CN114493853A - 信用等级评价方法、装置、电子设备及存储介质 - Google Patents
信用等级评价方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114493853A CN114493853A CN202210143808.XA CN202210143808A CN114493853A CN 114493853 A CN114493853 A CN 114493853A CN 202210143808 A CN202210143808 A CN 202210143808A CN 114493853 A CN114493853 A CN 114493853A
- Authority
- CN
- China
- Prior art keywords
- credit
- data
- user
- neighborhood
- density
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供一种信用等级评价方法,可应用信用风险评估技术领域。该方法包括:获取第一用户信用数据,第一用户信用数据包括带有不同信用等级标签的用户信用数据和无信用等级标签的用户信用数据;通过密度聚类模型对第一用户信用数据进行密度聚类分析,得到每个簇对应的信用等级分类结果,及针对第一用户信用数据经过密度聚类分析后的噪声数据;根据每个簇对应的信用等级分类结果,确定与每个簇对应的用户等级分类结果;通过决策树模型对噪声数据进行分类,得到针对噪声数据对应的信用等级分类结果;根据噪声数据对应的信用等级分类结果,确定与噪声数据对应的用户等级分类结果。本公开还提供一种信用等级评价装置、电子设备、存储介质和程序产品。
Description
技术领域
本公开涉及信用风险评估技术领域,具体地涉及一种信用等级评价方法、装置、电子设备、存储介质和程序产品。
背景技术
随着科技的发展,个人信贷业务在金融机构的业务占比越来越大,与此同时也带来了消费额和透支余额的增加,对于个人违约的案例也在不断增加。为了更好的防范和控制个人违约风险,避免信用风险造成的损失,对个人的信用等级进行评价越来越重要。
目前,对于个人的信用等级进行评价一般采用基于先验的判别分析法和基于数据分析的机器学习方法。判别分析法的判别规则相对同定,分析时需要投入大量的人力成本,且缺少对个人消费能力的考量;机器学习方法主要包括神经网络模型和K近邻,神经网络模型需要较大规模的有标签数据作为其训练和验证模型的依据,可解释性差;K近邻对同一组数据的分类结果每次都不相同,缺少一致性。
发明内容
鉴于上述问题,本公开提供了一种信用等级评价方法、装置、电子设备、存储介质和程序产品。
根据本公开的第一个方面,提供了一种信用等级评价方法,包括:获取第一用户信用数据,其中,第一用户信用数据包括带有不同信用等级标签的用户信用数据和无信用等级标签的用户信用数据;通过密度聚类模型对第一用户信用数据进行密度聚类分析,得到每个簇对应的信用等级分类结果,以及针对第一用户信用数据经过密度聚类分析后的噪声数据;根据每个簇对应的信用等级分类结果,确定与每个簇对应的用户等级分类结果;通过决策树模型对噪声数据进行分类,得到针对噪声数据对应的信用等级分类结果;根据噪声数据对应的信用等级分类结果,确定与噪声数据对应的用户等级分类结果。
根据本公开的实施例,其中,在获取第一用户信用数据之前包括:获取第二用户信用数据;对第二用户信用数据进行数据预处理,得到第一用户信用数据;对第一用户信用数据进行信用等级标注。
根据本公开的实施例,其中,通过密度聚类模型对第一用户信用数据进行密度聚类分析,得到每个簇对应的信用等级分类结果,包括:将第一用户信用数据输入密度聚类模型进行密度聚类处理,得到多个簇;根据每个簇中第一用户信用数据对应的的不同的信用等级的占比,确定每个簇对应的信用等级分类结果。根据本公开的实施例,其中,根据每个簇中第一用户信用数据对应的不同的信用等级标签的占比,确定每个簇对应的信用等级分类结果,包括:根据每个簇中第一用户信用数据对应的不同的信用等级标签的占比,确定簇中占比最大的信用等级标签;根据簇中占比最大的信用等级标签对应的信用等级,确定簇对应的信用等级分类结果。
根据本公开的实施例,其中,密度聚类模型通过如下操作构建得到的,包括:获取用户信用样本数据,其中,用户信用样本数据包括带有不同信用等级标签的用户信用数据;通过预设规则,确定密度聚类参数的参数组合取值列表,其中,密度聚类参数包括多个邻域距离和多个邻域密度阈值,参数组合取值列表包括多个不同参数组合,每个参数组合包括邻域距离和对应的邻域密度阈值;根据参数组合取值列表中的多个不同参数组合,基于密度的聚类算法,对带有不同信用等级标签的样本用户对应的用户信用样本数据进行循环聚类,得到每个参数组合的聚类结果;基于每个参数组合的聚类结果,对每个参数组合的聚类结果进行聚类效果评估,得到针对每个参数组合的聚类效果评估值;根据针对每个参数组合的聚类效果评估值,构建密度聚类模型。
根据本公开的实施例,其中,通过预设规则,确定密度聚类参数的参数组合取值列表,包括:根据每两个用户信用样本数据之间的距离,确定多个邻域距离中的最小邻域距离和最大邻域距离;根据最小邻域距离和最大邻域距离的第一预设关系,确定多个中间邻域距离,得到多个邻域距离;确定多个邻域密度阈值的最小邻域密度阈值和最大邻域密度阈值;根据邻域密度阈值和最大邻域密度阈值的第二预设关系,确定多个中间邻域密度阈值,得到多个邻域密度阈值;将每个邻域距离和每个邻域密度阈值进行参数组合,形成多个参数组合,生成参数组合取值列表。
根据本公开的实施例,其中,在获取第一用户信用数据之前,还包括:响应于用户对获取第一用户信用数据进行授权的授权操作,获取第一用户信用数据。
本公开的第二方面提供了一种信用等级评价装置,包括:获取模块,用于获取第一用户信用数据,其中,第一用户信用数据包括带有不同信用等级标签的用户信用数据和无信用等级标签的用户信用数据;分析模块,用于通过密度聚类模型对第一用户信用数据进行密度聚类分析,得到每个簇对应的信用等级分类结果,以及针对第一用户信用数据经过密度聚类分析后的噪声数据;第一确定模块,用于根据每个簇对应的信用等级分类结果,确定与每个簇对应的用户等级分类结果;分类模块,用于通过决策树模型对噪声数据进行分类,得到针对噪声数据对应的信用等级分类结果;第二确定模块,用于根据噪声数据对应的信用等级分类结果,确定与噪声数据对应的用户等级分类结果。
本公开的第三方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器执行上述信用等级评价方法。
本公开的第四方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述信用等级评价方法。
本公开的第五方面还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述信用等级评价方法。
根据本公开的实施例,通过本公开提出的基于密度聚类和决策树模型的个人信用等级评价方法,首先通过密度聚类模型将个人信用数据进行分类,再采用决策树模型将密度聚类模型视为噪声的个人信用数据进行分类,实现对全量个人用户的信用等级评价,降低金融机构评价个人用户信用等级的成本,且评价结果具有较好的准确性、一致性和可解释性。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的信用等级评价方法和装置的应用场景图;
图2示意性示出了根据本公开实施例的信用等级评价方法的流程图;
图3示意性示出了根据本公开实施例的构建密度聚类模型的方法流程图;
图4示意性示出了根据本公开实施例的确定密度聚类参数的参数组合取值列表的方法流程图;
图5示意性示出了根据本公开实施例的信用等级评价方法的示意图;
图6示意性示出了根据本公开实施例的信用等级评价装置的结构框图;以及
图7示意性示出了根据本公开实施例的适于实现信用等级评价方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
需要说明的是,本公开的信用等级评价方法和装置可用于金融领域,也可以用于除金融领域之外的任意领域,本公开的信用等级评价方法和装置的应用领域不作限定。
在本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
在本公开的技术方案中,对数据的获取、收集、存储、使用、加工、传输、提供、公开和应用等处理,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
本公开的实施例提供了一种信用等级评价方法,包括:获取第一用户信用数据,其中,第一用户信用数据包括带有不同信用等级标签的用户对应的数据和无信用等级标签的用户对应的数据;通过密度聚类模型对第一用户信用数据进行密度聚类分析,得到每个簇对应的信用等级分类结果,以及针对第一用户信用数据经过密度聚类分析后的噪声数据;根据每个簇对应的信用等级分类结果,确定与每个簇对应的用户等级分类结果;通过决策树模型对噪声数据进行分类,得到针对噪声数据对应的信用等级分类结果;根据噪声数据对应的信用等级分类结果,确定与噪声数据对应的用户等级分类结果。
图1示意性示出了根据本公开实施例的信用等级评价方法和装置的应用场景图。
如图1所示,根据该实施例的应用场景100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的信用等级评价方法一般可以由服务器105执行。相应地,本公开实施例所提供的信用等级评价装置一般可以设置于服务器105中。本公开实施例所提供的信用等级评价方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的信用等级评价装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的场景,通过图2~图5对公开实施例的信用等级评价方法进行详细描述。
图2示意性示出了根据本公开实施例的信用等级评价方法的流程图。
如图2所示,该实施例的信用等级评价方法200可以包括操作S210~操作S250。
在操作S210,获取第一用户信用数据,其中,第一用户信用数据包括带有不同信用等级标签的用户信用数据和无信用等级标签的用户信用数据。
根据本公开的实施例,第一用户信用数据可以表征全量用户的第一用户信用数据的集合,每个用户的第一用户信用数据可以包括用户的标识信息、用户基本信息、用户资产流动情况信息、用户负债信息、用户逾期违约信息、用户收入情况、用户资产余额情况等。
根据本公开的实施例,带有不同信用等级标签的用户信用数据可以为该第一用户信用数据上标注有信用等级标签,表征该用户的信用等级。无信用等级标签的用户信用数据可以为该第一用户信用数据上未标注有信用等级标签,未表征该用户的信用等级。
根据本公开的实施例,每个带有不同等级标签的第一用户信用数据中的用户的标识信息与其他信息相关联,例如,其他信息可以包括上述中的用户基本信息、用户资产流动情况信息、用户负债信息、用户逾期违约信息、用户收入情况、用户资产余额情况等。
根据本公开的实施例,信用等级可以为根据第一用户信用数据,对部分第一用户信用数据相关联的用户的信用等级进行客观评价,信用等级为用户标签值。信用等级可以根据实际需求进行等级划分,例如,可以分为三种等级,即A等级为信用良好、B等级为信用一般、C等级为信用较差。
在操作S220,通过密度聚类模型对第一用户信用数据进行密度聚类分析,得到每个簇对应的信用等级分类结果,以及针对第一用户信用数据经过密度聚类分析后的噪声数据。
在操作S230,根据每个簇对应的信用等级分类结果,确定与每个簇对应的用户等级分类结果。
根据本公开的实施例,密度聚类模型是根据带有不同信用等级标签的用户信用数据的数据量设置邻域距离和邻域密度阈值的取值范围和取值跨度,对带有不同信用等级标签的用户信用数据进行密度聚类分析,确定密度聚类模型中聚类效果最好的邻域距离和邻域密度阈值。
根据本公开的实施例,通过确定的邻域距离和邻域密度阈值构建密度聚类模型,基于构建好的密度聚类模型对第一用户信用数据进行密度聚类分析,得到多个簇,每个簇对应针对该簇的信用等级分类结果,该簇的信用等级分类结果反映簇中对应的多个用户的信用等级分类结果,例如,该簇的信用等级分类结果为信用良好,则该簇对应的多个用户的等级分类结果也为信用良好。
根据本公开的实施例,噪声数据可以认为是通过密度聚类模型对第一用户信用数据经过密度聚类之后,少量的异常第一用户信用数据会被密度聚类模型标记为噪声而不进行分类,也就是说,密度聚类模型不能识别第一用户信用数据属于哪一个簇时的用户信用数据视为噪声数据。
在操作S240,通过决策树模型对噪声数据进行分类,得到针对噪声数据对应的信用等级分类结果。
在操作S250,根据噪声数据对应的信用等级分类结果,确定与噪声数据对应的用户等级分类结果。
根据本公开的实施例,决策树模型承接密度聚类模型产生的噪声数据,通过计算决策树模型中每个分类分支的信息增益,将密度聚类模型视为噪声数据的第一用户信用数据进行信用等级的分类,得到针对噪声数据对应的信用等级分类结果。
根据本公开的实施例,噪声数据可以对应每个用户的第一用户信用数据,也可以对应多个用户的第一用户信用数据。噪声数据对应的信用等级分类可以表征与噪声数据对应的用户等级分类结果。
根据本公开的实施例,在操作S210之前还可以包括:响应于用户对获取第一用户信用数据进行授权的授权操作,获取第一用户信用数据。
根据本公开的实施例,在获取第一用户信用数据之前,可以获得用户的同意或授权。例如,在操作S210之前,可以向用户发出获取用户信用数据的请求。在用户同意或授权可以获取用户信用数据的情况下,执行所述操作S210。
根据本公开的实施例,通过本公开提出的基于密度聚类和决策树模型的个人信用等级评价方法,首先通过密度聚类模型将个人信用数据进行分类,再采用决策树模型将密度聚类模型视为噪声的个人信用数据进行分类,实现对全量个人用户的信用等级评价,降低金融机构评价个人用户信用等级的成本,且评价结果具有较好的准确性、一致性和可解释性。
根据本公开的实施例,在操作S210之前可以包括:获取第二用户信用数据;对第二用户信用数据进行数据预处理,得到第一用户信用数据;对第一用户信用数据进行信用等级标注。
根据本公开的实施例,获取第一用户信用数据之前,首先获取第二用户数据。其中,第二用户数据可以包括:用户基本信息、用户资产流动情况信息、用户负债信息、用户逾期违约信息、用户收入情况、用户资产余额情况等。
根据本公开的实施例,每个第二用户信用数据可与用户的标识信息生成一个关于该第二用户信用数据的数据表。根据多个不同的第二用户信用数据可以生成多个不同的第二用户信用数据的数据表。
根据本公开的实施例,对第二用户信用数据进行数据预处理可以包括:对多个不同的第二数据进行数据组合处理、数据脱敏处理及数据特征工程处理。
根据本公开的实施例,数据组合处理可以包括:将第二用户信用数据的各个数据表中涉及的数据以用户个人标识信息为主键进行组合,生成用户个人标识信息与多个用户信用数据相互关联的用户原始个人数据特征,其中,用户个人标识信息表征用户原始个人数据的唯一信息,每个用户具有唯一的个人标识信息,例如,可以为用户ID号。
根据本公开的实施例,在对第二用户信用数据进行数据组合处理时,对于数值型的缺失数据,可以采用“-1”补全;对于非数值型的缺失数据,可以采用“unkown”补全。
根据本公开的实施例,数据脱敏处理可以包括:可以采用加密算法,将数据表中的第二用户信用数据,例如,用户个人信息的姓名、住址、职业、职务、收入等隐私数据进行单向加密,实现数据脱敏操作,以保护第二用户信用数据。
根据本公开的实施例,数据特征处理可以包括数据特征转换,对于非数值型特征,如“负债情况”、“违约情况”等,将该非数值型转化为数值型进行编码;对于部分数值变动幅度较大的数据部分进行分箱操作。
根据本公开的实施例,数据特征工程处理还可以包括衍生特征处理。例如,根据用户资产流动情况构建衍生特征,资产流动情况可以包括用户日常消费数据、负债还贷情况等。衍生特征可以包括时序特征Ft和聚合特征Fc。
根据本公开的实施例,时序特征Ft的构造式可以为:
Ft=ft(data)d1,dl∈(0,1,2,3,...n,...) (一)
其中,data为用户资产流动数据;ft为提取时序特征的函数,分别计算各时期内资产流动的总和,最小值,最大值,平均值,标准差;dl为时间跨度,dl∈(0,1,2,3,4,5,6...)可以分别表示当月、1个月前,2个月前,3个月前,...,n个月前的用户资产流动情况,n为大于或等于1的数。需要说明的是,时间跨度可以根基实际需要进行设置,在此不作限定。
根据本公开的实施例,聚合特征Fc的构造式可以为:
Fc=fc(data)d2,d2∈(,...-n,...,-12,-6,-1,-0.25) (二)
其中,data为用户资产流动数据;fc为提取聚合特征的函数,分别统计各时期内收入、支出、负债、还贷等情况的各项占比;d2为时间段跨度,d2∈(,...-n,...,-12,-6,-1,-0.25)可以分别表示过去n个月内、过去12个月内,...,过去0.25个月内的用户资产情况,n为大于或等于1的数。需要说明的是,时间段跨度可以根基实际需要进行设置,在此不作限定。
根据本公开的实施例,通过对第二用户信用数据进行数据预处理,得到第一用户信用数据,其中,第一用户信用数据包括多个用户的用户信用数据。
根据本公开的实施例,对第一用户信用数据进行信用等级标注可以包括:根据信用等级评价规则,对第一用户信用数据,进行信用等级标签的标注,第一用户信用数据可以包含第一用户标识信息,对第一用户信用数据进行信用等级标注,可以实现对每个用户的信用等级标签的标注。
根据本公开的实施例,对第一用户信用数据进行信用等级评价可以通过评价第一用户信用数据是否满足信用等级评价维度。信用等级评价维度,例如,可以包括:是否存在贷款逾期或违约记录、是否存在征信违约记录、是否存在信用卡违约逾期记录。若用户不满足以上信用等级评价维度任何一项,可将用户的信用等级评定为A级,即,信用良好;若满足其中一项,则评定为B级,即,信用一般;若满足其中至少两项,则评定为C级,即,信用较差。从而实现对第一用户信用数据的对应的用户进行信用等级标签的标注。
根据本公开的实施例,通过密度聚类模型对第一用户信用数据进行密度聚类分析,得到每个簇对应的信用等级分类结果,包括:
将第一用户信用数据输入密度聚类模型进行密度聚类处理,得到多个簇。根据每个簇中第一用户信用数据对应的不同的信用等级的占比,确定每个簇对应的信用等级分类结果。
根据本公开的实施例,根据每个簇中第一用户信用数据对应的不同的信用等级标签的占比,确定每个簇对应的信用等级分类结果,包括:
根据每个簇中第一用户信用数据对应的不同的信用等级标签的占比,确定簇中占比最大的信用等级标签。根据簇中占比最大的信用等级标签对应的信用等级,确定簇对应的信用等级分类结果。
根据本公开的实施例,对第一用户信用数据进行密度聚类处理,将第一用户信用数据分为多个簇,每个簇中包含有相似度较大的多个第一用户信用数据,部分第一用户信用数据具有信用等级标签。其中,相似度可以通过计算两两第一用户信用数据之间的距离与预设距离阈值的关系来决定,例如,可以为若两两第一用户信用数据之间的距离小于距离阈值,可以认为两两用户信用数据相似度较大。
根据本公开的实施例,将该簇中所有不同信用等级标签总数中占比最大的用户信用数据对应的信用等级标签作为该簇的信用等级分类结果。
根据本公开的实施例,例如,该簇中具有50个第一用户信用数据,该第一用户信用数据包含带有不同信用等级标签的用户信用数据以及无信用等级标签的用户信用数据,其中,A等级占比30个,B等级占比5个,C等级占比10个,无信用等级标签的用户信用数据对应的数据5个,则该簇对应的信用等级分类结果为A等级,即,信用良好。
图3示意性示出了根据本公开实施例的构建密度聚类模型的方法流程图。
如图3所示,,该方法300可以包括操作S310~操作S350。
在操作S310,获取用户信用样本数据,其中,用户信用样本数据包括带有不同信用等级标签的用户信用数据。
根据本公开的实施例,用户信用样本数据用于训练密度聚类模型所使用的数据。用户信用样本数据可以包括带有不同信用等级标签的样本用户对应的信用数据。
根据本公开的实施例,在获取用户信用样本数据之前,需要获得样本用户的同意或授权,均符合相关法律法规的规定,且采取了必要保密措施,不违背公序良俗。
根据本公开的实施例,获取用户信用样本数据时,需要对用户信用样本数据进行数据预处理和信用等级标注。数据预处理可以包括数据组合处理、数据脱敏处理、数据特征工程处理等。针对数据预处理和信用等级标注在前述已详细说明,在此不再赘述。
在操作S320,通过预设规则,确定密度聚类参数的参数组合取值列表,其中,密度聚类参数包括多个邻域距离和多个邻域密度阈值,参数组合取值列表包括多个不同参数组合,每个参数组合包括邻域距离和对应的邻域密度阈值。
根据本公开的实施例,邻域距离(Eps)可以为定义密度时的邻域半径(ε),邻域密度阈值(MinPts)可以为定义核心对象时的阈值。核心对象可以为一个对象的ε-邻域至少包含最小数目阈值个数的对象。
根据本公开的实施例,参数组合取值列表可以为将邻域距离和邻域密度阈值进行两两组合,形成多个不同参数组合,多个不同参数组合形成参数组合取值列表。
在操作S330,根据参数组合取值列表中的多个不同参数组合,基于密度的聚类算法,对带有不同信用等级标签的样本用户对应的用户信用样本数据进行循环聚类,得到每个参数组合的聚类结果。
在操作S340,基于每个参数组合的聚类结果,对每个参数组合的聚类结果进行聚类效果评估,得到针对每个参数组合的聚类效果评估值。
根据本公开的实施例,选定一个邻域距离和邻域密度阈值形成的参数组合,首先任意选取一个未访问的用户信用样本数据,找出与该用户信用样本数据在邻域距离之内的所有样本,如果邻域距离范围内的用户信用样本数据的数量大于邻域密度阈值,则当前用户信用样本数据与其附近的邻域样本数据形成一个簇,并以相同方式处理未访问的样本,对当前簇进行扩展,得到选定参数组合的聚类结果。
根据本公开的实施例,利用上述密度聚类算法,使用多个不同参数组合对用户信用样本数据进行循环聚类,得到针对多个不同参数组合的聚类结果。
根据本公开的实施例,基于多个不同参数组合的聚类结果,对每个参数组合的聚类结果使用密度聚类的评价指标进行聚类效果评估,得到针对每个参数组合的聚类效果评估值。
根据本公开的实施例,例如,密度聚类的评价指标可以为调整兰德系数(ARI,Adjusted Rand Index)。ARI描述密度聚类的分类结果与真实情况的吻合度。
在操作S350,根据针对每个参数组合的聚类效果评估值,构建密度聚类模型。
根据本公开的实施例,例如,通过使用ARI评价每个参数组合的聚类结果,得到针对每个参数组合的聚类效果评估值。其中,ARI取值范围为[-1,1],ARI值越大,聚类效果越好。
根据本公开的实施例,将多个聚类效果评估值中反映聚类效果最好的一组参数组合作为密度聚类模型的密度聚类参数,根据确定的密度聚类参数构建密度聚类模型。
图4示意性示出了根据本公开实施例的确定密度聚类参数的参数组合取值列表的方法流程图。
如图4所示,该方法400可以包括操作S410~操作S450。
在操作S410,根据每两个用户信用样本数据之间的距离,确定多个邻域距离中的最小邻域距离和最大邻域距离。
在操作S420,根据最小邻域距离和最大邻域距离的第一预设关系,确定多个中间邻域距离,得到多个邻域距离。
在操作S430,确定多个邻域密度阈值的最小邻域密度阈值和最大邻域密度阈值。
在操作S440,根据邻域密度阈值和最大邻域密度阈值的第二预设关系,确定多个中间邻域密度阈值,得到多个邻域密度阈值。
在操作S450,将每个邻域距离和每个邻域密度阈值进行参数组合,形成多个参数组合,生成参数组合取值列表。
根据本公开的实施例,可以通过计算用户信用样本数据中任意两个样本数据之间的距离,得到多个针对任意两个样本数据之间的距离。将多个距离中最小距离作为最小邻域距离,将多个距离中的下四分之一分位数作为最大邻域距离。
根据本公开的实施例,计算用户信用样本数据中任意两个用户信用样本数据之间的距离可以根据实际任务需求采用欧式距离、曼哈顿距离、切比雪夫距离等,在此不作具体限定。
根据本公开的实施例,第一预设关系可以为最大邻域距离和最小邻域距离的差值的1%。基于第一预设关系,将最小邻域距离和最大邻域距离之间的中间邻域距离以第一预设关系的值进行递增取值,得到多个邻域距离。
根据本公开的实施例,例如,最小邻域密度阈值可以取值为1,最大邻域密度阈值可以确定为用户信用样本数据总数的四分之一的数值。
根据本公开的实施例,第二预设关系可以为最大邻域密度阈值和最小邻域密度阈值的差值的1%。基于第二预设关系,将最小邻域密度阈值和最大邻域密度阈值之间的中间邻域密度阈值以第二预设关系的值进行递增取值,得到多个邻域密度阈值。
根据本公开的实施例,将多个邻域距离和多个邻域密度阈值进行两两组合,形成邻域距离和邻域密度阈值组合的多个密度聚类参数组合,最终生成参数组合取值列表。
根据本公开的实施例,基于密度的聚类算法可以包括DBSCAN算法或MDCA算法;决策树模型可以包括:ID3决策树模型或C4.5决策树模型。
根据本公开的实施例,利用决策树模型对经密度聚类模型视为噪声数据进行分类时还可以采用支持向量机、贝叶斯分类器等监督学习方法替换实现。
图5示意性示出了根据本公开实施例的信用等级评价方法的示意图。
如图5所示,在示意图500中,获取第一用户信用数据501,第一用户信用数据501包括带有不同信用等级标签的用户信用数据501—1和无信用等级标签的用户信用数据501—2,将第一用户信用数据501输入密度聚类模型502进行密度聚类分析,得到每个簇对应的信用等级分类结果503,以及密度聚类分析视为的噪声数据504,根据每个簇对应的信用等级分类结果,得出与每个簇对应的用户的信用等级分类结果505。将噪声数据504输入决策树模型506,对噪声数据504进行分类,得到针对噪声数据对应的信用等级分类结果507,根据噪声数据对应的信用等级分类结果507,得出与噪声数据对应的用户的信用等级分类结果508,最终实现所有用户信用数据的信用等级评价。
基于上述信用等级评价方法,本公开还提供了一种信用等级评价装置。以下将结合图6对该装置进行详细描述。
图6示意性示出了根据本公开实施例的信用等级评价装置的结构框图。
如图6所示,该实施例的信用等级评价装置600可以包括:获取模块610、分析模块620、第一确定模块630、分类模块640和第二确定模块650。
获取模块610,用于获取第一用户信用数据,其中,第一用户信用数据包括带有不同信用等级标签的用户信用数据和无信用等级标签的用户信用数据。在一实施例中,获取模块610可以用于执行前文描述的操作S210,在此不再赘述。
分析模块620,用于通过密度聚类模型对第一用户信用数据进行密度聚类分析,得到每个簇对应的信用等级分类结果,以及针对第一用户信用数据经过密度聚类分析后的噪声数据。在一实施例中,分析模块620可以用于执行前文描述的操作S220,在此不再赘述。
第一确定模块630,用于根据每个簇对应的信用等级分类结果,确定与每个簇对应的用户等级分类结果。在一实施例中,分析模块620可以用于执行前文描述的操作S230,在此不再赘述。
分类模块640,用于通过决策树模型对噪声数据进行分类,得到针对噪声数据对应的信用等级分类结果。在一实施例中,分类模块630可以用于执行前文描述的操作S240,在此不再赘述。
第二确定模块650,用于根据噪声数据对应的信用等级分类结果,确定与噪声数据对应的用户等级分类结果。在一实施例中,分类模块630可以用于执行前文描述的操作S250,在此不再赘述。
根据本公开的实施例,通过本公开提出的基于密度聚类和决策树模型的个人信用等级评价方法,首先通过密度聚类模型将个人信用数据进行分类,再采用决策树模型将密度聚类模型视为噪声的个人信用数据进行分类,实现对全量个人用户的信用等级评价,降低金融机构评价个人用户信用等级的成本,且评价结果具有较好的准确性、一致性和可解释性。
根据本公开的实施例,在获取第一用户信用数据之前包括:获取第二用户信用数据;对第二用户信用数据进行数据预处理,得到第一用户信用数据;对第一用户信用数据进行信用等级标注。
根据本公开的实施例,分析模块620可以包括:处理子模块、确定子模块。
处理子模块,用于将第一用户信用数据输入密度聚类模型进行密度聚类处理,得到多个簇。
确定子模块,用于根据每个簇中第一用户信用数据对应的不同的信用等级的占比,确定每个簇对应的信用等级分类结果。
根据本公开的实施例,确定子模块可以包括:第一确定单元、第二确定单元。
第一确定单元,用于根据每个簇中第一用户信用数据对应的不同的信用等级标签的占比,确定簇中占比最大的信用等级标签;
第二确定单元,用于根据簇中占比最大的信用等级标签对应的信用等级,确定簇对应的信用等级分类结果。
根据本公开的实施例,密度聚类模型通过如下操作构建得到的,包括:获取用户信用样本数据,其中,用户信用样本数据包括带有不同信用等级标签的用户信用样本数据。通过预设规则,确定密度聚类参数的参数组合取值列表,其中,密度聚类参数包括多个邻域距离和多个邻域密度阈值,参数组合取值列表包括多个不同参数组合,每个参数组合包括邻域距离和对应的邻域密度阈值。根据参数组合取值列表中的多个不同参数组合,基于密度的聚类算法,对带有不同信用等级标签的样本用户对应的用户信用样本数据进行循环聚类,得到每个参数组合的聚类结果。基于每个参数组合的聚类结果,对每个参数组合的聚类结果进行聚类效果评估,得到针对每个参数组合的聚类效果评估值。根据针对每个参数组合的聚类效果评估值,构建密度聚类模型。
根据本公开的实施例,通过预设规则,确定密度聚类参数的参数组合取值列表,包括:根据每两个用户信用样本数据之间的距离,确定多个邻域距离中的最小邻域距离和最大邻域距离。根据最小邻域距离和最大邻域距离的第一预设关系,确定多个中间邻域距离,得到多个邻域距离。确定多个邻域密度阈值的最小邻域密度阈值和最大邻域密度阈值。根据邻域密度阈值和最大邻域密度阈值的第二预设关系,确定多个中间邻域密度阈值,得到多个邻域密度阈值。将每个邻域距离和每个邻域密度阈值进行参数组合,形成多个参数组合,生成参数组合取值列表。
根据本公开的实施例,在获取用户信用数据之前,还包括:响应于用户对获取用户信用数据进行授权的授权操作,获取用户信用数据。
根据本公开的实施例,获取模块610、分析模块620、第一确定模块630、分类模块640和第二确定模块650中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,获取模块610、分析模块620、第一确定模块630、分类模块640和第二确定模块650中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,获取模块610、分析模块620、第一确定模块630、分类模块640和第二确定模块650中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图7示意性示出了根据本公开实施例的适于实现信用等级评价方法的电子设备的方框图。
如图7所示,根据本公开实施例的电子设备700包括处理器701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。处理器701例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器701还可以包括用于缓存用途的板载存储器。处理器701可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 703中,存储有电子设备700操作所需的各种程序和数据。处理器701、ROM702以及RAM 703通过总线704彼此相连。处理器701通过执行ROM 702和/或RAM 703中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 702和RAM 703以外的一个或多个存储器中。处理器701也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备700还可以包括输入/输出(I/O)接口705,输入/输出(I/O)接口705也连接至总线704。电子设备700还可以包括连接至I/O接口705的以下部件中的一项或多项:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 702和/或RAM 703和/或ROM 702和RAM 703以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本公开实施例所提供的信用等级评价方法。
在该计算机程序被处理器701执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分709被下载和安装,和/或从可拆卸介质711被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被处理器701执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (11)
1.一种信用等级评价方法,包括:
获取第一用户信用数据,其中,所述第一用户信用数据包括带有不同信用等级标签的用户信用数据和无信用等级标签的用户信用数据;
通过密度聚类模型对所述第一用户信用数据进行密度聚类分析,得到每个簇对应的信用等级分类结果,以及针对所述第一用户信用数据经过所述密度聚类分析后的噪声数据;
根据每个所述簇对应的信用等级分类结果,确定与每个所述簇对应的用户等级分类结果;
通过决策树模型对所述噪声数据进行分类,得到针对所述噪声数据对应的信用等级分类结果;
根据所述噪声数据对应的信用等级分类结果,确定与所述噪声数据对应的用户等级分类结果。
2.根据权利要求1所述的方法,其中,在所述获取第一用户信用数据之前包括:
获取第二用户信用数据;
对所述第二用户信用数据进行数据预处理,得到所述第一用户信用数据;
对所述第一用户信用数据进行信用等级标注。
3.根据权利要求1所述的方法,其中,所述通过密度聚类模型对所述第一用户信用数据进行密度聚类分析,得到每个簇对应的信用等级分类结果,包括:
将所述第一用户信用数据输入所述密度聚类模型进行密度聚类处理,得到多个簇;
根据每个所述簇中所述第一用户信用数据对应的不同的所述信用等级的占比,确定每个所述簇对应的信用等级分类结果。
4.根据权利要求3所述的方法,其中,所述根据每个所述簇中所述第一用户信用数据对应的不同的所述信用等级标签的占比,确定每个所述簇对应的信用等级分类结果,包括:
根据每个所述簇中所述第一用户信用数据对应的不同的所述信用等级标签的占比,确定所述簇中占比最大的信用等级标签;
根据所述簇中所述占比最大的信用等级标签对应的信用等级,确定所述簇对应的信用等级分类结果。
5.根据权利要求1所述的方法,其中,所述密度聚类模型通过如下操作构建得到的,包括:
获取用户信用样本数据,其中,所述用户信用样本数据包括带有不同所述信用等级标签的用户信用数据;
通过预设规则,确定密度聚类参数的参数组合取值列表,其中,所述密度聚类参数包括多个邻域距离和多个邻域密度阈值,所述参数组合取值列表包括多个不同参数组合,每个所述参数组合包括所述邻域距离和对应的所述邻域密度阈值;
根据所述参数组合取值列表中的多个不同所述参数组合,基于密度的聚类算法,对带有不同信用等级标签的样本用户对应的所述用户信用样本数据进行循环聚类,得到每个所述参数组合的聚类结果;
基于每个所述参数组合的聚类结果,对每个所述参数组合的聚类结果进行聚类效果评估,得到针对每个所述参数组合的聚类效果评估值;
根据针对每个所述参数组合的聚类效果评估值,构建密度聚类模型。
6.根据权利要求5所述的方法,其中,所述通过预设规则,确定密度聚类参数的参数组合取值列表,包括:
根据每两个所述用户信用样本数据之间的距离,确定多个所述邻域距离中的最小邻域距离和最大邻域距离;
根据所述最小邻域距离和所述最大邻域距离的第一预设关系,确定多个中间邻域距离,得到多个所述邻域距离;
确定多个所述邻域密度阈值的最小邻域密度阈值和最大邻域密度阈值;
根据所述邻域密度阈值和最大邻域密度阈值的第二预设关系,确定多个中间邻域密度阈值,得到多个所述邻域密度阈值;
将每个所述邻域距离和每个所述邻域密度阈值进行参数组合,形成多个参数组合,生成参数组合取值列表。
7.根据权利要求1所述的方法,其中,在获取第一用户信用数据之前,还包括:
响应于用户对获取第一用户信用数据进行授权的授权操作,获取所述第一用户信用数据。
8.一种信用等级评价装置,包括:
获取模块,用于获取第一用户信用数据,其中,所述第一用户信用数据包括带有不同信用等级标签的用户信用数据和无信用等级标签的用户信用数据;
分析模块,用于通过密度聚类模型对所述第一用户信用数据进行密度聚类分析,得到每个簇对应的信用等级分类结果,以及针对所述第一用户信用数据经过所述密度聚类分析后的噪声数据;
第一确定模块,用于根据每个所述簇对应的信用等级分类结果,确定与每个所述簇对应的用户等级分类结果;
分类模块,用于通过决策树模型对所述噪声数据进行分类,得到针对所述噪声数据对应的信用等级分类结果;
第二确定模块,用于根据所述噪声数据对应的信用等级分类结果,确定与所述噪声数据对应的用户等级分类结果。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1~7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~7中任一项所述的方法。
11.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1~7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210143808.XA CN114493853A (zh) | 2022-02-16 | 2022-02-16 | 信用等级评价方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210143808.XA CN114493853A (zh) | 2022-02-16 | 2022-02-16 | 信用等级评价方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114493853A true CN114493853A (zh) | 2022-05-13 |
Family
ID=81483343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210143808.XA Pending CN114493853A (zh) | 2022-02-16 | 2022-02-16 | 信用等级评价方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114493853A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115456801A (zh) * | 2022-09-16 | 2022-12-09 | 北京曲速科技发展有限公司 | 个人信用的人工智能大数据风控系统、方法和存储介质 |
-
2022
- 2022-02-16 CN CN202210143808.XA patent/CN114493853A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115456801A (zh) * | 2022-09-16 | 2022-12-09 | 北京曲速科技发展有限公司 | 个人信用的人工智能大数据风控系统、方法和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun | Applying deep learning to audit procedures: An illustrative framework | |
WO2020249125A1 (zh) | 用于自动训练机器学习模型的方法和系统 | |
Moffitt et al. | AIS in an age of Big Data | |
CN110378786B (zh) | 模型训练方法、违约传导风险识别方法、装置及存储介质 | |
US20210112101A1 (en) | Data set and algorithm validation, bias characterization, and valuation | |
CN113177700B (zh) | 一种风险评估方法、系统、电子设备及存储介质 | |
Jayagopal et al. | Data management and big data analytics: Data management in digital economy | |
Zhu et al. | What drives reputational risk? Evidence from textual risk disclosures in financial statements | |
CN111563187A (zh) | 关系确定方法、装置、系统和电子设备 | |
CN111191677A (zh) | 用户特征数据生成方法、装置及电子设备 | |
CN112613978B (zh) | 银行资本充足率的预测方法、装置、电子设备及介质 | |
CN114493853A (zh) | 信用等级评价方法、装置、电子设备及存储介质 | |
Feng | Data Analysis and Prediction Modeling Based on Deep Learning in E‐Commerce | |
CN115795345A (zh) | 信息处理方法、装置、设备及存储介质 | |
KR20230103025A (ko) | 기업 신용 분석 및 평가 정보 제공 방법, 장치 및 시스템 | |
Zang | Construction of Mobile Internet Financial Risk Cautioning Framework Based on BP Neural Network | |
Nobanee et al. | Big data and credit risk assessment: a bibliometric review, current streams, and directions for future research | |
Li et al. | Research on Efficiency in Credit Risk Prediction Using Logistic‐SBM Model | |
Nasrizar | Big Data & Accounting Measurements | |
Lee et al. | Application of machine learning in credit risk scorecard | |
CN110895564A (zh) | 一种潜在客户数据处理方法和装置 | |
CN117172632B (zh) | 一种企业异常行为检测方法、装置、设备及存储介质 | |
CN114065050A (zh) | 产品推荐的方法、系统、电子设备和存储介质 | |
Elbrashy et al. | Using Machine Learning Techniques in Predicting Auditor Opinion: Empirical Study | |
CN116562974A (zh) | 对象识别方法、装置、电子设备及存储介质 |
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 |