CN112950354A - 账户的信用评分方法、装置和存储介质及电子装置 - Google Patents
账户的信用评分方法、装置和存储介质及电子装置 Download PDFInfo
- Publication number
- CN112950354A CN112950354A CN202110217980.0A CN202110217980A CN112950354A CN 112950354 A CN112950354 A CN 112950354A CN 202110217980 A CN202110217980 A CN 202110217980A CN 112950354 A CN112950354 A CN 112950354A
- Authority
- CN
- China
- Prior art keywords
- target
- data
- account
- feature
- repayment
- 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
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Technology Law (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种账户的信用评分方法、装置和存储介质及电子装置。其中,该方法包括:获取目标账户的目标消费数据以及目标还款数据;分别对目标消费数据以及目标还款数据进行特征提取,以得到目标消费数据对应的第一特征,以及目标还款数据对应的第二特征;对目标消费数据对应的第二特征进行特征处理,以得到用于表示时间序列上的目标还款数据对应的第三特征;对目标消费数据对应的第一特征以及目标还款数据对应的第三特征进行特征拼接,以得到目标特征;基于目标特征获取目标账户的信用评分,其中,信用评分用于评估目标账户的可信任程度。本发明解决了账户的信用评分的准确性较差的技术问题。
Description
技术领域
本发明涉及计算机领域,具体而言,涉及一种账户的信用评分方法、装置和存储介质及电子装置。
背景技术
近年来社会扩大再生产对补充资金的需要越来越大,进而贷款作为银行或其他金融机构按一定利率和必须归还等条件出借货币资金的一种信用活动形式,其应用越发广泛。
此外,贷款作为一种信用活动形式,其是基于账户信用来决定是否可贷,若可贷,则可贷金额是多少,如果对账户信用的判断出现偏差,则加大了贷款放出后该账户无法偿还的风险。换言之,现有技术中缺少一种高准确性的账户信用评分方法。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种账户的信用评分方法、装置和存储介质及电子装置,以至少解决账户的信用评分的准确性较差的技术问题。
根据本发明实施例的一个方面,提供了一种账户的信用评分方法,包括:获取目标账户的目标消费数据以及目标还款数据;分别对上述目标消费数据以及上述目标还款数据进行特征提取,以得到上述目标消费数据对应的第一特征,以及上述目标还款数据对应的第二特征;对上述目标消费数据对应的第二特征进行特征处理,以得到用于表示时间序列上的上述目标还款数据对应的第三特征;对上述目标消费数据对应的第一特征以及上述目标还款数据对应的第三特征进行特征拼接,以得到目标特征;基于上述目标特征获取上述目标账户的信用评分,其中,上述信用评分用于评估上述目标账户的可信任程度。
作为一种可选的实施方式,上述分别对上述目标消费数据以及上述目标还款数据进行特征提取,包括:将上述目标消费数据输入信用评分模型的第一子结构,其中,上述第一子结构用于提取上述第一特征,上述信用评分模型为利用多个样本账户的行为数据进行训练后得到的用于对行为数据进行信用评分的神经网络模型,上述行为数据包括消费数据以及还款数据;获取上述第一子结构输出的上述目标消费数据对应的第一特征;将上述目标消费数据输入上述信用评分模型的第二子结构,其中,上述第二子结构用于提取上述第二特征;获取上述第二子结构输出的上述目标还款数据对应的第二特征。
作为一种可选的实施方式,上述对上述目标消费数据对应的第二特征进行特征处理,以得到用于表示时间序列上的上述目标还款数据对应的第三特征,包括:将上述第二特征输入上述信用评分模型中的第三子结构,其中,上述第三子结构用于获取上述第三特征;获取上述第三子结构输出的上述目标还款数据对应的第三特征。
作为一种可选的实施方式,上述获取目标账户的目标消费数据以及目标还款数据,包括:获取上述目标账户在第一时间段内的消费数据,其中,上述消费数据用于表示账户资源的消费支出数据;获取上述目标账户在第二时间段内的还款数据,其中,上述还款数据用于表示账户资源的还款支出数据。
作为一种可选的实施方式,上述获取上述目标账户在第二时间段内的还款数据,包括以下至少之一:获取上述目标账户在上述第二时间段内的还款时刻的正常还款数据;获取上述目标账户在上述第二时间段内,且还款时刻之前的提前还款数据;获取上述目标账户在上述第二时间段内,且还款时刻之后的逾期还款数据。
作为一种可选的实施方式,在上述基于上述目标特征获取上述目标账户的信用评分之后,包括:在获取到上述目标账户触发的资源转移请求,且上述目标账户的信用评分达到目标阈值的情况下,响应上述资源转移请求,转移上述目标阈值对应的账户资源至上述目标账户。
根据本发明实施例的另一方面,还提供了一种账户的信用评分装置,包括:第一获取单元,用于获取目标账户的目标消费数据以及目标还款数据;提取单元,用于分别对上述目标消费数据以及上述目标还款数据进行特征提取,以得到上述目标消费数据对应的第一特征,以及上述目标还款数据对应的第二特征;处理单元,用于对上述目标消费数据对应的第二特征进行特征处理,以得到用于表示时间序列上的上述目标还款数据对应的第三特征;拼接单元,用于对上述目标消费数据对应的第一特征以及上述目标还款数据对应的第三特征进行特征拼接,以得到目标特征;第二获取单元,用于基于上述目标特征获取上述目标账户的信用评分,其中,上述信用评分用于评估上述目标账户的可信任程度。
作为一种可选的实施方式,上述提取单元,包括:第一输入模块,用于将上述目标消费数据输入信用评分模型的第一子结构,其中,上述第一子结构用于提取上述第一特征,上述信用评分模型为利用多个样本账户的行为数据进行训练后得到的用于对行为数据进行信用评分的神经网络模型,上述行为数据包括消费数据以及还款数据;第一获取模块,用于获取上述第一子结构输出的上述目标消费数据对应的第一特征;第二输入模块,用于将上述目标消费数据输入上述信用评分模型的第二子结构,其中,上述第二子结构用于提取上述第二特征;第二获取模块,用于获取上述第二子结构输出的上述目标还款数据对应的第二特征。
作为一种可选的实施方式,上述处理单元,包括:第三输入模块,用于将上述第二特征输入上述信用评分模型中的第三子结构,其中,上述第三子结构用于获取上述第三特征;第三获取模块,用于获取上述第三子结构输出的上述目标还款数据对应的第三特征。
作为一种可选的实施方式,上述第一获取单元,包括:第四获取模块,用于获取上述目标账户在第一时间段内的消费数据,其中,上述消费数据用于表示账户资源的消费支出数据;
第五获取模块,用于获取上述目标账户在第二时间段内的还款数据,其中,上述还款数据用于表示账户资源的还款支出数据。
作为一种可选的实施方式,上述第五获取模块,包括以下至少之一:第一获取子模块,用于获取上述目标账户在上述第二时间段内的还款时刻的正常还款数据;第二获取子模块,用于获取上述目标账户在上述第二时间段内,且还款时刻之前的提前还款数据;第三获取子模块,用于获取上述目标账户在上述第二时间段内,且还款时刻之后的逾期还款数据。
作为一种可选的实施方式,包括:转移单元,用于在上述基于上述目标特征获取上述目标账户的信用评分之后,在获取到上述目标账户触发的资源转移请求,且上述目标账户的信用评分达到目标阈值的情况下,响应上述资源转移请求,转移上述目标阈值对应的账户资源至上述目标账户。
根据本发明实施例的又一方面,还提供了一种计算机可读的存储介质,该计算机可读的存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述账户的信用评分方法。
根据本发明实施例的又一方面,还提供了一种电子装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,上述处理器通过计算机程序执行上述的账户的信用评分方法。
在本发明实施例中,获取目标账户的目标消费数据以及目标还款数据;分别对上述目标消费数据以及上述目标还款数据进行特征提取,以得到上述目标消费数据对应的第一特征,以及上述目标还款数据对应的第二特征;对上述目标消费数据对应的第二特征进行特征处理,以得到用于表示时间序列上的上述目标还款数据对应的第三特征;对上述目标消费数据对应的第一特征以及上述目标还款数据对应的第三特征进行特征拼接,以得到目标特征;基于上述目标特征获取上述目标账户的信用评分,其中,上述信用评分用于评估上述目标账户的可信任程度,通过结合账户的消费数据以及还款数据,并利用时间序列处理消费数据的方式,进而达到了提高对账户信用相关数据的刻画能力的目的,从而实现了提高账户的信用评分准确性的技术效果,进而解决了账户的信用评分的准确性较差的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种可选的账户的信用评分方法的应用环境的示意图;
图2是根据本发明实施例的一种可选的账户的信用评分方法的流程图的示意图;
图3是根据本发明实施例的一种可选的账户的信用评分方法的示意图;
图4是根据本发明实施例的另一种可选的账户的信用评分方法的示意图;
图5是根据本发明实施例的一种可选的账户的信用评分装置的示意图;
图6是根据本发明实施例的一种可选的电子装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例的一个方面,提供了一种账户的信用评分方法,可选地,作为一种可选的实施方式,上述账户的信用评分方法可以但不限于应用于如图1所示的环境中。其中,可以但不限于包括用户设备102、网络110及服务器112,其中,该用户设备102上可以但不限于包括显示器108、处理器106及存储器104。
具体过程可如下步骤:
步骤S102,用户设备102在客户端上获取作为目标账户的第一账户的账户相关数据,其中,该账户相关数据至少包括消费数据以及还款数据;
步骤S104-S106,用户设备102通过网络110将账户相关数据发送给服务器112;
步骤S108,服务器112通过处理引擎116将该账户相关数据进行处理,从而生成账户信用评分,其中,该账户信用评分用于评估第一账户的可信任程度,可选的,账户信用评分越高,可信任度程度越高;
步骤S110-S112,服务器112通过网络110将账户信用评分发送给用户设备102,用户设备102中的处理器106将账户信用评分显示在显示器108中,并将账户信用评分存储在存储器104中。
可选地,作为一种可选的实施方式,如图2所示,账户的信用评分方法包括:
S202,获取目标账户的目标消费数据以及目标还款数据;
S204,分别对目标消费数据以及目标还款数据进行特征提取,以得到目标消费数据对应的第一特征,以及目标还款数据对应的第二特征;
S206,对目标消费数据对应的第二特征进行特征处理,以得到用于表示时间序列上的目标还款数据对应的第三特征;
S208,对目标消费数据对应的第一特征以及目标还款数据对应的第三特征进行特征拼接,以得到目标特征;
S210,基于目标特征获取目标账户的信用评分,其中,信用评分用于评估目标账户的可信任程度。
可选的,在本实施例中,上述账户的信用评分方法可以但不限应用在金融领域,通过对账户交易流水时序挖掘方法的研究,结合了消费数据以及带有时间属性的还款数据,完整刻画了一个用户在交易流水上的表现,相比于传统技术在金融领域的流水历史数据挖掘主要依赖开发人员的业务经验,上述账户的信用评分方法受到工作人员的认为因素影响较小,可对账户提供更为准确的信用评分。
可选的,在本实施例中,目标消费数据可以但不限于为消费支出数据,假设目标账户为某餐饮企业的账户,则该目标消费数据可以但不限于为最近一个月餐饮业交易笔数,餐饮业交易金额,餐饮业最大交易金额,餐饮业发生交易天数等。
可选的,在本实施例中,目标还款数据可以但不限于为还款支出数据,其还款的对象可以但不限于为至少一个借款对象,例如银行或金融机构等;
可选的,在本实施例中,时间序列上的目标还款数据可以但不限于将目标还款数据中的时间数据以及还款数据结合,例如客户贷款每次还款的观察点正常应收本金、观察点正常应收利息、观察点正常还款本金、观察点正常还款利息、观察点逾期还款本金、观察点提前还款本金、观察点实际还款本金、观察点实际还款利息等带有时间特性的还款数据。
可选的,在本实施例中,特征提取可以但不限于通过属性间的关系,如组合不同的属性得到新的属性,以改变原来的特征空间,例如PCA、LDA、SVD等。
可选的,在本实施例中,特征拼接可以但不限用于将不同维度或相同纬度的至少两个特征拼接为同一维度的一个特征,例如待拼接的第一特征为50维的向量,第三特征为40维的向量,则拼接后的目标特征可以但不限于为90维的向量。此处仅为举例说明,并不对拼接方式作限定。
需要说明的是,获取目标账户的目标消费数据以及目标还款数据;分别对目标消费数据以及目标还款数据进行特征提取,以得到目标消费数据对应的第一特征,以及目标还款数据对应的第二特征;对目标消费数据对应的第二特征进行特征处理,以得到用于表示时间序列上的目标还款数据对应的第三特征;对目标消费数据对应的第一特征以及目标还款数据对应的第三特征进行特征拼接,以得到目标特征;基于目标特征获取目标账户的信用评分,其中,信用评分用于评估目标账户的可信任程度。
进一步举例说明,可选的上述账户的信用评分方法的执行例如图3所示,将目标账户302关联的目标消费数据3022以及目标还款数据3024进行特征提取,以获得第一特征304以及第二特征306;进一步,将第二特征306处理为带有时间特性的第三特征308;再者,对第一特征304以及第三特征308执行特征拼接,以获得目标特征310,进而根据目标特征310确定最终的信用评分312。
通过本申请提供的实施例,获取目标账户的目标消费数据以及目标还款数据;分别对目标消费数据以及目标还款数据进行特征提取,以得到目标消费数据对应的第一特征,以及目标还款数据对应的第二特征;对目标消费数据对应的第二特征进行特征处理,以得到用于表示时间序列上的目标还款数据对应的第三特征;对目标消费数据对应的第一特征以及目标还款数据对应的第三特征进行特征拼接,以得到目标特征;基于目标特征获取目标账户的信用评分,其中,信用评分用于评估目标账户的可信任程度,通过结合账户的消费数据以及还款数据,并利用时间序列处理消费数据的方式,进而达到了提高对账户信用相关数据的刻画能力的目的,从而实现了提高账户的信用评分准确性的技术效果。
作为一种可选的方案,分别对目标消费数据以及目标还款数据进行特征提取,包括:
S1,将目标消费数据输入信用评分模型的第一子结构,其中,第一子结构用于提取第一特征,信用评分模型为利用多个样本账户的行为数据进行训练后得到的用于对行为数据进行信用评分的神经网络模型,行为数据包括消费数据以及还款数据;
S2,获取第一子结构输出的目标消费数据对应的第一特征;
S3,将目标消费数据输入信用评分模型的第二子结构,其中,第二子结构用于提取第二特征;
S4,获取第二子结构输出的目标还款数据对应的第二特征。
可选的,在本实施例中,神经网络模型(Neural Networks,简称NN)可以但不限于是由大量的、简单的处理单元广泛地互相连接而形成的复杂网络系统,其反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统,可选的,信用评分模型可以但不限于为循环神经网络模型(Recurrent Neural Network,简称RNN)、递归神经网络模型(recursive neural network)、卷积神经网络模型等,具体的,以RNN模型为例说明,RNN模型可以但不限于是一类以序列数据为输入,在序列的演进方向进行递归,且所有节点按链式连接的递归神经网络。
可选的,在本实施例中,样本账户包括标记有贷款违约标签的样本账户以及无标记的样本账户,还可以但不限于利用多个样本账户的行为数据对初始信用评分模型进行迭代训练,并根据信用评分模型的输出结果,与样本账户的标记信息求softmax损失,直至达到收敛条件,完成对信用评分模型的训练。
需要说明的是,将目标消费数据输入信用评分模型的第一子结构,其中,第一子结构用于提取第一特征,信用评分模型为利用多个样本账户的行为数据进行训练后得到的用于对行为数据进行信用评分的神经网络模型,行为数据包括消费数据以及还款数据;获取第一子结构输出的目标消费数据对应的第一特征;将目标消费数据输入信用评分模型的第二子结构,其中,第二子结构用于提取第二特征;获取第二子结构输出的目标还款数据对应的第二特征。
通过本申请提供的实施例,将目标消费数据输入信用评分模型的第一子结构,其中,第一子结构用于提取第一特征,信用评分模型为利用多个样本账户的行为数据进行训练后得到的用于对行为数据进行信用评分的神经网络模型,行为数据包括消费数据以及还款数据;获取第一子结构输出的目标消费数据对应的第一特征;将目标消费数据输入信用评分模型的第二子结构,其中,第二子结构用于提取第二特征;获取第二子结构输出的目标还款数据对应的第二特征,达到了提高特征提取的自动化的目的,实现了提高特征的提取效率的效果。
作为一种可选的方案,对目标消费数据对应的第二特征进行特征处理,以得到用于表示时间序列上的目标还款数据对应的第三特征,包括:
S1,将第二特征输入信用评分模型中的第三子结构,其中,第三子结构用于获取第三特征;
S2,获取第三子结构输出的目标还款数据对应的第三特征。
可选的,在本实施例中,第三子结构可以但不限于为以序列数据为输入,在序列的演进方向进行递归,且所有节点按链式连接的网络结构,例如第三子结构为GRU(GatedRecurrent Unit)循环神经网络结构,其中,GRU网络结构包括两个门,一个重置门和一个更新门,直观的讲,重置门用于决定如何把新的输入与之前的记忆相结合,更新门决定多少先前的记忆起作用,第二特征可以但不限于携带有目标还款数据的还款数据以及对应的时间数据,第三特征可以但不限用于表示带有时间特性的还款序列数据。
需要说明的是,将第二特征输入信用评分模型中的第三子结构,其中,第三子结构用于获取第三特征;获取第三子结构输出的目标还款数据对应的第三特征。
进一步举例说明,可选的基于图3所示场景,继续例如图4所示,将目标还款数据3024以及目标消费数据3022输入信用评分模型,并利用第一子结构404以及第二子结构406分别对该目标还款数据3024以及目标消费数据3022进行特征提取,其中,第二子结构406将提取到的特征输入第三子结构408中;进一步,将第一子结构404提取到的特征,以及第三子结构输出的特征输入输出结构410中,以供该输出结构410进行特征拼接以及结果输出;进而将输出结构410输出的结果确定为最终的信用评分312。
通过本申请提供的实施例,将第二特征输入信用评分模型中的第三子结构,其中,第三子结构用于获取第三特征;获取第三子结构输出的目标还款数据对应的第三特征,达到了提高特征处理的自动化的目的,实现了提高特征的处理效率的效果。
作为一种可选的方案,获取目标账户的目标消费数据以及目标还款数据,包括:
S1,获取目标账户在第一时间段内的消费数据,其中,消费数据用于表示账户资源的消费支出数据;
S2,获取目标账户在第二时间段内的还款数据,其中,还款数据用于表示账户资源的还款支出数据。
可选的,在本实施例中,第一时间段以及第二时间段可以但不限于不同,且第二时间段可以但不限于包括第一时间段,以达到监控目标账户处于需还款状态时的消费数据。
需要说明的是,获取目标账户在第一时间段内的消费数据,其中,消费数据用于表示账户资源的消费支出数据;获取目标账户在第二时间段内的还款数据,其中,还款数据用于表示账户资源的还款支出数据。
通过本申请提供的实施例,获取目标账户在第一时间段内的消费数据,其中,消费数据用于表示账户资源的消费支出数据;获取目标账户在第二时间段内的还款数据,其中,还款数据用于表示账户资源的还款支出数据,达到了及时获取账户相关数据的目的,实现了账户相关数据的获取及时性的效果。
作为一种可选的方案,获取目标账户在第二时间段内的还款数据,包括以下至少之一:
S1,获取目标账户在第二时间段内的还款时刻的正常还款数据;
S2,获取目标账户在第二时间段内,且还款时刻之前的提前还款数据;
S3,获取目标账户在第二时间段内,且还款时刻之后的逾期还款数据。
需要说明的是,获取目标账户在第二时间段内的还款时刻的正常还款数据;获取目标账户在第二时间段内,且还款时刻之前的提前还款数据;获取目标账户在第二时间段内,且还款时刻之后的逾期还款数据。可选的,还款时刻可以但不限于由多种类型,其类型与还款类型相对应,例如还款类型为还本金、还利息等。
进一步举例说明,可选的例如2019年1月30日为应收本金的第一还款时刻,2019年1月30日为正常应收利息的第二还款时刻,而该目标账户的账户相关数据表示,该目标账户在2019年1月30日未正常还款本金、2019年1月30日正常还款利息、2019年1月33日逾期还款本金等。
通过本申请提供的实施例,获取目标账户在第二时间段内的还款时刻的正常还款数据;获取目标账户在第二时间段内,且还款时刻之前的提前还款数据;获取目标账户在第二时间段内,且还款时刻之后的逾期还款数据,达到了获取还款数据与时间之间的更直观的关联关系的目的,实现了提高还款数据的时效性的效果。
作为一种可选的方案,在基于目标特征获取目标账户的信用评分之后,包括:
在获取到目标账户触发的资源转移请求,且目标账户的信用评分达到目标阈值的情况下,响应资源转移请求,转移目标阈值对应的账户资源至目标账户。
需要说明的是,在获取到目标账户触发的资源转移请求,且目标账户的信用评分达到目标阈值的情况下,响应资源转移请求,转移目标阈值对应的账户资源至目标账户。
进一步举例说明,可选的例如在目标账户的信用评分达到目标阈值的情况下,在工作人员对应的客户端上显示该目标账户的信用评分,以及对应的可借款金额,在该目标账户触发有小于等于该可借款金额的资源转移请求的情况下,为该目标账户提供对应的借款金额。
通过本申请提供的实施例,在获取到目标账户触发的资源转移请求,且目标账户的信用评分达到目标阈值的情况下,响应资源转移请求,转移目标阈值对应的账户资源至目标账户,达到了在账户信用评分满足要求的情况下,快速转移资源的目的,实现了提高资源转移的效率的效果。
需要说明的是,对于前述的各方法实施例,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,本发明并不受所描述的动作顺序的限制,因为依据本发明,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,所涉及的动作和模块并不一定是本发明所必须的。
根据本发明实施例的另一个方面,还提供了一种用于实施上述账户的信用评分方法的账户的信用评分装置。如图5所示,该装置包括:
第一获取单元502,用于获取目标账户的目标消费数据以及目标还款数据;
提取单元504,用于分别对目标消费数据以及目标还款数据进行特征提取,以得到目标消费数据对应的第一特征,以及目标还款数据对应的第二特征;
处理单元506,用于对目标消费数据对应的第二特征进行特征处理,以得到用于表示时间序列上的目标还款数据对应的第三特征;
拼接单元508,用于对目标消费数据对应的第一特征以及目标还款数据对应的第三特征进行特征拼接,以得到目标特征;
第二获取单元510,用于基于目标特征获取目标账户的信用评分,其中,信用评分用于评估目标账户的可信任程度。
可选的,在本实施例中,上述账户的信用评分装置可以但不限应用在金融领域,通过对账户交易流水时序挖掘装置的研究,结合了消费数据以及带有时间属性的还款数据,完整刻画了一个用户在交易流水上的表现,相比于传统技术在金融领域的流水历史数据挖掘主要依赖开发人员的业务经验,上述账户的信用评分装置受到工作人员的认为因素影响较小,可对账户提供更为准确的信用评分。
可选的,在本实施例中,目标消费数据可以但不限于为消费支出数据,假设目标账户为某餐饮企业的账户,则该目标消费数据可以但不限于为最近一个月餐饮业交易笔数,餐饮业交易金额,餐饮业最大交易金额,餐饮业发生交易天数等。
可选的,在本实施例中,目标还款数据可以但不限于为还款支出数据,其还款的对象可以但不限于为至少一个借款对象,例如银行或金融机构等;
可选的,在本实施例中,时间序列上的目标还款数据可以但不限于将目标还款数据中的时间数据以及还款数据结合,例如客户贷款每次还款的观察点正常应收本金、观察点正常应收利息、观察点正常还款本金、观察点正常还款利息、观察点逾期还款本金、观察点提前还款本金、观察点实际还款本金、观察点实际还款利息等带有时间特性的还款数据。
可选的,在本实施例中,特征提取可以但不限于通过属性间的关系,如组合不同的属性得到新的属性,以改变原来的特征空间,例如PCA、LDA、SVD等。
可选的,在本实施例中,特征拼接可以但不限用于将不同维度或相同纬度的至少两个特征拼接为同一维度的一个特征,例如待拼接的第一特征为50维的向量,第三特征为40维的向量,则拼接后的目标特征可以但不限于为90维的向量。此处仅为举例说明,并不对拼接方式作限定。
需要说明的是,获取目标账户的目标消费数据以及目标还款数据;分别对目标消费数据以及目标还款数据进行特征提取,以得到目标消费数据对应的第一特征,以及目标还款数据对应的第二特征;对目标消费数据对应的第二特征进行特征处理,以得到用于表示时间序列上的目标还款数据对应的第三特征;对目标消费数据对应的第一特征以及目标还款数据对应的第三特征进行特征拼接,以得到目标特征;基于目标特征获取目标账户的信用评分,其中,信用评分用于评估目标账户的可信任程度。
进一步举例说明,可选的上述账户的信用评分装置的执行例如图3所示,将目标账户302关联的目标消费数据3022以及目标还款数据3024进行特征提取,以获得第一特征304以及第二特征306;进一步,将第二特征306处理为带有时间特性的第三特征308;再者,对第一特征304以及第三特征308执行特征拼接,以获得目标特征310,进而根据目标特征310确定最终的信用评分312。
通过本申请提供的实施例,获取目标账户的目标消费数据以及目标还款数据;分别对目标消费数据以及目标还款数据进行特征提取,以得到目标消费数据对应的第一特征,以及目标还款数据对应的第二特征;对目标消费数据对应的第二特征进行特征处理,以得到用于表示时间序列上的目标还款数据对应的第三特征;对目标消费数据对应的第一特征以及目标还款数据对应的第三特征进行特征拼接,以得到目标特征;基于目标特征获取目标账户的信用评分,其中,信用评分用于评估目标账户的可信任程度,通过结合账户的消费数据以及还款数据,并利用时间序列处理消费数据的方式,进而达到了提高对账户信用相关数据的刻画能力的目的,从而实现了提高账户的信用评分准确性的技术效果。
作为一种可选的方案,提取单元504,包括:
第一输入模块,用于将目标消费数据输入信用评分模型的第一子结构,其中,第一子结构用于提取第一特征,信用评分模型为利用多个样本账户的行为数据进行训练后得到的用于对行为数据进行信用评分的神经网络模型,行为数据包括消费数据以及还款数据;
第一获取模块,用于获取第一子结构输出的目标消费数据对应的第一特征;
第二输入模块,用于将目标消费数据输入信用评分模型的第二子结构,其中,第二子结构用于提取第二特征;
第二获取模块,用于获取第二子结构输出的目标还款数据对应的第二特征。
可选的,在本实施例中,神经网络模型(Neural Networks,简称NN)可以但不限于是由大量的、简单的处理单元广泛地互相连接而形成的复杂网络系统,其反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统,可选的,信用评分模型可以但不限于为循环神经网络模型(Recurrent Neural Network,简称RNN)、递归神经网络模型(recursive neural network)、卷积神经网络模型等,具体的,以RNN模型为例说明,RNN模型可以但不限于是一类以序列数据为输入,在序列的演进方向进行递归,且所有节点按链式连接的递归神经网络。
可选的,在本实施例中,样本账户包括标记有贷款违约标签的样本账户以及无标记的样本账户,还可以但不限于利用多个样本账户的行为数据对初始信用评分模型进行迭代训练,并根据信用评分模型的输出结果,与样本账户的标记信息求softmax损失,直至达到收敛条件,完成对信用评分模型的训练。
需要说明的是,将目标消费数据输入信用评分模型的第一子结构,其中,第一子结构用于提取第一特征,信用评分模型为利用多个样本账户的行为数据进行训练后得到的用于对行为数据进行信用评分的神经网络模型,行为数据包括消费数据以及还款数据;获取第一子结构输出的目标消费数据对应的第一特征;将目标消费数据输入信用评分模型的第二子结构,其中,第二子结构用于提取第二特征;获取第二子结构输出的目标还款数据对应的第二特征。
通过本申请提供的实施例,将目标消费数据输入信用评分模型的第一子结构,其中,第一子结构用于提取第一特征,信用评分模型为利用多个样本账户的行为数据进行训练后得到的用于对行为数据进行信用评分的神经网络模型,行为数据包括消费数据以及还款数据;获取第一子结构输出的目标消费数据对应的第一特征;将目标消费数据输入信用评分模型的第二子结构,其中,第二子结构用于提取第二特征;获取第二子结构输出的目标还款数据对应的第二特征,达到了提高特征提取的自动化的目的,实现了提高特征的提取效率的效果。
作为一种可选的方案,处理单元506,包括:
第三输入模块,用于将第二特征输入信用评分模型中的第三子结构,其中,第三子结构用于获取第三特征;
第三获取模块,用于获取第三子结构输出的目标还款数据对应的第三特征。
可选的,在本实施例中,第三子结构可以但不限于为以序列数据为输入,在序列的演进方向进行递归,且所有节点按链式连接的网络结构,例如第三子结构为GRU(GatedRecurrent Unit)循环神经网络结构,其中,GRU网络结构包括两个门,一个重置门和一个更新门,直观的讲,重置门用于决定如何把新的输入与之前的记忆相结合,更新门决定多少先前的记忆起作用,第二特征可以但不限于携带有目标还款数据的还款数据以及对应的时间数据,第三特征可以但不限用于表示带有时间特性的还款序列数据。
需要说明的是,将第二特征输入信用评分模型中的第三子结构,其中,第三子结构用于获取第三特征;获取第三子结构输出的目标还款数据对应的第三特征。
进一步举例说明,可选的基于图3所示场景,继续例如图4所示,将目标还款数据3024以及目标消费数据3022输入信用评分模型,并利用第一子结构404以及第二子结构406分别对该目标还款数据3024以及目标消费数据3022进行特征提取,其中,第二子结构406将提取到的特征输入第三子结构408中;进一步,将第一子结构404提取到的特征,以及第三子结构输出的特征输入输出结构410中,以供该输出结构410进行特征拼接以及结果输出;进而将输出结构410输出的结果确定为最终的信用评分312。
通过本申请提供的实施例,将第二特征输入信用评分模型中的第三子结构,其中,第三子结构用于获取第三特征;获取第三子结构输出的目标还款数据对应的第三特征,达到了提高特征处理的自动化的目的,实现了提高特征的处理效率的效果。
作为一种可选的方案,第一获取单元502,包括:
第四获取模块,用于获取目标账户在第一时间段内的消费数据,其中,消费数据用于表示账户资源的消费支出数据;
第五获取模块,用于获取目标账户在第二时间段内的还款数据,其中,还款数据用于表示账户资源的还款支出数据。
可选的,在本实施例中,第一时间段以及第二时间段可以但不限于不同,且第二时间段可以但不限于包括第一时间段,以达到监控目标账户处于需还款状态时的消费数据。
需要说明的是,获取目标账户在第一时间段内的消费数据,其中,消费数据用于表示账户资源的消费支出数据;获取目标账户在第二时间段内的还款数据,其中,还款数据用于表示账户资源的还款支出数据。
通过本申请提供的实施例,获取目标账户在第一时间段内的消费数据,其中,消费数据用于表示账户资源的消费支出数据;获取目标账户在第二时间段内的还款数据,其中,还款数据用于表示账户资源的还款支出数据,达到了及时获取账户相关数据的目的,实现了账户相关数据的获取及时性的效果。
作为一种可选的方案,第五获取模块,包括以下至少之一:
第一获取子模块,用于获取目标账户在第二时间段内的还款时刻的正常还款数据;
第二获取子模块,用于获取目标账户在第二时间段内,且还款时刻之前的提前还款数据;
第三获取子模块,用于获取目标账户在第二时间段内,且还款时刻之后的逾期还款数据。
需要说明的是,获取目标账户在第二时间段内的还款时刻的正常还款数据;获取目标账户在第二时间段内,且还款时刻之前的提前还款数据;获取目标账户在第二时间段内,且还款时刻之后的逾期还款数据。可选的,还款时刻可以但不限于由多种类型,其类型与还款类型相对应,例如还款类型为还本金、还利息等。
进一步举例说明,可选的例如2019年1月30日为应收本金的第一还款时刻,2019年1月30日为正常应收利息的第二还款时刻,而该目标账户的账户相关数据表示,该目标账户在2019年1月30日未正常还款本金、2019年1月30日正常还款利息、2019年1月33日逾期还款本金等。
通过本申请提供的实施例,获取目标账户在第二时间段内的还款时刻的正常还款数据;获取目标账户在第二时间段内,且还款时刻之前的提前还款数据;获取目标账户在第二时间段内,且还款时刻之后的逾期还款数据,达到了获取还款数据与时间之间的更直观的关联关系的目的,实现了提高还款数据的时效性的效果。
作为一种可选的方案,包括:
转移单元,用于在基于目标特征获取目标账户的信用评分之后,在获取到目标账户触发的资源转移请求,且目标账户的信用评分达到目标阈值的情况下,响应资源转移请求,转移目标阈值对应的账户资源至目标账户。
需要说明的是,在获取到目标账户触发的资源转移请求,且目标账户的信用评分达到目标阈值的情况下,响应资源转移请求,转移目标阈值对应的账户资源至目标账户。
进一步举例说明,可选的例如在目标账户的信用评分达到目标阈值的情况下,在工作人员对应的客户端上显示该目标账户的信用评分,以及对应的可借款金额,在该目标账户触发有小于等于该可借款金额的资源转移请求的情况下,为该目标账户提供对应的借款金额。
通过本申请提供的实施例,在获取到目标账户触发的资源转移请求,且目标账户的信用评分达到目标阈值的情况下,响应资源转移请求,转移目标阈值对应的账户资源至目标账户,达到了在账户信用评分满足要求的情况下,快速转移资源的目的,实现了提高资源转移的效率的效果。
根据本发明实施例的又一个方面,还提供了一种用于实施上述账户的信用评分方法的电子装置,如图6所示,该电子装置包括存储器602和处理器604,该存储器602中存储有计算机程序,该处理器604被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述电子装置可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取目标账户的目标消费数据以及目标还款数据;
S2,分别对目标消费数据以及目标还款数据进行特征提取,以得到目标消费数据对应的第一特征,以及目标还款数据对应的第二特征;
S3,对目标消费数据对应的第二特征进行特征处理,以得到用于表示时间序列上的目标还款数据对应的第三特征;
S4,对目标消费数据对应的第一特征以及目标还款数据对应的第三特征进行特征拼接,以得到目标特征;
S5,基于目标特征获取目标账户的信用评分,其中,信用评分用于评估目标账户的可信任程度。
可选地,本领域普通技术人员可以理解,图6所示的结构仅为示意,电子装置也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices,MID)、PAD等终端设备。图6其并不对上述电子装置的结构造成限定。例如,电子装置还可包括比图6中所示更多或者更少的组件(如网络接口等),或者具有与图6所示不同的配置。
其中,存储器602可用于存储软件程序以及模块,如本发明实施例中的账户的信用评分方法和装置对应的程序指令/模块,处理器604通过运行存储在存储器602内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的账户的信用评分方法。存储器602可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器602可进一步包括相对于处理器604远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中,存储器602具体可以但不限于用于存储目标消费数据、目标还款数据以及信用评分等信息。作为一种示例,如图6所示,上述存储器602中可以但不限于包括上述账户的信用评分装置中的第一获取单元502、提取单元504、处理单元506、拼接单元508及调整单元第二获取单元510。此外,还可以包括但不限于上述账户的信用评分装置中的其他模块单元,本示例中不再赘述。
可选地,上述的传输装置606用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输装置606包括一个网络适配器(Network Interface Controller,NIC),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输装置606为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
此外,上述电子装置还包括:显示器608,用于显示上述目标消费数据、目标还款数据以及信用评分等信息;和连接总线610,用于连接上述电子装置中的各个模块部件。
根据本发明的实施例的又一方面,还提供了一种计算机可读的存储介质,该计算机可读的存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述计算机可读的存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取目标账户的目标消费数据以及目标还款数据;
S2,分别对目标消费数据以及目标还款数据进行特征提取,以得到目标消费数据对应的第一特征,以及目标还款数据对应的第二特征;
S3,对目标消费数据对应的第二特征进行特征处理,以得到用于表示时间序列上的目标还款数据对应的第三特征;
S4,对目标消费数据对应的第一特征以及目标还款数据对应的第三特征进行特征拼接,以得到目标特征;
S5,基于目标特征获取目标账户的信用评分,其中,信用评分用于评估目标账户的可信任程度。
可选地,在本实施例中,本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random Access Memory,RAM)、磁盘或光盘等。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种账户的信用评分方法,其特征在于,包括:
获取目标账户的目标消费数据以及目标还款数据;
分别对所述目标消费数据以及所述目标还款数据进行特征提取,以得到所述目标消费数据对应的第一特征,以及所述目标还款数据对应的第二特征;
对所述目标消费数据对应的第二特征进行特征处理,以得到用于表示时间序列上的所述目标还款数据对应的第三特征;
对所述目标消费数据对应的第一特征以及所述目标还款数据对应的第三特征进行特征拼接,以得到目标特征;
基于所述目标特征获取所述目标账户的信用评分,其中,所述信用评分用于评估所述目标账户的可信任程度。
2.根据权利要求1所述的方法,其特征在于,所述分别对所述目标消费数据以及所述目标还款数据进行特征提取,包括:
将所述目标消费数据输入信用评分模型的第一子结构,其中,所述第一子结构用于提取所述第一特征,所述信用评分模型为利用多个样本账户的行为数据进行训练后得到的用于对行为数据进行信用评分的神经网络模型,所述行为数据包括消费数据以及还款数据;
获取所述第一子结构输出的所述目标消费数据对应的第一特征;
将所述目标消费数据输入所述信用评分模型的第二子结构,其中,所述第二子结构用于提取所述第二特征;
获取所述第二子结构输出的所述目标还款数据对应的第二特征。
3.根据权利要求2所述的方法,其特征在于,所述对所述目标消费数据对应的第二特征进行特征处理,以得到用于表示时间序列上的所述目标还款数据对应的第三特征,包括:
将所述第二特征输入所述信用评分模型中的第三子结构,其中,所述第三子结构用于获取所述第三特征;
获取所述第三子结构输出的所述目标还款数据对应的第三特征。
4.根据权利要求1所述的方法,其特征在于,所述获取目标账户的目标消费数据以及目标还款数据,包括:
获取所述目标账户在第一时间段内的消费数据,其中,所述消费数据用于表示账户资源的消费支出数据;
获取所述目标账户在第二时间段内的还款数据,其中,所述还款数据用于表示账户资源的还款支出数据。
5.根据权利要求4所述的方法,其特征在于,所述获取所述目标账户在第二时间段内的还款数据,包括以下至少之一:
获取所述目标账户在所述第二时间段内的还款时刻的正常还款数据;
获取所述目标账户在所述第二时间段内,且还款时刻之前的提前还款数据;
获取所述目标账户在所述第二时间段内,且还款时刻之后的逾期还款数据。
6.根据权利要求1至5中任一项所述的方法,其特征在于,在所述基于所述目标特征获取所述目标账户的信用评分之后,包括:
在获取到所述目标账户触发的资源转移请求,且所述目标账户的信用评分达到目标阈值的情况下,响应所述资源转移请求,转移所述目标阈值对应的账户资源至所述目标账户。
7.一种账户的信用评分装置,其特征在于,包括:
第一获取单元,用于获取目标账户的目标消费数据以及目标还款数据;
提取单元,用于分别对所述目标消费数据以及所述目标还款数据进行特征提取,以得到所述目标消费数据对应的第一特征,以及所述目标还款数据对应的第二特征;
处理单元,用于对所述目标消费数据对应的第二特征进行特征处理,以得到用于表示时间序列上的所述目标还款数据对应的第三特征;
拼接单元,用于对所述目标消费数据对应的第一特征以及所述目标还款数据对应的第三特征进行特征拼接,以得到目标特征;
第二获取单元,用于基于所述目标特征获取所述目标账户的信用评分,其中,所述信用评分用于评估所述目标账户的可信任程度。
8.根据权利要求7所述的装置,其特征在于,所述提取单元,包括:
第一输入模块,用于将所述目标消费数据输入信用评分模型的第一子结构,其中,所述第一子结构用于提取所述第一特征,所述信用评分模型为利用多个样本账户的行为数据进行训练后得到的用于对行为数据进行信用评分的神经网络模型,所述行为数据包括消费数据以及还款数据;
第一获取模块,用于获取所述第一子结构输出的所述目标消费数据对应的第一特征;
第二输入模块,用于将所述目标消费数据输入所述信用评分模型的第二子结构,其中,所述第二子结构用于提取所述第二特征;
第二获取模块,用于获取所述第二子结构输出的所述目标还款数据对应的第二特征。
9.一种计算机可读的存储介质,其特征在于,所述计算机可读的存储介质包括存储的程序,其中,所述程序运行时执行上述权利要求1至6任一项中所述的方法。
10.一种电子装置,其特征在于,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行所述权利要求1至6任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110217980.0A CN112950354A (zh) | 2021-02-26 | 2021-02-26 | 账户的信用评分方法、装置和存储介质及电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110217980.0A CN112950354A (zh) | 2021-02-26 | 2021-02-26 | 账户的信用评分方法、装置和存储介质及电子装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112950354A true CN112950354A (zh) | 2021-06-11 |
Family
ID=76246530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110217980.0A Pending CN112950354A (zh) | 2021-02-26 | 2021-02-26 | 账户的信用评分方法、装置和存储介质及电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112950354A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114119107A (zh) * | 2021-12-28 | 2022-03-01 | 大汉电子商务有限公司 | 一种钢贸企业交易测评方法、装置、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416664A (zh) * | 2018-01-29 | 2018-08-17 | 广州越秀金融科技有限公司 | 基于消费信贷场景的风险评估方法及系统实现 |
CN108596766A (zh) * | 2018-04-28 | 2018-09-28 | 深圳市优学链科技有限公司 | 区块链信用评级方法、装置、计算机设备及存储介质 |
CN108648074A (zh) * | 2018-05-18 | 2018-10-12 | 深圳壹账通智能科技有限公司 | 基于支持向量机的贷款评估方法、装置及设备 |
CN109191282A (zh) * | 2018-08-23 | 2019-01-11 | 北京玖富普惠信息技术有限公司 | 一种基于行为模型的贷中监测评分方法以及系统 |
CN110909970A (zh) * | 2018-09-17 | 2020-03-24 | 北京京东金融科技控股有限公司 | 信用评分方法和装置 |
CN111652627A (zh) * | 2020-07-07 | 2020-09-11 | 中国银行股份有限公司 | 风险评估方法及装置 |
CN112116245A (zh) * | 2020-09-18 | 2020-12-22 | 平安科技(深圳)有限公司 | 信贷风险评估方法、装置、计算机设备及存储介质 |
CN112150252A (zh) * | 2020-10-12 | 2020-12-29 | 支付宝(杭州)信息技术有限公司 | 基于信用的业务处理方法以及装置 |
-
2021
- 2021-02-26 CN CN202110217980.0A patent/CN112950354A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416664A (zh) * | 2018-01-29 | 2018-08-17 | 广州越秀金融科技有限公司 | 基于消费信贷场景的风险评估方法及系统实现 |
CN108596766A (zh) * | 2018-04-28 | 2018-09-28 | 深圳市优学链科技有限公司 | 区块链信用评级方法、装置、计算机设备及存储介质 |
CN108648074A (zh) * | 2018-05-18 | 2018-10-12 | 深圳壹账通智能科技有限公司 | 基于支持向量机的贷款评估方法、装置及设备 |
CN109191282A (zh) * | 2018-08-23 | 2019-01-11 | 北京玖富普惠信息技术有限公司 | 一种基于行为模型的贷中监测评分方法以及系统 |
CN110909970A (zh) * | 2018-09-17 | 2020-03-24 | 北京京东金融科技控股有限公司 | 信用评分方法和装置 |
CN111652627A (zh) * | 2020-07-07 | 2020-09-11 | 中国银行股份有限公司 | 风险评估方法及装置 |
CN112116245A (zh) * | 2020-09-18 | 2020-12-22 | 平安科技(深圳)有限公司 | 信贷风险评估方法、装置、计算机设备及存储介质 |
CN112150252A (zh) * | 2020-10-12 | 2020-12-29 | 支付宝(杭州)信息技术有限公司 | 基于信用的业务处理方法以及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114119107A (zh) * | 2021-12-28 | 2022-03-01 | 大汉电子商务有限公司 | 一种钢贸企业交易测评方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10891161B2 (en) | Method and device for virtual resource allocation, modeling, and data prediction | |
CN107784577A (zh) | 一种信贷产品分发及推荐方法和实现该方法的系统 | |
US20170330231A1 (en) | Method and system to display targeted ads based on ranking output of transactions | |
US11810186B2 (en) | Method and system for providing an interactive spending analysis display | |
US9773282B1 (en) | Method and system for providing a spending analysis display dynamically adapted to defined categories of day and/or date | |
US20180189829A1 (en) | Cross-currency campaign delivery system | |
CN116385043A (zh) | 一种商机推荐方法、装置及电子设备 | |
CN115082203A (zh) | 生息方案推送方法、装置、电子设备及存储介质 | |
CN105760441B (zh) | 事件结果的展示方法和装置 | |
US20240095766A1 (en) | Merchant Advertisement Informed Item Level Data Predictions | |
CN112950354A (zh) | 账户的信用评分方法、装置和存储介质及电子装置 | |
CN113011966A (zh) | 基于深度学习的信用评分方法及装置 | |
US20230196143A1 (en) | Computer-based systems configured to utilize predictive machine learning techniques to define software objects and methods of use thereof | |
CN115203487B (zh) | 基于多方安全图的数据处理方法及相关装置 | |
CN110009159A (zh) | 基于网络大数据的金融借贷需求预测方法及系统 | |
CN111292129A (zh) | 商品的推荐价格的确定方法、装置和服务器 | |
CN112418929A (zh) | 一种数据共享方法及装置 | |
US11699188B2 (en) | Banking as a service enabled virtual exchange computing platform | |
KR101765046B1 (ko) | 웹 플랫폼 기반의 p2p 대출 서비스 제공 방법 및 장치 | |
CN116882998B (zh) | 虚拟货币资金分析方法 | |
US20220343368A1 (en) | Method, referral server and network for providing a targeted advertisements to users | |
CN118115185A (zh) | 基于知识图谱的客户挖掘方法及装置 | |
CN117009666A (zh) | 金融产品的推荐方法、装置、设备及存储介质 | |
LAN | AN ANALYSIS OF FIN-TECH APPLIED TO CHINA’S FINANCIAL INDUSETRY | |
CN113888304A (zh) | 贷款管理策略确定方法、系统及电子设备 |
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 |