CN110956386A - 基于多渠道的信用数据的处理方法和装置 - Google Patents
基于多渠道的信用数据的处理方法和装置 Download PDFInfo
- Publication number
- CN110956386A CN110956386A CN201911183522.9A CN201911183522A CN110956386A CN 110956386 A CN110956386 A CN 110956386A CN 201911183522 A CN201911183522 A CN 201911183522A CN 110956386 A CN110956386 A CN 110956386A
- Authority
- CN
- China
- Prior art keywords
- credit
- characteristic parameter
- data set
- data
- set under
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012545 processing Methods 0.000 title claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 180
- 238000005315 distribution function Methods 0.000 claims abstract description 52
- 238000013507 mapping Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000003672 processing method Methods 0.000 description 6
- 238000012550 audit Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开了一种基于多渠道的信用数据的处理方法和装置，该方法包括：获取待评估用户在每一个特征参数下的数据集；根据预设的每一个特征参数的评分表、每一个特征参数下的数据集、以及与数据集相对应的概率分布函数，计算得到每一个特征参数对应的信用计算值；根据每一个特征参数下的数据集对应的整体置信度，调整每一个特征参数所对应的信用计算值；将待评估用户的所有的调整后的特征参数所对应的信用计算值进行求和，得到待评估用户的信用评分值。由于本申请采用一个特征参数下的多个信用数据、以及该特征参数下的多个信用数据的整体置信度来计算与该特征参数对应的信用计算值，使得最后得到的用户的信用评分值的准确性提高。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种基于多渠道的信用数据的处理方法和装置。
背景技术
评分卡模型是一种对用户的信用情况进行评估的一种模型。现有的评分卡模型中，选取了多个用于反映用户信用的特征参数，例如年龄、收入、信用额度使用比例等，针对每一种特征参数，分别利用该特征参数下的信用数据，计算得到与特征参数对应的信用计算值。最终，通过将用户的每一个特征参数对应的信用计算值相加，即可得到该用户的信用评分值。
但是，现有的评分卡模型中，对于用户的每一个特征参数，仅采用该特征参数下唯一的一个信用数据，来确定与特征参数对应的信用计算值。但在大数据时代，每一个特征参数下会有从多个来源渠道获取到的多个信用数据。例如，对小微企业的信用情况进行评估时，对于小微企业的收入这一特征参数来说，可以从纳税系统中获取到该小微企业的收入的信用数据，还可以从该小微企业自身填写的资料中获取到该小微企业的收入信用数据等。仅采用特征参数下的单一信用数据来代表用户的特征参数，显然存在片面性，会使得最后得到的用户的信用评分值的准确性不高。同时，每一个特征参数下的多个信用数据的整体置信度(即整体可靠性)也会对最终计算得到的信用评分值的准确性有较大的影响。例如，一个企业如果审计报表显示利润率在20％，就会说明该企业的信用情况较好，但若该利润率数据的来源是口述得到的，由于该利润率数据的来源的可靠性较低，则只能说明这个企业的信用情况可能较好。然而，现有技术中没有考虑到每一个特征参数下的多个信用数据的整体置信度，导致最终得到的用户的信用评分值的准确性不高。
发明内容
基于上述现有技术的不足，本申请提出了一种基于多渠道的信用数据的处理方法和装置，以实现采用一个特征参数下的多个信用数据来计算与该特征参数对应的信用计算值，并采用该特征参数下的多个信用数据的整体置信度，对该信用计算值进行调整，使得最后得到的用户的信用评分值的准确性提高。
为解决上述问题，现提出的方案如下：
本发明第一方面公开了一种基于多渠道的信用数据的处理方法，包括：
针对待评估用户，从信用参数集合中确定其对应的多种特征参数；
获取所述待评估用户在每一个特征参数下的数据集；其中，每一个所述特征参数下的数据集中的多个信用数据分别通过不同的来源渠道得到；
根据预设的每一个特征参数的评分表、每一个所述特征参数下的数据集、以及与每一个所述特征参数下的数据集相对应的概率分布函数，计算得到每一个所述特征参数所对应的信用计算值；其中，每一个所述特征参数的评分表用于说明每一个所述特征参数下的信用数据所对应信用计算值；每一个所述特征参数下的数据集相对应的概率分布函数用于计算所述数据集中的每一个信用数据所对应的权重概率；
根据每一个所述特征参数下的数据集相对应的整体置信度，对每一个所述特征参数所对应的信用计算值进行调整，得到调整后的每一个所述特征参数所对应的信用计算值；其中，所述与数据集相对应的整体置信度用于说明所述数据集中的信用数据的整体可靠性；
将所述待评估用户的所有的调整后的特征参数所对应的信用计算值进行求和，得到所述待评估用户的信用评分值。
可选地，在上述基于多渠道的信用数据的处理方法中，每一个所述特征参数下的数据集相对应的概率分布函数根据每一个所述特征参数下的每一个信用数据、以及预设的每一个所述特征参数下的每一个信用数据所对应的来源渠道的置信度构建得到；其中，每一个所述信用数据所对应的来源渠道的置信度用于说明所述来源渠道获取的信用数据的可靠性。
可选地，在上述基于多渠道的信用数据的处理方法中，每一个所述特征参数下的数据集相对应的整体置信度根据预设的每一个所述特征参数下的每一个信用数据所对应的来源渠道的置信度计算得到。
可选地，在上述基于多渠道的信用数据的处理方法中，所述根据预设的每一个特征参数的评分表、每一个所述特征参数下的数据集、以及与每一个所述特征参数下的数据集相对应的概率分布函数，计算得到每一个所述特征参数所对应的信用计算值，包括：
将每一个所述特征参数下的数据集中的每一个信用数据代入第一公式中，计算得到每一个所述特征参数所对应的信用计算值；
其中，所述第一公式为：
Ai为第i个特征参数所对应的信用计算值；xj为第i个特征参数下的数据集中的第j个信用数据；m为第i个特征参数下的数据集中的信用数据的个数；Pi(xj)为第i个特征参数下的数据集相对应的概率分布函数在信用数据为xj时对应的取值，表示第i个特征参数下的数据集中的第j个信用数据所对应的权重概率；Fi(xj)为根据预设的第i个特征参数的评分表所构建的映射函数；Fi(xj)表示根据预设的第i个特征参数的评分表得到的第i个特征参数下的第j个信用数据所对应的信用计算值。
可选地，在上述基于多渠道的信用数据的处理方法中，所述根据每一个所述特征参数下的数据集相对应的整体置信度，对每一个所述特征参数所对应的信用计算值进行调整，得到调整后的每一个所述特征参数所对应的信用计算值，包括：
将每一个所述特征参数下的数据集相对应的整体置信度、以及每一个所述特征参数所对应的信用计算值代入第二公式中，得到所述调整后的每一个所述特征参数所对应的信用计算值；
其中，所述第二公式为：A'i＝Ai×σ(αi)+Vi 0×(1-σ(αi))；A‘i为调整后的第i个特征参数所对应的信用计算值；Ai为第i个特征参数所对应的信用计算值；αi为第i个特征参数下的数据集相对应的整体置信度；σ(αi)为调整后的第i个特征参数下的数据集相对应的整体置信度；Vi 0为预设的第i个特征参数的默认信用计算值。
可选地，在上述基于多渠道的信用数据的处理方法中，所述根据所述预设的每一个特征参数的评分表、每一个所述特征参数下的数据集、以及与每一个所述特征参数下的数据集相对应的概率分布函数，计算得到每一个所述特征参数所对应的信用计算值，包括：
将每一个所述特征参数下的数据集中的每一个信用数据代入第三公式中，计算得到每一个所述特征参数所对应的信用计算值；
其中，所述第三公式为：
Ai为第i个特征参数所对应的信用计算值；xr为第i个特征参数下的数据集中的第r个信用数据；m为第i个特征参数下的数据集中的信用数据的个数；Pi(xr)为第i个特征参数下的数据集相对应的概率分布函数，表示第i个特征参数下的数据集中的第r个信用数据所对应的权重概率；Vi j为第i个特征参数下的数据集中的信用数据，在第i个特征参数所对应的评分卡中得到的多个信用计算值中的第j个信用计算值；k为第i个特征参数下的数据集中的信用数据所对应的信用计算值的个数，
为0-1函数，如果
则
否则δj(xr)＝0。
本发明第二方面公开了一种基于多渠道的信用数据的处理装置，包括：
确定单元，用于针对待评估用户，从信用参数集合中确定其对应的多种特征参数；
获取单元，用于获取所述待评估用户在每一个特征参数下的数据集；其中，每一个所述特征参数下的数据集中的多个信用数据分别通过不同的来源渠道得到；
第一计算单元，用于根据预设的每一个特征参数的评分表、每一个所述特征参数下的数据集、以及与每一个所述特征参数下的数据集相对应的概率分布函数，计算得到每一个所述特征参数所对应的信用计算值；其中，每一个所述特征参数的评分表用于说明每一个所述特征参数下的信用数据所对应信用计算值；每一个所述特征参数下的数据集相对应的概率分布函数用于计算所述数据集中的每一个信用数据所对应的权重概率；
调整单元，用于根据每一个所述特征参数下的数据集相对应的整体置信度，对每一个所述特征参数所对应的信用计算值进行调整，得到调整后的每一个所述特征参数所对应的信用计算值；其中，所述与数据集相对应的整体置信度用于说明所述数据集中的信用数据的整体可靠性；
第二计算单元，用于将所述待评估用户的所有的调整后的特征参数所对应的信用计算值进行求和，得到所述待评估用户的信用评分值。
可选地，在上述基于多渠道的信用数据的处理装置中，每一个所述特征参数下的数据集相对应的概率分布函数根据每一个所述特征参数下的每一个信用数据、以及预设的每一个所述特征参数下的每一个信用数据所对应的来源渠道的置信度构建得到；其中，每一个所述信用数据所对应的来源渠道的置信度用于说明所述来源渠道获取的信用数据的可靠性。
可选地，在上述基于多渠道的信用数据的处理装置中，每一个所述特征参数下的数据集相对应的整体置信度根据预设的每一个所述特征参数下的每一个信用数据所对应的来源渠道的置信度计算得到。
可选地，在上述基于多渠道的信用数据的处理装置中，所述第一计算单元，包括：
第一计算子单元，用于将每一个所述特征参数下的数据集中的每一个信用数据代入第一公式中，计算得到每一个所述特征参数所对应的信用计算值；
其中，所述第一公式为：
Ai为第i个特征参数所对应的信用计算值；xj为第i个特征参数下的数据集中的第j个信用数据；m为第i个特征参数下的数据集中的信用数据的个数；Pi(xj)为第i个特征参数下的数据集相对应的概率分布函数在信用数据为xj时对应的取值，表示第i个特征参数下的数据集中的第j个信用数据所对应的权重概率；Fi(xj)为根据预设的第i个特征参数的评分表所构建的映射函数；Fi(xj)表示根据预设的第i个特征参数的评分表得到的第i个特征参数下的第j个信用数据所对应的信用计算值。
可选地，在上述基于多渠道的信用数据的处理装置中，所述调整单元，包括：
调整子单元，用于将每一个所述特征参数下的数据集相对应的整体置信度、以及每一个所述特征参数所对应的信用计算值代入第二公式中，得到所述调整后的每一个所述特征参数所对应的信用计算值；
其中，所述第二公式为：A'i＝Ai×σ(αi)+Vi 0×(1-σ(αi))；
为调整后的第i个特征参数所对应的信用计算值；Ai为第i个特征参数所对应的信用计算值；αi为第i个特征参数下的数据集相对应的整体置信度；σ(αi)为调整后的第i个特征参数下的数据集相对应的整体置信度；Vi 0为预设的第i个特征参数的默认信用计算值。
可选地，在上述基于多渠道的信用数据的处理装置中，所述第一计算单元，包括：
第二计算子单元，用于将每一个所述特征参数下的数据集中的每一个信用数据代入第三公式中，计算得到每一个所述特征参数所对应的信用计算值；
其中，所述第三公式为：
Ai为第i个特征参数所对应的信用计算值；xr为第i个特征参数下的数据集中的第r个信用数据；m为第i个特征参数下的数据集中的信用数据的个数；Pi(xr)为第i个特征参数下的数据集相对应的概率分布函数，表示第i个特征参数下的数据集中的第r个信用数据所对应的权重概率；Vi j为第i个特征参数下的数据集中的信用数据，在第i个特征参数所对应的评分卡中得到的多个信用计算值中的第j个信用计算值；k为第i个特征参数下的数据集中的信用数据所对应的信用计算值的个数，
为0-1函数，如果
则
否则δj(xr)＝0。
从上述技术方案可以看出，本申请实施例提出的基于多渠道的信用数据的处理方法中，针对待评估用户，从信用参数集合中确定其对应的多种特征参数。然后获取待评估用户在每一个特征参数下的数据集。其中，每一个特征参数下的数据集中的多个信用数据分别通过不同的来源渠道得到。又根据预设的每一个特征参数的评分表、每一个特征参数下的数据集、以及与每一个特征参数下的数据集相对应的概率分布函数，计算得到每一个特征参数所对应的信用计算值。其中，每一个特征参数的评分表用于说明每一个特征参数下的信用数据所对应信用计算值；每一个特征参数下的数据集相对应的概率分布函数用于计算数据集中的每一个信用数据所对应的权重概率。然后根据每一个特征参数下的数据集相对应的整体置信度，对每一个特征参数所对应的信用计算值进行调整，得到调整后的每一个特征参数所对应的信用计算值，最后将待评估用户的所有调整后的特征参数所对应的信用计算值进行求和，得到待评估用户的信用评分值。由于本申请实施例中每一个特征参数下的数据集包括了不同的来源渠道得到的多个信用数据，因此根据该特征参数下的数据集计算得到的信用计算值不会出现片面性，且采用每一个特征参数下的数据集相对应的整体置信度对每一个特征参数的信用计算值进行了调整，考虑到了数据集的整体可靠性，进而提高了最终得到的用户的信用评分值的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例公开的一种基于多渠道的信用数据的处理方法的流程示意图；
图2为本发明实施例公开的一种基于多渠道的信用数据的处理装置的结构示意图。
具体实施方式
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，都属于本发明保护的范围。
参阅图1，本申请实施例公开了一种基于多渠道的信用数据的处理方法，具体包括以下步骤：
S101、针对待评估用户，从信用参数集合中确定其对应的多种特征参数。
其中，待评估用户可以是个人用户，也可以是企业。信用参数集合中包括多种用于评估信用情况的特征参数，例如收入、年龄、信用额度使用比例、支出情况等等。信用参数集合中包含的特征参数可人为调整设置。待评估用户指的是未进行信用评估的用户。为了评估待评估用户的信用情况，可以先获取已收集到的待评估用户的各种特征参数信息，例如姓名信息、收入信息、学历信息等等。再根据预设的信用参数集合，确定待评估用户的各种特征参数中属于信用参数集合中的特征参数，进而从信用参数集合中确定出与待评估用户对应的多种特征参数。
需要说明的是，已收集的待评估用户的信息中不一定涵盖了信用参数集合中的所有的特征参数，也可能仅收集到了信用参数集合中的部分特征参数。例如，信用参数集合中有收入、支出、年龄以及信用额度使用比例，而已收集到的待评估用户的信息中有年龄、性别、姓名以及收入，因此从信用参数集合确定出待评估用户对应的信用相关的特征参数为年龄以及收入。
S102、获取待评估用户在每一个特征参数下的数据集。
其中，每一个特征参数下的数据集中的多个信用数据分别通过不同的来源渠道得到。来源渠道指的是获取信用数据的方式。例如，对于收入这一特征参数，待评估用户的收入特征参数下的数据集中包括了多个信用数据。有从待评估用户填写的个人信息这一来源渠道获得的，有从银行流水这一来源渠道获得的等。每一个特征参数下的多个不同来源渠道获得的信用数据，构成了每一个特征参数下的数据集。
具体地，执行步骤S102时，可以从汇集了待评估用户信息的数据库中，查找S101中确定的待评估用户的多个特征参数，进而获取待评估用户的每一个特征参数下的数据集。需要说明的是，除了获取每一个特征参数下的数据集外，还需获取数据集中的每一个信用数据的来源渠道的信息。
S103、根据预设的每一个特征参数的评分表、每一个特征参数下的数据集、以及与每一个特征参数下的数据集相对应的概率分布函数，计算得到每一个特征参数所对应的信用计算值。
其中，每一个特征参数的评分表用于说明每一个特征参数下的信用数据所对应信用计算值。每一个特征参数下的数据集相对应的概率分布函数用于计算数据集中的每一个信用数据所对应的权重概率。
具体地，根据每一个特征参数的评分表可构建对应的一个映射函数。第i个特征参数的评分表则构建对应的映射函数Fi(x)，其中x为第i个特征参数下的信用数据。第i个特征参数下的信用数据x可划分为k个集合，分别为S1、S2、……、Sk。属于S1集合中的信用数据代入至映射函数Fi(x)均得到信用计算值V1，即S1中的信用数据所对应的信用计算值为V1，而Sk中的信用数据所对应的信用计算值为Vk。例如，收入特征参数下的信用数据x划分为1000-2000元、2000-4000元、4000-6000元、6000-10000元以及10000-20000元、大于20000元这6个集合，其中，信用数据属于1000-2000元时，对应的信用计算值为3分，2000-4000元时对应的信用计算值为4分，4000-6000元时对应的信用计算值为6分，6000-10000元时对应的信用计算值为8分，10000-20000元时对应的信用计算值则为10分，大于20000元时对应的信用计算值为15分。
需要说明的是，在实际应用中，若出现一些产品的信用评估策略发生变化等特殊情况时，每一个特征参数的评分表中不一定涵盖了所有的特征参数下的信用数据所对应的信用计算值的情况。例如，对于年龄这一特征参数，可能把信用数据划分为了18-24岁、25-30岁、30-45岁、45-55岁以及55-70岁以上这几个集合，但没有涵盖关于18岁以下、以及70岁以上的情况所对应的信用计算值。若步骤S102中得到的特征参数下的数据集中，存在有在对应的评分表中没有找到信用数据所对应的信用计算值的情况时，则使得该信用数据所对应的信用计算值为一个预设的默认信用计算值。
可选地，若待评估用户在信用参数集合中的部分特征参数下没有信用数据，可将待评估用户缺少信用数据的特征参数的信用计算值设置为默认信用计算值。
因此，根据每一个特征参数的评分表以及预设的默认信用计算值，步骤S102中得到的每一个特征参数下的数据集中的每一个信用数据均能得到一个对应的信用计算值。而每一个特征参数所对应的信用计算值，则是根据该特征参数下的多个信用数据对应的信用计算值、以及每一个特征参数下的数据集相对应的概率分布函数得到。
现有技术中，每一个特征参数所对应的信用计算值是通过每一个特征参数下的唯一一个信用数据、以及每一个特征参数的评分表得到的。在大数据时代，信用数据的来源也变得越来越多样化，每个用户的信用数据来源都可能有所差异，这时仅用一个信用数据来作为它对应的特征参数的代表，存在片面性，会导致最终计算得到的信用评分值准确度不高。而本申请实施例中，是根据预设的每一个特征参数的评分表、每一个特征参数下的数据集、以及与每一个特征参数下的数据集相对应的概率分布函数，来计算每一个特征参数所对应的信用计算值的。因此每一个特征参数所对应的信用计算值不再是根据数据集中的一个信用数据得到的，而是根据数据集中的所有信用数据计算得到的，进而提高了最终步骤S104得到的信用评分值的准确性。
可选地，每一个特征参数下的数据集相对应的概率分布函数可以设置为数据集中的每一个信用数据所对应的权重概率均相等。即把同一个特征参数下的多个信用数据所对应的信用计算值求平均值，以平均值作为该特征参数的信用计算值。
可选地，每一个特征参数下的数据集相对应的概率分布函数可根据每一个特征参数下的每一个信用数据、以及预设的每一个特征参数下的每一个信用数据所对应的来源渠道的置信度构建得到。其中，每一个信用数据所对应的来源渠道的置信度用于说明来源渠道获取的信用数据的可靠性。
具体地，根据每一种来源渠道所获得的信用数据的可靠情况来设置来源渠道的置信度。来源渠道获得的信用数据的可靠性越高，则设定该来源渠道对应的置信度就越高。例如，待评估用户的第i个特征参数下的数据集中共有k个信用数据，分别为x1、x2、……、xk。信用数据x1所对应的来源渠道的置信度为θ1、信用数据x2所对应的来源渠道的置信度为θ2、……、信用数据xk所对应的来源渠道的置信度为θk。将信用数据x1代入第i个特征参数下的数据集相对应的概率分布函数Pi(x)中，得到
其中Pi(x1)的概率值代表的是第i个特征参数的信用数据为x1的概率。以此类推，可以分别得到k个信用数据的分布概率。信用数据所对应的来源渠道的置信度越大，该信用数据的权重概率就越大。需要说明的是，根据每一个特征参数下的每一个信用数据、以及预设的每一个特征参数下的每一个信用数据所对应的来源渠道的置信度构建得到每一个特征参数下的数据集相对应的概率分布函数的方式有很多，包括但不限于本申请实施例提出的内容。且每一个特征参数下的数据集相对应的概率分布函数的构建方式有很多，包括但不限于本申请实施例提出的内容。
可选地，在本申请一具体实施例中，执行步骤S103的一种实施方式，包括：
将每一个特征参数下的数据集中的每一个信用数据代入第一公式中，计算得到每一个特征参数所对应的信用计算值。
其中，第一公式为：
Ai为第i个特征参数所对应的信用计算值；xj为第i个特征参数下的数据集中的第j个信用数据。m为第i个特征参数下的数据集中的信用数据的个数。Pi(xj)为第i个特征参数下的数据集相对应的概率分布函数在信用数据为xj时对应的取值，表示第i个特征参数下的数据集中的第j个信用数据所对应的权重概率。Fi(xj)为根据所述预设的第i个特征参数的评分表所构建的映射函数；Fi(xj)表示根据预设的第i个特征参数的评分表得到的第i个特征参数下的第j个信用数据所对应的信用计算值。
采用第一公式计算时，根据第i个特征参数下的每一个信用数据所对应的分布概率，对每一个信用数据对应的信用计算值进行线性加权，得到第i个特征参数的信用计算值。
可选地，在本申请一具体实施例中，执行步骤S103的一种方式，包括：
将每一个特征参数下的数据集中的每一个信用数据代入公式(1)中，计算得到每一个特征参数所对应的信用计算值。公式(1)采用了二阶加权的方式计算每一个特征参数所对应的信用计算值。
公式(1)为：
其中，Ai为第i个特征参数所对应的信用计算值；xj为第i个特征参数下的数据集中的第j个信用数据；m为第i个特征参数下的数据集中的信用数据的个数；Pi(xj)为第i个特征参数下的数据集相对应的概率分布函数在信用数据为xj时对应的取值，表示第i个特征参数下的数据集中的第j个信用数据所对应的权重概率；Fi(xj)为根据预设的第i个特征参数的评分表所构建的映射函数；Fi(xj)表示根据所述预设的第i个特征参数的评分表得到的第i个特征参数下的第j个信用数据所对应的信用计算值。
可选地，在本申请一具体实施例中，执行步骤S103的一种方式，包括：
将每一个特征参数下的数据集中的每一个信用数据代入公式第三公式中，计算得到每一个特征参数所对应的信用计算值。第三公式采用了将不同的信用数据但具有相同的信用计算值合并后的信用计算值项进行二阶加权的方式，来计算每一个特征参数所对应的信用计算值。
其中，第三公式为：
其中，Ai为第i个特征参数所对应的信用计算值；xr为第i个特征参数下的数据集中的第r个信用数据；m为第i个特征参数下的数据集中的信用数据的个数；Pi(xr)为第i个特征参数下的数据集相对应的概率分布函数，表示第i个特征参数下的数据集中的第r个信用数据所对应的权重概率；Vi j为第i个特征参数下的数据集中的信用数据，在第i个特征参数所对应的评分卡中得到的多个信用计算值中的第j个信用计算值；k为第i个特征参数下的数据集中的信用数据所对应的信用计算值的个数，
为0-1函数，如果
则
否则δj(xr)＝0。
需要说明的是，执行步骤S103时，可使用的计算公式有很多，包括但不限于本申请实施例提出的内容。可根据实际情况选取最合适的公式来计算每一个特征参数所对应的信用计算值。
本申请实施例中，每一个特征参数下的数据集相对应的概率分布函数根据每一个特征参数下的每一个信用数据、以及预设的每一个特征参数下的每一个信用数据所对应的来源渠道的置信度构建得到，可使得数据集相对应的概率分布函数能够反映出数据集中的不同信用数据的可靠性差异。概率分布函数给来源渠道置信度较低的信用数据所对应的信用计算值分配了一个比较小的权重，给来源置信度较高的信用数据所对应的信用计算值分配了一个比较大的权重，经过概率分布函数的调整所计算得到的特征参数的信用计算值准确度得到了提升，更能够反映出待评估用户在该特征参数下的信用情况。
S104、根据每一个特征参数下的数据集相对应的整体置信度，对每一个特征参数所对应的信用计算值进行调整，得到调整后的每一个特征参数所对应的信用计算值。
其中，与数据集相对应的整体置信度用于说明数据集中的信用数据的整体可靠性。每一个特征参数下的数据集相对应的整体置信度与数据集中的每一个信用数据的来源渠道相关。数据集中的信用数据对应的来源渠道说明了信用数据的可靠性，因此，数据集相对应的整体置信度是用于说明数据集中的所有信用数据的可靠性的值。
具体地，可以将每一个特征参数下的数据集相对应的整体置信度、以及每一个特征参数所对应的信用计算值代入第二公式中，得到调整后的每一个特征参数所对应的信用计算值。
其中，第二公式为：A'i＝Ai×σ(αi)+Vi 0×(1-σ(αi))；
为调整后的第i个特征参数所对应的信用计算值；Ai为第i个特征参数所对应的信用计算值；αi为第i个特征参数下的数据集相对应的整体置信度；σ(αi)为调整后的第i个特征参数下的数据集相对应的整体置信度；Vi 0为预设的第i个特征参数的默认信用计算值。默认信用计算值可人为调整设置。采用第二公式调整每一个特征参数所对应的信用计算值时，将整体置信度代入调整函数，得到的值作为调整前的特征参数的信用计算值的权重。又将(1-σ(αi)作为该特征参数的不确定信用数据的权重，最终计算得到调整后的每一个特征参数所对应的信用计算值。
σ(α)是一个用于调整整体置信度α的调整函数。整体置信度α是一个在0到1之间的值，整体置信度越大，则说明数据集中的所有的信用数据整体的可靠性越高。特征参数下的数据集所对应的整体置信度α是根据数据集中的信用数据所对应的来源渠道的置信度所得到的。而来源渠道的置信度是预设的，通过预设的多个不同来源渠道的置信度，可以比较出不同来源渠道所获得的信用数据的可靠性的优劣，但不一定能够很好的反映出不同来源渠道所获得的信用数据的可靠性的差距。例如，待评估用户的收入特征参数下的数据集包括x1和x2这两个信用数据。其中x1由纳税系统得到，x2由用户口述得到。纳税系统来源渠道预设的置信度是0.5，用户口述来源渠道预设的置信度是0.2。虽然纳税系统来源渠道的置信度是高于用户口述来源渠道的置信度，但两者置信度的差距是否是0.5-0.2＝0.3，也可能这两个渠道的置信度差距更大，也有可能差距更小，因此需要一个调整函数对整体置信度进行调整。该调整函数满足于当整体置信度α1大于整体置信度α2时，经过调整函数调整的σ(α1)也大于σ(α2)。即调整函数是一个单调增加的函数。可选的，可以使得调整函数调整后的σ(α1)与调整前的整体置信度α1相等，即不对整体置信度进行调整。具体可根据实际应用中计算得到的待评估用户的各个特征参数的信用计算值的准确度，来设置调整函数，使得第二公式计算得到的信用计算值的准确度提升。
可选地，在本申请一具体实施例中，每一个特征参数下的数据集相对应的整体置信度根据预设的每一个特征参数下的每一个信用数据所对应的来源渠道的置信度计算得到。例如，可将每一个特征参数下的所有信用数据所对应的的来源渠道的置信度求和，得到整体置信度，也可以求一个特征参数下所获得的信用数据对应的来源渠道置信度的平方和，再进行开二次根号，得到整体置信度。也可以采用其他方式对每一个特征参数下的所有信用数据所对应的的来源渠道的置信度进行处理，最终得到一个可以衡量该数据集的可靠性的整体置信度。
本申请实施例中，引入了一个能够反映特征参数下的数据集的整体可靠性的整体置信度，来对特征参数的信用计算值进行进一步的调整，进一步提升每一个特征参数的信用计算值的准确性。
S105、将待评估用户的所有的调整后的特征参数所对应的信用计算值进行求和，得到待评估用户的信用评分值。
将步骤S104中得到的待评估用户的所有的调整后的特征参数所对应的信用计算值进行求和，得到一个能够整体反映待评估用户的信用情况的信用评分值。待评估用户的信用评分值越高，则说明待评估用户的信用情况越好。
本申请实施例提出的基于多渠道及置信度的信用数据的处理方法中，针对待评估用户，从信用参数集合中确定其对应的多种特征参数。然后获取待评估用户在每一个特征参数下的数据集。其中，每一个特征参数下的数据集中的多个信用数据分别通过不同的来源渠道得到。又根据预设的每一个特征参数的评分表、每一个特征参数下的数据集、以及与每一个特征参数下的数据集相对应的概率分布函数，计算得到每一个特征参数所对应的信用计算值。其中，每一个特征参数的评分表用于说明每一个特征参数下的信用数据所对应信用计算值；每一个特征参数下的数据集相对应的概率分布函数用于计算数据集中的每一个信用数据所对应的权重概率。然后根据每一个特征参数下的数据集相对应的整体置信度，对每一个特征参数所对应的信用计算值进行调整，得到调整后的每一个特征参数所对应的信用计算值，最后将待评估用户的所有调整后的特征参数所对应的信用计算值进行求和，得到待评估用户的信用评分值。由于本申请实施例中每一个特征参数下的数据集包括了不同的来源渠道得到的多个信用数据，因此根据该特征参数下的数据集计算得到的信用计算值不会出现片面性，且采用每一个特征参数下的数据集相对应的整体置信度对每一个特征参数的信用计算值进行了调整，考虑到了数据集的整体可靠性，进而提高了最终得到的用户的信用评分值的准确性。
参阅图2，基于上述本申请实施例提出的基于多渠道的信用数据的处理方法，本申请实施例还对应公开了一种基于多渠道的信用数据的处理装置，包括：确定单元201、获取单元202、第一计算单元203、调整单元204以及第二计算单元205。
确定单元201，用于针对待评估用户，从信用参数集合中确定其对应的多种特征参数。
获取单元202，用于获取待评估用户在每一个特征参数下的数据集。其中，每一个特征参数下的数据集中的多个信用数据分别通过不同的来源渠道得到。
第一计算单元203，用于根据预设的每一个特征参数的评分表、每一个特征参数下的数据集、以及与每一个特征参数下的数据集相对应的概率分布函数，计算得到每一个特征参数所对应的信用计算值。其中，每一个特征参数的评分表用于说明每一个特征参数下的信用数据所对应信用计算值。每一个特征参数下的数据集相对应的概率分布函数用于计算数据集中的每一个信用数据所对应的权重概率。
可选地，在本申请一具体实施例中，第一计算单元203，包括：
第一计算子单元，用于将每一个特征参数下的数据集中的每一个信用数据代入第一公式中，计算得到每一个特征参数所对应的信用计算值。
其中，第一公式为：
Ai为第i个特征参数所对应的信用计算值；xj为第i个特征参数下的数据集中的第j个信用数据；m为第i个特征参数下的数据集中的信用数据的个数；Pi(xj)为第i个特征参数下的数据集相对应的概率分布函数，表示第i个特征参数下的数据集中的第j个信用数据所对应的权重概率；Fi(xj)为根据所述预设的第i个特征参数的评分表所构建的映射函数；Fi(xj)表示根据所述预设的第i个特征参数的评分表得到的第i个特征参数下的第j个信用数据所对应的信用计算值。
可选地，在本申请一具体实施例中，第一计算单元203，包括：
第二计算子单元，用于将每一个特征参数下的数据集中的每一个信用数据代入第三公式中，计算得到每一个特征参数所对应的信用计算值。
其中，第三公式为：
Ai为第i个特征参数所对应的信用计算值；xr为第i个特征参数下的数据集中的第r个信用数据；m为第i个特征参数下的数据集中的信用数据的个数；Pi(xr)为第i个特征参数下的数据集相对应的概率分布函数，表示第i个特征参数下的数据集中的第r个信用数据所对应的权重概率；Vi j为第i个特征参数下的数据集中的信用数据，在第i个特征参数所对应的评分卡中得到的多个信用计算值中的第j个信用计算值；k为第i个特征参数下的数据集中的信用数据所对应的信用计算值的个数，
为0-1函数，如果
则
否则δj(xr)＝0。
可选地，在本申请一具体实施例中，每一个特征参数下的数据集相对应的概率分布函数根据每一个特征参数下的每一个信用数据、以及预设的每一个特征参数下的每一个信用数据所对应的来源渠道的置信度构建得到。其中，每一个信用数据所对应的来源渠道的置信度用于说明来源渠道获取的信用数据的可靠性。
调整单元204，用于根据每一个特征参数下的数据集相对应的整体置信度，对每一个特征参数所对应的信用计算值进行调整，得到调整后的每一个特征参数所对应的信用计算值。其中，与数据集相对应的整体置信度用于说明数据集中的信用数据的整体可靠性。
可选地，在本申请一具体实施例中，每一个特征参数下的数据集相对应的整体置信度根据预设的每一个特征参数下的每一个信用数据所对应的来源渠道的置信度计算得到。
可选地，在本申请一具体实施例中，调整单元204，包括：
调整子单元，用于将每一个特征参数下的数据集相对应的整体置信度、以及每一个特征参数所对应的信用计算值代入第二公式中，得到调整后的每一个特征参数所对应的信用计算值。
其中，第二公式为：A'i＝Ai×σ(αi)+Vi 0×(1-σ(αi))；
为调整后的第i个特征参数所对应的信用计算值；Ai为第i个特征参数所对应的信用计算值；αi为第i个特征参数下的数据集相对应的整体置信度；σ(αi)为调整后的第i个特征参数下的数据集相对应的整体置信度；Vi 0为预设的第i个特征参数的默认信用计算值。
第二计算单元205，用于将待评估用户的所有的调整后的特征参数所对应的信用计算值进行求和，得到待评估用户的信用评分值。
上述本申请实施例公开的基于多渠道的信用数据的处理装置中的具体的原理和执行过程，与上述本申请实施例公开的基于多渠道的信用数据的处理方法相同，可参见上述本申请实施例公开的基于多渠道的信用数据的处理方法中相应的部分，这里不再进行赘述。
本申请实施例提出的基于多渠道的信用数据的处理装置中，确定单元201针对待评估用户，从信用参数集合中确定其对应的多种特征参数。然后获取单元202获取待评估用户在每一个特征参数下的数据集。其中，每一个特征参数下的数据集中的多个信用数据分别通过不同的来源渠道得到。第一计算单元203又根据预设的每一个特征参数的评分表、每一个特征参数下的数据集、以及与每一个特征参数下的数据集相对应的概率分布函数，计算得到每一个特征参数所对应的信用计算值。其中，每一个特征参数的评分表用于说明每一个特征参数下的信用数据所对应信用计算值；每一个特征参数下的数据集相对应的概率分布函数用于计算数据集中的每一个信用数据所对应的权重概率。然后调整单元204根据每一个特征参数下的数据集相对应的整体置信度，对每一个特征参数所对应的信用计算值进行调整，得到调整后的每一个特征参数所对应的信用计算值，最后第二计算单元205将待评估用户的所有调整后的特征参数所对应的信用计算值进行求和，得到待评估用户的信用评分值。由于本申请实施例中每一个特征参数下的数据集包括了不同的来源渠道得到的多个信用数据，因此根据该特征参数下的数据集计算得到的信用计算值不会出现片面性，且采用每一个特征参数下的数据集相对应的整体置信度对每一个特征参数的信用计算值进行了调整，考虑到了数据集的整体可靠性，进而提高了最终得到的用户的信用评分值的准确性。
专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (12)
1.一种基于多渠道的信用数据的处理方法，其特征在于，包括：
针对待评估用户，从信用参数集合中确定其对应的多种特征参数；
获取所述待评估用户在每一个特征参数下的数据集；其中，每一个所述特征参数下的数据集中的多个信用数据分别通过不同的来源渠道得到；
根据预设的每一个特征参数的评分表、每一个所述特征参数下的数据集、以及与每一个所述特征参数下的数据集相对应的概率分布函数，计算得到每一个所述特征参数所对应的信用计算值；其中，每一个所述特征参数的评分表用于说明每一个所述特征参数下的信用数据所对应信用计算值；每一个所述特征参数下的数据集相对应的概率分布函数用于计算所述数据集中的每一个信用数据所对应的权重概率；
根据每一个所述特征参数下的数据集相对应的整体置信度，对每一个所述特征参数所对应的信用计算值进行调整，得到调整后的每一个所述特征参数所对应的信用计算值；其中，所述与数据集相对应的整体置信度用于说明所述数据集中的信用数据的整体可靠性；
将所述待评估用户的所有的调整后的特征参数所对应的信用计算值进行求和，得到所述待评估用户的信用评分值。
2.根据权利要求1所述的方法，其特征在于，每一个所述特征参数下的数据集相对应的概率分布函数根据每一个所述特征参数下的每一个信用数据、以及预设的每一个所述特征参数下的每一个信用数据所对应的来源渠道的置信度构建得到；其中，每一个所述信用数据所对应的来源渠道的置信度用于说明所述来源渠道获取的信用数据的可靠性。
3.根据权利要求1所述的方法，其特征在于，每一个所述特征参数下的数据集相对应的整体置信度根据预设的每一个所述特征参数下的每一个信用数据所对应的来源渠道的置信度计算得到。
4.根据权利要求1所述的方法，其特征在于，所述根据预设的每一个特征参数的评分表、每一个所述特征参数下的数据集、以及与每一个所述特征参数下的数据集相对应的概率分布函数，计算得到每一个所述特征参数所对应的信用计算值，包括：
将每一个所述特征参数下的数据集中的每一个信用数据代入第一公式中，计算得到每一个所述特征参数所对应的信用计算值；
其中，所述第一公式为：
Ai为第i个特征参数所对应的信用计算值；xj为第i个特征参数下的数据集中的第j个信用数据；m为第i个特征参数下的数据集中的信用数据的个数；Pi(xj)为第i个特征参数下的数据集相对应的概率分布函数在信用数据为xj时对应的取值，表示第i个特征参数下的数据集中的第j个信用数据所对应的权重概率；Fi(xj)为根据预设的第i个特征参数的评分表所构建的映射函数；Fi(xj)表示根据预设的第i个特征参数的评分表得到的第i个特征参数下的第j个信用数据所对应的信用计算值。
5.根据权利要求1所述的方法，其特征在于，所述根据每一个所述特征参数下的数据集相对应的整体置信度，对每一个所述特征参数所对应的信用计算值进行调整，得到调整后的每一个所述特征参数所对应的信用计算值，包括：
将每一个所述特征参数下的数据集相对应的整体置信度、以及每一个所述特征参数所对应的信用计算值代入第二公式中，得到所述调整后的每一个所述特征参数所对应的信用计算值；
其中，所述第二公式为：A′i＝Ai×σ(αi)+Vi 0×(1-σ(αi))；A′i为调整后的第i个特征参数所对应的信用计算值；Ai为第i个特征参数所对应的信用计算值；αi为第i个特征参数下的数据集相对应的整体置信度；σ(αi)为调整后的第i个特征参数下的数据集相对应的整体置信度；Vi 0为预设的第i个特征参数的默认信用计算值。
6.根据权利要求1所述的方法，其特征在于，所述根据所述预设的每一个特征参数的评分表、每一个所述特征参数下的数据集、以及与每一个所述特征参数下的数据集相对应的概率分布函数，计算得到每一个所述特征参数所对应的信用计算值，包括：
将每一个所述特征参数下的数据集中的每一个信用数据代入第三公式中，计算得到每一个所述特征参数所对应的信用计算值；
其中，所述第三公式为：
Ai为第i个特征参数所对应的信用计算值；xr为第i个特征参数下的数据集中的第r个信用数据；m为第i个特征参数下的数据集中的信用数据的个数；Pi(xr)为第i个特征参数下的数据集相对应的概率分布函数，表示第i个特征参数下的数据集中的第r个信用数据所对应的权重概率；Vi j为第i个特征参数下的数据集中的信用数据，在第i个特征参数所对应的评分卡中得到的多个信用计算值中的第j个信用计算值；k为第i个特征参数下的数据集中的信用数据所对应的信用计算值的个数，
为0-1函数，如果Fi(xr)＝Vi j则
否则δj(xr)＝0。
7.一种基于多渠道的信用数据的处理装置，其特征在于，包括：
确定单元，用于针对待评估用户，从信用参数集合中确定其对应的多种特征参数；
获取单元，用于获取所述待评估用户在每一个特征参数下的数据集；其中，每一个所述特征参数下的数据集中的多个信用数据分别通过不同的来源渠道得到；
第一计算单元，用于根据预设的每一个特征参数的评分表、每一个所述特征参数下的数据集、以及与每一个所述特征参数下的数据集相对应的概率分布函数，计算得到每一个所述特征参数所对应的信用计算值；其中，每一个所述特征参数的评分表用于说明每一个所述特征参数下的信用数据所对应信用计算值；每一个所述特征参数下的数据集相对应的概率分布函数用于计算所述数据集中的每一个信用数据所对应的权重概率；
调整单元，用于根据每一个所述特征参数下的数据集相对应的整体置信度，对每一个所述特征参数所对应的信用计算值进行调整，得到调整后的每一个所述特征参数所对应的信用计算值；其中，所述与数据集相对应的整体置信度用于说明所述数据集中的信用数据的整体可靠性；
第二计算单元，用于将所述待评估用户的所有的调整后的特征参数所对应的信用计算值进行求和，得到所述待评估用户的信用评分值。
8.根据权利要求7所述的装置，其特征在于，每一个所述特征参数下的数据集相对应的概率分布函数根据每一个所述特征参数下的每一个信用数据、以及预设的每一个所述特征参数下的每一个信用数据所对应的来源渠道的置信度构建得到；其中，每一个所述信用数据所对应的来源渠道的置信度用于说明所述来源渠道获取的信用数据的可靠性。
9.根据权利要求7所述的装置，其特征在于，每一个所述特征参数下的数据集相对应的整体置信度根据预设的每一个所述特征参数下的每一个信用数据所对应的来源渠道的置信度计算得到。
10.根据权利要求7所述的装置，其特征在于，所述第一计算单元，包括：
第一计算子单元，用于将每一个所述特征参数下的数据集中的每一个信用数据代入第一公式中，计算得到每一个所述特征参数所对应的信用计算值；
其中，所述第一公式为：
Ai为第i个特征参数所对应的信用计算值；xj为第i个特征参数下的数据集中的第j个信用数据；m为第i个特征参数下的数据集中的信用数据的个数；Pi(xj)为第i个特征参数下的数据集相对应的概率分布函数在信用数据为xj时对应的取值，表示第i个特征参数下的数据集中的第j个信用数据所对应的权重概率；Fi(xj)为根据预设的第i个特征参数的评分表所构建的映射函数；Fi(xj)表示根据预设的第i个特征参数的评分表得到的第i个特征参数下的第j个信用数据所对应的信用计算值。
11.根据权利要求7所述的装置，其特征在于，所述调整单元，包括：
调整子单元，用于将每一个所述特征参数下的数据集相对应的整体置信度、以及每一个所述特征参数所对应的信用计算值代入第二公式中，得到所述调整后的每一个所述特征参数所对应的信用计算值；
其中，所述第二公式为：A′i＝Ai×σ(αi)+Vi 0×(1-σ(αi))；
A′i为调整后的第i个特征参数所对应的信用计算值；Ai为第i个特征参数所对应的信用计算值；αi为第i个特征参数下的数据集相对应的整体置信度；σ(αi)为调整后的第i个特征参数下的数据集相对应的整体置信度；Vi 0为预设的第i个特征参数的默认信用计算值。
12.根据权利要求7所述的装置，其特征在于，所述第一计算单元，包括：
第二计算子单元，用于将每一个所述特征参数下的数据集中的每一个信用数据代入第三公式中，计算得到每一个所述特征参数所对应的信用计算值；
其中，所述第三公式为：
Ai为第i个特征参数所对应的信用计算值；xr为第i个特征参数下的数据集中的第r个信用数据；m为第i个特征参数下的数据集中的信用数据的个数；Pi(xr)为第i个特征参数下的数据集相对应的概率分布函数，表示第i个特征参数下的数据集中的第r个信用数据所对应的权重概率；Vi j为第i个特征参数下的数据集中的信用数据，在第i个特征参数所对应的评分卡中得到的多个信用计算值中的第j个信用计算值；k为第i个特征参数下的数据集中的信用数据所对应的信用计算值的个数，
为0-1函数，如果Fi(xr)＝Vi j则
否则δj(xr)＝0。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911183522.9A CN110956386A (zh) | 2019-11-27 | 2019-11-27 | 基于多渠道的信用数据的处理方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911183522.9A CN110956386A (zh) | 2019-11-27 | 2019-11-27 | 基于多渠道的信用数据的处理方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110956386A true CN110956386A (zh) | 2020-04-03 |
Family
ID=69976991
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911183522.9A Pending CN110956386A (zh) | 2019-11-27 | 2019-11-27 | 基于多渠道的信用数据的处理方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110956386A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105976188A (zh) * | 2016-05-05 | 2016-09-28 | 北京思特奇信息技术股份有限公司 | 一种多渠道客户信息处理系统及处理方法 |
| CN106156941A (zh) * | 2016-06-06 | 2016-11-23 | 腾讯科技（深圳）有限公司 | 一种用户信用评分优化方法和装置 |
| US20170262781A1 (en) * | 2016-03-14 | 2017-09-14 | Futurewei Technologies, Inc. | Features selection and pattern mining for kqi prediction and cause analysis |
| CN107644352A (zh) * | 2017-09-06 | 2018-01-30 | 北京海数宝科技有限公司 | 多渠道数据的处理方法、装置、存储介质和计算机设备 |
| CN108510350A (zh) * | 2017-11-30 | 2018-09-07 | 腾讯科技（深圳）有限公司 | 融合多平台征信数据的征信分析方法、装置及终端 |
| CN108629379A (zh) * | 2018-05-10 | 2018-10-09 | 北京天元创新科技有限公司 | 一种个人征信评估方法及系统 |
| CN108665120A (zh) * | 2017-03-27 | 2018-10-16 | 阿里巴巴集团控股有限公司 | 打分模型的建立、用户信用的评估方法及装置 |
| CN110298692A (zh) * | 2019-06-12 | 2019-10-01 | 上海非码网络科技有限公司 | 多渠道顾客数据统一管理的方法、系统及存储介质 |
| CN110415036A (zh) * | 2019-07-30 | 2019-11-05 | 深圳市珍爱捷云信息技术有限公司 | 用户等级的确定方法、装置、计算机设备和存储介质 |
-
2019
- 2019-11-27 CN CN201911183522.9A patent/CN110956386A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170262781A1 (en) * | 2016-03-14 | 2017-09-14 | Futurewei Technologies, Inc. | Features selection and pattern mining for kqi prediction and cause analysis |
| CN105976188A (zh) * | 2016-05-05 | 2016-09-28 | 北京思特奇信息技术股份有限公司 | 一种多渠道客户信息处理系统及处理方法 |
| CN106156941A (zh) * | 2016-06-06 | 2016-11-23 | 腾讯科技（深圳）有限公司 | 一种用户信用评分优化方法和装置 |
| CN108665120A (zh) * | 2017-03-27 | 2018-10-16 | 阿里巴巴集团控股有限公司 | 打分模型的建立、用户信用的评估方法及装置 |
| CN107644352A (zh) * | 2017-09-06 | 2018-01-30 | 北京海数宝科技有限公司 | 多渠道数据的处理方法、装置、存储介质和计算机设备 |
| CN108510350A (zh) * | 2017-11-30 | 2018-09-07 | 腾讯科技（深圳）有限公司 | 融合多平台征信数据的征信分析方法、装置及终端 |
| CN108629379A (zh) * | 2018-05-10 | 2018-10-09 | 北京天元创新科技有限公司 | 一种个人征信评估方法及系统 |
| CN110298692A (zh) * | 2019-06-12 | 2019-10-01 | 上海非码网络科技有限公司 | 多渠道顾客数据统一管理的方法、系统及存储介质 |
| CN110415036A (zh) * | 2019-07-30 | 2019-11-05 | 深圳市珍爱捷云信息技术有限公司 | 用户等级的确定方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 方匡南等: "基于多源数据融合的个人信用评分研究", 《统计研究》 * |
| 石玉梅等: "多渠道数据融合及其应用", 《石油物探》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101957760B1 (ko) | 유사도 점수에 기초하여 결정된 거래사례 부동산을 이용한 부동산 시세 추정 시스템 및 방법 | |
| US20170053297A1 (en) | Enhanced systems, processes, and user interfaces for scoring assets associated with a population of data | |
| Fan et al. | Semiparametric estimation of Value at Risk | |
| US20100082382A1 (en) | Forecasting discovery costs based on interpolation of historic event patterns | |
| US20120005749A1 (en) | Generic Fraud Detection Model | |
| Lerch et al. | Simulation-based comparison of multivariate ensemble post-processing methods | |
| Butzen et al. | The interest rate and credit channels in Belgium: an investigation with micro-level firm data | |
| Alper et al. | Digital connectivity in sub-saharan Africa: A comparative perspective | |
| US11900457B2 (en) | Methods for prediction and rating aggregation | |
| CN107767152A (zh) | 产品购买倾向分析方法及服务器 | |
| KR101924448B1 (ko) | 부동산 시장 군집화 방법 및 장치, 이를 이용한 부동산 시세 추정 시스템 및 방법 | |
| Baran et al. | Truncated generalized extreme value distribution‐based ensemble model output statistics model for calibration of wind speed ensemble forecasts | |
| CN118071311A (zh) | 一种数字化招投标平台的数据处理系统 | |
| CN109636184A (zh) | 一种品牌的账号资产的评估方法及系统 | |
| Zhao et al. | Model averaging in a multiplicative heteroscedastic model | |
| CN110956386A (zh) | 基于多渠道的信用数据的处理方法和装置 | |
| CN109460778B (zh) | 活动评估方法、装置、电子设备及存储介质 | |
| Seng et al. | Financial inclusion: Are mobile phones helpful in Cambodia | |
| CN110874667A (zh) | 评分卡模型优化方法、装置、服务器及存储介质 | |
| Schmitz et al. | Benefit-entitlement effects and the duration of unemployment: An ex-ante evaluation of recent labour market reforms in Germany | |
| CN114511409A (zh) | 用户样本处理方法、装置及电子设备 | |
| CN109377110B (zh) | 一种品牌的内容资产的评估方法及系统 | |
| CN114565408A (zh) | 一种广告投放的竞价预测方法及系统 | |
| Gianfreda et al. | Assessing model risk in financial and energy markets using dynamic conditional VaRs | |
| Li et al. | Program for the International Assessment of Adult Competencies (PIAAC): State-Level Estimation for Age and Education Groups Methodology Report. NCES 2022-050. |
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 |
Application publication date: 20200403 |
|
| RJ01 | Rejection of invention patent application after publication |