CN111325620A - 信用评价模型的生成方法、装置及信用评价方法、装置 - Google Patents

Abstract

一种信用评价模型的生成方法、装置及信用评价方法、装置，包括：获取样本客户的与目标衍生变量对应的属性数据以及样本客户的信用评价；其中，样本客户为已投放市场的样本金融产品所面向的客户；将样本客户的与目标衍生变量对应的属性数据以及样本客户的信用评价作为训练样本集迭代训练预先构建的机器学习模型，得到用于评价客户信用的信用评价模型。由于当获取了已投放市场的样本金融产品所面向的客户的与目标衍生变量对应的属性数据以及信用评价，并用获得的信息迭代训练了预先构建的机器学习模型，因此得到了一个用于评价客户信用的稳定的信用评价模型，从而提高了后续该模型所评价客户信用的真实程度。

Description

信用评价模型的生成方法、装置及信用评价方法、装置

技术领域

本文涉及信息处理技术，尤指一种信用评价模型的生成方法、装置及信用评价方法、装置。

背景技术

新金融产品投放市场前需要评价所面向客户的信用，然而由于缺乏真实的业务数据，无法基于业务数据构建有效的信用评价模型。

相关技术中，往往基于专家经验以及专家对新金融产品的理解构建信用评价模型。

然而，这种方式主观性极强，因此所构建的信用评价模型并不稳定，构建的信用评价模型所评价的客户信用的真实程度较低。

发明内容

本申请提供了一种信用评价模型的生成方法、装置及信用评价方法、装置，能够得到一个稳定的信用评价模型，从而提高后续该模型所评价客户信用的真实程度。

本申请提供了一种信用评价模型的生成方法，包括：

获取样本客户的与目标衍生变量对应的属性数据以及所述样本客户的信用评价；其中，所述样本客户为已投放市场的样本金融产品所面向的客户；

将所述样本客户的与目标衍生变量对应的属性数据以及所述样本客户的信用评价作为训练样本集迭代训练预先构建的机器学习模型，得到用于评价客户信用的信用评价模型。

所述将样本客户的与目标衍生变量对应的属性数据以及样本客户的信用评价作为训练样本集迭代训练预先构建的机器学习模型，得到用于评价客户信用的信用评价模型，包括：

将所述样本客户的与目标衍生变量对应的属性数据作为输入，将所述目标客户的信用评价作为输出，根据预先设定的损失函数，利用反向传播算法对所述机器学习模型进行迭代训练、调整所述机器学习模型中目标衍生变量的权重，直到所述损失函数的损失值收敛，得到所述信用评价模型。

所述获取样本客户的与目标衍生变量对应的属性数据以及样本客户的信用评价之前，还包括：

获取所述样本客户的与预设衍生变量对应的属性数据；

对获得的属性数据进行分箱，并基于分箱后的属性数据计算所述预设衍生变量的信息价值(Information Value，IV)值；

获取所述预设衍生变量中IV值大于预设阈值、线性变化且稳定的衍生变量，作为目标衍生变量。

本申请还提供了一种信用评价方法，包括：

获取目标客户的与目标衍生变量对应的属性数据；其中，所述目标客户为待投放市场的目标金融产品所面向的客户；

将获得的属性数据输入至如上述任一项所述的信用评价模型的生成方法生成的信用评价模型中，得到所述目标客户的信用评价。

所述得到目标客户的信用评价之后，还包括：

当所述目标金融产品投入市场，获取所述目标客户产生的业务数据；

根据获得的业务数据获取所述目标客户的信用评价；

将根据业务数据获得的目标客户的信用评价以及所述目标客户的与目标衍生变量对应的属性数据作为训练样本集迭代训练所述信用评价模型，得到更新后的信用评价模型。

所述将根据业务数据获得的目标客户的信用评价以及目标客户的与目标衍生变量对应的属性数据作为训练样本集迭代训练信用评价模型，得到更新后的信用评价模型，包括：

将所述目标客户的与目标衍生变量对应的属性数据作为输入，将所述根据业务数据获得的目标客户的信用评价作为输出，根据预先设定的损失函数，利用反向传播算法对所述信用评价模型进行迭代训练、调整所述信用评价模型中目标衍生变量的权重，直到所述损失函数的损失值收敛，得到所述更新后的信用评价模型。

所述得到更新后的信用评价模型之后，还包括：

每隔预设时间执行以下操作：

将更新后的信用评价模型作为待更新信用评价模型，并获取所述目标客户最新产生的业务数据；

根据所述目标客户最新产生的业务数据和所述目标客户的与目标衍生变量对应的属性数据迭代训练所述待更新信用评价模型，得到更新后的信用评价模型。

本申请还提供了一种信用评价模型的生成装置，包括：

第一获取模块，用于获取样本客户的与目标衍生变量对应的属性数据以及所述样本客户的信用评价；其中，所述样本客户为已投放市场的样本金融产品所面向的客户；

第一处理模块，用于将所述样本客户的与目标衍生变量对应的属性数据以及所述样本客户的信用评价作为训练样本集迭代训练预先构建的机器学习模型，得到用于评价客户信用的信用评价模型。

本申请还提供了一种信用评价装置，包括：

第二获取模块，用于获取目标客户的与目标衍生变量对应的属性数据；其中，所述目标客户为待投放市场的目标金融产品所面向的客户；

第二处理模块，用于将获得的属性数据输入至如上述所述的信用评价模型的生成装置生成的信用评价模型中，得到所述目标客户的信用评价。

所述第二获取模块还用于：

当所述目标金融产品投入市场，获取所述目标客户产生的业务数据；

根据获得的业务数据获取所述目标客户的信用评价；

第二处理模块，还用于将根据业务数据获得的目标客户的信用评价以及所述目标客户的与目标衍生变量对应的属性数据作为训练样本集迭代训练所述信用评价模型，得到更新后的信用评价模型。

与相关技术相比，本申请包括：获取样本客户的与目标衍生变量对应的属性数据以及样本客户的信用评价；其中，样本客户为已投放市场的样本金融产品所面向的客户；将样本客户的与目标衍生变量对应的属性数据以及样本客户的信用评价作为训练样本集迭代训练预先构建的机器学习模型，得到用于评价客户信用的信用评价模型。由于获取了已投放市场的样本金融产品所面向的客户的与目标衍生变量对应的属性数据以及信用评价，并用获得的信息迭代训练了预先构建的机器学习模型，因此得到了一个用于评价客户信用的稳定的信用评价模型，从而提高了后续该模型所评价客户信用的真实程度。

本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本申请技术方案的理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。

图1为本申请实施例提供的一种信用评价模型的生成方法的流程示意图；

图2为本申请实施例提供的一种信用评价方法的流程示意图；

图3为本申请实施例提供的一种信用评价模型的生成装置的结构示意图；

图4为本申请实施例提供的一种信用评价装置的结构示意图。

具体实施方式

本申请描述了多个实施例，但是该描述是示例性的，而不是限制性的，并且对于本领域的普通技术人员来说显而易见的是，在本申请所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合，并在具体实施方式中进行了讨论，但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外，任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用，或可以替代任何其它实施例中的任何其他特征或元件。

本申请包括并设想了与本领域普通技术人员已知的特征和元件的组合。本申请已经公开的实施例、特征和元件也可以与任何常规特征或元件组合，以形成由权利要求限定的独特的发明方案。任何实施例的任何特征或元件也可以与来自其它发明方案的特征或元件组合，以形成另一个由权利要求限定的独特的发明方案。因此，应当理解，在本申请中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此，除了根据所附权利要求及其等同替换所做的限制以外，实施例不受其它限制。此外，可以在所附权利要求的保护范围内进行各种修改和改变。

此外，在描述具有代表性的实施例时，说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而，在该方法或过程不依赖于本文所述步骤的特定顺序的程度上，该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的，其它的步骤顺序也是可能的。因此，说明书中阐述的步骤的特定顺序不应被解释为对权利要求的限制。此外，针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤，本领域技术人员可以容易地理解，这些顺序可以变化，并且仍然保持在本申请实施例的精神和范围内。

本申请实施例提供一种信用评价模型的生成方法，如图1所示，包括：

步骤101、获取样本客户的与目标衍生变量对应的属性数据以及样本客户的信用评价；其中，样本客户为已投放市场的样本金融产品所面向的客户。

在一种示例性实例中，目标衍生变量是经过筛选的预设衍生变量。目标衍生变量可能包括：年龄、学历、所拥有的信用卡张数。

步骤102、将样本客户的与目标衍生变量对应的属性数据以及样本客户的信用评价作为训练样本集迭代训练预先构建的机器学习模型，得到用于评价客户信用的信用评价模型。

在一种示例性实例中，将样本客户的与目标衍生变量对应的属性数据以及样本客户的信用评价作为训练样本集迭代训练预先构建的机器学习模型，得到用于评价客户信用的信用评价模型，包括：

将样本客户的与目标衍生变量对应的属性数据作为输入，将样本客户的信用评价作为输出，根据预先设定的损失函数，利用反向传播算法对机器学习模型进行迭代训练、调整机器学习模型中目标衍生变量的权重，直到损失函数的损失值收敛，得到信用评价模型。

在一种示例性实例中，机器学习模型中包含目标衍生变量对应的权重，客户的衍生变量对应的属性数据和对应的权重相乘，得到该客户的信用评价。初始状态下，可以默认设置各个目标衍生变量对应的权重均相同。

在一种示例性实例中，获取样本客户的与目标衍生变量对应的属性数据以及样本客户的信用评价之前，还包括：

首先、获取样本客户的与预设衍生变量对应的属性数据。

其次、对获得的属性数据进行分箱，并基于分箱后的属性数据计算预设衍生变量的IV值。

在一种示例性实例中，基于分箱后的属性数据计算预设衍生变量的IV值，包括：

基于分箱后的属性数据计算预设衍生变量的证据权重(weight of Evidence，WOE)值；根据预设衍生变量的WOE值计算预设衍生变量的IV值。

最后、获取预设衍生变量中IV值大于预设阈值、线性变化且稳定的衍生变量，作为目标衍生变量。

本申请实施例提供的信用评价模型的生成方法，由于获取了已投放市场的样本金融产品所面向的客户的与目标衍生变量对应的属性数据以及信用评价，并用获得的信息迭代训练了预先构建的机器学习模型，因此得到了一个用于评价客户信用的稳定的信用评价模型，从而提高了后续该模型所评价客户信用的真实程度。

本申请实施例还提供一种信用评价方法，如图2所示，包括：

步骤201、获取目标客户的与目标衍生变量对应的属性数据；其中，目标客户为待投放市场的目标金融产品所面向的客户。

步骤202、将获得的属性数据输入至如上述实施例中的任意一种实施例描述的信用评价模型的生成方法生成的信用评价模型中，得到目标客户的信用评价。

在一种示例性实例中，得到目标客户的信用评价之后，还包括：

首先、当目标金融产品投入市场，获取目标客户产生的业务数据。

其次、根据获得的业务数据获取目标客户的信用评价。

最后、将根据业务数据获得的目标客户的信用评价以及目标客户的与目标衍生变量对应的属性数据作为训练样本集迭代训练信用评价模型，得到更新后的信用评价模型。

在一种示例性实例中，该信用评价是目标金融产品投入市场基于目标客户产生的业务数据获取的。当目标金融产品投入市场，会产生诸如还款情况等实际的业务数据，根据这些业务数据评估并获取客户的信用评价是最真实的信用评价，利用根据业务数据获得的信用评价以及目标客户的与目标衍生变量对应的属性数据作为训练样本集再次迭代训练信用评价模型能够优化信用评价模型。

在一种示例性实例中，将根据业务数据获得的目标客户的信用评价以及目标客户的与目标衍生变量对应的属性数据作为训练样本集迭代训练信用评价模型，得到更新后的信用评价模型，包括：

将目标客户的与目标衍生变量对应的属性数据作为输入，将根据业务数据获得的目标客户的信用评价作为输出，根据预先设定的损失函数，利用反向传播算法对信用评价模型进行迭代训练、调整信用评价模型中目标衍生变量的权重，直到损失函数的损失值收敛，得到更新后的信用评价模型。

在一种示例性实例中，得到更新后的信用评价模型之后，还包括：

每隔预设时间执行以下操作：

首先、将更新后的信用评价模型作为待更新信用评价模型，并获取目标客户最新产生的业务数据。

其次、根据目标客户最新产生的业务数据和目标客户的与目标衍生变量对应的属性数据迭代训练待更新信用评价模型，得到更新后的信用评价模型。

本申请实施例提供的信用评价方法，由于信用评价模型是一个用于评价客户信用的稳定的信用评价模型，因此将待评价的目标客户的属性数据输入至该信用评价模型中能够得到较为真实的信用评价，从而提高了所评价客户信用的真实程度。

在一种示例性实例中，当目标金融产品投入市场，每隔预设时间获取目标客户最新产生的业务数据，并根据目标客户最新产生的业务数据和目标客户的与目标衍生变量对应的属性数据迭代训练待更新信用评价模型，得到更新后的信用评价模型可以使信用评价模型不断地优化。

在一种示例性实例中，预设时间可以是一天，也可以是一月，还可以是其他任何时间段。

本申请实施例还提供一种信用评价模型的生成装置，如图3所示，该信用评价模型的生成装置3包括：

第一获取模块31，用于获取样本客户的与目标衍生变量对应的属性数据以及样本客户的信用评价；其中，样本客户为已投放市场的样本金融产品所面向的客户。

第一处理模块32，用于将样本客户的与目标衍生变量对应的属性数据以及样本客户的信用评价作为训练样本集迭代训练预先构建的机器学习模型，得到用于评价客户信用的信用评价模型。

在一种示例性实例中，第一处理模块32，具体用于将样本客户的与目标衍生变量对应的属性数据作为输入，将样本客户的信用评价作为输出，根据预先设定的损失函数，利用反向传播算法对机器学习模型进行迭代训练、调整机器学习模型中目标衍生变量的权重，直到损失函数的损失值收敛，得到信用评价模型。

在一种示例性实例中，第一获取模块31，还用于获取样本客户的与预设衍生变量对应的属性数据。

第一处理模块32，还用于对获得的属性数据进行分箱，并基于分箱后的属性数据计算预设衍生变量的信息价值IV值。

第一获取模块31，还用于获取预设衍生变量中IV值大于预设阈值、线性变化且稳定的衍生变量，作为目标衍生变量。

本申请实施例提供的信用评价模型的生成装置，由于获取了已投放市场的样本金融产品所面向的客户的与目标衍生变量对应的属性数据以及信用评价，并用获得的信息迭代训练了预先构建的机器学习模型，因此得到了一个用于评价客户信用的稳定的信用评价模型，从而提高了后续该模型所评价客户信用的真实程度。

在实际应用中，所述第一获取模块31和第一处理模块32均由位于信用评价模型的生成装置中的中央处理器(Central Processing Unit，CPU)、微处理器(Micro ProcessorUnit，MPU)、数字信号处理器(Digital Signal Processor，DSP)或现场可编程门阵列(Field Programmable Gate Array，FPGA)等实现。

本申请实施例还提供一种信用评价装置，如图4所示，该信用评价装置4包括：

第二获取模块41，用于获取目标客户的与目标衍生变量对应的属性数据；其中，目标客户为待投放市场的目标金融产品所面向的客户。

第二处理模块42，用于将获得的属性数据输入至如上述任意一种实施例描述的信用评价模型的生成装置生成的信用评价模型中，得到目标客户的信用评价。

在一种示例性实例中，第二获取模块41还用于：

当目标金融产品投入市场，获取目标客户产生的业务数据。

根据获得的业务数据获取目标客户的信用评价。

第二处理模块42，还用于将根据业务数据获得的目标客户的信用评价以及目标客户的与目标衍生变量对应的属性数据作为训练样本集迭代训练信用评价模型，得到更新后的信用评价模型。

在一种示例性实例中，第二处理模块42，具体用于将目标客户的与目标衍生变量对应的属性数据作为输入，将根据业务数据获得的目标客户的信用评价作为输出，根据预先设定的损失函数，利用反向传播算法对信用评价模型进行迭代训练、调整信用评价模型中目标衍生变量的权重，直到损失函数的损失值收敛，得到更新后的信用评价模型。

在一种示例性实例中，第二处理模块42还用于：

每隔预设时间执行以下操作：

将更新后的信用评价模型作为待更新信用评价模型，并获取目标客户最新产生的业务数据。

根据目标客户最新产生的业务数据和目标客户的与目标衍生变量对应的属性数据迭代训练待更新信用评价模型，得到更新后的信用评价模型。

本申请实施例提供的信用评价装置，由于信用评价模型是一个用于评价客户信用的稳定的信用评价模型，因此将待评价的目标客户的属性数据输入至该信用评价模型中能够得到较为真实的信用评价，从而提高了所评价客户信用的真实程度。

在实际应用中，所述第二获取模块41和第二处理模块42均由位于信用评价装置中的CPU、MPU、DSP或FPGA等实现。

本申请实施例还提供一种信息处理装置，包括：处理器和存储器，其中，存储器中存储有计算机程序，计算机程序被处理器执行时实现如上述任意一种的方法的处理。

本申请实施例还提供一种存储介质，存储介质上存储有计算机可执行命令，计算机可执行命令用于执行如上述任意一种的方法的处理。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

Claims (10)

1.一种信用评价模型的生成方法，其特征在于，包括：

获取样本客户的与目标衍生变量对应的属性数据以及所述样本客户的信用评价；其中，所述样本客户为已投放市场的样本金融产品所面向的客户；

将所述样本客户的与目标衍生变量对应的属性数据以及所述样本客户的信用评价作为训练样本集迭代训练预先构建的机器学习模型，得到用于评价客户信用的信用评价模型。

2.根据权利要求1所述的方法，其特征在于，所述将样本客户的与目标衍生变量对应的属性数据以及样本客户的信用评价作为训练样本集迭代训练预先构建的机器学习模型，得到用于评价客户信用的信用评价模型，包括：

将所述样本客户的与目标衍生变量对应的属性数据作为输入，将所述样本客户的信用评价作为输出，根据预先设定的损失函数，利用梯队下降算法对所述机器学习模型进行迭代训练、调整所述机器学习模型中目标衍生变量的权重，直到所述损失函数的损失值收敛，得到所述信用评价模型。

3.根据权利要求1所述的方法，其特征在于，所述获取样本客户的与目标衍生变量对应的属性数据以及样本客户的信用评价之前，还包括：

获取所述样本客户的与预设衍生变量对应的属性数据；

对获得的属性数据进行分箱，并基于分箱后的属性数据计算所述预设衍生变量的信息价值IV值；

获取所述预设衍生变量中IV值大于预设阈值、线性变化且稳定的衍生变量，作为目标衍生变量。

4.一种信用评价方法，其特征在于，包括：

获取目标客户的与目标衍生变量对应的属性数据；其中，所述目标客户为待投放市场的目标金融产品所面向的客户；

将获得的属性数据输入至如权利要求1-3任一项所述的信用评价模型的生成方法生成的信用评价模型中，得到所述目标客户的信用评价。

5.根据权利要求4所述的方法，所述得到目标客户的信用评价之后，还包括：

当所述目标金融产品投入市场，获取所述目标客户产生的业务数据；

根据获得的业务数据获取所述目标客户的信用评价；

将根据业务数据获得的目标客户的信用评价以及所述目标客户的与目标衍生变量对应的属性数据作为训练样本集迭代训练所述信用评价模型，得到更新后的信用评价模型。

6.根据权利要求5所述的方法，其特征在于，所述将根据业务数据获得的目标客户的信用评价以及目标客户的与目标衍生变量对应的属性数据作为训练样本集迭代训练信用评价模型，得到更新后的信用评价模型，包括：

将所述目标客户的与目标衍生变量对应的属性数据作为输入，将所述根据业务数据获得的目标客户的信用评价作为输出，根据预先设定的损失函数，利用反向传播算法对所述信用评价模型进行迭代训练、调整所述信用评价模型中目标衍生变量的权重，直到所述损失函数的损失值收敛，得到所述更新后的信用评价模型。

7.根据权利要求5或6所述的方法，其特征在于，所述得到更新后的信用评价模型之后，还包括：

每隔预设时间执行以下操作：

将更新后的信用评价模型作为待更新信用评价模型，并获取所述目标客户最新产生的业务数据；

根据所述目标客户最新产生的业务数据和所述目标客户的与目标衍生变量对应的属性数据迭代训练所述待更新信用评价模型，得到更新后的信用评价模型。

8.一种信用评价模型的生成装置，其特征在于，包括：

第一获取模块，用于获取样本客户的与目标衍生变量对应的属性数据以及所述样本客户的信用评价；其中，所述样本客户为已投放市场的样本金融产品所面向的客户；

第一处理模块，用于将所述样本客户的与目标衍生变量对应的属性数据以及所述样本客户的信用评价作为训练样本集迭代训练预先构建的机器学习模型，得到用于评价客户信用的信用评价模型。

9.一种信用评价装置，其特征在于，包括：

第二获取模块，用于获取目标客户的与目标衍生变量对应的属性数据；其中，所述目标客户为待投放市场的目标金融产品所面向的客户；

第二处理模块，用于将获得的属性数据输入至如权利要求8所述的信用评价模型的生成装置生成的信用评价模型中，得到所述目标客户的信用评价。

10.根据权利要求9所述的装置，其特征在于，所述第二获取模块还用于：

当所述目标金融产品投入市场，获取所述目标客户产生的业务数据；

根据获得的业务数据获取所述目标客户的信用评价；

第二处理模块，还用于将根据业务数据获得的目标客户的信用评价以及所述目标客户的与目标衍生变量对应的属性数据作为训练样本集迭代训练所述信用评价模型，得到更新后的信用评价模型。

Images