CN112347371A - 基于社交文本信息的资源归还增比方法、装置和电子设备 - Google Patents
基于社交文本信息的资源归还增比方法、装置和电子设备 Download PDFInfo
- Publication number
- CN112347371A CN112347371A CN202011132043.7A CN202011132043A CN112347371A CN 112347371 A CN112347371 A CN 112347371A CN 202011132043 A CN202011132043 A CN 202011132043A CN 112347371 A CN112347371 A CN 112347371A
- Authority
- CN
- China
- Prior art keywords
- risk
- word
- words
- resource
- current user
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000013598 vector Substances 0.000 claims abstract description 70
- 238000011156 evaluation Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000007704 transition Effects 0.000 claims description 22
- 230000008901 benefit Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 abstract description 7
- 230000010354 integration Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000005065 mining Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000009795 derivation Methods 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/3332—Query translation
- G06F16/3334—Selection or weighting of terms from queries, including natural language queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种基于社交文本信息的资源归还增比方法、装置和电子设备。该方法包括：建立业务特征词库，该业务特征词库包括词索引、与各词索引相对应的多类特征词及各特征词向量；获取当前用户的社交文本信息，并进行预处理、整合处理和分词处理，生成各词对应的词向量；将所生成的各词向量与所述业务特征词库中的各特征词向量进行查询比对；基于查询比对结果，计算当前用户的社交风险因素评估值；计算当前用户的风险预测值；根据所计算的社交风险因素评估值和风险预测值，确定与当前用户相对应的资源归还增比。本发明的方法显著提升了风险定价的区分能力及业务收益，有效减少了用户流失。
Description
技术领域
本发明涉及计算机信息处理领域，具体而言，涉及一种基于社交文本信息的资源归还增比方法、装置和电子设备。
背景技术
在基于互联网的应用技术中，常常需要在不同的参与方之前进行资源的交换。这里所称的资源是指任何可被利用的物质、信息、金钱、时间等。信息资源包括计算资源和各种类型的数据资源。数据资源包括各个领域中的各种专用数据。资源的流转通常伴随着资源信息的流转，资源的流转过程中，往往需要涉及资源的增长和减少，由此产生资源的增比。例如，当数据资源或计算资源从第一方转移到另一方时，另一方在归还数据资源或计算时，可能需要计算应归还的数据资源或计算资源的增量。
在金融领域中，对于金融资源的使用亦是如此，资源归还增比通常以利率的形式表现。各大银行或其他金融平台授信通过大量用户，授信本身不会产生收益，只有用户在授信后产生动支行为，才会产生经济收益。因此，无论是各大银行还是第三方金融平台，都需要促进注册用户或授信用户的动支率。
目前，各大银行和金融平台通过提高信用额度来促进用户的资源请求行为，提高用户的动支次数，但是，现有技术中对用户金融资源分配后的风险管理较为简单，都是被动式地获取用户是否逾期未还的结果，并在确定出用户逾期后再进行后续的催收或者理赔处理。然而，当用户出现逾期未还的情况时，首先增加了用户风险概率，对金融机构和银行也带来了巨大的资金风险。然而，例如各大银行的资金管理、理财类等的金融产品，通常会根据个人信用和资产情况而制定不同资源分配额度，每个人的信用值、还款能力、违约风险都是不一样的，显然，对于优质用户和非优质用户都使用差别不大的利率定价是不合理的。因此，在针对用户资质实现差别化的利率定价仍存在很大改进空间。
此外，在现有应用于利率定价的机器学习中，通常使用结构化数据作为特征入模，较少使用例如文本类数据，使得社交文本中存在的价值信息被遗漏，对于用户信息数据的认知识别能力有待提高。另外一方面，社交文本数据因其非结构化的特征，在挖掘信息时通常使用人工抽取特征的方式来实现，某些特征挖掘通常存在耗时长、效率低、不够充分等的问题。
因此，有必要提供一种更优化的资源归还增比确定方法。
发明内容
为了解决更有效提供差别化的利率定价、减少用户流失、提升业务收益以及快速有效挖掘社交文本价值数据等问题，本发明提供了一种基于社交文本信息的资源归还增比方法，包括：建立业务特征词库，该业务特征词库包括词索引、与各词索引相对应的多类特征词及各特征词向量，所述多类特征词包括金融资源相关特征词、风险特征词、欺诈特征词；获取当前用户的社交文本信息，对该当前用户的社交文本信息进行预处理、整合处理和分词处理，并生成各词对应的词向量；将所生成的各词向量与所述业务特征词库中的各特征词向量进行查询比对；基于查询比对结果，计算所述当前用户的社交风险因素评估值；计算所述当前用户的风险预测值；根据所计算的社交风险因素评估值和风险预测值，确定与当前用户相对应的资源归还增比。
优选地，所述计算所述当前用户的风险预测值包括：使用下式计算当前用户的RAROC值，将所计算的RAROC值作为风险预测值：
其中，RAROC为风险调整收益，即表示风险调整后的净收益与经济资本的比率；γ为单笔资源使用利率；A为资源配额；EL为风险成本；OC为经营成本；DC为资金成本；EC为经济资本。
优选地，进一步包括：通过量化风险成本来计算用户的风险成本，以得到EL，所述量化风险成本包括计算违约损失率、违约风险值、违约期数、逾期损失率、逾期损失值、逾期期数、用户在违约时或逾期时的资源归还余额及其损失值、以及风险状态变更的风险成本中的至少两个风险指标。
优选地，还包括：构建资源归还增比确定模型，使用训练数据训练该资源归还增比确定模型，所述训练数据包括历史用户的用户特征数据、社交风险因素评估值和金融风险表现数据，所述金融风险表现数据为用户在资源归还期限内风险状态的转移概率；使用训练好的资源归还增比确定模型，计算当前用户的风险状态的转移概率，并将所述转移率作为风险预测值。
优选地，所述将所生成的各词向量与所述业务特征词库中的各特征词向量进行查询比对包括：按照所述词索引，进行查询，并将当前用户的社交文本信息中所有的词与所述业务特征词库中的各词进行相同比对和相似比对，以判断出相同词和相似词及各自的数量。
优选地，所述基于查询比对结果，计算所述当前用户的社交风险因素评估值包括：计算所生成的各词向量与所述金融资源相关特征词、风险特征词、欺诈特征词中的各特征词向量相似度，并将所计算的向量相似度与各特征词的特定阈值进行比较；分别计算向量相似度大于各特征词的特定阈值的词数量或词频率。
优选地，将所计算的各词的词数量或词频率分别与金融资源相关特征词、风险特征词、欺诈特征词相对应的权重相乘，以进行加权求和或者求方差，并将所求值作为当前用户的社交风险因素评估值。
优选地，还包括：根据预定的资源归还增比策略，确定当前用户的最佳资源归还增比。
优选地，所述金融资源相关特征词包括资源时间节点特征词、资源请求特征词和资源归还特征词。
此外，本发明还提供了一种基于社交文本信息的资源归还增比装置，包括：建立模块，其用于建立业务特征词库，该业务特征词库包括词索引、与各词索引相对应的多类特征词及各特征词向量，所述多类特征词包括金融资源相关特征词、风险特征词、欺诈特征词；处理模块，其用于获取当前用户的社交文本信息，对该当前用户的社交文本信息进行预处理、整合处理和分词处理，并生成各词对应的词向量；查询比对模块，其用于将所生成的各词向量与所述业务特征词库中的各特征词向量进行查询比对；第一计算模块，基于查询比对结果，计算所述当前用户的社交风险因素评估值；第二计算模块，其用于计算所述当前用户的风险预测值；确定模块，根据所计算的社交风险因素评估值和风险预测值，确定与当前用户相对应的资源归还增比。
优选地，所述第二计算模块还包括：使用下式计算当前用户的RAROC值，将所计算的RAROC值作为风险预测值：
其中，RAROC为风险调整收益，即表示风险调整后的净收益与经济资本的比率；γ为单笔资源使用利率；A为资源配额；EL为风险成本；OC为经营成本；DC为资金成本；EC为经济资本。
优选地，进一步包括：通过量化风险成本来计算用户的风险成本，以得到EL，所述量化风险成本包括计算违约损失率、违约风险值、违约期数、逾期损失率、逾期损失值、逾期期数、用户在违约时或逾期时的资源归还余额及其损失值、以及风险状态变更的风险成本中的至少两个风险指标。
优选地，还包括模型构建模块，所述模型构建模块用于构建资源归还增比确定模型，使用训练数据训练该资源归还增比确定模型，所述训练数据包括历史用户的用户特征数据、社交风险因素评估值和金融风险表现数据，所述金融风险表现数据为用户在资源归还期限内风险状态的转移概率；使用训练好的资源归还增比确定模型，计算当前用户的风险状态的转移概率，并将所述转移率作为风险预测值。
优选地，还包括判断模块，所述判断模块按照所述词索引，进行查询，并将当前用户的社交文本信息中所有的词与所述业务特征词库中的各词进行相同比对和相似比对，以判断出相同词和相似词及各自的数量。
优选地，所述基于查询比对结果，计算所述当前用户的社交风险因素评估值包括：计算所生成的各词向量与所述金融资源相关特征词、风险特征词、欺诈特征词中的各特征词向量相似度，并将所计算的向量相似度与各特征词的特定阈值进行比较；分别计算向量相似度大于各特征词的特定阈值的词数量或词频率。
优选地，将所计算的各词的词数量或词频率分别与金融资源相关特征词、风险特征词、欺诈特征词相对应的权重相乘，以进行加权求和或者求方差，并将所求值作为当前用户的社交风险因素评估值。
优选地，还包括：根据预定的资源归还增比策略，确定当前用户的最佳资源归还增比。
优选地，所述金融资源相关特征词包括资源时间节点特征词、资源请求特征词和资源归还特征词。
此外，本发明还提供了一种电子设备，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本发明所述的基于社交文本信息的资源归还增比方法。
此外，本发明还提供了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，实现本发明所述的基于社交文本信息的资源归还增比方法。
有益效果
与现有技术相比，本发明的资源归还增比方法通过建立业务特征词库，将社交文本数据应用到风险定价预测中，显著提升了风险定价的区分能力及业务收益，有效减少了用户流失；基于业务特征词库，并通过词向量技术的自动化挖掘特征的特性，能够快速且有效挖掘社交文本价值数据，降低了建模过程中特征衍生的人工介入程度，有效提升了模型应用中用户定价的识别准确度。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚，下面将参照附图详细描述本发明的具体实施例。但需声明的是，下面描述的附图仅仅是本发明本发明示例性实施例的附图，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他实施例的附图。
图1是本发明的实施例1的基于社交文本信息的资源归还增比方法的一示例的流程图。
图2是本发明的实施例1的基于社交文本信息的资源归还增比方法的另一示例的流程图。
图3是本发明的实施例1的基于社交文本信息的资源归还增比方法的又一示例的流程图。
图4是本发明的实施例2的基于社交文本信息的资源归还增比装置的一示例的示意图。
图5是本发明的实施例2的基于社交文本信息的资源归还增比装置的另一示例的示意图。
图6是本发明的实施例2的基于社交文本信息的资源归还增比装置的又一示例的示意图。
图7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。
图8是根据本发明的计算机可读介质的示例性实施例的结构框图。
具体实施方式
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及一或多者的所有组合。
鉴于上述问题，本发明提供了一种基于社交文本信息的资源归还增比方法，该方法能够更有效提供差别化的利率定价、减少用户流失、提升业务收益以及快速有效挖掘社交文本价值数据。
实施例1
下面，将参照图1至图3描述本发明的基于社交文本信息的资源归还增比方法的实施例。
图1为本发明的基于社交文本信息的资源归还增比方法的流程图。如图1所示，一种资源归还增比方法，该方法包括如下步骤。
步骤S101，建立业务特征词库，该业务特征词库包括词索引、与各词索引相对应的多类特征词及各特征词向量，所述多类特征词包括金融资源相关特征词、风险特征词、欺诈特征词。
步骤S102，获取当前用户的社交文本信息，对该当前用户的社交文本信息进行预处理、整合处理和分词处理，并生成各词对应的词向量。
步骤S103，将所生成的各词向量与所述业务特征词库中的各特征词向量进行查询比对。
步骤S104，基于查询比对结果，计算所述当前用户的社交风险因素评估值。
步骤S105，计算所述当前用户的风险预测值。
步骤S106，根据所计算的社交风险因素评估值和风险预测值，确定与当前用户相对应的资源归还增比。
首先，在步骤S101中，建立业务特征词库，该业务特征词库包括词索引、与各词索引相对应的多类特征词及各特征词向量，所述多类特征词包括金融资源相关特征词、风险特征词、欺诈特征词。
在本示例中，获取历史数据，该历史数据包括用户数据、社交文本信息数据、金融表现数据、业务数据等。
如图2所示，还包括筛选筛选与金融产品的业务相关的特征词的步骤S201。
在步骤S201中，根据预设筛选规则，从上述历史数据中筛选与金融产品的业务相关的特征词。其中，筛选规则包括筛选时间、筛选指标等，该筛选指标例如为时间指标、特定时间内的使用频率、交易指标、金融风险指标、欺诈表现指标等。
进一步地，基于所筛选的数据，进行特征词提取。
更进一步地，根据所提取的特征词，建立业务特征词库，以用于特征词的查询比对。
在本示例中，将该业务特征词库添加到自然语言处理词库中，以用于后续文本处理或计算。
需要说明的是，由于增加了业务特征词，因此，提高了在使用NLP自然语言处理中的词向量技术进行文本信息(尤其是社交文本信息)转换成向量的准确度。
具体地，所述业务特征词库包括词索引、与各词索引相对应的多类特征词及各特征词向量，其中，多类特征词包括金融资源相关特征词、风险特征词、欺诈特征词。
在本示例中，基于业务类型，并按照词频自高至低的顺序，建立词索引，以用作查询对照表。例如，根据待查询词及其词向量，通过词索引进行查询。
所述金融资源相关特征词包括资源时间节点特征词、资源请求特征词和资源归还特征词。例如，金融产品的请求节点、注册节点、交易节点、违约节点、归还节点等。
具体地，风险特征词包括与交易、逾期、违约、催收相关的信息词等。例如，交易次数过多、逾期时间(或次数)、违约时间(或次数)等。
进一步地，欺诈特征词用户造假行为词、盗刷标识词、黑名单用户欺诈行为词、虚假信息的资源请求、重复申请行为词等。
需要说明的是，在本示例中，金融产品为金融服务产品、资金管理产品或理财产品等。但是不限于此，上述仅作为示例进行说明，不能理解成对本发明的限制。
接下来，在步骤S102中，获取当前用户的社交文本信息，对该当前用户的社交文本信息进行预处理、整合处理和分词处理，并生成各词对应的词向量。
在本示例中，获取当前用户的社交文本信息，截取特定时间段内的用户的社交文本信息，对所述社交文本信息进行预处理、整合处理和分词处理。
具体地，预处理包括数据清洗，例如去标点符号、停用词、叠词等。
进一步地，将所获取的社交文本信息作整合，将多段或多条文本信息进行拆分或重组处理，例如形成一个字段，或者在形成多个字段的情况下，做符号分隔。
更具体地，例如，用户的社交文本信息中一条文本信息例如为“一次能借多少钱”进行分词处理，将分为“一次(c1)”、“能(c2)”、“借(c3)”、“多少(c4)”、“钱(c5)”5个词，其中，c3、c5是与与金融资源相关特征词。
更进一步地，对分词后的各词进行向量转换，生成各词对应的词向量。
需要说明的是，在本发明中，对于词向量的计算，例如使用Word2vec模型、Bert模型等，不限于此，上述仅作为优选的示例进行说明，不能理解成对本发明的限制。
接下来，在步骤S103中，将所生成的各词向量与所述业务特征词库中的各特征词向量进行查询比对。
具体地，根据所生成的各词向量(例如为维数或者文本长度)，并按照所述词索引，进行查询，进一步确定用于比对的特征词集。
需要说明的是，在本示例中，所述用于比对的特征词集是第一类词集、第二词集和第三类词集，并且第一类词集、第二词集和第三类词集分别与金融资源相关特征词、风险特征词和欺诈特征词相对应。但是不限于此，在其他示例中，可以是第一类词集、第二词集和第三类词集中的至少一个词集。
优选地，将当前用户的社交文本信息中所有的词与所述业务特征词库中的各词进行相同比对和相似比对，以判断出相同词和相似词及各自的数量。
在本示例中，相同比对包括语义相同比对和向量相同比对，而相似比对包括语义相似比对和向量相似比对。
具体地，计算所生成的各词向量与所述金融资源相关特征词、风险特征词、欺诈特征词中的各特征词向量相似度。
如图3所示，还包括设定各类特征词集的特定阈值的步骤S301。
在步骤S301中，设定各类特征词集的设定阈值，以用于是否相似的判断。
在本示例中，将所计算的向量相似度与各特征词的特定阈值进行比较。
具体地，在相似度大于设定阈值(例如为80％)时，确定该词向量对应的词与比对的特征词相似。
由此，完成了对当前用户的社交文本信息的各词与特征词的比对。
接下来，在步骤S104中，基于查询比对结果，计算所述当前用户的社交风险因素评估值。
在本示例中，基于步骤S103的查询比对结果，进行二次计算过程。
具体地，所述二次计算过程包括分别计算向量相似度大于各特征词(即特征词所对应的第一类特征集、第二类特征集或第三类特征集)的特定阈值的词数量或词频率。
优选地，将所计算的各词的词数量或词频率分别与金融资源相关特征词、风险特征词、欺诈特征词相对应的权重相乘，以进行加权求和或者求方差，并将所求值作为当前用户的社交风险因素评估值。
例如，当前用户的社交文本信息包括a段，所确定的相同词和相似词，具体包括c3(即与金融资源相关特征词中的特征词相同或相似的词)、词频为m，c6(即与风险特征词中的特征词相同或相似的词)、词频为n，c8(即与欺诈特征词中的特征词相同或相似的词)、词频为p，设定金融资源相关特征词、风险特征词、欺诈特征词相对应的权重分别为w1、w2和w3，则当前用户的社交风险因素评估值S＝m·c3·w1+n·c6·w2+p·c8·w3。
由此，确定了当前用户的社交风险因素评估值，即完成了对当前用户的社交文本信息中的关键价值信息提取，并将该关键价值信息进行了量化，从而可以使用社交风险因素评估值作为参数或用于后续数据分析应用。
需要说明的是，上述仅作为示例进行说明，不能理解成对本发明的限制。
接下来，在步骤S105中，计算所述当前用户的风险预测值。
在本示例中，使用下式计算当前用户的RAROC值，将所计算的RAROC值作为风险预测值：
其中，RAROC为风险调整收益，即表示风险调整后的净收益与经济资本的比率；γ为单笔资源使用利率；A为资源配额；EL为风险成本；OC为经营成本；DC为资金成本；EC为经济资本。
进一步地，通过量化风险成本来计算用户的风险成本，以得到EL，所述量化风险成本包括计算违约损失率、违约风险值、违约期数、逾期损失率、逾期损失值、逾期期数、用户在违约时或逾期时的资源归还余额及其损失值、以及风险状态变更的风险成本中的至少两个风险指标。
具体地，经济资本(EC)是由商业银行的管理层内部评估而产生的配置给资产或某项业务用以减缓风险冲击的资本。其计算公式为：经济资本＝信用风险的非预期损失+市场风险的非预期损失+操作风险的非预期损失。
优选地，使用计算市场风险的模型(VAR)，计算EC值(即经济资本)，该EC值等于预期损失与非预期损失之和，其中，所述非预期损失包括信用风险的非预期损失、市场风险的非预期损失、操作风险的非预期损失。
需要说明的是，经济资本的一个重要特点，就是它是指所“需要的”资本，“应该有”多少资本，而不是银行实实在在已经拥有的资本。具体地，银行损失＝预期损失(用准备金弥补)+非预期损失(用经济资本弥补)+极端损失(通过压力测试计算)，第一种和第二种损失与第三种损失的临界点称为VAR。
在另一示例中，构建资源归还增比确定模型，计算风险预测值。
在该示例中，建立训练数据集，定义好坏样本，标签为0，1，其中，1表示用户的风险转移概率为Y以上的样本，0表示用户的风险转移概率为小于Y的样本。通常，用户的风险转移概率越接近1，则表示该用户的风险状态的转移概率越大，资金回收越难；用户的风险转移概率越接近0，则表示该用户的风险状态的转移概率越小，资金回收越容易。
具体地，使用训练数据集中训练数据训练该资源归还增比确定模型，所述训练数据包括历史用户的用户特征数据、社交风险因素评估值和金融风险表现数据，其中，所述金融风险表现数据为用户在资源归还期限内风险状态的转移概率。
进一步地，用户特征数据还包括用户基本信息数据、社交信息数据、归还能力数据等。例如，用户基本信息包括年龄、性别、职业等。
优选地，训练数据还包括反应用户在社交网络图中的影响力和重要性的相关数据、是否有房产、月收入、年收入、是否有负债、负债金额、月均消费等相关数据。
优选地，使用训练好的资源归还增比确定模型，计算当前用户的风险状态的转移概率，并将所述转移率作为风险预测值。
需要说明的是，在步骤S105中是计算历史用户的社交风险因素评估值，并且计算社交风险因素评估值的方法与步骤S104中的计算方法相同，因此省略了对其的说明。此外，使用随机森林算法、逻辑回归算法等，构建资源归还增比确定模型。但是不限于此，上述仅作为优选的示例进行说明，不能理解成对本发明的限制。
在又一示例中，对于风险成本的计算方法，基于上述使用模型所计算的转移概率，计算因风险状态变更造成的风险成本，并将该部分的风险成本增加到风险成本(EL)。
由此，能够更准确地预测用户的还款能力及风险情况，以得到更准确的风险成本，得到更准确的风险预测值；在保证特定收益的同时，针对不同用户，能够更准确地提供产品定价。
接下来，在步骤S106中，根据所计算的社交风险因素评估值和风险预测值，确定与当前用户相对应的资源归还增比。
具体地，基于所计算的社交风险因素评估值和风险预测值，进行风险状态预测。
优选地，预设判断规则，以判断用户的风险状态。其中，该判断规则包括设定目标阈值。下面以RAROC值为风险预测值示例，进行说明。
进一步地，判断所计算的RAROC值是否小于目标阈值，其中，在所计算的RAROC值小于目标阈值时，判断当前用户的风险状态没有变更；在所计算的RAROC值大于等于目标阈值时，判断当前用户的风险状态有变更。
在本示例中，根据风险状态判断结果，确定当前风险性状态，并根据预定的资源归还增比策略，确定当前用户的最佳资源归还增比。
具体地，所述预定的资源归还增比策略包括在不同阈值范围内RAROC值与资源归还增比的对应关系。由此，能够针对不同用户提供差异化的资源归还增比。
在另一示例中，还包括定期判断用户的风险状态，调整或更新所述用户的资源归还增比。
具体地，定期判断用户的风险状态，调整或更新所述用户的资源归还增比。
例如，对于大于特定资源配额的用户，每隔两个归还期数，计算一次用户的RAROC值，并基于RAROC值确定风险状态是否发生变更，再基于用户的风险状态变化，调整或更新所述用户的资源归还增比。
需要说明的是，上述仅作为优选示例进行说明，不能理解成对本发明的限制。
本领域技术人员可以理解，实现上述实施例的全部或部分步骤被实现为由计算机数据处理设备执行的程序(计算机程序)。在该计算机程序被执行时，可以实现本发明提供的上述方法。而且，所述的计算机程序可以存储于计算机可读存储介质中，该存储介质可以是磁盘、光盘、ROM、RAM等可读存储介质，也可以是多个存储介质组成的存储阵列，例如磁盘或磁带存储阵列。所述的存储介质不限于集中式存储，其也可以是分布式存储，例如基于云计算的云存储。
与现有技术相比，本发明的资源归还增比方法通过建立业务特征词库，将社交文本数据应用到风险定价预测中，显著提升了风险定价的区分能力及业务收益，有效减少了用户流失；通过词向量技术的自动化挖掘特征的特性，能够快速且有效挖掘社交文本价值数据，降低了建模过程中特征衍生的人工介入程度，有效提升了模型应用中用户定价的识别准确度。
实施例2
下面描述本发明的装置实施例，该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节，应视为对于上述方法实施例的补充；对于在本发明装置实施例中未披露的细节，可以参照上述方法实施例来实现。
参照图4、图5和图6，本发明还提供了一种基于社交文本信息的资源归还增比装置400，包括：建立模块401，其用于建立业务特征词库，该业务特征词库包括词索引、与各词索引相对应的多类特征词及各特征词向量，所述多类特征词包括金融资源相关特征词、风险特征词、欺诈特征词；处理模块402，其用于获取当前用户的社交文本信息，对该当前用户的社交文本信息进行预处理、整合处理和分词处理，并生成各词对应的词向量；查询比对模块403，其用于将所生成的各词向量与所述业务特征词库中的各特征词向量进行查询比对；第一计算模块404，基于查询比对结果，计算所述当前用户的社交风险因素评估值；第二计算模块405，其用于计算所述当前用户的风险预测值；确定模块406，根据所计算的社交风险因素评估值和风险预测值，确定与当前用户相对应的资源归还增比。
优选地，所述第二计算模块405还包括：
使用下式计算当前用户的RAROC值，将所计算的RAROC值作为风险预测值：
其中，RAROC为风险调整收益，即表示风险调整后的净收益与经济资本的比率；γ为单笔资源使用利率；A为资源配额；EL为风险成本；OC为经营成本；DC为资金成本；EC为经济资本。
优选地，进一步包括：通过量化风险成本来计算用户的风险成本，以得到EL，所述量化风险成本包括计算违约损失率、违约风险值、违约期数、逾期损失率、逾期损失值、逾期期数、用户在违约时或逾期时的资源归还余额及其损失值、以及风险状态变更的风险成本中的至少两个风险指标。
如图5所示，还包括模型构建模块501，所述模型构建模块501用于构建资源归还增比确定模型，使用训练数据训练该资源归还增比确定模型，所述训练数据包括历史用户的用户特征数据、社交风险因素评估值和金融风险表现数据，所述金融风险表现数据为用户在资源归还期限内风险状态的转移概率。
进一步地，使用训练好的资源归还增比确定模型，计算当前用户的风险状态的转移概率，并将所述转移率作为风险预测值。
如图6所示，还包括判断模块601，所述判断模块601按照所述词索引，进行查询，并将当前用户的社交文本信息中所有的词与所述业务特征词库中的各词进行相同比对和相似比对，以判断出相同词和相似词及各自的数量。
优选地，所述基于查询比对结果，计算所述当前用户的社交风险因素评估值包括：计算所生成的各词向量与所述金融资源相关特征词、风险特征词、欺诈特征词中的各特征词向量相似度，并将所计算的向量相似度与各特征词的特定阈值进行比较；分别计算向量相似度大于各特征词的特定阈值的词数量或词频率。
优选地，将所计算的各词的词数量或词频率分别与金融资源相关特征词、风险特征词、欺诈特征词相对应的权重相乘，以进行加权求和或者求方差，并将所求值作为当前用户的社交风险因素评估值。
优选地，还包括：根据预定的资源归还增比策略，确定当前用户的最佳资源归还增比。
优选地，所述金融资源相关特征词包括资源时间节点特征词、资源请求特征词和资源归还特征词。
需要说明的是，在实施例2中，省略了与实施例1相同的部分的说明。
本领域技术人员可以理解，上述装置实施例中的各模块可以按照描述分布于装置中，也可以进行相应变化，分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
与现有技术相比，本发明的资源归还增比装置通过建立业务特征词库，将社交文本数据应用到风险定价预测中，显著提升了风险定价的区分能力及业务收益，有效减少了用户流失；通过词向量技术的自动化挖掘特征的特性，能够快速且有效挖掘社交文本价值数据，降低了建模过程中特征衍生的人工介入程度，有效提升了模型应用中用户定价的识别准确度。
实施例3
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7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7来描述根据本发明该实施例的的电子设备200。图7显示的电子设备200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，电子设备200以通用计算设备的形式表现。电子设备200的组件可以包括但不限于：至少一个处理单元210、至少一个存储单元220、连接不同系统组件(包括存储单元220和处理单元210)的总线230、显示单元240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210执行，使得所述处理单元210执行本说明书上述电子设备的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步骤。例如，所述处理单元210可以执行如图1所示的步骤。
所述存储单元220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)2201和/或高速缓存存储单元2202，还可以进一步包括只读存储单元(ROM)2203。
所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204，这样的程序模块2205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230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200也可以与一个或多个外部设备300(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200交互的设备通信，和/或与使得该电子设备200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250进行。并且，电子设备200还可以通过网络适配器260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260可以通过总线230与电子设备200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200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。
如图8所示，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。
所述计算机可读存储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，其中承载了可读程序代码。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。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 (10)
1.一种基于社交文本信息的资源归还增比方法，其特征在于，包括：
建立业务特征词库，该业务特征词库包括词索引、与各词索引相对应的多类特征词及各特征词向量，所述多类特征词包括金融资源相关特征词、风险特征词、欺诈特征词；
获取当前用户的社交文本信息，对该当前用户的社交文本信息进行预处理、整合处理和分词处理，并生成各词对应的词向量；
将所生成的各词向量与所述业务特征词库中的各特征词向量进行查询比对；
基于查询比对结果，计算所述当前用户的社交风险因素评估值；
计算所述当前用户的风险预测值；
根据所计算的社交风险因素评估值和风险预测值，确定与当前用户相对应的资源归还增比。
2.根据权利要求1所述的资源归还增比方法，其特征在于，所述计算所述当前用户的风险预测值包括：
使用下式计算当前用户的RAROC值，将所计算的RAROC值作为风险预测值：
其中，RAROC为风险调整收益，即表示风险调整后的净收益与经济资本的比率；γ为单笔资源使用利率；A为资源配额；EL为风险成本；OC为经营成本；DC为资金成本；EC为经济资本。
3.根据权利要求1-2中任一项所述的资源归还增比方法，其特征在于，进一步包括：
通过量化风险成本来计算用户的风险成本，以得到EL，所述量化风险成本包括计算违约损失率、违约风险值、违约期数、逾期损失率、逾期损失值、逾期期数、用户在违约时或逾期时的资源归还余额及其损失值、以及风险状态变更的风险成本中的至少两个风险指标。
4.根据权利要求1-3中任一项所述的资源归还增比方法，其特征在于，还包括：
构建资源归还增比确定模型，使用训练数据训练该资源归还增比确定模型，所述训练数据包括历史用户的用户特征数据、社交风险因素评估值和金融风险表现数据，所述金融风险表现数据为用户在资源归还期限内风险状态的转移概率；
使用训练好的资源归还增比确定模型，计算当前用户的风险状态的转移概率，并将所述转移率作为风险预测值。
5.根据权利要求1-4中任一项所述的资源归还增比方法，其特征在于，所述将所生成的各词向量与所述业务特征词库中的各特征词向量进行查询比对包括：
按照所述词索引，进行查询，并将当前用户的社交文本信息中所有的词与所述业务特征词库中的各词进行相同比对和相似比对，以判断出相同词和相似词及各自的数量。
6.根据权利要求1-5中任一项所述的资源归还增比方法，其特征在于，所述基于查询比对结果，计算所述当前用户的社交风险因素评估值包括：
计算所生成的各词向量与所述金融资源相关特征词、风险特征词、欺诈特征词中的各特征词向量相似度，并将所计算的向量相似度与各特征词的特定阈值进行比较；
分别计算向量相似度大于各特征词的特定阈值的词数量或词频率。
7.根据权利要求1-6中任一项所述的资源归还增比方法，其特征在于，
将所计算的各词的词数量或词频率分别与金融资源相关特征词、风险特征词、欺诈特征词相对应的权重相乘，以进行加权求和或者求方差，并将所求值作为当前用户的社交风险因素评估值。
8.一种基于社交文本信息的资源归还增比装置，其特征在于，包括：
建立模块，其用于建立业务特征词库，该业务特征词库包括词索引、与各词索引相对应的多类特征词及各特征词向量，所述多类特征词包括金融资源相关特征词、风险特征词、欺诈特征词；
处理模块，其用于获取当前用户的社交文本信息，对该当前用户的社交文本信息进行预处理、整合处理和分词处理，并生成各词对应的词向量；
查询比对模块，其用于将所生成的各词向量与所述业务特征词库中的各特征词向量进行查询比对；
第一计算模块，基于查询比对结果，计算所述当前用户的社交风险因素评估值；
第二计算模块，其用于计算所述当前用户的风险预测值；
确定模块，根据所计算的社交风险因素评估值和风险预测值，确定与当前用户相对应的资源归还增比。
9.一种电子设备，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1-7中任一项所述的基于社交文本信息的资源归还增比方法。
10.一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1-7中任一项所述的基于社交文本信息的资源归还增比方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011132043.7A CN112347371A (zh) | 2020-10-21 | 2020-10-21 | 基于社交文本信息的资源归还增比方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011132043.7A CN112347371A (zh) | 2020-10-21 | 2020-10-21 | 基于社交文本信息的资源归还增比方法、装置和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112347371A true CN112347371A (zh) | 2021-02-09 |
Family
ID=74359524
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011132043.7A Pending CN112347371A (zh) | 2020-10-21 | 2020-10-21 | 基于社交文本信息的资源归还增比方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112347371A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106547738A (zh) * | 2016-11-02 | 2017-03-29 | 北京亿美软通科技有限公司 | 一种基于文本挖掘的金融类逾期短信智能判别方法 |
| CN110134948A (zh) * | 2019-04-23 | 2019-08-16 | 北京淇瑀信息科技有限公司 | 一种基于文本数据的金融风险控制方法、装置和电子设备 |
| CN110399385A (zh) * | 2019-06-24 | 2019-11-01 | 厦门市美亚柏科信息股份有限公司 | 一种用于小数据集的语义分析方法和系统 |
| CN110599335A (zh) * | 2019-09-27 | 2019-12-20 | 北京淇瑀信息科技有限公司 | 一种基于多模型的用户金融风险评估方法和装置 |
| CN110796542A (zh) * | 2019-09-26 | 2020-02-14 | 北京淇瑀信息科技有限公司 | 金融风险控制方法、金融风险控制装置和电子设备 |
-
2020
- 2020-10-21 CN CN202011132043.7A patent/CN112347371A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106547738A (zh) * | 2016-11-02 | 2017-03-29 | 北京亿美软通科技有限公司 | 一种基于文本挖掘的金融类逾期短信智能判别方法 |
| CN110134948A (zh) * | 2019-04-23 | 2019-08-16 | 北京淇瑀信息科技有限公司 | 一种基于文本数据的金融风险控制方法、装置和电子设备 |
| CN110399385A (zh) * | 2019-06-24 | 2019-11-01 | 厦门市美亚柏科信息股份有限公司 | 一种用于小数据集的语义分析方法和系统 |
| CN110796542A (zh) * | 2019-09-26 | 2020-02-14 | 北京淇瑀信息科技有限公司 | 金融风险控制方法、金融风险控制装置和电子设备 |
| CN110599335A (zh) * | 2019-09-27 | 2019-12-20 | 北京淇瑀信息科技有限公司 | 一种基于多模型的用户金融风险评估方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN111199474B (zh) | 一种基于双方网络图数据的风险预测方法、装置和电子设备 | |
| CN110378786B (zh) | 模型训练方法、违约传导风险识别方法、装置及存储介质 | |
| CN111340616B (zh) | 线上贷款的审批方法、装置、设备及介质 | |
| CN111222976B (zh) | 一种基于双方网络图数据的风险预测方法、装置和电子设备 | |
| CN112270547A (zh) | 基于特征构造的金融风险评估方法、装置和电子设备 | |
| US20110166979A1 (en) | Connecting decisions through customer transaction profiles | |
| CN111967954A (zh) | 一种资源归还增比确定方法、装置和电子设备 | |
| CN111371767A (zh) | 恶意账号识别方法、恶意账号识别装置、介质及电子设备 | |
| CN112017042A (zh) | 基于tweedie分布的资源配额确定方法、装置和电子设备 | |
| CN111179055A (zh) | 授信额度调整方法、装置和电子设备 | |
| CN113570222A (zh) | 一种用户设备鉴别方法、装置和计算机设备 | |
| CN113554504A (zh) | 一种车贷风控模型生成方法、装置及评分卡生成方法 | |
| CN112950347A (zh) | 资源数据处理的优化方法及装置、存储介质、终端 | |
| WO2023185125A1 (zh) | 产品资源的数据处理方法及装置、电子设备、存储介质 | |
| CN112446777A (zh) | 一种信用评估方法、装置、设备及存储介质 | |
| CN113469818B (zh) | 投资风险预警方法、装置、电子设备及计算机可读介质 | |
| TWI792101B (zh) | 基於確定值及預測值的數據定量化方法 | |
| CN115545753A (zh) | 一种基于贝叶斯算法的合作伙伴预测方法及相关设备 | |
| CN112347371A (zh) | 基于社交文本信息的资源归还增比方法、装置和电子设备 | |
| CN111429257B (zh) | 一种交易监控方法和装置 | |
| CN110362981B (zh) | 基于可信设备指纹判断异常行为的方法及系统 | |
| CN113568739A (zh) | 用户资源额度分配方法、装置及电子设备 | |
| CN113159937A (zh) | 识别风险的方法、装置和电子设备 | |
| CN112015975B (zh) | 基于牛顿冷却定律的面向金融用户的信息推送方法及装置 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: Room 1109, No. 4, Lane 800, Tongpu Road, Putuo District, Shanghai, 200062 Applicant after: Shanghai Qiyue Information Technology Co.,Ltd. Address before: Room a2-8914, 58 Fumin Branch Road, Hengsha Township, Chongming District, Shanghai, 201500 Applicant before: Shanghai Qiyue Information Technology Co.,Ltd. Country or region before: China |