CN113034260A - 一种信用评估方法、模型构建方法、显示方法及相关设备 - Google Patents
一种信用评估方法、模型构建方法、显示方法及相关设备 Download PDFInfo
- Publication number
- CN113034260A CN113034260A CN201911249373.1A CN201911249373A CN113034260A CN 113034260 A CN113034260 A CN 113034260A CN 201911249373 A CN201911249373 A CN 201911249373A CN 113034260 A CN113034260 A CN 113034260A
- Authority
- CN
- China
- Prior art keywords
- family
- data set
- relation
- relationship
- target 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 363
- 238000000034 method Methods 0.000 title claims abstract description 129
- 238000010276 construction Methods 0.000 title abstract description 9
- 230000004927 fusion Effects 0.000 claims description 127
- 238000013210 evaluation model Methods 0.000 claims description 121
- 238000012549 training Methods 0.000 claims description 109
- 230000001419 dependent effect Effects 0.000 claims description 86
- 238000004364 calculation method Methods 0.000 claims description 42
- 238000004891 communication Methods 0.000 claims description 39
- 238000007499 fusion processing Methods 0.000 claims description 14
- 230000006399 behavior Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 12
- 238000006467 substitution reaction Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000002093 peripheral effect Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 5
- 238000013145 classification model Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000000546 chi-square test Methods 0.000 description 1
- 238000012733 comparative method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Abstract
本发明提供一种信用评估方法、模型构建方法、显示方法及相关设备,其中,所述方法包括:获取目标用户的第一个体数据和关系数据,以及关系数据涉及的相关用户的第二个体数据;分别提取第一个体数据、关系数据和第二个体数据的特征数据,得到目标用户的第一个体特征数据集、关系特征数据集和相关用户的第二个体特征数据集;基于关系特征数据集,确定目标用户与相关用户之间的家庭关系权重;依据所述第一个体特征数据集、第二个体特征数据集以及所述家庭关系权重确定所述目标用户的信用评估结果。本发明实施例中将家庭用户数据与用户个体数据进行融合,能够提高信用评估结果的准确性。
Description
技术领域
本发明涉及计算机数据处理技术领域,尤其涉及一种信用评估方法、模型构建方法、显示方法及相关设备。
背景技术
随着社会信用体系建设的深入推进,准确评估个人的信用值变得日益重要。现有技术主要通过个人信息进行信用评估,其中,个人信息包括身份信息、信用历史、消费信息、行为信息等,当个人信息部分缺失或不足时,例如从未有过贷款记录、信用消费记录较少等,此时,基于个人信息的统计信息评估个人信用值的准确性较差。
发明内容
本发明实施例提供一种信用评估方法、模型构建方法、显示方法及相关设备,以解决现有个人信用值评估准确性较差的问题。
为解决上述技术问题,本发明是这样实现的:
第一方面,本发明实施例提供了一种信用评估方法,所述方法包括:
获取目标用户的第一个体数据和关系数据,以及所述关系数据涉及的相关用户的第二个体数据;
分别提取第一个体数据、关系数据和第二个体数据的特征数据,得到目标用户的第一个体特征数据集、关系特征数据集和相关用户的第二个体特征数据集;
基于所述关系特征数据集,确定所述目标用户与所述相关用户之间的家庭关系权重;
依据所述第一个体特征数据集、第二个体特征数据集以及所述家庭关系权重确定所述目标用户的信用评估结果。
可选的,所述基于所述关系特征数据集,确定所述目标用户与所述相关用户之间的家庭关系权重,包括:将关系特征数据集输入家庭关系识别模型进行识别,以输出关系类型初始集;基于所述关系类型初始集,确定所述目标用户与所述相关用户之间的关系类型权重;将所述关系特征数据集的输入家庭担保度评估模型进行评估,以输出相关用户对目标用户的担保概率;基于所述关系类型权重和担保概率,确定所述目标用户与所述相关用户之间的家庭关系权重。
可选的,所述家庭关系识别模型的训练过程包括:以样本集的关系特征数据集作为自变量,以所述样本集的关系特征数据集对应的关系类型初始集作为因变量,对所述家庭关系识别模型进行训练。
可选的,所述家庭担保度评估模型的训练过程包括:以样本集的关系特征数据集作为自变量,以所述样本集的关系特征数据集对应的相关用户对目标用户的担保概率作为因变量,对所述家庭担保度评估模型进行训练。
可选的,所述基于所述关系类型初始集,确定目标用户与相关用户之间的关系类型权重,包括:基于所述关系类型初始集构建家庭关系网络,其中,所述家庭关系网络中的结点为所述目标用户和所述相关用户;基于所述家庭关系网络的结点关系确定关系类型拓展集,其中,所述关系类型拓展集包括所述关系类型初始集,以及在所述关系类型初始集的基础上拓展的关系类型集;基于所述关系类型拓展集,确定得到目标用户与相关用户之间的关系类型权重。
可选的,所述依据所述第一个体特征数据集、第二个体特征数据集以及所述家庭关系权重确定所述目标用户的信用评估结果,包括:将所述家庭关系权重、特征权重以及第二个体特征数据集与所述第一个体特征数据集进行融合处理,获取目标用户的家庭融合特征数据集;其中,所述特征权重是所述第一个体特征数据集与第二个体特征数据集对应的各特征的权重;依据所述目标用户的家庭融合特征数据集确定所述目标用户的信用评估结果。
可选的,所述特征权重的确定过程包括:利用样本集中的第二个体特征数据集和家庭关系权重对所述样本集的第一个体特征数据集进行融合,得到样本初始家庭融合特征数据集;依据所述样本初始家庭融合特征数据集确定第一信用评估结果,并计算得到第一信用评估结果的第一预测误差;分别对所述样本集中的第一个体特征数据集和第二个体特征数据集对应的第一特征加干扰;利用所述家庭关系权重和所述样本集中加干扰后的第二个体特征数据集对所述样本集中加干扰后的第一个体特征数据集进行融合,得到加干扰的样本初始家庭融合特征数据集;依据所述加干扰的样本初始家庭融合特征数据集确定第二信用评估结果,并计算得到第二信用评估结果的第二预测误差;基于所述第一预测误差和第二预测误差的差值,确定所述第一特征的特征权重。
可选的,所述将所述家庭关系权重、特征权重以及第二个体特征数据集与所述第一个体特征数据集进行融合处理,获取目标用户的家庭融合特征数据集,包括:利用如下公式,将第一个体特征数据集的第j个特征融合相关用户的第j个特征,得到家庭融合特征数据集的第j个特征x′oj:
其中,i表示第i个相关用户,i=1,2,…,M,M为正整数;
j表示第j个特征,j=1,2,…,N,N为正整数;
xij表示第i个相关用户的第j个特征;
x0j表示目标用户的第j个特征;
wsi表示目标用户与第i个相关用户之间的家庭关系权重;
wfj表示第j个特征的特征权重;
x′oj家庭融合特征数据集的第j个特征。
可选的,所述家庭融合特征数据集为:
u′0=[x01,x02,x03,...,x0N,x′o1,x′o2,x′o3,...,x′oN]。
可选的,所述依据所述目标用户的家庭融合特征数据集确定所述目标用户的信用评估结果,包括:依据所述目标用户的家庭融合特征数据和所述第一个体特征数据集确定所述目标用户的信用评估结果。
可选的,所述依据所述目标用户的家庭融合特征数据和所述第一个体特征数据集确定所述目标用户的信用评估结果,包括:将所述第一个体特征数据集输入第一原始信用评估模型,得到第一信用评估结果;将所述家庭融合特征数据集输入家庭信用评估模型,得到第二信用评估结果;基于第一信用评估结果和第二信用评估结果的融合确定所述目标用户的信用评估结果;其中,其中所述第一原始信用评估模型以样本集的第一个体特征数据集为自变量,样本集的第一个体特征数据集对应的信用评估结果为因变量训练得到;其中所述家庭信用评估模型以样本集的家庭融合特征数据为自变量,样本集的家庭融合特征数据对应的信用评估结果为因变量训练得到。
可选的,所述依据所述第一个体特征数据集、第二个体特征数据集以及所述家庭关系权重确定所述目标用户的信用评估结果,包括:依据所述目标用户的第一个体特征数据集确定所述目标用户的第三信用评估结果;依据所述目标用户的第二个体特征数据集确定所述相关用户的第四信用评估结果;将所述家庭关系权重、第四信用评估结果与第三信用评估结果进行融合处理,获取目标用户的信用评估结果。
可选的,所述依据所述目标用户的第一个体特征数据集确定所述目标用户的第三信用评估结果,包括:将所述第一个体特征数据集输入第二原始信用评估模型,得到第三信用评估结果;所述依据所述目标用户的第二个体特征数据集确定所述相关用户的第四信用评估结果,包括:将所述第二个体特征数据集输入第二原始信用评估模型,得到第三信用评估结果;其中所述第二原始信用评估模型以样本集的第一个体特征数据集、第二个体特征数据集为自变量,样本集的第一个体特征数据集和第二个体特征数据集对应的信用评估结果为因变量训练得到。
可选的,所述将所述家庭关系权重、第四信用评估结果与第三信用评估结果进行融合处理,获取目标用户的信用评估结果,包括:利用如下公式,获取目标用户的信用评估结果:
其中,i表示第i个相关用户,i=1,2,…,M,M为正整数;
Su0为所述第三信用评估结果;
Sui为第i个用户的第四信用评估结果;wsi表示目标用户与第i个相关用户之间的家庭关系权重。
可选的,所述第一个体特征数据集或第二个体特征数据集包括如下特征中的至少一项:身份特质、历史违约信息、历史消费数据以及网络行为数据。
可选的,所述关系特征数据集包括如下特征中的至少一项:用户提交的关系类型、通信次数、通信时长、同基站记录、家庭类通信套餐办理记录、同宽带相关记录以及代付费记录。
第二方面,本发明实施例还提供了一种信用评估模型的构建方法,所述信用评估模型包括:家庭关系模型和家庭信用评估模型;所述方法,包括:
获取样本集目标用户的第一个体数据和关系数据,以及所述关系数据涉及的样本集相关用户的第二个体数据;
分别提取第一个体数据、关系数据和第二个体数据的特征数据,得到样本集目标用户的第一个体特征数据集、关系特征数据集和样本集相关用户的第二个体特征数据集;
以所述关系特征数据集作为自变量,以所述样本集的关系特征数据集对应的家庭关系权重作为因变量,对所述家庭关系模型进行训练,得到所述家庭关系模型;
以所述第一个体特征数据集、第二个体特征数据集以及所述样本集的关系特征数据集对应的家庭关系权重作为自变量,以所述样本集目标用户对应的信用评估结果为因变量,对所述家庭信用评估模型进行训练,得到所述家庭信用评估模型。
可选的,所述家庭关系模型包括家庭关系识别模型、关系类型权重计算模块、家庭担保度评估模型和家庭关系权重计算模型;所述以所述关系特征数据集作为自变量,以所述样本集的关系特征数据集对应的家庭关系权重作为因变量,对所述家庭关系模型进行训练,得到所述家庭关系模型,包括:以样本集的关系特征数据集作为自变量,以所述样本集的关系特征数据集对应的关系类型初始集作为因变量,对所述家庭关系识别模型进行训练;以关系类型初始集作为自变量,所述目标用户与所述相关用户之间的关系类型权重作为因变量,对关系类型权重计算模块进行训练;以样本集的关系特征数据集作为自变量,以所述样本集的关系特征数据集对应的相关用户对目标用户的担保概率作为因变量,对所述家庭担保度评估模型进行训练;以所述关系类型权重、担保概率作为自变量,对所述家庭关系权重计算模型进行训练。
可选的,所述以关系类型初始集作为自变量,所述目标用户与所述相关用户之间的关系类型权重作为因变量,对关系类型权重计算模块进行训练,包括:用于基于所述关系类型初始集构建家庭关系网络,其中,所述家庭关系网络中的结点为所述目标用户和所述相关用户;用于基于所述家庭关系网络的结点关系确定关系类型拓展集,其中,所述关系类型拓展集包括所述关系类型初始集,以及在所述关系类型初始集的基础上拓展的关系类型集;以关系类型拓展集作为自变量,所述目标用户与所述相关用户之间的关系类型权重作为因变量,对关系类型权重计算模块进行训练。
可选的,所述以所述第一个体特征数据集、第二个体特征数据集以及所述样本集的关系特征数据集对应的家庭关系权重作为自变量,以所述样本集目标用户对应的信用评估结果为因变量,对所述家庭信用评估模型进行训练,得到所述家庭信用评估模型,包括:将所述家庭关系权重、特征权重以及第二个体特征数据集与所述第一个体特征数据集进行融合处理,获取目标用户的家庭融合特征数据集;其中,所述特征权重是所述第一个体特征数据集与第二个体特征数据集对应的各特征的权重;以所述家庭融合特征数据为自变量,家庭融合特征数据对应的信用评估结果为因变量,训练所述家庭信用评估模型。
可选的,所述特征权重的确定过程包括:利用样本集中的第二个体特征数据集和家庭关系权重对所述样本集的第一个体特征数据集进行融合,得到样本初始家庭融合特征数据集;依据所述样本初始家庭融合特征数据集确定第一信用评估结果,并计算得到第一信用评估结果的第一预测误差;分别对所述样本集中的第一个体特征数据集和第二个体特征数据集对应的第一特征加干扰;利用所述家庭关系权重和所述样本集中加干扰后的第二个体特征数据集对所述样本集中加干扰后的第一个体特征数据集进行融合,得到加干扰的样本初始家庭融合特征数据集;依据所述加干扰的样本初始家庭融合特征数据集确定第二信用评估结果,并计算得到第二信用评估结果的第二预测误差;基于所述第一预测误差和第二预测误差的差值,确定所述第一特征的特征权重。
可选的,所述将所述家庭关系权重、特征权重以及第二个体特征数据集与所述第一个体特征数据集进行融合处理,获取目标用户的家庭融合特征数据集,包括:利用如下公式,将第一个体特征数据集的第j个特征融合相关用户的第j个特征,得到家庭融合特征数据集的第j个特征x′oj:
其中,i表示第i个相关用户,i=1,2,…,M,M为正整数;
j表示第j个特征,j=1,2,…,N,N为正整数;
xij表示第i个相关用户的第j个特征;
x0j表示目标用户的第j个特征;
wsi表示目标用户与第i个相关用户之间的家庭关系权重;
wfj表示第j个特征的特征权重;
x′oj家庭融合特征数据集的第j个特征。
可选的,所述家庭融合特征数据集为:
u′0=[x01,x02,x03,...,x0N,x′o1,x′o2,x′o3,...,x′oN]。
可选的,所述第一个体特征数据集或第二个体特征数据集包括如下特征中的至少一项:身份特质、历史违约信息、历史消费数据以及网络行为数据
可选的,所述关系特征数据集包括如下特征中的至少一项:用户提交的关系类型、通信次数、通信时长、同基站记录、家庭类通信套餐办理记录、同宽带相关记录以及代付费记录。
第三方面,本发明实施例还提供了一种信用评估显示方法,所述方法包括:
获取目标用户的第一个体数据和关系数据,以及所述关系数据涉及的相关用户的第二个体数据;
分别提取第一个体数据、关系数据和第二个体数据的特征数据,得到目标用户的第一个体特征数据集、关系特征数据集和相关用户的第二个体特征数据集;
基于所述关系特征数据集,确定所述目标用户与所述相关用户之间的家庭关系权重;
依据目标用户的第一个体特征数据集确定所述目标用户的个人信用评估结果;
依据所述第一个体特征数据集、第二个体特征数据集以及所述家庭关系权重确定所述目标用户的家庭信用评估结果;
显示所述个人信用评估结果和家庭信用评估结果。
可选的,所述方法还包括:基于所述家庭关系权重,确定各家庭成员的对于所述家庭信用评估结果的贡献比例;所述显示所述个人信用评估结果和家庭信用评估结果,包括:显示所述各家庭成员的贡献比例。
可选的,所述方法还包括:基于所述关系特征数据集,确定所述目标用户与所述相关用户之间的家庭关系网络;所述显示所述个人信用评估结果和家庭信用评估结果,包括:显示所述家庭关系网络。
可选的,所述方法还包括:基于所述个人信用评估结果,确定所述目标用户的第一应用业务集;基于所述家庭信用评估结果,确定所述目标用户的第二应用业务集;所述显示所述个人信用评估结果和家庭信用评估结果,包括:显示所述第二应用业务集,并基于所述第一应用业务集与第二应用业务集之间的关系,对所述第二应用业务集进行标记显示。
可选的,基于所述第一应用业务集与第二应用业务集之间的关系,对所述第二应用业务集进行标记显示,包括:第二应用业务集相对于所述第一应用业务集新增的应用业务的显示包括第一标记;和/或,第二应用业务集相对于所述第一应用业务集升级的应用业务的显示包括第二标记。
可选的,所述第二标记包括:升级标识和/或升级内容。
第四方面,本发明实施例还提供了一种信用评估设备,包括:
数据获取模块,用于获取目标用户的第一个体数据和关系数据,以及所述关系数据涉及的相关用户的第二个体数据;
特征提取模块,用于分别提取第一个体数据、关系数据和第二个体数据的特征数据,得到目标用户的第一个体特征数据集、关系特征数据集和相关用户的第二个体特征数据集;
家庭关系模块,用于基于所述关系特征数据集,确定所述目标用户与所述相关用户之间的家庭关系权重;
信用评估模块,用于依据所述第一个体特征数据集、第二个体特征数据集以及所述家庭关系权重确定所述目标用户的信用评估结果。
第五方面,本发明实施例提供一种电子设备,包括处理器,
所述处理器,用于获取目标用户的第一个体数据和关系数据,以及所述关系数据涉及的相关用户的第二个体数据;
分别提取第一个体数据、关系数据和第二个体数据的特征数据,得到目标用户的第一个体特征数据集、关系特征数据集和相关用户的第二个体特征数据集;
基于所述关系特征数据集,确定所述目标用户与所述相关用户之间的家庭关系权重;
所述处理器,还用于依据所述第一个体特征数据集、第二个体特征数据集以及所述家庭关系权重确定所述目标用户的信用评估结果。
第六方面,本发明实施例提供一种信用评估模型的构建设备,所述信用评估模型包括家庭关系模型和家庭信用评估模型,所述设备包括:
数据获取模块,用于获取样本集目标用户的第一个体数据和关系数据,以及所述关系数据涉及的样本集相关用户的第二个体数据;
特征提取模块,用于分别提取第一个体数据、关系数据和第二个体数据的特征数据,得到样本集目标用户的第一个体特征数据集、关系特征数据集和样本集相关用户的第二个体特征数据集;
家庭关系模型训练模块,用于以所述关系特征数据集作为自变量,以所述样本集的关系特征数据集对应的家庭关系权重作为因变量,对所述家庭关系模型进行训练,得到所述家庭关系模型;
家庭信用评估模型训练模块,用于以所述第一个体特征数据集、第二个体特征数据集以及所述样本集的关系特征数据集对应的家庭关系权重作为自变量,以所述样本集目标用户对应的信用评估结果为因变量,对所述家庭信用评估模型进行训练,得到所述家庭信用评估模型。
第七方面,本发明实施例提供一种电子设备,包括处理器,所述处理器,用于获取样本集目标用户的第一个体数据和关系数据,以及所述关系数据涉及的样本集相关用户的第二个体数据;
分别提取第一个体数据、关系数据和第二个体数据的特征数据,得到样本集目标用户的第一个体特征数据集、关系特征数据集和样本集相关用户的第二个体特征数据集;
以所述关系特征数据集作为自变量,以所述样本集的关系特征数据集对应的家庭关系权重作为因变量,对所述家庭关系模型进行训练,得到所述家庭关系模型;
所述处理器,还用于以所述第一个体特征数据集、第二个体特征数据集以及所述样本集的关系特征数据集对应的家庭关系权重作为自变量,以所述样本集目标用户对应的信用评估结果为因变量,对所述家庭信用评估模型进行训练,得到所述家庭信用评估模型。
第八方面,本发明实施例提供一种信用评估显示设备,所述设备包括:
数据获取模块,用于获取目标用户的第一个体数据和关系数据,以及所述关系数据涉及的相关用户的第二个体数据;
特征提取模块,用于分别提取第一个体数据、关系数据和第二个体数据的特征数据,得到目标用户的第一个体特征数据集、关系特征数据集和相关用户的第二个体特征数据集;
家庭关系模块,用于基于所述关系特征数据集,确定所述目标用户与所述相关用户之间的家庭关系权重;
个人信用评估模块,用于依据目标用户的第一个体特征数据集确定所述目标用户的个人信用评估结果;
家庭信用评估模块,用于依据所述第一个体特征数据集、第二个体特征数据集以及所述家庭关系权重确定所述目标用户的家庭信用评估结果;
显示模块,用于显示所述个人信用评估结果和家庭信用评估结果。
第九方面,本发明实施例提供一种电子设备,所述电子设备包括处理器和显示模块;
所述处理器,用于获取目标用户的第一个体数据和关系数据,以及所述关系数据涉及的相关用户的第二个体数据;
分别提取第一个体数据、关系数据和第二个体数据的特征数据,得到目标用户的第一个体特征数据集、关系特征数据集和相关用户的第二个体特征数据集;
基于所述关系特征数据集,确定所述目标用户与所述相关用户之间的家庭关系权重;
依据目标用户的第一个体特征数据集确定所述目标用户的个人信用评估结果;
依据所述第一个体特征数据集、第二个体特征数据集以及所述家庭关系权重确定所述目标用户的家庭信用评估结果;
所述显示模块,用于显示所述个人信用评估结果和家庭信用评估结果。
第十方面,本发明实施例提供一种电子设备,包括:处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序,所述程序被所述处理器执行时实现上述第一方面所述的信用评估方法的步骤,或者所述程序被所述处理器执行时实现上述第二方面所述的信用评估模型的构建方法的步骤,或者所述程序被所述处理器执行时实现上述第三方面所述的信用评估显示方法的步骤。
第十一方面,本发明实施例提供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有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的信用评估方法的步骤,或者所述计算机程序被处理器执行时实现上述第二方面所述的信用评估模型的构建方法的步骤,或者所述计算机程序被处理器执行时实现上述第三方面所述的信用评估显示方法的步骤。
本发明实施例中,提供了一种信用评估方法、模型构建方法、显示方法及相关设备,获取目标用户的第一个体数据和关系数据,以及关系数据涉及的相关用户的第二个体数据;分别提取第一个体数据、关系数据和第二个体数据的特征数据,得到目标用户的第一个体特征数据集、关系特征数据集和相关用户的第二个体特征数据集;基于关系特征数据集,确定目标用户与相关用户之间的家庭关系权重;依据所述第一个体特征数据集、第二个体特征数据集以及所述家庭关系权重确定所述目标用户的信用评估结果。本发明实施例中将家庭用户数据与用户个体数据进行融合,能够较好地反应客户在家庭圈中能够获取的信用与经济上的支持,提高信用评估结果的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种信用评估方法的流程图;
图2是本发明实施例提供的特征提取的示意图;
图3a是本发明实施例提供的家庭关系权重计算的示意图;
图3b是本发明实施例提供的家庭关系权重计算的流程图;
图4是本发明实施例提供的家庭关系网络的示意图;
图5是本发明实施例提供的信用评估步骤的流程图;
图6是本发明实施例提供的信用评估模型的构建方法的流程图;
图7是本发明实施例提供的一种信用评估显示方法的流程图;
图8是本发明实施例提供的信用分变动与应用匹配情况的示意图;
图9是本发明实施例提供的一种信用评估设备的结构示意图;
图10是本发明实施例提供的一种电子设备的结构示意图;
图11是本发明实施例提供的一种信用评估模型的构建设备的结构示意图;
图12是本发明实施例提供的另一种电子设备的结构示意图;
图13是本发明实施例提供的一种信用评估显示设备的结构示意图;
图14是本发明实施例提供的另一种电子设备的结构示意图。
具体实施方式
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,所描述的实施例是本发明一部分实施例,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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例中,提出了一种信用评估方法,以解决现有个人信用值评估的准确性较差的问题。
参见图1,图1是本发明实施例提供的一种信用评估方法的流程图,如图1所示,所述方法包括以下步骤:
步骤101、获取目标用户的第一个体数据和关系数据,以及所述关系数据涉及的相关用户的第二个体数据;
其中,所述第一个体数据、第二个体数据和关系数据可以分别采集自网络大数据,数据采集的来源主要包括身份数据、业务数据、通信数据、位置数据、上网数据、消费数据等。
步骤102、分别提取第一个体数据、关系数据和第二个体数据的特征数据,得到目标用户的第一个体特征数据集、关系特征数据集和相关用户的第二个体特征数据集。
如图2所示,特征提取是对采集的数据进行数据预处理、统计提炼对特征进行提取得到的;并将提取的特征划分为个体特征数据集D1和关系特征数据集D2,个体特征数据集D1包括目标用户的第一个体特征数据集相关用户的第二个体特征数据集。
上述个体特征数据集D1中,第i个用户个体特征向量用ui=[xi1,xi2,xi3,...,xiN]表示,N个体特征数量,N为正整数。其中,目标用户可以表示为第0个用户,第一个体特征数据集为u0=[x01,x02,...,x0N];相关用户表示为第i个用户,i=1,2,…,Q,Q为正整数。所述第一个体特征数据集或第二个体特征数据集包括但不限于如下特征中的至少一项:身份特质(身份属性)、历史违约信息(信用历史)、历史消费数据(消费特征)、网络行为数据(上网特征)、社交特征以及稳定性特征。表1为用户个体数据集D1示例,其中客户1的个体特征向量为u0=[2,20,50,20,30,0,2...]。
表1
上述关系特征数据集D2中,第i个客户与第j个客户的关系特征向量用rij=[rij1,rij2,rij3,...,rijK]表示,K为关系特征数量,为正整数。上述关系特征数据集包括但不限于如下特征中的至少一项:用户提交的关系类型、通信次数、通信时长、同基站记录、家庭类通信套餐办理记录、同宽带相关记录以及代付费记录。表2为关系特征数据集D2的示例,其中客户0和客户1的关系特征向量为r01=[‘母亲’,1,20,10,10,...]。
表2
步骤103、基于所述关系特征数据集,确定所述目标用户与所述相关用户之间的家庭关系权重。
上述关系特征数据集包括但不限于如下特征中的至少一项:用户提交的关系类型、通信次数、通信时长、同基站记录、家庭类通信套餐办理记录、同宽带相关记录以及代付费记录。
可选的,关系特征数据集包括用户提交的关系类型,所述基于所述关系特征数据集,确定所述目标用户与所述相关用户之间的家庭关系权重,包括:
将用户提交的关系类型作为关系类型,并将不同的关系类型映射到目标用户与所述相关用户之间不同的家庭关系权重,可选的,可以将直系亲属的关系权重设置为大于其他家庭成员的关系权重。例如,用户0提交的与用户1之间的关系为母亲,则设置用户0与1之间的家庭关系权重为0.5;用户0提交的与用户2之间的关系为兄弟,则设置用户0与2之间的家庭关系权重为为0.3。
可选的,如附图3a、3b所示,所述基于所述关系特征数据集,确定所述目标用户与所述相关用户之间的家庭关系权重,包括:
步骤1031、将关系特征数据集输入家庭关系识别模型进行识别,以输出关系类型初始集。
其中,所述家庭关系识别模型的训练过程包括:以样本集的关系特征数据集作为自变量,以所述样本集的关系特征数据集对应的关系类型初始集作为因变量,对所述家庭关系识别模型进行训练;上述关系类型初始集可以包括但不限于父母、子女或配偶关系。如示例中的父母、子女或配偶“关系类型”作为因变量;关系特征数据作为自变量,如示例中的“用户提交的关系类型”、“通话次数”、“日相同基站时长”、“日相同宽带时长”等。通过机器学习算法进行训练,包括但不限于逻辑回归、决策树、随机森林、神经网络、集成分类器等方法,本实施例不做限定。以此得到家庭关系识别模型。
例如将用户提交的关系类型、通信次数、通信时长、同基站记录、家庭类通信套餐办理记录、同宽带相关记录以及代付费记录中的多项输入家庭关系识别模型进行识别,以输出关系类型初始集;例如,夜间及周末长期处于同一位置区域的用户群体、长期使用同一家庭宽带接入点的用户群、通话行为较为频繁的用户群属于家庭关系的关系类型初始集的概率较高。
步骤1032、基于所述关系类型初始集,确定所述目标用户与所述相关用户之间的关系类型权重。
可选的,将关系类型初始集中的关系映射得到目标用户与所述相关用户之间的关系类型权重;所述关系类型权重与上述关系类型直接相关,换而言之,一旦确定目标用户与所述相关用户之间的关系类型,即可以映射得到上述关系类型权重。
可选的,基于所述关系类型初始集构建家庭关系网络,其中,所述家庭关系网络中的结点为所述目标用户和所述相关用户;基于所述家庭关系网络的结点关系确定关系类型拓展集,其中,所述关系类型拓展集包括所述关系类型初始集,以及在所述关系类型初始集的基础上拓展的关系类型集;基于所述关系类型拓展集,确定得到目标用户与相关用户之间的关系类型权重。其中,所述拓展的关系类型集包括父母、子女或配偶,还可以包括兄弟姐妹、祖父母/外祖父母、孙(女)或外孙(女)等。
如图4所示的家庭关系网络,以上网络中,若两个结点是直系血缘关系的成员,则用连线连接,根据长辈和晚辈的关系区分连接线的方向。任意两个相邻结点之间的距离为1,即相邻结点如果是晚辈到长辈表示为+1,相邻结点如果是长辈到晚辈表示为-1。用两个结点之间的最近临路径方式,表示关系的类别:
·距离为1的路径有2种:[+1]、[-1],关系类别记为T11、T12,对应的关系贡献权重记为Ws_t11、Ws_t12。举例如下:
relation(n1,n0)=[+1],表示n1结点是n0结点的父母关系;
relation(n0,n2)=[-1],表示n0结点是n2结点的子女关系;
·距离为2的路径有4种:[+1,+1]、[+1,-1]、[-1,+1]、[-1,-1],关系类别记为T21、T22、T23、T24,对应的关系贡献权重记为Ws_t21、Ws_t22、Ws_t23、Ws_t24。举例如下:
relation(n5,n0)=[+1,+1],表示n5结点是n0结点的祖父母/外祖父母关系;
relation(n3,n0)=[+1,-1],表示n3结点是n0结点的兄弟姐妹关系;
relation(n2,n1)=[-1,+1],表示n2结点是n1结点的夫妻关系;
relation(n0,n5)=[-1,-1],表示n0结点是n5结点的孙(女)/外孙(女)关系;
·距离为3、4…的关系依此类推。
在具体实施过程中,可预先设置一定距离内的关系作为有效贡献的关系,距离之外的关系不再纳入关系拓展类型集中,基于这种设置可以确定,后续用于融合的第i个相关用户中i的最大取值M的值。例如限定距离为小于等于2的关系类型为有效贡献,则与某一结点有关系的结点有六个类别,分别是T11、T12、T21、T22、T23、T24;对应的关系贡献权重记为Ws_t11、Ws_t12、Ws_t21、Ws_t22、Ws_t23、Ws_t24。
因此家庭关系网络模型可将输出的关系类型初始集,通过网络关联拓展为更深的层次,获得关系类型拓展集。家庭关系识别模型与家庭关系网络结合,输出最终的关系类型。
步骤1033、将所述关系特征数据集的输入家庭担保度评估模型进行评估,以输出相关用户对目标用户的担保概率。
所述家庭担保度评估模型的训练过程包括:以样本集的关系特征数据集作为自变量,以所述样本集的关系特征数据集对应的相关用户对目标用户的担保概率作为因变量,对所述家庭担保度评估模型进行训练。通过机器学习算法进行训练,包括但不限于逻辑回归分类模型、树结构分类模型、神经网络分类模型、集成分类模型等方法,本实施例不做限定。
担保概率与经济往来程度、通信往来程度、业务共享关系等有关。可使用如下关系数据评估指标作为自变量:通话次数、日相同基站时长、日相同宽带时长、通话次数、通话时长等指标。使用担保概率作为因变量。担保概率可以理解为用户之间的亲密程度。每两个客户个体(结点)之间的担保度概率记为Ws_cij。
步骤1034、基于所述关系类型权重和担保概率,确定所述目标用户与所述相关用户之间的家庭关系权重。
通过关系类型权重ws_t和担保概率ws_c获取目标用户与其每一个家庭成员的家庭关系权重ws:
ws=f(ws_t,ws_c);
一种可选的方式:
ws=ws_t*ws_c。
同样可以采用其他方式对关系类型权重ws_t和担保概率ws_c执行组合计算,例如,相加、加权平均等,得到家庭关系权重,本实施例不做限定。
其中,关系类型权重ws_t和担保概率ws_c可以为分别独立计算的,即步骤步骤1033也可以在步骤步骤1031之前执行;或者与步骤1032同时执行。
步骤104、依据所述第一个体特征数据集、第二个体特征数据集以及所述家庭关系权重确定所述目标用户的信用评估结果。
本实施例中,利用与目标用户具备家庭关系的用户的个体特征数据集,以及具体的家庭关系类权重,对目标用户的信用评估结果进行修正,从而获取更为准确的目标用户的信用评估结果。
可选的,所述步骤104包括:
将所述家庭关系权重、特征权重以及第二个体特征数据集与所述第一个体特征数据集进行融合处理,获取目标用户的家庭融合特征数据集;其中,所述特征权重是所述第一个体特征数据集与第二个体特征数据集对应的各特征的权重。
其中,所述特征权重可以预先设定,例如,专家打分,或者也可以利用样本集数据测试得到。
可选的,所述特征权重的确定过程包括:
步骤A.利用样本集中的第二个体特征数据集和家庭关系权重对所述样本集的第一个体特征数据集进行融合,得到样本初始家庭融合特征数据集;
融合方法可以均值、加权平均、最大值等指标,以加权平均为例:
i表示样本集的第i个相关用户,i=1,2,…,M,M为正整数;
j表示样本集的第j个特征,j=1,2,…,N,N为正整数;
yij表示样本集的第i个相关用户的第j个特征;
y0j表示样本集的目标用户的第j个特征;
wysi表示样本集的目标用户与第i个相关用户之间的家庭关系权重;
y′oj样本初始家庭融合特征数据集的第j个特征。
步骤B.依据所述样本初始家庭融合特征数据集确定第一信用评估结果,并计算得到第一信用评估结果的第一预测误差。
可选的,将样本初始家庭融合特征数据集输入预设信用评估模型,得到第一信用评估结果,将所述第一信用评估结果与样本集的对应的信用评估结果进行对比,计算得到第一信用评估结果的第一预测误差。
步骤C.分别对所述样本集中的第一个体特征数据集和第二个体特征数据集对应的第一特征加干扰。
即样本集的第一个体特征数据集与第二个体特征数据集对应的一个特征进行加干扰;可选的,所述加干扰为加入随机干扰。
步骤D.利用样本集的所述家庭关系权重和所述样本集中加干扰后的第二个体特征数据集对所述样本集中加干扰后的第一个体特征数据集进行融合,得到加干扰的样本初始家庭融合特征数据集。
步骤E.依据所述加干扰的样本初始家庭融合特征数据集确定第二信用评估结果,并计算得到第二信用评估结果的第二预测误差。
可选的,将加干扰的样本初始家庭融合特征数据集输入预设信用评估模型,得到第二信用评估结果,将所述第二信用评估结果与样本集的对应的信用评估结果进行对比,计算得到第二信用评估结果的第二预测误差。
步骤F.基于所述第一预测误差和第二预测误差的差值,确定所述第一特征的特征权重。
可以理解的,当所述第一预测误差和第二预测误差的差值较大时,说明当前加干扰的特征值对于信用结果输入的影响较大,对应的该特征值的特征权重较大。特征权重计算的方法可以按照方差、相关性、卡方检验、机器学习模型的评分效果等评价特征的贡献大小设置不同的权值。
举例而言,构建随机森林,计算其中的每一棵决策树,其样本集的预测误差为e1;对样本集中的样本在第j特征维度上加入随机干扰,加入干扰后的测试集的预测误差为e2;
则该特征的重要性通过如下方法计算:
其中,TN代表决策树的个数。
该特征的重要性通过归一化映射到0-1之间,得到特征权重:
Wf=fj/fmax。
所述将所述家庭关系权重、特征权重以及第二个体特征数据集与所述第一个体特征数据集进行融合处理,获取目标用户的家庭融合特征数据集,包括:
上述融合处理包括但不限于在当前各特征维度上或者在拓展维度上进行特征加权、特征增量加权等方法。通过这种特征融合,使得,即便是某个体用户存在数据缺失(例如,某个j特征数值为0),则缺失的特征维度可通过其家庭成员相应维度上的数据融合获得,以此可补充其个人缺失维度上的数据。进而通过家庭成员补全的融合特征进行信用评估,获得相应信用分。
可选的,利用如下公式,将第一个体特征数据集的第j个特征融合相关用户的第j个特征,得到家庭融合特征数据集的第j个特征x′oj:
其中,i表示第i个相关用户,i=1,2,…,M,M为正整数;
j表示第j个特征,j=1,2,…,N,N为正整数;
xij表示第i个相关用户的第j个特征;
x0j表示目标用户的第j个特征;
wsi表示目标用户与第i个相关用户之间的家庭关系权重;
wfj表示第j个特征的特征权重;
x′oj家庭融合特征数据集的第j个特征。
目标用户的家庭融合特征数据集u′0为:
u′0=[x′o1,x′o2,x′o3,...,x′oN];
或者,所述家庭融合特征数据集为第一个体特征数据集的拓展数据集,对所述第一个体特征数据集的维度进行了双倍的拓展,即所述家庭融合特征数据集为:u′0=[x01,x02,x03,...,x0N,x′o1,x′o2,x′o3,...,x′oN]。
所述步骤104还包括:依据所述目标用户的家庭融合特征数据集确定所述目标用户的信用评估结果。
可选的,将所述家庭融合特征数据集输入家庭信用评估模型,得到目标用户的信用评估结果。
其中所述家庭信用评估模型以样本集的家庭融合特征数据为自变量,样本集的家庭融合特征数据对应的信用评估结果为因变量训练得到。
可选的,依据所述目标用户的家庭融合特征数据和所述第一个体特征数据集确定所述目标用户的信用评估结果。
如附图5所示,所述依据所述目标用户的家庭融合特征数据和所述第一个体特征数据集确定所述目标用户的信用评估结果,具体包括:
步骤1041、将所述第一个体特征数据集输入原始信用评估模型,得到第一信用评估结果Sf;
Su=MCrdUser(Du)
MCrdUser是原始信用评估模型,Du是第一个体数据;所述原始信用评估模型以样本集的第一个体特征数据集为自变量,样本集的第一个体特征数据集对应的信用评估结果为因变量训练得到。
步骤1042、将所述家庭融合特征数据集输入家庭信用评估模型,得到第二信用评估结果Sf;
所述家庭信用评估模型以样本集的家庭融合特征数据为自变量,样本集的家庭融合特征数据对应的信用评估结果为因变量训练得到。
其中,步骤1041在步骤1043前、步骤102之后完成即可,不受限于图1所示实施例的其他步骤顺序。
步骤1043、基于第一信用评估结果和第二信用评估结果的融合确定所述目标用户的信用评估结果Sapp;
Sapp=g(Sf,Su)
即综合比对客户的第一信用评估结果Su与第二信用评估结果Sf来获取目标用户的信用评估结果Sapp。
可选的,将个体特征数据和家庭融合特征数据进行比较,确定第一信用评估结果Su与第二信用评估结果Sf中较大的值为信用评估结果Sapp:
Sapp=max(Sf,Su)
可选的,也可以采用特征增量加权确定信用评估结果Sapp:
Sapp=Sf+(Su一Sf)*w
其中,w为信用值增量权值。
也可采用其他综合比对方法对第一信用评估结果和第二信用评估结果的融合确定所述目标用户的信用评估结果Sapp。
可选的,所述步骤104,包括:
依据所述目标用户的第一个体特征数据集确定所述目标用户的第三信用评估结果;
依据所述目标用户的第二个体特征数据集确定所述相关用户的第四信用评估结果;
将所述家庭关系权重、第四信用评估结果与第三信用评估结果进行融合处理,获取目标用户的信用评估结果。
可选的,所述依据所述目标用户的第一个体特征数据集确定所述目标用户的第三信用评估结果,包括:
将所述第一个体特征数据集输入第二原始信用评估模型,得到第三信用评估结果;
所述依据所述目标用户的第二个体特征数据集确定所述相关用户的第四信用评估结果,包括:
将所述第二个体特征数据集输入第二原始信用评估模型,得到第三信用评估结果;
其中所述第二原始信用评估模型以样本集的第一个体特征数据集、第二个体特征数据集为自变量,样本集的第一个体特征数据集和第二个体特征数据集对应的信用评估结果为因变量训练得到。
可选的,所述将所述家庭关系权重、第四信用评估结果与第三信用评估结果进行融合处理,获取目标用户的信用评估结果,包括:
利用如下公式,获取目标用户的信用评估结果:
其中,i表示第i个相关用户,i=1,2,…,M,M为正整数;
Su0为所述第三信用评估结果;
Sui为第i个用户的第四信用评估结果;wsi表示目标用户与第i个相关用户之间的家庭关系权重。
所述将所述家庭关系权重、第四信用评估结果与第三信用评估结果进行融合处理同样可以采用其他如何融合方法,例如,均值、加权平均、最大值等评估结果融合方法,利用所述家庭关系权重、第四信用评估结果对目标用户第三信用评估结果进行修正。
本发明具体实施例的方法中,获取目标用户的第一个体数据和关系数据,以及所述关系数据涉及的相关用户的第二个体数据;分别提取第一个体数据、关系数据和第二个体数据的特征数据,得到目标用户的第一个体特征数据集、关系特征数据集和相关用户的第二个体特征数据集;基于所述关系特征数据集,确定所述目标用户与所述相关用户之间的家庭关系权重;依据所述第一个体特征数据集、第二个体特征数据集以及所述家庭关系权重确定所述目标用户的信用评估结果。本发明实施例中将家庭用户数据与用户个体数据进行融合,能够较好地反应客户在家庭圈中能够获取的信用与经济上的支持,提高信用评估结果的准确性。
本发明另一实施例中,提出了一种信用评估模型的构建方法,以解决现有个人信用值评估的准确性较差的问题。
参见图6,图6是本发明实施例提供的一种信用评估模型的构建方法的流程图,所述信用评估模型包括:家庭关系模型和家庭信用评估模型;如图6所示,所述方法包括以下步骤:
步骤601、获取样本集目标用户的第一个体数据和关系数据,以及所述关系数据涉及的样本集相关用户的第二个体数据。
步骤602、分别提取第一个体数据、关系数据和第二个体数据的特征数据,得到样本集目标用户的第一个体特征数据集、关系特征数据集和样本集相关用户的第二个体特征数据集。
其中,样本集中的个体特征数据集的采集方式以及特征类型,可以参考图1所示实施例,在此不再赘述。
步骤603、以所述关系特征数据集作为自变量,以所述样本集的关系特征数据集对应的家庭关系权重作为因变量,对所述家庭关系模型进行训练,得到所述家庭关系模型。
可选的,所述家庭关系模型包括家庭关系识别模型、关系类型权重计算模块、家庭担保度评估模型和家庭关系权重计算模型;
所述以所述关系特征数据集作为自变量,以所述样本集的关系特征数据集对应的家庭关系权重作为因变量,对所述家庭关系模型进行训练,得到所述家庭关系模型,包括:
以样本集的关系特征数据集作为自变量,以所述样本集的关系特征数据集对应的关系类型初始集作为因变量,对所述家庭关系识别模型进行训练;
以关系类型初始集作为自变量,所述目标用户与所述相关用户之间的关系类型权重作为因变量,对关系类型权重计算模块进行训练;
以样本集的关系特征数据集作为自变量,以所述样本集的关系特征数据集对应的相关用户对目标用户的担保概率作为因变量,对所述家庭担保度评估模型进行训练;
以所述关系类型权重、担保概率作为自变量,对所述家庭关系权重计算模型进行训练。
可选的,所述以关系类型初始集作为自变量,所述目标用户与所述相关用户之间的关系类型权重作为因变量,对关系类型权重计算模块进行训练,包括:
用于基于所述关系类型初始集构建家庭关系网络,其中,所述家庭关系网络中的结点为所述目标用户和所述相关用户;
用于基于所述家庭关系网络的结点关系确定关系类型拓展集,其中,所述关系类型拓展集包括所述关系类型初始集,以及在所述关系类型初始集的基础上拓展的关系类型集;
以关系类型拓展集作为自变量,所述目标用户与所述相关用户之间的关系类型权重作为因变量,对关系类型权重计算模块进行训练。
步骤604、以所述第一个体特征数据集、第二个体特征数据集以及所述样本集的关系特征数据集对应的家庭关系权重作为自变量,以所述样本集目标用户对应的信用评估结果为因变量,对所述家庭信用评估模型进行训练,得到所述家庭信用评估模型。
可选的,所述以所述第一个体特征数据集、第二个体特征数据集以及所述样本集的关系特征数据集对应的家庭关系权重作为自变量,以所述样本集目标用户对应的信用评估结果为因变量,对所述家庭信用评估模型进行训练,得到所述家庭信用评估模型,包括:
将所述家庭关系权重、特征权重以及第二个体特征数据集与所述第一个体特征数据集进行融合处理,获取目标用户的家庭融合特征数据集;其中,所述特征权重是所述第一个体特征数据集与第二个体特征数据集对应的各特征的权重;
以所述家庭融合特征数据为自变量,家庭融合特征数据对应的信用评估结果为因变量,训练所述家庭信用评估模型。
可选的,所述特征权重的确定过程包括:
利用样本集中的第二个体特征数据集和家庭关系权重对所述样本集的第一个体特征数据集进行融合,得到样本初始家庭融合特征数据集;
依据所述样本初始家庭融合特征数据集确定第一信用评估结果,并计算得到第一信用评估结果的第一预测误差;
分别对所述样本集中的第一个体特征数据集和第二个体特征数据集对应的第一特征加干扰;
利用所述家庭关系权重和所述样本集中加干扰后的第二个体特征数据集对所述样本集中加干扰后的第一个体特征数据集进行融合,得到加干扰的样本初始家庭融合特征数据集;
依据所述加干扰的样本初始家庭融合特征数据集确定第二信用评估结果,并计算得到第二信用评估结果的第二预测误差;
基于所述第一预测误差和第二预测误差的差值,确定所述第一特征的特征权重。
可选的,所述将所述家庭关系权重、特征权重以及第二个体特征数据集与所述第一个体特征数据集进行融合处理,获取目标用户的家庭融合特征数据集,包括:
利用如下公式,将第一个体特征数据集的第j个特征融合相关用户的第j个特征,得到家庭融合特征数据集的第j个特征x′oj:
其中,i表示第i个相关用户,i=1,2,…,M,M为正整数;
j表示第j个特征,j=1,2,…,N,N为正整数;
xij表示第i个相关用户的第j个特征;
x0j表示目标用户的第j个特征;
Wsi表示目标用户与第i个相关用户之间的家庭关系权重;
Wfj表示第j个特征的特征权重;
x′oj家庭融合特征数据集的第j个特征。
可选的,所述家庭融合特征数据集为第一个体特征数据集的拓展数据集,对所述第一个体特征数据集的维度进行了双倍的拓展,即所述家庭融合特征数据集为:u′0=[x01,x02,x03,...,x0N,x′o1,x′o2,x′o3,...,x′oN]。
可选的,所述第一个体特征数据集或第二个体特征数据集包括如下特征中的至少一项:身份特质、历史违约信息、历史消费数据以及网络行为数据。
可选的,所述关系特征数据集包括如下特征中的至少一项:用户提交的关系类型、通信次数、通信时长、同基站记录、家庭类通信套餐办理记录、同宽带相关记录以及代付费记录。
本发明具体实施例的方法中,获取样本集目标用户的第一个体数据和关系数据,以及所述关系数据涉及的样本集相关用户的第二个体数据;分别提取第一个体数据、关系数据和第二个体数据的特征数据,得到样本集目标用户的第一个体特征数据集、关系特征数据集和样本集相关用户的第二个体特征数据集;以所述关系特征数据集作为自变量,以所述样本集的关系特征数据集对应的家庭关系权重作为因变量,对所述家庭关系模型进行训练,得到所述家庭关系模型;以所述第一个体特征数据集、第二个体特征数据集以及所述样本集的关系特征数据集对应的家庭关系权重作为自变量,以所述样本集目标用户对应的信用评估结果为因变量,对所述家庭信用评估模型进行训练,得到所述家庭信用评估模型。本发明实施例中所建立的信用评估模型,将家庭用户数据与用户个体数据进行融合,能够较好地反应客户在家庭圈中能够获取的信用与经济上的支持,提高信用评估结果的准确性。
本发明另一实施例中,提出了一种信用评估显示方法,以解决现有个人信用值评估的准确性较差以及评估结果显示效果较差的问题。
参见图7,图7是本发明实施例提供的一种信用评估显示方法的流程图,如图7所示,所述方法包括以下步骤:
步骤701、获取目标用户的第一个体数据和关系数据,以及所述关系数据涉及的相关用户的第二个体数据。
步骤702、分别提取第一个体数据、关系数据和第二个体数据的特征数据,得到目标用户的第一个体特征数据集、关系特征数据集和相关用户的第二个体特征数据集。
步骤703、基于所述关系特征数据集,确定所述目标用户与所述相关用户之间的家庭关系权重。
上述步骤701-703,其具体的实施方式可以参见图1所示的实施例中的相关说明,为避免重复说明,本实施例不再赘述。
步骤704、依据目标用户的第一个体特征数据集确定所述目标用户的个人信用评估结果。
可选的,将所述第一个体特征数据集输入第一原始信用评估模型,得到第一信用评估结果;其中所述第一原始信用评估模型以样本集的第一个体特征数据集为自变量,样本集的第一个体特征数据集对应的信用评估结果为因变量训练得到。
所述步骤步骤704,可以采用本领域常规的其他信用评估方式确定目标用户的个人信用评估结果,本实施例不做具体限定。
步骤705、依据所述第一个体特征数据集、第二个体特征数据集以及所述家庭关系权重确定所述目标用户的家庭信用评估结果。
上述步骤705,确定家庭信用评估结果的其具体的实施方式可以采用图1所示的实施例中步骤104的相关说明,为避免重复说明,本实施例不再赘述。
其中,步骤704和705执行顺序可以互换。
步骤706、显示所述个人信用评估结果和家庭信用评估结果。
可选的,如图8所示,所述方法还包括:基于所述家庭关系权重,确定各家庭成员的对于所述家庭信用评估结果的贡献比例;所述步骤706,包括:显示所述各家庭成员的贡献比例。
可选的,如图8所示,所述方法还包括:基于所述关系特征数据集,确定所述目标用户与所述相关用户之间的家庭关系网络;所述步骤706,包括:显示所述家庭关系网络。
可选的,如图8所示,所述方法还包括:基于所述个人信用评估结果,确定所述目标用户的第一应用业务集;基于所述家庭信用评估结果,确定所述目标用户的第二应用业务集;所述步骤706,包括:显示所述第二应用业务集,并基于所述第一应用业务集与第二应用业务集之间的关系,对所述第二应用业务集进行标记显示。
可选的,如图8所示,所述基于所述第一应用业务集与第二应用业务集之间的关系,对所述第二应用业务集进行标记显示,包括:第二应用业务集相对于所述第一应用业务集新增的应用业务的显示包括第一标记;和/或,第二应用业务集相对于所述第一应用业务集升级的应用业务的显示包括第二标记。
可选的,所述第二标记包括:升级标识和/或升级内容,例如,如图8所示,“信用购机”应用业务中显示升级标识“升级”字样,升级内容“免费额度由1000元升级到2000元”。
可选的,所述步骤706,包括:
将信用分变更情况值、家庭成员贡献比例(家庭关系权重)、家庭成员关系进行显示输出,举例而言,输出结果可以记为:
Rs=[Su,Sf,Sapp,Sdelt,Ctrbi,Rlti]
其中,Sdelt为信用分增量:Sdelt=c1(Sf,Su);
Ctrbi为第i个家庭成员贡献:Ctrbi=c2(Wsi,Ws1,...,WsM);
Rlti为与第i个家庭成员的关系:
Rlti=(step1,step2,...stepN)
其中stepi∈(+1,-1)
可选的,
Sdelt=Sf-Su;
所述方法还包括:基于信用分与信用服务池内的应用相匹配。例如,可以参考表3:
表3
举例而言,输入某用户的第一信用评估结果Su与第二信用评估结果Sf,匹配依次从应用1-应用N。对于第i个应用,匹配Sf和Su分别对应的信用分区间;提取该信用分区间对应的服务资格、服务等级、信用额度等信息。输出:该客户的原始分与应用分分别对应的应用数据信息。
若客户基于家庭信息的信用分提升,对应的应用范围将产生变化,因此需要将原始分与家庭分对应的应用信息进行对比,统计将对比结果输出到后续显示模块中。
对比信息包括但不限于原始分与家庭分适用的应用变更情况Adelt(个数、变更应用ID等)、应用等级变更情况Ardelt(个数、变更应用ID等)、信用额度变化情况Amdelt(额度累计值、每个应用额度变化值等)。
输出结果记为Ra=[Adelt,Ardelt,Amdelt],一种对比方法实施例如下:
1)应用变更情况Adelt
Nadelt=Naf-Nau
Adelt=[Nadelt,Aid]
其中,Naf是第二信用评估结果Sf对应的可用应用个数,Nau是第一信用评估结果Su对应的可用应用个数,Nadelt是可用应用个数变更量,Aid是变更应用的应用ID集合。
2)应用等级变更情况Ardelt
Ardelt=[Nardelt,Arid]
其中,Arfi是第i个应用在家庭分下对应的等级,Arui是第i个应用在原始个人分下对应的等级,Nardelt是等级提升的应用变更量,Arid是等级变更应用的应用ID集合,其中,Bool(Arfi!=Arui)表示,Arfi不等于Arui时取1,Arfi等于Arui时取0。
3)信用额度变更情况Amdelt
Amdelt=[Mamdelt,Amid]
其中,Amfi是第i个应用在家庭分下对应的信用额度,Amui是第i个应用在原始个人分下对应的信用额度,Mamdelt是信用额度变化累计值,Amid是额度变更应用的应用ID及对应的额度变化值集合。
将以上信息输出给显示模块。显示信息包括但不限于信用分变更情况值、家庭成员贡献比例、家庭成员关系图、信用应用服务变更情况。显示方式以相应的柱状图表示变动、饼图表示贡献比例、网络图表示家庭关系、应用附加图标辅助文字说明应用变动情况,并以文字说明将变动原因和变动情况输出给客户。
该显示方法符合人的视觉感官规律,有利于减少用户向服务方系统问询或申诉,进而有利于减少信用应用服务方的资源消耗。
信用评估方法应用过程实施例如下:
1)某目标用户的个体数据u0=[20,60,25,12,...]。通过u0输入到原始信用评估模型MCrdUser,获得其原始信用分是Su=550分;
2)将关系特征数据集输入家庭关系识别模型进行识别,以输出关系类型初始集,该用户的家庭成员有u1,u2,u3。
关系类型是
r01=[+1]
r02=[+1]
r03=[+1,-1]
家庭成员特征向量(即第二个体特征数据集)分别是:
u1=[200,500,30,240,...]
u2=[80,100,25,60,...]
u3=[25,150,20,36,...]
基于目标用户与家庭成员有u1,u2,u3之间的关系关系数据计算得到,目标用户与家庭成员u1,u2,u3之间的[关系类型、关系类型权重、担保概率、家庭关系权重]:
[‘父母’,0.5,0.8,0.4],
[‘父母’,0.5,0.6,0.3],
[‘兄弟姐妹’,0.3,0.2,0.06],
则获得家庭关系权重分别是Ws=[0.4,0.3,0.06]
3)预先计算特征权重分别是
Wf=[0.6,0.3,0.25,0.1,...]
4)经过特征融合模型M3处理,则该用户的家庭融合特征数据集为:
u′0[1]=20+((200-20)*0.4+(80-20)*0.3+(25-20)*0.06)*0.6=74.18
u′0[2]=60+((500-60)*0.4+(100-60)*0.3+(150-60)*0.06)*0.3=118.02
u′0[3]=25+((30-25)*0.4+(25-25)*0.3+(20-25)*0.06)*0.25=25.425
u′0[4]=12+((240-12)*0.4+(60-12)*0.3+(36-12)*0.06)*0.1=22.704
…
则获得用户的家庭融合特征u′0=[74.18,118.02,25.425,22.704,...]。
经过家庭信用评估模型处理,由u′0评估得到新的信用分Sf=580分
5)经过应用信用分计算模块,获得应用信用分Sapp=max(Sf,Su)=580分
6)经过信用分对比模块,获得信用分变动情况
Sdelt=Sf-Su=30分
获得家庭成员贡献比例Ctrb=[0.52,0.39,0.08]。
7)应用匹配情况
表4
则该客户通过家庭信息融合评估的信用分,为其增加了1项应用场景、提升了2项服务等级。因此该方案可为客户带来了更广的业务应用场景,享有更高的服务等级。
8)信用分变动与应用匹配情况显示如图8所示。图示还可以提示信息:您的家庭成员为您提升了30分信用分,贡献来自成员1(53%)、成员2(39%)、成员3(8%)。您的家庭成员为您解锁了更多的业务应用场景,增加了1项应用、提升了2项服务等级,为您提升了200元欠费额度、1000元免息额度、降低了押金要求。补全更多的家庭成员信息,有利于您信用度的科学评估,从而享受更多更优的信用服务。
本发明具体实施例的方法中输出数据除了信用分以外,将信用分变动及相关原因信息也同时输出,例如家庭信用分与其原有信用分的变动、家庭成员的贡献等,方便用户知晓基于家庭成员关系的信用分变化情况、变化原因,以及信用分变化带来的应用业务变化,有利于减少用户向服务方系统问询或申诉,进而有利于减少信用应用服务方的资源消耗。
本发明具体实施例的方法中,获取目标用户的第一个体数据和关系数据,以及所述关系数据涉及的相关用户的第二个体数据;分别提取第一个体数据、关系数据和第二个体数据的特征数据,得到目标用户的第一个体特征数据集、关系特征数据集和相关用户的第二个体特征数据集;基于所述关系特征数据集,确定所述目标用户与所述相关用户之间的家庭关系权重;依据目标用户的第一个体特征数据集确定所述目标用户的个人信用评估结果;依据所述第一个体特征数据集、第二个体特征数据集以及所述家庭关系权重确定所述目标用户的家庭信用评估结果;显示所述个人信用评估结果和家庭信用评估结果。该实施例显示输出所述个人信用评估结果和家庭信用评估结果,便于用户知晓信用分变动,有利于减少用户向服务方系统问询或申诉,进而有利于减少信用应用服务方的资源消耗。
参见图9,图9是本发明实施例提供的一种信用评估设备的结构示意图,如图9所示,信用评估设备900包括:
数据获取模块901,用于获取目标用户的第一个体数据和关系数据,以及所述关系数据涉及的相关用户的第二个体数据;
特征提取模块902,用于分别提取第一个体数据、关系数据和第二个体数据的特征数据,得到目标用户的第一个体特征数据集、关系特征数据集和相关用户的第二个体特征数据集;
家庭关系模块903,用于基于所述关系特征数据集,确定所述目标用户与所述相关用户之间的家庭关系权重;
信用评估模块904,用于依据所述第一个体特征数据集、第二个体特征数据集以及所述家庭关系权重确定所述目标用户的信用评估结果。
可选的,所述家庭关系模块903包括:
家庭关系识别模块,用于将关系特征数据集输入家庭关系识别模型进行识别,以输出关系类型初始集;
关系类型权重计算模块,用于基于所述关系类型初始集,确定所述目标用户与所述相关用户之间的关系类型权重;
家庭担保度评估模块,用于将所述关系特征数据集的输入家庭担保度评估模型进行评估,以输出相关用户对目标用户的担保概率;
家庭关系权重计算模块,用于基于所述关系类型权重和担保概率,确定所述目标用户与所述相关用户之间的家庭关系权重。
可选的,所述家庭关系识别模型的训练过程包括:以样本集的关系特征数据集作为自变量,以所述样本集的关系特征数据集对应的关系类型初始集作为因变量,对所述家庭关系识别模型进行训练。
可选的,所述家庭担保度评估模型的训练过程包括:以样本集的关系特征数据集作为自变量,以所述样本集的关系特征数据集对应的相关用户对目标用户的担保概率作为因变量,对所述家庭担保度评估模型进行训练。
可选的,所述关系类型权重计算模块,具体包括:
家庭关系网络构建子模块,用于基于所述关系类型初始集构建家庭关系网络,其中,所述家庭关系网络中的结点为所述目标用户和所述相关用户;
关系类型拓展集计算子模块,用于基于所述家庭关系网络的结点关系确定关系类型拓展集,其中,所述关系类型拓展集包括所述关系类型初始集,以及在所述关系类型初始集的基础上拓展的关系类型集;
关系类型权重计算子模块,用于基于所述关系类型拓展集,确定得到目标用户与相关用户之间的关系类型权重。
可选的,所述信用评估模块904,具体包括:
家庭特征融合子模块,用于将所述家庭关系权重、特征权重以及第二个体特征数据集与所述第一个体特征数据集进行融合处理,获取目标用户的家庭融合特征数据集;其中,所述特征权重是所述第一个体特征数据集与第二个体特征数据集对应的各特征的权重;
第一信用评估子模块,用于依据所述目标用户的家庭融合特征数据集确定所述目标用户的信用评估结果。
可选的,所述特征权重的确定过程包括:
利用样本集中的第二个体特征数据集和家庭关系权重对所述样本集的第一个体特征数据集进行融合,得到样本初始家庭融合特征数据集;
依据所述样本初始家庭融合特征数据集确定第一信用评估结果,并计算得到第一信用评估结果的第一预测误差;
分别对所述样本集中的第一个体特征数据集和第二个体特征数据集对应的第一特征加干扰;
利用所述家庭关系权重和所述样本集中加干扰后的第二个体特征数据集对所述样本集中加干扰后的第一个体特征数据集进行融合,得到加干扰的样本初始家庭融合特征数据集;
依据所述加干扰的样本初始家庭融合特征数据集确定第二信用评估结果,并计算得到第二信用评估结果的第二预测误差;
基于所述第一预测误差和第二预测误差的差值,确定所述第一特征的特征权重。
所述家庭特征融合子模块,具体用于:
利用如下公式,将第一个体特征数据集的第j个特征融合相关用户的第j个特征,得到家庭融合特征数据集的第j个特征x′oj:
其中,i表示第i个相关用户,i=1,2,…,M,M为正整数;
j表示第j个特征,j=1,2,…,N,N为正整数;
xij表示第i个相关用户的第j个特征;
x0j表示目标用户的第j个特征;
wsi表示目标用户与第i个相关用户之间的家庭关系权重;
wfj表示第j个特征的特征权重;
x′oj家庭融合特征数据集的第j个特征。
所述家庭融合特征数据集为:
u′0=[x01,x02,x03,...,x0N,x′o1,x′o2,x′o3,...,x′oN]。
所述第一信用评估子模块,具体包括:
第一信用评估结果子模块,用于依据所述目标用户的家庭融合特征数据和所述第一个体特征数据集确定所述目标用户的信用评估结果。
所述第一信用评估结果子模块,具体包括:
第一信用评估单元,用于将所述第一个体特征数据集输入第一原始信用评估模型,得到第一信用评估结果;
第二信用评估单元,用于将所述家庭融合特征数据集输入家庭信用评估模型,得到第二信用评估结果;
评估结果融合单元,用于基于第一信用评估结果和第二信用评估结果的融合确定所述目标用户的信用评估结果;
其中,其中所述第一原始信用评估模型以样本集的第一个体特征数据集为自变量,样本集的第一个体特征数据集对应的信用评估结果为因变量训练得到;
其中所述家庭信用评估模型以样本集的家庭融合特征数据为自变量,样本集的家庭融合特征数据对应的信用评估结果为因变量训练得到。
可选的,所述信用评估模块904,具体包括:
第三信用评估模块,用于依据所述目标用户的第一个体特征数据集确定所述目标用户的第三信用评估结果;
第四信用评估模块,用于依据所述目标用户的第二个体特征数据集确定所述相关用户的第四信用评估结果;
第二信用评估子模块,用于将所述家庭关系权重、第四信用评估结果与第三信用评估结果进行融合处理,获取目标用户的信用评估结果。
可选的,所述第三信用评估模块,具体用于将所述第一个体特征数据集输入第二原始信用评估模型,得到第三信用评估结果。
可选的,所述第四信用评估模块,具体用于将所述第二个体特征数据集输入第二原始信用评估模型,得到第四信用评估结果。
其中所述第二原始信用评估模型以样本集的第一个体特征数据集、第二个体特征数据集为自变量,样本集的第一个体特征数据集和第二个体特征数据集对应的信用评估结果为因变量训练得到。
可选的,所述第二信用评估子模块,具体用于:
利用如下公式,获取目标用户的信用评估结果:
其中,i表示第i个相关用户,i=1,2,…,M,M为正整数;
Su0为所述第三信用评估结果;
Sui为第i个用户的第四信用评估结果;wsi表示目标用户与第i个相关用户之间的家庭关系权重。
可选的,所述第一个体特征数据集或第二个体特征数据集包括如下特征中的至少一项:身份特质、历史违约信息、历史消费数据以及网络行为数据。
可选的,所述关系特征数据集包括如下特征中的至少一项:用户提交的关系类型、通信次数、通信时长、同基站记录、家庭类通信套餐办理记录、同宽带相关记录以及代付费记录。
需要说明的是,本实施例作为与图1所示的实施例中对应的设备的实施方式,其具体的实施方式可以参见图1所示的实施例中的相关说明,为避免重复说明,本实施例不再赘述。
本发明具体实施例的设备中,设置数据获取模块,用于获取目标用户的第一个体数据和关系数据,以及所述关系数据涉及的相关用户的第二个体数据;特征提取模块,用于分别提取第一个体数据、关系数据和第二个体数据的特征数据,得到目标用户的第一个体特征数据集、关系特征数据集和相关用户的第二个体特征数据集;家庭关系模块,用于基于所述关系特征数据集,确定所述目标用户与所述相关用户之间的家庭关系权重;信用评估模块,用于依据所述第一个体特征数据集、第二个体特征数据集以及所述家庭关系权重确定所述目标用户的信用评估结果。本发明实施例中将家庭用户数据与用户个体数据进行融合,能够较好地反应客户在家庭圈中能够获取的信用与经济上的支持,提高信用评估结果的准确性。
具体的,参见图10所示,本发明实施例还提供了一种电子设备,包括总线1001、收发机1002、天线1003、总线接口1004、处理器1005和存储器1006。
处理器1005,用于获取目标用户的第一个体数据和关系数据,以及所述关系数据涉及的相关用户的第二个体数据。
用于用于分别提取第一个体数据、关系数据和第二个体数据的特征数据,得到目标用户的第一个体特征数据集、关系特征数据集和相关用户的第二个体特征数据集;
基于所述关系特征数据集,确定所述目标用户与所述相关用户之间的家庭关系权重;
进一步地,处理器1005,还用于依据所述第一个体特征数据集、第二个体特征数据集以及所述家庭关系权重确定所述目标用户的信用评估结果。
可选的,所述处理器基于所述关系特征数据集,确定所述目标用户与所述相关用户之间的家庭关系权重,具体包括:将关系特征数据集输入家庭关系识别模型进行识别,以输出关系类型初始集;基于所述关系类型初始集,确定所述目标用户与所述相关用户之间的关系类型权重;将所述关系特征数据集的输入家庭担保度评估模型进行评估,以输出相关用户对目标用户的担保概率;基于所述关系类型权重和担保概率,确定所述目标用户与所述相关用户之间的家庭关系权重。
可选的,所述家庭关系识别模型的训练过程包括:以样本集的关系特征数据集作为自变量,以所述样本集的关系特征数据集对应的关系类型初始集作为因变量,对所述家庭关系识别模型进行训练。
可选的,所述家庭担保度评估模型的训练过程包括:以样本集的关系特征数据集作为自变量,以所述样本集的关系特征数据集对应的相关用户对目标用户的担保概率作为因变量,对所述家庭担保度评估模型进行训练。
可选的,所述处理器基于所述关系类型初始集,确定目标用户与相关用户之间的关系类型权重,具体包括:基于所述关系类型初始集构建家庭关系网络,其中,所述家庭关系网络中的结点为所述目标用户和所述相关用户;基于所述家庭关系网络的结点关系确定关系类型拓展集,其中,所述关系类型拓展集包括所述关系类型初始集,以及在所述关系类型初始集的基础上拓展的关系类型集;基于所述关系类型拓展集,确定得到目标用户与相关用户之间的关系类型权重。
所述依据所述第一个体特征数据集、第二个体特征数据集以及所述家庭关系权重确定所述目标用户的信用评估结果,包括:将所述家庭关系权重、特征权重以及第二个体特征数据集与所述第一个体特征数据集进行融合处理,获取目标用户的家庭融合特征数据集;其中,所述特征权重是所述第一个体特征数据集与第二个体特征数据集对应的各特征的权重;依据所述目标用户的家庭融合特征数据集确定所述目标用户的信用评估结果。
可选的,所述特征权重的确定过程包括:利用样本集中的第二个体特征数据集和家庭关系权重对所述样本集的第一个体特征数据集进行融合,得到样本初始家庭融合特征数据集;依据所述样本初始家庭融合特征数据集确定第一信用评估结果,并计算得到第一信用评估结果的第一预测误差;分别对所述样本集中的第一个体特征数据集和第二个体特征数据集对应的第一特征加干扰;利用所述家庭关系权重和所述样本集中加干扰后的第二个体特征数据集对所述样本集中加干扰后的第一个体特征数据集进行融合,得到加干扰的样本初始家庭融合特征数据集;依据所述加干扰的样本初始家庭融合特征数据集确定第二信用评估结果,并计算得到第二信用评估结果的第二预测误差;基于所述第一预测误差和第二预测误差的差值,确定所述第一特征的特征权重。
可选的,所述处理器将所述家庭关系权重、特征权重以及第二个体特征数据集与所述第一个体特征数据集进行融合处理,获取目标用户的家庭融合特征数据集,具体包括:利用如下公式,将第一个体特征数据集的第j个特征融合相关用户的第j个特征,得到家庭融合特征数据集的第j个特征x′oj:
其中,i表示第i个相关用户,i=1,2,…,M,M为正整数;
j表示第j个特征,j=1,2,…,N,N为正整数;
xij表示第i个相关用户的第j个特征;
x0j表示目标用户的第j个特征;
wsi表示目标用户与第i个相关用户之间的家庭关系权重;
wfj表示第j个特征的特征权重;
x′oj家庭融合特征数据集的第j个特征。
可选的,所述家庭融合特征数据集为:
u′0=[x01,x02,x03,...,x0N,x′o1,x′o2,x′o3,...,x′oN]。
可选的,所述处理器依据所述目标用户的家庭融合特征数据集确定所述目标用户的信用评估结果,具体包括:依据所述目标用户的家庭融合特征数据和所述第一个体特征数据集确定所述目标用户的信用评估结果。
可选的,所述处理器依据所述目标用户的家庭融合特征数据和所述第一个体特征数据集确定所述目标用户的信用评估结果,具体包括:将所述第一个体特征数据集输入第一原始信用评估模型,得到第一信用评估结果;将所述家庭融合特征数据集输入家庭信用评估模型,得到第二信用评估结果;基于第一信用评估结果和第二信用评估结果的融合确定所述目标用户的信用评估结果;其中,其中所述第一原始信用评估模型以样本集的第一个体特征数据集为自变量,样本集的第一个体特征数据集对应的信用评估结果为因变量训练得到;其中所述家庭信用评估模型以样本集的家庭融合特征数据为自变量,样本集的家庭融合特征数据对应的信用评估结果为因变量训练得到。
可选的,所述依据所述第一个体特征数据集、第二个体特征数据集以及所述家庭关系权重确定所述目标用户的信用评估结果,包括:依据所述目标用户的第一个体特征数据集确定所述目标用户的第三信用评估结果;依据所述目标用户的第二个体特征数据集确定所述相关用户的第四信用评估结果;将所述家庭关系权重、第四信用评估结果与第三信用评估结果进行融合处理,获取目标用户的信用评估结果。
可选的,所述依据所述目标用户的第一个体特征数据集确定所述目标用户的第三信用评估结果,包括:将所述第一个体特征数据集输入第二原始信用评估模型,得到第三信用评估结果;所述依据所述目标用户的第二个体特征数据集确定所述相关用户的第四信用评估结果,包括:将所述第二个体特征数据集输入第二原始信用评估模型,得到第四信用评估结果;其中所述第二原始信用评估模型以样本集的第一个体特征数据集、第二个体特征数据集为自变量,样本集的第一个体特征数据集和第二个体特征数据集对应的信用评估结果为因变量训练得到。
可选的,所述将所述家庭关系权重、第四信用评估结果与第三信用评估结果进行融合处理,获取目标用户的信用评估结果,包括:利用如下公式,获取目标用户的信用评估结果:
其中,i表示第i个相关用户,i=1,2,…,M,M为正整数;
Su0为所述第三信用评估结果;
Sui为第i个用户的第四信用评估结果;wsi表示目标用户与第i个相关用户之间的家庭关系权重。
可选的,所述第一个体特征数据集或第二个体特征数据集包括如下特征中的至少一项:身份特质、历史违约信息、历史消费数据以及网络行为数据
可选的,所述关系特征数据集包括如下特征中的至少一项:用户提交的关系类型、通信次数、通信时长、同基站记录、家庭类通信套餐办理记录、同宽带相关记录以及代付费记录。
需要说明的是,本实施例作为与图1所示的实施例中对应的设备的实施方式,其具体的实施方式可以参见图1所示的实施例中的相关说明,为避免重复说明,本实施例不再赘述。
在图10中,总线架构(用总线1001来代表),总线1001可以包括任意数量的互联的总线和桥,总线1001将包括由处理器1005代表的一个或多个处理器和存储器1006代表的存储器的各种电路链接在一起。总线1001还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口1004在总线1001和收发机1002之间提供接口。收发机1002可以是一个元件,也可以是多个元件,比如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。经处理器1005处理的数据通过天线1003在无线介质上进行传输,进一步,天线1003还接收数据并将数据传送给处理器1005。
处理器1005负责管理总线1001和通常的处理,还可以提供各种功能,包括定时,外围接口,电压调节、电源管理以及其他控制功能。而存储器1006可以被用于存储处理器1005在执行操作时所使用的数据。
可选的,处理器1005可以是CPU、ASIC、FPGA或CPLD。
参见图11,图11是本发明实施例提供的一种信用评估模型的构建设备的结构示意图,所述信用评估模型包括家庭关系模型和家庭信用评估模型,如图11所示,信用评估设备1100包括:
数据获取模块1101,用于获取样本集目标用户的第一个体数据和关系数据,以及所述关系数据涉及的样本集相关用户的第二个体数据;
特征提取模块1102,用于分别提取第一个体数据、关系数据和第二个体数据的特征数据,得到样本集目标用户的第一个体特征数据集、关系特征数据集和样本集相关用户的第二个体特征数据集;
家庭关系模型训练模块1103,用于以所述关系特征数据集作为自变量,以所述样本集的关系特征数据集对应的家庭关系权重作为因变量,对所述家庭关系模型进行训练,得到所述家庭关系模型;
家庭信用评估模型训练模块1104,用于以所述第一个体特征数据集、第二个体特征数据集以及所述样本集的关系特征数据集对应的家庭关系权重作为自变量,以所述样本集目标用户对应的信用评估结果为因变量,对所述家庭信用评估模型进行训练,得到所述家庭信用评估模型。
可选的,所述家庭关系模型包括家庭关系识别模型、关系类型权重计算模块、家庭担保度评估模型和家庭关系权重计算模型;
家庭关系模型训练模块1103,具体包括:
家庭关系识别模型训练模块,用于以样本集的关系特征数据集作为自变量,以所述样本集的关系特征数据集对应的关系类型初始集作为因变量,对所述家庭关系识别模型进行训练;
关系类型权重计算模块训练模块,用于以关系类型初始集作为自变量,所述目标用户与所述相关用户之间的关系类型权重作为因变量,对关系类型权重计算模块进行训练;
家庭担保度评估模型训练模块,用于以样本集的关系特征数据集作为自变量,以所述样本集的关系特征数据集对应的相关用户对目标用户的担保概率作为因变量,对所述家庭担保度评估模型进行训练;
家庭关系权重计算模型训练模块,用于以所述关系类型权重、担保概率作为自变量,对所述家庭关系权重计算模型进行训练。
可选的,所述关系类型权重计算模块训练模块,具体用于:用于基于所述关系类型初始集构建家庭关系网络,其中,所述家庭关系网络中的结点为所述目标用户和所述相关用户;用于基于所述家庭关系网络的结点关系确定关系类型拓展集,其中,所述关系类型拓展集包括所述关系类型初始集,以及在所述关系类型初始集的基础上拓展的关系类型集;以关系类型拓展集作为自变量,所述目标用户与所述相关用户之间的关系类型权重作为因变量,对关系类型权重计算模块进行训练。
可选的,家庭信用评估模型训练模块1104,具体用于:
将所述家庭关系权重、特征权重以及第二个体特征数据集与所述第一个体特征数据集进行融合处理,获取目标用户的家庭融合特征数据集;其中,所述特征权重是所述第一个体特征数据集与第二个体特征数据集对应的各特征的权重;
以所述家庭融合特征数据为自变量,家庭融合特征数据对应的信用评估结果为因变量,训练所述家庭信用评估模型。
可选的,所述特征权重的确定过程包括:利用样本集中的第二个体特征数据集和家庭关系权重对所述样本集的第一个体特征数据集进行融合,得到样本初始家庭融合特征数据集;依据所述样本初始家庭融合特征数据集确定第一信用评估结果,并计算得到第一信用评估结果的第一预测误差;分别对所述样本集中的第一个体特征数据集和第二个体特征数据集对应的第一特征加干扰;利用所述家庭关系权重和所述样本集中加干扰后的第二个体特征数据集对所述样本集中加干扰后的第一个体特征数据集进行融合,得到加干扰的样本初始家庭融合特征数据集;依据所述加干扰的样本初始家庭融合特征数据集确定第二信用评估结果,并计算得到第二信用评估结果的第二预测误差;基于所述第一预测误差和第二预测误差的差值,确定所述第一特征的特征权重。
可选的,所述将所述家庭关系权重、特征权重以及第二个体特征数据集与所述第一个体特征数据集进行融合处理,获取目标用户的家庭融合特征数据集,包括:
利用如下公式,将第一个体特征数据集的第j个特征融合相关用户的第j个特征,得到家庭融合特征数据集的第j个特征x′oj:
其中,i表示第i个相关用户,i=1,2,…,M,M为正整数;
j表示第j个特征,j=1,2,…,N,N为正整数;
xij表示第i个相关用户的第j个特征;
x0j表示目标用户的第j个特征;
wsi表示目标用户与第i个相关用户之间的家庭关系权重;
wfj表示第j个特征的特征权重;
x′oj家庭融合特征数据集的第j个特征。
可选的,所述家庭融合特征数据集为:
u′0=[x01,x02,x03,...,x0N,x′o1,x′o2,x′o3,...,x′oN]。
可选的,所述第一个体特征数据集或第二个体特征数据集包括如下特征中的至少一项:身份特质、历史违约信息、历史消费数据以及网络行为数据。
可选的,所述关系特征数据集包括如下特征中的至少一项:
用户提交的关系类型、通信次数、通信时长、同基站记录、家庭类通信套餐办理记录、同宽带相关记录以及代付费记录。
需要说明的是,本实施例作为与图6所示的实施例中对应的设备的实施方式,其具体的实施方式可以参见图6所示的实施例中的相关说明,为避免重复说明,本实施例不再赘述。
具体的,参见图12所示,本发明实施例还提供了一种电子设备,包括总线1201、收发机1202、天线1203、总线接口1204、处理器1205和存储器1205。
所述处理器1205,用于获取样本集目标用户的第一个体数据和关系数据,以及所述关系数据涉及的样本集相关用户的第二个体数据;
分别提取第一个体数据、关系数据和第二个体数据的特征数据,得到样本集目标用户的第一个体特征数据集、关系特征数据集和样本集相关用户的第二个体特征数据集;
以所述关系特征数据集作为自变量,以所述样本集的关系特征数据集对应的家庭关系权重作为因变量,对所述家庭关系模型进行训练,得到所述家庭关系模型;
所述处理器1205,还用于以所述第一个体特征数据集、第二个体特征数据集以及所述样本集的关系特征数据集对应的家庭关系权重作为自变量,以所述样本集目标用户对应的信用评估结果为因变量,对所述家庭信用评估模型进行训练,得到所述家庭信用评估模型。
可选的,所述家庭关系模型包括家庭关系识别模型、关系类型权重计算模块、家庭担保度评估模型和家庭关系权重计算模型;所述以所述关系特征数据集作为自变量,以所述样本集的关系特征数据集对应的家庭关系权重作为因变量,对所述家庭关系模型进行训练,得到所述家庭关系模型,包括:以样本集的关系特征数据集作为自变量,以所述样本集的关系特征数据集对应的关系类型初始集作为因变量,对所述家庭关系识别模型进行训练;以关系类型初始集作为自变量,所述目标用户与所述相关用户之间的关系类型权重作为因变量,对关系类型权重计算模块进行训练;以样本集的关系特征数据集作为自变量,以所述样本集的关系特征数据集对应的相关用户对目标用户的担保概率作为因变量,对所述家庭担保度评估模型进行训练;以所述关系类型权重、担保概率作为自变量,对所述家庭关系权重计算模型进行训练。
可选的,所述以关系类型初始集作为自变量,所述目标用户与所述相关用户之间的关系类型权重作为因变量,对关系类型权重计算模块进行训练,包括:用于基于所述关系类型初始集构建家庭关系网络,其中,所述家庭关系网络中的结点为所述目标用户和所述相关用户;用于基于所述家庭关系网络的结点关系确定关系类型拓展集,其中,所述关系类型拓展集包括所述关系类型初始集,以及在所述关系类型初始集的基础上拓展的关系类型集;以关系类型拓展集作为自变量,所述目标用户与所述相关用户之间的关系类型权重作为因变量,对关系类型权重计算模块进行训练。
可选的,所述以所述第一个体特征数据集、第二个体特征数据集以及所述样本集的关系特征数据集对应的家庭关系权重作为自变量,以所述样本集目标用户对应的信用评估结果为因变量,对所述家庭信用评估模型进行训练,得到所述家庭信用评估模型,包括:将所述家庭关系权重、特征权重以及第二个体特征数据集与所述第一个体特征数据集进行融合处理,获取目标用户的家庭融合特征数据集;其中,所述特征权重是所述第一个体特征数据集与第二个体特征数据集对应的各特征的权重;以所述家庭融合特征数据为自变量,家庭融合特征数据对应的信用评估结果为因变量,训练所述家庭信用评估模型。
可选的,所述特征权重的确定过程包括:利用样本集中的第二个体特征数据集和家庭关系权重对所述样本集的第一个体特征数据集进行融合,得到样本初始家庭融合特征数据集;依据所述样本初始家庭融合特征数据集确定第一信用评估结果,并计算得到第一信用评估结果的第一预测误差;分别对所述样本集中的第一个体特征数据集和第二个体特征数据集对应的第一特征加干扰;利用所述家庭关系权重和所述样本集中加干扰后的第二个体特征数据集对所述样本集中加干扰后的第一个体特征数据集进行融合,得到加干扰的样本初始家庭融合特征数据集;依据所述加干扰的样本初始家庭融合特征数据集确定第二信用评估结果,并计算得到第二信用评估结果的第二预测误差;基于所述第一预测误差和第二预测误差的差值,确定所述第一特征的特征权重。
可选的,所述将所述家庭关系权重、特征权重以及第二个体特征数据集与所述第一个体特征数据集进行融合处理,获取目标用户的家庭融合特征数据集,包括:利用如下公式,将第一个体特征数据集的第j个特征融合相关用户的第j个特征,得到家庭融合特征数据集的第j个特征x′oj:
其中,i表示第i个相关用户,i=1,2,…,M,M为正整数;
j表示第j个特征,j=1,2,…,N,N为正整数;
xij表示第i个相关用户的第j个特征;
x0j表示目标用户的第j个特征;
wsi表示目标用户与第i个相关用户之间的家庭关系权重;
wfj表示第j个特征的特征权重;
x′oj家庭融合特征数据集的第j个特征。
可选的,所述家庭融合特征数据集为:
u′0=[x01,x02,x03,...,x0N,x′o1,x′o2,x′o3,...,x′oN]。
可选的,所述第一个体特征数据集或第二个体特征数据集包括如下特征中的至少一项:身份特质、历史违约信息、历史消费数据以及网络行为数据。
所述关系特征数据集包括如下特征中的至少一项:用户提交的关系类型、通信次数、通信时长、同基站记录、家庭类通信套餐办理记录、同宽带相关记录以及代付费记录。
需要说明的是,本实施例作为与图6所示的实施例中对应的设备的实施方式,其具体的实施方式可以参见图6所示的实施例中的相关说明,为避免重复说明,本实施例不再赘述。
在图12中,总线架构(用总线1201来代表),总线1201可以包括任意数量的互联的总线和桥,总线1201将包括由处理器1205代表的一个或多个处理器和存储器1206代表的存储器的各种电路链接在一起。总线1201还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口1204在总线1201和收发机1202之间提供接口。收发机1202可以是一个元件,也可以是多个元件,比如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。经处理器1205处理的数据通过天线1203在无线介质上进行传输,进一步,天线1203还接收数据并将数据传送给处理器1205。
处理器1205负责管理总线1201和通常的处理,还可以提供各种功能,包括定时,外围接口,电压调节、电源管理以及其他控制功能。而存储器1206可以被用于存储处理器1205在执行操作时所使用的数据。
可选的,处理器1205可以是CPU、ASIC、FPGA或CPLD。
参见图13,图13是本发明实施例提供的一种信用评估显示设备的结构示意图,如图13所示,信用评估设备1300包括:
数据获取模块1301,用于获取目标用户的第一个体数据和关系数据,以及所述关系数据涉及的相关用户的第二个体数据;
特征提取模块1302,用于分别提取第一个体数据、关系数据和第二个体数据的特征数据,得到目标用户的第一个体特征数据集、关系特征数据集和相关用户的第二个体特征数据集;
家庭关系模块1303,用于基于所述关系特征数据集,确定所述目标用户与所述相关用户之间的家庭关系权重;
个人信用评估模块1304,用于依据目标用户的第一个体特征数据集确定所述目标用户的个人信用评估结果;
家庭信用评估模块1305,用于依据所述第一个体特征数据集、第二个体特征数据集以及所述家庭关系权重确定所述目标用户的家庭信用评估结果;
显示模块1306,用于显示所述个人信用评估结果和家庭信用评估结果。
可选的,所述信用评估显示设备还包括:
贡献比例计算模块,用于基于所述家庭关系权重,确定各家庭成员的对于所述家庭信用评估结果的贡献比例;
其中可以所述贡献比例,可以将所述所述目标用户与所述相关用户之间的家庭关系权重进行归一化得到。
所述显示模块1306,还用于显示所述贡献比例,一种可选的显示方式如图8中的饼图所示。
可选的,所述信用评估显示设备还包括:
关系网络确定模块,基于所述关系特征数据集,确定所述目标用户与所述相关用户之间的家庭关系网络;
可选的,所述家庭关系模块1303包括所述关系网络确定模块;
所述显示模块1306,还用于显示所述家庭关系网络。
可选的,所述信用评估显示设备还包括:
第一应用业务集确定模块,用于基于所述个人信用评估结果,确定所述目标用户的第一应用业务集;
第二应用业务集确定模块,用于基于所述家庭信用评估结果,确定所述目标用户的第二应用业务集;
所述显示模块1306,还用于显示所述第二应用业务集,并基于所述第一应用业务集与第二应用业务集之间的关系,对所述第二应用业务集进行标记显示。
可选的,所述基于所述第一应用业务集与第二应用业务集之间的关系,对所述第二应用业务集进行标记显示,包括:
第二应用业务集相对于所述第一应用业务集新增的应用业务的显示包括第一标记;和/或,
第二应用业务集相对于所述第一应用业务集升级的应用业务的显示包括第二标记。
可选的,所述第二标记包括:升级标识和/或升级内容。
需要说明的是,本实施例作为与图7所示的实施例中对应的设备的实施方式,其具体的实施方式可以参见图7所示的实施例中的相关说明,为避免重复说明,本实施例不再赘述。
具体的,参见图14所示,本发明实施例还提供了一种电子设备,包括总线1401、收发机1402、天线1403、总线接口1404、处理器1405,存储器1406和显示模块1407。
所述电子设备,包括处理器和显示模块;
所述处理器1405,用于获取目标用户的第一个体数据和关系数据,以及所述关系数据涉及的相关用户的第二个体数据;
分别提取第一个体数据、关系数据和第二个体数据的特征数据,得到目标用户的第一个体特征数据集、关系特征数据集和相关用户的第二个体特征数据集;
基于所述关系特征数据集,确定所述目标用户与所述相关用户之间的家庭关系权重;
依据目标用户的第一个体特征数据集确定所述目标用户的个人信用评估结果;
依据所述第一个体特征数据集、第二个体特征数据集以及所述家庭关系权重确定所述目标用户的家庭信用评估结果;
所述显示模块1407,用于显示所述个人信用评估结果和家庭信用评估结果。
可选的,所述处理器,还用于:基于所述家庭关系权重,确定各家庭成员的对于所述家庭信用评估结果的贡献比例;
所述显示模块1407,还用于显示所述各家庭成员的贡献比例。
可选的,所述处理器,还用于:基于所述关系特征数据集,确定所述目标用户与所述相关用户之间的家庭关系网络;
所述显示模块1407,还用于:显示所述家庭关系网络。
可选的,所述处理器,还用于:基于所述个人信用评估结果,确定所述目标用户的第一应用业务集;基于所述家庭信用评估结果,确定所述目标用户的第二应用业务集;
所述显示模块1407,还用于:显示所述第二应用业务集,并基于所述第一应用业务集与第二应用业务集之间的关系,对所述第二应用业务集进行标记显示。
可选的,所述基于所述第一应用业务集与第二应用业务集之间的关系,对所述第二应用业务集进行标记显示,包括:
第二应用业务集相对于所述第一应用业务集新增的应用业务的显示包括第一标记;和/或,
第二应用业务集相对于所述第一应用业务集升级的应用业务的显示包括第二标记。
可选的,所述第二标记包括:升级标识和/或升级内容。
需要说明的是,本实施例作为与图7所示的实施例中对应的设备的实施方式,其具体的实施方式可以参见图7所示的实施例中的相关说明,为避免重复说明,本实施例不再赘述。
在图14中,总线架构(用总线1401来代表),总线1401可以包括任意数量的互联的总线和桥,总线1401将包括由处理器1405代表的一个或多个处理器和存储器1406代表的存储器的各种电路链接在一起。总线1401还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口1404在总线1401和收发机1402之间提供接口。收发机1402可以是一个元件,也可以是多个元件,比如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。经处理器1405处理的数据通过天线1403在无线介质上进行传输,进一步,天线1403还接收数据并将数据传送给处理器1405。
处理器1405负责管理总线1401和通常的处理,还可以提供各种功能,包括定时,外围接口,电压调节、电源管理以及其他控制功能。而存储器1406可以被用于存储处理器1405在执行操作时所使用的数据。
可选的,处理器1405可以是CPU、ASIC、FPGA或CPLD。
本发明实施例还提供了一种电子设备,包括:处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序,所述程序被所述处理器执行时实现上述信用评估方法、信用评估模型的构建方法或信用评估显示方法方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述信用评估方法、信用评估模型的构建方法或信用评估显示方法方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本发明的保护之内。
Claims (39)
1.一种信用评估方法,其特征在于,所述方法包括:
获取目标用户的第一个体数据和关系数据,以及所述关系数据涉及的相关用户的第二个体数据;
分别提取第一个体数据、关系数据和第二个体数据的特征数据,得到目标用户的第一个体特征数据集、关系特征数据集和相关用户的第二个体特征数据集;
基于所述关系特征数据集,确定所述目标用户与所述相关用户之间的家庭关系权重;
依据所述第一个体特征数据集、第二个体特征数据集以及所述家庭关系权重确定所述目标用户的信用评估结果。
2.根据权利要求1所述的方法,其特征在于,所述基于所述关系特征数据集,确定所述目标用户与所述相关用户之间的家庭关系权重,包括:
将关系特征数据集输入家庭关系识别模型进行识别,以输出关系类型初始集;
基于所述关系类型初始集,确定所述目标用户与所述相关用户之间的关系类型权重;
将所述关系特征数据集的输入家庭担保度评估模型进行评估,以输出相关用户对目标用户的担保概率;
基于所述关系类型权重和担保概率,确定所述目标用户与所述相关用户之间的家庭关系权重。
3.根据权利要求2所述的方法,其特征在于,所述家庭关系识别模型的训练过程包括:
以样本集的关系特征数据集作为自变量,以所述样本集的关系特征数据集对应的关系类型初始集作为因变量,对所述家庭关系识别模型进行训练。
4.根据权利要求2所述的方法,其特征在于,所述家庭担保度评估模型的训练过程包括:
以样本集的关系特征数据集作为自变量,以所述样本集的关系特征数据集对应的相关用户对目标用户的担保概率作为因变量,对所述家庭担保度评估模型进行训练。
5.根据权利要求2所述的方法,其特征在于,所述基于所述关系类型初始集,确定目标用户与相关用户之间的关系类型权重,包括:
基于所述关系类型初始集构建家庭关系网络,其中,所述家庭关系网络中的结点为所述目标用户和所述相关用户;
基于所述家庭关系网络的结点关系确定关系类型拓展集,其中,所述关系类型拓展集包括所述关系类型初始集,以及在所述关系类型初始集的基础上拓展的关系类型集;
基于所述关系类型拓展集,确定得到目标用户与相关用户之间的关系类型权重。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述依据所述第一个体特征数据集、第二个体特征数据集以及所述家庭关系权重确定所述目标用户的信用评估结果,包括:
将所述家庭关系权重、特征权重以及第二个体特征数据集与所述第一个体特征数据集进行融合处理,获取目标用户的家庭融合特征数据集;其中,所述特征权重是所述第一个体特征数据集与第二个体特征数据集对应的各特征的权重;
依据所述目标用户的家庭融合特征数据集确定所述目标用户的信用评估结果。
7.根据权利要求6所述的方法,其特征在于,所述特征权重的确定过程包括:
利用样本集中的第二个体特征数据集和家庭关系权重对所述样本集的第一个体特征数据集进行融合,得到样本初始家庭融合特征数据集;
依据所述样本初始家庭融合特征数据集确定第一信用评估结果,并计算得到第一信用评估结果的第一预测误差;
分别对所述样本集中的第一个体特征数据集和第二个体特征数据集对应的第一特征加干扰;
利用所述家庭关系权重和所述样本集中加干扰后的第二个体特征数据集对所述样本集中加干扰后的第一个体特征数据集进行融合,得到加干扰的样本初始家庭融合特征数据集;
依据所述加干扰的样本初始家庭融合特征数据集确定第二信用评估结果,并计算得到第二信用评估结果的第二预测误差;
基于所述第一预测误差和第二预测误差的差值,确定所述第一特征的特征权重。
8.根据权利要求6所述的方法,其特征在于,所述将所述家庭关系权重、特征权重以及第二个体特征数据集与所述第一个体特征数据集进行融合处理,获取目标用户的家庭融合特征数据集,包括:
利用如下公式,将第一个体特征数据集的第j个特征融合相关用户的第j个特征,得到家庭融合特征数据集的第j个特征x′oj:
其中,i表示第i个相关用户,i=1,2,…,M,M为正整数;
j表示第j个特征,j=1,2,…,N,N为正整数;
xij表示第i个相关用户的第j个特征;
x0j表示目标用户的第j个特征;
wsi表示目标用户与第i个相关用户之间的家庭关系权重;
wfj表示第j个特征的特征权重;
x′oj家庭融合特征数据集的第j个特征。
9.根据权利要求8所述的方法,其特征在于,所述家庭融合特征数据集为:u′0=[x01,x02,x03,…,x0N,x′o1,x′o2,x′o3,…,x′oN]。
10.根据权利要求6所述的方法,其特征在于,所述依据所述目标用户的家庭融合特征数据集确定所述目标用户的信用评估结果,包括:
依据所述目标用户的家庭融合特征数据和所述第一个体特征数据集确定所述目标用户的信用评估结果。
11.根据权利要求10所述的方法,其特征在于,所述依据所述目标用户的家庭融合特征数据和所述第一个体特征数据集确定所述目标用户的信用评估结果,包括:
将所述第一个体特征数据集输入第一原始信用评估模型,得到第一信用评估结果;
将所述家庭融合特征数据集输入家庭信用评估模型,得到第二信用评估结果;
基于第一信用评估结果和第二信用评估结果的融合确定所述目标用户的信用评估结果;
其中,其中所述第一原始信用评估模型以样本集的第一个体特征数据集为自变量,样本集的第一个体特征数据集对应的信用评估结果为因变量训练得到;
其中所述家庭信用评估模型以样本集的家庭融合特征数据为自变量,样本集的家庭融合特征数据对应的信用评估结果为因变量训练得到。
12.根据权利要求1所述的方法,其特征在于,所述依据所述第一个体特征数据集、第二个体特征数据集以及所述家庭关系权重确定所述目标用户的信用评估结果,包括:
依据所述目标用户的第一个体特征数据集确定所述目标用户的第三信用评估结果;
依据所述目标用户的第二个体特征数据集确定所述相关用户的第四信用评估结果;
将所述家庭关系权重、第四信用评估结果与第三信用评估结果进行融合处理,获取目标用户的信用评估结果。
13.根据权利要求12所述的方法,其特征在于,
所述依据所述目标用户的第一个体特征数据集确定所述目标用户的第三信用评估结果,包括:
将所述第一个体特征数据集输入第二原始信用评估模型,得到第三信用评估结果;
所述依据所述目标用户的第二个体特征数据集确定所述相关用户的第四信用评估结果,包括:
将所述第二个体特征数据集输入第二原始信用评估模型,得到第四信用评估结果;
其中所述第二原始信用评估模型以样本集的第一个体特征数据集、第二个体特征数据集为自变量,样本集的第一个体特征数据集和第二个体特征数据集对应的信用评估结果为因变量训练得到。
15.根据权利要求1所述的方法,其特征在于,所述第一个体特征数据集或第二个体特征数据集包括如下特征中的至少一项:
身份特质、历史违约信息、历史消费数据以及网络行为数据。
16.根据权利要求1所述的方法,其特征在于,所述关系特征数据集包括如下特征中的至少一项:
用户提交的关系类型、通信次数、通信时长、同基站记录、家庭类通信套餐办理记录、同宽带相关记录以及代付费记录。
17.一种信用评估模型的构建方法,其特征在于,所述信用评估模型包括:家庭关系模型和家庭信用评估模型;所述方法,包括:
获取样本集目标用户的第一个体数据和关系数据,以及所述关系数据涉及的样本集相关用户的第二个体数据;
分别提取第一个体数据、关系数据和第二个体数据的特征数据,得到样本集目标用户的第一个体特征数据集、关系特征数据集和样本集相关用户的第二个体特征数据集;
以所述关系特征数据集作为自变量,以所述样本集的关系特征数据集对应的家庭关系权重作为因变量,对所述家庭关系模型进行训练,得到所述家庭关系模型;
以所述第一个体特征数据集、第二个体特征数据集以及所述样本集的关系特征数据集对应的家庭关系权重作为自变量,以所述样本集目标用户对应的信用评估结果为因变量,对所述家庭信用评估模型进行训练,得到所述家庭信用评估模型。
18.根据权利要求17所述的方法,其特征在于,所述家庭关系模型包括家庭关系识别模型、关系类型权重计算模块、家庭担保度评估模型和家庭关系权重计算模型;
所述以所述关系特征数据集作为自变量,以所述样本集的关系特征数据集对应的家庭关系权重作为因变量,对所述家庭关系模型进行训练,得到所述家庭关系模型,包括:
以样本集的关系特征数据集作为自变量,以所述样本集的关系特征数据集对应的关系类型初始集作为因变量,对所述家庭关系识别模型进行训练;
以关系类型初始集作为自变量,所述目标用户与所述相关用户之间的关系类型权重作为因变量,对关系类型权重计算模块进行训练;
以样本集的关系特征数据集作为自变量,以所述样本集的关系特征数据集对应的相关用户对目标用户的担保概率作为因变量,对所述家庭担保度评估模型进行训练;
以所述关系类型权重、担保概率作为自变量,对所述家庭关系权重计算模型进行训练。
19.根据权利要求18所述的方法,其特征在于,所述以关系类型初始集作为自变量,所述目标用户与所述相关用户之间的关系类型权重作为因变量,对关系类型权重计算模块进行训练,包括:
用于基于所述关系类型初始集构建家庭关系网络,其中,所述家庭关系网络中的结点为所述目标用户和所述相关用户;
用于基于所述家庭关系网络的结点关系确定关系类型拓展集,其中,所述关系类型拓展集包括所述关系类型初始集,以及在所述关系类型初始集的基础上拓展的关系类型集;
以关系类型拓展集作为自变量,所述目标用户与所述相关用户之间的关系类型权重作为因变量,对关系类型权重计算模块进行训练。
20.根据权利要求17所述的方法,其特征在于,所述以所述第一个体特征数据集、第二个体特征数据集以及所述样本集的关系特征数据集对应的家庭关系权重作为自变量,以所述样本集目标用户对应的信用评估结果为因变量,对所述家庭信用评估模型进行训练,得到所述家庭信用评估模型,包括:
将所述家庭关系权重、特征权重以及第二个体特征数据集与所述第一个体特征数据集进行融合处理,获取目标用户的家庭融合特征数据集;其中,所述特征权重是所述第一个体特征数据集与第二个体特征数据集对应的各特征的权重;
以所述家庭融合特征数据为自变量,家庭融合特征数据对应的信用评估结果为因变量,训练所述家庭信用评估模型。
21.根据权利要求20所述的方法,其特征在于,所述特征权重的确定过程包括:
利用样本集中的第二个体特征数据集和家庭关系权重对所述样本集的第一个体特征数据集进行融合,得到样本初始家庭融合特征数据集;
依据所述样本初始家庭融合特征数据集确定第一信用评估结果,并计算得到第一信用评估结果的第一预测误差;
分别对所述样本集中的第一个体特征数据集和第二个体特征数据集对应的第一特征加干扰;
利用所述家庭关系权重和所述样本集中加干扰后的第二个体特征数据集对所述样本集中加干扰后的第一个体特征数据集进行融合,得到加干扰的样本初始家庭融合特征数据集;
依据所述加干扰的样本初始家庭融合特征数据集确定第二信用评估结果,并计算得到第二信用评估结果的第二预测误差;
基于所述第一预测误差和第二预测误差的差值,确定所述第一特征的特征权重。
22.根据权利要求20所述的方法,其特征在于,所述将所述家庭关系权重、特征权重以及第二个体特征数据集与所述第一个体特征数据集进行融合处理,获取目标用户的家庭融合特征数据集,包括:
利用如下公式,将第一个体特征数据集的第j个特征融合相关用户的第j个特征,得到家庭融合特征数据集的第j个特征x′oj:
其中,i表示第i个相关用户,i=1,2,…,M,M为正整数;
j表示第j个特征,j=1,2,…,N,N为正整数;
xij表示第i个相关用户的第j个特征;
x0j表示目标用户的第j个特征;
wsi表示目标用户与第i个相关用户之间的家庭关系权重;
wfj表示第j个特征的特征权重;
x′oj家庭融合特征数据集的第j个特征。
23.根据权利要求22所述的方法,其特征在于,所述家庭融合特征数据集为:u′0=[x01,x02,x03,…,x0N,x′o1,x′o2,x′o3,…,x′oN]。
24.根据权利要求17所述的方法,其特征在于,所述第一个体特征数据集或第二个体特征数据集包括如下特征中的至少一项:
身份特质、历史违约信息、历史消费数据以及网络行为数据。
25.根据权利要求17所述的方法,其特征在于,所述关系特征数据集包括如下特征中的至少一项:
用户提交的关系类型、通信次数、通信时长、同基站记录、家庭类通信套餐办理记录、同宽带相关记录以及代付费记录。
26.一种信用评估显示方法,其特征在于,所述方法包括:
获取目标用户的第一个体数据和关系数据,以及所述关系数据涉及的相关用户的第二个体数据;
分别提取第一个体数据、关系数据和第二个体数据的特征数据,得到目标用户的第一个体特征数据集、关系特征数据集和相关用户的第二个体特征数据集;
基于所述关系特征数据集,确定所述目标用户与所述相关用户之间的家庭关系权重;
依据目标用户的第一个体特征数据集确定所述目标用户的个人信用评估结果;
依据所述第一个体特征数据集、第二个体特征数据集以及所述家庭关系权重确定所述目标用户的家庭信用评估结果;
显示所述个人信用评估结果和家庭信用评估结果。
27.根据权利要求26所述的方法,其特征在于,所述方法还包括:
基于所述家庭关系权重,确定各家庭成员的对于所述家庭信用评估结果的贡献比例;
所述显示所述个人信用评估结果和家庭信用评估结果,包括:
显示所述各家庭成员的贡献比例。
28.根据权利要求26所述的方法,其特征在于,所述方法还包括:
基于所述关系特征数据集,确定所述目标用户与所述相关用户之间的家庭关系网络;
所述显示所述个人信用评估结果和家庭信用评估结果,包括:
显示所述家庭关系网络。
29.根据权利要求26所述的方法,其特征在于,所述方法还包括:
基于所述个人信用评估结果,确定所述目标用户的第一应用业务集;
基于所述家庭信用评估结果,确定所述目标用户的第二应用业务集;
所述显示所述个人信用评估结果和家庭信用评估结果,包括:
显示所述第二应用业务集,并基于所述第一应用业务集与第二应用业务集之间的关系,对所述第二应用业务集进行标记显示。
30.根据权利要求29所述的方法,其特征在于,所述基于所述第一应用业务集与第二应用业务集之间的关系,对所述第二应用业务集进行标记显示,包括:
第二应用业务集相对于所述第一应用业务集新增的应用业务的显示包括第一标记;和/或,
第二应用业务集相对于所述第一应用业务集升级的应用业务的显示包括第二标记。
31.根据权利要求30所述的方法,其特征在于,所述第二标记包括:升级标识和/或升级内容。
32.一种信用评估设备,其特征在于,包括:
数据获取模块,用于获取目标用户的第一个体数据和关系数据,以及所述关系数据涉及的相关用户的第二个体数据;
特征提取模块,用于分别提取第一个体数据、关系数据和第二个体数据的特征数据,得到目标用户的第一个体特征数据集、关系特征数据集和相关用户的第二个体特征数据集;
家庭关系模块,用于基于所述关系特征数据集,确定所述目标用户与所述相关用户之间的家庭关系权重;
信用评估模块,用于依据所述第一个体特征数据集、第二个体特征数据集以及所述家庭关系权重确定所述目标用户的信用评估结果。
33.一种电子设备,其特征在于,包括处理器,
所述处理器,用于获取目标用户的第一个体数据和关系数据,以及所述关系数据涉及的相关用户的第二个体数据;
分别提取第一个体数据、关系数据和第二个体数据的特征数据,得到目标用户的第一个体特征数据集、关系特征数据集和相关用户的第二个体特征数据集;
基于所述关系特征数据集,确定所述目标用户与所述相关用户之间的家庭关系权重;
所述处理器,还用于依据所述第一个体特征数据集、第二个体特征数据集以及所述家庭关系权重确定所述目标用户的信用评估结果。
34.一种信用评估模型的构建设备,其特征在于,所述信用评估模型包括家庭关系模型和家庭信用评估模型,所述设备包括:
数据获取模块,用于获取样本集目标用户的第一个体数据和关系数据,以及所述关系数据涉及的样本集相关用户的第二个体数据;
特征提取模块,用于分别提取第一个体数据、关系数据和第二个体数据的特征数据,得到样本集目标用户的第一个体特征数据集、关系特征数据集和样本集相关用户的第二个体特征数据集;
家庭关系模型训练模块,用于以所述关系特征数据集作为自变量,以所述样本集的关系特征数据集对应的家庭关系权重作为因变量,对所述家庭关系模型进行训练,得到所述家庭关系模型;
家庭信用评估模型训练模块,用于以所述第一个体特征数据集、第二个体特征数据集以及所述样本集的关系特征数据集对应的家庭关系权重作为自变量,以所述样本集目标用户对应的信用评估结果为因变量,对所述家庭信用评估模型进行训练,得到所述家庭信用评估模型。
35.一种电子设备,其特征在于,包括处理器,
所述处理器,用于获取样本集目标用户的第一个体数据和关系数据,以及所述关系数据涉及的样本集相关用户的第二个体数据;
分别提取第一个体数据、关系数据和第二个体数据的特征数据,得到样本集目标用户的第一个体特征数据集、关系特征数据集和样本集相关用户的第二个体特征数据集;
以所述关系特征数据集作为自变量,以所述样本集的关系特征数据集对应的家庭关系权重作为因变量,对所述家庭关系模型进行训练,得到所述家庭关系模型;
所述处理器,还用于以所述第一个体特征数据集、第二个体特征数据集以及所述样本集的关系特征数据集对应的家庭关系权重作为自变量,以所述样本集目标用户对应的信用评估结果为因变量,对所述家庭信用评估模型进行训练,得到所述家庭信用评估模型。
36.一种信用评估显示设备,其特征在于,所述设备包括:
数据获取模块,用于获取目标用户的第一个体数据和关系数据,以及所述关系数据涉及的相关用户的第二个体数据;
特征提取模块,用于分别提取第一个体数据、关系数据和第二个体数据的特征数据,得到目标用户的第一个体特征数据集、关系特征数据集和相关用户的第二个体特征数据集;
家庭关系模块,用于基于所述关系特征数据集,确定所述目标用户与所述相关用户之间的家庭关系权重;
个人信用评估模块,用于依据目标用户的第一个体特征数据集确定所述目标用户的个人信用评估结果;
家庭信用评估模块,用于依据所述第一个体特征数据集、第二个体特征数据集以及所述家庭关系权重确定所述目标用户的家庭信用评估结果;
显示模块,用于显示所述个人信用评估结果和家庭信用评估结果。
37.一种电子设备,其特征在于,包括处理器和显示模块;
所述处理器,用于获取目标用户的第一个体数据和关系数据,以及所述关系数据涉及的相关用户的第二个体数据;
分别提取第一个体数据、关系数据和第二个体数据的特征数据,得到目标用户的第一个体特征数据集、关系特征数据集和相关用户的第二个体特征数据集;
基于所述关系特征数据集,确定所述目标用户与所述相关用户之间的家庭关系权重;
依据目标用户的第一个体特征数据集确定所述目标用户的个人信用评估结果;
依据所述第一个体特征数据集、第二个体特征数据集以及所述家庭关系权重确定所述目标用户的家庭信用评估结果;
所述显示模块,用于显示所述个人信用评估结果和家庭信用评估结果。
38.一种电子设备,其特征在于,包括:处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序,所述程序被所述处理器执行时实现如权利要求1至16中任一项所述的信用评估方法的步骤,或者所述程序被所述处理器执行时实现如权利要求17至25中任一项所述的信用评估模型的构建方法的步骤,或者所述程序被所述处理器执行时实现如权利要求26至31中任一项所述的信用评估显示方法的步骤。
39.一种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有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至16中任一项所述的信用评估方法的步骤,或者所述计算机程序被处理器执行时实现如权利要求17至25中任一项所述的信用评估模型的构建方法的步骤,或者所述计算机程序被处理器执行时实现如权利要求26至31中任一项所述的信用评估显示方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911249373.1A CN113034260A (zh) | 2019-12-09 | 2019-12-09 | 一种信用评估方法、模型构建方法、显示方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911249373.1A CN113034260A (zh) | 2019-12-09 | 2019-12-09 | 一种信用评估方法、模型构建方法、显示方法及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113034260A true CN113034260A (zh) | 2021-06-25 |
Family
ID=76450938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911249373.1A Pending CN113034260A (zh) | 2019-12-09 | 2019-12-09 | 一种信用评估方法、模型构建方法、显示方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113034260A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113536672A (zh) * | 2021-07-09 | 2021-10-22 | 浙江网商银行股份有限公司 | 目标对象处理方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108320220A (zh) * | 2018-02-06 | 2018-07-24 | 有光创新(北京)信息技术有限公司 | 一种用户信用度的评估系统及方法 |
CN108537397A (zh) * | 2017-03-01 | 2018-09-14 | 腾讯科技(深圳)有限公司 | 一种互联网征信评估方法和系统 |
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 |
CN109255697A (zh) * | 2018-08-15 | 2019-01-22 | 普信恒业科技发展(北京)有限公司 | 一种基于人工智能的自动信用评估方法和系统 |
WO2019062414A1 (zh) * | 2017-09-30 | 2019-04-04 | Oppo广东移动通信有限公司 | 应用程序管控方法、装置、存储介质及电子设备 |
-
2019
- 2019-12-09 CN CN201911249373.1A patent/CN113034260A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537397A (zh) * | 2017-03-01 | 2018-09-14 | 腾讯科技(深圳)有限公司 | 一种互联网征信评估方法和系统 |
WO2019062414A1 (zh) * | 2017-09-30 | 2019-04-04 | Oppo广东移动通信有限公司 | 应用程序管控方法、装置、存储介质及电子设备 |
CN108320220A (zh) * | 2018-02-06 | 2018-07-24 | 有光创新(北京)信息技术有限公司 | 一种用户信用度的评估系统及方法 |
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 |
CN109255697A (zh) * | 2018-08-15 | 2019-01-22 | 普信恒业科技发展(北京)有限公司 | 一种基于人工智能的自动信用评估方法和系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113536672A (zh) * | 2021-07-09 | 2021-10-22 | 浙江网商银行股份有限公司 | 目标对象处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106844407B (zh) | 基于数据集相关性的标签网络产生方法和系统 | |
US11651255B2 (en) | Method and apparatus for object preference prediction, and computer readable medium | |
CN112784066A (zh) | 基于知识图谱的信息反馈方法、装置、终端和存储介质 | |
CN112785005A (zh) | 多目标任务的辅助决策方法、装置、计算机设备及介质 | |
CN110909258B (zh) | 一种信息推荐方法、装置、设备及存储介质 | |
CN107633257B (zh) | 数据质量评估方法及装置、计算机可读存储介质、终端 | |
CN116401379A (zh) | 金融产品数据推送方法、装置、设备及存储介质 | |
CN115203496A (zh) | 基于大数据的项目智能预测及评估方法、系统及可读存储介质 | |
CN113034260A (zh) | 一种信用评估方法、模型构建方法、显示方法及相关设备 | |
CN114387103A (zh) | 一种交易风险识别方法和装置 | |
CN103678548A (zh) | 基于组合模式的失效服务替代推荐方法 | |
CN111582394B (zh) | 一种群体评估方法、装置、设备及介质 | |
CN116701734A (zh) | 地址文本的处理方法、设备及计算机可读存储介质 | |
CN112257959A (zh) | 用户风险预测方法、装置、电子设备及存储介质 | |
CN111798152A (zh) | 一种门店智能管理方法和装置 | |
CN111553401A (zh) | 一种应用在云服务推荐中基于图模型的QoS预测方法 | |
WO2023050649A1 (zh) | 基于数据补全的esg指数确定方法及相关产品 | |
CN115099875A (zh) | 基于决策树模型的数据分类方法及相关设备 | |
CN113850669A (zh) | 用户分群方法、装置、计算机设备及计算机可读存储介质 | |
CN112463964B (zh) | 文本分类及模型训练方法、装置、设备及存储介质 | |
CN110544165B (zh) | 一种信用风险评分卡创建方法、装置及电子设备 | |
CN111159397B (zh) | 文本分类方法和装置、服务器 | |
CN114186646A (zh) | 区块链异常交易识别方法及装置、存储介质及电子设备 | |
CN115345687A (zh) | 一种跨网站商品对齐方法及装置 | |
CN114022233A (zh) | 一种新型的商品推荐方法 |
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 |