。
步骤504,客户端向服务器发送信用分值更新向量。
客户端通过与服务器之间的通信连接,向服务器发送目标帐号的信用分值更新向量。
步骤505,服务器接收信用分值更新向量。
服务器通过与客户端之间的通信连接接收客户端发送的信用分值更新向量。
步骤506,服务器根据历史本端信用分值与信用分值更新向量之间的和,确定目标帐号的本端信用分值。
服务器存储有历史本端信用分值,且服务器存储的历史本端信用分值与客户端存储的历史本端信用分值相等。
比如:历史本端信用分值为96分,信用分值更新向量为2,则目标帐号的本端信用分值为96+2=98分。
步骤507,服务器将目标帐号的本端信用分值和其它数据输入融合模型,得到目标帐号的信用分值。
本步骤的相关描述详见步骤305,本实施例在此不作赘述。
综上所述,本实施例提供的信用分值确定方法,通过由客户端根据基础数据确定本端信用分值,根据该本端信用分值计算信用分值更新向量,并将该信用分值更新向量发送至服务器,由服务器根据该信用分值更新向量确定本端信用分值,并根据该本端信用分值和其它数据计算目标帐号的信用分值;由于信用分值更新向量的数据量小于本端信用分值的数据量,因此,相对于向服务器发送本端信用分值来说,向服务器发送信用分值更新向量可以减少客户端与服务器之间的数据传输量,可以提高数据传输效率。
可选地,在本实施例中,在服务器确定出目标帐号的本端信用分值之后,若该本端信用分值的置信度大于预设置信度,则服务器可以直接将该本端信用分值确定为目标帐号的信用分值。
可选地,步骤501-504可单独实现为客户端侧的方法实施例;步骤505-507可单独实现为服务器侧的方法实施例。
下面结合一实例对客户端侧的信用分值更新向量的确定过程进行介绍。
参考图5B,客户端510采集基础数据,对基础数据进行预处理,得到至少一种分类数据。客户端510根据第二对应关系,将每种分类数据输入对应的特征模型,得到至少一个特征编码向量。客户端510根据第一对应关系,将每个特征编码向量输入对应的信用分数子模型,得到至少一个子信用分值,将至少一个子信用分值输入融合子模型,得到本端信用分值;客户端510从本地存储的数据库中获取历史本端信用分值,根据本端信用分值和历史本端信用分值确定出信用分值更新向量。
可选地,客户端可以根据服务器的需求生成信用分值更新向量。
参考图6,其示出了本发明一个实施例提供的信用分值确定方法的流程图。本实施例以该信用分值确定方法应用于图1所示的信用分值确定系统中举例说明,基于图2A的实施例,在步骤201之后,该方法可以包括以下几个步骤:
步骤601,服务器生成信用分值更新指令,并向客户端发送该分值更新指令。
可选地,服务器根据存储的数据分布情况、数据变换情况、数据关联情况、目标帐号的本端信用分值的置信度和目标帐号的信用分值中的至少一种,确定是否生成信用分值更新指令。
示意性地,当客户端确定出的在目标帐号的本端信用分值的置信度大于第二阈值时,生成信用分值更新指令。
可选地,第一阈值等于第二阈值;或者,第一阈值与第二阈值不等,本实施例不对第一阈值和第二阈值的取值作限定。
步骤602,客户端接收信用分值更新指令,并根据该信用分值更新指令将基础数据输入特征模型,得到至少一个特征编码向量。
其中,客户端存储有第一信用分值模型,第一信用分值模型包括至少一个信用分值子模型,每种信用分值子模型用于根据输入的特征编码向量确定子信用分值。
本步骤的相关描述详见步骤301,本实施例在此不作赘述。
步骤603,在信用分值更新指令还用于指示特征编码向量与信用分值子模型之间的第一对应关系时,客户端将每个特征编码向量输入对应的信用分值子模型,得到目标帐号的本端信用分值;在信用分值更新指令未指示特征编码向量与信用分值子模型之间的第一对应关系时,客户端根据本地预存的第一对应关系,将每个特征编码向量输入对应的信用分值子模型,得到目标帐号的本端信用分值。
本步骤的相关描述详见步骤403,本实施例在此不作赘述。
步骤604,客户端根据目标帐号的本端信用分值与历史本端信用分值之间的差值,确定信用分值更新向量。
本步骤的相关描述详见步骤503,本实施例在此不作赘述。
步骤605,客户端向服务器发送信用分值更新向量。
客户端通过与服务器之间的通信连接,向服务器发送目标帐号的信用分值更新向量。
步骤606,服务器接收信用分值更新向量。
服务器通过与客户端之间的通信连接接收客户端发送的信用分值更新向量。
步骤607,服务器根据历史本端信用分值与信用分值更新向量之间的和,确定目标帐号的本端信用分值。
本步骤的相关描述详见步骤506,本实施例在此不作赘述。
步骤608,服务器根据目标帐号的本端信用分值确定目标帐号的信用分值。
本步骤的相关描述详见步骤406,本实施例在此不作赘述。
综上所述,本实施例提供的信用分值确定方法,通过由信用分值更新向量指示特征编码向量与信用分值子模型之间的第一对应关系,使得服务器可以动态地调整特征编码向量对应的信用分值子模型,提高确定目标帐号的信用分值的准确度。
可选地,步骤601、606和607可单独实现为服务器侧的方法实施例;步骤602-605可单独实现为客户端侧的方法实施例。
第三、本端信用数据包括目标帐号的至少一个特征更新向量。
请参考图7A,其示出了本发明一个实施例提供的信用分值确定方法的流程图。本实施例以该信用分值确定方法应用于图1所示的信用分值确定系统中举例说明,基于图2A所述的实施例,在步骤201之后,该方法可以包括以下几个步骤:
步骤701,客户端将基础数据输入特征模型,得到第一特征编码向量。
可选地,客户端中的至少一个特征模型输出的特征编码向量包括第一特征编码向量。
可选地,第一特征编码向量为n维的特征编码向量。
本步骤的相关描述详见步骤301,本实施例在此不作赘述。
步骤702,对于第一特征编码向量中的第m个元素,客户端确定第m个元素与历史第一特征编码向量中的第m个元素之间的差值,得到第一特征编码向量中每个元素的更新值;根据每个元素的更新值确定特征更新向量。
其中,1≤m≤n。
可选地,历史第一特征编码向量为上一次客户端根据基础数据确定出的第一特征编码向量。历史第一特征编码向量的维数与第一特征编码向量的维数相等。
比如:客户端本次确定出的第一特征编码向量为1101,存储的历史第一特征编码向量为1100,则特征更新向量为1101-1100=0001。
步骤703,客户端向服务器发送特征更新向量。
客户端通过与服务器之间的通信连接,向服务器发送目标帐号的特征更新向量。
步骤704,服务器接收特征更新向量。
服务器通过与客户端之间的通信连接接收客户端发送的特征更新向量。
步骤705,服务器确定历史第一特征编码向量中的第m个元素与特征更新向量中的第m个元素之间的和,得到第一特征编码向量。
服务器存储有历史第一特征编码向量,且服务器存储的历史第一特征编码向量与客户端存储的历史第一特征编码向量相等。
比如:历史第一特征编码向量为1100分,信用分值更新向量为0001,则目标帐号的第一特征编码向量为1100+0001=1101分。
步骤706,服务器将第一特征编码向量和其它数据输入融合模型,得到目标帐号的信用分值。
可选地,服务器将本端信用数据和其它数据进行分类,得到至少一个分类数据;根据存储的分类与子分值模型之间的对应关系,将每种分类数据输入对应的子分值模型,得到至少一个分值;将至少一个分值输入融合子模型,得到目标帐号的信用分值。
其中,本端信用数据包括客户端确定出的第一特征编码向量。
可选地,服务器对本端信用数据和其它数据进行分类的方式包括但不限于以下几种:
第一种,将获取方式不同的数据对应不同的分类,比如:客户端发送的数据对应客户端分类;其它服务器发送的数据对应其它服务器分类;其它目标帐号的数据对应其它帐号分类等。
第二种,将生成方式不同的数据对应不同的分类,比如:通过特征模型生成的特征编码向量对应特征分类;通过第一信用分值模型生成的本端信用分值对应分值分类。
第三种,将格式不同的数据对应不同的分类,比如:文本格式的数据对应文本分类;图片格式的数据对应图片分类;链接格式的数据对应链接分类;标签格式的数据对应链接分类。
第四种,将特征不同的特征编码向量对应不同的分类,比如:用于指示位置特征的特征编码向量对应位置分类;用于指示还款特征的特征编码向量对应还款分类。
可选地,本实施例中,子分值模型得到的子信用分值包括:子分值模型输出的最终结果和子分值模型的中间结果中的至少一种。
可选地,服务器也可以计算子分值模型得到的子信用分值的平均值,将该平均值确定为目标帐号的信用分值。
综上所述,本实施例提供的信用分值确定方法,通过由客户端根据基础数据确定第一特征编码向量,并根据该第一特征编码向量确定特征更新向量,将该特征更新向量发送至服务器,由服务器根据该特征更新向量和其它数据计算目标帐号的信用分值;由于服务器无需对基础数据进行特征提取得到第一特征编码向量,而是直接将获取到的特征更新向量与历史第一特征编码向量相加得到第一特征编码向量,由于服务器进行特征提取的计算量远远大于加和计算的计算量,因此,服务器在根据特征更新向量计算目标帐号的信用分值时,既可以保证服务器计算目标帐号的信用分值的准确性,又可以减少服务器的计算量。
可选地,步骤701-703可单独实现为客户端侧的方法实施例;步骤704-706可单独实现为服务器侧的方法实施例。
下面结合一实例对客户端侧的特征更新向量的确定过程进行介绍。
参考图7B,客户端710采集基础数据,对基础数据进行预处理,得到至少一种分类数据。客户端710根据第二对应关系,将每种分类数据输入对应的特征模型,得到至少一个特征编码向量。客户端710从本地存储的数据库中获取历史第一特征编码向量,根据至少一个特征编码向量中的第一特征编向量和历史第一特征编码向量确定第一特征编码向量的特征更新向量。
可选地,客户端可以根据服务器的需求确定是否向服务器发送特征更新向量。
参考图8,其示出了本发明一个实施例提供的信用分值确定方法的流程图。本实施例以该信用分值确定方法应用于图1所示的信用分值确定系统中举例说明,基于图2A的实施例,在步骤201之后,该方法可以包括以下几个步骤:
步骤801,服务器生成分值特征更新指令,并向客户端发送该特征更新指令。
可选地,服务器根据存储的数据分布情况、数据变换情况、数据关联情况、目标帐号的本端信用分值的置信度和目标帐号的信用分值中的至少一种,确定是否生成特征更新指令。
可选地,特征更新指令用于指示客户端发送目标帐号的特征更新向量,该特征更新向量用于指示本次确定出的i维第三特征编码向量与i维历史第三特征编码向量之间的差值,本次确定出的i维特征编码向量与历史i维特征编码向量用于指示第三特征,i为正整数。
示意性地,服务器在目标帐号的本端信用分值的置信度小于第三阈值时,生成特征更新指令。
当目标帐号的本端信用分值的置信度较小时,服务器指示客户端生成特征更新向量,由服务器根据该特征更新向量计算目标帐号的信用分值,可以提高服务器确定目标帐号的信用分值的准确性。
步骤802,客户端接收该特征更新指令,在特征更新指令还用于指示数据分类与特征子模型之间的第二对应关系时,将不同数据分类的基础数据输入对应的特征子模型,得到第三特征编码向量;在特征更新指令未指示数据分类与特征子模型之间的第二对应关系时,根据本地预存的第二对应关系,将不同数据分类的基础数据输入对应的特征子模型,得到第三特征编码向量。
其中,客户端存储有特征模型,特征模型包括至少一个特征子模型,每种特征子模型用于根据输入的基础数据确定特征编码向量。
可选地,服务器根据确定出的目标帐号的信用分值,可能会调整数据分类与特征子模型之间的第二对应关系,从而提高客户端确定本端信用分值的准确性。
可选地,对于每种特征子模型,客户端中还存储有特征子模型对应的至少一组模型参数,特征更新指令还可以指示特征子模型的模型参数,来提高客户端确定本端信用分值的准确性。
步骤803,客户端对于第三特征编码向量中的第j个元素,确定第j个元素与历史第三特征编码向量中的第j个元素之间的差值,得到第三特征编码向量中每个元素的更新值;根据每个元素的更新值确定特征更新向量。
其中,1≤j≤i。
本步骤的相关描述详见步骤702,本实施例在此不作赘述。
步骤804,客户端向服务器发送特征更新向量。
客户端通过与服务器之间的通信连接,向服务器发送目标帐号的特征更新向量。
步骤805,服务器接收特征更新向量。
服务器通过与客户端之间的通信连接接收客户端发送的特征更新向量。
步骤806,服务器确定历史第三特征编码向量中的第j个元素与特征更新向量中的第j个元素之间的和,得到第三特征编码向量。
本步骤的相关描述详见步骤705,本实施例在此不作赘述。
步骤807,服务器将第三特征编码向量和其它数据输入融合模型,得到目标帐号的信用分值。
本步骤的相关描述详见步骤706,本实施例在此不作赘述。
综上所述,本实施例提供的信用分值确定方法,通过由特征更新向量指示数据分类与特征子模型之间的第二对应关系,使得服务器可以动态地调整数据分类对应的特征子模型,提高客户端确定特征编码向量的准确度,从而提高确定目标帐号的信用分值的准确度。
可选地,步骤801、805-807可单独实现为服务器侧的方法实施例;步骤802-804可单独实现为客户端侧的方法实施例。
第四、本端信用数据包括目标帐号的特征编码向量。
请参考图9A,其示出了本发明一个实施例提供的信用分值确定方法的流程图。本实施例以该信用分值确定方法应用于图1所示的信用分值确定系统中举例说明,基于图2A所述的实施例,在步骤201之后,该方法可以包括以下几个步骤:
步骤901,客户端将基础数据输入特征模型,得到第二特征编码向量。
可选地,客户端中的至少一个特征模型输出的特征编码向量包括第二特征编码向量。
可选地,第二特征编码向量用于指示从基础数据中提取出的、与目标帐号的信用相关的特征;第二特征编码向量为k维的特征编码向量,k为正整数。
本步骤的相关描述详见步骤301,本实施例在此不作赘述。
步骤902,客户端向服务器发送第二特征编码向量。
客户端通过与服务器之间的通信连接,向服务器发送目标帐号的第二特征编码向量。
步骤903,服务器接收第二特征编码向量。
服务器通过与客户端之间的通信连接接收客户端发送的第二特征编码向量。
步骤904,服务器将第二特征编码向量和其它数据输入融合模型,得到目标帐号的信用分值。
本步骤的相关描述详见步骤706,本实施例在此不作赘述。
综上所述,本实施例提供的信用分值确定方法,通过由客户端根据基础数据确定第二特征编码向量,将该第二特征编码向量发送至服务器,由服务器根据该第二特征编码向量和其它数据计算目标帐号的信用分值;由于服务器无需对基础数据进行处理,而是直接获取根据该基础数据确定出的第二特征编码向量,既可以保证服务器计算目标帐号的信用分值的准确性,又可以减少服务器的计算量。
可选地,步骤901和902可单独实现为客户端侧的方法实施例;步骤903和904可单独实现为服务器侧的方法实施例。
下面结合一实例对客户端侧的特征编码向量的确定过程进行介绍。
参考图9B,客户端910采集基础数据,对基础数据进行预处理,得到至少一种分类数据。客户端910根据第二对应关系,将每种分类数据输入对应的特征模型,得到第二特征编码向量。
可选地,客户端可以根据服务器的需求确定是否向服务器发送特征编码向量。
参考图10,其示出了本发明一个实施例提供的信用分值确定方法的流程图。本实施例以该信用分值确定方法应用于图1所示的信用分值确定系统中举例说明,基于图2A的实施例,在步骤201之后,该方法可以包括以下几个步骤:
步骤1001,服务器生成特征生成指令,并向客户端发送该特征生成指令。
可选地,服务器根据存储的数据分布情况、数据变换情况、数据关联情况、目标帐号的本端信用分值的置信度和目标帐号的信用分值中的至少一种,确定是否生成特征生成指令。
可选地,特征生成指令用于指示客户端发送目标帐号的第四特征编码向量,第四特征编码向量用于指示从基础数据中提取出的、与目标帐号的信用相关的特征;第四特征编码向量为s维的特征编码向量,s为正整数。
示意性地,服务器在目标帐号的本端信用分值的置信度小于第四阈值时,生成特征生成指令。
当目标帐号的本端信用分值的置信度较小时,服务器指示客户端生成特征生成指令,由服务器根据特征编码向量计算目标帐号的信用分值,可以提高服务器确定目标帐号的信用分值的准确性。
步骤1002,客户端接收特征生成指令,在特征生成指令还用于指示数据分类与特征子模型之间的第二对应关系时,根据第二对应关系将不同数据分类的基础数据输入对应的特征子模型,得到第四特征编码向量。
其中,客户端存储有特征模型,特征模型包括至少一个特征子模型,每种特征子模型用于根据输入的基础数据确定特征编码向量。
本步骤的相关描述详见步骤802,本实施例在此不作赘述。
步骤1003,客户端向服务器发送第四特征编码向量。
客户端通过与服务器之间的通信连接,向服务器发送目标帐号的第四特征编码向量。
步骤1004,服务器接收第四特征编码向量。
服务器通过与客户端之间的通信连接接收客户端发送的第四特征编码向量。
步骤1005,服务器将第四特征编码向量和其它数据输入融合模型,得到目标帐号的信用分值。
本步骤的相关描述详见步骤706,本实施例在此不作赘述。
综上所述,本实施例提供的信用分值确定方法,通过由特征更新向量指示数据分类与特征子模型之间的第二对应关系,使得服务器可以动态地调整数据分类对应的特征子模型,提高客户端确定特征编码向量的准确度,从而提高确定目标帐号的信用分值的准确度。
可选地,步骤1001、1004和1005可单独实现为服务器侧的方法实施例;步骤1002和1003可单独实现为客户端侧的方法实施例。
可选地,上述实施例中本端信用数据包括目标帐号的本端信用分值对应的实施例(图3A和/或图4所述的实施例)、本端信用数据包括目标帐号的信用分值更新向量对应的实施例(图5A或图6所述的实施例)、本端信用数据包括目标帐号的至少一个特征更新向量对应的实施例(图7A或图8所述的实施例)、本端信用数据包括目标帐号的特征编码向量对应的实施例(图9A或图10所述的实施例)之间可以两两结合,或者三个互相结合,或者全部结合成为新的实施例,本申请对此不作限定。
需要补充说明的是,本申请中,客户端可以同时向服务器发送目标帐号的本端信用分值、信用分值更新向量、特征更新向量和特征编码向量中的至少一种,发送每种本端信用数据的方式参见上述方法实施例,本实施例在此不作赘述。
下面以客户端根据服务器的需求,向服务器发送目标帐号的本端信用分值、信用分值更新向量、特征更新向量和特征编码向量为例进行说明。
参考图11,其示出了本发明一个实施例提供的信用分值确定方法的示意图。该信用分值确定方法应用于图1所示的信用分值确定系统中。
服务器1110生成需求指令,该需求指令包括:分值生成指令、信用分值更新指令、特征更新指令和特征生成指令。
客户端1120接收需求指令。
客户端1120采集基础数据,将基础数据保存至本地。对采集到的基础数据进行预处理,得到分类数据1121。
客户端1120根据需求指令,将每种分类数据1121输入对应的特征子模型,得到至少一个特征编码向量。其中,客户端1120包括至少一个特征子模型。
客户端1120根据特征生成指令,将特征生成指令指示的第四特征编码向量发送至服务器1110。
客户端1120根据至少一个特征编码向量和本地存储的历史征编码向量,计算特征更新向量。
客户端1120根据特征更新指令,将第三特征编码向量的特征更新向量发送至服务器1110。
客户端1120将至少一个特征编码向量进行汇总,得到汇总后的特征编码向量。
客户端1120根据需求指令,将每种特征编码向量输入对应的信用分值子模型,得到至少一个子信用分值;将至少一个子信用分值输入融合子模型,得到本端信用分值。
客户端1120根据分值生成指令,将本端信用分值发送至服务器1110。
客户端1120根据本端信用分值和历史本端信用分值,计算信用分值更新向量。
客户端1120根据信用分值更新指令,将分值更新向量发送至服务器1110。
服务器1110接收第四特征编码向量、第三特征编码向量的特征更新向量、本端信用分值和信用分值更新向量。
服务器1110将第四特征编码向量、第三特征编码向量的特征更新向量、本端信用分值、信用分值更新向量和其它数据输入融合模型,得到目标帐号的信用评分。
下述为本发明装置实施例,可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节,请参照本发明方法实施例。
请参考图12,其示出了本发明一个实施例提供的信用分值确定装置的框图该装置具有执行上述方法示例的功能,功能可以由硬件实现,也可以由硬件执行相应的软件实现。该装置可以包括:获取模块1210、计算模块1220和发送模块1230。
获取模块1210,用于获取目标帐号在所述客户端上的基础数据;
计算模块1220,用于根据所述基础数据计算得到所述目标帐号的本端信用数据;
发送模块1230,用于向服务器发送所述目标帐号的所述本端信用数据,所述本端信用数据用于供所述服务器根据所述目标帐号的所述本端信用数据和其它数据确定所述目标帐号的信用分值;
其中,所述其它数据包括:所述目标帐号在所述服务器上的服务端信用数据、所述目标帐号在其它数据源上的信用数据、其它帐号在所述服务器上的信用数据中的至少一种。
可选地,本端信用数据是用于计算目标帐号的信用分值的中间数据。
可选地,中间数据是通过特征模型对基础数据进行特征提取后得到的;和/或,中间数据是通过特征模型对基础数据进行特征提取后,通过信用分值模型对提取得到的特征编码向量进行计算后得到的。
可选地,当中间数据包括通过特征模型对基础数据进行特征提取后,通过第一信用分值模型对提取得到的数据进行计算后得到的数据时,本端信用数据包括但不限于:客户端确定出的目标帐号的本端信用分值和信用分值更新向量中的至少一种;当中间数据包括通过特征模型对基础数据进行特征提取后得到的数据时,本端信用数据包括但不限于:特征更新向量和特征编码向量中的至少一种。
可选地,所述本端信用数据包括:所述目标帐号的本端信用分值;
计算模块1220,用于将所述基础数据输入特征模型,得到至少一个特征编码向量;将所述至少一个特征编码向量输入第一信用分值模型,得到所述目标帐号的本端信用分值;
发送模块1230,用于向所述服务器发送所述目标帐号的本端信用分值。
可选地,所述本端信用数据包括:所述目标帐号的信用分值更新向量,所述信用分值更新向量用于指示所述目标帐号的本端信用分值与历史本端信用分值之间的差值;
计算模块1220,用于将所述基础数据输入特征模型,得到至少一个特征编码向量;将所述至少一个特征编码向量输入第一信用分值模型,得到所述目标帐号的本端信用分值;根据所述目标帐号的本端信用分值与所述历史本端信用分值之间的差值,确定所述信用分值更新向量;
发送模块1230,用于向所述服务器发送所述信用分值更新向量。
可选地,所述本端信用数据包括:所述目标帐号的至少一个特征更新向量,所述特征更新向量用于指示本次确定出的n维特征编码向量与n维历史特征编码向量之间的差值,所述n为正整数;
计算模块1220,用于将所述基础数据输入特征模型,得到第一特征编码向量,所述第一特征编码向量为n维的特征编码向量;对于所述第一特征编码向量中的第m个元素,确定所述第m个元素与历史第一特征编码向量中的第m个元素之间的差值,得到所述第一特征编码向量中每个元素的更新值;根据所述每个元素的更新值确定所述特征更新向量;1≤m≤n;
发送模块1230,用于向所述服务器发送所述特征更新向量。
可选地,所述本端信用数据包括:所述目标帐号的第二特征编码向量,所述第二特征编码向量用于指示从所述基础数据中提取出的、与所述目标帐号的信用相关的特征;所述第二特征编码向量为k维的特征编码向量,所述k为正整数;
计算模块1220,用于将所述基础数据输入特征模型,得到第二特征编码向量;
发送模块1230,用于向所述服务器发送所述第二特征编码向量。
可选地,所述装置还包括:指令接收模块;
指令接收模块,用于接收所述需求指令;
计算模块1220,用于根据所述需求指令获取所述指定类型的本端信用数据;
发送模块1230,用于向所述服务器发送所述指定类型的本端信用数据。
可选地,所述需求指令包括分值生成指令,所述分值生成指令用于指示所述客户端发送所述目标帐号的本端信用分值;
计算模块1220,用于根据所述分值生成指令将所述基础数据输入特征模型,得到至少一个特征编码向量;在所述分值生成指令还用于指示特征编码向量与信用分值子模型之间的第一对应关系时,将每个特征编码向量输入对应的信用分值子模型,得到所述目标帐号的本端信用分值;在所述分值生成指令未指示特征编码向量与信用分值子模型之间的第一对应关系时,根据本地预存的所述第一对应关系,将每个特征编码向量输入对应的信用分值子模型,得到所述目标帐号的本端信用分值;
发送模块1230,用于向所述服务器发送所述目标帐号的本端信用分值。
可选地,需求指令包括信用分值更新指令,所述信用分值更新指令用于指示所述客户端发送所述目标帐号的信用分值更新向量,所述信用分值更新向量用于指示所述目标帐号的本端信用分值与历史本端信用分值之间的差值;
计算模块1220,用于根据所述信用分值更新指令将所述基础数据输入特征模型,得到至少一个特征编码向量;在所述信用分值更新指令还用于指示特征编码向量与信用分值子模型之间的第一对应关系时,将每个特征编码向量输入对应的信用分值子模型,得到所述目标帐号的本端信用分值;在所述信用分值更新指令未指示特征编码向量与信用分值子模型之间的第一对应关系时,根据本地预存的所述第一对应关系,将每个特征编码向量输入对应的信用分值子模型,得到所述目标帐号的本端信用分值;根据所述目标帐号的本端信用分值与所述历史本端信用分值之间的差值,确定所述信用分值更新向量;
发送模块1230,用于向所述服务器发送所述信用分值更新向量。
可选地,所述需求指令包括特征更新指令,所述特征更新指令用于指示所述客户端发送所述目标帐号的特征更新向量,所述特征更新向量用于指示本次确定出的i维第三特征编码向量与i维历史第三特征编码向量之间的差值,所述本次确定出的i维特征编码向量与所述历史i维特征编码向量用于指示第三特征,所述i为正整数;
计算模块1220,用于在所述特征更新指令还用于指示数据分类与特征子模型之间的第二对应关系时,将不同数据分类的所述基础数据输入对应的特征子模型,得到所述第三特征编码向量;在所述特征更新指令未指示数据分类与特征子模型之间的第二对应关系时,根据本地预存的所述第二对应关系,将不同数据分类的所述基础数据输入对应的特征子模型,得到所述第三特征编码向量;对于所述第三特征编码向量中的第j个元素,确定所述第j个元素与所述历史第三特征编码向量中的第j个元素之间的差值,得到所述第三特征编码向量中每个元素的更新值;根据所述每个元素的更新值确定所述特征更新向量;1≤j≤i;
发送模块1230,用于向所述服务器发送所述特征更新向量。
可选地,所述需求指令包括特征生成指令,所述特征生成指令用于指示所述客户端发送所述目标帐号的第四特征编码向量,所述第四特征编码向量用于指示从所述基础数据中提取出的、与所述目标帐号的信用相关的特征;所述第四特征编码向量为s维的特征编码向量,所述s为正整数;
计算模块1220,用于在所述特征生成指令还用于指示数据分类与特征子模型之间的第二对应关系时,根据所述第二对应关系将不同数据分类的所述基础数据输入对应的特征子模型,得到所述第四特征编码向量;
发送模块1230,用于向所述服务器发送所述第四特征编码向量。
可选地,所述基础数据包括隐私数据,所述装置还包括:去敏模块。
去敏模块,用于对所述隐私数据进行去敏处理,得到所述本端信用数据;
其中,所述去敏处理包括:通过存储的特征模型确定所述隐私数据的特征编码向量、对所述隐私数据进行加密和对所述隐私数据的特征编码向量进行加密中的一种。
可选地,所述基础数据包括第一基础数据和第二基础数据,所述第一基础数据的第一采集周期与所述第二基础数据的第二采集周期不同;
计算模块1220,用于根据所述第一基础数据计算得到所述目标帐号的第一本端信用数据;根据所述第二基础数据计算得到所述目标帐号的第二本端信用数据;
发送模块1230,用于在满足发送条件时,将所述第一本端信用数据和所述第二本端信用数据共同发送至所述服务器;
其中,所述发送条件包括以下条件中的至少一种:在上次发送所述本端信用数据的时间与当前时间之间间隔的时长达到发送周期指示的时长时发送、在接收到所述服务器的发送指令时发送、在所述客户端接入无线网络时发送、以及在所述客户端所属的终端前台未运行应用程序时发送;
所述发送周期指示的时长大于所述第一采集周期指示的时长,且大于所述第二采集周期指示的时长。
相关细节可参考上述客户端侧的方法实施例。
请参考图13,其示出了本发明一个实施例提供的信用分值确定装置的框图该装置具有执行上述方法示例的功能,功能可以由硬件实现,也可以由硬件执行相应的软件实现。该装置可以包括:第一接收模块1310、第二接收模块1320和计算模块1330。
第一接收模块1310,用于接收客户端发送的目标帐号的本端信用数据,所述本端信用数据是所述客户端根据基础数据计算得到的;
第二接收模块1320,用于接收其它数据,所述其它数据包括:所述目标帐号在所述服务器上的服务端信用数据、所述目标帐号在其它数据源上的信用数据、其它帐号在所述服务器上的信用数据中的至少一种;
计算模块1330,用于根据所述目标帐号的所述本端信用数据和其它数据,计算所述目标帐号的信用分值。
可选地,所述本端信用数据包括:所述目标帐号的本端信用分值;
第一接收模块1310,用于接收所述目标帐号的本端信用分值和所述其它数据;
计算模块1330,用于将所述目标帐号的本端信用分值和所述其它数据输入融合模型,得到所述目标帐号的信用分值。
可选地,所述本端信用数据包括:所述目标帐号的信用分值更新向量,所述信用分值更新向量用于指示所述目标帐号的本端信用分值与历史本端信用分值之间的差值;
第一接收模块1310,用于接收所述信用分值更新向量;
计算模块1330,用于根据所述历史本端信用分值与所述信用分值更新向量之间的和,确定所述目标帐号的本端信用分值;将所述目标帐号的本端信用分值和所述其它数据输入融合模型,得到所述目标帐号的信用分值。
可选地,所述本端信用数据包括:所述目标帐号的至少一个特征更新向量,所述特征更新向量用于指示本次确定出的n维特征编码向量与n维历史特征编码向量之间的差值,所述n为正整数;
第一接收模块1310,用于接收所述特征更新向量;
计算模块1330,用于确定所述历史第一特征编码向量中的第m个元素与所述特征更新向量中的第m个元素之间的和,得到所述第一特征编码向量;将所述第一特征编码向量和所述其它数据输入融合模型,得到所述目标帐号的信用分值。
可选地,所述本端信用数据包括:所述目标帐号的第二特征编码向量,所述第二特征编码向量用于指示从所述基础数据中提取出的、与所述目标帐号的信用相关的特征;所述第二特征编码向量为k维的特征编码向量,所述k为正整数;
第一接收模块1310,用于接收所述第二特征编码向量;
计算模块1330,用于将所述第二特征编码向量和所述其它数据输入融合模型,得到所述目标帐号的信用分值。
可选地,所述装置还包括:指令发送模块;
指令发送模块,用于在接收所述目标帐号的所述本端信用数据之前,向所述客户端发送需求指令,所述需求指令用于指示所述客户端发送指定类型的本端信用数据;和/或,所述需求指令用于指示获取所述指定类型的本端信用数据的方式。
可选地,所述需求指令包括分值生成指令,所述分值生成指令用于指示所述客户端发送所述目标帐号的本端信用分值;
指令发送模块,用于在所述目标帐号的本端信用分值的置信度大于第一阈值时,生成所述分值生成指令。
可选地,所述需求指令包括信用分值更新指令,所述信用分值更新指令用于指示所述客户端发送所述目标帐号的信用分值更新向量,所述信用分值更新向量用于指示所述目标帐号的本端信用分值与历史本端信用分值之间的差值;
指令发送模块,用于在所述目标帐号的本端信用分值的置信度大于第二阈值时,生成所述信用分值更新指令。
可选地,所述需求指令包括特征更新指令,所述特征更新指令用于指示所述客户端发送所述目标帐号的特征更新向量,所述特征更新向量用于指示本次确定出的i维第三特征编码向量与i维历史第三特征编码向量之间的差值,所述本次确定出的i维特征编码向量与所述历史i维特征编码向量用于指示第三特征,所述i为正整数;
指令发送模块,用于在所述目标帐号的本端信用分值的置信度小于第三阈值时,生成所述特征更新指令。
可选地,所述需求指令包括特征生成指令,所述特征生成指令用于指示所述客户端发送所述目标帐号的第四特征编码向量,所述第四特征编码向量用于指示从所述基础数据中提取出的、与所述目标帐号的信用相关的特征;所述第四特征编码向量为s维的特征编码向量,所述s为正整数;
指令发送模块,用于在所述目标帐号的本端信用分值的置信度小于第四阈值时,生成所述特征生成指令。
可选地,所述融合模型包括第二信用分值模型和融合子模型,所述第二信用分值模型包括至少一个子分值模型,每个子分值模型用于根据输入的数据确定分值,所述融合子模型用于将第二信用分值模型输出的信用分值进行融合,得到目标帐号的信用分值;
计算模块1330,用于将所述本端信用数据和所述其它数据进行分类,得到至少一个分类数据;根据存储的分类与子分值模型之间的对应关系,将每种分类数据输入对应的子分值模型,得到至少一个分值;将所述至少一个分值输入所述融合子模型,得到所述目标帐号的信用分值。
相关细节可参考上述服务器侧的方法实施例。
可选地,本申请还提供一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述方法实施例提供的信用分值确定方法。
可选地,本申请还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各方面所述的信用分值确定方法。
图14是本发明一个实施例提供的服务器的结构示意图。服务器1400包括中央处理单元(英文:Central Processing Unit,简称:CPU)1401、包括随机存取存储器(英文:random access memory,简称:RAM)1402和只读存储器(英文:read-only memory,简称:ROM)1403的系统存储器1404,以及连接系统存储器1404和中央处理单元1401的系统总线1405。所述服务器1400还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(I/O系统)1406,和用于存储操作系统1413、应用程序1414和其他程序模块14114的大容量存储设备1407。
所述基本输入/输出系统1406包括有用于显示信息的显示器1408和用于用户输入信息的诸如鼠标、键盘之类的输入设备1409。其中所述显示器1408和输入设备1409都通过连接到系统总线1405的输入/输出控制器1410连接到中央处理单元1401。所述基本输入/输出系统1406还可以包括输入输出控制器1410以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地,输入/输出控制器1410还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备1407通过连接到系统总线1405的大容量存储控制器(未示出)连接到中央处理单元1401。所述大容量存储设备1407及其相关联的计算机可读介质为服务器1400提供非易失性存储。也就是说,所述大容量存储设备1407可以包括诸如硬盘或者只读光盘(英文:Compact Disc Read-Only Memory,简称:CD-ROM)驱动器之类的计算机可读介质(未示出)。
不失一般性,所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、可擦除可编程只读存储器(英文:erasable programmable read-only memory,简称:EPROM)、电可擦除可编程只读存储器(英文:electrically erasable programmableread-only memory,简称:EEPROM)、闪存或其他固态存储其技术,CD-ROM、数字通用光盘(英文:Digital Versatile Disc,简称:DVD)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然,本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器1404和大容量存储设备1407可以统称为存储器。
存储器存储有一个或多个程序,一个或多个程序被配置成由一个或多个中央处理单元1401执行,一个或多个程序包含用于实现上述数据删除方法的指令,中央处理单元1401执行该一个或多个程序实现上述各个方法实施例提供的服务器侧的信用分值确定方法。
根据本发明的各种实施例,所述服务器1400还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器1400可以通过连接在所述系统总线1405上的网络接口单元1411连接到网络1412,或者说,也可以使用网络接口单元1411来连接到其他类型的网络或远程计算机系统(未示出)。
请参考图15,其示出了本发明一个实施例提供的终端的结构示意图。该终端1500用于实施上述实施例中提供的信用分值确定方法。具体来讲:
终端1500可以包括RF(Radio Frequency,射频)电路1510、包括有一个或一个以上计算机可读存储介质的存储器1520、输入单元1530、显示单元1540、传感器1550、音频电路1560、WiFi(wireless fidelity,无线保真)模块1570、包括有一个或者一个以上处理核心的处理器1580、以及电源1590等部件。本领域技术人员可以理解,图15中示出的终端结构并不构成对终端的限定,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。其中:
RF电路1510可用于收发消息或通话过程中,信号的接收和发送,特别地,将基站的下行消息接收后,交由一个或者一个以上处理器1580处理;另外,将涉及上行的数据发送给基站。通常,RF电路1510包括但不限于天线、至少一个放大器、调谐器、一个或多个振荡器、用户身份模块(SIM)卡、收发信机、耦合器、LNA(Low Noise Amplifier,低噪声放大器)、双工器等。此外,RF电路1510还可以通过无线通信与网络和其他设备通信。所述无线通信可以使用任一通信标准或协议,包括但不限于GSM(Global System of Mobile communication,全球移动通讯系统)、GPRS(General Packet Radio Service,通用分组无线服务)、CDMA(Code Division Multiple Access,码分多址)、WCDMA(Wideband Code DivisionMultiple Access,宽带码分多址)、LTE(Long Term Evolution,长期演进)、电子邮件、SMS(Short Messaging Service,短消息服务)等。
存储器1520可用于存储软件程序以及模块,处理器1580通过运行存储在存储器1520的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器1520可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据终端1500的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器1520可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器1520还可以包括存储器控制器,以提供处理器1580和输入单元1530对存储器1520的访问。
输入单元1530可用于接收输入的数字或字符消息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学、VR外设或者轨迹球信号输入。具体地,输入单元1530可包括图像输入设备1531以及其他输入设备1532。图像输入设备1531可以是摄像头,也可以是光电扫描设备。除了图像输入设备1531,输入单元1530还可以包括其他输入设备1532。具体地,其他输入设备1532可以包括但不限于VR外设、物理键盘、功能键(比如音量控制按键、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1540可用于显示由用户输入的消息或提供给用户的消息以及终端1500的各种图形用户接口,这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元1540可包括显示面板1541,可选地,可以采用LCD(Liquid Crystal Display,液晶显示器)、OLED(Organic Light-Emitting Diode,有机发光二极管)等形式来配置显示面板1541。
终端1500还可包括至少一种传感器1550,比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板1541的亮度,接近传感器可在终端1500移动到耳边时,关闭显示面板1541和/或背光。作为运动传感器的一种,重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;至于终端1500还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
音频电路1560、扬声器1561,传声器1562可提供用户与终端1500之间的音频接口。音频电路1560可将接收到的音频数据转换后的电信号,传输到扬声器1561,由扬声器1561转换为声音信号输出;另一方面,传声器1562将收集的声音信号转换为电信号,由音频电路1560接收后转换为音频数据,再将音频数据输出处理器1580处理后,经RF电路1510以发送给比如另一终端,或者将音频数据输出至存储器1520以便进一步处理。音频电路1560还可能包括耳塞插孔,以提供外设耳机与终端1500的通信。
WiFi属于短距离无线传输技术,终端1500通过WiFi模块1570可以帮助用户收发电子邮件、浏览网页和访问流式媒体等,它为用户提供了无线的宽带互联网访问。虽然图15示出了WiFi模块1570,但是可以理解的是,其并不属于终端1500的必须构成,完全可以根据需要在不改变发明的本质的范围内而省略。
处理器1580是终端1500的控制中心,利用各种接口和线路连接整个手机的各个部分,通过运行或执行存储在存储器1520内的软件程序和/或模块,以及调用存储在存储器1520内的数据,执行终端1500的各种功能和处理数据,从而对手机进行整体监控。处理器1580执行存储器1520中的至少一条指令、至少一段程序、代码集或指令集,实现上述各个方法实施例提供的客户端侧的信用分值确定方法。可选地,处理器1580可包括一个或多个处理核心;优选的,处理器1580可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器1580中。
终端1500还包括给各个部件供电的电源1590(比如电池),优选的,电源可以通过电源管理系统与处理器1580逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源1590还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
尽管未示出,终端1500还可以包括蓝牙模块等,在此不再赘述。
具体在本实施例中,终端1500还包括有存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行。上述一个或者一个以上程序包含用于执行上述方法的指令。
本发明实施例还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中的存储器中所包含的计算机可读存储介质;也可以是单独存在,未装配入终端中的计算机可读存储介质。该计算机可读存储介质存储有指令,该指令由处理器执行以实现上述各个实施例提供的信用分值确定方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (22)
1.一种信用分值确定系统,其特征在于,所述系统包括:客户端和服务器;
所述客户端,用于获取目标帐号在所述客户端上的基础数据;根据所述基础数据计算得到所述目标帐号的本端信用数据;向所述服务器发送所述目标帐号的所述本端信用数据;
所述服务器,用于接收所述目标帐号的所述本端信用数据;根据所述目标帐号的所述本端信用数据和其它数据,计算所述目标帐号的信用分值;
其中,所述其它数据包括:所述目标帐号在所述服务器上的服务端信用数据、所述目标帐号在其它数据源上的信用数据、其它帐号在所述服务器上的信用数据中的至少一种。
2.根据权利要求1所述的系统,其特征在于,所述本端信用数据包括:所述目标帐号的本端信用分值;
所述客户端,用于将所述基础数据输入特征模型,得到至少一个特征编码向量;将所述至少一个特征编码向量输入第一信用分值模型,得到所述目标帐号的本端信用分值;向所述服务器发送所述目标帐号的本端信用分值;
所述服务器,用于接收所述目标帐号的本端信用分值和所述其它数据;将所述目标帐号的本端信用分值和所述其它数据输入融合模型,得到所述目标帐号的信用分值。
3.根据权利要求1所述的系统,其特征在于,所述本端信用数据包括:所述目标帐号的信用分值更新向量,所述信用分值更新向量用于指示所述目标帐号的本端信用分值与历史本端信用分值之间的差值;
所述客户端,用于将所述基础数据输入特征模型,得到至少一个特征编码向量;将所述至少一个特征编码向量输入第一信用分值模型,得到所述目标帐号的本端信用分值;根据所述目标帐号的本端信用分值与所述历史本端信用分值之间的差值,确定所述信用分值更新向量;向所述服务器发送所述信用分值更新向量;
所述服务器,用于接收所述信用分值更新向量;根据所述历史本端信用分值与所述信用分值更新向量之间的和,确定所述目标帐号的本端信用分值;将所述目标帐号的本端信用分值和所述其它数据输入融合模型,得到所述目标帐号的信用分值。
4.根据权利要求1所述的系统,其特征在于,所述本端信用数据包括:所述目标帐号的至少一个特征更新向量,所述特征更新向量用于指示本次确定出的n维特征编码向量与n维历史特征编码向量之间的差值,所述n为正整数;
所述客户端,用于将所述基础数据输入特征模型,得到第一特征编码向量,所述第一特征编码向量为n维的特征编码向量;对于所述第一特征编码向量中的第m个元素,确定所述第m个元素与历史第一特征编码向量中的第m个元素之间的差值,得到所述第一特征编码向量中每个元素的更新值;根据所述每个元素的更新值确定所述特征更新向量;向所述服务器发送所述特征更新向量;1≤m≤n;
所述服务器,用于接收所述特征更新向量;确定所述历史第一特征编码向量中的第m个元素与所述特征更新向量中的第m个元素之间的和,得到所述第一特征编码向量;将所述第一特征编码向量和所述其它数据输入融合模型,得到所述目标帐号的信用分值。
5.根据权利要求1所述的系统,其特征在于,所述本端信用数据包括:所述目标帐号的第二特征编码向量,所述第二特征编码向量用于指示从所述基础数据中提取出的、与所述目标帐号的信用相关的特征;所述第二特征编码向量为k维的特征编码向量,所述k为正整数;
所述客户端,用于将所述基础数据输入特征模型,得到第二特征编码向量;向所述服务器发送所述第二特征编码向量;
所述服务器,用于接收所述第二特征编码向量;将所述第二特征编码向量和所述其它数据输入融合模型,得到所述目标帐号的信用分值。
6.根据权利要求1至5任一所述的系统,其特征在于,
所述服务器,用于在接收所述目标帐号的所述本端信用数据之前,向所述客户端发送需求指令,所述需求指令用于指示所述客户端发送指定类型的本端信用数据;和/或,所述需求指令用于指示获取所述指定类型的本端信用数据的方式;
所述客户端,用于接收所述需求指令;根据所述需求指令获取所述指定类型的本端信用数据;向所述服务器发送所述指定类型的本端信用数据。
7.根据权利要求6所述的系统,其特征在于,所述需求指令包括分值生成指令,所述分值生成指令用于指示所述客户端发送所述目标帐号的本端信用分值;
所述客户端,用于根据所述分值生成指令将所述基础数据输入特征模型,得到至少一个特征编码向量;在所述分值生成指令还用于指示特征编码向量与信用分值子模型之间的第一对应关系时,将每个特征编码向量输入对应的信用分值子模型,得到所述目标帐号的本端信用分值;在所述分值生成指令未指示特征编码向量与信用分值子模型之间的第一对应关系时,根据本地预存的所述第一对应关系,将每个特征编码向量输入对应的信用分值子模型,得到所述目标帐号的本端信用分值;向所述服务器发送所述目标帐号的本端信用分值;
其中,所述客户端存储有第一信用分值模型,所述第一信用分值模型包括至少一个信用分值子模型,每种信用分值子模型用于根据输入的特征编码向量确定子信用分值。
8.根据权利要求7所述的系统,其特征在于,
所述服务器,用于在所述目标帐号的本端信用分值的置信度大于第一阈值时,生成所述分值生成指令。
9.根据权利要求6所述的系统,其特征在于,所述需求指令包括信用分值更新指令,所述信用分值更新指令用于指示所述客户端发送所述目标帐号的信用分值更新向量,所述信用分值更新向量用于指示所述目标帐号的本端信用分值与历史本端信用分值之间的差值;
所述客户端,用于根据所述信用分值更新指令将所述基础数据输入特征模型,得到至少一个特征编码向量;在所述信用分值更新指令还用于指示特征编码向量与信用分值子模型之间的第一对应关系时,将每个特征编码向量输入对应的信用分值子模型,得到所述目标帐号的本端信用分值;在所述信用分值更新指令未指示特征编码向量与信用分值子模型之间的第一对应关系时,根据本地预存的所述第一对应关系,将每个特征编码向量输入对应的信用分值子模型,得到所述目标帐号的本端信用分值;根据所述目标帐号的本端信用分值与所述历史本端信用分值之间的差值,确定所述信用分值更新向量;向所述服务器发送所述信用分值更新向量;
其中,所述客户端存储有第一信用分值模型,所述第一信用分值模型包括至少一个信用分值子模型,每种信用分值子模型用于根据输入的特征编码向量确定子信用分值。
10.根据权利要求9所述的系统,其特征在于,
所述服务器,用于在所述目标帐号的本端信用分值的置信度大于第二阈值时,生成所述信用分值更新指令。
11.根据权利要求6所述的系统,其特征在于,所述需求指令包括特征更新指令,所述特征更新指令用于指示所述客户端发送所述目标帐号的特征更新向量,所述特征更新向量用于指示本次确定出的i维第三特征编码向量与i维历史第三特征编码向量之间的差值,所述本次确定出的i维特征编码向量与所述历史i维特征编码向量用于指示第三特征,所述i为正整数;
所述客户端,用于在所述特征更新指令还用于指示数据分类与特征子模型之间的第二对应关系时,将不同数据分类的所述基础数据输入对应的特征子模型,得到所述第三特征编码向量;在所述特征更新指令未指示数据分类与特征子模型之间的第二对应关系时,根据本地预存的所述第二对应关系,将不同数据分类的所述基础数据输入对应的特征子模型,得到所述第三特征编码向量;对于所述第三特征编码向量中的第j个元素,确定所述第j个元素与所述历史第三特征编码向量中的第j个元素之间的差值,得到所述第三特征编码向量中每个元素的更新值;根据所述每个元素的更新值确定所述特征更新向量;向所述服务器发送所述特征更新向量;1≤j≤i;
其中,所述客户端存储有特征模型,所述特征模型包括至少一个特征子模型,每种特征子模型用于根据输入的基础数据确定特征编码向量。
12.根据权利要求11所述的系统,其特征在于,
所述服务器,用于在所述目标帐号的本端信用分值的置信度小于第三阈值时,生成所述特征更新指令。
13.根据权利要求6所述的系统,其特征在于,所述需求指令包括特征生成指令,所述特征生成指令用于指示所述客户端发送所述目标帐号的第四特征编码向量,所述第四特征编码向量用于指示从所述基础数据中提取出的、与所述目标帐号的信用相关的特征;所述第四特征编码向量为s维的特征编码向量,所述s为正整数;
所述客户端,用于在所述特征生成指令还用于指示数据分类与特征子模型之间的第二对应关系时,根据所述第二对应关系将不同数据分类的所述基础数据输入对应的特征子模型,得到所述第四特征编码向量;向所述服务器发送所述第四特征编码向量;
其中,所述客户端存储有特征模型,所述特征模型包括至少一个特征子模型,每种特征子模型用于根据输入的基础数据确定特征编码向量。
14.根据权利要求13所述的系统,其特征在于,
所述服务器,用于在所述目标帐号的本端信用分值的置信度小于第四阈值时,生成所述特征生成指令。
15.根据权利要求2至5任一所述的系统,其特征在于,所述融合模型包括第二信用分值模型和融合子模型,所述第二信用分值模型包括至少一个子分值模型,每个子分值模型用于根据输入的数据确定分值,所述融合子模型用于将第二信用分值模型输出的信用分值进行融合,得到目标帐号的信用分值;
所述服务器,用于将所述本端信用数据和所述其它数据进行分类,得到至少一个分类数据;根据存储的分类与子分值模型之间的对应关系,将每种分类数据输入对应的子分值模型,得到至少一个分值;将所述至少一个分值输入所述融合子模型,得到所述目标帐号的信用分值。
16.根据权利要求1至5任一所述的系统,其特征在于,所述基础数据包括隐私数据,
所述客户端,用于对所述隐私数据进行去敏处理,得到所述本端信用数据;
其中,所述去敏处理包括:通过存储的特征模型确定所述隐私数据的特征编码向量、对所述隐私数据进行加密和对所述隐私数据的特征编码向量进行加密中的一种。
17.根据权利要求1至5任一所述的系统,其特征在于,所述基础数据包括第一基础数据和第二基础数据,所述第一基础数据的第一采集周期与所述第二基础数据的第二采集周期不同;
所述客户端,用于根据所述第一基础数据计算得到所述目标帐号的第一本端信用数据;根据所述第二基础数据计算得到所述目标帐号的第二本端信用数据;在满足发送条件时,将所述第一本端信用数据和所述第二本端信用数据共同发送至所述服务器;
其中,所述发送条件包括以下条件中的至少一种:在上次发送所述本端信用数据的时间与当前时间之间间隔的时长达到发送周期指示的时长时发送、在接收到所述服务器的发送指令时发送、在所述客户端接入无线网络时发送、以及在所述客户端所属的终端前台未运行应用程序时发送;
所述发送周期指示的时长大于所述第一采集周期指示的时长,且大于所述第二采集周期指示的时长。
18.一种信用分值确定方法,其特征在于,用于客户端中,所述方法包括:
获取目标帐号在所述客户端上的基础数据;
根据所述基础数据计算得到所述目标帐号的本端信用数据;
向服务器发送所述目标帐号的所述本端信用数据,所述本端信用数据用于供所述服务器根据所述目标帐号的所述本端信用数据和其它数据确定所述目标帐号的信用分值;
其中,所述其它数据包括:所述目标帐号在所述服务器上的服务端信用数据、所述目标帐号在其它数据源上的信用数据、其它帐号在所述服务器上的信用数据中的至少一种。
19.一种信用分值确定方法,其特征在于,用于服务器中,所述方法包括:
接收客户端发送的目标帐号的本端信用数据,所述本端信用数据是所述客户端根据基础数据计算得到的;
接收其它数据,所述其它数据包括:所述目标帐号在所述服务器上的服务端信用数据、所述目标帐号在其它数据源上的信用数据、其它帐号在所述服务器上的信用数据中的至少一种;
根据所述目标帐号的所述本端信用数据和其它数据,计算所述目标帐号的信用分值。
20.一种终端,其特征在于,所述终端包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器执行以实现如权利要求18所述的信用分值确定方法。
21.一种服务器,其特征在于,所述服务器包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器执行以实现如权利要求19所述的信用分值确定方法。
22.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器执行以实现如权利要求18所述的信用分值确定方法;或者,以实现如权利要求19所述的信用分值确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711081909.4A CN109754319B (zh) | 2017-11-07 | 2017-11-07 | 信用分值确定系统、方法、终端及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711081909.4A CN109754319B (zh) | 2017-11-07 | 2017-11-07 | 信用分值确定系统、方法、终端及服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109754319A true CN109754319A (zh) | 2019-05-14 |
CN109754319B CN109754319B (zh) | 2022-11-25 |
Family
ID=66400579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711081909.4A Active CN109754319B (zh) | 2017-11-07 | 2017-11-07 | 信用分值确定系统、方法、终端及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109754319B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110246027A (zh) * | 2019-05-29 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 履约提醒方法、装置及电子设备 |
CN113888153A (zh) * | 2021-11-10 | 2022-01-04 | 建信金融科技有限责任公司 | 一种转账异常预测方法、装置、设备及可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130138555A1 (en) * | 2011-11-30 | 2013-05-30 | Rawllin International Inc. | System and method of interpreting results based on publicly available data |
CN105516071A (zh) * | 2014-10-13 | 2016-04-20 | 阿里巴巴集团控股有限公司 | 验证业务操作安全性的方法、装置、终端及服务器 |
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 |
CN105931116A (zh) * | 2016-04-20 | 2016-09-07 | 帮帮智信(北京)教育投资有限公司 | 基于深度学习机制的自动化信用评分系统及方法 |
CN106875270A (zh) * | 2017-01-19 | 2017-06-20 | 上海冰鉴信息科技有限公司 | 一种构建及验证信用评分方程的方法和系统设计 |
-
2017
- 2017-11-07 CN CN201711081909.4A patent/CN109754319B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130138555A1 (en) * | 2011-11-30 | 2013-05-30 | Rawllin International Inc. | System and method of interpreting results based on publicly available data |
CN105516071A (zh) * | 2014-10-13 | 2016-04-20 | 阿里巴巴集团控股有限公司 | 验证业务操作安全性的方法、装置、终端及服务器 |
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 |
CN105931116A (zh) * | 2016-04-20 | 2016-09-07 | 帮帮智信(北京)教育投资有限公司 | 基于深度学习机制的自动化信用评分系统及方法 |
CN106875270A (zh) * | 2017-01-19 | 2017-06-20 | 上海冰鉴信息科技有限公司 | 一种构建及验证信用评分方程的方法和系统设计 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110246027A (zh) * | 2019-05-29 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 履约提醒方法、装置及电子设备 |
CN110246027B (zh) * | 2019-05-29 | 2024-01-23 | 创新先进技术有限公司 | 履约提醒方法、装置及电子设备 |
CN113888153A (zh) * | 2021-11-10 | 2022-01-04 | 建信金融科技有限责任公司 | 一种转账异常预测方法、装置、设备及可读存储介质 |
CN113888153B (zh) * | 2021-11-10 | 2022-11-29 | 建信金融科技有限责任公司 | 一种转账异常预测方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109754319B (zh) | 2022-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11100567B2 (en) | Order clustering and malicious information combating method and apparatus | |
US11087180B2 (en) | Risky transaction identification method and apparatus | |
US11074623B2 (en) | Method and device for pushing information | |
US20190171405A1 (en) | System for Handling Media for Wearable Display Devices | |
CN110598213A (zh) | 一种关键词提取方法、装置、设备及存储介质 | |
US20190147430A1 (en) | Customizing payment sessions with machine learning models | |
CN107251060A (zh) | 针对序列标签器的预训练和/或迁移学习 | |
CN106030571A (zh) | 基于知识图动态地修改用户界面的元素 | |
CN109948633A (zh) | 用户性别预测方法、装置、存储介质及电子设备 | |
CN107516090A (zh) | 一体化人脸识别方法和系统 | |
CN113128686A (zh) | 模型训练方法及装置 | |
CN112989767B (zh) | 医学词语标注方法、医学词语映射方法、装置及设备 | |
CN111125519B (zh) | 用户行为预测方法、装置、电子设备以及存储介质 | |
CN112035671B (zh) | 状态检测方法、装置、计算机设备及存储介质 | |
CN111914180B (zh) | 基于图结构的用户特征确定方法、装置、设备及介质 | |
CN110046981A (zh) | 一种信用评估方法、装置及存储介质 | |
CN111709398A (zh) | 一种图像识别的方法、图像识别模型的训练方法及装置 | |
KR102491357B1 (ko) | 뉴럴 네트워크를 이용하여 의료기관의 경영 현황에 대한 정보를 단말에게 제공하는 방법 및 장치 | |
CN110427564A (zh) | 将深度学习集成到广义加性混合效应(game)框架中 | |
CN113807515A (zh) | 模型训练的方法、装置、计算机设备及存储介质 | |
CN109754319A (zh) | 信用分值确定系统、方法、终端及服务器 | |
CN108475286A (zh) | 用于管理电子装置中的历史信息的设备及方法 | |
CN116935188B (zh) | 模型训练方法、图像识别方法、装置、设备及介质 | |
CN107807940B (zh) | 信息推荐方法和装置 | |
CN111797856B (zh) | 建模方法、装置、存储介质及电子设备 |
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 |