CN111179055A - 授信额度调整方法、装置和电子设备 - Google Patents
授信额度调整方法、装置和电子设备 Download PDFInfo
- Publication number
- CN111179055A CN111179055A CN201911328621.1A CN201911328621A CN111179055A CN 111179055 A CN111179055 A CN 111179055A CN 201911328621 A CN201911328621 A CN 201911328621A CN 111179055 A CN111179055 A CN 111179055A
- Authority
- CN
- China
- Prior art keywords
- current user
- occupation
- user
- current
- category
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001755 vocal effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 239000004065 semiconductor Substances 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种授信额度调整方法、装置、电子设备及计算机可读介质，其中方法包括：获取当前用户身份信息；获取当前用户的职业类别，其中，当前用户的职业类别是将当前用户的关联人对当前用户的标签数据代入预设的职业类别预测模型后预测得到的；根据当前用户的职业类别和当前用户的身份信息调整当前用户的授信额度。本发明通过用户关联人对用户的标签数据预测用户的职业类别，能够更准确的判断出用户的职业类别，结合职业属性及用户自身的身份信息评估用户的授信额度，实现额度策略的优化，通过本方法得到的授信额度更合理，且方法简单易于实现，减少了金融平台的资源和时间的消耗，避免金融平台因放贷额度出现错误造成的损失。
Description
技术领域
本发明涉及计算机信息处理领域，具体而言，涉及一种授信额度调整方法、装置、电子设备及计算机可读介质。
背景技术
金融平台存在大量信息缺失的用户，用户信息缺失使金融平台对于用户授信额度和用户还款能力的评估出现偏差，不利于金融平台的风险控制。如果用户职业信息缺失，金融平台难以准确估计用户的收入水平，进而难以精准评估用户资质，对用户资质判断失误，将坏客户划分为好客户，则存在放贷难以收回的情况，造成金融平台的经济损失。
现有技术中大多是根据用户提供的职业信息，来评估用户的收入水平，而用户提供的职业信息真伪并没有深入调查，或深入调查消耗了大量的资源和时间，对用户职业判断的准确率不高，且由此引发对用户的收入水平估计错误，导致放贷额度出现错误，对金融平台造成损失。
发明内容
为了解决现有技术中由于对用户职业判断准确率低导致对用户的授信额度设置不合理的技术问题，本发明提供了一种授信额度调整方法、装置和电子设备，能够更加合理地设置或调整用户的授信额度。
本发明的一方面提供一种授信额度调整方法，包括：
获取当前用户身份信息；
获取所述当前用户的职业类别，其中，所述当前用户的职业类别是将所述当前用户的关联人对所述当前用户的标签数据代入预设的职业类别预测模型后预测得到的；
根据所述当前用户的职业类别和所述当前用户的身份信息调整所述当前用户的授信额度。
根据本发明的优选实施方式，所述获取所述当前用户的职业类别进一步包括：
获取所述当前用户的关联人对所述当前用户的标签数据中的当前关键词；
将所述当前关键词代入预设的职业类别预测模型，判断所述当前关键词与已知的职业关键词间的相似度；
根据所述当前关键词与所述职业关键词间的相似度预测所述当前用户的职业类别。
根据本发明的优选实施方式，所述获取所述当前用户的关联人对所述当前用户的标签数据中的当前关键词进一步包括：
以所述当前用户为节点，所述当前用户间的关系为边，整合所述当前用户不同身份标识，构建所述当前用户身份标识信息知识图谱；
基于所述身份标识信息知识图谱识别所述用户不同身份标识的所有关联人；
提取所述所有关联人对所述当前用户的标签数据中的当前关键词。
根据本发明的优选实施方式，所述根据所述当前关键词与所述职业关键词间的相似度预测所述当前用户的职业类别进一步包括：
根据所述当前关键词与所述职业关键词间的相似度确定所述当前用户的职业是每种已知职业类别的概率。
根据本发明的优选实施方式，所述根据所述当前用户的职业类别和所述当前用户的身份信息调整所述当前用户的授信额度进一步包括：
获取所述已知职业类别的职业属性；
根据所述概率、所述职业属性和所述当前用户的身份信息确定所述当前用户的授信额度调整系数；
根据所述当前用户的授信额度调整系数调整所述当前用户的授信额度。
根据本发明的优选实施方式，所述根据所述概率、所述职业属性和所述当前用户的身份信息确定所述当前用户的授信额度调整系数进一步包括：
对每种职业的每个职业属性设置不同的权重；
根据所述概率和所述每个职业属性对应的权重分别确定所述当前用户的每个职业属性对应的综合权重系数；
根据所述当前用户的每个职业属性对应的综合权重系数确定职业调整系数；
根据所述职业调整系数和所述当前用户的身份信息确定所述当前用户的授信额度调整系数。
根据本发明的优选实施方式，所述职业属性包括：该职业的收入水平、职业稳定性、还款能力、职业前景即违约成本。
根据本发明的优选实施方式，所述获取当前用户身份信息进一步包括：
获取当前用户的年龄、性别、学历及收入信息。
根据本发明的优选实施方式，所述方法还包括：
利用神经网络模型构建所述职业类别预测模型。
本发明的第二方面提供一种授信额度调整装置，包括：
身份获取模块，用于获取当前用户身份信息；
职业类别获取模块，用于获取所述当前用户的职业类别，其中，所述当前用户的职业类别是将所述当前用户的关联人对所述当前用户的标签数据代入预设的职业类别预测模型后预测得到的；
额度调整模块，用于根据所述当前用户的职业类别和所述当前用户的身份信息调整所述当前用户的授信额度。
根据本发明的优选实施方式，所述职业类别获取模块，进一步包括：
关键词获取单元，用于获取所述当前用户的关联人对所述当前用户的标签数据中的当前关键词；
判断单元，用于将所述当前关键词代入预设的职业类别预测模型，判断所述当前关键词与已知的职业关键词间的相似度；
职业类别获取单元，用于根据所述当前关键词与所述职业关键词间的相似度预测所述当前用户的职业类别。
根据本发明的优选实施方式，所述关键词获取单元，进一步可用于：
以所述当前用户为节点，所述当前用户间的关系为边，整合所述当前用户不同身份标识，构建所述当前用户身份标识信息知识图谱；
基于所述身份标识信息知识图谱识别所述用户不同身份标识的所有关联人；
提取所述所有关联人对所述当前用户的标签数据中的当前关键词。
根据本发明的优选实施方式，所述职业类别获取单元，进一步可用于：
根据所述当前关键词与所述职业关键词间的相似度确定所述当前用户的职业是每种已知职业类别的概率。
根据本发明的优选实施方式，所述额度调整模块，进一步包括：
职业属性获取单元，用于获取所述已知职业类别的职业属性；
系数调整单元，用于根据所述概率、所述职业属性和所述当前用户的身份信息确定所述当前用户的授信额度调整系数；
额度调整单元，用于根据所述当前用户的授信额度调整系数调整所述当前用户的授信额度。
根据本发明的优选实施方式，所述系数调整单元，进一步可用于：
对每种职业的每个职业属性设置不同的权重；
根据所述概率和所述每个职业属性对应的权重分别确定所述当前用户的每个职业属性对应的综合权重系数；
根据所述当前用户的每个职业属性对应的综合权重系数确定职业调整系数；
根据所述职业调整系数和所述当前用户的身份信息确定所述当前用户的授信额度调整系数。
根据本发明的优选实施方式，所述职业属性包括：该职业的收入水平、职业稳定性、还款能力、职业前景即违约成本。
根据本发明的优选实施方式，所述身份获取模块进一步用于：
获取当前用户的年龄、性别、学历及收入信息。
根据本发明的优选实施方式，所述职业类别获取模块还包括：
模型构建单元，用于利用神经网络模型构建所述职业类别预测模型。
本发明的第三方面提供一种电子设备，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任一项所述的方法。
本发明的第四方面提供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，实现任一项所述的方法。
本发明的技术方案，具有如下有益效果：
本发明通过收集用户关联人对用户的标签数据，预测用户的职业类别，能够更准确的判断出用户的职业类别，再结合职业类别对应的职业属性及用户自身的身份信息评估用户的授信额度，实现额度策略的优化，通过本方法得到的授信额度更合理，且方法简单易于实现，减少了金融平台的资源和时间的消耗，避免金融平台因放贷额度出现错误造成的损失。
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是本发明的一种授信额度调整方法流程示意图；
图2是本发明的一种授信额度调整方法的用户身份标识信息知识图谱示意图；
图3是本发明的一种授信额度调整装置的架构示意图；
图4是本发明的一种授信额度调整的电子设备结构框架示意图；
图5是本发明的计算机可读存储介质示意图。
具体实施方式
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及一或多者的所有组合。
图1是本发明的一种授信额度调整方法流程示意图；如图1所示，本方法包括：
S101、获取当前用户身份信息。
具体来说，当前用户的身份信息包括用户的年龄、身份号码、性别、学历、收入信息及婚姻状况信息，这些基本信息多数可以通过对应官网或证书等途径中获取，有助于金融平台评估用户的还款能力，例如用户年龄较大已经退休，可以结合用户所在地的退休工资水平判断用户的还款能力，且进行额度评估时要将用户的还款期限考虑在内。
S102、获取所述当前用户的职业类别，其中，所述当前用户的职业类别是将所述当前用户的关联人对所述当前用户的标签数据代入预设的职业类别预测模型后预测得到的；
在获取当前用户的身份信息后，还需获取当前用户的职业类别，不同的职业类别对应的还款能力及稳定性等因素不同，是评估确定用户授信额度的重要评估条件。
图2是本发明的一种授信额度调整方法的用户身份标识信息知识图谱示意图，如图2所示，所述身份标识信息知识图谱是以当前用户为节点，以用户间的关系为边，整合用户不同的身份标识生成的，在图2中，用户 A的身份标识包括但不限于设备号码、通讯网号码、社交账号、身份号码以及其他不同身份标识，其中，设备号码可以为用户使用的手机、电脑等通信设备的编号，通讯网号码可以为电话号码，社交账号可以为用户日常通讯用的应用软件号码，本实施例以通讯网号码和社交账号为例进行说明。
要获取到更多、更准的与职业相关的关键词，需要利用用户身份标识信息知识图谱，识别用户所有的联系人，进而提取到关联人对用户的标签数据，获取到更多、更准的关键词。在图2中，利用用户身份标识信息知识图谱，识别用户的通讯网号码标识和社交账号标识，通过通讯网号码标识，识别用户的一度联系人A、B，进而提取用户的一度联系人A对用户的标签D、E，一度联系人B对用户的标签A、B、C；通过社交账号标识，识别用户的一度联系人C，进而提取用户的一度联系人C对用户的标签F、 G。而在标签A-G中，分别包含有不同数量的关键词，对该用户的多个标签中出现的关键词进行统计分析。例如，一度联系人A对当前用户的标签为数学、班主任，一度联系人B对当前用户的标签为表弟、XX小学，此时可以通过统计分析从标签中筛选出与职业相关的标签作为关键词，例如数学、班主任、XX小学等。
对于通过用户身份标识信息知识图谱识别设备号码、身份号码以及其他不同身份标识，进而识别用户的关联人，进而提取关联人对用户的标签数据的步骤，与通过通讯网号码提取到关联人对用户的标签数据的步骤类似。
若要准确的判断出当前用户的职业类别，本发明的实施例通过将该用户标签中的关键词代入预设的职业类别预测模型，该职业类别预测模型可以提高对用户职业的判断能力，在构建该职业类别预测模型时，选取大量的样本用户信息数据作为训练样本，其中，具体应至少包括样本用户的关联人对样本用户的标签数据和对应样本用户已知的职业类别数据，基于输出结果与样本用户已知的职业类别数据的误差调整模型自身的网络结构，最后达到一定的精度和准确性。
在得到职业类别预测模型后，将当前用户的标签中的关键词代入预设的职业类别预测模型，输出当前关键词与公知的职业关键词间的相似度，可以判断出当前用户的职业是每种已知职业类别的概率。
为提高用户职业分类预测模型在预测用户职业时的准确性，训练样本的样本数量需足够大，并且在用户职业分类预测模型的使用过程中也需对模型进行不定期地训练。
在本实施例中，利用神经网络模型构建所述职业类别预测模型，神经网络模型包括输入层、隐藏层，输出层，各层神经网络包括至少一个神经元。神经网络模型的数据处理过程为：向输入层神经元输入数据，然后经过激活函数，对数据做某种转换，最终得到一个输出结果。
例如，当前用户的输出结果为教育职业的概率为70％，房地产职业的概率为0，物流运输职业的概率为10％，政府部门服务职业的概率为20％，若此时将该用户确定为从事教育行业的职业并无错误，但是会存在小概率判断错误的情况，导致授信额度出现偏差。故本发明实施例中将每种职业与对应的概率进行结合，综合调整用户的授信额度，将小概率出现的判断错误情况也计算在内，大大提高了职业类别预测的准确性和对应额度评估的合理性，将金融平台的损失概率降到最低。
S103、根据所述当前用户的职业类别和所述当前用户的身份信息调整所述当前用户的授信额度。
在得到当前用户的职业类别及对应的概率后，需要进一步计算对该用户的授信额度，首先通过历史经验列出已知职业类别的比较重要的职业属性，包括但不限于：收入水平、职业稳定性、还款能力、职业前景及违约成本等，将这些职业属性与上述实施例中得到的当前用户的职业类别及对应的概率相结合，首先根据不同的职业对每个职业的职业属性分配不同的权重，职业属性表现好的对应的权重高，根据大数据来确定每种职业属性的权重。
表1为本发明实施例提供的通过职业类别预测模型得到的多个用户的职业预测统计表。
表1
需要说明的是，表1仅为示例性的表格，目的是更直观地体现本发明实施例的技术方案，本发明实施例的技术方案包括但不限于表1中展示的职业类别。由表1可以看出，用户A从事教育职业的概率为70％，说明该用户从事教育职业的概率非常高，而从事房地产、物流及政府部门服务职业的概率较低，但也不能忽视；同样，用户B从事房地产职业的概率为80％，说明该用户从事房地产职业的概率非常高，而从事教育、物流及政府部门服务职业的概率较低，但也不能忽视。根据表1中的内容结合每种职业属性的权重可以计算出每个职业属性对应的综合权重系数。
例如，教育职业在当前已知主流职业中，收入水平算中等，设置权重可以为1.5，稳定性较高，设置权重可以为3，还款能力较强，设置权重可以为3，职业前景中等，可以设置为1.5，违约成本的计算相对复杂，在本实施例中假设为1，而用户A从事教育职业的概率为70％，所以在每个职业属性分配的权重基础上还要乘以对应的概率70％，用户B从事教育职业的概率为10％，所以在每个职业属性分配的权重基础上还要乘以对应的概率10％；房地产职业在在当前已知主流职业中，收入水平较高，设置权重可以为4，稳定性较低，设置权重可以为1，还款能力中等，设置权重可以为1.5，职业前景中等，可以设置为1.5，违约成本在本实施例中假设为2，而用户A从事房地产职业的概率为0，所以在每个职业属性分配的权重基础上还要乘以对应的概率0；户B从事教育职业的概率为80％，所以在每个职业属性分配的权重基础上还要乘以对应的概率80％；对于物流、政府部门服务职业与教育、房地产的算法相似，最后综合得出用户A的收入水平综合权重系数为 3*70％+4*0+……，最后得出分别得出用户A的五项职业属性综合权重系数及用户B的五项职业属性综合权重系数，然后根据用户A和用户B 的每个职业属性对应的综合权重系数分别确定用户A和用户B的职业调整系数，可以再次使用加权的方法确定，也可以使用其他合理方法确定；最后分别根据用户A和用户B的职业调整系数及用户A和用户B 的身份信息分别确定用户A和用户B的授信额度调整系数。在确定用户的授信额度调整系数时，将计算得到的职业调整系数作为其中一个重要性非常高的参数，用户的身份信息作为其余的参数，进行综合计算，最后得出授信额度调整系数，这样得出的授信额度调整系数考虑到了用户的综合信息，相较于现有技术中只针对用户的某一项参数来调整额度更加合理且准确，实现用户与金融平台的双赢。
本发明通过收集用户关联人对用户的标签数据，预测用户的职业类别，能够更准确的判断出用户的职业类别，再结合职业类别对应的职业属性及用户自身的身份信息评估用户的授信额度，实现额度策略的优化，通过本方法得到的授信额度更合理，且方法简单易于实现，减少了金融平台的资源和时间的消耗，避免金融平台因放贷额度出现错误造成的损失。
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。
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。
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。
图3是本发明的一种授信额度调整装置的架构示意图；
如图3所示，本发明的装置300包括：身份获取模块301，职业类别模块302，额度调整模块303。
身份获取模块301，用于获取当前用户身份信息；
职业类别获取模块302，用于获取所述当前用户的职业类别，其中，所述当前用户的职业类别是将所述当前用户的关联人对所述当前用户的标签数据代入预设的职业类别预测模型后预测得到的；
额度调整模块303，用于根据所述当前用户的职业类别和所述当前用户的身份信息调整所述当前用户的授信额度。
本发明的职业类别获取模块302，进一步包括：
关键词获取单元，用于获取所述当前用户的关联人对所述当前用户的标签数据中的当前关键词；
判断单元，用于将所述当前关键词代入预设的职业类别预测模型，判断所述当前关键词与已知的职业关键词间的相似度；
职业类别获取单元，用于根据所述当前关键词与所述职业关键词间的相似度预测所述当前用户的职业类别。
本发明的关键词获取单元，进一步可用于：
以所述当前用户为节点，所述当前用户间的关系为边，整合所述当前用户不同身份标识，构建所述当前用户身份标识信息知识图谱；
基于所述身份标识信息知识图谱识别所述用户不同身份标识的所有关联人；
提取所述所有关联人对所述当前用户的标签数据中的当前关键词。
本发明的职业类别获取单元，进一步可用于：
根据所述当前关键词与所述职业关键词间的相似度确定所述当前用户的职业是每种已知职业类别的概率。
本发明的额度调整模块303，进一步包括：
职业属性获取单元，用于获取所述已知职业类别的职业属性；
系数调整单元，用于根据所述概率、所述职业属性和所述当前用户的身份信息确定所述当前用户的授信额度调整系数；
额度调整单元，用于根据所述当前用户的授信额度调整系数调整所述当前用户的授信额度。
本发明的系数调整单元，进一步可用于：
对每种职业的每个职业属性设置不同的权重；
根据所述概率和所述每个职业属性对应的权重分别确定所述当前用户的每个职业属性对应的综合权重系数；
根据所述当前用户的每个职业属性对应的综合权重系数确定职业调整系数；
根据所述职业调整系数和所述当前用户的身份信息确定所述当前用户的授信额度调整系数。
其中，所述职业属性包括：该职业的收入水平、职业稳定性、还款能力、职业前景即违约成本。
本发明的身份获取模块301进一步用于：
获取当前用户的年龄、性别、学历及收入信息。
本发明的职业类别获取模块302还包括：
模型构建单元，用于利用神经网络模型构建所述职业类别预测模型。
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4是本发明的一种授信额度调整的电子设备结构框架示意图。下面参照图4来描述根据本发明该实施例的电子设备400。图4显示的电子设备400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4所示，电子设备400以通用计算设备的形式表现。电子设备400 的组件可以包括但不限于：至少一个处理单元410、至少一个存储单元420、连接不同系统组件(包括存储单元420和处理单元410)的总线430、显示单元440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410执行，使得所述处理单元410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410可以执行如图1所示的步骤。
所述存储单元420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)4201和/或高速缓存存储单元4202，还可以进一步包括只读存储单元(ROM)4203。
所述存储单元420还可以包括具有一组(至少一个)程序模块4205 的程序/实用工具4204，这样的程序模块4205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430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400也可以与一个或多个外部设备500(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400 交互的设备通信，和/或与使得该电子设备400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450进行。并且，电子设备400还可以通过网络适配器460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460可以通过总线430与电子设备400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400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：获取当前用户身份信息；获取所述当前用户的职业类别，其中，所述当前用户的职业类别是将所述当前用户的关联人对所述当前用户的标签数据代入预设的职业类别预测模型后预测得到的；根据所述当前用户的职业类别和所述当前用户的身份信息调整所述当前用户的授信额度。
图5是本发明的计算机可读存储介质示意图。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，如图5所示。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 (10)
1.一种授信额度调整方法，其特征在于，包括：
获取当前用户身份信息；
获取所述当前用户的职业类别，其中，所述当前用户的职业类别是将所述当前用户的关联人对所述当前用户的标签数据代入预设的职业类别预测模型后预测得到的；
根据所述当前用户的职业类别和所述当前用户的身份信息调整所述当前用户的授信额度。
2.根据权利要求1所述的方法，其特征在于，所述获取所述当前用户的职业类别进一步包括：
获取所述当前用户的关联人对所述当前用户的标签数据中的当前关键词；
将所述当前关键词代入预设的职业类别预测模型，判断所述当前关键词与已知的职业关键词间的相似度；
根据所述当前关键词与所述职业关键词间的相似度预测所述当前用户的职业类别。
3.根据权利要求1-2所述的方法，其特征在于，所述获取所述当前用户的关联人对所述当前用户的标签数据中的当前关键词进一步包括：
以所述当前用户为节点，所述当前用户间的关系为边，整合所述当前用户不同身份标识，构建所述当前用户身份标识信息知识图谱；
基于所述身份标识信息知识图谱识别所述用户不同身份标识的所有关联人；
提取所述所有关联人对所述当前用户的标签数据中的当前关键词。
4.根据权利要求1-3所述的方法，其特征在于，所述根据所述当前关键词与所述职业关键词间的相似度预测所述当前用户的职业类别进一步包括：
根据所述当前关键词与所述职业关键词间的相似度确定所述当前用户的职业是每种已知职业类别的概率。
5.根据权利要求1-4所述的方法，其特征在于，所述根据所述当前用户的职业类别和所述当前用户的身份信息调整所述当前用户的授信额度进一步包括：
获取所述已知职业类别的职业属性；
根据所述概率、所述职业属性和所述当前用户的身份信息确定所述当前用户的授信额度调整系数；
根据所述当前用户的授信额度调整系数调整所述当前用户的授信额度。
6.根据权利要求1-5所述的方法，其特征在于，所述根据所述概率、所述职业属性和所述当前用户的身份信息确定所述当前用户的授信额度调整系数进一步包括：
对每种职业的每个职业属性设置不同的权重；
根据所述概率和所述每个职业属性对应的权重分别确定所述当前用户的每个职业属性对应的综合权重系数；
根据所述当前用户的每个职业属性对应的综合权重系数确定职业调整系数；
根据所述职业调整系数和所述当前用户的身份信息确定所述当前用户的授信额度调整系数。
7.根据权利要求1-6所述的方法，其特征在于，所述职业属性包括：该职业的收入水平、职业稳定性、还款能力、职业前景即违约成本。
8.一种授信额度调整装置，其特征在于，包括：
身份获取模块，用于获取当前用户身份信息；
职业类别获取模块，用于获取所述当前用户的职业类别，其中，所述当前用户的职业类别是将所述当前用户的关联人对所述当前用户的标签数据代入预设的职业类别预测模型后预测得到的；
额度调整模块，用于根据所述当前用户的职业类别和所述当前用户的身份信息调整所述当前用户的授信额度。
9.一种电子设备，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1-7中任一项所述的方法。
10.一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1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911328621.1A CN111179055B (zh) | 2019-12-20 | 2019-12-20 | 授信额度调整方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911328621.1A CN111179055B (zh) | 2019-12-20 | 2019-12-20 | 授信额度调整方法、装置和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111179055A true CN111179055A (zh) | 2020-05-19 |
| CN111179055B CN111179055B (zh) | 2024-04-02 |
Family
ID=70653986
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911328621.1A Active CN111179055B (zh) | 2019-12-20 | 2019-12-20 | 授信额度调整方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111179055B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111708782A (zh) * | 2020-06-18 | 2020-09-25 | 北京同邦卓益科技有限公司 | 数据结构的构建方法、装置、设备及存储介质 |
| CN112231669A (zh) * | 2020-09-25 | 2021-01-15 | 上海淇毓信息科技有限公司 | 一种基于面部识别的页面展示方法、装置和电子设备 |
| CN113706294A (zh) * | 2021-08-31 | 2021-11-26 | 平安银行股份有限公司 | 授信额度分析方法、装置、设备及介质 |
| CN117808577A (zh) * | 2024-03-01 | 2024-04-02 | 杭银消费金融股份有限公司 | 一种基于多因子动态调节的授信处理方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140089170A1 (en) * | 2012-09-21 | 2014-03-27 | Rawllin International Inc. | Financial account labels |
| CN109544264A (zh) * | 2018-10-17 | 2019-03-29 | 深圳壹账通智能科技有限公司 | 金融借贷产品推荐方法、装置、计算机设备及存储介质 |
| CN110335141A (zh) * | 2019-06-29 | 2019-10-15 | 北京淇瑀信息科技有限公司 | 一种基于多模型的授信额度确定方法、装置和电子设备 |
| CN110348719A (zh) * | 2019-06-29 | 2019-10-18 | 上海淇毓信息科技有限公司 | 一种基于用户信息知识图谱的风险控制方法、装置和电子设备 |
| CN110363359A (zh) * | 2019-07-23 | 2019-10-22 | 中国联合网络通信集团有限公司 | 一种职业预测方法和系统 |
| CN110390039A (zh) * | 2019-07-25 | 2019-10-29 | 广州汇智通信技术有限公司 | 基于知识图谱的社交关系分析方法、装置及设备 |
-
2019
- 2019-12-20 CN CN201911328621.1A patent/CN111179055B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140089170A1 (en) * | 2012-09-21 | 2014-03-27 | Rawllin International Inc. | Financial account labels |
| CN109544264A (zh) * | 2018-10-17 | 2019-03-29 | 深圳壹账通智能科技有限公司 | 金融借贷产品推荐方法、装置、计算机设备及存储介质 |
| CN110335141A (zh) * | 2019-06-29 | 2019-10-15 | 北京淇瑀信息科技有限公司 | 一种基于多模型的授信额度确定方法、装置和电子设备 |
| CN110348719A (zh) * | 2019-06-29 | 2019-10-18 | 上海淇毓信息科技有限公司 | 一种基于用户信息知识图谱的风险控制方法、装置和电子设备 |
| CN110363359A (zh) * | 2019-07-23 | 2019-10-22 | 中国联合网络通信集团有限公司 | 一种职业预测方法和系统 |
| CN110390039A (zh) * | 2019-07-25 | 2019-10-29 | 广州汇智通信技术有限公司 | 基于知识图谱的社交关系分析方法、装置及设备 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111708782A (zh) * | 2020-06-18 | 2020-09-25 | 北京同邦卓益科技有限公司 | 数据结构的构建方法、装置、设备及存储介质 |
| CN112231669A (zh) * | 2020-09-25 | 2021-01-15 | 上海淇毓信息科技有限公司 | 一种基于面部识别的页面展示方法、装置和电子设备 |
| CN113706294A (zh) * | 2021-08-31 | 2021-11-26 | 平安银行股份有限公司 | 授信额度分析方法、装置、设备及介质 |
| CN117808577A (zh) * | 2024-03-01 | 2024-04-02 | 杭银消费金融股份有限公司 | 一种基于多因子动态调节的授信处理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111179055B (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110070391B (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
| CA2992563C (en) | Method and system for applying probabilistic topic models to content in a tax environment to improve user satisfaction with a question and answer customer support system | |
| AU2016346497B2 (en) | Method and system for performing a probabilistic topic analysis of search queries for a customer support system | |
| CN111179055A (zh) | 授信额度调整方法、装置和电子设备 | |
| CN107615275A (zh) | 估计用于运行数据挖掘服务的计算资源 | |
| CN109766454A (zh) | 一种投资者分类方法、装置、设备及介质 | |
| CN110310163A (zh) | 一种精准制定营销策略的方法、设备及可读介质 | |
| CN112508580A (zh) | 基于拒绝推断方法的模型构建方法、装置和电子设备 | |
| US10147020B1 (en) | System and method for computational disambiguation and prediction of dynamic hierarchical data structures | |
| CN113627566A (zh) | 一种网络诈骗的预警方法、装置和计算机设备 | |
| CN111181757B (zh) | 信息安全风险预测方法、装置以及计算设备、存储介质 | |
| CN111210335A (zh) | 用户风险识别方法、装置及电子设备 | |
| US10678821B2 (en) | Evaluating theses using tree structures | |
| CN113393306A (zh) | 产品推荐方法、装置、电子设备及计算机可读介质 | |
| CN113407854A (zh) | 一种应用推荐方法、装置、设备及计算机可读存储介质 | |
| CN110782128B (zh) | 一种用户职业标签生成方法、装置和电子设备 | |
| CN112749238A (zh) | 搜索排序方法、装置、电子设备以及计算机可读存储介质 | |
| CN112950347A (zh) | 资源数据处理的优化方法及装置、存储介质、终端 | |
| CN111966730A (zh) | 基于常驻地的风险预测方法、装置和电子设备 | |
| CN113392920B (zh) | 生成作弊预测模型的方法、装置、设备、介质及程序产品 | |
| US20200173889A1 (en) | Component testing plan considering distinguishable and undistinguishable components | |
| 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 | |
| CN116127189A (zh) | 用户运营方法、装置、设备以及计算机存储介质 | |
| CN113657724B (zh) | 基于多源异构数据的资源分配方法、装置和电子设备 | |
| CN114066513A (zh) | 一种用户分类的方法和装置 |
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 |