CN110322341B - 信用标签的确定方法和装置 - Google Patents

Abstract

本说明书实施例公开了一种信用标签的确定方法和装置，该方法包括：基于用户在信用消费成功后的第一预定时段内的信用特征数据，确定所述用户的多个第一信用标签；将包含所述多个第一信用标签的样本数据输入信用标签生成模型，以得到所述用户在信用消费成功后的第二预定时段后的第二信用标签；其中，所述信用标签生成模型基于多个历史用户在历史信用消费成功后的第一预定时段内的多个第一信用标签及第二预定时段后的第二信用标签训练得到，所述第二预定时段大于所述第一预定时段。本说明书实施例还公开了另外一种信用标签的确定方法和装置。

Description

信用标签的确定方法和装置

技术领域

本说明书实施例涉及互联网技术领域，尤其涉及一种信用标签的确定方法和装置。

背景技术

随着互联网技术的蓬勃发展，互联网金融领域也得到了快速发展，各种信贷平台不断涌现。通过上述信贷平台，用户在满足资质的条件下可以快速申请到一定金额的贷款，方便用户的资金流转。

信贷平台可以在贷款支用前和贷款支用成功后对用户进行逾期预测。通过贷款支用前对贷款申请用户进行逾期预测，以给能够及时还款的用户放贷，拒绝给没有还款能力的用户或者是诈骗用户放贷；通过贷款支用成功后对贷款用户进行逾期预测，以对贷款(通常是预测将会逾期的贷款)进行及时催收，以提高资金的安全性，减少信贷平台的资金损失。

目前，信贷平台大都是基于信用预测模型进行逾期预测，上述信用预测模型的训练以及迭代更新过程中需要大量的具有信用标签的样本用户数据，上述信用标签可以是逾期或未逾期。但是，由于用户从贷款支用成功到确定实际逾期(或未逾期)的时间间隔(通常是90天或更长)较长，信用标签的获取周期较长，不能满足信用预测模型的训练要求或迭代更新要求。

发明内容

本说明书实施例提供一种信用标签的确定方法和装置，用于解决信用标签获取周期长的问题。

本说明书实施例采用下述技术方案：

第一方面，提供了一种信用标签的确定方法，包括：

基于用户在信用消费成功后的第一预定时段内的信用特征数据，确定所述用户的多个第一信用标签；

将包含所述多个第一信用标签的样本数据输入信用标签生成模型，以得到所述用户在信用消费成功后的第二预定时段后的第二信用标签；

其中，所述信用标签生成模型基于多个历史用户在历史信用消费成功后的第一预定时段内的多个第一信用标签及第二预定时段后的第二信用标签训练得到，所述第二预定时段大于所述第一预定时段。

第二方面，提供了一种信用标签的确定方法，包括：

基于用户在信用消费成功后的第一预定时段内的信用特征数据，确定所述用户的多个第一信用标签；

获取所述用户在信用消费成功后的第二预定时段后的第二信用标签；

基于所述多个第一信用标签及所述第二信用标签进行模型训练，以得到信用标签生成模型；其中，所述信用标签生成模型用于基于在目标用户信用消费成功后的第一预定时段内的多个第一信用标签，得到所述目标用户在信用消费成功后的第二预定时段后的第二信用标签。

第三方面，提供了信用标签的确定装置，包括：

第一确定模块，基于用户在信用消费成功后的第一预定时段内的信用特征数据，确定所述用户的多个第一信用标签；

第二确定模块，将包含所述多个第一信用标签的样本数据输入信用标签生成模型，以得到所述用户在信用消费成功后的第二预定时段后的第二信用标签；

其中，所述信用标签生成模型基于多个历史用户在历史信用消费成功后的第一预定时段内的多个第一信用标签及第二预定时段后的第二信用标签训练得到，所述第二预定时段大于所述第一预定时段。

第四方面，提供了一种信用标签的确定装置，包括：

第一确定模块，基于用户在信用消费成功后的第一预定时段内的信用特征数据，确定所述用户的多个第一信用标签；

第二确定模块，获取所述用户在信用消费成功后的第二预定时段后的第二信用标签；

模型训练模块，基于所述多个第一信用标签及所述第二信用标签进行模型训练，以得到信用标签生成模型；其中，所述信用标签生成模型用于基于在目标用户信用消费成功后的第一预定时段内的多个第一信用标签，得到所述目标用户在信用消费成功后的第二预定时段后的第二信用标签。

第五方面，提供了一种电子设备，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，所述计算机程序被所述处理器执行时实现如下操作：

基于用户在信用消费成功后的第一预定时段内的信用特征数据，确定所述用户的多个第一信用标签；

将包含所述多个第一信用标签的样本数据输入信用标签生成模型，以得到所述用户在信用消费成功后的第二预定时段后的第二信用标签；

其中，所述信用标签生成模型基于多个历史用户在历史信用消费成功后的第一预定时段内的多个第一信用标签及第二预定时段后的第二信用标签训练得到，所述第二预定时段大于所述第一预定时段。

第六方面，提供了一种电子设备，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，所述计算机程序被所述处理器执行时实现如下操作：

基于用户在信用消费成功后的第一预定时段内的信用特征数据，确定所述用户的多个第一信用标签；

获取所述用户在信用消费成功后的第二预定时段后的第二信用标签；

基于所述多个第一信用标签及所述第二信用标签进行模型训练，以得到信用标签生成模型；其中，所述信用标签生成模型用于基于在目标用户信用消费成功后的第一预定时段内的多个第一信用标签，得到所述目标用户在信用消费成功后的第二预定时段后的第二信用标签。

第七方面，提供了一种计算机可读存储介质，所述计算机可读存储介质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下操作：

基于用户在信用消费成功后的第一预定时段内的信用特征数据，确定所述用户的多个第一信用标签；

将包含所述多个第一信用标签的样本数据输入信用标签生成模型，以得到所述用户在信用消费成功后的第二预定时段后的第二信用标签；

其中，所述信用标签生成模型基于多个历史用户在历史信用消费成功后的第一预定时段内的多个第一信用标签及第二预定时段后的第二信用标签训练得到，所述第二预定时段大于所述第一预定时段。

第八方面，提供了一种计算机可读存储介质，所述计算机可读存储介质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下操作：

基于用户在信用消费成功后的第一预定时段内的信用特征数据，确定所述用户的多个第一信用标签；

获取所述用户在信用消费成功后的第二预定时段后的第二信用标签；

基于所述多个第一信用标签及所述第二信用标签进行模型训练，以得到信用标签生成模型；其中，所述信用标签生成模型用于基于在目标用户信用消费成功后的第一预定时段内的多个第一信用标签，得到所述目标用户在信用消费成功后的第二预定时段后的第二信用标签。

本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：基于用户在信用消费成功后的第一预定时段内的信用特征数据，确定用户的多个第一信用标签，该第一信用标签可以是弱标签；然后将包含多个第一信用标签的样本数据输入信用标签生成模型，以得到用户在信用消费成功后的第二预定时段后的第二信用标签，第二预定时段大于第一预定时段。本说明书实施例由于无需等到第二预定时段，在第一预定时段即可得到用户的信用标签，大大缩短了信用标签的获取周期，提高了信用标签的获取效率。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本说明书的一个实施例提供的信用标签的确定方法流程示意图；

图2为本说明书的一个实施例提供的信用标签的确定方法具体应用示意图；

图3为本说明书的另一个实施例提供的信用标签的确定方法流程示意图；

图4为本说明书的一个实施例提供的信用标签的确定装置结构示意图；

图5为本说明书的另一个实施例提供的信用标签的确定装置结构示意图；

图6为实现本说明书各个实施例的电子设备硬件结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本申请保护的范围。

如图1所示，本说明书的一个实施例提供一种信用标签的确定方法100，包括如下步骤：

S102：基于用户在信用消费成功后的第一预定时段内的信用特征数据，确定用户的多个第一信用标签。

上述信用消费，具体可以是网络贷款，先收货后付款的购物项目，或先消费后付款的信用消费项目等，该实施例后续以信用消费是网络贷款(简称贷款)为例进行说明。后续提到的贷款逾期，即贷款未能在规定的时间内偿还。

该步骤中提到的信用消费成功，即用户贷款支用成功。

上述信用特征数据通常是与用户的贷款是否逾期相关的数据，其中，上述信用特征数据是在用户的贷款支用成功后的第一预定时段内得到的。在该实施例执行之前，用户通常是通过信贷平台成功申请到一笔贷款。该实施例提供的方法可以是由信贷平台的服务器执行，上述服务器在用户的贷支用成功的时刻起，即可监测并获取用户的信用特征数据，直至第一预定时段结束。

该处提到第一预定时段，后续步骤中还会提到第二预设时段，上述第二预定时段大于所述第一预定时段。可选地，上述第二预定时段的结束时间可以是确定贷款实际逾期的时间点。在实际应用过程中，上述第一预定时段通常为贷款支用成功后的7天，确定贷款实际逾期通常需要90天的时间，上述第二预定时段通常为贷款支用成功后的90天或之后更久。

上述提到信用特征数据是与贷款是否逾期相关的数据，通过上述信用特征数据即可确定用户的多个第一信用标签，第一信用标签可以称作是弱标签，第一信用标签能够在一定程度上反映上述贷款是否逾期，但准确性不是太高。具体地，第一信用标签可以是逾期或不逾期。

可选地，上述信用特征数据包括下述至少一种：

1)上述贷款的贷款申请环节的模型分值。

通常，用户通过信贷平台申领贷款时，信贷平台可以基于用户的信用等级、历史贷款的逾期情况、收入来源情况、贷款的使用用途等得到模型分值。上述模型分值越高，贷款逾期的可能性就越低；反之，上述模型分值低，贷款逾期的可能性就越高。

在一个具体的实施例中，上述模型分值高于预设分值，得到的第一信用标签是不逾期；上述模型分值低于或等于预设分值，得到的第一信用标签是逾期。

2)用户的用户价值分值。

通常，用户的用户价值分值越高，贷款逾期的可能性就越低；反之，用户的用户价值分值越低，贷款逾期的可能性就越高。用户的用户价值分值通常与用户的学历、固定资产金额、人脉等因素相关。

在一个具体的实施例中，上述用户价值分值高于预设分值，得到的第一信用标签是不逾期；上述用户价值分值低于或等于预设分值，得到的第一信用标签是逾期。

3)用户的多头借贷情况。

可以理解，用户同时贷款的笔数越多，贷款逾期的可能性也就越高；用户贷款之外的其它贷款金额越多，贷款逾期的可能性也就越高。

在一个具体的实施例中，上述同时贷款的笔数高于预设数值，且同时贷款的总金额高于预设金额，得到的第一信用标签是逾期；上述同时贷款的笔数低于或等于预设数值或同时贷款的总金额低于或等于预设金额，得到的第一信用标签是不逾期。

4)用户的经营收款情况。

可以理解，用户的经营收款金额越多，贷款逾期的可能性也就越低；反之用户的经营收款金额越少，贷款逾期的可能性也就越高。

在一个具体的实施例中，上述经营收款金额高于预设金额，得到的第一信用标签是不逾期；上述经营收款金额低于或等于预设金额，得到的第一信用标签是逾期。

5)用户的账户活跃度。

可以理解，用户的账户活跃度越高，贷款逾期的可能性也就越低；反之，用户的账户活跃度越低，贷款逾期的可能性也就越高。其中，用户的账户活跃度包括转账次数、转账用户数、登陆次数等。

在一个具体的实施例中，上述账户活跃度满足一定的活跃条件，得到的第一信用标签是不逾期；上述账户活跃度不满足活跃条件，得到的第一信用标签是逾期。

6)用户所述贷款之外的贷款的逾期情况。

可以理解，用户其它贷款逾期次数越多，该贷款逾期的可能性也就越高；其它贷款逾期次数越少，该贷款逾期的可能性也就越低。

在一个具体的实施例中，用户其它贷款逾期次数高于预设次数，得到的第一信用标签是逾期；，用户其它贷款逾期次数低于或等于与预设次数，得到的第一信用标签是不逾期。

S104：将包含多个第一信用标签的样本数据输入信用标签生成模型，以得到用户在信用消费成功后的第二预定时段后的第二信用标签。

其中，上述信用标签生成模型基于多个历史用户在历史信用消费成功后的第一预定时段内的多个第一信用标签及第二预定时段后的第二信用标签训练得到，所述第二预定时段大于所述第一预定时段。

在该实施例执行之前，可以预先基于多个历史用户在历史信用消费成功后的第一预定时段内的多个第一信用标签及第二预定时段后的第二信用标签进行模型训练，以得到上述信用标签生成模型。

该实施例中的信用标签生成模型，可以基于多个弱标签得到一个强标签。其中，上述弱标签即上述提到的第一信用标签，上述强标签即第二信用标签，第二标签能够比较真实地标识用户的该笔贷款在未来是否逾期。第二标签具体可以是标识用户贷款将会逾期，或者是将会不逾期。

上述信用标签生成模型具体可以是一个生成模型(Generative Model)，生成模型能够推测出是数据如何产生的，具体的，能够推测出样本数据的联合概率分布P(X，Y)。上述生成模型具体可以是高斯混合模型Gaussian Mixture Model或生成式模型GAN等。

可选地，该实施例中输入生成模型的样本数据不仅包括有上述多个第一信用标签，还可以包括有其他数据，例如，第一预定时段内的信用特征数据，用用户的信用等级、历史贷款的逾期情况、用户的收入来源情况、贷款的使用用途等等。

本说明书实施例提供的信用标签的确定方法，基于用户在信用消费成功后的第一预定时段内的信用特征数据，确定用户的多个第一信用标签，该第一信用标签可以是弱标签，然后将包含多个第一信用标签的样本数据输入信用标签生成模型，以得到用户在信用消费成功后的第二预定时段后的第二信用标签，第二预定时段大于第一预定时段。本说明书实施例由于无需等到第二预定时段，在第一预定时段即可得到用户的信用标签，大大缩短了信用标签的获取周期，提高了信用标签的获取效率。

可选地，上述实施实例100得到用户在信用消费成功后的第二预定时段后的第二信用标签之后，所述方法还可以包括如下步骤：基于第二信用标签进行模型训练，以得到信用预测模型；其中，所述信用预测模型用于基于第一目标用户的信用消费请求，预测所述第一目标用户请求的信用消费是否履约，该处提到的信用消费是否履约具体可以是申请的贷款未来是否逾期。

该处提到的进行模型训练，包括信用预测模型的训练生成过程以及迭代更新过程。模型训练过程中除了用到第二信用标签之外，还可以包括用户的其他数据，例如，用户的信用等级、历史贷款的逾期情况、收入来源情况等等。

可选地，上述实施例基于所述第二信用标签进行模型训练，以得到信用预测模型之后，所述方法还可以包括如下步骤：在接收到第一目标用户的信用消费请求后，预测所述第一目标用户请求的信用消费未来是否将会履约；基于预测结果判定是允许或拒绝所述第一目标用户的信用消费。

上述实施例中提到的信用预测模型，具体可以应用在用户的贷款申请过程中，如果信用预测模型预测用户申请的贷款在未来逾期的概率大于预设阈值，则可以直接拒绝该贷款申请；如果预测用户申请的贷款逾期的概率小于预设阈值，则可以同意该贷款申请。

可选地，基于所述第二信用标签进行模型训练，以得到信用预测模型之后，所述方法还可以包括如下步骤：

基于第二目标用户在信用消费被拒绝后的第一预定时段内的信用特征数据，确定所述第二目标用户的多个第一信用标签；其中，所述信用消费被拒绝是根据所述信用预测模型的输出结果判定的；

将所述第二目标用户的包含所述多个第一信用标签的样本数据输入信用标签生成模型，以得到所述第二目标用户的第二信用标签；

基于所述第二目标用户的第二信用标签对所述信用预测模型进行评估。

该实施方式通过信用标签生成模型，能够对贷款被拒绝的用户进行贷款(该用户申请的贷款被拒绝，该处进行预测时是假设用户的贷款支用成功)是否逾期的预测，从而对信用预测模型进行评估，能够有效地提升信用预测模型的预测效率，降低假阳性或假阴性。

可选地，上述实施例100中，得到所述用户在信用消费成功后的第二预定时段后的第二信用标签之后，若所述第二信用标签标识所述信用消费在第二预定时段后不会履约，即用户贷款将会逾期，则所述方法还还可以包括如下步骤：

选择所述信用消费对应的催收渠道，并基于所述催收渠道对所述用户进行催收处理；所述催收渠道包括下述至少一种：短信催收、邮件催收、信函催收和自助语音催收。若催收失败，则按照预设的催收渠道调整规则，调整所述催收渠道以再次对所述用户进行催收处理。该实施方式能够及时调整催收渠道，必要时进行人工催收，以减少等待期，提升催收效率，提高信贷平台的资金的回笼率，减少信贷平台的资金损失。

为详细说明上述实施例提供的信用标签的确定方法，以下将结合一个具体的实施例进行说明。如图2所示，图2是该实施例的应用流程示意图，以下将结合图2对该实施例进行介绍。

如图2所示，在贷款支用环节，用户可以向贷款平台申请贷款，然后支用环节风控体系对用户申请的贷款进行决策，具体可以通过前文实施例中提到信用预测模型对用户请求的贷款是否将会逾期进行预测等。

如果用户请求的贷款被拒绝，则用户的相关数据将会保留在拒绝池；如果用户请求的贷款被允许，即用户贷款支用成功，即可通过7天的观察期，获取用户在观察期内的信用特征数据，并基于该信用特征数据确定用户的多个第一信用标签，具体的确定过程可以参见实施例100的介绍。

得到用户的多个第一信用标签之后，即可将包含多个第一信用标签的用户数据输入信用标签生成模型，以得到用户的第二信用标签，第二标签能够比较真实地反映贷款是否逾期。具体见图2中的弱监督标签生成&逾期预测模块。

得到所述用户的第二信用标签之后，若所述第二信用标签标识用户的到款将会逾期，则可以选择对应的催收渠道，并基于所述催收渠道对所述用户进行催收处理，具体见图2中的高危提前入催。

实际应用过程中，当用户经过90天的观察期确定实际逾期后，还可以基于用户数据进行策略&模型迭代，以提高信用预测模型的准确率。

可选地，对于拒绝池中的贷款被拒绝的用户，还可以得到被拒绝用户7天内的信用特征数据，确定贷款被拒绝用户的多个第一信用标签；其中，贷款被拒绝是根据信用预测模型的输出结果判定的；将包含所述多个第一信用标签的用户数据输入信用标签生成模型，以得到贷款被拒绝的用户第二信用标签；基于第二信用标签对信用预测模型进行评估。具体见图2中的策略&模型迭代/拒绝推断，通过上述操作能够优化信用预测模型假阴性和假阳性，提高信用预测模型预测结果的准确性；同时对被拒绝的合理性进行分析，以提高信用预测模型预测结果的准确性。

上述多个实施例中均提到信用标签生成模型，可选地，本说明书实施例还提供一种信用标签的确定方法，可以用来生成上述信用标签生成模型，如图3所示，该实施例300包括如下步骤：

S302：基于用户在信用消费成功后的第一预定时段内的信用特征数据，确定用户的多个第一信用标签；

S304：获取用户在信用消费成功后的第二预定时段后的第二信用标签；

S306：基于上述多个第一信用标签及上述第二信用标签进行模型训练，以得到信用标签生成模型。

其中，所述信用标签生成模型用于基于在目标用户信用消费成功后的第一预定时段内的多个第一信用标签，得到所述目标用户在信用消费成功后的第二预定时段后的第二信用标签。

该实施例的执行细节可以参见前文实施例100。

本说明书实施例提供的信用标签的确定方法，基于用户在信用消费成功后的第一预定时段内的信用特征数据，确定用户的多个第一信用标签，该第一信用标签可以是弱标签，然后获取用户在信用消费成功后的第二预定时段后的第二信用标签，并基于第一信用标签及第二信用标签进行模型训练，以得到信用标签生成模型。本说明书实施例得到的信用标签生成模型，无需等到第二预定时段，在第一预定时段即可得到用户的信用标签，大大缩短了信用标签的获取周期，提高了信用标签的获取效率。

以上说明书部分详细介绍了信用标签的确定方法实施例，如图4所示，本说明书还提供了一种信用标签的确定装置400，如图4所示，该装置400包括：

第一确定模块402，可以用于基于用户在信用消费成功后的第一预定时段内的信用特征数据，确定所述用户的多个第一信用标签；

第二确定模块404，可以用于将包含所述多个第一信用标签的样本数据输入信用标签生成模型，以得到所述用户在信用消费成功后的第二预定时段后的第二信用标签；

其中，所述信用标签生成模型基于多个历史用户在历史信用消费成功后的第一预定时段内的多个第一信用标签及第二预定时段后的第二信用标签训练得到，所述第二预定时段大于所述第一预定时段。

本说明书实施例提供的信用标签的确定装置，基于用户在信用消费成功后的第一预定时段内的信用特征数据，确定用户的多个第一信用标签，该第一信用标签可以是弱标签，然后将包含多个第一信用标签的样本数据输入信用标签生成模型，以得到用户在信用消费成功后的第二预定时段后的第二信用标签，第二预定时段大于第一预定时段。本说明书实施例由于无需等到第二预定时段，在第一预定时段即可得到用户的信用标签，大大缩短了信用标签的获取周期，提高了信用标签的获取效率。

可选地，作为一个实施例，所述装置400还包括模型训练模块，可以用于基于所述第二信用标签进行模型训练，以得到信用预测模型；

其中，所述信用预测模型用于基于第一目标用户的信用消费请求，预测所述第一目标用户请求的信用消费是否履约。

可选地，作为一个实施例，所述装置400还包括预测模块，可以用于在接收到第一目标用户的信用消费请求后，预测所述第一目标用户请求的信用消费是否履约；

基于预测结果判定是允许或拒绝所述第一目标用户的信用消费。

可选地，作为一个实施例，所述装置400还包括评估模块，可以用于

基于第二目标用户在信用消费被拒绝后的第一预定时段内的信用特征数据，确定所述第二目标用户的多个第一信用标签；其中，所述信用消费被拒绝是根据所述信用预测模型的输出结果判定的；

将所述第二目标用户的包含所述多个第一信用标签的样本数据输入信用标签生成模型，以得到所述第二目标用户的第二信用标签；

基于所述第二目标用户的第二信用标签对所述信用预测模型进行评估。

可选地，作为一个实施例，所述装置400还包括催收模块，可以用于若所述第二信用标签标识所述信用消费在第二预定时段后不会履约，则选择所述信用消费对应的催收渠道，并基于所述催收渠道对所述用户进行催收处理；

若催收失败，则按照预设的催收渠道调整规则，调整所述催收渠道以再次对所述用户进行催收处理。

可选地，作为一个实施例，所述催收渠道包括下述至少一种：

短信催收、邮件催收、信函催收和自助语音催收。

可选地，作为一个实施例，所述信用特征数据包括下述至少一种：

所述信用消费的申请环节的模型分值；

所述用户的用户价值分值；

所述用户的多头信用消费情况；

所述用户的经营收款情况；

所述用户的账户活跃度；以及

所述用户所述信用消费之外的信用消费的履约情况。

根据本说明书实施例的上述信用标签的确定装置400可以参照对应前文本说明书实施例的信用标签的确定方法100的流程，并且，该信用标签的确定装置400中的各个单元/模块和上述其他操作和/或功能分别为了实现信用标签的确定方法100中的相应流程，并且能够达到相同或等同的技术效果，为了简洁，在此不再赘述。

如图5所示，本说明书还提供了一种信用标签的确定装置500，如图5所示，该装置500包括：

第一确定模块502，可以用于基于用户在信用消费成功后的第一预定时段内的信用特征数据，确定所述用户的多个第一信用标签；

第二确定模块504，可以用于获取所述用户在信用消费成功后的第二预定时段后的第二信用标签；

模型训练模块506，可以用于基于所述多个第一信用标签及所述第二信用标签进行模型训练，以得到信用标签生成模型；其中，所述信用标签生成模型用于基于在目标用户信用消费成功后的第一预定时段内的多个第一信用标签，得到所述目标用户在信用消费成功后的第二预定时段后的第二信用标签。

本说明书实施例提供的信用标签的确定装置，基于用户在信用消费成功后的第一预定时段内的信用特征数据，确定用户的多个第一信用标签，该第一信用标签可以是弱标签，然后获取用户在信用消费成功后的第二预定时段后的第二信用标签，并基于第一信用标签及第二信用标签进行模型训练，以得到信用标签生成模型。本说明书实施例得到的信用标签生成模型，无需等到第二预定时段，在第一预定时段即可得到用户的信用标签，大大缩短了信用标签的获取周期，提高了信用标签的获取效率。

根据本说明书实施例的上述信用标签的确定装置500可以参照对应前文本说明书实施例的信用标签的确定方法300的流程，并且，该信用标签的确定装置500中的各个单元/模块和上述其他操作和/或功能分别为了实现信用标签的确定方法300中的相应流程，并且能够达到相同或等同的技术效果，为了简洁，在此不再赘述。

下面将结合图6详细描述根据本说明书实施例的电子设备。参考图6，在硬件层面，电子设备包括处理器，可选地，包括内部总线、网络接口、存储器。其中，如图6所示，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括实现其他业务所需要的硬件。

处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外设部件互连标准(Peripheral Component Interconnect，PCI)总线或扩展工业标准结构(ExtendedIndustry Standard Architecture，EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。

处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成转发聊天信息的装置。处理器，执行存储器所存放的程序，并具体用于执行本说明书前文所述的方法实施例的操作。

上述图1至图3所示实施例揭示的方法、装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

图6所示的电子设备还可执行图1至图3的方法，并实现信用标签的确定方法在图1至图3所示实施例的功能，本说明书实施例在此不再赘述。

当然，除了软件实现方式之外，本申请的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

本说明书实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述各个方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (13)

1.一种信用标签的确定方法，包括：

基于用户在信用消费成功后的第一预定时段内的信用特征数据，确定所述用户的多个第一信用标签，信用特征数据是与用户的信用消费是否逾期相关的数据，信用标签反映用户的信用消费是否逾期；

将包含所述多个第一信用标签的样本数据输入信用标签生成模型，以得到所述用户在信用消费成功后的第二预定时段后的第二信用标签；

基于第二目标用户在信用消费被拒绝后的第一预定时段内的信用特征数据，确定所述第二目标用户的多个第一信用标签；其中，所述信用消费被拒绝是根据信用预测模型的输出结果判定的，所述信用预测模型是基于所述第二信用标签进行模型训练得到的；

将所述第二目标用户的包含所述多个第一信用标签的样本数据输入所述信用标签生成模型，以得到所述第二目标用户的第二信用标签；

基于所述第二目标用户的第二信用标签对所述信用预测模型进行评估；

其中，所述信用标签生成模型基于多个历史用户在历史信用消费成功后的第一预定时段内的多个第一信用标签及第二预定时段后的第二信用标签训练得到，所述第二预定时段大于所述第一预定时段。

2.根据权利要求1所述的方法，得到所述用户在信用消费成功后的第二预定时段后的第二信用标签之后，所述方法还包括：

基于所述第二信用标签进行模型训练，以得到所述信用预测模型；

其中，所述信用预测模型用于基于第一目标用户的信用消费请求，预测所述第一目标用户请求的信用消费是否履约。

3.根据权利要求2所述的方法，基于所述第二信用标签进行模型训练，以得到信用预测模型之后，所述方法还包括：

在接收到第一目标用户的信用消费请求后，预测所述第一目标用户请求的信用消费是否履约；

基于预测结果判定是允许或拒绝所述第一目标用户的信用消费。

4.根据权利要求1所述的方法，得到所述用户在信用消费成功后的第二预定时段后的第二信用标签之后，若所述第二信用标签标识所述信用消费在第二预定时段后不会履约，则所述方法还包括：

选择所述信用消费对应的催收渠道，并基于所述催收渠道对所述用户进行催收处理；

若催收失败，则按照预设的催收渠道调整规则，调整所述催收渠道以再次对所述用户进行催收处理。

5.根据权利要求4所述的方法，所述催收渠道包括下述至少一种：

短信催收、邮件催收、信函催收和自助语音催收。

6.根据权利要求1所述的方法，所述信用特征数据包括下述至少一种：

所述信用消费的申请环节的模型分值；

所述用户的用户价值分值；

所述用户的多头信用消费情况；

所述用户的经营收款情况；

所述用户的账户活跃度；以及

所述用户所述信用消费之外的信用消费的履约情况。

7.一种信用标签的确定方法，包括：

基于用户在信用消费成功后的第一预定时段内的信用特征数据，确定所述用户的多个第一信用标签，信用特征数据是与用户的信用消费是否逾期相关的数据，信用标签反映用户的信用消费是否逾期；

获取所述用户在信用消费成功后的第二预定时段后的第二信用标签；

基于所述多个第一信用标签及所述第二信用标签进行模型训练，以得到信用标签生成模型；其中，所述信用标签生成模型用于基于在目标用户信用消费成功后的第一预定时段内的多个第一信用标签，得到所述目标用户在信用消费成功后的第二预定时段后的第二信用标签；

基于第二目标用户在信用消费被拒绝后的第一预定时段内的信用特征数据，确定所述第二目标用户的多个第一信用标签；其中，所述信用消费被拒绝是根据信用预测模型的输出结果判定的，所述信用预测模型是基于所述第二信用标签进行模型训练得到的；

将所述第二目标用户的包含所述多个第一信用标签的样本数据输入所述信用标签生成模型，以得到所述第二目标用户的第二信用标签；

基于所述第二目标用户的第二信用标签对所述信用预测模型进行评估。

8.一种信用标签的确定装置，包括：

第一确定模块，基于用户在信用消费成功后的第一预定时段内的信用特征数据，确定所述用户的多个第一信用标签，信用特征数据是与用户的信用消费是否逾期相关的数据，信用标签反映用户的信用消费是否逾期；

第二确定模块，将包含所述多个第一信用标签的样本数据输入信用标签生成模型，以得到所述用户在信用消费成功后的第二预定时段后的第二信用标签；

其中，所述信用标签生成模型基于多个历史用户在历史信用消费成功后的第一预定时段内的多个第一信用标签及第二预定时段后的第二信用标签训练得到，所述第二预定时段大于所述第一预定时段；

评估模块，基于第二目标用户在信用消费被拒绝后的第一预定时段内的信用特征数据，确定所述第二目标用户的多个第一信用标签；其中，所述信用消费被拒绝是根据信用预测模型的输出结果判定的，所述信用预测模型是基于所述第二信用标签进行模型训练得到的；将所述第二目标用户的包含所述多个第一信用标签的样本数据输入所述信用标签生成模型，以得到所述第二目标用户的第二信用标签；基于所述第二目标用户的第二信用标签对所述信用预测模型进行评估。

9.一种信用标签的确定装置，包括：

第一确定模块，基于用户在信用消费成功后的第一预定时段内的信用特征数据，确定所述用户的多个第一信用标签，信用特征数据是与用户的信用消费是否逾期相关的数据，信用标签反映用户的信用消费是否逾期；

第二确定模块，获取所述用户在信用消费成功后的第二预定时段后的第二信用标签；

模型训练模块，基于所述多个第一信用标签及所述第二信用标签进行模型训练，以得到信用标签生成模型；其中，所述信用标签生成模型用于基于在目标用户信用消费成功后的第一预定时段内的多个第一信用标签，得到所述目标用户在信用消费成功后的第二预定时段后的第二信用标签；

评估模块，基于第二目标用户在信用消费被拒绝后的第一预定时段内的信用特征数据，确定所述第二目标用户的多个第一信用标签；其中，所述信用消费被拒绝是根据信用预测模型的输出结果判定的，所述信用预测模型是基于所述第二信用标签进行模型训练得到的；将所述第二目标用户的包含所述多个第一信用标签的样本数据输入所述信用标签生成模型，以得到所述第二目标用户的第二信用标签；基于所述第二目标用户的第二信用标签对所述信用预测模型进行评估。

10.一种电子设备，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，所述计算机程序被所述处理器执行时实现如下操作：

基于用户在信用消费成功后的第一预定时段内的信用特征数据，确定所述用户的多个第一信用标签，信用特征数据是与用户的信用消费是否逾期相关的数据，信用标签反映用户的信用消费是否逾期；

将包含所述多个第一信用标签的样本数据输入信用标签生成模型，以得到所述用户在信用消费成功后的第二预定时段后的第二信用标签；

基于第二目标用户在信用消费被拒绝后的第一预定时段内的信用特征数据，确定所述第二目标用户的多个第一信用标签；其中，所述信用消费被拒绝是根据信用预测模型的输出结果判定的，所述信用预测模型是基于所述第二信用标签进行模型训练得到的；

将所述第二目标用户的包含所述多个第一信用标签的样本数据输入所述信用标签生成模型，以得到所述第二目标用户的第二信用标签；

基于所述第二目标用户的第二信用标签对所述信用预测模型进行评估；

其中，所述信用标签生成模型基于多个历史用户在历史信用消费成功后的第一预定时段内的多个第一信用标签及第二预定时段后的第二信用标签训练得到，所述第二预定时段大于所述第一预定时段。

11.一种电子设备，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，所述计算机程序被所述处理器执行时实现如下操作：

基于用户在信用消费成功后的第一预定时段内的信用特征数据，确定所述用户的多个第一信用标签，信用特征数据是与用户的信用消费是否逾期相关的数据，信用标签反映用户的信用消费是否逾期；

获取所述用户在信用消费成功后的第二预定时段后的第二信用标签；

基于所述多个第一信用标签及所述第二信用标签进行模型训练，以得到信用标签生成模型；其中，所述信用标签生成模型用于基于在目标用户信用消费成功后的第一预定时段内的多个第一信用标签，得到所述目标用户在信用消费成功后的第二预定时段后的第二信用标签；

基于第二目标用户在信用消费被拒绝后的第一预定时段内的信用特征数据，确定所述第二目标用户的多个第一信用标签；其中，所述信用消费被拒绝是根据信用预测模型的输出结果判定的，所述信用预测模型是基于所述第二信用标签进行模型训练得到的；

将所述第二目标用户的包含所述多个第一信用标签的样本数据输入所述信用标签生成模型，以得到所述第二目标用户的第二信用标签；

基于所述第二目标用户的第二信用标签对所述信用预测模型进行评估。

12.一种计算机可读存储介质，所述计算机可读存储介质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下操作：

基于用户在信用消费成功后的第一预定时段内的信用特征数据，确定所述用户的多个第一信用标签，信用特征数据是与用户的信用消费是否逾期相关的数据，信用标签反映用户的信用消费是否逾期；

将包含所述多个第一信用标签的样本数据输入信用标签生成模型，以得到所述用户在信用消费成功后的第二预定时段后的第二信用标签；

基于第二目标用户在信用消费被拒绝后的第一预定时段内的信用特征数据，确定所述第二目标用户的多个第一信用标签；其中，所述信用消费被拒绝是根据信用预测模型的输出结果判定的，所述信用预测模型是基于所述第二信用标签进行模型训练得到的；

将所述第二目标用户的包含所述多个第一信用标签的样本数据输入所述信用标签生成模型，以得到所述第二目标用户的第二信用标签；

基于所述第二目标用户的第二信用标签对所述信用预测模型进行评估；

其中，所述信用标签生成模型基于多个历史用户在历史信用消费成功后的第一预定时段内的多个第一信用标签及第二预定时段后的第二信用标签训练得到，所述第二预定时段大于所述第一预定时段。

13.一种计算机可读存储介质，所述计算机可读存储介质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下操作：

基于用户在信用消费成功后的第一预定时段内的信用特征数据，确定所述用户的多个第一信用标签，信用特征数据是与用户的信用消费是否逾期相关的数据，信用标签反映用户的信用消费是否逾期；

获取所述用户在信用消费成功后的第二预定时段后的第二信用标签；

基于所述多个第一信用标签及所述第二信用标签进行模型训练，以得到信用标签生成模型；其中，所述信用标签生成模型用于基于在目标用户信用消费成功后的第一预定时段内的多个第一信用标签，得到所述目标用户在信用消费成功后的第二预定时段后的第二信用标签；

基于第二目标用户在信用消费被拒绝后的第一预定时段内的信用特征数据，确定所述第二目标用户的多个第一信用标签；其中，所述信用消费被拒绝是根据信用预测模型的输出结果判定的，所述信用预测模型是基于所述第二信用标签进行模型训练得到的；

将所述第二目标用户的包含所述多个第一信用标签的样本数据输入所述信用标签生成模型，以得到所述第二目标用户的第二信用标签；

基于所述第二目标用户的第二信用标签对所述信用预测模型进行评估。