CN114187087A - 信用风险评估方法、信息确定方法、服务系统及设备 - Google Patents
信用风险评估方法、信息确定方法、服务系统及设备 Download PDFInfo
- Publication number
- CN114187087A CN114187087A CN202111290402.6A CN202111290402A CN114187087A CN 114187087 A CN114187087 A CN 114187087A CN 202111290402 A CN202111290402 A CN 202111290402A CN 114187087 A CN114187087 A CN 114187087A
- Authority
- CN
- China
- Prior art keywords
- financial product
- data
- scenario
- service
- financial
- 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
- 238000000034 method Methods 0.000 title claims abstract description 103
- 238000012502 risk assessment Methods 0.000 title claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 99
- 238000013210 evaluation model Methods 0.000 claims abstract description 73
- 238000011156 evaluation Methods 0.000 claims abstract description 38
- 238000012360 testing method Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000013508 migration Methods 0.000 claims description 13
- 230000005012 migration Effects 0.000 claims description 13
- 230000006399 behavior Effects 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 7
- 230000001960 triggered effect Effects 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 3
- 239000000047 product Substances 0.000 description 222
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 238000004590 computer program Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000008520 organization Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012954 risk control Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 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
本申请实施例提供一种信用风险评估方法、信息确定方法、服务系统及设备。其中，方法包括如下的步骤：获取目标对象的数据信息，其中目标对象申请第一场景金融产品，场景金融产品嵌入在服务平台提供的服务中，在服务对象享有服务平台提供的服务时能选择申请相应的场景金融产品；确定评估模型；评估模型通过训练样本集训练得到，训练样本集由第一历史时期内累积的与第一场景金融产品相关的数据，以及第二历史时期内累积的与至少一个第二场景金融产品相关的数据确定；将数据信息输入评估模型，得到目标对象的信用风险评估结果以作为判定目标对象能否成功申请到第一场景金融产品的依据。采用本申请技术方案，可及早的控制风险。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种信用风险评估方法、信息确定方法、服务系统及设备。
背景技术
场景金融产品可以解释为：满足人们在某一活动场景中的金融需求体验的产品，或者可以解释为基于特征场景(如外卖、视频网站、电商商户等)的信贷产品。比如，商户入驻电商平台(即商户开店)，电商平台上可为商户提供小额贷款以满足商户运营资金的需求；这种在电商平台提供的商户入驻服务中嵌入的贷款服务便可称为场景金融产品。
金融服务提供方新推出的场景金融产品，因产品推出时间较短，积累的数据量较少，所以需等到场景金融产品运营较长时间，积累一定量的数据后才能对申请该场景金融产品的用户的信用风险做出较为准确地判定。但在前期一个不短的时间内高风险人群很可能已经被准入了，风险防控有一定的滞后性。同样的，对于服务平台上新接入的金融服务提供方来说，因其接入时间短，积累的数据量较少，所以在前期新接入的金融服务提供方无法准确评估申请用户的信用风险，继而增加了金融服务提供方的运营风险。
发明内容
本申请提供一种解决上述问题或至少部分地解决上述问题的一种信用风险评估方法、信息确定方法、服务系统及设备。
在本申请的一个实施例中，提供了一种信用风险评估方法。该信用风险评估方法包括：
获取目标对象的数据信息，其中，所述目标对象申请第一场景金融产品，场景金融产品嵌入在服务平台提供的服务中，在服务对象享有服务平台提供的服务时能选择申请相应的场景金融产品；
确定评估模型；其中，所述评估模型通过训练样本集训练得到，所述训练样本集由第一历史时期内累积的与所述第一场景金融产品相关的数据，以及第二历史时期内累积的与至少一个第二场景金融产品相关的数据确定；
将所述数据信息输入所述评估模型，得到所述目标对象的信用风险评估结果以作为判定所述目标对象能否成功申请到所述第一场景金融产品的依据。
在本申请的另一个实施例中，提供了一种服务系统。该服务系统包括：
服务提供单元，用于为服务对象提供服务，并在所述服务中嵌入适配的场景金融产品，以便在服务对象享有所述服务时能选择申请相应的场景金融产品；还用于与客户端通信，接收目标对象通过客户端为申请第一场景金融产品发送的请求，根据所述请求，获取所述目标对象的数据信息；
风险评估单元，用于调用评估模型，将所述数据信息输入所述评估模型，得到所述目标对象的信用风险评估结果；其中，所述评估模型通过训练样本集训练得到，所述训练样本集由第一历史时期内累积的与所述第一场景金融产品相关的数据，以及第二历史时期内累积的与至少一个第二场景金融产品相关的数据确定；
所述服务提供单元，还用于根据所述风险评估单元评估出的所述信用风险评估结果，确定所述目标对象能否成功申请到所述第一场景金融产品。
在本申请的又一个实施例中，提供一种信息确定方法。该方法包括：
显示至少一种场景金融产品；其中，场景金融产品嵌入在服务平台提供的服务中，在服务对象享有服务平台提供的服务时能选择申请相应的场景金融产品；
响应于目标对象针对所述至少一种场景金融产品中的第一场景金融产品触发的操作，获取所述目标对象的数据信息；
将所述数据信息输入所述评估模型，得到所述目标对象的信用风险评估结果；其中，所述评估模型通过训练样本集训练得到，所述训练样本集由第一历史时期内累积的与所述第一场景金融产品相关的数据，以及第二历史时期内累积的与至少一个第二场景金融产品相关的数据确定；
在所述信用风险评估结果不符合所述第一场景金融产品对应要求时，显示相应的提示信息；
在所述信用风险评估结果符合所述第一场景金融产品对应要求时，显示所述第一场景金融产品对应的申请页面，以便所述目标对象通过所述申请页面完成申请操作。
在本申请的又一个实施例中，提供一种服务系统。该服务系统包括：
客户端，用于显示至少一种场景金融产品，响应于目标对象针对所述至少一种场景金融产品中的第一场景金融产品触发的操作，向服务端发送申请请求；
服务端，用于为服务对象提供服务，并在所述服务中嵌入适配的场景金融产品，以便在服务对象享有所述服务时能选择申请相应的场景金融产品；还用于在接收到所述申请请求后，获取所述目标对象的数据信息；将所述数据信息输入所述评估模型，得到所述目标对象的信用风险评估结果，将所述信用风险评估结果发送至所述客户端；其中，所述评估模型通过训练样本集训练得到，所述训练样本集由第一历史时期内累积的与所述第一场景金融产品相关的数据，以及第二历史时期内累积的与至少一个第二场景金融产品相关的数据确定；
所述客户端，用于在所述信用风险评估结果不符合所述第一场景金融产品对应要求时，显示相应的提示信息；在所述信用风险评估结果符合所述第一场景金融产品对应要求时，显示所述第一场景金融产品对应的申请页面，以便所述目标对象通过所述申请页面完成申请操作。
在本申请又一个实施例中，提供一种信息确定方法。该方法包括：
获取第一历史时期内累积的与第一场景金融产品相关的数据；
获取第二历史时期内累积的与至少一个第二场景金融产品相关的数据；
基于所述第一历史时期内累积的与所述第一场景金融产品相关的数据、以及所述第二历史时期内累积的与至少一个第二场景金融产品相关的数据，确定训练样本集；
使用所述训练样本集，并采用迁移增强算法对设定模型进行训练以得到评估模型，以后续利用所述评估模型对申请所述第一场景金融产品的目标对象进行信用风险评估；
其中，场景金融产品嵌入在服务平台提供的服务中，在服务对象享有服务平台提供的服务时能选择申请相应的场景金融产品。
在本申请的又一个实施例中，提供一种信息确定方法。该方法包括：
获取目标用户的数据信息，其中，所述目标用户申请所述第一金融服务提供方提供的金融服务；
确定评估模型；其中，所述评估模型通过训练样本集训练得到，所述训练样本集由第一历史时期内第一金融服务提供方为用户提供相应金融服务过程累积的数据，以及第二历史时期内至少一个第二金融服务提供方为用户提供相应服务过程累积的数据确定；
将所述数据信息输入所述评估模型，得到所述目标用户的信用风险评估结果，以便所述第一金融服务提供方基于所述信用风险评估结果确定是否为所述目标用户提供所述金融服务。
在本申请的又一个实施例中，还提供一种电子设备。该电子设备包括存储器及处理器，其中，所述存储器用于存储程序；所述处理器与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述信用风险评估方法中的步骤；或实现上述各信息确定方法中的步骤。
本申请实施例还提供了一种存储有计算机程序的计算机可读存储介质，所述计算机程序被计算机执行时能够实现上述信用风险评估方法中的步骤；或实现上述各信息确定方法中的步骤。
本申请实施例还提供了一种计算机程序产品。该计算机程序产品包括计算机程序，当所述计算机程序被计算机执行时，致使所述计算机能够实现上述信用风险评估方法中的步骤；或实现上述各信息确定方法中的步骤。
本申请各实施例提供的技术方案中，针对新推出的场景金融产品(例如第一场景金融产品)，采用了由第一历史时期内累积的与第一场景金融产品相关的数据以及第二历史时期内累积的与至少一个第二场景金融产品相关的数据确定的训练样本集训练得到的评估模型，将待评估的目标对象的数据信息输入该评估模型后便能得到该目标对象的信用风险评估结果，因评估模型通过训练样本集可学习到其他场景金融产品(如上述至少一个第二场景金融产品)中的对第一场景金融产品有用的东西，使得新推出的场景金融产品在开展前期(还未积累足够的数据量之前)就可以做出较为准确的信用风险评估，及早的控制风险。
同样的，针对新接入服务平台的金融服务提供方(如第一金融服务提供方)，采用了由第一历史时期内第一金融服务提供方为用户提供相应金融服务过程累积的数据以及第二历史时期内至少一个第二金融服务提供方为用户提供相应服务过程累积的数据确定的训练样本集训练得到评估模型，将目标用户的数据信息输入到该评估模型得到对应的信用风险评估结果，因评估模型通过训练样本集可学习到其他金融服务提供方(如上述至少一个第二金融服务提供方)中的对第一金融服务提供方有用的东西，使得新接入服务平台的金融服务提供方在平台上推出金融服务(如场景金融产品)前期就可以做出较为准确的信用风险评估，及早的控制风险。
附图说明
为了更清楚地说明本申请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要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的信用风险评估方法的流程示意图；
图2为本申请实施例提供的用户界面的一种页面样式的示意图；
图3为本申请一实施例提供的评估模型训练过程原理性示意图；
图4为本申请一实施例提供的服务系统的示意图；
图5为本申请一实施例提供的信息确定方法的流程的示意图；
图6为本申请另一实施例提供的信息确定方法的流程的示意图；
图7为本申请又一实施例提供的信息确定方法的流程的示意图；
图8为本申请一实施例提供的信用风险评估装置的结构示意图；
图9为本申请一实施例提供的信息确定装置的结构示意图；
图10为本申请另一实施例提供的信息确定装置的结构示意图；
图11为本申请一实施例提供的电子设备的结构示意图。
具体实施方式
在介绍本申请各实施例之前，对本文中涉及的专有名词进行简单的解释。
场景金融：基于特定场景(比如外卖、视频网站、商户等)的信贷产品。另外一种比较普遍的解释是：人们在某一活动场景中的金融需求体验。场景金融作为银行与互联网融合的核心，只有满足客户在特定场景下的金融需求，才能真正做到以客户需求为中心。
场景金融＝互联网+传统行业+金融
场景金融的重心在场景，这个场景是让客户(企业或个体用户)能更顺其自然的接受。场景是动态变化的，匹配的场景金融产品也需要具备灵活性。比如，在外贸转内销的场景中，可嵌入生意贷这类场景金融产品。比如，在零售通的场景中，可嵌入免息赊购、滞销赔、过期赔等场景金融产品。
信用风险：是指由于债务人违约、信用等级或履约能力发生变化对债权人造成的风险。对银行来说，信用风险是指借款人不能或不愿意到期履行还本付息协议而导致银行遭受损失的可能性。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
在本申请的说明书、权利要求书及上述附图中描述的一些流程中，包含了按照特定顺序出现的多个操作，这些操作可以不按照其在本文中出现的顺序来执行或并行执行。操作的序号如101、102等，仅仅是用于区分各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。另外，下文中描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
图1示出了本申请一实施例提供的信用风险评估方法的流程示意图。其中，所述方法包括：
101、获取目标对象的数据信息，其中，所述目标对象申请第一场景金融产品，场景金融产品嵌入在服务平台提供的服务中，在服务对象享有服务平台提供的服务时能选择申请相应的场景金融产品；
102、确定评估模型；其中，所述评估模型通过训练样本集训练得到，所述训练样本集由第一历史时期内累积的与所述第一场景金融产品相关的数据，以及第二历史时期内累积的与至少一个第二场景金融产品相关的数据确定；
103、将所述数据信息输入所述评估模型，得到所述目标对象的信用风险评估结果以作为判定所述目标对象能否成功申请到所述第一场景金融产品的依据。
上述101中，目标对象可以是企业、个体用户、组织等等，本实施例对此不作限定。本实施例中的场景金融产品(如第一场景金融产品、第二场景金融产品)可通过客户端应用(APP)提供给用户。如图2所示的APP页面1，用户可点击APP页面上显示的某一场景金融产品的控件2，如图2中显示“**天免费赊账”、“**期免息贷款”等场景金融产品的控件2，便可申请相应的场景金融产品。
上述102中，在一种可能的情况下，第一历史时间小于第二历史时间，即第二场景金融产品的运营时长要长于第一场景金融产品。在第二场景金融产品为多个时，本实施例中多个第二场景金融产品中各第二场景金融产品对应的第二历史时间可以不同。
另一种可能的情况是，第一历史时间大于或等于第二历史时间，第一历史时间累积的与第一场景金融产品相关的数据的数据量多，但还不够时，为进一步的丰富样本数据，本实施例将第二历史时间内累积的数据加入进来。比较好的一种实现方案是：第一场景金融产品相关的数据的分布与第二场景金融产品相关的数据的分布类似。
另外，本文将会在有针对评估模型的训练过程做详细的说明，可参见下文中的内容。
上述103中，所述目标对象的数据信息可包括但不限于如下至少一种类型的数据：目标对象的属性数据、目标对象对应客户端设备相关的数据、目标对象使用至少一种金融类应用的使用情况数据、目标对象使用不同金融类应用的数量、目标数据使用社交类、电商类、餐饮类、出行类中至少一种类型应用的使用情况数据等等。
例如，在目标对象为个体用户时，属性数据可包括：所在城市等级、是否为注册用户、注册用户的注册时长、是否为会员等。客户端设备(如智能手机、平板电脑、笔记本电脑、台式计算机、智能穿戴设备等)相关的数据可包括：设备等级、设备品牌、设备网络等。目标对象使用至少一种金融类应用的使用情况数据可包括：至少一种金融类应用的打开频率、使用时长等。目标对象使用不同金融类应用的数量可以是：目标对象对应的客户端设备上金融类应用的安装数量。目标对象使用社交类、电商类、餐饮类、出行类中至少一种类型应用的使用情况数据可包括：社交类、电商类、餐饮类、出行类中至少一种类型应用的使用频率；通过社交类、电商类、餐饮类、出行类中至少一种类型应用下单的金额及下单频率；社交类、电商类、餐饮类、出行类中至少一种类型应用的使用时长或使用时间偏好；通过社交类、电商类、餐饮类、出行类中至少一种类型应用下单的品类偏好等等。
在目标对象为企业或组织时，属性数据可包括：所在城市等级、是否为注册企业或组织、注册时长、企业或组织经营范围、领域等。客户端设备(如智能手机、平板电脑、笔记本电脑、台式计算机、智能穿戴设备等)相关的数据可包括：设备等级、设备品牌、设备网络等。目标对象使用至少一种金融类应用的使用情况数据可理解为：企业或组织使用金融类应用申请金融服务的数量、频次等。目标对象使用不同金融类应用的数量可理解为：企业或组织申请过金融服务所使用过的金融类应用的数量。目标对象使用电商类应用的使用情况数据可包括：电商类应用的使用频率；通过电商类下单的金额及下单频率(如购买生产资料等)；通过电商类应用下单的品类等等。
本实施例中所述至少一个第二场景金融产品中至少部分产品可与所述第一场景金融产品为同一服务平台上为服务对象提供的不同产品；当然，至少一个第二场景金融产品中的至少部分产品也可与第一场景金融产品为不同服务平台上的产品。这里“至少一个第二场景金融产品中至少部分产品至少部分”可以理解为：至少一个第二场景金融产品中的部分或全部产品。
除是否在同一服务平台上的情况外，本实施例中的所述至少一个第二场景金融产品中至少部分产品与所述第一场景金融产品还可为不同金融服务提供方提供的产品。例如，第一场景金融产品是X银行通过电商平台为电商平台上的企业或用户提供的金融产品；第二场景金融产品可以是Y银行通过电商平台为电商平台上的企业或用户提供的金融产品。当然，在具体实施时，场景金融产品也可以是电商平台提供的。
为了便于理解，下面举一个具体实例：比如一个袜子制造企业入驻电商平台，该袜子制造企业通过在电商平台上开的网店批发或零售其制造出的袜子产品。整个袜子从制造到销售分好几个工序环节，每个工序环节对应一个场景。电商平台可在企业最需要的环节(即对应的场景)中嵌入对应的场景金融产品，辅助企业的运营。生产阶段：假设企业为了备战购物节，需加大袜子的生产量，需储备大量的原材料。电商平台在为企业提供开设网店的服务中嵌入一场景金融产品A(如贷款产品)；企业享有开设网店并通过电商平台售卖的服务时可选择申请贷款产品，以进行货源储备。电商平台还可在为企业提供的广告服务中嵌入另一场景金融产品B(如免息贷款)；企业可申请该场景金融产品以用于在电商平台上部署广告。上述场景金融产品A和场景金融产品B可以是同一金融服务提供方提供的，也可以不是，本实施例对此不在限定。
进一步的，电商平台提供的服务中可嵌入多个场景金融产品，嵌入的多个场景金融产品可以是同一金融服务提供方提供，也可由不同金融服务提供方提供。
在步骤103中，将目标对象的数据信息输入评估模型之前，可先对数据信息进行特征提取。从所述数据信息中提取出的特征作为评估模型的输入。
这里需要补充的是：有关特征提取的内容，本文不作限定，可参见相关文献。
本实施例提供的技术方案中，针对新推出的场景金融产品(例如第一场景金融产品)，采用了由第一历史时期内累积的与第一场景金融产品相关的数据以及第二历史时期内累积的与至少一个第二场景金融产品相关的数据确定的训练样本集训练得到的评估模型，将待评估的目标对象的数据信息输入该评估模型后便能得到该目标对象的信用风险评估结果，因评估模型通过训练样本集可学习到其他场景金融产品(如上述至少一个第二场景金融产品)中的对第一场景金融产品有用的东西，使得新推出的场景金融产品在开展前期(还未积累足够的数据量之前)就可以做出较为准确的信用风险评估，及早的控制风险。
本实施例中评估模型的确定过程可采用如下方案实现。具体的，上述步骤102“确定评估模型”可包括：
1021、根据第一历史时期内累积的与所述第一场景金融产品相关的数据，确定第一数据集；
1022、根据所述第二历史时期内累积的与至少一个第二场景金融产品相关的数据，确定至少一个第二数据集；
1023、基于所述第一数据集及所述至少一个第二数据集，构建第一样本集及第二样本集；
1024、基于所述第一数据集，构建测试数据集；
1025、使用所述第一样本集、所述第二样本集及所述测试数据集，并采用迁移增强算法对设定模型进行训练以得到所述评估模型。
为方便描述本实施例中将所述第一历史时期内成功申请到所述第一场景金融产品的对象称为：准入对象。相应的，上述步骤1021中获取到的“所述第一历史时期内累积的与所述第一场景金融产品相关的数据”包括如下中的至少一种类型数据：
准入对象的属性数据、
与准入对象对应的客户端设备相关的数据；
准入对象享有所述第一场景金融产品对应服务后的行为数据；
准入对象使用至少一种金融类应用的使用情况数据；
准入对象同时使用不同金融类应用的数量；
准入对象使用社交类、电商类、餐饮类、出行类中至少一种类型应用的使用情况数据。
其中，属性数据可包括但不限于：与个体用户相关的个性数据、用户性别、企业经营时长、企业经营范围、用户或企业所在城市等级、是否注册用户或企业、注册时长、是否为会员等等。
客户端设备可包括但不限于：智能手机、平板电脑、笔记本电脑、智能穿戴设备等等。客户端设备的相关数据可包括但不限于：设备等级、设备品牌、设备网络。其中，设备等级可以是从设备性能的维度进行划分，比如，按照现有市面上的所有设备性能参数，对设备等级划分成三个、四个或更多层等级。当然，本实施例对于等级的具体划分手段不作限定。
准入对象享有第一场景金融产品对应服务后的行为数据可包括但不限于：借款(或贷款)金额、逾期金额、逾期次数、借款频率等等。
准入对象使用至少一种金融类应用的使用情况数据可包括但不限于：金融类应用的使用频率、金融类应用的使用时长、金融类应用上的操作数据等等。
准入对象同时使用不同金融类应用的数量可以是：金融类应用的安装数量。
准入对象使用社交类、电商类、餐饮类、出行类中至少一种类型应用的使用情况数据可包括但不限于：社交类、电商类、餐饮类、出行类中至少一种类型应用的使用频率；通过社交类、电商类、餐饮类、出行类中至少一种类型应用下单的金额及下单频率；社交类、电商类、餐饮类、出行类中至少一种类型应用的使用时长或使用时间偏好；通过社交类、电商类、餐饮类、出行类中至少一种类型应用下单的品类偏好等等。
第二历史时期内累积的与第二金融产品相关的数据，同上，也可包括但不限于上述列出的至少一种类型的数据，将上述数据中出现“第一场景金融产品”替换为“第二场景金融产品”即可。
进一步的，上述1021和1022中可分别为：
1021’、从第一历史时期内累积的与所述第一场景金融产品相关的数据中，筛选出能作为样本的数据，并将筛选出的数据添加到第一数据集中。
1022’、所述第二历史时期内累积的与至少一个第二场景金融产品相关的数据，筛选出能作为样本的数据，并将筛选出的数据添加到第二数据集中。
本实施例中对数据筛选规则不做限定，可采用依据设计需求确定。
具体的，上述1023“基于所述第一数据集及所述至少一个第二数据集，构建第一样本集及第二样本集”可包括：
S11、从所述第一数据集中，提取不同对象对应的第一特征信息；
S12、从所述至少一个第二数据集中，提取不同对象对应的第二特征信息；
S13、利用账龄分析曲线和滚动率分析方法对所述第一数据集和所述至少一个第二数据集进行分析，以确定不同对象对应的标签；
其中，同一对象对应的第一特征信息及标签构成所述第一样本集中的一个样本；同一对象对应的第二特征信息及标签构成所述第二样本集中的一个样本。
具体实施时，可使用对象标识来识别是否为同一对象，关联相同对象标识(ID)的第一特征信息及标签构成一个样本。对象标识可以：对象的注册号、注册名称等，本文不作限定。另外，有关特征信息提取的方案，本文同样不作限定，可参见已有文献。
账龄分析(Vintage Analysis)曲线和滚动率分析(Roll Rate Analysis)方法是信贷风控中会涉及到技术。其中，Vintage Analysis用以分析对象的成熟期、变化规律等；Roll Rate Analysis用以定义对象的好坏程度。这里对象的好坏程度可作为本实施例中的“标签”。账龄(Month on Book，MOB)是指资产放款月份。MOB的最大值取决于信贷产品期限。如果是12期产品，那么该资产的生命周期是12期，MOB最大到MOB12。Roll Rate Analysis滚动分析就是从某个观察点之前的一段时间(观察期)的最坏的状态，向观察点之后的一段时间(表现期)的最坏的状态的发展变化情况。Vintage Analysis曲线可分析用于确定合适的表现期。
假设通过Vintage Analysis曲线方法分析第一数据集和第二数据集，得出表现期为9期。随后可通过Roll Rate Analysis滚动分析得出：
·Bad＝账户经过9期表现期后，逾期状态为M4+(逾期超过90天)。此时Y(标签)＝1。
·Good＝经过9期表现期，但未达到M4+逾期状态。此时Y(标签)＝0。
·Intermediate＝未进入9期表现期，账户还未成熟，无法定义好坏，也就是不定样本。不定样本可作为测试数据集。
这里需要补充的：本文中未对Vintage Analysis曲线方法及Roll Rate Analysis滚动分析的具体内容进行说明，因本文提供的实施例对此不限定，更具的内容可参见相关文献，本文不作赘述。
上述1024中，可将所述第一数据集中不定样本添加到测试数据集中，当然若测试数据集的数量不够的话，也可将第一数据集的定义了明确标签的样本中的部分样本添加测试数据集中作为测试数据。
学习的任务就是在给定充分训练数据的基础上来学习一个模型。一些新出现的领域中的大量训练数据非常难得到。传统的机器学习需要对每个领域都标定大量训练数据，这将会耗费大量的人力与物力。而没有大量的标注数据，会使得很多与学习相关研究与应用无法开展。其次，传统的机器学习假设训练数据与测试数据服从相同的数据分布。然而，在许多情况下，这种同分布假设并不满足。这就需要重新标注大量的训练数据以满足训练的需要，但是标注新数据是比较费时费力的。从另外一个角度上看，如果有了大量的、在不同分布下的训练数据，完全丢弃这些数据也是非常浪费的。为此本实施例中采用了迁移学习可以从现有的数据中迁移知识，用来帮助数据量少的领域的模型的优化。迁移学习(Transfer Learning)的目标是将从一个环境中学习到的知识用来帮助新环境中的学习任务。本实施例中采用了“迁移增强算法(TrAdaboost)”来训练模型。TrAdaboost(迁移增强算法)是由Adaboost算法演变而来的，但是Adaboost算法与大多数传统机器学习算法一样，假定训练集和测试集的数据是同一分布。对于迁移学习来说，这种假设是不成立的，此外对于训练集数据中的那部分与测试集不同分布的数据，会直接导致预测效果的下降。而TrAdaboost算法则是对每个训练集样本增加权重，利用权重来弱化那些不同分布的数据，进而提高模型的效果。
具体的，在一可实现的技术方案中，上述1025步骤“使用所述第一样本集、所述第二样本集及所述测试数据集，并采用迁移增强算法(TrAdaboost)对设定模型进行训练以得到所述评估模型”可包括：
S21、合并所述第一样本集和所述第二样本集，得到合并样本集；
S22、为所述合并样本集中的各样本确定相应的权值；
S23、在一次迭代训练中，根据所述合并样本集、所述合并样本集中的各样本对应的权值以及所述测试数据集，对设定模型进行训练；
S24、更新迭代次数，并判定更新后的所述迭代次数是否大于阈值；
S25、在更新后的所述迭代次数小于或等于所述阈值时，计算所述设定模型在所述第一样本集上的错误率，根据所述错误率更新所述训练样本集中各样本对应的权重，并进入下一次迭代训练；
S26、在所述迭代次数大于所述阈值时，根据多次迭代训练得到的设定模型确定所述评估模型。
在每一次的迭代训练中，如果设定模型误分类了一个第二样本集中的样本，那么这个样本可能和第一样本集中的样本具有较大的差距，因此需要降低这个样本的权重。通过给该样本乘一个0到1之间的权重，通过权重值的影响，在下一次的迭代中，这个样本对设定模型的影响就会降低，通过一系列的迭代之后第二样本集中与第一样本集中相似的或者说对第一样本集中分类有帮助的样本的权重就会提高。上述训练过程可参见图3所示。更具体的，上述训练过程如下：
第二样本集表示为DS、第一样本集表示为DT、测试数据集表示为S；第一样本集和第二样本集合并后的训练样本集为D。设定模型Learner，最大迭代次数N；赋予样本初始权重向量
具体的如下：
其中，m为第二样本集DS的样本数，n为第一样本集DT的样本数。
设置
For t＝1，2，……N，t为迭代次数，有以下步骤：
Step1、设置Pt满足：
Step2、调用Learner，根据合并后的训练数据D、D上的权重分布Pt和测试数据集S，得到一个在S的设定模型ht：X—>Y；
Step3、t＝t+1，比较t与N，如果t>N，进入Step7；如果t≤N，进入Step4；
Step4、统计ht在DT上的错误率εtat,如下：
Step5、如果εtar>0.5，则算法终止；如果εtar≤0.5，设置βt＝εtar/(1-εtar)；
Step6、设置新的权重向量，并返回Step1；
Step7、输出最终评估模型，
最终分类器由后面1/2的基学习器进行投票，排除了前几基学习器迭代不稳定的影响。利用训练好的模型hf(x)对申请第一场景金融产品的目标对象进行信用风险评估或对申请第一金融服务提供方提供的金融服务的目标对象进行信用风险评估。
图4示出了本申请一实施例提供的一种服务系统的结构示意图。本实施例是从服务端的系统架构角度来说明的。即上述方法实施例提供的所述方法可在本实施例提供的系统架构下实现。如图4所示，所述服务系统包括服务提供单元201、风险评估单元202。其中，
服务提供单元201，用于为服务对象提供服务，并在所述服务中嵌入适配的场景金融产品，以便在服务对象享有所述服务时能选择申请相应的场景金融产品；还用于与客户端通信，接收目标对象通过客户端为申请第一场景金融产品发送的请求，根据所述请求，获取所述目标对象的数据信息；
风险评估单元202，用于调用评估模型，将所述数据信息输入所述评估模型，得到所述目标对象的信用风险评估结果；其中，所述评估模型通过训练样本集训练得到，所述训练样本集由第一历史时期内累积的与所述第一场景金融产品相关的数据，以及第二历史时期内累积的与至少一个第二场景金融产品相关的数据确定；
所述服务提供单元201，还用于根据所述风险评估单元评估出的所述信用风险评估结果，确定所述目标对象能否成功申请到所述第一场景金融产品。
上述服务提供单元201可以是一个物理意义上的单元(如由一个服务器、或多个服务器集成的服务器集群，又或者是虚拟服务器等)，也可以是一个逻辑意义上的概念性的单元(比如一台服务器或服务器集群上运行的功能程序)。服务提供单元可为服务对象提供服务，还能为服务对象提供其所在服务场景匹配的场景金融产品。服务提供单元还可为金融服务提供方提供接入服务，接入的金融服务提供方可在服务提供单元为服务对象提供的服务中嵌入场景金融产品。
同样的，上述风险评估单元202也可是一个物理意义上的单元(如由一个服务器、或多个服务器集成的服务器集群，又或者是虚拟服务器等)，也可以是一个逻辑意义上的概念性的单元(比如一台服务器或服务器集群上运行的功能程序)。
进一步的，本实施例提供的所述服务系统还可包括数据库203及模型训练单元204。其中，
所述服务提供单元201，还用于在所述目标对象成功申请到所述第一场景金融产品时，为所述目标对象提供所述第一场景金融产品对应的服务，并跟踪所述目标对象享有所述第一场景金融产品对应服务后的行为数据，将跟踪到的数据存入数据库。
所述数据库203，用于存储与所述第一场景金融产品相关的数据；其中，与所述第一场景金融产品相关的数据包括：所述服务提供单元跟踪到的对象的行为数据，以及与成功申请所述第一场景金融产品的对象相关的数据；
模型训练单元204，具有模型训练引擎，用于从所述数据库获取第一历史时期内累积的与所述第一场景金融产品相关的数据；通过至少一个数据获取渠道获取第二历史时期内累积的与至少一个第二场景金融产品相关的数据；根据所述第一历史时期内累积的与所述第一场景金融产品相关的数据，以及第二历史时期内累积的与至少一个第二场景金融产品相关的数据，确定训练样本；利用所述训练样本，训练模型得到所述评估模型。
同样的，上述模型训练单元也可是一个物理意义上的单元(如由一个服务器、或多个服务器集成的服务器集群，又或者是虚拟服务器等)，也可以是一个逻辑意义上的概念性的单元(比如一台服务器或服务器集群上运行的功能程序)。
参见图5所示，本申请一实施例提供了一种信息确定方法的流程示意图。如图5所示，所述信息确定方法可包括：
301、显示至少一种场景金融产品；其中，场景金融产品嵌入在服务平台提供的服务中，在服务对象享有服务平台提供的服务时能选择申请相应的场景金融产品；
302、响应于目标对象针对所述至少一种场景金融产品中的第一场景金融产品触发的操作，获取所述目标对象的数据信息；
303、将所述数据信息输入评估模型，得到所述目标对象的信用风险评估结果；其中，所述评估模型通过训练样本集训练得到，所述训练样本集由第一历史时期内累积的与所述第一场景金融产品相关的数据，以及第二历史时期内累积的与至少一个第二场景金融产品相关的数据确定；
304、在所述信用风险评估结果不符合所述第一场景金融产品对应要求时，显示相应的提示信息；
305、在所述信用风险评估结果符合所述第一场景金融产品对应要求时，显示所述第一场景金融产品对应的申请页面，以便所述目标对象通过所述申请页面完成申请操作。
有关上述步骤302～303的内容，可参见上文中的相应内容，此次不作赘述。
进一步的，本实施例提供的所述方法还可包括如下步骤：
306、在所述目标对象通过所述申请页面完成申请操作后，跟踪所述目标对象在应用界面上的操作信息；
307、将所述目标对象的数据信息及跟踪到的操作信息发送至服务端，以作为与所述第一场景金融产品相关的累积数据。
随着时间的推移，成功申请第一场景金融产品的对象越多，积累的数据也就越多，这些数据就能作为样本进一步的对评估模型进行优化，以进一步的提高评估模型的精度，降低风险。
本实施例提供的技术方案可采用如图所示的系统来实现。图所示的实施例是从服务端和客户端系统的角度描述的。如图4所示，服务系统包括：
客户端401，用于显示至少一种场景金融产品，响应于目标对象针对所述至少一种场景金融产品中的第一场景金融产品触发的操作，向服务端发送申请请求；
服务端402，用于为服务对象提供服务，并在所述服务中嵌入适配的场景金融产品，以便在服务对象享有所述服务时能选择申请相应的场景金融产品；还用于在接收到所述申请请求后，获取所述目标对象的数据信息；将所述数据信息输入所述评估模型，得到所述目标对象的信用风险评估结果，将所述信用风险评估结果发送至所述客户端；其中，所述评估模型通过训练样本集训练得到，所述训练样本集由第一历史时期内累积的与所述第一场景金融产品相关的数据，以及第二历史时期内累积的与至少一个第二场景金融产品相关的数据确定；
所述客户端401，用于在所述信用风险评估结果不符合所述第一场景金融产品对应要求时，显示相应的提示信息；在所述信用风险评估结果符合所述第一场景金融产品对应要求时，显示所述第一场景金融产品对应的申请页面，以便所述目标对象通过所述申请页面完成申请操作。
其中，本实施例中的服务端可采用上述图所示的系统架构，具体内容可参见上文中的相应内容。另外，服务端除具有本实施例中提及的功能外，还可具有上述信用风险评估方法实施例中各步骤对应的功能。
图6示出了本申请实施例中评估模型训练过程的流程示意图。该实施例以信息确定方法为主题撰写，这里确定的信息可以是上文中提及的评估模型。如图6所示，所述信息确定方法包括：
501、获取第一历史时期内累积的与第一场景金融产品相关的数据；
502、获取第二历史时期内累积的与至少一个第二场景金融产品相关的数据；
503、基于所述第一历史时期内累积的与所述第一场景金融产品相关的数据、以及所述第二历史时期内累积的与至少一个第二场景金融产品相关的数据，确定训练样本集；
504、使用所述训练样本集，并采用迁移增强算法对设定模型进行训练以得到评估模型，以后续利用所述评估模型对申请所述第一场景金融产品的目标对象进行信用风险评估；
其中，场景金融产品嵌入在服务平台提供的服务中，在服务对象享有服务平台提供的服务时能选择申请相应的场景金融产品。
有关上述步骤501～504的更相近的内容，可参见上文中内容，此处不作赘述。本实施例采用了由第一历史时期内累积的与第一场景金融产品相关的数据以及第二历史时期内累积的与至少一个第二场景金融产品相关的数据确定的训练样本集训练得到的评估模型，将待评估的目标对象的数据信息输入该评估模型后便能得到该目标对象的信用风险评估结果，因评估模型通过训练样本集可学习到其他场景金融产品(如上述至少一个第二场景金融产品)中的对第一场景金融产品有用的东西，使得新推出的场景金融产品在开展前期(还未积累足够的数据量之前)就可以做出较为准确的信用风险评估，及早的控制风险。
上面各实施例都是从场景金融产品(单个产品)的角度来撰写的。上述个实施例是考虑了不同种类的场景金融产品在做信用风险评估时的策略可能会不同，以细粒度(即单个场景金融产品)的角度，来确定评估模型并针对第一场景金融产品利用评估模型评估目标对象的信用风险。实际情况中还存在如下场景：金融服务提供方，如**银行，是新接入某电商平台，并在电商平台提供的服务中嵌入一个或多个场景金融产品。由于新接入的金融服务提供方提供的所有场景金融产品都是新推出的，在该电商平台上来说都是新的，就没必要针对每一种场景金融产品确定评估模型。重点应在于：降低金融服务提供方在电商平台上推出的所有场景金融产品(有可能只有一个或有多个)总体风险最低。即本实施例是从金融服务提供方整体风险来说。如图7所示，本实施例提供的信息确定方法包括：
601、获取目标用户的数据信息，其中，所述目标用户申请所述第一金融服务提供方提供的金融服务；
602、确定评估模型；其中，所述评估模型通过训练样本集训练得到，所述训练样本集由第一历史时期内第一金融服务提供方为用户提供相应金融服务过程累积的数据，以及第二历史时期内至少一个第二金融服务提供方为用户提供相应服务过程累积的数据确定；
603、将所述数据信息输入所述评估模型，得到所述目标用户的信用风险评估结果，以便所述第一金融服务提供方基于所述信用风险评估结果确定是否为所述目标用户提供所述金融服务。
其中，上述第二金融服务提供方与第一金融服务提供方提供的金融服务相同或相似，比如都是免息贷款。第一历史时期内第一金融服务提供方为用户提供相应金融服务过程累积的数据可包括上文中提及的用户属性数据、客户端设备相关的数据、用户享有第一金融服务提供方提供的金融服务后的行为数据(如逾期金额、还款提前期、借款金额等)、用户使用不同金融类应用的数量、用户使用至少一种金融类应用的使用情况数据；用户使用社交类、电商类、餐饮类、出行类中至少一种类型应用的使用情况数据等等，还可包括其他数据。同样的，第二历史时期内至少一个第二金融服务提供方为用户提供相应服务过程累积的数据也可包括但不限于上述列举出的数据。
另外，本实施例提供的所述方法中步骤601～603的具体实现过程可参见上文中相应的内容，如评估模型的训练过程、训练样本集的确定过程等等，此处不作赘述。
图8示出了本申请一实施例提供的信用风险评估装置的结构实施例。如图8所示，所述信用风险评估装置包括：获取模块31、确定模块32及计算模块33。其中，所述获取模块31用于获取目标对象的数据信息，其中，所述目标对象申请第一场景金融产品，场景金融产品嵌入在服务平台提供的服务中，在服务对象享有服务平台提供的服务时能选择申请相应的场景金融产品。确定模块32用于确定评估模型；其中，所述评估模型通过训练样本集训练得到，所述训练样本集由第一历史时期内累积的与所述第一场景金融产品相关的数据，以及第二历史时期内累积的与至少一个第二场景金融产品相关的数据确定。计算模块33用于将所述数据信息输入所述评估模型，得到所述目标对象的信用风险评估结果以作为判定所述目标对象能否成功申请到所述第一场景金融产品的依据。
进一步的，本实施例中确定模块32在确定评估模块时，具体用于：
根据第一历史时期内累积的与所述第一场景金融产品相关的数据，确定第一数据集；根据所述第二历史时期内累积的与至少一个第二场景金融产品相关的数据，确定至少一个第二数据集；基于所述第一数据集及所述至少一个第二数据集，构建第一样本集及第二样本集；基于所述第一数据集，构建测试数据集；使用所述第一样本集、所述第二样本集及所述测试数据集，并采用迁移增强算法对设定模型进行训练以得到所述评估模型。
再进一步的，所述确定模块32在基于所述第一数据集及所述至少一个第二数据集，构建第一样本集及第二样本集时，具体用于：
从所述第一数据集中，提取不同对象对应的第一特征信息；从所述至少一个第二数据集中，提取不同对象对应的第二特征信息；利用账龄分析曲线和滚动率分析方法对所述第一数据集和所述至少一个第二数据集进行分析，以确定不同对象对应的标签；其中，同一对象对应的第一特征信息及标签构成所述第一样本集中的一个样本；同一对象对应的第二特征信息及标签构成所述第二样本集中的一个样本。
再进一步的，所述确定模块32在使用所述第一样本集、所述第二样本集及所述测试数据集，并采用迁移增强算法对设定模型进行训练以得到所述评估模型时，具体用于：
合并所述第一样本集和所述第二样本集，得到合并样本集；为所述合并样本集中的各样本确定相应的权值；在一次迭代训练中，根据所述合并样本集、所述合并样本集中的各样本对应的权值以及所述测试数据集，对设定模型进行训练；更新迭代次数，并判定更新后的所述迭代次数是否大于阈值；在更新后的所述迭代次数小于或等于所述阈值时，计算所述设定模型在所述第一样本集上的错误率，根据所述错误率更新所述训练样本集中各样本对应的权重，并进入下一次迭代训练；在所述迭代次数大于所述阈值时，根据多次迭代训练得到的设定模型确定所述评估模型。
进一步的，所述第一历史时期内成功申请到所述第一场景金融产品的对象称为：准入对象。相应的，所述第一历史时期内累积的与所述第一场景金融产品相关的数据包括如下中的至少一种类型数据：
准入对象的属性数据、
与准入对象对应的客户端设备相关的数据；
准入对象享有所述第一场景金融产品对应服务后的行为数据；
准入对象使用至少一种金融类应用的使用情况数据；
准入对象同时使用不同金融类应用的数量；
准入对象使用社交类、电商类、餐饮类、出行类中至少一种类型应用的使用情况数据。
进一步的，所述至少一个第二场景金融产品中至少部分产品与所述第一场景金融产品为同一服务平台上为服务对象提供的不同产品；或者
所述至少一个第二场景金融产品中至少部分产品与所述第一场景金融产品为不同金融服务提供方提供的产品。
这里需要说明的是：本实施例提供的所述信用风险评估装置中各模块未尽详述的内容可参见上述相应实施例中的内容，此处不再作赘述。此外，本实施例提供的所述信用风险评估装置中除了具有上文中描述的各功能外，还可包括上述各实施例中其他部分或全部步骤对应的功能，具体可参见上述各实施例相应内容，在此不再赘述。
图9示出了本申请一实施例提供的信息确定装置的结构实施例。如图所示，所述信息确定装置包括：显示模块41、获取模块42及计算模块43。其中，显示模块41用于显示至少一种场景金融产品；其中，场景金融产品嵌入在服务平台提供的服务中，在服务对象享有服务平台提供的服务时能选择申请相应的场景金融产品。获取模块42用于响应于目标对象针对所述至少一种场景金融产品中的第一场景金融产品触发的操作，获取所述目标对象的数据信息。所述计算模块43用于将所述数据信息输入评估模型，得到所述目标对象的信用风险评估结果；其中，所述评估模型通过训练样本集训练得到，所述训练样本集由第一历史时期内累积的与所述第一场景金融产品相关的数据，以及第二历史时期内累积的与至少一个第二场景金融产品相关的数据确定。所述显示模块41还用于在所述信用风险评估结果不符合所述第一场景金融产品对应要求时，显示相应的提示信息；在所述信用风险评估结果符合所述第一场景金融产品对应要求时，显示所述第一场景金融产品对应的申请页面，以便所述目标对象通过所述申请页面完成申请操作。
进一步的，本实施例提供的信息确定装置还可包括跟踪模块及发送模块。其中，所述跟踪模块用于在所述目标对象通过所述申请页面完成申请操作后，跟踪所述目标对象在应用界面上的操作信息。所述发送模块用于将所述目标对象的数据信息及跟踪到的操作信息发送至服务端，以作为与所述第一场景金融产品相关的累积数据。
这里需要说明的是：本实施例提供的所述信息确定装置中各模块未尽详述的内容可参见上述相应方法实施例中的内容，此处不再作赘述。此外，本实施例提供的所述信息确定装置中除了具有上文中描述的各功能外，还可包括上述对应方法实施例中其他部分或全部步骤对应的功能，具体可参见上文内容，在此不再赘述。
图10示出了本申请一实施例提供的信息确定装置的结构实施例。如图10所示，所述信息确定装置包括：获取模块51、确定模块52及训练模块53。其中，获取模块51用于获取第一历史时期内累积的与第一场景金融产品相关的数据；以及获取第二历史时期内累积的与至少一个第二场景金融产品相关的数据。确定模块52用于基于所述第一历史时期内累积的与所述第一场景金融产品相关的数据、以及所述第二历史时期内累积的与至少一个第二场景金融产品相关的数据，确定训练样本集。训练模块53用于使用所述训练样本集，并采用迁移增强算法对设定模型进行训练以得到评估模型，以后续利用所述评估模型对申请所述第一场景金融产品的目标对象进行信用风险评估；
其中，场景金融产品嵌入在服务平台提供的服务中，在服务对象享有服务平台提供的服务时能选择申请相应的场景金融产品。
这里需要说明的是：本实施例提供的所述信息确定装置中各模块未尽详述的内容可参见上述相应方法实施例中的内容，此处不再作赘述。此外，本实施例提供的所述信息确定装置中除了具有上文中描述的各功能外，还可包括上述对应方法实施例中其他部分或全部步骤对应的功能，具体可参见上文内容，在此不再赘述。
本申请又一实施例提供了一种信息确定装置，其结构与图8类似。具体的，所述信息确定装置包括：获取模块、确定模块及计算模块。其中，获取模块用于获取目标用户的数据信息，其中，所述目标用户申请所述第一金融服务提供方提供的金融服务。确定模块用于确定评估模型；其中，所述评估模型通过训练样本集训练得到，所述训练样本集由第一历史时期内第一金融服务提供方为用户提供相应金融服务过程累积的数据，以及第二历史时期内至少一个第二金融服务提供方为用户提供相应服务过程累积的数据确定。计算模块用于将所述数据信息输入所述评估模型，得到所述目标用户的信用风险评估结果，以便所述第一金融服务提供方基于所述信用风险评估结果确定是否为所述目标用户提供所述金融服务。
这里需要说明的是：本实施例提供的所述信息确定装置中各模块未尽详述的内容可参见上述相应方法实施例中的内容，此处不再作赘述。此外，本实施例提供的所述信息确定装置中除了具有上文中描述的各功能外，还可包括上述对应方法实施例中其他部分或全部步骤对应的功能，具体可参见上文内容，在此不再赘述。
图11示出了本申请一实施例提供一个电子设备的结构示意图。如图11所示，所述电子设备包括：存储器61以及处理器62。存储器61可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令。存储器61可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
所述存储器61，用于存储一条或多条计算机指令；
所述处理器62，与所述存储器61耦合，用于执行所述存储器61中存储的一条或多条计算机指令，以实现上述各实施例提供的信用风险评估方法或信息确定方法中的步骤。
进一步，如图11所示，电子设备还包括：通信组件63、电源组件65及显示器66等其它组件。图11中仅示意性给出部分组件，并不意味着电子设备只包括图11所示组件。
相应地，本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，所述计算机程序被计算机执行时能够实现上述各实施例提供的信用风险评估方法或信息确定方法中的步骤或功能。
本申请实施例还提供一种计算机程序产品，包括计算机程序，当所述计算机程序被处理器执行时，致使所述处理器能够实现上述各实施例提供的信用风险评估方法或信息确定方法中的步骤或功能。
以上所描述的装置实施例仅仅是示意性的，其中所述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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
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各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (14)
1.一种信用风险评估方法，其特征在于，包括：
获取目标对象的数据信息，其中，所述目标对象申请第一场景金融产品，场景金融产品嵌入在服务平台提供的服务中，在服务对象享有服务平台提供的服务时能选择申请相应的场景金融产品；
确定评估模型；其中，所述评估模型通过训练样本集训练得到，所述训练样本集由第一历史时期内累积的与所述第一场景金融产品相关的数据，以及第二历史时期内累积的与至少一个第二场景金融产品相关的数据确定；
将所述数据信息输入所述评估模型，得到所述目标对象的信用风险评估结果以作为判定所述目标对象能否成功申请到所述第一场景金融产品的依据。
2.根据权利要求1所述信用风险评估方法，其特征在于，确定评估模型，包括：
根据第一历史时期内累积的与所述第一场景金融产品相关的数据，确定第一数据集；
根据所述第二历史时期内累积的与至少一个第二场景金融产品相关的数据，确定至少一个第二数据集；
基于所述第一数据集及所述至少一个第二数据集，构建第一样本集及第二样本集；
基于所述第一数据集，构建测试数据集；
使用所述第一样本集、所述第二样本集及所述测试数据集，并采用迁移增强算法对设定模型进行训练以得到所述评估模型。
3.根据权利要求2所述的方法，其特征在于，基于所述第一数据集及所述至少一个第二数据集，构建第一样本集及第二样本集，包括：
从所述第一数据集中，提取不同对象对应的第一特征信息；
从所述至少一个第二数据集中，提取不同对象对应的第二特征信息；
利用账龄分析曲线和滚动率分析方法对所述第一数据集和所述至少一个第二数据集进行分析，以确定不同对象对应的标签；
其中，同一对象对应的第一特征信息及标签构成所述第一样本集中的一个样本；同一对象对应的第二特征信息及标签构成所述第二样本集中的一个样本。
4.根据权利要求2所述的信用风险评估方法，其特征在于，使用所述第一样本集、所述第二样本集及所述测试数据集，并采用迁移增强算法对设定模型进行训练以得到所述评估模型，包括：
合并所述第一样本集和所述第二样本集，得到合并样本集；
为所述合并样本集中的各样本确定相应的权值；
在一次迭代训练中，根据所述合并样本集、所述合并样本集中的各样本对应的权值以及所述测试数据集，对设定模型进行训练；
更新迭代次数，并判定更新后的所述迭代次数是否大于阈值；
在更新后的所述迭代次数小于或等于所述阈值时，计算所述设定模型在所述第一样本集上的错误率，根据所述错误率更新所述训练样本集中各样本对应的权重，并进入下一次迭代训练；
在所述迭代次数大于所述阈值时，根据多次迭代训练得到的设定模型确定所述评估模型。
5.根据权利要求1至4中任一项所述的信用风险评估方法，其特征在于，所述第一历史时期内成功申请到所述第一场景金融产品的对象称为：准入对象；相应的，
所述第一历史时期内累积的与所述第一场景金融产品相关的数据包括如下中的至少一种类型数据：
准入对象的属性数据、
与准入对象对应的客户端设备相关的数据；
准入对象享有所述第一场景金融产品对应服务后的行为数据；
准入对象使用至少一种金融类应用的使用情况数据；
准入对象同时使用不同金融类应用的数量；
准入对象使用社交类、电商类、餐饮类、出行类中至少一种类型应用的使用情况数据。
6.根据权利要求1至4中任一项所述的信用风险评估方法，其特征在于，
所述至少一个第二场景金融产品中至少部分产品与所述第一场景金融产品为同一服务平台上为服务对象提供的不同产品；或者
所述至少一个第二场景金融产品中至少部分产品与所述第一场景金融产品为不同金融服务提供方提供的产品。
7.一种服务系统，其特征在于，包括：
服务提供单元，用于为服务对象提供服务，并在所述服务中嵌入适配的场景金融产品，以便在服务对象享有所述服务时能选择申请相应的场景金融产品；还用于与客户端通信，接收目标对象通过客户端为申请第一场景金融产品发送的请求，根据所述请求，获取所述目标对象的数据信息；
风险评估单元，用于调用评估模型，将所述数据信息输入所述评估模型，得到所述目标对象的信用风险评估结果；其中，所述评估模型通过训练样本集训练得到，所述训练样本集由第一历史时期内累积的与所述第一场景金融产品相关的数据，以及第二历史时期内累积的与至少一个第二场景金融产品相关的数据确定；
所述服务提供单元，还用于根据所述风险评估单元评估出的所述信用风险评估结果，确定所述目标对象能否成功申请到所述第一场景金融产品。
8.根据权利要求7所述的服务系统，其特征在于，还包括：
所述服务提供单元，还用于在所述目标对象成功申请到所述第一场景金融产品时，为所述目标对象提供所述第一场景金融产品对应的服务，并跟踪所述目标对象享有所述第一场景金融产品对应服务后的行为数据，将跟踪到的数据存入数据库；
所述数据库，用于存储与所述第一场景金融产品相关的数据；其中，与所述第一场景金融产品相关的数据包括：所述服务提供单元跟踪到的对象的行为数据，以及与成功申请所述第一场景金融产品的对象相关的数据；
模型训练单元，具有模型训练引擎，用于从所述数据库获取第一历史时期内累积的与所述第一场景金融产品相关的数据；通过至少一个数据获取渠道获取第二历史时期内累积的与至少一个第二场景金融产品相关的数据；根据所述第一历史时期内累积的与所述第一场景金融产品相关的数据，以及第二历史时期内累积的与至少一个第二场景金融产品相关的数据，确定训练样本；利用所述训练样本，训练模型得到所述评估模型。
9.一种信息确定方法，其特征在于，包括：
显示至少一种场景金融产品；其中，场景金融产品嵌入在服务平台提供的服务中，在服务对象享有服务平台提供的服务时能选择申请相应的场景金融产品；
响应于目标对象针对所述至少一种场景金融产品中的第一场景金融产品触发的操作，获取所述目标对象的数据信息；
将所述数据信息输入评估模型，得到所述目标对象的信用风险评估结果；其中，所述评估模型通过训练样本集训练得到，所述训练样本集由第一历史时期内累积的与所述第一场景金融产品相关的数据，以及第二历史时期内累积的与至少一个第二场景金融产品相关的数据确定；
在所述信用风险评估结果不符合所述第一场景金融产品对应要求时，显示相应的提示信息；
在所述信用风险评估结果符合所述第一场景金融产品对应要求时，显示所述第一场景金融产品对应的申请页面，以便所述目标对象通过所述申请页面完成申请操作。
10.根据权利要求9所述的方法，其特征在于，还包括：
在所述目标对象通过所述申请页面完成申请操作后，跟踪所述目标对象在应用界面上的操作信息；
将所述目标对象的数据信息及跟踪到的操作信息发送至服务端，以作为与所述第一场景金融产品相关的累积数据。
11.一种服务系统，其特征在于，包括：
客户端，用于显示至少一种场景金融产品，响应于目标对象针对所述至少一种场景金融产品中的第一场景金融产品触发的操作，向服务端发送申请请求；
服务端，用于为服务对象提供服务，并在所述服务中嵌入适配的场景金融产品，以便在服务对象享有所述服务时能选择申请相应的场景金融产品；还用于在接收到所述申请请求后，获取所述目标对象的数据信息；将所述数据信息输入评估模型，得到所述目标对象的信用风险评估结果，将所述信用风险评估结果发送至所述客户端；其中，所述评估模型通过训练样本集训练得到，所述训练样本集由第一历史时期内累积的与所述第一场景金融产品相关的数据，以及第二历史时期内累积的与至少一个第二场景金融产品相关的数据确定；
所述客户端，用于在所述信用风险评估结果不符合所述第一场景金融产品对应要求时，显示相应的提示信息；在所述信用风险评估结果符合所述第一场景金融产品对应要求时，显示所述第一场景金融产品对应的申请页面，以便所述目标对象通过所述申请页面完成申请操作。
12.一种信息确定方法，其特征在于，包括：
获取第一历史时期内累积的与第一场景金融产品相关的数据；
获取第二历史时期内累积的与至少一个第二场景金融产品相关的数据；
基于所述第一历史时期内累积的与所述第一场景金融产品相关的数据、以及所述第二历史时期内累积的与至少一个第二场景金融产品相关的数据，确定训练样本集；
使用所述训练样本集，并采用迁移增强算法对设定模型进行训练以得到评估模型，以后续利用所述评估模型对申请所述第一场景金融产品的目标对象进行信用风险评估；
其中，场景金融产品嵌入在服务平台提供的服务中，在服务对象享有服务平台提供的服务时能选择申请相应的场景金融产品。
13.一种信息确定方法，其特征在于，包括：
获取目标用户的数据信息，其中，所述目标用户申请第一金融服务提供方提供的金融服务；
确定评估模型；其中，所述评估模型通过训练样本集训练得到，所述训练样本集由第一历史时期内第一金融服务提供方为用户提供相应金融服务过程累积的数据，以及第二历史时期内至少一个第二金融服务提供方为用户提供相应服务过程累积的数据确定；
将所述数据信息输入所述评估模型，得到所述目标用户的信用风险评估结果，以便所述第一金融服务提供方基于所述信用风险评估结果确定是否为所述目标用户提供所述金融服务。
14.一种电子设备，其特征在于，包括存储器及处理器，其中，所述存储器用于存储程序；所述处理器与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述权利要求1～6中任一项所述信用风险评估方法中的步骤；或实现上述权利要求9或10所述的信息确定方法中的步骤；或实现上述权利要求12所述的信息确定方法中的步骤；或实现上述权利要求13所述的信息确定方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111290402.6A CN114187087A (zh) | 2021-11-02 | 2021-11-02 | 信用风险评估方法、信息确定方法、服务系统及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111290402.6A CN114187087A (zh) | 2021-11-02 | 2021-11-02 | 信用风险评估方法、信息确定方法、服务系统及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114187087A true CN114187087A (zh) | 2022-03-15 |
Family
ID=80601814
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111290402.6A Pending CN114187087A (zh) | 2021-11-02 | 2021-11-02 | 信用风险评估方法、信息确定方法、服务系统及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114187087A (zh) |
-
2021
- 2021-11-02 CN CN202111290402.6A patent/CN114187087A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110837931B (zh) | 客户流失预测方法、装置及存储介质 | |
| US10958748B2 (en) | Resource push method and apparatus | |
| JP7017149B2 (ja) | ディープラーニングを用いる情報処理装置、情報処理方法及び情報処理プログラム | |
| US20200234218A1 (en) | Systems and methods for entity performance and risk scoring | |
| EP2545479A2 (en) | Methods, computer-accessible medium and systems for construction of and inference with networked data, for example, in a financial setting | |
| CN113177700B (zh) | 一种风险评估方法、系统、电子设备及存储介质 | |
| CN107590737A (zh) | 个人信用评分以及信用额度测算方法 | |
| CN112132634A (zh) | 虚拟馈赠资源发放方法、装置、计算机设备和存储介质 | |
| CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
| CN115630221A (zh) | 终端应用界面展示数据处理方法、装置及计算机设备 | |
| CN113034168A (zh) | 内容项投放方法、装置、计算机设备及存储介质 | |
| CN118134652A (zh) | 一种资产配置方案生成方法、装置、电子设备及介质 | |
| CN109960777B (zh) | 物品评论个性化推荐方法、系统、电子设备及存储介质 | |
| Tasgetiren et al. | On the distributed software architecture of a data analysis workflow: A case study | |
| CN112330373A (zh) | 用户行为分析方法、装置及计算机可读存储介质 | |
| CN116821759A (zh) | 类别标签的识别预测方法、装置和处理器及电子设备 | |
| CN111476657A (zh) | 信息推送方法、装置及系统 | |
| WO2020150597A1 (en) | Systems and methods for entity performance and risk scoring | |
| Elrefai et al. | Using artificial intelligence in enhancing banking services | |
| CN116308615A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
| CN115827994A (zh) | 一种数据处理方法、装置、设备、存储介质 | |
| CN115439180A (zh) | 一种目标对象确定方法、装置、电子设备及存储介质 | |
| CN114187087A (zh) | 信用风险评估方法、信息确定方法、服务系统及设备 | |
| JP2021136033A (ja) | 情報処理装置、情報処理方法及びプログラム | |
| TWM593025U (zh) | 客戶行為預測系統 |
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 |