CN110335140B - 基于社交关系预测贷款黑中介的方法、装置、电子设备 - Google Patents
基于社交关系预测贷款黑中介的方法、装置、电子设备 Download PDFInfo
- Publication number
- CN110335140B CN110335140B CN201910567903.0A CN201910567903A CN110335140B CN 110335140 B CN110335140 B CN 110335140B CN 201910567903 A CN201910567903 A CN 201910567903A CN 110335140 B CN110335140 B CN 110335140B
- Authority
- CN
- China
- Prior art keywords
- user
- evaluated
- black
- user characteristics
- intermediary
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004088 simulation Methods 0.000 claims description 39
- 238000012797 qualification Methods 0.000 abstract description 14
- 238000011156 evaluation Methods 0.000 abstract description 9
- 230000008569 process Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 230000037361 pathway Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
Abstract
本发明公开了一种基于社交关系预测贷款黑中介的方法，获取待评估用户的用户特征，获取与所述待评估用户存在社交关联的关联用户的用户特征，根据所述待评估用户的用户特征和所述关联用户的用户特征预测所述待评估用户的黑中介风险值。由于存在社交关联的用户之间的贷款资质往往也存在一些相关性，因此，根据所述待评估用户的用户特征和所述关联用户的用户特征预测所述待评估用户的黑中介风险值，可以使评估黑中介风险值的过程也参考关联用户的用户特征，因而可以提高评估的准确率。
Description
技术领域
本发明涉及计算机信息处理领域，具体而言，涉及一种基于社交关系预测贷款黑中介的方法、装置、电子设备。
背景技术
贷款平台在向申请人发放贷款前，为了降低贷款风险，往往需要对申请人的信贷资质进行评估，从而进行风险管控。然而，资质较低的申请人往往允许贷款黑中介对其资料进行包装，从而获得较高的资质等级，这种情况提高了平台的运营风险。现有技术通过识别申请人信息中是否包含被包装的痕迹来识别该申请人信息是否被贷款黑中介包装。
发明内容
本说明书实施例提供一种基于社交关系预测贷款黑中介的方法、装置、电子设备，用以解决现有技术中预测贷款黑中介准确率低的问题。
本说明书实施例提供一种基于社交关系预测贷款黑中介的方法，包括：
获取待评估用户的用户特征；
获取与所述待评估用户存在社交关联的关联用户的用户特征；
根据所述待评估用户的用户特征和所述关联用户的用户特征预测所述待评估用户的黑中介风险值。
在其中的一种实施例中，所述用户特征包括用户输入的信息、从用户终端获取到的信息，以及从第三方数据中提取到的匹配用户的信息中的至少一项。
在其中的一种实施例中，所述根据所述待评估用户的用户特征和所述关联用户的用户特征预测所述待评估用户的黑中介风险值，包括：
以所述待评估用户的用户特征和所述关联用户的用户特征为输入样本，利用第一预测模型预测所述待评估用户的黑中介风险值；
所述第一预测模型是以具有黑中介统计值的样本用户的用户特征和与所述样本用户存在社交关联的关联用户的用户特征为模拟样本，以所述贷款黑中介统计值作为所述模拟样本的标签进行监督学习模拟得到的。
在其中的一种实施例中，所述模拟样本包括黑样本和白样本；
所述黑样本包括：具有大于阈值的黑中介统计值的所述样本用户的用户特征、所述关联用户的用户特征，所述黑样本的标签为所述大于阈值的黑中介统计值；
所述白样本包括：具有小于阈值的黑中介统计值的所述样本用户的用户特征、所述关联用户的用户特征，所述白样本的标签为所述小于阈值的黑中介统计值。
在其中的一种实施例中，所述根据所述待评估用户的用户特征和所述关联用户的用户特征预测所述待评估用户的黑中介风险值，还包括：
若所述待评估用户与所述关联用户的关联程度大于阈值，则以所述待评估用户的用户特征和所述关联用户的用户特征为输入样本，利用所述第一预测模型预测所述待评估用户的黑中介风险值。
在其中的一种实施例中，该方法还包括：
若所述待评估用户与所述关联用户的关联程度小于阈值，以所述待评估用户的用户特征为输入样本，利用第二预测模型预测所述待评估用户的黑中介风险值，所述第二预测模型为根据具有黑中介统计值的样本用户的多种用户特征，以所述黑中介统计值为标签进行监督学习模拟得到的。
在其中的一种实施例中，该方法还包括：
根据所述待评估用户的黑中介风险值输出黑中介标识，包括：
若所述待评估用户的黑中介风险值大于阈值，输出黑中介标识。
在其中的一种实施例中，所述根据所述待评估用户的黑中介风险值输出黑中介标识，包括：
按照预设时间根据所述待评估用户的黑中介风险值输出黑中介标识。
在其中的一种实施例中，所述待评估用户与所述关联用户的关联方式包括所述待评估人的院校、工作单位、家庭住址、线上社交途径标识中的至少一个。
本说明书实施例还提供一种基于社交关系预测贷款黑中介的方法，包括：
获取具有黑中介统计值的样本用户的用户特征；
获取与所述样本用户存在社交关联的关联用户的用户特征；
以具有黑中介统计值的样本用户的用户特征和与所述样本用户存在社交关联的关联用户的用户特征为模拟样本，以所述黑中介统计值作为所述模拟样本的标签进行监督学习模拟，得到第一预测模型，使所述第一预测模型根据待评估用户的用户特征和所述关联用户的用户特征预测所述待评估用户的黑中介风险值。
本说明书实施例还提供一种基于社交关系预测贷款黑中介的装置，包括：
获取模块，获取待评估用户的用户特征，获取与所述待评估用户存在社交关联的关联用户的用户特征；
预测模块，根据所述待评估用户的用户特征和所述关联用户的用户特征预测所述待评估用户的黑中介风险值。
在其中的一种实施例中，所述用户特征包括用户输入的信息、从用户终端获取到的信息，以及从第三方数据中提取到的匹配用户的信息中的至少一项。
在其中的一种实施例中，所述预测模块，根据所述待评估用户的用户特征和所述关联用户的用户特征预测所述待评估用户的黑中介风险值，包括：
以所述待评估用户的用户特征和所述关联用户的用户特征为输入样本，利用第一预测模型预测所述待评估用户的黑中介风险值；
所述第一预测模型是以具有黑中介统计值的样本用户的用户特征和与所述样本用户存在社交关联的关联用户的用户特征为模拟样本，以所述贷款黑中介统计值作为所述模拟样本的标签进行监督学习模拟得到的。
在其中的一种实施例中，所述模拟样本包括黑样本和白样本；
所述黑样本包括：具有大于阈值的黑中介统计值的所述样本用户的用户特征、所述关联用户的用户特征，所述黑样本的标签为所述大于阈值的黑中介统计值；
所述白样本包括：具有小于阈值的黑中介统计值的所述样本用户的用户特征、所述关联用户的用户特征，所述白样本的标签为所述小于阈值的黑中介统计值。
在其中的一种实施例中，所述预测模块，根据所述待评估用户的用户特征和所述关联用户的用户特征预测所述待评估用户的黑中介风险值，还包括：
若所述待评估用户与所述关联用户的关联程度大于阈值，则以所述待评估用户的用户特征和所述关联用户的用户特征为输入样本，利用所述第一预测模型预测所述待评估用户的黑中介风险值。
在其中的一种实施例中，该预测模块，还用于：
若所述待评估用户与所述关联用户的关联程度小于阈值，以所述待评估用户的用户特征为输入样本，利用第二预测模型预测所述待评估用户的黑中介风险值，所述第二预测模型为根据具有黑中介统计值的样本用户的多种用户特征，以所述黑中介统计值为标签进行监督学习模拟得到的。
在其中的一种实施例中，该预测模块，还用于：
根据所述待评估用户的黑中介风险值输出黑中介标识，包括：
若所述待评估用户的黑中介风险值大于阈值，输出黑中介标识。
在其中的一种实施例中，所述预测模块，根据所述待评估用户的黑中介风险值输出黑中介标识，包括：
按照预设时间根据所述待评估用户的黑中介风险值输出黑中介标识。
在其中的一种实施例中，所述待评估用户与所述关联用户的关联方式包括所述待评估人的院校、工作单位、家庭住址、线上社交途径标识中的至少一个。
本说明书实施例还提供一种基于社交关系预测贷款黑中介的装置，包括：
获取模块，获取具有黑中介统计值的样本用户的用户特征；获取与所述样本用户存在社交关联的关联用户的用户特征；
模拟模块，以具有黑中介统计值的样本用户的用户特征和与所述样本用户存在社交关联的关联用户的用户特征为模拟样本，以所述黑中介统计值作为所述模拟样本的标签进行监督学习模拟，得到第一预测模型，使所述第一预测模型根据待评估用户的用户特征和所述关联用户的用户特征预测所述待评估用户的黑中介风险值。
本说明书实施例还一种电子设备，其中，该电子设备包括：
处理器；以及，
存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行本说明书中至少一项实施例记载的方法。
本说明书实施例还一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现本说明书中至少一项实施例记载的方法。
由于存在社交关联的用户之间的贷款资质往往也存在一些相关性，因此，根据所述待评估用户的用户特征和所述关联用户的用户特征预测所述待评估用户的黑中介风险值，可以使评估黑中介风险值的过程也参考关联用户的用户特征，因而可以提高评估的准确率。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚，下面将参照附图详细描述本发明的具体实施例。但需声明的是，下面描述的附图仅仅是本发明本发明示例性实施例的附图，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他实施例的附图。
图1为本说明书实施例提供的一种基于社交关系预测贷款黑中介的方法的原理示意图；
图2为本说明书实施例提供的一种基于社交关系预测贷款黑中介的方法的原理示意图；
图3为本说明书实施例提供的一种基于社交关系预测贷款黑中介的方法的原理示意图；
图4为本说明书实施例提供的一种基于社交关系预测贷款黑中介的装置的结构示意图；
图5为本说明书实施例提供的一种基于社交关系预测贷款黑中介的装置的结构示意图；
图6为本说明书实施例提供的一种电子设备的结构示意图；
图7为本说明书实施例提供的一种计算机可读介质的原理示意图。
具体实施方式
对这种识别方式进行分析发现，这种方式本质上还是专家通过经验计算，这种经验容易被黑中介察觉而进一步优化对申请人信息进行包装的包装方式，因而导致识别贷款黑中介的准确率较低，为了提高准确率，有待提供一种准确率高的预测贷款黑中介的方法。
本说明书实施例提出一种基于社交关系预测贷款黑中介的方法，获取待评估用户的用户特征，获取与所述待评估用户存在社交关联的关联用户的用户特征，根据所述待评估用户的用户特征和所述关联用户的用户特征预测所述待评估用户的黑中介风险值。
由于存在社交关联的用户之间的贷款资质往往也存在一些相关性，因此，根据所述待评估用户的用户特征和所述关联用户的用户特征预测所述待评估用户的黑中介风险值，可以使评估黑中介风险值的过程也参考关联用户的用户特征，因而可以提高评估的准确率。
现在将参考附图更全面地描述本发明的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例能够使得本发明更加全面和完整，更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分，因而将省略对它们的重复描述。
在符合本发明的技术构思的前提下，在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
在对于具体实施例的描述中，本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，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。
应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但这不应受这些定语限制。这些定语乃是用以区分一者与另一者。例如，第一器件亦可称为第二器件而不偏离本发明实质的技术方案。
术语“和/或”或者“及/或”包括相关联的列出项目中的任一个或多者的所有组合。
图1为本说明书实施例提供的一种基于社交关系预测贷款黑中介的方法的原理示意图。该方法包括：
S101：获取待评估用户的用户特征，获取与所述待评估用户存在社交关联的关联用户的用户特征。
在本说明书实施例中，所述用户特征可以包括用户输入的信息、从用户终端获取到的信息，以及从第三方数据中提取到的匹配用户的信息中的至少一项。
具体的，用户特征可以包括用户的信用信息，资产信息，消费信息，通讯信息，地理信息，用户的终端信息中的至少一项。
其中，第三方数据可以是第三方数据系统中的数据，第三方数据是相对于预测贷款黑中介的平台来说的，对于其具体形式，在此不做具体限定。
其中，用户匹配，可以是与所述待评估用户的社交关系满足预设条件，这样，从第三方数据中提取到的匹配用户的信息中的至少一项，可以包括，从第三方数据中提取与所述待评估用户的社交关系满足预设条件的用户的信息，作为用户特征。
其中，资产信息可以包括静态资产信息，比如，资产、负债、所有者权益，也可以是动态的资产信息，比如资金流转率、定期收益等；通讯信息可以包括聊天记录中的关键词，比如，对话框中对方的“还钱”等关键字，用户的终端信息可以包括终端的型号，这可以反映用户的消费意愿和积蓄意愿，对于用户特征的其它具体形式，此不做具体阐述和限制。
在本说明书实施例中，社交关联可以是暂时性关联，比如，某一天同时连接某个无线局域网的多个用户，或者线上社交途径中的兴趣群体；也可以是长久性关联，比如家庭关联，学校关联，工作单位关联等等，再次不做具体限制。
在本说明书实施中，可以获取多个第三方社交途径中的用户特征。
S102:根据所述待评估用户的用户特征和所述关联用户的用户特征预测所述待评估用户的黑中介风险值。
由于存在社交关联的用户之间的贷款资质往往也存在一些相关性，因此，根据所述待评估用户的用户特征和所述关联用户的用户特征预测所述待评估用户的黑中介风险值，可以使评估黑中介风险值的过程也参考关联用户的用户特征，因而可以提高评估的准确率。
另一方面，由于黑中介对带评估用户的信息进行包装往往需要经过该用户的允许，这样才能获得佣金等利益，而黑中介往往没有权限包装与待评估用户存在社交关联的关联用户的信息，因而本说明书实施例记载的方法可以获得较高的准确率。
在本说明书实施例中，根据所述待评估用户的用户特征和所述关联用户的用户特征预测所述待评估用户的黑中介风险值，可以包括，根据待评估用户的用户特征和所述关联用户的用户特征的相关性评估所述待评估用户的黑中介风险值。
在本说明书实施例中，为了对该方案进行进一步优化，申请人发现，不同的关联方式可能会影响评估结果，比如，存在经济互补性关联用户之间的贷款资质往往是负相关的，比如，同一家庭中的某种消费往往只需要进行一次，一个人消费过后，该家庭便没有再次消费的必要，此时，其它成员的刚性消费需求减小，因此可以授予较高的贷款资质；而存在经济同步性关联用户之间的贷款资质往往是正相关，比如，同一工作单位中的不同用户，工资水平往往大致相同，因此，贷款资质往往也大致相同。
因此，在本说明书实施例中，根据待评估用户的用户特征和所述关联用户的用户特征的相关性评估所述待评估用户的黑中介风险值，可以包括：
根据待评估用户的用户特征和与所述待评估用户存在经济互补关联的关联用户的用户特征评估所述待评估用户的黑中介风险值，或者，根据待评估用户的用户特征和与所述待评估用户存在经济同步关联的关联用户的用户特征评估所述待评估用户的黑中介风险值。
因此，根据待评估用户的用户特征和所述关联用户的用户特征的相关性评估所述待评估用户的黑中介风险值，具体可以包括：
根据待评估用户的用户特征评估所述待评估人的第一资质；
根据所述关联用户的用户特征评估得到第二资质；
根据所述第一资质、第二资质和所述社交关联的关联方式三者的一致性确定所述带评估用户的黑中介风险值。
其中，所述关联方式包括经济互补关联和经济同步关联中的至少一种。
在本说明书实施例中，申请人试图利用机器学习的思想来评估待评估用户的黑中介风险值。然而，这并非简单地为每个用户的用户特征多为一个添加标签作为输入样本进行模拟。
这是因为，即使待评估人得到信息没有被黑中介包装，其评估结果也可能是资质高，因此，以带评估用户的用户特征进行监督学习来获得预测模型，用这种模型进行评估的准确率依然需要提升，申请人想到，判定该用户是否是黑中介，或者是否被黑中介包装的原理，实际上是判断待评估用户的实际资质是否与根据该用户提交信息预测得到的预测资质一致，据此，申请人提出根据所述待评估用户的用户特征和所述关联用户的用户特征预测所述待评估用户的黑中介风险值，正是由于关联用户的用户特征与待评估用户的实际资质存在相关性，而且由于关联用户的用户特征涉及多种渠道，数据量大，甚至存在修改权限，因此，关联用户的用户特征难以被黑中介轻易修改，因此，这种方式可以提高预测准确率。
因此，在本说明书实施例中，根据所述待评估用户的用户特征和所述关联用户的用户特征预测所述待评估用户的黑中介风险值，可以包括：
以所述待评估用户的用户特征和所述关联用户的用户特征为输入样本，利用第一预测模型预测所述待评估用户的黑中介风险值。
其中，第一预测模型是以具有黑中介统计值的样本用户的用户特征和与所述样本用户存在社交关联的关联用户的用户特征为模拟样本，以所述黑中介统计值作为所述模拟样本的标签进行监督学习模拟得到的。
在本说明书实施例中，模拟第一预测模型的模拟样本可以包括黑样本和白样本；
所述黑样本可以包括：具有大于阈值的黑中介统计值的所述样本用户的用户特征、所述关联用户的用户特征，所述黑样本的标签为所述大于阈值的黑中介统计值；
所述白样本可以包括：具有小于阈值的黑中介统计值的所述样本用户的用户特征、所述关联用户的用户特征，所述白样本的标签为所述小于阈值的黑中介统计值。
在本说明书实施例中，根据所述待评估用户的用户特征和所述关联用户的用户特征预测所述待评估用户的黑中介风险值，还可以包括：
若所述待评估用户与所述关联用户的关联程度大于阈值，则以所述待评估用户的用户特征和所述关联用户的用户特征为输入样本，利用所述第一预测模型预测所述待评估用户的黑中介风险值。
在本说明书实施例中，该方法还可以包括：
若所述待评估用户与所述关联用户的关联程度小于阈值，以所述待评估用户的用户特征为输入样本，利用第二预测模型预测所述待评估用户的黑中介风险值，所述第二预测模型为根据具有黑中介统计值的样本用户的多种用户特征，以所述黑中介统计值为标签进行监督学习模拟得到的。
在本说明书实施例中，该方法还可以包括：
根据所述待评估用户的黑中介风险值输出黑中介标识，包括：
若所述待评估用户的黑中介风险值大于阈值，输出黑中介标识。
在本说明书实施例中，根据所述待评估用户的黑中介风险值输出黑中介标识，可以包括：
按照预设时间根据所述待评估用户的黑中介风险值输出黑中介标识。
在本说明书实施例中，待评估用户与所述关联用户的关联方式包括所述待评估人的院校、工作单位、家庭住址、线上社交途径标识中的至少一个。
图2为本说明书实施例提供的一种基于社交关系预测贷款黑中介的方法的原理示意图。该方法包括：
S201：输入待评估用户的用户特征、关联用户的用户特征；
S202:判断待评估用户的用户特征与关联用户的用户特征的关联程度；
S203：若关联程度大于阈值利用第一预测模型预测黑中介概率，得到黑中介概率评分；
S204：若关联程度小于阈值利用第二预测模型预测黑中介概率，得到黑中介概率评分；
S205：若评分高于阈值,输出贷款黑中介标签。
图3为本说明书实施例提供的一种基于社交关系预测贷款黑中介的方法的原理示意图。该方法可以包括：
S301：获取具有黑中介统计值的样本用户的用户特征；
获取与所述样本用户存在社交关联的关联用户的用户特征；
S302:以具有黑中介统计值的样本用户的用户特征和与所述样本用户存在社交关联的关联用户的用户特征为模拟样本，以所述黑中介统计值作为所述模拟样本的标签进行监督学习模拟，得到第一预测模型，所述第一预测模型根据待评估用户的用户特征和所述关联用户的用户特征预测所述待评估用户的黑中介风险值。
本领域技术人员可以理解，实现上述实施例的全部或部分步骤被实现为由计算机数据处理设备执行的程序(计算机程序)。在该计算机程序被执行时，可以实现本发明提供的上述方法。而且，所述的计算机程序可以存储于计算机可读存储介质中，该存储介质可以是磁盘、光盘、ROM、RAM等可读存储介质，也可以是多个存储介质组成的存储阵列，例如磁盘或磁带存储阵列。所述的存储介质不限于集中式存储，其也可以是分布式存储，例如基于云计算的云存储。
基于同一发明构思，本说明书实施例还提供一种基于社交关系预测贷款黑中介的装置。
下面描述本发明的装置实施例，该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节，应视为对于上述方法实施例的补充；对于在本发明装置实施例中未披露的细节，可以参照上述方法实施例来实现。
图4为本说明书实施例提供的一种基于社交关系预测贷款黑中介的装置的结构示意图，该装置可以包括：
获取模块401，获取待评估用户的用户特征，获取与所述待评估用户存在社交关联的关联用户的用户特征；
预测模块402，根据所述待评估用户的用户特征和所述关联用户的用户特征预测所述待评估用户的黑中介风险值。
在其中的一种实施例中，所述用户特征包括用户输入的信息、从用户终端获取到的信息，以及从第三方数据中提取到的匹配用户的信息中的至少一项。
在其中的一种实施例中，所述预测模块402，根据所述待评估用户的用户特征和所述关联用户的用户特征预测所述待评估用户的黑中介风险值，包括：
以所述待评估用户的用户特征和所述关联用户的用户特征为输入样本，利用第一预测模型预测所述待评估用户的黑中介风险值；
所述第一预测模型是以具有黑中介统计值的样本用户的用户特征和与所述样本用户存在社交关联的关联用户的用户特征为模拟样本，以所述贷款黑中介统计值作为所述模拟样本的标签进行监督学习模拟得到的。
在其中的一种实施例中，所述模拟样本包括黑样本和白样本；
所述黑样本包括：具有大于阈值的黑中介统计值的所述样本用户的用户特征、所述关联用户的用户特征，所述黑样本的标签为所述大于阈值的黑中介统计值；
所述白样本包括：具有小于阈值的黑中介统计值的所述样本用户的用户特征、所述关联用户的用户特征，所述白样本的标签为所述小于阈值的黑中介统计值。
在其中的一种实施例中，所述预测模块402，根据所述待评估用户的用户特征和所述关联用户的用户特征预测所述待评估用户的黑中介风险值，还包括：
若所述待评估用户与所述关联用户的关联程度大于阈值，则以所述待评估用户的用户特征和所述关联用户的用户特征为输入样本，利用所述第一预测模型预测所述待评估用户的黑中介风险值。
在其中的一种实施例中，该预测模块402，还可以用于：
若所述待评估用户与所述关联用户的关联程度小于阈值，以所述待评估用户的用户特征为输入样本，利用第二预测模型预测所述待评估用户的黑中介风险值，所述第二预测模型为根据具有黑中介统计值的样本用户的多种用户特征，以所述黑中介统计值为标签进行监督学习模拟得到的。
在其中的一种实施例中，该预测模块402，还可以用于：
根据所述待评估用户的黑中介风险值输出黑中介标识，包括：
若所述待评估用户的黑中介风险值大于阈值，输出黑中介标识。
在其中的一种实施例中，所述预测模块402，根据所述待评估用户的黑中介风险值输出黑中介标识，可以包括：
按照预设时间根据所述待评估用户的黑中介风险值输出黑中介标识。
在其中的一种实施例中，所述待评估用户与所述关联用户的关联方式包括所述待评估人的院校、工作单位、家庭住址、线上社交途径标识中的至少一个。
图5为本说明书实施例提供的一种基于社交关系预测贷款黑中介的装置的结构示意图，该装置可以包括：
获取模块501，获取具有黑中介统计值的样本用户的用户特征；获取与所述样本用户存在社交关联的关联用户的用户特征；
模拟模块502，以具有黑中介统计值的样本用户的用户特征和与所述样本用户存在社交关联的关联用户的用户特征为模拟样本，以所述黑中介统计值作为所述模拟样本的标签进行监督学习模拟，得到第一预测模型，使所述第一预测模型根据待评估用户的用户特征和所述关联用户的用户特征预测所述待评估用户的黑中介风险值。
本领域技术人员可以理解，上述装置实施例中的各模块可以按照描述分布于装置中，也可以进行相应变化，分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
基于同一发明构思，本说明书实施例还提供一种电子设备。
下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。
图6为本说明书实施例提供的一种电子设备的结构示意图。下面参照图6来描述根据本发明该实施例的电子设备600。图6显示的电子设备600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6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
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610执行，使得所述处理单元610执行本说明书上述电子处方流转处理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610可以执行如图1所示的步骤。
所述存储单元620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)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。
所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205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630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600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600交互的设备通信，和/或与使得该电子设备600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650进行。并且，电子设备600还可以通过网络适配器660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。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图6中未示出，可以结合电子设备600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，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明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计算机可读的存储介质(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、或者网络设备等)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法，即：如图1所示的方法。
图7为本说明书实施例提供的一种计算机可读介质的原理示意图。
所述计算机程序可以存储于一个或多个计算机可读介质上。计算机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。
所述计算机可读存储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。可读存储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。可读存储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)。
综上所述，本发明可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于社交关系预测贷款黑中介的方法，包括：
获取待评估用户的用户特征；获取与所述待评估用户存在社交关联的关联用户的用户特征；
根据所述待评估用户的用户特征和所述关联用户的用户特征预测所述待评估用户的黑中介风险值；
其中，根据所述待评估用户的用户特征和所述关联用户的用户特征预测所述待评估用户的黑中介风险值包括：以所述待评估用户的用户特征和所述关联用户的用户特征为输入样本，利用第一预测模型预测所述待评估用户的黑中介风险值；所述第一预测模型是以具有黑中介统计值的样本用户的用户特征和与所述样本用户存在社交关联的关联用户的用户特征为模拟样本，以所述贷款黑中介统计值作为所述模拟样本的标签进行监督学习模拟得到的。
2.根据权利要求1所述的方法，所述用户特征包括用户输入的信息、从用户终端获取到的信息，以及从第三方数据中提取到的匹配用户的信息中的至少一项。
3.根据权利要求1所述的方法，所述模拟样本包括黑样本和白样本；所述黑样本包括：具有大于阈值的黑中介统计值的所述样本用户的用户特征、所述关联用户的用户特征，所述黑样本的标签为所述大于阈值的黑中介统计值；所述白样本包括：具有小于阈值的黑中介统计值的所述样本用户的用户特征、所述关联用户的用户特征，所述白样本的标签为所述小于阈值的黑中介统计值。
4.根据权利要求1所述的方法，所述根据所述待评估用户的用户特征和所述关联用户的用户特征预测所述待评估用户的黑中介风险值，还包括：若所述待评估用户与所述关联用户的关联程度大于阈值，则以所述待评估用户的用户特征和所述关联用户的用户特征为输入样本，利用所述第一预测模型预测所述待评估用户的黑中介风险值。
5.根据权利要求4所述的方法，还包括：若所述待评估用户与所述关联用户的关联程度小于阈值，以所述待评估用户的用户特征为输入样本，利用第二预测模型预测所述待评估用户的黑中介风险值，所述第二预测模型为根据具有黑中介统计值的样本用户的多种用户特征，以所述黑中介统计值为标签进行监督学习模拟得到的。
6.根据权利要求1所述的方法，还包括：根据所述待评估用户的黑中介风险值输出黑中介标识，包括：若所述待评估用户的黑中介风险值大于阈值，输出黑中介标识。
7.一种基于社交关系预测贷款黑中介的装置，包括：
获取模块，获取待评估用户的用户特征，获取与所述待评估用户存在社交关联的关联用户的用户特征；
预测模块，根据所述待评估用户的用户特征和所述关联用户的用户特征预测所述待评估用户的黑中介风险值；
所述预测模块，具体用于：以所述待评估用户的用户特征和所述关联用户的用户特征为输入样本，利用第一预测模型预测所述待评估用户的黑中介风险值；所述第一预测模型是以具有黑中介统计值的样本用户的用户特征和与所述样本用户存在社交关联的关联用户的用户特征为模拟样本，以所述贷款黑中介统计值作为所述模拟样本的标签进行监督学习模拟得到的。
8.一种电子设备，其中，该电子设备包括：处理器；以及，存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行根据权利要求1-6中任一项所述的方法。
9.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910567903.0A CN110335140B (zh) | 2019-06-27 | 2019-06-27 | 基于社交关系预测贷款黑中介的方法、装置、电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910567903.0A CN110335140B (zh) | 2019-06-27 | 2019-06-27 | 基于社交关系预测贷款黑中介的方法、装置、电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110335140A CN110335140A (zh) | 2019-10-15 |
| CN110335140B true CN110335140B (zh) | 2021-09-24 |
Family
ID=68142956
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910567903.0A Active CN110335140B (zh) | 2019-06-27 | 2019-06-27 | 基于社交关系预测贷款黑中介的方法、装置、电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110335140B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110992169B (zh) * | 2019-11-29 | 2023-06-09 | 深圳乐信软件技术有限公司 | 一种风险评估方法、装置、服务器及存储介质 |
| CN110888987B (zh) * | 2019-12-13 | 2023-07-04 | 铭迅(北京)信息技术有限公司 | 一种贷款中介的识别方法、系统、设备及存储介质 |
| CN111210109A (zh) * | 2019-12-20 | 2020-05-29 | 上海淇玥信息技术有限公司 | 基于关联用户预测用户风险的方法、装置和电子设备 |
| CN112241760A (zh) * | 2020-08-25 | 2021-01-19 | 浙江大学 | 网络小额贷款服务中的黑中介自动挖掘方法与系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109325525A (zh) * | 2018-08-31 | 2019-02-12 | 阿里巴巴集团控股有限公司 | 样本属性评估模型训练方法、装置及服务器 |
| CN109636570A (zh) * | 2018-10-25 | 2019-04-16 | 深圳壹账通智能科技有限公司 | 手机号的风险分析方法、装置、设备及可读存储介质 |
| CN109636578B (zh) * | 2018-10-25 | 2023-05-26 | 平安科技（深圳）有限公司 | 信贷信息的风险检测方法、装置、设备及可读存储介质 |
-
2019
- 2019-06-27 CN CN201910567903.0A patent/CN110335140B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110335140A (zh) | 2019-10-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110335140B (zh) | 基于社交关系预测贷款黑中介的方法、装置、电子设备 | |
| CN111340616B (zh) | 线上贷款的审批方法、装置、设备及介质 | |
| CN110599335A (zh) | 一种基于多模型的用户金融风险评估方法和装置 | |
| CN111210335B (zh) | 用户风险识别方法、装置及电子设备 | |
| US10067935B2 (en) | Prediction and optimized prevention of bullying and other counterproductive interactions in live and virtual meeting contexts | |
| CN111400600A (zh) | 一种消息推送方法、装置、设备和存储介质 | |
| US10699197B2 (en) | Predictive analysis with large predictive models | |
| CN112348662B (zh) | 基于用户职业预测的风险评估方法、装置和电子设备 | |
| CN112015562A (zh) | 基于迁移学习的资源分配方法、装置及电子设备 | |
| CN111583018A (zh) | 一种基于用户金融表现分析的授信策略管理方法、装置和电子设备 | |
| CN111967543A (zh) | 用户资源配额确定方法、装置及电子设备 | |
| CN112819528A (zh) | 人群包的上线方法、装置及电子设备 | |
| CN115936895A (zh) | 基于人工智能的风险评估方法、装置、设备及存储介质 | |
| CN110348999B (zh) | 金融风险敏感用户识别方法、装置及电子设备 | |
| CN111582645A (zh) | 基于因子分解机的app风险评估方法、装置和电子设备 | |
| CN110675250A (zh) | 一种基于用户营销评分的信贷额度管理的方法、装置和电子设备 | |
| CN110782128B (zh) | 一种用户职业标签生成方法、装置和电子设备 | |
| CN112488865A (zh) | 基于金融时间节点的金融风险预测方法、装置和电子设备 | |
| CN112508692A (zh) | 基于卷积神经网络的资源回收风险预测方法、装置和电子设备 | |
| CN110070383B (zh) | 基于大数据分析的异常用户识别方法及装置 | |
| CN116664306A (zh) | 风控规则的智能推荐方法、装置、电子设备及介质 | |
| CN110704614A (zh) | 对应用中的用户群类型进行预测的信息处理方法及装置 | |
| CN110874758A (zh) | 潜在客户预测方法、装置、系统、电子设备、存储介质 | |
| CN111190671B (zh) | 一种窗口显示控制的方法、装置和电子设备 | |
| CN114461499A (zh) | 异常信息检测模型的构建方法和灰度环境异常检测方法 |
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 | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 201500 room a3-5588, 58 Fumin Branch Road, Hengsha Township, Chongming District, Shanghai (Shanghai Hengtai Economic Development Zone) Patentee after: Qifu Shuke (Shanghai) Technology Co.,Ltd. Address before: 201500 room a3-5588, 58 Fumin Branch Road, Hengsha Township, Chongming District, Shanghai (Shanghai Hengtai Economic Development Zone) Patentee before: Shanghai Qifu Information Technology Co.,Ltd. |