CN111681103A - 用户信用额度的评估方法、系统、设备和存储介质 - Google Patents

Abstract

本发明实施例公开了一种用户信用额度的评估方法、系统、设备和存储介质。该方法包括：获取目标用户的第一用户信息和用户信用评分；将所述第一用户信息输入至预先经过训练的神经网络回归预测模型以得到所述目标用户的第一预测收入；根据所述第一预测收入设置每月还款额度；根据所述每月还款额度和用户信用评分生成所述目标用户的信用额度。本发明实施例实现了简单准确的对用户信用额度进行评估。

Description

用户信用额度的评估方法、系统、设备和存储介质

技术领域

本发明实施例涉及金融技术，尤其涉及一种用户信用额度的评估方法、系统、设备和存储介质。

背景技术

随着人们消费意识的增强，越来越多的人们会申请信用贷款，以使用在房贷、车贷、或信用卡等场景中，为了确保用户能够准时还款，需要对用户做一个准确的信用额度评估。

长期以来，传统的信用额度的评估方法主要依赖于用户主动提供工资流水，金融机构会结合用户的收入水平和风险情况给出信用额度，但用户往往不愿意主动提供工资流水。随着互联网技术的发展，越来越多的用户会选择在互联网进行线上信用贷款，但现有方案也没有主动获取用户的收入水平，仅仅依靠用户的还款意愿评估来计信用算额度，缺乏科学的信用额度评估方法。

综上所述，对于信用额度的评估，普遍存在收入证明获取成本大、用户体验差和还款能力评估不准确等问题。

发明内容

本发明实施例提供一种用户信用额度的评估方法、系统、设备和存储介质，以实现简单准确的对用户信用额度进行评估。

为达此目的，本发明实施例提供了一种用户信用额度的评估方法，该方法包括：

获取目标用户的第一用户信息和用户信用评分；

将所述第一用户信息输入至预先经过训练的神经网络回归预测模型以得到所述目标用户的第一预测收入；

根据所述第一预测收入设置每月还款额度；

根据所述每月还款额度和用户信用评分生成所述目标用户的信用额度。

进一步的，所述神经网络回归预测模型的训练包括：

获取预设数据库中样本用户的第二用户信息和第一收入信息；

使用所述第二用户信息和第一收入信息训练预设神经网络回归预测模型。

进一步的，所述获取预设数据库中样本用户的第二用户信息和第一收入信息包括：

获取预设数据库中样本用户的第三用户信息和第二收入信息；

对所述第三用户信息进行特征挖掘以得到第二用户信息；

对所述第二收入信息进行加工和筛选以得到第一收入信息。

进一步的，所述第二用户信息包括样本用户的基本身份信息、学历信息、资金短信信息、非资金短信信息、设备应用信息和宏观指标信息。

进一步的，所述对所述第三用户信息进行特征挖掘以得到第二用户信息包括：

对所述第三用户信息进行特征挖掘以得到所述样本用户的第四用户信息，所述第四用户信息包括缺失用户信息；

从所述预设数据库中获取与所述缺失用户信息对应的补全用户信息；

将所述补全用户信息添加至所述第四用户信息以得到第二用户信息。

进一步的，所述对所述第二收入信息进行加工和筛选以得到第一收入信息包括：

获取所述第二收入信息的每月收入金额、所述每月收入金额的相对标准偏差、获取收入月份数和平均每月收入短信条数；

根据所述每月收入金额和相对标准偏差确定所述样本用户的第三收入信息；

根据所述获取收入月份数和标准偏差确定所述样本用户的收入稳定性；

根据所述获取收入月份数、平均每月收入短信条数和相对标准偏差确定所述样本用户的收入可信度；

根据所述收入稳定性和收入可信度对所述第三收入信息进行筛选以得到第一收入信息。

进一步的，所述神经网络回归预测模型的验证包括：

将所述第二用户信息输入至所述神经网络回归预测模型以得到所述样本用户的第二预测收入；

根据所述每月收入金额的最大收入金额和最小收入金额确定所述第二预测收入的基准区间；

根据预设的偏离比例获取所述第二预测收入落入所述基准区间的第一比例；

获取所述第二预测收入相对于所述第二收入信息的平均绝对误差；

根据所述第一比例和平均绝对误差验证所述神经网络回归预测模型。

一方面，本发明实施例还提供了一种用户信用额度的评估系统，该系统包括：

信息获取模块，用于获取目标用户的第一用户信息和用户信用评分；

收入获取模块，用于将所述第一用户信息输入至预先经过训练的神经网络回归预测模型以得到所述目标用户的第一预测收入；

额度设置模块，用于根据所述第一预测收入设置每月还款额度；

额度生成模块，用于根据所述每月还款额度和用户信用评分生成所述目标用户的信用额度。

另一方面，本发明实施例还提供了一种用户信用额度的评估设备，该设备包括：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一实施例提供的方法。

又一方面，本发明实施例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一实施例提供的方法。

本发明实施例通过获取目标用户的第一用户信息和用户信用评分；将所述第一用户信息输入至预先经过训练的神经网络回归预测模型以得到所述目标用户的第一预测收入；根据所述第一预测收入设置每月还款额度；根据所述每月还款额度和用户信用评分生成所述目标用户的信用额度，解决了现有的信用额度的评估方法存在收入证明获取成本大、用户体验差和还款能力评估不准确的问题，实现了简单准确的对用户信用额度进行评估的效果。

附图说明

图1是本发明实施例一提供的一种用户信用额度的评估方法的流程示意图；

图2是本发明实施例二提供的神经网络回归预测模型的训练的流程示意图；

图3是本发明实施例二提供的神经网络回归预测模型的训练中步骤S220的流程示意图；

图4是本发明实施例二提供的神经网络回归预测模型的训练中步骤S230的流程示意图；

图5是本发明实施例二提供的神经网络回归预测模型的验证的流程示意图；

图6是本发明实施例三提供的一种用户信用额度的评估系统的结构示意图；

图7为本发明实施例四提供的一种用户信用额度的评估设备的结构示意图。

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，可以将第一模块称为第二模块，且类似地，可将第二模块称为第一模块。第一模块和第二模块两者都是模块，但其不是同一模块。术语“第一”、“第二”等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所述特征。在本发明实施例的描述中，“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

如图1所示，本发明实施例一提供了一种用户信用额度的评估方法，该方法包括：

S110、获取目标用户的第一用户信息和用户信用评分。

本实施例中，当存在新的目标用户在线上申请贷款时，获取目标用户的第一用户信息，具体的，第一用户信息包括目标用户的基本身份信息、学历信息、资金短信信息、非资金短信信息、设备应用信息和宏观指标信息，获取方法可以采用大数据爬虫、文本分类抽取和模糊匹配等技术。

具体的，目标用户申请贷款时，要求目标用户允许访问或提供其身份证信息、手机号、IP地址、短信和移动设备的应用程序信息。

示例性的，通过身份证信息获取目标用户的身份证性别、身份证年龄、身份证籍贯省份、身份证籍贯城市和籍贯城市级别，通过手机号获取目标用户的绑定手机归属省份、绑定手机归属城市和绑定手机归属城市级别，通过IP地址获取目标用户的注册IP归属省份、注册IP归属城市和IP归属城市级别，从而得到目标用户的基本身份信息。

进一步的，通过基本身份信息与公开信息进行匹配，可选的，进一步结合用户提供的学历学籍信息，获取目标用户的学历层次、入学年份、毕业年份、学历层次、学校名、学历级别、入学年份、毕业年份、专业、毕业结论、学校等级和专业排名，从而获得目标用户的学历信息。

进一步的，通过提取短信的消费、账单和套餐等信息，获取目标用户的月均银行卡消费金额、银行卡消费可信度、银行卡消费稳定性、月均信用卡账单金额、信用卡账单可信度、信用卡账单稳定性、月均通讯费金额、通讯费可信度、月均手机套餐金额和手机套餐可信度，从而获得目标用户的资金短信信息，其中可信度和稳定性可以通过对应短信的获取条数、获取的月份数和金额的相对标准偏差进行计算。进一步的，通过提取短信的衣食住行等信息，获取目标用户的平均每月出行次数、平均每月出行费用、酒店预订平均价格和平均每月快递数量，从而获得目标用户的非资金短信信息。

进一步的，通过移动设备的应用程序信息和预设网站中的移动设备价格，获取目标用户的理财类应用程序数量、出行类应用程序数量、购物类应用程序数量、用户设备价格、用户常用设备和用户设备个数，从而获得目标用户的设备应用信息。

进一步的，通过先前获取的基本身份信息与公开信息进行匹配，获取目标用户的绑定手机归属城市的人均GDP、绑定手机归属城市的房价均值、绑定手机归属城市的人均工资、绑定手机归属城市的人均可支配收入、用户注册时LBS(Location Based Services，基于位置的服务)城市等级、用户注册时LBS城市人均工资、用户注册时LBS城市人均可支配收入、用户注册时LBS附近房价均值和拉勾工资，从而获得目标用户的宏观指标信息。

进一步的，获取目标用户的过往贷款记录并根据过往贷款记录生成用户信用评分，若目标用户没有往期的贷款记录，可选的，要求目标用户允许访问其支付宝的芝麻信用分或微信的支付分，并将芝麻信用分或支付分直接作为用户信用评分。需要说明的是，第一用户信息和用户信用评分都可能存在数据缺失的情况，若数据存在缺失，取预设数据库中对应数据的中位数或占比最高的数据以填充缺失数据。

S120、将第一用户信息输入至预先经过训练的神经网络回归预测模型以得到目标用户的第一预测收入。

本实施例中，得到目标用户的第一用户信息后，将将第一用户信息输入至预先经过训练的神经网络回归预测模型就可以得到目标用户的第一预测收入，其中神经网络回归预测模型使用了大量的样本用户的数据进行训练，样本用户的数据包括与第一用户信息对应用户信息和真实的收入，将其分别作为输入和输出来训练该神经网络回归预测模型，并使用样本用户的数据进一步进行验证，就可以得到目标用户高准确性的第一预测收入。

作为优选的，由于是回归问题，单个神经网络回归预测模型的准确率不能完全代表真实情况，因此还可以采用模型融合方案，预先经过训练的神经网络回归预测模型可以包括至少两种预设的神经网络模型，最后取两个神经网络模型的均值作为最终预测的第一预测收入，具体的，神经网络模型可以采用随机森林回归算法(Random ForestRegressor)、梯度回归算法(Gradient Boosting Regressor/XGB Regressor/LGBMRegressor)和神经网络回归(MLP Regressor)中的两种或多种。

S130、根据第一预测收入设置每月还款额度。

S140、根据每月还款额度和用户信用评分生成目标用户的信用额度。

进一步的，在得到第一预测收入后，为了保证目标用户有偿还能力，还需要根据第一预测收入设置每月还款额度，示例性的，设置每月还款额度为第一预测收入的二分之一，在此基础上，根据先前得到的用户信用评分设置对应的评分权重，示例性的，用户信用评分为700+时取评分权重1，用户信用评分为650-700时取评分权重0.9，用户信用评分为600-650时取评分权重0.8，用户信用评分为550-600时取评分权重0.7，用户信用评分为500-600时取评分权重0.6，用户信用评分为0-500时取评分权重0.5，由此确定目标用户的信用额度为月收入×0.5×评分权重，再向下取整到千分位，需要说明的是该信用额度为每月的信用额度且未考虑利率，实际情况下可以根据目标用户选择的金融产品的利率再进行相应的设置。示例性的，目标用户的第一预测收入为6000，用户信用评分为632，则该目标用户的信用额度为6000×0.5×0.8＝2400。若需要获取到目标用户的总信用额度，则需要在该信用额度的基础上根据目标用户选择的金融产品的期数得出，若该用户选择12期的金融产品，则目标用户的总信用额度为2400×12＝28800。

作为优选的，还可以根据先前获取到的银行卡消费可信度、银行卡消费稳定性、信用卡账单可信度、信用卡账单稳定性、通讯费可信度和手机套餐可信度对目标用户可选择的期数做出限制，若稳定性和可信度越高，则目标用户可以选择的期数越长，越低则越短。

本发明实施例通过获取目标用户的第一用户信息和用户信用评分；将第一用户信息输入至预先经过训练的神经网络回归预测模型以得到目标用户的第一预测收入；根据第一预测收入设置每月还款额度；根据每月还款额度和用户信用评分生成目标用户的信用额度，解决了现有的信用额度的评估方法存在收入证明获取成本大、用户体验差和还款能力评估不准确的问题，实现了简单准确的对用户信用额度进行评估的效果。

实施例二

如图2所示，本发明实施例二提供了一种用户信用额度的评估方法，本发明实施例二是在本发明实施例一的基础上进一步的说明解释，其中神经网络回归预测模型的训练包括：

S210、获取预设数据库中样本用户的第三用户信息和第二收入信息。

S220、对第三用户信息进行特征挖掘以得到第二用户信息。

本实施例中，样本用户为预设数据库中的大量用户，第三用户信息为预设数据库中大量的零散数据，需要通过大数据爬虫、文本分类抽取和模糊匹配等技术进行特征挖掘后才能得到第二用户信息，第二用户信息包括样本用户的基本身份信息、学历信息、资金短信信息、非资金短信信息、设备应用信息和宏观指标信息，其具体的获取方式与本发明实施例一相同，只是具体的用户不同，本发明实施例在此不再赘述。

S230、对第二收入信息进行加工和筛选以得到第一收入信息。

本实施例中，第二收入信息可以为预设数据库中样本用户的工资短信，对工资短信进行加工和筛选后得到第一收入信息，其中具体的加工和筛选方法可以是先获取有“收入”和“工资”的工资短信，然后只选择来源于银行的工资收入的工资短信，并剔除短信中含有“转账交易”“ATM”的转账交易情况，和短信中含有“支出”“贵公司”“贵单位”的对公账户情况的工资短信，剔除重复的工资短信后，最后剔除具体金额小于100和大于100000的工资短信，去除极值和排除一些未知不确定性，以完成对第二收入信息的加工和筛选，得到第一收入信息。

S240、使用第二用户信息和第一收入信息训练预设神经网络回归预测模型。

本实施例中，将第二用户信息作为预设神经网络回归预测模型的输入，将对应样本用户的第一收入信息作为预设神经网络回归预测模型的输出，完成预设神经网络回归预测模型的训练，得到训练好的神经网络回归预测模型。若预设神经网络回归预测模型包括多种，则可以相应的使用相同的数据进行训练。

进一步的，如图3所示，本发明实施例中的步骤S220具体包括：

S221、对第三用户信息进行特征挖掘以得到样本用户的第四用户信息，第四用户信息包括缺失用户信息。

S222、从预设数据库中获取与缺失用户信息对应的补全用户信息。

S223、将补全用户信息添加至第四用户信息以得到第二用户信息。

本实施例中，进行特征挖掘后，进一步的，基于我们对输入神经网络回归预测模型的用户信息的要求，还需要考虑第三用户信息可能存在数据不全的情况，我们对第三用户信息进行特征挖掘以得到样本用户的第四用户信息后，因第四用户信息包括缺失用户信息，为此继续从预设数据库中获取与缺失用户信息对应的补全用户信息，并将补全用户信息添加至第四用户信息以得到第二用户信息。具体的，通过取预设数据库中的中位数数据、均值数据和零作为补全用户信息，经过计算预测收入和真实收入的平均绝对误差(MAE，Mean Absolute Deviation)和准确率，确定补全用户信息取预设数据库中的中位数数据最佳，因此本实施例中补全用户信息为预设数据库中的中位数数据。

进一步的，如图4所示，本发明实施例中的步骤S230具体包括：

S231、获取第二收入信息的每月收入金额、每月收入金额的相对标准偏差、获取收入月份数和平均每月收入短信条数。

本实施例中，进行完加工和筛选后，进一步的，因部分目标用户如个体营业者的每月收入是波动较大的，在训练时我们还需要剔除稳定性差的收入信息。首先获取到第二收入信息中的每月收入金额、每月收入金额的相对标准偏差、获取收入月份数和平均每月收入短信条数。

S232、根据每月收入金额和相对标准偏差确定样本用户的第三收入信息。

本实施例中，获取到这些信息后，先根据每月收入金额和相对标准偏差确定一个样本用户的第三收入信息，具体的，可以设定若相对标准偏差小于或等于0.2，则说明波动性小且稳定，直接取月收入金额的平均值或中位数作为第三收入信息，若相对标准偏差大于0.2，则说明波动性大，则保守的取每月收入金额的最小收入金额。

S233、根据获取收入月份数和标准偏差确定样本用户的收入稳定性。

本实施例中，进一步根据获取收入月份数和标准偏差确定样本用户的收入稳定性，具体的，获取收入月份数大于等于3且相对标准偏差小于或等于0.2则判断该样本用户的收入稳定性为稳定，获取收入月份数大于等于3且相对标准偏差大于0.2小于或等于0.4则判断该样本用户的收入稳定性为一般稳定，获取收入月份数大于等于3且相对标准偏差大于0.4则判断该样本用户的收入稳定性为不稳定，获取收入月份数小于3时，由于可观测数据少，判断该样本用户的收入稳定性为暂无法评估。

S234、根据获取收入月份数、平均每月收入短信条数和相对标准偏差确定样本用户的收入可信度。

本实施例中，进一步根据获取收入月份数、平均每月收入短信条数和相对标准偏差确定样本用户的收入可信度。具体的，设定获取收入月份数为1则可信度评分为1，获取收入月份数为2则可信度评分为2，按此规则直到获取收入月份数为大于或等于5则可信度评分为5。设定平均每月收入短信条数为1则可信度评分为5，平均每月收入短信条数为2则可信度评分为4，按此规则直到平均每月收入短信条数为大于或等于5则可信度评分为1。设定相对标准偏差小于或等于0.1则可信度评分为5，相对标准偏差大于0.1且小于或等于0.2则可信度评分为4，按此规则直到相对标准偏差大于0.4则可信度评分为1。最后将这三个指标的可信度评分进行叠加，设定总分在13-15的样本用户的收入可信度为高，总分在10-11的样本用户的收入可信度为较高，总分在7-9的样本用户的收入可信度为一般，总分在6或6以下的样本用户的收入可信度为差。

S235、根据收入稳定性和收入可信度对第三收入信息进行筛选以得到第一收入信息。

本实施例中，获得样本用户的收入稳定性和收入可信度后，按照用户需求和最后得到的第一收入信息的数据量进行选取，示例性的，只选取收入稳定性为稳定且收入可信度为高的样本用户，取其第三收入信息作为第一收入信息，放弃不满足条件的样本用户的第三收入信息。

本实施例中，如图5所示，神经网络回归预测模型的验证包括：

S310、将第二用户信息输入至神经网络回归预测模型以得到样本用户的第二预测收入。

本实施例中，在神经网络回归预测模型训练完成后，为了保证该模型的准确性，还需要对该神经网络回归预测模型进行验证，这里可以继续选取训练时使用的小部分的第二用户信息用于验证，可选的，也可以从预设数据库中选取未参与训练的另外一批样本用户的第二用户信息用于验证，将第二用户信息输入至神经网络回归预测模型就可以得到样本用户的第二预测收入。

S320、根据每月收入金额的最大收入金额和最小收入金额确定第二预测收入的基准区间。

S330、根据预设的偏离比例获取第二预测收入落入基准区间的第一比例。

本实施例中，获取第二用户信息中每月收入金额的最大收入金额和最小收入金额，最大收入金额和最小收入金额组成的区间即为第二预测收入的基准区间。然后需要做一个判断确定预设的偏离比例，若第二预测收入小于最小收入金额，则确定偏离比例为1-第二预测收入/最小收入金额，若第二预测收入大于或等于最小收入金额且小于或等于最大收入金额，则确定偏离比例为0，若第二预测收入大于最大收入金额，则确定偏离比例为第二预测收入/最大收入金额-1，示例性的，若偏离比例为0，则第二预测收入必须完全落入基准区间才算落入，若偏离比例为0.2，则第二预测收入落入基准区间±0.2的范围内就算落入，据此确定第二预测收入落入基准区间的第一比例。

S340、获取第二预测收入相对于第二收入信息的平均绝对误差。

S350、根据第一比例和平均绝对误差验证神经网络回归预测模型。

本实施例中，还可以计算出第二预测收入相对于第二收入信息的平均绝对误差，同时根据第一比例和平均绝对误差来验证该神经网络回归预测模型，若第一比例小于第一阈值或平均绝对误差大于第二阈值，则需要获取更多的样本用户的第二用户信息来进行训练，直至满足验证要求。

本发明实施例通过对神经网络回归预测模型进行训练和验证以提高模型的准确性，解决了现有的信用额度的评估方法存在收入证明获取成本大、用户体验差和还款能力评估不准确的问题，实现了简单准确的对用户信用额度进行评估的效果。

实施例三

如图6所示，本发明实施例三提供了一种用户信用额度的评估系统100，本发明实施例三所提供的用户信用额度的评估系统100可执行本发明任意实施例所提供的用户信用额度的评估方法，具备执行方法相应的功能模块和有益效果。该用户信用额度的评估系统100包括信息获取模块200、收入获取模块300、额度设置模块400和额度生成模块500。

具体的，信息获取模块200用于获取目标用户的第一用户信息和用户信用评分；收入获取模块300用于将第一用户信息输入至预先经过训练的神经网络回归预测模型以得到目标用户的第一预测收入；额度设置模块400用于根据第一预测收入设置每月还款额度；额度生成模块500用于根据每月还款额度和用户信用评分生成目标用户的信用额度。

本实施例中，该用户信用额度的评估系统100还包括模型训练模块600，模型训练模块600用于获取预设数据库中样本用户的第二用户信息和第一收入信息；使用第二用户信息和第一收入信息训练预设神经网络回归预测模型。模型训练模块600具体用于获取预设数据库中样本用户的第三用户信息和第二收入信息；对第三用户信息进行特征挖掘以得到第二用户信息；对第二收入信息进行加工和筛选以得到第一收入信息。其中，第二用户信息包括样本用户的基本身份信息、学历信息、资金短信信息、非资金短信信息、设备应用信息和宏观指标信息。模型训练模块600具体还用于对第三用户信息进行特征挖掘以得到样本用户的第四用户信息，第四用户信息包括缺失用户信息；从预设数据库中获取与缺失用户信息对应的补全用户信息；将补全用户信息添加至第四用户信息以得到第二用户信息。模型训练模块600具体还用于获取第二收入信息的每月收入金额、每月收入金额的相对标准偏差、获取收入月份数和平均每月收入短信条数；根据每月收入金额和相对标准偏差确定样本用户的第三收入信息；根据获取收入月份数和标准偏差确定样本用户的收入稳定性；根据获取收入月份数、平均每月收入短信条数和相对标准偏差确定样本用户的收入可信度；根据收入稳定性和收入可信度对第三收入信息进行筛选以得到第一收入信息。

本实施例中，该用户信用额度的评估系统100还包括模型验证模块700，模型验证模块700用于将第二用户信息输入至神经网络回归预测模型以得到样本用户的第二预测收入；根据每月收入金额的最大收入金额和最小收入金额确定第二预测收入的基准区间；根据预设的偏离比例获取第二预测收入落入基准区间的第一比例；获取第二预测收入相对于第二收入信息的平均绝对误差；根据第一比例和平均绝对误差验证神经网络回归预测模型。

实施例四

图7为本发明实施例四提供的一种用户信用额度的评估计算机设备12的结构示意图。图7示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图7显示的计算机设备12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7所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，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(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

计算机设备12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计算机设备12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。

系统存储器28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(RAM)30和/或高速缓存存储器32。计算机设备12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34可以用于读写不可移动的、非易失性磁介质(图7未显示，通常称为“硬盘驱动器”)。尽管图7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CD-ROM,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18相连。存储器28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42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42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。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(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22进行。并且，计算机设备12还可以通过网络适配器20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。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12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。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的方法：

获取目标用户的第一用户信息和用户信用评分；

将所述第一用户信息输入至预先经过训练的神经网络回归预测模型以得到所述目标用户的第一预测收入；

根据所述第一预测收入设置每月还款额度；

根据所述每月还款额度和用户信用评分生成所述目标用户的信用额度。

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申请所有发明实施例提供的方法：

获取目标用户的第一用户信息和用户信用评分；

将所述第一用户信息输入至预先经过训练的神经网络回归预测模型以得到所述目标用户的第一预测收入；

根据所述第一预测收入设置每月还款额度；

根据所述每月还款额度和用户信用评分生成所述目标用户的信用额度。

本发明实施例的计算机存储介质，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。

计算机可读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服务器上执行。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)。

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)

1.一种用户信用额度的评估方法，其特征在于，包括：

获取目标用户的第一用户信息和用户信用评分；

将所述第一用户信息输入至预先经过训练的神经网络回归预测模型以得到所述目标用户的第一预测收入；

根据所述第一预测收入设置每月还款额度；

根据所述每月还款额度和用户信用评分生成所述目标用户的信用额度。

2.根据权利要求1所述的方法，其特征在于，所述神经网络回归预测模型的训练包括：

获取预设数据库中样本用户的第二用户信息和第一收入信息；

使用所述第二用户信息和第一收入信息训练预设神经网络回归预测模型。

3.根据权利要求2所述的方法，其特征在于，所述获取预设数据库中样本用户的第二用户信息和第一收入信息包括：

获取预设数据库中样本用户的第三用户信息和第二收入信息；

对所述第三用户信息进行特征挖掘以得到第二用户信息；

对所述第二收入信息进行加工和筛选以得到第一收入信息。

4.根据权利要求3所述的方法，其特征在于，所述第二用户信息包括样本用户的基本身份信息、学历信息、资金短信信息、非资金短信信息、设备应用信息和宏观指标信息。

5.根据权利要求3所述的方法，其特征在于，所述对所述第三用户信息进行特征挖掘以得到第二用户信息包括：

对所述第三用户信息进行特征挖掘以得到所述样本用户的第四用户信息，所述第四用户信息包括缺失用户信息；

从所述预设数据库中获取与所述缺失用户信息对应的补全用户信息；

将所述补全用户信息添加至所述第四用户信息以得到第二用户信息。

6.根据权利要求3所述的方法，其特征在于，所述对所述第二收入信息进行加工和筛选以得到第一收入信息包括：

获取所述第二收入信息的每月收入金额、所述每月收入金额的相对标准偏差、获取收入月份数和平均每月收入短信条数；

根据所述每月收入金额和相对标准偏差确定所述样本用户的第三收入信息；

根据所述获取收入月份数和标准偏差确定所述样本用户的收入稳定性；

根据所述获取收入月份数、平均每月收入短信条数和相对标准偏差确定所述样本用户的收入可信度；

根据所述收入稳定性和收入可信度对所述第三收入信息进行筛选以得到第一收入信息。

7.根据权利要求6所述的方法，其特征在于，所述神经网络回归预测模型的验证包括：

将所述第二用户信息输入至所述神经网络回归预测模型以得到所述样本用户的第二预测收入；

根据所述每月收入金额的最大收入金额和最小收入金额确定所述第二预测收入的基准区间；

根据预设的偏离比例获取所述第二预测收入落入所述基准区间的第一比例；

获取所述第二预测收入相对于所述第二收入信息的平均绝对误差；

根据所述第一比例和平均绝对误差验证所述神经网络回归预测模型。

8.一种用户信用额度的评估系统，其特征在于，包括：

信息获取模块，用于获取目标用户的第一用户信息和用户信用评分；

收入获取模块，用于将所述第一用户信息输入至预先经过训练的神经网络回归预测模型以得到所述目标用户的第一预测收入；

额度设置模块，用于根据所述第一预测收入设置每月还款额度；

额度生成模块，用于根据所述每月还款额度和用户信用评分生成所述目标用户的信用额度。

9.一种用户信用额度的评估设备，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中任一所述的方法。

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中任一所述的方法。

Images