CN112508687A - 一种ai信用评价方法、系统、电了设备及存储介质 - Google Patents
一种ai信用评价方法、系统、电了设备及存储介质 Download PDFInfo
- Publication number
- CN112508687A CN112508687A CN202011502576.XA CN202011502576A CN112508687A CN 112508687 A CN112508687 A CN 112508687A CN 202011502576 A CN202011502576 A CN 202011502576A CN 112508687 A CN112508687 A CN 112508687A
- Authority
- CN
- China
- Prior art keywords
- data
- credit
- information
- user
- evaluation
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 77
- 238000011835 investigation Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000013210 evaluation model Methods 0.000 claims abstract description 20
- 238000005516 engineering process Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 17
- 230000006399 behavior Effects 0.000 claims description 9
- 238000013475 authorization Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 description 40
- 238000000034 method Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000002093 peripheral effect Effects 0.000 description 4
- 241000239290 Araneae Species 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000013515 script Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 241000282813 Aepyceros melampus Species 0.000 description 1
- 241000353097 Molva molva Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
-
- 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
- G06F16/951—Indexing; Web crawling techniques
-
- 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
- G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
- G06F16/9566—URL specific, e.g. using aliases, detecting broken or misspelled links
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种AI信用评价方法,包括:获取并确认用户基础资料;收集用户的互联网征信数据;根据预设的AI算法,将互联网征信数据的多个维度信息组合成信用评估子模型;将信用评估子模型组合成信用评估模型集合;根据预设的信用场景,结合信用评估模型集合,并运用预设的AI算法,计算用户信用评分,获得评估报告;根据评估报告评价用户信用级别。基于网络爬虫自动收集数据,保障数据的及时性,省事省力;基于AI数据科学计算平台自动计算用户的征信的分值;基于数据维度,子模型,模型,使用场景的金融评价体系;通过大数据处理平台,处理海量维度的数据,科学快速的计算评价分值;减少人工处理工作,提高工作效率。
Description
技术领域
本发明涉及互联网大数据技术领域,特别是涉及一种AI信用评价方法、系统、电子设备及存储介质。
背景技术
金融信贷也称金融贷款,指企事业单位和居民从金融机构得到的对最终产品需求的贷款。金融贷款对于众多行业项目的信贷支持,开发新的信贷品种,拓宽服务领域,有着重要的作用。
近年来国内个人信贷市场迅速发展,传统金融机构、P2P、电商、小额贷款公司等纷纷将目光投向个人消费领域,随着越来越多的金融业务互联网化,欺诈手段也层出不穷,信息不对称、不透明,给个人信贷市场带来了大量的多头负债风险和欺诈风险,因此利用大数据征信创新和提高风控能力成为整个金融业关注与探讨的重要话题。
目前国内的大部分的小微金融机构困于人才与资金不足,不具备线上的技术开发能力,还在使用传统的线下收集资料方式,线下人员通过收集的资料进行归类,通过简单的数学计算公式来得到相应的分值,通过分值的高低来评级贷款用户的信用高低。
发明内容
鉴于上述问题,提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种AI信用评价方法、系统、电子设备及存储介质。
为了解决上述问题,本发明实施例公开了一种AI信用评价方法,包括:
获取并确认用户基础资料;
根据所述用户基础资料,基于网络爬虫技术,收集用户的互联网征信数据;
根据预设的AI算法,将所述互联网征信数据的多个维度信息组合成信用评估子模型;
将所述信用评估子模型组合成信用评估模型集合;
根据预设的信用场景,结合所述信用评估模型集合,并运用所述预设的AI算法,计算用户信用评分,获得评估报告;
根据评估报告评价用户信用级别。
进一步的,所述获取并确认用户基础资料之前,还包括获取用户授权。
优选的,所述获取并确认用户基础资料,包括:通过与公安系统对接,获取并确认包含用户实名信息的基础资料。
优选的,所述根据所述用户基础资料,基于网络爬虫技术,收集用户的互联网征信数据,包括:收集主要包含个人身份信息、个人消费相关数据、银行持卡人数据、互联网用户及行为信息、司法被执行信息、借贷黑名单高风险客户名单、航旅信息、位置信息的多个维度的互联网征信数据。
优选的,所述个人身份信息,包括个人基本信息、教育学历信息、驾驶证信息;
所述个人消费相关数据,包括资产信息、兴趣爱好、电商注册行为;
所述银行持卡人数据,包括POS交易信息、个人借贷卡账单信息、线上线下支付数据;
所述互联网用户及行为信息,包括:APP浏览数据、WEB浏览数据、地理位置信息;
所述司法被执行信息,包括裁判文书信息、履约被执行信息、失信行为信息;
所述借贷黑名单高风险客户名单,包括传统金融、互联网金融;
所述航旅信息,包括出行频率、票务信息;
所述位置信息,包括实时位置、常用地址、出行轨迹。
进一步的,所述根据所述用户基础资料,基于网络爬虫技术,收集用户的互联网征信数据,还包括:
运用所述网络爬虫技术,通过分布式数据查询,获取第一信息数据;
根据预设的AI算法,对所述第一信息数据进行加工,获得所述用户的互联网征信数据,并进行分布式存储。
优选的,所述运用所述网络爬虫技术,通过分布式数据查询,自动获取第一信息数据,包括:
通过大数据分布式计算平台,运行大数据分布式查询引擎,从互联网上进行数据查询。
本发明实施例还公开了一种AI信用评价系统,包括:
用户基础程序模块,用于获取并确认用户基础资料;
数据收集程序模块,用于根据所述用户基础资料,基于网络爬虫技术,收集用户的互联网征信数据;
数据计算程序模块,用于根据预设的AI算法,将所述互联网征信数据的多个维度信息组合成信用评估子模型;
模型处理程序模块,用于将所述信用评估子模型组合成信用评估模型集合;
信用评估程序模块,用于根据预设的信用场景,结合所述信用评估模型集合,并运用所述预设的AI算法,计算用户信用评分,获得评估报告;
信用评价程序模块,用于根据评估报告评价用户信用级别。
本发明实施例还公开了一种电子设备,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现所述的AI信用评价方法的步骤。
本发明实施例还公开了一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现所述的AI信用评价方法的步骤。
本发明实施例包括以下优点:
(1)基于Pyhton网络爬虫自动收集数据,保障数据的及时性,省事省力;
(2)基于AI数据科学计算平台自动计算用户的征信的分值;
(3)基于数据维度,子模型,模型,使用场景的金融评价体系;
(4)处理海量维度的数据,科学快速的计算评价分值;
(5)减少人工处理工作,提高工作效率。
附图说明
图1是本发明的AI信用评价方法实施例的步骤流程图;
图2是本发明的AI信用评价方法实施例的大数据处理框图;
图3是本发明的AI信用评价方法实施例的一种计算机设备框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本申请涉及的英文缩写说明如下:
AI(Artificial Intelligence,人工智能);POS(point of sale,销售终端);
WEB(World Wide Web,全球广域网);APP(Application,应用程序);
P2P(peer to peer lending或peer-to-peer,点对点);
URL(uniform resource locator,统一资源定位系统);
PB(Petabyte,拍字节);TB(Terabyte,太字节);
HDFS(Hadoop Distributed File System,分布式文件系统);
ISA(Industry Standard Architecture,工业标准体系结构);
MAC(Media Access Control,介质访问控制);
VESA(Video Electronics Standards Association,视频电子标准协会);
PCI(Peripheral Component Interconnect,外设部件互连标准);
RAM(Random Access Memory,随机存取存储器);
CD-ROM(Compact Disc Read-Only Memory,只读光盘);
DVD-ROM(Digital Video Disc-Read Only Memory,数字视盘);
I/O(Input/Output,输入/输出);LAN(Local Area Network,局域网);
WAN(Wide Area Network,广域网);
RAID(Redundant Arrays of Independent Disks,磁盘阵列);
ROM(Read-Only Memory,只读存储器);
EPROM(Erasable Programmable Read-Only Memory,可擦除可编程只读存储器)。
本发明实施例的核心构思之一在于,基于Pyhton网络爬虫自动收集数据,保障数据的及时性,省事省力;基于AI数据科学计算平台自动计算用户的征信的分值;基于数据维度,子模型,模型,使用场景的金融评价体系;通过大数据处理平台,处理海量维度的数据,科学快速的计算评价分值;减少人工处理工作,提高工作效率。
参照图1,示出了本发明的一种AI信用评价方法的步骤流程图,具体可以包括如下步骤:
S100、获取并确认用户基础资料;
S200、根据所述用户基础资料,基于网络爬虫技术,收集用户的互联网征信数据;
S300、根据预设的AI算法,将所述互联网征信数据的多个维度信息组合成信用评估子模型;
S400、将所述信用评估子模型组合成信用评估模型集合;
S500、根据预设的信用场景,结合所述信用评估模型集合,并运用所述预设的AI算法,计算用户信用评分,获得评估报告;
S600、根据评估报告评价用户信用级别备。
本实施例中,包括:
S100、获取并确认用户基础资料;其中,在步骤S100之前,还包括获取用户授权,例如,贷款用户、个体等线上简易填写基础资料,同意征信授权书确认;在步骤S100中,包括,通过与公安系统对接,获取并确认包含用户实名信息的基础资料。
S200、根据所述用户基础资料,基于网络爬虫技术,收集用户的互联网征信数据;在步骤S200中,所述收集用户的互联网征信数据包括,收集主要包含个人身份信息、个人消费相关数据、银行持卡人数据、互联网用户及行为信息、司法被执行信息、借贷黑名单高风险客户名单、航旅信息、位置信息的多个维度的互联网征信数据,具体的,所述个人身份信息,包括个人基本信息、教育学历信息、驾驶证信息;所述个人消费相关数据,包括资产信息、兴趣爱好、电商注册行为;所述银行持卡人数据,包括POS交易信息、个人借贷卡账单信息、线上线下支付数据;所述互联网用户及行为信息,包括:APP浏览数据、WEB浏览数据、地理位置信息;所述司法被执行信息,包括裁判文书信息、履约被执行信息、失信行为信息;所述借贷黑名单高风险客户名单,包括传统金融、互联网金融;所述航旅信息,包括出行频率、票务信息;所述位置信息,包括实时位置、常用地址、出行轨迹。
在步骤S200中,还包括,运用所述网络爬虫技术,通过分布式数据查询,获取第一信息数据;根据预设的AI算法,对所述第一信息数据进行加工,获得所述用户的互联网征信数据,并进行分布式存储,具体的,通过大数据分布式计算平台,运行大数据分布式查询引擎,从互联网上进行数据查询。
本发明的有益效果为:基于Pyhton网络爬虫自动收集数据,保障数据的及时性,省事省力;基于AI数据科学计算平台自动计算用户的征信的分值;基于数据维度,子模型,模型,使用场景的金融评价体系;通过大数据处理平台,处理海量维度的数据,科学快速的计算评价分值;减少人工处理工作,提高工作效率。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
本发明的实施例中,还公开了一种AI信用评价系统,包括:
用户基础程序模块,用于获取并确认用户基础资料;
数据收集程序模块,用于根据所述用户基础资料,基于网络爬虫技术,收集用户的互联网征信数据;
数据计算程序模块,用于根据预设的AI算法,将所述互联网征信数据的多个维度信息组合成信用评估子模型;
模型处理程序模块,用于将所述信用评估子模型组合成信用评估模型集合;
信用评估程序模块,用于根据预设的信用场景,结合所述信用评估模型集合,并运用所述预设的AI算法,计算用户信用评分,获得评估报告;
信用评价程序模块,用于根据评估报告评价用户信用级别。
另一实施例中,包括:
用户基础程序模块,用于获取并确认用户基础资料;其中,贷款用户、个体等线上简易填写基础资料,同意征信授权书确认;通过与公安系统对接,获取并确认包含用户实名信息的基础资料。
数据收集程序模块,用于根据所述用户基础资料,基于网络爬虫技术,收集用户的互联网征信数据;网络爬虫就是按照一定的规则,自动的从网络中抓取信息的程序或者脚本。万维网就像一个巨大的蜘蛛网,所述爬虫就是上面的一个蜘蛛,不断的去抓取我们需要的信息。传统爬虫从一个或若干初始网页的URL开始,获得初始网页上的URL,在抓取网页的过程中,不断从当前页面上抽取新的URL放入队列,直到满足系统的一定停止条件。本方案中,征信爬虫的工作流程较为复杂,需要根据一定的网页分析算法过滤与主题无关的链接,保留有用的链接并将其放入等待抓取的URL队列。然后将根据一定的搜索策略从队列中选择下一步要抓取的网页URL,并重复上述过程,直到达到系统的某一条件时停止。
Python是一种计算机程序设计语言,是一种动态的、面向对象的脚本语言。Python最初被设计用于编写自动化脚本(Shell),随着版本的不断更新和语言新功能的添加,越来越多被用于独立的、大型项目的开发。因为Python的脚本特性,Python易于配置,对字符的处理也非常灵活,Python有丰富的网络抓取模块,由于Python的特性,本方案优选使用Python使用其作为爬虫的技术实现语言。
数据计算程序模块,用于根据预设的AI算法,将所述互联网征信数据的多个维度信息组合成信用评估子模型;人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。机器学习是人工智能的核心,是使计算机具有智能的根本途径。这是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。本方案中,需要处理的信息量巨大,而且各个因素之间往往存在相互作用错综复杂的关系,从而使得找到最优决策的难度极大。大数据技术能把现实业务场景用数据去描述,机器学习技术能深度挖掘这些数据的价值,为商业决策提供量化参考依据。
模型处理程序模块,用于将所述信用评估子模型组合成信用评估模型集合;信用评估程序模块,用于根据预设的信用场景,结合所述信用评估模型集合,并运用所述预设的AI算法,计算用户信用评分,获得评估报告;信用评价程序模块,用于根据评估报告评价用户信用级别。
本方案中,通过大数据处理技术,收集、整理、处理大容量数据集。虽然处理数据所需的计算能力或存储容量早已超过一台计算机的上限,但这种计算类型的普遍性、规模,以及价值在最近几年才经历了大规模扩展。处理的数据规模在TB或者PB级别,远远超过目前传统数据库的存储容量;本方案中运用的大数据处理包括:本大数据分布式文件存储系统、大数据分布式计算平台、大数据分布式查询引擎等,如图2所示,大数据分布式文件存储系统、大数据分布式计算平台、大数据分布式查询引擎等;其中,基于HDFS分布式存储系统,存储PB级别的海量数据,具有高可用、高容错性、可扩展性的优点;且现有的存储技术,使用磁盘阵列很容易实现具有高可用性、高容错性、可扩展性的PB级别的存储。针对金融性数据的安全性要求,做好异地数据备份,防止在出现异常情况时的数据丢失。
基于Spark分布式计算平台,使用内存计算模型的先进技术,具有海量数据的计算能力;基于Impala分布式查询引擎,使用内存计算模型的先进技术,具有海量数据快速响应查询的能力,响应时间可以达到亚秒级别。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
参照图3,在本发明实施例中,本发明还提供一种计算机设备,上述计算机设备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18结构中的一种或多种,包括存储器总线18或者存储器控制器,外围总线18,图形加速端口,处理器或者使用多种总线18结构中的任意总线18结构的局域总线18。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18,微通道体系结构(MAC)总线18,增强型ISA总线18、音视频电子标准协会(VESA)局域总线18以及外围组件互连(PCI)总线18。
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)31和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。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(通常称为“硬盘驱动器”)。尽管图3中未示出,可以提供用于对可移动非易失性磁盘(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或者其他光介质)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42,这些程序模块42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41,可以存储在例如存储器中,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、其他程序模块42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、摄像头等)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21通过总线18与计算机设备12的其他模块通信。应当明白,尽管图中未示出,可以结合计算机设备12使用其他硬件和/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16、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34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AI信用评价方法。
即上述处理单元16执行上述程序时实现:获取并确认用户基础资料;根据所述用户基础资料,基于网络爬虫技术,收集用户的互联网征信数据;根据预设的AI算法,将所述互联网征信数据的多个维度信息组合成信用评估子模型;将所述信用评估子模型组合成信用评估模型集合;根据预设的信用场景,结合所述信用评估模型集合,并运用所述预设的AI算法,计算用户信用评分,获得评估报告;根据评估报告评价用户信用级别。
在本发明实施例中,本发明还提供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实施例提供的AI信用评价方法。
也即,给程序被处理器执行时实现:获取并确认用户基础资料;根据所述用户基础资料,基于网络爬虫技术,收集用户的互联网征信数据;根据预设的AI算法,将所述互联网征信数据的多个维度信息组合成信用评估子模型;将所述信用评估子模型组合成信用评估模型集合;根据预设的信用场景,结合所述信用评估模型集合,并运用所述预设的AI算法,计算用户信用评分,获得评估报告;根据评估报告评价用户信用级别。
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。
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,上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++、Python,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者服务器上执行。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)。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种AI信用评价方法和一种AI信用评价系统,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种AI信用评价方法,其特征在于,包括:
获取并确认用户基础资料;
根据所述用户基础资料,基于网络爬虫技术,收集用户的互联网征信数据;
根据预设的AI算法,将所述互联网征信数据的多个维度信息组合成信用评估子模型;
将所述信用评估子模型组合成信用评估模型集合;
根据预设的信用场景,结合所述信用评估模型集合,并运用所述预设的AI算法,计算用户信用评分,获得评估报告;
根据评估报告评价用户信用级别。
2.根据权利要求1所述的AI信用评价方法,其特征在于,所述获取并确认用户基础资料之前,还包括获取用户授权。
3.根据权利要求1所述的AI信用评价方法,其特征在于,所述获取并确认用户基础资料,包括:通过与公安系统对接,获取并确认包含用户实名信息的基础资料。
4.根据权利要求1所述的AI信用评价方法,其特征在于,所述根据所述用户基础资料,基于网络爬虫技术,收集用户的互联网征信数据,包括:收集主要包含个人身份信息、个人消费相关数据、银行持卡人数据、互联网用户及行为信息、司法被执行信息、借贷黑名单高风险客户名单、航旅信息、位置信息的多个维度的互联网征信数据。
5.根据权利要求4所述的AI信用评价方法,其特征在于,所述个人身份信息,包括个人基本信息、教育学历信息、驾驶证信息;
所述个人消费相关数据,包括资产信息、兴趣爱好、电商注册行为;
所述银行持卡人数据,包括POS交易信息、个人借贷卡账单信息、线上线下支付数据;
所述互联网用户及行为信息,包括:APP浏览数据、WEB浏览数据、地理位置信息;
所述司法被执行信息,包括裁判文书信息、履约被执行信息、失信行为信息;
所述借贷黑名单高风险客户名单,包括传统金融、互联网金融;
所述航旅信息,包括出行频率、票务信息;
所述位置信息,包括实时位置、常用地址、出行轨迹。
6.根据权利要求4所述的AI信用评价方法,其特征在于,所述根据所述用户基础资料,基于网络爬虫技术,收集用户的互联网征信数据,还包括:
运用所述网络爬虫技术,通过分布式数据查询,获取第一信息数据;
根据预设的AI算法,对所述第一信息数据进行加工,获得所述用户的互联网征信数据,并进行分布式存储。
7.根据权利要求6所述的AI信用评价方法,其特征在于,所述运用所述网络爬虫技术,通过分布式数据查询,自动获取第一信息数据,包括:
通过大数据分布式计算平台,运行大数据分布式查询引擎,从互联网上进行数据查询。
8.一种AI信用评价系统,其特征在于,包括:
用户基础程序模块,用于获取并确认用户基础资料;
数据收集程序模块,用于根据所述用户基础资料,基于网络爬虫技术,收集用户的互联网征信数据;
数据计算程序模块,用于根据预设的AI算法,将所述互联网征信数据的多个维度信息组合成信用评估子模型;
模型处理程序模块,用于将所述信用评估子模型组合成信用评估模型集合;
信用评估程序模块,用于根据预设的信用场景,结合所述信用评估模型集合,并运用所述预设的AI算法,计算用户信用评分,获得评估报告;
信用评价程序模块,用于根据评估报告评价用户信用级别。
9.电子设备,其特征在于,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的AI信用评价方法的步骤。
10.计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的AI信用评价方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011502576.XA CN112508687A (zh) | 2020-12-17 | 2020-12-17 | 一种ai信用评价方法、系统、电了设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011502576.XA CN112508687A (zh) | 2020-12-17 | 2020-12-17 | 一种ai信用评价方法、系统、电了设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112508687A true CN112508687A (zh) | 2021-03-16 |
Family
ID=74922289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011502576.XA Pending CN112508687A (zh) | 2020-12-17 | 2020-12-17 | 一种ai信用评价方法、系统、电了设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112508687A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077331A (zh) * | 2021-03-25 | 2021-07-06 | 胡立禄 | 一种基于大数据的个人金融信用评价系统及方法 |
CN113177701A (zh) * | 2021-04-15 | 2021-07-27 | 国任财产保险股份有限公司 | 一种用户信用评估方法和装置 |
CN114202384A (zh) * | 2021-12-15 | 2022-03-18 | 建信金融科技(苏州)有限公司 | 信用分数计算方法、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564286A (zh) * | 2018-04-19 | 2018-09-21 | 天合泽泰(厦门)征信服务有限公司 | 一种基于大数据征信的人工智能金融风控授信评定方法和系统 |
CN108629379A (zh) * | 2018-05-10 | 2018-10-09 | 北京天元创新科技有限公司 | 一种个人征信评估方法及系统 |
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 |
CN111415067A (zh) * | 2019-12-30 | 2020-07-14 | 北京澎湃信用管理有限公司 | 企业及个人信用评级系统 |
CN111429285A (zh) * | 2020-03-18 | 2020-07-17 | 贵阳块数据城市建设有限公司 | 一种基于企业数据的实时信用评价系统以及方法 |
CN111582508A (zh) * | 2020-04-09 | 2020-08-25 | 上海淇毓信息科技有限公司 | 一种基于联邦学习框架的策略制定方法、装置和电子设备 |
-
2020
- 2020-12-17 CN CN202011502576.XA patent/CN112508687A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564286A (zh) * | 2018-04-19 | 2018-09-21 | 天合泽泰(厦门)征信服务有限公司 | 一种基于大数据征信的人工智能金融风控授信评定方法和系统 |
CN108629379A (zh) * | 2018-05-10 | 2018-10-09 | 北京天元创新科技有限公司 | 一种个人征信评估方法及系统 |
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 |
CN111415067A (zh) * | 2019-12-30 | 2020-07-14 | 北京澎湃信用管理有限公司 | 企业及个人信用评级系统 |
CN111429285A (zh) * | 2020-03-18 | 2020-07-17 | 贵阳块数据城市建设有限公司 | 一种基于企业数据的实时信用评价系统以及方法 |
CN111582508A (zh) * | 2020-04-09 | 2020-08-25 | 上海淇毓信息科技有限公司 | 一种基于联邦学习框架的策略制定方法、装置和电子设备 |
Non-Patent Citations (3)
Title |
---|
丁洁;: "大数据在我国个人征信领域的问题探索", 价值工程, no. 30 * |
余肖生,陈鹏,姜艳静: "《大数据处理》", 31 July 2020, pages: 70 - 72 * |
杨胜刚,吴志明: "《公共信用信息采集技术及其应用研究》", 30 June 2018, pages: 13 - 15 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077331A (zh) * | 2021-03-25 | 2021-07-06 | 胡立禄 | 一种基于大数据的个人金融信用评价系统及方法 |
CN113177701A (zh) * | 2021-04-15 | 2021-07-27 | 国任财产保险股份有限公司 | 一种用户信用评估方法和装置 |
CN114202384A (zh) * | 2021-12-15 | 2022-03-18 | 建信金融科技(苏州)有限公司 | 信用分数计算方法、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210264272A1 (en) | Training method and system of neural network model and prediction method and system | |
CN112508687A (zh) | 一种ai信用评价方法、系统、电了设备及存储介质 | |
CA2905280C (en) | Automated financial data aggregation | |
CN108734380B (zh) | 风险账户判定方法、装置及计算设备 | |
EP4138004A1 (en) | Method and apparatus for assisting machine learning model to go online | |
CN112465632A (zh) | 一种新金融ai智能风控决策方法和系统 | |
CN115423597A (zh) | 一种货车etc金融数智风控决策大数据系统及方法 | |
Deng et al. | CNN-based feature cross and classifier for loan default prediction | |
CN113177701A (zh) | 一种用户信用评估方法和装置 | |
JP7288062B2 (ja) | 情報を出力するための方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム | |
CN117235633A (zh) | 机构分类方法、装置、计算机设备及存储介质 | |
CN117009670A (zh) | 基于用户画像的综合推荐方法、装置、设备及存储介质 | |
CN116703515A (zh) | 基于人工智能的推荐方法、装置、计算机设备及存储介质 | |
CN116451125A (zh) | 一种新能源车车主识别方法、装置、设备及存储介质 | |
CN113779136B (zh) | 基于知识图谱的债务清收对象确定方法、装置及电子设备 | |
CN113011968B (zh) | 账号状态的检测方法、装置和存储介质及电子设备 | |
CN114119193A (zh) | 一种信用等级评估方法以及装置 | |
JP2023500698A (ja) | 顧客データをシミュレートするためのインテリジェント・エージェント | |
CN117853241A (zh) | 一种风险服务商识别方法、装置、设备及其存储介质 | |
CN117934173A (zh) | 风险分析方法、装置、计算机设备及存储介质 | |
CN118410796A (zh) | 一种业务处理方法、装置、设备、介质及程序产品 | |
Li et al. | Risk mechanism evaluation of the metaverse network economy based on transformer serialization analysis | |
Liu et al. | A Bayesian deep learning method based on loan default rate detection | |
CN116805270A (zh) | 基于人工智能的检测方法、装置、计算机设备及存储介质 | |
CN117540212A (zh) | 一种初始化参数确定方法、装置及电子设备 |
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 |