CN111199476A - 基于学历预测模型生成授信策略的方法、装置和电子设备 - Google Patents
基于学历预测模型生成授信策略的方法、装置和电子设备 Download PDFInfo
- Publication number
- CN111199476A CN111199476A CN201911329880.6A CN201911329880A CN111199476A CN 111199476 A CN111199476 A CN 111199476A CN 201911329880 A CN201911329880 A CN 201911329880A CN 111199476 A CN111199476 A CN 111199476A
- Authority
- CN
- China
- Prior art keywords
- academic
- target user
- data
- prediction model
- predicted
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供基于学历预测模型生成授信策略的方法,构建学历预测模型,利用所述学历预测模型获得目标用户的预测学历,基于所述目标用户的预测学历,生成所述目标用户的授信策略。通过建立学历预测模型来预测用户学历,进而完善用户特征,利用用户的预测学历来生成授信策略能够使得授信策略更准确,进而提高了风险管理水平。
Description
技术领域
本申请涉及计算机领域,尤其涉及基于学历预测模型生成授信策略的方法、装置和电子设备。
背景技术
在现如今的金融行业中,金融平台为客户提供授信服务之前,首先要为客户制定与客户匹配的授信策略,同时,授信策略的生成是授信生命周期中风险控制以及实现增收的关键。在现有技术的方法中,存在数据不准确导致的授信策略不合理,从而影响风险评估结果的准确性,增加授信的风险。同时,由于客户特征数据不足,造成风险失控、金融平台的经济损失的问题。
发明内容
本说明书实施例提供基于学历预测模型生成授信策略的方法、装置和电子设备。用以解决现有技术中授信策略不准确以及风险管理能力低的问题。
本说明书实施例提供基于学历预测模型生成授信策略的方法,包括:
构建学历预测模型;
利用所述学历预测模型获得目标用户的预测学历;
基于所述目标用户的预测学历,生成所述目标用户的授信策略。
根据以上所述的方案,可以利用学历预测模型获得目标用户的学历,以此弥补目标用户的学历特征数据的不足,利用目标用户的学历生成该目标用户的授信策略,进而可以提高授信策略的准确性。
可选地,所述构建学历预测模型,包括:
调取样本用户的数据,所述数据包括教育类数据、关系网数据、行为类数据、属性数据和学历;
基于所述样本用户的数据,建立所述学历预测模型,所述学历预测模型用于预测所述目标用户的学历。
综上如述,可以通过建立学历预测模型获得目标用户的预测学历,进而补充了目标用户的学历特征数据,为目标用户的风险评估提供了数据,进而为授信策略的生成提供了基础。
可选地,所述构建学历预测模型,还包括:
将所述样本用户的教育类数据、关系网数据、行为类数据、属性数据和学历作为训练所述学历预测模型的样本数据,利用机器学习方法训练所述学历预测模型。
根据以上方案,可以实现利用样本用户的数据,通过机器学习方法训练学历预测模型,使得学历预测模型的预测结果更加准确,可以避免由于学历预测模型不准确导致的目标用户的预测学历不准确的问题,提高了学历预测模型的准确性。
可选地,所述构建学历预测模型,还包括:
基于所述样本用户的教育类数据、关系网数据、行为类数据和属性数据,计算所述样本用户的学历特征预测值;
建立所述学历特征预测值与学历的映射关系;
根据所述学历特征预测值确定所述样本用户的预测学历。
基于以上方案,每个学历特征预测值与学历都具有对应关系,利用学历特征预测值与学历之间的对应关系,进一步确定样本用户的预测学历,完善学历预测模型的训练,提高了学历预测模型的准确性。
可选地,所述构建学历预测模型,还包括:
将所述样本用户的学历和所述样本用户的预测学历进行对比,生成所述学历预测模型。
通过实施以上方案,将样本用户的实际学历和学历预测模型输出的样本用户的预测学历进行对比,验证学历预测模型的预测的可行性,进而提高学历预测模型的预测。
可选地,所述利用所述学历预测模型获得目标用户的预测学历,包括:
获取所述目标用户的数据,所述目标用户为未包含学历的用户;
所述目标用户的数据包括:所述目标用户的教育类数据、关系网数据、行为类数据和属性数据。
综上所述,通过学历预测模型获取目标用户的学历需要输入目标用户的数据,保持学历预测模型的输入层的一致性,避免由于输入层的不一致导致学历预测模型不准确的问题。
可选地,所述利用所述学历预测模型获得目标用户的预测学历,还包括:
将所述目标用户的数据输入至所述学历预测模型,获得所述目标用户的学历特征预测值;
根据所述目标用户的学历特征预测值,获取所述目标用户的预测学历。
通过实施如上方案,可以实现通过输入目标用户的数据获得目标用户的预测学历,为授信策略的生成提供了数据,增加了授信策略的准确性,从而降低了由于用户数据不足造成的评估用户不准确的风险
可选地,所述基于所述目标用户的预测学历,生成所述目标用户的授信策略,包括:
将所述目标用户的预测学历和/或学历特征预测值输入至授信模型,制定所述目标用户的授信策略。
基于以上方案,可以实现利用目标用户的预测学历作为制定用户的授信策略的基础,根据目标用户的预测学历这一特征数据,提高了制定授信策略的合理性,提高了风险管理的能力。
可选地,所述基于预测所述目标用户的预测学历,生成所述目标用户的授信策略,包括:
将所述目标用户的学历预测结果预测学历和/或学历特征预测值输入至授信模型,调整所述目标用户的授信策略。
综上所述,可以利用目标用户的预测学历对目标用户的授信策略进行调整,优化授信策略,降低了用户风险,能够实现更好的增收。
本说明书实施例还提供基于学历预测模型生成授信策略的装置,包括:
构建模块:用于构建学历预测模型;
获得模块:用于利用所述学历预测模型获得目标用户的预测学历;
生成模块:基于所述目标用户的预测学历,生成所述目标用户的授信策略。
基于以上方案,可以实现通过构建学历预测模型获得目标用户的预测学历,提供了目标用户的学历这一特征数据,进而制定授信策略,降低了因目标用户的学历特征数据的不足导致风险评估不准确的风险,进而提高了授信策略的准确性和合理性。
可选地,所述构建学历预测模型,包括:
调取样本用户的数据,所述数据包括教育类数据、关系网数据、行为类数据、属性数据和学历;
基于所述样本用户的数据,建立所述学历预测模型,所述学历预测模型用于预测所述目标用户的学历。
综上如述,可以通过建立学历预测模型获得目标用户的预测学历,进而补充了目标用户的学历特征数据,为目标用户的风险评估提供了数据,进而为授信策略的生成提供了基础。
可选地,所述构建学历预测模型,还包括:
将所述样本用户的教育类数据、关系网数据、行为类数据、属性数据和学历作为训练所述学历预测模型的样本数据,利用机器学习方法训练所述学历预测模型。
根据以上方案,可以实现利用样本用户的数据,通过机器学习方法训练学历预测模型,使得学历预测模型的预测结果更加准确,可以避免由于学历预测模型不准确导致的目标用户的预测学历不准确的问题,提高了学历预测模型的准确性。
可选地,所述构建学历预测模型,还包括:
基于所述样本用户的教育类数据、关系网数据、行为类数据和属性数据,计算所述样本用户的学历特征预测值;
建立所述学历特征预测值与学历的映射关系;
根据所述学历特征预测值确定所述样本用户的预测学历。
基于以上方案,每个学历特征预测值与学历都具有对应关系,利用学历特征预测值与学历之间的对应关系,进一步确定样本用户的预测学历,完善学历预测模型的训练,提高了学历预测模型的准确性。
可选地,所述构建学历预测模型,还包括:
将所述样本用户的学历和所述样本用户的预测学历进行对比,生成所述学历预测模型。
通过实施以上方案,将样本用户的实际学历和学历预测模型输出的样本用户的预测学历进行对比,验证学历预测模型的预测的可行性,进而提高学历预测模型的预测。
可选地,所述利用所述学历预测模型获得目标用户的预测学历,包括:
获取所述目标用户的数据,所述目标用户为未包含学历的用户;
所述目标用户的数据包括:所述目标用户的教育类数据、关系网数据、行为类数据和属性数据。
综上所述,通过学历预测模型获取目标用户的学历需要输入目标用户的数据,保持学历预测模型的输入层的一致性,避免由于输入层的不一致导致学历预测模型不准确的问题。
可选地,所述利用所述学历预测模型获得目标用户的预测学历,还包括:
将所述目标用户的数据输入至所述学历预测模型,获得所述目标用户的学历特征预测值;
根据所述目标用户的学历特征预测值,获取所述目标用户的预测学历。
通过实施如上方案,可以实现通过输入目标用户的数据获得目标用户的预测学历,为授信策略的生成提供了数据,增加了授信策略的准确性,从而降低了由于用户数据不足造成的评估用户不准确的风险
可选地,所述基于所述目标用户的预测学历,生成所述目标用户的授信策略,包括:
将所述目标用户的预测学历和/或学历特征预测值输入至授信模型,制定所述目标用户的授信策略。
基于以上方案,可以实现利用目标用户的预测学历作为制定用户的授信策略的基础,根据目标用户的预测学历这一特征数据,提高了制定授信策略的合理性,提高了风险管理的能力。
可选地,所述基于预测所述目标用户的预测学历,生成所述目标用户的授信策略,包括:
将所述目标用户的学历预测结果预测学历和/或学历特征预测值输入至授信模型,调整所述目标用户的授信策略。
综上所述,可以利用目标用户的预测学历对目标用户的授信策略进行调整,优化授信策略,降低了用户风险,能够实现更好的增收。
本说明书实施例还提供一种电子设备,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上述任一项实施例所述的方法。
本说明书实施例还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,实现上述任一项实施例所述的方法。
通过构建学历预测模型,利用所述学历预测模型获得目标用户的预测学历,基于所述目标用户的预测学历,生成所述目标用户的授信策略。通过建立学历预测模型来预测用户学历,进而完善用户特征,利用用户的预测学历来生成授信策略能够使得授信策略更准确,进而提高了风险管理水平。
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为本说明书实施例提供的基于学历预测模型生成授信策略的方法的原理示意图;
图2为本说明书实施例提供的基于学历预测模型生成授信策略的方法的流程示意图;
图3为本说明书实施例提供的方法中关于步骤基于所述样本用户的数据,建立所述学历预测模型的流程示意图;
图4为本说明书实施例提供的的装置的结构示意图;
图5为本说明书实施例提供的一种电子设备的结构示意图;
图6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
本说明书中,具体是通过构建学历预测模型,利用所述学历预测模型获得目标用户的预测学历,基于所述目标用户的预测学历,生成所述目标用户的授信策略。通过建立学历预测模型来预测用户学历,进而完善用户特征,利用用户的预测学历来生成授信策略能够使得授信策略更准确,进而提高了风险管理水平。
如图1所示,本说明书实施例提供基于学历预测模型生成授信策略的方法,所述方法包括:
S101:构建学历预测模型;
S102:利用所述学历预测模型获得目标用户的预测学历;
S103:基于所述目标用户的预测学历,生成所述目标用户的授信策略。
构建学历预测模型,利用所述学历预测模型获得目标用户的预测学历,基于所述目标用户的预测学历,生成所述目标用户的授信策略。通过建立学历预测模型来预测用户学历,进而完善用户特征,利用用户的预测学历来生成授信策略能够使得授信策略更准确,进而提高了风险管理水平。
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2为本说明书实施例提供的基于学历预测模型生成授信策略的方法的流程示意图,具体包括:
S201:调取样本用户的数据,所述数据包括教育类数据、关系网数据、行为类数据、属性数据和学历;
S202:基于所述样本用户的数据,建立所述学历预测模型,所述学历预测模型用于预测所述目标用户的学历;
S203:获取所述目标用户的数据,所述目标用户为未包含学历的用户;所述目标用户的数据包括:所述目标用户的教育类数据、关系网数据、行为类数据和属性数据;
S204:将所述目标用户的数据输入至所述学历预测模型,获得所述目标用户的学历特征预测值;
S205:根据所述目标用户的学历特征预测值,获取所述目标用户的预测学历;
S206:将所述目标用户的预测学历和/或学历特征预测值输入至授信模型,制定所述目标用户的授信策略;
S207:将所述目标用户的学历预测结果预测学历和/或学历特征预测值输入至授信模型,调整所述目标用户的授信策略。
基于以上方案,可以实现通过构建学历预测模型获得目标用户的预测学历,提供了目标用户的学历这一特征数据,进而制定授信策略,降低了因目标用户的学历特征数据的不足导致风险评估不准确的风险,进而提高了授信策略的准确性和合理性。
优选的,在本说明书实施例中,S201具体可以包括:调取样本用户的数据的方式包括调取数据的方式,任何一种能够调取数据的方式都可以用于本技术方案。
其中,样本用户包括包含学历的用户,在本实施例中,是利用包含学历的用户数据来建立学历预测模型。
进一步的,所述数据包括教育类数据、关系网数据、行为类数据、属性数据和学历。具体来说,所述教育类数据包括所有关于用户教育的特征数据,例如用户受教育的程度、用户受教育的方式和用户受教育的地点等。所述关系网数据包括利用样本用户的关系网络利用互联网技术构建知识图谱,其中关系网包含几十亿个点,成百上千亿条边,所述关系网中的数据为关系网数据。所述行为类数据可以包括通过对用户行为监测获得的数据。所述属性数据可以包括用户的年龄、性别、教育程度、所在地区、收入水平等属性。
调取样本用户数据给建立学历预测模型提供了基础,保证了学历预测模型的可行性和准确性。
综上如述,可以通过建立学历预测模型获得目标用户的预测学历,进而补充了目标用户的学历特征数据,为目标用户的风险评估提供了数据,进而为授信策略的生成提供了基础。
如图3所示,在说明书实施例中,还可以包括:
S301:将所述样本用户的教育类数据、关系网数据、行为类数据、属性数据和学历作为训练所述学历预测模型的样本数据,利用机器学习方法训练所述学历预测模型。
具体来说,在调取了样本用户的数据的基础之上,将所述样本用户的教育类数据、关系网数据、行为类数据、属性数据和学历作为训练所述学历预测模型的样本数据,其中,将所述样本用户的教育类数据、关系网数据、行为类数据、属性数据作为训练所述学历预测模型的输入层数据,将所述样本用户的学历作为训练所述学历预测模型的输出层数据,并通过机器学习方法来训练学历预测模型。
根据以上方案,可以实现利用样本用户的数据,通过机器学习方法训练学历预测模型,使得学历预测模型的预测结果更加准确,可以避免由于学历预测模型不准确导致的目标用户的预测学历不准确的问题,提高了学历预测模型的准确性。
S302:基于所述样本用户的教育类数据、关系网数据、行为类数据和属性数据,计算所述样本用户的学历特征预测值。
在本实施例中,将所述样本用户的教育类数据、关系网数据、行为类数据和属性数据作为学历预测模型的输入层,利用学历预测模型可以计算出所述样本用户的学历特征预测值。
S303:建立所述学历特征预测值与学历的映射关系。
在本实施例中,由于计算出了所述样本用户的学历特征预测值,通过建立所述学历特征预测值与学历的映射关系,使得学历特征预测值和学历有了一一对应的关系,例如,学历特征预测值的分值为0.1-0.2,那么用户对应的学历是大专,学历特征预测值的分值为0.2-0.3,那么用户对应的学历是本科,以此类推,学历与学历特征预测值一一对应。
基于以上方案,每个学历特征预测值与学历都具有对应关系,利用学历特征预测值与学历之间的对应关系,进一步确定样本用户的预测学历,完善学历预测模型的训练,提高了学历预测模型的准确性。
S304:根据所述学历特征预测值确定所述样本用户的预测学历。
在本实施例中,由于学历特征预测值与学历具有一一对应关系,所以可以利用学历预测模型计算出的所述样本用户的学历特征预测值来确定所述样本用户的预测学历。
例如,所述样本用户的学历特征预测值等于0.15,该学历特征预测值属于0.1-0.2之间,那么所述样本用户的预测学历是大专,以此类推。可以通过学历特征预测值,确定用户的预测学历。
S305:所述样本用户的学历和所述样本用户的预测学历进行对比,生成所述学历预测模型。
具体来说,通过对比所述样本用户的实际学历和所述学历预测模型输出的所述样本用户的预测学历,不断训练学历预测模型,生成一个可以利用用户数据准确获得用户的预测学历的学历预测模型。
例如,获得的样本用户的预测学历是大专,但是所述样本用户的实际学历是大学,则计算得到与各个学历特征预测值对应的预测学历,根据预测学历和对应的实际学历计算得到学历误差值,根据学历误差值对学历预测模型中的参数进行调整,直至满足收敛条件,得到目标学历预测模型。
通过实施以上方案,将样本用户的实际学历和学历预测模型输出的样本用户的预测学历进行对比,验证学历预测模型的预测的可行性,进而提高学历预测模型的预测。
在本说明书实施例中,关于S203具体来说,获取所述目标用户的数据,所述目标用户为未包含学历的用户,所述目标用户的数据包括:所述目标用户的教育类数据、关系网数据、行为类数据和属性数据。
其中,由于以上方案中已经建立了学历预测模型,因此可以通过所述学历预测模型预测未包含学历的用户的学历。关于使用学历预测模型,具体来说,首先要获取未包含学历的用户的教育类数据、关系网数据、行为类数据和属性数据,所述未包含学历的用户的教育类数据、关系网数据、行为类数据和属性数据是作为所述学历预测模型的输入层,通过将以上数据输入至所述学历预测模型,能够获得所述未包含学历的用户的预测学历。
综上所述,通过学历预测模型获取目标用户的学历需要输入目标用户的数据,保持学历预测模型的输入层的一致性,避免由于输入层的不一致导致学历预测模型不准确的问题。
其中,S204:将所述目标用户的数据输入至所述学历预测模型,获得所述目标用户的学历特征预测值还包括:
在本说明书实施例中,所述目标用户的数据作为所述学历预测模型的输入层,通过所述学历预测模型计算所述未包含学历的用户的学历特征预测值,进而通过学历特征预测值确定所述未包含学历的用户的预测学历。
在本说明书实施例中,S205:根据所述目标用户的学历特征预测值,获取所述目标用户的预测学历,具体还包括:
由于学历特征预测值与学历具有一一对应关系,所以针对已知的所述目标用户的学历特征预测值,可以确定所述目标用户的预测学历。
通过实施如上方案,可以实现通过输入目标用户的数据获得目标用户的预测学历,为授信策略的生成提供了数据,增加了授信策略的准确性,从而降低了由于用户数据不足造成的评估用户不准确的风险
在本说明书实施例中,S206:将所述目标用户的预测学历和/或学历特征预测值输入至授信模型,制定所述目标用户的授信策略,具体包括:
在一实施例中,将所述目标用户的预测学历输入至授信模型,可以为所述目标用户制定授信策略,所述目标用户包括未包含学历的用户。
在另一实施例中,可以将所述目标用户的学历特征预测值输入至授信模型,为所述目标用户制定授信策略。
在另一实施例中,可以将所述目标用户的预测学历和学历特征预测值都输入至授信模型,综合分析制定所述目标用户的授信策略。
基于以上方案,可以实现利用目标用户的预测学历作为制定用户的授信策略的基础,根据目标用户的预测学历这一特征数据,提高了制定授信策略的合理性,提高了风险管理的能力。
在本说明书实施例中,S207:将所述目标用户的学历预测结果预测学历和/或学历特征预测值输入至授信模型,调整所述目标用户的授信策略,具体包括:
在一实施例中,将所述目标用户的预测学历输入至授信模型,可以为所述目标用户调整授信策略。由于历史授信模型不具备所述目标用户的学历,缺少该特征数据,或者对于所述目标用户的学历无法确定,针对所述目标用户的授信策略可能不准确,因此增加所述目标用户的特征数据,进一步优化所述目标用户的授信策略。
在另一实施例中,可以将所述目标用户的学历特征预测值输入至授信模型,为所述目标用户调整授信策略。
在另一实施例中,可以将所述目标用户的预测学历和学历特征预测值都输入至授信模型,综合分析制定所述目标用户的授信策略。
综上所述,可以利用目标用户的预测学历对目标用户的授信策略进行调整,优化授信策略,降低了用户风险,能够实现更好的增收。
图4为本说明书实施例提供的基于学历预测模型生成授信策略的装置的结构示意图,该装置可以包括:
构建模块401:用于构建学历预测模型;
获得模块402:用于利用所述学历预测模型获得目标用户的预测学历;
生成模块403:基于所述目标用户的预测学历,生成所述目标用户的授信策略。
基于以上方案,可以实现通过构建学历预测模型获得目标用户的预测学历,提供了目标用户的学历这一特征数据,进而制定授信策略,降低了因目标用户的学历特征数据的不足导致风险评估不准确的风险,进而提高了授信策略的准确性和合理性。
可选地,所述构建学历预测模型,包括:
调取样本用户的数据,所述数据包括教育类数据、关系网数据、行为类数据、属性数据和学历;
基于所述样本用户的数据,建立所述学历预测模型,所述学历预测模型用于预测所述目标用户的学历。
综上如述,可以通过建立学历预测模型获得目标用户的预测学历,进而补充了目标用户的学历特征数据,为目标用户的风险评估提供了数据,进而为授信策略的生成提供了基础。
可选地,所述构建学历预测模型,还包括:
将所述样本用户的教育类数据、关系网数据、行为类数据、属性数据和学历作为训练所述学历预测模型的样本数据,利用机器学习方法训练所述学历预测模型。
根据以上方案,可以实现利用样本用户的数据,通过机器学习方法训练学历预测模型,使得学历预测模型的预测结果更加准确,可以避免由于学历预测模型不准确导致的目标用户的预测学历不准确的问题,提高了学历预测模型的准确性。
可选地,所述构建学历预测模型,还包括:
基于所述样本用户的教育类数据、关系网数据、行为类数据和属性数据,计算所述样本用户的学历特征预测值;
建立所述学历特征预测值与学历的映射关系;
根据所述学历特征预测值确定所述样本用户的预测学历。
基于以上方案,每个学历特征预测值与学历都具有对应关系,利用学历特征预测值与学历之间的对应关系,进一步确定样本用户的预测学历,完善学历预测模型的训练,提高了学历预测模型的准确性。
可选地,所述构建学历预测模型,还包括:
将所述样本用户的学历和所述样本用户的预测学历进行对比,生成所述学历预测模型。
通过实施以上方案,将样本用户的实际学历和学历预测模型输出的样本用户的预测学历进行对比,验证学历预测模型的预测的可行性,进而提高学历预测模型的预测。
可选地,所述利用所述学历预测模型获得目标用户的预测学历,包括:
获取所述目标用户的数据,所述目标用户为未包含学历的用户;
所述目标用户的数据包括:所述目标用户的教育类数据、关系网数据、行为类数据和属性数据。
综上所述,通过学历预测模型获取目标用户的学历需要输入目标用户的数据,保持学历预测模型的输入层的一致性,避免由于输入层的不一致导致学历预测模型不准确的问题。
可选地,所述利用所述学历预测模型获得目标用户的预测学历,还包括:
将所述目标用户的数据输入至所述学历预测模型,获得所述目标用户的学历特征预测值;
根据所述目标用户的学历特征预测值,获取所述目标用户的预测学历。
通过实施如上方案,可以实现通过输入目标用户的数据获得目标用户的预测学历,为授信策略的生成提供了数据,增加了授信策略的准确性,从而降低了由于用户数据不足造成的评估用户不准确的风险
可选地,所述基于所述目标用户的预测学历,生成所述目标用户的授信策略,包括:
将所述目标用户的预测学历和/或学历特征预测值输入至授信模型,制定所述目标用户的授信策略。
基于以上方案,可以实现利用目标用户的预测学历作为制定用户的授信策略的基础,根据目标用户的预测学历这一特征数据,提高了制定授信策略的合理性,提高了风险管理的能力。
可选地,所述基于预测所述目标用户的预测学历,生成所述目标用户的授信策略,包括:
将所述目标用户的学历预测结果预测学历和/或学历特征预测值输入至授信模型,调整所述目标用户的授信策略。
综上所述,可以利用目标用户的预测学历对目标用户的授信策略进行调整,优化授信策略,降低了用户风险,能够实现更好的增收。
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5是根据本发明的一种电子设备的示例性实施例的结构框图。下面参照图5来描述根据本发明该实施例的的电子设备500。图5显示的电子设备500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5所示,电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于:至少一个处理单元510、至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线550、显示单元540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510执行,使得所述处理单元510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。例如,所述处理单元510可以执行如图5所示的。
所述存储单元520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)5201和/或高速缓存存储单元5202,还可以进一步包括只读存储单元(ROM)5203。
所述存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204,这样的程序模块5205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550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500也可以与一个或多个外部设备600(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500交互的设备通信,和/或与使得该电子设备500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550进行。并且,电子设备500还可以通过网络适配器560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560可以通过总线550与电子设备500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500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:
通过构建学历预测模型,利用所述学历预测模型获得目标用户的预测学历,基于所述目标用户的预测学历,生成所述目标用户的授信策略。通过建立学历预测模型来预测用户学历,进而完善用户特征,利用用户的预测学历来生成授信策略能够使得授信策略更准确,进而提高了风险管理水平。
图6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。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.基于学历预测模型生成授信策略的方法,其特征在于,包括:
构建学历预测模型;
利用所述学历预测模型获得目标用户的预测学历;
基于所述目标用户的预测学历,生成所述目标用户的授信策略。
2.根据权利要求1所述的方法,其特征在于,所述构建学历预测模型,包括:
调取样本用户的数据,所述数据包括教育类数据、关系网数据、行为类数据、属性数据和学历;
基于所述样本用户的数据,建立所述学历预测模型,所述学历预测模型用于预测所述目标用户的学历。
3.根据权利要求1-2中任一项所述的方法,其特征在于,所述构建学历预测模型,包括:
将所述样本用户的教育类数据、关系网数据、行为类数据、属性数据和学历作为训练所述学历预测模型的样本数据,利用机器学习方法训练所述学历预测模型。
4.根据权利要求1-3中任一项所述的方法,其特征在于,所述构建学历预测模型,还包括:
基于所述样本用户的教育类数据、关系网数据、行为类数据和属性数据,计算所述样本用户的学历特征预测值;
建立所述学历特征预测值与学历的映射关系;
根据所述学历特征预测值确定所述样本用户的预测学历;
将所述样本用户的学历和所述样本用户的预测学历进行对比,生成所述学历预测模型。
5.根据权利要求1-4中任一项所述的方法,其特征在于,所述利用所述学历预测模型获得目标用户的预测学历,包括:
获取所述目标用户的数据,所述目标用户为未包含学历的用户;
所述目标用户的数据包括:所述目标用户的教育类数据、关系网数据、行为类数据和属性数据;
将所述目标用户的数据输入至所述学历预测模型,获得所述目标用户的学历特征预测值;
根据所述目标用户的学历特征预测值,获取所述目标用户的预测学历。
6.根据权利要求1-5中任一项所述的方法,其特征在于,所述基于所述目标用户的预测学历,生成所述目标用户的授信策略,包括:
将所述目标用户的预测学历和/或学历特征预测值输入至授信模型,制定所述目标用户的授信策略。
7.根据权利要求1-6中任一项所述的方法,其特征在于,所述基于预测所述目标用户的预测学历,生成所述目标用户的授信策略,包括:
将所述目标用户的学历预测结果预测学历和/或学历特征预测值输入至授信模型,调整所述目标用户的授信策略。
8.基于学历预测模型生成授信策略的装置,其特征在于,包括:
构建学历预测模型;
利用所述学历预测模型获得目标用户的预测学历;
基于所述目标用户的预测学历,生成所述目标用户的授信策略。
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 |
---|---|---|---|
CN201911329880.6A CN111199476A (zh) | 2019-12-20 | 2019-12-20 | 基于学历预测模型生成授信策略的方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911329880.6A CN111199476A (zh) | 2019-12-20 | 2019-12-20 | 基于学历预测模型生成授信策略的方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111199476A true CN111199476A (zh) | 2020-05-26 |
Family
ID=70747060
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911329880.6A Pending CN111199476A (zh) | 2019-12-20 | 2019-12-20 | 基于学历预测模型生成授信策略的方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111199476A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657369A (zh) * | 2013-11-19 | 2015-05-27 | 深圳市腾讯计算机系统有限公司 | 用户属性信息的生成方法及系统 |
US20170357922A1 (en) * | 2016-06-14 | 2017-12-14 | International Business Machines Corporation | Personalized behavior-driven dynamic risk management with constrained service capacity |
CN108399418A (zh) * | 2018-01-23 | 2018-08-14 | 北京奇艺世纪科技有限公司 | 一种用户分类方法及装置 |
CN109523085A (zh) * | 2018-11-26 | 2019-03-26 | 北京网聘咨询有限公司 | 一种简历的填写方法、装置、电子设备及存储介质 |
CN109785117A (zh) * | 2018-12-14 | 2019-05-21 | 平安科技(深圳)有限公司 | 基于神经网络的风控方法、计算机可读存储介质及服务器 |
-
2019
- 2019-12-20 CN CN201911329880.6A patent/CN111199476A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657369A (zh) * | 2013-11-19 | 2015-05-27 | 深圳市腾讯计算机系统有限公司 | 用户属性信息的生成方法及系统 |
US20170357922A1 (en) * | 2016-06-14 | 2017-12-14 | International Business Machines Corporation | Personalized behavior-driven dynamic risk management with constrained service capacity |
CN108399418A (zh) * | 2018-01-23 | 2018-08-14 | 北京奇艺世纪科技有限公司 | 一种用户分类方法及装置 |
CN109523085A (zh) * | 2018-11-26 | 2019-03-26 | 北京网聘咨询有限公司 | 一种简历的填写方法、装置、电子设备及存储介质 |
CN109785117A (zh) * | 2018-12-14 | 2019-05-21 | 平安科技(深圳)有限公司 | 基于神经网络的风控方法、计算机可读存储介质及服务器 |
Non-Patent Citations (1)
Title |
---|
杨春柏 等: "《大数据驱动下的新金融发展研究》", 31 October 2018, 科学技术文献出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11694109B2 (en) | Data processing apparatus for accessing shared memory in processing structured data for modifying a parameter vector data structure | |
Renner et al. | Equivalence of MAXENT and Poisson point process models for species distribution modeling in ecology | |
CN110782129B (zh) | 一种业务进度监控方法、装置、系统及计算机可读存储介质 | |
CN112182118B (zh) | 基于多数据源的目标对象预测方法及其相关设备 | |
CN112508723B (zh) | 基于自动择优建模的金融风险预测方法、装置和电子设备 | |
CN112508695A (zh) | 基于市场风险的金融风险预测方法、装置和电子设备 | |
CN112017042A (zh) | 基于tweedie分布的资源配额确定方法、装置和电子设备 | |
CN111209930B (zh) | 一种生成授信策略的方法、装置和电子设备 | |
CN114997263B (zh) | 基于机器学习的结训率分析方法、装置、设备及存储介质 | |
CN112668238A (zh) | 一种降雨量处理方法、装置、设备和存储介质 | |
CN111181757B (zh) | 信息安全风险预测方法、装置以及计算设备、存储介质 | |
CN115564152A (zh) | 基于stirpat模型的碳排放量预测方法及装置 | |
CN111179055A (zh) | 授信额度调整方法、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 | |
CN113902260A (zh) | 信息预测方法、装置、电子设备和介质 | |
CN116664306A (zh) | 风控规则的智能推荐方法、装置、电子设备及介质 | |
CN113780675B (zh) | 一种消耗预测方法、装置、存储介质及电子设备 | |
CN111199476A (zh) | 基于学历预测模型生成授信策略的方法、装置和电子设备 | |
CN110874758A (zh) | 潜在客户预测方法、装置、系统、电子设备、存储介质 | |
CN113298120B (zh) | 基于融合模型的用户风险预测方法、系统和计算机设备 | |
CN113094602B (zh) | 酒店推荐方法、系统、设备及介质 | |
CN111967806B (zh) | 基于定期回扫的用户风险更新方法、装置和电子设备 | |
CN114298825A (zh) | 还款积极度评估方法及装置 | |
CN113298353A (zh) | 一种基于用户生存模型的资源调整方法、装置和系统 | |
CN113592263A (zh) | 基于动态资源归还增比的资源归还增量预测方法和装置 |
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 |