CN110070430A - 评估还款风险的方法及装置、存储介质、电子设备 - Google Patents

Abstract

本公开提供了一种评估还款风险的方法及装置，属于数据处理技术领域，该方法包括：当接收到请求对逾期还款主体的还款风险进行评估的请求时，获取所述逾期还款主体的信息；将所获取的所述逾期还款主体的信息输入预先训练完成的机器学习模型中，以得到该逾期还款主体是否为预定类型的判断结果；在所述判断结果为该逾期还款主体是预定类型的情况下，确定该逾期还款主体的还款能力值；根据该逾期还款主体的还款能力值，对该逾期还款主体进行还款风险评级。该方法提高了评估还款风险的准确率。

Description

评估还款风险的方法及装置、存储介质、电子设备

技术领域

本公开涉及数据处理技术领域，具体而言，涉及一种评估还款风险的方法、评估还款风险的装置、计算机可读存储介质以及电子设备。

背景技术

随着互联网金融业务的高速发展，网络借贷业务凭借着自身方便快捷的优点，越来越得到人们的认可，银行和贷款公司也推出了多种贷款业务供用户选择。

贷款申请速度快、只需提供证明材料即可得到资金，但同时贷款的催收也具有难度。大部分客户由于各种原因均会出现逾期还款的情况，银行和贷款公司收不回贷款则会影响公司的运营以及员工的收益。然而在清收过程中，由于客户较为分散、失联率高，使得银行和贷款公司的清收准度以及清收效率较低，且若客户逾期未还金额较小，采用传统的清收策略则会造成清收成本较高，清收收益低。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的实施例提供一种评估还款风险的方法、评估还款风险的装置、计算机可读存储介质以及电子设备。

根据本公开的第一方面，提供一种评估还款风险的方法，包括：

当接收到请求对逾期还款主体的还款风险进行评估的请求时，获取所述逾期还款主体的信息；

将所获取的所述逾期还款主体的信息输入预先训练完成的机器学习模型中，以得到该逾期还款主体是否为预定类型的判断结果；

在所述判断结果为该逾期还款主体是预定类型的情况下，确定该逾期还款主体的还款能力值；

根据该逾期还款主体的还款能力值，对该逾期还款主体进行风险评级。

在本公开的一示例性实施例中，所述根据该逾期还款主体的还款能力值，对该逾期还款主体进行风险评级包括：

当所述还款能力值大于或等于100％时，则该逾期还款主体的风险评级为低级风险；

当所述还款能力值大于或等于50％且小于100％时，则该逾期还款主体的风险评级为中级风险；

当所述还款能力值小于50％，则该逾期还款主体的风险评级为高级风险。

在本公开的一示例性实施例中，所述确定该逾期还款主体的还款能力值包括：

从系统用户数据库中获取该逾期还款主体的流动资产金额、固定资产金额和逾期未还金额；

将该逾期还款主体的流动资产金额与固定资产金额之和减去该逾期还款主体的逾期未还金额，得到该逾期还款主体的可用于还款金额；

将该逾期还款主体的可用于还款金额除以该逾期还款主体的逾期未还金额，得到该逾期还款主体的还款能力值。

在本公开的一示例性实施例中，所述获取所述逾期还款主体的信息包括：

从系统用户数据库中获取该逾期还款主体的逾期未还金额、逾期时间以及催收数据。

在本公开的一示例性实施例中，在根据该逾期还款主体的还款能力值，对该逾期还款主体进行风险评级之后，还包括：

根据该逾期还款主体的风险评级，确定针对该逾期还款主体的催收策略。

在本公开的一示例性实施例中，所述方法还包括：

将多个逾期还款主体的信息作为机器学习模型的样本输入，以对机器学习模型进行训练，其中每个逾期还款主体具有是预定类型或不是预定类型的对应标识；

通过调整机器学习模型的参数，使得机器学习模型针对每个逾期还款主体的信息的输出与该逾期还款主体的对应标识一致。

根据本公开的第二方面，提供一种评估还款风险的装置，包括：

获取模块，用于当接收到请求对逾期还款主体的还款风险进行评估的请求时，获取所述逾期还款主体的信息；

判断模块，用于将所获取的所述逾期还款主体的信息输入预先训练完成的机器学习模型中，以得到该逾期还款主体是否为预定类型的判断结果；

计算模块，用于在所述判断结果为该逾期还款主体是预定类型的情况下，确定该逾期还款主体的还款能力值；

评级模块，用于根据该逾期还款主体的还款能力值，对该逾期还款主体进行风险评级。

在本公开的一示例性实施例中，所述计算模块包括：

获取单元，用于从系统用户数据库中获取该逾期还款主体的流动资产金额、固定资产金额和逾期未还金额；

第一计算单元，用于将该逾期还款主体的流动资产金额与固定资产金额之和减去该逾期还款主体的逾期未还金额，得到该逾期还款主体的可用于还款金额；

第二计算单元，用于将该逾期还款主体的可用于还款金额除以该逾期还款主体的逾期未还金额，得到该逾期还款主体的还款能力值。

根据本公开的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任意一项所述的评估还款风险的方法。

根据本公开的第四方面，提供一种电子设备，包括：

处理器；以及

存储器，其上存储有计算机程序；

其中，所述处理器配置为经由执行所述计算机程序来执行如上述任意一项所述的评估还款风险的方法。

本公开的实施例提供的技术方案可以具有以下有益效果：

通过本公开的各实施例，将逾期还款主体的信息作为预先训练完成的机器学习模型的输入，由该机器学习模型输出该逾期还款主体是否为预定类型的判断结果。当该逾期还款主体为预定类型时，确定该逾期还款主体的还款能力值，并根据该逾期还款主体的还款能力值对该逾期还款主体进行风险评级。根据逾期还款主体的信息对该逾期还款主体是否为预定类型进行判断，使得判断结果更加准确，且基于逾期还款主体的还款能力值对该逾期还款主体进行还款风险评级，使得评级结果更加准确，贷款方通过该评级结果能够对逾期还款主体的还款能力有一个直观的了解。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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示出根据本公开一示例性实施例的评估还款风险的方法的应用场景示意图。

图2示出根据本公开一示例性实施方式的一种评估还款风险的方法的流程示意图。

图3示出根据本公开一示例性实施方式的图2的评估还款风险的方法还包括的确定还款能力值的流程示意图。

图4示出根据本公开一示例性实施例的一种评估还款风险的装置的示意组成框图。

图5示出根据本公开一示例性实施例的电子设备的示意组成框图。

图6示出根据本公开一示例性实施例的一种计算机可读存储介质的示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

请参阅图1，图1为根据本公开一示例性实施例的评估还款风险的方法的应用场景示意图，如图1中的实施例所示，示出了服务器、至少一个评估端和至少一个客户端，其中，客户端为客户直接操作的终端，该客户端可以是手机、手提电脑或者台式电脑等任何可与服务器通信并完成业务操作的计算设备。评估端可以为位置可移动的终端也可以为位置固定的终端，例如该评估端可以是手提电脑也可以是台式电脑等等。客户端和评估端均可以与服务器进行通信，例如客户可在客户端登陆并完成借款或者还款的操作，服务器记录该客户的操作记录以及相关的操作数据(例如借款金额或者还款金额等等)，评估端在评估时，可获取该服务器所记载的逾期未还主体的操作数据并完成该逾期未还主体的还款风险评级。

在一示例性实施方式中，提供了一种评估还款风险的方法，该方法可以运行于任意计算设备中，例如运行于终端或者服务器，也可以运行于服务器集群或者云服务器等，当然，本领域技术人员也可以根据需求在其他平台运行本公开的方法，本公开对此不做特殊限定。请参考图2，图2为根据本公开一示例性实施方式的一种评估还款风险的方法的流程示意图，如图2中的实施例所示，该示例性评估还款风险的方法包括：

步骤S210，当接收到请求对逾期还款主体的还款风险进行评估的请求时，获取所述逾期还款主体的信息。

逾期还款主体是指在规定时限内未履行还款责任的借款主体。逾期还款主体的信息是指与该逾期借款主体的借款记录相关的数据信息，例如借款金额、借款日期、逾期时间等等。

在一示例中，请求对逾期还款主体的还款风险进行评估的请求可以是由人工点击界面的特定区域而被发送的，例如人工点击“评估请求”按键等等。在另一示例中，请求对逾期还款主体的还款风险进行评估的请求可以是由系统自动检测是否有未被评估的逾期还款主体，若有则发送该请求。

在一示例性实施方式中，所述获取所述逾期还款主体的信息包括：

从系统用户数据库中获取该逾期还款主体的逾期未还金额、逾期时间以及催收数据。

其中，系统用户数据库是指由贷款方建立用于存储与用户借款相关的数据，该数据可以包括借款金额、借款时间、已还金额、未还金额、逾期未还金额以及贷款方已进行对逾期借款主体进行催收的次数等等，也可以包括用户借款的凭证例如流动资产金额和固定资产金额等等。

逾期未还金额是指该逾期还款主体在规定时限内还未偿还的借款，例如逾期还款主体借款6000元，在规定时限内还款4000元，则该逾期还款主体的逾期未还金额为2000元等等。

逾期时间是指超过规定时限且该逾期还款主体还未将借款偿还完毕的时间，例如逾期还款主体的规定时限为11月15日，当前时间为11月30日，若则逾期时间为15天等等。

催收数据是指贷款方(例如银行或者贷款公司等)对逾期还款主体进行催收的次数，每进行一次催收则催收次数累加一。在一示例中，催收数据包括电话催收次数、上门催收次数以及司法催收次数。将催收数据划分为电话催收次数、上门催收次数以及司法催收次数，不同的催收方式具有不同的级别，可以占据不同的权重。例如：电话催收级别最低，上门催收级别较高，司法催收级别最高，则司法催收次数的权重最高，上门催收的权重次之，电话催收的权重最低。根据不同催收方式的权重，能够使得在后续的机器学习模型判断中，使得机器学习模型的判断结果更具准确性。

步骤S220，将所获取的所述逾期还款主体的信息输入预先训练完成的机器学习模型中，以得到该逾期还款主体是否为预定类型的判断结果。

预定类型是指该逾期还款主体属于严重逾期未还的情况，当该逾期还款主体被机器学习模型判断为预定类型时，则代表着应对该逾期还款主体采取催收或者提升催收方式的等级，例如由原本的不催收上升为电话催收等等。

在一示例性实施方式中，在将所获取的所述逾期还款主体的信息输入预先训练完成的机器学习模型中，以得到该逾期还款主体是否为预定类型的判断结果之前，所述方法还包括：

将多个逾期还款主体的信息作为机器学习模型的样本输入，以对机器学习模型进行训练，其中每个逾期还款主体具有是预定类型或不是预定类型的对应标识；

通过调整机器学习模型的参数，使得机器学习模型针对每个逾期还款主体的信息的输出与该逾期还款主体的对应标识一致。

其中，作为样本的多个逾期还款主体的信息具有是预定类型或不是预定类型的对应标识，在一示例中，可以将每一逾期还款主体的信息显示在显示界面上，由专业人员来判定该逾期还款主体的信息是预定类型或不是预定类型，然后，接收专业人员在显示界面上的输入，该输入作为对应逾期还款主体的标识。

步骤S230，在所述判断结果为该逾期还款主体是预定类型的情况下，确定该逾期还款主体的还款能力值。

还款能力值是指基于逾期还款主体的经济状况，对该逾期还款主体的还款能力的估值。

请参阅图3，图3为根据本公开一示例性实施方式的图2的评估还款风险的方法还包括的确定还款能力值的流程示意图，如图3的实施例所示，所述确定该逾期还款主体的还款能力值包括：

步骤S310，从系统用户数据库中获取该逾期还款主体的流动资产金额、固定资产金额和逾期未还金额。

其中，流动资产金额是指包括存款、理财产品、合法收入以及保险等可用于变现或者耗用的资金金额，其中合法收入可以是工资也可以是可得利益的划分(例如企业分红等等)。固定资产金额是指包括房产、车辆等非货币性资产金额，在一示例中，所述固定资产金额由专业评估人员对借款人员提供的固定资产凭证(例如房产证或者车辆行驶证等)进行估值并输入评估金额。

步骤S320，将该逾期还款主体的流动资产金额与固定资产金额之和减去该逾期还款主体的逾期未还金额，得到该逾期还款主体的可用于还款金额。

通过将逾期还款主体的流动资产金额与固定资产金额之和减去该逾期还款主体的逾期未还金额，得出该逾期还款主体除却逾期未还金额外还能够支配的金额数据，以此计算得出的可用于还款金额相比于直接将该逾期还款主体的流动资产金额和固定资产金额之和作为该逾期还款主体的可用于还款金额，更符合该逾期还款主体的可支配金额数，使得后续的该逾期还款主体的还款能力值更具准确性。

步骤S330，将该逾期还款主体的可用于还款金额除以该逾期还款主体的逾期未还金额，得到该逾期还款主体的还款能力值。

例如：某一逾期还款主体的流动资产金额为60000元，该逾期还款主体的固定资产金额为500000元，该逾期还款主体的逾期未还金额为300000元，则该逾期还款主体的可用于还款金额为：

500000+60000-300000＝260000元。

进而该逾期还款主体的还款能力值为260000/300000≈86.7％。

通过计算逾期还款主体的可用于还款金额占该逾期还款主体的逾期未还金额的比例，得出该逾期还款主体的还款能力值，因此该还款能力值能够准确反映该逾期还款主体对逾期未还金额的偿还能力。

步骤S240，根据该逾期还款主体的还款能力值，对该逾期还款主体进行还款风险评级。

还款风险评级是指基于每一逾期还款主体的还款能力值对该逾期还款主体的还款风险进行等级划分。还款风险等级越高则代表着该逾期还款主体的还款能力越低。

在一示例性实施方式中，所述根据该逾期还款主体的还款能力值，对该逾期还款主体进行还款风险评级包括：

当所述还款能力值大于或等于100％时，则该逾期还款主体的还款风险评级为低级风险。

当所述还款能力值大于或等于50％且小于100％时，则该逾期还款主体的还款风险评级为中级风险。

当所述还款能力值小于50％，则该逾期还款主体的还款风险评级为高级风险。

例如：当还款能力值为35％时，由于该还款能力值小于50％，因此对应的逾期还款主体的还款风险评级为高级风险等等。

不同级别的风险评级代表着不同的还款风险，基于逾期还款主体的还款能力值对逾期还款主体的还款风险进行评级，使得贷款方能够对该逾期还款主体的还款能力有一个直观的了解，贷款方能够根据不同的还款风险级别采取不同的催收方式，使得催收更加高效。

在一示例性实施方式中，在根据该逾期还款主体的还款能力值，对该逾期还款主体进行还款风险评级之后，所述方法还包括：

根据该逾期还款主体的还款风险评级，确定针对该逾期还款主体的催收策略。

催收策略是指贷款方对逾期还款主体采取的催收方式，在一示例中，催收策略可以是单一催收方式，例如电话催收、上门催收或者司法催收等等。在另一示例中，催收策略可以是多种催收方式结合，例如电话催收与上门催收同时进行等等。

在一示例性实施方式中，所述根据该逾期还款主体的还款风险评级，确定针对该逾期还款主体的催收策略包括：

当该逾期还款主体的还款风险评级为高级风险时，提高对该逾期还款主体的催收策略的等级。(例如由现在的电话催收上升至上门催收、或者由原本的电话催收上升至电话催收与上门催收相结合等等。)

当该逾期还款主体的还款风险评级为中级风险时，保持对该逾期还款主体的催收策略的等级。(例如保持原有的电话催收等等)

当该逾期还款主体的还款风险评级为低级风险时，降低对该逾期还款主体的催收策略的等级。(例如由原本的上门催收降低为电话催收、或者电话催收和上门催收相结合的降低为上门催收等等。)

本公开实施例还提供了一种评估还款风险的装置。参考图4所示，该示例性评估还款风险的装置可以包括获取模块410、判断模块420、计算模块430以及评级模块440。其中：

获取模块410用于当接收到请求对逾期还款主体的还款风险进行评估的请求时，获取所述逾期还款主体的信息；

判断模块420用于将所获取的所述逾期还款主体的信息输入预先训练完成的机器学习模型中，以得到该逾期还款主体是否为预定类型的判断结果；

计算模块430用于在所述判断结果为该逾期还款主体是预定类型的情况下，确定该逾期还款主体的还款能力值；

评级模块440用于根据该逾期还款主体的还款能力值，对该逾期还款主体进行还款风险评级。

在一示例性实施方式中，所述计算模块430可以包括但不限于获取单元、第一计算单元和第二计算单元，其中：

获取单元用于从系统用户数据库中获取该逾期还款主体的流动资产金额、固定资产金额和逾期未还金额；

第一计算单元用于将该逾期还款主体的流动资产金额与固定资产金额之和减去该逾期还款主体的逾期未还金额，得到该逾期还款主体的可用于还款金额；

第二计算单元用于将该逾期还款主体的可用于还款金额除以该逾期还款主体的逾期未还金额，得到该逾期还款主体的还款能力值。

上述评估还款风险的装置中各模块的具体细节已经在对应的评估还款风险的方法中进行了详细的描述，因此此处不再赘述。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

根据一个示例性实施例，该装置可被实现为一种电子设备，该电子设备包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序在被所述处理器执行时，使得所述处理器执行如上所述的各方法实施例中的任一个，或者，所述计算机程序在被所述处理器执行时使得该电子设备实现如上所述的装置各实施例的组成单元/模块所实现的功能。

上面的实施例中所述的处理器可以指单个的处理单元，如中央处理单元CPU，也可以是包括多个分散的处理单元的分布式处理器系统。

上面的实施例中所述的存储器可以包括一个或多个存储器，其可以是计算设备的内部存储器，例如暂态或非暂态的各种存储器，也可以是通过存储器接口连接到计算设备的外部存储装置。

下面参照图5来描述根据本发明的这种实施方式的电子设备500。图5显示的电子设备500仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：上述至少一个处理单元510、上述至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元510执行，使得所述处理单元510执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元510可以执行如图2中所示的步骤S210：当接收到请求对逾期还款主体的还款风险进行评估的请求时，获取所述逾期还款主体的信息；步骤S220：将所获取的所述逾期还款主体的信息输入预先训练完成的机器学习模型中，以得到该逾期还款主体是否为预定类型的判断结果；步骤S230：在所述判断结果为该逾期还款主体是预定类型的情况下，确定该逾期还款主体的还款能力值；步骤S240：根据该逾期还款主体的还款能力值，对该逾期还款主体进行还款风险评级。

存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)5201和/或高速缓存存储单元5202，还可以进一步包括只读存储单元(ROM)5203。

存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204，这样的程序模块5205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备500也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备500交互的设备通信，和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行。并且，电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器560通过总线530与电子设备500的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。

参考图6所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品600，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言-诸如Java、C++等，还包括常规的过程式程序设计语言-诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

Claims (10)

1.一种评估还款风险的方法，其特征在于，包括：

当接收到请求对逾期还款主体的还款风险进行评估的请求时，获取所述逾期还款主体的信息；

将所获取的所述逾期还款主体的信息输入预先训练完成的机器学习模型中，以得到该逾期还款主体是否为预定类型的判断结果；

在所述判断结果为该逾期还款主体是预定类型的情况下，确定该逾期还款主体的还款能力值；

根据该逾期还款主体的还款能力值，对该逾期还款主体进行还款风险评级。

2.根据权利要求1所述的评估还款风险的方法，其特征在于，所述根据该逾期还款主体的还款能力值，对该逾期还款主体进行还款风险评级包括：

当所述还款能力值大于或等于100％时，则该逾期还款主体的还款风险评级为低级风险；

当所述还款能力值大于或等于50％且小于100％时，则该逾期还款主体的还款风险评级为中级风险；

当所述还款能力值小于50％，则该逾期还款主体的还款风险评级为高级风险。

3.根据权利要求1所述的评估还款风险的方法，其特征在于，所述确定该逾期还款主体的还款能力值包括：

从系统用户数据库中获取该逾期还款主体的流动资产金额、固定资产金额和逾期未还金额；

将该逾期还款主体的流动资产金额与固定资产金额之和减去该逾期还款主体的逾期未还金额，得到该逾期还款主体的可用于还款金额；

将该逾期还款主体的可用于还款金额除以该逾期还款主体的逾期未还金额，得到该逾期还款主体的还款能力值。

4.根据权利要求1所述的评估还款风险的方法，其特征在于，所述获取所述逾期还款主体的信息包括：

从系统用户数据库中获取该逾期还款主体的逾期未还金额、逾期时间以及催收数据。

5.根据权利要求1所述的评估还款风险的方法，其特征在于，在根据该逾期还款主体的还款能力值，对该逾期还款主体进行还款风险评级之后，还包括：

根据该逾期还款主体的还款风险评级，确定针对该逾期还款主体的催收策略。

6.根据权利要求1所述的评估还款风险的方法，其特征在于，还包括：

将多个逾期还款主体的信息作为机器学习模型的样本输入，以对机器学习模型进行训练，其中每个逾期还款主体具有是预定类型或不是预定类型的对应标识；

通过调整机器学习模型的参数，使得机器学习模型针对每个逾期还款主体的信息的输出与该逾期还款主体的对应标识一致。

7.一种评估还款风险的装置，其特征在于，包括：

获取模块，用于当接收到请求对逾期还款主体的还款风险进行评估的请求时，获取所述逾期还款主体的信息；

判断模块，用于将所获取的所述逾期还款主体的信息输入预先训练完成的机器学习模型中，以得到该逾期还款主体是否为预定类型的判断结果；

计算模块，用于在所述判断结果为该逾期还款主体是预定类型的情况下，确定该逾期还款主体的还款能力值；

评级模块，用于根据该逾期还款主体的还款能力值，对该逾期还款主体进行还款风险评级。

8.根据权利要求7所述的评估还款风险的装置，其特征在于，所述计算模块包括：

获取单元，用于从系统用户数据库中获取该逾期还款主体的流动资产金额、固定资产金额和逾期未还金额；

第一计算单元，用于将该逾期还款主体的流动资产金额与固定资产金额之和减去该逾期还款主体的逾期未还金额，得到该逾期还款主体的可用于还款金额；

第二计算单元，用于将该逾期还款主体的可用于还款金额除以该逾期还款主体的逾期未还金额，得到该逾期还款主体的还款能力值。

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，所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的评估还款风险的方法。

10.一种电子设备，其特征在于，包括：

处理器；以及

存储器，其上存储有计算机程序；

其中，所述处理器被配置为经由执行所述计算机程序来执行如权利要求1-6中任一项所述的评估还款风险的方法。