CN112561685B - 客户的分类方法和装置 - Google Patents
客户的分类方法和装置 Download PDFInfo
- Publication number
- CN112561685B CN112561685B CN202011484452.3A CN202011484452A CN112561685B CN 112561685 B CN112561685 B CN 112561685B CN 202011484452 A CN202011484452 A CN 202011484452A CN 112561685 B CN112561685 B CN 112561685B
- Authority
- CN
- China
- Prior art keywords
- client
- index feature
- dimension
- score
- threshold
- 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.)
- Active
Links
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Technology Law (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种客户的分类方法和装置,涉及计算机技术领域。该客户的分类方法的一具体实施方式包括:校验模块根据客户的交易数据对所述客户进行校验;若所述客户符合校验要求,则评分模块确定所述客户的信用评分和/或反欺诈评分;阈值确定模块确定每个维度指标特征的规则集合,并根据每个维度的指标特征的规则集合以及决策函数,确定每个维度指标特征对应的目标阈值;所述指标特征是根据所述客户的交易数据衍生得到的特征;分类模块根据所述客户的信用评分和/或反欺诈评分,以及每个维度的指标特征的目标阈值,确定所述客户的分类结果。该实施方式是基于决策函数确定所述目标阈值的,准确率高。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种客户的分类方法和装置。
背景技术
互联网纯线上业务基本不进行面签,需特别关注借款身份真实性,同时在还款能力、还款意愿的识别渠道也与传统不同。借款人身份真实性可以通过身份证照片比对、人脸识别进行识别。还款能力、还款意愿的识别上没办法像传统业务上门尽调、上门访谈等方式进行,只能依据借款人提交的资料、央行征信、第三方数据几方交叉验证进行考查。
互联网客户来源广泛,风控过程大部分会采用技术手段先期干预,一般风控流程需要设置一系列风控策略规则,根据风控策略规则设置的阈值计算客户风险等级。但是,现有分类方式大多是通过经验确定阈值的,准确率低,进而导致客户风险等级的划分准确率低。
发明内容
有鉴于此,本发明实施例提供一种客户的分类方法和装置,能够解决现有分类方式通过经验确定阈值所导致的准确率低的问题。
为实现上述目的,根据本发明实施例的一个方面,提供了一种客户的分类方法。
本发明实施例的客户的分类方法包括:
校验模块根据客户的交易数据对所述客户进行校验;
若所述客户符合校验要求,则评分模块确定所述客户的信用评分和/或反欺诈评分;
阈值确定模块确定每个维度指标特征的规则集合,并根据每个维度的指标特征的规则集合以及决策函数,确定每个维度指标特征对应的目标阈值;所述指标特征是根据所述客户的交易数据衍生得到的特征;
分类模块根据所述客户的信用评分和/或反欺诈评分,以及每个维度的指标特征的目标阈值,确定所述客户的分类结果。
可选地,根据每个维度的指标特征的规则集合确定每个维度指标特征对应的目标阈值包括:
所述阈值确定模块确定每个指标特征的规则集合中规则的阈值所形成的阈值集合;
所述阈值确定模块根据所述规则集合、所述阈值集合以及所述规则集合与所述阈值集合之间的超参数空间,形成决策函数;
所述阈值确定模块根据预设的约束条件求解所述决策函数,所述决策函数的解为所述每个维度指标特征对应的目标阈值,所述每个维度指标特征对应的目标阈值能够使得所述决策函数取最大值或最小值。
可选地,所述指标特征至少包括以下一个或多个维度:社交特征、行为偏好特征、信用履约历史特征以及反欺诈特征;所述规则集合是从央行征信数据源或者其他第三方数据源中提取每个维度的指标特征对应的规则所形成的集合。
可选地,评分模块确定所述客户的信用评分包括:
评分模块根据所述客户的交易数据进行特征衍生处理;
所述评分模块从衍生得到的特征中选择指标特征;
所述评分模块确定每个维度指标特征对应的信用评分;
所述评分模块将每个指标特征对应的信用评分相加,并将加和作为所述客户的信用评分。
可选地,所述评分模块确定每个维度指标特征对应的信用评分包括:
所述评分模块确定每个维度指标特征的证据权重;
所述评分模块根据所述证据权重以及逻辑回归模型,确定每个维度指标特征对应的信用评分。
可选地,分类模块根据所述客户的信用评分、反欺诈评分以及每个维度的指标特征的目标阈值确定所述客户的分类结果包括:
根据每个维度指标特征对应的目标阈值确定分数线;
根据所述客户的信用评分、反欺诈评分以及所述分数线,对所述客户进行分段处理,以得到所述客户的分类结果。
可选地,校验模块根据客户的交易数据对所述客户进行校验包括:
校验模块从客户的交易数据中获取客户信息,所述客户信息至少包括:身份信息和/或生物信息;
所述校验模块判断所述客户信息与预存客户信息是否一致;
若所述客户的客户信息与预存客户信息不一致,则所述校验模块认定客户不满足校验要求;
若所述客户的客户信息与预存客户信息一致,则所述校验模块判断所述客户是否在至少一个预设黑名单中;
若所述客户在至少一个预设黑名单中,则所述校验模块认定所述客户不符合校验要求;
若所述客户不在至少一个预设黑名单中,则所述校验模块根据所述客户的交易数据,则所述校验模块认定所述客户符合校验要求。
为实现上述目的,根据本发明实施例的另一个方面,提供了一种客户分类装置。
本发明实施例的客户分类装置包括:
校验模块,用于根据客户的交易数据对所述客户进行校验;
评分模块,用于若所述客户符合校验要求,则确定所述客户的信用评分和/或反欺诈评分;
阈值确定模块,用于确定每个维度指标特征的规则集合,并根据每个维度的指标特征的规则集合确定每个维度指标特征对应的目标阈值;所述指标特征是根据所述客户的交易数据衍生得到的特征;
分类模块,用于根据所述客户的信用评分和/或反欺诈评分,以及每个维度的指标特征的目标阈值,确定所述客户的分类结果。
为实现上述目的,根据本发明实施例的另一个方面,提供了一种客户分类装置。
本发明实施例的客户分类装置包括:
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上所述的方法。
为实现上述目的,根据本发明实施例的另一个方面,提供了一种计算机可读介质。
本发明实施例的计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现如上所述的方法。
上述发明中的一个实施例具有如下优点或有益效果:
在本发明实施例中,在确定阈值时,可以确定每个维度指标特征的规则集合,然后根据每个维度的指标特征的规则集合确定每个维度指标特征对应的目标阈值,所述目标阈值是基于决策函数确定的,准确率高。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是本发明第一实施例的客户的分类方法的流程示意图;
图2是本发明实施例的阈值确定过程的流程示意图;
图3是本发明实施例的客户的分类方法的示意图;
图4是本发明第二实施例的客户的分类方法的流程示意图;
图5是本发明实施例的客户分类装置的模块示意图;
图6是本发明实施例可以应用于其中的示例性系统架构图;
图7是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认定仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
为了便于理解本发明实施例的技术方案,首先以互联网信贷贷前审核流程进行示例性说明。一般风控流程为判断是否符合准入门槛,判断是否被纳入黑名单,判断是否能够通过反欺诈模型侦测,而后设置一系列风控策略规则,根据风控策略规则设置的阈值计算客户风险等级,高风险的直接拒绝,中低风险的则予以通过,通过的客户最后进入贷前申请信用违约模型(即所谓的申请评分卡或A卡)。图1所示的为互联网信贷贷前审核流程的示意图,参见图1,贷前准入策略规则是根据监管要求、产品设计或者风险管理的需要设定的一系列准入策略规则。其中贷前准入策略规则一般可以分为三类:非黑名单类强策略规则、黑名单类强策略规则以及弱策略规则。
第一类为非黑名单类强策略规则,这类规则为身份核验类规则,主要表现为身份证号、手机号、银行卡号等是否一致且为借款人本人,生物信息识别是否存在身份盗用等。进件客户是否达到监管要求或者是否为产品设计的目标客群等。这一类策略规则通常由贷款产品设计部门或者其他相关业务部门制定,具备命中即拒绝的特点。
第二类为黑名单类强策略规则,这类规则主要检测用户在申请贷款时点的过去一段时间内是否因为一些原因(如存在较重度的贷款逾期历史行为或者其他不被允许出现的历史行为)而被某些黑名单所命中。这一类策略规则通常也是由贷款产品设计部门或者其他相关业务部门制定,同样也具备命中即拒绝的特点。
第三类为弱策略规则,也称为灰度策略规则。这类策略规则一般不会根据客户在申请互联网贷款时的过去一段时间内的某种行为或者某种属性的有或者无进行决策,而是根据其实际的取值是否超过或者低于某一临界阈值从而决定是否对该客户进行授信。这类策略规则可能包含复合策略规则,也就是同时根据多个数据维度进行组合。当客户在进件时超过或者低于该临界阈值,则对该用户的贷款申请行为予以拒绝。这类策略规则一般根据数据源或者所考察的客户信息的特征指标维度形成策略规则集合,所述数据源可以为如央行征信或者其他第三方数据源。所述特征指标维度包括:社交特征、行为偏好特征、信用履约历史特征等。从对应的数据维度的分布情况来看呈现如下特点:客户在对应数据维度上的取值一般在某一侧或者两端呈现出稀疏的特点,即客户占比较小;客户在这些数据维度的某一侧或者两端随着其取值的进一步增加或者减小,客户的信用违约风险的概率呈现增加的趋势。这一类策略规则通常也是由贷款产品设计部门或者其他相关业务部门制定,在决定是否授信的临界阈值时,一般是基于历史数据分析或者业务人员的从业经验。
在对黑名单类强策略规则进行审核通过后,可以基于反欺诈模型判断客户是否为高风险客户,在反欺诈模型的运用过程中,一般也会涉及临界阈值的设定。当客户超过或者低于该临界阈值,则会被判断定位高危客户,从而拒绝其授信申请。临界阈值通常结合业务经验以及模型预测或者数据分析的结果(主要采用线性搜索方式,不断上探或者下探,综合考虑命中率,坏占比,以及与其他规则策略的互补性等因素)综合进行设定。需要说明的是,反欺诈模型是由风控建模人员或者相关数据分析人员从已有历史数据出发,搭建无监督、半监督或者有监督的数学模型,从而对高危客户进行侦测。
基于以上描述,可以看出在其中某些进件审批流程中,需要对一些数据维度或者模型预测结果的临界阈值进行设定,而这些临界阈值的设定工作一般是由不同部门的不同人员基于各自的经验或者需求分别进行设定。因此,对于上述临界阈值的设定工作缺乏一套统一的、具备科学依据的决策方法论框架。为了解决该问题,本发明实施例提供了一种基于机器学习方法论的、符合数据科学原理的一体化、自动化的决策方法论框架,从而对互联网信贷审批流程的风控决策环节进行整体优化。
基于以上分析,本发明实施例提供了一种客户的分类方法,该方法的执行主体为客户的分类装置,所述客户的分类装置包括:校验模块、评分模块、阈值确定模块以及分类模块。图2是本发明实施例的客户的分类方法的流程示意图,如图2所示,该客户的分类方法可以包括如下的步骤S201至步骤S204。
步骤S201:校验模块根据客户的交易数据对所述客户进行校验。
在步骤S201中,所述校验模块从客户的交易数据中获取客户信息,对所述客户信息进行校验,以确定所述客户是否符合校验要求。其中校验过程大致为:所述校验模块从客户的交易数据中获取客户信息,所述客户信息至少包括:身份信息和/或生物信息;所述校验模块判断所述客户信息与预存客户信息是否一致;若所述客户的客户信息与预存客户信息不一致,则所述校验模块认定客户不满足校验要求;若所述客户的客户信息与预存客户信息一致,则所述校验模块判断所述客户是否在至少一个预设黑名单中;若所述客户在至少一个预设黑名单中,则所述校验模块认定所述客户不符合校验要求;若所述客户不在至少一个预设黑名单中,则所述校验模块认定所述客户符合校验要求。
具体地,所述身份信息至少包括:身份证号、手机号、银行卡号等,所述生物信息可以为指纹信息、虹膜信息等。通过步骤S201可以判断身份证号、手机号、银行卡号等是否一致且为借款人本人,生物信息识别是否存在身份盗用等。
步骤S202:若所述客户符合校验要求,则评分模块确定所述客户的信用评分和/或反欺诈评分。
在步骤S202中,所述客户的信用评分和/或反欺诈评分用于表示所述客户的信用风险等级。在所述评分模块计算反欺诈得分时,所述评分模块可以通过预设的反欺诈模型计算所述客户的反欺诈评分,所述反欺诈模型是由风控建模人员或者相关数据分析人员从已有历史数据出发,搭建无监督、半监督或者有监督的数学模型,从而对高危客户进行侦测。在反欺诈模型的运用过程中,一般也会涉及临界阈值的设定。当客户超过或者低于该临界阈值,则会被判断定位高危客户,从而拒绝其授信申请。在所述评分模块计算信用评分时,所述评分模块的处理过程大致为:首先评分模块根据所述客户的交易数据进行特征衍生处理。所述评分模块然后从衍生得到的特征中选择指标特征。所述评分模块再确定每个维度指标特征对应的信用评分。所述评分模块最终将每个指标特征对应的信用评分相加,并将加和作为所述客户的信用评分。其中,确定每个指标特征对应的信用评分的过程大致为:所述评分模块确定衍生得到的特征的证据权重。所述评分模块根据所述证据权重以及逻辑回归模型,确定每个指标特征对应的信用评分,所述客户的信用评分用于表示所述客户的信用风险等级值,且得分越高,信用风险越低,反之则越高。。
进一步地,可以将各个指标特征的评分形成评分卡,参见表1所示的评分卡示例。A卡生成过程为:根据Vintage、滚动率报表以及业务目标制定好坏客户定义->特征衍生->特征选择->数据采样->特征WOE值化->训练逻辑回归模型->根据评分卡参数->生成评分卡。
表1评分卡示例
特征1 | 分箱1 | 分数1 | 特征1得分 |
分箱2 | 分数2 | ||
...... | ...... | ||
分箱n1 | 分数n1 | ||
特征2 | 分箱1 | 分数1 | 特征2得分 |
分箱2 | 分数2 | ||
...... | ...... | ||
分箱n2 | 分数n2 | ||
...... | ...... | ...... | ...... |
特征k | 分箱1 | 分数1 | 特征k得分 |
分箱2 | 分数2 | ||
...... | ...... | ||
分箱nk | 分数nk | ||
总得分 | —— | —— |
需要说明的是,所述指标特征是根据所述客户的交易数据衍生得到的特征,且所述指标特征用于表示要确定阈值的维度。可以理解的是,所述指标特征是根据所述客户的交易数据提取得到的评价指标。所述指标特征至少包括以下一个或多个维度:社交特征、行为偏好特征、信用履约历史特征以及反欺诈特征。
步骤S203:阈值确定模块确定每个维度指标特征的规则集合,并根据每个维度的指标特征的规则集合以及决策函数,确定每个维度指标特征对应的目标阈值。
在步骤S203中,所述规则集合用于表示每个维度的指标特征对应的规则所形成的集合。具体地,所述规则集合是从央行征信数据源或者其他第三方数据源中提取每个维度的指标特征对应的规则所形成的集合。每个维度的指标特征对应设置一个规则集合,每个规则集合中有至少一条规则以及与规则对应的阈值。所述规则集合是从央行征信数据源或者其他第三方数据源中提取每个维度的指标特征对应的规则和阈值所形成的集合。
需要说明的是,每个维度指标特征的目标阈值是根据决策函数求解得到的。参见图2,每个维度指标特征的目标阈值的求解过程可以包括如下的步骤S2031至步骤S2034。
步骤S2031:所述阈值确定模块确定每个指标特征的规则集合。
步骤S2032:所述阈值确定模块确定每个指标特征的规则集合中规则的阈值所形成的阈值集合。
例如:若规则集合记作M={M1,M2,...,Mn},阈值集合记作其中规则集合可以理解为各条策略规则或者模型所形成的集合。所述阈值集合可以理解为各条规则或者模型所对应的阈值的集合。即M1,M2,...,Mn对应各条策略规则或者模型,C11,C12,...对应各条策略规则或模型的临界阈值。
步骤S2033:所述阈值确定模块根据所述规则集合、所述阈值集合以及所述规则集合与所述阈值集合之间的超参数空间,形成决策函数.
步骤S2034:所述阈值确定模块根据预设的约束条件求解所述决策函数,所述决策函数的解为所述每个维度指标特征对应的目标阈值,且所述每个维度指标特征对应的目标阈值使得所述决策函数取最大值或最小值。
在互联网信贷贷前审查环节中,会通过查询客户的相关信息(如工商、司法、征信等方面的信息),通过制定一系列策略规则对是否通过客户的授信申请进行审核。在利用其中某些策略规则进行风控决策时,往往需要制定一系列临界阈值。假设查询得到的客户信息在一定范围内,则予以通过,反之则予以拒绝。这些临界阈值一般是通过业务经验、数据分析或者两者结合进行设定。由于各条策略规则之间的决策过程并不独立,或者说前一条策略规则对于后续所有策略规则甚至风控模型搭建过程所面对的客群都存在一定影响。
为了从整体角度对整个风控决策流程进行优化,可以将单个决策流程可以理解为一个子模型,这些子模型可能的样式为
其中,x为查得的客户信息,C为临界的阈值,下标i代表第i个规则集合,下标j代表对应规则集合下的第j条规则,上标H代表临界阈值上界,上标L代表临界阈值下界。可以将整个决策过程视为一组子决策模型的函数,即
其中,M1,M2,...,Mn对应各条策略规则或者模型,C11,C12,...对应各条策略规则或模型的临界阈值。将各条策略规则或者模型的集合记作
M={M1,M2,...,Mn} (3)
同时将各条规则或者模型所对应的阈值的集合记作
可以将(1)改写为如下形式
L=L(M;C) (5)
由以上公式可以看出,可以将决策函数L理解为策略或者模型空间M的函数,而C则可以理解为对应于决策函数L的各个超级参数。超参数空间C与M中对应模型空间中的超参数空间共同组成决策函数L的超参数空间(hyper-parameter space),即决策函数L可以进一步改写为
L=L(M;C,Θ) (6)
同时,业务部门或者监管要求可能会对函数L施加一定的限制。例如,监管部门要求不得给未成年人发放贷款,客户身份不得为在校大学生等,业务部门的要求通常包括通过率不得低于某个阈值,不良贷款占比不得高于某个阈值等等。因而,可以将函数L的优化问题理解为受约束的优化问题,如公式(7)所示。
借助机器学习中的超参数搜索技巧,例如网格搜索、随机搜索以及一些自动化参数搜索或组合优化技术(例如:贝叶斯优化算法、遗传算法、模拟退火算法、蚁群算法等),结合机器学习中所惯常使用的交叉验证手段,可以在满足约束条件的情况下得到超参数空间中的一组较优解。
步骤S204:分类模块根据所述客户的信用评分和/或反欺诈评分,以及每个维度的指标特征的目标阈值,确定所述客户的分类结果。
在步骤S204中,在接收到所述客户的授信申请时,可以根据所述客户的分类结果同意或拒绝所述客户的授信申请。在确定是否通过客户的授信申请时,一般需设定一个通过分数线(即cut-off分数线),高于cut-off分数线的客户的授信申请,风控决策引擎将自动通过其授信申请,否则予以拒绝。cut-off分数线可以基于以上数据分析或者建模人员结合业务需求(如通过率、坏客户占比必须在某个范围等)进行设定。通过信用风险违约模型评估的客户,最后进入额度模型以及风险定价模型,从而给出包括授信额度及利率的最终授信方案。
在本发明实施例中,在确定阈值时,可以确定每个维度指标特征的规则集合,然后根据每个维度的指标特征的规则集合确定每个维度指标特征对应的目标阈值,所述目标阈值是基于决策函数确定的,准确率更高。
为了解决以上问题,本发明实施例提供了一种客户的分类方法,该方法的执行主体为客户的分类装置,所述客户的分类装置包括:校验模块、阈值确定模块、评分模块以及分类模块。图4是本发明实施例的客户的分类方法的流程示意图,如图4所示,该客户的分类方法可以包括如下的步骤S401至步骤S416。
步骤S401:校验模块接收客户的授信申请,所述授信申请包括:所述客户的交易数据;从客户的交易数据中获取客户信息,所述客户信息至少包括:身份信息和/或生物信息。
在步骤S401中,所述身份信息至少包括:身份证号、手机号、银行卡号等,所述生物信息可以为指纹信息、虹膜信息等。通过步骤S101可以判断身份证号、手机号、银行卡号等是否一致且为借款人本人,生物信息识别是否存在身份盗用等。
步骤S402:所述校验模块判断所述客户信息与预存客户信息是否一致。若是,则执行步骤S403;否则,执行步骤S404。
步骤S403:若所述客户的客户信息与预存客户信息一致,则所述校验模块判断所述客户是否在至少一个预设黑名单中。若是,则执行步骤S404;否则,所述校验模块认定所述客户符合校验要求,执行步骤S405。
步骤S404:所述校验模块认定所述客户不符合校验要求,拒绝所述客户的授信申请。
步骤S405:若所述客户符合校验要求,则所述评分模块确定反欺诈评分,所述反欺诈评分是通过预设的反欺诈模型确定的。所述反欺诈评分可以用于反映所述客户的信用风险等级。
步骤S406:所述评分模块根据所述客户的交易数据,判断所述客户是否能够通过反欺诈模型的侦测。若是,则执行步骤S407;否则,执行步骤S412,拒绝所述客户的授信申请。
步骤S407:判断所述客户是否为高风险客户。若是,则执行步骤S412;否则,执行步骤S408。
步骤S407中,判断所述反欺诈评分是否大于或等于第一阈值,若所述反欺诈评分大于第一阈值,则认定所述客户为高风险客户。
步骤S408:评分模块对所述客户的交易数据进行特征衍生处理,并从衍生得到的特征中选择指标特征。
步骤S409:所述评分模块确定每个指标特征对应的信用评分。
步骤S410:所述评分模块将每个指标特征对应的信用评分相加,并将加和作为所述客户的信用评分。
步骤S411:所述评分模块判断所述客户的信用评分是否大于第二阈值;若是,则执行步骤S413;否则,执行步骤S412。
步骤S412:拒绝所述客户的授信申请。
步骤S413:所述阈值确定模块确定每个维度指标特征的规则集合以及每个指标特征的规则集合中规则的阈值所形成的阈值集合。
步骤S414:所述阈值确定模块根据所述规则集合、所述阈值集合以及所述规则集合与所述阈值集合之间的超参数空间,形成决策函数。
步骤S415:所述阈值确定模块根据预设的约束条件求解所述决策函数,所述决策函数的解为所述每个维度指标特征对应的目标阈值,且所述每个维度指标特征对应的目标阈值使得所述决策函数取最大值或最小值。
步骤S416:所述评分模块根据所述客户的信用评分、反欺诈评分以及每个维度的指标特征的目标阈值确定所述客户的分类结果。
在步骤S416中,在接收到所述客户的授信申请后,可以根据所述客户的分类结果同意或拒绝所述客户的授信申请。
需要说明的是,步骤S401至步骤S416的实施原理与步骤S101至步骤S104的实施原理相同,为了避免重复,相同之处不在赘述。
综上,本发明实施例具有以下有益效果:
1)将互联网信贷整个贷前风险审核环节抽象为一个风险决策函数L,从而将整个贷前风控流程中的一系列风险决策问题转化为受约束的风险决策函数L的优化问题,提供了一种较为客观的、科学的风险决策方法论。
2)将风控决策过程中的策略规则所采用的临界阈值视为机器学习模型中的超级参数,从而可以利用机器学习中已有的超级参数搜索技术,从而可以对其进行自动化搜索自动生成相应的策略规则。
3)考虑了风险决策环节各个子决策过程之间的关联性,从整体的角度优化了整个风险决策流程。
图5是本发明实施例的客户分类装置的模块示意图,参见图5,所述客户分类装置可以包括如下模块:
校验模块,用于根据客户的交易数据对所述客户进行校验;
评分模块,用于若所述客户符合校验要求,则确定所述客户的信用评分和/或反欺诈评分;
阈值确定模块,用于确定每个维度指标特征的规则集合,并根据每个维度的指标特征的规则集合确定每个维度指标特征对应的目标阈值;所述指标特征是根据所述客户的交易数据衍生得到的特征;
分类模块,用于根据所述客户的信用评分和/或反欺诈评分,以及每个维度的指标特征的目标阈值,确定所述客户的分类结果。
可选地,所述阈值确定模块进一步用于:
所述阈值确定模块确定每个指标特征的规则集合中规则的阈值所形成的阈值集合;
所述阈值确定模块根据所述规则集合、所述阈值集合以及所述规则集合与所述阈值集合之间的超参数空间,形成决策函数;
所述阈值确定模块根据预设的约束条件求解所述决策函数,所述决策函数的解为所述每个维度指标特征对应的目标阈值,所述每个维度指标特征对应的目标阈值能够使得所述决策函数取最大值或最小值。
可选地,所述指标特征至少包括以下一个或多个维度:社交特征、行为偏好特征、信用履约历史特征以及反欺诈特征;所述规则集合是从央行征信数据源或者其他第三方数据源中提取每个维度的指标特征对应的规则所形成的集合。
可选地,所述评分模块进一步用于:
评分模块根据所述客户的交易数据进行特征衍生处理;
所述评分模块从衍生得到的特征中选择指标特征;
所述评分模块确定每个维度指标特征对应的信用评分;
所述评分模块将每个指标特征对应的信用评分相加,并将加和作为所述客户的信用评分。
可选地,所述评分模块进一步用于:
所述评分模块确定每个维度指标特征的证据权重;
所述评分模块根据所述证据权重以及逻辑回归模型,确定每个维度指标特征对应的信用评分。
可选地,所述分类模块进一步用于:
根据每个维度指标特征对应的目标阈值确定分数线;
根据所述客户的信用评分、反欺诈评分以及所述分数线,对所述客户进行分段处理,以得到所述客户的分类结果。
可选地,所述校验模块进一步用于:
校验模块从客户的交易数据中获取客户信息,所述客户信息至少包括:身份信息和/或生物信息;
所述校验模块判断所述客户信息与预存客户信息是否一致;
若所述客户的客户信息与预存客户信息不一致,则所述校验模块认定客户不满足校验要求;
若所述客户的客户信息与预存客户信息一致,则所述校验模块判断所述客户是否在至少一个预设黑名单中;
若所述客户在至少一个预设黑名单中,则所述校验模块认定所述客户不符合校验要求;
若所述客户不在至少一个预设黑名单中,则所述校验模块根据所述客户的交易数据,则所述校验模块认定所述客户符合校验要求。
在本发明实施例中,在确定阈值时,可以确定每个维度指标特征的规则集合,然后根据每个维度的指标特征的规则集合确定每个维度指标特征对应的目标阈值,所述目标阈值是基于决策函数确定的,准确率更高。
图6示出了可以应用本发明实施例的客户的分类方法或客户分类装置的示例性系统架构600。
如图6所示,系统架构600可以包括终端设备601、602、603,网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604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。
客户可以使用终端设备601、602、603通过网络604与服务器605交互,以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备601、602、603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605可以是提供各种服务的服务器,例如对客户利用终端设备601、602、603所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的客户的分类方法一般由服务器605执行,相应地,客户分类装置一般设置于服务器605中。
应该理解,图6中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图7,其示出了适于用来实现本发明实施例的终端设备的计算机系统700的结构示意图。图7示出的终端设备仅仅是一个示例,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,计算机系统700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的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或者是上述两者的任意组合。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可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本发明中,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。而在本发明中,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。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。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,使得该设备包括:校验模块根据客户的交易数据对所述客户进行校验;若所述客户符合校验要求,则评分模块确定所述客户的信用评分和/或反欺诈评分;阈值确定模块确定每个维度指标特征的规则集合,并根据每个维度的指标特征的规则集合确定每个维度指标特征对应的目标阈值;所述指标特征是根据所述客户的交易数据衍生得到的特征;分类模块根据所述客户的信用评分和/或反欺诈评分,以及每个维度的指标特征的目标阈值,确定所述客户的分类结果。
在本发明实施例中,在确定阈值时,可以确定每个维度指标特征的规则集合,然后根据每个维度的指标特征的规则集合确定每个维度指标特征对应的目标阈值,所述目标阈值是基于决策函数确定的,准确率更高。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (8)
1.一种客户的分类方法,其特征在于,包括:
校验模块根据客户的交易数据对所述客户进行校验;
若所述客户符合校验要求,则评分模块确定所述客户的信用评分和/或反欺诈评分;其中,评分模块确定所述客户的信用评分包括:根据所述客户的交易数据进行特征衍生处理,从衍生得到的特征中选择指标特征,确定每个维度指标特征对应的信用评分,将每个指标特征对应的信用评分相加并将加和作为所述客户的信用评分;
阈值确定模块确定每个维度指标特征的规则集合,并根据每个维度的指标特征的规则集合以及决策函数,确定每个维度指标特征对应的目标阈值;所述指标特征是根据所述客户的交易数据衍生得到的特征;
分类模块根据所述客户的信用评分和/或反欺诈评分,以及每个维度的指标特征的目标阈值,确定所述客户的分类结果;
其中,根据每个维度的指标特征的规则集合确定每个维度指标特征对应的目标阈值包括:
所述阈值确定模块确定每个指标特征的规则集合中规则的阈值所形成的阈值集合;
所述阈值确定模块根据所述规则集合、所述阈值集合以及所述规则集合与所述阈值集合之间的超参数空间,形成决策函数;
所述阈值确定模块借助机器学习中的超参数搜索和交叉验证手段并根据预设的约束条件求解所述决策函数,所述决策函数的解为所述每个维度指标特征对应的目标阈值,所述每个维度指标特征对应的目标阈值能够使得所述决策函数取最大值或最小值。
2.根据权利要求1所述的方法,其特征在于,所述指标特征至少包括以下一个或多个维度:社交特征、行为偏好特征、信用履约历史特征以及反欺诈特征;所述规则集合是从央行征信数据源或者其他第三方数据源中提取每个维度的指标特征对应的规则所形成的集合。
3.根据权利要求1所述的方法,其特征在于,所述评分模块确定每个维度指标特征对应的信用评分包括:
所述评分模块确定每个维度指标特征的证据权重;
所述评分模块根据所述证据权重以及逻辑回归模型,确定每个维度指标特征对应的信用评分。
4.根据权利要求1所述的方法,其特征在于,分类模块根据所述客户的信用评分、反欺诈评分以及每个维度的指标特征的目标阈值确定所述客户的分类结果包括:
根据每个维度指标特征对应的目标阈值确定分数线;
根据所述客户的信用评分、反欺诈评分以及所述分数线,对所述客户进行分段处理,以得到所述客户的分类结果。
5.根据权利要求1所述的方法,其特征在于,校验模块根据客户的交易数据对所述客户进行校验包括:
校验模块从客户的交易数据中获取客户信息,所述客户信息至少包括:身份信息和/或生物信息;
所述校验模块判断所述客户信息与预存客户信息是否一致;
若所述客户的客户信息与预存客户信息不一致,则所述校验模块认定客户不满足校验要求;
若所述客户的客户信息与预存客户信息一致,则所述校验模块判断所述客户是否在至少一个预设黑名单中;
若所述客户在至少一个预设黑名单中,则所述校验模块认定所述客户不符合校验要求;
若所述客户不在至少一个预设黑名单中,则所述校验模块根据所述客户的交易数据,则所述校验模块认定所述客户符合校验要求。
6.一种客户分类装置,其特征在于,包括:
校验模块,用于根据客户的交易数据对所述客户进行校验;
评分模块,用于若所述客户符合校验要求,则确定所述客户的信用评分和/或反欺诈评分;其中,评分模块确定所述客户的信用评分包括:根据所述客户的交易数据进行特征衍生处理,从衍生得到的特征中选择指标特征,确定每个维度指标特征对应的信用评分,将每个指标特征对应的信用评分相加并将加和作为所述客户的信用评分;
阈值确定模块,用于确定每个维度指标特征的规则集合,并根据每个维度的指标特征的规则集合确定每个维度指标特征对应的目标阈值;所述指标特征是根据所述客户的交易数据衍生得到的特征;其中,根据每个维度的指标特征的规则集合确定每个维度指标特征对应的目标阈值包括:所述阈值确定模块确定每个指标特征的规则集合中规则的阈值所形成的阈值集合;所述阈值确定模块根据所述规则集合、所述阈值集合以及所述规则集合与所述阈值集合之间的超参数空间,形成决策函数;所述阈值确定模块借助机器学习中的超参数搜索和交叉验证手段并根据预设的约束条件求解所述决策函数,所述决策函数的解为所述每个维度指标特征对应的目标阈值,所述每个维度指标特征对应的目标阈值能够使得所述决策函数取最大值或最小值;
分类模块,用于根据所述客户的信用评分和/或反欺诈评分,以及每个维度的指标特征的目标阈值,确定所述客户的分类结果。
7.一种客户分类装置,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1-5中任一所述的方法。
8.一种计算机可读介质,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1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011484452.3A CN112561685B (zh) | 2020-12-15 | 2020-12-15 | 客户的分类方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011484452.3A CN112561685B (zh) | 2020-12-15 | 2020-12-15 | 客户的分类方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112561685A CN112561685A (zh) | 2021-03-26 |
CN112561685B true CN112561685B (zh) | 2023-10-17 |
Family
ID=75064076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011484452.3A Active CN112561685B (zh) | 2020-12-15 | 2020-12-15 | 客户的分类方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112561685B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113590310A (zh) * | 2021-07-02 | 2021-11-02 | 上海淇玥信息技术有限公司 | 基于规则触碰率评分的资源分配方法、装置及电子设备 |
CN113723795B (zh) * | 2021-08-26 | 2023-11-07 | 泰康保险集团股份有限公司 | 一种信息投放策略测试方法、装置、存储介质和电子设备 |
CN114066478A (zh) * | 2021-09-27 | 2022-02-18 | 东方微银科技股份有限公司 | 一种基于知产信息的目标分类评估方法及设备 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104574220A (zh) * | 2015-01-30 | 2015-04-29 | 国家电网公司 | 基于最小二乘支持向量机的电力客户信用评估方法 |
CN106651570A (zh) * | 2016-12-27 | 2017-05-10 | 中国建设银行股份有限公司 | 一种贷款实时审批系统和方法 |
CN106897918A (zh) * | 2017-02-24 | 2017-06-27 | 上海易贷网金融信息服务有限公司 | 一种混合式机器学习信用评分模型构建方法 |
CN108537460A (zh) * | 2018-04-18 | 2018-09-14 | 上海融之家金融信息服务有限公司 | 用户风险预测方法及系统 |
CN109035003A (zh) * | 2018-07-04 | 2018-12-18 | 北京玖富普惠信息技术有限公司 | 基于机器学习的反欺诈模型建模方法和反欺诈监控方法 |
CN109034502A (zh) * | 2018-09-04 | 2018-12-18 | 中国光大银行股份有限公司信用卡中心 | 反欺诈预测方法及装置 |
CN109242307A (zh) * | 2018-09-04 | 2019-01-18 | 中国光大银行股份有限公司信用卡中心 | 一种反欺诈策略分析方法、服务器、电子设备及存储介质 |
CN109255517A (zh) * | 2018-07-27 | 2019-01-22 | 阿里巴巴集团控股有限公司 | 风控策略的生成方法、装置、服务器及可读存储介质 |
CN110009479A (zh) * | 2019-03-01 | 2019-07-12 | 百融金融信息服务股份有限公司 | 信用评价方法及装置、存储介质、计算机设备 |
CN110223165A (zh) * | 2019-06-14 | 2019-09-10 | 哈尔滨哈银消费金融有限责任公司 | 一种基于关联网络的反欺诈和信用风险预测方法和系统 |
CN110458687A (zh) * | 2019-07-05 | 2019-11-15 | 平安银行股份有限公司 | 决策自动审批方法、装置及计算机可读存储介质 |
CN111523997A (zh) * | 2020-04-21 | 2020-08-11 | 中国工商银行股份有限公司 | 客户风险评估方法和装置、以及电子设备和可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10210464B2 (en) * | 2015-03-11 | 2019-02-19 | Qualcomm Incorporated | Online training for object recognition system |
-
2020
- 2020-12-15 CN CN202011484452.3A patent/CN112561685B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104574220A (zh) * | 2015-01-30 | 2015-04-29 | 国家电网公司 | 基于最小二乘支持向量机的电力客户信用评估方法 |
CN106651570A (zh) * | 2016-12-27 | 2017-05-10 | 中国建设银行股份有限公司 | 一种贷款实时审批系统和方法 |
CN106897918A (zh) * | 2017-02-24 | 2017-06-27 | 上海易贷网金融信息服务有限公司 | 一种混合式机器学习信用评分模型构建方法 |
CN108537460A (zh) * | 2018-04-18 | 2018-09-14 | 上海融之家金融信息服务有限公司 | 用户风险预测方法及系统 |
CN109035003A (zh) * | 2018-07-04 | 2018-12-18 | 北京玖富普惠信息技术有限公司 | 基于机器学习的反欺诈模型建模方法和反欺诈监控方法 |
CN109255517A (zh) * | 2018-07-27 | 2019-01-22 | 阿里巴巴集团控股有限公司 | 风控策略的生成方法、装置、服务器及可读存储介质 |
CN109034502A (zh) * | 2018-09-04 | 2018-12-18 | 中国光大银行股份有限公司信用卡中心 | 反欺诈预测方法及装置 |
CN109242307A (zh) * | 2018-09-04 | 2019-01-18 | 中国光大银行股份有限公司信用卡中心 | 一种反欺诈策略分析方法、服务器、电子设备及存储介质 |
CN110009479A (zh) * | 2019-03-01 | 2019-07-12 | 百融金融信息服务股份有限公司 | 信用评价方法及装置、存储介质、计算机设备 |
CN110223165A (zh) * | 2019-06-14 | 2019-09-10 | 哈尔滨哈银消费金融有限责任公司 | 一种基于关联网络的反欺诈和信用风险预测方法和系统 |
CN110458687A (zh) * | 2019-07-05 | 2019-11-15 | 平安银行股份有限公司 | 决策自动审批方法、装置及计算机可读存储介质 |
CN111523997A (zh) * | 2020-04-21 | 2020-08-11 | 中国工商银行股份有限公司 | 客户风险评估方法和装置、以及电子设备和可读存储介质 |
Non-Patent Citations (3)
Title |
---|
CLASSIFICATION OF CUSTOMER CREDIT DATA FOR INTELLIGENT CREDIT SCORING SYSTEM USING FUZZY SET AND MC2 – DOMAIN DRIVEN APPROACH;P.Marikkannu等;《IEEE》;20110707;全文 * |
Ensemble GradientBoost for increasing classification accuracy of credit scoring;Armin Lawi等;《IEEE》;20180322;全文 * |
基于粗糙集的客户分类方法研究;刘丰胜;《中国优秀博硕士学位论文全文数据库(硕士)经济与管理科学辑》;20070115(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112561685A (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112561685B (zh) | 客户的分类方法和装置 | |
US9294497B1 (en) | Method and system for behavioral and risk prediction in networks using automatic feature generation and selection using network topolgies | |
CN116342259A (zh) | 一种用户信用自动评级方法、装置、电子设备及介质 | |
JP2020522832A (ja) | 信用力があると判定された消費者にローンを発行するシステムおよび方法 | |
CN112102073A (zh) | 信贷风险控制方法及系统、电子设备及可读存储介质 | |
CN110930218B (zh) | 一种识别欺诈客户的方法、装置及电子设备 | |
EP3726441A1 (en) | Company bankruptcy prediction system and operating method therefor | |
CN112508580A (zh) | 基于拒绝推断方法的模型构建方法、装置和电子设备 | |
CN113627566A (zh) | 一种网络诈骗的预警方法、装置和计算机设备 | |
CN114186626A (zh) | 一种异常检测方法、装置、电子设备及计算机可读介质 | |
Xu et al. | A hybrid interpretable credit card users default prediction model based on RIPPER | |
CN112232950A (zh) | 针对借贷风险的评估方法及装置、设备、计算机可读存储介质 | |
KR101999765B1 (ko) | 데이터마이닝 기술을 이용한 금융 사기 대출 패턴화 분석 시스템 및 방법 | |
CN112950359B (zh) | 一种用户识别方法和装置 | |
CN113298121B (zh) | 基于多数据源建模的消息发送方法、装置和电子设备 | |
CN110930242B (zh) | 一种可信度预测方法、装置、设备和存储介质 | |
CN117132383A (zh) | 一种信贷数据处理方法、装置、设备及可读存储介质 | |
US11348115B2 (en) | Method and apparatus for identifying risky vertices | |
CN114170000A (zh) | 信用卡用户风险类别识别方法、装置、计算机设备和介质 | |
CN112529303A (zh) | 基于模糊决策的风险预测方法、装置、设备和存储介质 | |
CN113723522B (zh) | 异常用户的识别方法、装置、电子设备以及存储介质 | |
CN117974297A (zh) | 一种业务处理方法、装置、电子设备及计算机可读介质 | |
CN115409636A (zh) | 产品风险预测方法、装置、设备及介质 | |
CN116308615A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN117575773A (zh) | 业务数据的确定方法、装置、计算机设备、存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |