CN109829593A - 目标对象的信用度确定方法、装置、存储介质及电子装置 - Google Patents
目标对象的信用度确定方法、装置、存储介质及电子装置 Download PDFInfo
- Publication number
- CN109829593A CN109829593A CN201711184047.8A CN201711184047A CN109829593A CN 109829593 A CN109829593 A CN 109829593A CN 201711184047 A CN201711184047 A CN 201711184047A CN 109829593 A CN109829593 A CN 109829593A
- Authority
- CN
- China
- Prior art keywords
- account number
- information
- credit
- credit rating
- data
- 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
Abstract
本发明公开了一种目标对象的信用度确定方法、装置、存储介质及电子装置。其中,该装置包括:获取第一帐号的第一特征信息,以及第二帐号的第二特征信息;根据第一特征信息确定第一帐号的第一信用度信息,并根据第二特征信息确定第二帐号的第二信用度信息;根据第一信用度信息和第二信用度信息确定第一帐号的目标信用度。本发明解决了现有技术中对目标帐号的信用度进行确定时的准确性较低的技术问题。
Description
技术领域
本发明涉及计算机领域,具体而言,涉及一种目标对象的信用度确定方法、装置、存储介质及电子装置。
背景技术
征信业是市场经济中提供信用信息服务的行业,能帮助经济活动中的贷款方、赊销方、招标方和保险方等有合法需求的信息使用者了解其交易对方的信用状况,从而起预防信用风险、保障交易安全的作用,同时又能够让具有良好信用记录的企业和个人得以较低的交易成本获得较多的资源配比。目前,对于企业或个人的信用度的确定数据来源有限,方法单一,导致信用度的确定准确性较差。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种目标对象的信用度确定方法、装置、存储介质及电子装置,以至少解决现有技术中对目标帐号的信用度进行确定时的准确性较低的技术问题。
根据本发明实施例的一个方面,提供了一种目标帐号的信用度确定方法,包括:获取第一帐号的第一特征信息,以及第二帐号的第二特征信息,其中,所述第一帐号为第一类型的帐号,所述第二帐号为第二类型的帐号,所述第一类型和所述第二类型为不同的帐号类型,所述第二帐号与所述第一帐号具有关联关系,所述第一特征信息包括用于确定所述第一帐号的信用度的属性特征,所述第二特征信息包括用于确定所述第二帐号的信用度的属性特征;根据所述第一特征信息确定所述第一帐号的第一信用度信息, 并根据所述第二特征信息确定所述第二帐号的第二信用度信息;根据所述第一信用度信息和所述第二信用度信息确定所述第一帐号的目标信用度。
根据本发明实施例的另一方面,还提供了一种目标帐号的信用度确定装置,包括:第一获取模块,用于获取第一帐号的第一特征信息,以及第二帐号的第二特征信息,其中,所述第一帐号为第一类型的帐号,所述第二帐号为第二类型的帐号,所述第一类型和所述第二类型为不同的帐号类型,所述第二帐号与所述第一帐号具有关联关系,所述第一特征信息包括用于确定所述第一帐号的信用度的属性特征,所述第二特征信息包括用于确定所述第二帐号的信用度的属性特征;第一确定模块,用于根据所述第一特征信息确定所述第一帐号的第一信用度信息,并根据所述第二特征信息确定所述第二帐号的第二信用度信息;第二确定模块,用于根据所述第一信用度信息和所述第二信用度信息确定所述第一帐号的目标信用度。
根据本发明实施例的另一方面,还提供了一种存储介质,所述存储介质包括存储的程序,其中,所述程序运行时执行上述任一项中所述的方法。
根据本发明实施例的另一方面,还提供了一种电子装置,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器通过所述计算机程序执行上述任一项中所述的方法。
在本发明实施例中,获取第一帐号的第一特征信息,以及第二帐号的第二特征信息,其中,第一帐号为第一类型的帐号,第二帐号为第二类型的帐号,第一类型和第二类型为不同的帐号类型,第二帐号与第一帐号具有关联关系,第一特征信息包括用于确定第一帐号的信用度的属性特征,第二特征信息包括用于确定第二帐号的信用度的属性特征;根据第一特征信息确定第一帐号的第一信用度信息,并根据第二特征信息确定第二帐号的第二信用度信息;根据第一信用度信息和第二信用度信息确定第一帐号的目标信用度。也就是说,在确定第一帐号的信用度的过程中,同时获取了第一帐号的第一特征信息和与第一帐号的类型不同且具有关联关系的第二帐号的第二特征信息,并分别根据获取到的特征信息确定了第一帐号 和第二帐号的信用度信息,再综合考虑第一帐号和第二帐号的信用度信息进一步确定第一帐号的目标信用度,使得对第一帐号的信用度进行评估时,充分考虑了与其相关的不同类型的帐号的信用度对其信用度产生的影响,从而提高了对目标帐号的信用度进行确定时的准确性,进而克服现有技术中对目标帐号的信用度进行确定时的准确性较低的问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种可选的目标帐号的信用度确定方法的应用环境示意图;
图2是根据本发明实施例的一种可选的目标帐号的信用度确定方法的示意图;
图3是根据本发明实施例的一种可选的目标帐号的信用度确定方法中数据存储表的示意图一;
图4是根据本发明实施例的一种可选的目标帐号的信用度确定方法中数据存储表的示意图二;
图5是根据本发明实施例的一种可选的目标帐号的信用度确定装置的示意图;
图6是根据本发明实施例的一种可选的目标帐号的信用度确定方法的应用场景示意图一;
图7是根据本发明实施例的一种可选的目标帐号的信用度确定方法的应用场景示意图二;以及
图8是根据本发明实施例的一种可选的电子装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本发明实施例中,提供了一种上述目标帐号的信用度确定方法的实施例。作为一种可选的实施方式,该目标帐号的信用度确定方法可以但不限于应用于如图1所示的应用环境中,客户端102通过网络106与服务器104连接,客户端102用于通过网络106向服务器104发送用于请求确定第一帐号的目标信用度的请求信息,以及接收服务器104返回的目标信用度;服务器104,用于响应该请求信息从数据库108获取第一帐号的第一特征信息,以及第二帐号的第二特征信息,其中,第一帐号为第一类型的帐号,第二帐号为第二类型的帐号,第一类型和第二类型为不同的帐号类型,第二帐号与第一帐号具有关联关系,第一特征信息包括用于确定第一帐号的信用度的属性特征,第二特征信息包括用于确定第二帐号的信用度的属性特征;根据第一特征信息确定第一帐号的第一信用度信息,并根据第二特征信息确定第二帐号的第二信用度信息;根据第一信用度信息和第二信用度信息确定第一帐号的目标信用度;以及将确定的目标信用度返回 给客户端102。
在本实施例中,在确定第一帐号的信用度的过程中,服务器同时获取了第一帐号的第一特征信息和与第一帐号的类型不同且具有关联关系的第二帐号的第二特征信息,并分别根据获取到的特征信息确定了第一帐号和第二帐号的信用度信息,再综合考虑第一帐号和第二帐号的信用度信息进一步确定第一帐号的目标信用度,使得对第一帐号的信用度进行评估时,充分考虑了与其相关的不同类型的帐号的信用度对其信用度产生的影响,从而提高了对目标帐号的信用度进行确定时的准确性,进而克服现有技术中对目标帐号的信用度进行确定时的准确性较低的问题。
可选地,在本实施例中,上述客户端可以包括但不限于以下至少之一:手机、平板电脑、笔记本电脑、台式PC机、数字电视及其他硬件设备。上述网络可以包括但不限于以下至少之一:广域网、城域网、局域网。上述只是一种示例,本实施例对此不做任何限定。
根据本发明实施例,提供了一种目标帐号的信用度确定方法,如图2所示,该方法包括:
S202,获取第一帐号的第一特征信息,以及第二帐号的第二特征信息,其中,第一帐号为第一类型的帐号,第二帐号为第二类型的帐号,第一类型和第二类型为不同的帐号类型,第二帐号与第一帐号具有关联关系,第一特征信息包括用于确定第一帐号的信用度的属性特征,第二特征信息包括用于确定第二帐号的信用度的属性特征;
S204,根据第一特征信息确定第一帐号的第一信用度信息,并根据第二特征信息确定第二帐号的第二信用度信息;
S206,根据第一信用度信息和第二信用度信息确定第一帐号的目标信用度。
可选地,在本实施例中,上述目标帐号的信用度确定方法可以但不限于应用于对第一帐号的信用度进行确定以使客户端根据第一帐号的信用 度对第一帐号执行对应操作的场景中。其中,上述客户端可以但不限于为各种类型的软件,例如,在线教育软件、远程控制软件、即时通讯软件、社区空间软件、游戏软件、交易平台软件、购物软件、金融类软件、多媒体软件等。具体的,可以但不限于应用于在上述交易平台软件中以卖方为第一帐号对其信用度进行确定已根据该信用度对第一帐号执行对应的交易操作的场景中,或还可以但不限于应用于在上述多媒体软件中对第一帐号的信用度进行确定以根据该信用度确定第一帐号是否具有获取多媒体资源的权限的场景中,以提高了目标帐号的信用度进行确定时的准确性。上述仅是一种示例,本实施例中对此不做任何限定。
可选地,上述目标帐号的信用度确定方法可以但不限于应用于服务器端。例如:服务器对应的客户端可以向服务器发送请求消息来请求获取第一帐号的信用度,服务器响应该请求消息对第一帐号的信用度进行确定,并将确定结果返回给客户端。或者,在另一中场景下,第一帐号登录的客户端向服务器请求获取某资源,服务器对第一帐号的信用度进行确定,并根据确定结果确定是否将该资源发送给该客户端。
可选地,在本实施例中,第一类型的帐号可以但不限于为企业类型的帐号,第二类型的帐号可以但不限于为个人类型的帐号。企业类型的帐号是在客户端上通过企业信息(比如:公司名称、营业执照注册号等等)注册的帐号,个人类型的帐号是在客户端上通过个人信息(比如:身份证名字、身份证号码、手机号码等)注册的帐号。
可选地,在本实施例中,第二帐号与第一帐号具有的关联关系可以但不限于包括以下至少之一:第二帐号代表的个人为第一帐号代表的企业的所有人、第二帐号代表的个人为第一帐号代表的企业的员工、第二帐号关注了第一帐号、第二帐号关注了第一帐号对应的公众号、第二帐号对第一帐号的帐号信息执行过搜索操作。
可选地,在本实施例中,第一帐号可以但不限于为企业帐号或者个人帐号,第二帐号可以但不限于为企业帐号或者个人帐号。例如:在对企业 帐号的信用度进行确定时,可以根据该企业帐号的信用度信息以及与该企业帐号具有关联关系的企业或者个人的信用度信息确定该企业帐号的信用度。其中,与企业帐号具有关联关系的个人帐号可以但不限于包括该企业的所有人、该企业的员工、关注该企业帐号的用户、关注该企业公众号的用户、搜索过该企业相关信息的用户等等。
可选地,在本实施例中,对于与企业帐号具有关联关系的个人帐号的挖掘方式包括但不限于对该企业相关WIFI、群、LBS、企业帐号关注情况等信息进行挖掘。例如:企业相关用户挖掘时可参考固定时段是否连接工作WIFI和定位到公司所在地、是否有加入工作群、是否有关注企业账号等的情况,满足条件越多个人用户与该企业的相关度越高。
可选地,在本实施例中,第一特征信息包括以下至少之一:用于指示企业经营状况的信息、用于指示企业搜索热度的信息、第二帐号与第一帐号之间进行交互时产生的信息、用于指示企业的规模的信息、与企业具有关联关系的企业的信息、用于指示企业的社会影响力的信息。
可选地,在本实施例中,第二特征信息包括以下至少之一:用于指示个人的属性的信息、用于指示个人具有的虚拟增值服务的信息、用于指示个人执行的社交互动行为的信息、用于指示个人执行的经济行为的信息、用于指示个人执行的娱乐行为的信息、用于指示个人使用过的线上到线下O2O服务的信息、从属于个人的穿戴设备上获取的信息、用于指示个人使用过的基于位置的服务LBS的信息、个人的出行信息。
可选地,在本实施例中,第一特征信息和第二特征信息可以但不限于是多维度的特征信息。例如:以第一帐号为企业帐号为例,第一特征信息可以但不限于包括以下维度至少之一:企业经营状况数据,如企业在APP中的收入支出流水;企业热度数据,如企业相关的关键词、文章等的搜索热度,以及被关注情况;企业互动数据,如企业帐号与关注用户间的互动信息;企业规模数据,如通过企业相关用户挖掘得到的企业规模;企业社交数据,如通过企业相关用户的社交关系进行挖掘,得到的与企业关系相 对密切的上下游企业数据;企业影响力数据,如经营覆盖的区域、人数等等。
可选地,在本实施例中,信用度信息可以但不限于是用于指示帐号信用类型的信息。例如:以执行交易的帐号为例,帐号的信用类型可以但不限于分为违约帐号和不违约帐号,信用度信息可以但不限于为该帐号为违约帐号的概率值。或者,以请求资源的帐号为例,帐号的信用类型可以但不限于分为有权限的帐号和无权限的帐号,信用度信息可以但不限于为该帐号为无权限的帐号的概率值。
可选地,在本实施例中,表示第一帐号的目标信用度的形式可以但不限于包括概率值、分值、类别标识等等。例如:以执行交易的帐号为例,帐号的目标信用度可以但不限于为目标分值,目标分值越大表示该帐号违约的可能性越小。或者,以请求资源的帐号为例,帐号的目标信用度可以但不限于为目标标识,该目标标识为1表示该帐号具有获取资源的权限,该目标标识为0表示该帐号不具有获取资源的权限,或者,还可以是该目标标识为0.5表示该帐号具有获取部分资源的权限。
可见,通过上述步骤,在确定第一帐号的信用度的过程中,同时获取了第一帐号的第一特征信息和与第一帐号的类型不同且具有关联关系的第二帐号的第二特征信息,并分别根据获取到的特征信息确定了第一帐号和第二帐号的信用度信息,再综合考虑第一帐号和第二帐号的信用度信息进一步确定第一帐号的目标信用度,使得对第一帐号的信用度进行评估时,充分考虑了与其相关的不同类型的帐号的信用度对其信用度产生的影响,从而提高了对目标帐号的信用度进行确定时的准确性,进而克服现有技术中对目标帐号的信用度进行确定时的准确性较低的问题。
作为一种可选的方案,获取第一帐号的第一特征信息包括:
S1,获取第一帐号的第一行为数据,其中,第一行为数据为第一帐号执行第一操作时产生的数据;
S2,确定第一行为数据对应的第一数据类型,并将具有对应关系的第一行为数据和第一数据类型作为第一特征信息。
可选地,在本实施例中,第一行为数据为第一帐号执行第一操作时产生的数据,该第一操作可以是能够影响第一帐号的信用度的操作。例如:以交易过程中的信用度确定为例,第一操作可以但不限于包括第一帐号在应用程序上记录的支入支出流水、第一帐号执行的历史交易、第一帐号的娱乐行为、第一帐号的经济行为等等。
在一个可选的实施方式中,如图3所示,可以但不限于以表格的形式对第一帐号的特征信息进行存储,表格的行表示帐号,表格的列表示第一数据类型,第一行为数据存储在第一帐号所在的行中,并与第一数据类型相对应。获取第一帐号的第一特征信息可以是从该表格中提取第一帐号对应的行中存储的数据。
可选地,在本实施例中,以第一帐号为企业帐号为例,第一数据类型可以但不限于包括:企业经营状况数据、企业热度数据、企业互动数据、企业规模数据、企业社交数据、企业影响力数据等等。与上述第一数据类型对应的第一行为数据可以但不限于包括:企业在APP中的收入支出流水;企业相关的关键词、文章等的搜索热度,以及被关注情况;企业账号与关注用户间的互动信息;通过企业相关用户挖掘得到的企业规模;通过企业相关用户的社交关系进行挖掘,得到的与企业关系相对密切的上下游企业数据;经营覆盖的区域、人数等等。
作为一种可选的方案,获取第二帐号的第二特征信息包括:
S1,获取第二帐号的第二行为数据,其中,第二行为数据为第二帐号执行第二操作时产生的数据;
S2,确定第二行为数据对应的第二数据类型,并将具有对应关系的第二行为数据和第二数据类型作为第二特征信息。
可选地,在本实施例中,第二行为数据为第二帐号执行第二操作时产 生的数据,该第二操作可以是能够影响第二帐号的信用度的操作。例如:以交易过程中的信用度确定为例,第二操作可以但不限于包括第二帐号在应用程序上记录的支入支出流水、第二帐号执行的历史交易、第二帐号的娱乐行为、第二帐号的经济行为、第二帐号关联的智能穿戴设备采集数据的行为、第二帐号的社交互动行为等等。
在一个可选的实施方式中,如图4所示,可以但不限于以表格的形式对第二帐号的特征信息进行存储,表格的行表示多个第二帐号中的每个第二帐号,表格的列表示第二数据类型,第二行为数据存储在相应第二帐号所在的行中,并与第二数据类型相对应。获取第二帐号的第二特征信息可以是从该表格中提取第二帐号对应的行中存储的数据。
可选地,在本实施例中,以第二帐号为个人帐号为例,第二数据类型可以但不限于包括:用户的基础属性信息,虚拟增值服务数据,社交互动行为数据,经济行为数据,娱乐休闲行为数据,O2O生活服务信息,穿戴设备数据,LBS地理位置数据,旅游出行数据等等。与上述第二数据类型对应的第二行为数据可以但不限于包括:姓名、年龄、性别、地区、学历、职业、政治面貌等;虚拟账号角色装扮,游戏道具购买,影视会员服务,云存储空间增值服务,音乐流量包等;聊天,电子邮件,语音通话,微博空间发表,豆瓣评论点评,知乎问答,公众号文章阅读等;支付,理财,购物,金融等;视频点播,音乐播放,K歌,新闻阅读等;家政服务,城市服务,美容保健等;医疗健康,运动等;导航,签到,专车等;票务订购,酒店预定等等。
可选地,在本实施例中,线上数据可以通过用户手机,平板或者PC电脑上即时通讯软件、游戏客户端、APP下载平台、理财平台、购物软件等采集用户填写的资料或者软件主动上报获得;线下数据可以通过购买、与其他机构合作、问卷调查等方式获得。
作为一种可选的方案,第二帐号包括多个帐号,其中,获取第二帐号的第二行为数据包括:
S1,获取多个第二帐号中每个第二帐号对应的行为数据;
S2,根据每个第二帐号对应的行为数据以及每个第二帐号对应的相关系数确定第二行为数据,其中,相关系数用于指示第二帐号与第一帐号之间的相关度。
可选地,在本实施例中,第二帐号可以包括多个帐号,也就是说,可以有多个帐号与第一帐号具有关联关系。
可选地,在本实施例中,可以但不限于通过以下公式确定第二行为数据:
υ'=f((α1,α2,...,αi,...,αn),(υ1,υ2,...,υi,...,υn))
其中,υ'为第二行为数据,i为第i个与第一帐号相关的第二帐号,αi为第i个第二帐号与第一帐号的相关系数,相关系数可以通过挖掘时所满足条件的可信度来计算得出,υi为第i个第二帐号的行为数据,f为计算函数。例如:函数可以是按照αi作为权重对υi进行加权平均的方式。
可选地,在本实施例中,可以但不限于以相关系数作为每个第二帐号对应的行为数据的权重获取多个第二帐号的行为数据的加权平均数,并将加权平均数作为第二行为数据。
作为一种可选的方案,根据第一特征信息确定第一帐号的第一信用度信息,并根据第二特征信息确定第二帐号的第二信用度信息包括:
S1,将第一特征信息作为第一信用度模型的输入参数输入第一信用度模型,得到第一输出参数作为第一信用度信息,其中,第一输出参数用于指示第一帐号的类型为第一目标类型的概率值;
S2,将第二特征信息作为第二信用度模型的输入参数输入第二信用度模型,得到第二输出参数作为第二信用度信息,其中,第二输出参数用于指示第二帐号的类型为第二目标类型的概率值。
可选地,在本实施例中,第一目标类型的帐号可以是信用度落入第一 预设信用度范围的帐号。也就是说,可以为不同类型的帐号设置不同的信用度范围,将其中一种类型作为第一目标类型,设置第一信用度模型的第一输出参数用于指示第一帐号的类型为第一目标类型的概率值,即第一帐号的信用度落入第一预设信用度范围内的概率值。
例如:帐号的类型分为违约帐号和不违约帐号,违约帐号是信用度在0至50之间的帐号,不违约帐号是信用度在50至100之间的帐号,第一目标类型为违约帐号,则可以设置第一输出参数用于指示第一帐号为违约帐号的概率值。该概率值越大表示该帐号违约的概率越大。
可选地,在本实施例中,第二目标类型的帐号可以是信用度落入第二预设信用度范围的帐号。也就是说,可以为不同类型的帐号设置不同的信用度范围,将其中一种类型作为第二目标类型,设置第二信用度模型的第二输出参数用于指示第二帐号的类型为第二目标类型的概率值,即第二帐号的信用度落入第二预设信用度范围内的概率值。
例如:帐号的类型分为违约帐号和不违约帐号,违约帐号是信用度在0至50之间的帐号,不违约帐号是信用度在50至100之间的帐号,第二目标类型为不违约帐号,则可以设置第二输出参数用于指示第二帐号为不违约帐号的概率值。该概率值越大表示该帐号违约的概率越小。
可选地,在本实施例中,第一特征信息包括多个第一特征数据,第一信用度模型包括多个第一子模型,多个第一特征数据与多个第一子模型一一对应,可以但不限于通过以下方式获取第一信用度信息:将多个第一特征数据中的每个第一特征数据输入每个第一特征数据对应的第一子模型,得到多个第一子输出参数,其中,第一子输出参数用于指示第一帐号为第一目标帐号的概率值;根据多个第一子输出参数和多个第一子模型对应的第一权重获取多个第一子输出参数的加权和,将多个第一子输出参数的加权和作为第一信用度信息。
可选地,在本实施例中,第一信用度模型可以是一个多层的模型,每一个第一特征数据对应了一个第一子模型,第一特征数据作为对应子模型 的输入参数,得到每个子模型的输出参数,再将子模型的输出参数作为父模型的输入参数,该父模型的输出参数作为第一信用度模型的输出参数。需要说明的是,每一个第一子模型也可以是多层的模型,在此不再赘述。
例如:多个第一特征数据为热度数据、流水数据和规模数据,第一信用度模型为企业信用度模型,其包括热度子模型、流水子模型和规模子模型,热度数据对应热度子模型、流水数据对应流水子模型和规模数据对应规模子模型,分别将各个数据输入到各个子模型中,得到多个子模型的输出参数,将得到的多个子模型的输出参数作为下一层模型的输入参数,得到的输出参数作为该企业信用度模型的输出参数。
可选地,在本实施例中,第二特征信息包括多个第二特征数据,第二信用度模型包括多个第二子模型,多个第二特征数据与多个第二子模型一一对应,可以但不限于通过以下方式获取第二信用度信息:将多个第二特征数据中的每个第二特征数据输入每个第二特征数据对应的第二子模型,得到多个第二子输出参数,其中,第二子输出参数用于指示第二帐号为第二目标帐号的概率值;根据多个第二子输出参数和多个第二子模型对应的第二获取多个第二子输出参数的加权和,将多个第二子输出参数的加权和作为第二信用度信息。
可选地,在本实施例中,第二信用度模型可以是一个多层的模型,每一个第二特征数据对应了一个第二子模型,第二特征数据作为对应子模型的输入参数,得到每个子模型的输出参数,再将子模型的输出参数作为父模型的输入参数,该父模型的输出参数作为第二信用度模型的输出参数。需要说明的是,每一个第二子模型也可以是多层的模型,在此不再赘述。
例如:多个第二特征数据为购物数据、社交数据和游戏数据,第二信用度模型为企业相关用户信用度模型,其包括购物子模型、社交子模型和游戏子模型,购物数据对应购物子模型、社交数据对应社交子模型和游戏数据对应游戏子模型,分别将各个数据输入到各个子模型中,得到多个子模型的输出参数,将得到的多个子模型的输出参数作为下一层模型的输入 参数,得到的输出参数作为该企业相关用户信用度模型的输出参数。
作为一种可选的方案,根据第一信用度信息和第二信用度信息确定第一帐号的目标信用度包括:
S1,将第一信用度信息和第二信用度信息作为目标信用度模型的输入参数输入目标信用度模型,得到第三输出参数,其中,目标信用度模型用于根据输入参数以及每个输入参数对应的第二权重获取输出参数,第三输出参数用于指示第一帐号为第一目标帐号的概率值;
S2,根据输出参数与信用分值之间的对应关系确定输出参数对应的目标信用分值,其中,目标信用分值用于表示目标信用度。
可选地,在本实施例中,目标信用度模型通过以下公式获取输出参数:
其中,p为目标信用度模型的输出参数,P0为目标信用度模型的截距项,Pi为目标信用度模型的第i个输入参数,βi为第i个输入参数对应的第二权重,m为目标信用度模型的输入参数的个数;
根据输出参数与信用分值之间的对应关系确定输出参数对应的目标信用分值包括:通过以下公式确定目标信用分值:
其中,S为目标信用分值,base为预定的基准信用分值,step为预设的步长,p为目标信用度模型的输出参数。
可选地,在本实施例中,在根据第一特征信息确定第一帐号的第一信用度信息,并根据第二特征信息确定第二帐号的第二信用度信息之前,还可以通过模型的训练获取第一信用度模型、第二信用度模型和目标信用度模型。
例如:在本实施例中,可以但不限于通过以下方式获取第一信用度模型:获取第一训练帐号的第一训练数据以及由第一训练帐号的信用度信息确定的第一训练帐号的第一帐号类型,其中,第一训练帐号与第一帐号为具有相同属性的帐号;对第一目标训练模型进行训练,得到第一信用度模型,其中,第一目标训练模型与第一训练数据对应,在训练的过程中,将第一训练数据作为第一目标训练模型的输入参数,将第一训练帐号的第一帐号类型作为第一目标训练模型的输出参数。
在本实施例中,可以但不限于通过以下方式获取第二信用度模型:获取第二训练帐号的第二训练数据以及由第二训练帐号的信用度信息确定的第二训练帐号的第二帐号类型,其中,第二训练帐号与第二帐号为具有相同属性的帐号;对第二目标训练模型进行训练,得到第二信用度模型,其中,第二目标训练模型与第二训练数据对应,在训练的过程中,将第二训练数据作为第二目标训练模型的输入参数,将第二训练帐号的第二帐号类型作为第二目标训练模型的输出参数。
在本实施例中,可以但不限于通过以下方式获取目标信用度模型:将第一训练数据输入第一信用度模型,得到第一训练结果;将第二训练数据输入第二信用度模型,得到第二训练结果;根据第一训练结果与第一帐号类型之间的对应关系,以第一训练结果和第二训练结果作为输入参数对第二权重进行训练,得到目标信用度模型。
可选地,在本实施例中,对于不同模型的训练可以根据模型的输入输出参数的特点采用不同的训练方法。
作为一种可选的方案,获取第一帐号的第一特征信息,以及第二帐号的第二特征信息包括:
S1,获取第三帐号登录的客户端发送的操作请求,其中,操作请求用于请求对第一帐号执行目标操作;
S2,确定目标操作对应的操作类型;
S3,在操作类型为目标类型的情况下,获取第一帐号的第一特征信息,以及第二帐号的第二特征信息。
可选地,在本实施例中,可以由第三帐号登录的客户端触发确定第一帐号的信用度的操作。例如:在交易双方执行某次交易时,买方第三帐号向卖方第一帐号转移资金时可以向服务器发送用于请求向第一帐号转移资金的操作请求,服务器接收到该操作请求,确定转移资金操作的操作类型为交易类,属于目标类型,则执行确定第一帐号信用度的操作,获取第一帐号的第一特征信息,以及第二帐号的第二特征信息。
可选地,在本实施例中,第一帐号与第三帐号可以为相同的帐号。
可选地,在本实施例中,目标操作可以但不限于包括转移资源的操作(例如:交易、贷款、招标等)、获取权限的操作(例如:获取多媒体资源播放权限、获取网页浏览权限)等等。
可选地,在本实施例中,在根据第一信用度信息和第二信用度信息确定第一帐号的目标信用度之后,可以根据目标信用度与预设信用度之间的关系确定是否允许第三帐号对第一帐号执行目标操作。例如:在目标信用度高于或者等于预设信用度的情况下,响应操作请求向第三帐号登录的客户端发送第一指示信息,其中,第一指示信息用于指示允许第三帐号对第一帐号执行目标操作;在目标信用度低于预设信用度的情况下,响应操作请求向第三帐号登录的客户端发送第二指示信息,其中,第二指示信息用于指示禁止第三帐号对第一帐号执行目标操作。
可选地,在本实施例中,第三帐号对第一帐号执行目标操作可以但不限于为第三帐号将第三帐号的预定资源转移给第一帐号。
可选地,在本实施例中,预定资源可以但不限于为金融资源、多媒体资源等等。
需要说明的是,对于前述的各方法实施例,为了简单描述,故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他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
根据本发明实施例,还提供了一种用于实施上述目标帐号的信用度确定方法的目标帐号的信用度确定装置,如图5所示,该装置包括:
1)第一获取模块52,用于获取第一帐号的第一特征信息,以及第二帐号的第二特征信息,其中,第一帐号为第一类型的帐号,第二帐号为第二类型的帐号,第一类型和第二类型为不同的帐号类型,第二帐号与第一帐号具有关联关系,第一特征信息包括用于确定第一帐号的信用度的属性特征,第二特征信息包括用于确定第二帐号的信用度的属性特征;
2)第一确定模块54,用于根据第一特征信息确定第一帐号的第一信用度信息,并根据第二特征信息确定第二帐号的第二信用度信息;
3)第二确定模块56,用于根据第一信用度信息和第二信用度信息确定第一帐号的目标信用度。
可选地,在本实施例中,上述目标帐号的信用度确定装置可以但不限于应用于对第一帐号的信用度进行确定以使客户端根据第一帐号的信用度对第一帐号执行对应操作的场景中。其中,上述客户端可以但不限于为各种类型的软件,例如,在线教育软件、远程控制软件、即时通讯软件、 社区空间软件、游戏软件、交易平台软件、购物软件、金融类软件、多媒体软件等。具体的,可以但不限于应用于在上述交易平台软件中以卖方为第一帐号对其信用度进行确定已根据该信用度对第一帐号执行对应的交易操作的场景中,或还可以但不限于应用于在上述多媒体软件中对第一帐号的信用度进行确定以根据该信用度确定第一帐号是否具有获取多媒体资源的权限的场景中,以提高了目标帐号的信用度进行确定时的准确性。上述仅是一种示例,本实施例中对此不做任何限定。
可选地,上述目标帐号的信用度确定装置可以但不限于应用于服务器端。例如:服务器对应的客户端可以向服务器发送请求消息来请求获取第一帐号的信用度,服务器响应该请求消息对第一帐号的信用度进行确定,并将确定结果返回给客户端。或者,在另一中场景下,第一帐号登录的客户端向服务器请求获取某资源,服务器对第一帐号的信用度进行确定,并根据确定结果确定是否将该资源发送给该客户端。
可选地,在本实施例中,第一类型的帐号可以但不限于为企业类型的帐号,第二类型的帐号可以但不限于为个人类型的帐号。企业类型的帐号是在客户端上通过企业信息(比如:公司名称、营业执照注册号等等)注册的帐号,个人类型的帐号是在客户端上通过个人信息(比如:身份证名字、身份证号码、手机号码等)注册的帐号。
可选地,在本实施例中,第二帐号与第一帐号具有的关联关系可以但不限于包括以下至少之一:第二帐号代表的个人为第一帐号代表的企业的所有人、第二帐号代表的个人为第一帐号代表的企业的员工、第二帐号关注了第一帐号、第二帐号关注了第一帐号对应的公众号、第二帐号对第一帐号的帐号信息执行过搜索操作。
可选地,在本实施例中,第一帐号可以但不限于为企业帐号或者个人帐号,第二帐号可以但不限于为企业帐号或者个人帐号。例如:在对企业帐号的信用度进行确定时,可以根据该企业帐号的信用度信息以及与该企业帐号具有关联关系的企业或者个人的信用度信息确定该企业帐号的信 用度。其中,与企业帐号具有关联关系的个人帐号可以但不限于包括该企业的所有人、该企业的员工、关注该企业帐号的用户、关注该企业公众号的用户、搜索过该企业相关信息的用户等等。
可选地,在本实施例中,对于与企业帐号具有关联关系的个人帐号的挖掘方式包括但不限于对该企业相关WIFI、群、LBS、企业帐号关注情况等信息进行挖掘。例如:企业相关用户挖掘时可参考固定时段是否连接工作WIFI和定位到公司所在地、是否有加入工作群、是否有关注企业账号等的情况,满足条件越多个人用户与该企业的相关度越高。
可选地,在本实施例中,第一特征信息包括以下至少之一:用于指示企业经营状况的信息、用于指示企业搜索热度的信息、第二帐号与第一帐号之间进行交互时产生的信息、用于指示企业的规模的信息、与企业具有关联关系的企业的信息、用于指示企业的社会影响力的信息。
可选地,在本实施例中,第二特征信息包括以下至少之一:用于指示个人的属性的信息、用于指示个人具有的虚拟增值服务的信息、用于指示个人执行的社交互动行为的信息、用于指示个人执行的经济行为的信息、用于指示个人执行的娱乐行为的信息、用于指示个人使用过的线上到线下O2O服务的信息、从属于个人的穿戴设备上获取的信息、用于指示个人使用过的基于位置的服务LBS的信息、个人的出行信息。
可选地,在本实施例中,第一特征信息和第二特征信息可以但不限于是多维度的特征信息。例如:以第一帐号为企业帐号为例,第一特征信息可以但不限于包括以下维度至少之一:企业经营状况数据,如企业在APP中的收入支出流水;企业热度数据,如企业相关的关键词、文章等的搜索热度,以及被关注情况;企业互动数据,如企业帐号与关注用户间的互动信息;企业规模数据,如通过企业相关用户挖掘得到的企业规模;企业社交数据,如通过企业相关用户的社交关系进行挖掘,得到的与企业关系相对密切的上下游企业数据;企业影响力数据,如经营覆盖的区域、人数等等。
可选地,在本实施例中,信用度信息可以但不限于是用于指示帐号信用类型的信息。例如:以执行交易的帐号为例,帐号的信用类型可以但不限于分为违约帐号和不违约帐号,信用度信息可以但不限于为该帐号为违约帐号的概率值。或者,以请求资源的帐号为例,帐号的信用类型可以但不限于分为有权限的帐号和无权限的帐号,信用度信息可以但不限于为该帐号为无权限的帐号的概率值。
可选地,在本实施例中,表示第一帐号的目标信用度的形式可以但不限于包括概率值、分值、类别标识等等。例如:以执行交易的帐号为例,帐号的目标信用度可以但不限于为目标分值,目标分值越大表示该帐号违约的可能性越小。或者,以请求资源的帐号为例,帐号的目标信用度可以但不限于为目标标识,该目标标识为1表示该帐号具有获取资源的权限,该目标标识为0表示该帐号不具有获取资源的权限,或者,还可以是该目标标识为0.5表示该帐号具有获取部分资源的权限。
可见,通过上述装置,在确定第一帐号的信用度的过程中,同时获取了第一帐号的第一特征信息和与第一帐号的类型不同且具有关联关系的第二帐号的第二特征信息,并分别根据获取到的特征信息确定了第一帐号和第二帐号的信用度信息,再综合考虑第一帐号和第二帐号的信用度信息进一步确定第一帐号的目标信用度,使得对第一帐号的信用度进行评估时,充分考虑了与其相关的不同类型的帐号的信用度对其信用度产生的影响,从而提高了对目标帐号的信用度进行确定时的准确性,进而克服现有技术中对目标帐号的信用度进行确定时的准确性较低的问题。
作为一种可选的方案,第一获取模块包括:
1)第一获取单元,用于获取第一帐号的第一行为数据,其中,第一行为数据为第一帐号执行第一操作时产生的数据;
2)第一确定单元,用于确定第一行为数据对应的第一数据类型,并将具有对应关系的第一行为数据和第一数据类型作为第一特征信息。
可选地,在本实施例中,第一行为数据为第一帐号执行第一操作时产生的数据,该第一操作可以是能够影响第一帐号的信用度的操作。例如:以交易过程中的信用度确定为例,第一操作可以但不限于包括第一帐号在应用程序上记录的支入支出流水、第一帐号执行的历史交易、第一帐号的娱乐行为、第一帐号的经济行为等等。
在一个可选的实施方式中,如图3所示,可以但不限于以表格的形式对第一帐号的特征信息进行存储,表格的行表示帐号,表格的列表示第一数据类型,第一行为数据存储在第一帐号所在的行中,并与第一数据类型相对应。获取第一帐号的第一特征信息可以是从该表格中提取第一帐号对应的行中存储的数据。
可选地,在本实施例中,以第一帐号为企业帐号为例,第一数据类型可以但不限于包括:企业经营状况数据、企业热度数据、企业互动数据、企业规模数据、企业社交数据、企业影响力数据等等。与上述第一数据类型对应的第一行为数据可以但不限于包括:企业在APP中的收入支出流水;企业相关的关键词、文章等的搜索热度,以及被关注情况;企业账号与关注用户间的互动信息;通过企业相关用户挖掘得到的企业规模;通过企业相关用户的社交关系进行挖掘,得到的与企业关系相对密切的上下游企业数据;经营覆盖的区域、人数等等。
作为一种可选的方案,第一获取模块包括:
1)第二获取单元,用于获取第二帐号的第二行为数据,其中,第二行为数据为第二帐号执行第二操作时产生的数据;
2)第二确定单元,用于确定第二行为数据对应的第二数据类型,并将具有对应关系的第二行为数据和第二数据类型作为第二特征信息。
可选地,在本实施例中,第二行为数据为第二帐号执行第二操作时产生的数据,该第二操作可以是能够影响第二帐号的信用度的操作。例如:以交易过程中的信用度确定为例,第二操作可以但不限于包括第二帐号在 应用程序上记录的支入支出流水、第二帐号执行的历史交易、第二帐号的娱乐行为、第二帐号的经济行为、第二帐号关联的智能穿戴设备采集数据的行为、第二帐号的社交互动行为等等。
在一个可选的实施方式中,如图4所示,可以但不限于以表格的形式对第二帐号的特征信息进行存储,表格的行表示多个第二帐号中的每个第二帐号,表格的列表示第二数据类型,第二行为数据存储在相应第二帐号所在的行中,并与第二数据类型相对应。获取第二帐号的第二特征信息可以是从该表格中提取第二帐号对应的行中存储的数据。
可选地,在本实施例中,以第二帐号为个人帐号为例,第二数据类型可以但不限于包括:用户的基础属性信息,虚拟增值服务数据,社交互动行为数据,经济行为数据,娱乐休闲行为数据,O2O生活服务信息,穿戴设备数据,LBS地理位置数据,旅游出行数据等等。与上述第二数据类型对应的第二行为数据可以但不限于包括:姓名、年龄、性别、地区、学历、职业、政治面貌等;虚拟账号角色装扮,游戏道具购买,影视会员服务,云存储空间增值服务,音乐流量包等;聊天,电子邮件,语音通话,微博空间发表,豆瓣评论点评,知乎问答,公众号文章阅读等;支付,理财,购物,金融等;视频点播,音乐播放,K歌,新闻阅读等;家政服务,城市服务,美容保健等;医疗健康,运动等;导航,签到,专车等;票务订购,酒店预定等等。
可选地,在本实施例中,线上数据可以通过用户手机,平板或者PC电脑上即时通讯软件、游戏客户端、APP下载平台、理财平台、购物软件等采集用户填写的资料或者软件主动上报获得;线下数据可以通过购买、与其他机构合作、问卷调查等方式获得。
可选地,在本实施例中,第二帐号包括多个帐号,其中,第二获取单元用于:获取多个第二帐号中每个第二帐号对应的行为数据;根据每个第二帐号对应的行为数据以及每个第二帐号对应的相关系数确定第二行为数据,其中,相关系数用于指示第二帐号与第一帐号之间的相关度。
可选地,在本实施例中,第二帐号可以包括多个帐号,也就是说,可以有多个帐号与第一帐号具有关联关系。
可选地,在本实施例中,可以但不限于通过以下公式确定第二行为数据:
υ'=f((α1,α2,...,αi,...,αn),(υ1,υ2,...,υi,...,υn))
其中,υ'为第二行为数据,i为第i个与第一帐号相关的第二帐号,αi为第i个第二帐号与第一帐号的相关系数,相关系数可以通过挖掘时所满足条件的可信度来计算得出,υi为第i个第二帐号的行为数据,f为计算函数。例如:函数可以是按照αi作为权重对υi进行加权平均的方式。
可选地,在本实施例中,第二获取单元用于:以相关系数作为每个第二帐号对应的行为数据的权重获取多个第二帐号的行为数据的加权平均数,并将加权平均数作为第二行为数据。
作为一种可选的方案,第一确定模块包括:
1)第一处理单元,用于将第一特征信息作为第一信用度模型的输入参数输入第一信用度模型,得到第一输出参数作为第一信用度信息,其中,第一输出参数用于指示第一帐号的类型为第一目标类型的概率值;
2)第二处理单元,用于将第二特征信息作为第二信用度模型的输入参数输入第二信用度模型,得到第二输出参数作为第二信用度信息,其中,第二输出参数用于指示第二帐号的类型为第二目标类型的概率值。
可选地,在本实施例中,第一目标类型的帐号可以是信用度落入第一预设信用度范围的帐号。也就是说,可以为不同类型的帐号设置不同的信用度范围,将其中一种类型作为第一目标类型,设置第一信用度模型的第一输出参数用于指示第一帐号的类型为第一目标类型的概率值,即第一帐号的信用度落入第一预设信用度范围内的概率值。
例如:帐号的类型分为违约帐号和不违约帐号,违约帐号是信用度在0至50之间的帐号,不违约帐号是信用度在50至100之间的帐号,第一目标类型为违约帐号,则可以设置第一输出参数用于指示第一帐号为违约帐号的概率值。该概率值越大表示该帐号违约的概率越大。
可选地,在本实施例中,第二目标类型的帐号可以是信用度落入第二预设信用度范围的帐号。也就是说,可以为不同类型的帐号设置不同的信用度范围,将其中一种类型作为第二目标类型,设置第二信用度模型的第二输出参数用于指示第二帐号的类型为第二目标类型的概率值,即第二帐号的信用度落入第二预设信用度范围内的概率值。
例如:帐号的类型分为违约帐号和不违约帐号,违约帐号是信用度在0至50之间的帐号,不违约帐号是信用度在50至100之间的帐号,第二目标类型为不违约帐号,则可以设置第二输出参数用于指示第二帐号为不违约帐号的概率值。该概率值越大表示该帐号违约的概率越小。
可选地,在本实施例中,第一特征信息包括多个第一特征数据,第一信用度模型包括多个第一子模型,多个第一特征数据与多个第一子模型一一对应,第一处理单元用于:将多个第一特征数据中的每个第一特征数据输入每个第一特征数据对应的第一子模型,得到多个第一子输出参数,其中,第一子输出参数用于指示第一帐号为第一目标帐号的概率值;根据多个第一子输出参数和多个第一子模型对应的第一权重获取多个第一子输出参数的加权和,将多个第一子输出参数的加权和作为第一信用度信息。
可选地,在本实施例中,第一信用度模型可以是一个多层的模型,每一个第一特征数据对应了一个第一子模型,第一特征数据作为对应子模型的输入参数,得到每个子模型的输出参数,再将子模型的输出参数作为父模型的输入参数,该父模型的输出参数作为第一信用度模型的输出参数。需要说明的是,每一个第一子模型也可以是多层的模型,在此不再赘述。
例如:多个第一特征数据为热度数据、流水数据和规模数据,第一信用度模型为企业信用度模型,其包括热度子模型、流水子模型和规模子模型,热度数据对应热度子模型、流水数据对应流水子模型和规模数据对应 规模子模型,分别将各个数据输入到各个子模型中,得到多个子模型的输出参数,将得到的多个子模型的输出参数作为下一层模型的输入参数,得到的输出参数作为该企业信用度模型的输出参数。
可选地,在本实施例中,第二特征信息包括多个第二特征数据,第二信用度模型包括多个第二子模型,多个第二特征数据与多个第二子模型一一对应,第一处理单元用于:将多个第二特征数据中的每个第二特征数据输入每个第二特征数据对应的第二子模型,得到多个第二子输出参数,其中,第二子输出参数用于指示第二帐号为第二目标帐号的概率值;根据多个第二子输出参数和多个第二子模型对应的第二获取多个第二子输出参数的加权和,将多个第二子输出参数的加权和作为第二信用度信息。
可选地,在本实施例中,第二信用度模型可以是一个多层的模型,每一个第二特征数据对应了一个第二子模型,第二特征数据作为对应子模型的输入参数,得到每个子模型的输出参数,再将子模型的输出参数作为父模型的输入参数,该父模型的输出参数作为第二信用度模型的输出参数。需要说明的是,每一个第二子模型也可以是多层的模型,在此不再赘述。
例如:多个第二特征数据为购物数据、社交数据和游戏数据,第二信用度模型为企业相关用户信用度模型,其包括购物子模型、社交子模型和游戏子模型,购物数据对应购物子模型、社交数据对应社交子模型和游戏数据对应游戏子模型,分别将各个数据输入到各个子模型中,得到多个子模型的输出参数,将得到的多个子模型的输出参数作为下一层模型的输入参数,得到的输出参数作为该企业相关用户信用度模型的输出参数。
作为一种可选的方案,第二确定模块包括:
1)第三处理单元,用于将第一信用度信息和第二信用度信息作为目标信用度模型的输入参数输入目标信用度模型,得到第三输出参数,其中,目标信用度模型用于根据输入参数以及每个输入参数对应的第二权重获取输出参数,第三输出参数用于指示第一帐号为第一目标帐号的概率值;
2)第三确定单元,用于根据输出参数与信用分值之间的对应关系确定输出参数对应的目标信用分值,其中,目标信用分值用于表示目标信用度。
可选地,在本实施例中,目标信用度模型通过以下公式获取输出参数:
其中,p为目标信用度模型的输出参数,P0为目标信用度模型的截距项,Pi为目标信用度模型的第i个输入参数,βi为第i个输入参数对应的第二权重,m为目标信用度模型的输入参数的个数;
根据输出参数与信用分值之间的对应关系确定输出参数对应的目标信用分值包括:
通过以下公式确定目标信用分值:
其中,S为目标信用分值,base为预定的基准信用分值,step为步长,p为目标信用度模型的输出参数。
可选地,在本实施例中,上述装置还包括:
第二获取模块,用于获取第一训练帐号的第一训练数据以及由第一训练帐号的信用度信息确定的第一训练帐号的第一帐号类型,其中,第一训练帐号与第一帐号为具有相同属性的帐号;对第一目标训练模型进行训练,得到第一信用度模型,其中,第一目标训练模型与第一训练数据对应,在训练的过程中,将第一训练数据作为第一目标训练模型的输入参数,将第一训练帐号的第一帐号类型作为第一目标训练模型的输出参数;
第三获取模块,用于获取第二训练帐号的第二训练数据以及由第二训练帐号的信用度信息确定的第二训练帐号的第二帐号类型,其中,第二训练帐号与第二帐号为具有相同属性的帐号;对第二目标训练模型进行训练,得到第二信用度模型,其中,第二目标训练模型与第二训练数据对应,在 训练的过程中,将第二训练数据作为第二目标训练模型的输入参数,将第二训练帐号的第二帐号类型作为第二目标训练模型的输出参数。
可选地,在本实施例中,上述装置还包括:第四获取单元,用于将第一训练数据输入第一信用度模型,得到第一训练结果;将第二训练数据输入第二信用度模型,得到第二训练结果;根据第一训练结果与第一帐号类型之间的对应关系,以第一训练结果和第二训练结果作为输入参数对第二权重进行训练,得到目标信用度模型。
可选地,在本实施例中,对于不同模型的训练可以根据模型的输入输出参数的特点采用不同的训练方法。
作为一种可选的方案,第一获取模块包括:
1)第三获取单元,用于获取第三帐号登录的客户端发送的操作请求,其中,操作请求用于请求对第一帐号执行目标操作;
2)第四确定单元,用于确定目标操作对应的操作类型;
3)第四获取单元,用于在操作类型为目标类型的情况下,获取第一帐号的第一特征信息,以及第二帐号的第二特征信息。
可选地,在本实施例中,可以由第三帐号登录的客户端触发确定第一帐号的信用度的操作。例如:在交易双方执行某次交易时,买方第三帐号向卖方第一帐号转移资金时可以向服务器发送用于请求向第一帐号转移资金的操作请求,服务器接收到该操作请求,确定转移资金操作的操作类型为交易类,属于目标类型,则执行确定第一帐号信用度的操作,获取第一帐号的第一特征信息,以及第二帐号的第二特征信息。
可选地,在本实施例中,第一帐号与第三帐号可以为相同的帐号。
可选地,在本实施例中,目标操作可以但不限于包括转移资源的操作(例如:交易、贷款、招标等)、获取权限的操作(例如:获取多媒体资源播放权限、获取网页浏览权限)等等。
作为一种可选的方案,该装置还包括:
1)第一发送模块,用于在目标信用度高于或者等于预设信用度的情况下,响应操作请求向第三帐号登录的客户端发送第一指示信息,其中,第一指示信息用于指示允许第三帐号对第一帐号执行目标操作;
2)第二发送模块,用于在目标信用度低于预设信用度的情况下,响应操作请求向第三帐号登录的客户端发送第二指示信息,其中,第二指示信息用于指示禁止第三帐号对第一帐号执行目标操作。
可选地,在本实施例中,在根据第一信用度信息和第二信用度信息确定第一帐号的目标信用度之后,可以根据目标信用度与预设信用度之间的关系确定是否允许第三帐号对第一帐号执行目标操作。
可选地,在本实施例中,第三帐号对第一帐号执行目标操作包括:第三帐号将第三帐号的预定资源转移给第一帐号。
可选地,在本实施例中,预定资源可以但不限于为金融资源、多媒体资源等等。
本发明实施例的应用环境可以但不限于参照上述实施例中的应用环境,本实施例中对此不再赘述。本发明实施例还提供了用于实施上述目标帐号的信用度确定方法的一种可选的具体应用示例。
作为一种可选的实施例,上述目标帐号的信用度确定方法可以但不限于应用于如图6和图7所示的对第一帐号的信用度进行确定的场景中。在本实施例中,以第一帐号在客户端上向第三帐号请求借款为例,如图6所示,第三帐号登录的客户端A上接收到第一帐号登录的客户端B发送的借款请求,第三帐号登录的客户端A向服务器C发送的操作请求,服务器C响应该操作请求对第一帐号的信用度进行确定,具体步骤如下:
步骤1,服务器C从数据库D获取第一帐号的第一特征信息,以及第二帐号的第二特征信息,其中,第二帐号与第一帐号具有关联关系。
步骤2,服务器C根据第一特征信息确定第一帐号的第一信用度信息,并根据第二特征信息确定第二帐号的第二信用度信息。
步骤3,服务器C根据第一信用度信息和第二信用度信息确定第一帐号的目标信用度。将第一信用度信息和第二信用度信息输入模型 其中,p为目标信用度模型的输出参数,P0为目标信用度模型的截距项,Pi为目标信用度模型的第i个输入参数,βi为第i个输入参数对应的第二权重,m为目标信用度模型的输入参数的个数,得到第一帐号为违约帐号的概率值。再通过确定第一帐号的目标信用分值,其中,S为目标信用分值,base为预定的基准信用分值,step为步长,p为目标信用度模型的输出参数。并以该目标信用分值表示第一帐号的目标信用度。
服务器C确定了第一帐号的目标信用度后将其与预设信用度进行比较。
如果目标信用度高于或者等于预设信用度,服务器C响应第三帐号登录的客户端A的操作请求向第三帐号登录的客户端A发送第一指示信息,其中,第一指示信息用于指示允许第三帐号向第一帐号放款。
如果目标信用度低于预设信用度,服务器C响应第三帐号登录的客户端A的操作请求向第三帐号登录的客户端A发送第二指示信息,其中,第二指示信息用于指示禁止第三帐号向第一帐号放款。
第三帐号登录的客户端A根据接收到的指示信息确定是否向第一帐 号登录的客户端B执行放款的操作(图6中虚线表示)。
在服务器C对第一帐号的信用度进行确定之前,在服务器C上可以对用于确定帐号信用度的模型进行训练,如图7所示,以第一帐号为企业帐号、第二帐号为个人帐号为例,训练方法分为四个过程,分别为数据采集过程、数据处理过程、特征衍生过程和模型构建过程。
在数据采集过程中,采集企业与企业相关用户在互联网线上虚拟空间行为数据和线下关联场景数据,其中,企业相关用户的挖掘可采用WIFI、群、LBS、企业帐号关注情况等信息进行挖掘。如企业相关用户挖掘时可参考固定时段是否连接工作WIFI和定位到公司所在地、是否有加入工作群、是否有关注企业账号等的情况,满足条件越多可信度越高。将采集到的数据划分为多个维度:
a)企业相关属性数据可以但不限于包括:
1)企业经营状况数据,如企业在APP中的收入支出流水;
2)企业热度数据,如企业相关的关键词、文章等的搜索热度,以及被关注情况;
3)企业互动数据,如企业账号与关注用户间的互动信息;
4)企业规模数据,如通过企业相关用户挖掘得到的企业规模;
5)企业社交数据,如通过企业相关用户的社交关系进行挖掘,得到的与企业关系相对密切的上下游企业数据;
6)企业影响力数据,如经营覆盖的区域、人数。
b)企业相关用户在线上虚拟空间所留下的行为数据和线下关联场景所产生的数据可以但不限于包括:
1)用户的基础属性信息,如姓名、年龄、性别、地区、学历、职业、政治面貌等;
2)虚拟增值服务数据,如虚拟账号角色装扮,游戏道具购买,影视会员服务,云存储空间增值服务,音乐流量包等;
3)社交互动行为数据,如聊天,电子邮件,语音通话,微博空间发表,豆瓣评论点评,知乎问答,公众号文章阅读等;
4)经济行为数据,如支付,理财,购物,金融等;
5)娱乐休闲行为数据,如视频点播,音乐播放,K歌,新闻阅读等;
6)O2O生活服务信息,如家政服务,城市服务,美容保健等;
7)穿戴设备数据,如医疗健康,运动等;
8)LBS地理位置数据,如导航,签到,专车等;
9)旅游出行数据,如票务订购,酒店预定等。
其中,线上数据可以通过用户手机,平板或者PC电脑上即时通讯软件、游戏客户端、APP下载平台、理财平台、购物软件等采集用户填写的资料或者软件主动上报获得;线下数据可以通过购买、与其他机构合作、问卷调查等方式获得。
在数据处理的过程中,多来源异构数据可以经过清洗、整合、结构规范化后形成子模型层的基础特征。清洗方式包括剔除异常数据,去重,以及缺失值填补等。将清洗后的数据根据数据来源及业务特点划分为多个维度,比如基本信息、社交互动、金融理财等,归类整合写入数据库。约定数据类型及数据结构,以规范数据库中存储的数据。
在特征衍生的过程中,基础特征数量庞大,有些变量之间还存在相关性,因此可以进一步加工筛选,衍生和挖掘能表征企业经营稳定性的指标:
首先,可以采用相关系数、信息增益、独立性检验等指标进行特征筛选,得到显著性强的特征。再采用主成份分析、聚类后分类别、业务考虑等方式构造衍生变量。
对于企业相关用户特征,可以采用如下公式将企业相关的多个用户的行为数据整合成一个用于表征企业特征的数据:
υ'=f((α1,α2,...,αi,...,αn),(υ1,υ2,...,υi,...,υn))
其中,υ'为特征变量υ的衍生变量,i为第i个企业相关用户,αi为第i个企业相关用户与企业的相关性,相关性可以通过挖掘时所满足条件的可信度来计算得出,υi为第i个企业相关用户特征变量υ的值,f为计算函数(例如:函数可以是按照相关性αi作为权重对特征υi进行加权平均的方式)。例如:可以得到图计算、企业流水、企业热度、企业所有人社交、企业所有人金融、相关人游戏、文本挖掘等衍生特征。
在特征衍生的过程中,分特征构建多个子模型,在此基础上构建总模型,最后输出企业信用度分值。例如:子模型包括所有人子模型、企业子模型、相关人子模型,根据子模型构建总模型,子模型中还可以分为各个特征对应的模型,例如:企业子模型中还包括热度模型、流水模型等等。
模型构建过程中可以通过与机构合作等方式获取好坏样本数据,并划分训练集和测试集。根据子模型业务特点,提取多维度的企业及企业相关用户特征,采用广义线性回归、GBDT、深度学习等多种机器学习回归算法训练多层子模型。以企业相关关键词热度子模型为例,训练步骤如下:
步骤1.根据企业所在行业、经营类目、地区以及包括企业名字在内的基本信息提取相关关键词,并区分公众号发表文章、用户搜索、用户阅读和用户转发渠道提取对应关键词出现的频次作为特征;
步骤2.采用逻辑回归、决策树、神经网络、GBDT等机器学习算法训练子模型的维度层模型,输出信用概率值;
步骤3.采用步骤2中算法训练关键词热度子模型,输出企业信用概率值。
训练得到子模型后,将子模型输出的信用概率值作为输入值,用以下公式训练总模型,输出预测概率值:
其中,P0为模型截距项,Pi为第i个子模型输出的概率值,m为按照业务区分的子模型总数。
将总模型概率值用以下公式转换为最终的用户信用度分值。例如:采用如下公式将违约概率值转换为信用度分值:
其中S为企业的信用分值,base是基准分,step是步长,p是总模型输出的信用概率值。
在本实施例中,将企业和企业相关用户在移动社交APP上产生的数据应用于企业信用风险的预测,将有助于提高预测效果。企业信用风险的预测使用的特征全面覆盖用户的线上线下行为特征,不仅包括用户基本信息,社交互动,金融活动,兴趣爱好,还包括企业相关的特征变量,使得兼顾可解释性的同时提高算法复杂度和预测能力。
根据本发明实施例,还提供了一种用于实施上述目标帐号的信用度确定方法的电子装置,如图8所示,该设备包括:
1)通讯接口802,设置为获取第一帐号的第一特征信息,以及第二帐号的第二特征信息,其中,第一帐号为第一类型的帐号,第二帐号为第二类型的帐号,第一类型和第二类型为不同的帐号类型,第二帐号与第一帐号具有关联关系,第一特征信息包括用于确定第一帐号的信用度的属性特征,第二特征信息包括用于确定第二帐号的信用度的属性特征;
2)处理器804,与通讯接口802连接,设置为根据第一特征信息确定第一帐号的第一信用度信息,并根据第二特征信息确定第二帐号的第二信用度信息;根据第一信用度信息和第二信用度信息确定第一帐号的目标信 用度。
3)存储器806,与通讯接口802及处理器804连接,设置为第一信用度信息和第二信用度信息。
可选地,本实施例中的具体示例可以参考上述实施例1和实施例2中所描述的示例,本实施例在此不再赘述。
本发明的实施例还提供了一种存储介质。可选地,在本实施例中,上述存储介质可以位于网络中的多个网络设备中的至少一个网络设备。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:
S1,获取第一帐号的第一特征信息,以及第二帐号的第二特征信息,其中,第一帐号为第一类型的帐号,第二帐号为第二类型的帐号,第一类型和第二类型为不同的帐号类型,第二帐号与第一帐号具有关联关系,第一特征信息包括用于确定第一帐号的信用度的属性特征,第二特征信息包括用于确定第二帐号的信用度的属性特征;
S2,根据第一特征信息确定第一帐号的第一信用度信息,并根据第二特征信息确定第二帐号的第二信用度信息;
S3,根据第一信用度信息和第二信用度信息确定第一帐号的目标信用度。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
可选地,本实施例中的具体示例可以参考上述实施例1和实施例2中所描述的示例,本实施例在此不再赘述。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (15)
1.一种目标帐号的信用度确定方法,其特征在于,包括:
获取第一帐号的第一特征信息,以及第二帐号的第二特征信息,其中,所述第一帐号为第一类型的帐号,所述第二帐号为第二类型的帐号,所述第一类型和所述第二类型为不同的帐号类型,所述第二帐号与所述第一帐号具有关联关系,所述第一特征信息包括用于确定所述第一帐号的信用度的属性特征,所述第二特征信息包括用于确定所述第二帐号的信用度的属性特征;
根据所述第一特征信息确定所述第一帐号的第一信用度信息,并根据所述第二特征信息确定所述第二帐号的第二信用度信息;
根据所述第一信用度信息和所述第二信用度信息确定所述第一帐号的目标信用度。
2.根据权利要求1所述的方法,其特征在于,
所述第一类型的帐号为企业类型的帐号,所述第二类型的帐号为个人类型的帐号;
所述第二帐号与所述第一帐号具有的所述关联关系包括以下至少之一:所述第二帐号代表的个人为所述第一帐号代表的企业的所有人、所述第二帐号代表的个人为所述第一帐号代表的企业的员工、所述第二帐号关注了所述第一帐号、所述第二帐号关注了所述第一帐号对应的公众号、所述第二帐号对所述第一帐号的帐号信息执行过搜索操作。
3.根据权利要求2所述的方法,其特征在于,
所述第一特征信息包括以下至少之一:用于指示所述企业经营状况的信息、用于指示所述企业搜索热度的信息、所述第二帐号与所述第一帐号之间进行交互时产生的信息、用于指示所述企业的规模的信息、与所述企业具有关联关系的企业的信息、用于指示所述企业的社会影响力的信息;
所述第二特征信息包括以下至少之一:用于指示所述个人的属性的信息、用于指示所述个人具有的虚拟增值服务的信息、用于指示所述个人执行的社交互动行为的信息、用于指示所述个人执行的经济行为的信息、用于指示所述个人执行的娱乐行为的信息、用于指示所述个人使用过的线上到线下O2O服务的信息、从属于所述个人的穿戴设备上获取的信息、用于指示所述个人使用过的基于位置的服务LBS的信息、所述个人的出行信息。
4.根据权利要求1至3中任一项所述的方法,其特征在于,
获取所述第一帐号的所述第一特征信息包括:获取所述第一帐号的第一行为数据,其中,所述第一行为数据为所述第一帐号执行第一操作时产生的数据;确定所述第一行为数据对应的第一数据类型,并将具有对应关系的所述第一行为数据和所述第一数据类型作为所述第一特征信息;
获取所述第二帐号的所述第二特征信息包括:获取所述第二帐号的第二行为数据,其中,所述第二行为数据为所述第二帐号执行第二操作时产生的数据;确定所述第二行为数据对应的第二数据类型,并将具有对应关系的所述第二行为数据和所述第二数据类型作为所述第二特征信息。
5.根据权利要求4所述的方法,其特征在于,所述第二帐号包括多个帐号,其中,获取所述第二帐号的所述第二行为数据包括:
获取多个所述第二帐号中每个所述第二帐号对应的行为数据;
根据每个所述第二帐号对应的行为数据以及每个所述第二帐号对应的相关系数确定所述第二行为数据,其中,所述相关系数用于指示所述第二帐号与所述第一帐号之间的相关度。
6.根据权利要求1至3中任一项所述的方法,其特征在于,根据所述第一特征信息确定所述第一帐号的所述第一信用度信息,并根据所述第二特征信息确定所述第二帐号的所述第二信用度信息包括:
将所述第一特征信息作为第一信用度模型的输入参数输入所述第一信用度模型,得到第一输出参数作为所述第一信用度信息,其中,所述第一输出参数用于指示所述第一帐号的类型为第一目标类型的概率值;
将所述第二特征信息作为第二信用度模型的输入参数输入所述第二信用度模型,得到第二输出参数作为所述第二信用度信息,其中,所述第二输出参数用于指示所述第二帐号的类型为第二目标类型的概率值。
7.根据权利要求6所述的方法,其特征在于,
所述第一特征信息包括多个第一特征数据,所述第一信用度模型包括多个第一子模型,所述多个第一特征数据与所述多个第一子模型一一对应,将所述第一特征信息作为所述第一信用度模型的输入参数输入所述第一信用度模型,得到所述第一输出参数作为所述第一信用度信息包括:将所述多个第一特征数据中的每个第一特征数据输入所述每个第一特征数据对应的第一子模型,得到多个第一子输出参数,其中,所述第一子输出参数用于指示所述第一帐号为所述第一目标帐号的概率值;根据所述多个第一子输出参数和所述多个第一子模型对应的第一权重获取所述多个第一子输出参数的加权和,将所述多个第一子输出参数的加权和作为所述第一信用度信息;
所述第二特征信息包括多个第二特征数据,所述第二信用度模型包括多个第二子模型,所述多个第二特征数据与所述多个第二子模型一一对应,将所述第二特征信息作为所述第二信用度模型的输入参数输入所述第二信用度评估模型,得到所述第二输出参数作为所述第二信用度信息包括:将所述多个第二特征数据中的每个第二特征数据输入所述每个第二特征数据对应的第二子模型,得到多个第二子输出参数,其中,所述第二子输出参数用于指示所述第二帐号为所述第二目标帐号的概率值;根据所述多个第二子输出参数和所述多个第二子模型对应的第二获取所述多个第二子输出参数的加权和,将所述多个第二子输出参数的加权和作为所述第二信用度信息。
8.根据权利要求1至3中任一项所述的方法,其特征在于,根据所述第一信用度信息和所述第二信用度信息确定所述第一帐号的目标信用度包括:
将所述第一信用度信息和所述第二信用度信息作为目标信用度模型的输入参数输入所述目标信用度模型,得到第三输出参数,其中,所述目标信用度模型用于根据输入参数以及每个输入参数对应的第二权重获取输出参数,所述第三输出参数用于指示所述第一帐号为第一目标帐号的概率值;
根据输出参数与信用分值之间的对应关系确定所述输出参数对应的目标信用分值,其中,所述目标信用分值用于表示所述目标信用度。
9.根据权利要求8所述的方法,其特征在于,在根据所述第一特征信息确定所述第一帐号的所述第一信用度信息,并根据所述第二特征信息确定所述第二帐号的所述第二信用度信息之前,所述方法还包括:
获取第一训练帐号的第一训练数据以及由所述第一训练帐号的信用度信息确定的所述第一训练帐号的第一帐号类型,其中,所述第一训练帐号与所述第一帐号为具有相同属性的帐号;对第一目标训练模型进行训练,得到所述第一信用度模型,其中,所述第一目标训练模型与所述第一训练数据对应,在所述训练的过程中,将所述第一训练数据作为所述第一目标训练模型的输入参数,将所述第一训练帐号的第一帐号类型作为所述第一目标训练模型的输出参数;
获取第二训练帐号的第二训练数据以及由所述第二训练帐号的信用度信息确定的所述第二训练帐号的第二帐号类型,其中,所述第二训练帐号与所述第二帐号为具有相同属性的帐号;对第二目标训练模型进行训练,得到所述第二信用度模型,其中,所述第二目标训练模型与所述第二训练数据对应,在所述训练的过程中,将所述第二训练数据作为所述第二目标训练模型的输入参数,将所述第二训练帐号的第二帐号类型作为所述第二目标训练模型的输出参数。
10.根据权利要求9所述的方法,其特征在于,在根据所述第一信用度信息和所述第二信用度信息确定所述第一帐号的目标信用度之前,所述方法还包括:
将所述第一训练数据输入所述第一信用度模型,得到第一训练结果;
将所述第二训练数据输入所述第二信用度模型,得到第二训练结果;
根据所述第一训练结果与所述第一帐号类型之间的对应关系,以所述第一训练结果和所述第二训练结果作为输入参数对所述第二权重进行训练,得到所述目标信用度模型。
11.根据权利要求1至3中任一项所述的方法,其特征在于,获取第一帐号的第一特征信息,以及第二帐号的第二特征信息包括:
获取第三帐号登录的客户端发送的操作请求,其中,所述操作请求用于请求对所述第一帐号执行目标操作;
确定所述目标操作对应的操作类型;
在所述操作类型为目标类型的情况下,获取所述第一帐号的第一特征信息,以及所述第二帐号的第二特征信息。
12.根据权利要求11所述的方法,其特征在于,在根据所述第一信用度信息和所述第二信用度信息确定所述第一帐号的目标信用度之后,所述方法还包括:
在所述目标信用度高于或者等于预设信用度的情况下,响应所述操作请求向所述第三帐号登录的所述客户端发送第一指示信息,其中,所述第一指示信息用于指示允许所述第三帐号对所述第一帐号执行所述目标操作;
在所述目标信用度低于所述预设信用度的情况下,响应所述操作请求向所述第三帐号登录的所述客户端发送第二指示信息,其中,所述第二指示信息用于指示禁止所述第三帐号对所述第一帐号执行所述目标操作。
13.一种目标帐号的信用度确定装置,其特征在于,包括:
第一获取模块,用于获取第一帐号的第一特征信息,以及第二帐号的第二特征信息,其中,所述第一帐号为第一类型的帐号,所述第二帐号为第二类型的帐号,所述第一类型和所述第二类型为不同的帐号类型,所述第二帐号与所述第一帐号具有关联关系,所述第一特征信息包括用于确定所述第一帐号的信用度的属性特征,所述第二特征信息包括用于确定所述第二帐号的信用度的属性特征;
第一确定模块,用于根据所述第一特征信息确定所述第一帐号的第一信用度信息,并根据所述第二特征信息确定所述第二帐号的第二信用度信息;
第二确定模块,用于根据所述第一信用度信息和所述第二信用度信息确定所述第一帐号的目标信用度。
14.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序运行时执行上述权利要求1至12任一项中所述的方法。
15.一种电子装置,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器通过所述计算机程序执行上述权利要求1至12任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711184047.8A CN109829593B (zh) | 2017-11-23 | 2017-11-23 | 目标对象的信用度确定方法、装置、存储介质及电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711184047.8A CN109829593B (zh) | 2017-11-23 | 2017-11-23 | 目标对象的信用度确定方法、装置、存储介质及电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109829593A true CN109829593A (zh) | 2019-05-31 |
CN109829593B CN109829593B (zh) | 2023-05-16 |
Family
ID=66859047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711184047.8A Active CN109829593B (zh) | 2017-11-23 | 2017-11-23 | 目标对象的信用度确定方法、装置、存储介质及电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109829593B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443693A (zh) * | 2019-07-05 | 2019-11-12 | 深圳壹账通智能科技有限公司 | 数据处理方法、装置、计算机设备及存储介质 |
CN112422480A (zh) * | 2019-08-22 | 2021-02-26 | 腾讯科技(深圳)有限公司 | 帐号属性的确定方法和装置、存储介质及电子装置 |
CN115086270A (zh) * | 2022-07-28 | 2022-09-20 | 深圳市爱聊科技有限公司 | 用户社交的互动方法、平台、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104618416A (zh) * | 2014-03-13 | 2015-05-13 | 腾讯科技(深圳)有限公司 | 信用账户创建方法、装置及系统 |
US20150278941A1 (en) * | 2014-03-26 | 2015-10-01 | Wonga Technology Limited | Loan automation system |
CN104966229A (zh) * | 2014-12-30 | 2015-10-07 | 腾讯科技(深圳)有限公司 | 信息处理方法及信贷平台 |
US20160080944A1 (en) * | 2013-06-05 | 2016-03-17 | American Express Travel Related Services Company, Inc. | System and method for multi-factor mobile user authentication |
CN106056444A (zh) * | 2016-05-25 | 2016-10-26 | 腾讯科技(深圳)有限公司 | 数据处理方法和装置 |
CN107248114A (zh) * | 2017-06-01 | 2017-10-13 | 世纪禾光科技发展(北京)有限公司 | 电商贷款管理方法和系统 |
-
2017
- 2017-11-23 CN CN201711184047.8A patent/CN109829593B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160080944A1 (en) * | 2013-06-05 | 2016-03-17 | American Express Travel Related Services Company, Inc. | System and method for multi-factor mobile user authentication |
CN104618416A (zh) * | 2014-03-13 | 2015-05-13 | 腾讯科技(深圳)有限公司 | 信用账户创建方法、装置及系统 |
US20150278941A1 (en) * | 2014-03-26 | 2015-10-01 | Wonga Technology Limited | Loan automation system |
CN104966229A (zh) * | 2014-12-30 | 2015-10-07 | 腾讯科技(深圳)有限公司 | 信息处理方法及信贷平台 |
CN106056444A (zh) * | 2016-05-25 | 2016-10-26 | 腾讯科技(深圳)有限公司 | 数据处理方法和装置 |
CN107248114A (zh) * | 2017-06-01 | 2017-10-13 | 世纪禾光科技发展(北京)有限公司 | 电商贷款管理方法和系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443693A (zh) * | 2019-07-05 | 2019-11-12 | 深圳壹账通智能科技有限公司 | 数据处理方法、装置、计算机设备及存储介质 |
CN112422480A (zh) * | 2019-08-22 | 2021-02-26 | 腾讯科技(深圳)有限公司 | 帐号属性的确定方法和装置、存储介质及电子装置 |
CN112422480B (zh) * | 2019-08-22 | 2022-09-13 | 腾讯科技(深圳)有限公司 | 帐号属性的确定方法和装置、存储介质及电子装置 |
CN115086270A (zh) * | 2022-07-28 | 2022-09-20 | 深圳市爱聊科技有限公司 | 用户社交的互动方法、平台、设备及存储介质 |
CN115086270B (zh) * | 2022-07-28 | 2022-11-18 | 深圳市爱聊科技有限公司 | 用户社交的互动方法、平台、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109829593B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Multi-class misclassification cost matrix for credit ratings in peer-to-peer lending | |
Varian | Artificial intelligence, economics, and industrial organization | |
CA3118313A1 (en) | Methods and systems for improving machines and systems that automate execution of distributed ledger and other transactions in spot and forward markets for energy, compute, storage and other resources | |
CN106056444A (zh) | 数据处理方法和装置 | |
CN109285075A (zh) | 一种理赔风险评估方法、装置及服务器 | |
CN106447434A (zh) | 个人信用生态平台 | |
CN105283889A (zh) | 用于基于市场参与者的自动化决策的系统和方法 | |
Walker | Banking without banks: Exploring the disruptive effects of converging technologies that will shape the future of banking | |
KR102297669B1 (ko) | 제조사 및 유통사 간 연결을 위한 매칭 서비스 제공 시스템 | |
KR102024377B1 (ko) | 블록체인 기반 그룹에 부여된 신용평가를 이용한 여신 서비스 제공 방법 | |
CN110402570A (zh) | 信息处理方法和系统、服务器、终端、计算机存储介质 | |
Zhang et al. | Value of big data to finance: observations on an internet credit Service Company in China | |
Ali‐Hassan et al. | Comparing crowdsourcing initiatives: Toward a typology development | |
Gupta et al. | Prioritizing factors affecting the adoption of mobile financial services in emerging markets—a fuzzy AHP approach | |
CN109829593A (zh) | 目标对象的信用度确定方法、装置、存储介质及电子装置 | |
CN113642923A (zh) | 基于历史催收数据的不良资产包价值评估方法 | |
Khan et al. | Gray method for multiple attribute decision making with incomplete weight information under the pythagorean fuzzy setting | |
Wang et al. | Leveraging Multisource Heterogeneous Data for Financial Risk Prediction: A Novel Hybrid-Strategy-Based Self-Adaptive Method. | |
CN111429214A (zh) | 一种基于交易数据的买卖双方匹配方法及装置 | |
Chen et al. | Refined analysis and a hierarchical multi-task learning approach for loan fraud detection | |
CN108737138A (zh) | 服务提供方法及服务平台 | |
Bouzidi et al. | LSTM-based automated learning with smart data to improve marketing fraud detection and financial forecasting | |
Keles et al. | IBMMS decision support tool for management of bank telemarketing campaigns | |
CN107844874A (zh) | 企业营运问题分析系统及其方法 | |
CN116361542A (zh) | 产品推荐方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |