CN114202384A - 信用分数计算方法、设备及存储介质 - Google Patents
信用分数计算方法、设备及存储介质 Download PDFInfo
- Publication number
- CN114202384A CN114202384A CN202111537256.2A CN202111537256A CN114202384A CN 114202384 A CN114202384 A CN 114202384A CN 202111537256 A CN202111537256 A CN 202111537256A CN 114202384 A CN114202384 A CN 114202384A
- Authority
- CN
- China
- Prior art keywords
- scoring
- scene
- rule
- current
- preset
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000003062 neural network model Methods 0.000 description 7
- 230000002093 peripheral effect Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012502 risk assessment Methods 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0645—Rental transactions; Leasing transactions
-
- 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/16—Real estate
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Engineering & Computer Science (AREA)
- Finance (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请属于计算机技术领域,具体涉及一种信用分数计算方法、设备及存储介质。该方法包括:获取目标用户在至少三个预设维度的用户信息;将每个预设维度的用户信息输入预设维度对应的评分模型,得到预设维度对应的评分结果;获取当前评分场景对应的评分规则;按照评分规则对各个预设维度对应的评分结果进行融合,得到目标用户在当前评分场景的信用分数。可以解决通过构建单一的信用评分模型得到的信用分数,难以根据不同的评分场景进行调整,灵活性较低的问题。
Description
技术领域
本申请属于计算机技术领域,具体涉及一种信用分数计算方法、设备及存储介质。
背景技术
随着互联网用户数量的不断增加,传统的金融业务也开始互联网化。同时,互联网化的金融业务可能存在欺诈、消息不对称等问题,因此,需要确定用户的信用分数来实现互联网化的金融业务。
传统的信用分数确定方法,包括:采集用户的样本数据作为训练样本,训练得到信用评分模型;再将待评分用户的信息数据输入到信用评分模型中,得到待评分用户的信用分数,并发布到应用场景中。其中,训练样本包括用户的消费记录、贷款记录等。
然而,通过构建单一的信用评分模型得到的信用分数,难以根据不同的应用场景进行调整,存在灵活性较低的问题。
发明内容
本申请提供了信用分数计算方法、设备及存储介质,可以解决通过构建单一的信用评分模型得到的信用分数,难以根据不同的应用场景进行调整,灵活性较低的问题。本申请提供如下技术方案:
第一方面,提供了一种信用分数计算方法,所述方法包括:获取目标用户在至少三个预设维度的用户信息;将每个预设维度的用户信息输入所述预设维度对应的评分模型,得到所述预设维度对应的评分结果;获取当前评分场景对应的评分规则;按照所述评分规则对各个预设维度对应的评分结果进行融合,得到所述目标用户在所述当前评分场景的信用分数。
可选地,所述获取当前评分场景对应的评分规则,包括:
获取各个评分场景的第一场景数据;获取所述当前评分场景的第二场景数据;基于所述第一场景数据和所述第二场景数据,确定所述当前评分场景与每个评分场景之间的相似度;基于所述当前评分场景与每个评分场景之间的相似度,确定所述当前评分场景对应的评分规则。
可选地,所述基于所述当前评分场景与每个评分场景之间的相似度,确定所述当前评分场景对应的评分规则,包括:
根据所述相似度确定所述至少三个预设维度对应的评分模型的权重比例,所述权重比例为所述当前评分场景对应的评分规则,且所述权重比例与所述相似度呈正相关关系;所述至少三个预设维度对应权重比例之和为1。
可选地,所述获取当前评分场景对应的评分规则,包括:
接收所述目标用户对所述当前评分场景对应的评分规则的设置操作,得到所述设置操作指示的评分规则。
可选地,所述获取当前评分场景对应的评分规则,包括:
获取所述当前评分场景对应的历史评分规则;基于所述历史评分规则确定所述目标用户的评分规则。
可选地,所述基于所述历史评分规则确定所述目标用户的评分规则,包括:
统计每种历史评分规则的使用记录,所述使用记录包括使用时间段、使用地点、和/或使用次数;将所述使用记录输入预先训练的规则识别网络,得到所述目标用户的评分规则;所述规则识别网络是基于样本使用记录和所述样本使用记录对应的评分规则标签训练得到的。
可选地,所述评分规则包括各个预设维度对应的评分模型的权重;所述按照所述评分规则对各个预设维度对应的评分结果进行融合,得到所述目标用户在所述当前评分场景的信用分数,包括:
计算每个预设维度对应的评分结果与对应的权重乘积的和,得到所述信用分数。
可选地,所述至少三个预设维度包括:身份维度、文明维度和金融维度。
第二方面,提供了一种电子设备,所述设备包括处理器和存储器;所述存储器中存储有程序,所述程序由所述处理器加载并执行以实现第一方面所述的信用分数计算方法。
第三方面,提供一种计算机可读存储介质,所述存储介质中存储有程序,所述程序被处理器执行时用于实现第一方面提供的信用分数计算方法。
本申请的有益效果在于:通过获取目标用户在至少三个预设维度的用户信息;将每个预设维度的用户信息输入预设维度对应的评分模型,得到预设维度对应的评分结果;获取当前评分场景对应的评分规则;按照评分规则对各个预设维度对应的评分结果进行融合,得到目标用户在当前评分场景的信用分数。可以解决通过构建单一的信用评分模型得到的信用分数,难以根据不同的应用场景进行调整,灵活性较低的问题。通过至少三个预设维度对应的评分模型,得到目标用户在至少三个预设维度的对应的评分结果,结合当前评分场景的评分规则,调整至少三个预设维度的评分结果的权重比例,可以提高计算目标用户信用分数的灵活性,同时,无需根据当前评分场景构建新的评分模型,可以节省计算机设备的计算资源。
另外,获取目标用户至少三个预设维度的用户信息,可以更全面地对目标用户的信用分数进行计算,避免了过分依赖某一预设维度,提高了信用分数计算方法的准确性。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见,下面描述中的附图是本申请的一些实施方式,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是本申请一个实施例提供的用于信用分数计算方法的流程图;
图2是本申请一个实施例提供的信用分数计算装置的框图;
图3是本申请一个实施例提供的电子设备的框图。
具体实施方式
下面将结合附图对本申请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申请一部分实施例,而不是全部的实施例。下文中将参考附图并结合实施例来详细说明本申请。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语″第一″、″第二″等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
在本申请中,在未作相反说明的情况下,使用的方位词如″上、下、顶、底″通常是针对附图所示的方向而言的,或者是针对部件本身在竖直、垂直或重力方向上而言的;同样地,为便于理解和描述,″内、外″是指相对于各部件本身的轮廓的内、外,但上述方位词并不用于限制本申请。
下面对本申请提供的信用分数计算方法进行详细介绍。
如图1所示,本申请的实施例提供一种信用分数计算方法,该方法的实现可依赖于计算机程序,该计算机程序可运行于智能手机、平板电脑、个人电脑等计算机设备或者运行于服务器,本实施例不对该方法的运行主体作限定。该方法至少包括以下几个步骤:
步骤101,获取目标用户在至少三个预设维度的用户信息。
可选地,至少三个预设维度包括:身份维度、文明维度和金融维度。在实际实现时,至少三个预设维度还可以包括:人脉维度、偏好维度等,本实施例不对至少三个预设维度的实现方式作限定。
在实际实现时,目标用户的至少三个预设维度的用户信息可以是通过向预设平台申请获得的,或者通过网络爬虫从互联网中获取,本实施例不对获取目标用户在至少三个预设维度的用户信息的实现方式作限定。
可选地,身份维度的用户信息包括目标用户的一般身份信息和生物特征信息。其中,一般身份信息包括目标用户的教育学历信息、驾驶证信息等和/或者可以用来唯一确定目标用户身份的信息,生物特征信息包括目标用户的指纹、声纹、人脸、虹膜、掌纹等生理和行为特征信息,本实施例不对身份维度的类型作限定。
可选地,文明维度的用户信息包括目标用户的不文明行为记录信息,例如,目标用户的交通违规记录、旅游不文明记录等,本实施例不对文明维度的类型作限定。
可选地,金融维度的用户信息包括目标用户的基础金融信息和金融安全评估信息,其中,基础金融信息包括目标用户的银行卡数量以及对应的银行、个人借贷卡账单信息、线上线下支付信息等信息,金融安全评估信息包括目标用户在权威金融机构的信用等级、金融风险评估等信息,本实施例不对金融维度的类型作限定。
相对应地,不同预设维度的用户信息对应的评分场景不同。
在一个示例中,身份维度的用户信息对应的评分场景包括需要计算目标用户身份信息完整度评分的场景(例如目标用户个人账户注册);文明维度的用户信息对应的评分场景包括需要验证目标用户文明行为的场景(例如目标用户交通工具黑名单);金融维度的用户信息对应的评分场景包括需要评估目标用户金融风险的场景(例如评估目标用户借款额度)。本实施例不对各个预设维度对应的评分场景的类型作限定。
步骤202,将每个预设维度的用户信息输入预设维度对应的评分模型,得到预设维度对应的评分结果。
评分模型是使用各个维度的训练数据对预设的对应的神经网络模型训练得到。不同预设维度对应的评分模型不同。其中,评分模型不同可以是模型结构不同,和/或,模型参数不同。
相应地,评分模型的训练过程包括:将至少三个预设维度对应的样本信息输入到预设的对应的神经网络模型,得到至少三个预设维度对应的样本评分结果。将样本评分结果与对应的期望评分结果输入损失函数,以将该模型输出样本结果与期望评分结果进行比较;基于损失函数的损失值对预设的神经网络模型进行训练,直至该神经网络模型收敛,得到评分模型。
其中,神经网络模型可以为卷积神经网络(Convolutional Neural Networks,CNN)、递归神经网络(Recursive Neural Network,RNN)、前馈神经网络(FeedforwardNeural Network,FNN),本实施例不对神经网络模型的实现方式作限定。
将步骤203,获取当前评分场景对应的评分规则。
其中,评分规则包括各个预设维度对应的评分模型的权重。
可选地,获取当前评分场景对应的评分规则的方式包括但不限于以下中的至少一种:
第一种:获取各个评分场景的第一场景数据;获取当前评分场景的第二场景数据;基于第一场景数据和第二场景数据,确定当前评分场景与每个评分场景之间的相似度;基于当前评分场景与每个评分场景之间的相似度,确定当前评分场景对应的评分规则。
场景数据包括但不限于评分场景的文本描述数据。比如:场景数据包括:评分场景对应的关键字标签数据、目标用户在评分场景中对应的行为数据等,本实施例不对场景数据的类型作限定。
可选地,基于第一场景数据和第二场景数据,确定当前评分场景与每个评分场景之间的相似度包括:将第一场景数据和第二场景数据输入预设的文本匹配神经网络模型,得到当前评分场景和各个评分场景的相似度。
其中,文本匹配模型包括但不限于双向多视角匹配模型(Bilateral Multi-Perspective Matching Model,BiMPM),密集交互推理网络模型(Densely InteractiveInference Network,DIIN)等,本实施例不对文本匹配模型的实现方式作限定。
基于当前评分场景与每个评分场景之间的相似度,确定当前评分场景对应的评分规则,包括:根据相似度确定至少三个预设维度对应的评分模型的权重比例。
其中,权重比例为当前评分场景对应的评分规则,且权重比例与相似度呈正相关关系;同时,至少三个预设维度对应权重比例之和为1。
第二种:获取当前评分场景对应的历史评分规则;基于历史评分规则确定目标用户的评分规则。
其中,当前评分场景对应的历史评分规则为当前评分场景曾经使用过的至少一种评分规则。历史评分规则可以是预存在计算机设备中的,或者是通过网络爬虫从互联网中获取,本实施例不对获取当前评分场景对应的历史评分规则的实现方式作限定。
可选地,基于历史评分规则确定当前评分场景的评分规则,包括:统计每种历史评分规则的使用记录,使用记录包括使用时间段、使用地点、和/或使用次数;将使用记录输入预先训练的规则识别网络,得到目标用户的评分规则。
其中,规则识别网络是基于样本使用记录和样本使用记录对应的评分规则标签训练得到的。
相对应的,规则识别网络的训练过程包括:将样本评分场景的样本使用记录和样本使用记录对应的评分规则标签输入预设的神经网络,得到训练结果;将训练结果和样本评分场景的实际评分规则输入损失函数,得到损失结果;基于损失结果对神经网络进行训练,以缩小训练结果和样本评分场景的实际评分规则之间的差异值,直至神经网络收敛,得到规则识别网络。
将使用记录输入预先训练的规则识别网络,得到当前评分场景的评分规则,包括:将当前评分场景的对应的历史评分规则标签和对应的历史评分规则的使用记录输入规则识别网络模型,得到目标用户的评分规则
第三种:接收目标用户对当前评分场景对应的评分规则的设置操作,得到设置操作指示的评分规则。
步骤204,按照评分规则对各个预设维度对应的评分结果进行融合,得到目标用户在当前评分场景的信用分数。
在一个示例中,按照评分规则对各个预设维度对应的评分结果进行融合,得到目标用户在当前评分场景的信用分数,包括:计算每个预设维度对应的评分结果与对应的权重乘积的和,得到信用分数。
在其它实施方式中,评分结果可以是百分比值,例如20%、98%等,此时,当前评分场景预设有第一信用分数。计算每个预设维度对应的权重与第一信用分数的乘积,得到每个预设维度对应的第二信用分数,计算每个预设维度的评分结果与第二信用分数的乘积和,得到目标用户在当前评分场景的信用分数。
综上所述,本实施例提供的信用分数计算方法,通过获取目标用户在至少三个预设维度的用户信息;将每个预设维度的用户信息输入预设维度对应的评分模型,得到预设维度对应的评分结果;获取当前评分场景对应的评分规则;按照评分规则对各个预设维度对应的评分结果进行融合,得到目标用户在当前评分场景的信用分数。可以解决通过构建单一的信用评分模型得到的信用分数,难以根据不同的应用场景进行调整,灵活性较低的问题。通过至少三个预设维度对应的评分模型,得到目标用户在至少三个预设维度的对应的评分结果,结合当前评分场景的评分规则,调整至少三个预设维度的评分结果的权重比例,可以提高计算目标用户信用分数的灵活性,同时,无需根据当前评分场景构建新的评分模型,可以节省计算机设备的计算资源。
另外,获取目标用户至少三个预设维度的用户信息,可以更全面地对目标用户的信用分数进行计算,避免了过分依赖某一预设维度,提高了信用分数计算方法的准确性。
图2是本申请一个实施例提供的信用分数计算装置的框图。该装置至少包括以下几个模块:用户信息获取模块210、评分结果获取模块220、评分规则获取模块230、信用分数计算模块240。
用户信息获取模块210,用于获取目标用户在至少三个预设维度的用户信息。
评分结果获取模块220,用于将每个预设维度的用户信息输入预设维度对应的评分模型,得到预设维度对应的评分结果。
评分规则获取模块230,用于获取当前评分场景对应的评分规则。
信用分数计算模块240,用于按照评分规则对各个预设维度对应的评分结果进行融合,得到目标用户在当前评分场景的信用分数。
相关细节参考上述实施例。
需要说明的是:上述实施例中提供的信用分数计算装置在进行信用分数计算时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将信用分数计算装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的信用分数计算装置与信用分数计算方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本实施例提供一种电子设备,如图3所示,该电子设备至少包括处理器301和存储器302。
处理器301可以包括一个或多个处理核心,比如:4核心处理器、8核心处理器等。处理器301可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器301也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器301可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器301还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器302可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器302还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器302中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器301所执行以实现本申请中方法实施例提供的信用分数计算方法。
在一些实施例中,电子设备还可选包括有:外围设备接口和至少一个外围设备。处理器301、存储器302和外围设备接口之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口相连。示意性地,外围设备包括但不限于:射频电路、触摸显示屏、音频电路、和电源等。
当然,电子设备还可以包括更少或更多的组件,本实施例对此不作限定。
可选地,本申请还提供有一种计算机可读存储介质,计算机可读存储介质中存储有程序,程序由处理器加载并执行以实现上述方法实施例的信用分数计算方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种信用分数计算方法,其特征在于,所述方法包括:
获取目标用户在至少三个预设维度的用户信息,不同预设维度的用户信息对应的评分场景不同;
将每个预设维度的用户信息输入所述预设维度对应的评分模型,得到所述预设维度对应的评分结果;
获取当前评分场景对应的评分规则;
按照所述评分规则对各个预设维度对应的评分结果进行融合,得到所述目标用户在所述当前评分场景的信用分数。
2.根据权利要求1所述的方法,其特征在于,所述获取当前评分场景对应的评分规则,包括:
获取各个评分场景的第一场景数据;
获取所述当前评分场景的第二场景数据;
基于所述第一场景数据和所述第二场景数据,确定所述当前评分场景与每个评分场景之间的相似度;
基于所述当前评分场景与每个评分场景之间的相似度,确定所述当前评分场景对应的评分规则。
3.根据权利要求2所述的方法,其特征在于,所述基于所述当前评分场景与每个评分场景之间的相似度,确定所述当前评分场景对应的评分规则,包括:
根据所述相似度确定所述至少三个预设维度对应的评分模型的权重比例,所述权重比例为所述当前评分场景对应的评分规则,且所述权重比例与所述相似度呈正相关关系;所述至少三个预设维度对应权重比例之和为1。
4.根据权利要求1所述的方法,其特征在于,所述获取当前评分场景对应的评分规则,包括:
接收所述目标用户对所述当前评分场景对应的评分规则的设置操作,得到所述设置操作指示的评分规则。
5.根据权利要求1所述的方法,其特征在于,所述获取当前评分场景对应的评分规则,包括:
获取所述当前评分场景对应的历史评分规则;
基于所述历史评分规则确定所述目标用户的评分规则。
6.根据权利要求5所述的方法,其特征在于,所述基于所述历史评分规则确定所述目标用户的评分规则,包括:
统计每种历史评分规则的使用记录,所述使用记录包括使用时间段、使用地点、和/或使用次数;
将所述使用记录输入预先训练的规则识别网络,得到所述目标用户的评分规则;所述规则识别网络是基于样本使用记录和所述样本使用记录对应的评分规则标签训练得到的。
7.根据权利要求1至6任一所述的方法,其特征在于,所述评分规则包括各个预设维度对应的评分模型的权重;
所述按照所述评分规则对各个预设维度对应的评分结果进行融合,得到所述目标用户在所述当前评分场景的信用分数,包括:
计算每个预设维度对应的评分结果与对应的权重乘积的和,得到所述信用分数。
8.根据权利要求1至6任一所述的方法,其特征在于,所述至少三个预设维度包括:身份维度、文明维度和金融维度。
9.一种电子设备,其特征在于,所述设备包括处理器和存储器;所述存储器中存储有程序,所述程序由所述处理器加载并执行以实现如权利要求1至8任一所述的信用分数计算方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有程序,所述程序被处理器执行时用于实现如权利要求1至8任一所述的信用分数计算方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111537256.2A CN114202384A (zh) | 2021-12-15 | 2021-12-15 | 信用分数计算方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111537256.2A CN114202384A (zh) | 2021-12-15 | 2021-12-15 | 信用分数计算方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114202384A true CN114202384A (zh) | 2022-03-18 |
Family
ID=80654169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111537256.2A Pending CN114202384A (zh) | 2021-12-15 | 2021-12-15 | 信用分数计算方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114202384A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114638689A (zh) * | 2022-03-21 | 2022-06-17 | 北京自如信息科技有限公司 | 一种信用信息生成方法、装置、系统和电子设备 |
CN114724311A (zh) * | 2022-05-16 | 2022-07-08 | 北京三快在线科技有限公司 | 储物柜开柜方法、装置、设备及计算机可读存储介质 |
CN115034888A (zh) * | 2022-06-16 | 2022-09-09 | 支付宝(杭州)信息技术有限公司 | 信用服务提供方法及装置 |
-
2021
- 2021-12-15 CN CN202111537256.2A patent/CN114202384A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114638689A (zh) * | 2022-03-21 | 2022-06-17 | 北京自如信息科技有限公司 | 一种信用信息生成方法、装置、系统和电子设备 |
CN114724311A (zh) * | 2022-05-16 | 2022-07-08 | 北京三快在线科技有限公司 | 储物柜开柜方法、装置、设备及计算机可读存储介质 |
CN114724311B (zh) * | 2022-05-16 | 2022-10-21 | 北京三快在线科技有限公司 | 储物柜开柜方法、装置、设备及计算机可读存储介质 |
CN115034888A (zh) * | 2022-06-16 | 2022-09-09 | 支付宝(杭州)信息技术有限公司 | 信用服务提供方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009174B (zh) | 风险识别模型训练方法、装置及服务器 | |
CN114202384A (zh) | 信用分数计算方法、设备及存储介质 | |
Zheng et al. | FinBrain: when finance meets AI 2.0 | |
WO2019196552A1 (zh) | 保险欺诈识别的数据处理方法、装置、设备及服务器 | |
US11531987B2 (en) | User profiling based on transaction data associated with a user | |
CN110674188A (zh) | 一种特征提取方法、装置及设备 | |
CN111783039B (zh) | 风险确定方法、装置、计算机系统和存储介质 | |
CN112561535A (zh) | 交易纠纷数据处理方法、装置、设备及存储介质 | |
CN111144899B (zh) | 识别虚假交易的方法及装置和电子设备 | |
CN110544166A (zh) | 样本生成方法、装置及存储介质 | |
CN115439180A (zh) | 一种目标对象确定方法、装置、电子设备及存储介质 | |
CN113159924A (zh) | 授信客户对象的确定方法及装置 | |
CN114529399A (zh) | 用户数据处理方法、装置、计算机设备和存储介质 | |
CN114298825A (zh) | 还款积极度评估方法及装置 | |
CN110362981A (zh) | 基于可信设备指纹判断异常行为的方法及系统 | |
CN112116441B (zh) | 金融风险分类模型的训练方法、分类方法、装置及设备 | |
KR102521200B1 (ko) | 모바일 데이터를 이용한 대안 데이터 리스크 평가 방법 및 장치 | |
US20240127345A1 (en) | Method for trading in crypto exchange using an artificial intelligence crypto trading bot | |
CN115034787A (zh) | 基于行为反馈数据的对象状态识别方法、装置及设备 | |
CN117235633A (zh) | 机构分类方法、装置、计算机设备及存储介质 | |
CN116757851A (zh) | 基于人工智能的数据配置方法、装置、设备及存储介质 | |
CN116911948A (zh) | 一种产品信息推荐方法、装置、计算机设备及存储介质 | |
CN113706174A (zh) | 基于机器学习算法的违约预测方法、装置、设备及介质 | |
CN117541884A (zh) | 样本数据处理方法、装置、存储介质和系统 | |
CN117194781A (zh) | 一种业务通知方法、装置、设备及其存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |