CN113379534A - 一种风险评估方法、装置、设备及存储介质 - Google Patents
一种风险评估方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113379534A CN113379534A CN202110656853.0A CN202110656853A CN113379534A CN 113379534 A CN113379534 A CN 113379534A CN 202110656853 A CN202110656853 A CN 202110656853A CN 113379534 A CN113379534 A CN 113379534A
- Authority
- CN
- China
- Prior art keywords
- user
- credit information
- risk
- risk assessment
- users
- 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
- 238000012502 risk assessment Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 70
- 238000004891 communication Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 208000003443 Unconsciousness Diseases 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 5
- 239000000523 sample Substances 0.000 description 20
- 238000011835 investigation Methods 0.000 description 6
- 238000012797 qualification Methods 0.000 description 4
- 230000002950 deficient Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种风险评估方法、装置、设备及存储介质，该方法包括：获取历史上多个用户中每个用户的综合信贷信息及风险标签，利用历史上该多个用户中每个用户的综合信贷信息及风险标签训练预设算法，得到相应的风险评估模型；确定当前需实现风险评估的用户为目标用户，获取所述目标用户的综合信贷信息，并将所述目标用户的综合信贷信息输入至所述风险评估模型中，得到所述风险评估模型输出的所述目标用户的风险标签；其中，任意用户的综合信贷信息包括该任意用户自身的信贷信息及与该任意用户存在联系的其他全部用户的信贷信息。本申请能够有效实现用户的风险评估，且能够使得用户风险评估的准确性较高。
Description
技术领域
本发明涉及互联网数据处理技术领域，更具体地说，涉及一种风险评估方法、装置、设备及存储介质。
背景技术
在农村用户的授信审核过程中，作为最大的“零征信”群体，数字化程度严重缺乏，互联网数据也通常无法覆盖，在严重缺乏审核工具的情况下大多数金融机构的农户信用审核通常基本靠挨户走访，而走访信息真实情况不可核且效率低下，农村用户的信息空白限制了金融机构的服务范围，有效的风险识别工具极为匮乏。
发明内容
本发明的目的是提供一种风险评估方法、装置、设备及存储介质，能够有效实现用户的风险评估，且能够使得用户风险评估的准确性较高。
为了实现上述目的，本发明提供如下技术方案：
一种风险评估方法，包括：
获取历史上多个用户中每个用户的综合信贷信息及风险标签，利用历史上该多个用户中每个用户的综合信贷信息及风险标签训练预设算法，得到相应的风险评估模型；任意用户的综合信贷信息包括该任意用户自身的信贷信息及与该任意用户存在联系的其他全部用户的信贷信息；
确定当前需实现风险评估的用户为目标用户，获取所述目标用户的综合信贷信息，并将所述目标用户的综合信贷信息输入至所述风险评估模型中，得到所述风险评估模型输出的所述目标用户的风险标签。
优选的，获取任意用户的综合信贷信息之前，还包括：
确定当前需获取综合信贷信息的用户为当前用户，确定与当前用户具有通讯联系的用户为第一用户，确定与所述第一用户具有通讯联系的用户为第二用户，确定所述第一用户及所述第二用户均为与当前用户存在联系的用户。
优选的，获取任意用户的风险标签，包括：
获取任意用户的风险标签；所述风险标签包括征信好坏、黑产概率、收入档次或者风险等级。
优选的，获取历史上多个用户中每个用户的综合信贷信息及风险标签之后，还包括：将历史上该多个用户中每个用户的综合信贷信息及风险标签均存储至预先设置的训练样本集中；
利用历史上该多个用户中每个用户的综合信贷信息及风险标签训练预设算法，包括：利用所述训练样本集训练预设算法；
得到相应的风险评估模型之后，还包括：每经过预设时间段，则获取距离当前时刻最近的当前时刻之前所述预设时间段产生的新的用户的综合信贷信息及风险标签，将获取的新的用户的综合信贷信息及风险标签存储至所述训练样本集中，并执行利用所述训练样本集训练预设算法的步骤。
一种风险评估装置，包括：
训练模块，用于：获取历史上多个用户中每个用户的综合信贷信息及风险标签，利用历史上该多个用户中每个用户的综合信贷信息及风险标签训练预设算法，得到相应的风险评估模型；任意用户的综合信贷信息包括该任意用户自身的信贷信息及与该任意用户存在联系的其他全部用户的信贷信息；
评估模块，用于：确定当前需实现风险评估的用户为目标用户，获取所述目标用户的综合信贷信息，并将所述目标用户的综合信贷信息输入至所述风险评估模型中，得到所述风险评估模型输出的所述目标用户的风险标签。
优选的，还包括：
确定模块，用于：获取任意用户的综合信贷信息之前，确定当前需获取综合信贷信息的用户为当前用户，确定与当前用户具有通讯联系的用户为第一用户，确定与所述第一用户具有通讯联系的用户为第二用户，确定所述第一用户及所述第二用户均为与当前用户存在联系的用户。
优选的，训练模块及评估模块包括：
获取单元，用于：获取任意用户的风险标签；所述风险标签包括征信好坏、黑产概率、收入档次或者风险等级。
优选的，还包括：
存储模块，用于：获取历史上多个用户中每个用户的综合信贷信息及风险标签之后，将历史上该多个用户中每个用户的综合信贷信息及风险标签均存储至预先设置的训练样本集中；
更新模块，用于：得到相应的风险评估模型之后，每经过预设时间段，则获取距离当前时刻最近的当前时刻之前所述预设时间段产生的新的用户的综合信贷信息及风险标签，将获取的新的用户的综合信贷信息及风险标签存储至所述训练样本集中，并指示训练单元工作；
训练模块包括：训练单元，用于：利用所述训练样本集训练预设算法。
一种风险评估设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上任一项所述风险评估方法的步骤。
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如上任一项风险评估方法的步骤。
本发明提供了一种风险评估方法、装置、设备及存储介质，该方法包括：获取历史上多个用户中每个用户的综合信贷信息及风险标签，利用历史上该多个用户中每个用户的综合信贷信息及风险标签训练预设算法，得到相应的风险评估模型；确定当前需实现风险评估的用户为目标用户，获取所述目标用户的综合信贷信息，并将所述目标用户的综合信贷信息输入至所述风险评估模型中，得到所述风险评估模型输出的所述目标用户的风险标签；其中，任意用户的综合信贷信息包括该任意用户自身的信贷信息及与该任意用户存在联系的其他全部用户的信贷信息。本申请利用历史上多个用户的综合信贷信息及相应风险标签训练风险评估模型，进而将需要实现风险评估的用户的综合信贷信息输入至风险评估模型中，即可得到风险评估模型输出的该用户的风险标签，有效实现该用户的风险评估；并且由于用户的综合信贷信息包含用户本身的信贷信息及与用户存在联系的其他用户的信贷信息，因此能够在实现风险评估时综合考虑用户本身的信贷情况及与用户存在联系的其他用户的信贷情况，进而有效提高用户风险评估的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需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的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种风险评估方法的流程图；
图2为本发明实施例提供的一种风险评估装置的结构示意图。
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，所描述的实施例仅仅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做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。
请参阅图1，其示出了本发明实施例提供的一种风险评估方法的流程图，可以包括：
S11：获取历史上多个用户中每个用户的综合信贷信息及风险标签，利用历史上该多个用户中每个用户的综合信贷信息及风险标签训练预设算法，得到相应的风险评估模型；任意用户的综合信贷信息包括该任意用户自身的信贷信息及与该任意用户存在联系的其他全部用户的信贷信息。
本发明实施例提供的一种风险评估方法的执行主体可以为对应的风险评估装置、设备。需要说明的是，用户可以为农村用户，也可以为根据实际需要确定的其他用户。获取距离当前时刻最近的、当前时刻之前一段时间(该段时间的时长可以根据实际需要进行设定)内每个用户的综合信贷信息及风险标签；其中，用户的综合信贷信息可以包括该用户自身的信贷信息及与该用户存在联系的其他用户的信贷信息，信贷信息可以包括贷款记录、还款记录等信息，用户的风险标签可以包括该用户征信好坏的信息等表示授信审核过程中存在风险的信息，而与用户存在联系的其他用户可以为与该用户之间存在通讯联系的用户。利用获取的这些用户的综合信贷信息及风险标签训练则可得到相应的风险评估模型，后续再利用该风险评估模型实现风险评估。
S12：确定当前需实现风险评估的用户为目标用户，获取目标用户的综合信贷信息，并将目标用户的综合信贷信息输入至风险评估模型中，得到风险评估模型输出的目标用户的风险标签。
任意当前需实现风险评估的用户均可以称之为当前用户，在确定出当前用户后，可以获取当前用户的综合信贷信息作为特征，用以对当前用户进行风险评估。具体来说，将当前用户的综合信贷信息输入至训练得到的风险评估模型中，风险评估模型输出的数据则为当前用户的风险标签，也即为对当前用户进行风险评估所得的结果。
在农村用户的授信审核过程中，作为最大的“零征信”群体，数字化程度严重缺乏，互联网数据也通常无法覆盖，在严重缺乏审核工具的情况下大多数金融机构的农户信用审核通常基本靠挨户走访，而走访信息真实情况不可核且效率低下，农村用户的信息空白限制了金融机构的服务范围，有效的风险识别工具极为匮乏。
本申请利用历史上多个用户的综合信贷信息及相应风险标签训练风险评估模型，进而将需要实现风险评估的用户的综合信贷信息输入至风险评估模型中，即可得到风险评估模型输出的该用户的风险标签，有效实现该用户的风险评估；并且由于用户的综合信贷信息包含用户本身的信贷信息及与用户存在联系的其他用户的信贷信息，因此能够在实现风险评估时综合考虑用户本身的信贷情况及与用户存在联系的其他用户的信贷情况，进而有效提高用户风险评估的准确性。
本发明实施例提供的一种风险评估方法，获取任意用户的综合信贷信息之前，还可以包括：
确定当前需获取综合信贷信息的用户为当前用户，确定与当前用户具有通讯联系的用户为第一用户，确定与第一用户具有通讯联系的用户为第二用户，确定第一用户及第二用户均为与当前用户存在联系的用户。
在银行众多农村区域用户中，相互之间可能存在直接或者间接的关联。基于此，本申请可以利用运营商通讯数据，对用户最常联系的联系人进行关系网构建，与用户具有直接联系的关联人构建第一层关联，与用户具有间接联系的构建第二层关联。具体来说，与任意用户具有第一层关联的用户为在该任意用户通讯录中的用户，而与该任意用户具有第二层关联的用户为在与该任意用户具有第一层关联的用户通讯录中的用户，也即与任意用户具有通讯联系的用户为在该任意用户的通讯录中的用户，当然还可以基于此确定出第三层关联、第四层关联直至第n(n为大于4的整数)层关联，均在本发明的保护范围之内；本申请为了减少数据处理，选取任意用户第一层关联和第二层关联的用户作为与该任意用户具有联系的用户。
本发明实施例提供的一种风险评估方法，获取任意用户的风险标签，可以包括：
获取任意用户的风险标签；风险标签包括征信好坏、黑产概率、收入档次或者风险等级。
风险标签可以根据实际需要进行设定，如可以选择征信好坏、黑产概率、收入档次或者风险等级，从而相应的风险评估。
具体来说，本申请在银行已有信贷记录信息的农户数据中，以关键的特征变量(例如征信好坏、黑产概率、收入档次、风险等级等)为目标，结合用户一层关联用户，二层关联用户的关联特征(例如关联人征信好坏情况、黑产情况、收入情况、我行资产交易情况、关联人信贷历史情况)，进行包含逻辑回归、xgboost或神经网络模型等算法在内的多个特征模型训练。从而通过关联情况对无法获取信息的用户进行关键变量的预测，比如有征信好坏的概率、黑产概率、收入档次、风险情况等进行预测，从而对信息缺失的农户金融申请进行测试性的下探服务，也可以对信息较少的农户资质进行进一步的补充判定。
本发明实施例提供的一种风险评估方法，获取历史上多个用户中每个用户的综合信贷信息及风险标签之后，还可以包括：将历史上该多个用户中每个用户的综合信贷信息及风险标签均存储至预先设置的训练样本集中；
利用历史上该多个用户中每个用户的综合信贷信息及风险标签训练预设算法，可以包括：利用训练样本集训练预设算法；
得到相应的风险评估模型之后，还可以包括：每经过预设时间段，则获取距离当前时刻最近的当前时刻之前预设时间段产生的新的用户的综合信贷信息及风险标签，将获取的新的用户的综合信贷信息及风险标签存储至训练样本集中，并执行利用训练样本集训练预设算法的步骤。
在实现风险评估模型训练时，可以将获取的历史上多个用户的综合信贷信息及相应风险标签均存储至训练样本集中，从而直接利用训练样本集进行风险评估模型的训练，从而方便实现对用于风险评估模型训练所用的综合信贷信息及相应风险标签的存储及使用等。其中，预设时间段可以根据实际需要进行设定；基于预设时间段本申请可以定时获取历史上新产生的用户的综合信贷信息及风险标签，然后将这些新产生的用户的综合信贷信息及风险标签存储至训练样本集中，再利用该训练样本集实现风险评估模型的训练，从而实现训练样本集的实时更新，迭代风险评估模型算法，从而保证了风险评估模型的实时性和有效性。
在一种具体实现方式中，本发明实施例提供的一种风险评估方法具体可以包括：
1针对农村用户数据，利用运营商通讯数据构建关系网关联数据；
2挖掘二层关系网以内的关联人特征，可以包括关联人征信好坏情况、关联黑产情况、关联收入情况、关联银行资产交易情况、关联人信贷历史情况等；
3特征模型训练：征信好坏、黑产概率、收入档次、风险等级等特征；
4通过多个特征模型的预测结果：对无法获取信息的用户进行关键变量的预测，并结合预测的特征补充授信审核决策信息
5对优质群体但信息缺失的农户金融需求申请进行测试性的下探服务：风险策略上对农户信用资质进行进一步佐证，识别当前工具无法识别的高风险群体。
可见在农户授信过程中，本发明提供信息缺失的情况下对农户资质审核的有效工具，在少量信息情况下对农户资质进行进一步佐证，扩大金融机构农户服务范围并有效防范存量用户风险；在逐步拓展对农村区域征信空白人群的服务范围过程中，更多的农户有机会享受金融机构金融服务同时拓展农村白户征信数据的覆盖程度，逐步改善农户征信空白的现状。
本发明实施例还提供了一种风险评估装置，如图2所示，可以包括：
训练模块11，用于：获取历史上多个用户中每个用户的综合信贷信息及风险标签，利用历史上该多个用户中每个用户的综合信贷信息及风险标签训练预设算法，得到相应的风险评估模型；任意用户的综合信贷信息包括该任意用户自身的信贷信息及与该任意用户存在联系的其他全部用户的信贷信息；
评估模块12，用于：确定当前需实现风险评估的用户为目标用户，获取目标用户的综合信贷信息，并将目标用户的综合信贷信息输入至风险评估模型中，得到风险评估模型输出的目标用户的风险标签。
本发明实施例提供的一种风险评估装置，还可以包括：
确定模块，用于：获取任意用户的综合信贷信息之前，确定当前需获取综合信贷信息的用户为当前用户，确定与当前用户具有通讯联系的用户为第一用户，确定与第一用户具有通讯联系的用户为第二用户，确定第一用户及第二用户均为与当前用户存在联系的用户。
本发明实施例提供的一种风险评估装置，训练模块及评估模块可以包括：
获取单元，用于：获取任意用户的风险标签；风险标签包括征信好坏、黑产概率、收入档次或者风险等级。
本发明实施例提供的一种风险评估装置，还可以包括：
存储模块，用于：获取历史上多个用户中每个用户的综合信贷信息及风险标签之后，将历史上该多个用户中每个用户的综合信贷信息及风险标签均存储至预先设置的训练样本集中；
更新模块，用于：得到相应的风险评估模型之后，每经过预设时间段，则获取距离当前时刻最近的当前时刻之前预设时间段产生的新的用户的综合信贷信息及风险标签，将获取的新的用户的综合信贷信息及风险标签存储至训练样本集中，并指示训练单元工作；
训练模块可以包括：训练单元，用于：利用训练样本集训练预设算法；
本发明实施例还提供了一种风险评估设备，可以包括：
存储器，用于存储计算机程序；
处理器，用于执行计算机程序时实现如上任一项风险评估方法的步骤。
本发明实施例还提供了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，计算机程序被处理器执行时可以实现如上任一项风险评估方法的步骤。
需说明的是，本发明实施例提供的一种风险评估装置、设备及存储介质中相关部分的说明请参见本发明实施例提供的一种风险评估方法中对应部分的详细说明，在此不再赘述。另外本发明实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。
对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种风险评估方法，其特征在于，包括：
获取历史上多个用户中每个用户的综合信贷信息及风险标签，利用历史上该多个用户中每个用户的综合信贷信息及风险标签训练预设算法，得到相应的风险评估模型；任意用户的综合信贷信息包括该任意用户自身的信贷信息及与该任意用户存在联系的其他全部用户的信贷信息；
确定当前需实现风险评估的用户为目标用户，获取所述目标用户的综合信贷信息，并将所述目标用户的综合信贷信息输入至所述风险评估模型中，得到所述风险评估模型输出的所述目标用户的风险标签。
2.根据权利要求1所述的方法，其特征在于，获取任意用户的综合信贷信息之前，还包括：
确定当前需获取综合信贷信息的用户为当前用户，确定与当前用户具有通讯联系的用户为第一用户，确定与所述第一用户具有通讯联系的用户为第二用户，确定所述第一用户及所述第二用户均为与当前用户存在联系的用户。
3.根据权利要求2所述的方法，其特征在于，获取任意用户的风险标签，包括：
获取任意用户的风险标签；所述风险标签包括征信好坏、黑产概率、收入档次或者风险等级。
4.根据权利要求3所述的方法，其特征在于，获取历史上多个用户中每个用户的综合信贷信息及风险标签之后，还包括：将历史上该多个用户中每个用户的综合信贷信息及风险标签均存储至预先设置的训练样本集中；
利用历史上该多个用户中每个用户的综合信贷信息及风险标签训练预设算法，包括：利用所述训练样本集训练预设算法；
得到相应的风险评估模型之后，还包括：每经过预设时间段，则获取距离当前时刻最近的当前时刻之前所述预设时间段产生的新的用户的综合信贷信息及风险标签，将获取的新的用户的综合信贷信息及风险标签存储至所述训练样本集中，并执行利用所述训练样本集训练预设算法的步骤。
5.一种风险评估装置，其特征在于，包括：
训练模块，用于：获取历史上多个用户中每个用户的综合信贷信息及风险标签，利用历史上该多个用户中每个用户的综合信贷信息及风险标签训练预设算法，得到相应的风险评估模型；任意用户的综合信贷信息包括该任意用户自身的信贷信息及与该任意用户存在联系的其他全部用户的信贷信息；
评估模块，用于：确定当前需实现风险评估的用户为目标用户，获取所述目标用户的综合信贷信息，并将所述目标用户的综合信贷信息输入至所述风险评估模型中，得到所述风险评估模型输出的所述目标用户的风险标签。
6.根据权利要求5所述的装置，其特征在于，还包括：
确定模块，用于：获取任意用户的综合信贷信息之前，确定当前需获取综合信贷信息的用户为当前用户，确定与当前用户具有通讯联系的用户为第一用户，确定与所述第一用户具有通讯联系的用户为第二用户，确定所述第一用户及所述第二用户均为与当前用户存在联系的用户。
7.根据权利要求6所述的装置，其特征在于，训练模块及评估模块包括：
获取单元，用于：获取任意用户的风险标签；所述风险标签包括征信好坏、黑产概率、收入档次或者风险等级。
8.根据权利要求7所述的装置，其特征在于，还包括：
存储模块，用于：获取历史上多个用户中每个用户的综合信贷信息及风险标签之后，将历史上该多个用户中每个用户的综合信贷信息及风险标签均存储至预先设置的训练样本集中；
更新模块，用于：得到相应的风险评估模型之后，每经过预设时间段，则获取距离当前时刻最近的当前时刻之前所述预设时间段产生的新的用户的综合信贷信息及风险标签，将获取的新的用户的综合信贷信息及风险标签存储至所述训练样本集中，并指示训练单元工作；
训练模块包括：训练单元，用于：利用所述训练样本集训练预设算法。
9.一种风险评估设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述风险评估方法的步骤。
10.一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4任一项所述风险评估方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110656853.0A CN113379534A (zh) | 2021-06-11 | 2021-06-11 | 一种风险评估方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110656853.0A CN113379534A (zh) | 2021-06-11 | 2021-06-11 | 一种风险评估方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113379534A true CN113379534A (zh) | 2021-09-10 |
Family
ID=77574423
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110656853.0A Pending CN113379534A (zh) | 2021-06-11 | 2021-06-11 | 一种风险评估方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113379534A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108280757A (zh) * | 2017-02-13 | 2018-07-13 | 腾讯科技（深圳）有限公司 | 用户信用评估方法及装置 |
| CN109087163A (zh) * | 2018-07-06 | 2018-12-25 | 阿里巴巴集团控股有限公司 | 信用评估的方法及装置 |
| CN110610412A (zh) * | 2019-09-02 | 2019-12-24 | 深圳中兴飞贷金融科技有限公司 | 信用风险评估方法和装置、存储介质和电子设备 |
| CN111311107A (zh) * | 2020-03-02 | 2020-06-19 | 腾讯科技（深圳）有限公司 | 基于用户关系的风险评估方法、装置和计算机设备 |
| CN111681102A (zh) * | 2020-06-05 | 2020-09-18 | 深圳市卡牛科技有限公司 | 信贷预测方法、装置、设备和存储介质 |
| CN112785086A (zh) * | 2021-02-10 | 2021-05-11 | 中国工商银行股份有限公司 | 信贷逾期风险预测方法及装置 |
-
2021
- 2021-06-11 CN CN202110656853.0A patent/CN113379534A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108280757A (zh) * | 2017-02-13 | 2018-07-13 | 腾讯科技（深圳）有限公司 | 用户信用评估方法及装置 |
| CN109087163A (zh) * | 2018-07-06 | 2018-12-25 | 阿里巴巴集团控股有限公司 | 信用评估的方法及装置 |
| CN110610412A (zh) * | 2019-09-02 | 2019-12-24 | 深圳中兴飞贷金融科技有限公司 | 信用风险评估方法和装置、存储介质和电子设备 |
| CN111311107A (zh) * | 2020-03-02 | 2020-06-19 | 腾讯科技（深圳）有限公司 | 基于用户关系的风险评估方法、装置和计算机设备 |
| CN111681102A (zh) * | 2020-06-05 | 2020-09-18 | 深圳市卡牛科技有限公司 | 信贷预测方法、装置、设备和存储介质 |
| CN112785086A (zh) * | 2021-02-10 | 2021-05-11 | 中国工商银行股份有限公司 | 信贷逾期风险预测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108564286B (zh) | 一种基于大数据征信的人工智能金融风控授信评定方法和系统 | |
| CN108876600B (zh) | 预警信息推送方法、装置、计算机设备和介质 | |
| CN108876133B (zh) | 基于业务信息的风险评估处理方法、装置、服务器和介质 | |
| CN110188198B (zh) | 一种基于知识图谱的反欺诈方法及装置 | |
| CN108932585B (zh) | 一种商户运营管理方法及其设备、存储介质、电子设备 | |
| WO2020073727A1 (zh) | 风险预测方法、装置、计算机设备和存储介质 | |
| CN110738527A (zh) | 一种特征重要性排序方法、装置、设备和存储介质 | |
| US20220351207A1 (en) | System and method for optimization of fraud detection model | |
| CN116523262B (zh) | 基于大数据的生产计划智能规划方法、系统和介质 | |
| CN112990386B (zh) | 用户价值聚类方法、装置、计算机设备和存储介质 | |
| US10325235B2 (en) | Method and system for analyzing and optimizing distribution of work from a plurality of queues | |
| CN111708883A (zh) | 一种基于机器学习和设备指纹的授信额度确定方法及装置 | |
| CN112487284A (zh) | 银行客户画像生成方法、设备、存储介质及装置 | |
| CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
| CN114266640A (zh) | 审计方法、装置、计算机设备及存储介质 | |
| CN111061948A (zh) | 一种用户标签推荐方法、装置、计算机设备及存储介质 | |
| CN109146667B (zh) | 一种基于量化统计的外部接口综合应用模型的构建方法 | |
| CN112990989B (zh) | 价值预测模型输入数据生成方法、装置、设备和介质 | |
| CN112950347B (zh) | 资源数据处理的优化方法及装置、存储介质、终端 | |
| CN112035775B (zh) | 基于随机森林模型的用户识别方法、装置和计算机设备 | |
| CN117132383A (zh) | 一种信贷数据处理方法、装置、设备及可读存储介质 | |
| CN116821759A (zh) | 类别标签的识别预测方法、装置和处理器及电子设备 | |
| CN113379534A (zh) | 一种风险评估方法、装置、设备及存储介质 | |
| TWI792101B (zh) | 基於確定值及預測值的數據定量化方法 | |
| CN116091200A (zh) | 基于机器学习的场景授信系统、方法、电子设备及介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210910 |
|
| RJ01 | Rejection of invention patent application after publication |