CN114693431A - 信用度评估方法、装置、设备、介质和程序产品 - Google Patents

信用度评估方法、装置、设备、介质和程序产品 Download PDF

Info

Publication number
CN114693431A
CN114693431A CN202210321949.6A CN202210321949A CN114693431A CN 114693431 A CN114693431 A CN 114693431A CN 202210321949 A CN202210321949 A CN 202210321949A CN 114693431 A CN114693431 A CN 114693431A
Authority
CN
China
Prior art keywords
credit
information
target
evaluation result
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
Application number
CN202210321949.6A
Other languages
English (en)
Inventor
文弘扬
杜敏
李大霞
胡丁寒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202210321949.6A priority Critical patent/CN114693431A/zh
Publication of CN114693431A publication Critical patent/CN114693431A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q40/00Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03Credit; 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

本申请涉及一种信用度评估方法、装置、设备、介质和程序产品。所述方法包括:获取目标用户的用户信息;根据用户信息获取初始信用评估结果和信用趋向信息;信用趋向信息用于指示目标用户的信用度的变化趋势;根据信用趋向信息与初始信用评估结果获取目标信用评估结果;目标信用评估结果用于表示目标用户的目标信用度。采用本方法能够不仅在考虑用户信息的基础上,根据用户信息确定关于用户的信用趋向信息,并根据用户的信用趋向信息与用户信息的结合,准确评估用户的用户信用度,避免仅考虑用户在某一时点对应的用户信息而并未考虑数据趋向信息的不准确性,进行综合考量,提高评估全面性。

Description

信用度评估方法、装置、设备、介质和程序产品
技术领域
本申请涉及大数据技术领域,特别是涉及一种信用度评估方法、装置、设备、介质和程序产品。
背景技术
随着计算机技术的不断发展,信息数量的不断增加。越来越多的信息筛选、分类、评估等数据处理过程均可以采用不同的算法模型实现。在银行企业中,通常可以采用评估模型对银行用户的个人数据信息进行评估,得到银行用户的个人数据信息的量化结果。但是,现有的评估模型在对银行用户的个人数据信息进行评估时,存在评估不准确的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高对用户的个人数据信息进行评估的准确率的信用度评估方法、装置、设备、介质和程序产品。
第一方面,本申请提供了一种信用度评估方法。该方法包括:
接收信用度评估指令;信用度评估指令包括目标用户的标识;
根据标识从数据库中获取目标用户的用户信息;
根据用户信息获取初始信用评估结果和信用趋向信息;信用趋向信息用于指示目标用户的信用度的变化趋势;
根据信用趋向信息与初始信用评估结果获取目标信用评估结果;目标信用评估结果用于表示目标用户的目标信用度。
在其中一个实施例中,根据信用趋向信息与初始信用评估结果获取目标信用评估结果,包括:
将信用趋向信息和初始信用评估结果分别输入至逻辑回归模型中,得到信用趋向信息对应的第一逻辑回归结果和初始信用评估结果对应的第二逻辑回归结果;
根据第一逻辑回归结果和第二逻辑回归结果,确定目标信用评估结果。
在其中一个实施例中,根据第一逻辑回归结果和第二逻辑回归结果,确定目标信用评估结果,包括:
将第一逻辑回归结果和第二逻辑回归结果代入预设的评分卡转换公式,得到目标信用评估结果;评分卡转换公式包括逻辑回归结果与信用评估结果之间的转换关系。
在其中一个实施例中,根据第一逻辑回归结果和第二逻辑回归结果,确定目标信用评估结果之前,方法还包括:
根据目标用户的用户信息获取衍生特征信息;
将衍生特征信息输入至逻辑回归模型中,得到第三逻辑回归结果;
对应地,根据第一逻辑回归结果和第二逻辑回归结果,确定目标信用评估结果,包括:
根据第一逻辑回归结果、第二逻辑回归结果和第三逻辑回归结果,确定目标信用评估结果。
在其中一个实施例中,信用趋向信息的确定过程,包括:
对目标用户的用户信息进行特征提取,得到第一特征信息;第一特征信息包括目标用户的交易特征;
根据预设的异同移动平均线计算公式对目标特征信息进行计算,得到信用趋向信息;信用趋向信息包括指数移动平均值、异同移动平均线、离差值、离差平均值、信用趋向标识和信用趋向差值中的至少一种,信用趋向标识用于指示信用度变化方向,信用趋向差值用于指示信用度变化量。
在其中一个实施例中,根据用户信息获取初始信用评估结果,包括:
对目标用户的用户信息进行特征提取,得到第二特征信息;第二特征信息包括目标用户的交易特征和用户特征;
将第二特征信息输入至预设的目标评分卡模型中,得到初始信用评估结果。
在其中一个实施例中,目标评分卡模型包括法人评分卡模型和个人评分卡模型,初始信用评估结果包括法人信用评估结果和个人信用评估结果,将第二特征信息输入至预设的目标评分卡模型中,得到初始信用评估结果,包括:
将目标用户的第二特征信息输入至法人评分卡模型中,得到法人信用评估结果;
将目标用户的第二特征信息输入至个人评分卡模型中,得到个人信用评估结果。
在其中一个实施例中,信用度评估方法还包括:
获取多个训练样本和各训练样本对应的标注;训练样本包括样本用户的样本用户信息,训练样本对应的标注包括样本评估结果;
对各训练样本进行处理得到对应的样本趋向信息;
根据训练样本和样本趋向信息进行逻辑回归模型和评分卡模型的训练,得到初始训练结果;
根据初始训练结果和训练样本对应的标注调整模型参数,直至达到预设的收敛条件结束训练。
第二方面,本申请还提供了一种信用度评估装置。该装置包括:
获取模块,用于获取目标用户的用户信息;
根据用户信息获取初始信用评估结果和信用趋向信息;信用趋向信息用于指示目标用户的信用度的变化趋势;
根据信用趋向信息与初始信用评估结果获取目标信用评估结果;目标信用评估结果用于表示目标用户的目标信用度。
第三方面,本申请还提供了一种计算机设备。计算机设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述第一方面任一项实施例中方法的步骤。
第四方面,本申请还提供了一种计算机可读存储介质。计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述第一方面任一项实施例中方法的步骤。
第五方面,本申请还提供了一种计算机程序产品。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第一方面任一项实施例中方法的步骤。
上述信用度评估方法、装置、设备、介质和程序产品,通过接收包括目标用户的标识信用度评估指令,根据标识从数据库中获取目标用户的用户信息,根据用户信息获取初始信用评估结果和用于指示目标用户的信用度的变化趋势,根据信用趋向信息与初始信用评估结果获取用于表示目标用户的目标信用度的目标信用评估结果,能够不仅在考虑用户信息的基础上,根据用户信息确定关于用户的信用趋向信息,并根据用户的信用趋向信息与用户信息的结合,准确评估用户的信用度,避免仅考虑用户在某一时点对应的用户信息而并未考虑信用趋向信息的不准确性,进行综合考量,提高评估全面性。
附图说明
图1为一个实施例中计算机设备的内部结构图;
图2为一个实施例中信用度评估方法的流程示意图;
图3为另一个实施例中信用度评估方法的流程示意图;
图4为另一个实施例中信用度评估方法的流程示意图;
图5为另一个实施例中信用度评估方法的流程示意图;
图6为另一个实施例中信用度评估方法的流程示意图;
图7为另一个实施例中信用度评估方法的流程示意图;
图8为另一个实施例中信用度评估方法的流程示意图;
图9为一个实施例中信用度评估装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的信用度评估方法,可以应用于计算机设备中。该计算机设备可以是终端,其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现获取目标用户的用户信息后,根据用户信息确定目标用户的目标信用评估结果的方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,如图2所示,提供了一种信用度评估方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
S202,接收信用度评估指令;所述信用度评估指令包括目标用户的标识。
具体地,用户可以通过终端的信用评估界面,选择信用评估选项,发起对目标用户的信用评估指令,该信用评估指令中可以包括目标用户的标识。
S204,根据所述标识从数据库中获取所述目标用户的用户信息。
其中,目标用户为需要进行信用评估的用户。用户信息可以为根据目标用户的个人征信报告提取的信息。其中,用户信息可以包括用户交易信息和用户个人信息等。其中,用户交易信息可以包括法人流水数据、个人流水数据、押品质押比等。用户个人信息可以包括姓名、年龄、性别、职业等。
具体地,当需要对目标用户进行信用度评估时,可以通过目标用户的标识在数据库中查找对应的目标用户的个人征信报告,并基于目标用户的个人征信报告获取到目标用户的用户信息。
S206,根据用户信息获取初始信用评估结果和信用趋向信息;信用趋向信息用于指示目标用户的信用度的变化趋势。
其中,初始信用评估结果可以包括根据用户信息确定的初始信用度。初始信用评估结果可以包括根据用户信息中的法人相关信息进行评估的第一评估结果,也可以是根据用户信息中的个人相关信息进行评估的第二评估结果;还可以是根据用户信息中的法人相关信息以及个人相关信息共同确定的第三评估结果,在此不加以限制。
在确定初始信用评估结果时,可以通过将用户信息中的法人相关信息和/或用户信息的个人相关信息输入至预设的神经网络模型中,输出初始信用评估结果;也可以是将用户信息中的法人相关信息和/或用户信息的个人相关信息输入至其他预设模型中,输出初始信用评估结果。
信用趋向信息可以包括根据用户信息中的交易特征信息确定目标用户的信用度的变化趋势。可以通过计算用户交易信息的走势趋向以及变化量,对获取目标信用评估结果提供另一方面的依据。可以根据用户交易信息以及预设的异同平均线计算公式计算信用趋向信息。其中,信用趋向信息可以包括指数移动平均值、异同移动平均线、离差值、离差平均值中的至少一种。
S208,根据信用趋向信息与初始信用评估结果获取目标信用评估结果;目标信用评估结果用于表示目标用户的目标信用度。
当得到信用趋向信息与初始信用评估结果后,可以通过将信用趋向信息与初始信用评估结果输入至预设的神经网络模型中,输出目标信用评估结果。也可以是将信用趋向信息与初始信用评估结果输入预设的逻辑回归模型中输出逻辑回归结果,并将逻辑回归结果代入预设的评分卡转换公式得到目标信用评估结果。其中,目标信用评估结果为信用度的量化值。
可选地,在得到用户信息后,还可以对用户信息进行筛选,得到目标用户信息,并将目标用户信息和初始信用评估结果分别输入至逻辑回归模型中,得到目标用户信息对应的第一逻辑回归结果和初始信用评估结果对应的第二逻辑回归结果。
上述得到目标用户信息,可以包括对用户信息进行预处理。其中数据预处理可以包括数据清洗和变量分箱。在进行变量分箱后,可以得到证据权重(weight of evidence,WOE)编码。基于WOE编码可以计算各个分箱中的、信息价值(information value,IV)、空置率、可解释性值、相关性值等。并将相关性值、可解释性值、IV值、空置率分别与各自对应的阈值进行比较,根据比较结果确定出目标用户信息。示例地,可以选取相关性>0.7,空置率>0.4,iv<0.1的趋向信息,作为目标用户信息。
可选地,在对获取到用户信息后,还可以基于用户信息根据不用的应用场景进行特征衍生,得到衍生特征信息。例如,根据用户信息综合交易流水、五级分类、资产规模、借贷信息、还款情况等内容进行特征衍生,得到延伸特征信息。并将衍生特征信息、信用趋向信息与初始信用评估结果输入至预设的神经网络模型中,输出目标信用评估结果。也可以是将衍生特征信息、信用趋向信息与初始信用评估结果输入预设的逻辑回归模型中输出逻辑回归结果,并将逻辑回归结果代入预设的评分卡转换公式得到目标信用评估结果。
上述信用度评估方法中,通过接收包括目标用户的标识信用度评估指令,根据标识从数据库中获取目标用户的用户信息,根据用户信息获取初始信用评估结果和用于指示目标用户的信用度的变化趋势,根据信用趋向信息与初始信用评估结果获取用于表示目标用户的目标信用度的目标信用评估结果,能够不仅在考虑用户信息的基础上,根据用户信息确定关于用户的信用趋向信息,并将用户的信用趋向信息与用户信息的结合,准确评估用户的信用度,避免仅考虑用户在某一时点对应的用户信息而并未考虑信用趋向信息的不准确性,进行综合考虑,提高评估全面性。
上述实施例对信用度评估方法进行了说明,现以一个实施例对如何确定目标信用评估结果进行说明。在一个实施例中,如图3所示,根据信用趋向信息与初始信用评估结果获取目标信用评估结果,包括:
S302,将信用趋向信息和初始信用评估结果分别输入至逻辑回归模型中,得到信用趋向信息对应的第一逻辑回归结果和初始信用评估结果对应的第二逻辑回归结果。
S304,根据第一逻辑回归结果和第二逻辑回归结果,确定目标信用评估结果。
具体地,将信用趋向信息和初始信用评估结果分别输入至逻辑回归模型中,得到信用趋向信息对应的第一逻辑回归结果和初始信用评估结果对应的第二逻辑回归结果。并将第一逻辑回归结果和第二逻辑回归结果输入至预设的神经网络模型中,确定目标信用评估结果。也可以是将第一逻辑回归结果和第二逻辑回归结果代入预设的评分卡转换公式中,得到目标信用评估结果,在此不加以限制。其中,逻辑回归结果可以包括用户是否为信用度不满足标准的概率值。
可选地,在得到信用趋向信息后,还可以对信用趋向信息进行筛选,得到目标信用趋向信息,并将目标信用趋向信息和初始信用评估结果分别输入至逻辑回归模型中,得到信用趋向信息对应的第一逻辑回归结果和初始信用评估结果对应的第二逻辑回归结果。
上述得到目标信用趋向信息,可以包括对信用趋向信息进行预处理。其中数据预处理可以包括数据清洗和变量分箱。在进行变量分箱后,可以得到证据权重(weight ofevidence,WOE)编码。基于WOE编码可以计算各个分箱中的、信息价值(information value,IV)、空置率、可解释性值、相关性值等,并将相关性值、可解释性值、IV值、空置率、分别与各自对应的阈值进行比较,根据比较结果确定出目标信用趋向信息。示例地,可以选取相关性>0.7,空置率>0.4,iv<0.1的趋向信息,作为目标信用趋向信息。
本实施例中,通过将信用趋向信息和初始信用评估结果分别输入至逻辑回归模型中,得到信用趋向信息对应的第一逻辑回归结果和初始信用评估结果对应的第二逻辑回归结果,根据第一逻辑回归结果和第二逻辑回归结果,确定目标信用评估结果,能够同时根据信用趋向信息和初始信用评估结果共同决定最终的目标信用评估结果,使得目标信用评估结果更加准确。
进一步地,在一个实施例中,根据第一逻辑回归结果和第二逻辑回归结果,确定目标信用评估结果,包括:
将第一逻辑回归结果和第二逻辑回归结果代入预设的评分卡转换公式,得到目标信用评估结果;评分卡转换公式包括逻辑回归结果与信用评估结果之间的转换关系。
具体地,将第一逻辑回归结果和第二逻辑回归结果代入预设的评分卡转换公式,得到目标信用评估结果。在代入预设的评分卡转换模型时,可以通过将第一逻辑回归结果和第二逻辑回归结果进行运算处理。其中运算处理可以包括:相加、相乘、相减或者相除中的任意一种。再将处理结果代入预设的评分卡转换公式中进行评分转换,得到目标信用评估结果。
也可以是对第一逻辑回归结果和第二逻辑回归结果进行赋权后,将第一逻辑回归结果和第二逻辑回归结果代入预设的评分卡转换公式,得到目标信用评估结果,在此不加以限制。
在本实施例中,通过将第一逻辑回归结果和第二逻辑回归结果代入预设的评分卡转换公式,得到目标信用评估结果,能够将两种不同特征对应的逻辑回归结果综合考量,得到相比于并未考虑信用趋向信息的现有技术,得到的目标信用评估结果更为准确。
上述实施例是考虑了用户信息和信用趋向信息两种特征的信用度评估方法,现提供一种基于用户信息衍生的衍生特征信息、用户信息和信用趋向信息三种特征对用户信用度评价的方法。在一个实施例中,如图4所示,在根据第一逻辑回归结果和第二逻辑回归结果,确定目标信用评估结果之前,本公开实施例还可以包括:
S402,根据目标用户的用户信息获取衍生特征信息。
S404,将衍生特征信息输入至逻辑回归模型中,得到第三逻辑回归结果。
S406,根据第一逻辑回归结果、第二逻辑回归结果和第三逻辑回归结果,确定目标信用评估结果。
具体地,可以按照预设的业务场景,采用预设的特征提取规则,提取用户信息,然后根据用户信息进行衍生得到的衍生特征信息。例如,用户信息中包括用户的流水数据、根据流水数据计算衍生的增长值,将该增长值作为衍生特征信息。
将衍生特征信息输入至逻辑回归模型中,则可以得到第三逻辑回归结果。则可以将第一逻辑回归结果、第二逻辑回归结果和第三逻辑回归结果均代入预设的评估卡转换公式中得到目标信用评估结果。
在本实施例中,通过根据目标用户的用户信息获取衍生特征信息,将衍生特征信息输入至逻辑回归模型中,得到第三逻辑回归结果,根据第一逻辑回归结果、第二逻辑回归结果和第三逻辑回归结果,确定目标信用评估结果,能够基于不同的方面,综合考量得到目标信用评估结果,提高信用度确定的准确性、全面性,且针对不同的业务场景能够得到更符合业务场景的目标评分结果,增加了目标信用评估结果确定的准确性。
上述实施例对信用度评估方法中的如何确定目标信用评估结果进行了说明,现以一个实施例对如何确定信用趋向信息进一步说明。在一个实施例中,如图5所示,信用趋向信息的确定过程,包括:
S502,对目标用户的用户信息进行特征提取,得到第一特征信息;第一特征信息包括目标用户的交易特征。
S504,根据预设的异同移动平均线计算公式对目标特征信息进行计算,得到信用趋向信息。
其中,信用趋向信息包括指数移动平均值、异同移动平均线、离差值、离差平均值、信用趋向标识和信用趋向差值中的至少一种,信用趋向标识用于指示信用度变化方向,信用趋向差值用于指示信用度变化量。
具体地,采用预设的特征提取规则,对用户信息进行特征提取,提取出和金额相关的交易特征。之后,根据预设的异同移动平均线计算公式对交易特征进行计算,得到信用趋向信息。
在提取到交易特征后,可以先根据交易特征的时间信息,划分时区。可以划分为短线区间,和长线区间,离差值时间滑块为30天。可以首先确定出短线区间交易特征对应的移动平均值,以及长线区间交易特征的移动平均值。
移动平均值EMA的计算可以根据前一日的移动平均值、天数以及预设时间段内的交易数据值确定。例如,EMA(days)=前一日EMA(days)*(days-1)/(days+1)+近3日每笔交易均值*2/(days+1)。
离差值DIF的计算可以根据短线区间的EMA和长线区间的EMA之差确定。例如,DIF=EMA(短线区间)-EMA(长线区间)。
离差平均值的计算可以根据当日的EMA、N日、前一日的离差值计算确定。例如,DEA=当日EMA*2/(N+1)+前一日DIF*(N-1)/(N+1)。
异同移动平均线MACD的计算可以根据离差值和离差平均值的差值确定,例如,MACD=(DIF-DEA)*2。
趋向标识Tag的计算可以通过离差值和离差平均值的差值与0之间的关系确定。例如Tag=(DIF-DEA)>0?1:0;其中,若差值大于0则为1,否则为0。1和0可以代表信用度的趋向标识。可以人为设定,1是趋于好的或者趋于坏的。
趋向差值Tvalue的计算可以通过计算离差值和离差平均值的差值后,根据差值的绝对值确定。例如:Tvalue=|DIF-DEA|。
可选地,在得到信用趋向信息后,还可以对信用趋向信息进行筛选,得到目标信用趋向信息,并将目标信用趋向信息和初始信用评估结果分别输入至逻辑回归模型中,得到信用趋向信息对应的第一逻辑回归结果和初始信用评估结果对应的第二逻辑回归结果。
上述得到目标信用趋向信息,可以先对信用趋向信息进行预处理。其中数据预处理可以包括数据清洗和变量分箱。在进行变量分箱后,可以得到证据权重(weight ofevidence,WOE)编码。基于WOE编码可以计算各个分箱中的、信息价值(information value,IV)、空置率、可解释性值相关性值等,并将相关性、IV值、空置率、可解释性分别与各自对应的阈值进行比较,根据比较结果确定出目标信用趋向信息。示例地,可以选取相关性>0.7,空置率>0.4,iv<0.1的趋向信息,作为目标信用趋向信息。
在本实施例中,通过对目标用户的用户信息进行特征提取,得到包括目标用户的交易特征,根据预设的异同移动平均线计算公式对目标特征信息进行计算,得到信用趋向信息;信用趋向信息包括指数移动平均值、异同移动平均线、离差值、离差平均值、信用趋向标识和信用趋向差值中的至少一种,信用趋向标识用于指示信用度变化方向,信用趋向差值用于指示信用度变化量。准确反映用户的信用趋向信息,以便为后续计算信用度提供基础信息。
上述实施例对如何确定信用趋向信息进行了说明,现以一个实施例对如何获取另一重要参数,初始信用评估结果进行说明。在一个实施例中,如图6所示,根据用户信息获取初始信用评估结果,包括:
S602,对目标用户的用户信息进行特征提取,得到第二特征信息;第二特征信息包括目标用户的交易特征和用户特征。
S604,将第二特征信息输入至预设的目标评分卡模型中,得到初始信用评估结果。
具体地,对目标用户的用户信息进行特征提取,得到第二特征信息;第二特征信息包括目标用户的交易特征和用户特征。将第二特征信息输入至预设的目标评分卡模型中对用户的信用度进行初始评估量化,得到初始信用评估结果。其中,第二特征信息可以包括法人特征信息、个人特征信息等。其中法人特征信息可以包括用户作为法人在公司运作的过程中涉及的相关信息。个人是在自身生活中涉及的相关信息。可以是将法人特征信息和/或个人特征信息输入至预设的评估卡模型中,得到初始信用评估结果。
在本实施例中,通过对目标用户的用户信息进行特征提取,得到第二特征信息;第二特征信息包括目标用户的交易特征和用户特征。将第二特征信息输入至预设的目标评分卡模型中对用户的信用度进行初始评估量化,得到初始信用评估结果,能够为后续结合信用趋向信息确定目标信用评估结果提供基础。
进一步地,在一个实施例中,如图7所示,目标评分卡模型包括法人评分卡模型和个人评分卡模型,初始评估结果包括法人信用评估结果和个人信用评估结果,将第二特征信息输入至预设的目标评分卡模型中,得到初始信用评估结果,包括:
S702,将目标用户的第二特征信息输入至法人评分卡模型中,得到法人信用评估结果。
S704,将目标用户的第二特征信息输入至个人评分卡模型中,得到个人信用评估结果。
具体地,将目标用户的第二特征信息输入至法人评分卡模型中,得到法人信用评估结果,将目标用户的第二特征信息输入至个人评分卡模型中,得到个人信用评估结果。
在本实施例中,将目标用户的第二特征信息输入至法人评分卡模型中,得到法人信用评估结果,将目标用户的第二特征信息输入至个人评分卡模型中,得到个人信用评估结果。能够基于用户作为法人和个人两种不同的角度对用户进行信用评估,使得综合的信息更多,得到的结果也会更全面,更准确。
上述信用度评估方法均涉及了逻辑回归模型和评分卡模型,现以一个实施例对如何对逻辑回归模型和评分卡模型进行训练进行说明。在一个实施例中,如图8所示,信用度评估方法还包括:
S802,获取多个训练样本和各训练样本对应的标注;训练样本包括样本用户的样本用户信息,训练样本对应的标注包括样本评估结果。
S804,对各训练样本进行处理得到对应的样本趋向信息。
S806,根据训练样本和样本趋向信息进行逻辑回归模型和评分卡模型的训练,得到初始训练结果。
S808,根据初始训练结果和训练样本对应的标注调整模型参数,直至达到预设的收敛条件结束训练。
具体地,获取多个训练样本和各训练样本对应的标注;训练样本包括样本用户的样本用户信息,训练样本对应的标注包括样本评估结果,对各训练样本进行处理得到对应的样本趋向信息,根据训练样本和样本趋向信息进行逻辑回归模型和评分卡模型的训练,得到初始训练结果,根据初始训练结果和训练样本对应的标注调整模型参数,直至达到预设的收敛条件结束训练。
进一步地,将各训练样本分别输入至初始评估卡模型和评分卡模型中,得到各训练样本的训练评估结果;将训练评估结果和对应的样本趋向信息输入至初始逻辑回归模型中,得到训练逻辑回归结果;将训练逻辑回归结果代入预设的评分卡转换公式中,得到初始训练结果。
进一步地,基于训练样本得到样本衍生特征信息;将训练评估结果、对应的样本趋向信息和样本衍生特征信息输入至初始逻辑回归模型中,得到训练逻辑回归结果初始训练结果。
在本实施例中,通过获取多个训练样本和各训练样本对应的标注;训练样本包括样本用户的样本用户信息,训练样本对应的标注包括样本评估结果,对各训练样本进行处理得到对应的样本趋向信息,根据训练样本和样本趋向信息进行逻辑回归模型和评分卡模型的训练,得到初始训练结果,根据初始训练结果和训练样本对应的标注调整模型参数,直至达到预设的收敛条件结束训练,能够得到逻辑回归模型和评分卡模型,以便于利用逻辑回归模型和评分卡模型对目标用户的信用度进行评估。
为了便于本领域技术人员的理解,现以一个实施例对信用度评估方法进一步进行说明。在一个实施例中,信用度评估方法包括:
S00,根据所述标识从数据库中获取所述目标用户的用户信息。
S10,根据标识从数据库中获取目标用户的用户信息。
S20,对目标用户的用户信息进行特征提取,得到第一特征信息;第一特征信息包括目标用户的交易特征。
S30,根据预设的异同移动平均线计算公式对目标特征信息进行计算,得到信用趋向信息。
其中,信用趋向信息包括指数移动平均值、异同移动平均线、离差值、离差平均值、信用趋向标识和信用趋向差值中的至少一种,信用趋向标识用于指示信用度变化方向,信用趋向差值用于指示信用度变化量。
S40,对目标用户的用户信息进行特征提取,得到第二特征信息;第二特征信息包括目标用户的交易特征和用户特征。
S50,将目标用户的第二特征信息输入至法人评分卡模型中,得到法人信用评估结果。
S60,将目标用户的第二特征信息输入至个人评分卡模型中,得到个人信用评估结果。
S70,将信用趋向信息和初始信用评估结果分别输入至逻辑回归模型中,得到信用趋向信息对应的第一逻辑回归结果和初始信用评估结果对应的第二逻辑回归结果。
S80,根据目标用户的用户信息获取衍生特征信息。
S90,将衍生特征信息输入至逻辑回归模型中,得到第三逻辑回归结果。
S100,根据第一逻辑回归结果、第二逻辑回归结果和第三逻辑回归结果,确定目标信用评估结果。
在本实施例中,通过接收包括目标用户的标识信用度评估指令,根据标识从数据库中获取目标用户的用户信息,根据用户信息获取初始信用评估结果和用于指示目标用户的信用度的变化趋势,根据信用趋向信息与初始信用评估结果获取用于表示目标用户的目标信用度的目标信用评估结果,能够不仅在考虑用户信息的基础上,根据用户信息确定关于用户的信用趋向信息,并根据用户的信用趋向信息与用户信息的结合,准确评估用户的用户信用度,避免仅考虑用户在某一时点对应的用户信息,而并未考虑数据趋向信息的不准确性,综合进行考虑,提高评估全面性。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的信用度评估方法的信用度评估装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个信用度评估装置实施例中的具体限定可以参见上文中对于信用度评估方法的限定,在此不再赘述。
在一个实施例中,如图9所示,提供了一种信用度评估装置,包括:
指令接收模块901,用于接收信用度评估指令;所述信用度评估指令包括目标用户的标识;
第一获取模块902,用于根据标识从数据库中获取目标用户的用户信息;
第二获取模块903,用于根据用户信息获取初始信用评估结果和信用趋向信息;信用趋向信息用于指示目标用户的信用度的变化趋势;
第三获取模块904,用于根据信用趋向信息与初始信用评估结果获取目标信用评估结果;目标信用评估结果用于表示目标用户的目标信用度。
本实施例提供的信用度评估装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在一个实施例中,第三获取模块,包括:
第一逻辑回归单元,用于将信用趋向信息和初始信用评估结果分别输入至逻辑回归模型中,得到信用趋向信息对应的第一逻辑回归结果和初始信用评估结果对应的第二逻辑回归结果;
信用结果确定单元,用于根据第一逻辑回归结果和第二逻辑回归结果,确定目标信用评估结果。
在一个实施例中,信用结果确定单元,具体用于将第一逻辑回归结果和第二逻辑回归结果代入预设的评分卡转换公式,得到目标信用评估结果;评分卡转换公式包括逻辑回归结果与信用评估结果之间的转换关系。
在一个实施例中,第三获取模块,还包括:
衍生单元,用于根据目标用户的用户信息获取衍生特征信息;
第二逻辑回归单元,用于将衍生特征信息输入至逻辑回归模型中,得到第三逻辑回归结果;
信用结果确定单元,具体用于根据第一逻辑回归结果、第二逻辑回归结果和第三逻辑回归结果,确定目标信用评估结果。
在一个实施例中,信用度评估装置还包括:
特征提取单元,用于对目标用户的用户信息进行特征提取,得到第一特征信息;第一特征信息包括目标用户的交易特征;
信用趋向信息确定单元,用于根据预设的异同移动平均线计算公式对目标特征信息进行计算,得到信用趋向信息;信用趋向信息包括指数移动平均值、异同移动平均线、离差值、离差平均值、信用趋向标识和信用趋向差值中的至少一种,信用趋向标识用于指示信用度变化方向,信用趋向差值用于指示信用度变化量。
在一个实施例中,第二获取模块,具体用于对目标用户的用户信息进行特征提取,得到第二特征信息;第二特征信息包括目标用户的交易特征和用户特征;将第二特征信息输入至预设的目标评分卡模型中,得到初始信用评估结果。
在一个实施例中,目标评分卡模型包括法人评分卡模型和个人评分卡模型,初始信用评估结果包括法人信用评估结果和个人信用评估结果,第二获取模块,具体用于将目标用户的第二特征信息输入至法人评分卡模型中,得到法人信用评估结果;将目标用户的第二特征信息输入至个人评分卡模型中,得到个人信用评估结果。
在一个实施例中,信用度评估方法,还包括:
训练样本获取模块,用于获取多个训练样本和各训练样本对应的标注;训练样本包括样本用户的样本用户信息,训练样本对应的标注包括样本评估结果;
训练样本处理模块,用于对各训练样本进行处理得到对应的样本趋向信息;
训练模块,用于根据训练样本和样本趋向信息进行逻辑回归模型和评分卡模型的训练,得到初始训练结果;
调整模块,用于根据初始训练结果和训练样本对应的标注调整模型参数,直至达到预设的收敛条件结束训练。
本实施例提供的信用度评估装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
上述信用度评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
接收信用度评估指令;信用度评估指令包括目标用户的标识;
根据标识从数据库中获取目标用户的用户信息;
根据用户信息获取初始信用评估结果和信用趋向信息;信用趋向信息用于指示目标用户的信用度的变化趋势;
根据信用趋向信息与初始信用评估结果获取目标信用评估结果;目标信用评估结果用于表示目标用户的目标信用度。
在一个实施例中,根据信用趋向信息与初始信用评估结果获取目标信用评估结果,包括:
将信用趋向信息和初始信用评估结果分别输入至逻辑回归模型中,得到信用趋向信息对应的第一逻辑回归结果和初始信用评估结果对应的第二逻辑回归结果;
根据第一逻辑回归结果和第二逻辑回归结果,确定目标信用评估结果。
在其中一个实施例中,根据第一逻辑回归结果和第二逻辑回归结果,确定目标信用评估结果,包括:
将第一逻辑回归结果和第二逻辑回归结果代入预设的评分卡转换公式,得到目标信用评估结果;评分卡转换公式包括逻辑回归结果与信用评估结果之间的转换关系。
在一个实施例中,根据第一逻辑回归结果和第二逻辑回归结果,确定目标信用评估结果之前,方法还包括:
根据目标用户的用户信息获取衍生特征信息;
将衍生特征信息输入至逻辑回归模型中,得到第三逻辑回归结果;
对应地,根据第一逻辑回归结果和第二逻辑回归结果,确定目标信用评估结果,包括:
根据第一逻辑回归结果、第二逻辑回归结果和第三逻辑回归结果,确定目标信用评估结果。
在一个实施例中,信用趋向信息的确定过程,包括:
对目标用户的用户信息进行特征提取,得到第一特征信息;第一特征信息包括目标用户的交易特征;
根据预设的异同移动平均线计算公式对目标特征信息进行计算,得到信用趋向信息;信用趋向信息包括指数移动平均值、异同移动平均线、离差值、离差平均值、信用趋向标识和信用趋向差值中的至少一种,信用趋向标识用于指示信用度变化方向,信用趋向差值用于指示信用度变化量。
在一个实施例中,根据用户信息获取初始信用评估结果,包括:
对目标用户的用户信息进行特征提取,得到第二特征信息;第二特征信息包括目标用户的交易特征和用户特征;
将第二特征信息输入至预设的目标评分卡模型中,得到初始信用评估结果。
在一个实施例中,目标评分卡模型包括法人评分卡模型和个人评分卡模型,初始信用评估结果包括法人信用评估结果和个人信用评估结果,将第二特征信息输入至预设的目标评分卡模型中,得到初始信用评估结果,包括:
将目标用户的第二特征信息输入至法人评分卡模型中,得到法人信用评估结果;
将目标用户的第二特征信息输入至个人评分卡模型中,得到个人信用评估结果。
在一个实施例中,信用度评估方法还包括:
获取多个训练样本和各训练样本对应的标注;训练样本包括样本用户的样本用户信息,训练样本对应的标注包括样本评估结果;
对各训练样本进行处理得到对应的样本趋向信息;
根据训练样本和样本趋向信息进行逻辑回归模型和评分卡模型的训练,得到初始训练结果;
根据初始训练结果和训练样本对应的标注调整模型参数,直至达到预设的收敛条件结束训练。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
接收信用度评估指令;信用度评估指令包括目标用户的标识;
根据标识从数据库中获取目标用户的用户信息
根据用户信息获取初始信用评估结果和信用趋向信息;信用趋向信息用于指示目标用户的信用度的变化趋势;
根据信用趋向信息与初始信用评估结果获取目标信用评估结果;目标信用评估结果用于表示目标用户的目标信用度。
在一个实施例中,根据信用趋向信息与初始信用评估结果获取目标信用评估结果,包括:
将信用趋向信息和初始信用评估结果分别输入至逻辑回归模型中,得到信用趋向信息对应的第一逻辑回归结果和初始信用评估结果对应的第二逻辑回归结果;
根据第一逻辑回归结果和第二逻辑回归结果,确定目标信用评估结果。
在其中一个实施例中,根据第一逻辑回归结果和第二逻辑回归结果,确定目标信用评估结果,包括:
将第一逻辑回归结果和第二逻辑回归结果代入预设的评分卡转换公式,得到目标信用评估结果;评分卡转换公式包括逻辑回归结果与信用评估结果之间的转换关系。
在一个实施例中,根据第一逻辑回归结果和第二逻辑回归结果,确定目标信用评估结果之前,方法还包括:
根据目标用户的用户信息获取衍生特征信息;
将衍生特征信息输入至逻辑回归模型中,得到第三逻辑回归结果;
对应地,根据第一逻辑回归结果和第二逻辑回归结果,确定目标信用评估结果,包括:
根据第一逻辑回归结果、第二逻辑回归结果和第三逻辑回归结果,确定目标信用评估结果。
在一个实施例中,信用趋向信息的确定过程,包括:
对目标用户的用户信息进行特征提取,得到第一特征信息;第一特征信息包括目标用户的交易特征;
根据预设的异同移动平均线计算公式对目标特征信息进行计算,得到信用趋向信息;信用趋向信息包括指数移动平均值、异同移动平均线、离差值、离差平均值、信用趋向标识和信用趋向差值中的至少一种,信用趋向标识用于指示信用度变化方向,信用趋向差值用于指示信用度变化量。
在一个实施例中,根据用户信息获取初始信用评估结果,包括:
对目标用户的用户信息进行特征提取,得到第二特征信息;第二特征信息包括目标用户的交易特征和用户特征;
将第二特征信息输入至预设的目标评分卡模型中,得到初始信用评估结果。
在一个实施例中,目标评分卡模型包括法人评分卡模型和个人评分卡模型,初始信用评估结果包括法人信用评估结果和个人信用评估结果,将第二特征信息输入至预设的目标评分卡模型中,得到初始信用评估结果,包括:
将目标用户的第二特征信息输入至法人评分卡模型中,得到法人信用评估结果;
将目标用户的第二特征信息输入至个人评分卡模型中,得到个人信用评估结果。
在一个实施例中,信用度评估方法还包括:
获取多个训练样本和各训练样本对应的标注;训练样本包括样本用户的样本用户信息,训练样本对应的标注包括样本评估结果;
对各训练样本进行处理得到对应的样本趋向信息;
根据训练样本和样本趋向信息进行逻辑回归模型和评分卡模型的训练,得到初始训练结果;
根据初始训练结果和训练样本对应的标注调整模型参数,直至达到预设的收敛条件结束训练。
在一个实施例中,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以下步骤:
接收信用度评估指令;信用度评估指令包括目标用户的标识;
根据标识从数据库中获取目标用户的用户信息
根据用户信息获取初始信用评估结果和信用趋向信息;信用趋向信息用于指示目标用户的信用度的变化趋势;
根据信用趋向信息与初始信用评估结果获取目标信用评估结果;目标信用评估结果用于表示目标用户的目标信用度。
在一个实施例中,根据信用趋向信息与初始信用评估结果获取目标信用评估结果,包括:
将信用趋向信息和初始信用评估结果分别输入至逻辑回归模型中,得到信用趋向信息对应的第一逻辑回归结果和初始信用评估结果对应的第二逻辑回归结果;
根据第一逻辑回归结果和第二逻辑回归结果,确定目标信用评估结果。
在其中一个实施例中,根据第一逻辑回归结果和第二逻辑回归结果,确定目标信用评估结果,包括:
将第一逻辑回归结果和第二逻辑回归结果代入预设的评分卡转换公式,得到目标信用评估结果;评分卡转换公式包括逻辑回归结果与信用评估结果之间的转换关系。
在一个实施例中,根据第一逻辑回归结果和第二逻辑回归结果,确定目标信用评估结果之前,方法还包括:
根据目标用户的用户信息获取衍生特征信息;
将衍生特征信息输入至逻辑回归模型中,得到第三逻辑回归结果;
对应地,根据第一逻辑回归结果和第二逻辑回归结果,确定目标信用评估结果,包括:
根据第一逻辑回归结果、第二逻辑回归结果和第三逻辑回归结果,确定目标信用评估结果。
在一个实施例中,信用趋向信息的确定过程,包括:
对目标用户的用户信息进行特征提取,得到第一特征信息;第一特征信息包括目标用户的交易特征;
根据预设的异同移动平均线计算公式对目标特征信息进行计算,得到信用趋向信息;信用趋向信息包括指数移动平均值、异同移动平均线、离差值、离差平均值、信用趋向标识和信用趋向差值中的至少一种,信用趋向标识用于指示信用度变化方向,信用趋向差值用于指示信用度变化量。
在一个实施例中,根据用户信息获取初始信用评估结果,包括:
对目标用户的用户信息进行特征提取,得到第二特征信息;第二特征信息包括目标用户的交易特征和用户特征;
将第二特征信息输入至预设的目标评分卡模型中,得到初始信用评估结果。
在一个实施例中,目标评分卡模型包括法人评分卡模型和个人评分卡模型,初始评估结果包括法人评信用估结果和个人信用评估结果,将第二特征信息输入至预设的目标评分卡模型中,得到初始信用评估结果,包括:
将目标用户的第二特征信息输入至法人评分卡模型中,得到法人信用评估结果;
将目标用户的第二特征信息输入至个人评分卡模型中,得到个人信用评估结果。
在一个实施例中,信用度评估方法还包括:
获取多个训练样本和各训练样本对应的标注;训练样本包括样本用户的样本用户信息,训练样本对应的标注包括样本评估结果;
对各训练样本进行处理得到对应的样本趋向信息;
根据训练样本和样本趋向信息进行逻辑回归模型和评分卡模型的训练,得到初始训练结果;
根据初始训练结果和训练样本对应的标注调整模型参数,直至达到预设的收敛条件结束训练。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上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本申请专利范围的限制。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,本申请的保护范围应以所附权利要求为准。

Claims (12)

1.一种信用度评估方法,其特征在于,所述方法包括:
接收信用度评估指令;所述信用度评估指令包括目标用户的标识;
根据所述标识从数据库中获取所述目标用户的用户信息;
根据所述用户信息获取初始信用评估结果和信用趋向信息;所述信用趋向信息用于指示所述目标用户的信用度的变化趋势;
根据所述信用趋向信息与所述初始信用评估结果获取目标信用评估结果;所述目标信用评估结果用于表示所述目标用户的目标信用度。
2.根据权利要求1所述的方法,其特征在于,所述根据所述信用趋向信息与所述初始信用评估结果获取目标信用评估结果,包括:
将所述信用趋向信息和所述初始信用评估结果分别输入至逻辑回归模型中,得到所述信用趋向信息对应的第一逻辑回归结果和所述初始信用评估结果对应的第二逻辑回归结果;
根据所述第一逻辑回归结果和所述第二逻辑回归结果,确定所述目标信用评估结果。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第一逻辑回归结果和所述第二逻辑回归结果,确定所述目标信用评估结果,包括:
将所述第一逻辑回归结果和所述第二逻辑回归结果代入预设的评分卡转换公式,得到所述目标信用评估结果;所述评分卡转换公式包括逻辑回归结果与信用评估结果之间的转换关系。
4.根据权利要求2所述的方法,其特征在于,在所述根据所述第一逻辑回归结果和所述第二逻辑回归结果,确定所述目标信用评估结果之前,所述方法还包括:
根据所述目标用户的用户信息获取衍生特征信息;
将所述衍生特征信息输入至所述逻辑回归模型中,得到第三逻辑回归结果;
对应地,所述根据所述第一逻辑回归结果和所述第二逻辑回归结果,确定所述目标信用评估结果,包括:
根据所述第一逻辑回归结果、所述第二逻辑回归结果和所述第三逻辑回归结果,确定所述目标信用评估结果。
5.根据权利要求1所述的方法,其特征在于,所述信用趋向信息的确定过程,包括:
对所述目标用户的用户信息进行特征提取,得到第一特征信息;所述第一特征信息包括所述目标用户的交易特征;
根据预设的异同移动平均线计算公式对所述目标特征信息进行计算,得到所述信用趋向信息;所述信用趋向信息包括指数移动平均值、异同移动平均线、离差值、离差平均值、信用趋向标识和信用趋向差值中的至少一种,所述信用趋向标识用于指示信用度变化方向,所述信用趋向差值用于指示信用度变化量。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述根据所述用户信息获取初始信用评估结果,包括:
对所述目标用户的用户信息进行特征提取,得到第二特征信息;所述第二特征信息包括所述目标用户的交易特征和用户特征;
将所述第二特征信息输入至预设的目标评分卡模型中,得到所述初始信用评估结果。
7.根据权利要求6所述的方法,其特征在于,所述目标评分卡模型包括法人评分卡模型和个人评分卡模型,所述初始信用评估结果包括法人信用评估结果和个人信用评估结果,所述将所述第二特征信息输入至预设的目标评分卡模型中,得到所述初始信用评估结果,包括:
将所述目标用户的第二特征信息输入至所述法人评分卡模型中,得到所述法人信用评估结果;
将所述目标用户的第二特征信息输入至所述个人评分卡模型中,得到所述个人信用评估结果。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取多个训练样本和各所述训练样本对应的标注;所述训练样本包括样本用户的样本用户信息,所述训练样本对应的标注包括样本评估结果;
对各所述训练样本进行处理得到对应的样本趋向信息;
根据所述训练样本和所述样本趋向信息进行逻辑回归模型和评分卡模型的训练,得到初始训练结果;
根据所述初始训练结果和所述训练样本对应的标注调整模型参数,直至达到预设的收敛条件结束训练。
9.一种信用度评估装置,其特征在于,所述装置包括:
指令接收模块,用于接收信用度评估指令;所述信用度评估指令包括目标用户的标识;
第一获取模块,用于根据所述标识从数据库中获取所述目标用户的用户信息;
第二获取模块,用于根据所述用户信息获取初始信用评估结果和信用趋向信息;所述信用趋向信息用于指示所述目标用户的信用度的变化趋势;
第三获取模块,用于根据所述信用趋向信息与所述初始信用评估结果获取目标信用评估结果;所述目标信用评估结果用于表示所述目标用户的目标信用度。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
12.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
CN202210321949.6A 2022-03-30 2022-03-30 信用度评估方法、装置、设备、介质和程序产品 Pending CN114693431A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210321949.6A CN114693431A (zh) 2022-03-30 2022-03-30 信用度评估方法、装置、设备、介质和程序产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210321949.6A CN114693431A (zh) 2022-03-30 2022-03-30 信用度评估方法、装置、设备、介质和程序产品

Publications (1)

Publication Number Publication Date
CN114693431A true CN114693431A (zh) 2022-07-01

Family

ID=82141930

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210321949.6A Pending CN114693431A (zh) 2022-03-30 2022-03-30 信用度评估方法、装置、设备、介质和程序产品

Country Status (1)

Country Link
CN (1) CN114693431A (zh)

Similar Documents

Publication Publication Date Title
Hu A multivariate grey prediction model with grey relational analysis for bankruptcy prediction problems
CN115659177A (zh) 数据推荐模型的生成方法、装置和计算机设备
CN111582538A (zh) 一种基于图神经网络的社群价值预测方法及系统
CN112116454A (zh) 信用评估方法及装置
CN115545103A (zh) 异常数据识别、标签识别方法和异常数据识别装置
CN114549849A (zh) 图像识别方法、装置、计算机设备和存储介质
Lahmiri Randomness in denoised stock returns: The case of Moroccan family business companies
Tongesai et al. Insurance Fraud Detection using Machine Learning
CN115758271A (zh) 数据处理方法、装置、计算机设备和存储介质
CN114693431A (zh) 信用度评估方法、装置、设备、介质和程序产品
CN114140246A (zh) 模型训练方法、欺诈交易识别方法、装置和计算机设备
CN114549174A (zh) 用户行为预测方法、装置、计算机设备和存储介质
CN115640336B (zh) 业务大数据挖掘方法、系统及云平台
CN117151855A (zh) 欺诈风险预测方法、装置、计算机设备和可读存储介质
CN117436484A (zh) 图像识别模型构建、装置、计算机设备和存储介质
CN117876021A (zh) 基于人工智能的数据预测方法、装置、设备及存储介质
CN116167011A (zh) 数据挖掘模型构建方法、装置、计算机设备和存储介质
CN116342242A (zh) 异常检测方法、装置、计算机设备和存储介质
CN116703544A (zh) 资源互动轨迹预测方法、装置、计算机设备和存储介质
CN117853217A (zh) 数据隐私保护的金融违约率预测方法、装置以及设备
CN117575772A (zh) 一种异常用户的检测方法、装置、计算机设备、存储介质
CN116703216A (zh) 业务场景评分方法、装置、计算机设备和存储介质
CN115659022A (zh) 资源推送数据处理方法、装置、计算机设备和存储介质
CN117522138A (zh) 金融业务系统的测试风险识别方法、装置、设备和介质
Uwimana et al. Towards hybrid artificial neural network model in predicting long term total healthcare expenditure in Rwanda

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