CN110415102A - 用户信用风险评估方法及装置、计算机可读存储介质 - Google Patents

用户信用风险评估方法及装置、计算机可读存储介质 Download PDF

Info

Publication number
CN110415102A
CN110415102A CN201910574796.4A CN201910574796A CN110415102A CN 110415102 A CN110415102 A CN 110415102A CN 201910574796 A CN201910574796 A CN 201910574796A CN 110415102 A CN110415102 A CN 110415102A
Authority
CN
China
Prior art keywords
user
risk assessment
credit
operation data
users
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.)
Pending
Application number
CN201910574796.4A
Other languages
English (en)
Inventor
严锐
张俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Lake Information Technology Co Ltd
Original Assignee
Shanghai Lake Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Lake Information Technology Co Ltd filed Critical Shanghai Lake Information Technology Co Ltd
Priority to CN201910574796.4A priority Critical patent/CN110415102A/zh
Publication of CN110415102A publication Critical patent/CN110415102A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

一种用户信用风险评估方法及装置、计算机可读存储介质，所述用户信用风险评估方法包括：获取用户在预设的应用软件中的操作数据；将所述用户的操作数据输入至信用风险评估模型中进行风险评估，得到所述用户的逾期概率；输出所述用户的逾期概率。采用上述方案，能够对没有征信数据或者征信数据较少的人群进行信用风险评估。

Description

用户信用风险评估方法及装置、计算机可读存储介质
技术领域
本发明实施例涉及信用风险评估技术领域，尤其涉及一种用户信用风险评估方法及装置、计算机可读存储介质。
背景技术
贷款通常包括抵押贷款和无抵押信用贷款两种类型。对于抵押贷款要求申请人具有相应的抵押物，对于无押信用贷款通常根据用户的征信报告等数据判断用户的信用风险情况，以确定是否能够给申请人授信贷款额度。在个人信贷场景中，如何准确的识别申请人的信用风险情况时信贷过程中一个非常重要的环节。
然而，对于没有征信报告或者征信报告中数据较少的人群，难以进行信用风险评估。
发明内容
本发明实施例解决的技术问题是对没有征信报告或者征信报告中数据非常少的人群难以进行信用风险评估。
为解决上述技术问题，本发明实施例提供一种用户信用风险评估方法，包括：获取用户在预设的应用软件中的操作数据；将所述用户的操作数据输入至信用风险评估模型中进行风险评估，得到所述用户的逾期概率；输出所述用户的逾期概率。
可选的，所述操作数据包括：每项操作的操作内容及对应的操作时间点；将所述用户的操作数据输入至信用风险评估模型中进行风险评估，包括：根据每项操作的操作时间点，将所述用户的操作数据按照时序进行排列，得到所述用户的操作行为集合，所述操作行为集合包括每项操作的操作内容及对应的时间点；将所述用户的操作行为集合输入至信用风险评估模型中进行风险评估。
可选的，所述操作内容包括以下至少一种：所述用户在所述预设的应用软件中触发的操作类型、所述用户在浏览页面的停留时长。
可选的，所述获取用户在设定的应用软件中的操作数据，包括：基于所述用户在所述应用软件中的行为埋点数据，获取所述操作数据。
可选的，采用如下方式构建所述信用风险评估模型：获取训练样本中所有用户的操作数据；将所述所有用户的操作数据按照时序进行排序及分类，得到所述所有用户的操作行为集合；将所述所有用户的操作行为集合输入至时序类深度学习算法中，并基于每个用户的信用标签，训练得到所述信用风险评估模型。
可选的，所述时序类深度学习算法包括以下至少一种：循环神经网络、长短期记忆网络。
本发明实施例还提供一种用户信用风险评估装置，包括：获取单元，适于获取用户在预设的应用软件中的操作数据；评估单元，适于将所述用户的操作数据输入至信用风险评估模型中进行风险评估，得到所述用户的逾期概率；输出单元，适于输出所述用户的逾期概率。
可选的，所述操作数据包括：每项操作的操作内容及对应的操作时间点；所述评估单元，适于根据每项操作的操作时间点，将所述用户的操作数据按照时序进行排列，得到所述用户的操作行为集合，所述操作行为集合包括每项操作的操作内容及对应的时间点；将所述用户的操作行为集合输入至信用风险评估模型中进行风险评估。
可选的，所述操作内容包括以下至少一种：所述用户在所述预设的应用软件中触发的操作类型、所述用户在浏览页面的停留时长。
可选的，所述获取单元，适于基于所述用户在所述应用软件中的行为埋点数据，获取所述操作数据。
可选的，所述用户信用风险评估装置还包括：模型构建单元，适于采用如下方式构建所述信用风险评估模型：获取训练样本中所有用户的操作数据；将所述所有用户的操作数据按照时序进行排序及分类，得到所述所有用户的操作行为集合；将所述所有用户的操作行为集合输入至时序类深度学习算法中，并基于每个用户的信用标签，训练得到所述信用风险评估模型。
可选的，所述时序类深度学习算法包括以下至少一种：循环神经网络、长短期记忆网络。
本发明实施例还提供一种用户信用风险评估装置，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行上述任一种用户信用风险评估方法的步骤。
本发明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为非易失性存储介质或非瞬态存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述任一种用户信用风险评估方法的步骤。
与现有技术相比，本发明实施例的技术方案具有以下有益效果：
基于用户在预设的应用软件中的操作数据采用信用风险评估模型对用户进行风险评估，得到用户的逾期概率，从而可以在没有征信数据或者征信数据较少的人群进行信用风险评估。
附图说明
图1是本发明实施例中的一种用户信用风险评估方法的流程图；
图2是本发明实施例中的一种信用风险评估模型的训练流程图；
图3是本发明实施例中的一种用户信用风险评估装置的结构示意图。
具体实施方式
现有技术中，对于无押信用贷款通常根据用户的征信报告等数据判断用户的信用风险情况，以确定是否能够给申请人授信贷款额度。然而，对于没有征信报告或者征信报告中数据较少的人群，难以进行信用风险评估。
本发明实施例中，基于用户在预设的应用软件中的操作数据采用信用风险评估模型对用户进行风险评估，得到用户的逾期概率，从而可以对没有征信数据或者征信数据较少的人群进行信用风险评估。
为使本发明实施例的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
参照图1，给出了本发明实施例中的一种用户信用风险评估方法的流程图。具体以包括如下步骤：
步骤11，获取用户在预设的应用软件中的操作数据。
在具体实施中，可以根据实际应用场景的需求，安装相应的应用软件并进行相应的操作。例如，在贷款业务场景中，应用软件为贷款或者金融等类型的应用软件。可以理解的是，也可以为其他具有涉及借还款的应用软件。
在具体实施中，用户在预设的应用软件中的操作数据可以包括：每项操作的操作内容及对应的操作时间点。
在本发明实施例中，操作内容可以包括以下至少一种：用户在预设的应用软件中触发的操作类型、用户在浏览页面的停留时长。可以理解的是，根据实际应用场景需要，操作内容还可以包括其他的操作。
例如，用户在2018年6月10日10:00:53打开贷款应用软件；用户在2018年6月10日10:02:21点击贷款“帮助”按键，进入帮助页面，用户在2018年6月10日10:06:57关闭帮助页面，在帮助页面停留6分钟4秒；用户在2018年6月10日10:08:03点开“产品”按键，进入贷款产品页面，并在贷款产品页面停留8分钟20秒。
当用户在帮助页面的贷还款规则或者贷款产品页面停留的时间越长，或者对应用软件中的相应内容了解的越详细则表明用户对产品了解的充分度、关注度及重视度越高，对应的用户的信用可能较好，逾期概率可能较低。当用户在帮助页面的贷还款规则或者贷款产品页面停留的时间越短，则用户对贷还款规则以及产品的了解越简单，充分度越低，对应用户的信用可能较差，逾期概率可能较高。
在具体实施中，可以在预设的应用软件中进行数据埋点，以获取用户在操作应用软件时留下的行为埋点数据。基于所获取到的用户在应用软件中的行为埋点数据，可以得到所述用户的操作数据。
步骤12，将所述用户的操作数据输入至信用风险评估模型中进行风险评估，得到所述用户的逾期概率。
在具体实施中，在获取到用户的操作数据之后，可以将获取到的操作数据输入至信用风险评估模型中进行风险评估，得到用户的逾期概率。
为了提高所得到的用户逾期概率的准确度，在本发明实施例中，可以根据每项操作的操作时间点，将用户的操作数据按照时序进行排序，得到用户的操作行为集合。用户的操作行为集合包括每项操作的操作内容及每项操作对应的操作时间点。将按照时序排列得到的用户的操作行为集合输入至信用风险评估模型中进行风险评估，得到用户的逾期概率。随着时间推移，用户的信用情况也会发生变化，在对用户的逾期概率进行评估时，可以考虑到用户在不同时间段的变化轨迹，从而可以充分考虑并综合近期的操作数据对应的表现来确定用户的逾期概率，因此，可以提高所得到的用户的逾期概率的准确度。
在具体实施中，可以采用如下方式训练得到信用风险评估模型，参照图2，给出了本发明实施例中的一种信用风险评估模型的训练流程图，具体可以包括如下步骤：
步骤21，获取训练样本中所有用户的操作数据。
在具体实施中，所获取到的训练样本中可以包括若干个用户对应的操作数据。每个用户的操作可以记为C＝[C1，C2，C3，…，Cn]；每个用户的操作的时间点可以记为T＝[T1，T2，T3，…，Tn]，n是用户操作的总个数，不同用户的操作的总个数可能不相同，也即不同用户对应的n的取值可能不同。按照每项操作的时间点对各项操作进行排序，如表1所示：
表1
步骤22，将所述所有用户的操作数据按照时序进行排序及分类，得到所述所有用户的操作行为集合。
在具体实施中，可以将所有用户的操作数据按照时序进行排序及按照操作的类别进行分类，将训练样本中所有的操作汇总在一起，得到所有用户的所有操作按照类别划分的操作行为集合，记为X＝[X1，X2，X3，…，Xm]，其中，m为所有不同操作的总个数，Xm为第m种操作。
步骤23，将所述所有用户的操作行为集合输入至时序类深度学习算法中，并基于每个用户的信用标签，训练得到所述信用风险评估模型。
在具体实施中，获取训练样本中已标注的用于甄别用户优劣的信用标签。将所有用户的操作行为集合输入至是时序类深度学习算法中，并根据每个用户的信用标签，训练得到所述信用风险评估模型。
在具体实施中，时序类深度学习算法可以包括以下至少一种：循环神经网络(Recurrent Neural Network，RNN)、长短期记忆网络(Long Short Term Memory，LSTM)。
例如，可以统计某一操作的次数、某一操作的时长、点击帮助按钮的次数、是否查看详细介绍的按钮等用户的操作行为，统计好变量后，可以输入至LSTM模型中，训练学习LSTM模型的系数，信用风险评估模型的训练过程也即是LSTM模型的系数的调整确定过程，当LSTM模型的输出结果满足预期要求时，LSTM模型的系数训练完成，得到所述信用风险评估模型。
步骤13，输出所述用户的逾期概率。
在具体实施中，得到用户的逾期概率之后，可以输出所得到的用户的逾期概率。
在具体实施中，在得到用户的逾期概率后，可以基于用户的逾期概率进行辅助决策。例如，对于逾期概率超过预设阈值的用户，可以拒绝用户的申请。又如，对于逾期概率较小的用户，可以给予较高额度的授信等。
由上可知，基于用户在预设的应用软件中的操作数据采用信用风险评估模型对用户进行风险评估，得到用户的逾期概率，从而可以对没有征信数据或者征信数据较少的人群进行信用风险评估。
为了便于本领域技术人员更好的理解和实现本发明实施例，本发明实施例还提供一种用户信用风险评估装置。
参照图3，给出了本发明实施例中的一种用户信用风险评估装置的结构示意图。用户信用风险评估装置30可以包括：获取单元31、评估单元32以及输出单元33，其中：
获取单元31，适于获取用户在预设的应用软件中的操作数据；
评估单元32，适于将所述用户的操作数据输入至信用风险评估模型中进行风险评估，得到所述用户的逾期概率；
输出单元33，适于输出所述用户的逾期概率。
在具体实施中，所述操作数据可以包括：每项操作的操作内容及对应的操作时间点；所述评估单元32，适于根据每项操作的操作时间点，将所述用户的操作数据按照时序进行排列，得到所述用户的操作行为集合，所述操作行为集合包括每项操作的操作内容及对应的时间点；将所述用户的操作行为集合输入至信用风险评估模型中进行风险评估。
在具体实施中，所述操作内容可以包括以下至少一种：所述用户在所述预设的应用软件中触发的操作类型、所述用户在浏览页面的停留时长。
在具体实施中，所述获取单元31，可以适于基于所述用户在所述应用软件中的行为埋点数据，获取所述操作数据。
在具体实施中，用户信用风险评估装置30还可以包括：模型构建单元(图3未示出)，适于采用如下方式构建所述信用风险评估模型：获取训练样本中所有用户的操作数据；将所述所有用户的操作数据按照时序进行排序及分类，得到所述所有用户的操作行为集合；将所述所有用户的操作行为集合输入至时序类深度学习算法中，并基于每个用户的信用标签，训练得到所述信用风险评估模型。
在具体实施中，所述时序类深度学习算法包括以下至少一种：循环神经网络、长短期记忆网络。
在具体实施中，用户信用风险评估装置30的工作原理及工作流程可以参考本发明上述任一实施例提供的用户信用风险评估方法中的描述，此处不再赘述。
本发明实施例还提供一种用户信用风险评估装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行本发明上述任一实施例提供的用户信用风险评估方法的步骤。
本发明实施例一种计算机可读存储介质，计算机可读存储介质为非易失性存储介质或非瞬态存储介质，其上存储有计算机指令，所述计算机指令运行时执行本发明上述任一实施例提供的用户信用风险评估方法的步骤。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于任一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (14)

1.一种用户信用风险评估方法，其特征在于，包括：
获取用户在预设的应用软件中的操作数据；
将所述用户的操作数据输入至信用风险评估模型中进行风险评估，得到所述用户的逾期概率；
输出所述用户的逾期概率。
2.根据权利要求1所述的用户信用风险评估方法，其特征在于，所述操作数据包括：每项操作的操作内容及对应的操作时间点；将所述用户的操作数据输入至信用风险评估模型中进行风险评估，包括：
根据每项操作的操作时间点，将所述用户的操作数据按照时序进行排列，得到所述用户的操作行为集合，所述操作行为集合包括每项操作的操作内容及对应的时间点；
将所述用户的操作行为集合输入至信用风险评估模型中进行风险评估。
3.根据权利要求2所述的用户信用风险评估方法，其特征在于，所述操作内容包括以下至少一种：
所述用户在所述预设的应用软件中触发的操作类型、所述用户在浏览页面的停留时长。
4.根据权利要求1所述的用户信用风险评估方法，其特征在于，所述获取用户在设定的应用软件中的操作数据，包括：
基于所述用户在所述应用软件中的行为埋点数据，获取所述操作数据。
5.根据权利要求1～4任一项所述的用户信用风险评估方法，其特征在于，采用如下方式构建所述信用风险评估模型：
获取训练样本中所有用户的操作数据；
将所述所有用户的操作数据按照时序进行排序及分类，得到所述所有用户的操作行为集合；
将所述所有用户的操作行为集合输入至时序类深度学习算法中，并基于每个用户的信用标签，训练得到所述信用风险评估模型。
6.根据权利要求5所述的用户信用风险评估方法，其特征在于，所述时序类深度学习算法包括以下至少一种：
循环神经网络、长短期记忆网络。
7.一种用户信用风险评估装置，其特征在于，包括：
获取单元，适于获取用户在预设的应用软件中的操作数据；
评估单元，适于将所述用户的操作数据输入至信用风险评估模型中进行风险评估，得到所述用户的逾期概率；
输出单元，适于输出所述用户的逾期概率。
8.根据权利要求7所述的用户信用风险评估装置，其特征在于，所述操作数据包括：每项操作的操作内容及对应的操作时间点；所述评估单元，适于根据每项操作的操作时间点，将所述用户的操作数据按照时序进行排列，得到所述用户的操作行为集合，所述操作行为集合包括每项操作的操作内容及对应的时间点；将所述用户的操作行为集合输入至信用风险评估模型中进行风险评估。
9.根据权利要求8所述的用户信用风险评估装置，其特征在于，所述操作内容包括以下至少一种：所述用户在所述预设的应用软件中触发的操作类型、所述用户在浏览页面的停留时长。
10.根据权利要求7所述的用户信用风险评估装置，其特征在于，所述获取单元，适于基于所述用户在所述应用软件中的行为埋点数据，获取所述操作数据。
11.根据权利要求7～10任一项所述的用户信用风险评估装置，其特征在于，还包括：模型构建单元，适于采用如下方式构建所述信用风险评估模型：获取训练样本中所有用户的操作数据；将所述所有用户的操作数据按照时序进行排序及分类，得到所述所有用户的操作行为集合；将所述所有用户的操作行为集合输入至时序类深度学习算法中，并基于每个用户的信用标签，训练得到所述信用风险评估模型。
12.根据权利要求11所述的用户信用风险评估装置，其特征在于，所述时序类深度学习算法包括以下至少一种：循环神经网络、长短期记忆网络。
13.一种用户信用风险评估装置，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，其特征在于，所述处理器运行所述计算机指令时执行权利要求1至6任一项所述的用户信用风险评估方法的步骤。
14.一种计算机可读存储介质，计算机可读存储介质为非易失性存储介质或非瞬态存储介质，其上存储有计算机指令，其特征在于，所述计算机指令运行时执行权利要求1至6中任一项所述的用户信用风险评估方法的步骤。
CN201910574796.4A 2019-06-28 2019-06-28 用户信用风险评估方法及装置、计算机可读存储介质 Pending CN110415102A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910574796.4A CN110415102A (zh) 2019-06-28 2019-06-28 用户信用风险评估方法及装置、计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910574796.4A CN110415102A (zh) 2019-06-28 2019-06-28 用户信用风险评估方法及装置、计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN110415102A true CN110415102A (zh) 2019-11-05

Family

ID=68359998

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910574796.4A Pending CN110415102A (zh) 2019-06-28 2019-06-28 用户信用风险评估方法及装置、计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN110415102A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111127191A (zh) * 2019-12-25 2020-05-08 北京百度网讯科技有限公司 风险评估方法及装置
CN111242771A (zh) * 2020-01-13 2020-06-05 北京明略软件系统有限公司 用户操作行为的处理方法和装置及计算机可读存储介质
CN111383107A (zh) * 2020-06-01 2020-07-07 江苏擎天助贸科技有限公司 基于出口数据的外贸企业预授信额度分析方法
CN111598494A (zh) * 2020-07-24 2020-08-28 北京淇瑀信息科技有限公司 资源额度的调整方法、装置及电子设备
CN115860924A (zh) * 2023-02-15 2023-03-28 国网数字科技控股有限公司 供应链金融信用风险预警方法及相关设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106296391A (zh) * 2016-08-08 2017-01-04 联动优势科技有限公司 一种评估逾期概率的方法和装置
CN108009914A (zh) * 2017-12-19 2018-05-08 马上消费金融股份有限公司 一种信用风险评估方法、系统、设备及计算机存储介质
CN108846520A (zh) * 2018-06-22 2018-11-20 北京京东金融科技控股有限公司 贷款逾期预测方法、装置以及计算机可读存储介质
CN109615454A (zh) * 2018-10-30 2019-04-12 阿里巴巴集团控股有限公司 确定用户金融违约风险的方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106296391A (zh) * 2016-08-08 2017-01-04 联动优势科技有限公司 一种评估逾期概率的方法和装置
CN108009914A (zh) * 2017-12-19 2018-05-08 马上消费金融股份有限公司 一种信用风险评估方法、系统、设备及计算机存储介质
CN108846520A (zh) * 2018-06-22 2018-11-20 北京京东金融科技控股有限公司 贷款逾期预测方法、装置以及计算机可读存储介质
CN109615454A (zh) * 2018-10-30 2019-04-12 阿里巴巴集团控股有限公司 确定用户金融违约风险的方法及装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111127191A (zh) * 2019-12-25 2020-05-08 北京百度网讯科技有限公司 风险评估方法及装置
CN111242771A (zh) * 2020-01-13 2020-06-05 北京明略软件系统有限公司 用户操作行为的处理方法和装置及计算机可读存储介质
CN111383107A (zh) * 2020-06-01 2020-07-07 江苏擎天助贸科技有限公司 基于出口数据的外贸企业预授信额度分析方法
CN111598494A (zh) * 2020-07-24 2020-08-28 北京淇瑀信息科技有限公司 资源额度的调整方法、装置及电子设备
CN115860924A (zh) * 2023-02-15 2023-03-28 国网数字科技控股有限公司 供应链金融信用风险预警方法及相关设备

Similar Documents

Publication Publication Date Title
CN110415102A (zh) 用户信用风险评估方法及装置、计算机可读存储介质
Brierley et al. Reading the landscape: Integrating the theory and practice of geomorphology to develop place-based understandings of river systems
CA2905280C (en) Automated financial data aggregation
Kao et al. A Bayesian latent variable model with classification and regression tree approach for behavior and credit scoring
CN110390465A (zh) 业务数据的风控分析处理方法、装置和计算机设备
Gupta et al. Production forecasting in unconventional resources using data mining and time series analysis
US8341149B2 (en) Ranking with learned rules
CN106600052A (zh) 一种基于时空轨迹的用户属性与社会网络检测系统
Read et al. Hazard function analysis for flood planning under nonstationarity
CN110428295A (zh) 商品推荐方法和系统
Vermard et al. A dynamic model of the Bay of Biscay pelagic fleet simulating fishing trip choice: the response to the closure of the European anchovy (Engraulis encrasicolus) fishery in 2005
CN107886366A (zh) 性别分类模型的生成方法、性别填充方法、终端及存储介质
WO2018232331A1 (en) Systems and methods for optimizing and simulating webpage ranking and traffic
Mariani et al. Stochastic differential equations applied to the study of geophysical and financial time series
CN108415913A (zh) 基于不确定邻居的人群定向方法
CN106294882A (zh) 数据挖掘方法以及装置
CN111353600A (zh) 一种异常行为检测方法及装置
CN109542956A (zh) 报表生成方法、装置、计算机设备和存储介质
Baralis et al. Discovering profitable stocks for intraday trading
Wang et al. Webpage depth viewability prediction using deep sequential neural networks
Masrur et al. Interpretable machine learning for analysing heterogeneous drivers of geographic events in space-time
DE112014006799T5 (de) Verfahren zur Messung eines Benutzerverhalten-Konsistenzgrades auf Basis eines komplexen Korrespondenzsystems
Taberna et al. Uncertainty in boundedly rational household adaptation to environmental shocks
Rajaleximi et al. Feature selection using optimized multiple rank score model for credit scoring
Cousyn et al. Web-based objects detection to discover key objects in human activities

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20191105