CN111311393A - 信用风险的评估方法、装置、服务器和存储介质 - Google Patents
信用风险的评估方法、装置、服务器和存储介质 Download PDFInfo
- Publication number
- CN111311393A CN111311393A CN202010046505.7A CN202010046505A CN111311393A CN 111311393 A CN111311393 A CN 111311393A CN 202010046505 A CN202010046505 A CN 202010046505A CN 111311393 A CN111311393 A CN 111311393A
- Authority
- CN
- China
- Prior art keywords
- application
- user
- credit risk
- application program
- evaluated
- 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
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)
Abstract
本发明实施例提供了一种信用风险的评估方法、装置、服务器和存储介质。该信用风险的评估方法包括：获取待评估用户关联的应用程序清单；根据所述应用程序清单确认所述待评估用户的评估参数；将所述评估参数输入至训练好的信用风险评估模型，以对所述待评估用户进行评估；输出所述待评估用户的信用风险评估结果。达到准确地评估用户的信用风险的效果。
Description
技术领域
本发明实施例涉及互联网金融技术领域，尤其涉及一种信用风险的评估方法、装置、服务器和存储介质。
背景技术
在移动互联网时代，智能手机已经成为人们日常生活中不可或缺的一部分。比如，可以用”微信”可以满足我们的日常社交、“滴滴出行”用来打车。强大的App给我们的生活带来巨大的便利。互联网金融作为移动互联网的一个细分领域，依托于大数据和机器学习算法，通过分析和挖掘客户的消费数据和互联网行为掌握客户的消费偏好和行为习惯，并准确预测客户信用风险水平。
目前，都是通过人工的方式，根据用户关联的应用程序判断用户的信用风险等级。
然而，通过人工的方式判断用户的信用风险等级，每个人的定义不同，因此判断也不准确。
发明内容
本发明实施例提供一种信用风险的评估方法、装置、服务器和存储介质，以实现准确地评估用户的信用风险的效果。
第一方面，本发明实施例提供了一种信用风险的评估方法，包括：
获取待评估用户关联的应用程序清单；
根据所述应用程序清单确认所述待评估用户的评估参数；
将所述评估参数输入至训练好的信用风险评估模型，以对所述待评估用户进行评估；
输出所述待评估用户的信用风险评估结果。
可选的，所述应用程序清单包括至少一个第一应用程序，所述根据所述应用程序清单确认所述待评估用户的评估参数，包括：
根据所述应用程序清单匹配预设应用程序分数表，得到每一个所述第一应用程序的应用程序分数；
根据所述应用程序分数计算所述待评估用户的评估参数。
可选的，在所述根据所述应用程序清单匹配预设应用程序分数表，得到每一个所述第一应用程序的应用程序分数之前，包括：
获取第一用户集合关联的多个第二应用程序，所述第一用户集合包括多个第一用户；
获取第二用户集合关联的多个第三应用程序，所述第二用户集合包括多个第二用户；
计算至少一个第四应用程序的应用程序分数，所述第四应用程序为所述多个第二应用程序和多个第三应用程序其中的一个应用程序；
将所述至少一个第四应用程序的应用程序分数整合成所述预设应用程序分数表。
可选的，所述计算至少一个第四应用程序的应用程序分数，包括：
获取所述第四应用程序在所述第一用户集合的第一比例；
获取所述第四应用程序在所述第二用户集合的第二比例；
基于所述第一比例和所述第二比例计算所述第四应用程序的应用程序分数。
可选的，在所述将所述评估参数输入至训练好的信用风险评估模型，以对所述待评估用户进行评估之前，包括：
根据所述至少一个第四应用程序的应用程序分数得到信用风险特征；
基于所述信用风险特征训练信用风险评估模型。
可选的，根据所述至少一个第四应用程序的应用程序分数得到信用风险特征，包括：
获取第三用户关联的多个第五应用程序，所述第三用户为关联第四应用程序的第一用户或第二用户，所述第五应用程序为所述至少一个第四应用程序其中的一个应用程序；
计算所述第三用户关联的多个第五应用程序的应用程序分数的最大值、最小值、平均数、中位数和标准差；
将所述最大值、最小值、平均数、中位数和标准差其中的一项或多项作为所述统计类的信用风险特征。
可选的，所述第四应用程序为多个，所述根据所述至少一个第四应用程序的应用程序分数得到信用风险特征，包括：
基于多个第四应用程序的应用程序分数确定第一类应用程序和第二类应用程序；
获取第四用户关联的多个第六应用程序，第四用户为关联第四应用程序的第一用户或第二用户，所述第六应用程序为所述多个第四应用程序其中的一个应用程序；
匹配所述多个第六应用程序的应用程序类别，以确定所述多个第六应用程序中第一类应用程序的个数和所述多个第六应用程序中第二类应用程序的个数；
将所述多个第六应用程序中第一类应用程序的个数和所述多个第六应用程序中第二类应用程序的个数作为所述信用风险特征。
第二方面，本发明实施例提供了一种信用风险的评估装置，包括：
应用程序清单获取模块，用于获取待评估用户关联的应用程序清单；
评估参数计算模块，用于根据所述应用程序清单确认所述待评估用户的评估参数；
评估模块，用于将所述评估参数输入至训练好的信用风险评估模型，以对所述待评估用户进行评估；
评估结果输出模块，用于输出所述待评估用户的信用风险评估结果。
第三方面，本发明实施例提供了一种服务器，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任意实施例所述的信用风险的评估方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所述的信用风险的评估方法。
本发明实施例通过获取待评估用户关联的应用程序清单；根据所述应用程序清单确认所述待评估用户的评估参数；将所述评估参数输入至训练好的信用风险评估模型，以对所述待评估用户进行评估；输出所述待评估用户的信用风险评估结果，解决了通过app在应用商店的分类训练空闲模型会导致风险模型的训练不够准确，因此风险模型的评估结果也不准确的问题，实现了准确地评估用户的信用风险的效果。
附图说明
图1是本发明实施例一提供的一种信用风险的评估方法的流程示意图；
图2是本发明实施例二提供的一种信用风险的评估方法的流程示意图；
图3是本发明实施例三提供的一种信用风险的评估装置的结构示意图；
图4是本发明实施例四提供的一种服务器的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时处理可以被终止，但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。
此外，术语“第一”、“第二”等可在本文中用于描述各种方向、动作、步骤或元件等，但这些方向、动作、步骤或元件不受这些术语限制。这些术语仅用于将第一个方向、动作、步骤或元件与另一个方向、动作、步骤或元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一应用程序为第二应用程序，且类似地，可将第二应用程序称为第一应用程序。第一应用程序和第二应用程序两者都是应用程序，但其不是同一应用程序。术语“第一”、“第二”等而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
实施例一
图1为本发明实施例一提供的一种信用风险的评估方法的流程示意图，可适用于对用户的信用风险进行评估的场景，该方法可以由信用风险的评估装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成在服务器上。
如图1所示，本发明实施例一提供的信用风险的评估方法包括：
S110、获取待评估用户关联的应用程序清单。
其中，待评估用户是指需要进行评估的用户。应用程序清单是指与待评估用户有关的应用程序清单。在本实施例中，应用程序清单可以通过与待评估用户关联的移动终端，即待评估用户使用的移动终端上安装的多个应用程序的集合；还可以是待评估用户的账号登录的应用程序，此处不作限制。示例性的，在一些云盘等应用程序中，也有部分用户没有安装云盘在移动终端上，但在实际使用时会关联该云盘。优选的，应用程序清单是指与待评估用户关联的移动终端上安装的多个应用程序的结合。移动终端包括但不限于手机、PAD、计算机和智能穿戴设备等。
S120、根据所述应用程序清单确认所述待评估用户的评估参数。
其中，评估参数是指需要输入至信用风险评估模型中，用于评估待评估用户的信用风险的参数。
在一个可选的实施方式中，应用程序清单包括至少一个第一应用程序，所述根据所述应用程序清单确认所述待评估用户的评估参数，可以包括：
根据所述应用程序清单匹配预设应用程序分数表，得到每一个所述第一应用程序的应用程序分数；
根据所述应用程序分数计算所述待评估用户的评估参数。
其中，第一应用程序是指应用程序清单中的其中一个应用程序。预设应用程序分数表是指预先制定的分数表。具体的，预设应用程序分数表包括每一个应用程序的得分。通过匹配第一应用程序和预设应用程序分数表中每一个应用程序的得分，可以直接得到第一应用程序的分数。具体的，由于待评估用户关联的第一应用程序一般有多个，因而每一个第一应用程序都有一个分数。在本实施方式中，评估参数可以是该待评估用户的多个第一应用程序的应用程序分数的最大值、最小值、平均数、中位数和标准差其中的一项或多项；还可以是待评估用户的好应用程序个数和坏应用程序个数。具体的，当应用程序分数大于预设分数阈值时，定义为好应用程序，当应用程序分数不大于预设分数阈值时，定义为坏应用程序。可选的，预设分数阈值的确定，可以通过计算所有应用程序的分数进行排序，排名在预设百分比(例如15％)以下的应用程序为好应用程序，排名在预设百分比以上的应用程序为坏应用程序。可选的，可以通过以下公式计算应用程序分数：
其中，y＝1表示坏用户，y＝0表示好用户，y1为y＝1的用户数，y0为y＝0的用户数，y1_app_ratio是指在y1中，安装某一个应用程序的比例，y0_app_ratio是指在y0中，安装该应用程序的比例。可选的，可以根据表现期内用户的还款和逾期情况，定义好坏用户。如，将表现期内历史最大逾期天数小于等于3天的用户定义为”好用户”，历史最大逾期天数不少于30天的用户定义为”坏用户”。以应用程序是微信为例，好用户的个数为A，坏用户的个数为B，好用户中安装微信的人数为C，坏用户中安装微信的人数为D，则微信的应用程序分数为(C/A)/(D/B)。在本实施方式中，优选的，评估参数为多个第一应用程序的最大值、坏应用程序个数和好应用程序个数。
S130、将所述评估参数输入至训练好的信用风险评估模型，以对所述待评估用户进行评估。
其中，信用风险评估参数是已经训练好的，用来对评估参数进行评估，以确定待评估用户的信用风险。具体的，信用风险评估参数进行训练时的入参变量与本实施例中的评估参数是一致的。
S140、输出所述待评估用户的信用风险评估结果。
其中，信用风险评估结果是指对待评估用户的评估结果。可选的，信用风险评估结果可以是信用风险评估等级，即输出待评估用户的信用风险评估等级。
本发明实施例的技术方案，通过获取待评估用户关联的应用程序清单；根据所述应用程序清单确认所述待评估用户的评估参数；将所述评估参数输入至训练好的信用风险评估模型，以对所述待评估用户进行评估；输出所述待评估用户的信用风险评估结果，在获取到待评估用户关联的应用程序清单后，可以使用训练好的信用风险评估模型，不需要人工的参与，达到准确地评估用户的信用风险的技术效果。此外，本实施的技术方案，通过应用程序清单中的多个第一应用程序的应用程序分数确定待评估用户的评估参数，得到的评估结果更准确。
实施例二
图2是本发明实施例二提供的一种信用风险的评估方法的流程示意图。本实施例是在上述技术方案的进一步细化，适用于对用户的信用风险进行评估的场景。该方法可以由信用风险的评估装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成在服务器上。
如图2所示，本发明实施例二提供的信用风险的评估方法包括：
S210、获取待评估用户关联的应用程序清单，所述应用程序清单包括至少一个第一应用程序。
其中，待评估用户是指需要进行评估的用户。应用程序清单是指与待评估用户有关的应用程序清单。在本实施例中，应用程序清单可以通过与待评估用户关联的移动终端，即待评估用户使用的移动终端上安装的多个应用程序的集合；还可以是待评估用户的账号登录的应用程序，此处不作限制。第一应用程序是指应用程序清单中的其中一个应用程序。
S220、获取第一用户集合关联的多个第二应用程序，所述第一用户集合包括多个第一用户。
在本实施例中，第一用户是指好用户，即信用良好的用户。可选的，可以根据表现期内用户的还款和逾期情况，定义好坏用户。如，将表现期内历史最大逾期天数小于等于3天的用户定义为”好用户”，历史最大逾期天数不少于30天的用户定义为”坏用户”。多个第二应用程序是指第一用户集合中，所有第一用户关联的应用程序。示例性的，第一用户集合中包括A、B和C，且第一用户A关联的应用程序为微信和QQ，第一用户B关联的应用程序为微信和云盘，第一用户C关联的应用程序为微信和搜狗输入法，则多个第二应用程序包括微信、QQ、云盘和搜狗输入法。
S230、获取第二用户集合关联的多个第三应用程序，所述第二用户集合包括多个第二用户。
在本实施例中，第二用户是指坏用户，即信用不好的用户。多个第三应用程序是指第二用户集合中，所有第二用户关联的应用程序。示例性的，第二用户集合包括D、E和F，且第二用户D关联的应用程序微信和QQ，第二用户E关联的应用程序为“随手记”和“斗牛”，第二用户F关联的应用程序为QQ和云盘，则多个第三应用程序包括微信、QQ、随手记、斗牛和云盘。
S240、计算至少一个第四应用程序的应用程序分数，所述第四应用程序为所述多个第二应用程序和多个第三应用程序其中的一个应用程序。
其中，应用程序分数是指应用程序的得分，可以反映应用程序的好坏程度。
在一个可选的实施方式中，计算至少一个第四应用程序的应用程序分数可以包括：
获取所述第四应用程序在所述第一用户集合的第一比例；
获取所述第四应用程序在所述第二用户集合的第二比例；
基于所述第一比例和所述第二比例计算所述第四应用程序的应用程序分数。
其中，第一比例是指在第一用户集合中，安装第四应用程序与第一用户集合的总人数的比例。第二比例是指在第二用户集合中，安装第四应用程序与第二用户集合的总人数的比例。具体的，可以参考以下公式：
其中，y＝1表示坏用户(第二用户)，y＝0表示好用户(第一用户)，y1为y＝1的用户数，y0为y＝0的用户数，y1_app_ratio是指在y1中，安装某一个应用程序的比例，y0_app_ratio是指在y0中，安装该应用程序的比例。
示例性的，第一用户集合中包括A、B和C，且第一用户A关联的应用程序为微信和QQ，第一用户B关联的应用程序为微信和云盘，第一用户C关联的应用程序为微信和搜狗输入法；第二用户集合包括D、E和F，且第二用户D关联的应用程序微信和QQ，第二用户E关联的应用程序为“随手记”和“斗牛”，第二用户F关联的应用程序为QQ和云盘。则微信此应用程序的应用程序分数为(1/3)/(3/3)；QQ的应用程序分数为(2/3)/(1/3)。
S250、将所述至少一个第四应用程序的应用程序分数整合成所述预设应用程序分数表。
在本步骤中，可以将全部第四应用程序的应用程序分数整合成预设应用程序分数表，也可以选择一部分第一应用程序的应用程序分数整合成预设应用程序分数表。优选的，将全部第四应用程序的应用程序分数整合成预设应用程序分数表。
S260、根据所述应用程序清单匹配预设应用程序分数表，得到每一个所述第一应用程序的应用程序分数。
预设应用程序分数表是指预先制定的分数表。具体的，预设应用程序分数表包括每一个应用程序的得分。通过匹配第一应用程序和预设应用程序分数表中每一个应用程序的得分，可以直接得到第一应用程序的分数。具体的，由于待评估用户关联的第一应用程序一般有多个，因而每一个第一应用程序都有一个分数。
S270、根据所述应用程序分数计算所述待评估用户的评估参数。
其中，评估参数是指需要输入至信用风险评估模型中，用于评估待评估用户的信用风险的参数。在本实施例中，评估参数可以是该待评估用户的多个第一应用程序的应用程序分数的最大值、最小值、平均数、中位数和标准差其中的一项或多项；还可以是待评估用户的好应用程序个数和坏应用程序个数。具体的，当应用程序分数大于预设分数阈值时，定义为好应用程序，当应用程序分数不大于预设分数阈值时，定义为坏应用程序。
S280、将所述评估参数输入至训练好的信用风险评估模型，以对所述待评估用户进行评估。
其中，信用风险评估参数是已经训练好的，用来对评估参数进行评估，以确定待评估用户的信用风险。具体的，信用风险评估参数进行训练时的入参变量与本实施例中的评估参数是一致的。
S290、输出所述待评估用户的信用风险评估结果。
其中，信用风险评估结果是指对待评估用户的评估结果。可选的，信用风险评估结果可以是信用风险评估等级，即输出待评估用户的信用风险评估等级。
在一个可选的实施方式中，在将所述评估参数输入至训练好的信用风险评估模型，以对所述待评估用户进行评估之前，可以包括：
根据所述至少一个第四应用程序的应用程序分数得到信用风险特征；
基于所述信用风险特征训练信用风险评估模型。
其中，信用风险特征是指用于训练信用风险评估模型的入参变量。具体的，信用风险特征与评估参数一致，才能准确地使用训练好的信用风险评估模型对待评估用户的信用风险进行评估。
在一个可选的实施方式中，根据所述至少一个第四应用程序的应用程序分数得到信用风险特征，可以包括：
获取第三用户关联的多个第五应用程序，所述第三用户为关联第四应用程序的第一用户或第二用户，所述第五应用程序为所述至少一个第四应用程序其中的一个应用程序；
计算所述第三用户关联的多个第五应用程序的应用程序分数的最大值、最小值、平均数、中位数和标准差；
将所述最大值、最小值、平均数、中位数和标准差其中的一项或多项作为所述统计类的信用风险特征。
其中，第三用户是指第一用户或第二用户。在本实施方式中，第三用户是指好用户或坏用户，即信用良好的用户或信用不好的用户。具体的，通过确定第三用户对应的信用风险特征，即确定了好用户或坏用户的信用风险特征。在训练信用风险评估模型之前，可以对好用户或坏用户进行打标，即好用户和坏用户对应的风险特征是什么，输入到模型进行训练。则可以使用训练好的信用风险评估模型，对待评估用户进行信用风险的评估。
在另一个可选的实施方式中，所述第四应用程序为多个，根据所述至少一个第四应用程序的应用程序分数得到信用风险特征，还可以包括：
基于多个第四应用程序的应用程序分数确定第一类应用程序和第二类应用程序；
获取第四用户关联的多个第六应用程序，第四用户为关联第四应用程序的第一用户或第二用户，所述第六应用程序为所述多个第四应用程序其中的一个应用程序；
匹配所述多个第六应用程序的应用程序类别，以确定所述多个第六应用程序中第一类应用程序的个数和所述多个第六应用程序中第二类应用程序的个数；
将所述多个第六应用程序中第一类应用程序的个数和所述多个第六应用程序中第二类应用程序的个数作为所述信用风险特征。
在本实施方式中，第一类应用程序是指好应用程序，体现了应用程序的风险程度。第二类应用程序与第一类应用程序相对，即坏应用程序。具体的，根据多个第四应用程序的应用程序分数确定第一类应用程序和第二类应用程序，可以对应用程序分数进行排序。在预设百分比以下，例如15％以下的确定为第一类应用程序，在预设百分比以上的确定为第二类应用程序。在本实施方式中，即将好应用程序的个数和坏应用程序的个数作为信用风险特征。
本发明实施例的技术方案，通过获取待评估用户关联的应用程序清单；根据所述应用程序清单确认所述待评估用户的评估参数；将所述评估参数输入至训练好的信用风险评估模型，以对所述待评估用户进行评估；输出所述待评估用户的信用风险评估结果，在获取到待评估用户关联的应用程序清单后，可以使用训练好的信用风险评估模型，不需要人工的参与，达到准确地评估用户的信用风险的技术效果。此外，本实施的技术方案，通过应用程序清单中的多个第一应用程序的应用程序分数确定待评估用户的评估参数，得到的评估结果更准确。此外，本实施例的技术方案，通过应用程序分数评估用户的信用风险，可以覆盖应用商店中新推出或者在应用商店没有涵括的小众应用程序。此外，不需要太大的样本量也可以训练模型，提高了训练模型的效率。
实施例三
图3是本发明实施例三提供的一种信用风险的评估装置的结构示意图，本实施例可适用于对用户的信用风险进行评估的场景，该装置可以采用软件和/或硬件的方式实现，并可集成在服务器上。
如图3所示，本实施例提供的信用风险的评估装置可以包括应用程序清单获取模块310、评估参数计算模块320、评估模块330和评估结果输出模块340，其中：
应用程序清单获取模块310，用于获取待评估用户关联的应用程序清单；
评估参数计算模块320，用于根据所述应用程序清单确认所述待评估用户的评估参数；
评估模块330，用于将所述评估参数输入至训练好的信用风险评估模型，以对所述待评估用户进行评估；
评估结果输出模块340，用于输出所述待评估用户的信用风险评估结果。
可选的，该评估参数计算模块320包括：
匹配单元，用于根据所述应用程序清单匹配预设应用程序分数表，得到每一个所述第一应用程序的应用程序分数；
评估参数计算单元，用于根据所述应用程序分数计算所述待评估用户的评估参数。
可选的，该装置还包括：
第二应用程序获取模块，用于获取第一用户集合关联的多个第二应用程序，所述第一用户集合包括多个第一用户；
第三应用程序获取模块，用于获取第二用户集合关联的多个第三应用程序，所述第二用户集合包括多个第二用户；
应用程序分数计算模块，用于计算至少一个第四应用程序的应用程序分数，所述第四应用程序为所述多个第二应用程序和多个第三应用程序其中的一个应用程序；
预设应用程序分数表整合模块，用于将所述至少一个第四应用程序的应用程序分数整合成所述预设应用程序分数表。
可选的，该应用程序分数计算模块可以包括：
第一比例获取单元，用于获取所述第四应用程序在所述第一用户集合的第一比例；
第二比例获取单元，用于获取所述第四应用程序在所述第二用户集合的第二比例；
程序分数计算单元，用于基于所述第一比例和所述第二比例计算所述第四应用程序的应用程序分数。
可选的，该装置还包括：
模型训练模块，用于根据所述至少一个第四应用程序的应用程序分数得到信用风险特征；基于所述信用风险特征训练信用风险评估模型。
可选的，该模型训练模块具体用于获取第三用户关联的多个第五应用程序，所述第三用户为关联第四应用程序的第一用户或第二用户，所述第五应用程序为所述至少一个第四应用程序其中的一个应用程序；
计算所述第三用户关联的多个第五应用程序的应用程序分数的最大值、最小值、平均数、中位数和标准差；
将所述最大值、最小值、平均数、中位数和标准差其中的一项或多项作为所述统计类的信用风险特征。
可选的，所述第四应用程序为多个，该训练模块具体还用于基于多个第四应用程序的应用程序分数确定第一类应用程序和第二类应用程序；
获取第四用户关联的多个第六应用程序，第四用户为关联第四应用程序的第一用户或第二用户，所述第六应用程序为所述多个第四应用程序其中的一个应用程序；
匹配所述多个第六应用程序的应用程序类别，以确定所述多个第六应用程序中第一类应用程序的个数和所述多个第六应用程序中第二类应用程序的个数；
将所述多个第六应用程序中第一类应用程序的个数和所述多个第六应用程序中第二类应用程序的个数作为所述信用风险特征。
本发明实施例所提供的信用风险的评估装置可执行本发明任意实施例所提供的信用风险的评估方法，具备执行方法相应的功能模块和有益效果。本发明实施例中未详尽描述的内容可以参考本发明任意方法实施例中的描述。
实施例四
图4是本发明实施例四提供的一种服务器的结构示意图。图4示出了适于用来实现本发明实施方式的示例性服务器612的框图。图4显示的服务器612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，服务器612以通用服务器的形式表现。服务器612的组件可以包括但不限于：一个或者多个处理器616，存储装置628，连接不同系统组件(包括存储装置628和处理器616)的总线618。
总线618表示几类总线结构中的一种或多种，包括存储装置总线或者存储装置控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry SubversiveAlliance，ISA)总线，微通道体系结构(Micro Channel Architecture，MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，PCI)总线。
服务器612典型地包括多种计算机系统可读介质。这些介质可以是任何能够被服务器612访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储装置628可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory，RAM)630和/或高速缓存存储器632。终端612可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统634可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘，例如只读光盘(Compact Disc Read-Only Memory，CD-ROM),数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线618相连。存储装置628可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块642的程序/实用工具640，可以存储在例如存储装置628中，这样的程序模块642包括但不限于操作系统、一个或者多个应用程序程序、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。程序模块642通常执行本发明所描述的实施例中的功能和/或方法。
服务器612也可以与一个或多个外部设备614(例如键盘、指向终端、显示器624等)通信，还可与一个或者多个使得用户能与该服务器612交互的终端通信，和/或与使得该服务器612能与一个或多个其它计算终端进行通信的任何终端(例如网卡，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622进行。并且，服务器612还可以通过网络适配器620与一个或者多个网络(例如局域网(Local Area Network，LAN)，广域网(Wide AreaNetwork，WAN)和/或公共网络，例如因特网)通信。如图4所示，网络适配器620通过总线618与服务器612的其它模块通信。应当明白，尽管图中未示出，可以结合服务器612使用其它硬件和/或软件模块，包括但不限于：微代码、终端驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks，RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器616通过运行存储在存储装置628中的程序，从而执行各种功能应用程序以及数据处理，例如实现本发明任意实施例所提供的一种信用风险的评估方法，该方法可以包括：
获取待评估用户关联的应用程序清单；
根据所述应用程序清单确认所述待评估用户的评估参数；
将所述评估参数输入至训练好的信用风险评估模型，以对所述待评估用户进行评估；
输出所述待评估用户的信用风险评估结果。
本发明实施例的技术方案，通过获取待评估用户关联的应用程序清单；根据所述应用程序清单确认所述待评估用户的评估参数；将所述评估参数输入至训练好的信用风险评估模型，以对所述待评估用户进行评估；输出所述待评估用户的信用风险评估结果，在获取到待评估用户关联的应用程序清单后，可以使用训练好的信用风险评估模型，不需要人工的参与，达到准确地评估用户的信用风险的技术效果。
实施例五
本发明实施例五还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的一种信用风险的评估方法，该方法可以包括：
获取待评估用户关联的应用程序清单；
根据所述应用程序清单确认所述待评估用户的评估参数；
将所述评估参数输入至训练好的信用风险评估模型，以对所述待评估用户进行评估；
输出所述待评估用户的信用风险评估结果。
本发明实施例的计算机可读存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——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。计算机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、便携式计算机磁盘、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、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、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。
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、电线、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或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或终端上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本发明实施例的技术方案，通过获取待评估用户关联的应用程序清单；根据所述应用程序清单确认所述待评估用户的评估参数；将所述评估参数输入至训练好的信用风险评估模型，以对所述待评估用户进行评估；输出所述待评估用户的信用风险评估结果，在获取到待评估用户关联的应用程序清单后，可以使用训练好的信用风险评估模型，不需要人工的参与，达到准确地评估用户的信用风险的技术效果。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种信用风险的评估方法，其特征在于，包括：
获取待评估用户关联的应用程序清单；
根据所述应用程序清单确认所述待评估用户的评估参数；
将所述评估参数输入至训练好的信用风险评估模型，以对所述待评估用户进行评估；
输出所述待评估用户的信用风险评估结果。
2.如权利要求1所述的信用风险的评估方法，其特征在于，所述应用程序清单包括至少一个第一应用程序，所述根据所述应用程序清单确认所述待评估用户的评估参数，包括：
根据所述应用程序清单匹配预设应用程序分数表，得到每一个所述第一应用程序的应用程序分数；
根据所述应用程序分数计算所述待评估用户的评估参数。
3.如权利要求2所述的信用风险的评估方法，其特征在于，在所述根据所述应用程序清单匹配预设应用程序分数表，得到每一个所述第一应用程序的应用程序分数之前，包括：
获取第一用户集合关联的多个第二应用程序，所述第一用户集合包括多个第一用户；
获取第二用户集合关联的多个第三应用程序，所述第二用户集合包括多个第二用户；
计算至少一个第四应用程序的应用程序分数，所述第四应用程序为所述多个第二应用程序和多个第三应用程序其中的一个应用程序；
将所述至少一个第四应用程序的应用程序分数整合成所述预设应用程序分数表。
4.如权利要求3所述的信用风险的评估方法，其特征在于，所述计算至少一个第四应用程序的应用程序分数，包括：
获取所述第四应用程序在所述第一用户集合的第一比例；
获取所述第四应用程序在所述第二用户集合的第二比例；
基于所述第一比例和所述第二比例计算所述第四应用程序的应用程序分数。
5.如权利要求3所述的信用风险的评估方法，其特征在于，在所述将所述评估参数输入至训练好的信用风险评估模型，以对所述待评估用户进行评估之前，包括：
根据所述至少一个第四应用程序的应用程序分数得到信用风险特征；
基于所述信用风险特征训练信用风险评估模型。
6.如权利要求5所述的信用风险的评估方法，其特征在于，所述根据所述至少一个第四应用程序的应用程序分数得到信用风险特征，包括：
获取第三用户关联的多个第五应用程序，所述第三用户为关联第四应用程序的第一用户或第二用户，所述第五应用程序为所述至少一个第四应用程序其中的一个应用程序；
计算所述第三用户关联的多个第五应用程序的应用程序分数的最大值、最小值、平均数、中位数和标准差；
将所述最大值、最小值、平均数、中位数和标准差其中的一项或多项作为所述统计类的信用风险特征。
7.如权利要求5所述的信用风险的评估方法，其特征在于，所述第四应用程序为多个，所述根据所述至少一个第四应用程序的应用程序分数得到信用风险特征，包括：
基于多个第四应用程序的应用程序分数确定第一类应用程序和第二类应用程序；
获取第四用户关联的多个第六应用程序，第四用户为关联第四应用程序的第一用户或第二用户，所述第六应用程序为所述多个第四应用程序其中的一个应用程序；
匹配所述多个第六应用程序的应用程序类别，以确定所述多个第六应用程序中第一类应用程序的个数和所述多个第六应用程序中第二类应用程序的个数；
将所述多个第六应用程序中第一类应用程序的个数和所述多个第六应用程序中第二类应用程序的个数作为所述信用风险特征。
8.一种信用风险的评估装置，其特征在于，包括：
应用程序清单获取模块，用于获取待评估用户关联的应用程序清单；
评估参数计算模块，用于根据所述应用程序清单确认所述待评估用户的评估参数；
评估模块，用于将所述评估参数输入至训练好的信用风险评估模型，以对所述待评估用户进行评估；
评估结果输出模块，用于输出所述待评估用户的信用风险评估结果。
9.一种服务器，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一项所述的信用风险的评估方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的信用风险的评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010046505.7A CN111311393A (zh) | 2020-01-16 | 2020-01-16 | 信用风险的评估方法、装置、服务器和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010046505.7A CN111311393A (zh) | 2020-01-16 | 2020-01-16 | 信用风险的评估方法、装置、服务器和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111311393A true CN111311393A (zh) | 2020-06-19 |
Family
ID=71150903
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010046505.7A Pending CN111311393A (zh) | 2020-01-16 | 2020-01-16 | 信用风险的评估方法、装置、服务器和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111311393A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112348663A (zh) * | 2020-10-21 | 2021-02-09 | 深圳乐信软件技术有限公司 | 一种信用风险评估方法、装置、计算机设备及存储介质 |
| CN113313587A (zh) * | 2021-06-29 | 2021-08-27 | 平安资产管理有限责任公司 | 基于人工智能的信用风险分析方法、装置、设备和介质 |
-
2020
- 2020-01-16 CN CN202010046505.7A patent/CN111311393A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112348663A (zh) * | 2020-10-21 | 2021-02-09 | 深圳乐信软件技术有限公司 | 一种信用风险评估方法、装置、计算机设备及存储介质 |
| CN113313587A (zh) * | 2021-06-29 | 2021-08-27 | 平安资产管理有限责任公司 | 基于人工智能的信用风险分析方法、装置、设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110992169B (zh) | 一种风险评估方法、装置、服务器及存储介质 | |
| CN109240576B (zh) | 游戏中的图像处理方法及装置、电子设备、存储介质 | |
| CN107506300B (zh) | 一种用户界面测试方法、装置、服务器和存储介质 | |
| WO2021121296A1 (zh) | 习题测试数据生成方法以及装置 | |
| CN109214501B (zh) | 用于识别信息的方法和装置 | |
| CN112181835B (zh) | 自动化测试方法、装置、计算机设备及存储介质 | |
| CN110688536A (zh) | 一种标签预测方法、装置、设备和存储介质 | |
| CN110647523A (zh) | 数据质量的分析方法及装置、存储介质、电子设备 | |
| CN111311393A (zh) | 信用风险的评估方法、装置、服务器和存储介质 | |
| CN111598122B (zh) | 数据校验方法、装置、电子设备和存储介质 | |
| CN110955640A (zh) | 跨系统数据文件的处理方法、装置、服务器和存储介质 | |
| CN110599240A (zh) | 应用的偏好值确定方法、装置和设备及存储介质 | |
| CN112801145A (zh) | 安全监测方法、装置、计算机设备及存储介质 | |
| CN115878394A (zh) | 内存测试方法、装置、电子设备及存储介质 | |
| CN113011473A (zh) | 模型优化方法、模型优化装置和电子设备 | |
| CN111738316A (zh) | 零样本学习的图像分类方法、装置及电子设备 | |
| CN110348471B (zh) | 异常对象识别方法、装置、介质及电子设备 | |
| CN110245684B (zh) | 数据处理方法、电子设备和介质 | |
| CN110602207A (zh) | 基于离网预测推送信息的方法、装置、服务器和存储介质 | |
| CN112905435B (zh) | 基于大数据的工作量评估方法、装置、设备及存储介质 | |
| CN113762303B (zh) | 图像分类方法、装置、电子设备及存储介质 | |
| CN113177701A (zh) | 一种用户信用评估方法和装置 | |
| CN111738290B (zh) | 图像检测方法、模型构建和训练方法、装置、设备和介质 | |
| CN115022201B (zh) | 一种数据处理功能测试方法、装置、设备及存储介质 | |
| CN111402034A (zh) | 一种信用审核方法、装置、设备及存储介质 |
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 |