CN111209930B - 一种生成授信策略的方法、装置和电子设备 - Google Patents

一种生成授信策略的方法、装置和电子设备 Download PDF

Info

Publication number
CN111209930B
CN111209930B CN201911329790.7A CN201911329790A CN111209930B CN 111209930 B CN111209930 B CN 111209930B CN 201911329790 A CN201911329790 A CN 201911329790A CN 111209930 B CN111209930 B CN 111209930B
Authority
CN
China
Prior art keywords
risk value
predicted
user
target user
decision matrix
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
Application number
CN201911329790.7A
Other languages
English (en)
Other versions
CN111209930A (zh
Inventor
吴霜
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 Qiyue Information Technology Co Ltd
Original Assignee
Shanghai Qiyue 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 Qiyue Information Technology Co Ltd filed Critical Shanghai Qiyue Information Technology Co Ltd
Priority to CN201911329790.7A priority Critical patent/CN111209930B/zh
Publication of CN111209930A publication Critical patent/CN111209930A/zh
Application granted granted Critical
Publication of CN111209930B publication Critical patent/CN111209930B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Abstract

本申请提供一种生成授信策略的方法，选取若干个预测子模型，建立决策矩阵模型，利用所述决策矩阵模型获得目标用户的预测风险值，基于所述目标用户的预测风险值，生成所述目标用户的授信策略。通过选取若干个预测子模型构建决策矩阵模型，利用决策矩阵模型进行多重组合决策，这样增加了授信策略的准确性，进而提高了风险控制能力。

Description

一种生成授信策略的方法、装置和电子设备
技术领域
本申请涉及计算机领域，尤其涉及一种生成授信策略的方法、装置和电子设备。
背景技术
一般来说，在为用户制定授信策略之前，首先要对用户进行评估，涉及到评估用户的风险等级，针对用户的风险等级，为用户制定一个对应的授信策略，但是在传统的金融行业中，现有的制定授信策略的方法已经无法对用户风险进行全面的控制，所以传统的风险控制方法具有单一性，致使制定授信策略会不准确，进而也会导致用户流失以及金融平台的收益降低。
发明内容
本说明书实施例提供一种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风险控制能力低和授信策略的制定不准确的问题。
本说明书实施例提供一种生成授信策略的方法，包括：
选取若干个预测子模型；
建立决策矩阵模型；
利用所述决策矩阵模型获得目标用户的预测风险值；
基于所述目标用户的预测风险值，生成所述目标用户的授信策略。
通过选取若干个预测子模型构建决策矩阵模型，利用决策矩阵模型进行多重组合决策，这样增加了授信策略的准确性，进而提高了风险控制能力。
可选地，所述选取若干个预测子模型，包括：
利用有监督和无监督的学习方法获取样本用户的特征数据和初始属性风险值；
基于所述样本用户的特征数据构建若干个初始风险值预测子模型，所述初始风险值预测子模型用于生成所述目标用户的预测属性风险值。
综上如述，利用有监督和无监督两种不同的学习方法计算样本用户的特征数据和初始属性风险值，可以增加用户分类方法的多样性，使数据更加丰富。
可选地，所述基于所述样本用户的特征数据构建若干个初始风险值预测子模型，包括：
利用所述样本用户的特征数据获取所述样本用户的属性；
所述属性包括履约能力、消费能力、个人稳定性、多头共债、资金需求、社交网络；
通过所述样本用户的属性获得所述样本用户的预测属性风险值。
根据以上方案，可以利用所述样本用户的属性构建若干个预测属性风险值子模型，从而对所述样本用户进行多种试算，获得多种预测属性风险值的构建方法，这样可以增加所述预测属性风险值子模型的种类，进一步提高所述预测属性风险值的准确性。
可选地，每个所述初始风险值预测子模型用于输出与一个属性对应的预测属性风险值。
可选地，每个所述初始风险值预测子模型用于输出与属性集对应的预测属性风险值；
所述属性集包括若干属性的组合。
综上所述的方法，利用若干个初始风险值预测子模型输出若干个预测属性风险值代替传统风险控制方法的单一性，提高了风险控制的能力。
可选地，所述利用所述决策矩阵模型获得目标用户的预测风险值之前，还包括：
利用所述样本用户的特征数据和授信策略，训练所述决策矩阵模型。
通过所述样本用户的特征数据和初始属性风险值进行训练，可以提高所述初始风险值预测子模型输出的对于用户的预测初始属性风险值的准确性，进而提高制定授信策略的合理性和制定授信策略的效率。
可选地，所述训练决策矩阵模型，包括：
调用所述样本用户的特征数据和授信策略，计算所述样本用户的预测风险值；
建立所述预测风险值与所述样本用户的预测授信策略的映射关系；
根据所述预测风险值确定所述样本用户的预测授信策略；
将所述样本用户的授信策略和所述样本用户的预测授信策略进行对比，调整所述决策矩阵模型。
根据以上方法，通过不断的测试，获得一个当前最佳的决策矩阵模型用于获得所述目标用户的预测风险值，这样可以增加所述目标用户的授信策略的准确性，提高对用户的风险控制能力。
可选地，所述利用所述决策矩阵模型获得目标用户的预测风险值，包括：
获取所述目标用户的特征数据；
将所述目标用户的特征数据输入至所述决策矩阵模型，生成所述目标用户的预测风险值。
根据以上方案，由于所述决策矩阵模型训练完成，输入所述目标用户的特征数据能够获得所述目标用户的预测风险值，通过预测风险值制定所述目标用户的授信策略会更加准确
可选地，还包括：优化所述决策矩阵模型。
可选地，所述优化所述决策矩阵模型包括：
所述目标用户再次申请授信时，调取所述目标用户的风险值；
将所述目标用户的风险值输入至所述决策矩阵模型，得到所述目标用户的当前预测授信策略；
对比所述目标用户的基于所述预。测风险值生成的授信策略和所述当前预测授信策略；
根据所述对比结果，优化所述决策矩阵模型。
基于以上方案对所述决策矩阵模型进行多次训练，输入更多的用户数据对所述决策矩阵模型进行调整和优化，能够让所述决策矩阵模型输出的预测风险值更加准确，提高了对用户风险的控制能力，从而使用户的授信策略更加准确。
本说明书实施例还提供一种生成授信策略的装置，包括：
选取模块：用于选取若干个预测子模型；
建立模块：用于建立决策矩阵模型；
获得模块：用于利用所述决策矩阵模型获得目标用户的预测风险值；
生成模块：用于基于所述目标用户的预测风险值，生成所述目标用户的授信策略。
通过选取若干个预测子模型构建决策矩阵模型，利用决策矩阵模型进行多重组合决策，这样增加了授信策略的准确性，进而提高了风险控制能力。
可选地，所述选取若干个预测子模型，包括：
利用有监督和无监督的学习方法获取样本用户的特征数据和初始属性风险值；
基于所述样本用户的特征数据构建若干个初始风险值预测子模型，所述初始风险值预测子模型用于生成所述目标用户的预测属性风险值。
综上如述，利用有监督和无监督两种不同的学习方法计算样本用户的特征数据和初始属性风险值，可以增加用户分类方法的多样性，使数据更加丰富。
可选地，所述基于所述样本用户的特征数据构建若干个初始风险值预测子模型，包括：
利用所述样本用户的特征数据获取所述样本用户的属性；
所述属性包括履约能力、消费能力、个人稳定性、多头共债、资金需求、社交网络；
通过所述样本用户的属性获得所述样本用户的预测属性风险值。
根据以上方案，可以利用所述样本用户的属性构建若干个预测属性风险值子模型，从而对所述样本用户进行多种试算，获得多种预测属性风险值的构建方法，这样可以增加所述预测属性风险值子模型的种类，进一步提高所述预测属性风险值的准确性。
可选地，每个所述初始风险值预测子模型用于输出与一个属性对应的预测属性风险值。
可选地，每个所述初始风险值预测子模型用于输出与属性集对应的预测属性风险值；
所述属性集包括若干属性的组合。
综上所述的方法，利用若干个初始风险值预测子模型输出若干个预测属性风险值代替传统风险控制方法的单一性，提高了风险控制的能力。
可选地，所述利用所述决策矩阵模型获得目标用户的预测风险值之前，还包括：
利用所述样本用户的特征数据和授信策略，训练所述决策矩阵模型。
通过所述样本用户的特征数据和初始属性风险值进行训练，可以提高所述初始风险值预测子模型输出的对于用户的预测初始属性风险值的准确性，进而提高制定授信策略的合理性和制定授信策略的效率。
可选地，所述训练决策矩阵模型，包括：
调用所述样本用户的特征数据和授信策略，计算所述样本用户的预测风险值；
建立所述预测风险值与所述样本用户的预测授信策略的映射关系；
根据所述预测风险值确定所述样本用户的预测授信策略；
将所述样本用户的授信策略和所述样本用户的预测授信策略进行对比，调整所述决策矩阵模型。
可选地，所述利用所述决策矩阵模型获得目标用户的预测风险值，包括：
获取所述目标用户的特征数据；
将所述目标用户的特征数据输入至所述决策矩阵模型，生成所述目标用户的预测风险值。
可选地，还包括：优化所述决策矩阵模型。
可选地，所述优化所述决策矩阵模型包括：
所述目标用户再次申请授信时，调取所述目标用户的风险值；
将所述目标用户的风险值输入至所述决策矩阵模型，得到所述目标用户的当前预测授信策略；
对比所述目标用户的基于所述预测风险值生成的授信策略和所述当前预测授信策略；
根据所述对比结果，优化所述决策矩阵模型。
基于以上方案对所述决策矩阵模型进行多次训练，输入更多的用户数据对所述决策矩阵模型进行调整和优化，能够让所述决策矩阵模型输出的预测风险值更加准确，提高了对用户风险的控制能力，从而使用户的授信策略更加准确。
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。
在本发明中，通过选取若干个预测子模型，建立决策矩阵模型，利用所述决策矩阵模型获得目标用户的预测风险值，基于所述目标用户的预测风险值，生成所述目标用户的授信策略。通过选取若干个预测子模型构建决策矩阵模型，利用决策矩阵模型进行多重组合决策，这样增加了授信策略的准确性，进而提高了风险控制能力。
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一种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一种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特征数据构建若干个初始风险值预测子模型的流程示意图；
图4为本说明书实施例提供的方法中关于步骤通过所述样本用户的属性获得所述样本用户的预测属性风险值的流程示意图；
图5为本说明书实施例提供的方法中关于步骤利用所述样本用户的特征数据和授信策略，训练所述决策矩阵模型的流程示意图；
图6为本说明书实施例提供的方法中关于步骤利用所述决策矩阵模型获得目标用户的预测风险值的流程示意图；
图7为本说明书实施例提供的方法中关于步骤优化所述决策矩阵模型的流程示意图；
图8本说明书实施例中提供的一种生成授信策略的装置的结构示意图；
图9为本说明书实施例提供的一种电子设备的结构示意图；
图10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
本发明的本质是，通过选取若干个预测子模型构建决策矩阵模型，利用决策矩阵模型进行多重组合决策，这样增加了授信策略的准确性，进而提高了风险控制能力。
如图1所示，本说明书实施例提供一种生成授信策略的方法，所述方法包括：
S101:选取若干个预测子模型；
S102:建立决策矩阵模型；
S103:利用所述决策矩阵模型获得目标用户的预测风险值；
S104:基于所述目标用户的预测风险值，生成所述目标用户的授信策略。
通过选取若干个预测子模型构建决策矩阵模型，利用决策矩阵模型进行多重组合决策，这样增加了授信策略的准确性，进而提高了风险控制能力。
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一种生成授信策略的方法的流程示意图，方法包括：
S201：利用有监督和无监督的学习方法获取样本用户的特征数据和初始属性风险值。
其中，所述特征数据具体可以包括用户身份、关系、职业、教育、资产、意愿等用户维度的数据；所述初始属性风险值包括基于用户的属性计算出的用户的初始属性风险值，属性具体可以包括履约能力、消费能力、个人稳定性、多头共债、资金需求、社交网络。
在一种实施例中，利用有监督的学习方法对所述样本用户的数据进行整合分类，获取样本用户的特征数据，并且结合业务逻辑对所述样本用户的特征数据进行综合判断，利用所述特征数据获得所述样本用户的属性，进一步通过所述样本用户的属性计算所述样本用户的初始属性风险值。
在另一种实施例中，利用无监督的学习方法对所述样本用户的数据进行整合分类，获取样本用户的特征数据，并且结合业务逻辑对所述样本用户的特征数据进行综合判断，利用所述特征数据获得所述样本用户的属性，进一步通过所述样本用户的属性计算所述所述样本用户的初始属性风险值。
综上所述的两种学习方式都属于机器学习中典型的学习方式，不同学习方式下的分类方法针对不同的用户可能会有不同的分类效果，选择最好的分类方式去进行授信策略上的测试，从而在面对迭代需求时有更广的选择性。
S202：基于所述样本用户的特征数据构建若干个初始风险值预测子模型，所述初始风险值预测子模型用于生成所述目标用户的预测属性风险值；
在本实施例中，所述若干个初始风险值预测子模型可以包括BP神经网络预测模型、组合预测模型、卡尔曼滤波预测模型、趋势外推预测方法模型、回归预测方法模型等可以基于样本用户数据输出预测属性风险值的模型。
将所述样本用户的特征数据和初始属性风险值输入至所述初始风险值预测子模型，训练所述初始风险值预测子模型，获得一个最优的初始风险值预测子模型。
通过所述样本用户的特征数据和初始属性风险值进行训练，可以提高所述初始风险值预测子模型输出的对于用户的预测初始属性风险值的准确性，进而提高制定授信策略的合理性和制定授信策略的效率。
如图3所示，以上方案具体还可以包括：
S301:利用所述样本用户的特征数据获取所述样本用户的属性；
所述属性包括履约能力、消费能力、个人稳定性、多头共债、资金需求、社交网络；
在本实施例中，利用所述样本用户的特征数据可以计算出所述样本用户的属性，例如，所述样本用户的特征数据包括用户身份、关系、职业，可以利用这些特征数据计算所述样本用户的还款能力这一属性；所述样本用户的特征数据包括用户身份、关系、职业，可以利用这些特征数据计算所述样本用户的消费能力这一属性；以此类推，利用所述样本用户的特征数据可以计算所述样本用户的若干属性。
根据以上方案，可以利用所述样本用户的属性构建若干个预测属性风险值子模型，从而对所述样本用户进行多种试算，获得多种预测属性风险值的构建方法，这样可以增加所述预测属性风险值子模型的种类，进一步提高所述预测属性风险值的准确性。
S302:通过所述样本用户的属性获得所述样本用户的预测属性风险值；
在本实施例中，针对所述样本用户的属性，所述初始风险值预测子模型会计算出对应的所述样本用户的预测属性风险值，这里的属性可以包括一个单一属性和/或属性集，其中属性集可以包括若干个属性的组合。
根据以上方案，可以利用所述样本用户的属性构建若干个预测属性风险值子模型，从而对所述样本用户进行多种试算，获得多种预测属性风险值的构建方法，这样可以增加所述预测属性风险值子模型的种类，进一步提高所述预测属性风险值的准确性。
如图4所示，示例性的，进一步包括：
S401:每个所述初始风险值预测子模型用于输出与一个属性对应的预测属性风险值；
在本实施例中，一个初始风险值预测子模型针对一个属性进行计算，输出与一个属性对应的预测属性风险值。
例如，利用所述特征数据构建针对用户的还款能力这一属性的A初始风险值预测子模型，A初始风险值预测子模型用于输出与用户的预测还款能力风险值，以此类推，一个初始风险值预测子模型只计算与一个属性对应的预测属性风险值。
S402:每个所述初始风险值预测子模型用于输出与属性集对应的预测属性风险值；
在本实施例中，可以设定一个初始风险值预测子模型输出与若干属性对应的预测属性风险值。例如，设定B初始风险值预测子模型输出与还款能力和消费能力对应的预测属性风险值，设定C始风险值预测子模型输出与还款能力和多头共债对应的预测属性风险值，设定D始风险值预测子模型输出与还款能力、消费能力和多头共债对应的预测属性风险值，以此类推，所述初始风险值预测子模型的可以输出与若干个属性排列组合对应的预测属性风险值。
综上所述的方法，利用若干个初始风险值预测子模型输出若干个预测属性风险值代替传统风险控制方法的单一性，提高了风险控制的能力。
优选的，所述属性集包括若干属性的组合。
在本实施例中，所述属性集可以包括属性进行排列组合后的若干属性集，对于所述属性集中的属性不做限定。
S203：选取若干个预测子模型；
选取初始风险值预测子模型的方式可以包括选取输出与一属性对应的预测属性风险值的初始风险值预测子模型和/或选取输出与属性集对应的预测属性风险值的初始风险值预测子模型。
S204：建立决策矩阵模型；
在本实施例中，选取若干个预测子模型建立决策矩阵模型，利用所述决策矩阵进行多重组合决策。具体来说就是通过所述预测子模型构建一个决策矩阵模型，利用所述决策矩阵的矩阵式的判断方法，通过不同的学习方式得出多个用户的预测属性风险值的决策体系，通过所述决策矩阵模型对用户进行判断，得到预测风险值的方式，基于用户特征数据建立子模型，得到用户的各个预测属性风险值，各个预测属性风险值在所述决策矩阵模型中综合在一起就是多重组合决策。
在本实施例中，可以将不同的授信策略放进所述决策矩阵模型，把不同的授信策略放入决策矩阵，选取最佳的授信策略的预测结果，授信完之后有初始风险值，将所述初始风险值低的授信策略放入所述决策矩阵模型，修正所述决策矩阵模型，若所述初始风险值高就降低这个授信策略的比重，就是利用所述决策矩阵模型测试出利润高以及风险小的授信策略，即目标授信策略，把这一类用户都用目标授信策略。
如图5所示，以上方案进一步包括：
S501：调用所述样本用户的特征数据和授信策略，计算所述样本用户的预测风险值；
在本实施例中，所述样本用户的特征数据是利用有监督和无监督的学习方法计算出来的，调用所述样本用户的特征数据是因为要将所述样本用户的特征数据作为所述决策矩阵模型的输入层数据，调用所述样本用户的授信策略是因为要将所述样本用户的授信策略作为所述决策矩阵模型的输出层数据，利用所述样本用户的特征数据和授信策略训练所述决策矩阵模型，以此输出所述样本用户的预测风险值。
根据以上方法，通过不断的测试，获得一个当前最佳的决策矩阵模型用于获得所述目标用户的预测风险值，这样可以增加所述目标用户的授信策略的准确性，提高对用户的风险控制能力。
S502：建立所述预测风险值与所述样本用户的预测授信策略的映射关系；
在本实施例中，所述决策矩阵模型针对所述样本用户的特征数据会输出一个所述样本用户的预测风险值，基于所述预测风险值，存在一个预测授信策略与之对应。
综上所述，通过所述预测风险值和所述预测授信策略的映射关系，当获得了所述决策矩阵模型输出的预测风险值，就能够利用所述预测风险值制定一个预测授信策略。从而所述预测授信策略更加具有针对性和准确性。
S503：根据所述预测风险值确定所述样本用户的预测授信策略；
在本实施例中，由于所述预测风险值与所述预测授信策略具有映射关系，说明所述预测风险值与所述预测授信策略是一一对应的，利用两者的关系以及所述决策矩阵模型输出的所述样本用户的预测风险值可以获得所述样本用户的预测授信策略。
根据以上方案，所述预测授信策略并不是毫无根据的制定出来的，而是经过了对用户的风险预测，生成了预测风险值，所以才能准确的制定授信策略。
S504：将所述样本用户的授信策略和所述样本用户的预测授信策略进行对比，调整所述决策矩阵模型；
在本实施例中，当获得所述样本用户的预测授信策略之后，将所述预测授信策略和所述样本用户的授信策略对比，比较所述样本用户的授信策略和所述样本用户的预测授信策略是否一致，假如述样本用户的授信策略和所述样本用户的预测授信策略一致，则表示所述决策矩阵模型训练完成，假如述样本用户的授信策略和所述样本用户的预测授信策略不一致，则调整所述决策矩阵模型至所述决策矩阵模型训练完成。
根据以上方法，通过不断的测试，获得一个当前最佳的决策矩阵模型用于获得所述目标用户的预测风险值，这样可以增加所述目标用户的授信策略的准确性，提高对用户的风险控制能力。
S205：利用所述决策矩阵模型获得目标用户的预测风险值；
在本实施例中，当所述决策矩阵模型构建完成之后，将所述目标用户的特征数据输入至所述决策矩阵模型，所述决策矩阵会输出所述目标用户的预测风险值，可以利用所述目标用户的预测风险值提取所述目标用户的授信策略。
由于所述决策矩阵模型是利用了大量的样本数据进行训练的，所以所述决策矩阵模型可以被认为是当前最完善的能够预测用户风险的模型，而且所述决策矩阵模型是利用了若干个预测子模型构建的，致使所述决策矩阵模型的计算数据更加多样化，丰富，完善，可以从更多额用户维度数据去预测用户的风险值，使预测风险值更加准确，进一步的使用户的授信策略的制定更加具有可行性。
如图6所示，以上方案进一步包括：
S601：获取所述目标用户的特征数据；
在本实施例中，当所述目标用户申请授信时，利用有监督和无监督的方法获得所述目标用户特征数据，所述目标用户的特征数据是作为所述决策矩阵模型的输入层数据，将所述特征数据输入至所述决策矩阵模型可以得到所述决策矩阵模型针对所述目标用户的输出层数据，即所述目标用户的预测风险值。所述目标用户的特征数据是将所述目标用户的多个维度数据进行分类整合得到的，因此所述目标用户的特征数据更加丰富。
S602：将所述目标用户的特征数据输入至所述决策矩阵模型，生成所述目标用户的预测风险值；
S206：基于所述目标用户的预测风险值，生成所述目标用户的授信策略；
在本实施例中，当获得所述目标用户的预测风险值后，由于所述预测风险值与所述授信策略具有映射关系，利用两者的关系，通过所述预测风险值确定所述目标用户的授信策略。
根据以上方案，由于所述决策矩阵模型训练完成，输入所述目标用户的特征数据能够获得所述目标用户的预测风险值，通过预测风险值制定所述目标用户的授信策略会更加准确。
如图7所示，所述的优化所述决策矩阵模型方案，进一步包括：
S701：所述目标用户再次申请授信时，调取所述目标用户的风险值；
在本实施中，当所述目标用户再次申请授信时，针对所述目标用户的历史授信策略会有实际表现，将所述实际表现定义为实际风险值，就是此处的风险值，将实际表现好的用户以及对应的授信策略放入所述决策矩阵模型，对所述决策矩阵模型进行修正，降低实际表现不好的授信策略的比重。
S702：将所述目标用户的风险值输入至所述决策矩阵模型，得到所述目标用户的当前预测授信策略；
在本实施例中，每一个风险值都会有一个对应的授信策略，可能用户的历史授信策略和根据实际风险值计算出的授信策略差距很大，所以要采集用户的实际风险值，将实际风险值反馈至所述决策矩阵模型，将所述用户的预测风险值进行调整，进而优化同一类型的用户的授信策略，就是通过调整所述决策矩阵模型，让所述决策矩阵模型输出的预测风险值更加准确。
S703：对比所述目标用户的基于所述预测风险值生成的授信策略和所述当前预测授信策略；
在本实施例中，所述基于所述预测风险值生成的授信策略和所述基于世纪风险值生成的当前预测授信策略可能差距很大，对于差距很大的授信策略就要进行调整，调整所述授信策略的流量比重，将降低授信策略不准确的比重，以此完善所述决策矩阵模型。
S704：根据所述对比结果，优化所述决策矩阵模型。
基于以上方案对所述决策矩阵模型进行多次训练，输入更多的用户数据对所述决策矩阵模型进行调整和优化，能够让所述决策矩阵模型输出的预测风险值更加准确，提高了对用户风险的控制能力，从而使用户的授信策略更加准确。
如图8所示，本说明书实施例中提供的一种生成授信策略的装置的结构示意图：
选取模块801：用于选取若干个预测子模型；
建立模块802：用于建立决策矩阵模型；
获得模块803：用于利用所述决策矩阵模型获得目标用户的预测风险值；
生成模块804：用于基于所述目标用户的预测风险值，生成所述目标用户的授信策略。
通过选取若干个预测子模型构建决策矩阵模型，利用决策矩阵模型进行多重组合决策，这样增加了授信策略的准确性，进而提高了风险控制能力。
可选地，所述选取若干个预测子模型，包括：
利用有监督和无监督的学习方法获取样本用户的特征数据和初始属性风险值；
基于所述样本用户的特征数据构建若干个初始风险值预测子模型，所述初始风险值预测子模型用于生成所述目标用户的预测属性风险值。
综上如述，利用有监督和无监督两种不同的学习方法计算样本用户的特征数据和初始属性风险值，可以增加用户分类方法的多样性，使数据更加丰富。
可选地，所述基于所述样本用户的特征数据构建若干个初始风险值预测子模型，包括：
利用所述样本用户的特征数据获取所述样本用户的属性；
所述属性包括履约能力、消费能力、个人稳定性、多头共债、资金需求、社交网络；
通过所述样本用户的属性获得所述样本用户的预测属性风险值。
根据以上方案，可以利用所述样本用户的属性构建若干个预测属性风险值子模型，从而对所述样本用户进行多种试算，获得多种预测属性风险值的构建方法，这样可以增加所述预测属性风险值子模型的种类，进一步提高所述预测属性风险值的准确性。
可选地，每个所述初始风险值预测子模型用于输出与一个属性对应的预测属性风险值。
可选地，每个所述初始风险值预测子模型用于输出与属性集对应的预测属性风险值；
所述属性集包括若干属性的组合。
综上所述的方法，利用若干个初始风险值预测子模型输出若干个预测属性风险值代替传统风险控制方法的单一性，提高了风险控制的能力。
可选地，所述利用所述决策矩阵模型获得目标用户的预测风险值之前，还包括：
利用所述样本用户的特征数据和授信策略，训练所述决策矩阵模型。
通过所述样本用户的特征数据和初始属性风险值进行训练，可以提高所述初始风险值预测子模型输出的对于用户的预测初始属性风险值的准确性，进而提高制定授信策略的合理性和制定授信策略的效率。
可选地，所述训练决策矩阵模型，包括：
调用所述样本用户的特征数据和授信策略，计算所述样本用户的预测风险值；
建立所述预测风险值与所述样本用户的预测授信策略的映射关系；
根据所述预测风险值确定所述样本用户的预测授信策略；
将所述样本用户的授信策略和所述样本用户的预测授信策略进行对比，调整所述决策矩阵模型。
可选地，所述利用所述决策矩阵模型获得目标用户的预测风险值，包括：
获取所述目标用户的特征数据；
将所述目标用户的特征数据输入至所述决策矩阵模型，生成所述目标用户的预测风险值。
可选地，还包括：优化所述决策矩阵模型。
可选地，所述优化所述决策矩阵模型包括：
所述目标用户再次申请授信时，调取所述目标用户的风险值；
将所述目标用户的风险值输入至所述决策矩阵模型，得到所述目标用户的当前预测授信策略；
对比所述目标用户的基于所述预测风险值生成的授信策略和所述当前预测授信策略；
根据所述对比结果，优化所述决策矩阵模型。
基于以上方案对所述决策矩阵模型进行多次训练，输入更多的用户数据对所述决策矩阵模型进行调整和优化，能够让所述决策矩阵模型输出的预测风险值更加准确，提高了对用户风险的控制能力，从而使用户的授信策略更加准确。
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9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9来描述根据本发明该实施例的的电子设备900。图9显示的电子设备900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9所示，电子设备900以通用计算设备的形式表现。电子设备900的组件可以包括但不限于：至少一个处理单元910、至少一个存储单元920、连接不同系统组件(包括存储单元920和处理单元910)的总线950、显示单元940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910执行，使得所述处理单元910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910可以执行如图9所示的。
所述存储单元920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)9201和/或高速缓存存储单元9202，还可以进一步包括只读存储单元(ROM)9203。
所述存储单元920还可以包括具有一组(至少一个)程序模块9205的程序/实用工具9204，这样的程序模块9205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950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900也可以与一个或多个外部设备1000(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900交互的设备通信，和/或与使得该电子设备900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950进行。并且，电子设备500还可以通过网络适配器960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960可以通过总线950与电子设备900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900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：
本说明书实施例提供一种生成授信策略的方法，通过选取若干个预测子模型，建立决策矩阵模型，利用所述决策矩阵模型获得目标用户的预测风险值，基于所述目标用户的预测风险值，生成所述目标用户的授信策略。通过选取若干个预测子模型构建决策矩阵模型，利用决策矩阵模型进行多重组合决策，这样增加了授信策略的准确性，进而提高了风险控制能力。
图10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 (14)

1.一种生成授信策略方法，其特征在于，包括：
选取若干个预测子模型；
建立决策矩阵模型；
调用样本用户的特征数据和授信策略，计算所述样本用户的预测风险值；建立所述预测风险值与所述样本用户的预测授信策略的映射关系；根据所述预测风险值确定所述样本用户的预测授信策略；将所述样本用户的授信策略和所述样本用户的预测授信策略进行对比，调整所述决策矩阵模型；
利用所述决策矩阵模型获得目标用户的预测风险值；
基于所述目标用户的预测风险值，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，所述选取若干个预测子模型，包括：
利用有监督和无监督的学习方法获取所述样本用户的特征数据和初始属性风险值；
基于所述样本用户的特征数据构建若干个初始风险值预测子模型，所述初始风险值预测子模型用于生成所述目标用户的预测属性风险值；
所述基于所述样本用户的特征数据构建若干个初始风险值预测子模型，包括：
利用所述样本用户的特征数据获取所述样本用户的属性；
所述属性包括履约能力、消费能力、个人稳定性、多头共债、资金需求、社交网络；
通过所述样本用户的属性获得所述样本用户的预测属性风险值。
3.根据权利要求2所述的方法，其特征在于，包括：
每个所述初始风险值预测子模型用于输出与一个属性对应的预测属性风险值。
4.根据权利要求2所述的方法，其特征在于，包括：
每个所述初始风险值预测子模型用于输出与属性集对应的预测属性风险值；
所述属性集包括若干属性的组合。
5.根据权利要求1所述的方法，其特征在于，所述利用所述决策矩阵模型获得目标用户的预测风险值，包括：
获取所述目标用户的特征数据；
将所述目标用户的特征数据输入至所述决策矩阵模型，生成所述目标用户的预测风险值。
6.根据权利要求1所述的方法，其特征在于，还包括：优化所述决策矩阵模型；
所述优化所述决策矩阵模型包括：
所述目标用户再次申请授信时，调取所述目标用户的风险值；
将所述目标用户的风险值输入至所述决策矩阵模型，得到所述目标用户的当前预测授信策略；
对比所述目标用户的基于所述预测风险值生成的授信策略和所述当前预测授信策略；
根据对比结果，优化所述决策矩阵模型。
7.一种生成授信策略装置，其特征在于，包括：
选取模型：用于选取若干个预测子模型；
建立模型：用于建立决策矩阵模型；
调用样本用户的特征数据和授信策略，计算所述样本用户的预测风险值；建立所述预测风险值与所述样本用户的预测授信策略的映射关系；根据所述预测风险值确定所述样本用户的预测授信策略；将所述样本用户的授信策略和所述样本用户的预测授信策略进行对比，调整所述决策矩阵模型；
获得模型：用于利用所述决策矩阵模型获得目标用户的预测风险值；
生成模型：用于基于所述目标用户的预测风险值，生成所述目标用户的授信策略。
8.根据权利要求7所述的装置，其特征在于，所述选取若干个预测子模型，包括：
利用有监督和无监督的学习方法获取所述样本用户的特征数据和初始属性风险值；
基于所述样本用户的特征数据构建若干个初始风险值预测子模型，所述初始风险值预测子模型用于生成所述目标用户的预测属性风险值；
所述基于所述样本用户的特征数据构建若干个初始风险值预测子模型，包括：
利用所述样本用户的特征数据获取所述样本用户的属性；
所述属性包括履约能力、消费能力、个人稳定性、多头共债、资金需求、社交网络；
通过所述样本用户的属性获得所述样本用户的预测属性风险值。
9.根据权利要求8所述的装置，其特征在于，包括：
每个所述初始风险值预测子模型用于输出与一个属性对应的预测属性风险值。
10.根据权利要求8所述的装置，其特征在于，包括：
每个所述初始风险值预测子模型用于输出与属性集对应的预测属性风险值；
所述属性集包括若干属性的组合。
11.根据权利要求7所述的装置，其特征在于，所述利用所述决策矩阵模型获得目标用户的预测风险值，包括：
获取所述目标用户的特征数据；
将所述目标用户的特征数据输入至所述决策矩阵模型，生成所述目标用户的预测风险值。
12.根据权利要求7所述的装置，其特征在于，还包括：优化所述决策矩阵模型；
所述优化所述决策矩阵模型包括：
所述目标用户再次申请授信时，调取所述目标用户的风险值；
将所述目标用户的风险值输入至所述决策矩阵模型，得到所述目标用户的当前预测授信策略；
对比所述目标用户的基于所述预测风险值生成的授信策略和所述当前预测授信策略；
根据对比结果，优化所述决策矩阵模型。
13.一种电子设备，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。
14.一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。
CN201911329790.7A 2019-12-20 2019-12-20 一种生成授信策略的方法、装置和电子设备 Active CN111209930B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911329790.7A CN111209930B (zh) 2019-12-20 2019-12-20 一种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
CN201911329790.7A CN111209930B (zh) 2019-12-20 2019-12-20 一种生成授信策略的方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN111209930A CN111209930A (zh) 2020-05-29
CN111209930B true CN111209930B (zh) 2023-08-11

Family

ID=70786218

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911329790.7A Active CN111209930B (zh) 2019-12-20 2019-12-20 一种生成授信策略的方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN111209930B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112016788A (zh) * 2020-07-14 2020-12-01 北京淇瑀信息科技有限公司 风险控制策略生成及风险控制方法、装置和电子设备
CN112529702B (zh) * 2021-02-05 2022-03-08 北京淇瑀信息科技有限公司 用户授信策略分配方法、装置及电子设备
CN113191875A (zh) * 2021-04-30 2021-07-30 中国银行股份有限公司 新用户的授信方法及装置、电子设备、存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1998013776A1 (en) * 1996-09-24 1998-04-02 Rco Software Limited Computer aided risk management in multiple-parameter physical systems
CN104572786A (zh) * 2013-10-29 2015-04-29 华为技术有限公司 随机森林分类模型的可视化优化处理方法及装置
CN105260861A (zh) * 2015-11-25 2016-01-20 海南电网有限责任公司 一种电动汽车电池更换站综合风险评估方法
JP2016115157A (ja) * 2014-12-15 2016-06-23 富士通株式会社 売上予測プログラム提供方法、売上予測プログラム提供プログラムおよび売上予測プログラム提供装置
CN108428001A (zh) * 2017-02-13 2018-08-21 腾讯科技（深圳）有限公司 信用分值预测方法及装置
CN108876100A (zh) * 2018-04-28 2018-11-23 北京化工大学 基于ism和ahp的神经网络食品安全风险预测模型
CN109034660A (zh) * 2018-08-22 2018-12-18 平安科技（深圳）有限公司 基于预测模型的风险控制策略的确定方法及相关装置
CN109214675A (zh) * 2018-08-28 2019-01-15 华北电力大学 一种输电线路覆冰风险评估方法
CN109949150A (zh) * 2019-03-27 2019-06-28 深圳乐信软件技术有限公司 一种基于场景的用户授信方法、装置、服务器和存储介质
CN110222880A (zh) * 2019-05-20 2019-09-10 阿里巴巴集团控股有限公司 业务风险的确定方法、模型训练方法和数据处理方法
CN110348991A (zh) * 2019-06-21 2019-10-18 上海淇馥信息技术有限公司 评估用户授信额度上限的方法、装置和电子设备
CN110363417A (zh) * 2019-07-02 2019-10-22 北京淇瑀信息科技有限公司 金融风险策略生成方法、装置及电子设备

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1998013776A1 (en) * 1996-09-24 1998-04-02 Rco Software Limited Computer aided risk management in multiple-parameter physical systems
CN104572786A (zh) * 2013-10-29 2015-04-29 华为技术有限公司 随机森林分类模型的可视化优化处理方法及装置
JP2016115157A (ja) * 2014-12-15 2016-06-23 富士通株式会社 売上予測プログラム提供方法、売上予測プログラム提供プログラムおよび売上予測プログラム提供装置
CN105260861A (zh) * 2015-11-25 2016-01-20 海南电网有限责任公司 一种电动汽车电池更换站综合风险评估方法
CN108428001A (zh) * 2017-02-13 2018-08-21 腾讯科技（深圳）有限公司 信用分值预测方法及装置
CN108876100A (zh) * 2018-04-28 2018-11-23 北京化工大学 基于ism和ahp的神经网络食品安全风险预测模型
CN109034660A (zh) * 2018-08-22 2018-12-18 平安科技（深圳）有限公司 基于预测模型的风险控制策略的确定方法及相关装置
CN109214675A (zh) * 2018-08-28 2019-01-15 华北电力大学 一种输电线路覆冰风险评估方法
CN109949150A (zh) * 2019-03-27 2019-06-28 深圳乐信软件技术有限公司 一种基于场景的用户授信方法、装置、服务器和存储介质
CN110222880A (zh) * 2019-05-20 2019-09-10 阿里巴巴集团控股有限公司 业务风险的确定方法、模型训练方法和数据处理方法
CN110348991A (zh) * 2019-06-21 2019-10-18 上海淇馥信息技术有限公司 评估用户授信额度上限的方法、装置和电子设备
CN110363417A (zh) * 2019-07-02 2019-10-22 北京淇瑀信息科技有限公司 金融风险策略生成方法、装置及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于模糊神经网络的小微企业信用评级研究;肖斌卿;《管理科学学报》;20161130;第19卷(第11期);第114-126页 *

Also Published As

Publication number Publication date
CN111209930A (zh) 2020-05-29

Similar Documents

Publication Publication Date Title
US10671933B2 (en) Method and apparatus for evaluating predictive model
CN111209930B (zh) 一种生成授信策略的方法、装置和电子设备
US20160259635A1 (en) Software patch management incorporating sentiment analysis
US8775338B2 (en) Computer-implemented systems and methods for constructing a reduced input space utilizing the rejected variable space
CN112270545A (zh) 基于迁移样本筛选的金融风险预测方法、装置和电子设备
WO2020168851A1 (zh) 行为识别
CN107615275A (zh) 估计用于运行数据挖掘服务的计算资源
CN112017061A (zh) 基于贝叶斯深度学习的金融风险预测方法、装置和电子设备
CN112270546A (zh) 基于stacking算法的风险预测方法、装置和电子设备
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
CN112508580A (zh) 基于拒绝推断方法的模型构建方法、装置和电子设备
Jiang et al. An efficient constrained global optimization algorithm with a clustering-assisted multiobjective infill criterion using Gaussian process regression for expensive problems
CN111125529A (zh) 产品匹配方法、装置、计算机设备及存储介质
Hernandez et al. What can phylogenetic metrics tell us about useful diversity in evolutionary algorithms?
CN116684330A (zh) 基于人工智能的流量预测方法、装置、设备及存储介质
US20190332964A1 (en) Aggregating similarity metrics
CN114281932A (zh) 工单质检模型的训练方法、装置、设备及存储介质
CN111582649B (zh) 基于用户app独热编码的风险评估方法、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
US20140279783A1 (en) Evaluation of predictions in the absence of a known ground truth
WO2020252925A1 (zh) 用户特征群中用户特征寻优方法、装置、电子设备及计算机非易失性可读存储介质
CN111210109A (zh) 基于关联用户预测用户风险的方法、装置和电子设备
CN113298634B (zh) 基于时序特征和图神经网络的用户风险预测方法及装置
US11574215B2 (en) Efficiency driven data collection and machine learning modeling recommendation
CN115280301A (zh) 用于语句对的高效紧凑的文本匹配系统

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