CN112529702B - 用户授信策略分配方法、装置及电子设备 - Google Patents

Abstract

本公开涉及一种用户授信策略分配方法、装置、电子设备及计算机可读介质。该方法包括：获取用户的基础信息，所述基础信息包括用户信息和设备信息；基于所述设备信息由多个风险模型中选取一风险模型作为目标模型；将所述基础信息输入所述目标模型中，生成风险评分；基于所述风险评分和所述设备信息为所述用户分配授信策略。本公开涉及的用户授信策略分配方法、装置、电子设备及计算机可读介质，能够根据用户的不同特征，为用户确定与其对应的风险评估方式，进而为用户评估风险，能够更加快速准确的为用户分配授信策略，提高分配效率。

Description

用户授信策略分配方法、装置及电子设备

技术领域

本公开涉及计算机信息处理领域，具体而言，涉及一种用户授信策略分配方法、装置、电子设备及计算机可读介质。

背景技术

传统金融机构对于用户的金融风险评估主要依据两种方式：一种是人为评估，主要依靠人类的历史经验进行评估，这种人工评判的方式一方面增加了人工成本和处理时间，另一方面通过人工方式生成的经验规则，通常是需要在一个危险行为已经发生一段时间之后，给企业带来了大量的经济损失之后才被建立，这种滞后的方式增加了企业的风险；另一种是依据个人信用评分系统，现有技术中用户金融风险评估系统在进行用户金融风险评估时依赖于一些基础数据，得到用户的画像，进而为用户提供有针对性的服务。

目前用户画像基本是通过大数据生成的，根据海量用户数据，提取出用户的特征，然后企业根据自己的需要对用户进行分类，制定不同的用户标签。但是，用户的基本特征中的某些部分是不变的，比如性别，年龄，有些基本特征是随着时间的流逝经常改变的，比如用户的喜好，用户的工作、用户的运动习惯等等。有些基本特征是能够更多的反映出用户的金融安全性特质的，而有些特征对金融安全性的风险反应的较弱，如果“一视同仁”的对用户的所有特征均进行分析计算，不仅浪费了人力物力资源，也给实际应用中服务器的计算增加了负担。

因此，需要一种新的用户授信策略分配方法、装置、电子设备及计算机可读介质。

在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

有鉴于此，本公开提供一种用户授信策略分配方法、装置、电子设备及计算机可读介质，能够根据用户的不同特征，为用户确定与其对应的风险评估方式，进而为用户评估风险，能够更加快速准确的为用户分配授信策略，提高分配效率。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一方面，提出一种用户授信策略分配方法，该方法包括：获取用户的基础信息，所述基础信息包括用户信息和设备信息；基于所述设备信息由多个风险模型中选取一风险模型作为目标模型；将所述基础信息输入所述目标模型中，生成风险评分；基于所述风险评分和所述设备信息为所述用户分配授信策略。

可选地，还包括：由第三方平台获取所述用户的征信状态；基于所述征信状态、所述风险评分和所述设备信息为所述用户分配授信策略。

可选地，还包括：基于历史用户的基础信息生成多个样本集合；利用所述多个样本集合分别对机器学习模型进行训练以生成多个风险模型。

可选地，基于历史用户的基础信息生成多个样本集合，包括：由所述历史用户的基础信息中提取敏感属性；基于所述敏感属性将所述历史用户分成多个样本集合。

可选地，基于历史用户的基础信息生成多个样本集合，包括：提取历史用户基础信息中的设备信息；基于设备信息将所述历史用户分成多个样本集合；其中，每个样本集合中的历史用户具有相同的设备属性。

可选地，利用所述多个样本集合分别对机器学习模型进行训练以生成多个风险模型，包括：利用所述多个样本集合分别对梯度提升决策树模型进行训练以生成多个风险模型。

可选地，利用所述多个样本集合分别对梯度提升决策树模型进行训练以生成多个风险模型，包括：在所述样本集合的设备属性为安卓系统时，通过所述历史用户的应用安装列表生成历史用户的特征数据；通过所述历史用户的特征数据对梯度提升决策树模型进行训练以生成针对安卓系统的风险模型。

可选地，还包括：基于多个风险模型对历史用户的分析结果生成多个授信策略集合。

可选地，基于所述风险评分和所述设备信息为所述用户分配授信策略，包括：基于所述用户的所述设备信息由多个授信策略集合中提取目标授信策略集合；根据所述风险评分由所述目标授信策略集合中为所述用户分配授信策略。

可选地，还包括：基于所述授信策略确定所述用户的资源额度、资源占用利率，资源偿还期限。

根据本公开的一方面，提出一种用户授信策略分配装置，该装置包括：信息模块，用于获取用户的基础信息，所述基础信息包括用户信息和设备信息；选取模块，用于基于所述设备信息由多个风险模型中选取一风险模型作为目标模型；计算模块，用于将所述基础信息输入所述目标模型中，生成风险评分；分配模块，用于基于所述风险评分和所述设备信息为所述用户分配授信策略。

可选地，还包括：征信模块，用于由第三方平台获取所述用户的征信状态；基于所述征信状态、所述风险评分和所述设备信息为所述用户分配授信策略。

可选地，还包括：样本模块，用于基于历史用户的基础信息生成多个样本集合；训练模块，用于利用所述多个样本集合分别对机器学习模型进行训练以生成多个风险模型。

可选地，所述样本模块，包括：属性单元，由所述历史用户的基础信息中提取敏感属性；集合单元，用于基于所述敏感属性将所述历史用户分成多个样本集合。

可选地，所述样本模块，包括：设备单元，用于提取历史用户基础信息中的设备信息；基于设备信息将所述历史用户分成多个样本集合；其中，每个样本集合中的历史用户具有相同的设备属性。

可选地，所述训练模块，还用于利用所述多个样本集合分别对梯度提升决策树模型进行训练以生成多个风险模型。

可选地，所述训练模块，包括：安卓单元，用于在所述样本集合的设备属性为安卓系统时，通过所述历史用户的应用安装列表生成历史用户的特征数据；通过所述历史用户的特征数据对梯度提升决策树模型进行训练以生成针对安卓系统的风险模型。

可选地，还包括：集合模块，用于基于多个风险模型对历史用户的分析结果生成多个授信策略集合。

可选地，所述分配模块，包括：目标单元，用于基于所述用户的所述设备信息由多个授信策略集合中提取目标授信策略集合；策略单元，用于根据所述风险评分由所述目标授信策略集合中为所述用户分配授信策略。

可选地，还包括：参数模块，用于基于所述授信策略确定所述用户的资源额度、资源占用利率，资源偿还期限。

根据本公开的一方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上文的方法。

根据本公开的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中的方法。

根据本公开的用户授信策略分配方法、装置、电子设备及计算机可读介质，获取用户的基础信息，所述基础信息包括用户信息和设备信息；基于所述设备信息由多个风险模型中选取一风险模型作为目标模型；将所述基础信息输入所述目标模型中，生成风险评分；基于所述风险评分和所述设备信息为所述用户分配授信策略的方式，能够根据用户的不同特征，为用户确定与其对应的风险评估方式，进而为用户评估风险，能够更加快速准确的为用户分配授信策略，提高分配效率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

附图说明

通过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，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是根据一示例性实施例示出的一种用户授信策略分配方法及装置的系统框图。

图2是根据一示例性实施例示出的一种用户授信策略分配方法的流程图。

图3是根据另一示例性实施例示出的一种用户授信策略分配方法的流程图。

图4是根据一示例性实施例示出的一种用户授信策略分配装置的框图。

图5是根据另一示例性实施例示出的一种用户授信策略分配装置的框图。

图6是根据一示例性实施例示出的一种电子设备的框图。

图7是根据一示例性实施例示出的一种计算机可读介质的框图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的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部分，因而将省略对它们的重复描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。

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。

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。

应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用，术语“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。

本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本公开所必须的，因此不能用于限制本公开的保护范围。

本发明中，资源是指任何可被利用的物质、信息、时间，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。本发明的创新之处在于如何使用服务器和客户端之间的信息交互技术来使资源分配的过程更加自动化、高效和减小人力成本。由此，从本质上来说，本发明可以应用于各类资源的分配，包括实体的货物、水、电，以及有意义的资料等。但是，为了方便起见，本发明中以金融数据资源为例进行说明资源分配的实施，但本领域技术人员应当理解，本发明亦可以用于其他资源的分配。

图1是根据一示例性实施例示出的一种用户授信策略分配方法及装置的系统框图。

如图1所示，系统架构10可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如金融服务类应用、购物类应用、网页浏览器应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的金融服务类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的用户数据进行分析等处理，并将处理结果(例如用户授信策略)反馈给金融服务网站的管理员和/或终端设备101、102、103。

服务器105可例如获取用户的基础信息，所述基础信息包括用户信息和设备信息；服务器105可例如基于所述设备信息由多个风险模型中选取一风险模型作为目标模型；服务器105可例如将所述基础信息输入所述目标模型中，生成风险评分；服务器105可例如基于所述风险评分和所述设备信息为所述用户分配授信策略。

服务器105还可例如由第三方平台获取所述用户的征信状态；基于所述征信状态、所述风险评分和所述设备信息为所述用户分配授信策略。

服务器105还可例如基于历史用户的基础信息生成多个样本集合；利用所述多个样本集合分别对机器学习模型进行训练以生成多个风险模型。

服务器105可以是一个实体的服务器，还可例如为多个服务器组成，需要说明的是，本公开实施例所提供的用户授信策略分配方法可以由服务器105执行，相应地，用户授信策略分配装置可以设置于服务器105中。而提供给用户进行金融服务平台浏览的网页端一般位于终端设备101、102、103中。

图2是根据一示例性实施例示出的一种用户授信策略分配方法的流程图。用户授信策略分配方法20至少包括步骤S202至S208。

如图2所示，在S202中，获取用户的基础信息，所述基础信息包括用户信息和设备信息。其中，用户信息更进一步的包括用户的性别、年龄、工作职位、工作行业、收入、住址等等信息；设备信息中更进一步的包括了设备的属性信息，属性信息包括IOS属性或者安卓属性或其他系统信息，设备信息中还包括了设备上安装的应用列表，通讯录信息，设备版本号，设备硬件标识等等信息。

在S204中，基于所述设备信息由多个风险模型中选取一风险模型作为目标模型。其中，多个风险模型是实现通过历史数据建立的风险模型，每个风险模型有其使用的用户和应用场景。

在一个实施例中，可根据设备信息中设备属性信息来为用户选择目标模型，还可根据设备信息中的应用列表、或者版本号等等信息中的一个或者多个综合判断，以为用户选择目标模型。

在S206中，将所述基础信息输入所述目标模型中，生成风险评分。其中，还可将基础信息中的数据进行数据清洗，具体可例如，剔除重复的数据，将有些缺失的数据用默认值代替，还可包括检查数据一致性，处理无效值。还可将数据进行归一化处理，以便后续分析使用。

在S208中，基于所述风险评分和所述设备信息为所述用户分配授信策略。更具体的，基于所述风险评分和所述设备信息为所述用户分配授信策略，包括：基于所述用户的所述设备信息由多个授信策略集合中提取目标授信策略集合；根据所述风险评分由所述目标授信策略集合中为所述用户分配授信策略。

在一个实施例中，还包括：基于多个风险模型对历史用户的分析结果生成多个授信策略集合。可将用户按照其对应的属性进行划分，分成多个历史用户集合，并将每个集合中的用户分别用其对应的目标模型进行分析计算，生成多个历史用户的风险评分。然后根据历史用户的后续行为数据，结合历史评分和该用户当时状态下对应的用户授信策略对该用户的综合表现进行分析，根据分析结果确定每个历史用户集合对应的不同的风险评分对应的授信策略集合。

在一个实施例中，还包括：由第三方平台获取所述用户的征信状态；基于所述征信状态、所述风险评分和所述设备信息为所述用户分配授信策略。

在一个实施例中，还包括：基于所述授信策略确定所述用户的资源额度、资源占用利率，资源偿还期限。对应风险较低的用户，可为其分配较高的资源额度，较低的利率，较长的偿还期限，而对于风险较高的而用户而言，不仅要控制其资源额度、利率、偿还期限，还可为其分配定时任务，以便能够定期监控其行为数据，并且定期对其风险进行再次分享，以便更快的发现其金融风险，减少金融服务平台的资源浪费和资源损失。

根据本公开的用户授信策略分配方法，获取用户的基础信息，所述基础信息包括用户信息和设备信息；基于所述设备信息由多个风险模型中选取一风险模型作为目标模型；将所述基础信息输入所述目标模型中，生成风险评分；基于所述风险评分和所述设备信息为所述用户分配授信策略的方式，能够根据用户的不同特征，为用户确定与其对应的风险评估方式，进而为用户评估风险，能够更加快速准确的为用户分配授信策略，提高分配效率。

应清楚地理解，本公开描述了如何形成和使用特定示例，但本公开的原理不限于这些示例的任何细节。相反，基于本公开公开的内容的教导，这些原理能够应用于许多其它实施例。

图3是根据另一示例性实施例示出的一种用户授信策略分配方法的流程图。图3所示的流程30是对“生成多个风险模型”的详细描述。

如图3所示，在S302中，由所述历史用户的基础信息中提取敏感属性。可通过训练过的机器学习算法对用户的基础信息中的各个信息进行训练，以提取出最能够体现用户分组特征的敏感属性信息。

机器学习模型可例如为决策树模型，或者支持向量机(SVM)模型、K近邻模型等等。

在S304中，基于所述敏感属性将所述历史用户分成多个样本集合。更具体的：提取历史用户基础信息中的设备信息；基于设备信息将所述历史用户分成多个样本集合；其中，每个样本集合中的历史用户具有相同的设备属性。

在一个具体的实施例汇总，可提取出设备属性作为划分样本集合的依据，还可例如，通过其他的特征中的一个或者多个组合作为划分样本集合的依据。

可例如，将设备属性为IOS且用户年龄为[30-35]之间的用户划分为一个样本集合，还可将设备属性为安卓且用户所在地位于XX省的用户划分为一个样本集合等等，本公开不以此为限。

在S306中，利用所述多个样本集合分别对机器学习模型进行训练以生成多个风险模型。可例如，利用所述多个样本集合分别对梯度提升决策树模型进行训练以生成多个风险模型。

其中，在所述样本集合的设备属性为安卓系统时，通过所述历史用户的应用安装列表生成历史用户的特征数据；通过所述历史用户的特征数据对梯度提升决策树模型进行训练以生成针对安卓系统的风险模型。

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CPU执行的计算机程序。在该计算机程序被CPU执行时，执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。

此外，需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图4是根据另一示例性实施例示出的一种用户授信策略分配装置的框图。如图4所示，用户授信策略分配装置40包括：信息模块402，选取模块404，计算模块406，分配模块408。

信息模块402用于获取用户的基础信息，所述基础信息包括用户信息和设备信息；

选取模块404用于基于所述设备信息由多个风险模型中选取一风险模型作为目标模型；

计算模块406用于将所述基础信息输入所述目标模型中，生成风险评分；

分配模块408用于基于所述风险评分和所述设备信息为所述用户分配授信策略。所述分配模块408包括：目标单元，用于基于所述用户的所述设备信息由多个授信策略集合中提取目标授信策略集合；策略单元，用于根据所述风险评分由所述目标授信策略集合中为所述用户分配授信策略。

图5是根据一示例性实施例示出的一种用户授信策略分配装置的框图。如图5所示，用户授信策略分配装置50包括：征信模块502，样本模块504，训练模块506，集合模块508，参数模块510。

征信模块502用于由第三方平台获取所述用户的征信状态；基于所述征信状态、所述风险评分和所述设备信息为所述用户分配授信策略。

样本模块504用于基于历史用户的基础信息生成多个样本集合；所述样本模块504包括：属性单元，由所述历史用户的基础信息中提取敏感属性；集合单元，用于基于所述敏感属性将所述历史用户分成多个样本集合。设备单元，用于提取历史用户基础信息中的设备信息；基于设备信息将所述历史用户分成多个样本集合；其中，每个样本集合中的历史用户具有相同的设备属性。

训练模块506用于利用所述多个样本集合分别对机器学习模型进行训练以生成多个风险模型。所述训练模块506还用于利用所述多个样本集合分别对梯度提升决策树模型进行训练以生成多个风险模型。所述训练模块506包括：安卓单元，用于在所述样本集合的设备属性为安卓系统时，通过所述历史用户的应用安装列表生成历史用户的特征数据；通过所述历史用户的特征数据对梯度提升决策树模型进行训练以生成针对安卓系统的风险模型。

集合模块508用于基于多个风险模型对历史用户的分析结果生成多个授信策略集合。

参数模块510用于基于所述授信策略确定所述用户的资源额度、资源占用利率，资源偿还期限。

根据本公开的用户授信策略分配装置，获取用户的基础信息，所述基础信息包括用户信息和设备信息；基于所述设备信息由多个风险模型中选取一风险模型作为目标模型；将所述基础信息输入所述目标模型中，生成风险评分；基于所述风险评分和所述设备信息为所述用户分配授信策略的方式，能够根据用户的不同特征，为用户确定与其对应的风险评估方式，进而为用户评估风险，能够更加快速准确的为用户分配授信策略，提高分配效率。

图6是根据一示例性实施例示出的一种电子设备的框图。

下面参照图6来描述根据本公开的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640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610执行，使得所述处理单元610执行本说明书中的根据本公开各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图2，图3中所示的步骤。

所述存储单元620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)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。

所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205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630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600也可以与一个或多个外部设备600’(例如键盘、指向设备、蓝牙设备等)通信，使得用户能与该电子设备600交互的设备通信，和/或该电子设备600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650进行。并且，电子设备600还可以通过网络适配器660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660可以通过总线630与电子设备600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600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，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，如图7所示，根据本公开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非易失性存储介质(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)执行根据本公开实施方式的上述方法。

所述软件产品可以采用一个或多个可读介质的任意组合。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公开操作的程序代码，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)。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如下功能：获取用户的基础信息，所述基础信息包括用户信息和设备信息；基于所述设备信息由多个风险模型中选取一风险模型作为目标模型；将所述基础信息输入所述目标模型中，生成风险评分；基于所述风险评分和所述设备信息为所述用户分配授信策略。

本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本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。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例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，根据本公开实施例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非易失性存储介质(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、移动终端、或者网络设备等)执行根据本公开实施例的方法。

以上具体地示出和描述了本公开的示例性实施例。应可理解的是，本公开不限于这里描述的详细结构、设置方式或实现方法；相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。

Claims (10)

1.一种用户授信策略分配方法，其特征在于，包括：

通过训练过的机器学习算法对用户的基础信息中的各个信息进行训练；

根据训练结果将用户基础信息中的设备信息、特定特征作为体现用户分组特征的敏感属性信息；

提取历史用户基础信息中的设备信息、特定特征；

基于设备信息、特定特征将所述历史用户分成多个样本集合；

在样本集合对应的设备信息为安卓系统时，通过所述历史用户的应用安装列表生成历史用户的特征数据，进而通过特征数据对机器学习模型进行训练以生成对应于安卓系统的风险模型；

在样本集合对应的设备信息为IOS系统时，通过所述历史用户的基础信息生成特征数据，进而通过特征数据对机器学习模型进行训练以生成对应于IOS系统的风险模型；

获取用户的基础信息，所述基础信息包括用户信息和设备信息；

基于所述用户基础信息中的设备信息、特定特征由多个风险模型中选取一风险模型作为目标模型；

将所述基础信息输入所述目标模型中，生成风险评分；

基于所述风险评分和所述设备信息为所述用户分配授信策略。

2.如权利要求1所述的方法，其特征在于，还包括：

由第三方平台获取所述用户的征信状态；

基于所述征信状态、所述风险评分和所述设备信息为所述用户分配授信策略。

3.如权利要求1所述的方法，其特征在于，还包括：

基于历史用户的基础信息生成多个样本集合；

利用所述多个样本集合分别对机器学习模型进行训练以生成多个风险模型。

4.如权利要求3所述的方法，其特征在于，基于历史用户的基础信息生成多个样本集合，包括：

由所述历史用户的基础信息中提取敏感属性；

基于所述敏感属性将所述历史用户分成多个样本集合。

5.如权利要求3所述的方法，其特征在于，基于历史用户的基础信息生成多个样本集合，包括：

提取历史用户基础信息中的设备信息；

基于设备信息将所述历史用户分成多个样本集合；

其中，每个样本集合中的历史用户具有相同的设备属性。

6.如权利要求3所述的方法，其特征在于，利用所述多个样本集合分别对机器学习模型进行训练以生成多个风险模型，包括：

利用所述多个样本集合分别对梯度提升决策树模型进行训练以生成多个风险模型。

7.如权利要求6所述的方法，其特征在于，利用所述多个样本集合分别对梯度提升决策树模型进行训练以生成多个风险模型，包括：

在所述样本集合的设备属性为安卓系统时，通过所述历史用户的应用安装列表生成历史用户的特征数据；

通过所述历史用户的特征数据对梯度提升决策树模型进行训练以生成针对安卓系统的风险模型。

8.一种用户授信策略分配装置，其特征在于，包括：

模型模块，用于通过训练过的机器学习算法对用户的基础信息中的各个信息进行训练；根据训练结果将用户基础信息中的设备信息、特定特征作为体现用户分组特征的敏感属性信息；提取历史用户基础信息中的设备信息、特定特征；基于设备信息、特定特征将所述历史用户分成多个样本集合；在样本集合对应的设备信息为安卓系统时，通过所述历史用户的应用安装列表生成历史用户的特征数据，进而通过特征数据对机器学习模型进行训练以生成对应于安卓系统的风险模型；在样本集合对应的设备信息为IOS系统时，通过所述历史用户的基础信息生成特征数据，进而通过特征数据对机器学习模型进行训练以生成对应于IOS系统的风险模型；

信息模块，用于获取用户的基础信息，所述基础信息包括用户信息和设备信息；

选取模块，用于基于所述用户基础信息中的设备信息、特定特征由多个风险模型中选取一风险模型作为目标模型；

计算模块，用于将所述基础信息输入所述目标模型中，生成风险评分；

分配模块，用于基于所述风险评分和所述设备信息为所述用户分配授信策略。

9.一种电子设备，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。

10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述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