CN111539808A - 信用值处理方法及装置 - Google Patents

Abstract

本发明提供了一种信用值处理方法及装置，其中方法包括：获取信用卡逾期用户集；从所述信用卡逾期用户集中排除满足信用原因条件的用户；收集所述信用卡逾期用户集中各个用户的个人信息；分别输入各个用户的个人信息对应的个人特征数据至预先训练好的神经网络模型，获得所述神经网络模型分别输出的各个输出结果；针对输出结果为信用原因逾期的用户，按正常处理流程上报逾期信息；针对输出结果为非信用原因逾期的用户，维持所述用户的信用值。本发明可以针对信用卡逾期情况合理地调整信用值，以便信用值准确反应用户真正信用情况。

Description

信用值处理方法及装置

技术领域

本发明涉及通信技术领域，尤其涉及信用值处理方法及装置。

背景技术

现在银行系统开设有信用卡业务，信用卡可以方便用户进行消费业务。在信用卡业务长期运行后发现一些有待改善方向。在信用卡业务中会出现某些用户信用良好、却因未对少量金额执行还款操作而逾期情况。

经分析后发现很大程度上是非信用原因(遗忘原因、处于紧急情况、临时无法还款、催还账单未查看、银行电话未接到等原因)导致用户未执行还款操作。在此情况下用户信用情况其实未改变，但目前信用卡系统会对用户执行降低信用值操作，影响用户信用情况。

目前信用卡系统针对信用卡逾期情况并未深入分析，而是直接降低信用值，该方案调整后的信用值较为不准确，不能准确反应用户真正信用情况。

发明内容

鉴于此，本发明提供信用值处理方法及装置，可以针对信用卡逾期情况合理地调整信用值，以便信用值准确反应用户真正信用情况。

为了实现上述目的，本发明提供了下述技术特征：

一种信用值处理方法，包括：

获取信用卡逾期用户集；

从所述信用卡逾期用户集中排除满足信用原因条件的用户；

收集所述信用卡逾期用户集中各个用户的个人信息；

分别输入各个用户的个人信息对应的个人特征数据至预先训练好的神经网络模型，获得所述神经网络模型分别输出的各个输出结果；

针对输出结果为信用原因逾期的用户，按正常处理流程上报逾期信息；

针对输出结果为非信用原因逾期的用户，维持所述用户的信用值。

可选的，所述从所述信用卡逾期用户集中排除满足信用原因条件的用户包括：

判断所述信用卡逾期用户集中各个用户近期是否登录信用卡客户端；

从所述信用卡逾期用户集中排除近期登录信用卡客户端的用户。

可选的，还包括：

判断所述信用卡逾期用户集中各个用户的待还金额是否大于预设金额；

从所述信用卡逾期用户集中排除待还金额大于预设金额的用户。

可选的，所述个人信息包括：

用户职业信息；

用户教育信息；

用户资产信息；

用户历史违约信息。

可选的，在所述维持所述用户的信用值之后，还包括：

通过多种通信方式发送提醒还款信息，以供用户执行还款操作；

针对预设时间内未执行还款操作的用户，按正常处理流程上报逾期信息。

一种信用值处理装置，包括：

获取单元，用于获取信用卡逾期用户集；

排除单元，用于从所述信用卡逾期用户集中排除满足信用原因条件的用户；

收集单元，用于收集所述信用卡逾期用户集中各个用户的个人信息；

模型单元，用于分别输入各个用户的个人信息对应的个人特征数据至预先训练好的神经网络模型，获得所述神经网络模型分别输出的各个输出结果；

正常处理单元，用于针对输出结果为信用原因逾期的用户，按正常处理流程上报逾期信息；

维持单元，用于针对输出结果为非信用原因逾期的用户，维持所述用户的信用值。

可选的，所述排除单元包括：

第一判断单元，用于判断所述信用卡逾期用户集中各个用户近期是否登录信用卡客户端；

第一部分排除单元，用于从所述信用卡逾期用户集中排除近期登录信用卡客户端的用户。

可选的，还包括：

第二判断单元，用于判断所述信用卡逾期用户集中各个用户的待还金额是否大于预设金额；

第二部分排除单元，用于从所述信用卡逾期用户集中排除待还金额大于预设金额的用户。

可选的，所述个人信息包括：

用户职业信息；

用户教育信息；

用户资产信息；

用户历史违约信息。

可选的，在所述维持单元之后，还包括：

提醒单元，用于通过多种通信方式发送提醒还款信息，以供用户执行还款操作；

正常处理单元，还用于针对预设时间内未执行还款操作的用户，按正常处理流程上报逾期信息。

通过以上技术手段，可以实现以下有益效果：

本发明提供一种信用值处理方法，可以获取信用卡逾期用户集，首先从中排除满足信用原因条件的用户，满足信用原因条件的用户需要直接降低信用值。

对于不满足信用原因条件的信用卡逾期用户集，会收集各个用户的个人信息。分别输入各个用户的个人信息对应的个人特征数据至预先训练好的神经网络模型，获得神经网络模型分别输出的各个输出结果；各个输出结果可以表征各个用户是因为信用原因逾期还是因为非信用原因逾期。

针对输出结果为信用原因逾期的用户，降低用户的信用值。针对输出结果为非信用原因逾期的用户，维持所述用户的信用值。

本发明可以针对信用卡逾期情况合理地调整信用值，以便信用值准确反应用户真正信用情况。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例公开的神经网络模型训练方法的流程图；

图2为本发明实施例公开的信用值处理方法实施例一的流程图；

图3为本发明实施例公开的信用值处理方法实施例二的流程图；

图4为本发明实施例公开的信用值处理装置实施例一的结构示意图；

图5为本发明实施例公开的又一信用值处理装置实施例一的结构示意图；

图6为本发明实施例公开的信用值处理装置实施例二的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参见图1，本发明提供了一种神经网络模型训练方法包括以下步骤：

步骤S101：收集历史逾期用户的个人信息和逾期原因；

所述个人信息包括：用户职业信息、用户教育信息、用户资产信息和用户历史违约信息。逾期原因包括信用原因逾期或非信用原因逾期。

步骤S102：基于各个用户的个人信息对应的个人特征数据和逾期原因，构建训练样本集。

针对每个用户的个人信息提取个人特征数据，将一个用户的个人特征数据和逾期原因作为一个训练样本。

步骤S103：基于训练样本集对神经网络模型进行有监督训练。

步骤S104：在达到训练结束条件后，确定为训练好的神经网络模型。

训练好的神经网络模型，可以基于输入用户的个人特征数据计算并输出该用户对应的输出结果，输出结果可以表示用户逾期原因。

本发明提供一种信用值处理方法实施例一，应用于信用卡系统，参见图2，包括以下步骤：

步骤S201：获取信用卡逾期用户集。

信用卡系统中不同用户具有不同的还款日期，信用卡系统在某个还款日之后第二天，可以查询未执行还款操作的多个用户组成信用卡逾期用户集。

步骤S202：从所述信用卡逾期用户集中排除满足信用原因条件的用户。

可选的，信用原因条件包括近期登录过信用卡客户端。

则本步骤可以包括：判断所述信用卡逾期用户集中各个用户近期是否登录信用卡客户端；从所述信用卡逾期用户集中排除近期登录信用卡客户端的用户。

可以理解的是，若用户近期登录过信用卡客户端，例如，三天内登录过信用卡客户端；则很大程度上表示用户已经知晓即将有账单到期待还，用户仍然未还款则表示为用户因信用原因逾期。

可选的，信用原因条件包括待还金额大于预设金额。

本步骤包括判断所述信用卡逾期用户集中各个用户的待还金额是否大于预设金额；从所述信用卡逾期用户集中排除待还金额大于预设金额的用户。

可以理解的是，预设金额为一个经过银行人工经验确定的一个金额数值，若大于该预设金额，则表示用户待还金额较大。针对待还金额较大的用户，暂不适用于本方案，直接从所述信用卡逾期用户集中排除待还金额大于预设金额的用户。

在经过本步骤从信用卡逾期用户集中排除满足信用原因条件的用户之后，信用卡逾期用户集则为不满足信用原因条件的用户。下面进一步分析用户是因为信用原因逾期还是因为非信用原因逾期。

步骤S203：收集所述信用卡逾期用户集中各个用户的个人信息。

信用卡系统收集所述信用卡逾期用户集中各个用户的个人信息，其中，所述个人信息包括：用户职业信息、用户教育信息、用户资产信息和用户历史违约信息。

步骤S204：分别输入各个用户的个人信息对应的个人特征数据至预先训练好的神经网络模型，获得所述神经网络模型分别输出的各个输出结果。

收集历史逾期用户的个人信息和逾期原因，逾期原因包括信用原因逾期或非信用原因逾期，基于多个用户个人信息和对应的逾期原因构建训练样本集。

构建一个三层神经网络模型，隐层节点个数采用试凑法确定。通过遗传算法从训练样本集中确定最优个体作为神经网络模型的初始权值和阈值。基于训练样本集对神经网络模型进行训练，在达到训练结束条件后，获得训练好的神经网络模型。

分别输入各个用户的个人信息对应的个人特征数据至预先训练好的神经网络模型，获得所述神经网络模型分别输出的各个输出结果。

每个用户的输出结果可以表示该用户为信用原因逾期或非信用原因逾期。

步骤S205：针对输出结果为信用原因逾期的用户，按正常处理流程上报逾期信息。

针对输出结果为信用原因逾期的用户，按原有流程上报逾期信息，以便合理降低用户信用值。

步骤S206：针对输出结果为非信用原因逾期的用户，维持所述用户的信用值。

针对输出结果为信用原因逾期的用户，暂不上报逾期信息。而是维持用户的信用值。

通过以上技术手段，可以实现以下有益效果：

本发明提供一种信用值处理方法，可以获取信用卡逾期用户集，首先从中排除满足信用原因条件的用户，满足信用原因条件的用户需要直接降低信用值。

对于不满足信用原因条件的信用卡逾期用户集，会收集各个用户的个人信息。分别输入各个用户的个人信息对应的个人特征数据至预先训练好的神经网络模型，获得神经网络模型分别输出的各个输出结果；各个输出结果可以表征各个用户是因为信用原因逾期还是因为非信用原因逾期。

针对输出结果为信用原因逾期的用户，降低用户的信用值。针对输出结果为非信用原因逾期的用户，维持所述用户的信用值。

本发明可以针对信用卡逾期情况合理地调整信用值，以便信用值准确反应用户真正信用情况。

本发明提供一种信用值处理方法实施例二，应用于信用卡系统。在实施例一的基础上增加步骤S207和步骤S208。

参见图3包括以下步骤：

步骤S201：获取信用卡逾期用户集。

信用卡系统中不同用户具有不同的还款日期，信用卡系统在某个还款日之后第二天，可以查询未执行还款操作的多个用户组成信用卡逾期用户集。

步骤S202：从所述信用卡逾期用户集中排除满足信用原因条件的用户。

可选的，信用原因条件包括近期登录过信用卡客户端。

则本步骤可以包括：判断所述信用卡逾期用户集中各个用户近期是否登录信用卡客户端；从所述信用卡逾期用户集中排除近期登录信用卡客户端的用户。

可以理解的是，若用户近期登录过信用卡客户端，例如，三天内登录过信用卡客户端；则很大程度上表示用户已经知晓即将有账单到期待还，用户仍然未还款则表示为用户因信用原因逾期。

可选的，信用原因条件包括待还金额大于预设金额。

本步骤包括判断所述信用卡逾期用户集中各个用户的待还金额是否大于预设金额；从所述信用卡逾期用户集中排除待还金额大于预设金额的用户。

可以理解的是，预设金额为一个经过银行人工经验确定的一个金额数值，若大于该预设金额，则表示用户待还金额较大。针对待还金额较大的用户，暂不适用于本方案，直接从所述信用卡逾期用户集中排除待还金额大于预设金额的用户。

在经过本步骤从信用卡逾期用户集中排除满足信用原因条件的用户之后，信用卡逾期用户集则为不满足信用原因条件的用户。下面进一步分析用户是因为信用原因逾期还是因为非信用原因逾期。

步骤S203：收集所述信用卡逾期用户集中各个用户的个人信息。

信用卡系统收集所述信用卡逾期用户集中各个用户的个人信息，其中，所述个人信息包括：用户职业信息、用户教育信息、用户资产信息和用户历史违约信息。

步骤S204：分别输入各个用户的个人信息对应的个人特征数据至预先训练好的神经网络模型，获得所述神经网络模型分别输出的各个输出结果。

收集历史逾期用户的个人信息和逾期原因，逾期原因包括信用原因逾期或非信用原因逾期，基于多个用户个人信息和对应的逾期原因构建训练样本集。

构建一个三层神经网络模型，隐层节点个数采用试凑法确定。通过遗传算法从训练样本集中确定最优个体作为神经网络模型的初始权值和阈值。基于训练样本集对神经网络模型进行训练，在达到训练结束条件后，获得训练好的神经网络模型。

分别输入各个用户的个人信息对应的个人特征数据至预先训练好的神经网络模型，获得所述神经网络模型分别输出的各个输出结果。

每个用户的输出结果可以表示该用户为信用原因逾期或非信用原因逾期。

步骤S205：针对输出结果为信用原因逾期的用户，按正常处理流程上报逾期信息。

针对输出结果为信用原因逾期的用户，按原有流程上报逾期信息，以便合理降低用户信用值。

步骤S206：针对输出结果为非信用原因逾期的用户，维持所述用户的信用值。

针对输出结果为信用原因逾期的用户，暂不上报逾期信息。而是维持用户的信用值。

步骤S207：通过多种通信方式发送提醒还款信息，以供按正常处理流程上报逾期信息。

在得知用户非信用原因逾期之后，通过多种通信方式来发送提醒还款信息，例如通过客户端方式、通过公众号方式、通过电话客服方式、通过邮件方式等来提醒还款信息，以供用户查看后及时执行还款操作。

步骤S208：针对预设时间内未执行还款操作的用户，则降低用户的信用值。

针对各个已发送提醒信息的用户，在预设时间内检测是否执行了还款操作，对于在预设时间内仍未执行还款操作的用户，则按正常处理流程上报逾期信息。

通过以上技术手段，可以实现以下有益效果：

本发明提供一种信用值处理方法，可以获取信用卡逾期用户集，首先从中排除满足信用原因条件的用户，满足信用原因条件的用户需要直接降低信用值。

对于不满足信用原因条件的信用卡逾期用户集，会收集各个用户的个人信息。分别输入各个用户的个人信息对应的个人特征数据至预先训练好的神经网络模型，获得神经网络模型分别输出的各个输出结果；各个输出结果可以表征各个用户是因为信用原因逾期还是因为非信用原因逾期。

针对输出结果为信用原因逾期的用户，降低用户的信用值。针对输出结果为非信用原因逾期的用户，维持所述用户的信用值。

本发明可以针对信用卡逾期情况合理地调整信用值，以便信用值准确反应用户真正信用情况。

参见图4，本发明提供了一种信用值处理装置实施例一，包括：

获取单元41，用于获取信用卡逾期用户集；

排除单元42，用于从所述信用卡逾期用户集中排除满足信用原因条件的用户；

收集单元43，用于收集所述信用卡逾期用户集中各个用户的个人信息；

模型单元44，用于分别输入各个用户的个人信息对应的个人特征数据至预先训练好的神经网络模型，获得所述神经网络模型分别输出的各个输出结果；

正常处理单元45，用于针对输出结果为信用原因逾期的用户，按正常处理流程上报逾期信息；

维持单元46，用于针对输出结果为非信用原因逾期的用户，维持所述用户的信用值。

参见图5，所述排除单元42包括：

第一判断单元51，用于判断所述信用卡逾期用户集中各个用户近期是否登录信用卡客户端；

第一部分排除单元52，用于从所述信用卡逾期用户集中排除近期登录信用卡客户端的用户。

第二判断单元53，用于判断所述信用卡逾期用户集中各个用户的待还金额是否大于预设金额；

第二部分排除单元54，用于从所述信用卡逾期用户集中排除待还金额大于预设金额的用户。

其中，所述个人信息包括：

用户职业信息；

用户教育信息；

用户资产信息；

用户历史违约信息。

参见图6，本发明提供了一种信用值处理装置实施例二，所述维持单元46基础上还包括提醒单元47。

获取单元41，用于获取信用卡逾期用户集；

排除单元42，用于从所述信用卡逾期用户集中排除满足信用原因条件的用户；

收集单元43，用于收集所述信用卡逾期用户集中各个用户的个人信息；

模型单元44，用于分别输入各个用户的个人信息对应的个人特征数据至预先训练好的神经网络模型，获得所述神经网络模型分别输出的各个输出结果；

正常处理单元45，用于针对输出结果为信用原因逾期的用户，按正常处理流程上报逾期信息；

维持单元46，用于针对输出结果为非信用原因逾期的用户，维持所述用户的信用值。

提醒单元47，用于通过多种通信方式发送提醒还款信息，以供用户执行还款操作；

正常处理单元45，还用于针对预设时间内未执行还款操作的用户，按正常处理流程上报逾期信息。

通过以上技术手段，可以实现以下有益效果：

本发明提供一种信用值处理方法，可以获取信用卡逾期用户集，首先从中排除满足信用原因条件的用户，满足信用原因条件的用户需要直接降低信用值。

对于不满足信用原因条件的信用卡逾期用户集，会收集各个用户的个人信息。分别输入各个用户的个人信息对应的个人特征数据至预先训练好的神经网络模型，获得神经网络模型分别输出的各个输出结果；各个输出结果可以表征各个用户是因为信用原因逾期还是因为非信用原因逾期。

针对输出结果为信用原因逾期的用户，降低用户的信用值。针对输出结果为非信用原因逾期的用户，维持所述用户的信用值。

本发明可以针对信用卡逾期情况合理地调整信用值，以便信用值准确反应用户真正信用情况。

本实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算设备可读取存储介质中。基于这样的理解，本发明实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算设备(可以是个人计算机，服务器，移动计算设备或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种信用值处理方法，其特征在于，包括：

获取信用卡逾期用户集；

从所述信用卡逾期用户集中排除满足信用原因条件的用户；

收集所述信用卡逾期用户集中各个用户的个人信息；

分别输入各个用户的个人信息对应的个人特征数据至预先训练好的神经网络模型，获得所述神经网络模型分别输出的各个输出结果；

针对输出结果为信用原因逾期的用户，按正常处理流程上报逾期信息；

针对输出结果为非信用原因逾期的用户，维持所述用户的信用值。

2.如权利要求1所述的方法，其特征在于，所述从所述信用卡逾期用户集中排除满足信用原因条件的用户包括：

判断所述信用卡逾期用户集中各个用户近期是否登录信用卡客户端；

从所述信用卡逾期用户集中排除近期登录信用卡客户端的用户。

3.如权利要求2所述的方法，其特征在于，还包括：

判断所述信用卡逾期用户集中各个用户的待还金额是否大于预设金额；

从所述信用卡逾期用户集中排除待还金额大于预设金额的用户。

4.如权利要求1所述的方法，其特征在于，所述个人信息包括：

用户职业信息；

用户教育信息；

用户资产信息；

用户历史违约信息。

5.如权利要求1所述的方法，其特征在于，在所述维持所述用户的信用值之后，还包括：

通过多种通信方式发送提醒还款信息，以供用户执行还款操作；

针对预设时间内未执行还款操作的用户，按正常处理流程上报逾期信息。

6.一种信用值处理装置，其特征在于，包括：

获取单元，用于获取信用卡逾期用户集；

排除单元，用于从所述信用卡逾期用户集中排除满足信用原因条件的用户；

收集单元，用于收集所述信用卡逾期用户集中各个用户的个人信息；

模型单元，用于分别输入各个用户的个人信息对应的个人特征数据至预先训练好的神经网络模型，获得所述神经网络模型分别输出的各个输出结果；

正常处理单元，用于针对输出结果为信用原因逾期的用户，按正常处理流程上报逾期信息；

维持单元，用于针对输出结果为非信用原因逾期的用户，维持所述用户的信用值。

7.如权利要求6所述的装置，其特征在于，所述排除单元包括：

第一判断单元，用于判断所述信用卡逾期用户集中各个用户近期是否登录信用卡客户端；

第一部分排除单元，用于从所述信用卡逾期用户集中排除近期登录信用卡客户端的用户。

8.如权利要求7所述的装置，其特征在于，还包括：

第二判断单元，用于判断所述信用卡逾期用户集中各个用户的待还金额是否大于预设金额；

第二部分排除单元，用于从所述信用卡逾期用户集中排除待还金额大于预设金额的用户。

9.如权利要求6所述的装置，其特征在于，所述个人信息包括：

用户职业信息；

用户教育信息；

用户资产信息；

用户历史违约信息。

10.如权利要求6所述的装置，其特征在于，在所述维持单元之后，还包括：

提醒单元，用于通过多种通信方式发送提醒还款信息，以供用户执行还款操作；

正常处理单元，还用于针对预设时间内未执行还款操作的用户，按正常处理流程上报逾期信息。

Images